printlogo


«سرآمد» تحلیل می‌دهد؛
حکمرانی شهودی به حکمرانی عدالت‌محور داده‌بنیان

گذار از حکمرانی محاسباتی و عدالتخط‌مشی‌گذاری عمومی محاسباتی



گروه تحلیل - مرتضی فاخری - پیچیدگی فزاینده نظام‌های اجتماعی و اقتصادی و بروز بحران‌های ساختاری نوظهور، کارآمدی الگوهای سنتی اداره امور عمومی را با چالش‌های بنیادین روبه‌رو ساخته است. در چنین بستری، سیاست‌گذاران با مسائلی روبه‌رو هستند که ماهیتی چندبعدی، پویا و به‌هم‌پیوسته دارند و دیگر با تحلیل‌های ساده و تک‌عاملی قابل مدیریت نیستند. افزایش شهرنشینی، تغییرات اقلیمی، نوسانات اقتصادی، مهاجرت‌های گسترده و بحران‌های سلامت، همگی نمونه‌هایی از مسائلی هستند که در فضایی از عدم‌قطعیت و پیچیدگی عمل می‌کنند و پاسخ‌های سنتی را ناکارآمد می‌سازند. در این میان، انباشت نابرابری‌ها، توزیع نامتوازن فرصت‌ها و نادیده‌انگاری نیازهای اقشار آسیب‌پذیر در فرآیندهای تصمیم‌گیری، ضرورت بازتعریف پارادایم خط‌مشی‌گذاری را بر محور عدالت اجتماعی دوچندان کرده است. عدالت اجتماعی در این معنا نه یک آرمان انتزاعی، بلکه معیاری عملی برای سنجش مشروعیت و کارآمدی نظام حکمرانی است. هر سیاستی که بدون توجه به توزیع پیامدهای خود بر گروه‌های مختلف اجتماعی طراحی شود، در معرض خطر تعمیق شکاف‌ها و تضعیف سرمایه اجتماعی قرار دارد. از این‌رو، پرسش بنیادین حکمرانی معاصر این است که چگونه می‌توان تصمیم‌های عمومی را به‌گونه‌ای سازمان داد که هم از دقت و کارآمدی برخوردار باشند و هم عدالت توزیعی و رویه‌ای را تضمین کنند. 
رویکرد خط‌مشی‌گذاری عمومی محاسباتی از رهگذر پیوند میان علوم کامپیوتر، داده‌کاوی، یادگیری ماشین و شبیه‌سازی سیستم‌های پیچیده با علوم خط‌مشی، بستری نوین پدید آورده است تا نظام حکمرانی بتواند از تصمیم‌گیری‌های متکی بر حدس، شهود، لابی‌گری و سوگیری‌های بوروکراتیک فاصله بگیرد و به‌سمت سازوکارهای پیش‌بینانه، شفاف و مبتنی بر عدالت توزیعی و رویه‌ای گام بردارد. این رویکرد، خط‌مشی‌گذاری را از یک فعالیت واکنشی و پس‌نگر به فرآیندی پیش‌نگر، آزمایش‌پذیر و قابل اصلاح تبدیل می‌کند و امکان می‌دهد که پیامدهای احتمالی سیاست‌ها پیش از اجرا ارزیابی شوند. چنین ظرفیتی زمانی معنا پیدا می‌کند که فناوری محاسباتی نه به‌عنوان ابزاری تزئینی، بلکه به‌عنوان زیرساختی برای بازاندیشی در منطق تصمیم‌گیری عمومی به کار گرفته شود.
