如何有效开展政务大数据治理

张靖笙

     总书记去年（2018年）在视察广东重要讲话中指出，要全面推进法治建设，提高社会治理智能化、科学化、精准化水平。新一轮《广东省机构改革方案》提出，新组建省政务服务数据管理局，统筹推动“数字政府”建设，促进政务信息资源共享协同应用，广东要以“数字政府”建设为契机，促进社会治理体系和治理能力现代化，不断提高社会治理智能化水平。社会治理智能化是在大数据时代背景下，以网络化和网络平台为基础，运用大数据、云计算、物联网等信息技术，实现社会治理精准分析、精准服务、精准治理、精准监督、精准反馈的机制和过程。社会治理智能化的关键要素在于数据信息。

     数据是“数字政府”建设的基础，也是社会治理智能化的基础，没有高质量的政务数据资源，没有实现政府部门专业数据、政府部门管理数据、公共服务机构业务数据、互联网社会数据的互联互通和数据共享,则无法有效实现数字政府的各项建设目标。政府政务数据是海量的，政府也是社会最大的公共数据源，充分利用政务大数据，使大数据在社会治理过程中发挥作用是打造数字政府面临的一个最核心关键问题。

尽管政府对政务大数据治理的动机很强, 但是当前政府在数据治理的实践中还面临着严峻的能力挑战和“成长的烦恼”，主要集中在政府数据治理的建设模式和实施路径还存在着思维认识碎片化与应用水平不高等问题。具体表现为：

     一是由于历史原因，庞大的政府机构都是各部门各自为政独立开展本单位信息化建设的，政务大数据无论是逻辑上还是物理上都是非常分散的，大量相同的信息还在不同的部门都被重复采集和存储，但格式各异，内容不一，所以在政府数据汇集过程中, 存在“数据烟囱”林立,“数据孤岛”丛生等现象，虽然当前政府各部门积累的数据资源已经很多了，实现统一和完整的数据汇聚也是必须的，而聚哪些、怎么聚、去哪些、留哪些，在实际开展政务大数据治理工作中会遇到很多两难局面，各种难点也会很多；

    二是政府各项决策的数据分析过程中，由于需要综合汇总的结构化数据与非结构化数据混杂，数据质量不高，数据标准不统一，所以难以用统一的数据模型或者数据算法完成，在目前的政务数据资源分散局面上，社会治理所需要的简单统计指标可能都难以完全靠计算机自动化生成，仍然需要大量的人工上报和汇总工作，客观存在政务数据分析过程中内外融合难、上下对接难等问题，这是对构建网络化、数据化、智能化的全天候在线的数字政府发展方向的巨大堵点；

    三是政府数据管理和应用过程中,数据管理工作无序化现象严重,各政府部门重本单位需要轻跨部门统筹要求，这困扰着政府数据治理的可持续发展,要打破利益固化的体制壁垒，推进跨区域、跨层级、跨部门的数据平台建设在实施数字政府过程中，必然会对各部门的思维习惯和工作习惯造成巨大冲击，统一的数据标准和规范的数据管理也必需得到各部门上下的全力配合才能有效落地，治理则不可避免会让各部门感受巨大的阵痛，而不治理则让社会治理智能化和数字政府无法落地而长痛，长痛短痛都是切切实实存在的痛点。

     政务大数据规模庞大、数据关系错综复杂、数据利益牵一发而动全身，有效治理的难度是很大的，政府如何有效开展政务大数据治理工作?

     各地政府在实施数字政府战略过程中，我们认为首当其冲要“数据治理、思想先行”，首先要解决的是政府各级领导干部对数据治理工作的思想认识问题，对于政府数据治理工作，等不得，也急不得，更马虎不得，必须从一盘棋的角度周密部署、统筹考虑、长远谋划，虽然当前政务数据治理的要求非常迫切，但我们必须认识到数据治理工作的长期性和复杂性，在尽快解决当前政务大数据应用所亟待处理的堵点、痛点、难点的同时，形成长效机制久久为功，实现标本兼治的良好发展态势，才是政府数据治理工作合适的指导思想和发展思路。

     接下来就是“数据治理，法器并进”，从方法路径和技术路线上，需要研究具体如何部署实施的问题。目前数据治理工作和成熟度评价研究多局限于企业，我们可以在回顾与参考企业产业界多年的数据治理工作最佳实践经验做法的基础上，再融合政府数据治理的特殊要求提出具体的路径和计划。

    作为信息技术领导者，IBM公司在总结自身多年开展数据治理工作经验的基础上，在2010年发布了《IBM数据治理统一流程》的蓝皮书，IBM这本出版物虽然已经有些年头了，不过里面很多内容仍然非常适合当前大数据时代的数据治理指导工作。在我国，2015年，工信部电子技术标准化研究院制定《数据治理白皮书》国际标准研究报告。2017年，工信部信息通信研究院发布《数据资产管理白皮书》。2018年3月15日，中国国家发布了国家标准《数据管理能力成熟度评估模型GB/T 36073-2018》。IBM 数据治理成熟度模型和我国的《数据管理能力成熟度评估模型GB/T 36073-2018》内容上一脉相承，也均采用了由Software

