面向数据治理的数据资产质量评估模型研究

大数据应用竞赛复习题 4151 数据资产质量管理遵循“谁产生、谁负责”的原则，明确数据资产质量的责任归属，同一责任人产生的同一数据项一年内出现（）以上质量问题，对责任单位予以通报批评，同时按照公司员工奖惩规定第十二条追究相关人员责任，具体惩处按照公司员工违规违纪行为惩处细则第十三条执行。

[单选题] *A、一次B、两次（正确答案）C、三次D、三次以上152 数据资产应用以安全可控为前提，按照（）的原则，落实安全与保密责任。

[ 单选题] *A、谁经手，谁使用，谁负责（正确答案）B、谁主管，谁负责C、谁使用，谁主管，谁负责D、谁录入，谁使用，谁负责153 数据资产维护是指为保证数据质量，对数据进行（）等处理的过程。

[单选题]*A、更正B、删除C、补充录入D、以上三项都是（正确答案）154数据资产维护是指为保证（），对数据进行更正、删除、补充录入等处理的过程。

[单选题] *A、数据完整B、数据共享C、数据质量（正确答案）D、数据标准155 数据资产生成是指数据在业务信息系统中通过（）或人工录入创建的过程。

[ 单选题] *A、人工采集B、自动采集（正确答案）C、自动录入D、以上都不是156数据资产的经手人和使用人应接受安全保密教育，签订（），知悉必须承担的保密义务和责任。

[单选题] *A、安全保密协议（正确答案）B、安全协议C、保密协议D、相关协议157 数据中心数据仓库的数据资产，由（）组织维护。

各业务部门负责本专业业务系统数据资产的维护。

[单选题] *A、信通公司B、数据资产管理归口部门（正确答案）C、数据产生部门D、数据应用部门158数据中心、业务系统访问权限账号仅供责任人本人登录使用，不得借与他人，账号密码不超过（）个月要更换一次。

[单选题] *A、1B、2C、3（正确答案）D、6159 数据中心、业务系统访问权限实行实名制管理，权限账号仅供责任人本人登录使用，不得借与他人，账号密码不超过3 个月要更换一次。

59 2023.05 可持续发展经济导刊 |在国家“双碳”目标背景下，绿色、低碳、可持续发展成为经济社会发展的主旋律。

环境、社会、公司治理（ESG）作为企业可持续经营能力的价值理念和评价标准，受到国内外管理者和投资者的广泛关注。

国务院国资委已明确提出，中央企业、地方国有企业要在ESG 体系建设中发挥表率作用，并将ESG 纳入社会责任范畴且作为重点工作。

电网企业作为全社会电力供应的基础设施运营商，同时承担着国家能源系统绿色转型的重任。

2022年，全国电网工程建设完成投资高达5012亿元，相关项目建设过程对环境、社会带来了诸多潜在影响，亟须获得定向、专业的ESG 评价指导。

目前，国内外主流ESG 评级机构主要以企业为对象开展全口径的ESG 评价，在工程项目方面缺少可借鉴的ESG 指标框架。

本文基于南方电网公司（以下简称南方电网）所开展的工程ESG 评价体系研究，通过结合工程建设业务实际，从工程项目管理视角构建ESG 评价体系，以期为ESG 评价体系本土化建设、降低工程项目融资成本和企业可持续发展等重点议题提供经验与启示。

一、电网工程ESG 评价体系的构建作为电力行业领军企业，南方电网积极响应国务院国资委推动ESG 本土化建设，开展了面向电网工程项目的ESG 评价体系研究。

在电网工程ESG 评价体系的构建思路上，南方电网重点参照可持续及韧性基础设施标准（SuRe®）、可持续基础设施框架体系（Envision®）、基础设施可持续评估工具（IS RatingTool）、中国企业改革与发展研究会发布的《企业ESG 披露指南》等指标设置及披露要求，并根据工程建设的具体业务特性，综合考量工程项目管理的各项评价要素，构建了一套全面系统、科学可行的工程项目ESG 评价体系。

1. 一级指标构建一级指标作为指标体系的宏观展现，重在突出要素治理水平及治理效能发展态势。

在国际主流ESG 评价框架的基础上，工程项目ESG 评价体系以“3-4-3”结构设置了10项一级指标。

[MISSING IMAGE: , ]作者：石秀峰，多年来一直从事企业数据资源规划、企业数据资产管理、数据治理，欢迎关注。

一、什么是数据治理？维基百科：数据治理对于确保数据的准确、适度分享和保护是至关重要的。

有效的数据治理计划会通过改进决策、缩减成本、降低风险和提高安全合规等方式，将价值回馈于业务，并最终体现为增加收入和利润。

笔者认为：所有为提高数据质量而展开的业务、技术和管理活动都属于数据治理范畴。

数据治理的目的就是通过有效的数据资源控制手段，进行数据的控制，以提升数据质量进而提升数据变现的能力。

二、为什么需要数据治理？在我国，各行业的信息化发展和建设水平并不均衡，甚至有的行业是刚刚起步。

但是，不论是金融行业、通讯行业、地产行业、传统制造业以及农业，其信息化的发展基本都遵循了“诺兰模型”。

笔者认为企业信息化大致经历了初期的烟囱式系统建设、中期的集成式系统建设和后期的数据管理式系统建设三个大的阶段，可以说是一个先建设后治理的过程。

[MISSING IMAGE: , ]1、数据质量层次不齐当今时代，“数据资产化”的概念已经被大多数人理解和接受。

不论是企业、政府还是其他组织机构，对于的数据资产的管理越来越重视。

然而，数据并不等于资产，也就是说不是所有数据都是数据资产，数据中也有垃圾数据。

我们需要治理的是能够为企业创造价值的数据资产，而不是全部数据。

2、数据交换和共享困难企业信息化建设初期缺乏整体的信息化规划，系统建设大多都是以业务部门驱动的单体架构系统或套装软件，数据分散在这些架构不统一、开发语言不一致、数据库多样化的系统中，甚至还有大量的数据存放在员工的个人电脑中，导致在企业内部形成了一个个的“信息孤岛”。

