
دولتها هر روز تصمیمهایی میگیرند که بر زندگی میلیونها نفر اثر میگذارد: منابع به کدام برنامه اختصاص یابد؟ کدام خدمت باید بازطراحی شود؟ یک طرح آزمایشی موفق بوده است یا فقط ظاهری امیدوارکننده دارد؟ کدام فناوری ارزش سرمایهگذاری دارد؟ و چگونه میتوان فهمید سیاستی که در یک کشور موفق بوده، در کشور دیگری نیز نتیجه خواهد داد؟
در بسیاری از سازمانهای دولتی، تصمیمها همچنان بر تجربه شخصی مدیران، رویههای گذشته، فشارهای روزمره یا دادههای پراکنده استوارند. تجربه مدیریتی ارزشمند است، اما برای مواجهه با مسائل پیچیده امروز کافی نیست. راهحل، جایگزینکردن قضاوت مدیر با اعداد و الگوریتمها نیست؛ بلکه باید قضاوت مدیریتی را به بهترین شواهد موجود مجهز کرد.
این همان چیزی است که «تصمیمگیری آگاه از شواهد» (Evidence-Informed Decision Making — EIDM) دنبال میکند.
تصمیمگیری آگاه از شواهد، فرایندی نظاممند است که در آن پیش از انتخاب، اجرا یا اصلاح یک سیاست، منابع مختلف شواهد بررسی میشوند.
شواهد فقط مقالههای علمی یا آمارهای رسمی نیستند. یک تصمیم دولتی میتواند از منابع مختلفی تغذیه شود:
دادهها و آمارهای اداری؛
نتایج پژوهشها و ارزیابی برنامهها؛
تجربه کارشناسان و کارکنان خط مقدم؛
دیدگاهها و ترجیحات شهروندان؛
اطلاعات حاصل از پروژههای آزمایشی؛
محدودیتهای مالی، حقوقی و اجرایی؛
ارزشهای عمومی و ملاحظات اخلاقی.
بنابراین، شواهد تصمیم را آگاه میکنند، اما بهتنهایی تصمیم نمیگیرند. تصمیم نهایی همچنان به قضاوت، مسئولیتپذیری و درک زمینه نیاز دارد.
در گذشته، اصطلاح «تصمیمگیری مبتنی بر شواهد» (Evidence-Based Decision Making) بیشتر به کار میرفت. این اصطلاح ممکن است چنین برداشتی ایجاد کند که تصمیم باید مستقیماً و منحصراً از نتایج پژوهش یا دادههای علمی استخراج شود؛ گویی اگر شواهد کافی داشته باشیم، تنها یک تصمیم درست وجود خواهد داشت.
امروزه اصطلاح «تصمیمگیری آگاه از شواهد» (Evidence-Informed Decision Making) ترجیح داده میشود؛ زیرا واقعیت سیاستگذاری و مدیریت عمومی بسیار پیچیدهتر است. شواهد علمی یکی از پایههای تصمیمگیریاند، اما تنها عامل تعیینکننده نیستند. مدیر یا سیاستگذار باید شواهد را در کنار عوامل دیگری بسنجد:
واقعیتهای سیاسی و اقتصادی: آیا منابع مالی، ظرفیت اجرایی و حمایت سیاسی لازم برای اجرای تصمیم وجود دارد؟
ارزشها و ترجیحات جامعه: آیا شهروندان، دریافتکنندگان خدمات و گروههای متأثر، این تصمیم را میپذیرند؟
تخصص و تجربه عملی: کارشناسان، مدیران اجرایی و کارکنان خط مقدم چه دانشی درباره مسئله و امکان اجرای راهحل دارند؟
شرایط و ویژگیهای محلی: آیا سیاستی که در محیط دیگری موفق بوده، با ساختار اداری، فرهنگ و نیازهای این جامعه سازگار است؟
ملاحظات حقوقی و اخلاقی: آیا تصمیم با حقوق شهروندان، عدالت، حریم خصوصی و ارزشهای عمومی همخوانی دارد؟
برای مثال، ممکن است شواهد پژوهشی نشان دهند یک مداخله اثربخش است، اما اجرای آن به منابعی نیاز داشته باشد که در دسترس نیستند یا با ترجیحات جامعه هدف سازگار نباشد. در چنین وضعیتی، نادیدهگرفتن زمینه به نام «پیروی از شواهد» الزاماً به تصمیم مناسبی منجر نمیشود.
