Open Data Watch报告

《更好地衡量和监测数据以促进发展》解读

 清华大学智能法治研究院 2023-04-29

报告通过比较12个常见的开放数据评估指数和工具在概念、范围等方面的异同，衡量其在评估方面的有效性和覆盖性，对未来评估指数和工具的开发或修改提出了针对性的建议。

开放数据是指任何人都可以出于任何目的自由使用、修改和共享数据。在社会治理领域，开放数据保证了公众有权获得政府使用公共资源制作的信息产品并利用这些信息向政府问责，对提高政府透明度和效率、发现并解决性别不平等问题等等方面产生了广泛的积极影响。[1]因此，开放数据已经被普遍接受为一种推动可持续发展和改善民生的有效手段。为了促进开放数据的发展，了解其现状以及存在的问题，进而采用相应措施来保证其功能目的的实现，必须对开放数据进行公正的评估。目前在全球范围内有众多组织对开放政府数据进行了评估或评估方法的讨论, 包括世界银行、联合国、开放知识基金会、万维网基金会等。其中的难题在于如何在种类繁多的评估工具当中构建全面客观的评估框架，采取科学合理的方法来获取数据，从而对开放数据进行准确评估。对此，在国际发展研究中心（International Development Research Centre, IDRC）的支持下，受数据促进发展全球研究中心（Data For Development Global Research Hub, D4D.net）的委托，开放数据观察（Open Data Watch, ODW）于2022年4月发布了一份《更好地衡量和监测数据以促进发展》（Better Measurement and Monitoring of Data for Development）报告。该报告通过比较12个常见的开放数据评估指数和工具在概念、范围等方面的异同，衡量其在评估方面的有效性和覆盖性，对未来评估指数和工具的开发或修改提出了针对性的建议。[2]

1 Open Data Watch与开放数据

Open Data Watch（ODW），亦称开放数据观察，是由三位数据专家于2014年成立的国际性非营利非政府组织，致力于支持、管理、监测国家官方统计数据，旨在保证开放数据的开放性与完整性以促进可持续发展。目前，ODW的主要工作集中在政策咨询、数据支持、数据监测三个方面，在缩小性别数据差距、分析数据价值、评估开放数据等领域取得了重要成果。

（一）政策咨询

ODW将数据作为消除贫困和不平等，促进包容性和可持续发展的核心资源。ODW的政策咨询工作主要协助世界各国和各类团体了解不断发展的数据发展，倡导增加对数据的投资以改善数据的使用感和影响力。同时，ODW在数据治理的政策方面提供了先进的贡献，建议国际机构和各国增强数据统计能力，重视数据治理的协调与领导。

· 倡导增加对开发、统计数据的投资：ODW认为对人员、技术的投资是持续生产和使用数据的必要条件。该组织曾发布一份《2021年性别数据融资状况》（State of Gender Data Financing 2021）报告，定义了一个以性别为核心的数据生态系统，并通过分析消除性别数据差距所需要的成本及当前的投入情况，预估了弥合性别数据鸿沟的资金缺口。[3]

· 推动更有力的数据治理实践：ODW认为强有力的数据治理对于确保收集、生产和使用数据的过程合乎道德与法律至关重要。因此，ODW与联合国统计司密切合作，确定指导各国统计机构工作的原则和程序。2022年12月，ODW最新发布《开放数据指南》（Open Data Resource Guide），全方面介绍了开放数据的定义、功能、优势、使用等内容，为各国、各团体开展开放数据工作提供经验。[4]

· 确定缩小性别数据差距的解决方案：缩小性别数据差距是ODW工作的核心。为此，ODW与Data2x等合作伙伴一同发布了《转变数据格局：缩小性别数据差距的解决方案》（Transforming the Data Landscape: Solutions to Close Gender Data Gaps）等多份报告，旨在阐明差距产生的根本原因，并从环境、卫生健康、教育等多方面提供了缩小差距的解决方案。[5]

