我國開放政府?dāng)?shù)據(jù)“臟數(shù)據(jù)”問題研究及應(yīng)對*
——地方政府?dāng)?shù)據(jù)平臺數(shù)據(jù)質(zhì)量調(diào)查與分析

翟 軍 李曉彤 苗珍珍 李劍鋒

（大連海事大學(xué)航運(yùn)經(jīng)濟(jì)與管理學(xué)院 遼寧大連 116026）

“開放政府?dāng)?shù)據(jù)”（Open Government Data, OGD）運(yùn)動能夠釋放數(shù)據(jù)價值，產(chǎn)生積極的社會和經(jīng)濟(jì)效益，在世界范圍得到了快速發(fā)展。2013年10月，麥肯錫研究院的報告預(yù)測[1]，在教育、交通、能源及醫(yī)療等七個領(lǐng)域，開放數(shù)據(jù)每年將為全球釋放約3萬億至5萬億美元的潛在經(jīng)濟(jì)價值；報告同時指出，在一些領(lǐng)域（如交通）使用開放數(shù)據(jù)的最大障礙之一是“數(shù)據(jù)質(zhì)量”。經(jīng)合組織（OECD）認(rèn)為，為確保OGD創(chuàng)造價值，政府面臨的最重要任務(wù)是[2]：①識別高價值的數(shù)據(jù)；②保障數(shù)據(jù)質(zhì)量；③培育需求及促進(jìn)數(shù)據(jù)使用?！伴_放政府合作組織”（Open Government Partnership，OGP）對各成員國2012—2015年行動計劃的評估發(fā)現(xiàn)，低價值和低質(zhì)量數(shù)據(jù)引發(fā)了數(shù)據(jù)供給與需求之間的“鴻溝”[3]。

提高數(shù)據(jù)質(zhì)量，避免因劣質(zhì)數(shù)據(jù)而帶來的消極影響，始終是數(shù)據(jù)管理領(lǐng)域最嚴(yán)峻的挑戰(zhàn)之一[4]。據(jù)估算，美國每年因劣質(zhì)數(shù)據(jù)造成的損失高達(dá)6千億美元[5-6],包括數(shù)據(jù)錯誤引起的醫(yī)療事故及電信設(shè)備故障排除引發(fā)的延誤等，零售業(yè)標(biāo)價錯誤造成的損失及公司缺陷數(shù)據(jù)引起的財政損失等。OGD領(lǐng)域的數(shù)據(jù)質(zhì)量問題也日益凸顯，澳大利亞昆士蘭大學(xué)S.Sadiq等的研究發(fā)現(xiàn)，美國數(shù)據(jù)門戶Data.Gov上的槍支犯罪者數(shù)據(jù)集曾存在數(shù)據(jù)不完整、不一致和記錄重復(fù)等問題[7]。巴西學(xué)者M(jìn).I.S.Oliveira等對巴西13個數(shù)據(jù)門戶的分析發(fā)現(xiàn)，CSV數(shù)據(jù)文件中有記錄重復(fù)、字段定義不一致等問題[8]。英國開放知識國際（Open Knowledge International）的網(wǎng)站開辟專欄Okfnlabs.org/bad-data/展示了“壞數(shù)據(jù)”（Bad Data）的實例[9]。

在我國，“政府?dāng)?shù)據(jù)資源共享開放工程”位列國務(wù)院《促進(jìn)大數(shù)據(jù)發(fā)展行動綱要》規(guī)劃的十大數(shù)據(jù)工程之首[10]。從2012年開始，已有20多個地方政府建設(shè)和發(fā)布了數(shù)據(jù)開放網(wǎng)站（或欄目），隨著數(shù)據(jù)量的增加，數(shù)據(jù)質(zhì)量也日益得到關(guān)注[10-11]。目前，數(shù)據(jù)質(zhì)量管理面臨的問題和挑戰(zhàn)主要有錯誤發(fā)現(xiàn)、錯誤修復(fù)和近似查詢處理等[6]。在此背景下，我國開放政府?dāng)?shù)據(jù)是否存在“臟數(shù)據(jù)”，有哪些主要的質(zhì)量問題及如何應(yīng)對，就成為本文要回答的問題。

1 臟數(shù)據(jù)的分類

數(shù)據(jù)質(zhì)量（Data Quality）是“數(shù)據(jù)滿足任務(wù)需求的程度”，數(shù)據(jù)質(zhì)量問題指“給使用這些數(shù)據(jù)的應(yīng)用帶來潛在影響的一系列數(shù)據(jù)表現(xiàn)”[12]，那些不符合要求或標(biāo)準(zhǔn)規(guī)范的質(zhì)量差的數(shù)據(jù)常常被稱為“臟數(shù)據(jù)”（Dirty Data）或“壞數(shù)據(jù)”（Bad Data）[13]。

