面向数字经济发展的大数据政策量化评价及关联效应分析

赵海东 李桥兴

摘 要：大數据是推动数字经济形成与繁荣的重要引擎，而大数据政策的颁布则能够有效促进数字经济的发展。在分析数字经济发展框架并考虑各项政策外部条件因素的基础上，采用修正PMC指数模型等构建面向数字经济发展的大数据政策量化评价指标体系对大数据相关政策进行量化分析，最后运用灰色关联模型分析政策量化值与数字经济发展水平之间的关联度。研究结果能够为今后各区域制定和完善大数据政策和有效促进数字经济快速发展等提供有价值的参考建议。

关 键 词：数字经济；大数据政策；PMC指数模型；灰色关联分析

DOI：10.16315/j.stm.2023.01.008

中图分类号： F420；F1243

文献标志码： A

Quantitative evaluation and correlation effect analysis of Big Data

policies for the development of digital economy

ZHAO HaiDong1， LI QiaoXing1，2

（1.College of Management， Guizhou University， Guiyang 550025， China;

2.The Research Center of Development Strategy in Karst Region， Guizhou University， Guiyang 550025， China）

Abstract：Big data is an important engine to promote the formation and prosperity of the digital economy， and the promulgation of big data policies can effectively promote the development of the digital economy. On the basis of analyzing the development framework of the digital economy and considering the external conditions of various policies， the revised PMC index model is used to construct a quantitative evaluation index system for big data policies oriented to the development of the digital economy to quantitatively analyze the policies related to big data. Finally， the grey correlation model is used to analyze the correlation between the quantitative value of the policy and the development level of the digital economy. The research results can provide valuable reference suggestions for formulating and improving big data policies and effectively promoting the rapid development of digital economy in various regions in the future.

Keywords：digital economy; big data policy; PMC index model; grey relational analysis

收稿日期： 2022-11-14

基金项目： 国家自然科学基金地区项目（71663011）；贵州省哲学社会科学规划联合基金课题（18GZLH04）;贵州省教育厅高等学校人文社会科学研究基地项目（2020JD003）

作者简介： 赵海东（1996—），男，硕士研究生；

李桥兴（1973—），男，教授，博士生导师.

物联网产业的发展使全球每年产生的数据急速增长，而云计算和區块链等技术的进步则使海量数据的计算与处理成为可能。同时，信息通信技术的普遍应用极大地促使大数据技术广泛应用于社会经济的发展过程。因此，大数据逐渐成为推动经济发展的新引擎，并进一步衍生出一种新的社会经济形态——数字经济。我国2020年的数字经济规模已经达到39.2万亿元，在“十三五”规划期间翻了一番。数字经济的快速发展，表明海量数据成为国家的重要战略资源。大数据作为数字化时代的关键生产要素和数字经济发展的重要驱动力，其可复制、可共享以及无限增长等的资源禀赋特征预示了大数据蕴藏着巨大的潜能并有效打破了自然资源的有限供给限制，为数字经济的可持续发展与增长提供了基础与可能。为了推动数字经济的快速发展，各国相继推出许多促进大数据发展的政策，如美国的《大数据研究发展倡议》、英国的《把握数据带来的机遇：英国数据能力战略规划》等。自2015年党的十八届五中全会首次提出“国家大数据战略”以来，我国相继推出《促进大数据发展行动纲要》《大数据产业发展规划（2016—2020）》《关于构建更加完善的要素市场化配置机制的意见》等政策，以此来促进大数据产业的发展，加快数据红利的释放。显然，大数据作为数字化时代的关键生产要素，其相关政策的颁布与实施能够在一定程度上有效促进数字经济的发展。因此，探究大数据政策的颁布对数字经济发展的影响，能够为新一轮地区大数据发展政策精准制定提供决策参考。

