TOE框架下的省级政务大数据发展水平影响因素与发展路径——基于fsQCA实证研究

黎江平 姚怡帆 叶中华，

(1.中国科学院大学中丹学院 北京 100190；2.中国科学院大学公共政策与管理学院 北京 100190)

0 引 言

党的十八届三中全会将推进国家治理体系和治理能力现代化提上政策议程之后，其内涵日益丰富，相关的顶层设计也在不断完善。与此同时，以大数据为代表的新一代信息技术方兴未艾，也为加速推动国家治理体系和治理能力现代化提供了新契机。经过实践的检验，大数据凭借大容量、高速性和多样性等特点，在提升政府治理的效率以及精确度方面表现出了显著的优势。基于此，各地政府纷纷对大数据发展给予了充分的重视，以期通过政务大数据建设提升省级政府数字治理的能力。截至2020年底，省级政府共出台了254份与大数据发展相关的地方性法规、政府规章和规范性文件。其中，22个省(自治区、直辖市)设立了专业化的大数据管理机构，用以监督和管理与大数据发展相关的各项事务[1]。实际上，各地区的政务大数据发展水平并不同步，“数字鸿沟”和“数字烟囱”依然是阻碍数据开放与共享效率和水平的关键性问题。2017至2019年，中国社会科学院发布的《大数据蓝皮书：中国大数据发展报告》显示，大数据政用指数最高的广东省领先排名末尾的西藏27.44分(总分为30分)，东部地区大数据政用指数高出中西部地区近6分，表明我国政务大数据发展水平地区差异明显，呈现“东强西弱”的格局[2]。那么，这一差异产生的原因是什么？换言之，影响政务大数据发展水平的因素有哪些？对该问题的回答有助于协调政务大数据发展的地区差异，进而促进我国政务大数据的整体水平提升，因而亟需大数据领域的研究者和实践者给予关注。

当前，学界对影响大数据发展的因素进行了卓有成效的探讨，按研究对象可划分为三大类：整体大数据发展的影响因素研究、大数据产业发展的影响因素研究、政务大数据发展的影响因素研究。有关整体大数据发展的影响因素的研究较少，王少泉[3]从经济发展水平和环境两个维度探讨了影响大数据发展水平的因素并建议因地制宜发展大数据。在大数据产业发展的影响因素研究方面，Abawajy[4]指出信息技术基础设施是制约大数据产业发展的关键因素。雷庭[5]认为技术、高端人才、商业模式、政策环境等因素对大数据产业的发展至关重要，而基础设施因素和市场规模因素的影响较小。周瑛、刘越等[6]则主张技术因素、行业竞争因素和经济因素是影响大数据产业发展的最主要因素。也有研究基于fsQCA方法得出经济发展水平、信息化发展水平及两化融合水平是经济较发达地区发展大数据产业的关键因素，而信息技术创新能力和信息资源开发利用能力则是经济欠发达地区发展大数据产业的关键因素的结论[7]。在政务大数据发展的影响因素研究方面，刘银喜等从宏观层面指出，政府数据治理能力受政府系统内外部诸多因素的影响。Sejahtera Surbakti等[8]则通过文献回顾的方法从微观视角识别出组织、技术等7大类41个影响政府部门有效使用大数据的因素。总体上看，当前研究仍停留在理论层面，多采用文献分析的研究方法，实证研究较少。在研究内容方面，偏重于关于大数据产业发展的影响因素的研究，对政务大数据发展的影响因素的关注不足。此外，有关大数据发展影响因素的选取略显宏观，缺乏对影响因素产生作用的机理以及影响因素之间的相互关系进行深入探讨。

综上，本文将目光聚焦在政务大数据的发展水平上，借鉴政策工具创新的TOE框架(Technology-Organization-Environment)，采用模糊集定性比较分析法(fsQCA)对全国31个省(自治区、直辖市)政务大数据的发展水平展开实证研究，识别影响省级政务大数据发展水平的因素及其作用机理。在实证分析结果的基础上，提出缩小政务大数据发展地区差异，促进我国政务大数据整体发展的政策建议。

