大数据可视化分析在支撑智库研究中的应用与创新

熊励　王锟　钟美芝

摘要：[目的/意义]大数据环境下的智库研究旨在对海量的信息进行有效采集、处理、分析，挖掘信息中蕴含的逻辑规律，并将大量的无规则数据可视化表示，这是当今智库研究的热点。[方法/过程]文章通过分析国内外智库和大数据可视化的研究现状，整理了目前运用大数据可视化进行智库研究的相关理论，剖析大数据可视化方法在智库研究中的应用与创新。[结果/结论]结果表明：我国目前对智库研究的方法還比较单一，大数据可视化的智库研究方法发展迅速，包括支持智库大数据可视化分析的海量数据处理、可视化算法、图形可视化、人机交互、分布式处理等技术。大数据可视化分析在智库研究中的应用有助于智库数据信息直观展示、动态图形可视化对比分析、支持可视化分析的用户交互、智库数据资源集聚共享、提升智库作用和影响力。

关键词：智库 大数据 可视化 研究方法

分类号：TP3-05 C912

DOI： 10.19318/j.cnki.issn.2096-1634.2018.04.03

1 引言

智库专家的重要工作之一是在科学数据分析的基础上对未来研究形势及走向进行预判，形成具有竞争力和影响力的观点。随着智库研究所面对的问题日益复杂，是否掌握智库专业化和细致化分析方法以应对建设新型智库的挑战，将会成为决定智库机构今后成败的关键[1]。早在2015年1月，中共中央办公厅、国务院办公厅印发的《关于加强中国特色新型智库建设的意见》中就强调了政策咨询的重要性，需要以改革创新为动力，努力建设具有中国特色的新型智库体系，从而大力推动中国新型智库研究[2]。随着互联网的快速发展，大数据的收集、存储、分析方法为我国的智库研究带来了新的研究动力和挑战。尤其是大数据可视化方法的应用，该方法是从政策运行、政府管理与决策等视角，基于对海量数据的处理和分析，帮助决策者和公众理解关键问题、获取有效信息的方法，对该方法的运用将是未来进行智库研究的基本趋势。

1.1 智库研究现状

目前，智库研究已经进入了快速发展阶段。在机构数量方面，2018年1月30日，宾夕法尼亚大学发布的《2017年全球智库报告》（《2017 Global Go To Think Tank Index Report》）指出：全球智库机构数量高达7，815家，其中美国智库数量位居全球第1，为1，872家；我国智库数量位居全球第2，为512家[3]。

国内外学者对智库的发展现状、趋势等做了深入研究。Jacques Peter就曾针对美国传统智库的发展情况，采用科学计量方法进行统计、测算智库数据，分析美国传统智库的运行机制[4]。国内学者吕红基于WoS数据库对国际智库研究态势进行文献计量分析和信息挖掘，总结出目前国际智库的研究热点：（1）智库的发展运行现状及其对社会的影响力；（2）智库的角色定位与决策作用；（3）智库分类、领域及功能研究；（4）智库案例分析[5]。

目前智库研究领域的文献逐渐增加，在一定程度上能表征其学术研究现状和发展趋势，因此通过对国内外文献进行检索，以智库研究领域文献发文量进行对比，分析智库研究现状和趋势。国内文献检索选取中国知网（CNKI），来源类别为CSSCI的期刊数据库，以篇名为“智库”精确检索期刊文章，时间区间为2000—2017年，共得到1，095篇，国外文献检索选取WoS核心合集数据库，以“Think tanks”为主题，文章类型为“Article”进行检索，时间区间为2000—2017年，共得到947篇，检索时间为2018年4月11日，相关文献的发文量检索结果如图1所示。

由图1可知，2011年之前WoS核心合集中智库研究的文献数量相比CNKI的CSSCI期刊数据库较多，说明国外学者对智库研究较早，有一定的文献积累量，发表相关论文的数量在过去的16年间呈平稳增长趋势。而国内对智库的研究相对较晚，21世纪初才逐渐开始，研究基础较为薄弱，但从2011年后相关论文数量逐渐增加，说明国内学者在智库领域的研究逐渐增多。

