大數據政治的興起、應用與治理

陳家喜　焦嘉欣

［摘要］大數據挖掘和存儲技術的快速發展，社交媒體的建設和普及以及政治競選的商業化走向，共同推動了大數據政治的誕生。大數據政治涉及“誰得到、何時得到以及如何得到”等基本問題。政府公開數據、選民信息數據、商業交易數據、社交媒體數據、科學調查研究數據、自愿透露數據與間接推斷數據、潛在數據和用戶生成數據等多樣化數據，構成了一個龐雜的大數據政治信息庫。如何獲得更廣泛的數據，如何構建更高效的數據分析模型，如何更精準地應用大數據進行微觀定位，成為大數據時代爭奪政治市場份額的關鍵手段。大數據的政治屬性體現了“誰得到”數據的關鍵性，也決定了對于加強大數據政治治理的必要性，需要明確大數據政治的應用導向，規范政治數據的應用范圍，強化大數據政治應用的技術治理等。

［關鍵詞］大數據政治；模型建構；微目標定位

［中圖分類號］? D771.2［文獻標識碼］? A［文章編號］1003-7608（2023）04-0068-10

大數據的政治應用日益成為一個具有時代特征的流行現象。從英國脫歐公投到美國2016年總統大選，從數據科學家在政治競選團隊中的崛起到廣泛應用的微目標定位與計算宣傳，以及遍布社交媒體上的僵尸程序、社交機器人制造的虛假新聞等，都在生動演繹著大數據對于政治領域的深刻影響。但是，何為大數據政治，大數據如何與政治結合，如何進行政治應用，如何防范大數據的政治風險等相關議題，仍然具有廣泛的探索空間。

從互聯網、Web1.0到Web2.0和方興未艾的Web3.0，信息通信技術的迭代革新對于政治過程的滲透與改造不斷強化。相對于以往側重于政治現象、過程、制度等本身的觀察而言，大數據提供了分析這些現象、過程和制度的新技術工具，它不僅開辟了政治學研究的新領域，也提出了新的挑戰。布雷迪指出，大數據的發展對于政治學提出了三大挑戰：一是政治學者開展研究的新方式，即他們通過掌握收集、管理、分析和歸檔數據的新技術，重新思考做政治學研究的路徑方法；二是政治學者提出的新問題，他們試圖通過概念形成、描述、因果推理、對未來預測來確定如何實現研究目標，提出關于政治行為的新方法和新見解，并對政治制度提出新設計；三是與政治學研究有關的倫理問題，政治學者必須思考與信息的獲取、使用和發布有關的復雜倫理問題，以及他們的模型和結果可能被濫用的問題［1］。

在現代信息社會，數據呈現指數型生長的特征，其對于社會經濟與政治生活的影響也不斷擴散。理解大數據政治，首先需要解答的是數據與政治何以發生關聯，數據與政治如何相互影響，數據如何轉化為現實政治實踐等基本問題。基于上述認識，本文首先解析大數據所隱含的政治屬性，區分大數據政治的主要類型及其獲取路徑，而后基于美國總統選舉案例解構大數據政治的模型建構及微目標定位機制。作為一種新的信息處理與應用技術，大數據對西方政治過程特別是政治選舉有著深刻影響，從選民政治畫像到制定競選綱領，從確定競選策略到線下政治動員，無一不是由數據所驅動的。而作為一種政治資源，大數據也涉及“誰得到、何時得到以及如何得到”等核心問題。大數據既可以為政治候選人提供精準捕獲選民的有效工具，也為污損政治對手提供了黑暗利器；與此同時，選民也從獨立的政治權利主體降格為可計算可測量的數據單元集合。因此，必須重視大數據政治治理機制的建構與應用。

一、解碼大數據的政治屬性

當我們談及大數據時，首先想到的是海量的數據，復雜的算法、專業化的數據公司、精準的微目標定位以及其在社交媒體、商業營銷和政治競選中的廣泛應用。伴隨著信息技術的發展和社交媒體的普及，大數據已經成為當前數字時代的重要標志。正如科特等人所提出的，從歷史上看，從來沒有哪個時代的國家包括君主國、王國、帝國，以及政府或企業掌握過如此細致、即時、多樣和詳細的個人數據。現在幾乎所有設備都已連接到互聯網，都會生成有關交互、交易和移動的大量數據。政府和企業開始通過互聯網收集、檢索、記錄、存儲、分析以及呈現人們在互聯網上的數據，包括誰與誰溝通、誰去哪里、誰說什么，以及其他數據［2］。早在2015年，已有研究發現，所有數據的95％是在過去兩年中創建的；數據每兩年翻一番；智能手機的數量即將接近世界人口的總數；五年內，將有500億智能連接設備；目前，只有不到1％的數據被分析或使用過［3］。伴隨著社交媒體的普及和應用，數據的生成數量爆發性增長。而數據只有經過數據化處理之后才會成為有價值、可利用的數據資源。所謂數據化，就是將生活轉化為數據，然后將這些數據重構成有價值和可觀察的節點的技術過程，也就是從我們的語言、行為、關系、位置、身體、基礎設施和我們生活的自然環境中獲得數據資源的過程。數據化的呈現可以了解我們的想法、感受、態度、去向、做什么、與誰互動、聽什么、讀什么、喜歡什么、喜歡誰等［4］。

