image/svg+xml KLUv/QBYtFoBKqXJQjCgioo4DtOuATwQNLDVKoyq9HW7lD7+f/4/M0QAPAOzm+wmm9kuNBS78RRe B0yOF4fkBNYDUAPMMs008wzDMEzDLBgG02AcjIOxBptlAAsBlmU5vDQ0XDRXednWlva2d2OMeeat aayxpbHGGGMW1ljDGoyGOaxhdnYOuzu7u+UOD1Mvt8/9/Pr+lr//a4455pqmOcaCcY5zXOMMHec4 w8UOERExMVWXsbGRHR0bF398BhtkmgU2yMAFAxvYcKCl5XJpaXl5iJmpubmcndyeywB2dyGSBqNZ KE2yO0oTwbBAaCIYktkl28STJoIh6eLGf/a62Hm/1sp9p497xs9n96lsjmULpvpea3pnatmS68rO +WfeqGVL462hY27ZooAF0iRMlhYHxSSRIM+EI5Ew0JAgKpIHgjiTBCRNwocHiKQRsRAmzoXKo5sR ogiEhuTwVCAKCGnyQCTQBAoVx4EDlUfiRBw0JIcKCRFnIvFhhAuQbkaYOBIn8lyAFGhIDogYoUIh iUQTBxSI5Ik0iQJFAqQAhUfFeQDCJKpAkEZKF6DK47FAmTwOKjygCc4BHhAFC85EAopEnMWFqFLh YYCEBpXJU2ESRXAhPZR0mhEoVBwHkgYSB5EoWqAhOTyeCidGqKhmhISIER7OBT6MQIkgehCJogUS BQrFpEmTp1JxHk+FUgHhiTygysRx0JAcKpLDBAWKRBImKiA0JIeKCpE2jCChQYQCEk1coKC0YYQE TEyiCQ+jITmkZ+JEHA4WIKeeRwTOREKUrjOCxLkQVXgaaEgOlcfDAAkNEuSJAJpElcfTQMMSTZAo sEARTRKQQBIUEQcRzmCRkEAVCTRxIIkYRFigqDwQJKJINHEggSSehoFhoVQkz8REtIBIGgwMi4MF ZbZgEYEneSoVJ+KIeAUMw4J6vsf9j2/4d+aFCX35ld+Yvawh0CSBT31IyfgAIYEkoEmDR8JxwMCw 9AMP1IDksdDgUhP7Jc285LqYFKuT5yW1e2ggWkDyWGgQ8ZOnwlFggoKBVygiEeV5UHkkJs4C50Qc lQkTsZEHEi34J+I8IDwSE0eBCEUFDMNyCYJSgSQMTJ4IxQMzVQiVCfNIIgYJ4oEHuvB4Zt1m8r5N b2X8K2Xdc65UfEiIrny42czVnQ8RaIGHtJX6VJyIhYlngYhUwFAqTJwJC9HEYQGSCIIkngcKaEiG iECTDIEEkiHwoCHxvp21v2oju6UAMDAsDobAAZIhgIC0jcCCZHYILBpSarOj9zdf+5Yldc28NrPu dyxLjGhs/u/GyVeWIJoEHjAwLA6LxI6pwaDBAgwYBw1p+XH3z8qSJVVjREbmsnQJYiKqUCgWB0DA ggUDw2IJgiIhgSqVB8Ij4UwoiGgFDMOSIB4Jh8JARCpgGBbmBDF5JExQMIBEIIomAk8Bc6niTEwi xxOBHBGrgGFYnIrkkXAWJIlTsUgQlEkUiRYUyvOIJg4qkmeC4hExGBgWvs36Tr1pzfvsnnV9iT/X tRzTmaZ/KeV5ABWAgWExT9iXHNP6Q4KAIGokJBBEQhE1DAxLevIliCcCiEJxLkicBQPDcgnhlw4r rfoSxFNxGJIIcpC4QKkHRHEkRFhGMGiwaEQoYMDAgoYE8UQq0AIMDItDQ3KQOBKcSYXTjpAkUFRw DNCQICaRg4FhubJaTBCSCKJMngYiXAHDwLBYKSaHBw2TqOJMKhSKSERBShCTqOI8kwUDw5Ks8uGR EEGYBwgOAMAQi1797FbMnFu9qlecrNVua8W6Ws3de7rFeKnFbNWtXGtdjW+12dXPbLX8XX3XbVfb /dXZ/lbe64xY3tult1veua7Hn4e2ZqW9vevtmuyuVnrZ9W2eftEWrex2v7Hs87uRyzy7Mvnq0JMr +e7rdivzcQsTlyv9vPCfK9f5Kvu98nS1sr1yMb1097NUMbsW87W4+c7/u3iL8Yyt2v2LNx+3U6tz PbO3ONm1Wu+69pHYjNXXS/W72jUr0fwhve2h+cOySGjbulZ+5g8JEbEMF6v/+yHh5tYlsxb398Oy SH2thW+e/pZr9/sh+b3VvXnq865v74e8uzL+vy9387S5Wb7dtzgOJHTPK0tn6dufutt6XpbamU9b F3//0nKxPxdzWdEPG1m5tcuWBp23SNq+dE2Bt+fK7X5YJlLzb7Gep8PVWj1/WB44kGyBJFuAAtKC pOmBdIkByZIBki0VDiRbKEzShWJ5mGTLAw4kW5hki4NpqjgOkgSSeJrEZl+MvYef5m+rjViWvI2z LHFZWt/cVUTu9jv/t083PfSypNa93M9lSd+5O5UZzxAx3cKxWH4XvKXxTryF85al85ZGNroc47XT 8eyLo1lmmX1OW4c2lKEMRl990ZGNJplcll90WeySjcTFL6uMXy6bXBxM4xyMZzTP+Pv3L/z8m+dg NO/u7r2u6OdgLE0z/e3t3c292Wjt4MaC4WdnXlbkY2PHNha7OBbGonEszHuzY1lNPEfD0VgcDcai Yd6X5tVsYKNxjYajwWAwFgaDsWiY9+ZVxjGWYxzD0WAsFs2iYd57sVgcjaPRMBrGommahmm+eW+6 aW622UYbbZZrzsE4mAbTYDALZsE0TPPMOzOsuSxs2/5Ms2hYA7fdmUXjGm7eLBzm0FPtdmbBuMVx jrvE/UdfGsjIvMzERS6SkYtsOHJZzVZe6EIZ6tCG4ermLm9v+y7MNottLGMba9zYZOVkcCN7u72X bje3fWe88cYXzvCG21++MoxfGu/4Zr5xTTbKTTffME3TMJpGYwtc5GIXvfDFL5rFYuFYGOMYpqZL 6sIsGoYtrGGNJS/5+LxZXOMai6Ed5nI/o4ENy8Vuc/vz05NJJptsGOnIRpqanppq6rKqurrKyrra 2vrqjDK60EYZ2tCGOtShtg69vcW9zc3V1d3V5fXt9fX9Xb5hrGONjY+PlZWXl5mbm52fnxlmuOEF L7jBDHawtYOvsa+zF23tbW7u9v7+ZnrRTS+60YxutKMdfY6evq7O3t7u/t444wtvOMMd7vD7xf4+ 9ff5+f3/mf9vfvGNd3zj7RhkklFmA+2epXm9zn+126x7q2V6ntx2S9d3a/XUa5ftuWv1tpa9Us8T fnI9f971YtJnLvPl08I/LG8svvPU2lvZh8qFd562398Oy5ntlM238g5/8bAY8dUK9Vwvrbdald3q 8bJ+Fwutq1m1+i6brxTPH7jRjh2LmzML06u5zx3V65ytr7+SsRzP7vBurfSxmJexvjVv/fKytLEa D/Ot/i55y+2Oq/3/vfDTHSvtvqwXrMXL3uXvW/ypxbtXp3+Zf9yK17+lr2W6WvuWxWfnKe220O6v rjmrfz+3dpsr27oNK7uxvN+87p/XkSu78yHbS73TsZ5RH7KPtfC763vLHd8rvb/Wzar9y7a4s7Hy s5a7a/8V37M6zR8Wrc5bvxSztn15K9uWK7kZvXrNU1t+9fLXsnlqT65bK3QvZVQt5mUt5itzLuPe YmY2T/nn1fxf2Gr1f3Zqnv5lbFr3+J7lqb71bl2Nn1u9Xe6srLVr/vB9daz9ZX1Wy71bzcvF+1rJ z8W6Xd7G14ptvrXbzV+3a//1rdvNxeuNZf6Fy4VvdWv+cF6uiG1XjNhf24Zd6uq1dl2qel2b+lx6 W2vsn1l7tZ7dpYtaytpupXpb6umVqsjamcf8WKmXpa+JlequZ1i6d16YiplWeneFeWp8ulm5Vqed 3mx7dl6I3NxnXfdan9xndctsbFz27mXKWMdeplvn2rybely3lmW6VpivWoeFas5cqI27Zdt5XajH hmVuXqiXv4V8WN3rZero/1/+1cxenvtf3djl6Vue6+XNWY1er1+czV7GXZybqd1enGtbaV/9e57I nKWH9aml17n1mcelXv/Lpfr16V3q//V66Fam6pdl6olvelbr9mW6WGvJdfp/2omFarhWqaq4tamI e1epyri1fHqVms9mmsWm1ZnZXMzmVpqtXOzvlYlcnHlanK6F+7Web5u6tf31e1jrp+/tu+VsyqXs luWKmlaO7l3pbdWdha5+1b7XdY5Xrlj3XX6+6nXt9fh/hW9lzK2F/laW24V3bmWZzl+PWPnK9b5Z 6Yn1amX72JVqnHWbVrmqhdmLhc5cmW9X53hamtpW5s1amshe7pZbmruZ6Zhc3OaF2a18XZePrLXL 7/V737X6WZ7rtXpXzl8BDRpA8IAVziQBu7OVbC4oEIiKCvRwLEQpQYWHE5EAiaLIBEgURRyRblmF uVN5lJVh6rkz5Jkgnp2dPZONHIQvPJHHKSagCByIsRISZxIlgDyTBJUnEkEXEkQSEEQCJXgoIhIS SJ5nIpHggSgSeSoeCsWECRAjgWEyTLDJtsKJOIg8EEAOHpKGSKAJD0QCMSrOY+GZ3AMoYoFyIZp4 JpguXQLDtJcSmGEywwR7yTDBpeu+CIZEk8bkSeYIRhOJooXePh6Px+Nxj8fj4fh4+GOfyQWoAkEg DsUkHgkT0WRCVIkqkkhCMUHxeDgLYUCpcB6IOBOnQnkmE+eRQJEFj4jziOB5JhMiEWiCMwFJHM2J SwYBNKk4mZQKpgIfRB4IkUcicSgsIDgLzoKK5Jl4Hk7EAgViGO6DBAlOBII4dRQQxJlUSESRiIKF SbTggQjiUIAQeS48TYXiAyRiIDF5FkCOgwoUqTwTFCrQxKlQ4SpkhaygFSpQNHg8FijPw5kwoaBQ eABiEkWix0MkUlFxKhRJtJA8ksgCBA1KBBhBhd1DA5rZPlQkUORAQgJVKEhACkycCMXjsQChiSAQ SOWhTJjQ4JkgIYIqDnThYUAqlJtQRBqJA1EoFE4Cqg8FihhEnMrDmUxIkCY8jAMiCHQRDgULESZC AdMAgShIQA+FCjsKFQj0AAQMBsFjIZJAEiiB5zGhiCBIIEpkYSJaPBMkTCgqlQgF5ZlAiCQRaAEK jwpUoayVVTwkD0UDnonjoTgSkPJccCqPBhMUkoaUYBFAcqA8FQoJ0KRScbDS8ECiByRh4ICJI4mg ygNiSJ4JJAJReCR4HpInQiFhQrHAU+FMJswBFioqFYmCA9JRRJwLiwCSwzPhSB5IJHl4IJEkMgFB Q5KQQJMKhAOSw4SGBSI9kIiBAgscOGCBSAcsk6cSgRwJNADBTgHDAJE0GFgmLI+2R/J31z78f/ts vR1rWyuxaz9zufjN3b+ZWQvR/O/r/5fL0v7TD60s2axu3frq/spMtY5NzRa/LrPLbLXQ0vLutG6t NM9OS5nrbG1LOb3OnEsxrzYxC7kWmQvtODft9Nyx9NSuE2uTsdiX2a96ze3K7dL9tPrKL4sPq+04 3Tntqm//f6sz84uzLTM3LT018dCrcc0by/FO8Y7L9O5O38yzUFOr7ew82b7SrsvU8v0q7Qrtkm8L 0S7r868Q1zsVz+5si/u3rcwwa9k2G9fKDGtTuczTStXWtuvW1ap7y+7w4e60+LAQaw== 17fw1HS/zgwrd3F3aOtbuIpld13o+Gx6b86Vq1lvmqXbplq3n+q89fytWHa3yl33nVmrb12qX3tv tcrM6saXWq2qXq/of4XbuIaX+1uG/c9cudZ8zF25eGmIfdr7V794Xr19ve9Wvptdfufr91++zpuJ uVd9h2Vs1dhXxu9/rl6GaWmZjl1758mvrY4xy/A8peZVMucVY5aiMurr3XL2lvKW88LzPOGd1THm bd5rbrH2eh33bSnrqVbmecrsq9+KuajE7ymU4ZSsZsjMjAAJmADzEqBAQCASGInow11MexQACWyG TlA+HA5EwlFAFAyEAWAgAAQYEAgDQ0EAwJAYhzEQBBGQxEkASvB98BNkQMREHKFD659/NADJZTNq FL1qw0isb2KPwvrCc2sLZJBfUjwLpQ9AOcq65BSkJc0RIQfeg9Dd4IjYlXOYrAQzU8jCHKUxctQ9 ZJRtxeS6+HqiiiRfoVyI8pukgP1P8zWpgWjbIKIzV1sUMbwRpUJmmKRskvKLNxEHCR2oRUh4Ltqn RmsMO2eomJ1I12UHppfmMOpnsZh324ioa/ysCSkdhdZu+zItMo/hNhxTcLIyRdy5KqBmWCwBvGcA QPG5w7iNO/hs6P9b/W6EQsAo9IwywnD2Nk99CTYFCYOZPP8s9CrCOOcaqBDwLQ6zG2Gs+chHgPFZ gzGhokc+qc/zKh1UfOxHZveBoohOFzZ5CxtB+cEYKZMA6PQTpABMHyKGNsZF5Wv3o1VT2YwHgVTn wlpULHDf28vhJUxcurqUte3ffYS+OErzp87XYUu5aZkZuuBGe5tXCkYJrxn3+p7SZsujR3qbRE5W yn1tAY+NnafwGcrBJZw5cSckRp9vrKXb5qGumvjRoQyi+SLvMvLr8kcqSuwBCVekKKeeW24gKv9d U9KF3we1QziUEmWtop69OwHchCOyRWGnOpKbSG9owNSIt0hOMpHOK2YiTcBcwoSAM0HqitRzQMww Z0KkDUDofveUuoLyHP5/Qw8eIeXgvuIOccduUz7bLTtPkr5XD0wTIZ9arBex6qvL8bg0REV9LMzv 7EjjJQymaJqY0DxadBEen2OgLX7wzVd52QWp52139Gav0De68vlIUk4LCncoNWmB1E/H2poDu1EU RaQFjM6OSW1/RESXMEwlGvHX8Bc/rn7bQZpUBYZQ3VkMJGVBiSEgP06VWyGm45BhbmvPItrQgOjN IuORUfkxoNqCM1az7TTpXPBuNuVLY2unFZpgFkrkj2Z8RCWco84EsmxXUhmNpocOuwV4cQw27sWY CpAB5RcemhxwUJbltzVuqoYFeInvWcvG3vZFHhDu65zKBj5VsFgHRnohIzzcbVEUFcD0aBdqP1jJ X4qiL6wDt4pf6oJ7n5rRDVT7srxihxngSoc96A60gagVfmKDK8xIYkFx+SEVUc6dLXTYUO6xOhJq fLZQkqFUBzkc6aDk8DOuirOEcvpSz2ohkcCywG/nt1fcdoymp+aYbvCFwWN/2d+hC2wA3O+/I0ag ryDaJhjgu7fdMetPRWRKYPkedut8lUzI3QO50xxxmk78//8Doan1wfBun6BZclEhN6mCZms9oCwN /Prt4K/Ky0qH+449WF+j3QMNQgM0+7lygl8+GXwtvFMMFwpYay+MnD3Fn/rZYmErhNcQxWxFBLrP 44s7KxXQWVkyyf6Q0tEN7RavFS5nMF4JGNODp3vF9CL+QTRQ/pu2CHOOhyMNp76hnlk0Al7G4GPB uhlyo9lof0Q/oCgwJJr3MzKCZLIrDYorlqeKKPP73ei2ZUccFLemRSrUsqF3OmClDQd2cmp0MisI CRyGTjTTDssDgGkcpYc3pupJ8evB4qn8xGdW5U86Os4lRBpFBewz0XvksWtCOOAQv74vWQqX3Frt SVRQOuxaCqcJrbgn/+3tjGF07/sxjtIzhA3biLGRWR6hBXhKIO75ngjmIn23ipp5F8dLeYsC8JoP U/VgH4rN2xhJuh+SZVG6wAuu8E9bc7mCbEaRTl5d0UrzrL+2YtUb1CEjhWoqQXfnBjIAwLTjn7rc nQk0urM6Tw2onQkFXwhokaWNE0IxCAuVC+pa9KQGVTIsFYtVbykiuawXCbKPK+zl1UQUbCX0Ycbr ZeNdJZiFIhlcVK6vDfWfhQmJSB1tn2oUhZEf28PEryF6UcrVSWQmCNpO7JXCqlyOxayl8qcW1CSq z60qN+WyIhU8lMwfHmL8v7gqhy7eAbCmmsEEMK2hEZfwdHCC+zLfwYUD4KIiDDphXW7Pvk0DBC9y sHfK9rzHzjLcO073C2ZvP/yVYX4IXFgu4QaxF0JrhtuuXHGsCVjWdkiQZQY4MoenH6wCc9cuf/Iq 9wkNMgMnaJwJtT88eNYzZGVsK/OiuzUzS8d4vDIcWfdsfHKGRKAP1RIVcfvxY2oBFJrhzJRCl0bG 4qJG5PP9VerlFFWys3EYlWTgI9P8hmHgVg5BU5kc/9lZBPRD1irhawt5V4Y0MqETftFhAGZOxVoV UInnzU6/NF/o4FnLDaEfU0zTcnlArmh0RaevPBC1oU4wx0ItjNFIb2HsVhNqrBH1IsSU58AwDaYO npq1+WQRsRfyBoTE8wqr7DH8TIqS262Mq/CG0MUU01DMcJdGvDFncsTlzB9ceCPwTExggyY3WaCb CRNxepEOPQ1yC6Oa6zF3h0GqPvWXoqUfET/g1BbEfhwg8bRHqwu7D5ecd4gv1SW1BWqVYhNtkg/I xidt56S8C59KBhnOtAuX9qBoqFtSFQYHZ0X86keoUwVLXuWXHjTUioUAZFvR0H11KTYWL49c6RHA AAOk8CvlYK/IItFET9RnJDbqodQz4f9SesbNK2MA7eZoPTHA855uZUwlDyhEm2aCl0XKCeMizSbS CfGy4rjM2IuUWUsS4/WIUGJGJZboDslAdwwEaxJoc36HCQMoEHUmy32Fs2EcLTrozFVy0LHWFyHG HLluVatwI0RYS+1Hy3DF1CZF2FMs6hSZKJG+yEIZ11/jLYUzJblLCONTiqB9yw+4rYMxPYZgo0Ws DiUSqAYiRKSPZIyzp5l9VSu8VZqUENrDu1zo53XRU2QC0jEZZFSYttyeqpJ+uSzCo7kuLYd3ssKo 3Q3If/q8VRe9hYJ9+xd1hXYXQV9jA0Nd21W44giQ6IcdMyEfHLeyif8qynKBsDsuQl0vijMotGaX n5FkdRNXQpXBHL3QwGMIRMvfTztB2TqqPlTMejCw81j9aBnRr348X2LKDQAcAoyo/23hU24YY383 7Y3OVziV+G5otHN/JqrYpUHazekyRw/BSkqruo1FI4xSUCFx2pOu/t0wOrPQAAF1JI5p3DGCe6+d JoozHT8cmtt4j8wi0sKJRcGw4gmtzoBNkjHI64qRuToCJGMfcAjGasTBLeI9rSE4vOZpo7YbClmc RHd7qFqDLU37GZSia2me7okVuM0R79fRPFpgbIPxeONagQAujnImNAvjZxDEnXVS6G3sf2X8bDQm LpR/9BibaF4qNY9j/iXpaxGXXQKoNnU2vNb2x3C+eLL5Jv/QrDNI9LNl8FIl+t10FB+ABmgBhpVM bfrF6WhY4nwmC9XAbOmKyTgPL4p1M+rUFroyWMyAHLavKl6pbDx5qfv+2upiP9pQhWB03X8ghC1H oM0Efe5zPswUGUspkQyEosEMrDcSiFlwCjPOFCgEyThA4Vc1WyaZxdOOT9ukShNhimLMkYPxCeO3 hOpFWIcq6hBQPzqIEPuOIpNVwDyuSi57DSMbEqor6MnFo6aQ2TL422RXQ3UIxdTQe517zi29D2Uy DH+OVjQsq01CMj6EvpI+UZ1Dd5KsYui//pDhrmWLS14AZZoRJrpzLjObjooZnE16GDpjC7oF5ALo y22IkZjI+c32V2CwIGWuEBw2FnAm1bJmcAjKiZlIIIedg/OUUo5+Y0POLEIRneGPdNc49VeofUTy QxHkXH93YeURqxpBRIgVXN27LBgtggTrHeKgCwA0h6z22TxLQMtRIiZ5EqL8ciP05FAo4Nl6nGub pS4XojyZh+4X8nIheN+bESGg9Xk+LgQFKJN6Ba0MtCQ80fElohJLQL+8vdQ4xuIpytN4FvQde9kc Nipve2kftwQwAIZCFLbX66ihkAD+vwFHdcyZBvxjCukDR4kB91iYWG1nMH30PZo5lIa2eJlHKW3m OfkOxgVYB9R7eovzhrmg9eDYhvDwdA69VHgJSztNByDEfaHd0tHBlNJtC0V8bXxgr78tFO5Ai3Y3 9sV8cG8FC25zC92ACvlCLXKJ0c5jmS9mrzCx/K/ii7UZvKdohFPnmUv+ftNgG7MdPn114E4t/vqK e02f3HmtV7RpwxQt+FMryOnwdAbDqnftRadYgH6sygp4GyPad3jC6/FtKsxQgKB1VIMHV2AFToOD JGahkLD60jpzPMZ0osQUAfngL2VWQWuaCxodWRwxeKkkcMS88hjzMKgUgC9s0bvALP3G8PdJ8DsF XGDUMJbtchHK+bPzpUvautQ0+E1YpnHkWUw8E+Ug7vJC8waVS2bhN8w6E1sQDvke2z36o6AaUCVq c2pWGPkYdSLMIh0QW/+ZwKKNo3FgxbPEcOCnxPAMaQq+i0R/GHHo9YxOxzqXaaTOef8gBT0xBYSc R4TIV0sR9EKgqO7MPxZAgpG3BhryM36MkmuuG2Pgpv5+NLwao2ZcCYW4RqZiFZSXSQYyAM2Ebu72 BK/5S4a6FjnlDAx8F8y8c3wby7mR/EEX3g7JYwAOw01PSfcOaoMDd5D39PSWMe4odfIaPsVPkQeT /3h/s+0QiAQEBIaYEz0w9lQSRXL5OxTEEvVpyYAKt0gl8t8Z2EF+ILx6vvLUSqO5hrrF/QQqbXNq 20juDRxNm91UIEZLwA82c17F4zzHNsYWGYSMQhRcHNhsGWuqA9G0CHQNF0VB/Hhxvlw2hOn+KaLg ZvZ4BxirK2LBYsyyOC7er44ngh66UcuIPfM2KYfXMGBJ/OX05LMBi217VD2Lkwlt6i31dM0LzOU5 wWuS/hh78xKYoI+BWEIxvNlHhfhsqrTN9IkjaNPdYJgs/On6qAGqOFhyvSD6c66IAlNLE7kKhlDp zsqLcocwiDfLXcfREOwXqiyQDTtKfN1TgATfPKgH6b7YiFF6borJfmKRbNMDUYLzYbbNrp1CzJMd ALjCh5LZidEMyo3KyaoZX8NO6Ag1hS4vAFeCuY+Y/aLImLL53wvJ8DzV4wmu07Qja0PrGoxOEn/w oyyYq8HkYN21cYuv6Aej7SqUL7EXKyflT2h68OCFdYuvCy/UOUB0i7iBT5yQ3cWOs2Tz7ml/7N7J