數據驅動型智庫研究理念及建設路徑

歐陽劍　周裕浩

摘要：[目的/意義]傳統的社會科學研究范式是理論驅動型的研究，隨著大數據時代的來臨，數據驅動研究成為一種新趨勢，數據驅動的研究模式給傳統領域的研究帶來了新的研究方法與范式。大數據給當今的智庫研究帶來了挑戰，同時也為以數據為驅動的智庫研究提供了新的契機，數據驅動型智庫建設是加強中國特色新型智庫建設的方向之一，本文嘗試從數據驅動型智庫建設出發，探討數據驅動型智庫形成淵源、理念內涵，并對數據驅動型智庫建設路徑進行了分析，探索其建設思路。[方法/過程]本文通過對數據驅動型智庫建設的淵源分析，探討數據驅動型智庫研究理念，從智庫研究范式、數據建設、智庫的組織結構及運行機制等角度對數據驅動型智庫建設與智庫服務等方面進行分析。[結果/結論]本文提出了轉變傳統研究范式、建立智庫數據中臺、健全智庫大數據隱私保護體系以及提升智庫影響力等建設路徑，對我國傳統智庫建設和服務的轉型具有一定的借鑒和參考意義。

關鍵詞：數據驅動研究 ? ?特色智庫 ? ?大數據 ? ?輔助決策

分類號：C932.4

DOI： 10.19318/j.cnki.issn.2096-1634.2021.03.03

1 ?引言

智庫（think tank）是指由專家組成的為決策者處理社會、經濟、科技、軍事、外交等方面的問題出謀劃策，并提供最佳理論、策略、方法、思想等的公共研究機構，是影響政府決策和推動社會發展的一支重要力量[1]。

傳統的智庫研究是理論驅動型的研究。隨著大數據時代的來臨，數據驅動研究成為一種新的趨勢，數據驅動的研究模式給傳統領域的研究帶來了新的研究方法與范式。在大數據技術快速發展的背景下，樹立數據驅動型智庫研究理念與加強中國特色新型智庫建設的方向是一致的，數據驅動型智庫的建設以數據為支撐，以數據驅動為決策模型，其核心是描述數據內容，揭示數據內容之間的關聯，發現數據內在規律，為智庫決策者提供所需的信息和建設性結論。

2 ?數據驅動型智庫淵源探析

美國智庫學者詹姆斯·史密斯（James Smith）認為，1865年10月，來自全國各行各業近百名改革者聚集于波士頓的馬薩諸塞州議會大廈探討貧困救濟、失業、公共衛生等諸多問題，標志現代智庫的誕生[2]。隨著科學技術的發展，電子計算機的出現為智庫的決策服務提供了科學預測工具，20世紀50年代早期，美國蘭德公司的威利斯·威爾自主設計出計算機JOHNNIAC，通過不斷改進算法，引進并開發出配套的計算機軟件、數據庫，最終組成智庫輔助決策系統，在當時冷戰背景下，作為美國空軍的智庫大腦，蘭德公司的決策服務有力地保障了美國的國家安全[3]。20世紀60年代以來，在系統工程學的迅速發展下，學者相繼提出了福雷斯特-梅多斯模型（The Forrester-Meadows models）、梅薩羅維奇-佩斯特爾模型（The Mesarovic-Pestel model）、巴里洛切模型（The Bariloche model）、世界銀行模型（The World Bank model）等多個定量分析模型[4]，進而輔助決策研究，成為了現代數據驅動型智庫服務的先驅。在早期的信息技術時代，智庫僅僅實現決策信息化，數據處理在粒度層級上相對粗糙，無法進行更深層次的數據分析與挖掘。隨著信息技術的快速發展，計算機處理能力得到極大的提升，數據處理的粒度層級精細化，同時，信息產業革命促進了數據急劇增長，大數據時代為數據挖掘等提供了足夠的樣本數據，數據處理技術的大規模應用保證了數據的快速性和準確性，這使得提供基于數據驅動的決策服務成為可能，基于數據驅動的決策服務被各類智庫廣泛應用。2004年，帕蘭提爾科技公司（Palantir Technologies）向美國軍方提供用于反恐的情報數據挖掘軟件以及數據分析技術，通過分析政府提供的數據為美國反恐提供決策支持[5]。部分全球頂級智庫目前也已建立較為完備的數據支撐體系，例如美國蘭德公司近年來一直注重數據驅動型智庫建設，蘭德公司智庫數據體系主要類型包括：自上而下建設的寬領域數據體系、自下而上建設的項目數據體系及雙向綜合參與型智庫數據體系，保障蘭德公司能夠快速、準確地滿足客戶要求[6]。隨著數據挖掘技術的快速發展和廣泛應用，基于數據驅動的預測分析成為決策的必要步驟，數據驅動型智庫服務已對商業運營、國際反恐、疾病應對、教育管理、國防建設等多個方面產生重要影響。

