我國人工智能政策優化路徑研究

關鍵詞：人工智能；政策文本；“政策工具—執行主體—政策目標\"框架；灰色關聯度分析；政策協同中圖分類號：G322.0 文獻標志碼：A 文章編號：1671-0037（2025）8-27-14

DOI：10.19345/j.cxkj.1671-0037.2025.8.3

引用格式：，康天妹.我國人工智能政策優化路徑研究：基于“政策工具—執行主體一政策目標”框架的量化分析[J].創新科技，2025，25（8）：27-40.

0 引言

第四次科技革命浪潮下，人工智能已成為全球科技競爭的戰略制高點。根據《2024年人工智能指數報告》統計，2016—2023年間，全球128個國家共計制定和通過了148項與人工智能相關的政策和法案，表明各國對人工智能的戰略價值達成了共識。2017年7月，我國發布《新一代人工智能發展規劃》，確立“三步走”戰略目標，將人工智能發展上升為國家戰略；2021年3月發布的《中華人民共和國國民經濟和社會發展第十四個五年規劃和2035年遠景目標綱要》中6次強調人工智能創新發展，充分展現出中國特色社會主義制度“集中力量辦大事”的治理優勢。

作為新興產業，人工智能的發展帶有顯著的不確定性與波動性，更加依賴政策的正向引導。當前，我國人工智能政策雖然在促進技術創新與產業轉型升級方面取得了巨大成效，但也暴露出政策工具應用結構失衡、執行主體權責錯配、公眾參與缺位、政策目標短期化等問題。政策工具應用、主體協作與自標設定的多重結構性矛盾不僅削弱了人工智能政策的整體效能，也嚴重制約著我國人工智能產業的高質量發展。

因此，本研究融合政策工具理論1與多中心治理理論2]，創新性地構建“政策工具一執行主體一政策目標”三維分析框架，采用內容分析法與灰色關聯度模型，對2017—2024年發布的共計112份中央及地方人工智能政策文本進行量化研究，旨在探究當前我國人工智能政策的結構性特征與協同效應，為完善我國人工智能政策體系提供可借鑒的參考，同時也為全球人工智能治理貢獻中國方案。

1文獻綜述

1.1人工智能政策分析的框架與方法

國內外學者采用不同方法從不同角度對人工智能的政策文本進行了分析，呈現出從單維度轉向多維度、從定性分析轉向定量與定性相結合的研究趨勢。在分析框架方面，國內學者主要圍繞\"政策目標—政策工具”\"政策工具一創新過程\"\"政策工具—創新價值鏈\"等框架[3-5]展開研究，揭示了我國人工智能政策在不同維度下的主要特征。國外學者則提出了更為復雜的系統模型。例如：Lim與Savulescu區分了人工智能作為認知工具與程序工具的使用場景，以及群體與個體的具體偏好與深層價值推斷，提出人工智能可以作為認知工具輔助民主決策，通過預測公眾政策偏好增強政策的響應性;Penate-Sanchez 等[7]提出了基于機器學習的DPSIR（驅動一壓力一狀態一影響一響應）模型，通過專家知識驅動的弱監督度量學習，在無實際監測數據的條件下識別變量冗余，可以有效降低監測成本。在研究方法方面，國內從早期的內容分析法[8發展為社會網絡分析法[9]、PMC指數模型分析法[10]等。特別是蘇丹妮等[]創新性地采用BERT-Based混合LDA模型完成政策語義量化，為政策文本挖掘提供了新的方法論。國外則引入了跨學科計算模型，例如：Platania等[12]運用狀態空間框架與卡爾曼濾波模型，驗證人工智能創新對可持續發展目標的投資增效作用;Ziegler等[13]通過大型語言模型，揭示出海洋政策制定中的算法倫理風險。

1.2國內外人工智能政策的比較與借鑒

人工智能政策比較研究主要包括國際比較和國內比較兩部分。國際比較方面，國內學者于漢超等4通過梳理中、美、英、法、德等國的人工智能政策，指出我國需要在完善法律規范、加強基礎研究等方面借鑒國際經驗；賈開等5通過比較中、美、英、德四國的政策，提出我國人工智能政策改革應兼顧發展與規制雙重目標;張輝等[16]基于大模型技術原理分析美國人工智能政策文本，強調我國須構建適配新技術范式創新、統籌發展與安全的政策體系。而國外學者的研究更強調算法倫理與社會公平。Salo-Pontinen和Saariluoma[1對歐盟、美國、中國等12個國家和地區的人工智能戰略進行概念分析，發現全球政策普遍忽視“人類角色\"定位，缺乏對用戶體驗、社會公平等人文維度的考量，呼呼將人機交互和倫理設計納入政策框架；Alibasic[18]基于兼顧新加坡創新驅動型和法國倫理中心型的人工智能治理二分法，提出人工智能治理需要平衡全球倫理原則與本地化實施戰略，為本研究的三維框架構建提供了跨文化參照。

