摘要：街头官僚在执法过程中充分行使自由裁量权是促进执法的教育与处罚手段相结合的重要保障。然而，长期的跟踪调查发现，随着人工智能越来越多地应用于交通执法活动，作为街头官僚的交通警察不再倾向于使用自由裁量权，交通执法出现了“以罚代管”的现象。为了检验该发现并进一步解释街头官僚自由裁量权使用意愿削弱的机制，论文以H省L市190名交通警察为研究对象开展了一次调查实验。研究发现：第一，人工智能应用的确会导致街头官僚的自由裁量权使用意愿下降；第二，感知流程复杂性在其中发挥了部分中介效应。研究结果表明，人工智能技术应用改变了街头官僚执法的客观条件，挤压了街头官僚的行动空间，导致他们行使自由裁量权的意愿降低。论文丰富了针对街头官僚自由裁量权的研究，提供了新的实证证据并发现了新的作用机制，对如何在交通执法中引入人工智能的工作实践提供了有益启示。

关键词：人工智能，街头官僚，自由裁量权，使用意愿，调查实验

引言

街头官僚的自由裁量权在行政执法过程中发挥了非常重要的作用，这主要表现在两个方面：第一，自由裁量权赋予了街头官僚灵活执行政策的可能性，这有利于街头官僚在一定范围内弥补政策缺陷，同时促进政策创新。因此，执法者对于无主观恶意、危害程度较轻的行政相对人往往采取批评教育的方式督促其改正。第二，自由裁量权可以让街头官僚满足公民的多样化需求，根据每个案例的特点制定独特的解决方案。在执法过程中面对弱势群体时，执法者更加倾向于采取人性化的执法方式,不但对他们免于处罚，还会提供额外的帮助解决其所面临的困难。由此可见，由于基层治理所面临的情境十分复杂，而制度规定又相对固定，因此街头官僚的自由裁量权在实践情境和制度规定之间发挥了“润滑剂”的作用，能够提高公共政策的适应性和公民的满意度。在行政执法领域中，执法者对自由裁量权的使用更是在塑造政民关系、改善政府形象和维护公民权益等方面发挥着重要作用。

然而，近几年来伴随着信息通信技术在行政执法领域的广泛应用，尤其是人工智能技术的引入，执法者对于自由裁量权的使用意愿却悄然发生了改变。根据对多地交通执法实践的长期跟踪观察，本研究发现交通执法领域中人工智能技术的应用导致交通警察自由裁量权的使用意愿出现了下降。这意味着交通警察正在变得更加循规蹈矩，自由裁量权难以在交通警察和公民之间发挥“润滑剂”的作用。目前，这种现象引发了“执法缺乏温度”的广泛的社会讨论。

为什么人工智能技术的应用会改变街头官僚自由裁量权的使用意愿?其中的机制如何?有研究指出，人工智能应用会改变街头官僚的办事风格、行为倾向，导致他们在工作中更加循规蹈矩、丧失自主性，即街头官僚在面对人工智能应用嵌入其决策过程时，往往会变得更加僵化、服从和保守，不愿意积极使用他们的自由裁量权，而更愿意按照既定的规章制度办事。尽管主流理论视角下对相关议题已有一定的研究，但是针对“人工智能技术应用对街头官僚自由裁量权使用意愿的影响机制”这一核心研究问题，即人工智能技术应用如何造成街头官僚自由裁量权使用意愿降低，仍然有待研究者深入探讨。

为了更好地理解人工智能技术应用对街头官僚自由裁量权使用意愿的影响机制，本文基于心理学中个体行为形成机制的两种路径建构了分析框架，通过调查实验检验人工智能技术应用对街头官僚自由裁量权使用意愿产生了何种影响，以及这种影响的产生机制。接下来，本文主要从以下4个方面展开：第一，回顾相关的文献，介绍个体行为形成机制的两种路径，并在此基础上提出研究假设；第二，介绍研究方法，陈述研究场景与研究设计；第三，展示问卷实验的数据分析结果并展开讨论；第四，对研究结果进行总结，阐述本文的核心发现与不足，展望未来的研究方向。

