吉林省人工智能政策文本分析及效果检验

来源：核心期刊咨询网时间：12

摘要：【摘 要】论文以吉林省以及部分发达地区，如浙江、广东、江苏、上海的人工智能政策为样本，采用政策内容分析法，借助NVIVO分析软件，从政策工具视角对5个地区的人工智能政策进行量化分析、研究，并运用层次分析法，以供给型、需求型以及环境型政策工具为视角

　　【摘 要】论文以吉林省以及部分发达地区，如浙江、广东、江苏、上海的人工智能政策为样本，采用政策内容分析法，借助NVIVO分析软件，从政策工具视角对5个地区的人工智能政策进行量化分析、研究，并运用层次分析法，以供给型、需求型以及环境型政策工具为视角，对五大地区的政策实施效果进行检验。最后，论文就吉林省人工智能效果评分以及发展现状，提出优化吉林省人工智能发展的对策和建议。

　　【關键词】政策内容分析法;NVIVO;政策工具;层次分析法;政策效果检验

　　1 引言

　　我国人工智能产业迎来了快速成长阶段。在2018年世界人工智能大会上，习近平同志指出：“新一代人工智能正在全球范围内蓬勃兴起，为经济社会发展注入了新动能，正在深刻改变人们的生产生活方式”。可见，全球各国对“人工智能”的技术发展与产业融合的重视程度正在不断攀升。

　　为响应国家号召，自2017年7月国务院《新一代人工智能发展规划》以来，多个省份及直辖市颁布了相关人工智能政策。尽管吉林省最早于2017年发布了《吉林省人民政府关于落实新一代人工智能技术发展规划的实施意见》，但其目前人工智能发展仍然处于一个较低的水平。因此，本文就吉林省人工智能在政策文本上存在的不足进行分析、研究，并提出相应的建议。

　　2 文献综述

　　1956年，在达特矛斯会议上，约翰麦卡锡第一次提出了人工智能的概念[1]。随着大数据、各产业智能化的迅速普及与发展，人工智能早已渗透到人类社会生活的各个角落。

　　在评价方法上，张炜、费小燕等人从创新政策强度、政策协同度、政策完善度3个维度，针对江苏省、浙江省、上海市颁布的区域创新政策对供给、需求和环境支持三大导向进行了量化评估和文本分析[2]。彭辉以内容分析法为研究视角，量化评估了政策主体、政策主题以及政策的作用对象等相关内容，对制约科技创新的法律障碍和现实问题进行了剖析，提出了应进一步健全科技立法体系的建议，也指出了发展的重点领域和薄弱环节[3]。

　　在评价内容方面，张誉曜、陈媛媛从文本视角分析智库文本型成果，并为智库研究、决策分析等领域提供新思路[4]。贾开、郭雨晖等人曾对美国、英国、德国、中国的人工智能发展与规制政策的历史沿袭进行了简要阐述与比较分析，并在与国际对比分析的基础上，针对中国人工智能公共政策的未来发展方向提出了多方面的建议[5]。

　　3 论文研究框架

　　论文对政策文本分析采用的方法是政策内容分析法，通过供给型、需求型以及环境型政策工具视角[6]对吉林省以及全国人工智能总指数排名靠前的4个省份的人工智能政策文本内容进行编码。同时采用层次分析法，通过构建评价指标体系，并计算指标权重，对其进行合理的效果验证，最后发现问题并提出相应的对策建议。具体框架如图1所示。

　　4 研究过程

　　4.1 样本采集与关键词编码

　　本文就截至2020年一季度(突发疫情之前)中国人工智能发展总指数排名位于前四的省份，即上海、广东、浙江、江苏，与吉林省进行对比分析，并针对吉林省人工智能发展政策给出有效建议(注：由于北京政治地域文化的特殊性，不予参与比较分析)。

　　从供给型、需求型、环境型三大政策工具对上海、广东、浙江、江苏、吉林所出台的5份省级人工智能政策进行分类，通过对“资金”“人才引入”“示范企业”等关键词进行编码，最后运用NVIVO分析软件，便可得到量化结果。

　　供给型政策工具特指政府通过支持人才、信息、技术和资金等方式与手段直接扩大人工智能的需求与规模，推动人工智能的发展。将其设有资金投入、人才培养、人才引入、基础设施、培育产业、公共服务、核心专利的政策工具。

　　需求型政策工具凸显企业以及其他社会性组织的主体地位。因此，将其下设有产业合作、成果转化、示范企业、项目投入的政策工具。

　　环境型政策工具是指政府通过实施税收制度、法律法规等方式与手段推进人工智能的发展。因此，将其下设有法律伦理、宣传推广、理论研究、税收政策的政策工具。

　　通过对5个省份人工智能政策文本的统计，得到图2。

　　综合来看，各省份对供给型和需求型重视程度相当，广东省在各个政策工具方面的表现尤为突出;从词语云的统计上也能清楚地看到，广东省重点强调“创新”“技术”“产业”等，而吉林省主要强调“技术”“智能”以及“发展”(见图3)。因此，仅从政策文本角度进行探究，建议吉林省政府放大对人工智能“应用”“技术”以及“产业”的重视，从而紧追科技前沿。

　　4.2 政策评价与权重分析

　　本文通过层次分析法(AHP)对吉林、江苏、浙江、上海、广东人工智能政策作出了评价。层次分析法是一种定性分析与定量分析相结合的系统分析方法，它的基本思路是先根据各要素间的隶属关系，将要素按不同层次聚集组合，形成一个多层次分析结构模型[7]，从而降低主观判断的误差。

