管理學的“危機”

陳榮虎

[提要] 近年來，管理學越來越不受實業界的重視，存在著一定程度的“危機”。這種“危機”是由于大數據和人工智能的發展造成的，許多高校未及時更新其培養體系，但大學的體系作用仍然非常重要。有幾點理由認為“危機”被夸大了：（1）學術界有向實踐學習的傳統；（2）時代的發展使很多專業產生了“危機”；（3）管理知識的傳播和技術的發展使得學科的“新鮮感”在下降；（4）時代成功者的成功有一定的偶然性。

關鍵詞：管理學；危機；大數據與人工智能時代

本文為國家社科基金項目（項目編號：15BL014）

中圖分類號：C93 文獻標識碼：A

收錄日期：2017年10月17日

引言

近年來，筆者感到管理學越來越不受實業界的重視。比如，某互聯網大佬在網上狂言“員工讀了MBA變傻了”、“以前我看不起商人，現在我看不起教師”等等。當然，他不是第一個，也不是最后一個提出類似觀點的人。十多年前某地產商就曾說過“員工中最差的是博士，其次是MBA！”。

這僅僅是一個方面。如果去逛書店，你會發現許多商界大佬都開始出書，講授成功經驗。這些書往往被擺在顯要的位置，似乎要給讀者一個印象：這些強人不僅會經商，而且學術水平也很高，有無限的精力，在繁忙的工作之余還有精力寫作。這些強人的精力和學術水平，絲毫不亞于美國前總統奧巴馬。奧巴馬在治國之余，還在《科學》、《美國醫學會雜志》、《哈佛法律評論》等頂級學術刊物上發表多學科論文。不過，筆者認為奧巴馬的論文是由其下屬代筆的。

筆者和企業家打交道的次數不多，參與過一些校企聯合項目，更多的時間是完成自己的國家社科基金項目。筆者一直以為管理學不受待見是個人的感受。然而，最近和同門、同行們的一次交流，卻發現名校的管理學專業也不受待見，國內管理學都有不被重視的趨勢。從《金融時報》一篇文章來看，國外學者也有這種感受。在此背景下，有必要對管理學的“危機”進行分析。

一、大數據、人工智能時代

管理學的“危機”很大程度上起源于時代的變化。我們所處這個時代最顯眼的詞匯就是“大數據”、“人工智能”（“機器學習”）等詞匯，見圖1。（圖1）

目前學者們對大數據仍沒有統一的定義。一般認為，大數據具有三個特征，簡稱3Vs：大數據量（Volume）、大速度（Velocity）、大的多樣性（Variety）。處理大數據需要計算機技術的支撐，最終創造價值。

人工智能指的就是人造機器展現出的智能，它區別于人和其他動物的智能。人工智能的核心是計算機算法，當代計算機科學家們通常把它們稱為“機器學習”算法，而《科學》雜志在2017年7月7日的一篇報道中歸納出人工智能相關的詞匯多達17個，除了“機器學習”外，還包括“算法”、“專家系統”、“深度學習”等。

大數據的應用幾乎無所不在：社會管理、精確廣告、制造、為供需方牽線搭橋、體育、電視節目推送、能源、智能家居、醫療、新聞和故事寫作等。這些應用有公益性質的，更多的是商業性應用，它引導了管理方式的變革。精準廣告的出現，必然會引發企業營銷方式的變革。精準廣告應用的代表是Netflix，它用該技術來向用戶推薦電視節目。和Netflix類似的是BBC，它用大數據來分析自己的節目是否受歡迎。勞斯萊斯公司將大數據用于產品的設計、生產和售后。據《金融時報》報道，洲際酒店集團用算法來挑選應試者，這是人力資源的一個應用。

