于文轩 魏炜 数据开放中的算法依赖：发展模式与驱动路径

  厦门大学公共事务学院院长，教授、博导、闽江特聘教授，美国罗格斯大学公共管理学博士 。研究领域为智慧治理、政府绩效管理、政府信息公开、比较公共管理、公共事务教育。除了在国际SSCI英文期刊和国内 CSSCI学术期刊发表学术论文外, 还在人民日报、新华网、澎湃新闻、界面新闻、新加坡联合早报和香港明报等国内外新闻媒体发表时政评论文章。

  摘要：数据开放已成为政府治理创新的重要驱动力。为了更好地发挥数据效用，算法不仅依托强大的自学习和自决策能力让数据的潜在价值得到充分挖掘，而且也使得数据在复杂场景下的应用更加依赖算法技术。本文从数据和算法的关系起源出发，构建一个类型学分析框架，提出驱动型、压力型、型、黑箱型四种不同关系模式，并重点就驱动型关系模式结合实践案例展开分析。研究表明，算法“自学习”和“自决策”的功能特性充分挖掘了公共数据的潜在价值，算法不仅极大地推动了数据共享的精准高效，而且也为推动公众参与社会治理提供了有效的技术支撑。

  数据开放为社会治理创新带来了新的发展机遇。自2010年数据开放浪潮快速兴起，数据要素业已成为国家战略发展的重要基础性资源，促使政府治理模式向数字化转型发展。党的二十大报告提出“加快建设网络强国、数字中国”。2022年10月，国务院办公厅印发《全国一体化政务大数据体系建设指南》，明确了全国一体化政务大数据体系的建设目标、总体架构和重点任务，为推进国家治理体系和治理能力现代化提供了强有力的支撑。当前，虽然我国各级政府掌握着全社会80%的公共数据资源，但大多数还是未经整合处理的原始数据，仅靠单一的数据开放并不能够对数据价值挖掘达到最大化，而以机器学习为核心的算法技术因能适应不同复杂场景下的作业需求，从而给数据深度挖掘和使用带来了一系列的转变。

  算法社会的到来给人们的生产生活带来了翻天覆地的变化，尤其对于公共行政而言，算法技术重塑了政府数字治理形态，极大地推动了整体性政府的实践与改革，不仅约束了行政机关的权力运行，而且也为提升组织效能和拓宽公民参与渠道提供了有效工具支撑。然而，人们在享受算法带来的便捷的同时，也应当警惕，由于算法本身结构的复杂性，使其在运行过程中容易受到人的因素的干扰，设计者和使用者会将自身的权力意图和规则偏好内置其中，从而改变原本算法中立的处境，迫使决策行为和最终结果合法化。因此，要真正的完成算法对于数据的价值创造，不在于算法本身，而在于算法设计者、执行者和监管者等多元主体的治理方式。

  算法社会是高精度的数字社会，数据量激增和算法技术的一直在优化促使两者间的关系愈发紧密，从“数字社会”到“算法社会”的转变，究竟只是单纯的治理技术范式变迁，还是社会整体运作模式的根本性转变？按照算法的运作逻辑，只要提供充足的信息数据，其就能够发挥自学习和自决策功能。因此，算法对于数据真正的作用不仅仅只是以往简单的数据挖掘，更重要的是帮助人们建立起数据与数据之间的相互联系，从而发现数据背后的价值规律。综合前人研究来看，现有研究大多将算法作为组织数据发展的外嵌技术工具，集中于从宏观层面探讨算法技术的历史发展变迁，以及算法技术在数字应用过程中存在的风险问题，却未能对数据和算法两者相互间关系作出进一步探讨。由此也产生了三个亟待解决的问题：数据和算法的关系是什么？为什么数据开放会产生算法依赖？算法是怎么来实现数据驱动，进而更好助力数据开放的价值实现？

  为此，本文旨在通过梳理数据和算法之间的发展关系，构建数据开放和算法依赖的类型学分析框架，尝试解释在不同程度的数据开放下，组织对于算法依赖所产生的不同交互模式，并重点就“数据开放高—算法依赖高”所产生的驱动型模式，结合具体实践案例进行深入分析。

