数字技能与素养提升：面向AI时代的数字扫盲、AI运维和复合人才培养

数字技能与素养提升：面向AI时代的数字扫盲、AI运维和复合人才培养

研究论文

作者：淞基科技（上海）有限公司、淞基信息通信研究院、淞基未来信息网研究部、淞基新一代信息技术网研究部

摘要：以人工智能为代表的新一代信息技术正在深刻重塑经济运行、社会治理与个体生活，数字技能与数字素养已从可选的“加分项”演变为公民参与数字社会、企业实现智能升级、国家构筑竞争优势的“必修课”。本文立足AI时代的能力重构逻辑，系统考察数字素养与技能提升这一宏大议题的三大核心支柱：面向全民的数字扫盲、面向产业应用的AI运维能力、以及面向未来的复合型人才培养。文章首先梳理数字素养概念的历史演进与国际框架共识，继而分析我国数字鸿沟的现实图景与扫盲路径，随后深入剖析AI运维（AIOps、MLOps、LLMOps）的内涵、落地挑战与人才缺口，最后从教育体系、职业教育、产教融合与制度保障等维度提出复合型人才培养的系统方案，并就三大议题的协同治理给出政策建议。

关键词：数字素养；数字扫盲；人工智能素养；AI运维；MLOps；复合型人才；数字鸿沟

引言

当算法成为新的基础设施，当大模型进入千行百业，当每个人都在与智能系统协同工作，数字技能与素养便不再局限于信息工作者，而成为覆盖全民的基础性能力。联合国教科文组织将数字素养定义为通过数字技术安全、适当地获取、管理、理解、整合、沟通、评估与创造信息的能力，这一界定揭示出数字素养的本质——它不仅关乎“会不会用工具”，更关乎以批判性思维参与信息社会、以负责任的姿态运用技术的能力。

从宏观数据看，我国数字经济发展动能持续强劲。国家数据局发布的《数字中国发展报告（2025年）》显示，2025年我国数字经济核心产业增加值占国内生产总值比重达到10.5%以上，人工智能核心产业规模超过1.2万亿元，全年数字产业实现收入39.6万亿元。与此同时，我国网民规模已达11.25亿人，互联网普及率突破80%。数字技术在创造巨大价值的同时，也带来严峻的适配性挑战：一部分群体仍徘徊在数字门槛之外，企业智能化升级受制于运维能力短板，产业转型升级面临复合型人才的结构性短缺。

面对这一现实，有必要将“数字扫盲”“AI运维”“复合人才培养”三者作为一个整体来考察。三者并非彼此孤立的议题，而是同一场能力重构的不同层面：数字扫盲解决的是“基础准入”问题，AI运维解决的是“产业落地”问题，复合人才培养解决的是“持续供给”问题。唯有三者协同推进，方能支撑数字中国与人才强国建设的整体目标。本文据此展开系统研究，在梳理概念与政策的基础上，分别考察全民扫盲、产业运维与人才供给三条主线，最后提出三者协同的治理框架。

一、数字素养与技能：概念演进、国际框架与中国实践

（一）从信息素养到数字素养：概念的历史演进

数字素养并非一个全新的概念，而是经历了从计算机素养、信息素养、媒体素养到数字素养、数据素养、人工智能素养的层层演进。早期的“计算机素养”侧重操作技能，关注“会使用计算机”；信息时代的“信息素养”则强调信息的查找、评估与利用，关注“会处理信息”。进入数字时代，UNESCO所定义的数字素养在信息素养基础上叠加了沟通协作、内容创造、安全保护与问题解决等维度，将能力的边界从“个体处理信息”扩展至“参与数字社会”。

当前，随着大模型等生成式人工智能的普及，素养概念正在发生又一次跃迁。学界将“人工智能素养”理解为个体适应并驾驭人工智能的能力，其构成不仅包括关于人工智能的知识，还包括与之相关的情感与思维。这意味着，面向AI时代的数字素养已不再是被动使用数字工具的能力，而是主动与智能系统协同、对其输出保持批判性审视、并在人机共生的环境中保持主体性的能力。这一范式转变构成了本文全部讨论的认知起点。

（二）国际数字素养框架的共识与启示

在国际层面，数字素养框架的建构已经形成较为成熟的共识。欧盟委员会发布的公民数字能力框架（DigComp）将数字能力划分为五个领域，即信息与数据素养、沟通与协作、数字内容创造、安全以及问题解决，并细分为二十余项具体能力，每个能力均设有不同熟练等级。联合国教科文组织于2018年发布《数字素养全球框架》，在DigComp五领域基础上补充了设备与软件操作、职业相关能力两个领域，构成涵盖七大素养领域、二十余项具体素养的完整体系，为各国制定数字素养评价工具提供了基准。