ریشه ناکارآمدی چرخه سنتی خط‌مشی‌گذاری عمومی در اتکای بیش از حد آن به مدل‌های خطی، آمارهای کلان و ارزیابی‌های مقطعی نهفته است. مدل‌های خطی با فرض رابطه‌ای ساده و یک‌طرفه میان متغیرها، از درک بازخوردهای پیچیده و اثرات غیرخطی بازمی‌مانند و تصویری ناقص از واقعیت اجتماعی ارائه می‌دهند. آمارهای کلان نیز با تجمیع داده‌ها در سطح ملی یا منطقه‌ای، ناهمگنی‌های درونی را پنهان می‌کنند و تفاوت‌های عمیق میان گروه‌های اجتماعی و مناطق جغرافیایی را از نظر دور می‌دارند. ارزیابی‌های مقطعی نیز که معمولاً پس از اجرای سیاست و با تأخیر انجام می‌شوند، فرصت اصلاح را از دست می‌دهند و در بسیاری از موارد تنها به ثبت خسارت‌های واردشده بسنده می‌کنند. این ابزارها با پنهان‌ساختن واقعیت‌های اجتماعی در پس شاخص‌های کلان، از درک شکاف‌های خرد و دردهای طبقات فرودست بازمی‌مانند و ناخواسته به بازتولید نابرابری و تعمیق تبعیض‌های فضایی و طبقاتی دامن می‌زنند. نتیجه چنین رویکردی آن است که سیاست‌هایی که ظاهراً برای بهبود عمومی طراحی شده‌اند، در عمل ممکن است منافع گروه‌های قدرتمندتر را تقویت کنند و بار هزینه‌ها را بر دوش گروه‌های ضعیف‌تر بگذارند. 
از آنجا که جوامع امروزی در قالب سیستم‌های انطباقی پیچیده عمل می‌کنند و در آن‌ها تعاملات غیرخطی، حلقه‌های بازخورد و آسیب‌پذیری‌های نهادی جریان دارد، توزیع عادلانه منافع عمومی به محوری‌ترین مسئله حکمرانی بدل شده است. در چنین سیستم‌هایی، هر مداخله سیاستی می‌تواند اثرات زنجیره‌ای و پیش‌بینی‌نشده ایجاد کند و بنابراین نیاز به ابزارهایی که بتوانند این پیچیدگی را مدل‌سازی کنند، بیش از پیش احساس می‌شود. سیستم‌های انطباقی پیچیده با ویژگی‌هایی چون خودسازماندهی، مسیروابستگی و حساسیت به شرایط اولیه شناخته می‌شوند و این ویژگی‌ها موجب می‌شوند که مداخله‌های ساده و خطی نه‌تنها اثربخش نباشند، بلکه ممکن است پیامدهای ناخواسته و معکوسی به بار آورند. بنابراین، گذار از پارادایم خطی به پارادایم محاسباتی و پیچیدگی‌محور، نه یک انتخاب اختیاری، بلکه ضرورتی ساختاری است.
مفهوم خط‌مشی‌گذاری عمومی محاسباتی در پیوند با کلان‌داده‌ها و هوش مصنوعی این امکان را فراهم ساخته است که فناوری محاسباتی در خدمت کشف کانون‌های محرومیت و ریشه‌کنی تبعیض‌های ساختاری قرار گیرد. کلان‌داده‌ها با فراهم‌آوردن حجم عظیمی از اطلاعات خرد و جزئی، امکان تحلیل‌های دقیق‌تر و لایه‌بندی‌شده‌تر را ممکن می‌سازند و هوش مصنوعی با توانایی شناسایی الگوهای پنهان، ظرفیت پیش‌بینی و طبقه‌بندی دقیق‌تری را در اختیار سیاست‌گذار قرار می‌دهد. این ترکیب، زمانی که با چارچوب نظری عدالت‌محور هدایت شود، می‌تواند به ابزاری قدرتمند برای شناسایی گروه‌های محروم، مناطق کمتر توسعه‌یافته و شکاف‌های خدماتی تبدیل شود. اهمیت این رویکرد در آن است که به جای اتکا به گزارش‌های خوداظهاری و نمونه‌های محدود، تصویری جامع و به‌روز از وضعیت جامعه ارائه می‌دهد و امکان می‌دهد که سیاست‌ها بر اساس شواهد عینی و قابل راستی‌آزمایی طراحی شوند. با این حال، باید توجه داشت که داده و الگوریتم به‌خودی‌خود عادلانه نیستند و اگر بدون ملاحظات هنجاری به کار گرفته شوند، می‌توانند سوگیری‌های موجود را تقویت کنند. بنابراین، خط‌مشی‌گذاری محاسباتی باید با سازوکارهای نظارتی، شفافیت الگوریتمی و مشارکت ذی‌نفعان همراه شود تا از تبدیل شدن آن به ابزاری برای تثبیت قدرت جلوگیری شود. اهمیت و ضرورت کاربست این رویکرد در حکمرانی عدالت‌محور در سه ساحت کلیدی متجلی است که هر یک به جنبه‌ای متفاوت از فرآیند تصمیم‌گیری عمومی مربوط می‌شود و در مجموع چارچوبی منسجم برای حکمرانی داده‌بنیان فراهم می‌آورد.