“臟數(shù)據(jù)”的分類可以幫助人們更好地理解和發(fā)現(xiàn)數(shù)據(jù)質(zhì)量問題，相關(guān)學(xué)者從不同視角研究取得了一系列成果。Rahm等[14-15]分別從模式層和實例層分析了單源/多源數(shù)據(jù)常見的9類質(zhì)量問題，如糟糕的模式設(shè)計，冗余、互相矛盾或者不一致的數(shù)據(jù)，拼寫錯誤和命名沖突等。Kim等[16]提出如圖1所示的33 種“臟數(shù)據(jù)”的分類系統(tǒng)，分為缺失的數(shù)據(jù)和沒有缺失的數(shù)據(jù)兩大類，沒有缺失的數(shù)據(jù)又分為了錯誤的數(shù)據(jù)和沒有錯誤的數(shù)據(jù)。Oliveria等[17]將21個質(zhì)量問題劃分為四個粒度級別（Granularity Level）：單元/列/行、單表、多表和多源。Li等[18]利用規(guī)則將38類企業(yè)臟數(shù)據(jù)分為五個維度：準(zhǔn)確性、完整性、時效性、一致性和唯一性。Gschwandtner等[19]分析的對象是“面向時間的數(shù)據(jù)”，將臟數(shù)據(jù)分為單源和多源兩大類。Almeida等[20]基于數(shù)據(jù)倉庫的多維數(shù)據(jù)模型，將30個質(zhì)量問題歸為五組：單值、多值、元組、列和整個關(guān)系表。

圖1 Kim等提出的“臟數(shù)據(jù)”分類系統(tǒng)

這些研究主要面向傳統(tǒng)的數(shù)據(jù)管理領(lǐng)域，如數(shù)據(jù)倉庫、企業(yè)信息系統(tǒng)等。Laranjeiro等[21]則面向大數(shù)據(jù)，通過文獻(xiàn)分析將24個質(zhì)量問題映射到五個質(zhì)量維度：可訪問性、準(zhǔn)確性、完整性、時效性和一致性。在伴隨大數(shù)據(jù)而興起的“數(shù)據(jù)新聞”（Data Journalism）領(lǐng)域，美國數(shù)字媒體網(wǎng)站Quartz于2015年整理出“壞數(shù)據(jù)手冊”（Bad Data Guide），將45個質(zhì)量問題分成四個方面：數(shù)據(jù)源問題、人為問題、專家可以解決的問題和開發(fā)者可以解決的問題[13]。

表1 我國OGD領(lǐng)域臟數(shù)據(jù)的分類

在上述工作的基礎(chǔ)上，面向我國開放政府?dāng)?shù)據(jù)的實踐，在深入調(diào)查和分析基礎(chǔ)上，本文歸納出OGD領(lǐng)域29類“臟數(shù)據(jù)”，見表1。該表分為“模式層”（7類）和“實例層”（22類）兩個層次，前者指數(shù)據(jù)的模式定義，含完整性、一致性和準(zhǔn)確性三個維度；后者指開放的數(shù)據(jù)本身，含正確性、規(guī)范性、開放性等八個維度。維度的選擇基于數(shù)據(jù)質(zhì)量的核心維度[22]和開放數(shù)據(jù)原則，包括數(shù)據(jù)應(yīng)是完整的、原始的、及時的、可獲取的、機(jī)器可讀的和開放許可等[23-24]。不同于傳統(tǒng)領(lǐng)域，“開放性”和“安全或隱私”是兩個新的維度，相應(yīng)地有7類“臟數(shù)據(jù)”是開放數(shù)據(jù)所獨有的，它們在表1中通過星號（*）標(biāo)記。表1中的臟數(shù)據(jù)實例全部來自各地的實際開放數(shù)據(jù)。

