京公网安备 11010802034615号
经营许可证编号:京B2-20210330
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
CDA数据分析师 出品 作者:李诗怡 1. 用户标签体系 定义: 通过一系列高度精炼的特征标识,对用户属性、行为与偏好进行量化刻画 ...
2026-09-24Pandas是Python生态中用于表格数据处理的核心库,广泛应用于数据清洗、统计运算、报表输出、数据分析建模等场景。在处理极大数值 ...
2026-09-24随着数字经济快速发展,数据已成为核心生产要素,各行各业的业务沉淀、用户行为、设备运行、市场交易均产生海量数据。数据处理作 ...
2026-09-24 很多分析师每天和数据打交道,但当被问到“标签是什么”“标签和指标有什么区别”“标签体系如何设计”时,却常常答不上来。 ...
2026-09-24在时序数据分析中,大部分业务数据并非持续平稳变化,而是会在某些时间节点出现突然抬升、断崖下跌、趋势反转、波动异变等现象, ...
2026-09-23在统计学与数据分析中,研究多组数据差异最常用的方法为单因素方差分析与事后多重比较。很多数据分析初学者容易混淆两者功能,认 ...
2026-09-23 很多数据分析师每天都在写 SQL,但当被问到“DQL 的本质是什么”“SELECT 子句的书写顺序与执行顺序为何不同”“INNER JOIN ...
2026-09-23 很多数据分析师写过无数个SELECT查询,但当被问到“如何新建一张表来固化中间数据”“创建视图和创建物理表有什么区别”“视 ...
2026-09-22CDA数据分析师 出品 作者:李诗怡 1. 金字塔原理 定义: 一种“先总后分、先结论后原因”的思考和表达方式。顶层为核心观点,中 ...
2026-09-22数据收集是数据分析、数据挖掘与数字化运营的源头工作,数据收集的完整性、准确性、时效性直接决定后续数据分析结果的可信度与业 ...
2026-09-21箱线图是数据分析中用于识别数据分布、判断离散程度、筛查异常值的核心图表。相比于直方图、趋势图,箱线图可以精准区分正常数据 ...
2026-09-21 很多数据分析师精通Excel函数和数据透视表,但当被问到“数据从哪里来”“表和视图有什么区别”“数据库管理系统和SQL是什么 ...
2026-09-21在数据库数据查询与数据分析工作中,日期时间是最常用的数据类型之一。原始数据库中存储的日期格式多为标准时间戳、年月日时分秒 ...
2026-09-20在时序数据分析中,增长率是衡量数据涨跌幅度、研判发展趋势、识别周期波动的核心指标,主要分为环比增长率与同比增长率。传统Ex ...
2026-09-20 很多企业团队并非缺乏指标,而是陷入“指标失控”:仪表盘上堆满实时跳动的数据,却无法回答“当前瓶颈在哪、下一步该做什么 ...
2026-09-20CDA数据分析师 出品 作者:李诗怡 STP模型(营销战略三步法) 定义: 现代营销战略核心框架,通过市场细分(S)、目标市场选择( ...
2026-09-18在互联网产品迭代、运营优化、界面改版与策略升级过程中,主观经验判断容易造成决策偏差、盲目改版、资源浪费等问题。AB实验(AB ...
2026-09-18 很多企业并不缺少指标,缺少的是让指标“串起来、动起来、用起来”的体系。零散指标像散落一地的珠子,指标体系则是那根把珠 ...
2026-09-18在电商行业精细化运营时代,流量红利逐步消退,粗放式投流、广撒网营销模式已无法适配市场竞争需求。依托用户点击、加购、收藏、 ...
2026-09-17在数据可视化与数据分析工作中,图表是将零散数据转化为直观业务规律的核心工具。不同图表拥有专属的数据逻辑与分析维度,能够从 ...
2026-09-17