大數據驅動的決策制定：樂觀抑或悲觀？

〔摘要〕大數據驅動公共決策模式迭代升級，重構了決策制定、執行、監督和反饋全鏈條中的權力關系與資源配置。對此，學界出現了樂觀論與悲觀論兩種基本的論調：樂觀者認為大數據驅動的決策制定具有諸多優勢和良好發展前景；悲觀者則認為現實中的大數據并不一定會促使決策更加精準、科學和民主，反而可能會因數據本身來源和格式的復雜性、數據互通和共享標準的差異性、多主體利益博弈的政治性以及隱私侵犯和信息泄露的可能性而導致更為復雜的政策失靈。進一步分析發現，樂觀論和悲觀論之間的分歧主要源于技術與政治、權利與權力、工具理性與價值理性之間孰輕孰重。面向未來，可以推動大數據驅動的決策制定向審慎的樂觀主義邁進，建構數字技術、政治過程與制度運作之間的互嵌與互適關系，以此錨定大數據驅動決策制定的基本方向，真正發揮大數據在政府決策和社會治理中的作用。

〔關鍵詞〕大數據；數據政治；決策過程；決策制定；循證決策

〔中圖分類號〕D035〔文獻標識碼〕A〔文章編號〕2095-8048-（2024）05-0040-12

〔基金項目〕國家社科基金重點項目“民主協商推進基層群眾有效自治的長效機制與實現路徑研究”（21AZZ005）

〔作者簡介〕李強彬，四川大學公共管理學院教授，博士生導師；

劉思雨，四川大學公共管理學院碩士研究生，四川成都610065。

一、問題的提出

自2008年“大數據（Big Data） ”這一概念在《Nature》專刊上被提出以來，大數據的相關研究便在學術界興起，促進了科學研究和管理實踐的范式轉變。吉姆·格雷（Jim Gray）從自然科學的視角指出，人類科學研究正在進入“數據密集型科學發現”的第四研究范式〔1〕；米加寧認為大數據使得社會科學進入數據驅動時代〔2〕。公共管理與政策實踐中“大數據驅動”的引入產生了巨大反響，促使“大數據驅動”成為一種新的治理范式。作為一個兼具動態性、復雜性并內含矛盾與沖突的過程，決策制定中的大數據驅動在國家和社會層面都具有重要意義。從國家層面來看，海量數據的積累、處理和利用能力將成為一個國家實力的新標志〔3〕。從社會層面來看，高質量的公共政策不僅有助于稀缺社會資源的合理配置，還能夠促使公共部門切實解決亟待關注的社會問題，甚至預防重大風險事故的發生。隨著大數據以及現代信息技術的發展和廣泛運用，大數據成為“新石油”般的寶貴資源，在各領域以全面感知問題、全流程自動化、全過程監督等方式發揮著降低成本、提升效率、增強滿意度和促進責任實現等方面的重要價值。作為政府決策和社會治理的一種新模式，基于大量的數據資源和大數據分析技術，大數據驅動在管理、教育、經濟、社會和政治等領域的作用日益顯要，“數據驅動的教育決策”“公共大數據驅動的經濟增長”“大數據驅動的競選決策”相繼在歐美國家興起，深刻影響著經濟社會發展和政治決策。

近年來，有關大數據驅動的研究在我國備受關注，涉及教育教學、企業管理與創新、公共服務與社會治理、公共安全與應急管理、績效管理與精準問責、城市與環境治理、農業農村現代化與精準扶貧、網絡輿情與公眾監督等眾多議題。有研究指出，傳統的決策模式在大數據時代已然無法有效應對日趨復雜的社會問題和時代挑戰 ，并對智慧公共決策的內在邏輯、關鍵特征進行了分析〔4〕。段忠賢則指出，大數據驅動的政府決策是一種精準的決策模式并貫穿于從數據到決策的全過程〔5〕。從公共政策流程優化再造的視角，秦浩解釋了大數據如何驅動公共政策轉型〔6〕。與此同時，學術界對于大數據驅動的決策制定存在爭議。一方面，技術樂觀主義將大數據分析作為一種技術現象，過于強調技術因素而忽視了政治因素，過分執著于工具理性而弱化了價值理性，主要關注傳統數據如何創建、處理和分析以及數據本身的性質，認為更好、更快的信息一定能夠導致更好、更快的決策。但是，由于組織內外各參與者之間存在不同的利益和沖突，組織對技術的采納也需要一個過程，使得數據生成的速度并不會直接轉化為決策的速度，政策之窗的打開也并不單純受大數據分析技術的影響。另一方面，政策悲觀主義關注數據和政治決策的相互作用，不僅強調從數據中獲得信息并在決策中合理應用，而且更關注多元利益主體、決策過程、社會效果與監督反饋。

因此，平衡技術樂觀和政策悲觀被賦予了重要意義〔7〕。但是，現有研究對大數據驅動決策制定的探討多為描述性，較少對大數據驅動決策制定的內在過程和機制進行系統解釋，缺乏對樂觀論與悲觀論的分歧展開細致分析。由此，本文試圖從大數據驅動決策制定的不同視角和觀點出發，基于大數據驅動決策制定的既有研究并結合不同學科的競爭性解釋，對大數據驅動的決策制定進行“冷思考”，試圖回答何謂大數據驅動的決策制定、大數據驅動的決策制定何以樂觀何以悲觀等問題，旨在為大數據在政策過程中的實際應用提供更全面、充分的分析，推動大數據驅動的決策制定在提升決策質量和促進有效治理中更好地發揮效用。