國內數據驅動型智庫的發展從基于信息化決策向數據驅動決策方面演變?，F代中國智庫興起于改革開放初期，1986年8月15日，時任國務院副總理萬里在全國軟科學研究工作座談會上指出[7]，“我們至今仍然沒有建立起一整套嚴格的決策制度和決策程序，沒有完善的決策支持系統、咨詢系統、評價系統、監督系統和反饋系統。決策的科學性無從檢驗，決策的失誤難以受到及時有效的監督”。這次講話指出了當時國內智庫服務存在的問題，標志著中國智庫服務向科學化轉型。20世紀80年代國務院發展研究中心利用可計算的一般均衡模型進行政策模擬分析，例如去預測世界貿易組織成員資格和養老金替代率改革的影響[8]。20世紀90年代DRC研發出宏觀經濟智能決策支持系統，用于預測經濟發展趨勢、監測經濟系統運行和規劃經濟發展，為決策部門提供定量參考依據[9]。

進入21世紀，大數據技術的出現使得智庫能夠提供更多基于數據驅動決策的服務。廣西大學通過建立中國-東盟大數據平臺，將海量、動態、多樣的數據有效集成為有價值的信息資源，服務于“一帶一路”建設等國家決策需求[10]。華中農業大學宏觀農業研究院通過建立宏觀農業大數據平臺，融合不同類型的大數據和整合數據驅動的多學科研究方法，實現對農業系統的預測、預警與監控以及風險管理，并支持個體與政府的決策[11]。國務院發展研究中心李望月等研究員將大數據鄉村畫像技術應用到鄉村振興的熱點研究中，探索了大數據鄉村畫像未來的研究方向，為國家鄉村振興戰略提供了技術支撐[12]。

黨的十九屆三中全會提出，要完善以科技支撐的社會治理體系，在此背景下，智庫服務作為國家戰略、公共政策、產業規劃中不可或缺的一環，有必要轉變傳統的智庫決策范式，以數據驅動作為決策支撐，不斷提高智庫服務的前瞻性和科學性。

3 ?數據驅動型智庫研究理念及內涵

美國學者福斯特·普羅沃斯特（Foster Provost）和湯姆·福西特（Tom Fawcett）將數據驅動決策（data-driven decision）定義為“將決策建立在對數據的分析之上，而不是純粹基于直覺的實踐”[13]。張耀明認為數據驅動是通過移動互聯網或者其他的相關軟件為手段，對海量數據收集、整理、提煉并總結出一套規律，這一規律在數據的基礎之上經過訓練和擬合形成輔助決策模型[14]。數據是決策模型的基礎，以原始狀態保存，數據能否成為信息取決于人的理解，即在表達數據的意義后形成信息，信息盡管揭示了數據的意義，但是單獨的信息難以對未來的行動產生有效影響，需經過分析模型的自動聚類分析，生成在特定情境下有針對性的情報，大量的情報在經過訓練與篩選之后建立知識庫，知識庫作為有用信息的集合，可用于指導最終行動，決策模型根據實時知識庫和已建立的決策規則產出可視化的決策參考，而每一個決策被實施之后的結果都會轉化為新的數據，重新輸入到決策模型中，這是一種自下而上的知識發現過程，是在沒有理論假設的前提下去預知社會和洞察學術趨勢[14]。

由此可見，數據驅動型智庫是指運用大數據、云計算等技術，以數據為生產資料，以數據驅動為決策模型，將海量、動態、多樣的數據有效集成為有價值的信息資源，推動精細化和科學化決策，其核心是描述數據內容，揭示數據內容之間的關聯，發現數據內在規律，為智庫決策者提供所需的信息和輔助參考結論。數據驅動型智庫是傳統智庫研究的延伸與發展，是智庫適應大數據背景下的發展趨勢。

