政府大数据治理能力影响因素及提升策略研究

摘 要：

当前政府大数据治理能力还有较大的提升空间。首先，识别了政府大数据治理能力关键影响因素，确定了主要影响因素间的相互关系，为提升政府大数据治理能力指明了方向。其次，基于文献分析法和德尔菲法，从政府体系内部和外部两个角度提取了10个政府大数据治理能力影响因素，采用ISM模型分析了政府大数据治理能力影响因素之间的层次关系。最后，应用MICMAC模型计算出各因素的驱动力和依赖性，并据此进行分类。研究结果表明：公众需求、政策制度、大数据治理意识和经济发展水平是最重要的驱动型因素，对其他因素的影响较大，其中公众需求为最根源的影响因素。研究结论对提升政府大数据治理能力具有理论参考价值。

关键词：

政府；大数据治理能力；影响因素；ISM模型；MICMAC模型

中图分类号：D63 文献标识码：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

大数据治理是政府治理体系与治理能力现代化的重要内容。政府大数据治理有助于推动政府治理模式和治理工具的变革 [1 ]（P153-161），有利于优化国家治理能力结构 [2 ]（P82-87），有助于提升公共政策和公共服务的精准度 [3 ]（P82-83），提高政府决策科学化水平，也是政府治理能力提升的核心引擎。然而，当前大数据治理还存在数据资源保护不力 [4 ]（P82-83）、多头管理 [5 ]（P43-54）、制度执行力不强 [6 ]（P12-16，122）和数据链断裂 [7 ]（P14-20）等问题。政府大数据治理能力不足是当前大数据治理存在诸多问题的主要原因。因此，如何提升政府大数据治理能力，揭示其内在影响机制，是当前理论研究、政府治理实践中亟需解决的关键问题。

为了识别影响政府大数据治理能力的因素，本文利用中国知网（CNKI）和Web of Science平台以“大数据治理”和“政府大数据治理”为关键词查阅了近10年的文献，剔除相关性较低、质量较差的，选取45篇文献，通过文献分析初步提取了15个政府大数据治理能力影响因素。再运用德尔菲法，函询了6位从事政府大数据治理研究的专家，听取并记录他们对政府大数据治理影响因素的看法，根据专家咨询结果整理资料再次进行咨询，最终进行了5轮专家咨询，专家达成了一致意见。从政府体系内部和外部两方面识别出了10个政府大数据治理能力影响因素（见表1）。

从政府体系内部来看，政府大数据治理意识、组织架构、大数据处理水平、专业人才、政府间关系、政策制度均可能影响政府大数据治理能力。具体来说，第一，大数据治理意识方面，翟云［13］（P12-26）指出囿于传统思想观念，人们对大数据的认识还存在误区，还没将大数据真正当成一种资源来使用，在一定程度上缺乏大数据治理意识，致使政府大数据治理能力还存在较大提升空间，这与刘银喜等［18］（P81-88）的研究结果一致。第二，组织架构方面，合理的组织架构可促进信息在部门间的流通，加快决策过程，提升决策效率，进而提升政府大数据治理能力。第三，专业人才方面，人才是第一生产力，配备相应的专业人才可优化决策过程，提升决策效率。第四，政府间的关系极大程度影响政府间数据流通与共享效率，成为大数据治理水平不可忽视的影响因素。此外，政府大数据处理水平将直接影响数据资源的利用率，影响政府治理水平。

从政府体系外部来说，公众需求、经济发展水平、数据质量和基础设施均是影响政府大数据治理能力的重要指标。具体来看，第一，公众需求方面，从供需角度出发，“互联网+”时代公众对政府大数据治理能力提出了更高要求，这将倒逼政府提升自身的数据治理能力，从而提高服务质量。第二，经济发展水平方面，经济发展水平极大程度影响政府在数据治理方面的投入，是数据治理的经济保障。第三，数据质量直接影响到决策的精准性和科学性，影响大数据治理水平。此外，基础设施是数据治理的基础，发挥着不可忽视的作用。

