
当前,整个社会正迎来大数据时代。围绕数据的收集、存储、交易、开发等,相继诞生了一系列相关产业,逐渐展现出巨大经济潜力。甚至有一种观点认为,大数据是新时代的“黄金与石油”,是新的重要经济增长点。无疑,新事物的发展会带来机遇,但同时也会带来风险。当大数据呈现出美好的前景、巨大的经济价值以及便捷的个性需求时,它有可能带来的负面风险就尤其值得重视和防范。
首先,对大数据的收集、开发、交易、利用有可能侵害个体安全与人的价值、尊严。所谓大数据,其源头来自于社会个体在经济、社会、政治、个人生活轨迹中所产生的相关信息。通过大数据,可以勾勒和描述具体公民的所有个体与行为特征。在这种情况下,作为独立完整的个体被重新界定为一序列数据集合,并在个体未知的情况下被收集、观察、研究、开发、交易、利用。这就有可能直接损害了个体自身的基本自由与安全,乃至个体尊严。
其次,对大数据的收集、开发、交易、利用有可能损害国家利益与安全。针对大数据对个体可能带来的风险,有种观点认为,对这些数据进行所谓的“脱敏”处理,如隐去个体信息,就可以做到对个体的保护。然而,这种观点忽略了大数据的本质,即大数据的价值不仅在于针对个体的特质与行为描述,而且通过对海量个体信息的综合分析,构建出整个社会行为的全貌。在这个层面上,某一条信息具体来自哪个个体并不重要,重要的是,当对海量信息进行整体分析时,这个国家的经济、社会、政治行为,如商品交易、金融存量、社会偏好、政治倾向,乃至整个民族的特质,包括健康程度、生理特征(如掌握大量就医信息从宏观表征得出)等全貌就会通过大数据的聚合分析而再现。这就不仅侵害了个体自由与安全,而且把整个国家的自由与安全都暴露在数据拥有方手里。
此外,大数据资源具有潜在风险。对大数据开发利用的最大风险来自于大数据信息所具有的不确定性。不但数据的生产者不能确定其价值与危害(如某一个体认为自己的信息即便被收集了也没有关系),数据的收集者、交易者、购买者乃至监管方都难以在短时间内明确其价值与危害。由于大数据总体上是离散的海量数据的组合,通过不同模型与组合方式,就能够获得不同的价值与信息。很多看似完全无关、没有危害的信息,通过有效的组合就能够形成重要的、有价值的信息情报。从某种意义上说,只要掌握足够多的无关信息,就有可能得到想要的一切有价值信息。因此,大数据资源的流出,有可能使得任何一方,乃至监管方都无从评估与预料其产生的潜在危害。一个工业时代的例子就是,传统落后工业产生的矿渣由于无法有效利用被视为废物,而发达国家则通过大量进口废渣二次开发而提炼出具有战略价值的矿业物资。
由此可见,当人们为大数据时代的到来而欢呼时,当社会忙于开发具有巨大潜力的大数据矿藏时,就更加需要高度警惕大数据时代有可能带来的对个体与国家安全的危害和风险。这就提出了一系列围绕大数据的监管问题。
谁有权收集大数据?大数据的产生包括两个渠道,一是法律授权收集而来的,如国家机关从保障公共利益的角度出发收集公民信息;二是公民使用网络设备而自动形成的信息记录,如参与网络社区、网络购物、网络金融等,就会自动生成大量活动信息,从而被提供服务的企业所掌握和收集。这里产生的问题在于,到底谁有权收集公民信息。这个问题非常复杂,在现实中也存在很多情境,然而有一些基本原则需要遵守,首先是利益原则,即只有代表公共利益与更好满足个体利益的情况下,才有权收集公民数据信息;其次是知情与许可原则,也就是说除法律规定强制收集公民信息外,企业收集信息必须经公民知情和同意。
谁有权交易大数据?我们在对大数据进行开发利用时,对数据的需求和交易也逐渐展开。不容否认,企业拥有的大数据资源通过交易,有时可以更好发挥价值,服务公众利益要求,展现出巨大的潜力和经济效益。然而,问题也随即产生,那些一般认为没有价值的信息,经过大数据的系统分析后,可能变成极为有价值的信息,甚至脱敏后的个体信息经过系统分析,依然可能得到事关国家和社会安全的有效信息。如果任何组织都能够通过交易获取所需信息,并进行后期加工,那么这种信息扩散的危害将是不可想象的。所以,必须对参与大数据交易的主体以及其掌握的信息进行严格审查与审批。
如何监管大数据的产生与交易?毋庸置疑,对大数据产业发展的监管主体应是政府。也就是说,政府必须要代表公共利益,严格审查企业进行个体信息收集、储存、开发、利用、交易的全过程;要对企业的数据搜集、开发、交易行为进行评估和安全审查,从而最大程度避免涉及公民安全与国家安全信息的扩散与泄露。
对大数据产业发展有可能带来的风险,美国和欧盟也十分重视,他们的教训和经验值得我们注意。不久前,美国《爱国者法》在执行14年后,未获继续通过,从而收回了对公民信息监控的权限,而欧盟则进一步通过立法强化公民的信息删除权,欧盟法院在2014年底裁定谷歌等商业公司必须在收集公民信息6个月内完全删除。这些都是出于对公民个体乃至国家整体安全的保护。因此,中国在迎来大数据时代的同时,也必须高度重视信息保护,在享受开发大数据时代带来便利的同时,高度警惕和防范所产生的相关风险。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
MySQL 服务器内存碎片:成因、检测与内存持续增长的解决策略 在 MySQL 运维中,“内存持续增长” 是常见且隐蔽的性能隐患 —— ...
