数据与智慧双轮驱动下的新型科技智库知识服务机制研究*

戎军涛 李 华 乔伟荣

（石家庄学院图书馆 石家庄 050035）

1 引言

十八大以来，党和政府对智库在科学民主依法决策、国家治理体系和治理能力现代化、国家软实力建设方面予以高度重视，并提出了建设中国特色新型智库的总体目标，要求充分发挥资政建言、理论创新、舆论引导、社会服务、公共外交等重要功能[1]。科技智库作为中国特色新型智库格局的重要组成部分，紧紧围绕创新型国家和实施创新驱动发展战略，在科技发展规划、布局、评估、政策等方面发挥着重要的智力支撑作用，日益成为一支独立的、专业的智库发展力量。

长期以来，科技智库的迅猛发展并未解决智库建设自身的问题。传统科技智库的工作方式多是任务和项目驱动型，研究过程没有普适的方法论和工具，过分依靠专家个人经验，定性研究成分较多，科学定量分析不够，难以实现精确建模，导致智库服务产品的针对性较差，所提供的决策建议和执行方案往往不是最优选择，不能有效嵌入政府公共政策制定过程中[2]。另一方面，以“大智移云”为主要特征的大数据时代给科技智库建设带来了前所未有的挑战，决策所面临的因素纷繁复杂、瞬息万变，传统的仅仅依靠专家经验的决策方式面临着失效的处境。科技智库必须顺应时代进行转型。

造成科技智库发展困境的原因主要是智库建设的理论准备不足，没有把握科技智库自身发展的规律。在微观层面，没有充分揭示智库数据机制、情报服务机制、知识产品生产机制、专家决策机制等方面的内容；在宏观层面，对智库如何影响决策、如何建立智库与决策之间的良性互动关系等问题认识不够。

针对上述问题，我们以“数据密集型”研究范式为主线，综合统筹运用数据科学、情报科学、信息资源管理学和知识管理学理论，着重研究科技智库知识生产机制和服务体系，运用概念模型法和系统论方法构建“基于数据和智慧驱动的科技智库知识服务模型”，为新型科技智库的知识服务能力建设提供重要参考，同时拓展现代智库理论的研究领域和视角。

2 研究现状

2.1 国外智库实践

国外智库建设起步早、发展快，在世界范围内形成了一批权威性高、影响力大的一流智库。基于美国宾夕法尼亚大学的《全球智库报告》分析[3]，全球智库发展分布最多的地区是北美与欧洲。美国与英国是拥有世界一流智库最多的国家。全球顶级的权威智库主要有：布鲁金斯学会[4]、国际战略研究中心[5]、卡内基国际和平研究院[6]、对外关系协会[7]、兰德公司[8]、胡佛研究所[9]等。从智库产品设计、生产、服务流程的角度来观察世界一流智库，发现它们具有以下共同特征：①有一套规范的知识生产与研究流程。包括数据资料收集、定性定量分析、优化比较提出方案、质量检验、成果发布。②注重基础数据的积累，坚持数据和实证开展研究，重视量化分析。③积极进行研究方法与工具的开发。兰德公司总结了一套“兰德式理性程序”：发生了什么、发生原因、应对策略、前途如何，由此将研究过程分为状况评估、问题分析、决策分析和预测分析四个环节，形成了一系列具有结构性、可操作性和程序化的方法。④多元化的人才利用机制。国外智库拥有不同学科背景的研究人员团队，涉及数学、运筹学、统计学、物理学、计算机科学、政治学、经济学、法学等不同学科。多元化的学科背景可以让研究人员视角开阔、辨证地看问题。⑤完善的产品传播机制。通过发行出版物、召开学术会议、参加听证报告会等途径来发布产品，影响公共政策，扩大自身影响力。

2.2 国内研究现状

科技智库的知识服务能力与质量取决于其智力产品的生产机制，这是智库工作的内在知识运转机制。国内社会学、政治学、公共管理学等领域的学者对智库的运行机制进行了大量的研究，研究领域覆盖了人才管理（人才选拔、旋转门机制）、沟通与舆论引导机制、竞争合作机制、激励与监督机制、服务与创新机制等，但这些学科领域的研究忽略了智库运行的一个重要方面——知识运转与服务机制。