1 理论基础

作为信息时代的衍生产物，大数据不只是一项单一的技术，而是一个概念，一套技术系统，具有规模性、多样性和高速性的特征[9]。这意味着需要将大数据发展的相关研究置于系统性和整体性的视域下，纳入除技术之外的其他因素，进行多维度和多层面的全面考察。在中国地方政府数字化转型的众多议题研究中，基于技术应用情境的综合性分析框架——TOE框架应用较为广泛。TOE框架(technology-organization-environment)最早由Tornatizky和Fleischer两位学者提出，Tornatizky和Fleischer将影响技术应用条件的讨论放在技术(Technology)、组织(Organization)和环境(Environment)三个层面下展开[10]。该分析框架不仅聚焦于技术层面的考察，还将组织因素和环境因素纳入到考量范围之内。其中，技术层面强调技术本身的特征以及其他相关的技术因素；组织层面关注与技术相匹配的组织结构特征，譬如制度、机制、资金投入等因素；环境层面聚焦在会对技术能力产生影响的情境因素，如资源、需求、基础设施等因素。已有学者基于TOE框架考察了中国地方政府网站建设的绩效差异[11]、省级政府数字治理影响因素与实施路径[12]、政务服务数据协同治理水平[13]以及政府在电子服务能力方面的影响因素[14]。以上研究表明TOE框架在我国数字治理和电子政务领域具有较强的解释力和适用性。鉴于地方政府数字变革的深层次因素在于通过技术变革促成组织结构和组织关系的变革，因此需要将影响技术应用的组织因素纳入考察范围。习近平总书记在“实施大数据战略 加快建设数字中国”的重要讲话中强调，“全面实施促进大数据发展行动，完善大数据发展政策环境”[15]，说明了科技的昌明进步离不开环境层面关键性因素的支持。可见，TOE框架的内涵符合中国政务大数据发展的客观规律，基于此，本文在TOE框架下，结合现有研究和中国具体的治理情境，在技术、组织和环境层面设置了影响中国省级政府政务大数据发展水平的相关变量。

1.1技术层面因素政务大数据发展能力的研究属于数字治理的研究范畴，数字治理理论是治理理论与技术论的整合，从理论特质上看，数字时代信息技术嵌入政府治理，技术是数字治理理论相较于其他治理理论的最大特点，强调通过技术赋能组织变革，重塑公共部门管理流程，进而产生治理效能，实现治理模式的转变。率先提出数字治理理论的英国学者Patrick Dunleavy[16]认为，信息技术的发展是推动数字时代政府治理的重要力量之一，对信息技术的理解与应用是影响数字化进程的重要因素。关于技术层面，TOE框架更加强调基于技术应用场景的综合性因素，其中，技术创新基础条件反映了一个地区整体的技术资源禀赋，它衡量了某一地区对技术和知识的聚合能力，以及将知识和技术转化为新观念、新产品和新应用的能力。因此，本文将技术创新基础这一变量引入分析框架，分析它对政务大数据发展水平的影响。

1.2组织层面因素组织与技术是能够产生相互作用的两个因素，大数据作为新兴信息技术，能够推动组织框架和组织模式的变革；同时，组织作为技术发展的结构性保障，也会对政务大数据发展的效果产生深远的影响。美国著名学者Jane·Fountain[18]提出了“技术的执行”概念，认为技术不能自行决定它的前程，而是会受到政治、组织、社会安排等中介性影响，换言之，信息技术变革需要关注到组织体制、内部组织文化等作用因素[19]。另外，政府的行为选择取决于政府的注意力分配[20]，因此，政务大数据发展水平会受到政府注意力的影响。具体到中国情境，政府在制度保障和机构建设两个方面的举措是影响一个政策或项目推进落实的重要因素。其中，政策文件是政府行为和意识的物化载体，政策文本的数量直接反映了领导者对大数据发展相关议题的重视程度。另外，机构建设是提高大数据发展水平在组织层面的重要保障，通过设置大数据管理和发展机构，能够加速专业化技术人才、知识和技术的集聚，形成技术创新的合力。因此，本文选择政策关注度和组织机构支撑度为组织层面的影响因素。

1.3环境层面因素“在技术革命到来之际，人与环境的互嵌性，人在自己制造的崭新环境中如何求存，已经是一个现实驱动人们去面对的新问题”[21]。在中国，与电子政务阶段不同，新时代的数字政府建设旨在通过信息技术赋能公共部门管理，实现业务重组和流程再造，进一步推动国家治理体系和治理能力的现代化发展。大数据时代的政府应该是以公民需求为导向，以公众响应为目标的服务型政府。这驱使政府运用大数据够精准感知用户需求并快速作出回应。在中国的政治体制中有一个有意思的现象—“晋升锦标赛”[22]，即政府官员对经济增长的追求源于中央政府所采取的锦标赛式的绩效考核机制，这种观念深刻地形塑着同级政府间的竞争行为。如果经济发展接近且地理相邻的同级政府在政务大数据发展方面表现优异，将会影响本省政府对政务大数据发展的重视程度。综上，从环境层面来讲，公民需求以及同侪竞争压力都会对政务大数据发展水平产生深刻的外部影响。