  数据信息作为强化组织透明度和问责制的重要载体，在过去百年公共行政发展改革进程中，主要历经了传统公共行政、新公共管理、数字治理三个不同的发展阶段。在传统政府官僚制背景下，无论是在内部组织信息传递，抑或是与外部公民互通交流的过程中，政府始终是一个处于信息相对封闭的系统。在缺乏有效媒介工具的情况下，这种以层级控制为主导的单线程管理系统，难以有效与外部环境产生信息交互。20世纪80年代，新公共管理开始注重部门管理改革，特别是在制度与实践中更加重视政府责任和绩效问责，政府通过下放权力和增强竞争来提升管理效率，在某些特定的程度上提升了部门的信息透明度。然而，新公共管理本质上是对传统官僚制度的修正而非完全替代，由于官僚制的边界存在，数据信息依旧是以部门控制为中心，加之缺乏相应的组织协调机制，使得数据难以为后续发展所应用。与此同时，在这一时期计算机技术开始广泛普及，数据运算和解决能力慢慢地增加，其网络发展也由早期的军事和科研领域逐步拓展到社会应用领域。私营企业为加速破解数据代码封闭与使用低效的问题，率先兴起了一场软件“开源运动”，尝试探索如何让数据与程序设计进行结构化表示，以实现多样化的人机信息交互，而此时算法的出现则为优化数据结构和减少重复设计提供了思路方向。1984年，图灵奖获得者尼古拉斯·沃斯(Niklaus Wirth)提出了著名公式“算法+数据结构=程序”，用于解释算法和数据结构之间的关系。在此之后，数据挖掘(Data Mining)的概念提出，被看作是早期算法应用于纵深数据开发的探索性尝试。企业由此开始透过数据积累来发掘背后的隐藏价值信息，进而获取商业利润。然而，迫于当时的技术条件和环境限制，数据挖掘的应用领域还极为有限，仅仅局限于提升企业内部的竞争力。因此，对于政府组织而言，虽然私营企业在数据和算法的发展方面为其提供了经验借鉴，但受制于传统官僚制的影响，传统事务规则和自由裁量权的界定还需要依靠人工裁定，所以，当电子化数据和算法模型的结合还处在初级发展阶段时，算法被一致认为还难以适应公共行政的治理模式。

  自21世纪第四次工业革命以来，数字技术开始同物理世界相互融合，数据要素的集聚重塑了经济社会的发展格局，数字治理时代也由此开启。面对数据的爆炸式增长，政府也开始逐渐意识到数据不再单纯的只是技术的衍生品，而可以作为国家发展的重要战略资源和生产要素进行开发和利用。为此，在2009年美国政府陆续出台《开放和透明政府备忘录》（TOG）、《开放政府指令》（OGD）和《开放数据政策》（ODP）三份基础文件之后，开放政府数据的潮流在世界各国快速兴起。我国的数据业发展也顺应了这一世界潮流，自2015年《促进大数据发展行动纲要》提出之后，政府数据开放开始加速推进。在数据治理逐步迈向开放共治的同时，一大难题也随之浮现。虽然各地政府所掌握的数据体量规模巨大，但多半是非结构化数据，在没有预设相应模型的前提下，计算机只能处理结构型的二进制数据，对于非结构型数据则难以有效计算转化。加之，由于公共部门在数据的收集方式、存储格式、开放标准、隐私策略等方面与私营企业存在较大不同，导致现有我国数据开放水平整体上还处于初级应用阶段，仅只是政府信息公开的加强版，还不足以发挥数据的最大价值效用。

  数据的可访问和可视化是开发数据增值的前提基础。当前，数据量级已经远超于传统人工计算能力，如果不借助技术方法进行运算处理，人们根本难以驾驭大数据，更不用说能够进一步创造公共数据价值。未解决大数据算力和格式优化问题，以深度学习为代表的机器学习算法，因其更能适应多元化的数据应用场景，在历经四十多年的发展后再次成为各级政府部门关注的焦点，并产生了一种以算法工具作为主要管理手段的发展的新趋势。相较于早期算法而言，机器算法在嵌入大数据运行之后，突破了“波兰尼悖论”中对人类认知的局限，不仅能快速高效提取数据价值，更是可以有效的进行仿生模拟，通过自主识别和自我转换，在不同场景下作出相应的行为感知和决策判断，从而迅速成为影响社会持续健康发展的重要工具。