二、大數據驅動決策制定的多重視角

數據驅動的決策制定由決策過程、決策制定者、決策、數據和分析五個要素構成，不僅是對經典決策理論的擴展〔8〕，也是公共決策理論在數字化背景下的延伸。國外有關大數據驅動決策的研究主要分散在教育學、醫學、數據科學以及公共管理等學科領域，根據不同的研究邏輯、視角和目的，研究者對大數據驅動決策制定的內涵與特質的分析主要呈現出以下幾種代表性觀點。

一是過程要素論。具體而言，這一視角強調大數據驅動的決策制定經由“數據-信息-知識”的一般過程，核心是關注其中的基本要素及其前后之間的轉化。例如，羅素·艾可夫（R. L. Ackoff）認為“數據、信息和知識形成了一個連續的統一體，數據會被轉化為信息并最終成為可用于決策的知識”〔9〕。也就是說，大數據驅動的決策是將數據進行分析以轉化為信息，并在與專業知識相結合的基礎上轉化為可操作化的知識以支持決策的過程〔10〕，在一般意義上遵循“數據-信息-知識-決策-行動”的鏈條〔11〕。借鑒循證醫學，科學家阿里德安·史密斯（Adrian Smith）在1996年提出“以證據為基礎的方法”來制定政策〔12〕，證據作為關鍵要素被引入“基于循證決策”的大數據驅動決策的過程之中，正如安妮·芙蓉·范文斯特拉（A. F. van Veenstra）所指出的，數據驅動的決策制定建立在循證決策的基礎之上〔13〕。這表明，研究者可將源于研究的最佳現有證據置于政策制定和實施的核心，從而為政策、計劃和項目的決策提供支持。因此，作為決策過程的要素構成，數據、信息、知識、證據之間相互連接，貫穿從數據到決策的全過程之中。

二是技術輔助論。由于大數據驅動決策制定是利用技術對數據進行收集、分析、集成和排序，進而生成決策的一系列活動，因此技術在其中扮演重要角色。正如埃倫·曼迪納赫（E.B. Mandinach）等認為，大數據驅動決策制定是系統地收集、分析、檢查和解釋數據，以期為實踐和政策提供信息的活動〔14〕。這一觀點強調數據價值開發中技術的作用，認為數據驅動的過程是基于數據分析而不是純粹基于直覺的決策實踐〔15〕。伴隨大數據觀念的提出和數據科學的不斷發展，探尋數據科學與數據驅動決策之間的關系成為重要議題，這從側面凸顯了大數據分析技術對決策制定的重要性。但是，大數據驅動的決策不是指僅依靠大數據而作出決策，最終的決策輸出必然要與歷史和現實經驗相聯系，二者結合才能促使決策更加合理。

三是主體互動論。“人”是決策形成中最具決定性的力量，不同政策主體之間的關系為闡釋大數據驅動決策制定的過程提供了借鑒，形成了大數據驅動決策制定的主體互動論。盡管從數據到決策可以歸結為“數據-信息-知識-證據-決策”的轉化過程，但囊括了諸如數據分析師、專家學者以及決策者等關鍵主體，并涉及到公民、媒體以及其他利益相關者，相比于公眾，他們具有技術、媒介和權力等優勢，每一主體都可以在一定范圍根據自身利益而做出“非正式”的決策，形成復雜的利益主體互動關系。正如漸進決策模型所認為的，政策決策是以自我利益為主的決策者們談判與妥協的政治過程，多數公共政策都被視為精英的價值偏好并很難擺脫精英的控制〔16〕。因此，大數據的出現可能加劇了數字鴻溝的跨度，固化了“贏者通吃”的局面，強化了權利主體與權力主體之間的博弈，極易使政策決策偏離最初的社會問題和政策目標，使大數據驅動的決策失去意義。

綜上可以發現，大數據驅動的決策制定是一個囊括數據、技術、政府、公眾等多重要素在內的復雜互動過程。在大數據驅動的決策制定中，數據資源是基礎，信息技術是重要驅動力，決策制定是政治博弈過程，三者在組織內耦合運行，使得最終的決策在“數據-信息-知識-證據”的沙漏式鏈條中得以形成。其中，增強決策的科學性、民主性和精準性是推動大數據和現代信息技術嵌入決策過程的關鍵目標。同時，政策決策不單單由大數據和信息技術而生，也受到“人”的關鍵影響，無論是人類操縱技術還是技術控制人類都會產生不良后果，二者互動和博弈的張力促使大數據驅動的決策制定呈現出“樂觀”和“悲觀”兩種截然不同的論調。這也說明，探討大數據驅動決策制定的兩種論調能夠更好地識別外部環境、主體互動和內部組織文化等因素對信息技術應用的影響，進而推動大數據驅動的決策制定在政策過程中更好地發揮作用。

三、大數據驅動的決策制定何以樂觀

得益于全球范圍內政治、經濟、文化和社會的數字化變遷，社會生活產生的大量數據為充分識別政策問題和回應外界訴求提供了基礎，現+Wsr6HwNtNAcFbUT9x229w==代信息技術通過各種數據分析和建模工具為大數據驅動決策的應用提供了工具層面的支持。