文献综述与理论建构

（一）文献综述

街头官僚自由裁量权研究的起源可以追溯到迈克尔·李普斯基的开创性工作。这一理论首次由李普斯基在他的《建立一个街头官僚理论》一文中提出，随后1980年该理论在《街头官僚：公共服务中的个人困境》中被系统性地阐述。李普斯基的主要观点是，在复杂的政府机构中，那些直接与公众接触、在政策执行一线工作的公务员，例如警察、社工、教师和医疗工作者，都是街头官僚。这些工作者往往拥有广泛的自由裁量权，因为他们需要在现场直接对具体情况做出判断，并在法律与政策指导下做出决策。在这过程中，街头官僚通过行使自由裁量权，不仅要承担解释政策的责任，还要决定如何在实际情境中执行政策。

街头官僚的自由裁量权研究属于街头官僚理论的核心研究领域，该领域也在近40年的时间中获得了极大的研究拓展。该领域的主体研究关注街头官僚自由裁量权的影响因素，主要包括来自街头官僚个人特征、客户特征以及组织制度的影响。首先，与街头官僚个人特征相关的影响因素包括信念、信仰、价值观、知识储备以及工作经验等，这些因素影响着街头官僚对自由裁量权的认知以及他们对规制的执行方式。例如，有文献研究街头官僚的职业价值观与道德感如何指导他们对自由裁量权的使用，谭新雨聚焦于公共服务动机对基层公务员变革行为的影响，张俊琪和胡威则分析了街头官僚的人格特质对其使用自由裁量权偏好的影响，指出不同人格特征的街头官僚对行政规范和人情规范的偏好存在差异。

其次，客户特征是指公众在与街头官僚互动过程中表现出来的特征。这部分研究关注的内容包括客户的多样性，及其独特需求如何影响街头官僚使用自由裁量权来维持平等与公平;客户在与街头官僚互动过程中的需求方式、礼仪与反馈方式如何改变街头官僚与他们的交互方式;以及公众期待，即客户的社会地位及其所处的社会网络如何影响街头官僚的裁量与决策。

最后，组织制度包括官僚组织结构、组织文化、行政程序和技术嵌入等等，所有这些构成了一个街头官僚使用自由裁量权的组织制度框架。有研究指出，组织如何看待自由裁量权的作用及其风险承担和创新机制，会对街头官僚如何使用自由裁量权产生重大影响。也有研究指出，政策和指导方针的明确性和刚性既可以赋予街头官僚更多的自由裁量权，也可能严格限制他们的权力。

随着研究者对信息通信技术研究的深入，技术嵌入对自由裁量权的影响也引起了研究者的重视。关于技术嵌入是否会影响街头官僚的自由裁量权，答案是毫无疑问的。但是，这种影响具体存在什么效果却有广泛争议。部分研究者支持“赋能论”的观点，认为技术嵌入发挥了决策支持、决策验证的作用，赋能了街头官僚的自由裁量权。例如有研究显示，街头官僚在技术嵌入的情况下，仍然掌握最终的决定权并可以推翻自动化系统的决策并且只有当人工智能的决策符合街头官僚的认知时，该决策才会被采纳。而部分研究者认同“削弱论”的主张，认为技术嵌入剥夺了部分街头官僚的自由裁量权。这主要表为程序变更带来的决策权力转移,人工智能或自动化系统对自由裁量权或原本属于人工工作的替代等制度现象。也有文献整合了以上两种观点，认为技术嵌入对街头官僚自由裁量权的影响是随着任务场景和官僚层级变化的,越是简单的任务，街头官僚所受到的限制和替代就越明显。这二者的关系也可以被描述为一种非线性的作用，在技术应用十分成熟的官僚体制中，街头官僚的许多日常任务和决策权已经被替代，但同时这些技术也创造了一些新的任务场景(如数据采集、决策支持、预测分析等),这些场景又赋予了街头官僚新的自由裁量权。同时有研究进一步指出，人工智能的应用和算法会改变街头官僚的行事风格，特别是他们遵循法律和规章制度的倾向，自动化往往导致他们在工作中的表现更加僵化和保守，不愿意使用自身的自由裁量权去帮助客户。不过，这些研究并未解释人工智能应用为何会产生这样的效果。

