政府数据治理机构何以提升城市韧性——基于组建方式与隶属关系的实证分析

李智超,张迎新

(1.上海交通大学 国际与公共事务学院/应急管理学院,上海 200030;2.中国人民大学 公共管理学院,北京 100872)

一、引 言

由于现代城市具有人口规模大、空间密度高、运转速率快等特质,城市治理长期以来处于高度不确定性的环境之中,面临着传统风险与非传统风险同频共振、交互叠加的复杂态势。为实现从“完全不确定性”向“有限不确定性”,再向“概率化确定性”的过渡与转变,[1]“城市韧性”的概念应运而生。作为现代城市风险治理的新思路,城市韧性源于韧性理论中“演进韧性”的提出与发展,是将韧性理论应用于城市治理情境之中的产物。城市韧性将城市视为一个由多元要素有机构成高度耦合的生命体,主张通过对城市的全周期管理,提升城市在受风险冲击时的抗逆力与风险冲击后的恢复力,从而降低城市的脆弱性。随着我国应急管理工作的关口前移与重心下移,在城市治理中如何提升城市系统的承灾能力和恢复能力,成为亟需回应的重大理论与现实问题。

城市韧性所蕴含的理论与现实价值催生了一系列研究,综合而言,形成了以下两条脉络。第一,城市韧性的测度评价与现状描述。城市韧性评估将韧性视为城市系统所固有的抗扰、恢复、适应能力,[2]采用构建评价指标体系的方式,将城市系统区分为经济、社会、物理、生态、制度多个子系统,在此基础上测度各子系统的韧性,以实现对城市整体韧性的刻画[3-4]。第二,城市韧性的影响因素与提升路径。相关经验研究发现:智慧城市建设所产生的技术效应和结构效应[5]、政府协同管理所增强的灾害抵御能力[6],以及人口集聚所塑造的人力资本和环境压力[7]等,都有助于城市韧性的提升。在各类因素中,行政能力与信息科技影响最大,其次是经济基础和对外开放,金融和社会方面的影响则相对较小。[8]然而,相关经验研究不仅较为分散,对政府组织的作用机制缺乏关注,而且政府要素如何对城市韧性产生影响尚待深入研究。

政府作为城市治理的核心主体,是城市韧性建设的重要推动者,其治理能力直接影响着城市韧性。数字时代的开启使得传统城市治理所采用的“人海战术”日渐失灵,难以适应现代城市治理的要求。[9]但是机遇往往蕴含于挑战之中,数字革命催生了政府治理的数字化转型,并诞生了数据治理这一新型公共治理模式,为提升政府治理能力、解决政府治理顽疾提供了重要机会。[10]然而,政府各部门之间信息孤岛与业务壁垒的广泛存在,限制了数据治理能力的提升。近年来,为形成强有力的跨部门协调机制,政府围绕机构改革进行了一系列探索,如高层领导牵头的大数据治理委员会与政府部门的首席数据官制度。[11]随着数据治理实践的深入开展,组建高度整合的数据治理机构,统筹推进数据治理业务,成为地方政府的广泛共识。数据治理机构作为数据治理体系的核心组织,承担着推进数据汇聚、共享、开放的使命,在推动跨部门互动上发挥着基础性作用。[12]数据治理机构的组建将整合分散于各部门的数据治理职权,实现对数据资源的高效配置,通过结构赋权与资源赋能共同提升了政府绩效。[13]在大数据为城市风险防范与决策提供技术支撑的过程中,由功能性协同塑造的政府数据治理能力,将为城市韧性的提升提供制度化路径。

有鉴于此,本文着眼于地方政府这一城市治理中的核心组织与关键行动者,将数据治理机构的组建视为地方政府为提升数据治理能力的制度创新,构建了分析框架以探究数据治理机构与城市韧性之间的因果关系,将数据治理机构的组建方式与隶属关系,视为差异化功能性协同的具体表现,分析数据治理机构所产生的效应及其异质性,进而剖析积极效应产生的作用机制。在具体实证分析上,本文基于我国287个地级及以上城市2010—2020年的面板数据,构建城市韧性评价指标体系,整理政府数据治理机构的相关信息,在确保变量测度科学性的前提下,应用SDID(Staggered Difference in Differences)模型对研究假设进行实证检验。本文主要有以下边际贡献:第一,在分析框架层面,着眼于政府的功能性合作困境,提出数据治理机构通过职权整合强化数据治理能力,进而提升城市韧性的作用机制,为组织内部的功能性协同提供了实证基础;第二,在因果推断层面,利用准自然实验设计进行了因果识别,借助不同组建方式与隶属关系所隐含的差异化功能性协同进行了作用机制检验,使经验证据更加充分可靠;第三,在变量测度层面,从城市系统的五个维度构建了较为系统科学的城市韧性评价指标体系,同时综合考虑主客观的权重判定,为后续研究提供了可供参考的变量操作化方法。本研究不仅有助于明晰数据治理机构通过功能性协同所塑造的治理效果,而且从职能整合与业务协同的角度为我国城市韧性建设提供了政策启示。