2 研究设计

2.1研究方法：模糊集定性比较分析法定性比较分析法(QCA)是一种基于集合论与布尔代数的研究方法。该研究方法由美国学者Charles C.Ragin在20世纪80年代创立，经过多年的发展与完善，已被广泛应用于政治学、经济学、社会学领域的研究[23]。QCA方法综合了案例分析和定量分析的优点，从整体视角关注条件组态与结果之间的复杂因果关系，兼顾了结论的广泛适用性和研究的深入性[24]。依据变量的类型，QCA还可细分为确定集定性比较分析法(csQCA)、多值集定性比较分析法(mvQCA)和模糊集定性比较分析法(fsQCA)[25]。

本文采用fsQCA方法主要基于以下考量：a.相较于其它2种定性比较分析法，fsQCA方法并不要求变量为二分变量，而在本研究中连续性变量居多，因此更适合采用fsQCA方法以避免数据转制造成的信息失真；b.政务大数据发展水平是多重因素并发的结果，其影响过程错综复杂，同时线性与非线性影响机制交织，fsQCA方法适合处理此类问题；c.fsQCA方法对案例数量的要求较低，并且在10-60个案例数量的中小样本分析中具有突出优势[26]。本文所选取的省级层面的政务大数据研究案例数量为31个，符合fsQCA方法对案例数量的基本要求。综上，fsQCA方法与本研究是十分匹配的，它的使用能够为本研究提供很好的指导。

2.2案例选择与变量设计

2.2.1 案例选择 本文选取中国省级行政单位作为政务大数据发展的影响因素的研究对象，理由有三点：a.省级政府兼有中央政策的执行者和地方政策的制定者的双重角色，是纵向政府层级中承上启下的关键一环。对省级政务大数据的发展水平的考察，不仅有助于领会中央层面的政策意图，也能对更低层级的政府推进政务大数据发展带来启示。b.政务大数据发展门槛高，要求具备较好的资金、人员、技术和基础设施条件。相较于市级政府和基层政府，省级政府的政务大数据发展更为成熟和完善。c.省级层面数据的可获取性更高。当前，已有针对省级政务大数据发展的评估报告出炉，但完整的地市级和基层政务大数据发展水平的评估报告尚未问世。

2.2.2 变量设计 本文的结果变量为省(自治区、直辖市)级政务大数据的发展水平。政务大数据发展水平涉及数据资源存量、数据开放质量、数据互联共享等多个维度，评估较为复杂。中国社会科学院大数据发展战略重点实验室自2017年起定期发布《大数据蓝皮书：中国大数据发展报告》对省级大数据发展水平进行排名，其权威性受到业界的广泛认可，因而选取该报告中“大数据政用指数”这一指标，来衡量各省政务大数据发展水平。需要指出的是，2020年发布的《大数据蓝皮书：中国大数据发展报告No.4》评价体系与2017-2019年报告的评价体系差异明显，为保持结果变量的数据一致性，只选取2017-2019年的报告结果。

如理论基础部分所述，技术创新基础、政策关注度、组织支撑度、公民需求和同侪压力等5个因素为本文的条件变量。技术层面包括“技术创新基础”，由于研发强度(研发投入占GDP的比重)是衡量一个地区技术创新能力和氛围的关键指标，因此，本文采用研发强度表征技术创新基础，数据来源是各省(自治区、直辖市)统计年鉴。组织层面包含“政策关注度”和“组织机构支撑度”两个条件变量。其中，“政策关注度”通过有关大数据的规范性政策文件数量进行衡量，该数据来源于北大法宝网站。“组织机构支撑度”则采用各省大数据管理机构的设置情况进行衡量，通过查询各省人民政府官网以及其他权威网站，核实各省大数据管理机构的设置情况。具言之，截至2018年底，设置了省级大数据管理机构的省份赋值为1，未设置省级大数据管理机构的省份则赋值为0。环境层面则包含“公民需求”和“同侪压力”两个条件变量。“公民需求”采用互联网网民比例(互联网普及率)进行衡量，数据源自国家统计局官网以及各省统计年鉴。“同侪压力“的具体衡量指标则为与该省处于同一经济地带(国家统计局划分的八大经济地带)且接壤的省份的大数据政用指数平均得分，数据来源与结果变量一致，均为《大数据蓝皮书：中国大数据发展报告》。需要指出的是，除组织机构支撑度之外的条件变量指标均采用2016-2018年数据的平均值(见表1)。

