基于大数据的农业保险保费补贴绩效评价体系构建与应用研究

基于大数据的农业保险保费补贴绩效评价体系构建与应用研究

一、大数据应用背景农业保险保险补贴是财政资金支持农业的一项重要措施。为了充分发挥资金的影响，2011年以来，中国选择了四川和内蒙古的造林保险补贴项目进行了绩效评估。绩效评价工作开展以来，已经取得了不少成绩，但还存在着一些问题，例如，缺少统一数据库作为评价工作的基础，现有的具体评价指标并非“数据驱动”，不同地区、不同农业产品补贴存在差异，统一评价的科学统筹还有待改进，并且需要解决不同角度、不同主体的绩效评价目标的综合问题。针对这些问题，大数据或许提供了解决的思路，而这一方法的运用也正是目前财政绩效管理改革的发展趋势和方向。2018年9月，《中共中央国务院关于全面实施预算绩效管理的意见》正式发布，明确要求预算绩效评价指标建设需要“依托大数据分析技术”，2019年5月，财政部发布了《关于推进财政大数据应用的实施意见》，要求各部门推进财政大数据应用，以支撑建立现代化财政制度，这也是第一次从顶层设计层面对财政大数据的应用做出要求，其中也明确提出预算绩效管理大数据应用。对于发展十多年的农业保险保费财政补贴涉及的数据量而言，应用大数据建设绩效评价体系已经具备相当基础，正当其时。本文从大数据的角度，梳理了现有的补贴绩效评价和相关领域大数据应用的研究成果，认为目前的研究没有解决基于大数据的评价体系建立问题，缺少对现实绩效评价困难的关注，在应用实施的规划与评价体系设计之间联系不紧密。因此，本文重点探索基于大数据的农业保险保费财政补贴绩效评价（以下简称“农保补贴绩效评价”）的体系构建，包括评价业务需求到大数据体系的转换、基于大数据的评价权重及异质项目处理等问题，并提出了实施中涉及的应用框架，以及区块链、人工智能、知识图谱等前沿信息技术的应用设想。二、相关文献一般（一）农保补贴效果评估研究中引入权变因素本文首先将从大数据的角度对农保补贴绩效评价涉及的研究进行回顾和梳理。所谓“大数据”首先，从数据来源的角度来看，既有宏观统计层面的数据（其次，从变量的角度来看，目前的研究不仅涉及到农业生产水平、农业保险发展水平、农业保险赔付水平、受灾面积、人力资本、农村电力化程度、机械化水平、化肥使用程度等宏观统计变量，也有生产特征（如户产量、耕地面积、灌溉方式、投入情况）、农户特征（如年龄、农民收入、保险知识）等微观变量。在这些变量集合中选择若干特定变量开展农保补贴的效果研究，这一做法或许存在变量遗漏的风险，在大数据研究中能否改善这一问题成为一项挑战。另一方面，从这些变量出发，进行农保补贴的效果评估，目前研究中虽然提法不同，但一般都赞成要从稳定农业生产、提高农民收入、鼓励保险机构创新等角度进行综合评估（第三，变量选择也影响了变量的组合方式——模型应用，从绩效评价的角度来看，这一应用过程实质上是变量加权综合。从模型应用方面来看，不仅有DEA（（二）预算绩效与农业大数据的研究从目前来看，国内外学术界和实务部门都意识到基于大数据平台完善预算绩效评价体系的重要性，在国外，（三）对农保补贴绩效评价体系建设的启示总之，即使现有文献中没有明确提到大数据的理念和方法，从数据、变量和模型等角度来看，目前的研究进行了有益的探索，基本也达成了通过大数据进行补贴绩效评价体系建设的共识和基础。然而，尚需要进一步研究的问题是：第一，基于大数据的角度，系统性地构建农保补贴的绩效评价体系，包括现有评价需求在大数据体系中的落实、目前难点的解决；第二，从体系构建到现实运作的应用实施，既要考虑大数据评价体系的应用框架，又要兼容性，还要考虑区块链、人工智能等新一代技术对大数据评价的提升。因此，本文将围绕着上述问题，从构建大数据理论体系和应用框架两大方面展开，进行相应的研究探索和政策建议。三、建立农村保险补贴绩效评估体系（一）评估大数据系统对业务需求的实现1.评价业务：农保补贴绩效评价根据《财政部关于印发<预算绩效评价共性指标体系框架>的通知》（财预[2013]53号）、《财政部关于印发<财政支出绩效评价管理暂行办法>的通知》（财预[2011]285号）及《财政部关于进一步推进中央部门预算项目支出绩效评价试点工作的通知》（财预[2009]390号）等相关文件规定，从共性指标来看，项目评价的共性指标共20个。