二、制度背景与研究假设

(一)制度背景

长期以来政府内部缺乏主管数据治理工作的职能部门,这导致政府数据治理能力的提升受限于部门之间目标分歧、协调困难、权责模糊等功能性合作困境,而突破该困境的重要途径便是协调与整合,构建针对公共数据资源开发利用的整体性政府。[14]数据治理机构实质上是在整体性政府理念指导下的公共治理实践,基于整合数据治理职权、提升数据治理能力的需求,政府在内部组建数据治理机构,以自上而下的方式授予其数据资源共享汇集与开放利用等“一揽子”的数据治理职权,从而促进政府内部的功能性协同,统筹协调部门间的数据治理业务。数据治理工作是一项系统性工程,理顺现有的数据治理体系,并形成权责明确的组织架构和管理体制,是提升政府数据治理能力、释放数据治理价值的关键。[15]

在促进政府内部功能性协同的探索过程中,数据治理机构的政策实践大致经历了三个阶段。首先,地方探索阶段。2015年9月,国务院印发了《促进大数据发展行动纲要》,《纲要》指出我国在大数据发展和应用方面仍然存在缺乏顶层设计和统筹规划不足等问题,并提出了从组织层面建立大数据发展和应用统筹协调机制,形成职责明晰、协同推进的工作格局。此后,数据治理机构的组建被提上日程,当年便有广州、成都、兰州、厦门等9个城市的政府率先组建了数据治理机构。其次,提速建设阶段。2018年的第八次机构改革对政府职责体系构建进行了原则性设计,即逻辑层面的“职责归类”、内容层面的“统筹协同”、结构层面的“府际差异”。[16]这为大数据深入发展背景下数据治理机构的创新扩散提供了契机,数据治理机构的组建得以在全国大范围铺开。最后,中央助推阶段。2023年3月新一轮的机构改革明确提出组建国家数据局,这是中央关于数字中国建设的重大举措,标志着经过多年的地方探索,数据治理的行政职能地位已经形成制度共识。这有利于解决数据治理职责多头管理、交叉分散的问题,促进了数字中国建设的统筹协调。[17]图1呈现了政府数据治理机构创新扩散的数量化过程。

当前地方政府数据治理机构已经呈现出“多点开花,纵深发展”的态势。截至2022年底,在我国297个地级及以上城市中,共有245个城市的政府已经组建数据治理机构,占比82.48%。虽然这些数据治理机构具有类似的职能定位,但其机构名称和组织形态却差异甚大。首先,机构名称主要呈现出“区域板块”的特征(见表1)。可以发现,省区内的数据治理机构名称高度一致,但在省区外则多有不同,这可能是受省区内不同城市政策模仿与临近效应的影响。其次,组建方式主要呈现出“强力整合”的特征。数据治理机构主要有四种组建方式,重组政府部门(59.18%)占比最高,其他类型如原有部门挂牌(17.14%)、直属事业单位(11.02%)、部门设立单位①(12.65%)的占比都相对较低。最后,隶属关系主要呈现出“职能部门”的特征。数据治理机构主要有三种隶属关系,政府组成部门(75.10%)占比最高,其他类型如政府直属机构(10.20%)、部门管理机构(14.69%)的占比相对较低。

(二)研究假设

由于部门之间的体制分割与利益固守,使得基于自愿的合作机制难以开展,组建数据治理机构成为破解数据治理功能性合作困境的重要举措。作为典型的纵向制度安排提升部门间的协作动机[18],并以更高的政治势能提供部门间的沟通机制,进而强化协作行为,降低协作风险[19]。由此,数据治理机构通过部门间数据治理职权的功能性协同,可以有效提升数据治理能力,而这正是大数据驱动政府治理进而提升城市韧性的重要路径。[20]

表1 政府数据治理机构名称

数字时代,基于城市内部的万物互联互通,以海量异构与动态实时为特点的大数据得以持续生成与存储,与统计分析、可视化交互、时空轨迹分析等大数据技术的匹配与融合,使得政府数据治理在城市风险的监测预警、防范准备、事态评估、应急响应等全链条城市风险治理过程中,发挥着愈加关键的作用,具有传统治理难以比拟的优势。[15]可以从三个维度理解数据治理:“对数据治理”,强调政府内部数据的质量、共享、汇集与安全;“用数据治理”,强调政府以数据为基础提升外部的社会公共事务的治理效果;“数据生态治理”,强调政府对数据治理的政策、法规、文化等制度体系建设。[21]基于此,政府数据治理能力将有效提升城市韧性:第一,“对数据治理”意味着政府可以将分散于政府内外与部门之间的碎片化数据进行共享汇集与统筹管理,推动政务业务流程的优化重组与数据生命周期的规范管理,这不仅将保障数据的安全可控,而且将为有效的数据治理奠定基础;第二,“用数据治理”意味着政府可以将数据作为治理工具,通过数据分析深入挖掘数据所蕴藏的丰富信息,从数据中形成知识和智能,推动公共安全治理模式由“经验驱动型”向“事实驱动型”的转变,从而提升政府的风险决策水平;第三,“数据生态治理”意味着政府可以构建一个公平开放、自由有序的数据生态环境,吸引公众、市场等多元主体参与到数据治理过程之中,借助多元主体的资源,通过共同生产形成数据开发利用的合力,从而形成服务于城市治理的产品与服务。基于此,本文提出如下假设:

