闭环管理:中国数据驱动型治理中规模化的(不)可能性
《Proceedings of the ACM on Human-Computer Interaction》:Managing through Closed Loops: the (Im)Possibility of Scale in China's Data-driven Governance
【字体:
大
中
小
】
时间:2026年10月21日
来源:Proceedings of the ACM on Human-Computer Interaction
编辑推荐:
**摘要**
本文考察了我们所称的中国数据驱动治理的规模(不可能性):尽管数据量和数据增长的承诺暗示了大规模治理的可能性,但我们的民族志研究显示,在实践中实现这种可能是不可能的。相反,围绕数据基础设施的关怀与数据劳动的现场协调,仍然支撑着规模的可能性与幻想。我们通过在上海开
**摘要**
本文考察了我们所称的中国数据驱动治理的规模(不可能性):尽管数据量和数据增长的承诺暗示了大规模治理的可能性,但我们的民族志研究显示,在实践中实现这种可能是不可能的。相反,围绕数据基础设施的关怀与数据劳动的现场协调,仍然支撑着规模的可能性与幻想。我们通过在上海开展的关于"居家智能养老闭环管理"设计与实施的民族志研究,阐释了这一看似矛盾的现象——该系统旨在为居家老人提供基于大数据的可靠照护。在理论与方法论层面,我们通过挑战那些被视为理所当然的尺度范畴,并以数据、协调和制度作为权力关系在规模生成过程中被协商的关键场域,为CSCW(计算机支持的协同工作)领域的规模与扩展研究做出贡献。通过转向"扩展"的负担,我们质疑了中国治理中大规模数据采集必然有效的假设。
**1 引言**
中国被公众和学术界广泛认为在全球技术发展方面处于领先地位,这归功于国家主导的数据基础设施建设与数字化转型推动工作[52]。这些举措促进了大规模数据采集——得益于庞大的人口基数——造就了人们常说的"大数据红利"(大数据红利,dàshùjù hónglì)。著名风险投资家和计算机科学家李开复指出:"如果数据是新的石油,那么中国就是新的沙特阿拉伯"[32](转引自[57])。由数字技术和平台产生的海量数据助长了一种技术乐观主义:只要数据足够多,有意义的关联和模式就会浮现,从而使政府能够基于这些洞察进行推导和改进[3, 57]。
本文质疑了关于规模的这一假设——即预设的数据丰裕和数据提取范围的不断扩展——该假设一直被视为理所当然,并被等同于中国强大且无所不包的治理体系[59]。我们在此基础上,结合此前关于中国数据驱动治理扩展的研究,以及人类学家Jamie Wong关于规模与扩展的思想,来阐释当代中国治理中规模所承载的承诺与重量,从而揭示这种过度简化的理解[11, 35, 36, 57]。我们以上海"居家智能养老闭环管理"系统的设计、建设和实施为民族志研究对象,展示了数据提取的扩展并不总是、也不自动意味着国家治理的扩展。
所谓"闭环管理",我们同时借用民间语言和官方话语,指的是中国国家在人口管理方面采用的一种控制论方法。在居家智能养老的语境下,它指的是数据的封闭自循环回路,以及针对老年公民的基层治理与服务供给,包括但不限于数据采集、分析、服务提供和评估等实践。具体而言,我们展示了闭环管理被设想为一种自动化的治理协议,旨在解决和处理各类社会问题,不论具体场景中的细微差别如何。正如中央和上海政府的官员所构想的那样,构建这种隐喻性和管理性的"闭环"对于"打破数据孤岛"(打破数字孤岛,dǎpò shùzì gūdǎo)和将碎片化信息转化为整合的数据池至关重要,从而实现一个近乎自动运行、持续更新的系统,以支持老年公民的安全、健康、福利及其他日常需求。本文追溯闭环管理在数据驱动的居家养老中的构建与日常运作,以理解老年人、数据、劳动、官僚体系和科技公司如何彼此协调和回应以"合拢闭环"——通常表现为成功应对和解决老年公民的安全、照护和-health相关的紧急需求——以及这种"合拢闭环"的实践如何进一步被演化为应对未来类似居家养老场景的协议。
通过我们的民族志叙事——跟踪推进这种自动化治理形式所涉及的数据、实践和劳动——我们讲述了数据驱动系统扩展以解决治理问题的(不)可能性故事。在此过程中,我们通过"规模"的概念——特别是关于数据量的预设"大"和大规模数据提取主义的强调——重新思考了中国数据驱动治理和无所不包的全景监控国家的主流想象与批判。我们借用对规模的定义:"各种实践,以及人类与非人类能动者的作用,它们共同促成了地方性倡议在不同语境和时间中扩散的方式"[44, p. 494]。基于这一视角,我们以数据为核心,将扩展同时视为手段和目的。
因此,本文中的"扩展"包含两个维度:第一,公私基层协作的扩展,不断汇集数据用于闭环管理;第二,持续使用数据在实时环境中跨不同情境自动化管理老年事务的持久愿景。我们的论文较少关注评估闭环管理是否成功或失败,或为何无法扩展。相反,我们将对规模的追求本身作为民族志叙述的对象——从扩展尝试中涌现的张力。正如我们在讨论中所示,通过转向涉及扩展此类管理系统的计算机支持的协同工作(CSCW),并将规模作为理解社会技术系统的透镜,我们得出了一种更为细致——往往也更混乱——的解释:大规模社会技术系统并非简单地源于数据的增长和体量。具有讽刺意味的是,我们展示了,尽管表面上利益趋同、动机一致,但基层的官僚流程、公民和技术运作往往更多地阻碍而非促进这些项目的扩展。
本文综合借鉴CSCW、科学技术研究(STS)以及规模与扩展的人类学视角,考察了上海数据驱动治理扩展过程中的努力与失败。在此过程中,本文加入了一个不断增长的CSCW学术群体——不仅旨在理解CSCW在扩展过程中的作用,还旨在考察规模如何反过来塑造CSCW。本文对CSCW学术做出两点贡献。首先,我们通过挑战既有分析尺度(国家/区域/地方/个体)的预设固定性,扩展了CSCW对"规模"概念的介入。由此,我们呼吁CSCW学者抵制"预先设定规模"的冲动[30, p. 220]。通过关注政府(公共)尺度、企业(私人)尺度和日常(基层与老年公民)尺度如何通过闭环管理的数据整合不断被重新配置,我们主张以扩展为核心——将尺度视为过程性的、始终处于生成之中的。其次,通过将数据、协调和制度动态作为在不同尺度间对齐社会技术要求的劳动形式,我们论证这些是考察规模生成与扩展政治的富有成效的场域。
**2 背景与相关工作**
**2.1 定位中国数据驱动的闭环管理**
闭环管理是一个源自系统工程和控制理论的概念,已成为理解中国治理方式的一个新兴且重要的切入点。"闭环"指的是一个对给定工作流程或任务提供端到端监督的系统,通过持续监控结果并根据反馈调整运作来实现。因此,它形成一个自包含且可控制的循环,确保整个过程中没有任何问题被遗留或未被处理[29]。
