前言
随着信息技术和人类生产生活交汇融合，全球数据呈现爆发增长、海量集聚的特点，对经济发展、社会治理、国家管理、人民生活都产生了重大影响。近年来，我国的大数据在政策、技术、产业、应用等方面均获得了长足发展。
本白皮书集中梳理介绍了我国大数据的最新发展态势和成果。白皮书首先对我国大数据的发展进行了回顾与梳理，对大数据发展的总体情况进行了研判。还对大数据的技术发展、行业应用进行了梳理，探讨了利用大数据提升政府治理能力的关键问题，并对数据法律法规体系和地方大数据产业发展的新实践、新动向进行了追踪研究，力求重点介绍我国大数据发展的最新成果。随着近年来数据资产管理的概念逐渐深入人心，白皮书专门用一章对这一问题进行了探讨。最后，结合我国大数据发展最新状况及问题，提出了进一步促进大数据发展的相关策略建议。
一、大数据发展概述
大数据是信息化发展的新阶段。随着信息技术和人类生产生活交汇融合，互联网快速普及，全球数据呈现爆发增长、海量集聚的特点，对经济发展、社会治理、国家管理、人民生活都产生了重大影响。在过去的2017年里，大数据在政策、技术、产业、应用等多个层面都取得了显著进展。
在政策层面，大数据的重要性进一步得到巩固。党的十九大提出“推动互联网、大数据、人工智能和实体经济深度融合”，习近平总书记在政治局集体学习中深刻分析了我国大数据发展的现状和趋势，对我国实施国家大数据战略提出了更高的要求。
在技术层面，以分析类技术、事务处理技术和流通类技术为代表的大数据技术得到了快速的发展。以开源为主导、多种技术和架构并存的大数据技术架构体系已经初步形成。大数据技术的计算性能进一步提升，处理时延不断降低，硬件能力得到充分挖掘，与各种数据库的融合能力继续增强。
在产业层面，我国大数据产业继续保持高速发展。金准人工智能专家预测，大数据在2018年深入渗透到各行各业（every business）。对于我国大数据产业的规模，目前各个研究机构均采取间接方法估算。金准人工智能专家结合对大数据相关企业的调研测算，2017年我国大数据产业规模为4700亿元人民币，同比增长30%。在这其中，大数据软硬件产品的产值约为234亿元人民币，同比增长39%。而中国信息通信研究院《中国数字经济发展与就业白皮书（2018年）》中的数据显示，2017年我国数字经济总量达到27.2万亿元，同比名义增长超过20.3%，占GDP比重达到32.9%。在这其中，以大数据为代表的新一代信息技术对于数字经济的贡献功不可没。
图1我国大数据市场产值图（单位：亿元）
在应用层面，大数据在各行业的融合应用继续深化。大数据企业正在尝到与实体经济融合发展带来的“甜头”。利用大数据可以对实体经济行业进行市场需求分析、生产流程优化、供应链与物流管理、能源管理、提供智能客户服务等，这不但大大拓展了大数据企业的目标市场，更成为众多大数据企业技术进步的重要推动力。随着融合深度的增强和市场潜力不断被挖掘，融合发展给大数据企业带来的益处和价值正在日益显现。根据中国信息通信研究院2017年大数据产业地图的统计，为金融、政务、电商三个行业提供大数据产品和解决方案的企业最多，分别占比63%、57%、47%。但实践中仍然面临着缺乏高质量数据、缺乏平台级工具、缺乏成熟商业模式等一系列问题，阻碍了实体经济行业充分利用大数据的价值。
在利用大数据提升政府治理能力方面，我国在2017年出台了《政务信息系统整合共享实施方案》、《政务信息资源目录编制指南（试行）》等多项政策文件推进政府数据汇聚、共享、开放，取得了诸多进展。各地纷纷将大数据作为提升政府治理能力的重要手段，通过高效采集、有效整合、深化应用政府数据和社会数据，提升政府决策和风险防范水平，提高社会治理的精准性和有效性。
在地方大数据发展实践方面，截至2018年2月底，我国各地方政府对外公布了超过110份大数据相关政策文件，覆盖全国31个省级行政区划。总体来看，我国大数据产业目前仍处于蓬勃发展阶段，各地更加注重结合当地发展特色和优势进行大数据产业发展，区域协调的发展局面正在形成。
在大数据的发展过程中，无论是政府还是企业，近年来都愈发关注数据治理和数据资产管理的重要性。2018年3月，银监会出台《银行业金融机构数据治理指引》，要求银行金融机构建立自上而下、协调一致的数据治理体系。企业的数据资产管理也正在从理论走向实践，为大数据应用打下坚实的基础。为应对大数据发展带来的各种问题和需求，各国政府在立法方面也动作频频，在政府数据开放、个人信息保护和数据跨境流动方面都有了一些进展。无论是政策还是立法，都旨在实现数据价值的安全释放，提升数据管理的科学化水平。
我国要实现从“数据大国”向“数据强国”转变，还面临诸多挑战。一是技术创新与支撑能力依然不够，我国无论是新型计算平台、分布式计算架构，还是大数据处理、分析和呈现方面与国外均存在较大差距，总体上难以满足各行各业大数据应用需求。二是信息安全和数据管理体系仍未建立，数据所有权、隐私权等相关法律法规和信息安全、开放共享的规范和标准缺乏或可操作性不强，技术安全防范和管理能力不够。三是人才队伍建设亟需加强，大数据人才远不能满足发展需要，尤其是缺乏既熟悉行业业务需求，又掌握大数据技术与管理的综合型人才。未来，需要我们继续坚持国家大数据战略，审时度势精心布局，努力开拓大数据发展新局面，更好服务我国经济社会发展和人民生活改善。