H1:政府数据治理机构能够提升城市韧性。

虽然各城市政府都组建了具有相似职能定位的数据治理机构,但这些机构所表现出来的差异性则意味着不同程度的组织保障,这将直接关乎政府数据治理能力的强弱,进而影响城市韧性的提升效果。一方面,组建方式不仅反映了政府对数据治理事务的重视程度,还体现了政府设置数据治理职权的制度性安排;[22]另一方面,隶属关系不仅反映了机构所处的相对行政层级,还隐含了机构与其他职能部门间的关系。上述性质在更深层次上体现了政府为推进数据治理职权整合、破解功能性合作困境所付出的努力和给予的资源保障。数据治理机构的结构设置是否完善、职责分配是否清晰与权责关系是否明确,将直接影响其差异化的部门整合与业务协同能力,由此塑造地方政府不同的数据治理能力[23],进而对城市韧性的提升效果产生深刻影响。

具体而言,一方面,相较于其他组建方式,重组政府部门往往具有较高的行政级别,所牵涉的人员更替、编制流动、权力转移的程度最深,对部门职权整合的强度最高;另一方面,相较于其他隶属关系,政府组成部门往往具有更加稳固的行政地位,而且具备较高行政权限与话语权。[24]一般而言,更广范围的职权整合更有利于建成统一的数据治理体系,可更大程度降低机构业务协同的掣肘与组织沟通的成本。[15]因此,重组政府部门的组建方式与政府组成部门的隶属关系,将使得数据治理机构在行政权力与专业化的职能定位方面都具有相对优势,更能实现政府内部的功能性协同,塑造数据治理能力,进而充分释放其对城市韧性的积极效应。由此,本文提出如下假设:

H2:政府数据治理机构的不同组建方式会对城市韧性产生异质性效应。相较于其他组建方式,重组政府部门的组建方式可能对城市韧性产生更强的积极效应。

H3:政府数据治理机构的不同隶属关系会对城市韧性产生异质性效应。相较于其他隶属关系,政府组成部门的隶属关系可能对城市韧性产生更强的积极效应。

基于以上假设,本文构建了如下分析框架(见图2)。

图2 数据治理机构对城市韧性影响机制的分析框架

三、研究设计

(一)指数测度

城市韧性是由经济、社会、制度、生态、基础设施等子系统组成的高度复杂耦合体,强调城市系统在应对风险与灾害时所表现出的适应、恢复、学习能力。[25]概念内涵的丰富性与抽象性增加了变量测度的难度,为实现对城市韧性的精细衡量,构建评价指标体系已成为学界广泛采用的操作化手段。因此,考虑城市韧性的核心内涵,参考既有研究成果[26],基于数据的可获取性,本文构建了一套城市韧性的综合评价指标体系(见表2),其中包含经济韧性、社会韧性、物理韧性、生态韧性、制度韧性共5个一级指标,每个一级指标包括4个二级指标②。该评价指标体系不仅体现了城市韧性内涵的丰富性,通过多维度多层级的指标系统地对变量进行测度,而且广泛参考了既有研究的指标体系,结合指标内涵进行甄别与取舍,从而试图构建一个历时可考、地区可比的指标体系,以呈现城市韧性在不同城市的发展样貌。

本文采用主观赋权法与客观赋权法相结合的综合赋权法来确定各城市韧性指标的权重,并在此基础上测度最终的城市韧性指数。首先,根据指标的正负方向,使用不同的算法对其进行归一化处理,以统一各指标的计量单位,把指标的绝对值转化为相对值,解决异质指标的同质化问题。其次,主观赋权使用层次分析法(AHP),客观赋权使用熵权法(EWM),分别测算出主观权重与客观权重。再次,进行等权重加权平均得出综合权重,以兼顾专家经验知识的理性判断与数据信息分布的价值判断,确保赋权效果。最后,将各指标的归一化数值分别与对应的综合权重相乘并进行累加求和,并放大100倍以优化展示效果。城市韧性指数的测度模型(1)如下所示:

(1)

其中,RESit为样本城市i第t期的城市韧性指数,Wj为指标j(j=1, 2,…,m)的综合权重,xitj为归一化处理后的指标值。

(二)模型设定

为明确政府数据治理机构对城市韧性的影响,本文将数据治理机构的组建视为准自然实验。考虑到组建过程的多阶段性特征选择SDID,依据城市政府是否组建机构将其划分为处理组与控制组,通过构造双重差分估计量,实现对“处理效应”的评估。本文采用双向固定效应模型对城市与年份固定效应进行控制,从而精确反映被解释变量在这两个维度中的变异性,缓解遗漏变量偏误问题。基准(静态)DID公式如下:

Yit=α0+α1reformit+∑βZ

+ui+λt+εit

(2)

其中,Yit为被解释变量城市韧性;reformit为解释变量数据治理机构建设情况,表示因城市而异的处理期虚拟变量,即若i城市政府于第t年组建了数据治理机构,则此后其取值为1,否则为0;Z为一系列控制变量,以排除可能影响城市韧性的因素干扰;ui与λt分别代表城市与年份固定效应,以排除地区固定差异以及时间共同趋势的干扰;εit为误差项;系数α1是本文所关注的核心,反映了数据治理机构的组建对城市韧性的效应是否具备统计显著性。

表2 城市韧性综合评价指标体系

(三)数据来源与变量选择

本文基于数据可得性构建了我国287个地级及以上城市③2010—2020年的面板数据。具体而言,有以下三点。第一,解释变量与调节变量所涉及的政府数据治理机构的数据,主要来源于各城市官网公开信息、百度百科与新闻报道④。第二,被解释变量与控制变量的城市宏观层面数据主要来源于《中国城市统计年鉴》《中国城市建设统计年鉴》、Wind数据库、中经统计城市年度库、EPS数据平台以及WorldPop人口密度数据库⑤,并通过各城市的统计年鉴、各省区统计年鉴、国民经济与社会发展统计公报等对缺失数据进行查漏补缺。第三,对于非边缘年份缺失较少的多数变量,采用线性插值的方法对其进行精确填补;对于边缘年份缺失较多的若干变量,基于既有数据计算出该变量的年平均增长率,并据此对其进行近似估算。

(1)被解释变量:城市韧性。通过评价指标体系所测算的城市韧性指数进行衡量。

(2)解释变量:数据治理机构。通过政府数据治理机构的组建与否进行衡量。考虑到现实中机构的效能释放过程,根据其不同的组建时间进行差异赋值。某城市若为1—6月组建,从当年起赋值为1;若为7—12月组建,则从下年起赋值为1。

(3)调节变量:机构组建方式主要分为四类,即重组政府部门、原有部门挂牌、直属事业单位、部门设立单位。机构隶属关系主要分为三类,即政府组成部门、政府直属机构、部门管理机构。皆以虚拟变量进行测度。

(4)控制变量:参考既有研究,纳入以下变量,尽可能地提升估计精度、降低遗漏变量偏误。分别为经济活力,以GDP增长率(%)衡量;金融发展,以金融机构人民币各项存贷款余额占GDP比重(%)衡量;创新能力,以专利授权数(个,取对数)衡量;对外开放,以人均使用外资金额(元,取对数)衡量;人口密度,以每平方公里常住人口数(人,取对数)衡量;城镇化水平,以常住人口城镇化率(%)衡量;对外开放,以人均使用外资金额(元,取对数)衡量;地理状况,以地形起伏度衡量⑥。鉴于固定效应模型无法有效估计地理状况这样的非时变变量,参考埃里森的策略[27],将地理状况与各年份虚拟变量的交互项(以2010年为基期)纳入模型中进行估计。

主要变量的描述统计分析结果,如表3所示。

表3 主要变量描述统计分析结果

四、实证分析

(一)平行趋势假设检验

平行趋势假设是DID得以正确识别因果效应的前提条件,即处理组个体在未接受处理的状态下与控制组个体具有相同的时间变动趋势。由于无法观察到处理组个体在处理后的反事实结果,本质上平行趋势假设无法检验,但通过事前平行趋势检验间接证明假设满足往往是一个退而求其次的选择。[28]因而,本文基于事件研究法(ESA),构建平行趋势检验模型:

+∑βZ+ui+λt+εit

(3)

其中,由于样本期内数据治理机构的组建时间基本设定为2016—2020年,本文将组建时间虚拟变量分解为组建前10年、组建当年与组建后4年共计15个相对时期。为避免多重共线性,将组建前10年作为估计结果比较的基期。若i城市政府在第t年组建了数据治理机构,第t年就是其机构组建之前或之后的第j年,此时reformitj取值为1,否则取值为0。那么,组建前的θj就意味着处理组与控制组之间的固有差异,若这种差异在各时期内都没有发生结构性变化,则一定程度上可以认为平行趋势假设的成立。

根据模型(3)的估计结果,绘制了reformitj系数的时间趋势图(见图3)。图3中展示了系数的估计值与95%置信区间,横轴代表了j。在机构组建前,系数虽然呈现了向上的波动,但其95%置信区间几乎都包含了0,表明在5%的显著性水平上,处理组与控制组在数据治理机构组建前的固有差异并不明显,由此平行趋势假设在一定程度上得到验证。⑦然而,在机构组建的当年以及后续年份中,系数在5%的显著性水平上为正,且存在着短期的增长趋势,这意味着数据治理机构积极效应存在的可能性。但由于模型比较的基期与基准回归并不一致,因此需要后续更加严谨的验证。

