过去三年，全球各地都或多或少遭受过新冠疫情对经济的冲击。疫情对于政府部门来说是一场社会治理的大考，制定合理的政策助推各行业有序复工复产，对于提振经济尤为重要。

早在疫情之初，浙江大学计算机学院杨洋副教授团队就十分关注城市如何从防疫封控措施中复苏的问题。近日，他们的一项研究成果被《自然》旗下期刊《科学报告》录用。该研究选择用电数据作为观察经济活动的对象，建立了一个人工智能模型，通过模拟不同的政策实施策略，探讨它们对各行业以及城市整体经济水平回升的作用。

面对复杂的经济社会情境，人工智能如何帮助政府进行科学决策？这份研究为我们展示了一种可能。

电力数据素有经济运行“晴雨表”和“风向标”之称。为了使它更准确地映射出经济运行情况，研究团队调整消除了天气、行业间的发展差异和农历节假日等因素对于用电的影响，构建了一个可以统一衡量各行业复苏情况的“复苏指数”——这是人工智能进行学习的数据基础。

“电力数据，是一项非常‘细粒度’的指标。”杨洋告诉记者。

用电数据能够精确、灵敏地反映经济活动：不仅用电的对象可以细化到具体的企业和部门，且相较于按月或按年公布的GDP等经济指标，电力数据的生成更加“实时”；由于无需人为统计，也更为客观。

据了解，团队收集到杭州市区11464个用电户的超过7600万份用电记录，涵盖了17个主要行业类别，时间跨度从2020年的1月1日一直到8月31日。这些数据对于每个企业运行状态的刻画，能够精确到每一刻钟。

在进一步分析“复苏指数”时，数据更新的及时性带来了许多优势：一方面，复苏指数曲线能比事后统计更快地捕捉到经济活动中的特殊波动；另一方面，在评估新颁布的政策时，曲线也可以迅速反映出它的影响力究竟如何。

“我们设计了一种变点算法，监测政策发布的时机是否与复苏指数曲线的转变点吻合，并在此基础上评估政策的影响。”论文第一作者杨萱告诉记者，以往政策研究最常见的手段是发放问卷，不仅耗时，且存在很大主观性，而模型的介入能够为提高政策评估的效率提供一种新的思路。

“复苏指数”确实发现了一些有意思的现象——不同政策产生的效果存在很大差异。一些政策对于经济的促进作用是缓慢但持续的，比如开放跨省旅游；另一些政策只能在短期内强烈刺激经济，比如发放消费券后，餐饮娱乐业的复苏指数在一周内迅速攀升，但一个月内又会回落。

有了对于过去政策的评估，更重要的问题是，未来的策略应当是怎样的？

“如果这样做，将会发生什么？”决策者的面前总是摆着这样的问题，它的答案却不简单。大量社会科学理论告诉我们，社会的运行似乎有一定规律可循，但预测工作往往非常困难，这是因为，每个新现象的背后都有一条庞杂的因果链，涉及到无数个变量，无法全部厘清。

机器学习打开了一种可能：在海量数据里“淘沙取金”，挖掘并掌握规律，这恰好是人工智能擅长的事。

“在计算社会学研究中，人的因素相对没有那么重要，我们倾向于打造一套算法工具，把一切交给计算机，由它来摸索一个清晰的结论。”谈到计算社会学与一般社会学研究之间的区别，杨洋这样说。

为了模拟新政策对经济的影响，研究团队建立了一种基于图学习的时间序列预测模型：时序模型通过大量接受过往数据的训练，理解行业复苏过程，提高预判未来趋势的准确性；图神经网络学习则能整合不同行业的复苏指数，捕捉到行业之间的“链式效应”，比如上下游行业间的互相影响关系。

“我们对17个主要行业逐一进行模拟实验，分别对它们施加了一个预期能将其经济恢复速度提升一倍的政策。”杨萱说，“结果发现了一些很特别的现象，比如，某些自身对政策反响强烈的行业，由于缺乏对其他行业的带动，其实并不能很好地从整体上提振区域经济。”

举例来说，政策对于餐饮业和商业服务业的促进效果是相近的，但增加对商业服务业的支持，对整体经济复苏的贡献却是餐饮业的27倍。另外，增加对管理部门的支持只会使其自身的复苏速度提高2%，但能让区域整体的经济效益显著增强。

这带来了一个有益的启示：政府制定经济扶持政策时，不能只看到某个行业受疫情打击的程度，更应把行业之间的相互依存关系纳入考量。

除了政策启发之外，模型本身作为工具，也具有很强的复用性和普适性。

“开个脑洞，比如，这个模型也可以用来制定大型活动的交通管制策略。”杨洋举例，“假设有若干个地铁站，如果我们对每个地铁站的人员流动进行建模，就可以让模型进行学习，预判限流措施会对整体流量造成怎样的影响，最终找到最优解。”

“未来我们还会在模型的可解释性方面进一步开展研究。”杨萱告诉记者，深度神经网络具有“黑盒”的属性，也就是说，我们无从了解模型形成结论的逻辑和依据。因此在这项研究中，团队需要不断地借助社会科学研究中的知识，对模型的建构思路以及得出的政策建议作出阐释。

杨洋表示，目前，计算社会学的成果大多仍属于前瞻性研究，没有真正在决策流程中发挥作用。如果要让人工智能全面赋能社会治理，可解释性仍是一个需要攻克的挑战。