貴州省級大數據政策量化評價研究

沈俊鑫，何承洪，王曉萍

(昆明理工大學 a.管理與經濟學院; b.創新發展研究院， 云南 昆明 650093)

一、引言

大數據產業已成為貴州經濟新的增長點，許多國家紛紛將大數據產業發展上升為國家戰略。產業的發展離不開政策環境的支撐，我國非常重視大數據產業的發展。從2014年政府工作報告出現“大數據”起，各界都積極關注。2015年，國務院發布我國發展大數據的首部戰略性指導文件；2017年，黨的十九大報告再次為大數據產業未來發展指明了新的方向，推動實體經濟和大數據產業融合發展。作為首個國家大數據綜合試驗區的貴州省，率先發布了省大數據產業發展應用規劃綱要等系列措施，積極促進大數據產業發展。2016年，貴州省政府明確提出強力推進大數據戰略行動，為加快推進全省大數據發展提供了新動能，2019年，全省大數據產業發展指數位居全國第三。

二、文獻研究綜述

(一)政策評價研究

政策評價是運用科學準則和方法，建立評價標準，對政策體系和過程進行全方位考察，并對其進行衡量和總結的復雜系統工程[1]，目的是為下一步政策制定和完善提供決策依據，其評價的形式和結果會受到評價過程等因素影響。可見，選擇合理的評價方法是確保評價結果具有可參考價值的重要因素[2]。目前，國內學者對政策評價的研究更注重研究方法的使用，國外學者則關注政策評估模型的建立[3]。如Poland創新性提出的三E評價架構[4]和Suchman提出的5類評估模型[5]都是較為經典的政策評價方法；Nola為評價政策的執行效果設計了一個政策評價邏輯模型[6]；Xie等通過BP神經網絡構建出基于深度學習的政策評價模型[7]；常飛等通過脈沖響應研究發現貨幣政策的調控能夠影響房地產價格一定時期的預期走勢[8]；施巍巍等研究發現政策在演進過程中，國家的角色是從擴大到收縮再到強化的發展過程[9]；現在國內外很多政策評價方法都存在精確度不高、客觀性不強等不足，如模糊綜合評價法的變量設置主觀性較強[10-11]。

(二)大數據政策評價研究

隨著大數據產業的蓬勃發展，針對大數據的相關研究已成為廣泛關注的熱點，各類大數據政策相繼發布，大數據政策體系日漸復雜化，而大數據政策的制定水平和實施效果仍存在突出問題，因此如何對已有政策進行客觀科學的評價，從而為新一輪政策的制定提供具體可操作的決策依據，如何實現制定的大數據政策協調引領產業發展是政策制定者的關注焦點[12]。當前，相關文獻對大數據政策研究的方法基本可以歸為以下三類，涉及文本挖掘和PMC指數模型等。

1.定性研究

王能強提出大數據政策要加強標準體系等制定[13]；張寧等認為政策要不斷完善內容，并提出了改進建議[14]；孫志煜等認為，各級政府對于大數據的政策內容，要不斷細化和歸納[15]。

2.定量研究

劉亞亞等對我國94項大數據相關政策文本進行研究，其結論指出我國大數據政策體系協同性不強，大數據系統不夠完善，各級政府需要加強對我國大數據政策制定的完善[16]。在大數據政策的完善方面，周京艷等研究指出，增加對政策工具的使用，可以有效地填補當前大數據政策的不足[17]。

3.定量定性結合研究

季飛等利用Nvivo11軟件對貴陽市發展大數據產業的42份文件研究發現，政策中政策工具對產業的發展發揮了很好的促進作用[18]。胡峰等基于Herring模型從情報過程視角對我國11項國家級大數據政策量化評價，指出每項政策的優劣并提出參考性政策改進路徑[19]。周海煒等通過構建PMC指數模型對我國國家級、省市級和地方級8項大數據政策量化評價，并提出了合理優化路徑[12]。

綜合以上政策評價研究的文獻可以得知：一是大部分政策評價方法存在不可避免的主觀性和較低的精確度；二是大數據政策評價中大部分學者是對政策效果進行評價，對某一項具體的大數據政策優劣評價較為缺乏；三是部分學者對大數據政策本身評價時，樣本范圍較為寬泛，對基礎條件不一樣的區域大數據政策完善不具有針對性的參考價值；四是在研究方法上定量研究的成果較少；五是政策評價指標的設置上多元性不足，難以從宏觀和微觀上同時把控政策具體水平。

