用经济学规律建构数据治理逻辑
■刘伟斌 师福祥 杜继永
引 言
当今时代，数据已深度融入部队建设发展、训练管理、备战打仗各领域各环节，成为无形战略资产。然而，数据治理方面一个深层次矛盾正日益凸显：一边是存储介质物理资源的有限性，一边是各类数据持续增长的无限性。“数据无限、空间有限”的矛盾若不及时化解，轻则带来数据拥堵，导致系统“虚胖”，抬高运维成本，重则迟滞业务运转，甚至引发系统性瘫痪，严重掣肘建设质效。单纯依靠存储“扩容”难以为继，数据“瘦身”势在必行。针对这一问题，不妨引入经济学相关原理加以审视，用价值思维建构数据治理逻辑，通过建立严控增量、动态退出、分级存储、算法瘦身等机制，探索科学治理新路径新方向。
严控增量：衡量“边际效益”，校准数据冗余尺度
边际效益是指在一定生产规模或资源投入水平下，每增加一单位资源投入所带来的产出增量。经济学认为，边际效益存在递减规律，当资源投入规模较小时，收益持续增加，当资源投入规模过多后，新增收益将逐步减少甚至出现负面效应。其核心要义在于，任何资源投入都存在最优区间，当边际成本与边际收益相等时，整体效益达到最大值。这一规律同样适用于军事领域。对敌打击行动中，弹药用量是个关键问题，由于战场态势瞬息万变，很难做到弹药耗费与目标毁伤精准对等，适当增加弹药冗余，是确保有效毁伤的必要条件。但如果不加节制放量投放，不仅收益甚微，反而抬高用弹成本，出现负面效应。军事数据治理亦如此。例如，多个传感器捕获同一目标数据参数信息，看似投入资源出现冗余，实则有利于交叉印证核实、精准判别情况，这是确保数据可信可用的必要手段。但若脱离实际，无差别、无上限重复归集同类同质数据，增量投入无法带来增量收益，却持续消耗算力，占用宝贵存储资源，抬高运维成本。
这启示我们，数据治理应深刻把握和运用边际效益递减规律。一是要校正数据冗余认知。数据治理不能简单搞“一刀切”，而要根据实际情况辩证看待、科学界定，准确区分“必要数据冗余”与“无效数据堆积”，既不能片面追求数据“零冗余、零浪费”绝对最优，也不能放任数据“滥采集、随意增”无序扩张，要确保入库的每一份数据都是服务战斗力的有效支撑。二是要建立数据准入制度。数据治理必须从源头扎紧数据输入端的篱笆，严把数据准入关口，针对不同类别数据，建立相应的边际效益评估模型，锚定合理区间，校准冗余尺度，实现数据治理效益最大化。
动态退出：精算“时间价值”，理清数据存废边界
时间价值是指同一客体随时间推移在不同时间点上产生的价值变动量。经济学认为，不同客体的时间价值变动方向不尽相同。一般而言，货币资金类因复利效应会随时间推移将产生增值，实物资产类因磨损过时随时间推移将产生折旧贬值。其要义在于，任何资源都有最佳“保鲜期”和“生命刻度”，必须根据价值变化动态调整，确保效益最大化。军事数据作为战略资源，在时间维度上同样存在显著的“增值”与“折旧”特征。这就要求我们不能把数据当成静态档案，而要用动态的眼光去管理。一方面，部分数据随时间沉淀愈显宝贵。例如，基于统计学再分析的气象水文数据，累计的样本越全、周期越久，则预测越准。另一方面，部分数据随时间推移将出现价值折旧。其中，一类属于“价值耗尽”数据，完成特定使命任务后，价值即刻归零。例如，监控视频类数据，通常仅保留一定周期，超期存储实则构成无效消耗。另一类属于“价值衰减”数据，部分折旧。例如，部分早期数据受技术条件、采集规范、储存标准等制约，可能无法直接匹配当下需要，但通过改造还具有一定价值。
这启示我们，数据治理应正确树立和运用时间价值理念。一是要划定数据生命刻度。既要认识到数据并非多多益善、一概有用，更要打破“数据入库即为永久资产”的错误观念，科学界定数据“有效期”和“保鲜期”，通过建立数据全生命周期管理体系，常态化评估核验，为数据的“存废去留”提供依据。二是要实施数据分类管理。动态退出并非简单清空，针对不同数据要分类施策。对“价值增值”数据加以保留，对“价值耗尽”“残值为零”的数据即刻清理，对“价值衰减”数据挖掘修复，尽可能延长服役寿命，使其满足当下需求。
