Apriori 关联规则算法(Python代码)

Apriori 关联规则算法(Python代码)

一、关联规则概述
1993年,Agrawal等人在首先提出关联规则概念,迄今已经差不多30年了,在各种算法层出不穷的今天,这算得上是老古董了,比很多人的年纪还大,往往是数据挖掘的入门算法,但深入研究的不多,尤其在风控领域,有着极其重要的应用潜力,是一个被低估的算法,很少见到公开的文章提及,我尝试一一剖析,希望给你带来一定的启示。
我倒是进行了比较深刻、全面的思考,并进行了大量的实验,这个话题感觉可以聊三天三夜。世界风云变幻,但本质没变化,各种关联一直存在,有意或无意的!
比如你女朋友,低头玩手指+沉默,那大概率生气了,那这就是你总结出来的规则。啤酒与尿布的例子相信很多人都听说过吧,故事是这样的:在一家超市中,人们发现了一个特别有趣的现象,尿布与啤酒这两种风马牛不相及的商品居然摆在一起,但这一奇怪的举措居然使尿布和啤酒的销量大幅增加了。为什么有这么奇怪现象呢?是因为美国妇女在丈夫回家前买尿布,然后丈夫顺手买了自己喜欢的啤酒,所以发生了这么有趣的事情。
很多人只记住了啤酒尿不湿,很少深入思考,我们稍微转换下,日常的事情,也存在非常多的关联规则?

二、应用场景举例

1、股票涨跌预测

放量+高换手率 -> 大概率上涨,历史数据挖掘,假如发现放量+高换手率的股票大概率上涨,则挖掘当天满足条件的个股,然后第二天买入,躺赚。

2、视频、音乐、图书等推荐

根据历史数据,如果大规模的存在某些用户看剧列表为:小时代 -> 上海堡垒,那么一个新的用户看了小时代,马上就给推荐上海堡垒,那大概率也会被观看,呼兰的账号,就是这么脏的。

3、打车路线预测(考虑时空)

根据大量的数据挖掘出以下规则
早上:起点家->目的地公司,
晚上:起点家->目的高铁站
周末:起点家->目的地购物中心
那当你每天早上打开软件的时候,打车软件就会推荐你的公司作为目的地,大大的减少用户的打车时间。如下图,我输入小区名称,马上给我推荐了三个地方,杭州东站第一位,因为平时的打车这个组合的支持度最高。
Apriori 关联规则算法(Python代码)

4、风控策略自动化挖掘

根据历史标题,总结出规律发现商品标题包含 老司机+百度网盘 -> 色情风险高,那后面遇到这标题包含这两个词语的,就直接拒绝了。
根据历史行为数据,发现了沉默用户+非常用地登录+修改密码->大概率都被盗号了,那一个新的账户满足这个三个条件,那马上就进行账户冻结或者实人认证,就能避免盗号风险的发生。
根据历史数据,发现用户A +B 每天都相隔10s登录 ,则可以认为A、B存在关联关系,可能是机器控制的同一批薅羊毛账户。
风控策略的自动化挖掘,这个也是我们后续要重点关注和讲解的地方。

三、3个最重要的概念

关联规则有三个核心概念需要理解:支持度、置信度、提升度,下面用最经典的啤酒-尿不湿案例给大家举例说明这三个概念,假如以下是几名客户购买订单的商品列表:
Apriori 关联规则算法(Python代码)

1、支持度

支持度 (Support):指某个商品组合出现的次数总订单数之间的比例。
在这个例子中,我们可以看到“牛奶”出现了 4 次,那么这 5 笔订单中“牛奶”的支持度就是 4/5=0.8。
Apriori 关联规则算法(Python代码)
同样“牛奶 + 面包”出现了 3 次,那么这 5 笔订单中“牛奶 + 面包”的支持度就是 3/5=0.6
Apriori 关联规则算法(Python代码)
这样理解起来是不是非常简单了呢,大家可以动动手计算下 ‘尿不湿+啤酒’的支持度是多少?

2、置信度

置信度 (Confidence):指的就是当你购买了商品 A,会有多大的概率购买商品 B,在包含A的子集中,B的支持度,也就是包含B的订单的比例。
置信度(牛奶→啤酒)= 3/4=0.75,代表购买了牛奶的订单中,还有多少订单购买了啤酒,如下面的表格所示。
Apriori 关联规则算法(Python代码)
置信度(啤酒→牛奶)= 3/4=0.75,代表如果你购买了啤酒,有多大的概率会购买牛奶?
Apriori 关联规则算法(Python代码)
置信度(啤酒→尿不湿)= 4/4=1.0,代表如果你购买了啤酒,有多大的概率会买尿不湿,下面的表格看出来是100%。
Apriori 关联规则算法(Python代码)
由上面的例子可以看出,置信度其实就是个条件概念,就是说在 A 发生的情况下,B 发生的概率是多大。如果仅仅知道这两个概念,很多情况下还是不够用,需要用到提升度的概念。比如A出现的情况下B出现的概率为80%,那到底AB是不是有关系呢,不一定,人家B本来在大盘中的比例95%。你的A出现,反而减少了B出现的概率。

3、提升度

提升度 (Lift):我们在做商品推荐或者风控策略的时候,重点考虑的是提升度,因为提升度代表的是A 的出现,对B的出现概率提升的程度。
提升度 (A→B) = 置信度 (A→B)/ 支持度 (B)
所以提升度有三种可能:
  • 提升度 (A→B)>1:代表有提升;

  • 提升度 (A→B)=1:代表有没有提升,也没有下降;

  • 提升度 (A→B)<1:代表有下降。

提升度 (啤酒→尿不湿) =置信度 (啤酒→尿不湿) /支持度 (尿不湿) = 1.0/0.8 = 1.25,可见啤酒对尿不湿是有提升的,提升度为1.25,大于1。
可以简单理解为:在全集的情况下,尿不湿的概率为80%,而在包含啤酒这个子集中,尿不湿的概率为100%,因此,子集的限定,提高了尿不湿的概率,啤酒的出现,提高了尿不湿的概率。