رویکرد آگاه از شواهد نمیگوید مدیر باید تسلیم داده شود؛ بلکه از او میخواهد تصمیم خود را با بهترین شواهد موجود محک بزند، محدودیتهای شواهد را بشناسد و منطق انتخابش را شفاف توضیح دهد.
میتوان این رابطه را چنین بیان کرد:
تصمیم مناسب = بهترین شواهد موجود + تجربه و تخصص حرفهای + ارزشها و ترجیحات جامعه + منابع و شرایط اجرایی + ملاحظات حقوقی و اخلاقی
در این رویکرد، شواهد جای قضاوت مدیریتی را نمیگیرند؛ بلکه کیفیت، شفافیت و پاسخگویی آن را افزایش میدهند.
یکی از خطاهای رایج در سازمانهای دولتی آن است که پیش از تعریف دقیق مسئله، مستقیماً به سراغ راهحل میروند. سامانهای طراحی میشود، بخشنامهای صادر میشود یا فناوری تازهای خریداری میشود، بدون آنکه مشخص باشد مسئله اصلی چیست و موفقیت چگونه سنجیده خواهد شد.
چرخه تصمیمگیری آگاه از شواهد (Evidence-Informed Decision-Making Cycle) از تعریف مسئله آغاز میشود و شش مرحله دارد:
تعریف مسئله: دقیقاً چه مشکلی قرار است حل شود؟
گردآوری شواهد: درباره مسئله، علل آن و راهحلهای احتمالی چه میدانیم؟
ارزیابی نقادانه: شواهد تا چه اندازه معتبر، مرتبط و قابلاعتمادند؟
انتخاب گزینه: با توجه به شواهد، منابع، ارزشها و محدودیتها، کدام مسیر مناسبتر است؟
اجرا: تصمیم چگونه به اقدام تبدیل میشود؟
ارزیابی و یادگیری: آیا اقدام انجامشده به نتیجه موردنظر رسیده است؟
مرحله آخر، پایان کار نیست. ارزیابی، شواهد تازهای تولید میکند و این شواهد دوباره وارد چرخه تصمیمگیری میشوند. سازمان آگاه از شواهد باید سازمانی یادگیرنده نیز باشد.
وجود داده بهتنهایی نشانه تصمیمگیری درست نیست. ممکن است دادهها ناقص، قدیمی، سوگیرانه یا نامرتبط باشند. ممکن است یک همبستگی آماری بهاشتباه رابطه علت و معلولی تلقی شود. حتی پژوهشی با روش علمی مناسب ممکن است با شرایط اجرایی یک سازمان یا کشور تناسب نداشته باشد.
ارزیابی نقادانه شواهد (Critical Appraisal of Evidence) مستلزم پاسخدادن به چند پرسش است:
شواهد چگونه تولید شدهاند؟
منبع اطلاعات چقدر معتبر است؟
آیا دادهها کامل، دقیق و بهروزند؟
آیا گروههای مختلف جامعه در دادهها نمایندگی شدهاند؟
چه سوگیریهایی ممکن است وجود داشته باشد؟
آیا نتیجه از نظر آماری و عملی معنادار است؟
آیا یافتهها در شرایط سازمان ما نیز قابلاستفادهاند؟
مرورهای نظاممند (Systematic Reviews)، فراتحلیلها (Meta-Analyses) و مطالعات آزمایشی معمولاً شواهد قویتری درباره رابطه علّی فراهم میکنند؛ اما این به معنای بیارزشبودن تجربه عملی، مطالعات موردی یا دیدگاه ذینفعان نیست.
