如家亏损殃及经济型酒店vc信心

企业数字化转型AI大模型赋能智能体平台及AI场景应用规划方案(生态合作版).pptx 立即下载
    成功于纳斯达克上市后市值剧增的经济型酒店巨头如家快捷,在上市第五季度后首度爆出亏损。3月4日上午,如家快捷酒店公布2007年第四季度和全年未经审计财报。报告显示,如家第四季度总营收3.276亿元,净亏损1520万元

    据世界品牌实验室报道:“净亏损主要源自汇兑损失,尤其是去年年底11亿元债券融资致使第四季度的汇兑损失高达2410万元,另外收购七斗星也是致使如家首度亏损的原因之一。”如家快捷首席财务官吴亦泓对此解释道。

    吴亦泓认为,如家去年全年的业绩情况表现良好,总营业收入超过10亿元,预计2008年的营收将超过17亿元。

    受累美元汇兑

    3月4日上午,处于快速扩张期的如家快捷酒店对外公布过去一年的经营业绩。据财报显示,如家2007年第四季度总营收3.276亿元,净亏损1520万元,其中计入了460万元的股权奖励支出,2410万元的汇兑损失,以及同收购七斗星商旅酒店相关的1320万元支出。

    “汇兑损失是最重要的原因之一。”如家快捷首席财务官吴亦泓4日中午接受记者采访时解释道,去年年底如家面向非美国投资者发售价值人民币11.1亿元的零息票可转换债券,债券以美元偿付,因此几经汇兑,加上美元贬值,如家在第四季度的汇兑损失达2410万元,单季汇兑损失占全年汇兑损失的45%。

    吴亦泓还向记者透露,尽管在二级城市新开拓了大量酒店,如家去年的经营利润率依然保持在12.59%,如果不计七斗星,则可达到13.6%。“利润率还是比较健康的。”吴亦泓强调。

    不过,汤姆森财经调查显示,分析师此前预计如家第四季度调整后每股美国存托凭证收益为0.10美元。如家的表现显然未能达到分析师的预期。当日,如家股价在纳斯达克常规交易中下跌0.23美元,报收26.90美元,跌幅为0.85%。在随后的盘后交易中,如家又下跌2.20美元,跌至24.70美元,跌幅为8.18%。过去52周,如家的最高股价为50.08美元,最低股价为24.00美元。

    如家的竞争对手――七天连锁酒店首席执行官郑南雁4日接受记者采访时却力撑如家。郑南雁向记者介绍道,由于美国会计法的关系,酒店业每一个新开项目从签订合约起便被计入财务报表,但新店面无可避免至少要有四个月以上的装修期、筹备期,这些免租期由此形成账面亏损。因此出现一个奇怪的现象,企业在规模扩张速度加快的同时,经营利润率却也在下降。

    “据我所知,实际上如家的增长速度在适当加快。”郑南雁认为,利润率的下降并不能如实反映如家的竞争力加强。

    “这些业绩在我们的预计范围内。”吴亦泓认为,从全年业绩上看,如家依然保持着良好的发展势头。如家2007年总营收为10.093亿元,比2006年增长71.5%。即使计入了1510万元的股权奖励支出,5320万元的汇兑损失,同收购七斗星商旅酒店相关的人民币1310万美元等支出,如家去年还是取得了3580万元的净利润。

    七斗星之伤

    然而,这并不是如家亏损的唯一原因。

    “收购七斗星也产生了很多支出。”吴亦泓解释道,除了在收购七斗星时产生的相关支出1320万以外,还有重新评估净递延税项资产所产生的610万元一次性成本。

    据悉,如家在去年6月收购了北京都市阳光连锁,同年10月以3.4亿元价格收购七斗星商务连锁酒店在18个城市的25家分店100%股权,开始拉开“大鱼吃小鱼”的行业整合大幕。

    在享受规模急剧扩张,稳享行业第一称誉的同时,如家的收购带来的负面效应也逐渐显现。从其财务报表上可以看出,七斗星在一些经营指标上拉了如家的后腿。

    据财报显示,七斗星第四季度的营业收入为1980万元,占如家该季度总营收的6%。若并入七斗星的财务数据,如家第四季度ebitda(即未计入利息、税费、折旧和摊销前净利润)为2200万元,同比下滑19.6%。而倘若不计入收购七斗星商旅酒店带来的影响,以及汇兑损失和股权奖励支出,如家第四季度调整后ebitda为6070万元,同比增长73.4%。