这些国际框架的共同启示在于：第一，数字素养是多维的复合能力，绝非简单的软件操作；第二，素养评价应可测量、可分级、可追踪，以便于政策干预与效果评估；第三，素养框架需随技术演进持续迭代，从“工具素养”走向“智能素养”。这些经验为我国建构本土化、分层分类的数字素养体系提供了重要参照。

（三）我国数字素养政策的战略部署

我国已从国家战略高度对数字素养与技能提升作出系统部署。2021年10月，中央网络安全和信息化委员会印发《提升全民数字素养与技能行动纲要》，将提升全民数字素养与技能定位为建设网络强国、数字中国的一项基础性、战略性、先导性工作，提出到2025年全民数字化适应力、胜任力、创造力显著提升，全民数字素养与技能达到发达国家水平，并展望2035年基本建成数字人才强国。该纲要既吸收了联合国教科文组织《数字素养全球框架》所达成的基本共识，又结合我国国情提出了具有中国特色的行动方案。

此后，相关政策持续加码。“十四五”国家信息化规划将全民数字素养与技能提升行动列为重要任务；2024年人力资源社会保障部等九部门印发《加快数字人才培育支撑数字经济发展行动方案（2024—2026年）》，围绕大数据、人工智能、智能制造等数字领域新职业，制定颁布国家职业标准、开发培训教程，分职业、分专业、分等级开展规范化培训与社会化评价，开辟数字人才自主培养新赛道。2026年，教育部等五部门印发《“人工智能+教育”行动计划》，明确提出坚持素养为先，分教育阶段推进人工智能教育，将人工智能纳入公共基础课程体系与教师资格考试和认证内容，推动人工智能全学段教育和全社会通识教育。这些政策共同勾勒出一条从“全民数字素养”到“AI时代人才强国”的战略主线。

值得注意的是，数字素养的提升不能停留在理念宣示，必须落实为可测量、可迭代的分层分类体系。借鉴国际框架的“能力维度—熟练等级”结构，我国应针对不同人群（青少年、在职劳动者、农民、老年人、残障人士等）制定差异化的素养基准，建立“基础准入—进阶提升—专业应用”的梯度模型；依托全民数字素养与技能提升平台等载体开展常态化的素养测评与数据监测，用数据驱动扫盲与培训的精准投放。只有当素养提升从“一次性行动”走向“持续化治理”，政策的战略价值才能真正转化为全民能力的普遍提升。

二、数字扫盲：弥合数字鸿沟的全民工程

（一）数字鸿沟的现实图景

数字扫盲的对象，是那些仍被挡在数字生活之外的群体。尽管我国互联网普及率已突破80%，但结构性鸿沟依然显著。中国互联网络信息中心的统计数据显示，截至2025年12月，我国60岁及以上老年网民的互联网使用率为53.7%，仍明显低于全国平均水平，且这一群体在非网民中占比过半。农村地区的互联网普及率约为69.5%，与城市仍存在差距。从国际看，国际电信联盟《2025年事实与数字》显示，高收入国家94%的人使用互联网，而低收入国家仅为23%，离线人群中96%生活在中低收入国家。数字鸿沟与经济发展水平、年龄结构、地域分布高度耦合，成为制约全民数字素养提升的深层障碍。

尤其值得关注的是“接入性鸿沟”与“素养性鸿沟”的叠加。一方面，部分老年人、低收入群体因设备成本与操作复杂度被挡在数字大门之外；另一方面，即便是已接入网络的群体，其信息辨别、安全防护、内容创造等高阶能力仍然不足，面对虚假信息、网络诈骗与算法操纵时往往缺乏防范能力。数字扫盲因此不能停留在“教会上网”的层面，而必须向“会辨别、会防护、会运用”延伸。

（二）数字扫盲的分众化路径

数字扫盲的难点在于对象高度异质，必须坚持分众化、精准化、场景化。面向老年群体，应依托社区、养老机构与家庭代际互助，围绕就医挂号、社保办理、移动支付、视频通话等高频生活场景开展手把手教学，并同步推进智能终端的适老化改造与“关怀模式”建设，降低使用门槛。面向农村与偏远地区，应结合网络基础设施普及，推动优质数字教育资源下沉，培育“数字带头人”，以乡土化、接地气的方式传授实用技能。面向低技能劳动力，应将数字技能培训与职业技能提升、就业援助相结合，帮助其适应产业数字化的岗位需求。