實際上，大數據不僅僅是存儲于計算機、固態設備和云端的文檔中，它還具有鮮明的政治屬性。科特等人認為，大數據的政治屬性體現在以下三個層面。其一，大數據的政治性就像身份、身體、性別、性取向、種族和民族所具有的政治屬性一樣，是作為有關生活經驗的意義、解釋和分類的斗爭場域。其二，大數據的政治性就像生產、分配和消費循環所具有的政治屬性一樣，訪問、控制和代理數據的場域由于非對稱權力關系（含數據生產關系）而被非均衡地分配。其三，大數據的政治性就像競選戰略中的數據分析以及斯諾登的爆料那樣，大數據正在重塑當代政治［5］。大數據的政治屬性還在于進一步提升了對日常生活監測的準確客觀性。任何政治計算都必須同等地考慮到數據的重要性，以及指導其過程的邏輯和運用這一工具的實踐。數據的政治屬性集中體現在它作為一種政治資源的屬性，相應地，它也涉及“誰得到、何時得到以及如何得到”等核心問題。對于政黨組織和政治精英而言，獲得政治大數據，就意味著獲得了更多的選民政治偏好信息，可以基于這些偏好進行更為精準的政治動員，也由此獲得更多的政治競爭優勢。

數據作為一種政治資源，意味著數據的收集、存儲、檢索、分析、呈現、分配和使用都會涉及主體權益，進而也形成一系列政治實踐。比戈等人提出，誰擁有、分發、出售、訪問、使用、挪用、修改和重新定義數據，誰就會成為爭取數據權利的斗爭對象［6］。這些斗爭表現在許多方面，包括數據主體如何通過網絡表達行使和主張這種權利，如何通過與數字設備平臺進行通信、參與和共享來實現權利主張，如何創新數據實踐來挑戰和顛覆國家和公司的數據權利，以及如何通過法律和監管機制來為自身權利而斗爭［7］。上述問題表明，數據政治關注的主要是數據收集及其應用的政治斗爭，包括國家、政黨、社交媒體巨頭、數據公司以及圍繞公民個體數據的獲取、分析、使用和由此發生的關系；數據政治還關注數據如何生成新的權力關系和政治形式，以及如何將數據所表述的對象和主題變為現實。比如，由于數據收集和分析能力差異所造成政黨之間的選票差距；專業化的政治數據公司通過數據挖掘和微目標定位，將政治廣告更精準地投向特定的選民群體，進而左右著政治投票的結果。

作為政治資源的大數據幾乎可以覆蓋接入互聯網的每一個人，因此重構了國家和公民間的關系。在大數據時代，社交媒體廣泛應用于人們的社會交往、商業活動和政治參與，由此產生了海量的數據。這些數據成為辨別用戶政治偏好的重要來源，更好地收集、挖掘和應用這些數據也是政黨獲得選舉優勢的關鍵密碼。數據應用對于現代民主的影響在美國大選和英國公投中得到了充分體現，使用大數據制作個性化政治廣告以影響投票的方式也成為一種現實手段。例如，美國億萬富翁羅伯特·默瑟（Robert Mercer）是劍橋分析數據公司的股權持有者之一，而默瑟恰好是英國獨立黨前領導人奈杰爾·法拉奇（Nigel Farage）的朋友。該公司使用“心理分析”法，通過算法技術在Facebook中收集到大量用戶數據，分析用戶在社交媒體上的個人信息和互動路徑，以及他們的心理特征和態度傾向，從而預測他們的選舉偏好，并且在其個人的頁面上推送特定類型的廣告和信息，以影響他們的觀點和行動，此類營銷活動影響了英國公投和美國選舉結果。在這樣的活動中，利益集團和媒體聯盟生成引誘信息、虛假信息，利用社交媒體機器人創建虛假在線賬戶營造了政治支持的假象［8］。可以說，數據生產不僅是一種社會行為，也是一種政治行為。數據重塑了社會關系，也改變了政治民主。

二、大數據政治的類型及獲取來源

數字時代的政治活動越來越依賴于數據以及在數據基礎上的政治計算，因此也被稱之為“數據驅動”（data-driven）的政治。由于西方國家的政治運行機制以競爭性選舉為核心，能否獲得競選勝利決定著政黨和政治精英的政治命運，也決定著政治運行的基本邏輯。圍繞選舉而進行的數據收集、分析、處理以及應用，成為西方國家大數據政治最為主要的組成部分。競選活動的開展需要得知關于公民、志愿者和捐贈者的準確聯系信息；期望掌握公民參與特定競選支持活動的準確數據，包括捐款、志愿服務、參加集會、簽署請愿書，或者在民調時表達對候選人或議題的支持情況［9］。而這些數據從何而來，用于何處，如何獲取，是開展政治活動特別是政治競選的重要前提。

