機構科研數據知識庫聯盟數據治理框架研究*

0 引言

數據密集型科研活動的蓬勃發展推動機構科研數據知識庫(Institutional Research Data Repository，IRDR)的產生與發展。IRDR是由科研機構建立，專門用于收集、存儲、組織、管理和共享本機構研究人員產出的科研數據的知識庫，它通過系統的質量審查、組織、監護和共享，促進機構內部科研數據的再利用和知識創新，充分發揮科研數據的價值。然而，大部分IRDR收錄的數據資源數量小且類型單一，數據共享范圍有限，部分處于“機構庫孤島”“科研數據孤島”階段。近年來，跨機構、跨系統、跨學科合作研究呈現不斷發展的態勢，IRDR的服務能力受到巨大的挑戰。因此，由個體獨立逐漸走向聯盟是IRDR發展的必然趨勢，也是科研數據共享的內在要求。IRDR聯盟，即由兩個以上的研究機構為了更好地共享科研數據資源，以簽訂合作協議為方式，以其原有科研數據知識庫為基礎，以集中存繳、元數據收割等為手段，實現對科研數據的統一監管和統一服務而構建的一種共享機制聯合體[1]。毫無疑問，IRDR聯盟打造了科研數據管理與共享的新型合作機制，不僅規避了科研數據資源的重復建設，還擴大了科研數據的共享和利用范圍，不斷發掘科研數據的潛在價值，推動學術交流和科學發展。然而，IRDR聯盟在創建與發展中面臨著一個貫穿全程的問題，即數據治理(Data Governance)問題。IRDR聯盟牽涉到不同聯盟成員的利益關系，需要構建一套科學的數據治理方案進行指導和維護，解決聯盟中的數據質量、數據安全與隱私、數據知識產權等一系列問題。對IRDR聯盟進行數據治理是實現聯盟生態系統數據價值最大化和降低聯盟風險的必要且有效的路徑。因此，本文引入數據治理概念，剖析數據治理的內涵與外延、模型及要素，在此基礎上針對IRDR聯盟的具體特點，構建IRDR聯盟數據治理框架，分析IRDR聯盟開展數據治理實踐的關鍵問題與應對策略，為IRDR聯盟的科學管理與可持續發展提供思路。

1 數據治理的內涵與模型

1.1 數據治理的內涵

1990年代公共服務供給中政府失敗、市場失靈、社會力量發展及其處理公共事務能力提升等社會背景推動治理理論(Governance Theory)的誕生。治理理論提出政府、市場、社會等主體共同治理公共事務，以提高治理效率及維護公共利益[2]。此后該理論不斷演化與拓展。聯合國全球治理委員會將“治理”定義為“各種公共的或私人的機構管理其共同事務的諸多方式的總和，它是使相互沖突或不同的利益得以調和并且采取聯合行動的持續的過程”[3]。近年隨著各個領域數據暴增，數據治理應運而生并成為各行各業和學術界共同關注的議題。數據治理最初應用于企業管理，逐漸擴展到政府、醫院和高校等領域。國際商業機器公司(IBM)提出，數據治理是指根據企業的數據管控政策，通過組織人員、流程和技術的相互協作，將數據作為企業核心資產來管理和應用[4]。國際數據管理協會(The Data Management Association，DAMA)認為，數據治理是指對數據資產管理行使權力和控制的活動集合，由計劃、監督和執行等要素構成[5]。國際數據治理研究所(The Data Governance Institute，DGI)將數據治理定義為“針對信息相關過程的決策權和職責的體系”，遵循“在什么時間和情況下、用什么方式、由誰、對哪些數據采取哪些行動”的執行模式[6]。包冬梅等認為數據治理的內涵可從四個方面解讀：數據治理目標；數據治理職能，即“評估、指導和監督”；數據治理核心，即決策權分配和職責分工；數據治理本質，即通過數據治理提供創新的數據服務并創造價值[7]。劉桂鋒等認為，數據治理涉及人(數據管理員、數據用戶、數據治理委員會等)、操作(包括技術、管理、政策法律等)和環境(資助、文化沖擊、觀念意識等)[8]。綜合上述觀點，筆者認為IRDR聯盟數據治理應明確數據治理目標、環境(或前提條件)和核心領域，在此基礎上制定行動框架。

1.2 主要模型及要素

國際上已有不少組織和研究機構立足于不同的價值視角和關注維度構建了數據治理模型，對數據治理核心要素及其邏輯關系進行組織和展示。筆者選取四個比較有影響力的數據治理模型，分別對模型及其要素進行分析。

