转载 – 第 114 页 – 诸事要记日拱一卒

去年我们卖了1700万套房，但只出生了1062万人

2022年1~4月，中国商品房销售面积3.97亿平米，同比下降20.9%。

然后，很多房地产商说行情很差，房子卖不动了，整天一副要死要活的样子。

但我想说的是，这才哪到哪啊。

2021年，也就是去年，我们卖出了17.9亿平米的商品房。

这是个什么概念呢？

假定按每套房100平米算，那就是1790万套房。

我知道大城市里绝大多数房子都是90平米以下的小户型，但我们这先按照100平米算，每套房子大体平均值应该就在这附近。

这个数字高吗？

对比前几年，还真不算高，中国住宅销售量的峰值出现在2018年，随后连续3年都很平缓。

但是，也不低，从这个图你可以看出来，这几年销售量都高高在上，是一个无论从任何角度看都很高的数值。

更重要的是，中国不可能长期维持这个高的销售量。

别说销售量下降20.9%，下降50%都是早晚的事。

一套100平的房能住几个人？

3个人总能住吧，再不行2个人总是可以住的。

去年卖了1700万套房，按每套房2个人算，那就是3400万人。

但是人口撑不住了。

2021年，中国出生人口为1062万人，同一年中国卖掉了1700万套房。

把出生人口的数量制成图表，你会发现和人口图明显对不上去。

去年我们卖了1700万套房，但只出生了1062万人

当然，1062万人出生的那都是孩子，真正需要买房的是20岁以上的适婚群体。

2001年，中国出生1702万人，随后十几年出生人口一直在1500~1700万之间震荡。

看起来好像1700万人对应了1700万套房，数据对上去了。

但大家想一想，真的需要一个青年一套房吗？

现在独生子女多，流行无论男女都一人一套房，婚后合住一套，另一套租出去，所以1700万人买走了1700万套房。

但我想问的是，如果都是一人一套房，人人都想着拿出一套收租，那租给谁呢？

1700万人结婚，最多需要850万套房，这已经达到人人有房住的地步了，那还多出来850万套卖给谁了？

有人可能会说，卖给那些进城的农民工了，中国在不断的城镇化。

看起来好像很对，但如果把数据一列，就能看出问题。

1998~2021年，中国共销售正规商品房225.58亿平米，毛估2.25亿套房。

其中，2009~2021年这12年间，中国销售正规商品房184.38亿平米，毛估1.84亿套房。

以上我统计的，仅为统计局公开的商品房销售面积，那些无房产证的私房其实也是可以住人的，数量其实相当庞大。

仅按商品房算，2亿套房至少可以住4~6亿人，如果考虑私房数量，数据则更为惊人。

中国的城市里有那么多人吗?

