我國開放政府數(shù)據(jù)“臟數(shù)據(jù)”問題研究及應對*
——地方政府數(shù)據(jù)平臺數(shù)據(jù)質量調查與分析

翟 軍 李曉彤 苗珍珍 李劍鋒

（大連海事大學航運經(jīng)濟與管理學院 遼寧大連 116026）

“開放政府數(shù)據(jù)”（Open Government Data, OGD）運動能夠釋放數(shù)據(jù)價值，產(chǎn)生積極的社會和經(jīng)濟效益，在世界范圍得到了快速發(fā)展。2013年10月，麥肯錫研究院的報告預測[1]，在教育、交通、能源及醫(yī)療等七個領域，開放數(shù)據(jù)每年將為全球釋放約3萬億至5萬億美元的潛在經(jīng)濟價值；報告同時指出，在一些領域（如交通）使用開放數(shù)據(jù)的最大障礙之一是“數(shù)據(jù)質量”。經(jīng)合組織（OECD）認為，為確保OGD創(chuàng)造價值，政府面臨的最重要任務是[2]：①識別高價值的數(shù)據(jù)；②保障數(shù)據(jù)質量；③培育需求及促進數(shù)據(jù)使用?！伴_放政府合作組織”（Open Government Partnership，OGP）對各成員國2012—2015年行動計劃的評估發(fā)現(xiàn)，低價值和低質量數(shù)據(jù)引發(fā)了數(shù)據(jù)供給與需求之間的“鴻溝”[3]。

提高數(shù)據(jù)質量，避免因劣質數(shù)據(jù)而帶來的消極影響，始終是數(shù)據(jù)管理領域最嚴峻的挑戰(zhàn)之一[4]。據(jù)估算，美國每年因劣質數(shù)據(jù)造成的損失高達6千億美元[5-6],包括數(shù)據(jù)錯誤引起的醫(yī)療事故及電信設備故障排除引發(fā)的延誤等，零售業(yè)標價錯誤造成的損失及公司缺陷數(shù)據(jù)引起的財政損失等。OGD領域的數(shù)據(jù)質量問題也日益凸顯，澳大利亞昆士蘭大學S.Sadiq等的研究發(fā)現(xiàn)，美國數(shù)據(jù)門戶Data.Gov上的槍支犯罪者數(shù)據(jù)集曾存在數(shù)據(jù)不完整、不一致和記錄重復等問題[7]。巴西學者M.I.S.Oliveira等對巴西13個數(shù)據(jù)門戶的分析發(fā)現(xiàn)，CSV數(shù)據(jù)文件中有記錄重復、字段定義不一致等問題[8]。英國開放知識國際（Open Knowledge International）的網(wǎng)站開辟專欄Okfnlabs.org/bad-data/展示了“壞數(shù)據(jù)”（Bad Data）的實例[9]。

在我國，“政府數(shù)據(jù)資源共享開放工程”位列國務院《促進大數(shù)據(jù)發(fā)展行動綱要》規(guī)劃的十大數(shù)據(jù)工程之首[10]。從2012年開始，已有20多個地方政府建設和發(fā)布了數(shù)據(jù)開放網(wǎng)站（或欄目），隨著數(shù)據(jù)量的增加，數(shù)據(jù)質量也日益得到關注[10-11]。目前，數(shù)據(jù)質量管理面臨的問題和挑戰(zhàn)主要有錯誤發(fā)現(xiàn)、錯誤修復和近似查詢處理等[6]。在此背景下，我國開放政府數(shù)據(jù)是否存在“臟數(shù)據(jù)”，有哪些主要的質量問題及如何應對，就成為本文要回答的問題。

1 臟數(shù)據(jù)的分類

數(shù)據(jù)質量（Data Quality）是“數(shù)據(jù)滿足任務需求的程度”，數(shù)據(jù)質量問題指“給使用這些數(shù)據(jù)的應用帶來潛在影響的一系列數(shù)據(jù)表現(xiàn)”[12]，那些不符合要求或標準規(guī)范的質量差的數(shù)據(jù)常常被稱為“臟數(shù)據(jù)”（Dirty Data）或“壞數(shù)據(jù)”（Bad Data）[13]。