三、基于ISM-MICMAC模型的政府大数据治理能力影响因素分析

（一）研究方法

ISM模型是美国J.Warfield [25 ]（P3076-3092）为了解决社会经济系统中复杂结构问题于1973年率先提出的。ISM模型侧重于专家意见，这对于建立各种因素之间的相互关系非常有帮助。它将复杂问题体系拆解为若干个子系统，运用专家的知识和经验判断各个子系统各个因素之间的相互作用关系，并且赋值，将模糊问题概念化、数字化。再借助数学模型和计算机技术对数据进行处理，将因素进行分层。ISM模型操作流程如图1所示。该模型可以将社会经济中遇到的模糊复杂问题转化为阶梯式模型，进行清晰化处理 [26 ]（P1-3）。

经过几十年的发展，ISM模型已经较为成熟，广泛运用于农学 [27 ]（P18-26）、仓储物流 [28 ]（P142-145）、教育学 [29 ]（P123-130）和建筑施工 [30 ]（P108-114）等多个领域。

（二）实证研究

本文利用文献阅读法从政府体系内部和外部两个层面提取了影响政府大数据治理能力的10个因素，再运用ISM-MICMAC模型进行分析，具体步骤如下。

步骤1：咨询专家，构建因素相互影响逻辑图。通过文献阅读法和德尔菲法识别出了大数据治理意识S1、组织架构S2、大数据处理水平S3、专业人才S4、政府间关系S5、政策制度S6、公众需求S7、经济发展水平S8、数据质量S9和基础设施S10共10个政府大数据治理能力影响因素。然后邀请了5位政府大数据治理相关专家，采用头脑风暴法识别因素间的相互作用关系，并用字母表示，规则见式（1）：

PijV：表示元素i对元素j会产生影响，

A：表示元素j对元素i会产生影响，

O：表示元素i和元素j互不影响。（1）

整理专家采用头脑风暴法讨论的结果，再结合以上规则，构建了各因素之间相互影响逻辑图（如图2所示）。

步骤2：将因素间逻辑关系数量化，建立邻接矩阵。将步骤1得到的逻辑关系按照以下规则使其数量化：在i≠j的情况下，只要元素i和元素j间有影响关系（Pij=V/A），则用1表示，没有影响（Pij=O），用0表示；在i=j的情况下，默认因素对自身没有影响，得到邻接矩阵R（见表2）。

步骤3：计算得到可达矩阵M。可达矩阵可以直观表示政府大数据治理能力各影响因素间相互作用程度。

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

其中：I为单位矩阵；n为幂；矩阵的幂运算采用布尔代数运算法则，即0+0=0，0+1=1，1+1=1，1×0=0，1×1=1。

根据式（2），利用MATLAB可以由邻接矩阵求得可达矩阵M（见表3）， 计算出了各个因素的依赖性和驱动力。依赖性指的是一个因素对其他因素的依赖程度，依赖性越高的因素受其他因素的影响较大，需要通过其因素的作用来提升此类因素的质量。驱动力指的是一个因素对其他因素的作用程度，驱动力越大，对其他因素的作用越强，可以提升此类因素的质量来改良其他因素。

步骤4：利用可达矩阵进行层级划分。根据可达矩阵M，可以得到可达集R（Si）、先行集Q（Si）和共同集R（Si）∩Q（Si）。可达集R（Si）是指可达矩阵中第i行因素所有为1的元素集合，即该因素本身和它可能到达的元素总和，代表的是被因素Si影响的因素集合；先行集Q（Si）是指可达矩阵中第i列因素所有为1的元素集合，由该元素自身和它可能到达的其他因素的集合构成，表示的是影响因素Si要素的集合；共同集R（Si）∩Q（Si）就是可达集和先行集所共有的元素。

运用式（3）可求得最高层要素集合L1：

L1={Si|R（Si）∩Q（Si）=R（Si），

i=1，2，…，k}。（3）

在可达矩阵中删除集合L1所对应的行和列得到新的矩阵M′， 再运用式（3）得到第二层要素集合L2，以此类推直到将所有元素分层为止。政府大数据治理能力影响因素集合的第一级可达集R（Si）、先行集Q（Si）和共同集R（Si）∩Q（Si）见表4。

本文最终分层结果为：

L1={S3，S9}，L2={S2，S4，S5，S10}，L3={S1，S6，S8}和L4={S7}。根据可达矩阵分层结果，重新对可达矩阵各元素排列顺序，绘制骨架矩阵N（见表5）。利用骨架矩阵，可以直观看出各元素所在的层级以及各元素的影响关系。

步骤5：构建解释结构模型。依据步骤4的分层结果和骨架矩阵，将同一层级的因素置于同一阶层，用箭头表示各因素之间的影响关系，构建政府大数据治理能力影响因素集合的解释结构模型（如图3所示）。

