基于块数据赋能的返贫预警机制构建研究

杨静慧 张雨龙

[摘 要]防止农户返贫成为后脱贫攻坚时代巩固脱贫成果的重要任务，控制返贫风险要求构建从大数据转向块数据的返贫预警机制。块数据所特有的主体性、开放性、关联性、多维性、强活性，与返贫防治过程中精准定位、精准识别、精准帮扶、精准管理和精准监测具有高度的内在耦合性，能够实现对返贫预警机制的有效赋能。基于块数据赋能的返贫预警机制由干预主体、干预客体、块数据平台、干预手段和预警标准五部分组成，并以块数据平台为核心，通过预警准备阶段获取返贫数据、预警分析阶段集聚返贫数据、预警识别阶段挖掘返贫数据和预警追踪阶段反馈返贫数据，完成对返贫信息的观测、分析与干预。

[关键词]块数据;大数据;赋能;返贫预警机制

中图分类号：D035 文献标识码：A 文章编号：1008-410X（2021）06-0059-09

一、问题的提出

在迎来中国共产党成立100周年的重要时刻，我国如期完成脱贫攻坚任务，“近1亿农村贫困人口全部脱贫，832个贫困县全部摘帽”[1]。在脱贫攻坚的过程中，信息技术发挥着重要作用。以北京的“智能终端”、上海的“互联网+”、浙江的“阿里云”、贵州的“云上贵州”为代表，大数据技术被广泛应用到减贫服务中，大大提高了扶贫工作的精准性、民主性、科学性，保障了我国脱贫攻坚目标的顺利实现。然而，打赢脱贫攻坚战并不意味着贫困治理的彻底成功。因为脱贫人口极易重新返贫，即使是“西班牙这样的发达国家，脱贫人口有三分之一在12个月内返贫”[2]，发展中国家的压力更为巨大。习近平强调“要坚决守住脱贫攻坚成果，做好巩固拓展脱贫攻坚成果同乡村振兴有效衔接……要健全防止返贫动态监测和帮扶机制，对易返贫致贫人口实施常态化监测”[3]。可见，如何防止农户返贫成为后脱贫攻坚时代巩固脱贫成果的重要任务。返贫风险控制在很大程度上取决于能否在第一时间发出返贫信号、启动返贫预警机制。大数据自身所固有的领域单一、数据封闭、源自事物流的特点决定了它会产生数据孤岛、数据垄断、应用价值低等问题。因此，如何运用新理念与新技术回应贫困治理中出现的新问题与新要求，

便成为贫困治理领域亟待解决的重要问题。在此背景下，块数据应运而生，它作为大数据时代的解决方案，为贫困治理提供新的技术路径，确保我国脱贫攻坚成果的巩固与发展。

返贫预警是返贫防治的基础，是可持续脱贫的指示器，也是在农户重新返回贫困状态前进行干预的组织和技术体系。作为巩固脱贫攻坚成果的第一道防线，返貧预警机制是整个返贫防治过程中重要和首要组成部分，是治理返贫的基础性工程。

鲜有学者直接研究块数据在返贫预警领域中的应用，但从贫困治理的块数据应用与扶贫模式创新中可以获得一些启示。有学者强调“通过块数据在贫困治理场域中的数聚效应，以数据为血液的贫困治理有机体将得以形成，其不仅有效保障了我国扶贫脱贫的系统性、科学性、稳定性，更为乡村振兴及人民美好生活的实现注入了数据新动能”[4]。有学者认为“块数据能克服‘条时代大数据发展面临的共享难度大、垄断程度高、融合能力差、应用价值低及安全风险大等一系列制约因素，降低农村精准识别中人为操控的可能性，提高农村精准扶贫项目安排的针对性，增强农村精准帮扶资源配置的有效性”[5]。扶贫模式创新是块数据技术与块数据思维共同作用的结果。有学者指出“块数据促成了教育扶贫思维、理念和路线向整合辩证、开放共享与精准决策转向，将教育扶贫不断地推向精准化，使得块数据教育扶贫在模式上实现识别路径、数据解读、科学决策和精细管理等方面的创新”[6]。还有学者为构建精准扶贫新模式，引入生态学中“生境”概念，提出“以贫困人口为中心的大数据关联整合方案，并展望了以此为基础进行贫困人口‘生境仿真应用的未来场景”[7]。从现有研究成果看，已有研究侧重将技术应用于贫困现象发生后的治理层面，鲜有兼顾贫困现象发生前，忽视了前期预防的重要性。而部分贫困类型，尤其是以脱贫户与贫困边缘户为主体的返贫问题，进行先期干预的成本要远低于重新使其脱贫的投入，先期预警处理得当，可以大大降低返贫现象的发生。因此，结合块数据理论与贫困脆弱性理论，构建基于块数据赋能的返贫预警机制，可为“十四五”时期巩固拓展脱贫攻坚成果、全面推进乡村振兴提供思路借鉴和理论支持。