（二）数据支持

在全球数据革命时代，各国、各团体不可避免地面临到广泛的数据挑战和问题，对数据的价值所知甚少，大部分可用数据也未被合理使用。ODW的数据支持工作旨在通过其在发展数据和官方统计方面的独特经验，追踪数据发展的最新进展，帮助国家或者团体克服数据挑战并寻找解决方案。

· 丰富数据的内在价值、使用效果与积极影响：ODW认为数据从被收集到产生影响之间的过程极其复杂，希望能建立一个运用数据的公共体系，以激发使用数据的潜力和影响进而促进可持续发展。针对该想法，ODW于2018年建立了数据价值链（Data Value Chain, DVC）的概念，用于分析数据从确定需求到使用再到产生影响所经历的过程。

· 查明性别数据差距：ODW致力于在可持续发展的目标下对性别数据差距进行深入研究。该组织从2019年开始发布关于弥合性别数据鸿沟系列报告，审查了多个国家、地区关于性别的数据指标，帮助国家、团体了解性别数据差距存于何处、产生于何缘由以及与性别平等等国家战略的交互作用等。

· 利用关系网络提高国家开发、分析、使用数据的能力：协助关系对于丰富数据的使用和影响至关重要。ODW与21世纪统计促进发展伙伴关系（PARIS21）、Data2X、联合国非洲经济委员会（the United Nations Economic Commission for Africa）一同倡导成立了性别数据网络（Gender Data Network），旨在提高性别数据制作标准、创新融合解决性别数据差距的方案，鼓励各国共同参与克服性别数据差距的障碍中。[6]

（三）数据监测

ODW的建立初衷是作为一个独立的非政府组织，支持各国数据工作并监测各国在统计、开放数据等方面的进展和差距，确保数据的完整性和开放性以促进公共利益最大化。

· 评估和监测国家数据统计的完整性和开放性：ODW创建了开放数据清单（Open Data Inventory, ODIN）评估世界各国官方统计数据的范围和开放程度，帮助政府识别和解决数据差距。在此基础之上，ODW持续与各个国家合作，力求将ODIN的评估结果转化为实际政策和技术建议。

· 衡量开放数据评估指数和工具的有效性：在开放数据的各个领域，存在着不同的指标和工具帮助识别与解决数据中的差距。2022年4月，ODW发布《更好地衡量和监测数据以促进发展》，比较了12个被广泛使用的评估指标和工具在概念和范围上的异同，为新指标与工具的开发和现有指标与工具调整提供了切实的建议。

2 《更好地衡量和监测数据以促进发展》报告概述

《更好地衡量和监测数据以促进发展》通过将12个常见评估指数和工具与全球数据晴雨表（Global Data Barometer）的核心维度、数据价值链（Data Value Chain）的核心阶段进行对比以揭示指数和工具之间的异同，反映了目前开放数据评估方面存在的缺陷，为未来改进的方向提供了建议。其中，该报告选取的常见评估指数与工具可以分为性能指数与评估工具两类。性能指数是指在衡量、评估政府数据后得出的具体分数，包括OURdata指数（OURdata Index）、开放数据清单（Open Data Inventory, ODIN）、统计绩效指数（Statistical Performance Index, SPI）、易卜拉欣非洲治理指数（Ibrahim Index of African Governance, IIAG）、全球治理指数（Worldwide Governance Indicators, WGI）、统计数据使用指数（Use of Statistics Index）、欧洲开放数据成熟评估指标（European Open Data Maturity Assessment, EODMA）等七项指数。评估工具通过定性或者定量措施记录、调查国家数据统计的过程和质量，包括：开放数据准备度（Open Data Readiness Assessment, ODRA）、数据质量评估框架（Data Quality Assessment Framework，DQAF）、联合数据成熟度评估（Joined-UP Data Maturity Assessment）、开放数据需求评估（Open Data Demand Assessment）、开放数据成熟度模型（Open Data Maturity Model）等五项工具。