1 文献综述

国内外关于数字经济的研究文献基本集中在产业结构、路径选择、测度分析和区域差异等若干方面。作者仅根据本文的研究需求对数字经济的产业结构和政策量化等方面的文献进行述评。首先，众多学者认为数字经济的结构和框架是开展数字经济研究的理论基础。一方面，学术界对数字经济的概念和内涵有不同的看法。例如，中国信息通信研究院基于生产力与生产关系角度提出数字经济的框架已经从“两化”（即数字产业化、产业数字化）延伸到“四化”（即数字产业化、产业数字化、数字化治理、数据价值化）；OECD（2020）基于“核心—狭义—广义—数字社会”4个方面也分析了数字经济的结构框架；而赛迪智库（2020）认为数字经济的内涵特征可以从数字基础、数字治理、数字产业和数字融合等4个方面来理解。另一方面，不同学者对数字经济的产业结构也有不同的认识。如从“基础设施—行业平台—双边平台—数据生态系统—经济”5个角度对数字经济研究[1]；基于技术经济范式变革的数字经济演进及特征[2]；基于数字生产（环节）关系、数字交换关系、数字分配关系和数字消费关系等视角的数字经济发展路径[3]等。尽管理解视角的差异导致学术界对数字经济产业的结构和特征还未能达成共识，但数字经济总体上正处于不断的发展之中，其产业结构和框架等也应在不断的完善。因此，学术界在考察数字经济的产业结构时应充分考虑数字经济框架的适应性与多维性。其次，国内外学术界基于多种研究方法探讨相关产业政策的量化评估。例如，基于PMC指数模型对产业政策进行量化评价[4-6]；基于文本相似度、扎根理论和词频分析等方法分析大数据政策的文本内容[7-9]；运用回归分析和DID模型等方法从多种维度分析政策的有效性[10-12]；利用文本量化分析法对疫情防控的政策文本进行量化分析和评价[13]；运用门槛模型和分位数回归模型等定量探讨政策的执行效果等[14]。最后，在大数据政策方面，学者们主要采用PMC指数模型对部分我国部分大数据政策进行量化评价，如运用PMC指数和PMC曲面图对我国8项大数据政策进行量化评价[15]；以Herring模型为研究框架，采用PMC指数模型对11项国家级大数据政策进行量化评价[16]；采用文本挖掘法和PMC指数模型对9项国家级健康医疗大数据政策进行分析[17]。

文献分析发现数字经济随着其持续而快速的发展趋势而受到企业界、政府界和学术界的强烈关注。尽管数字经济结构及其政策的量化研究等已经取得了一系列的研究成果，但是数字经济的后续研究还需要随着经济社会的发展来考虑其研究方法的适用性和政策宏观调控的作用效果等，而在大数据政策的量化评价方面也主要针对少量主要政策进行分析。鉴于此，本文在已有研究成果的基础上进一步综合分析数字经济的产业结构和框架体系，并构造基于数字经济产业结构的PMC指标体系对国内8个大数据综合试验区所在省份颁布的所有大数据政策进行量化评价。同时，运用灰色关联模型探究大数据政策量化值与数字经济发展水平之间的关联度。本文旨在探讨促进数字经济发展的政策动因以及大数据政策与数字经济发展之间的关系，期待能为数字经济的发展与政策制定等提供理论指导与参考依据。

2 数字经济的结构框架

数字经济已成为引领全球经济社会变革和推动经济高质量发展的重要引擎，而数字经济的产业结构框架则是开展数字经济研究的基础。如上所述，众多机构和学者从多角度切入来构建数字经济的产业结构要素，因此本文在参照中国信通院提出数字经济“四化”结构的基础上再考虑数字化基础设施建设和数据安全服务等方面，即形成6个维度深入分析数字经济的产业结构框架，同时参照国家统计局颁布的《数字经济及其核心产业统计分类（2021）》和《浙江省数字经济核心产业统计分类目录》以及各二级指标的相关含义来细化各指标内涵分别构建出各指标的具体标签词，可用于判别某项政策是否促进数字经济的发展。

1）数字产业化。数字产业化是指利用数字技术对生产、分配和交换等经济活动的各环节进行改造从而重构其产业链和价值链，是数字经济发展的核心。数字产业化的二级指标包括软件及服务业、电子信息制造业、基础电信业和互联网等[18-19]，其具体标签，如表1所示。

