
大数据如何帮助政府实现“精准治理”
大数据缘何受到如此重视?业内专家曾以“大、智、移、云”形容当前国内快速进入的技术变革期。大数据、智能化、移动互联、云计算成为驱动中国经济社会转型进步的重要力量。而大数据这一几乎横跨所有社会经济领域的技术变革,无疑会给中国带来更多的改变。
大数据如何支撑政府服务能力提升?走在互联网技术创新前沿的BAT(百度、阿里巴巴、腾讯)等大型互联网企业正立足既有资源再创新,推动政务服务便利化。如腾讯与广东省政府达成基于大数据的政务服务体系建设目标。腾讯支持广东省网上办事大厅和政务云平台建设,在广东各地市全面部署微信“城市服务”网络,为交通、公安、民政、住房城乡建设等政府部门提供业务整合、在线办理云平台、大数据支撑等服务。
这仅仅是大数据支撑政府治理能力提升的第一步,更多的对政策走向、决策支撑、精准治理和多方协作的大数据创新仍需持续发力。
大数据撬动社会治理、市场监管创新
“当数据的价值被发现之后,可以提升国家和政府治理能力现代化,深刻影响每个人的生活形态。”龙信数据(北京)有限公司董事长李钰说。
商事制度改革正在为经济社会带来活力。然而,政府管理需要关注的不仅是注册企业数量的增长,民营企业生存状态、活跃度、就业拉动、税收贡献度等情况也应受到关注。
为此,龙信数据与相关部门联合,将企业注册等关键数据分析处理。相关方与龙信组成“企业发展与宏观经济发展关系分析”课题组,汇总政府数据,加之数据挖掘、电话抽样、焦点组访谈等多种方法结合,取得一般量化统计难以完成的数据结论——国内商事制度改革不仅让市场主体数量增加,更让产业结构持续优化,企业社会总成本持续下降等等,其中仅人员成本就下降近40%。
“大数据应用也将社会治理、市场监管转变为实时监测。”李钰举例,工商部门治理“非法集资”一直是高成本任务。一方面,违法企业以各种名目遮掩违法行为;另一方面,注册企业数目快速攀升,数量巨大。大数据破解了这一难题。
“我们汇总分析大量数据,通过指标计算比对、模型筛选,可以在数以百万的企业中让‘高度疑似’的企业呈现。我们最后筛选出1000多户企业,供政府部门进一步检查。”李钰说,这个复杂过程在以往难以想象。
大数据不仅为政府部门的治理节约时间、人力成本,也更新了治理思路和模式。“以前很多违法行为的治理可以说是事后去追究,现在一些监测治理可以让很多行为提前发现、及早治理。”李钰说。
开放、标准、产业、安全:大数据发展关键词
目前,推动政府运用大数据创新支撑治理能力提升,包括数据资源开放、人才培养、数据立法、接口标准、安全机制等问题仍然有待突破。
实际上,《纲要》已明确提出弥补这些“短板”,即“三项主要任务”:首先要加快政府数据开放共享,推动资源整合,提升治理能力;同时要推动产业创新发展,培育新兴业态,助力经济转型;还要强化安全保障,提高管理水平,促进健康发展。开放、标准、产业、安全成为关键词。
多位业内人士接受采访时表示,当前首要工作是推动政府部门数据加速开放共享。
事实上,此前包括北京等地的政府部门数据陆续开放共享,为数据创新迎来利好。北京市科学技术委员会牵头打造“首都科技大数据平台”,整合长期分散于各个政府部门、科研院所、行业部门的科技数据资源,并逐步向社会数据需求方开放,提升科技资源的公共服务能力。
“北京每年有大量的医疗科研、临床数据、交通运转数据、金融行业数据产生,科研院所也有不少技术成果、技术交易数据、新技术新产品等数据。”北京市科学技术委员会主任闫傲霜说,然而,这些政府科技数据资源大多存于不同平台,分割严重,大多处于沉睡状态,缺乏整合开发。
“有些政府部门把数据资源守得紧紧的,舍不得共享。共享机制不顺畅将制约产业发展、数据应用、服务国家战略等。”李钰说,国家需要进一步让政府部门数据开放,让产业与政府数据充分融合。
产业离不了人才,人才是大数据发展的重要支撑。北京大学校长林建华表示,数据科学人才培养成为亟须加强的方面。“大数据能否做成,关键在能不能聚焦人才培养。”
然而,高校和产业界人士普遍认为,当前大数据人才的培养相对滞后。北京航空航天大学软件学院院长孙伟认为,传统IT教育很难将前沿技术和课堂传授知识结合起来,培养出的人才难以与产业接轨。人才培养应更加面向市场需求、技术前沿。
与此同时,大数据产业发展的理念、标准、安全等也应当得到重视。李钰等产业界人士说,当前国内要实现“数数相连”,相关部门仍需要推动标准制定,将数据产业与数据资源有效打通。
法制的跟进也需要得到重视。当前,国内关于政府信息数据的加工、应用、推广等仍处于相对松散、自发状态。业内人士建议,国家需要有明确的法律条文规范大数据的发展,特别需要以法律法规划定大数据开发利用的边界。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
用 SQL 验证业务逻辑:从规则拆解到数据把关的实战指南 在业务系统落地过程中,“业务逻辑” 是连接 “需求设计” 与 “用户体验 ...
