摘要：[目的/意义]政府数据治理在治理主体、治理对象和治理模式，超越了传统电子政务的范畴，是政府信息化建设面临的新课题，分析当前政府数据治理中的主要问题并研究对策建议，对建设智慧型政府、促进国家治理现代化具有重要意义。[方法/过程]文章基于实地调研，采取扎根法开展研究，以上海为例分析了当前我国政府数据采集、共享、利用、开放和服务等环节中存在的问题，以及技术、能力和制度方面的原因，[结果/结论]提出我国应加强网络体系、人才队伍和制度标准建设，建立科学高效的政府数据治理体系。
1．政府数据治理的概念与内涵
1.1政府数据治理的概念界定
治理一词来自于古希腊语，本意是“掌舵”。该词往往相对“统治”而言，代表一种新的社会管理和运作方式。有别于集权化、科层化、自上而下色彩浓厚的“统治”，“治理”是一种联合行动的过程，它强调协调，而不是控制[3]；治理是存在着权力依赖的多元主体之间的自治网络[4]；治理具有非中心性、多元性和协同性等特点[5]。
数据治理是社会深度信息化的产物，显示数据正从独占转为共享、从封闭走向开放、从权力变成资源的趋势。目前国内外对其有多种定义，如数据治理是对数据自然管理行使权利的活动集合[6]，是信息相关过程的决策权和职责体系[7]，是企业中与数据使用有关的决策权力和责任框架体系[8]，是关于企业数据资产的决策权分配[9]，是为有效地使用机构的结构化或非结构化信息资产而组织和实施的政策、流程和标准的实践[10]。
与数据治理类同的概念还有大数据治理。张绍华等认为大数据治理是对组织的大数据管理和利用进行评估、指导和监督的体系框架，通过制定战略方针、建立组织架构、明确责任分工等，实现大数据的风险可控、安全合规、绩效提升和价值创造，并提供不断创新的大数据服务[11]；梁芷铭则认为大数据治理是不同的人群或组织机构在大数据时代，为了应对大数据带来的种种不安、困难与威胁而运用不同的技术工具对大数据进行管理、整合、分析并挖掘其价值的行为[12]。
数据治理发源于企业领域，后来扩展到包括政府在内的所有社会部门。政府数据治理，就是以治理的思维方式改进传统政府信息管理，是综合运用数据管理法律制度、人员组织、技术方法以及流程标准等手段，对政府数据的可用性、完整性、安全性等进行全面管理，以确保政府数据资产的保值增值，进而推动政府数据从公共资产转换为现实的经济社会价值[13]。具体而言其包含三层意义，一是治理主体是政府，二是治理目标是提升公共管理效率，增强政府管控能力，改善公共服务质量，促进数据资产保值增值；三是治理对象以政府数据为主，也包括部分与公共管理与服务相关的社会数据。
1.2政府数据治理的主要内容
国际数据管理协会（DAMA）认为数据治理包括数据构建、数据建模和设计、数据存储与操作、数据安全、数据集成与互操作、文档与内容、数据仓储与商业智能、元数据、数据质量[14]；文献[15]则认为应包括数据质量、数据建模、数据整合、模式（Schema）整合、数据结构整理、数据治理管理。
具体到政府数据治理，文献[16]将其分为三个层次：一是微观层次，政府对在行政管理中产生或使用的尤其是在信息系统中存储数据的治理；二是中观层次，关注政府对与社会公共事务相关或涉及公共利益的数据资源和数据行为的治理；三是宏观层次关注政府对数据产业、数据经济乃至市场和社会数据化进程的治理。文献[17]从三种大数据观着手将政府大数据治理分为：数据治理（数据质量控制、数据安全及数据开放情况）、技术治理（技术架构、基础设施、应用服务）和资源治理（资源开发、资源安全）。
综合上述观点，对政府数据治理可以有两种视角:一是技术视角，指政府数据全生命周期各个环节的治理，包括数据采集、数据归集、数据共享、数据利用、数据开放等；二是管理视角，指技术、组织、能力、法规等不同层面的治理。政府数据治理兼具技术与管理的双重属性，需要制度安排与技术保障有机配合[18]，技术视角代表治理领域，管理视角代表治理内容，综合两种视角即可构成政府数据治理的全景描绘。
