报告行业投资评级 未提及相关内容 报告的核心观点 - 提出一种新的学校教育生产力建模方法，认为当孩子技能与学校学习体验复杂度匹配时学习效果最佳，不匹配会降低学习生产力 [1][6] - 利用秘鲁、印度和越南儿童的纵向数据，发现学校教育生产力取决于孩子现有技能存量与学校复杂度的差异，两者匹配时教育效果最大化，不匹配对学习不利 [10][12] - 秘鲁数据显示，学校教育效果与儿童早期技能存量呈倒U型关系，在一定范围内提高早期技能可提升学校生产力，超过该范围则降低 [10] - 该研究为“因材施教”教学方法的实验结果提供外部有效性，也有助于调和早期儿童发展文献中关于早期技能对学习投入生产力影响的不同实证结果 [13][76] 根据相关目录分别进行总结 引言 - 不同学习理论强调学习体验与学习者理解程度相适应可增强学习效果，近期人类发展经济学文献也强调为孩子提供难度适中的体验以避免其受挫 [2] - 一些研究认为儿童技能不足会导致某些教育投入对学习无效，“因材施教”教学方法的现场实验显示该干预有积极效果，但可能通过多种渠道起作用 [5] - 本研究旨在提供孩子技能与学校复杂度匹配对学习重要性的直接证据，提出一种新的学校教育生产力建模方法 [6] 框架 - 假设学习投入生产力在其复杂度与孩子能力匹配时达到最大化，偏差会降低投入对学习的影响 [19] - 给出价值增值规范方程，其中学习投入生产力是个体特定的，取决于孩子先前技能水平与投入复杂度的差异 [20][23] - 该规范方程嵌套了孩子技能对学习投入生产力只有正或负影响的情况，且与建构主义和认知负荷理论等学习理论一致 [27] 数据和实证策略 数据 - 以学校为学习环境，主要使用秘鲁“年轻生活研究”较年轻队列的数据，包括2006 - 2013年儿童调查的第2、3、4轮和2011年学校调查 [29] - 用皮博迪图片词汇测试（PPVT）测量儿童技能，该测试具有纵向结果，且分数与常见智力测量指标有强正相关，还呈现出社会经济梯度 [30][35] - 用学校课程覆盖度近似学校复杂度，认为课程覆盖度与学校学习互动复杂度直接相关 [38] - 用孩子技能和课程覆盖度的去均值版本计算不匹配度，消除时间成分并保留不匹配情况 [39] 实证策略 - 实证模型为线性但具有异质性效应，通过固定效应方法和工具变量策略进行识别 [41][43] - 利用秘鲁数据库三轮可比的PPVT分数，在模型中加入个体固定效应控制不可观测特征，实施工具变量策略消除处理与误差项的剩余相关性 [43] - 以孩子出生日期作为入学决策的工具变量，通过比较不同入学决策组学生分数变化来估计学校教育的边际效应 [49] - 非线性动态面板模型允许学校教育边际效应因学生而异，并取决于不匹配度，通过一阶差分消除固定效应进行参数识别 [49][50] 结果 - 估计的四个参数均具有统计学意义，技能持久性参数γ1表明约30%的技能会从一轮延续到下一轮，与其他研究结果一致 [51] - γ2是非线性版本中学校教育的最大生产力，1%的学校教育增加最多可使技能提高0.55%，偏离匹配会降低边际效应 [52][55] - λ不为零表明学校教育效果存在异质性，π不为零意味着数据不支持孩子技能对学校教育生产力只有正或负影响的描述 [55] - 样本中学校教育个体特定效应的平均值为0.33，小于假设同质效应的线性模型估计值，符合随机系数模型中施加同质性会导致平均效应估计偏差的结果 [55] - 样本中孩子技能对学校教育生产力的平均影响不显著，表明正负效应相互抵消 [56] - 学校教育生产力在中等学校复杂度下是儿童早期技能存量的非单调函数，早期技能在一定范围内对学校教育生产力有积极影响，超过该范围则有消极影响 [56][59] - 在课程覆盖度的第25和75百分位，早期儿童技能对学校生产力分别以负和正效应为主 [60] 来自其他年轻生活国家的证据 - 估计越南和印度的国家面板数据版本模型，因学校调查缺乏课程覆盖度测量，用孩子自我感知的学业能力来衡量不匹配度 [61][67] - 引入学前教育变量控制潜在的孩子异质性，用出生日期作为入学年份的工具变量进行估计 [68] - 估计的四个参数均具有统计学意义，结果与秘鲁情况一致，1%的学校教育增加最多可使技能提高0.74%，偏离匹配会降低边际效应 [69][72] - 学校教育效果与不匹配度呈非单调关系，技能与学校复杂度匹配时，额外一年学校教育的边际效应最大 [72] 结论 - 提出一种新的学校教育对儿童技能异质性影响的建模方法，认为学习在孩子技能与学校学习体验复杂度匹配时达到最大化 [73] - 通过三个发展中国家儿童的数据验证该函数，发现学校教育对学习的影响在匹配时最大，不匹配对学习不利，为“因材施教”教学方法的实验结果提供外部有效性 [75] - 明确将孩子学前技能和学校课程复杂度作为匹配函数进行建模，发现学校教育效果与早期儿童技能呈倒U型关系，有助于调和早期儿童发展文献中的实证结果 [76]

报告行业投资评级 未提及 报告的核心观点 报告基于对超600家多家庭物业运营商的调研数据，为多家庭物业领导者提供利用自动化提高运营效率、降低开支和支持扩张目标的见解与策略，指出企业实施自动化取得积极成果，还识别了多方面改进机会[3][4] 根据相关目录分别进行总结 调查结果 - 与去年相比，使用完全手动流程完成的任务减少，物业管理公司人员处理行政事务的时间和成本降低[5] - 识别了以居民为中心的运营、后台运营以及员工留存方面的改进机会[6] 调查背景和人口统计 - 因租户期望值高、员工人数波动，为了解拖累员工的任务及公司如何用技术提高生产效率，与第三方研究公司调查630名多家庭专业人士，受访者需满足在多户住宅物业管理、管理250个或更多单位属性、熟悉预算等业务方面的标准[14][15][16] 关键功能领域提高效率的机会 驻地业务 - 数字化重复的居民通信，可减轻现场管理人员重复工作负担，改善居民和员工体验，处理居民关系是公司投资提高效率的重点领域[40][44][45] - 