論大數據精準扶貧

陳榮虎

(安徽工業大學 管理科學與工程學院，安徽 馬鞍山 243002)

一、扶貧中“精準”的必要性

2017年5月下旬，一條“人大校友伍繼紅成為精準扶貧對象”的新聞迅速在網上引起關注。伍繼紅1998年畢業于中國人民大學，但她未能正常就業，后輾轉打工，在農村結婚后長期處于無業狀態，最終成為扶貧對象。作為名校的畢業生，伍繼紅如果能得到適當的關注，她的人生可能又是另一番景象。然而，在伍繼紅畢業的那個時代，國內的互聯網才剛剛起步，信息交流極為不暢，她的悲劇似乎帶有時代的烙印。

伍繼紅的悲劇不僅在于她畢業于名校，更悲劇的是她的命運與中國的經濟社會發展趨勢相左。改革開放以來，中國的社會經濟發展迅速，貧困人口不斷減少。1978年，按照當時的貧困線標準100元/人，中國有2.5 億貧困人口[1]，而按照2010年不變價標準，中國有7.7億貧困人口[2]。截止到2016年底，按最新的每人每年2 300元(2010年不變價)的貧困線標準，中國農村有貧困人口4 335萬人[3]。

伍繼紅現象帶來了一個新的問題，即減少貧困不僅在于直接減少貧困人口，還需要有一定的前瞻性，即提前準確地甄別潛在的貧困人口，并采取一定的預防措施。伍繼紅在畢業后或婚后處于無業狀態之時，如果有人能及時施以援手，她就不會陷入貧困狀態。

在消滅貧困的過程中，總有這樣那樣一些人由于種種原因會陷入貧困狀態，如災害、疾病、意外等。雖然我們無法完全預測到各種事件，但大數據技術的發展，確實給我們從宏觀和微觀上預測提供了各種可能。若能充分利用這項技術，將有助于減少貧困。大規模的流行性疾病往往有一定的征兆，人們可以借助這些征兆來進行預測。例如，谷歌公司借助于人們在網絡上搜索流感的次數來預測流感的爆發[4]，Shaman等用傳染病模型(SIRS)、比濕度(specific humidity)數據和流感觀測數據來預測流感[5]。對個人的疾病預測較困難，但隨著醫學和大數據的發展，某些病癥也有可能進行預測。例如，醫學界廣泛認為，不健康的飲食習慣、長期食用不健康的食物、缺少運動等不健康的生活習慣、年齡和性別等因素都與病癥有著某種聯系，這些聯系可被大數據技術用來預測個人是否會得病。在大數據的支持下，即使出現了未預測到的事件，系統仍可以根據需要做出提示，如提醒“伍繼紅在畢業后長期處于失業狀態”。

目前，精準扶貧是我國扶貧工作的主要方式之一。然而，和前面提到的預測不同，精準扶貧是有針對性的事后彌補。精準扶貧的主要含義是：在精準地識別貧困人口或地區的基礎上，制訂有針對性的規劃，有針對性地進行幫扶。精準扶貧的第一步是“精準識別”，這是關系到后續工作成敗的關鍵一步。

識別貧困人口存在一定的困難。根據審計署《158個貧困縣扶貧審計結果》，2016年，全國共剔除識別不精準人口900多萬，補錄新識別貧困人口800多萬[6]。審計署的報告說明：主觀上，由于工作程序、工作方法和工作人員的信息不夠，可能造成誤識；客觀上，有部分非貧困人員會冒充貧困人員，干擾正常的工作。

現有的工作程序和工作方法鑒定貧困人口，存在這些困難：(1)現有的貧困人口規模是根據指標層層分配而來的，不一定真實反映實際情況；(2)現有的貧困區域劃分也排斥了部分區域外的貧困戶；(3)工作人員有意無意地將非貧困人員標識為貧困人員，而真正的貧困人員得不到幫扶[7]。在幫扶過程中也同樣存在著扶貧的供給與貧困戶的需求之間的矛盾。農戶根據自身的狀況可能會有不同的需求，而扶貧的方法可能很有限。在貧困人口數量多的時候，有針對性的扶貧可能不現實。當貧困人口逐漸減少時，最后的貧困戶可能都是脫貧困難戶，有必要采用有針對性的扶貧措施。