“臟數(shù)據(jù)”的分類可以幫助人們更好地理解和發(fā)現(xiàn)數(shù)據(jù)質量問題，相關學者從不同視角研究取得了一系列成果。Rahm等[14-15]分別從模式層和實例層分析了單源/多源數(shù)據(jù)常見的9類質量問題，如糟糕的模式設計，冗余、互相矛盾或者不一致的數(shù)據(jù)，拼寫錯誤和命名沖突等。Kim等[16]提出如圖1所示的33 種“臟數(shù)據(jù)”的分類系統(tǒng)，分為缺失的數(shù)據(jù)和沒有缺失的數(shù)據(jù)兩大類，沒有缺失的數(shù)據(jù)又分為了錯誤的數(shù)據(jù)和沒有錯誤的數(shù)據(jù)。Oliveria等[17]將21個質量問題劃分為四個粒度級別（Granularity Level）：單元/列/行、單表、多表和多源。Li等[18]利用規(guī)則將38類企業(yè)臟數(shù)據(jù)分為五個維度：準確性、完整性、時效性、一致性和唯一性。Gschwandtner等[19]分析的對象是“面向時間的數(shù)據(jù)”，將臟數(shù)據(jù)分為單源和多源兩大類。Almeida等[20]基于數(shù)據(jù)倉庫的多維數(shù)據(jù)模型，將30個質量問題歸為五組：單值、多值、元組、列和整個關系表。

圖1 Kim等提出的“臟數(shù)據(jù)”分類系統(tǒng)

這些研究主要面向傳統(tǒng)的數(shù)據(jù)管理領域，如數(shù)據(jù)倉庫、企業(yè)信息系統(tǒng)等。Laranjeiro等[21]則面向大數(shù)據(jù)，通過文獻分析將24個質量問題映射到五個質量維度：可訪問性、準確性、完整性、時效性和一致性。在伴隨大數(shù)據(jù)而興起的“數(shù)據(jù)新聞”（Data Journalism）領域，美國數(shù)字媒體網(wǎng)站Quartz于2015年整理出“壞數(shù)據(jù)手冊”（Bad Data Guide），將45個質量問題分成四個方面：數(shù)據(jù)源問題、人為問題、專家可以解決的問題和開發(fā)者可以解決的問題[13]。

表1 我國OGD領域臟數(shù)據(jù)的分類

在上述工作的基礎上，面向我國開放政府數(shù)據(jù)的實踐，在深入調查和分析基礎上，本文歸納出OGD領域29類“臟數(shù)據(jù)”，見表1。該表分為“模式層”（7類）和“實例層”（22類）兩個層次，前者指數(shù)據(jù)的模式定義，含完整性、一致性和準確性三個維度；后者指開放的數(shù)據(jù)本身，含正確性、規(guī)范性、開放性等八個維度。維度的選擇基于數(shù)據(jù)質量的核心維度[22]和開放數(shù)據(jù)原則，包括數(shù)據(jù)應是完整的、原始的、及時的、可獲取的、機器可讀的和開放許可等[23-24]。不同于傳統(tǒng)領域，“開放性”和“安全或隱私”是兩個新的維度，相應地有7類“臟數(shù)據(jù)”是開放數(shù)據(jù)所獨有的，它們在表1中通過星號（*）標記。表1中的臟數(shù)據(jù)實例全部來自各地的實際開放數(shù)據(jù)。