过去十年间,这一概念以多种形态出现在中国的政策话语中,例如企业管理和政府领域中的"管理闭环"(管理闭环,guǎnlǐ bìhuán)、制造业中的"产业闭环"(产业闭环,chǎnyè bìhuán)、以及政策制定中的"制度闭环"(制度闭环,zhìdù bìhuán)等。"闭环"作为创新机制的一个突出表述出现在中国《国民经济和社会发展第十四个五年规划》中[52]:追求循环和自完成的反馈回路,不仅旨在将尽可能多的过程纳入社会治理和产业创新之中,还旨在建立逐步推进的机制,确保每个阶段的成功完成与评估。在"闭合"闭环的坚定承诺背后,是一个假设:一个完成的循环意味着解决社会问题的成功模式,以及一个可以在相似事件或使用场景中大规模转移和复制的治理协议的确立与稳固。
闭环管理在COVID-19疫情期间作为一种严格的公共卫生和物流管控方法而广为人知,主要用于最小化病毒传播,并与网格管理和接触追踪系统紧密相关。2022年北京冬奥会期间以及在某些工业园区,闭环管理因在遏制疫情的同时维持经济活动而获得全球关注[18, 38]。在这种方法下,个人(如运动员、工人或旅客)被限制在一个高度管控的环境中,其活动范围被限定在特定区域(如酒店、场馆和交通设施),不允许与公众接触。这些闭环由网格员和居委会成员持续监控;所有必要服务(如餐饮、检测、交通)都在闭环内提供,以最小化外部暴露风险。因此,闭环管理应置于中国向数据驱动治理转型的更大背景中来理解,其特征是日益数据密集、具有控制论特征的社会工程形式[11]。此外,这种政策话语和治理"风格"的独特之处在于,它并不局限于党国官僚和行政体系。相反,它已进入民间话语,成为日常用语的一部分,甚至成为网络流行语。因此,"闭环"的概念已演变为一种更广泛的文化逻辑的象征,体现可靠性与可追溯性,其中一切都必须考虑周全、没有任何问题被遗留、每项任务都问责到位。
在自上而下的倡议推动下,地方政府将这种管理语言和实践应用于不同的应用场景(例如[48, 53])。本文考察的是一种政府主导、社区为基础的居家养老协作照护形式的数据驱动闭环管理。在此语境下,"闭环管理"指的是一种数据驱动的机制,能够实现端到端、可追溯、可响应和可调整的照护与管理流程,确保老年人的居家需求能够被及时识别、处理、跟进和解决,从而形成一个完整且可问责的服务闭环。此类数据驱动机制由第三方公司提供,通过建设、开发和安装硬件设备(如居家辅助技术或传感技术)和软件系统(如健康监测系统或养老管理系统)来实现。参与构建此类数据采集工具的公司之一描述其目标为确保老年人享有更高质量的生活[13]:
> "[居家智能养老的]闭环管理"涉及"系统+服务+老年人+终端"的模式。通过跨终端数据互联和同步,形成一个完整的管理闭环,有效监测老年人的身体健康、安全状况和日常活动,确保其日常生活、健康、安全和娱乐等方面的需求得到及时满足,从而使老年人享受更高质量的生活。
这些平台和系统共同旨在形成一个全面的数据基础设施,连接、整合和调动多元化的照护资源,为居家养老提供协作支持,提升老年人的生活质量,减轻照护者负担,并优化照护资源配置。然而,我们在上海的实地研究发现,与已有研究一致,这些数据驱动技术中的许多未能实现其承诺的影响[49, 50, 51, 58],原因在于数据流不完整、数据与服务提供之间的脱节,以及围绕隐私的伦理担忧。
尽管"闭环"在中国不同语境中承载着不同的空间、技术和管理层面的含义,但我们并不将其视为一个固定的、先验的概念,正如我们对待"规模"概念一样。相反,我们展示了不同行动者如何依据各自对"闭环"应如何闭合、由谁闭合的理解来构建居家智能养老的闭环管理。正是通过考察这些多层实践与协调工作,我们讨论了扩展中国数据驱动治理的(不)可能性。
**2.2 HCI与CSCW中的规模与扩展**
正如人类学家E. [原文在此处截断]
萨默森·卡尔和迈克尔·伦珀特在关于尺度的基础性工作中指出[6]:"社会行动者用来组织、诠释、定向和作用于其世界的尺度并非天然给定,而是被建构出来的——且这种建构极为费力……正如将地方区划纳入更高层级行政单元所依赖的地图,或是人们通常认为民族国家悬浮于社区'之上'那样。"在这一视角下,民族国家等尺度范畴并非天然给定,而是始终通过官僚体制、技术以及私营部门的努力被生产、践行和维护着,正如本文旨在论证的那样[5, 55]。CSCW学术社群接受了这一分析立场,并通过该学科对劳动的关注,抵制将尺度视为先验或固定范畴的倾向[4, 43, 44]。本文的核心关注点在于劳动,它将焦点从尺度转向CSCW学者所称的"规模化"——"有助于本地实践在不同情境和时间中扩散的各种实践与过程"[44, 第494页]。然而,通过主要考察协调和扩展社会技术系统的劳动来审视规模化,CSCW学术研究往往聚焦于——有时甚至将之实体化——个体与本地这两个尺度范畴。批判性计算学者也指出,社会技术与政治经济尺度始终是已经"堆叠"在一起的,呈现为"层层系统叠加"的态势[4, 第30页]。这一视角有助于我们把握并凸显超越个体实践之上的跨尺度动态:例如政治如何塑造社会技术,以及私营行动者如何与公共部门和国家进行协商。通过审视劳动与跨尺度实践来批判性地考察规模化,有助于本文揭示规模化假定方向性及其权力动态的复杂性。
更具体地说,我们将数据与话语实践视为实现规模化的关键机制。首先,科学技术研究(STS)、人机交互(HCI)和CSCW领域的研究表明,量化、抽象和标准化赋予了系统"在无需重新审视基本要素的情况下进行扩展"的能力[55, 第505页]。这恰恰是闭环管理旨在实现的目标:构建能够将生活场景抽象为数据点、并可分配至特定主体/服务的协议。此类过程通常通过量化和数据化的实践来实现[41, 45]。例如,批判性计算学者已表明,福利和资源日益通过预测模型进行管理,以实现社会管理的自动化[12, 16, 25]。数据驱动系统的规模化往往依赖于其 performative objectivity(绩效性客观性)[20],以及国家对可读性和记录保存的渴望[45]。基于这一研究脉络,我们承认大型技术系统中蕴含的影响以及潜在的害处和歧视。然而,我们贡献了一个关于数据本身如何促进规模化的论述——同时也指出其对规模化所构成的挑战——方法是聚焦于数据基础设施的规模化过程。
其次,其他批判性计算学者强调,尺度建构不仅是空间和数量层面的,也是话语和意识形态层面的,通过日常实践以及对大型技术科学项目的具身参与来维系[1, 9, 19, 34]。值得注意的是,他们指出规模化实践"……不仅包括将技术和实践适应于新环境,还包括核心价值的(重新)协商与转变"[44]。将硅谷发起的议程和大型技术科学干预转化为本地化情境的物质与情感劳动,在资源丰富社区和边缘化社区之间分配不均[2, 3, 26, 34, 37]。在此意义上,数据、技术系统和话语实践都可以被理解为大卫·里布斯所称的"尺度装置"[43]——"行动者在进行其事业认知与管理时所使用的技术和工具"。运用这些尺度装置的行动者"关心的是如何表征和应对自身事业的规模",因此对规模化项目至关重要。