步骤6：基于MICMAC法对元素进行分类，并且绘制依赖性—驱动力分析图。运用式（4）和式（5）分别计算出每个影响因素的驱动力Di和依赖性Ri（见表3）。

Di=∑ni=1tij， i=1，2，…，n。（4）

Ri=∑nj=1tij， j=1，2，…，n。（5）

以各影响因素的依赖性Ri为横坐标，驱动力Di为纵坐标，建立笛卡尔坐标系，过依赖性的中点做横轴的垂线，过驱动力的中点做纵轴的垂线，将坐标分为4个象限，做出依赖性—驱动力分类图，如图4所示。

（三）结果分析

政府大数据治理能力受到多重复杂因素的影响，本文利用ISM模型对影响因素集进行分层，使影响因素集层次结构更加清晰；再使用MICMAC方法计算出各影响因素的依赖性和驱动力，据此对影响因素进行分类。理清政府大数据治理能力影响因素作用机理，为提升大数据治理能力提供建议。

1.基于ISM模型分层结果分析

研究结果显示：政府大数据治理能力影响因素可以分为4层，第一层为直接因素，第二和第三层为间接因素，第四层是深层影响因素，底层因素会影响上级因素，层层递进。具体结果如下。

（1）根据图3可知，处于最底层的深层因素只有公众需求S7这个因素。公众需求会直接影响间接因素的质量，进而间接影响大数据处理能力和收集数据的质量，处于影响因素集合的底层，是政府大数据治理能力根源性的影响因素。不论是制度的制定，还是政府组织架构的设计，或者是专业人员的配置，提升政府大数据治理能力都应该从根源性因素出发，也就是说，一切都应从人民的根本需求出发，及时提供公众急需的公共产品，做人民满意的政府。

（2）大数据处理水平S3和数据质量S9处于政府大数据治理能力影响因素集合中的最顶层。最顶层的因素可以直接影响政府大数据治理能力，中间层影响因素和最底层影响因素通过影响最顶层影响因素的质量才能更好地发挥作用。在建设政府大数据治理体系的过程中要格外注重监测政府收集大数据的质量和政府对大数据的处理水平。

（3）间接因素较多，包含了L3的政策制度S3、大数据治理意识S1、经济发展水平S8和L2的组织架构S2、专业人才S4、政府间关系S5、基础设施S10在内的7个因素。这类因素处于政府大数据治理能力解释结构模型的中间层，受到底层因素的影响，将影响力传递给顶层，其虽然不是根源性因素，也不能直接影响政府大数据治理能力水平，但起到中介作用，不可忽视。

2.MICMAC模型分类结果分析

由图4可知，根据各个因素的依赖性和驱动力的大小，可以将其分为自治簇、依赖簇、联动簇和独立簇四部分。处于第I象限的政府大数据治理能力影响因素的依赖性和驱动力都较低，相对独立，属于自治簇；位于第Ⅱ象限的因素的依赖性较大，驱动力较小，这类因素极易受到其他因素的影响，属于依赖簇；在第Ⅲ象限因素依赖性和驱动力都较大，稳定性较差，属于联动簇；第Ⅳ象限的因素依赖性较小，驱动力较大，不易受其他因素的影响，但影响其他因素的能力较强，被称为独立簇。具体分析如下。

（1）自治簇的影响因素。政府大数据治理能力影响因素集中，属于自治簇的有专业人才S4、组织架构S2和政府间关系S5。这3个因素依赖性和驱动力都较低，较为独立，易于掌控。在提升政府大数据治理能力过程中，应该首先考虑吸纳具有治理大数据功底的专业人才进入队伍。合理设计组织架构，做到事事有人做，人人都可以充分发挥才华和技能。由于不同部门掌握着不同人员、不同类型的数据资源，将多种信息资源融合才能发挥事半功倍的效果，所以政府部门间有良好的关系，有利于进行高质量的数据交流。

（2）依赖簇的影响因素。在政府大数据治理能力影响因素中，大数据处理S3、数据质量S9和基础设施S10属于依赖簇。这3个因素对其他因素的依赖程度较高，需要通过其他因素的作用来提升这类因素的质量。将高质量的大数据处理人才吸纳到政府大数据治理专业队伍，设计合理的组织架构使人尽其才，并且政府部门间拥有良好的合作关系，可以进行数据共享，完善大数据处理的基础设施，就能提升政府收集大数据的质量、提升大数据的处理能力。