4、频繁项集

频繁项集(frequent itemset) :就是支持度大于等于最小支持度 (Min Support) 阈值的项集,所以小于最小值支持度的项目就是非频繁项集,而大于等于最小支持度的的项集就是频繁项集,项集可以是单个商品,也可以是组合。
频繁集挖掘面临的最大难题就是项集的组合爆炸,如下图:
Apriori 关联规则算法(Python代码)
随着商品数量增多,这个网络的规模将变得特别庞大,我们不可能根据传统方法进行统计和计算,为了解决这个问题,Apriori算法提出了两个核心思想:
某个项集是频繁的,那么它的所有子集也是频繁的
{Milk, Bread, Coke} 是频繁的 → {Milk, Coke} 是频繁的
如果一个项集是 非频繁项集,那么它的所有超集也是非频繁项集
{Battery} 是非频繁的 → {Milk, Battery} 也非平凡
如下图,如果我们已知B不频繁,那么可以说图中所有绿色的项集都不频繁,搜索时就要这些项避开,减少计算开销。
Apriori 关联规则算法(Python代码)
同理,如果下图所示,{A,B}这个项集是非频繁的,那虚线框后面的都不用计算了,运用Apriori算法的思想,我们就能去掉很多非频繁的项集,大大简化计算量,当然,面对大规模数据的时候,这种排除还是解决不了问题,于是还有FP-Growth(Frequent pattern Growth,频繁模式增长树)这种更高效的方法,后面有机会慢慢讲。
Apriori 关联规则算法(Python代码)
需要注意的是:
1)如果支持度和置信度阈值过高,虽然可以在一定程度上减少数据挖掘的时间,但是一些隐含在数据中的非频繁特征项容易被忽略掉,难以发现足够有用的规则;
2)如果支持度和置信度阈值过低,可能会导致大量冗余和无效的规则产生,导致较大计算量负荷。

四、Python算法介绍

这里用的是Python举例,用的包是apriori,当然R语言等其他语言,也有对应的算法包,原理都是一样的,大家自行进行试验。
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
#包安装 我们使用efficient-apriori,python中也可以利用apyori库和mlxtend库pip install efficient-apriori
#加载包from efficient_apriori import apriori
‘’‘apriori(transactions: typing.Iterable[typing.Union[set, tuple, list]], min_support: float=0.5, min_confidence: float=0.5, max_length: int=8, verbosity: int=0, output_transaction_ids: bool=False)上面就是这个函数的参数min_support:最小支持度min_confidence:最小置信度max_length:项集长度‘’‘
# 构造数据集data = [('牛奶','面包','尿不湿','啤酒','榴莲'), ('可乐','面包','尿不湿','啤酒','牛仔裤'), ('牛奶','尿不湿','啤酒','鸡蛋','咖啡'), ('面包','牛奶','尿不湿','啤酒','睡衣'), ('面包','牛奶','尿不湿','可乐','鸡翅')]#挖掘频繁项集和频繁规则itemsets, rules = apriori(data, min_support=0.6, min_confidence=1)#频繁项集print(itemsets){1: {('啤酒',): 4, ('尿不湿',): 5, ('牛奶',): 4, ('面包',): 4}, 2: {('啤酒''尿不湿'): 4, ('啤酒''牛奶'): 3, ('啤酒''面包'): 3, ('尿不湿''牛奶'): 4, ('尿不湿''面包'): 4, ('牛奶''面包'): 3}, 3: {('啤酒''尿不湿''牛奶'): 3, ('啤酒''尿不湿''面包'): 3, ('尿不湿''牛奶''面包'): 3}}itemsets[1] #满足条件的一元组合{('啤酒',): 4, ('尿不湿',): 5, ('牛奶',): 4, ('面包',): 4}itemsets[2]#满足条件的二元组合{('啤酒', '尿不湿'): 4,('啤酒', '牛奶'): 3,('啤酒', '面包'): 3,('尿不湿', '牛奶'): 4,('尿不湿', '面包'): 4,('牛奶', '面包'): 3}itemsets[3]#满足条件的三元组合{('啤酒', '尿不湿', '牛奶'): 3, ('啤酒', '尿不湿', '面包'): 3, ('尿不湿', '牛奶', '面包'): 3}#频繁规则print(rules)[{啤酒} -> {尿不湿}, {牛奶} -> {尿不湿}, {面包} -> {尿不湿}, {啤酒, 牛奶} -> {尿不湿}, {啤酒, 面包} -> {尿不湿}, {牛奶, 面包} -> {尿不湿}]
#我们把max_length=2这个参数加进去看看itemsets, rules = apriori(data, min_support=0.6,min_confidence=0.5,max_length=2)#频繁项集print(itemsets){1: {('牛奶',): 4, ('面包',): 4, ('尿不湿',): 5, ('啤酒',): 4, ('R',): 4}, 2: {('R', '啤酒'): 4, ('R', '尿不湿'): 4, ('R', '牛奶'): 3, ('R', '面包'): 3, ('啤酒', '尿不湿'): 4, ('啤酒', '牛奶'): 3, ('啤酒', '面包'): 3, ('尿不湿', '牛奶'): 4, ('尿不湿', '面包'): 4, ('牛奶', '面包'): 3}}#通过这个数据我们可以看到,项集的长度只包含有两个项了
五、挖掘实例
每个导演都有自己的偏好、比如周星驰有星女郎,张艺谋有谋女郎,且巩俐经常在张艺谋的电影里面出现,因此,每个导演对演员的选择都有一定的偏爱,我们以宁浩导演为例,分析下选择演员的一些偏好,没有找到公开的数据集,自己手动扒了一部分,大概如下,有些实在有点多,于是简化下进行分析。
Apriori 关联规则算法(Python代码)
可以看到,我们一共扒了9部电影,计算的时候,支持度的时候,总数就是9.
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
#把电影数据转换成列表 data = [['葛优','黄渤','范伟','邓超','沈腾','张占义','王宝强','徐峥','闫妮','马丽'], ['黄渤','张译','韩昊霖','杜江','葛优','刘昊然','宋佳','王千源','任素汐','吴京'], ['郭涛','刘桦','连晋','黄渤','徐峥','优恵','罗兰','王迅'], ['黄渤','舒淇','王宝强','张艺兴','于和伟','王迅','李勤勤','李又麟','宁浩','管虎','梁静','徐峥','陈德森','张磊'], ['黄渤','沈腾','汤姆·派福瑞','马修·莫里森','徐峥','于和伟','雷佳音','刘桦','邓飞','蔡明凯','王戈','凯特·纳尔逊','王砚伟','呲路'], ['徐峥','黄渤','余男','多布杰','王双宝','巴多','杨新鸣','郭虹','陶虹','黄精一','赵虎','王辉'], ['黄渤','戎祥','九孔','徐峥','王双宝','巴多','董立范','高捷','马少骅','王迅','刘刚','WorapojThuantanon','赵奔','李麒麟','姜志刚','王鹭','宁浩'], ['黄渤','徐峥','袁泉','周冬雨','陶慧','岳小军','沈腾','张俪','马苏','刘美含','王砚辉','焦俊艳','郭涛'], ['雷佳音','陶虹','程媛媛','山崎敬一','郭涛','范伟','孙淳','刘桦','黄渤','岳小军','傅亨','王文','杨新鸣']] #算法应用 itemsets, rules = apriori(data, min_support=0.5, min_confidence=1) print(itemsets){1: {('徐峥',): 7, ('黄渤',): 9}, 2: {('徐峥', '黄渤'): 7}} print(rules) [{徐峥} -> {黄渤}]
通过上述分析可以看出:
在宁浩的电影中,用的最多的是黄渤和徐峥,黄渤9次,支持度100%,徐峥7次,支持度78%,(‘徐峥’, ‘黄渤’) 同时出现7次,置信度为100%,看来有徐峥,必有黄渤,真是宁浩必请的黄金搭档,且是一对好基友。
 