（一）性能指数

1、OURdata指数（OURdata Index）：OECD通过向成员国中央或者政府的首席信息官发送官方调查以衡量政府数据的可用性、可访问性以及再利用性，最终形成了OURdata指数。数据的可用性主要衡量政府开放门户上提供公共数据的范围，可访问性主要考察访问这些数据是否受到不必要的限制，再利用性评估政府通过内外措施促进创新性再利用数据的能力。

2、开放数据清单（Open Data Inventory, ODIN）：开放数据清单由ODW建立，评估对象针对国家官方统计局提供的统计数据。目前，ODIN已经独立评估了约180个国家官方统计数据的覆盖范围及开放程度，目的在于帮助国家政府识别和解决数据差距。

3、统计绩效指数（Statistical Performance Index, SPI）：世界银行于2021年发布了统计绩效指标的相关报告，SPI主要围绕以下五大支柱对各国的统计系统绩效进行评估：（1）数据使用；（2）数据服务；（3）数据产品；（4）数据来源；（5）数据基础设施。

4、易卜拉欣非洲治理指数（Ibrahim Index of African Governance, IIAG）：易卜拉欣非洲治理指数由莫·易卜拉欣基金会发布，主要衡量了非洲国家的治理情况。该指数通过四个维度衡量国家治理状况，其中关于经济分类的指数中包括对于国家统计系统能力的评估。

5、全球治理指数（Worldwide Governance Indicators, WGI）：作为世界银行一项长期研究项目，WGI依托跨国治理指标度量国家政府综合治理的质量水平，被认为是诸多治理定量研究中严谨度较高、影响力较大的综合指标体系之一。[7]该指数由六项综合指标构成，其中“话语权与问责”指标中包括了对国家和地区经济金融数据的评估。

6、统计数据使用指数（Use of Statistics Index）：统计数据使用指数由21世纪统计促进发展伙伴关系（PARIS21）提出，衡量了184个国家政府在减少贫困和实现千年发展目标等政策文件中使用官方统计数据的情况。

7、欧洲开放数据成熟评估指标（European Open Data Maturity Assessment, EODMA）：欧洲开放数据成熟评估指标由欧洲数据门户网站（European Data Portal）向欧盟成员国的国家开放数据代表发送调查问卷后评估得出，主要从开放数据政策、开放数据门户网站、开放数据的影响力和开放数据的质量等角度进行评估。

（二）评估工具

1、开放数据准备度（Open Data Readiness Assessment, ODRA）：开放数据准备度由世界银行开放政府数据工作组研发。该评估框架主要考察了高级领导力、政策／法律框架、体制结构和政府责任／能力、政府数据管理、开放数据需求、公众参与和能力、开放数据项目融资、国家技术与技能基础等八个维度。[8]

2、数据质量评估框架（Data Quality Assessment Framework, DQAF）：DQAF通过将国家统计实践与最佳实践（包括国际公认的方法）进行比较，为评估数据质量提供了一种结构。DQAF评估由六部分组成，保证数据质量的先决条件是DQAF框架首要考虑的问题，包括法律和制度环境、必要的资源、相关性问题。DQAF进一步分析了数据质量的五个维度：客观性、方法健全性、准确性和可靠性、适用性、可访问性。[9]

3、联合数据成熟度评估（Joined-UP Data Maturity Assessment）：可持续发展数据全球伙伴关系为国家统计局或其他管理数据的部门提供了联合数据成熟度评估工具，主要用以评估系统内组织、人力、数据和技术的互操作性。

4、开放数据需求评估（Open Data Demand Assessment）：开放数据需求评估由纽约大学 GovLab 实验室建立，为开放数据的政策制定者和实践者提供了一种识别、区分、解决开放数据需求的工具，旨在提高公共机构内开放数据倡导者的实践能力。