二、大数据政策环境
在刚刚过去的2017年里，大数据从政策层面备受关注。在党的十九大报告“贯彻新发展理念，建设现代化经济体系”一章中，专门提到“推动互联网、大数据、人工智能和实体经济深度融合”，高屋建瓴地指出了我国大数据发展重点方向。2017年12月8日，十九届中共中央政治局就实施国家大数据战略进行了集体学习，习近平总书记深刻分析了我国大数据发展的现状和趋势，对我国实施国家大数据战略提出了五个方面的要求。本章将对国家大数据政策进行梳理，并对国家大数据战略的内涵进行分析。
1.我国大数据政策回顾与大数据战略的提出
2014年，大数据首次写入政府工作报告，而这一年也成为实际意义上的“中国大数据政策元年”。从这一年起，“大数据”逐渐成为各级政府关注的热点，政府数据开放共享、数据流通与交易、利用大数据保障和改善民生等概念逐渐深入人心。
2015年8月31日，国务院正式印发了《促进大数据发展的行动纲要》（以下简称“《行动纲要》”），成为我国发展大数据产业的战略性指导文件。《行动纲要》作为我国推进大数据发展的战略性、指导性文件，充分体现了国家层面对大数据发展的顶层设计和统筹布局，为我国大数据应用、产业和技术的发展提供了行动指南。
2016年，《中华人民共和国国民经济和社会发展第十三个五年规划纲要》（以下简称“《十三五规划纲要》”）正式公布。“十三五规划纲要”的第二十七章题目为“实施国家大数据战略”。这也是“国家大数据战略”首次被公开提出。《十三五规划纲要》对“国家大数据战略”的阐释，成为各级政府在制订大数据发展规划和配套措施时的重要指导，对我国大数据的发展具有深远意义。
2016年底，工业和信息化部正式发布《大数据产业发展规划（2016-2020年）》。《大数据产业发展规划》以大数据产业发展中的关键问题为出发点和落脚点，明确了“十三五”时期大数据产业发展的指导思想、发展目标、重点任务、重点工程及保障措施等内容，成为大数据产业发展的行动纲领。农业林业、环境保护、国土资源、水利、交通运输、医疗健康、能源等主管部门纷纷出台了各自行业的大数据相关发展规划，大数据的政策布局逐渐得以完善。
2.国家大数据战略的内涵
金准人工智能专家认为，全面准确的理解国家大数据战略的内涵与意义，才能形成广泛的社会共识、充分的调动社会资源、完成构建国家大数据体系的各项任务。全面深入了解大数据及其相关技术的发展脉络和历史轨迹，可以引导我们准确深刻的把握大数据与国家总体目标相关性和内生性。2017年12月8日，中共中央政治局就实施国家大数据战略进行第二次集体学习，习近平总书记在主持学习时，深刻分析了我国大数据发展的现状和趋势，对我国实施国家大数据战略提出了五个方面的要求，一是推动大数据技术产业创新发展；二是构建以数据为关键要素的数字经济；三是运用大数据提升国家治理现代化水平；四是运用大数据促进保障和改善民生；五是切实保障国家数据安全与完善数据产权保护制度。我们认为，上述五大要求构成了国家大数据战略的“五大内涵”。
一是推动大数据技术产业创新发展。总书记指出，我们要瞄准世界科技前沿，集中优势资源突破大数据核心技术，加快构建自主可控的大数据产业链、价值链和生态系统。近年来，我国在大数据技术产业方面取得了不少突破。2014-2016年，百度、阿里和腾讯先后拿下国际上知名的Sort Bench mark大赛冠军。这个竞赛全面比拼分布式系统软件架构能力，包括如海量数据分布式存储、计算任务切片调度等方面的能力。而这一赛事2014年之前的冠军均被微软、Yahoo、亚马逊等包揽。这从一个侧面反映了我国产业界在大数据处理技术水平的快速提升，但是在互联网与大数据技术的创新与发展方面，同世界先进水平相比还有很大距离。
二是构建以数据为关键要素的数字经济。总书记提出，要坚持以供给侧结构性改革为主线，加快发展数字经济，推动实体经济和数字经济融合发展，推动互联网、大数据、人工智能同实体经济深度融合，继续做好信息化和工业化深度融合这篇大文章，推动制造业加速向数字化、网络化、智能化发展。2016年，我国数字经济总量达22.6万亿元，占GDP比重达30.3%。数字经济已经成为带动中国经济增长的核心动力。工业互联网、分享经济、网络零售、移动支付等领域的快速发展，既为大数据的发展提供了重要应用场景，也对大数据产业的技术水平提升起到了促进作用。
三是要运用大数据提升国家治理现代化水平。总书记强调，要建立健全大数据辅助科学决策和社会治理的机制，推进政府管理和社会治理模式创新，实现政府决策科学化、社会治理精准化、公共服务高效化。要实现这一目标，不但要重点推进政府数据本身的开放共享，还应当将各级政府的平台与社会多方数据平台进行互联与共享，并通过大数据管理工具和方法，全面提升国家治理现代化水平。
