
山头林立级别特高 “打虎”大数据:传递哪些信息
打虎”大数据:传递哪些信息
表一
图一
图二
表二
表三
十八届中央纪委五次全会开幕前夕,1月7日,中央纪委监察部举行新闻发布会,通报2014年党风廉政建设和反腐败成效。中央纪委副书记、监察部部长黄树贤介绍了十八大以来中纪委的“打虎”成效:“中央纪委监察部对涉嫌违纪违法的中管干部已结案处理和正在立案审查的68人,周永康、蒋洁敏、李东生、李崇禧、申维辰等30人涉嫌犯罪已被移送司法机关依法处理;目前,正在立案审查的还有令计划、苏荣、朱明国等案件。”可以说,反腐力度之大、战线之长、硕果之丰,前所未有。
笔者通过统计、归纳68名被查高官的具体信息,得到十八大以来的“打虎”大数据。这些大数据传递了哪些信息?让我们用数据说话、用图表说事、用文字说理。
数量巨大
如表一所示,新中国成立至今的65年间,据公开资料统计,共查处省部级以上高官205名。党的十八大之前的63年内,因涉嫌腐败犯罪或严重违纪违法落马的省部级以上高官为145名,平均每年有2.3名高官被查、落马;党的十八大之后,两年多时间内因涉嫌犯罪或严重违纪违法落马的省部级以上高官达68名,平均每年有34名高官被查,年均落马高官数量为十八大之前的10多倍。这不仅说明当前我国省部级高官腐败问题的严重性,更反映出现阶段反腐力度之大,以及反腐败斗争的长期性与复杂性。
时间集中
从2012年12月2日四川省委原副书记李春城落马至2014年12月26日国家工商行政管理总局原党组成员、副局长孙鸿志被调查为止,在短短25个月时间里,68名省部级以上高官落马,平均每个月多达2.72人。
如图一所示,在2013年中,落马高官数大致保持按月递增,12月更是到达顶峰的6名;2014年,除1月份无高官落马外,每个月都保持至少3名以上高官落马,较之2013年同期落马高官数又有大幅提高,高官落马时间之集中,前所未有。
山头林立
高官腐败呈现出的一个新特点就是高官之间帮派盛行、山头林立。一些落马高官利用职务便利与在官场的“影响力”,大搞团团伙伙,结党营私,拉帮结派,形成利益共同体。在这些落马高官中,极具代表性的有“石油帮”“秘书帮”“山西帮”(见图二)。早在30年前,邓小平就首次提出“小圈子”害死人,并指出很多失误、错误缘起于“小圈子”主义。现阶段的高官腐败案件查处中,大量的窝案、串案一并被发现,“拔出萝卜带出泥”已成高官反腐背后常态。杜绝、防治帮派主义、山头主义,权力监督是保障,依法行政是关键,要确保行政工作在法治轨道上平稳运行。
覆盖面广
68名落马官员的地域分布中,中央机关占到了13名,所占比例高达21.7%。天津、重庆作为直辖市,分别有1名高官落马。其他省份中,山西、四川、江西3省被查人数“名列前茅”,具体官员的个人信息则与苏荣、周永康、令计划3只“大老虎”分别存在着千丝万缕的联系。香港特别行政区有2名国企高官被查,更是体现出反腐覆盖面之广。68名高官分别来自24个省、自治区、直辖市,占34个省级行政区的70.6%。反腐之风吹遍全国各地,昭示着“打虎”反腐的全面开展。
级别特高
如表二所示,新中国成立起至党的十八大之前,因贪腐问题落马的国家级高官仅4人,且都属于副国级官员。十八大后的两年间,落马高官中已有4名国家级高官。其中周永康为正国级,徐才厚、苏荣、令计划为副国级。落马高官级别之高,突出体现了中央反腐决心之大、力度之强。在“上梁不正下梁歪”的朴素理念下,只有高官中的腐败分子少了,基层官员中的廉洁楷模才能越来越多。
力惩军腐
在68名落马高官中,徐才厚、杨金山等人的身份尤其特殊。徐才厚原系中央政治局委员、中央军委副主席,上将军衔;杨金山原系成都军区副司令员,中将军衔;2014年被公诉的解放军总后勤部原副部长谷俊山,系中将军衔,涉嫌贪污、受贿等罪名。这几个人都属军队系统高层领导干部。长期以来,受限于监督乏力(军队系统监督主要靠军队纪委,而军队的纪委,仅为正大军级别,而七大军区级别均高于军队纪委),军队中因腐败犯罪落马的高官甚少。此次,军委副主席、军区副司令员因涉嫌腐败等双双落马,极具标杆意义。这将震慑军内硕鼠,有利于遏制军队腐败的高发势头。
严惩不贷
根据媒体公开报道统计,党的十八大后“落马”的68名省部级以上高官中,30名已经进入司法程序,其中已有6人被追究刑事责任或进入审判程序;另有24人还在接受组织调查(其中原山西省副省长任润厚于2014年9月30日因癌病逝)。已被查清的高官中,只有衣俊卿、付晓光、赵智勇、张田欣4人因未涉罪而仅作出相应的党纪、政纪处理,未牵涉司法程序。严惩贪腐,竭力遏制“老虎式”腐败,高官反腐坚持下猛药、出重拳、用重典,让不敢腐败成为领导干部的普遍心理。
十八大以来的反腐败斗争,可谓历年来反腐力度最大、措施最有力、成效最显著。一大批腐败高官的落马,不仅彰显出中央反腐决心与力度,更是给民间反腐以鼓舞。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
随机森林算法的核心特点:原理、优势与应用解析 在机器学习领域,随机森林(Random Forest)作为集成学习(Ensemble Learning) ...
