1.     公共決策數(shù)據(jù)化和智能化發(fā)展的新方向

數(shù)據(jù)分析是政策分析的重要前提。現(xiàn)代公共決策必須建立在可靠的事實和數(shù)據(jù)以及理性分析的基礎上。由于公共政策的專業(yè)性，決策者不能僅憑個人或小團體的智慧或主觀設想進行經驗決策; 只有通過基于數(shù)據(jù)的理性分析以及嚴密的邏輯推理和精確的計算，才能使復雜的政策問題更容易把握，更好地界定問題、確定目標，設計、比較和選擇科學的備選方案。尤其是在當前全面深化改革背景下，我國正面臨極其錯綜復雜的國內外形勢，諸多矛盾交織疊加，各種風險挑戰(zhàn)接踵而至，國內外很多情況是改革開放以來沒有碰到過的( 李克強，2018) ，各實質性政策領域的問題充滿復雜性與不確定性，理性分析對于我國公共政策分析的必要性更是不言而喻。而理性分析不僅需要采集大量的決策所需數(shù)據(jù)，而且需要運用現(xiàn)代分析技術和方法( 如矩陣方法、統(tǒng)計分析、趨勢分析、建模仿真與優(yōu)化邏輯/因果分析方法、情景分析方法、價值/決策輔助/經濟方法、定標比超、風險評估與分析、技術評估等) ( 王宏廣等，2018 ) 進行計算、分析和預測，這是決策者個人做不到的，必須發(fā)揮智庫的數(shù)據(jù)提供和分析優(yōu)勢，依靠智庫對公共政策問題進行數(shù)據(jù)化、理性化和經驗化分析。美國“白宮第一智囊”蘭德公司又被稱為“科學與死亡的研究院”或“數(shù)字理性主義研院”，它主張“一切重要事物皆可簡化為數(shù)據(jù)” “數(shù)據(jù)和理性分析先于感知和理解”;它的數(shù)據(jù)庫資料浩如煙海，涉及各種領域、活動、人物和事件; 它開創(chuàng)的系統(tǒng)分析工作程序是其對美國聯(lián)邦政府決策最引人注目的貢獻之一。

與傳統(tǒng)的公共決策模式相比，數(shù)據(jù)化智能化的公共決策數(shù)據(jù)的收集、管理和應用的深度廣度及規(guī)模已不可同日而語，傳統(tǒng)的輿情中心和專題數(shù)據(jù)庫的數(shù)據(jù)采集和分析方式已無法滿足數(shù)據(jù)化智能化公共決策的發(fā)展要求，必須轉向以大數(shù)據(jù)和智能化為中心的新的數(shù)據(jù)收集、挖掘、分析和利用方式。例如，傳統(tǒng)的基于隨機調查和淺層語義分析等碎片化的輿情調查、監(jiān)測和挖掘方法，難以對社情民意大數(shù)據(jù)進行有效收集和分析，而必須依靠智庫數(shù)據(jù)中心的數(shù)據(jù)挖掘、關聯(lián)分析、數(shù)據(jù)整合及可視化等數(shù)據(jù)技術( 李梅等，2015) ; 傳統(tǒng)的專題數(shù)據(jù)分析只針對結構化數(shù)據(jù)( 樣本數(shù)據(jù)、面板數(shù)據(jù)或時間序列數(shù)據(jù)) ，難以對價值和倫理等非結構化問題進行精確測量和建模分析，必須借助大數(shù)據(jù)技術，將非結構化問題轉化成非結構化數(shù)據(jù)( 如圖片、視頻、文本等) ，通過數(shù)據(jù)重組和算法揭示相關性，進而有效處理非結構化問題( 范如國，2018) 。在數(shù)據(jù)化與智能化時代，每個人都不知不覺地融入數(shù)據(jù)采集過程，數(shù)據(jù)獲取從調查統(tǒng)計轉變?yōu)楦兄涗?，預測成為大數(shù)據(jù)分析的核心，公共決策需要通過智能終端、物聯(lián)網(wǎng)、云計算、區(qū)塊鏈等可拓展人類感知能力的技術來追蹤數(shù)據(jù)足跡，通過“機器學習”( Machine Learning) 、模式識別等方法進行探索式數(shù)據(jù)挖掘，通過相關關系分析法等進行海量的全樣本分析( 米加寧等，2018) ，進而發(fā)現(xiàn)社會規(guī)律和預測人的行為; 與此同時，還需將數(shù)據(jù)挖掘、關聯(lián)分析、數(shù)據(jù)整合與傳統(tǒng)政策分析的政治學、經濟學方法等相結合，使其更直接地服務于公共決策。例如，基于文本語義挖掘的政策文本環(huán)境建構研究，基于大數(shù)據(jù)的政策效果預測與分析，基于用戶創(chuàng)作內容分析的政策過程公眾反饋態(tài)度研究等( 徐宗本等，2014 ) 。因此，大數(shù)據(jù)與智能化時代的公共決策必須重視專業(yè)化智庫數(shù)據(jù)中心的建設和利用。