由于规模化实践不应被假定为同质化或无摩擦的[4, 56],将中国作为通过数据进行规模化治理试验的关键场域予以凸显,有助于揭示其国家-社会关系和公私关系中始终存在的日常工作、抗争和权力动态[57]。这一民族志记述打破了将中国主导性学术和公共话语视为自上而下监控国家的简化图景,后者认为协商是缺席的[9, 10]。在考察闭环管理的规模化时,我们也大量借鉴了人类学家Jamie Wong关于尺度二重性——即作为资源与作为负担——在中国治理与国家建构中的理论化[57]。尽管政府机构、企业、基层工作者和公民看似朝着全国性的居家智慧养老数据基础设施这一共同目标而努力,但各行动者和机构往往创造各自的尺度项目,既锚定自身定位,也(重新)定向更大范围的规模化努力。
总之,将尺度视为"过程先于[即]产品"[5, 第4页],本文关注的是尺度如何被组装和对齐,或其失败之处。通过考察三个被忽视的规模化场域——跨制度边界的协作、数据基础设施和一线护理人员——我们凸显了构建和推行全市治理系统以及调和公共机构、私营部门与社会领域之间张力时的多样化协调工作。我们展示了数据基础设施的规模化如何被构想为必要,但又被体验为持续不稳定。因此,规模化既是经验考察的场域——即全市数据驱动闭环管理的构建与推广——也是关注尺度建构实践的分析视角。
3 研究方法
3.1 民族志田野调查
根据官方统计数据[46],上海超过90%的老年人在原居地养老。因此,支持如此庞大且多元化的老年人群体在社区内独立生活,已成为上海市政府的重大政策优先事项[47]。为此,数据驱动的闭环管理[47]被上海市政府及民政部门采纳为核心治理策略。上海之所以是一个重要的研究场域,在于它兼具快速老龄化的人口、成熟的数字基础设施以及使跨部门与跨组织协作既可能又充满挑战的多层级治理体系。
我们通过为期六个月、由第一作者(Yuling)开展的民族志田野调查,探索上海居家智慧养老的数据驱动闭环管理。活动包括在四个已采用数据驱动闭环管理开展社区养老服务的本地社区进行实地观察,以及对15位关键信息提供者进行深度访谈。我们的田野调查不仅关注正式工作流程和数据基础设施,还关注一线工作人员与行政人员之间的非正式协调、工作障碍以及实践中的意义建构。
3.1.1 参与式观察
通过与两个区民政局的长期机构合作关系,我们获得了进入四个实施数据驱动闭环管理的社区的机会(其中两个位于上海市中心A区,两个位于B区),并通过区级和街道级官员招募参与者。
所有四个社区的老年居民比例均较高,65岁及以上人口占居民总数的40%以上。同时,它们都建立了相对完善的数字基础设施,包括居家传感和紧急报警设备、社区级健康与服务管理系统,以及支持跨利益相关方信息分享的数据平台(例如社区工作者、街道官员和服务提供者)。这些实践和系统共同支撑了居家养老与医疗的数据驱动闭环管理(详见4.1节)。
田野调查观察在多个场域进行,包括社区养老服务中心、居委会办公室以及社区工作人员与街道官员的常规协调会议。Yuling跟随社区工作者参与日常活动,包括但不限于:陪同工作人员入户走访老年人、观察需求评估和服务跟进、非正式协助日常数据录入和文档处理,以及参加讨论闭环养老治理的内部会议。
通过这些参与,Yuling得以观察闭环管理中涉及的数据类型与来源;数据如何被生成、汇总、解释和采取行动;使用了哪些数字技术和平台;在闭环的不同阶段有哪些行动者参与,等等。更重要的是,参与式观察使得我们能够细致考察数据闭环在实践中如何被启动、执行和"闭合";医疗和服务需求如何在闭环中被识别、表述、触发、处理与评估;以及责任、问责和决策如何被持续协商。
3.1.2 关键信息提供者访谈
半结构化访谈通过提供参与者对自身推理、观点与信念的阐述来补充参与式观察,使我们能够将这些叙述与参与式观察数据进行三角验证。随后,我们对参与数据驱动协作养老的15位关键信息提供者进行了深度访谈。
每次访谈持续约40至60分钟,经参与者同意后进行了录音。这些参与者是在观察阶段招募的。我们访谈了三位负责养老服务的区级民政官员、九位负责养老相关工作的街镇级工作人员,以及三名为数据驱动养老基础设施建设提供服务的公司员工。我们的访谈探讨了参与者在协作体系中的角色与职责、他们对数据驱动方法优势与局限的看法、不同利益相关方之间的协调机制、与数据使用和隐私相关的伦理考量,以及他们对改进未来数据驱动养老服务的期望和建议。
3.2 数据分析
我们(Yuling和Yuchen)使用扎根理论方法[8]对数据进行分析。首先,我们将观察和访谈中记录的数据逐字转录为中文。然后,两位作者反复阅读田野笔记和访谈转录稿以熟悉数据。在开放式编码阶段结束时,我们生成了一套初始编码,涵盖政策诠释与转译、跨尺度数据实践(例如数据生成、整合以及向数据池的规模化)、跨利益相关方的责任协调与协商、一线工作人员的劳动,以及数据闭环中的工作障碍与变通做法。
在随后的主轴编码阶段,我们考察了数据驱动闭环管理如何在不同组织层级和日常工作实践中被设想、执行与协商,追踪抽象的政策理想如何被转译为情境化的行动。我们通过考察数据在不同尺度上的情境意义与关系,迭代地精炼和关联这些初始编码。例如,与多源数据输入、人工修正和算法推荐相关的编码被分析性地关联起来,以揭示国家的数据驱动治理愿景如何通过日常数据工作被物质性地践行。我们还分析了相关政策文件、政府规划和媒体报道,以揭示数据驱动闭环管理愿景背后的制度逻辑和假设。
通过观察数据、访谈叙述与政策材料之间的迭代三角验证,我们的分析凸显了上海居家养老数据驱动治理在规模化愿景与限度方面的叙事。重要的是,这一叙事强调了规模化作为愿景(或目标)与规模化作为各方利益相关者在实地开展数据收集与整合的实践(即手段)之间的张力。这一叙事在发现部分通过三个主题展开:(1) 闭环管理作为可规模化的治理愿景(4.1节),(2) 通过碎片化协作实现规模化,聚焦于支撑闭环管理的公私数据基础设施如何由政府机构及私营企业协作构建,以及这种协作对基础设施规模化构成何种挑战(4.2节);以及(3) 情境化照护工作中的尺度负担,即闭环管理最终如何通过实地情境化且往往不可见的照护工作得以维系(4.3节)。
4 发现
4.1 居家养老数据驱动闭环管理的规模化愿景