5、 开放数据成熟度模型（Open Data Maturity Model）：英国开放数据研究院构建的开放数据成熟度模型在“数据”和“执行”的维度下分别包含了数据集的访问方式，使用数据的用户数量、参与讨论的用户数量等指标。该工具帮助组织评估其发布的开放数据的情况并确定改进的方向。

表1 报告中选取的性能指数和评估工具清单

3 与全球数据晴雨表及数据价值链的对比

（一）与全球数据晴雨表的核心维度对比

ODW将12个性能指数和评估工具与全球数据晴雨表进行对比，结果反映了上述指数、工具与全球数据表的中四大核心维度之间有何重复，重复几何？

1、全球数据晴雨表概述

全球数据晴雨表（Global Data Barometer，GDB）是由万维网基金会（World Wide Web，WWW）发起的，第三方独立开展的评估报告。万维网基金过去曾发起开放数据晴雨表（Open Data Barometer，ODB）评估项目，主要从准备度（Readiness）、执行力（Implementation）和影响力（Impact）等三个维度对国家开放政府数据的情况和影响进行评估和排名。2020年，在原ODB团队的牵头下，受D4D资助，WWW全新启动了GDB项目并于2021年正式开展相关的数据采集，旨在为全球数据治理，尤其是与政府和公共利益相关的数据治理，提供一个最全面和基本评估。GDB 的研究方法基本遵循原先 ODB 的评估方式，以国家一级的专家调查为基础，结合二手数据，形成总体指数、分项指数和个别指数。专家调查将每两年进行一次，负责跟踪100多个国家的数据治理政策和实践，并涵盖解决关键数据差距的8-15个专题模块，如气候、土地、公共财政等等。具体而言，每一个模块都会设计一系列问题，通过「存在与否判定」、「基于指标标准评测」、「研究员主观评价」、「客观材料支撑」四个方面构成一套标准的调查问卷，由在地的一名研究人员完成数据采集和填写，最终由外部审查员、议题专家做多轮审核后，确定最终使用的指标计算数据，形成评估报告。目前该报告最新版本已于2022年5月11日正式对外发布，评估了109个国家开放政府数据的状况。[10]

GDB对国家数据治理的评估主要从以下四个维度出发：数据治理（Governance）、数据能力（Capactiy）、数据可用性（Availability）以及应用和影响力（Use & Impact）。数据治理维度主要评估指导数据治理的法律和政策文件的数量与内容，例如数据保护政策、开放数据政策等等；数据能力维度主要与一国有效开发、管理和使用数据能力有关，包括数据生产者能力和数据用户能力；数据可用性维度主要评估一国数据的质量、完整性、覆盖范围和开放程度；应用和影响力维度主要关注一国各类群体使用数据的水平及其他体现数据影响力的因素。

表2 GDB核心维度的定义

1、对比结果

首先，没有一个性能指数或评估工具可以全部涵盖GDB的四大核心维度。在四大核心维度中，数据可用性维度最受各指标、工具的重视，而应用和影响力维度受到关注最少。

表3 GDB核心维度的受覆盖率（其中蓝色表示高度覆盖、黄色表示低覆盖、白色表示没有覆盖）

根据上表可知，没有任何一个指数或工具平等的覆盖到了GDB的核心维度，但同样也不存在不与GDB重叠的指标或工具。最受重视的核心维度是数据的可用性，其中有五个指标、工具都对该维度高度重视，只有两个指标工具没有体现该维度的评估内容。对数据治理和数据能力的关注较为平均，有三个不同的指标工具对两者表现出高度重视，有六个指标工具对两者表现较低程度的重视。数据应用和影响力时最不受关注的维度，有五个指标工具中完全没体现相关评估内容。

性能指数与评估工具在于GDB的关系中亦呈现明显差异。由于数据可用性更容易通过外部专家评审的分数以衡量，数据能力更需要政府内部运用评估工具以度量，因此性能指数更关注数据可用性，评估工具则更关注数据能力。