從應用情境層面來看，大數據驅動的決策制定具備政治、經濟、文化和社會以及技術等方面的可行性，為大數據在世界范圍內的使用提供了條件。在政治可行性方面，國家層面的頂層設計推動大數據應用的整體布局，使得大數據驅動的決策制定逐漸成為世界范圍內國家層面的制度性要求。中國、美國、英國以及歐盟等國家相繼提出大數據發展戰略，并基于其國家整體發展趨勢進行相應布局，以發揮大數據在公共管理、經濟、教育、醫療等領域中的作用。聯合國也發布了題為《大數據促進發展：機遇與挑戰》的報告〔17〕，目的是通過概述大數據挑戰等主要問題，促進有關大數據如何服務國際發展的對話。在經濟可行性方面，大數據驅動的決策制定能夠精準地識別社會問題并使其上升為政策問題，減輕全面收集社會問題的成本，提升決策效能，避免小數據時代隨機抽樣所造成的事實不全等弊端。同時，現代信息技術能夠合理配置海量的數據資源以提升資源的利用效率，減少資源浪費。在社會文化可行性方面，大數據驅動的決策制定能夠較為全面地反映公眾訴求，使公民能夠更好參與到政策制定之中，賦權于民，提升決策的民主性。特別是隨著大數據時代的到來，數據文化和數據思維成為醫療、教育、商業甚至生活等各個領域的必備素養，這為大數據驅動決rTsIddlIlZbUIBp+cYZfQg==策制定在政府部門的應用提供了文化土壤。在技術可行性方面，現代信息技術的不斷發展為大數據的處理和使用提供了工具支持。公共部門領域的大數據驅動政策制定旨在優化利用傳感器數據，與公民等利益相關者進行合作，利用信息和通信技術來獲取數據源以共同制定政策，突出了現代信息技術在大數據時代的價值〔18〕。在大數據、人工智能及5G技術日益發展成熟的背景下，現代決策制定往往會將技術作為重要推動力，使得技術成為大數據驅動決策制定中的關鍵一環。

從底層資源的角度來看，豐富的數據資源為大數據驅動決策制定提供了“原材料”，數據所具備的客觀性、準確性成為大數據驅動決策制定得以應用的基礎。對“大數據是什么”這一問題的探討可以追溯到20世紀90年代，多數學者最早主要根據大數據所具有的特征來對其進行定義。比如，道格·萊尼（D. Laney）率先從數據管理的角度定義大數據，認為容量（Volume）、多樣性（Variety）和速度（Velocity）是大數據的三個關鍵維度〔19〕。在此基礎上，IBM和Oracle公司將真實（Veracity）和價值（Value）作為大數據的另外兩個主要維度〔20〕。數據的客觀性、真實性促使政府部門收集到更多的社會問題和信息予以分析，并更針對性地響應社會需求，凸顯了大數據驅動決策制定的優勢。相較于小數據時代，數據的爆炸式增長以及現代信息技術的不斷發展為大數據驅動決策制定提供了客觀條件上的支持。當所利用的數據量增加時，很多在小數據基礎上無法達成的目標諸如全面性和精確性的問題就可以迎刃而解。組織一旦收集并整合了數據，決策者便可從底層數據可視化中梳理出具體而有用的信息，進而利用這些信息來做出明智的決策〔21〕。正如張紅春等在其研究中指出的，小數據決策具有事實不全、價值偏差和因果失真的風險〔22〕，大數據時代規模化的數據量、多樣化的數據源以及實時化的響應速度為數字政府的發展帶來了機遇，同時也為大數據驅動決策制定奠定了基礎，在一定程度上能夠有效化解小數據時代由于數據量不足、數據源單一以及真實性有待考量等因素所造成的決策風險。

從硬件支持的角度來看，大數據驅動的決策制定以技術力量為支撐，基于現代信息技術和人工智能的發展驅動決策制定。當數據與新的分析技術相結合時，可能以前所未有的方式為決策和政策制定提供信息。正如埃爾林·拉森（E.R. Larsen）在其文章中所提到的，最先進的技術是“基于數據最佳決策”的必要條件〔23〕，因為其能在廣泛收集數據和信息的同時，更快速精準地對數據和信息進行分析，以創造做出更好決策的機會。目前，隨著現代信息技術的不斷發展，多數學者將數據如何驅動決策的焦點集中在技術層面。繼福斯特·普羅沃斯特（F. Provost）提出數據驅動的決策是基于數據科學的挖掘和分析后，學者們有關大數據應用于公共部門治理與決策機遇的探討多以技術驅動為中心，強調大數據及其分析技術在決策中的重要作用。凱西·奧尼爾（C. O’Neil）等人也認為大數據具有描述性、探索性、推理性、預測性、因果性以及機械性等分析功能〔24〕，可以通過數據采集、數據存儲、數據搜索、數據共享、數據分析以及數據可視化的過程驅動決策，表明技術對數據處理的優劣會直接影響最終的決策質量〔25〕。同時，新技術的出現也會增加管理者可用數據的規模和范圍〔26〕，從而為大數據驅動的決策制定提供數據量的支撐。

隨著數字社會建設的推進，算法正逐漸成為社會治理的核心工具〔27〕，這在節約成本、提高決策效率的同時，也為發揮大數據的預測功能創造了條件。正如維克托·舍恩伯格（Viktor Schnberger）在《大數據時代》一書中所提到的，人類存儲信息量的增長速度比世界經濟的增長速度快4倍，而計算機數據處理能力的增長速度則比世界經濟的增長速度快9倍〔28〕。算法在大數據驅動決策制定中的使用能夠增加決策者在正確的時間做出正確決策的機會，提高決策效率。同時，數據驅動的決策建立在數據科學以及算法的基礎上，不僅可以在不確定狀態甚至未知動態下預測決策模型，還可以從數據中提取內在規則和知識，形成解決方案〔29〕。例如，石油公司可以根據當前生產率、市場需求、歷史價格趨勢和其他因素生成未來情景，以預測未來石油價格以獲得更好的預算和下一年度財務預測〔30〕。沃爾瑪超市可以根據颶風來臨的市場需求進行商品組合和匹配，以提高配套產品的購買力。由此可見，在從數據到決策的過程中，算法貫穿整個決策過程，可以改變政府的運作方式以及政策與公共行政的原則，并和自動化一起在社會政策、政府決策和公共服務提供中扮演越來越自主的角色〔31〕。當然，人類對算法的使用方式是算法能否正確發揮作用的關鍵，如果算法應用得當，則能夠起到輔助決策的作用，促使決策過程更加公開透明，以及決策結果更加精準和預測反饋更加及時。