傳統的智庫研究范式是理論驅動型的研究，數據驅動型智庫加入了以數據驅動為輔助決策模型的決策理念，這是區別于傳統智庫研究的根本標志。從研究方法論的角度上看，傳統智庫在提供智庫服務的過程中，問題、假設、思路、方案等的提出是基于經驗性的判斷;數據驅動型研究則用嚴謹的數學模型、嚴密的邏輯推理去仿真和推演基于經驗性的判斷。只有定性分析會導致決策方案缺乏科學嚴謹性;只有定量分析會失去研究的方向，因為經驗性的判斷需要通過定性分析產生。因此，數據驅動型智庫需采用定性定量相結合、人機協同的研究方法，數據能更好地幫助發現其中的規律和認知規律之間的關系，基于數據的方法為我們提供了感知研究對象的量化維度，智庫可以借助數據挖掘出更多的因果解釋機制，為決策者提供新方案、新視角、新思路。

實現數據驅動的前提條件是去人性化，即數據的不可篡改性以及決策規則的首要性。數據在被大量采集后必須進行原始保存，以保證輔助決策模型的決策精度不受人為影響，且數據的原始性決定了輔助決策模型不需要等待人為給定數據，從而提高了決策的速度和客觀性。此外，輔助決策模型的核心是決策規則的建立，決策規則的首要性是指規則本身的重要性大于后續人為管理的重要性，盡管決策規則是人為建立的，但是在進行同類型的決策服務時決策規則不應隨意改變，否則會導致決策精度出現較大偏差。決策規則必須基于已采集數據，即在分析海量數據的內容關聯的基礎之上建立決策規則。

IBM商業價值研究所（IBM Institute of Business Value）和牛津大學薩伊德商學院在2012年對來自26個行業、95個國家的1，144名專業人士進行研究發現，63%的公司認為基于信息（包括大數據）分析的使用正在為其組織創造競爭優勢，而在兩年前進行的一項類似研究中，這一比例僅僅為37%，僅僅兩年就增長了70%[15]。在大數據迅速發展的背景下，智庫開始朝著基于數據驅動的方向轉型，突出決策科學化、決策快速化。2015年中共中央辦公廳、國務院辦公廳印發的《關于加強中國特色新型智庫建設的意見》指出，隨著形勢發展，智庫建設跟不上、不適應的問題也越來越突出[16]。在當今信息碎片化時代背景下，解決上述問題，需要采用新的研究范式，采用定性分析和定量分析相結合的研究方法，加強以科技創新、數據驅動為支撐的智庫建設。

4 ?數據驅動型智庫建設路徑

進入大數據時代，數據生產、收集和存儲的方式發生了根本性的變化，數據驅動型智庫研究的主要任務是如何從大量信息資源中挖掘出有價值的信息，并通過科學的方法將信息轉變成為決策建議，從而滿足決策服務的需要，實現智庫從理論驅動型到數據驅動型的邁進，探索合適的數據驅動型智庫建設路徑是其中重要的一環。

4.1 ?數據驅動型智庫研究范式轉變

經驗性的研究范式是人類的思維、經驗、知識的表達成果，作為智庫服務頂層設計不可缺少的一環，融合了不同學科專家的思維和知識。經驗性研究范式需要通過有針對性的數據模型去驗證，實現從抽象思維到形象思維的轉變，盡管可以通過驗證的結果去推翻基于經驗性的判斷，但是這屬于一個去偽存真的過程，通過否定一些判斷，從而提煉出新的思維，這是從定量分析向定性分析的一種反饋，從而幫助改進頂層設計，保證從理論到實踐這一過程的過渡。計算機技術快速發展，使得數據模型從由單純的數學模型發展到數學模型和計算機模型高度耦合，分析模型建立在經驗性判斷的前提下，經驗性的判斷不具備普遍適用性，對于每一類問題，均需重新建立分析模型，然而分析是一個受各種因素影響的高度復雜的認知過程，這就意味著根據問題提供思路和方案的專家學者必須盡可能地考慮到作用于分析模型的影響因素，也意味著對定性分析的過程提出了更高的要求。

