人工智能+经济管理科研方法

版权信息

书名：人工智能+经济管理科研方法

ISBN：978-7-115-68806-4

本书由人民邮电出版社发行数字版。版权所有，侵权必究。

您购买的人民邮电出版社电子书仅供您个人使用，未经授权，不得以任何方式复制和传播本书内容。

我们愿意相信读者具有这样的良知和觉悟，与我们共同保护知识产权。

如果购买者有侵权行为，我们可能对该用户实施包括但不限于关闭该帐号等维权措施，并可能追究法律责任。

版  权

主  编 刘 颖 姚凤阁 张 峰

副 主 编 朱相宇 孟 凡 刘振元

责任编辑 罗 芬

人民邮电出版社出版发行　　北京市丰台区成寿寺路11号

邮编　100164 　电子邮件　315@ptpress.com.cn

网址　http://www.ptpress.com.cn

读者服务热线：(010)81055410

反盗版热线：(010)81055315

内容提要

本书系统探讨人工智能（AI）如何重塑经管科研范式，聚焦AI时代经管研究的理论创新、方法升级与实践应用，为研究者提供从思维变革到工具落地的全流程指南。

全书共10章，以“范式变革—工具赋能—质量伦理”为主线展开，第1~3章解析AI对经管理论体系与科研流程的重构，详解提示词设计的原则与技巧；第4~7章围绕理论构建、多模态数据分析、实证研究、质性研究等核心科研场景，展示AI的应用路径；第8~10章则阐述论文优化策略、能力进化路径及伦理规范，助力高质量成果产出。

本书兼具学科针对性、方法实操性与内容前沿性，适合经管专业高年级本科生、研究生、高校教师，以及从事AI与社会科学交叉研究的科研人员阅读，亦可作为数智化研究方法相关课程的教材。

“AI时代经管学科的教学与科研丛书”
编写指导委员会

主 任：汪寿阳 洪永淼

委 员（按姓氏拼音排序）：

郭金录 黄先开 黄有方 李建平 毛基业 佟家栋 汪旭晖

王 擎 王瑶琪 王永贵 魏 江 徐 心 赵曙明

总主编：毛新述（北京工商大学）  刘 颖（中国科学院大学）

编 委（按姓氏拼音排序）：

方锦程（香港科技大学）    高 原（西北大学）

柯玮玲（南方科技大学）   龙月娥（汕头大学）

孟 凡（北京大学）   倪 禾（浙江工商大学）

沈永建（南京财经大学）   孙少龙（西安交通大学）

王小燕（广东金融学院）   姚凤阁（哈尔滨商业大学）

姚加权（中国科学技术大学）    姚一永（西南财经大学天府学院）

张 峰（北京联合大学）    朱相宇（北京工业大学）

《人工智能+经济管理科研方法》
编委会

主 编：刘 颖 姚凤阁 张 峰

副主编：朱相宇 孟 凡 刘振元

编 委（以姓氏拼音排序）：

方锦程 高 伟 韩 迪 柯玮玲 田 园 王小燕

徐 伟 杨石川 姚加权 姚一永 张梁雨 赵 睿

“AI时代经管学科的教学与科研丛书”
序

我们正身处人工智能驱动的伟大变革时代。这场深刻的技术革命不仅重塑着全球产业格局与经济增长范式，也对经济学与管理学这一传统而重要的学科提出了重构与升级的历史性要求。如何系统回应时代之问，为经管学科在智能时代的范式转型提供坚实的理论支撑、方法论指导与实践蓝图，已成为学界亟待破解的重大课题。

在此背景下，“AI时代经管学科的教学与科研丛书”的推出可谓恰逢其时、意义深远。本丛书的使命，绝非简单地将新技术名词与经管理论进行叠加以追赶潮流，而在于助力经管领域的教育者、研究者与广大学子，实现从理解“AI是什么”，到掌握“如何用AI”，最终迈向“何以创新”的认知跃迁，从而真正把握智能时代所赋予的重大机遇。

