
大数据下民意形态与协商民主
互联网时代把人类社会带入了以“PB”(1PB=1024TB)为单位的大数据时代。在大数据时代下,民意形态悄然发生了以下三重变迁。
民意测量:从样本转向总体
恩格斯认为,“历史是这样创造的:……有无数互相交错的力量,有无数个力的平行四边形,由此就产生出一个合力,即历史结果……每个意志都对合力有所贡献”。对每个个体独特历史价值的认识,构成协商民主最基本的理论渊源。正是基于协商民主的纽带,微观个体才得以平等地融入政治系统与政府治理流程。细微的利益诉求和意志表达,通过协商民主场域无时无刻的讨论、互动等输出为民主的政治选择与科学的公共政策。在工业时代的民主协商中,原子化的分散公民个体直接面对权力机器,并等待着权力有选择地抽取而进入协商场域。而在大数据时代下,网络悄然赋予普罗大众一种特殊的“解构”工具,原子化个体可以低成本甚至零成本联合起来,发出日益响亮的声音。
对于如何获取民意,小数据时代基于调查小数据的量化统计分析方法,曾具有数据调查与数据分析的显著优势,往往采取抽样方式,以最少样本数据获得最多民意信息。但是,在大数据时代,样本=总体。因为调查数据的优势逐渐丧失,大数据分析不再满足于基于抽样的民意调查。而相比于小样本数据,大数据具有巨大的数据选择空间,可以多维度、多视角地进行数据分析。大数据是信息网络记录和量化的数据,并能更为真实地体现民意,因为它不是来源于数据收集,而是忠实于数据记录。数据记录主要存在三种来源:互联网、社交网络、传感器。大数据的自动记录将碎片化民意信息综合化,形成系统、综合化、动态、可视化的整体民意信息,从而为更民主、更科学的决策奠定了更为坚实的民意基础。
大数据时代,可以通过一系列测量技术来获取民意大数据,并通过云计算,使其趋于指数化与可视化。大数据分析基于总体样本,将碎片化民意信息整合起来,形成系统民意,并且进一步利用网络图形学技术,通过多元化、多维图形显示方法,来描述大数据及其代表的民意变迁。我国国内主流网络媒体(如百度指数、新浪微博指数、天涯指数)已通过指数分析、可视化对民意大数据进行数据挖掘。在大数据网络平台上,个体不再以分散化方式进行微弱的话语表达,而是借助于网络工具将微弱的话语表达转化为大数据的数据形式,并通过网络云计算汇聚成为响亮的民意,融入权力行使的所有环节。
大数据下中国特色协商民主创新
阿尔文·托夫勒将社会发展图式归纳为农业社会第一次浪潮、工业社会第二次浪潮、信息社会第三次浪潮的起伏推进。在信息文明时代,数字协商民主已成为竞争高地。协商民主已经不单纯是权力主导型协商的独奏,而是三重领域协商民主的协奏。
第一领域:权力主导型协商。中国协商民主脉络经历了群众路线—政治协商—协商民主—数字协商民主,从而形成了一种既体现中国传统文化精粹,又具有基于主体间性的“交往—行动”的现代协商民主精神。第二领域:网络自协商民主。大数据网络构成了第二领域网络自协商的空间。网络秩序可借助于虚拟空间的自约束、自协商、自组织。在网络自治空间中,虚拟公决、虚拟裁判、网络集体行动的运作,应以网络公约为准绳,以公民权利为底线,以网民理性审查为保障,通过相互制衡实现网络自秩序。第三领域:数字协商民主。这一领域的协商民主是权力主导型协商与网络自协商通过交融与互嵌而形成的新型数字民主平台。数字协商民主融入权力流程的所有环节。
虚拟空间将现实空间主客体结构转化为两维扁平交往结构。数字协商民主需相应建立扁平化国家—网络间信息协商通道。信息社会与大数据时代背景下,数字协商民主作为一种有限而宝贵的资源,不能同量同质地平均分配,而应与网络凝聚群相适应,重点对网络意见领袖进行网络吸纳,并通过网络意见领袖为中心的社会网络向各节点传播,从而以最低成本实现数字协商民主。
大数据时代协商民主体制需具备三种核心能力:整合大数据的能力、协商民主与大数据的融合能力、协商民主的网络吸纳能力。
第一种能力:整合大数据的能力。在大数据时代,政府不但可以点对点的传统协商方式获取民意,而且可以通过大数据收集、数据挖掘、数据分析,探索并分析大数据背后的社会民意。第二种能力:协商民主与大数据的融合能力。大数据技术正成为数字协商民主的润滑剂与加速器。人民当家作主的宏大理论借助大数据信息流,使无数个体的细微话语嵌入国家治理流程各环节,“民有”的人民主权理想正踏踏实实地着陆为民治的实践。协商民主体制与大数据的融合,将进一步提升中国协商民主的制度化水平。第三种能力:协商民主的网络吸纳能力。政府基于大数据民意,通过数字协商与网络民意吸纳,使网民能参与政策议程的创建、政策方案选择、政策执行,从而化解潜在冲突,强化公共政策合法性,并为政策执行创造良好生态环境。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
Pandas 选取特定值所在行:6 类核心方法与实战指南 在使用 pandas 处理结构化数据时,“选取特定值所在的行” 是最高频的操作之 ...
