امکان ‌سنجی کاربرد داده‌های بزرگ در چرخه سیاست‌گذاری عمومی و حوزه‌های سیاست‌گذاری

نوع مقاله : پژوهشی

نویسندگان

1 استادیار گروه مدیریت، دانشکده مدیریت و علوم نظامی، دانشگاه افسری امام علی(ع) تهران

2 استادیار، گروه مدیریت، دانشکده فرماندهی و مدیریت ، دانشگاه امام علی (ع)، تهران، ایران

3 دانشجوی دکتری دانشگاه علوم و تحقیقات

4 دانشیار گروه مدیریت پیام نور

چکیده

در گذشته، دولت‌ها در چرخه سیاست‌گذاری دسترسی چندانی به منابع اطلاعاتی نداشتند و در هر یک از فرآیندهای سیاست‌گذاری با کمبودهای اطلاعاتی مواجه بودند. امروزه با ظهور پدیده‌ای به نام داده بزرگ و فنون آن، امکان جمع‌آوری و تحلیل داده‌های مرتبط با انواع سیاست‌ها جهت تولید دانش در هر یک از مراحل سیاست‌گذاری فراهم شده است. بر همین اساس، پژوهش حاضر با هدف امکان سنجی و بررسی تاثیر استفاده از کلان داده در چرخه سیاست گذاری عمومی و حوزه های سیاست گذاری در ایران انجام گرفت. بدین منظور از روش کمی دلفی فازی استفاده شد. جامعه آماری پژوهش، خبرگان دانشگاهی و مدیران و متخصصان حوزه سیاست-گذاری و حجم نمونه 17 نفر است که برای نمونه گیری از روش غیرتصادفی و هدفمند گلوله برفی استفاده شد. به منظور گرداوری داده ها از دو پرسشنامه مربوط به امکان سنجی استفاده از داده بزرگ در 6 مرحله از چرخه داده سیاست گذاری و 16 حوزه سیاست گذاری استفاده شد. نتایج تحلیل داده ها حاکیست که در بستر سیاست گذاری جمهوری اسلامی ایران، بکارگیری کلان داده در چرخه سیاست گذاری عمومی بترتیب در مساله یابی و تعیین دستور کار از امکان بیشتری برخوردار است. همچنین بر اساس سطح آمادگی هر یک از حوزه‌ها در شرایط بومی ایران، بکارگیری داده بزرگ در حوزه‌های سیاست‌گذاری دفاعی و امنیتی، حمل و نقل عمومی، بهداشت و سلامت، مسکن و شهرسازی، آمایش سرزمین و نظام مالیاتی از امکان بیشتری برخوردار است.

کلیدواژه‌ها


  1.  