  总的来看，数据在历经传统公共行政、新公共管理、数字治理三个不同的发展阶段之后，其作为国家基础性战略资源的地位不断凸显。数据开放使政府从以往各自为政的碎片化治理模式转向多部门协同的整体性治理，让公共服务供给能够向更加精细化、精准化迈进。在此过程中，算法因具备自学习和自决策的特性，同数据开放的相互作用关系不断加深，不仅极大拓展了数据的可视化和可访问性，也使得海量数据因算法赋能而更具价值，因此，数据和算法之间的关系已不再是传统简单的线性组合，而是形成了一种数据对算法的依赖关系。

  算法作为一种技术工具，能提高数据挖掘精度和使用水平。数据对算法的依赖本质上是一种路径依赖的表现。路径依赖（Path Dependence）最早源于生物学概念，意在描述未来事物的发展受制于过去的历史选择，其影响是在人们无意识的选择前提下进入人们的潜意识思维当中，通过不断自我强化机制对选择路径进行锁定，从而形成一种物理“惯性”。

  David最早将路径依赖概念引入技术发展的过程中，其以个人电脑的“QWERTY”键盘布局为例，分析了从人类早期发明打字机开始，“QWERTY”键盘为什么能够历经几十年的发展经久不衰。原始打字机由于自身缺陷，在相邻字母快速击打的过程中，打字杆之间会相互碰撞进而造成机器卡顿。而“QWERTY”键盘的排序设计初衷仅仅旨在通过减缓打字速度以减少机器卡顿，然而在各种阴差阳错下，看似“低效”的排列组合却成为市场的新宠，甚至在与优化后的“DSK”键盘竞争中依旧占据上风。David将“QWERTY”的成功总结为三个方面：技术上相关性、规模报酬递增、投资不可逆性。此后，Vergne 和Durand在总结前人研究的基础上，从宏观组织制度层面、中观技术和治理层面、微观资源和能力层面进行系统性分析，认为路径依赖起因于偶然性事件，在此过程中受到各种反馈机制的影响，以自我强化的形式最终形成多重均衡的锁定状态，而这种锁定状态的路径方向可能是随机的，不一定会发生在最优路径上。而正是由于路径依赖并非以效率高低作为衡量标准，使得不同学者觉得在实际过程中会对决策者的行为产生不确定性。有学者就认为路径依赖的锁定效应可能会引起发展的无效率，路径依赖从某一些程度上会限制决策者的行动状态。然而，Garud等则认为，路径依赖产生的初始条件和过程中所产生的内外部性，取决于行动者如何对过程边界进行划定，并且，行动者同样会采取策略以构建行动过程的发展趋势，而非被动等待最终均衡状态的出现。

  因此，从路径依赖的视角来看，技术发展中产生依赖效应并非由技术本身的效率高低所决定，而是取决于技术投入的沉没成本和效益报酬情况，通过形成一种路径锁定状态，从而将技术应用延续下去。早期算法技术的合法性在尚未明晰的情形下，受到软件“开源运动”这一偶然契机的影响，使其成为数据外部运行环境的技术上的支持系统。开发者通过算法优势从传统私营企业和信息网络中获取原始数据生产资料，并不断发挥技术生产效用，而在提升数据分析和利用能力的同时，也就从另一方面代表着算法技术在数据开放过程中开始建立起一种自强化的运作模式，并不断调动环境中的要素配置来支撑其发展。当数据开放时代到来，数据的规模量级持续不断的增加时，算法也开始不断渗透到相关数字技术的核心环节，其开发数据的边际成本不断递减，使得人们很难再将目光转向其他传统技术工具，人们为了进一步挖掘数据红利，就需要建构起算法模型工具和价值的正当性来锁定这种状态。此时，算法的作用也不再仅仅局限于作为数据处理的基础性支撑，而是逐步嵌入组织制度结构中，同其他要素相结合并影响组织整体的运作流程，进而实现持续性发展。

  路径依赖对于治理发展存在着双重影响。一方面，路径依赖所设定的完整的分工和流程，有助于提升治理的运行效率，其自强化机制可以巩固组织间协同效应，避免组织产生目标偏离。另一方面，路径依赖对治理发展的负面影响，可能会引起组织陷入认知陷阱之中，并且对于快速变化的外界环境而言，组织会因此产生封闭性而不愿意做出创新性改变，最终影响组织效能的产出。因此，算法依赖同样既可以产生积极的正反馈，也会产生低效率的负反馈，而实际影响取决于组织或者决策者对于技术使用的意愿情况。

