A. 大数据时代如何应对信息化战争挑战

不知道这位网友说的信息化战争是指什么？大数据这个概念被清晰提出应该专是在维克托迈属尔和肯尼斯库克耶的《大数据时代》一书中。个人理解对于这个时代的到来，分三个层面的应对，一个是国家层面，一个是企业层面，一个是个人层面。
一、国家层面的应对，推荐这位网友去看看国内作家徐子沛的《大数据》和《数据之巅》。
二、企业与个人层面的应对，《大数据时代》一书中有很多例子。其核心是三大转变：
1、大数据使我们习惯于分析与事物相关的“所有”数据，而不是采样分析部分样本数据。
2、大数据使我们习惯于接受庞杂的、海量的各类数据所展现的模糊性，而不再一味的追求精确性。
3、大数据使我们习惯于接受数据与现象之间的关联性，而不再探究两者之间的因果。

B. 专家：中国如何应对大数据时代的挑战

从小数据到大数据“大数据”是一股新的技术浪潮，也是逐步形成的历史现象，其具体是指随着信息存贮量的增多，人类在实践中逐渐认识到，通过数据的开放、整合和分析，能发现新的知识、创造新的价值，从而为社会带来“大科技”、“大利润”、“大智能”和“大发展”等新的机遇。大数据概念的提出，可以追溯到1980年代，但其“数据”二字却和我们传统的理解有所不同。传统意义上的“数据”，是指“有根据的数字”，但在进入信息时代之后，“数据”二字的内涵在扩大，它不仅指代“数字”，还统称一切保存在电脑中的信息，包括文本、声音、视频等。更重要的是，随着信息技术的进步，其数量在爆炸，特别是新媒体出现之后，数据的收集、保存、维护、使用等任务，成为横跨各个领域的现象和挑战。大数据之“大”，并不在于其表面的“大容量”，而在于其潜在的“大价值”。有很多例子可以证明，由于新工具的出现，我们从以前的小数据当中也能发现大的价值。例如，美国把二十多年的犯罪数据和交通事故数据映射到同一张地图上后惊奇地发现，无论是交通事故和犯罪活动的高发地带，还是两者的频发时段，都有高度的重合性。这引发了美国公路安全部门与司法部门的联合执勤，通过共治数据“黑点”，交通事故率和犯罪率双双降了下来。再例如，最近有学者将白宫200多年总统洗衣服的记录电子化，然后进行分析，也得出了一些新的结论。这些数据，都是地道的小数据。这说明，小数据只要在纵向上有一定的时间积累，在横向上有细致的记录粒度，再和其他数据整合，就能产生大的价值。从这个角度来看，大数据也可以理解为针对某个对象在时空两个维度上的“全息”数据。这种“全息”，在大数据的时代还表现为“多源”，即有多个源头在从不同方向对同一个对象进行数据记录，数据之间互相印证。另外，从全球数据技术投入的资金分布来看，传统的小数据仍然占据绝对的重头。据国际数据集团(IDG)统计，2012年，全球对小数据分析工具的投资为349亿美元，而对大数据分析工具Hadoop的投资仅为1.3亿美元，不及前者的1%。IDG的结论是，传统的小数据软件满足了企业和组织95%的需求。目前行业发展的最新态势，是 “大”、“小”数据分析工具趋于一体化并在向“云”迁徙。

