势不可挡，“事”在必行

赛文交通网 智能交通 智慧交管

随着信息化与数字化技术的不断进步，越来越多的技术要素被应用于智慧公路建设，进而激发基层管理的创新潜能。

然而，在数字技术广泛助力交通管理的过程中，也逐步显现出诸如“重建设轻运营”“数据与业务脱钩”“多而不统，统而不通”“数据大而非大数据”等数字化形式主义现象，由此导致“数据赋能”成为“数据负担”，“技术赋能”沦为“技术负能”，严重制约了交通管理水平的提升。

一、势不可挡，“事”在必行

随着信息技术的飞速发展，交通行业也正面临着数字化转型的重大机遇和挑战。

在这个背景下，数据已成为交通行业应对不确定性，降本增效，获取长足发展的核心动能，数字化转型也成为交通行业提升效率、降低成本、优化服务的必然选择。在面临外部经营压力、内部海量数据以及复杂行业特性的背景下，如何精确把握方向，探寻适合自己的数字化转型之路，成为行业企业突破困境的关键所在。

在管理学领域，有一个被称为“飞轮效应”的概念：企业业务如同巨大的飞轮，如果要让静止的飞轮转动起来，起初必须持续用很大的力气，一圈一圈重复地推，当达到某一临界点后，飞轮就会逐渐转动起来，而且会越转越快，只需稍加助力就能让它飞速转动。

“飞轮效应”的良性循环有四个步骤：1、为飞轮赋予动力；2、同一方向迈进；3、取得成就和积累；4、通过成就的吸引力留住人才，做大企业。

数字化转型同样有着“飞轮效应”：

1、数据建设是初始动能，需要花费大力气，过程苦且漫长；

2、有着清晰的战略，不会来回打转；

3、不断积累数据的应用价值，不断增加动能；

4、通过业务应用验证数据价值，提升管理效率和收益，反过来推动企业做好数据建设。

好的数字化转型就是将数据建设、数据价值、业务应用三大环节有机结合起来，形成循环往复的飞轮闭环，从而实现用“数据价值驱动业务提升，业务应用推动数据提质”。

近年来，全国各省高速公路企业都在积极探索数字化转型之路。以广东交通集团为例，其通过高精度数字底图项目建设，以“图”为抓手，整合业务数据，构建数字底座；以“图”应用为纽带，打破业务壁垒，充分挖掘数据价值。

项目已覆盖全省11211公里高速公路、12114座桥梁，1194个收费站等基础数据采集与建模，接入数据 270 项，治理主数据63类，提供数据服务451项、图业融合服务33项，实现路网监控、收费营运、土建养护、机电运维等内部业务数据资源“一张图”的融合应用，全视角展示路网交通状况、服务区车流量、收费运营状态、两客一危及重大结构物等重要信息。

二、做正确的事：数字化转型需要战略思维

在“飞轮效应”中，保持统一方向的重要性不容忽视。若轮子频繁转向，将无法积累原始动能，只能被动应对，难以取得成就。进而来回调整，最终无法起飞，这种现象被称为“厄运之轮”。在进行数字化转型时，更需要秉持战略思维以明晰方向。  

在交通行业的信息化建设过程中，业务与信息部门之间的职责划分尚不明确，导致各部门在解决问题时手段单一，且被动地应对需求，使得数据工作变得繁琐且沉重。

然而，在数字化转型时代，我们需要构建新的战略思维模型：以战略为导向，分解业务目标，并寻求数字化的支持；以业务目标为起点，满足战略要求，细化数字化的支撑措施；以数字支撑为杠杆，实现战略目标，并赋能业务发展。

三、正确地做事：源于价值，始于业务，成于数据

有了基础的战略共识，没有正确的打开方式，照样会发现技术做了的业务不想用，业务想做的技术给不了。因此数字化转型的起点应始于业务，技术及业务部门需明确协作模式，要不要干取决于价值，是否成功用数据说话。这也与数字化转型中的“飞轮效应”两轮一轴的理念相吻合：数据价值驱动业务提升，业务应用推动数据提质。

懂数据，数据才有价值

数字化转型过程中我们面临的最大问题是建设了大量的数字化平台没人用。原因无非两点：一是管理方对数据的理解和应用不足，导致虽有数据但无法充分利用。二是建设方未能紧密围绕业务目标，虽然拥有了众多报表和数据，但实际应用价值不高。因此，我们首要任务是深化对数据的理解，培养数据思维，慢慢发挥数据的价值。

