京公网安备 11010802034615号
经营许可证编号:京B2-20210330
当前,整个社会正迎来大数据时代。围绕数据的收集、存储、交易、开发等,相继诞生了一系列相关产业,逐渐展现出巨大经济潜力。甚至有一种观点认为,大数据是新时代的“黄金与石油”,是新的重要经济增长点。无疑,新事物的发展会带来机遇,但同时也会带来风险。当大数据呈现出美好的前景、巨大的经济价值以及便捷的个性需求时,它有可能带来的负面风险就尤其值得重视和防范。
首先,对大数据的收集、开发、交易、利用有可能侵害个体安全与人的价值、尊严。所谓大数据,其源头来自于社会个体在经济、社会、政治、个人生活轨迹中所产生的相关信息。通过大数据,可以勾勒和描述具体公民的所有个体与行为特征。在这种情况下,作为独立完整的个体被重新界定为一序列数据集合,并在个体未知的情况下被收集、观察、研究、开发、交易、利用。这就有可能直接损害了个体自身的基本自由与安全,乃至个体尊严。
其次,对大数据的收集、开发、交易、利用有可能损害国家利益与安全。针对大数据对个体可能带来的风险,有种观点认为,对这些数据进行所谓的“脱敏”处理,如隐去个体信息,就可以做到对个体的保护。然而,这种观点忽略了大数据的本质,即大数据的价值不仅在于针对个体的特质与行为描述,而且通过对海量个体信息的综合分析,构建出整个社会行为的全貌。在这个层面上,某一条信息具体来自哪个个体并不重要,重要的是,当对海量信息进行整体分析时,这个国家的经济、社会、政治行为,如商品交易、金融存量、社会偏好、政治倾向,乃至整个民族的特质,包括健康程度、生理特征(如掌握大量就医信息从宏观表征得出)等全貌就会通过大数据的聚合分析而再现。这就不仅侵害了个体自由与安全,而且把整个国家的自由与安全都暴露在数据拥有方手里。
此外,大数据资源具有潜在风险。对大数据开发利用的最大风险来自于大数据信息所具有的不确定性。不但数据的生产者不能确定其价值与危害(如某一个体认为自己的信息即便被收集了也没有关系),数据的收集者、交易者、购买者乃至监管方都难以在短时间内明确其价值与危害。由于大数据总体上是离散的海量数据的组合,通过不同模型与组合方式,就能够获得不同的价值与信息。很多看似完全无关、没有危害的信息,通过有效的组合就能够形成重要的、有价值的信息情报。从某种意义上说,只要掌握足够多的无关信息,就有可能得到想要的一切有价值信息。因此,大数据资源的流出,有可能使得任何一方,乃至监管方都无从评估与预料其产生的潜在危害。一个工业时代的例子就是,传统落后工业产生的矿渣由于无法有效利用被视为废物,而发达国家则通过大量进口废渣二次开发而提炼出具有战略价值的矿业物资。
由此可见,当人们为大数据时代的到来而欢呼时,当社会忙于开发具有巨大潜力的大数据矿藏时,就更加需要高度警惕大数据时代有可能带来的对个体与国家安全的危害和风险。这就提出了一系列围绕大数据的监管问题。
谁有权收集大数据?大数据的产生包括两个渠道,一是法律授权收集而来的,如国家机关从保障公共利益的角度出发收集公民信息;二是公民使用网络设备而自动形成的信息记录,如参与网络社区、网络购物、网络金融等,就会自动生成大量活动信息,从而被提供服务的企业所掌握和收集。这里产生的问题在于,到底谁有权收集公民信息。这个问题非常复杂,在现实中也存在很多情境,然而有一些基本原则需要遵守,首先是利益原则,即只有代表公共利益与更好满足个体利益的情况下,才有权收集公民数据信息;其次是知情与许可原则,也就是说除法律规定强制收集公民信息外,企业收集信息必须经公民知情和同意。
谁有权交易大数据?我们在对大数据进行开发利用时,对数据的需求和交易也逐渐展开。不容否认,企业拥有的大数据资源通过交易,有时可以更好发挥价值,服务公众利益要求,展现出巨大的潜力和经济效益。然而,问题也随即产生,那些一般认为没有价值的信息,经过大数据的系统分析后,可能变成极为有价值的信息,甚至脱敏后的个体信息经过系统分析,依然可能得到事关国家和社会安全的有效信息。如果任何组织都能够通过交易获取所需信息,并进行后期加工,那么这种信息扩散的危害将是不可想象的。所以,必须对参与大数据交易的主体以及其掌握的信息进行严格审查与审批。
如何监管大数据的产生与交易?毋庸置疑,对大数据产业发展的监管主体应是政府。也就是说,政府必须要代表公共利益,严格审查企业进行个体信息收集、储存、开发、利用、交易的全过程;要对企业的数据搜集、开发、交易行为进行评估和安全审查,从而最大程度避免涉及公民安全与国家安全信息的扩散与泄露。
对大数据产业发展有可能带来的风险,美国和欧盟也十分重视,他们的教训和经验值得我们注意。不久前,美国《爱国者法》在执行14年后,未获继续通过,从而收回了对公民信息监控的权限,而欧盟则进一步通过立法强化公民的信息删除权,欧盟法院在2014年底裁定谷歌等商业公司必须在收集公民信息6个月内完全删除。这些都是出于对公民个体乃至国家整体安全的保护。因此,中国在迎来大数据时代的同时,也必须高度重视信息保护,在享受开发大数据时代带来便利的同时,高度警惕和防范所产生的相关风险。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据分析、市场研究、用户画像构建、学术研究等场景中,我们常常会遇到多维度、多指标的数据难题:比如调研用户消费行为时,收 ...