在共性指标指导下，各级部门结合具体情况，针对农保补贴的评价进行了进一步的设计。从目前来看，不同级次的农保补贴的评价指标体系基本围绕决策、实施、效果和可持续四个维度，分别设置一级指标、二级指标和三级指标进行评价。一是决策，主要评价决策必要性和决策科学性情况；二是实施，主要围绕政策实施中的关键环节开展评价；三是效果，主要评价该项政策产生的经济效益、社会效益以及资金效率等情况；四是可持续，主要评价国内和国际政策环境对政策可持续发展的影响。另外，根据《关于规范绩效评价结果等级划分标准的通知》（财预便[2017]44号）要求，三级指标评价结果都需要按等级划分为四个档次。对于以上指标，假设针对某i类具体项目j的补贴绩效评价，可以表述为：X对于式（1）中的绩效评价指标而言，大部分指标与现实的大数据体系中的数据存在着差距，或者无法直接找到相应的数据，或者数据存在着口径不同的差异。这一问题主要是由于评价业务需求和大数据体系对于指标（数据）存在着表述差异造成的，即所谓的“此数据非彼数据”，需要进行匹配和转换。2.绩效评价中的“数据”对于评价指标向量X第一，采集数据。结合目前的实践来看，采集数据主要指从农业、保险、财政、统计、商务等各个部门、各个环节采集到财政大数据库中的各个原始数据项。大数据时代的来临，会提供更多的跨部门、多结构、泛形式的海量数据，包括数字形式和文本形式的数据、结构化和非结构化的数据。值得一提的是，这一层面的“数据”与大数据库中的“数据”既有联系也有区别，大数据库中的“数据”除了采集的“原始数据”之外，还有可能是进一步加工形成的“指标数据”，甚至是模型计算的绩效评价“结果数据”。采集数据虽不是大数据库中“数据”的全部，但是其它两种主要“数据”的基础。第二，分析指标。对于绩效评价而言，大多数业务需求中提到的所谓“指标”，准确地来说就是分析指标，是基于原始的采集数据进行计算和分析形成的。从采集数据到分析指标的转换方式多种多样，从统计角度来看，有均值、比率、方差等等；从形成方法来看，有基于管理经验、基于数据推断等不同途径。第三，计算模型。在绩效评价业务需求中有些“指标”已经通过模型计算得到，典型的例子就是对补贴的政策效果和可持续性等方面的判断。模型根据评价的目的，把能够反映评价的若干主要特征指标，抽象形成一个或多个推断结果。在模型的形成过程中，要有主要矛盾的取舍（大数据体系中相应主要变量的选择），要有来自数据的推断（基于大数据的权重系数及可靠性判断），最重要的是要通过模型反映评价项目大数据中的有机联系和主要规律。评价指标X（二）大数据驱动下评估权重的确定1.传统确定权重确定方法存在偏差如式（1）中对某具体项目补贴的绩效评价，可以进一步展开为：A由于评价主要针对围绕财政补贴运作的相关因素（指标），而影响评价目标的却不仅仅是补贴相关的财政因素因此确定系数（或权重）的传统方法可能存在评价偏差。例如就农业生产效率提升的目标来看，至少有农业生产的技术因素、自然因素、市场因素等发挥作用，在特定情况下，这些因素可能产生最主要的影响，而使得财政补贴的影响不显著，造成评价的偏差。加之，在通过数据推算权重的情况下由于样本有限，甚至有偏，往往使得所确定的系数适应性较差。其实，评价实践中通常使用经验确定权重而不采取数据驱动方式，这是为了避免更大的错误而采取的无奈之举。大数据为这一传统做法的改进提供了契机。2.引入创新方法一方面，基于大数据可以将更多的变量纳入评价体系，在财政补贴之外，找到更多能够科学评价的潜在变量。另一方面，更值得期待的是，由于大数据的支持，更多模型和方法的引入对科学确定权重提供了支持。首先，传统方法向创新方法的拓展。在式（1）中，评价函数一般是通过回归方法确定的线性方程。这一现状可以通过引入创新方法加以改进。事实上，传统方法存在的局限性或许由于这一类方法无法反映真实绩效评价的非线性状态，即存在着对绩效改进有着非线性增长（指数级或对数级）的评价变量。在创新方法中，基于大数据的机器学习方法中向量机、神经网络、深度学习等更多类似的方法，在非线性状态的评价中表现得更佳，因此可以考虑向这一方面拓展，将这些新的评价函数纳入备选方案中。其次，大数据空间下相对水平绩效评价的构建。