探析政府大数据治理有效性提升策略

2022-02-27朱涵钰

中国管理信息化 2022年1期

关键词：政府

朱涵钰

（华北水利水电大学管理与经济学院，郑州 450046）

0 引言

2015 年以来，国务院相继下发《促进大数据发展行动纲要》和《推进“互联网＋政务服务”开展信息惠民试点实施方案》等文件后，我国政务信息化发展从共享交换时代进入大数据时代。2020 年，《中共中央、国务院关于构建更加完善的要素市场化配置体制机制的意见》明确将数据作为与土地、劳动力、资本、技术四类要素同等的第五类生产要素，同时还指出要通过推进政府数据开放共享来提升社会数据资源价值。数据是数字经济时代的新型生产要素，其生产价值已经在各个行业凸显出来。

从借助高分辨率卫星影像等新的数据源，到人口普查记录等传统数据集，政府部门拥有的数据比以往任何时候都要多。针对海量数据的收集、分析和使用的新型管理方法正在改变着政府机构的业务流程和为社会大众服务的方式。政府机构部门众多，其业务流程不同、参与主体不同、所需的信息技术基础架构也不同。在对政府大数据的利用和维护过程中，既要参照不同的业务标准，又要兼顾其独特的业务流程需求。

当前，各地把政府大数据建设作为推动政府治理体系和治理能力现代化、促进经济社会发展的重要抓手，纷纷成立了大数据管理部门，并制订了地方大数据发展行动计划，从数据质量、数据安全、数据应用、共享开放与相互操作等方面展开工作并取得了一定的成效，但仍还存在诸如大数据思想意识不成熟、管控碎片化、责权不明晰等困难。如何重构政务数据治理思维，提升政务数据治理的合理性及逻辑性，做到有效提升数据治理的能力，还需要大数据治理的思想和手段。

1 政府大数据治理的关键活动和原则

大数据是大规模或超大规模的数据资源的集合，也称海量数据，以数据规模大、处理速度快、数据类型多、价值密度低、数据准确性低为主要特征。在构建、使用和管理大数据的过程中，政府承担着公共责任，是大数据的主要拥有者。政府大数据是通过大数据技术整合与公共事务和政府事务相关的数据，并将其应用在政府业务领域，以支持政府机构的业务需求，同时提升政务服务的能力。政府大数据包含了政府开展工作过程中产生的内部数据，以及因管理服务需求而采集的外部数据，包括自然信息、城市建设、城市管理、民生消费等。

大数据治理是综合利用计算机科学、数据科学、公共管理学等多学科知识和技能，对海量数据的集中管理，有组织、有计划地开展数据识别、政策制定、问题识别、数据评估、数据监督、数据交换等各项活动（见表1）。这些活动之间核心的底层逻辑是基于数据资产化的思路。也就是说，加强政府大数据治理的顶层设计首要问题是将数据视为政府所拥有的战略资产之一。从关注数据资产利用的视角展开对数据的识别、利用、评估和监督等。

表1 政府大数据治理的关键活动

要实现对数据资产的有序治理和高效利用，让数据发挥其支撑政府部门做出具有时效性、现实性、精准性的管理决策的核心作用，数据治理应遵循三项关键的原则。第一，政府大数据治理应具备立法职能（包括标准文件和政策）、司法职能（解决问题或违规的过程）和行政职能（行政管理和持续提供服务）的责任。这些责任在各个组织单位中通用，符合共享决策的总体数据治理原则。第二，政府大数据治理应实现多层级一致性的管理模式。大数据治理包括更广泛的国家治理以及地方一级的政策制定和计划，因此，应保持从中央政府到省市县各级地方政府在各区域、各行业中对数据治理运作的方式相同。第三，参与实施治理的立法和执行的各职能部门之间的职责应相对分离。大数据治理应当遵循政府治理的一般科学规律，政府应将负责治理相关的立法部门和执行大数据治理各部门分离开来，以制衡管理执行过程中权力分配，提升数据治理的执行效能。

2 政府大数据治理有效性面临的现实困境

2.1 数据文化氛围未成熟

组织内缺乏数据文化已经成为数据治理领域排名第一的非技术障碍。Gartner 发布的《CDO 成功构建数据驱动型组织的10 种方法》一文中也指出，数据素养是数据与分析领导者面临的障碍之一，不改变组织内部对话，就无法改变组织的行为。目前，不论是政府机构还是企业领域，都还普遍存在对大数据及其效能的片面认识，不能深刻理解数据编目、数据清洗、数据分析在保障数据的完整性和准确性方面发挥的关键作用。政府机构的多数人员更关注其传统业务的操作和执行，对新兴技术缺乏全面的、深刻的理解，形成了在机构内部及跨部门之间对数据治理工作上投入的人力成本、资金成本，以及时间成本很难产生共同愿景和理解，阻碍了数据素养的提升和数据文化氛围的形成，降低了数据治理工作执行的效率。