    منابع

    الف- فارسی

    1. اسفندیاری، محسن، موسی خانی، مرتضی. (1401). طراحی مدل مدیریت دانش رصد اطلاعات شهری در شهرهای هوشمند. مطالعات بین‌ رشته‌ای دانش راهبردی, (46)12: 31-60
    2. اسمعیلی‌ گیوی، محمدرضا .(1400). کارکردهای کلان داده در خط مشی‌‏گذاری یکپارچه برای مدیریت ‏بحران، تأملی بر ‏‏چالش‏ها و فرصت‌های جهان اسلام. دومین همایش ملی حکمرانی اسلامی، تهران.
    3. پریسا موسوی ، رضا یوسفی زنوز ، اکبر حسن پور. (1394). شناسایی ریسک های امنیت اطلاعات سازمانی با استفاده از روش دلفی فازی در صنعت بانکداری. مدیریت فناوری اطلاعات. شماره 22. ۱۶۳ -۱۸۴.
    4. راهداری علیرضا، نصر مصطفی. چالش‌های اتاق فکر در ایران. فصلنامه علمی - پژوهشی فرایند مدیریت و توسعه . ۱۳۹۶; ۳۰ (۲) :۲۳-۵۴.
    5. رضائیان دلوئی، محمدرضا کازرونی، حنیف. (1402). ارزیابی فناوری: رویکردها، چالش‌ها، و حوزه‌ها.مطالعات بین‌ رشته‌ای دانش راهبردی،(50)13. 111-87.
    6. سعادت، وحید و حقیقی، محمد علی.(1394). کلان داده، پیشران نوآوری در خط­مشی­گذاری دولتی. نخستین کنفرانس ملی مدیریت دولتی ایران. دانشکده مدیریت دانشگاه تهران.
    7. سیف الدین اصل، امیرعلی؛ ثقفی، فاطمه و ذوالفقارزاده، محمدمهدی.(1395). استخراج شاخص های رکلیدی توسعه پژوهش با روش دلفی فازی ایشیکاوا برای بخش بهداشت و درمان.فصلنامه رهبرد: 81 (25). 5-26.
    8. علی زاده، ابراهیم، وکیلی فرد، حمیدرضا و حمیدیان، محسن(1400). بررسی عوامل خرد و کلان خط مشی های اقتصادی موثر بر عملکرد مالی شرکت ها. خط مشی گذاری عمومی در مدیریت، دوره 12، شماره 3، 179-163.
    9. محمدی فاتح، اصغر و ابراهیمی، سید عباس .(1399). شناسایی و رتبه­بندی فناوری­های اطلاعاتی نوظهور در بخش دفاعی- نظامی. فصلنامه آینده پژوهی دفاعی. دوره 5، شماره 17، تابستان 1399، صفحه 7-171
    10. میرسپاسی، ناصر؛ طلوعی اشلقی، عباس؛ معمارزاده، غلامرضا؛ پیدایی، میرمهرداد. (1389). طراحی مدل تعالی منابع انسانی در سازمانهای دولتی ایران با استفاده از تکنیک دلفی فازی. آینده پژوهی مدیریت, 21(شماره 4(پیاپی 87)), 1-22.

    ب- انگلیسی

     