向租房者传达灵活的付款选项改善现金流，多数物业管理公司提供灵活支付选项，但多数租户称未被提供，提供并传达灵活支付条款可减少拖欠付款[48][50][51] - 加强保留率以降低拖欠率，留存率高的社区拖欠支付情况少，高频率人员流动和违约损害净运营收入，物业管理人员可采取措施减少拖欠[52][53][56] 后台操作 - 完全自动收取租金，约40%租金支付通过纸质方法，纸质支付存在易受欺诈、现金流放缓、手动工作多、处理成本高等问题[63][65][67] - 固化租房者将公用设施放入自己名下的程序，仅60%物业管理公司有相关程序，定义公用事业管理流程可减少困惑和行政负担，利用空置成本回收服务[69][70][71] - 将居民公用事业计费外包以收回成本并消除工作量，多数公司回收公用事业费用方式不合理，按使用量计费公司少，内部管理计费繁琐，部分公司选择外包[74][77][81] - 通过外包公用事业AP提高员工效率并最大限度减少超额收费，约三分之一公司自行处理公用事业账款应付账款，内部管理耗时增加，外包可节省时间和提高效率[87][88][91] 人员保留 - 提高领导能力和工资可以帮助留住员工，员工离职主要可控原因是寻求更高薪酬和更好领导力，公司应确保薪资有竞争力，领导层提供支持[100][101][102] - 大公司可让员工感到更有价值，“缺乏被认可感”是大公司员工离职主要原因之一，在小公司发生概率低[105][106] 自动化帮助团队闪耀 - 自动化可帮助多家庭公司消除挑战，目前未充分利用，投资自动化可提高生产效率、降低开支、改善员工体验和降低员工流失率[109] - 建议自动化入住后最繁琐任务，可检查居民支付、实用程序管理、居民相关任务三个领域改进工作流程[111] - 泽戈的物业管理软件可自动化处理繁琐运营任务，实现居民付款数字化、卸载实用程序管理等，其平台集成领先房地产管理系统[118]

报告行业投资评级 未提及相关内容 报告的核心观点 - 提出并评估使用视觉变压器架构解决结合调查和卫星数据以在精细空间尺度上生成财富估计的多个未决问题 [33] - 应用结合地理空间特征的变压器模型生成高分辨率的贫困和财富预测具有显著优势 [35] - 拥有足够的训练数据对估计预测模型至关重要，未来可研究在小样本情况下提高变压器模型性能的方法 [37] - 变压器模型在预测财富和家庭福祉变化方面具有潜力，未来可研究变化模型参数在时空上的稳定性 [38] 根据相关目录分别进行总结 研究背景 - 准确全面测量家庭生计对监测减贫进展和确定社会援助计划目标至关重要，但传统数据收集成本高，全面测量困难 [5] - 官方贫困测量长期依赖家庭调查，但该方法耗时，且难以在许多地区及时获得全面的贫困及相关结果测量，也难以在村庄或社区层面生成可靠估计，因此需要更具成本效益和可扩展的替代方法 [10] - 近年来，公开可用的遥感数据和机器学习的进步改变了生计测量格局，早期研究表明利用卫星图像和机器学习可准确、廉价且可扩展地估计财富 [11] 研究方法 - 构建大规模、多分辨率和多时间的贫困数据集，包含四个非洲国家的超1200万户家庭数据，以及马拉维两个城市的精确地理参考测量和同一地点的重复测量 [12] - 直接测试新型深度学习模型（视觉变压器），与基于卷积神经网络（CNN）的早期深度学习架构以及使用地理空间特征和表格机器学习方法（XGBoost）的简单模型进行比较，设计调节模块使变压器模型处理多模态输入 [13] - 利用准确的高分辨率国家普查数据进行模型训练和评估，与早期主要依赖公开家庭调查数据的研究相比，数据覆盖范围更广，部分数据精确地理参考，可评估模型预测误差来源和确定最小训练数据要求 [15] - 利用高分辨率普查数据研究卫星图像和其他地理空间数据在预测非洲城市地区生计变化中的应用，使用马拉维两个城市的综合精确地理参考普查数据训练和测试不同分辨率卫星数据的模型 [16] - 利用普查和提取物评估基于图像的模型对财富随时间变化的预测能力，使用马拉维与莫桑比克相隔10年的同一地点重复普查数据进行评估 [17] 研究结果 国家层面财富预测 - 天真变压器模型在马拉维、莫桑比克和马达加斯加的数据集上始终优于其他模型，在布基纳法索，使用卫星图像和地理空间特征的XGBoost平均性能最佳，天真变压器模型仅使用卫星图像时仍具竞争力 [18] - 确定10%为模型性能的关键转折点，低于此比例估计准确性迅速下降 [18] - 当每个图像至少有10户家庭时，调查更多枚举区域对预测财富更重要，地理空间特征可显著提高模型性能，尤其是在训练样本量较小时 [20] - 结合地理空间特征的变压器模型在大多数情况下产生的估计R²最高，使用变压器模型和Landsat图像可在一小时内完成全国尺度的精细财富测量 [21] 国家层面财富变化预测 - 深度学习模型在马拉维可捕捉52%的变化，在莫桑比克可捕捉42%的变化，优于XGBoost，变压器模型在估计莫桑比克十年财富变化时略优于CNN，在马拉维表现相当 [22][24] - 减少采样位置数量比减少每个样本聚合的家庭数量对准确性的影响更大 [24] - 马拉维南部财富在十年间下降，北部和中部部分地区相对稳定或略有上升，莫桑比克大部分地区财富总体增加，南部地区财富增长多于北部，少数孤立地区财富下降 [25] 城市层面财富预测 - CNN和变压器模型在两个城市的表现始终优于XGBoost，变压器模型在布兰太尔明显优于CNN，在利隆圭表现相当，所有模型的性能随训练数据比例增加而显著提高，但超过25%-50%后收益递减 [28] - SkySat在两个城市的各种训练数据比例下始终优于PlanetScope，SkySat适合高精度的局部地区财富测量，PlanetScope适合大规模财富映射以获取宏观见解 [29] - 地理空间特征通常会降低城市层面财富预测的模型性能，因为其来自低分辨率卫星图像，会引入空间误差，变压器模型仅从卫星图像中就能学习更准确的财富表示 [30][31] - 在马拉维的两个城市实现了准确的大规模城市层面财富映射，0.3公里分辨率的城市层面财富地图提供了前所未有的财富空间分布细节，利隆圭可解释高达76%的变化，布兰太尔可解释高达67%的变化 [32] 讨论与展望 - 变压器模型在横截面财富预测、城市内部变化预测和十年资产财富指数变化预测方面表现良好，结合地理空间特征可提高性能，但在城市层面结合地理空间特征会降低性能 [33][34] - 强调开发工具、文档和培训材料的重要性，使国家统计局、国际组织和其他数据提供者能够进行估计，并评估预测不确定性以促进实施 [35] - 强调拥有足够训练数据的重要性，未来可研究在小样本情况下提高变压器模型性能的方法 [37] - 展示了变压器模型在预测财富和家庭福祉变化方面的潜力，未来可研究变化模型参数在时空上的稳定性，以便在缺乏调查数据的情况下使用地理空间数据生成福利变化的近似微观估计 [38] 研究方法细节 数据集 - 利用四个低收入国家和马拉维两个城市的数据，因普查提取物中存在位置标识符，可在不同时空场景下模拟数据稀缺对模型性能的影响 [40] - 构建资产财富指数，使用全国普查问卷数据，涉及四个国家超1200万户家庭，对住房特征和资产进行评估和标准化，通过主成分分析提取第一主成分作为资产财富指数 [41][42] - 收集国家层面的Landsat卫星图像和城市层面的PlanetScope、SkySat多光谱卫星图像，补充公开可用的地理空间特征 [45][46] 模型训练 - 比较XGBoost、CNN和变压器三种模型，选择SwinV2 - T作为变压器模型的骨干 [47][48] - XGBoost使用图像级通道矩作为输入特征，CNN使用ResNet - 18进行特征提取，变压器模型采用SwinV2 - T提取特征，并通过调节机制整合地理空间特征 [49][50][51] - 所有深度模型使用相同配置进行训练，通过最小化均方误差损失和AdamW优化器进行端到端训练，训练100个周期，采用D4二面体组变换进行数据增强 [52] 模型评估 - 采用五折交叉验证评估模型性能，使用R²作为水平和变化预测的指标 [53] - 模拟数据稀缺的两种场景：限制图像数量和限制图像内家庭数量，以研究模型在数据稀缺情况下的性能 [54]

报告行业投资评级 未提及相关内容 报告的核心观点 - 研究聚焦中低收入国家，运用AI职业暴露指数分析25国劳动力调查数据 发现不同收入国家AI职业暴露差异大 高收入国家暴露最高 中低收入国家较低 凸显AI潜在影响的全球不均衡性 [3][74] - 多变量分析显示教育、性别、城乡等因素影响职业AI暴露 高技能职业和白领行业更易受AI影响 [75] - 低收入国家尤其是农村地区电力基础设施不足 限制AI应用 政策需考虑此因素并制定针对性策略 [76] 根据相关目录分别进行总结 1. 引言 - AI近年发展显著 生成式AI崛起引发全球关注 但其对就业和经济的影响尚不确定 [8] - 多数AI经济研究聚焦高收入国家 中低收入国家因基础设施、人力资本和经济结构差异 受AI影响可能不同 [9] - 研究运用AI职业暴露指数分析25国劳动力调查数据 覆盖35亿人口 采用更详细职业代码和多变量分析 以提供更细致视角 [10] 2. 衡量AI暴露和劳动力市场影响 2.1 衡量AI暴露 - 采用任务模型评估数字技术和AI对职业的影响 常用美国O*NET数据库 其中AI职业暴露（AIOE）指数应用广泛 [18] - AIOE指数基于O*NET职业分类 定义AI暴露 其他类似方法包括Webb的专利视角和Brynjolfsson对机器学习适用性的评估 [19][20] 2.2 AI对全球劳动力市场的影响 - 企业层面引入AI或提高生产率 但需时间适应 研究通过多种方式评估AI对企业的影响 综合估计AI adoption对企业年劳动生产率增长的影响在1.7 - 2.7个百分点 [22] - 高技能工人可能受AI影响更大 但生成式AI在某些任务上对低技能工人的生产率提升更明显 [23] - 美国约20%的工作有超50%的任务受大语言模型影响 欧洲和美国未来约27%和30%的任务将基于AI 生成式AI或替代四分之一的现有工作 使美国劳动生产率增长约1.5个百分点 [24][25] - 少数研究关注中低收入国家 发现不同国家AI职业暴露因就业结构而异 女性、高学历和高收入工人暴露更高 AI可能加剧不平等 [26] 2.3 数据和方法 - 研究使用全球劳动力数据库（GLD）的25国劳动力调查数据 涵盖约300万工人 并采用AIOE指数衡量职业AI暴露 [30] - AIOE指数构建分两步 先确定AI应用 再结合O*NET信息 研究将其值归一化到0 - 100 以表示职业AI暴露程度 [30] - 研究使用4位数ISCO代码减少对中低收入国家AI暴露的高估 并通过熵测度证明其提供更多信息 [32][33] - 研究采用简单回归模型分析AI职业暴露与工人特征的关系 并将AIOE值分为四个暴露等级 [36][37] 3. 