减负还是挖坑：算法能否降低公民的行政负担

这两天，ADM算法君在新加坡南洋理工大学南洋公共行政研究中心参加“AI and public policy”国际会议，期间学习了很多专家学者关于AI如何影响公共行政的洞见，收获颇丰。其中，一些学者讨论了算法的公共价值，特别是对算法与公众行政负担的分析尤为引人深思。算法君火速回酒店搜集资料、整理思考，形成此文。

算法真的减轻了我们的行政负担吗？从线下繁琐的纸质流程到便捷的数字化服务，我们见证了行政效率的飞跃，但新的问题也随之浮现：复杂的在线操作、数据壁垒、算法歧视、谜之回复……，这些技术挑战反而加重了公民的负担？此文初步讨论算法在减少行政负担方面的潜力与局限，探讨如何平衡技术进步与公众体验。

1.从线下到网上：行政负担变化的U型趋势？

传统的线下政府服务方式往往让公众在享受公共服务时感到沉重的行政负担。比如，在申请营业执照、办理社保或进行税务登记时，很多人需要花费大量的时间在政府窗口排队、提交纸质材料、等待审批。这种繁琐的流程不仅消耗了公众的时间，也让不少人感到焦虑和厌烦。为了改善这一状况，全球范围内推行电子政务改革，通过数字化服务来简化流程，提高效率。中国各地近年来推行的“最多跑一次”“一网通办”改革便是一个成功的案例，公众可以通过手机应用或政府网站轻松办理各种业务，节省了不少时间和精力。

然而，数字化在线服务的推广虽然在一定程度上减轻了传统的行政负担，但也带来了新的挑战。一些政府线上办事系统在设计和运营上的诸多不足，公众在使用过程中体验不佳，行政负担反而加重。其一，传统的政府线上办事系统往往因界面设计复杂、流程繁琐以及信息更新不及时等问题，公众需要适应新的在线平台和操作流程，这对一些老年人或不太熟悉技术的人来说，学习成本和心理负担相当大。比如，一些地方推出的在线申报系统虽然提高了效率，但其复杂的界面和步骤往往让不熟悉互联网操作的人感到困惑，导致他们在申请过程中频频出错，需要花费更多时间和精力完成各项事务，公众情绪也可能变得更加沮丧。其二，系统集成性差、数据共享不畅以及服务能力不足等问题也使得公众在跨部门办理事务时需要重复提交信息，面临系统崩溃卡顿等问题，增加了操作的复杂性和时间成本。其三，政策法规更新过快，大量上网，导致公众在办理业务时需要频繁查阅网络资源，进一步增加了公众认知负荷，提高了合规成本和学习成本。最后，随着在线服务的普及，公众对个人信息安全和隐私保护的担忧也在上升。许多人因为担心个人信息被泄露而对在线办理产生抵触情绪，这也是种新的心理负担和合规风险。上述新的问题导致电子政务改革在某种程度上并没有完全消除公众的行政负担，反而在不同的形式上转移了这些负担。

以残疾人申请残疾证为例。在申请残疾人证的过程中，许多残疾人及其家属可能会面临心理负担，这种负担往往源于对申请过程的抗拒。许多数字化系统的设计没有充分考虑到残疾人士的特殊需求。如视觉障碍者在使用不具备屏幕阅读功能的网站时，可能无法获取必要的信息，而听力障碍者在需要观看视频教程时又缺乏相应的无障碍字幕支持。此外，某些在线申请过程可能要求用户进行拍照、刷脸、签字或复杂的信息填报，这对身体机能受限的人来说，既麻烦又可能引发心理上的焦虑。缺乏数字素养也加剧了残疾人士对数字化系统的抵触。许多残疾人及其家属可能对新技术感到陌生或无所适从，尤其是年龄较大的残疾人群体，他们可能没有接受过相关的培训或教育，因此在面对复杂的在线流程时，特别容易感到挫败。

税务数字系统同样也是数字行政负担生成的新领域。虽然税务部门的数字化改革引入了新的技术工具和平台，如税务部门的“金税四期”和自然人电子税务系统，但这些新系统要求公民和政府官员投入额外时间和精力去学习和适应，增加了学习成本。与此同时，不同系统间界面和操作的差异导致沟通障碍，使得纳税人和基层税务人员在互动中遇到更多困难，从而增加了合规成本。此外，数字化改革带来的监管要求和考核压力，迫使基层官员可能将部分负担转嫁给纳税人，如要求企业配合完成电子发票开票率等指标，这不仅增加了公民的心理成本，还可能导致服务满意度下降（梁平汉等，2024）。