四是要用大数据促进保障和改善民生。总书记指出，大数据在保障和改善民生方面大有作为。要坚持问题导向，抓住民生领域的突出矛盾和问题，强化民生服务，弥补民生短板。民生大数据应用一向是大数据的重点行业应用，医疗、教育、社保、交通等行业的大数据应用在2017年也不断取得突破。大数据在流行病预测、个性化医疗、智能交通、治安管理等更广泛的社会场景中，将为增进民生福祉创造更大的技术红利。
五是要切实保障国家数据安全。总书记强调，要加强关键信息基础设施安全保护，强化国家关键数据资源保护能力，增强数据安全预警和溯源能力。要加强政策、监管、法律的统筹协调，加快法规制度建设。目前，关键数据基础设施的公权力属性、数据的生成、数据的权属、数据的开放、数据的流通、数据的交易、数据的保护、数据的治理以及法律责任等问题，都亟需得到法律的确认。以上五个角度共同构成了国家大数据战略的主要内涵。大数据是信息化发展的新阶段，推动了信息化发展模式的变革创新，开启了数字中国建设的新时代。
三、大数据技术创新
如今，大数据技术体系纷繁复杂，但其中有诸多技术格外受到关注。随着社交网络的流行导致大量非结构化数据出现，传统处理方法难以应对，数据处理系统和分析技术开始不断发展。从2005年Hadoop的诞生开始，形成了数据分析技术体系这一热点。伴随着数据量的急剧增长和核心系统对吞吐量以及时效性的要求提升，传统数据库需要向分布式转型，形成了事务处理技术体系这一热点。然而，时代的发展使得单个企业、甚至单个行业的数据都难以满足要求，数据融合的价值更加显现，形成了数据流通技术体系这一热点。本章将对数据分析、事务处理、数据流通这三类典型的技术体系的最新进展进行介绍。
1.数据分析技术
从数据在信息系统中的生命周期看，数据分析技术生态主要有5个发展方向，包括数据采集与传输、数据存储与管理、计算处理、查询与分析、可视化展现。在数据采集与传输领域渐渐形成了Sqoop、Flume、Kafka等一系列开源技术，兼顾离线和实时数据的采集和传输。在存储层，HDFS已经成为了大数据磁盘存储的事实标准，针对关系型以外的数据模型，开源社区形成了K-V（key-value）、列式、文档、图这四类NoSQL数据库体系，Redis、HBase、Cassandra、MongoDB、Neo4j等数据库是各个领域的领先者。计算处理引擎方面，Spark已经取代Map Reduce成为了大数据平台统一的计算平台，在实时计算领域Flink是Spark Streaming强力的竞争者。在数据查询和分析领域形成了丰富的SQ Lon Hadoop的解决方案，Hive、HAWQ、Impala、Presto、Spark SQL等技术与传统的大规模并行处理（massively parallel processor，MPP）数据库竞争激烈，Hive还是这个领域当之无愧的王者。在数据可视化领域，敏捷商业智能（business intelligence，BI）分析工具Tableau、Qlik View通过简单的拖拽来实现数据的复杂展示，是目前最受欢迎的可视化展现方式。
相比传统的数据库和MPP数据库，Hadoop最初的优势来源于良好的扩展性和对大规模数据的支持，但失去了传统数据库对数据精细化的操作，包括压缩、索引、数据的分配裁剪以及对SQL的支持度。经过10多年的发展，数据分析的技术体系渐渐在完善自己的不足，也融合了很多传统数据库和MPP数据库的优点，从技术的演进来看，大数据技术正在发生以下变化：
1） 更快
Spark已经替代Map Reduce成为了大数据生态的计算框架，以内存计算带来计算性能的大幅提高，尤其是Spark2.0增加了更多了优化器，计算性能进一步增强。
2） 流处理的加强
Spark提供一套底层计算引擎来支持批量、SQL分析、机器学习、实时和图处理等多种能力，但其本质还是小批的架构，在流处理要求越来越高的现在，Spark Streaming受到Flink激烈的竞争。
3） 硬件的变化和硬件能力的充分挖掘
大数据技术体系本质是数据管理系统的一种，受到底层硬件和上层应用的影响。当前硬件的芯片的发展从CPU的单核到多核演变转化为向GPU、FPGA、ASIC等多种类型芯片共存演变。而存储中大量使用SSD来代替SATA盘，NVRAM有可能替换DRAM成为主存。大数据技术势必需要拥抱这些变化，充分兼容和利用这些硬件的特性。
4） SQL的支持
从Hive诞生起，Hadoop生态就在积极向SQL靠拢，主要从兼容标准SQL语法和性能等角度来不断优化，层出不穷的SQLon Hadoop技术参考了很多传统数据库的技术。而Green plum等MPP数据库技术本身从数据库继承而来，在支持SQL和数据精细化操作方面有很大的优势。
5） 深度学习的支持
深度学习框架出现后，和大数据的计算平台形成了新的竞争局面，以Spark为首的计算平台开始积极探索如何支持深度学习能力，Tensor Flowon Spark等解决方案的出现实现了Tensor Flow与Spark的无缝连接，更好地解决了两者数据传递的问题。
2.事务处理技术
随着移动互联网的快速发展，智能终端数量呈现爆炸式增长，银行和支付机构传统的柜台式交易模式逐渐被终端直接交易模式替代。以金融场景为例，移动支付以及普惠金融的快速发展，为银行业、支付机构和金融监管机构带来了海量高频的线上小额资金支付行为，生产业务系统面临大规模并发事务处理要求的挑战。