海外華校信息數(shù)據(jù)文件的“聯(lián)系電話”沒有值（廣州）D 1 8：沒有必要D 1 7：數(shù)據(jù)值缺失數(shù)據(jù)單元的數(shù)據(jù)項 列 貴陽市農(nóng)產(chǎn)品價格監(jiān)測缺失時間信息D 1 9：數(shù)據(jù)陳舊或過時數(shù)據(jù)集北京機場班車線路數(shù)據(jù)是2 0 1 2年7月1 9日更新的；市供水企業(yè)管網(wǎng)水質信息更新到2 0 1 7年5月（佛山）D 2 0：數(shù)據(jù)重復記錄、列與數(shù)據(jù)集貴陽市市紀委派駐機構名單一覽表數(shù)據(jù)行重復出現(xiàn)兩次；區(qū)衛(wèi)生計生行政部門數(shù)據(jù)“主鍵”與“序號”兩列值重復（深圳）D 2 1：兩列或多列數(shù)據(jù)在一列中數(shù)值與單位在一起：2 5 k g/袋、0.5噸（貴陽）；姓名與性別在一起：任玲（女）（哈爾濱）D 2 2：列值不統(tǒng)一、不規(guī)范數(shù)據(jù)單元、列“民族”的值為：“漢”“漢族”（哈爾濱）D 2 3：數(shù)據(jù)沒有單位列（字段）數(shù)據(jù)單元 礦區(qū)面積：2.6 3（北京）D 2 4：列的名字含義不清列（字段）上海內河視頻點數(shù)據(jù)的列名：X、Y D 2 5：文件格式不符合開放標準（*）數(shù)據(jù)文件數(shù)據(jù)在E x c e l表（微軟專有格式）中，如北京、上海和浙江的很多數(shù)據(jù)；使用老版本的E x c e l（哈爾濱）D 2 6：文件格式不是機器可讀的（*）數(shù)據(jù)文件數(shù)據(jù)在P D F（或W o r d）文檔中，如浙江省級綜合類安全生產(chǎn)專家名單；深圳市公共交通數(shù)據(jù)；貴州省內異地就醫(yī)定點機構名錄；新疆的數(shù)據(jù)D 2 7：數(shù)據(jù)不能被下載（開放獲?。?）數(shù)據(jù)文件測繪項目登記數(shù)據(jù)沒有可下載的文件（青島）；浙江省通信行業(yè)統(tǒng)計數(shù)據(jù)只在網(wǎng)頁上；新疆的數(shù)據(jù)D 2 8：數(shù)據(jù)被人工編輯過，不是原始數(shù)據(jù)（*）記錄浙江上半年全省商品房銷售面積增長2 0.9%的數(shù)據(jù)集為新聞稿（P D F）；市對外經(jīng)濟合作業(yè)務統(tǒng)計報表只有“總值”，沒有每個項目的詳細信息（佛山）；新疆的很多數(shù)據(jù)D 2 9：國家安全數(shù)據(jù)或企業(yè)、個人敏感數(shù)據(jù)泄露（*）數(shù)據(jù)集、列、數(shù)據(jù)單元公證員姓名、性別、身份證號碼和執(zhí)業(yè)證號等（浙江）；低收入住房困難家庭配租搖號結果同時含有個人姓名與住址信息（哈爾濱）；運動員的身份證號碼（貴州）完整性時效性（及時性）唯一性（同一性）規(guī)范性實例層開放性（*）安全或隱私（*）

2 調查內容與方法

為盡可能全面地發(fā)現(xiàn)各種質量問題，筆者在選取政府開放數(shù)據(jù)網(wǎng)站/平臺時，綜合考察數(shù)據(jù)集的個數(shù)、是否有模式定義及是否提供了多種格式的文件。選取的13個網(wǎng)站見表2，數(shù)據(jù)集的個數(shù)等指標在不斷變化，表中的數(shù)據(jù)取自2017年9—12月。調查的對象是各網(wǎng)站數(shù)據(jù)目錄中的數(shù)據(jù)集，不包括接口（API）和應用等其他開放資源。

表2 調查對象——地方政府開放數(shù)據(jù)網(wǎng)站/平臺

2.1 數(shù)據(jù)集及數(shù)據(jù)文件

對開放數(shù)據(jù)本身的調查是本文的重點和核心。研究通過下載數(shù)據(jù)集的數(shù)據(jù)文件，考察和分析文件中的數(shù)據(jù)，依據(jù)臟數(shù)據(jù)的基本特征（見表1），有可能發(fā)現(xiàn)實例層的16類質量問題，即正確性（D8—D12）、一致性（D13—D15）、完整性（D17—D18）、唯一性（D20）、規(guī)范性（D21—D24）與安全或隱私（D29）等維度下的“臟數(shù)據(jù)”。

例如，“哈爾濱市建設項目選址意見書信息”數(shù)據(jù)集的Excel文件中含有846條記錄，每條記錄8個字段。圖2抽取了10條記錄，展示了其中存在的五類“臟數(shù)據(jù)”：“建設項目名稱”“建設位置”“占地面積”和“建設規(guī)?！彼牧写嬖凇皵?shù)據(jù)值缺失”（D17）現(xiàn)象，“占地面積”和“建設規(guī)?！眱闪小皵?shù)據(jù)沒有單位”（D23）與部分單元是“不合理值（0）”（D10），“建設位置”列的值出現(xiàn)“數(shù)據(jù)籠統(tǒng)（不詳細）”（D8）現(xiàn)象，“出證日期”列的取值“格式不規(guī)范”（D22）。此外，文件中還存在“未知值表達不一致”（D14）問題：NULL與******都在表示“無數(shù)據(jù)或未知值”。