2）产业数字化。产业数字化是推动数字经济发展的新动能。数字经济除了能够促进信息通信产业及自身发展外还有助于促进传统产业与数字经济相融合，从而推动传统产业转型发展。因此，产业数字化是指传统产业应用数字技术促进产业增长，并主要包括工业数字化、农业数字化和服务业数字化，其具体标签，如表2所示。

3）数字化治理。数字化治理是现代政府治理不可或缺的工具，是指政府通过数字化实现政府治理体系和治理能力的现代化，也是数字经济发展的保障。数字经济作为更高级别的经济形态，应该有新的监管形式，同时随着传统产业向数字化转型日趋加速，数字技术也将成为政府治理不可或缺的重要工具。因此，数字化治理主要包括数字化公共服务、电子政务服务和政务信息化建设[20]，其具体标签，如表3所示。

4）数据价值化。数据价值化是数字经济发展的基础，是指推动各类数据发挥作用并产生价值。大数据作为发挥数据价值的物质因素，在推进数据交易体系建设并规范数据的交易、共享和转移等环节发挥着重要作用。充分发挥数据要素价值，使数据要素市场化流动成为可能。数据价值化可分为数据资源化、数字资产化和数据资本化等3个发展阶段[21]，其具体标签，如表4所示。

5）数字基建。数字基建是数字经济发展的源泉和活力保障。例如，大数据中心作为承载海量数据的重要物理设施，担负着数据流的接收、存储、处理和转发等任务，大数据中心承担着数字经济时代的数字枢纽责任，是数字经济时代的“中枢大脑”。目前，全国一体化大数据中心建设已被纳入国家的宏观规划。数字基建主要包括信息技术设施、数字化基础设施建设和信息管理服务平台等，其具体标签，如表5所示。

6）数据安全服务。数据安全是数据作为生产要素的前提。中国互联网协会于2021年4月发布的《数据安全治理能力评估方法》指出，当前数据安全已经上升到国家安全的层面，事关国家安全和经济社会发展。随着数字经济的发展，传统碎片化的网络安全保护方法正在失效，因而必须建立更加强大的网络安全体系来保障数字经济的发展。数据安全服务作为数字经济产业结构的一部分[22]，其具体标签，如表6所示。

3 大数据政策的量化评价

政府工作报告在近几年来连续多次提及数字经济，而数字经济也是“十四五”规划的重要内容。大数据与数字经济是未来创新发展和产业变革的重要机遇。在未来五到十年内，数字经济将进入快速发展时代，同时数据赋能将重构更多传统产业领域。在数字化时代，数据时刻记录着消费者的需求偏好并掌握着社会资源的配置情况。既然大数据的发展推动了数字经济的形成与繁荣，因此保障有利的政策措施是促进数字经济发展的重要手段。完善的大数据政策体系能够有效地推动数字经济的繁榮与发展。客观评价已有的大数据政策能够有效探究政策颁布实施与数字经济发展之间的关系，也为未来的政策制定提供具体可操作的决策依据。因此，数字经济发展与政策制定之间的协同成为政府部门关注的焦点之一。

3.1 政策文本筛选

为了确保政策搜集的可靠性，本文以“大数据”和“大数据产业”为关键词，以国内8个大数据综合试验区所在省份为地理节点，在北京大学法律数据库上进行精确搜索，共收集到488项大数据的相关政策。另外，为了确保政策的有效性与准确性，本文对检索到的政策文本又进行逐一筛选，从而选择出那些与数字经济产业相关的政策。本文筛选的具体标准如下：首先，考虑到政策实施的时效性，本文优先选择现行有效的政策；其次，剔除掉没有实质性内容的文本，如对建议的答复等；再次，以各二级指标的具体标签为关键词作为判断各项政策是否与数字经济发展相关或有效促进数字经济的发展，最终获取8个地区的128项大数据发展的相关政策。