2.2 治理规划策略不充分

近年来，我国各级政府对数据资产化的管理意识有所提高，但重视程度依然较弱。自2010 年至今，全国共出台了125 份省级政府层面与政务数据治理直接相关的政策文件，其中接近半数省份出台的相关政策文件数量都少于三份。实践中，数据管理部门（或者是数据中心）直接对接业务部门和数据需求，制定数据产生的规则，构建符合标准的数据框架。但是，如此操作也使得数据治理部门影响或改变了原有的业务部门间的权力分配，引发了传统业务部门的抵制，降低了数据治理部门的治理成效。同时，由于大部分的数据治理需求是在传统业务部门工作开展之后产生的，而并非由数据本身产生了生产价值而驱动组织去做数据方面的工作，这也使得本应具有统筹权力的数据治理工作更难以高效推行。

2.3 数据质量问题凸显

高效能的数据治理是建立在高质量数据的基础上的。当前许多政府部门的核心业务流程系统相对陈旧，并且没有按照明确定义的数据所有权和职责进行操作，这使得数据存储欠缺规范性，数据分散存储在数据孤岛中。数据显示，全国各地方政府开放的有效数据集总数从2017 年的8 398 个，增长至2020 年的98 558个，四年间增长超过10 倍。数据量的增加加剧了不良质量和低效集成的现状。在这样的数据质量环境中，再有效的数据分析工具、管理理念、治理方法都无法发挥其应有的优势。这些数据相关的业务流程的执行效率自然降低，也就会增加对政府的决策产生不利影响的风险。

3 政府大数据治理有效性提升的应对策略

基于政府大数据治理所面临的挑战，本研究建议采取“五步走”策略推动政府大数据治理水平快速提升。

3.1 培育整体性、量化性和价值性的大数据思维

大数据不仅推动了先进技术对我国数据资产的应用，同时也是创新思维的一种外在表现形式。培育全民大数据思维，主要包含三个重要的维度。

第一，树立整体性的大数据思维。在大数据时代，随着科技的持续创新，大数据思维也逐步从一元思维晋升到了二元思维。大数据的二元思维方法以效率性、相关性和概率性为主导思想，更适合当今社会快速发展的需求，也为整个国家和社会的创新发展提高了效率。由于整体性的大数据思维模式能够更高效地完成数据的统计和分析，因此，该思维模式最适合作为解决问题时的首选思路模式。

第二，树立量化性的大数据思维。当今社会，数字信息技术的快速更新换代已成为互联网时代发展的必然趋势，量化性的大数据思维正是这种数字化特征引发的必然结果。量化的具体表现为，采用最新的科学技术和策略方法，对各个行业进行信息全面定量采集以及信息互通，打通信息间隔阂，并进行全新的信息整合，实现分析实用性及数据科学性，创造更具价值的数据应用和信息资产。

第三，树立价值性的大数据思维。在大数据技术的推动下，大数据的价值化特征及其数据的价值性意义正在不断被挖掘并变得越来越明显。随着大数据思维的不断开发和研究，越来越多的行业大数据思维模式被采纳和应用，国家和政府层面也应不断提升大数据思维在政务系统中的应用认识高度。

3.2 对大数据分类分级，策划数据治理的策略

政府数据分类的目的是通过多维数据特征准确地描述政府基础数据类型，从而实现对政府数据的有效管理和对政府数据价值的最大利用。分类的依据是基于政府数据的属性或特征，按照特定的方法和原则进行区分和归类，而后建立相应的分类体系和排列顺序，以优化政府数据的管理和使用。

政府数据分类应注意分类的科学性、稳定性、实用性和扩展性，坚持从政府数据的内容属性度量，采用多维度分类和线性分类两相结合的方式。先将政务数据从主题、行业和服务三个维度分类，再在每个维度上采用线性分类法将其细分为不同的级别。

政府数据分级是通过政府数据的敏感程度确定数据类型，从而为政府不同类型数据的开放和共享策略的制定提供支撑。因此，分级应按照自主定级和明确需求的准则。分类时应将政府数据对国家安全、社会稳定和公民安全的重要程度，以及数据是否涉及国家秘密、用户隐私等敏感信息这类因素作为核心关切点考虑。例如，贵州省于2016 年9 月发布的《政府数据数据分类分级指南》中就将政府数据按照政府数据敏感度分为三类：公开数据为非敏感性数据、内部数据为涉及用户隐私数据、涉密数据为涉及国际秘密数据。

在完成对政府数据的分类和分级的工作后，根据数据治理需求的迫切程度，确定某个特定类别和级别的数据，开展数据治理工作。这种治理思路的优势在于能够更大程度地满足大数据治理后续跟进工作的需求。负责数据治理的团队通过和实际掌握业务数据的部门对接，更有效地将信息目标与业务目标有机统一。在这个过程中，所有的政府大数据利益相关者通过协调并达成共识，共同策划数据治理的策略。这比大范围地、不分政务业务领域地进行数据治理的方式要容易执行得多。

