德国人工智能政策文本量化研究

肖晓芸，徐四季

（北京外国语大学德语学院，北京 100089）

作为推动全球数字化发展的重要技术，人工智能（AI）已逐渐成为世界各国新一轮科技战与智力战角逐的焦点。从2016 年开始，各国政府为了抓住人工智能战略发展机遇期，占领技术、产业和应用的制高点，纷纷加快人工智能战略布局。我国在2017年发布的《新一代人工智能发展规划》中提出“三步走”战略目标：到2020 年，人工智能核心产业规模超过1 500 亿元；到2025 年，核心人工智能产业的价值增加到4 000 亿元；到2030 年，人工智能核心产业规模达10 000 亿元。2018 年，我国推出《人工智能标准化白皮书（2018 版）》，研究制定了能够适应和引导人工智能产业发展的标准体系，并提出急需研制的基础和关键标准项目。2021 年我国发布《人工智能标准化白皮书（2021 版）》，形成人工智能标准体系框架及标准体系明细表；提出我国人工智能标准化重点工作建议。与中国相比，德国的人工智能产业政策很少制定量化指标，注重直接增加基础性研发投入［1］。2018 年，德国发布《联邦政府人工智能战略要点》，确立了三大目标，分别是“将德国和欧洲打造成 AI（articifial intelligence）区位，保障德国未来竞争力”“实现负责任、以共同福祉为导向的 AI 开发和应用”和“在道德、法律、文化和制度上将AI 嵌入整个社会”。同年，德国推出《联邦政府人工智能战略》，进一步细化了人工智能产业发展目标及相关措施。2020年，德国发布《联邦政府人工智能战略（2020 年更新）》，从专业人才、研究、技术转移和应用、监管框架和社会认同这五大重点领域明确了今后的新措施。

值得注意的是，德国一系列人工智能政策的发布与实施不仅确定了人工智能产业的发展目标,而且进一步推动了德国人工智能行业的快速崛起。本文拟借助文本挖掘、政策工具和政策评价方法对德国人工智能政策文本进行量化分析，总结、归纳德国人工智能政策的特点、优势和不足，以期获得对我国人工智能产业发展有益的、可借鉴的德国经验。

1 文献综述

政策文本是政策内容的载体，是政府处理公共事务的真实反映和行为痕迹，是对政策系统与政策过程客观的、可获取的、可追溯的文字记录［2］。在过去，多数学者聚焦于用定性研究的方法分析政策文本的作用及地位；近年来，不少学者开始运用文本挖掘、政策工具和政策评价等量化研究方法对政策文本进行分析，从而在一定程度上避免了政策文本定性研究的主观性、不确定性和模糊性［3］。这种研究方法被称为政策文本量化分析，即在研究过程中引入统计学等学科方法，结合基于文本内容的定性分析，以梳理政策工具的选择与组合、政策的主要关注点等公共政策研究问题。目前，政策文本的量化研究方法已十分丰富；但国内外对于德国人工智能政策的研究数量尚少，研究方法较为单一。

1.1 文本挖掘

文本挖掘是一个从文本数据中抽取隐含的、未知的、有用的模式，以获取知识的过程［4］。在政策研究领域，袁利平等［5］利用文本挖掘方法研究美国人工智能战略中的教育政策，总结其目标定位、路径选择和保障机制，以加速并强化人工智能人才培养；吴瑜等［6］基于文本挖掘，以可视化分析视角对中美科技政策进行对比研究,发现在人工智能背景下，中美两国科技政策在内容和适用范围上都存在差异，且对外意识形态不尽相同。但对于德国人工智能政策文本，学界迄今鲜有文本挖掘研究。