值得注意的是，数字扫盲不仅是面向特定弱势群体的救济性工程，更应内化为面向全社会的常态化能力建设。全民数字素养与技能提升平台、数字素养进社区、数字乡村建设等载体，正是将扫盲从“一次性帮扶”转化为“持续性赋能”的有益探索。只有当数字素养成为全民的基础素质，数字红利才能真正实现人人共享，数字共同富裕才有坚实的支撑。

从国际经验看，各国普遍将数字扫盲与终身学习、就业能力建设捆绑推进。欧盟通过“数字技能与就业平台”整合成员国培训资源，面向不同熟练等级公民提供在线课程与认证，并将数字技能列为再就业培训的必备内容；奥地利等国依据DigComp框架构建国家数字能力框架，通过标准化工具支撑全民数字技能的检测与提升。这些做法启示我们：数字扫盲应主动嵌入就业援助、社区治理与公共服务的日常流程，以“技能—就业—生活”的融合场景驱动素养落地，而非仅仅依靠集中式的宣教活动。

三、AI运维：从信息化运维走向智能化运营

（一）AI运维的概念体系与价值定位

如果说数字扫盲解决的是“人如何进入数字世界”，那么AI运维解决的则是“智能系统如何在产业中持续稳定地创造价值”。人工智能从实验室走向生产环境，面临的核心难题不是模型精度，而是模型的工程化、稳定化与持续运营。业界以AIOps（面向IT运营的人工智能）、MLOps（机器学习研发运营体系）、LLMOps（大模型运营体系）等概念指称这一能力域，其共同指向是从“写模型”到“用模型、养模型、管模型”的完整生命周期管理。

AIOps利用大数据、机器学习与大模型技术，对海量运维数据进行智能分析，实现故障预测、异常检测、根因定位与自动处置，从而将IT运维从依赖专家经验的被动响应，转向基于数据的主动运营。MLOps则将机器学习模型的开发、训练、部署、监控、迭代纳入标准化流水线，弥合数据科学家与运维工程师之间的鸿沟，使模型从代码走向可持续运行的“产品”。随着大模型的兴起，LLMOps进一步关注提示工程、模型评估、幻觉抑制、上下文管理与成本优化等新型运营问题。AI运维的本质，是将人工智能的“工程化底座”做实，让智能化真正可落地、可复制、可规模化。

（二）AI运维落地的现实挑战

中国信息通信研究院发布的《人工智能研发运营体系（MLOps）实践指南》指出，MLOps落地面临组织驱动力不足、技术栈不清晰、建设成本高且短期价值不显等多重挑战。对多数组织而言，AI能力建设仍停留在“试点”阶段，缺乏统一的工程化治理与度量体系。业内讨论亦表明，大模型在运维场景的应用仍受数据模态不统一、高质量标注数据缺乏、跨专业关联性不足等瓶颈制约，且存在“幻觉”带来的决策风险——看似正确的推理结果实则可能完全错误，这对运维的可靠性与可解释性提出了极高要求。

更深层的挑战来自人才。AI运维工程师需要同时具备机器学习、软件工程与领域业务三重复合能力，而兼具“技术深度”与“业务理解”的复合型人才极其稀缺。市场研究显示，具备机器学习与软件工程复合能力的MLOps工程师存在显著供需缺口，具备AIOps平台部署、调优及跨系统集成能力的复合型工程师同样供不应求，相关岗位薪酬水平高企。这恰恰印证了本研究的核心判断：AI运维不是纯技术问题，而是一个深度的“人—技—业”协同问题，其瓶颈最终指向人才培养。

（三）AI运维能力建设的路径

推进AI运维能力建设，应从技术、组织与人才三端协同发力。在技术端，应推动运维数据的标准化治理、构建统一的可观测性平台，将大模型能力嵌入告警研判、根因分析与自动处置流程，同时建立严格的模型评估与幻觉抑制机制，确保智能决策的可信。在组织端，应设立数据与模型治理委员会，明确AI研发、运维、业务与风控的责任边界，将AI工程化能力纳入企业数字化成熟度评价。在人才端，应围绕MLOps、LLMOps构建系统化的岗位能力标准与培训认证体系，推动运维工程师向“懂AI、懂数据、懂业务”的复合型角色转型，这是破解AI落地人才瓶颈的根本之举。

