國外智庫數據搜集策略及其在大數據環境下的挑戰

安楠+祝忠明

摘 要：數據搜集作為智庫數據價值鏈的首要環節，在智庫研究中承擔著重要作用。文章選取《2015全球智庫排名》中具有參考價值的十余家智庫機構，通過網絡調研和文獻調研方法總結歸納了這些國外智庫機構的數據搜集策略。研究發現智庫現有的傳統信息搜集策略和方法已無法適應大數據環境下體量大、更新快、形式多的數據特征。結合當前新型搜集技術的應用案例及數據價值鏈理論，研究認為實現數據采集自動化、制定數據采集規則并構建智庫知識庫將資源語義化是大數據環境下智庫數據搜集階段應盡快采取的措施。

關鍵詞：智庫；數據搜集；搜集策略；大數據；數據價值鏈理論

中圖分類號：G250.2 文獻標識碼：A DOI：10.11968/tsyqb.1003-6938.2017063

Abstract Data collection is the primary link in the value chain of the think tank and it plays an important role in the research of the think tank. This paper first selects more than ten think tanks with reference value in the 2015 Global Go To Think Tank Index Report， then summarizes the data collection strategies of foreign think tank institutions through network research and literature research. It is found that the existing traditional information collection strategies and methods of the think tank cannot adapt to the data characteristics in the big data environment. This paper studies the current application of new acquisition technologies and the data value chain theory and comes to a conclusion that think tanks should take the following measures the data collection as soon as possible： the realization of data acquisition automation， the development of data collection rules and the construction of the think tank knowledge base to process resource semantic.

Key words think tank； data collection； collection strategy；big data； data value chain theory

1 引言

智庫是公共政策的研究分析和參與機構，它們針對國內、國際問題開展政策導向性的研究、分析和咨詢，以使得政策制定者和公眾能夠依據可靠的信息進行決策[1]。 其主要作用是為決策制定者提供及時、全面、準確的支持信息，支持信息的范圍、數量、質量、服務內容、服務方式等都將直接影響到決策制定的效果[2]，因此，擁有完善的信息支持機制是智庫產生高質量決策咨詢成果的重要保障。

在當今大數據時代，人們面臨的最大問題不再是信息匱乏，而是如何從海量信息中發現、提取有價值的數據信息為自己所用。對新型智庫而言，若不能及時從傳統的信息搜集策略中轉變，將無法適應體量巨大、形式繁多、更新速度快、價值密度低的大數據特征[3]，進而影響智庫政策研究過程及產出的效率。本文依據賓大《2015年全球智庫報告》的綜合排名及各項領域排名，選取了排名靠前的十余家具有代表性的國外智庫作為研究對象，對其數據采集策略進行分析，結合大數據環境特征，提出新的智庫信息支持機制需要完善的方向。

2 國外智庫傳統數據搜集策略和主要方式

智庫的功能之一就是依據現有的資料和數據對未來形勢進行預測，對于一些針對特定任務或課題的智庫項目，如涉及到戰爭形勢、氣候變化、行為科學、藥物病理等領域的研究，沒有完全適用的數據或難以獲取到先前的實驗數據，需要智庫機構自主開展調查研究或設計科學實驗來直接采集適用于特定項目的數據。通過調研總結發現，國外智庫的信息搜集策略可分為直接生產創造和間接搜集獲取兩種途徑（見表1）。其中直接生產創造又分為開展調查研究和設計實施實驗兩種方式，間接搜集獲取又分為自身館藏建設和合作交流共建兩種方式，自身館藏建設可進一步細分為搜集公開數據、購買數據庫、自身館藏累積等。

2.1 通過開展調研獲取數據

調查研究是智庫機構最常用的數據搜集方式之一，智庫研究人員通常運用的傳統調研方法有文獻調查法、統計調查法、問卷調查法、專家調查法、訪談調查法等，其中文獻調查法因其低成本和易開展成為使用頻率最高的方法。在調查研究過程中智庫專家經常不拘泥于某種特定方法，而是相互交錯、靈活運用。