在上海居家养老数据驱动的愿景中,数据充当核心"尺度装置"[43],被部署用于预判未来的安全问题、连接公共与私营资源,并为老年人提供个性化服务。在此意义上,数据既表征了又组织了多个利益相关方,以呈现收集、采纳和应用方面的规模化效应[43]。如图1所示,这一闭环包括老年人居家需求的收集与分析、协调服务排程与配送、服务评估,以及照护过程的管理与监督。
图1. 居家养老数据驱动闭环管理的基本流程。
我们现在以数据驱动的居家安全与医疗服务为例,来解析这一闭环管理在实践中如何运作。在居家养老的背景下,家成为发现老年人日常需求与安全问题并提供预防性和及时性措施的核心场域。
正如越某(某区一级民政官员)向我们要述的那样:"我们在推进数据驱动的居家养老方面,首要目标是确保老人在家中发生意外时不至于无人察觉。"为实现这一目标,一系列智能设备(如图2中部所示)被安装在老人家中,以实时采集大量日常生活与健康数据。这些设备包括但不限于:家庭日常生活活动(ADL)感知设备(如跌倒检测器、活动监测传感器)、日常生活监测设备(如门磁传感器、燃气与烟雾探测器、门窗接触传感器、智能水表等)、生命体征感知设备(如智能手环、电子血压计)以及紧急呼叫设备。
除这些实时感知数据外,闭环系统还调用多个政府部门所维护的行政数据,例如公安机关提供的基本人口与户籍数据、民政部门掌握的养老服务与福利记录,以及其他与养老服务相关的行政数据集。这些异构的实时感知数据与行政数据流被汇聚与整合,进入一个支撑居家养老闭环管理的大规模数据池。表1汇总了我们在田野调查期间直接接触到的代表性数据类型(而非对整个数据生态的全面清点)及其机构来源。
表1 数据示例、主要数据来源及在闭环管理中的角色
| 数据示例 | 主要数据来源 | 在闭环管理中的作用 |
|---|---|---|
| 室内活动数据 | 室内感知设备(如跌倒检测器、活动传感器) | 检测日常活动与安全异常;触发警报并启动干预 |
| 日常生活环境数据 | 智能家居设备(如燃气与烟雾探测器、门磁传感器、水电表) | 监测居家安全状况与环境风险 |
| 生命体征与健康监测数据 | 可穿戴与医疗设备(如智能手环、电子血压计) | 支持健康评估与异常情况的早期发现 |
| 紧急呼叫与警报数据 | 紧急呼叫设备 | 促成看护者、社区工作者与家庭成员之间的快速响应与协同 |
| 人口统计数据 | 公安局 | 识别符合条件的老年人,并提供人口与居住地信息 |
| 养老服务记录 | 民政局 | 跟踪服务供给、照护历史与福利资格 |
| 福利与补贴数据 | 民政局 | 支持政策落实(如餐食补贴)与数据驱动的福利匹配 |
| 社区服务记录 | 街道与社区级机构 | 记录一线照护活动与干预结果 |
人种志田野调查中观察到的数据类型与机构来源示例
这些实时数据与行政数据被汇入由数据局监管的集中式数据库。在此,一系列居家安全分析算法自动分析老人在家的安全与健康状况,实时识别潜在风险,并协调相关照护服务提供者。例如,当系统通过实时感知与数据分析发现安全相关的异常时,会立即通知相关照护方,包括家庭成员、居委会工作人员与医护人员,以便他们评估情况并在必要时介入。系统还会跟踪干预过程,确保老人在居家意外事件中不会处于无人照管或缺乏协助的状态。如此,一个闭环管理循环便被视为"闭合"——一种关键安全情况已被数据驱动系统检测到,相关人员或服务提供者被动员以响应,且问题被记录并解决。在此闭环之中,数据占据着核心的协调角色,使得需求得以被识别、社区资源得以被配置,服务得以跨多个组织被动员起来。通过大规模部署智能设备,这一数据基础设施旨在支撑规模化的居家养老。
在上述场景中,闭环不仅意味着成功的数据驱动干预,也意味着数字系统、机构与工作者之间的有效协调,以便前瞻性地降低老人的安全风险。然而,我们的田野调查发现,在多利益相关方协作的养老照护中,这一愿景面临挑战。公私协作的碎片化带来了数据整合、分析与动员上的困难,而日常照护的复杂性则限制了数据的可获取性与实用性。如下文所示,这些摩擦使闭环管理作为一种可规模化的数据驱动治理模式得以实现变得更为复杂。
4.2 从数据孤岛走向规模化:数据基础设施的公私协作建设
在本节中,我们考察可规模化闭环管理的愿景如何通过公私协作与数据基础设施的建设得以落实。此处"规模化"并不仅仅指通过汇集既有数据而使系统规模变大。相反,它指的是将异构数据、行为体与责任整合进一个统一且可互操作的治理装置中,从而为老年人自动化决策与服务交付的能力。正如我们将展示的,从此前由各政府部门和/或私营企业单独维护的数据孤岛中走向规模化的过程,反复面临三重挑战:(1)限制跨部门数据共享的地方官僚边界;(2)不稳定的公私合作关系;以及(3)中央政府出于有意限制数据流动的目的(如隐私与安全的安排)而设定的政策约束。
4.2.1 数据孤岛的官僚边界
图2 面向居家养老的数据驱动照护生态。黄色部分表示一些既有的数据系统。
从地方政府的角度来看,支持老年人居家养老需要跨越多个官僚孤岛的协作,涉及但不限于民政部门(负责养老服务与救助)、公安局(负责人口管理)、卫健委(负责健康与疾病管理)以及供水部门(负责监测老年人的日常用水量)。这些部门之间的有效协作是数据驱动闭环管理的核心目标——也确实是其关键动因。然而,我们所有受访者都指出,尽管这些部门同属一个更大的政府"体制"(tizhi),它们之间的协调与数据共享仍受限于官僚/机构边界与协作机制。
在上海更广泛的市区数字化转型之下,各个官僚孤岛都在探索自己的数字化举措。这些努力被视为机构绩效考核的一部分[47]。因此,数字化转型往往以碎片化的方式进行。正如一位参与者所指出:"每个人都在做自己单独的项目:有的中心为老年人安装智能屏幕;有的发放手环等可穿戴设备用于跌倒检测;有的则建设养老数字空间。"尽管这种方式催生了一系列数字举措,却同时加剧了数据整合与跨部门协作上的挑战。由此导致的碎片化引发了基础设施的重复建设与跨系统、跨项目整合数据的技术壁垒,从而削弱了依托大规模数据实现闭环管理的愿景。
多个政府部门之间也已建立了官方的数据协调机制。然而,这些机制往往未考虑到一线社区工作者的数据获取需求,而这些工作者最终负责对老年人需求作出响应并原则上"闭合"这一循环。齐某(负责养老服务的一名街道级工作人员)解释道:"理论上,数据中心负责处理这个[数据问题];我们把我们的数据上传到数据中心,也可以申请我们需要的任何数据。"然而,在实践中,不同政府部门的平行行政架构使数据获取与协作更加困难。例如,老年人的人口档案归公安局管辖,而养老服务则由民政局主管。因此,有效的居家养老治理依赖于这些部门之间的紧密协调与数据共享。然而,某社区级政府养老工作者夏某解释道,这种协调在实践中很少发生:
"我们并无权限访问公安局所管理的数据。因此,在收集老年人信息时,我们逐户上门询问,比如那户家里有几位老人。这个过程极为艰难。如果能够直接导入户籍数据[在公安局],那将是最理想的。但系统之间根本无法连通。我们都属于同一官僚体系,理论上内部沟通应该更顺畅。但实际中,公安局并没有向隶属于民政局的社区级政府办公室授予任何数据访问权限。"
