
运用大数据服务供给侧改革
我国“十三五”的中心任务是提高经济增长的质量和效益,而推动供给侧改革构建高精尖经济结构也是为了更好地服务这个中心任务。可以说,宏观经济的质量和效益源于中观产业,中观产业又源于微观的市场主体即企业。所以,作为市场主体的企业质量好坏直接会给经济带来影响。
那么,在北京构建高精尖经济结构的大背景下,我们如何来判断哪些是高精尖的企业?哪些企业经济贡献非常大?哪些对外投资辐射特别强、专利技术多、人均纳税高,而且获得过国际资本和国内优质资源投资,单位能耗特别小呢?对此,北京市政协委员、龙信数据首席数据科学家屈庆超给出了答案。
屈庆超指出,当下运用大数据对企业信息进行监测不仅能为政府提供宏观经济数据,同时在中观上也能反映一个产业的发展动态,在微观上也能反映企业的相关信息,有助于精准助力供给侧改革,构建高精尖经济结构。
当下,政策的红利激发了市场的活力,从2014年到2015年,我国新增市场主体超过400万,相当于每分钟新增8家企业。这样庞大的微观群体集中的数据将能反应海量的信息。但由于政府部门各管一段,数据不透明,这就对他们识别哪些是高精尖企业,哪些是技术尖端企业等带来壁垒。
屈庆超对记者表示,“一个企业的发展其实是多维的,我们通过建立模型,测算出北京有将近3万家高精尖企业,这些企业无论在经济总量、研发投入、专利授权量和纳税方面都占到了北京市总量的50%以上。后来我们又详细地进行了划分,发现海淀区和朝阳区就占了50%以上的高精尖企业,其中海淀区占比最高。由此,能够得出结论,未来在高精尖产业构建中,海淀区会有很大的经济增长潜力。这就是大数据的作用。”
大数据的价值就在于它的应用。屈庆超又举例说,北京有1.6万家企业获得了风险投资,只占北京企业总数的1%,但他们的品牌商标数量却占了北京企业品牌商标总数的8%;这1%的企业同时占了北京总体企业专利数总量的11%;产品著作权占了北京市企业总量的12%。我们现在为什么需要大数据?原因就在于过去的统计方法在社会的变革中很难适应当前的需要了,我们的政府在做决策的时候需要更加精准、更加科学的数据,需要大数据和大数据思维,来实现治理能力的现代化,以便精准助力供给侧改革。
可以说,下一轮的信息革命将是内容的互联、数据的互联。相应地,政府职能的转变和未来对宏观经济的调控与管理的手段都将会继续优化和改进。屈庆超认为,未来的数据将不仅仅是政府部门的数据,还需和社会、互联网、大数据企业共建数据,使所研究的区域更有系统性。
因此,屈庆超建议,政府部门应协同大数据企业一起,把数据共建、共享起来,建立北京市的企业大数据融合中心,服务首都经济的精准治理。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10在科研攻关、工业优化、产品开发中,正交试验(Orthogonal Experiment)因 “用少量试验覆盖多因素多水平组合” 的高效性,成为 ...
2025-10-10在企业数据量从 “GB 级” 迈向 “PB 级” 的过程中,“数据混乱” 的痛点逐渐从 “隐性问题” 变为 “显性瓶颈”:各部门数据口 ...
2025-10-10在深度学习中,“模型如何从错误中学习” 是最关键的问题 —— 而损失函数与反向传播正是回答这一问题的核心技术:损失函数负责 ...
2025-10-09本文将从 “检验本质” 切入,拆解两种方法的核心适用条件、场景边界与实战选择逻辑,结合医学、工业、教育领域的案例,让你明确 ...
2025-10-09