-
行业资讯
INDUSTRY INFORMATION
随着数字技术深度嵌入经济社会，信息分布格局发生根本性变化，数据不再由单一机构垄断，而是分散于各类市场主体与个体之中。面对这一趋势，传统的以信息集中为前提的治理模式面临挑战。本文将探讨“数智助推”这一新型治理范式，分析其如何依托数据共享与行为科学，实现从静态规则向动态适配的转型，为数字时代的公共治理提供可行的路径参考。
一、治理困境：信息分散化对传统模式的挑战
现代公共治理体系在过去很长一段时间内，主要依赖于两种典型模式，这两种模式的构建基础普遍建立在信息相对集中、规则统一制定的前提之上。然而，随着数字技术的普及，信息格局发生了深刻变革，这种基础条件正在动摇。
以行政手段为主的治理模式，其核心在于通过规则引导和严格的制度执行来维持秩序。这种模式的有效运行高度依赖于治理主体对相关信息的充分掌握与及时反馈，但在当前形势下，信息呈现出高度分散化特征，场景也日益复杂化。治理主体在面对海量、离散的数据点时，往往难以像过去那样快速整合信息并形成统一决策；统一制定的规则在面对千差万别的具体微观情境时，适配性大打折扣，导致精细化治理的实施成本急剧升高，治理效能与投入之间往往不成正比。
另一种典型模式是“经济激励型”治理，这种方式通过价格机制或利益杠杆来引导个体行为，试图使个体的自利动机趋近于公共目标。虽然这一模式在理论上具有吸引力，但它建立在较强的理性决策假设之上。行为经济学的多项研究早已表明，现实中的个体决策并非完全理性，而是广泛受到认知偏差、社会规范以及具体情境因素的共同影响。在信息分散的条件下，治理主体若想设计出能够精准触达并有效激励个体的机制，面临着严峻的信息匹配约束。如果无法掌握个体的真实情境与偏好差异，激励机制的设计便可能失准，从而难以发挥预期的引导效果。
这两类治理模式在各自的历史阶段都发挥了重要作用，但其有效运行均离不开“信息相对集中”与“规则统一实施”这两个关键条件。如今，数字时代打破了信息垄断，各类主体普遍成为了数据的生产者，这一基础条件的改变迫使我们必须重新审视现有的治理逻辑，为治理方式的进一步优化寻找新的空间。
二、理论演进：从“助推”到“数智助推”
面对信息分散化的现实挑战，“助推”理论逐渐进入国际公共治理的视野，并成为连接技术与制度的重要桥梁。这一概念最初由诺贝尔经济学奖得主理查德·塞勒与著名法学家卡斯·桑斯坦提出。其核心定义是指在不禁止任何选项、不显著改变经济激励机制的前提下，通过优化决策环境的设计，引导人们作出更有利于自身长远利益和社会整体利益的行为。例如，在各类表单中将绿色出行选项设置为默认选项，或者通过界面设计强化某些信息的提示便利性，这些都是典型的“助推”手段。
然而，传统的“助推”方式主要依赖于一般性的信息提示与固定的情景设置。这种干预手段通常是静态的，且往往是面向群体而非针对个体，难以根据个体差异和行为变化进行实时、动态的调整。相关研究指出，虽然通过优化“选择架构”可以在不增加硬性约束的情况下改善决策结果，其关键在于通过情境设计弥补人类的认知局限，但在缺乏实时数据支持的情况下，这种优化往往只能停留在“一刀切”的层面。
随着数字技术的飞速发展，特别是算法算力的提升，“助推”机制迎来了质变的契机——当算法能够在分布式数据环境中精准识别个体的行为特征，并在关键决策时点提供个性化提示或引导时，“助推”便获得了实时化与精准化的能力。基于此，“数智助推”的概念应运而生。这是一种在数据分散条件下，依托数字技术实现分布式信息连接，并结合行为科学原理进行精准引导的新型治理范式。
与侧重单一情境设计的“传统助推”不同，“数智助推”强调在分布式数据环境下实现跨场景、实时化的动态引导。这一范式的提出并非凭空想象，而是有着深刻的政策背景。“十五五”规划明确提出要“全方位推进数智技术赋能”，并要求“提高政府治理数智化水平”。这正是对利用数字技术优化治理逻辑的顶层设计回应。同时，规划中提到的“强化算力算法数据高效供给”，也强调了数据的有效供给与有序流通对于这一范式的重要性。