面向智能体与大模型深度渗透的新阶段，AI运维的对象与边界正在快速扩展。一方面，随着智能体（Agent）被部署于业务流程，运维已从“系统与应用的可用性保障”延伸至“智能体的行为治理”，需要建立针对智能体决策的可解释、可回退与可审计机制，防范其在复杂环境中出现越权、误判与失控；另一方面，算力、数据与模型三者构成AI工程化的新型基础设施，运维能力必须同步覆盖算力调度与成本优化、数据质量与标注治理、模型版本与评测管理，形成“算力—数据—模型—应用”一体化的运营闭环。这意味着AI运维人才不仅要精通工具链，更要具备系统工程思维、数据治理意识与业务价值判断力，其培养难度与战略价值也因此远超传统的运维工程师。

同时，AI运维的安全与合规属性不容忽视。智能系统在运行中会接触大量业务数据与个人信息，运维环节一旦失守，便可能造成数据泄露、模型投毒、供应链攻击等系统性风险。因此，AI运维必须将安全防护、隐私保护与合规审计内建于开发运维流程之中，落实数据分类分级、访问控制、日志留存与应急处置等要求，使智能化运营始终运行在安全可控的轨道上。这也对运维人才提出了兼具技术能力与责任意识的双重要求。

四、复合人才培养：面向AI时代的人才体系重构

（一）复合型人才的时代需求

人工智能对就业结构与人才需求的影响是深层的。一方面，AI技术正在加速与各行业深度融合，既懂产业又懂AI的复合型人才缺口不断扩大，企业急需能将大模型、智能体嵌入电网调度、纺织印染、医疗服务、物流优化等具体场景的“翻译者”与“工程师”。另一方面，数字人才供给呈现“塔基庞大、部分领域供给过剩、塔尖人才极度稀缺”的结构性失衡，尤其在算法、云计算架构、集成电路设计等方向，高端领军型与创新型人才严重不足。研究显示，到2030年中国对人工智能专业人才的需求预计将达数百万量级，人才缺口巨大，而具备“技术+垂直行业”背景的复合型人才更是普遍供不应求。

这种需求的本质，是产业从“信息化”迈向“智能化”过程中对人才能力结构的一次重构。单一的纯技术人才或纯业务人才都难以胜任AI时代的核心岗位，唯有贯通“数字技术—数据思维—领域知识”的复合型人才，才能成为智能化转型的中坚力量。从能力模型看，这种复合型人才往往兼具纵向的领域专业深度与横向的技术广度，既能在本专业内深耕，又能跨学科协作、将AI能力转化为业务价值，其在理论上的理想形态被形象地称为“T型人才”或“π型人才”——“一竖”代表专业纵深，“一横”代表跨域广度，而能够同时具备两条专业纵深、并以AI为联结中枢者，正是当前产业界最稀缺也最抢手的对象。

进一步看，复合人才的能力结构还应向“软硬兼备”的方向延展。除技术硬技能外，批判性思维、跨领域沟通、复杂问题拆解、伦理判断与人机协作能力等“软技能”，在AI时代正变得愈发关键。当大量程式化工作被智能体接管，人类的核心价值恰恰在于提出正确问题、做出价值判断与承担道德责任。因此，复合人才的培养不应止于“技术叠加”，而应致力于培养兼具技术素养、数据思维与人文关怀的完整的人，这是面向AI时代人才培养理念的根本转向。

（二）教育体系的全学段贯通

复合人才培养的根本在教育体系的全学段贯通。按照“人工智能+教育”行动计划的部署，基础教育阶段应注重素养培育，通过螺旋式课程设计实现从认知启蒙到创新实践的素养发展，着力培养学生智能思维；高等教育阶段应强化人工智能与各学科的交叉融合，将人工智能纳入公共基础课程体系，推动学科专业结构的适应性调整；职业教育阶段应突出技能提升，推动传统产业相关专业的智能转型，培养适应产业变革的高技能人才；终身教育阶段则应汇聚开发优质教育资源，确保全体学习者享有平等学习人工智能的机会。

与此同时，师资队伍与评价机制是教育落地的关键支撑。应制定教师智能素养标准，明确教师应具备的人工智能素养能力，根据不同岗位分层分类开展培训与情境化测评；将人工智能纳入教师资格考试和认证内容；推动师范生培养改革，将前沿技术知识纳入课程体系。评价层面，应开发智能化、梯度化的测评工具，以素养导向而非知识记忆导向衡量育人成效，确保“素养为先”真正落地。