在此引文中,往往受部门利益与行政边界制约的官僚孤岛,成为给数据流动增添摩擦的制度性障碍,从而限制了支撑闭环管理的整合型数据池的规模化。规模化面临的障碍并不在于数据缺失,而在于制度化的管辖权与数据访问安排。这些安排使得数据在本地可读、却无法跨部门流动,最终限制了数据规模化以支撑跨机构的自动化治理。
4.2.2 不稳定的公私协作
在建设数据基础设施方面,上海市政府常常委托私营科技公司采集数据并搭建数字平台。科技企业的参与为数据池的规模化增添了额外挑战,尤其是在公私数据协调与企业间数据协调方面。更具体地说,数据基础设施的协作建设受到这些利益相关方之间不稳定关系的影响,进一步阻碍了有效且可持续的数据生态发展。
政策格局的变迁。在这些政府主导、数据驱动的举措中,政策优先次序深刻影响着数据基础设施与应用场景的建设。尽管数字化转型的总体愿景保持一致,但用于实现该愿景的基础设施以及数据采集过程却不断被频繁的政策试验所塑造与重构。
某区民政局负责养老服务的一名工作人员江某与我们分享了建设并最终拆除区级数字化养老服务平台的经历。该平台最初旨在将该区内所有可用的养老服务整合进单一数字系统,使居民能够搜索服务并获得个性化推荐。然而,由于后续政策优先次序的转变,该平台最终被停用。江某解释道:
"我们区是上海首个开发综合数字化养老服务区的区。我们完成后,市政府认可其价值,并决定以建设全市级平台的方式来扩大这一努力,这让我们区级平台陷入了尴尬境地。既然我们平台上可获取的所有信息在全市平台上也能查到,且全市平台甚至能提供跨区信息,我们还能做什么呢?"
此例说明政策与行政优先次序的转变如何削弱地方区级数字化举措,浪费资源与时间。规模化往往不是对本地试验进行累积式推进,而是要求重新配置甚至放弃既有基础设施,以契合不断演化的全市或中央治理优先事项。
来自企业端的不稳定。与此同时,与政府机构合作的技术公司也因资金问题或业务战略调整而表现出相当程度的不稳定性。这一挑战在区与街道层面尤为明显。与市级合作(往往涉及大型国有企业)不同,区级与街道级政府预算有限、项目规模较小,难以吸引大型国企作为合作伙伴。这一观点得到了某街道级工作人员君的证实:"中央国企不会考虑像我们这种小型项目。它们只承接重大、高价值的项目。"
因此,街道级政府往往不得不与规模较小的科技公司合作。然而,这些企业的业务优先次序与组织稳定性并不总能与政府的长期规划相契合。某街道级养老数字化转型项目负责人毕某与我们分享了合作公司发展战略的变化如何导致他们项目的重大中断:
"我们街道级投入大量资源采购第三方数据服务,不仅是资金资源,还有大量沟通工作。我们合作的那家第三方公司起初是一家快速成长的企业,其发展目标与我们的高度一致。然而两三年后,他们的成长停滞了,而我们的需求仍在演变。他们已无法跟上我们的节奏,结果我们只能无奈终止合作。"
政策优先次序的演变与公私合作的不稳定性,为已建成并部署的数字基础设施带来了显著挑战。特别是,关键困难在于如何将现有系统与新合作安排以及新引入的合作伙伴进行整合。
在实践中,这通常需要大规模重新配置——甚至完全重建和重新部署——数据基础设施及其相关端点,使得该过程既昂贵又耗时。正如毕进一步解释的那样:“之前,我们联系过另一家公司,其前瞻性战略与我们的战略非常契合。然而,你会发现如果他们与我们合作,他们将不得不彻底推翻现有系统,因为他们的平台与现有基础设施不兼容。原有的数据库、数据结构和算法框架可能会有所不同。这让我们相当沮丧;他们不愿意对现有系统进行修改,但我们也没有资金从头开始建立一个新的系统。”根据毕的说法,在缺乏有效的技术方案和足够的资金的情况下,区级数字基础设施停滞不前。其功能与两年前基本没有变化,几乎没有更新,很少维护,也没有重大的系统替换。我们的实地调研进一步揭示了在系统迭代和升级期间实现有效数据协作的两个关键挑战。
一方面,从科技公司的角度来看,修改现有代码的成本往往高于直接从头重建。正如一位参与者解释的那样:“在编写代码时,基本上全是‘遗留代码’。以前的代码完全混乱无序。你必须在不出错的情况下修复它,同时还要确保它反映新功能。有时,这根本不可能,唯一的解决方案是重新开始。(岳)”另一方面,出于自身利益和保护知识产权的目的,公司通常不愿意与其他参与公司共享所有数据。正如毕解释的那样:“从 0 到 1 创造某样东西要困难得多,但复制却很快。一旦后端开放,他们一周内就能复制它。因此,许多公司不愿与他人共享他们的端口。”这种自我保护行为增加了数据协作的难度,特别是在需要跨不同公司进行数据共享和技术互操作时。
在此,政策、资金和合作关系的不稳定性表现为基础设施连续性的问题。也就是说,当合作伙伴、平台和技术标准发生变化时,现有的数据端点和集成工作无法延续。因此,闭环管理的规模化变成了一个间歇性的重建过程,而不是数据增长的累积过程。
4.2.3 数据安全与隐私担忧。
在公私合作中,政府与公司之间的数据共享和使用协议是影响数据有效性的其他重要因素。虽然私营科技公司负责开发和运营许多数字平台,但由于对隐私和数据安全的担忧,政府机构很少授予它们直接访问行政数据的权限。相反,详细的数据治理协议规定了数据的所有权、访问权限和允许用途。虽然这些安排保护了敏感信息,但也为数据交换创造了巨大的沟通和协作成本,限制了公司充分利用可用数据的能力。我们将使用餐食补贴的例子来说明这一点。
在上海的养老福利体系中,拥有上海户口的 65 岁及以上老年居民有资格获得每日固定餐食补贴。提供这一福利需要整合公安局的户籍记录、民政局的福利记录和餐食服务系统的支付记录。理想情况下,当老年人支付餐费时,系统会自动验证其资格并相应扣除补贴,从而完成数据和服务闭环。
然而在实践中,餐食服务平台是由第三方公司开发的,该公司无权访问公安局的人口数据或民政局的福利数据。正如街道级工作人员龙解释的那样:“我们 [街道级工作人员] 手动向第三方公司提交我们街道符合条件的老年人名单。然后公司会在其系统中自动从这些老年人的账户中扣除补贴。每个季度,我们将与民政福利系统进行季度对账和结算。”
与福利数据类似,其他与养老相关的数据,如健康、医疗和公用事业使用数据,也面临协调问题。龙承认这些限制使数据协作复杂化,但也将其视为必要的保障措施:“这种情况涉及利益和立场冲突的各个利益相关者。数据不能自由开放,因为这样做可能会让供应商利用信息。这些数据很有价值,这可能会导致许多社会问题。因此,政府收紧访问权限是有道理的。当前的社会趋势是许多实体在出售信息,每个人都在争夺数字经济和大数据资源。只要他们获得这些数据,就可以出售它们。鉴于此,政府怎么能开放这些数据呢?”