國內比較方面，主要包括縱向央地政策比較和橫向地方政策比較兩類。其中，央地政策呈現“戰略統一性”與“實施異質性\"特征。章小童等對我國央地人工智能政策進行主題詞分析，發現地方政策既與國家戰略保持一致性，又呈現出區域的特色化差異；張濤和馬海群[20基于文本相似度計算，發現各地在新興產業發展、產業升級、人才隊伍建設等方面存在政策內容趨同現象；李明和曹海軍從政策外部結構、主題特征、政策工具等維度出發，指出央地政策具有較高的相似性但仍存在部分差異，政策形式均以“通知”為主，且國家層面的政策數量較少。

綜上，人工智能政策受到了學術界的廣泛關注，但相關研究依然存在以下局限： ① 以大樣本政策文件為對象的研究較少； ② 研究多聚焦政策工具等單一維度，缺乏對“政策工具一執行主體一政策目標”協同關系的考察。因此，本文以我國中央和地方政府出臺的人工智能政策為研究對象，利用ROSTCM6.0軟件進行文本挖掘，總結我國人工智能政策的主題、頒布機構等外部特征；同時，構建“政策工具一執行主體一政策目標”三維分析框架，并運用灰色關聯度模型計算各維度之間的協同性，以突破傳統單維度政策分析的靜態局限性，為完善我國人工智能政策體系提供理論支撐和方法指引。

2 研究設計

2.1政策文本選擇

由于2017年“人工智能\"首次被寫入政府工作報告，本研究將檢索時間跨度設定為2017年1月1日至2024年12月31日。以“人工智能\"為關鍵詞在各級政府及其直屬機構的官方網站上進行檢索，并將“北大法寶\"的檢索結果作為補充。為確保政策文本的準確性、權威性和代表性，采用以下篩選標準： ① 政策文件標題須明確含有“人工智能”； ② 僅納入具有法定效力的政策； ③ 僅限中央及省級行政單位（含自治區、直轄市）發布的規范性文件，具體包括法律法規、部門規章以及規劃、通知、意見、辦法等具有普遍約束力的政策文本，同時排除復函、批復、征求意見稿等非規范性文件和團體規定等非官方文件。最終搜集到有效政策樣本112份，其中國家級政策27份，省級政策85份，具體如表1所示。

2.2 分析框架構建

傳統單一維度的分析框架難以適應我國復雜多變的政策環境以及多主體間利益交織的現實情景[22]。因此，本研究進一步構建了“政策工具一執行主體一政策目標”三維分析框架，具體如圖1所示。

2.2.1 X維度：政策工具

政策工具是政策的制定者和執行者通過有效的政策干預來實現既定政策目標的一種方法。本研究借鑒Rothwell和Zegveld[23的政策工具分類思路，并結合我國人工智能政策的特點，將政策工具劃分為供給型、需求型、環境型等三大類，包含財政支持、科技支持、技術應用等17個子類，具體分類及其內涵如表2所示。

2.2.2Y維度：政策執行主體

政策執行主體是指執行政策的團體、組織或個人，其任務是選擇、組合政策工具以實現政策目標。根據我國人工智能政策的執行情況，本研究將政策執行主體分為政府，企業，高校院所，家庭、社區與個人以及其他社會組織等5種類型，具體如表3所示。

2.2.3 Z維度：政策目標

政策制定的本質是政策主體利用多樣化的政策工具進行權威性的價值分配，以實現政策目標。因此，政策目標體現了政策制定者的價值偏好和核心關注點[24]。結合《新一代人工智能發展規劃》《新一代人工智能倫理規范》《科技部關于支持建設新一代人工智能示范應用場景的通知》等政策中對目標的闡述[25-27]，同時根據我國人工

表1政策文本列表（部分）

Y軸：政策執行主體

財政支持 應用推廣 法規管制科技支持 政府采購 知識產權企業 技術應用 服務外包 稅收優惠家盛批 共服務 外 組建設供給型 需求型 環境型X軸：政策工具應用場景拓展技術自主創新治理體系構建產業數字化轉型創新平臺支撐Z軸：政策目標

表2政策工具分類及其內涵

表3政策執行主體分類及其內涵

智能政策的發展階段，將政策目標劃分為應用場景拓展、技術自主創新、治理體系構建、產業數字化轉型、創新平臺支撐等5類，具體如表4所示。

2.3政策文本內容編碼

按照“政策編號一具體章節號一具體條款號”的形式，運用Nvivo15軟件對上述112份政策文本進行編碼，并在該軟件中創建政策工具、政策執行主體、政策目標等3個編碼節點，再根據分析框架建立子節點。將每一個符合分類標準的語句標記為一個節點，并納入相應編碼分類；如果一個節點包含多項編碼內容，則分別納入所有符合的編碼分類。最后，對所有編碼下的節點數量進行統計，以節點數量反映該編碼內容在所有政策文本中的占比[28]。