（三）职业教育与新职业标准体系

面向产业最前沿的技能需求，新职业与职业技能标准体系的建设尤为关键。我国已陆续颁布人工智能训练师、数字化解决方案设计师等新职业的国家职业技能标准。人工智能训练师国家职业技能标准将从业者划分为若干技能等级，涵盖数据库管理、算法参数设置、人机交互设计、性能测试跟踪等核心工作内容，并包含数据标注员、人工智能算法测试员等核心工种；数字化解决方案设计师职业标准则面向产业数字化需求分析与挖掘、解决方案制定、项目实施与运营技术支撑，直接呼应了企业智能化的真实岗位需求。

实践层面，各地正积极探索AI复合型技能人才培养的闭环机制。有地区构建“岗位需求库＋培训资源供给库”，打通需求、标准、平台、培育、评价五条链条，形成从岗位需求到合格AI复合型技能人才产出的全流程闭环；技工院校加速成为AI技能培训的“蓄水池”，在校生规模庞大、年度开展职业技能培训量可观；行业协会作为职业技能等级认定机构，已组织多批次鉴定考试，认定方向涵盖数据标注、模型训练、智能系统运维等核心板块。技能认证既为新兴产业人才提升技能明确方向，也为传统行业人才转入新兴产业提供了有效通道。

（四）产教融合与校企协同

复合人才培养不能关起门来办学，必须走深产教融合、校企协同之路。高校与科研机构应面向企业真实场景开展课题研究与人才培养，将产业最新需求映射到培养方案；龙头企业应开放算力、数据与真实业务场景，深度参与课程开发与实训基地共建；职业院校与技工院校应依托订单式培养、现代学徒制等模式，让学生在校期间即可接触产业一线的智能化流程。同时，应建立人才需求动态监测机制，由行业组织定期发布岗位需求与能力缺口图谱，引导教育供给与产业需求精准对接，避免“学用脱节”与重复建设。

复合人才培养还须面向存量劳动力，构建覆盖全职业生涯的转型通道。产业数字化在优化就业技能结构的同时，也在淘汰一部分重复性岗位，相当数量的存量劳动者面临技能再升级的现实压力。为此，应把数字技能培训纳入继续教育、职业技能提升行动与失业保险制度的支持范围，针对转岗劳动者、灵活就业人员开展定向的AI应用技能培训，并通过职业技能等级认定、企业新型学徒制等方式打通“技能学习—认证—上岗”的通道。唯有兼顾“增量培养”与“存量转型”，复合人才供给才能真正跟上产业演进的步伐，也才能在技术变革中守住就业底线、实现高质量充分就业。

五、数字素养、AI运维与复合人才的三位一体协同

前述三章的分析表明，数字扫盲、AI运维与复合人才培养并非相互独立的并列任务，而是同一场能力重构中相互支撑、层层递进的三个环节，必须作为一个整体加以系统推进。

从逻辑关系看，数字扫盲为全社会奠定数字素养的“底座”，是AI时代公民能力的最低门槛；复合人才培养在底座之上构筑专业化的“塔身”，为产业发展提供专业人才支撑；AI运维则是检验人才成效、推动智能系统持续创造价值的“应用场”，反过来又对人才能力提出更高要求。三者之间存在清晰的正反馈：全民素养提升扩大了数字技能应用的基数，产业应用深化催生了对复合人才的更大需求，而人才供给的充裕又反过来加速了AI运维的落地与普及。

因此，政策设计应避免“各自为政”，而应构建统一的战略框架：以数字素养评价体系为公共基准，以新职业标准与技能认证为产业接口，以教育体系改革为人才培养主渠道，以企业智能化转型为应用牵引，形成“评价—培养—认证—应用”的闭环。同时，数字素养的提升、AI运维的推进与人才培养的全过程都必须贯穿数据安全与伦理治理的底线要求，确保数字技能的运用始终服务于人的全面发展与社会公平正义。

在制度层面，应重点补齐三块短板。其一，健全数字素养与AI能力的国家基准与评价认证体系，使全民扫盲、职业培训与学历教育在统一基准下衔接互认，避免标准碎片化；其二，完善多元化投入与激励机制，引导企业、社会资本与个人共同参与数字技能建设，对承担公共培训职能的机构给予支持；其三，强化区域协同与国际协作，针对东部与中西部、城市与乡村的人才落差，通过对口支援、资源共享与人才流动政策缩小差距，同时积极参与数字素养与AI人才治理的国际规则对话，在框架互认、标准协同中提升我国在该领域的国际话语权。唯有制度供给跟上能力建设的步伐，三位一体的协同框架才能从理念落地为可执行、可持续的治理实践。