CO+pZTjQPd7xKYLYKvTAqU3LuaXOJRj2kxOki82yMU50Rgvut5cMTnsb+6WT419b/tZ/fe7Ju+Sx pmii1Z40j2UWcTVKymk/kd4vVaxbP9eCL0g6RgJiTwPkMxF0InpbGDK5CMQy9h9luw== s99iW5OMREWQSqaOCvbhrBI2dYfez5eB7eYuf4BVkdh4YO652v5yrYHRsTrzfRl3ITOwY7Q4nuoi Swa7AnosHDftVSJUBDOdBk0nNb6sAGD1bOngVJEmT5SW+L7CcGCarMWFPNu9YrkA+541DqL1Zc4E QGlc4A+7HT8zbs+YOe1+0EiasTI6KrDfD+oHMwJ1GE25NpEVePRsZyoZvEXV8H46ZbPdIk05YQPs lfkiVlELp3RJn2QkMoLnoltASZ6NtqclqtgBJSg3S4qPWEx0bTky4xbEGmNVBA47G3adGVZ2mGaY eWGdF8KBeNC37Rdz9ny5AteoxJnRrDNRhljJ+bHACYQgczGXcDReYof1pOss6wOWY7R5iqLdAC8Q Ssg1WOHMRlDKPrCuOS00UIEYLpo6ElHA+/pNFXy2C6BHaz4M20fEaIcugEQt9xv9LwtcM519F+VE 0oEOSRLfj/LXMI4oJF/H+nxJSk4ipjq0QswPlhvWp/RB8O7zADth3U4W4svOvRkUzgr9CQSyfTO+ Yq3BvgJdlnES/SM2a1b1JFm9Rk9aEYZZPMxZxwgukaDjBMdEIA4xdIYot6Fikhoau26/2BjaRFLD eOgJE6C/Rqg4WFhqNT/EQ3GITggFtA8SncwDM1brzXh+qtZZdZbWCjtqBc+En7PigZleEtYSfFEP +bElFpl84I5oO9ApcPBCK3htB9UaMhk4a5GgBVkm/iLzsNifIgduueEbQAfqwstNHZ6raJtJYjNh SmOTUib+mcK1xBKmSQbBUrVErFIo8UHUKqVBexjJB1D2X5OJeq0UuLmbRtfZyklPCBGwP11QCLBz q7/hNnI8eDCxCYJrRkZb4M/p24j8+6EWNkyA4snsjWp3uvK67gsOSAbjmZeMuzayMnvLv5T+EnYm +wGCMDfL4f4Uyj0v8MDLIynnTkP1e0aZI64nGE3onzdOI5NRoHvoQhJ7GoWxhq2X1YUUHB/tF+x3 hZtIk6FWfGJh5ShuC41GbCekhIexBYZMGb78KuoSiCQyDAKbPec+aYBz+j4vEgpho1mRCAaElANZ AcJrm9FWeNQZipFYSGuIb/eIkYTVbkb6ouSccTS8i8Kf3NzRgNnwAjbJXJWlkyBgxgyBLALO03a+ F2uDf2oRjIvhWDg9zM3OPby5D9HDFkuaQX0CjoWfAx/rb2vxYNME4oXUXCe8d6UCXE4xA2d6XDII LitY3xbAg08YDy0ltxA5g2WivvBMWPhmWkKjjnxOJzpah0gdlHSHwghnVMfqRIreDtBepD15nrDA 6nEChNhUnHTpKz64hmcr5zOSjCZXjwYWeWnXWWZQIs53wdVPmge6XR6bjdqlL7Sqg0JF4JNyKlms S9cIaM5tPVBp9MhUnKBtPhmDreB+cjE55RTIDCLjr7bu/bcLi4OgECJaYN9rNpsiN03clCImdRMa oJgQRhg833DGcA+posSJd0mphbP4C8wDkY5heFyOUB1mcJq7wNw0HGrMHJqlm7hneqXnvEf4oXBK hY8r6K10meHmNgrwETorWmVf3h3ZU1CoNK99ieP7kLHUx4YLYhT+n+OIJMNaw05NtGIQDZdFMDCs m6wrUlMI1xKcIQuxUGm2URJYKYMbnNl7r5WMcDIJJxx6yUGqW8cZV+ZJzsBi2NMS3jdsBmlFILwa 6iUmttHbBsFVYsogmsxqhc0Fm2xPMYqJOjbtYZOlQhlz0zYyBkDgvIm6e0VCLA98O28MM/eWZLnG pkDd/RQU82qqw0vfzhuExU6FUuDvfY0hU2nQg4JJEQpoKTYcs9baGbNfVorwPSHE1tXEmmgixW4R bc3bg3e2wW8bEms65Ru+Sqtcf4A5W4Edkigu8/V2KK/fXawDpCjBGWYuZiZMOmB1woyus5ewtGs9 +EIgCDHp7BXkqIZNYeE7wtu9qHFJIBoVHHRZfktSE/mK08KJLovbG6y0FOoaKYXoCQDwdE/qq5R2 /JXcgDDTCaCMQACCx9YfvDFQ0fkVJJU5XEVtDzS0tk26EPFW3kqBQasiLPY12rAPsQf9Npv6SJwZ vWDi+D92AhJJp5cOIST8G6PUVMQ9/ohygT6AUK+aCffsDYjH41SJA1y1aWE852hjpKB6yDV0pSy0 ynCdewndC2g0atZ5FugunT/JcxDQD2SjE6afTqNKf0VaRpqGC7/sqz8k9IJXv0Z7Td5HFt9Ifsl8 surj9xSbzc1p69X2i7kNKHnu7szsPpt0o8T3TteQ+V1m0WTw+ReelgnujZBX70F3cZ4js5OW8rUA 3I2cYOgtPEZzMbvk7XhEebp/5sSmK6fv7XTpjeob8HA+rE/yxjy/i3VArjuvavfujR8L/R9m2Z+K x7dVHx5A6fG3zA/A1ghYl/AAdAp4OUBcJAHElAW2rAGFBwxuIBiK0CWBjwKrCgSahU0ME51hTxu0 OETTwToPXfrApjCdNfd97cuIMjGMMyjlK9lNmWugCtOOmpUq0429RmuEpASr7ZE/Gb71k9Xaib6v KStNiFDD2PS2RCmugJjkB2PwRwSiKg9PsingtlpUOFGTIXvJ+Gw/pKREB6XD7HtlVQGslteVoDYT SfpPJiuzNcqi5GpqvVIgV8862Fm1gTfPVF8ngsKwnH3FUf4ZqP5TpSbPAHIlsIrJMzCjgcCpVI1l 78vgfIny0k3eOWltqyT5a0pvPXEzKGaipqUUtbZLcWjqFkVKm5lWLtdJFh9oyXrGpI1EW9zWw5hv bcth9jQGKakEH11KPI1+YkSSMtgt0wu1mm4goxQ1/OE/I5KI5knttQWFZ3TmHxkN7Wj+VeiA5Cz3 X724vsI65VuOykiIxeu9Q3FSvDHsqSM7zaA2sZ82ukbpJe3YxMPIVSbXWN6clukUw5z8GF7TRrq6 u4SY3vrq4XQrU7k38CCw+67Q3QX/ev95xscR+I2g8m59JFhS7n6HkHwEK1tgtzRdt3YHYpOeW79d dL3GW7xxu+fzzVHvfXzVBFKx3iF+owY4jgpOSeFEinNxHIOcIzmydBzWiTAXb4YFfY9zpqSvoNam uBZYrF7ijYfqBcfuN9Dahq4T8FeUtxp9GGEdtv1zCwiBOe2IEQEFhEhYcIJNowc/5YHK9BQd9kPx TbAfk00aa2NeGPcN8lRIjUF41yMwJ/kvKgVh4SvLUHEZkpctZWSHMyFq44OZU5ZYQ8z+VC+eiYgK auTGmVEfC70atH9zeveTyarKFyfrJAJwHZ2TI4Zd/6MBHyFSa0A014c3aIJqrlkcKpb/lqBBoqlb 6xw1iPCSfVSwfWLntZxETGB0IwQ4DUG19p3F3sfXPSkMOKOSIv0dtzW8jXxHKXHWRzi9eWxyn7LN TNY2x5KL9tsSn9REoI2XsXx7P2R08BDr/Zc1qVeKno6OEpzMcspMA9F+aeOZsabdxISlR+JH8K+F WDVL//yisud/GsxlvPBD88Vz4BoFqy9Sk1DtyNr53g1aTEDMhZChUJjHVslwBF4tvQzh+YjlxQO2 fy/AnmvgF/Lc7Sd++Bb5fLEHqTAcFNFyL7WQUtvQ1cOMK+HT2ywOUgu5AEGXxM5swUwdCWAADQy2 3MHTJRtgHnQxQRSNuZ/BKeR34ZEremVzO/ZHVn3oJdhrQkmxjPyc0JrErS0w1AOGzTKkyOBetzYH 5jT+o3+O/mdz0Os1E6san0b9c1XOb3Bu0u+PGYstE2ZHjazWnFI4YYYsoAgwUyHgpXuU68n/EoTl 9ijUNHrB+YcvmV+GCw9NSp6HoxjyG6vDdgDZVC1NFXBiRxwhYFm1IbGzjNVSHku9f7T06X97Aed9 DOIKa+Jyl8UelYUTQoP0JOglLVbN3xHs9aT+y/++ra78M5Qiyw1JR8xXD6LFUoKKn98hFMqfafRO 96h6A2xkA0rHuoQ/8AbAbAIWJQBAKkhFRZSiUQlwSMz/P96rvakhtq4CrQPP6lPPssx33wbAHnZX llJKqffe1LA7dPtFmNA9TJwKygZJB0cJzm1t079MmV6nN/rLv9HrtN7M/WzJP5u9a8e/1am8Tp/W +M2SftPIlClTpkzlM521K7+kHOq/p6Qz/oxP/+dTStm2ZOpSWqq0VNJKLdm7jc5f6Zyi/zv/2358 2f7/Nv5TW2f9/37aN/6N3/fG9xv/n/N568f//vjM1eM/5Tq98qNs00r7fs/YzV1v5fhV8nyOz11/ dp0s40sZ/+316JWrtmXHrtx1Uhm78ry3Wn/LXZ9SsnUZu7pP78qxq0eXl122S77TX0r63h27cn7b Vmpnt7UfXb6k1vtOO6uzN/Vn5zmdu06r95zSvdboTaPXasmolXZGrzZ60ztn9Nrq+nJWeuvH6zXe ptTW6bO6/Ob61+nXa6vly3NaZ7nBgKkwVK2y3nmjt7xUzp/x7VsZp3U741P7ck72+Ndl3+j9tt5p 5aXTOb618Oz4tjv+/Z5Vutfqff/lU3utx7fUTo/fTqn0+P4vbfR+SrvjR/96o3//045fPX7ztfxP G58v0/nN/vY/Ttvx3cr4zZb79uO0/j9tnV+91o6zStq0a/t3nFyfo/e8tOus9V4r63SuzXHKGb3n tRyntUTv7nrfzupx/nz7tt29eVIaJ2pOS6O30zi/ShqnrNGb27EXAzijxA5IZ74Wi40yezqZxunS 3q/3TvtTcrukTuvL2TeK+vb9fvruta2V9+209f2yt7Sy1vqzuvu1zsyT7bRuacun/1VK2T5/Tipr rVzpnDytT6fU2/KVlNZZK53Stp3v3rJfPvc/S5e3Z0tLrd96efK3U7ds3116e6WRUr6TdtN7+2u1 9srueS3lSX/aZ7/MzHLSK6d8ZneeV0p5+3Z9e++l89qn86nNeNYp6X2u9S2ltD5LvpTK++xPeUo6 2dL2O9v9f7aVXN3+R5ldvpTe5ion9flRZpNlvfNO6T7vnP5e79P5Pi211n6U2VPrc7Z7pTWr095Z 284p27IzrVL2N+1nn9R2lM3PP60/nVFmbu/l51upX5e1K6101m7bUnKUGe2+PGut9bblvv1t+5ky tewv+dmb8nTa1daowkSZZelcdi1YK6sWDIHS/fnVWmr/6+XJPi/TeZnpvEwttTXKbP6sdc7azJX5 RolduDCR6MZ7MynZ02S88GG5lI8MZH1aRdZafRqZS2t1GQZK2QIlu+HXeQakVi/Qxp00l6frNhrT NNkoUqsPJOJarTjSdZbQUDLTBKvW2sg1o5TGyZ1N50hlZ5W5Rks3eFO/2pZ+nbFWaXb7jfXZXv4o ZzvLK1vaWJ83qA1HplO2nJHWxlql2ZZKnlHOnnzbRurc6s0mk5jKaf+7pN41MssNavPVb6SXVrce mx9rlW7bt20tWbus8ZktmcykrI2JbGTG2GmDiSyZfXqdo7TUOel1WjtSZ6buPmn8SqvPGak/nXPe nkwtdFokjW+lZBklnX+d58uP82tX5uiWTo6SSlnjfMrOlq3H+Za+8qPLO+O01lKmbg== W1mlMkrRpe7ROiayzGzdcm1kZ0tG27+tpK2ML6XcIstsyXh2dOs/afyntpX9pXE+ppWizGyNMrO2 Wjml+7dXeWXTSeXPO21LK2/LW2WV1OttKv0+871XVL/ellVGeV3aOilb73plbetYK6ttqXV6u7aM /pzNppOjtDZOmj3L69e69Sht9u41yoq1stnct6N155/OTKNz5pTda7RuM+pPo72y1mZ633rXyXRe v86tjH7zlJLZpSizPFk2pXJ+X6+X0vdW5s0cKc0opTX2i7L6z0znbZHz7HrZ3ik/2np/TmnppHVa nq2sMlOXIqZ0Uirt329ldz4/re90fr0uLybKaF+PLrn+pNdioqzld3XJf+m11mKtbM7Zd3K0FtNK mbyyXmmbpWUpra1V/qQso+R75Vs562X7sbbmtNdZWvuX3p+xiijtn16vlM/yVuv0+tsb+5lllO/X u96WtuOVbL2/e06O1s7s7/Vop60fK41W8t9r572zfU4aq2ft7dFWW6nleXtOKbl+vX5lZp9rfZp1 nTT2u6XOllnjc61cW9YtGd8qIzdzvZLttd/2Rsn2LVgro3zjZEt2rZXRWotpgj00uDRulFp9IE7b Mi6ZNE3CT3MxTbATJnLpMzK1ZN4c6bRgoow+7dhuEWWWShn/M7deqYwSa2X2vozMWeWP9iVnAMhm ZE1GJjGtlF2WHGX2skaZ3ev0cmVbu1vKKLPqzcySOtfp9UaZzemyJbut7vTeKG2lt6XXlzJK7GI7 vTgU7FMuj/aJpLrOwORp0XitjvOtPt+mKvFGZjWCUK7XpzlOWpiBcr0+KtClfRqha3OxxvfiNl6r 42gBGJmIa5VdCc23haCWkXXhS5NJaDTPTZMO9SxQa3UeGFdeSvqK00Sy8NWxUJ2LtXGnbAs1rgNX Wcbcq7UCs2/zNC+7EsxSq08kOwDl2j7NA13aF2ZXQtO2v+dp+0S+jLNMy+70OWm44lYnLTRg08i2 BN8Gbt8o4w2BlVunHKo2UWrbuI22fRqv+zgPzFnnCgmQAOdlBkgAteLA7aNAoTaUyvlZpbLQ7U8W LUXfYuWpLXxrN63yLcvoNLWBEtw3s9dimri6VbgCu1FGp8FtGS45c2qv+7xtOUMzcnWozbRyvSoo pknFAR2JjY3Up3Wn8NPMS1mrd7vbVi2cas2yqVRvqXzZopJW8pbSKKYJ1hC6Vt0ok1Na0wQDgArs ecABPf3Krh7pbANMk1C1iVpdGHanDbXiGAAqsE2TjYXqOF6dKKZJS7MIN9KnJUjgAH5aggQO/dDq QvCFMoGuBIqLaxmghVpn47yWBjokeDBNwHAjbdxJW31aAtZCLaWFW+uaJqZJ6oBimpgmmEN2MU0w LdQ6t0NwJdqMMNTIfu2ul976LG2N8r7P7p903igx1Ahjla69dLpLKV16U5azXba8kv5taWd/xQzI ZMZCadyGYoCCGmEYAqfRFoYbp41SLo8BEkCgG0EhIAGOC5aSnNdakUBC7qWpto4HajPAc8GwhwtK 8zoEvm7EgjVkC6xPS82V5oXfloBybKzBfqQpF3dCfSDq41DgpVPeGiWzT/u19pXPTp2v08pv+2vX Sb1Ot/0tuy8u2YIL/DgoWEPGrT6XzOu+DoUzr/s6LLELjlt9UheuLYFnAzc4bvUJV6+Uq+OEnza6 ZNhDRsmwDEuVMplJhwvWkKW21Nehtoyws7hk3wXXG6v7QhJqBWobFkoLSdxpBa44LplrpY1wKJhD lnK9LpoL1pBtLc3iki1QMIfMBYDORXHBwI07ICSFn+ZyJjPnGutzdrnITGaX7JI1BVugYAuh67Ux VZlNEsd0wKedVqKNC8HVtzFJaLLOZpRZxyyTFGyBgi2EA1DAtZXOd9mZ7CwkwAKybqQACQxAAcyZ bEs2azZrJjmTnDEFW6BgCxQbs4VLOCKy+jatLSRlnPZ13Ce73MxmlWYz+0yTXbyzkL8/pvSPrBvh 2R8uWdkGZlvo3h8v/cPFCrtOdqFglmzhwmkJLrIYepnk7JItfFvqu8i+TURzaRVcM5Zf5Wfsnc3K Us77c9pYL5Mw0XSs1T3/22W9/9OZOltYNmfT2znjpnJm0qV0DJXZd7f01v/m+5VeztzdMRTz/6yW 3s+4WVZ6v4VJTH5m/7+0zc+Wr80NYhx26W3BOjJ24CtzJqVPzqS0TMJEP9mCedOXUsoqOcoZpcsr valHaWWUL6N02dTdKUdpOUrZkkNFl7JG6VLe6tZasjql9f4bpbt/dHf3eaO7x/uRp3W/Nkque0a2 3KaRn+l0pnHS+vE/8kem3F9aq4yS5XSub9s7XUY5ZZQWnpavvC1Zyo4yPrW0OZc/p6XlvTc+M8tu nrFn7O6fsbu7O/btju38Nna312o9+ruzu7uze0u3HL3bduxuVK3xp+Q4J8fJk6eMc6KkO8fJc86n 3M+9Zfb47vGZOT4zPzPLd3fK0d2ZRmd3Z0r52Z/5eTrPG+d0/kidOlNvttAaKaVMmeXsZhpnnN/+ cX6czR9nz9lsrZxxzuYpZ/vP5kmbPdJmSps6daa0mT86T781zmZ2nu5O43Tm6TNO5+nz43Sezs4W Z+eecjrPn+40TmfLZGa+3NdbdmWXdF6XllI6ec46bV/LtW/t2bZKbr4zSjr7n6mtls6ePfv7+7tn z+7u7m/v7+7u7+7u7v7u7tk9e3b37Nmz5+zZPbtn346zZ3f37NmzZ8+e7czuzuzs7H35+j/1r7c+ ZaaX/rtkW3ne+1faS+WctKV09nv/XrYcdY9ua+zu69XdW1IbqVvcrdM5o1vuLf2XzfFtz+ocv79O 7urNX726uztXly67b2wRij/OOT9ObnJtG6edNs6vbOecNc455+S+cXaVN8455/Q456yVvsdJqc+P c6Jus0/nOGWc/zLOOalbqN/41W3/0+rUPT516vGpU7fUqcen7k/9q0v/6tXpfbfeVnKUeo1fvcav XuPfemv86tQt7Kga3Wultd4anW3b6P/M8Tm+dX4Z/7/jf3elbanPp9Gjv9dq3b5P6u/ubt/iKGbL 0e3bb8nRK3Nu27b9tt/2p0sau7m5vh+7uWulsZtnpbHv09g9Z41dq7xXXr5v37/G76/2xr/3533L nffnvW7jnLP+rG/J6KyX+rXx377lLaXxr/23//H/49t/+2//7b99r/Ht/40fn99S/z1O+5aZ2Xtn nHfev/Hv2/j3LX//n/59Gv/+37//9//+37f8fVk//v2//1Pajy+dfdZnbhq/Tqd/35JZWmn8Of3p jPed3vptX7Jlfsr27+RqbZ2V/9Kfkym9lPa9sjq19d6uc0a/H92js8+P7gGnkAHI0EHYTAoaPh8D 8GAEaoxR0MLKh4QsUKC9Jj5EGx0KdlPAJ5UN10nzfQudkJISGGHJIOFaWDnyOE3Q46CASLSR8QIJ k81GaEYMh8xCZvV9E+z1SUhJkgRRtfBGyOu7TECEHiobCz/hEIK0wsVHU3BAJ1iDh5K53Qf4gREJ KfmhBx8FUfQxsBxMiIBfDFEwCl0hEybYyGS4LIQMhpAPIiElTa0XgoWHgwtbeQ8Dry9TUGCCgUID TSQtDBSELLWQeDigxuNbiLgwKFCCYZIT7FNKqIxaGDEEYSjQKZGIXFgYgBNsQeMCRP6HgVBjMjGc MgY0IQYQcEywhUyEexySggNdQBsdizjkBLOpkwjpdSCyJQUOydlMhD4sJthDxkQKG7YUxYeFAtwc SHLBQ8MxsSIO6OpjqKAYB6wKloQMQIbp8RDJiAP/YX14mANxsEQkekAplo6OTRVJryakZEVBRM0w fDAYSH+RCCMP/C4FBbCLCJFNweLVACJxXFiTB/BjAE6wjBDIR4J0PHwcJIQDivHcj9QYDEQwLECE vD7OZgrJCWaxwT1UOhb+ALs6E/psvAMQq3jRkgMGj0WJLYIPdfAgLehEyAOZYJaNGD7Igyy4MOLo gHwenpOGgUcuHJ8rKIwwlQnm0FLoPiElJycNTm+UfCzY8YFAMtXxno7vhAMKXuIEC6FUHzl6cBeC JfkYgBd085EHOn6CTYsDHAcHtCPqApWPDIQTBSGGvD6vQ1AAEwwKfN8EY2km90NswIJt0TLoiQOy 4ATbCEtAvpCP5RizQzdALjghJRkc2uAPVEAWnGCczUQh/UVWdBZAvhL48H2gqNORkJIcaGIqp5CO V4NsBdjgJxSAMJWXFXl8D+3jG6EZEJW2ALtNZYK1A0aBr6zSRa46/32gqHKRkwhOA2dkjLAiMEQk ic6ArwgXWUIyLgcWNFAsqsjI0LwKJFB8QJmguMMkgqjQkE2GFpKYkIvMtya8AgsexsORDAYLpwLC WGlcQkYsdF8LjUdoDhTSA3abCsNBSEi2JiamYkFVMp2GTARFJbVFyMZjpJLpTBxmSBOanwOdEs+J mxgeAxcREwslXgRIwlFJCgxLulQ8u/GWgrNkScZga89GYRRB4TEAYkylcyE4+BMMY4FTMF1Vw8Ba JcTD0+EkQDikhNbCJlrOPIxkOgc6t2IE4lBABLxEZGwbAx4IkEbIDU3wElmdialkJkJC0gBU+nBG 4rTJ16YxiijxEMm4gNSj8Qhvo4EnGMQnnJCgkMIo4qCjmBG3U9BZKEiREtMhVR0NIuMgxAJdVWcT amT8AcMdMAp8V1Qu0sORTOVSUbnIy4kjU6khE1OZYA3ZlupQW2daCQkOSXPJHDIsNGDTYJbQPHCc JkShNI/UpRVq+0YgDlJqO7VAHCRHdaIO5fKAOEgqkZEBmwaIo6PRAXGQvo2iC18aEEfKpWXhp8k2 10qUcS1McWneldCMhJonsoEmEdcqQVexcasRA57mIvHkTfVtsmUIrkQZyyWBiiHIsVwr1yoEgG6E tHHeKuReFVsCjZS5VlnWubLbqVwSp24C5DTeRDSNO3krFhhPHQlzXIeKp46k28BvS7B98dSRxFNH kmmy0LWKp44E3MAXbyDK9VJJz4AtdK1iC+VyaQx+qe+0uVacakt98hRZLZFPrjYRzYuslohMbRt3 +jyPozzdyG83Ea21knHe2aFeKa+LngEo5sJVeOpIIheCn+d9nrclWH2d7IBTltpcK9XWoWgim+vT XKtTBD0ugt4pFU8dyceh5AEt1OkFxtCl6lSfx6Vi6FJ9nLfiVDH1oTrv41ArDhU9AzjBiAvF8dSR