3.2 PMC指标体系建立

本文选取PMC指数模型和内容分析法对大数据政策进行量化分析和评价。该方法不仅可以分析政策的内在一致性，还可以突出政策的优劣势、政策的总体情况和单个政策的具体情况等[23]。同时，为了能够更具针对性地研究大数据政策与数字经济发展之间的联系并探究促进数字经济发展的政策动因，本文结合数字经济产业结构框架与政策的外部性质并基于大数据政策量化的已有研究成果，建立了基于数字经济发展视角下的大数据政策量化评价指标体系并确立了10个一级指标与34个二级指标，如表7所示。

3.3 计算PMC指数

本文首先将筛选出的政策文本内容导入分词软件中进行分词处理，再运用内容分析法来确定各二级指标变量的取值，即以各二级指标的标签词为依据来判断政策文本是否包含对应的二级指标标签词，并规定若包含标签词则变量赋值为1，否则赋值为0，同时对各一级变量设定相同的权重来确保每个变量对大数据政策的影响相同。各二级指标变量的取值公式如式（1）和式（2）所示，并且二级指标变量服从[0，1]分布。另外，本文还对政策进行了密集地人工筛选，其原因是软件分词可能会漏掉部分不明显的关键词而需要一定的人工干预，如此可以进一步保证结果的合理性。相较于传统的主观打分法而言，该步骤采用文本挖掘与人工过滤相结合的方法进行内容分析，其结果更具可观性和科学性。本文限于篇幅不再列出各项政策的具体赋值情况。

X～N［0，1］，（1）

X={XR∶［0，1］}。（2）

在确定各项政策的二级指标变量取值后，本文先根据Estrada[23]提出的式（3）计算出各项政策的一级指标变量取值，然后利用公式（4）计算出各项政策的PMC指数值，再根据评价值对各项大数据政策进行量化评级，即[0～4）为不达标，[4～6）为合格，[6～8）为良好，[8～10）为优秀。

其中：T（Xij）为某一级变量下二级变量的个数;i为一级变量，本文取值为1～10;j为二级变量。

4 政策量化结果分析

基于政策的时效性等外部因素以及数字经济产业结构等内部因素来分析各区域的大数据政策环境，然后采用式（3）和式（4）分别计算8个区域所有政策的一級指标变量取值和PMC指数值总和，并综合分析了大数据政策效力情况和政策的等级以及政策的内外部因素。

4.1 政策效力情况分析

本文利用各项政策的PMC指数值来表示政策的效力即各项政策对数字经济发展的促进作用情况，并从时间维度研究各区域颁布大数据政策的效力情况及所有区域的总体情况，如图1所示。各区域在2016年颁布政策的PMC总值达到最大，且随着时间的发展PMC值逐年减少。结合政策的内容分析，本文认为这是政策的时效性引起的。对单个区域政策的PMC值发现，贵州和河南两地在2018年之前的PMC值逐年递增，表明这两地政府对数字经济发展的关注度较高，因而其数字经济发展的政策环境较好；而广东等地则随着时间发展其PMC值逐年减少，表明当地政府对数字经济发展的关注度较低。

4.2 政策量化等级分析

结合前文评价等级标准对8个区域的各项政策进行划分并统计结果，如表8所示。显然，各省市的政策评价结果主要表现为合格与良好2个等级，其占比超过80%。特别地，贵州超过90%的政策属于这两个等级。另外，尽管属于优秀和不达标这2个等级的政策数量较少，但结合各省份颁布政策的具体内容发现，优秀等级的政策多数为各省市人民政府颁布的长期而具体的行动计划通知，而不达标的政策多为地方机构颁布的短期而有针对性的计划，如广东省大数据管理局颁布的《关于征集2016年工业大数据应用示范项目的通知》等。