大部分流动人口最后都是回到老家宅基地养老的，他们买不起城里的房子，也没兴趣买，攒够钱给孩子在县城买一套娶媳妇就可以了，没有丝毫兴趣给自己也买一套。

无论从哪个角度来看，2亿套商品房都能满足中国人的居住需求了。

如果销售面积不能下降，少个20%房地产商就开始要死要活，那可真不行。

很明显我们不可能长期保持每年17亿平米的销售量，就算强行保持也撑不了几年。

中国的年度出生人口已经下降到了1000万人，20年后就是这批人结婚。

从公开数据来看，中国的结婚人口数量高峰出现在2013年，那一年有1347万对新人结婚，随后一路走低，2021年仅有763万对新人结婚。

这里面包含了二婚三婚的数据，但应该也可以大体看出头婚的减少规律。

2021年结婚的人对应的是2000年之前出生的人。

从这个数据来反算，目前的结婚数量虽然是近些年来的历史最低，但会是未来的历史最高，以后不可能会超越这个数值，而且会节节下降。

以后的房子卖给谁呢？每年1700万套到底怎么卖呢？

所以，卖房数量总归会有一年开始下降的。

你可以把1700万套的数量再撑三年撑五年，但不可能永远这么撑下去。

因为每年没有1700万对新人出来买房，连700万对都够呛。

那你说，应该在哪一年把房产销售数量从1700万套下降至700万套，乃至于300万套呢？

好像哪一年这么降都不合适，肯定有人反对。

至于每年降一点，也有人反对，每一年都有人说今年经济形势不好，再等等，等到明年再说，然后明年复明年。

你说这可怎么办？好像也没啥好办法。

按每年1700万套的速度继续狂飙，再过5年，中国的存量商品房数量将突破3亿套。

即便你把所有的私房和宅基地都拆成平地，这个3亿套也够中国人住了，要知道我这可是按平均每套100平的面积进行计算的，更别说你根本不可能把所有私房和宅基地拆成平地。

所以，目前这种情况肯定撑不了5年，现在这每年的卖房数量实在是高的有点离谱了。

如果卖房数量下降，但我们把房价拉上去，让销售总金额持平行不行。

比如说卖房数量减半，我们房价翻倍，这样房地产商的销售额就会不变，至少日子能好过点。

如果能做到那倒是没问题，但这方面的空间也已经被透支完了。

过去10年，中国的房地产是量价齐升，成交量年年暴涨，房价也是年年暴涨，让房地产商的财报数据高到不可思议。

如今不仅销售量到顶了，房价也到顶了。

虽然说强调租售比1.5%已经是老调重弹了，但这是本质经济规律，威力可以迟到，但不会缺席。

每年4%以上的房贷成本，让持有房产的人每年都在失血，而且失血情况很严重。

不涨就会亏，没量必然跌。

这种情况下还想着用房价翻倍来解决销售金额的问题？

请问房价还能怎么翻倍？房租能翻倍吗？

这种房贷失血问题其实很严重，远比大家想象的要严重。

不少人总是拿零几年买房的人暴赚来举例，说这批人已经赚翻了，房贷早还完了，根本不用考虑房贷利息问题。

我刚才已经把商品销售面积的公开数据制成表格了，中国20年来总共销售了2.25亿套房，其中1.84亿套都是09年之后卖出去的。

这批人还贷不过13年，没还清的人是大多数。

还有更不怎么好看的数据。

2015~2021年这6年，也就是房价最终暴涨这一轮，中国总共销售了117.3亿平米的商品房，折合1.17亿套房。

也就是说，中国销售的所有商品房里，买在2015年之后最高点，背负巨额房贷的人群，数量占比为总商品房数量的一半。

不要总拿2001年买房的神话来诱惑后来人，至少一半的买房人都是2015年之后买的房。

如果房价暴跌，跌到2015年之前，这批人怎么办？

那可是1亿套房！

从2018年开始算到2021年，最近4年的买房人是惨中惨，顶点中的顶点接盘，从买房之日起就一直在亏。

这批人买房合计71.82亿平米，折合7100万套房，为中国有史以来销售商品房总量的1/3那么多。

这可真的不是一个小数，属于一个很大，大到不敢碰的雷。

这个雷不能动，也不敢动，没人敢让全国1/3的商品房业主亏损惨重。

但要维持现状，就需要每年持续不断的卖出1700万套房，或者持续涨价。

人口规律已经决定了这个离谱的销售量是不可持续的，而租售比这个经济规律也已经决定房价持续上涨也是不可持续的。

目前这种情况已经撑不了几年了，拼尽全力也就三五年，留给我们拆雷的时间真的不多了。

但还有很多既得利益者拼命抵制调控政策，拼命想把这个雷再给弄大点，总指望这个雷不会炸在自己手上。

也许他们能侥幸逃脱，但这个雷总归会炸在某一个人手中。

一个一年出生1000万人口的国家，不可能需要每年1700万套房，这账无论如何都算不过来，地产进入大拐点无非就是个时间问题。

一年过去很快的，刷的一下就没了，而我们已经没几年了。

房地产这种不健康，不可持续的情况，应该尽快扭转，否则后果真的会很严重。

希望那些房地产的既得利益者，别再为了一己之私在那里捣乱了。

这个雷，完全有可能炸在你自己手上，不要总以为自己很幸运。

转自：https://mp.weixin.qq.com/s/BHffK-ZUPod5ld7KKGKnrQ

10个有趣的 Python 高级脚本，建议收藏！

来自公众号：法纳斯特

大家好，我是小F。

在日常的工作中，我们总会面临到各式各样的问题。

其中不少的问题，使用一些简单的Python代码就能解决。

比如不久前的复旦大佬，用130行Python代码硬核搞定核酸统计，大大提升了效率，节省了不少时间。

今天，小F就带大家学习一下10个Python脚本程序。

虽然简单，不过还是蛮有用的。

有兴趣的可以自己去实现，找到对自己有帮助的技巧。

▍1、Jpg转Png

图片格式转换，以前小F可能第一时间想到的是【格式工厂】这个软件。

如今编写一个Python脚本就能完成各种图片格式的转换，此处以jpg转成png为例。

有两种解决方法，都分享给大家。

# 图片格式转换, Jpg转Png

# 方法①
from PIL import Image

img = Image.open(‘test.jpg’)
img.save(‘test1.png’)

# 方法②
from cv2 import imread, imwrite

image = imread(“test.jpg”, 1)
imwrite(“test2.png”, image)

