京公网安备 11010802034615号
经营许可证编号:京B2-20210330
以大数据助力供给侧结构性改革
“当今世界,科技进步日新月异,互联网、云计算、大数据等现代信息技术深刻改变着人类的思维、生产、生活、学习方式”,“大数据是工业社会的‘自由’资源,谁掌握了数据,谁就掌握了主动权”。推进供给侧结构性改革,是“十三五”时期我国经济工作的主线。新形势下要把发展大数据作为重要抓手,充分挖掘和利用海量数据资源中蕴含的巨大价值,加快大数据成果转化和应用,以大数据等现代信息技术的发展,改善供给结构、提升供给质量。
巨大价值:
驱动发展、耦合供需
综观新一轮科技革命浪潮,大数据的重要性越发凸显,不论是人工智能、无人控制技术,还是量子信息技术、虚拟现实等,这些不断涌现出来的全新技术力量,都以大数据作为主要特征和战略资源。可以说,大数据正是新一轮科技革命的核心动能,正是DT(数据处理技术)时代的“钻石宝库”,正成为推动发展新的驱动力。也正因为此,当今世界各主要国家都非常重视大数据的发展,如美国于2012年启动了“大数据研究与发展计划”,英国于2013年推出了“数据能力发展战略规划”,日本于2014年发布了“智能日本ICT战略”,等等。大数据已成为大国博弈中一个新的战略阵地。
对于供给侧结构性改革而言,大数据的重要性还在于其能够集中反映市场需求变化,打通供需之间的内部联系,总结规律、预测趋势、辅助决策,为改革提供精细化服务。推动供给侧结构性改革,落实“三去一降一补”,并不是忽略需求的作用,而是要坚持以市场需求为导向,增强供给结构对需求变化的适应性和灵活性。大数据具有海量、多样、快速、真实等典型特征,利用大数据进行分析,企业能够找准市场需求、明确发展定位,进而创新产品、优化流程、降低成本、提升效益;政府也能够及时追踪企业乃至整个行业的发展动态,精准助力改革。
广泛应用:
助力转型、优化治理
数据是资源,应用是核心。要积极顺应大数据融合发展的趋势,正确把握其与供给侧结构性改革的关系,以大数据的广泛应用,助力产业转型升级,优化政府治理,增强供给体系的质量和效益。
供给侧结构性改革的重点,是减少无效和低端供给,扩大有效和中高端供给,这必定会加快发展的“动力切换”,推动经济的“升级换挡”。大数据本身即是新动能、新增长点,拥有广阔的市场空间;而且随着其向经济各领域的渗透应用,还将对传统产业产生重大冲击,加快产业之间及产业链之间的垂直整合速度,掀起企业内部的组织架构、管理模式等变革。应发挥大数据的牵引作用,深入实施科技创新战略,推动其与实体经济深度融合,促进产业结构向中高端迈进,塑造更多依靠创新驱动、更多发挥先发优势的引领型发展。要运用大数据加快发展新经济,通过“大数据+智能终端”“大数据+智能制造”“大数据+现代物流”等方式,培育壮大更多新产业新业态新模式。要运用大数据改造提升传统产业,加快技术改造、流程再造、信息化建设等进程,着力提升竞争能力和综合效益。
推进供给侧结构性改革,离不开政府这只“有形之手”。要积极借助大数据技术,正确认识和把握市场规律,着力提升政府决策科学化、管理精准化、服务便利化水平。尤其在当前经济发展步入新常态、经济增长呈现“L型”走势的情况下,政府应切实增强对投资、工业、服务业、财政、金融等领域数据资源的获取和利用能力,更多地采集客观数据和运用大数据分析方法,实现对经济运行更为准确、更为高效的监测预警和研判预测,在此基础上完善政策、精准施策。同时,要大力推行“互联网+政务服务”,围绕“数据多跑路、百姓少跑腿”目标,努力打造全覆盖、全联通、全方位、全天候、全过程的服务模式,提升政府服务效率。
突围路径:
问题导向、聚焦发力
近年来,我国大数据呈现出蓬勃发展的态势。在中央层面,国务院于2015年8月底出台了《促进大数据发展行动纲要》,这意味着发展大数据已经上升为国家战略。在地方层面,各地招数频出,在管理机构、系统平台、创新载体、数据交易等方面均有一定的发展。
但从全球角度看,我国大数据仍处于起步阶段。随着近年来大数据及其相关产业的加速发展,各种风险和挑战也日益显现。特别是由于大数据具有极强的技术和信息依赖性,信息资源共享难、核心关键技术缺失、数据安全风险高、产业体系不健全等问题,已成为制约大数据发展的瓶颈。要坚持问题导向,聚焦发力推进大数据战略行动,促进大数据健康发展,更好助力供给侧结构性改革。
信息资源共享是大数据发展的基础。要加快完善宏观制度规定,在已出台的《政务信息资源共享管理暂行办法》基础上,进一步细化、明确公共信息资源开放共享的内容、程序、标准等;要加强大数据共享平台建设,深入实施数据中心大整合工程,积极构建大数据信息共享服务体系。
核心关键技术是大数据发展的支撑。我国大数据建设长期依赖国际通行技术,自主研发实力较弱,特别是芯片和操作系统的自主创新能力不足。要加快核心关键技术的研发布局,强化海量数据存储、数据清理、数据计算、数据分析、数据可视化等领域关键技术攻关,推动制定相关标准和指南,抢占国际竞争的战略“高地”。
数据安全风险防控是大数据发展的生命线。要加快构建大数据安全保障体系,加强重要系统平台及关键信息基础设施安全维护,建立统一高效的数据安全检测和预警通报机制,切实维护涉及国家利益、公共安全等重点领域的信息安全,依法依规打击信息滥用、侵犯隐私、网络诈骗、盗取商业秘密等行为。
立体产业体系是大数据发展的必然趋势。要加强宏观政策引导,积极构建良好的创业创新环境,搭建大数据产业与其他产业联动发展机制,组建全国性、区域性的大数据产业联盟,推动大数据产业链各个环节企业无缝对接、深度合作,共享大数据发展红利。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据统计分析、数据清洗、异常值识别与数据分布研究中,箱型图是最直观、高效、专业的可视化分析工具。相较于柱状图、折线图仅 ...