在傳統調研運用中比較典型的有美國布魯金斯學會、胡佛研究所、卡內基國際和平基金會等老牌智庫。其中，布魯金斯學會是美國乃至世界最具影響力的智庫之一，已連續9年被《全球智庫報告》評選為“全球最佳智庫”以及“全美最佳智庫”[4]，通過對其網站上收錄的研究項目進行統計發現，截至目前布魯金斯學會已有801項課題的研究報告、文章、專著是基于各種調查研究方法完成的，其研究內容的范圍和主題是基于開放調查并綜合了300多位學者代表的不同觀點。調查研究的范圍包括商業金融、國防安全、經濟、教育、能源與環境等15個領域，每個領域主題下又細分為若干子主題。本文發現以布魯金斯學會為代表的綜合智庫在其開展的調查研究項目中以統計調查法使用的居多，尤其在經濟研究與社會研究方面，在涉及到人口、經濟增長、國民生產力、債務問題、進出口貿易等領域的問題時需要借助大規模、真實準確的數字來反映現實問題并以此作為政策調整的依據。樣本數據量越大越全面自然能越準確反映總體的情況，在當今大數據環境下通過獲取更全的數據樣本并對其進行統計分析已經成為開展大規模研究的主流方法與趨勢。endprint

此外，為了順應全球化發展要求，擴展業務范圍擴大全球影響力，同時為了避免語言障礙和文化差異對研究樣本總體特征的把握造成干擾，實力雄厚的智庫往往會在各地開設分支機構，通過開展實地調研來為數據搜集提供更便捷可靠的信息來源。如布魯金斯學會在北京、多哈、新德里等城市設有分支機構，為自己搜集有關信息和情報；卡內基國際和平基金會除了位于美國華盛頓的總部外，還在莫斯科、北京、布魯塞爾、貝魯特、新德里分別設立有政策研究中心，每個中心分別擁有獨立的研究主題、項目、專家團隊等，從而在全球建立起自己的數據調研網絡。以北京的卡內基-清華全球政策中心為例，其機構本身就是卡內基“亞洲項目”的一部分，該項目旨在為政策制定者提供關于亞太地區經濟、安全、政策發展的清晰準確的分析，卡內基-清華全球政策中心主要負責包括國際經濟貿易、能源與氣候變化、防止核擴散及軍備控制，以及朝鮮、伊朗、南亞、中東地區的潛在安全威脅，在北京及世界各地的分支機構保障了卡內基在對應范圍內信息收集的可靠性與便利性。目前，卡內基國際和平基金會已在全球20多個國家擁有超過100位專家，每個地區的學者均從當地選拔并用當地語言撰寫研究報告，由此在與全世界其他同事合作的過程中加深各個機構對形成當前世界范圍內各種政策選擇環境的理解，并提出合情的政策問題的解決方法。

2.2 通過實施實驗獲取數據

除了調研方式以外，智庫研究人員有時需要借助特定的實驗方法和工具圍繞某一課題開展科學實驗以獲取客觀真實的實驗數據，通過實驗方法搜集到的數據信息具有直觀、量化等優點，并可通過調整某些參數來觀察同一實驗在不同變量條件下的結果。

某些智庫研究如涉及到軍事預測、行為科學、藥物病理等具有多種不確定因素和結果的問題時往往需要借助實驗幫助研究人員排除外界干擾，突出主要因素，模擬研究事物或過程的發生，采集到的數據中既包括基因序列等通過實驗設備獲取的實驗數據，也有通過遙感勘測、傳感器等實時觀測到的數據，還包括經濟模型、氣象數據等通過實驗模型獲取的模擬數據。如美國蘭德公司在其成立之初主要為美軍提供調研和情報分析服務，隨后其業務逐步擴展。蘭德公司已意識到按照傳統的學科背景或政策領域組織科學能力的方法已不再足以加速創新，在“方法研究中心”板塊下蘭德公司分別展示了多樣化、多學科的創新方法和分析工具。以“游戲中心”為例，“游戲”可以被認為是滿足一定特征的任何互動過程[5]，游戲這種戰略分析思路常被蘭德專家在一個分析過程中的不同節點使用來實現不同的目標，在使用游戲方法分析特定課題時，需要通過反復建模來獲取大量實驗數據對現實情況進行模擬仿真，以保證設計方案在投入實際運用時產生最大的效用和最小的誤差。又如，在“不確定性條件下決策制定中心”針對個人決策的制定時，蘭德專家運用行為學實驗的方法對被實驗者從心智模式方面進行考察并獲取各項指標數據，以在決策制定過程中提供直接參考作用。卡托研究所（Cato Institute）經常開展各種實驗以獲取一手原始信息用于支撐自身的研究。如在研究人類文化與習俗的演變中，卡托研究所選取了17世紀位于中非的庫巴王國的一段歷史事件，并據此針對居住在卡南加的居民設計了兩個行為實驗進行研究[6]。