▍2、PDF加密和解密

如果你有100个或更多的PDF文件需要加密，手动进行加密肯定是不可行的，极其浪费时间。

使用Python的pikepdf模块，即可对文件进行加密，写一个循环就能进行批量加密文档。

# PDF加密
import pikepdf

pdf = pikepdf.open(“test.pdf”)
pdf.save(‘encrypt.pdf’, encryption=pikepdf.Encryption(owner=“your_password”, user=“your_password”, R=4))
pdf.close()

有加密那么便会有解密，代码如下。

# PDF解密
import pikepdf

pdf = pikepdf.open(“encrypt.pdf”,  password=‘your_password’)
pdf.save(“decrypt.pdf”)
pdf.close()

▍3、获取电脑的配置信息

很多小伙伴可能会使用鲁大师来看自己的电脑配置，这样还需要下载一个软件。

使用Python的WMI模块，便可以轻松查看你的电脑信息。

# 获取计算机信息
import wmi

def System_spec():
    Pc = wmi.WMI()
    os_info = Pc.Win32_OperatingSystem()[0]
    processor = Pc.Win32_Processor()[0]
    Gpu = Pc.Win32_VideoController()[0]
    os_name = os_info.Name.encode(‘utf-8’).split(b’|’)[0]
    ram = float(os_info.TotalVisibleMemorySize) / 1048576

    print(f’操作系统: {os_name}‘)
    print(f’CPU: {processor.Name}‘)
    print(f’内存: {ram} GB’)
    print(f’显卡: {Gpu.Name}‘)

    print(“n计算机信息如上 ↑ ↑ ↑ ↑ ↑ ↑ ↑ ↑ ↑ ↑ ↑ ↑”)

System_spec()

就以小F自己的电脑为例，运行代码就能看到配置。

▍4、解压文件

使用zipfile模块进行文件解压，同理也可以对文件进行压缩。

# 解压文件
from zipfile import ZipFile

unzip = ZipFile(“file.zip”, “r”)
unzip.extractall(“output Folder”)

▍5、Excel工作表合并

帮助你将Excel工作表合并到一张表上，表内容如下图。

6张表，其余表的内容和第一张表都一样。

设置表格数量为5，将会合并前5张表的内容。

import pandas as pd

# 文件名
filename = “test.xlsx”
# 表格数量
T_sheets = 5

df = []
for i in range(1, T_sheets+1):
sheet_data = pd.read_excel(filename, sheet_name=i, header=None)
df.append(sheet_data)

# 合并表格
output = “merged.xlsx”
df = pd.concat(df)
df.to_excel(output)

结果如下。

▍6、将图像转换为素描图

和之前的图片格式转换有点类似，就是对图像进行处理。

以前大家可能会使用到美图秀秀，现在可能就是抖音的滤镜了。

其实使用Python的OpenCV，就能够快速实现很多你想要的效果。

# 图像转换
import cv2

# 读取图片
img = cv2.imread(“img.jpg”)
# 灰度
grey = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
invert = cv2.bitwise_not(grey)
# 高斯滤波
blur_img = cv2.GaussianBlur(invert, (7, 7), 0)
inverse_blur = cv2.bitwise_not(blur_img)
sketch_img = cv2.divide(grey, inverse_blur, scale=256.0)
# 保存
cv2.imwrite(‘sketch.jpg’, sketch_img)
cv2.waitKey(0)
cv2.destroyAllWindows()

原图如下。

素描图如下，还挺好看的。

▍7、获取CPU温度

有了这个Python脚本，你将不需要任何软件来了解CPU的温度。

# 获取CPU温度
from time import sleep
from pyspectator.processor import Cpu
cpu = Cpu(monitoring_latency=1)
with cpu:
    while True:
        print(f’Temp: {cpu.temperature} °C’)
        sleep(2)

▍8、提取PDF表格

有的时候，我们需要从PDF中提取表格数据。

第一时间你可能会先想到手工整理，但是当工作量特别大，手工可能就比较费劲。

然后你可能会想到一些软件和网络工具来提取 PDF 表格。

下面这个简单的脚本将帮助你在一秒钟内完成相同的操作。

# 方法①
import camelot

tables = camelot.read_pdf(“tables.pdf”)
print(tables)
tables.export(“extracted.csv”, f=“csv”, compress=True)

# 方法②, 需要安装Java8
import tabula

tabula.read_pdf(“tables.pdf”, pages=“all”)
tabula.convert_into(“table.pdf”, “output.csv”, output_format=“csv”, pages=“all”)