1.2 大数据可视化研究现状

大数据可视化分析是目前大数据分析的重要方法之一，因其高效、直观、交互的图形表示功能，被广泛应用于各研究领域。大数据的环境下，数据类型逐渐多元化，用于可视化的数据源于数据库、html、XML文件、源代码等，通过处理、分析数据，实现数据的统计分析、知识表示、用户交互、视觉表现、人类认知、感知和探索决策[6-11]。大数据可视化技术充分利用数据分析，结合机器与人的优势分析问题、解决问题，实现视觉感知[12]。

大数据可视化方法来源于最初的科学可视化[13]和随着信息增长产生的信息可视化[14]，二者合称为数据可视化。Nightingale曾运用传统大数据可视化方法搜集、分析关于医疗和公共卫生的信息，其中运用最多的是饼图[15]。互联网技术助推了大数据可视化技术的发展，大量信息的聚集和可视化技术的改进，使得大数据可视化的功能不断完善，如基于海量数据，逐渐在内容丰富的图形中展现交互功能。交互式大数据可视化有助于复杂数据的选择和表示，能帮助用户和系统之间进行交互作用[16-17]。由于行业应用和数据类型的不同，大数据可视化分析方法也不同，其运用范围涉及政治、经济、金融、医疗等行业，处理的数据类型包括传统的结构化数据以及大数据环境下的大量非结构化数据如文本、网络、图像等[18]。

1.3 问题提出

通过对国内外智库研究文献的对比分析，并进行研究现状的梳理，对比国内外智库研究的现状和趋势发现，国外智库研究起步较早，而我国智库研究虽有一定成果，但研究方法还比较单一，还未形成成熟的研究体系。大数据时代的到来对我国的智库研究提出了新的挑战——如何进行大数据驱动的智库研究？大数据可视化方法，其应用涉及利用多种数据类型进行行业决策分析，涉及多学科交叉研究，如何运用大数据可视化技术支撑智库研究的应用和创新值得深思。

文章通过对智库研究方法和理论进行阐述，并梳理大数据可视化的智库研究方法和理论，结合实际，分析大数据可视化视角下的智库研究方法应用和创新，并对智库研究趋势进行展望。

2 智库研究方法发展动态

美国学者保罗·迪克森曾在其1971年出版的《智库》中首次对智库的作用进行了研究分析。随后更多的国内外学者意识到智库的重要性，纷纷对智库进行研究，研究領域涵盖政府政策、经济、教育等诸多方面，智库的研究方法也在逐渐增多的研究中不断演变。

2.1 传统的计量统计方法

国外学者对智库研究较早，早期主要在理论层面，以定性分析法和定量分析法为基础进行，涉及问卷调查、专家访谈、访问等，运用传统的计量统计方法分析智库数据。Abelson研究了智库的影响力，运用定量分析的方法测度智库对社会、政治、经济的影响力 [19]。Rich率先将统计学中的回归分析方法运用到美国的医疗改革、政府政策制定过程中，对智库的作用进行了实证研究[20]。为了对国内外智库研究的态势进行分析，赵蓉英等运用文献统计计量方法分析智库研究文献的累积量，分析当今研究态势 [21]。从对智库理论研究到统计分析，传统的计量方法在智库研究中起到了重要作用，为大数据时代下新兴的智库研究方法奠定了基础。

2.2 大数据环境下的智库研究方法

互联网和信息技术的发展促使信息呈指数倍增长，为智库信息的快速获取、高效分析和资源共享提出了新的挑战。潘教峰教授结合其智库研究和实践经验，提出DIIS智库研究方法，认为智库研究只有走完Data-Information-Intelligence-Solution全过程，才能真正提出有效服务决策的科学决策和咨询建议 [22]。

