京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大数据与风险社会的危机管理创新
德国社会学家乌尔里希·贝克1986年在《风险社会》一书中,首次提出风险社会的概念。人们普遍认为,它很好地描述和分析了当代社会的结构特征,为理解当下中国转型时期的社会风险,应对公共危机,提供了有益思路。大数据开启了一场新的数据技术革命,大数据技术的引入,可以重构传统的风险管理体制,再造危机管理流程,变革和创新政府管理思维。
社会转型与社会风险
根据贝克的理解,随着现代化的推进、科技的发展及经济全球化进程的加速,人类进入了一个风险频发的风险社会。虽然风险古已有之,但现代风险具有整体性、不可感知性、不确定性、全球性、自反性等传统风险所不具备的特性,它从根本上改变了工业社会的运行逻辑、社会动力和基本结构,使人类进行了一场“从短缺社会的财富分配逻辑向晚期现代性的风险分配逻辑的转换”。现代科技在推动社会发展的同时,也带来大量潜在的风险,这种“自反性”现代化的结果是,科技和现代化发展得越快、越成功,风险便越多、越突出。
此外,风险社会的另一个后果,便是社会的“个体化”。人们不再以阶级、家庭等制度性标准作为行动参照,而完全以自身作为决策主体;人们也不再以阶级地位,确定某人的家庭地位、观点、关系、社会、政治与认同。这是社会结构的巨大的变迁。在传统社会,个体遭遇风险,可被当成不由个体负责的事件;而在风险社会,则被视为个体的失败案例。这就导致风险在数量上增加,类型上更加复杂化,因为不同的人会遇到性质和形式不同的风险和罪责归因。
与此相关,风险社会的另两个结构性变化,是工作场所的多元化和工作的灵活化。传统单位里终身的全职工作,转变为充满风险的,多样、灵活和分散的就业体系,这带来了普遍的就业不安全感,并对现行的劳动保障体制及法律制度的合理性提出了质疑,给社会发展和政府管理带来了威胁与挑战。
风险社会与危机管理
经过30多年的高速发展,当代中国正处于社会转型和危机高发的风险社会阶段。现阶段我国不仅受到环境与资源的巨大制约,而且还需在尽可能短的时间内完成发达国家相当长时期内完成的社会变迁和结构转型。这种快速转型,可能导致社会结构出现断裂,带来频繁的社会危机和剧烈的社会震荡。20世纪80年代,拉美国家出现的“拉美陷阱”,原因正在于此。
一般而言,现代风险社会具有三大特征:风险的人化、制度化、普遍性。当前,我国正处于全球风险、社会转型风险混合叠加的高风险时期——由传统社会向现代社会转型,既存在机遇,也面临风险;经济全球化加速了全球信息与物质的流动,将我国裹入全球风险之中。近年来,源自国内外的一系列公共危机,清晰地表明我国业已步入高风险社会。
2003年非典以来,我国“一案三制”的应急管理架构,“统一领导、综合协调、分类管理、分级负责、属地管理为主”的危机管理体制,得以初步成形,并在若干重大危机应对中凸显优势。然而,随着经济、社会的急剧转型,这种集中资源的“拳头式”危机管理体制,问题和缺陷也日渐显现。例如,这种危机管理体制的理论预设是危机的“非常态”,将危机视为偶然事件,侧重于事后的应急处置,忽视前期预警和全流程监控,致使本可早期预防的危机频繁发生。同时,脱胎于传统官僚体制的政府危机管理体系立足危机“已然存在”的假设之上,依靠权力分工、责任认定和制度化的应急手段予以消除,但随着风险社会的来临,风险来源不断增多,变异性、扩散性日益增强,仅对危机进行局部改良已难以从根本上解决问题。因此,必须引进新的技术与方法,创新危机管理,推进治理体系和治理能力的现代化。
大数据与危机管理创新
大数据技术及管理模式的引入,能有效重塑危机管理体制的理念、机制和流程,提高危机管理的科学性和可预见性,促进现有体制结构性问题的解决。
重塑管理理念。风险社会的危机事件具有高度的复杂性、普遍性、衍生性和利益关联性。必须突破现有理念中“重应对、轻管理”的误区和“重权力、轻技术”的倾向,主动运用大数据的挖掘、分析、预测和流程整合能力,对危机生命周期的全程进行流程管理,实现从单一的事件应对向全流程管理的理念转变。避免聚焦于应对环节,忽视监测预防、缓解、评价、学习、反思等重要步骤。避免一次次成功的事件应对过后,处置能力和应急管理水平毫无长进,一事过后同类问题反复发生。大数据最大的价值在于预测,它能实现有预见性的管理。
变革管理体制。现代危机具有很强的跨领域性、衍生性、危害的全社会性,在此背景下,现行体制纵向分工的惯性与现代危机管理横向整合要求之间存在严重的功能性冲突和结构性矛盾,一个部门负责一种危机的模式也已无法适应当代危机管理的需要。而大数据技术及相关管理模式,能为现有体制及专业分工所致的信息壁垒提供很好的解决方法,原因在于管理流程中产生的数据流,只遵循数据本身的性质和管理的要求,而不考虑专业分工区隔。
再造管理流程。即依据危机管理数据流的传播方向而非专业分工来构建和再造管理流程,使危机管理体制围绕数据流形成相应的机构、团队和人员,有效提高管理流程整体的运行效能。
构建数据分享系统。大数据技术获取的全样本数据,是现代危机管理的基础。在创新管理体制的过程中,有必要从国家层面打破部门垄断和专业区隔,构建政府内部无缝衔接的大数据危机管理系统,为联合开展危机管理提供共享的管理数据网络,实现以大数据分析决策为核心的整合式危机管理效益的最大化。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据分析与业务决策中,数据并非静止不变的数值,而是始终处于动态波动之中——股市收盘价的每日涨跌、企业月度销售额的起伏、 ...
