近年來，數(shù)字金融市場發(fā)生的風(fēng)險事件，表明與大數(shù)據(jù)相關(guān)的金融基礎(chǔ)設(shè)施不足，是新金融業(yè)態(tài)存在新風(fēng)險隱患的主要原因之一。對模型算法討論的缺失，導(dǎo)致在數(shù)字金融發(fā)展過程中存在一些認(rèn)識上的誤區(qū)，這種誤區(qū)可能帶來治理偏誤。本文旨在從對模型算法治理的角度來討論數(shù)字金融發(fā)展中需要應(yīng)對的大數(shù)據(jù)治理挑戰(zhàn)，并針對數(shù)據(jù)治理提出了相關(guān)政策建議。

隨著互聯(lián)網(wǎng)、大數(shù)據(jù)、云計(jì)算、區(qū)塊鏈、人工智能等技術(shù)在金融業(yè)的廣泛應(yīng)用，我國數(shù)字金融市場蓬勃發(fā)展。根據(jù)銀保監(jiān)會和中國人民銀行發(fā)布的《2019年中國普惠金融發(fā)展報(bào)告》，2019年全國使用電子支付的成年人比例達(dá)82.39%。在新冠肺炎疫情沖擊中，我國互聯(lián)網(wǎng)銀行對小微企業(yè)發(fā)放的貸款及時幫助小微企業(yè)擺脫困境，發(fā)揮了災(zāi)害情況下的經(jīng)濟(jì)穩(wěn)定器作用。我國數(shù)字金融的一些業(yè)務(wù)模式也已經(jīng)走在世界前列。根據(jù)國際貨幣基金組織（International Monetary Fund，簡稱IMF）的測算，我國數(shù)字金融公司估值已經(jīng)超過全球總估值的70%，其中2016年中國個人移動支付總額達(dá)7900億美元，是美國的11倍;中國最大的移動支付提供商的處理能力大約是美國同行的3倍。總體來看，我國對數(shù)字金融助力普惠金融、促進(jìn)經(jīng)濟(jì)高質(zhì)量增長方面，寄予厚望。

但要促進(jìn)數(shù)字金融市場進(jìn)一步健康發(fā)展，就不能忽視金融基礎(chǔ)設(shè)施中的短板。近年來，數(shù)字金融市場發(fā)生的風(fēng)險事件，表明與大數(shù)據(jù)相關(guān)的金融基礎(chǔ)設(shè)施不足，是新金融業(yè)態(tài)存在新風(fēng)險隱患的主要原因之一。例如，我國個體對個體網(wǎng)絡(luò)借貸在過去的十多年經(jīng)歷了萌芽、繁榮、興盛和衰落的過程。仔細(xì)梳理這一過程可發(fā)現(xiàn)，雖然滿足個人旺盛的金融需求、幫助中小企業(yè)解決“貸款貴、貸款難”問題的初衷良好，但在我國數(shù)字金融基礎(chǔ)設(shè)施還比較落后，尤其是缺乏廣泛可靠的個人征信系統(tǒng)的情況下，構(gòu)架于其上的業(yè)務(wù)模式商業(yè)不可持續(xù)，而最終的失敗難以避免。

金融基礎(chǔ)設(shè)施中，與數(shù)據(jù)要素密切相關(guān)的是信息基礎(chǔ)設(shè)施（涉及信息記錄、數(shù)據(jù)分析和計(jì)算能力三方面）和監(jiān)管基礎(chǔ)設(shè)施中的數(shù)據(jù)隱私監(jiān)管。而與金融大數(shù)據(jù)治理相關(guān)的問題主要有四個：一是如何構(gòu)建金融大數(shù)據(jù)要素市場;二是如何做好數(shù)據(jù)隱私和信息安全管理;三是如何甄別和處置數(shù)據(jù)壟斷;四是如何做好模型算法等方面的管理。對于前三個問題，相關(guān)研究和討論已經(jīng)展開。政府和業(yè)界分別對打破數(shù)據(jù)壟斷也有探討，但是對數(shù)字金融市場中算法治理討論較少。