2.3 搜集各類公開數據

利用各種信息渠道直接采集各類公開數據是最經濟便捷也是智庫研究人員最常用到的數據搜集方式之一。智庫最初出現的20世紀50年代，研究人員主要依靠圖書、報紙、期刊、年鑒、檔案等紙質印刷出版物進行公開資料的搜集工作；20世紀90年代末互聯網的普及使得各種形式的大量數字化信息迅速傳播，其中公開信息占絕大部分，包括由政府各部門發布的國民經濟數據、人口數據等官方信息，以及各類新聞報道、天氣數據、影視文字等非官方信息，同時開放存取運動大規模地興起，科研成果和學術信息在互聯網上的傳播也得到了迅速推動與交流，大量科研數據不再受到版權費用和獲取權限的限制，智庫等咨詢機構及學術機構可以更便捷地獲取到各種類型的科研數據和學術資料。

智庫在進行信息搜集時往往會同時兼顧紙質信息源和數字信息源，尤其是政府部門及知名機構發布的權威性數據資源，以保證智庫研究產出的可靠性。如查塔姆研究所（Chatham House）在開展研究時數據信息來源十分廣泛，其中絕大部分來自各機構組織和新聞媒體發布的公開信息資源，以其“能源”專題下的一篇研究報告[7]為例，在研究外交政策對能源安全、氣候與競爭力的影響時，引用了大量研究報告、新聞報道、事實依據與統計數據，其中不乏有歐盟委員會、歐盟統計局、歐洲委員會、歐洲風能協會等這種國際權威組織機構，也有牛津大學這樣的學術機構，還有能源社區組織、摩根士丹利公司這種獨立機構和企業，此外，英國《衛報》、路透社等媒體機構以及各種會議論壇的公開資料也是智庫研究人員在研究過程中的信息來源。

基于開放獲取的便利，學術類資料也成為智庫機構信息搜集的主要來源之一，如卡托研究所的出版物《政策分析》在一項針對恐怖主義和移民的研究[8]中，除了從洛杉磯時報、美國國土安全局、審計局等媒體報道及權威機構收集公開數據外，還引用了如《Terrorism and Political Violence》《International Interactions》《Journal of Economic Perspectives》《Insurance Journal》等學術期刊資料，以及蘭德公司的全球恐怖事件數據庫、馬里蘭大學的全球恐怖主義數據庫（GTD）等機構資料。

2.4 購買數據庫獲取數據

面向研究領域的特定需求從數據提供商購買專業數據庫也是智庫進行數據采集的常見方式，尤其對附屬于高校的學術性智庫機構來說，采購ProQuest、Springer、IEEE、Elsevier等學術型期刊全文數據庫是開展研究的必須基礎設施之一。對于資金實力雄厚的智庫，直接采購數據省去了自主調研、開展實驗和信息采集環節的時間與財力，可以迅速將精力與資源投入到研究中。endprint

馬普學會是由德國政府資助的全國性學術機構，是歐洲國家級科研機構的典型代表，無論從規模還是研究影響力均位居世界前列。本文通過對其各機構職能進行調研表明，馬普學會除了主要作為國家科研機構開展研究活動外，它還適時發揮著科技智庫的功能。作為國家智庫，馬普學會已連續多年在《全球智庫報告》的科學技術領域智庫中排列第一。馬普學會成立的馬普數字圖書館（The Max Planck Digital Library，MPDL）為其下80多個研究所提供科學信息支持和基于網絡的學術交流，在提供學術服務的同時為其智庫職能提供數據支持。MPDL的Factual Databases專題數據資源下的14個數據庫提供了大量事實型數據，其中8個社會經濟數據庫均采用訂購獲取的方式采集。此外，馬普學會還很重視基礎數據和統計數據的長期積累，以期產生增值效應，如以數據檔案的方式訂閱了國家報告，并訂購了全球最大的統計數據門戶Statista公司的數據平臺，Statista擁有超過來自18000個數據源的共計1000000多條數據，覆蓋600多個行業，80000多個主題及10000多項研究。

2.5 機構圖書館（檔案館）館藏數據

對智庫來說自身圖書館（檔案館）在信息的搜集和利用過程中占有舉足輕重的地位，智庫圖書館（檔案館）是智庫基于組織自身一定量的現有資源而逐漸積累形成的資料收集、整理與存儲機構，作為智庫重要的信息保障機構收藏了豐富的數據信息資源，包括期刊、文獻、圖書專著、檔案、報紙以及數字化的數據庫等資料。一個機構的圖書館若在某一研究領域的信息資源館藏較為豐富，就意味著該機構對該研究領域占有了優勢。圖書館館藏的優勢內容一定程度上影響了智庫在研究課題選擇方向上的偏好；另一方面智庫在信息資源建設時也會有針對性地對優勢領域的信息資源進行完善補充和鞏固，以確保其核心競爭力。