因此，尋找新的精準識別和扶貧方式具有積極的現實意義。大數據是解決這樣一個問題的工具。大數據可提供預測工具，預測個人是否可能致貧或返貧；可用于甄別貧困戶；可用于提供解決方案，即有針對性的扶貧措施的提出。

二、大數據精準扶貧的可行性

目前，學者們對大數據仍沒有統一的定義。一般認為，大數據具有三個特征，簡稱3Vs：大數據量(Volume)、大速度(Velocity)、大的多樣性(Variety)[8]。處理大數據需要計算機技術的支撐，最終創造價值。

大數據的核心是預測[9]16。Marr提供了大數據的45個成功應用實例。在商業方面的應用有：精確廣告、為供需方牽線搭橋、制造業、體育、電視節目推送、能源、智能家居、醫療、新聞和故事寫作等。在社會管理的應用有：倫敦運輸公司(Transport for London)用大數據解決倫敦這樣的大城市的公共交通問題，米爾頓·凱恩斯市用大數據建設智慧城市，美國的移民和海關部門用大數據識別恐怖分子，Palantir公司協助美國中央情報局在阿富汗檢測炸彈，美國用大數據管理國家等。此外，在社會管理方面還有不少例子[10]。《科學》雜志報導美國的匹茲堡、芝加哥等城市采用了一種“預測式出警”[11]的方式來預防犯罪，墨西哥用大數據的方法來尋找受害者遺體所在地[12]，芝加哥市政部門采用大數據來預測鼠災[13]。這些例子一般都是借助于機器學習算法，尋找各種變量和可能的事件之間的關系。例如，犯罪率可能與地點、時間有特定的聯系；垃圾量、某種疾病的發病人數與鼠災可能有聯系。數據分析人員在分析問題的基礎上，可能加入很多變量，讓計算機模型來確定輸入輸出之間的關系。

國際上已有不少利用大數據來確定貧困地區的案例。Kristjanson等運用地理信息系統來構建貧困地圖，尋找貧困因素[14]；Grolle用衛星遙感技術來構高清的貧困地圖[15]。Matinfar、Lobell運用遙感技術來預測農作物產量，這項技術可借鑒運用于預測貧困地區的收成[16-17]。Eagle等通過分析社交網絡的數據發現，個人社交網絡的多樣性與經濟發展水平有緊密的關聯[18]。Chen and Nordhaus發現國家或區域晚間的亮度與傳統的生產率、增長之間具有很強的關聯性。朝鮮和韓國是兩個典型的例子，經濟發達的韓國從晚間的衛星圖上看燈火通明，而落后的朝鮮只有首都平壤有燈光，其余地區漆黑[19]。Morikawa利用遙測到的歸一化植被指數作為地區的繁榮指標，植被越多，該地的經濟越向好[20]。Mao等通過分析地區的呼出和呼入通話比例來分析該地區的經濟狀況[21]。Jean等結合衛星圖像和機器學習來識別貧困地區[22]。Glaeser 等利用谷歌街景來甄別城市的貧困地區[23]。

大數據還可用來探測個人是否貧困。Abelson 等[24]通過衛星圖像分析屋頂的結構來甄別極端貧困戶。Marr所提到的案例中，有許多公司通過對可獲得的客戶數據進行分析，間接地獲得客戶的偏好等信息[10]。Blumenstock等利用人們的手機使用歷史來預測個人財富并甄別出最貧困的人口[25]。McBride和Nichols利用機器學習來精準識別[26]。目前在許多高校，學生的消費通過校內“一卡通”進行，如果某學生的日均消費低于一定的數值，學校會認定該生為貧困生，將對該生進行補助。