2025-09-24人工智能重塑工程质量检测:核心应用、技术路径与实践案例 工程质量检测是保障建筑、市政、交通、水利等基础设施安全的 “最后一 ...
2025-09-24CDA 数据分析师:驾驭通用与场景指标,解锁数据驱动的精准路径 在数据驱动业务的实践中,指标是连接数据与决策的核心载体。但并 ...
2025-09-24在数据驱动的业务迭代中,AB 实验系统(负责验证业务优化效果)与业务系统(负责承载用户交互与核心流程)并非独立存在 —— 前 ...
2025-09-23CDA 业务数据分析:6 步闭环,让数据驱动业务落地 在企业数字化转型中,CDA(Certified Data Analyst)数据分析师的核心价值,并 ...
2025-09-23CDA 数据分析师:以指标为钥,解锁数据驱动价值 在数字化转型的浪潮中,“用数据说话” 已成为企业决策的共识。但数据本身是零散 ...
2025-09-23当 “算法” 成为数据科学、人工智能、业务决策领域的高频词时,一种隐形的认知误区正悄然蔓延 —— 有人将分析结果不佳归咎于 ...
2025-09-22在数据分析、金融计算、工程评估等领域,“平均数” 是描述数据集中趋势最常用的工具之一。但多数人提及 “平均数” 时,默认指 ...
2025-09-22CDA 数据分析师:参数估计助力数据决策的核心力量 在数字化浪潮席卷各行各业的当下,数据已成为驱动业务增长、优化运营效率的核 ...
2025-09-22训练与验证损失骤升:机器学习训练中的异常诊断与解决方案 在机器学习模型训练过程中,“损失曲线” 是反映模型学习状态的核心指 ...
2025-09-19解析 DataHub 与 Kafka:数据生态中两类核心工具的差异与协同 在数字化转型加速的今天,企业对数据的需求已从 “存储” 转向 “ ...
2025-09-19CDA 数据分析师:让统计基本概念成为业务决策的底层逻辑 统计基本概念是商业数据分析的 “基础语言”—— 从描述数据分布的 “均 ...
2025-09-19CDA 数据分析师:表结构数据 “获取 - 加工 - 使用” 全流程的赋能者 表结构数据(如数据库表、Excel 表、CSV 文件)是企业数字 ...
2025-09-19SQL Server 中 CONVERT 函数的日期转换:从基础用法到实战优化 在 SQL Server 的数据处理中,日期格式转换是高频需求 —— 无论 ...
2025-09-18MySQL 大表拆分与关联查询效率:打破 “拆分必慢” 的认知误区 在 MySQL 数据库管理中,“大表” 始终是性能优化绕不开的话题。 ...
2025-09-18DSGE 模型中的 Et:理性预期算子的内涵、作用与应用解析 动态随机一般均衡(Dynamic Stochastic General Equilibrium, DSGE)模 ...
2025-09-17Python 提取 TIF 中地名的完整指南 一、先明确:TIF 中的地名有哪两种存在形式? 在开始提取前,需先判断 TIF 文件的类型 —— ...
2025-09-17CDA 数据分析师:解锁表结构数据特征价值的专业核心 表结构数据(以 “行 - 列” 规范存储的结构化数据,如数据库表、Excel 表、 ...
2025-09-17Excel 导入数据含缺失值?详解 dropna 函数的功能与实战应用 在用 Python(如 pandas 库)处理 Excel 数据时,“缺失值” 是高频 ...
2025-09-16深入解析卡方检验与 t 检验:差异、适用场景与实践应用 在数据分析与统计学领域,假设检验是验证研究假设、判断数据差异是否 “ ...
2025-09-16