對模型算法討論的缺失，導(dǎo)致在數(shù)字金融發(fā)展過程中存在一些認(rèn)識上的誤區(qū)。例如，一些觀點(diǎn)認(rèn)為，采用金融大數(shù)據(jù)一定比采用傳統(tǒng)數(shù)據(jù)更好;基于金融大數(shù)據(jù)的分析更科學(xué)更公正;基于機(jī)器學(xué)習(xí)模型設(shè)計(jì)的產(chǎn)品因?yàn)闆]有人工干預(yù)因而比傳統(tǒng)決策體系更優(yōu)越;進(jìn)而將“零人工干預(yù)”作為業(yè)務(wù)的一個主要優(yōu)勢加以宣傳。但上述觀點(diǎn)是否成立，既取決于對大數(shù)據(jù)的作用是否有充分恰當(dāng)?shù)脑u估，也取決于對金融決策中人的作用的理解。由于目前機(jī)器學(xué)習(xí)算法重相關(guān)關(guān)系，而不重基于挖掘金融內(nèi)在發(fā)展規(guī)律的因果關(guān)系分析，決策中高估大數(shù)據(jù)分析的模型算法優(yōu)勢而忽略人的作用，就會帶來新的金融風(fēng)險隱患。

本文旨在從對模型算法治理的角度來討論數(shù)字金融發(fā)展中需要應(yīng)對的大數(shù)據(jù)治理挑戰(zhàn)。分析金融領(lǐng)域“大數(shù)據(jù)自大”的潛在危害，討論忽略大數(shù)據(jù)算法模型等數(shù)據(jù)治理可能產(chǎn)生偏誤的原因，并提出相關(guān)政策建議。

“大數(shù)據(jù)自大”的潛在危害

2014年大衛(wèi)·拉澤（David Lazer）等學(xué)者提出的“大數(shù)據(jù)自大”（Big Data Hubris），針對的是高估大數(shù)據(jù)分析的作用、但忽略其中潛在問題的現(xiàn)象。大衛(wèi)·拉澤等學(xué)者是在《科學(xué)》雜志發(fā)文討論谷歌公司流感趨勢預(yù)測出現(xiàn)重大偏差的原因時提出上述觀點(diǎn)。2008年11月，谷歌公司啟動了谷歌流感趨勢（Google Flu Trends，簡稱GFT）項(xiàng)目，目標(biāo)是預(yù)測美國疾控中心報(bào)告的流感發(fā)病率。2009年，GFT團(tuán)隊(duì)在《自然》發(fā)文稱，只須分析數(shù)十億搜索中45個與流感相關(guān)的關(guān)鍵詞，GFT就能比美國疾控中心提前兩周預(yù)報(bào)2007—2008季流感的發(fā)病率。但該研究發(fā)現(xiàn)，2009年GFT沒有能預(yù)測到非季節(jié)性流感A-H1N1;并且從2011年8月開始的108周里，GFT有100周高估了美國疾控中心報(bào)告的流感發(fā)病率，高估程度達(dá)1.5倍～2倍多。

他們認(rèn)為，這些估計(jì)偏差反映了“大數(shù)據(jù)自大”這樣一個理念，就是大科技企業(yè)擁有的“海量數(shù)據(jù)”就是“全量數(shù)據(jù)”，采用這樣的數(shù)據(jù)做分析比科學(xué)抽樣基礎(chǔ)上形成的傳統(tǒng)數(shù)據(jù)更優(yōu)越、更可靠、更讓我們接近客觀真理。但他們對GFT項(xiàng)目的評估表明，這樣的看法并不正確。

在數(shù)字金融領(lǐng)域，如果沒有恰當(dāng)?shù)哪Ｐ退惴ㄖ卫?，基于金融大?shù)據(jù)分析的產(chǎn)品和業(yè)務(wù)模式可能產(chǎn)生決策“知其然不知其所以然”、出現(xiàn)“算法歧視”等問題，甚至可能產(chǎn)生算法腐敗的問題。

忽略算法模型治理可能產(chǎn)生偏誤的原因

基于金融大數(shù)據(jù)的預(yù)測模型的具體執(zhí)行步驟可以被分為三個過程：學(xué)習(xí)過程、測試過程和應(yīng)用過程。以預(yù)測貸款人是否會逾期這一機(jī)器學(xué)習(xí)任務(wù)為例，首先需要獲得歷史的貸款數(shù)據(jù)，其中既要包括有逾期的人員也要包括沒有逾期的人員。然后將這一數(shù)據(jù)分為兩部分：訓(xùn)練集和測試集。第三步，用訓(xùn)練數(shù)據(jù)訓(xùn)練模型，得到相應(yīng)參數(shù);再用測試數(shù)據(jù)來檢驗(yàn)預(yù)測能力的高低，進(jìn)而調(diào)整參數(shù)得到最好的模型。最后，預(yù)測能力最強(qiáng)的模型會被用于實(shí)際場景中。