海外華校信息數(shù)據(jù)文件的“聯(lián)系電話”沒有值（廣州）D 1 8：沒有必要D 1 7：數(shù)據(jù)值缺失數(shù)據(jù)單元的數(shù)據(jù)項 列 貴陽市農(nóng)產(chǎn)品價格監(jiān)測缺失時間信息D 1 9：數(shù)據(jù)陳舊或過時數(shù)據(jù)集北京機(jī)場班車線路數(shù)據(jù)是2 0 1 2年7月1 9日更新的；市供水企業(yè)管網(wǎng)水質(zhì)信息更新到2 0 1 7年5月（佛山）D 2 0：數(shù)據(jù)重復(fù)記錄、列與數(shù)據(jù)集貴陽市市紀(jì)委派駐機(jī)構(gòu)名單一覽表數(shù)據(jù)行重復(fù)出現(xiàn)兩次；區(qū)衛(wèi)生計生行政部門數(shù)據(jù)“主鍵”與“序號”兩列值重復(fù)（深圳）D 2 1：兩列或多列數(shù)據(jù)在一列中數(shù)值與單位在一起：2 5 k g/袋、0.5噸（貴陽）；姓名與性別在一起：任玲（女）（哈爾濱）D 2 2：列值不統(tǒng)一、不規(guī)范數(shù)據(jù)單元、列“民族”的值為：“漢”“漢族”（哈爾濱）D 2 3：數(shù)據(jù)沒有單位列（字段）數(shù)據(jù)單元 礦區(qū)面積：2.6 3（北京）D 2 4：列的名字含義不清列（字段）上海內(nèi)河視頻點數(shù)據(jù)的列名：X、Y D 2 5：文件格式不符合開放標(biāo)準(zhǔn)（*）數(shù)據(jù)文件數(shù)據(jù)在E x c e l表（微軟專有格式）中，如北京、上海和浙江的很多數(shù)據(jù)；使用老版本的E x c e l（哈爾濱）D 2 6：文件格式不是機(jī)器可讀的（*）數(shù)據(jù)文件數(shù)據(jù)在P D F（或W o r d）文檔中，如浙江省級綜合類安全生產(chǎn)專家名單；深圳市公共交通數(shù)據(jù)；貴州省內(nèi)異地就醫(yī)定點機(jī)構(gòu)名錄；新疆的數(shù)據(jù)D 2 7：數(shù)據(jù)不能被下載（開放獲?。?）數(shù)據(jù)文件測繪項目登記數(shù)據(jù)沒有可下載的文件（青島）；浙江省通信行業(yè)統(tǒng)計數(shù)據(jù)只在網(wǎng)頁上；新疆的數(shù)據(jù)D 2 8：數(shù)據(jù)被人工編輯過，不是原始數(shù)據(jù)（*）記錄浙江上半年全省商品房銷售面積增長2 0.9%的數(shù)據(jù)集為新聞稿（P D F）；市對外經(jīng)濟(jì)合作業(yè)務(wù)統(tǒng)計報表只有“總值”，沒有每個項目的詳細(xì)信息（佛山）；新疆的很多數(shù)據(jù)D 2 9：國家安全數(shù)據(jù)或企業(yè)、個人敏感數(shù)據(jù)泄露（*）數(shù)據(jù)集、列、數(shù)據(jù)單元公證員姓名、性別、身份證號碼和執(zhí)業(yè)證號等（浙江）；低收入住房困難家庭配租搖號結(jié)果同時含有個人姓名與住址信息（哈爾濱）；運(yùn)動員的身份證號碼（貴州）完整性時效性（及時性）唯一性（同一性）規(guī)范性實例層開放性（*）安全或隱私（*）

2 調(diào)查內(nèi)容與方法

為盡可能全面地發(fā)現(xiàn)各種質(zhì)量問題，筆者在選取政府開放數(shù)據(jù)網(wǎng)站/平臺時，綜合考察數(shù)據(jù)集的個數(shù)、是否有模式定義及是否提供了多種格式的文件。選取的13個網(wǎng)站見表2，數(shù)據(jù)集的個數(shù)等指標(biāo)在不斷變化，表中的數(shù)據(jù)取自2017年9—12月。調(diào)查的對象是各網(wǎng)站數(shù)據(jù)目錄中的數(shù)據(jù)集，不包括接口（API）和應(yīng)用等其他開放資源。

表2 調(diào)查對象——地方政府開放數(shù)據(jù)網(wǎng)站/平臺

2.1 數(shù)據(jù)集及數(shù)據(jù)文件

對開放數(shù)據(jù)本身的調(diào)查是本文的重點和核心。研究通過下載數(shù)據(jù)集的數(shù)據(jù)文件，考察和分析文件中的數(shù)據(jù)，依據(jù)臟數(shù)據(jù)的基本特征（見表1），有可能發(fā)現(xiàn)實例層的16類質(zhì)量問題，即正確性（D8—D12）、一致性（D13—D15）、完整性（D17—D18）、唯一性（D20）、規(guī)范性（D21—D24）與安全或隱私（D29）等維度下的“臟數(shù)據(jù)”。

例如，“哈爾濱市建設(shè)項目選址意見書信息”數(shù)據(jù)集的Excel文件中含有846條記錄，每條記錄8個字段。圖2抽取了10條記錄，展示了其中存在的五類“臟數(shù)據(jù)”：“建設(shè)項目名稱”“建設(shè)位置”“占地面積”和“建設(shè)規(guī)?！彼牧写嬖凇皵?shù)據(jù)值缺失”（D17）現(xiàn)象，“占地面積”和“建設(shè)規(guī)?！眱闪小皵?shù)據(jù)沒有單位”（D23）與部分單元是“不合理值（0）”（D10），“建設(shè)位置”列的值出現(xiàn)“數(shù)據(jù)籠統(tǒng)（不詳細(xì)）”（D8）現(xiàn)象，“出證日期”列的取值“格式不規(guī)范”（D22）。此外，文件中還存在“未知值表達(dá)不一致”（D14）問題：NULL與******都在表示“無數(shù)據(jù)或未知值”。