因此，本文擬以貴州大數據政策為研究對象，對大數據政策本身進一步分析探討，以了解當前這些大數據政策在哪些方面發揮了作用，存在哪些不足，從而為后續制定和完善適合貴州發展的大數據政策提供可參考依據。

三、構建大數據政策PMC指數模

(一)評價方法設計

為避免上述問題，本文采用文本挖掘和PMC指數模型相結合的方法，即定性與定量結合研究方法。文本挖掘是借助計算機技術從文本中選取有價值內容的過程[20]。PMC指數模型是Ruiz Estrada在Omnia Mobilis假說的基礎上提出的，PMC指數可以方便地測量任何“政策模型”政策文本的一致性，模型在選取變量時詳盡地挖掘一切可能變量，其中二級變量的數目不設置限制且變量權重相同[21]。采用該組合方法原因有6項：一是彌補了采用定性方法進行研究容易缺乏對政策某一領域的針對性，以及單純定量研究信效度不強的問題[3]。二是文本挖掘可以快速分析到評價政策的關注熱點和發展主題，也可以獲取足夠的待測樣本數據，提高衡量指標精確度，讓政策的評價更加客觀全面，而通過人工方式去查找和處理有用的信息則非常困難[20]。三是PMC指數模型是目前對某一具體政策進行評價較為先進的方法[22]。四是PMC指數模型避免了其他政策評價方法在專家評分過程中的主觀性，能以較高的精確度挖掘出每一項政策文本的優勢及薄弱環節。五是PMC指數模型采用二進制平衡各影響因素的作用，可有效平衡所有變量，以此對各指標進行線性數據融，很大程度避免主觀誤判并提升精確度[23]。六是PMC指數得出的PMC曲面可以直觀地展現政策評價全貌[20]，使人們能多角度直觀剖析政策合理性與可行性并提出相應的優化路徑，為下一步大數據發展政策的制定與創新提供借鑒[12]。因此，本文通過構建PMC指數模型對大數據政策進行量化評價，可以使人們直觀地了解每一項大數據政策的優劣勢和政策間的差異情況，也可以針對性了解到各自政策未來改進的參考性路徑。

(二)研究數據來源

本文選取貴州省政府及貴州省其他省級部門2014年至2019年發布的26項大數據政策文本為研究樣本。首先對下載的26大數據項政策文本進行預處理，將政策文本數據庫導入ROSTCM6軟件中進行分詞和詞頻統計，按照詞頻頻率由高到低順序輸出；其次結合研究對象和區域，剔除如“單位、貴州、加快、以上、應當”等對政策評價無明顯作用詞匯，整理匯總得到大數據政策高頻詞匯，本文提取了前60個高頻詞作為政策樣本關鍵詞(見表1)；最后對政策樣本關鍵詞匯作進一步處理，繪制了大數據政策高頻詞詞云圖(見圖1)。圖1直觀體現了大數據政策文本的關注熱點和核心內容，為選取PMC指數模型評價指標提供了重要依據。

表1 大數據高頻詞匯表

圖1 大數據政策高頻詞詞云圖

(三)建立PMC指數模型

學者Mario Arturo Ruiz Estrada指出構建PMC指數模型有4個基本步驟[24]，即(1)使用多輸入輸出表；(2)變量和參數的分類；(3)PMC指數的度量；(4)PMC表面圖繪制。本文結合PMC指數模型構建思路，將PMC指數模型建立步驟優化為：(1)變量和參數的分類；(2)使用多輸入輸出表；(3)PMC指數測量；(4)PMC曲面圖繪制。

1.變量確定分類和參數設定

變量確定以Mario Arturo Ruiz Estrada提出的變量設置方法為指導[24]，參照學者周海煒[12]、胡峰[19]對大數據產業政策評價和杜丹麗等[3]對科技創新政策評價的既有指標，設定了政策性質、政策效力、政策工具、政策視角、政策領域、激勵措施、政策內容、政策受眾和政策干預共9個具有通用性的一級政策評價指標[25](用X1～X9表示)。二級變量的設定除了參照上述學者的既有指標外，政策領域、政策內容和政策受眾包含的二級變量還結合文本挖掘方法進行設定，共46個二級變量(用X1：1～X1：n表示)，一級變量、二級變量具體情況見表2。

表2 大數據政策變量確定及分類

二級變量參數的設定，為對各項政策評價指標進行量化打分，通過二進制對所有二級變量設置為同等權重。如果該政策文本包含評價指標對應內容，則記分1，否則記為0，大數據政策量化指標體系及二級變量評價標準見表3。