數據驅動型智庫的研究是適應大數據的研究理念與新思維，是對傳統智庫研究范式的升級。大數據時代日益復雜的公共政策和區域安全等問題，使社會治理面臨巨大挑戰，智庫服務作為社會治理決策的重要一環，需要創新智庫研究思維，傳統智庫有必要打破原有以思想表達為主的經驗性研究范式，邁向建立以客觀事實為核心驅動力的大智庫形態[17]。經驗性研究范式盡管仍然遵循“數據—信息—知識—經驗”的成長模型，但因為缺少實時反饋學習機制，從數據轉換到經驗需要時間成本，所以單純的經驗性研究范式無法跟上快速變化且日益復雜的社會治理需求。而所謂客觀事實包含在大量的數據之中，這是由數據的原始性決定的，社會治理面臨的問題可以透過數據看到本質。從定性分析上升到定量分析，并不意味著徹底放棄定性分析，因此，數據驅動型智庫需采用定性定量相結合、人機協同的研究方法，在保留專家論證制度的基礎上，必然朝著以數據為驅動、以技術為支撐的大數據解決方案轉型。

4.2 ?數據驅動型智庫數據平臺建設

數據是數據驅動型研究的核心，數據建設是智庫建設的重要內容，從智庫數據建設現狀上看，馬普學會、蘭德公司和美國農業部國家糧食與農業研究院都已建立了較為完善的數據資源庫。然而，高詠先調研發現，國內高校智庫數據庫建設存在建庫比例低、體系不完善、知識庫建設缺乏、合作共享不足等多個問題[18]，若不重視上述的問題，勢必影響基于數據驅動的智庫建設。數據驅動型智庫需充分利用智能抓取、數據挖掘等信息技術對相關信息進行采集、篩選，擴大智庫數據資源類型及數量，創新數據資源架構，優化提升基礎設施保障水平，構建集數據采集、分析、展示與共享于一體的大數據平臺。在數據的建設、處理、分析挖掘和推薦等環節，加強對大數據技術的引入和應用，實現對非結構化數據的處理和分析，提供切實可行的數據模型和算法及更多元化的研究成果展示方式，提高決策效率和咨政效果。

為了促進數據驅動型智庫發展，有必要通過建立智庫數據中臺，打通智庫內部數據孤島，聚合和治理跨域數據，從而驅動智庫服務的轉型，匹配研究熱點需求。數據中臺核心思想是數據共享，阿里巴巴集團[19]、數瀾科技等認為，數據中臺是一套可持續“讓企業的數據用起來”的機制，是一種戰略選擇和組織形式 [20]。數據中臺作為智庫各個團隊所需要數據服務的提供方，不斷整合和提高數據服務能力，將數據作為生產資料投入到智庫服務的開發中，為智庫實現服務價值提供源源不斷的生產力。

智庫數據中臺作為一個數據共享及分析平臺，通過將文獻、音頻、圖像等非結構化的數據資源進行結構化處理，進而聚合跨域多源數據，解決智庫數據驅動型研究面臨的數據孤島問題，建立數據挖掘、數據管理、數據共享等機制，再結合智庫自有的跨學科人才專業優勢，最終實現在服務轉變加快的情況下，數據開發準確對接服務開發。思特沃克（Thought Works）公司對數據中臺提出精益創新數據體系：數據資產的規劃和治理、數據資產的獲取和存儲、數據資產的共享和協作、數據業務價值的探索和分析、數據服務的構建和治理、數據服務的度量和運營[21]。筆者根據該數據體系，結合傳統智庫向數字化轉型的實際需求，縮短智庫從數據開發到服務落地的周期，提出了智庫數據中臺架構（見圖1）。智庫數據中臺架構分為5層結構。第1層結構，物理基礎設施提供了強大的數據存儲和共享能力，在獲取多源數據時，由于智庫不同團隊所關注的數據指標存在差異，要規劃數據全景圖，對智庫服務有價值的數據先進行規劃，統一各領域的智庫服務標準。第2層結構，大數據經過清洗等步驟后，在數據中臺采用大數據技術，利用Netty等網絡通信庫構造高性能的收集端網絡通信處理服務進行數據傳輸和存儲，剝離出網絡通信業務中耗時操作并將數據推送至流式消息處理系統中，再由消息處理系統消費者負責后續數據持久化、實時分析工作[22]。第3層結構，對數據進行質量檢測并建立數據質量評估體系，動態監測數據質量，降低大數據噪聲，保證數據和后續智庫服務的產出。第4層結構，進入數據開發與分析階段，建立決策支撐系統，數據中臺運用知識圖譜等自然語言技術自動化處理多源數據，揭示數據內容之間的關聯，建立數據模型，發現數據內在的發展規律，實現數據可視化，在提供智庫決策支持的同時，還可實現基于數據的結果推演，與最后的落地成果進行比較。第5層結構，實現實時成果反饋功能，從實現數據驅動智庫服務的視角看，項目產生數據，數據服務項目，形成閉環，可實時滿足智庫團隊知識發現的要求。