4.3 政策外部因素分析

根据前文建立的PMC指标体系发现，政策外部因素主要包括政策性质、政策时效、政策级别和政策受体等4个一级指标及其包含的17个二级指标。本文采用式（1）和式（2）计算各区域中每个二级指标所包含的政策数量占该区域有效政策数量的比例，并分析各区域所颁布的政策外部因素，如图2所示。在政策性质方面，各地区颁布的政策都具备建议、引导和描述等性质，但在预测和监管等方面各区域则存在着差异；在政策时效方面，辽宁和上海两地政策的时效性主要集中在近3年内，而其他区域政策的时效性则较长并主要集中在近5年内，其中广东和内蒙古两地近一半的政策具有3～5年的时效性；在政策级别方面，各区域所颁布政策的分布不均衡，即北京、上海和重庆等地的政策主要是由地方政府所颁布，如各地相应的大数据工作小组或大数据管理局等，而河南和内蒙古两地的政策主要是由相应的省市级单位颁布，还有贵州和辽宁两地中各政策级别的政策数量呈现出1：2：1的比例关系；在政策受体方面，近乎全部的政策面向政府、企业与其他相关机构，而部分政策则不包含产业和高校。

图2 各区域颁布政策的外部因素分析

Fig.2 Analysis of external factors of policies issued by various regions

4.4 政策内部因素分析

各区域数字经济产业结构框架中每个指标所包含的政策数量占该区域有效政策的比例，如图3所示。分析各区域政策对数字经济发展的影响情况发现，不同区域支持的数字经济产业活动有所不同，且各地区数字经济发展侧重点也有一定的差异。例如，贵州和河南两地的政策环境主要侧重于数据的资源化、数字化基础设施和信息服务平台等方面，而辽宁和上海两地则主要侧重于软件及信息服务业、互联网、服务业数字化等方面。另外，广东和内蒙古两地颁布的政策在数字经济发展的各部分所占比例较为相似，而其他区域则在数据价值化、综合基础设施和数据安全服务等方面分布较为相似。数字经济的各部分发展分析发现，各区域对数据安全服务与数据资本化等关注较少；特别地，仅有北京在2020年颁布的大数据交易所工作方案中提到数据资产的证券化和质押融资等数据资本化内容。

图3 各区域颁布政策所支持的产业活动分布情况

Fig.3 Distribution of industrial activities supported by policies issued by various regions

5 大数据政策与数字经济发展的关联效应分析

为了进一步探究大数据政策的颁布对区域数字经济发展的影响，本文选择灰色关联模型研究各区域政策的PMC值与数字经济发展之间的关联关系[24]，分析大数据政策的颁布对数字经济发展各方面的影响程度。

5.1 研究方法与计算过程

1）参考数列与比较数列的选择。本文选取各区域历年颁布的大数据政策量化值作为参考数列，记为a0j。在比较数列选取方面，本文根据前文构建的数字经济分析框架并参照已有文献[25]，从基础设施建设、数字产业化、产业数字化和数字化治理4方面选取9个指标来衡量区域数字经济发展水平，具体包括光缆长度（y1）、互联网宽带接入端口数（y2）、软件业务收入（y3）、电信业务总量（y4）、两化融合水平（y5）、数字普惠金融指数（y6）、互联网普及率（y7）、数字政务水平（y8）、地区生产总值（y9），并采用熵值法和线性加权法来测度各地区数字经济发展水平（y0）。相关数据主要来源于《中国统计年鉴（2016—2021）》，部分数据来源于《省级政府网上政务能力调查评估报告》和工信部两化融合服务平台。

2）灰色关联度计算。

ξij=miniminj|a0j－yij|+ρmaximaxj|a0j－yij||a0j－yij|+ρmaximaxj|a0j－yij|。（5）

其中：ρ∈（0，1）为分辨系数，且一般取0.5;ξij是第i个指标在第j年的关联系数。

ri=1n∑nj=1ξij。 （6）

其中，ri是第i个指标的关联度，取值范围为（0，1），且数值越大，关联性越强。

5.2 关联效应分析

本文运用灰色关联法分别计算出8个大数据综合试验区所在省份在2015—2020年大数据政策与数字经济影响因素之间的关联系数，并计算出关联度，分析各地区大数据政策的颁布对数字经济发展的影响程度，如表9所示。