表4政策目標分類及其內涵

通過梳理政策條文的內在邏輯和關鍵語義，共得到1857個參考點。其中：政策工具維度共有632個，政策執行主體維度共有601個，政策目標維度共有624個。部分編碼情況如表5所示。此外，邀請兩位博士生隨機抽取10份相同的政策文本進行編碼，并對兩次編碼結果進行信度檢驗，結果顯示編碼一致性比率達到 92.5% ，表明編碼結果可被接受。

3 結果分析

3.1人工智能政策演進分析

為了解我國人工智能政策的總體結構和演進特征，運用ROSTCM6.0軟件對112份人工智能政策文本進行分詞處理與詞頻統計。經文檔預處理后，形成如圖2所示的中國人工智能政策主題詞云圖。分析結果顯示，“技術”“應用”“發展”“創新”“建設”“企業\"等為我國人工智能政策文本的高頻關鍵詞，反映出當前我國人工智能政策重視技術創新、產業發展及技術應用的特點。

2017—2024年國家及各省份人工智能政策的發文數量均呈現波動上升趨勢。綜合考慮政策出臺的背景、主題及實施效果等因素，大致將其劃分為3個階段。

第一階段（2017—2018年）為戰略布局期，以2017年國務院出臺的《新一代人工智能發展規劃》為核心，政策聚焦頂層設計與基礎框架構建。在此期間，中央及地方政府共發布27份政策文件，發文數量較少。第二階段（2019—2021年）為調整期。新冠疫情是影響我國人工智能發展的重要事件，此階段的政策發文數量出現下降趨勢。政策重心轉向推動人工智能技術在醫療、教育等場景的快速落地。在此期間，中央及地方政府共發布33份政策文件。第三階段（2022一2024年）為技術攻堅和產業深化期，政策發文數量呈現明顯上升趨勢。在此期間，中央及地方政府共發布52份政策文件。

表5政策文本內容編碼表（示例）

從政策發文機構的分布情況來看，中央層面的政策發文機構主要為“國務院”“國家發展改革委”“工業和信息化部”“科技部”“教育部\"等部委。這表明人工智能政策涉及的領域較為廣泛，需要大量的協調和戰略統籌。然而，各部委之間的合作并不緊密，多主體聯合發布的政策文件僅有6份，占中央發文總數的 22.22% 。各?。▍^、市）的人民政府、工業和信息化廳等是地方人工智能政策的主要發文機構：人民政府共發文41份，工業和信息化廳共發文15份。其中，多主體聯合發文僅11份，占地方發文總數的 12.79% 。由此可見，我國政策發文主體之間尚未完全形成多中心、分散合作的模式，聯合發文數量仍然較少。

3.2政策文本單維度分析

3.2.1 政策工具維度

對政策工具進行編碼分類后，得到我國人工智能政策工具的使用情況。如圖3（a）所示，三大類政策工具在使用上存在不均衡現象，整體呈現供給型為主（ 54.11% ）、環境型為輔（ 25.00% ）、需求型最少（ 20.89% 的分布結構。

政策工具內部各類子工具的使用也存在失衡現象。在供給型政策工具內部，人才培養0 16.46% 、財政支持（ （11.55%） 和技術應用0 10.44% 占主導地位，表明我國高度重視基礎要素投入；然而，在人工智能重點領域和技術創新方面，我國與發達國家之間還存在較大差距，信息服務 （3.16% ）尤其不足，未能充分發揮我國豐富的數據資源優勢。在需求型政策工具內部，試點示范（ 16.30% ）和應用推廣 （2.37% 占比較大，表明政府在不同發展階段對于人工智能產業的布局重點不同，也體現出我國人工智能技術在教育、醫療、政務服務等領域應用廣泛。此外，政府采購 （0.47% 與服務外包 0.32% 可以通過減少市場的不確定性拉動社會需求，但其在現行政策中運用較少，這也為后續相關政策的出臺預留了填補空間。在環境型政策工具內部，組織建設占比最高（ 16.46% ），其是政策得以落地的關鍵步驟，但金融支持（ 1.90% ）和稅收優惠（ 0.63% 等激勵性工具的應用明顯不足。

3.2.2 政策執行主體維度

在人工智能政策執行過程中，各類主體由于權力與職責不同，受到的約束、可調動的資源、影響的范圍都存在一定差異。圖3（b）展示了樣本文件中各類政策執行主體的占比情況。其中，企業 32.61% 以追求利益最大化為自標，而良好的人工智能政策環境對實現企業目標具有積極作用。因此，企業往往處于政策執行的最前端，成為人工智能政策最主要的執行主體，并呈現出“選擇性協同\"現象一企業作為首要主體與場景應用、產業轉型等目標關聯緊密，但忽視風險治理。高校院所 （31.11% 作為國家戰略科技力量的重要載體，具備跨學科整合能力、長期穩定的資源投人以及技術安全可控等優勢，但存在與產業落地脫節的問題。政府作為政策制定者占比 22.13% ，其角色正從直接干預轉向宏觀調控。家庭、社區與個人（ 7.82% ）及其他社會組織1 6.32% ）占比相近，但總體參與感均較低。尤其公眾在風險治理中嚴重缺位，未來應當充分發揮公眾及其他社會組織的作用，推動多元主體協同參與，形成人工智能政策合力。