در سیاستگذاری عمومی، پرسش فقط این نیست که «چه چیزی مؤثر است؟» باید پرسید: «چه چیزی، برای چه کسانی، در چه شرایطی و با چه هزینهای مؤثر است؟»
سازمانهای دولتی حجم زیادی از داده تولید میکنند؛ اما انباشت داده با بهرهبرداری از داده یکسان نیست. تصمیمگیری مؤثر به دادهای نیاز دارد که باکیفیت، قابلفهم، بهموقع و متناسب با مسئله باشد.
کیفیت داده (Data Quality) ابعاد مختلفی دارد:
دقت: داده تا چه اندازه واقعیت را درست منعکس میکند؟
کاملبودن: آیا اطلاعات ضروری ثبت شدهاند؟
سازگاری: آیا یک مفهوم در سامانههای مختلف، تعریف یکسانی دارد؟
بههنگامبودن: آیا داده در زمان تصمیمگیری در دسترس است؟
اعتبار: آیا داده از منبع قابلاعتماد آمده است؟
یکتایی: آیا رکوردهای تکراری شناسایی شدهاند؟
هنگامی که دستگاههای مختلف برای یک مفهوم، تعاریف متفاوتی دارند یا اطلاعات در سامانههای جزیرهای نگهداری میشوند، مدیر بهجای یک تصویر منسجم، با روایتهای متعارض مواجه میشود. در چنین شرایطی، حکمرانی داده (Data Governance) پیشنیاز تصمیمگیری آگاه از شواهد است.
حکمرانی داده مشخص میکند چه کسی مسئول تعریف، تولید، کنترل کیفیت، دسترسی، اشتراکگذاری و حفاظت از داده است. بدون این مسئولیتهای روشن، حتی پیشرفتهترین داشبوردها نیز ممکن است فقط دادههای بیکیفیت را زیباتر نمایش دهند.
یکی از ضعفهای رایج در ارزیابی برنامههای دولتی، تمرکز بر فعالیتها بهجای نتایج است. تعداد جلسات، سامانههای راهاندازیشده، افراد آموزشدیده یا اعتبارات هزینهشده، فعالیت و خروجی را نشان میدهند؛ اما الزاماً از بهبود وضعیت حکایت نمیکنند.
برای ارزیابی یک سیاست، باید میان سه سطح تمایز قائل شد:
بررسی میکند برنامه چگونه اجرا شده است:
آیا مخاطبان هدف پوشش داده شدهاند؟
منابع چگونه مصرف شدهاند؟
کدام موانع اجرایی وجود داشتهاند؟
آیا برنامه مطابق طراحی اولیه پیش رفته است؟
نتایج کوتاهمدت و میانمدت را میسنجد:
آیا رفتار گروه هدف تغییر کرده است؟
آیا کیفیت یا سرعت خدمت بهبود یافته است؟
آیا خطاها و هزینهها کاهش یافتهاند؟
میپرسد چه میزان از تغییر مشاهدهشده واقعاً به مداخله موردنظر مربوط است:
آیا سیاست موجب افزایش بهرهوری شده است؟
آیا نابرابری کاهش یافته است؟
اگر برنامه اجرا نمیشد، چه اتفاقی میافتاد؟
این پرسش آخر اهمیت زیادی دارد؛ زیرا همزمان با اجرای هر سیاست، عوامل دیگری نیز در جامعه و اقتصاد تغییر میکنند. نسبتدادن همه تغییرات به یک برنامه، بدون داشتن طرح ارزیابی مناسب، میتواند مدیران را به نتیجهگیری اشتباه برساند.