低收入、中等收入和高收入国家AI的典型事实 3.1 每两个工作中就有一个可能受AI影响 因收入和国家而异 - 所有国家的平均AIOE值为47 高收入国家职业AI暴露最高 均值为63 其次是上中等收入国家（49）、下中等收入国家（44）和低收入国家（37） [39][41] - 不同国家即使GNI人均水平相似 AIOE也可能不同 表明AI在不同国家的潜在作用存在差异 [44] - 将AIOE分数分为四个暴露等级 分析不同国家和群体的分布 揭示国家层面的异质性 [47] 3.2 工人特征在决定AI职业暴露中的作用 - 不同收入群体的年龄模式无明显差异 年轻工人因过早离校 较少从事受AI影响的职业 [48] - 低收入国家男女职业AI暴露均较低 高收入和上中等收入国家女性受AI影响更大 性别差距更明显 [52] - 城市工人比农村工人更易受AI影响 低收入国家城乡差距最大 [56] - 所有国家中 受教育程度越高的工人越易在工作中接触AI 且暴露程度随收入水平略有增加 [57] 3.3 全球范围内工作选择对AI职业暴露的重要性 - 高技能职业比中低技能职业更易受AI影响 白领行业整体受AI影响最大 蓝领行业受影响最小 [61] 3.4 职业和行业部门是AI职业暴露的最强预测因素 - 多变量回归分析显示 与从事基础职业相比 从事专业工作在不同收入国家均显著增加AI职业暴露 [64] - 年龄仅在中下等收入和高收入国家与AI职业暴露相关 接受高等教育的工人在低和上中等收入国家更易受AI影响 [66] - 自雇和无薪工作在低、中下和上中等收入国家与更高的AI暴露显著相关 性别和城乡差异在多变量结果中的作用较小 [66] 3.5 电力基础设施不足是AI应用的障碍 - 多数AI分析假设基础设施完备 但发展中国家存在电力和互联网接入问题 低收入国家尤为严重 [65] - 分析纳入家庭电力接入情况 发现高收入和上中等收入国家无差异 但低收入国家约41%的职业无电力接入 农村地区问题更严重 [67][70] 4. 结论 - 研究聚焦中低收入国家 发现不同收入国家AI职业暴露差异大 高收入国家暴露最高 凸显AI潜在影响的全球不均衡性 [74] - 多变量分析显示教育、性别、城乡等因素影响职业AI暴露 高技能职业和白领行业更易受AI影响 [75] - 低收入国家尤其是农村地区电力基础设施不足 限制AI应用 政策需考虑此因素并制定针对性策略 [76] - 研究结果表明短期内AI在中低收入国家造成大规模劳动力市场破坏的担忧可能被夸大 其更可能改善服务质量 [78]

报告行业投资评级 未提及 报告的核心观点 - 运用不同流动性指标分析全球代际教育流动性与长期增长的关系 发现高等教育向上流动与欧洲和中亚人均国内生产总值正相关 但相对流动性指标与国家收入无关 在拉丁美洲 较高的相对流动性与较低的收入相关 较高的绝对流动性与较高的收入相关 世界其他地区呈现出这些模式的混合 [3] - 代际教育流动性与国家收入的关系具有区域特异性 社会流动性与长期发展的关系可能因背景而异 某些方面的流动性在某些背景下对经济增长更重要 [81] 根据相关目录分别进行总结 1. 引言 - 技术进步是经济增长和生活水平提高的主要驱动力 但仅靠增加研发支出可能不足以推动科学创新 社会流动性强的社会中人才分配更优 有望更加繁荣 但这一预期的真实性尚不清楚 [7] - 多种因素决定个人发挥潜力的机会 教育对个人职业和收入影响重大 父母的收入 人力资本 偏好和风险认知等影响对孩子教育的投资 若无政府干预 教育的代际持续性会加剧收入不平等 旨在改善代际流动性的政策可促进经济增长 [8] - 从代际教育流动性分析中推断政策存在挑战 因为观察到的流动性不足可能是社会其他经济失败的结果 跨国比较代际流动性有助于部分厘清社会流动性不同相关因素的贡献 [9][10] - 本文分析代际流动性变化与长期发展的联系 结合两个调查的数据形成68个国家2000 - 2020年的面板数据 一是进行全球跨国分析 二是引入新的代际教育流动性衡量指标——流动性差距并与现有指标比较 [11] 2. 文献综述 - 多项研究对代际教育流动性模式进行描述性探索 发现不同国家代际教育流动性水平存在显著差异 扩大高等教育机会不一定能增加流动性 父母的人力资本与孩子的教育和工资结果呈正相关 [16] - 金融约束可能阻碍弱势群体中高能力个体的发展 非洲国家教育流动性存在高度异质性 发展中国家的代际教育流动性平均低于高收入国家 [17] - 部分研究发现社会流动性与经济发展呈正相关 但也有研究认为经济发展 收入再分配和公共教育发展对社会流动性的影响较小 社会流动性与经济结果无关 [18][19] 3. 教育流动性的衡量 - 本文使用四种指标衡量代际教育流动性 包括定向流动性指标 绝对流动性指标和相对流动性指标 [20] - 定向流动性指标是一种新方法 能解决现有指标的不足 但现有常用的相关性和弹性指标存在无法反映教育结构动态变化 产生误导性分组比较和不可按组分解等问题 转移矩阵虽能提供更丰富的政策含义 但存在数据删失和任意阈值等问题 基于距离的流动性指标无需任意阈值 能较好捕捉教育成就的变动 但忽略了变化方向和质量 [21][23][25] - 绝对流动性指标关注教育分布特定部分的变动 本文将向上高等教育流动性重新定义为父母未接受高等教育的孩子完成高等教育的概率 [33] - 相对流动性指标包括代际教育持续性和代际教育相关性 持续性衡量父母多接受一年教育孩子额外接受的教育年限 相关性衡量父母教育标准差增加一个单位时孩子教育标准差的增加量 数值越高表示流动性越低 [34][36] 4. 教育流动性与经济发展：实证框架 - 本文采用与Neidhofer等人相似的框架分析教育流动性与经济发展的关系 主要实证模型包含国家和年份固定效应 流动性指标和控制变量 控制变量包括当代国家层面变量 队列层面变量和出生队列初始条件变量 [37][38] - 考虑到低教育流动性导致的人才错配可能在特定出生队列进入劳动力市场时才影响生产力 本文估计了每个国家 - 年份的队列参与情况 并通过加权计算国家的总体流动性水平 [41] 5. 数据 - 本文数据主要来自两个来源 一是用于获取欧洲和中亚国家代际教育流动性的《转型生活调查》 该调查已进行四轮 本文使用第二 三 四轮数据 涵盖30个国家 主要变量是受访者及其父母的教育程度 以年为单位表示 二是用于其他国家的《全球代际流动性数据库》 提供114个国家四个出生队列的代际教育流动性估计 [43][44][50] - 实证分析还使用了其他来源的数据 包括世界银行的《世界发展指标》 麦迪逊项目数据库和联合国的《世界人口展望》 本文的跨国面板数据包含2000 - 2020年108个国家的1419个国家 - 年份观测值 但主要分析样本为68个国家的1244个观测值 [51][52] 6. 