2026-03-25在流量红利见顶、获客成本持续攀升的当下,营销正从“广撒网”的经验主义,转向“精耕细作”的数据驱动主义。数据不再是营销的辅 ...
2026-03-25在CDA(Certified Data Analyst)数据分析师的全流程工作中,无论是前期的数据探索、影响因素排查,还是中期的特征筛选、模型搭 ...
2026-03-25在当下数据驱动决策的职场环境中,A/B测试早已成为互联网产品、运营、营销乃至产品迭代优化的核心手段,小到一个按钮的颜色、文 ...
2026-03-24在统计学数据分析中,尤其是分类数据的分析场景里,卡方检验和显著性检验是两个高频出现的概念,很多初学者甚至有一定统计基础的 ...
2026-03-24在CDA(Certified Data Analyst)数据分析师的日常业务分析与统计建模工作中,多组数据差异对比是高频且核心的分析场景。比如验 ...
2026-03-24日常用Excel做数据管理、台账维护、报表整理时,添加备注列是高频操作——用来标注异常、说明业务背景、记录处理进度、补充关键 ...
2026-03-23作为业内主流的自助式数据可视化工具,Tableau凭借拖拽式操作、强大的数据联动能力、灵活的仪表板搭建,成为数据分析师、业务人 ...
2026-03-23在CDA(Certified Data Analyst)数据分析师的日常工作与认证考核中,分类变量的关联分析是高频核心场景。用户性别是否影响商品 ...
2026-03-23在数据工作的全流程中,数据清洗是最基础、最耗时,同时也是最关键的核心环节,无论后续是做常规数据分析、可视化报表,还是开展 ...
2026-03-20在大数据与数据驱动决策的当下,“数据分析”与“数据挖掘”是高频出现的两个核心概念,也是很多职场人、入门学习者容易混淆的术 ...
2026-03-20在CDA(Certified Data Analyst)数据分析师的全流程工作闭环中,统计制图是连接严谨统计分析与高效业务沟通的关键纽带,更是CDA ...
2026-03-20在MySQL数据库优化中,分区表是处理海量数据的核心手段——通过将大表按分区键(如时间、地域、ID范围)分割为多个独立的小分区 ...
2026-03-19在商业智能与数据可视化领域,同比、环比增长率是分析数据变化趋势的核心指标——同比(YoY)聚焦“长期趋势”,通过当前周期与 ...
2026-03-19在数据分析与建模领域,流传着一句行业共识:“数据决定上限,特征决定下限”。对CDA(Certified Data Analyst)数据分析师而言 ...
2026-03-19机器学习算法工程的核心价值,在于将理论算法转化为可落地、可复用、高可靠的工程化解决方案,解决实际业务中的痛点问题。不同于 ...
2026-03-18在动态系统状态估计与目标跟踪领域,高精度、高鲁棒性的状态感知是机器人导航、自动驾驶、工业控制、目标检测等场景的核心需求。 ...
2026-03-18“垃圾数据进,垃圾结果出”,这是数据分析领域的黄金法则,更是CDA(Certified Data Analyst)数据分析师日常工作中时刻恪守的 ...
2026-03-18在机器学习建模中,决策树模型因其结构直观、易于理解、无需复杂数据预处理等优势,成为分类与回归任务的首选工具之一。而变量重 ...
2026-03-17在数据分析中,卡方检验是一类基于卡方分布的假设检验方法,核心用于分析分类变量之间的关联关系或实际观测分布与理论期望分布的 ...
2026-03-17