综上所述，虽然针对街头官僚自由裁量权的研究总体上十分丰富，但仍然存在一些不足。首先，关于技术嵌入如何影响街头官僚自由裁量权使用的研究在数量上是严重不足的，特别是对新兴人工智能技术作用的研究不够聚焦和深入。其次，更为重要的是，虽然部分研究者发现人工智能应用或算法会降低街头官僚使用自由裁量权的意愿，但尚未有研究者探究其中的影响机制。因此，本文将聚焦于人工智能应用如何改变街头官僚自由裁量权的使用意愿，通过调查实验的方法，尝试丰富该领域的文献并为其研究缺口提供有益的补充。

（二）理论基础

关于个体行为的形成机制，心理学研究提出了两种路径。一种是直接影响机制。Gibson提出的示能理论表明，物品本身的特征会让使用者感到其进行某种行为的可能性，或进行其他行为的不可能性。比如杯子会让使用者感到可以用它喝水的可能性，以及用它书写的不可能性，这是外界环境或物品对个体行为产生的直接影响。另一种是间接影响机制。Tolman提出的中介效应理论认为，外部环境、刺激或影响要经过个体认知的加工才能转化为个体的行为。比如天气降温了，由于认为降温可能引起感冒，所以人们会采取添加衣物的行为，这是外部刺激对个体行为产生的间接影响。两种路径都是解释个体行为产生的合理机制，虽然是竞争的，但也是互补的。

基于心理学的研究成果，人工智能应用对街头官僚自由裁量权使用行为的影响同样存在直接和间接两种路径。本文建构了一个中介理论模型，尝试分析其中的影响机制。值得注意的是，由于本研究开展的是调查实验，在问卷中无法测量被试的“真实行为”,因此本文研究的其实是“行为意愿”。实际上，大量研究试图通过问卷测量行为，但却忽略了问卷只能测得进行某种行为的倾向。虽然“意愿”仅仅代表了某种行为倾向，但在其他因素被控制的情况下，如果被试采取某种行为的意愿提高了，研究者确实可以观测到更多这样的行为。也就是说，如果在一个受控制的环境中，研究者观测到街头官僚自由裁量权使用意愿降低了，那么也会发现街头官僚自由裁量权使用行为的减少。虽然心理学的示能理论和中介效应理论探讨的是行为，但在受控的条件下意愿可以反映行为，因此在调查研究的过程中用“意愿”替代“行为”具备合理性。接下来，本文将以“意愿”作为因变量建构分析框架。

（三）研究假设

根据示能理论，在人工智能应用的在线执法场景中，交通警察自由裁量权的使用意愿可能会被削弱，因为在这种场景中他们缺乏使用自由裁量权的客观条件。与路面执法的情形不同，在线执法的交通警察只能将电子眼等设备获取的图片信息作为执法依据。由于无法与行政相对人进行及时沟通了解更为详尽的信息，他们失去了部分使用自由裁量权的客观条件。

已有文献也表明这二者之间存在因果关系。有研究显示，如果希望推动街头官僚尽可能地帮助其客户，就应当赋予街头官僚更多的灵活变通的条件，以促使其在面对特定案例时能够适当偏离规则,但显然人工智能应用带来的程式化执法过程会限制这种可能性。同时，削弱街头官僚的自由裁量权会阻碍他们对法律和规则的自我理解和解读，从而导致该群体减少对自由裁量权的使用,鉴于人工智能对自由裁量权的替代和削弱作用，其也可能因此进一步降低街头官僚使用自由裁量权的意愿。Nagtegaal的研究显示，自动化的算法决策系统会导致公共雇员在日常简单的任务中更加循规蹈矩，服从算法的决策，从而导致他们会减少对自由裁量权的使用。Sun & Medaglia也提出，由于缺乏合理的责任分配制度，部分政策制定者和管理者不得不大量对人工智能的决策进行确认和背书，这可能导致该群体的自主性受到影响Boer & Raaphorst的研究认为，人工智能支持的决策系统会改变街头官僚使用自由裁量权的风格。研究表明自动化系统的介入会使街头官僚更加注重遵从法律的规定，只有当街头官僚感知到自由裁量权上升时，他们才会更加考虑现实环境的具体情况，听取队友或同事的意见并尽可能地帮助公民。Alshallaqi认为，通过改变街头官僚被监督和管理的环境，人工智能应用会导致街头官僚无法灵活地行使自由裁量权。基于此，本研究提出如下假设。

