赛迪智库：2019中国数据治理发展报告_46页_815kb

2019中国数据治理发展报告总结

上篇 通用数据治理

数据治理的界定

数据治理是指对数据的管理，涵盖技术、信息、知识和法律等多个层面。其定义从三个维度展开：

• 微观层面：个体对数据的实用性、可用性、完整性和安全性进行管理。
• 中观层面：区域和国家对数据质量、权属、流动机制等进行宏观管理。
• 宏观层面：全球治理，涉及国家、国际组织、多利益攸关方等主体，关注数据权利、流通和管理。

数据治理的目的包括：

1. 优化数据质量，发掘数据资产价值：通过数据治理提升数据价值密度，实现数据资产价值最大化。
2. 保障数据安全，确保国家社会稳定：如贵州通过大数据精准扶贫，但数据共享机制的缺失导致部门间合作困难。
3. 建立数据规则，维护数据主体权利：数据治理有助于保障数据主体在数据流动中的权益。
4. 降低边际成本，提高数据流通效率：数据孤岛现象严重，缺乏有序共享机制，阻碍数据流通效率。

数据治理的路径

• 线性治理模式：政府自上而下制定数据治理制度，治理对象为抽象的数据属性或权利边界。
• 以国家为中心的协同治理模式：国家在数据治理的三个层面均发挥主要作用，强调治理效果与效率的平衡。

数据治理的工具

数据治理的工具包括以下12类：

1. 法律、法规：如《网络安全法》《电子商务法》等。
2. 产业政策：如《大数据产业发展规划（2016-2020年）》等。
3. 政府采购：规范数据治理的同时，也需要对政府采购数据进行治理。
4. 国民经济核算：作为宏观治理的重要工具。
5. 财政拨款/转移支付/补贴：支持产业发展，推动数字化转型。
6. 信息化补偿机制：如信息化技术改造。
7. 信息化费/税：考虑通过惩罚性税费推动数据治理。
8. BOT、TOT等市场化方式：促进投融资运作，支持数字建设。
9. 数据交易公共平台：推动数据采集、隐私保护等环节的规范化。
10. 政府强制/行政指导：在数据安全问题上，政府可采取强制措施或行政指导。
11. 电子政务/信息公开：政府信息公开是数据治理的重要组成部分。
12. 第三方评测评估评价：通过第三方评估提升数据治理质量。

第二章 数据治理模式与法律评析

主要数据治理模式

1. 人格权模式：强调对个人数据的保护，如欧盟GDPR和美国隐私保护方式。
2. 财产权模式：适用于企业数据，强调数据的经济属性。
3. 数据产权模式：融合人格权与财产权，是一种新型权利保护方式。

我国数据治理立法对GDPR的借鉴

• GDPR作为个人数据保护的典范，但其实施存在负面效应，如限制数据自由流动。
• 我国应结合自身国情，避免盲目照搬，需坚持制度自信。
• GDPR在立法过程中经历了长期讨论，体现了欧洲对数据治理的重视。
• 我国需关注个人信息保护立法的实施效果与社会接受程度，避免法律目的异化。
• 应加强数据产权制度建设，探索符合中国国情的数据治理路径。

数据合规以案说法

• 案例：TikTok因旗下Musical.ly侵犯儿童隐私被美国FTC罚款570万美元。
• 事件评析：
  • 移动社交APP行业隐私保护政策需进一步优化。
  • 企业需高度重视数据合规，避免因合规成本过高而影响发展。
  • 行业自律与法律监管结合，有助于提升数据治理水平。

