大数据

 

近些年来,整个世界格局的变化很大。尤其2020年,如果要列举几个关键词,“变化”绝对是其中非常重要,而且提及较多的一个关键词。

随着经济的增长、社会结构的变化、技术的演进,整个社会正在发生各种各样的变化。包括过去工业化强调生产,现在进入了后工业化时期是强调生活。以前是生产驱动,一切以提高生产效率为主导,现在是生活驱动,为了满足大家日常的生活需求、后工业化时期的需要;以前是实体经济,现在更多的是虚拟经济;以前大部分是人工操作,未来我们更多要探讨人工智能由机器完成工作,人与机器之间的关系是未来要探讨非常重要的关系;过去是集中管理,现在是社会共治;过去是独立封闭,现在是开放共享;以前是公益性产品,现在是市场化服务。一切都在变化、发展,以前的模式、结构、体系是否能够满足当前的需要?

在这种变化的环境下,传统模式受到巨大冲击,出现了一系列诸如贫民区、医患关系、虚拟经济对实体经济的冲击、老龄化等矛盾、冲突和问题。

社会现在面临着很多风险,风险其实也是分为不同的类型。1、突发性局部的事件,比如自然灾害、生产事故、交通拥堵、恐怖袭击等突发性应急响应的事件,对我们日常生活和公共治理都有冲击和风险。2、周期性区域性的公共危机,比如群体性的失业,因为就业行业有更新换代的周期,当然现在整体来说,尤其在疫情期间,传统行业受到很大冲击,包括空气污染、疾病爆发、食品安全、舆情事件等。3、潜在的系统性公共风险,它不能完全归纳到上面两类,但是我们必须引起足够的重视。比如现在疫情引发的一些风险,不仅仅是疫情本身带来的疾病和死亡的问题,引发的是就业、经济、教育等各个方面的问题。

系统性公共风险具有以下特点。

1、关联很复杂,有主导因素也有潜在因素,是复杂的作用体系,要从全局把握内在的复杂关系。比如地区住房价格受到市场的影响,也与民众的购买意愿相关。前者由土地供应量、地方经济状况、国家宏观政策等因素决定,后者与当地的人口结构、居民平均收入、固定资产回报等相关,同时地方建设规划、经济发展水平、市场金融情况等也会影响到房价,房价最后又回归到了经济、就业、城市的吸引力问题。

现在大数据很多时候探讨的是相关性,我们可以基于大数据对其中的关联做一些梳理,明确哪些是主导因素,哪些是潜在因素。

2、平衡关系比较脆弱。一般来说,城市的发展、社会经济的发展以及社会的稳定是动态平衡的过程,其中存在正向和负向的反馈。但是对于具有潜在因素的系统性公共风险的问题,反馈可能比较脆弱。

如在疫情期间,我国整个公共医疗卫生系统经历住了考验,但有的国家和地区的卫生系统在面对疾病带来冲击的响应相对较弱。可见,上述动态平衡过程中存在薄弱环节,针对系统性公共风险我们需要着重考虑。

一方面会对特定因素过度依赖,另一方面,系统正向强化作用高于负向反馈调整的能力。如果对因果关系进行分析,可以看到不断正向加强系统,会使其处于崩溃边缘,所以要有负向调整的机制。

另外,当系统对外部环境变化适应性较差的时候,平衡也会比较脆弱。系统动态平衡涉及到内部环境和外部环境交互的问题。

3、问题相互交织。系统性风险的波及面很广,往往会引起连锁反应。比如人口老龄化会带来就业、人口产业结构、社会创新能力、社会的负担等等很多相互交织的问题。

现代防控我们要考虑识别、评估、监控,涉及早期预警、及时干预、有效管理。科学治理要进行有效数据的支撑,包括分析支撑决策。技术在这一块提供了一个很好的支撑,比如“互联网+”以及现在常提及的5G。

5G与“互联网+”属于一个门类,都是信息化的应用,信息化主要是实现互动耦合的平台,使大家能够信息互通、相互联系。模拟仿真能够为过程精准建模;可视化能够实现信息融合、理解;人工智能可以实现自动化管理。这些技术背后都需要数据支撑,我们可以应用大数据,以应对系统性风险。