当然,这个数据量比较小,我们基本上肉眼也能看出来,这里只是提供一个分析案例和基础方法,巩固下基础知识,算是开胃菜,大规模的数据,人眼无法直接感知的时候,算法的挖掘与发现,就显得特别有意义了,后续会陆续推出相应的文章。

 

转自:https://mp.weixin.qq.com/s/2iNO3som2MUnhJroMn9y5Q

读书:赵志强《Python量化投资:技术、模型与策略》

对于量化投资,Pythoner 学习流程一般可以分为如下六个部分。1)了解基础语法和数据结构。2)掌握Pandas的使用基础并进阶。3)掌握统计理论及金融学术理论。4)掌握金融量化实践、策略研究理论。5)学习回测平台开发。6)学习平台开发。

chp1 简介

广义,凡是借助于数学模型和计算机实现的投资方法都可以称为量化投资。

国内比较常见的量化投资方法包括股票多因子策略(阿尔法)、期货CTA策略、套利策略和高频交易策略等

量化投资策略的最大特点是其具有一套基于数据的完整交易规则。

量化投资的优势可以总结为三个词:客观性、大数据、响应快。量化投资一般通过回测来证实或者证伪策略的历史有效性;在研究或者决策中,通常会引入大量的数据来进行分析。;用计算机进行自动分析,所以分析和响应速度都十分迅速,一般能达到秒级,高频交易甚至是以微秒为单位的。

夏普比率是一种衡量策略表现是否优秀的常用指标,夏普值越高表示策略越优秀。

投资不是“优化”问题,投资是“预测”问题,是要预测市场的下一步应该怎么走。

AI在金融投资领域最大的问题是,可用的样本数据极其有限,也无法大量生成。股市有多少历史数据,就有多少样本数据,但也只有这么多。极其有限的样本数据,加上极其庞大的特征维度,是AI在金融预测建模上举步维艰的根本原因。众所周知的是,训练数据是AI的基本养料,数据有限,就会导致模型很难得到大幅度的提升。就那么多有效的因子,大家反复挖掘,失效的速度也越来越快。

在数据分析领域(包括量化投资),编程语言具有两大作用,一个是科学计算、统计等算法层面,主要用于业务的相关研究;另一个是系统应用开发,主要用来搭建基础IT设施,比如数据库、交易平台等。

python是坠吼滴

chp2 平台与工具

python 3.x ;Anaconda;IDE()

chp3 Python金融分析常用库介绍

NumPy(Numerical Python的简称)是高性能科学计算和数据分析的基础包

SciPy 是基于NumPy的,提供了更多的科学计算功能,比如线性代数、优化、积分、插值、信号处理等。

Pandas具有NumPy的ndarray所不具有的很多功能,比如集成时间序列、按轴对齐数据、处理缺失数据等常用功能

StatsModels是Python的统计建模和计量经济学工具包,包括一些描述统计、统计模型估计和推断。一般来讲,StatsModels能够很好地满足各类研究人员的统计计算需求。

DataFrame是一个表格型的数据结构

对于DataFrame数据类型,可以使用[]运算符来进行选取,这也是最符合习惯的。但是,对于工业代码,推荐使用loc、iloc等方法。因为这些方法是经过优化的,拥有更好的性能。

chp4 可视化分析

Python的可视化分析最底层的库是Matplotlib

Pandas 简单的可视化

seaborn 统计可视化库

本质都是调用 Matplotlib

散点图是最常用的探索两个数据之间相关关系的可视化图形

直方图主要用于研究数据的频率分布

Matplotlib和seaborn的中文乱码问题的解决方案。第一种是在画图的时候指定字体,第二种是修改配置文件

seaborn已经封装好了很多功能,在进行可视化分析时,优先考虑使用seaborn

javascript 中的 highcharts可以绘制很多动态的可视化图形,进行数据可视化研究非常方便。https://www.highcharts.com/stock/demo/intraday-candlestick

python 调用highcharts :https://github.com/kyper-data/python-highcharts/blob/master/examples/highstock/candlestick-and-volume.py

chp5 统计基础

以下都是numpy库内函数

rand和random_sample都是均匀分布(uniform distribution)的随机数生成函数。rand_sample传入一个n维的元组元素作为参数

randn 和 standard_normal是正态分布的随机数生成函数

randint和random_integers是均匀分布的整数生成函数

shuffle可以随机打乱一个数组,并且改变此数组本身的排列。

Permutation用于返回一个打乱后的数组值,但是并不会改变传入的参数数组本身。

N次伯努利试验的结果分布即为二项分布。使用binomial(1,p)即为一次二项分布。使用binomial(1,p,n)即表示生成n维的二项分布数组,也就是伯努利分布。

统计量,就是利用数据的函数变化,从某种维度来反映全体数据集的特征的一种函数。

mean函数可用于计算数组的平均值

median函数可用于计算数组的中位数

std函数用于计算数组的标准差

var函数用于计算数组的方差

频率分布直方图其实是对一个变量的分布密度(分布)函数进行近似估计的一个手段。

np.histogram可以用来计算一位数组的直方图数据

SciPy包含了大量的处理连续随机变量的函数,每种函数都位于与其对应的分布类中。每个类都有对应的方法来生成随机数,从而计算PDF、CDF,使用MLE进行参数估计,以及矩估计等。

回归分析是通过建立模型来研究变量之间的相互关系并进行模型预测的一种有效工具。

案例:以平安银行的月度收益率为例来了解某只股票的风险回报率是否与大盘指数基金风险回报率有关,且相关度有多高?