（一）大數據政治的多重來源

數字時代的到來，使得大數據政治的獲取方式和渠道日趨多元化，不再局限于傳統的選民登記而生成的官方數據。社交媒體數據、學術調查研究數據、商業交易數據等也成為政治數據的主要來源。多米特指出，政治數據的收集來自以下幾種類型。一是“個人透露的免費數據”，指的是通過官方記錄或個人直接向競選活動透露的公開性數據，包括但不限于由誰登記投票、選民的出生日期、地址和投票記錄的信息等，還有特定選民登記的黨派偏好數據。官方競選活動可以免費獲得這些信息，公民通常也會被法律要求披露這些信息。此外，個人還會通過選民拉票、問卷調查等形式直接向競選活動透露有關個人偏好數據。二是“免費推斷的數據”，這些數據是基于免費提供的初始信息，但生成于推斷。比如，政黨拉票人經常通過推演來獲得關于種族、年齡、性別和政黨支持程度的數據，或是從請愿書中收集的信息用來推斷個人更廣泛的利益和支持偏好。三是付費購買的政治數據，包括“個人透露的購買數據”和“購買的推斷數據”。前者指當事人購買未直接向外界公開披露但提供給其他行為者的數據，這些數據包括社交媒體數據以及雜志訂閱列表等數據。后者通常由營利和非營利機構使用民調數據、商業報告以及通過社交媒體平臺完成的模型化數據，在此基礎上對個人偏好進行推斷［10］。除此之外，還有潛在數據和用戶生成數據。潛在數據源于人們在日常生活中的行為印記，比如金融交易、訂閱雜志、信用卡消費等；用戶生成數據是指出于各種目的在網上進行的互動所留下的痕跡，比如在社交媒體中的聊天記錄、參與線上政治討論等［11］。

（二）大數據政治用于何處

從最近幾屆美國總統大選的大數據應用情況來看，上述類型的數據都得到了參與政治競選政黨的高度重視。民主黨全國委員會（DNC）和共和黨全國委員會（RNC）維護著全國選民數據庫，其中，民主黨數據庫名為Vote Builder；共和黨數據庫名為Voter Vault，并且向總統候選人、州政黨和地方候選人提供數據庫的使用權限。雖然政黨和政治候選人可以免費獲得登記選民的完整名單及相關數據，但許多政黨除了組建自己的數據分析團隊之外，還雇用了專業數據公司。這些專業數據公司從事各種數據清理活動，識別重復的記錄、不正確的地址、已故選民和換了住所的選民；它們還能夠定位人口普查地理位置中的住址，并將選民基本信息、商業記錄以及其他數據來源進行匹配，從而提高使用登記數據的效率［12］。比如，Catist是一家政治數據供應商，為工會、政治候選人、其他組織團體和非營利性組織提供匯編；維護全國范圍內的選民注冊、人口統計和其他政治數據的服務。他們利用這些數據建立預測性分數機制，幫助客戶分析選民，以便更有效地確定選民的活動目標。Catist客戶就包括2004年克里競選團隊和2008年奧巴馬競選團隊［13］。

（三）大數據政治如何生成

在2012年的美國大選中，奧巴馬投入了2億美金用于選民數據的抓取與分析，并強調大數據是“未來石油”般的存在。奧巴馬的團隊建立了四個投票數據流用于分析來自關鍵州的選民特征，這個龐大的數據庫不僅記錄了選民的政治態度和投票歷史，還使用統計模型對選民進行智能分類和行為預測。同時，這些數據還有助于更加精準地購買和投放廣告。其團隊收集各種來自志愿者信息、社交媒體平臺、門戶網站等非結構化數據，并整合了從各種渠道收集的數據，以創建一個綜合的選民數據庫。這個數據庫被用于精確定位選民，推廣他們感興趣的議題和營銷策略。該數據庫對人群的分類不再是簡單的人口統計學變量如性別，或者社會學變量如社會經濟地位等，而是包含選民的興趣愛好、購物記錄、社交活動、投票經歷、慈善捐贈等更加個性化的信息。

在2016年的大選中，特朗普也采取了類似做法。一方面，特朗普組建專門的數據運營團隊，包括數據分析師、數字營銷人員、軟件工程師和網絡撰稿人以及媒體運營者等專業人員。該團隊將采集到的具有“特朗普支持者”特征的人名、電子郵件和電話號碼上傳到Facebook的后臺，然后利用Facebook的“客戶列表中的自定義受眾”功能來匹配這些真實的人與他們的虛擬Facebook個人資料，再通過Facebook的“受眾群定位選項”功能，根據用戶在Facebook中的個人信息、參與或感興趣的活動，了解他們的需求、偏好、習慣和行為，并針對這些用戶設計和執行宣傳策略。隨后，利用Facebook“類似受眾”功能擴展特朗普的目標Facebook用戶群，自動搜索平臺中的其他用戶，將具有“特朗普支持者”潛在特征的人拉攏于旗下。最后，利用Facebook的“品牌提升”調查功能來衡量廣告的成功與否。另一方面，特朗普的競選團隊還建立了專門的數據庫——阿拉莫項目（Project Alamo）數據庫。該數據庫包含美國2.2億人的身份體征，以及每個人約有4000至5000個有關在線和離線生活的個人數據點。數據庫還包括大量的外部數據，如選民登記記錄、槍支持有記錄、信用卡消費記錄和互聯網賬戶身份，這些數據是從Facebook的營銷合作伙伴Experian PLC、Datalogix、Epsilon和Acxiom Corporation等公司購買所得［14］。