除了商業應用外，大數據在社會管理也有不少應用。倫敦運輸公司用大數據解決倫敦這樣的大城市的公共交通問題，米爾頓·凱恩斯市用大數據建設智慧城市。美國的移民和海關部門用大數據識別恐怖分子，Palantir公司協助美國中央情報局在阿富汗檢測炸彈，美國用大數據管理國家等，美國的匹茲堡、芝加哥等城市采用了一種“預測式出警”的方式來預防犯罪，墨西哥用大數據的方法來尋找受害者遺體所在地，芝加哥市政部門采用大數據來預測鼠災。

人工智能技術也有很多應用。圍棋歷來被認為是人工智能的堡壘，谷歌公司的人工智能代表—AlphaGo在2016年、2017年分別打敗了人類的頂尖圍棋高手李昌鎬、柯潔。IBM公司的Waston智能機器人擔任大學的助教，在五個月的時間內學生竟未覺察，最終因被告知才得知真相。Waston幫助醫生診斷疾病，只用了10分鐘時間就診斷出了一種罕見的白血病，醫生作出同樣的判斷需要幾個星期。2017年，它在中國就診時，只用了10秒鐘就診斷出胃癌晚期患者。目前，有許多公司投入了自動駕駛研究，自動駕駛技術的基礎是人工智能。這些公司里包括谷歌、百度、騰訊等互聯網企業，還包括特斯拉、通用、奧迪、大眾、寶馬等傳統汽車廠商，還有一些初創企業。根據有關報道，美國的卡車貨運工業市值已突破七千億美元，自動駕駛卡車將逐漸取代美國卡車司機，市場潛力巨大。人工智能還可用于預測貧困，政府可借此采取應對措施，使社會管理更有效。

大數據和人工智能的發展，必然會給管理帶來變革。一方面技術的發展，創造了許多新的產業，帶來了新的機會；另一方面技術使得傳統企業面臨挑戰，迫使他們采用新技術和改革管理方式。技術的發展還使得政府等非盈利性組織的管理更為有效。

管理的變革對管理學提出了新的要求。不幸的是，由于變化過于迅速，學術界在理論和方法上尚未及時跟上，造成了學科的“危機”。

二、管理學教學科研體系分析

在談及作為一門學科的管理學之前，不得不說說現代大學。現代大學起源于1810年成立的德國柏林大學，其創始人是洪堡。學者們一般認為柏林大學的貢獻在于其“學術自由”和“教學與研究相統一”的思想，并奠定了“傳授知識與創造知識相統一”的現代大學理念。洪堡提出了三條原則：反對功利主義教育價值觀；反對經驗知識凌駕于理論知識之上；反對缺乏人文教育的大學教育。無論是研究型大學還是教研型大學，在“創造知識”方面未能跟上時代的步伐。在大數據和人工智能時代，管理學的理論和方法并未及時更新。endprint

管理學有眾多的專業和研究方向，不同的機構有不同的劃分方法。如國務院學位辦和國家基金委就有不同的劃分方法。在國務院學位辦的學科目錄（2011）中，“管理科學與工程”專業可授予管理學和工學學位。對于本科以后的教育，其名稱更是五花八門，有MBA、EMBA、MPA、MPM等，并且還分研究方向。各大學師資情況也各不相同，課程設置和重點也不相同，有些學校可能重視案例教學，有些學校可能重視理論。盡管未能跟上時代，但考慮到現代大學的教學科研體系的優勢，大學的管理學專業仍然具有重要的作用。

首先，大學教育有完整的體系，大學教師在各自的領域有深厚的積淀。盡管各高校、各專業的課程設置千差萬別，但是在課程體系上基本上都有“基礎課”、“專業基礎課”和“專業課”之分。有些專業的“專業課”可能是其他專業的“專業基礎課”。例如，“財務會計”、“市場營銷”等本身是專業方向，但它們也可以作為其他管理類專業的“專業基礎課”。基礎課通常包括數學課程和計算機課程，如高等數學、統計與概率分析、經濟學原理、程序設計等。在大數據和人工智能時代，數學和計算機基礎仍然具有舉足輕重的地位，各種機器學習算法都需要深厚的數學基礎。管理學雖未跟上前沿，但其在基礎課程和專業基礎課程上仍有深厚的積淀。

