
布局大数据综合试验区建设 发改委强调并非建“产业园”
继贵州9月18日宣布启动全国第一个大数据综合试验区建设,国家发改委正在选择一些区域,布局大数据综合试验区试点。
9月初,国务院发布《促进大数据发展行动纲要》(以下简称《纲要》),提出将全面推进我国大数据发展和应用。
近日,发改委有关负责人在解读《纲要》时,提出“将选择一些区域,组织实施国家大数据综合试验区建设”,特别强调“试验区建设不是建产业园、建数据中心”,而是开展面向应用的数据交易市场试点,包括“鼓励产业链上下游之间进行数据交换,探索数据资源的定价机制,规范数据资源交易行为,建立大数据投融资体系”等。
试验区“不是建产业园”
国家发改委相关负责人在解读《纲要》时,重点回答了关于政府数据开放和大数据综合试验区试点的问题。
关于《纲要》一再提到的政府数据统一共享平台,负责人介绍,针对政府和公共部门“不愿开放、不敢开放、不会开放”数据的问题,相关工作主要有三方面部署,一是加强数据资源的国家统筹管理,优先开放相关领域数据,二是建立健全相关法规制度,实现最大程度开放,三是建立政府数据开放平台和标准体系,实现统一开放。
在《纲要》的具体落实上,国家发改委方面称,将选择一些区域,组织实施国家大数据综合试验区建设。国家发改委明确强调,试验区建设不只是建产业园、建数据中心,而是要充分依托已有设施资源,把现有的利用好,把新建的规划好,坚决杜绝盲目新建数据中心,避免造成资源空间的浪费损失。
近年全国各地大数据产业园区规划一哄而上,数据中心建设遍地开花,闲置率一直饱受诟病。中国电子信息发展(52.560, -2.22, -4.05%)研究院电子信息产业研究所所长安晖,接受21世纪经济报道记者采访时表示,地方政府不应该盲目夸大引入数据中心的作用,一些大数据企业在面对地方官员时,往往喜欢混淆大数据的概念。他认为,发展数据中心的关键是要以此为基础,引入高附加值的产业。
国家发改委称,综合试验区应具备一定基础条件,在数据资源共享开放、大数据产业发展支撑、数据应用创新和数据安全保障方面均有较好的基础,能够通过试验区建设,发挥示范带动效应。
另外国家将依托这些试验区,承接中央部门、其他地方的数据中心应用需求,有效控制新建数据中心,盘活存量资源,促进集聚发展。
其次,通过试验区的先行先试,利用培育大数据交易等新方式,开展面向应用的数据交易市场试点,鼓励产业链上下游之间进行数据交换,探索数据资源的定价机制,规范数据资源交易行为,建立大数据投融资体系,激活数据资源潜在价值,促进形成新业态。
贵州启动首个数据综合试验区建设
大数据综合试验区试验什么,怎么试验,以及从哪些方面着手,是各方关注的焦点。目前,贵州已经于9月18日宣布启动大数据综合试验区建设。21世纪经济报道记者从贵州方面获悉,试点内容已经有了初步轮廓。
贵州方面介绍称,贵州将围绕数据从哪里来、数据放在哪里、数据谁来应用三个问题,重点打造大数据信息产业基础设施层、系统平台层、云应用平台层、增值服务层、配套端产品层五个产业链层级。
贵州还将重点打造大数据示范、集聚、应用、交易、金融服务、交流合作、创业创新等“七大平台”;全力实施数据资源汇聚、政府数据共享开放、综合治理示范提升、大数据便民惠民、大数据三大业态培育、传统产业改造升级、信息基础设施提升、人才培养引进、大数据安全保障、大数据区域试点统筹发展“十大工程”。
贵州试验区的目标,是要力争通过3至5年的努力,把贵州大数据综合试验区建设成为全国数据汇聚应用新高地、综合治理示范区、产业发展集聚区、创业创新首选地、政策创新先行区。
对于目前多地在探索大数据相关项目,业界对这些试点有肯定也有质疑。
在21世纪经济报道记者近日参加的中国计算机学会青年计算机科技论坛上,一位熟悉地方试点的专家直言,“试点地区目前多是初步工作。对于实质性的试点探索等还没有深入开展。”