本丛书的编写遵循3个核心宗旨。

其一，坚持“学科为本，问题导向”。丛书的内容编排均深深植根于经管科研的核心问题与真实场景，旨在成为能解释经济现象、优化管理决策、培养卓越人才的“利器”，而非浮于表面的“展览”。

其二，突出“交叉融合，协同创新”。丛书总结了经管学科与人工智能深度融合的成果，清晰展现了人机协同的模式与边界，在彰显人工智能强大能力的同时，也深刻阐明了人类专家在洞察、批判与伦理判断中不可替代的价值。

其三，注重“前沿引领，应用实效”。丛书内容既涵盖大模型等前沿技术在科研教学复杂场景中的应用，也充分考虑一线师生的现实基础，提供清晰可行的路径指引与实践案例，力求成为一套既能启迪顶尖学者，又能赋能普通教师的“瑞士军刀”式工具书。

尤为可贵的是，丛书秉持“负责任的AI”理念，将数据治理、算法偏见、合规使用等伦理议题融入相关章节，引导读者在拥抱AI技术的同时，始终保持批判与审慎的科学态度。

放眼全球，AI技术正以超乎想象的速度迭代演进，其对经济增长的推动力，堪比历史上具有里程碑意义的重大技术革命。这套凝聚了众多专家学者智慧、远见与责任感的图书，既是对这一时代命题所给出的“中国方案”，也是经管学科在智能时代创新发展的思路指引与实践参考。我们诚挚地将此书推荐给所有关注经管学科前沿动态，致力于在AI时代提升科研、教学与实践创新能力的读者，期待本丛书能够为构建中国特色经管学科的学科体系、学术体系、话语体系做出重要贡献！

发展中国家科学院院士

中国科学院数学与系统科学研究院预测科学研究中心主任

汪寿阳

2025年12月

编 者 序

人工智能作为新一轮科技革命和产业变革的主导力量，不仅重塑着社会经济的各个方面，更对经管学科提出了重构与升级的历史性要求。习近平总书记在中共中央政治局第二十次集体学习时强调“推进人工智能全学段教育和全社会通识教育，源源不断培养高素质人才”。国务院、教育部相继作出部署，明确将人工智能深度融入教学、管理、评价等教育全要素与全过程，系统推进人工智能赋能教育变革，为我们推动人工智能与经管科研的深度融合指明了方向。

人工智能不仅是提升效率的工具，而且正在成为推动经管科研理论体系重构与知识创新的核心引擎，给经管科研范式带来深远变革。从理论研究到实证研究，从质性分析到定量分析，经管科研方法在经历一场全面的智能升维，经管研究对象也在不断拓展边界。这些深刻变化，亟须得到系统化、结构化的总结。站在智能经济蓬勃兴起的历史节点，如何紧密贴合社会经济发展脉搏，将散落在各个领域的研究经验有机整合，进而凝练形成具有中国特色的“人工智能+经济管理”科研方法体系，不仅是科学研究迈向纵深的关键议题，更是培养智能时代高素质人才的核心命题。

本书针对经管科研的特点，明晰了人工智能在经管科研中的通用逻辑，系统介绍了判别式人工智能、生成式人工智能等技术在各类经管科研场景中的应用，在广泛综述前沿文献的基础上，精心架构内容体系，确保条块清晰、逻辑严谨，使知识衔接流畅。本书具有如下几个特色。

一是以“科研生命周期”为主线，系统梳理了AI时代经管科研范式变革，全面介绍AI在文献综述、数据分析、实证研究、质性研究等核心科研场景的应用，分步骤解析AI的辅助机制，帮助读者建立“技术—流程—价值”的整体认知。

二是针对经管科研特点，明晰AI在经管科研中的应用逻辑，总结了AI提示词在经管科研中的通用设计逻辑，使读者能够精准地将AI技术应用于经管科研，有效提升经管科研的质量和效率，促进AI与经管科研深度适配。

三是守正创新，推动经管科研与AI的交叉创新。本书既继承经管学科“问题导向、理论基础”的经典逻辑，又融入AI在经管科研应用中的前沿成果，整合国内外众多权威学术文献，反映当前AI赋能经管科研的最新研究动态和趋势，具有较高的学术价值和参考价值，能够为经管科研人员提供前瞻性的指导和启示。