2026-05-29Tkinter是Python内置的标准GUI图形界面库,具备无需额外安装、调用简单、兼容性强、轻量化高效等优势,是Python快速开发桌面小程 ...
2026-05-29 很多分析师在设计标签时思路清晰,但真到落地环节却面临“数据在手,不知如何转化为可用标签”的困境:或因加工方式选择不当 ...
2026-05-29【核心关键词】大数据、经理、专业、金融、客户、传统、建模、数据产品、互联网金融、产品经理、数据分析、金融行业、数据模型 ...
2026-05-28 很多分析师每天和数据打交道,但当被问到“标签是什么”“标签和指标有什么区别”“标签体系如何设计”时,却常常答不上来。 ...
2026-05-28随着大数据技术的快速普及,各行各业积累了海量的用户数据、交易数据、生产数据与行为数据。单纯的数据统计与报表分析只能呈现表 ...
2026-05-28在Python网络请求、接口测试、数据爬取、业务对接开发中,Requests库是最简洁、最高效的HTTP请求工具,凭借简洁的语法、完善的适 ...
2026-05-272025 年,零售与服务行业的竞争已从 “经验驱动” 全面转向 “数据驱动”。中小企业门店普遍面临数据零散、分析浅层、决策凭感觉 ...
2026-05-27 很多数据分析师每天都在写SQL,但当被问到“数据查询语言(DQL)的本质是什么”“SELECT语句中各子句的书写顺序与实际执行顺 ...
2026-05-27在统计学分析、实验研究、业务数据复盘过程中,单因素方差分析是检验自变量对因变量是否存在显著影响的核心方法。其中,两个水平 ...
2026-05-26【核心关键词】算法、客户、大数据、互联网、调优、建模、模型优化、机器学习、评分卡模型、模型开发、智能风控、业务场景、数 ...
2026-05-26 很多数据分析师写过无数个 SELECT,但当被问到“新建一张表,该如何定义字段类型来保证数据质量”“创建视图和存储物理表有 ...
2026-05-26在数据清洗、统计分析与数据质量检测工作中,箱型图(又称箱线图、Box Plot)是最直观、最高效的可视化分析工具之一。相较于柱状 ...
2026-05-25在大数据分析、数据清洗、质量管控、风险监测等领域,异常数据识别是保障数据质量、确保分析结论精准、规避业务决策失误的核心基 ...
2026-05-25 很多数据分析师精通Excel函数和透视表,但当被问到“数据从哪里来”“表和视图有什么区别”“数据库管理系统和SQL是什么关系 ...
2026-05-25数字化经营时代,企业的市场竞争早已从经验决策转向数据决策。门店营收、用户转化、产品销量、成本损耗、存量资产等所有经营行为 ...
2026-05-22在MySQL数据库日常运维、业务数据校验、数据迁移与数据清洗场景中,自增主键ID的连续性校验是一项基础且关键的工作。MySQL的Auto ...
2026-05-22 很多企业团队并非缺乏指标,而是陷入“指标失控”:仪表盘上堆满实时跳动的数据,却无法回答“当前瓶颈在哪、下一步该做什么 ...
2026-05-22【核心关键词】大数据、可视化、存储、架构、客户、离线、产品、同步、实时、数据仓库、数据分析、数据可视化、存储数据、离线 ...
2026-05-21在电商流量红利消退、公域获客成本持续走高的当下,存量用户深度挖掘已成为店铺增收增效的核心抓手。相较于付费投放获取的陌生新 ...
2026-05-21