過去三年，全球各地都或多或少遭受過新冠疫情引發的經濟蕭條。疫情對于政府部門來說是一場社會治理的大考，制定合理的政策助推各行業有序複工複産，對于提振經濟尤為重要。

早在疫情之初，浙江大學計算機學院楊洋副教授團隊就十分關注城市如何從防疫封控措施中複蘇的問題。近日，他們的一項研究成果被Nature旗下期刊Scientific Reports錄用。該研究選擇了用電數據作為觀察經濟活動的對象，建立了一個人工智能模型，通過模拟不同的政策實施策略，探讨它們對各行業以及城市整體經濟水平回升的作用。

面對複雜的經濟社會情境，人工智能如何幫助政府進行科學決策？這份研究為我們展示了一種可能——

更加靈敏的複蘇“晴雨表”

電力數據素有經濟運行的“晴雨表”和“風向标”之稱。為了使它更準确地映射出經濟運行情況，研究團隊調整消除了天氣、行業間的發展差異、農曆節假日等因素對于用電的影響，構建了一個可以統一衡量各行業複蘇情況的“複蘇指數”——這是人工智能進行學習的數據基礎。

2020年1月1日至2020年8月31日期間17個行業的複蘇指數，1代表該行業恢複到往年同期的應有水平。受訪者提供

“之所以選擇電力數據作為觀察對象，是因為它是一項非常‘細粒度’的指标。”楊洋告訴記者。

用電能夠非常精确、靈敏地反映經濟活動：不僅用電的對象可以細化到具體的企業和部門，且相較于隔月或隔年公布的GDP等經濟指标，電力數據的生成還更加“實時”，由于無需人為統計，也更為真實和客觀。

熱力圖顯示了疫情封鎖政策對杭州市區的影響，熱力圖中的每個點代表一個組織的每周電力消耗量。受訪者提供

據了解，團隊收集到了杭州市區11464個用電戶的超過7600萬份用電記錄，涵蓋了17個主要行業類别，時間跨度從2020年的1月1日一直到8月31日。這些數據對于每個企業運行狀态的刻畫，能夠精确到每一刻鐘。

在進一步分析“複蘇指數”時，數據更新的及時性帶來了許多優勢：一方面，複蘇指數曲線能比事後統計更快地捕捉到經濟活動中的特殊波動；另一方面，在評估新頒布的政策時，曲線也可以迅速反映出它的影響力究竟如何。

“我們設計了一種變點算法，監測政策發布的時機是否與複蘇指數曲線的轉變點吻合，并在此基礎上評估政策的影響。”論文第一作者楊萱告訴記者，以往政策研究最常見的手段是發放問卷，不僅耗時，且存在很大主觀性，而模型的介入能夠為提高政策評估的效率提供一種新的思路。

小圖b檢測了三個部門複蘇指數的變化點，垂直虛線代表一處變化點，虛線上的數字表示這個變化點對應的大圖a中的哪項政策。受訪者提供

“我們發現，不同政策産生的效果存在很大差異。”楊萱說，“一些政策對于經濟的促進作用是緩慢但持續的，比如開放跨省旅遊，另一些政策隻在短期内能強烈刺激經濟，比如發放消費券後，餐飲娛樂業的複蘇指數在一周内迅速攀升，但一個月内又會回落。”

經濟政策的“沙盤模拟”

有了對于過去政策的評估，更重要的問題是，未來的策略應當是怎樣的？

“如果這樣做，将會發生什麼？”決策者的面前總是擺着這樣的問題，它的答案卻不簡單。大量社會科學理論告訴我們，社會的運行似乎有一定規律可循，但“預測”工作往往非常困難，這是因為，每個新現象的背後都有一條龐雜的因果鍊，其中涉及到無數個變量，我們無法全部厘清。

機器學習打開了一種可能：在海量數據裡“淘沙取金”，挖掘并掌握規律，這恰好是人工智能擅長的事。

“在計算社會學研究中，人的因素相對沒有那麼重要，我們傾向于打造一套算法工具，把一切交給計算機，由它來摸索一個清晰的結論。”談到計算社會學與一般社會學研究之間的區别，楊洋這樣說。

為了模拟新政策對經濟影響，研究團隊建立了一種基于圖學習的時間序列預測模型：時序模型通過大量接受過往數據的訓練，理解行業複蘇過程，提高預判未來趨勢的準确性；圖神經網絡學習則能整合不同行業的複蘇指數，捕捉到行業之間的“鍊式效應”，比如上下遊行業間的互相影響關系。

對17個行業進行的模拟實驗和預測結果。受訪者提供

“我們對17個主要行業逐一進行了模拟實驗，分别對它們施加了一個預期能将其經濟恢複速度提升一倍的政策。”楊萱說，“結果發現了一些很特别的現象，比如，某些自身對政策反響強烈的行業，由于缺乏對其他行業的帶動，其實并不能很好地從整體上提振區域經濟。”

舉例說，文中提到，政策對于餐飲業和商業服務業的促進效果是相近的，但增加對商業服務業的支持，對整體經濟複蘇的貢獻卻是餐飲業的27倍；另外，增加對管理部門的支持隻會使其自身的複蘇速度提高2%，但能讓區域整體的經濟效益顯著增強。

這帶來了一個有益的啟示：政府制定經濟扶持政策時，不能隻看到某個行業受疫情打擊的程度，更應把行業之間的相互依存關系納入考量。

除了政策啟發之外，模型本身作為工具，也具有很強的複用性和普适性。

“開個腦洞，比如這個模型，也可以用來制定大型活動的交通管制策略。”楊洋舉例，“假設有若幹個地鐵站，如果我們對每個地鐵站的人員流動進行建模，就可以讓模型進行學習，預判限流措施會對整體流量造成怎樣的影響，最終找到最優解。”

“未來我們還會在模型的可解釋性方面進一步開展研究。”楊萱告訴記者，深度神經網絡具有“黑盒”的屬性，也就是說，我們無從了解模型形成結論的邏輯和依據。因此在這項研究中，團隊需要不斷地借助社會科學研究中的知識，對模型的建構思路以及得出的政策建議作出闡釋。

楊洋表示，目前，計算社會學的成果大多仍屬于前瞻性研究，沒有真正在決策流程中發揮作用。如果要讓人工智能全面賦能社會治理，可解釋性仍是一個需要攻克的挑戰。

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!