事實上，國外不少知名智庫的出現最初都是基于對特定的研究領域和項目的持續關注而成立的，且都會專門設立圖書資料部門以為專家的決策過程提供知識服務。如蘭德公司就是由于一批美國科學家與工程師在二戰期間將運籌學運用于作戰取得了重大成績，戰后受到軍方高度重視而決定成立一個“獨立的、介于官民之間進行客觀分析的研究機構”[9]，其特色資源中仍保留了大量與軍事相關的數據與工具；又如美國總統胡佛創立的胡佛研究所，其建立的初衷是為了收集與第一次世界大戰的形成和發展有關的歷史資料和文件，因此在胡佛研究所成立初期它只是一個專門的圖書資料收集中心，直至20世紀40年代末該研究所才開始招募學者進行研究工作。

大部分智庫都會圍繞其優勢領域有針對性地進行館藏資源構建。日本國際問題研究所JIIA是日本研究國際問題的核心機構，旨在通過對國際問題的專門研究，為日本外交政策的制定提供建設性意見，并向公眾傳播國際關系的有關信息。其數字圖書館有針對性地從法治、外交、領土、亞太國際環境（中國及朝鮮半島）幾個部分開展資源建設，為本機構專家在國際安全保障和地區問題研究兩個研究領域提供信息支撐。

2.6 合作交流與共建數據資源

當今的國際政治經濟形勢日趨復雜，單靠一家智庫的研究很難全方位覆蓋各地區的各類重大問題，也不符合智庫的擴張需求。因此智庫依托自身信息資源尋求合作發展逐漸成為一種新趨勢，一方面可以將資源進行整合，進一步拓展和深化共同研究領域的項目研究；另一方面可以避免重復建設造成資源的浪費。比較常見的有聯合舉辦政策研討會、政策論壇、開展學習培訓等合作形式，通過人員交流和開放性討論獲得有益的數據信息、研究資料、技術及經驗；還有智庫通過與其他權威機構合作共建數據庫，豐富彼此數據資源的同時實現共贏。如德國國際和安全事務研究所SWP與12家德國研究機構合作建立了歐洲國際關系與地區研究信息網絡EINIRAS，并通過項目合作的形式分別建立了歐洲最大的國際關系研究資源庫“世界事務在線”（Database World Affairs Online，WAO）、一個國際關系與區域研究領域的搜索門戶IREON，以及包含德、英、法、意、俄、克羅地亞、波蘭、西班牙、捷克9個歐洲國家語言的主題詞詞表項目European Thesaurus，它為WAO和IREON的主題索引提供了支持。這種聯盟化的合作形式和成果不論從機構內部還是機構外部都極大提升了數據支撐能力，同時強化了各合作機構的相關研究領域在國際上的競爭力。

3 大數據環境下智庫急需新的信息搜集策略

通過以上調研可以看出，國外智庫的信息搜集策略雖然相對已比較成熟，有規范化的流程和完善的分類體系，但不足之處在于采集到的資源相對獨立，數據之間缺少必要的關聯，對信息進行標引和組織需要較多的人工參與，這種半自動化的信息支持機制在體量大、更新快、形式多的大數據時代勢必會面臨挑戰。

3.1 智庫傳統信息搜集策略已無法適應大數據環境

大數據下基于數據驅動的科研過程需要更高效的信息支持機制。21世紀伴隨著互聯網、云計算和社交網絡的發展，一切事物皆可數據化，大數據逐漸在各行各業滲透，政府、企業和各類機構都能輕易獲得海量數據，任何信息過程都開始呈現出一種“數據驅動”的趨勢。當前全球形勢瞬息萬變，智庫決策產品具有很強的時效性，因此智庫決策研究過程不僅要求準確，更強調大數據下對數據搜集及處理的效率，這就要求智庫必須將非結構化數據資源處理成能夠被計算機自動識別并處理的“可計算”數據，以實現智庫研究數據搜集、數據組織、數據分析、數據利用流程在計算機上的自動化，從而迅速、準確地為決策研究提供數據支撐。