C. 如何应对大数据时代的变革机遇挑战

大数据搭着信息时代的快车来到了我们的面前，数据的价值逐渐为人们所重视，同时也让数据分析师的身价倍增。而随着大数据分析工具等大数据应用技术的出现，未来的数据分析师又将遇到怎样的挑战和机遇呢?
工具抢了人的饭碗?
很多大数据分析工具的设计起点非常高，定位了数据分析过程中所需要的大部分功能。很多工具的功能涵盖了从数据前期整合、收集到挖掘、分析乃至末端的数据可视化的整个数据分析过程，功能不可谓不强大。
但如果仅凭这些就认定大数据分析工具能取代数据分析师，未免有些杞人忧天了。恰恰相反，大数据分析工具不是数据分析师的竞争者，而是协助者。工具本来就是为人服务的，数据分析师的专业素养让其能很好的发挥大数据分析工具的性能，二者相辅相成，是友非敌。
企业的支持
虽然大数据的概念已经普及，但是很多企业还是留存有一些传统的观念。很多企业虽然重金聘用了数据分析师甚至是组建了数据分析师团队，但是却并没有建立完善的数据价值体系。对数据分析工作缺乏理解与支持。
相对于数据管理，数据分析工的工作重心还应该放在“挖掘数据价值”上。企业与数据分析师直接缺少职能的沟通，将直接影响企业对数据分析师工作性质的定位;同时，企业应该建立数据库并部署大数据分析工具，为了能更好地对接用户，也为企业和数据分析师留有足够的空间。
从幕后到台前的转变
以往的业务人员经常要磨破嘴皮才能得到别人的认同，而现在许多企业正在考虑让数据分析师带着数据分析结果去谈业务。打算以“让数据说话，以数据服人”去赢得客户的信任。而主要的实施过程，是靠数据可视化技术来实现的。
数据可视化技术让数据能以图表和视频的方式直观地展示在人们面前，而数据分析师作为数据的管理者和挖掘者，是最适合不过的讲解人了。这样就要求数据分析师不仅要有扎实的数据分析能力，还要能提取数据精髓，并将之演讲出来以获得他人的认同。从幕后转到台前，这里面会需要许多技能，数据分析师的工作性质也将发生改变。
在大数据时代，数据分析师所扮演的角色不可能是一成不变的。而只有顺应时代的潮流，响应时代的需要，数据分析师这个行业才能继续生存并发展。其实，大数据分析工具，数据可视化这些技术的出现固然使行业受到了影响与挑战，但对于数据分析师来说，未尝不是一次摆脱传统束缚的机遇!

D. 如何应对大数据时代下的位置服务挑战

“大数据”时代的来临，对各行业传统管理模式带来了巨大的冲击。以往衡量一个企业的实力，其拥有的资源、财力是最重要的标准，而在“大数据”时代，数据才是王道，才是最重要的资产，才是最被看重的竞争力。然而，传统的管理模式并未适应“大数据”时代的到来，主要表现在以下几个方面。挑战一：大公司的数据垄断大数据时代，数据是企业获取竞争优势的基础，全球互联网巨头都已意识到了大数据时代数据的重要意义，谁占有数据，谁就占得先机。例如作为中国最大的电子商务公司，阿里集团目前坐拥支付宝、淘宝、天猫、阿里金融等多个交易平台，其积累的数据达14年之久，利用这些大数据，阿里金融打破了传统的金融模式，使贷款不再需要抵押品和担保，而仅依赖于数据，使企业能够迅速获得所需的资金。这一切源于对数据的垄断，它改变了游戏规则，对传统银行业带来了挑战。挑战二：决策者未意识到数据的商业价值在这个数据为王的时代，许多企业决策者的意识还禁锢在传统的管理模式中，企业的信息化管理水平只停留在收发文和电子查询阶段，而大数据分析需要企业在软硬件设备上的大量投入，构建一个复杂的数据分析系统。另外，虽然有些企业拓展了获取数据的渠道，但是却很少深层挖掘数据背后的价值，特别是对系统中的微观数据的关注和利用很少。如今许多的企业决策者们只是单纯的关心像财务报表、企业盈亏表等宏观的数据，并没有从组成这些报表的细微数据中去发现企业存在的问题，对于竞争对手的分析也是如此。挑战三：信息安全的挑战“斯诺登”事件和“窃听门”丑闻告诉我们，大数据给企业核心信息的保存带来了技术上的挑战。交易数据和交互数据的产生和传输都是在互联网中进行，这个过程中存在很多客户终端和节点，给数据安全带来了很大的风险。企业为降低成本通常把企业数据存储在云端，云服务商可以看到企业管理和决策的全部数据，商业秘密泄露的风险非常大。另一方面，企业的数据涉及大量用户的隐私信息，包括客户位置、交易历史、个人偏好等信息。这些信息使用不当或者泄露很可能使企业陷入法律纠纷，为企业带来灾难式的不良影响。

