院士谈大数据时代的国家治理(下)

简介:   接上文,李院士的课题组,提出政府开放数据的六项原则: 开放原则:政府信息资源以共享为原则,不共享为例外。注意开放与保护隐私的平衡。 保障安全原则:根据安全等级确定数据共享的范围。 价值导向原则:开放的政务数据资源应具有经济价值和社会价值,共享的目的是促进数据资源的利用。


 

接上文,李院士的课题组,提出政府开放数据的六项原则:

开放原则:政府信息资源以共享为原则,不共享为例外。注意开放与保护隐私的平衡。

保障安全原则:根据安全等级确定数据共享的范围。

价值导向原则:开放的政务数据资源应具有经济价值和社会价值,共享的目的是促进数据资源的利用。

质量保障原则:内容完整可信,数据格式方便使用,内容及时更新

责权利统一原则:政务数据拥有部门承担数据开放的责任,依法明确可开放数据的范围。用户对下载后数据的使用行为负责。

数字连续性原则:被开放的政务数据资源应维护其数字连续性,可检索、可呈现、可理解、可被发现,保证可持续再用。

 

举个例子,在某市《政府信息资源共享管理办法》中,写到“行政机关未经提供信息的行政机关同意,不得擅自向社会发布和公开所获取的共享信息”。如果是无条件开放的数据,为什么不能再公开。对于“无附加条件共享”的政府数据,应实行“非限制即共享的原则”。又写到“行政机关要求获取的共享政府信息属于政府信息共享目录之外的,信息化主管部门应当提请同级人民政府做出决定”。这些立法的指导思想是规定你能共享什么你才能获得什么信息,不是规定你不能获得什么,其他的数据都可以获得。需要考虑从“管理”到“治理”的转变。应考虑如果在已有“目录”外有新的数据出现,如何迅速处理。不及时批准能否共享,就无法共享和开放。

 

评价政府开放数据的5维度框架

  • 政策与立法:相关的立法文件和政策;政府数据共享的程序和标准

  • 技术:共享数据格式的规范程度;数据质量如何;数据是否通俗易懂;数据更新和维护水平等

  • 管理架构与组织形式:监督和合作机制是否恰当,是否明确谁承担保证数据质量的责任;是否提供激励机制让公共部门提供数据(包括对公务员的激励机制);是否明确谁承担费用,维护政府开放数据的金融机制和费用模式等。

  • 沟通交流:政府开放数据是否形成良性的生态系统;企业界的支持程度;公众对政府开放数据的兴趣;反馈渠道是否畅通;公众对政府开放数据的满意度等。

  • 效果和效益:政府数据共享产生的经济效益和社会效益;数据共享对政府本身工作效率的提高等。

 

举两个例子,美国着重技术层面的开放数据评价体系,主要评价参数是

  • 网站表现(总访问量,平均访问时长,等等)

  • 用户满意度(用户推荐率,用户返回率,等等)

  • 搜索指标(第一关联商业搜索引擎,第一搜索关键词,等等)

  • 用户体验

  • 移动端指标

 

日本则是基于具体领域的开放数据评价体系,从企业、民生、公共服务三个角度设立开放数据的KPI。

 

最后,综合以上几个考核点中,摘出几条我们任务特别重要的:

(一)  共享数据应以公众需求为导向。

数据开放的“目录”不是登记政府现有的数据,而是要按照群众的实际需要编写“目录”,按需求归档。美国在政府信息化建设中坚持“以公众需求为导向”的理念,美国联邦政府在电子政务建设中提出了“让人们点击3次鼠标把事情办完”的口号,减少企业或老百姓与政府部门打交道的时间和成本要使公众真正成为政府信息化主角,促使政府从内部进行变革,实现全民政府的理想,公众的需求将成为未来政府信息化发展的原动力。德国政府的“让数据而不是公民跑路”等都充分体现了“以人为本”的服务理念

 