  在传统治理范式下，“人治”是治理实践中的主导因素，这就导致规则运作受限于人的因素，缺乏社会基本公平。随着数字化水平的提升，算法技术的应用弱化了“人治”的作用，通过对数据的深加工能轻松实现精准决策。正反馈效应是路径创造的表现，数据依赖于算法不断产生自强化效应，从技术支撑、决策依据到决策执行，全流程驱动着数据开放在组织运作中的发展变革，使数据的增益效应得以充分显现。

  首先，算法为数据的公共价值实现提供了技术支撑。在传统经济要素中，单一要素会随着投入的增加带来边际效用递减，因此导致要素价值难以达到生产效用最大化。算法技术嵌入之后，数据要素处理更新加快，改变了以往生产函数关系模式，数据与数据之间因算法建立起增益关系。为了更好完善公共服务，政府在收集获得大量的信息数据之后，通过算法处理加工和推演运算，将其以可视化的形式交付给不同层级的职能部门，以加强完善相应公共服务。

  其次，算法转变了传统治理的决策模式。对于政府而言，传统以官僚制为主导的自上而下政策路径，虽然能够保持决策层和基层总体方向的一致性，但是难免在信息传递过程中存在偏差。而在机器学习系统中，算法可以自适应结合实际政策环境进行人工仿生，经由自上而下和自下而上的相互信息联动，从多角度分析决策与实际结果之间的差异，在进行下一步决策前实时更新数据，并辅助决策者调适组织行动，以动态加速或减缓执行的方式寻求决策结果最优化。

  最后，算法提升了数据决策的高效性和准确性。决策的基础就在于有充分完备的信息依据，数据开放的兴起为政府决策科学化提供了必要的基础支撑，而要想进一步实现决策精细化就离不开算法技术的运用。乌尔里希·贝克指出，我们现如今处在一个“风险社会”，所面临的环境充满不确定性且难以预测。算法的优点是不仅能加快决策速度，而且还能对风险进行模拟预测，最大限度上减少不确定性的发生。并且相较于传统决策过程，部门有时即使获取到数据资源也不知道怎么来转化应用，而经由算法对数据的全面精准分析，不仅仅可以提高决策精度，还能够及时化解由于法律滞后性所造成的决策风险。

  当前学界对于算法技术的运用褒贬不一，在享受算法带来的高效益的同时，也感受到算法所带来的潜在风险。从某一种意义上看，有学者觉得现阶段算法技术应用会让设计者和使用者无形中具备一定的政治决定权，并能够影响决策的发展走向，而对于算法最终运算结果来说，本质上是算法设计者和决策者在利益之间的相互妥协。因此，在非完全理性的治理过程中，算法运行容易偏离客观环境要求，进而产生数据霸权、算法黑箱、算法歧视等路径偏离的负反馈效应。

  首先，算法可能会产生数据霸权。数据和算法的搭配，看似制造包容性发展的局面，但实则也易引起新的权力分化和社会分歧。在算法世界中，公民的权利形象转变为一个个孤立、碎片化的数字，受制于结果导向的算法对其优先排序，人的权利实现因具有顺序性而变得不再平等。在万物皆可测量的算法进程中，算法重新分配了主体间的权力与权利，国家治理和公民权利也让渡于算法运行，从而给政治权力和民主价值带来潜在风险。并且，算法渗透社会的速度是先前任何技术所很难来做比较的，一旦算法缺乏相应的权力制衡，反向塑造意识形态，就容易形成数据霸权。

  其次，算法黑箱加剧技术与社会间的对立。在大数据产业高质量发展背景下，政府致力于打造一个开放信任与数据共享的合作环境，对于治理环境的缺陷政府力图通过新的管理手段对其进行弥补。然而，算法作为新兴治理工具，在透明数据和运算逻辑的背后，实则有几率存在并不透明的灰色地带。一方面，由于算法代码的复杂性，政府只能将开发业务委托于相应外包公司，这就使得外部技术人员在设计算法时具有较大的自主权，对责任侵权也难以追责。另一方面，算法的设计与运行可能涉及决策机密，一些部门组织会以安全为由产生寻租行为，由此造成社会同新技术之间的对立扩大。