E. 如何应对大数据时代的运维挑战

在企业内部也是一样，当大量的生产和经营数据集中在数据中心，一旦人们与数据中心因为IT故障而失去联系，停滞的也许不是个人应用受阻这样简单的后果。为了应对大数据下的新业务需求，传统的IT运维管理就需要针对数据中心基础架构做出改变，这种进化包括针对虚拟化和服务交付能力的调整，以及IT与业务融合所必备的方法和工具。 数据中心迎来了“按需配置”的变革 过去，每次当我们的数据中心的业务容量不足的时候，就会想到增加更多的硬件、设备来满足客户需求。但在海量数据汹涌来袭的时候，这种增加都是被动的、延迟的。据统计，互联网上的数据每两年翻一番，而目前世界上90%以上的数据都是最近几年才产生的，这为大数据概念的横空出世做好了准备。数据的增长超出了我们的预期，那么是否可以找到一个办法，让我们可以对业务部门提供一种“按需分配”的低成本方案呢？虚拟化技术以其降低成本、灵活性，以及动态的扩容特性，给出了最佳的答案。 许多企业希望采用云计算和虚拟化技术实现“按需配置”的基础环境、服务等级，实现更低的成本和更高的盈利。然而，要从大数据这个藏量巨大的金矿中淘到金子，并没那么容易，传统架构下的IT运维管理与成熟的虚拟化技术并没有齐头并进。 首先，虚拟机一旦出现故障，如果不能及时恢复，这个损失可能远远超过节省电源和空间的费用。其次，虚拟机的灵活性对IT运维中的“配置管理”可谓是一杯毒酒，泛滥的迁移和扩容会让IT基础设备重新回到混乱的过去。在传统数据中心，管理员可以确定地表述：我的数据库在服务器A上运行，这台服务器与交换机B进行连接并使用存储阵列C，它们的性能指标都非常良好。但动态数据中心采用虚拟化技术后，解耦了这种关系，更具伸缩性，或是随意的（人们对“灵活性”的误读）利用这些基础设施资源。业务系统可以位于服务器集群中的任何计算节点上，可以利用任何存储设备上的存储空间，可以使用虚拟网络，也可以进行转移以满足性能或运营需求。但这些优势，却在IT运维管理中造成“看不见”、“说不清”的严重问题。 虚拟化运维管理的“两大难题”如何突破？ 如果你都不知道自己的IT环境里有什么，就别指望控制、维护和提高它们。因此，配置管理和性能监控在任何时候都没有变，它们只是进化到了更高的阶段。 作为国内领先的IT运维管理专家，北塔软件认为：IT运维管理不是一蹴而就的，更不是一成不变的，大数据情形下的网络管理将要应对更多的技术和管理层面的挑战。之前，针对基础设施的监控一般侧重对物理设备、物理网络、物理存储的管理，而虚拟化后的变更操作变得越来越简单，但这会使得一些虚拟机脱离管理的范围，尤其是在配置管理和性能监控两个方面。管理人员需要对新增的虚拟网络、数据存储、虚拟机、ESX/ESXi主机数量、集群对象提供一种与之配套的IT运维管理工具。 从改进配置管理开始着手是很重要的一步，因为这可以清晰地呈现出不断变化的虚拟机、物理服务器、存储和网络资源之间的关系。另外，随着每台物理机上托管的虚拟机数量增多并提高了整体利用率，性能测算与监控的重要性也在攀升。为了预防虚拟机密度过大，或者利用率不足的问题（虚拟化之后，这个问题并没有完全消除），运维管理人员必须拥随时调整物理主机的承载力。 为了消除用户大数据时代的运维顾虑，在全面提供了对主机、网络、机房等领域的管理解决方案之后，北塔软件在北塔BTIM（BetasoftIntegratedManagement，IT综合管理软件）中增加了针对VMware虚拟化管理和FC-SAN存储管理解决方案。

F. 如何应对大数据

确定企业的短中期目标和标准

大数据的资源极大繁杂丰富，如果企业没有明确的目标，就算没有走入迷途至少会觉得非常迷茫。因此，首先，要确定企业运用大数据的短中期目标，定义企业的价值数据标准，之后再使用那些能够解决特定领域问题的工具。逐步推广，步步为营，不要把理想定得太高，否则失望会愈大。

储备好大数据相关技术人才

企业运用大数据为营销管理服务之前，技术团队要到位是基础。企业管理团队要能够非常自如地玩转数据。许多人认为社交媒体营销人是个有趣的工作，其实它是个艰苦的活儿。社交化空间非常注重数据、衡量标准和数据可视化等问题。要能熟悉驾驭，首先要确保企业技术人员已经接受过相关技能培训，了解如何最大化利用大数据的作用和潜力为企业营销管理服务。