思考的问题是,如果大盘涨1个点,那么平安银行股票统计概率上会上涨多少点?

假定如下模型:银行月度收益率=α+β*深证成指月度收益率+ε

即平安银行月度收益率与深证成指月度收益率呈线性相关,并且受随机扰动项影响

这又带来了新的问题。这个结论可靠度有多高?这个系数会不会浮动?从历史数据来看,这个浮动区间应该是多少?

能否利用数据来拒绝这一假设。这一类问题,在统计学上统称为假设检验(Hypothesis Testing),为了解决这一问题,需要使用的手段被称为统计推断(Statistical Inference)。

当我们拒绝这个正确的假设时,我们犯的错误,称为第一类错误(Type I Error)

即使假设是错误的,我们也会接受这个假设,这类错误称为第二类错误(Type II Error)

拒绝假设的概率函数称为功效函数(Power Function)。而由于我们无法同时满足最小化两类错误,因此必须要寻找到一个平衡点,以控制更严重的错误,并适当牺牲犯不严重错误的概率。哪一类错误更为严重是根据实际问题来确定的。

常用的设计检测框架的模式是,控制第一类错误的发生概率,并且调节假设,使得发生第一类错误更加严重,这个严重度会得到统计学者的控制。

chp6 数据预处理和初步探索

收集到初步的样本数据之后,接下来需要考虑的几个问题是:样本数据的质量是否有问题,如果有问题,应该怎么处理?样本数据是否出现了意外的情况?样本数据包含哪些基本的统计特征,有没有明显的规律?为了便于后续的深入分析和建模,我们需要对数据进行哪些处理?

数据清理:原始数据的可能问题,数据缺失、噪声或者离群点、数据不一致

中心趋势度量主要包括均值、中位数、众数

数据散布或者发散的度量。这些度量包括方差、极差、分位数等。

方差和标准差是最常见的数据散布度量,它们可用于指出数据分布的散布程序。低标准差意味着数据趋向于非常靠近均值,而高标准差则表示数据散布在一个大的范围中

极差是数据中最大值和最小值的差值,数值X的N个样本x1,x2,…,xN的极差可以记作max(X)-min(X)。

挑选某些数据点,这些数据点刚好可以将数据划分成大小相等的集合,这些数据点称为分位数

直方图是以一种图形方法来概括给定数值X的分布情况的图示。

散点图(scatter plot)是确定两个数值变量X、Y之间看上去是否存在联系,以及具有怎样的相关模式的最有效的图形方法之一

五数概括由中位数、两个四分数、最小、最大值组成

chp7 Pandas进阶与实战

可以将多重索引对象看成是一个由元组(tuple)元素组成的数组,其中,每一个元组对象都是唯一的。MultiIndex既可以由嵌套数组创建(使用MultiIndex.from_arrays),也可以由元组组成的数组创建(使用MultiIndex.from_tuples),或者指定每个维度的索引值,自动循环生成索引(使用MultiIndex.from_product)

chp8 金融基础概念

上海中考数学,进四校八校和市重点要多少分?

依据2021年新中考第一年,从考试数据看,对于我们即将参加2022届中考的初三毕业生,参考价值极大。
 其一,【数学科目】的成绩要求,进不同类型的高中,大体依旧是:
  • 普通高中,120-130分
  • 区重点高中,135分左右
  • 普通市重点高中,140分左右
  • 四校八校,145分左右
  其二,要拿到高分成绩,从试卷结构看,拉开大家差距的主要是这几题:
第【18】题,4分,填空题,基本上常考三角形的翻转转折
第【23】题,12分(共2小问,6+6)考查相对简单的几何证明
第【24】题,12分(共3小问,4+4+4)考查数形结合二次函数与三角形四边形的几何知识压轴题
第【25】题,14分(共3小问,3+5+6)则是几何和代数的二次函数与圆的运动所产生的相似、动点问题的大综合压轴题目
尤其是18,24,25题,相对最难。
  其三,那我们细看一下,在一张试卷中:
要考到普高120-130分,允许丢分题是
第18题—4分   
第23题(第2问)—6分
第24题(第2问) — 4分  
第24题(第3问) — 4分
第25题(第2问) — 5分   
第25题(第3问) — 6分
考到区重点135分左右,允许丢分题是
第24题(第3问) — 4分
第25题(第2问) — 5分   
第25题(第3问) — 6分
️考到普通市重点140左右,允许丢分题是
第24题(第3问) — 4分  
第25题(第3问) — 6分
如果四校八校,145左右,允许丢分题是
第25题(第3问) — 6分
那么,初三的小朋友,在进行中考前的训练时,就可以非常有针对性地进行练习,抓住薄弱点和题型,使得目标更加清晰。
(下图考情是基于历年考情整体分析,供参考)
上海中考数学,进四校八校和市重点要多少分?
 
  • 上海中考数学,进四校八校和市重点要多少分?

转自:https://mp.weixin.qq.com/s/5Oa4dVHjy9GxGy6EzdFUWQ

上海各区考入市重点难度分析!

今天,升学君整理出2021年上海16区的市重点高中平行志愿分数线,并计算出16区市重点的平均分数线,从录取分数角度来分析各区考入市重点的难度究竟如何!
 

上海各区考入市重点难度分析!

 

若比较最低分数线:

 

闵行(694)>徐汇(690.5)>松江(690)>嘉定(689.5)>奉贤(688)>浦东(687.5)>杨浦(686)>普陀(685.5)>长宁(684.5)>虹口(683.5)>宝山(682)>黄浦(674.5)>青浦(672)>崇明(669.5)>金山(668)>静安(645.5)

 

闵行的门槛最高,最低的闵行中学分数线达到694分;其次是徐汇,最低的南洋中学分数线为690.5分。可以看出,闵行、徐汇两区的头部中考成绩非常强!

 

紧随其后的松江、嘉定、奉贤有一个共同点:本区市重点只有2-3所。市重点数量较少,加上考生人数并不少,竞争相当激烈,因此市重点的门槛自然就不低了。

 

若比较平均分数线:

 

徐汇(700.3)>杨浦(699.6)>闵行(698.5)>嘉定(696.5)>浦东(696.4)>普陀(696)>松江(694.5)>长宁(690.2)>宝山(689.9)>虹口(689.8)>奉贤(689)>黄浦(688.8)>青浦(679.5)>静安(679.1)>金山(675)>崇明(669.5)

 

徐汇和闵行市重点均分都超过698分,徐汇区甚至超过700分。除此之外,杨浦区今年复附、交附都有平行志愿招生,且分数线高达711分,全区市重点录取均分也因此拉高,达到699.6分。
上海各区考入市重点难度分析!

