如何用大数据戳穿“空城计”

大数据在现代治理中能否做大？怎么做大？取决于它的占有者和使用者，怎么采集、挖掘、整理、分析。

某地在海边兴建了一批小高层住宅，美其名曰海景房。因为地理位置、气候条件并无优势，宣传单天南海北撒了一大片，房子还是卖不动。有人提醒他，外地购房团过来了，看到小区黑黢黢一片，入住率不高，哪里还有购房冲动？开发商灵机一动，雇请一批民工，每天晚上到空关的住宅里值班，负责晚上六七点钟陆陆续续开灯，九十点钟再陆陆续续关灯，以营造一种万家灯火的景象。

这是“空城计”的民间版，主要为了应对 “黑灯瞎火”的尴尬。在某些地方官员那里，唱起新版“空城计”，闹腾的动作可就是满城风雨了，因为有权力、资本、政绩等诸多因素助推。有朋友吐槽说过去是“孟母三迁”，现在是“县中三迁”。他们的县中，本来在城区中心，前些年迁到稍远的城北，现在又迁到十公里外的城东。可怜住在城区的家长，只好追着买房、换房、租房。县中搬迁公开理由是扩大招生规模，提高办学水平，事实上不过是借助学校建设，带动新区发展，拉动楼盘销售，填充“空城”。“县中三迁”以及政府办公大楼“三迁”，已成为相当一部分经济后发地区发展经济的共有套路。

直到今天，什么才算“空城”“鬼城”？哪些是“空城”“鬼城”？口径不一，说法不一。好多调查统计方式还停留于查水表、电表，甚至晚上数黑灯房间的调查方式。岁末年初，中国50大“鬼城”排行榜再度出炉，县级城市成主流。我倒不特别关心哪些城市榜上有名，我留意的是数据来源。研究人员统计每100平方米居民区使用搜索引擎的人数，认为这样大的区域里如果百度用户不到0.25人，可以被视为“高空置率”，也就是“鬼城”。用来发现鬼城的数据是巨大的，包含从2014年9月到2015年4月的7.7亿百度用户。

当然，这个数据也有问题，因为百度用户不成比例地集中于年轻人和富裕人群。但是，这毕竟是一个最大程度避免人工干预、人为污染的调查统计方法。

城市管理的另一个有趣的改变，发生在城市街头，起因也是大数据。

跑出租的司机，一般都喜欢挑长单子做，人之常情嘛。过去，出租车公司的管理手段通常是不接短单子就罚钱，不接电调就罚款。这样的处罚，也只限于投诉一起、发现一起，才能查处一起。现在，滴滴的“滴米”调度系统已经上线，该系统是通过对大数据的分析和把握，推出一种新的调度方式。行驶里程多、道路状况好的优质单会扣除滴米，而行驶里程较少、道路状况拥堵的“劣质单”则会奖励滴米。当乘客端发出叫车需求，有两辆车与乘客的距离是一样的，那么谁的滴米多，谁就获得这个订单，以此鼓励司机为接到好单而多累积滴米。

大数据会“说话”，能揭示非相关数据的相关关系，继而推断出因果关系。显然，这是一个拟人的说法，数据不会自动或主动“说话”，那么，谁给它“说话”的空间？又有谁去“听话”？大数据在现代治理中能否做大？怎么做大？取决于它的占有者和使用者。怎么采集、挖掘、整理、分析，这是一个问题；如何应用大数据，驱动管理升级，优化决策机制，创新制度设计，是问题的关键。最重要的恐怕是，管理者的视野要大。唯其如此，才有大智慧、大格局、大战略。

本文转自d1net（转载）