4.3 ?數據驅動型智庫組織結構及機制建設

數據驅動型智庫的組織結構與傳統智庫的較大區別，首先在于加入了數據中臺，通過數據中臺提供數據服務，降低運營成本的同時提升研究效率，其次在于采用流程型組織結構，在運行機制上，項目團隊擁有較大的自主決策權，團隊負責人可決定研究方向和路徑，以服務對象為中心，采用流程化的業務模式，一個團隊負責一個服務對象，從而使得數據驅動的智庫組織結構及機制有別于傳統智庫。

4.3.1 ?數據驅動型智庫的組織架構 ? ?傳統智庫的組織架構主要由3大部分組成：管理監督部門、行政輔助部門，以及研究開發部門。例如北京大學國家發展研究院設有理事會、學術委員會、學院領導等管理監督部門，行政系統以及研究中心，研究中心下設11個專門研究團隊[23]。筆者以北京大學國家發展研究院組織架構為基礎，通過引入數據中臺，構建數據驅動型智庫組織架構。數據驅動型智庫的組織架構分為前臺、中臺和后臺（見圖2）。后臺部門由理事會統籌智庫的定位、發展方向;行政輔助部門對智庫財務、對內協調、對外聯絡、人力資源以及服務成果轉化等方面提供支持;學術委員會審議團隊研究成果，對項目團隊起到監督作用;技術支撐則是數據驅動型智庫組織結構的一大特點，數據技術中心負責數據中臺的數據建設與維護，并及時為所有團隊提供技術支持。在中臺方面，數據中臺為所有項目團隊提供從數據收集處理到數據開發與分析的全部功能。此外，流程型組織拉近了項目團隊與前臺用戶之間的距離，項目團隊根據用戶需求，提供基于數據驅動的全流程智庫服務。

4.3.2 ?數據驅動型智庫運行機制 ? ?智庫后臺的學術委員會、行政輔助部門以及數據技術中心實際上屬于傳統的職能部門，在用戶需求轉變的周期越來越短的情況下，必然會出現后臺的數據開發與前臺的服務開發不相匹配的情況。數據中臺的加入，解決了智庫前臺和后臺開發速度不一致的情況。智庫數據中臺的優勢是實現數據共享，同時，以用戶為中心的項目團隊只需要專注于提供全流程智庫服務，因此可以精簡項目團隊的規模，也方便快速重組成新團隊以匹配新的用戶需求。此外，輕量化的團隊具備快速試錯的能力，即從數據中發現用戶需求，然后快速決策、快速攻關、快速把智庫服務推向市場，當成果評價反饋智庫服務并不能滿足用戶的需求后，迅速對項目在多維度上進行調整，再進行新的嘗試。這一模式與斯坦福大學胡佛研究所的運行機制類似，每個項目的負責人都由該領域的權威專家擔任，對于機構中的臨時項目則由具有不同背景、不同技能、不同知識、不同部門的常任研究員組成臨時項目組，一旦該項目完成，項目組的使命便結束，下一次任務又會重新組織項目組，這種長期項目人員和臨時項目研究人員構成了機構的矩陣式研究隊伍，保證了組織研究的靈活性和全面性[24]。

4.4 ?數據驅動的智庫大數據隱私保護體系建設

基于數據驅動的智庫決策服務發展過程中也面臨一些新的問題：一方面智庫大數據的內部或者外部共享對于數據驅動的智庫服務是必要的;另一方面數據的共享可能會導致用戶隱私數據泄露。面對數據共享與數據保護之間的矛盾，有必要從制度和技術兩個維度上建立智庫大數據隱私保護體系，以解決傳統智庫向數據驅動型智庫轉型所面臨的問題。