二、从大数据到块数据：返贫预警机制构建的必然转向

在大数据向块数据迈进的时代，返贫预警可以借助块数据技术实现从离散孤立到聚合互融，从相对封闭到开放共享，从冗杂重复到精细准确的转向，这是其走向精准化的必由之路。

（一）从离散孤立转向聚合互融

大数据对人类社会生活的影响是广泛且深远的，但到目前为止，人们所讨论和应用的数据几乎都是被某个行业或领域掌握的条数据，即在某个行业或领域里呈链条状串起来的数据。由于产生于特定的某一个行业或领域，条数据的信息量比较单一，不同领域间的数据呈相互分割的孤立状态，彼此割裂、互不融通。数据间的联系是点状和链状的线性分布，极易产生“数据孤岛”。这极大地削弱了数据与数据之间联系的多维性与多样性，容易忽视不同返贫因子之间的联系，不利于对返贫问题的深层次探究。

与条数据不同，块数据内含一种高度关联机制。通过这种机制能够实现数据多维的跨界关联，克服条数据指向性集聚带来的“数据孤岛”问题。而在块数据赋能下的返贫预警机制中，与返贫相关的人、事、物等各类数据都会集聚在块数据平台上，实现返贫数据点、线、面的集聚与融合。数据的关联程度越高，集聚融合能力就越强，在此基础上进行返贫问题的探究与讨论将更具广度与深度。

（二）从相对封闭转向开放共享

相较于传统的返贫防治，大数据返贫防治具有显著的开放性，但大数据本身是一个开放与封闭的矛盾体。尽管我国各地已普遍将申请救助家庭的户籍、婚姻、车辆、工商登记、住房等关键信息进行了互联互通，一定程度上实现了跨部门横向信息流通，但政府与企业等其他扶贫主体之间数据交易成本高、难度大，数据整合能力有限。大数据的单维度性和封闭性决定了它极易被垄断，尤其是以营利为目的的企业，将数据看作企业的资产，出于自身利益的考虑，鲜与外界共享数据，由此形成“数据垄断”。这与大数据开放共享的理念背道而驰，势必让大数据的应用价值大打折扣。除此之外，根据有限领域内的有限数据对返贫问题进行分析，难免会以偏概全，甚至出现重大偏差。

开放、共享、连接是块数据形成的基本机制，在一个个“块”内形成开放、共享、连接的块数据，再把一个个块数据开放、共享、连接起来，就会产生更大的块数据网状结构。块数据催生的共享文化将打破企业与政府的“数据垄断”，促进数据在不同领域间的流动。它能把该地区涉及商业、农业、医疗等不同领域的返贫数据进行汇聚、融合，形成一个开放、共享的“返贫块数据池”。在这个“返贫块数据池”中，不同行业、领域的关联数据得以整合，形成横纵交错的返贫关系网络，使得各领域数据相互印证，增强返贫数据的权威性、科学性。

（三）从冗杂重复转向精细准确

进入大数据时代，数据短缺转变为数据过剩，大数据在推动社会发展的同时带来了新的困扰，即“海量数据的悖论”。一方面，数据量的激增变过去“样本数据”分析为“全体数据”分析，形成了从有限个案特征分析转向海量数据价值挖掘的全新模式;另一方面，当数据量被无限放大时，绝对的精准不再是数据追求的主要目标。也就是说，大数据允许不精准的存在。然而，在返贫防治的过程中，贫困的复杂性与多维性决定了脱贫户与贫困边缘户的返贫可能是地理位置、身体状态、社会发展需求、文化观念等因素单独或共同作用的结果，而这些因素在不同个体与家庭中所占的权重又各不相同，这就对返贫预警机制的精准性提出了更高的要求。

