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
在大数据时代背景下,海量行业数据亟需通过专业化工具挖掘潜在价值,辅助企业业务决策、优化运营模式、规避经营风险。Python凭借 ...
2026-08-28SQL是数据分析领域最基础、最核心的工具,承担着取数、清洗、统计、分层、归因的全流程工作。不同于单纯的语法练习,实战化SQL数 ...
2026-08-28 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 ...
2026-08-28随着新零售模式的快速普及,零售行业从传统的“货品驱动”全面转向“用户驱动”。门店交易数据、线上消费记录、浏览轨迹、复购频 ...
2026-08-27在数据分析、爬虫采集、接口开发、数据归档等场景中,JSON与CSV是两种使用率最高的数据存储格式。JSON为键值对结构化格式,适配 ...
2026-08-27 很多数据分析师每天都在计算指标、制作报表,但当被问到“什么叫指标数据元”“指标数据标准包含哪些核心维度”“指标数据质 ...
2026-08-27在数据分析工作中,时间序列是最常见的数据类型之一,订单时间、日志时间、交易时段、统计周期等数据均离不开时间处理。原始数据 ...
2026-08-26在数据分析与数据预处理工作中,原始数据普遍存在录入错误、系统故障、偶然极值等问题,极易产生异常数据。异常数据会严重干扰数 ...
2026-08-26 很多数据分析师能熟练写SQL、做透视表,但当被问到“数据是从哪里来的?经过哪些加工才进入数据仓库?ETL具体做了什么?”时 ...
2026-08-26在数理统计与数据分析领域,多因素方差分析与线性回归模型是研究变量关系、因素影响、数据差异规律的两大核心工具。二者均属于经 ...
2026-08-25数据分析的核心价值不在于数据计算与图表制作,而在于清晰、精准、有逻辑地输出结论、支撑业务决策。日常数据分析报告普遍存在结 ...
2026-08-25 很多数据分析师能熟练地写SQL、做透视表、算描述性统计,但当被问到“如何预测用户流失概率”“如何归因销量下滑的关键因素 ...
2026-08-25平均数是数据分析、数理统计与日常运算中最基础、最常用的统计量,核心作用是浓缩一组数据的整体水平、刻画数据集中趋势。在众多 ...
2026-08-24在MySQL数据库中,InnoDB存储引擎作为主流事务型引擎,默认事务隔离级别为可重复读(Repeatable Read,RR),这与SQL Server、Or ...
2026-08-24 很多数据分析师拿到数据就开始清洗、建模,但当被问到“这批数据属于什么类型——结构化还是非结构化?分类变量还是数值变量 ...
2026-08-24 很多数据分析师画过趋势图、做过业绩预测,但当被问到“这个月销售额增长20%,到底是长期趋势自然增长,还是促销活动的短期 ...
2026-08-21在数据分析与数据可视化工作中,直方图是展示数据分布特征、离散程度、集中区间的核心图表,能够直观呈现数值数据的频次分布规律 ...
2026-08-20在数据分析领域有一句核心准则:垃圾数据进,垃圾数据出。数据清洗是数据分析、数据建模、数据可视化之前的必经前置工序,也是保 ...
2026-08-20 很多数据分析师做过按月份的销售额趋势图,画过按天的流量折线图,但当被问到“时间序列和普通数据有什么本质区别”“季节性 ...
2026-08-20在Python数据分析与数据清洗工作中,Pandas是最核心的数据处理库,DataFrame是结构化数据的标准存储格式。在实时数据采集、循环 ...
2026-08-19