4.4.1 ?技術是智庫大數據隱私保護體系的基礎 ? ?數據共享是數據中臺數據利用的重要方式，也是數據驅動型智庫的重要基礎，而數據保護則成為重要議題，數據匿名及脫敏化處理等成為重要手段，常見解決的辦法是引入差分隱私，通過對數據加入噪聲，確保對數據庫進行單一的數據刪除或添加等操作不會影響數據分析的結果，從而提供了一種嚴格的數學方法來處理可能公開的數據[25]。查米卡拉（Chamikara）等學者基于切比雪夫（Chebyshev）插值和拉普拉斯（Laplacian）噪聲，提出一種利用本地差分隱私的安全高效的數據擾動算法，可以在數據隱私和效用之間實現良好的平衡，并具有高效和可擴展的特性[26]。目前，差分隱私技術已廣泛應用于數據收集[27]、數據挖掘[28]、數據分類（決策樹）[29]等大數據隱私保護研究。智庫服務發展中出現的問題需要用發展的技術去解決，差分隱私等技術的應用，為智庫在面對數據隱私泄露或被竊取時提供了應對的手段，是智庫大數據隱私保護體系的基礎。

4.4.2 ?制度是智庫大數據隱私保護體系的核心 ? ?技術手段的應用杜絕了客觀數據隱私泄露的風險，人為主觀泄露數據隱私的因素仍然存在。首先，在國家法律法規的指導下，智庫應建立數據安全管理制度，通過接入ISO/IEC 27001信息安全管理體系國際認證，外部對政府監管機構以及客戶實現智庫在數據管理方面的安全承諾，內部實現智庫各項目團隊之間的管理制度透明化、標準化，使內部成員之間信任關系更加牢固;其次，智庫內部的理事會成立數據安全團隊，數據技術中心成立數據安全小組，可每一個項目團隊指定一名兼任數據安全員，形成從決策層、管理層到執行層的三級數據安全組織架構，同時，學術委員會和行政輔助部門也參與到數據安全的建設中，目的是讓每一位成員知悉數據保護的政策，明確不同部門的數據權限，以降低人為主觀泄露數據隱私的可能。數據安全管理制度的建立，可提高智庫的安全防護能力，是智庫大數據隱私保護體系的核心。

4.5 ?數據驅動型智庫影響力建設

智庫影響力是指以直接或間接的方式作用于公共政策，使決策者或決策過程發生改變，最終影響政策輸出的能力[30]。智庫作為咨詢研究機構，為滿足跨領域的咨詢需求，其角色位置逐漸向各領域邊際融合，成為政府、企業、高校和社會之間的紐帶和橋梁。從這一角度看，要想提高智庫成果影響力，就必須盡可能地吸納不同學科和領域的思想，才能提出各方均認可的政策方案。

4.5.1 ?大數據是智庫影響力傳播的保障 ? ?與傳統智庫相比，數據驅動型智庫建立的時間較短，在前期智庫影響力上處于弱勢，但數據驅動型智庫擁有后天技術優勢，大數據技術是智庫影響力傳播的保障。隨著國內的咨詢需求向與公眾密切相關的公共政策傾斜，智庫也嘗試通過社交媒體和民眾進行互動、交流，從而宣傳智庫成果，提高智庫影響力。在國家治理建設的進程中，黨和國家越來越認可社會公眾的地位，重視他們的“聲音”[30]，通過大數據技術，感知民眾的需求熱點，進而提供相匹配的互動內容，提升了智庫的社會知名度，也為數據驅動型智庫進入政府核心決策層打下基礎。此外，對需求熱點精準分類，自下向上引導智庫服務與需求熱點匹配，有利于提高數據驅動型智庫影響力。