其次，大學教師和實際管理者具有不同的思維結構。大學教師更像是“教學大機器”中的一顆“螺絲釘”，每個人做好自己的工作即可。大學教師甚至可以精通“激勵理論”但仍然無法擔任領導去激勵他人、精通“優化理論”但卻對現實的問題無法優化、精通投資理論卻在股市中血本無歸。道理很簡單，如果運用理論即獲成功，則人人可以復制，要么使理論無效，要么使理論的價值降低。實際管理者則更多的是面臨整體性的問題，是綜合能力的應用，有些能力甚至不是通過學習能獲得的。領導者的人格魅力就很難模仿，他們對各種風險的直覺也很難通過學習獲得。大學教師在專業方面強于實際管理者，能為管理者提供建議。

最后，大學的目標并不是培養領導者。大學的目標是向學生或學員提供一整套的工具和思想，解決問題仍然需要靠學生或學員本身。指望大學解決所有的現實問題本身就是個不現實的理想。有時候，了解有哪些方法對管理者是個重要的信息，而大學能提供系統性訓練，提供單個教師不能提供的信息。

三、夸大了的“危機”

（一）管理學學術界有向實踐實習的傳統。幾乎所有的管理學教科書都會提到泰勒的“科學管理原理”，認為這是現代管理理論的開端。泰勒本人被稱為“科學管理之父”，他的工作生涯主要是在鋼鐵公司度過的。泰勒在工作過程中觀察到了工人和資本家間的對立情緒，工人的“磨洋工”使工作效率很低。“科學管理原理”正是在對管理實踐的觀察和對前人失敗理論思考的基礎上提出來的，并將它運用于實踐。泰勒也正是因為他的管理實踐被提拔為車間主任，并在總裁的同意之下開始了更詳細的研究。如果沒有實踐的成功，泰勒的理論也不會被大家所接受。

統計質量控制理論也來源于管理實踐。該理論的創始人休哈特在1918年加入西部電器公司下屬的霍桑工廠，負責質量檢驗工作，他在實踐過程中提出了統計控制的概念。他在實踐中觀察到生產過程和自然過程是不一樣的，生產過程中的分布并不是正態分布。如果沒有實踐而光靠數學推導，各種概率分布將是錯誤的，在此基礎上的推導也就不成立。

管理學中的運籌學則來源于軍事問題。二戰時期，英、美兩國為了解決一系列軍事問題專門成立了運籌學研究小組。這些問題有：合理運用雷達來預防空襲；如何編排艦隊，如何使船隊在遭受攻擊時損失最小；對付敵軍潛艇的最佳投彈深度；等等。二戰結束后，運籌學的各種方法逐漸運用到了其他領域，包括管理領域。運籌學的發展奠定了管理科學的基礎。

當前，隨著大數據和人工智能科學的發展，技術科學也在不斷地進步，許多企業使用機器代替了人。在此背景下，管理學和經濟學都面臨著新的挑戰，它們都需要在對現實觀察的基礎上提出新的理論，而不是憑空提出新的理論。

（二）許多專業存在“危機”。大數據和人工智能不僅對管理學產生了沖擊，還對其他專業產生了沖擊。在哲學領域，“智能到底是什么”這類問題變得很吸引人，但哲學家和科學家們目前還回答不了。機器的使用，有可能使社會貧富差距更大，社會平等問題變得更為迫切，需要有政治、經濟理論支撐政府的決策，也需要經濟學家思考新的增長模型。大數據的使用，會帶來以隱私為代表的倫理問題和法律問題。人工智能也同樣有倫理和法律問題，例如，自動駕駛汽車在遇到危險時保護行人還是保護司機、保護一個行人還是多個行人等問題就是倫理問題，由此又會引發法律問題。