就精准性而言，与大数据相比，块数据凭借其高频次的更新速率，优势显著。块数据利用物联网、云计算、智能终端等技术对包括企业、个人的住址、收入、偏好等基本信息数据进行实时更新，确保数据的准确性。数据的变化与增长不仅能够及时反映脱贫户与贫困边缘户最真实的状态，还能为决策者提供最新的返贫数据，保障决策的时效性。可见，块数据是推动返贫决策走向精准道路的助推器。

三、块数据赋能下返贫预警机制的优势

大数据赋能下的返贫预警机制会出现“数据孤岛”“数据垄断”“应用价值低”等问题，这不仅削弱了不同返贫因子之间的关联，不利于返贫致因的深层探讨，也带来了返贫防治精准性不足的问题。作为大数据的核心价值，块数据自身特有的主体性、开放性、关联性、多维性、强活性，与返贫防治过程中的精准定位、精准识别、精准帮扶、精准管理、精准监测具有耦合性，而块数据技术对返贫预警机制的赋能作用正是蕴含在这种耦合性之中。

（一）主体性：凸显以人为本的精准定位

精准定位是返贫防治的基础性工程。在精准扶贫战略的推进过程中，某种情况下可能出现一定程度上政策执行扭曲的现象，并导致政策执行结果与战略目标偏离。究其原因，是政策执行者将消除贫困异化为政策的最终目的，出现了定位偏差，进而导致扶贫工作更多集中于短期物质帮扶，缺乏对贫困地区持续发展的长期规划。客观讲，返贫防治与贫困治理的最终目的不是为了解决贫困而解决贫困，而是为了实现贫困地区与贫困人口的全面可持续发展。如果在定位上出现了偏差，无论后续措施多么有效，都无法达到最初的期望。因此，如何实现返贫防治的精准定位，是我们构建返贫预警机制的基础性工程。

“如果说大数据是围绕着物而产生的，那么，块数据则是因人而存在的，它呈现主体性”[8]（P70）。在大数据赋能下的返贫防治过程中，部分基层政府将精准扶贫政策仅仅当成一项政治任务，注重硬性指标的完成，没有认识到精准扶贫的最终目的是实现贫困人口与贫困地区的可持续发展。也就是说，摆脱贫穷从事物的表征走向了主体地位。这一定位显然偏离了扶贫政策的初衷，因此，以“数字脱贫”“表格脱贫”为代表的形式主义执行屡见不鲜，并且滋生出不少“等、靠、要”的懒汉心理。与大数据不同，块数据强调人的主体地位。块数据赋能下的返贫预警机制聚焦于人的行為，围绕着人去记录静态数据、行为数据、意识数据，并且对搜集来的三类数据进行关联性集聚与关联性分析。作为一种工具性客体，它将辅助干预主体运用数据思维对脱贫户与贫困边缘户的行为进行关联分析，得出返贫的具体成因，最终提供有针对性的帮扶措施。简言之，块数据的主体性能够打破大数据返贫防治以物质帮扶为主体的桎梏，把目光聚焦在帮扶对象的个性发展上，实现返贫防治的精准定位。这种“以人为本”的精准定位能够增强返贫防治的精准性与科学性，并推动贫困地区与贫困人口的可持续发展。

（二）开放性：强调返贫对象的精准识别

实现对返贫对象的精准识别是精准帮扶的前提。传统的贫困识别方法是按照“县为单位、规模控制、分级负责、精准识别、动态管理”[5]的原则，以民主评议、建档立卡为方式，对返贫户的识别监测亦是如此。但是，这种方式有两个明显的缺点。一是民主评议容易加入个人的主观判断，带有明显的情感倾向;二是在建档立卡过程中容易出现数据造假。如果没有办法实现精准识别，那么真正需要帮助的农户就不能得到帮扶，而一些已经稳定脱贫的农户可能享受着政策福利，容易造成扶贫资源的浪费。