PDF文档的内容如下，包含了一个表格。

提取到的CSV文件内容如下。

▍9、截图

该脚本将简单地截取屏幕截图，而无需使用任何屏幕截图软件。

在下面的代码中，给大家展示了两种Python截取屏幕截图的方法。

# 方法①
from mss import mss
with mss() as screenshot:
screenshot.shot(output=‘scr.png’)

# 方法②
import PIL.ImageGrab
scr = PIL.ImageGrab.grab()
scr.save(“scr.png”)

▍10、拼写检查器

这个Python脚本可以进行拼写检查，当然只对英文有效，毕竟中文博大精深呐。

# 拼写检查
# 方法①
import textblob

text = “mussage”
print(“original text: “ + str(text))

checked = textblob.TextBlob(text)
print(“corrected text: “ + str(checked.correct()))

# 方法②
import autocorrect
spell = autocorrect.Speller(lang=‘en’)

# 以英语为例
print(spell(‘cmputr’))
print(spell(‘watr’))
print(spell(‘survice’))

— EOF —

转自：https://mp.weixin.qq.com/s/wuA5_ZV328E5bpSSR0XbiA

薛云奎｜上海封控成本考

伴随着上海临近解封的喜悦，忽然心血来潮想考证一下上海“全域静态管理”的成本，之所以称之为“考”，是因为相关证据并不全面，有些地方需要用常识和逻辑加以补正。

“成本”是指为达成某一目标而付出的代价。在工业企业，产品成本指的是在产品生产与交付过程中所发生的所有支出。与产品生产直接关联的支出叫“成本”，间接关联的支出叫“费用”，当然也有人称之为“间接成本”。叫法虽然不同，但实质却无差异。

“封控”是“全域静态管理”的简称。上海封控区根据疫情的严重程度不同划分为三种类型：封控区、管控区与防范区。封控区指的是不准出自己的大门；管控区是不准出自己的单元楼道门；而防范区则是不准出自己的小区门。笔者所在的区域一直是防范区，但从3月28日被封禁以来，同样面临的是足不出户，所以，体感这三类分区并无差别。

根据一番思量，与“封控”相关的成本可分为三类：直接成本、隐性（间接）成本与或有成本。直接成本容易理解，直接与封控相关的成本，如生活物资成本、核酸/抗原检测成本、方舱医院建造成本、社区志愿者补贴成本等。间接成本则要隐秘得多。例如房租水电燃气成本、核酸检测的等待时间成本、产值下降的损失成本、股价下跌的亏损成本以及次生灾害的连带成本等，这些都可称之为隐性成本。或有成本是指那些可能发生也可能不发生的成本。如封控期间可能因停工引起的违约损失、供应链断裂导致的客户永久丢失成本、封控前准备的存货因过期、变质的损失成本、居民被禁足的精神与身体伤害成本等等。这类说不清道不明的成本，都可归类为或有成本。

根据第七次人口普查数据，上海基础常住人口2,488.36万人，家庭数560.96 万户。实际就业人口1,303.90万人。根据上海统计年鉴，上海城镇非私营单位就业人员平均工资171,884元，城镇私营单位就业人员平均工资80,134元，请大家记住这些基础数据，后面的推算会用到这些数据。

根据认真测算，从4月1日官宣“全域静态管理”算起，至5月22日部分公交线路恢复营运结束，全程共计52天。

52天的直接成本考证结果为992亿元，平均每天为19.07亿元。相关项目测算结果汇总如表一。

隐性（间接）成本考证结果为3.97万亿，平均每天的成本为763亿元。相关项目测算结果汇总如表二。

或有成本因缺乏估算模型，就此略过。直接成本与隐性成本相加，共计4.07万亿元，接近2021年上海市全年的工业总产值（4.32万亿元）。如果加上或有成本，整个封控的损失会远超过2021年的工业总产值。如果你对以上的具体推算过程感兴趣，请接着往下看。

直接成本

根据封控目标的相关要求，直接成本大体可以归纳为五大类。

（1）封控区居民生活物资支出

生活物资支出之所以成为封控成本，是因为封控剥夺了居民外出谋生的权利，使被封控区的居民从生产主体变成了消费主体，从收入扣减成本后尚有结余的生存模式，转变成了纯粹依靠政府救济的生存模式。于是，这类支出便成为封控的直接成本了。

生活物资的成本估算大体可以分成三类，或者根据物资的三种不同来源渠道加以确定：政府组织并发放的物资、居民自发团购的物资和个人拼运气抢购的物资。由于物资的来源渠道不同，其价格与品质也有很大的差异。