表3 大數據政策量化指標體系及二級變量評價標準

續表(表3)

2.建立多投入產出表

多投入產出表的建立是為PMC指數模型的測算提供數據分析框架。且一級變量沒有固定的排列順序且相互獨立，只存在二級變量的基本分類，二級變量構成一級變量，各二級變量權重相等[12]。本文結合大數據政策各變量的具體情況，建立多投入產出表如表4所示。

表4 多投入產出表

3.PMC指數計算

對于PMC指數的計算，本文主要分為4個步驟完成，第一步在多投入產出表中分配好一級變量與二級變量；第二步根據政策文本填入多投入產出表，由表達式(1)和表達式(2)對變量進行賦值；第三步根據表達式(3)計算每個一級變量的具體數值；第四步通過表達式(4)計算每項待評價政策的PMC指數。相較于以往有關PMC指數計算步驟，本文進一步指明了在第二步是如何使用指標去評價政策文中的內容，即是借助ROSTCM6軟件通過文本挖掘對各項政策文本內容進行關鍵詞識別，而后根據結果進行賦值評價。這樣，一是延展了如何使用指標去評價政策文中內容；二是有效彌補了以往通過專家打分等方式導致評價精準度不高的不足。

X～N[0，1]

(1)

X={XR：[0～1]}

(2)

(3)

其中，t=1，2，3，4，5，…；t為一級變量；j為二級變量。

(4)

本文設置了9個一級指標，根據Mario Arturo Ruiz Estrada的評價標準，大數據政策PMC指數結果的評價等級標準見表5。

表5 大數據政策PMC指數值評價等級標準

4.PMC曲面圖繪制

PMC曲面是基于PMC指數的數據值，以圖像化的形式直觀展示某項政策優點和存在不足。而繪制PMC曲面首先要設置PMC矩陣[26]，本文結合表4大數據政策量化指標體系，將9個一級評價指標建立3×3矩陣進行計算繪制PMC曲面，PMC曲面圖的矩陣計算方法如表達式(5)所示。

(5)

四、PMC指數模型實證分析

(一)評價政策選取

政策文獻計量基于所有政策樣本，通過政策關鍵詞分析政策文本的共性，政策文獻的個性特點容易被忽略[1]，而以案例研究為特征的質性研究則能彌補這方面的不足[27]。PMC指數模型對評價政策沒有特定規定，可對任何政策進行評價研究[28]。PMC指數模型在實證研究選取政策樣本時不必遵循特定的規律，在選取政策時不必按照發布機構等維度進行樣本選擇，如果主觀地選取樣本無疑會帶來評估模型的主觀偏差[29]。

基于以上考慮，本文在26項政策樣本中選取了8項具體政策文本組成案例樣本進行評價研究，主要原因如下：(1)PMC指數模在做實證分析時候不需要特別按照什么樣的規律來選取政策樣本，可以評價中央到地方各個層面公開的政策；(2)案例樣本選擇均衡，發文機構涉及多部門，發文時間涵蓋2014年、2016年、2017年、2018年、2019年，政策內容覆蓋大數據發展中云計算、人工智能、健康醫療等熱點問題，具有較強對比性；(3)案例樣本主題內容范圍相對寬泛，研究主題清晰明了，研究結果更具參考性；(4)周海煒等[12]選取包含國家級、省市級和地方級的8項大數據政策進行評價，胡峰等[19]以11項國家級大數據政策進行評價，本文選擇省級政策基于已有評價結果為依據具有一定的科學性；(5)案例樣本中各政策文本可獲得性高。8項具體政策文本信息如表6所示。

表6 八項大數據政策研究樣本

(二)PMC指數計算

基于前文確立的大數據政策評價指標體系和指標參數設定，建立8項大數據政策的多投入產出表，如表7所示。根據上文表達式(4)分別計算8項大數據政策的PMC指數，并按照其大小對照上文政策評級標準對以上8項大數據進行等級劃分，具體結果如表8所示。

表7 大數據政策評價的多投入產出表(以X1變量為例)