  最后，算法歧视具有隐蔽性。算法原本具有中立属性，其自身作为第三方技术嵌入政府治理过程中，初衷也还是为了实现决策更加开放民主化。然而，算法毕竟是学习模仿人类进行决策，容易受到不同主体利益诉求的影响，在机器学习和决策输出两个关键环节通过数据集筛选、挖掘和设计分析等环节注入主观歧视与偏见，会导致决策结果的不公平、不透明，并且，这种偏见相较于传统人为决策议程来得更具有隐蔽性。

  如前所述，算法的嵌入改变了传统治理模式中的“人治”色彩，其通过数据推演将数据本质进行还原，确保了组织运作的规范，让数据价值能够清晰呈现。在数字化浪潮的席卷下，数据作为创造公共价值的基础载体，其开放价值不言而喻。当前，虽然政府拥有80%可开发、可利用的数据资源，但由于种种条件限制，对于哪些数据可以开放、如何开放，各地政府部门还处在细化探索阶段，这就使得数据开放程度在不同部门之间有差异。同时，单纯从技术视角来看，算法本身是中立的，而随着算法技术的成熟，数据对其依赖程度也愈发加深，其产生的正负反馈效用实际上都是人为外加因素所导致的，这也就从另一方面代表着行动者在数据开放场景中对于算法依赖的表现是不同的。

  因此，本文结合当前数据开放和算法依赖程度差异构建理论分析框架，进而归纳出驱动型、压力型、型、黑箱型四种不同发展模式（见图1）。

  驱动型模式现在已经成为城市政务和便民应用平台的主要发展模式。在传统治理实践中，政府部门无论是在倾听民意还是资源配置方面，均存在信息沟通不畅、协作能力低效等情形。而在数据开放驱动下，平台型组织的出现创造性改变了组织功能结构和运行流程，其利用算法技术将数据要素同线下治理相结合，进而提升组织资源的协同能力。因此，在这种发展模式下，数据开放和算法技术两者间关系相互促进、相互增强，部门对于社会治理和回应民众诉求能更精准高效。

  压力型模式多体现在一些数字化配套设施不健全的基层组织上。在压力型模式下，基层部门需要响应上级政府的数字化转型建设号召，完成部门数据开放共享的指标考核，然而，由于技术、制度、管理等配套设施不完善，虽然部门的数据开放程度较高，但是整体数据质量不高，多为零散且缺乏可机读性的非结构化数据。因此，即使数据开放共享也难以通过算法进行识别加工，使其对于算法技术的依赖程度偏低，不能真正实现数据开放的价值目标。

  型模式发生场景主要存在于两类传统型的部门组织中。一类组织是信息化程度不高的基层组织，其组织特性更多为从事程序性工作，拥有的数据量少；另一类组织虽然具有数字化转型的条件，但是由于自身的业务特性，对于转型后能否实现其预期目标还不得而知，导致其往往习惯依赖传统工具手段，而不愿意将自身业务和数据进行线上化运作。因此，这两类组织对于数据开放程度和算法技术的依赖程度都普遍较低。

  黑箱型模式主要发生在一些不愿意公开数据的部门组织中。这类型组织的特征是数据量大且垄断性强，通常以部门所拥有的数据作为其“立身之本”，一旦将部门数据开放共享后，不仅可能失去原有的“话语权”，甚至部门一些业务也会面临整合归并。因此，这类组织通常对于数据开放表现出消极应对，但同时，由于部门自身所拥有的数据信息量大且业务发展需要，对算法技术的依赖程度表现较高。

  在数据和算法技术相互影响的过程中，算法被视为是提升城市治理效能的有效创新工具，但是在不同实际场景中，受到人为价值的影响，其在效度和限度之间存在发展张力，稍有不慎便会造成常态治理体系运作失灵。关于压力型、型和黑箱型三种数据开放和算法依赖的关系，已经有学者从不同研究层面进行了相应的探索分析。因此，本文无意于对算法依赖的负反馈效应作过多的系统性阐释，而是更多从算法依赖的正反馈创新实践出发，探索现有驱动型发展模式如何将数据和算法技术进行深度融合。