政府发放的物资主要是保障居民的基本生活需求，基本能获得平价供应。主要包括：大米、食用油、蔬菜和肉禽蛋。如果按正常消耗量标准来计算，每人每天的消耗量大致为：大米为3-5两、食用油25-30克、瓜果蔬菜0.5-1斤、肉禽蛋0.3-0.5斤。如果按疫情前的平价计算，每人每天的基本生活保障需求为7.78元-13.36元。具体可参见表1.1。

但上述测算只是一个理论值。政府实际发放的物资（包括外地援沪物资）以及组织的市场货源应该说还是比较充足，不存在严重短缺的情况。虽然各社区发放的物资存在数量与质量方面的差异，但总体上未形成社会动荡，实属不易。

然而，政府配送物资所面临的最大挑战是常常不被居民待见而造成浪费。主要原因有几个方面：第一，统一发放的生活物资与居民需求匹配度较低；第二，政府统一采购物资品质难以保证；第三，社区服务能力限制，使得物资不能及时发放到位，导致腐烂变质；第四，个别经办人员利用职务之便、截留倒卖抗疫生活物资，导致分配错位。

由于以上种种原因导致政府配送的物资浪费严重。很多有条件的家庭或社区又通过各种渠道补充各自的不足。根据亲身经验判断，个性化补充的生活物资可能占到生活所需物资的三分之一或一半，但由于抢购物资的价格和物流费用是政府配送物资的5-10倍，代价高昂。所以，初步估算这部分生活物资的总体成本大约是政府配送物资的3-5倍。我们且按3倍来计算，政府配送的物资成本为100亿元，而居民通过团购或个人拼运气在网上抢购的成本支出为300亿元。二者合计400亿元。具体计算过程如表1.2所示。

以上推算采用的价格水平参考了腾讯网发表的一篇文章《涨幅1300％，疫情下的上海物价太魔幻！》①。平价水平参照前价格，抢购物资参照后价格。政府平价的价格水平为：大米4.5元，瓜果蔬菜5元，食用油18.5元，肉禽蛋10元。依此计算，平均一个人一天的生活物资成本大致为最低7.78元，最高为13.36元。

根据媒体报道的一位上海打工人隔离期间的生活花费②，总共是5,520元。扣除房租（每月900元）和水电（每月180元）开支，他的实际生活物资成本高达3,360元，远在我们的测算标准之上。

薛云奎｜上海封控成本考

（2）核酸/抗原检测支出

核酸/抗原检测支出最容易计算。上海自官宣封控以来，开始实施每天全员核酸或抗原检测。虽然目前核酸/抗原检测的成本越来越低，但即使按混检成本计算，也需要6~8元。如果按全部常住人口计算，全市一天的检测成本约为1.5亿~2亿，一个月为45亿~60亿。我们最终取下限1.5亿计算，52天共计为78亿元。

（3）方舱医院支出

根据上海市疫情防控工作新闻发布会数据，截止到4月30日，定点医院可收治床位达到3万张，上海市、区方舱医院总开放床位约30万张。如果按照每张床位建造（改建）成本5万元平均计算，方舱医院的建造与改造成本便达到150亿人民币。不包括方舱医院的运营成本和医护费用。

（4）社区志愿者补贴支出

社区志愿者原本以为都是义工，但由于需求量太大，而且，疫情期间的社区服务工作还存在一定的感染风险。所以，志愿者补贴应运而生。现实中也确有听说很多低收入人群都在积极申请社区服务工作。

在正常情况下，城市生活保障体系主要由三部分构成：政府公共服务、工商行为、市民活动。而封控期间，由于工商行为与市民活动全部被禁止，政府只能依靠社区服务体系。千百万人的日常活动突然间化为少数社区服务人员的肩上重担，其盲目性可想而知。加之上海日常生活的市场化程度比较高，公共服务体系相当薄弱。所以，无论是社区工作人员，还是临时志愿服务人员，手足无措便成为常态。

如果按照政府标配8%来招募志愿者，那么，全域的志愿者人数便达到200万人。有人说有的社区给500元一天，也有人说给1000元一天，当然，更普遍的补贴应该是200~300元。补贴的高低或与市场供求紧张程度、服务时间长短、工作岗位重要与否有关。由于缺乏相关权威数据，我们只能按照正常情况下的钟点工收费标准—1小时为40元—计算，8小时为320元。以此计算，全上海一天的志愿者补贴为6,370万元，52天共计331亿元。当然，也许很多志愿者只提供不领取报酬的义务服务，也可能实际的志愿者数量没有达到标准配置。