表1 变量选取概况

2.3数据校准数据校准是实施模糊集定性比较分析的前提，fsQCA中的数据校准是指将各变量的原始数值转化为其在集合中的隶属程度。为完成校准，需要为每个变量设定3个锚点：完全隶属(赋值=1)、交叉点(赋值=0.5)以及完全不隶属(赋值=0)。参照学界惯例，将样本数据的95%、50%和5%分位数分别设定为完全隶属、交叉点和完全不隶属，具体校准锚点如表2所示。

表2 数据校准锚点

3 fsQCA分析

模糊集定性比较分析主要包括必要条件分析和条件组态分析两个步骤。前者用来衡量单一条件变量对结果变量的解释程度，后者分析条件变量组合对结果变量的解释程度。分析结果用总体一致性与总体覆盖率两个指标来衡量。前者表示条件组态对结果变量的解释程度，后者表示条件变量可以解释的案例数量[27]。

3.1必要条件分析在进行条件组态分析之前，首先需要明确各条件变量是否为构成结果变量的必要条件。利用fsQCA3.0软件对所有条件变量的一致性和覆盖度进行了检验(参见表3)，结果显示，各变量一致性均低于临界值0.9，说明各条件变量均无法单独构成结果变量的必要条件[20]。这体现了政务大数据建设的复杂性，因此需要综合考量各条件变量的联动对省级政务大数据发展水平的影响。

表3 必要条件分析

3.2条件组态分析通过真值表分析，得到了政务大数据高水平发展的七种条件组态，表4清晰地展现不同组态的解释力和各条件变量在不同组态中的相对重要性。其中，每一列代表了一种可能的条件组态。表4中，总体一致性为0.873，表明在满足这7种条件组态的省级政府案例中，有87.3%政务大数据发展良好。总覆盖度为0.856，表明这7种条件组态能够解释85.6%的政务大数据发展较高水平的案例。由于总一致性与总覆盖度均高于临界值，表明本研究的实证分析有效。根据核心条件的不同，7种组态可以归纳为黄牛型(组织主导型)、脱兔型(技术主导型)与雄师型(技术-组织共同主导型)三种模式，以下分别对三种发展模式加以分析。

表4 省级政务大数据发展良好的条件组态分析

3.2.1 黄牛型 从政务大数据发展水平的条件组态来看，组织层面的相关条件变量在组态1、2、3中发挥了巨大的作用，使得具备该类条件的省级政府在政务大数据发展中呈现出了良好的态势。这一类条件组态中，组织机构支撑度和政策关注度为核心条件，此类省级政府在政务大数据发展的过程中主要采取设置专门的大数据组织机构和出台有关大数据政策等策略，在大数据发展的推进中成绩突出。这种发展模式下的省级政府注重顶层设计，重视组织变革和财政支持，抓住了政府数字化变革的组织要素，遵循政府治理的客观规律，勤勤恳恳。本文将具有此类特征的条件组态统称为黄牛型(组织驱动型)。通过进一步分析，3种不同的条件组态表现出一定的差异性。

在条件组态1中，政策关注度为核心条件，这意味着，组织层面的注意力分配对省级政务大数据的发展十分重要。这类路径能够解释约33.9%的拥有较高大数据发展水平的省级政府案例，且有2.0%的案例仅能被这一路径解释。条件组态1表明，当组织对大数据的政策关注度较高且公民需求旺盛时，即使技术创新基础较弱，同时也未设置大数据管理机构，其政务大数据亦可保持较高的水准。结果分析发现，四川省的大数据发展模式与该条件组态较为贴合。具体而言，四川省政府的技术创新基础并不突出，研发强度排在全国第14位，也未成立省级大数据专职管理机构，缺乏组织机构支撑。然而，在2016至2018年期间，四川省有关大数据的规范性文件年均数量位列全国第7，该省对大数据发展的重视程度可见一斑。此外，四川省人口众多、移动互联网普及率较高，因而公民需求较旺盛。综上，凭借高政策关注度和旺盛的公民需求，四川省的政务大数据获得了长足的发展。

