京公网安备 11010802034615号
经营许可证编号:京B2-20210330
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
主讲人简介 张冲,海归统计学硕士,CDA 认证数据分析师,前云南白药集团资深数据分析师,自媒体 Python 讲师,全网课程播放量破 ...
2026-04-10在数据可视化与业务分析中,同比分析是衡量业务发展趋势、识别周期波动的核心手段,其核心逻辑是将当前周期数据与上年同期数据进 ...
2026-04-10在机器学习模型的落地应用中,预测精度并非衡量模型可靠性的唯一标准,不确定性分析同样不可或缺。尤其是在医疗诊断、自动驾驶、 ...
2026-04-10数据本身是沉默的,唯有通过有效的呈现方式,才能让其背后的规律、趋势与价值被看见、被理解、被运用。统计制图(数据可视化)作 ...
2026-04-10在全球化深度发展的今天,跨文化传播已成为连接不同文明、促进多元共生的核心纽带,其研究核心围绕“信息传递、文化解读、意义建 ...
2026-04-09在数据可视化领域,折线图是展示时序数据、趋势变化的核心图表类型之一,其简洁的线条的能够清晰呈现数据的起伏规律。Python ECh ...
2026-04-09在数据驱动的时代,数据分析早已不是“凭经验、靠感觉”的零散操作,而是一套具备固定逻辑、标准化流程的系统方法——这就是数据 ...
2026-04-09长短期记忆网络(LSTM)作为循环神经网络(RNN)的重要改进模型,凭借其独特的门控机制(遗忘门、输入门、输出门),有效解决了 ...
2026-04-08在数据分析全流程中,数据质量是决定分析结论可靠性的核心前提,而异常值作为数据集中的“异类”,往往会干扰统计检验、模型训练 ...
2026-04-08在数字经济飞速发展的今天,数据已渗透到各行各业的核心场景,成为解读趋势、优化决策、创造价值的核心载体。而数据分析,作为挖 ...
2026-04-08在数据分析全流程中,数据处理是基础,图形可视化是核心呈现手段——前者负责将杂乱无章的原始数据转化为干净、规范、可分析的格 ...
2026-04-07在数据分析与统计推断中,p值是衡量假设检验结果显著性的核心指标,其本质是在原假设(通常为“无效应”“无差异”)成立的前提 ...
2026-04-07在数字经济深度渗透的今天,数据已成为企业生存发展的核心资产,企业的竞争本质已转变为数据利用能力的竞争。然而,大量来自生产 ...
2026-04-07Python凭借简洁的语法、丰富的生态库,成为算法开发、数据处理、机器学习等领域的首选语言。但受限于动态类型、解释性执行的特性 ...
2026-04-03在深度学习神经网络中,卷积操作是实现数据特征提取的核心引擎,更是让模型“看懂”数据、“解读”数据的关键所在。不同于传统机 ...
2026-04-03当数字化转型从企业的“战略口号”落地为“生存之战”,越来越多的企业意识到,转型的核心并非技术的堆砌,而是数据价值的深度挖 ...
2026-04-03在日常办公数据分析中,数据透视表凭借高效的汇总、分组功能,成为Excel、WPS等办公软件中最常用的数据分析工具之一。其中,“计 ...
2026-04-02在数字化交互的全场景中,用户的每一次操作都在生成动态的行为轨迹——电商用户的“浏览商品→点击详情→加入购物车”,内容APP ...
2026-04-02在数字化转型深度推进的今天,企业数据已成为驱动业务增长、构建核心竞争力的战略资产,而数据安全则是守护这份资产的“生命线” ...
2026-04-02在数据驱动决策的浪潮中,数据挖掘与数据分析是两个高频出现且极易被混淆的概念。有人将二者等同看待,认为“做数据分析就是做数 ...
2026-04-01