本书适合经管专业的高年级本科生、研究生、高校教师，以及从事AI与社会科学交叉研究的科研团队阅读。通过本书，读者将能够系统掌握人工智能辅助经管科研的基本流程、研究方法与实现步骤，深入理解人工智能对经管科研范式的影响。

本书的编委会由来自多所高校的一线教师和研究人员组成，成员依据各自的研究专业和熟悉的领域承担不同章节，并通过多轮编写研讨会，对大纲及章节内容进行反复打磨。中国科学院大学刘颖教授负责大纲制定及各章内容校对修改；哈尔滨商业大学姚凤阁教授、长春财经学院张梁雨教授编写了第1章；中国科学院大学刘颖教授、北京大学孟凡助理教授编写了第2章；上海对外经贸大学高伟教授编写了第3章；北京联合大学张峰教授、赵睿教授和田园教授编写了第4章；西南财经大学天府学院姚一永教授编写了第5章；中国科学院大学刘颖教授和香港科技大学方锦程博士编写了第6章；广东金融学院王小燕教授和韩迪教授编写了第7章；武汉理工大学刘振元副教授编写了第8章；中央民族大学徐伟老师和中国人民大学出版社杨石川先生编写了第9章；北京工业大学朱相宇教授编写了第10章；南方科技大学柯玮玲教授、中国科学技术大学姚加权教授对全书章节目录和内容要点提出了宝贵建议并参与修改。在此，对所有参与编写的老师、业界专家深表感谢！同时，本书也得到了丛书编写指导委员会主任汪寿阳教授、洪永淼教授和各位委员的精心指导，以及人民邮电出版社的鼎力支持，我们一并表示衷心的感谢！

本书的出版得到国家重点研发计划项目（2024YFC3308000）、国家自然科学基金重点项目（72334006）、面上项目（72272140）、专项项目（L2424116）以及中国科学院大学数字经济监测预测预警与政策仿真教育部哲学社会科学实验室（培育）的支持。尽管编写团队付出诸多努力，但是本书仍有很多不足之处，在此恳请同行和读者不吝赐教，提出宝贵建议和意见，以帮助本书再版时修正和完善。我们期待本书能够为广大学子和科研人员提供“人工智能+经济管理”科研方法的系统参考，为推动AI时代经管人才培养的高质量发展贡献力量。

编者

2025年12月

第1章 AI时代经管科研的范式变革

1.1 AI时代的经管理论重构

人工智能技术促使经济管理研究的理论体系发生了系统性重构，其影响已渗透至基础假设、决策机制及行为路径等核心维度。

1.1.1 理性人与算法人

在新古典经济学与管理学理论体系中，“理性经济人”（Homo Economicus）是一个基本假设前提，它假定人是理性且自利的，并以最优方式追求自身目标。这一假设为构建经济行为模型提供了关键便利，是微观经济学、博弈论、管理决策理论等多学科理论体系的重要基石。然而，随着人工智能技术的飞速迭代，算法驱动的决策在各类经济活动中的权重持续提升。根据数据平台Statista 2025年发布的报告，在全球高频交易、智能推荐系统、区块链智能合约等领域，算法驱动决策的应用占比已超过63%。

克劳迪娅·华格纳（Claudia Wagner）等人在2021年《自然》（Nature）杂志刊发的文章中提出了“算法融入的社会”（Algorithmically Infused Societies）概念，指出未来社会结构将由算法运行逻辑与人类行为模式共同塑造。丹·科特利（Dan Kotliar）与拉菲·格罗斯格里克（Rafi Grosglik）在2023年发表的学术论文中探讨了“算法人”（Homo Algorithmicus）概念，将其描述为一种依托不透明的人工智能算法而形成的新型主体，具有“算法驱动”的主体构造特点^①“算法人”的行为决策机制呈现出显著的算法依赖性，其决策模式由算法规则与逻辑主导，而非个体自主理性判断，这一新型主体的出现，正日益成为解释和预测当代社会经济现象的重要考量因素。

① Kotliar D M，Grosglik R. On the Contesting Conceptualisation of the Human Body：Between "Homo-Microbis" and "Homo-Algorithmicus". Body & Society，2023，29（3）：81-108.　