块数据所具有的开放性，能够使数据与数据之间、数据与外部环境之间持续发生交互作用。进入大数据时代，我国建立了依托大数据库的全国扶贫信息网络，日趋成熟的大数据技术在一定程度上实现了返贫对象的精准识别。但是，囿于领域与行业的封闭性，许多数据没有办法与其他数据发生价值关联，或者彼此的价值关联没有呈现，造成未被使用。这种未被充分挖掘的数据被学界定义为“暗数据”，它不仅会导致“垃圾”数据泛滥，而且阻碍我国返贫户识别工作朝着更精准的方向发展。作为大数据的进一步发展，块数据赋能下的返贫预警机制能够有效克服“暗数据”所带来的困境，它能够将该区域内涉及商业、医疗、住房、教育、农业等不同领域的返贫数据集聚起来，形成该区域的“返贫块数据池”。伴随着“返贫块数据池”的形成，不同领域之间的数据将被打通，实现数据的开放与共享。同时，这些被打通的“碎片化”数据将发生交互关系，实现“暗数据”向“明数据”的转化。这一过程既是克服“暗数据”所带来的困境的过程，也是弥补传统识别方法不足的过程。一方面，块数据运用数据思维分析人的行为，降低人的主观情感对决策的影响;另一方面，块数据能够将各个领域内关联数据集聚，形成横纵交错的返贫信息网络，使各个数据间相互印证，大大降低数据造假的可能性。块数据的开放性增强了贫困地区返贫户认定的科学性与公平性，从源头上保证扶贫资源的合理分配。

（三）关联性：保障扶贫决策的精准帮扶

精准帮扶是返贫防治的关键环节，也是返贫预警机制的核心环节。由于贫困的多维性与复杂性，脱贫户与贫困边缘户的返贫可能是地理位置、文化观念、社会发展需求等不同因素单独或共同作用的结果。同时，这些因素在每个家庭与个人中又分化为不同的权重与表征。所以，我们需要根据不同家庭与个体的具体情况，有针对性地提出帮扶措施，也只有这样，才有助于实现贫困户与贫困边缘户的可持续发展。由于大数据是利用条数据的方式处理数据，其指向性集聚是某个领域内数据的纵深集合，这种方式仅仅关注到了返贫问题的共性，而难以涉及贫困问题的个性。因此，基于大数据的帮扶措施在精准性上有待提高。

高度关联性是块数据的本质属性。这意味着，“首先，块数据集聚的是一种高度关联数据。其次，块数据能形成一种高关联格局。最后，块数据运行的是一种高关联机制。数据的关联度越高，信息量越大，价值也就越大”[9]。具体到返贫防治领域，块数据赋能下的返贫预警机制不仅能够反映脱贫户与贫困边缘户的返贫程度和类型，还能反映其与该地区人的关联、物的关联、时空的关联，实现数据的融合与重构，建立起返贫数据关联机制，为帮扶人员提供个性化、精准化的帮扶措施。同时，借助搜集到的静态数据、行为数据与意识数据，块数据赋能下的返贫预警机制能够对贫困户与贫困边缘户的心理形成轨迹及贫困地区的人文状况进行回溯，准确把握贫困地区的民风民俗和传统价值观，深刻理解返贫户的需求、动机及习惯，进而有针对性地提供帮扶服务。块数据通过关联性集聚可以形成特定区域内返贫高关联格局，对数据进行融合与重构，建立起返贫高关联机制，最终实现帮扶的个性化与精准化。

（四）多维性：确保扶贫过程的精准管理

精准管理是精准帮扶的保障。政府为了准确、全面、及时地掌握贫困家庭的基本状况、扶贫资源的运行情况及帮扶主体的履职近况，需要进行动态化、信息化的管理。在这方面，贵州利用“云扶贫”平台建立“四个监督”“六大系统”的扶贫资金监管体系，部分地區还利用“云扶贫”对干部履职情况进行监督，探索多形式“云扶贫”模式。从扶贫成效看，大数据式的管理提高了信息管理的精准化，实现了贫困对象的公开化与精准扶贫工作操作的阳光化，显著提高了贵州的扶贫成效。但我们也必须注意到，大数据本身具有无序性和零散性，这为精准管理带来了诸多不便。

相对于大数据，块数据呈现立体多维性，使我们能够以一种整体的、关联的、系统的且灵敏的创新方式去重新审视和解释现实。相应地，块数据赋能下的返贫预警机制强调以整体的、关联的、系统的且灵敏的视角思考与探究返贫防治问题。在空间上，块数据使干预主体的视野不仅仅局限于孤立的单元或领域。通过高度关联机制，块数据能使高度关联的数据在特定平台上持续集聚，形成返贫数据人的关联、物的关联，构成横纵交错的返贫数据网络;在时间上，块数据强调不仅应聚焦于当下，更应聚焦于过去与未来，它能够对贫困地区的人文状况与农户的心理形成轨迹进行回溯，准确把握贫困地区的民风民俗及农户的习惯与情绪，并在此基础上将数据进行重构，获取新的数据集合，挖掘出新的应用价值用以指导决策者及时进行策略调整，实现动态化精准管理。块数据的“多维性”赋予返贫预警机制更加整体、系统的视角审视与探究返贫问题，助力返贫防治过程中管理的精准化。