2025-09-11塔吉特百货孕妇营销案例:数据驱动下的精准零售革命与启示 在零售行业 “流量红利见顶” 的当下,精准营销成为企业突围的核心方 ...
2025-09-11CDA 数据分析师与战略 / 业务数据分析:概念辨析与协同价值 在数据驱动决策的体系中,“战略数据分析”“业务数据分析” 是企业 ...
2025-09-11Excel 数据聚类分析:从操作实践到业务价值挖掘 在数据分析场景中,聚类分析作为 “无监督分组” 的核心工具,能从杂乱数据中挖 ...
2025-09-10统计模型的核心目的:从数据解读到决策支撑的价值导向 统计模型作为数据分析的核心工具,并非简单的 “公式堆砌”,而是围绕特定 ...
2025-09-10CDA 数据分析师:商业数据分析实践的落地者与价值创造者 商业数据分析的价值,最终要在 “实践” 中体现 —— 脱离业务场景的分 ...
2025-09-10机器学习解决实际问题的核心关键:从业务到落地的全流程解析 在人工智能技术落地的浪潮中,机器学习作为核心工具,已广泛应用于 ...
2025-09-09SPSS 编码状态区域中 Unicode 的功能与价值解析 在 SPSS(Statistical Product and Service Solutions,统计产品与服务解决方案 ...
2025-09-09CDA 数据分析师:驾驭商业数据分析流程的核心力量 在商业决策从 “经验驱动” 向 “数据驱动” 转型的过程中,商业数据分析总体 ...
2025-09-09R 语言:数据科学与科研领域的核心工具及优势解析 一、引言 在数据驱动决策的时代,无论是科研人员验证实验假设(如前文中的 T ...
2025-09-08T 检验在假设检验中的应用与实践 一、引言 在科研数据分析、医学实验验证、经济指标对比等领域,常常需要判断 “样本间的差异是 ...
2025-09-08在商业竞争日益激烈的当下,“用数据说话” 已从企业的 “加分项” 变为 “生存必需”。然而,零散的数据分析无法持续为业务赋能 ...
2025-09-08随机森林算法的核心特点:原理、优势与应用解析 在机器学习领域,随机森林(Random Forest)作为集成学习(Ensemble Learning) ...
2025-09-05Excel 区域名定义:从基础到进阶的高效应用指南 在 Excel 数据处理中,频繁引用单元格区域(如A2:A100、B3:D20)不仅容易出错, ...
2025-09-05CDA 数据分析师:以六大分析方法构建数据驱动业务的核心能力 在数据驱动决策成为企业共识的当下,CDA(Certified Data Analyst) ...
2025-09-05SQL 日期截取:从基础方法到业务实战的全维度解析 在数据处理与业务分析中,日期数据是连接 “业务行为” 与 “时间维度” 的核 ...
2025-09-04在卷积神经网络(CNN)的发展历程中,解决 “梯度消失”“特征复用不足”“模型参数冗余” 一直是核心命题。2017 年提出的密集连 ...
2025-09-04CDA 数据分析师:驾驭数据范式,释放数据价值 在数字化转型浪潮席卷全球的当下,数据已成为企业核心生产要素。而 CDA(Certified ...
2025-09-04K-Means 聚类:无监督学习中数据分群的核心算法 在数据分析领域,当我们面对海量无标签数据(如用户行为记录、商品属性数据、图 ...
2025-09-03特征值、特征向量与主成分:数据降维背后的线性代数逻辑 在机器学习、数据分析与信号处理领域,“降维” 是破解高维数据复杂性的 ...
2025-09-03