与此同时,参与者指出,许多公司已经通过他们运营的设备和服务平台拥有了关于老年人的庞大数据集。例如,居家传感技术的提供商经常收集敏感的健康和行为数据。这造成了一种悖论:虽然严格的访问控制限制了组织之间的互操作性,但并不一定阻止敏感数据在单个公司内部积累。参与者普遍认为,这种紧张关系超出了地方政府解决的能力范围,而是需要国家立法和监管监督。
这些隐私和数据治理安排不仅仅是技术限制的体现,它们塑造了数据如何跨越组织边界流动。从这个意义上说,规模化过程中的现实混乱不仅仅是数据集成不完整的结果,也是故意限制互操作性和数据流动性的治理决定的结果。因此,闭环管理仍然是部分的、有条件的、本地协商的,而不是跨机构完全集成的。
4.3 规模化的“负担”:运作中的与实地中的闭环管理
在数据驱动的居家养老日常实践中,我们的实地调研显示,规模化数据基础设施还遇到与数据可用性和可用性相关的挑战。这些挑战源于利益相关者对数据的不同期望、现实养老中不可预测性以及基层协作网络的复杂性。我们建立在人类学家 Jamie Wong 的工作 [57] 之上,并将这些问题概念化为规模化的“负担”:追求越来越大的数据基础设施往往在实施和使用中带来更低的效率和更多的复杂性。正如我们所展示的,规模化数据基础设施往往不会减少工作,而是将工作转移给前线行动者。作为“数据中介”[15, 42],前线工作人员弥补数据缺口、系统故障和假设错位,以使护理实践能够运行。在此过程中,追求规模创造了作为数据工作的新形式护理劳动,这些劳动在很大程度上在政策话语和技术设计中是不可见的 [7]。这种劳动是临时的、反应性的,并深深嵌入护理的日常现实中。因此,规模化的负担不仅仅是技术问题,而是社会 - 组织问题,反映了追求更大、更全面的数据系统可能会无意中复杂化它们旨在支持的实践。
4.3.1 利益相关者对数据可用性的竞争期望。
除了机构碎片化之外,规模化还取决于对齐负责实施数据驱动治理的行动者的多样化期望和日常实践。从政府工作人员的角度来看,他们的首要目标是完成数字化转型任务并推进数据驱动的居家养老,这两者都是其绩效考核的一部分。正如岳解释的那样,“我们必须完成数字化转型任务,这是我们的绩效评估指标的一部分。”这些制度优先事项导致政府工作人员特别强调数据驱动倡议的可见性和可演示性。在我们实地调研期间,我们观察到几乎每个区级和街道级综合养老服务中心都显眼地放置了一个数据驱动仪表盘(如图 3 所示),展示大量数据和各种数据驱动的养老服务场景。
图 3.两个部署在两个街道综合养老服务中心的仪表盘
从科技公司的角度来看,他们参与构建数据基础设施是为了与政府建立项目合作。鉴于这一角色,他们的主要目标是达到项目绩效指标,通过项目验收评估,并从政府获得资金,这导致他们优先考虑项目完成而非数据基础设施的质量和可用性。在我们实地调研期间,我们发现这些制度激励往往产生了表面上成功的基础设施,但其设备和数据集与社区养老的现实配合不佳。因此,许多项目在实践中难以实现预期的数据驱动效果。
为了说明这种紧张关系,我们引用了毛描述的数字痴呆症干预项目,毛是一家负责为区政府开发数据驱动养老基础设施的科技公司员工。该项目由区民政局资助,外包给第三方公司建立一个高分辨率痴呆老年人认知发展数据集,以支持早期识别和干预。然而,对于毛的公司来说,成功主要是通过根据合同规格完成数据集来衡量的。正如她解释的那样:“我们受政府委托完成一个数据集。为了满足 KPI,我们需要拍照、填表并留下可追溯的记录。有时,我们甚至外包了部分工作,例如雇佣志愿者。实际上,在整个过程中很难控制数据质量。在项目评估阶段,政府也很难真正评估数据集质量。”
在竞争利益和压力下,这些数据往往是由公司编排和制造以满足特定的政府要求,而没有经过适当的审查。为闭环管理系统规模化获取更多数据可能变得表演性。这些数据通常不能直接支持护理,而是需要前线工作人员不断重新解释、修复和维护——这是一种本身就是护理实践的数据修补 [54],我们将在第 5.3.3 节中回顾这一点。
4.3.2 当数据失效时:无法数据化的现实养老场景。
从基础设施建设转移到数据驱动协作养老中的应用,我们的实地调研发现,居家养老的情境性质挑战了规模化实践旨在通过闭环管理解决所有护理场景问题的意图。正如第 4.1 节和图 2 所示,数据驱动协作护理始于收集足够的居家数据以评估老年人的需求,随后派遣合适的护理提供者提供有针对性的支持。在实践中,老年人的需求高度个性化和情境化,护理关系复杂且动态。在这种情况下,当护理现实无法转化为预定义的数据类别和自动触发器时,闭环管理模式无法响应。在这些条件下,闭环无法按设计运行,除非有大量的人工解释和补偿性工作。
以居家安全监控(第 4.1 节讨论)为例,我们的参与者指出,目前安装的“居家安全四件套”,包括燃气传感器、烟雾传感器、门磁传感器和红外运动传感器,理论上听起来很有前景,但在实践中往往表现不佳。参与者将这些缺陷归咎于感知不准确(例如,“许多老年人居住的公寓通风不良。每次他们做饭,烟雾探测器都会响”)、数据传输不可靠(例如,“这位老年人在女儿家待了一段时间,家里的设备停止接收数据,每天都不断发出警报。”)以及意外故障(例如,“有些设备安装了,但它们从未传输任何数据。”)。在某些情况下,老年人甚至自己移除了设备,原因是担心“浪费电”或“数据隐私”。因此,大量数据往往不完整或不准确,阻碍了其驱动可靠分析的能力。
此外,居家养老老年人的需求受各种情境化和动态的社会环境因素影响 [49]。虽然传感设备产生了大量数据,但它们通常捕获的是预定义的数据类别。落在这些参数之外的需求和情况往往被忽视。社区养老服务中心工作人员薛通过“政策找人”的例子说明了这一挑战。薛负责为她社区的老年人提供个性化的信息支持。