（五）强活性：助力返贫数据的精准监测

对返贫数据进行精准监测是数据精准化管理的必然要求，也是进一步提升扶贫工作精准化水平的重要举措。返贫起因于贫困的动态性与复杂性，以脱贫户与贫困边缘户的脆弱性为主要表征，这种脆弱性可以理解为未来可能陷入贫困的概率，即个人或家庭在遭到外界风险的冲击时，难以维持正常生活生活水平下降至现有标准之下的可能性。只有对贫困户与贫困边缘户的数据保持实时更新，监测其最新动态，才能最大限度地实现脆弱性界定的精准性，也只有这样才能实现返贫户的精准监测。

事实上，精准监测是一个强活性问题。按照块数据理论，“强活性”是一种能迅速自主反应或促进其他相关反应的激活属性。与大数据不同，块数据的更新既发生在增量上，也发生在存量上，相应地，块数据赋能下的返贫预警机制也具有这两方面的优势。在增量上，块数据不仅来源于传统的政府部门、金融保险、工业企业，也来源于社交网络、设备传感器，不仅包含结构化数据，还包含文本、音频、视频等非结构化数据。来源的广泛性带来了数据的大量产生，形成源源不断的应用价值。在存量上，块数据在不断更新，运用互联网、云计算、移动互联网、物联网和社交网络，块数据能够实现个人基本信息的实时变更，确保数据保持精准性。当数据颗粒发生变化时，高度关联机制会产生新的关联集聚，更新的关联数据会与其他数据进行跨时空的重新关联，形成新的数据组合，保持数据关系的精准性。所以，块数据的“强活性”能够赋予返贫预警机制更大的灵活性与时效性，以保持数据的实时更新与农户最新动态的知晓，实现返贫数据的精准监测。

四、块数据赋能下返贫预警机制的构建要素

块数据的主体性、开放性、关联性、多维性、强活性与返贫防治具有高度耦合性，机制则是协调各个部分之间关系以更好地发挥作用的具体运行方式，因此，块数据赋能下的返贫预警机制会更具协调性与一致性。块数据赋能下的返贫预警机制主要由五个部分构成，即干预主体、干预客体、块数据平台、干预手段和预警标准。

（一）干预主体

返贫预警机制的干预主体就是对返贫问题有认识和实践能力的人，包括基层政府、农民和社会组织。第一，基层政府是返贫预警机制干预的主要力量。作为基层政府，有责任协调动员既有的返贫风险监测资源，提高应对自然灾害、突发事件及经济波动等风险的预警水平，保持对可能导致返贫风险点的敏锐识别力，从而及时干预，有效地化解返贫风险。第二，农民是返贫预警机制干预的关键力量。在过去的帮扶机制中，政府部门投入大量物力、财力、人力，农民处于接受帮扶的被动地位，贫困户虽然获得了实惠，却被养出“等、靠、要”的懒惰思想，阻碍了脱贫成果的巩固。为了避免这种现象发生，我们需要重构“政府主导、社会参与、市场能动”的治理格局，强调农民在治理中的主体性，鼓励农民“提高返贫风险防范意识，及时向基层政府反映个人生活、生产、工作状况，积极提升自我发展和抵抗风险的能力，合理规避返贫风险”[10]。第三，社会组织是返贫预警机制干预的第三条途径，发挥补充功能。在政府和农民风险监测存在缺失的情况下，社会组织可以在一定程度上填补这些漏洞，向贫困地区发布科技、教育、文化、卫生等内容的帮扶信息，发挥自身在贫困治理、返贫监测工作中的优势，及时向脱贫人群提供有针对性的帮扶服务。

只有实现多元主体的共同参与，并形成一个良性互动的治理格局，才有可能实现返贫的高效预警，及时阻断返贫现象的发生。

（二）干预客体

干预客体是返贫预警机制所关注的对象，既包括已经脱贫的脱贫户，也包含在贫困边缘的贫困边缘户。农民是返贫风险的主要承担者，

既是返贫预警机制的帮扶主体，也是返贫预警机制所关注的对象。许多学者将已经脱贫的脱贫户作为返贫防治研究对象，或多或少忽视了贫困边缘户的生活状况。在贫困瞄准过程中，由于识别标准与程序方面的局限性往往导致“漏出效应”。在实际操作过程中，地方政府往往以统一的国家收入贫困统计标准与指标来识别贫困村与贫困户，贫困人口不完全是基于科学的多维标准所识别而来，而主要是扶贫部门根据定量分析与测度后自上而下地分配贫困村指标及贫困户名额，而自上而下地对贫困人口开展参与式瞄准的情况相对较少。同时，贫困人口的识别容易加入个人的主观判断，使得很多真正的贫困村未被及时纳入，这就造成很多贫困边缘户未被评为贫困户，导致明显的“漏出效应”。这些贫困边缘户的