3.2.3 政策目標維度

圖3（c）展示了政策目標各維度的具體情況。應用場景拓展（ 45.35% ）占比最高，表明人工智能的場景應用落地是政府重點關注的方向，這也與全球人工智能經濟發展趨勢相吻合。據相關數據統計，到2030年人工智能將為全球經濟貢獻13萬億美元[29]。技術自主創新占比為 20.51% ，其中對于技術領先和理論突破目標須加大關注力度，防范關鍵核心技術“卡脖子\"風險，同時也要大力提升我國人工智能領域的原始創新能力。治理體系構建（ 14.26% ）和產業數字化轉型（ 12.50% ）占比相近，但總體均較低，表明政策目標對人工智能風險治理以及傳統產業轉型升級的關注度仍不足。創新平臺支撐占比最低 （7.37% ，這種“重應用輕基礎”的目標結構可能會制約我國人工智能產業的長期可持續發展。

3.3政策文本二維交叉分析

灰色關聯度分析源于系統科學理論中的灰色系統理論，是我國學者鄧聚龍[30于1985年提出的。其核心是通過計算關聯度數值，來評估各因素間的密切程度、影響強度及排序特征。該方法對樣本量的多少、樣本數據有無規律等沒有嚴格要求，適用于動態發展過程的量化分析。

由于人工智能屬于戰略性新興產業，兼具技術和社會雙重屬性[31，且在發展過程中具有高度不確定性，其適用于灰色關聯度分析。本研究將政策工具、政策執行主體、政策目標進行兩兩交叉構建子序列，并基于每行的最高值構建理想母序列，將選取的子序列與母序列進行計算比較，得出每組數據與母序列的灰色關聯度，以此反映不同政策維度之間關聯性的強弱，并對其做出客觀評估[32]?；疑P聯度等級的劃分標準主要依據關聯度數值的大小，數值越接近于1，證明兩者之間的關聯性越強。通常將灰色關聯度劃分為5個等級：極其關聯（ ?γ_i?0.9 ）、強關聯（ 0.7?γ_ilt;0.9 ）、中度關聯（ 0.5?γ_ilt;0.7 ）、弱關聯 （0.3?γ_ilt;0.5） 和無關聯 （γ_ilt;0.3）^[33] 0

具體操作步驟如下： ① 確定母序列 y（k） 和子序列 X_i（k）;② 采用式（1）對數據進行無量綱化處理，即將各變量原始值除以該變量均值； ③ 計算參考序列與比較序列的兩極差； ④ 采用式（2）計算序列之間的關聯系數 ε_i（k） ⑤ 采用式（3）計算序列之間的關聯系數平均值，得到灰色關聯度均值Yi

式（2）中： _∣ρ∣ 為分辨系數，通常取值在0到 ¹ 之間，本研究中取值0.5。

3.3.1 政策工具一執行主體交叉分析

政策執行主體會影響政策工具的應用效果，從政策工具與執行主體的交叉分布結果看（見表6，不同執行主體對應的政策工具存在差異性。

除家庭、社區與個人這類政策執行主體與政策工具的協同性較弱外，其他執行主體與政策工具的平均灰色關聯度均在0.8以上，表明其協同性較強。其中，關聯度2和關聯度3均大于0.7，說明需求型、環境型政策工具與政策執行主體的協同性均比較強。

具體而言，企業與環境型政策工具的關聯度最高（1.0000），體現出政策對其激勵強度；此外，企業與部分環境型工具的關聯度高于政府，表明政策落地過程中的政府角色有所淡化，企業承擔了部分傳統上應由政府主導的任務，如標準制定、組織建設等。政府與需求型政策工具的關聯度較高（0.9050），但部分政策工具的使用情況與其職能存在錯位現象。例如，需求型政策工具中的政府采購，理論上其執行主體應當是政府，然而兩者的關聯度（0.9050）小于企業（0.9567），暴露出政策執行中存在主體權責不清的問題。家庭、社區與個人同各類政策工具的關聯度最低（0.6735），特別是與組織建設的關聯度僅為0.4167，表明公眾在政策工具一執行主體矩陣中處于邊緣地位，政策設計中缺乏相應的賦權機制。未來隨著人工智能治理范式的變革，多元主體參與將成為更為深刻和普遍的治理導向。

