孙轩：大数据背景下的系统性公共风险防控

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。

（编辑：PHP编程网 - 黄冈站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!