《管理世界》| 曾大军：复杂系统视角下的政策智能与战略推演

【编者按】2016年5月17日，习近平总书记主持召开哲学社会科学工作座谈会并发表重要讲话，提出着力构建中国特色哲学社会科学，在指导思想、学科体系、学术体系、话语体系等方面充分体现中国特色、中国风格、中国气派。2022年4月25日，习近平总书记在中国人民大学考察时强调，要加快构建中国特色哲学社会科学，归根结底是建构中国自主的知识体系。

管理世界杂志社认真贯彻落实总书记重要讲话精神，心怀“国之大者”，重视发挥期刊引领作用，积极推动构建中国特色管理学体系。2021年5月15日组织举办“加快构建中国特色管理学体系”研讨会，与会专家发言要点发表在《管理世界》2021年第6期上。

复杂系统管理是中国特色管理学体系的重要组成部分。2022年8月13-15日南京大学工程管理学院组织举办“复杂系统管理论坛”，管理世界杂志社提供学术支持。来自国内高校、科研机构的专家学者70余人参加论坛，11位知名专家（杨晓光、高自友、盛昭瀚、黄丽华、曾大军、陈晓松、杨克巍、黄伟、丁荣余、郑新华、姚轶崭）从复杂系统管理学术发展的顶层设计、哲学思维、理论、方法论及实际应用等方面发表了自己的学术见解。

以下为中国科学院大学经济与管理学院专任教师、数字经济与虚拟商务系主任、中国科学院自动化研究所曾大军研究员的发言要点。

复杂系统视角下的政策智能与战略推演

////////////////

一、引言

当前，社会发展正在经历“数字化、网络化和智能化”的大变革。虚拟空间与真实世界的平行交互，人、机、物、网前所未有地互融互通，技术、社会、经济系统之间的迭代演化，社会群体、技术算法和网络平台的相互交织，呈现出前所未有的耦合性、级联性和复杂性等社会新形态和新特征，颠覆了传统认知和政策制定范式。

面对社会新形态下的复杂系统，多数政策决策问题面临历史政策决策案例缺乏、试错成本高、政策效果评估反馈链长等困难。相比传统的政策决策环境，新形态下政策分析存在要素结构的复杂性、边界界定的复杂性、认知行为的复杂性、任务决策的复杂性和推演计算的复杂性等多个方面的技术挑战。传统的政策制定和实施过程多依靠经验直觉、小规模专家评估以及有限民意调查等手段，存在信息滞后、维度单一、政策刚性、交互不畅以及认知偏差等诸多难题，难以应对新形态下复杂系统的政策需求分析、政策内容制定以及政策效果评估。

近年来，大数据和人工智能技术的推广为政策研究与实践提供了新的分析视角、决策范式和技术手段，促使政策制定从以“小数据+定性”为主向“大数据+人机混合智能+定性与定量相结合”方向发展，从政策制定的单向发布与民意测验评估向双向循环验证与大规模社交舆情实时反馈阶段过渡。政策智能与战略推演旨在采用更加主动、全面的视角，面向未来可能发生的场景和情境进行积极的推演与预测，并将这些前瞻性的分析结果应用于政策主体、政策目标和政策范围的确定、政策效果的分析、政策内容的实施以及政策效果的反馈等全过程。

步发展，现就本年度工作情况作出小结。

二、政策信息的主动感知与深度理解

全面精准的政策信息的主动感知与深度理解是面向复杂社会物理信息系统政策制定的基础。随着社交媒体的普及，整个社会产生的数据量呈爆炸式增长，且呈现跨渠道、跨模态、跨介质、动态化和个性化的特点，政策需求和大众诉求往往隐藏于繁杂的社会数据之中。在此背景下，我们需要从海量动态数据中实时有效地感知到有价值的政策信息，并应用于指导政策制定和评估。

究其实施途径，主要分三步展开：首先，针对复杂政策决策生态环境中数据多源性、异构性、多模态的特点，探索政策文件数据、科研文献数据、智库政策报告数据、新闻报道数据、线下民调数据、社交媒体数据等海量多源异构政策数据的主动感知能力，形成对复杂不确定性条件下的政策环境和主体行为的主动感知；然后，针对政策受众因立场、偏好等心理差异导致的对政策认知不一致的问题，刻画政策受众的认知与行为特征和规律；最后，针对不同社会群体的利益需求的异质性、冲突性以及不平衡性等特点，研究数据和知识混合驱动的社会需求挖掘方法，深入理解政策受众的潜在真正需求。