hK5t1VVrhasTqH1bShsBI9iFLlQEPSnyhTH1oSTnocCY+lALHy9lO7SlPm3OLkgSlI/suiYDdPHJ UluodZyRsIstVCu2UB9Hw6hSdfHUkYzEz/NQX/QMCFHRM+ATiZ4BnsZ9W4LIaolskdUS4bZU10p5 XuRCMH5enNfzUpELwXADI+hFzwBwc4Uap4qgxyORo8jXxdSH4oSfzoiSPfTK0zgirlW4Snm4lcYG brTkA7QPRA/QPlD3xq00DtA+EJ3t6lZbq/tGUJ2rq+hOms7VVcxfUbgA0HVWoea1+A== uZXmOrVeIxpbqH2bawMdoApdEttKtQpdW0oi5eo4FNcqBLdOJ3B1nA61U/ehNLziwBeHckls3ErV faNVqGWEru7Dro0AC1hxCHRfZoAEXKlNAAsISR6UDA3W1wEg/DSt7vuwAdanVXybahN5nYbnaZ9G e6sPBW6dGHoZtwVAAQdIIENAAgk6zgAJoFwIbK4sAQs4IMVyiazAreOSyDaSrGNpJNnrhIAGZt3n ZRtKY604T8u6VBauQtAACbRe2RZuJK/TJoAFhJ2XdSPdaXNlDQmyUEvQobTPQyB7JehcCGQvDjyg dYAEsgTZFhIggVaWerE6L2voQi3MtpBklYAFvLpRFj+d0St0ba0Xq0tlXSp7fd3p1YGZARJwESCB FAES4FivbCWABXiZARJwbQm0ENRcWYLs1YEkWRd2Gq6VSGTL4NSnpVxaSOpO5ZLYRLQRo7rOf9rm 67iO01p9GgDYVhynzUAIap9PA4Lb57U6junTGTFLaDaO61CXy0tCI6HJmiU0oLbiNNkqdGmozOBk 3orjMIk1LuQmu1xkpJEnY80DcZDA04sUuroPiIPEIaiJLh0lA7oNiIOURUnxOg2Qe3lbBqedOg6U 2jZuA4YbCGo27qRdQtSqQ8kevgSrUOO2jGnJpL8FQ9fq874tQed1K5HtywzYOK/VoTJvxaE47ZR9 XYjaEli+ynEbx23G89ZKbRZ+QFqvVWqr8KCMgFvF5Cx8eeHrIrsSGq8bZZuI9hJxaaIsy5glNCKu 1Qi4cmkcGXOtXqdxa6jaRCHJ1aE2EvitPgZsKZfEJvV1nNSnhVwSqFVn406aRkfi20KXBLi1NAtO Q3UiVNcJtRC3kSjZwxeSXN0K/DYOjnt9JDQsGWV8prw6DsdtHCZx3MbxkKtDYPV1obbXTtUm4qb9 dR33UW2iLTTAM1euDf63GV+2KBHXCgDbisOqNhEn4tJsKO0z/yJjAwpHRFYZptTqA1VaW1txWrYK XRplCY0BWwiC2eZaceGry75NlUmW0HBbgk2UHRCuOO0VFk6FRzyUjIeScYEgLRFPIAgm7NBFSKQx IabCGg2YSkikQyIgJvxqyEdL16eIDdQljDBdlzDCdDoeDAqj7nh0Oh4MJQkjTJcwclVCQpJ7fTAW dLTwoo9/cCgo0OBwgNHxIQvysPCUMCzslhrZRAkaGl3rYwB6dPwBbT0UqEQOeX0UgwfRSOnBigP4 XQsoBGOjcUmVOrqCAhOGkdkVF6iHysgBw6OgQMhacBOPNDGVCsVlw+Gg4oYzoUFDmojPc6Cj0fE5 0OmoGY3PBJtw5nttFxRfVGRkaEabl3GhmDwOEa0PUqc9hhVzRe2wIiAiOiYkCYe7KjqaSpuu4Ak8 gcBT5KjkBOOcShWOAYTNQGMDVkkDNmBVyQeIozDBukRB1VCioPI6OEocFI5P4sPjdXgdoK5gFRbo FRocmY3SRmkjo+ErrRGHVAJdzEKdbGTcCzAcMu4FGA4ZCgyHDIVHcYDhkCmYbGQ8HDlkJmbJRXhN 8ERr4iJMtBTYAYGCJ1oGBg4IPnFhXQSnIyBISOQ5JAJiEjJhJgyJcCgU8o6Ty0LwKREZaBOs65MH gceDYIK5B4Hn4sPD7kHQ0BE/XqSSsuPR8XioPGgYmGLpUEgYdTwYPgcNA7cSRhOW6fUVQFwYbAcX qZeFNxrY4DOFEiQaNhwkSOuYYCeOC2siRTreYzAQwTAyLTa4h0oEhgU9BiAFBT5etOTAZwEIQYfp wV0IB9SC4GPwsfCsDIQTZWR6HYKCvIwoBQVYHVYHgalME8UoZWoooBoNhgKNlKmhgISAo6HAQEan oYAfKBgKTBZrKRCxMJUCEslIQ0FFyKAUhBgMLmLUkGkNBIfSwBPs+wxGBAXHJdElD9pHlDioKi4d HRlV4/pQsSIuCgkbbzB9LhI8dRh0bDpyVHJGjkpGjorTcYkclSVyVDJSHCLF4TOVSqXPBJIUh4UQ j+Uldj48nQ8PcxRU0uvwOrwOjlJDiYKKoURBdekKC9wuHIYHDQNzWKB3HKCOA7RRYmCBm1xggZvE MGwkIYdDaUhISYWKykX6gknbfMGkbbI1AmFIpNIEI5ViSEhyKjSBQoYaGZ9oTXzJRXCfoFBwZgLs NtEBwREoODPhE634IxIkCxUYDhkJEolQYoKFHUoGdAAxYVcBYkLpIoEwldAEC4mEREIhCDqkGUGH GLBKmx4pbTpk6Shtur/PsjAVDP9sg1Igg8vCvCwoBdqAUGjPskr6VGGgsYGfMB+tpE8eezydBg8C z4Flgnk4Pjy8ydAaOjAVkKUDU/F4ECw8aBj4gYFygnjoMLxMDB+FEabS6SoaOh6U14ei+dAw8GZk XpQ8CEpcrReCVuoAZyFk72YrLhOM1dGwgEQUHNACzAb4KYg+BrGgwEilbAocIQ2gBz8GHQi6lYFw QC3k/ciGCHl9HQvfQijBeMY2cpCQkCJtLCyY6niUaYITDijJQvWRTPIxAA90vAfnbRy0JjBEukDF EhMMClyHNvhvwuCXgHBFHg1kdBoKOBmdhoIPC1MpmGCRZKShQINkpKGg405YCjgsTKXAcycsBQhc YynwIOBoKDBhuCwFImB30K+4BUKHQh70gdaEGu0jNgwhGZeJlnfi6XDapCcjZ8RGKqM1CwoUEJUJ hmEqbZpzAU8iCs5UOkodpY5SpaGCsmngyFGBJ/D0mUCYSHFQyc80wUoILAiF5kywgxEIhT5BKDQn 5CdMZYKVPlPJMsEMlHyUfJR8lHwYODgZaFwy0JhzMWBVyUfJBwhT4eD4+PAwx7tEQVWioJJeB4ij VFkI8TZKGBcTrOPoODqOjmOjVDDSMPBLxLGwwI6j4wBhKi4Sw0aySbmRbBLbSDZJ2Ug2eYDi0BqB WiMQqRRChIQkZ+LA+ZCQ5EywiknbJEYG6S+yNQJhKOhkI+NegOGQqVB4FDzZyGBO4TlsZHyCKWA4 ZCoU3kFlI+NO4YEuZoJdXhOcOUBxUMmJVskHCFOZKLkIvsnw1wRnKhNsokV5BwSfYNgEAsUBwSda DC/vIjg4wR92KJnKBOOUShRUsuMAYSoSIyBIV2hwZFyCJIESglAyEiQLJSBIbzI0CZKFUAQEaY6H Qkp+HUomo+ErJxCmEjKVNj3BMJ5gptKmsQ2TtsmETBiWNgiZMCRSkAkxFYxXqrRpj6aQkiGRBm+W HBwQCr3JsHBcFqaCkXEBArtNhMGGMbxMoBcCCIUOLQvTH5INA4NSow0QRKUbuUywrljw02Uj3GTE BPtMIEzlk2FgMtB4k6ElFIAwDQ4Hq8urTxPsUwEZaBP3wKZLHC4VEJRNg9fQYcAq6UGQ0dlGLgle BwiDWTofHk6gALnX0CklLIRUYDhkLB1OsXmBtAcBpaECQqEVXiaJy8JUPAlxtMkJxoG+hg4PA+bD 4xE5Ktnx+ExYfACBIB7uDLDATTJwbCSbxFojEOYEsboYKEw8GBHFA4JPsE5Jo/BQMpXOhQdvNHAD bzQwBn66ioaJB4MJKSBoPME6HqCLwWA46Gwjl0lnG7lswG5T6ZIIDQNPMI0UxcNMJnNCRpC8hBGG 4WUKyUlCSEiONkAXUwDCVDpgt1mYGgbG4DBYOA2eBkwFo8JJf5ESMqPQnBLoYhT6OyA8YedQmWAa B4YQKTn++i4QDC9LwwhCoRH6s+HxcFBY2IyO/74JplWsLiYhe+AAAyQpAsjA1BHSsfjJAR0VoPhI 7WMATjCQhec8MpSFkelfQlU4SOg5sgikXygowIFE4klC4YBuHDgAyQnm3scA/OgAWcioCAd0glUw yI9kh5DXV0Al8lha+O97lSAuUsFlKy4dHhwHzAQLWfASFfwAM+rgOAAtIwiFNvgyMhYW9BhoGHjh BLG6HCgchIRkxwCj0KnPR+nDUQgvESNQJdN5JRRYrAapkumQJraDjoGJy4bDrI4GRCg0RSM8sWEI adJEW2hAsrXQCBMRI5rv5VVcDCzXGq+CgUJiYGpJxARbqABBWtScUUhIkiCELsZb4BTMS0cBpABs mTTfd2ltMC4kNg3xfZFCwYhwDBPE92UsCigcKQwDEwMJEoUREKnaLgzCj0Vp+9QGA4guaROMo8Tk wQAyAukwsNiNZelKWhZ9Ab1FUqp4TCDJSIaFZcEXIEg+mooPDcoxNYQ2qw/BAMMmwkABDgelAMbj oW1MsAQqMgAtCFLUAOKRoSzwAQtbsXBUh5GKgsIAVHhhIixM9DUrFRGIpDAAK+DBhATFQyhhABYk SNQDGLZhOEMgF/VzOVVw0QnmjYQMwAojfCp1BZ+nqCSUKHRFDjplaGYEAgAAAEMTACBgJBSPCOWC 2SxX9RSABlpcPmpSRDgUSOShSI4DIYqDOAiCjEIGGYWQUaZoxgIZUK7ZyRKnUWWFWvphO8/UnvlY SumVgvoR3rV1Cvd+FfwayMgxutbKPNz40Jd8X0shDLIwKN207+KwD2FPNHq6xGm3zwmlI/yglBE9 /sTRjAMlJZs/wsrWPk6UnhzBlowfIjTijCMhiV/nhYftDBBvXeJpU7s9NfWbxeQmVyaHrRE7Hc61 Z/uqVLNrY6ADQQxWx3axTsazFhiklrBItF1tlP1dIosOjsK/FQYPs1i1YQ75yel26rpQe0g5heXH jaJ3MxdSSTr7ZDA8lswOW9L4PJfVU8O0GpcjOn6PywrRL91F45lGpABUQXnF95gN0NuDX6qBGPFv TerfYPFXGiG9NDf5PiZMfM1RwrCpQ8aUHt65oNP+HxbjZsk0Ud8yAhMWFqO5iYgXP7e80IJ/FfQ1 /Tuu0op5IzLEvwvVv4dlK13i+f91rgL/nrWfTePI1/vNTaQNHFBXA2U+cXLGDoJlr/6FsMVu5Kce 49/yd1JSH/C/78XWYECCd2gOOimTkIT31Cy7okYKNjdRJufVo7pIMiQWT3Lxpf71emWQ8qP5hURg cv8buQ2xF6IW/lXTxiWgBu5Z3qAZ//q+hLb174suVmJ6qeBfUUJl7mV/FJoM/w7syy+t/p1QqZ9B /Bvo6TBpML3K0Ff8S1mX4A69KDn9C+rPJqdLODiZWunfSdziFcO/G+rRp97rm/gAFv71WhbJhOUX YBCrXUFixe2eCfsWcSDboiJg+E9PhcyNaqJcC2uY/TITiaesfVzb6jeQp7z3J58r7HdVIE9igZoL n1K+/sK7IoGV87PDzyA0P+uK8+02AapNvzSBR9tuhWNMfusFuvRlx6X4sgGn51AexszxKUCxFUNh +I0ACoSyBYudbg1WiyoWv2yhQFAjuZZ2gGYuH/RYBB/mbn6nhPaO+VJxDkzHKipIFtvAio+Lkto6 NbYa2xydgasXsQ/nz6/IJdmrjvvTsLaqG3zC4qu9rGetxXFuzvV2ChxG/v48xZ4xv1wlzB3iRmsT UxwXCWojBgsqevJdSp0i0KPlCB0t1hiYVPVK6tDruw3QehIcpZNOvq/zzQIPQTtZcA== uD4/ze2Rn46B7Vm9uSr5p67sCL0K3CTOU2fSLGea/GnDfHq4aJU/7DW/JVXuIfU6JpYWaTcgZkbC AmwJx5h+OHQPXXshFAMQfGW3OThGFFgl8VcCIhrSWJhFSQ8NBru3xnFF4/XgGuDIT4DWwvWEO6oR GdrXuYmltgebJCiJ0hNrG3oHeg4UWJiLyXlwtHYgdsCiuVYpyTCvtaj6UW84VOmhXrncUz3fQ23F 6NxMukC9OjgUYB6iLvWDoN5NzwsOUu+8ch/ofqyBcahX3pkmHlcNUaBehgVGLkTeEqk3z5WMhalG yjE6Pez0zTuUbHIA9TbxQvZEMEEtoU+59hwHG1grBnxd9jA1CTYSP0Vb8xoHna0EGG/WaVvABhvP xUSu+0NycEXF5ZpiD+04QoSL1+2I776sD/uEgvBrGT5qhfB9yEdB4rhl69jQOYscB9NkyoyDCoCr 9djjM8NWR3UkhDyVHDSWAd9HxARhC0XsXwd1WJB4DhZKENbYK7d9mNhxr8K/N/Ib6nSroBQ358uo vB54XgawnnxlxS4XutQdZsT8RLEJcY4OkcMTMZxxYig2OcqCKI+3u+JQUtiF6bYCYIiptgev+O8U GamBWPcVu9xX6E0JoYKxet/VjIu+suvk3qKdjuVSgy8Kg1cw8SGJ86N7yCuUXMWmfuCzgghABKZB fddtwbDmSZNMCiBs1hfebOVsq+ijwlR5dx72YV8azjZHidYidSJkF9evHpqA/Bcu4b4AwKMwcP5q 4JXFPYTSXPeY/9w52IHbWunVm8ozU0umc8taisWrV4MB2fR/rqrq5dqYzgXgc0t3xfrZqleE+UNl XL2NF3+p6j3ATR8EcSIrIWqX4V6uN8GQJxLkEtruqnon0wqPEtNc1XtoqPfNq/c70pGu30+sUjGp ev3DEK/ePs5wG6Tq5a2jrQ4Ezhf/yareBFVyO/UShPiIVr3rZqOynmH0dU+NP440YN+gO5oGaaMu owF47a3/0OHTUuJbhpQrQpRY5Bi1yT9CShgDk3Os3vnutlTsLdFoQVwqKvcWGW0RUr0TthxqjY+v emu8sl7bZ6MCPWyE6lOT+G0bi3gWAexXYtlugArCKRkSNJJbsxXrcoZ/QYac9HUpJ0r5Zq4sppkY RHVMmICHxJr5+Nm7O6g8lG5S/oXdr4dUxxp0OCXER0n4zv4ouBMNcNiKUjR0zg5vGQxA+PJ1n8AV imdlumDJR0ICn3EgJnQ8Nmu1vKSViVzOQ5GRoBQrJKGz8IdLQq0I04PLd9IyrJig5CO4MQZF3dTF YpxECEf7YNu+K86PVv1KkC85eSI1V3hnoa0Nr1m859nF651uzqAzo9unT/5J5fxLjDPv6OwYSCyG pOM9xbvlDubtu/ufupy5PHHUdAKOGZPQ1nme2m2jf5aRBfCXxtQJ6DEoRP1PMf27W/tHswm3xJTP sCwWNkTeiZ2xEu/Kmc2SwNUX98YOOzdf3dVz/dMWe3dh2gJSE+U93r3OfFiBgsPjmJ80vbR+D827 K7EouUUtM5UHVtbt1fbAfCwtfmmJx259d1sl+jcOkIHEu2YvC3IdeQNKeEL9lQI3ZPTdZSwj3cty cp3vbl/dplUPw2TZB1PBz/UpbRlkdlqycLPnIKhvHDlwu+a/R0JI0V1xvG6omldMLAa8XgEeeBAP d0txodjCifFgDGsCQvN4yjLf4Kc3i0NxVm9NiV5cY4RXnS2jXy0/c00NHu+n+Sp1obeS8cFPOWGV BUPU2eeYSs3VmM+EkfSt90lrpbZXb86DSO+qRZu5ROCz1IYh995eztjumGQrNqAbP99Mo2O4xisv NJw8TVZRtLet0aD1zEZ9szelVTjFQq5EdRsFoWPgzprOhCJLf22lIQsSRS93kPj6Bm66rHlt/r1A gXQtUZz8OWhPthFSl49i9bRob7qCDTxA7xAAzsY8J9oWv1eGTOp1Z54cA4dLTb3uHiYlFx9l3BKI qOQI5SrZJ/VS13jhEknzRK5RtHTSztR5Q0xZa3MGsGD4zepHnOxTJcYrLFHZbAOYLzkca71JI7aS S+YvcQshU1J58w+biXQDf5vwGCM7Fn68DahTj/S6Mz1Aad1diWR+9wcYizJBackPeOC9WLB6fMI1 Zu2cWlB67wup4dV/TvZSq/ygONtIV7z3ibs6TF6Q54vPmSVgurZ+mwarJW27V/BCtc7PWSA0JhOi 5ZNECdidt6uuuaeQJntQa0hrrg8y+wErIfVrBasLR0NgLRC++tcU/OVnX4CR+g/i7BoQOTRpbozh 4KAiwfBM6Emn2zHOnKMAZqMoGU9axngcY2yNMzXLCd1c2EvGq6xKaLR/SyB1NwMtxzSHEIgP1SQh J3C41fyya8i+44AjyiGHdH0AeIhY+w7HZAMT2GiNPatTK4uFfceyL0RUCmfp8aW+SpsrbQ2lw7yV Xbv3sWZQkQLIWqZJERHLpriWHd2kwc8sADeKLsC1RJ8cXW9sn8RHn4NDUDi6TSXURqLK+dhjQWfz ZMHB0ZV0F1eLjloc3cvgGp3ykdwTG+ki8mwNyVHmHOp7V3TvWWV6Zj48ureXNscW7Oiqpo6VsKMi 2JpVdAPXo7vvdJsF1RGxVVtCYI4JXVXVIz399SpxBp1viF+1d0W853ycy06yMFaX9sQgfaOTo1nS hEy+BhZ3gLfQp/IiSEFLv17xepcqIEA9x3LIjH8ixyri9CezimG8TBGIC1QGFDuOPIQl1zJC3D+I YmeBm9MwyyIWQJjxhiv++Lf1kXl1zNHVfAyHwuq825BydIqJy2DBBxDGvZEOMREcSQODLW+tEUxN 8kRgC5kMTjLkbSMWP5+9YomqniDxwI1AxeQ/iQLarAKVbpN9KSGi5vyS37yUKqru24T1RFSSHund kVkvVH+HVEs/148lFYvey+oIPyABlJSYgWEhthnGFpyTDoKHWR4F+RQ5IndMiq0ad/MgBH0PBCT9 Sj0B7f/7MVGFrCLE4PRY+cs7DLNhQn5DpdJU7uqO3FDpRGSE4HzGy7AmLGybAM8DX37LMe152jL+ EpWXEFWO8F+qHs0fvwecR1tqUQnYG2ew14rEHVygXdJxNehHoKprfFIjFbUKT53bj4kw+hFs5JX3 3ikyBDA/O3N+IDbsqgGcMFeMVKYbo26Iv/ulqzYyXWzBhZi6rhnqy5il+uvUlMZAg+kmB49tSufx YaIr041eSqSMGyjdHCxMd2oTxRrywUyXRSTUU+XcVLo9iJhuNm/Mx4Av76hhYbp3CKhY+OTkMaeI 6TZ9Jmpd56egwjKPGVJImE3UtHfwUKaQWHgUD0pl6K3f/5j+QMK3MhoeXOP3a/MzYcmLyJ/wLmHA A8pr/3wVIVbGW+lDSUt7whWtmhqsewyna2iJBJUhSV1ZMXqlxtMgqrz5NWahazvPjFSGHwJs1uPf 1t3OuHEFVJJsojIUiS9JUOHMYsRgpJYX4NnKYk12IuhCxGIWLT1jr3y8Jc/IYk8YzvwTTtzNTL8B Sa2uL1ZK1n5VMfbgSZtTirjSly8e2dvfHl4HChhMZltYM2bOMQH1TEc85C2h6IaHVUVTn3Qj2xPi ZSNJykOTd9Jf0rVB6RfnsN707iDFsb7kwicdLX3izDcFmHOI8Zwh1+gSEY8nRDfirQM5Qta4pcYU quPOmA6UW3XU9dwyYEKsX8O6ZRNZVQbD/SdKSZBjQpE/y6paA2360aWSETcrxtlw6S9MQHzOQqPE xLMOcozgSQCRe0VUux0NETvD1PTgK1zoWVI+ULqaE2rZW5kEyEUBZGu+V36yKMvMAmocNetl9TuV 5eui+uyMuiurVF+DrSOozsKgWag/qcXXApyQPQIJj4uGokoBJc8AZz4uPvYnHvP2CpriT/PpF/Rj BeFGuFiWt9LVD8RnRgxmgum8sSX9GKZBwApU5SQMXO2xvobFegm0qGNqiS311RPUSwdIHG/MkM7m TYEnY6G38NyJspDJXL+l00H2oYuzD0a5msudlElVSrkrVv/377p9rMtGDFbNxIjQGXIldX4L9jjf Ie2ekaiMxytFOyzoW2P4NBONKbM0bnh/+S4TqeIVIOoFSZsYM2wZHnOoYyHgsJk6aDbzB61p5JrZ TTtejtkNmGrUfzyjLtoHu9Bn6wITYKXrJ75TJldVLRku54FxF7stPDMBFkeCqeQbKW4hsrcbGd4r 2CloAT7z8UUdVm+M28y53UxOY5y1hgRhO1wOs6ku0PysdiQOLRXLaNJd3waqIPdOmT6hNTWJLvUK oNdM2sr54YuQebeiqoC8xdmbd3GtzoKVBXkk9jOv48J9FVm4rj8jDjNbfXtMR7QLy5MTCag/VqQl 97/T+7hE7EsQPx6FiK7J0uhGOpcp7RgH2e12c7uzYXHft5uKiHN95ehKdj9FAQsoYVn4NRHBGNee San0SGS43w2kALFfislkZ0Ga5GmUMozEzFLzVNfITK5mwjYK65C5GykeVmBWszk6otont/JZ+H/v M5NiVF9T3w5Q3AeDsR5lAKsJjyn+qnbYmly3pOfNYJUzaYwf6jTehwoB1AzndWErkhgEPUz/1dmC N8Cui9sFqx9oWgWK29innKL8plh7QrN22X3RGJSonLdYDkjxIz2t4HMLBIp4YQWYaPvg3T+WiBQ6 E23A+pnKG3CN0Q/Mfw4bTZnLRBZQecyL8pty8OA8meLWeB4gaGiSS2ocfapZtSB6MALJvvlhryHd MfS/MPZGUbtRWuKWGolQ+QTEXUSupqIiRlxhBCHqJrcXgDjMK+TEfW02hzp+r1y59wK9ojS3AcbJ /A3ysTXFfOGfOpNJ6g2G92nfvN9bN8kIAQrv9ckNebzvKonDBtyuX/Q5gUSymbIH1LVYNsMRY7W0 0jKP9vAmpnvgGI+IDcvte/BwtSMFlN8Rx87/eVi1bRFffrpzxHANwWV/HwPh+CLJyZL88EXzCBUj rp1N21UElAQDb8fjI+Q3+ZfJJypwh/FN3RK7WplmHgZOAk7EpJfcsYcLIkuMA0fsiAM/Q2bzmeUE