
别急着用"大数据物联网"应对公共危机
发生在昨夜今晨的上海外滩踩踏事故,伤亡人数正在不断上升,事件的进展无时无刻不在撕扯着每一位看到消息的人的心。
类似踩踏事故在中国历史上绝对不是第一次发生,并且也很难乐观地估计这就是最后一次。之前的事故,有的发生在学校当中,有的发生在类似的场合。10年前,北京密云元宵灯会发生踩踏事故,死亡30余人,第二年同一地点继续举办大型活动。
我觉得看到事故发生就批评政府是很容易的,但是,如果说到以后该怎么办,始终也没有一个答案让所有人都满意。现在,互联网上同时充斥着两种声音:一种是质疑政府以及警方为什么明明知道跨年属于高风险活动依然动作迟缓,另一种声音则是害怕当局借着这起事件,直接取消跨年和春节庆典了事,甚至可能展开不知道针对什么领域的更严格管制。多种声音之间似乎是难以调和的。
作为科技从业者,我的朋友们试图通过科技的手段,来为日后这类问题的解决提供一些参考。比如有人提出,在人流密集场所可以使用大数据,动态视频监测,物联网等等功能的综合运用,来进行人流的监测和管控。但是我想指出的是,尽管这是站在了我们本职工作的立场上,但这的确不是重点。
早在完全没有这些技术的时候,中国也已经建立了行之有效的预案来进行危机干预。2008年是不会存在什么智能硬件,物联网,大数据这些东西的,当时甚至连微博都没有。但是我们国家依然办了一届“无与伦比”的奥运会,包括安保方面也是树立了一个新的标杆。
在需要的时间和地点,中国有能力处置任何形式的危机事态。如果重大活动是有预案的,那么处理起来就会更加得心应手。在北京奥运之后,中国又办了一系列的大型展会活动,这些活动无一例外地平安结束。
过去的一年,中国多地的确发生了由暴恐分子策划和实施的恐怖袭击。但是在这些袭击行动过后,受到波及的城市都加强了安保级别,当地民众也逐渐从阴影当中走出来,不再把袭击阴影当回事。这能够说明的问题就是,不管是跨年夜的踩踏事故,还是更严重的恐怖袭击,中国都是完全有能力预防和处置的。而危机的发生,只能说是当局没有足够重视起来的结果。
今天早上,我曾经试着比较过在上海、纽约和香港这三个比较典型的都市,人们过大型活动的时候,安保方面是否有值得注意的不同。
在上海外滩,纽约时报广场,香港的兰桂坊,这些地区的面积,高峰时的人数,以及具体安防力量和手段都各不相同,但非常明显的一点是,没有哪一个地方是明显落后于另两个地方的。跟世界其他任何地方比起来,中国在安保方面的努力和积累的经验都毫不逊色。
但上面这句话的前提是——中国一定要“认真”起来才行。如果因为要管的东西太多,根本就疏忽了,或者没有提高到应有的高度,只当做一般的公众活动处理,那就不行。从不同媒体的报道和亲历记录看,在悲剧发生前半个小时甚至更久,危险局面就已经出现。在其中的人们已经本能地意识到风险,然而此时的安保力量,跟几个月前的亚信峰会铁桶一般的警卫相比,却是如此孱弱。
在危机管控方面,有人非常准确地总结了长期以来的状况:“一抓就死,一放就乱”。在平时可能不太注意的场合,安保力量不会对局面有完全控制力,可能也没有分派足够的保安力量。但一旦局势失控,出了大问题,上升到特别重大的公共安全事件,事情就会完全不一样。一轮又一轮的责任追查下来之后,会在起码半年到一年的时间之内,让社会各界都绷紧安全这根弦,所有跟安全有关的部门如临大敌,直到危机迟迟不重演,人们再度松懈下来为止。
我们的政府在安保方面,就像进行其他关乎国计民生的工作一样,总是想要举全国之力,动员一切可以动员的力量。这样做当然时间短收效快,但是其负面作用是要“举国”的东西实在太多了,应接不暇,总有那么一些领域会被忽视,一直到出了不能视而不见的大问题,然后再次成为新的“举国”重点。
从根本上让安保“常抓不懈”,“警钟长鸣”,降低发生公共危机的几率和破坏程度的方法,就是充分将可下放的管理权限下放,把这些事情交给专业的机构来打理,让社会上真正有志于,也比较有能力解决公共安全问题的专业人士来处理。在按照订单保质保量的完成工作的同时,专业机构也应如同在政府内部一般,获得各种资源的使用权限。
去年,全球各地都有推动用民间力量助力政府进行公共管理的“开放政府”活动。在印尼雅加达,当地市政府公开了一些不涉密的动态信息API,如交管部门测得的车流量,气象局的详细天气数据等,鼓励民间开展编程比赛,创建第三方应用,改善政府网站的设置。香港有专门的非政府组织推动了香港天文台等政府部门的数据开放。
在中国大陆,由政府主导的“智慧城市”计划和企业联姻,一些企业贡献了云存储空间和技术手段,帮助政府升级办公平台。这样的经验,完全可以复制于包括安保在内的更多政府目前“大包大揽”的事务上。
等政府不像现在这么“日理万机”的时候,让专业的人来做需要专业能力的事,也许对安全真正“永不懈怠”的追求,就有达到的一天。而在此之前,我们每一个人能做到的最简单的行动就是——别去人多的地方。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
Python HTTP 请求工具对比:urllib.request 与 requests 的核心差异与选择指南 在 Python 处理 HTTP 请求(如接口调用、数据爬取 ...
2025-09-12解决 pd.read_csv 读取长浮点数据的科学计数法问题 为帮助 Python 数据从业者解决pd.read_csv读取长浮点数据时的科学计数法问题 ...
2025-09-12CDA 数据分析师:业务数据分析步骤的落地者与价值优化者 业务数据分析是企业解决日常运营问题、提升执行效率的核心手段,其价值 ...
2025-09-12用 SQL 验证业务逻辑:从规则拆解到数据把关的实战指南 在业务系统落地过程中,“业务逻辑” 是连接 “需求设计” 与 “用户体验 ...
2025-09-11塔吉特百货孕妇营销案例:数据驱动下的精准零售革命与启示 在零售行业 “流量红利见顶” 的当下,精准营销成为企业突围的核心方 ...
2025-09-11CDA 数据分析师与战略 / 业务数据分析:概念辨析与协同价值 在数据驱动决策的体系中,“战略数据分析”“业务数据分析” 是企业 ...
2025-09-11Excel 数据聚类分析:从操作实践到业务价值挖掘 在数据分析场景中,聚类分析作为 “无监督分组” 的核心工具,能从杂乱数据中挖 ...
2025-09-10统计模型的核心目的:从数据解读到决策支撑的价值导向 统计模型作为数据分析的核心工具,并非简单的 “公式堆砌”,而是围绕特定 ...
2025-09-10CDA 数据分析师:商业数据分析实践的落地者与价值创造者 商业数据分析的价值,最终要在 “实践” 中体现 —— 脱离业务场景的分 ...
2025-09-10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 ...
2025-09-04