圖2 “臟數(shù)據(jù)”示例（淺色的數(shù)據(jù)單元和列存在質(zhì)量問題）

對開放性維度下的質(zhì)量問題D25和D26，則要依據(jù)文件格式來判別。在我國各地采用的文件格式（見表2）中，XLS（即Excel）與Word是微軟公司專有格式，不符合開放標(biāo)準(zhǔn)，PDF、Word與HTML不是機(jī)器可讀的。在開放數(shù)據(jù)網(wǎng)站中，當(dāng)一個數(shù)據(jù)資源有多個文件時，只要一個文件符合開放標(biāo)準(zhǔn)或是機(jī)器可讀的，我們則認(rèn)定不存在質(zhì)量問題D25或D26。當(dāng)沒有數(shù)據(jù)文件可供下載、文件不能下載或數(shù)據(jù)只在網(wǎng)頁（HTML）上，我們則認(rèn)為存在問題D27（不能開放獲取），但提供了API接口的除外。當(dāng)數(shù)據(jù)存在于PDF、Word文檔或網(wǎng)頁的新聞稿、政府文件或統(tǒng)計報告中，不是原始數(shù)據(jù)的可能性就比較大（D28），這方面問題突出的是新疆的開放數(shù)據(jù)（詳見表1“實例”一列）。

2.2 數(shù)據(jù)模式定義

圖2中“出證日期”列的取值“格式不規(guī)范”問題與數(shù)據(jù)模式的定義有關(guān)。根據(jù)國家標(biāo)準(zhǔn)《數(shù)據(jù)元和交換格式 信息交換 日期和時間表示法》（GB/T 7408-2005），日期的格式應(yīng)為：YYYYMMDD（如20090320），開放數(shù)據(jù)實際中以YYYY-MM-DD、YYYY.MM.DD或YYYY/MM/DD等格式居多。因此，與普通的“文本類型”區(qū)分開，日期類數(shù)據(jù)應(yīng)定義為“日期類型”。

圖3 模式定義中的質(zhì)量問題

對數(shù)據(jù)模式定義的調(diào)查是本文的另一個重點。圖2展示了“哈爾濱市建設(shè)項目選址意見書信息”數(shù)據(jù)集的模式定義，其中存在三類質(zhì)量問題：類型定義錯誤（D5）、命名不準(zhǔn)確（D6）和未定義數(shù)據(jù)單位（D7）。

一個開放數(shù)據(jù)網(wǎng)站是數(shù)百個乃至數(shù)千個數(shù)據(jù)集的集合，模式定義的一致性尤為重要。例如，一個網(wǎng)站在字段的命名規(guī)則上應(yīng)保持一致，但調(diào)查發(fā)現(xiàn)在哈爾濱、北京等地存在著“名稱”與“企業(yè)名稱”、“地址”與“企業(yè)通訊地址”在不同的數(shù)據(jù)集中混用的現(xiàn)象（D3）。

一個數(shù)據(jù)集中的數(shù)據(jù)資源的不同格式文件也應(yīng)在模式上保持一致，但在哈爾濱和廣州等的開放數(shù)據(jù)中普遍存在XLS與XML模式不一致問題（D4）。圖4對比了“哈爾濱市考試中心基本信息”數(shù)據(jù)集的兩種格式數(shù)據(jù)，XLS數(shù)據(jù)的“標(biāo)題”為中文名稱（如“地址”），而XML數(shù)據(jù)的“元素名稱”則為漢語拼音縮寫（如DZ，應(yīng)為“地址”），造成用戶難以理解與使用這些XML數(shù)據(jù)。

圖4 兩種格式數(shù)據(jù)的模式不一致

2.3 多種格式數(shù)據(jù)的一致性

同一數(shù)據(jù)資源不同格式的文件，不僅數(shù)據(jù)模式應(yīng)一致，其中的數(shù)據(jù)更應(yīng)保持一致。但調(diào)查發(fā)現(xiàn)，上海、廣州和哈爾濱等地存在著“同一數(shù)據(jù)集的不同格式文件的數(shù)據(jù)不一致”問題（D16）。

圖5 兩種格式數(shù)據(jù)不一致

例如，上?！皵z像頭設(shè)置地點”的XLS文件中的第9條數(shù)據(jù)為“金沙江路/真光路” ，但CSV文件的相應(yīng)數(shù)據(jù)卻是“?金沙江路/真光路”。廣州“黃埔區(qū)信用信息雙公示行政處罰”的XLS數(shù)據(jù)共有14列，但相應(yīng)的CSV數(shù)據(jù)的一些行卻出現(xiàn)了第15或16列，見圖5。哈爾濱的一些數(shù)據(jù)集也有類似情況，即CSV中數(shù)據(jù)串列了。

W3C Web數(shù)據(jù)最佳實踐（DWBP）工作組將“以多種格式提供數(shù)據(jù)”（Provide data in multiple formats）列為35個“最佳實踐”（Best Practice, BP）之一（BP14）[25]，它可以節(jié)省用戶在數(shù)據(jù)轉(zhuǎn)換上的時間和成本。理想狀態(tài)下，各種格式的數(shù)據(jù)應(yīng)是完全等價的，用戶只要任意選擇其一即可使用。如果不同格式數(shù)據(jù)的質(zhì)量不同，反而會給用戶帶來選擇數(shù)據(jù)的成本和代價。鑒于D4和D16兩類質(zhì)量問題的隱蔽性強(qiáng)、難以發(fā)現(xiàn)，我們認(rèn)為它們是開放數(shù)據(jù)質(zhì)量管理的新情況和新挑戰(zhàn)，應(yīng)引起各級政府?dāng)?shù)據(jù)管理者的重視。

