数字政府建设要补上“+互联网”这一环

日前,国务院印发《关于加强数字政府建设的指导意见》,就主动顺应经济社会数字化转型趋势,充分释放数字化发展红利,全面开创数字政府建设新局面作出部署。

从1999年的“政府上网工程”到2022年的数字政府建设,过去二十多年我国政府数字化转型在不同阶段呈现出不同的发展重点。2015年3月,《政府工作报告》首次提出“互联网+”行动计划。2016年9月,国务院印发《关于加快推进“互联网+政务服务”工作的指导意见》,对加快推进“互联网+政务服务”工作作出总体部署。全国自上而下建成了全国一体化政务服务平台体系,“最多跑一次”“不见面审批”“一网通办”等服务创新模式不断涌现,“互联网+”模式逐步成为政务服务标配。

“十四五”时期,随着数字技术支撑的新产品、新服务、新业态、新商业模式成为经济增长的主要贡献力量,我们也应该注意到,在当前的社会经济发展中,还存在另一种发展模式——“+互联网”模式,应在政府数字化转型中得到重视并充分应用。

“互联网+”和“+互联网”两种模式的差异

关于“互联网+”的内涵,在2015年7月印发的《国务院关于积极推进“互联网+”行动的指导意见》中有权威界定,即认为“互联网+”是把互联网的创新成果与经济社会各领域深度融合,推动技术进步、效率提升和组织变革,提升实体经济创新力和生产力,形成更广泛的以互联网为基础设施和创新要素的经济社会发展新形态。“互联网+”带来的新商业模式和业态,将激发着社会和市场的潜力、活力,逐步成为中国经济提质增效升级的“新引擎”。

而“+互联网”的概念,一度被认为是落后的模式,主要是指传统行业以既有业务为基础,利用互联网技术,把线下业务搬到线上,提高为用户服务的效率和质量。

“互联网+”与“+互联网”模式的主要区别,一是“互联网+”侧重于从线上到线下的过程,而“+互联网”则侧重于从线下到线上的过程;二是前者以互联网为基础,后者以互联网为工具;三是“互联网+”具有新技术优势、平台优势和扁平化的体制机制优势,有更广泛的社会支持,容易产生爆发性增长,而“+互联网”拥有存量优势、行业标准优势和公信力优势。

从“数字产业化、产业数字化”的提法延伸来看,两者不应该厚此薄彼。德国的“工业4.0战略”、美国的“工业互联网”模式,以及国内华为、苏宁电器、泰山啤酒在近些年的转型发展模式,都可以大致认为是“+互联网”模式在具体领域的应用范例。无论是“互联网+”还是“+互联网”,两者都需要有对互联网思维的深刻理解和运用。

数字政府建设模式的选择

对于数字政府建设而言,政府部门显然属于“传统行业”,不宜只集中在“互联网+”,而应当同时推进“+互联网”,甚至应该给予“+互联网”模式更大的重视力度,积极打破传统信息壁垒,实现数据的互联互通、开放利用,以及业务流程、组织架构的革命性再造。

首先,数字政府建设,就是推进政府的数字化转型,是将数字技术广泛应用于政府管理服务,推动政府治理流程优化和模式创新。“+互联网”更易于理解,顺理成章。

其次,当前可利用、可开发、有价值的数据80%在政府手中,基于“互联网+”模式的、可为政府所用的数据源较少。政府部门“+互联网”有助于更大程度地发挥数据聚合价值和倍增效应。做好“+互联网”,更有助于加快推进信息化,让业务流程发出声音、留下痕迹,为数字化重构提供源头数据。

从传统企业数字化转型路径来看,数据来源主要有两条途径:一是积极整合行业企业内部的各种数据源,通过对整合后的数据进行挖掘分析,从而开展大数据应用;二是积极借助外部数据(主要是互联网数据)来实现相关应用。但是,现有的数据源中,仍然以机构内部数据为主(比例普遍超过50%,多数行业超过80%),原因主要是数据的开放和交易尚未形成市场主流形态,数据交易机制不健全。企业在开放交易数据方面仍然持谨慎态度,严重限制了大数据的聚合发展。

政府也面临同样的问题。而着重支持“+互联网”模式,更有利于数据溯源,辅助甄别数据类型,保护用户数据所有权。因为“+互联网”模式从线下到线上的典型特征,可以很好地满足数据溯源需求,通过数据来源对不同类型的数据进行有针对性的清洗和校正,提升数据挖掘与建模时的科学性,并使得数据的所有权得到维护,进一步促进数据的开放与共享,形成良性循环。

第三,沉睡在政府部门的数据需要通过应用来进行治理,提升数据质量。“+互联网”模式有助于在“互联网+”模式的基础上,从多种角度评估政府数据质量。对政府数据质量进行科学评估,既关系到国家宏观调控的有效性,也关系到各类市场经济主体的切身利益,更对政府部门的公信力具有重要影响。

特别是对大数据应用而言,数据量通常需要超过一定规模。“+互联网”模式鼓励更多的数据生产主体,包括政府部门、研究机构、企业、个人等主体,从多种角度公开数据源,为开展业务应用提供更多样化、更详细的数据支撑。

当然,“互联网+政务服务”已经推行六年,上述观点可能只是针对“互联网+”和“+互联网”两种模式玩一玩文字游戏,两者的差异其实并不重要。重要的是如何促进线上线下不同类型数据之间的有效聚合,消除数据信息壁垒,从而发挥大数据本身的巨大价值,推动政府数字化、智能化运行,为服务型政府建设提供更强有力的支撑。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值