H1:人工智能应用会导致街头官僚的自由裁量权使用意愿下降

按照中介效应理论，作为行政流程简化或紧缩的一种形式和载体,人工智能应用需要经过街头官僚个人认知的加工，才会导致他们自由裁量权的使用意愿产生变化。人工智能应用首先会影响街头官僚对行政流程简化或紧缩程度的认知，本研究将这种认知命名为“感知流程复杂性”。已有研究证明了这种客观制度变化对个体感知的因果作用。Musante et al的研究表明，审判决策的规则变化会影响受试者对流程公平性的感知。在被审判过程中拥有更多选择权利的被试往往认为流程是更加公平的。Moon et al.的研究显示，官僚对繁文缛节的感知受到行政系统复杂性的影响。也就是说，当行政系统包含更多的人员、程序或部门时，官僚会感受到更多的繁文缛节。Volkoff et al.提出，虽然技术嵌入所代表的组织结构变化是客观的，但个体对这种变化的认知是主观的，所以个体对人工智能应用的主观认知是有差异的，这种差异会影响组织内部个体的行为。因此，感知流程复杂性会受到人工智能应用的影响，而由于人工智能应用代表行政流程的简化和紧缩，因而街头官僚的感知流程复杂性可能会降低。基于此，本研究提出如下假设。

H2:人工智能应用会导致街头官僚的感知流程复杂性降低。

行政流程的改变会带来诸多影响，其中就包括对自由裁量权使用意愿的影响。郭渐强和杨露提出，行政流程变化改变了执行成本，从而影响官员的执行行为。行政流程变更带来的政策执行成本上升会导致官员执行政策的积极性下降。刘祺和罗浩明的研究发现，行政流程变化使得利益分配发生改变，导致部分利益受损的人员存在抵触心理，进而使得其政策执行意愿下降。吴开松和曹素芳的研究表明，政策执行的制度条件会影响街头官僚自由裁量权使用的意愿，因此在缺乏制度条件支撑时，街头官僚的自由裁量权使用意愿会降低。刘帅顺和谈小燕也提出，制度规则是影响自由裁量权使用的重要因素。当制度规则不支持官员运用自由裁量权时，这种行为就会减少。Seidenfeld和Verkuil的研究得到同样的结论，即程序的紧缩会导致官僚没有空间或合法性执行更多的行动，因此会导致该群体行为逐渐走向僵化。基于此，由于感知流程复杂性的降低意味着原有行政流程的紧缩，所以我们认为感知流程复杂性的降低会削弱街头官僚的自由裁量权使用意愿。而由于感知流程复杂性同时受到人工智能应用的影响，因此本研究提出如下假设。

H3:感知流程复杂性在人工智能应用与街头官僚自由裁量权使用意愿的因果关系之间具有中介效应。

综上所述，本研究的分析框架如下(见图1)。

图1 分析框架

这个分析框架展示了人工智能应用影响街头官僚自由裁量权使用意愿的影响机制模型。该模型给出了直接效应和间接效应两条路径，它们既可能同时存在，也可能只存在一个。其中，人工智能应用对街头官僚自由裁量权使用意愿的直接效应是基于心理学示能理论提出的，人工智能应用使得街头官僚不再具备使用自由裁量权的部分客观条件，比如无法现场了解具体情况并进行裁量等，因而导致其自由裁量权使用意愿降低。人工智能应用对街头官僚自由裁量权使用意愿的间接效应是基于心理学的中介效应理论提出，人工智能应用简化并紧缩了原本的行政流程，这导致街头官僚认识到行政流程的精简剥夺了他们使用自由裁量权的空间，从而降低了他们的自由裁量权使用意愿。