4.5.2 ?組建面向“政用產學研”的數據驅動型智庫聯合體 ? ?數據驅動型智庫的核心是數據，數據流通環節還面臨著數據格式不一致、來源不一致、質量不一致等難題，進而影響智庫服務，削弱智庫影響力。數據驅動型智庫聯合體由各類智庫（黨政部門、社科院、科研院所、高校、企業、社會）單位組成，本質上數據驅動型智庫聯合體是一個數據協同創新平臺，通過聚合各單位自有數據資源，打通“政用產學研”上、中、下游數據，實現數據驅動型研究與最終用戶的對接與耦合?！罢卯a學研”是一種創新合作系統工程，智庫聯合體中各單位分工明確，政府引導政策落地，推動構建合作平臺、數據交易平臺;用戶作為智庫服務的對象，通過智庫服務成果評價，反饋智庫服務效果;企業屬于生產環節，是智庫服務落地的重要途徑;高校在教學和科研領域提供智力支持和人才儲備。因此，僅通過人才流動來支持數據流通是不夠的，需聯合不同類型的單位組建數據驅動型智庫聯合體，從政策、管理、技術等多個維度解決數據流通問題。數據驅動型智庫聯合體作為社會各方的橋梁和紐帶，創新了一些合作模式。例如，2018年4月成立的國家信息中心數字中國研究院采用理事會制運作模式，由國家信息中心主導，多家高校院所、出版傳媒單位、大數據企業和金融機構等單位組成，擴大智庫成果的影響力。

5 ?結語

數據驅動型智庫建設是加強中國特色新型智庫建設的方向之一，是提升中國高端智庫核心競爭力的重要途徑，應該順應信息環境的發展，轉變傳統智庫研究思維模式，加強數據建設，建立智庫大數據隱私保護體系，實現傳統智庫轉型，健全數據驅動型智庫的組織結構及運行機制，以智庫數據中臺為核心提供基于數據驅動的智庫決策服務，最后通過提升數據驅動型智庫影響力，使其成為實現社會創新治理、服務政府公共決策的中堅力量。

參考文獻：

[1] 李建軍， 崔樹義. 世界各國智庫研究[M]. 北京： 人民出版社， 2010.

[2] SMITH J A. Idea brokers： think tank and the rise of the new policy elite[M].New York： Simon and Schuster， 1993.

[3] [美]亞歷克斯·阿貝拉. 蘭德公司與美國的崛起[M]. 梁筱蕓， 張小燕， 譯. 北京： 新華出版社， 2011： 108.

[4] RICHARDSON J M. Global modelling 1. the models[J]. Futures， 1978， 10（5）： 386-404.

[5] THIEL P A， MASTERS B. Zero to one： notes on startups， or how to build the future[M]. New York： Broadway Business， 2014： 108.

[6] 勇美菁， 鐘永恒， 劉佳， 等. 支撐蘭德公司的智庫數據體系建設研究[J]. 情報理論與實踐， 2019， 42（9）： 69-75.

[7] 萬里. 決策民主化和科學化是政治體制改革的一個重要課題： 在全國軟科學研究工作座談會上的講話[N]. 人民日報， 1986-08-15（1）.

[8] BARRY N. Chinas economic think tanks： their changing role in the 1990s[J]. The China quarterly， 2002（171）： 625-635.

[9] 于景元， 涂元季. 從定性到定量綜合集成方法： 案例研究[J]. 系統工程理論與實踐， 2002， 22（5）： 1-7， 42.

[10] 中國-東盟信息港大數據研究院[EB/OL]. [2020-03-20]. http：//cabd.gxu.edu.cn/？tdsourcetag=s_pctim_aiomsg#/summary.

[11] 宏觀農業研究院[EB/OL]. [2020-03-20]. http：//mari.hzau.edu.cn/about_us.htm.

[12] 李望月， 劉瑾， 陳娜. 大數據技術在鄉村畫像中的應用研究[J]. 大數據， 2020， 6（1）： 99-118.

[13] PROVOST F， FAWCETT T. Data science and its relationship to big data and data-driven decision making[J]. Big Data， 2013， 1（1）： 51-59.

[14] 張耀明. 人工智能驅動的人文社會科學研究轉型[J]. 濟南大學學報（社會科學版）， 2019， 29（4）： 20-28， 157.

[15] SCHROECK M， SHOCKLEY R， SMART J， et al. Analytics： the real-world use of big data： how innovative enterprises extract value from uncertain data[R]. IBM Institute for Business Value， 2012.

[16] 中國政府網. 中共中央辦公廳、國務院辦公廳印發《關于加強中國特色新型智庫建設的意見》[EB/OL]. [2020-01-20]. http：//www.gov.cn/xinwen/2015-01/20/content_2807126.htm.

[17] 陳潭. 從大數據到大智庫： 大數據時代的智庫建設[J]. 中國行政管理， 2017（12）： 42-45.