(1)IBM數據治理模型。為有效地管理和監控企業數據，實現增加收入、降低成本、降低風險、增加數據可信度等目標，IBM組織55家企業，通過成熟的業務技術、合作方法和最佳實踐構建IBM數據治理委員會成熟度模型(IBM Data Governance Council Maturity Model)。該模型將能力成熟度模型(Capability Maturity Model，CMM)和有效數據治理元素框架(Elements of Effective Data Governance，EEDG)相結合。CMM由美國卡內基梅隆大學軟件工程研究所于1984年開發，包括初始級(Initial)、已管理級(Managed)、已定義級(Defined)、定量管理級(Quantitatively Managed)和優化級(Optimizing)五個級別。EEDG包括目標要素、促成要素、核心要素和支撐要素四類，每一類包括若干具體要素[9]。該模型主張對框架中的所有元素進行成熟度級別判定與提升，全面推動企業數據治理。

(2)DAMA數據治理模型。該模型由功能子框架和環境子框架構成，功能子框架包括十個方面：數據治理、數據架構管理、數據開發、數據庫操作管理、數據安全管理、參考數據與主數據管理、數據倉庫與商業智能管理、文檔與內容管理、元數據管理、數據質量管理，功能要素之間相對獨立；環境要素子框架包括七個方面：目標和原則、活動、主要交付物、角色與職能、實踐與方法、技術、組織和文化[5]。模型的核心是解決數據治理功能與環境要素之間的匹配問題。

(3)DGI數據治理模型。該模型分為三個層面：人員與組織結構、規則與協同工作規范、過程，共包括十個基本組件[6]。圖1展示十個基本組件之間的邏輯關系，回答了5W問題(Why，What，Who，When，How)，形成了從數據治理理論、方法到實施的完整生態系統。該模型的特點是將治理流程融入模型，以流程箭頭的形式標識治理順序，清晰明了，易于理解和執行。

圖1 DGI數據治理模型

(4)《數據治理白皮書》模型。2015年中國信息技術服務標準(ITSS)數據治理研究小組在SC40/WG1第三次工作組會議上提交《數據治理白皮書》國際標準研究報告，綜合DAMA、DGI、IBM、Gartner等數據治理方法論和模型，結合中國企業在金融、移動通信、央企能源、互聯網等領域數據治理的典型案例，構建了數據治理模型。該模型由三個框架組成：①原則框架，涉及四個原則：戰略一致、風險可控、運營合規、績效提升；②范圍框架，包括三個層次：基礎層包括數據運營、數據架構、數據整合和開發；中間層包括數據安全與隱私、數據質量、元數據；應用層包括數據倉庫和商業智能、主數據、大數據；③實施和評估框架，包括促成因素、實施生命周期、成熟度評估、審計。該模型明確了數據治理的三個主要方面：數據治理準則、治理域和實施方法。該模型結構清晰，較為靈活，對企業組織和開展數據治理實踐具有重要意義[10]。中國電子技術標準化研究院發布的《大數據標準化白皮書(2018版)》對重點標準進行描述，其中GB/T 36073-2018《數據管理能力成熟度評估模型》國家標準規定了組織進行數據管理、評價的能力成熟度模型，包含數據戰略、數據治理、數據架構、數據應用、數據安全、數據質量管理、數據標準、數據生命周期管理等八個關鍵過程域，描述了每個過程域的建設目標和度量標準，可以作為組織進行數據管理工作的參考模型。

2 IRDR聯盟數據治理框架及要素

目前在數據治理理論探討上缺乏定論，是因為數據治理具有明顯的場景化特點，需要針對具體的治理主客體、目標和環境進行分析，如政府數據治理、企業數據治理、高校數據治理、圖書館數據治理。由于背景、動機、關注點和期望存在差異，不同組織提出的數據治理模型不同，現有數據治理框架或模型各有優劣，不具有廣泛的適用性，但依然能為IRDR聯盟數據治理提供參考。筆者根據IRDR聯盟的特點、宗旨和需求，以IBM數據治理模型為基礎，參考其他模型及要素，構建IRDR聯盟數據治理框架，見圖2。該框架涉及IRDR聯盟數據治理的四個層面：IRDR聯盟數據治理目標、前提條件、核心要素和支持要素。該框架還展示不同層面之間的關系：要實現IRDR聯盟的目標，科研機構需要重點關注和處理數據質量、數據安全與隱私、數據知識產權等核心問題；數據架構、分類及元數據、審計與報告等對IRDR聯盟數據治理的核心要素起支持作用；而聯盟架構、權責分工和聯盟政策等前提條件加強和促進了核心要素的實施。