除了人文社科以外，許多理工科的學者把這些新技術運用到各自的專業領域。《自然》、《科學》雜志就有不少交叉應用。例如，用機器學習算法中的支持向量機來發現新材料，用機器學習算法中的卷積神經網絡來自動更正引力透鏡的圖像，用機器學習算法中的神經網絡來解決量子多體問題。盡管有許多應用，但國內外很多大學的本科培養方案中都沒有更新這方面的內容，甚至研究生的培養方案也未更新。《自然》、《科學》等頂尖雜志上的應用在計算機領域只能算是初步的應用，主要原因還是此類方法仍未大量使用。

人才缺乏是各專業危機的根本原因。2017年7月8日國務院印發的《新一代人工智能發展規劃》中明確地提到“人工智能尖端人才遠遠不能滿足需求”，并把“加快培養聚集人工智能高端人才”作為重點任務中的一部分。根據領英公司的一份報告，在該公司平臺上發布的人工智能職位從2014年的近5萬個到超過44萬個，需求增長非常迅速。這份報告同時還指出，高校和研究所的人才不斷地流向企業，這對于高校的學科發展是一個沉重的打擊。

（三）學科“新鮮感”的邊際遞減效應。國內在20世紀推出MBA教育時確實給人耳目一新的感覺。但隨著時間的推移，受教育的人數越來越多，知識的傳播也越來越快，人們的新鮮感在下降。另一方面，技術在不斷進步，人們獲得知識的渠道越來越多，除了傳統的課堂和書本，論壇、社交網絡也可用來獲得知識。在遇到不熟悉的知識和問題時，人們只需要在搜索引擎中輸入問題，通常會很快得到答案。endprint

在這種情況下，管理學中的各種理論能帶來的“新鮮感”只能是越來越少。但從“能經受時間的考驗”這個角度來看，管理學中的許多分支都有不少經典，這是書店中的“暢銷書”所不能比的。有些交叉科學的方法，如運籌學、現代優化算法等雖然不能為大眾所理解，但它們仍在管理實踐中起到了重要作用。從統計的角度來看，運用這些理論和方法不能保證企業成功，但運用它的企業會有較高的成功率。管理統計本身也是管理學中的重要內容之一。

（四）互聯網大佬成功的偶然性。不可否認，大數據和人工智能時代的企業壽命更短。對北美25，000家上市公司從1950年到2009年的研究表明，大約有一半的企業壽命不超過10年。而根據華爾街日報在2012年9月20日的一份報道，在由風險投資支持的初創企業中，大約有3/4失敗。國內的小中企業的壽命更短，有研究認為壽命在2～4年。這些數據似乎更印證了國內某些互聯網企業成功的必然性。但是，仔細思考就會發現，某些互聯網企業的成功有其偶然性。

首先，無論企業的壽命是如何短，只要有企業成功，總會有一個企業在競爭中表現突出，但它突出的理由很可能不是它自己所宣稱的那樣。這和戰爭有類似之處。在一場殘酷的戰斗中，某戰士幸存的原因很可能只是他的運氣特別好，而不是因為他的身體好或其他原因。

其次，在機遇特別好的時候，迅速占領市場有利地位往往比規范化的管理更有效，但這不代表管理理論無用。互聯網的發展給企業提供了很多的機會，而抓住機會者往往會獲得成功，后來者則面臨進入壁壘。在新浪微博獲得成功后，騰訊微博等同類的社交軟件很難發展。在蘋果的封閉系統手機獲得成功后，微軟想建立一個封閉的系統以失敗告終，而安卓是以開放獲得了成功。