研究方法

(一)交通警察日常执法的三种场景及本研究的场景选择

基于本研究的前期调研，交通警察的日常工作分为三种场景，即高自动化场景、半自动化场景以及非自动化场景。高自动化场景下对违章行为的处置自动化程度较高，例如由人工智能抓拍、判定并处罚的闯红灯、碾轧黄实线等。半自动化场景下对违章行为的处置需要相对较多的人工介入，人工智能在抓拍到疑似违法行为并判定后由交警进行后续的审核、处罚等工作，比如伪造机动车号牌等。非自动化场景下对违章行为的处置基本由交通警察完成，适用于偶发、突发事件，比如车祸等。由于全自动化场景中交通警察介入太少，而非自动化场景又缺乏人工智能应用，所以半自动化场景最适宜开展研究，其中既有人工智能应用，也充分保留了交通警察对自由裁量权的使用。

为了检验人工智能应用对街头官僚自由裁量权使用意愿的影响以及感知流程复杂性的中介作用，本研究在H省L市以交通警察为研究对象开展了一次1×2的组内调查实验(见表1)。

表1实验场景设计

在人工处置的路面执法中，交通警察可以通过肉眼识别或者依靠数据库支持来判断伪造的车牌，进而做出判罚。在人工智能应用的在线执法场景中，由人工智能抓拍违法车辆并在判定其违法行为后交由交警审核、判罚。在两个场景设计中，本研究控制了一些可能会对街头官僚的自由裁量权使用意愿造成影响的因素，例如是否有人围观、是否拥有充足的执法时间等，以确保最终因果推断的有效性。

(二)变量测量

1.自由裁量权使用意愿

自由裁量权使用意愿是政策执行者合理运用自由裁量权，因地制宜地灵活执行政策的意愿。已有文献关于街头官僚通融办事风格的量表可以提供借鉴。该量表通过4个题项测量通融办事的风格，包括“将我的专业知识传递给公民”“指导公民如何提高合规性”“尽可能帮助客户”以及“考虑现场具体情况”。以上4个题项中，传递知识和指导公民属于教育的方式，交警在每次执法中都倾向于使用这两种方式，不论执法过程中交警是否使用自由裁量权。因此这两个题项不适于本研究的场景，本文将聚焦于后两个题项。“尽可能帮助客户”是使用自由裁量权的核心，在本文的研究场景中，就是要被试做出最适当裁定，让公民减轻或免于原有的处罚。其次，“考虑现场具体情况”同样重要，这是做出最适当裁定的重要部分。因此，本文形成了以下两个题项。

第一个题项是“我愿意投入精力以做出最适当的裁定”,第二个题项是“我愿意花费时间来了解现场具体情况”。这两个题项相组合，共同形成了“根据具体情况做出适当裁定”的内涵，从而反映自由裁量权的使用意愿。被试将会被询问他们在多大程度上同意以上的描述，并通过一个李克特五分量表进行打分(1=“完全不同意”,5=“完全同意”)。以上两个问题所得数据的克朗巴哈阿尔法系数为0.727,探索性因子分析结果显示，以上两个问题支持一个单独因子解，最小因子负荷为0.854。

2.感知流程复杂性

感知流程复杂性主要用于描述街头官僚对执行某项政策的行政流程之复杂程度的认识。现有研究往往通过对信息量的需求程度、程序和参与者的数量、压缩程序并减少材料的需求以及流程和手续的数量来反映行政流程的复杂性。基于以上文献和研究团队的调研，作者认为感知流程复杂性可以用两个核心指标来反映，即程序和手续的复杂程度。因此，实验设计用两个问题来测量街头官僚的感知流程复杂性，即“该场景下执法需要经过繁复的程序”和“该场景下执法需要履行大量的手续”。被试将会被询问他们在多大程度上同意以上的描述，并通过一个李克特五分量表进行打分(1=“完全不同意”,5=“完全同意”)。以上题项的克朗巴哈阿尔法系数为0.933,探索性因子分析结果显示，以上两个问题支持一个单独因子解，最小因子负荷为0.954。

