大数据在应急管理中的应用_数据分析师培训
当前大数据正在改变世界,而数据收集和分析则是提升应急管理功能的重要手段。在对大数据内涵和具体案例进行分析后就会发现,大数据在应急管理中的应用主要有大数据技术和大数据思维两种方式。在应急管理的事前准备、事中响应和事后救援与恢复的每一阶段都可以引入大数据的应用,每个阶段对大数据的应用程度也会因其需要应对内容的不同而有所差别。大数据的应用有助于提高应急管理效率、节省成本和减少损失。我国需要在大数据战略、大数据开放政策、大数据在应急管理中具体应用形式等方面做出部署与探索。
[关键词]大数据;应急管理;大数据技术;大数据思维
欧美一些国家已经开始把大数据运用到应急管理中,并取得一定成效,当前国内实务界和学术界虽然开始关注大数据的应用,但相关研究还比较缺乏。本文根据大数据的内涵,归纳了大数据在应急管理中的应用方式和基本框架,总结了大数据在应急管理中的实践案例,期望对我国大数据在应急管理中的应用和研究有所启示。
一、大数据的内涵和在应急管理中应用的基本框架
关于大数据的内涵并没有完全一致的理解,如按照麦肯锡全球研究所(McKinsey Global Institute)的定义,大数据指的是超出常规数据库软件工具所能捕获、存储、管理和分析的超大规模数据集。[1]也有的从数据集的特点入手,界定了大数据的三个主要特点,即常用的3V界定:规模性(Volume)、多样性(Variety)和高速性(Velocity)。[2]舍恩伯格在《大数据时代》中反复强调:大数据是人们获得新认知、创造新价值的源泉;大数据还是改变市场、组织机构以及政府与公民关系的方法[3],强调以大数据技术为基础的新思维和新方法。
由于对“大数据”的认识存在差别,综合不同的定义看,“大数据”在不同领域内包含三层含义,可以分别从现实和技术两方面加以阐释:第一层意义上的“大数据”指的是数据的巨量化和多样化,现实方面指的是海量数据,技术方面指的是海量数据存储;第二层意义上的“大数据”指的是大数据技术,现实方面指的是对已有或者新获取的大量数据进行分析和利用,技术方面是指云存储和云计算;第三层意义上的“大数据”指的是大数据思维或者大数据方法,现实方面指的是把目标全体作为样本的研究方式、模糊化的思维方式、侧重相关性的思考方式等理念,技术方面是指利用海量数据进行分析、处理并用以辅助决策,或者直接进行机器决策、半机器决策的全过程大数据方法,这种对大数据的认知方式涉及到“大数据项目”或“大数据技术应用”的认知,并由此可以延伸出大数据视角下的应急管理方式。
大数据在应急管理中的应用方式分为两部分:大数据技术和大数据思维。大数据技术既包括诸如数据仓库、数据集市和数据可视化等旧技术,也包括云存储和云计算等新技术;而大数据思维则是从海量数据中发现问题,用全样本的思维来思考问题,形成了模糊化、相关性和整体化的考虑方式。[4]大数据技术与思维相互融合和作用,共同形成了大数据的应用,并对包括应急管理在内的很多公共管理领域产生了巨大影响。如英国皇家联合军种国防研究所2013年的报告提出,大数据的应用包含四个特征:快速的收集、分析、决策和反应机制;在分析和结论方面有极高的可信度;无论是在个人还是群体的行为预测方面都应该更有预见性和更高的准确度;重视数据和充分利用,最好是能够多次使用数据。[5]
按照突发事件发生的时间顺序,整个应急管理大致可以分为事前、事中和事后三个阶段,包括预防准备、监测预警、应急处置、善后恢复等多个环节。由于当前大数据在应急管理中大多处于技术应用阶段,并没有针对应急管理中大数据的应用进行严格分类,因此本文根据应急管理最简单的时间序列划分法,探讨了大数据在应急管理中事前、事中和事后应用的基本框架。
当然,由于应急管理针对的事件类型不同,并非所有的应急管理领域都会涉及到大数据在三个过程中的应用。有时候可能并不需要进行数据的重新收集和硬件系统的整合,而只需要进行管理模式和思维的变化,就可以形成新的大数据应用方式,这也是大数据在应急管理甚至是公共管理应用中不同于纯技术导向应用的核心所在。
二、大数据在应急管理中应用的具体分析和实践
由于应急管理三个阶段的任务不同,且不同性质的突发事件也有发生机理和破坏方式的差异,针对不同突发事件进行应急管理时,所侧重的应对阶段也有所不同。如地震、海啸等发生突然,现场反应时间很短,进行“事中响应”非常困难,需要着重预防和救援;而森林火灾等预防困难,救援难度大,现场应对更为重要。因此,就需要根据突发事件的不同特点,在不同阶段应用大数据,可以起到事半功倍的效果。
(一)事前准备