（5）路障与隔离装置及其他

除此之外，封控期间为防止人员、车辆通行，还设置了许多人为路障与隔离装置，虽然这些隔离装置成本不高，但侮辱性极强，连消防通道也被封堵。至于直接成本，就按志愿者补贴成本的10%计算吧？

综合上述，我能想到的封控期间的直接成本大概也就包括如上五个部分，汇总起来大约为992亿元。当然，这只是一个估算数，原则上趋向稳健和保守，相信实际开支大概率会在这个估计值之上。

隐性（间接）成本

相较于直接成本而言，间接成本具有更大的隐蔽性，故称之为隐性成本。由于这类成本与封控目标不存在直接关联，所以很容易在决策时被忽视，也很容易引起大家的争议。直观而言，如钟点工因封控在家不能提供钟点服务而损失的服务收入，是否应列为封控成本？一般人很容易忽视。理论上说钟点工损失的收入应当计算在封控成本之内，虽然相对于直接成本而言，它更偏向于机会成本，但机会成本在封控条件下具有现实意义，它与封控目标具有直接的因果关联。以此类推，企业停工减少的收入（如产值下降）、股价下跌、次生灾害，以及停工期间的企业存货过期、变质，均构成隐性的间接成本。

把隐性成本大体归纳了一下，可简单概括为以下五类。

（1）居民房租水电燃气成本

在前述居民生活成本中，我们只考证了生活物资的成本，而忽视了居民生活中的房租水电燃气等固定成本。由于这部分成本波动较小，所以很容易被忽视。如果居民有正常工作，这些成本就被收入所覆盖，但封控期间没有收入，这些成本便很快成为生存风险。由于住房构成情况复杂，价格相差巨大，所以，我们只能按一般水平估算。如果按市区一套住房价值1,000万元估算，每月的租金成本不低于10,000元，这是一个三口之家的必备生活条件。根据第七次人口普查结果，上海共有561万户家庭。依此计算，封控一个月的居民房租成本大约为561亿元。如果按自购住房计算折旧成本和资金成本，实际要远高于按租金成本估算的结果。如果平均每户的水电燃气按每月500元计算，其成本为28亿元。由此，上海封控一个月的居民固定生活成本便为589亿元。换算到52天的成本合计约为1,021亿元，平均每天为19.63亿元。

（2）核酸等待成本

大部分人计算核酸成本只计算采样与分析过程的相关支出，而很少顾及被采样对象的等待时间成本。作为核酸采样的配合者，相当于一部电影中的演员，一般人平时看到的只是拍摄和剪辑的成本，而忽视演员才是制作电影最大的成本。虽然群众演员的“片酬”不高，但数量过于庞大。如果根据第7次全国人口普查结果，上海基础常住人口2,488万人，就业人口1,304万人，做一次全员核酸的“参演”人数，下子就达到近2,500万人，瞬间超过历史上的任何大片。如果按照上海人社通 “2020年本市全口径城镇单位就业人员平均工资为124,056元，月平均工资为10,338元”③计算，上海封控一个月全员核酸的等待成本大约可估计为1,348亿元(1,304万人*10,338元/月工资)。当然，这一估算的假设前提是这些人被封控在家完全是为了配合核酸检测。这也许并不符合实际。毕竟有些岗位的居民是可以居家办公的。但大部分人恐怕除了配合核酸和抗原检测外，并无其他实质意义的工作，这些成本便都成为核酸等待成本。

（3）工业生产总值下降损失

根据上海统计局最新公告，2022年4月实现工业生产总值1,364亿元，较上年同期下降61.6%，也就是说大约减少了850亿元。因为5月份的数据还没有出来，估计只有更坏，没有更好，所以，我们用4月份数据平均计算到5月22日，即封控52天累计损失的工业生产总值为1,473亿元。这还只是计算了上海的部分，没有涉及上海停工停产对周边省份，尤其是长三角区产业配套省份的影响。如果加上对全国GDP影响，估计又是一个巨量。

当然，目前看到的这个数字，其实对处于全域静默管理的上海来说应该是好消息，因为上海静默期间，仍然保住了平常产值的60%。这表明封控期间的上海仍然有许多事关民生的产业和岗位在运作，不然统计数据可能更加惨不忍睹。我相信，把上海减少的1,473亿元产值列入上海封控期间的间接成本，不会有异议吧？

（资料来源：上海市统计局④）

（4）证券市场股票市值损失

根据Wind金融终端统计，4月1日官宣封控当日的股票上市总数为4,860个。到5月20日，上市交易的股票总数增加了42个，但股票总市值却下降了3.57万亿元（从89.79万亿下降为86.22万亿）。虽然把此期间全部的股票下跌列为封控的间接成本有些偏颇，但上海封控是影响过去两个月市场股票定价的最大不确定性因素，恐怕并无疑议。