LLMSM4zr8A+YymTq5iOzBP3ZaILYTbN6p/fkZQhjygBgEFoDGLKKyFJruTNxGRYMtAlst+FmLwpd BPgpUrgD4mU2ykAISNx4pFpW8ZTpGbSwnjti/teeYSIOqfQivh27O+GZSrcYnoo+oJ8+7hoWCi4V tT488pm7gTK8zkO8JxvZJl/ObGtz4Xmib/f6djXNVhNZaxcBmQb4SD3tRDUT/58BWI2IBIfIGL/V 0CTPq1k2BFPKX4jQ+EtjFW5WD6kdK3CBJl+DjUU/fDUwPRfCcujGhBGgXQ21vgPxcQEw96YBHp3m ICFFwyO/+QyLcMv/5BShgQBDckR710Igv5zsvkKampUna5zIQBrC4BY4wgVlCU6/Cp5Qe4uo+6lH UtG6FfETw6ElSIOL6IXdwZOR5d96epXRQJQ8kFSivQ9afMfaNHGrJCMqmszLxjqzyQ== FE8DMmhiOitBd/1dxHgl+inJ+kfNM4oK45OTwj/QvRIUYW99ccjbgFixMdX+jaU1k6Fvz6LLbrkQ een7K5wAIsSs4n1oOSF8n6sHby+HrVO/+caX+p1t5rwE0rqcpJ0/LqFgz4ydadwKk1JhXGRY00yx zzAzCpWgwT8RyBIZnjCWoZzZnnrJSiBKCv0AqAUuoUeqd5p5G3hvu6DqtZH95Aun3+3AIW8F7kzW NhB+7EfP0lnumoS/Bp9DvLvVyj8UclB7c5rznDiYuLnV7IMZ4W3x0MELPMwyHW4asWye9W54hI1F /J48AXpucsA8geT6ZR6EklAdRL4/ebeHeFza/GmYOjNDLp7sZ/6slf4FMqoqTCtYtIjPy5euQgop n7JBhXrsvcx1YkhZIT0ES+ueZ1/oGCtXgSxPMeKZbhk2jNHcTuXnj10PPU2y13TWvDPifxFksEDY /uFCwKQPKPHCPY6S8zWiUF8kcOD1W4KdtQdsZAI6eP5nH405eKn/jayyx4RLZ1bUPPYxgBiszAgY Q07cRZ7n67FVCD7jlwJDF0sDvAeceQMR4+cC6NBxNu/BXXYZGivBRRVwIsh1D/IUhTR0UiBvk2Fx Alulsmp9LCtxnd33WMP3T2g1G3dLMj+38mttAZebCCaqceFLfSQ63K/YwVIL8WU9YK+nyYogsm4I xutrLAgZBRBN7t2lyyldIw1eVvRR1GWWITgrEdMFPtsekGOmtA0huWEQZ2rCcHZvS05MjsVYGb2f cNS57XBIIJ/uNtDIOuj315c6WBh5+POQGJDGOnUK/moLGxSR1rk5MUJ+UgrXcQNJR1rnIu1/tzJt 070aOWwTVJsos0F+GDUgMs8fsFit61Ot6NnH+JhlYrorS+tyEw0bQ7lO+dehuuWCR5Ya8/1pO6NO b1KF56v2Vb6IbJ4EG9cye0HvZ2SgIPcJFe23HJamS2nOPmD9lHQUHgdFXYAnO7dGNI6A34c2B1ci /s2ozAgINI5lHDVRcWRZ6hExmpwykdKeQqOXqoISrZODpjXlb4AnsfHydW4tTHuSChZDiuZCMn92 7HkkEaHB+pmvlfSp7PGPvUOLfBCAH3QDuQ/I31yjJ60fnxQVRu2/1G05tKIPZe5hDRQf7qJqPFva uyDw8niCLvwpYwmvNZgkruKsn+Fsx06Ru+FTPLiML82HeRyUOdYYCuXn6oPq+TX3KmtXwsOrazHX y90sZEx8kiGi31Ia5xpdyNHXfWzUFPlWxK1VFYLakrVcXEaAJXTOyKpXDrKCqL+wg9hlzWAl1B5e ehxJ4zJyRUUp8IFHkxFDUXFNmSCkhAsIrugD2V8yi5/H9X50uOT8wJwl3kKG9FvHL9EW624Mb4BV YWDTtj0xmhjKM7gBcFL4PhE4aj+VPe/TLtKbegRFXgY1/ERSSyi4smw/o2RAF0Xqw9s5zlyOr3p/ Tww01tR3/BzpycAR8Rr3lf37BTRjrTuf+4FFXvn3EbtxQnf4EZf5GFr4CTquptYZtNfd8Cr/W3yh 6n2AvzZeUi3gr8C+MwACYr6vEVimNKbGaSA3wKSJZiJ9OEQcpvSzO+wkj2GYDOXiA3JCg6mhAtNj iUR4rsBxEWjRjCQy4Abi3QZ7rxhNzrECM7PV4GDgyg40UeYHViYezM7yb+jfu4EpKX3n/roJHuZq ZTAlhp1SYbhQ7SUw1e/o9y3OrzGD+d9wCXKd146fnwYdvGntovjFMbs3d/rpP8w5qdlLwTSsFcdE 2verBRTcYTa3af0S1HhV3jyZJ47u/4V+BVkKt2s6PQiwPpiTgNxyyh5DgnroZCgmfjpwv/4SJmy3 8KhiAAxNJiZlTMbrJ8qvGfSt9+8hmy1RE/j6mBo6EkdUwFqkoXe1WQami2q818xoaaYPebaH2TLC w50BBORdVzoncnNC49r8X0HobE3xBkUcR2nrJqM5wt4uUJyIjze72x2D8Q1+jejJxOiV7ieJE2KM PUAjUj4S0msFQS/lOvufgRVWGWleLC2AvvjKscg1NT+hynj3NVn0aNUM/IZrlmbuQ8EfkZTritGT DbYj3WZdioqAr1Z0TZIaFoyu0wo4GP/A4GTzZPIFYPt5lrmfacdF2OiO4iKhkQBtXUZXchJGftNt fUZPndKqqcJUpCXigAXURV4/TCf7CNJSVYsAiVM8JN9drsS8eduYFGRMrj5r6Dwaa+hqm/dsHy1m 3yyCPYkRGhRXhB7CGcMJrA/ly6UUwyFqgHG1EZ10pBMhbbn1UOk/W/O4TWdLCQXUH0md1mTro7MC e7CRDuAvYIDYCScB9EckyMOkk1PmRjACvUmoIyWFr28jytx05JG4Y7zQwgTQRagyFCa1NDRYhmLb hKiFrXe39nOEeu9y4q+2Q181liuCWdhFgO3Vpl92sMbmUcNBrm8a2S98E4g3WC+JxH5AWuk5XCVq sxP+irUp7hNuZxf9YosVZfHmA5aBy5NSPjsTf8tBN9aDsDpjNOit9Iac2eaqSRRmrFE4aNLimQiF V4lvoUNufPAVcRdW44UQBPRNCWku9USU2T2UcRskTusRVAVvj5Tg61Dw4m86QDNiKTmvVBo//uXx 6XBcQenk9qu+BYkmlUXiEggkKB44U3RQkQYjH5DflP1EW7nEiyS0ghZUbfVJbg1dMEhbAP/IhfJn 7grxsgNsUo6CfNAEGrhOZYYoUUQBUiQ9SmIhH3meCNnwLw6OjATX10futDdMQ6i2A4zdnrJRJAK2 01+Sc4rgPgv6cDpXw5e5039R5sbNZTBitV4vZA9GcIwUJ9tackYO9pWENaH3h39VJfcny2TtOERA uulSHAddjuaS0ZTVzhrQ73wi4272yDP5EmTGMV4fA53VzHVsLhb3yjFCzB3aUgWycTgwSm3icUfe y7SKg9ue9knWKRC6f5MD7Pyqz29x/VlsgFyX81R6brwEsJsOMNfCIteUZDEUZqkZScJQ99lhXxnX hmNADJLrBPbyRUvedE7HKIIs6FKpGj+gtayy7DHzcaogxicCW8BKJ1aiWGiLZ08IthUyHIhs+TZ8 BDqVniNw5RY/zWG/KD0YLOi3BH264nu+JeFpFBdiSuIMLJ1SZDWZyTK6ourLAbnToWteNldeOrVX IUcXOM95eBicDgpWpijrXAx7ggruFsNtFckNTENAzFKUmtvGJA1juEdLUmAW2CYiXEVT1HWyM1Uu 27fTxMdvBdpYAG2pS4ajUflQXS1XSjQCAd8jxsqcOCxciQomHQCTC930DngivkQQ1DiVuUda52Nn ZizieyWbYlecAWBjZ3Csbz0hwzoH3eMjfHrXe0qcjI3+LLRC8XPpHZ53IaMO8rFBySJsDxnCgiqi d9CAiIK2PUhem/YoMnE7zIgCTgn5z8r1jE2D3jrVX0ZFKp0eZ5Gr1iCe7qn2R2XfgPCOKEsg2X91 9k0/o5XjftXyqKWOmJ2TeRNqoEzlK3kGXtRPbw+elNJGyFevZQ9FcSOnpbSOqJE4itWGZ2MBLWsq yfQK0rww/HKX/3cN441NyYXcdSfh1sH9yV6XyPEIWthN3hoTRcOEzqoiZQ7kNLzMTXvmYGmk8izN pxg7XQN5NFTGUG0XwjsswSN9YN12WeY46RCoPJc2fMQla8UhKHTrlIX1yr+UNVdpVsOO96fh5oI/ fB91vihXTk+7uY0xpWrHmWtEP+VSR9VnSEiuDMWOE0QdHOklklL1+2YgNefloNclZOicEdGn8zDs 4R975IrwC45Wis8Jj9RBOSduY3sLm6VhEa97rIuvaokIRacQv0qhEEXE+e2WTmRiZeGghxEE3mW0 805HtqfVAsiVy3qPQkfsP63uhVcTZOz+h5v435r+M50UPRI6yd9nCTo1doPqHcriwiZBESqYw/OD KgvbJ6YXCdJV66uM/h+HnlAEGNIG0A3AwYhFICZSkTfARr4/9Yw2NeVs+jH1R4XFhKSDUEt4ssia BJA3/gaVztdTXtJC6Z5GREJbfkoejZ1NhaBfISTQZiGaAV8L2YPuXAgEtN8vdG8EvI1cqndi/WiH HdKQUNIdvYSkUfvKJCMbkdJDc0D1c0iEekNLXD/gXVUDUYxIu3B0cK2PU1Q31OPM6nJd2QkrmDOR roqatIEe+HZj32xdkzqJoBYe1KGBbXmjHBJHU9POY8NcQQPzuYPvpWo1Qvgs0/GJlyuDVZUtl58E FahnKFLFaWr0CFFY2dgE/7HT0TB12t5K1WMvNjmFY7+1nwJogozP4D6MsLPoQvtDfbAD1yYRYmgi Ozo8L3j3YVa0KKN3wAklMYG3LTrjB/Z5j1LFbqjvekz3v87XMDGgIpMsRL6u4o0CirdQjXOMsJrP zMs0VoB72kap4R+2sxhwpnag47U//Bt0DQESzcQDDA7iOgZsiJ2BiZopDQNK32PG1GsG6RbEg19F hoYpKDVHaPZc5f39njCjZxlpzJGtNBWHFbVhMT3WVYRmkyhERPP1VZ1BVIdYFvFtRiQOa8m+xPmL cqYHG80rQl0MgSqx6IVDKTzCSW6SU5p8UQNKsYYpZYSgkc7DRS8ds5tzwkUUmVLk23cP7lp/YHzx 89oqG0f/+KbXhs0gNt31i2mQ0+bDfKRg1X2Qlw72oJYzYPngmJnFM28GFK4bY2+U/7VgVL2vMExl RocaqoXy4Ynxl85mPl9rcNIH6dMSWtMkT70pZPSmhdA9BHkEYA1SALB6RnE11OZWu/T7FzYDuUIL 2w3OMpYAVG0muXiD5YkTOJzPRBrXVJor9IRvtfW7swg7F/yeCVYnR532Hs1DYcIGbAlyUQWAcKd4 RvX0dPgdcy/KjnegLPL2w5FxjvXnwAMGKQAYvLgagjQKQfPTMMt3eMYtGTOKSs/qgSiu+MwfAOKb NB/x4kR5c2U7gfh1e0Ufz+C4tCokjdH8WqiSpw1zU4mWJugBMUH2zpUkQvJJdOW0x9Ikms6K8Ch4 cW87d/jWXwIB4wSo4jNI7Wa1ZIVEBOFkXqj8GWIe6kxZK9h58JFpak+F244pRo0BXyHV7y3M1g27 IoeC73Hkf1Vr7X4K4bPtKlDDYRtZ9RW8v7AbFRYjUv/+TrtgJ3iVQw9AkNe+Z6zKaXHOZ/H/1z6D dYssTGqhhwZsquZHIHow67yndn77/HyXgzZfvD6iLO153BHfkDJydXuivYqdNBP4yFiYV/jj+mJ5 0ZXXcIERFQgMnFCESWmIYsMUd4aMjp6coTKrTyI2KqLiDYJDHy+xVmlriRVRSgIKDRhVDCvvSv76 WOKpv4ifhqu+g7xVqu7rE+dNi150BeGxA/xfr7OIeYK3RCrKtQngPZMBC687ZpJKIgL+rIZYFxwf 9kpP7TjC28Qamvk6VG0vTnK96Veib8cbRCa8tGnJMnsEwm7y4QRV+hBj+o/Bg4WhI7I+un/LQEEZ HZh6kySUzGJ2b5gMfZsI/TxIs3NRMF6r/LFdJ4dFz33F0EFHJSmZKULQK1kOvCBjzw== Qn2zOir+rfChgiX4Gxm6hfNIVhakUgFDJf4y1Z6ArfEXeNXflTJnTRF0rC26XXcUy4ptYaGisS/p mh2tZZeeBmtBojPjFpelxU7CTltQ65n9na4r+i8915Sw3fwB6dMBhHoPJ6An7C9A0pLJxWmSmGUl 09IIzfO5KFw/G87rv78Xk1nUW3IKD0fnkdwRl448CXbSZpGGwy2wM1kn11L6FFWYI+sEBk9J2bEh aRISZt8dyZIDjAiZ7vfeUHhPerFqzecSrdWd9LZ+OLfwHRgPV1G2Fe3pJR7mU80bzsg7nCmChrNy pzsQ5G5RhW6UxloSvlZeuCOxLByj9xhgL8eRf4lFNp9CklhUEKMLs0BjQTZyFaGfu2yAV8jN1zHk EXHzEN81l962NL3LiJg9mJEz4vVQ77dRoMGMFWQGUqj6w0ex3HYTeFwOO2d0lL16C8EHtS2F3LxM KybIheb8V7Us2XccYNybB8MG6W0oh4OE47xFIqx6qEe/WEULlDEI2q/yYScekRie1mivaSvrNm2Z LOkeboKiMDs42nFfkdBXdCwdtYzQxGZ7jIYJECXh44J63u7ROVi5cckWTWhyC82CdbEqzaxVHjTU dv0Q0+7piAHAIKO8zb3JFLOna6VttfRkskHibpYYnHhEq7NHJCPq1cmx6zzrlI9lDCRk99S6zqdL 59YIRb7RJ17Uh2eyKUN66MBusrw5GyhyY16x+57RSuciPHnOWEDECV4KOLCoLdS1hkbFwOXbIz8p /kFGoqhRbp0uD8Yjs8YzV5GCq/8YIBVATDWbtNc1yqEyU7mxB+9Z63Mu6nsuLN0WXGwKmvM+Pl+r ZyGQzykRVPSO9c37MM2hJ4y5bniYXFTmFw8PURNZ6ZDyPxn0kpsQG1hYzwxvZdg743pmdDvjHhin 9ybrwoOCnBifjpXYeZAdEizf/h9qegro1wYYfIijn59bQP65BWqRhqMuVdQshCdjGzBHbRaSrjFm u0JZYkyrJYrfH8v5jsh8y8bOMt9sXyENy+/AyQ5PmbFTPVhmu4OKTpMCJNVtvuuWyq+3yuLRsHZZ jP86HgvmGnS48UbHgqnb05A1YUqMyquePPsTtORfD7FyvojYgnd5EiiIoa3gYe7Gwfpj4Z1xHuYz gqxHAZmgmGH2aksx/pVg2rcEscRwUCH8YxUaXQAi69//KUwfXGTn5HT9dGLkHM0+LQXwGm+XoPsA 2Wqv8eLJDTD9oLN0eiduLkgU5So2RJayBQPbodacrr5izA8E7uGRCmbLqnju8DV5IiskYNp6nmI5 bmjMXMNVOHAn87e1557mUFD6GbKtzPHiKye7m5fLnDEyPzzSWnhGUtIto6BLmFbgKqCpQOr4o68O ZomLtdr7X6px47kL+DcPSrFVaJCCo66sVQOaYestxHbmoUQ8wR3aF76uSRXH4vAGsxsZL/SYmuBg q7YIHRo2xorZcqeVfvD5YYbcnBsnjqBLA9FgdAPiMCs9/DAuZxBsHbpzHuVL7j825INCgA6e1JKM IJn9xapMQAKEhP0Y7s7xoGMOmq1ZxqYKJttVCIdvcewA+XK3tvpvaEp4bFeU+lgY4eei6Nt7EOBV xacCxIk7WnV8Mrza0YWG3I3gFc/w9Ib9Z84YGSUBUbex8BLA6TTJr0xx9z2MpDW7yeF62AiuBVzP BVK1MhCSF0/cWGaXmUMKwtmIK8wkJD8j9CfAEpJGwawMeQ9vB4hhi0jiE0ZmakBHaLV5xsCMTizk ahl0sBx3J0GIajACC08dP0XAW6zfWqvDmJmP8csS5ArfQrok6UHLNaeDEAh9ws8k/PmYYYvX81KL 72IDH8LxV1yQXCbtD0FMae5ynBfwjeWf59lpgwW9nzjPkRQKXk3TPlXOswQ14TWC4rtHEwYwP9l4 +3QdHCMzajD+a9X8FeTiTx9UVrMP10E2Mzn2x6iWsSwviWeK00VohwMzNY4/DvPnmkqo7Utm8pr0 4shUPgrJ2JCkeWD26FWC75NtCEBP8M3BeULpBZLvo6PhxcNNOR9iOUruhV56+hq/Dfb0AIso5Edb PMNdni2G05Hn/bwJvPlBPjZaA7RVm7+Ybw+bmGHV99jBy1PigeLg2uJh82afPnuX/31vz0wMOBzh ubS0kfkj+IIfYm6Wi7ueun/lfAF84SqG+HdBkAcATivDkI3U2dZ/QE++y7AbIGQYsRpnkhVvQaKN t9GOJoCIIpx7bK23XQgl/tG9zdLIQm9lpqU0fXzyFS4D0qDlIQubJEpO2yBHbyjVRqM0uEitDzGV 5YuikdAGb5kJt9EeGTrlJQl0yxxp2HyMRiPu6VP8RtOL1UK2YDeh+iOopsaLAZZlDJVtzY7WJSF+ 7tyQr2djXvsAvhlCa0/UQRmkGn2Ewymhct6Gj0y9b0sCye0xyEvBgPdsVwNqxv6GPumyhc0smSwg NxXChBQ5Ca61HcKJrkSyvjoA+UvfpYAFlyjhcwbvqAt32Zsz6oI2NGxqT4feXIEi9v8rRguoVq0t lnU01q+rYo6aAYSCBFBY18NnaJBBuCTEqpYRRJFfsYpV+93ALoNKJv5COaDgNS63yopqeTWkraKZ o/J+wI0E/2BCu9erxpJadsgFqzRCrowkcuhmEmEL5+EpvnAKnUZ9PjnyadV4ZMoMiHWrhpE7r6eA iyWBN5tLl75d8wKdrqvXPb5+/KOLwW9Sn2ChCHmJ1WT7KXTpNPpinwE72hk6BiLDifKVmh598n2T m0zq6Vo3Krpw47neuZmyP7g6vcifR5NXHf1vXFCGtRMU09EEHmjyBJtRJJFYdUhTrFN40dkFqYT3 xVc9WQmIwRFH3sp4XpcqxB8OT5dosNK7ZQtSdnUYYMyxgjCzMugUbz1aS9MhFl5IWGqAK4f1AyWD WjJTNyu/TthjWsqeHZTq9qtbie98UEy509QDpKovwhgclOA7lNItqSKHvfsYfVV3mA8QhXDX/CtL u/pJehKT5WXxcA7h6E31oouefbMsh5EPAClx/bli4c+AiWItA2Ju9s7fiVe6FWM0MqsMh4L0iHHT E/mkOVUi22xutae0ACUkCh2RbLTGHS2g4OatgKLvgjsFAPuMEjrwLZS1fVf0aRwNbQU2nGRWEA2l 9L0yWydoMxy/NFtcKFFHe+Og6fNpm/ZCQ0qoVusuiqbwajiFlsnLuhgZ6zvx5pbx2Gl5oIENuelY J/fsY4gmWJzXAns9lYxeMdl1A0c/tHZOnnybwIc+dQxoIw+xWCpzUYEcfjMG8NkwzlFYFaNJSp8D FrzQVKa1NOzyMJBu345e2h8UYgvgpryjO47Ycwh7Bm4DgD2NzF9zxX1LWjaeENBL/syx4T35S0up M5CgPQExIv478mGHJDwrzGNRkvEYFDApE0kDZdM6K79FqKWsDETYy3/UeWVq2ZUSOm/JU9FDAlB5 T3pi1ukKF5DLOQED6t9WoRB++q9xN/S9nF9pccmQQ24e+oEJXCRiHSJAem41XiMAW5PPHsPYUWq6 13unT4Jk7jxq/4lmCNuK6cwmcpQFDnShTr2Nz4ISAjkga6DEeiOQyfySaxPRZpITIWGeI49R3Mfm 0PkaGFlriwXaKi9B1kEczi3Ec40MTFV9lBBea/ASBskSVMPFo8wMBrCBvIkpr2wjkYczgWATKdBc 85kqQgNflSkMLJ/8frAUcccsxDAfMDljcMjttpgeojHhUYhMoIDGHIHUDYiYi+90pGfdAJoq50Bz 2MGxAezpS9PUDePI/9Rov/RgReJHpCk8DTQVJulV+goC0036gHItcSeU1ab1iqvEZOyPBUoDDGh0 YSiiJ/cMZrnqEu7ArLHs+AUp0HXbwdfVc4K2dNvSM/FG6CvnT4Yn1fAsZXT2TLV2eTU59iL+bFsF 3OcGRpPGmBYQs3m15RrgmhpLP9kKQixNVNz18ydWrLpokLgCUx0ptiRFKFSkx2TrjX2fyQmr+vYn MUBssNU19uXWGBeCWc5ICToYUVsi3Yr0mOUGAbiFfM0G4D56imlZC6be0NUb+mvgd4zBtTe3bHg6 Ox5gd7NSob2GbtCULgJEKx0HZdbszxwtc67owfvmFAHRswMTEwTgSGJPM/Rjot/qHeF1CxevOCp6 7GYwXkXPq5T7QlNBFNCQ6o0Am5l0TNItED0iBqonNPl+QoVmiJqNfqsdI9Ivo5Wf6dYQptZTx+0y BSDsGDFFR4+sYgpNbtvh8DiR/jz8C3XjxRCavkBCwUko2nnoK45MznBO/0M2SPsNY0EyaDYkP5Kg PJXzBWNENwSwQYcvAL9CoOOOh4dUqu3jHzfY6MX1+Xk7iM0lIfT9liPpUrAY+nnAFyyGUEMq4UmV RfRMeQLqSQshDf+dnwxCi+5feR5gKnlcWKNhUbNg5Stkz2L+qNhqvMrUdwclHzzWwjM6N7qxs83A 85gPTkLClK4+NMxFklDZfqjAqV6eB9zBUgA8z35Yx3xGX5IClTqteKUj6eOOKQUKVLwfKZD8NJGA QbONW/NzaNnVkVMnnGd0Pwd4VECdpAxoi1+RJmnTfFUDmiEpkVWdkAJ9peonKdAafVuN8tdDmRlb CZMCHAJCt/WHctcClGGI3Btu18qtccikQLUCAu1V4BffwEAn2l/pMoqrFLzqwjA1xKdgWSyWkFPw S96V5FMQCARXYymfAsIBAwnTFxbZTJRzar+EFDFWIICw/VoMGFjyXUE5jgHiKyDf+sD6ENOQCw8T F2L5CxwdKBYTnQEoj861ChiALI5VbjiEMY5DKkmb68hGc/UE3F5BhNC/czmEHIVevbsCdzwUFXFh fg4lOwrWEGUjY4xuBYdl8kRAhN+TGrIbuOiEyzJbyIYJgazaS4C09KGZgJyTVqADY327AvnidCQh