Table of Contents
数据对国会监督的影响日益增加
国会听证会长期以来一直是立法监督的公开面,为立法者询问证人、审查政策以及追究机构责任提供了一个论坛。 传统上,这些听证会主要依靠准备好的证词、个人传闻和老练的立法者的本能。 然而,数字数据和高级分析的爆炸从根本上改变了这一局面。 如今,数据不仅仅是听证会过程的补充;它日益成为有效询问、知情决策和持久政策变革的基础。 通过将原始数字转化为可采取行动的情报、数据和分析手段,国会能够超越表面调查,以精确、循证的方式参与复杂的问题。
这一转变并非偶然。 联邦政府生成并收集了大量数据 — — 从经济指标和健康统计到环境监测和国防情报。 国会各委员会现在有能力以前所未有的速度获取、查询和直观地看待这些信息。 如果这些数据集与统计模型、趋势分析、甚至自然语言处理等分析工具相结合,那么,可以进行一代人前所无法想象的严格审查。 结果,听证会变得更加严格、更有针对性,并且更能有效地为美国公众带来切实结果。
数据在国会监督中不断变化的作用
为了了解数据对听证目前的影响,它有助于了解历史轨迹。在20世纪中叶,国会调查往往以戏剧性的对峙和政治舞台为主。虽然有效吸引公众的注意力,但往往缺乏识别系统性失败或制定长期解决办法所需的分析深度。1990年代和2000年代信息时代的上升开始改变这种情况。政府问责办公室和国会预算办公室开始编制立法者在听证期间可以引用的日益精密的报告。然而,随着数字数据库、云计算和方便用户的可视化软件的广泛提供,真正的突破却来了。今天,一名委员会工作人员可以在几个小时内对一个机构的业绩——包括预算执行、方案结果和合规数据——进行多维的描述。
这一演变改变了质询的性质。 立法者们现在可以问一些精确的、数据知情的问题,比如“第三区14%的费用超支与全国平均水平相比如何,以及采取了何种纠正行动” , 而不是问“为什么这个计划失败”这样的没有限制的、一般性的询问。 这种特殊性迫使证人给出具体答案并防止逃避。 此外,数据允许委员会跟踪趋势,将当前业绩与历史基线或类似机构进行比较。 结果是一个更严谨、重点突出、更问责的过程。
数据还有助于听力规划。委员会越来越多地在排期听证会之前委托编写研究报告和数据分析。这些预听分析确定关键问题领域、突出突出外部因素并提出调查线索。 工作人员使用仪表板来绘制政策投入和结果之间的关系,确保听证会议程以经验现实而不是政治方便为基础。 数据通过这种方式将听证会从被动的场景转变为主动的循证调查。
所用数据和分析工具的类型
现代国会听证会使用的数据范围非常广泛,涉及财务记录、业务统计、民意调查、环境测量和实时监测数据。 下面是一些最常用的类别,以及它们如何为听证会准备和执行提供信息的例子。
财务和预算数据
每当涉及到联邦支出的听证会都依赖于详细的预算执行数据。 各委员会分析拨款与支出,跟踪专项拨款,并比较多个财政年度的机构支出模式。 例如,在国防采购听证会上,工作人员可以审查国防部预算展览的细列项目支出,并参照GAO报告中的方案绩效衡量标准。 类似CBO的成本估算和管理预算办公室的MAX系统提供了可逐年、方案或地理区域切片的颗粒性财务数据。
绩效与程序数据
教育政策评估(NAEP)与教育评估(NAEP)的成绩比较。 方案评估数据有助于立法者区分有效的政策和需要改革的政策。 教育政策评估(NAEP)与教育评估(NAEP)的成绩比较,在教育政策听证会上,委员会成员可以引用教育评估(NAEP)的成绩来评估联邦计划的有效性。
实时和监测数据
在政府持续运作时代,实时数据流已经变得至关重要。 为了监督救灾,委员会可以使用FEMA的态势意识仪表板,显示资源部署、破坏评估和天气数据近实时。 对于健康危机,疾控中心的COVID-19数据跟踪器为参议员提供了案件清点、住院率和连续听证会的疫苗接种覆盖率。 这些数据可以让立法者根据当前情况向官员发布消息,而不是依赖过时的报告。
民意和社会数据
评估政策对选民的影响,委员会越来越多地将调查数据甚至社交媒体分析纳入其中。 皮尤研究中心等知名组织的投票可以表明公众的满意或关切。 一些委员会已经对制定规则期间提交的公众评论进行了情绪分析,提取了共同的主题。 尽管这些数据不能取代直接证词,但这些数据提供了立法和监管行动对现实世界的影响的背景。
分析工具和可视化