從上述步驟可知，實(shí)際應(yīng)用中基于金融大數(shù)據(jù)模型的優(yōu)勢需要滿足以下三個條件：第一，實(shí)際應(yīng)用數(shù)據(jù)和歷史數(shù)據(jù)沒有重大結(jié)構(gòu)變化;第二，訓(xùn)練數(shù)據(jù)有充分的代表性;第三，模型有可解釋性，并且應(yīng)用者能及時評估模型的適用性。如果這三個條件不能滿足，那么基于金融大數(shù)據(jù)的模型就可能帶來額外風(fēng)險。

歷史數(shù)據(jù)和未來數(shù)據(jù)不相似。金融大數(shù)據(jù)至少有兩個不同于傳統(tǒng)數(shù)據(jù)的特征：一是結(jié)構(gòu)變化更難檢驗(yàn)，二是金融大數(shù)據(jù)的生成機(jī)制更復(fù)雜多變。這就容易導(dǎo)致用于訓(xùn)練和測試的歷史數(shù)據(jù)和預(yù)測使用的未來數(shù)據(jù)不相似。

金融大數(shù)據(jù)存在不易檢驗(yàn)的結(jié)構(gòu)變化。由于我國數(shù)字經(jīng)濟(jì)和數(shù)字金融領(lǐng)域運(yùn)用大數(shù)據(jù)的時間還比較短，跨越較長經(jīng)濟(jì)周期、體量大、顆粒度細(xì)的大數(shù)據(jù)系統(tǒng)尚在建設(shè)中。而大數(shù)據(jù)分析所依據(jù)的機(jī)器學(xué)習(xí)或者深度學(xué)習(xí)模型，都假定了訓(xùn)練數(shù)據(jù)的生成機(jī)制和真實(shí)數(shù)據(jù)的生成機(jī)制是相似的，即不存在重大結(jié)構(gòu)性變化。和傳統(tǒng)數(shù)據(jù)不同的是，大數(shù)據(jù)難以在不同研究機(jī)構(gòu)之間分享、不少算法模型如同“黑匣子”，難以用經(jīng)典的檢驗(yàn)數(shù)據(jù)結(jié)構(gòu)變換的模型去識別數(shù)據(jù)是否產(chǎn)生了重大結(jié)構(gòu)變化。在這樣的情況下，當(dāng)經(jīng)濟(jì)和金融領(lǐng)域出現(xiàn)重大結(jié)構(gòu)性變化，但是算法依據(jù)的模型無法快速發(fā)現(xiàn)這種變化還繼續(xù)沿用過去運(yùn)行良好的模型，就會出現(xiàn)預(yù)測不準(zhǔn)的現(xiàn)象。

金融大數(shù)據(jù)的生成機(jī)制受生成平臺的運(yùn)營活動影響。和傳統(tǒng)數(shù)據(jù)的生成機(jī)制不同，大數(shù)據(jù)不再是由政府特定部門或者特定機(jī)構(gòu)主持收集，而是經(jīng)濟(jì)社會主體運(yùn)營中產(chǎn)生的副產(chǎn)品，因此大數(shù)據(jù)生成受平臺自身運(yùn)營狀況影響。例如，金融大數(shù)據(jù)分析中，不少模型加入個體的社交媒體信息作為風(fēng)控的額外維度，對這類數(shù)據(jù)的分析常常建立在一個假定之上，即社交媒體上用戶的多少、活躍度等，客觀反映了人們對社交媒體的使用狀況。但實(shí)際收集到的用戶數(shù)據(jù)是用戶自身因素和平臺運(yùn)營管理共同作用的結(jié)果。例如，最初某旅游信息平臺記錄保存客戶信息的動機(jī)僅僅是本公司發(fā)展業(yè)務(wù)需要，并沒有對客戶采取分層定價;但在精準(zhǔn)營銷下采用了“大數(shù)據(jù)殺熟”，提高了對優(yōu)質(zhì)客群的定價?？蛻粼诎l(fā)覺后選擇離開該平臺，導(dǎo)致客群整體質(zhì)量下降。當(dāng)該科技公司和金融機(jī)構(gòu)合作時，這一客群質(zhì)量的下降并非由于經(jīng)濟(jì)金融狀況惡化導(dǎo)致，而是由于合作公司自身的利益訴求帶來，如果不能識別這一變化原因，金融機(jī)構(gòu)會在相應(yīng)的借貸決定中產(chǎn)生偏差。

