京公网安备 11010802034615号
经营许可证编号:京B2-20210330
政府部门如何拥抱大数据?专家:众包强化监管能力
在全社会信息量爆炸式增长的背景下,政府部门该如何拥抱大数据?专家建议,一方面要加强与大数据分析企业、互联网公司的合作,获取更丰富的数据,另一方面要开放一些政府数据给企业,发挥企业的智力资源与技术实力,为政府提供决策支撑—
国办近日印发《关于运用大数据加强对市场主体服务和监管的若干意见》,提出充分运用大数据先进理念、技术和资源,加强对市场主体的服务和监管,推进简政放权和政府职能转变,提高政府治理能力。
“这是适应时代需求的必然选择,是智慧城市建设的重要切入点。”中国电子信息产业发展研究院信息化研究中心副主任潘文接受《经济日报》记者采访时表示,公共信息资源中蕴含的经济潜力是惊人的,用好大数据,能有效提高公共决策的质量和效率,并顺应“大众创业、万众创新”的潮流需要。
蕴含巨大经济潜力
在信息社会,随着大数据、云计算、移动互联网等新技术及相关的创新应用不断加快,海量数据正在政务管理、产业发展、城市治理、民生服务等众多领域不断产生、积累,数据资源也和土地、劳动力、资本等生产要素一样,成为促进经济增长的基本要素。
近年来,我国大数据产业规模迅速增长。赛迪顾问的统计数据显示,2014年,中国大数据IT市场规模达到93.1亿元,增长率为37.3%。预计2015年至2017年,中国大数据IT市场年复合增长率有望达到33.3%。
大数据为何能蕴含如此大的经济潜力?“因为数据的体量越来越大、来源越来越广泛、内容越来越丰富,可以从更多维度全面还原市场,让政府对市场有更加准确的把握,进而帮助政府提高服务与监管的水平。”赛迪顾问电子信息产业研究中心高级分析师张梓钧说。
“从广义上看,我国大数据产业或已超过1000亿元,大数据企业群体正在快速兴起。”中关村大数据产业联盟副秘书长陈新河表示,大数据思维和应用已逐渐渗透到公共管理和政府治理范畴内,对于推进政府治理从粗放化向精细化、从被动响应向主动预见、从个人经验判断向数据科学决策、从行政主导型政府向以人为本的服务型政府转型都有重要作用。
开放提升服务水平
《意见》提出运用大数据提高为市场主体服务水平。潘文对此分析说,利用大数据等现代信息技术,可以增加政府信息公开透明度、提高注册登记效率、简化项目审批程序、有效综合评估企业信用状况、进行经济运行监测预测和风险预警等等。这些进步都有利于提升政府公共服务和监管的实时性和有效性,有利于方便市场主体,提高经济社会运行效率。
“总体来说,我国政府运用大数据为市场服务还在初期探索阶段。”张梓钧建议,一方面要加强与大数据分析企业、互联网公司的合作,获取更丰富的数据,另一方面要开放一些政府数据给企业,发挥企业的智力资源与技术实力,为政府提供决策支撑。
近年来,互联网的高速发展带来了数据爆炸式增长,数据已成为企业未来新战略发展的中心。百度、阿里巴巴、腾讯等互联网企业分别通过搜索、产业链、用户掌握着数据流量入口,已在多个领域尝试对掌握的数据进行利用,体系和工具日趋成熟。浪潮、曙光等IT企业则把重心转向数据服务,并和政府有了多项成功合作。
“开放数据,是政府部门实现数据创新应用,服务产业、企业走向升级发展道路的重要途径。”浪潮集团董事长孙丕恕认为,当企业数据的来源不再局限于财务、税务、信贷、保险、信用历史等传统领域和组织内数据,还扩展到产业分布、发展需求、市场现状等广泛领域,将为企业和经济发展提供全新的资源支持,激活“数据经济”的全部潜能。
众包强化监管能力
“以前对市场主体的监管靠工商、行政等机构,受困于人员、资金,很难全面到位,而大数据时代利用企业画像技术将有效提高监管能力。比如,根据网络上餐饮点评数据、微博吐槽数据、论坛热议信息等几乎可以对辖区的所有餐馆进行360度的客观评议,以众包的方式取代原来的抽检方式,大大减少漏检的可能。”陈新河说。
潘文表示,依托在日常监管所形成的庞大的企业信息数据,开展大数据监管专项研究和实践,建立科学的数据分析模型,通过对市场主体数据的综合比对、分析、监测、科学筛查,能及时发现涉嫌违法的市场主体,预警系统性、区域性的市场异常现象,实现精准打击的信息化监管模式,减少执法资源的无效投入和浪费,全面提高监管效能。
不仅如此,运用大数据进行市场监管,还能让多部门、多环节产生的数据交织融合,产生以信用为核心的新型监管机制。“但只有实现跨部门跨领域的数据共享,才能真正打造出全面可靠的信用体系。”张梓钧说。潘文也指出,要充分利用大数据监管理念及思维,加强数据整合、采集、分析、挖掘,让数据决定监管的重点,并推动跨区域跨部门之间的信息互联互通。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在使用Excel透视表进行数据汇总分析时,我们常遇到“需通过两个字段相乘得到关键指标”的场景——比如“单价×数量=金额”“销量 ...
