
二、大数据条件下 “云治理”模式的价值
“大数据时代”的来临,无疑是伴随着“数据”向“大数据”的转化进行的。虽然对大数据时代的理解不能局限于概念和技术,而应该引申至文化、哲学、社会学、政治学、管理学等诸多领域,但是无论如何引申和扩展,其本身所具有的“云技术”特征,依然是最稳固、最鲜明的核心根据。
1.“云治理”概念成立的前提。
大数据时代的来临非同小可,“大数据”将改变商业运作、政府管理、生活方式和信息的积累,促使整个社会发生伟大的变革。政论家认为,“大数据的民意和政治”将开启网络民主的新时代,执政者应该适应大数据时代的要求,积极应对“快速自由”的民意,善于应对各种“民意事件”;媒体专家认为,大数据时代使得任何有关“民生问题”的信息传播,都有可能引发公共危机事件;信息技术专家认为,新的“移动革命”将产生“移动形态的大数据”,最终产生“移动性质的信息爆炸”。与传统的固定居所、固定空间的信息传播形式不同,真正的“流动性大浪”将把世界淹没,社交媒体公司的传统模式将出现衰退趋势;哲学家认为,大数据开启了一个新的流动性“时间坐标”,开启了一个“信息时间”无所不在、到处侵扰的新型的现代性存在形态。
表面上,“大数据”仅仅是对社会存在的“数据状态”的一种描述而已,本身谈不上什么更深刻的含义。如果使“大数据”真正得以应用,还必须与“云计算”相联系。传统的数据处理方式已经不能适应大数据的收集、整理、储存、检索、共享、分析等多重功能。倘若不加整理,所谓的大数据的网络空间就会成为“塞满垃圾信息的旷野”。显然,“大数据”的存在依据是技术信息的飞速膨胀。但是,这里的技术信息并非纯粹的技术性范畴,而是已经与全球化的生活、生产紧密地融为一体。从经济到文化、从意识形态到社会治理、从政治到国际关系,“大数据”之所以能够在其中发挥着越来越重要的作用,关键就在于大数据背后所隐含的“云计算”。对海量的、多样化的“大数据”现象进行“云计算”,可以快速获得各自所需的有价值信息。在这个意义上,拥有“大数据”是一种“资料前提”,更是一种“资源前提”。显然,“云治理”概念成立的前提,是网络化资源、服务的不断增加。其中,“计算机化”则是促使“云治理”走向社会、走近民间的一个关键性的技术应用和操作概念。“计算机化”、“数字化”是网络化的技术前提与基本保证。
“大数据”的真实价值隐藏于各种各样、毫无规则的数据之下,要发掘数据价值、征服“数据海洋”,关键性动力就在于“云”的逻辑计算能力。随着数据总量呈几何级数增长,处理数据的技术将跨越式提升,“算法”会更加简明、高效,不仅软硬件升级,人类对数据的认识也不断深化。数据量扩展并不等于一个公司或机构具备拥有和利用大数据的前景,能够进行数据的深度发掘与关联性建构才能称得上拥有大数据。也就是说,在20世纪末,我们讨论互联网时代的社会现象时,最大的关注点就是对世界各种各样的信息化、网络化现象的判断与反思。而今天,我们讨论的问题是,社交网络、电子商务与移动通信把人类社会带入了一个以PB(即1024TB,1TB=1024GB)为单位的“结构化与非结构化”的各类“数据事实”的新时代。从“数字”到“数据”,再到“大数据”,本身已经不再专属于“技术发展”的范畴,而是能够反映社会发展(尤其是经济运行)方式变化的重要线索。通过“大数据”,我们可以看到个体化存在、群体运动和社会运行诸多崭新的特征。
2.“云治理”新模式的价值选择。
“云治理”作为社会治理新模式价值选择的逻辑依据在于:以超越社会传统治理的逻辑形式,实现“社会治理主体”的社会化,通过互联网的技术平台,实现更为高效地分享公共信息、公共服务的社会职能,促进解决社会资源闲置和无效的社会难题。在传统的社会治理模式中,“主控性的社会治理”成为最突出的特点,而大数据促进了公共信息、公共资源乃至私人闲置资源的分享与流动,这对社会治理提出了更为严峻的挑战。这意味着,纯粹的“公私界限”分立的“治理模式”,尽管在逻辑上成立,但在“云治理”的视野下,将遭遇共治、共享的新价值观念和庞大社会需求的冲击。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
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在 CDA 数据分析师的日常工作中,常会遇到这样的困惑:某电商平台 11 月 GMV 同比增长 20%,但究竟是 “长期趋势自然增长”,还 ...
2025-10-09Pandas 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