在事前准备阶段,需要为大数据的应用进行相应的管理和设施准备。管理准备指的是与大数据管理、大数据方法相匹配的人事准备和管理提升。设施准备指的是大数据应用所需要的硬件和软件设施。硬件设施主要涉及新技术背景下的数据采集,而软件设施不但涉及到新数据的采集,也可以针对旧有数据进行分析和挖掘。
1.两个层面人员的管理准备
主要是对中上层管理人员和基层管理人员的培训和管理。中上层要进行相应的领导体制变革和知识培训,下层则可能要新设机构、增加专业技术人员和信息采集人员,并做好培训。为了响应大数据时代的到来,在管理层面,如美国政府在2009年任命了联邦政府首任首席信息官,负责指导联邦信息技术投资的政策和战略规划,负责监督联邦技术应用的有关支出,监管企业等,以确保在联邦政府范围内,系统互通互联、信息共享,确保信息安全和隐私,此外首席信息官还与首席技术官紧密合作来推进总统有关大数据应用的技术设想。[6]英国提出“相关部门必须重视大数据管理......需要任命两名三星上将担任“大数据”监督官,或者国防安全部门内部的大数据指挥官;这两名上将应该分别来自国防部和联合部队司令部,并分别负责两部分的大数据工作。”[7]而基层管理人员需要进行相应的培训。英国皇家联合军种国防研究所的“大数据化”建议帮助国防部门转变成为“大数据化”组织,对需要进行大数据化的部门安排培训,人员需要包括中层以下的管理人员和项目专家,即数据分析官;明确工业部门对大数据管理的价值和作用,包括作为后备力量和为国防安全领域提供专业技术人才。[8]
2.大数据应用的设施准备
设施准备主要指为大数据的应用提供基础设施,随着技术的不断发展,“传感器”将成为大数据应用中的重要一环。上世纪60年代以来,美国为预防风暴和海浪袭击而建立海浪检测系统。2005年,国家数据浮标中心在原有设备的基础上架设了大量新型海洋地理传感器,包括海浪流向传感器等。此项目传感器实时产生大量数据,用以实时监测海浪情况。按照该项目划分,全美海岸线被分为7个部分,每个区域的分支网路都是先独立布点,然后在区域联网的支持下,根据海浪运动的物理原理扩展联网。全部联网完成以后,整个监测网包括296个传感器:其中56个分布在远海,60个分布在大陆架外部,47个分布在大陆架内部,133个分布在海岸线附近,其中,有115个布点是2005年最新增加的布点,另外有128个布点刚刚完成海浪流向测量的升级。[9]这项计划产生极大的社会价值。根据数据统计,商业捕捞是全美最危险的职业之一。在2008年,该中心的报告称,该年度渔业从业者每十万人的死亡人数为155人,而全美所有行业的平均死亡人数仅为每十万人中4人。在渔业相关的所有死亡因素中,79%是由天气原因造成的,其中40%是由巨浪导致。[10]虽然无法具体统计海浪预测系统的预报拯救了多少人,但毋庸置疑的是,更好的实时海浪监测系统就意味着能救更多人。
大数据设施的准备还包括软件准备。软件的升级包括算法的更新,分析方法和数据处理方法的改进,多源数据的融合分析。在阿富汗,英军曾使用相关技术绘制一种“人肉炸弹地图”,将信息导入数据库,通过生物识别数据和图像来识别当地人口,判断关键信息,从而找出可能出现的恐怖分子。[11]在阿富汗战争最激烈的时期,美国国防高级研究计划局曾派遣数据科学家团队和可视化技术团队到阿富汗。在一个名为 “Nexus7”的计划中,这些团队将卫星数据与地面监控数据相融合,用以观察道路网中的交通流,以便作战人员定位并摧毁简易爆炸装置。[12]由于地面监控和卫星图像等硬件设备早为英美联军所部署,在阿富汗反恐作战中,图像处理技术、多源数据融合技术和可视化技术才是充分挖掘原有数据并使之产生价值的关键所在。
(二)事中响应
在事中响应阶段,大数据的应用能为政府、第三方组织或个人开展应急响应提供很大便利。对于政府而言,大数据化的应急管理意味着技术支撑基础上的融合与协作,它不但为协作带来很大便利性,也保证了日常业务连续性和应急处置及时性之间的平衡。对第三方组织或个人来说,大数据可以为应急管理提供更加便捷灵活的手段。
1.宏观和微观层面基于大数据信息流的多元应急合作
在宏观层面,整个应急响应可以分为决策指挥、现场应对和外界援助等三个层面,这之间以海量数据信息、高效计算能力和数据传输能力为基础,实现信息有效沟通和机器预测预判,进而帮助指挥部门协调各方、现场处置和救援、与外界通过信息沟通提供援助,实现多元化协作的应急处置。
数据分析咨询请扫描二维码
需求持续增长 - 未来数据分析师需求将持续上升,企业对数据驱动决策的依赖加深。 - 预测到2025年,中国将需要高达220万的数据人 ...