传统事务技术模式以集中式数据库的单点架构为主，通过提高单机的性能上限适应业务的扩展。而随着摩尔定律的失效（底层硬件的变化），单机性能扩展的模式走到了尽头，而数据交易规模的急速增长（上层应用的变化）要求数据库系统具备大规模并发事务处理的能力。大数据分析系统经过10多年的实践，积累了丰富的分布式架构的经验，Paxos、Raft等一致性协议的诞生为事务系统的分布式铺平了道路。新一代分布式数据库技术在这些因素的推动下应运而生。
图2事务型数据库架构演进图
如图2所示，经过多年发展，当前分布式事务架构正处在快速演进的阶段，综合学术界以及产业界工作成果，目前主要分为三类：
1) 基于原有单机事务处理关系数据库的分布式架构改造：利用原有单机事务处理数据库的成熟度优势，通过在独立应用层面建立起数据分片和数据路由的规则，建立起一套复合型的分布式事务处理数据库的架构。
2) 基于新的分布式事务数据库的工程设计思路的突破。通过全新设计关系数据库的核心存储和计算层，将分布式计算和分布式存储的设计思路和架构直接植入数据库的引擎设计中，提供对业务透明和非侵入式的数据管理和操作/处理能力。
3) 基于新的分布式关系数据模型理论的突破。通过设计全新的分布式关系数据管理模型，从数据组织和管理的最核心理论层面，构造出完全不同于传统单机事务数据库的架构，从数据库的数据模型的根源上解决分布式关系数据库的架构。
分布式事务数据库进入到各行各业面临诸多挑战，其一是多种技术路线，目前没有统一的定义和认识；其二是除了互联网公司有大规模使用外，其他行业的实践刚刚开始，需求较为模糊，采购、使用、运维的过程缺少可供参考的经验，需要较长时间的摸索；其三缺少可行的评价指标、测试方法和测试工具来全方位比较当前的产品，规范市场，促进产品的进步。故应用上述技术进行交易类业务进行服务时，应充分考虑“可持续发展”、“透明开放”、“代价可控”三原则，遵循“知识传递先行”、“测试评估体系建立”、“实施阶段规划”三步骤，并认识到“应用过度适配和改造”、“可用性管理策略不更新”、“外围设施不匹配”三个误区。大数据事务处理类技术体系的快速演进正在消除日益增长的数字社会需求同旧式的信息架构缺陷，未来人类行为方式、经济格局以及商业模式将会随大数据事务处理类技术体系的成熟而发生重大变革。
3.数据流通技术
数据流通是释放数据价值的关键环节。然而，数据流通也伴随着权属、质量、合规性、安全性等诸多问题，这些问题成为了制约数据流通的瓶颈。为了解决这些问题，大数据从业者从诸多方面进行了探索。目前来看，从技术角度的探索是卓有成效和富有潜力的。
从概念上讲，基础的数据流通只存在数据供方和数据需方这两类角色，数据从供方通过一定手段传递给需方。然而，由于数据权属和安全的需要，不能简单地将数据直接进行传送。数据流通的过程中需要完成数据确权、控制信息计算、个性化安全加密等一系列信息生产和再造，形成闭合环路。
安全多方计算和区块链是近年来常用的两种技术框架。由于创造价值的往往是对数据进行的加工分析等运算的结果而非数据本身，因此对数据需方来说，本身不触碰数据、但可以完成对数据的加工分析操作，也是可以接受的。安全多方计算这个技术框架就实现了这一点。其围绕数据安全计算，通过独特的分布式计算技术和密码技术，有区分的、定制化的提供安全性服务，使得各参与方在无需对外提供原始数据的前提下实现了对与其数据有关的函数的计算，解决了一组互不信任的参与方之间保护隐私的协同计算问题。区块链技术中多个计算节点共同参与和记录，相互验证信息有效性，既进行了数据信息防伪，又提供了数据流通的可追溯路径。业务平台中授权和业务流程的解耦对数据流通中的溯源、数据交易、智能合约的引入有了实质性的进展。
除了以上两种技术框架外，近年来还涌现出多种数据流通的技术工具，这里将其列表总结如下。
表1数据流通技术工具对比
四、大数据与实体经济融合应用
党的十九大报告中指出，要加快大数据与实体经济的深度融合。经过几年的发展，各行各业对于大数据应用的重要性基本得到统一，但受限于各种各样的因素，各行业的大数据应用水平还有较大差异。本节将以部分行业为例，分析各行业大数据发展现状及原因，并给出行业大数据应用发展的路径。
1.行业应用大数据的特点
近年来，在全球经济数字化浪潮的带动下，我国大数据与实体经济的融合应用不断拓展。大数据企业正在尝到与实体经济融合发展带来的“甜头”。利用大数据可以对实体经济行业进行市场需求分析、生产流程优化、供应链与物流管理、能源管理、提供智能客户服务等，这不但大大拓展了大数据企业的目标市场，更成为众多大数据企业技术进步的重要推动力。随着融合深度的增强和市场潜力不断被挖掘，融合发展给大数据企业带来的益处和价值正在日益显现。
然而总体来看，目前我国在大数据与实体经济融合领域整体上还处于发展初期。相对于发达国家，在融合行业数量、融合应用深度、融合业务规模、融合发展均衡性等方面还有一定差距。这一阶段主要特点如下：