3.3 确定大数据的可用性，调研数据归属部门

要进行数据治理，仅仅完成分类分级和制定策略是远远不够的。这些不同类别和级别的海量数据是否具有可用性，以及它们都归属于哪些部门都是需要关注的问题。

首先，确认政府大数据的可用性。大数据治理的前提是数据具备可用性。因为一旦数据在这个特性上出现问题，数据的利用度将会直线下降。正因如此，对政府大数据的治理必须从整个政府机构组织的视角入手，查验数据是否满足这个性质。政府数据中的数据仓库、应用程序、已有的文件结构和其他外部系统等产生的数据，形式多样且体量不一。而且，政府内不同部门对访问这些数据的要求也不相同，有些数据需要批量访问，有些数据需要实时或接近实时进行访问。例如，在公安系统中，对公民的出入境信息进行实时监控是至关重要的。又例如，在税务系统中，在分析企业全年纳税额度趋势时，可能需要将该数据以批量调取的方式移动到数据集市进行分析。然后，展开政府大数据调研，确定数据的归属部门。由数据治理团队专门组织调研小组，采取从数据的产生者，也就是从实际使用该业务的公民或企业代表那里开始，通过一对一的访谈或者向他们发放问卷等方式，开展针对数据特征和数据归属地的调研活动。调研小组可以和实际操作或使用这些数据的人员一起，利用数据分析的实践方法来识别业务数据，以分辨出数据传递过程的最佳流程。而后，调研小组将这些调研结果转交给数据治理团队中的信息技术专业人员，由信息技术专业人员根据调研结果，选取不同的数据清理技术，并启动基于业务内容或业务规则的数据清理工作。其间，政务数据治理应关注所有数据参与者的需求，反过来，所有数据参与者也都有责任共同确保数据的可用性、正确性和有用性。

3.4 提升政府大数据完整性，建立数据治理的问责机制

数据的可用性、正确性和有用性有了保证以后，还要进一步提升数据的完整性。第一，数据剖析。在分析数据时，根据质量度量的方法来衡量数据质量的高低。这里应该明确，创建数据配置文件不应局限在数据处理流程的开始阶段，而应当在整个数据处理流程中持续创建或更新。第二，数据解析和标准化。在对数据属性进行验证和纠错时，应遵循行业标准和组织标准，例如名称格式、标题格式、案例标准和地址验证等。第三，数据扩充。数据扩充能够向已存在的数据中添加其他数据，例如在已有的数据中添加更多的属性，如在地址信息中加入邮政编码信息等。第四，数据监控。数据存在的时间越长，对数据进行监控就显得越发的重要。随着时间的推移，实时地对数据进行剖析，不但可以掌握数据质量变化的趋势，而且可以更精确定位数据需要改进的部分。

然而，从实际的数据治理实践中看，即使完成了以上步骤，有时数据不准确的现象还有可能没有得到彻底的解决，那些散落分布在业务流程中的数据元素仍得不到妥善的处理。因此，要保持数据具备高度的完整性，还需要建立一个针对数据治理的问责机制，将保障数据完整性的责任指定到具体的部门或个人。合理的问责机制应遵循三个原则：合理配置和划分行政权力、完善问责机制的结构和内容、强化责任落实机制。为了更好地支持各责任人员的工作，数据治理的治理团队应为他们提供必要的技术支持和技能培训，以确保各责任人员的操作更具备科学性，提升工作效率。可以根据第三步中确定的数据归属部门，以部门为单位，发布其数据状态信息，以便数据的实际归属部门可以同步地观察到其负责的数据资产的状态，并承担相应的责任。

3.5 打造基于主数据的文化，建立反馈机制

如今，大多数的政府机关对数据的利用还停留在对未加工的原始数据的存储水平，并未试图对这些原始数据进行加工，以挖掘数据潜力，支持业务的发展。政府在对大数据进行治理的整个过程中，应针对政府机构内所有业务部门，努力树立一种“数据质量的高低直接影响政府决策力”的观念。

在制定了政府大数据治理策略，确定了数据归属部门，并建立了完整的数据治理问责机制之后，对政府大数据治理的又一次升华是将政府机构中那种基于事务数据的原有数据管理文化，逐步转变为基于主数据的数据治理文化。主数据是指系统中的共享数据，它描述了某一项业务的实体组成，例如，公民、关联关系人员、房产、车产、学历、出入境记录等。对于政府大数据来说，主数据是不同的业务流程中会反复使用的那部分数据，它可以存在于组织中的任何位置，例如应用程序、系统、数据仓库等。在所有的业务流程中，主数据的信任度级别最高。因此，任何一个应用程序都可以从任何一个子系统中获取主数据，并将应用程序中与其不一致的数据与主数据保持实时对比并同步修正。对于主数据来说，所有的访问者得到的都是一致的、真实的版本。

在此之后，为了最大限度地提高数据可用性，在改善数据完整性并为政府大数据分配问责制的基础上，就能够更加清楚地观察到组织中那些核心数据或主数据，并将这些数据作为数据治理的核心资源进行管理和分配。然而，这个流程是一个循环反复的过程，总会出现需要改进的部分。因此，必须在这个循环中设置反馈机制，监控数据的实时状态，清楚了解大数据治理的执行情况，并运用数据可视化方法展现数据治理流程中成功与失败的现象。借助这一反馈机制，对已有的治理流程反复打磨，更高效地修正数据治理中出现的问题。