宏觀和微觀的實例說明，利用大數據的方法來甄別貧困人口是可行的。

人工智能的發展也為量身定制扶貧方案提供了可能。例如，谷歌公司的AlphaGo利用人工智能打敗了人類的頂尖圍棋高手，IBM公司的Waston擔任大學的助教、幫助醫生診斷疾病。扶貧和上述應用雖然有不同，但本質上都可以抽象為類似的計算機模型。

三、甄別貧困人口

甄別貧困人口是精準扶貧的最重要部分。現行的精準扶貧是通過制度化的過程來識別貧困人口，如設定貧困指標體系、扶貧信息公開(接受群眾的監督)和建檔立卡等步驟[27]。在現有的體制下，潛在的貧困人員可能無法準確地被預測到。前面提到的伍繼紅在畢業后處于失業狀態下，很難被認定為貧困對象。若采用大數據的方法來精準識別，可以提高科學性，大大減少扶貧過程中的主觀性。

在大數據扶貧的條件下，甄別貧困人口可分為兩個部分：甄別潛在貧困人口和甄別現有貧困人口。兩者又可分為宏觀和微觀兩個部分，其組合如表1所示。

表1 貧困人口的分類

顯然，對這四類人應該采用不同的識別算法，其扶貧策略也應有所區別，而且預防比治理效果更好。

宏觀上，政府可以借鑒衛星圖識別的方法來判斷某個地區是否需要扶貧，但不僅限于該方法，也可以考慮人均電力使用量、物流量等指標，甚至綜合多個因素考慮。微觀上，政府可以組織專業技術人員，借用技術手段收集申報貧困人口的信息，如年齡、性別、健康狀況、收入、消費、手機使用、家庭情況等，具體收集哪些信息、如何收集則由技術人員確定。在收集信息的基礎上，政府可以借用或組織研發相關的機器學習軟件判斷申報者是否為貧困人員，最大程度地減少貧困認定過程中的主觀性和謊報。

在目前的扶貧政策下，一旦幫扶對象脫貧，扶貧工作也宣告結束。但是，在大數據條件下，幫扶對象仍會被信息系統關注，他們的各種有關信息成了珍寶。技術人員可借助于計算機模型來尋找扶貧成功的規律，為個人定制扶貧方案打下良好的基礎。例如，計算機模型能幫助人們找出某種方案對哪些人有效，對哪些人無效。信息系統還可能自動分析出脫貧群眾是否有返貧的可能。

在大數據條件下，各類潛在的貧困人員也是需要關注的對象。這類人員有可能變為貧困人員，而一旦他們成為貧困人員，他們的各種信息即可用于訓練信息系統，為下一階段準確地尋找潛在人員打下良好的基礎。

大數據方法不能保證識別的完全正確，但卻可以大大減少人為的干擾和錯誤的數據。必要時可以結合機器判斷和人工判斷來甄別貧困人口。

四、實施精準扶貧

在大數據精準扶貧方式下，國家、省級政府應關注貧困區域及潛在貧困區域，并建立相應的信息管理平臺。商業的應用通常由企業發起，他們往往受利益驅動。企業會用一切手段獲取用戶的個人信息，并利用這些信息來獲取商業利益，如推送廣告等。扶貧這樣的社會行為往往沒有直接的經濟利益，需要由政府主導。因此，政府需要在大數據扶貧上加大投入，必要時可以和各種企業聯合，建立統一的社會信息網。當然，需要做好相關的立法工作，保護個人的隱私。

大數據精準扶貧應采用人機合作的工作模式。這里面有兩層含義，第一指信息收集過程，第二指決策過程。對城市居民的信息收集相對容易，他們總在有意無意地透露個人的信息，如個人的存款、手機支付、在電商的購物、在超市的瀏覽足跡等。在貧困區域，互聯網基礎設施貧乏，有的貧困戶甚至沒有手機，收集個人信息可能較難。對貧困人口的信息收集將不得不采用人機結合的方式，在無法獲得個人信息時，由人工輸入信息。大數據決策依賴于機器學習，但目前機器學習不可能達到完全準確，因此，最終的決策還可能需要由人作出。例如，信息系統可能提醒某個貧困戶申請者有子女在城市工作，這時需要人的判斷。