1.理性人：理论研究的假设前提

在研究经济问题时，新古典经济学假定从事经济活动的个体均为“理性人”，其核心特征是力图以最小的经济代价去追逐和获取自身最大的经济利益。基于这一假定，人们做出经济决策的出发点是私人利益，在追求私人利益的过程中，个体以实现个人利益最大化为目标，不会主动做出于己无利的行为。经济学家认为，在各类经济活动中，只有符合这一特征的人才属于“合乎理性的人”，反之则被视为非理性的人。“理性人假设”的核心内容包括以下4点：① 在经济活动中，个人所追求的唯一目标是自身经济利益的最大化。② 个人的所有经济行为均具备明确意识与理性逻辑，不存在经验性和随机性的决策。③“理性人”拥有充分的经济信息，能够清晰掌握所有经济活动的前置条件与潜在后果。因此，经济环境中不存在任何不确定性，且获取信息也不需要支付任何成本。④各种生产资源可在不同部门、不同地区之间自由流动，且流动过程无须承担任何成本。需要注意的是，“理性人”的利己主义假设并不同于日常语境中的“自私自利”。这一假设并不意味着市场参与者仅关注个人经济收益，相反，个体在追求自身最大利益的过程中，会自然且必然地为社会提供符合需求的产品和服务，从而在客观上实现一定的社会利益。

这一思想根源可追溯至亚当·斯密的《国富论》，后经威廉·西尼尔、约翰·穆勒等经济学家的进一步阐释与深化，最终由维尔弗雷多·帕累托正式引入经济学理论体系，成为核心假设之一。它是对经济社会中所有经济活动参与者基本特征的抽象概括，构成了现代经济学理论构建的基础。尽管这一抽象模型具备逻辑简洁、推演严密的优势，但在现实场景中常与实际经济行为存在偏差。行为经济学、心理学与管理实践的研究不断证实：人类决策存在认知偏差、情绪干扰、注意力有限等非理性因素，导致“理性人假设”在解释现实行为时的效力受限。即便如此，该假设在经济学理论模型构建、政策效果推演等领域仍具有不可替代的基础地位。此外，尽管这一假说长期存在争议，但正是这些质疑推动了其理论边界的拓展与完善，也催生了行为经济学等分支学科的发展。

2.算法人：AI时代的新型决策主体

“算法人”是相较于传统“理性人”假设而提出的新型概念，旨在重新定义AI时代的经济决策主体。在人工智能与大数据深度渗透经济活动的背景下，该概念从本体论与认识论两个层面实现了对传统经济学基础假设的系统性重构。

在传统经济学框架中，决策主体被假定为“生物人”^②，即依托自身知识储备、实践经验和理性思维独立作出判断的个体。但在“算法人”的理论视角下，决策主体不再是孤立的人类个体，而是由“人类系统”和“算法系统”深度耦合形成的复合主体。

② Elworthy C. Homo Biologicus: An Evolutionary Model for the Human Sciences[M]. Berlin：Duncker & Humblot，1993 .

人类的情感倾向、经验认知与价值判断，会与算法的数据处理能力、逻辑推演能力和预测能力深度融合，二者相互嵌套、持续交互，形成一种新型复合决策系统。这种系统层面的重构，突破了传统的“人—工具”二元论的局限，更真实地反映了数字环境下人机协同决策的现状，也更能体现双方在认知层面的动态调适与共同演化过程。

传统“理性人假设”强调人类的计算理性，但计算理性始终受限于人脑信息处理能力的边界，这正是赫伯特·A.西蒙（Herbert A. Simon）提出“有限理性”理论的核心依据。而“算法人假设”则在认识论层面带来三重重要突破：其一，实现理性的“外包”与增强。人类可借助算法与算力资源处理超大规模信息，突破个体认知局限，达到近似甚至超越个体理性的决策水平。其二，构建分布式智能网络。通过接入智能系统，个体理性判断能力得以持续优化，进而形成更强的信息整合与判断能力。其三，强化动态预测分析能力。依托算法模型对复杂趋势进行实时模拟与持续学习，显著提升决策的准确性与前瞻性，降低因信息不对称导致的决策偏差。