转自:https://mp.weixin.qq.com/s/BZZ3OB8veh8O57SMF1cWoA

拆迁户如何留住暴富

1

你有幻想过一夜暴富么?

我刚毕业的时候,幻想过如果突然有了100万,要怎么花。

我想买很多好吃的,一台最顶配的电脑,各种游戏机,以及数不清的游戏。

然后继续幻想,要是突然有了1000万,要怎么花。

要买两套房子,剩下的钱买很多好吃的,一台最顶配的电脑,各种游戏机,以及数不清的游戏。

然后又想到,要是突然有了一个亿,要怎么花。

不行了,想不出来了。

于是就只能无奈的从梦里醒过来了。

拆迁户,在大家的认知中,普遍就是天降横财的代表。

头一天还住在城中村的普通人,和你我一样过着平凡的日子,突然之间,家门的墙上红字白底的写了一个“拆”字,再用一个显眼的大红圆圈套起来。

那圈住的就不光是一个简单的字了,而是不久之后开豪车、吃龙虾、买包包的豪爽日子。

这个油漆里面不掺杂点金粉,我都觉得不体面。

拆迁到底能捞到多少,其实是个玄学。

就和各地高考分数线一样,完全不同。

一二线城市有旧改,三四线城市有棚改,怎么会一样呢。

根据2013年清华大学中国经济数据中心发布中国城镇化调查大型数据的样本估算。

中国有16%的家庭在城镇化过程中遇到过征地或者拆迁。

这么大的基数,自然不会是每次拆迁就立马大富大贵逆天改命财富自由,不过至少,让当事人获得了超越自己短期赚钱能力的财富。

中央电视台《新闻1+1》2010年报道过,作为北京市城乡一体化的试点,大望京村的拆迁补偿总额达到了50亿,而村里只有1700户,于是在那个北京平均房价刚破万的时候,每家人都拿到了平均300万的拆迁安置费,其中拿到600万到700万的占20%。

再比如2010年广州市天河区新塘城中村整体改造,改造成本46.55亿元,户户村民都直接百万富翁了,最多一户所得补偿超过了5000万元。

而最刺激的应该还是深圳岗厦片区改造,号称是中国最大的城中村改造项目,根据《每日经济新闻》的调查,岗厦原住民里面因为拆迁让个人资产过亿的都有十人以上,有500多栋楼房的主人集体跨入千万富豪的序列。

本来是天降横财的好事,但是如果自家池子不够大,就会变成三岁小儿持金过市。

守不住横财的案例太多了,甚至都需要做反诈宣传了。

比如厦门灌口镇三社村刚完成拆迁,又挂标语又做宣传,又讲案例又给警告,就怕“一夜暴富又一夜败光”的情况再次出现。

拆迁户如何留住暴富

(图片来自厦门日报)

如果单纯的是把钱败光,身外之物生不带来死不带去,还可以说的洒脱一点。

怕的就是过程里面再沾染上坏东西,《京华时报》报道。

一人2005年赶上村庄拆迁分到了两套住房和130万现金,染上了赌瘾和毒瘾,不光是把拆迁款都霍霍完了,最后还走上了以贩养毒的路。

同样的暴富返贫甚至走上犯罪道路也经常发生在彩票中奖后,虽然我们都知道理论上要做到宠辱不惊财不外露,不过在金钱冲击面前能让自己价值观框架不塌房的,凤毛麟角。

那财富到底怎么变成诅咒的,这里面就很有趣。

2

巴菲特说过,

你赚不到认知之外的钱。

这句话虽然已经被各路骗子和成功学导师用烂了。

但不得不说,是这么个道理。

而在拆迁户这里变成了。

你很容易守不住认知之外的财。

宁夏日报报道过。

郑州市中原区11个城中村拆迁改造,都豪横了,一个以前开垃圾车的村民,获得了拆迁补偿以后不忘初心,继续喜爱开车,花了60万参加环塔拉力赛。

前脚去领拆迁款,后脚就去4S店提奥迪车的;

上午拆迁款到账,下午就买机票去香港购物十几万的,比比皆是。

我们直观感受会觉得拆迁户的钱不是基于自己努力工作得到的,缺乏获得过程里面的艰辛,所以挥霍滥用情况很多。

这其实不准确。

认知上的差异让拆迁户财富外流,还有三层原因。

第一层原因我有一手的观察,是心态上的一种微妙变化。

我有个从小认识的基友在读中学的时候家就拆迁了,让他的零花钱就从每个星期五块钱提高到了100,甚至可以随便要,父母一般都会给。

我和他聊天的时候观察到了一个很意思的观点,他觉得拆迁和彩票是完全不一样的。

彩票是运,拆迁是命。

运是概率,命是注定。

虽然对我一个局外人来说,都是喜从天降,但是基友觉得中彩票的那是运气大爆发,任何人都可能中奖,而拆迁是祖辈积德才到来的这波横财。

这里面的心态区别要细品才能发现,基友认为自家拆迁,那好歹也是父母辈努力了有了房和地,才有被拆迁的资格,算是三分靠打拼七分天注定。

有了这个认知区别,拆迁后就不会对自己的挥霍有太大的心理负担,类似于我走运进入了风口行业,年薪百万了,那也是我努力工作的结果,吃酸奶不舔瓶盖了不很正常么。

第二层原因,是身份认知上的膨胀。

中彩票的往往第一反应是怎么不告诉别人,免得亲戚朋友来借钱,经常有中奖以后生活的比之前更低调的新闻;而拆迁因为动静大,还要公示,消息是拦不住的。

拦不住,认知上接受起来就很容易,拆迁能让家庭的物质条件短时间内得到非常大的提升,很多拆迁家庭都会把这个看做阶层上升的表现。

于是有的人为了匹配新阶层,有的人单纯就是为了让原本圈子里面的人刮目相看,都容易为了心理代偿产生过度消费。

原本买包烟都要心疼,现在华子都看不上;

