
优化政策,促进大数据产业健康发展
大数据产业是指建立在互联网、物联网等渠道的大量数据资源基础上的数据存储、价值提炼、智能处理的信息服务业。该产业近年成为新的技术制高点和经济增长的新动力。
专家学者和业内人士认为,我国大数据产业目前呈现良好发展态势,但面临一些困难,需优化产业政策,促其健康发展。
态势良好
北京大学教授杨学山等人士认为,相较于发达国家,我国大数据产业还处于探索起步阶段,但在对大数据的社会认知、政策环境、市场规模、产业支撑能力等方面取得了积极进展,为大数据产业可持续发展创造了良好条件。
大数据产业发展政策日益完善。大数据产业是云计算技术、物联网、移动互联网广泛普及的结果。鉴于大数据对经济、社会、科研、国家安全等方面的巨大价值,我国各级政府制定政策推动大数据产业发展。2015年8月,国务院印发《促进大数据发展行动纲要》,标志着大数据产业已被提升为国家战略高度。
大数据产业发展平台逐渐建立。随着国家和地方政府大数据产业发展政策的制定和实施,大数据产业发展的相关平台逐步建立。全国各地已建成和在建的大数据产业园已达100多个。为推动大数据研究,学术界成立了大数据专家委员会等机构,举办了大数据共享与开发、大数据技术创新、大数据运用、大数据产业发展等主题的学术研讨会。
市场空间持续扩大。大数据产业主要涉及数据的收集、存储、分析和运用等环节,其在金融、电子商务、电信、医疗、农业、军事、政务等领域发挥着越来越重要的作用。虽然我国大数据产业还处在起步阶段,但已彰显出巨大的市场空间和持续增长的态势。
面临困难
中国工程院院士孙家广等专家认为,大数据产业发展具有极强的技术和信息依赖性,由于我国大数据产业起步滞后以及基础条件不够成熟,其在快速发展的同时,面临的困难日益显现:
信息壁垒降低了大数据产业资源配置效率。大数据产业发展必须实现数据信息的自由流动和共享,如果数据不开放、不共享,数据整合就不能实现,数据价值也会大大降低。然而,这一问题并没有得到相关部门的足够重视。这主要是由于地方政府没有形成与大数据产业发展相适应的全局思维。此外,政府部门是社会信息的主要控制者,其信息又分别被不同部门和区域控制,而不同部门和区域数据标准各异,信息资源也就难以实现共享。
数据安全管理薄弱增加了大数据产业发展的风险。我国目前面对的现实是保护大数据安全能力不足、大数据安全法律法规缺失、网络信息管理体制存在缺陷等,这些问题增加了大数据产业发展的风险。
产业生态体系短板阻碍大数据产业链和产业集群的形成。我国大数据产业虽已覆盖多个领域,但仍处于起步阶段,主要体现为:各领域大数据企业分散现象普遍;产业发展、政策、平台、创新、环境等不协调……
优化政策
中国科学院院士、北京理工大学副校长梅宏认为,为克服困难,促进我国大数据产业健康发展,相关的产业政策应优化:
完善大数据产业发展战略规划,优化产业布局。应优化对大数据产业的战略规划,明确方向和重点,制定长、中、短期发展目标,完善投融资、税收、知识产权、利益分配等的政策,为大数据产业创造良好的发展环境。
依托大众创新创业优化大数据产业发展环境。大众创新创业有利于增强创新驱动活力、拓宽创业渠道、优化创新环境、促进中小企业发展、优化产业结构等,这是解决大数据发展创新技术受限、企业竞争不充分等问题的有效途径,所以应充分利用好大众创新创业,优化大数据产业发展的环境。
加强大数据共享平台和安全保障体系建设。在数据共享方面,应尽快制定和出台《公共信息资源开发共享管理办法》,以法律形式规定公共信息资源开放共享的内容、程序、标准等,并在此基础上建立公共信息资源共享网站,形成共享服务体系;在数据安全方面,应完善国家数据安全法律法规。同时加强网络安全基础设施建设,提高对抗网络攻击、加密、入侵检测等技术的水平,建立和完善大数据安全应急机制。
实施融合发展战略,构建大数据产业生态体系。这里的融合发展既包括大数据与其他产业的融合,也包括大数据企业与政府、社会组织的融合。构建大数据产业与其他产业发展的联动机制,组建全国性、区域性的大数据产业联盟,加强大数据产业链各个环节企业的合作就显得尤为重要。大数据产业发展需要同时发挥好政府、企业、社会中介等多方面的力量,聚集各方优势。企业应在产业发展过程中充当主体地位,政府应根据企业的需求,提供政策和服务。中介组织也不容忽视,政府部门应加强对大数据行业协会、科研机构、产业联盟等组织的培育和扶持,充分发挥它们在理论研究、技术研发、社会调研等方面的作用,使之成为推动大数据产业发展的另一支重要力量。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在 “神经网络与卡尔曼滤波融合” 的理论基础上,Python 凭借其丰富的科学计算库(NumPy、FilterPy)、深度学习框架(PyTorch、T ...
2025-10-23在工业控制、自动驾驶、机器人导航、气象预测等领域,“状态估计” 是核心任务 —— 即从含噪声的观测数据中,精准推断系统的真 ...
2025-10-23在数据分析全流程中,“数据清洗” 恰似烹饪前的食材处理:若食材(数据)腐烂变质、混杂异物(脏数据),即便拥有精湛的烹饪技 ...
2025-10-23在人工智能领域,“大模型” 已成为近年来的热点标签:从参数超 1750 亿的 GPT-3,到万亿级参数的 PaLM,再到多模态大模型 GPT-4 ...
2025-10-22在 MySQL 数据库的日常运维与开发中,“更新数据是否会影响读数据” 是一个高频疑问。这个问题的答案并非简单的 “是” 或 “否 ...
2025-10-22在企业数据分析中,“数据孤岛” 是制约分析深度的核心瓶颈 —— 用户数据散落在注册系统、APP 日志、客服记录中,订单数据分散 ...
2025-10-22在神经网络设计中,“隐藏层个数” 是决定模型能力的关键参数 —— 太少会导致 “欠拟合”(模型无法捕捉复杂数据规律,如用单隐 ...
2025-10-21在特征工程流程中,“单变量筛选” 是承上启下的关键步骤 —— 它通过分析单个特征与目标变量的关联强度,剔除无意义、冗余的特 ...
2025-10-21在数据分析全流程中,“数据读取” 常被误解为 “简单的文件打开”—— 双击 Excel、执行基础 SQL 查询即可完成。但对 CDA(Cert ...
2025-10-21在实际业务数据分析中,我们遇到的大多数数据并非理想的正态分布 —— 电商平台的用户消费金额(少数用户单次消费上万元,多数集 ...
2025-10-20在数字化交互中,用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”,到内容 APP 的 “点击短 ...
2025-10-20在数据分析的全流程中,“数据采集” 是最基础也最关键的环节 —— 如同烹饪前需备好新鲜食材,若采集的数据不完整、不准确或不 ...
2025-10-20在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17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