圖2 IRDR聯盟數據治理框架

2.1 IRDR聯盟數據治理目標

IRDR聯盟數據治理需要強調以問題為導向和以目標為導向。數據治理的兩大目標是“實現價值”“管控風險”，建立可持續的治理體系，這與IRDR聯盟的目標契合。

2.1.1 實現聯盟數據價值最大化

數據治理強調數據利用價值的最大化，并使數據充滿活力。IRDR普遍存在的問題是數據數量和類型難以滿足跨學科和跨機構的研究與交流：對專攻某一領域的研究機構而言，其IRDR有可能僅是單一學科數據知識庫；對高校而言，其院系機構和學科體系相對成熟和穩固，反映出高校內部跨機構和跨系統的學術交流范圍較為有限。IRDR聯盟建立的宗旨就是從更大范圍匯集不同科研機構的科研數據，構建相對完整的科研數據共享系統，實現科研數據資源的合理配置，促進系統內數據的相互關聯、相互影響和緊密聯系。對IRDR聯盟進行數據治理，首先要求聯盟成員對所在機構研究人員提交的數據的安全性、可用性和學術價值進行嚴格審核，此后聯盟平臺數據管理者需要對集成的科研數據進行再次審查，對數據質量、全面性以及有效使用情況進行監管和評估，將最優配置轉化為最大效率，將數據的價值發揮到最大化。

2.1.2 保證聯盟風險最小化

IRDR聯盟具有眾多優勢，也面臨各種風險。IRDR聯盟涉及不同研究機構的利益，若缺少完善的數據治理計劃、一致的數據治理規范、統一的數據治理過程，將面臨數據架構混亂、數據管理水平較低、數據服務不到位、數據質量參差不齊等風險。因此，數據治理作為一種思維方式和管理方法，對IRDR聯盟發展而言十分重要。IRDR聯盟管理層需要分析聯盟運行中的各種風險的實質與表現形式，對其進行客觀衡量與歸類，探討風險產生的各種誘因，繼而在管理數據資產的過程中，通過優化數據的架構、質量、標準、安全等技術指標，確保數據相關的決策始終是正確、及時、有效和有前瞻性的，確保數據治理活動始終處于規范、有序和可控的狀態，最大限度地降低或規避IRDR聯盟的風險。

2.2 IRDR聯盟數據治理的前提條件

2.2.1 聯盟結構

組織結構是指組織內部之間相對穩定關系的一種模式，由組織的目標任務以及環境情況決定，包含組織成員在不同層次的責權系統中的地位和相互關系。構建合理的組織結構是維持IRDR聯盟可持續運行、實現聯盟目標的關鍵。IRDR聯盟成員需要根據目標、宗旨和需求構建組織模式，強調分工的精細化，避免數據的重復構建和不必要的工作。根據課題組前期的研究，聯邦結構比較符合IRDR聯盟的需求，該模式于平行結構基礎之上增加聯盟協調組織(Alliance Steering Committee)，在保障聯盟穩定的同時也保持成員的獨立自主，還能增強聯盟的技術能力，優化聯盟資源調度[11]，如圖3所示。

圖3 聯邦結構模式圖

2.2.2 權責分工

IRDR聯盟涉及不同的數據治理主體，包括研究機構、研究人員、數據管理與服務提供者、研究資助者、平臺管理者等。根據各方資源、技術、管理等優勢和利益差異，不同主體扮演不同角色，共同構成利益相關者鏈條。數據治理的作用在于分配各主體的角色與職責，確保IRDR聯盟可持續發展。IRDR聯盟需要明確各利益相關者的職責分工并承擔其責任，可在領導層面設有數據治理指導委員會(負責數據治理規劃與項目審批)、在管理層面設有數據治理協商委員會(加強不同部門間的溝通協調)以及員工層面的數據治理工作組(負責界定、管理、控制和保存部門數據資源的完整性等)[12]。re3data.org將IRDR聯盟成員(決策、管理與執行層面)所承擔的角色和責任主要劃分為綜合管理、技術支持和資金資助三大類。以4TU科研數據中心(4TU.Centre for Research Data)為例，該聯盟由荷蘭埃因霍芬理工大學、代爾伏特理工大學、特文特大學和瓦格寧根大學組成，其中代爾伏特理工大學圖書館負責聯盟的整體運作，承擔綜合管理、技術支持和資助責任；埃因霍芬理工大學承擔資助工作；特文特大學負責綜合管理；瓦格寧根大學負責綜合管理和資助[13]。從數據治理實踐看，各聯盟成員在設計好的聯盟結構下各司其職，逐級細化，能夠有效地保障聯盟運轉以及提高數據治理水平。