    1. Alfaro, C, Javier C-Mo, Javier G, Javier M., and Felipe, O.(2013). “A Multi-Stage Method for Content Classification and Opinion Mining on Weblog Comments.” Annals of Operations Research, September, 1–17. doi:10.1007/s10479-013-1449-6.
    2. Athey, S.(2017). Beyond prediction: using big data for policy problems, Science ,Vol 355, Issue 6324,03 February 2017-PP 483–485
    3. Boyd, D., & Crawford, K. (2012). Critical questions for big data. Information, Communication and Society, 15(5).662–679.
    4. ‘Chen, Y. & Hsieh, T. (2014). Big Data for Digital Government: Opportunities, Challenges, and Strategies. International Journal of Public Administration in the Digital Age, 1 (1), January-March: 1-14.
    5. Cheng, C.H. and Lin, Y., 2002. Evaluating the best main battle tank using fuzzy decision theory with linguistic criteria evaluation. European journal of operational research, 142(1), pp.174-186.
    6. Chinnaswamy,A., Papa,A., Dezi,L. & Mattiacci,A. (2018).Big data visualisation, geographic information systems and decision making in healthcare management, Management Decision, doi.org/10.1108/MD-07-2018-0835
    7. De Vries, W. (2018). POTENTIAL OF BIG DATA FOR PRO-ACTIVE PARTICIPATORY LAND USE PLANNING. Geoplanning Journal of Geomatics and Planning.5 (2). DOI: 10.14710/geoplanning.5.2.205-214.
    8. Hajikhani,A and Hajikhani, A.(2021).Research themes in big data analytics for policymaking: Insights from a mixed-methods systematic literature review. Journal of policy and internet, org/10.1002/poi3.258
    9. Harris, Shane. 2015. “The Social Laboratory.” Foreign Policy. Accessed July 22. https://foreignpolicy.com/2014/07/29/the-social-laboratory
    10. Höchtl,J, Parycek,P. & Schöllhammer,R .(2015): Big Data in the Policy Cycle: Policy Decision Making in the Digital Era, Journal of Organizational Computing and Electronic Commerce, DOI: 1080/10919392.2015.1125187
    11. Janssen, M., Matheus, R., & Zuiderwijk, A. (2015). Big and open linked data to create smart cities and citizens: Insights from smart energy and mobility cases. International Conference on Electronic Government. DOI: 1007/978-3-319-22479-4_6.
    12. Jiang, H.; Shao, Q.; Liou, J.J.; Shao, T.; Shi, X. (2019).improving the sustainability of open government data. Sustainability 2019, 11, 2388.
    13. Kim, E.S., Choi, Y.& Byun, J.(2020). Big Data Analytics in Government: Improving Decision Making for R&D Investment in Korean SMEs. Sustainability2020, 12, 202doi.org/10.3390/su12010202
    14. Klievink, B., Romijn, B.-J., Cunningham, S., & de Bruijn, H. (2017). Big data in the public sector: Uncertainties and Information Systems Frontiers, 19(2), 267-283. doi: 10.1007/s10796-016-9686-2.
    15. Li,S. & et al.(2016). Geospatial Big Data Handling Theory and Methods: A Review and Research Challenges. arxiv.org.
    16. Lim,N., Bruce R. O. and , Hall,K.C.(2019). Leveraging Big Data Analytics to Improve Military Recruiting. Published by the RAND Corporation, Santa Monica, Calif.
    17. Martínez-Noya, A. and García-Canal, E., 2011. Technological capabilities and the decision to outsource/outsource offshore R&D services. International Business Review, 20(3), pp.264-277.
    18. Matheus, R., Janssen, M., & Maheshwari, D. (2018). Data science empowering the public: Data-driven dashboards for transparent and accountable decision-making in smart cities. Government Information Quarterly. doi.org/10.1016/j.giq.2018.01.006.
    19. McNeely,L., and Hahm,J.O. .(2015). The Big (Data) Bang: Policy, Prospects, and challenges. Review of Policy Research, Vol 31, N 4 (2014). doi.org/10.1111/ropr.12082.
    20. Mehmood, H., & Gilman, E., & Cortés, M, & Kostakos, P. (2019). Implementing Big Data Lake for Heterogeneous Data Sources. IEEE 35th International Conference on Data Engineering Workshops. DOI: 10.1109/ICDEW.2019.00-37
    21. Mergel, I., Rethemeyer, R. & Isett, K. (2016). Big Data in Public Affairs. Public Administration Review. 76(6). DOI: 10.1111/puar.12625
    22. Mousavi, P., Yousefizenouz, R., Hasanpoor, A. (2015). Identifying Organizational Information Security Risks Using Fuzzy Delphi. Journal of Information Technology Management, 7(1), 163-184
    23. Müller,S.(2017). Big Data Analytics for Public Administration. Available at it-novum.com
    24. Oussous, A., Benjelloun, F-Z., Lahcen, A.A. and Belfkih, S. (2017). Big Data Technologies: A Survey, Journal of King Saud University - Computer and Information Sciences, doi: http://dx.doi.org/ 10.1016/j.jksuci.2017.06.001
    25. Rahmanto,F..  Pribadi,U. and  Priyanto,A.(2021). Big Data: What are the Implications for Public Sector Policy in Society 5.0 Era?. IOP Conf. Ser.: Earth Environ. Sci.717 012009
    26. Rodríguez, P., Palomino. And Mondaca, J. (2017).Using Big Data and its Analytical Techniques for Public Policy Design and Implementation in Latin America and the Caribbean. Discussion paper. Inter-American Development Bank.
    27. Shi,J., Ai,X. and Cao,Z. (2017). Can big data improve public policy analysis? In Proceedings of the 18th International Digital Government Research Conference on Digital Government Research, Staten Island, NY, USA, June 2017 (dg.o 2017), 10 pages. DOI: 10.1145/3085228.3085319
    28. Simon, Phil. (2014). “Potholes and Big Data: Crowdsourcing Our Way to Better Government.” March 25. http://www.wired.com/2014/03/potholes-big-data-crowdsourcing-waybetter- government/.
    29. Studinka, J., & Guenduez, A. (2018). The Use of Big Data in the Public Policy Process - Paving the Way for Evidence-Based Governance.
    30. Thomas,A. and Chopra,M.(2020). On How Big Data Revolutionizes Knowledge Management in Digital Transformation in Business and Society. Theory and Cases. Nature Switzerland AG 2020
    31. Wan Lee,J.(2020). Big Data Strategies for Government, Society and Policy-Making. Journal of Asian Finance Economics and Business7(7):475-487. DOI: 13106/jafeb.2020.vol7.no7.475
    32. World Bank group. (2017). Big data in action for government. Available at: documents.worldbank.org.