bmUFPRijmWwLOTHi5z+98hXmfcM1qtTyMTUlZ95nIhou0jFtu7PbYER87tEjW3XuEPnTKGomKMJA ryAd6vitsgT1qnO+gqOqc7uz0S8oVPWDja6GyONslCp6cEss0GMddw7Pr1JgpVGi/gC6YD++NSGr 6WcnCgb0Lgu+hAXabfsASaSCGkE1s2cbHWnFb15ECktrIhbAo4fKrrXRCY50MyxQevdEtdEhnFew UEiDzY8FTS9ga2dMWEa42ykguN9HhDX8e4JLC3waSK6cPrJGqRjLE3Zl7qS0FHHpUYKXODblbaOf jS9KjpXOFJU4bzOWutGncDIdAjw0uVYXGLSNKqyIfa8PaO7SSJKHAL98JEbzMh8P03wAbsQFSzUh YukKnd+osMGtBtNL1kU30hxxvU1vPuseHc+kwqLroAPysVm92758drjgIg9OdqaKffetKf+21PYW RprU5b9nAV7PxUOIxr9/DNFd/SYlRG4jIf2QxJ/o9ot/Xhza7GOKIuo5Vxe93bIAVYCFLS9gcFuT m5J3Sbhjf252vm0eHgOWC1eIVE7hJK7pqEM7buTEvcTaB1uyl13nAO+an3923IsbwQ== bbGFV5yPDb4i1CaxdBZExRmFGG6ZlOnLYWaaDXDjz9GAdzxxUFlb4NoToCiX4LRVcxnsvJFslhBk WpjASeoMomGwgM3TgtPM0uBuVLEeYOHQzEop3owiQEwv1clESBwLqvEWUAlSHYr2s7S2U4DdCmls 4fAh39/sPXALU+AopabAatSmQKW/KQAKCFNAhLzp6Rco6fu8tS7RIBTQs70Bsd0EXt9c7FJgcLUU 8H1kKSAAg2hBwldQFTMAcMHf8Zyj5Lzmjhtx4ksYmBorBajemRrPwixrU7xVwpYCdpN7R+ZEMmxO KQpT4J1MU2AYhSnQqaBTADJQU8Bm+qjYLLf8HwD7KuYqlevHxRMaVKCrNKjA4scMjNWiAg9u4wBU 4GOEZmnatyIsBehmsF5SCmgyXApAre/vPwEGsVNPbw0dE69B+95GWAxFmgIkBnH6SqnEB7ZNLGwn 962pTYEX0Ry3WdusDnRSoGGxP7D/4QlIS2TQtxWkgjYBiG2s2bBr6AJJcBkSYAG+LUvgxcqrStfk J02qwk1gcVtgECFvsABBzY9AQ0Z+Ng8BA7DqYAD94f7JCXAaNCgzmNhjHdSES7aeuU9phrHUCRqR 8D7wBZSTkvAIAP8uDdhb/TykdHiPk5w/GtDLKv61seApyRM3H6nhhbWWNTbaa5GsbUde8gx57AbV 7mthfGYp7Q1ZZX5sAkQF0x9vEOPbbhCm6ExAhoKT21G46GsylbeW5bkNJJL+mTuVnY3YY8w4lz2T qKtsLYJ+L0TlLK48yWND7AA1KcUNklNcMVIsiDeBsHcX2qBHlF2SpcAq9YCD0mYb15LWSqRjknT7 mtGqz9kkOD5Gx6hkhLfpYo8rYZ84xbrFewIgNmfYpxCOlKHCzua+voChP/gkS+gZXjJErQ0b3Uf4 qiBYCpaNYgw/MqOpWMCoEI7Fyp2As8oVl8FQuoXj9dah3cLAXP2bLC+dWaSgVPGrCtUbTcLsOrW4 QpZrlYohWLqzk/zBLqqsqn/GB7fPO1K9T5ZykPkbOnK/3Yj4lLwfoWHBNvBkgKg4Ii61tz8X+ifw THMGG3cafdBjYWqeKInR+lkWfOIkDCcHD0n/rKw18edacmyFdLcTeOzMK2kxc/Z8a49EcsujGmbD BNdMSj9OYTZxAJm36UlBOAQ4AIALFyTYAM9anhF8y1I8O7ODvAkknRwWpMo1rMSjxx0EYKaJQQb2 IuOky7OoGZwEq3SYwLChGK9925uzhHIeC/+2l97SDlJeXl8tHTxa20OC1OwbO585eEWvpMpGCUcv 17bv/GqCnpMAUB4FoAwd79bZ8gpDCkSC8K6KBql/flnTMV6pzwqDmiOyp2U6QPDCVwprv6/4tCgt TlkPvpWg2dZiezxthmrZWrCeWNuYhcv4al1g58F/3rSJWVbSat4veNoTcwERAC1hBC0RZ6baRWYV VfClxYKg1Y3f3ZEL1Ll4FEMLvWqrnpXawRdLdYYKy1ihBtYMw1atq0EWjLFxIQMaDJF2HPgNfQ4l bgLHOOeTG+JVPJIopPKlKJy0sxa0L+utTqiH60PFRWtSckiRb6qLoQeUnODWGqMW8mkaLG1gO2cN Gc9ckHDEWWG/HvGxs1bbAK3qrBoMY78cbB0M/CxCEC1eLrUellS3cU/OaYMpZXdbGpjm/KQCDe8i c86EyPC9sLeXgbEdxNUKJNMSaVGhjhfZZg0d4u8oqQNxgUFjzJh66IyVOL2E8JLM6e0mIuMMEWgX 7i0OejFCAVAMl4Xq0BK0rLgQaiTMWp+nIu9tZW9YyS8DwxvjRHW/RLPsJ340T/QnhgM4vn+J454/ wRM6ZMYYp98uLXcJwK76txYhL7QCx4QuMWj+ymaon4+yJo2kedbhPf/VeuA8WcZCkTUPBhyisxLG xr9eQd/eKHg4xLqwrGQbOElX24CETwvHCr8M7GdfW8fvn1lcZORnhkW1nwJrukvl5GtIXR+oTaSh jEpRrTHLfhkNMAuLyyEqenNrbA91aBF+A6DS1XLKvUjwUtN0F8kZ7qHpqJHEVcYOK1CYXjnbcBVI FdCUAsy0qHvnS7wALixP9UPm83ifkFFo1CKTWlVs7gKZ5KRa4mKC0Fps4TiI0dJRO+BqGLoXNbFV 7xn4zgmuHJnwLi+ekOXkbYM1hIpQqb+JTiSwqdcQtwUVMjIMU5EfP3FPFWy+Rgi44hc4zfjnjsSt TwhxPsbPcvFkvvyEjF+NODxV1KtBdrBV0WmaDq7pTHCX2Xfgwj+Cqz+XCfbX0kOMsITIZdHgKIGP ZZZMnQWIxZe2DL/cEv+xjA4PiKBklKAD1L81G+Khit4qll+Zmr9zH3SusQS/1RSN9w5TlS++sPBI A5+W5+CdLmT+YiEWA2aLKLrfSuKJlr/C0d/600GYyNNI9K2u7JJGLImCcTIQ9izv7WL7z1YkhjeX GfZyrHfrDfZjIxFj5UWQ0q0yFpkPDMTdGqkEsdYcPr1bz5MeUzicyAFhQsIFwhW+bAxTXj9msAj5 Or2B6Zrm1hFsDYM2xEAnI6wHG+xNbbm1hNXEcevds0OB2NtQf3iSjAw4GxDjx1ANq5E+QnjLo/Fs 3F8HqDuBQHJkuXB6gUJb3eiqoCNbo4bE4GcrLWTMZUyLRkgMiRGOsCqckGec7REEN7nwshLKqyIX ONgA+pAKWBzpaIvgXOsqIBzu/6HiDeS9+0tZ2c2exLWqyE6LDwJjSJ3xG3IhjxFVEyEQdg4Z1KKR iE8mNPWLD7XxEQrfNrY+kVrfVaYxtTAhJwQoUlGQE3n5dBZemGey/7zIw9aQxa2iwGBrOqLV7jDF 1ks3sYWqBLBDBFvF3lv82Ip5kVPGVl08qUlqM1ox/zz8JfkJ1Wy0zHRGbaMlojcj2teSZBGVRcwb bLTWrOJKQyL0JZl7CJRQY8evSsvar6+LtWdi3+B/0sMj2aC9nj2SI7DHtAmbvTgZyarSsn6x+C0C zxeeMfcS+S0qkibAyOYPKyjFN7FLH6MIkhlt3QIOMwbJ4/YfwgUkvzE5DEi2JzFJXA6SmxYzaHeW BesRUZuWCiQz8GgorGEvDpELyUUVSVfbVoKiE92QzPmYPgwEwIuKLZ0X4gCSd6K+i1/1sx+ImzNU NTKQvLQML94FyR8PBIvktKE6GqNHsuOYxLVIvlhHLJLbQ7+KmitOstkLbyJ5FWpWJdnEmPtR8Kia 0zifPRShWO628SuxCbVpClRzD04JIaiXksxglShudQAwE5JRAz+WMckg7YKTjG0d0EkOHYPNMDBN cp7hgqWFxUkeNfXMomgLdkwLB0v3vX1POEtqfDjoHU4kp4mCoYVksZL84AIk3zONNaf4kwxEOFhD 8tvKe1D0CAnuxtKyBAUgmZyCGS4gmeySFzskn5UaWZM7zrw7iWJokSyYaXyfYz4aI38jOTQu/zaS hxjowIhk4io8kgGRxZn1FMngzZ8wbiQP7dLASP6ZNWEgOSEYHzFWSqQxcvGN8n/RYsoSN+RbXHED CuD/O5VV+k+kJmawQ7vl1rwLuM6TcxeBy/YdZyQUcgNgtVG8Zl03E6GQB0/OOsSR6qeGXAL5xnyI 7o1Y6rIJlSADSNHkSG+YDcEHBADY4A/yA9I98zbQOHX79QbFh5U+E+lV8TFPgOW26n3DjMdjiRJ7 sMis5H8RxeRBQ2AuJtiofoCjtH2T0M4B7RjAi8KWY1qXtSoFSe8tUrQPaz/9t0HW/ZlFvIPml8iF YJLeU9xU8J3aHKPgbqBm3G3C9NVAipC4VTaGJ2+rkWnQDMsOcb07MOWQXlXgUwQ6RUsiRPCkxXzH k+Wlf/J3JNcxZE7NURDqQQqOqEbJYl+lJItLiB06Wj2CNzOq/EMCBB8RYjA0LAjwdbEOwgHeiFJk DYfnBQ62YWmw9d9v2MGEFJDG4De2j8XR4pHnS9oxnWEE5KTIWpLMiKI8bMYrFEKoAJ1GeWl0i05A FCvL3MyYWkuXdFqIMA50kLkNn2GMkAx7EkXXbinr0gKbzMc0/FFx1jA3HOc62nQ9Tt0Kq77jdf3W 70HDzmnxrJ8f1064BXZPn7KS7GaeCKDt9pFjzUCmpq2YfWUM91Fz6O59oG5ELxkpEBlNgvAxCq0f pwT3GNZcnwFMNUfmftUQ9JkIOHtZIN51Me/gaiHlLw/VlmHSUdOh26VKPlVhczBTTGDC22JQBqgR gb3DqpEbOrqwy9HC6xnZUx2z97AitCP1zmZsDtQJVUJcGmElN4EpmCbpl82oMJjvUQUYDDoCnrw6 BMH2hq/Nfm5OkyDnbrKq6v9NZgAoyySqXFNQeTmvvwFdqUr1d3AVX/W2NRo0znsOiDRsDHJzXe4a mj4DdgH8zZQz+yMn1w6myROm6fBsIlK6h5QomIn0L6p7JfynkcABZ6hZnIy/ho8QMFERC3gBslCl 5/V0Dw0IOuM/545g/woq0l8cXjLdeII0R+D8Qr2ueJBqgdo/BntpLyqzDp7Z+SsUy6gBUqnTeJC5 SiF2WQdv2KQpEds7aUUUT9PAkHvsPYWgDKORBOrZhzpSVLBHxeopwgyDbLoa8JJYDFZtmhiqu/l2 PWjRNUHlBswrK/g04W33p9KwAlQqtpCcto69wb9oNJ0Ym+es82Geo8FWxlvxObf05pifJheu0qph SET0gg8OmDW056PdhSamTQ67JWSqI7BOjVnNRTk75q8LpMyAbLhgI8UUjFZO/3edfqlKKAc66u3U mlJnMnC55eItUKg/1XvATOL1PBG/B9Yv23+D9mUFO5joReDs1sTJQEt3BqzselD6qPx8eCAUhlrj 8UFmbDtgKITZp1li0nwaCtCin9XaTtG0AE9D6NdT3B3sYAT2qsXQlXOBanqfeV/EwPj7AK2IFowg DRFNPOzkSKrad/45QUMbMohUvozYQPwj2U4F+uLOdRwhVLTREgCRNeqwTDHj+08pRLVXylyC6YEY HNm4h222qrHJ2eIntypWIR0AHH49cUfDrca4E7amd2AAEjtTDWVRHkg1kAgAEB50aQvLELRk6kAY pwY/Z6KzzPBWFvaSsVDSKimdnonO3egLUoRD1k8lHAYLFkzCAy9vW5b6qnpZ02t/jehHGjjYlUMG RTiWp4gvT4UCPLwf070OiJmPkECek2qwX9l300HxtbghpFF2aRgiL53dSrOWKljVTeVEoH0rzUWT wCD1/nBw7MWAV7v469IW3LX1jcwSs4UApak6eHB7BApYogMmo2Q7A73y9lPuYKGuD2A7OQC2AzSv /sOYMJqIovArwG6IGBkKAquFAbMKucf8VmgMSJv5NSYs/5rJTUZDHbStGtwLoAaKmAknPZqLjebB fCqIrIAahQBUf0geBjBYvQDGTDAOZ3O/CZNmWYghmeavrlOu9ZvXEzfggEVUxK/YD3+dHTl0rTQv W4PG7Td/aWiFvRA+yL/+1/AVA1msh1oh4GKJA96mKXwRMpYOAF6yuyR5GdRvisECPA== wqAzxvE8R0C+3nXK4LHtaIdjdWB64aqCAdyKfxA2NVB/ltYD4+YU8EOnxpNxQNNt4JJlhHzZbzPS G1AbbXq99n+de7OAevzRNGWngc0Rp831Krm46/Gim/MyKMxhN1CgwCwa7st7CUcOQd84mx7kePAP a33vz6CRdq8Nx1cBRvlvFpplaQQk88+yT8yJUZUk2DYAvC+0B4/MrdGGXjnnlXb8v4L/+dUswcAU LmQA7QpRGyXwfxMX5IQGqCEJe76SFhtHXoWOxjVgGiQ8FOJdJQKXoFzrcoH+4ZhZPnXUviEBw8S+ WW9K3HjyvimqJYl+GIOYFowpj8BXzrf7Q9LAcWIFsK0tiOI9ZbCCjXgLyQRuhoV4W2FAhKV1/V8s tzNuj5yPhXYIZ5Jy64/FbUpcoy+1EgN5Els3ADfUs/vISyRPzkvr/NA9dJwsHCiGdwZCR2YLxoNT VQdjMF7CHgj0PLYDeLO6y4i3/ixbTgUNu9OK0ZjObCdn9A10YqF3BpGblCMV/MtLoV8B8Qgca9s7 PX41vQBhK4Y82iGsrtDnZvcZFEk2dtos7vb/Z/Lorymob76HdhPSZ5k6iAdrVO3NZ4m8juWEIyLB 6w2Ir15dRm/Mwi0aZ00CUIBKuVoMFF9PbYLmg/7E9WpW4Jx5KSk48jLPC+IUvATp+aT6H3PSu59Z yoo06rki0uOTFmT3lPTF03z/E0oBKjO9TuoOacFzQeR8ujod1BTdCIwDcaAoXBPg1b2k323WA5RC ILZ4bGjlXLB45FK+K76xidNgEPvwUePXs/yIXv7fpJEoWFb4CgISMWycHci2LVTw8Ob8kBsVOtFP XQF8bxzQV+Q3Wfa/GlTno8XcaKEZ+4O8Bxt084AVRAj+6Xh/4E7ZutypuX0Q/LfFucI5owTKFIZN /lry2i410nELxzRdmcsa0ULYEK3kOxAMgewHPAoXzELX8o+Ky06JvLt/YTFnbFVs2QCsBeh7xdkE 6iTq72FOD0HMDbHPKwvo87dEU/4BPEp9K5PpEHjwT8RtXuvCNQ6gBO0KmVoqkwfjybXKeSy/T0EY qZoajScHos4A7qHANqM+A9zOPuPee8XLF9o8t9eejS3C/9KnAddWPyYzhKrMLsJby9YJerM7wrcJ KthJ3xq19TWwrxmFakD50MM+zuZCR9VbmIpRVYLfQU+m6c4zob/MTUK7jsKADJZYfx86CYhaWQR1 lXHBdIhoICbW9GZkNmB3vJj4bReyRNLOh3plxeaKkcCJJVaUNv5aYXlSyK6ADG2r81PM2/6EKSjm ShQ2dSXKPQvgIhj/HAqZJxqJuAx6TMTPllYSo5DlOgxEpa11yQiMdCuXZQNFcZXju412OvTZ8r/0 5kPAy1NPPMpQlI0TXbXwOXZYiKa2A3be7uAJGt2I2+mld67S2E8EHCVhjbhcYdguJiAHn4oOFGQa dxBTvwxYA0Oz2t0rgj0KtLVyALeXENuPYUDuGDhPfg0GjEwacYjBThz62SKuUnHUVPr9mqqW4X77 1vNAg7TIh3k7xJqP3hcMHb/Ubjru1t3VP/y1i8TbQh32q1Qcss1GEYU71G3vsOflTpGXDuQBB+gr XQK4sWX+etboAwdclvbeFZ0Hn0v6rgJC2nmXg7EpLgMqcBNPyRUllD64ktqbWJRdgBu2wCisIx0C VDzMEk1Yf3+JWKFYU/uB4+uuMf5B6f2HTq5fuMTdquu/Nfiw9+B1OnTLjawE+4gxtH3H1jxoYwfz T8e09uoHbHVrhRjuOLXihLXnCcfHowUMc5drdR63uPnGv4Cj6GIVsPXpqkot1NNhbH1inj3idcRY sAfzTwhgUwpA1SAAeqTQHej13hbFumv/g8iffWDxx7F3ChDyH2bsl2XIn+B/35AzoMMPdu8tqzUb kuDM0ZU3X6Ij83VMyRYxb78VrBVueOVOcH6ruhDdqzzHx9zfXI3qu2Hsz62Qb2BKzSuTSqdyr7Ox 1GFIQIAQwFv2cHp/YqJDWU7+hoYonbJGhK94oj1G0OpvDEZLNIFon4MsXuhUycLV9azjvz1OYcgo 2ozl3Y4rCFhD1jrYc1hZ8Od+vPnpycK1ksgbo5lmsUzD6NsEifZKIrQDGWwIUnYPjdDdcIncu2vn Ey1zfbcZS6cVT+2aZl7riyGBuHyca6wjE26WVWkgw5a8wu+NisbQTNh03z/oEL6qoQVGIvoKYRvp 1us21Jx1d0qGr/15O1zSCLFprQ5CktizoS//EAUFaRw9NBg1XNljfB4yVmvtuSuTKuFKZXZDyCPp YfWCB1P28+SScUN6sDN0FgWdZ8Y7q/Gka33Y/hlN8q/zGbYBsM7PYKQPys9ITMNaaL9BkW1PIPq5 912u5/g/Kj/4oKAs4e+Uc7s0g66LAniGD85j8NPfr8cishODAtzMSl7csZ6X06uSuHWgsb6Pvgs0 0Ham9/z9719S2/VVAlrvLNug23Ynni3943XARF2jF4t5EDfmnKn9Dz3Ay9tSKaIC6v9nqkh+0yJe q6dcsFzObTgR6hWGV1Tbk5TXvRg+n56qodKSqsENqsPqhfXxzuKAk6Y3Xhn/W6N80GLxob0eyjT0 dzQ+LJayZRx3zbfm3jVOrXUHl/phECA3FBBbEXKyvh1/BvohLgW56i5C71vlticK7Vp7daJfNxRu rZ6qAkzUb8yHMtJ36qFtOyGBtCya6TWyTdO7Eya8euOgp34r7SoBukWlPiugIABbDmD+/ALbjbyh sALov1+VINGJMzRNSUlJspuWIzhzTuF1eCR4HTwDLgQMBPsDMwU8YZuUtGYXLCBL0zAlHFxai4jM 5pQwgi4xhQqxyjAqwwCjClgRZdTw9OrcvIphjAhdpyBTNrRCF4jDjMAcjN2CirWwUHAhRwqazwZw Daho6WH0UP3BLeVlRIpKUJb4zdIVv2kppajH3YUrfteBplYPDUUx3Kgo4oJaGfqdUmYuXPGbFDJD FzwO5ro9qGoyEagqykAKvUMoPSjmMXbX4Trly8eKREwbEH2TWkD4HiZcUUDBByyox45oPIQI6lrg 4TNBgh80knDFr8IQPOG3IYX+DKUWiGw9zemIW9PgigKgwRU/8CdYH2OExO8zWHko1n+u+N0L5B3E CcOSE7rHgZuJBKV51GeROBwufwSoSH9IOJgJhUotxdApDpH3uOl6UYTljZHvdEjH5uZFMh+kQCXz yBcwPFKbUYdF+mlhoeBSKyViF+/c0D1uz2AtjU0iarAlCDokH3nF75s1Gh7kFT/IK4AjtXp5OB3u ttgWqHMBC93jZgpX/EQHh8hrD9VsaF05YEmlNqF/uIIYB36EvEDm9RDCJCiinq1CpwXMIB058kQ6 V72AXUVnBLrPbH2dx30WBl9H0AjBzmJ5RLpQZwS6DEz8OoVGCHb2M3l0DBs1LSLo5TFAUtFSyJIv M9bpL56J5RPSJoyHJ2A4PJ/BYEIWBckE5vTU8HwSoSt+rpeAewkJm0un+tiJyK0jYBgloqtzRQTc HB5uLZySl0nCMgQ83B6dDkODhzmOKtAJVBqNYcup2cMC9iAczEAehseRA/p6FtVtFlBdK1NHUFou EO9VN2/CoHXZqbI0oFdl5LvLjV4YYURDF7mD0I6ByasLAglPKDBAUtHNR8OoHlfyVF60VC5Wf+CB AHnhCYLWgZ3Norb5TJrXmF5k4+Hi18RAbIQ2CR/YIkhYaAmCquFxn5SljE1IkwmICSWFgNCrsXJk 6mFEnq6BxZCEA6R7wAeUBsxEQI3BJrnROgyJGg2fLjVaA/zQaA/UROXeAUTlMrCT8tG0nbwABjp5 hlVZcI8TIJhQ8JmsoeAuVgCRYyopBL+NAQSfNYjHWyWG0hkwufSDW4Tj5Om0cYtmb7xOfDTeeCgQ fRYaRfwwkoiBz4MgoZ0BggSk27ik0dks8zqPc5BOIrFbwCxoOAypa1m4KEgsIhlNZJEIMABzDsXz XGgSCU/otS4P+ol52DIbfeQ/T+1EB3TMoTqI2NQm9NGW05YN/pHmiJYaeTJKg44OSYNbh6TBIWlw A9CIizgkDe5xvlh5FivPYvW3zkwz08Jo8Q3f4idIE6QJEkdUGC1IJs2P4ygaIY+Er8oQZAgcBA4C d7OoSF+9fPXyWIgjxhwqssB6okotmHhQRJVaMFHwokotmDCQVG6W2RaoN4KvEMTobAvUG8FXCBoF X6kEMYKCr3icCMTZYifAQ+3UCfCoDwEWTq3k1c6EgyccwViKgiAC6GWh9HyaG4b2ygRAPC40mVhL qFt8LgwCrE39yDBC+Dk1rgVnDoF7HEkuqOhGwPV9B9Np6CQUk71etI2ESyYa4CKK58QBQAyu+NWD Cvm54vcbkPyNbBGBCUAaYWiHE/pj5IT+kCCJH+RzxQ/kYDCxeIbhvJeugit+80WRL2B5Y2Qm2sTP UXDF74C8oheSV/xKE8X5ObOQV/xcYYShpgj5SW7oEhaT5h/2NuatMUILiBoKNgpdIvRo6AvkGwE+ wqcrfvfjEHiupRh1ex7VxrMAFbLHDYgPyEbBdm0AW8v1K1voDstz3lG21hzZdICOwIA2+GFseKBe A7pqTMUxmDfzqGiqdijKqi6YWFYalIWChe4MsBEs9JmE4XLwAGZddcUKXYJ2tkhRrNA97hlYoT86 Jet9xApFLBDE2rYV6Su7CkhFPBJ+RArd1ckkvBqWDUdvA03w8LhRtlj9Lg1GnABWM9mIGjIHCWOy