3.3.2 政策工具一政策目標交叉分析

各級政府為促進人工智能發展，以政策目標為導向采取多樣化的政策工具，而政策工具與政策目標的匹配程度越高，所發揮的效用就越大。從政策工具一政策目標的交叉分布結果看（見表7），平均關聯度均大于0.5，說明我國人工智能政策工具與政策目標之間均存在中度及以上的關聯性。從橫向看，關聯度1和關聯度3均大于0.7，說明當前我國人工智能政策目標主要依靠供給型和環境型政策工具來實現。在子類供給型工具中，人才培養脫離產業轉型升級需求（0.3343），而科技資源也存在分配不均的現象（0.4495）；在子類環境型工具中，組織建設與政策目標的關聯度均小于0.5，反映出政策制定存在重條文輕執行的問題。而在關聯度2中，技術自主創新和治理體系構建目標與需求型政策工具之間的關聯度最低（0.6523），協同性較弱。其中，試點示范與政策目標的協同度低于0.34，幾乎失效，表明市場導向型工具對公共價值目標的激勵效應較弱，難以匹配基礎技術持續攻關的需求以及多元主體參與人工智能治理體系構建的需求。

表6政策工具一執行主體灰色關聯度

表7政策工具一政策目標灰色關聯度

從縱向看，我國各類人工智能政策工具主要作用于應用層，應用場景拓展是我國現行人工智能政策的主基調。而在子類工具中，人才培養（0.3494）技術應用（0.4463）與政策目標之間的協同性較弱，表明人力資源供給與技術落地能力建設相對滯后。此外，治理體系構建（0.6523）產業數字化轉型（0.6702）、技術自主創新（0.6523）等政策目標與需求型政策工具之間的協同性較弱。由于創新資源配置存在“重應用輕基礎”的問題，再加上風險治理的跨主體協作成本過高，市場機制在基礎研究和風險治理中出現失靈現象。

3.3.3執行主體一政策目標交叉分析

從政策執行主體與政策目標的交叉分布結果看（見表8），政府，企業，家庭、社區與個人三者與政策目標的平均關聯度均大于0.7，協同性較強。

其中，企業在場景應用、技術創新、產業轉型等子類目標中的關聯度均大于0.9，但在風險治理方面的參與度較低，這種選擇性協同現象可能造成“形式達標，實質缺位”的矛盾。家庭、社區與個人同創新平臺支撐的關聯度為0.9269，但和治理體系構建的關聯度較低（0.5868），反映出當前政策將公眾定位為“數據貢獻者\"而非“治理參與者”的傾向，由此可能引發算法公平、隱私保護等風險問題。高校院所、其他社會組織與政策目標的平均關聯度小于0.7，屬于中度關聯。其中，作為技術創新核心力量的科研機構，反而與技術自主創新的協同度最低（0.4208），說明現行政策中的科研資源難以有效投向原始創新，產學研協同機制也不暢通。此外，科研機構在政策執行中可能承擔了過多的行政職能（0.6250），進一步弱化了其技術創新功能。雖然其他社會組織與治理體系構建的關聯較強，但實際參與度僅為 6.32% ，說明其標準制定等潛在功能尚未得到有效發揮。

3.4政策文本三維分析

當前，我國人工智能政策體系的三維協同呈現出結構化特征，具體如圖4所示。在優勢協同方面，“供給型政策工具 （54.11% 一企業1 32.61% ）一應用場景拓展（ 45.35% \"形成核心驅動路徑。其中，供給型政策工具和環境型政策工具共同構成推動技術成果落地與產業轉型升級的關鍵力量。

表8執行主體一政策目標灰色關聯度

然而，這種三維協同模式仍存在深層次的結構性矛盾。在政策工具配置方面，面向技術自主創新、創新平臺支撐、治理體系構建等戰略性長期目標的工具投入明顯不足。需求型政策工具占比僅為 20.89% ，且與技術自主創新、治理體系構建目標的協同性不足（0.6523）；創新平臺支撐目標占比僅 7.37% ，表明基礎研發平臺建設缺乏系統性的政策工具支撐。在政策執行方面，企業基于利益導向產生“選擇性協同\"行為，導致政策執行碎片化；高校院所與技術自主創新目標的關聯度僅為0.4208，表明未能充分釋放高校院所的創新潛力；作為技術風險直接承受者的家庭、社區與個人，其與治理體系構建的關聯度僅為0.5868；而其他社會組織的實際參與度（ 6.32% 0極低，導致難以形成多元主體的制衡與監督機制。同時，政府在部分關鍵領域的職能履行存在弱化現象，尚未形成跨部門、跨主體的協同治理格局。

