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
在pandas数据处理工作流中,“列标签”(Column Labels)是连接数据与操作的核心桥梁——它不仅是DataFrame数据结构的“索引标识 ...
2025-11-25Anaconda作为数据科学领域的“瑞士军刀”,集成了Python解释器、conda包管理工具及海量科学计算库,是科研人员、开发者的必备工 ...
2025-11-25在CDA(Certified Data Analyst)数据分析师的日常工作中,表格结构数据是最常接触的“数据形态”——从CRM系统导出的用户信息表 ...
2025-11-25在大数据营销从“粗放投放”向“精准运营”转型的过程中,企业常面临“数据维度繁杂,核心影响因素模糊”的困境——动辄上百个用 ...
2025-11-24当流量红利逐渐消退,“精准触达、高效转化、长效留存”成为企业营销的核心命题。大数据技术的突破,让营销从“广撒网”的粗放模 ...
2025-11-24在商业数据分析的全链路中,报告呈现是CDA(Certified Data Analyst)数据分析师传递价值的“最后一公里”,也是最容易被忽视的 ...
2025-11-24在数据可视化实践中,数据系列与数据标签的混淆是导致图表失效的高频问题——将数据标签的样式调整等同于数据系列的维度优化,或 ...
2025-11-21在数据可视化领域,“静态报表无法展现数据的时间变化与维度关联”是长期痛点——当业务人员需要分析“不同年份的区域销售趋势” ...
2025-11-21在企业战略决策的场景中,“PESTEL分析”“波特五力模型”等经典方法常被提及,但很多时候却陷入“定性描述多、数据支撑少”的困 ...
2025-11-21在企业数字化转型过程中,“业务模型”与“数据模型”常被同时提及,却也频繁被混淆——业务团队口中的“用户增长模型”聚焦“如 ...
2025-11-20在游戏行业“高获客成本、低留存率”的痛点下,“提前预测用户流失并精准召回”成为运营核心命题。而用户流失并非突发行为——从 ...
2025-11-20在商业数据分析领域,“懂理论、会工具”只是入门门槛,真正的核心竞争力在于“实践落地能力”——很多分析师能写出规范的SQL、 ...
2025-11-20在数据可视化领域,树状图(Tree Diagram)是呈现层级结构数据的核心工具——无论是电商商品分类、企业组织架构,还是数据挖掘中 ...
2025-11-17核心结论:“分析前一天浏览与第二天下单的概率提升”属于数据挖掘中的关联规则挖掘(含序列模式挖掘) 技术——它聚焦“时间序 ...
2025-11-17在数据驱动成为企业核心竞争力的今天,很多企业陷入“数据多但用不好”的困境:营销部门要做用户转化分析却拿不到精准数据,运营 ...
2025-11-17在使用Excel透视表进行数据汇总分析时,我们常遇到“需通过两个字段相乘得到关键指标”的场景——比如“单价×数量=金额”“销量 ...
2025-11-14在测试环境搭建、数据验证等场景中,经常需要将UAT(用户验收测试)环境的表数据同步到SIT(系统集成测试)环境,且两者表结构完 ...
2025-11-14在数据驱动的企业中,常有这样的困境:分析师提交的“万字数据报告”被束之高阁,而一张简洁的“复购率趋势图+核心策略标注”却 ...
2025-11-14在实证研究中,层次回归分析是探究“不同变量组对因变量的增量解释力”的核心方法——通过分步骤引入自变量(如先引入人口统计学 ...
2025-11-13在实时数据分析、实时业务监控等场景中,“数据新鲜度”直接决定业务价值——当电商平台需要实时统计秒杀订单量、金融系统需要实 ...
2025-11-13