三、核心特征：构建精准化与轻量化的治理新形态
“数智助推”作为一种适应数字时代的治理新范式，在实践中逐渐呈现出若干共性特征，这些特征共同构成了其区别于传统治理模式的核心竞争力。
精准化：通过连接分散在不同维度的数据，治理主体能够更准确地识别特定的治理对象及其需求，从而在关键的行为节点实施最小限度的有效干预，这种干预不再是漫无目的的“大水漫灌”，而是基于数据画像的“精准滴灌”，既降低了打扰，又提升了效果。
情境化：依托实时数据的流动，治理响应能够与具体的场景动态适配。同样的政策目标，在不同的时间、地点和人群面前，可以呈现出不同的引导方式，这种高度的灵活性解决了传统统一规则在复杂场景下“水土不服”的问题。
轻量化：借助数字平台作为基础设施，治理的实施成本大幅降低。政府或管理机构无需动用大量人力物力进行现场管控，只需通过平台端的算法调整或界面优化，即可实现治理意图的传达，实现了“四两拨千斤”的效果。
内生激励：数智助推不强制改变个体选择，而是通过优化环境引导行为调整，这种引导往往能够激发个体的内生动力，使其在不知不觉中向着公共目标靠拢，从而避免了强制命令可能带来的抵触情绪。
多元协同：这一范式的有效运行离不开政府、平台企业与社会主体的共同参与，数据的价值在于流动与使用而非静态占有，而“共建数据合作平台”意味着必须打破数据孤岛，在确保安全与隐私的前提下，推动数据在政府、平台与研究机构等不同主体之间有序流通，形成治理合力。
四、实施基础：以数据共享为基，以治理规则为纲
在提升治理效能的同时，“数智助推”在实践中也面临着不可忽视的约束条件，而要确保这一范式健康运行，就必须夯实基础，明确规则。
精准化依赖算法的持续优化。在算法应用过程中，如果输入的数据本身存在偏差，或者算法模型存在缺陷，可能会产生错误的引导，甚至加剧不公平。因此，企业需要建立常态化的算法校准与优化机制，确保技术应用的客观性与准确性。
内生激励依赖于数据信任。随着数据流通范围的扩大，公众对于个人隐私和数据安全的担忧日益增加。只有明确数据使用的规则和边界，严格保护个人信息安全，才能增强公众对数智助推措施的信任，使其愿意接受这种引导。没有信任，任何基于数据的治理都将是空中楼阁。
情境化必须以保留选择空间为前提。数智助推的关键在于优化决策环境，而非替代个体决策。无论引导设计得多么精妙，都不能剥夺个体的最终选择权。一旦越界，将可能引发伦理争议和法律风险。
多元协同则需要清晰的责任界定。在政府、平台与社会主体共同参与的治理过程中，各方角色的定位与职责分工必须明确。特别是在平台企业掌握大量数据资源的情况下，如何界定其公共责任，如何防止权力滥用，是需要制度予以回应的问题。
总体来看，精准化、情境化、轻量化、内生激励与多元协同，这些方面并非是对“数智助推”的限制，而是推动这一范式更好发挥作用的重要保障条件，它们共同指向了一个核心，即“在尊重个体信息权利的前提下，通过技术与制度的融合，实现公共目标。”
结语
回到最初的问题：当信息不再由单一主体掌握，当各类主体普遍成为数据生产者，公共治理的逻辑如何重构？“数智助推”提供了一种极具潜力的路径。它标志着治理模式从同质化管治走向差异化引导，从静态规则走向动态适配，从高成本监管走向轻量化嵌入，从外部约束走向内生激励，从单向管理走向多元协同。
这一范式将行为科学对真实人类决策的深刻理解，与数字技术连接分散信息的强大能力有机结合，不仅回应了数字时代数据合作与发展的现实需求，也为国家治理体系和治理能力现代化提供了新的技术支撑与理论视角。更重要的是，我国在数字治理领域的丰富实践，如北京等地在绿色出行与城市治理中的探索，已经为这一范式积累了宝贵的经验。这种从实践中生长出来的理论创新，不仅有助于解释中国的发展奇迹，也为全球数字治理贡献了“中国智慧”。