3.控制变量

虽然影响自由裁量权的因素众多，但本文结合实地调研结果，引入了以下因素作为控制变量，包括对自由裁量权的态度、对技术的态度、公共服务动机以及工作压力。第一，实验用“我拥有足够的灵活处理的权力来应对复杂的一线执法实践”“我拥有的权限或权力足以支持我较好地开展工作”和“我可以获取到足够的资源以较好地开展工作”3个题项对自由裁量权的态度进行测量，其克朗巴哈阿尔法系数为0.873。探索性因子分析结果显示，以上3个问题支持一个单独因子解，最小因子负荷为0.808。第二，实验用“我完全认可人工智能技术在我的工作中发挥的积极作用”对技术的态度进行测量。第三，实验用“我十分关注身边的或社会中的公共问题，如社区居民的集体诉求、政府重大政策等”“我从事的工作对维护交通秩序等公共事业具有重要的价值”“相比于个人的事情，我更愿意为维护交通秩序等公共事业付出时间和精力”,以及“服务公民、解决公共问题令我感到极大满足”4个题项对公共服务动机进行测量，其克朗巴哈阿尔法系数为0.879。探索性因子分析结果显示，以上4个问题支持一个单独因子解，最小因子负荷为0.727。第四，实验用“我在工作中常常感到巨大的工作压力”和“我的工作量很大”对工作压力进行测量，其克朗巴哈阿尔法系数为0.796。探索性因子分析结果显示，以上两个问题支持一个单独因子解，最小因子负荷为0.877。被试同样将会被询问他们在多大程度上同意以上的描述，并通过一个李克特五分量表进行打分(1=“完全不同意”,5=“完全同意”)。此外，虽然个体层面的控制变量在组内实验中不是必需的，但这有助于保持一个完整的数学模型。

（三）问卷实验验证中介模型的方法选择

如何在一个实验中验证中介模型?目前主要有两种类型的方法，一种是中介测量设计，另一种是中介操纵设计。两种方法均被研究者用于检验实验研究中的中介模型，其存在各自不同的优势和不足。

中介测量设计是指将被试随机分配到自变量的不同水平中(组内实验不包括这一步),并分别测量中介变量和因变量，然后采用中介三步检验或Bootstrap法检验中介模型。中介操纵设计是指在中介测量设计的基础上再增加一个实验，操纵中介变量以检验中介变量对因变量的影响，一般可采取双随机实验、并发双随机实验等方法。

两种方法的关键差别在于，采取什么途径检验中介变量对因变量的因果关系，前者依靠理论基础和统计推断，后者依靠实验设计。虽然中介操纵设计的因果推断效果更加显著，但该方法也在理论上面临着变量类型不明确、实验整体性欠缺以及变量建构效度存疑的问题。此外，在实际操作层面，部分中介变量是难以操纵的，特别是关于个体感知、情绪的变量。而且，由于中介操纵设计需要开展两次实验，这会极大提高研究成本。

综上所述，鉴于本文研究问题的特殊性，即中介变量是个体感知，因此本文采用具备成本较低、操作简单、效度较高等优势的中介测量设计方法来检验中介模型。

(四)问卷发放和被试对象的描述

本研究与H省L市交警部门合作，通过见数平台分发问卷。所有被试均为来自H省L市的交通警察。由于开展的是组内实验，因此所有被试必须具有两种场景的执法经验。本研究也确保了所有调查对象均具有路面执法和在线执法的经验。

研究总共发放了600份问卷邀请，所有被试均可自愿选择是否参与调查，问卷开放时间为7天，最终收到了223份回复，回复率约为37%,该回复率与在公共组织中开展类似调查实验的其他研究相当。在剔除填写时间太短(小于100秒)以及时间太长的(超过1000秒)回复后，本研究最终保留了190份有效问卷，以下为样本的基本分布情况(见表2)。大部分被试的年龄集中在31岁到50岁之间，其中，女性占比为23.7%。虽然总体上我国女性警察平均占比在15%左右，但考虑到本次调查实验是在城市区域开展，所以女性警察占比高于全国平均水平是可以接受的。综上，本研究所获取的样本相对于本文的研究对象是具有代表性的。

表2样本分布

研究发现与讨论

(一)描述性统计结果

从两个场景下各因变量和中介变量的描述性统计结果来看(见表3),街头官僚自由裁量权使用意愿和感知流程复杂性的平均水平在人工智能应用之后都出现了下降。这表明，人工智能应用可能导致街头官僚的自由裁量权使用意愿和感知流程复杂性下降，而感知流程复杂性和自由裁量权使用意愿则可能是正向因果关系。不过，这种因果关系是否具有统计学意义的显著性还需要进一步验证。