对科技智库的知识运转与服务机制的研究近年来开始成为情报学界的研究热点。由于智库与情报机构具有天然的联系，特别是很多发挥着智库作用的情报研究机构大多数被认为是智库机构的一种类型。国内情报学界较早对情报机构的决策支持作用予以了关注。情报学家包昌火强调情报学的决策科学属性，要发挥尖兵、参谋、助手的功能，要关注重大事件、威胁和危机的研判、警示和预测[10-12]。

2012年以来，国内情报学界关于智库的情报机制研究的成果开始增多：例如王世伟论述了情报在智库中的前端作用[13]；张心源、赵蓉英、邱均平分析了美国一流智库智慧产品生产的一般流程，包括资料收集、研究分析、转识成智等关键过程[14]；张家年、卓翔芝分析了情报工作与智库运行机制之间的关系，提出智库运行机制是情报流程、智库管理流程的有机融合[15]；张家年提出了智库能力体系包括情报能力、战略环境态势感知能力、思想和知识生产能力、沟通和传播能力以及创新能力[16]；李纲、李阳探讨了情报与智库建设的关系，强调了智库以优质的情报资源为支撑，数据支持与情报保障能力尤为重要[17]；还进一步构建了面向决策的智库协同创新情报服务体系基本架构，并对该体系的主体、平台建设、情报流程、知识创新模式等内容进行了探讨[18]；李纯、张冬荣从数据信息的主要内容、参与主体、服务流程等总结了科技智库的数据信息服务模式[19]。

这些研究基本上反映了我国情报学界关于智库的情报机制的学术思想，多数是从情报视角对智库展开的分析。从知识视角来研究智库产品的生产流程与知识服务机制是情报学界关于智库情报机制研究的深化和拓展，能够打破情报的视野局限，厘清情报与知识创新的关系，将研究层次提升到知识创新层面上，是一次重大的理论突破，正在逐渐成为情报学研究的热点。如李阳等提出了“数据资源+工具方法+专家智慧”的智库机构研究范式[20]；耿瑞利、申静构建了由知识基础设施、知识生产、知识创新三部分组成的开放创新式的智库知识管理模型，揭示了智库知识活动的整合、流动、共享、转化等全流程，具有较大的理论创新价值[21]。

3 基于数据与智慧驱动的新型科技智库的知识服务模型

构建知识服务范式，进一步深化、升华科技智库的知识服务理论，是对智库知识生产机制的抽象化、系统化、概念化。我们运用数据—情报—知识的价值链理论和系统模型分析法，深入解构了知识服务范式，构建了知识服务价值链模型，进一步深入阐述和揭示不同价值形态的知识服务产品的相互内涵关系和功能。在综合上述研究的基础上构建了支持知识服务的科技智库内在机制驱动模型。

3.1 知识服务范式

知识服务的功能和目的是要满足社会知识需求，这一过程是通过知识产品这一中介来实现的。知识产品是知识服务的载体，知识服务通过生产知识产品来满足社会知识需求，体现其功能和价值。不同层次的知识服务产生不同层次的知识产品，知识服务的深度制约着其知识产品满足社会需求的程度。

社会知识需求是导致知识服务产生、发展的根本决定因素。社会对知识产品的需求是多源化、多维度、多层次的，社会知识需求的层次性催生了多元化的知识产品需求。多元化、深层次的知识产品需求必然进一步要求知识服务提升内涵建设、深化服务机制。

由此，我们提出一个以需求D为起源，产品P为中介，服务S为归宿的知识服务范式D-P-S（见式1）。

{S:服务}表示知识服务集合，形式化表示为{S:服务}=(S 1, S2,...Sn)(n ≥0)，Sn表示不同层次的服务类型。

{P:服务}表示知识产品集合，形式化表示为{P：产品 }=（P1, P2,...Pn）(n ≥0),Pn表示不同层次的产品类型。

{D:需求}表示知识需求集合，形式化表示为{D：需求 }=（D1, D2,...Dn）(n ≥0),Dn表示不同层次的知识需求类型。

范式的含义为：需求决定产品的类型，不同类型的产品直接满足相应的需求。产品由服务提供，受服务制约，不同层次的服务生产不同层次的知识产品。产品的多样化、深层次发展要求相应的服务深化机制改革，不断发展创新。