在以競爭性選舉為底色的西方國家政治過程中，大數據政治集中體現為選舉大數據，即圍繞政治競選而收集的關于選民與影響選舉的政策偏好數據。如果說傳統意義上選舉數據的收集主要依賴于選民數據庫和民意調查，那么在社交媒體時代這一數據得到了極大擴展。現代政黨和政治候選人通過免費獲取或購買的形式，大量收集選民日常的商業消費數據、個人愛好數據、社交媒體數據等，而這些數據都被轉化成為選舉大數據。

三、大數據政治的模型建構

建立龐大的選民數據庫只是將大數據應用于政治競選的第一步，如何分析、處理和使用數據才是讓數據發揮作用的關鍵所在。所謂的模型建構就是在基礎數據和目標信息之間創建計算關系，進行數據分析進而推斷新信息的行為。大數據技術的應用和社交媒體的建立，生成了大量網絡用戶制造的數據流。這些數據與計算技術相結合進行建模所獲得的新信息，遠遠超過傳統方法所收集的選民信息范圍，從而更為即時精準地對選民進行政治畫像，進而提高數據利用的效率［15］。使用機器學習進行數據分析是常用的算法技術，其能通過歷史經驗自動學習并改進性能，識別和推斷數據應用模式，并使用這些模式做出預測或決策，這一過程也正是大數據政治建模的過程。

（一）初始形態：簡單運算型

大數據在政治選舉中的應用始于2008年美國總統選舉，此時的模型架構更多的是基于采集的初始數據進行快速、簡單的整理和篩選。在2008年的美國總統選舉中，奧巴馬競選團隊根據投票和支持奧巴馬的可能性給每一位選民分配了對應分數。在每一個關鍵州，競選團隊的呼叫中心每周都會進行5000到1萬次的簡短采訪以及1000次長時段采訪，以便快速評估選民的投票偏好。為了得出個人層面的預測，算法根據這些采訪意見和競選活動所收集到的每位選民數據點確定模型。在這一模型中，每個選民的數據點多達1000個變量，這些變量來自選民登記記錄、消費者數據倉庫和過去的競選聯系人。隨后，志愿者會通過登門或電話與特定選民進行腳本對話；這些互動產生的數據，會再回流到競選團隊的服務器中以完善模型［16］。

（二）進階形態：復雜計算型

隨著數據流動和互動的加速行進，在2012年大選期間，奧巴馬的競選團隊根據所掌握的數據開發了復雜的“投票率”模型，給每個潛在選民設置從0（不會投票）到100（肯定會投票）的打分排序。這一做法讓競選動員活動更為高效和聚焦，其拉票范圍主要集中于已經或有可能是奧巴馬支持者的選民，而不是花費大量精力說服最終不會投票的選民。根據這一模型，奧巴馬的基層競選工作人員在一些關鍵州，能夠深入共和黨地盤單獨挑選選民，他們在其他共和黨人居住的郊區將這些選民塑造為可能的民主黨人，打破了選區對選民目標的鎖定限制［17］。建模的質量高低和功能強弱有賴于所能夠購買和處理的數據多少。在2012年的美國總統選舉中，奧巴馬的競選團隊針對政治態度模糊的選民建立了“說服模型”。他們使用了大量的數據來源，包括社交媒體、在線調查、電話調查和郵寄調查等，將這些數據與選民檔案和選舉歷史數據結合起來，來預測選民的態度和行為，包括是否會投票以及可能支持哪個候選人。奧巴馬的首席數據科學家拉伊德·加尼曾表示：“模型會告訴我們，我們能為奧巴馬贏得哪些選民，以及我們應該避免接觸哪些選民。”［18］奧巴馬競選團隊運用這一模型，預測了數百萬搖擺選民的投票意愿情況。

（三）高級形態：自主處理型

伴隨社交媒體的興起及其在社會成員中的普及和滲透，包括個人信息、好友網絡、社交平臺上的閱讀評論等記錄在內的交互數據開始大量生成。與此同時，算法的加入和結合，使得高精度模擬個體選民偏好以助推政治競選活動成為現實，甚至不需要直接向選民提出任何問題便可以自主生成數據。劍橋大學科辛斯基（Michal Kosinski）等研究者僅僅通過Facebook的“喜歡”就可以準確預測個人屬性，包括種族、宗教、性取向、政治觀點和智力水平、幸福感水平、成癮物質的使用、家庭情況等。其中，通過使用Facebook“喜歡”可以預測Facebook用戶是否異性戀的準確率為88%，種族的準確率達到95%，政黨背景的準確率是85%。換言之，只需訪問一小部分Facebook數據，通過計算模型進行處理，就可以大概劃分共和黨和民主黨，而不需要查看選民登記文件、金融交易或組織成員資格等數據，并且，這類模型建構還允許訪問傳統數據庫無法觸及的心理特征，諸如“開放”“內向”或是“神經質”等人格特征。研究人員不需要建立互動關系，就能像心理學家管理標準化的、經過驗證的工具一樣精確地模擬心理特征［19］。借助于模型建構，社交媒體平臺上的數據可以轉化成非常精準的選民數據，進而為政黨進行選民動員提供了重要依據。

