淺議大數(shù)據(jù)時(shí)代的社會(huì)學(xué)研究

張琳

（河北省科技工程學(xué)校，河北 保定 071000）

一、大數(shù)據(jù)與傳統(tǒng)數(shù)據(jù)的區(qū)別

（一）定義

維基百科對(duì)大數(shù)據(jù)給出的定義是：“大數(shù)據(jù)（Big Data 或MegaData）或巨量數(shù)據(jù)、海量數(shù)據(jù)，指的是所涉及的數(shù)據(jù)量規(guī)模大到無(wú)法通過(guò)人工在合理時(shí)間內(nèi)達(dá)到截取、管理、處理并整理成為人類所能解讀的信息。”這是從數(shù)量的級(jí)別 （PB或 ZB）來(lái)定義大數(shù)據(jù)的，主要講的是數(shù)據(jù)量巨大使得用常規(guī)的數(shù)據(jù)分析技術(shù)無(wú)法挖掘和處理。

（二）類型

傳統(tǒng)數(shù)據(jù)的類型以結(jié)構(gòu)化為主，這是基于明確的研究目標(biāo)而設(shè)置的標(biāo)準(zhǔn)化的數(shù)據(jù)收集規(guī)范。與此相對(duì)應(yīng)，大數(shù)據(jù)的類型除了少量的結(jié)構(gòu)化數(shù)據(jù)之外，大量以非結(jié)構(gòu)化或半結(jié)構(gòu)化的形式存在，包括網(wǎng)絡(luò)日志、音頻、視頻、圖片、地理位置信息等等，類型多樣的數(shù)據(jù)對(duì)數(shù)據(jù)處理能力提出了更高的要求。

（三）來(lái)源

傳統(tǒng)數(shù)據(jù)多數(shù)來(lái)源于抽樣調(diào)查或統(tǒng)計(jì)調(diào)查。而抽樣調(diào)查一般按照隨機(jī)原則，設(shè)計(jì)嚴(yán)格的抽樣程序來(lái)獲取樣本數(shù)據(jù)。國(guó)內(nèi)外學(xué)術(shù)界有影響的問卷調(diào)查數(shù)據(jù)多數(shù)采用多階段、多層次與人口或勞動(dòng)力規(guī)模成比例的概率抽樣方法 （PPS）以確定最終的抽樣單位，通常采用面訪的方式獲得樣本數(shù)據(jù)；而大數(shù)據(jù)是基于現(xiàn)代科技手段，采取實(shí)時(shí)監(jiān)控、測(cè)量、存儲(chǔ)的方式及時(shí)獲得數(shù)據(jù)。例如，基于互聯(lián)網(wǎng)和現(xiàn)代智能技術(shù)所獲得的交通流量、醫(yī)療衛(wèi)生健康、氣象水文、環(huán)境變化、社交娛樂互動(dòng)、商業(yè)物流等方面的記錄，尤其是近年來(lái)基于互聯(lián)網(wǎng)的瀏覽、搜索引擎、上傳下載等行為產(chǎn)生的數(shù)據(jù)，成為大數(shù)據(jù)的主要代表。

（四）時(shí)效性

傳統(tǒng)數(shù)據(jù)的收集和清理的時(shí)間較長(zhǎng)、處理速度較慢、時(shí)效性不強(qiáng)。多數(shù)傳統(tǒng)數(shù)據(jù)是靜態(tài)的截面數(shù)據(jù)，即使追蹤調(diào)查數(shù)據(jù) （Panel Data）也至多是兩三年以后對(duì)同一期群的事后回溯性訪問；大數(shù)據(jù)的處理速度快，時(shí)效性高。大數(shù)據(jù)可以及時(shí)更新、及時(shí)變化、及時(shí)追蹤。這是大數(shù)據(jù)挖掘區(qū)別于傳統(tǒng)數(shù)據(jù)挖掘最顯著的一個(gè)特征。

