京公网安备 11010802034615号
经营许可证编号:京B2-20210330
需求和供给的相对平衡是国民经济的平稳的决定性因素。要达到这个平衡,国家提出要供给侧改革。看过很多供给侧改革的文章,大部门比较宏观,而笔者认为精细化推进”供给侧“改革需要产业发展推荐引擎系统和中国产业信息平台,需要大数据驱动,需要如大数据推荐引擎技术系统一样形成有效的正反馈机制,精细化解决这个问题,简言之:
1)全方位了解需求方(改革中的人民群众)“健康”(不是盲目需求)的需求;
2)全方位了解供给方有哪些产业满足这些需求。

很显然这是一个产业发展匹配人民生活需求的问题,产业结构调整,需要产业推荐引擎,需要发展什么,调整什么需要根据人民生活的需求、地区需求,提供他们喜欢的产品和服务,这和电子商务网站的个性化推荐引擎的原理非常相似。智能推荐引擎在电子商务网站的的基本逻辑是什么?是根据用户的需求,标签,行为,热门、兴趣、地域、探索等逻辑,在商城发现符合用户的产品,以预测群体的行为,推荐个人喜好的产品。在网上购物日益普及的今天,个人相对稳定的购买需求与网站提供的纷繁庞大的产品之间的矛盾越来越突出,“信息过载”(现在是产业过载)和“信息迷失”(发展方向迷失,或者说不够精细化)的现象日益严重。电子商务企业很好的利用了推荐技术来解决这个问题,推荐引擎根据用户标签,行为,购物时间、地点等各种外界因素而提供给消费者越来越满意的产品推荐。这种逻辑非常适合我们面前的供给侧改革,改革者如何准确的把握和利用当前老百姓的生活消费需求,通过优化投资结构、产业结构,在经济可持续高速增长的基础上实现经济可持续发展与人民生活水平不断提高。所以笔者认为供给方改革就需要供给方推荐引擎!
这显然这是需要大数据的思维,是一个大数据的问题,而不是口号和宏观的问题,需要数据说话,数据管理,数据决策,一边是老百姓需求发掘与预测,一边是产品生产数量,质量,和产业产能比例。如何建立这样一个算法模型,借力大数据和互联网技术,让生产的产品不过剩,消费者刚好喜欢。这是一个系统工程,不是一个感性工程,所以我们需要用科学的手段解决,先建立起模型,然后不断优化。
首先我们需要明确
1)供给侧改革目标
GDP发展多少?各行业发展提高多少?人民有哪些需求?各种需求数据是多少?比如几套房子,几辆车子,这些全部需要根据13五规划做大概的计划,好让供给方改革有个目标,有数据可依,有数据可管理,有数据决策。
2)供给侧改革推荐引擎算法模型;
建立产业发展推荐看板,根据的确老百姓的需求和现有产业发展情况,推荐企业重点发展哪些产业,哪些行业,哪些服务,区域经济发展首先要自己自足(生活必须品),然后有自己的特色。例如西北地区服装生产落后,依靠南方企业服装生产满足西北人的服装需求,虽然物流很发达,但是还是耗能很大,运输成本较高,一些生活的必须品最好能够实现本地化生产;区域经济发展特色经济是说根据,本地区特色,组织有效的生产改革。例如甘肃陇西地区,首先要本地区的百姓的基本需求的自给自足,然后大力发展发展药材企业。并集中发展地产企业,让百姓集中住房,推进农业规模化种植。甘肃地区人民的居住和水资源可以集中起来解决。而不是各自为战。
再如:去年的的“双十一”,某大型外资超市在天猫卖出了224万升进口牛奶,接近中国人每天液体奶需求量的一成;不仅奶粉,日本马桶盖、韩国化妆品、美国手机等都在最畅销的“海淘”商品中名列前茅……这并非简单的“崇洋媚外”,它反映了中国人在生活水平提高后对消费产品质量的重视,更折射出中国长期以来“供给侧”不足的矛盾。“这说明需求已经发生了变化。”目前我国的产业结构比较低端,高端的产能需求、高质量的产品,国内供给解决不了;而供给的结构也出了问题。我国大量的供给产能是过剩的,而且是一种低端的产能过剩。“所以,现在要做的就是从供给端进行改革。”通过这样的数据分析,我们就需要加强供高端产品的生产。
这种模型要考虑当前,未来5年,十年的需求发展和变化,一旦建立,就可以分短期,中期和长期的战略进行实施。全国经济发展一体化,计划加执行。地方经济发展市场化等发展策略,把这些策略确定为算法,通过数据公式去执行去不断的调优,实现理念行为化,行为制度化,制度信息化,精细化、科学化是长久之计。
3)行业改革算法模型,行业不同改革的模型也不同,因此需要精细化改革思路,不能一刀切,需要数据说话;
工业供给侧改革模型
农业供给侧改革模型
金融供给侧改革模型
房地产行业供给侧改革模型
以房地产行业为例,”要化解房地产库存,促进房地产业持续发展”。这是对房地产作为支柱产业的再次确认。促进房地产业持续发展,不仅因为这一行业能带动钢铁、水泥、电解铝等许多下游产业的发展,化解这些行业的产能,有效拉动就业,还在于从推进“人的城镇化”考量,房地产业的发展是让2.5亿缺乏相应市民权利的城镇常住人口能真正定居下来的必要物质前提。这是在调控层面消除供给制约。
制造业供给侧改革模型
服务业供给侧改革模型
文化产业供给侧改革模型
电影行业供给侧改革模型
如下:
其一,全国经济指标,根据权限,联合国家重要的统计部门,了解全国的经济指标;其二,产业数据查询;其三,行业数据查询;其四,区域经济查询、区域经济发展推荐;其五,经济指标发展分析;这个平台的建立有利于,国家供给侧改革的科学化落地。去年中央经济工作会议强调,2016年及今后一个时期,要在适度扩大总需求的同时,着力加强供给侧结构性改革。会议认为,2016年经济社会发展特别是结构性改革任务十分繁重,战略上要坚持稳中求进、把握好节奏和力度,战术上要抓住关键点,主要是抓好去产能、去库存、去杠杆、降成本、补短板五大任务。平台的建立有利于实现这些目标。
最后我想说,供给侧改革,类似国家NRP(国家资源计划),因为国家的人们的需求在一年之内基本是可以预测的,国家的资源也是相对比较固定的。如何管理,匹配,非常关键。资源丰富,需求简单的时候管理起来相对容易,资源复杂,需求包罗万象的时候管理起来就需要精细化,没有大数据,没有这样的产业调整推荐引擎的思路实现起来举步维艰,或者无从下手。
因此:精细化推进”供给侧“改革需要产业发展推荐引擎系统和中国产业信息平台!