不可否認的是，大規模的數據量、先進的信息技術可以收集并分析更多的信息，更好地識別、回應和解決社會問題，“數據-信息-知識-證據-決策”的沙漏式鏈條也賦予決策更加科學的意義。但是，人類自身具有復雜性，龐大的數據量以及分析技術的出現并不意味著決策者能夠獲得有用的信息，大數據分析技術的出現也并不意味著人類能夠更好地分析和使用大數據。在大數據背景下，完全理性的政策制定依然面臨諸如社會利益無法達成一致、成本收益無法平衡、個人利益最大化、價值計算無法精確、意見難以統合等一系列問題〔32〕。托馬斯·達文波特（T.H. Davenport）等人就強調，數據本身沒有提供判斷或解釋的能力，也沒有采取行動的依據，只有當數據被解釋〔33〕，并通過信息集成和排列優先級使其轉換為信息和知識時才能夠驅動決策〔34〕。因此，從數據到決策不是一蹴而就的，數據轉化為信息、知識和證據的過程十分復雜，只有充分審視其內在機制才能作出科學、可靠的決策。

四、大數據驅動的決策制定何以悲觀

作為大數據時代公共決策的新模式，大數據驅動的決策制定同樣是在復雜的“政治斗爭”中做出的。杰普·尼爾森（J.A. Nielsen）等學者就基于丹麥地方政府的決策實踐來批判決策過程中的技術理性，并指出“公共管理中使用信息技術是政治行為、直覺經驗和新機會的混合體，技術理性在其中只起到次要作用”〔35〕。由此，數據本身及數據分析的復雜性、決策過程的不確定性、人類自身的局限性以及暗含其中的隱私倫理等能夠清晰地揭示出大數據驅動決策制定的悲觀主義色彩。

從數據資源獲取的視角來看，大數據時代真正的革命并不在于分析數據的機器，而在于數據本身和我們如何運用數據〔36〕。對此，朱迪·阿塔德（J. Attard）等人強調，獲取正確的數據并保證數據的質量是數據成功轉化為信息和知識的基礎〔37〕。數據作為重要的底層資源，沒有充足且高質量的數據就無法獲得優質的信息和知識，進而會對證據的形成和決策的作出造成不利影響。因此，如何獲取高質量的數據并將其應用于決策被賦予重要意義。隨著各國數據壁壘的打破，通常所說的大數據是各種來源、不同格式的數據，呈現出多樣性的特征〔38〕。同時，集成多個數據源的需求日益增長，也使得數據集越發復雜，對數據管理和基礎設施建設提出了更高要求。在特蕾莎·哈里森（T.M. Harrison）等人看來，基于數據的決策需要決策者創立可靠的數據基礎設施來保證政策的制定〔39〕。特別是根據數據在數據量、速度及多樣性等方面的需求建設儲存數據的基礎設施，這對政府是否能夠成功地使用和處理大數據至關重要。由此，建立配套的數據基礎設施成為大數據驅動決策制定能否在現實中發揮作用的重要影響因素，而其中的法律保障、制度設計以及財政因素等則極可能成為困擾政府實施大數據驅動戰略的關鍵〔40〕。

在數據素養層面，即使“數據素養”一詞在學界尚未有統一定義，但其重要性卻不言而喻。數據素養不但致力于回答數據是什么、如何收集、如何分析、如何可視化、如何共享的問題，還涉及在安全和隱私的文化背景下理解數據如何應用的能力。首先，大數據及現代信息技術的發展為人們使用數據的能力帶來了挑戰。這是因為，技術工具和人的能力是大數據驅動決策的關鍵組成部分〔41〕，但現階段大數據驅動決策的研究多集中在對技術工具的關注上，而忽視了對人類數據素養的重視。對于決策者來說，提升其自身的數據素養不僅意味著能夠不被排除在數據科學家和專家學者的專業知識范圍之外，同時還能夠提升自身對數據優劣的辨別能力，避免過度依賴數據進行決策，因為當數據不可用、不完整或不適當時，決策結果就不可靠，數據分析提供的結果也會變得不準確〔42〕。對于公務人員來說，具備數據素養不但能夠使得其具有更高的職業競爭力，也可以使其提升工作效率，更好地面對大數據所帶來的挑戰。對于普通公眾來說，數字鴻溝的存在可能會剝奪邊緣群體獲得資源的權利而造成資源分配不均，培養公眾的數據素養則能夠擺脫被大數據邊緣化的命運，更好地維護自身的權利。并且，只有在普遍提升決策者和公眾使用數據能力的前提下，數字鴻溝才可能會有所彌合，大數據驅動決策才有意義。

在政府治理結構層面，大數據驅動決策制定不僅僅是技術對政府決策的賦能，同時也是政府組織適應技術的過程。二者之間相互影響，互相建構。也就是說，不能僅僅關注技術對決策制定的影響，諸如治理結構、組織文化以及職責定位等內部治理問題也會影響大數據驅動的決策制定過程。在治理結構上，互通的數據標準、共享的部門數據和公民對政府保護隱私的信任是大數據能否有效驅動決策制定的基礎。但是，由于大數據時代問題層出不窮，數據共享標準和端口不一，隱私保護的具體措施難以有效實現，致使現行的制度設計難以滿足要求而對治理結構造成挑戰。在組織文化上，組織中是否具備大數據驅動的組織文化對大數據驅動決策的有效實施來說十分重要。大數據驅動的文化和組織學習是有效部署大數據計劃的關鍵，因為此類無形資源能夠不斷調整和更新大數據使用的能力〔43〕。在職責定位方面，大數據在公共部門治理和決策中的使用也為公共部門收集、分析和利用數據提出了更高要求，這促使公共部門需要特定的專業人員對大數據進行有效管理。因此，大數據在公共部門中的發展意味著諸如數據管理者、數據分析師等新型專業人才的引入，但就目前來看，由于公共部門對數據科學家的需求量大，數據科學家供不應求的現實狀況極有可能影響大數據在公共部門的潛力〔44〕。如何留住數據科學家也需要在激勵制度上加以考慮，公共部門只有引進新興的專業人才，并輔之以全面的職責清單，同時推動組織內部職責定位的完善才能真正發揮大數據在組織中的作用。

