《管理世界》|| 陶旭辉、郭峰：异质性政策效应评估与机器学习方法：研究进展与未来方向
（点击图片订阅电子刊）
文章来源
作者：
陶旭辉（浙江工商大学计算社会科学协同创新中心、浙江工商大学公共管理学院）
郭峰（上海财经大学公共经济与管理学院、北京大学数字金融研究中心）
文章刊发：《管理世界》2023年第11期
文章主要内容
摘要：对公共政策的准确评估，是制定科学公共政策的重要前提，科学的公共政策将有助于促进国家治理体系和治理能力现代化。异质性政策效应评估作为一种新兴的研究范式，其重要性在政策效应评估文献中已经获得广泛认可。本文总结了异质性政策效应评估的重要价值，以及代表性传统方法的逻辑和局限性。在此基础上，文章重点梳理了机器学习方法在异质性政策效应评估中的重要价值和具体应用：更好地筛选和切分异质性变量、更好地评估多重异质性政策效应、更好地估计个体政策效应等。本文也指出机器学习在异质性政策效应评估的算法可接受性、过程可检验性以及结论稳健性中存在局限性。进一步，文章提出了异质性政策评估和机器学习的重点发展方向：引入和发展机器学习方法，重视异质性政策评估的政策价值及提升机器学习的可接受性；结合传统分析范式，拓展机器学习在异质性政策评估中的新模式；规范研究数据的采集和处理，推动数据和代码的公开透明等。
关键词：政策效应评估 异质性处理效应 机器学习 大数据
一、本文研究背景与意义
推动国家治理体系和治理能力的现代化，离不开对政策效应的科学准确评估。而随着社会科学领域内的学术研究对政策效应评估的关注越来越多，政策在不同群体中产生的异质性效应也逐渐受到重视。这是因为，在政策效应评估中，我们不仅希望评估某一政策是否有效或产生多大的效应，即平均处理效应，也希望了解谁在政策中受益更多，以及谁又在政策中受损，即异质性处理效应。通过分析异质性政策效应可以得到关于稀缺社会资源在一个社会中的分布和关于社会政策的重要见解。例如，如果政策制定者了解异质性政策效应的分析模式，他们便可以对稀缺的政策资源进行更为有效的分配，实现政策的经济社会效益最大化。
然而，在以往国内外相关研究中，很少有文献针对异质性政策效应评估的价值、理论和方法有全面的梳理，以至于异质性政策效应评估在政策效应评估讨论中被置于一个补充性甚至被忽略的位置。更为重要的是，传统的异质性政策效应评估方法虽然为我们更好地理解异质性政策效应提供了很多洞见，但也存在不少局限。特别是，随着大数据的兴起，传统方法的局限性将进一步凸显。这时我们注意到，擅长处理高维协变量、发现变量的交互效应和非线性关系的机器学习可能大有可为。倘若说一些算法模型因算力和数据量限制尚不为社会科学研究者所熟知。那么现如今，当我们有足够的计算资源来针对数据使用比较复杂的算法时，我们则不得不正视以算法模型为代表的机器学习方法在社会科学领域，尤其是科学决策中可能扮演的重要角色。
二、主要内容与主要结论
机器学习方法在社会科学研究中的广泛应用，产生了很多适合于社会科学研究者的综述文章。本文与既往文献在定位上有所不同，文章试图全面地讨论异质性政策效应评估的价值、问题，以及如何利用不同机器学习算法的优势更好地开展异质性政策效应评估。具体而言，本文总结了异质性政策效应评估的重要价值，以及代表性传统方法的逻辑和局限性，并在此基础上，重点梳理了机器学习方法在异质性政策效应评估中的重要价值和具体应用。
通过总结既往的研究，本文发现：
（1）异质性政策效应评估不仅可以帮助我们更好地理解政策效应产生的核心机制和内在渠道，为理论预测提供补充性分析，甚至排除一些竞争性解释等。还可能有很强的实际用处，为如何获得一个最优政策处理方式提供指导，也有助于将政策评估发现的结果外推到样本外的人群。
（2）大数据时代传统异质性分析面临的巨大挑战和局限性。然而，机器学习方法可以凭借其数据驱动和预测方面的优势更好地筛选和切分异质性变量、更好地评估多重异质性政策效应、更好地评估个体政策效应等方面，从而大大拓宽异质性政策效应评估的适应场景、分析维度和实操价值。
