政府大數據治理能力影響因素及提升策略研究

摘 要：

當前政府大數據治理能力還有較大的提升空間。首先，識別了政府大數據治理能力關鍵影響因素，確定了主要影響因素間的相互關系，為提升政府大數據治理能力指明了方向。其次，基于文獻分析法和德爾菲法，從政府體系內部和外部兩個角度提取了10個政府大數據治理能力影響因素，采用ISM模型分析了政府大數據治理能力影響因素之間的層次關系。最后，應用MICMAC模型計算出各因素的驅動力和依賴性，并據此進行分類。研究結果表明：公眾需求、政策制度、大數據治理意識和經濟發展水平是最重要的驅動型因素，對其他因素的影響較大，其中公眾需求為最根源的影響因素。研究結論對提升政府大數據治理能力具有理論參考價值。

關鍵詞：

政府；大數據治理能力；影響因素；ISM模型；MICMAC模型

中圖分類號：D63 文獻標識碼：A DOI：10.7535/j.issn.1671-1653.2024.03.003

Research on Influencing Factors and Promotion Strategies of Government Big Data Governance Capability

LUO Kangming1， ZHOU Liping2， SU Hong3

（1.Department of Economic and Trade， Jiangxi Biotech Vocational College， Nanchang 330200， China;

2.School of Humanities and Public Administration， Jiangxi Agricultural University，Nanchang 330045， China;

3.School of Marxism， East China Jiaotong University， Nanchang 330013， China）

Abstract：

At present， the government big data governance capability still has significant room for improvement. Firstly， the key influencing factors of government big data governance capability were identified， the interrelationships between the main influencing factors were determined， providing the direction for improving government big data governance capability. Secondly， based on literature analysis and the Delphi method， 10 factors affecting government big data governance capabilities were extracted from both the internal and external perspectives of the government system， and then the ISM model was used to deeply analyze the hierarchical relationship between the factors affecting government big data governance capabilities. Finally， the MICMAC model was applied to calculate the driving force and dependence of each factor， and classify them accordingly. The research results show that public demand， institutional policies， big data governance awareness and economic development level are the most important driving factors， which have a greater impact on other factors， among which public demand is the most fundamental influencing factor. The research conclusions have theoretical reference value for improving the government big data governance capability.

Keywords：

government; big data governance capability; influence factors; ISM model; MICMAC model

一、引言

大數據治理是政府治理體系與治理能力現代化的重要內容。政府大數據治理有助于推動政府治理模式和治理工具的變革 [1 ]（P153-161），有利于優化國家治理能力結構 [2 ]（P82-87），有助于提升公共政策和公共服務的精準度 [3 ]（P82-83），提高政府決策科學化水平，也是政府治理能力提升的核心引擎。然而，當前大數據治理還存在數據資源保護不力 [4 ]（P82-83）、多頭管理 [5 ]（P43-54）、制度執行力不強 [6 ]（P12-16，122）和數據鏈斷裂 [7 ]（P14-20）等問題。政府大數據治理能力不足是當前大數據治理存在諸多問題的主要原因。因此，如何提升政府大數據治理能力，揭示其內在影響機制，是當前理論研究、政府治理實踐中亟需解決的關鍵問題。

為了識別影響政府大數據治理能力的因素，本文利用中國知網（CNKI）和Web of Science平臺以“大數據治理”和“政府大數據治理”為關鍵詞查閱了近10年的文獻，剔除相關性較低、質量較差的，選取45篇文獻，通過文獻分析初步提取了15個政府大數據治理能力影響因素。再運用德爾菲法，函詢了6位從事政府大數據治理研究的專家，聽取并記錄他們對政府大數據治理影響因素的看法，根據專家咨詢結果整理資料再次進行咨詢，最終進行了5輪專家咨詢，專家達成了一致意見。從政府體系內部和外部兩方面識別出了10個政府大數據治理能力影響因素（見表1）。

