
大数据国家战略推动“数据驱动经济”
五中全会首次明确大数据上升为国家战略。大数据时代的到来,让“数据驱动”成为新的全球大趋势。国家竞争战略正从对资本、土地、人口、资源/能源的争夺转向对大数据的争夺。
日前闭幕的五中全会首次明确大数据上升为国家战略。
大数据时代的到来,让“数据驱动”成为新的全球大趋势。国家竞争战略正从对资本、土地、人口、资源/能源的争夺转向对大数据的争夺。大数据颠覆性地改变经济形态、国际安全态势、国家治理和资源配置模式,引发了巨大的经济社会变革,而数据开放与共享成为推动各国大数据发展的使能器。
近些年来,全球各国纷纷将开放数据纳入到国家发展战略。截至2014年4月,全球已有63个国家制定了开放政府数据计划,数据开放推动政府从“权威治理”向“数据治理”转变。美国政府最先对大数据革命做出战略反应。2009年,美国联邦政府发布《开放政府指令》,作为大数据的前奏推出了“D ata.gov”公共数据开放网站。2012年3月,美国联邦政府发布了《大数据研究和发展计划》,正式启动了“大数据发展计划”,宣布将投入超过2亿美元在大数据研究上。
欧盟同样是数据开放的积极行动者。2011年11月,欧盟数字议程采纳欧盟通信委员会《开放数据:创新、增长和透明治理的引擎》的报告,开始推进开放数据战略,该战略从三方面对原有法律、政策进行修订与补充:第一,建立适应信息再利用的法律框架;第二,动用金融工具,以支持开放数据和行动作为建立欧洲经济数据门户的部署;第三,促进各成员国之间的协调与经验交流,为开放数据与共享提供平台。
此后,欧盟专门在2014年发布了《数据驱动经济战略》,有望近期内成为欧盟经济单列行业,为欧盟恢复经济增长和扩大就业,做出巨大贡献。欧盟在大数据方面的活动主要涉及两方面内容:一是研究数据价值链战略计划;二是资助“大数据”和“开放数据”领域的研究和创新活动。数据价值链战略计划包括开放数据、云计算、高性能计算和科学知识开放获取四大战略,主要原则是:高质量数据的广泛获得性,包括公共资讯数据的免费获得;作为数字化单一市场一部分,欧盟内数据的自由流动;寻求个人潜在隐私问题与其数据再利用潜力之间的适当平衡,同时赋予公民以其希望形式使用自己数据的权利。
大数据对于中国的战略意义母庸置疑。中国是全球互联网用户、移动互联网用户最多的国家,拥有庞大的数据生产和数据消费的主体。我国已经具备建设数据大国的潜在优势。
然而,与国外先进国家相比,数据共享与开放严重滞后。我国政府掌握着80%以上的数据,是大数据时代的财富拥有者,政府作为政务信息的采集者、管理者和占有者,具有其他社会组织不可比拟的信息优势。但由于信息技术、条块分割的体制等限制,各级政府几个部门之间的信息网络往往自成体系,相互割裂,相互之间的数据难以实现互通共享,导致目前政府掌握的数据大都处于割裂和休眠状态。行政分割导致数据无法共享。我国政府数据资源多按地域或部门进行分割管理。不同地域和部门为了自身利益,形成人为数据共享壁垒,加大了政府大数据开发难度。由于政府部门业务管理信息系统开发和建设的“部门化”,政府信息系统出现“系统林立”和分裂状态,政府公共信息资源重复采集现象严重,信息摩擦和治理成本偏高。
总体而言,我国政府开放数据的程度远远落后于世界领先国家。从国际上公认衡量各国信息化发展水平的全球电子政务发展指数(EG D I)上看,近十年,我国EG D I排名先升后降,从2003年第74位升至2005年第57位,2012年又跌至第78位,已经严重阻碍大数据在国家治理中的统筹与应用。因此,近期出台的《促进大数据发展行动纲要》提出要把数据开放共享作为战略部署的重要任务切中要害,顺应未来发展大势。
随着数据治理理念的影响渗透,我国公共数据开放共享进程开始逐步加快。2013年,国务院发布了《关于促进信息消费扩大内需的若干意见》,要求促进公共信息资源共享和开发利用,推动市政公用企事业单位、公共服务事业单位等机构开放信息资源。此外,2011-2013年陆续上线了国家数据(N ationalData.gov.cn)、北京市政务数据资源网(BjData.gov.cn)和上海政府数据资源网(DataShanghai.gov.cn)。然而,总体而言与发达国家还有非常大的差距,据“开放知识基金会”发布的《2013年开放政府数据普查》结果,在被普查的全球70个国家和地区政府中,我国综合排名第35位,与我国经济大国和数据大国的身份极不匹配。
数据开放与共享涉及到诸如数据跨境流动和数据主权,数据开放隐私保护、数据安全保障及其政策框架体系等问题,这些重大问题的有效处理和把握将是影响中国未来推动数据开放、实施数据治国战略的关键所在。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10在科研攻关、工业优化、产品开发中,正交试验(Orthogonal Experiment)因 “用少量试验覆盖多因素多水平组合” 的高效性,成为 ...
2025-10-10在企业数据量从 “GB 级” 迈向 “PB 级” 的过程中,“数据混乱” 的痛点逐渐从 “隐性问题” 变为 “显性瓶颈”:各部门数据口 ...
2025-10-10在深度学习中,“模型如何从错误中学习” 是最关键的问题 —— 而损失函数与反向传播正是回答这一问题的核心技术:损失函数负责 ...
2025-10-09本文将从 “检验本质” 切入,拆解两种方法的核心适用条件、场景边界与实战选择逻辑,结合医学、工业、教育领域的案例,让你明确 ...
2025-10-09