（张楠老师主题演讲）
【导读】2022年10月28日中午，清华大学计算社会科学与国家治理实验室举办了双周沙龙暨计算社会科学工作坊（第25期）活动。清华大学公共管理学院副教授、计算社会科学与国家治理实验室副主任张楠老师应邀做主题报告，题目是《政策智能的公共管理理论基础和方法体系初探》。
【演讲实录】：
大家中午好！首先，我先讲一下为什么今天分享的研究被称作“初探”：第一个角度，我们对政策智能的公共管理理论和一些方法的研究只是一个开始，距离真正厘清还有一定距离。第二个角度，我们这个研究也是受公共管理学院种子基金支持的一个研究。研究总周期预计20个月，目前还有70%的时间继续向前。
2019年的时候，我与孟庆国老师，以及上海外国语大学的马宝君老师共同合作，撰写了《政策信息学》这本书。2020年是政策信息学向政策智能发展一个新阶段，国家自然科学基金委第260期双清论坛关于“政策信息学与政策智能”进行了广泛讨论，其中我们也总结了一些相关的科学问题，这是这个研究的一个背景。
怎么看待从政策信息学到政策智能，其实存在不同的视角：一个相对偏技术导向的视角，认为它是一个在随着数据的增长和对数据分析深化的一个更的阶段，图中大数据分析的1.0和2.0阶段被定义为政策信息学；随着越来越多的数据规则进入到政策推演逻辑，分析发展到3.0的政策智能阶段。同时，我们也可以从另外的一个视角来看，我们认为政策信息学和政策智能可能是一体两面，政策智能更面向现在政策决策中的前沿应用，而政策信息学则为了支撑政策智能应用，对这个跨学科知识体系进行相应的建构。
所以我们对政策智能公共管理理论基础的探讨，也是从学科知识体系建构的角度去做一些相应的思考，梳理在这个过程中可能遇到的挑战。在相关的梳理中，我们发现近年政策智能相关研究呈显著增长趋势，包括IEEE, ACM这些传统计算机和工程类学会现在都有专门的新期刊在关注这个方向。
由我们在双清论坛中邀请了不同学科的老师，大概可能分成三个大方向：管理科学与工程方向、公共管理方向，以及来自于信息学部、比较偏计算机科学方向的老师。讨论中有很多碰撞，发现尽管大家在“政策智能”的大名词下，但关注和讨论的问题好像不太一样，我形容为在大家中间好像有“一堵墙”。大家都在说这个问题，但是好像没有在一个话语体系里，需要更多地讨论，有意识地建立跨学科的联系。
我们基于前期研究，提出了可能的三方面问题：第一，政策智能的发展，对公共管理理论会有些什么影响？第二，如何从公共管理的视角，对政策智能后面的发展提供一些理论指引？第三，相关研究可以基于哪些方法论展开？我们的思考，其实是一个提问题的过程，我们主要涉及到这三个方面。
第一个问题，从政策智能到公共管理，政策智能会给公共管理带来一些什么样的变化？包含三个角度。
第一个角度，治理模式和决策机制会有什么变化？在数字化进程中，其实从Dunleavy开始，很多公共管理学者都在尝试去总结数字化时代的治理框架，一直延续到2022年PAR上的文章对算法决策框架的思考等。总结来说，政策智能到底是一个量变，还是质变，在智能技术带来的跃迁会不会带来一些新的挑战？我们用从Dunleavy以来，这15年里的数字化框架是不是能解释这些问题？这可能是我们要去思考去探讨的第一组问题，即新场景下的治理机制和框架。
第二个角度，从Simon开始提出的有限理性假设中，我们在公共政策研究中的一些基础设定，实际上都是基于个体和政府组织在信息获取和处理能力方面的有限性，以及信息交互的有限性。基于这些有限性，我们构建了政府与公众的关系，以及公共管理与公共政策的关系，为什么政策需要有一定的延续周期？因为它的讨论成本很高，切换成本也很高。但现在基于大数据、人工智能的场景，会不会使这些基础设定发生一些变化？比如，数字化进程赋予个体更多的信息获取和处理能力，而这种能力以及由此带来的更快速基于数据的反应，是不是使政府和公众的关系、公共管理与公共政策之间的关系会发生一些变化？这些变化是不是可能又会反作用于对政策智能的理解？这可能是政策智能可能会带给公共管理的一些改变。
第三个角度，很多来自公共管理学科学者在关于政策智能的探讨中会更多关注到安全风险这样一个分支领域的问题。当我们基于数据去构建政策智能时，它的安全性问题，既有主权问题、隐私问题、要素流动的问题，同时还要考虑一些社会风险的维度。基于数据去做一些决策和判断时，会不会有风险？包括可能对一些传统模式的竞争性替代，对一些政府体系公务员工作方式的改变。我们基于大数据进行的最优化分析会不会形成一些算法歧视？机器行为学相关研究表明，当我们基于数据逻辑寻优时，可能也会被逆向预测。被逆向预测后如何应对？这可能都是值得研究的问题。
第二个问题，当我们思考政策智能的未来时，公共管理既有理论视角有可能会带来哪些变化？
