數據與智慧雙輪驅動下的新型科技智庫知識服務機制研究*

戎軍濤 李 華 喬偉榮

（石家莊學院圖書館 石家莊 050035）

1 引言

十八大以來，黨和政府對智庫在科學民主依法決策、國家治理體系和治理能力現代化、國家軟實力建設方面予以高度重視，并提出了建設中國特色新型智庫的總體目標，要求充分發揮資政建言、理論創新、輿論引導、社會服務、公共外交等重要功能[1]。科技智庫作為中國特色新型智庫格局的重要組成部分，緊緊圍繞創新型國家和實施創新驅動發展戰略，在科技發展規劃、布局、評估、政策等方面發揮著重要的智力支撐作用，日益成為一支獨立的、專業的智庫發展力量。

長期以來，科技智庫的迅猛發展并未解決智庫建設自身的問題。傳統科技智庫的工作方式多是任務和項目驅動型，研究過程沒有普適的方法論和工具，過分依靠專家個人經驗，定性研究成分較多，科學定量分析不夠，難以實現精確建模，導致智庫服務產品的針對性較差，所提供的決策建議和執行方案往往不是最優選擇，不能有效嵌入政府公共政策制定過程中[2]。另一方面，以“大智移云”為主要特征的大數據時代給科技智庫建設帶來了前所未有的挑戰，決策所面臨的因素紛繁復雜、瞬息萬變，傳統的僅僅依靠專家經驗的決策方式面臨著失效的處境。科技智庫必須順應時代進行轉型。

造成科技智庫發展困境的原因主要是智庫建設的理論準備不足，沒有把握科技智庫自身發展的規律。在微觀層面，沒有充分揭示智庫數據機制、情報服務機制、知識產品生產機制、專家決策機制等方面的內容；在宏觀層面，對智庫如何影響決策、如何建立智庫與決策之間的良性互動關系等問題認識不夠。

針對上述問題，我們以“數據密集型”研究范式為主線，綜合統籌運用數據科學、情報科學、信息資源管理學和知識管理學理論，著重研究科技智庫知識生產機制和服務體系，運用概念模型法和系統論方法構建“基于數據和智慧驅動的科技智庫知識服務模型”，為新型科技智庫的知識服務能力建設提供重要參考，同時拓展現代智庫理論的研究領域和視角。

2 研究現狀

2.1 國外智庫實踐

國外智庫建設起步早、發展快，在世界范圍內形成了一批權威性高、影響力大的一流智庫。基于美國賓夕法尼亞大學的《全球智庫報告》分析[3]，全球智庫發展分布最多的地區是北美與歐洲。美國與英國是擁有世界一流智庫最多的國家。全球頂級的權威智庫主要有：布魯金斯學會[4]、國際戰略研究中心[5]、卡內基國際和平研究院[6]、對外關系協會[7]、蘭德公司[8]、胡佛研究所[9]等。從智庫產品設計、生產、服務流程的角度來觀察世界一流智庫，發現它們具有以下共同特征：①有一套規范的知識生產與研究流程。包括數據資料收集、定性定量分析、優化比較提出方案、質量檢驗、成果發布。②注重基礎數據的積累，堅持數據和實證開展研究，重視量化分析。③積極進行研究方法與工具的開發。蘭德公司總結了一套“蘭德式理性程序”：發生了什么、發生原因、應對策略、前途如何，由此將研究過程分為狀況評估、問題分析、決策分析和預測分析四個環節，形成了一系列具有結構性、可操作性和程序化的方法。④多元化的人才利用機制。國外智庫擁有不同學科背景的研究人員團隊，涉及數學、運籌學、統計學、物理學、計算機科學、政治學、經濟學、法學等不同學科。多元化的學科背景可以讓研究人員視角開闊、辨證地看問題。⑤完善的產品傳播機制。通過發行出版物、召開學術會議、參加聽證報告會等途徑來發布產品，影響公共政策，擴大自身影響力。

2.2 國內研究現狀

科技智庫的知識服務能力與質量取決于其智力產品的生產機制，這是智庫工作的內在知識運轉機制。國內社會學、政治學、公共管理學等領域的學者對智庫的運行機制進行了大量的研究，研究領域覆蓋了人才管理（人才選拔、旋轉門機制）、溝通與輿論引導機制、競爭合作機制、激勵與監督機制、服務與創新機制等，但這些學科領域的研究忽略了智庫運行的一個重要方面——知識運轉與服務機制。