她解释说,老年人的居住情况经常发生变化,而政府数据库中相应的记录更新往往很慢。系统记录与现实生活之间的这种不一致削弱了数据驱动的服务交付。"系统会将年龄80岁以上且独居的老年人标记为符合条件的对象,他们可以定期获得社区上门探视和照护服务。根据政策规定,系统会自动识别并将有此类服务需求的老年人推荐给我们。然而在实践中,我们经常会遇到的情况是,系统把早已不再居住在我们社区的人推荐给上门照护,而真正需要照护的老年人却没有出现在系统的推荐名单中。"在这种情况下,像薛这样的基层工作人员需要进行大量的实地走访来纠正数据错误,从而实现量身定制的"政策找人"目标。在家安全监测和福利匹配方面也存在类似问题,这表明在诸多原居养老的真实场景中,所承诺的"大数据红利"很难规模化实现。
**4.3.3 闭环管理中的"最后一公里"与在地网络**
在数据规模化以支撑闭环管理屡屡受挫之后,我们的实地调研将我们引向了基层政府工作人员与一线照护者的经验。他们大多为女性,且常常就居住在自己服务的社区。责任划分错位与重叠、日益增加的机构考核要求,以及额外的数据工作,共同给这些一线人员带来了沉重负担。因此,他们以非正式、因地制宜的方式扮演起"数据中介"的角色,以维系本应高度自动化的数据驱动系统运转[17]。
原居养老依赖一个多元化的行动者网络——包括医疗专业人员、康复治疗师、上门照护人员、政府工作人员、社区工作者、志愿者、邻居和家人——他们的责任、专业技能和人际关系往往彼此重叠且不断变动。?这些角色在资金安排、专业化程度和稳定性上也有所不同。?照护提供者往往并不严格对应预设的类别,而是同时承担多重且不断变化的职责。这种流动性使得闭环管理系统中的责任分配变得更加复杂。
结果,大多数参与者告诉我们,他们在日常工作中很少依赖数据驱动系统,也很少被闭环管理系统主动派活或调度。在他们看来,这些数据驱动平台(如上图3)只是"政府觉得有用,或者政策制定者觉得有用"的工具,对他们的日常照护工作实用价值有限。一位参与者直言不讳:"我认识社区里所有的老年人,没必要查系统。"相反,他们继续依靠定期走访、邻里知识和非正式沟通来协调照护工作。这种脱节反映了基础设施共建过程中嵌入的优先级:数字平台在很大程度上是为满足政府管理需求和项目要求而设计的,而一线工作人员——处于数据生态系统的"最后一公里"——却沦为自上而下数据指令的被动接收者,并承担了数据工作的负担[2, 7]。
此外,正如4.2节所讨论,碎片化的数据基础设施意味着一线工作人员常常必须手动地跨系统连接、解读和情境化数据,扮演数据中介的角色[42]。例如,为了验证家安全监测的准确性,政府机构常常要求工作人员进行额外的上门走访并收集补充信息[39]。一家老龄科技公司的员工孔将这种额外数据工作描述为一项照护行动带来的体验:"上海推出了一项行动,要求我们对接社区云中登记的'特殊群体'开展照护活动,并每周至少记录两次互动。这项工作直接挂钩我们的绩效考核,因此成为一个非常重要的指标。我不知道是哪位专家或哪位官员提出的这个想法,但实际上,老年人对此非常抗拒。他们觉得非常不舒服——被反复询问是否还活着,还被拍照留存。这侵犯了他们的隐私和尊严。"
孔最后叹了口气说:"时间长了,由于投诉太多,上级要求我们改为'无感式'上门照护。"然而,上级对于"无感式"照护应如何开展、同时还要产出所需数据,几乎没有任何具体指导,只能留由一线工作人员自行摸索新做法。
综合这些案例可以看出,闭环管理的规模化绝非简单地增加设备或整合数据库就能解决的工程技术问题。相反,规模化始终通过情境化的人工作业来实现:纠正错误分类、更新记录、协调职责,并临时创造各种文档记录方式,使照护在系统中变得"可读"。因此,规模化的负担在于,所谓自动高效的承诺往往是由一线行动者看不见的劳动来支撑的[11]。颇具讽刺意味的是,当数据基础设施不断扩展并日益标准化时,这类劳动反而变得更加碎片化、更加密集[42]。
**5 讨论与结论**
基于以上发现,我们回到本文的理论关切——规模,特别是数据在其中所扮演的角色,以及规模反过来如何塑造CSCW的实践与学术。
**5.1 复杂化数据驱动治理中的"数据与规模"**
CSCW和HCI是关注规模、并常常致力于实现规模的学科:系统被设计为可在国家乃至全球层面容纳多样化用户、场景与地理位置[4]。CSCW和HCI对规模的理解呈现多种形态:用户数量、多样的使用场景,以及多种系统与技术[4, 44]。在关于所谓"监控资本主义"的讨论中,规模进一步被框定为数据体量与行为数据提取范围[59]。尽管概念化方式各异,CSCW和HCI中的规模往往被简化为增长与数量(规模与体量),特别是在社交媒体互动量或活跃用户等指标上。因此,规模常常被看作一个线性、向外扩张的过程,带有隐含的方向性:由上或下、由小到大、由微观到中观再到宏观。我们的民族志聚焦于中国闭环管理数据的规模化实践,并挑战在理解中国数据驱动治理时对规模/规模化"有效性、边界与方向性"的假设。
尽管这些尺度范畴被视为具有分析效用——无论是作为学术透镜还是实践绩效指标——本文仍以中国闭环管理规模化进程中数据所扮演的角色为出发点,表明这些方向性在实践中既非单向也非线性。地方试点和公司项目的建立与瓦解、传感技术与照护者反复采集安全数据,都揭示了数据池规模化过程中的反复、混乱与来回拉锯。此外,即便达成了大规模的数据体量,其"有效性"也会因情境化的使用场景而受到质疑与挑战,从而动摇"开放数据天然有益于治理、透明且高效"的假设[15, 23]。因此,本文挑战了一种流行却简化的等式——在中国,数据丰裕等于有效(或强制性)治理——这一叙事不仅被西方学界和媒体所宣扬,也被中国共产党本身所利用,以支撑其数据驱动治理实践的规模化愿景[11, 57]。