解决碎片化问题

企业启动大数据营销管理一个最重要的挑战，是数据的碎片化、零杂化。许多公司组织中，数据都散落在互不连通的数据库中，而且相应的数据技术也都存在于不同部门中，如何将这些孤立错位的数据库打通、互联，并且实现技术共享，才是能够最大化大数据价值的关键。管理者当留意的是，数据策略要成功提升网络营销管理成效，要诀在于无缝对接网络企业管理与营销的每一步骤，从数据收集、到数据挖掘、应用、提取洞悉、报表等。

培养内部整合能力

要做好大数据的应用管理，其一，要有较强的整合数据的能力，整合与来自企业各种不同的数据源、各种不同结构的数据，如客户关系管理、搜索、移动、社交媒体、网络分析工具、普查数据以及离线数据，这些整合而得的数据是定向更大目标受众的基础;其二，要有研究探索数据背后价值的能力。未来营销管理成功的关键将取决于如何在大数据库中挖掘更丰富的营销价值。像是站内、站外的数据整合、多方平台的数据接轨、结合人口与行为数据去建立优化算法等都是未来的发展重点;其三，探索出来之后给予精确行动的管理指导纲领，同时通过此纲领进行精确快速实时性行动。

而从社会、国家领域而言，我国亟须在国家层面对大数据给予高度重视，特别需要从政策制定、资源投入、人才培养等方面给予强有力的支持;另一方面，建立良性的大数据生态环境是有效应对大数据挑战、用好大数据的主要出路，需要科技界、工业界以及政府部门在国家政策的引导下共同努力，通过消除壁垒、成立联盟、大数据质量标准、建立专业组织等途径，建立和谐的大数据生态系统。

总之，谁率先具备从各种各样类型的数据中快速获得有价值信息的能力与机会，谁就是赢家!

G. 面临大数据挑战我们该怎么做

大数据的其中两个特性是数据量大跟实时性，这是企业目前处理大数据所面临的最主要的两个挑战。我们可以看到数据的这两个属性，是传统关系型数据库也一直在处理的问题。
如果光从字面上去理解“大数据”，我们通常会认为大数据就是数据的大爆发，侧重于强调数据的量。但是如果你去总结IBM、ORACLE、EMC对于大数据的定义话，它的外延还包括了数据的多样性已经分析的实时性。
大数据的其中两个特性是数据量大跟实时性，这是企业目前处理大数据所面临的最主要的两个挑战。我们可以看到数据的这两个属性，是传统关系型数据库也一直在处理的问题。如果说传统关系型数据库目前尚不能够满足企业的业务需求，那么技术的研究方向也应该是按照关系型数据库这种技术架构进行进行下去。要知道，传统关系型数据库跟目前针对大数据的非结构化数据库的架构类型是完全不一样的。关系型数据库已经存在了40多年，对于数据处理也已经显得非常成熟，如果企业要用新兴的非结构化数据去取代它，那么会不会面临“捡了芝麻，丢了西瓜”的结局我们也不得而知。
那再让我们来看大数据的第三个特性：“数据的多样性”。这里的“多样性”意味着非结构化数据变得越来越多。
事实上，全球产生的数据中85%以上的确是非结构化的数据。但企业主要处理的还是结构化的数据。大多数厂商的非结构化数据分析工具也是转换成结构化数据之后再进行处理。那么大数据的真正之“大”在于如何将非结构化数据处于成结构化数据，以及之后的对于大量结构化数据的并行处理能力。这跟许多厂商的强调的“非结构化”数据本身并无太大关联。
一些非常资深的数据库专家认为：能把最简单的业务，简单的数据形态挖掘深入才能体现功底，电商这类复杂业务挖掘出一点成果容易，深入难，许多企业不去强调对于数据的挖掘，而在强调工具和技术。这些专家也在提醒，结构化数据相对小，但是富矿，非结构化数据大，但是贫矿，如果富矿还没开始采就转攻大贫矿，后果可想而知。
关于大数据的成本风险
只要不是钱多得烧不完的企业，其IT部门始终要面临这样一个问题：用尽可能少的钱去创造尽可能多的价值。
数据库建设无疑是企业IT预算的大头。一个项目建设花费掉上千万在中国许多企业是非常正常的事情。然而我们看得到的是大数据的建设其花费肯定将不会低于原来传统关系型数据库的花费。
现在很多厂商正在给与我们这样的案例，许多企业依靠大数据的能够，发现了以前根本无法发现的机遇，拓展了自己的市场。那我们就必须要讨论一下大数据的有效性，到底企业利用大数据给企业带来了多少额外增加的价值?这种增加的价值是否能够企业的投入有一个非常好的比例。而且更为重要的一点是，是否只要使用大数据就一定能够给企业带来以前不可能实现的价值?
当然，任何一种新技术的出现都要面临许许多多的挑战，大数据也是一样。只有那种能够给企业带来实际价值的技术才有真正的生命力。任何企业绝对不会为了采用新技术而应用新技术，技术最终的落脚点一定是实现业务价值。
大数据还处于成长当中，许多IT厂商也认为目前大数据需要和传统关系型数据仓库共存。如果企业的确希望利用新兴技术实现业务的突破，那么也应该必须慎重。