    另外,如家第四季度的酒店入住率为91.6%,每酒店客房营收为164元,但计入七斗星商旅酒店后,如家第四季度的酒店入住率为88.3%,每酒店客房营收仅为155元。

    “看来七斗星的业绩并没有如家料想的那么好。”一位不愿透露姓名的酒店业内人士分析,七斗星的表现不仅可给其他准备进行业收购的经济型酒店提个醒,也可以让其他准备进入经济型酒店的投资者了解到这个市场的真实赢利状况。

    中国饭店协会会长助理张明厚向记者透露,近期经常有些投行和风险基金向其咨询经济型酒店的情况,他感觉这些投行人士对经济型酒店的了解相当深,预计2008年对此投资将趋于谨慎。
华为2019秋招笔试Java实现(2) 华为2019秋招笔试Java实现(2) 笔试日期2019年8月14日 第二题(200分) 题目描述 某程序员小A,有一种表格数据需要存储在文件中。表格中的每一行,由若干个字段组成,每个字段可以是整数或字符串(字符串只包含数字、字母以及特殊字符!@#%^&*()",)。小A设计了一种存储格式,采用文本的方式对表格数据进行存储。文本文件中的每一行,代表了表格数据中的一行数据。具体格式描述如下: 1、采用逗号分隔不同的字段(逗号前后无空格); 2、数字直接采用10进制的文本存储; 3、字符串的存储规则如下 阅读详情

相关推荐

某连锁酒店泄露数据的分析

声明 不提供任何下载,不提供任何指引,无需问我怎么得到,我不会回答。   前言 这个分析纯粹是我喜欢数据挖掘,周末闲来无事练一下手。   源文件 源文件是一个SQL Server数据库备份文件,从数据库“shifenzheng”完整备份,从服务器GHOSTSLC-6BBFCB备份,备份日期是2013/5/27 0:45:49  备份用户名叫anyi,备份数据库大小8030071808...

weixin_33979203的博客 411

记一次在JAVA中客户端使用axis调用webservice服务端出现的异常:Unmarshalling Error: For input string: ""

在使axis调用webservice服务端,参照网上给的demo: Call call = (Call) service.createCall(); call.setTargetEndpointAddress(endpoint);//设置服务请求路径 QName qn = new QName(name); call.setOperationName(qn); call.addParamet

kry1201的专栏 8082

Access 2000 数据库 80 万记录通用快速分页类

作者:萧月痕(xiaoyuehen)地址:http://blog.youkuaiyun.com/xiaoyuehen/archive/2005/01/17/257202.aspx 转贴请包含相关信息, 谢谢.主要思路: 用一条语句统计(Count)出记录数(而不在查询时获得 RecordCount 属性), 缓存在 Cookies 中, 跳转时就不用再次统计, 分页跳转链接也由此来, 使用 ADO 的 Abs

萧月痕 - 梦想无止境 9150

基于STM32F427的模拟SSI协议绝对式编码器位置反馈通信

基于STM32F427的模拟SSI协议绝对式编码器位置反馈通信

xeke997的博客 6069

ClearML中文文档实战:从安装到第一个实验的保姆级教程

本文提供ClearML从零开始的实战指南,涵盖核心组件理解、Python SDK安装、服务器配置及首个自动化实验的完整流程。通过改造PyTorch训练脚本的实例,详细演示了如何利用ClearML自动记录实验参数、指标与模型,实现机器学习实验的可复现性与高效管理,并简要介绍了进阶的自动化工作流。

weixin_29216049的博客 398

那2000万的数据

2000万的数据,被我折腾了崃了,现在要做的事情就是看看这两千万数据究竟如何。从今天开始,争取每天总结出点东西出来。

zaqfbz的博客 1018

逆向小记 bd-ticket-guard-client-cert | bd-ticket-guard-client-data 通过现象看本质

依然没什么花哨的直接解析出来,既然这是个X509证书,那么要么是服务器下发,要么是自己生成喽,但是如果是本地直接生成,那服务器还校验个鬼哦!既然是服务器下发的,那服务器又是怎么校验这个证书是自己下发的呢,这就要讲到CA验证了,首先根据上图我们发现证书的Issuer"(颁发者)是。怎么来的呢,因为涉及到逆向咱就不讲了,其实也是涉及到非对称加密的,就是客户端用私钥去签名数据,服务器用上传过去的证书公钥验签的过程!当服务器收到这个证书的时候,会做几件事,首先用自己的公钥解开签名获得解密后的证书hash。