從大數據驅動決策制定過程的視角來看，從數據到決策并不是一個線性的過程，其轉化涉及到多元主體、多個環節并受到政治化的影響。這是因為，政策是政治活動，政策制定本質上是一個價值驅動的決策過程〔45〕。大量數據的出現促使數據量增加，這為公共部門全面感知社會問題提供了基礎，但復雜的數據結構、多樣化的數據類型也意味著必須對數據進行處理和分析才能使其發揮作用。在數據處理過程中，將大數據轉化為信息、知識和證據并不是一個政治中立的過程，專業知識可被視為一種政治資源〔46〕。出于個體在意識形態、價值觀念和偏好等方面存在差異的客觀事實，政策相關者之間的觀點可能存在矛盾和沖突，各主體都可以根據自己的偏好或偏見來做出政治選擇。因此，如何平衡這些矛盾和沖突仍然是大數據時代公共部門維系社會穩定和做出高質量決策并最大化實現公共利益亟待解決的問題。正如馬克·弗蘭克（M. Frank）和約翰娜·沃克（J. Walker）所指出，“隨著數據變得越來越重要，權力將流向那些能夠創建、控制和理解數據的人，而其他的人將會被排除在外”〔47〕。

就數據分析師而言，作為大數據時代促使數據資源產生價值的關鍵主體，在數據驅動決策的過程中發揮著重要作用，承擔著收集、整合、處理、集成與分析大數據資源的角色，是大數據驅動決策制定過程得以準確、順利運行的必要條件。但是，數據分析師具有極強的專業性，其與決策者之間的博弈會影響最終決策的產出。同時，數據分析師也是社會問題能否上升為決策問題的重要把關者。隨著數據人才的重要性在大數據時代凸顯，數據分析師便擁有相當大的非正式權力，能夠在其他相關主體的能力范圍之外做出政治選擇，在向決策者提供信息的同時將自身利益放在首位以影響決策制定，導致決策偏離社會現實問題，損害公共利益，造成政策偏差。海科·范·德·沃特（H.G. van der Voort）就基于數據分析師和決策者的互動，分別從理性視角和政治視角結合信息邏輯和決策邏輯分析了數據分析師在大數據驅動決策中的積極與消極作用，指出大數據在為數據分析師提供更好就業機會的同時，也為其提供了非正式權力，使得數據分析師擁有了追求自身利益而影響決策的機會〔48〕。由此可以看出，大數據在決策制定中的使用以及數據分析師的參與并不意味著能夠產生更好的決策，反而在一定程度上給予了數據分析師徇私舞弊的空間。

就循證決策中的專家學者而言，作為證據的解釋者或提供者，他們處于循證決策的最前沿〔49〕，在政策過程中具有核心話語權，能夠對決策的產生起到決定性作用。早在1970年，內森·卡普蘭（N. Caplan）的兩群體理論就對專家學者和決策者之間的關系進行了探討，由于社會科學家和政策制定者在價值觀念、制度環境、話語體系以及思維認知等方面存在差異，二者之間往往存在巨大的鴻溝〔50〕。特別是在技術偏見和議題偏見的影響之下，科學證據可能在創造、選擇和解釋的過程中被用于不同的政治目的。比如，專家學者可能通過對技術的操縱來偽造、精選和解釋數據，或排除部分群體并引用僅代表有限數量的社會關注來創造和選擇證據，抑或完全依靠隨機對照試驗等排序方法來產生證據以滿足自身的政治需求，進而實現自身的政治目標〔51〕。

進而言之，多元主體的介入可能使得決策者權力流失，剝奪決策者設置政策議程的實質性權力，并將決策者置于被動地位〔52〕。隨著數據量的不斷增加以及大數據分析技術的日益復雜，數據分析師和專家學者等具有專業知識的主體進入大數據驅動決策過程極易使得他們通過自身的專業性而將決策者排除在決策過程之外。特別是，算法在公共決策中的使用，使得數據分析師和專家學者等具備數據技能和權力的人可以將固有利益和偏好直接嵌入和隱藏至復雜的代碼之中，從而在決策者不知情的情況下強化該過程中的偏見和歧視。因此，多元主體可能分割決策者在決策制定中的核心權力。與此同時，決策者手握是否采納科學證據的政治權力，不但具有不采納數據分析師和專家學者意見和建議的能力，并且在做出決定時往往也需要權衡證據、情感和信念〔53〕。甚至即使產生了最佳證據，決策者也可能根據自身的需求和偏好或注意力來挑選證據，以滿足其自身的利益追求，進而實現自己的政治目標。總的來說，數據分析師、專家學者、決策者在個人經驗、專業知識、利益、價值與偏好等方面的差異，都具有人性的弱點，加之公眾、媒體等其他利益相關者的參與往往使得從數據到決策的過程充滿矛盾和沖突。由此，大數據驅動的決策制定是一個復雜、動態的過程，主體間的復雜關系也暗示了大數據驅動的決策制定本身是一個更加復雜的政治過程。

