過去三年，全球各地都或多或少遭受過新冠疫情對(duì)經(jīng)濟(jì)的沖擊。疫情對(duì)于政府部門來說是一場(chǎng)社會(huì)治理的大考，制定合理的政策助推各行業(yè)有序復(fù)工復(fù)產(chǎn)，對(duì)于提振經(jīng)濟(jì)尤為重要。
早在疫情之初，浙江大學(xué)計(jì)算機(jī)學(xué)院楊洋副教授團(tuán)隊(duì)就十分關(guān)注城市如何從防疫封控措施中復(fù)蘇的問題。近日，他們的一項(xiàng)研究成果被《自然》旗下期刊《科學(xué)報(bào)告》錄用。該研究選擇用電數(shù)據(jù)作為觀察經(jīng)濟(jì)活動(dòng)的對(duì)象，建立了一個(gè)人工智能模型，通過模擬不同的政策實(shí)施策略，探討它們對(duì)各行業(yè)以及城市整體經(jīng)濟(jì)水平回升的作用。
面對(duì)復(fù)雜的經(jīng)濟(jì)社會(huì)情境，人工智能如何幫助政府進(jìn)行科學(xué)決策？這份研究為我們展示了一種可能。
電力數(shù)據(jù)素有經(jīng)濟(jì)運(yùn)行“晴雨表”和“風(fēng)向標(biāo)”之稱。為了使它更準(zhǔn)確地映射出經(jīng)濟(jì)運(yùn)行情況，研究團(tuán)隊(duì)調(diào)整消除了天氣、行業(yè)間的發(fā)展差異和農(nóng)歷節(jié)假日等因素對(duì)于用電的影響，構(gòu)建了一個(gè)可以統(tǒng)一衡量各行業(yè)復(fù)蘇情況的“復(fù)蘇指數(shù)”——這是人工智能進(jìn)行學(xué)習(xí)的數(shù)據(jù)基礎(chǔ)。
“電力數(shù)據(jù)，是一項(xiàng)非?！?xì)粒度’的指標(biāo)。”楊洋告訴記者。
用電數(shù)據(jù)能夠精確、靈敏地反映經(jīng)濟(jì)活動(dòng)：不僅用電的對(duì)象可以細(xì)化到具體的企業(yè)和部門，且相較于按月或按年公布的GDP等經(jīng)濟(jì)指標(biāo)，電力數(shù)據(jù)的生成更加“實(shí)時(shí)”；由于無需人為統(tǒng)計(jì)，也更為客觀。
據(jù)了解，團(tuán)隊(duì)收集到杭州市區(qū)11464個(gè)用電戶的超過7600萬份用電記錄，涵蓋了17個(gè)主要行業(yè)類別，時(shí)間跨度從2020年的1月1日一直到8月31日。這些數(shù)據(jù)對(duì)于每個(gè)企業(yè)運(yùn)行狀態(tài)的刻畫，能夠精確到每一刻鐘。
在進(jìn)一步分析“復(fù)蘇指數(shù)”時(shí)，數(shù)據(jù)更新的及時(shí)性帶來了許多優(yōu)勢(shì)：一方面，復(fù)蘇指數(shù)曲線能比事后統(tǒng)計(jì)更快地捕捉到經(jīng)濟(jì)活動(dòng)中的特殊波動(dòng)；另一方面，在評(píng)估新頒布的政策時(shí)，曲線也可以迅速反映出它的影響力究竟如何。
“我們?cè)O(shè)計(jì)了一種變點(diǎn)算法，監(jiān)測(cè)政策發(fā)布的時(shí)機(jī)是否與復(fù)蘇指數(shù)曲線的轉(zhuǎn)變點(diǎn)吻合，并在此基礎(chǔ)上評(píng)估政策的影響?！闭撐牡谝蛔髡邨钶娓嬖V記者，以往政策研究最常見的手段是發(fā)放問卷，不僅耗時(shí)，且存在很大主觀性，而模型的介入能夠?yàn)樘岣哒咴u(píng)估的效率提供一種新的思路。
“復(fù)蘇指數(shù)”確實(shí)發(fā)現(xiàn)了一些有意思的現(xiàn)象——不同政策產(chǎn)生的效果存在很大差異。一些政策對(duì)于經(jīng)濟(jì)的促進(jìn)作用是緩慢但持續(xù)的，比如開放跨省旅游；另一些政策只能在短期內(nèi)強(qiáng)烈刺激經(jīng)濟(jì)，比如發(fā)放消費(fèi)券后，餐飲娛樂業(yè)的復(fù)蘇指數(shù)在一周內(nèi)迅速攀升，但一個(gè)月內(nèi)又會(huì)回落。
有了對(duì)于過去政策的評(píng)估，更重要的問題是，未來的策略應(yīng)當(dāng)是怎樣的？
