
大数据会否使计划经济最终掌控世界
昨天可穿戴设备之父,大数据大师阿莱克斯·彭特兰来百家《BIG TALK》与中国科技界对话,在现场,我提向彭特兰提了一个已经思索许久的问题,请他回答。
问题大概是这样的:作为一种人类管理社会经济的一种实验,计划经济可说在之前是失败的,事实证明,国家通过计划指令的方式进行资源配置不如通过市场实现资源配置效率更高。但是,随着大数据技术的进步,国家对经济数据的掌控能力也随之增强,这会不会导致未来有一天,计划经济最终掌控世界?
可能因为翻译的问题,也可能是因为问题本身比较复杂,彭特兰并没有给出一个思路清晰的答案,我把这个同时转发到网上,也引发激烈争议,有的朋友强烈否定,有的朋友则有所反思。
如果排除意识形态方面的门户之见,我认为计划经济和市场经济各自优劣性以及在未来人类社会中各自所处的地位,市场是否永远是资源配置的最佳手段和主导性手段,这些问题,都是很值得讨论的。
人类自理性产生以来,对世界的掌控欲(政府世界)也随之而生,由此而言,掌控经济也是人类的天性所在,这也是乌托邦时期以及之后李斯特、马克思等经济学大师探索“计划经济”的由来。而后来在苏联和中国等社会主义国家的试验又证明,计划经济至少在目前是失败的。
计划经济试验在苏中的失败有各种原因,但归根结底还是因为它不如市场那样配置资源更有效率,无法精准的解决生产什么、怎样生产和为谁生产这三个主要问题。国家无法确切的知道消费者到底需要什么,自然在进行经济计划的时候会错漏百出。
但如果人类做计划的能力得到大幅度提高,会不会在某一天使计划的效率终于超过市场呢?在没有互联网之前,学界总认为在人类可预见的将来这是不可能的。但互联网和信息革命已经颠覆了太多东西,至少在收集信息数据、互联信息数据、储存信息数据、处理信息数据方面,其进步是所有人都不曾想到的,而这一不曾预想到的进步的结果之一,就是人类计划能力的提高,对世界的掌控力更强了。
市场是人类经济社会运行的原始动力,但计划因素的持续增强却也是事实,除了计划经济试验,企业的出现以及其规模的越来越大,也是计划因素增强的结果。因为在企业内部,本身就是“计划经济”的。
既然市场是在价格机制的支配下自发运行,既然无形的手无处不在,为什么还会有企业?上世纪30年代科斯就因为研究这一问题拿了诺贝尔经济学奖,他研究出的答案是,市场的运行时有成本的(交易成本),如果组织企业能够节约交易成本,企业的存在就有意义。
按这一逻辑,企业越大自然是节约的交易成本越高,但为什么在经济社会的早期,基本上没有什么大企业呢?因为技术达不到,企业的组织成本一旦高于交易成本,则企业存在无意义。随着技术的提高,企业的组织成本越来越低,企业的规模也越来越大,这就有了今天的跨国公司。企业规模的边界由技术决定,跨国公司的组成成本一旦高于交易成本,它就再也没法有效扩张了。
国家的道理也一样,黄仁宇当年研究明史,讲中华帝国为什么会一直运行低效,就是因为缺乏有效的“数目字管理”。所有帝国都一样,帝国的管理能力能够达到的极限,就是帝国崩溃前的边界。
但技术的进步,尤其是大数据的进步,却有可能把人类能够进行计划的边界大大扩张,扩张到足有一个国家那么大。而此处之大,并不只是指宏观上的规模大,也指在微观上的细致深入,尤其是后者,在之前,微观资源无法有效分配,是计划经济里最受批评的要点。因为国家所有资源都由政府决定,私人不掌握生产资料,于是乎国家可以罔顾私人的实际需要而进行经济计划。奥地利经济学派的路德维希·冯·米塞斯主张社会主义在经济上必然会失败,因为经济计算问题注定了政府永远无法正确的计算复杂万分的经济体系。只要缺乏了价格机制,社会主义政府根本无从得知市场需求的情报,而随之而来的必然是计划的失败和经济的彻底崩溃。
但现在,电脑、手机、可穿戴设备,再加上无线互联网,人类的需求从来没有如此容易地被汇集、处理,人类的数据处理能力从来没有的强大--未来会更强大,那么,未来政府是否会有可能更正确的“计算复杂万分的经济体系”呢?