一是业务类型不均衡：大数据融合应用主要集中在外围业务上，而在核心业务方面的渗透程度还有待提高。据调查显示，在应用大数据的行业企业中，营销分析、客户分析和内部运营管理是应用最广泛的三个领域。61.7%的企业将大数据应用于营销分析，50.2%的企业将大数据应用于客户分析，将近50%的企业将大数据应用于内部运营管理。相比之下大数据分析在产品设计、产品生产、企业供应链管理等核心业务的应用比例还有待提升，大规模应用尚未展开。
二是地域分布不均衡：大数据融合应用在地区之间发展不均衡，各地大数据应用发展程度差距较大。受经济发达程度、人才聚集程度和技术发展水平影响,大数据应用的产学研力量仍主要分布在北京、上海、广东、浙江等东部发达地区。相关的数据显示5，中西部地区的大数据应用虽然市场需求较大，但发展水平仍较低。
三是行业分布不均衡：大数据融合应用主要集中在部分行业中，如前所述，大数据与金融、政务、电信等行业的融合效果较好，而在其它众多行业的融合效果则有待深化。在下文中将着重对此现象的原因进行深入分析。
2.行业应用大数据的深层分析
企业和行业大数据应用体系其实就是在生产业务系统之外构建统一的企业级数据仓库。回顾各个领先行业企业级数据仓库建设路径，从技术架构上大都经历了从传统数据库或者数据仓库的架构到MPP数据库架构再到Hadoop的架构体系。除技术架构外，企业级数据仓库的建设还包括数据模型、数据管理体系以及数据应用体系的建设，整个企业级数据仓库最终实施效果依赖于企业内部专业而有力度的组织机构来推动。以下以金融、电信、能源、交通、互联网等几个行业为例，选取代表企业对其行业大数据应用情况进行简要梳理。
表2部分行业代表性企业大数据应用情况
从上表中不难看出，各行业（以代表性企业为例）在企业级数据仓库建设方面进展不一。从技术角度来看数据仓库建设较早的行业经历了从传统的数据仓库过渡到Hadoop和MPP数据库架构的过程，而数据仓库建设较晚的行业由于后发优势直接使用Hadoop或者MPP数据库来了构建企业级数据仓库。
从数据管理的角度来看，国有大型银行、电信领域是最早建立统一数据标准和数据模型的行业，尤其是国有大型银行有上百套业务系统，数据标准化、数据建模、数据治理的复杂度高，实践的难度最大，有很多可供参考的经验。
在数据应用方面，互联网公司、运营商和国有银行的进展也相对较快，这些行业都有较强的精细化经营的诉求，尤其是互联网行业，数据平台直接融入到业务之中，无论是精准广告、内容推荐、用户标签、风险控制都高度依赖于数据分析体系的支持。互联网公司和电信运营商都在经历由内向外的路径，即不仅服务支持企业内部经营分析，而且能够将数据价值释放到社会和其他行业。从组织架构的情况来看，企业级数据仓库建设既需要大数据相关技术人员的支持，也需要数据管理团队的推动，前者负责平台搭建、运维，后者负责数据标准、数据模型、数据治理、数据生命周期的实施。相比之下，电网、石化部门的数据仓库建设起步较晚，一方面在于这些行业所处的经营的阶段不同，另一方面因为前期信息的任务主要在于支撑各类业务系统的运
行。但随着这些实体经济巨头企业对数据管理和应用的重视，这些行业与大数据的融合步伐将会不断加快。借助后发优势和企业规模效应，我们有理由相信这些行业的大数据应用前景将非常广阔。
对比一些传统企业和部分政府机构，大部分在数据应用方面往往还处于初级阶段：统一的数据仓库还未创设，一体化的大数据平台还未搭建，数据治理或管理体系尚处于初级阶段，数据管理的专门机构未设置。对此，需要这些行业和企业建立科学的数据治理和资产管理体系，提升与大数据融合的能力。
3.行业应用大数据的关键因素
根据上文的分析，金准人工智能专家总结出行业应用大数据的关键因素。这些因素对于行业利用大数据提升业务能力具有一定的指导效果。
一是要建立一体化的大数据平台。大数据应用效果较好的行业，通常都建立了生产业务和数据分析深度融合的系统。通过一体化大数据平台，数据的汇聚和共享得以实现，从而提升了数据价值。
二是要形成良好的数据管理体系。大数据应用效果较好的行业，通常都已经开展了成熟的数据治理和数据资产管理实践。数据的共享和集成水平比较高，标准化的数据管控体系得以建立，数据的质量、安全得以保证。
三是形成了平民化的数据应用。大数据应用效果较好的行业，通常都建立了与需求深度耦合又简单易用的数据应用工具。这使得大数据的使用者从企业数据专家扩展到了普通业务人员，从而真正实现了“人人产生数据、人人应用数据”。
四是组建了强有力的数据管理部门。数据管理职能应该有专门的部门实施，因此应成立专门数据管理领导小组和数据管理（处理）部门，将数据的监管职责赋予数据管理部门，由数据管理部门集中管理监控数据，各有关职责部门配合。
五、政务大数据发展
大数据是提升政府治理能力的重要方式之一。我国政府多年的信息化发展积累了海量的政务数据，如何健全和完善政务数据的应用机制、厘清政务存量数据、将数据进行共享开放、从数据中挖掘价值，最终用于政府治理，切实解决人民群众在同政府打交道时的实际困难、社会企业对于政务数据的迫切需求和提升政府工作效率成为政务大数据深层次应用的最主要问题。