从大数据政策与数字经济发展水平的关联度来看，2015—2020年各地区颁布的大数据政策与数字经济发展水平的关联度存在着较大差距，其中上海的关联度最高为0.862，广东、北京、辽宁等地也具有较高的关联度，河南（0.546）和贵州（0.603）关联度较低。从大数据政策与数字经济发展各指标间的关联度来看，数字经济总体水平关联度高的地区在指标的关联度方面存在着一定的相似性，如广东、北京、辽宁和上海四地在互联网普及率和地区生产总值方面都具有较高的关联度。另外，不同地区颁布的大数据政策侧重点不同，使得各地区数字经济发展各指标的关联度也存在着一定的差异，贵州在产业数字化方面的关联度相对较高，如两化融合水平（0.731 1）和數字普惠金融指数（0.696 2）方面关联度较高；河南主要侧重于数字基础设施建设方面包括光缆长度（0.769 3）和互联网宽带接入端口数（0.868 1），互联网普及率（0.809 2）也具有较高的关联度；内蒙古在两化融合水平（0.870 1）和互联网普及率（0.827 2）方面有着较高的关联度。

6 结论与建议

大数据作为数字化时代的重要驱动力，是数字经济发展的关键生产要素，因而大数据政策体系的完善能够有效地促进数字经济的发展。本文运用内容分析法与PMC指数模型量化评估我国8个大数据综合试验区所在省份于2015—2020年间颁布的政策效果，并运用灰色关联模型来分析大数据政策的量化值与数字经济发展水平之间的关联效应，获得主要结论如下。

首先，从政策效力和政策等级分析发现：一方面，各地区政策效力水平呈先上升后下降的趋势，其中贵州和河南两地的转折点在2018年，内蒙古在2017年，其余五地均在2016年开始下降；另一方面，各地颁布的部分政策评价等级过低，多数政策的效果评价均为合格，对数字经济发展的促进作用有限。因此，各地在制定大数据政策来促进数字经济相关产业发展的时候，应立足于当地发展的实际情况并在国家宏观政策的调控下，针对数字经济产业结构中具体的部分产业颁布操作性较强的相关政策，以此提高当地数字产业的规模并培养其优势产业。如贵州作为先导性试验区应充分利用国家政策优势，颁布相关政策针对性的促进数字产业发展。

其次，从政策外部维度分析发现：部分区域的政策多为地方单位颁布且时效性较短，同时在政策性质方面缺少预测与监管的功能，表明这些区域在政策设计过程中缺乏长期的战略目标和规划而导致相关政策的前瞻性功能较弱，也在一定程度上影响着大数据政策对数字经济发展的促进作用。而在政策的受众方面，各地政府对产业和高校院所这两个方面相比于其他受众而言的关注力较弱。因此，今后各地区在颁布大数据发展相关政策时，一方面要注重大数据发展在战略层面的长期规划布局，如贵州省发布的《贵州省大数据产业发展应用规划纲要（2014—2020年）》和工业和信息化部颁布的《大数据产业发展规划（2016—2020年）等政策均从长远角度来考虑大数据的发展规划。另一方面，各地区在政策制定中应尽量兼顾各个受众体的需求并颁布涵盖面较广的大数据政策，从而扩大政策的实施范围，如《贵州省大数据发展应用促进条例》的受众包括政府、企业、高校以及科研院所等多个对象。

最后，从政策内部维度及数字经济发展的关联效应分析发现，当前各地区颁布的大数据政策的侧重点虽有所差异但基本集中在基础设施建设、产业数字化和数字化治理等方面，在数字产业化方面各地区的政策关联度也相对较低。同时绝大部分政策缺少关注数据安全与价值化方面的数据资本化和数据资产化。在数字化时代，大数据作为重要的生产力要素是发挥数据价值的使能因素，因而未来的大数据政策应补充数据价值化等方面的相关内容，并通过加快建设数据交易体系以进一步释放“数据红利”。另外，数据安全是数字经济发展的保障。随着数据开放程度的不断加深，当前数据的主权、享有权和使用权等并未被法律所认可和明确规定，将在一定程度上影响着个人隐私和人类社会的安全。基于此，各地政府应制定数据安全相关的配套政策来保证数字经济的安全发展。