CjNgCYufVqlKUuixyXD5F6AiPWASIH5fZQiFkBeFQheYjTA0ci+QD0Gh0Gmgxep1SWtWsygQIeYF 2YRCl7AMl4Ocxepricn3j0smOOCnNVEcj/s+i5Lzn44AWNART6NIGU8U8ZFjDw0nww2NYYShDcrt LFbfyDd0xzfmtaWu+E2HjUa6MyIkfqqUzIMiUUJvZNj3jjneiqiEobekNRuAwGE1kh9MXkoTRdOU JJWEDcSBSFWkUxVVdRPPaUgn9TgwQj9ar0j7Rg/FkpV63HMeqkgPQxXpYSSUeb7QIyrSQcjjw0cI Eo4FnEUtANOIinxQZeVxMxJRfRGfoMetIAuWh4qBhKFpQoluRN7wbxQGyrXzuIzMm40VAQjKVRpf wqo0hm8EYriZEGoZWEYipLrRRAEW80QWPDCyCEkM2GWdoy61CZ3BULNdt8s6u5vsU5Ecu1j9avEC he4BtQYW28CBTmwpj6uZrvjVVO00FUYYGk4U5yOZxeqfYYBRwQGT5iM4DohLaDQib3gXL/c2GwkK jZaReS7nVMTFopK2g5KaisD4PeADigYi8lCoURrNdmBDX1zGhcRlWGqURquVEEso9FsnqlSUx/0B J/Saq3airwtMNZIKWfzCzxW/UDLB+c8VP3CiOP99rviJAQTIh1A4qAeJobvEhCDjcT5ORL5SwLoe dsTQZweUBo1YRIdEnKQRhjqsGLrBiLNF79xwcws4IxBni3O8oYNkhHJD/xjADIWQsA== 2ssd5BW/mVq9fKVZqFS/F8iDD7UTjQSoSIcgUBoU8gLJPNcRoCKdETJc7nGgiVmkAhO/jgAmft3k yRBTJzIq1otshfnDXVmLx11GnE/4SYBgPaekYlQJF5mhrE4AwsVRIwhZK7Lek+r/qmfOJbae6dR/ 8d+5r+J39fmUfrnzfEy/+rwT11u/Wjt3vVmPeO87HYNcK//+qe+9nvGk3Fh/z3vBt79bGV898wUV tH6dj/XOU19Q8dp/UnwzpbPifcHtPytWWJ8Vgy+iuWKn876dOtt768wZ5EqQi+EM5lz3nTtTW691 DXIx6pji+Q2vcZ36ltutzfM11XvqrHh7g4hstEvKFY9PKSSKTEdUekah5qJwTlYqHq9wcKxS4Qq/ ClfcSxWavmJnhSue9hLAqnTJNJ7HuWSa1D8nDuDicR6H8TiP8ziP8ziP8yYo4jfJOTa4JWHArgzw EOm0KxXpcrgh3XZIGpxktBYBLfGjN9aMZZOxYKyHF6vEYiE8KDQ6U40GBJRQi5vHdTSU7GGD1R5I JRTt5XEzFmnUoSZSpBtsZLI9lGgsCZJMoYsYmWwvGQLJRGqRPKTHSAtaCNVJhMTaK5QKBaAmTKHb A0f8AkYpzshEOtGRx5mm/giG+pmsZqLN40qomYWQbAcxB6M0HU5z2EKfIUTEz8VwiibNf2RE/EDR pHn6iYjfo0EyyJtBjdJoHgeaaJyAlgJENQ0kJRIfIqaOI1QmNNr4+mgGmY/1AoQUCnooFoVJULiS 89hwPCpQxX4WzlyUEbAtUE9zE1IcIuBXfgVX/D7bjjwKrviFD43IjwyTBdXAIBE1+CTTFCLiV7Jl gz9YFIgQtMwckga3CBOUC8TxJkcBR/xmhOHymcJHsFj9I7UJYwRlTGAmehwZQHAaXQcCe1Oh3P2B QqtbhsCDWdBUJmqhhWBiCy0Te/eXgdhCi8IMs6CxVIIhaeQEFUJ5IZHIFy3AMLTepi2fMMFlv8oR LTOLRiWRWDwuhoCBWUISmsPXrGiL8FQjw4NwGHDE757sqDKxJNS8hkwEGSthzUfC0Opg+whMmp+X C+RngIr0kMEWusdNGA9yI6pU1i1ZBxiLrmCOi0nz4HMWq58i2HVghW6LdSa3EyW5HBMiWUsYGlFY rD6SMWk+csBaRUqWyuNqwqj1QEEYMHTLLgmXiYL8MKoGGKLLKKGIsIvCA1LoHgfa4AkifZ3HFHhQ WUKljkLPqp2oH4RCr40oDRq5swyFfgM7oW8MUREndFvMgrqd6GluxNA97uSwYkjeOecYiSweAqu9 HA0yDFCRXjOBqRGGXhKlYYoJrFAxgit+2mJ7+S7r3LP1dSYDGdiJERCPDsUIwS5UL2A3sFiBjm60 4BndNifIDU8YtaA2wfoFhIN8oT3o1sdAJZBvAlRSdMMg8oQbke3lBxKvFIVlSJTQ511FdIPq0Z0a pa+7bGikYxnIwC5WowrXI7EI/MK/d7BwqR5ne46K2hpGSdwGpPE8z+NeDquJAEg81BQvmoSt9qI5 KF4Oq4mXbaV4AWBVc+BorwiIFS0BBEtOBCm/7qrnrgpc8e98Mab6bZ1vufFttvpuvXOd1t5NfT/N d/vTb722njEe3c5a3Spunroqst6f9d2f3c6Kn2sp8mdcdaau77bY/sT4rf2bL/7rn+/WeefScqPr 7fluz1TPjd/p1Ph3vvjt/mv13TljOy1+W7XWd+d986T4YxjnvPfPx89lFE4pV5bjb4wvxRvrf32n 5UaFpnlSxzjfp3jb/6f3Urxpfi62q+J6tV7x1nXTie2XNe+KN6WPJ7UYv6YV7/u3zms/6+oUb7sx nX7f0n0fb8fVJ73PjbkqtN1ZU7zr2z2x/d9v57aveC/tnZQbLZ3ZKrTn/Hi7P8W1Urzzf32vGNvn YjXjavHO/1vTujferyu9G++7K55uMca/8cb1+q2KfPHFGWv6dW+a8abX2rnp74t9ftV4v348cc54 X4zzzBRXRc57+8a76q+T0t85u9V433w9hu3OGu+Kr77Tbs2V1Z263XlW/XjuTN/61FVztYtiU433 V6rnpRrjXfet8+tzpbaXi22d8cZ26rd7bqzf/W47339mvDGleVvPeW5/Lnb3prbuq+fWr+e+JX3N xbK7+85cRuF75lpy49e57V+uhe/1q+cuFbr+zDjmebrVl2uV3Lj3nRjTOx1zrXxptjnjmH2Ludb1 WWt5sa1aZz01zXnSq3jXE9tLJ74KSxXWb2ln5Ubq105Ns55PudbUNmNbuVKRuTFrn/70uZaC5jw/ 69977lLxmBsVtOKL8XSqp7ae67zPlYpLsU9dUs96/nNj/j39Kja+Xud+fKcuFTTTebkRU59Pn2tp r/Nf26nrnq4prXlurlS8VzxrTJGxtXq6VVA9/1Kaf36lf/Wsb3PFeb916nc6fUpBLqNwW45u789d Qa719u28tYzVCnIZxTdwI9fiSgpyLVp3pTNXt7GKa56aKih1m6fXOm0duZZXhf2KrcazVm7EPh+D Ols7t7aK6tmzxTrfrPes96lPy4262kkvWO0Fudb+Wu9fz3NbBcagguZS52ltrFaF3ZniSXGp6a75 1un53ve56752ui5rDYi5qHTxB7bJpkWRYsjMEI0gwAATE2hweDAilEpl8hz10g4UgAVWQCpeSjok OhgMh6N0gRLkKAaCKAw5g4hCDBENmQBIgz9ImtXTg5HLKM3KHli54mBsbHDpMmIzdGLnOMi2Fca8 /F23bxUYwp1CNPjVaakMMtYM6Ot39HBapd+egSGCUAAgjjSQY2IwYVu06mNGBZnJIrsD3h5bpzQE JXQf+wo/HGtNERdeTcf/Ms9zyV9mllI/K8DkVA/+ICaje+ku3Vmn05ffEwai/yGJ+z8LRO5FCb+I 0vP23zaEvqUbBTuur6Se8x+asNh9Fq2ku5dpvZ1vWX0uVmWKH4vh0NPzPXjtc+/tg+VS8MsYT3KV LNbzLNV+6k6+MhLKxQGRQPHW68g05dZKN2TrZFT28eaq7Ol0jqstevSJADR4iYPfG053Mx24JUYY wcsW8qaxNjIiHEfssiFb58JuZIlfCAaOCdcC9ED4ibPOZh11loskezgfhHhUrnaaUpy/PzclEgc7 uqflLNfq45couN2dXplw2N8zPn68XSNDlSP/vyaEov8ys9ZVITdUtNG33pf3aowLsTn03pG8rmtM WRul99komj8RSpg1WdjJgxyyE+uH6wQO8bIjy6ICqTWrHUgRlPDlWncEjXDcdyFvOJoHmTi02LYL x7ItPwB4YXHvMcmo6rj8BHF1exJdfrt2tF+Q+znftNjz6p5P7YOSbjIRysy7MCodT1gLqQlmvWsD 1emZuBEr6a2ZU/MI6cwj7IQmVtltTDTD5OFGK0OBy5WvxmX75ueUFd+J6nifV6nOy11IBGAKdHAw I6UdH8Vk89D82BAFYkAHBd2G3y07jPXOFt4iPZWOf0+uXHvbd/barIAnrmZf80VYUWo432wT6f4/ +iSZPyin1D3Ai/xRko5mS5Y9l5O1ts3wgfzCViKrtgiUHn5oVrxQ93kc03d4GvsnP9bb8rRoD1jH LA297RavjBjyyro4DTIi/DO+jBxcGbmIFNjf2gYvsTpO0oMXQV5678Ju4XjHo9VhufFWcPC5oeSb YjOEwp5X/qWhxMGlXQ8Qi8/BQlokAwngsAchqBRUffj/UEncSEAEv5M+B5r2mTu2b0zfpWRhzyGJ AjmXKbMpxgTUHh7OedZ5FVB+dVj7jd/tioAgs/BoV49rfPi/v0BUgnwi+TvFXwg0LKhyHOJnZC1k uIZlEz5QOn1ONFQHolsAx7QJcRYl/S3Qg61TL0gf2slCocg9p2hjKKXKpDPVI3eIUEg4gGMPjOmX srYpqH0oxFWVZSD4Ej1yO5Buw0Bz+Rc4KF4CApP+E8xpsEBFOUjibP4Tdd8Uak7dKmUZ7I7mdpSf H4lgOzEtQFORM4mjvLYmD1XylyOeN51OfyB3grHvoiVe/v2D3m5e8ye1RaJcgmdHhNHkvM+8WPxG mMTKBtnrUExMmfsaMo71R+0qlG9kGiy/sBhKJ+2nl8uQNKrfpPuekb9//mWUy8UQJHJFEn+IZtdB I1PO0u1YjOErh4YlwPOnXzlKzvojLcppV1YN97HKZIEQyVQG5i7XWGtT5MovDWeO5pCmw0h5sEyG UD9s653nJvZb6FYCgIVSND6IIBgMbb/VG/2V4+82/CaBaI/IJ1QDjGAUa8D/GvIxoTDHISqp3SER tB77ZzWk+mUhyr4S0HIBoXNKEALFYidbsOaH4VUMqbIt8AexO+ouaW3NBIyVR+g9Jrt0gLD8+aTS k8IB4QvNeQBiT5tByDtqii/Bto0C2ikFyDxwUv9DwwYGoHNPYvkSsKngui/1R8yk9uhHuU/YTd+t QxRFYDGLtUaEI81Wl4AzL1mXB1mgw6qEIQIIxv4KQo6XYJxN+1oXmTkWPgoAIyAm2j+9O4jNJVQF wTtHcqGb6RiHT7KghHwuoUVOowT6gQh6tEhKdKkuiPdq8E9GRQF0igXghwEAWgp4chIDD4NFkbI1 oIw4eL2ZpRBMOxEms+78H6/7fQXGsBQBPZKgWxuxELM/ZRyyIQMOoNZ1TVcYw2sHx89+3uAIG+x+ 2/dJmwmpQXI3tayV5dgkEiF5WMNMhFWFa+JnvkCyq5DgGJSeQNi+mkzQxuYlCTfoIN36DeuGwzDj 8ZaWsseZUZHyQB48EQ3tjlL7HQ5otj5Q71TKOPYfwwsYhOZNZeWcOyJiYnY2HaKCMswRefbStpz4 ggHVP2yqxsvUH+AKdqajGQIRX83BHeo/i4GGaMDlDajg4PQHbrgpCHxJuTQYLvzy6MLOjo41QoNm skIUutUDJcYjVT50Kq49HCTj6ZlOhM4Y3PORbZMBHOs6fUKG4EqGXkS4w0id0ipgQPD+5PTw7wjd x4m4oapDfE6pBKpHagILafwAxS9t7zRsdxZiyZ5oPTZIb/JpepAfcXThUz8JldqUoKNFDFUpINAX zDfsuBgcWV0/oBFHf4QM6Y9tE7iVKpUKBIQgJMCgH7+A9GZ9vsj1qGwtSIT2Yw2OQNbhre+VOiJx T2+rYOYiAyU4eAFHw4ct5uf4CoO90ttIQoUkYOySjYg9o3eQV2KfGL8+HxZDGcKzG6dTPz8nYUSo sdU2uzMqaYlOCdC+6GUuKfXzwVD+tEBntygW7cx7CV90X3YFy8ZduOvEHPER9RfKCoxHsQuqTUEo NAe9UG6/EeNB6iizLkpE0ZVMPPfHKuGi5+NpXVzD7hUR1M+C0SWzRBbdivgeHCCqBnfg3BBpvcjV yXl4mJBneoGI6FIE5P9PbTNHOt+sVjBDSqi/hZ55QtBNXJvAGPvmxN+FNz8Rledes8/gvoX0Z7gd HhHF0JyCrZowUMrUiHu1R2tg39JrVDjSZq/tT4kVz2pp/wiFJZdrxUeopU5pPUIofQ== CLnkEep5UcXXIWQxjNDKUxBCSHtQILw32Rmcqtxqlvam7QEnvZwewtebGJ/iA05aMr/N3iQ6cNof Tvp2bwBOlLm7+xbP5d4SOKWMvUk9OB3dpW7bm7pkqOQQiDKXe1PgRBl70/aCk1hpC4+9ybfgRNKW KXsTpfKAFa3eYAkRRKaoIK8GftLsjZjnOqLnbm3MUjvx6k6QVuX8LGqOyqR87cprMvoaIE8shmoH pT8cFubRqYNYKgxd+duh+mYOFA7MuzIm+xAAKzAblDakTg+PMlMvIu2bMIyVB4qnZq94LdJF1szr 819gHTl/y7Fes8JAoUMQYq3j4F4NclyYGYl/HNy1gWJC2OENy29DAHp1+K4JvSO5onJBWpUbjyrX i3dfONpIN21v7nXto2fg8O2c8vGOM0zingiRLTd7PkM+OyVzG8is8h/TgWLQKQ3XeAC/0uWAINdQ RTrhIjUHBZBC5lnZ+zldtZLXQLZu2gDCJ8fHrKLSFHB+PiPNtqfPhA5QGuL+yHx03JDS29Ls9plg Ne4G58W/kqGXGmNklJC1MBoBKU0CBIv/YAxhL/Htm4/TeNShDMYHEVgb5YhEOqf4G4lmYD+VpP+9 Ss+pLESZ+TEui7AAYQ02w5nwqPhtaQb2sUREFaHhwd5G3oNfxOysbvH/b6m+L6xDvNACdD22v42v BCMvnC4o9KR1JsaJJsYFvmZFrT5wa1HbJQxjA7w1L6D+MhTRvdGmOnrOd7ON5U6Jk41cVZ6aLmwV 6649YhvQeEANT4s9Co+SuRwv3vl1c0RdKqnSODah1Sb1g6vdjzT7z6e4WEygpfZSXm0vsPOz8w5k sAcMsZ5vdyrE5DJMUSdwVA9Entl1grDz37csLJkKOdOPiy9MSe/9AaJoiQuoqcSU9h6B4S6Ukw1Q e7sCDnLcn6CPwM/XNSQPdFN8fQQgzu6G4P5NNIi4bBtuHZWMdh+xdJfQEimn+065kriP7O+RXOb4 U3oOI258Kv64eklN7sIGtN+Luur6hvNf+4RF/22VBQvFC/+K4W1F9TCR52UxCBtjUnkYso/BtZiG ar2I6wUCS6bCT5X4vf7uotjkshB5uoASeWyWcOdWLdx/mhacfIrKCltUc7e15Qr/Pl3c1Yb3eSHy QtwJjFtvpoGpiHt+MkR8JuF4ML8GAcRXg8GkZsUraglVEd3PKRzVK8xewTi54ZzKe1Cwww123eH5 QF6Um0BmKnzI19M2Q+dMFhC8G6iqsDw1Iemph1Q7ebTZkXzbkUfs+9cuLFYx0aMGv3IybibSw54F x9RHCIok01es0kn4Uk30YknbBv6LtA24lpEb9V6XA/Rd5QDbxQ7UsF9QcQsA2pMq6Oz7Tyiim1qL 144t62vBUriagZ0gF+chi69mycGdMimxtQpvTcfmstoswrLVTUBFFM3+ix3Sz4Ill3E0fqoZcgxB k6tM/Ea2/FqWTWuNFZxCTNPFO1xq08Hi/FaLGDsESnELklZ4YyEBmQcuVqUsUiQOe0WGH/vpu5uA QQnixMnM6zkRgKXOuxKFoYlWUUgEAfIsgHOZMJlxqkjPMAfXLh5h3UCskPOum+EJxY6lsggH3mG+ YgMeU7h4PBzyCfgWcsIn95dghbBq/fQceyoVX1M//NjCQArzwZQ3sXPwW/3Tp+sWaKSJmsq8Z30f bDaYAT1hHXYplwAxaK/7eAke2FC8ZQ9CT/TRKmCg6ARp/NKax3CSC6DnV036Ukey02ByWcdkcxQE Wkex/5B4v0urhDNhbnq6QwZvWdPzYTvvulcHBJvCMF1o+dWzR2YaJ87hybs9pejJ+vqUP6H9QKRU p6B6evAPKrI2282TKiPa1ESP/kcu18eXkwHXj0qyj+9WqTFX5Sa5pEW739pNIxuF8abKHT+33+Vs aYNaKwmUXB9exHgXamuhP8DJYUofhyt/FIJO2a5QF3EwjUwgFepFzO7UoGQRWuk/5nfzX771Nwzj dvLwAPpLTQhqPtlNwCE08Y07j04YBCLUVBmLNjOynvQZxwB1UlQwg3vQxDfzuHV85rFrZKTbf+/o WqvqBGG79OrMv16gAldkISABaQIIK7jy5yKXyYW7ikZfAf0hM9grmIcq/t4o5VupWGQVfkZmxIgG KCfCA+l0DTdUG9meWfZj+HMgJc49NFhvAiUB8xnYoAThYRAVhXkeATA0bSXGRJ1UiI1uiRYT8iax Zm1gYAMlqSy+k5x6+q0PBLv7+RHFAiE3SNi73d+WAxCuBsjBd7mZpPhhtlJq65uqx5crVBFwUBW+ Zvz/VoXaeGrInUGHCZ/PSgTjB2UGk2CQRArITWB1hUVeDLMjkdMly7E8HqoO3snwHs2wtRng8ai7 6ZFqHFT/bkVeUxDAo4y1H+5Ef/YO+2cWDsouFj/JZcfpAQ1P38fAsgKCAsh1aFoM+dh9OXOjWI80 bI9Qfo8xGCK359ZKXSKMTce7XjJPwezxYkaRx/skYj5kYst8C4ZTHoryOj+Do6NzyxxLojOkOW3V 09O6BIglZPd3CQwN4vpZLvUXm2XgIC+bHRnsMsiSZLkIABNGfivhjY5gRizzYGvVOaJIcY3o9fxG zDi4IEwtg8tZUh9wb6x1zTmICPDc16+XOOzvu+BYSjAP1ub2Nshgx1zRIpeDkBeA6NJPlGZYeLkG Q5fc32zqbTLD8fkHJA/JHRXAaHbKuQgCbUkr7oZdFlKgKn8PLmxQcJP8cavzDnhEX5QpJxHn7B/Y EmXlz4nH7ejryDdvUFr8f0Kye2FVJRTTwBYm1yKbJiGDwYzmqsuRCKIaaZSExSOrcC9fjUyq+apa of4zOeslBVjoFFIYaHhzjpJOSQgHNmLMeHfkWpPTe26WhgQaG90wqlG1RUFAwL5XttZXhUDUDatq vxAbMXa5/EFIgCdtcmDXObBVV1qMybrY2VIqrMyZqL1nNauK6LT5sL3zleTKwV9yD+pU3XsGpfMz W+AzKqiw/xlJOOV8HQgJD+ul5iQGe/GhFcslPuM1qTfpOOBdsoyWg7QLyUQwBuU+uA+Ma8WWBajX CTfV8p6Yaa47Ir/rfW3ZSC94g+ZVBi8XlWxQ/vXfP/lfRosIFPhAtKRBPSUVyzGuZkoTBJzuWoVS rhhZRhPXyUYVgJ7vEUXHHLaAqjfLInLXL182IhRmG/qwNg5MIq4CtwFEAjE8a8wAqoJUeXmfSKNv Ck6cJzjiST77IJjsRMAc4umbGpunefcpnuyaY4iYgS4iZCiednsFM3oMikI8PVw+fvBtGkE8hXrS F4uAK57yUvk8mfeKJ/1xYNuOdiFPFU+1wow6mHtQYa1MNFqYhTEODzxWuIbBN2d3p3e/2jz0zhnE zHhemzEHATzxGP+1LYfoYC2vHPQnrcSjxpq59pqrf2GtusY10D21s8SySKeUj+G6ko/t1bMU0OoY aoMbWFYpZq1jEas6yJbJWkJRbAdqD28qApcS55mmwBtTj9+rfDx1FBO5CySl+z0KTf9wOiaLFpO6 +BlZT9bxHWeiRRx/NZETOOy0z33JrZ+/JL5wREKpp/Mm9C4JU9oZWwyhDXQ96nge0l0u/DDL3mvV Twa4YsL2VAdnDiN65IyWaCJXqn+/HIgtBXgrqmzaF0+V/UGK/2uYsIx4SgmghnxWvBAvQMyuJOsR 8UsVz+MW3V26uwGAT2JRDxDnsXj0NJLsBLNHoFbZe+/IZS9RSvcWif0kQLLnR4TRn8bc76PBllIz ZWKxws5qbJVi6cRQ515F2ONJU37K37w+07VzV2EqporN0/KCP3+z/H79FbIyxLHHSaSLnSPPcKIF 9+FXFSCQLoaGQVQkk/YHoP54YjIpfC5GPjae1n54zfHjSfj/BSwCWTRpixZNxiWtLzUBjSex2gRq JjTLGk8ukFBK6/FUfCRZFY0LeR3fU36BYUODELlwI1WeDdNkhkuTnDT2p8kW65Evp5Q0rOIMTkYC 7nfkftnYavVDuYgYrsWjE/A296mvdnuh4UsRKEO9YvARayQwKHIhDNcP9y6EIB8sciFdiigTjOUk 0HIM+DYuaymlLcG+9LbyYXHCyA0LGNOPz/AlPjP3zdHuBd6UfMLCo5/yZJUkQhanWpEM7tMMXgdP KUg6YFhZ9rstMsggjjSyd3EyYU3dSKN+EQR560YeTszesxQhmo06w8iDiAvnwH7e2pmzsKEg52On 4/CqVpXzRrK7rKcZbUMPw7vvFKhrsxvdcj7xLmnyxtTxX/ASBmusa3LHoy5/nlE/nIurxopChhJa Wd0jkI1npVK5O1OvotJOmB8H3xqFM1lSNYxR6dFI76dtnSNr0BQbkN0M9wfKd7rPxRVQIBxWtCOl KjPbb+QQcHGXDxFvhiwgtM0FDTP7VGVV7MmV+aQqQ/hm1bO+Rj6MPBbEDB2UvUIBRs85aoqAJVco tSL/MIvpPnaWl13wEcUz0DWT6mqzwu0sHV27bDgtrkT6yQKdLksTTVW/k/JUqeSJ9XF3Wn5Orrzi YLLAybRMTmrKT3bExnUlVnJqTLKRo/abXSno4qFlOiirk0mbnaLSnRMbAAY=