现在数据很多元,包括数字化办公数据、社交媒体数据、物联网数据、消费记录数据。大数据和传统数据不同,传统数据可能是统计数据,有固定的流程,各个层级怎么样上传数据、收集数据、调查数据,都有很严格的规范。但现在是新的数据源,需要全新的数据分析方法。比如空间数据、滴滴打车位置数据、视频摄像头的视频数据、语音数据等。我们怎样利用数据,提供算法、构建框架。所以,大数据背景下的系统性公共风险防控关键在于怎么样提升治理能力,实现治理能力的现代化。

我通过地方债务的风险管理案例,说明大数据在治理方面的应用。近年来地方政府为推进经济发展、改善基础设施,通过融资手段获取资金。政府融资为什么会带来系统性风险?一方面,存在未纳入管理的变相债务、隐性债务。另一方面,融资平台主体很多、管理分散,有国资部门、财政部门、其他部门、金融机构等等,是多个层面融资,会产生很多不同的债务,有隐性债务、明面上的债务、不良资产等等。

所以,债务风险的来源是多元的,我们要基于多元的大数据进行整合分析。

以地方债务为例,有复杂的隐性债务,还有融资平台和国有企业的债务风险、高度的土地财政的依赖风险、监管信息不对称的风险、政府债务数据孤岛的风险。多种来源使得风险不可控,带来系统性风险问题。政府的债务统计数据不完整的情况下,怎样进行大数据分析?

大数据虽然是趋近于全样本,但它往往是有偏的,尤其是非官方渠道、非正式手段、非标准化手段获取的数据,具有参考价值但是不具有决定价值。怎么样基于不同来源的数据进行整理,发现风险?

关于数据驱动的政府财政管理,国内外都有一些前期的探索,比如美国的财政数据管理,使用数据仓库进行跟踪、搜索、分析。澳大利亚也对海关、金融保险等数据进行共享,打通数据孤岛,试图通过多元数据的整合来发现更多的问题和规律。

中国很早就有金财工程的应用,对数据进行集中管理。但在这过程中,我们发现,有的数据也是传统渠道收集的小数据,这个是区别于大数据而言的,即不是通过规范化渠道收集的数据。

政府债务管理需要进行大数据的应用,具体而言,一般来说有三方面的需求。

1、数据源的整合与优化。横向共享、纵向衔接,这个更多是从公共管理的角度做一些说明。统一存储规范口径较难,因为大数据不同于传统数据,不完全是数字,更多涉及图像、文本、声音等,很难进行统一。

2、数据挖掘的技术储备。国内在管理领域学者们更多研究框架,但是在模型方面研究不够。任何数据必须要基于特定的理念或者行业的规则,所以要进行数据挖掘的技术储备,包括理念传播、方法学习、总结业务和构建模型。

3、数据开放性和安全性的统一。及时共享、促进协作,同时要建立机制、有效控制,在一定程度上保证隐私。隐私这个词随着技术的进步是很灵活的词,但是我们必须对它进行有效控制,不同时间段和不同数据其控制层面是不同的。

天津市做了一些实践探索,包括构建系统对各类相关的指标进行管理、计算,促进信息共享,构建数据挖掘分析系统。但系统构建只是一方面,更重要的是使用。

数据分析不仅是根据模型算出结果,它是能力的建设和交互的过程。随着财政信息化工作的不断推进,各类财政数据变得越来越大,每笔资金活动信息被详细记录下来,是完整闭合的信息流。通过流动的信息,动态发现风险,合理预计收入,进行动态评价,才能使地方财政的系统性风险得到有效的控制。

最后谈一谈个人的想法。政府部门的风险防范意识逐渐增强,但市场失灵、管理失衡、信息不对称等多方面原因,使得错综复杂的经济、社会活动背后仍然存在着诸多系统性风险。

大数据能够为系统性公共风险的防控提供更强的洞察力、决策力和流程优化能力,但它既涉及到跨部门应用管理平台的建设,也需要关注数据分析模型的选择和应用。以地方债务管理为例,为了实现系统性公共风险的长效管理,还需要通过顶层设计,将横向数据共享、协作作为风险防范的核心目标,推动基于大数据流的动态治理。

关注中国IDC圈官方微信:idc-quan 我们将定期推送IDC产业最新资讯

查看心情排行你看到此篇文章的感受是:


  • 支持

  • 高兴

  • 震惊

  • 愤怒

  • 无聊

  • 无奈

  • 谎言

  • 枪稿

  • 不解

  • 标题党