Big data kertoo, mitä yrityksiä kannattaa tukea kriisissä "Odottamattomiin tapahtumiin voi varautua", sanoo tutkija Joonas Tuhkuri.
Uutiset,

Big data kertoo, mitä yrityksiä kannattaa tukea kriisissä

Yhdysvaltalaisen huippuyliopiston MIT:n taloustieteen tutkijan Joonas Tuhkurin mukaan big datan eli erittäin suurten tietoaineistojen hyödyntäminen mahdollistaa taloudellisen avun kohdentamisen koronakriisin seurauksista pahiten kärsiviin yrityksiin. Tuhkuri tutkii big datan käyttöä yhteiskuntatieteissä. Hän on kehittänyt Elinkeinoelämän tutkimuslaitos Etlalle EtlaNow-ennustemenetelmän.

Joonas Tuhkurin mukaan koronavirusepidemian leviäminen olisi ollut paremmin ennustettavissa perinteisin menetelmin big datan sijaan.  Hän suosittaa edelleen laajaa testausta ja kyselytiedon keräämistä taudin leviämisen parempaan seuraamiseen. Big datasta voi kuitenkin olla hyötyä myös taudin leviämisen hallitsemisessa.

Joonas Tuhkuri, voiko big dataan perustuvista ennustemenetelmistä olla apua koronaviruspandemian keskellä?  

”Luulen, että siitä voi olla apua pandemiaa seuraavien taloudellisten haittojen torjunnassa. Suomalaiset rekisteriaineistot ovat laajoja ja laadukkaita. Esimerkiksi verottajalla on melko ajantasainen tieto yritysten veronmaksukyvystä.

Oikea aika tukeen on juuri nyt.

Taloudellisten tukitoimien kannalta oikea-aikaisuus ja kohdentaminen ovat tärkeitä. Oikea aika tukeen on juuri nyt. Kohdentaminen taas on selkeästi vaikeampaa. Jotkut yritykset kärsivät tilanteesta aivan suunnattomasti ja nämä yritykset olisi löydettävä. Jos tukea jaetaan kaikille yrityksille, se ei ole kovin tehokasta. Laadukkailla aineistoilla oikeat yritykset on mahdollista löytää tehokkaasti. Laajoista aineistoista, eli big datasta, on mahdollista löytää myös toimijoita, jotka kärsivät, mutta joiden ei ole ymmärretty kärsivän tilanteesta. Tähän tehtävään voisi rekrytoida väliaikaisesti osaajia myös esimerkiksi tutkimuslaitoksista.”

Onko yritysten tukeminen taloustieteellisesti perusteltu ratkaisu?

“Yleensä taloustieteen mukaan pitää tukea ihmisiä, eikä yrityksiä. Tämä on kuitenkin poikkeuksellinen tilanne, eikä sääntö pidä paikkansa. Tässä tilanteessa tarkoitus on tukea erityisesti työsuhteita. Tiedämme, että työttömyyden iskiessä työllistyminen uudelleen voi olla todella vaikeaa. Tukemalla yrityksiä yritämme huolehtia työsuhteiden jatkumisesta kriisin jälkeenkin.

Yritysten tukeminen tulee kuitenkin tehdä siten, että se hyödyttää ensisijaisesti ihmisiä, eikä esimerkiksi pääomasijoittajia. Esimerkiksi lentoliikenteen yhteiskunnalliseen tukemiseen suhtautuisin kriittisesti. Lentoyhtiöillä on mahdollista saada rahoitusta pääomarahoitusmarkkinoilta. Erityistä tukea tarvitsevat pienet ja keskisuuret yritykset. Toisaalta haluamme että suurtenkin yritysten työpaikat säilyvät.” 

Olisiko koronaviruksen laajenemisen pandemiaksi voinut ennustaa big datan avulla?

”Uskaltaisin sanoa, että ei. Koronavirus lähti liikkeelle vuoden 2020 alussa. Tiesimme, että tauti sai alkunsa Kiinassa. Informaatiota oli tarjolla, mutta siitä huolimatta ei toimittu. Esimerkiksi lentoreiteistä olisi ollut nähtävissä, että tauti leviää. Osakemarkkinoilla ja valtioiden toiminnassa vaikutus alkoi kuitenkin näkyä paljon myöhemmin.

