京公网安备 11010802034615号
经营许可证编号:京B2-20210330
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
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 很多数据分析师每天盯着几十个指标,但当被问到“这套指标要支撑什么业务目标”“指标之间是什么逻辑关系”“业务变化时如何 ...
2026-05-21在数据驱动决策的时代,数据质量直接决定分析结果的可靠性与准确性,而异常值作为数据清洗中的核心痛点,往往会扭曲分析结论、误 ...
2026-05-20 很多数据分析师每天盯着GMV、DAU、转化率,但当被问到“哪些指标在所有行业都适用”“哪些指标只对电商有意义”“二者如何搭 ...
2026-05-20Agent的能力边界,很大程度上取决于其掌握的Skill质量和数量。传统做法是靠人工编写和维护Skill,但这条路很快会遇到瓶颈。业务 ...
2026-05-20在统计分析中,方差分析(ANOVA)是一种常用的假设检验方法,核心用于分析“一个或多个自变量对单个因变量的影响”,广泛应用于 ...
2026-05-19 很多数据分析师每天盯着GMV、DAU、转化率,但当被问到“什么是指标”“指标和维度有什么区别”“如何定义指标值的计算规则和 ...
2026-05-19想高效备考 CDA 一级,拒绝盲目刷题、冗余学习?《CDA 一级教材知识手册》重磅来袭!以官方教材为核心,浓缩 13 章 103 个核心考 ...
2026-05-19在数据统计分析中,卡方检验是一种常用的非参数检验方法,核心用于判断两个或多个分类变量之间是否存在显著关联,广泛应用于市场 ...
2026-05-18在企业数字化转型的浪潮中,很多企业陷入了“技术堆砌”的误区——上线了ERP、CRM、BI等各类系统,积累了海量数据,却依然面临“ ...
2026-05-18