1.3本文研究方法
本文基于实地调研，主要采取扎根法（Grounded Theory）。扎根法直接从实际观察入手，从原始资料中归纳出经验概括，然后上升到系统的理论，有助于探寻社会现象背后的复杂原因。
本文以笔者所在的上海市为案例，先后走访了市级和部分区县的经济、信息化、交通、卫生、公安、住房和建设、综合治理部门，与其信息化工作人员座谈。为保证调研效果，笔者事先向其发放了调研提纲，要求对方梳理本部门在数据治理中面临的问题及原因。同时笔者还收集了各部门数据管理的工作总结、发展规划、调研报告等资料，以对问题及计划进行更详细掌握。
对收集的资料，本文先采用扎根法进行三级编码，构建影响关系模型，明确影响当前政府数据治理的主要因素；然后结合工作实际，探讨数据治理的主要对策。
2 基本扎根法的政府数据治理成效分析
由美国哥伦比亚大学社会学系A. Strauss和B. Glaser教授所提出的“扎根理论”,被学界认为是当前质性研究最前沿的完整方法论体系[19]。扎根理论通过对研究问题的界定、广泛且系统的资料收集、三层次编码、多次比较分析调整以及理论生成与检验,自下而上建立实质理论，能够从经验事实中抽象出新的概念和思想[20]。本文将对调研中获取的政府数据治理相关资料，采用扎根理论中的三级编码方法对其进行编码，从而发现影响政府数据治理成效的因素，为瓶颈问题与对策分析提供指引。
2.1开放性编码
开放性编码是对原始资料进行逐行编码，并实现逐层概念化和范畴化。本文对所调研的上海市区两级共21个政府部门所提供原始资料以及调研材料进行分析。这些资料中有不少是一般性工作描述和总结，本文着重对其中有关政府数据治理的经验、问题和建议部分进行逐字逐句分析，以确定其初始概念。由于开放性编码过程的工作量较大,为节省篇幅，本文仅列举对原始材料进行概念化和范畴化的几个典型过程作为示例,如表1所示。按此方法，本文对原始数据进行逐行编码,并进行逐层概念化和范畴化，最终形成的23个范畴编码结果, 如表2所示。
表1 开放性编码过程（示例）
原始资料
概念化
范畴化
基层数据采集和录入以手工为主，费力费时且时效性差
数据采集自动化
数据采集设备
不同部门信息系统和数据库建立在不同的网络上，专网过多，网网独立互不相通
网络互通
数据交换平台
法规制度只规定了基层人员的数据采集责任，基层人员从此项工作中缺乏回报和收益，所以积极性和责任心不高
责任与回报对等
感知个人受益
一些人员对大数据利用存在认识偏差，认为大数据“作用不大”或“无所不能”
树立正确大数据观
感知工作价值
许多企业和社会机构掌握着大量社会治理数据，如公交运营、水电气、电信、地下管线等。但许多数据都不属于现有法规中企业必须向政府报送的范围，政府缺乏全面、准确、持续地获取这些数据的法律依据
法定数据报送范围需扩大
数据采集法规
现有规章中对可共享的政务信息范围界定较为笼统，现实中主要依靠部门之间进行协商来确定
明确界定共享范围
数据共享法规
表2 开放性编码结果
范畴
初始概念
A1计算机与网络设施
计算机性能良好；宽带互联网；故障及时处理；大数据中心
A2数据采集设备
手持数据采集终端；智能化采集设施；数据远程传输网络
A3数据交换平台
部门之间网络互通；部门之间系统对接
A4数据管理技术
数据存储技术；数据编目技术；数据质量控制技术；数据安全技术
A5数据分析技术
数据展示技术；非结构化数据分析技术；海量视频数据识别与分析技术；个性化分析技术；智能化数据分析技术
A6感知工作价值
政府人员对数据应用的重要性认识不足；政府人员对国家大数据战略理解不深