各国和各代际的教育流动性 - 本文使用115个国家的扩大样本描述代际教育流动性模式 向上流动性差距在不同国家和出生队列中差异较大 通常在孩子受教育程度高于父母的比例较高且受教育年限增加较多时出现较高值 [53][55][56] - 全球向上流动性模式具有异质性 南亚 中东和北非 撒哈拉以南非洲和东亚及太平洋地区的年轻一代向上流动性增加 而拉丁美洲 高收入国家和欧洲及中亚的年轻一代向上流动性低于老一代 欧洲和中亚1990年代出生队列的中位向上流动性比1930年代或1940年代出生队列低约40% [57] - 向上流动性差距与高等教育向上流动性和相对流动性指标的相关性较低 不同流动性指标显示的模式不一定一致 欧洲和中亚的绝对向上流动性随出生队列下降 而相对流动性变化不显著 南亚的绝对和相对流动性均增加 拉丁美洲的绝对流动性变化不大但相对流动性增加 [59][60][63] 7. 各国教育流动性与发展 - 实证分析聚焦于68个在2000 - 2020年至少有10年主要变量无缺失数据的国家 结果显示流动性与人均GDP的关系因地区而异 相对流动性指标中 除代际持续性与人均GDP正相关外 其他指标与人均GDP无显著相关性 绝对流动性指标中 向上流动性差距在拉丁美洲和亚非发展中国家与收入正相关 在欧洲和中亚与收入负相关 高等教育向上流动性在除高收入国家外的所有地区与人均GDP正相关 [64][65][67] - 纳入控制变量后 结果进一步表明流动性与GDP的关系具有情境特异性 高收入国家中 较低的相对流动性与较高的收入正相关 欧洲和中亚 向上流动性差距与GDP负相关 高等教育向上流动性与GDP正相关 拉丁美洲和加勒比以及亚非发展中国家 所有绝对流动性指标与收入正相关 相对流动性指标中代际教育相关性与GDP负相关 [68] - 模型不确定性分析和贝叶斯模型平均结果证实了主要估计的稳健性 高等教育向上流动性与GDP的关联最为稳健 此外 还考虑了包含滞后收入的自回归模型 但由于动态面板偏差和小样本问题 估计结果不完全稳健 [70][73][77] 8. 结论 - 本文使用涵盖68个国家2000 - 2020年的面板数据 分析代际教育流动性与收入水平的关系 引入并应用新的定向距离型教育流动性指标——向上流动性差距 该指标优于标准绝对流动性指标 并能提供明确的流动性排名 [80] - 实证分析表明代际教育流动性与国家收入的关系具有区域特异性 社会流动性与长期发展的关系可能因背景而异 某些方面的流动性在某些背景下对经济增长更重要 未来需要进一步研究流动性与发展之间复杂关系的机制 [81][82]

报告行业投资评级 未提及相关内容 报告的核心观点 - 提高数据透明度可增加制度质量处于中高水平国家的主权债券回报，高债务国家债券回报较低，但提高数据透明度可减轻债务的负面影响 [3][10] - 主权债券回报与数据透明度关系是非线性的，存在阈值，当发行国国际国家风险指南（ICRG）得分对数大于4.15时，国际债权人可从提高数据透明度中获益 [3][11] - 主权信用评级（以标准普尔主权信用评级为代表）对投资者决策有参考价值，研究计算了国际债权人从借款国改善数据透明度中额外获得的收益 [9] 根据相关目录分别进行总结 1. 引言 - 多数文献关注主权借款人提高数据透明度的好处，该报告是最早研究数据透明度与主权债券回报关系、估算私人债权人从透明度中获益的研究之一 [7] - 研究从外部债权人角度出发，将借款国主权信用评级作为主权债券回报的可能决定因素，计算债权人从改善数据透明度中获得的收益 [8] 2. 估计技术和数据 2.1 计量经济学方法 - 采用固定效应工具变量（FE - IV）对面板数据进行回归，控制未观察到的时期和国家特定效应，解决数据透明度与主权债券回报冲击的内生性问题 [12][14] - 使用“信息自由”（FOI）作为外部工具变量，滞后解释变量作为内部工具变量，避免包含国际货币基金组织（IMF）数据透明度指标的回归出现聚类问题 [15][16] 2.2 数据描述 - 收集1995 - 2020年76个国家的主权债券回报年度数据，因变量是主权回报指数，用新兴市场债券指数（EMBI）衡量 [18] - 解释变量包括拉动（内部）和推动（外部）因素，新增标准普尔主权信用评级和国际储备总额作为解释变量，用国际国家风险指南（ICRG）指数衡量制度质量 [19][20] - 数据透明度指标由世界银行和IMF的公共数据透明度指数代理，世界银行统计能力指标（SCI）评估国家统计系统能力，IMF特别数据发布标准（SDDS）衡量国家宏观经济统计发布情况 [22] 3. 实证分析 - 固定效应工具变量（FE - IV）估计结果表明，数据透明度可预测债券利差回报，且工具变量无法预测债券回报的未来冲击 [25] - 回归结果显示，制度质量处于中高水平的国家，提高数据透明度可增加债券回报；高债务国家债券回报较低，但提高数据透明度可减轻债务对债券回报的负面影响；数据透明度对债券回报的积极影响存在阈值 [25] - 不同数据透明度指标（世界银行和IMF）与制度质量、主权债券回报的关系定性相似，且在部分回归中显著，表明提高数据透明度可增加债券回报 [26][30] - 国家储备水平越高，主权债券回报越高，因为投资者认为储备多意味着借款国偿债能力强 [31] 4. 计算债权人从改善数据透明度中获得的收益 - 通过回归估计计算国际债权人从借款国改善数据透明度中额外获得的收益，如将借款国数据透明度提高到上中等收入国家前十分位水平，撒哈拉以南非洲地区整体债券回报将增加825个基点，收益增加1126.2亿美元（占GDP的6.61%） [32] - 不同地区数据透明度提高10%对主权债券回报的影响不同，拉丁美洲和加勒比地区平均边际收益最大，为217.4个基点，中东和北非、南亚地区收益最小，分别为79.6和77.1个基点 [33] 5. 结论 - 研究的创新性在于考察借款国改善数据透明度对外部债权人的好处，引入信用评级作为投资者决策因素，并衡量国际债权人从借款国改善数据透明度中额外获得的收益 [34] - 实证结果表明，提高数据透明度可增加制度质量处于中高水平国家的债券回报，减轻高债务国家债务的负面影响，当发行国ICRG得分对数大于4.15时，债权人可从提高数据透明度中获益 [35]