图3 动态DID检验结果

(二)基准DID检验

本文采纳逐步回归法的思路,在模型(2)中依次加入控制变量、城市与年份固定效应进行结果估计,从而观察核心解释变量数据治理机构系数的稳健性与敏感性。基准DID的估计结果如表4所示:第(1)列仅包含解释变量,第(2)列又纳入控制变量,第(3)列与第(4)列又分别纳入城市固定效应与年份固定效应,第(5)列则将所有因素都予以纳入。可以发现:各列中无论模型对干扰因素的控制程度,系数都在1%的水平上显著为正,且随着干扰因素的逐渐纳入而呈现出逐渐缩小的趋势,这表明了估计结果具有一定的稳健性。

第(5)列是本文所采纳的最终模型。其中数据治理机构的系数为1.216,达到1%的显著性水平。这意味着在对影响城市韧性的主要因素都进行有效控制后,相比于控制组,处理组的城市韧性提升更多,H1成立。由于城市韧性的均值为35.45,可以推断数据治理机构对城市韧性的年平均效应约为3.43%。数字时代虽然加剧了城市风险治理困境,但同时也提供了数据治理的发展机遇。在政府数字化转型的当下,数据治理不仅成为数字政府运行的基础,而且也成为推动治理体系和治理能力现代化的重要路径。[29]在“对数据治理”的基础上,一方面,地方政府可以“用数据治理”,通过大数据手段挖掘城市运行过程中海量数据间的内在关联,从而精准识别社会公众的公共安全需求与网格单元的公共安全隐患,促使政府实现基于科学决策的靶向治理。[30]另一方面,地方政府还可以打造“数据生态治理”,即通过建立与完善数据相关制度规则体系,培育数据资源自由流动与开发利用的社会环境,为市场与社会主体开发数据产品与服务保驾护航,从而弥补政府在挖掘数据公共安全价值方面的技术劣势。[31]综上,数据治理机构作为地方政府为提升数据治理能力、改善社会治理绩效而开展的政策实践,是城市韧性的重要组织保障。

表4 基准回归结果

(三)动态DID检验

政府机构改革往往是多部门博弈的结果。各地数据治理机构虽然纷纷组建,然而其效能的释放却并非简单的线性过程。数据治理机构的协调工作特性决定了其工作成效依赖于其他部门的密切配合,不同时期部门之间的配合差异,可能导致其对城市韧性的具体效应表现出阶段性特征。即数据治理机构组建的效果具有时间维度的异质性,围绕年平均效应上下波动。数据治理机构在时间维度上治理效果的变化,反映了其对城市韧性的历年边际效应。因此,本文构建动态DID模型:

+ui+λt+εit

(4)

其中,由于与基准DID保持一致,即将数据治理机构组建前的时期作为参照,因此只保留了组建当年与组建后的4个年份;θj表示机构组建对城市韧性的动态平均处理效应。

表5展示了动态DID检验结果。在机构组建后,当年、后1年与后2年的系数都达到了10%的显著性水平,分别为1.098、1.222、1.720,然而后3年与后4年的系数则不再显著。这意味着数据治理机构提升城市韧性的过程具有阶段性。具体表现为数据治理机构积极效应的短期性,即虽然在组建前期数据治理机构产生了递增的效应,并在组建后2年达到最大值,年平均效应约为4.85%,然而在此后两年数据治理机构的积极效应逐渐减弱。数据治理机构作为一个政府内部相对弱势的协调部门,其职能履行往往需要其他同级乃至更高级部门的业务配合,这往往会面临诸多堵点。在此情形下,地方政府对数据治理机构的重视程度就显得至关重要,政府注意力意味着政策助推与资源倾斜,会影响公共事务的治理成效。[32]数据治理机构的建设成效在很大程度上反映了地方政府对数据治理的重视程度。[33]然而在政府注意力不断变化的制度环境中,各部门面临着对政府注意力的策略性竞争[34],城市韧性建设数据治理机构难以始终保持着注意力的竞争优势。在数据治理机构组建前期,为保障新部门的工作开展,政府可能会对其加以更多的支持;然而随着时间的推移,治理任务纷繁复杂,政府不得不在各类议题之间调整注意力,这就导致政府注意力的稀释、耗散、泛化等问题。[35]因此,政府注意力的分配与调整过程塑造了数据治理机构由效能释放到效能减弱的动态过程,这也反映出目前数据治理机构尚未能形成提升城市韧性的长效机制。

