Truyền dữ liệu lớn với Tác động Chính sách Công - các đầu

Hầu như mọi khu vực của thành phố có khả năng sử dụng dữ liệu lớn, hình thức thuế, cảm biến trên các tòa nhà và cầu, theo dõi mô hình giao thông, dữ liệu vị trí và dữ liệu về hoạt động tội phạm. Tạo ra các chính sách có thể thực hiện được, làm cho thành phố an toàn, hiệu quả hơn và nhiều nơi được mong muốn hơn để sống và làm việc đòi hỏi việc thu thập và phân tích số lượng lớn dữ liệu từ nhiều nguồn khác nhau.

Phần lớn các dữ liệu phù hợp với nghiên cứu về cải tiến chính sách công được thu thập bởi các cơ quan thành phố khác nhau và lịch sử đã mất nhiều tháng hoặc nhiều năm để phân tích (chẳng hạn như dữ liệu điều tra dân số hàng năm, hồ sơ cảnh sát và thuế thành phố Hồ sơ). Ngay cả trong một cơ quan cụ thể, chẳng hạn như cảnh sát, dữ liệu có thể được thu thập bởi các quận riêng biệt và không dễ dàng chia sẻ trên toàn thành phố và các cộng đồng xung quanh.

Điều này gây ra vấn đề vì mối quan hệ trực tiếp có thể tồn tại giữa các khía cạnh khác nhau của hoạt động của thành phố. Các nhà hoạch định chính sách đang bắt đầu nhận ra rằng thay đổi chỉ có thể xảy ra nếu họ có thể sử dụng các dữ liệu và dữ liệu sẵn có từ các phương pháp hay nhất để biến đổi trạng thái hiện tại của môi trường. Thành phố phức tạp hơn, cần nhiều hơn nữa để sử dụng dữ liệu để thay đổi mọi thứ cho tốt hơn.

Điều này đang thay đổi khi các nhà hoạch định chính sách, các nhà khoa học và các nhà đổi mới công nghệ hợp tác để thực hiện các chính sách dựa trên dữ liệu đang vận động. Ví dụ: để thiết kế và triển khai một chương trình để cải thiện tình trạng tắc nghẽn giao thông, bạn có thể cần phải thu thập dữ liệu về dân số, số liệu việc làm, điều kiện đường xá và thời tiết. Phần lớn các dữ liệu này đã được thu thập trong quá khứ, nhưng được lưu trữ trong các xilô khác nhau và thể hiện một cái nhìn tĩnh về thông tin lịch sử.

Để đưa ra các đề xuất dựa trên thông tin luồng hiện tại, bạn cần một cách tiếp cận mới. Các nhà nghiên cứu tại một trường đại học kỹ thuật ở châu Âu đang thu thập dữ liệu lưu lượng truy cập thời gian thực từ nhiều nguồn khác nhau như dữ liệu GPS từ các phương tiện đi lại, cảm biến radar trên đường phố và dữ liệu thời tiết. Họ tích hợp và phân tích các dữ liệu trực tuyến để giảm tắc nghẽn giao thông và cải thiện lưu lượng giao thông.

Bằng cách phân tích dữ liệu có cấu trúc và không có cấu trúc do sự kiện đang diễn ra, các hệ thống có thể đánh giá các điều kiện đi lại hiện tại và đưa ra các đề xuất về các tuyến đường thay thế để giảm lưu lượng truy cập. Cuối cùng, mục đích là để có một tác động lớn đến lưu lượng giao thông trong thành phố. Dữ liệu đang chuyển động được đánh giá kết hợp với dữ liệu lịch sử để các đề xuất có ý nghĩa phù hợp với điều kiện thực tế.

Dữ liệu luồng có thể có tác động đáng kể đến tỷ lệ tội phạm ở các thành phố. Ví dụ, một sở cảnh sát sử dụng phân tích tiên đoán để xác định các mẫu tội phạm theo thời gian và địa điểm. Nếu một thay đổi đột ngột được tìm thấy trong một mẫu xác định đến một địa điểm mới, cảnh sát có thể cử các viên chức đến đúng vị trí vào đúng thời điểm. Sau khi thực tế, dữ liệu này bây giờ có thể được sử dụng để phân tích sâu hơn các mẫu hành vi phạm tội.