大数据环境下，数据驱动的思维逐渐在智库研究中扩散，大数据可视化分析方法得到灵活运用，实现海量数据分析和图形直观展示。如构建国际智库研究的国家地区间合作情况网络图谱，直观展示合作情况，并可绘制高频关键词的共现网络图 [5]，将可视化与文献分析结合进行国内外智库研究对比分析，把握当前智库研究的趋势 [23]。

网络图谱能直观地展示智库研究的热点和趋势，为政府、教育机构等决策提供依据。目前在智库研究的文献中进行可视化分析的工具有Pajek合作网络图谱软件、CiteSpace、VOSviewer等。目前智库研究在政治、经济、教育领域的重要性正在逐渐增强，且大数据可视化的研究方法也较为方便直观，更加有利于决策者把握智库研究的热点和趋势。

2.3 大数据可视化的研究方法

大数据可视化技术对高效的智库研究起到了驱动作用，主要运用在智库数据处理、数据分析和图形表示中，分析结果可作为决策依据。目前在智库研究领域中涉及的大数据可视化技术主要包括海量非结构化数据处理技术、大数据可视化算法技术、复杂信息的图形可视化技术、支持可视化分析的人机交互技术、可视化分布式处理技术等。

大数据环境下不断增加的智库数据应以海量非结构化数据处理技术为依托，实现高效、准确的数据预处理和量化分析，目前大数据分析平台可以实现对实时采集到的海量非结构化数据的挖掘分析[24]。在数据的处理层面，分布式技术的发展为海量智库数据的高效存储、快速检索、实时共享提供了技术支撑。在算法层面，大数据可视化的功能提升为可视化算法改进提供了契机，主要在经典算法如：分类、决策树、朴素贝叶斯、Apriori算法、神经网络、遗传算法等的基础上进行运算速度和图形展示功能的提升，对大数据可视化的智库研究起到促进作用。如目前常用的机器学习算法，通过深度学习，可预测基于海量数据的不确定事件的发展趋势，图形表达内容丰富，用户交互性能良好 [25]。

信息的数量、维度等逐渐增加，对图形可视化技术的功能要求提高。复杂信息的图形可视化技术实现需要根据数据类型和特征匹配图形功能，其涉及的数据包括文本数据、网络数据、时空数据、多维数据等，并具有实时交互的功能 [26-27]。目前，虚拟现实技术、可视化仿真技术等都在智库复杂信息可视化中有所运用，支持智库可视化分析的人机交互技术逐渐成为大数据可视化的智库研究中的重要方法 [28]。

随着智库需要处理的信息量的增加以及资源共享的需求，可视化的信息分布式处理技术逐渐被运用。分布式计算如云计算技术，其深度学习功能进行图像识别、语音识别、数据分析等 [29-30]。且具有快速访问资源和多用户共同使用的特点，分布范围广，使用人数多，网络系统性能强，广泛运用于目前大数据可视化的智库研究中，有助于具体化和多维化共享大数据可视化分析结果。

3 大数据可视化视角下的智库应用研究分析

目前世界各国越来越重视智库建设，将智库研究成果视为政治、经济决策的重要依据。随着大数据时代的到来，信息量激增，如何有效地进行海量数据采集，并进行有效、动态、直观地分析成为智库研究的挑战。目前，社会网络分析、知识图谱、共现网络分析等都是智库研究中较为常用的数据可视化方法，有利于数据的高效和精准采集、处理、分析、预测。因此，本文从分析智库研究中复杂图形可视化应用、智库研究成果的复杂问题简单化、支持研究过程中可视化分析用户交互、智库数据资源集聚共享的方法创新、大数据可视化提升智库作用和影响力等5方面来探讨大数据可视化视角下的智库应用研究和创新。

3.1 智库数据信息直观展示

大数据可视化的智库研究方法在数据处理阶段较传统的方法具有更快的速度和更高的效率。智库采集的数据包括传统的结构化数据和海量非结构化数据，较传统的统计数据全面而具体，但也具有较高的复杂性。在大量复杂数据信息的基础上，运用大数据可视化技术将智库数据进行总结归纳和直观展示，可以进行高效的智库研究。例如，美国布鲁金斯学会在智库研究中运用了大数据可视化技术，对数据进行直观地可视化分析[31]，如图2所示。