對科技智庫的知識運轉與服務機制的研究近年來開始成為情報學界的研究熱點。由于智庫與情報機構具有天然的聯系，特別是很多發揮著智庫作用的情報研究機構大多數被認為是智庫機構的一種類型。國內情報學界較早對情報機構的決策支持作用予以了關注。情報學家包昌火強調情報學的決策科學屬性，要發揮尖兵、參謀、助手的功能，要關注重大事件、威脅和危機的研判、警示和預測[10-12]。

2012年以來，國內情報學界關于智庫的情報機制研究的成果開始增多：例如王世偉論述了情報在智庫中的前端作用[13]；張心源、趙蓉英、邱均平分析了美國一流智庫智慧產品生產的一般流程，包括資料收集、研究分析、轉識成智等關鍵過程[14]；張家年、卓翔芝分析了情報工作與智庫運行機制之間的關系，提出智庫運行機制是情報流程、智庫管理流程的有機融合[15]；張家年提出了智庫能力體系包括情報能力、戰略環境態勢感知能力、思想和知識生產能力、溝通和傳播能力以及創新能力[16]；李綱、李陽探討了情報與智庫建設的關系，強調了智庫以優質的情報資源為支撐，數據支持與情報保障能力尤為重要[17]；還進一步構建了面向決策的智庫協同創新情報服務體系基本架構，并對該體系的主體、平臺建設、情報流程、知識創新模式等內容進行了探討[18]；李純、張冬榮從數據信息的主要內容、參與主體、服務流程等總結了科技智庫的數據信息服務模式[19]。

這些研究基本上反映了我國情報學界關于智庫的情報機制的學術思想，多數是從情報視角對智庫展開的分析。從知識視角來研究智庫產品的生產流程與知識服務機制是情報學界關于智庫情報機制研究的深化和拓展，能夠打破情報的視野局限，厘清情報與知識創新的關系，將研究層次提升到知識創新層面上，是一次重大的理論突破，正在逐漸成為情報學研究的熱點。如李陽等提出了“數據資源+工具方法+專家智慧”的智庫機構研究范式[20]；耿瑞利、申靜構建了由知識基礎設施、知識生產、知識創新三部分組成的開放創新式的智庫知識管理模型，揭示了智庫知識活動的整合、流動、共享、轉化等全流程，具有較大的理論創新價值[21]。

3 基于數據與智慧驅動的新型科技智庫的知識服務模型

構建知識服務范式，進一步深化、升華科技智庫的知識服務理論，是對智庫知識生產機制的抽象化、系統化、概念化。我們運用數據—情報—知識的價值鏈理論和系統模型分析法，深入解構了知識服務范式，構建了知識服務價值鏈模型，進一步深入闡述和揭示不同價值形態的知識服務產品的相互內涵關系和功能。在綜合上述研究的基礎上構建了支持知識服務的科技智庫內在機制驅動模型。

3.1 知識服務范式

知識服務的功能和目的是要滿足社會知識需求，這一過程是通過知識產品這一中介來實現的。知識產品是知識服務的載體，知識服務通過生產知識產品來滿足社會知識需求，體現其功能和價值。不同層次的知識服務產生不同層次的知識產品，知識服務的深度制約著其知識產品滿足社會需求的程度。

社會知識需求是導致知識服務產生、發展的根本決定因素。社會對知識產品的需求是多源化、多維度、多層次的，社會知識需求的層次性催生了多元化的知識產品需求。多元化、深層次的知識產品需求必然進一步要求知識服務提升內涵建設、深化服務機制。

由此，我們提出一個以需求D為起源，產品P為中介，服務S為歸宿的知識服務范式D-P-S（見式1）。

{S:服務}表示知識服務集合，形式化表示為{S:服務}=(S 1, S2,...Sn)(n ≥0)，Sn表示不同層次的服務類型。

{P:服務}表示知識產品集合，形式化表示為{P：產品 }=（P1, P2,...Pn）(n ≥0),Pn表示不同層次的產品類型。

{D:需求}表示知識需求集合，形式化表示為{D：需求 }=（D1, D2,...Dn）(n ≥0),Dn表示不同層次的知識需求類型。

范式的含義為：需求決定產品的類型，不同類型的產品直接滿足相應的需求。產品由服務提供，受服務制約，不同層次的服務生產不同層次的知識產品。產品的多樣化、深層次發展要求相應的服務深化機制改革，不斷發展創新。