因此，数字政府建设对公民行政负担而言，可能呈现出一种U型趋势。在初期阶段，电子政务的推行能够大幅降低公众的行政负担，使得服务效率显著提升。然而，随着数字服务的普及和应用，新的行政负担开始显现。最初，公众通过在线平台享受到了便捷的服务，节省了排队和等待的时间，感受到了明显的好处。但随着系统的复杂性增加、信息安全问题的凸显以及技术适应性挑战的出现，尤其是对技术不熟悉的人群，这种便利感的下降开始显露出新的焦虑和困惑。

2.数字升级：算法如何减少行政负担？

随着对数字行政负担认知的加深，许多政府开始意识到仅仅将传统的服务转移到数字平台上并不足以解决问题。因此，他们开始进行数字升级，进行算法系统开发和人工智能（AI）算法嵌入，减少公众在使用数字服务时所面临的挑战。与传统的政府数字服务系统相比，作为进化版本的AI算法，其天然的目的之一就是为了减少行政负担，提升政府运作的效率和公民的服务体验。

①智能自动化流程

通过自动化的流程，AI能够快速审核申请材料，识别潜在的合规问题，减少人工审核的时间和误差。AI技术能够自动化处理繁琐的审批和验证步骤，减少公众需要手动填写和提交的信息，提升办事效率，这不仅提高了政府部门的工作效率，也让公众在申请过程中减少了因复杂流程带来的困扰。一些自动化系统利用机器学习算法自动审核申请材料，识别不符合要求的部分，减少人工审核的时间和错误率。此外，一种新的智能表单填写功能可以根据用户的历史数据和行为习惯，自动填写相关信息，进一步简化办事流程，降低合规成本。政府AI系统的自动化技术通常还可以做到整合不同政府部门的数据，打破信息孤岛，实现跨部门的数据共享和协同办公，简化用户在多个平台间切换和重复提交信息的过程。这不仅提升了办事效率，也减少了公众在获取和提交信息时的时间和精力投入。

例如，在残疾人证的申请中，AI系统能够自动识别和填充相关信息，依据用户的输入提供精准的指导，帮助申请者更顺利地完成流程；而深圳市等城市的“秒批秒报系统”通过AI技术实现了政务服务的自动化和智能化，在企业投资项目延期等事项的办理中实现快速审批。改革前企业需要填报包括项目名称、项目属性等在内的28项信息，并等待至少4个工作日完成审批。“秒报秒批一体化”实施后，企业只需填写“延期理由”，系统便能自动填报其他信息，并在几秒钟内完成审批。

②精准预测降低行政负担

除了上述的自动化功能外，算法的预测性技术在降低行政负担方面也发挥着重要作用，特别是在优化资源配置和提前预见公众需求等方面。通过分析历史数据和用户行为模式，预测性算法能够帮助政府提前识别潜在的服务需求。例如，在公共服务的需求预测中，政府可以利用算法分析历史申请数据，预测某些服务在特定时间段内的高峰期。这一预测能力使得政府能够提前调配资源，确保在需求高峰期间能够及时响应公众需求，减少公众在申请服务时的等待时间和不便。预测性算法还可以帮助政府识别和解决潜在问题，进一步降低公众的行政负担。通过对数据的深入分析，算法可以发现某些服务流程中的瓶颈或障碍，及时进行调整。例如，在社会保障申请中，算法可以分析哪些申请类型通常需要较长的处理时间，进而推动相应的流程优化措施。因此，预测和精准识别不仅提升了服务效率，也减少了公众在申请过程中的挫折感和心理负担。

芝加哥市开发的预测算法通过分析餐厅的历史卫生检查数据、投诉记录和其他相关因素，能够提前识别出潜在的卫生隐患，在执法和监督过程中显著降低了执法者和餐厅经营者的行政负担（McBride等，2018）。对于执法者而言，预测算法的应用使得资源的分配更加高效。在传统的卫生检查模式下，执法人员通常需要对所有餐厅进行定期检查，这不仅耗费了大量的人力资源，还可能导致一些存在严重卫生问题的餐厅未能及时被发现。通过使用预测算法，执法者可以优先检查那些算法识别出的高风险餐厅，从而集中精力在更需要关注的地方。这种精准的执法方式不仅提高了检查的效率，还能有效降低行政成本，减少不必要的检查次数。餐厅经营者也能从中受益。通过提前识别潜在的卫生隐患，餐厅经营者能够主动采取措施，改善自身的卫生条件，降低被处罚的风险。预测算法提供的数据分析和反馈，使得餐厅能够更清晰地了解自身的卫生状况，并有针对性地进行整改。这样一来，餐厅经营者不仅减少了因不合规而面临的罚款和停业风险。