该项智库研究主要面向中国关税的变动对美国就业和农业的影响，通过运用大数据可视化的方法直观展示了就业人员的地区分布情况，非常清晰地展示大量数据信息，是非常典型的应用创新，便于智库研究人员理解数据信息和进行后续研究。此外，国内的公平竞争相关政策和事件等文本数据，可视化能直观表示数据信息及地域分布如图3所示。

图3是针对国内各省的公平竞争审查政策和事件的大数据可视化结果，将各省的政策、事件数量进行可视化直观展示，显示出地区内公平竞争审查政策和事件的数量。在全局范围内通过颜色的深浅表示政策和事件数量的多少，便于直观而高效地接收信息。

3.2 动态图形可视化对比分析

大数据可视化方法在智库研究中的运用弥补了传统方法在图形可视化方面的不足，其运用计算机技术将大规模集群的信息有效处理，将数据之间的相关关系运用动态的多维可视图形的形式展现出来，尤其是智库研究报告中的动态图形可视化应用，使得用户可以直观地看到数据之间的关系以及数据与数据之间动态对比结果。

世界资源研究所（WRI）在其自建的数据库中基于大数据可视化技术对研究领域分布地图、研究热点图、时空图等进行可视化，有助于用户在查询相关报告时直观准确地观察研究领域的地域分布、热点、趋势等信息。上海竞争生态研究中心通过运用时空可视化的方式动态分析我国的进出口贸易情况，分析在国内和出口市场上，是否实施极端松弛和自由放任的竞争政策，如图4所示。

从图中可看出，通过将各国贸易进出口额进行时空可视化，不仅能看到各国的贸易额对比情况，还能动态地展示贸易去向，判断进出口态势。同时，时间轴的变动可以实时观测各国贸易进出口额变化情况。国内方面，通过采集全国各省进出口额数据进行动态图形的可视化对比分析，如图5所示。

各省的进出口额随时间的变化，动态展示进出口额变化情况，同时分别对比分析各城市2015年和2016年的进口、出口情况，便于对国内城市进出口贸易情况进行实时观察。

3.3 支持可视分析的用户交互

海量的非结构化数据使得传统的可视化分析方法在帮助用户理解数据方面存在一定的局限性，为了让用户更易于理解和分析，用户交互功能被运用到大数据可视化的智库研究报告中。这种方法是通过对数据或者图形结果进行处理实现的，便于分析和理解数据。科学知识图谱软件在智库可视化分析中能够提供良好的用户交互功能，是大数据可视化的方法之一。为深入地了解公平竞争的市场环境，将多类商品的零售价格指数进行统计，并进行可视化分析，可以动态实时地监控商品零售价格指数变化情况，如图6所示。

图中根据用户的选择项，分品类分别展示2015年—2017年月度、半年度、年度商品零售价格指数变化情况，运用不同类型的图形、多维度地展示商品零售价格指数变化情况，从而实现实时监控市场环境的效果。同时，也可以根据用户的需求展示历年的商品零售价格指数变化情况，体现交互性能，如图7所示。

另外，用户还可以自由选择数据项进行实时对比分析，实现用户交互。由此看来，大数据可视化的智库研究方法能将智库研究成果中复杂的问题以简单易懂的方式呈现出来，从而增加大众对智库研究成果的接受度和认可度。在2017年1月7日举办的第二届新经济智库大会上，卡内基梅隆大学计算机学院副院长Justine Cassel认为，下一代人机交互界面需具备两个属性：通过对话和肢体语言进行自然互动；采用社交模式而非任务模式 [32]，直观、自然的人机交互有助于未来智库平台完善和技术创新。兰德公司（RAND）拥有美国多个行政机构及行业的数据，信息需求者、供应者、多个数据库之间的良好交互有利于增强后续分析的灵活性。大数据可视化交互功能使得分析过程更加灵活、直观、便捷，同时还保证了结果的准确性和易接受性。