数据只是与解释它的工具一样有用,委员会使用一系列软件,从标准电子表格分析到Tableau、Power BI和SAS等专门平台进行统计模型制作,数据可视化——交互式图表、地图和仪表板——已成为听觉准备的主要工具,视觉使立法者能够迅速掌握复杂趋势,并在询问时提出令人信服的证据,此外,机器学习算法开始协助文件审查,标出异常数据点,或在机构函授等大文本公司中发现规律。
实际效益:分析如何改善听觉结果
将数据和分析纳入听证会,有四个主要好处:提高准确性、提高效率、提高透明度和作出更知情的决策。 所有这些都有助于更有效的监督职能。
增强准确性
数据减少了对传闻证据和未经核实的断言的依赖。 比如,在2023年网络安全弱点听证会上,委员会工作人员利用联邦机构的记录数据来找出网络防御中的具体漏洞,而不是依赖机构官员的一般保证。 数据显示,关键补丁被平均延迟了47天,这一事实直接导致了修正性立法。 准确性还延伸到成本估算:通过分析订约数据,委员会可以确定高估定价或唯一来源的奖项值得审查。 数据驱动的准确性使得证人更难误导或混淆。
提高效率
时间是国会听证会上的宝贵商品,每位成员可能只有五分钟时间询问证人。听证会前的数据分析使工作人员能够提前确定最重要的问题,从而突出问题的重点,避免重复或不相关的调查线。例如,一个委员会审查阿片成瘾问题,利用疾控中心的过量致死数据确定发病率最高的州。委员会成员可以向缉毒管理局询问这些热点地区的具体执法行动,而不是提出一般的国家趋势问题。 这一有针对性的方法最大限度地扩大了听证会每分钟的影响力。
更大的透明度
数据可视化和公共数据门户提高了听证过程的透明度,委员会现在往往在发布听证通知的同时发布数据支持的报告和互动图形,国会等网站和委员会网站允许公众观看数据提交和证人证词,当听证中出现数据叠加——例如,显示通货膨胀上升的图表和首席执行官的证词——时,观众可以实时遵循询问逻辑,这种开放性可建立公众信任,并表明立法者是在以事实证据而不是政治权宜性为依据进行监督。
知情决策
最终,任何听证会的目标是为政策提供信息。 数据分析为立法行动提供了严格的证据基础。 一个考虑制定新的环境条例的委员会可以利用环保局的数据模拟不同排放限额的经济影响,然后利用这些预测来制定有针对性的立法。 同样,税收政策的听证会往往依赖于社区组织对不同情景下收入影响的模拟。 数据驱动的听证会得出了更能抵御法律和政治挑战的结论,从而增加了由此产生的法律实现预期结果的可能性。
实际世界案例研究
为了说明数据在听证会上的实际作用,考虑三个最近涉及不同政策领域的事例。
COVID-19 监督:问责制中心的数据
这场大流行期间,科罗纳病毒危机问题众议院选择小组委员会利用疾病控制中心、卫生和公众服务部以及各州卫生部门的数据跟踪资金分配、检测用品和疫苗。 通过分析补助金发放数据以及感染率,小组委员会确定了获得资金与需求相比不成比例的州。 在一次听证会上,一个数据可视化显示,一个拥有30%的绝对率的县只获得分配给一个受影响较小的县的15%的检测用品,这一证据导致资金重新分配和对行政部门分配公式的更仔细审查。
技术首席执行官听证会:利用市场数据解决框架问题
当主要技术公司的首席执行官在众议院反托拉斯司法小组委员会作证时,数据被用来证明市场主导地位。 工作人员从eMarketer和Statista等独立研究公司以及内部文件中汇编了市场份额数据。他们提供了一张图表,显示一个平台控制了90%以上的特定类别的在线广告。这些数据直接为垄断权力和掠夺性做法提供了信息。听证会的数据驱动方法有助于随后的立法努力,如美国创新和选择在线法案。
金融监督:检测银行贷款异常情况
参议院银行委员会利用联邦金融机构审查理事会(FFIEC)的数据分析抵押贷款模式。 通过比较不同种族和族裔类别的贷款批准率,委员会发现某些银行在统计上存在显著差距。 在听证会上,一名委员会成员提出了一份显示大都会地区重新调整模式的热图,并得到了多年贷款数据的支持。 这一证据促使消费者金融保护局开展调查,并最终导致需要公平贷款改革的解决方案。
克服挑战:隐私、识字和比亚斯
尽管有其优点,但在国会听证会上使用数据并非没有障碍。 应对这些挑战对于充分发挥分析的潜力至关重要。
数据隐私和安全