计划经济管理的国家,说简单了,就是一个采取某种制度管理的超级公司,这个公司可能是集权的,也可能是民主的。完美的计划经济可确保所有资源都能持续运用,不会受到经济周期的波动所影响,如泡沫经济、停产以至失业问题都不会发生,而通货膨胀问题不会存在,而长期性的基建投资,更不会受市场因素而停止。正因为这些完美的预期,几百年间才会有无数人去憧憬试验计划经济。大数据技术的进步,会复活这些憧憬吗?
最后,本文无意进行意识形态方面的争论,只是从技术进步层面提出一些学术假设,而这些假设也不代表作者对计划经济或者市场经济的立场与看法。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
机器学习解决实际问题的核心关键:从业务到落地的全流程解析 在人工智能技术落地的浪潮中,机器学习作为核心工具,已广泛应用于 ...
2025-09-09SPSS 编码状态区域中 Unicode 的功能与价值解析 在 SPSS(Statistical Product and Service Solutions,统计产品与服务解决方案 ...
2025-09-09CDA 数据分析师:驾驭商业数据分析流程的核心力量 在商业决策从 “经验驱动” 向 “数据驱动” 转型的过程中,商业数据分析总体 ...
2025-09-09R 语言:数据科学与科研领域的核心工具及优势解析 一、引言 在数据驱动决策的时代,无论是科研人员验证实验假设(如前文中的 T ...
2025-09-08T 检验在假设检验中的应用与实践 一、引言 在科研数据分析、医学实验验证、经济指标对比等领域,常常需要判断 “样本间的差异是 ...
2025-09-08在商业竞争日益激烈的当下,“用数据说话” 已从企业的 “加分项” 变为 “生存必需”。然而,零散的数据分析无法持续为业务赋能 ...
2025-09-08随机森林算法的核心特点:原理、优势与应用解析 在机器学习领域,随机森林(Random Forest)作为集成学习(Ensemble Learning) ...
2025-09-05Excel 区域名定义:从基础到进阶的高效应用指南 在 Excel 数据处理中,频繁引用单元格区域(如A2:A100、B3:D20)不仅容易出错, ...
2025-09-05CDA 数据分析师:以六大分析方法构建数据驱动业务的核心能力 在数据驱动决策成为企业共识的当下,CDA(Certified Data Analyst) ...
2025-09-05SQL 日期截取:从基础方法到业务实战的全维度解析 在数据处理与业务分析中,日期数据是连接 “业务行为” 与 “时间维度” 的核 ...
2025-09-04在卷积神经网络(CNN)的发展历程中,解决 “梯度消失”“特征复用不足”“模型参数冗余” 一直是核心命题。2017 年提出的密集连 ...
2025-09-04CDA 数据分析师:驾驭数据范式,释放数据价值 在数字化转型浪潮席卷全球的当下,数据已成为企业核心生产要素。而 CDA(Certified ...
2025-09-04K-Means 聚类:无监督学习中数据分群的核心算法 在数据分析领域,当我们面对海量无标签数据(如用户行为记录、商品属性数据、图 ...
2025-09-03特征值、特征向量与主成分:数据降维背后的线性代数逻辑 在机器学习、数据分析与信号处理领域,“降维” 是破解高维数据复杂性的 ...
2025-09-03CDA 数据分析师与数据分析:解锁数据价值的关键 在数字经济高速发展的今天,数据已成为企业核心资产与社会发展的重要驱动力。无 ...
2025-09-03解析 loss.backward ():深度学习中梯度汇总与同步的自动触发核心 在深度学习模型训练流程中,loss.backward()是连接 “前向计算 ...
2025-09-02要解答 “画 K-S 图时横轴是等距还是等频” 的问题,需先明确 K-S 图的核心用途(检验样本分布与理论分布的一致性),再结合横轴 ...
2025-09-02CDA 数据分析师:助力企业破解数据需求与数据分析需求难题 在数字化浪潮席卷全球的当下,数据已成为企业核心战略资产。无论是市 ...
2025-09-02Power BI 度量值实战:基于每月收入与税金占比计算累计税金分摊金额 在企业财务分析中,税金分摊是成本核算与利润统计的核心环节 ...
2025-09-01巧用 ALTER TABLE rent ADD INDEX:租房系统数据库性能优化实践 在租房管理系统中,rent表是核心业务表之一,通常存储租赁订单信 ...
2025-09-01