2.4 通過元數(shù)據(jù)判別時效性

2016年9月19日，國務(wù)院印發(fā)《政務(wù)信息資源共享管理暫行辦法》第十三條規(guī)定：按照“誰主管，誰提供，誰負(fù)責(zé)”的原則，提供部門應(yīng)及時維護(hù)和更新信息，保障數(shù)據(jù)的完整性、準(zhǔn)確性、時效性和可用性，確保所提供的共享信息與本部門所掌握信息的一致性[26]。

為判別一個數(shù)據(jù)集的時效性，即數(shù)據(jù)是否陳舊或過時（D19），需要依照元數(shù)據(jù)“最后更新時間”和“更新頻率”的值。以貴州“全省戶籍人口統(tǒng)計數(shù)據(jù)”為例，它的“最后更新時間”和“更新頻率”分別為“2016-10-17”和“年”，同時數(shù)據(jù)文件中給出的是2010—2014年的數(shù)據(jù)，則可判定該數(shù)據(jù)集沒有及時更新。在貴州省的網(wǎng)站中共有130個數(shù)據(jù)集在2017年沒有更新，占比27.6%，而其他數(shù)據(jù)集則得到了及時更新，占比72.4%。

廣州、深圳和佛山等地的數(shù)據(jù)文件中增加了“更新日期”字段，方便了用戶判別其時效性。而北京和上海等地沒有“更新頻率”或“最后更新時間”的元數(shù)據(jù)，造成很多數(shù)據(jù)集的時效性無法判別。

2.5 參照外部權(quán)威數(shù)據(jù)源

當(dāng)網(wǎng)站內(nèi)的信息不足以判別數(shù)據(jù)質(zhì)量狀況時，就需要參照外部權(quán)威數(shù)據(jù)源。例如，北京的“高校”數(shù)據(jù)集是2012年10月29日發(fā)布的，能否反映當(dāng)前實際情況呢？對比教育部的最新數(shù)據(jù)（截至2017年5月31日）[27]，里面沒有“中國科學(xué)院大學(xué)”，因此認(rèn)定該數(shù)據(jù)集是過時的。2012年7月19日發(fā)布的“機(jī)場班車線路”只有9條線路，而首都國際機(jī)場網(wǎng)站上公布的線路已達(dá)18條，表明該數(shù)據(jù)不僅過時、而且不準(zhǔn)確。政府開放數(shù)據(jù)應(yīng)是權(quán)威的數(shù)據(jù)源，但要達(dá)到這一目標(biāo)還需要在質(zhì)量管理等方面加強(qiáng)工作。

2.6 隱私泄露問題

隨著開放數(shù)據(jù)的深入，隱私保護(hù)和安全問題日益得到關(guān)注[28]。實踐上，深圳《政府?dāng)?shù)據(jù)開放平臺用戶服務(wù)條款》、貴陽《數(shù)據(jù)開放授權(quán)協(xié)議》和《數(shù)據(jù)東莞網(wǎng)使用協(xié)議》等均含有“隱私保護(hù)聲明”，承諾網(wǎng)站不主動將用戶個人信息泄露給任何第三方。2017年5月1日起施行的我國首部政府?dāng)?shù)據(jù)共享開放條例——《貴陽市政府?dāng)?shù)據(jù)共享開放條例》規(guī)定[29]：涉及國家秘密的、商業(yè)秘密的、個人隱私的和法律法規(guī)規(guī)定不得開放的其他政府?dāng)?shù)據(jù)不能向社會開放。

2017年6月1日起施行的《中華人民共和國網(wǎng)絡(luò)安全法》第四十二條規(guī)定[30]：網(wǎng)絡(luò)運(yùn)營者不得泄露、篡改、毀損其收集的個人信息；未經(jīng)被收集者同意，不得向他人提供個人信息。同時將“個人信息”定義為：以電子或者其他方式記錄的能夠單獨或者與其他信息結(jié)合識別自然人個人身份的各種信息，包括但不限于自然人的姓名、出生日期、身份證件號碼、個人生物識別信息、住址、電話號碼等。美國列入個人信息保護(hù)范圍的數(shù)據(jù)包括名字、身份證號碼、郵件地址、IP 地址、電話號碼等[31]。歐盟個人數(shù)據(jù)保護(hù)法指出，身份證號碼、定位數(shù)據(jù)、網(wǎng)絡(luò)標(biāo)識符、基因、經(jīng)濟(jì)、文化、社會身份等隱私受法律保護(hù)[32]。

筆者在調(diào)查過程中，重點考察數(shù)據(jù)中是否含有“自然人的姓名”“電話”“住址”和“身份證號碼”等敏感信息，發(fā)現(xiàn)浙江、貴州和哈爾濱等地的個別開放數(shù)據(jù)存在隱私泄露問題（D29）或風(fēng)險，見圖6（只給出數(shù)據(jù)文件的標(biāo)題行，隱去了數(shù)據(jù)）。