第三章 我国数据治理政策法规

促进数据治理的现代化发展

1. 数据治理的框架结构：

   • 统一开放的大数据体系。
   • 全方位决策系统。
   • 全球互联网治理机制。

2. 数据治理的模式创新：

   • 城市管理和服务体系智能化。
   • 加强政府与企业合作。
   • 实现精准治理和多方协作。

3. 数据治理的平台网络：

   • 包括国家政府数据统一开放平台、行业数据共享平台等。

4. 数据治理的规划建设：

   • 包括规划布局、建设发展等内容，涉及多个国家政策文件。

数据治理——安全合规

• 数据安全治理：涉及系统安全、网络安全、信息安全等。
• 数据合规治理：需遵守法律法规、监管要求、行业准则等，包括建立负面清单、禁止不合规数据等。

数据治理——敏感数据与保护隐私

• 敏感数据：包括国家涉密数据、商业秘密和个人敏感信息。
• 保护隐私：个人隐私属于自然权利，需通过法律和制度加以保护。

数据治理——价值质量

• 数据价值：强调数据资产及价值管理。
• 数据质量：需在数据采集、使用、销毁等环节进行治理，确保数据真实性、准确性、完整性等。

第四章 数据治理技术现状与产业发展

数据治理技术现状与发展

1. 底层技术研发：

   • 数据采集、存储、计算等核心技术。
   • 我国已具备一定研发能力，但仍需加强。

2. 大数据分析架构搭建：

   • 数据可视化、统计分析、数据挖掘等技术逐步成熟。
   • 国内企业在可视化和挖掘方面仍有提升空间。

3. 数据治理技术面临的挑战：

   • 数据安全与国家安全密切相关。
   • 个人数据泄露问题日益严峻。
   • 数据主权面临挑战，需完善跨境流通法规。

数据产业体系

• 产业规模：2016-2020年，大数据核心产业市场规模快速增长。
• 产业结构：
  • 产业布局：大数据核心产业、关联产业和融合产业。
  • 企业布局：数据分析挖掘占比最高，数据存储最低。
  • 行业布局：金融、电信、政务等行业发展指数较高，农业相对落后。

八大国家级大数据试验区

• 跨区域类综合试验区：京津冀、珠江三角洲，推动区域一体化。
• 区域示范类综合试验区：贵州、重庆、上海、河南、沈阳等，促进大数据与各行业融合。
• 基础设施统筹发展类试验区：内蒙古为唯一代表，强调资源整合与绿色发展。

下篇 行业数据治理

金融数据治理

• 主要特征：数据资产化、中台治理。
• 金融数据治理应通过数据资产化实现价值，中台治理有助于提升决策效率。

工业数据治理

• 主要特征：全生命周期数据管理。
• 工业数据需系统集成，强调数据关联性和实时性。

政府数据治理

• 主要特征：信息基础设施建设、打破数据壁垒、保障数据安全、对接民众需求。
• 当前政府数据治理重点在政务、医疗、交通等领域，需拓展至教育、就业等。

电商数据治理

• 主要特征：数据资产化、开放型数据流动、多元化治理。
• 数据治理推动电商服务创新，需建立统一标准。

物流数据治理

• 主要特征：明确数据权属、加强消费者权益保护、厘清治理主体权责。
• 需解决数据垄断、权责不清等现实问题。

医疗数据治理

• 主要特征：拓展数据采集范围、丰富数据类型、服务“三医联动”。
• 需打通医疗、医药、医保数据壁垒，提升数据分析能力。

小结

1. 专项法规体系亟待建立：我国缺乏针对性法规，需加强研究与实施。
2. 数据治理标准不统一：行业内部与之间标准不一，需建立统一标准与共享机制。
3. 数据安全保障体系缺乏：隐私侵犯问题突出，需加强数据安全治理。
4. 数据治理缺乏顶层设计：需从国家、行业、地方层面加强统一规划，避免各行其是。

后记

• 大数据技术正在深刻改变社会结构，推动数据治理成为重要课题。
• 本报告由工业和信息化部赛迪研究院与西南政法大学人工智能法学院联合编写，旨在为国家大数据战略提供参考。
• 报告编写过程中得到了多位专家与机构的支持，内容具有权威性和实践指导意义。