2.2.3 政策

政策是推行數據治理的重要工具與基本保障。IRDR聯盟數據治理政策可分為外部政策和內部政策。外部政策是IRDR聯盟開展數據治理工作的動因和指導方針。習近平總書記在中共中央政治局第二次集體學習時強調以數據集中和共享為途徑，推動技術融合、業務融合、數據融合，打通信息壁壘，形成覆蓋全國、統籌利用、統一接入的數據共享大平臺，構建全國信息資源共享體系，實現跨層級、跨地域、跨系統、跨部門、跨業務的協同管理和服務。這為IRDR聯盟開展數據治理工作提供了政策依據和契機。內部政策是IRDR聯盟根據成員的需求、聯盟的特點、宗旨和運行模式而制定的一系列標準與規定，旨在協調各方利益，指導和約束聯盟成員行為，涉及利益協同機制、決策機制、激勵約束機制和監督機制等機制。各種機制的有效運行能夠協調各方利益以及保障聯盟的正常運行。

2.3 IRDR聯盟數據治理核心要素

2.3.1 數據質量管理

在大數據時代，科學研究的價值很大程度上取決于數據質量。因此，對數據質量進行有效治理顯得尤為重要。IRDR聯盟支持大量科研數據的提交、維護和使用，而科研人員所提交的研究數據的質量往往是參差不齊的，這就需要進行數據質量管理。IRDR聯盟需要建立數據質量檢查規則并運用技術手段，對數據質量問題進行跟蹤、檢查、分析、評價、督促整改并定期進行數據質量通報評價，其中涉及兩個關鍵要素：數據質量標準和數據質量管理流程。首先，科研人員所提交的數據需要符合一定的質量標準。Wang等提出從四個維度判定數據質量：內在數據質量(可信度、準確性、客觀性、聲譽)；語境數據質量(增值性、相關性、時效性、完整性、適量性)；可表現型數據質量(可解釋、易于理解、一致性、表達簡潔)；可訪問性數據質量(可訪問性、安全性)[14]。其次，聯盟平臺需要遵循質量管理與監護流程。Owonibi等設計了半自動化的生物多樣性數據知識庫數據質量管理流程，包括標準規范制定、客戶端和服務器端驗證、數據歸檔、差錯檢測分析、報告和分析、數據增強和校正、評估和監控[15]。IRDR聯盟可通過權威機構認證加強數據質量評估，目前應用廣泛的是數據認可印章(Data Seal of Approval，DSA)，DSA制定了數據知識庫可信賴認證的16條核心要求并對達到要求的數據知識庫授予認證標識[16]。

2.3.2 數據安全與隱私

在數據共享和開放的大趨勢下，數據安全和個人隱私成為IRDR聯盟需要重點關注的議題。首先，分布式數據存儲可能導致單點故障引起整個系統出現問題；惡意攻擊甚至會導致數據被剽竊、被篡改或被刪除。其次，在傳輸過程中可能存在惡意數據盜取及數據服務商數據外泄等問題。為避免數據在訪問和使用過程中受到惡意的破壞，IRDR聯盟需要制定科學的安全策略和管理規程，設置權限和保護措施，確保數據在使用過程中有恰當的認證、授權、訪問和升級等措施。例如，在數據管理與共享中，IRDR聯盟需要根據數據的重要性，對數據劃分安全等級，通過系統身份認證的方式將用戶納入到內部數據資源的使用對象中，為其提供開放獲取服務；還可采用會員繳費制，向機構或聯盟外的用戶分享其資源。IRDR聯盟需要對數據隱私進行準確描述和量化，采取措施對科研人員提交的數據進行脫敏處理，充分保護科研人員的個人隱私。

2.3.3 數據知識產權

科研數據作為特殊的資產，在傳播和利用過程中存在很多知識產權問題。IRDR聯盟需要在數據授權和數據引用等環節加強治理，保障科研數據的合理、合法共享和使用，避免不必要的糾紛。