3.2 知识服务的价值链

在我们提出的知识服务范式中，{S:服务}、{P:产品}、{D:需求}代表三类集合，具有不同的层次、不同类型的维度。依据“数据—情报—知识”的价值链模型，我们可以将知识服务的维度按照价值量大小由低到高依次划分为数据维度、情报维度和智慧维度。{S:服务}、{P:产品}、{D:需求}则相应有：

{S：服务}=（S1：数据服务，S2情报服务，S3：智慧服务）；{P：产品}=（P1：数据产品，P2：情报产品，P3：智慧产品）；{D：需求}=（D1：数据需求，D2：情报需求，D3：智慧需求）。据此我们可以得到知识服务在数据维度、情报维度和智慧维度的价值链（见图1）。

图1 知识服务的价值链模型

需求链由数据需求、情报需求和智慧需求构成，反映的是人们多元化的知识需求层次。数据需求处于需求链低端，是人们最直接最基本的需求，满足的是数据获取需要。在数据需求基础上产生了情报需求，要求厘清纷繁复杂的数据关系，建立信息分析模型。智慧需求则是人类知识需求的最高阶段，要求提出解决问题的路径与方法，建立和谐的社会关系。

产品价值链由数据产品、情报产品和智慧产品构成。数据产品主要是一些原始数据的集合，是情报加工、智慧分析的原材料,属于产品价值链的初级产品。情报产品主要形态有学科发展评估、专业竞争分析、技术趋势分析、决策支持、重大成果影响力分析、重大计划跟踪分析、人才评价等,属于产品价值链的中端产品。智慧产品以数据和情报产品为基础，产品形态以知识思想产品和决策方案产品为主，属于产品价值链的顶端产品。

服务价值链由数据服务、情报服务和智慧服务构成，数据服务是整个服务的基础和逻辑起点，提供最基本的数据管理与存取服务。数据服务的质量制约着知识服务的深度。情报服务在数据服务的基础上揭示数据之间的信息关系和知识关系，属于整个服务的逻辑中介，起着承上启下的作用。智慧服务是整个服务的逻辑终点，根据目标问题情境融入专家智慧，提供面向决策的最终解决方案、策略和实施路径，是一种面向决策问题和解决方案的知识增值服务。

3.3 知识服务的驱动模型

根据我们提出的知识服务价值链理论，宏观层面的知识服务包括三个层次内容：数据服务、情报服务和智慧服务，这三种服务的驱动类型各有特点（见表1）。

表1 知识服务的驱动模型

数据驱动体现的是知识服务的数据密集性，强调海量大数据的获取，特别是基于海量数据的挖掘分析。离开数据驱动，知识服务将失去数据基础，无法生产知识和提供科学、准确的决策。数据技术革命提升了数据在社会发展进程中的作用，“万物皆数字”的计算时代已经悄然临近，基于海量原始数据的知识组织与大数据计算分析成为数据时代的技术主流。无论是情报分析、知识创新还是智慧决策，都是一个依赖数据及其分析处理的过程[22]。因此原始数据正在成为重要的资源而备受重视。知识服务的数据驱动包含两个层次，一是技术驱动，一是方法驱动。技术驱动强调数据物理或逻辑上的存取，包括硬件系统的搭建和软件系统的开发。方法驱动是利用分析工具、模型、方法对海量数据的深度挖掘和人工分析，是技术驱动的深入。

数据、情报产品虽然能够一定程度上支持决策，但是无法解决综合性、复杂性、战略性的决策问题。智慧驱动是知识服务的创新属性，强调专家智慧的融入和知识、决策产品的创造，体现了隐性知识向显性知识转化的过程，是数据驱动发展的必然阶段。智慧驱动的价值在于更加强调隐性知识的主观属性，具有预见性和创造性。

作为知识服务基础的数据服务，通过大数据、云计算、移动计算、物联网等数据技术搭建数据平台系统，一方面进行数据资源的采集、组织、聚合、长期保存、关联与开放、质量评估等，另一方面进行数据的挖掘与语义认知计算，具有明显的技术驱动属性。情报服务是知识服务的中间环节，利用情报分析方法与工具进行情报计量分析、社会网络分析、内容分析、多维尺度分析、关联分析等深度情报处理，建立分析模型，解释数据关联之间的因果关系，得出有效的情报分析结论，具有明显的方法驱动属性。

