0551-62353701
隨著復工的企業越來越多，一些新問題逐漸出現。
最顯著的就是，復工率高，但復產率的提升卻相對有限，產能恢復還需要一個過程。
其實，類似的問題在全民疑問“口罩難買”時，已經有專家做過解釋――現代行業分工細化，企業復工復產不是單兵作戰，要有“產業鏈”的全局視角。
新情況、新需求不斷涌現，或許電力大數據能提供一些解決方法。
復工復產，是一場“短板效應”明顯的產業鏈協同之戰。
怎么尋找這個“短板”是個問題。靠一層層上報？一個個電話咨詢？或者看似簡單的一鍵申報？都存在著問題。
電力大數據，通過對歷史同期的用電量對比，提供了尋找“短板”的捷徑。
先舉一個大家感同身受的例子。
很多企業加大馬力甚至“跨界”生產口罩了，為什么口罩還那么難買？
除了國家統一調配，還有一個重要原因：口罩生產商只是產業鏈的“中游”，還需要上游“石化企業”從原油中提煉出化工產品聚丙烯，中上游把高熔聚丙烯纖維料加工成熔噴布。
通過電力大數據證明，熔噴布生產是短板。以浙江為例，復工第一日，紡織業（包含無紡布/濕巾半成品）的復工復產率僅為43.27%、27.57%。相較于浙江省整體醫藥行業低了不少（復工率91.73%，復產率79.67%）。
短板找到了，精準施策有了依據。以余杭區為例，供電公司實時監測醫藥及上游企業的用電量并上報，政府立即分12批要求區內44家涉及生物醫藥的上游企業加大復工程度。上游產業整體復工，余杭區生物醫藥行業鏈條盤活了，復工復產率也有了很大提升。
如果說這些進展只是一種意識問題之后的探索。那么，3月1日，一張由供電公司發布的產業鏈上下游行業復工復產率“關聯分析圖”，將產業鏈的問題進行了區域性的解決。
這張圖標注了每個行業的上下游，并附上了復產率，能夠直觀展現產業鏈上下游行業的復產情況。
以無錫聯合汽車電子有限公司為例，這家企業主要生產車輛應用控制系統，自疫情暴發以來，難以判斷市場需求，對上游汽車零部件廠家的供應能力感到困擾。這張關聯圖解決了困擾：通用設備制造和專用設備制造行業的復產率均已超過70%，向上游的金屬礦采選、化學原料制造、油氣開采也都很“通順”，于是這家生產商開始穩步提升復產。
從簡單地細分行業，到探索其中的關聯性，只進了一小步，卻解決了政府和企業的大困惑：馬力該開多大？復工是有效的么？如何才能協同？按圖索驥，便可一窺全局。
電力大數據的優化不止是在新問題的解決中，模型本身也在升級。
2月10日，浙江試水“企業復工電力指數”，指數模型非常簡單：R=（復工電量比例×0.5+復工企業戶數比例×0.5）×100。由供電公司采集當前每天企業用電量，與歷史上正常生產時的用電量相比，并用大數據分析而形成。
在最新一期的浙江省企業復工的報告中，一個細節引起注意：在進行對比時，特別引入了農歷同期。此前，這個電力指數也經過數次改進：
在算法上，判定企業復工用戶數，從“日電量/滿負荷運行電量”≥15%，到“當日用電量/日均用電量”≥50%,而后又調整到了20%；分析對象上，根據實際從高壓用戶，剔除公共服務及管理組織行業用戶，新增口罩、防護品行業維度，新增高新園區企業維度，新增低壓非居民用戶。
其他在疫情期間發揮作用的電力大數據也在持續更新迭代。
2月6日，在濱江區60個社區，杭州供電公司配合政府在防疫上使用電力大數據建模，納入社區網格化管理，并不斷優化：
