
大数据推进政府采购改革发展的意义与应用初探
在互联网时代,要实现政府采购的改革和可持续发展,对于我国长期以来的传统管理模式是一个新的挑战,我们必须吸收和利用一切优秀管理经验和管理技术。大数据作为一种新型的管理资源,其数据体量大、数据种类多、流动速度快,为政府采购改革发展提供了新的发展渠道。
大数据推进政府采购改革发展的意义
首先,大数据能够更准确、更全面、更及时地反映经济社会客观现实和需求。大数据来源于数据管理系统的存储数据,网络和移动终端的用户原创数据,以及传感器的自动生成数据,记录了事件的发生和发展。在政府采购领域,大数据体现了政府采购各类主体对采购政策、采购管理、采购项目、采购问题的反映与互动,为政府采购改革发展提供了更加真实、全面、及时、客观的事实和素材。
其次,大数据注重数据开放,通过数据的公开,一方面,可以促进政府采购的公开透明,强化社会监督;另一方面,能够为采购人、供应商、代理机构与评标专家挖掘数据价值、调节自身行为、进行协调配合和参与政府采购竞争提供极大便利,提高政府采购各方主体共同参与和采购效能。
第三,大数据注重占有和分析数据的整体而不是局部,注重分析数据之间的相关关系而不仅是因果关系,避免了传统依据抽样样本数据而带来的分析结果的片面性,使政府采购监督管理部门能够更加客观地捕捉现状和预测未来,提高决策的科学性。
因此,大数据技术在政府采购领域具有广阔的应用前景,充分利用大数据对政府采购制度改革发展和政府采购电子化建设具有至关重要的意义。
大数据在政府采购领域的应用初探
一是推进政府采购信息公开。通过利用大数据平台,可以将政府的各种政务置于阳光之下,有利于国家治理的公开透明,减少腐败。2013年7月,国务院办公厅印发《当前政府信息公开重点工作安排》,对当前包括行政审批、财政预算决算和“三公”经费、保障性住房信息等九大重点领域政府信息公开工作做出部署。
今年出台的《政府采购法实施条例》最鲜明的特点就是极大程度地强调了信息公开,对政府采购项目信息的公开提出了更高要求,加大了政府采购信息公开的力度,扩充了信息公开的范围和内容,更加注重信息公开的响应时间。这为推进政府采购信息公开提供了新的政策依据,也为大数据发挥作用提供了前提和机会。只有数据的公开,解决了大数据的数据来源之后,社会第三方力量才能有用武之地。
二是成为政府采购电子化建设新的推动力。政府采购电子化在经历探索阶段的快速发展之后,进入了发展的瓶颈期,传统的电子政务孤立业务系统建设思路已经不合时宜。大数据技术的出现为政府采购电子化注入了新的生命力,未来大数据应用才是政府采购电子化的最终目标和发展方向。可以说,传统的电子平台和系统建设是政府采购电子化的第一阶段,解决了把采购业务搬到电脑的问题。而当前,大数据推动政府采购电子化进入了新的阶段,通过互联网思维和大数据技术,使政府采购电子化能够提供智慧决策和精准服务,这才是政府采购电子化的本质。
三是提升政府采购的决策水平。大数据的特点在于数据量大,类型多,更新速度快,而政府在占有数据方面具有天然的优势。因此政府更能够从大数据的使用中受益,提升政府决策水平。一方面,大数据可以使政府能够更广泛地占有各方面的信息,并通过挖掘不同来源、不同格式数据的相关性,为政府决策提供更加全面客观的依据。另一方面,大数据可以将纷繁复杂多源异构数据快速处理成具有决策价值的有效信息,这一点在紧急采购中具有特别重要的意义,因为紧急采购项目决策的挑战主要来自于信息不完备和时间压力大,而大数据可以实现高度不确定性和高度时间压力下的快速分析决策,从而有效提升紧急采购能力和采购满意度。
四是提高政府采购的决策质量。高质量的决策,依赖于真实的情况反映。政府如果不能获得反映真实情况的数据,就很难更好地服务于决策。但是现实中往往各种信息相互混杂,真假难辨,为科学决策带来很多困难。利用大数据工具,可以设定数据指标,建立关联关系,对大数据本身的真实性进行印证检验,从而快速发现异常。比如,政府采购监管部门可以通过大数据线索分析,发现虚假投标、围标窜标的嫌疑供应商。
五是更好地为采购参与主体提供服务。通过大数据,政府能够全面感知和预测公众所需的各类服务和信息,及时发现需求热点,为用户提供更加智能化的办事、便民服务。同时利用大数据工具对公民需求的多维度多层次分析,把面上的需求判断变为对需求细节的感知,使政府服务更精细化。国务院办公厅近日发布《关于运用大数据加强对市场主体服务和监管的若干意见》,提出在政府采购等方面,运用大数据提高为市场主体服务水平。通过大数据分析,可以为采购人提供市场和产品商情,为供应商提供报价和投标参考等高端数据产品。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
Pandas 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在企业数字化进程中,不少团队陷入 “指标困境”:仪表盘上堆砌着上百个指标,DAU、转化率、营收等数据实时跳动,却无法回答 “ ...
2025-09-25MySQL 服务器内存碎片:成因、检测与内存持续增长的解决策略 在 MySQL 运维中,“内存持续增长” 是常见且隐蔽的性能隐患 —— ...
2025-09-24人工智能重塑工程质量检测:核心应用、技术路径与实践案例 工程质量检测是保障建筑、市政、交通、水利等基础设施安全的 “最后一 ...
2025-09-24CDA 数据分析师:驾驭通用与场景指标,解锁数据驱动的精准路径 在数据驱动业务的实践中,指标是连接数据与决策的核心载体。但并 ...
2025-09-24在数据驱动的业务迭代中,AB 实验系统(负责验证业务优化效果)与业务系统(负责承载用户交互与核心流程)并非独立存在 —— 前 ...
2025-09-23CDA 业务数据分析:6 步闭环,让数据驱动业务落地 在企业数字化转型中,CDA(Certified Data Analyst)数据分析师的核心价值,并 ...
2025-09-23