Engineering Institute（SEI）所描述的五个等级的成熟度发展路径：

• 在成熟度级别 1（初始），流程通常是临时的，环境也不稳定。成功反映组织内个人的能力，而不是成熟流程的使用。尽管处于级别 1 的组织常常会生成有效的产品和服务，但他们常常会超出预算和项目时间表。 
• 在成熟度级别 2（管理），成功是可重复的，但流程可能无法为组织 内所有的项目而重复。基本的项目管理有助于跟踪成本和时间表，而流程学科有助于确保保留了现有的实践。当这些实践就绪之后，项目就会依据它们所备案的计划执行和管理。但是，仍然存在超出成本和预计时间的风险。
• 在成熟度级别 3（定义），组织的标准流程集用于在整个组织中建立一致性。对组织的标准流程集中的项目标准、流程描述和规程进行调整，以适合特定的项目或组织部门。
• 在成熟度级别 4（定量管理），组织设置流程和维护的数量质量目标。 所选的子流程对整体流程性能具有重大贡献，使用统计技术和其他量化技术来控制。
• 最后，在成熟度级别 5（优化），量化的流程改进目标被明确地建立并继续修订以反映不断变化的业务目标，以及用作管理流程改进的条件。

     企业组织和机构的数据治理成熟度工作的推进者通常为组织的信息管理者，他们关注需要跨职能、跨流程、跨功能边界的标准化，考虑信息生命周期中数据质量、数据安全的需求，针对组织级数据治理规程开展成熟度评估和管理，进而通过管理实现有效的协同一致性。IBM 数据治理委员会提出数据治理能力成熟度模型，高阶能力体现在四个方面：

l  成效(Outcomes)

l  支持要素(Enablers)

l  核心准则(Core Disciplines)

l  支撑准则(Supporting Disciplines)

这四个方面的能力分别体现了自上而下的需求和提升，以及自下而上的支撑关系。

u  数据风险管理（Data Risk Management & Compliance），数据风险管理涉及的风险识别、量化、规避、接受和减轻等；

u  价值创造（Value Creation），对数据资产进行的评估和量化过程，使得企业能够最大化利用数据资产所创造的价值；

u  组织结构与文化(Organizational Structures & Awareness)，描述业务、IT、数据之间的相互责任和组织结构，针对组织不同层级上的管理提出受托责任且做出承诺；

u  数据管理(Stewardship)，旨在确保组织获得高质量数据资产，开展行之有效的数据管理，以降低风险和提升数据资产利用价值；

u  政策(Policy)，政策是组织期望获得数据治理方面的行为、规范的书面化；

u  数据质量管理(Data Quality Management)，提供数据质量完整性、一致性、规范性等方法、测量和评估，进行改进和验证；

u  信息生命周期管理（Information Life-cycle Management），基于生命周期的信息收集、加工、使用、保留和退役等；

u  数据安全与隐私(Information Security & Privacy)，描述组织风险防范和保护数据资产的策略、实践和控制等；

u  数据架构(Data Architecture)，企业及数据模型管理，提供完整的数据源接入、分类、存储、流转管理，提供可用的数据资产和数据共享开发；

u  分类与元数据(Classification & Metadata)，用于业务和IT构建一致的可理解的术语、定义、分类和元数据管理、数据类型和存储库方法和工具。

u  信息审计、日志记录与报告（Audit Information Logging & Reporting），用语度量和评估数据价值、风险和治理的有效性的过程。

       企业组织需要针对上面四个层面数据治理能力所具体包括的数据风险管理（Data Risk Management & Compliance）、价值创造（Value

Creation）、组织结构与文化(Organizational Structures &

Awareness)、数据管理(Stewardship)、政策(Policy)、数据质量管理(Data Quality Management)、信息生命周期管理（Information

Life-cycle Management）、数据安全与隐私(Information Security

& Privacy)、数据架构(Data Architecture)、分类与元数据(Classification & Metadata)、信息审计-日志记录与报告（Audit Information Logging & Reporting）等11个方面工作水平按照SEI的五个等级成熟度定义进行客观评估，确认当前存在数据问题，明确下一个发展阶段性目标，才能开展有效的数据解决措施，从而对数据管理能力提升演进路线和行动计划建立整个企业的共识：