以上的思路还比较粗浅,但笔者想要说明一个问题,那就是要进行精细化,数据化改革。学习电子商务网站推荐引擎的商业逻辑完善改革的算法模型,持续优化,正向反馈。精细化的中国梦可以比较清晰分阶段量化实现。
但又或许这是当下一种错误的提法。所以欢迎沟通 张涵诚微信:zhanghanc
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
CDA一级知识点汇总手册 第三章 商业数据分析框架考点27:商业数据分析体系的核心逻辑——BSC五视角框架考点28:战略视角考点29: ...
2026-02-20CDA一级知识点汇总手册 第二章 数据分析方法考点7:基础范式的核心逻辑(本体论与流程化)考点8:分类分析(本体论核心应用)考 ...
2026-02-18第一章:数据分析思维考点1:UVCA时代的特点考点2:数据分析背后的逻辑思维方法论考点3:流程化企业的数据分析需求考点4:企业数 ...
2026-02-16在数据分析、业务决策、科学研究等领域,统计模型是连接原始数据与业务价值的核心工具——它通过对数据的规律提炼、变量关联分析 ...
2026-02-14在SQL查询实操中,SELECT * 与 SELECT 字段1, 字段2,...(指定个别字段)是最常用的两种查询方式。很多开发者在日常开发中,为了 ...
2026-02-14对CDA(Certified Data Analyst)数据分析师而言,数据分析的核心不是孤立解读单个指标数值,而是构建一套科学、完整、贴合业务 ...
2026-02-14在Power BI实操中,函数是实现数据清洗、建模计算、可视化呈现的核心工具——无论是简单的数据筛选、异常值处理,还是复杂的度量 ...
2026-02-13在互联网运营、产品迭代、用户增长等工作中,“留存率”是衡量产品核心价值、用户粘性的核心指标——而次日留存率,作为留存率体 ...
2026-02-13对CDA(Certified Data Analyst)数据分析师而言,指标是贯穿工作全流程的核心载体,更是连接原始数据与业务洞察的关键桥梁。CDA ...
2026-02-13在机器学习建模实操中,“特征选择”是提升模型性能、简化模型复杂度、解读数据逻辑的核心步骤——而随机森林(Random Forest) ...
2026-02-12在MySQL数据查询实操中,按日期分组统计是高频需求——比如统计每日用户登录量、每日订单量、每日销售额,需要按日期分组展示, ...
2026-02-12对CDA(Certified Data Analyst)数据分析师而言,描述性统计是贯穿实操全流程的核心基础,更是从“原始数据”到“初步洞察”的 ...
2026-02-12备考CDA的小伙伴,专属宠粉福利来啦! 不用拼运气抽奖,不用复杂操作,只要转发CDA真题海报到朋友圈集赞,就能免费抱走实用好礼 ...
2026-02-11在数据科学、机器学习实操中,Anaconda是必备工具——它集成了Python解释器、conda包管理器,能快速搭建独立的虚拟环境,便捷安 ...
2026-02-11在Tableau数据可视化实操中,多表连接是高频操作——无论是将“产品表”与“销量表”连接分析产品销量,还是将“用户表”与“消 ...
2026-02-11在CDA(Certified Data Analyst)数据分析师的实操体系中,统计基本概念是不可或缺的核心根基,更是连接原始数据与业务洞察的关 ...
2026-02-11在数字经济飞速发展的今天,数据已成为核心生产要素,渗透到企业运营、民生服务、科技研发等各个领域。从个人手机里的浏览记录、 ...
2026-02-10在数据分析、实验研究中,我们经常会遇到小样本配对数据的差异检验场景——比如同一组受试者用药前后的指标对比、配对分组的两组 ...
2026-02-10在结构化数据分析领域,透视分析(Pivot Analysis)是CDA(Certified Data Analyst)数据分析师最常用、最高效的核心实操方法之 ...
2026-02-10在SQL数据库实操中,字段类型的合理设置是保证数据运算、统计准确性的基础。日常开发或数据分析时,我们常会遇到这样的问题:数 ...
2026-02-09