二、大數(shù)據(jù)時(shí)代社會(huì)學(xué)的研究

在企業(yè)、政府和社會(huì)各界紛紛為大數(shù)據(jù)時(shí)代的到來(lái)而歡欣鼓舞之際，我們還更需要進(jìn)行更為深入的理性思考。我們認(rèn)為，在社會(huì)學(xué)方法論和研究方法上如何突破，仍然是亟待社會(huì)學(xué)家解決的首要問題。大數(shù)據(jù)挖掘技術(shù)和分析方法給社會(huì)學(xué)學(xué)科發(fā)展帶來(lái)難得的歷史機(jī)遇的同時(shí)，也給社會(huì)學(xué)研究帶來(lái)了嚴(yán)峻的挑戰(zhàn)。

（一）樣本偏差問題與傳統(tǒng)的社會(huì)學(xué)定量分析相比，大數(shù)據(jù)的樣本從數(shù)量上更接近于總體，但是這個(gè)總體是有偏差的、有局限性的。中國(guó)有 7.72億網(wǎng)民，而中國(guó)總?cè)丝?13.9億，那么通過(guò)互聯(lián)網(wǎng)抓取個(gè)人信息的方式來(lái)獲得的大數(shù)據(jù)依然無(wú)法涵蓋6.18億非網(wǎng)民。在實(shí)際的研究中，研究者往往僅依靠一個(gè)或幾個(gè)門戶網(wǎng)站的后臺(tái)數(shù)據(jù)作為分析資料，那么這種大數(shù)據(jù)僅是使用該網(wǎng)站用戶的數(shù)據(jù)，不能將分析結(jié)果推論到其他網(wǎng)民，更不能推論到全體國(guó)民。因此，社會(huì)學(xué)研究者應(yīng)該明白，大數(shù)據(jù)中的總體是有局限、有偏差的總體，其他難以通過(guò)大數(shù)據(jù)方法抓取的個(gè)體并未作為研究對(duì)象包含在總體中。因此，對(duì)于研究結(jié)論的推論也只能在有限總體的范圍內(nèi)才可能是有效的或可靠的；此外，互聯(lián)網(wǎng)網(wǎng)民的個(gè)人活躍度存在很大差異，其活動(dòng)或痕跡被抓取的概率也不同，因此互聯(lián)網(wǎng)大數(shù)據(jù)的形成既不是抽樣，也遠(yuǎn)非隨機(jī)，而是具有極大的偶然性

（二）重要變量的缺失問題雖然一些網(wǎng)站的后臺(tái)數(shù)據(jù)也能提供網(wǎng)民的性別、年齡、職業(yè)、收入、家庭結(jié)構(gòu)、居住地、出生地等社會(huì)人口信息，但是這些自我填報(bào)沒有經(jīng)過(guò)實(shí)名認(rèn)證的信息存在著很大的水分甚至虛假成分。互聯(lián)網(wǎng)區(qū)別于現(xiàn)實(shí)世界的一個(gè)重要特征是其虛擬性。網(wǎng)絡(luò)世界網(wǎng)民身份具有不可靠性。作為社會(huì)學(xué)定量分析最關(guān)鍵的這些分類信息如果缺失或虛假的話，以此數(shù)據(jù)分析所得結(jié)論的可靠性就會(huì)大打折扣。