(二)  重视数据共享的成本

信息共享一定要算经济账,不是共享信息越多越好。共享一定能带来信息化成本的节省。曙光公司在包头市做政府数据共享,节省50%成本(节约1亿元),信息化进度加快5年以上。信息共享在给共享方带来多种收益的同时,也带来了相当的成本支出。信息共享的方案设计是实实在在的经济选择问题,经济上不合理的信息共享方案是必定不能持久。应建立一个全面、科学的数据共享评价指标体系,不仅关注数字指标,还要特别重视质量指标。如社会满意度,服务质量系数等。要明确规定评估的程序,秉着真实、客观、公平的原则,对其运转过程中的投入、产出和最终的成果的绩效评定和划分等级。建立科学的激励机制,为信息资源共享提供强大的动力。

 

日本“一体化”政府平台设想

日本提出,2013~2020年期间以发展开放公共数据和大数据为核心的日本新IT国家战略,把日本建设成为一个具有“世界最高水准的广泛运用信息产业技术的社会”。日本电子政府在构建之初,并没有考虑到政府系统需要“一体化”的问题,所以产生了大量重复的情报系统,从而增加了公众的负担(需要重复操作申请/申报流程),也增加了运营成本。在2013年《创造世界最先进IT国家》宣言中,日本提出了构建“一体化”政府平台的设想。通过引进金融中“portfolio management”(组合管理)的概念和“费用VS效果”的指标,废除大量不必要的情报系统,目标是

    1)现有的约1500个情报系统减半(2018年实现);

    2)运营成本降低30%(2021年实现)。

 

重视政府信息资源开发利用的“效能、效益和效率”

建立开放数据生态系统。美国2000年取消了对民用GPS精度的限制,国内就有约300万的就业岗位依赖于GPS。加拿大电子政务建设,连续第五次被著名跨国咨询公司埃森哲评为全球第一。加拿大在组织在线信息和服务时,并不是根据管理机构的职能,而是从公众和企业的需要出发在电子政府信息资源管理过程中,政府将不再大包大揽,更多的将充分依托社会力量,采取外包的方式广泛采取了市场运作的外包模式,进行政府信息资源的商业化开发利用。

应从政府信息资源开发利用后的“效能、效益和效率”(简称“三效”)作出全面、客观、公正的评价,建立一套科学绩效评价体系显得尤为重要。这里要提一个观念问题——数据再利用。国外有数据再利用法,中国没有,中国有个误区,政府开放数据后,政府要再利用,越充分利用越好。实际是错的!政府拿税收收入采集数据,很多国家限制政府再利用,不许政府利用。要求政府必须把数据给公众来利用,因为如果政府再利用数据,政府有近水楼台,有其他数据使用者所不具备的竞争优势,对其他使用者有妨碍。所以美国及很多国家立法,限制政府对数据再利用。我们国家不是这样,很多机构自己要利用。

 

最后归纳一下阻碍政府信息共享的因素:不愿贡献、不敢共享、不能共享

  • 缺乏政府数据共享的理念,对治理现代化认识不足。

  • 缺乏政府数据共享机制的责任主体,怕犯泄密错误,宁可不作为。

  • 缺乏数据共享的法规和制度,无法可依或者法律法规间相互冲突。

  • 缺乏政府数据共享的统一标准和规范,缺乏治理机制设计。

    国家对政府数据共享没有合理的财政预算。政府信息资源再利用中收费机制不合理,利益分配不均衡。一些政府部门将政府信息资源产权部门化,设置信息利用的壁垒。以为共享的信息越多越好,提出的信息共享目标不切合实际。信息化基础差,面对跨部门信息共享的需求,心有余而力不足。

政府数据的采集和开发利用投入产出比低,效益低下。

谢谢大家!