无论是基于技术驱动的数据服务还是基于方法驱动的情报服务，体现的都是显性数据的组织和管理过程，强调的是数据的客观存在属性，属于数据驱动范畴。作为知识服务高级阶段的智慧服务融入了特定领域的专家经验与智慧，具有思想上的创新性和决策方案的可执行性，具有强烈的智慧驱动属性。

数据驱动为智慧驱动提供了工具和方法，要求科技智库高度重视数据的作用，构建基于“数据—情报—智慧”价值链的智库产品生产机制，充分揭示数据向情报、知识转化的机理；要求智库不仅仅提供思想、决策方案，还要提供数据开放与关联服务。智慧驱动弥补了数据驱动的先天理性缺陷，体现了知识管理的思想，要求充分揭示专家智慧的“转识成智”的机理，要求智库要通过开发一套科学的决策程序，来充分利用专家的智慧，保证知识产品和决策的质量。

4 新型科技智库的知识服务机制构建

根据上述关于智库知识服务的模型理论，我们构建了新型科技智库的知识服务机制，包括服务运转机制和产品输出机制。服务运转机制是科技智库知识服务的核心机制，逻辑上分为数据服务机制、情报服务机制和智慧服务机制。数据服务机制由大数据层、数据管理层、语义组织层、认知计算层、语义服务层负责完成，情报服务机制由情报分析层完成，智慧服务机制由智慧服务层负责完成。产品输出机制是服务运转机制在社会应用层面的载体，承载着服务的产品形态，满足了社会不同价值层面的知识需求，其输出机制包括数据产品输出、情报产品输出和智慧产品输出，由端口应用层负责完成（见图2）。

图2 新型科技智库的知识服务机制

大数据层。该层主要负责原始数据的采集与保存。数据时代原始数据的价值越来越被重视，一方面新的硬件和技术中心、大容量存储与处理技术、移动设备、多样化的数据采集方式使得海量数据产生和记录成为可能；另一方面，所有对象都能被信息化数字化表征，海量数据被迅速和大量创造，并在互联网传播形成体量大、类型多、价值密度低、产生速度快的大数据。大数据层主要负责在机构数据基础上拓展收集图书情报机构大数据、网络舆情大数据、科研大数据、政府开放大数据等原始数据，作为知识转移、转化、应用、创新的数据基础。海量的数据、复杂的类型、模糊的价值等将成为数据采集过程中的难点。

数据管理层。该层主要功能有数据提供与保存、数据监测与预警、数据资源的聚合、数据资源的长期保存、数据资源的关联与开放、数据质量评估等。在数据管理层，原始数据将被进一步序化和整理，形成规范的数据集合，成为语义组织的数据基础。数据集合可以进一步通过数据服务端口直接向社会提供开放的数据服务，有利于其他机构进行基础数据共享，同时也可以满足数据分析和决策、循证支持的需求。

语义组织层。对各类数据资源进行细粒度、碎片化、规范化加工整理，抽取知识元颗粒的属性信息及相关关系，借助已经建立的本体概念模型对知识元信息集合进行概念分析、分类、标引、描述和处理，形成具有语义关联的资源元数据集合，并使用RDF和OWL语言进行语义层面的表示和描述，然后作为领域本体实例按照一定格式将其存入本体知识库。这些经过标注的元数据是用知识描述语言描述的本体知识,它不仅包含了实例化的本体本身,还包含了本体经过描述逻辑推理分类后的隐含信息以及本体推理引擎推理所获得的蕴涵知识，从而支持分类聚类、语义检索、知识发现、开放关联、资源聚合[23]。

认知计算层。该层主要负责利用认知计算技术对结构化的语义本体数据进行深度数据分析和挖掘，从大量现有或历史数据集合中发现并找出最初未知、但最终可理解的有用知识，并用简明的方式显示出来。认知计算层主要包括深度学习机制和自动推理机制。机器深度学习在大数据样本的训练下获得数据训练与学习模型，借助关联计算规则建立语义分析算法，分析领域知识对象、知识结构的共现、耦合、引证等网络关系，发现语义数据本体中的隐含关联，发现知识的扩散与分布情况，揭示知识的演化、融合、变迁路径。在深度学习基础上借助推理规则模型可以实现自动推理，总结规律，预测发展趋势和热点，获得新的知识，并建立基于自然语言概念查询的问答系统。