表5 动态DID检验结果

(四)调节效应检验

虽然数据治理机构与城市韧性之间的因果关系已较为明晰,然而,更重要的问题是,这种因果关系的作用机制究竟为何?即政府内部的功能性协同是否发挥了重要作用?地方政府数据治理机构的组建方式与隶属关系,都反映了政府为整合数据治理职权、促进功能性协同所提供的组织保障。可以预期,保障程度更高的组建方式与隶属关系,将强化数据治理机构对城市韧性的积极效应。因此,本文采取调节效应检验的思路,[36]构建计量模型:

Yit=δ0+∑δkgroupitk×reformit

+∑βZ+ui+λt+εit

(5)

其中,groupk是数据治理机构的组建方式或隶属关系,分别对应四类的组建方式虚拟变量与三类的隶属关系虚拟变量。以组建方式为例,若i城市政府于t年时存在数据治理机构且组建方式为k,则其取值为1,否则为0;δk代表了数据治理机构的不同类型对城市韧性的边际贡献。

本文在进行模型估计时,先将数据治理机构的某一类型单独纳入到模型中进行估计,即不存在该类型数据治理机构的城市成为参照组,而后再将各类型同时纳入模型中进行估计,即未组建数据治理机构的城市成为参照组。⑧如此,可以对数据治理机构的不同组建方式与隶属关系形成更为全面的认识,并且可以通过结果对比增强可信度。

首先,就组建方式而言(见表6)。在单独估计中,仅有重组政府部门的系数达到5%的显著性水平,这意味着即使是与包含其他组建方式的参照组相比,重组政府部门的积极效应仍然突出。在综合估计中,重组政府部门与部门设立单位的系数都达到5%的显著性水平,分别为1.502与1.335。二者的效应都高于数据治理机构的效应(1.216),且重组政府部门的最高,年平均效应约为4.24%,H2成立。这些组建方式差异化的效能表现与其内在性质密不可分:第一,对于“重组政府部门”的组建方式,该类机构所具备的预算、编制与权力优势将为其后续工作开展提供更多“博弈筹码”,降低掣肘与协调成本。[15]第二,“原有部门挂牌”的组建方式,虽然可能借力于挂牌机构的既有权力,但是根据挂牌机构不得实体化单独运行的机构编制原则,必然会受到自身实体机构的影响,可能成为一种形式化的机构设置,从而难以发挥实际作用。[37]第三,对于“直属事业单位”的组建方式,非行政机关的定位使其并不具备与各职能部门相匹配的行政权力,且由其额外承担行政职能容易造成政事不分、行政职能体外循环、管理不规范等问题。[22]第四,“部门设立单位”的组建方式,往往设置在政府办、发改委、网信办、工信局(委)等优势部门之下,这使其可以“借势”,从而一定程度上实现纵向支配下的横向协调。[12]

表6 组建方式调节效应检验结果

其次,就隶属关系而言(见表7)。在单独估计中,仅有政府组成部门的系数达到5%的显著性水平,这意味着即使是与包含其他隶属关系的参照组相比,政府组成部门的积极效应仍然突出。在综合估计中,政府组成部门与部门管理机构的系数都达到5%的显著性水平,分别为1.398与1.342。二者的效应都高于数据治理机构的效应(1.216),且政府组成部门的最高,年平均效应约为3.94%,H3成立。这些隶属关系差异化的效能表现与其内在性质紧密相关:第一,政府组成部门作为政府内部常规的内设机构,一般与上级政府的组织架构相对应,[38]“职责同构、上下对口”的管理体制形塑了其稳定的权责关系,从而为与其他部门的有效协调提供了必要条件。第二,政府直属机构虽然也具备一定的专业性、独立性、权威性,但往往是作为政府组成部门的一个替代选择而出现[22],其事业单位性质局限了数据治理的协调统筹能力。第三,部门管理机构虽然仅隶属于政府的职能部门之下,然而这实际上也是考虑到了强势部门所具有的统筹协调优势。如果二者磨合顺利,则可借力于强势部门的资源,服务于任务开展的高位推动。[12]

最后,无论是重组政府部门的组建方式还是政府组成部门的隶属关系,实质上二者都存在着高度重叠。以2022年已经组建数据治理机构的245个城市政府为例,组建方式为重组政府部门的有145个,隶属关系为政府组成部门的有184个,而其中存在交叉的就达到了144个。由此可见,这两者分别作为组建方式与隶属关系中功能性协同最高的类型,其性质实际上也高度相似,都是依托于更高程度的组织保障,实现数据治理职权的集中整合,进而提升数据治理能力,强化数据治理机构对城市韧性的积极效应。也正是如此,这两者所产生的积极效应都高于数据治理机构的平均效应,表现出高度的一致性,这为本文关于数据治理机构提升城市韧性的作用机制提供了较为有力的经验证据支持。⑨纵观国家历次机构改革,政府数据治理机构经历了以事业单位为主到以行政单位为主、从隶属关系多元化到以政府组成部门或部门管理机构为主的转换过程[39],这体现了政府对数据治理职能的认知深化。数据治理现实需求客观上需要综合性、专业性的数据治理机构。而由于数据治理工作的跨部门协调特征,必须尽可能地通过组织保障,赋予其较高的统筹协调能力[40],从而充分发挥数据治理对公共事务治理的赋能效果。

