
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
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