3.4 智库数据资源集聚共享

智库数据资源集聚共享是未来智库发展的必然趋势。智库通常涉及访问众多的知识型数据库，从数据库中获取大量信息并进行处理具有难度，由于机构之间的数据相对独立，使得资源共享很有限；并且公众用户用传统的查询、统计等方法无法直观地判断智库研究机构的研究现状、机构之间的联系以及数据库资源等信息。随着互联网和多媒体技术的应用和普及，各智库纷纷运用互联网平台进行数据采集、分析和可视化成果展示，并进行智库数据资源共享，实现机构间互通有无，普通大众共同参与学习和研究。

目前，很多智库都运用分布式处理技术建立知识型数据库，并整合相关的数据资源，建立开放式的数据资源平台，运用大数据可视化分析方法直观展示数据资源分布，使大眾参与分析和判断，高效获取智库数据资源，实现智库数据资源共享。很多国际知名智库都建立了强大的数据库，以便保存重要的文献资料和研究报告，同时提供网络资源共享平台，加强知识的学习和共享。英国皇家国际事务研究所在完善建设数据库的基础上，设立专门的数字资源部门支持资源共享。卡内基国际和平基金也提供智库知识资源的共享服务，服务对象是其注册会员。中国社会科学院的中国社会科学网数据中心将社会科学领域的学术期刊、社会调查资料等进行整合、集聚在一个开放平台中，实现资源共享。同时，云平台的建立和相关配套系统的开发和应用使智库的存储和利用效率大大提升，数据库之间的信息通信更加便捷，便于用户访问数据库，降低了信息的获取成本，有效实现资源共享，满足用户需求。

3.5 大数据可视化提升智库作用和影响力

宾夕法尼亚大学智库与公民社会项目主任詹姆斯·麦甘博士曾表示，大数据不仅可以用来收集海量数据，更重要的是要对海量数据进行专业分析，通过数据分析结果发掘社会问题，为政府和研究人员提供处理问题的决策依据，提升了智库在解决例如健康、交通等实际问题方面的作用。

大数据可视化分析方法在智库中的应用创新，使得智库研究人员可以利用互联网、计算机技术、数据库技术等技术进行深入的实证研究，运用大数据可视化分析方法分析问题，并帮助决策人员和公众理解问题、获取知识资源，助推政府在解决社会问题上进行科学决策。近年来、大数据可视化领域逐渐衍生出大量的新兴技术，但在社会层面上，大数据可视化分析技术需要有针对社会公众的人性化的交互系统，不仅使得智库工作者快速掌握大数据可视化分析技术，满足智库研究人员的需求，同时使更多的社会公众理解问题、参与政府决策，促进公众认知和学习智库研究成果，实现智库数据资源共享，有力提升智库的社会影响力。

4 结论

文章对智库研究现状进行阐述，整理大数据可视化方法相关理论，并分析智库研究成果中大数据可视化分析的应用和创新。

（1）智库建设逐渐受到各国政府的广泛重视，越来越多的学者针对智库展开相关研究，智库研究逐渐成为学术界研究的热点。但我国智库的研究方法还比较单一，未形成完整的方法体系。大数据时代下海量信息的收集、处理、分析成为难点，大数据可视化分析方法在传统可视化方法的基础上可高效处理海量数据、通过图形直观展示数据分析结果，结果更易于被接受，有必要将大数据可视化方法运用到智库研究中。

（2）智库的研究方法主要基于传统的计量分析方法演变而来，但面对智库海量信息，大数据可视化的智库研究方法快速发展。目前大数据可视化的研究方法主要针对海量智库数据进行数据预处理、算法应用和提升、支持可视化的人机交互功能实现等，提高智库研究的效率。