表8 八項大數據政策PMC指數及政策評價等級

(三)PMC曲面圖繪制

根據表達式(5)建立8項大數據政策的PMC矩陣，如表9所示。

表9 八項大數據政策的PMC矩陣

根據表6的PMC矩陣，進一步得到8項大數據政策的PMC曲面，如圖2所示。

圖2 八項大數據政策PMC曲面圖

(四)評價結果分析

1.整體結果分析

本文以時間為序，繪制了8項大數據政策的PMC指數值折線圖(如圖3所示)，從所有的PMC指數結果來看，8項大數據政策研究樣本PMC指數得分雖有起伏，但總體等級為優秀。其中有1項政策為完美級別，有4項政策為優秀級別，3項政策為良好級別，按PMC指數由高到低排名是：P1，P6，P2，P4，P3，P8，P5，P7，這充分說明了貴州省級政府很重視大數據產業的發展，能依據貴州大數據產業發展需求結合自身實際情況，積極制定相關助力大數據產業發展的政策，內容覆蓋面廣、具有全局性的指導作用。從整體水平上看，待評價政策政策性質X1、政策視角X4、政策領域X5、政策受眾X8、政策干預X9的PMC指數值具有明顯優勢，而在政策效力X2、政策工具X3、激勵措施X6、政策內容X7方面較為薄弱，各項政策可結合一級變量的數值結合薄弱環節進行針對性完善。

圖3 八項大數據政策PMC指數的變化

2.單項政策結果分析

P1的PMC指數值為8.51，排名第1。除政策效力X2和政策工具X3變量，其他變量均為滿分，表明這一政策的設計相對合理、科學，對各政策制定的各個維度指標考慮比較充分。P1作為貴州大數據產業發展的引導性文件，在長期發展目標上須加以明確，而該政策在長期變量項沒有得分，未來可以考慮在長期規劃上進行改進。

P2的PMC指數為6.64，排名第3。P2政策評價中政策性質X1、政策效力X2、政策視角X4、政策領域X5、激勵措施X6和政策干預X9分值都低于均值，主要是政策文本中缺乏宏觀層面、中長期規劃內容，經濟激勵型政策干預手段政策較為缺乏，未來需要在X1、X2、X4、X5、X6和X9方面進行優化，參考性改進路徑為X4—X2—X1—X9—X6—X5。

P3的PMC指數為6.46，排名第5。P3政策的主要作用是運用大數據監管市場主體，而目前政策主要關注監督管理，忽視了稅收優惠、數據安全和受眾對象內容。未來，在政策完善中，要提高激勵措施、著眼于政策內容的全面性(如加強大數據知識產權方面的立法與執法力度，為大數據產業的發展應用提供堅實保障)，也要做好政策工具使用和政策受眾對象的均衡搭配，參考性優化路徑為X6—X7—X8—X3—X9。

P4的PMC指數為6.57，排名第4。P4是一項促進和規范健康醫療大數據應用發展的省級專項政策，該政策在作用對象方面涵蓋從政府到個人等廣泛的受眾，政策領域覆蓋了經濟、社會服務、政治和環境等領域。但在政策工具、政策視角、政策效力和政策干預方面數值低于均值，其中規劃方面還不夠詳實，缺乏對宏觀內容的兼具，未來可以考慮以X4—X3—X2—X9路徑進行優化改進。

P5的PMC指數為5.13，排名第7。P5政策是針對精準脫貧頒布的專項政策，評價結果中僅有政策性質X1高于均值，其余8項評價指標得分值全部低于均值。而借助大數據平臺助力脫貧攻堅，是有效實現精準扶貧、精準脫貧的有力舉措。該政策本身相對其他政策文本而言，內容上還存在著許多不足，政策文本內容優化空間較大，未來可以考慮以X9—X4—X7—X5—X3—X2—X8—X6路徑優化改進。

P6的PMC指數為7.84，排名第2。除政策效力X2分值低于均值，其余8項指標都高于均值，尤其在激勵措施X6方面，貴州省注重人才引進，實施了“百千萬人才引進計劃”等系列工程。相對而言，該政策設計涉及面廣，貴州在大數據產業基礎基本完成基礎上，開展云計算人工智能創新發展，加強新的人才引進確實是很有必要的。但該政策在政策效力X2中沒有涉及5年及以上的內容導致X2分值較低。未來，可考慮首先改進政策效力X2內容，加強大數據政策中長期規劃。

P7的PMC指數為4.87，排名第8。該項政策中僅有政策干預X9的得分值高于均值，政策性質X1等8項指標得分全部低于均值，該項政策評分低與政策文本的特殊性有關，是一份推動大數據與工業深度融合發展而制定的實施方案。政策內容X7方面只重點關注了數據采集和基礎設施建設，且政策細分度不夠，導致該項指標得分僅為0.23，為8項大數據政策在這一變量上的最低值；激勵措施X6方面忽視了政府補貼、稅收優惠等激勵措施，阻礙了大數據與工業深度融合發展的積極性。P7參考性優化路徑為X7—X6—X5—X4—X3—X2—X1—X8。