  对于驱动型模式来说，算法与数据开放的深度融合，本质上是以重塑社会关系为发展基础，促使数字治理实践朝向自学习和自决策方向发展，具体表现为两个方面：一方面，算法技术依托海量数据驱动，不断通过自学习方式识别数据中的共性成分，进而服务于组织决策；另一方面，算法技术通过自决策的方式排除外部人为因素的干扰，促使数据开放能够更精准有效。并且，在数字化发展进程中，依赖关系的形成也促进了数据和算法产生相互间驱动，使得治理路径不再局限于以往自上而下的信息传导路径，而是兼具“自上而下”和“自下而上”不同的发展模式，进而塑造了大数据时代的新样态。故本文主要针对国内现有较为成功的政务信息平台，围绕算法自学习和自决策两大特性，从不同的驱动和治理路径分别进行深入分析（见表1）。

  基层治理的难点与堵点根源在于缺少跨部门的密切协作。随着我国千万级人口规模的城市群数量不断增加，超大城市普遍面临着各类形势复杂的治理难题，特别是在应对日常事务的同时，一些突发性的风险应急事件频发给基层治理工作带来了严峻挑战。北京作为超大型城市在创新技术治理能力现代化方面一直走在全国前列。从2019年开始，北京将原有的12345话务热线进行系统性升级整合，在保留原有基础话务功能的同时，借助大数据搭建政务信息数据平台。经过三年逐步的系统优化，由早前的“街乡吹哨、部门报到”发展为一号受理的“接诉即办”。“接诉即办”以“下沉、赋权、提效”为工作重点，积极引导市民参与社会治理，建立起以市民评价为主的“三率”（“响应率”“满意率”“解决率”）评价指标体系和月度排名考核制度，打破以往“条块”分割治理的被动局面，推动层级式协调融合，为市民参与社会治理提供了制度化参与渠道。

  然而，政府在利用数字技术优化基层治理工作，提升基层治理能力现代化的同时，也出现了市民诉求过载的问题，给基层组织常态化工作造成一定的行政负担。为提升问题反馈质量、减少重复性诉求产生，2022年北京市出台了《关于推动主动治理未诉先办的指导意见》，积极深化推进“每月一题”机制改革，形成“主动治理、未诉先办”的制度实践。

  “未诉先办”是在“接诉即办”基础上的创新发展模式，其充分利用算法自学习的特点优势，进一步调整组织的治理结构，定期根据市民单一诉求汇聚成数据大类，再由算法提取和识别诉求数据中的共性问题，经由12345政务平台通过自上而下智慧派单，驱动各级组织主动开展问题溯因，提升部门的问题预警能力，一经发现问题就及时解决，极大程度减轻了基层组织的行政负担。如果说“接诉即办”成功调动了组织间相互协作的积极性，那么“未诉先办”则是在此基础上为组织流程再造和机制再创新提供了必要的支持。“未诉先办”作为一种主动式回应，重点在于解决“接诉即办”诉求背后的核心问题，其充分利用算法技术，积极探索区域问题、预测周期问题、实现源头治理。以2021全年诉办情况来看，“未诉先办”提炼出诉求集中的12大类27个高频共性问题，通过建构算法驱动界面，进一步归纳总结，实现分级分类治理，为基层治理留有足够的缓冲时间，避免重复性问题对基层的日常工作产生挤压。

  厦门是全国第一个电子政务应用城市，始终立足于“以人为本”的智慧城市建设和数字经济发展理念。为贯彻落实“数字福建”战略部署，近年来，厦门市摒弃以往采取先治理后建数据库的发展思路，不断加大力度持续推进数字平台服务体系建设。在市委、市政府的大力支持下，厦门于2018年成立厦门市民数据服务股份有限公司负责建设运营“i厦门”政务平台，并由信息集团、公交集团、市政集团等市属国有企业作为服务支撑，为市民和企业提供一站式的综合政务服务。“i厦门”平台覆盖53个政府部门，涵盖教育、医疗、社保、住房、交通等20个大类服务领域，涉及371项办事服务，现有810万实名认证用户和8.3万企业用户，基本覆盖本市大中型企业，累计使用达3.2亿人次。