（3）联动簇的影响因素。在提取的政府大数据治理能力10个影响因素中，没有属于联动簇的因素，表明构建的政府大数据治理能力影响因素体系较为稳定，不会因为一个因素的变化而导致整个体系发生大幅度改变。

（4）独立簇的影响因素。在政府大数据治理能力影响因素集合中，大数据治理意识S1、政策制度S6、公众需求S7和经济发展水平S8的依赖性较小、驱动力较大，属于独立簇影响因素。通过提升这4个因素可以大幅度改善其他因素的质量。政府部门具有敏锐的洞察力、较强的大数据治理意识，能够全面了解公众的需求，可以根据各地情况制定符合本地区发展的相关政策制度来规范治理过程，并且经济发展水平较高，能够提供强大的财政支撑，可以通过影响组织架构、专业人才等因素进而提升政府大数据治理能力。

四、政府大数据治理能力提升策略

根据研究结果，提出以下提升政府大数据治理能力策略，为政府大数据治理建设提供一定的理论依据。

（一）了解公众需求，制定合理政策制度

公众需求和政策制度均属于独立簇因素范畴，驱动力极高，可以为政府大数据治理提供强大动力。公众需求处于解释结构模型的最底层，是影响政府大数据治理的根源性因素。

1.聚焦公众对数据治理服务的需求“靶心”

当前政府大数据治理能力水平有待提升的原因之一就是缺乏对公众真实需求的识别［31］（P147-154）。本着全心全意为人民服务的初心，政府大数据治理的根本目的也是为公众提供更优质的公共产品。因此，了解公众需求，才能提供让人民满意的数据治理公共服务。具体来看，可以通过以下方式了解公众需求。第一，通过热线电话和多媒体平台等方式多渠道收集群众意见。第二，加强宣传与教育，提高公众对数据治理的认识水平，提升公众数据素养。第三，实地调研，走访群众了解群众需求。

2.完善政府数据治理制度

了解公众需求后，结合时代背景、地区特点等，制定相应的政策制度。具体来说，可从以下几方面完善政府数据治理制度。第一，制定数据标准。建立统一的数据标准体系，确保数据的规范性，提高数据的可用性。第二，制定公众参与和监督管理流程和机制，确保公众的参与权和监督权。

（二）吸纳高层次专业人才，构建高效组织架构

专业人才和组织架构都属于自治簇因素，在整个政府大数据治理能力影响因素集合中占

有重要地位。人才是第一资源。因此，聚集专业的高素质人才，并且设置合理的组织架构，人尽其能，为政府大数据治理提供人才和组织保障，进而提升其治理水平至关重要。

1.强化高层次人才队伍建设

大数据处理复杂，需要具备专业技能的人才才能高效完成此任务。可从以下几方面建设高层次人才队伍。第一，制定高层次人才引进制度，确保人才通道畅通无阻。第二，完善人才评价机制，并且健全激励机制。第三，创新培养模式。可通过产学研结合，共同培养高层次人才。

2.构建合理高效的组织架构

组织是政府运转的保障。合理的组织架构不仅可以减少政府运转成本，而且能够提升其工作效率。因此，根据地区特点实际情况，设计合理的组织架构会有事半功倍的成效。设计组织架构时需综合考虑部门特性和职位特点，最大限度地发挥在职人员的才能。政府部门与部门之间需要加强沟通，建立数据共享机制和平台，尽可能收集高质量数据。

（三）完善基础设施，提升大数据处理水平

基础设施和大数据处理水平都在依赖簇的范围内，对其他因素的依赖程度较强，需要通过强化影响这些因素的其他因素来控制。基础设施是影响政府大数据治理的间接因素，在整个作用机制中起到中介作用。具体来看，可从以下几方面入手完善基础设施。第一，构建高效的数据中心，提升数据存储与运算能力。第二，加强网络基础设施建设，保障大数据实时传输与交换。第三，健全数据安全体系，加强数据安全与隐私保护。

参考文献：

[1 ]胡海波.理解整体性政府数据治理：政府与社会的互动 [J ].情报杂志，2021（3）.

