摘要：數(shù)據(jù)質(zhì)量是影響開放數(shù)據(jù)價值生成的關(guān)鍵因素。本文采用網(wǎng)絡(luò)調(diào)查和數(shù)據(jù)分析方法, 對13個開放數(shù)據(jù)平臺中的數(shù)千個數(shù)據(jù)集進行分析, 歸納出29類“臟數(shù)據(jù)”, 統(tǒng)計了北京、上海和哈爾濱三地的數(shù)據(jù)質(zhì)量問題分布情況。文章建議在引進“數(shù)據(jù)清洗”和“質(zhì)量檢查”環(huán)節(jié)、采用標準規(guī)范等方面借鑒先進經(jīng)驗, 提升和保障數(shù)據(jù)質(zhì)量。

　　“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(lǐng)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(lǐng)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(zhì)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(wù)是[2]: (1) 識別高價值的數(shù)據(jù); (2) 保障數(shù)據(jù)質(zhì)量; (3) 培育需求及促進數(shù)據(jù)使用。“開放政府合作組織” (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(zhì)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(zhì)量, 避免因劣質(zhì)數(shù)據(jù)而帶來的消極影響, 始終是數(shù)據(jù)管理領(lǐng)域最嚴峻的挑戰(zhàn)之一[4]。據(jù)估算, 美國每年因劣質(zhì)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(shè)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(lǐng)域的數(shù)據(jù)質(zhì)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(wù)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(shè)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(zhì)量也日益得到關(guān)注[10,11]。目前, 數(shù)據(jù)質(zhì)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(zhì)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(zhì)量 (Data Quality) 是“數(shù)據(jù)滿足任務(wù)需求的程度”, 數(shù)據(jù)質(zhì)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(zhì)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(zhì)量問題, 相關(guān)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(zhì)量問題, 如糟糕的模式設(shè)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(zhì)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(zhì)量問題歸為五組:單值、多值、元組、列和整個關(guān)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(lǐng)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(zhì)量問題映射到五個質(zhì)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(lǐng)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(zhì)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]。

　　在上述工作的基礎(chǔ)上, 面向我國開放政府數(shù)據(jù)的實踐, 在深入調(diào)查和分析基礎(chǔ)上, 本文歸納出OGD領(lǐng)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(zhì)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(lǐng)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)。

表1 我國OGD領(lǐng)域臟數(shù)據(jù)的分類

　　表1 我國OGD領(lǐng)域臟數(shù)據(jù)的分類

　　2 調(diào)查內(nèi)容與方法

　　為盡可能全面地發(fā)現(xiàn)各種質(zhì)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(diào)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(diào)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(diào)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(zhì)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(shè)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(shè)項目名稱”“建設(shè)位置”“占地面積”和“建設(shè)規(guī)模”四列存在“數(shù)據(jù)值缺失” (D17) 現(xiàn)象, “占地面積”和“建設(shè)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(shè)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(zhì)量問題) 

　　對開放性維度下的質(zhì)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(zhì)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(guān)。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(zhì)量問題

　　對數(shù)據(jù)模式定義的調(diào)查是本文的另一個重點。圖2展示了“哈爾濱市建設(shè)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(zhì)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(diào)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(diào)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(shè)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(zhuǎn)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(zhì)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(zhì)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(zhì)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(wù)院印發(fā)《政務(wù)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(quán)威數(shù)據(jù)源

　　當網(wǎng)站內(nèi)的信息不足以判別數(shù)據(jù)質(zhì)量狀況時, 就需要參照外部權(quán)威數(shù)據(jù)源。例如, 北京的“高?！睌?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(quán)威的數(shù)據(jù)源, 但要達到這一目標還需要在質(zhì)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(guān)注[28]。實踐上, 深圳《政府數(shù)據(jù)開放平臺用戶服務(wù)條款》、貴陽《數(shù)據(jù)開放授權(quán)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(luò)安全法》第四十二條規(guī)定[30]:網(wǎng)絡(luò)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(jié)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(luò)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(diào)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(jié)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(zhì)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(zhì)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(zhì)量問題的根源, 因此“數(shù)據(jù)模式質(zhì)量”在整個開放數(shù)據(jù)質(zhì)量管理中處于基礎(chǔ)性位置, 應優(yōu)先得到提升和保障。

　　3.2 北京的數(shù)據(jù)質(zhì)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(diào)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(zhì)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(diào)查共發(fā)現(xiàn)631個質(zhì)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(jié)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(zhì)量問題占比

　　3.3 上海的數(shù)據(jù)質(zhì)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(diào)查結(jié)果見圖10, 出現(xiàn)的質(zhì)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(zhì)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(zhì)量問題的占比

　　3.4 哈爾濱的數(shù)據(jù)質(zhì)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(diào)查, 較多的質(zhì)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(zhì)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(zhì)量問題的占比

　　3.5 三地對比

　　從全部被調(diào)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(jié)果見表4和圖14?？梢? 總體上北京和上海的數(shù)據(jù)集質(zhì)量狀況相當, 要好于哈爾濱。

表4 三地各類數(shù)據(jù)集的占比

　　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(zhì)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(zhì)量問題的數(shù)據(jù)集個數(shù)的占比, 見表5?？梢? 北京的“不可用”數(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(shù)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(zhì)量問題 (特別是正確性問題) , 發(fā)現(xiàn)的質(zhì)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(zhì)量是我國政府數(shù)據(jù)共享開放工程的核心工作之一?！丁笆濉眹倚畔⒒?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(zhì)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(zhì)量”的規(guī)定包括數(shù)據(jù)校核、數(shù)據(jù)質(zhì)量評估、數(shù)據(jù)生命周期的質(zhì)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(zhì)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(zhì)量管理中, 數(shù)據(jù)清洗也起到了關(guān)鍵作用[5]。在開放政府數(shù)據(jù)領(lǐng)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(shù)、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(zhì)量。數(shù)據(jù)管理部門將數(shù)據(jù)文件轉(zhuǎn)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(zhì)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(shù), 可以有效防范隱私泄露問題 (D29) 。2016年9月28日貴州省質(zhì)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(shù)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(shù)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(nèi)容。

　　4.3 質(zhì)量檢查

　　新西蘭政府機構(gòu)在Data.govt.nz上開放數(shù)據(jù)前要進行質(zhì)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(zhì)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(zhì)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(zhì)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(lǐng)域臟數(shù)據(jù)分類” (表1) 的成果, 可以幫助政府部門設(shè)計“有的放矢”的數(shù)據(jù)質(zhì)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(zhì)量”存在著三方面的挑戰(zhàn), 即“對數(shù)據(jù)質(zhì)量維度的共同理解”“支持用戶的質(zhì)量感知”及“加強數(shù)據(jù)質(zhì)量與使用之間的聯(lián)結(jié)”。W3C“最佳實踐”建議“以機器可讀的元數(shù)據(jù)向用戶提供質(zhì)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(zhì)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(guān)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(jié)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(zhì)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(zhì)量問題的分布情況。最后, 結(jié)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(zhì)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(zhì)量。本文在研究中綜合運用網(wǎng)絡(luò)調(diào)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(zhì)量問題。開放不等于高質(zhì)量, 我國政府開放數(shù)據(jù)要成為權(quán)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(zhì)量保障和提升上付出巨大努力。

　　參考文獻：略