從政府體系內部來看，政府大數據治理意識、組織架構、大數據處理水平、專業人才、政府間關系、政策制度均可能影響政府大數據治理能力。具體來說，第一，大數據治理意識方面，翟云［13］（P12-26）指出囿于傳統思想觀念，人們對大數據的認識還存在誤區，還沒將大數據真正當成一種資源來使用，在一定程度上缺乏大數據治理意識，致使政府大數據治理能力還存在較大提升空間，這與劉銀喜等［18］（P81-88）的研究結果一致。第二，組織架構方面，合理的組織架構可促進信息在部門間的流通，加快決策過程，提升決策效率，進而提升政府大數據治理能力。第三，專業人才方面，人才是第一生產力，配備相應的專業人才可優化決策過程，提升決策效率。第四，政府間的關系極大程度影響政府間數據流通與共享效率，成為大數據治理水平不可忽視的影響因素。此外，政府大數據處理水平將直接影響數據資源的利用率，影響政府治理水平。

從政府體系外部來說，公眾需求、經濟發展水平、數據質量和基礎設施均是影響政府大數據治理能力的重要指標。具體來看，第一，公眾需求方面，從供需角度出發，“互聯網+”時代公眾對政府大數據治理能力提出了更高要求，這將倒逼政府提升自身的數據治理能力，從而提高服務質量。第二，經濟發展水平方面，經濟發展水平極大程度影響政府在數據治理方面的投入，是數據治理的經濟保障。第三，數據質量直接影響到決策的精準性和科學性，影響大數據治理水平。此外，基礎設施是數據治理的基礎，發揮著不可忽視的作用。

三、基于ISM-MICMAC模型的政府大數據治理能力影響因素分析

（一）研究方法

ISM模型是美國J.Warfield [25 ]（P3076-3092）為了解決社會經濟系統中復雜結構問題于1973年率先提出的。ISM模型側重于專家意見，這對于建立各種因素之間的相互關系非常有幫助。它將復雜問題體系拆解為若干個子系統，運用專家的知識和經驗判斷各個子系統各個因素之間的相互作用關系，并且賦值，將模糊問題概念化、數字化。再借助數學模型和計算機技術對數據進行處理，將因素進行分層。ISM模型操作流程如圖1所示。該模型可以將社會經濟中遇到的模糊復雜問題轉化為階梯式模型，進行清晰化處理 [26 ]（P1-3）。

經過幾十年的發展，ISM模型已經較為成熟，廣泛運用于農學 [27 ]（P18-26）、倉儲物流 [28 ]（P142-145）、教育學 [29 ]（P123-130）和建筑施工 [30 ]（P108-114）等多個領域。

（二）實證研究

本文利用文獻閱讀法從政府體系內部和外部兩個層面提取了影響政府大數據治理能力的10個因素，再運用ISM-MICMAC模型進行分析，具體步驟如下。

步驟1：咨詢專家，構建因素相互影響邏輯圖。通過文獻閱讀法和德爾菲法識別出了大數據治理意識S1、組織架構S2、大數據處理水平S3、專業人才S4、政府間關系S5、政策制度S6、公眾需求S7、經濟發展水平S8、數據質量S9和基礎設施S10共10個政府大數據治理能力影響因素。然后邀請了5位政府大數據治理相關專家，采用頭腦風暴法識別因素間的相互作用關系，并用字母表示，規則見式（1）：

PijV：表示元素i對元素j會產生影響，

A：表示元素j對元素i會產生影響，

O：表示元素i和元素j互不影響。（1）

整理專家采用頭腦風暴法討論的結果，再結合以上規則，構建了各因素之間相互影響邏輯圖（如圖2所示）。

步驟2：將因素間邏輯關系數量化，建立鄰接矩陣。將步驟1得到的邏輯關系按照以下規則使其數量化：在i≠j的情況下，只要元素i和元素j間有影響關系（Pij=V/A），則用1表示，沒有影響（Pij=O），用0表示；在i=j的情況下，默認因素對自身沒有影響，得到鄰接矩陣R（見表2）。