劍橋大學心理學教授科根（Aleksandr Kogan）進一步拓展了科辛斯基等人通過Facebook數據所繪制的“心理圖譜”。科根創立的公司Global Science Research與劍橋分析公司簽署了協議，以收集美國選民的Facebook數據，并利用它了解人們的性格類型，從而進行政治廣告宣傳。2014年，科根在Facebook創建了名為“這就是你的數字生活”（This is your digital life）的應用程序，對用戶進行個性測驗。在Facebook用戶下載應用程序后，該程序便開始收集該用戶的個人信息，包括個人資料及Facebook行動軌跡（例如，“喜歡”哪些內容）。該應用程序不僅收集了使用該應用程序的用戶數據，還收集了這些用戶在Facebook中人際關系網的數據。最初大約有30萬人下載了該應用程序，但由于該應用還收集了這些用戶的朋友信息，他們的數據隱私已設置為允許該應用訪問，所以，實際收集了多達8700萬美國人的Facebook數據，并稱其目的為研究使用［20］。但事實上，科根將上述數據提供給劍橋分析公司，該公司使用這些數據來確定選民的人格特質和行為，以此來達到商業目的［21］。

數據本身沒有價值，只有經過處理的數據方有價值。正如哈佛大學政治學系教授加里·金（Gary King）所指出的，“大數據實際與數據無關，絕大多數數據分析僅涉及相對較小的數據集，或較大數據集的小樣本。如果不能增加相應的數據處理能力，就一味創建無法使用的數據是有害的——因為這樣做更昂貴、更耗時、更分散注意力。創新的統計方法、新穎的科學技術和原創性理論的結合對于大數據的處理至關重要”［22］。數據分析模型是基于計算技術對于初始數據的處理，進而便于應用的建構過程，面對日趨繁雜的政治大數據，提升數據分析和處理能力是必然之勢。

四、微目標定位與大數據政治應用

（一）微目標定位：大數據政治的應用實踐

政治數據經過收集分析和建模處理之后即面臨著如何應用的問題，政治微目標定位（Political micro-targeting）為此提供了選項。其是指使用不同的通信方式（郵件、電話、拉票、直郵和社交媒體廣告等）與潛在選民溝通并建立關系，通過數據分析向選民中的子群體或個體傳遞量身定做的信息［23］。微目標定位原先是一種商業直銷行為，指的是為目標客戶提供活動信息并做出戰略決策的過程。算法模型為復雜活動中的決策提供信息，其中，模型建構和微觀目標定位常常是聯系在一起的。地理定位是最古老的方法，它根據對過去選舉的選區結果進行分析，以確定和預測更有利的選區。另一種方法是針對具有共同人口特征的群體，如收入、宗教或職業，通過一系列基于人口統計的可靠數據來建立算法模型，以區分目標選民群體的個體偏好。復雜的目標定位方法是基于對選民的個人態度、行為和價值觀的分析，將其與投票決定進行一致性假設，使用模型建構和微目標定位來提高有限資源的競選活動以及與選民溝通的效率［24］。隨著新技術的介入和生長，政治微目標定位逐漸進入網絡空間。如今，在線政治微觀定位（Online political micro-targeting）已成為美國競選的重要組成部分［25］。其指向的是使用數字技術采集、分析大數據信息，進而在恰當的時間和合適的線上渠道投放迎合受眾偏好的政治廣告，它代表了大數據時代政治實踐活動的一種新工具性手段。

（二）微目標定位的政治演繹

收集大數據政治的最終目的是為了通過加工進行更有效的競選宣傳，更精準地動員選民投票或者捐款，從而轉化為政治競選的優勢。在2012年的美國總統大選中，奧巴馬競選團隊建立了獨角鯨（Narwhal）數據庫，以協助解決候選人及其團隊訪問多個數據庫對潛在選民進行定位。該數據庫為使用者設置了運行接口，以訪問數據庫并提取有關選民的相關數據。在獨角鯨數據庫的運作下，奧巴馬的競選團隊還可以更為精準地定位電視觀眾。他們根據觀眾數據庫中選民的行為，制定了政治傾向的類別。基于數據分析，他們在TV Land購買了廣告空間，重播“我愛露西”（I Love Lucy）以及深夜喜劇節目和ESPN的節目來吸引選民［26］。如此，競選團隊可以不必購買昂貴的廣播電視新聞和有線新聞頻道，而是通過這些廣告來爭取猶豫不決的選民，在減少成本投入的同時也提升了回報效益。

獨角鯨數據庫還可以為競選活動的所有應用程序提供單個共享數據存儲接口，從而將現有應用程序集成到該系統中，也可以快速開發新應用程序，比如儀表盤（Dashboard）程序。儀表盤是虛擬現場辦公室的應用程序，可幫助志愿者與志愿者、志愿者與選民之間進行交流和協作。該程序允許選民將自己指定為團隊的領導者或成員，可以組織會議，通過Web界面撥打電話，自動存儲信用卡信息，與團隊中的其他人進行在線討論，為自己和團隊創建目標并跟蹤這些目標何時實現來做出貢獻。儀表盤還提供了“小組”功能，人們可以在不考慮位置的情況下加入與政策領域、種族和族裔、職業以及其他類別相關聯的相似性小組，還有電話銀行工具，以及籌款工具，使人們可以為自己設定籌款目標。用儀表盤的支持者可以主動成為組織者，或者讓自己根據政策利益而參與其他組織的工作［27］。