1.2 政策工具

政策工具即政策制定者为实现政策目标，对现实采取的一系列政策干预［7］。政策工具研究的核心就是如何将政策意图转变为管理行为，将政策理想转变为政策现实［8］。政策工具理论的研究内容包括政策工具的概念、分类、特征、选择、组合和评价等［9］。国外学者主要研究政策工具的分类和组合。经典的政策工具划分有罗斯维尔（Rothwell）［10］的供给型、环境型和需求型3 种类型以及霍普曼（Hoppmann）等［11］根据政策工具作用层面差异划分出的战略层、综合层和基本层3 个层面。国内学者注重以政策工具为基础研究方法，采用二维或三维分析框架，对政策内容进行分析。茅子骏等［12］以政策工具为框架，对比分析5 个国家的人工智能政策，发现不同国家由于国情不同，对政策工具的使用存在显著差异；吕文晶等［13］基于政策工具和创新过程的二维分析框架，发现中国人工智能产业需增加需求侧政策工具。目前，学界对政策工具的研究种类繁多，但仍需补充和完善针对人工智能政策工具的研究。

1.3 政策评价

政策评价指使用一系列研究方法系统衡量和判断政策干预、实施的有效性，以确定政策的社会价值和经济价值［14］。从萨奇曼（Suchman）［15］的政策评价五类评估法，到波兰（Poland）［16］的“三E”评估框架，再到徐新鹏等［17］创建的层次分析法，政策评价的发展一直以实证研究为主，且在不断完善。其中，PMC 指数模型（policy modeling consistency index），即政策一致性指数模型，源于鲁伊斯·埃斯特拉达（Ruiz Estrada）［18］提出的Omnia Mobilis假说，即事物都是运动且相互联系的，每一个相关变量都是同等重要且一致的，都应考虑在内。在已有的政策评价模型中，PMC 指数模型具有3 个较为突出的优点：以文本挖掘方式提取参数，以文本自身为研究对象以及能对多个不同政策进行比较分析。在人工智能政策领域，胡峰等［19］以PMC 指数模型评价八份机器人产业政策文件,为机器人产业政策制定流程提供了可供参考的依据；张永安等［20］用PMC 指数模型研究国务院创新政策，找到了政策的薄弱环节，对政策制定和修改有一定参考意义。目前，学界对德国人工智能政策的评价研究较少。

基于以上讨论，本文拟从以下3 个角度对德国人工智能政策文本进行量化研究：其一，从文本挖掘出发，利用Antconc 软件对德国人工智能政策文本进行挖掘，从而总结德国人工智能政策的主题和趋势；其二，结合文本内容，采用罗斯维尔的政策工具划分方法，阐述政策工具与政策作用的关系；其三，以PMC 指数模型对德国人工智能产业政策进行评价,分析各项政策的优势和不足,丰富现有政策量化评价研究方法和结论，为我国制定、完善人工智能政策提供可资借鉴的经验与启示。

2 德国人工智能政策文本内容分析

2.1 人工智能政策选取来源

人工智能产业在近5 年飞速发展，为确保样本数据的权威性、时效性和公开性，本文选取的文本均为德国联邦政府2017—2022 年发布的政策文件。在人工智能政策文件选取过程中，本文遵循以下两个原则：以人工智能为关键词进行检索，选取主题为人工智能或人工智能政策占比较高的政策文件；政策发布机构为德国联邦政府及各部委。据此，本文共收集到2017—2022 年与人工智能相关的政策文件18 份，如表1 所示。

表1 德国人工智能政策文件

从类型看，德国人工智能政策主要包括行动计划、指导意见、发展纲要、战略规划等。在18 份政策文件中，战略规划最多，占55.56%；其次是占22.22%的指导意见；行动计划占16.67%；而发展纲要仅占5.56%。这说明德国政府较多从战略规划的角度对人工智能产业予以支持，较少涉及具体行动计划。从时间分布看，德国从2017 年才开始在政策文件中明确提出大力发展人工智能，因而德国政府对该产业的重视稍显滞后。2018 年被视为德国人工智能政策元年，这一年有5 份政策文件出台，其中包括联邦政府第一份专门的人工智能战略文件。2018—2021 年间，联邦政府每年都出台3～4 份包含人工智能政策的文件。2022 年，受能源危机影响，人工智能政策占较多的政策文件仅有两份，政策倾斜明显减少。从政策层级看，德国人工智能政策主要由联邦政府、联邦经济与能源部、联邦教育与研发部单独发布，各部委之间的合作并不紧密，联合发文只占11.11%。笔者认为，在各部委各司其职、于各自分管领域支持人工智能产业发展的基础上，德国亟需加强部委间的联合规划，共同推进人工智能产业的整体发展。