以前给老婆买个首饰都要存半天,现在恨不得用首饰把老婆压出颈椎病。

更神奇的是,没人觉得自己是在挥霍,只是觉得在对标现在的身份应有的消费水平。

第三层原因,是身份认知膨胀过程里面的小自卑。

华西师范大学做过研究,拆迁户和拆二代得到高额补偿蜕变成城市富裕基层的时候,心态上会出现“夹心饼干”。

在财富数量上,脱离了原来的阶层,但是在造富能力上,又和官二代、富二代、星二代形成差距。

尤其是因为是“乍富”群体,虽然可以在中心城区买房,进出高档消费场所,但是底气上的不足会被试图融入的新阶层当做壕。

在这些所谓old money面前有一点点自卑心理,让拆迁群体更加主动甚至过分的通过超额物质消费来弥补。

这样的过程中,很容易就一不小心超过了资产增值的上限,因为消费过度破坏了再生产能力,从而返贫。

3

当然,拿到拆迁款以后具体怎么花钱是个人的自由。

而且哪怕是花天酒地也还算是正常消费的范畴,谁都管不着。

但有的“消费”,就有问题了。

以前就有代表针对拆迁问题发表过意见:钱来的太多太容易,很容易诱发除了消费之外的不良嗜好。

古话说,

色字头上一把刀,忍得住来是英豪。

英豪是反人性的,忍不住的其实才正常人。

拆迁户在婚恋市场上抢手的情况,拆二代要比富二代更容易被追捧。

为啥?

我听一个很有经验的老姐给我分析过背后的逻辑。

和富二代交往,往往带着一丝的风险,你不知道对方是来玩玩而已还是真心实意,哪怕是真心的,也担忧能不能绕过对方父母的火眼金睛渡劫成功。

富二代不一定聪明,富一代很少有傻的。

而拆二代,也许就在不久之前,还是隔壁的普通人,父母也就是普通的上班族,仅仅是因为一次城市的变迁陡然而富。

富家的优点,有钱,具备了;

而富家的缺点,精明,还没跟上,正是下手的大好时机。

既然那么多追捧,就会有很多魔幻场景出现,比如北京一个56岁的拆迁户10年谈了上百个女朋友,身体是真好。

但问题是,你谈这么多,得花多少钱呢?

当然,这不是拆迁户返贫的主要诱因。

更怕的是沾赌。

赌,几乎是所有拆迁返贫的新闻里面绕不开的元素。

而且吧,这背后有坏人,用赌博罗织了一张扑向拆迁户的大网。

2012年《青年时报》报道了杭州警方在两个月的时间里面集中捣毁了60个赌博团伙,这些团伙的共同点就是城市拆迁进行到哪里,赌博团伙就跟进到哪里。

团队里面有出纳有会计,有销售有后勤,都快公司化运作了,杭州警方详细的描述了他们是怎么做局的:

首先是拉新,对这些本来就有点小赌怡情爱好的拆迁户是各种讨好,请吃饭、请喝酒、请唱歌,交朋友嘛,然后偶尔打打小麻将放松拆迁户的警惕。

下一步就是带拆迁户去自己准备好的杀猪局,想要可持续发展的,那就让拆迁户有输有赢,反正坐庄的可以抽水,钱在不同拆迁户之间相互转手的过程里面,就赚到了。

走这个路径的赌局看到拆迁户玩的太大都会拦着,甚至派老千把赢太多的拆迁户的钱吃下来,故意再输给输多了的拆迁户,就为了第二天继续。

而如果心黑的,那就是下千,让拆迁户输掉带来的钱以后放水借贷,赌局上的必然是高利贷,九出十三进,要求拆迁户写资金周转的借条,规定个每天3%到7%的复利。

然后,债主就消失了,要过一个月才拿着借条上门要钱,这时候利滚利之下都翻了好几倍了。

杭州警方举了个例子,有个拆迁户赌局借了钱,对方是过了三个月才上门讨债的,20万变成了80万,逼的只能卖房。

这些犯罪集团根本不担心自己的前期投入能不能回本,因为有拆迁款嘛。

直接瞄准拆迁户的有,但瞄准拆迁户的下一代的更多。

拆二代之所以被重点关注,除了年轻人更容易被诱导,核心还在于当爸妈最后总会出来兜底。

2019年张家港政府打掉了一个恶势力犯罪集团,就是专门瞄准拆二代去的。

这个团伙那是与时俱进,在澳门都专门开了“赌博工作室”,浪的起飞。

套路还是那个套路,让拆二代最开始的时候有输有赢,然后慢慢提高金额,最后抓住一次机会让对方签下借款条。

然后真正的杀猪发生在澳门,给拆二代说,赌债要到期了,做人要讲信誉,不如和我们一起去澳门试试运气,你小子家里能拆迁那必然是祖坟在冒烟,去澳门大赚一笔不光还清债务还能再捞一笔。

那去的是对方指定的赌场,自然是输的更多,债务就上百万了。

这时候就可以开始进入真正的要钱环节了,从拆二代父母那里要,要么拿出巨款,要么就以低于市场价夺走房产。

赌博在拆迁户里面泛滥,除了有专门的团伙进行诱导,还有就是一部分的拆迁户身边的乡里乡亲也都是拆迁户,容易被原本圈子给带歪。

本来还是周末偶尔聚聚,都拆迁了嘛,这辈子是不可能打工了,每天凑在一起没事儿做就是打麻将;

本来大家都是玩5块钱小麻将,都拆迁了嘛,那玩儿个200块的麻将也能支撑。

所以新闻上因为赌博而返贫的情况都有聚集性,比如九堡镇拆迁户,有一年去澳门40多次输光百万家产还外债100万的,有输了四五百万弄得安置房都被法院查封的,最后当地政府统计,整体返贫率高达10%,其中相当部分都是和赌博有关。

而比赌更恐怖的,是毒。

同样是九堡镇,拆迁以后在案的吸毒人员比拆迁之前翻了一倍。

这些就都是拆迁以后,手里钱多了,走上了另类消费甚至违法消费的道路。

有句话我觉得很有道理:大部分人能经受住考验,不是立场坚定,单纯是因为没钱。

而拆迁款,把每家拆迁户都送到了诱惑面前考试,自然就会有更多不及格试卷的出现。

4

哪怕是黄赌毒都不碰也不是绝对安全了。

对拆迁款垂涎欲滴的,还有诈骗团伙。

和利用放纵欲望的赌博诈骗不同,这些电信诈骗拿捏的是另外一种人性,那就是对失去的恐惧。

拆迁户在收到拆迁款的时候,往往是处在好不容易逆天改命的幸福里面,这时候突然有人冒充公检法说这笔钱有问题,而且对方还能精准的报出具体金额,那害怕失去的心理就会占据上风,从而麻痹掉警惕性。