在2016年美國總統選舉當中，政治微目標定位也得到了充分的應用。與奧巴馬專注于搖擺選民的數字策略不同，特朗普競選活動集中在確定哪些政策最適合分段式的選民群體。特朗普喜歡通過社交媒體向廣大受眾明確表達自己的觀點，這意味著可以實時監控民眾對其觀點的積極或負面反應，并且將社交媒體上對某些消息反響良好的用戶信息與共和黨數據庫中的選民信息相匹配。此外，特朗普競選團隊還定向散布虛假消息。研究發現，支持特朗普的假新聞被分享的頻率是支持希拉里的假新聞的4倍，平均1.2%的美國人看到了假新聞標題。這些虛假新聞來自官方競選機構、非官方結盟的利益集團、友好的媒體組織和網站、外國演員，甚至候選人本人［28］。通過宣傳虛假新聞，使之與諷刺、逐利、陰謀論相重疊，故意利用錯誤信息來影響對某個問題或對候選人的態度。比如，特朗普競選團隊在海地向當地居民宣傳：2010年大地震之后，克林頓基金會是如何行動不力甚至“趁火打劫”的，以此截斷他們支持希拉里的念頭。再如，為了讓希拉里的潛在支持者放棄投票，在正式投票前幾周，Facebook上的“暗帖”（只有符合具體特征的用戶才會看到）開始泛濫，一些黑人用戶就會看到這樣的一些視頻：在視頻中，希拉里稱黑人男性為“掠奪者”［29］。特朗普的數字軍團的定向宣傳多數是投放在社交媒體或數字電視上的，以有針對性的方式加以傳播，很少展示在主流媒體上。競選期間，特朗普競選團隊每天向10萬名目標選民發送量身定制的消息。結果是，希拉里團隊基于人口統計學對宣傳效果進行預估，誤以為自己占了上風。

在劍橋分析公司數據基礎之上，特朗普的競選團隊將政治微目標定位推進到一個新的高度。2016年7月，特朗普的基層競選工作者配備了一款評估應用軟件，該應用可以收集并分析某戶居民的個性特征和政治立場，并根據對特朗普宣傳的接受程度進行評定，對于得分較高的居民才會展開線下拉票。拉票人員配有對話指南，按照居民的性格類型進行有針對性宣傳，再將反應回饋給應用程序，這些新數據又流回特朗普競選團隊的操作界面上［30］。盡管2012年競選期間奧巴馬的儀表盤程序也與此相似，但是沒有使用心理測評功能。劍橋分析公司將美國人口分為32種人格類型，并且關注17個主要州，向特朗普競選團隊展示哪些信息效果最好以及在什么地方的效果最好。該數據分析結果推動競選團隊在競選最后幾周將關注重點放在密歇根州和威斯康星州。在特朗普與希拉里的第三次總統辯論中，特朗普的競選團隊利用大數據測試了175，000種不同的廣告變體，在標題、顏色以及照片或視頻等微觀細節上作出區分，以便用最佳的心理分析法確定廣告接收者，目標范圍可以具體到村莊、公寓甚至個人。正是基于上述行動的判斷，劍橋分析公司負責人亞歷山大·尼克斯指出：“特朗普發布的幾乎每條消息都是數據驅動的。”［31］

（三）政治微目標定位的潛在風險

收集、處理、分析政治數據的結果是為了應用。如果說在傳統意義上政黨和政治候選人是通過報紙發文、電視辯論和巡回演講來動員選民支持，那么在大數據時代，政治數據的分析結果以及在此基礎上的政治微目標定位如定制化的社交媒體廣告、虛假的網絡新聞以及候選人在社交網站上的形象包裝等，可幾乎完全取代上述動員行動。政治微目標定位在精準預測選民偏好和政策優勢的同時，也為政黨和政治候選人進行選舉動員提供了可靠的依據。后者通過這些數據制定更有針對性的競選綱領，更聚焦于那些搖擺不定的目標選民，也更直接地向競爭對手進行政治攻擊。政治大數據為政黨和政治候選人賦予了更多的權力，作為政治權利主體的選民在其看來不過是可以計算、影響甚至操縱的數據集合單元。

古塔勒夫·勒龐（Gustave Le Bon）在其著作《烏合之眾》中提出，個體的人是理性的，一旦到了集體里面，就喪失了理性，他們在群體中的智力水平被統一抹平，群體變成易受暗示、輕信、偏執、極端的“無意識”個體［32］。在群體中，個人意識會被擦抹，思想和行為也會趨同，此時，如果群體領袖十分了解每個人的內心需求，就可以達到向個體灌輸思想以維護其政治利益的目的。定向廣告正是通過掌握群體心理，針對特定受眾進行廣告投放的一種定制化策略。這種策略可以幫助投放者更精確地定位其目標受眾，并提高廣告投放的效果。首先，運用數據分析和社交媒體監測等手段獲得目標受眾的年齡、性別、興趣、消費習慣等信息，接著根據目標受眾的興趣和需求，制定符合其需求的廣告內容，并選擇不同的廣告投放方式和渠道，同時通過Google Analytics等網站分析工具來監測廣告效果，最后根據數據進一步優化廣告投放策略，以此在潛移默化中影響個體的政治態度。從這個過程來看，個體處于被動位置，群體領袖可以依據個人意志影響個體思維的呈現，導致個體原本的獨立判斷和選擇能力被剝奪，也就失去了民主政治的根本價值導向，即由公眾共同參與政治進程和國家建設的本質要求，很可能出現數據獨裁或專制。