3.2 知識服務的價值鏈

在我們提出的知識服務范式中，{S:服務}、{P:產品}、{D:需求}代表三類集合，具有不同的層次、不同類型的維度。依據“數據—情報—知識”的價值鏈模型，我們可以將知識服務的維度按照價值量大小由低到高依次劃分為數據維度、情報維度和智慧維度。{S:服務}、{P:產品}、{D:需求}則相應有：

{S：服務}=（S1：數據服務，S2情報服務，S3：智慧服務）；{P：產品}=（P1：數據產品，P2：情報產品，P3：智慧產品）；{D：需求}=（D1：數據需求，D2：情報需求，D3：智慧需求）。據此我們可以得到知識服務在數據維度、情報維度和智慧維度的價值鏈（見圖1）。

圖1 知識服務的價值鏈模型

需求鏈由數據需求、情報需求和智慧需求構成，反映的是人們多元化的知識需求層次。數據需求處于需求鏈低端，是人們最直接最基本的需求，滿足的是數據獲取需要。在數據需求基礎上產生了情報需求，要求厘清紛繁復雜的數據關系，建立信息分析模型。智慧需求則是人類知識需求的最高階段，要求提出解決問題的路徑與方法，建立和諧的社會關系。

產品價值鏈由數據產品、情報產品和智慧產品構成。數據產品主要是一些原始數據的集合，是情報加工、智慧分析的原材料,屬于產品價值鏈的初級產品。情報產品主要形態有學科發展評估、專業競爭分析、技術趨勢分析、決策支持、重大成果影響力分析、重大計劃跟蹤分析、人才評價等,屬于產品價值鏈的中端產品。智慧產品以數據和情報產品為基礎，產品形態以知識思想產品和決策方案產品為主，屬于產品價值鏈的頂端產品。

服務價值鏈由數據服務、情報服務和智慧服務構成，數據服務是整個服務的基礎和邏輯起點，提供最基本的數據管理與存取服務。數據服務的質量制約著知識服務的深度。情報服務在數據服務的基礎上揭示數據之間的信息關系和知識關系，屬于整個服務的邏輯中介，起著承上啟下的作用。智慧服務是整個服務的邏輯終點，根據目標問題情境融入專家智慧，提供面向決策的最終解決方案、策略和實施路徑，是一種面向決策問題和解決方案的知識增值服務。

3.3 知識服務的驅動模型

根據我們提出的知識服務價值鏈理論，宏觀層面的知識服務包括三個層次內容：數據服務、情報服務和智慧服務，這三種服務的驅動類型各有特點（見表1）。

表1 知識服務的驅動模型

數據驅動體現的是知識服務的數據密集性，強調海量大數據的獲取，特別是基于海量數據的挖掘分析。離開數據驅動，知識服務將失去數據基礎，無法生產知識和提供科學、準確的決策。數據技術革命提升了數據在社會發展進程中的作用，“萬物皆數字”的計算時代已經悄然臨近，基于海量原始數據的知識組織與大數據計算分析成為數據時代的技術主流。無論是情報分析、知識創新還是智慧決策，都是一個依賴數據及其分析處理的過程[22]。因此原始數據正在成為重要的資源而備受重視。知識服務的數據驅動包含兩個層次，一是技術驅動，一是方法驅動。技術驅動強調數據物理或邏輯上的存取，包括硬件系統的搭建和軟件系統的開發。方法驅動是利用分析工具、模型、方法對海量數據的深度挖掘和人工分析，是技術驅動的深入。

數據、情報產品雖然能夠一定程度上支持決策，但是無法解決綜合性、復雜性、戰略性的決策問題。智慧驅動是知識服務的創新屬性，強調專家智慧的融入和知識、決策產品的創造，體現了隱性知識向顯性知識轉化的過程，是數據驅動發展的必然階段。智慧驅動的價值在于更加強調隱性知識的主觀屬性，具有預見性和創造性。

作為知識服務基礎的數據服務，通過大數據、云計算、移動計算、物聯網等數據技術搭建數據平臺系統，一方面進行數據資源的采集、組織、聚合、長期保存、關聯與開放、質量評估等，另一方面進行數據的挖掘與語義認知計算，具有明顯的技術驅動屬性。情報服務是知識服務的中間環節，利用情報分析方法與工具進行情報計量分析、社會網絡分析、內容分析、多維尺度分析、關聯分析等深度情報處理，建立分析模型，解釋數據關聯之間的因果關系，得出有效的情報分析結論，具有明顯的方法驅動屬性。