（三）相關(guān)關(guān)系解釋性不強(qiáng)的問題依據(jù)相關(guān)關(guān)系而非因果關(guān)系分析所獲得的結(jié)論在解釋性研究中的效度不強(qiáng)。如前所述，多數(shù)大數(shù)據(jù)的統(tǒng)計(jì)分析僅僅止步于相關(guān)關(guān)系。但是，社會(huì)學(xué)家很清楚，相關(guān)關(guān)系不一定是因果關(guān)系。熟悉統(tǒng)計(jì)學(xué)的學(xué)者都知道，當(dāng)數(shù)據(jù)的樣本量達(dá)到一定程度以后 （更不用說(shuō)大數(shù)據(jù)這樣的海量樣本），任何兩個(gè)根本不相關(guān)的變量之間都可能存在很顯著的相關(guān)性 （很可能是虛假相關(guān)），諸如美國(guó)沃爾瑪超市數(shù)據(jù)所揭示的季節(jié)性風(fēng)暴到來(lái)時(shí)蛋撻與颶風(fēng)用品銷售量的之間統(tǒng)計(jì)相關(guān)關(guān)系、西班牙大選投票數(shù)據(jù)所發(fā)現(xiàn)的天氣狀況不佳與保守黨得票率之間統(tǒng)計(jì)相關(guān)關(guān)系的虛假性。由于缺乏更多的控制變量可以應(yīng)用，大數(shù)據(jù)的社會(huì)學(xué)統(tǒng)計(jì)分析目前基本上還沒有運(yùn)用中高級(jí)統(tǒng)計(jì)模型的因果分析的成果。實(shí)際上，除了相關(guān)關(guān)系分析之外，多元回歸模型、中介模型、多層次對(duì)數(shù)模型、曲線模型等因果模型，在解釋性研究中發(fā)揮著關(guān)鍵的作用。如何運(yùn)用因果模型進(jìn)行大數(shù)據(jù)的社會(huì)分析還需要進(jìn)一步的研究。

（四）各種大數(shù)據(jù)的整合還是一個(gè)難題雖然公共數(shù)據(jù)的開放與共享正在成為一種趨勢(shì)，互聯(lián)網(wǎng)門戶網(wǎng)站和互聯(lián)網(wǎng)公司所開放的數(shù)據(jù)還相當(dāng)粗放和有限，多數(shù)開放數(shù)據(jù)是研究者利用爬蟲技術(shù)從網(wǎng)站上抓取的未經(jīng)加工、篩選的原始數(shù)據(jù)，政府職能部門、公立機(jī)構(gòu) （如銀行和金融機(jī)構(gòu)、通訊公司、醫(yī)療衛(wèi)生機(jī)構(gòu)）和非公立部門（如私營(yíng)互聯(lián)網(wǎng)公司和大數(shù)據(jù)公司）、社會(huì)組織等掌握的數(shù)據(jù)的開放程度也非常低。在我國(guó)政府將大數(shù)據(jù)產(chǎn)業(yè)作為一種基礎(chǔ)性戰(zhàn)略資源重點(diǎn)支持的宏觀背景下，如果各部門都將自己擁有的壟斷性大數(shù)據(jù)作為“私有資源”的話，那么勢(shì)必會(huì)形成“數(shù)據(jù)孤島”現(xiàn)象。不僅會(huì)造成現(xiàn)有數(shù)據(jù)資源的浪費(fèi)，而且還會(huì)造成同類數(shù)據(jù)挖掘和分析的重復(fù)投入。國(guó)內(nèi)外關(guān)于大數(shù)據(jù)科學(xué)領(lǐng)域的應(yīng)用目前主要集中于資料的收集和儲(chǔ)存方面，對(duì)于用什么方法分析這些海量數(shù)據(jù)，用什么理論解釋互聯(lián)網(wǎng)世界的社會(huì)秩序、社會(huì)規(guī)范、社會(huì)角色、社會(huì)結(jié)構(gòu)、社會(huì)互動(dòng)、社會(huì)分層與社會(huì)不平等這些社會(huì)學(xué)的經(jīng)典問題，目前國(guó)內(nèi)外還都處在同一起跑線上。因此，通過(guò)我國(guó)社會(huì)學(xué)家與其他社會(huì)科學(xué)家、自然科學(xué)工作者特別是計(jì)算機(jī)專家、統(tǒng)計(jì)學(xué)專家的協(xié)同創(chuàng)新和聯(lián)合攻關(guān)，有望提出具有獨(dú)創(chuàng)性和原創(chuàng)性的分析方法、研究范式、理論體系和國(guó)際標(biāo)準(zhǔn)，在全球范圍內(nèi)領(lǐng)跑。