مدیر دولتی معمولاً میان یک گزینه خوب و یک گزینه بد انتخاب نمیکند. او با چند گزینه مواجه است که هرکدام مزایا، هزینهها و ریسکهایی دارند.
برای مثال، هنگام انتخاب یک پروژه نوآوری ممکن است معیارهای زیر مطرح باشند:
اثر اقتصادی؛
ارزش اجتماعی؛
امکانپذیری فنی؛
هزینه اجرا؛
عدالت در دسترسی؛
پایداری محیطزیستی؛
میزان ریسک.
تحلیل تصمیمگیری چندمعیاره (Multi-Criteria Decision Analysis — MCDA) کمک میکند معیارها بهروشنی تعریف و وزندهی شوند و گزینهها در برابر آنها امتیاز بگیرند.
ارزش این روش فقط در تولید یک امتیاز نهایی نیست. گاهی گزینهای بالاترین امتیاز را کسب میکند، اما در یک معیار حیاتی مانند امکانپذیری فنی یا عدالت اجتماعی، وضعیت ضعیفی دارد. تحلیل ساختاریافته این ضعف را آشکار میکند و زمینه گفتوگوی دقیقتر را فراهم میسازد.
چنین ابزاری تصمیم سیاسی یا مدیریتی را حذف نمیکند؛ بلکه منطق تصمیم را شفافتر و قابلدفاعتر میسازد.
تحلیل دادههای گذشته و حال، برای تصمیمگیری ضروری است؛ اما اگر مدیر فقط به گذشته نگاه کند، ممکن است برای تغییرات بیسابقه آینده آماده نباشد.
آیندهنگاری (Foresight) به معنای پیشگویی آینده نیست. هدف آن بررسی چند آینده ممکن و آمادهشدن برای شرایط متفاوت است.
در برنامهریزی سناریویی (Scenario Planning)، سازمان نیروهای پیشران مهم مانند تحولات فناورانه، تغییرات جمعیتی، بحرانهای محیطزیستی یا تحولات اقتصادی را شناسایی میکند. سپس چند سناریوی متفاوت میسازد و میپرسد:
اگر این سناریو رخ دهد، سیاست فعلی ما همچنان کارآمد خواهد بود؟
کدام تصمیمها در بیشتر سناریوها نتیجه مناسبی دارند؟
برای تشخیص زودهنگام تغییر مسیر محیط، چه علائمی را باید پایش کنیم؟
تحلیل داده مانند میکروسکوپ، جزئیات وضعیت موجود را نشان میدهد و آیندهنگاری مانند تلسکوپ، افقهای دورتر را آشکار میکند. دولت به هر دو نیاز دارد.
نوآوری در بخش عمومی با منابع عمومی و حقوق مردم ارتباط دارد. بنابراین، اجرای گسترده یک ایده آزمودهنشده میتواند پرهزینه باشد.
پروژه آزمایشی (Pilot Project) امکان میدهد سیاست ابتدا در مقیاسی محدود اجرا شود. یک پایلوت مناسب باید:
پرسش و هدف مشخص داشته باشد؛
گروه هدف آن روشن باشد؛
دادههای خط مبنا پیش از اجرا جمعآوری شوند؛
شاخصهای نتیجه از ابتدا تعیین شوند؛
مدت کافی برای مشاهده آثار داشته باشد؛
سازوکار یادگیری و اصلاح در آن پیشبینی شود.
هدف پایلوت فقط اثبات موفقیت ایده نیست. پایلوت باید نشان دهد چه چیزی مؤثر نیست، چه موانعی وجود دارد و پیش از توسعه برنامه چه تغییراتی باید انجام شود.
سازمانی که هر پایلوت را مجبور به اعلام موفقیت میکند، فرصت یادگیری واقعی را از دست میدهد.
استفاده از داده، هوش مصنوعی و الگوریتمها در دولت، پرسشهای مهمی درباره حریم خصوصی، انصاف و پاسخگویی ایجاد میکند.