通過調研可知目前國外智庫雖已有較完善的信息搜集策略，但人工參與環節較多，整體效率不高，在大數據環境下各種傳統數據采集方法的不足逐漸顯露。如調查研究方式中以文獻調研法和問卷調研法為例，它們都是智庫必不可少的信息采集方法，但信息的挖掘能力在包含各種復雜類型的海量數據中十分有限，文獻調研法由于所研究文獻的區別（如一次、二次文獻加工程度不同或載體不同）導致人為分析全面性和效率上的不足，而問卷調研法在互聯網環境下無法保證準確有效地反映了受訪者的真實想法，效度較低，且一旦在后期發現錯誤將很難補救[10]。這些缺陷都會導致智庫在分析處理階段出現一定偏差，使智庫產品存在瑕疵。此外，調研法和實驗法都需要一定的時間周期才能獲取信息，在目前智庫要求對突發事件和熱點事件迅速相應的趨勢下略顯被動。間接采集策略中購買數據庫的方式成本高昂且難以囊括大數據下的所有樣本，依靠自身累積或尋求合作也存在很大的局限性，因此利用互聯網搜集公開數據成為絕大部分智庫獲取信息數據的首選途徑。綜上，傳統的數據采集方法已無法適應當下實時更新的大規模非結構化的大數據環境，數據采集效率將大打折扣，同時數據存儲方式也需進行相應轉變，相對于結構化數據可以二維表結構的形式存儲在關系數據庫中，智庫采集到的大量非結構化數據包括文檔、圖像、聲音、視頻、超媒體等信息難以通過一般結構化的方式進行存儲，這也是數據采集需事先考慮的問題。endprint

3.2 新型搜集技術的發展應用及相關實踐案例

大數據時代背景下需要處理的數據量迅速膨脹，谷歌、Facebook、亞馬遜、百度等大型互聯網企業作為大數據的生產者也是主要使用者，參與研發并運用各種最新的數據采集、清洗和挖掘技術或工具實現對大數據的自動化處理，以擴大數據處理量，提高數據處理效率，如比較常見的WEKA、Rapidminer、Orange等。智庫可借鑒互聯網企業的經驗，運用數據挖掘、網絡爬蟲、機器學習等先進的大數據技術實現智庫從信息采集環節，到信息組織、信息分析一系列流程的自動化，逐漸減少不必要的人工參與，從而更迅速地搜集到更全面的數據資料，在“數據驅動”趨勢下極大提升智庫自身的信息處理效率。

機構知識庫作為智庫知識庫的一般形式，在國內外已有較多關于信息采集的理論與技術研究取得成果并得到了有效應用，值得智庫借鑒。如由麻省理工學院圖書館（MIT Libraries）和惠普公司實驗室（Hewlett-Packard Labs）合作研發的DSpace系統是一個專門的數字資產管理系統，便于收集、存儲、保存和發布數據，類似還有Eprints、OCLC開發的CONTENTdm等，可以在語義層面對采集到的文檔進行元數據填充；中國科學院蘭州文獻情報中心也基于DSpace搭建中科院機構知識庫平臺（CAS-IR），對本機構知識內容進行捕獲、轉化和傳播，并嘗試利用關聯數據實現知識庫資源的語義擴展[11]。然而由于智庫知識庫無論從服務對象、數據來源、資源種類還是開放程度上都與機構知識庫有一定差異，因此在借鑒機構知識庫數據搜集策略的過程中應留意這些特征。

3.3 大數據下智庫信息搜集策略的建議

智庫的政策研究過程實際上是一個知識增值的過程，每一項活動都是這一價值鏈條上的一個環節。T.Gustafson和D.Fink[12]于2013年提出“大數據價值鏈”的概念，認為每條大數據價值鏈簡化后都至少應由4個基本階段組成：數據獲取——數據存儲——數據分析——數據應用。基于此，結合智庫的一般運作流程，本文提出大數據環境下的智庫數據價值鏈（見圖1），智庫數據價值鏈反映了在智庫運作的各個階段圍繞數據進行的活動，而大數據則為各環節提出了要求。智庫的數據采集作為數據價值鏈的首要環節承擔著重要的作用，數據采集的質量和效率將直接影響到后續智庫產品的質量和影響力。基于此，針對當前智庫在大數據時代背景下的信息搜集策略提出以下建議。