第一个角度，我去很多地方讲政策智能的时候，我发现提问题的人只要一上来就谈到价值理性和工具理性，那一定是本科学行政管理的。这可能是行政管理专业看待新技术的一个惯用视角，而价值和工具是不是一个完全对立的视角，是一个0-1关系吗？还是有可能从布尔集变成连续集？我们在政策过程中，政策智能可能要做的就是把决策中那些相对重复性的工作不断剥离，至少在现阶段政策智能帮助决策的方式不一定是替代，而只是辅助，还是给人价值判断的最终决策权。现在不断进展的人机协同混合决策的方式，其实还是会给人保留最终决策权，同时把一些事务性的工作不断剥离出去。
第二个角度，根据阶段差异进行工具嵌入的视角。传统对政策过程研究中认为政策过程有议程设置、政策工具选择、实施、后评估等不同阶段。那么，在不同阶段是不是政策智能的作用方式不一样？可能有些老师同学了解，我们之前开展一些基于海量文本的政策注意力相关研究，就是议程设置阶段的一个探索。在工具选择和后评估阶段，也可能有一些其他的作用方式。所以当我们去探讨政策智能时，要在政策过程不同阶段来去探讨政策智能的方式。
第三个角度，如果我们将政策环境看作一个复杂系统的话，里面有很多交互影响的主体和单位。理解互相影响的过程，仿真推演的方式可能会带来更多的可能性。这里将会用到奥斯特罗姆的社会生态系统理论，公管学院王亚华老师做过大量相关研究。在这个角度上，社会生态系统理论与系统工程中的复杂巨系统视角有重要的联系，可以为我们理解政策智能提供理论养分。
关于第三个问题，我们也在思考一些方法的融合问题。
第一个角度，涉及到传统实证和阐释方法，是不是能与现在的大数据方法有一些相关性？比如当我们去探讨无监督学习主题建模的时候，我们会觉得它与我们熟悉的扎根理论方法其实是有一些共通性的。LDA主题建模、词向量的引入，以及人机协同的主题匹配，和开放编码、轴心编码、选择编码可以进行对应，实际上我们也见到在Policy Science上已有研究提到了两种方法之间的关系。
第二分角度，在实证计量方法层面，例如机器学习中随机森林、梯度决策树等方法已大量引入，很多研究通过方法融合来进行大规模数据中的因果识别，公管学院刘生龙老师等人也在进行相关的探讨。
第三个角度，管理科学里的建模仿真类研究在大数据兴起之前一度面临瓶颈。因为仿真无论做的再复杂，参数始终是自设置的，需要花费很大力气论证这些参数设置的合理性。所以我们尝试探索通过对案例的深挖发现，链接数学建模中一些逻辑，再对模型进行仿真，把质性研究和数学建模二者进行结合。
所以，无论是扎根理论和主题建模的融合，实证计量与机器学习的融合，还是质性比较与仿真建模的融合，方法的融合可能是政策智能与传统公共管理学科之间交互的一种方式。
以上是我们以目前知识体系对三个维度上一些可能研究内容的设想，接下来还会有更多更细的探讨，最后再说说我们怎么去开展这样的探索。我们试图进行一些理论思考和实证探索的结合，会在一些重点场景进行政策信息学、政策智能的实证研究，同时也去思考理论对话，试图去做更好的未来研究议题的设定。大家知道数学里有希尔伯特问题，引导了整个二十世纪里很多数学家的工作。在政策智能这个新兴领域内，我们并不一定有足够的能力解决这些问题，但至少可以先提出一些可能值得解决的问题。
当然，实证探索需要大数据支撑，理论探索也需要头脑风暴。这张照片里有些熟悉的面孔，这是我们公管学院优秀毕业生专场，也请这些已经在国内高校任教的青年老师提出了很多宝贵建议，这实际上是我们共同去思考政策智能和公共管理学科之间关系的一个过程。
最后，当我们去求索这些理论问题的时候，很容易会汇聚到Simon这个人，他关于有限理性的一些论述，对公共政策的理论建构有很重要的影响，同时他也是人工智能与决策自动化的奠基者和开拓者，是一个同时得过诺贝尔奖和图灵奖的人。在今年的PAR上，我们公共管理界的三位重要的学者Gary、Tom和朱旭峰老师特别组织了一个纪念Simon的讨论。Simon是20世纪交叉学科的通才，当然我们有时候会感叹“生不逢时”，因为在学科不断细分的情况下，我们想成为这样的人越来越难，几乎不可能。于是就要讲到我们实验室的定位，计算社会科学与国家治理实验室想做的就是，通过来自不同院系的老师和学生之间的相互协作实现跨学科的突破。我们个体虽然不能成为西蒙，但是我们可以一起来做一些交叉的工作，对多学科有形成益的贡献。这就是我们实验室的初衷，也是我们双周沙龙系列活动的初衷。
最后，以上的研究工作，在很多的场合得到了很多老师的意见，这个致谢名单实际上我每次讲的时候都会不断加长，我希望到我们种子基金结题的时候达到一页写不下的状态，因为充分收集到来自更多方面的意见对研究议题设定至关重要。
我的分享先到这里。谢谢大家！