表3描述性统计

(二)回归分析结果

为了分析自变量和因变量之间的因果关系，我们生成了一个虚拟变量，其值为0时代表人工处置，其值为1时代表人工智能应用。由于本研究是一个组内实验，每个被试都先后回答了两个实验场景中的问题，因此无法完全排除两个场景中的变量之间存在相互影响的关系，即两个场景中的变量不是相互独立的，这可能会增大模型的误差。为了减小这种偏误，本研究采取广义估计方程来进行回归分析。广义估计方程可以将每个样本的变化进行单独估计，最后得出最佳的拟合值。与传统的普通最小二乘法回归相比，在处理这种具有纵向顺序特征的数据时，广义估计方程往往能够降低分析的误差。为了对中介模型进行更细致的分析，本研究将采取逐步检验的方法而非Bootstrap等一次性检验的方式。虽然逐步检验的方式遭到了一些批评,但当中介效应显著时其解释力并不比其他方法弱，同时还能提供自变量、因变量和中介变量之间更详细的因果关系。

逐步检验方法的回归分析结果见表4。该表包含了非标准化的回归系数、z值、显著性以及模型的Wald检验值(广义估计方程不报告F检验和R2值)。由模型1可知，人工智能应用会导致街头官僚的自由裁量权使用意愿下降0.392值(p<0.001)。因此，H1被证实。由模型2可知，人工智能应用会导致街头官僚的感知流程复杂性下降0.782个值(p<0.001)。因此，H2被证实。模型3显示，当控制了感知流程复杂性对街头官僚自由裁量权使用意愿的影响(p<0.01)之后，人工智能应用仍然会导致自由裁量权使用意愿下降(p<0.01)。因此，假设H3被证实。

表4回归分析结果

以上数据分析的结果显示：第一，人工智能应用会导致街头官僚自由裁量权使用意愿下降；第二，感知流程复杂性在其中发挥了部分中介效应。这个发现为已有的研究提供了更丰富的实证证据，并且在因果机制上提出了新的解释。

一方面，人工智能应用确实会导致街头官僚的自由裁量权使用意愿下降，即街头官僚不再倾向于使用自由裁量权，而更加愿意按照既定规章制度办事。这与已有研究的结论和主张是一致的，即当人工智能应用后，街头官僚在政策执行过程中会更加保守并循规蹈矩。

另一方面，本文为这种效应中的因果机制补充了一个解释，即人工智能应用对街头官僚自由裁量权使用意愿的影响存在两条路径，包括直接影响的路径和以感知流程复杂性为中介变量的间接影响路径。直接影响的路径显示，人工智能应用改变了街头官僚使用自由裁量权的客观条件，使得交通警察不能获取足够的现场具体情况，无法进行有效裁量，进而导致其自由裁量权使用意愿下降。而间接影响的路径表明，人工智能应用对流程复杂性的简化和紧缩使得交通警察缺乏自由裁量权行使的空间，他们只能接受或者拒绝人工智能的建议，这导致街头官僚自由裁量权使用意愿大大降低。这种间接效应印证了研究者关于客观制度变化导致个体认知改变的主张以及行政流程变化对街头官僚行为的影响，同时也有助于研究者理解人工智能应用影响街头官僚行为的因果机制。

结论

（一）核心发现

本研究基于心理学的理论基础，通过调查实验检验了人工智能应用与街头官僚自由裁量权使用意愿之间的关系。本文的核心发现是，人工智能应用会导致街头官僚自由裁量权使用意愿下降，并证实了感知流程复杂性在其中的部分中介效应。这表明，人工智能应用引发的研究者的担忧并非空穴来风。虽然在执法效率上人工智能应用实现了技术赋权，但在执法意愿上却导致了“技术负权”,使得街头官僚的人性化执法行为减少了，执法失去了原有的“温度”。与此同时，人工智能应用虽然处罚了更多违规违章行为，但由于街头官僚逐步被排除出执法程序，因此有些执法可能并未起到维护公民权益的效果，未能发挥教育作用。这使得街头官僚自由裁量权的积极作用在一定程度上受到限制，部分执法工作的行政合法性也在一定程度上受到挑战。