圖2 “臟數(shù)據(jù)”示例（淺色的數(shù)據(jù)單元和列存在質量問題）

對開放性維度下的質量問題D25和D26，則要依據(jù)文件格式來判別。在我國各地采用的文件格式（見表2）中，XLS（即Excel）與Word是微軟公司專有格式，不符合開放標準，PDF、Word與HTML不是機器可讀的。在開放數(shù)據(jù)網(wǎng)站中，當一個數(shù)據(jù)資源有多個文件時，只要一個文件符合開放標準或是機器可讀的，我們則認定不存在質量問題D25或D26。當沒有數(shù)據(jù)文件可供下載、文件不能下載或數(shù)據(jù)只在網(wǎng)頁（HTML）上，我們則認為存在問題D27（不能開放獲取），但提供了API接口的除外。當數(shù)據(jù)存在于PDF、Word文檔或網(wǎng)頁的新聞稿、政府文件或統(tǒng)計報告中，不是原始數(shù)據(jù)的可能性就比較大（D28），這方面問題突出的是新疆的開放數(shù)據(jù)（詳見表1“實例”一列）。

2.2 數(shù)據(jù)模式定義

圖2中“出證日期”列的取值“格式不規(guī)范”問題與數(shù)據(jù)模式的定義有關。根據(jù)國家標準《數(shù)據(jù)元和交換格式 信息交換 日期和時間表示法》（GB/T 7408-2005），日期的格式應為：YYYYMMDD（如20090320），開放數(shù)據(jù)實際中以YYYY-MM-DD、YYYY.MM.DD或YYYY/MM/DD等格式居多。因此，與普通的“文本類型”區(qū)分開，日期類數(shù)據(jù)應定義為“日期類型”。

圖3 模式定義中的質量問題

對數(shù)據(jù)模式定義的調查是本文的另一個重點。圖2展示了“哈爾濱市建設項目選址意見書信息”數(shù)據(jù)集的模式定義，其中存在三類質量問題：類型定義錯誤（D5）、命名不準確（D6）和未定義數(shù)據(jù)單位（D7）。

一個開放數(shù)據(jù)網(wǎng)站是數(shù)百個乃至數(shù)千個數(shù)據(jù)集的集合，模式定義的一致性尤為重要。例如，一個網(wǎng)站在字段的命名規(guī)則上應保持一致，但調查發(fā)現(xiàn)在哈爾濱、北京等地存在著“名稱”與“企業(yè)名稱”、“地址”與“企業(yè)通訊地址”在不同的數(shù)據(jù)集中混用的現(xiàn)象（D3）。

一個數(shù)據(jù)集中的數(shù)據(jù)資源的不同格式文件也應在模式上保持一致，但在哈爾濱和廣州等的開放數(shù)據(jù)中普遍存在XLS與XML模式不一致問題（D4）。圖4對比了“哈爾濱市考試中心基本信息”數(shù)據(jù)集的兩種格式數(shù)據(jù)，XLS數(shù)據(jù)的“標題”為中文名稱（如“地址”），而XML數(shù)據(jù)的“元素名稱”則為漢語拼音縮寫（如DZ，應為“地址”），造成用戶難以理解與使用這些XML數(shù)據(jù)。

圖4 兩種格式數(shù)據(jù)的模式不一致

2.3 多種格式數(shù)據(jù)的一致性

同一數(shù)據(jù)資源不同格式的文件，不僅數(shù)據(jù)模式應一致，其中的數(shù)據(jù)更應保持一致。但調查發(fā)現(xiàn)，上海、廣州和哈爾濱等地存在著“同一數(shù)據(jù)集的不同格式文件的數(shù)據(jù)不一致”問題（D16）。

圖5 兩種格式數(shù)據(jù)不一致

例如，上?！皵z像頭設置地點”的XLS文件中的第9條數(shù)據(jù)為“金沙江路/真光路” ，但CSV文件的相應數(shù)據(jù)卻是“?金沙江路/真光路”。廣州“黃埔區(qū)信用信息雙公示行政處罰”的XLS數(shù)據(jù)共有14列，但相應的CSV數(shù)據(jù)的一些行卻出現(xiàn)了第15或16列，見圖5。哈爾濱的一些數(shù)據(jù)集也有類似情況，即CSV中數(shù)據(jù)串列了。