报告行业投资评级 未提及 报告的核心观点 2024年黄金需求创历史新高，央行和投资者推动市场走强，各领域需求有不同表现，2025年央行和ETF投资者或继续推动需求，珠宝需求承压，回收供应或增长 [1][8][11] 根据相关目录分别进行总结 整体情况 - 2024年总黄金需求（含OTC投资）同比增1%，Q4达季度新高，全年总量4974吨创纪录 [1] - 2024年LBMA（PM）黄金价格达40个新纪录高位，Q4均价2663美元/盎司创纪录，年均价格2386美元/盎司，同比涨23% [6] - 2024年黄金需求价值达前所未有的水平，Q4价值1110亿美元，全年价值3820亿美元创历史新高 [7] - 2024年总黄金供应同比增1%至4975吨，矿山生产和回收增长推动供应增加 [7] 需求端 珠宝 - 2024年全球珠宝需求降11%至1877吨，价值升9%至1440亿美元，Q4需求降12%至547吨，价值达470亿美元创纪录 [3][33][41] - 中国全年需求降至479吨，低于10年平均26%，Q4虽季环比升4%，但前景仍悲观 [35][37] - 印度全年需求降2%至563吨，Q4降5%，预计1月中旬后或因婚礼相关购买恢复，但需价格稳定 [44][47] - 中东和土耳其，土耳其Q4需求升至2016年以来最高，全年需求略降但与10年平均持平；中东全年需求普遍下降 [48][49] - 美国Q4需求连续11个季度同比下降，全年降至5年最低；欧洲消费降至2020年以来最低 [53][54] - ASEAN市场，越南和印尼全年需求下降，泰国较有韧性，马来西亚Q2后市场走弱 [55][56] - 日本和韩国，日本消费受价格和通胀影响，韩国需求创历史新低 [57][58] - 澳大利亚全年需求降至4年最低 [59] 投资 - 2024年全球投资达4年高位，年增长25%，主要集中在下半年，黄金ETF流入、金条和金币需求稳定 [2][63] - ETF方面，全球黄金ETF连续两季度流入，全年净流出7吨，亚洲基金持仓增78吨创新高，欧洲连续4年下降但降幅收窄 [65][70][71] - 金条和金币方面，全球Q4需求季环比增20%，全年需求与2023年持平为1180吨，高于10年平均 [72][73] - 中国Q4投资反弹，全年总量为10多年来最高，预计2025年需求仍健康，但受其他资产表现影响 [74][77][78] - 印度Q4需求强劲，全年达239吨为2013年以来最高，预计2025年需求持续健康 [81][84] - 中东和土耳其，土耳其全年需求降25%，但Q4因价格回调需求增加，预计投资仍处高位但受货币政策限制；中东全年需求略低于2023年但仍强劲 [85][87][88] - 美国全年需求降至2020年以来最低，欧洲降至17年最低，预计2025年欧洲新投资仍会被清算抵消 [93][95] - ASEAN市场，2024年各国投资需求均增长创新高，越南Q4需求同比下降 [96][97] - 日本和韩国，日本需求为2018年以来最强，韩国连续5个季度两位数同比增长 [98][99] - 澳大利亚全年投资放缓，但Q4因价格下跌需求回升 [100] 央行 - 2024年央行净购买1045吨，连续15年净买入，连续3年超1000吨 [103] - 波兰央行是最大买家，增90吨至448吨；土耳其央行增75吨；印度央行买73吨至876吨；中国央行买44吨至2280吨等 [107][114][116] - 部分央行有战术性出售，如菲律宾央行售30吨，哈萨克斯坦央行净减10吨等 [124][125] 科技 - 2024年科技领域需求升7%至326吨，Q4为84吨，是2021年Q4以来最强季度 [133][134] - 电子方面，Q4需求升3%至70吨，全年升9%至271吨，AI应用和卫星基础设施推动需求，无线、LED等领域有不同表现 [135][136][137] - 其他工业和牙科方面，Q4其他工业需求降4%，牙科需求降6% [145] 供应端 矿山生产 - 2024年矿山产量增1%至3661吨，或创历史新高，但数据待修订，Q4产量略低于2023年Q4 [151][152] - 墨西哥、加拿大、秘鲁、几内亚产量增加，美国、澳大利亚、玻利维亚、刚果（金）产量下降 [152][153] 净生产者套期保值 - 2024年行业总生产者套期保值头寸降23吨至182吨，各季度均下降，预计减少趋势将持续 [163] 回收 - Q4回收供应359吨，同比增15%，环比增10%，为2020年Q3以来单季度最高 [164] - 各地区同比均增加，除中东外环比也增加，东亚尤其是中国推动增长，预计2025年回收量仍强劲 [165][166][168] 2025年展望 - 宏观经济背景与市场预期大致相符，部分地区有变化，如印度增长放缓、美国软着陆、欧洲增长弱、中国经济待改善 [11][12][20] - 投资方面，黄金ETF、OTC和期货投资或受低利率、股市估值高、美元走软和地缘政治风险推动，不同地区表现或不同 [13][15] - 珠宝方面，若金价维持或上涨，需求或进一步受侵蚀，中国前景悲观，印度需价格稳定，科技需求或保持稳定 [23][24][25] - 央行方面，有可能再次净买入超1000吨，但预测有挑战，不确定性大 [26][27] - 供应方面，矿山生产有创新高潜力但有下行风险，回收供应预计增加 [28][29]