六、结论与展望

数字技能与素养提升，是AI时代关乎国家竞争力、产业升级与人的全面发展的战略性命题。本文的考察表明：数字素养已从工具性技能跃迁为面向智能时代的复合性基础能力；数字扫盲必须坚持分众化、场景化与常态化，弥合城乡、代际与群体间的数字鸿沟；AI运维是人工智能从技术走向产业的必由之路，其瓶颈最终指向复合型人才；复合人才培养则需要教育体系全学段贯通、新职业标准引领与产教深度融合的系统支撑。

展望未来，随着大模型、智能体与具身智能等技术加速演进，数字素养的内涵仍将持续扩展，AI运维的对象也将从“系统运维”走向“智能体治理”，复合人才的能力边界将从“人机协同”走向“人机共生”。面向这一趋势，持续完善数字素养框架、夯实AI工程化能力、构建面向未来的复合人才供给体系，既是建设网络强国与数字中国的应有之义，也是让数字技术红利惠及全体人民、实现高质量发展的重要保障。

需要强调的是，数字技能与素养提升本质上是一项长期而系统的社会工程，其成效既取决于顶层设计的战略定力，也取决于政府、企业、院校、社区与每个公民的协同行动。技术的迭代不会等待能力的就绪，唯有以“先立后破、稳步推进”的姿态，在扫盲中夯实底座、在运维中检验价值、在育人中蓄积动能，方能在AI时代赢得主动。淞基科技（上海）有限公司、淞基信息通信研究院、淞基未来信息网研究部、淞基新一代信息技术网研究部将持续围绕数字素养与智能人才培养开展系统研究，为相关决策与产业实践提供参考。

数据来源

本文核心数据与政策依据主要来源于以下公开权威渠道：

1. 中央网络安全和信息化委员会：《提升全民数字素养与技能行动纲要》，2021年10月印发（中央网信办官网）；

2. 国家数据局：《数字中国发展报告（2025年）》，2026年4月发布；

3. 中国互联网络信息中心（CNNIC）：第56次、第57次《中国互联网络发展状况统计报告》；

4. 国家统计局：《数字中国发展报告》相关统计口径及“十四五”经济社会发展成就系列报告；

5. 联合国教科文组织（UNESCO）：《数字素养全球框架》，2018年发布；

6. 欧盟委员会：公民数字能力框架（DigComp 2.2）；

7. 国际电信联盟（ITU）：《2025年事实与数字》报告；

8. 中国信息通信研究院：《人工智能研发运营体系（MLOps）实践指南（2023年）》；

9. 人力资源社会保障部等部门：《加快数字人才培育支撑数字经济发展行动方案（2024—2026年）》，2024年4月印发；

10. 人力资源社会保障部：《人工智能训练师国家职业技能标准（2021年版）》《数字化解决方案设计师国家职业标准（2024年版）》；

11. 教育部等五部门：《“人工智能+教育”行动计划》，2026年4月印发；

12. 教育部：《中小学人工智能通识教育指南（2025年版）》；

13. 麦肯锡咨询、智联招聘、毕马威、普华永道等机构关于AI人才缺口与数字人才结构的公开调研数据；

14. 《瞭望》周刊、新华网、中国政府网、国家数据局官网等权威媒体的相关公开报道。

免责声明

本报告由淞基科技（上海）有限公司、淞基信息通信研究院、淞基未来信息网研究部、淞基新一代信息技术网研究部联合撰写，仅供行业研究与参考交流之用，不构成任何投资、商业或政策决策的正式依据。报告中引用的数据与政策信息均来源于公开渠道，作者已尽合理努力确保其准确性与时效性，但不对其完整性、及时性及因使用本报告内容而产生的任何直接或间接损失承担责任。报告中涉及的分析观点、判断与建议仅代表研究部门在撰写之时的立场，不构成对任何组织或个人的承诺，也不对任何具体决策负有担保义务。未经授权，任何组织或个人不得将本报告用于商业牟利、不当宣传或误导性传播。如需引用或转载，请注明出处并保持内容完整，因不当使用产生的一切后果由使用者自行承担。