A7感知个人受益
政府人员的数据工作缺乏激励；数据治理缺少专门经费
A8数据保密风险
数据共享可能造成数据泄露；“谁共享、谁负责”规定带来风险
A9利益受损风险
政府人员将数据视为部门和个人利益；数据治理工作量极大；数据共享影响部门利益；数据共享影响个人利益；
A10软硬件使用技能
基层人员缺乏数字设备操作技能；大龄人员使用智能设备存在困难
A11数据利用技能
数据技术培训不够；只能对数据进行简单汇总分析
A12参与动机
部门政府单位缺乏政务协同意识；政府人员采集数据责任心不强；习惯于传统工作模式；数据创新积极性不高
A13专业型人才
待遇较低造成人才流失；技术人员空缺；引进专业人才和核心团队；加强专业人才队伍建设；制订人才培养计划
A14复合型人才
既懂大数据又懂政务的人员不足；加强人员轮岗；与大数据企业建立长期合作
A15数据采集法规
法定数据报送范围要扩大；数据内容合法边界和来源不清；加强数据真实性核查；加强进度和实时数据采集；加强微观数据采集
A16数据共享法规
应共享数据范围过于原则化；行政条线化造成基层无法横向共享数据；共享形式落后影响时效性；应用场景缺乏造成共享驱动力不足；数据共享权责和激励机制缺乏
A17数据开放法规
当前数据开放属政府服务而不是政府职责；社会参与数据开放法规不健全
A18数据安全法规
加强数据采集主体监管；数据分级分类规范不健全；数据安全法规缺失
A19数据治理体制
市区两级数据衔接不畅；健全大数据领导体制；强有力的牵头部门；打破部门数据壁垒；首席数据官（CDO）制度；建立“政—产—学—研”合作机制
A20数据治理机制
加强顶层设计；将数据治理作为新的工作职责;建立利益补偿机制；制订数据利用考核与评估；数据创新奖励制度
A21 资源保障机制
项目建设型资金投入不能保障运维工作
A22基础数据标准
数据类型不一致；数据采集口径和更新周期不一；同一指标有多个数据；基层部门数据中心建设不符合国家和市级标准
A23数据交换标准
共享平台数据未按元数据标准提供；编制数据目录规范；制订数据接入与调用标准；制订数据交互技术标准
2.2 主轴编码
本研究根据前文有关政府数据治理的内容与环节,对上述开放性编码过程得到的23个范畴进行聚类,最终形成9个主范畴，分别编号为B1-B9；同时为便于分析，本文作进一步并归，将B1-B9纳入技术设施、人员感知、人力资源和法规制度共4个维度，分别用T、C、H、L代表，如表3所示。
表3 主轴编码结果
维度
主范畴
范畴
范畴内涵
技术设施（T）
B1数字基础设施
A1计算机与网络设施
设施性能满足实际需求
A2数据采集设备
自动实时精准采集数据
A3数据交换平台
交换网络通畅，交换系统可用
B2数据处理技术
A4数据管理技术
数据清洗和数据关联等技术
A5数据分析技术
多维度、多层次数据展示；对海量非结构化数据进行快速识别和分析
人员感知（C）
B3感知收益
A6感知工作价值
认识数据治理的重要性与必要性
A7感知个人受益
个人可以获得充分激励与回报
B4感知风险
A8数据保密风险
数据共享、开放等环节中存在的保密风险
A9利益受损风险
数据共享和开放后影响部门和个人利益
人力资源（H）
B5数据能力
A10软硬件使用技能
政府工作人员使用电脑、互联网、智能终端、应用系统等的技能
A11数据利用技能
对数据进行挖掘分析的技能
A12参与动机
参与数据治理的积极性和责任心
B6数据人才
A13专业型人才
精通大数据技术的高素质人才
A14复合型人才
既熟悉政府业务又熟悉数据技术的人才
法规制度(L)
B7数据法规
A15数据采集法规
规范采集主体、采集范围、采集粒度等方面的法规
A16数据共享法规
规范共享范围、共享方式、共享频度、共享流程等方面的法规
A17数据开放法规