（1）數據采集的自動化。運用當前最新數據采集技術，實現智庫數據搜集環節的自動化。面對浩瀚的大數據，傳統通過人工或半自動化的數據采集方式已不能滿足智庫在當前國際形勢下的研究效率，利用信息技術將數據加工為可供計算機自動處理的“可計算資源”已是必然趨勢。由智庫數據價值鏈可以看出，數據采集是大數據下實現智庫知識增值的第一步，通過信息抽取、網絡爬蟲等技術自動采集互聯網上的信息，在大數據環境下盡可能多地獲取更全面的數據樣本，為智庫政策研究提供大量的信息源，從而為后續的信息組織和分析打下基礎。

（2）制定必要的采集規則。智庫接觸到的大數據來源除了各類數據庫外，還包括合作機構間的共享數據、網絡出版的開放數據等內容。此外，各種傳感器收集數據、社交網絡用戶數據、移動互聯網數據等，凡是滿足開展政策研究各領域需求的數據信息都成為智庫采集的對象。然而鑒于大數據環境下數據質量參差不齊，必定會采集到一部分不合格數據，所以有必要設置一定的數據采集規則并按一定標準格式進行后續存儲，以確保智庫采集到的資源將得到有效利用。

（3）構建智庫知識庫。根據國際數據公司IDC的一項調查報告中指出，目前企業中的非結構化數據已經占到數據總量的80%以上，且這些數據按照每年60%的速度增長。智庫采集到的這些海量復雜類型數據必須經過統一處理，進行組織存儲后，才能為后續分析提供“可計算”資源，即可通過計算機自動識別和處理的信息資源。智庫知識庫是智庫機構通過管理手段結合各種信息技術對相關信息數據進行組織，形成該智庫機構所擁有的知識集合，其主要目標是將采集資源語義化，通過相互關聯的知識片發現數據間的規律和潛在知識，并據此為用戶提供知識服務。

4 結語

本文調查了國外十余家具有代表性的智庫在信息搜集方面的策略與資源建設，通過分析與總結可以看出，西方智庫的數據搜集策略雖較為全面，但已無法適應當前大數據特征的要求。文章提出利用數據挖掘和機器學習等技術工具實現自動采集，并參考機構知識庫的成功案例，盡快建立智庫知識庫提升自身數據采集和分析能力，使決策參考更具科學性與前瞻性。

參考文獻：

[1] James G.McGann，University of Pennsylvania，2015 Global Go To Think Tank Index Report[EB/OL].[2016-08-10].http：//repository.upenn.edu/think_tanks/10/.

[2] 吳育良.國外智庫決策信息支持研究及啟示[J].圖書館理論與實踐，2015（10）：31-35.

[3] 廖球，嚴揚帆，莫崇菊.大數據時代機構自建學術數據庫研究[J].圖書館學刊，2014（4）：34-36.

[4] Wikipedia.Brookings Institution[EB/OL].[2016-08-14].https：//en.wikipedia.org/wiki/Brookings_Institution.

[5] Rand Corporation.Methods Centers at RAND[EB/OL].[2016-08-18].http：//www.rand.org/capabilities/methods-centers/gaming.html.endprint

[6] Sara Lowes，Nathan Nunn，James A.Robinson，et al.Cato Institute[EB/OL].[2016-09-02].http：//www.cato.org/publications/research-briefs-economic-policy/evolution-culture-institutions-evidence-kuba-kingdom.

[7] Thomas Raines，Shane Tomlinson.Chatham House[EB/OL].[2016-09-03].https：//www.chathamhouse.org/sites/files/chathamhouse/publications/research/2016-03-31-europe-energy-union-raines-tomlinson.pdf.

[8] Alex Nowrasteh，Cato Institue.Terrorism and Immigration： A Risk Analysis[EB/OL].[2016-09-30].http：//www.cato.org/publications/policy-analysis/terrorism-immigration-risk-analysis.

[9] MBA智庫百科.美國蘭德公司[EB/OL].[2016-10-01].http：//wiki.mbalib.com/wiki/%E5%85%B0%E5%BE%B7.

[10] 王海峰.大數據智庫：中國特色新型智庫建設途徑研究[D].上海：華東政法大學，2016.

[11] 王思麗，祝忠明.利用關聯數據實現機構知識庫的語義擴展研究[J].現代圖書情報技術，2011（11）：17-23.

[12] Gustafson T，Fink D.Winning within the data value chain[J].Strategy & Innovation Newsletter，2013，14（2）：1-5.

作者簡介：安楠（1992-），男，中國科學院大學、中國科學院蘭州文獻情報中心碩士研究生；祝忠明（1969-），男，中國科學院蘭州文獻情報中心研究館員，博士生導師。endprint