历史历史·

1976年毛主席逝世前,下令撤掉2个人,事后邓小平坦言:主席深谋远虑

发布时间:2024-08-21 13:59:54阅读量:39
普通文章
转载请注明来源

1976 年新年伊始,毛主席的身体每况愈下,病情日益沉重。此时,“四人帮”野心勃勃,妄图夺权,上蹿下跳,不择手段。尽管毛主席重病在床,却对他们的狼子野心洞若观火。

为防大乱,在生命的最后时刻,毛主席毅然做出重大人事调整。他不仅擢升了两人,还亲自下令撤掉另外两人。这一巨大变动令众人惊诧不已,一时难以理解。然而后来,邓小平和众人领会到其中深意,纷纷赞叹毛主席的深谋远虑。这背后究竟有着怎样的筹谋与考量?

1976年1月20日的政治局会议上,邓小平再次遭到“四人帮”的诬陷和攻击,他们试图抢走总理一职。然而,令人意想不到的是,毛主席并未选择“四人帮”的成员或邓小平来接任总理,而是亲自任命了年轻且低调的华国锋。

当时,许多人对这一任命表示质疑,认为华国锋太年轻,资历和能力都不够。但毛主席力排众议,坚决提任华国锋担任代总理一职。这一决定背后,有着毛主席的深思熟虑。一方面,华国锋在中央的工作表现出色且稳重,确实能够担此重任;另一方面,这也是为了打击“四人帮”的阴谋野心,防止他们进一步篡夺权力。

与此同时,毛主席还做出了另一个重要的人事调整:在叶剑英病重期间,由陈锡联主持中央军委的日常工作。这一决定同样引起了外界的广泛关注和猜测。当时,“四人帮”为了达到自己的野心目的,不仅到处攻击、诬陷邓小平,还经常故意散播叶剑英重病的谣言,以此削弱他在军中的威信。

实际上,叶剑英的病情并没有外界传言的那么严重。但由于“四人帮”的恶意中伤和谣言四起,不堪其扰的叶剑英甚至有了离开北京的念头。为了挽留叶剑英,陈锡联亲自给他打电话解释,并真诚地劝说他留在北京。在电话中,陈锡联恳切地说道:“我诚心请求叶帅留在北京,其实就是想在政治局里能多留一票!”在陈锡联的推心置腹的劝说下,叶剑英最终还是选择留了下来。

毛主席之所以做出这样的安排,其实是出于深谋远虑。当时,毛主席已经病危,但他清楚军委工作的重要性。在一番挑选后,他发现能担此重任的人并不多。再三考虑之下,毛主席选择了为人忠厚老实、从小参加革命的陈锡联来负责主持工作。这一决定不仅保护了年纪大的叶剑英免遭“四人帮”的诬陷攻击,也为后来的粉碎“四人帮”的阴谋奠定了坚实的基础。

在毛主席去世后,陈锡联与叶剑英、华国锋等人紧密合作,共同揭露了“四人帮”的阴谋,彻底粉碎了他们的野心。这一系列的人事调整和人事变动,最终证明了毛主席的深谋远虑和远见卓识。

回顾这段历史,我们不禁为毛主席的英明决策所折服。他在病重之际,仍然能够保持清醒的头脑,为国家的未来和稳定做出如此重要的安排。这不仅体现了他对国家和人民的深厚感情,也展现了他作为一位伟大领袖的卓越才能和远见卓识。

而邓小平在后来的岁月中,也多次提及毛主席的这一系列人事调整,直言他深谋远虑。这些历史事实再次证明,毛主席不仅是一位伟大的领袖,更是一位深谋远虑的战略家。

评论区

暂无评论,来发布第一条评论吧!

弦圈热门内容

Vertically aligning CSS :before and :after content

I am trying to centre the link with the image, but can't seem to move the content vertically in any way.<h4>More Information</h4> <a href="#" class="pdf">File Name</a>The icon is 22 x 22px.pdf { font-size: 12px; } .pdf:before { padding:0 5px 0 0; content: url(../img/icon/pdf_small.png); } .pdf:after { content: " ( .pdf )"; font-size: 10px; } .pdf:hover:after { color: #000; }

数据清洗之异常值处理

在数据清洗过程中,异常值处理是一个非常重要的步骤。异常值,也称为离群值或异常点,是指与大多数观察值明显不同的观察值。这些值可能是由于测量错误、数据录入错误、设备故障或者真实现象的特殊情况而产生的。异常值可能会对数据分析和建模产生负面影响,因此需要进行适当的处理。下面是一些常见的异常值处理方法:删除异常值: 最简单的方法是直接删除异常值。这种方法适用于异常值数量较少、对数据整体影响较小的情况。但是,如果异常值数量较多或者对数据整体影响较大,则不建议使用这种方法。替换异常值: 可以用数据集的其他统计特征值(如均值、中位数、众数)来替换异常值。这种方法可以保持数据集的整体分布特征,并且相对于直接删除异常值,对数据的影响较小。分箱处理: 将数据分成多个箱子(bins),然后用每个箱子的均值或中位数来代替箱子中的异常值。这种方法可以减少异常值对整体数据的影响,并且保持了数据的整体分布特征。基于模型的方法: 可以使用回归、聚类或其他机器学习模型来识别和处理异常值。这些模型可以自动识别数据中的异常值,并提供相应的处理方案。使用离群值检测算法: 可以使用一些专门用于检测异常值的算法,如孤立森林、局部异 ...