由于不存在绝对的基准（Benchmark），补贴绩效评价实际上是相对水平的评价，类似的方法是DEA评价（Z即对于同样的绩效提升而言，反映惩罚因子的非补贴评价指标影响小的，得分更高，而反之，得分更低。当然，在实际应用中，还需要进行标准化，特殊地，如果将系数向量标准化，使得各分量之和为1，如式（4）所示：（三）绩效评价项目的异质性问题在前述分析中，缺省的假设是补贴绩效评价项目之间具有可比性，是同质的，而事实上，由于项目处于不同的社会经济环境中，甚至于项目本身补贴对象及促进目标具有不可比性，因此项目之间存在异质性现象。例如，同类项目不同地区、不同项目同一地区、不同项目不同地区，这些情况下较大概率会存在着异质性的现象。对于该问题，如果观察或分析发现显著的异质性存在，可以简单地描述如式（5）所示：消除Ɛ第一，在实务当中，可以通过所谓的“一级指标、二级指标、…N级指标”的做法来完成，这一做法实际上是“数据、指标、模型”三种状态的灵活应用，在更低一级的指标中反映项目的特殊性，在更高一级的指标中进行一般化处理，即通过三层之间的转换解决绩效评价项目的异质性和统一性矛盾。第二，这种处理方式，可以用更统一的模型来表述。在式（5）中，ƐX四、大数据应用框架对于实务性强的预算绩效评价而言，在以上属于理论分析的评价体系构建基础上，还需要考虑大数据应用框架的问题，由于本文篇幅和研究重点所限，暂不讨论实施的工程问题，而重点讨论应用框架以及其重要组成，还有如何通过所谓的“ABCD”（一）应用框架及其重要组成部分1.核心数据与应用框架的支撑大数据分析应用框架不仅需要将前述评价理论体系讨论的业务需求进行落实，而且需要系统性考虑与现有财政信息化业务的结合。如表1所示，评价体系业务框架中涉及的核心数据，与应用框架的重要组成部分分别对应。要结合大数据生命周期不同阶段的特点，将评价指标的采集数据、分析指标和计算模型等三种形态分别通过财政大数据、主题大数据域、分析应用模型域进行存放，如图1所示，通过数据和业务中台域实现三种形态的转换操作、权重a农保补贴绩效评价应用框架的重要组成部分涉及面向绩效评价应用的多层次大数据域、支撑数据形态转化和权重确定的数据和业务中台域等，分别从静态和动态的两个角度支撑绩效评价大数据应用的实施。2.面向农保补贴评价的大数据域结合目前农业、保险、财政大数据的现状，多渠道收集整理用于农保补贴绩效评价大数据应用的基础数据、业务数据、行业数据等，全面建立多层次大数据域，为绩效评价奠定数据基础。农业生产统计与监测数据、农业保险及风险监控数据、财政数据是主要数据来源。农业生产统计与监测是绩效大数据评价的根基，既是决定农保补贴的产业基础，又反映补贴影响农业生产的效果和效益。农业保险及风险监控是绩效大数据评价的两翼之一，农业保险反映了其作为保险产品的一面，而风险监控是衡量农保补贴科学性的基础，在一定程度上也是补贴控制和防范化解风险的目的是否达到的基准参考点。而财政数据则是绩效评价的另一翼，是反映财政补贴运行的主要记录。层次分明、互相支撑的三个部分体现了从产业经济到财政、从补贴运用到效果的不同路线，有力地奠定了财政补贴分析主题大数据域的基础。分析主题域是面向农保补贴评价的大数据，其与财政大数据既有联系又有区别，联系是分析主题域来源于财政大数据，区别在于其是对财政大数据的进一步加工整理，分析指标和计算模型（结果）的存取是其主要特色，并且根据不同评价业务进行进一步的分类及管理，主题域的角度包括：基于农保补贴不同品种，基于宏观、中观和微观层次，基于立法、审计、社会公众多元视角，基于“中央—省—市—县—乡”的财政层级，基于“经济发达地区—经济欠发达地区”不同区域，基于政府会计、中期财政规划、目标管理、平衡计分卡、绩效审计和第三方评价等不同方法，通过大数据主题域的建设，为绩效评价管理应用奠定数据基础。依托多层次大数据域，针对具体的农保补贴绩效评价项目的典型数据收集过程一般是通过农业生产业务数据、保险数据、相关农业影响风险数据、财政补贴数据等主要数据源采集数据，然后按照以上多层次大数据域进行归集，为进一步的绩效指标计算奠定基础。3.支撑数据的业务中台域大数据分析数据和业务中台域承担了形态转换和权重确定的核心功能。