京公网安备 11010802034615号
经营许可证编号:京B2-20210330
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
在问卷调研的数据分析流程中,“先检验信效度,再开展进阶统计分析”是通用的规范逻辑。很多从业者会听到“问卷效度高,后续可以 ...
2026-07-30【核心关键词】大数据、统计学、专业、毕业生、论文、课程、计算机、建模、知识、数据分析、机器学习、数据科学、大数据技术、 ...
2026-07-30 很多数据分析师掌握了Excel函数、会写SQL查询,但当被问到“数据从哪里来”“数据加工有哪些步骤”“如何使用分析工具连接数 ...
2026-07-30在业务数据分析中,按天拆分统计夜间时段的数据是高频需求——比如电商夜间订单监测、平台夜间用户活跃度分析、运维系统夜间异常 ...
2026-07-29在机器学习建模与特征工程实践中,判断不同特征对模型预测效果的贡献度,是特征筛选、模型解释、业务归因的核心环节。特征置换重 ...
2026-07-29 很多数据分析师精通Excel单元格操作,但当被问到“表结构数据的基本处理单位是什么”“字段和记录的本质区别”“为什么表结 ...
2026-07-29【核心关键词】岗位、数字化、经验、课程、方法论、决策、企业、大方向、数据分析、销售管理、理论知识、思维方式、分析销售、 ...
2026-07-28在问卷调研、用户分群、效果对比等业务数据分析中,分类变量的关联性与差异性验证是高频需求。卡方检验作为针对离散分类数据的经 ...
2026-07-28 数据分析师八成以上的时间在和数据表格打交道,但许多人拿到Excel后习惯性地先算、先分析,结果回头发现漏了一列关键数据, ...
2026-07-28在Excel数据分析与报表制作中,数据透视表是快速完成多维度汇总、分组统计的核心工具。很多从业者在得到透视表汇总结果后,为了 ...
2026-07-27 很多数据分析师每天与Excel打交道,但当被问到“表格结构数据的基本处理单位是什么”“数据类型误判会引发哪些分析错误”“ ...
2026-07-27当下,我们已然步入数据要素价值全面释放的智能时代。数据不再只是零散的数字记录,更是驱动新质生产力运转的核心动能、滋养人工 ...
2026-07-27【核心关键词】客户、数据分析、指标体系、数据采集、数据指标、业务数据、分析思路、业务需求、分析方法 【专访摘要】本次 CDA ...
2026-07-24在数据分析、业务建模与数字化运营体系中,原始业务数据普遍存在缺失、重复、异常、口径不一致等质量问题,直接用于分析与建模会 ...
2026-07-24 很多数据分析师能熟练计算均值、标准差,但当被问到“如何用一张图让业务方3秒内看懂核心结论”“面对不同数据类型该怎么选 ...
2026-07-24在数据驱动的精细化运营体系中,指标是业务判断、效果复盘、策略优化的核心依据。随着企业数据化程度提升,指标数量持续膨胀,但 ...
2026-07-23在用户运营与产品增长体系中,留存是衡量产品真实价值与用户粘性的核心标尺,也是决定用户生命周期价值、获客投产比的底层因素。 ...
2026-07-23 很多数据分析师精通Excel、SQL、Python等工具,但当被问到“面对一个具体的业务问题,该用什么分析方法”“描述性分析和诊断 ...
2026-07-23【核心关键词】埋点、产品、互联网、数据库、决策、数据分析、产品经理、商业模式、移动互联网、指标体系、运营模块、大数据平 ...
2026-07-22在高并发、大数据量的业务系统中,单表数据量达到千万级甚至亿级后,会出现查询性能骤降、索引维护成本飙升、存储扩容困难等问题 ...
2026-07-22