2.2 人工智能政策主题分析

本文借助Antconc 软件，通过分析政策文本高频词，快速聚焦政策文本核心内容。这18 份德国人工智能政策文件的词频分布如表2 所示。数据显示，德国人工智能政策文本高频主题词为数字、数据、新奇、发展、欧洲等，这些高频主题词反映出德国当前人工智能政策的重点为欧洲框架内人工智能技术的数字化研究、发展、创新和应用。综合表中其他高频词可以发现德国人工智能政策的受益对象是公司，人工智能技术的服务对象是公民，因此德国政府注重人工智能发展的可持续性和开放性，数据安全问题成为政府人工智能政策的一大关切。同时，政府在人工智能环境建设和平台搭建上的投入大，因为数字化发展和数据池建设能够为人工智能技术的发展奠定必备基础。

表2 德国人工智能政策词频分布 单位：次

2.3 人工智能政策语义网络分析

除高频词分析外，语义网络分析也是文本分析的重要一环。在语义网络中，高频词以节点表示，节点大小代表词频高低，连接多少代表度数中心性强弱，如图1 所示。在德国人工智能政策文本中，数字化、数据、发展等关键词与其他主题词的连接最多，度数中心性最强，为政策文本的核心主题词，表明数字化转型对人工智能产业发展的重要意义。较为核心的主题词还有利用、经济、研究等，它们说明德国人工智能政策的主要目标是促进人工智能的研发和应用。由法国、欧洲、世界等词组成的较为边缘的语义网络表明德国的人工智能政策与欧洲息息相关；产品、商业模型、管理等主题词显示出德国人工智能政策已深入到终端。

图1 德国人工智能政策主题词语义网络

3 德国人工智能政策工具分析

3.1 政策工具划分

本文在罗斯维尔政策工具分类的基础上，结合德国人工智能政策的内容，参考臧维等［21］的3 类政策工具和15 类政策形式，提出关于政策工具的维度划分方式，如图2 所示。

图2 政策工具维度划分

供给型政策工具提供外在的推动力，政府为人工智能产业提供相应的资源要素，如人才投入、信息支持、资金投入等，以支持人工智能产业的发展；与供给型政策不同，需求型政策工具提供内在的拉动力，政府通过购置补贴等政策加大市场对人工智能产品的需求，从而拉动人工智能产业的发展；而环境型政策工具具有间接促进作用，政府通过税收优惠、法规管制、标准规范等措施改善人工智能产业发展的环境。

3.2 人工智能政策文本内容编码

本文将18 份德国人工智能政策中的政策工具按照政策编号、条款进行编码，如表3 所示。

表3 德国人工智能政策文本内容编码（节选）

3.3 人工智能政策工具编码统计分析

根据政策工具划分和政策工具编码，本文将18份人工智能政策文件中的391 条有效政策编码划分为3 类政策工具和15 类政策形式，统计结果如表4所示。从政策工具条文分布看，德国人工智能政策以供给型政策工具为主，占64.96%；其次是环境型政策工具，占29.41%；占比最小的是需求型政策工具，仅占5.63%。目前，德国人工智能政策工具主要集中在供给型政策工具和环境型政策工具两个维度。在供给型政策工具中，科技支持占比最大，说明德国对人工智能领域基础研究十分重视；其次是信息支持，政府为企业提供数据信息和交流平台，最大限度支持人工智能的研发和应用；此外，政府通过建设重点学科实验室、完善管理系统等方式在基础设施上支持人工智能技术发展；虽然财政支持在供给型政策工具中占比不多，但可以看出政府在努力通过投资等方式缓解人工智能领域中小企业的资金压力。在环境型政策工具中，德国人工智能政策主要通过目标规划引导人工智能发展，如产业布局和技术发展规划等；法规管制和标准规范占比相差不大，政策重点在于确立人工智能产业相关法律标准和监管制度；知识产权和税收优惠在政策文件中则鲜有出现。环境型政策工具细分形式结构表明，德国人工智能政策注重目标规划、标准规范和法规管制，但较少应用市场化金融激励手段，政策工具结构亟需调整。在需求型政策工具中，德国人工智能政策涉及政府采购、购置补贴、贸易管制和海外机构4 种政策形式，包括在社会治理中应用人工智能技术、打破贸易壁垒、帮助发展中国家学习和应用人工智能技术等，但需求型政策工具总体占比较少，明显使用不足。