五、結論與討論：大數據政治的反思與治理

信息通信技術的迭代發展特別是社交媒體的興起，讓大數據成為我們所處時代最突出的標志之一，并隨之帶來數據的政治屬性問題，即“誰得到、何時得到以及如何得到”的問題。當前，大數據政治的來源非常廣泛，涵蓋政府公開數據、選民信息數據、商業交易數據、社交媒體數據、科學研究數據、自愿透露數據與間接推斷數據、潛在數據和用戶生成數據等。新的數據計算方法進一步加強了對上述數據的處理能力，能夠處理用戶生成的自然語言輸出中包含的語義非結構化信息，而不單是已經結構化的數據；新的數據包工具可以使用社會網絡分析等方法，通過結構鏡頭檢查人類互動數據；龐大的數據規模已經允許我們進行曾經難以想象的相關性分析［33］。統計、分析和計算等數據科學的出現，并不僅僅是因為它們滿足了我們的好奇心，也在于這些數據對于為了公共或私人利益而使用它們的對象和主體來說是有用的。

大數據的出現對于傳統的政治行為、政治過程甚至政治制度產生了廣泛且深入的影響。其中，最顯著的變化體現在將政黨與政黨之間的競爭性選舉，由原先廣播、電視和報紙上的廣告之爭，轉移到了幕后政治數據的收集、分析、處理與應用的能力之爭。在大數據時代的政治行為者中，誰能夠獲得更多樣的政治大數據，誰能夠構建更有效的數據處理模型，誰能夠實現更精準的定位微目標，就意味著在政治競爭中占據著更大的優勢。

大數據在政治領域的應用已經越來越普遍，作為一種新生事物的流變，由其所產生的各類問題會隨著發展進程而慢慢擴散，也可能會引發難以預測的“次生災害”和不可估量的政治危機。因此，想要確保政治與數據的有機結合和良性互動，就必須加強對大數據政治的治理。

一是明確大數據政治應用的正確導向。大數據政治的應用關涉“誰得到”的重要問題，關涉數據被誰所擁有以及用于做什么。換言之，大數據政治的應用具有兩個鮮明的取向：民主取向還是操縱取向？當政治數據用于更為科學的公共政策制定和更公平的政治參與時，我們可以說大數據政治具有鮮明的民主取向。當選民的數據用于為政治候選人獲得競選目的時，選民則從獨立的政治權利主體降格為可計算測量的數據單元集合。在政治候選人眼中，選民是一個由各種信息匯集起來的“數據化個體”，是可以通過數據方法被計算、測量和影響的。在美國總統選舉數據庫的建立過程中，專業人員收集了大量選民信息，包括個人特征、政治捐款歷史、在線社交活動和購物習慣等。數據專家對所有數據進行整合、清洗和處理，以生成一套全面的選民檔案。接著利用先進的計算模型和數據分析技術，分析和預測選民的政治立場、投票可能性、政黨歸屬和特定政策偏好等要素，并對選民進行分類和排名。這使得競選政黨能夠制定更具針對性的政治營銷和廣告策略，通過電子郵件、電視和社交媒體等各種渠道來吸引選民的注意。在這一過程中，選民不過被看作是可以被計算、被測量和被操縱的“數字個體”。因此，必須堅持數據使用的正當性、合法性和導向性，維護價值理性和工具理性的相對平衡。

二是加強政治數據的管理規范。大數據時代的個體數據和個人隱私隨時存在被侵犯的風險。各政黨所掌握的選民數據，已經不限于選民的投票記錄、家庭住址、通信方式、政策偏好，還囊括了雜志訂閱、會員卡使用、采購消費、駕照、網絡瀏覽、社交信息等。海量數據在聚合、傳輸、分發的過程中，極有可能被泄露和二次利用。例如，美國曾在2015年12月發生了一起關于1.91億條投票記錄被泄露的丑聞，這些信息包括選民姓名、出生日期、住址、電話號碼、政治興趣、選民派別等個人信息，對民眾造成了巨大影響。因此，必須通過具有前瞻性的數據立法形式，規范哪些公民個人數據可以收集、哪些數據不可以收集、個體數據隱私如何保護等重要性問題。

三是加強大數據政治應用的技術治理。數據驅動的政治顯然是一項技術密集型的政治實踐，所有政治傳播活動包括以數據為導向的目標，都受到部署它們的制度環境的影響。美國競選活動的龐大財政資源、私營政治咨詢部門、專業化的政治數據公司，以及可獲得的選民數據信息，讓美國成為大數據政治的前沿區域，其政治候選人可以使用當前最精致的數據驅動系統。相比之下，許多歐洲國家的政黨財政資源較為有限，選舉登記冊所包含的有用信息并不多，而按照國際標準的數據保護法律也很嚴格。加強大數據政治應用的技術治理，就是要在制度設計和法律規范上約束數據公司的技術應用范圍，要求其在合法合規的范圍內使用數據。

四是推進大數據政治的合理利用。加快培育大數據研究機構和專業數據公司，組建計算機科學、政治學和新聞傳播學等跨學科、跨院校的大數據政治研究團隊，實時跟蹤大數據的技術前沿和實踐動態，并結合國情開展專題研究。加快構建大數據政治庫，形成各類專題動態分析模型用于更好決策。由專門部門牽頭，成立整合各類網上信息來源，如微博、微信、短信、門戶網站瀏覽信息、網上發帖內容等，以及商業信息如購物網站信息，并與政府的政務信息進行整合比對、篩選和清洗，在此基礎上形成區域、性別、年齡、職業、階層、民族等各類政治數據。此類數據庫可以為政府進行重要決策，提升應急能力和治理效能，提供基礎性的科學數據支撐。

［參考文獻］

［1］Brady H E. The Challenge of Big Data and Data Science［J］.Annual Review of Political Science， 2019，22（1）：297-323.