4研究結論與政策建議

4.1 研究結論

4.1.1政策工具：形式多元但應用結構失衡

政策工具類型包括供給型、需求型、環境型三大類共計17個子類，呈現形式多元化的特點，但在實際應用過程中存在顯著的結構性失衡。供給型政策工具占比達 54.11% （以人才培養、財政支持為主），而需求型（ 20.89% ）與環境型（25.00% 政策工具應用不足，其中信息服務（3.16% ）政府采購 （0.47% 稅收優惠（ 0.63% 等關鍵子工具的使用頻率極低。雖然政策工具與執行主體、政策目標之間的整體協同性較強，但也存在以下問題：一是人才培養與應用場景拓展（0.3494）之間的協同性較弱，導致人力資源供給相對滯后；二是需求型政策工具與技術自主創新（0.6523）治理體系構建（0.6523）的協同不足，使得市場導向型工具對公共價值目標的激勵效應較弱；三是企業承擔了標準制定、組織建設等傳統上應由政府主導的任務，政策落地過程中政府角色有所淡化。

4.1.2 執行主體：涉及主體廣泛但權責錯配

政策執行主體涵蓋企業，高校院所，政府，其他社會組織及家庭、社區與個人，但存在明顯的權責分配不均現象。企業 （32.61% 、高校院所中 31.11% ）政府 （22.13% ）是主要執行主體，而家庭、社區與個人 （7.82%） 以及其他社會組織1 6.32% ）參與度極低。企業在技術創新與場景應用中積極性高，但忽視風險治理；高校院所資源配置失衡，產學研協同不足；政府對需求型政策工具的重視程度不夠，在使用過程中存在權責錯配的問題；公眾在公共治理過程中處于邊緣位置，政策設計也缺乏相應的賦權機制，導致多元主體未能形成合力，削弱了政策實施效果。

4.1.3政策目標：覆蓋全面但實施重心偏移

政策目標高度集中于短期應用場景拓展0 45.35% ），而對治理體系構建（ 14.26% ）、產業數字化轉型（ 12.50% ）、創新平臺支撐 （7.37% ）等長期目標的重視不足。技術自主創新目標0 20.51% ）與高校院所的關聯度僅為0.4208，導致“卡脖子\"技術攻關助力不足；現行政策文本的高頻詞列表中缺失“倫理”“安全\"等關鍵詞，治理體系構建目標的整體關聯度最低，且配套的法規管制工具協同性較弱，風險評估和監管機制缺乏系統性設計。

4.2 政策建議

4.2.1優化政策工具組合，構建動態平衡的政策工具體系

合理應用人工智能政策工具是驅動產業高質量發展與政府治理效能提升的重要手段。為提升人工智能政策效能，需要構建科學合理的政策工具體系，注重供給型、需求型和環境型政策工具的協調配合。具體而言：需求側可通過政府采購和服務外包等工具激發市場主體活力，以立法形式明確人工智能產品及服務在政府公共采購中的最低占比，在各級政務部門同步推行智能化采購試點，從而推進政務智能化、醫療智能化、養老智能化；供給側須優化資源配置，強化信息服務和科技支持等薄弱環節，設立專項基金支持人工智能數據平臺建設，推動跨行業、跨領域的基礎數據資源整合與開放共享，強化信息服務工具對數據要素價值釋放的支撐作用；環境側須建立健全激勵約束機制，完善金融支持政策和稅收優惠細則，對人工智能核心技術研發、開源生態建設等關鍵領域給予一定扶持，同時出臺人工智能技術應用黑名單制度，以此形成良性發展的人工智能政策生態。

圖4政策工具、執行主體和政策目標交叉分布圖

4.2.2完善多元主體權責清單，建立權責匹配的主體協同機制

隨著人工智能產業的發展和技術的進步，未來人工智能技術和產品將加速滲透至公眾社會生活的各個領域，而人工智能、大模型等的落地應用也需要多元主體的共同參與。當前，人工智能政策的執行主體集中于政府、企業和高校院所。為此，需要構建“政府引導一企業主導一科研支撐一公眾參與”的協作網絡，以打破主體參與失衡的現狀。政府應適度回歸公共治理中心，明確自身在法規制定與標準審核中的兜底責任，建立跨部門協同機制，通過治理重心的下沉，實現治理效能的系統性提升；建立企業社會責任評價體系，將人工智能倫理治理納入企業信用評價指標；引導高校院所聚焦核心算法、高端芯片等關鍵領域，依托“產學研用\"深度聯動機制，推動理論創新與產業落地有機銜接；重點解決當前公眾和社會組織參與政策執行不足的問題，通過建立線上線下公眾參與“雙通道”，吸納社會力量參與決策，促進人工智能政策目標的順利實現

