大数据时代背景下地方政府数据信息共享研究

本文涉及的产品
云原生大数据计算服务MaxCompute,500CU*H 100GB 3个月
简介:

数据信息的共享必须建立在具有广泛性和约束力的组织之上,并且参与各方均能从中获取回报,以使得这种共享关系可以长期化。这也就要求一个成功的数据信息共享组织必须具备三个要素:一是要具备一定的管理约束力;二是必须具备较为健全的制度框架;三是必须具有广泛性,即组织成员单位必须能够囊括当地政府主要职能部门。

大数据时代的到来,对于我国政府而言,既是挑战,也是机遇;既是解决问题的良策,也可能成为阻碍社会经济发展的障碍。政府职能部门通过对大数据的分析和应用,使得管理水平和精准施政能力得到了显著提高,进而在日常管理和决策过程中,对数据的依赖性也与日俱增。《关于印发政府信息资源共享管理暂行办法的通知》、《关于运用大数据加强对市场主体服务和监管的若干意见》等文件的印发,也再次说明了数据信息资源共享对于政府施政的重要作用和意义。

三大问题阻碍数据共享

从国家层面来看,虽然国家官方数据网站具有权威性强、覆盖面广等优势,但其更新速度较慢,且未包含市、县级数据,导致应用范围有限,而非官方综合数据库也存在类似问题。为了加大对数据信息资源的开发和利用,进一步提高施政效率,地方政府在数据信息资源共享方面也做出了不少尝试和实践,但迄今为止,能够全面囊括市、县级数据,实现高效互联互通的数据信息资源共享系统尚未出现。归根到底,主要原因有三个方面:

(一)缺乏统一平台,资源难以共享。数据信息并非实体,在进行交换和共享时,必须依托特定的渠道或平台,而我国绝大多数地区却不重视这类渠道或平台的建设。职能部门间常规化、制度化的数据共享行为普遍较少,偶尔的数据交换或共享,也仅仅因为某项业务的需要局限于几个部门之间,数据信息的传递渠道也多是通过社交工具或电子邮箱进行,安全性、保密性和可持续性难以保证。同时,地方政府数据信息主要来源于各个职能部门,由于缺少共享平台的统一标准和规范,不同职能部门对数据信息的采集和记录标准千差万别,常常导致分属两个部门但又高度相关的数据,由于统计口径和时间不一致等原因无法应用。

(二)部门各自为政,缺乏统筹兼顾。职能部门作为数据共享的参与者,其态度往往是决定数据共享成功与否的关键因素。实践表明,多数职能部门对待跨部门数据共享合作的态度都是消极的、被动的,而导致这种现象的主要原因有两点:一是政府职能部门间对数据的需求不对等。任何数据信息的获取,都需要付出一定的人力、物力或财力,这些付出可以看作数据信息获取的成本。在数据信息共享实践过程中,由于参与方对数据信息的需求程度不同,且缺乏必要的约束和制度,加之不同数据的成本往往很难衡量并有效地补偿,因此多数情况下,职能部门对于数据的共享都是消极的、被动的。二是数据资源垄断的保守思想作祟。数据信息作为信息时代的重要资源,数据信息资源的垄断在一定程度上代表着权利,代表着话语权,因此,数据信息的重要性对每个职能部门而言都是不言而喻的。数据信息的共享,则对每个职能部门来说,意味着放弃权利,而同时又得不到相应的回报,出于自身利益的考虑,职能部门间数据信息难以共享也就不足为奇了。由于以上种种原因,在没有部门强力推行、缺少制度约束的情况下,全面的数据信息资源共享只能成为空谈。