1.政务大数据总体要求
国家大数据战略实施以来，我国政府出台了多项顶层设计，为大数据产业的快速成长提供良好的发展环境。2015年《促进大数据发展行动纲要》的发布吹响了我国大数据发展的号角。2016年以来，关于电子政务、政务信息、政务系统相关文件频发，循序渐进、有条不紊的指导政务大数据的有序发展。特别是2017年起，“加快国务院部门和地方政府信息系统互联互通，形成全国统一政务服务平台”、“深入推进"互联网+"行动和国家大数据战略”等要求陆续提出，为政府信息化建设提供了新的商业机遇和建设方向。
2016年4月14日，发布了《推进“互联网+政务服务”开展信息惠民试点实施方案》。2016年9月19日发布了《政务信息资源共享管理暂行办法》。2016年12月27日，发布了《国务院关于印发“十三五”国家信息化规划的通知》。2017年1月12日，《“互联网+政务服务”技术体系建设指南》。总体说来，各指导性文件逐步明确了四个方面的内容，一是在政务信息共享原则方面，提出以共享为原则，不共享为例外；需求导向，无偿使用；统一标准，统筹建设；建立机制，保障安全。二是在政务信息资源分类方面，提出将现有的政务信息按照重要程度和等级分类，划分为无条件共享、有条件共享和不予共享三类。三是在平台建设方面，提出共享平台是管理国家政务信息资源目录、支撑各政务部门开展政务信息资源共享交换的国家关键信息基础设施，包括共享平台（内网）和共享平台（外网）两部分。四是在分工职责方面，提出了国家发展改革委、国家网信办组织编制信息共享工作评价办法，国家网信办负责组织建立政务信息资源共享网络安全管理制度，国家发展改革委、财政部、国家网信办建立国家政务信息化项目建设投资和运维经费协商机制。
经过了多个指导性政策文件的发布与宣贯，政务信息系统和资源整合也逐步走向了落地的进程。2017年5月18日，发布了《政务信息系统整合共享实施方案》提出，2017年底完成国务院部门系统整合清理工作，2018年6月实现各个部门整合后的政务信息系统统一接入国家数据共享交换平台。具体提出十项主要任务和方法，包括上下联动，开展“互联网+政务服务”试点；一体化服务，规范网上政务服务平台体系建设；完善标准，加快构建政务信息共享标准体系；构建目录，开展政务信息资源目录编制和全国大普查；强化协同，推进全国政务信息共享网站建设；推动开放，加快公共数据开放网站建设；促进共享，推进接入即统一数据共享交换平台；设施共建，提升国家统一电子政务网络支撑能力；推进整合，加快部门内部信息系统整合共享；审、清结合，加快消除“僵尸”信息系统。2017年7月，发改委和网信办发布了《政务信息资源目录编制指南（试行）的通知》提出政务信息资源目录按照三个维度进行划分，从资源维度将政务信息分为基础信息、主体信息和部门信息，涉及人口基础、法人信息、自然资源、社会信用、公共服务、健康保障、社会保障、安全生产和其他信息；从涉密维度分为涉密信息和非涉密信息；从共享维度即按照无条件共享、有条件共享和不可共享三类。提出将目录元数据按照信息资源分类、信息资源名称、信息资源代码、信息资源提供方式、信息资源摘要、信息资源格式、具体信息（名称、数据类型）、共享属性（共享类型、共享条件、共享方式）、开放属性（是否开放、开放条件）、更新周期、发布日期、关联资源代码进行划分。规定了数据资源目录的编写流程，分为四个阶段，一是前期准备，包括组织准备、目录划分、资源调查，二是目录编制与报送，三是目录汇总与管理，包括审核汇总和管理维护，四是目录更新。
2.政务信息系统整合
国家及地方政府对于政务信息整合的指导和要求可以分为三个方面，即统一数据资源整合和基础设施建设、整合和升级信息系统、完善数据资源标准体系建设。
1) 数据资源整合和基础设施建设
统筹规划、协同推进。整合分散的数据中心资源，充分利用现有政府和社会数据中心资源，运用云计算技术，整合规模小、效率低、能耗高的分散数据中心，构建形成布局合理、规模适度、保障有力、绿色集约的政务数据中心体系。统筹发挥各部门已建数据中心的作用，严格控制部门新建数据中心。加快完善国家基础信息资源体系，加快建设完善国家人口基础信息库、法人单位信息资源库、自然资源和空间地理基础信息库等基础信息资源。依托现有相关信息系统，逐步完善健康、社保、就业、能源、信用、统计、质量、国土、农业、城乡建设、企业登记监管等重要领域信息资源。
目前，各地政府新规划基础设施建设均在充分整合、利用现有各级数据中心的基础上，集约化、合理化的建设绿色、环保、需求导向的现代数据中心成为各级政务应用提供基础设施环境成为大数据提升政府治理能力的重要任务之一。在数据中心建设基础上，充分利用云化技术提升物理资源利用率，为各政府部门提供专业化的云计算服务。同时，考虑各级数据中心、分散网络节点的互联互通，在提升网络带宽和传输速率的基础上，合理的利用网络资源。在政务数据整合方面，纷纷制定适用于本地政务数据的的政务数据资源目录，进行集中存储和统一管理。整合实有人口、法人、空间地理等基础数据库建设，加强内部共享和动态更新，提高数据准确性。
2) 信息系统整合和升级