4.2.3重視風險治理與基礎支撐，發揮政策目標的綜合協調效應

自2020年起，人工智能邁入產業化發展新階段，更要兼顧技術創新與風險治理雙重目標，而人工智能基礎研究正是推動人工智能技術研發及其應用實現可持續發展的核心動力。在基礎研究方面，須推動人工智能技術與制造、交通、醫療、農業等領域深度融合，通過場景化應用加速技術向生產力的轉化，形成技術與產業的良性循環；同時，重點突破高端芯片、操作系統、開源算法等基礎領域以及自動駕駛、智能機器人等應用領域的關鍵技術短板，實現基礎研究和應用研究的有效銜接。在風險治理方面，要高度重視人工智能發展過程中蘊含的潛在風險和技術挑戰，制定人工智能倫理準則與行業標準，融合政府、專家、公眾、企業等主體對技術價值的多元訴求，推動隱私保護、算法公平等議題的立法，確保人工智能的安全、可靠、可控；同時，積極參與國際人工智能倫理準則和治理框架制定，以提升我國在全球人工智能治理體系中的話語權。

4.3 不足與展望

本研究基于“政策工具一執行主體一政策目標”三維框架，深入剖析了我國人工智能政策現狀，彌補了單一維度研究的局限性，但對三維協同效應和政策實施效果的量化測度仍有不足，對國際先進經驗也缺乏基于具體實踐場景的比較探討。未來可嘗試構建三維協同度模型，結合案例研究開展政策效果評估，拓寬國際視野，以吸收國外有益經驗，提煉適配中國人工智能治理場景的協同路徑。

參考文獻：

[1]HOWLETT M，RAMESH M. Studying public policy ：policy cycles and policy subsystems[M].Oxford：Oxford Uni-versity Press，2009.

[2]OSTROM E.Beyond markets and states ： polycentric gov-ernance of complex economic systems[J].American Eco-nomicReview，2010，100（3）：641-672.

[3]劉紅波，林彬.中國人工智能發展的價值取向、議題建構與路徑選擇：基于政策文本的量化研究[J].電子政務，2018（11）：47-58.

[4]呂文晶，陳勁，劉進.政策工具視角的中國人工智能產業政策量化分析[J].科學學研究，2019，37（10）：1765-1774.

[5]湯志偉，雷鴻竹，郭雨暉.政策工具一創新價值鏈視角下的我國地方政府人工智能產業政策研究[J].情報雜志，2019，38（5）：49-56.

[6]LIMEJ，SAVULESCU J.AI preference prediction andpolicy making[J].AIamp; Society，2025（prepublish）：1-15.

[7]PENATE-SANCHEZA，ALONSO CP，ESPINOEPC，etal.Amachinelearning approach to designaDPSIR model：a real case implementation of evidence-based policy creationusingAI[J].Advanced EngineeringInformatics，2023，57：102042.

[8]袁野，于敏敏，陶于祥，等.基于文本挖掘的我國人工智能產業政策量化研究[J].中國電子科學研究院學報，2018，13（6）：663-668.

[9]宋偉，夏輝.地方政府人工智能產業政策文本量化研究[J].科技管理研究，2019，39（10）：192-199.

[10］臧維，張延法，徐磊.我國人工智能政策文本量化研究：政策現狀與前沿趨勢[J].科技進步與對策，2021，38（15）：125-134.

[11]蘇丹妮，皮思斯，奉國和.我國人工智能政策語義、主題特征與演化研究：基于政策文本的量化分析[J].文獻與數據學報，2023，5（4）：16-29.

[12]PLATANIAF，HERNANDEZCT，OUADGHIRIIE，et al.Bridging AI innovation and sustainable development：the effect of AI technological progress on SDG investmentperformance[J].Technovation，2025，146：103279.

[13] ZIEGLER M，LOTHIAN S，O’NEILL B，et al.AI lan-guage models could both help and harm equity in marine poli-cymaking[J].npj Ocean Sustainability，2025，4（1） ：1-13.

[14]于漢超，劉慧暉，魏秀，等.人工智能政策解析及建議[J].科技導報，2018，36（17）：75-82.

[15]賈開，郭雨暉，雷鴻竹.人工智能公共政策的國際比較研究：歷史、特征與啟示[J].電子政務，2018（9）：78-86.

[16]張輝，胡奕璇，曾雄.美國人工智能政策的多維度分析及其啟示[J].科學學研究，2025，43（6）：1160-1169.

[17]SALO-PONTINEN H， SAARILUOMA P.Reflectionson the human role in AI policy formulations：how do nationalAIstrategiesview people？[J].DiscoverArtificial Intelli-gence，2022，2（3）：1-24.

[18]ALIBASIC H. Harmonizing artificial intelligence （AI）governance：a comparative analysis of Singapore and France's AI policies and the influence of international organization[J].Global Public Policy and Governance，2025，5：93-113.

[19]章小童，李月琳，樊振佳.基于我國10項人工智能規劃與政策的內容分析[J].現代情報，2020，40（12）：17-26.[20]張濤，馬海群.基于文本相似度計算的我國人工智能政策比較研究[J].情報雜志，2021，40（1）：39-47，24.[21]李明，曹海軍.中國央地政府人工智能政策比較研究：一個三維分析框架[J].情報雜志，2020，39（6）：96-103，53.