规范开放主体、开放内容、开放模式、开放平台等方面法规
A18数据安全法规
保障数据治理各环节中国家机密和个人隐私等的法规
B8数据制度
A19组织机构
领导机构、工作机构、咨询机构等
A20治理机制
治理流程、激励机制、监管机制等
A21资源保障
数据治理所需要的人、财、物保障
B9标准规范
A22基础数据标准
数据编码、数据标识、元数据等标准
A23数据交换标准
交换格式、交换接口、交换协议等方面的标准
2.3选择性编码
选择式编码的主要目的是分析主范畴之间关系，特别是建立核心范畴与其它范畴之间的关联关系，从而构成理论主线。本文围绕政府数据治理成效这个核心范畴，分析和探寻其与上述主范畴的关联关系，结果如表4所示。
表4 选择性编码结果
典型关系
关系结构
关系内涵
数字基础设施（T1）→数据治理成效（E）
E=f1(T1)
因果关系
计算机、互联网、智能设备以及共享交换平台的可用性、易用性、安全性直接影响数据治理成效
数字基础设施（T2）→数据治理成效（E）
E=f1(T2)
因果关系
数据归集技术、数据分析技术等的可用性、易用性直接影响数据治理成效
数据技能（H1）→数据治理成效（E）
E=f3(H1)
因果关系
政府工作人员的技术操作和数据分析能力直接影响数据治理成效
数据人才（H2）→数据治理成效（E）
E=f3(H2)
因果关系
政府部门可使用的专业型人才、复合型人才状况将直接影响数据治理成效
人员感知收益（C1）→数据治理成效（E）
E=f2(C1)
中介关系
政府工作人员对数据治理重要性和自身受益的认识决定其工作积极性和责任心，进而影响数据治理成效
人员感知风险（C2）→数据治理成效（E）
E=f2(C2)
中介关系
如果工作人员认为数据治理将给自己带来风险或损害既有权益，将会对数据治理产生消极、抵触情绪，进而影响数据治理成效
数据法规（L1）→数据治理成效（E）
E= f4(L1) * f2(C2)
中介关系
数据法规影响政府工作人员在数据采集、共享、开放、利用等过程中面临的风险，进而间接影响数据治理成效
数据制度（L2）→数据治理成效（E）
E= f4(L2) * f1(T1)
中介关系
政府对数据设施的投入影响数据治理是否有充足的软硬件支撑，进而影响数据治理成效
数据制度（L2）→数据治理成效（E）
E= f4(L2) * f1(T2)
中介关系
政府对数据技术、应用推广及用户培训的投入影响数据治理是否有充足的技术支撑，进而影响数据治理成效
数据制度（L2）→数据治理成效（E）
E= f4(L2) * f2(C1)
中介关系
政府对数据采集、共享、开放、利用等方面的激励和督导制度将影响工作人员的收益认知，进而影响数据治理成效
数据制度（L2）→数据治理成效（E）
E= f4(L2) * f3(H1)
中介关系
政府在数据治理方面的机构设置、人员培训等制度安排将影响工作人员数字技能，进而影响数据治理成效
数据制度（L2）→数据治理成效（E）
E= f4(L2) * f3(H2)
中介关系
政府对数字人才的引进、培养、待遇、使用等制度安排将影响专业人才和复合型人才数量及质量，进而影响数据治理成效
数据标准（L3）→数据治理成效（E）
E=f4(L3) * f1(T2)
中介关系
数据采集、传输、交换等方面的标准将影响数据的质量和分析处理结果，进而影响数据治理成效
2.4 政府数据治理的影响因素模型
根据上述分析，政府数据治理成效是技术设施、人员感知、人力资源和法规标准等要素交互作用的结果，其中技术设施和人力资源直接影响数据治理成效，而法规标准和人员感知则是通过影响技术设施和人力资源来间接影响数据治理成效。根据此故事线，本文可构建政府数据治理的影响因素模型，如图1所示。
图1：政府数据治理成效的影响因素模型