语义服务层。该层在认知计算层数据分析与推理的基础上提供语义检索、主题聚类和知识发现等语义服务应用端口。语义检索主要有语义索引、分面检索、本体导航、多维语义揭示、语义聚合等功能，主题聚类主要有热点刻画、趋势分析、前沿探测等功能，知识发现包括实现知识的关联、分类聚类、鉴别趋势、揭示异常（包括空白、断点、呆滞点和潜在的拐点与聚散点），支持从任何一个知识对象或关系角度，去关联其他相关的知识对象或关系。语义服务最终将通过知识图谱机制可视化地显示知识和知识对象及其各种关联关系，形成一个广泛、深入、动态的知识网络，为用户提供隐性知识和显性知识导航。

情报分析层。满足社会的情报需求，充分发挥耳目、尖兵、参谋的作用，是情报分析层的职能。情报工作和研究方法是智库长期以来的主要分析工具，智库机构根据情报主题对数据资源进行数据挖掘、科学计量分析、引文分析、分类聚类分析、统计分析、多维尺度分析、社会网络分析、内容分析等，充分揭示数据在不同维度层次的属性，解释数据关联之间的因果关系，得出有效的情报分析结论，形成主题情报产品，并通过情报服务端口向社会输出。情报主题产品价值在于更加强调数据分析的客观结论，不加主观评论，是显性知识的聚合过程，是决策的重要依据。开发、创新情报分析方法，构建专门的面向问题的情报研究方法模型、开发新型的适应数据驱动的情报分析工具，是情报服务保证质量的关键和难点。

智慧服务层。智慧服务层主要负责提供的是知识思想和决策方案两方面内容。智库专家、知识生产程序和研究方法是智慧服务层的核心要素。具有不同学科背景的专家可以充分利用数据、情报分析的结论，融入问题情境，通过专业研判来进行战略规划和布局，谋划相应的制度安排，提出问题的解决路径，形成具有理论创新意义的知识产品和具有实践创造性的决策产品。智库专家具有解决未知问题的创造能力，不同于一般意义上的情报分析人员。积极运用知识管理理论，构建具有中国特色的隐性知识开发利用流程，开发一套理性决策的标准化程序，充分挖掘利用专家的隐形知识，促进专家隐形知识的交流、转化与共享，最大限度避免由于专家个人知识盲区导致的决策失误，这是智慧服务保证产品质量的关键。

端口应用层。主要包括原始数据端口、知识发现端口、主题情报端口和智慧服务端口，负责数据、情报和智慧服务产品的对外输出。原始数据端口、知识发现端口提供的是数据产品，是数据服务机制在应用层面的表现。主题情报服务端口提供的是情报产品，是情报服务机制在应用层面的表现。智慧服务端口提供的是智慧产品，是智慧服务机制在应用层面的表现。

5 结语

数据驱动战略思想和知识管理理论是我们研究的理论基础。我们以“数据密集型”研究范式和“隐性知识管理”理论为主线，详细研究了科技智库知识服务体系和机制，构建了基于数据和智慧驱动的科技智库知识服务模型，主要包括知识服务范式、知识服务价值链和知识服务驱动模型。知识服务范式是宏观框架，规定了服务的组成要素及相互关系。知识服务的价值链模型是知识服务范式在数据、情报、智慧层面的解构，揭示了不同价值形态的知识服务产品的相互内涵关系和功能。知识服务驱动模型充分揭示了数据向情报、知识转化运动过程的内在机制和属性，是对智库知识生产机制的抽象化、系统化、概念化，进一步深化、升华了科技智库的知识服务理论。在上述研究基础上，依据科技智库知识服务模型进一步构建了基于“数据—情报—智慧”价值链的科技智库知识服务机制，详细说明了知识服务的内在运转机制和产品输出机制，进一步验证了知识服务模型。研究表明，新型科技智库一方面要强化数据思维，要高度重视基础数据和原始数据，充分运用大数据技术开展数据分析和实证研究，大力开展定量分析工具和研究方法的开发研究；另一方面要加强专家人力资源的隐性知识挖掘，充分发挥专家的独特作用。

（来稿时间：2017年10月）