W3C Web數(shù)據(jù)最佳實踐（DWBP）工作組將“以多種格式提供數(shù)據(jù)”（Provide data in multiple formats）列為35個“最佳實踐”（Best Practice, BP）之一（BP14）[25]，它可以節(jié)省用戶在數(shù)據(jù)轉換上的時間和成本。理想狀態(tài)下，各種格式的數(shù)據(jù)應是完全等價的，用戶只要任意選擇其一即可使用。如果不同格式數(shù)據(jù)的質量不同，反而會給用戶帶來選擇數(shù)據(jù)的成本和代價。鑒于D4和D16兩類質量問題的隱蔽性強、難以發(fā)現(xiàn)，我們認為它們是開放數(shù)據(jù)質量管理的新情況和新挑戰(zhàn)，應引起各級政府數(shù)據(jù)管理者的重視。

2.4 通過元數(shù)據(jù)判別時效性

2016年9月19日，國務院印發(fā)《政務信息資源共享管理暫行辦法》第十三條規(guī)定：按照“誰主管，誰提供，誰負責”的原則，提供部門應及時維護和更新信息，保障數(shù)據(jù)的完整性、準確性、時效性和可用性，確保所提供的共享信息與本部門所掌握信息的一致性[26]。

為判別一個數(shù)據(jù)集的時效性，即數(shù)據(jù)是否陳舊或過時（D19），需要依照元數(shù)據(jù)“最后更新時間”和“更新頻率”的值。以貴州“全省戶籍人口統(tǒng)計數(shù)據(jù)”為例，它的“最后更新時間”和“更新頻率”分別為“2016-10-17”和“年”，同時數(shù)據(jù)文件中給出的是2010—2014年的數(shù)據(jù)，則可判定該數(shù)據(jù)集沒有及時更新。在貴州省的網(wǎng)站中共有130個數(shù)據(jù)集在2017年沒有更新，占比27.6%，而其他數(shù)據(jù)集則得到了及時更新，占比72.4%。

廣州、深圳和佛山等地的數(shù)據(jù)文件中增加了“更新日期”字段，方便了用戶判別其時效性。而北京和上海等地沒有“更新頻率”或“最后更新時間”的元數(shù)據(jù)，造成很多數(shù)據(jù)集的時效性無法判別。

2.5 參照外部權威數(shù)據(jù)源

當網(wǎng)站內的信息不足以判別數(shù)據(jù)質量狀況時，就需要參照外部權威數(shù)據(jù)源。例如，北京的“高校”數(shù)據(jù)集是2012年10月29日發(fā)布的，能否反映當前實際情況呢？對比教育部的最新數(shù)據(jù)（截至2017年5月31日）[27]，里面沒有“中國科學院大學”，因此認定該數(shù)據(jù)集是過時的。2012年7月19日發(fā)布的“機場班車線路”只有9條線路，而首都國際機場網(wǎng)站上公布的線路已達18條，表明該數(shù)據(jù)不僅過時、而且不準確。政府開放數(shù)據(jù)應是權威的數(shù)據(jù)源，但要達到這一目標還需要在質量管理等方面加強工作。

2.6 隱私泄露問題

隨著開放數(shù)據(jù)的深入，隱私保護和安全問題日益得到關注[28]。實踐上，深圳《政府數(shù)據(jù)開放平臺用戶服務條款》、貴陽《數(shù)據(jù)開放授權協(xié)議》和《數(shù)據(jù)東莞網(wǎng)使用協(xié)議》等均含有“隱私保護聲明”，承諾網(wǎng)站不主動將用戶個人信息泄露給任何第三方。2017年5月1日起施行的我國首部政府數(shù)據(jù)共享開放條例——《貴陽市政府數(shù)據(jù)共享開放條例》規(guī)定[29]：涉及國家秘密的、商業(yè)秘密的、個人隱私的和法律法規(guī)規(guī)定不得開放的其他政府數(shù)據(jù)不能向社會開放。

2017年6月1日起施行的《中華人民共和國網(wǎng)絡安全法》第四十二條規(guī)定[30]：網(wǎng)絡運營者不得泄露、篡改、毀損其收集的個人信息；未經(jīng)被收集者同意，不得向他人提供個人信息。同時將“個人信息”定義為：以電子或者其他方式記錄的能夠單獨或者與其他信息結合識別自然人個人身份的各種信息，包括但不限于自然人的姓名、出生日期、身份證件號碼、個人生物識別信息、住址、電話號碼等。美國列入個人信息保護范圍的數(shù)據(jù)包括名字、身份證號碼、郵件地址、IP 地址、電話號碼等[31]。歐盟個人數(shù)據(jù)保護法指出，身份證號碼、定位數(shù)據(jù)、網(wǎng)絡標識符、基因、經(jīng)濟、文化、社會身份等隱私受法律保護[32]。