（3）大数据可视化技术目前都被逐渐运用在智库的研究中，给智库的研究方法和技术创新提供了强有力的支撑。海量智库数据可以通过计算机软件平台快速准确地获取，并进行高效的数据预处理。运用多维的图形界面将复杂的数据可视化直观展现，使复杂问题简单化。并且运用多种可视化图形对比分析；利用良好的交互技术使得用户能更加准确地操纵、分析、理解数据。基于大数据的云共享技术能帮助更多的用户访问知识型数据库，实时采集数据，分析结果，有效实现资源共享。

（4）大数据可视化支撑的研究方法目前已有一定的应用，是传统研究方法的重大改进，在智库研究成果中的应用和创新都具有强有力的支撑作用，这不仅是对当前智库的研究方法的初探，也是未来的发展趋势之一。

参考文献：

[1] 许鑫， 吴珊燕. 智库知识库的构建研究[J]. 情报理论与实践， 2014， 37（3）： 68-72.

[2] 中共中央办公厅， 国务院办公厅. 关于加强中国特色新型智库建设的意见[EB/OL]. [2017-06-10]. http：//www.gov.cn/xinwen/2015-01/20/content_2807126.htm.

[3] MCGANN J G. 2017 Global go to think tank index report[EB/OL]. [2018-01-31]. https：//repository.upenn.edu/think_tanks/13/.

[4] PETER J. JACQUES， RILEY E. DUNLAP， MARK F. The organization of denial： conservative think tanks and environment scepticism[J]. Environmental Politics， 2008， 17（3）： 349-385.

[5] 吕红. 国际智库研究态势及其热点主题分析[J]. 高教发展与评估， 2016（5）： 42-49， 83， 121.

[6] GERSHON N D， EICK S G. Information visualization[J]. IEEE Computer Graphics and Applications， 1997， 17（4）： 29-31.

[7] PECK R， OLSEN C， DEVORE J. Introduction to statistics and data analysis （3rd edition）[M]. Australia， Belmont， CA， 2008： 7-24.

[8] HARMELEN F V， LIFSCHITZ V， et al. Handbook of knowledge representation[M]. Amsterdam： Elsevier， 2008： 374-391.

[9] FREY S， SADLO F， MA K L， et al. Supporting communication and coordination in collaborative sensemaking[J]. IEEE Transactions on Visualization and Computer Graphics， 2014， 20 （12）： 1633-1642.

[10] LEUNG Y K， APPERLEY M D. A review and taxonomy of distortion-oriented presentation techniques[J]. ACM Transactions on Computer-Human Interaction， 1994， 1（2）： 126-160.

[11] DRIGAS A， KOUKIANAKIS L， PAPAGERASIMOU Y. Towards an ICT-based psychology： w-psychology[J]. Computers Human Behavior， 2011（27）： 1416-1423.

[12] BOUKHELIFA N， RODGERS P J. A model and software system for coordinated and multiple views in exploratory visualization [J]. Information Visualization， 2003， 2（4）： 258-269.

[13] 俞宏峰. 大規模科学可视化[J]. 中国计算机学会通讯， 2012， 8（9）： 29-36.

[14] 陈明. 大数据可视化分析[J]. 计算机教育， 2015（5）： 94-97.

[15] AGRAWAL R， SRIKANT R. Fast algorithms for mining association rules in large databases[C]// International conference on very large data bases. Morgan Kaufmann Publishers Inc， 1994： 487-499.

[16] DILLA W， JANVRIN D J， RASCHKE R. Interactive data visualization： new directions for accounting information systems research[J]. Journal of Information Systems American Accounting Association， 2010， 24（2）： 1-37

[17] ROGER S. Software engineering： a practitioners approach[M]. New York： McGraw Hill， 2010： 216-240.

[18] CARD S K， MACKINLAY J D， SHNEIDERMAN B. Readings in information visualization： using vision to think[M]. Readings in Information Visualization： Morgan Kaufmann Publishers， 1999： 647-650.