表7 隶属关系调节效应检验结果

五、稳健性检验

(一)替换被解释变量

考虑到城市韧性评价指标体系的权重判定方式可能存在主观性问题,将影响城市韧性测度结果的有效性,进而导致基准DID的估计结果产生波动,本文尝试替换被解释变量,分别使用熵权法、层次分析法、均权法⑩与因子分析对评价指标体系的权重进行判定,并测度出相应的城市韧性指数。表8展示了替换被解释变量的估计结果。无论采用何种方法进行城市韧性指数的测度,数据治理机构的系数仍然显著为正。这表明本文选择综合赋权法进行城市韧性的测度是合理的,DID估计结果对城市韧性测度方法的变化并不敏感。

表8 替换被解释变量估计结果

(二)排除干扰性政策

考虑到在数据治理机构释放效能的过程中还伴随着其他政策的实施,这些政策不仅可能与数据治理机构的组建发生于同一城市,而且还可能对城市韧性产生影响,由此将导致基准DID的估计结果并非是一个净效应。本文尝试排除干扰性政策,即通过构造新的双重差分估计量来对各试点政策进行测度,从而将这些政策的影响从基准DID模型中予以剔除。这些政策主要有三项。第一,智慧城市。我国于2012年正式启动智慧城市试点政策,并于2013年与2015年分别增加了新一批试点城市。智慧城市依托数字技术的整合协同功能,以创新驱动城市整体结构发生变革,进而可能提升城市韧性。[5]第二,海绵城市。我国于2015年正式启动海绵城市试点政策,并于2016年将其扩充至30个城市。海绵城市依托于国家专项资金补助,聚焦于城市建设中的水生态问题,能提升城市系统的风险防御能力。[41]第三,国家创新型城市。我国于2010年开始在全国范围内逐渐铺开国家创新型城市试点,至今已有近70个试点城市。国家创新型城市建设可通过人才集聚和创新产出,对城市韧性产生积极效应。[42]表9展示了排除干扰性政策的估计结果。除海绵城市外,其他“干扰”政策均对城市韧性具有显著的积极效应。然而即使如此,各列中数据治理机构对城市韧性的效应仍然保持在较高水平。这表明这些政策冲击虽然使得数据治理机构的效应有所降低,但数据治理机构的积极效应并未因此而明显下滑或者消失。

表9 排除干扰性政策估计结果

(三)安慰剂检验

虽然本文已对主要干扰性政策进行排除,然而,现实中政策的纷繁复杂导致本文无法对其穷尽,多种政策之间错落重叠的时间更是令所关注的真实效应受到影响。本文应用反事实检验的思路,即进行安慰剂检验。由于SDID中不同城市具有不同的政策时点,标准DID仅虚构处理组的方式不再适用。因此,本文采用如下方式:先将全样本按城市分组,并随机抽取207个城市作为处理组,而后在每个组内分别随机抽取一个年份作为该组城市的处理时间,如此可实现处理城市与处理时间的双重随机性,最后生成虚构核心解释变量数据治理机构进行DID结果估计。图4展示了随机抽取500次的安慰剂检验结果,刻画了虚构变量系数的概率密度与对应的P值,竖线代表基准DID估计结果(1.216),横线代表10%的显著性水平。由此可以发现:一方面,虚构效应高度集中于0附近,且P值也高度集中于10%的显著性水平以上,这表明虚构变量对城市韧性的估计结果不具有统计显著性;另一方面,基准DID的估计结果也落在小概率区间,与虚构效应的分布存在显著差异,这表明虚构变量对城市韧性的估计结果难以达到真实变量所在的水平。综上,虚构变量并未对城市韧性产生显著影响,这反向验证了本文结论的可信度,即数据治理机构对城市韧性的积极效应并未受到其他随机性因素的较大干扰。

图4 安慰剂检验结果

六、结论与讨论

大数据时代的城市系统变得愈加复杂,城市灾害的级联效应改变了城市治理中的危机生成模式与风险扩散规律,城市韧性的价值日益凸显,[43-44]对政府数字治理与韧性治理提出更高的要求。本文着眼于政府组织层面,构建了政府数据治理机构提升城市韧性的分析框架,基于287个地级及以上城市的2010—2020年城市韧性的时空演变过程,应用交错DID模型分析了两者之间的因果关系与作用机制。研究发现:第一,数据赋能。数据治理机构能提升城市韧性,静态维度下,在对影响城市韧性的主要因素进行控制后,数据治理机构的组建对城市韧性的年平均效应为3.43%。第二,短期效应明显。数据治理机构提升城市韧性的过程具有阶段性。动态维度下,数据治理机构的组建在前期产生了积极效应,但在后期积极效应逐渐减弱。第三,协同效应显著。政府内部的功能性协同是城市韧性得以提升的作用机制。调节维度下,就组建方式而言,重组政府部门的积极效应更强;就隶属关系而言,政府组成部门的积极效应更强。