ممکن است یک مدل پیشبینی از نظر آماری دقیق باشد، اما به دلیل دادههای تاریخی سوگیرانه، گروهی از شهروندان را ناعادلانه در معرض محدودیت قرار دهد. ممکن است یک سامانه هوشمند سرعت ارائه خدمت را افزایش دهد، اما شهروندان فاقد دسترسی یا مهارت دیجیتال را کنار بگذارد.
در تصمیمگیری آگاه از شواهد باید پرسید:
آیا فقط دادههای ضروری گردآوری میشوند؟
شهروند میداند داده او چگونه استفاده خواهد شد؟
آیا الگوریتم برای افراد متأثر قابلتوضیح است؟
آیا امکان اعتراض و بازبینی انسانی وجود دارد؟
آیا آثار سیاست بر گروههای مختلف بررسی شده است؟
چه کسی در برابر تصمیم اشتباه پاسخگوست؟
شواهد باید در خدمت ارزشهای عمومی و حقوق شهروندان قرار گیرند. کارآمدی نمیتواند جای عدالت، کرامت انسانی و پاسخگویی را بگیرد.
مطالعات موردی دوره نشان میدهند که تصمیمگیری آگاه از شواهد فقط یک مفهوم دانشگاهی نیست.
برنامه «چشمانداز صفر» نیویورک (Vision Zero) از دادههای تصادفات، گزارشهای پلیس، اطلاعات بیمارستانی و دادههای سرعت برای شناسایی نقاط پرخطر و بازطراحی خیابانها استفاده کرد. این رویکرد امکان اقدام سریع و اصلاح مستمر را فراهم کرد؛ هرچند اثبات دقیق رابطه علّی میان هر مداخله و کاهش تلفات دشوار بود.
سنگاپور با ایجاد سامانه ملی پرونده الکترونیکی سلامت (National Electronic Health Record — NEHR)، اطلاعات بیماران را در سطح نظام سلامت یکپارچه کرد. این تجربه نشان داد استفاده از داده در مقیاس ملی، علاوه بر فناوری، به استانداردسازی، تعاملپذیری، آموزش، امنیت و اعتماد عمومی نیاز دارد.
شبکه «چه چیزی مؤثر است؟» بریتانیا (What Works Network) نیز تلاش کرد میان پژوهش و سیاستگذاری پیوندی نهادی ایجاد کند. مراکز تخصصی این شبکه شواهد را گردآوری، ارزیابی و به راهنمای عملی برای سیاستگذاران تبدیل میکنند.
این سه تجربه نشان میدهند هیچ روش واحدی برای همه مسائل وجود ندارد. گاهی دولت به اقدام سریع بر پایه بهترین داده موجود نیاز دارد؛ گاهی به یکپارچهسازی ملی داده و گاهی به پژوهشهای دقیق و بلندمدت.
تصمیمگیری آگاه از شواهد با خرید نرمافزار یا ایجاد یک داشبورد محقق نمیشود. این تحول به مجموعهای از قابلیتهای سازمانی نیاز دارد:
مدیران ارشد، در تصمیمهای خود مطالبهگر شواهد باشند.
کارکنان مهارت تحلیل، ارزیابی و تفسیر داده را فرا بگیرند.
کیفیت، مالکیت و مسئولیت دادهها مشخص باشد.
ارزیابی از ابتدای طراحی برنامه پیشبینی شود.
نتایج نامطلوب پنهان نشوند و به منبع یادگیری تبدیل شوند.
شواهد به زبان روشن و متناسب با نیاز تصمیمگیر ارائه شوند.
دیدگاه شهروندان و ذینفعان در کنار دادههای آماری شنیده شود.
برای استفاده مسئولانه از داده و هوش مصنوعی، قواعد اخلاقی روشنی وجود داشته باشد.
تصمیمها، فرضیات و محدودیتهای شواهد مستند شوند.