(1)數據授權。科研數據的授權是指賦予使用人合法使用科研數據的權利。一般而言，經由作者授權正式出版但未轉讓版權或作者未公開出版的個人研究成果及原始數據，其版權歸作者或其所在單位所有；作者授權正式出版并與出版單位簽訂版權轉讓協議的學術研究成果，則其版權歸出版單位所有。對上述情況，聯盟在數據征集工作開展前，應制定明確的著作權管理辦法。

(2)數據引用。數據不引用是數據在利用過程中存在的嚴重問題。面對數據使用者故意不標注的行為，IRDR聯盟需要進行引導或強制要求，規范數據使用者的數據引用行為，尊重著作權。《信息技術科學數據引用》(GB/T 35294-2017)于2018年7月1日起正式實施，對科學數據引用元素描述方法、引用元素詳細說明、引用格式等進行規定，科學數據傳播機構可根據該標準設計數據引用系統，并聲明數據引用規則；數據使用者可根據該標準著錄科學數據引用信息。

2.4 IRDR聯盟數據治理支持要素

2.4.1 數據架構

數據架構是指數據系統和應用的技術實現、技術部署和技術環境，合理的數據架構能夠為結構化和非結構化數據的應用正常運行提供技術支撐，確保數據的可用性。IRDR聯盟需組建專業的技術部門和管理部門，構建合理的數據架構，包括數據存儲模塊、編程模塊、數據分析模塊、數據應用模塊，重點關注數據表示和描述、數據存儲、數據分析的方式及過程，以及數據交換機制、數據接口等內容，保證IRDR聯盟數據平臺中科研數據的易用性、便捷性、關聯性，提高科研人員數據存取、分析和創新的速度與效率。

2.4.2 數據分類與元數據

IRDR聯盟平臺匯集了不同機構的科研數據，學科廣泛、格式多樣、結構各異，需要構建多維的數據分類體系。IRDR聯盟數據管理部門需要全面分析聯盟成員所提交的科研數據的學科體系、數據格式、數據結構等問題，在此基礎上進行分類，從不同形式和不同層級創建多維分類體系，有效地對科研數據進行描述與分類，體現邏輯性與易用性，便于研究人員檢索和瀏覽。元數據作為描述信息資源或數據本身特征和屬性的數據，支持資源的存儲、檢索、評價、選擇和利用，可以幫助用戶發現與獲取所需要的資源。IRDR聯盟應在平臺建立之初對元數據管理進行規劃，由專業人員創建與完善元數據，使元數據的質量控制得到保障。平臺還要致力于元數據的互操作，加強本體與關聯數據等技術的應用，使不同來源的科研數據實現語義層面的整合，使異構、分散的數據資源形成相互聯系的有機體，真正滿足用戶一站式信息查詢需求。

2.4.3 審計、日志與報告

用戶行為主要指用戶為解決某種問題或實現某一特定信息需求，在外部條件刺激下對事實、數據、觀點等信息及其獲取方式表現出的獲取、查詢、交流、傳播、吸收、加工和利用的行為。IRDR聯盟平臺在日常運行過程中會產生大量的用戶行為數據，能夠揭示科研人員提交、瀏覽、檢索、下載、引用科研數據等行為。因此，IRDR聯盟平臺需要通過一定的技術手段對該類數據進行審計與分析，持續監控和衡量數據價值、風險和治理的有效性，并及時做出調整，不斷提高平臺的服務質量。

3 結語

數據是數字化生存時代的新型戰略資源，是驅動創新的重要因素。隨著數據密集型科學研究和跨系統、跨機構、跨學科合作研究的發展，IRDR聯盟將成為科研數據管理與共享的發展趨勢。本文構建IRDR聯盟數據治理框架，明確IRDR聯盟數據治理的目標、前提條件、核心要素和支持要素，可幫助IRDR聯盟科學有效地制定數據治理戰略規劃并付諸實踐，以實現聯盟內部數據價值最大化并最大限度地降低或規避聯盟風險。其中，框架所涉及的要素并不是完全獨立的，存在一定的交叉以及相互影響的關系。IRDR聯盟需要重點關注七個方面的內容，分別是：明確機構科研數據知識庫聯盟數據治理目標、設計科學的聯盟結構、合理分配聯盟成員權責、制定聯盟政策、保障數據質量、強調數據安全與隱私、注重數據知識產權保護，從而提升IRDR聯盟的服務水平，推動IRDR聯盟可持續發展，在更高層次上為科研人員提供良好的科研數據共享基礎設施和環境，提高科研數據的價值，支持學術交流和推動科學創新。