H. 如何应对“大数据时代”的挑战

大数据行业面临的五大挑战如下：

挑战一：数据来源错综复杂
丰富的数据源是大数据产业发展的前提。而我国数字化的数据资源总量远远低于美欧，每年新增数据量仅为美国的7%，欧洲的12%，其中政府和制造业的数据资源积累远远落后于国外。就已有有限的数据资源来说，还存在标准化、准确性、完整性低，利用价值不高的情况，这大大降低了数据的价值。
现如今，几乎任何规模企业，每时每刻也都在产生大量的数据，但这些数据如何归集、提炼始终是一个困扰。而大数据技术的意义确实不在于掌握规模庞大的数据信息，而在于对这些数据进行智能处理，从中分析和挖掘出有价值的信息，但前提是如何获取大量有价值的数据。

挑战二：数据挖掘分析模型建立
步入大数据时代，人们纷纷在谈论大数据，似乎这已经演化为新的潮流趋势。数据比以往任何时候都更加根植于我们生活中的每个角落。我们试图用数据去解决问题、改善福利，并且促成新的经济繁荣。人们纷纷流露出去大数据的高期待以及对大数据分析技术的格外看好。然而，关于大数据分析，人们鼓吹其神奇价值的喧嚣声浪很高，却鲜见其实际运用得法的模式和方法。造成这种窘境的原因主要有以下两点：一是对于大数据分析的价值逻辑尚缺乏足够深刻的洞察；其次便是大数据分析中的某些重大要件或技术还不成熟。大数据时代下数据的海量增长以及缺乏这种大数据分析逻辑以及大数据技术的待发展，正是大数据时代下我们面临的挑战。

挑战三：数据开放与隐私的权衡
数据应用的前提是数据开放，这已经是共识。有专业人士指出，中国人口居世界首位，但2010年中国新存储的数据为250PB，仅为日本的60%和北美的7%。目前我国一些部门和机构拥有大量数据但宁愿自己不用也不愿提供给有关部门共享，导致信息不完整或重复投资。2012年中国的数据存储量达到64EB，其中55%的数据需要一定程度的保护，然而目前只有不到一半的数据得到保护。

挑战四：大数据管理与决策
大数据的技术挑战显而易见，但其带来的决策挑战更为艰巨。大数据至关重要的方面，就是它会直接影响组织怎样作决策、谁来作决策。在信息有限、获取成本高昂且没有被数字化的时代，组织内作重大决策的人，都是典型的位高权重的人，要不然就是高价请来的拥有专业技能和显赫履历的外部智囊。但是，在今时今日的商业世界中，高管的决策仍然更多地依赖个人经验和直觉，而不是基于数据。

挑战五：大数据人才缺口
如果说，以Hadoop为代表的大数据是一头小象，那么企业必须有能够驯服它的驯兽师。在很多企业热烈拥抱这类大数据技术时，精通大数据技术的相关人才也成为一个大缺口。