[2 gE0ekRgHfemBQymLCX8LSQ==]莫富传，娄策群，冯翠翠，等.基于DIKW体系的政府数据利用路径研究 [J ].情报科学，2021（3）.

[3 ]吴善鹏，李萍，张志飞.政务大数据环境下的数据治理框架设计 [J ].电子政务，2019（2）.

[4 ]孙卓名.地方政府数据治理的困境及出路 [J ].人民论坛，2020（15）.

[5 ]夏义堃.政府数据治理的维度解析与路径优化 [J ].电子政务，2020（7）.

[6 ]秦国民，任田婧格.智能化时代政府数据治理与制度执行力的提升 [J ].郑州大学学报（哲学社会科学版），2020（6）.

[7 ]安小米，宋懿，郭明军，等.政府大数据治理规则体系构建研究构想 [J ].图书情报工作，2018（9）.

[8 ]郑大庆，黄丽华，张成洪，等.大数据治理的概念及其参考架构 [J ].研究与发展管理，2017（4）.

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

[10 ]黄璜.对“数据流动”的治理：论政府数据治理的理论嬗变与框架 [J ].南京社会科学，2018（2）.

[11 ]周林兴，林腾虹.基于文件连续体理论的政务数据治理体系优化研究 [J ].电子政务，2021（4）.

[12 ]安小米，郭明军，洪学海，等.政府大数据治理体系的框架及其实现的有效路径 [J ].大数据，2019（3）.

[13 ]翟云.中国大数据治理模式创新及其发展路径研究 [J ].电子政务，2018（8）.

[14 ]郑跃平，甘祺璇，张采薇，等.地方政府数据治理的现状与问题：基于43个政务热线部门的实证研究 [J ].电子政务，2020（7）.

[15 ]黄璜，孙学智.中国地方政府数据治理机构的初步研究：现状与模式 [J ].中国行政管理，2018（12）.

[16 ]曹惠民，邓婷婷.政府数据治理风险及其消解机制研究 [J ].电子政务，2021（1）.

[17 ]范灵俊，洪学海，黄晁，等.政府大数据治理的挑战及对策 [J ].大数据，2016（3）.

[18 ]刘银喜，赵淼，赵子昕.政府数据治理能力影响因素分析 [J ].电子政务（10）.

[19 ]尧淦，夏志杰.政府大数据治理体系下的实践研究：基于上海、北京、深圳的比较分析 [J ].情报资料工作，2020（1）.

[20 ]谭必勇，陈艳.加拿大联邦政府数据治理框架分析及其对我国的启示 [J ].电子政务，2019（1）.

[21 ]张宇杰，安小米，张国庆.政府大数据治理的成熟度评测指标体系构建 [J ].情报资料工作，2018（1）.

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

[23 ]马亮.大数据治理：地方政府准备好了吗？ [J ].电子政务，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 ]刘伟强，徐立云.基于解释结构模型和复杂网络的制造系统关键脆性因子辨识 [J ].计算机集成制造系统，2021（11）.

[26 ]章文杰，解武杰.ISM模型在风险结构分析中的应用 [J ].商业研究，2002（3）.

[27 ]冯叶，陈盛伟，宋长青.农业企业采纳大数据技术影响因素研究：基于ISM模型的实证分析 [J ].技术经济，2020（7）.

[28 ]苏霞.基于ISM模型的农产品云物流制约因素与转型升级 [J ].商业经济研究，2020（13）.

[29 ]张静，王欢.基于ISM的在线教育平台学习者持续学习行为的影响因素研究 [J ].中国电化教育，2018（10）.

[30 ]朱蕾，陈静怡，袁竞峰.基于ISM的装配式建筑供应链韧性关键影响因素研究 [J ].土木工程与管理学报，2020（5）.

[31 ]王玉龙，王佃利.需求识别、数据治理与精准供给：基本公共服务供给侧改革之道 [J ].学术论坛，2018（2）.

基金项目：江西省学位与研究生教育教学改革研究项目（JXYJG-2019-073）；江西省教育科学“十四五”规划项目 （21YB030）；江西省教育厅高校人文社会科学项目 （GL1554）

作者简介：罗康明（1996—），男，江西赣州人，江西生物科技职业学院助教，硕士；周利平（1975—），男，江西抚州人，江西农业大学人文与公共管理学院教授，博士，主要从事政府治理、公共政策研究；苏红（1979—），女，山东德州人，华东交通大学马克思主义学院讲师，硕士。