其次，性能指数与评估工具在GDB四个核心维度内部与各项分项指标的重叠程度不同，指数和工具的评估更倾向于数据开发、生产阶段而不是数据使用阶段。

表4 GDB核心维度内部覆盖程度最高和最低的分项指标

在数据治理维度，各指数工具更关注数据管理策略、开放数据政策和开放数据许可条款，更少关注数据保护或隐私政策、用户反馈机制；在数据能力维度，数据生产者的技能和资源、政府对再利用数据的支持的指标更为常见，数据用户技能和用户环境、政治支持指标更为少见；在数据可用性维度，可用性和数据质量的指标更受关注，数据开放性和可访问性、元数据的可用性和质量、数据分类等指标相对被忽视；在应用和影响维度，数据使用情况及体现影响的证据是关键分指标，监测使用或影响的机制则是不太常见的分指标。

（一）以数据价值链的核心阶段作为对比

数据价值链从不同的角度描述了从生产到使用数据的生命周期各个阶段。通过将性能指数与评估指标和数据价值链的核心阶段作对比，可以反映数据生命周期的哪些部分在数据评估系统中被强调或忽略。

1、数据价值链概述

数据价值链描述了数据创建和使用的过程，从最初确定数据需求到最终使用和可能的重用。数据价值链有四个主要阶段：收集、发布、吸收和影响。这四个阶段进一步分为十二个步骤：识别、收集、处理、分析、发布、传播、连接、激励、影响、使用、更改和重用。在整个过程中，从价值链的一端到另一端，再返回，生产者和利益相关者之间应该有持续的反馈。数据价值链可以用作教学工具，以显示从数据创建到使用和影响的复杂步骤集，也可以用作监视和评估数据生产过程的管理工具。

在数据收集阶段，需要定义收集何种数据以及如何使用数据。紧接着需要建立收集数据的流程，通过使用调查、检索甚至遥感方法，这一流程将影响整个生命周期中数据的质量和可用性。最后还需要对数据进行处理，以确保正确记录、分类、储存数据；在数据发布阶段，一旦数据被收集，数据和附带的元数据必须以一种数据用户可以访问的方式发布。发布阶段包括三项活动：以在线和离线的形式发布带有适当文件的数据；向潜在的用户传播数据；分析数据以提取有用的信息；在数据吸收阶段，主要包括三项活动：将数据与用户连接起来；激励用户将数据纳入决策过程；以及影响他们对数据的重视。连接用户的方式有很多：通过新闻发布和在线传播；通过举办培训、研讨会或其他教育活动；通过改善网站、数据门户和档案馆提供的用户体验。激励措施可以采取多种形式。在政府内部，数据生产机构可能会被命令发布数据或提供额外的预算。国家统计局可以为其工作人员提供培训。培训活动通过使用户具备使用数据的能力来提高数据的价值；在数据影响阶段，将使用数据来理解问题或做出决定，改变项目的结果或改善情况，甚至通过将数据与其他数据结合并免费分享来复用数据。[11]

表5 数据价值链的四大阶段

2、对比结果

如表6所示，数据发布阶段的相关指标在评估指数和工具中最受重视，这与对GDB中数据可用性维度的重视是相吻合的。此外，相比性能指数，评估工具更为注重数据吸收阶段的指标评估，该阶段的指标主要与GDB中的数据能力维度对应。最后，和前文与GDB的对比结论相同，数据影响阶段仍然是各个指数与工具最为忽视的生命周期。

表6 DVC的受覆盖率（其中蓝色表示高度覆盖、黄色表示低覆盖、白色表示没有覆盖）

在DVC四个阶段的内部，各个指数和工具对分项指标的重叠程度一样存在差异。在数据收集阶段，最受重视的指标是数据质量措施、利益相关者参与以及数据来源，开放数据政策和数据隐私政策则相对受忽视；在数据发布阶段，各个指数和工具较多评估传播机制、标准和活动等指标，对元数据和已发布数据的评估较少；在数据吸收阶段，数据的推广和参与、开放数据的计划和政策被较多提及，而用户相关的指标较少被提及；在数据影响阶段，体现影响的证据、数据的使用和重用是重叠程度较高的分项指标，对数据的需求是重叠程度较低甚至没有被涵盖的指标。