这些“孤岛”之间缺乏有效的连接通道，数据不能互联互通，不能按照用户的指令进行有意义的交流，数据的价值不能充分发挥。

只有联通数据，消除这些“信息孤岛”，才能实现数据驱动业务、数据驱动管理，才能真正释放数据价值。

0001.数据治理国外通⽤标准模型DAMA 数据管理模型国际数据管理协会(DAMA)，推出的DMBOK2（数据管理知识体系）对于企业数据治理体系的建设有⼀定的指导性。

注：DAMA 是数据管理协会的简称，是⼀个全球性数据管理和业务专业志愿⼈⼠组成的⾮营利协会，致⼒于数据管理的研究和实践。

DAMA-DMBOK定义了10各职能域，⽤于指导组织的数据管理职能和数据战略的评估⼯作，并建议和指导刚起步的组织去实施和提升数据管理。

数据治理：数据资产管理的权威性和控制性活动（规划、监视和强制执⾏），数据治理是对数据管理的⾼层计划与控制。

数据架构管理：定义企业的数据需求，并设计蓝图以便满⾜这⼀需求。

该职能包括在所有企业架构环境中，开发和维护企业数据架构，同时也开发和维护企业数据架构与应⽤系统解决⽅案、企业架构实施项⽬之间的关联。

数据开发：为满⾜企业的数据需求、设计、实施、与维护解决⽅案，也就是系统开发⽣命周期（SDLC）中以数据为主的活动，包括数据建模、数据需求分析、设计、实施和维护数据库中数据相关的解决⽅案。

数据操作管理：对于结构化的数据资产在整个数据⽣命周期（从数据的产⽣、获取到存档和清除）进⾏的规划、控制与⽀持。

数据安全管理：规划、开发和执⾏安全政策与措施，提供适当的⾝份以确认、授权、访问与审计。

参考数据和主数据管理：规划、实施和控制活动，以确保特定环境下的数值的“黄⾦版本”。

数据仓库和商务智能管理：规划、实施与控制过程，给知识⼯作者们在报告，查询和分析过程中提供数据和技术⽀持。

⽂档和内容管理：规划、实施和控制在电⼦⽂件和物理记录（包括⽂本、图形、图像、声⾳及⾳像）中发现的数据储存，保护和访问问题。

元数据管理：为获得⾼质量的、整合的元数据⽽进⾏的规划、实施与控制活动。

数据质量管理：运⽤质量管理的技术来衡量、访问、提⾼和确保使⽤数据适当性的规划、实施与控制活动。

ISO 数据治理模型国际标准组织IS O于2008年推出第⼀个IT治理的国际标准：ISO38500，它是第⼀个IT 治理国际标准，它的出台不仅标志着IT 治理从概念模糊的探讨阶段进⼊了⼀个正确认识的发展阶段，⽽且也标志着信息化正式进⼊IT 治理时代。

数据中台的建模方法论-概述说明以及解释1.引言1.1 概述数据中台是指将企业内部各业务系统中的数据整合、处理和管理的平台。

它是建立在数据仓库和数据湖之上的一种数据管理模式，旨在解决数据孤岛和数据碎片化的问题，提供高效、统一和可靠的数据服务。

随着企业业务的不断发展和扩张，各个部门和业务系统之间的数据交互和共享变得越发复杂。

往往每个业务系统都有自己的数据存储和管理方式，导致数据无法得到有效整合和利用。

这不仅给企业的数据分析和决策带来困扰，还可能导致信息不对称和效率低下的问题。

数据中台的建立旨在打破各个业务系统之间的数据壁垒，将数据从业务系统中抽离出来，构建一个统一的数据管理平台。

通过数据中台，企业可以实现数据的集中存储、统一管理和共享服务，提高数据的可靠性、一致性和准确性。

数据中台的建立需要遵循一定的建模方法论。

首先，需要对企业的数据进行全面的调研和分析，了解各个业务系统的数据结构、数据流程和数据需求。

其次，需要根据企业的业务特点和发展需求，设计合适的数据模型和数据架构。

在建模过程中，需要考虑数据的可扩展性、灵活性和安全性。

最后，需要结合实际情况进行数据中台的建设和实施，确保数据中台能够真正为企业提供高效、可靠和智能的数据服务。

总之，数据中台的建立是企业数据管理的重要一环，它能够帮助企业实现数据的整合和利用。

在建立数据中台时，需要遵循一定的建模方法论，确保数据中台能够满足企业的业务需求和发展需求。

只有建立一个健壮、可靠的数据中台，企业才能更好地进行数据分析和决策，提高自身的竞争力和创新能力。

1.2 文章结构本文分为引言、正文和结论三个部分。

下面将对每个部分的内容进行介绍。

引言部分主要包括概述、文章结构和目的三个方面。

概述部分将简要介绍数据中台的背景和重要性，阐述数据中台在企业中的作用和意义。

文章结构部分将概述本文的框架，即引言、正文和结论三个部分，并简要介绍每个部分的内容。

目的部分将明确本文的写作目标，即通过对数据中台的建模方法论进行探讨和分析，为读者提供相关的理论指导和实践经验。

数据资产管理体系研究李国和;冯峥;王卓瑜;孙勇;郭阳;散齐国【摘要】随着政策环境的改变和信息技术的升级,大数据战略正式上升为国家战略,数字中国建设正在全方位加速推进,数据资产管理受到前所未有的重视.建设数据资产管理体系已经成为企业应对大数据时代要求的必然选择和必然趋势,数据价值挖掘亟需通过数据资产管理体系提供保障.围绕国网新源控股有限公司大数据管控存在的问题,根据国内外先进、成熟的数据资产管理知识体系,结合公司业务特色和业务需求,从组织体系、管控体系和系统平台3个方面,开展数据资产管理体系研究,为后期数据资产管理体系的建设实践奠定基础,为提升企业治理能力、优化核心资源配置、推动大数据在抽水蓄能行业生根落地及公司数据资产持续健康发展提供有效的数据管控保障.【期刊名称】《电信科学》【年(卷),期】2019(035)002【总页数】8页(P105-112)【关键词】数据资产;数据管控;数据资产管理体系【作者】李国和;冯峥;王卓瑜;孙勇;郭阳;散齐国【作者单位】国网新源控股有限公司,北京100761;国网新源控股有限公司,北京100761;国网新源控股有限公司,北京100761;国网新源控股有限公司,北京100761;国网新源控股有限公司,北京100761;国网新源控股有限公司,北京100761【正文语种】中文【中图分类】TP311.13数据是国家、产业、行业和企业的基础性战略资源，是价值巨大的“金矿”。

