学术研究 | 智库专业化建设与公共决策科学化
- 2020-12-17 11:44:00
- 厦门大学公共政策研究院 陈振明 黄元灿 原创
1. 公共决策数据化和智能化发展的新方向
数据分析是政策分析的重要前提。现代公共决策必须建立在可靠的事实和数据以及理性分析的基础上。由于公共政策的专业性,决策者不能仅凭个人或小团体的智慧或主观设想进行经验决策; 只有通过基于数据的理性分析以及严密的逻辑推理和精确的计算,才能使复杂的政策问题更容易把握,更好地界定问题、确定目标,设计、比较和选择科学的备选方案。尤其是在当前全面深化改革背景下,我国正面临极其错综复杂的国内外形势,诸多矛盾交织叠加,各种风险挑战接踵而至,国内外很多情况是改革开放以来没有碰到过的( 李克强,2018) ,各实质性政策领域的问题充满复杂性与不确定性,理性分析对于我国公共政策分析的必要性更是不言而喻。而理性分析不仅需要采集大量的决策所需数据,而且需要运用现代分析技术和方法( 如矩阵方法、统计分析、趋势分析、建模仿真与优化逻辑/因果分析方法、情景分析方法、价值/决策辅助/经济方法、定标比超、风险评估与分析、技术评估等) ( 王宏广等,2018 ) 进行计算、分析和预测,这是决策者个人做不到的,必须发挥智库的数据提供和分析优势,依靠智库对公共政策问题进行数据化、理性化和经验化分析。美国“白宫第一智囊”兰德公司又被称为“科学与死亡的研究院”或“数字理性主义研院”,它主张“一切重要事物皆可简化为数据” “数据和理性分析先于感知和理解”;它的数据库资料浩如烟海,涉及各种领域、活动、人物和事件; 它开创的系统分析工作程序是其对美国联邦政府决策最引人注目的贡献之一。
与传统的公共决策模式相比,数据化智能化的公共决策数据的收集、管理和应用的深度广度及规模已不可同日而语,传统的舆情中心和专题数据库的数据采集和分析方式已无法满足数据化智能化公共决策的发展要求,必须转向以大数据和智能化为中心的新的数据收集、挖掘、分析和利用方式。例如,传统的基于随机调查和浅层语义分析等碎片化的舆情调查、监测和挖掘方法,难以对社情民意大数据进行有效收集和分析,而必须依靠智库数据中心的数据挖掘、关联分析、数据整合及可视化等数据技术( 李梅等,2015) ; 传统的专题数据分析只针对结构化数据( 样本数据、面板数据或时间序列数据) ,难以对价值和伦理等非结构化问题进行精确测量和建模分析,必须借助大数据技术,将非结构化问题转化成非结构化数据( 如图片、视频、文本等) ,通过数据重组和算法揭示相关性,进而有效处理非结构化问题( 范如国,2018) 。在数据化与智能化时代,每个人都不知不觉地融入数据采集过程,数据获取从调查统计转变为感知记录,预测成为大数据分析的核心,公共决策需要通过智能终端、物联网、云计算、区块链等可拓展人类感知能力的技术来追踪数据足迹,通过“机器学习”( Machine Learning) 、模式识别等方法进行探索式数据挖掘,通过相关关系分析法等进行海量的全样本分析( 米加宁等,2018) ,进而发现社会规律和预测人的行为; 与此同时,还需将数据挖掘、关联分析、数据整合与传统政策分析的政治学、经济学方法等相结合,使其更直接地服务于公共决策。例如,基于文本语义挖掘的政策文本环境建构研究,基于大数据的政策效果预测与分析,基于用户创作内容分析的政策过程公众反馈态度研究等( 徐宗本等,2014 ) 。因此,大数据与智能化时代的公共决策必须重视专业化智库数据中心的建设和利用。
2. 基于证据或数据的“循证决策”新范式
循证检验是政策分析的必要环节。决策者通过将高质量的证据置于政策制定的核心位置( Davies,1999) ,使公共决策更加科学和理性,进而确保政策执行的效果,这就是所谓的循证决策。经过近20 年的发展,循证检验逐渐在OECD 国家的政府改革与治理实践中占据重要地位,成为当代全球公共决策的一个新趋势。例如,作为循证决策的主要倡导者,英国政府通过颁布相关政策法规( 《现代化政府白皮书》和《21 世纪的专业化决策》) 和设置相关机构( 管理与政策研究中心)等举措推行循证决策模式,将循证原则贯穿于英国社会政策的整个生命周期( 李乐、周志忍,2016 ) ; 英国政府赞助的“行为洞察团队” ( Behavioural Insights Team,BIT) 虽以“助推小组” ( Nudge Unit) 闻名,但本质是政策实验室和改革推动者,它通过科学地测试政策选择实际如何影响社会问题来为政府提供决策支持,它倡导的社会实验方法成为循证决策运动的核心( Smith &Larimer,2018) 。
循证决策的关键在于“从社会研究和评价中获取的证据的性质或质量”以及“实践者或专业人员在决策过程中使用证据的方式”( Sanderson,2002: 62) 。前者涉及证据生产的科学性,后者涉及证据使用的有效性。就证据生产的科学性而言,高质量的证据一般具有科学和真实、系统和量化、动态和更新、共享和实用、分类和分级等共同特征( 李幼平等,2008 ) ; 但不应将“证据等级”或“随机对照实验”等单一方法作为衡量证据质量的唯一标准,还应综合考虑可信度( 技术证据的充分性) 、显著性( 评估与决策者需求的相关性) 、公正性( 证据生产过程是否公平对待不同利益相关者) 等标准( Parkhurst,2017 ) 。就证据使用的有效性而言,要建立知识转移机制以促进证据使用,使决策者可用、能用和善用证据。不仅要发挥智库专家作为信息中介、知识提供者或知识经纪人的作用,培训研究人员如何更有效地提供决策证据,培训决策者如何查找、了解和使用证据; 而且还要通过制度化途径改进证据使用或促进知识向政策转化。比如,建立关于各政策领域备选方案有效性的“证据库”,形成循证决策实践指南,完善智库作为结构化知识经纪人的作用,建立由相关机构、规则和实践规范组成的专门服务于循证决策的“证据咨询系统” 。
无论是证据生产,还是证据使用,都离不开专业化智库的有效参与。只有发挥智库数据中心与实验室的证据生产功能,通过政策评估、数据收集、数据分析、行为实验、仿真模拟、预测研究、系统评价和元分析等决策支持技术,将政策相关信息转化为“决策证据”,才能建立可经受时间和实践检验的高质量证据库,随时随地提供各种实质性政策有效执行的行为证据和制度证据,并以通俗易懂的方式呈递给决策者; 只有通过构建由智库数据中心与实验室、相关政府部门、政策法规、实践规范和技术设施共同组成的证据咨询系统,形成并推广循证决策模式,才能促进高质量证据的有效使用,实现良好的公共治理或
循证治理。