步驟3：計算得到可達矩陣M。可達矩陣可以直觀表示政府大數據治理能力各影響因素間相互作用程度。

M=（R+I）n+1=（R+I）n≠（R+I）n-1≠L（R+I）2≠（R+I）， （2）

其中：I為單位矩陣；n為冪；矩陣的冪運算采用布爾代數運算法則，即0+0=0，0+1=1，1+1=1，1×0=0，1×1=1。

根據式（2），利用MATLAB可以由鄰接矩陣求得可達矩陣M（見表3）， 計算出了各個因素的依賴性和驅動力。依賴性指的是一個因素對其他因素的依賴程度，依賴性越高的因素受其他因素的影響較大，需要通過其因素的作用來提升此類因素的質量。驅動力指的是一個因素對其他因素的作用程度，驅動力越大，對其他因素的作用越強，可以提升此類因素的質量來改良其他因素。

步驟4：利用可達矩陣進行層級劃分。根據可達矩陣M，可以得到可達集R（Si）、先行集Q（Si）和共同集R（Si）∩Q（Si）。可達集R（Si）是指可達矩陣中第i行因素所有為1的元素集合，即該因素本身和它可能到達的元素總和，代表的是被因素Si影響的因素集合；先行集Q（Si）是指可達矩陣中第i列因素所有為1的元素集合，由該元素自身和它可能到達的其他因素的集合構成，表示的是影響因素Si要素的集合；共同集R（Si）∩Q（Si）就是可達集和先行集所共有的元素。

運用式（3）可求得最高層要素集合L1：

L1={Si|R（Si）∩Q（Si）=R（Si），

i=1，2，…，k}。（3）

在可達矩陣中刪除集合L1所對應的行和列得到新的矩陣M′， 再運用式（3）得到第二層要素集合L2，以此類推直到將所有元素分層為止。政府大數據治理能力影響因素集合的第一級可達集R（Si）、先行集Q（Si）和共同集R（Si）∩Q（Si）見表4。

本文最終分層結果為：

L1={S3，S9}，L2={S2，S4，S5，S10}，L3={S1，S6，S8}和L4={S7}。根據可達矩陣分層結果，重新對可達矩陣各元素排列順序，繪制骨架矩陣N（見表5）。利用骨架矩陣，可以直觀看出各元素所在的層級以及各元素的影響關系。

步驟5：構建解釋結構模型。依據步驟4的分層結果和骨架矩陣，將同一層級的因素置于同一階層，用箭頭表示各因素之間的影響關系，構建政府大數據治理能力影響因素集合的解釋結構模型（如圖3所示）。

步驟6：基于MICMAC法對元素進行分類，并且繪制依賴性—驅動力分析圖。運用式（4）和式（5）分別計算出每個影響因素的驅動力Di和依賴性Ri（見表3）。

Di=∑ni=1tij， i=1，2，…，n。（4）

Ri=∑nj=1tij， j=1，2，…，n。（5）

以各影響因素的依賴性Ri為橫坐標，驅動力Di為縱坐標，建立笛卡爾坐標系，過依賴性的中點做橫軸的垂線，過驅動力的中點做縱軸的垂線，將坐標分為4個象限，做出依賴性—驅動力分類圖，如圖4所示。

（三）結果分析

政府大數據治理能力受到多重復雜因素的影響，本文利用ISM模型對影響因素集進行分層，使影響因素集層次結構更加清晰；再使用MICMAC方法計算出各影響因素的依賴性和驅動力，據此對影響因素進行分類。理清政府大數據治理能力影響因素作用機理，為提升大數據治理能力提供建議。

1.基于ISM模型分層結果分析

研究結果顯示：政府大數據治理能力影響因素可以分為4層，第一層為直接因素，第二和第三層為間接因素，第四層是深層影響因素，底層因素會影響上級因素，層層遞進。具體結果如下。

（1）根據圖3可知，處于最底層的深層因素只有公眾需求S7這個因素。公眾需求會直接影響間接因素的質量，進而間接影響大數據處理能力和收集數據的質量，處于影響因素集合的底層，是政府大數據治理能力根源性的影響因素。不論是制度的制定，還是政府組織架構的設計，或者是專業人員的配置，提升政府大數據治理能力都應該從根源性因素出發，也就是說，一切都應從人民的根本需求出發，及時提供公眾急需的公共產品，做人民滿意的政府。