数据思维就是用数据来探索、思考事物的一种思维模式，它具有可简化、可量化、可创新等特点。培养数据思维的本质就是培养用数据来发现、分析和解决问题的能力。

在实践过程中也不能迷信数据，因为数据分析样本的片面性、时效性以及数据本身的质量缺陷都会导致数据分析结果失真，因此，这是一个不断分析、验证和提升的过程。

在具体的业务场景中，以繁忙收费站的管理为例，拥堵问题是其面临的最大挑战。问题的成因可分为两类：一是峰值流量过大，导致客观上的拥堵；二是收费处理环节出现异常或效率低下，造成拥堵。

为解决这些问题，我们可以应用数据思维：

首先，设计收费站繁忙指数，用于监测站内实时车流量，反映当前拥堵状况以及持续时间，并进一步分析高峰时段的特点，以便提前采取应对措施；

其次，设计收费效能指数，用以评估日常收费处理的效率，从而判断拥堵是否源于管理层面的原因；未来还可考虑引入收费站满意度指数，从而了解出行者对收费站的满意程度。并根据指数的变化，调整优化收费站管理策略，实现“一站一策”。

同理在处理高速异常停车场景时，管理部门提出了“五快机制”（快速发现、快速自检、快速干预、快速联动、快速撤离），为实现这个管理目标，能否考虑进行管理数据的量化和分析？

管数据，需要因地制宜

在各业务领域开始运用数据思维之后，大家往往意识到，原来我们认为完整的系统中存在大量数据缺失和质量不高的现象。原来我们的业务规则不是这样计算的，实际上落到业务层面还有这么多的理解差异。原来不同的部门对数据统计的口径完全不一致。原来我们的业务和管理还可以从这些角度来看。

这个时候，我们就会审视自己是否有高质量的数据支撑应用了。

真开始养数据、规范数据，并开始统一数据口径时，却发现数据管理比用起来更难。这就好比一个长期摆放杂乱，积满灰尘的仓库，你想让它一夜之间恢复整洁、有序，谈何容易。

和管理仓库类似，数据建设和管理需要耐心地清理和整理数据，确保数据的质量、准确性和一致性。这可能涉及到识别和纠正数据错误、重复或不一致的地方，以及建立数据管理的流程和制度。这些工作可能非常繁琐和耗时，但能确保数据可靠和可用性。

与清理仓库类似，数据治理的成果可能不会在短时间内立即显现。它需要长期的坚持和努力，才能看到数据质量的提高和业务效率的提升。

按时序分，数据管理围绕数据的“采、规、治、用”四个核心步骤开展。但不同企业规模、行业、业务需求、数据复杂性和信息化程度等都可能存在差异，这些因素会导致数据管理的重点、优先级和具体措施的不同。企业的规模越大、业务越复杂，数据管理的挑战也越大。

以高速公路行业为例，数据采集方面，由于有交通监控、联网收费、路况预测和应急响应等需求，对实时数据的采集、传输和处理能力提出了较高的要求。

数据规范方面，横向面各个业务板块（“建、管、养、运、服”）对数据的定义和规范存在较大差异，纵向面从部、省、路段三个层级来看，除收费外其他业务的数据要求尚未实现统一。

数据治理方面，正因为各业务板块缺乏统一的数据规范，跨业务、跨系统和跨流程的核心主数据的一致性、正确性和权威性的问题始终无法解决，从而使数据治理工作陷入困境，亟待下苦功夫解决。

数据应用方面，大量的个人信息和敏感数据，如车牌号、出行轨迹等，需要确保数据的安全性和隐私保护，防止数据泄露和滥用。

用数据，或许可以借助AI

短期内，我们可以通过整合企业内部业务与管理数据，激活数据潜力，通过内外部数据处理与分析，优化工作流程与管理模式，从而提高管理效能和激发业务创新能力。

在未来，随着算法的不断优化和提升，高质量的交通大数据将被AI大模型所学习，就如同行业“互联网+”一样，会快速提升我们的管理效率并助力交通领域实现智能化突破。

在内部管理方面，大模型在掌握行业通用知识后，可转变为交通知识顾问，学习业务知识，成为业务处理专家。还能覆盖运营分析、交通流量预测、应急指挥调度、机电故障预测及分析等场景。

在出行服务方面，大模型的应用促进了自动驾驶技术的升级，为L3/L4级别落地应用提供了更明确的预期。借助“人-车-路-流-行”的全面数据，智能助手能够推荐更优的出行路线、出行方式和出行时间。

四、小结

交通行业的数字化转型已经成为发展大势，这一过程将带来交通管理效率的显著提高、服务质量的持续改善，以及新技术的不断应用。

这一转型将极大地丰富我们的出行体验，使其变得更加高效、舒适和可靠。

在推进数字化转型过程中，我们也需防止数字技术的不当应用，并制定全面的战略规划，全力推动数据建设，并确保业务应用落实到位，以充分发挥数据的价值。同时，加强数据管理和安全保障，确保数据的有效利用，进而推动行业的可持续发展。