另一個影響金融大數(shù)據(jù)生成機(jī)制的是算法調(diào)整。例如，某支付平臺的主要目標(biāo)是幫助用戶實(shí)現(xiàn)方便快捷的支付。為了實(shí)現(xiàn)這一目標(biāo)，數(shù)據(jù)科學(xué)家與工程師不斷更新算法，讓用戶可以有越來越好的用戶體驗(yàn)。這一策略在商業(yè)上非常必要，但在數(shù)據(jù)生成機(jī)制方面卻導(dǎo)致不同時期的數(shù)據(jù)不可比。如果數(shù)據(jù)分析團(tuán)隊(duì)和算法演化團(tuán)隊(duì)沒有充分溝通，數(shù)據(jù)分析團(tuán)隊(duì)不知道算法調(diào)整對數(shù)據(jù)生成機(jī)制的影響，就會誤將數(shù)據(jù)變動解讀為市場真實(shí)變動而帶來誤判。

金融大數(shù)據(jù)的代表性需要驗(yàn)證。目前，金融科技公司和金融機(jī)構(gòu)之間的助貸和聯(lián)合貸款，在發(fā)揮金融科技公司的技術(shù)優(yōu)勢、金融機(jī)構(gòu)的資金優(yōu)勢，提高資金配置效率方面，發(fā)揮了重要作用。但不容忽視的是，金融科技公司和金融機(jī)構(gòu)都有其特定的客群，因此適用于某一平臺的客群分析或者某一地區(qū)適用于該地區(qū)金融科技公司和金融機(jī)構(gòu)的合作模式是否可以外推到其他地區(qū)，也就是金融大數(shù)據(jù)是否具有代表性的問題，都需要進(jìn)一步驗(yàn)證。這一問題的重要性可以用2020年人工智能領(lǐng)域熱議的事件來佐證。當(dāng)時使用者輸入奧巴馬低分辨率照片后，PULSE算法輸出了高分辨率白人圖片，而對這一偏差最主要的解釋，就是訓(xùn)練集中的照片大多數(shù)是白人照片。如果金融科技公司的特定客群數(shù)據(jù)和訓(xùn)練集中的白人圖片類似，而金融機(jī)構(gòu)的目標(biāo)客戶群和奧巴馬的圖片類似，那么就會出現(xiàn)代表性不足的問題。例如，新冠肺炎疫情暴發(fā)之初對餐飲行業(yè)影響較大，如果采用某餐飲行業(yè)平臺產(chǎn)生的大數(shù)據(jù)分析得到的小微企業(yè)沖擊嚴(yán)重程度，進(jìn)而指導(dǎo)全市其他行業(yè)小微企業(yè)的貸款發(fā)放，就可能高估不良率的發(fā)生。

不少金融大數(shù)據(jù)分析模型可解釋性低?；诮鹑诖髷?shù)據(jù)分析的模型在極大提高了運(yùn)算效率的同時也有代價，模型解釋性低就是一個主要問題。其中，常用的模型包括在邏輯斯蒂模型、決策樹模型（如隨機(jī)森林、梯度提升模型），支持向量機(jī)模型、卷積神經(jīng)網(wǎng)絡(luò)模型等。這些模型的共同特征是致力于尋找最優(yōu)的預(yù)測，因此探尋不同經(jīng)濟(jì)金融特征與預(yù)測目標(biāo)之間的因果關(guān)系，并不是機(jī)器學(xué)習(xí)模型分析的重點(diǎn)。這就產(chǎn)生了兩個不容忽視的問題：一是“知其然不知其所以然”，除了邏輯斯蒂模型對于數(shù)據(jù)生成機(jī)制作出較為清晰的假定、參數(shù)含義較為清晰之外，其余模型從輸入到輸出表現(xiàn)為“黑匣子”;二是忽略了模型結(jié)果實(shí)際存在的主觀性。

