

我们既要依靠数据去感知行业特征,而在解读数据的过程中,需要对数据去魅。作为统计部门和科学研究,拿到数据即是工作的结果,而对于企业而言,拿到数据仅仅是真金白银投入前决策的参考。
在我们的研究当中发现,不同统计口径数据会有较大差异。在最近我们所做的农药包装废弃物的研究过程中,我们希望调研农药包装废弃物的产生规模数据。
2022年农业部在《对十三届全国人大五次会议第2466号建议的答复》中提到,2021年全国农药包装废弃物回收4.06万吨、处理3.05万吨,回收率58.6%。《中国低值可回收物回收利用现状调查报告》当中的数据,2021年我国农药包装产生量为11.7万吨,回收率为58.6%,折合回收量为6.8万吨,二者相差了2万吨,如果进行“市场规模分析”,市场规模相差近三分之一!当然还有一些其他数据源,究竟该采信哪一个数据呢?
关于这一点,一些用户会很较真儿,究竟哪个数据才是真实数据?在一些调研当中,也存在一些数据为数年前的数据,也会有一些用户会抱怨,为什么没有最近数据?
我们对于数据应当有一个去魅思维,甚至不要纠结于数据本身,我们首先要思考一个底层问题,我们需要数据的目的是什么?是数据本身?还是指导实践?
统计数据的来源一般有如下几个渠道。
第一,各级政府和企业的上报数据。我们国家采用中央-省-市-县管理模式,管理结构层层复制。一般而言,中央有住建部,对应省份会有住建厅,市(县)层面会有住建局,以此类推。当需要采集相关数据时,上级部门将数据统计工作压实到下级部门,层层下发,最终由基层单位统计上报。基层单位由于种种原因,或考核压力,或没有详实的数据来源,有可能出现数据失真。
另外,抽样调查也是统计数据获取的方法之一,其准确性依赖于取样的科学性,样本数量、样本来源都会影响最终统计结果。一个典型的案例,某地在对本地平均工资收入进行统计调研时,几百万的城市规模,取样量仅2000份,而公布数据并未显示样本分布情况,理论上相对容易可以得到自己希望得到的统计结果。
数据还有一定的偏差性、滞后性和偶然性。在我们参加的一次活动当中,某电商领域公司分享了一个偶然性的案例。有款产品销售数据突然非常好,于是公司快速跟进,设计生产并上线了该款产品,但是上线后销售情况非常差,形成了库存挤压,只好亏本清仓。后来复盘分析发现该款产品数据突然爆火的原因是因为某网红的一次不经意的“带货”形成的短期流量效应,公司的快速跟进决策反而导致了单款产品的亏损。当然环保行业通常不会出现这种及时数据和突变数据。
总之,我们既要依靠数据去感知行业特征,而在解读数据的过程中,需要对数据去魅。作为统计部门和科学研究,拿到数据即是工作的结果,而对于企业而言,拿到数据仅仅是真金白银投入前决策的参考。
半月谈2025年11月发表了《细“数”新型统计数据造假》,也对一些数据问题进行了分析,文中列举了三类数据获取方式:“调度”数据、“购买”数据、“跑数要数”,这也从一个层面说明了对于数据我们应当去魅,知其然也要知其所以然。