（5）次生灾害及其他损失

封控期间因医院、学校、地铁、公交及许多公共服务部门停开导致的次生灾害因缺乏统计，难以估量其损失。这类成本有如路障与隔离装置一样，也许数额不大，但侮辱性却极强。因缺乏数据，本文暂按产值损失度的10%估算，约为85亿元）。

或有成本

除以上直接成本和隐性成本外，封控还涉及到未来的潜在损失或成本，我们姑且称之为或有成本。

或有成本是指可能有也可能没有的成本。比如管控条件下居民的精神与身体伤害成本，因过度消杀引起的环境污染与生态破坏损失，因疫情停工而导致的契约违约成本，以及因制造业供应链转移导致的客户永久丢失成本等。由于这类成本可能导致未来社会的潜在的损失和风险，如经济衰退、犯罪率上升、经济纠纷案件增加等，都带有较大的不确定性。故称之为“或有”。这只是一个理论分析框架，并无实际模型可以推算。

行文至此，上海封控成本只是有了一个大概，很多损失因缺乏数据而不能恰当推算，已估算出的数据也只是一个估算，其中包含了诸多假设和推测。成本计算是一项非常复杂的系统工程，需要很多专业人士的参与。文章写作过程中几次想到要放弃探究，但本着帮助提升未来决策理性的信念，仍然坚持把文章写完。尽管粗浅，但希望这些分析框架与逻辑能对感兴趣的人士有所帮助。很显然，达成某种社会目标的成本考量要远比企业产品成本计算复杂得多，而且缺乏真实可信的“原始凭证”。这大概就是企业会计与社会会计的不同吧。

写完此文，深感心力交瘁。最后让我借用一段庄子的话作为结语：

“上必无为而用天下，下必有为为天下用，此不易之道也。……无为也，则用天下而有余；有为也，则为天下用而不足。”

祝愿上海的明天更美好！

（文中数据由刘雪莹收集整理，谨致谢意！）

参考资料：

① 涨幅1300％，疫情下的上海物价太魔幻！

https://xw.qq.com/amphtml/20220520A05EXD00，2022年5月20日。

② 一个打工人，在上海隔离60多天，生活费一共花费了5520块

https://www.163.com/dy/article/H7G0V9860552J0VR.html，2022年5月15日。

③ 上海市关于2020年本市全口径城镇单位就业人员平均工资的通知，沪人社综〔2021〕193号，https://m12333.cn/policy/icpw.html，2021年6月22日。

④ 2022年4月工业生产情况，上海市统计局，

http://tjj.sh.gov.cn/ydsj31/20220517/3d72ec2827a04e53b8c6780d3125dc11.html，2022年5月19日。

转自：https://mp.weixin.qq.com/s/Sml-G6VWJTdtVq2NPbDvyg

Anki 高阶教程核心设置算法研究与详解（一）记忆库（牌组）选项之新卡片1

前言

最近又想起anki这个软件来，好奇心驱使下载了看了一看，发现非人类的中文界面依然存在，比如“简单间隔、毕业时间、简单奖励”等等这类令人极度费解的神翻译，我好奇软件开发者是不是用翻译软件把英文翻译成阿拉伯文又翻译成日文再翻译成中文得到的这种效果，这系列神翻译依然通杀所有平台版本，新手和老手是摸不着头脑的。所以我想写一写这方面的文章来分享分享让更多人明白这软件的一些核心功能到底是怎么回事。

本人2016年前就开始使用anki，中途也因为软件一些地方含含糊糊没搞得懂事什么意思而弃用。另外我有些好奇，对算法根本不理解，很多设置项都意味着未知效果，那么多用户为什么还能糊里糊涂用得那么津津有味，各种anki教程的也几乎没有对其核心算法琢磨过就下定义为”好用“实际是一种只了解基础功能的盲用，就像开没有方向盘的车一样！

由于官方说明大部分是机器翻译的缘故很多新手甚至老手都比较难懂一些功能到底是什么意思，以至于各项核心功能用不到或者糊里糊涂的在使用，即使有是翻译者翻译的有时也是较为难以理解。

官方的中英文说明很多地方并未给出设置项对应的算法的明确，实用者如果对这些核心算法设置不清楚，资料录入后复习时会有一定模糊性、不可预知性，从而对复习与学习根本做不到心中有数，就像开车没有方向盘一样，你根本不了解软件是如何运作的，重大考试很有可能因为这种模糊性会造成失误，不明白其算法和具体运作方式用就来进行关键考试是非常危险的！

