针对工程建设项目审批的数据治理方法与路径初探——以广州为例

文｜广州市规划和自然资源自动化中心 杜玲玲

引言

党的十九大胜利召开以来，以信息化手段促进政府治理能力和治理水平的现代化，已经成为贯彻落实新发展理念的国家战略。信息革命正从技术产业革命向经济社会变革加速演进，经济数字化转型成为大势所趋，我国各地区信息化发展水平整体提升，逐步从高速增长阶段转向高质量阶段，开始从“业务数字化”到“数字化治理”的转变。如何通过数据治理，借助信息化手段，提高工程建设项目审批能力，助力审批提速，优化营商环境，已成为当前工程建设项目审批制度改革关注与研究的热点。规划许可、工程建设许可、施工许可、竣工验收四个阶段的审批流程，每个阶段有具体的审批事项，涉及的部门多、整体办理时间长。一般工程建设项目审批服务流程图如图1。

针对环节多、办理时间长的问题，从2018年开始，国家在多个城市开展试点工作，积极推进工程建设项目审批制度改革工作，建设了统一的工程建设项目审批管理系统，涵盖工程建设项目审批全过程，在信息系统的支撑下，通过“并、放、减、优、调” 业务优化模式，支撑了审批时间压减一半以上，一定程度上优化了政务服务。

一、工程建设项目审批现状

二、当前存在的问题

一个工程建设项目从发改委立项到建设竣工验收，按照程序包括项目立项用地

前期的工作已经取得了阶段性成果，实现了业务类型全覆盖、业务全流程监管、市区一网通办。以广州为例，事项覆盖率网上办理率已经达到了100%，并且有10%的事项可以实现即办审批。然而，不同历史时期，目标和任务不同，要想更进一步提高效率，缩减时限，推广更多的事项可以实现马上办完、立即办完的时候，数据质量不高，有“数”不好用的问题逐渐暴露出来。

分析原因，主要是由于不断变化的管理需求和应用需求，以及历史技术手段约束、系统使用人员素质等原因，造成数据质量良莠不齐，具体表现为以下几个方面，如图2。

1、数据要素尚未开展采集。前期系统设计重点关注在全过程电子化、全流程监管、互联互通、协同共享，对于与流程无关的数据要素未能准确、及时采集，面对数据的深入应用，无法提供相关信息。

2、数据要素未结构化。审批结果已经电子化，但多个审批要素聚合成在一起，计算机无法从一堆文字中，获取到准确信息，指标的颗粒度需要细化。

3、数据缺乏权威性。系统未进行逻辑检测，自身产生的数据，或不同系统之间产生的数据存在相互矛盾，一数多源。例如用户申报事项选择了政府投资，但实际项目代码中记录对应的项目类型为企业投资；部分用户的发文中描述为不同意许可，但上传的环节结果确为同意，各类矛盾造成数据缺乏权威性。

图1 工程建设项目审批服务阶段

图2 当前存在的问题

图3 泊位数息填写不规范

图4 项目全生命周期一棵树的管理图

图5 数据治理方法与路径

4、数据内容不完整。与审批结果不是强关联，不是必须填写项目，由于办理时间关系，未填报；或者是审批结果指标要求不明确，填写的内容不符合规范、内容不准确等等，造成数据不完整。（如图3）

5、缺乏上下文关联。工程建设审批各环节的数据各自为政，虽然形成了项目全生命周期一棵树的管理，但在不同环节的审批结果内容不统一，无法实现上线文关联比对，没有形成知识体系。例如发改注重项目类别、规划重用地性质、国土使用重视土地用途，相互标准不一致。（如图4）

数据质量是服务与创新的重要根基，数据治理的好坏直接影响数据应用的价值，是精准施策的关键前提，从以上分析，我们可以看出，开展数据治理工作刻不容缓。

三、数据治理方法路径

数据治理是一个复杂的系统工程，涉及到多个领域，既要做好顶层设计，又要解决好数据标准制度、系统运行机制等体系问题。针对当前工程建设项目审批过程中存在的数据问题，我们提出以下数据治理方法路径。（如图5）