2025-11-14在测试环境搭建、数据验证等场景中,经常需要将UAT(用户验收测试)环境的表数据同步到SIT(系统集成测试)环境,且两者表结构完 ...
2025-11-14在数据驱动的企业中,常有这样的困境:分析师提交的“万字数据报告”被束之高阁,而一张简洁的“复购率趋势图+核心策略标注”却 ...
2025-11-14在实证研究中,层次回归分析是探究“不同变量组对因变量的增量解释力”的核心方法——通过分步骤引入自变量(如先引入人口统计学 ...
2025-11-13在实时数据分析、实时业务监控等场景中,“数据新鲜度”直接决定业务价值——当电商平台需要实时统计秒杀订单量、金融系统需要实 ...
2025-11-13在数据量爆炸式增长的今天,企业对数据分析的需求已从“有没有”升级为“好不好”——不少团队陷入“数据堆砌却无洞察”“分析结 ...
2025-11-13在主成分分析(PCA)、因子分析等降维方法中,“成分得分系数矩阵” 与 “载荷矩阵” 是两个高频出现但极易混淆的核心矩阵 —— ...
2025-11-12大数据早已不是单纯的技术概念,而是渗透各行业的核心生产力。但同样是拥抱大数据,零售企业的推荐系统、制造企业的设备维护、金 ...
2025-11-12在数据驱动的时代,“数据分析” 已成为企业决策的核心支撑,但很多人对其认知仍停留在 “用 Excel 做报表”“写 SQL 查数据” ...
2025-11-12金融统计不是单纯的 “数据计算”,而是贯穿金融业务全流程的 “风险量化工具”—— 从信贷审批中的客户风险评估,到投资组合的 ...
2025-11-11这个问题很有实战价值,mtcars 数据集是多元线性回归的经典案例,通过它能清晰展现 “多变量影响分析” 的核心逻辑。核心结论是 ...
2025-11-11在数据驱动成为企业核心竞争力的今天,“不知道要什么数据”“分析结果用不上” 是企业的普遍困境 —— 业务部门说 “要提升销量 ...
2025-11-11在大模型(如 Transformer、CNN、多层感知机)的结构设计中,“每层神经元个数” 是决定模型性能与效率的关键参数 —— 个数过少 ...
2025-11-10形成购买决策的四个核心推动力的是:内在需求驱动、产品价值感知、社会环境影响、场景便捷性—— 它们从 “为什么买”“值得买吗 ...
2025-11-10在数字经济时代,“数字化转型” 已从企业的 “可选动作” 变为 “生存必需”。然而,多数企业的转型仍停留在 “上线系统、收集 ...
2025-11-10在数据分析与建模中,“显性特征”(如用户年龄、订单金额、商品类别)是直接可获取的基础数据,但真正驱动业务突破的往往是 “ ...
2025-11-07在大模型(LLM)商业化落地过程中,“结果稳定性” 是比 “单次输出质量” 更关键的指标 —— 对客服对话而言,相同问题需给出一 ...
2025-11-07在数据驱动与合规监管双重压力下,企业数据安全已从 “技术防护” 升级为 “战略刚需”—— 既要应对《个人信息保护法》《数据安 ...
2025-11-07在机器学习领域,“分类模型” 是解决 “类别预测” 问题的核心工具 —— 从 “垃圾邮件识别(是 / 否)” 到 “疾病诊断(良性 ...
2025-11-06在数据分析中,面对 “性别与购物偏好”“年龄段与消费频次”“职业与 APP 使用习惯” 这类成对的分类变量,我们常常需要回答: ...
2025-11-06