所谓实质性的试点探索,多是指在交易、产品以及隐私规范等方面的探索。参与论坛的大多企业和学界人士都有一个共同观点,目前国内尚无一笔实质意义上的大数据交易。
其它关于大数据产权、安全以及政府数据如何公开,政府数据公开是否收费等问题,学界、企业界以及参与制定政策的部委专家等,意见也多不统一,而这些恰是应该是地方试点探路的核心内容。
贵阳大数据交易所相关负责人告诉21世纪经济报道记者,目前贵阳大数据交易正在与众多会员企业一道,共同合作研究、制定不同行业和领域的大数据交易规则与标准,并发起成立中国大数据交易研究院,参与贵州试点建设。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
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在 CDA 数据分析师的日常工作中,常会遇到这样的困惑:某电商平台 11 月 GMV 同比增长 20%,但究竟是 “长期趋势自然增长”,还 ...
2025-10-09Pandas 选取特定值所在行:6 类核心方法与实战指南 在使用 pandas 处理结构化数据时,“选取特定值所在的行” 是最高频的操作之 ...
2025-09-30球面卷积神经网络(SCNN) 为解决这一痛点,球面卷积神经网络(Spherical Convolutional Neural Network, SCNN) 应运而生。它通 ...
2025-09-30在企业日常运营中,“未来会怎样” 是决策者最关心的问题 —— 电商平台想知道 “下月销量能否达标”,金融机构想预判 “下周股 ...
2025-09-30Excel 能做聚类分析吗?基础方法、进阶技巧与场景边界 在数据分析领域,聚类分析是 “无监督学习” 的核心技术 —— 无需预设分 ...
2025-09-29XGBoost 决策树:原理、优化与工业级实战指南 在机器学习领域,决策树因 “可解释性强、处理非线性关系能力突出” 成为基础模型 ...
2025-09-29在标签体系的落地链路中,“设计标签逻辑” 只是第一步,真正让标签从 “纸上定义” 变为 “业务可用资产” 的关键,在于标签加 ...
2025-09-29在使用 Excel 数据透视表进行多维度数据汇总时,折叠功能是梳理数据层级的核心工具 —— 通过点击 “+/-” 符号可展开明细数据或 ...
2025-09-28在使用 Pandas 处理 CSV、TSV 等文本文件时,“引号” 是最容易引发格式混乱的 “隐形杀手”—— 比如字段中包含逗号(如 “北京 ...
2025-09-28在 CDA(Certified Data Analyst)数据分析师的技能工具箱中,数据查询语言(尤其是 SQL)是最基础、也最核心的 “武器”。无论 ...
2025-09-28Cox 模型时间依赖性检验:原理、方法与实战应用 在生存分析领域,Cox 比例风险模型(Cox Proportional Hazards Model)是分析 “ ...
2025-09-26检测因子类型的影响程度大小:评估标准、实战案例与管控策略 在检测分析领域(如环境监测、食品质量检测、工业产品合规性测试) ...
2025-09-26CDA 数据分析师:以数据库为基石,筑牢数据驱动的 “源头防线” 在数据驱动业务的链条中,“数据从哪里来” 是 CDA(Certified D ...
2025-09-26线性相关点分布的四种基本类型:特征、识别与实战应用 在数据分析与统计学中,“线性相关” 是描述两个数值变量间关联趋势的核心 ...
2025-09-25深度神经网络神经元个数确定指南:从原理到实战的科学路径 在深度神经网络(DNN)的设计中,“神经元个数” 是决定模型性能的关 ...
2025-09-25