再次，从政策内部维度及数字经济发展的关联效应分析发现，当前各地区颁布的大数据政策的侧重点虽有所差异但基本集中在基础设施建设、产业数字化和数字化治理等方面，各地区颁布的政策缺少对数据安全与数据价值化中数据资本化和数据资产化等方面的关注。另外，从大数据政策量化与数字经济发展至今的关联度来看，各地区在数字产业化方面的关联度也相对较低。因此，在数字化时代，一方面大数据作为重要的生产力要素是发挥数据价值的使能因素，因而未来的大数据政策应补充数据价值化等方面的相关内容，并通过加快建设数据交易体系以进一步释放“数据红利”。另一方面，数据安全是数字经济发展的保障。随着数据开放程度的不断加深，当前数据的主权、享有权和使用权等并未被法律所认可和明确规定，将在一定程度上影响着个人隐私和人类社会的安全。基于此，各地政府应制定数据安全相关的配套政策来保证数字经济的安全发展。同时，结合大数据政策量化值与数字经济发展之间关联度可以看出，各地区应从不同的角度出发促进数字经济的发展，如贵州和内蒙古两地可通过颁布政策促进产业数字化发展来提高区域数字经发展水平，河南和辽宁通过提高数字基础设施建设来提高数字水平。

最后，本文对国内8个大数据综合试验区所在省份颁布的大数据政策进行量化分析，并探究了大数据政策与影响数字经济发展相关因素之间的关联效应，进一步拓宽大数据政策量化评价领域的研究，能够对新一轮地区大数据发展政策精准制定提供借鉴意义，但仍存在一定的不足之处，如政策的量化评价方法较为简陋且在考虑影响数字经济发展因素时选取的指标较少。因此，接下来的研究应进一步考虑对政策量化评价模型进行完善，并更全面的考虑影响数字经济发展的因素，使结果更加完善。

参考文献：

［1］ KE R.Research agenda for the digital economy[J].Journal of Digital Economy，2022，1（1）：20.

[2] 張路娜，胡贝贝，王胜光.数字经济演进机理及特征研究[J].科学学研究，2021，39（3）：406.

ZHANG L N，Hu B B，WANG S G.Research on the evolution mechanism and characteristics of digital economy［J］.Science of Science Research，2021，39（3）：406.

[3] 龚晓莺，杨柔.数字经济发展的理论逻辑与现实路径研究[J].当代经济研究，2021（1）：17.

GONG X Y，YANG R.Research on the theoretical logic and realistic path of digital economy development［J］.Contemporary Economic Research，2021（1）：17.

[4] LI Y Z，HE R，LIU J S，et al.Quantitative evaluation of Chinas pork industry policy：A PMC index model approach[J].Agriculture，2021，11（2）：1.

[5] YANG T，XING C，LI X.Evaluation and analysis of newenergy vehicle industry policies in the context of technical innovation in China[J].Journal of Cleaner Production，2021，281：125126

[6] 邹钰莹，娄峥嵘.中央层面养老服务政策内容量化评价：基于PMC指数模型的分析[J].电子科技大学学报（社科版），2020，22（3）：68.

ZOU Y Y，LOU Z R.Quantitative evaluation of the content of the central level elderly care service policy：Analysis based on PMC index model［J］.Journal of UESTC（Social Science Edition），2020，22（3）：68.

[7] 徐蕾，李庆，肖相泽.基于扎根理论的大数据政策共词网络研究[J].现代情报，2018，38（6）：157.

XU L，LI Q，XIAO X Z.Research on big data policy co word network based on grounded theory［J］.Modern Intelligence，2018，38（6）：157.

[8] 张涛，马海群.基于政策文本计算的开放数据与数据安全政策协同研究[J].情报理论与实践，2020，43（6）：149.

ZHANG T，MA H Q.Research on open data and data security policy collaboration based on policy text computing［J］.Information Theory and Practice，2020，43（6）：149.

[9] 谭海波，郑清清，王海函.地方政府大数据产业政策：工具偏好及其匹配：基于贵州省政策文本的分析[J].中国行政管理，2021，（1）：52.