(三)制度保障欠缺,共享渠道不畅。我国数据信息管理方面的法律法规和相关制度大多是原则性、指导性的,对于数据信息的共享和发布没有强制要求,同时也缺乏统一的规划和标准,导致政府部门对数据信息的管理摸不着头脑,各自都有各自的理解。现实中,基础数据采集部门受限于人力和时间等条件的限制,很难对其采集的全部数据做到有效的利用,而缺乏对数据信息统一的标准和明确的责任划分,又导致其不清楚哪些数据和信息可以跨部门共享,哪些可以向社会公众发布,哪些又需要绝对的保密。同时,数据和信息的共享伴随着一定的风险,而制度不明确,导致风险责任难以界定。一旦发生数据泄露等问题,多数情况下责任只能由该项数据的提供部门承担。因此,对于非数据需求方来说,这项工作既要投入人力、物力和财力,又要承担一定的风险,而自身数据获取的成本又无法补偿。因此,对绝大多数地方职能部门来说,出于规避风险和责任的考虑,宁可数据安静地躺在电脑的硬盘当中,也不愿因数据共享而承担未知的责任。此外,这一问题也常常会导致多部门数据信息资源交换时,不同职能部门间相互推诿,协调和沟通困难,而最终预期目标不尽如人意。

相关建议

(一)建立规范、全面的数据信息共享平台。数据信息资源的共享与统一、规范、全面的共享平台息息相关,也是在操作层面首先需要解决的问题。一方面,各项数据信息资源的统计和采集需要统一的标准,而共享平台则是标准的载体,不同职能部门间的数据和信息通过共享平台的整合,从而实现统一化和标准化;另一方面,数据信息资源的共享需要畅通的渠道,而共享平台则可以很好地链接各个职能部门,作为各部门之间共享关系的载体,通过其实现数据信息的录入上传和查询应用。此外,在搭建数据信息资源共享平台过程中,可以采取循序渐进的方式,依托于政府门户网站建立,降低共享平台初期搭建和后期维护成本,在运行一段时间并取得一定成效后,再根据业务需要,逐步搭建独立的数据信息共享平台。

(二)建立统一、高效的协作组织。目前,已建立共享关系的职能部门之间,大多采取一对一的方式进行数据信息的交换和共享,由于两个部门数据获取成本和需求程度不同,付出和回报不对等,且双方关系缺乏必要的约束,随着双方数据信息需求的变化,这种关系很难持久。因此,数据信息的共享必须建立在具有广泛性和约束力的组织之上,并且参与各方均能从中获取回报,以使得这种共享关系可以长期化。这也就要求一个成功的数据信息共享组织必须具备三个要素:一是要具备一定的管理约束力。由于组织的成员单位都属于平级,相互之间没有隶属关系,甚至毫无业务网来,这就需要组织的牵头方对全体成员必须具有领导关系,从而确保组织目标——跨部门间数据信息资源共享能够顺利进行。在实践过程中,要借助行政管理约束力,可以将地方政府“一把手”作为该项工作的负责人,而牵头部门可以由当地政府办兼任,负责具体组织和协调工作。二是必须具备较为健全的制度框架。数据信息的共享必须具有可操作性,而制度约束则正是成员单位间数据信息能够正常共享的保障。制度必须明确和规范数据交换的范围、流程及成员单位责任和义务等相关内容,使全体成员明晰需要做什么,怎么做。三是必须具有广泛性,即组织成员单位必须能够囊括当地政府主要职能部门。数据信息的共享必须建立在组织成员单位互惠互利的基础之上,而只有这个组织成员单位具备一定的数量,才能提供足够多的数据信息,从而使得组织的每个成员都能够从中获取需要的数据信息,进而达到互惠互利的目的。

(三)建立完善的长效机制与考核机制。为了实现数据信息共享渠道畅通无阻,在建立跨部门数据信息共享协作组织的基础上,还需要建立完善的长效机制,增强各部门的责任意识,并辅以必要的激励措施,确保组织可以长期、高效运转。一方面,地方政府需要实施带有强制力的措施,通过法律、制度等形式,对不同类别的数据信息进行明确的划分和界定,并将数据信息资源共享工作作为各职能部门的责任和义务,使其清楚地认识到,什么数据必须共享,什么数据需要严格保密,什么数据可以向社会发布;另一方面,还应建立行之有效的考核评估体系,并将最终结果与各部门年终考核结果挂钩,并对数据信息资源共享工作考核评估结果较好的部门和一线操作人员,通过表彰和财政资金予以激励,提升各部门参与该项工作的积极性。通过完善的奖惩措施,从而有效调动参与部门积极性,确保跨部门数据信息共享工作能够顺利推进。