实际生活水平未必就优于建档立卡贫困户，其抵御外界风险的能力也未必优于建档立卡贫困户，有少数甚至还不如贫困户。

并且贫困边缘户往往参与意识淡薄，难以通过现有渠道争取自身利益。

因此，我们必须将贫困边缘户放在与脱贫户与未脱贫户同样重要的位置上，帮助贫困边缘户降低贫困风险，促进其收入水平与生活质量的稳步提升。

（三）块数据平台

块数据平台是整个返贫预警机制的核心。它是一种创新性和综合服务性平台，它既是数据存储与数据共享的重要载体，也是数据实现全息化解构的操作环境。第一，在前端，块数据平台围绕人、事、物的各类活动生成数据。移动互联网、物联网、云计算等新一代信息技术的发展，催化了各类数据的海量增长。在块数据平台中，既有对干预客体静态数据的记录，即干预客体的姓名、职业、受教育程度等，也有对干预客体行为数据的记录，即干预客体的消费情况、社会活动轨迹等;既有对贫困地区商业领域数据的记录，也有对该地区医疗、民生等方面数据的记录。总之，它汇集该物理空间内有关干预客体的各类数据，形成该区域内有关返贫问题的数据网络，亦即该区域内的“返贫块数据池”。这为发现和挖掘数据价值奠定基础。第二，在中端，经由数据的开放与共享，完成数据的聚集。块数据催生出的共享文化将打破物理区域、行业领域对数据流动的限制，有利于不同领域数据的融合。块数据能够畅通地跨越场域界限，构建起人的关联、物的关联、时空的关联。通过块数据的关联识别能够有效整合贫困地区市场行情、医疗卫生、天气状况等多方面信息，将原先分别存贮在不同部门的“暗数据”变为“明数据”。第三，在末端，“以解构、交叉、融合等多种方式，依靠数据抓取、比对、封装等多种技术手段分析数据，寻找更高更多的实践价值”[11]。通过对数据进行全息化重构，不同时间、空间、领域的返贫数据将进行关联和重组，挖掘出新的数据价值指导扶貧工作。例如，对因学致贫的返贫人口进行全息化重构后，能够勾勒出该贫困地区教育状态与当地价值取向、民风民俗、思想观念、师资条件、学校数量等的关联关系全景。在此基础上挖掘出的应用价值，将为贫困地区前期预防与引导提供依据，能够在一定程度上干预与预防因学返贫现象的发生。

（四）干预手段

返贫农户具有异质性。也就是说，尽管是同一种原因导致的返贫，不同农户之间也会呈现不同的特征，表露出不同的需求。“防止农户返贫作为人为的而又为人的贫困治理行动，需要以干预客体的全面可持续发展作为最终目标”[9]，干预手段的合法性与正当性是建立在农户全面发展的基础上。这就要求返贫预警机制的干预手段具有多元化属性，能够通过不同的治理工具实现不同农户的具体需求。具体来讲，对于不具备可行能力的老弱残幼等应以具有兜底保障功能的政府为主，将其纳入最低生活保障体系中，努力实现实物救助、现金补贴与精神服务相结合;对于具备可行能力的脱贫劳动力应以具有较强激励性和能动性的企业与市场为主，并在干预过程中加强“蚂蚁精神”宣传教育，强化其心理自信，激发干预客体风险防范的内生动力。

在产业帮扶上，对具备发展产业条件的客体，加强培训，提供扶贫小额信贷支持，动员龙头企业、专业合作社等带动其发展生产。在就业帮扶上，对有劳动能力的客体，加强培训，通过劳务扶贫协作等，帮助其转移就业。在综合保障上，对无劳动能力的客体，积极落实低保、医疗、养老保险等措施，确保应保尽保。对因病、因残、因灾等意外变故返贫致贫的家庭，及时落实健康扶贫和残疾人、灾害等政策，保障其基本生活。在扶志扶智上，对自强不息、稳定脱贫致富的干预客体，探索给予物质奖励和精神激励。