2.     基于證據(jù)或數(shù)據(jù)的“循證決策”新范式

循證檢驗是政策分析的必要環(huán)節(jié)。決策者通過將高質量的證據(jù)置于政策制定的核心位置( Davies，1999) ，使公共決策更加科學和理性，進而確保政策執(zhí)行的效果，這就是所謂的循證決策。經過近20 年的發(fā)展，循證檢驗逐漸在OECD 國家的政府改革與治理實踐中占據(jù)重要地位，成為當代全球公共決策的一個新趨勢。例如，作為循證決策的主要倡導者，英國政府通過頒布相關政策法規(guī)( 《現(xiàn)代化政府白皮書》和《21 世紀的專業(yè)化決策》) 和設置相關機構( 管理與政策研究中心)等舉措推行循證決策模式，將循證原則貫穿于英國社會政策的整個生命周期( 李樂、周志忍，2016 ) ; 英國政府贊助的“行為洞察團隊” ( Behavioural Insights Team，BIT) 雖以“助推小組” ( Nudge Unit) 聞名，但本質是政策實驗室和改革推動者，它通過科學地測試政策選擇實際如何影響社會問題來為政府提供決策支持，它倡導的社會實驗方法成為循證決策運動的核心( Smith ＆Larimer，2018) 。

循證決策的關鍵在于“從社會研究和評價中獲取的證據(jù)的性質或質量”以及“實踐者或專業(yè)人員在決策過程中使用證據(jù)的方式”( Sanderson，2002: 62) 。前者涉及證據(jù)生產的科學性，后者涉及證據(jù)使用的有效性。就證據(jù)生產的科學性而言，高質量的證據(jù)一般具有科學和真實、系統(tǒng)和量化、動態(tài)和更新、共享和實用、分類和分級等共同特征( 李幼平等，2008 ) ; 但不應將“證據(jù)等級”或“隨機對照實驗”等單一方法作為衡量證據(jù)質量的唯一標準，還應綜合考慮可信度( 技術證據(jù)的充分性) 、顯著性( 評估與決策者需求的相關性) 、公正性( 證據(jù)生產過程是否公平對待不同利益相關者) 等標準( Parkhurst，2017 ) 。就證據(jù)使用的有效性而言，要建立知識轉移機制以促進證據(jù)使用，使決策者可用、能用和善用證據(jù)。不僅要發(fā)揮智庫專家作為信息中介、知識提供者或知識經紀人的作用，培訓研究人員如何更有效地提供決策證據(jù)，培訓決策者如何查找、了解和使用證據(jù); 而且還要通過制度化途徑改進證據(jù)使用或促進知識向政策轉化。比如，建立關于各政策領域備選方案有效性的“證據(jù)庫”，形成循證決策實踐指南，完善智庫作為結構化知識經紀人的作用，建立由相關機構、規(guī)則和實踐規(guī)范組成的專門服務于循證決策的“證據(jù)咨詢系統(tǒng)” 。

無論是證據(jù)生產，還是證據(jù)使用，都離不開專業(yè)化智庫的有效參與。只有發(fā)揮智庫數(shù)據(jù)中心與實驗室的證據(jù)生產功能，通過政策評估、數(shù)據(jù)收集、數(shù)據(jù)分析、行為實驗、仿真模擬、預測研究、系統(tǒng)評價和元分析等決策支持技術，將政策相關信息轉化為“決策證據(jù)”，才能建立可經受時間和實踐檢驗的高質量證據(jù)庫，隨時隨地提供各種實質性政策有效執(zhí)行的行為證據(jù)和制度證據(jù)，并以通俗易懂的方式呈遞給決策者; 只有通過構建由智庫數(shù)據(jù)中心與實驗室、相關政府部門、政策法規(guī)、實踐規(guī)范和技術設施共同組成的證據(jù)咨詢系統(tǒng)，形成并推廣循證決策模式，才能促進高質量證據(jù)的有效使用，實現(xiàn)良好的公共治理或

循證治理。