ü  当前状态：我们目前处于什么位置？

ü  未来状态：我们希望在未来什么位置？

ü  演进路线和行动计划：我们需要哪些人员、流程、技术和策略来填补当前和未来状态的差距呢？

下面给出某个企业组织的数据治理工作三年行动计划路线定义示例：

     虽然企业组织和机构的数据治理工作已经拥有比较丰富的实践经验，工作方法和技术也比较成熟了，而单个企业组织和机构的数据环境、数据规模、数据多样性和复杂度、数据分布和应用的集中度相对于一个地区政府或者城市整体的政务大数据来说怎么说都是小池塘和大海洋的区别，企业组织和机构的数据治理是微观层面的工作，其影响范围也很有限，而政府的数据治理则是会影响全社会的宏观层面问题。今天我们要发展数字和智能经济，建设智慧城市，改善人民群众的生活，都离不开数字政府的能力建设和效率提升，因此，针对政府如何开展全方位的数据治理工作，肯定不能直接生搬硬套企业组织和机构级的数据治理成熟度模型和行动计划。

     因此，我们提出“数据治理、以评促行”的政务大数据治理实施策略，针对数字政府的发展要求，在吸收企业组织和机构级数据治理成熟度实践经验和研究成果的基础上，结合国家2015年颁布的《促进国家大数据行动纲要》的政策要求和相关政府大数据治理实践需求，建立政务大数据治理行动计划和成熟度评价模型，可在政务大数据治理工作中，作为各级政府部门自我测评和改进的工具，以客观了解和评价当前政务活动中涉及的数据应用和治理工作开展现状以及所处的发展阶段、存在问题，根据当前成熟度评估状态和未来预期要求之间差距，制定改进计划和策略，并根据计划优先级制定治理路线图和行动计划。

     我们提出的政务数据治理成熟度模型参考企业数据治理成熟度模型，从三个方面11个工作领域逐一细化政府开展数据治理工作所需要涉及的工作内容和工作要求。

  对于这三个方面11项的政府数据治理能力评价要素，具体的事情情况评价内容解释如下：

     在工作成熟度评价标准方面，可以在参考和拓展SEI五个等级成熟度定义方法的基础上，借鉴国际领域适用最为广泛的智慧城市成熟度及基准模型的阶段划分准则，该准则 认为智慧城市的智慧维度评估比较复杂，体现在城市生活运用数据智能的不同领域，且每个城市达到智慧的路径不同，其成熟度涵盖领导力和治理、利益相关方参与度和市民关注度、数据有效利用、集成的信息通信技术基础设施等等，智慧城市和数据治理从成熟度领域、实现路径、技术手段等方面均有相同之处，鉴于此，对于整体评价一个城市或者地区的数据治理成熟度，我们可以将政府数据治理成熟度分成下面7个阶段：

1.   未启动: 政府部门尚未进行大数据治理有关的会议讨论;

2.   非正式: 政府部门进行数据治理的相关探索性实践;

3.   有文件: 政府部门已出台大数据行动计划或相关战略性指导文件;

4.   有计划: 政府部门已制定相应的政府大数据治理计划；

5.   有部署: 政府部门已制定实现大数据治理目标的解决方案；

6.   有影响: 政府部门制定的大数据治理方案产生了一定的影响和价值；

7.   有重大影响：政府部门制定的大数据治理方案产生了重大的影响和价值。

     我们可以针对上面细分的政府数据治理各项工作均从这七个阶段加以评价，确认当前各政府机构组织在开展政务活动中存在数据问题，明确各项数据治理工作根据数据政府建设要求所要达到的下一个发展阶段性目标，并且因地制宜地根据各地方社会发展水平和治理要求研究出有效的数据解决措施，从而对本地区政务大数据管理能力提升演进路线和行动计划建立政府乃至全社会的普遍共识。

     这些阶段划分是从宏观层面的总体评价，而在微观层面，可以针对5-有部署、6-有影响、7-有重大影响这三个阶段所提出的解决方案和影响效果，再在具体负责数据治理某个专项工作的政府部门内部，采用企业数据成熟度SEI五级模型进一步细化评价解决方案成熟度要求。

     这种从整体衡量政府数据治理工作成熟度的评价方法，既能客观反映政府数据治理的实际现状，揭示经验做法，发现亟须改进的地方，也能及时对标数字政府和智慧城市建设进程中全球最佳实践经验和适宜做法；又能很好地和局部单位、部门内部的组织级数据治理工作部署和工作要求有效衔接，从而让数字政府的整体战略能清晰分解到最基层执行单位的日常工作部署和考核要求之中。

(本稿完成于2019年6月21日，如需引用请注明出处)

参考文献

[1]国务院.关于促进大数据发展的行动纲要[EB/OL].[2015-0831].http://www.gov.cn/zhengce/content/2015-09/05/content

_10137.htm.

[2] 张宇杰,安小米,张国庆. 政府大数据治理的成熟度评测指标体系构建. 情报资料工作.2018年第1期.

[3]IBM公司出版. IBM 数据治理统一流程. 2010年9月

[4]中华人民共和国国家标准GB/T36073—2018数据管理能力成熟度评估模型.2018年3月15日发布