同时，需要辅以常规性帮扶措施，预防返贫情况的出现。例如，为了预防重大疾病的发生率，可以定期对留守老人进行身体检查并且宣传健康科学的生活方式，预防因病返贫现象的出现。

（五）预警标准

预警标准是块数据平台对干预客体贫困状态判断的依据。一般来讲，返贫可以理解为脱贫户由于某种风险打击在将来再次陷入贫困。构建返贫预警机制的目的就是了解家庭现在面临哪些风险可能导致他们将来再度陷入贫困，并进一步提供适当的有远见的干预措施，预防贫困再度发生。

风险与脆弱性密切相关，因此，本文以家庭的贫困脆弱性作为关键指标对干预客体的贫困状态进行判断。目前，脆弱性的定义分为三类并对应三种测量方法，即“预期的贫困脆弱性（VEP）”“低期望效用脆弱性（VEU）”“风险暴露脆弱性（VER）”[12]。其中，预期的贫困脆弱性（VEP）这一概念被国内外学者普遍接受，所以本文以预期的贫困脆弱性

预期的贫困脆弱性基本公式表现为：Vit=P（ci，t+1≤z），其中，Vit表示家庭i在t期的脆弱性，ci，t+1表示家庭i在t+1期的消费，z表示消费贫困线，P（ci，t+1≤z）表示家庭i在t+1期的消费低于贫困线的概率。

判断为例。在贫困脆弱值计算出来之后，块数据平台可以将其与预设的警度进行对比，根据其分布区间采取具体措施。由于该度量方法只囊括了农户的消费情况，所以我们可以结合农户的收入状况对警度进行划分。警度可以分为红、橙、黄、绿四级，即根据收入和贫困脆弱性指标，干预客体档案显示为四种情况：收入超过5000元且脆弱性指数在30%以下的，用绿色信号灯标识，落实为常态化帮扶措施;收入在4500元～5000元或脆弱性指数在30%～50%的家庭，用黄色信号灯标识，落实为临时性救助措施;收入处于4000元～4500元或脆弱性指数高于50%的家庭，用橙色信号灯标识，落实为保障措施;

对收入低于4000元且贫困脆弱性高于50%的家庭则进入红色警戒范围，需要采取超常规措施，帮助维持其正常生产生活。

五、块数据赋能下返贫预警机制的构建思路

返贫预警机制的运行主要由四大模块构成。一是数据的获取，利用块数据平台收集到的数据进行处理与分析，判定其脆弱性程度，确定警度。二是数据的集聚，根据警度利用块数据平台的技术对数据进行解构与重构，确定警源。三是数据的挖掘，通过块数据平台对数据进行深层次的价值挖掘，并且根据警源确定返贫致因，选择干预措施。四是数据的追踪，对已经干预的客体再度进行警度判定，倘若无警，继续监测;若是警报未能解除，则继续进行干预，再次评价考核。综合上述四个模块的运行，可以发现返贫预警机制构建以块数据平台为核心，层层递进，互相配合，实现了对于返贫信息的观测、分析与干预（见图1）。

（一）预警准备阶段：返贫数据的获取

返贫数据的获取是前端，在这一预警准备阶段，块数据平台利用现代化信息技术，围绕人、事、物的各类活动产生数据，形成特定区域的“返贫块数据网络”。随着信息技术的发展，RFID技术、GPS技术、POS设备、移动智能终端等极大提高了我们获取数据的能力，解决了块数据形成的来源问题。这些获取到的数据需要经过各类数据处理技术，如数据清洗、数据转换、数据脱敏，被转换成可深度挖掘分析的标准数据后才能够进入可使用阶段。在此基础上，块数据平台通过数据关键字段匹配技术来抽取分散在公安、医疗、社保、工商、住建、残联等不同部门的返贫信息，形成一个充满返贫数据的场域。

依据块数据理论，存在关联性的数据会进行流动，在该场域内形成巨大的数据连接网络，并按照数据主体进行数据引力场的区分，如与健康相关的返贫数据会流动汇聚形成医疗领域的返贫数据引力场。数据具有多维性，能够同时存在于多个数据引力场，不同数据之间既有相互独立的一面，又有相互联系的一面。“返贫块数据网络”就是由各个主体构成的数据引力场的集合。

