
大数据时代的跨部门治理路径
当前,在互联网(移动互联网)、物联网等信息技术的推动下,人类已经进入了以数字化为特征的大数据时代,来自全方位、多领域的大量数据资源,开始占据人类政治、经济、社会生活的核心位置,逐渐成为政府治理、企业决策、社会服务、个人发展等诸多领域的一个共同基础和发展条件。任何组织和个人,为了履行好各自承担的职责与功能,抑或求得最大的进步和发展,必须要适应大数据时代的大趋势,从理念和行动上做出积极的改革与响应。在此过程中,大数据直接促发了社会的全球化、多元化、虚拟化、扁平化,使得政府成为大数据时代面临最大挑战的首要组织之一。如何有效发挥大数据的优势,主动转变治理理念,重组治理结构框架,提高治理效果和服务能力,保持社会公共生活的和谐有序,是当今各国政府普遍面临的共同任务。
实际上,大数据时代背景下的政府有效治理,涉及很多方面的改革创新,包括政府结构、功能、运行机制以及法律、制度、政策等多要素为一体的综合体系,需要加以系统的研究设计,不能一概而论。但其中,在数据价值重现和信息互联互通的大数据时代,政府作为规模最大、信息占有量最大、权力最大的公益性公共机构,如何重新思考和布局不同职能部门之间的关系,打破各自为政、信息封锁、职能交叉重叠的传统状态,构建无缝隙、一体化的跨部门协同治理体系,是政府治理模式转型的核心内容,这也是跨界治理体系(跨区域治理、跨部门治理、跨公私合作治理)的重要组成部分之一。对此,党的十七大报告早就提出了“健全部门间协调配合机制”的命题,十八大又强调“全面深化改革的系统性、整体性和协同性”,这为我国跨部门治理体系建设指明了方向和路径。
实践中,近年来从中央到地方,积极推行了一些跨部门治理的改革与创新,如大部门体制改革、组建部级联席会议、地方政府的多部门协同工作等,可以说取得了一定的成效,但由于跨部门协同治理体制、机制、法制等方面的建设相对滞后和不稳定、不明确,使真正的跨部门协同治理尚未全面建立起来,造成很多部门间信息依然不能互通互联和共建共享,结果就造成了类似“证明我妈是我妈”的奇葩证明满天飞,严重损伤了政府在普通百姓心目中的公信力。这不仅是政府封闭治理模式的固有弊端,更是大数据时代对当今政府治理带来的直接而巨大的危机和挑战。如果围绕所谓奇葩证明的相关职能部门之间,实行针对当事人(个人、企业或社会组织)信息互联互通、共建共享的大数据协同工作机制,这一让人啼笑皆非的社会现象根本就不会发生、不会存在。因此,我们下一步的政府体制改革,除了继续加大简政放权和转变职能外,需要切实发挥和利用大数据的优势,尽快重建政府内部不同部门之间的跨部门治理新机制,全面提高政府为民服务和社会监管的综合能力。
英国、美国、澳大利亚等先行推动政府体制改革的西方发达国家实践表明,实行旨在强调部门间协同工作的跨部门治理,逐渐成为政府深度改革的一项重要内容和趋势,已经有很多经验值得我们学习借鉴,但由于国情不同、体制不同、文化不同,我们也不能照搬照抄西方的经验,需从我国政治体制特点、经济发展水平、大数据发展的基础条件等方面出发,发挥大数据的后发优势,逐步推进,不断深入,直至建成无缝隙、无障碍的具有中国特色的跨部门治理新体系。
大数据时代的跨部门治理体系建设可从三个路径进行推动。
重新思考政府各部门的职能定位和服务对象问题。在各自为政的治理模式下,利益部门化、部门利益化是跨部门治理的最大障碍,我们不禁要问,作为公共部门,为何要追求自身利益最大化?问题出在某些从政者尤其是部门领导,对政府乃至自己所属部门的公益性质和为民服务的宗旨,存在一定的思想认识问题。唯有当政府部门领导和工作者一致认为自己部门是代表人民赋予的公权力为广大的人民群众谋求公共利益最大化的时候,才会在为民服务的过程中出现“主动跨前一步”的想法和意愿。
始终将跨部门的大数据和信息资源共享建设作为核心。在跨部门治理的实践中,一种情况可能是几个部门需要合作推动某项工程或公益事业,往往通过成立领导小组或委员会的形式加以推动,另一种情况是不一定协同推动某一项事务,但在为民服务和常态化的监管过程中,相关职能部门把各自积累的大量的当事人信息必须保持互联、互通、共享的状态,随时调取,相互印证,减少或避免让普通百姓或企业办一件事情要跑多家机构的现象,从而提高服务效率,降低社会交易成本。因此,大数据时代背景下的跨部门治理体系建设,需要始终坚持跨部门大数据共建共享这一核心目标和任务。而这一工作的实质就是职能部门的数据开放和各自数据信息系统的相互对接、共享。
正式制度和非正式制度建设并重、并行。组织管理学的理论表明,在缺乏相关制度约束的情况下,部门间的利益追逐、相互阻隔、信息封锁是一个必然的客观现象。从这一点看,要想建立并推动有效的跨部门治理体系,除了大数据平台建设这一根基,旨在促进跨部门合作的制度体系建设是关键,尤其是从激励、约束、评价等方面需要加以完善,以便促进跨部门治理走向常态化、制度化、规范化。同时,要强化相关职能部门领导之间的互动协商,建构合作机制,培育相互信任、互助互动、合作共享的工作氛围。
在实际操作中,大数据时代的跨部门治理重在实行三项策略。
依法加快政府部门数据开放与共享平台建设。从国家层面或省市层面同时出发,国家出台数据开放与数据安全的相关法律,省市政府制定实施细则或者数据开放的负面清单,明确规定政府所有职能部门数据开放的范围、标准,依法彻底打消一些部门领导对数据开放的政治顾虑。在此基础上,全面构建不同政府部门之间针对当事人信息的互联接口、更新通道,全面实现无缝隙服务的格局。
健全不同职能部门数据开放的评估机制。针对某个层级政府而言,委托独立的第三方机构,按照分领域、分区域的方式,由服务对象参与,对相关政府数据开放共享进行抽检评估,评估结果作为部门及其领导考核的重要参数之一。
依法实施跨部门联动的法律机制和政绩考核制度。一方面,加快制定类似政府部门间关系法的法律法规,对政府部门间关系的权力义务做出明确规定;另一方面,在部门政绩考核的时候,实行关联部门之间的互相考核打分,以此遏制一些职能部门在跨部门治理进程中的故意不作为,旨在达到推动政府部门间协同工作、提高综合服务和监管能力的目的。
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