（2）大數據處理水平S3和數據質量S9處于政府大數據治理能力影響因素集合中的最頂層。最頂層的因素可以直接影響政府大數據治理能力，中間層影響因素和最底層影響因素通過影響最頂層影響因素的質量才能更好地發揮作用。在建設政府大數據治理體系的過程中要格外注重監測政府收集大數據的質量和政府對大數據的處理水平。

（3）間接因素較多，包含了L3的政策制度S3、大數據治理意識S1、經濟發展水平S8和L2的組織架構S2、專業人才S4、政府間關系S5、基礎設施S10在內的7個因素。這類因素處于政府大數據治理能力解釋結構模型的中間層，受到底層因素的影響，將影響力傳遞給頂層，其雖然不是根源性因素，也不能直接影響政府大數據治理能力水平，但起到中介作用，不可忽視。

2.MICMAC模型分類結果分析

由圖4可知，根據各個因素的依賴性和驅動力的大小，可以將其分為自治簇、依賴簇、聯動簇和獨立簇四部分。處于第I象限的政府大數據治理能力影響因素的依賴性和驅動力都較低，相對獨立，屬于自治簇；位于第Ⅱ象限的因素的依賴性較大，驅動力較小，這類因素極易受到其他因素的影響，屬于依賴簇；在第Ⅲ象限因素依賴性和驅動力都較大，穩定性較差，屬于聯動簇；第Ⅳ象限的因素依賴性較小，驅動力較大，不易受其他因素的影響，但影響其他因素的能力較強，被稱為獨立簇。具體分析如下。

（1）自治簇的影響因素。政府大數據治理能力影響因素集中，屬于自治簇的有專業人才S4、組織架構S2和政府間關系S5。這3個因素依賴性和驅動力都較低，較為獨立，易于掌控。在提升政府大數據治理能力過程中，應該首先考慮吸納具有治理大數據功底的專業人才進入隊伍。合理設計組織架構，做到事事有人做，人人都可以充分發揮才華和技能。由于不同部門掌握著不同人員、不同類型的數據資源，將多種信息資源融合才能發揮事半功倍的效果，所以政府部門間有良好的關系，有利于進行高質量的數據交流。

（2）依賴簇的影響因素。在政府大數據治理能力影響因素中，大數據處理S3、數據質量S9和基礎設施S10屬于依賴簇。這3個因素對其他因素的依賴程度較高，需要通過其他因素的作用來提升這類因素的質量。將高質量的大數據處理人才吸納到政府大數據治理專業隊伍，設計合理的組織架構使人盡其才，并且政府部門間擁有良好的合作關系，可以進行數據共享，完善大數據處理的基礎設施，就能提升政府收集大數據的質量、提升大數據的處理能力。

（3）聯動簇的影響因素。在提取的政府大數據治理能力10個影響因素中，沒有屬于聯動簇的因素，表明構建的政府大數據治理能力影響因素體系較為穩定，不會因為一個因素的變化而導致整個體系發生大幅度改變。

（4）獨立簇的影響因素。在政府大數據治理能力影響因素集合中，大數據治理意識S1、政策制度S6、公眾需求S7和經濟發展水平S8的依賴性較小、驅動力較大，屬于獨立簇影響因素。通過提升這4個因素可以大幅度改善其他因素的質量。政府部門具有敏銳的洞察力、較強的大數據治理意識，能夠全面了解公眾的需求，可以根據各地情況制定符合本地區發展的相關政策制度來規范治理過程，并且經濟發展水平較高，能夠提供強大的財政支撐，可以通過影響組織架構、專業人才等因素進而提升政府大數據治理能力。

四、政府大數據治理能力提升策略

根據研究結果，提出以下提升政府大數據治理能力策略，為政府大數據治理建設提供一定的理論依據。

（一）了解公眾需求，制定合理政策制度

公眾需求和政策制度均屬于獨立簇因素范疇，驅動力極高，可以為政府大數據治理提供強大動力。公眾需求處于解釋結構模型的最底層，是影響政府大數據治理的根源性因素。

1.聚焦公眾對數據治理服務的需求“靶心”

