
大数据会否使计划经济最终掌控世界
昨天可穿戴设备之父,大数据大师阿莱克斯·彭特兰来百家《BIG TALK》与中国科技界对话,在现场,我提向彭特兰提了一个已经思索许久的问题,请他回答。
问题大概是这样的:作为一种人类管理社会经济的一种实验,计划经济可说在之前是失败的,事实证明,国家通过计划指令的方式进行资源配置不如通过市场实现资源配置效率更高。但是,随着大数据技术的进步,国家对经济数据的掌控能力也随之增强,这会不会导致未来有一天,计划经济最终掌控世界?
可能因为翻译的问题,也可能是因为问题本身比较复杂,彭特兰并没有给出一个思路清晰的答案,我把这个同时转发到网上,也引发激烈争议,有的朋友强烈否定,有的朋友则有所反思。
如果排除意识形态方面的门户之见,我认为计划经济和市场经济各自优劣性以及在未来人类社会中各自所处的地位,市场是否永远是资源配置的最佳手段和主导性手段,这些问题,都是很值得讨论的。
人类自理性产生以来,对世界的掌控欲(政府世界)也随之而生,由此而言,掌控经济也是人类的天性所在,这也是乌托邦时期以及之后李斯特、马克思等经济学大师探索“计划经济”的由来。而后来在苏联和中国等社会主义国家的试验又证明,计划经济至少在目前是失败的。
计划经济试验在苏中的失败有各种原因,但归根结底还是因为它不如市场那样配置资源更有效率,无法精准的解决生产什么、怎样生产和为谁生产这三个主要问题。国家无法确切的知道消费者到底需要什么,自然在进行经济计划的时候会错漏百出。
但如果人类做计划的能力得到大幅度提高,会不会在某一天使计划的效率终于超过市场呢?在没有互联网之前,学界总认为在人类可预见的将来这是不可能的。但互联网和信息革命已经颠覆了太多东西,至少在收集信息数据、互联信息数据、储存信息数据、处理信息数据方面,其进步是所有人都不曾想到的,而这一不曾预想到的进步的结果之一,就是人类计划能力的提高,对世界的掌控力更强了。
市场是人类经济社会运行的原始动力,但计划因素的持续增强却也是事实,除了计划经济试验,企业的出现以及其规模的越来越大,也是计划因素增强的结果。因为在企业内部,本身就是“计划经济”的。
既然市场是在价格机制的支配下自发运行,既然无形的手无处不在,为什么还会有企业?上世纪30年代科斯就因为研究这一问题拿了诺贝尔经济学奖,他研究出的答案是,市场的运行时有成本的(交易成本),如果组织企业能够节约交易成本,企业的存在就有意义。
按这一逻辑,企业越大自然是节约的交易成本越高,但为什么在经济社会的早期,基本上没有什么大企业呢?因为技术达不到,企业的组织成本一旦高于交易成本,则企业存在无意义。随着技术的提高,企业的组织成本越来越低,企业的规模也越来越大,这就有了今天的跨国公司。企业规模的边界由技术决定,跨国公司的组成成本一旦高于交易成本,它就再也没法有效扩张了。
国家的道理也一样,黄仁宇当年研究明史,讲中华帝国为什么会一直运行低效,就是因为缺乏有效的“数目字管理”。所有帝国都一样,帝国的管理能力能够达到的极限,就是帝国崩溃前的边界。
但技术的进步,尤其是大数据的进步,却有可能把人类能够进行计划的边界大大扩张,扩张到足有一个国家那么大。而此处之大,并不只是指宏观上的规模大,也指在微观上的细致深入,尤其是后者,在之前,微观资源无法有效分配,是计划经济里最受批评的要点。因为国家所有资源都由政府决定,私人不掌握生产资料,于是乎国家可以罔顾私人的实际需要而进行经济计划。奥地利经济学派的路德维希·冯·米塞斯主张社会主义在经济上必然会失败,因为经济计算问题注定了政府永远无法正确的计算复杂万分的经济体系。只要缺乏了价格机制,社会主义政府根本无从得知市场需求的情报,而随之而来的必然是计划的失败和经济的彻底崩溃。
但现在,电脑、手机、可穿戴设备,再加上无线互联网,人类的需求从来没有如此容易地被汇集、处理,人类的数据处理能力从来没有的强大--未来会更强大,那么,未来政府是否会有可能更正确的“计算复杂万分的经济体系”呢?
计划经济管理的国家,说简单了,就是一个采取某种制度管理的超级公司,这个公司可能是集权的,也可能是民主的。完美的计划经济可确保所有资源都能持续运用,不会受到经济周期的波动所影响,如泡沫经济、停产以至失业问题都不会发生,而通货膨胀问题不会存在,而长期性的基建投资,更不会受市场因素而停止。正因为这些完美的预期,几百年间才会有无数人去憧憬试验计划经济。大数据技术的进步,会复活这些憧憬吗?
最后,本文无意进行意识形态方面的争论,只是从技术进步层面提出一些学术假设,而这些假设也不代表作者对计划经济或者市场经济的立场与看法。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在神经网络设计中,“隐藏层个数” 是决定模型能力的关键参数 —— 太少会导致 “欠拟合”(模型无法捕捉复杂数据规律,如用单隐 ...
2025-10-21在特征工程流程中,“单变量筛选” 是承上启下的关键步骤 —— 它通过分析单个特征与目标变量的关联强度,剔除无意义、冗余的特 ...
2025-10-21在数据分析全流程中,“数据读取” 常被误解为 “简单的文件打开”—— 双击 Excel、执行基础 SQL 查询即可完成。但对 CDA(Cert ...
2025-10-21在实际业务数据分析中,我们遇到的大多数数据并非理想的正态分布 —— 电商平台的用户消费金额(少数用户单次消费上万元,多数集 ...
2025-10-20在数字化交互中,用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”,到内容 APP 的 “点击短 ...
2025-10-20在数据分析的全流程中,“数据采集” 是最基础也最关键的环节 —— 如同烹饪前需备好新鲜食材,若采集的数据不完整、不准确或不 ...
2025-10-20在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13