报告行业投资评级 未提及 报告的核心观点 - 混合办公模式是现代公司吸引和留住顶尖人才的关键因素，对公司的增长和成功至关重要，还能提高公平性和包容性、增强工作场所学习和个人发展 [3][6][9] 根据相关目录分别进行总结 混合办公：人才磁石 - 超92%的人力资源领导者用混合办公招聘人才，85%认为其能留住人才，75%的招聘人员遇到候选人因无混合办公机会而拒绝职位 [10] - 77%的人力资源领导者认为提供离家近的办公空间有助于人才招聘，超半数招聘人员称员工会更有动力 [11] - 77%的员工认为离家近的工作场所是换工作的必备条件，仅两成愿意通勤超30分钟 [12] - 67%的招聘人员发现要求员工每周五天在中心办公室工作的公司，求职者数量增加 [13] 混合办公模式：真实案例研究 - 在线旅游公司Trip.com的实验显示，混合办公使生产率提高1%，员工满意度更高，离职率降低35% [17][18] - 研究表明拒绝返回办公室政策的多为资深员工，斯坦福大学教授认为该政策未来可能被废除 [20] 更快乐、更健康的员工 - 所有接受调查的人力资源领导者都认为混合办公能让员工更快乐、更忠诚，近86%的人认为这是员工最需要的福利之一 [24][25] - 混合办公的三大好处是改善工作与生活平衡（57%）、提高工作满意度（56%）和改善心理健康（54%） [25] - 86%的混合办公员工表示能更好应对日常生活，超三分之二称身体健康得到改善，超五分之四称工作与生活平衡得到改善 [26] 混合办公员工更高效 - 超85%的人力资源领导者和近80%的首席执行官认为混合办公能提高员工生产率，近半数将其归因于压力减轻和下班后放松时间增加 [30] - 超56%的混合办公员工表示比全职在中心办公室工作时更高效，近18%表示效率提高超20% [30] 更公平、更包容 - 近89%的人力资源领导者认为混合办公使父母、照顾者和退休人员等员工能够继续工作，有助于公司招聘和拥有更具包容性的员工队伍 [33] - SaaS软件提供商Atlassian采用灵活工作政策后，招聘和员工保留情况得到改善，能接触到更广泛、更多样化的人才库 [33][34] - 多元化团队解决问题更快、决策更好，更具多元化和包容性的公司比竞争对手表现出色的可能性高35% [35] 15分钟城市的兴起 - “15分钟城市”概念在全球兴起，国际工作场所集团正在进行长期扩张计划，2024年新增超900个工作空间，大多位于大城市中心之外 [39][40] - 城市新的房地产开发越来越反映“15分钟城市”概念的需求，如亚特兰大的Star Metals区和伦敦的巴特西发电站 [41][42] 增强学习体验 - 超81%的人力资源领导者认为混合办公为学习和培训提供了最佳环境，因为它结合了在中心办公室的面对面学习和自主学习的优势 [44] - 吸引新人才时，提高技能或学习新技能的机会很重要，超过四分之三的Gen Z受访者希望有更多学习或练习新技能的机会 [45] 结论 - 混合办公是就业市场的主要差异化因素和吸引顶尖人才的强大磁石，是成功商业战略的重要组成部分 [49][50]

报告行业投资评级 未提及 报告的核心观点 - 美国大选结果将延迟北美电池电动汽车（BEV）的采用，对整个汽车价值链产生连锁反应，延长专注电气化企业的盈利挑战期，为传统内燃机（ICE）企业提供更多机会 [1][2] - 罗兰贝格的电气化预测主要受监管环境影响，不确定性增加将使汽车制造商面临盈利挑战 [3][4] - 混合动力汽车将在短期内推动向BEV的渐进式过渡，BEV盈利挑战将比预期持续更久 [6][7] - 特朗普政府的政策将在贸易、补贴、监管和能源四个维度影响汽车行业，监管变化对电气化预测影响显著 [10] - 罗兰贝格提出三种北美轻型汽车xEV份额情景，不同情景下BEV采用情况受排放法规和混合动力汽车采用的影响 [14] - 汽车价值链各参与者将在市场中面临挑战，需关注排放法规变化和主要汽车制造商的电气化公告 [21][24] 根据相关目录分别进行总结 影响罗兰贝格北美电气化预测的因素 - 电气化预测主要受美国环境保护署（EPA）和加州空气资源委员会（CARB）轻型车辆排放标准变化的影响 [3][4] - EPA排放法规全国执行，变更需至少18个月通知，2027 - 2032年的新标准可能受新政府影响 [4] - CARB的先进清洁汽车II规则要求到2035年所有新车和轻型卡车必须为零排放车辆，13个州和哥伦比亚特区遵循该法规，占北美新车销量约1/3 [5] 混合动力汽车推动BEV渐进式过渡 - 汽车制造商可通过BEV、插电式混合动力汽车（PHEV）和全混合动力电动汽车（HEV）满足排放法规，这些选项平均排放低于ICE车辆 [6] - 多家汽车制造商已宣布推出混合动力车型，预测显示向BEV的过渡将更渐进，混合动力汽车在短期内对实现排放目标至关重要 [6][7] 特朗普政府对电动汽车相关政策的影响 - 特朗普政府曾试图放宽车辆排放标准、重组EPA并撤销CARB标准 [9] - 2025年1月特朗普签署行政命令，将取消EV销售任务、暂停基础设施投资和就业法案中未使用的EV充电站支出、取消不公平的EV补贴并挑战排放标准 [10] - 新政府将在贸易、补贴、监管和能源四个维度影响汽车行业，监管变化对电气化预测影响突出 [10] 北美BEV采用情景 - 市场观点：EPA当前提议的2027 - 2032年标准和CARB的先进清洁汽车II规则有效，汽车制造商主要依靠BEV满足排放目标 [16][17] - 罗兰贝格乐观情景：EPA和CARB排放标准按现行执行，非CARB州汽车制造商主要依靠混合动力汽车满足排放目标 [18] - 罗兰贝格基本情景：特朗普政府废除2027年起的EPA排放标准，CARB的零排放车辆要求仍有效，汽车制造商主要依靠混合动力汽车 [19] - 罗兰贝格悲观情景：废除EPA排放标准，挑战CARB设定排放标准的能力，加州100%零排放车辆销售目标推迟到2040年，汽车制造商转向混合动力汽车 [20] 关键要点 - 汽车制造商：传统制造商需管理ICE、HEV和BEV的三重动力系统战略；BEV制造商需加强战略以与混合动力汽车竞争；EV制造商需争夺更小的市场份额 [21][22] - 供应商：OEM可能重新评估电气化参与度，为供应商创造机会，但许多小规模供应商可能因低销量和盈利问题退出市场，供应商需通过标准化和自动化等方式降低成本 [23] - 市场参与者需关注排放法规变化和主要OEM的电气化公告 [24]