国家高度重视大数据在经济社会发展中的作用，强调全面推进大数据发展，加快建设数据强国。

国家电网公司从战略层面对数字化起源发展的社会动力和技术因素进行探究，为推动数字国网建设积极探索、超前布局。

国网新源控股有限公司（以下简称新源公司）在快速发展的背景下，超前谋划并积极推动数据资产管理，在“十三五”期间管理提升规划中明确数据为战略核心资产，这对抢抓发展机遇、推动大数据在抽水蓄能行业生根落地、提升企业治理能力、优化核心资源配置、促进管理转型升级和创新发展有重大意义。

商业银行数据资产价值评估的问题研究一、商业银行数据资产的特点和意义数据量大：商业银行在日常业务中产生了大量的数据，包括客户信息、交易记录、风险评估等各个方面。

这些数据量庞大且多样化，为商业银行提供了丰富的信息资源。

数据来源多样：商业银行数据来源于多个渠道，如柜台、网银、移动银行、自助设备等。

这些渠道产生的数据类型和质量各异，需要商业银行进行整合和分析。

数据价值高：商业银行数据资产的价值主要体现在以下几个方面：提高决策效率、优化产品和服务、降低风险成本、发现潜在市场机会等。

通过对数据的深入挖掘和分析，商业银行可以实现业务创新和持续增长。

数据安全性要求高：商业银行数据资产涉及到客户的隐私信息和商业秘密，因此对数据的安全性要求非常高。

商业银行需要采取严格的技术和管理措施，确保数据的安全存储和传输。

数据价值评估难度大：商业银行数据资产的价值评估涉及多个因素，如数据质量、数据完整性、数据时效性等。

数据价值的评估方法和标准尚不完善，给商业银行的数据资产管理带来了一定的挑战。

提高竞争力：充分利用商业银行数据资产，可以帮助银行更好地了解客户需求、优化产品和服务、发现市场机会，从而提高市场竞争力。

促进创新：通过对商业银行数据资产的深入挖掘和分析，可以激发银行的创新能力，推动业务模式和技术的不断升级。

降低风险成本：通过对商业银行数据资产的风险评估和管理，可以有效降低银行在信贷、投资等方面的风险成本，提高资本利用效率。

提升服务水平：商业银行可以通过对数据资产的分析，为客户提供更加个性化、精准的服务，提升客户满意度和忠诚度。

支持战略规划：商业银行可以根据对数据资产的分析，制定更加科学、合理的战略规划，实现业务的可持续发展。

1. 商业银行数据资产的概念和定义随着信息技术的快速发展，数据已经成为了现代商业银行竞争的核心资源。

数据资产作为一种新型的资产类型，已经引起了学术界和实践界的广泛关注。

商业银行数据资产是指商业银行在业务运营过程中所产生的、具有价值的、可以为商业银行带来经济利益的数据资源。

数据资产价值评估模型研究与应用随着大数据时代的到来，数据资产已成为企业核心竞争力的重要组成部分。

然而，如何合理评估数据资产的价值，是企业面临的一个难题。

本文将围绕数据资产价值评估模型的研究与应用进行探讨，旨在为相关企业和机构提供有益的参考。

在研究数据资产价值评估模型的过程中，首先需要明确评估的目的和方法。

数据资产价值评估主要是为了了解数据资产的真实价值，为企业决策提供依据。

评估方法主要包括成本法、市场法和收益法等。

其中，收益法因其能够反映数据资产未来收益的潜力，已成为主要评估方法之一。

在构建数据资产价值评估模型的过程中，需要先进行数据采集、处理和分析。

数据采集包括收集与企业业务相关的内外部数据，处理包括数据清洗、整合和标准化等，分析包括探索性数据分析、关联性分析和聚类分析等。

这些步骤有助于发现数据中的隐藏规律和价值，为模型构建提供支持。

基于研究方法，可以构建一个合理的数据资产价值评估模型。

该模型输入参数包括数据规模、质量、完整性和安全性等，输出结果为企业数据资产的总价值和单个数据资产的价值。

在模型实现过程中，可以采用基于机器学习、深度学习和强化学习等方法，提高模型的准确性和鲁棒性。

数据资产价值评估模型在多个领域具有广泛的应用价值。

在金融领域，该模型可以用于风险评估、客户分群和信贷评级等；在保险领域，可以用于客户价值分析、风险预测和个性化保险产品设计等；在征信领域，可以用于企业信用评级、债务风险评估和个人信用评分等；在评估机构中，可以用于企业价值评估、无形资产评估和投资决策等。