最后，大數據驅動的決策制定無法避免大數據本身所帶來的隱私和倫理問題。蒂斯·范·德·布魯克（T. Broek）等人在其研究中就強調，一些組織忽略公眾權利，并通過犧牲公眾隱私來實現數據驅動的目標〔54〕。在政策領域，數據倫理所帶來的重要影響便是數據技術設計中大數據機構和公民之間日益增長的數據不對稱〔55〕。盡管大數據容量大、速度快、多樣化、價值高的特征會帶來數據資源多樣化、問題感知實時化、社會問題真實化等優勢，但同時也會帶來一定的社會風險。大數據時代所追求的真實性會使數據痕跡泄露公眾的敏感信息，甚至會導致公眾信息的盜用，使得人們對大數據的使用充滿擔憂。即使算法在社會治理中的使用具有諸多優勢，但卻無法排除算法本身被操縱，尤其是極有可能通過時效、解釋方式、操縱數據以及偏見等方式侵犯公眾隱私、加劇信息不對稱、削弱決策透明度，甚至導致算法歧視和社會排斥〔56〕。與此同時，算法可能會系統性地引入無意的偏見、強化歷史歧視、支持特定政治傾向〔57〕。因此，公眾對隱私泄露的擔心以及對大數據預測的不信任所導致的抗拒心理可能會使大數據在政府部門的應用并不順利。

五、結論與討論

作為大數據時代公共決策制定的新范式，大數據驅動的決策制定契合了數據量不斷增長、現代信息技術不斷發展的現實背景，有其國家戰略層面的政治可行性、降低成本的經濟可行性、創造價值的社會文化可行性，對于提升決策的科學性、民主性、精確性和有效性具有重要作用。但是，大數據驅動的決策制定也同樣面臨著數據本身所帶來的數據共享與集成、數據基礎設施以及內部治理等問題。同時，非線性的決策過程、主體間復雜的政治關系以及隱私倫理等問題也不容忽視。樂觀主義者更加重視工具理性，更強調客觀的數據和技術對決策制定的影響，認為技術應用通過賦予決策者新的權力實現形式能夠直接產生決策，忽視了該過程中復雜的主體間互動關系。悲觀主義者側重大數據驅動的決策制定中政策相關者之間權力與利益的新配置，更強調“人”的關鍵性作用，認為大數據和技術應用需要通過“人”才能發揮作用，并最終賦能于決策。

綜觀學界有關大數據驅動決策制定的研究，樂觀論與悲觀論的爭議點可以歸結為技術與政治、權利與權力、工具理性與價值理性之間孰輕孰重。實際上，它們之間的關系不能割裂。從技術視角來看，大數據及現代信息技術在決策制定中的使用能夠減少主觀性對決策的影響；從主體視角來看，不同主體有不同的利益導向和政治目標，會作出不同的政治選擇，無論是海量數據資源、現代信息技術還是算法的應用都可能受到“人”的操縱，甚至受到人類本身對數據知識儲備的影響，帶有較強的主觀色彩。事實上，大數據驅動的決策制定在主觀與客觀、技術與政治、權利與權力、工具理性與價值理性之間并無絕對的界限，在“技術—主體”的多重考量之中可以相互掣肘、互嵌與互適并不斷發展（如圖1所示），使新技術內化為治理制度的一部分。

圖1大數據驅動決策制定的“技術-主體”框架

毫無疑問，對大數據驅動決策制定的探討是一個宏觀議題，面向我國數字政府建設的推進和智能社會治理的展開，以下幾方面的議題值得進一步予以關注。

第一，建立健全數據價值鏈，在發掘數據基本價值的同時挖掘其增值性價值。數據價值鏈是從數據收集到決策的整體數據管理框架，包括數據采集、清洗與存儲、加工三大環節，建立健全數據價值鏈能夠更好促進數據管理與使用，更好協調利益相關者之間的關系，最大限度地提高組合數據的價值〔58〕，從而更好發揮數據在數字政府建設中的作用。

第二，完善政府決策中的數據基礎設施建設，解決由大數據本身所引發的諸如數據收集、共享、存儲、管理、處理以及監管等一系列問題。數據基礎設施包括數據資產、管理和訪問數據資產的標準和技術、為數據資產和數據基礎設施本身的使用和管理提供信息的指南和政策，以及管理數據基礎設施的組織等要素〔59〕。完善基礎設施能夠更好實現跨部門的數據流動與數據分析，整合相關數據信息以更好服務于決策質量的提升〔60〕。為此，整合數據并調和利益相關者之間的關系，進一步統一數據交換的標準和技術，以及強化對相關主體的約束，對于政府實施大數據驅動的決策制定是十分重要的。

第三，平衡多元利益主體之間的關系，提升相關主體的數據素養。大數據驅動的決策制定不是簡單地對傳統理性決策模式進行優化，不應是以數據分析師和專家學者為核心的技術官僚決策模式。大數據驅動的決策制定應是諸如數據分析師、專家學者、決策者以及公眾、媒體等人機互動的決策實踐。為此，需要提升全社會的數據素養以規避大數據所帶來的諸如社會排斥、數字鴻溝、算法歧視等一系列的影響，尤其是大數據對弱勢群體的排斥。

第四，建立健全相關法律和制度，最大化降低大數據對公眾隱私的侵犯。在有關大數據驅動決策制定的探討中，學者們普遍認為隱私問題是大數據為公共部門治理和決策帶來的重大挑戰，會使得公共部門失去公眾信任，且保護隱私與政治決策透明化相沖突〔61〕。由此，亟待結合數字時代的權利的范圍、層次與內容，通過建立健全法律和制度來對數據搜集、分析和使用的整個過程予以規范和約束，為公眾的隱私權提供切實的制度化保障。

第五，數據分析與經驗直覺之間具有互補性，在大數據驅動決策制定的過程中應注意將客觀數據和經驗直覺相結合。大數據時代僅靠數據驅動的分析無法為決策制定提供足夠的支撐，經驗和直覺需要被賦予重要意義。在不確定性增加的大數據時代，直覺、經驗和數據分析都應是大數據時代必需的技能，在決策制定的過程中缺一不可〔62〕。也就是說，大數據時代不能過分夸大數據分析的價值，過往的經驗和直覺也在決策制定中起著重要作用。

〔參考文獻〕

〔1〕Hey T， Tansley S， Tolle K. Jim Gray on eScience： A transformed scientific method〔EB/OL〕. （2007-11-11） 〔2021-2-28〕. http：//itre.cis.upenn.edu/myl/JimGrayOnE-Science.pdf.