筆者在調查過程中，重點考察數(shù)據(jù)中是否含有“自然人的姓名”“電話”“住址”和“身份證號碼”等敏感信息，發(fā)現(xiàn)浙江、貴州和哈爾濱等地的個別開放數(shù)據(jù)存在隱私泄露問題（D29）或風險，見圖6（只給出數(shù)據(jù)文件的標題行，隱去了數(shù)據(jù)）。

圖6 個人敏感數(shù)據(jù)示例

相對照的是，貴陽對“導游人員名單”等、東莞對“公證員信息”等進行了脫敏處理，見圖7。

圖7 經(jīng)脫敏處理的個人信息示例

表1中D29類臟數(shù)據(jù)也包括“泄露的商業(yè)秘密”，這方面已有學者做了專門研究[33]。

3 結果分析

本節(jié)以“開放數(shù)據(jù)網(wǎng)站/平臺”為單位，對數(shù)據(jù)質量問題進行整體分析。

3.1 各平臺數(shù)據(jù)模式對比

表2中的13個開放數(shù)據(jù)平臺中有8個給出了模式定義，其中廣東和東莞沒有“類型定義”（質量差），其余6家的對比見表3。普遍存在的問題是字段的英文命名不規(guī)范、數(shù)據(jù)類型單一和數(shù)值型數(shù)據(jù)無單位，規(guī)范的做法是統(tǒng)一采用英文單詞命名、區(qū)分各種數(shù)據(jù)類型（文本、枚舉、布爾型、數(shù)值與日期等）及將“單位”單獨定義為一列等。

表3 各平臺數(shù)據(jù)模式的對比

數(shù)據(jù)模式定義的缺陷或缺失是實例層在“一致性”和“規(guī)范性”等維度的質量問題的根源，因此“數(shù)據(jù)模式質量”在整個開放數(shù)據(jù)質量管理中處于基礎性位置，應優(yōu)先得到提升和保障。

3.2 北京的數(shù)據(jù)質量問題

圖8 北京市存在的主要臟數(shù)據(jù)類型（前10名）

在調查的北京市726個開放數(shù)據(jù)集中，出現(xiàn)次數(shù)最多的質量問題是“數(shù)據(jù)值缺失”（D17），共有311個數(shù)據(jù)集存在不同程度的數(shù)據(jù)不完整現(xiàn)象。接下來是“數(shù)據(jù)過于籠統(tǒng)”（D8）、“不合理值或錯誤值”（D10）、“未知值表達不一致”（D14）及“一列的數(shù)據(jù)格式不一致”（D15）等，見圖8。調查共發(fā)現(xiàn)631個質量問題，按照正確性、完整性、規(guī)范性和開放性等八個維度統(tǒng)計占比，結果見圖9。其中，完整性問題的比例最高，達49%；其次是正確性問題，占18%。

圖9 北京市各維度質量問題占比

3.3 上海的數(shù)據(jù)質量問題

圖10 上海市存在的主要臟數(shù)據(jù)類型（前10名）

上海市的用戶評價機制從準確性、及時性、滿意性和可用性等方面對數(shù)據(jù)集打分，得分一星到五星的數(shù)據(jù)集共324個。調查結果見圖10，出現(xiàn)的質量問題依次是“數(shù)據(jù)值缺失”（D17）、“不合理值或錯誤值”（D10）、“數(shù)據(jù)陳舊或過時”（D19）、“一列的數(shù)據(jù)格式不一致”（D15）及“數(shù)據(jù)過于籠統(tǒng)”（D8）等。發(fā)現(xiàn)的324個質量問題在八個維度上的分布情況見圖11，排在前兩位的同樣是完整性問題（30%）和正確性問題（20%）。

圖11 上海市各維度質量問題的占比

3.4 哈爾濱的數(shù)據(jù)質量問題

哈爾濱市的數(shù)據(jù)開放專欄于2016年底上線，據(jù)媒體報道，其整體水平處于全國前列。通過對672個數(shù)據(jù)集的調查，較多的質量問題是“數(shù)據(jù)值缺失”（D17）、“數(shù)據(jù)過于籠統(tǒng)”（D8）、“不合理值或錯誤值”（D10）、“同一數(shù)據(jù)集的不同格式文件的數(shù)據(jù)不一致”（D16）及“一列的數(shù)據(jù)格式不一致”（D15）等，見圖12。發(fā)現(xiàn)的760個質量問題在八個維度上的分布情況見圖13，其中正確性問題突出，占32%，其次是完整性問題，占30%。