以金融機(jī)構(gòu)是否需要給個人發(fā)放貸款這一決策為例。以大數(shù)據(jù)中維度可能是成千上萬客戶數(shù)據(jù)作為輸入錄入模型后，模型最終會給出具有某些特征的人可以發(fā)放貸款，而另一些特征的人不應(yīng)發(fā)放的預(yù)測。在傳統(tǒng)金融模式下，貸款發(fā)放于貸款責(zé)任人之間有密切關(guān)系，這就要求信貸員對于自己發(fā)放貸款的理由有清晰的認(rèn)識。但基于機(jī)器學(xué)習(xí)的模型只給出了“發(fā)或者不發(fā)”的決策建議，并不會給出“為什么發(fā)或者不發(fā)”的原因，這就會讓“知道你的客戶”失去抓手。

另一個常見誤區(qū)是，既然貸款發(fā)放決策由機(jī)器學(xué)習(xí)模型決定，那么這一決策一定比人做更客觀。但由于較為復(fù)雜的機(jī)器學(xué)習(xí)模型需要由人事先設(shè)定參數(shù)，而模型越復(fù)雜需要設(shè)定的參數(shù)越多。例如，用一個卷積神經(jīng)網(wǎng)絡(luò)模型做有監(jiān)督的分類決策可能需要事先設(shè)定上百萬參數(shù)。參數(shù)過多的情況下，設(shè)定會存在較大主觀性，導(dǎo)致更為復(fù)雜機(jī)器學(xué)習(xí)模型的結(jié)果未必更好的現(xiàn)象。

在介紹自身大數(shù)據(jù)分析優(yōu)勢時，不少平臺強(qiáng)調(diào)“零人工干預(yù)”帶來的效率改進(jìn)。上述分析表明，在數(shù)據(jù)體量大不容易識別結(jié)構(gòu)性變遷、數(shù)據(jù)代表性不清晰、數(shù)據(jù)生成機(jī)制變化有經(jīng)濟(jì)金融之外的因素、模型可解釋性低的情況下，應(yīng)當(dāng)慎言“零人工干預(yù)”。這是因?yàn)?，在金融大?shù)據(jù)分析還存在上述諸多挑戰(zhàn)的情況下，如果大量貸款決策都是“零人工干預(yù)”，也就是將決策責(zé)任從人轉(zhuǎn)移到機(jī)器，那么當(dāng)模型預(yù)測能力下降時，就難以分別產(chǎn)生的原因究竟是數(shù)據(jù)問題、是算法問題、是外部環(huán)境問題，還是內(nèi)部治理問題，出現(xiàn)既不了解自己的客戶、又不了解自己的現(xiàn)象。這樣的數(shù)據(jù)治理架構(gòu)的金融安全隱患顯然不容小覷。

加強(qiáng)金融大數(shù)據(jù)治理的建議

提高大數(shù)據(jù)使用的透明度，加強(qiáng)對大數(shù)據(jù)質(zhì)量的評估。由于大數(shù)據(jù)體量大、分析難度高等問題，不僅大數(shù)據(jù)的收集過程可能是“黑箱”，大數(shù)據(jù)分析也可能存在過程不透明的現(xiàn)象。例如在GFT案例中，研究人員指出，谷歌公司從未明確用于搜索的45個關(guān)鍵詞是哪些;雖然谷歌工程師在2013年調(diào)整了數(shù)據(jù)算法，但是谷歌并沒有公開相應(yīng)數(shù)據(jù)，也沒有解釋這類數(shù)據(jù)是如何搜集的。與透明度相關(guān)的是，大數(shù)據(jù)分析結(jié)果的可復(fù)制性問題。由于谷歌以外的研究人員難以獲得GFT使用的數(shù)據(jù)，因此就難以復(fù)制、評估采用該數(shù)據(jù)分析結(jié)果的可靠性。這種數(shù)據(jù)生成和分析的“黑箱”特征，容易成為企業(yè)或者機(jī)構(gòu)操縱數(shù)據(jù)生成過程和研究報(bào)告結(jié)果的溫床。通過推動金融大數(shù)據(jù)分析的透明化，建立其健康的數(shù)據(jù)分析文化，是夯實(shí)金融信息基礎(chǔ)設(shè)施的重要步驟。

