一、引言 行为公共管理作为公共管理学科的重要分支，以揭示个体与群体在公共事务或公共政策实施中的行为规律为研究核心，探索更加精准和有效的政策干预路径。[1]与传统公共管理偏重自上而下的制度设计和结构优化不同，行为公共管理更加强调微观的个体决策过程与中观的组织行为逻辑，其研究议题既包括行为公共政策(behavioral public policy)层面的制度干预，也涵盖组织文化与团队激励机制等中观层面的实践挑战。[2]而行为测度作为行为公共管理的基础性环节，是理论与实践得以紧密结合的重要桥梁。科学、有效的测度工具不仅能够将抽象的行为概念转化为可量化的数据支持，还能够为政策设计、执行和评估提供关键依据。然而，现有测度方法在社会复杂性日益增强的背景下逐渐显现局限，如何优化测度工具成为亟待解决的研究问题。 与其他公共管理领域不同，行为公共管理研究以个体行为偏误、启发式决策和助推策略为核心[3]，这些变量的非线性特征和高度情境性依赖决定了现有测度方法在捕捉行为规律时存在根本性局限。传统方法主要依赖问卷调查与实验设计[4]，尽管在变量控制和因果推断上具有一定优势，但也存在数据覆盖不足、动态变化监测能力缺失以及情境化适应性不强等问题[5]。例如，问卷调查的样本通常局限于某一区域或特定群体，难以反映复杂社会行为的全貌。实验设计则多聚焦单一变量，难以捕捉行为决策的多维交互关系。[6]此外，这些方法往往基于静态数据，难以适应政策执行过程中的动态反馈需求。这些局限性导致行为测度在理论研究和政策实践中的适用性受到质疑，亟须新的工具与方法予以突破。 大数据与人工智能技术的迅速发展，为行为公共管理测度带来了革命性契机。大数据以其海量、多源、实时更新的特性，大幅提升测度工具的数据覆盖范围和变量捕捉能力；人工智能通过深度学习、因果推断等方法，推动了实验设计优化、行为模式预测等关键环节的进步。[7]具体来讲，如社交媒体数据分析已经成为评估公众对政策情绪反应的重要工具，通过自然语言处理技术，可以实时监测公众对某一政策的态度变化，从而为政策优化提供动态支持。[8]同时，深度学习算法中的卷积神经网络与循环神经网络能够基于大规模历史行为数据构建行为预测模型，为政策干预效果的模拟与优化提供量化依据。[9]这些技术的引入不仅扩展了测度的可能性，也为行为公共管理研究提供了新的方法论基础。 然而，数字技术的赋能并非毫无限制。一方面，数据噪声、算法偏见与隐私保护等问题对测度结果的可信性构成挑战；[10]另一方面，复杂社会的多样性与不确定性决定了行为测度工具无法完全依赖科学性实现精准预测[11]。因此，如何在提升科学性的同时，融入艺术性对复杂场景的适应性解读，成为行为公共管理测度工具发展的重要方向。 基于此，将聚焦以下研究问题：第一，行为公共管理测度方法的核心问题何在，传统方法存在哪些局限；第二，大数据与人工智能如何推动测度方法的范式转型；第三，在复杂社会的多样性与不确定性条件下，如何通过科学性与艺术性的动态平衡，为政策研究提供更全面和适应性的测度工具支持。 二、行为公共管理测度：特性阐释与传统方法局限 (一)行为公共管理测度的核心特性 行为公共管理作为一门以微观行为规律为研究核心的学科[12]，其测度工具在理论建构和政策实践中发挥着关键作用。这一领域的测度特性主要体现为动态性、多维性和情境化，这些特性不仅源于其研究对象的复杂性，更是其研究方法适应复杂社会场景的具体体现。从理论上看，动态性、多维性和情境化的提出并非独立存在，而是对社会科学领域中“复杂性科学”(complexity science)的实践回应。复杂性科学认为，任何社会现象都是多因素共同作用的结果，其演化过程具有非线性和不可预测性。[13]因此，在行为研究中，传统的静态、单维测度方法无法揭示行为演化的内在规律和外部影响机制。基于此，动态性、多维性和情境化成为行为公共管理测度的理论基石。 首先，动态性强调对行为随时间演变规律的捕捉。这一特性直接源于公共政策执行过程的时间维度特性。政策执行通常是一个动态过程，公众行为可能因政策推进、外部环境变化以及认知深化而不断调整。例如，在垃圾分类政策推广初期，居民行为可能因高强度宣传显著改善，但随着宣传力度减弱，行为可能逐渐回落。这一过程体现了行为规律的时间序列特征。传统测度方法因其静态数据采集方式，无法有效捕捉行为的动态演化。这一局限与行为科学中强调的路径依赖性(path dependency)和滞后效应(lag effect)密切相关。[14]因此，动态性要求测度工具能够构建时间序列模型，以全面揭示行为变化的因果链条。 其次，多维性反映了行为测度工具需能够捕捉行为规律的多层次变量及其相互作用。在社会科学研究中，行为的形成被认为是个人认知、社会网络和政策环境等多种因素交互作用的结果。[15]传统测度工具多聚焦于单一维度变量，忽视了变量间的交互作用。这种单维测度方法不仅降低了研究结论的解释力，还限制了政策建议的科学性。例如在水资源管理政策中，个体行为可能受到经济激励(如水价调整)、社会文化(如节约观念)以及社区互动(如邻里示范效应)的综合影响。忽视这些变量间的交互作用，会导致政策效果的评估偏离实际。