2503_90751789的博客 1215

如家:快捷酒店的快捷IT

如家的IPO神话,令这家来自传统行业的快捷型酒店,如同疯狂的IT企业一般,迅速成长为资本市场新贵。如家的成功在于其找准了经济型酒店的市场定位,以及清晰的商业模式。除此之外,如家还有其他的与众不同之处吗? [b]传统酒店IT化 [/b] 如家的市场定位是经济型酒店,介于星级宾馆和低档旅店之间。这一中间市场属于薄利型,只有维持较高的入住率,才有利可图。那么靠什么提高入住率?除了拥有好的服...

fantasyyong 371

【现代人形机器人:从物理建模到大模型驱动的控制与学习】第1章 机器人建模回顾

本章建立读者进行后续控制 / 优化 / 学习工作的数学与计算基础。内容分为三大块:刚体运动学:位姿表示、坐标变换、旋转参数与李代数/李群(指数映射、twist)多关节机构的正/逆运动学:DH 与 POE 两种建模、雅可比矩阵推导、数值/解析逆解方法与奇异性问题约束动力学:拉格朗日公式、牛顿—欧拉递归算法、接触/冲击模型、受约束系统的方程(拉格朗日乘子与互补性条件)每一节同时给出与练习题。假设读者已具备线性代数(矩阵、特征分解、SVD)、多变量微积分与基础力学(牛顿第二定律)知识。

u012133341的博客 186

学 Simulink—— 基于强化学习(DDPG)的电机无位置传感器控制仿真

Actor:输入状态s,输出θ̂_dot(即 ω̂),积分得 θ̂Critic:评估"估计角度与反电动势模型一致性"的 Q 值奖励函数不依赖真实 θ(无监督式自监督),只用iαβ预测残差。

amy_mhd的博客 19

汉庭酒店

汉庭酒店链接:http://www.htinns.com/ ...

congdi7904的博客 365

PyTorch深度学习实战(24)——使用U-Net架构进行图像分割

图像分割 (Image segmentation) 是计算机视觉领域中的一个重要任务,旨在将图像划分为具有语义信息的不同区域或对象。与目标检测任务不同,图像分割要求像素级别的精确定位和分类,将每个像素标记为属于哪个类别或属于哪个区域。在本节中,我们将介绍图像分割的基本概念,并训练一个基于 U-Net 架构的图像分割模型。

盼小辉丶的博客 1万+

2000W CSV数据导入mysql

创建表:   CREATE TABLE `kfinfo` ( `Name` varchar(100) DEFAULT NULL, `CardNo` varchar(50) DEFAULT NULL, `Descriot` varchar(150) DEFAULT NULL, `CtfTp` varchar(50) DEFAULT NULL, ...

iteye_2186的博客 858

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

担心酒店信息泄露,我用Python写了段加密算法,看你怎么破

  前段时间的酒店信息泄露事情,闹的沸沸扬扬!确实我们很多的数据在网络上都是裸奔,在数据库里面躺着也都是明文数据,连我自己的写某某程序都被热情的粉丝攻破!不如,我们用万能的Python写段加密数据传送玩玩,也许就能避免酒店数据泄漏了! 简单的场景: Server:Welcome Client: Hi,I am 007 ! Server:Goog Monning...

拿Q 470

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

CGI编程学习----查询2000W开房数据

原文:CGI编程学习----查询2000W开房数据0x01:什么是CGI编程? CGI:Common Gateway Interface CGI代表Common Gateway Interface(通用网关界面),它使在网络服务器下运行外部分应用程序(或网关)成为可能。 CGI-BIN 目录是存放CGI脚本的地方。 这些脚本使WWW服务器和浏览器能运行外部程序,而无需启动另一个原因程序。 ...

weixin_34342207的博客 2565

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

上一篇: 网游盛世危言5:哪种公司最能打动vc
下一篇: 深港产学研创投罗飞3日14时聊本土vc和创业板
Labber
博客等级 码龄19年 26粉丝 1976原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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