伴随着大数据的积累，所谓“中台”是互联网企业在大数据实践中弥补传统前台应用和后台数据管理的功能不足提出的新概念和新方法（谭虎和陈晓勇，2019），数据和业务中台域实质是应对数据应用多样化需求的统一工具，对补贴绩效评价大数据分析进行探索也为这一方法论提供了实践机会。通过数据中台统一数据标准和口径，将底层的财政大数据加工成可用性更强的主题域大数据，为财政部门内外提供高效的大数据资产服务；通过业务中台将财政分析业务与分析逻辑进行隔离，提供通用化的各类分析服务和功能，向具体的分析业务提供能够快速、低成本、可复制的分析能力。(1）采集数据库和分析指标库从技术实现上来看，三种不同形态的评价数据在低层都是IT意义上的数据库及其相应的管理系统，然而由于业务要求不同，从应用层面来看则是采集数据库、分析指标库和计算模型库等。采集数据库主要是通过财政大数据来落实，针对采集数据的功能要求，要支持动态扩展，不仅是将固定结构的数据采集到系统中，还要根据新数据的出现，不断将新的有价值数据纳入大数据应用当中。而分析指标库主要是针对指标的定义、生成、管理等功能要求，不仅可以由业务人员基于数据灵活定义相应的指标，而且业务含义一致的指标之间还可以互通互联。模型库和应用库共同组成面向具体业务的支撑能力，模型库重点在基本方法的支持，偏重通用性，而应用库重点在于专用的分析应用，偏重个性化。(2）应用结果单一，业务应用更加全面对于权重确定而言，在应用实施中需要有业务建模、交互优化、应用结果分发等设计工具提供能力支持。通过业务建模工具的支持，可以将补贴评价的业务问题转化为大数据分析应用平台可以运行的分析问题，而交互优化工具提供了不同方法和模型的选择比较，应用结果分发工具则根据常见的分析结果使用方式，对分析结果进行转化，并联系分析业务应用系统进行具体的绩效评价。通过数据和业务中台域，对不同主题的绩效评价进行业务响应，通过专家定制或算法选择适合特定业务的指标计算方法和权重，对绩效指标值进行计算，并且在评价样本库中进行模拟，形成与已有绩效评价样本拟合度较高的评价模型，为类似项目的批量自动生成评价报告奠定基础。总之，补贴绩效大数据体系的应用框架实现了评价体系的业务需求，并且还具有一定的抽象统一性，以保证与其它财政大数据分析应用的兼容，同时还要对接现有的财政大数据规划和业务应用。（二）农业保险补贴绩效评估的重要难点和新技术的应用在应用实施中考虑新一代信息技术的运用，其核心和关键在于应用这些技术对现有难点的改进和完善，从这一角度来看，包括以下内容：1.数据共享机制的应用预算绩效管理改革的深入，必然形成各个部门、多个层次的大量预算绩效数据和信息，这些信息的有效共享是预算绩效管理改革成功的基础。在数据共享机制建立的制度基础之上，近些年出现的区块链技术是实现各部门之间信息共享的绝佳匹配技术。在基于大数据的农保补贴绩效评价体系建设中，鼓励探索适合多部门数据分享的应用模式，通过区块链技术提供的公开透明、多节点分享、不能篡改等特点，为解决预算执行部门、预算管理部门、第三方信息平台之间的有效信息传递和分享提供了新的技术解决思路，将可以进一步奠定大数据背景下绩效管理改革的扎实数据基础。2.绩效评价中人工智能运用的场景化应用传统绩效管理评价的特征主要基于指标体系展开，其逻辑起点和支撑主要是来自于专家经验和实践积累，随着绩效管理的全面展开，动态复杂的管理实践使得传统技术急需改进和完善，人工智能技术的应用能够有效提升这一领域效能，一方面可以将人工智能技术用于在海量数据中提取和筛选有效绩效指标，以获得更加科学反映绩效管理特征的指标集及相应权重，另一方面更为重要，即在越来越多的项目文档中，可以探索自然语言处理技术（NLP），在项目文本中进行语义分析和特征抽取，深度挖掘绩效评价的有效要素，更好地奠定绩效管理的模型基础。3.绩效评价的知识图谱的构建绩效评价是需要不断交互提升的领域，有效解决经验和知识积累是可持续发展的核心和关键。知识图谱作为相应的技术方案，将有助于这一问题的解决。绩效管理领域知识图谱的构建实质是绩效管理智能化的过程，是面向未来智能时代的前沿性问题。要基于绩效管理的大数据体系和应用实践，对绩效管理领域知识结构进行分析，形成绩效管理概念体系，逐级展开进行绩效管理知识元建设，探索和确定绩效管理领域实体间关系和属性，实现语义知识关联，绘制绩效管理应用画像，逐步形成和完善绩效评价的知