2026-04-21在数据分析领域,当研究涉及多个自变量与多个因变量之间的复杂关联时,多变量一般线性分析(Multivariate General Linear Analys ...
2026-04-21很多数据分析师精通描述性统计,能熟练计算均值、中位数、标准差,但当被问到“用500个样本如何推断10万用户的真实满意度”“这 ...
2026-04-21在数据处理与分析的全流程中,日期数据是贯穿业务场景的核心维度之一——无论是业务报表统计、用户行为追踪,还是风控规则落地、 ...
2026-04-20在机器学习建模全流程中,特征工程是连接原始数据与模型效果的关键环节,而特征重要性分析则是特征工程的“灵魂”——它不仅能帮 ...
2026-04-20很多数据分析师沉迷于复杂的机器学习算法,却忽略了数据分析最基础也最核心的能力——描述性统计。事实上,80%的商业分析问题, ...
2026-04-20在数字化时代,数据已成为企业决策的核心驱动力,数据分析与数据挖掘作为解锁数据价值的关键手段,广泛应用于互联网、金融、医疗 ...
2026-04-17在数据处理、后端开发、报表生成与自动化脚本中,将 SQL 查询结果转换为字符串是一项高频且实用的操作。无论是拼接多行数据为逗 ...
2026-04-17面对一份上万行的销售明细表,要快速回答“哪个地区卖得最好”“哪款产品增长最快”“不同客户类型的购买力如何”——这些看似复 ...
2026-04-17数据分析师一天的工作,80% 的时间围绕表格结构数据展开。从一张销售明细表到一份完整的分析报告,表格结构数据贯穿始终。但你真 ...
2026-04-16在机器学习无监督学习领域,Kmeans聚类因其原理简洁、计算高效、可扩展性强的优势,成为数据聚类任务中的主流算法,广泛应用于用 ...
2026-04-16在机器学习建模实践中,特征工程是决定模型性能的核心环节之一。面对高维数据集,冗余特征、无关特征不仅会增加模型训练成本、延 ...
2026-04-16在数字化时代,用户是产品的核心资产,用户运营的本质的是通过科学的指标监测、分析与优化,实现“拉新、促活、留存、转化、复购 ...
2026-04-15在企业数字化转型、系统架构设计、数据治理与AI落地过程中,数据模型、本体模型、业务模型是三大核心基础模型,三者相互支撑、各 ...
2026-04-15数据分析师的一天,80%的时间花在表格数据上,但80%的坑也踩在表格数据上。 如果你分不清数值型和文本型的区别,不知道数据从哪 ...
2026-04-15在人工智能与机器学习落地过程中,模型质量直接决定了应用效果的优劣——无论是分类、回归、生成式模型,还是推荐、预测类模型, ...
2026-04-14在Python网络编程、接口测试、爬虫开发等场景中,HTTP请求的发送与响应处理是核心需求。Requests库作为Python生态中最流行的HTTP ...
2026-04-14 很多新人学完Python、SQL,拿到一张Excel表还是不知从何下手。 其实,90%的商业分析问题,都藏在表格的结构里。 ” 引言:为 ...
2026-04-14在回归分析中,因子(即自变量)的筛选是构建高效、可靠回归模型的核心步骤——实际分析场景中,往往存在多个候选因子,其中部分 ...
2026-04-13在机器学习模型开发过程中,过拟合是制约模型泛化能力的核心痛点——模型过度学习训练数据中的噪声与偶然细节,导致在训练集上表 ...
2026-04-13