三、政策要素的多维度认知与因果解构

面向大数据和人工智能时代公共政策分析的研究瓶颈和政策智能与战略推演的现实需求，我们需要深入剖析政策制定过程的多阶段要素特征，对政策信息认知扩散、政策工具选择、政策行为识别、政策主体关系挖掘等进行研究，探索基于政策信息的理论归纳以及基于政策理论的逻辑演绎方法，并对政策要素及其动态因果关系进行解构，以此构建政策要素的多维度认知与因果解构理论体系。

在政策过程要素认知方面，需要对政策过程阶段划分、政策要素信息聚融、要素特征提取与归纳和要素认知修正等方法进行研究，并探索不同决策场景下的政策要素多维度认知通用方法。在政策信息认知扩散方面，需要建构支撑政策解析和政策推演的政策主题信息认知图谱，刻画政策主题信息的扩散路径，识别扩散与传播的关键影响因素。在政策要素因果识别方面，需要将贝叶斯推理、概率图模型和深度图神经网络建模以及因果表征方法相结合，对政策要素及其交互规律进行刻画，探索政策要素在微观—中观—宏观等多尺度上的因果映射机制。

四、复杂场景的政策制定过程全景建模

传统的政策制定多依靠政策制定者的经验直觉、咨询机构专家研讨以及小规模受众群体调查为基础，政策目标单一，政策边界清晰，政策决策空间完备，能够通过简单线性规则、定量评估或重复试错方法获得最优方案。而新形态下的复杂系统，政策目标动态变化，政策边界通常较为模糊，政策决策空间往往不完备，决策案例稀少，决策试错实验成本高。因此，迫切需要通过大数据和人工智能技术对政策制定过程进行全景建模和解析。我们需要充分利用人机混合的群体智慧，形成政策制定过程全景建模与增强型政策智能方法，从而降低政策决策风险。

在人机协同机制及影响机理方面，需要结合决策文化、决策情景和决策任务等，研究面向复杂场景的人机协同机制、政策环境对人机协同的影响机理、人机协同决策的关键信息和角色识别方法、基于混合智能的群体决策模式等。在政策利益相关者多主体建模方面，需要融入前景理论建模不同政策环境下多主体间竞争与合作关系，探究复杂和新发场景下，政策利益相关者的策略选择及交互演化行为。在政策影响识别与动态建模方面，需要构建动态自适应评价体系，从系统层面考察政策制定不同阶段多个维度的要素特征，探索政策制定过程的要素动态影响机制与理论建构方法。

五、不确定条件下的政策风险战略推演

政策系统包含各级政策制定部门、政策执行机关和各类政策受众等政策主体，这些政策主体间相互关联、政策要素间深度耦合且动态变化，从而构成多维度多尺度的复杂系统。由复杂政策系统组成的复杂网络具有结构异质性和级联性，通过利益主体的复杂交织及信息传递，再加上政策的多样性与环境的开放性和不确定性，传统意义上的政策风险通过不确定性条件下的复杂交互场景极有可能演变成系统性风险，形成“一招不慎、满盘皆输”的结果。政策风险战略推演旨在构建基于分布式多智能体的政策建模、仿真和推演系统，采用基于混合智能技术的主动分析和评估策略，完成政策效用的战略推演。

在政策风险战略推演建模方面，需要利用超图建模、因果涌现等方法政策推演中智能体间的复杂交互关系，基于符号推理的逻辑规划方法，对复杂系统的表示模型和策略形式两方面进行逐层抽象，通过概念本身的形式化和计算化泛化，以应对新形态下复杂系统的开放性和不确定性。在政策风险表示模型方面，针对系统风险要素，元模型是一条值得探索的路径；针对政策决策策略表示，鼓励尝试通过量子决策策略，探索策略结构构造的普适方法。在策略求解方面，可以尝试探索经典层次规划与神经网络结合的抽象推理与求解方法。

六、结论与展望

政策智能与战略推演为新形态下政策研究与实践提供了新的技术手段，其贯穿于政策的制定、执行、沟通、评估等生命周期，需要结合组织文化和决策情景，并运用多学科领域知识开展相关研究工作。典型的应用场景包括复杂金融系统的系统性风险评估、“双碳”政策的制定与推演、平台经济监管、城市群系统的战略规划等。通过该方面的研究，可以为新形态下复杂社会问题的政策形势研判、政策制定过程风险预警、政策实施效果评估等提供理论基础和共性关键技术。

以上文章刊发在《管理世界》2022年第10期第1-24页《复杂系统管理是中国特色管理学体系的重要组成部分》（含：杨晓光、高自友、盛昭瀚、黄丽华、曾大军、陈晓松、杨克巍、黄伟、丁荣余、郑新华、姚轶崭）。

（来源：《管理世界》）