京公网安备 11010802034615号
经营许可证编号:京B2-20210330
以大数据助力供给侧结构性改革
习近平总书记指出:“当今世界,科技进步日新月异,互联网、云计算、大数据等现代信息技术深刻改变着人类的思维、生产、生活、学习方式”,“大数据是工业社会的‘自由’资源,谁掌握了数据,谁就掌握了主动权”。推进供给侧结构性改革,是“十三五”时期我国经济工作的主线。新形势下要把发展大数据作为重要抓手,充分挖掘和利用海量数据资源中蕴含的巨大价值,加快大数据成果转化和应用,以大数据等现代信息技术的发展,改善供给结构、提升供给质量。
巨大价值:
驱动发展、耦合供需
综观新一轮科技革命浪潮,大数据的重要性越发凸显,不论是人工智能、无人控制技术,还是量子信息技术、虚拟现实等,这些不断涌现出来的全新技术力量,都以大数据作为主要特征和战略资源。可以说,大数据正是新一轮科技革命的核心动能,正是DT(数据处理技术)时代的“钻石宝库”,正成为推动发展新的驱动力。也正因为此,当今世界各主要国家都非常重视大数据的发展,如美国于2012年启动了“大数据研究与发展计划”,英国于2013年推出了“数据能力发展战略规划”,日本于2014年发布了“智能日本ICT战略”,等等。大数据已成为大国博弈中一个新的战略阵地。
对于供给侧结构性改革而言,大数据的重要性还在于其能够集中反映市场需求变化,打通供需之间的内部联系,总结规律、预测趋势、辅助决策,为改革提供精细化服务。推动供给侧结构性改革,落实“三去一降一补”,并不是忽略需求的作用,而是要坚持以市场需求为导向,增强供给结构对需求变化的适应性和灵活性。大数据具有海量、多样、快速、真实等典型特征,利用大数据进行分析,企业能够找准市场需求、明确发展定位,进而创新产品、优化流程、降低成本、提升效益;政府也能够及时追踪企业乃至整个行业的发展动态,精准助力改革。
广泛应用:
助力转型、优化治理
数据是资源,应用是核心。要积极顺应大数据融合发展的趋势,正确把握其与供给侧结构性改革的关系,以大数据的广泛应用,助力产业转型升级,优化政府治理,增强供给体系的质量和效益。
供给侧结构性改革的重点,是减少无效和低端供给,扩大有效和中高端供给,这必定会加快发展的“动力切换”,推动经济的“升级换挡”。大数据本身即是新动能、新增长点,拥有广阔的市场空间;而且随着其向经济各领域的渗透应用,还将对传统产业产生重大冲击,加快产业之间及产业链之间的垂直整合速度,掀起企业内部的组织架构、管理模式等变革。应发挥大数据的牵引作用,深入实施科技创新战略,推动其与实体经济深度融合,促进产业结构向中高端迈进,塑造更多依靠创新驱动、更多发挥先发优势的引领型发展。要运用大数据加快发展新经济,通过“大数据+智能终端”“大数据+智能制造”“大数据+现代物流”等方式,培育壮大更多新产业新业态新模式。要运用大数据改造提升传统产业,加快技术改造、流程再造、信息化建设等进程,着力提升竞争能力和综合效益。
推进供给侧结构性改革,离不开政府这只“有形之手”。要积极借助大数据技术,正确认识和把握市场规律,着力提升政府决策科学化、管理精准化、服务便利化水平。尤其在当前经济发展步入新常态、经济增长呈现“L型”走势的情况下,政府应切实增强对投资、工业、服务业、财政、金融等领域数据资源的获取和利用能力,更多地采集客观数据和运用大数据分析方法,实现对经济运行更为准确、更为高效的监测预警和研判预测,在此基础上完善政策、精准施策。同时,要大力推行“互联网+政务服务”,围绕“数据多跑路、百姓少跑腿”目标,努力打造全覆盖、全联通、全方位、全天候、全过程的服务模式,提升政府服务效率。
突围路径:
问题导向、聚焦发力
近年来,我国大数据呈现出蓬勃发展的态势。在中央层面,国务院于2015年8月底出台了《促进大数据发展行动纲要》,这意味着发展大数据已经上升为国家战略。在地方层面,各地招数频出,在管理机构、系统平台、创新载体、数据交易等方面均有一定的发展。
但从全球角度看,我国大数据仍处于起步阶段。随着近年来大数据及其相关产业的加速发展,各种风险和挑战也日益显现。特别是由于大数据具有极强的技术和信息依赖性,信息资源共享难、核心关键技术缺失、数据安全风险高、产业体系不健全等问题,已成为制约大数据发展的瓶颈。要坚持问题导向,聚焦发力推进大数据战略行动,促进大数据健康发展,更好助力供给侧结构性改革。
信息资源共享是大数据发展的基础。要加快完善宏观制度规定,在已出台的《政务信息资源共享管理暂行办法》基础上,进一步细化、明确公共信息资源开放共享的内容、程序、标准等;要加强大数据共享平台建设,深入实施数据中心大整合工程,积极构建大数据信息共享服务体系。
核心关键技术是大数据发展的支撑。我国大数据建设长期依赖国际通行技术,自主研发实力较弱,特别是芯片和操作系统的自主创新能力不足。要加快核心关键技术的研发布局,强化海量数据存储、数据清理、数据计算、数据分析、数据可视化等领域关键技术攻关,推动制定相关标准和指南,抢占国际竞争的战略“高地”。
数据安全风险防控是大数据发展的生命线。要加快构建大数据安全保障体系,加强重要系统平台及关键信息基础设施安全维护,建立统一高效的数据安全检测和预警通报机制,切实维护涉及国家利益、公共安全等重点领域的信息安全,依法依规打击信息滥用、侵犯隐私、网络诈骗、盗取商业秘密等行为。
立体产业体系是大数据发展的必然趋势。要加强宏观政策引导,积极构建良好的创业创新环境,搭建大数据产业与其他产业联动发展机制,组建全国性、区域性的大数据产业联盟,推动大数据产业链各个环节企业无缝对接、深度合作,共享大数据发展红利。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数字化时代,客户每一次点击、浏览、下单、咨询等行为,都在传递其潜在需求与决策倾向——这些按时间顺序串联的行为轨迹,构成 ...