再次，國內互聯網企業的成功依賴于國家的扶持。國內許多互聯網企業的成功是依靠國家的扶持才成功的。如果國家放開競爭，允許谷歌、Facebook等企業進入國內市場，騰訊、百度等企業將會面臨巨大的競爭壓力，很可能就夭折于創業初期。一些電商平臺如果沒有國家的稅收優惠、執法部門對他們在創業初期平臺上假貨的寬容、天然的貿易壁壘等保護也可能夭折。

最后，互聯網企業的行為還需要規范，而有些未經規范的行為增添了它們“成功”的可能性。互聯網發展很快，在很多領域留下了監管的真空，很多政策還需要斟酌。筆者認為以下幾條原則值得決策者關注：一是企業的發展要為國家的發展貢獻力量；二是企業的發展不能損害社會公眾的利益；三是企業的發展不能為經濟系統帶來風險。當前，有些企業為一些藥品和醫院做廣告，損害了社會公眾的利益。一些企業靠游戲巨量吸金，損害了青少年的健康，損害了國家的長期利益。還有一些企業以“理財”為名吸納資金超過萬億，弱化了企業自身的創新性，由于帶動效應也削弱了國家的創新性，還加大了金融系統的風險。

主要參考文獻：

[1]蒂姆·卡爾金斯.商學院如何與千禧一代產生共鳴？[N].金融時報（網絡版），2017.8.28.

[2]Mauro，Andrea De，Marco Greco and Michele Grimaldi.A Formal Definition of Big Data Based on Its Essential Features[J].Library Review，2016.65.3.

[3]Marr，Bernard.Big Data in Practice：How 45 Successful Companies Used Big Data Analytics to Deliver Extraordinary Results[M].John Wiley & Sons，2016.

[4]艾麗西亞·克萊格.你見過“電腦面試官”嗎？[N].金融時報（網絡版），2017.8.23.

[5]Hvistendahl，Mara.Crime Forecasters[J].Science，2016.353.

[6]Wade，Lizzie. Predicting Where Victims of Mexico's Violence Are Buried[J].Science，2017.356.

[7]Jeelani，M. Chicago uses new technology to solve this very old urban problem [N].2015. Available from：http：//fortune.com/2015/04/29.

[8]Jean，Neal，Marshall Burke，Michael Xie，W. Matthew Davis；David B.Lobell and Stefano Ermon.Combining Satellite Imagery and Machine Learning to Predict Poverty [J].Science，2016.

[9]韓驊.柏林大學的傳統及其對我國高教改革的啟示[J].高等教育研究，1997.1.

[10]泰勒.科學管理原理[M].北京：機械工業出版社，2007.

[11]Bonnefon，Jean-Franois，Azim Shariff and Iyad Rahwan.The Social Dilemma of Autonomous Vehicles[J].Science，2016.352.

[12]Raccuglia，Paul，Katherine C.Elbert，Philip D.F.Adler，Casey Falk，Malia B.Wenny，Aurelio Mollo，Matthias Zeller，Sorelle A.Friedler，Joshua Schrier and Alexander J.Norquist.Machine-Learning-Assisted Materials Discovery Using Failed Experiments[J].Nature，2016.533.

[13]Hezaveh，Yashar D.Laurence Perreault Levasseur and Philip J.Marshall.Fast Automated Analysis of Strong Gravitational Lenses with Convolutional Neural Networks[J].Nature，2017.548.

[14]Carleo，Giuseppe and Matthias Troyer.Solving the Quantum Many-Body Problem with Artificial Neural Networks[J].Science，2017.355.

[15]領英.全球AI領域人才報告[R].2017.

[16]Daepp，Madeleine I.G.，Marcus J.Hamilton，Geoffrey B.West and Luís M.A.Bettencourt.The Mortality of Companies[J].Journal of The Royal Society Interface，2015.12.

[17]肖華.民營企業平均壽命僅有2.9年的現狀堪憂[N].西安日報，2011.11.29.

[18]李成輝，劉建平.深圳市小型工業企業平均壽命為3.86年[J].中國統計，2011.3.endprint