（3）但同时，大数据和机器学习方法的广泛应用，也给政策效应评估带来一些新的冲击：异质性政策效应评估存在算法可接受性问题、过程可检验性问题和结论稳健性问题。
为此，本文提出了进一步发展异质性政策评估和机器学习的思路和建议，包括：引入和发展机器学习方法，重视异质性政策评估的政策价值及提升机器学习的可接受性；结合传统分析范式，拓展机器学习在异质性政策评估中的新模式；规范研究数据的采集和处理，推动数据和代码的公开透明。
三、边际贡献与未来拓展
与既往研究相比，本文的边际贡献如下：（1）总结了异质性政策效应评估的重要价值，以及代表性的传统方法的逻辑和局限性；（2）梳理了机器学习方法在异质性政策效应评估中的优势、重要价值和具体应用；（3）指出了机器学习在异质性政策效应评估中存在缺乏理论基础和可解释性等缺陷，并提出未来可能的发展方向。
在本文的研究基础上，我们认为未来有三点可以进一步拓展的研究方向：第一，在已有政策评估文献基础上，可以围绕以异质性政策效应分析为核心开展更细粒度的政策效应再评估；第二，可以开展传统分析方法与机器学习方法相结合的异质性政策评估范式，发掘更多新研究问题；第三，社会政策因相比其他类型的政策更加关心“社会中谁得到什么”、“它是不是对的或公平”、“如何优化资源分配”等问题，因此机器学习与异质性政策效应评估在这一领域可能有更多可能性。
四、写作、投稿、修改的过程和心得体会
作者团队从2019年开始，便一直关注机器学习在社会科学研究中的应用问题，阅读了大量相关文献，也在几个实证研究中探索了机器学习对因果识别可能的帮助。通过文献阅读和实践应用，作者团队深感机器学习思想和方法对于拓展因果识别的适用边界具有重要意义。
在撰写机器学习与因果识别综述的过程中，作者团队发现目前在国外实证研究中，关于机器学习在异质性政策效应评估中有着非常丰富的理论和应用，而且完全不同于以“平均政策效应估计”为核心的传统政策评估范式，结论具有很强的现实意义，但国内这一方向研究却极少。而且，虽然异质性政策效应评估如此重要，但鲜有文献系统性地总结异质性政策效应的重要价值和代表性的做法。这使得异质性政策效应分析价值被严重低估，甚至出现因为错误地使用了异质性分析方法导致错误的结论的情况。
为此，2020年8月我们设计了这篇关于机器学习与异质性政策效应评估论文的写作大纲，经过一年多文献搜集整理和学习，在2021年10月形成了论文初稿，之后论文曾在多个学术会议上宣讲，收获很多有益意见。经过一次大修和数轮小修后，于2022年10月正式投稿于《管理世界》。在三轮匿名审稿的过程中，三位匿名审稿专家就异质性理论分析框架、机器学习算法细节、内容增量贡献等方面提出了极具建设性的宝贵意见和建议，帮助作者有效地提高了论文的质量。在终审与刊前的修订环节，《管理世界》编辑老师严谨而细致、认真负责的对本文的各处细节进行了耐心的校正。
文章的顺利发表离不开各位同行专家的宝贵意见，更离不开《管理世界》编辑部的高效负责和三位匿名审稿专家的专业指导。而在2020年我们最初谋划这个选题时，国内期刊中还很难找到使用机器学习方法进行异质性因果识别的文献，但待这篇论文即将正式发表时，我们已经注意到国内已经不少人在进行这方面的探索，希望本文的发表能为相关学者提供一些启发和参考。
文章刊发：
陶旭辉、郭峰：《异质性政策效应评估与机器学习方法：研究进展与未来方向》，《管理世界》，2023年第11期，第216~235页。
Tao Xuhui, Guo Feng. Policy Effect Heterogeneity Evaluation and Machine Learning Methods: Research Progress and Future Orientation[J]. Journal of Management World, 2023, 39(11): 216-235.
欢迎订阅《管理世界》
电子刊订阅
纸刊订阅
官方网站
www.mwm.net.cn
微信公众号