在保護(hù)隱私和數(shù)據(jù)安全的基礎(chǔ)上，通過加大傳統(tǒng)數(shù)據(jù)和大數(shù)據(jù)的開放共享力度來解決單個企業(yè)數(shù)據(jù)顆粒度較高但代表性不足的“信息孤島”問題。在具體執(zhí)行上，可以按照數(shù)據(jù)的所有權(quán)屬性差異分層施策。對作為公共產(chǎn)品的數(shù)據(jù)，政府部門需要在不涉密的情況下，盡可能向社會和公眾開放政府?dāng)?shù)據(jù)。對大數(shù)據(jù)征信產(chǎn)品這類準(zhǔn)公共產(chǎn)品，可采用俱樂部付費(fèi)式的產(chǎn)品模式，并推動政府推動設(shè)立的公司和相關(guān)金融科技公司合作聯(lián)合開發(fā)相關(guān)征信數(shù)據(jù)。對基于大量個人數(shù)據(jù)、數(shù)據(jù)所有權(quán)界定困難的大數(shù)據(jù)，可以通過安全多方計(jì)算、同態(tài)加密、聯(lián)邦學(xué)習(xí)等技術(shù)研發(fā)，允許擁有數(shù)據(jù)的各方在不像其他機(jī)構(gòu)公開數(shù)據(jù)敏感信息的情況下，實(shí)現(xiàn)數(shù)據(jù)共享與利用。最后，可進(jìn)一步探索開放銀行模式和數(shù)據(jù)信托模式等在不同場景中的適用性。

推動數(shù)據(jù)和模型算法審計(jì)工作。要求企業(yè)發(fā)布經(jīng)審計(jì)的財(cái)務(wù)報(bào)表是國內(nèi)外為保障金融市場健康運(yùn)轉(zhuǎn)、保護(hù)相關(guān)方利益的通行做法。這一做法的邏輯是，由于公司內(nèi)部運(yùn)作狀況對外部投資者來說也像“黑匣子”，經(jīng)理人就可能會濫用對投資者的這一信息優(yōu)勢;通過要求企業(yè)提供經(jīng)過第三方獨(dú)立審計(jì)過的運(yùn)營情況報(bào)告就可以在一定程度上遏制這一問題。由于大數(shù)據(jù)分析的算法模型等也有類似的“黑匣子”特征，歐美等發(fā)達(dá)國家和地區(qū)的監(jiān)管機(jī)構(gòu)已經(jīng)開始探索數(shù)據(jù)和模型算法審計(jì)相關(guān)工作。例如，歐盟的通用數(shù)據(jù)保護(hù)條例就要求，企業(yè)能夠解釋他們的算法決策過程。要應(yīng)對數(shù)字金融治理問題帶來的相應(yīng)金融風(fēng)險，我國應(yīng)提早布局，探索金融大數(shù)據(jù)相關(guān)的算法審計(jì)的可行性、推進(jìn)對算法模型審計(jì)人員的培養(yǎng)。

加強(qiáng)算法模型治理，是夯實(shí)數(shù)字金融基礎(chǔ)設(shè)施中的重要一環(huán)。由于金融大數(shù)據(jù)的算法和模型不僅涉及計(jì)算機(jī)科學(xué)、機(jī)器學(xué)習(xí)方法，在使用相應(yīng)模型時，不應(yīng)高估“零人工干預(yù)”的重要性。事實(shí)上，良好的算法和模型治理機(jī)制需要將人的創(chuàng)造性、主觀能動性和機(jī)器與大數(shù)據(jù)的優(yōu)勢相結(jié)合。通過推動精通計(jì)算機(jī)科學(xué)、機(jī)器學(xué)習(xí)方法、金融專業(yè)，乃至心理學(xué)、行為經(jīng)濟(jì)學(xué)、倫理學(xué)等多個領(lǐng)域?qū)I(yè)人士的共同努力，實(shí)現(xiàn)及時識別與解決算法模型相關(guān)問題的目標(biāo)，促進(jìn)數(shù)字金融市場的穩(wěn)健發(fā)展。

（沈艷為北京大學(xué)國家發(fā)展研究院教授、北京大學(xué)數(shù)字金融研究中心副主任。本文編輯/王曄君）