2026-04-22数据是数据分析、建模与业务决策的核心基石,而“数据清洗”作为数据预处理的核心环节,是打通数据从“原始杂乱”到“干净可用” ...
2026-04-22近日,由 CDA 数据科学研究院重磅发布的《2026 全球数智化人才指数报告》,被中国教育科学研究院官方账号正式收录, ...
2026-04-22 很多数据分析师每天盯着GMV、转化率、DAU等数字看,但当被问到“什么是指标”“指标和维度有什么区别”“如何搭建一套完整的 ...
2026-04-22在数据分析与业务决策中,数据并非静止不变的数值,而是始终处于动态波动之中——股市收盘价的每日涨跌、企业月度销售额的起伏、 ...
2026-04-21在数据分析领域,当研究涉及多个自变量与多个因变量之间的复杂关联时,多变量一般线性分析(Multivariate General Linear Analys ...
2026-04-21很多数据分析师精通描述性统计,能熟练计算均值、中位数、标准差,但当被问到“用500个样本如何推断10万用户的真实满意度”“这 ...
2026-04-21在数据处理与分析的全流程中,日期数据是贯穿业务场景的核心维度之一——无论是业务报表统计、用户行为追踪,还是风控规则落地、 ...
2026-04-20在机器学习建模全流程中,特征工程是连接原始数据与模型效果的关键环节,而特征重要性分析则是特征工程的“灵魂”——它不仅能帮 ...
2026-04-20很多数据分析师沉迷于复杂的机器学习算法,却忽略了数据分析最基础也最核心的能力——描述性统计。事实上,80%的商业分析问题, ...
2026-04-20在数字化时代,数据已成为企业决策的核心驱动力,数据分析与数据挖掘作为解锁数据价值的关键手段,广泛应用于互联网、金融、医疗 ...
2026-04-17在数据处理、后端开发、报表生成与自动化脚本中,将 SQL 查询结果转换为字符串是一项高频且实用的操作。无论是拼接多行数据为逗 ...
2026-04-17面对一份上万行的销售明细表,要快速回答“哪个地区卖得最好”“哪款产品增长最快”“不同客户类型的购买力如何”——这些看似复 ...
2026-04-17数据分析师一天的工作,80% 的时间围绕表格结构数据展开。从一张销售明细表到一份完整的分析报告,表格结构数据贯穿始终。但你真 ...
2026-04-16在机器学习无监督学习领域,Kmeans聚类因其原理简洁、计算高效、可扩展性强的优势,成为数据聚类任务中的主流算法,广泛应用于用 ...
2026-04-16在机器学习建模实践中,特征工程是决定模型性能的核心环节之一。面对高维数据集,冗余特征、无关特征不仅会增加模型训练成本、延 ...
2026-04-16在数字化时代,用户是产品的核心资产,用户运营的本质的是通过科学的指标监测、分析与优化,实现“拉新、促活、留存、转化、复购 ...
2026-04-15在企业数字化转型、系统架构设计、数据治理与AI落地过程中,数据模型、本体模型、业务模型是三大核心基础模型,三者相互支撑、各 ...
2026-04-15数据分析师的一天,80%的时间花在表格数据上,但80%的坑也踩在表格数据上。 如果你分不清数值型和文本型的区别,不知道数据从哪 ...
2026-04-15在人工智能与机器学习落地过程中,模型质量直接决定了应用效果的优劣——无论是分类、回归、生成式模型,还是推荐、预测类模型, ...
2026-04-14