表7 DVC四个阶段中覆盖程度最高和最低的分项指标

4 性能指标相关性的定量对比

为了进一步揭示开放数据评估指数和工具之间的异同，ODW还对7个性能指数进行相互比较并利用相关性系数反映指数之间存在的共识。其中，若两指数衡量类似的指标将表现出正相关，评估内容差异较大的指标则将表示弱相关。

表8 各个指数之间的相关性（%）

经过对比发现，IIAG和WGI这两种指标之间的相关性最高，尽管两者采用不同的研究、调查方法以评估数据情况，但其中许多分项指标是相互吻合的。其次是SPI与ODIN，两者都主要关注数据治理、数据开放性以及数据可用性方面。ODIN与SPI还与IIAG、WGI密切相关，表明官方统计数据的质量与政府职能履行相关。EODMA与其他指数的相关性普遍较低，因其衡量的对象主要针对数据政策和数据门户，与其他指数有较大不同。此外，PARIS21提出的统计数据使用指数与OECD提出的OURdata指数可以为其评估范围内的国家提供独特的评估内容，因这两个指数与其他指数基本为负相关关系。统计数据使用指数与SPI、OURdata指数、EODMA、WGI呈负相关，与ODIN、IIAG呈正相关但相关系数趋近于零。OURdata指数与SPI、EODMA、WGI呈负相关。另外还需注意，由于OURdata指数、EODMA两个性能指数的评估国家不包括非洲国家，因此上述两个指数与IIAG之间的相关性无法计算。可见，性能指数覆盖的国家范围存在差距，同时也限制了这些指数之间的可比性。

结合评估指数、工具与全球数据晴雨表的对比结果发现，SPI、ODIN、WGI、IIAG四个性能指数最重视对全球数据晴雨表中数据可用性维度的评估，这四个指数之间也具有最强的相关性。OURData指数与EODMA侧重于对数据治理的评估，两者之间具有中等程度的相关性。

5 结论和建议

在将12个常见的性能指数、评估工具分别与全球数据晴雨表、数据价值链进行对比之后，充分揭示了现有指数与工具对于开放数据情况的衡量重点与遗漏之处。全球数据晴雨表中数据可用性维度的相关指标受重视程度高，该维度与数据价值链中的发布阶段相对应。现有的评估指数、工具鲜有关注全球数据晴雨表中应用与影响维度的相关指标，该维度与数据价值链中的影响阶段相对应。为了更好满足开放数据的需求，提高国家数据系统的性能，报告的最后一章提出了从研究中发现的问题，并提出相应的建议。

（一）在将评估指数、工具与GDB、DVC对比中发现的问题与建议

1、定义数据治理的指标：极少有指数或工具关注到GDB数据治理维度中的数据保护或隐私保护指标，但这是数据治理中必不可少的概念之一。因此建议注重治理方面的指数或工具应当从开发者或用户的角度衡量一国开放数据系统中数据保护和隐私保护的状况。

2、更加关注用户使用数据的能力：绩效指数较少关注到数据能力维度的内容，而评估工具中的开放数据准备度和开放数据成熟度模型对此有一定的关注，但是在这些指标、工具的体系中更侧重于对数据管理能力的评估而缺乏对用户使用数据能力的评估。建议制定可量化的用户能力衡量标准，从而保证评估指数或工具的独特性。

3、加强对数据分类的关注：尽管GDB中数据可用性和DVC的发布阶段是评估指数和工具的关注重点，但是这些工具更强调评估一般数据的差距，忽视了在以弱势群体性别、年龄、种族或其他特征进行分类后的各项数据的可用性评估。建议评估指数和工具可以进一步细化对分类数据可用性的评估，并且建立在更加广泛的分类数据基础之上。