以上结论为我国城市韧性的建设提供了以下三方面的政策启示。首先,数据治理机构作为政府推动数据治理深入发展的组织载体,在城市韧性提升的过程中可以扮演重要角色。在城市治理向“概率性确定”的转型过程中,综合化与专业化的数据治理机构可以成为有效的政策抓手与治理工具。其次,目前数据治理机构治理效能的释放仅具有短期效应,尚未形成提升城市韧性的长效机制。在数据治理机构组建和调整的过程中,政府相关部门需要投入必要的注意力资源。更重要的是,识别新老部门业务磨合过程中所蕴含的难点、堵点,破解传统碎片化权威的功能整合困境,解决其与既有体制机制的衔接问题,确保机构业务运转平稳过渡,形成制度化赋能路径。最后,数据治理机构治理效能的塑造,本质上是部门间功能性协同的结果,城市韧性的提升效果最终取决于功能性协同的程度。鉴于其他组建方式与隶属关系所实现的功能性协同程度较弱,在条件具备的情况下,应当逐渐将数据治理机构以重组政府部门的方式组建,并调整为政府组成部门的隶属关系。

作为从政府组织层面分析城市韧性的一项实证研究,本文仍然存在以下局限与不足:第一,对于分析框架。虽然提出了政府数据治理机构借助功能性协同,提升城市韧性的作用机制,但尚未明晰该机制在更为广泛的治理领域中所发挥的作用。后续研究将围绕着组织内部的功能性协同,在其他议题中对该机制的治理效果进行检验,从而为该机制的完善提供实证基础。第二,对于因果推断。虽然借助于调节效应分析,初步识别了数据治理机构提升城市韧性的作用机制,但城市韧性内涵的多维度和复合性,决定了其与数据治理机构之间存在多种可能的因果逻辑。后续研究将针对两者的作用机制与作用渠道,进行更为深入的理论挖掘并提供更为可靠的经验证据。第三,对于变量测度。本文基于准自然实验分析了政府数据治理机构成立与否对城市韧性的影响,但不同城市的数据治理机构的运作情况与绩效水平千差万别。后续研究将构建指标体系,更为精准地刻画政府数据治理机构的绩效样态,在此基础上实证分析政府数据治理机构提升城市韧性的实践逻辑与因果机制。

【注释】

① 其中部门设立单位主要指部门直属行政单位或者部门下设事业单位这两类。

② 为控制货币贬值所带来的影响,保障各年度的二级指标具有可比性,根据历年各省级行政区的居民消费价格指数(CPI)对所涉及的经济变量进行平减处理。

③ 在我国目前297个地级及以上城市中,未包含的10个城市为海南省的三沙市、儋州市,西藏藏族自治区的日喀则市、昌都市、林芝市、山南市、那曲市,青海省的海东市,新疆维吾尔自治区的吐鲁番市、哈密市。

④ 具体而言,笔者首先通过搜索引擎对某市的数据治理机构进行尝试性搜索,明确是否能够获取相关信息。此类信息一般来源于新闻报道或百度百科,权威性相对有限,且可能缺乏我们所需的部分信息。在此基础上,通过该市政府门户网站进行相关关键词的检索,进一步明确该数据治理机构的组建时间、级别、性质等信息。

⑤ 网址:https:∥hub.worldpop.org/geodata/listing?id=76.

⑥ 参见游珍、封志明、杨艳昭:《中国地形起伏度公里网格数据集》,《全球变化数据仓储电子杂志(中英文)》2018, https:∥doi.org/10.3974/geodb.2018.03.16.V1.

⑦ 需要指出的是,在组建前1年,系数达到了5%的显著性水平,这可能与本文对数据治理机构变量的设置方式存在关系。考虑到机构组建的运作过程,本文将7—12月组建的数据治理机构从下年起赋值为1,如此方式设置下2015年赋值为1的城市仅有4个(沈阳市、广州市、成都市、兰州市)。处理组样本过少可能带来严重的估计偏误问题,因此也将其统一设定为2016年。

⑧ 两个参照组的区别是:对前者而言,参照组不仅包含了未组建政府数据治理机构的城市,还包含了那些组建方式或隶属关系不为该类型的城市;对后者而言,参照组则仅为未组建政府数据治理机构的城市。

⑨ 本文进一步考察了“重组政府部门”和“政府组成部门”两类数据治理机构的动态效应。结果显示,虽然其仅在机构组建当年与后一年存在积极效应,然而二者都对城市韧性表现出了更积极的影响。“重组政府部门”和“政府组成部门”两类数据治理机构在有限时期内所释放出来的积极效应,仍然明显高于一般的数据治理机构,展现了功能性协同对提升城市韧性的重要价值。

⑩ 均权法无须调整权重。通过对所有指标权重的均等化赋值,一定程度上可以更好地体现城市韧性的协调发展。