2025-09-05Excel 区域名定义:从基础到进阶的高效应用指南 在 Excel 数据处理中,频繁引用单元格区域(如A2:A100、B3:D20)不仅容易出错, ...
2025-09-05CDA 数据分析师:以六大分析方法构建数据驱动业务的核心能力 在数据驱动决策成为企业共识的当下,CDA(Certified Data Analyst) ...
2025-09-05SQL 日期截取:从基础方法到业务实战的全维度解析 在数据处理与业务分析中,日期数据是连接 “业务行为” 与 “时间维度” 的核 ...
2025-09-04在卷积神经网络(CNN)的发展历程中,解决 “梯度消失”“特征复用不足”“模型参数冗余” 一直是核心命题。2017 年提出的密集连 ...
2025-09-04CDA 数据分析师:驾驭数据范式,释放数据价值 在数字化转型浪潮席卷全球的当下,数据已成为企业核心生产要素。而 CDA(Certified ...
2025-09-04K-Means 聚类:无监督学习中数据分群的核心算法 在数据分析领域,当我们面对海量无标签数据(如用户行为记录、商品属性数据、图 ...
2025-09-03特征值、特征向量与主成分:数据降维背后的线性代数逻辑 在机器学习、数据分析与信号处理领域,“降维” 是破解高维数据复杂性的 ...
2025-09-03CDA 数据分析师与数据分析:解锁数据价值的关键 在数字经济高速发展的今天,数据已成为企业核心资产与社会发展的重要驱动力。无 ...
2025-09-03解析 loss.backward ():深度学习中梯度汇总与同步的自动触发核心 在深度学习模型训练流程中,loss.backward()是连接 “前向计算 ...
2025-09-02要解答 “画 K-S 图时横轴是等距还是等频” 的问题,需先明确 K-S 图的核心用途(检验样本分布与理论分布的一致性),再结合横轴 ...
2025-09-02CDA 数据分析师:助力企业破解数据需求与数据分析需求难题 在数字化浪潮席卷全球的当下,数据已成为企业核心战略资产。无论是市 ...
2025-09-02Power BI 度量值实战:基于每月收入与税金占比计算累计税金分摊金额 在企业财务分析中,税金分摊是成本核算与利润统计的核心环节 ...
2025-09-01巧用 ALTER TABLE rent ADD INDEX:租房系统数据库性能优化实践 在租房管理系统中,rent表是核心业务表之一,通常存储租赁订单信 ...
2025-09-01CDA 数据分析师:企业数字化转型的核心引擎 —— 从能力落地到价值跃迁 当数字化转型从 “选择题” 变为企业生存的 “必答题”, ...
2025-09-01数据清洗工具全景指南:从入门到进阶的实操路径 在数据驱动决策的链条中,“数据清洗” 是决定后续分析与建模有效性的 “第一道 ...
2025-08-29机器学习中的参数优化:以预测结果为核心的闭环调优路径 在机器学习模型落地中,“参数” 是连接 “数据” 与 “预测结果” 的关 ...
2025-08-29CDA 数据分析与量化策略分析流程:协同落地数据驱动价值 在数据驱动决策的实践中,“流程” 是确保价值落地的核心骨架 ——CDA ...
2025-08-29CDA含金量分析 在数字经济与人工智能深度融合的时代,数据驱动决策已成为企业核心竞争力的关键要素。CDA(Certified Data Analys ...
2025-08-28CDA认证:数据时代的职业通行证 当海通证券的交易大厅里闪烁的屏幕实时跳动着市场数据,当苏州银行的数字金融部连夜部署新的风控 ...
2025-08-28