當前政府大數據治理能力水平有待提升的原因之一就是缺乏對公眾真實需求的識別［31］（P147-154）。本著全心全意為人民服務的初心，政府大數據治理的根本目的也是為公眾提供更優質的公共產品。因此，了解公眾需求，才能提供讓人民滿意的數據治理公共服務。具體來看，可以通過以下方式了解公眾需求。第一，通過熱線電話和多媒體平臺等方式多渠道收集群眾意見。第二，加強宣傳與教育，提高公眾對數據治理的認識水平，提升公眾數據素養。第三，實地調研，走訪群眾了解群眾需求。

2.完善政府數據治理制度

了解公眾需求后，結合時代背景、地區特點等，制定相應的政策制度。具體來說，可從以下幾方面完善政府數據治理制度。第一，制定數據標準。建立統一的數據標準體系，確保數據的規范性，提高數據的可用性。第二，制定公眾參與和監督管理流程和機制，確保公眾的參與權和監督權。

（二）吸納高層次專業人才，構建高效組織架構

專業人才和組織架構都屬于自治簇因素，在整個政府大數據治理能力影響因素集合中占

有重要地位。人才是第一資源。因此，聚集專業的高素質人才，并且設置合理的組織架構，人盡其能，為政府大數據治理提供人才和組織保障，進而提升其治理水平至關重要。

1.強化高層次人才隊伍建設

大數據處理復雜，需要具備專業技能的人才才能高效完成此任務。可從以下幾方面建設高層次人才隊伍。第一，制定高層次人才引進制度，確保人才通道暢通無阻。第二，完善人才評價機制，并且健全激勵機制。第三，創新培養模式。可通過產學研結合，共同培養高層次人才。

2.構建合理高效的組織架構

組織是政府運轉的保障。合理的組織架構不僅可以減少政府運轉成本，而且能夠提升其工作效率。因此，根據地區特點實際情況，設計合理的組織架構會有事半功倍的成效。設計組織架構時需綜合考慮部門特性和職位特點，最大限度地發揮在職人員的才能。政府部門與部門之間需要加強溝通，建立數據共享機制和平臺，盡可能收集高質量數據。

（三）完善基礎設施，提升大數據處理水平

基礎設施和大數據處理水平都在依賴簇的范圍內，對其他因素的依賴程度較強，需要通過強化影響這些因素的其他因素來控制。基礎設施是影響政府大數據治理的間接因素，在整個作用機制中起到中介作用。具體來看，可從以下幾方面入手完善基礎設施。第一，構建高效的數據中心，提升數據存儲與運算能力。第二，加強網絡基礎設施建設，保障大數據實時傳輸與交換。第三，健全數據安全體系，加強數據安全與隱私保護。

參考文獻：

[1 ]胡海波.理解整體性政府數據治理：政府與社會的互動 [J ].情報雜志，2021（3）.

[2 gE0ekRgHfemBQymLCX8LSQ==]莫富傳，婁策群，馮翠翠，等.基于DIKW體系的政府數據利用路徑研究 [J ].情報科學，2021（3）.

[3 ]吳善鵬，李萍，張志飛.政務大數據環境下的數據治理框架設計 [J ].電子政務，2019（2）.

[4 ]孫卓名.地方政府數據治理的困境及出路 [J ].人民論壇，2020（15）.

[5 ]夏義堃.政府數據治理的維度解析與路徑優化 [J ].電子政務，2020（7）.

[6 ]秦國民，任田婧格.智能化時代政府數據治理與制度執行力的提升 [J ].鄭州大學學報（哲學社會科學版），2020（6）.

[7 ]安小米，宋懿，郭明軍，等.政府大數據治理規則體系構建研究構想 [J ].圖書情報工作，2018（9）.

[8 ]鄭大慶，黃麗華，張成洪，等.大數據治理的概念及其參考架構 [J ].研究與發展管理，2017（4）.