  为进一步提高基层社会治理能力，积极引导公众参与城市治理建设，2020年8月由厦门市文明办依托“i厦门”发起的文明创建“随手拍”活动正式在平台上线。与以往单一形式的环境污染、交通违章拍照举报不同的是，“随手拍”作为深化政民互动项目，市民可以通过平台进行投诉举报、咨询、建议、求助等一站式项目参与。“随手拍”作为“i厦门”的爆品服务项目，上线万件，市民在日常生活中通过“i厦门”APP或者微信小程序将反馈信息进行一键拍照上传至平台，平台后端对接厦门市12345政务平台，可以第一时间将公民诉求通过12345平台进行分流转办。在提交诉求期间，市民还可以在线通过平台内的进度查询和随手拍广场，及时关注部门办理进度和关注身边事。在事项办结之后，经由平台审核判定为有效诉求件，市民可以获得1个“i豆”奖励，同时，对于办事结果进行有效评价还可以追加赠送0.5个“i豆”奖励。当“i豆”累计到一定数量，市民可以在“i厦门”平台内兑换专区进行礼品兑换，极大地促进了公民参与的积极性。

  “随手拍”以一种创新政民互动的方式，通过数据共享和算法技术来积极引导公众参与社会治理。其技术运作逻辑是依靠数据和算法之间的密切合作来完成的。市民通过自下而上的方式将文本和图像数据上传至“i厦门”平台，平台在接收到图文数据后通过算法技术以自学习方式将数据进行聚类分析，再经由12345政务平台进行分类流转派发，使得问题诉求得到部门及时解决与反馈的同时，也有效推动了部门间的相互协作。

  为切实解决群众和企业办事“最后一公里”问题，浙江省于2016年12月率先提出“最多跑一次”政务服务改革。改革在提出的次年便作为全省重点任务在省内各地推进。五年来，“最多跑一次”改革在塑造整体性政府建设方面已取得相当成效，其示范效应开始在社会各领域逐步拓展延伸，在一定程度上缓解了以往部门在数据搜集与处理之间存在的不对称性问题，真正的完成“让数据多跑路，群众少跑腿”。2021年，温州市为持续推进“最多跑一次”在医疗健康领域的深入改革，创新构建生命急救“一键达”信息平台，以期实现“互联网+智慧医疗”全民健康服务体系。

  生命急救“一键达”主要分布于公园、街道社区等线下公共场所，以及嵌入市民手机应用和智能手环等可穿戴电子设备当中。市民在日常生活中如遇突发不适，只需按下“一键达”按钮，急救和交管指挥调度中心就能收到求助指令，立即开通绿色信号通道，派出救护车准确到达患者所在位置。患者在上车之后，医师通过人脸识别调出患者过往在各个医院的就诊记录和临床影像等信息，即可立即为其办理入院相关手续。与此同时，在目标医院的数据接收端口，院内医师对患者的病情状况进行急救分级预判，根据病情危重情况联系相应科室专家进行急救前的准备工作，以确保在第一时间抢救病患伤员。

  生命急救“一键达”是温州市卫健部门近些年在医疗领域的创新探索，旨在通过技术赋能为患者提供更为精准高效的健康医疗服务。其创新在于充分的利用算法调动数据资源，实现跨领域、跨部门协作。一方面，“一键达”跨领域连通交管部门指挥系统，通过算法自决策实现对途经交通信号灯的智能控制。另一方面，其利用算法技术整合以往分散在各个医院的患者数据，形成统一标准的“一张网”可视化组件，再经由算法自决策方式，将数据通过平台自上而下传递至对应的急救医院。相较以往来说，这极大地简化了以往入院前的手续办理和医嘱登记流程，为抢救病患节约了大量宝贵时间。

  上海作为我国第二大人口城市，近年来面对日益增加的公共事务，在城市治理现代化与精细化方面持续推进“互联网+”政务服务创新改革，不断探索新的政务服务治理模式。以往受制于条块关系的影响，市民办理一项业务需要往返多个部门，准备多套材料，并且部门间往往也因重复材料过多以及表单难以有效归档，造成受理人资料丢失。2018年，上海率先启动“一网通办”试点改革，同年11月，《上海市公共数据和一网通办管理办法》正式施行，开始全方面推进“一网通办”政务服务。为进一步提升服务效率，减少群众办事往返频次和等待时间，2020年，上海在完善“一网通办”平台基础上进一步推进“一件事”服务改革。