比如，春節期間，社區網格化防疫判定“當日返回用戶”的計算條件，采用閾值區間為剔除空置房后“當日總電量≥5千瓦時并且前三天平均電量≤3千瓦時”。2月14日，經過一段時間的運行，數據結果多次與社區清單比對后，將“當日返回用戶”計算閾值調整為“當日用電量大于前三個月日均用電量*40%與4.5千瓦時之間的最大值的用戶”。
數據使用側重的方向也不斷調整，以適應社區在不同階段防控工作重點的轉化。在1月23日~2月13日期間，由于絕大部分家庭居家防疫，因此大數據側重于計算出門時長和頻率等，反映居民家庭流動情況。2月14日開始，隨著“三返”高峰的到來，電力大數據社區網格化防疫開始側重于各街道、社區的當日返回家庭數量、尚未返回家庭數量，為社區提供驗證的基礎。這些取值模型、計算重點的轉變都是為了讓計算結果更精準更客觀，能夠適應新情況的進展。
不斷進階還是為了更好地輔助政府決策。電力大數據在此次疫情中發揮了不少作用，比如社區精準防疫，以及復工復產監測，甚至包括后來部分地區政府的電費專項補貼政策，也引入了復工電量比例作為參考依據。這種計入“KPI”的考核更體現出了對電力大數據的認可。
小步快跑、迭代升級，這次電力大數據體現了明顯的“互聯網思維”：不斷適應需求、解決新問題。
這次疫情對電力大數據來說，其實算得上一場“練兵”，從相對內向化到區域性再到全局性的數讀，從基礎的用電量到各種模型的衍生，必然還有很長的路要走、很多問題待解決。
就目前而言，有以下三個發力點。
第一，提高數據可視化和自動化
實際上，電網的終端采集裝置已經實現了數據采集的自動化甚至可視化，但這只是一個起點。有了“數據池”下一步如何自動化地“連接”場景，是更大的一盤棋。
據了解，此次部分地區上下游行業間的關聯，還停留在從Excel表格里“手動”“人肉”連連看的階段，想知道某個行業上游復工情況，還需要再一一檢索相關行業，就像在一座全電氣化的房子里，想吃飯還需要生煤爐子。
第二，擴大數據協同范圍
這次電力大數據的應用之一――省級全產業鏈關聯分析值得肯定，但也要看出這次探索是“區域性”的。
現代產業鏈跨省、甚至全球化是常態。在2018年華為的核心供應商大會上，就有來自中國、日本、德國、美國、瑞士等多個國家的企業，涉及到中國的供應商也來自北京、江蘇、廣東、湖北、河南、山東、臺灣、香港等多地。省級的全產業鏈關聯分析圖就出現了一些盲點。
“全局視角”需要更多地打破數據壁壘，擴大數據協同范圍，共享互通。
第三，提高數據造假甄別能力和完善數據脫敏制度
隨著復工加速，有的人擔心復工復產率是否真實。這個問題的核心當然在于考核機制。但實際上，電力大數據在判斷復工復產率上，只是輔助決策的依據之一，很多地區KPI的標準都綜合考慮了水電氣、GDP、財稅、公安天眼人流研判等數據。
回歸電力數據本身，是否有技術手段進行規避？比如是否可以通過分析用電曲線特征甄別造假數據？用節點分析代替全時分析？
另外，這次在電力大數據分析產業鏈復工復產上，有的地區只提供給政府，有的地區給企業開放了部分權限，但如果未來要常態化，必須解決數據的公開問題：哪些可以公布、哪些必須脫敏之后再公布、脫敏的標準等等。
這次疫情讓很多人思考：我們需要建立什么樣的“免疫系統”？
現代社會的運作方式決定了它需要抵御的“病毒”具有“現代性”特征：錯綜復雜、傳播力強、交叉風險大，以及隨時可能全球化的“蝴蝶效應”。
就這次應對措施來看，包括電力在內的眾多大數據提供了可能性：能幫助我們撥開迷霧，精準防控，避免盲目管控；也讓決策的艱難程度降低、結果更加科學合理。
但要建立與現代“病毒”相匹配的免疫力，大數據未來還有很多路要走。