〔2〕米加寧，章昌平，李大宇，林濤. 第四研究范式：大數據驅動的社會科學研究轉型〔J〕. 學海， 2018，（2）.

〔3〕X Jin， B W Wah， X Cheng， et al. Significance and challenges of big data research〔J〕. Big data research， 2015， 2（2）.

〔4〕胡稅根，單立棟，徐靖芮.基于大數據的智慧公共決策特征研究〔J〕.浙江大學學報（人文社會科學版），2015，（3）.

〔5〕段忠賢，沈昊天，吳艷秋.大數據驅動型政府決策：要素、特征與模式〔J〕.電子政務，2018，（2）.

〔6〕秦浩.大數據驅動的公共政策轉型〔J〕.中國黨政干部論壇，2020，（2）.

〔7〕〔51〕Vydra S， Klievink B. Techno-optimism and policy-pessimism in the public sector big data debate〔J〕. Government Information Quarterly， 2019， 36（4）.

〔8〕Elgendy N， Elragal A， Paivarinta T. DECAS： a modern data-driven decision theory for big data and analytics〔J〕. Journal of Decision Systems， 2022， 31（4）.

〔9〕Ackoff R L. From data to wisdom〔J〕. Journal of applied systems analysis， 1989， 16（1）.

〔10〕Ikemoto G S， Marsh J A. Cutting through the “data driven” mantra： Different conceptions of data-driven decision making〔J〕. Teachers College Record， 2007， 106（1）.

〔11〕Abbasi A， Sarker S， Chiang R H L. Big data research in information systems： Toward an inclusive research agenda〔J〕. Journal of the association for information systems， 2016， 17（2）.

〔12〕龍太江，江珊.循證決策及其在公共政策中應用路徑探究〔J〕.四川行政學院學報，2017，（1）.

〔13〕〔18〕Van Veenstra A F， Kotterin B. Data-driven policy making： The policy lab approach〔C〕. Electronic Participation： 9th IFIP WG 8.5 International Conference， ePart 2017， St. Petersburg， Russia， September 4-7， 2017， Proceedings 9. Springer International Publishing， 2017.

〔14〕〔34〕Mandinach E B， Honey M， Light D. A theoretical framework for data-driven decision making〔C〕. Annual meeting of the American Educational Research Association， San Francisco， CA. 2006. http：//cct.edc.org/sites/cct.edc.org/files/publications/DataFrame_AERA06.pdf

〔15〕Provost F， Fawcett T. Data science and its relationship to big data and data-driven decision making〔J〕. Big data， 2013， 1（1）.

〔16〕〔32〕〔美〕托馬斯·R·戴伊.理解公共政策〔M〕.謝明譯.北京：中國人民大學出版社，2011：19-21，13-15.

〔17〕Letouze E. Big Data for Development： Challenges & Opportunities〔EB/OL〕.〔2012-05-01〕http：//www.unglobalpulse. org/ sites/ default/ files/ Big data for Development-UNGlobal PulseJunw2012. pdf.

〔19〕Laney D. 3D data management： Controlling data volume， velocity and variety〔EB/OL〕.〔2015-02-03〕. http：// blogs. gatner. com/doug-laney/files.2012/01/ad949-3D-Data-Management-Controlling-Data-Volume-Velocity-and-Variety. pdf.

〔20〕Gandomi A， Haider M. Beyond the hype： Big data concepts， methods， and analytics〔J〕. International journal of information management， 2015， 35（2）.

〔21〕〔58〕Miller H G， Mork P. From data to decisions： a value chain for big data〔J〕. It Professional， 2013， 15（1）.

〔22〕張紅春，楊濤.以大數據俘獲理性：“數據—知識—決策”框架下的公共決策理性增長邏輯〔J〕.甘肅行政學院學報，2022，（1）.

〔23〕Larsen E R. From Data to Decision： The Three Elements of Policymaking Illustrated by The Case of Global Warm ing〔J〕. Nordic Journal of Political Economy， 2003， 29（2）.

〔24〕O’Neil C， Schutt R. Doing data science： Straight talk from the frontline〔M〕. Sebastopol： O’Reilly Media， Inc， 2013：1-21.

〔25〕Bizer C， Boncz P， Brodie M L， et al. The meaningful use of big data： four perspectives--four challenges〔J〕. ACM Sigmod Record， 2012， 40（4）.

〔26〕Brynjolfsson E， Mcelheran K. The rapid adoption of data-driven decision-making〔J〕. American Economic Review， 2016， 106（5）.

〔27〕〔57〕Janssen M， Kuk G. The challenges and limits of big data algorithms in technocratic governance〔J〕. Government Information Quarterly， 2016， 33（3）.

〔28〕〔36〕〔英〕維克托·邁爾·舍恩伯格， 肯尼思·庫克耶.大數據時代：生活、工作與思維的大變革〔M〕.盛楊燕，周濤譯.杭州：浙江人民出版社，2012：13，10.

〔29〕Lu J， Yan Z， Han J L， et al. Data-driven decision-making （d3m）： Framework， methodology， and directions〔J〕. IEEE transactions on emerging topics in computational intelligence， 2019， 3（4）.