[9 ]Malik P.Governing Big Data： Principles and Practices [J ].IBM Journal of Research and Development，2013（3）.

[10 ]黃璜.對“數據流動”的治理：論政府數據治理的理論嬗變與框架 [J ].南京社會科學，2018（2）.

[11 ]周林興，林騰虹.基于文件連續體理論的政務數據治理體系優化研究 [J ].電子政務，2021（4）.

[12 ]安小米，郭明軍，洪學海，等.政府大數據治理體系的框架及其實現的有效路徑 [J ].大數據，2019（3）.

[13 ]翟云.中國大數據治理模式創新及其發展路徑研究 [J ].電子政務，2018（8）.

[14 ]鄭躍平，甘祺璇，張采薇，等.地方政府數據治理的現狀與問題：基于43個政務熱線部門的實證研究 [J ].電子政務，2020（7）.

[15 ]黃璜，孫學智.中國地方政府數據治理機構的初步研究：現狀與模式 [J ].中國行政管理，2018（12）.

[16 ]曹惠民，鄧婷婷.政府數據治理風險及其消解機制研究 [J ].電子政務，2021（1）.

[17 ]范靈俊，洪學海，黃晁，等.政府大數據治理的挑戰及對策 [J ].大數據，2016（3）.

[18 ]劉銀喜，趙淼，趙子昕.政府數據治理能力影響因素分析 [J ].電子政務（10）.

[19 ]堯淦，夏志杰.政府大數據治理體系下的實踐研究：基于上海、北京、深圳的比較分析 [J ].情報資料工作，2020（1）.

[20 ]譚必勇，陳艷.加拿大聯邦政府數據治理框架分析及其對我國的啟示 [J ].電子政務，2019（1）.

[21 ]張宇杰，安小米，張國慶.政府大數據治理的成熟度評測指標體系構建 [J ].情報資料工作，2018（1）.

[22 ]Klijn E H.Governance and Governance Networks in Europe [J ].Public Management Review，2008（4）.

[23 ]馬亮.大數據治理：地方政府準備好了嗎？ [J ].電子政務，2017（1）.

[24 ]Charag，Mufeed.Electronic Governance：Expansion of Service Delivery Magnitude and Lessening Role of Human Resource in Delivery of Public Services [J ].International Journal of Retailing and Rural Business Perspectives，2013（2）.

[25 ]劉偉強，徐立云.基于解釋結構模型和復雜網絡的制造系統關鍵脆性因子辨識 [J ].計算機集成制造系統，2021（11）.

[26 ]章文杰，解武杰.ISM模型在風險結構分析中的應用 [J ].商業研究，2002（3）.

[27 ]馮葉，陳盛偉，宋長青.農業企業采納大數據技術影響因素研究：基于ISM模型的實證分析 [J ].技術經濟，2020（7）.

[28 ]蘇霞.基于ISM模型的農產品云物流制約因素與轉型升級 [J ].商業經濟研究，2020（13）.

[29 ]張靜，王歡.基于ISM的在線教育平臺學習者持續學習行為的影響因素研究 [J ].中國電化教育，2018（10）.

[30 ]朱蕾，陳靜怡，袁競峰.基于ISM的裝配式建筑供應鏈韌性關鍵影響因素研究 [J ].土木工程與管理學報，2020（5）.

[31 ]王玉龍，王佃利.需求識別、數據治理與精準供給：基本公共服務供給側改革之道 [J ].學術論壇，2018（2）.

基金項目：江西省學位與研究生教育教學改革研究項目（JXYJG-2019-073）；江西省教育科學“十四五”規劃項目 （21YB030）；江西省教育廳高校人文社會科學項目 （GL1554）

作者簡介：羅康明（1996—），男，江西贛州人，江西生物科技職業學院助教，碩士；周利平（1975—），男，江西撫州人，江西農業大學人文與公共管理學院教授，博士，主要從事政府治理、公共政策研究；蘇紅（1979—），女，山東德州人，華東交通大學馬克思主義學院講師，碩士。