圖12 哈爾濱市存在的主要臟數(shù)據(jù)類型（前10名）

圖13 哈爾濱市各維度質量問題的占比

3.5 三地對比

從全部被調查數(shù)據(jù)集的五個方面：無問題的數(shù)據(jù)集個數(shù)占比、有一個問題的數(shù)據(jù)集個數(shù)占比、有兩個問題的數(shù)據(jù)集個數(shù)占比、有兩個以上問題的數(shù)據(jù)集個數(shù)占比及平均一個數(shù)據(jù)集的問題個數(shù)（問題個數(shù)/數(shù)據(jù)集個數(shù)），對三地進行對比，結果見表4和圖14?？梢?，總體上北京和上海的數(shù)據(jù)集質量狀況相當，要好于哈爾濱。

圖14 三地各類數(shù)據(jù)集占比的對比圖

進一步，從表1選出嚴重影響用戶可用性的兩組六類質量問題：“正確性”下的D10（不合理值或錯誤值）、D11（列與列的值的位置相互串位）和D12（出現(xiàn)亂碼），“開放性”下的D26（文件格式不是機器可讀的）、D27（數(shù)據(jù)不能被下載）和D28（不是原始數(shù)據(jù)），對比三地至少有一個質量問題的數(shù)據(jù)集個數(shù)的占比，見表5?？梢姡本┑摹安豢捎谩睌?shù)據(jù)集的占比要明顯少于上海和哈爾濱兩地。

表5 三地“不可用”數(shù)據(jù)集的占比

需要說明的是，由于方法（見第2節(jié)）的局限、技術手段的不足、數(shù)據(jù)過時及背景材料的缺乏等，筆者不可能發(fā)現(xiàn)所有的質量問題（特別是正確性問題），發(fā)現(xiàn)的質量問題其危害程度也會因用戶需求的不同而有差異。

4 對策建議

提升和保障數(shù)據(jù)質量是我國政府數(shù)據(jù)共享開放工程的核心工作之一。《“十三五”國家信息化規(guī)劃》在強化數(shù)據(jù)資源管理、推進數(shù)據(jù)開放部分指出，要加強“數(shù)據(jù)資源目錄管理、整合管理、質量管理、安全管理，提高數(shù)據(jù)準確性、可用性、可靠性”[34]。我國各級政府的開放數(shù)據(jù)政策文件對“數(shù)據(jù)質量”的規(guī)定包括數(shù)據(jù)校核、數(shù)據(jù)質量評估、數(shù)據(jù)生命周期的質量管理和數(shù)據(jù)弄虛作假行為處理等[35]。本文僅從借鑒各國先進經(jīng)驗的角度，提出以下可操作層面的對策建議。

4.1 發(fā)布之前的數(shù)據(jù)清洗

“數(shù)據(jù)清洗”（Data Cleaning）是為提高數(shù)據(jù)質量而對數(shù)據(jù)進行預處理的過程[36]。數(shù)據(jù)倉庫裝載數(shù)據(jù)之前要進行數(shù)據(jù)清洗[15]，在大數(shù)據(jù)的質量管理中，數(shù)據(jù)清洗也起到了關鍵作用[5]。在開放政府數(shù)據(jù)領域，澳大利亞等在數(shù)據(jù)發(fā)布周期中引入了“數(shù)據(jù)清洗”環(huán)節(jié)[37]，用以實現(xiàn)各字段（如日期、年齡和郵政編碼等）的格式統(tǒng)一、空值補齊及非文本信息移除等，見圖15。

圖15 數(shù)據(jù)清洗前后對比圖（澳大利亞）

各級政府通過合適的技術、工具、規(guī)范和工作流程，可以“清洗”表 1 中“正確性”（D9—D12）、“一致性”（D13—D15）、“完整性”（D17）、“唯一性”（D20）和“規(guī)范性”（D21—D24）等維度下的10余種“臟數(shù)據(jù)”，有效提升數(shù)據(jù)質量。數(shù)據(jù)管理部門將數(shù)據(jù)文件轉化為開放標準下的機器可讀格式（如CSV、XML和JSON等），可以提升數(shù)據(jù)的開放程度，解決D25和D26這兩個質量問題。

用來消除原始數(shù)據(jù)中敏感信息的數(shù)據(jù)脫敏技術，可以有效防范隱私泄露問題（D29）。2016年9月28日貴州省質監(jiān)局發(fā)布的《政府數(shù)據(jù) 數(shù)據(jù)脫敏工作指南》地方標準[38]，規(guī)范了數(shù)據(jù)脫敏的方法、過程、技術原則和管理原則。北京對敏感數(shù)據(jù)，如29家醫(yī)院的176萬個病例，經(jīng)脫敏處理后向特定用戶開放[39]。