“如果這樣做，將會(huì)發(fā)生什么？”決策者的面前總是擺著這樣的問題，它的答案卻不簡(jiǎn)單。大量社會(huì)科學(xué)理論告訴我們，社會(huì)的運(yùn)行似乎有一定規(guī)律可循，但預(yù)測(cè)工作往往非常困難，這是因?yàn)?，每個(gè)新現(xiàn)象的背后都有一條龐雜的因果鏈，涉及到無數(shù)個(gè)變量，無法全部厘清。
機(jī)器學(xué)習(xí)打開了一種可能：在海量數(shù)據(jù)里“淘沙取金”，挖掘并掌握規(guī)律，這恰好是人工智能擅長(zhǎng)的事。
“在計(jì)算社會(huì)學(xué)研究中，人的因素相對(duì)沒有那么重要，我們傾向于打造一套算法工具，把一切交給計(jì)算機(jī)，由它來摸索一個(gè)清晰的結(jié)論?！闭劦接?jì)算社會(huì)學(xué)與一般社會(huì)學(xué)研究之間的區(qū)別，楊洋這樣說。
為了模擬新政策對(duì)經(jīng)濟(jì)的影響，研究團(tuán)隊(duì)建立了一種基于圖學(xué)習(xí)的時(shí)間序列預(yù)測(cè)模型：時(shí)序模型通過大量接受過往數(shù)據(jù)的訓(xùn)練，理解行業(yè)復(fù)蘇過程，提高預(yù)判未來趨勢(shì)的準(zhǔn)確性；圖神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)則能整合不同行業(yè)的復(fù)蘇指數(shù)，捕捉到行業(yè)之間的“鏈?zhǔn)叫?yīng)”，比如上下游行業(yè)間的互相影響關(guān)系。
“我們對(duì)17個(gè)主要行業(yè)逐一進(jìn)行模擬實(shí)驗(yàn)，分別對(duì)它們施加了一個(gè)預(yù)期能將其經(jīng)濟(jì)恢復(fù)速度提升一倍的政策?！睏钶嬲f，“結(jié)果發(fā)現(xiàn)了一些很特別的現(xiàn)象，比如，某些自身對(duì)政策反響強(qiáng)烈的行業(yè)，由于缺乏對(duì)其他行業(yè)的帶動(dòng)，其實(shí)并不能很好地從整體上提振區(qū)域經(jīng)濟(jì)?！?/p>
舉例來說，政策對(duì)于餐飲業(yè)和商業(yè)服務(wù)業(yè)的促進(jìn)效果是相近的，但增加對(duì)商業(yè)服務(wù)業(yè)的支持，對(duì)整體經(jīng)濟(jì)復(fù)蘇的貢獻(xiàn)卻是餐飲業(yè)的27倍。另外，增加對(duì)管理部門的支持只會(huì)使其自身的復(fù)蘇速度提高2%，但能讓區(qū)域整體的經(jīng)濟(jì)效益顯著增強(qiáng)。
這帶來了一個(gè)有益的啟示：政府制定經(jīng)濟(jì)扶持政策時(shí)，不能只看到某個(gè)行業(yè)受疫情打擊的程度，更應(yīng)把行業(yè)之間的相互依存關(guān)系納入考量。
除了政策啟發(fā)之外，模型本身作為工具，也具有很強(qiáng)的復(fù)用性和普適性。
“開個(gè)腦洞，比如，這個(gè)模型也可以用來制定大型活動(dòng)的交通管制策略。”楊洋舉例，“假設(shè)有若干個(gè)地鐵站，如果我們對(duì)每個(gè)地鐵站的人員流動(dòng)進(jìn)行建模，就可以讓模型進(jìn)行學(xué)習(xí)，預(yù)判限流措施會(huì)對(duì)整體流量造成怎樣的影響，最終找到最優(yōu)解。”
“未來我們還會(huì)在模型的可解釋性方面進(jìn)一步開展研究?！睏钶娓嬖V記者，深度神經(jīng)網(wǎng)絡(luò)具有“黑盒”的屬性，也就是說，我們無從了解模型形成結(jié)論的邏輯和依據(jù)。因此在這項(xiàng)研究中，團(tuán)隊(duì)需要不斷地借助社會(huì)科學(xué)研究中的知識(shí)，對(duì)模型的建構(gòu)思路以及得出的政策建議作出闡釋。
楊洋表示，目前，計(jì)算社會(huì)學(xué)的成果大多仍屬于前瞻性研究，沒有真正在決策流程中發(fā)揮作用。如果要讓人工智能全面賦能社會(huì)治理，可解釋性仍是一個(gè)需要攻克的挑戰(zhàn)。
《浙江日?qǐng)?bào)》2023年2月28日頭版