(二)理论探讨

本文引入了心理学的理论，为相关研究提供了新视角和新思路。在行为公共管理领域中，已有的大部分研究街头官僚行为或意愿的文献，在建构理论分析框架时往往依靠解释了两个具体变量之间关系的文献来提供证据和支持。这种方法固然可行，但也存在不足之处，即模型中变量过于聚焦，这会导致研究所建构的模型不具备较高的推广价值或者说普遍意义，也较难与更具普遍意义的理论进行对话。如果研究能够依据概括力更强、抽象层次更高的理论作为整体性的理论基础，研究的潜在理论价值就更强。围绕这一目标，本文引入了心理学关于个体行为形成机制的理论作为理论基础，示能理论和中介效应理论为本研究变量的选取和模型的构建提供了指导，也为今后相关领域对街头官僚行为的研究提供了更加可信的基础。

本文也发现了新的因果机制，推动了相关领域研究对街头官僚行为形成机制的理解。人工智能应用如何削弱了街头官僚的自由裁量权使用意愿?虽然已有的研究验证了人工智能应用会导致街头官僚的自由裁量权使用意愿降低，但是对其中的影响机制并未进行深入的探讨。本文通过调查实验发现，除去直接效应之外，街头官僚的感知流程复杂性在人工智能应用的过程中也会受到影响，从而导致其自由裁量权使用意愿降低。尽管制度上规定的或赋予街头官僚的自由裁量权没有发生较大的改变，但人工智能应用导致的实际行政流程的简化和紧缩使得街头官僚失去了充分使用自由裁量权的空间，具体表现在交警的在线执法只能接受或拒绝人工智能的决策，没有其他选项。这个因果机制说明街头官僚使用自由裁量权的空间对其自由裁量权使用意愿来说是至关重要的，不断压缩街头官僚使用自由裁量权的空间将不可避免地导致他们变得愈发僵化和保守。

(三)政策启示

本研究发现对于赋权街头官僚、调动基层执法者积极性、提高执法“温度”具有一定的实践意义。为了应对街头官僚自由裁量权使用意愿降低的负面影响，本文认为可以通过完善政民互动的渠道，重新赋予街头官僚使用自由裁量权的自主空间。具体来说，应当扩大并完善现有的公民对于执法的反馈、申诉渠道，例如公民可以根据具体情况申请对判罚不合理的裁定进行复议，而在这过程中街头官僚就可以充分发挥其主观能动性，对于一些确系误判或没有造成严重后果可以轻判的案件，街头官僚可以推翻此前的处罚结果。这能重新赋予街头官僚充分的使用自由裁量权的空间，不仅可以调动他们的执法积极性，还可以增强执法的公平性，提高执法的“温度”。

(四)研究不足与展望

本研究存在一些不足。首先，调查实验的区域局限在一个城市中，这限制了本研究的外部效度。受到客观条件的限制，本研究只在一个城市中进行，然而该城市能否代表整个街头官僚群体确实是存在疑问的，这使得本研究的结论可能不具备较强的可推广性。其次，本文研究的人工智能场景也是受限的。当前人工智能技术的发展十分迅猛，本文研究的人工智能技术已经不算是最前沿的技术，因此本研究的结论对于研究生成式人工智能的意义可能有限。再次，本研究对理论模型的探讨还不够充分。中介模型仅仅是潜在解释的一种，是否还存在其他解释力更强的模型，本文尚未对这个问题进行深入探讨。最后，本研究对中介模型的验证还存在提升空间。部分研究者可能不认可本文中介测量设计的研究方法，这也是本文的一个客观不足。

针对以上不足，为了弥补本研究的缺陷以及推动相关研究的进一步深化，研究团队将在后续的研究中首先扩大实验和研究范围，增强研究的普适性，同时纳入更多的数据源有利于增强研究的信效度，避免潜在的共同方法偏差的问题。其次，聚焦更为前沿的技术，提供最新的知识和证据。再次，挖掘变量间更多的潜在关系，例如感知流程复杂性是否发挥调节作用等。最后，准备更加充分的研究条件，特别是针对中介模型，可以同时进行测量设计和操纵设计以增强研究的信效度。

文章来源：《公共行政评论》2024年第6期