Níže naleznete stručný obsah vybraných vynikajicích závěrečných prací studentů bakalářského a magisterského studia, kteří svou práci obhájili v roce 2016 a později.

Úverový transmisný mechanizmus monetárnej politiky v krajinách V4 (text práce)

Autor: Ing. Terézia Blašková

Vedoucí: Ing. Daniel Němec, Ph.D.

Monetárna politika – politika centrálnej banky má schopnosť ovplyvniť aspoň v krátkom časovom úseku dianie v reálnej ekonomike. To, ako sa rozhodnutia monetárnej autority, teda centrálnej banky, prenášajú do reálnej ekonomiky vysvetľujeme niekoľkými spôsobmi, ktoré nazývame transmisnými mechanizmami. Teória transmisných mechanizmov je pomerne obsiahly pojem a skrýva v sebe niekoľko rôznych kanálov. Jedným z nich je práve úverový transmisný mechanizmus. Už z názvu je zrejmé, že v tomto prípade budú zohrávať dôležitú úlohu inštitúcie poskytujúce úvery – banky. Ako takýto mechanizmus funguje? Vždy je na začiatku vyslaný nejaký signál z centrálnej banky. Na vyvolanie zmeny má centrálna banka niekoľko nástrojov, spomenieme napríklad rast úrokových sadzieb, či zmena v peňažnej báze. Na tento prvotný signál reagujú čiastkové ciele, ktoré nazývame operatívne a sprostredkujúce kritéria. Pomocou nich centrálna banka dosahuje svoj zámer, teda hlavný cieľ. Ciele centrálnej banky sa môžu líšiť, pokiaľ sa ale pohybujeme v oblasti Vyšehradskej skupiny, hovoríme hlavne o cieli stabilnej cenovej hladiny. Ako presne úverový transmisný mechanizmus funguje? Princíp je pomerne jednoduchý. Zmenou zvoleného nástroja môže centrálna banka okrem iného ovplyvniť finančnú pozíciu bánk, domácností a firiem. Budeme ich súhrnne nazývať agentami. Agenti, ktorých pozícia sa zhorší budú mať obmedzený prístup k takzvanému externému financovaniu, teda financovaniu, ktoré nepochádza v vlastných zdrojov (napríklad nerozdelený zisk). Pokiaľ hovoríme o domácnostiach a firmách a ich prístupe k externému financovaniu, pohybujeme sa v oblasti širokého úverového transmisného mechanizmu. Ak sa zameriame na banky, ide o bankovo-úverový transmisný mechanizmus. Rozhodnutie centrálnej banky môže mať vplyv na množstvo zdrojov, ktoré môže banka premeniť na úvery, a pokiaľ banka nie je dostatočne finančne silná, nie je schopná dorovnať túto stratu pomocou externých zdrojov a dochádza k poklesu úverovej aktivity. Finančnú silu banky môžeme merať pomocou množstva aktív vlastnených bankou, pomocou jej likvidných zdrojov a tiež prostredníctvom vlastného kapitálu. V diplomovej práci venujúcej sa tomto mechanizmu v jednotlivých krajinách Vyšehradskej skupiny boli využité takzvané panelové dáta, teda dáta získané pre jednotlivé banky v čase. Jadrom práce je niekoľko modelov, v ktorých bol skúmaný vplyv 3 skupín premenných na množstvo úverov poskytovaných jednotlivými bankami. Prvá skupina premenných bola tvorená charakteristikami samotnej banky, a tieto premenné popisujú veľkosť, likviditu a kapitálovú vybavenosť banky, pričom podľa teórie by malo platiť, že veľké banky s vysokou likviditou a kapitálovou zásobou si môžu na medzibankovom trhu dorovnať pokles zdrojov, ktorý spôsobila politika centrálnej banky lacnejšie a účinnosť úverového transmisného mechanizmu oslabujú. Druhú skupinu tvoria ukazovatele samotnej monetárnej politiky, konkrétne sadzby vyhlasované centrálnou bankou a peňažný agregát M2, ktorým môžeme popísať množstvo peňazí v ekonomike. Treťou skupinou sú makroekonomické ukazovatele, konkrétne produkt ekonomiky a inflácia. S použitím panelových dát sme schopný porovnať úverový transmisný mechanizmus pôsobiaci prostredníctvom jednotlivých bánk. Závery ukazujú na význam kapitálovej vybavenosti banky, pričom banky dostatočne vybavené vlastným kapitálom účinnosť bankovo-úverového transmisného mechanizmu oslabujú. Veľkosť a likvidita sa preukázali ako nevýznamné, a pokiaľ sme ako indikátor monetárnej politiky použili množstvo peňazí v ekonomike meraných pomocou peňažného agregátu M2, najsilnejšie pôsobí tento mechanizmus v Českej republike, naopak najslabší sa javí v Maďarsku. Podrobná analýza výsledkov tiež prináša možné porovnanie v rôznych časových obdobiach, a tiež porovnanie jednotlivých modelov, ktoré sa od seba odlišovali v tom, ktoré premenné boli zahrnuté. V panelovom modeli bola teda skúmaná prvá časť úverového transmisného mechanizmu, konkrétne prenos signálu od centrálnej banky do množstva poskytnutých úverov. To nám nejakú informáciu prináša, avšak zaujíma nás vplyv na reálne veličiny a reálnu ekonomiku ako takú. Preto bol v druhej časti zostavený model, ktorý skúma, či zmena v množstve poskytnutých úverov ovplyvní spotrebu domácností a investície firiem. V ideálnom prípade by mal pokles množstva úverov vyvolať pokles reálnych veličín. Výsledky naznačujú, že tento prenos je stabilnejší v prípade úverov poskytnutých domácnostiam, ktoré sa skutočne premietnu do nárastu spotreby. Vzťah medzi úvermi poskytovanými firmám a prenosom do investícií nie je tak jednoznačný. Možné vysvetlenie je pomerne intuitívne. Domácnosti premietajú prijaté úvery do svojej spotreby častejšie a o úver žiadajú už s nejakým zámerom spotrebovávať. Pokiaľ ide o firmy a ich investície, financovanie pomocou úverov je samozrejme možné, avšak na rozdiel od domácností budú firmy častejšie využívať externé financovanie na prekonanie nejakého krátkodobého zhoršenia svojej finančnej situácie. Práca ukazuje, že pokiaľ ide o fungovanie úverového transmisného mechanizmu krajiny Vyšehradskej skupiny sa navzájom odlišujú a stabilnejší vplyv na reálnu ekonomiku majú úvery poskytované domácnostiam. Verím, že môže táto práca poslúžiť ako inšpirácia pre ďalšie skúmanie, pretože téma úverového transmisného mechanizmu ponúka priestor pre iné pohľady na danú problematiku. Dali by sa napríklad porovnať krátkodobé, strednodobé a dlhodobé úvery, ponúka sa tiež podrobnejšie preskúmanie tohto mechanizmu pred krízou, počas a po kríze. Na to je však potrebný nejaký čas na získanie dostatočného množstva dát.

Jízdné zdarma: vnímání populistického opatření cestujícími a vliv na státního přepravce (text práce)

Bc. Jakub Lofaj (2017)

Školitel: doc. Ing. Martin Kvizda, Ph.D.

Bakalárska práca poskytuje komplexný a jedinečný prehľad súčasného stavu osobnej železničnej dopravy v Slovenskej republike po prijatí opatrenia “Vlaky zadarmo“ druhou vládou Roberta Fica dňa 17.11.2014. Na základe tohto opatrenia štátna Železničná spoločnosť Slovensko a.s. (ďalej len ZSSK, a.s.) zabezpečuje bezplatnú prepravu vo vlakoch pre vybrané skupiny obyvateľstva. Vzhľadom na to, že v rámci procesu liberalizácie železničnej dopravy v Slovenskej republike ide o unikátne a pomerne radikálne opatrenie, názory v radoch širokej odbornej aj neodbornej verejnosti sa výrazne líšia.

Cieľom práce je identifikovať a analyzovať špecifické dopady cestovného zadarmo na štátneho dopravcu a vybranú skupinu cestujúcich (študenti) v rámci osobnej železničnej dopravy v Slovenskej republike. Analýza tohto netradičného opatrenia vlády je vykonaná na základe vybraných verejne dostupných ukazovateľov a prostredníctvom vlastného spotrebiteľského šetrenia a jeho vyhodnotenia. V rámci analýzy dopadov cestovného zadarmo na štátneho dopravcu sú porovnávané vybrané ekonomické aj neekonomické ukazovatele ako grafikony, tarify, hospodárske výsledky, výška poskytnutých dotácií, kvalita poskytovaných služieb, dopravné výkony, obsadenosť vlakov a iné, v období pred a po zavedení cestovného zadarmo.

Pre potreby identifikácie a vymedzenie dopadov bezplatnej dopravy z hľadiska nákladov, prínosov a celkového vnímania danej problematiky cestujúcimi, sú v rámci dotazníkového šetrenia analyzované odpovede viac ako 900 respondentov, ktorí pravidelne využívajú železničnú dopravu. V práci je podrobnejšie analyzovaná aktuálna dopravná situácia na najfrekventova­nejšom dopravnom ramene Bratislava- Košice a okrajovo i rôzne zmeny politiky štátneho dopravcu (ZSSK a.s.) voči narastajúcemu tržnému podielu súkromných dopravcov (RegioJet, a.s.) na vybranej trati. Kontroverznosť a politické pozadie tohto netradičného sociálneho opatrenia spôsobuje názorové a prístupové odlišnosti, či už odbornej, ale najmä laickej verejnosti. Z dôvodu ojedinelosti podobných opatrení, nedostatku súvisiacej literatúry a absencie relevantných zdrojov, je nosným pilierom bakalárskej práce vlastný výskum. Práca jasne preukazuje, že táto netradičná politika vlády SR v ľudoch zvýšila záujem o železničnú dopravu a taktiež markantne zvýšila atraktivitu štátneho dopravcu v časoch vstupu súkromných dopravcov na trh. Štátny dopravca Železničná spoločnosť Slovensko a.s počas prvého roku fungovania opatrenia „Vlaky zadarmo“ prepravil o 10 mil. cestujúcich viac (čo predstavuje nárast o cca 20%), pri čom dopravný výkon (Vlkm) vzrástol o 1,1 milióna. Výnosy štátneho dopravcu z prepravy osôb však medziročne poklesli o 20 mil. EUR. Táto suma zahŕňa len výpadok tržieb z predaja cestovných lístkov a nezahŕňa ďalšie náklady, ako napríklad náklady na zavedenie nových spojov, prenájom posilových vozňov a ani ďalšie náklady súvisiace s vyššou kapacitou prevádzky. Tieto náklady sú z veľkej časti kompenzované dotáciou zo zmluvy o dopravných službách vo verejnom záujme, ktorej medziročný nárast bol 13,374 mil. EUR a ostatnými dotáciami, ktoré medziročne vzrástli o 17,521 mil. EUR. Jedným z následkov tohto opatrenia je i skutočnosť, že v januári 2016 ZSSK a.s. ukončila 22-ročnú prevádzku dlhodobo stratových IC vlakov na trase BA-KE, keďže sa jej nepodarilo do týchto vlakov nalákať dostatočné množstvo platiacich cestujúcich a obstáť tak v konkurencii bezplatnej dopravy v rýchlikoch. Kľúčovú časť práce tvoril výskum realizovaný prostredníctvom dotazníkového šetrenia, zameraný na populáciu študentov. Cieľom bolo zistiť, ako študenti cestovné zadarmo vnímajú a aké dopady na ich spotrebiteľské chovanie má toto opatrenie. O prínosoch cestovného zadarmo pre študentov nie sú žiadne pochybnosti. Dostali možnosť neobmedzene cestovať ekologickou formou dopravy, nie sú finančne zaťažení, cestujú častejšie, môžu si vybrať z väčšej ponuky spojov a ušetrené finančné prostriedky môžu použit na iné účely. Študenti dané opatrenie hodnotia prevažne pozitívne a až 92,4% dotazovaných vlaky zadarmo využíva. Hlavným dopadom na cestujúcich z hľadiska nákladov je umelý dopyt, na ktorý doplácajú všetci, ale predovšetkým platiaci cestujúci. Títo musia znášať pokles kvality ponúkaných služieb, preplnené spoje a časté meškania z dôvodu poruchovosti starších vlakových súprav. Cestovné zadarmo vo vlakoch pre vybrané skupiny obyvateľstva je pomerne mladé opatrenie (dva roky) a kvantifikovať reálne dopady na široké spektrum oblastí je t.č. pomerne zložité a nepochybne si vyžaduje väčší rozsah ako je bakalárska práca. Nezodpovedanou otázkou ostáva, či sociálne opatrenie, ktoré pokrivilo dopravný trh, čiastočne zlikvidovalo ďiaľkovú autobusovú dopravu a svojou podstatou zamedzilo zdravej konkurencii na železnici, je z hľadiska ďalšieho fungovania dopravy na Slovensku, ako i z hľadiska dlhodobých cieľov dopravnej politiky prospešné a vhodné.

Štěstí v Německu (text práce)

Ing. Andrej Linhart (2017)

Školitel: Ing. Štěpán Mikula, Ph.D.

Moja práca tematicky patrí do disciplíny ekonómie nazývanej „ekonómia šťastia“. Tá v princípe spočíva v tom, že kvalita života jedinca je meraná na základe jeho subjektívneho vnímania, teda ako šťastne sa po zohľadnení všetkých okolností jeho života v danom momente cíti. Tieto informácie sú obvykle zbierané pomocou dotazníkov, kde ľudia hodnotia spokojnosť so svojim životom na stupnici napríklad od 0 do 10. Zároveň s informáciami o spokojnosti so životom (šťastí) sú zbierané aj ďalšie informácie o ostatných charakteristikách, akými sú príjem, ekonomická situácia, rodinný stav, vek, zamestnanie, počet detí a podobne. Ekonómia šťastia následne skúma ako tieto rôzne osobnostné charakteristiky ovplyvňujú spokojnosť so životom.

V mojej práci som sa najskôr pokúsil nájsť faktory, ktoré ovplyvňujú mieru spokojnosti so životom v Nemecku. Avšak mojim hlavným záujmom bolo porovnanie východného a západného Nemecka. Motivácia pre toto porovnanie je nasledovná. Nemecko, ako relatívne homogénna krajina s identickým jazykom, spoločnou históriou a podobnou kultúrou, bola po druhej svetovej vojne rozdelená medzi dve odlišné politicko-ekonomické zriadenia. Západné Nemecko sa stalo súčasťou demokratického bloku s trhovo orientovanou ekonomiku, východná časť krajiny sa ocitla pod komunistickou diktatúrou s centrálne plánovaným hospodárstvom. Následkom 45 rokov vývoja pod odlišnými systémami bolo možné v roku 1990, v čase opätovného zjednotenia, pozorovať dve veľmi odlišné krajiny. Tieto odlišnosti sa dotýkali všetkých oblastí spoločnosti a ekonomiky. Odlišná bola aj celková spokojnosť so životom. Ľudia v západnej časti krajiny boli podstatne šťastnejší než obyvatelia východného Nemecka. Konkrétne na škále od 0 do 10 bola v roku 1991 priemerná miera spokojnosti so životom v západnom Nemecku približne 7,3 a vo východnom 6,0. Do roku 2012 sa táto miera na západe príliš nezmenila, avšak na východe vzrástla na cca 6,7. Je teda možné pozorovať pozvoľnú konvergenciu.

Už spomínaný predpoklad o vzájomnej kultúrnej, historickej a genetickej príbuznosti oboch častí Nemecka je dôležitý aj pre hodnotenie jednotlivých režimov. Výskumy preukázali, že genetika a kultúrne prostredie vytvárajú základný rámec toho, ako šťastne sa človek cíti. Tento základ je potom ovplyvňovaný ďalšími faktormi. V mojej práci som zistil, že v Nemecku medzi tieto ďalšie faktory patria peňažný príjem, zamestnanosť, počet potomkov, zdravotný stav, vek, pohlavie, náboženstvo a rodinný stav. Po znovuzjednotení Nemecka tieto faktory nadobúdali v jednotlivých častiach krajiny odlišné priemerné hodnoty. Východní Nemci boli na nižšom stupni ekonomického rozvoja a mali tak podstatne nižší príjem. Nevhodná štruktúra ekonomiky sa ďalej prejavila vo vyššej miere nezamestnanosti. Avšak na základe ekonometrických modelov vytvorených v mojej práci možno usudzovať, že tieto faktory dokážu vysvetliť len približne polovicu rozdielu v šťastí medzi východným a západným Nemeckom. To znamená, že ak bola v nejakom roku priemerná miera spokojnosti so životom o 0,6 bodu vyššia v západnom Nemecku, vyšší príjem, nižšia nezamestnanosť a ďalšie merateľné faktory dokážu vysvetliť len približne 50%, čiže 0,3 bodu, z tohto rozdielu. Iná interpretácia tohto javu je, že ak by sme porovnali dvoch identických ľudí s úplne totožnými charakteristikami, pričom jedinou odlišnosťou by bolo to, že jeden z nich je západný a druhý východný Nemec, ten východný by bol pravdepodobne menej šťastný. To znamená, že samotné miesto bydliska na území bývalej NDR (východné Nemecko) je negatívny faktor pri vysvetľovaní spokojnosti so životom v Nemecku. Tento negatívny vplyv síce od zjednotenia Nemecka postupne slabol, ale ani takmer štvrť storočia po zjednotení úplne nezmizol. Ešte v roku 2012 bol východný Nemec v priemere asi o 0,27 bodov menej šťastný než hypoteticky úplne identický západný Nemec. O postupnej konvergencii ale svedčí aj to, že je tento vplyv výrazne menší u mladej generácie, teda u ľudí, ktorí prežili väčšinu života už v jednotnom Nemecku.

Aby sme to zhrnuli, tak v dôsledku 45 rokov vývoja pod odlišnými režimami boli východní Nemci podstatne menej šťastní než západní. Tento rozdiel sa v priebehu viac než 20 rokov od zjednotenia znížil, ale zďaleka ešte nevymizol. Časť tohto rozdielu je vysvetliteľná rôznymi merateľnými faktormi, akými sú odlišný priemerný príjem alebo odlišná miera nezamestnanosti. Zvyšný nevysvetlený rozdiel možno interpretovať ako kultúrno-spoločenský vplyv samotného života vo východnom Nemecku.

Replikace mikroekonomického experimentu Trust Game (text práce)

Bc. Vít Blažek (2016)

Školitel: Ing. Michal Kvasnička, Ph.D.

Mezilidská spolupráce a budování vztahů je denním chlebem každého z nás. V semináři potřebujeme komunikovat se spolužáky, abychom zvládli odevzdat zadanou práci, v zaměstnání nás zase nemine komunikace s kolegy z různých oddělení. Jeden prvek se však opakuje v téměř všech našich vztazích, a to i ekonomických – důvěra.

Zkoumáním důvěry či důvěryhodnosti a ovlivněním těchto vlastností emocemi jsem se zabýval ve své bakalářské práci. Předlohou mi byl experiment amerických vysokoškolských profesorů, ve kterém autoři zkoumali vliv emocí na důvěru a důvěryhodnost. Snažili se zjistit, jak hněv, provinilost a vděk ovlivňují očekávání účastníků experimentu a jestli se pak podle předem zjištěných očekávání účastníci doopravdy chovají. Zásadním zjištěním pro mě bylo, že lidé očekávají, že jim jejich rozzlobené protějšky budou méně důvěřovat a také méně oplácet, než protějšky emocionálně neutrální. Experiment však ukázal, že očekávání zůstala nenaplněna. Přestože si logicky můžeme říct, že rozzlobený člověk se přece bude chovat méně důvěryhodně a bude méně oplácet, autoři ve svém výzkumu ukázali opak. Na rozdíl od pouhých 37,5% neutrálních hráčů, kteří se v experimentu zachovali férově, tvořil tento poměr u rozzlobených hráčů přes 90%.

Já jsem se ve svém výzkumu rozhodl práci práci autorů experimentálně ověřit, a to za použití pouze jediné emoce – hněvu. Pracoval jsem se dvěma skupinami lidí. První skupinu tvořili neutrální hráči – kontrolní skupina – a druhou skupinu tvořili hráči rozzlobení. Jelikož jsem se v rámci co nejpřesnějšího srovnání výsledků snažil svůj experiment co nejvíce připodobnit experimentu původnímu, tak jsem například použil mimo jiné i stejnou metodu rozzlobení hráčů. Tou byl krátký popis zážitku, který je za poslední rok nejvíce rozzlobil. Ač se může zdát, že je to poměrně slabý způsob, jak někoho rozzlobit, následné testování výsledků prokázalo, že účastníci se opravdu výrazně rozzlobili. Nebylo tedy nutné využít jakýchkoli drsnějších metod, které jsem však v rámci pečlivé přípravy raději dopředu promyslel.

Samotný experiment pak probíhal formou Trust game. V této hře jsou účastníci rozděleni do dvou rolí, role A a B. Hráči A na začátku kola obdrží určitý obnos peněz a rozhodují se, kolik z nich pošlou svému protihráči. Peníze jsou v průběhu posílání znásobeny a Hráč B tedy obdrží několikanásobek toho, co poslal Hráč A. Hráč B, který má k dispozici pouze peníze od svého protějšku, se rozhoduje kolik peněz naopak pošle zpět. Obecně lze říci, že výše poslané částky určuje míru důvěry. Je třeba dodat, že hráčům jsem nezatajil žádné informace o hře, každý Hráč A hrál právě jednou s každým Hráčem B a herní peníze byly na konci hry proplaceny v reálných penězích.

Po odehrání všech her jsem z dat zjistil následující: Hráči obecně neočekávají, že by rozzlobení protihráči měli být méně důvěryhodní, než neutrální protihráči, tedy rozpor s původním experimentem. Ve hře samotné je také chování Hráčů A v rozporu s původním experimentem. V mém experimentu Hráči A posílají víceméně stejnou částku (projevují stejnou důvěru) neutrálním i rozzlobeným protihráčům. Stejně je tomu pak u Hráčů B, kteří posílají velmi podobné částky zpět, a to nezávisle na emoci.

Celkově tedy mohu říct, že většina výsledků mi vyšla přesně opačně, než americkým experimentátorům. Roli v rozdílných výsledcích ale hraje i fakt, že jsem měl méně jak poloviční počet hráčů, kteří byli z naprosto odlišného sociálně-ekonomického prostředí než v původním experimentu. Je také třeba zmínit, že u několika statistických testů se jednalo o hraniční hodnoty a v případě vypuštění prvních dvou kol experimentu jako zahřívacích, se dokonce výsledky ještě mění. Můj experiment sice vyšel jinak, ale výsledky jsou stále konzistentní – lidé neočekávají jiné chování od rozzlobených lidí a ti se zároveň opravdu nechovají výrazně jinak, než lidé emočně neutrální.

Testování hystereze nezaměstnanosti (text práce)

Bc. Dominika Hustinová (2016)

Školitel: Ing. Martin Slanicay, Ph.D.

Náplňou bakalárskej práce „Testování hystereze nezaměstnanosti“ je empirické testovanie prítomnosti efektu hysterézie nezamestnanosti na reálnych dátach vybraných ekonomík OECD.

Hypotéza hysterézie nezamestnanosti je jednou z teórií, ktoré popisujú dynamiku nezamestnanosti, pričom popiera existenciu prirodzenej miery nezamestnanosti, ku ktorej by sa v dlhom období mala miera nezamestnanosti vrátiť. Efekt hysterézie nezamestnanosti je chápaný ako jav, kedy úroveň miery nezamestnanosti závisí na svojej úrovni v minulosti, tj. akékoľvek cyklické fluktuácie majú permanentný efekt na jej budúci vývoj.

Dôležitosť zistenia, ktorá z teórií popisuje chovanie miery nezamestnanosti, spočíva v tom, že ak sa preukáže prítomnosť hysterézie, zásah zo strany hospodárskej politiky je nevyhnutný. Je preto dôležité zistiť, či budú mať rôzne reformy aplikované na ekonomiku iba krátkodobý charakter, alebo naopak dlhodobý a svoje chovanie týmto zisteniam prispôsobiť.

Vysvetlenie toho, prečo krátkodobé šoky môžu spôsobovať trvalý efekt, ponúkajú tzv. hysterézne mechanizmy – jedným z nich je hypotéza insider-outsider. Tá rozdeľuje pracovnú silu na dve skupiny – na insiderov, ktorí sú momentálne zamestnaní, a na outsiderov, ktorí o svoje pracovné miesto prišli. Každej skupine je pridelená iná váha v procese vyjednávania miezd s firmami. Pri prítomnosti negatívneho šoku, ktorý sa prejaví znížením zamestnanosti, insideri nastavia mzdy tak, aby sa súčasná zamestnanosť nezmenila, a tá teda nemá tendenciu vrátiť sa na svoju pôvodnú hodnotu.