4、建立对数据应用和影响的评估体系：对于数据应用和影响维度（或者是对数据影响阶段）的评估是最新发展起来的评估内容，只在部分较新的指数和工具中有所体现。因此建议应当进一步研究和测试评估数据应用及其影响的制度和计划。

5、以数据收集作为评估的起点：数据收集是一个包括识别、收集、处理的复杂过程，现有指数和工具对于该阶段的评估重点在于数据收集的结果，鲜有关注到数据收集的过程。通过人口普查、收集政府数据等方式是收集高质量数据的措施，对于数据系统的全面评估应当包括这些数据收集阶段措施的评估。

（二）性能指数相关性的定量比较中发现的问题与建议

1、加入更多客观性标准：现有指数或工具的评估方式大多依赖于对国家政策报告的考察或对官员代表的调查，主观性的衡量标准过多而客观性的标准不足。过度依赖内部报告、采访调查的评估路径可能会导致评估中夹杂过多记者或官员的偏见。因此建议用于国家之间的数据评估应当基于客观标准，保证评估指标不随时间的推移而改变。

2、扩大评估数据范围：SPI、ODIN、WGI、IIAG四个性能指数之间的高相关性表明其在衡量官方数据统计系统的覆盖范围、开放程度、数据能力方面达成了共识，但是其他类型的政府数据评估指数和工具在此方面仍存在差异，建议各类评估指数和工具将评估数据对象扩大到国家官方统计数据之外的数据集，以全面衡量开放公共数据的质量。

3、平衡对数据生产者和使用者的评估：现有指数和工具在数据生产者的活动中建立了许多评估指标，但在数据使用者的活动中评估指标却寥寥无几。无论是全球数据晴雨表还是各类评估指数和工具，都应该平衡在GDB四大维度中的评估指标数量，保证评估的全面性。

4、扩大评估的国家范围：评估国家范围的差距以及评估指数、工具的更新速度限制了指数和工具的有效性和可比性。建议无论是高收入国家、中等收入国家还是低收入国家都尽快建立起对数据系统的评估以指导可持续发展。

[1] Shaida Badiee, Jamision Crowell, Lorenz Noe, Amelia, Open Data for Official Statistics: History, Principles, and Implentation, 37 Statistical Journal of the IAOS 1, 139-159 (2021).

[2] Better Measurement and Monitoring of Data for Development (Published 19 April 2022), available at https://opendatawatch.com/publications/better-measurement-and-monitoring-of-data-for-development/.

[3] State of Gender Data Financing 2021 (Published 12 May 2021), available at https://opendatawatch.com/publications/state-of-gender-data-financing-2021/.

[4] Open Data Resource Guide (Published 3 December 2022), available at https://opendatawatch.com/publications/open-data-resource-guide-2022/.

[5] Transforming the Data Landscape:Solutions to Close Gender Data Gaps (Published 8 April 2022), available at https://opendatawatch.com/publications/transforming-the-data-landscape-solutions-to-close-gender-data-gaps/.

[6] Gender Data Network (Published 4 August 2021), available at https://paris21.org/gender-data-network.

[7] 《世界银行“全球治理指数（WGI）”透视》，载微信公众号“清研集团”，2022年8月11日。

[8] 郑跃平，刘美岑：《开放数据评估的现状及存在问题 ——基于国外开放数据评估的对比和分析》，载《电子政务》2016年第8期。

[9] Data Quality Assessment Framework (Published 20 May 2019), available at https://paris21.org/gender-data-network.

[10]《全球数据晴雨表首发，带你解读全球数据治理和开放趋势(上）：全球总览》，载微信公众号“开放数据中国”，2022年5月11日。

[11]The Data Value Chain: Moving from Production to Impact (Published 22 May 2018), available at https://opendatawatch.com/publications/the-data-value-chain-moving-from-production-to-impact/.

欧阳铭斯 | 清华大学智能法治研究院实习生

选题、指导 | 刘云

编辑 | 朱正熙