圖6 個人敏感數(shù)據(jù)示例

相對照的是，貴陽對“導(dǎo)游人員名單”等、東莞對“公證員信息”等進(jìn)行了脫敏處理，見圖7。

圖7 經(jīng)脫敏處理的個人信息示例

表1中D29類臟數(shù)據(jù)也包括“泄露的商業(yè)秘密”，這方面已有學(xué)者做了專門研究[33]。

3 結(jié)果分析

本節(jié)以“開放數(shù)據(jù)網(wǎng)站/平臺”為單位，對數(shù)據(jù)質(zhì)量問題進(jìn)行整體分析。

3.1 各平臺數(shù)據(jù)模式對比

表2中的13個開放數(shù)據(jù)平臺中有8個給出了模式定義，其中廣東和東莞沒有“類型定義”（質(zhì)量差），其余6家的對比見表3。普遍存在的問題是字段的英文命名不規(guī)范、數(shù)據(jù)類型單一和數(shù)值型數(shù)據(jù)無單位，規(guī)范的做法是統(tǒng)一采用英文單詞命名、區(qū)分各種數(shù)據(jù)類型（文本、枚舉、布爾型、數(shù)值與日期等）及將“單位”單獨定義為一列等。

表3 各平臺數(shù)據(jù)模式的對比

數(shù)據(jù)模式定義的缺陷或缺失是實例層在“一致性”和“規(guī)范性”等維度的質(zhì)量問題的根源，因此“數(shù)據(jù)模式質(zhì)量”在整個開放數(shù)據(jù)質(zhì)量管理中處于基礎(chǔ)性位置，應(yīng)優(yōu)先得到提升和保障。

3.2 北京的數(shù)據(jù)質(zhì)量問題

圖8 北京市存在的主要臟數(shù)據(jù)類型（前10名）

在調(diào)查的北京市726個開放數(shù)據(jù)集中，出現(xiàn)次數(shù)最多的質(zhì)量問題是“數(shù)據(jù)值缺失”（D17），共有311個數(shù)據(jù)集存在不同程度的數(shù)據(jù)不完整現(xiàn)象。接下來是“數(shù)據(jù)過于籠統(tǒng)”（D8）、“不合理值或錯誤值”（D10）、“未知值表達(dá)不一致”（D14）及“一列的數(shù)據(jù)格式不一致”（D15）等，見圖8。調(diào)查共發(fā)現(xiàn)631個質(zhì)量問題，按照正確性、完整性、規(guī)范性和開放性等八個維度統(tǒng)計占比，結(jié)果見圖9。其中，完整性問題的比例最高，達(dá)49%；其次是正確性問題，占18%。

圖9 北京市各維度質(zhì)量問題占比

3.3 上海的數(shù)據(jù)質(zhì)量問題

圖10 上海市存在的主要臟數(shù)據(jù)類型（前10名）

上海市的用戶評價機(jī)制從準(zhǔn)確性、及時性、滿意性和可用性等方面對數(shù)據(jù)集打分，得分一星到五星的數(shù)據(jù)集共324個。調(diào)查結(jié)果見圖10，出現(xiàn)的質(zhì)量問題依次是“數(shù)據(jù)值缺失”（D17）、“不合理值或錯誤值”（D10）、“數(shù)據(jù)陳舊或過時”（D19）、“一列的數(shù)據(jù)格式不一致”（D15）及“數(shù)據(jù)過于籠統(tǒng)”（D8）等。發(fā)現(xiàn)的324個質(zhì)量問題在八個維度上的分布情況見圖11，排在前兩位的同樣是完整性問題（30%）和正確性問題（20%）。

圖11 上海市各維度質(zhì)量問題的占比

3.4 哈爾濱的數(shù)據(jù)質(zhì)量問題

哈爾濱市的數(shù)據(jù)開放專欄于2016年底上線，據(jù)媒體報道，其整體水平處于全國前列。通過對672個數(shù)據(jù)集的調(diào)查，較多的質(zhì)量問題是“數(shù)據(jù)值缺失”（D17）、“數(shù)據(jù)過于籠統(tǒng)”（D8）、“不合理值或錯誤值”（D10）、“同一數(shù)據(jù)集的不同格式文件的數(shù)據(jù)不一致”（D16）及“一列的數(shù)據(jù)格式不一致”（D15）等，見圖12。發(fā)現(xiàn)的760個質(zhì)量問題在八個維度上的分布情況見圖13，其中正確性問題突出，占32%，其次是完整性問題，占30%。

