京公网安备 11010802034615号
经营许可证编号:京B2-20210330
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
Python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在数据驱动决策的时代,企业与从业者每天都会面对海量数据——电商平台的用户行为数据、金融机构的信贷风险数据、快消品牌的营销 ...
2026-04-01在数字化转型的浪潮中,企业数据已从“辅助运营的附属资源”升级为“驱动增长的核心资产”,而一套科学、可落地的企业数据管理方 ...
2026-04-01在数字化时代,每一位用户与产品的交互都会留下可追溯的行为轨迹——电商用户的浏览、加购、下单,APP用户的注册、登录、功能使 ...
2026-03-31在日常数据统计、市场调研、学术分析等场景中,我们常常需要判断两个分类变量之间是否存在关联(如性别与消费偏好、产品类型与满 ...
2026-03-31在CDA(Certified Data Analyst)数据分析师的职场实战与认证考核中,“可解释性建模”是核心需求之一——企业决策中,不仅需要 ...
2026-03-31多层感知机(MLP,Multilayer Perceptron)作为深度学习中最基础、最经典的神经网络模型,其结构设计直接决定了模型的拟合能力、 ...
2026-03-30在TensorFlow深度学习实战中,数据集的加载与预处理是基础且关键的第一步。手动下载、解压、解析数据集不仅耗时费力,还容易出现 ...
2026-03-30在CDA(Certified Data Analyst)数据分析师的日常工作中,“无监督分组、挖掘数据内在聚类规律”是高频核心需求——电商场景中 ...
2026-03-30机器学习的本质,是让模型通过对数据的学习,自主挖掘规律、实现预测与决策,而这一过程的核心驱动力,并非单一参数的独立作用, ...
2026-03-27在SQL Server数据库操作中,日期时间处理是高频核心需求——无论是报表统计中的日期格式化、数据筛选时的日期类型匹配,还是业务 ...
2026-03-27在CDA(Certified Data Analyst)数据分析师的能力体系与职场实操中,高维数据处理是高频且核心的痛点——随着业务场景的复杂化 ...
2026-03-27在机器学习建模与数据分析实战中,特征维度爆炸、冗余信息干扰、模型泛化能力差是高频痛点。面对用户画像、企业经营、医疗检测、 ...
2026-03-26在这个数据无处不在的时代,数据分析能力已不再是数据从业者的专属技能,而是成为了职场人、管理者、创业者乃至个人发展的核心竞 ...
2026-03-26