無論是基于技術驅動的數據服務還是基于方法驅動的情報服務，體現的都是顯性數據的組織和管理過程，強調的是數據的客觀存在屬性，屬于數據驅動范疇。作為知識服務高級階段的智慧服務融入了特定領域的專家經驗與智慧，具有思想上的創新性和決策方案的可執行性，具有強烈的智慧驅動屬性。

數據驅動為智慧驅動提供了工具和方法，要求科技智庫高度重視數據的作用，構建基于“數據—情報—智慧”價值鏈的智庫產品生產機制，充分揭示數據向情報、知識轉化的機理；要求智庫不僅僅提供思想、決策方案，還要提供數據開放與關聯服務。智慧驅動彌補了數據驅動的先天理性缺陷，體現了知識管理的思想，要求充分揭示專家智慧的“轉識成智”的機理，要求智庫要通過開發一套科學的決策程序，來充分利用專家的智慧，保證知識產品和決策的質量。

4 新型科技智庫的知識服務機制構建

根據上述關于智庫知識服務的模型理論，我們構建了新型科技智庫的知識服務機制，包括服務運轉機制和產品輸出機制。服務運轉機制是科技智庫知識服務的核心機制，邏輯上分為數據服務機制、情報服務機制和智慧服務機制。數據服務機制由大數據層、數據管理層、語義組織層、認知計算層、語義服務層負責完成，情報服務機制由情報分析層完成，智慧服務機制由智慧服務層負責完成。產品輸出機制是服務運轉機制在社會應用層面的載體，承載著服務的產品形態，滿足了社會不同價值層面的知識需求，其輸出機制包括數據產品輸出、情報產品輸出和智慧產品輸出，由端口應用層負責完成（見圖2）。

圖2 新型科技智庫的知識服務機制

大數據層。該層主要負責原始數據的采集與保存。數據時代原始數據的價值越來越被重視，一方面新的硬件和技術中心、大容量存儲與處理技術、移動設備、多樣化的數據采集方式使得海量數據產生和記錄成為可能；另一方面，所有對象都能被信息化數字化表征，海量數據被迅速和大量創造，并在互聯網傳播形成體量大、類型多、價值密度低、產生速度快的大數據。大數據層主要負責在機構數據基礎上拓展收集圖書情報機構大數據、網絡輿情大數據、科研大數據、政府開放大數據等原始數據，作為知識轉移、轉化、應用、創新的數據基礎。海量的數據、復雜的類型、模糊的價值等將成為數據采集過程中的難點。

數據管理層。該層主要功能有數據提供與保存、數據監測與預警、數據資源的聚合、數據資源的長期保存、數據資源的關聯與開放、數據質量評估等。在數據管理層，原始數據將被進一步序化和整理，形成規范的數據集合，成為語義組織的數據基礎。數據集合可以進一步通過數據服務端口直接向社會提供開放的數據服務，有利于其他機構進行基礎數據共享，同時也可以滿足數據分析和決策、循證支持的需求。

語義組織層。對各類數據資源進行細粒度、碎片化、規范化加工整理，抽取知識元顆粒的屬性信息及相關關系，借助已經建立的本體概念模型對知識元信息集合進行概念分析、分類、標引、描述和處理，形成具有語義關聯的資源元數據集合，并使用RDF和OWL語言進行語義層面的表示和描述，然后作為領域本體實例按照一定格式將其存入本體知識庫。這些經過標注的元數據是用知識描述語言描述的本體知識,它不僅包含了實例化的本體本身,還包含了本體經過描述邏輯推理分類后的隱含信息以及本體推理引擎推理所獲得的蘊涵知識，從而支持分類聚類、語義檢索、知識發現、開放關聯、資源聚合[23]。

認知計算層。該層主要負責利用認知計算技術對結構化的語義本體數據進行深度數據分析和挖掘，從大量現有或歷史數據集合中發現并找出最初未知、但最終可理解的有用知識，并用簡明的方式顯示出來。認知計算層主要包括深度學習機制和自動推理機制。機器深度學習在大數據樣本的訓練下獲得數據訓練與學習模型，借助關聯計算規則建立語義分析算法，分析領域知識對象、知識結構的共現、耦合、引證等網絡關系，發現語義數據本體中的隱含關聯，發現知識的擴散與分布情況，揭示知識的演化、融合、變遷路徑。在深度學習基礎上借助推理規則模型可以實現自動推理，總結規律，預測發展趨勢和熱點，獲得新的知識，并建立基于自然語言概念查詢的問答系統。