幫扶階段可采用個性化的扶貧方案設計。信息系統通過分析扶貧的基礎數據，尋找成功的規律，在此基礎上根據扶貧對象的基礎數據提出相應的措施供決策者選擇。國內外成功的經驗很多。《山西推進精準扶貧政策研究》課題組[28]總結出了搬遷、產業扶貧、培訓、教育等十個經驗。Banerjee 等研究發現，贈送生產工具、支持消費、培訓、鼓勵儲蓄、健康教育和服務等方法的組合能有效地起到扶貧的效果[29]。宮留記則提出政府主導的市場化機制，如政府與社會資本合作、政府購買服務、資產收益扶貧和電商扶貧等[30]。但這些扶貧方法并不一定對所有人都有效，需要根據實際情況提出有針對性的措施。此外，大數據能幫助扶貧人員發現商機，幫助決策人員尋找適合貧困地區的產業或避免風險。有時市場的需求發生了變化，帶來機遇或風險，但人獲取信息的能力有限，信息系統能及時提醒。

五、最后的思考

伍繼紅現象會不會重現？社會的發展不可能是完全均衡的，總會有一小部分人由于不同的原因變得貧困。伍繼紅的貧困是可以預防的，防止新的伍繼紅出現需要我們對“高危”人群進行關注，及時施以援手。這需要大數據系統的支持。

聯合國提出到2030年消除極端貧困，我國的目標則是到2020年在現行的貧困標準下消除貧困。從目前的進展來看，這個目標一定能實現。但是，絕對貧困可以消除，相對貧困則只能減少而不能消除。

2016年，我國的基尼系數為0.465，比2015年有所上升，仍然處在高位。更為嚴重的是，謝宇等研究發現，我國2014年的財富基尼系數達到0.7，比2012年有所下降，但底部25%的家庭財產比例在縮小[31]。根據謝宇等人的研究，房產占總財產的比重從2012年的74.8%上升到80%。在2016年全國大中城市的房價有較大上漲[32]，將會帶動財富基尼系數的上漲，社會不平等進一步擴大。

較高的社會不平等程度決定了仍需要對相對貧困人群進行扶持。若實施大數據精準扶貧，在消滅絕對貧困之后，已有的成果將會長期發揮作用。

維克托·邁爾-舍恩伯格、肯尼思·庫克耶認為大數據帶來的思維轉變之一是“不再熱衷于尋找因果關系”[9]18。這是由大數據本身所采用的定量工具所決定的，大數據所使用的各種定量工具本身并不說明因果關系。大數據的這種思維轉變能使人們發現以往不能發現的問題，但過于依賴這種技術會使我們喪失解決問題的能力。為實施大數據扶貧，仍有許多問題需要社會科學和信息科學的學者進行研究。這些問題包括但不限于：(1)何種情況會導致人們或個人貧困？(2)脫貧成功和失敗的根本原因是什么？(3)返貧的原因是什么？社會科學學者的研究重點關注因果關系，而信息科學則注重數據間的相關關系，二者需要結合起來，取長補短。

為實施大數據精準扶貧，國家可借助于已有的信息網絡，并將之擴充為一個統一的新的網絡，把扶貧作為一個子系統。長期以來，國家的多個信息系統并不統一，給國家管理和居民生活帶來了諸多不便。例如，部分地區個人的醫保信息仍未能納入到統一的信息平臺下，公民無法異地用醫保卡支付醫療費用，也給政府和醫療部門帶來了不便。除了政府的信息網絡外，還有許多企業構造了自己的平臺。許多企業利用客戶手機積極地收集數據，個別的甚至開發“流氓軟件”，強行駐留在手機中暗中收集用戶數據。在保護用戶隱私的前提下，很多企業的數據也可以為政府所用。建立統一的政府信息平臺的任務非常緊迫。

總之，大數據扶貧要獲得成功，要有相應的資金投入和政策引導，需要社會各方的共同努力。