这些诈骗团伙都是盯着拆迁公告来的,只要看到拆迁赔偿到位的信息,就对目标区域进行定向诈骗。

有的诈骗团伙还能通过各种渠道,拿到详细的拆迁细则,从姓名、身份证号、家庭住址,到赔偿金额一应俱全。

这时候就是典型诈骗老套路了,冒充警方打电话,先报对方的详细个人信息让拆迁户以为是从公安系统里面拿到的,然后说你最近有大额转账涉及洗钱,需要把130万资金转入安全账户避免银行卡冻结。

这招虽然说出来大家都懂,但是广撒网之下总有成功的。

我看到最夸张的案例,警方反诈中心发现存在可能的电信诈骗,找上门来,发现拆迁户已经被忽悠到酒店里面去做“资产验证”,警察破门的时候都还在被诈骗团伙远程操控。

而拆迁户甚至都不相信面前的真警察,还在继续相信电话那头的诈骗团队。

这还幸亏警察及时拦住了,可惜还有更多的是钱都转走了才被家人发现上当。

比如2019年,就有老人被骗走了1000多万的拆迁款。

5

当然,也不是所有人面对突如其来的财富,都会迷失的。

2016年团海淀区委联合中国青年政治学院做了一个拆迁青年群体调查,算是给拆二代从数据上做了正名,经常出入娱乐场所的只有0.9%,赌博的只有0.9%,药物滥用的只有0.1%。

很多拆迁户住进了大楼买了车,还有租子可以收,依然是保持了低调工作的传统。

随着普遍的理财意识的提高,很多拆迁户也意识到财富增值的重要性,有的拆迁户拿到了拆迁款以后投资门面房,赚了大钱;有的买了挖掘机雇人来开,几年后让拆迁款翻了几倍。

手里有钱了,知道要钱生钱了,可惜,有了理财观念反而又留下了一种破绽。

这就是有观念没手段,有想法没控场。

2015年有个案子,有个小伙子家里是拆迁户,得到了三套安置房的指标,算是未来的生活有保障了。

但是小伙子自己努力进取,不想躺在拆迁上虚度人生,自己跑去了一家理财公司做业务经理。

身边的亲朋好友很多都是拆迁户,手上都有闲钱,于是为了支持小伙子的业务,也考虑到投资回报率不错,都把自家的拆迁款投入到了这家号称有金融牌照的理财公司里面。

800多万的拆迁款,送小伙子从业务经理变成了总监,直到,理财公司的负责人开始失联。

很多拆迁户具有了金融投资的财富基础,但是又短时间内没有弥补金融素养,出现了实力和认知的差距,这个差距就是最容易被利用的。

我那个拆迁的基友甚至给我聊过,他们当时拆迁完成的时候,就有很多或正规或不正规的理财经理出现在拆迁户的身边,帮忙做资产配置规划,介绍投资项目和理财基金。

还有很多之前就认识的朋友,要拉着一起投资生意的。

说的最多的,就是拆迁款存在银行里面赚利息,是要被通货膨胀吃掉的。

这话本身是没毛病的,有钱了做投资让钱生更多的钱是正确的方向,但是接下来就跑偏了,有介绍马耳他买房的,有介绍海边包渔场养海带的,可能项目的确是好项目,但是拆迁户根本没有分辨的能力。

还好那时候互联网还没有兴起,不然元宇宙里面都会有拆迁户的身影。

而哪怕是没有别人刻意布下的局,拆迁户也容易面临一个因为财富阈值提高带来的风险感降低。

2020年上海电视台《东方110》播过一个拆二代的故事,上海本地人,家里来了一个拆迁户常见的N连拆,先是自家的房子拆迁,然后父母的老屋拆迁,然后老爹开的五金厂又拆迁。

在这之前,自己就是普通上班族,身上还有13万的房贷负担,然后突然暴富了。

这就开启了他的投资旅程。

最开始是拿了30万炒股,一上场就是加杠杆的那种,不出所料的全部亏了,但是30万对于他来说完全不伤筋动骨。

接着就开始赌球,刚开始的时候运气不错一个月收入几万块钱,这才稍微让他有点“投资”的感觉。

然后就越陷越深,名下的房子抵押了,还背了200万的债务。

记者去采访的时候,这个拆二代就说,自己并没有不良嗜好,只是想“更上一层楼“。

一方面是因为拆迁让他觉得自己是天选之子,投资只看着收益去,根本不留意风险,觉得哪怕有风险自己”家境殷实“也能兜底;

一方面是因为拆迁前后生活的差距,让他失去了一个月收房租赚几千块钱的耐心,只有更大金额的投资回报才能刺激到自己。

在这种心态下,越想要让资产增值,越容易走上高风险的道路。

标准的越努力越容易翻车,把靠运赚到的钱,凭实力都输掉。

我的基友之所以没有走上奇怪的道路,按他自己的说法就是,还好,我家只是拆了一套房,如果是拆的五套的话,我不一定能把持的住,我哪怕把持住了,我爸妈也不一定能按捺住躁动的心。

200万让生活起飞,2000万让心态起飞,但起飞之后,不一定能安全落地,这就是他的总结。

6

拆迁户留不住钱,有的是掉进了黄赌毒的陷阱,有的是自己想投资翻车了,本质上都是出现了被动型的“财不配位”。

我小时候春节的时候拿红包,也是抑制不住狂的不行,各种造作,在游戏里装X,这是人性的弱点,没有办法。

这里面还有一个经常被忽略的点,那就是认知的升级是需要时间的。

做人又不是修仙。

飞升很难的啦。

理论上来说,通过个人努力赚来的钱,和彩票赚的钱拆迁赔的钱,是一样的。

现在咱们看很多互联网大厂,又是给一百个月的月薪作为年终奖的,又是给股票期权的,这帮人的年收入有时候要比中个500万多得多。

但是个人努力赚钱,是一个线性的过程,在这过程里面,身边的朋友圈子其实是在不断发生变化的,自己的认知也在迭代。

如果你是在读大学的时候,突然找到了一份每个月给你3万的工资,你会发现周围的人看你的眼神都不一样,一副大佬请吃饭的样子,自己也会脸上面无表情心里满地打滚。

但是当你已经在互联网大厂或者投行工作了以后,告诉你月薪3万,你会看到周围的人看你,都带着这小子有点可怜的眼神,而自己也会反思我咋混的那么挫。

钱还是那个钱,但是认知不同,对钱的态度也会不一样。

马克思恩格斯文集》里面说过,

人的本质不是单个人所固有的抽象物,而是一切社会关系的总和。

咱们很难突然抽离身边的社会关系,而我们对财富的认知也同样很难突然抽离身边的平均水平。

对有的拆迁户来说,钱拿到手,多少用来消费,多少用来储蓄,多少用来投资,分配的明明白白,这不是钱到手那一刻投资大师灵魂附体的,而是不论是自己的认知还是身边人对钱的态度,已经都很理性克制了;