在条件组态2中，组织机构支撑度为核心条件，同侪竞争压力为边缘条件。该组态表明对于技术创新基础和政策关注度处于中等水平但同侪竞争较大的省级政府而言，如果能够较早地组建大数据管理机构，则可获得较高的政务大数据发展水平。38.3%的省级政务大数据发展案例可被这一组态路径所解释，其中，4.0%的案例仅能够被这一路径解释。作为这类条件组态的典型代表，与北京、天津毗邻的河北省面临着较高程度的同侪竞争压力，鉴于此，河北省于2018年11月组建了河北省政务服务管理办公室，统筹推进全省的“互联网+政务服务”工作，承担起政务大数据一体化平台建设的重任。得益于机构支撑度和同侪竞争压力，河北省大数据政用指数位居全国前列。

条件组态3表明，当省级政府成立了大数据管理机构且面临高同侪竞争压力时，即使不具备突出的技术创新基础和政策关注度，也不论公民需求如何，其政务大数据发展水平依旧较高。这一路径可解释24.3%的省级案例，其中，2.3%的案例仅能够被该路径所解释。条件组态3的典型代表是重庆市。重庆市于2018年11月5日组建了大数据应用发展管理局，负责全市大数据资源的建设和管理。此外，由于得天独厚的气候条件和政府高度重视，临近的贵州省已经成为中国政务大数据发展的“领跑者”之一，另一邻省四川省的政务大数据发展水平也较高。因此，重庆市还面临较高的同侪竞争压力。

综上，三种条件组态虽同属于由组织层面因素驱动的黄牛型，但不同条件组态仍有所差异。与组态1相比，虽然组态2和3在政策关注度方面的表现没有那么突出，但专业的机构设置所带来的组织结构变革与同侪竞争压力和公民需求所带来的协同效应，仍然可以保障较高发展水平的省级政务大数据。

3.2.2 脱兔型 该发展模式以技术层面的要素为主导，所隶属的案例尽管在组织层面没有给予足够的重视，但凭借较为优越的技术创新基础，其政务大数据发展仍处于中上水平。因而，本文将具有此类特征的条件组态称为脱兔型(技术驱动型)。脱兔型发展模式以组态4为典型代表。

组态4表示一个省份如果具备强大的技术创新基础，加之旺盛的公民需求，即使未设立大数据管理机构，亦不论公民需求和同侪竞争压力如何，均能产生较好的政务大数据发展效果。这一路径能够解释37.8%的较高政务大数据发展水平的案例，其中，4.6%的案例仅能被这一路径解释。此路径下的典型案例是江苏省。例如，虽然江苏省并未设立专门的数字治理机构，在大数据领域出台的规范性政策文件也相对较少，但在强大的技术创新基础与旺盛的公民需求的双重加持下，其政务大数据发展水平依旧较高。

3.2.3 雄狮型 条件组态5、6和7表明，组织层面和技术层面的相关条件变量推动了省级政府大数据建设的高水平发展。在这一类条件组态中，相较于其他条件，技术创新基础、政策关注度以及机构支撑度是最为核心的变量。这类省份经济发达，研发强度较大，重视科学技术的全局性突破作用，较早地抓住了技术变革的机遇，因而具备了较高的技术创新基础；与此同时，省级政府还认识到组织层面对技术变革的支撑作用，在财政资源供给和机构设置等方面都赋予了足够的支持，因而在组织和技术因素的共同驱动下，具备了较高的大数据发展水平。为了凸显省级政府如同雄狮一般，对先进技术的敏感和高超的领导与组织能力，本文将具有此类特征的条件组态统称为雄狮型(组织-技术驱动型)。

组态5表示，公民需求较旺盛的省份，在具备较完善的技术创新基础条件时，如果省级政府能够给予较多的政策关注度，则该省份将会拥有较高的大数据发展水平。有49.6%的省份可以被这一路径解释，其中，有3.2%的案例仅能被这一路径所解释。从实践来看，作为改革开放的排头兵，广东省在数字化转型进程中先行一步，在具备较高公民需求和技术创新基础条件的前提下，省级政府对大数据发展给予了充分的关注度，先后发布了《2015年广东大数据行动计划》以及《广东省促进大数据发展行动规划(2016-2020年)》，指导广东省大数据的发展与应用。这一系列的措施，促使广东省成为全国政务大数据发展的高地之一。