نخست، شناسایی دقیق و بی‌واسطه کانون‌های محرومیت؛ بحران‌های اقتصادی، تنش‌های اقلیمی و شوک‌های سلامت همواره بار سنگین‌تری را بر دوش دهک‌های پایین و مناطق حاشیه‌ای تحمیل می‌کنند. این گروه‌ها معمولاً کمترین ظرفیت تاب‌آوری را در برابر شوک‌ها دارند و در فرآیندهای سنتی تصمیم‌گیری، به دلیل ضعف در نمایندگی و لابی‌گری، کمتر شنیده می‌شوند. خط‌مشی‌گذاری محاسباتی با عبور از دادگان تجمیعی و ناقص، امکان رصد وضعیت معیشتی و رفاهی این گروه‌ها را پیش از اجرای سیاست‌ها فراهم می‌سازد تا از تحمیل هزینه‌های ناعادلانه جلوگیری شود. این رصد می‌تواند شامل تحلیل الگوهای مصرف، دسترسی به خدمات، کیفیت مسکن، وضعیت اشتغال و شاخص‌های سلامت باشد و تصویری چندبعدی از محرومیت ارائه دهد. چنین تصویری به سیاست‌گذار اجازه می‌دهد که مداخله‌های هدفمندتری طراحی کند و منابع محدود را به نیازمندترین گروه‌ها اختصاص دهد. علاوه بر این، شناسایی دقیق کانون‌های محرومیت امکان پیشگیری از تشدید بحران‌ها را نیز فراهم می‌کند، زیرا با رصد مستمر می‌توان نشانه‌های اولیه تنش را شناسایی کرد و پیش از تبدیل شدن به بحران گسترده، اقدام لازم را انجام داد. این رویکرد در مقایسه با روش‌های سنتی که معمولاً پس از وقوع بحران و بر اساس گزارش‌های ناقص عمل می‌کنند، از نظر کارآمدی و عدالت برتری آشکاری دارد.
دوم، خنثی‌سازی چانه‌زنی‌های بوروکراتیک و فسادزا در تخصیص منابع عمومی؛ در فرآیندهای سنتی، منابع و بودجه‌ها عموماً بر اساس قدرت لابی‌گری و نفوذ سیاسی تقسیم می‌شوند. این وضعیت موجب می‌شود که گروه‌های سازمان‌یافته و برخوردار، سهم بیشتری از منابع را به دست آورند، در حالی که گروه‌های پراکنده و کم‌بضاعت از دسترسی به منابع محروم بمانند. شبیه‌سازی از زیست‌بوم اجتماعی و اقتصادی، محیطی آزمایشگاهی، شفاف و داده‌مبنا ایجاد می‌کند تا سیاست‌های حمایتی، یارانه‌ای و بازتوزیعی دقیقاً بر مدار بیشترین نیاز واقعی تنظیم شوند. در چنین محیطی، سیاست‌گذار می‌تواند سناریوهای مختلف تخصیص منابع را شبیه‌سازی کند و پیامدهای توزیعی هر سناریو را پیش از اجرا بسنجد. این قابلیت، فضایی برای تصمیم‌گیری مبتنی بر شواهد فراهم می‌آورد که در آن معیارهای عینی نیاز و عدالت، جایگزین معیارهای قدرت و نفوذ می‌شوند. شبیه‌سازی همچنین امکان مشارکت بیشتر ذی‌نفعان را فراهم می‌کند، زیرا می‌توانند پیامدهای سیاست‌های پیشنهادی را در قالب سناریوهای قابل فهم مشاهده کنند و دیدگاه‌های خود را ارائه دهند. این شفافیت، هم مشروعیت تصمیم‌ها را افزایش می‌دهد و هم زمینه نظارت عمومی بر فرآیند تخصیص منابع را فراهم می‌آورد. در نتیجه، خط‌مشی‌گذاری محاسباتی می‌تواند به کاهش فساد و بهبود کیفیت حکمرانی کمک کند، مشروط بر آنکه سازوکارهای نظارتی و پاسخگویی نیز به موازات آن تقویت شوند.