Koronatilanteen ennustaminen big datasta on epävarmaa, koska taudin leviämiseen liittyvät luvut välillä kasvavat ja välillä pienenevät. Ei ole olemassa perustietoa, johon big datan tarjoaman tiedon voisi kalibroida. Big datasta ei siis ole välttämättä hyötyä.

Testauksesta olisi huomattavaa hyötyä.

Tavanomaisesta datasta, esimerkiksi laajasta koronavirustestauksesta, olisi sen sijaan huomattavaa hyötyä. Kriittisintä olisi saada oikea-aikaista ja laajamittaista dataa koronavirustapauksista ja tartunnoista. Tätä dataa voidaan saada vain testaamalla ihmisiä. Se olisi järkevää taloudellisten resurssien käyttöä.

Sen sijaan koronaepidemian hallinnassa big datasta on hyötyä tulevaisuudessa. Esimerkiksi Flight Radarista voi seurata mihin ihmiset liikkuvat, ja mikä reitti on tärkeää sulkea. Yleisesti ottaen epidemian hallitsemisessa avainasemassa ovat data sekä se, kuinka tavalliset toimijat pystyvät välittämään tietoa.

Jos Suomen terveydenhuollon tietojärjestelmät olisivat kunnossa, pystyisimme paremmin vastaamaan haasteeseen. Jos terveydenhuollon tietojärjestelmä Apotti olisi ollut käytössä koko maassa, maan sisäiset tiedot olisivat olleet nähtävissä ja kokonaistilanne paremmin arvioitavissa. Esimerkiksi Yhdysvalloissa maan sisäisten tietojen jakaminen on paljon haastavampaa osavaltiorajojen vuoksi.

Yksi järkevä esimerkki big datan käytöstä olisi tiedon kerääminen koronavirustartunnan saaneiden liikkeistä puhelimen sijaintitiedoista. Tällöin saataisiin parempi kuva siitä, missä tartuntoja voisi olla ja keitä tulisi testata. Tähän olisi syytä saada tartunnan saaneen lupa, mutta uskon että moni olisi valmis antamaan tällaisen luvan yhteisen hyvän eteen. Saksassa poliisi on käyttänyt sijaintiaineistoa yleiseen valvontaan, joskin se on vähemmän tehokasta.”

Epidemian hallinnassa big datasta on hyötyä.

Miten odottamattomia tapahtumia voi ennustaa big datan avulla?

”On kahdenlaisia tapahtumia, joita on vaikea ennustaa tai ennakoida. Ensinnäkin on tapahtumia, joista tiedetään, että ne tapahtuvat, mutta ei sitä, milloin. Silloin ajoitus on yllätys. Toinen tapaus on se, kun tiedetään, että jotain pahaa saattaa tapahtua, mutta ei tiedetä mitä. Kumpaakin tapausta on vaikea ennustaa.

Odottamattomiin tapahtumiin voi kuitenkin varautua. Pandemiatilanteita on Suomessa ymmärtääkseni kohtalaisesti harjoiteltu.

Ennusteilla on pandemian hallinnassa keskeinen rooli: valitut toimintamalli perustuvat ennusteisiin siitä mitä tapahtuisi, jos ei toimittaisi. Esimerkiksi THL:llä on mahdollisuudet luoda pandemiaennusteita reaaliajassa. Yhteiskuntamme reagointi on ennusteiden varassa.

Hyvä ennuste on parhaassa tapauksessa reaaliaikainen ja tarkka. Tällaisessa tilanteessa tavoitetta voi olla kuitenkin vaikea saavuttaa. Antaisin paljon painoarvoa ennusteen tuottamisen nopeudelle ja sille, että eri skenaarioiden todennäköisyydet kommunikoitaisiin selkeästi ja avoimesti. Nyt olemme tilanteessa, että eri ennusteet voivat erota toisistaan monikymmenkertaisesti. Erityisesti päättäjien ja kriisin parissa töitä tekevien olisi tärkeää tietää, mistä nämä erot johtuvat.”