分级存储：权衡“机会成本”，优化数据存储层级
机会成本是指在面临多种资源投入方案时，因选择最优方案而不得不放弃次优方案的潜在收益。经济学认为，资源是有限的，选择甲案就意味着放弃乙案，而每次选择都将决定资源的去向与用途。其核心要义在于，只有当所选方案的价值高于放弃方案的价值时，整体效益才能达到最优。军事数据治理同样存在数据存储位置的最佳匹配问题，高性能存储造价昂贵但响应极快；低性能存储相对便宜但速度偏慢。这种“取舍之间、得此失彼”的隐形代价，必须引起高度重视。作战行动中，若将高频调用的核心元数据存入低速存储介质中，指挥员在调取时可能出现明显延迟，付出的机会成本不可估量，甚至带来致命风险。反之，将低频调用数据错配在高速存储介质中，则将带来巨大浪费。数据存储位置匹配问题，表面看似没有直接增加存储容量或压减数据存量，但却关乎系统运转效能。事实上，通过合理配置，可以将稀缺昂贵的高性能资源从低效占用中解放出来，从而在不增加存储供给、不削减数据存量的前提下，使整体资源配置趋于最优。
这启示我们，数据治理应科学衡量和把控机会成本。一是要建立分级存储标准。根据数据调用热度，构建冷热数据分层管理模型：将直接影响指挥决策核心判断的“热数据”，配置在离计算中心最近、响应速度最快的存储介质中，将调用程度不高、时效性不强的背景资料等“冷数据”迁移至后方低响应速度的存储介质中。通过差异化的存储配置，有效解决数据“对号入座”问题，实现存储投入产出比最大化，避免因错配数据位置造成存储资源浪费。二是要动态调整数据流转。数据的价值会随着任务不同而发生“冷热”属性变化，今日应用场景下的“冷数据”可能变为明日应用场景下的“热数据”。所以要打破“一次定级、终身不变”的僵化思维，建立数据动态调控流转机制，针对不同应用场景，驱动“冷热”数据完成存储位置快速切换，确保存储资源始终精准匹配当前任务重心和需求方向。
算法瘦身：遏制“通货膨胀”，抑制数据泡沫水分
通货膨胀是指流通中的货币供应量超过经济实际需求，导致货币购买力下降，物价普遍持续上涨的现象。经济学认为，货币超发最直接的危害是单位货币的购买力被严重稀释，等量货币能换取的有效商品减少，实际资源配置的合理性下降。其核心要义在于，必须通过精准控制供给总量，遏制通货膨胀现象发生，防止过度投放导致资源实际价值降低。在军事数据治理实践中，当海量数据在系统中持续堆积，也会产生“数据通胀”，尽管这与经济学中“通货膨胀”适用对象不同，但二者导致的负面结果十分相似，即系统处理效率下降，存储资源实际承载能力被稀释。以卫星遥感影像为例，高分辨率原始图像数据容量极大，适宜存储在后端数据中心，当武器平台加载调用时，若原始数据不经处理直接下发，不仅占用宝贵的传输通道带宽，更会超出武器末端节点的处理能力，导致战场态势加载迟滞，影响作战行动实施。
这启示我们，数据治理应正视和解决通胀问题，存储扩容亦需数据瘦身。一是要进行数据压缩。基于智能算法压缩数据体积，在不改变质量前提下，实现数据“瘦身”，提升单位空间存储密度，保持系统“轻盈”运维状态。二是要探索“以算代存”等新兴治理方式。“以算代存”是当前大数据治理新思路，核心理念是解算原始数据并提取特征参数或关键信息，存储的是这些特征信息而非原始数据，通过以动态算力置换静态容量的方式，提升存储空间利用率，达成以少量空间承载同等数据价值的目的。
编 后
军事数据治理是支撑智能化战争的基础性、长期性的系统工程。深刻把握经济学规律蕴含的治理智慧，以战斗力标准为根本导向，系统构建严控增量、动态退出、分级存储、算法瘦身的科学治理体系，方能有效化解“数据无限、空间有限”矛盾，打通数据赋能战斗力“最后一公里”，让每一比特存储空间都精准转化为赋能战斗力的坚实底座，为加速新质战斗力生成、推动国防和军队现代化提供强大数据动能。