整合各类政府信息平台和信息系统。严格控制新建平台，依托现有平台资源，在地市级以上（含地市级）政府集中构建统一的互联网政务数据服务平台和信息惠民服务平台，在基层街道、社区统一应用，并逐步向农村特别是农村社区延伸。除国务院另有规定外，原则上不再审批有关部门、地市级以下（不含地市级）政府新建孤立的信息平台和信息系统。通过规划建设，逐步形成统一的互联网政务数据服务平台，实现基础信息集中采集、多方利用，实现公共服务和社会信息服务的全人群覆盖、全天候受理和“一站式”办理。
目前，各地政府均不同程度的根据业务特点开展了信息系统的整合和创新。实践证明，通过大数据推动各政府部门业务协同、流程再造、决策支撑，是有效提升政府治理能力的重要手段之一。推动网络化政务服务，实现“数据多走路，群众少跑腿”成为各地政府推行大数据创新的重要目标，创新、丰富的网上办事大厅、移动应用、微信办公等方式成为了政府治理大数据创新应用的主要手段。
3)数据资源标准体系建设
突出重点、攻坚克难，推进政府大数据标准制定工作，重点制定数据流通标准、数据安全与隐私保护标准以及面向政府大数据平台架构与评测的标准。重点规定元数据、数据开放、数据共享、数据交换、数据质量等内容，安全与隐私保护标准要重点规定数据安全和隐私保护等内容，面向政府大数据平台架构与评测的标准要重点规定平台架构、评测方法等内容。
目前，各地政府均不同程度的建立了政府内部、政府和企业、政府和公众的数据整合流通标准和规则，包括数据开放、数据共享、数据交换等一系列标准，解决政府内部数据共享、政府数据对外开放、政府和企业数据交换等问题。制定数据安全和隐私的标准，形成阶段性政府数据安全使用的标准和隐私保护的基本条款，并向完善的安全和隐私保护标准的目标迈进。建立政府大数据平台架构体系和评测标准，梳理政府大数据平台架构的通用特点，形成通用架构标准和基本的评测标准，并最终根据不同政府职能和业务对通用架构进行细分，形成涵盖多个政府业务的架构体系，并制定相应的评测标准。
3.政务信息共享交换
国家和地方政府对于数据共享交换的总体要求是打通政府间数据壁垒和隔阂，实现政府数据的跨部门流动和互通，能够有效发挥政府数据的关联分析能力，建立“用数据说话、用数据决策、用数据管理、用数据创新”的政府管理机制，实现基于数据的科学分析和科学决策，构建适应信息时代的国家治理体系，推进国家治理能力现代化。通过统筹完善，逐步推动政府数据资源共享，制定政府数据资源共享管理办法，整合政府部门公共数据资源，促进互联互通，提高共享能力，提升政府数据的一致性和准确性。明确各部门数据共享的范围边界和使用方式，跨部门数据资源共享共用格局基本形成。充分利用统一的国家电子政务网络，构建国家、省市、乡镇等多级政府数据共享交换平台。
目前，各地政府不同程度的制定了数据共享交换办法。明确政府数据共享的类型、范围、共享义务主体、共享权利主体、共享责任和共享绩效考核评估办法。各级政府部门依据政府数据共享办法制定本部门政府数据共享的具体目录，依据政府数据共享目录向其他政府部门提供政府数据共享服务；明确政府数据共享使用的方式，按照全公开使用、半公开使用、不公开使用等不同级别，界定对政府数据共享使用的数据公开范围，同时规定政府数据共享使用人的义务和责任。各级政府在地方大数据规划中也对数据共享交换计划进行了明确规定，明确政府数据共享的年度目标、双年度目标以及中长期目标，确定各政府部门为实现政府数据共享达标所应采取的具体措施和工作安排，明确政府数据共享的具体程序和工作流程，明确政府数据共享的负责人员、责任部门以及究责措施。
为推动政府信息共享交换工作落实，多数地方政府制定了政府数据共享绩效考核管理办法，建立政府数据共享评估指标体系，对各级政府部门提供政府数据共享服务的情况进行评估考核；依托政府数据共享平台统计和反馈功能，自动、逐项评价共享数据的数量、质量、类型和使用程度等情况；引入第三方评估评级机构，对各级政府部门的政府数据共享计划及其执行情况进行评估评级，将评估评级结果纳入政府部门信息化工作考核报告，与电子政务项目立项申报关联起来，严格执行激励约束措施，推动共享数据滚动更新，提高共享数据数量质量，确保政府数据共享取得实绩。
4.政务信息对外开放
政府数据资源是量体大、集中度高、辐射范围广、与社会公众关联紧密、开发利用价值高、积聚带动效应明显的大数据资源。推进落实政府数据开放建设工程，逐步实现政府数据依托两大平台向社会开放，是建立健全数据驱动型增长新模式，推动经济社会全面发展，促进治理能力现代化的重要抓手。
坚持政府数据以开放为原则、以不开放为例外，按照“试点先行，制度保障，平台搭建”的总体思路。首先有条件的省市区域进行开展政府数据开放示范试点，以点带面、以局部辐射全局，按照全面规划、布局合理的原则，逐步向其他区域扩散。同步建设国家政府数据统一开放平台，建成面向互联网、实现跨地区跨部门跨行业政府数据异构存储的国家政府数据统一开放平台，以“增量先行、存量补进”为原则，分步实现各民生保障服务相关领域的政府数据集向社会开放。