组态6表明，在一个技术创新基础较完备且公民需求旺盛的省份，若能较早成立省级大数据管理机构，其政务大数据均可达到上佳水平。这一路径能够解释39.7%的政务大数据发展水平高的案例，并且有4.2%的案例仅能被这一路径解释。北京市是这一发展路径的典型代表。作为高科技企业和人才分布最密集的地区之一，北京市的大数据技术创新基础在全国首屈一指，2016-2018年平均科技研发强度为5.92%，高居全国第一。其次，北京市移动互联网普及率高、公民需求旺盛，要求政府提供更为便捷高效的政务服务。不仅如此，北京市还较早地组建了大数据管理机构，为政务大数据的发展提供有力的组织机构支撑。综上，在技术创新基础、组织机构支撑度和公民需求共同作用下，北京市的政务大数据发展水平已跻身全国一流行列。

组态7表明，若一个省份技术创新基础好、对政务大数据关注度高，同时面临较大的同侪竞争压力时，无论机构支撑度和公民需求条件如何，其政务大数据发展水平较高。这一路径能够解释44.3%的政务大数据发展水平高的案例，并且有5.5%的案例仅能被这一路径解释，唯一覆盖度为所有路径中最高。山东省属于该发展路径。该省大数据技术创新基础较好，2016-2018年平均科技研发强度处在2.30%的高位。近年来，山东省政府深刻把握大数据等新兴信息技术的变革意义，注重将大数据运用于政府治理，出台一系列政策文件推动“数字山东”建设。此外，山东省地处发达的北部沿海经济地带，临近省份的政务大数据发展水平较高，因此，该省面临较大的同侪竞争压力。

进一步比较雄狮型的三种路径，可以发现，组织和环境层面的条件变量之间存在替代效应。具体而言，通过对比组态5和组态6可以发现，政策关注度和机构支撑度可以相互替代。另外，对比组态6和组态7可以发现，公民需求和同侪竞争压力对于政务大数据的高水平发展具有同等效用。

4 结论与政策启示

4.1研究结论当下技术革命席卷而来，大数据作为其中的先进信息技术代表正从根本上改变人类的生活方式和政府的治理模式。与之相对，政务大数据发展水平的提高也需要技术、组织以及环境因素的强有力支持。首先，从技术层面来看，技术赋能的力量惊人。尽管雅斯贝斯对第二轴心时代的到来秉持着谨慎的态度，但现如今科学技术的极速发展已经成为第二轴心期的主要特征。“人类已经无法脱离技术的重大影响，回到诞生时期的状态”[28]。技术创造了新的工具和机器，不仅改进了人们的生产方式，提高了劳动的效率和质量，还极大地推动了组织关系的变革。其次，在组织层面上，政府仍然是引导技术良性发展的无可替代的组织实体，政府通过机构改革、资源供给和政策把控等方式，使技术在可控的状态下保持长足的发展和整体的创新。从治理情境来看，政府数字化转型是一场系统性、全方位和持续化的技术变革和组织变革，任何积极作为和有效竞争仍是基于客观的外部需求和资源做出的，环境因素是技术变革能够稳健推行的重要外部条件。

基于此，本文以TOE理论为分析框架，应用模糊集定性比较分析方法(fsQCA)，探索影响省级政务大数据发展的因素及其实施路径。研究发现：a.省级政务大数据发展水平受到政府的技术创新基础、政策关注度、组织支撑度、公民需求和同侪压力等因素的综合影响。其中，技术创新基础、政策关注度以及组织支撑度是核心要素，但是这些条件变量均无法单独构成省级政务大数据高水平发展的必要条件。b.共有7种建设高发展水平的省级政务大数据的路径，依据主导因素的差异，本文将其归纳为黄牛型(组织驱动型)、脱兔型(技术驱动型)和雄狮型(技术-组织驱动型)三大发展模式，各路径均涉及不同条件变量的共同作用，且不同路径中条件变量的协同机制有所差异。c.隶属于黄牛型发展模式的省级案例，缺乏较强的技术创新基础，其政务大数据的发展主要受到组织因素驱动。d.其中，以高政策关注度为主要驱动力的省份需要关注公民需求，用以取得更好的政务大数据发展绩效；单纯依靠机构支撑度驱动的省份则需同时兼顾公民需求和同侪压力等环境因素对政务大数据发展水平的外部影响。e.脱兔型发展模式对政策注意力分配和组织机构建设重视不足，但依托强大的技术基础和创新能力，政务大数据发展水平较高。f.与其他两种模式相比，隶属于雄狮型发展模式的省级政府的政务大数据发展水平最高，该类案例不仅拥有卓越的技术创新基础，在组织层面也对政务大数据发展给予充分的政策关注、重视大数据专门管理机构的设置。在这一类型中，组织层面的高组织机构支撑度与高政策关注度两个因素对政务大数据建设所起的作用可相互替代；类似的替代效用在环境层面的高公民需求和高同侪竞争压力两个因素之间也同样存在。