語義服務層。該層在認知計算層數據分析與推理的基礎上提供語義檢索、主題聚類和知識發現等語義服務應用端口。語義檢索主要有語義索引、分面檢索、本體導航、多維語義揭示、語義聚合等功能，主題聚類主要有熱點刻畫、趨勢分析、前沿探測等功能，知識發現包括實現知識的關聯、分類聚類、鑒別趨勢、揭示異常（包括空白、斷點、呆滯點和潛在的拐點與聚散點），支持從任何一個知識對象或關系角度，去關聯其他相關的知識對象或關系。語義服務最終將通過知識圖譜機制可視化地顯示知識和知識對象及其各種關聯關系，形成一個廣泛、深入、動態的知識網絡，為用戶提供隱性知識和顯性知識導航。

情報分析層。滿足社會的情報需求，充分發揮耳目、尖兵、參謀的作用，是情報分析層的職能。情報工作和研究方法是智庫長期以來的主要分析工具，智庫機構根據情報主題對數據資源進行數據挖掘、科學計量分析、引文分析、分類聚類分析、統計分析、多維尺度分析、社會網絡分析、內容分析等，充分揭示數據在不同維度層次的屬性，解釋數據關聯之間的因果關系，得出有效的情報分析結論，形成主題情報產品，并通過情報服務端口向社會輸出。情報主題產品價值在于更加強調數據分析的客觀結論，不加主觀評論，是顯性知識的聚合過程，是決策的重要依據。開發、創新情報分析方法，構建專門的面向問題的情報研究方法模型、開發新型的適應數據驅動的情報分析工具，是情報服務保證質量的關鍵和難點。

智慧服務層。智慧服務層主要負責提供的是知識思想和決策方案兩方面內容。智庫專家、知識生產程序和研究方法是智慧服務層的核心要素。具有不同學科背景的專家可以充分利用數據、情報分析的結論，融入問題情境，通過專業研判來進行戰略規劃和布局，謀劃相應的制度安排，提出問題的解決路徑，形成具有理論創新意義的知識產品和具有實踐創造性的決策產品。智庫專家具有解決未知問題的創造能力，不同于一般意義上的情報分析人員。積極運用知識管理理論，構建具有中國特色的隱性知識開發利用流程，開發一套理性決策的標準化程序，充分挖掘利用專家的隱形知識，促進專家隱形知識的交流、轉化與共享，最大限度避免由于專家個人知識盲區導致的決策失誤，這是智慧服務保證產品質量的關鍵。

端口應用層。主要包括原始數據端口、知識發現端口、主題情報端口和智慧服務端口，負責數據、情報和智慧服務產品的對外輸出。原始數據端口、知識發現端口提供的是數據產品，是數據服務機制在應用層面的表現。主題情報服務端口提供的是情報產品，是情報服務機制在應用層面的表現。智慧服務端口提供的是智慧產品，是智慧服務機制在應用層面的表現。

5 結語

數據驅動戰略思想和知識管理理論是我們研究的理論基礎。我們以“數據密集型”研究范式和“隱性知識管理”理論為主線，詳細研究了科技智庫知識服務體系和機制，構建了基于數據和智慧驅動的科技智庫知識服務模型，主要包括知識服務范式、知識服務價值鏈和知識服務驅動模型。知識服務范式是宏觀框架，規定了服務的組成要素及相互關系。知識服務的價值鏈模型是知識服務范式在數據、情報、智慧層面的解構，揭示了不同價值形態的知識服務產品的相互內涵關系和功能。知識服務驅動模型充分揭示了數據向情報、知識轉化運動過程的內在機制和屬性，是對智庫知識生產機制的抽象化、系統化、概念化，進一步深化、升華了科技智庫的知識服務理論。在上述研究基礎上，依據科技智庫知識服務模型進一步構建了基于“數據—情報—智慧”價值鏈的科技智庫知識服務機制，詳細說明了知識服務的內在運轉機制和產品輸出機制，進一步驗證了知識服務模型。研究表明，新型科技智庫一方面要強化數據思維，要高度重視基礎數據和原始數據，充分運用大數據技術開展數據分析和實證研究，大力開展定量分析工具和研究方法的開發研究；另一方面要加強專家人力資源的隱性知識挖掘，充分發揮專家的獨特作用。

（來稿時間：2017年10月）