在实际应用中，需要根据具体业务场景选择合适的评估模型，并不断优化模型参数，以提高评估结果的准确性。

随着数据科学技术的不断发展，未来数据资产价值评估模型将朝着更加智能化、精细化和综合化的方向发展。

未来研究可以以下几个方面：拓展多维度的数据资产价值评估模型。

除了传统的财务指标和业务指标，未来可以引入更多非财务和非业务指标，如企业声誉、客户满意度和环境污染等，以更全面地反映企业的综合实力和长期发展潜力。

企业数据资产审计：逻辑机理、现实挑战与实践路径目录1. 内容概述 (2)1.1 研究背景与意义 (2)1.2 文献综述 (3)1.3 研究目标与问题提出 (5)2. 企业数据资产审计的理论基础 (6)2.1 数据资产的定义与分类 (8)2.2 企业数据资产审计的概念框架 (8)2.3 逻辑机理分析 (10)3. 企业数据资产审计的现实挑战 (12)3.1 数据资产的多样性和复杂性 (13)3.2 数据安全与隐私保护问题 (14)3.3 审计技术的发展与应用 (15)3.4 审计人员的专业素养与能力 (17)4. 企业数据资产审计的实践路径 (18)4.1 审计流程的设计与优化 (19)4.2 审计工具与技术的选择与集成 (20)4.3 审计标准与规范的建立与执行 (23)4.4 审计结果的应用与反馈 (24)5. 案例分析 (25)5.1 典型案例介绍 (27)5.2 审计实践的成效分析 (28)5.3 存在问题的诊断与建议 (30)6. 结论与展望 (31)6.1 研究发现与讨论 (32)6.2 建议与展望 (33)1. 内容概述本文章旨在探讨企业数据资产的审计工作，重点分析其逻辑机理、面临的现实挑战以及可行的实践路径。

我们将阐述企业数据资产审计的核心概念和逻辑机理，分析其在企业治理、风险管理和数据价值挖掘中的重要作用。

接下来，我们将深入探讨目前企业数据资产审计实践中存在的现实挑战，例如数据孤岛、数据质量问题、缺乏标准规范、技术手段不足等。

我们将结合国内外成功案例，提出可行的企业数据资产审计实践路径，包括建立数据资产管理体系、制定数据审计标准和流程、利用数据审计技术工具、加强人才培养和队伍建设等。

相信本篇文章能够为广大企业提供关于企业数据资产审计的系统性认识和实践指导，助力企业充分挖掘数据潜力，提升数据价值，推动数字化转型发展。

1.1 研究背景与意义在当前信息化的大背景下，数据已成为企业不可或缺的重要资产，是企业决策和运营的核心支撑。

数据治理体系框架分析虽然以规范的方式来管理数据资产的理念已经被广泛接受和认可，但还需要组织架构、原则、过程和规则，以确保数据管理的各项职能得到正确的履行。

由于切入视角和侧重点不同，业界给出的数据治理定义已经在几十种，到目前为止还未形成一个统一标准的定义。

其中，DAMA（国际数据管理协会）、ISACA （国际信息系统审计和控制协会）、DGI（国际数据治理研究所）、IBM数据治理委员会和Gartner公司等权威机构提出的定义最具代表性，并被广泛接受和认可。

其中，以DAMA给出的数据治理定义最为业界所接受。

DAMA给出的数据治理定义：数据治理（Data Governance，DG）是指对数据资产管理行使权力和控制的活动集合（计划、监督和执行）。

根据数据治理的定义，确定数据治理的目标为：在管理数据资产的过程中，确保数据的相关决策始终是正确、及时和有前瞻性的，确保数据管理活动始终处于规范、有序和可控的状态，确保数据资产得到正确有效的管理，并最终实现数据资产价值的最大化。