在此所以我对其核心设置项进行了详解写了系列小短文，写的较为详实，学习者看完后就能做到对其核心设置算法和运作方式心中有数！系列小短文并不是新手教程而是对特定项目的详解，

只要学会PC Windows版的也就自然明白Mac os版 ios版 Android版，一举多得。

本文非入门教程，如果你是彻头彻尾的新手请跳转自《Anki 常用操作方法合集（二）初级引导新手必看》的第一有很好的详细教程推荐。

所以此系列小短文在于：

1、用大白话讲解一些常用又不是太简单能懂的细节功能。
2、有必要详解但别的文章都没详解过的功能。

本文详解后你能清楚的了解到的功能有：

1、记忆库-齿轮选项-步伐
2、如何提前复习而不等到时间复习呢？

看完此文你将会学习到：

步伐的运作方式
如何提前复习步伐的内容

为了更好的进行教程我使用了虚拟机，以方便调整时间进行配合

1、记忆库-齿轮选项-步伐

步伐：其实就是设置“建立的新卡片”或者“学习中选择了生疏错误的卡片”时的卡片学习中会显示的时间选项（如上图）。

默认是1分钟+空格+10分钟，这样就有两个时间可以学习中供选择，你如果不喜欢系统自定义的时间你可以自己设置时间，记得中间要带空格，

不管你设置的再多，它在之后再学习时只会显示最左边和最右边的时间如上图，但有时又是按顺序显示的“10生疏、20犹豫”这让我有点摸不着头脑可能是软件的BUG如下图，大家以下图的为准就行，更多时候是显示下图的“10 20”。

这样的情况下如果你学习中再次选择“生疏”或者“建立了新卡片并学习”就会在“正在进行的课程”数量多出来，会按你设置的时间次数来进行如下图（步伐设置的10 20 30 40）学习中选择“生疏”后：

我新添加一张卡为B，学习后选择“生疏”正在进行的课程就变为“8”意味着有8次卡片的学些也就是A卡4次+B卡4次。

如果你设置步伐为“10 20 30 40”第一次学习时选择的是“20犹豫”，那么这张卡片剩余的次数（正在进行的课程）就会减少1次变成“3”卡片下次就会出现“10生疏30想起4天顺利”让你选择，如上图。

以此类推你这次选择“30犹豫”后就变成“40”，正在进行的课程就成“2”。

如果你选择40犹豫，40分钟后学习就会变成上图的选项。

也就对应上“毕业时间”和“简单间隔”的设置了。

“毕业时间”和“简单间隔”在系列文章（二）中进行详解。

2、如何提前复习而不等到时间复习呢？

可以这样设置（上图），“先学时间上限”实际就是“不等待的时间”设置这个后原来需要等待30分钟出现的，在30分钟时都出现了。

在结尾我附上几篇系列小短文的连接：

威廉：Anki 高阶教程核心设置算法研究与详解（一）记忆库（牌组）选项之新卡片1

威廉：Anki 暗记核心设置算法研究与详解（二）记忆库（牌组）选项之新卡片2

威廉：Anki 暗记核心设置算法研究与详解（三）记忆库（牌组）选项之复习

威廉：Anki 暗记核心设置算法研究与详解（四）记忆库（牌组）选项之失误次数

威廉：Obsidian和Anki如何真正的联用！

2019年11月12日-本文结束-

转自：https://zhuanlan.zhihu.com/p/91456481

【Anki小工具】有道生词本转Anki 1.0

简介

其实本人用有道词典有很长时间了，也特别喜欢有道的生词本功能，在发现了Anki之前我也一直用有道的单词本复习单词，虽然现在用Anki记单词了，不过也习惯用有道来收集单词，最后再导入到Anki中，因为有道手机电脑都可以用来收集单词，并且PC端的取词功能也十分强大，所以有道渐渐地变成了一个搜集工具，而本工具的功能就是将有道生词本导出的xml文件转换成Anki可以识别的txt文件，这样就可以灵活导入到记忆库中。

详细介绍

其实最初的想法是自己写的一个Python脚本，用于实现将有道生词本导出的xml文件转成Anki可以识别的txt文件，然后再导入到Anki中。但是这次介绍是本工具的web版本，也就是全平台通用。由于本工具的功能只负责转换，最后的导入可以根据自己的需要来处理，这里为了说明方便以YDdictBasic这个模板为例，来具体说明从利用有道词典搜集单词到最后导入Anki的过程。

搜集单词

有道词典提供PC端和移动端，只需要注册一个账号就可以全平台同步到有道的单词本，而我特别喜欢用PC端的取词功能：