听证会上使用的数据大多是敏感的,包括机密国家安全信息、个人可识别信息(PII)和专有商业数据。委员会必须在获取和分享数据时,遵守《隐私法》和《信息自由法》(FOIA)等法律限制。一种方法是使用匿名或汇总数据集,在保护个人的同时,保持分析价值。例如,GO常常在向国会提交人事数据之前汇总数据。安全的委员会网络和工作人员审查程序有助于防止违规行为。然而,透明度的必要性与保护隐私的义务之间仍然存在紧张关系,委员会不断谈判平衡这一点。
数据准确性和完整性
数据可能存在缺陷、不完整或故意被操纵。 依赖不准确的数据会损害听证的可信度,并可能导致错误的政策。 通过使用多个独立来源、交叉引用数据和要求原始文件,委员会可以减轻这种影响。 审计总署和中央统计局提供严格的质量检查。在某些情况下,委员会会聘请外部专家或承包商来审计数据。例如,在2020年人口普查听证会上,委员会要求人口普查局制定详细的操作指标,然后与独立的统计组织签订合同,以验证计数。 确保完整性还意味着数据限制的透明度,例如抽样错误或报告滞后。
立法者和工作人员的数据识字能力
并不是每个国会议员或其工作人员都受过统计或数据分析方面的培训,对数据的解释错误可能导致错误的结论或过于简单化的叙述,为了解决这一问题,国会研究处提供专门化的数据知识介绍和讲习班,委员会也依靠专家证人——统计员、经济学家和其他分析员——以简单语言解释复杂的调查结果,数据可视化,如果执行得当,可以弥补原始数字和直觉理解之间的差距,但仍需不断投资于培训和雇用数据储存的工作人员,有些委员会现在雇用了专门的数据分析员,这一趋势很可能会增加。
避免过度依赖定量数据
数据是强大的,但无法捕捉到一切。 人类故事、质量背景和实地经验对监督也至关重要。 过度依赖数字可能导致委员会忽略一些不容易量化的因素,比如联邦机构的士气或受益方的活的经验。 有效的听证会将数据与叙述性证词相结合。 比如,关于退伍军人医疗的听证会可能会将退伍军人健康管理局的等候时间数据与等待任命几个月的退伍军人的个人故事相配。 这一组合可以产生更全面的情况,并产生更令人同情的政策反应。
未来展望:AI、机器学习和预测分析
数据驱动的听证会的下一个领域是人工智能和机器学习。 这些技术将实现数据分析中许多劳动密集型方面的自动化,并提供目前超出人的能力的洞察力。
自动文件审查和主题提取
在大规模调查期间,委员会可以收到数百万页的文件. AI驱动的自然语言处理工具可以扫描这些文件,以识别关键议题,关系和模式. 例如,在一次关于内幕交易的听证会上,机器学习可以用来分析电子邮件和交易记录,以发现与市场变动相关的可疑通信,这大大缩短了员工阅读文件的时间,并让他们能够专注于最相关的证据.
政策影响预测模型
机器学习模型可以模拟拟议立法在颁布前的效果。 委员会可以使用预测分析方法来估计医疗保险补偿率的变化会如何影响农村地区医院关闭,或者碳税会如何影响能源价格。 尽管这些模型并不完美,但它们提供了一系列有价值的假设,可以为辩论提供信息,并有助于制定更明智的政策。
感知分析和公众参与
AI工具还可以分析公众评论、社交媒体文章和新闻文章,以衡量围绕一个问题的看法。 这可以帮助委员会了解政策中哪些方面最有争议或最受欢迎。 但是,道德考虑 — — 如操控或有偏见的抽样 — — 必须谨慎管理。 国会研究处发布了关于AI在监督中的应用的报告[,强调需要透明和可审计的算法。
道德和治理挑战
各委员会在采用AI时,必须处理偏见、问责和数据所有权问题。 无意歧视某些群体的算法可能导致监督缺陷。 委员会应制定明确的指导方针,说明何时以及如何使用AI,并确保决策仍由人掌握。 政府问责办公室发布了一个AI问责框架,委员会可以调整。
结论:建设数据化监督基础设施
数据和分析的使用已经提高了国会听证会的有效性,而这一趋势只会加快。 为了充分利用这一潜力,国会必须投资于数据基础设施、员工培训和道德准则。 各委员会应继续与GAO和CRS等分析支持机构合作,同时探索与学术机构和独立研究机构的伙伴关系。 最终目标是监督进程,它不仅基于事实,而且更能满足美国人民的需要。 通过接受数据,国会可以确保其听证会不仅仅是公众的表象,而是强大的问责和改善引擎。
关于数据驱动治理的进一步解读,见GAO的高级分析页和CBO的预算数据工具[. 关于参议院国土安全和政府事务委员会如何使用数据的详细概述,见其监督倡议页]。