本文转自d1net(转载)

相关实践学习
基于Hologres轻松玩转一站式实时仓库
本场景介绍如何利用阿里云MaxCompute、实时计算Flink和交互式分析服务Hologres开发离线、实时数据融合分析的数据大屏应用。
基于MaxCompute的热门话题分析
Apsara Clouder大数据专项技能认证配套课程:基于MaxCompute的热门话题分析
目录
相关文章
|
2月前
|
数据采集 分布式计算 DataWorks
ODPS在某公共数据项目上的实践
本项目基于公共数据定义及ODPS与DataWorks技术,构建一体化智能化数据平台,涵盖数据目录、归集、治理、共享与开放六大目标。通过十大子系统实现全流程管理,强化数据安全与流通,提升业务效率与决策能力,助力数字化改革。
76 4
|
2月前
|
分布式计算 DataWorks 数据处理
在数据浪潮中前行:记录一次我与ODPS的实践、思考与展望
本文详细介绍了在 AI 时代背景下,如何利用阿里云 ODPS 平台(尤其是 MaxCompute)进行分布式多模态数据处理的实践过程。内容涵盖技术架构解析、完整操作流程、实际部署步骤以及未来发展方向,同时结合 CSDN 博文深入探讨了多模态数据处理的技术挑战与创新路径,为企业提供高效、低成本的大规模数据处理方案。
166 3
|
2月前
|
SQL 人工智能 分布式计算
ODPS:数据浪潮中的成长与突围
本文讲述了作者在大数据浪潮中,通过引入阿里云ODPS体系(包括MaxCompute、DataWorks、Hologres)解决数据处理瓶颈、实现业务突破与个人成长的故事。从被海量数据困扰到构建“离线+实时”数据架构,ODPS不仅提升了数据处理效率,更推动了技术能力与业务影响力的双重跃迁。
|
3月前
|
数据采集 人工智能 算法
数据没洗干净,分析全白干:聊聊大数据里的“洗澡水”工程
数据没洗干净,分析全白干:聊聊大数据里的“洗澡水”工程
91 1
|
4月前
|
存储 机器学习/深度学习 人工智能
数据与生命的对话:当大数据遇上生物信息学
数据与生命的对话:当大数据遇上生物信息学
157 17
|
4月前
|
机器学习/深度学习 存储 分布式计算
数据科学 vs. 大数据:一场“烧脑”但有温度的较量
数据科学 vs. 大数据:一场“烧脑”但有温度的较量
196 2
|
4月前
|
存储 SQL 分布式计算
别让你的数据“裸奔”!大数据时代的数据隐私保护实战指南
别让你的数据“裸奔”!大数据时代的数据隐私保护实战指南
209 19
|
5月前
|
数据采集 机器学习/深度学习 算法
别急着上算法,咱先把数据整明白:大数据分析的5个基本步骤,你都搞对了吗?
别急着上算法,咱先把数据整明白:大数据分析的5个基本步骤,你都搞对了吗?
205 4
|
2月前
|
SQL 人工智能 分布式计算
在数据浪潮中前行:我与ODPS的实践、思考与展望
在数据驱动决策的时代,企业如何高效处理海量数据成为数字化转型关键。本文结合作者实践,深入解析阿里云自研大数据平台 ODPS 的技术优势与应用场景,涵盖 MaxCompute、DataWorks、Hologres 等核心产品,分享从数据治理到实时分析的落地经验,并展望其在 AI 与向量数据时代的发展前景。
|
20天前
|
机器学习/深度学习 传感器 大数据
大数据真能治堵吗?聊聊交通行业用数据疏通“城市血管”
大数据真能治堵吗?聊聊交通行业用数据疏通“城市血管”
64 4

热门文章

最新文章