而有的拆迁户,钱拿到手,买买买吃吃吃,各种造作,这也不是钱到手的那一刻才七宗罪加身的,而是自己之前就从来没体验过思考过,突然有了一大笔钱要怎么做,再一看身边的人,五菱宏光换宝马了,五块钱的麻将变三百了,更是按捺不住。

还是那句话,赚不到认知之外的钱,更守不住认知之外的财。

民国的时候有很多话本小说,深刻的揭露了人性的本质。

最经常被用来当工具人的,就是乾隆和珅这对黄金组合。

有个话本讲的是,乾隆下江南微服私访,看到路边有一个乞丐非常可怜,就让随从的人赏乞丐一块银子。

和珅立马出来拦着,说万岁宅心仁厚,但是您这不是救他,是害他。

乾隆是多聪明的人,立马反应过来,于是亲自赏了乞丐几文钱。

有人就骂,和珅这是挡人财路,但是话本却说的是,和珅帮了这乞丐。

一块银子,没有办法让乞丐过上彻底翻天覆地的生活,因为他缺少持续获取财富的能力,那他依然是会在和原来的圈子打交道,认知停留在吃了这顿没下顿的阶段,这时候从天而降的钱就识货不是福,要么让乞丐落入坑蒙拐骗的陷阱,要么收获身边人的仇视和敌意。

虽然道理是这个道理。

但谁不希望自己能被暴富考验一下呢?

何以解忧,唯有暴富。

祝你好运。

全文新闻资料来源如下:

【1】.厦门网(2020)为拆迁户守好“钱袋子” 厦门集美区积极帮助村民防挥霍谋发展

https://news.dwnews.cc/xmnn/2020/08/04/100761681.shtml

【2】.京华时报(2014)男子拆迁后一夜暴富 染毒瘾花光拆迁款获刑10年

https://news.boxun.com/news/gb/china/2014/02/201402261132.shtml

【3】.三湘都市报(2013)长沙男子拆迁后“一夜暴富” 吸毒发病狠心弑母

http://hunan.sina.com.cn/news/s/2013-03-20/091143090.html

【4】.中国青年报(2016)“拆二代”调查:许多人未一夜暴富,收入反降低

https://china.huanqiu.com/article/9CaKrnJWYwN

【5】.观察者(2013)清华报告称拆迁涉及全国16%家庭 中西部满意度更高

https://www.guancha.cn/society/2013_10_28_181458.shtml

【6】.中央电视台-新闻1+1(2010)北京大望京村民因拆迁暴富 用宝马当黑车拉客

https://www.chinanews.com.cn/gn/2010/11-23/2673441.shtml

【7】.地产中国网(2012)城市扩张的另类账本:拆迁户的人生抛物线

https://house.ifeng.com/news/2012_08_09-26672856_0.shtml

【8】.宁夏日报(2015)炫富赌毒加任性,“拆富”再多也成空

http://www.npc.gov.cn/zgrdw/npc/dbdhhy/12_3/2015-03/04/content_1908419.htm

【9】.青年时报(2012)媒体关注拆迁户参赌现象:遭设局陷阱倾家荡产

https://news.qq.com/a/20120320/000110.htm

【10】.新民晚报(2012)村妇因拆迁暴富,1年去澳41次输光百万家产

http://news.enorth.com.cn/system/2012/05/08/009187866.shtml

【11】.澎湃新闻(2020)“拆二代”频遭围猎:犯罪团伙找准因拆迁暴富目标,引诱赌博

https://www.thepaper.cn/newsDetail_forward_6891334

【12】.中国广播网(2012)拆迁户暴富后返贫者高达10% 相当部分参与赌博

http://money.sohu.com/20120508/n342668881.shtml

【13】.徐州都市晨报(2021)徐州刑警说反诈 | 一个骗子的自述:我是如何把拆迁款骗到手的

https://wap.peopleapp.com/article/rmh23278779/rmh23278779

【14】.澎湃新闻(2017)女子130万拆迁补偿款险遭骗,真警察面前仍相信“假警察”

https://www.thepaper.cn/newsDetail_forward_1805570

【15】.浙江新闻(2019)电话诈骗!老人1000多万拆迁款被骗光

https://zjnews.zjol.com.cn/zjnews/hznews/201905/t20190514_10114403.shtml

【16】.萧山日报(2019)“庞氏骗局”盯上中老年人与拆迁户

https://hznews.hangzhou.com.cn/shehui/content/2019-05/16/content_7194347.htm

【17】.澎湃新闻(2020)前女友要嫁“拆二代”,男子杀人焚尸被检方建议判处死刑

https://www.thepaper.cn/newsDetail_forward_8067420

【18】.澎湃新闻(2019)城市与社会︱暴富后,“拆二代”为何找不到自我

https://www.thepaper.cn/newsDetail_forward_3318883

【19】.每日经济新闻(2009)深圳岗厦拆迁:“种房子”收获一村富豪

http://www.nbd.com.cn/articles/2009-11-12/252326.html

【20】.工人日报(2013)媒体调查“拆迁暴富”:喜剧开幕,悲剧收场?

https://china.huanqiu.com/article/9CaKrnJz2Np

———————–

公众号:半佛仙人(ID:banfoSB)

B站:硬核的半佛仙人

微博:半佛仙人正在装

知乎:半佛仙人

这是一个神奇的男人,你完全猜不出他会写出什么,他自己也不知道。

点击关注下方账号,你将感受到一个朋克的灵魂,且每篇文章都有惊喜。

———————–

感谢你的阅读,下面是1个抽奖链接按钮,3月18日晚上19点开奖,一共1888元,666个红包,感谢大家的支持。

感谢大家一直以来的阅读、在看和转发,点我参与抽奖!点我参与抽奖!

 

【我爱这个魔幻的世界】

拆迁户如何留住暴富