报告行业投资评级 未提及 报告的核心观点 Centering Health Equity in Climate Action（CHEC）旨在确保健康和健康公平成为气候行动的核心要素，认识到气候变化及其健康影响分布不均，弱势群体受影响更大。该报告为企业提供工具包，帮助企业将健康公平纳入气候行动，以应对气候变化对健康公平的挑战，实现人类和地球的繁荣[4][6][7]。 根据相关目录分别进行总结 引言 - CHEC是跨部门、跨行业倡议，愿景是实现人类和地球繁荣，使命是让公共和私营部门优先应对气候变化对健康的负面影响。该工具包为企业开展气候与健康公平之旅提供思路和工具，不规定单一解决方案[4][5][7][8][9] 气候与健康的联系 - 气候变化对企业、社区和健康构成迫在眉睫的威胁，到2050年将造成12.5万亿美元经济损失和1.1万亿美元医疗成本。弱势群体受气候变化影响更大，预计2030 - 2050年每年将因气候变化额外导致约25万例死亡[11][12] - 少数族裔社区受气候变化影响的可能性更高，如非洲裔美国人因极端温度导致死亡率上升的可能性高40%，西班牙裔和拉丁裔因高温导致劳动时间损失的可能性高43%等[15][16][17] - 气候变化对健康公平产生多方面影响，如加剧自然灾害、影响病原体传播、导致空气污染等，进而引发各种健康问题和社会问题[21][22][23] 对企业的影响 - 企业在实施气候和健康倡议时易忽视健康公平，而将健康公平纳入气候行动可带来诸多好处，如增强社区韧性、降低医疗成本等。气候影响会挑战企业运营环境，而重视这一联系的企业有望取得良好成果[32][33][35] - 2020年因热浪损失超2950亿个工作小时，预计到2030年热应激将使全球工作时间减少2.2%、GDP减少24亿美元。超60%有雇主保险的员工有易受极端高温和空气污染影响的慢性病。企业在直接医疗成本上每节省1美元，可获得2.3美元的生产力和绩效回报。投资员工健康的企业年表现比标准普尔500指数高2%[39] - 不同气候事件会对健康和企业产生不同影响，如极端高温会导致员工脱水、中暑等，进而降低企业生产力、增加医疗成本等[40] - 不同种族员工面临气候 - 健康影响的风险不同，如58%的西班牙裔员工从事高风险职业[42] 企业建议 第一步：了解企业的气候和健康公平影响 - 企业应通过全面评估，识别对特定人群的不公平影响、自身温室气体排放及其他气候和自然影响，以及这些影响对公共健康的作用和发生位置。可与同行、非政府组织、学术界和社区合作[48][49] - 强生通过与多方合作，识别社区热点，开展气候健康公平项目，减少高温对健康的不公平影响，并发布工具包推广经验。关键在于识别交集、利用网络和伙伴关系、积极倾听[50][51][52] - 凯撒永久医疗通过社区健康需求评估，利用数据和工具了解气候和健康影响，开展减少空气污染的倡议。关键在于深入研究数据、与同行分享成果[58][59][60] 第二步：从价值链中受影响最大的群体入手 - 企业应确定价值链中受气候和健康公平影响最大的群体，这些是企业责任最大的群体。受影响的利益相关者包括客户、员工、投资者等，企业应与他们互动，建立信任、提升声誉[65][66][67] - 识别受影响利益相关者可从地理区域、产品和行业考虑、现有关系等类别入手，不同类别有不同的考虑因素[69][72] - 索迪斯通过与员工和客户合作，为医院开发植物性菜单，改善气候和健康公平结果，提高患者满意度、减少碳排放和成本。关键在于从利益相关者出发、发挥企业独特性[74][75][78] - 哈佛陈曾熙公共卫生学院通过举办青年峰会，培养学生成为气候和健康领导者。关键在于让受影响最大的群体参与决策、投资跨部门伙伴关系[89][90][91] - 企业可通过本地化、确保行动符合道德、补救过去的伤害、促进健康获取等方式与社区组织建立联系[96][97][98] - 南方公平伙伴关系与医疗专业人员合作，将气候相关社会决定因素纳入患者护理计划，提高患者健康结果。关键在于本地合作、投资员工培训、授权以公平为重点的领导者[101][102][107] 第三步：测量、管理和监控 - 企业应收集气候和健康公平影响的数据，持续测量、管理和监控。将相关问题纳入可持续发展关键绩效指标，根据数据设定目标，将健康公平纳入可持续发展战略并定期报告进展[109][110][111] - 斯堪斯卡创建可持续设施管理指南和计算器，与同行合作创新，为建筑行业提供专业知识、投资研究、推动净零建筑等。关键在于依靠行业专家、与研究人员合作、审视自身业务[113][114][118] - 斯堪斯卡还通过提供电解质冰棍、改善空气质量、提供健康食品等措施，保障员工健康[120][121][125] 第四步：将气候和健康公平融入整个组织 - 持久的变革需要将倡议与企业目标、使命和愿景相结合，所有部门都应参与。企业应将气候和健康公平纳入决策过程、治理结构和政策优先事项，确保其成为战略的一部分[133][134] - 洛杉矶社会责任医师组织通过社区参与和政策倡导，解决南洛杉矶的空气污染问题，获得资金支持并推动技术转型。关键在于使政策优先事项一致、尊重社区声音并真诚参与、从源头减少污染[137][138][139] - 西门子医疗通过企业慈善和合作伙伴关系，支持多个健康公平倡议，与全球卫生系统建立长期合作关系。关键在于全球思考、本地行动，利用合作伙伴关系[145][146][150] 建议和下一步行动 - 气候和健康公平问题亟待解决，希望企业将工具包中的见解带回组织，将健康纳入气候计划，并与受影响的利益相关者合作[151]