保障房并不总是穷人的

摘自http://renzhiqiangblog.blog.163.com/blog/static/43908232200942742712851/

任志强BLOG

什么是保障性住房一直没有个法律定义,也正因为这种定义的含糊不清,才给了政策性一个最充分的理由,借政策的界限不清而为己所用,让权力和财富联系在一起,成为变相侵吞国有资产和政策性优惠的渠道。用让官员与政府都无法说清楚的保障性政策给合法地换取不应得的财富带上了安全的保险套。

为弄清楚北京市的一系列政策情况,市政协会上我提出了一系列的提案。一是,关于廉租房建设的提案。目前的主要问题不在于74000户应享受廉租房政策的家庭保障性资金不足,而是财政的大量专户专用的资金迟迟不肯拨付。

2009年预计竣工5658套,2009年完成结构施工5552套,共505016平方米,需用总投资20.3393亿元。而目前市财政仅拨付了16448万元,还差125449万元的大头未及时拨付。区财政应拨付的剩余款项(约20%)也有大量未能支付,造成配建与集中建设的资金短缺现象严重。

二是保障性住房体系建设的提案。其中并不包括两限房(限房价、限套型普通商品住房),所有正式答复我提案的相关单位均不承认保障性住房体系中包括两限房,从审批到银行贷款、市政基础费用和税收均按商品房办理,并不属于有上位法批准或指令的保障性住房。政府部门给我提案的答复均为保障性住房中只有廉租房与经济适用住房。

三是,关于房地产市场化的提案。强调要分清市场的责任和政府的责任,划清市场与保障的界限,提案答复中同样将两限房列入市场商品房的范围,不承认两限房是保障性住房。 然而我从政府对政协委员的提案答复中得到的结论,却与5月22日市政府在本市保障性安居工程工作会议上的情况完全相背。两限房再一次变成了保障性住房体系中的正规军,并成了保障性住房工作中的重点工作。我不知道是政府工作部门在答复政协委员的提案时弄虚作假,还是政府在玩弄民众。

我提出提案的本意正是要弄清北京市保障性住房的政策界限,却没想到仍被政府的答复和答复行为不符的做法搞糊涂了。

建设部的副部长参加了会议,但我不知道为什么这位部长没有维护建设部的88号令。在88号令中建设部明文规定“商品房是市场调节价”。《价格法》也明确规定政府无权干涉“市场调节价”,更无权将“市场调节价”变成政府限价。也许新副部长不知道部里发过这样的文件,假如部长对部里发出的政令都睁一只眼闭一只眼,允许地方政府明目张胆的违法违令行事,那么是否建设部的所有文件会变成废纸,只管民而不管官呢?

广州市政府已在两限房政策的执行中败下阵来,不得不宣布取消这一政策,并将未建设的两限房项目修改政策转为其他。而北京市却仍在坚持这一错误,并得到了部里的支持,其背后的原因何在呢。

根据政府部门答复我政协提案的资料统计,已知北京市符合廉租房标准的家庭仅为74000多户,其中已解决了一大部分,并在建设实物和租金补偿的渠道继续给以保障(每年的专户资金远远大于实际需求)。但此次保障性住房会议却将住房困难户扩大到了28万户,是廉租房户数的三倍多。

2009年1月起,北京市已将廉租房补贴的标准提高到了人均月收入低于697元,同时住房人均低于7.5平方米的家庭(2005年11月的标准为人均低于580元/月)。换句话说,除此之外的家庭或者是收入高于此标准的,或者住房面积高于此标准,因此才不能享受政府的补贴。那么这多出来的20多万户家庭的收入与住房情况到底如何呢?北京市并没有公布这一标准和普查情况。

仅以住房困难为标准是不符合政府应保障的国际原则的,还应有收入标准,而收入如果高于政府应保障的条件,同样也不应享受政府的保障,而秘密大约就在这里了。

北京市政府提出的750—850万平方米的保障性住房中,面向北京市社会的约150万平方米,其余为“三定”。如定向给国家机关、特定对象等,而将保障性政策扩大化正是给了享有特权的特定对象们以合理分配国家补贴和政策性财产收入的权利。

好的政策在无法去定义和约束的灰色空间中变了味道,专为穷人提供的政府保障不知肥肉落入了谁的口袋。

必须从根本上切断政策引发的可能性,不维护国家和部委已下发的文件的严肃性,就必然会引发分配中的不公平,让许多本不应享受政府补贴的家庭利用政策的缺陷而合法获取个人的财富利益。

根本的问题正在于用法律来界定保障性的条件,而不能由地方政府任意确定保障的对象与标准。切了穷人的肉却补贴那些并不能算是穷人的人,也难怪茅老师会坚持经济适用住房不应建设私家厕所,否则又怎能堵住以权谋私的漏洞呢。

两限房就更成了里外不是人的怪物,成了财产权利再分配的桥梁,成了福利分房中的财产再分配。让穷人顶着享受国家政策补贴的帽子,却将财富向中产阶层中的特殊权利保护群体转移。不知花会落在谁家!

智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值