圖12 哈爾濱市存在的主要臟數(shù)據(jù)類型（前10名）

圖13 哈爾濱市各維度質(zhì)量問題的占比

3.5 三地對比

從全部被調(diào)查數(shù)據(jù)集的五個方面：無問題的數(shù)據(jù)集個數(shù)占比、有一個問題的數(shù)據(jù)集個數(shù)占比、有兩個問題的數(shù)據(jù)集個數(shù)占比、有兩個以上問題的數(shù)據(jù)集個數(shù)占比及平均一個數(shù)據(jù)集的問題個數(shù)（問題個數(shù)/數(shù)據(jù)集個數(shù)），對三地進(jìn)行對比，結(jié)果見表4和圖14?？梢姡傮w上北京和上海的數(shù)據(jù)集質(zhì)量狀況相當(dāng)，要好于哈爾濱。

圖14 三地各類數(shù)據(jù)集占比的對比圖

進(jìn)一步，從表1選出嚴(yán)重影響用戶可用性的兩組六類質(zhì)量問題：“正確性”下的D10（不合理值或錯誤值）、D11（列與列的值的位置相互串位）和D12（出現(xiàn)亂碼），“開放性”下的D26（文件格式不是機(jī)器可讀的）、D27（數(shù)據(jù)不能被下載）和D28（不是原始數(shù)據(jù)），對比三地至少有一個質(zhì)量問題的數(shù)據(jù)集個數(shù)的占比，見表5?？梢?，北京的“不可用”數(shù)據(jù)集的占比要明顯少于上海和哈爾濱兩地。

表5 三地“不可用”數(shù)據(jù)集的占比

需要說明的是，由于方法（見第2節(jié)）的局限、技術(shù)手段的不足、數(shù)據(jù)過時及背景材料的缺乏等，筆者不可能發(fā)現(xiàn)所有的質(zhì)量問題（特別是正確性問題），發(fā)現(xiàn)的質(zhì)量問題其危害程度也會因用戶需求的不同而有差異。

4 對策建議

提升和保障數(shù)據(jù)質(zhì)量是我國政府?dāng)?shù)據(jù)共享開放工程的核心工作之一?！丁笆濉眹倚畔⒒?guī)劃》在強(qiáng)化數(shù)據(jù)資源管理、推進(jìn)數(shù)據(jù)開放部分指出，要加強(qiáng)“數(shù)據(jù)資源目錄管理、整合管理、質(zhì)量管理、安全管理，提高數(shù)據(jù)準(zhǔn)確性、可用性、可靠性”[34]。我國各級政府的開放數(shù)據(jù)政策文件對“數(shù)據(jù)質(zhì)量”的規(guī)定包括數(shù)據(jù)校核、數(shù)據(jù)質(zhì)量評估、數(shù)據(jù)生命周期的質(zhì)量管理和數(shù)據(jù)弄虛作假行為處理等[35]。本文僅從借鑒各國先進(jìn)經(jīng)驗的角度，提出以下可操作層面的對策建議。

4.1 發(fā)布之前的數(shù)據(jù)清洗

“數(shù)據(jù)清洗”（Data Cleaning）是為提高數(shù)據(jù)質(zhì)量而對數(shù)據(jù)進(jìn)行預(yù)處理的過程[36]。數(shù)據(jù)倉庫裝載數(shù)據(jù)之前要進(jìn)行數(shù)據(jù)清洗[15]，在大數(shù)據(jù)的質(zhì)量管理中，數(shù)據(jù)清洗也起到了關(guān)鍵作用[5]。在開放政府?dāng)?shù)據(jù)領(lǐng)域，澳大利亞等在數(shù)據(jù)發(fā)布周期中引入了“數(shù)據(jù)清洗”環(huán)節(jié)[37]，用以實現(xiàn)各字段（如日期、年齡和郵政編碼等）的格式統(tǒng)一、空值補(bǔ)齊及非文本信息移除等，見圖15。

圖15 數(shù)據(jù)清洗前后對比圖（澳大利亞）

各級政府通過合適的技術(shù)、工具、規(guī)范和工作流程，可以“清洗”表 1 中“正確性”（D9—D12）、“一致性”（D13—D15）、“完整性”（D17）、“唯一性”（D20）和“規(guī)范性”（D21—D24）等維度下的10余種“臟數(shù)據(jù)”，有效提升數(shù)據(jù)質(zhì)量。數(shù)據(jù)管理部門將數(shù)據(jù)文件轉(zhuǎn)化為開放標(biāo)準(zhǔn)下的機(jī)器可讀格式（如CSV、XML和JSON等），可以提升數(shù)據(jù)的開放程度，解決D25和D26這兩個質(zhì)量問題。

用來消除原始數(shù)據(jù)中敏感信息的數(shù)據(jù)脫敏技術(shù)，可以有效防范隱私泄露問題（D29）。2016年9月28日貴州省質(zhì)監(jiān)局發(fā)布的《政府?dāng)?shù)據(jù) 數(shù)據(jù)脫敏工作指南》地方標(biāo)準(zhǔn)[38]，規(guī)范了數(shù)據(jù)脫敏的方法、過程、技術(shù)原則和管理原則。北京對敏感數(shù)據(jù)，如29家醫(yī)院的176萬個病例，經(jīng)脫敏處理后向特定用戶開放[39]。