（二）预警分析阶段：返贫数据的集聚

返贫数据的集聚是中端，在这一预警分析阶段，块数据平台打破各个领域的限制，集聚融合数据，将“暗数据”转变为“明数据”。在上一阶段的基础上，块数据平台对已有的监测数据进行评估，根据预设标准，运用“智能合同”技术，计算干预客体的脆弱性指标，并依据预警标准判定干预客体的预警状态。其中，已经稳定脱贫的干预客体，块数据平台将对其进行日常监测。至于存在风险的干预客体，块数据平台将对其数据进行关联性集聚并进一步对存在风险的客体进行关联性集聚，以获取“明数据”。根据块数据理论，“运用数据间的关联性来识别暗数据是目前最为有效的识别暗数据的方法”

[8]（P55）。分析数据背后的数据或者是与之相关的数据，能够实现暗数据的识别，获取明数据。具体而言，对数据进行关联性分析能够打破领域封闭的桎梏，实现跨领域、跨时空的融合，进而构建起特定区域内人的关联、物的关联、时空的关联。这将有利于数据价值的挖掘，推动数据持续向更高层次集聚，让“暗数据”进入人脑或计算机的认知范围，成为可供人们利用的“明数据”。

（三）预警识别阶段：返贫数据的挖掘

返贫数据的挖掘是末端，在这一预警识别阶段，块数据平台利用解构、交叉、融合等多种手段分析数据，挖掘贫困深层致因并指导干预措施。这一阶段主要是整合上一阶段产生的“明数据”，并运用各种手段如全息化结构，将它与其余关联数据进行交叉融合，创造出新的应用价值来指导干预措施。依据块数据理论，“任何数据之间都存在数据引力波，引力波的大小取决于数据间价值关联的强弱，即数据间的价值关联越强，则数据引力波越大”[8]（P19）。因此，数据能够依据彼此的相关性实现流动、碰撞、融合。数据的多维性决定了它能够同时存在于多个引力场。通过数据引力波，大量的数据或者数据引力场快速碰撞、相互融合，实现聚合、裂变，产生新的价值关联。在这个过程中，原有的数据与数据引力场、数据引力场与数据引力场之间的平衡力被打破，重组再造新的數据引力场。通过这种从解构到重构的过程，块数据平台能在客观上描绘干预客体的返贫轨迹。这有助于返贫致因的深层次探究，特别是隐性致因的挖掘与分析。例如，在得出“明数据”后，通过对特定地区的人文数据进行解构与重构，我们能够挖掘出该区域是否存在赌博成风、享乐主义盛行、大办婚丧嫁娶等容易导致脱贫户与贫困边缘户返贫的隐性致因。我们还可以通过某一干预客体近五年或十年的收入结构、支出结构、职业轨迹、受政策补助的情况、子女受教育程度、社会交往等数据的解构与重构，全面描绘干预客体的生活特征，并进一步追溯与分析导致这一干预客体返贫的原因，讨论是否存在依赖、自卑、被剥夺感等心理及其衍生行为。这些隐性致因通常难以直接观测，甚至经常被忽略。但往往是这些隐性致因主导了干预客体的行为，抑制着其脱贫内生动力的发展，造成干预客体重新陷入贫困。正因如此，这些隐性致因也是实现干预主体精准帮扶的重要依据，应被当作帮扶的“牛鼻子”来抓。

综上所述，基于多手段分析的返贫致因将更具个性化，干预主体所提供的帮扶措施也将更具精准性与针对性。

（四）预警追踪阶段：返贫数据的反馈

通过计算机程序设置好的标准化参数，块数据平台能够将相关数据转化为图表和图形，实现数据的可视化。也就是说，块数据平台能够将返贫致因通过可视化的方式反馈给干预主体，这不仅能够体现农户返贫的动态变化过程，而且能够梳理出农户返贫的脉络。干预主体根据反馈的数据，结合具体情况选择适当的干预手段进行帮扶。针对稳定脱贫的农户，落实为常规监测并辅以常态化帮扶。而对处于预警状态下的干预客体，干预主体在分析块数据平台得出的返贫致因基础上，结合现实状况，选择合适的干预措施进行帮扶。经过一段时间的帮扶，对进行干预的干预客体再度进行警度判定。若是干预有效，预警解除，转为日常监测;若是无效，则继续进行干预。同时，块数据平台能够根据返贫致因，跟踪追测脱贫农户的发展状况，如因病返贫农户的健康状况、因学返贫农户的受教育情况等，防止脱贫户因为相同的原因再度返贫。