原文发布时间为:2014-03-03


本文来自云栖社区合作伙伴“大数据文摘”,了解相关信息可以关注“BigDataDigest”微信公众号

相关实践学习
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
相关文章
|
数据采集 监控 数据管理
数据治理之道:大数据平台的搭建与数据质量管理
【10月更文挑战第26天】随着信息技术的发展,数据成为企业核心资源。本文探讨大数据平台的搭建与数据质量管理,包括选择合适架构、数据处理与分析能力、数据质量标准与监控机制、数据清洗与校验及元数据管理,为企业数据治理提供参考。
590 1
|
数据采集 监控 大数据
大数据时代的数据质量与数据治理策略
在大数据时代,高质量数据对驱动企业决策和创新至关重要。然而,数据量的爆炸式增长带来了数据质量挑战,如准确性、完整性和时效性问题。本文探讨了数据质量的定义、重要性及评估方法,并提出数据治理策略,包括建立治理体系、数据质量管理流程和生命周期管理。通过使用Apache Nifi等工具进行数据质量监控和问题修复,结合元数据管理和数据集成工具,企业可以提升数据质量,释放数据价值。数据治理需要全员参与和持续优化,以应对数据质量挑战并推动企业发展。
3542 3
|
存储 数据采集 数据可视化
Java 大视界 -- 基于 Java 的大数据可视化在城市交通拥堵溯源与治理策略展示中的应用(191)
本项目探索了基于Java的大数据可视化技术在城市交通拥堵溯源与治理策略中的应用。通过整合多源交通数据,利用Java生态中的大数据处理与可视化工具,构建了交通拥堵分析模型,并实现了拥堵成因的直观展示与治理效果的可视化评估。该方案为城市交通管理提供了科学、高效的决策支持,助力智慧城市建设。
|
数据采集 机器学习/深度学习 DataWorks
DataWorks产品评测:大数据开发治理的深度体验
DataWorks产品评测:大数据开发治理的深度体验
794 1
|
机器学习/深度学习 存储 数据采集
解锁DataWorks:一站式大数据治理神器
解锁DataWorks:一站式大数据治理神器
486 1
|
数据采集 分布式计算 大数据
数据治理之道:大数据平台的搭建与数据质量管理
【10月更文挑战第27天】在数字化时代,数据治理对于确保数据资产的保值增值至关重要。本文探讨了大数据平台的搭建和数据质量管理的重要性及实践方法。大数据平台应包括数据存储、处理、分析和展示等功能,常用工具如Hadoop、Apache Spark和Flink。数据质量管理则涉及数据的准确性、一致性和完整性,通过建立数据质量评估和监控体系,确保数据分析结果的可靠性。企业应设立数据治理委员会,投资相关工具和技术,提升数据治理的效率和效果。
581 2
|
存储 数据采集 算法
大数据平台治理——运营的角度看数仓
大数据平台治理——运营的角度看数仓
431 0
|
存储 分布式计算 DataWorks
MaxCompute产品使用问题之dataworks仅支持maxcompute上面的数据治理吗
MaxCompute作为一款全面的大数据处理平台,广泛应用于各类大数据分析、数据挖掘、BI及机器学习场景。掌握其核心功能、熟练操作流程、遵循最佳实践,可以帮助用户高效、安全地管理和利用海量数据。以下是一个关于MaxCompute产品使用的合集,涵盖了其核心功能、应用场景、操作流程以及最佳实践等内容。
311 0
|
数据采集 存储 监控
大数据治理:确保数据质量和合规性
【5月更文挑战第30天】大数据治理涉及数据分类、访问控制和质量监控,以确保数据安全和合规性。企业需保护个人隐私,防止数据泄露,并遵守各地法规,如GDPR和CCPA。技术实践包括数据加密、匿名化和严格访问控制。管理策略则强调制定政策、员工培训和法律合作。全面的数据治理能保障数据质量,驱动组织的创新和价值增长。
917 0
|
存储 SQL 分布式计算
大数据平台治理资源成本化
大数据平台治理资源成本化
483 0

热门文章

最新文章