数据治理必须遵循过程和遵守规范，过程主要是用于描述治理的方法和步骤，它应该是正式、书面、可重复和可循环的。

数据治理应该遵循标准的、成熟的、获得广泛认可的过程，并且严格遵守相关规范。

在数据治理的生命周期里，过程和规范相伴而行，缺一不可，只有这样数据治理才会具有较强的约束性和纪律性，才会拥有源源不断的动力，并始终保持正确的方向。

综上所述，数据治理本质上就是：对企业的数据管理和利用进行评估、指导和监督，通过不断创新的数据服务，为企业创造价值。

数据治理与数据管理的关系是建立在治理与管理关系基础之上的。

治理和管理属于完全不同的活动：治理负责对管理活动进行评估、指导和监督，而管理根据治理所做的决策来具体计划、建设和运营。

大数据治理也属于数据治理范畴，是数据治理的新阶段。

大数据治理是对组织的大数据利用进行评估、指导和监督的体系框架。

它通过制定战略方针、建立组织架构、明确职责分工等，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。

数据治理和大模型
数据治理和大模型是当今大数据时代的两个重要概念。

数据治理是指对数据进行全面、系统地管理和控制，以确保数据的质量、安全性、可靠性和一致性。

大模型则是指利用大规模数据训练得到的复杂模型，具有更强的表示能力和泛化能力。

数据治理与大模型之间存在着密切的联系。

首先，高质量的数据是训练大模型的基础。

只有当数据经过有效的治理，确保其质量、完整性和一致性时，才能保证大模型的准确性和可靠性。

因此，数据治理是构建大模型的重要前提。

其次，大模型的训练和应用过程中也需要数据治理的参与。

在训练大模型时，需要对数据进行预处理和特征工程，以确保数据适合模型的训练。

同时，大模型的部署和应用也需要对数据进行监控和管理，以确保模型的输出与预期一致。

此外，数据治理还可以为大模型的优化提供支持，通过数据分析和反馈来改进模型的性能。

然而，在实际应用中，数据治理和大模型的结合也面临着一些挑战。

首先，数据治理需要投入大量的人力、物力和时间，尤其是在大数据环境下，数据的规模和复杂性都大大增加。

其次，大模型的训练和应用需要大量的计算资源和专业知识，而这些资源并不是所有组织都具备的。

此外，数据治理和大模型的结合还需要解决数据隐私和安全等问题，以确保数据的安全和合规性。

总的来说，数据治理和大模型是相辅相成的。

数据治理为大模型提供了高质量的训练数据和可靠的运行环境，而大模型则可以通过其强大的表示能力和泛化能力来提高数据的利用效率和治理效果。

在未来，随着大数据技术的不断发展，数据治理和大模型的结合将会更加紧密，为组织带来更多的商业价值和社会效益。

数据管理能力成熟度评估实践调研分析报告目录一、概述 (1)（-）工作背景 (1)（二）编写目的 (2)（H）研究方法 (2)1.计划制定 (2)2.企业遴选 (2)3.方法确定 (3)4.适用性评估 (3)5.成果应用 (3)（四）研究对象 (3)1.选择原则 (3)2.对象选取 (4)二、外部实践调研基本情况 (4)（一）NF电网 (4)1.基本情况介绍 (4)2.成果应用情况 (6)（二）浙江移动 (7)1.基本情况介绍 (7)2.成果应用情况 (8)三、内部实践调研基本情况 (9)（一）江苏公司 (9)1.基本情况介绍 (9)2.成果应用情况 (10)（二）浙江公司 (11)1.基本情况介绍 (11)2.成果应用情况 (13)（三）天津公司 (14)1.基本情况介绍 (14)2.成果应用情况 (15)（四）甘肃公司 (15)1.基本情况介绍 (15)2.成果应用情况 (16)四、实践主要做法及启示 (16)1.能力评估应紧密结合企业发展战略需求 (16)2.评估模型需结合企业特点适度实施本地化完善 (16)3.能力评估应与企业数据业务提升形成闭环 (17)4.“大格局谋划、小切口着力”循序推进评估 (17)5.评估工作需在线上化、自动化方面加大力度 (18)6.评估工作应聚焦问题发现与解决，并建立问题改进监测机制18五、相关建议 (18)一、概述（一）工作背景数据是国家基础性战略资源。

党的十八届五中全会正式提出“实施国家大数据战略”；党的十九届四中全首次增列“数据”作为生产要素之一参与分配；疫情防控期间，强调要运用大数据、人工智能等数字技术更好支持疫情防控和资源调配；3月4日，中共中央政治局常务委员会强调，加快5G 网络、数据中心等新型基础设施建设。

数据作为核心生产要素，已日益成为数字经济时代重要的战略资产和重要价值。

数据管理专业体系建设是发挥数据价值的必经之路，是大数据应用工作基础中的基础，没有良好的数据管理，数据价值作用的发挥就无从谈起。

交通运输部关于《关于推进公路数字化转型加快智慧公路建设发展的意见》政策的解读文章属性•【公布机关】交通运输部,交通运输部,交通运输部•【公布日期】2023.09.20•【分类】法规、规章解读正文《关于推进公路数字化转型加快智慧公路建设发展的意见》政策解读日前，交通运输部印发《关于推进公路数字化转型加快智慧公路建设发展的意见》（交公路发〔2023〕131号，以下简称《意见》）。

为便于更好地理解和贯彻执行，交通运输部公路局局长吴春耕就《意见》起草有关问题回答了记者的提问。

一、请问《意见》的起草背景和重要意义？答：当前，全球新一轮科技革命和产业变革深入发展，数字经济、人工智能等新技术、新业态已经成为促进经济社会发展的新动能。

推进人工智能、物联网、大数据等新一代信息技术与交通运输深度融合发展，是推动交通运输质量变革、效率变革、动力变革的新机遇、新挑战，也是加快建设交通强国的重要任务。

习近平总书记高度重视发展数字经济、智慧交通，在《求是》杂志发表署名文章强调“不断做强做优做大我国数字经济”，在第二届联合国全球可持续交通大会开幕式主旨讲话中指出“要大力发展智慧交通和智慧物流”。

李强总理在国务院第三次集体学习时强调“协同推进数字产业化和产业数字化，促进数字技术和实体经济深度融合”。

《交通强国建设纲要》《国家综合立体交通网规划纲要》《数字中国建设整体布局规划》对发展智慧交通、推进交通基础设施数字化、建设数字中国作出了明确部署。

交通运输部党组多次进行研究部署，李小鹏部长最近发表署名文章，强调“大力发展智慧交通，为交通当好中国式现代化的开路先锋持续注入新动能”。

“要想富，先修路”。

党的十八大以来，全国公路固定资产投资累计超过20万亿元，新增公路里程112万公里，建成了一批代表性的重大工程。

截至2022年底，全国公路总里程535万公里，承担着63.5%的营业性旅客运输量（不包括城市客运数据）和73.3%的营业性货物运输量，构成了流动的仓储和产业链、供应链的重要组成部分，在经济社会发展中发挥了重要的先行作用。

北京大学 A 00009—47—附件2㔳 潦ഉ㌱吠൭〼㄰ 螠껥ᗠഉ2022 ㄠഉ〮‸㈴⸷㔸（仅国家科技管理信息系统注册用户登录可见）为落实“十四五”期间国家科技创新有关部署安排，国家重点研发计划启动实施“文化科技与现代服务业”重点专项。

根据本重点专项实施方案的部署，现发布2022年度项目申报指南。

本重点专项总体目标是：面向文化科技与现代服务业生态集聚的新趋势、服务消费升级的新需求和服务场景创新的新特征，结合文化科技与现代服务业数字化、专业化、智能化和生态化的发展趋势，系统布局共性基础技术研究，媒体融合、数字文化、文旅融合、文化遗产保护等文化科技场景服务技术创新与应用，生活服务、科技服务、生产服务等现代服务业场景服务技术创新与应用，促进文化产业数字化转型升级，提升国家文化软实力；支撑现代服务业健康快速发展，培育经济发展新动能。

2022年度指南部署坚持问题导向、分步实施、重点突出的原则，围绕文化产业基础性与制约性关键技术、媒体融合、数字文化、文旅融合、服务科学与技术、生活服务、科技服务、生产服务、文明起源、文化遗产保护、文化传承等11个技术方向，按照北京大学 A 00009—48—基础研究类、共性关键技术类、应用示范类三个层面，拟启动26项任务，拟安排国拨经费1.88亿元。

