孙轩：大数据应用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AI技术由机器完成工作，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。
现在大数据应用很多时候探讨的是相关性，我们可以基于大数据应用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“物联网”以及现在常提及的5G。
5G与“物联网”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；AI技术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应用，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。大数据应用和传统数据不同，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，大数据应用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，说明大数据应用在治理方面的应用。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应用进行整合分析。
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，怎样进行大数据应用分析？
大数据应用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应用而言的，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应用的应用，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，因为大数据应用不同于传统数据，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。
大数据应用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，推动基于大数据应用流的动态治理。
说明：
本文来自网络媒体
纠错：2438514686@qq.com