表4 德国人工智能政策工具统计结果

4 基于PMC 指数模型的德国人工智能政策评价

4.1 PMC 指数模型

PMC 指数模型的构建主要通过以下4 个步骤实现：设置变量、建立多投入产出表、计算PMC 指数和绘制PMC 曲面图。

在变量设置上，本文以鲁伊斯·埃斯特拉达的政策评价理论为基础，结合德国人工智能政策的具体特点，选取9 个一级变量和31 个二级变量，如表5 所示。

表5 政策评价变量设置

在确立一级变量和二级变量后，还需要对变量进行参数设定并建立多投入产出表。根据埃斯特拉达的假说，每个二级变量的重要程度都相同，因此本文将所有二级变量的参数值都设定为二进制0 或1，当政策内容包含该二级变量时，二级变量参数值为1；若不包含，则参数值为0。本文建立的多投入产出表如表6 所示。

表6 多投入产出表（节选）

完成多投入产出表的建立后，还需依据公式（1）计算各一级变量，依据公式（2）计算PMC 指数；将各一级变量代入公式（3），画出PMC 曲面；最后根据PMC 指数对各人工智能政策进行等级划分，标准如表7 所示。

表7 政策等级划分

4.2 实证研究

根据计算出的PMC 指数（见表8），本文所选取的18 份德国人工智能政策文件评价等级均处于一般以上，且多数为良好。其中，P6和P13得分相同且最高，位于优秀等级；P5得分最低，与P8共处一般等级；其他政策文本均处于良好等级。优秀等级的P6和P13均为德国联邦政府发布的《联邦政府人工智能战略》系列，该系列政策针对德国人工智能产业的发展进行了战略规划，作用层面广，产业聚焦强。一般等级的P5为联邦政府发布的《德国可持续发展战略（2018 年更新）》，该政策聚焦于可持续发展，对人工智能产业着墨不多。政策文件因为主题侧重不同，等级评价呈现出明显差异。为进一步探究差异原因,本文选取评价等级为优秀的P6《联邦政府人工智能战略》，良好的P14《联邦政府的数据战略》以及一般的P5《德国可持续发展战略（2018年更新）》进行PMC 曲面绘制，通过深入对比这三份处于不同评价等级的政策文本识别出影响评价等级的具体因素。

表8 德国人工智能政策PMC 指数

4.3 德国人工智能政策对比分析

这3 份政策文件的多投入产出表如表9 所示，各一级变量及PMC 指数如表10 所示。笔者将数据带入公式（3），得到表11，并据此绘制出它们的PMC 曲面图，如图3 至5 所示。

图3 P5 曲面

图4 P6 曲面

图5 P14 曲面

表9 德国人工智能政策多投入产出表（节选）

表10 德国人工智能政策PMC 指数

表11 德国人工智能政策PMC 矩阵

P6的PMC 指数值为7.20，政策等级优秀，曲面图颜色最浅，说明在人工智能产业，P6在制定时较为全面地考察了各维度指标。P14的PMC 指数值为6.35，低于P6，政策等级为良好，曲面图颜色较浅，原因是P14的主题为数据战略，人工智能政策虽时有出现，但其作用范围有限——侧重于国家和产业等宏观层面，而非企业和产品等微观层面。P5的PMC指数值低，仅为3.96，政策等级为一般，曲面图颜色最深。P5是联邦政府对于可持续发展战略的阶段总结和更新，由于可持续发展主题包罗万象，人工智能产业虽在其中被多次提及，但较为笼统，因此该文件在政策效力、政策评价、作用层面和激励措施方面得分不高。