［2］［4］［5］Coté M，Gerbaudo P， Pybus J. Introduction.Politics of Big Data［J］.Digital Culture & Society，2016，2（2）： 5-16.

［3］Marr，B.Big Data：20 Mind-Boggling Facts Everyone Must Read［EB/OL］.http：//www.forbes.com/sites/bernardmarr/2015/09/30/big-data-20-mind-boggling-facts-everyone-must-read/.

［6］［8］Ruppert E，Isin E，Bigo D.Data Politics［J］.Big Data & Society，2017，4（2）： 1-7.

［7］Bigo D，Isin E，Ruppert E.Data Politics：Worlds， Subjects，Rights［M］.London：Taylor & Francis，2019：5-6.

［9］Nickerson D W，Rogers T.Political Campaigns and Big Data［J］.Journal of Economic Perspectives，2014，28（2）：51-74.

［10］Dommett K.Data-Driven Political Campaigns in Practice：Understanding and Regulating Diverse Data-Driven Campaigns［J］.Internet Policy Review，2019，8（4）：1-18.

［11］［17］［32］［33］Tufekci Z.Engineering the Public：Big Data，Surveillance and Computational Politics［J］.First Monday，2014，19（7）：1-11.

［12］［13］［15］Hersh E D.Hacking the Electorate：How Campaigns Perceive Voters［M］.Cambridge：Cambridge University Press，2015：67、67、67.

［14］Winston，Joel.How the Trump Campaign Built an Identity Data- Base and Used Facebook Ads to Win the Election.Medium： Startup Grind［EB/OL］.https：//medium.com/startup-grind/how-the-trump-campaign-built-an-identity-database-and-used-facebook-ads-to-win-the-election-4ff7d24269ac.

［16］Issenberg，S.How Obamas Team Used Big Data to Rally Voters.MIT Technology Review［EB/OL］.https：//www.technologyreview.com/2012/12/19/114510/how-obamas-team-used-big-data-to-rally-voters/.

［18］信息時報編輯部.大數據之于政治，水與舟？［N］. 信息時報， 2018-04-01.

［19］Kosinski M，Stillwell D，Graepel T.Private Traits and Attributes Are Predictable from Digital Records of Human Behavior［J］.Proceedings of the National Academy of Sciences，2013，110（15）：5802-5805.

［20］Bloomberg.Facebook Cambridge Analytica Scandal：10 Questions Answered［EB/OL］.https：//finance.yahoo.com/news/facebook-cambridge-analytica-scandal-10-183313744.html

［21］Issie Lapowsky.The Man Who Saw the Dangers of Cambridge Analytica Years Ago ［EB/OL］.https：//www.wired.com/story/the-man-who-saw-the-dangers-of-cambridge-analytica/.

［22］King G.Preface： Big Data Is not About the Data［J］.Computational Social Science：Discovery and Prediction，2016：vii-x.

［23］Bodó B，Helberger N，de Vreese C H.Political Micro-Targeting：A Manchurian Candidate or Just a Dark Horse？［J］.Internet Policy Review，2017，6（4）：1-13.

［24］Kruschinski S，Haller A.Restrictions on Data-Driven Political Micro-Targeting in Germany［J］.Internet Policy Review，2017，6（4）：1-23.

［25］Matthes J，Hirsch M，Stubenvoll M，et al.Understanding the Democratic Role of Perceived Online Political Micro-Targeting：Longitudinal Effects on Trust in Democracy and Political Interest［J］.Journal of Information Technology & Politics，2022，19（4）：435-448.

［26］Stromer-Galley J.Presidential Campaigning in the Internet Age［M］.Oxford ： Oxford University Press，2019：163.

［27］Bimber B.Digital Media in the Obama Campaigns of 2008 and 2012：Adaptation to the Personalized Political Communication Environment［J］.Journal of Information Technology & DPolitics，2014，11（2）：130-150.

［28］Persily N.The 2016 US Election：Can Democracy Survive the Internet？［J］.Journal of Democracy，2017，28（2）：63-76.

［29］［30］Hannes Grassegger & Mikael Krogerus.The Data That Turned the World Upside Down［EB/OL］.https：//motherboard.vice.com/en_us/article/big-data-cambridge-analytica-brexit-trump.

［31］Adrianne Jeffries.How Hyper-Targeted Psychometric Data May Have Helped Trump Win［EB/OL］.https：//theoutline.com/post/969/did-trump-win-psychometrics-data-cambridge-analytica？zd=1&zi=vemnysm4.

［32］古斯塔夫·勒龐.烏合之眾：群體心理研究［M］.段鑫星，譯.北京：人民郵電出版社，2007：11-51.

［責任編輯：薛瑞漢］