[22]龍春曉，李承璐，范陽東，等.我國慢性病防治政策文本的量化分析：基于政策工具和政策演進及政策主體的三維框架[J].中國全科醫學，2025，28（20）：2457-2463，2500.

[23]ROTHWELL R，ZEGVELD W.Reindustrialization andtechnology[M].London：Longman Group Limited，1985.

[24］蔣敏娟，葛姿涵.京津冀區域政府數據共享政策的文獻量化研究：基于“政策目標一政策工具\"的二維框架分析[J].新視野，2024（6）：87-97.

[25]國務院.新一代人工智能發展規劃[EB/OL].（2017-07-08）[2025-05-20].https：//www.gov.cn/gongbao/content/2017/content_5216427.htm.

[26]國家新一代人工智能治理專業委員會.新一代人工智能倫理規范[EB/OL].（2021-09-25）[2025-05-20].https：//www.most.gov.cn/kjbgz/202109/t20210926_177063.html.

[27]中華人民共和國科學技術部.科技部關于支持建設新一代人工智能示范應用場景的通知[EB/OL].（2022-08-12）[2025-05-20].htps：//www.most.gov.cn/xxgk/xixi-fenlei/fdzdgknr/qtwj/qtwj2022/202208/t20220815_181874.html.

[28]楊超，黃萃，張幢.基于政策目標網絡的人工智能政策布局與優化分析[J].科學學與科學技術管理，2024，45（1）：12-28.

[29]麥肯錫：2030年AI將為全球經濟貢獻13萬億美元國家間差距可能進一步擴大[EB/OL].（2018-09-05）[2025-08-01].https：//baijiahao.baidu.com/s？ id=1610775755929104001amp;wfr=spideramp;for=pc.

[30]鄧聚龍.灰色系統：社會·經濟[M].北京：國防工業出版社，1985.

[31]馬池珠，王永超，劉麗，等.“目標—議題一工具\"框架下人工智能國家政策解析及發展建議：基于近十年政策文本鏡像掃描［J].山東師范大學學報（自然科學版），2023，38（3）：221-234.

[32]宋林飛，潘文翔.中國人工智能政策全面布局搶占先機[J].河海大學學報（哲學社會科學版），2024，26（3）：1-14.[33]王蕊，李彥如，陳婷，等.我國省域數字政府建設構成要素的關聯分析[J].情報科學，2025，43（1）：21-29.

Abstract： Artificial intelligence （AI） policies serve as a crucial driving force in guiding technological innovation and industrial development， with their internal synergy being paramount to policy effectiveness and international competitiveness. Currently，while China's AI policy system is rapidly evolving，it still faces structural contradictions such as imbalanced application of policy tools， mismatched rights and responsibilities among implementing subjects，lack of public participation，and short-term orientation of policy goals.To systematically explore the synergistic characteristics of China's AI policies and identify optimization pathways，this paper constructs a three-dimensional analytical framework of \"Policy Tools—Implementing Subjects— Policy Goals\". Taking 112 legally effective AI policy texts issued by central and local governments in China from 2O17 to 2O24 as samples，it employs content analysis and the grey relational analysis model to quantitatively analyze the synergistic effects among policy tools， implementing subjects，and policy goals. The results indicate： ①In the dimension of policy tools，there is a structural imbalance characterized by \"supply-side dominance，environmental-type supplementation，and demand-side deficiency\". Key sub-tools such as information services，government procurement，and tax incentives are underutilized.Furthermore，demand-side tools exhibit weak synergy with goals like technological self-innovation and governance system construction， and talent cultivation shows insufficient synergy with application scenario expansion. ② In the dimension of implementing subjects，enterprises，research institutes，and the government dominate，while other social organizations， families，communities，and individuals demonstrate low participation. Enterprises exhibit \"selective collaboration\"; research institutes show the lowest relational degree with the goal of technological self-innovation，indicating imbalanced resource allocation and ineffective industry academia-research collaboration; the government's functional performance is inadequate in certain areas;and the public lacks eective empowerment mechanisms in public governance. ③ In the dimension of policy goals，there is an excessive focus on short-term application scenario expansion，with insufficient attention paid to long-term goals such as governance system construction， industrial digital transformation，and innovation platform support. The implementation effectiveness of the technological self-innovation goal needs strengthening; the goal of governance system construction lacks sufficient supporting measures，and systematic design is absent for risk assessment and regulatory mechanisms. Based on the above conclusions， this paper proposes targeted improvement suggestions in three aspects ：① Optimize the combination of policy tools and construct a dynamically balanced policy tool system; ② Refine the rights and responsibilities list for multiple implementing subjects and establish a subject synergy mechanism with matched rights and responsibilities; ③ Prioritize risk governance and foundational support to leverage the comprehensive and coordinated effects of policy goals.

Key words： artificial intelligence; policy text; framework of \"tools—implementing subjectsgoals\"; grey relational analysis; policy synergy

（欄目編輯：朱可染）