TAN H B，ZHENG Q Q，WANG H H.Local government big data industrial policy：tool preference and matching：Based on the analysis of Guizhou policy text［J］.China Administration，2021（1）：52.

［10］WANG K，LEI L，QIU S，GUO S.Policy performance of green lighting industry in China：A DID analysis from the perspective of energy conservation and emission reduction[J].Energies，2020，13（22）：1.

[11]LI J R，YAO Y，ZUO J，et al.Key policies to the development of construction and demolition waste recycling industry in China[J].Waste Management，2020，108（5）：137.

[12]LIU L J，ZHANG T，AVRIN A P，et al.Is Chinas industrial policy failing？ An empirical study of the new energy vehicles industry[J].Technology in Society，2020，63（3）：101356.

[13]李橋兴，杜可.新冠肺炎疫情期间政策的文本量化分析与建议[J].电子科技大学学报（社科版），2020，22（4）：1.

LI Q X，Du K.Text quantitative analysis and suggestions of policies during the COVID19［J］.Journal of UESTC（Social Science Edition），2020，22（4）：1.

[14]DONG F，LIU Y J.Policy evolution and effect evaluation of newenergy vehicle industry in China[J].Resources Policy，2020，67（4）：101655

[15]周海炜，陈青青.大数据发展政策的量化评价及优化路径探究：基于PMC指数模型[J].管理现代化，2020，40（4）：74.

ZHOU H W，CHEN Q Q.Quantitative evaluation and optimization path exploration of big data development policy：Based on PMC index model［J］.Management Modernization，2020，40（4）：74.

[16]胡峰，温志强，沈瑾秋，等.情报过程视角下大数据政策量化评价：以11项国家级大数据政策为例[J].中国科技论坛，2020，（4）：30.

HU F，WEN Z Q，SHEN J Q，et al.Quantitative evaluation of big data policies from the perspective of information process：Taking 11 national Big Data policies as examples［J］.China Science and Technology Forum，2020（4）：30.

[17]顾一纯，何达，黄佳妤，等.基于PMC指数模型的我国健康医疗大数据发展的政策环境研究[J].中国卫生政策研究，2022，15（4）：45.

GU Y C，HE D，HUANG J Y，et al.Research on the policy environment of Chinas health care big data development based on PMC index model［J］.China Health Policy Research，2022，15（4）：45.

[18]中国信息通信研究院.中国数字经济发展白皮书[R/OL].http：//www.caict.ac.cn/kxyj/qwFb/bps/202104/t20210423_374626.htm.20210423.

China Academy of Information and Communication.White Paper on Chinas Digital Economy Development［R/OL］.http：//www.caict.ac.cn/kxyj/qwFb/bps/202104/t20210423_374626.htm.20210423.

[19]MOHAMED E，ZULIKHA J B.What is the digital economy，and how to measure it[C]//Knowledge Management International Conference and Exhibition 2006（KMICE 2006），2006：378.

[20]GASSER U，ALMEIDA V.Futures of digital governance[J].Communications of the Acm，2022，65（3）：30.

[21]N CRTEREAL，OLIVEIRA T，RUIVO P.Assessing business value of Big Data analytics in European firms[J].Journal of Business Research，2017，70：379.

[22]GYOZO S E，BALAZS R.Data in security security in our data？[J].Informacios Tarsadalom，2017，17（1）：45.

[23]ESTRADA M.Policy modeling：Definition，classification and evaluation[J].Journal of Policy Modeling，2011，33（4）：523.

[24]劉思峰.灰色系统理论及其应用（第八版）[M].北京：科学出版社，2018.

LIU S F.Grey system theory and its application（8th Edition）［M］.Beijing：Science Press，2018.

[25]徐清源，单志广，马潮江.国内外数字经济测度指标体系研究综述[J].调研世界，2018，（11）：52.

XU Q Y，SHAN Z G，MA C J.Overview of domestic and foreign research on digital economy measurement index system［J］.Research World，2018（11）：52.

［编辑：刘琳琳］