4.2政策启示在中国，随着大数据发展日新月异，实施国家大数据战略，加快建设数字中国已经是不谙的事实。习近平总书记在中共中央政治局第二次集体学习时强调，大数据是信息化发展的新阶段，应实现跨层级、跨地域、跨系统、跨部门、跨业务的协同管理和服务，运用大数据提升国家治理现代化水平[29]。本文旨在最大限度弥合各地区政务大数据发展鸿沟，提升我国政务大数据发展整体水平，进而助力国家治理体系和治理能力现代化。从结论来看，公民需求并非影响政务大数据发展的核心要素，表明当前政务大数据建设未完全遵循以人民为中心的价值导向。此外，政务大数据三种发展模式中，雄狮型的省级政务大数据发展水平最高且后劲十足，因而该类案例应为脱兔型和黄牛型政务大数据先进地区以及政务大数据后发地区学习的标杆。不过，由于在资源禀赋、技术基础和公民需求等方面存在差异，各省份在制定政务大数据建设的策略时需因地制宜。

对于黄牛型政务大数据发展高水平的省级政府来说，技术早已成为地方政府数字化转型过程中最为灵活的变量，如何将技术融入组织变革是数字政府治理无法跳脱的关键性问题。为此，在“互联网+政务服务”的背景之下，地方政府应转变治理理念，认识到大数据、人工智能、区块链等新型技术在不同治理场景中提供技术应用的重要性。其次，应夯实技术治理的基础，建立统一的政务大数据管理与应用平台，打破地区、部门以及组织之间的“数字烟囱”和“数字鸿沟”，实现跨地区、跨部门、跨组织、跨层级的数据开放与共享。最后，为了避免“技术赋能”沦落为“技术负能”的悲剧，还应提高行政部门的公职人员对技术的应用能力，明晰有关部门与行政人员的基本职能，加强对政务服务全方位、全流程和全部门的监督与管理，确保政务大数据的长足发展，进而驱动政府数字化转型的良性运作。

对于脱兔型政务大数据先进省份而言，应对政务大数据建设给予更多的组织层面的支持。一方面，应尽快成立省级大数据管理机构，整合各方资源，为政务大数据发展提供机构支撑；另一方面，应分配更多的组织注意力，加大资金投入，配备专业化人员队伍，同时以“新基建”为契机加强大数据基础设施建设，巩固和提升大数据的技术创新基础。脱兔型发展路径适合少数政务大数据发展水平较低的东部省份。这些省份尽管经济较发达，但由于未给予政务大数据充分重视或未及时转变观念接纳新兴技术，而在政务大数据建设领域暂时落后。因此，政务大数据处于后发地位的东部省份可通过转变守旧的观念、拥抱新技术，激活良好的技术基础和应用能力，在短期内促进政务大数据的发展。

随着“数字中国”和“智慧社会”战略的推进，信息技术助力政府数字化转型不仅在于实现政务大数据的开放与共享，其核心旨归是实现“公共服务供给侧”向“公共服务供给侧与需求侧并重”的转变。特别是数字治理相关议题的复杂性和不确定性日益凸显，政府更应该采取一种整体性策略以助推信息技术对政府治理结构的根本性变革。在大数据发展的过程中，应以公民需求为导向，建设一个承认公民地位、尊重公民诉求、注重需求回应的回应型政府。其次，省级政府还应提高自身的技术应用能力，建设一个将信息技术作为有效治理手段，能够整合数据资源，协调治理责任的智慧型政府。最后，在政府数字化转型的过程中，最根本的挑战不是对技术手段的创新能力，而是对这些先进信息技术进行应用和管理的能力，需要建设一个能够协调组织利益、加大大数据建设投入力度和重视程度的服务型政府。