2025-09-30球面卷积神经网络(SCNN) 为解决这一痛点,球面卷积神经网络(Spherical Convolutional Neural Network, SCNN) 应运而生。它通 ...
2025-09-30在企业日常运营中,“未来会怎样” 是决策者最关心的问题 —— 电商平台想知道 “下月销量能否达标”,金融机构想预判 “下周股 ...
2025-09-30Excel 能做聚类分析吗?基础方法、进阶技巧与场景边界 在数据分析领域,聚类分析是 “无监督学习” 的核心技术 —— 无需预设分 ...
2025-09-29XGBoost 决策树:原理、优化与工业级实战指南 在机器学习领域,决策树因 “可解释性强、处理非线性关系能力突出” 成为基础模型 ...
2025-09-29在标签体系的落地链路中,“设计标签逻辑” 只是第一步,真正让标签从 “纸上定义” 变为 “业务可用资产” 的关键,在于标签加 ...
2025-09-29在使用 Excel 数据透视表进行多维度数据汇总时,折叠功能是梳理数据层级的核心工具 —— 通过点击 “+/-” 符号可展开明细数据或 ...
2025-09-28在使用 Pandas 处理 CSV、TSV 等文本文件时,“引号” 是最容易引发格式混乱的 “隐形杀手”—— 比如字段中包含逗号(如 “北京 ...
2025-09-28在 CDA(Certified Data Analyst)数据分析师的技能工具箱中,数据查询语言(尤其是 SQL)是最基础、也最核心的 “武器”。无论 ...
2025-09-28Cox 模型时间依赖性检验:原理、方法与实战应用 在生存分析领域,Cox 比例风险模型(Cox Proportional Hazards Model)是分析 “ ...
2025-09-26检测因子类型的影响程度大小:评估标准、实战案例与管控策略 在检测分析领域(如环境监测、食品质量检测、工业产品合规性测试) ...
2025-09-26CDA 数据分析师:以数据库为基石,筑牢数据驱动的 “源头防线” 在数据驱动业务的链条中,“数据从哪里来” 是 CDA(Certified D ...
2025-09-26线性相关点分布的四种基本类型:特征、识别与实战应用 在数据分析与统计学中,“线性相关” 是描述两个数值变量间关联趋势的核心 ...
2025-09-25深度神经网络神经元个数确定指南:从原理到实战的科学路径 在深度神经网络(DNN)的设计中,“神经元个数” 是决定模型性能的关 ...
2025-09-25在企业数字化进程中,不少团队陷入 “指标困境”:仪表盘上堆砌着上百个指标,DAU、转化率、营收等数据实时跳动,却无法回答 “ ...
2025-09-25MySQL 服务器内存碎片:成因、检测与内存持续增长的解决策略 在 MySQL 运维中,“内存持续增长” 是常见且隐蔽的性能隐患 —— ...
2025-09-24人工智能重塑工程质量检测:核心应用、技术路径与实践案例 工程质量检测是保障建筑、市政、交通、水利等基础设施安全的 “最后一 ...
2025-09-24CDA 数据分析师:驾驭通用与场景指标,解锁数据驱动的精准路径 在数据驱动业务的实践中,指标是连接数据与决策的核心载体。但并 ...
2025-09-24在数据驱动的业务迭代中,AB 实验系统(负责验证业务优化效果)与业务系统(负责承载用户交互与核心流程)并非独立存在 —— 前 ...
2025-09-23CDA 业务数据分析:6 步闭环,让数据驱动业务落地 在企业数字化转型中,CDA(Certified Data Analyst)数据分析师的核心价值,并 ...
2025-09-23