其中，围绕文化产业基础性与制约性关键技术、服务科学与技术等技术方向，拟部署8个青年科学家项目，拟安排国拨经费1600万元，每个项目不超过200万元。

指南任务1.1至8.1中的共性关键技术类及应用示范类任务，以及指南任务11.1，配套经费与国拨经费比例不低于1:1。

项目统一按指南二级标题（如1.1）的研究方向申报。

除特殊说明外，每个方向拟支持项目数为1~2项，实施周期不超过3年。

申报项目的研究内容必须涵盖二级标题下指南所列的全部研究内容和考核指标。

基础研究类项目下设课题不超过4个，参与单位总数不超过6家；共性关键技术类和应用示范类项目下设课题数不超过5个，项目参与单位总数不超过10家。

集团公司数据治理实践坚持大数据与经济社会深度融合，带动全要素生产率提升和数据资源共享，促进产业转型升级，提高政府治理效能，加快数字社会建设。

一、集团公司数据治理实践1、集团公司数据治理背景集团的整体系统体系主要围绕核心ERP系统，股份总部的IT人员很多是ERP的开发、运维人员，基于股份集团的业务管理，ERP大量自研模块。

ERP作为核心系统，各大系统从ERP接入所需数据，同时将关键数据回流到ERP。

另外ERP作为核心应用系统，大量的报表数据通过ERP计算、展现。

随着业务的扩展，股份集团对外服务平台越来越多，数据的类型越来越复杂，需求越来越多样，数据资产管理的问题逐渐突出，主要表现在：一是ERP作为整个架构中的核心系统底层，在大数据的汇集、存储、计算的效率上，无法及时、准确满足数据使用需求，导致整个系统性能较慢；二是缺少大数据平台工具，无法很好地对数据及数据处理过程进行管理，数据缺乏管理；三是数据应用覆盖率不高，以单点数据应用为主，目前的模式数据应用满足效率较差。

在数字化转型是大时代背景下，为了实现集团科技赋能战略，促进核心业务的数据分析和运用，推动股份集团数据资产建设，项目从整体规划、架构设计、平台工具建设三大层面，构建股份集团的数据资产体系。

2、集团公司数据治理解决方案为了全局性、统筹性地进行数据资产规划，梳理数据资产管理模式，开展数据治理，项目整体分为以下三大阶段。

第一阶段：咨询规划，选模式，定方向。

这个阶段，主要是通过咨询规划，初步确定数据治理模式，确定落地方向。

集团由信息化模式转向大数据模式，从治理模式、管理模式、未来的场景的方向看，对企业都存在不确定性，因此集团选择优先咨询规划，明确治理模式，然后再逐步展开。

1）调研诊断，全面盘点现有数据、业务现状，定位目前问题。

一是现有源系统及现状盘点，包括内部系统、对外服务平台、外部数据盘点；二是数据架构的现状－数据流转过程盘点，以ERP为核心系统与对外服务平台、内部业务系统和外部数据进行数据交互的过程分析；三是数据应用的现状盘点，面向集团管理层、行业板块中层管理等不同层级的数据应用现状盘点，整体以散点式基础统计为主，覆盖率不高；四是数据权限管理，目前尚未建立权限管理，需求盘点；五是数据质量及管理情况盘点。