③个性化的用户体验

政府在行政管理中引入生成式AI技术，大幅降低公众行政负担，同时提升个性化的用户体验。例如，生成式AI的核心优势在于其强大的数据处理能力和自然语言生成能力，使其能够在多个方面优化公共服务。一方面，生成式AI通过自动化处理和生成信息，显著减少了公众在申请和查询服务过程中所需的时间和精力。当公众在申请某项服务时，生成式AI可以根据用户的输入自动生成所需的申请表格、文件或说明，避免了手动填写的繁琐。另一方面，生成式AI还可以提供即时的答疑服务，通过自然语言处理技术，实时解答公众在申请过程中遇到的问题，帮助用户更快地找到所需的信息。这种即时响应的能力极大地提升了用户体验，使公众在与政府的互动中感受到更高的便利性和效率，减少公众在使用过程中的心理成本。例如，生成式AI驱动的智能客服系统能够24/7实时回答用户问题，提供定制化的办事建议，减少用户在使用过程中遇到的困惑和挫折感。

3.理论与现实：算法是否在线？

①算法的技术缺陷

尽管算法技术在很多领域展现出了巨大的潜力，但在政府的实际应用中，算法技术的缺陷却可能导致行政负担的增加。一些许多政府在引入算法时，往往面临技术不成熟的问题。由于缺乏充分的测试和验证，某些算法可能在实际应用中难以达到预期效果。例如，如果一些地方政府在实施智能交通系统时，使用了未经充分调试的算法，导致交通信号控制不当，从而造成交通堵塞加剧，反而增加了公众出行的时间成本。一些政府聊天机器人非但没有做到个性化服务，反而引发了公众对机器人智障愚蠢的吐槽。一些政府的聊天机器人常常无法准确理解公众咨询的问题，导致答非所问，增加了消费者获取必要服务的难度和时间。此外，AI客服转人工服务流程复杂，公众在尝试获取人工服务时需经历冗长的语音提示，这种低效的沟通过程增加了公众的挫败感和耐心消耗。

算法偏差与歧视问题可能更加突出。预测模型依赖于历史数据进行训练，如果这些数据存在偏见或不完整，算法就可能产生错误的预测。例如，在一些国家的社会福利分配中，机器学习算法被用于评估申请人的资格。然而，如果训练数据中存在对某些群体的偏见，算法可能会不公正地剥夺这些群体的福利资格。美国某些城市在实施福利申请算法时，由于算法未能充分考虑不同种族和社会经济背景的差异，导致某些少数族裔群体的福利申请被错误拒绝，这些群体需要不断查询和申诉，这一过程极大增加了他们的行政负担和心理成本。

Eubanks的《自动化不平等》（Automating Inequality）一书就深入探讨了在社会服务领域，尤其是在福利申请过程中，算法和自动化技术如何加剧社会不平等和增加行政负担。书中讨论了加州儿童福利系统中使用的算法，该系统旨在评估家庭的风险和需求。然而，Eubanks指出，这种评估往往基于历史数据，而这些数据可能存在偏见。算法对某些族裔或社会经济背景的家庭进行更严格的审查，导致不公平的结果。许多家庭在申请过程中被要求提供大量的个人信息和证明材料，这不仅增加了他们的工作量，也使得一些家庭因无法满足这些要求而失去获得必要帮助的机会。

荷兰儿童保育补贴（Kinderopvangtoeslag）算法识别错误的案例也揭示了算法在公共政策实施中增加行政负担的风险（Giest & Klievink，2022）。该补贴旨在帮助家庭支付儿童看护费用，而荷兰政府使用自动化算法系统（福利欺诈检测工具SyR）评估申请者的资格和补贴金额。然而，算法出现偏差，导致许多家庭的申请被错误拒绝，或补贴金额低于应得水平。这些错误主要源于算法依赖的历史数据和统计模型中的偏见，尤其是在某些族裔和低收入家庭中。结果，许多家庭陷入财务困境，面临无法支付儿童看护费用的压力，甚至有些家庭遭遇政府追讨未应得补贴，进一步加重了经济和心理负担。