[18] 高詠先. 國內高校智庫數據庫建設現狀及圖書館服務策略研究[J]. 圖書情報工作， 2017， 61（10）： 43-49.

[19] 譚虎. 詳解阿里云數據中臺[N]. 中國信息化周報， 2019-10-28（14）.

[20] 付登坡. 數據中臺： 讓數據用起來[M]. 北京： 機械工業出版社， 2019.

[21] 繆翀鶯， 譚華， 易學明. 數據中臺的定位和架構分析[J]. 廣東通信技術， 2019， 39（12）： 57-62， 70.

[22] 甄凱成， 黃河， 宋良圖. 基于Netty和Kafka的物聯網數據接入系統[J]. 計算機工程與應用， 2020， 56（5）： 135-140.

[23] 北京大學國家發展研究院[EB/OL]. [2020-11-06]. http：//nsd.pku.edu.cn/xygk/zzjg/gjfzyjylsk/index.htm.

[24] 方婷婷. 美國大學智庫影響力和運行機制研究： 以斯坦福大學胡佛研究所為例[J]. 高校教育管理， 2014， 8（4）： 37-40， 60.

[25] DWORK C. Differential privacy： a survey of results[C]//Proceeding of the 5th international conference on theory and applications of models of computation. Xian， China， 2008： 1-19.

[26] CHAMIKARA M， BERTOK P， LIU D， et al. An efficient and scalable privacy preserving algorithm for big data and data streams[J]. Computers & security， 2019（87）： 101570.

[27] WANG T， MEI Y， JIA W， et al. Edge-based differential privacy computing for sensor-cloud systems[J]. Journal of parallel and distributed computing， 2020（136）： 75-85.

[28] XIANG C， SU S， XU S， et al. DP-Apriori： a differentially private frequent itemset mining algorithm based on transaction splitting[J]. Computers & security， 2015（50）： 74-90.

[29] FLETCHER S， ISLAM M Z. Differentially private random decision forests using smooth sensitivity[J]. Expert systems with applications， 2017（78）： 16-31.

[30] 錢再見， 王力. 中國特色新型智庫在政府決策中的影響力研究： 基于多維理論視角的學理分析[J]. 江漢學術， 2020， 39（2）： 100-109.

作者貢獻說明：

歐陽劍：論文構思、框架搭建、修改;

周裕浩：資料查找，論文初稿撰寫。

Research on Path of the Construction of Data-driven Characteristic Think Tank in China

Ouyang Jian1，2 ?Zhou Yuhao3

1Shanghai International Studies University Library， Shanghai 201620

2School of Journalism and Communication， Shanghai International Studies University， Shanghai 201620

3School of Management， Guangxi University for Nationalities， Nanning 536000

Abstract： [Purpose/significance] The traditional paradigm of social science research is theory-driven research. With the advent of the big data era， data-driven research has become a new trend， which also brings new research methods and paradigms to the traditional field of study. Big data brings challenges to the current think tank research， and it provides new opportunities for data-driven think tank research， too. The construction of data-driven think tanks is one of the directions to strengthen the new think tanks with Chinese characteristics. Starting with the construction， this paper attempts to explore the origins and conceptual content of data-driven think tanks， and to demonstrate its construction path and construction ideas. [Method/process] By analyzing the origin of data-driven think tanks construction， this paper explores the research concept， and also analyzes its construction and think tank services from the research paradigm， data construction， organizational structure and operation mechanism. [Result/conclusion] This paper puts forward some construction path， such as transforming the traditional research paradigm， establishing the think tank data center， improving the think tank big data privacy protection system， and enhancing the influence of think tanks， which provides certain reference for the construction and services transformation of traditional think tank in China.

Keywords： data-driven research ? ?think tank with new characteristic ? ?big data ? ?assisted decision making

收稿日期：2020-12-29 ? ? ?修回日期：2021-01-22

本文系國家社科基金項目“ ‘一帶一路戰略的東盟信息資源支撐及開發策略”（項目編號：16BTQ023）、廣西民族大學研究生教育創新計劃項目“數據驅動型智庫建設理念及實現路徑研究”（項目編號：gxun-chxps202091）研究成果之一。

作者簡介：歐陽劍（ORCID：0000-0001-5867-2852），碩士生導師，研究員，博士，E-mail：oyjjj@163.com;周裕浩，情報學碩士研究生。