〔30〕Barham H. Achieving competitive advantage through big data： A literature review〔C〕. 2017 Portland international conference on management of engineering and technology （PICMET）. IEEE， 2017.

〔31〕Henman P. Of algorithms， apps and advice： Digital social policy and service delivery〔J〕. Journal of Asian Public Policy， 2019， 12（1）.

〔33〕Davenport T H， Prusak L. Working knowledge： How organizations manage what they know〔J〕. Human Resource Planning， 2000， （8）.

〔35〕Nielsen J A， Pedersen K. IT portfolio decision-making in local governments： Rationality， politics， intuition and coincidences〔J〕. Government information quarterly， 2014， 31（3）.

〔37〕Attard J， Orlandi F， Auer S. Data driven governments： Creating value through open government data〔C〕. Transactions on Large-Scale Data-and Knowledge-Centered Systems XXVII： Special Issue on Big Data for Complex Urban Systems， 2016.

〔38〕Chen J， Chen Y， Du X， et al. Big data challenge： a data management perspective〔J〕. Frontiers of computer Science， 2013， 7（2）.

〔39〕Harrison T M， Pardo T A. Data， politics and public health： COVID-19 data-driven decision making in public discourse〔J〕. Digital Government： Research and Practice， 2020， 2（1）.

〔40〕Lee J W. Big data strategies for government， society and policy-making〔J〕. Journal of Asian Finance Economics and Business， 2020， 7（7）.

〔41〕Mandinach E B. A perfect time for data use： Using data-driven decision making to inform practice〔J〕. Educational Psychologist， 2012， 47（2）.

〔42〕〔62〕Princes E， Kosasih W. Data-driven analytics in the decision-making process： Do we still need intuition？〔J〕. Journal of Southwest Jiaotong University， 2021， 56（4）.

〔43〕Mikalef P， Pappas I O， Krogstie J， et al. Big data analytics capabilities： a systematic literature review and research agenda〔J〕. Information systems and e-business management， 2018， 16（3）.

〔44〕Davenport T H， Patil D J， Scientist D， “Data scientist： The sexiest job of the 21st century.”〔J〕. Harvard Business Review， 2012， 90（5）.

〔45〕Tsoukias A， Montibeller G， Lucertini G， et al. Policy analytics： an agenda for research and practice〔J〕. EURO Journal on Decision Processes， 2013， 1（1-2）.

〔46〕Nelkin D. The political impact of technical expertise〔J〕. Social studies of science， 1975， 5（1）.

〔47〕Frank M， Walker J. Some key challenges for data literacy〔J〕. The Journal of Community Informatics， 2016， 12（3）.

〔48〕Van der Voort H G， Klievink A J， Arnaboldi M， et al. Rationality and politics of algorithms. Will the promise of big data survive the dynamics of public decision making？〔J〕. Government Information Quarterly， 2019， 36（1）.

〔49〕Duke K， Thom B. The role of evidence and the expert in contemporary processes of governance： The case of opioid substitution treatment policy in England〔J〕. International Journal of Drug Policy， 2014， 25（5）.

〔50〕Caplan N. The two-communities theory and knowledge utilization〔J〕. American behavioral scientist， 1979， 22（3）.

〔52〕Parkhurst J. The politics of evidence： from evidence-based policy to the good governance of evidence〔M〕. New York： Taylor & Francis， 2017.

〔53〕Arinder M K. Bridging the divide between evidence and policy in public sector decision making： A practitioner’s perspective〔J〕. Public Administration Review， 2016， 76（3）： 394-398.

〔54〕van den Broek T， van Veenstra A F. Modes of governance in inter-organizational data collaborations〔C〕. In Proceedings of the 23rd European Conference on Information Systems， 2015.

〔55〕Hasselbalch G. Making sense of data ethics. The powers behind the data ethics debate in European policymaking〔J〕. Internet Policy Review， 2019， 8（2）.

〔56〕Lepri B， Staiano J， Sangokoya D， et al. The tyranny of data？ the bright and dark sides of data-driven decision-making for social good〔J〕. Transparent data mining for big and small data. Springer， Cham， 2017.

〔59〕Dodds L， Wells P. Data infrastructure〔J〕. The State of Open Data， 2019.

〔60〕Parmiggiani E， Grisot M. Data Infrastructures in the Public Sector： A Critical Research Agenda Rooted in Scandinavian IS Research〔C〕. In 10th Scandinavian Conference on Information Systems （SCIS）， Nokia， Finland， 2019.

〔61〕Henninger M. The value and challenges of public sector information〔J〕. Cosmopolitan Civil Societies： An Interdisciplinary Journal， 2013， 5（3）.

【責任編輯：朱鳳霞】黨政研究2024.5

Big Data-Driven Decision-Making： Optimism or Pessimism？

LI Qiang-Bin， LIU Si-Yu40

〔Abstract〕The application of big data technology is driving the iterative evolution of public decision-making models， reshaping power dynamics and resource allocation across decision-making， execution， supervision， and feedback processes. In academic discussions， two main perspectives emerge： optimism and pessimism. Optimists highlight the advantages and promising prospects of big data-driven decision-making， while pessimists argue that， in practice， big data may not lead to more accurate， scientific， or democratic decisions. Instead， due to complexities in data sources and formats， discrepancies in data exchange standards， political power struggles， and the risk of privacy infringement， big data could exacerbate policy failures. Upon further analysis， this divide stems from differing views on the significance of technology versus politics， power versus authority， and instrumental rationality versus value rationality. Looking ahead， a cautiously optimistic approach can be fostered by creating an embedded and adaptive relationship between digital technologies， political processes， and institutional frameworks， thereby ensuring that big data plays a constructive role in government decision-making and social governance.

〔Key words〕big data， data politics， decision making process， decision making， evidence-based policy making