②算法对特殊群体需求识别不足

虽然算法技术在识别需求和优化服务方面展现了巨大的潜力，但在实际应用中，这些算法往往无法有效识别特定群体的需求，尤其是一些弱势群体。这种识别不足可能导致这些群体面临更大的行政负担，甚至在某些情况下被排除在服务之外。

在医疗服务的分配中，某些国家的算法可能主要基于年龄、性别和疾病类型等常规指标进行决策。然而，这种单一维度的分析往往忽视了患者的具体生活状况、社会背景和心理需求。例如，某些慢性病患者可能因经济困难无法按时就医，而算法在评估其医疗需求时，仅仅依赖于医疗记录，可能导致对其需求的低估，从而影响其获得适当治疗的机会。在某些情况下，算法的设计者可能缺乏对特定群体的深刻理解，导致算法未能充分考虑这些群体的特殊需求。例如，一些地方政府在推出针对低收入家庭的福利申请系统时，未能充分考虑到他们在信息获取和技术使用上的障碍，导致这一群体在申请过程中面临更大的困难；一些算法系统未能考虑到老年人或残疾人对技术的适应能力，导致这些群体在使用在线申请系统时感到困惑和不知所措。这种不适应不仅增加了他们的学习成本，还可能使他们不得不寻求他人的帮助，进一步增加了他们的时间和精力投入。

Eubanks在《自动化不平等》书中还深入分析了印第安纳州实施的一种名为“福利申请自动化”的系统。该系统使用算法来评估申请人的资格和福利金额。虽然这一系统声称提高了处理效率，但实际上却导致许多低收入家庭在申请过程中面临巨大的行政负担。例如，系统的复杂性使得许多申请者在填写表格和提供所需文件时感到为难。对于技术使用不熟练的申请者，尤其是老年人和低收入家庭，处理这些复杂的要求变得异常艰难，导致申请失败或延迟。

③算法决策过程缺乏透明度

算法决策过程的透明度缺乏是另一个导致公众行政负担增加的重要因素。许多政府在使用算法进行决策时，往往没有提供足够的信息，公众难以理解算法是如何得出特定结果的。这种不透明性可能导致公众对政府决策的信任度下降，增加了他们在理解这些决策时所需投入的时间和精力。

仍然以社会福利分配为例，某些国家的政府使用机器学习算法来评估申请人的资格和福利金额。然而，许多受益人并不知道这些算法的具体运作方式，也无法理解为何自己获得的福利金额与其他人不同。这种信息的不对称性可能导致公众对政府的决策感到不满，进而增加了他们对政府服务的抵触情绪。荷兰的算法系统监测和评估儿童福利案件。然而，由于算法的复杂性和数据的不透明性，许多家庭在申请福利时难以理解为何他们的案件被优先处理或延迟处理。这不仅造成了行政负担的增加，还可能导致家庭在寻找法律帮助时面临困难，增加了他们的经济和心理压力。

在官僚执法过程中，算法决策过程中也削弱了执法的透明性。由于算法的预测结果不够透明，基层执法人员在执行任务时缺少明确的行动指南，导致他们可能增加额外的验证工作，以避免违法违规风险，从而引发过度执法。同时，算法的弱解释性导致基层执法人员拥有较大的自由裁量空间，可能基于个人判断采取行动，这不仅增加了执法的随意性和不公正性，也可能增加公众的行政负担（吴进进等，2023）。缺乏透明度还可能导致公众对算法决策的质疑，进一步加剧了不信任感与心理成本。当公众认为政府的决策缺乏依据时，他们往往会花费更多的时间和精力去寻找答案或提出申诉，这无疑增加了他们的行政负担。

4.总结

因此，要有效降低行政负担，算法的设计和实施必须以公众为中心，确保透明性和公平性，致力于创造公共价值。第一，政府部门应注重算法的可用性和易用性，通过简化用户界面和提供无障碍设计，确保所有群体，包括弱势群体，能够轻松使用相关服务。第二，算法应基于全面、代表性的数据集，避免偏见并满足不同群体的需求。第三，增强算法决策过程的透明度，使公众理解其运作逻辑。

还有一点尤为重要，政府应该审慎决定是否使用算法，降低行政负担，而不是给公众挖坑。算法的引入应基于对特定问题的深刻理解和明确的目标，而不是简单地追求技术的潮流或短期效率。政府需要全面评估算法可能产生的后果，包括其对不同群体的影响以及可能带来的社会不平等。在实施之前，应进行充分的测试和验证，保证算法在现实环境中能够有效运作，同时务必保证不会产生负面影响。

来源：《治道学术》微信公众号平台