P8的PMC指數為5.84，排名第6。是2019年貴州省大數據發展管理局《關于印發貴州省大數據新領域百企引領行動方案的通知》，在政策工具方面，涵蓋了國際合作、金融稅收等工具，政策內容也考慮了宏觀和微觀層面，但在政策性質X1、政策效力X2、政策領域X5等7個方面都存在不足，作為樣本中近期發布的大數據政策，政策文本還有待進一步完善，可參照P1和P6政策文本進行改進，參考性優化路徑為X1—X5—X7—X2—X9—X8—X6。

五、結語

本文以文本挖掘—PMC指數模型評價分析貴州省省級大數據政策制定優劣情況，通過PMC指數值和PMC曲面直觀地了解貴州省發布的單項大數據政策優劣現狀，有力地解決了以往政策評價中衡量指標精確度不足的困境，豐富了文本挖掘—PMC指數模型在評價分析省級大數據政策中的應用，彌補了評價過程中對衡量指標數量限制的不足，給出了評價政策改進建議，為政府科學制定大數據政策，引領大數據產業健康穩定發展提供了參考依據。

研究發現：8項大數據政策PMC指數均值為6.482，總體等級為優秀。其中，在制定云計算人工智能相關政策時涉及范圍較廣，考慮內容較為全面，政策文本的系統完備性強，PMC指數得分高；但P5、P7和P8政策為良好等級，政策文本有較大的優化空間，尤其是在政策效力、政策工具、激勵措施、政策內容方面。

研究結果表明：目前貴州政府在大數據政策支持方面已走在前列，大數據產值明顯提升，越來越多的大數據人才成為“貴漂”；大數據督戰平臺助力精準扶貧，實現省州縣扶貧數據共享互通、精準識別、精準脫貧等政策完全可以借鑒使用。待評價政策中也還存在一些有待改進的地方：一是政策效力X2嚴重缺失長期規劃內容，該變量的一級指標政策效力得分均值僅為0.464，為所有一級指標中均值最低，嚴重影響了政策前瞻性功能發揮；二是待評政策中政策工具X3使用不全面，尤其是服務外包工具使用嚴重缺位，一級變量政策工具X3的均值僅為0.648；三是待評價政策的激勵作用整體不強，一級變量激勵措施X6的均值為0.542，低于多項其他指標均值，其中一個因素是激勵機制不完善，如稅收優惠只有25%待評政策涉及。四是政策內容涉及面狹窄，尤其是專項政策，如推動大數據與工業深度融合發展政策只涉及了數據采集和基礎設施建設內容，不能較好把握政策要素的全局性。

研究建議：一是適當增加長期規劃，將長期目標分解為階段性可以實現的短期目標，提高政策落實的可行性，起到長遠目標引導短期目標的作用，同時可以兼顧到政策的微觀層面和宏觀層面；二是提高政策工具類別的搭配使用，尤其是增強需求側工具的使用，如服務外包工具的使用，促進大數據產業可持續發展；三是完善政策的激勵機制，通過稅收優惠、政府補貼、股權激勵等方式營造大數據產業自由發展環境，增強大數據產業發展生機與活力，持續推動大數據產業健康發展。四是政策內容要拓寬大數據應用場景和融合領域，不僅僅在脫貧攻堅、農業、工業和醫療方面，還要面向金融服務、文化產業和文化保護等領域。

本文采用文本挖掘—PMC指數模型對單項大數據政策量化評價進行了一定的探討，通過PMC指數模型和PMC曲面了解各項待評價政策的優劣情況，針對性提出參考性改進路徑，以期為政府完善具體政策提供參考。后續研究將按照以下思路完善：一是進行關鍵詞指標選取時，為更加全面地反映政策的覆蓋面，樣本可以根據大數據政策的調控領域適度擴大；二是為更好對比分析，可以結合不同層面政策樣本進行對比研究，探討不同層次政策的異同；三是對于專項政策(如P4醫療、P7工業等)，可以對某一細分產業政策文本進行量化評價，了解不同產業間政策共性區別；四是可對每一年頒布的同一類政策文本進行對比評價，找到政策優劣的現實原因和理論依據，為具體政策的優化提供針對性建議。