3 完善政府数据治理体系的对策建议
虽然本文仅调研了上海市，但考虑到该市信息化和电子政务处于全国领先水平，其政府数据治理体系尚很不完善，由此可推断全国整体应处于较低水平，还存在结构缺陷。从前述分析可知，技术设施、人员感知、人力资源和法规制度是影响政府数据治理成效的主要因素，而法规制度是最重要的自变量，其会直接或间接影响影响其它因素，最终对政府治理成效起到决定性作用。因此未来我国要加强法规制订和制度设计，进一步完善技术设施、人力资源和领导激励机制，促进政府数据治理体系的优化。
3.1构建支撑政府数据无障碍流动的网络体系
在技术层面上，当前我国应着重解决目前网络和设施按条线和环节分割的问题，加强政府大数据的顶层技术架构设计，加强数据标准研制与实施，打通政府数据生命周期各环节，构建让数据无障碍流动的网络体系。
一是加强统一的政务云和政务大数据平台建设。对于新建政府数据库和系统，应全部集中到统一的政务云和政府大数据平台之中；对于已有数据库和系统应逐步迁移归并，消除“数据孤岛”存在的硬件土壤。
二是推进数据采集的自动化与智能化，构建泛在感知的社会管理基础网络，加快人工智能、大数据、空间信息等新技术在社会基层部门和场所的布局应用，从源头上提升政府数据质量。
三是建设统一的数据交换平台，提供通用的跨部门和跨地域数据资源交换共享服务功能，由以前的点对点共享转为网状共享，既促进制度化数据共享机制形成，也实现对政务数据的申请、审核、交换和利用的全流程监管。
四是加快政务大数据技术创新。政府部门应与科研机构、信息技术企业合作，加强数据智能采集、数据智能清洗、数据智能应用等方面的技术和场景开发。
3.2建立统筹协调、权责对等的领导与激励制度
推进政府大数据治理还需要科学的制度安排。从调研结果来看，当前我国政府数据治理的政策法规、组织机构、标准规范等方面还存在结构性缺陷，需要加快制度和标准的创新。
一是健全大数据治理组织机构。建立高层领导牵头的大数据治理委员会，形成强有力的跨部门协调机制，消除既得利益对数据采集、共享、开放和利用等工作的干扰；建立政府部门的首席数据官(CDO)制度，专门负责本部门的数据治理以及跨部门的数据共享事宜，促进大数据与政务业务的深度融合。
二是建立大数据利益补偿机制。大数据价值往往存在感知差异。在一个部门眼里可能是“垃圾”和“废物”的数据，在另一个部门眼里却可能是“宝藏”和“金矿”[21]。对前者而言，大数据工作投入多、回报少，但其数据有助于提升政府大数据工作整体效能。对这类部门和人员应给予一定的利益补偿或政绩激励，增强其工作积极性。
3.3形成与大数据治理相适应的人力资源体系
政府数据治理的关键在人，调研中几乎所有部门都反映人才不足问题。为此我国既要在政府中形成一支高素质的大数据人才队伍，也要促进政府工作人员大数据意识与能力的普遍提升。
一是提升政府工作人员的大数据意识。正如历史学家黄仁宇所指出的，传统中国社会缺乏“数目字管理”，造成国家与社会管理模糊杂乱[22]。政府应通过培训、示范等方式，提升政府工作人员的大数据意识和互联网思维，消除传统文化对大数据工作的消极影响。
二是培养既懂政府业务又熟悉大数据的复合型人才队伍。一方面高校院所的公共管理、公共行政和电子政务等专业应增加大数据和人工智慧等内容的学习，加快培养复合型人才；另一方面政府部门可以通过与IT企业签订长期外包合同的方式，使IT人员与政府工作人员持续合作中形成复合型能力。
微信公众号：电子政务智库
参考文献：略
作者：丁波涛
来源：《情报理论与实践》
免责声明：本文转自网络公开渠道，旨在为广大用户提供最新最全的信息，不对所包含内容的准确性、可靠性或完整性提供任何明示或暗示的保证。转载的稿件版权归原作者或机构所有，如有侵权，请联系删除。抄袭本文至其它渠道者引发的一切纠纷与本平台无关。