一尧引言广州大学的信息化建设经历了基础建设阶段尧数字校园建设阶段后袁目前已步入智慧校园阶段遥学校在日常教学尧学习尧科研尧管理和校园生活过程中形成的各式各样数据将成为智慧校园的基础遥但是袁目前广州大学数据质量总体处于较为低下的水平袁各业务系统数据存在数据缺失尧错误数据尧重复数据各种问题袁没有进行有效的数据治理袁也没有针对未来需求主动采取数据质量保障措施袁一直疲于应对存量数据产生的数据质量问题遥主要表现是院淤数据多头管理且缺少专门对数据进行监督和控制的组织曰于数据多系统分散建设没有规范统一的校级数据标准和数据模型曰盂数据缺少统一的关键数据视图和缺乏对关键数据的管理曰榆没有建立数据质量管理平台遥为解决数据治理存在的诸多问题袁我们从企业数据资产管理的角度定义智慧校园中的数据资产管理袁并在此基础上提出高校的数据治理五星模型遥以一个具体的应用场景阐述高校数据治理平台以实现数据治理可视化尧流程化和自动化的技术实现遥通过整体数据治理五星模型管理袁持续梳理学校数据资产袁促进高校管理模式从业务驱动到数据驱动的转变袁进一步推动高校信息化水平的提升袁实现数据转换为智慧遥二尧国内外数据治理研究动态数据治理概念最先产生于企业领域袁后逐渐在银行尧保险尧电信尧教育等行业得到应用遥国内外学者围绕着数据治理进行过多方面的研究遥[1]其中国外学术界涉及的研究领域有治理概念尧治理要素尧治理模型尧治理框架袁其中在这几方面有代表性的成果是院P.Sonla[2]指出数据治理是一个有机组合的系统袁它包括决策尧职责及流程曰S.Stockdale[3]在论文中提出数据治理有五要素袁分别是治理架构尧相关角色和职责尧治理数据分类尧治理标准尧治理实施曰S.Kim[4]提出商业和IT联盟的数据治理模型曰DGI[5]提出DGI数据治理框架和数据生命周期理论遥国外学者研究的领域较宽袁涉及的治理内容丰富袁但最终都是对相应职责以及角色的分配遥国内学者主要从治理体系尧治理保障袁及实践应用方面展开了研究遥治理体系集中于对治理模型和框架的研究曰治理保障主要研究数据的质量安全曰治理应用集中在图书馆尧银行尧电力等以数据为核心的行业遥目前袁高校数据中心的建设尧医疗大数据等也得到了很高的重视遥[6]在这三方面袁产生了有代表性的研究成果遥童楠楠等探索了卡内基窑梅隆大学于2014年提出的数据管理成熟度模型渊Data Management Maturity袁DMM冤的逻辑架构尧要素构成和应用实践遥包冬梅等研究了国际数据管理协会渊Global Data Management Community冤框架和国际数据治理研究所渊Data Governance Institute冤的数据治理框架遥包冬梅等分析了两个框架之间的差异袁并提出具体业务领域的数据治理框架遥严昕等[7]从城镇信息化角度袁探索这两种框架对城镇信息化数据治理构建与实施的意义遥数据质量管理的目标是通过数据分析提高数据质量遥续瑾成[8]和张琼文[9]分别在质量管理和质量评估上做了相应的研究遥李冬等[10]对数据传输中的安全和赵*李爱凤淤袁刘葵袁王挺袁廖宏建袁谷岩渊广州大学网络与现代教育技术中心袁广东广州510006冤摘要院数据是一所学校的重要资产遥科学规划数据和进行有效的治理袁对数据资产的应用发挥最大价值具有重要意义遥文章首先采用文献调研法系统梳理了国内外数据治理的相关研究动态曰然后提出了高校数据治理五星模型曰最后袁以具体业务场景教师一张表信息为数据治理对象进行了实践分析与研究遥结果表明袁业务驱动是推进高校数据治理方案的关键遥关键词院大数据曰数据治理曰五星模型曰业务驱动中图分类号院G647文献标志码院A文章编号院1673-8454渊2020冤13-0064-04*基金项目院本文系广州市教育科学规划2016年度面上课题野数据挖掘技术在数字化校园共享数据中心的应用研究冶渊1201534833冤的研究成果遥淤李爱凤为本文通讯作者遥刚等[11]对国家层面的网络空间问题进行了研究袁主要包括数据安全尧隐私保护尧访问权限管理尧安全审计尧制度及流程五大方面遥在应用实践数据治理方面袁有谈韵[12]在电力行业袁王宏宇等[13]尧许晓东等[14]在高校方面袁常朝娣等[15]在医疗领域的研究遥三尧业务驱动的高校数据治理平台为帮助企业管理海量数据并从中快速获取真正有用的信息袁数据资产管理应运而生遥[16]在高校教育大数据背景下袁越来越多的学校在建设高校数据中心平台袁构建基于数据治理的数据中心五星模型遥数据治理的五星功能模块如图1所示遥其中元数据管理平台如同人体的血管深入到学校每个系统内部袁通过每个系统的关联关系袁构建了学校的数据地图信息遥其中包含的数据基因可以形成单个数据单元的血缘分析和影响分析袁在数据质量管理过程中袁沿着元数据的脉络找到数据存在的问题袁补充完善数据质量袁从源头上做好数据规范抽取遥在下游袁做好数据质量清洗袁形成一个良性循环的体系遥在业务场景驱动下袁通过ETL 工具的可视化将各业务系统的数据存储到同一个大库里袁获得一个完整的物理数据库袁以便构建主题进行数据分析遥数据质量的实施针对的是系统可能还会存在一些问题遥例如袁同步异常或者人为失误等情况形成的脏数据袁这时候袁需要一个逐步完善的阶段袁分析问题尧改进相关数据清洗规则袁实现对数据整体质量控制曰根据改进的规则定义袁又可以反馈到数据标准上完善袁把数据质量与数据标准有机结合在一起遥数据的安全管理对数据安全策略进行管理袁包括定义及维护数据敏感性尧敏感数据的定义尧敏感数据的发现并提供发现报告及敏感信息维护遥几大子平台是紧密相关并互为补充袁其核心都是围绕数据治理遥现结合具体的业务场景以教师一张表为对象描述数据治理活动遥以教师为主题袁首先分析与教师主题相关的所有业务系统数据遥其中包括几大核心业务系统如人事尧教务尧科研尧研究生尧财务等管理系统以及一卡通和图书管理系统遥对接入数据治理平台的业务系统进行特征构造袁即把每个系统与教师主题相关的具体指标信息进行有效的清洗和整合袁加以重组并进行数据仓库建模袁以实现教师主题的相关数据集成及特征数据汇聚遥整个过程如图2所示遥图2以思维导图的形式展现了教师一张表实现的过程袁图2中的第三部分是数据仓库分层建模袁在数据仓库实施过程中将数据仓库系统的数据划分为原始数据层渊ODS冤尧数据仓库层渊DW冤和公共数据集市层渊ADS冤遥图3是ETL 