سوم، پایش بلادرنگ و اصلاح انطباقی سیاست‌ها؛ برخلاف ارزیابی‌های پسینی سنتی که با تأخیرهای چندساله به نتیجه می‌رسیدند و زمانی آشکار می‌شدند که آسیب‌های جبران‌ناپذیری بر طبقات ضعیف وارد آمده بود، سنجش مداوم جریان دادگان ثبتی این توانایی را به دولت‌ها می‌دهد که پیامدهای منفی خط‌مشی‌ها را بلافاصله شناسایی کرده و سیاست را پیش از تعمیق خسارت بازتنظیم کنند. این قابلیت، حکمرانی را از حالت ایستا و مبتنی بر برنامه‌های ثابت به حالت پویا و انطباقی تبدیل می‌کند و امکان یادگیری مستمر را فراهم می‌آورد. در چنین الگویی، سیاست به‌عنوان یک فرآیند آزمایشی و تکاملی تلقی می‌شود که در آن هر مرحله از اجرا، فرصتی برای بازخورد و بهبود است. پایش بلادرنگ مستلزم زیرساخت داده‌ای قوی، استانداردهای مشترک و همکاری بین‌نهادی است و بدون این پیش‌شرط‌ها، امکان تحقق کامل آن وجود ندارد. همچنین، پایش باید با ملاحظات حریم خصوصی و امنیت داده‌ها همراه باشد تا اعتماد عمومی حفظ شود. در مجموع، سه ساحت یادشده نشان می‌دهند که خط‌مشی‌گذاری محاسباتی می‌تواند به‌طور همزمان به دقت، شفافیت و عدالت کمک کند، به شرط آنکه با رویکردی هنجاری و نهادی همراه شود و نه صرفاً به‌عنوان مجموعه‌ای از ابزارهای فنی.
آنچه این رویکرد را از نسخه‌های صرفاً فنی و ابزاری متمایز می‌سازد، جهت‌گیری هنجاری آن است. خط‌مشی‌گذاری محاسباتی زمانی به عدالت می‌انجامد که معیارهای سنجش، وزن‌دهی به آسیب‌پذیری گروه‌های حاشیه‌ای و شفافیت الگوریتمی در آن تضمین شود. معیارهای سنجش باید به‌گونه‌ای طراحی شوند که صرفاً کارآمدی اقتصادی را نسنجند، بلکه توزیع پیامدها را نیز در نظر بگیرند و از تمرکز صرف بر شاخص‌های میانگین پرهیز کنند. وزن‌دهی به آسیب‌پذیری به این معناست که در تحلیل‌ها و تصمیم‌ها، نیاز گروه‌های محروم باید بیش از وزن عددی‌شان لحاظ شود تا نابرابری‌های ساختاری جبران شوند. شفافیت الگوریتمی نیز شرطی اساسی است، زیرا بدون آن، امکان نظارت عمومی و پاسخگویی وجود ندارد و خطر سوگیری‌های پنهان افزایش می‌یابد. وگرنه همان سوگیری‌های پیشین در قالبی جدید و پنهان‌تر بازتولید خواهد شد و اعتماد عمومی به نظام حکمرانی بیش از پیش تضعیف می‌شود. از این‌رو، حکمرانی عادلانه در عصر محاسبات، نه فقط انتخاب ابزار دقیق‌تر، بلکه بازطراحی نهادی و اخلاقی فرآیند تصمیم‌گیری عمومی است تا داده و الگوریتم در خدمت انسان و عدالت قرار گیرند، نه در خدمت تثبیت قدرت و بازتولید نابرابری. تحقق این هدف مستلزم آن است که نهادهای نظارتی توانمند شوند، چارچوب‌های قانونی حفاظت از داده و مقابله با تبعیض الگوریتمی تدوین شوند و فرهنگ سازمانی حکمرانی به‌سمت پذیرش شفافیت و یادگیری تغییر کند. در نهایت، خط‌مشی‌گذاری عمومی محاسباتی را باید به‌عنوان یک پروژه تمدنی تلقی کرد که در آن فناوری، اخلاق و عدالت در هم تنیده می‌شوند و مسیر آینده حکمرانی را بر پایه کرامت انسانی و برابری فرصت‌ها ترسیم می‌کنند.