总体来看，涉及不同主题的人工智能政策文件PMC 指数都在可接受的范围内，说明德国的相关政策制定较为合理。通过对比可以看出，政策制定主题越明确、目标越清晰、措施越具体，PMC 指数就越高。因此，在产业政策制定过程中，我们需要明确主题，确定目标，考虑不同的行为主体，长期与短期措施并行，让政策调控更加精准有效。

5 总结与展望

5.1 德国人工智能政策研究结论

首先，经文本挖掘分析，不难发现，德国当前人工智能政策的重点在于欧洲框架内人工智能技术的发展、创新和应用。一方面，德国将人工智能作为未来的发展方向，希望人工智能与工业4.0 结合，对数字化和工业化的协同发展十分重视；另一方面，德国密切关注人工智能技术的安全和伦理问题，强调人工智能发展的开放性和可持续性。在所有的政策中，企业和公民都是政策的目标群体，是德国人工智能政策的重点支持对象。

其次，从政策工具维度分析，德国人工智能政策涵盖供给型、需求型和环境型三类政策工具。其中，供给型作为推动力，促进人工智能相关技术的研发；需求型作为拉动力，拉动市场对人工智能相关产品的需求；环境型作为支撑力，保障人工智能产业健康发展。德国的人工智能政策多为供给型和环境型，占比94.37%，说明政府在产业政策上倾向于在供给侧提供支持，而非拉动市场需求。

最后，从政策评价角度分析，德国人工智能政策评价多为良好，说明政策制定稳定且有效。在使用PMC 指数模型对德国人工智能政策进行评价时，本文重点分析了3份不同等级的人工智能政策文本。这3 份政策文件由于主题各有侧重，在制定人工智能产业政策时角度和方式各有不同。其中，主题为人工智能的政策文件评价最高，主题为可持续发展的政策文件评价较低，说明不同主题和人工智能的关联紧密度各异。

5.2 对我国人工智能政策的启示

德国作为老牌工业大国，在工业基础和人才培养上优势明显，虽然对于政策工具的使用不够科学，但对人工智能产业的政策支持重点突出、主题明确。相较于德国，我国的人工智能产业创新产出虽增长迅速，但创新投入规模和质量仍有较大提升空间。例如，高质量的教育和劳动力资源储备不足，信息化基础尚无法很好地支撑人工智能的深层次应用［22］。为实现我国人工智能产业的可持续发展，本文参考德国经验，对政策制定提出以下4 点建议：

第一，加大对人工智能关键领域基础性研发的支持力度。从政策主题可以看出，德国在人工智能产业的优势在于拥有完善的生产应用场景和坚实的研究基础，因此德国的人工智能政策能在工业4.0的基础上，聚焦发展弱人工智能，加大对研发的投入，开发人工智能硬件和软件核心技术。2019 年，占全球部署量73%的前5 个国家的机器人安装部署量均出现了大致相同的下降趋势，但德国却逆势而为，在2018—2019 年间的部署量略有上升［23］。2020 年，德国在《联邦政府人工智能战略（2020 年更新）》中明确提出增加基础研究预算，支持在国家高性能计算邦州联合资助框架内建设基于需求的超算基础设施，加快高斯超算中心百亿次计算能力的扩建以及相关高性能计算方法的开发。相比于德国完善的工业产业和发达的基础理论，目前，我国人工智能在硬件核心技术上受制于人，在算法和软件方面对国外开源深度学习框架高度依赖。虽然我国已在政策中多次鼓励人工智能相关核心技术研发，但正如《美国国家人工智能研究和发展战略计划》所言，政府部门应该成为“长期高风险研究计划以及近期创新发展工作的主要资金来源，以实现部门或机构的具体要求，或解决私营企业并不能解决的重要社会问题”［24］。我国应学习德国经验，着力增加人工智能领域的基础性研发投入，注重实现核心技术的突破，从而为人工智能的发展提供技术支撑。