4.2 采用標準規(guī)范

在數(shù)據(jù)清洗過程中，需要標準規(guī)范指導“數(shù)據(jù)格式統(tǒng)一”等操作。愛爾蘭“開放數(shù)據(jù)技術框架”采用了30余項標準[40]，部分見表6。

表6 愛爾蘭采用的部分標準規(guī)范

我國各地也應遵循國家標準GB/T 7408和GB/T 12406等來規(guī)范“日期/時間”和“幣值”等數(shù)據(jù)的取值格式和內容。

4.3 質量檢查

新西蘭政府機構在Data.govt.nz上開放數(shù)據(jù)前要進行質量檢查[41-42]，包括開放許可、數(shù)據(jù)格式、更新時間和是否刪除任何個人身份信息等。美國交通部對開放數(shù)據(jù)質量的評價共有兩個維度下的10個問題，滿分是35，見表7[42-43]。

表7 美國交通部開放數(shù)據(jù)質量檢查表

英國和歐盟還建議用戶在使用開放數(shù)據(jù)前進行“質量檢查”[44]：①數(shù)據(jù)是當前的嗎？②多久更新一次？③是否理解數(shù)據(jù)的字段和背景？④了解數(shù)據(jù)的準確程度嗎？⑤丟失的數(shù)據(jù)是如何處理的？等。

本文得出的“OGD領域臟數(shù)據(jù)分類”（表1）的成果，可以幫助政府部門設計“有的放矢”的數(shù)據(jù)質量檢查表。

4.4 提供完備的元數(shù)據(jù)

Sadiq S等[7]認為“開放數(shù)據(jù)質量”存在著三方面的挑戰(zhàn)，即“對數(shù)據(jù)質量維度的共同理解”“支持用戶的質量感知”及“加強數(shù)據(jù)質量與使用之間的聯(lián)結”。W3C“最佳實踐”建議“以機器可讀的元數(shù)據(jù)向用戶提供質量信息”（BP6）[25]。美國的開放數(shù)據(jù)元數(shù)據(jù)方案引進了元數(shù)據(jù)項“Data Quality”，取值為true或false，用于指出數(shù)據(jù)集是否符合某一質量準則[45]。

元數(shù)據(jù)可以幫助用戶判別數(shù)據(jù)的時效性，但需要足夠的元數(shù)據(jù)信息?？梢越梃b的例子是世界銀行開放數(shù)據(jù)網(wǎng)站（Data.worldbank.org）提供了四個與時間相關的元數(shù)據(jù)項：“Periodicity Annual”（周期性）、“Last Updated”（最后更新時間）、“Update Frequency”（更新頻率）和“Update Schedule”（更新計劃），足以讓用戶判斷數(shù)據(jù)是否是最新的。

5 結語

黨的十九大報告提出“推動互聯(lián)網(wǎng)、大數(shù)據(jù)、人工智能和實體經(jīng)濟深度融合”的戰(zhàn)略舉措，政府數(shù)據(jù)將迎來加快共享開放和深度應用的新時代。本文將視角深入到13個開放政府數(shù)據(jù)平臺的數(shù)據(jù)本身，細致探查其中存在的主要質量問題，歸納出模式層和實例層29類“臟數(shù)據(jù)”，對北京、上海和哈爾濱三地進行整體分析，統(tǒng)計出質量問題的分布情況。最后，結合各國的實踐經(jīng)驗，筆者建議依據(jù)標準規(guī)范、通過“數(shù)據(jù)清洗”“質量檢查”等手段在數(shù)據(jù)發(fā)布過程中消除“臟數(shù)據(jù)”，同時也要向用戶提供豐富的元數(shù)據(jù)信息，以幫助其判斷數(shù)據(jù)質量。本文在研究中綜合運用網(wǎng)絡調查和數(shù)據(jù)分析等方法，參照開放數(shù)據(jù)原則、標準規(guī)范和法律法規(guī)等，在開放性和隱私泄露等方面發(fā)現(xiàn)了容易被忽視的質量問題。開放不等于高質量，我國政府開放數(shù)據(jù)要成為權威的數(shù)據(jù)來源，真正發(fā)揮應有的社會和經(jīng)濟效用，還需在質量保障和提升上付出巨大努力。

（來稿時間：2018年5月）