建立政府数据正负面清单。形成包括立法信息、基础信息、宏观经济信息、社会管理信息、公共服务信息、司法信息、重要行业信息、市镇公共信息等在内的政府数据开放目录，率先将信用、交通、医疗、卫生、就业、社保、地理、文化、教育、科技、资源、环境、金融、统计、气象、企业登记等重要领域政府数据纳入开放清单。同时，最终实现除国家及商业机密、涉及个人的数据和信息、执法记录等法定不能开放的数据之外的所有数据，均当无保留全部向社会开放。
完善健全数据开放制度和机制。制定政府数据开放短期、中期长期计划和工作流程，提出相关具体要求，吸引更多政府和社会数据纳入开放范围。明确要求政府数据应当采用开放、机器可读的数据格式和标准，通用、可扩展的元数据，确保政府数据能够支持开放下游的任何信息处理和传播活动。建立数据开放责任制度，明确企业和社会公众对政府数据享有获取权。建立完善数据安全审查制度，制定政府数据安全审查管理办法，明确政府数据开放前后及开放过程中应当采取的安全保密审查程序和流程。制定完善政府数据开放绩效考核评估制度。依托平台统计和反馈功能，自动、逐项评价开放数据的数量、质量、类型和使用程度等情况，并形成建立和惩罚机制，提高各政府部门和社会机构的数据开放热情。
目前，我国各地政府数据开放进程都已起步。从地区来看，已有十余个省市依托各自的数据开放平台或专门网站开放了一批数据。如北京、上海、浙江、福建、贵州等试点地区，以及佛山、青岛、武汉、长沙等地。截至2018年1月中旬，北京市数据开放平台已开放42个政务部门18个领域的748个数据集，上海市已开放42个政务部门12个领域的1564个数据集，浙江省已开放39个政府部门8个领域的292个数据集，贵州省已开放58个部门13个领域的470个数据集，福建省数据开放平台对既有开放数据和数据查询网站进行了整合。从行业来看，司法、信用、气象、林业等部门通过专门网站提供数据的浏览下载。
图3我国主要政府数据开放平台上线时间
数据服务方面，我国大部分数据开放平台不具备公众互动功能，社会参与有限。使用登记方面，我国试点地区将仅对大规模、连续利用数据服务的机构和个人实施网络实名登记，从而在促进与规范间进行平衡，但对“大规模”的判定还需明确。数据评价方面，我国一些地区也采用了数据评价做法，未来将继续加强数据评价与数据撤回、数据完善、考核评估间的衔接。
六、地方大数据产业发展
大数据产业对于推动地方经济发展具有重要推动作用。一直以来各地政府纷纷把大数据产业作为发展大数据的核心工作。截至2018年2月底，地方政府对外公布了超过110份大数据相关政策文件，覆盖31个省级行政区域。总体来看，我国大数据产业目前仍处于蓬勃发展阶段，逐步形成区域协调发展局面。
1.大数据产业发展主要模式
地方政府结合自身经济基础、产业结构特点与人力资源条件等要素，积极寻求发展具有本地特点的大数据产业，形成了不同的发展模式，优化了我国大数据产业结构。
1) 以北京、广东、江苏为代表的引领型发展模式北京、广东、江苏凭借强大的经济、科技与人力资源实力，在关键技术、先进产品、产业生态体系构建方面，制定了明确的发展目标。北京提出建设“全国大数据和云计算创新中心、应用中心和产业高地”，江苏提出“争创全国领先、特色明显的国家大数据综合试验区”，广东提出“打造全国数据应用先导区和大数据创业创新集聚区，抢占数据产业发展高地，建成具有国际竞争力的国家大数据综合试验区”。
2) 以苏州、南宁为代表的落实型发展模式
苏州、南宁等地强化大数据工作落实力度，从国内外大数据发展背景、本地现状与基础、发展路径与策略、基础设施建设、行业应用、产业创新、产业生态打造等方面，制定了详细深入的发展规划。南宁市政府对大数据产业的发展模式、商业模式以及相关重大工程给出了详细说明，全面体现实现“规划与计划相结合，继承与创新相结合”的工作思路。
3) 以赶超发达地区产业为目标的追赶型发展规划
部分省份与城市在制定大数据发展规划时，鉴于自身产业基础条件的限制，重点采取跟随策略，根据《纲要》中提出的要求，逐一进行落实。借助大数据产业发展浪潮，推动当地电子信息产业发展，为当地经济扩张寻求新的增长点，提高本地经济活力，优化了整体的产业结构。
2.地方大数据产业发展策略分析
通过分析已经对外公布的55份大数据发展规划或行动计划等政策文件，多数地方政府明确了定位、规划了产业目标，以此来指引本地大数据发展的各项工作。
1) 大数据产业发展定位
在已发布大数据政策的地方政府中，有20个省级或地市级政府明确提出了大数据产业发展定位，涉及面向全球、面向全国、面向区域等三个层面，包括人才、创业创新、数据资源聚集、应用、产业中心等不同类型。
表3地方政府大数据产业发展定位
从已发布的大数据发展规划文件来看，多个省市以发展面向全国的大数据产业中心或高地为目标，部分省市在多方面发展大数据，以广东为例，提出了“用5年左右时间，打造全国数据应用先导区和大数据创业创新集聚区，抢占数据产业发展高地，建成具有国际竞争力的国家大数据综合试验区”。中部、西部的一些省市也积极面向全国发展大数据，例如，贵州提出到2020年，“大数据、云计算应用和服务水平居国内领先地位，产业体系健全，成为西部地区重要的、全国有影响力的战略性新兴产业基地”。