第二，加快人工智能人才培养体系建设。在德国人工智能政策中，教育培训和信息支持措施占比较高。在人才培养上，欧盟27 国的人工智能硕士课程数量仅次于美国，共计1 032 种人工智能课程。其中，德国在提供最专业的人工智能课程方面又要领先于其他成员国［23］。在人才资助上，德国与德意志学术交流中心共同设立了新的青年研究者资助计划，并资助基于人工智能和大数据的高校教育数字化创新。在人才竞争上，德国开展人工智能挑战赛，设立德国人工智能奖项“人工智能德国造”。与德国相比，中国在人工智能人才培养上的表现稍显不足。2020 年4 月30 日，我国人社部发布了《新职业——人工智能工程技术人员就业景气现状分析报告》。报告显示，2017 年，近三成的人工智能领域求职者远远达不到雇主的要求。截至2020 年，我国人工智能人才缺口超过500 万，国内的供求比例为1:10，供需比例严重失衡［25］。因此，我国应学习德国的教育体系，加强与德国的人才交流，将人工智能创新人才培养体系建设摆在重要位置，设计能激发国民对人工智能兴趣的课程，建立高等院校与企业联合育人机制，增加人工智能人才培养投入，培养并吸引掌握前沿理论方法、引领产业发展的人工智能学术和工程领军人才。

第三，重视需求型和环境型政策工具的使用。在德国人工智能政策中，需求型政策工具使用频率较低，政府采购、税收优惠等政策形式的拉动效果并不明显；与此同时，德国重视环境型政策工具中的法律法规和目标规划，注重完善人工智能产业生态体系。而根据《人工智能政策分析与展望（2022）》［1］，在我国发布的人工智能政策文件中，应用最多的是供给型政策工具，其次是需求型政策工具，最少的是环境型政策工具，这就导致人工智能产业生态体系不完整，基础创新环境不完善。因此，在制定相关政策时，我国应加强需求型政策工具的使用，立足于地区发展不平衡、科技接受能力强的国情，在基础设施较好的地区以应用示范等方式引导产业高效、绿色发展，在较为落后的地区以政府采购等方式加强基础设施建设，引入人工智能帮助群众脱贫致富，从而实现国内人工智能产业的良性循环。其次，我国还应调整环境型政策工具结构。德国政府侧重于使用目标规划和法规管制等政策工具保障德国人工智能产业发展环境的稳定，金融手段相对较少。我国可以通过知识产权保护、企业权益保障、标准法规支撑、增加税收优惠等方式完善人工智能产业外部环境建设，加强人工智能初创企业自主发展能力和协同创新能力。

第四，注重政策的作用层面和激励措施。政策的评价往往与政策涉及的部门数量以及措施的可执行性有关。在18 份德国人工智能政策文件中，PMC指数较低的政策往往涉及的作用层面较少，措施不够具体，目光也不够长远，虽然这并不一定是评价政策优劣的硬指标，但至少为政策制定提供了一个新的思考角度。在德国，产业政策作用层级少、着力点单一的主要原因在于联邦制的分权体系——经济与能源部属于联邦管辖，而教育与研发事务权则下放给各联邦州；在联邦和州之间，各州之间以及各部委之间缺乏高效合作机制，难以形成合力。我国人工智能产业发展时间较短，创新研发集中于企业层面，优先对微观主体进行资助可以快速扩大产业规模，因此我国的人工智能产业政策在作用层面上多集中于企业创新和产品研发，涉及的行为主体较少。同时，我国习惯在制定产业政策时使用直接干预的手段，如项目审批、目录指导等，激励措施门槛较高，不利于人工智能产业健康发展。因此，根据德国经验，在产业政策制定时，我国可以考虑在主题明确的前提下扩大政策的作用层面，考虑国家创新体系和产业创新环境，采取较易落实的激励措施，如搭建门槛较低的高质量数据集、知识库、测试平台等，为人工智能企业提供更多的投资机会和更大发展空间，使政策更具灵活性和可执行性。