[19] ABELSON D E. American think-tank and their role in US foreign policy[M]. New York： ST. Martins Press， 1996： 21-25.

[20] RICH A. Think tanks， public policy， and the politics of expertise[M]. New York： Cambridge University Press， 2004： 74-103.

[21] 趙蓉英， 魏绪秋. 基于文献数据的国内外智库研究动态分析[J]. 智库理论与实践， 2016（3）： 6-14.

[22] 吕青. 从智库研究理论到科技智库建设： 专访中国科学院科技战略咨询研究院潘教峰院长[J]. 智库理论与实践， 2016， 1（6）： 2-5.

[23] 武慧娟， 秦雯， 韩林丛， 等. 国内外智库研究态势知识图谱对比分析[J]. 现代情报， 2016（11）： 170-177.

[24] 陈臣. 基于Hadoop的图书馆非结构化大数据分析与决策系统研究[J]. 情报科学， 2017（1）： 24-28.

[25] 何清， 李宁， 罗文娟， 等. 大数据下的机器学习算法综述[J]. 模式识别与人工智能， 2014（4）： 327-336.

[26] VI?GAS F B， WATTENBERG M， FEINBERG J. Participatory visualization with wordle[J]. IEEE Transactions on Visualization & Computer Graphics， 2009， 15（6）： 1137-1144.

[27] ZHAO J， CHEVALIER F， COLLINS C， et al. Facilitating discourse analysis with interactive visualization[J]. IEEE Transactions on Visualization & Computer Graphics， 2012， 18（12）： 2639-48.

[28] OVIATT S， COHEN P， WU L， et al. Designing the user interface for multimodal speech and pen-based gesture applications： state-of-the-art systems and future research directions [J]. Human-computer Interaction， 2000， 15 （4）： 263-322.

[29] CHAN T H， JIA K， GAO S， LIU J， et al. PCANet： a simple deep learning baseline for image classification[J]. IEEE Transactions on Image Processing， 2014， 24（12）： 5017-5032.

[30] HINTON G， DENG L， YU D， et al. Deep neural networks for acoustic modeling in speech recognition： the shared views of four research groups[J]. IEEE Signal Process Magazine， 2012， 29 （6）： 82-97.

[31] Brookings. How Chinas proposed tariffs could affect U.S. workers and industries [EB/OL]. [2018-04-09]. https：//www.brookings.edu/blog/the-avenue/2018/04/09/how-chinas-tariffs-could-affect-u-s-workers-and-industries/.

[32] 国际在线. 第二届新经济智库大会召开人机交互、平台经济体受热[EB/OL]. [2017-06-07]. http：//news.cri.cn/ 20170107/95f2415b-7777-78e8-ff4b-4f9e9435b60e.html.

作者贡献说明：

熊 励：负责研究选题、研究与方法设计及论文撰写；

王 锟：资料收集与论文撰写；

钟美芝：文献综述与论文撰写。

Abstract： [Purpose/significance] Think tanks research in the big data environment aims at collecting， processing， analyzing， and digging out the logical rules contained in the massive information effectively， and representing large amounts of irregular data by visualization. This is the hot topic of research on think tanks. [Method/process] This article analyzes the current research status of think tanks and the big data visualization at home and abroad， sorts out the related theories of think tanks research methods on big data visualization， and then， explores the application and innovation of big data visualization in supporting think tanks research. [Result/conclusion] The results show that the research methods of think tanks in China are relatively simple at present， but the research methods based on big data visualization have developed rapidly， including techniques of the massive data process， the visualization algorithm， the graphic visualization， the human-computer interaction， the distributed processing and so on. The application of big data visualization analysis in think tanks research can help directly viewing the data information of think tanks， comparison and analysis of dynamic graphic visualization， user interaction that supporting visual analysis， gathering and sharing of data resources of think tanks， and enhancing the role and influence of think tanks.

Keywords： think tank big data visualization research method

收稿日期：2017-06-21 修改日期：2018-04-16 本文責任编辑：唐果媛