在官方话语中,数据通过闭环管理在建模、预测和支撑规模化治理中发挥着核心作用[16]。然而,尽管国家将数据视为一种"尺度装置"——承载着预测未来场景、整合公私资源、为政策干预提供正当性等多重承诺[22]——我们揭示,在实践中,当数据被大规模汇集时,空间与时间、规范与层级、公私边界的合并恰恰成为博弈的场域,甚至引发冲突与摩擦,从而阻止这种规模化发生。我们认为,将数据视为"尺度装置"的许诺忽视了数据同时是社会的也是政治的[14, 24, 25, 39, 40]。数据被社会关系与权力结构所塑造,而这些关系与结构反过来又决定了数据的可及性、所有权与使用方式——这在5.2.3节中关于公有数据与私有数据的区隔上得到体现。因此,数据在不同尺度间的流动绝非纯粹技术性的,而是同时具有社会与政治属性。简言之,数据在尺度间流动始终是有条件的、被协商的,并嵌入既有权力关系之中。
将数据在多层社会、政治与制度结构中的作用具体化,有助于我们复杂化政府与公众对规模与丰裕的论述。各尺度之间界限的模糊由此凸显出数据驱动治理在中国所具有的参与性本质。从数据孤岛到统一数据池的规模化过程本身即充满混乱,因为它需要在制度、技术与个体层面对进行协调与协商(如5.2节与5.3节所示)。在特定制度边界与时间框架内采集的数据,凝结了特定的制度目标与政治议程。因此,作为数据整合的规模化意味着协调不同的时间性与空间性——例如弥合既有制度规范、层级与遗留代码的差异——以便在地方或市级层面已经处于不同运行节奏的项目之间进行协调。数据驱动治理项目在中国的扩展与正当化,并不必然、也未必值得赞颂(尽管在政府话语中是如此),而往往取决于政策优先级的变动和资金资源的变化。这份民族志叙事复杂化了关于中国数据驱动治理的流行公众与学术叙事。它不仅没有强化"自上而下的监控国家"这一过度简化的形象,反而凸显了全市范围内公私行动者——包括一线工作人员与普通市民——的分布式参与,共同践行着中央政府所构想的、旨在解决老年群体可能面临的所有潜在问题的"控制论式"与"自动化"治理愿景。在此过程中,治理通常被"自上而下管控"等话语所理解的尺度边界——个体、地方、国家——被进一步模糊[9, 11]。
**5.2 CSCW与规模之(不)可能**
在认识到规模化是一个充满权力博弈的项目之后,本文将规模从经验发现转向理论与方法论的重构路径。由此引出我们的第二个观点:作为领域也作为实践集合的CSCW,恰恰从规模之"负担"中浮现出来,同时又将不同的尺度维系在一起[27, 57]。所谓规模之"负担",指的是为了追求和维护大规模数据驱动系统,更多工作被压给了那些在视野之外的一线工作人员[2, 11, 21, 28]——他们往往承担着关键的协调工作,以维系数据驱动系统的日常运转与其许诺的兑现。换言之,被负担的劳动揭示了一个核心张力:规模化数据被建构为系统效能的来源,而真正让系统在实践中运转起来的,恰恰是持续不断的人工作业。
在前人关于制度与跨机构情境下规模与数据化的CSCW研究基础上[25, 31, 43],本文将规模视为灵活且涌现的,而非被固定在全—国—区域—地方的层级结构或有限技术系统之内。将关注点从"规模"转向"规模化过程"[43],为审视大规模社会技术系统的政治性开辟了新的分析空间。如本文所示,闭环管理项目试图通过标准化、数据驱动的协议将照护变得"可规模化",假定可互操作的数据适用于所有社会场景。其理念是:无需重新思考或重新安排基本要素与价值观,即可应对老年群体之间相似的安全或健康问题——所有人都被想象为"各就各位",每一条数据也是如此。然而我们的实地调研表明,这种可扩展性始终难以达成。跨部门协调,最好也是耗费大量人力,最坏则陷入恶性竞争。政治资本以及自上而下的压力,导致各机构与企业彼此保留资源——这与闭环管理中所倡导的"共享、海量数据池以供分析与使用"的理想和愿景根本相悖。尽管照护和生活质量被定位为头等目标,政治与经济利益却常常压倒实际使用需求。
这些张力让协调之需显露无遗,也由此凸显出规模化项目停止、协商浮现的地方[27]。在这些时刻,CSCW因规模之"负担"而具体化为情境化实践:一线照护者与志愿者承担额外的数据劳动与实地工作,以完成日常照护任务、从而"闭环",并手动采集和关联数据以维持数据池。这一过程类似于[42]所描述的"近数据"生产——记录地方社区日常生活的数据,而非被加工为抽象、整体化表征的"远数据"。
关注这些实践动摇了被视为理所当然的尺度范畴,反而表明恰恰是"近处"数据能够支撑数据驱动治理的国家需求。这不仅因为这些尺度始终处于不断形成、融合或冲突的过程中,也因为公私之间以及地方或超地方之间的边界日益受到侵蚀——无论对地点和个体的数据聚合多么不全面,这种侵蚀都在发生。因此,聚焦于尺度化使我们能够通过本文所呈现的人机协作工作(CSCW)中的张力,对这些建构性尺度的边界进行理论化探讨[54]。更具体地说,考察尺度化中的协作与协调工作,凸显了数据、系统和组织安排在塑造哪些尺度得以免于质疑、占据主导或享有特权时所扮演的角色。此前的CSCW研究已探索过跨部门数据使用以及公共领域间的系统整合。例如,Le Dantec及其合著者在关于不同公共部门尺度(国家、区域和地方)系统使用的工作中进行了观察[31]。Lee和Dourish的研究则指出,由既存规范和政府结构所铸就的制度动态和数据关系,导致了数据收集和利用的不同意图与机制[33]。这两项研究都强调了在考量数据和技术系统在管理使用及期望方面所发挥作用时,需要厘清权力动态、组织层级和边界的重要性。延续这一研究脉络,我们的民族志分析追溯了闭环管理的数据基础设施如何通过跨部门协作、国家发起的议程和基层实践而构建,揭示了国家在引导何种数据以及何种投资能够流向谁、以何种方式流向方面的作用。由此,我们得出一个核心矛盾:民族国家的大规模数据驱动治理项目,正受到其自身官僚边界、公私部门划分以及数据收集的现实复杂性所挑战。这些挑战被地方关怀网络所吸收,这些网络试图以自身的方式、以地方性的方式进行尺度化。审视这些张力使得我们对全知全能的数据驱动国家的概念——该概念源于大数据必然意味着有效控制这一假设——的理解趋于复杂化,而实际上表明集中权威与碎片化实施并存。这就是我们所称的尺度的(不可能)性:在中国数据驱动的人口管理中,数据体量和增长量方面的承诺似乎无法转化为实现尺度化的实践。恰恰是基层行动者持续的协调工作,维系着尺度化得以可能——或者说维系着尺度化这一幻象。