سازمان بتواند براساس نتایج ارزیابی، مسیر خود را اصلاح کند.
شهود مدیریتی هنوز اهمیت دارد؛ بهویژه در شرایطی که اطلاعات کامل نیست و تصمیم باید سریع گرفته شود. اما شهود باید در معرض آزمون شواهد قرار گیرد.
مدیر حرفهای فقط نمیپرسد «به نظر من چه کاری درست است؟» او میپرسد:
چه شواهدی از این تصمیم پشتیبانی میکنند؟
چه شواهدی با نظر من ناسازگارند؟
کدام فرضیات هنوز آزموده نشدهاند؟
چگونه خواهیم فهمید تصمیم ما موفق بوده است؟
اگر نتیجه مورد انتظار حاصل نشد، چه تغییری خواهیم داد؟
حرکت به سمت دولت دادهمحور، به معنای اداره دولت با انبوهی از اعداد نیست. مسئله اصلی، ایجاد توانایی تبدیل داده به شواهد، شواهد به تصمیم، تصمیم به اقدام و اقدام به یادگیری است.
سازمانی که این چرخه را ایجاد کند، فقط تصمیمهای بهتری نمیگیرد؛ بلکه با هر تصمیم، توان تصمیمگیری آینده خود را نیز افزایش میدهد.
The Politics of Evidence-Based Policy Making
نویسنده: پل کرنی (Paul Cairney)
این کتاب توضیح میدهد که چرا انتقال شواهد علمی به سیاستگذاری، فرایندی ساده و خطی نیست و چگونه سیاست، قدرت، محدودیت زمانی و شیوه توجه سیاستگذاران بر استفاده از شواهد اثر میگذارند.
The Politics of Evidence: From Evidence-Based Policy to the Good Governance of Evidence
نویسنده: جاستین پارکهرست (Justin Parkhurst)
این کتاب علاوه بر کیفیت علمی شواهد، به این پرسش میپردازد که چه کسی شواهد را انتخاب میکند، کدام مسئله در اولویت قرار میگیرد و چگونه میتوان استفاده از شواهد را با اصول حکمرانی خوب، شفافیت و نمایندگی دموکراتیک هماهنگ کرد.
Thinking, Fast and Slow
نویسنده: دنیل کانمن (Daniel Kahneman)
کتاب سازوکارهای تصمیمگیری انسان، تفاوت تفکر سریع و شهودی با تفکر کند و تحلیلی و نقش سوگیریهای شناختی را توضیح میدهد.
Superforecasting: The Art and Science of Prediction
نویسندگان: فیلیپ تتلاک و دن گاردنر
(Philip E. Tetlock and Dan Gardner)
این کتاب نشان میدهد چگونه میتوان با تفکر احتمالاتی، اصلاح مستمر باورها و شکستن مسائل پیچیده به اجزای کوچکتر، کیفیت پیشبینی را افزایش داد.
Big Data: A Revolution That Will Transform How We Live, Work, and Think
نویسندگان: ویکتور مایر-شونبرگر و کنت کوکیر
(Viktor Mayer-Schönberger and Kenneth Cukier)
این کتاب ظرفیتها و پیامدهای کلانداده برای تصمیمگیری، اقتصاد و جامعه را بررسی میکند.
Nudge: Improving Decisions About Health, Wealth, and Happiness
نویسندگان: ریچارد تیلر و کَس سانستین
(Richard H. Thaler and Cass R. Sunstein)
کتاب نشان میدهد چگونه طراحی محیط انتخاب میتواند رفتار افراد را بدون حذف آزادی انتخاب تغییر دهد.
Thinking in Systems: A Primer
نویسنده: دونلا میدوز (Donella H. Meadows)
این کتاب مقدمهای روشن برای شناخت سیستمها، حلقههای بازخورد، تأخیرها، نقاط اهرمی و پیامدهای ناخواسته تصمیمها ارائه میکند.