I. 如何有效应对大数据技术的伦理挑战

如何有效应对大数据技术的伦理挑战
大数据技术是一把“双刃剑”，既可以为人类服务，也可能给人类带来麻烦。近来，频繁的网络公司泄露个人信息事件引起广泛关注，也使人们意识到，正确认识和有效应对大数据技术带来的隐私伦理问题至关重要。
关注“算法”背后的隐私伦理
大数据分析可以对人进行数据成像，在聚类、相关性分析以及数据整合的基础上刻画人的行为特征与倾向，在商业智能推荐、人的行为预测等方面具有广泛的应用前景。中国社会科学院哲学研究所研究员段伟文认为，从现象上看，它是一种非常有效的分析工具，但如果使用这些技术的人动机不纯，就有可能带来不良后果。从本质上讲，大数据带来的负面影响源于数据本身的特殊性，数据中隐含着人的各种信息，而这些信息很容易作为引导、说服与控制人类行为的工具。这一本质特征往往会诱使商家和滥用权力者干预人的自主权和侵犯人的隐私权。
“在大数据技术背景下讨论隐私伦理问题，人们主要关注的是信息隐私方面的伦理问题，最集中地体现在数据的开放共享与个人信息保护两者如何平衡的问题上。一般所说的大数据技术是一把‘双刃剑’，也主要是从这个意义上说的。”北京师范大学哲学学院教授田海平表示，数据的开放共享只是大数据技术得以实现的一个方面。除此之外，它还包括通过数字化技术获取和存储数据，通过大数据平台对海量数据进行深度挖掘、预测以及反馈等更为深度和实质性的数据占有与使用。目前，这种获取和使用数据的方式，可以通过深度机器学习做到完全智能化。就大数据的占有和使用方面而言，大数据技术加上机器学习，不仅在数据共享方面，而且在数据深度挖掘方面，把个人信息保护和数据权的确权问题都交给了“算法”，这是一个值得关注的、更为深层次的问题。
找寻技术和规范两方面原因
大数据技术的应用给人类带来一系列的隐私伦理问题和挑战，这其中既有大数据技术自身的原因，也有制度规范等的原因。
江西财经大学马克思主义学院教授黄欣荣表示，大数据技术在推动人类社会发展的同时，也带来了数据采集权、保存权、使用权、知情权、所有权、删除权、隐私权等伦理问题。产生这些问题的原因在于，大数据技术是一种全新的信息技术，大数据的隐私伦理问题是全新的问题。传统的法律法规、伦理道德难以约束相关机构采集、存储、传输和使用数据，并且新技术带来的新问题还没有完全暴露，新的法律法规难以同步发展。
段伟文认为，目前造成大数据隐私伦理问题的主要原因有：一是基于大数据分析的智能化商业推荐系统带来了全新的营销模式，其营销效率较传统的营销模式具有指数倍增效应，巨大利益诱惑面前，包含个人隐私及敏感信息的数据被单纯地视为牟利的工具和随意转卖的商品，个人的数据保护往往被商家忽视，甚至被商家运用算法加以算计，使人的隐私权受到侵犯；二是合理可行的个人数据授权和保护机制尚未建立，很多数据在用于某一分析之后被用于其他不明领域；三是分散的数据被整合之后，也可能通过数据分析洞察出一些不一定准确但会对主体造成负面影响的特征，进而诱使对这些特征进行不良使用。
加强数据立法 坚守伦理底线
对于如何让大数据技术更好地为人类服务，黄欣荣认为，需要强化隐私观念，加强数据立法，坚守伦理底线。
田海平认为，尊重个人隐私权是一个毋庸置疑的底线伦理原则。只有我们的法律体系和道德体系在规范合理性的构建方面坚守这条底线，大数据技术的应用才能够真正做到趋利避害。“数据共享”与“隐私保护”构成了大数据时代无法割舍的两面性，它实际上凸显了将“数据共享的伦理”与“隐私保护的伦理”，既以一种价值方式又以一种技术方式在大数据时代同时实现的任务。
段伟文表示，首先，要进一步凸显主体数据权利保护意识，联系大数据技术发展中的各种伦理冲突，解剖典型案例，进而从理论上廓清符合大数据时代特征的新型数据权利、隐私权以及被遗忘权的基本概念以及实践范例。其次，建立起包括商家、政府法律部门、普通用户等相关利益群体的对话机制，制定在具体的、数据驱动的社会经济乃至治理活动中的数据保护规范与实现机制。最后，做好与危害数据权利、恶意侵犯个人隐私权行为长期斗争的准备，探寻从法律和伦理层面根治此类问题的有效策略，并使之作为治理法规积淀下来。