  “一件事”改革坚持以群众实际的需求为导向，旨在打通不同部门的信息系统，促进分散数据的整合应用，实现“一次告知、一表申请、一网办理”系统服务流程，最大限度减少市民材料的重复填写与申报。平台就市民着重关注的就业、婚育、就医、住房、养老等24个常见事项，为市民提供一站式便捷服务，实现“一张网”办全部事。市民只需在系统中查找所需办理的业务事项，根据系统项目引导预先准备好申请材料，业务部门在受理材料后对其进行审核检查，如遇需要跨部门联办事项则由一个主导部门进行牵头，将数据材料批转分享给其他部门负责配合协办。

  “一件事”服务创新在于利用数字技术，解决部门在条块分割影响下的协调与统筹难题，将服务流程由“以部门流程为中心”转向“以市民需要为中心”，进而打造整体性政府思维模式。“一件事”的技术逻辑是由公民向平台递交申请材料后，平台将公民的材料信息进行压缩整合形成对应的数据组块，再通过算法自决策方式将数据共享分发交由协办部门的数据接口，协办部门收到数据后即可立即办理，将以往繁琐复杂的线下运作流程交由算法进行识别决策，极大简化行政审批流程，实际做到让市民办事像网购一样便捷。

  数据开放浪潮的兴起为政府治理能力和职能转变带来了新的发展机遇，算法嵌入的初衷也还是为了赋能数据治理发展，使数据要素在社会治理运行过程中能够充分发掘其潜在价值。然而，当前学界关于算法技术对数字治理的影响普遍还存在比较大争议，在现有的公共行政文献中，更多学者持谨慎的态度，认为算法在给人类带来数据红利的同时，也暗藏着风险隐患。因而，现有研究更多是从单一数据应用视角来聚焦算法的决策困境与风险成因，而忽略了其与数据之间内在的发展关系。本文构建了一个数据开放和算法依赖关系的分析框架，提出驱动型、压力型、型、黑箱型四种不同关系模式，并抛开以往研究对于算法的负面偏见，结合算法自学习和自决策的特点，根据不同实践案例重点就驱动型发展模式进行了深入探讨，以期更好为今后算法赋能数据治理提供发展思路。

  首先，应当加强算法主体的监管问责。驱动型平台是数据开放和算法技术相融合的主要实践模式，虽然其在社会问题精准识别和精细化治理方面取得了一定成效，但是这并不代表算法的潜在风险可以被忽视。算法风险本质上是源于人为的价值干预，而为了更好地发挥算法赋能优势，重点是对算法设计者和算法最终使用者进行责任监管，从算法前期结构设计到中期的使用的过程再到后期数据结果呈现三个阶段，全面构建高效监管问责体系，才能确保算法运行的客观透明。

  其次，完善开放数据目录和技术标准。算法赋能的前提是需要可机读的结构化数据，然而现阶段由于不同部门的数据标准和存储方法不一样，使得大量的非结构化数据不能直接进行开放使用。因此，政府应当重点从数据标准和数据隐私两个方面着手。一方面，在现有基础上进一步细化数据开放清单和平台接入标准，确保部门开放的一手数据能够直接为社会所用。另一方面，依据数据应用场景，实时动态进行数据脱敏，防止算法主体对数据隐私进行非法滥用，以营造良性循环的数字生态。

  最后，建立数据收益分配和算法风险补偿机制。数据开放低和算法黑箱的形成本质上是由于涉及部门的利益问题无法得以有效解决。对于组织而言，从数据采集、存储、处理、开放到开放后的更新维护阶段都是需要投放大量的经费财力和技术上的支持的，并且，数据共享之后还需要面临一定的技术风险隐患，而在缺乏相应的配套保障机制下，组织对数据开放的积极性就会大打折扣，甚至利用算法黑箱采取谋利行为以弥补前期投入开支。为此，政府应当积极建立收益分配和补偿机制，不断强化政企合作，通过打造数据要素市场，探索培育数据产业化，以打消行动者顾虑，从而推动数据资源的高效流转。

  本文刊发于《理论与改革》2023年第2期，为方便阅读，注释与参考文献从略。欢迎个人分享，媒体转载。

  张鹏 高小平 数字技术驱动公共服务高质量发展——基于农村的实践与优化策略