Z modelového vyjadrenia tohto mechanizmu vyplýva, že pri jeho platnosti je zamestnanosť generovaná procesom náhodnej prechádzky a pri fixnom počte ekonomicky aktívnych osôb sú tieto závery rovnaké aj pre nezamestnanosť. Proces náhodnej prechádzky obsahuje jednotkový koreň, a na základe toho, je možné využiť metódy založené na testovaní jednotkového koreňa pri testovaní prítomnosti efektu hysterézie, a na ktorých je postavená táto práca. Zamietnutie hypotézy, že časová rada miery nezamestnanosti testovanej krajiny obsahuje jednotkový koreň, je teda zamietnutím hypotézy, že dynamiku nezamestnanosti tejto krajiny popisuje hypotéza hysterézie.

Empirická analýza bola prevedená na mesačných, sezónne očistených aj sezónne neočistených dátach 28 krajín patriacich do OECD, ktoré pokrývali obdobie od januára 2000 po február 2015. K analýze boli zvolené dva jednorozmerné testy jednotkového koreňa – rozšírený Dickey-Fullerov (ADF) test a Kwiatkowski, Phillips, Schmidt a Shin (KPSS) test. Následne bolo na rôznych skupinách krajín prevedených 5 panelových testov jednotkového koreňa – Levin et al. test, Im, Pesaran a Shin test, Maddala a Wu test a dva Choi testy. Panelové testy slúžia k posilneniu výsledkov získaných vďaka jednorozmerným testom, pretože pracujú nielen s časovou informáciou aj s tou prierezovou. Na základe formulácie alternatívnej hypotézy panelových testov je vhodným odporúčaním použitie panelových testov na takej skupine krajín, z ktorej sú vylúčené tie krajiny, u ktorých bola hypotéza hysterézie zamietnutá na základe výsledkov jednorozmerných testov.

Všetky testy boli prevedené na modele náhodnej prechádzky s driftom v podobe konštanty a na modele náhodnej prechádzky s driftom a deterministickým trendom – výsledky testov pre tieto dve alternatívy boli vo vysokej miere podobné.

V prípade použitia jednorozmerných testov na sezónne očistených dátach výsledky jednoznačne indikovali prítomnosť hysteréznych efektov v takmer všetkých skúmaných krajinách. Výnimkou boli len krajiny Estónsko, Kórea a Švajčiarsko, u ktorých hypotézu hysterézie zamietol ADF test. Výsledky KPSS testu taktiež svedčili v prospech hypotézy hysterézie vo všetkých krajinách okrem Kanady. Výsledky panelových testov sa naprieč rôznymi skupinami krajín takmer nelíšili – odlišnosti nastali pri testoch, u ktorých sa líšila formulácia nulovej a alternatívnej hypotézy. Výsledky týchto testov tak potvrdili závery získané prevedením jednorozmerných testov.

Aplikácia testov na sezónne neočistené dáta viedla k značne pestrejším výsledkom. ADF test zamietol hypotézu hysterézie u 8 krajín – Austrália, Belgicko, Holandsko, Kanada, Kórea, Nórsko, Rakúsko a Švajčiarsko. Závery KPSS testu boli v tomto prípade zhodné s tými pre sezónne očistené dáta a k zamietnutiu hypotézy hysterézie došlo iba pri Kanade. Výsledky panelových testov sa veľmi odvíjali od toho, či sa v testovanej skupine krajín nachádzala krajina, u ktorej k zamietnutiu hypotézy hysterézie došlo pri prevedení ADF testu – v takom prípade výsledky testov indikovali efekt hysterézie v tejto skupine krajín. Keď sa však žiadna z vyššie uvedených 8 krajín v testovanej skupine nenachádzala, panelové testy ani vďaka svojej vyššej sile neboli schopné zamietnuť hypotézu hysterézie pre zvolenú skupinu krajín.

Posuzování rabatů jako zakázané soutěžní praktiky v EU a USA (text práce)

Ing. Mgr. Tomáš Kirner (2016)

Školitel: doc. Ing. Martin Kvizda, Ph.D.

Diplomová práce se zabývá ekonomickými dopady rabatů, jakožto formy cenové diskriminace, v případě jejich použití firmou s dominantním postavením na trhu. Rabatem se rozumí taková forma cenové diskriminace, která firmě umožňuje účtovat si rozdílnou cenu za jednotlivé prodané jednotky stejného zboží. Takováto variace může být použita ve vztahu k jednomu zákazníku a odvíjet se od předem stanovených prhových hodnot odebraného množství, nebo ve vztahu k více zákazníkům a být nabízena způsobem ušitým na míru každého z nich. V obou případech je motivace firmy používající rabatové schéma posílení konkurence na cenách a zájem maximalizovat prodané množství, a tím si udržet či zvýšit svůj tržní podíl.

Cílem práce je srovnat způsob posuzování rabatů příslušnými soutěžními orgány v Evropské unii (EU) a ve Spojených státech (USA). Komparace je prováděná na vybraných případech, které zahrnují nejdůležitější rozhodnutí soutěžních orgánů, popř. soudů. Ke zkoumání jednotlivých případů se vychází z primárních dokumentů, tedy rozhodnutí Evropské komise (Komise) v EU a rozhodnutí obou odvolacích instancí Soudního dvora EU a rozsudků amerických soudů, včetně případných rozsudků odvolacích instancí. Jádrem analýzy rozhodnutí je posouzení použitých ekonomických metod užitých k určení, zdali použití rabatů dominantní firmou bylo v rozporu s antitrustovými zákony. Tedy zda mělo, nebo mohlo mít protisoutěžní dopady na soutěž na trhu jako vyloučení konkurentů příliš nízkými cenami a následné navýšení účtovaných cen dominantní firmou jejím zákazníkům či omezení inovací k nahrazení utrpěné ztráty.

Zákonná úprava antitrustových norem neposkytuje specifická vodítka k určení postupu soutěžních orgánů při posuzování rabatů. Proto bylo nutné provést detailní rozbor vývoje rozhodovací praxe v obou zkoumaných jurisdikcích. Rozhodovací orgány ve své rozhodovací praxi váží a hledají vhodný poměr mezi striktně stanovenými pravidly zajišťujícími právní jistotu na úkor ekonomických testů simulujících dopady rabatů na daný trh a opačným přístupem volajícím po ekonomické analýze, která umožňuje lépe odhadnout tržní prostředí a dává soutěžním orgánům možnost soudit případ od případu bez doktrinálního přístupu. První přístup jo považován za rozhodování dle formy a druhý za rozhodování dle účinku dané praktiky.

Zvláštní pozornost byla věnována testu stejně výkonného soutěžitele, který začala využívat Komise k posuzování rabatů od konce roku 2008. Tento test je velice komplexní a blíže popsán v samotné diplomové práce. Prozatím byl Komisí použit ve dvou případech, přičemž v druhém z nich Komise uložila společnosti Intel za použití rabatů se zpětným účinkem a dalších praktik pokutu ve výši 1,06 mld. Euro. Ve Spojených státech se přitom rozhodnutí nedočkáme, protože stěžovatel, který vyvolal zájem v Evropě, AMD, se v USA s Intelem mimosoudně dohodl.

Kontroverznost hodnocení rabatů a rozdílný přístup v EU a USA vyplývá i z dalších posuzovaných případů. Příkladem je poskytování příplatků za zprostředkování letenek dealerům od British Airways, které bylo v EU pokutováno. Zato v USA ve stejné věci byla žaloba Virgin Airlines proti British Airways zamítnuta. Tyto mezníky rozhodovací praxe ukazují na důležitost bližšího zkoumání, a zároveň na to, že firmy podnikající ve dvou největších hospodářských kolosech na světě musí detailně znát různé rozhodovací praxe, aby mohly implementovat své obchodní politiky správně a vyhnuly se potenciální pokutě.

Dílčí poznatek 1 – Věrnostní rabaty jako nejvíce kontroverzní forma

Zvláštní forma rabatů jsou věrnostní rabaty udělované za učiněné prodeje obvykle za poslední rok zpětně. Ty umožňují podniku, který je nevyhnutelný obchodní partner (odběratelé od něj musí koupit část své poptávky – například Intel vůči výrobcům počítačů – tzv. nesoutěžitelná část), při nabídnutí slevy na všechny odebrané jednotky po dosažení dohodnutého prahu, snížit cenu v tzv. soutěžitelné části poptávky pro své konkurenty na tzv. efektivní cenu, a tím jim ztížit přístup na trh. Tento vztah simuluje obrázek níže. Dílčí poznatek 2 – Ekonomické dopady rabatů

Pravděpodobně nejpodstatnější spor mezi přínosy a nevýhodami rabatů je snížení ceny v soutěžitelné části poptávky, protože má vylučující dopady na soutěž (snížení konkurence), ale snižuje ceny (zvýšení výstupu a více obsloužených zákazníků). Mezi další identifikovaná pozitiva aplikovatelná i na jiné formy rabatů, jak jsou blíže popsány v diplomové práci, patří zvýšení návratnosti fixních nákladů, motivace přeprodejců přenášet rabaty na konečné zákazníky či omezení černého pasažérství, tedy motivace dominantí firmy zvyšovat doprovodné pobídky pro zkvalitňování prodeje jejího zboží. Na druhé straně nevýhodou je schopnost rabatů omezit konkurenci, uzavřít trh a po případném odchodu konkurenta opět navýšit ceny.

Zjištěné výsledky a závěr

V EU byl dříve využíván pouze zakazující přístup vůči věrnostním a dalším formám rabatů dle formy bez ekonomického testování. Po zavedení testu stejně výkonného soutěžitele se zvyšuje používání ekonomické analýzy Komisí a tedy zkoumání reálných podmínek na trhu. Tento přístup však evropskými soudy není zcela akcentován. V USA zkoumaly rabaty soudy. Je zde kladeno vysoké důkazní břemeno k prokázání, že rabat mohl vyloučit soutěžitele z trhu a že cena po slevě byla podnákladová. Pro posouzení podnákladovosti není obvyklé dělet poptávku na soutěžitelnou a nesoutěžiyelnou část, nicméně soud přihlíží ke všem okolnostem případu. Závěrem lze shrnout, že americká praxe je k používání rabatů více nakloněna a lpí na prokozávní reálných dopadů, nikoliv na teorii a potenciálním vyloučení konkurence jako tomu po dlouhou dobu bylo v EU. Nový přístup Komise k rabatům však napovídá, že se přístup v obou jurisdikcích sbližuje.

Evaluace devizových intervencí a kurzového závazku České národní banky (text práce)

Ing. Pavel Křížek (2016)

Školitel: Ing. Daniel Němec, Ph.D.

Rozhodnutí České národní banky zavést kurzový závazek, tedy nedovolit koruně aby posílila pod 27 CZK za euro, vyvolalo záhy bouřlivou diskuzi, která se na rozdíl od jiných rozhodnutí ČNB neomezovala pouze na veřejnost odbornou, ale jež dlouho rezonovala celým veřejným prostorem. Nyní – po více než dvou letech od zahájení intervenčního režimu (Kurzový závazek a intervenční režim jsou v textu používány jako synonyma.) – nastala vhodná doba podívat se na rozhodnutí centrální banky s odstupem a pokusit se vyhodnotit jednotlivé kroky související s přijetím kurzového závazku spolu s dopadem této politiky na cenovou hladinu.

Jako první krok evaluace kurzového závazku je vhodné posoudit důvody přijetí této nekonvenční měnové politiky. ČNB se od 1. listopadu 2012 nachází v situaci, kdy se její hlavní nástroj v podobě repo sazby (pomocí které ovlivňuje ostatní úrokové míry v ekonomice) dostal na nulovou úroveň. Zároveň však docházelo ke zpomalování růstu spotřebitelských cen, a to pod 2% inflační cíl, který si ČNB stanovila jako definici cenové stability. V této situaci centrální banka přistoupila ke slovním intervencím, tedy ke komunikaci toho, co se centrální banka chystá udělat v případě, že se nezmění cenový vývoj. Díky dobré reputaci a kredibilitě centrální banky může samotná komunikace potenciálních devizových intervencí stačit k oslabování devizového kurzu, prostřednictvím kterého se ČNB snažila navrátit růst spotřebitelských cen k blízkosti inflačního cíle. Přestože ne každé prohlášení bankovní rady se setkalo s významnou změnou kurzu, tak lze konstatovat, že některá prohlášení bankovní rady pomáhala držet devizový kurz na slabších úrovních.

Analýza komunikace centrální banky ukázala, že ČNB dlouhodobě a transparentně na potenciální použití měnového kurzu upozorňovala. Problematickým se ukázalo zejména dlouhé časové období, kdy centrální banka opakovaně zmiňovala použití devizových intervencí jako velmi pravděpodobné. To na jedné straně vedlo k omezování možností ČNB ovlivňovat trh slovními intervencemi a zároveň podkopávalo kredibilitu centrální banky skutečně se k intervenčnímu režimu odhodlat. Z těchto důvodů pak nebyly devizové intervence očekávány, a to i přes jejich opakované zmiňování centrální bankou. Překvapení pak bylo umocněno načasováním intervencí. Centrální banka k nim přistoupila ve chvíli, kdy přicházelo ekonomické oživení. Jak poté ukázal přehled výsledků nejnovější literatury věnující se deflaci, uvíznutí v deflační pasti, které centrální banka zmiňovala jako jeden z hlavních důvodů intervenčního režimu, bylo spíše teoretickou možností s velmi malou oporou empirických důkazů. Legitimním důvodem pro započetí kurzového režimu pak byla potenciální ztráta kredibility v případě, že by komunikace centrální banky byla dlouhodobě v rozporu s jejími činy. Dlouhodobé používání slovních intervencí tak postavilo ČNB do situace, kdy neměla příliš mnoho jiných možností než se uchýlit k jejich realizaci.

Důležitým krokem při zhodnocení kurzového závazku je odpověď na otázku, zda centrální banka zvolila nejlepší možný nástroj, jak dále uvolnit měnové podmínky. Po analýze dalších nekonvenčních nástrojů, které měla ČNB k dispozici, docházíme k závěru, že pro českou ekonomiku se všemi jejími specifiky je použití měnového kurzu jako dodatečného nástroje tou nejlepší volbou.

Klíčovou otázkou je vliv kurzového závazku na cenovou hladinu. U prezentovaných výsledků je třeba mít na paměti, že se jedná vždy pouze o odhady a ty jsou nevyhnutelně spojeny s nejistotou. V této práci jsme využili SVAR modelů, které umožňují kvantifikovat vliv šoku v jedné proměnné na jinou proměnnou. Použitá modelová specifikace nám umožnila sledovat, jak se 1% oslabení kurzu promítne do jednotlivých cenových okruhů. Nejsilnější vliv bylo možné pozorovat u cen dováženého zboží, u kterého dosahoval kumulovaný efekt 60 % původního šoku. Jinými slovy 1% oslabení kurzu způsobilo nárůst dovozních cen o 0,6 %. Znatelně menší vliv pak můžeme pozorovat u cen výrobců, kde se kumulativní vliv pohybuje pouze v rozmezí 5 % – 10 % původního šoku, přičemž se vliv neukázal jako statisticky významný. V práci se pak nepodařilo ani v jedné modelové specifikaci na jakémkoli ze tří použitých časových řad zjistit statisticky významný vliv kurzového šoku na cenovou hladinu. Statisticky nevýznamné odhady se pohybovaly v rozpětí –4 % (negativní výsledek znamená, že po oslabení kurzu klesá cenová hladina) až 8 %. I v případě použití nejvyššího naměřeného vlivu pro spotřebitelské ceny se kumulativní vliv devizových intervencí na růst cenové hladiny pohybuje pouze kolem 0,5 %. Na základě našich výsledků pak můžeme konstatovat, že 7% oslabení kurzu, které následovalo po intervencích ČNB má zanedbatelný či žádný vliv na cenovou hladinu. Analýza dále ukázala, že právě ceny potravin a pohonných hmot jsou těmi, které mají nejvyšší vliv na cenovou hladinu v případě kurzového šoku. Jejich klesající ceny tak dále oslabují již tak ne příliš významný vliv kurzu na spotřebitelské ce­ny.

Závěr práce se zabývá potenciálním ukončením intervenčního režimu. Vzhledem k nízké ceně ropy, silně protiinflačnímu externímu prostředí v podobě situace v eurozóně, zpomalování ekonomické aktivity v Číně a dalším protiinflačním faktorům nebude návrat k inflačnímu cíli jednoduchý. ČNB se tak nachází v komplikované situaci, jelikož opakovaně podmiňuje ukončení intervenčního režimu návratem k 2% inflačnímu cíli, který je v nedohlednu, a zároveň se zvyšuje tlak na další uvolnění měnových podmínek ze strany Evropské centrální banky, která dále uvolňuje měnovou politiku v eurozóně. To vše se děje v situaci, kdy čím dál více indikátorů domácí ekonomiky neukazuje potřebu nadále udržovat extrémně uvolněnou měnovou politiku. Centrální banku tak čeká složité rozhodování.

Sázkový trh a domácí předpojatost (text práce)

Bc. Ján Mikulaj (2016)

Školitel: Ing. Rostislav Staněk, Ph.D.

Stávkové trhy sa vsúčasnej dobe tešia veľkej popularite. Veľké množstvo stávkových príležitostí motivuje fanúšikov športu kvstupu na tento trh. Na ňom proti sebe stoja práve títo fanúšici, ktorí uzatvárajú stávky na dané príležitosti sdruhou stranou trhu, bookmakerom. Ten vypisuje kurzy na budúce udalosti, ktorými môžu byť konečné výsledky futbalových alebo hokejových zápasov, počet gólov, či celkový víťaz turnaja. Kurzom rozumieme obrátenú pravdepodobnosť nastatia očakávaných javov. To znamená, že ak pravdepodobnosť víťazstva daného tímu je 0,25, potom kurz na jeho výhru je 4. Vtom prípade sa jedná otakzvaný férový kurz. Táto práca však skúma situáciu, kedy je na stávkovom trhu prítomný zaujatý stávkujúci, ktorého prítomnosť na trhu môže vychýliť vypisované kurzy.

Zaujatý stávkujúci môže byť ovplyvnený rôznymi presvedčeniami. Nimi môžu byť napríklad loyalty bias alebo perception bias, inak zvané aj optimistic bias. Toto presvedčenie hovorí otom, že stávkujúci preceňuje šance na víťazstvo podporovaného tímu. Vtejto práci je tento fenomén prevedený na fenomén home bias, ktorý predpokladá, že český stávkujúci podporuje vmedzištátnych zápasoch iba svoju krajinu. To sa vstávkovaní premietne tak, že daný fanúšik podá stávku iba na svoj tím. Toho dôsledkom by mali byť kurzy na národný tím vychýlené smerom nadol.

Kempirickej štúdii tohto vychýlenia bol zvolený dataset pozostávajúci zo zápasov českej futbalovej a hokejovej reprezentácie. Celkovo bolo zozbieraných 722 medzištátnych zápasov, zktorých 195 je futbalových a 527 hokejových. Kním bol zvolený kontrolný dataset futbalových a hokejových zápasov, ktoré boli odohrané na klubovej úrovni. Ten obsahuje 4200 zápasov, ktoré boli vybraté náhodným výberom. Celkovo tak výskum pozostáva zo 4922 futbalových a hokejových zápasov ku ktorým sú priradené kurzy na víťazstvo českých národných tímov, alebo na víťazstvo náhodného tímu zkontrolného vzorku klubových zápasov.

Výskum bol prevedený pomocou logistickej regresie. Bolo využitých viacero regresných modelov, pomocou ktorých bol hľadaný fenomén home bias na českom stávkovom trhu. Väčšina zmodelov však nepotvrdzuje prítomnosť hľadaného fenoménu. Výsledné čísla ukazujú neočakávané výsledky, alebo trpia malou dôveryhodnosťou vpodobe štatistickej nevýznamnosti. Jediný model, ktorého odhadnuté výsledky sú štatisticky významné ukazuje výskyt opačného fenoménu a to pessimistic bias.

Výsledky práce ukazujú, že český stávkový trh netrpí vychýleniami kurzov smerom nadol. Práve naopak, výsledky ukazujú, že stávkové kurzy na české národné tímy majú tendenciu byť vychýlené smerom nahor.

Empirický výskum ako českí zákazníci dávajú prepitné, skúmaný pomocou metódy „policy capturing“ (text práce)

Mgr. Monika Szalaiová (2016)

Školitel: Ing. Michal Kvasnička, Ph.D.

Téma prepitného predstavuje dnes už všeobecne známy fenomén, ktorým sa zaoberalo mnoho autorov v rôznych ekonomických, psychologických, či sociologických prácach. Súčasný výskum, ktorý som organizovala v rámci diplomovej práce ponúka odlišný náhľad na danú problematiku vďaka aplikácii atypickej metódy ,,policy capturing”. Metóda všeobecne slúži na zistenie, ako sa ľudia spontánne rozhodujú v rôznych okamihoch. T.j. ak čelia určitej situácii opísanej pomocou vybraných faktorov, zisťujeme, ktoré informácie sú pre nich v danej chvíli kľúčové a zároveň do akej miery sú dôležité. Na analýzu sa využívajú základné štatistické a ekonometrické metódy. Na jednej strane máme zvolené parametre, pre všetkých rovnaké, na druhej strane výsledné úsudky, ktoré sa rôznia, keďže vznikajú na základe vlastného zváženia každého respondenta. Konštruuje sa tak niekoľko modelov líšiacich sa iba v úsudkoch dotazovaných ľudí, čo umožňuje odhadnúť koeficienty modelu. Tie sú opäť rôzne, závisia od osobnosti, a zároveň môžu vykazovať percentuálnu váhu priradenú každej premennej. Vďaka metóde ,,policy capturing“ tak môžeme kvantitatívne opísať vzťah medzi danými informáciami určujúcimi konkrétne situácie a samostatnými rozhodnutiami jednotlivcov.

V diplomovej práci som modifikovala hypotetické situácie v reštaurácii na základe premenných týkajúcich sa prostredia, čašníkovho pohlavia a schopností, kvality jedál a nápojov, a zaplateného účtu. Za cieľ som si vytýčila preštudovať správanie každého zákazníka pri obmieňaní hodnôt týchto faktorov a vyvodiť jeho charakteristickú stratégiu, ktorú bežne používa pri rozhodovaní o výške poskytnutého prepitného. Následne som všetky stratégie porovnala a hľadala najtypickejšie vzory správania pre českých zákazníkov.

Najskôr som vytvorila dotazníkové šetrenie pozostávajúce z grafických znázornení situácií v reštaurácií. Následne bolo rozposlané e-mailovou korešpondenciu študentom ekonomickej fakulty MU a uverejnené na sociálnej sieti. Výskumu sa nakoniec zúčastnilo 127 respondentov, pričom každý z nich uviedol výšku prepitného v štyridsiatich prípadoch. Celkovo priemerné prepitné poskytované českými zákazníkmi je približne 12 Kč, čo tvorí 4,94% z celkového účtu, ale v porovnaní s USA je tento podiel výrazne nižší. Zhodne s americkým výskumom, Česi najčastejšie uvádzajú, že sa poskytnutým prepitným snažia ohodnotiť spokojnosť s čašníkovým servisom, čo sa potvrdilo aj štatistickou významnosťou premenných rýchlosť a zdvorilosť čašníka u početnej skupiny respondentov. Okrem toho 57,48% zákazníkov sa riadi všeobecne platnou, nepísanou sociálnou normou. Mužských zákazníkov tiež ovplyvňuje obava zo zlého mienenia okolia, naopak ženy viac ovplyvňuje pocit viny.

Všeobecne môžeme u zákazníkov konštatovať konzistentné správanie, ktoré je možné popísať zvolenými modelmi. K rozhodovaniu používajú priemerne iba tri indikátory, čiže uplatňujú pomerne jednoduchú stratégiu. Najčastejšie používanými sa javia kvalita jedál, zdvorilosť čašníka a jeho promptná obsluha, z čoho vyplýva, že rozhodujúce sú nielen čašníkove kvality, ale celková kvalita celého personálu reštaurácie.

Vo vzorke bolo nájdených 6 výsledných štatisticky rozdielnych stratégií správania respondentov. K nájdeniu podobností a rozdielností medzi zákazníkmi som využila relatívne váhy, ktoré respondenti prikladajú jednotlivým informáciám. Algoritmus zoskupovania začal s každým respondentom v samostatnej skupine. Postupne porovnával všetky možné dvojice respondentov a spájal ich do väčších a väčších skupín pri klesajúcom počte výsledných skupín. Do každej z nich bol priradený rozdielny počet respondentov. Najpočetnejšia skupina obsahujúca 33 zákazníkov prikladá pri rozhodovaní najväčšiu a takmer rovnako veľkú váhu výške účtu a rýchlosti čašníka, menšiu váhu kvalite jedál. Stratégia zaužívaná 28 respondentmi používa všetky informácie o kvalite personálu. Zaujímavá je ešte skupina riadiaca sa výlučne výškou zaplateného účtu. Vo zvyšných skupinách sú zahrnuté podobné informácie, ale s rozdielnou priradenou váhou.

Používáte starou verzi internetového prohlížeče. Doporučujeme aktualizovat Váš prohlížeč na nejnovější verzi.