1、构建审批结果数据要素表单，做好数据源头治理

以既要满足当前的业务和管理需求，也应满足未来的发展需求为原则，对工程建设项目审批结果进行全面分析，在梳理调查的基础上构建审批结果数据要素表单。

一是对在审批过程中未起到关键作用，但在后期数据使用中会起到关键决策作用的信息，进行数据要素指标化。

二是对已经电子化的复合要素进行要素拆分，实现数据要素解耦，并设计出标准化的表单，实现审批结果数据要素表单化。通过以上工作，让隐含的数据要素，从复杂的文字描述转变为可以让机器能够轻松理解和处理的数据，做好数据源头采集。

2、优化审批系统智能应用，做好数据实施治理

应用系统是产生数据的摇篮，通过优化审批系统的智能应用，从数据产生源头，做好数据治理的实施。

一可以通过设置必填项、配置数据字典选项、增加数据逻辑检测，消除逻辑不一致性，数据不完整性，数据不规范问题，形成高质量的权威可用数据。

二是确保一数一源，例如用户在申报事项的时候，可以先录入项目代码，系统从项目代码库中直接获取投资类型，并填充表单，这样既省却了用户的二次录入，提高了用户体验，同时也减少了人为产生的数据错误，确保了数据质量。

三是提升系统智能应用，通过对历史数据及新产生数据的整合治理，完善不同环节审批事项结果的数据建设标准，构建数据要素逐层传导与约束机制，根据上一环节对本环节的约束，以及本环节对下一环节的扩展要求，建立数据流动通道，通过增加系统智能应用，提高数据的应用深度。

3、建立监管长效机制体制，打造数据智能生态

维护数据质量是一个长期而艰巨的任务，数据治理应当提前预测需求变化，不断吸收新的数据来源，同时在系统的使用过程中，做好数据质量评价，及时发现数据问题，并通过问题改进跟踪，反复迭代、持续优化，形成良好的数据生态，确保在长期运行过程中，持续稳定保障数据质量，最终形成高效可靠的数据资产。

四、实例研究

广州市规划和自然资源局从2019年开始，通过本文提出的数据治理方法与路径，已在广州市规划和自然资源局一体化平台业务审批系统中得到了应用，主要应用如下：

1、将规划条件表单化、标准化、结构化，对批出的文字信息内容描述模板化。（如图6）

2、结合GIS空间分析和数据仓库、数据挖掘等手段，落实了数据要素传导体系，将控制性详细规划中的可传递刚性指标实现自动填充表单，自动比对上下环节的审查指标、智能生成审查报告，交给“机器”。实现快速审批，进一步压缩了环节和时间，提升审批质量和审批效率。截止2020年8月1日，已实现个项目的合规性审查、20余宗项目的智能审查项目。（如图7）

图6 广州市建设用地规划条件表单化模板

图7 基于空间的智能比对

五、结论和建议

以上实践证明，通过对工程建设项目审批数据治理，提高了数据质量，支撑数据智能应用，提升了数据的应用价值，赋能工程建设项目审批政务服务。

然而数据治理不是一蹴而就，面对数据种类多、需求千变万化，我们不可能一次性完成对所有数据资源治理。为了更好的服务于工程建设审批管理，只有充分认识到数据的重要战略意义，要有一定的前瞻性，将数据治理纳入政府中长期发展规划，分阶段、分批次、递进实施，数据治理永远在路上。

注释：

“并、放、减、优、调” 业务优化模式，其中，“并”指业务事项合并、并联审批；“放”指审批权权限下放；“减”指减少事项、减少环节、减少申报材料；“优”指事项优化、提升服务水平；“调”指事项调整、提高服务效率。