　　供给型、需求型及环境型下设的评价指标从不同方面反映了人工智能发展的情况，但他们之间的重要程度并不相同。因此，必须确定各项指标对人工智能发展评价的影响程度。为此，本文采用层次分析法确定指标权重。在进行2个要素之间的比较时，要对它们之间的重要性进行量化，构造如表1所示的判断矩阵。

　　表1 一级指标的判断矩阵(例)

　　经过查表可知，当二级指标数量为5(即n=5)时，RI=1.12。

　　结合如下公式：

　　可计算得到CR=0.0088，当CR小于0.01时，可认为该判断矩阵通过一致性检验，因此判断矩阵Z具有满足一致性。

　　由于其他指标判断矩阵求解过程与上述方法相同，因此本文不再赘述。

　　通过计算一级指标相对权重与各一级指标下二级指标相对权重的乘积，可得到各二级指标对于总体目标影响的组合权重，各二级指标的最终权重如表2所示。

　　从表2可以看出，人才引入、示范企业数量以及政府或投资人对产业园的资金投入对人工智能影响较大。从政策工具视角而言，供给型政策工具占比为57.01%，需求型政策工具占比为28.57%，环境型政策工具占比为14.42%。综上，三方面的政策工具对人工智能的发展都有一定程度的影响，因此，通过对政策文本的研究，从而得出政府对人工智能发展所需重视的方面就显得尤为重要。

　　5 吉林省存在的问题

　　通过政策工具二级指标对吉林、浙江、广东、江苏以及上海进行了实际情况的信息搜寻与评分，从而对上述研究进行侧面检验。

　　从表3可以看出，对人工智能产业本身资源而言，吉林省建设的产业园数量、发明的专利数量以及人工智能专家方面较人工智能发展前沿省份相对落后;对其资金投入而言，吉林省投入的资金较其他省份而言相对较低。此外，政府的宣传力度、税收方面的政策优惠等方面都有较大的提升空间。

　　为更加直观地反映与验证以上各省人工智能政策的合理度，本文利用五大省份实际情况的统计数据，并结合已求得的权重向量对其进行了打分展示，具体步骤如下：

　　构建确切的评价政策合理度分数M的目标函数：

　　M=SWTH=(w1，w2，…，wj，…，w11)T(h1，h2，…，hj，…，h11)(4)

　　W=[0.1733 0.0454 0.0938 0.0554 0.2035 0.0390 0.1786 0.0681 0.0771 0.0233 0.0424];其中W为权重向量，H为各项指标得分向量，S为基准总分，为更加直观地展示政策合理度分数，这里我们取S为100。

　　利用向量的单位化即可求得各项指标得分hj：

　　其中，Rj为各项指标的实际数据值，其值可表示为：

　　根据上述公式可算得各个省份的政策合理分数为：

　　M吉林=17.79

　　M浙江=75.58

　　M广东=91.85

　　M江苏=74.16

　　M上海=88.80

　　6 对策建议

　　综上，从评分上来说，本文以苏、浙、上、广四大省份作为参考标准是合理的。从政策工具角度而言，供给型方面的政策以及资金支持对吉林省人工智能的发展起着重要作用。吉林省政府要在汲取其他国家及地区的经验教训上，有效加强对人工智能的投入力度;吉林省在人才培养方面，有吉林大学、长春理工大学等高校支撑，因此应该加大吸引外部人才以及留住本地人才的政策力度，并发挥政府最大的支持与激励作用，扩大吉林省人工智能产业规模。

　　应用需求是科技创新的不竭之源，也是人工智能技術的创新之源。长春现有长春市机器人产业园项目、长春市人工智能识别产业园项目等。在这种优越的背景下，应加快实验成果的转化及运用，以保障产能以及企业价值的提高等。

　　环境型政策工具在某种意义上起到支撑人工智能发展的作用，它从侧面有效推进人工智能的发展。因此，吉林省政府应鼓励对其政策的研究并加大宣传力度，让更多公民加入人工智能的建设中来，从而加速人工智能的发展。

　　【参考文献】

　　【1】程石.人工智能发展中的哲学问题思考[D].重庆：西南大学，2013.

　　【2】张炜，费小燕，肖云，等.基于多维度评价模型的区域创新政策评估——以江浙沪三省为例[J].科研管理，2016，37(S1)：614-622.

　　【3】彭辉.基于内容分析法的上海市科技创新政策文本分析[J].大连理工大学学报(社会科学版)，2017，38(01)：157-163.

　　【4】张誉曜，陈媛媛.美国著名智库文本成果研究——以人工智能领域为例[J].图书馆论坛，2021，41(02)：152-160.

　　【5】贾开，郭雨晖，雷鸿竹.人工智能公共政策的国际比较研究：历史、特征与启示[J].电子政务，2018(09)：78-86.

　　【6】Rothwell R，Zegveld W.Reindusdalization and technology[M].London：Longman Group Limited，1985.

　　【7】赵秀秀，朱烨.基于灰色理论和AHP的物业满意度模糊评价模型[J].现代商业，2016(11)：143-145.

　　推荐阅读：人工智能和伦理类论文发表期刊

转载请注明来自：http://www.qikan2017.com/lunwen/dzi/20993.html