2024-11-22《Python数据分析极简入门》 第2节 4 Pandas条件查询 在pandas中,可以使用条件筛选来选择满足特定条件的数据 importpanda ...
2024-11-22数据分析师的工作内容涉及多个方面,主要包括数据的收集、整理、分析和可视化,以支持商业决策和问题解决。以下是数据分析师的一 ...
2024-11-21数据分析师必须掌握的技能可以从多个方面进行归纳和总结。以下是数据分析师需要具备的主要技能: 统计学基础:数据分析师需要 ...
2024-11-21数据分析入门的难易程度因人而异,总体来看,入门并不算特别困难,但需要一定的学习和实践积累。 入门难度:数据分析入门相对 ...
2024-11-21数据分析是一项通过收集、整理和解释数据来发现有用信息的过程,它在现代社会中具有广泛的应用和重要性。数据分析能够帮助人们更 ...
2024-11-21数据分析行业正在迅速发展,随着技术的不断进步和数据量的爆炸式增长,企业对数据分析人才的需求也与日俱增。本文将探讨数据分析 ...
2024-11-21数据分析的常用方法包括多种技术,每种方法都有其特定的应用场景和优势。以下是几种常见的数据分析方法: 对比分析法:通过比 ...
2024-11-21企业数字化转型是指企业利用数字技术对其业务进行改造和升级,以实现提高效率、降低成本、创新业务模式等目标的过程。这一过程不 ...
2024-11-21数据分析作为一个备受追捧的职业领域,吸引着越来越多的女性加入其中。对于女生而言,在选择成为一名数据分析师时,行业选择至关 ...
2024-11-21大数据技术专业主要学习计算机科学、数学、统计学和信息技术等领域的基础理论和技能,旨在培养具备大数据处理、分析和应用能力的 ...
2024-11-21《Python数据分析极简入门》 第2节 3 Pandas数据查看 这里我们创建一个DataFrame命名为df: importnumpyasnpi ...
2024-11-21越老越吃香的行业主要集中在需要长时间经验积累和专业知识的领域。这些行业通常知识更新换代较慢,因此随着年龄的增长,从业者能 ...
2024-11-20数据导入 使用pandas库的read_csv()函数读取CSV文件或使用read_excel()函数读取Excel文件。 支持处理不同格式数据,可指定分隔 ...
2024-11-20大数据与会计专业是一门结合了大数据分析技术和会计财务理论知识的新型复合型学科,旨在培养能够适应现代会计业务新特征的高层次 ...
2024-11-20要成为一名数据分析师,需要掌握一系列硬技能和软技能。以下是成为数据分析师所需的关键技能: 统计学基础 理解基本的统计概念 ...
2024-11-20是的,Python可以用于数据分析。Python在数据分析领域非常流行,因为它拥有丰富的库和工具,能够高效地处理从数据清洗到可视化的 ...
2024-11-20在这个数据驱动的时代,数据分析师的角色变得愈发不可或缺。他们承担着帮助企业从数据中提取有价值信息的责任,而这些信息可以大 ...
2024-11-20数据分析作为现代信息时代的支柱之一,已经成为各行业不可或缺的工具。无论是在商业、科研还是日常决策中,数据分析都扮演着至关 ...
2024-11-20数字化转型已成为当今商业世界的热点话题。它不仅代表着技术的提升,还涉及企业业务流程、组织结构和文化的深层次变革。理解数字 ...
2024-11-20