4.2 采用標(biāo)準(zhǔn)規(guī)范

在數(shù)據(jù)清洗過程中，需要標(biāo)準(zhǔn)規(guī)范指導(dǎo)“數(shù)據(jù)格式統(tǒng)一”等操作。愛爾蘭“開放數(shù)據(jù)技術(shù)框架”采用了30余項標(biāo)準(zhǔn)[40]，部分見表6。

表6 愛爾蘭采用的部分標(biāo)準(zhǔn)規(guī)范

我國各地也應(yīng)遵循國家標(biāo)準(zhǔn)GB/T 7408和GB/T 12406等來規(guī)范“日期/時間”和“幣值”等數(shù)據(jù)的取值格式和內(nèi)容。

4.3 質(zhì)量檢查

新西蘭政府機(jī)構(gòu)在Data.govt.nz上開放數(shù)據(jù)前要進(jìn)行質(zhì)量檢查[41-42]，包括開放許可、數(shù)據(jù)格式、更新時間和是否刪除任何個人身份信息等。美國交通部對開放數(shù)據(jù)質(zhì)量的評價共有兩個維度下的10個問題，滿分是35，見表7[42-43]。

表7 美國交通部開放數(shù)據(jù)質(zhì)量檢查表

英國和歐盟還建議用戶在使用開放數(shù)據(jù)前進(jìn)行“質(zhì)量檢查”[44]：①數(shù)據(jù)是當(dāng)前的嗎？②多久更新一次？③是否理解數(shù)據(jù)的字段和背景？④了解數(shù)據(jù)的準(zhǔn)確程度嗎？⑤丟失的數(shù)據(jù)是如何處理的？等。

本文得出的“OGD領(lǐng)域臟數(shù)據(jù)分類”（表1）的成果，可以幫助政府部門設(shè)計“有的放矢”的數(shù)據(jù)質(zhì)量檢查表。

4.4 提供完備的元數(shù)據(jù)

Sadiq S等[7]認(rèn)為“開放數(shù)據(jù)質(zhì)量”存在著三方面的挑戰(zhàn)，即“對數(shù)據(jù)質(zhì)量維度的共同理解”“支持用戶的質(zhì)量感知”及“加強(qiáng)數(shù)據(jù)質(zhì)量與使用之間的聯(lián)結(jié)”。W3C“最佳實踐”建議“以機(jī)器可讀的元數(shù)據(jù)向用戶提供質(zhì)量信息”（BP6）[25]。美國的開放數(shù)據(jù)元數(shù)據(jù)方案引進(jìn)了元數(shù)據(jù)項“Data Quality”，取值為true或false，用于指出數(shù)據(jù)集是否符合某一質(zhì)量準(zhǔn)則[45]。

元數(shù)據(jù)可以幫助用戶判別數(shù)據(jù)的時效性，但需要足夠的元數(shù)據(jù)信息。可以借鑒的例子是世界銀行開放數(shù)據(jù)網(wǎng)站（Data.worldbank.org）提供了四個與時間相關(guān)的元數(shù)據(jù)項：“Periodicity Annual”（周期性）、“Last Updated”（最后更新時間）、“Update Frequency”（更新頻率）和“Update Schedule”（更新計劃），足以讓用戶判斷數(shù)據(jù)是否是最新的。

5 結(jié)語

黨的十九大報告提出“推動互聯(lián)網(wǎng)、大數(shù)據(jù)、人工智能和實體經(jīng)濟(jì)深度融合”的戰(zhàn)略舉措，政府?dāng)?shù)據(jù)將迎來加快共享開放和深度應(yīng)用的新時代。本文將視角深入到13個開放政府?dāng)?shù)據(jù)平臺的數(shù)據(jù)本身，細(xì)致探查其中存在的主要質(zhì)量問題，歸納出模式層和實例層29類“臟數(shù)據(jù)”，對北京、上海和哈爾濱三地進(jìn)行整體分析，統(tǒng)計出質(zhì)量問題的分布情況。最后，結(jié)合各國的實踐經(jīng)驗，筆者建議依據(jù)標(biāo)準(zhǔn)規(guī)范、通過“數(shù)據(jù)清洗”“質(zhì)量檢查”等手段在數(shù)據(jù)發(fā)布過程中消除“臟數(shù)據(jù)”，同時也要向用戶提供豐富的元數(shù)據(jù)信息，以幫助其判斷數(shù)據(jù)質(zhì)量。本文在研究中綜合運(yùn)用網(wǎng)絡(luò)調(diào)查和數(shù)據(jù)分析等方法，參照開放數(shù)據(jù)原則、標(biāo)準(zhǔn)規(guī)范和法律法規(guī)等，在開放性和隱私泄露等方面發(fā)現(xiàn)了容易被忽視的質(zhì)量問題。開放不等于高質(zhì)量，我國政府開放數(shù)據(jù)要成為權(quán)威的數(shù)據(jù)來源，真正發(fā)揮應(yīng)有的社會和經(jīng)濟(jì)效用，還需在質(zhì)量保障和提升上付出巨大努力。

（來稿時間：2018年5月）