示意图袁图3表明袁其中将业务系统的数据原封不动地抽取至原始数据层渊ODS冤袁避免数据仓库直接调用业务系统的数据遥数据仓库层渊DW冤是面向主题的基础数据表和代码表遥基础数据表是一个包涵主题的通用集合遥通过对原始数据层渊ODS冤的数据进行清洗和转换形成特定主题的简明视图遥代码表用于定义常规的尧可枚举的数据值袁同时帮助用户明确这些数据的含义遥公共数据集市层渊ADS冤以某一主题分析为出发点进行建设袁只关心主题需要的数据袁因此袁结构清晰尧针对性强尧扩展性好遥该层数据一般是对数据仓库层渊DW冤的数据进行汇聚后形成特定的主题视图遥在高校数据治理管理平台中袁一般在公共数据集市层渊ADS冤包括教职工主题域和学生主题域两个大的主题域遥再根据业务应用需要袁以教职工主题域为例可分为学科建设分析尧教学管理分析尧科研活动与成果分析等子主题进一步分析曰以学生主题域为例可在招生就业分析尧学生管理分析等子主题进一步分析袁为学校的管理提供决策支持遥教师一张表通过一个可视化的图形界面展示了教师在校的主数据袁图4展示了人事信息的部分数据曰除此之外还有教职工的教学教研信息尧科研信息尧资产信息尧其他信息等栏目遥通过该应用场景实现了一次采集尧统一管理尧多业务应用遥但也要求教职工各项数据必须准确且具备唯一属性遥然而在实际应用中发现各业务系统作为教职工相关数据产生的源头袁还存在大量的脏数据袁图4所示的高层次人才信息的批准时间99999999就是一个无效的时间格式袁必须对数据进行治理以便从数据产生的源头上提升数据质量遥合理的组织架构设置是进行数据治理工作的必要条件遥根据学校实际袁学校组织架构由决策管理层尧组织图1高校数据治理五星模型图4教师一张表部分信息协调层尧执行层组成遥决策管理层是学校数据治理领导小组袁由学校主管信息化的副校长尧网络中心主任尧各业务部门负责信息化的领导代行其职责曰组织协调层是数据治理管理办公室袁由数据质量管理员代行其职责曰执行层包括数据治理小组尧业务部门尧网络中心等部门及外部厂商遥数据治理组织架构设置如图5所示袁各工作人员的职责如下遥淤数据治理领导小组院定义数据治理愿景和目标袁设置数据治理计划的总体方向曰组织跨业务部门协调曰审核和批准数据治理相关制度和报告袁负责重大数据质量问题的解决遥于数据质量管理员院负责数据治理的牵头尧组织尧指导和协调数据治理工作曰数据治理管控办法尧数据质量管理流程等有关规则制度的牵头制定和修改曰数据治理相关系统和工具的管理使用袁跟踪数据治理过程改进遥盂业务汇总统计机构院负责各业务数据汇总统计口径业务的对接和确定袁协调处理数据汇总口径的问题遥榆数据治理小组院负责分析评估数据质量袁出具各业务系统数据质量报告曰负责数据的剖析尧清洗匹配合并等曰定义数据的转换规则遥虞数据源负责教师院遵循数据野一数一源冶原则负责处理系统数据质量问题曰按照数据管理办法及数据标准执行数据的日常维护曰提出业务数据使用需求遥愚数据治理技术支持人员院负责数据治理中系统和工具的开发与维护遥渊2冤教师一张表数据治理实施通过梳理教师主题业务场景的构建发现袁从各业务系统集成的数据存在各种数据质量问题遥图6所示是数据主要问题及占比遥要让数据成为学校资产并有效应用袁数据治理刻不容缓遥因此袁广州大学以业务场景驱动图2教师一张表实现流程图3ETL目录示意图图5数据治理组织架构面向学校全量数据尧增量数据和未来数据积极开展数据全生命周期质量管理规划设计工作袁规划成果指导学校业务数据质量管理工作的开展袁促进学校数据质量持续提升遥教师数据主题数据治理总体流程设计如图7所示遥从图7可以看出袁教师一张表数据治理分两轮进行院第一轮治理通过数据质量管理模块进行数据质量自动探查袁汇总出教师主题疑似错误数据尧异常数据尧重复数据和缺失数据遥并将存在质量问题的数据批量反馈业务部门并限期处理遥第二轮治理则开放教师一张表信息系统供教职工使用袁教职工使用过程中发现数据问题可通过电话尧邮件尧现场反馈等方式联系数据质量管理员或者业务数据负责人进行数据核查尧补录尧修正等遥经过业务部门批量处理以及教师个人纠错两轮数据治理后袁将各业务系统的数据再次同步到教师一张表袁即可以提升教师一张表数据质量袁并应用到其他各个场景遥四尧结论与展望在高校数据治理的实践中可得出以下结论院淤数据治理是对数据进行全生命周期管理曰其最终目标是提高数据的质量尧保证数据的安全性尧实现数据资源在各组织机构部门共享尧提升数据的服务能力以实现数据价值的最大化遥于数据治理是一个长期而非一蹴而就的浩大工程曰数据治理应成为高校管理中常态化工作遥盂数据治理是自上而下的袁数据治理的推进以业务驱动将事半功倍遥榆数据治理是一项先管理后技术的问题遥主体在数据责任部门袁以技术部门为辅助遥数据治理在高校大数据生态建设中有举足轻重的地位袁寻求适合高校数据治理的流程和策略值得深入和持续的探讨遥参考文献院[1]刘桂锋,钱锦琳,卢章平.国内外数据治理研究进展:内涵尧要素尧模型与框架[J].图书情报工作,2017(21):137-144.[2]P.Sonla.Six critical success factors for data gover鄄nance-viewpoint son innovation[EB/OL].http://viewpoints.io/entry/six -critical -success -factors -for -data -gover鄄nance.[3]S.Stockdale.Deconstructing data governance[EB/OL].https:///Handle/1928/31583.[4]S.Kim.The analysis of data governance model for business and ITalignment[J].Journal of the Korea Society of Computer and Information,2013,18(7):69原78援[5]Data governance framework[EB/OL]./the-dgi-Framework.[6]孙嘉睿.国内数据治理研究进展:体系尧保障与实践[J].图书馆学研究,2018(16):2-8.[7]严昕,孙红蕾,郑建明.城镇信息化中的数据治理问题研究[J].情报科学,2017(9):30-35.[8]续瑾成.浅谈企业数据治理及其统一流程[J].中国管理信息化,2016(16):57.[9]张琼文.试论数据治理在数据质量管理中的作用[J].通讯世界,2017(3):140-141.[10]李冬,万磊,费建章.大数据治理中的安全问题研究[J].信息与电脑(理论版),2017(6):192-193.[11]赵刚,王帅,王碰.面向数据主权的大数据治理技术方案探究[J].网络空间安全,2017(Z1):36-42.[12]谈韵.电网大数据治理体系初探[J].电子技术与软件工程,2017(5):182-183.[13]王宏宇,陈冬梅.行政院校系统信息化建设中的数据治理浅析[J].辽宁行政学院学报,2017(4):92-96.[14]许晓东,王锦华,卞良,孟倩.高等教育的数据治理研究[J].高等工程教育研究,2015(5):25-30.[15]常朝娣,陈敏.大数据时代医疗健康数据治理方法研究[J].中国数字医学,2016(9):2-5.[16]程永新.大数据时代的数据资产管理方法论与实践[J].计算机应用与软件,2018(11):326-329援渊编辑院王天鹏冤图6教师一张表数据主要问题及占比图7教师一张表数据治理总体流程设计。