京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大数据如何帮助政府实现“精准治理”
大数据缘何受到如此重视?业内专家曾以“大、智、移、云”形容当前国内快速进入的技术变革期。大数据、智能化、移动互联、云计算成为驱动中国经济社会转型进步的重要力量。而大数据这一几乎横跨所有社会经济领域的技术变革,无疑会给中国带来更多的改变。
大数据如何支撑政府服务能力提升?走在互联网技术创新前沿的BAT(百度、阿里巴巴、腾讯)等大型互联网企业正立足既有资源再创新,推动政务服务便利化。如腾讯与广东省政府达成基于大数据的政务服务体系建设目标。腾讯支持广东省网上办事大厅和政务云平台建设,在广东各地市全面部署微信“城市服务”网络,为交通、公安、民政、住房城乡建设等政府部门提供业务整合、在线办理云平台、大数据支撑等服务。
这仅仅是大数据支撑政府治理能力提升的第一步,更多的对政策走向、决策支撑、精准治理和多方协作的大数据创新仍需持续发力。
大数据撬动社会治理、市场监管创新
“当数据的价值被发现之后,可以提升国家和政府治理能力现代化,深刻影响每个人的生活形态。”龙信数据(北京)有限公司董事长李钰说。
商事制度改革正在为经济社会带来活力。然而,政府管理需要关注的不仅是注册企业数量的增长,民营企业生存状态、活跃度、就业拉动、税收贡献度等情况也应受到关注。
为此,龙信数据与相关部门联合,将企业注册等关键数据分析处理。相关方与龙信组成“企业发展与宏观经济发展关系分析”课题组,汇总政府数据,加之数据挖掘、电话抽样、焦点组访谈等多种方法结合,取得一般量化统计难以完成的数据结论——国内商事制度改革不仅让市场主体数量增加,更让产业结构持续优化,企业社会总成本持续下降等等,其中仅人员成本就下降近40%。
“大数据应用也将社会治理、市场监管转变为实时监测。”李钰举例,工商部门治理“非法集资”一直是高成本任务。一方面,违法企业以各种名目遮掩违法行为;另一方面,注册企业数目快速攀升,数量巨大。大数据破解了这一难题。
“我们汇总分析大量数据,通过指标计算比对、模型筛选,可以在数以百万的企业中让‘高度疑似’的企业呈现。我们最后筛选出1000多户企业,供政府部门进一步检查。”李钰说,这个复杂过程在以往难以想象。
大数据不仅为政府部门的治理节约时间、人力成本,也更新了治理思路和模式。“以前很多违法行为的治理可以说是事后去追究,现在一些监测治理可以让很多行为提前发现、及早治理。”李钰说。
开放、标准、产业、安全:大数据发展关键词
目前,推动政府运用大数据创新支撑治理能力提升,包括数据资源开放、人才培养、数据立法、接口标准、安全机制等问题仍然有待突破。
实际上,《纲要》已明确提出弥补这些“短板”,即“三项主要任务”:首先要加快政府数据开放共享,推动资源整合,提升治理能力;同时要推动产业创新发展,培育新兴业态,助力经济转型;还要强化安全保障,提高管理水平,促进健康发展。开放、标准、产业、安全成为关键词。
多位业内人士接受采访时表示,当前首要工作是推动政府部门数据加速开放共享。
事实上,此前包括北京等地的政府部门数据陆续开放共享,为数据创新迎来利好。北京市科学技术委员会牵头打造“首都科技大数据平台”,整合长期分散于各个政府部门、科研院所、行业部门的科技数据资源,并逐步向社会数据需求方开放,提升科技资源的公共服务能力。
“北京每年有大量的医疗科研、临床数据、交通运转数据、金融行业数据产生,科研院所也有不少技术成果、技术交易数据、新技术新产品等数据。”北京市科学技术委员会主任闫傲霜说,然而,这些政府科技数据资源大多存于不同平台,分割严重,大多处于沉睡状态,缺乏整合开发。
“有些政府部门把数据资源守得紧紧的,舍不得共享。共享机制不顺畅将制约产业发展、数据应用、服务国家战略等。”李钰说,国家需要进一步让政府部门数据开放,让产业与政府数据充分融合。
产业离不了人才,人才是大数据发展的重要支撑。北京大学校长林建华表示,数据科学人才培养成为亟须加强的方面。“大数据能否做成,关键在能不能聚焦人才培养。”
然而,高校和产业界人士普遍认为,当前大数据人才的培养相对滞后。北京航空航天大学软件学院院长孙伟认为,传统IT教育很难将前沿技术和课堂传授知识结合起来,培养出的人才难以与产业接轨。人才培养应更加面向市场需求、技术前沿。
与此同时,大数据产业发展的理念、标准、安全等也应当得到重视。李钰等产业界人士说,当前国内要实现“数数相连”,相关部门仍需要推动标准制定,将数据产业与数据资源有效打通。
法制的跟进也需要得到重视。当前,国内关于政府信息数据的加工、应用、推广等仍处于相对松散、自发状态。业内人士建议,国家需要有明确的法律条文规范大数据的发展,特别需要以法律法规划定大数据开发利用的边界。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
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在数据量爆炸式增长的今天,企业对数据分析的需求已从“有没有”升级为“好不好”——不少团队陷入“数据堆砌却无洞察”“分析结 ...
2025-11-13在主成分分析(PCA)、因子分析等降维方法中,“成分得分系数矩阵” 与 “载荷矩阵” 是两个高频出现但极易混淆的核心矩阵 —— ...
2025-11-12大数据早已不是单纯的技术概念,而是渗透各行业的核心生产力。但同样是拥抱大数据,零售企业的推荐系统、制造企业的设备维护、金 ...
2025-11-12在数据驱动的时代,“数据分析” 已成为企业决策的核心支撑,但很多人对其认知仍停留在 “用 Excel 做报表”“写 SQL 查数据” ...
2025-11-12金融统计不是单纯的 “数据计算”,而是贯穿金融业务全流程的 “风险量化工具”—— 从信贷审批中的客户风险评估,到投资组合的 ...
2025-11-11这个问题很有实战价值,mtcars 数据集是多元线性回归的经典案例,通过它能清晰展现 “多变量影响分析” 的核心逻辑。核心结论是 ...
2025-11-11在数据驱动成为企业核心竞争力的今天,“不知道要什么数据”“分析结果用不上” 是企业的普遍困境 —— 业务部门说 “要提升销量 ...
2025-11-11在大模型(如 Transformer、CNN、多层感知机)的结构设计中,“每层神经元个数” 是决定模型性能与效率的关键参数 —— 个数过少 ...
2025-11-10形成购买决策的四个核心推动力的是:内在需求驱动、产品价值感知、社会环境影响、场景便捷性—— 它们从 “为什么买”“值得买吗 ...
2025-11-10