因此，在“算法人假设”下，理性不再是人类个体固有的静态能力，而是由算法实时拓展、人机协同生成的动态智能行为。

3.理性人与算法人的区别与联系

随着人工智能与数据智能系统的持续迭代演进，经济行为主体的认知模式与决策逻辑正发生深刻变革。在此背景下，“算法人假设”的提出并非对传统“理性人假设”的全盘否定，而是后者在技术条件下的深化与范式重构。传统经济学中的“理性人假设”强调个体以效用最大化为目标，依靠独立理性进行选择；而“算法人假设”则体现出决策主体在算法技术和智能推荐机制中被塑造和影响的典型特征，这类主体在行为层面可能呈现出符合算法逻辑的“理性”表现，但这种理性已不再源于人类自身的自主推理与判断，而是建立在数据驱动分析和算法模型优化之上的结构化生成结果。因此，“算法人”并不是单纯意义上对“理性人”的能力增强，而是理性分析范式在技术环境下的适应性演化，其本质标志着经济决策逻辑已从传统的人本理性，逐步转向技术增强型智能的阶段性跃迁。

（1）“理性人”与“算法人”的关键区别

传统经济学中的“理性人假设”强调个体在信息完备与理性稳定的理想前提下进行最优化决策，其决策逻辑建立在静态分析模型之上，假定行为主体能够明确目标、稳定偏好，进行成本收益权衡。然而，在现实经济场景中，个体决策常受到信息不完全、认知偏差及情绪波动等非理性因素的影响，导致“有限理性”状态在实践中普遍存在。

相较而言，“算法人”作为“人机耦合型”复合决策主体，可借助算法系统实现部分认知任务的外包，其理性能力由此得到显著拓展，这类主体的决策依托于算法对大规模数据的处理、预测与建模能力，在响应速度、决策精度与动态反馈机制等维度上的表现远超人类个体的独立决策水平。这种由技术赋能的增强理性不仅优化了传统的决策流程，也带来了判断方式的本质性转型。

（2）经济行为主体存在方式的重塑

“算法人”概念的提出，从本体论层面重构了经济行为主体的存在方式。传统认知中孤立的“生物人”个体，在技术深度渗透下演化为“生物—技术”耦合体。这种耦合关系具体体现为人类情感判断与数据推理的深度融合，经验直觉与模型计算的动态互动，最终形成一种新的复合型决策单元。

从认识论角度来看，“算法人”突破了传统理性的固有边界，将人类个体有限的计算理性拓展为依托算法系统的增强理性。理性的来源不再局限于人类自身的认知范畴（颅骨之内），而是通过接入外部智能网络实现动态生成和迭代进化。这一认知层面的飞跃，不仅改变了经济行为分析的逻辑起点，更推动了“理性”概念本身的再定义。

（3）人机融合下的决策主体演进

尽管“理性人”与“算法人”在理论设定、建模逻辑与分析范式上存在显著差异，但二者并非彼此对立的关系。在技术日益深度嵌入经济系统的现实背景下，“算法人”更应被视为对“理性人假设”的历史延续与时代演进。它以技术赋能的方式，对传统决策模型进行补充与优化，使经济学与管理学的研究更贴合当代数字经济的复杂性、动态性与交互性特征。

在AI时代，“人机融合型”决策主体将成为经济活动中的主流形态，人类主观价值判断与算法客观分析将共同构成理性决策的基础。AI时代的到来并不意味着“理性人假设”彻底失效，而是要求其与“算法人”的特征形成互为补充、融合发展的理论协同。在经管学科的理论构建中，需逐步从“行为理性”的单一分析视角，转向“计算理性”“数据理性”与“系统理性”多维并存的综合分析框架。这一理论转型不仅是对个体理性认知模式的重构，更是对组织运行逻辑与市场运行机制的深度革新。

1.1.2 经验决策与人机混合决策

在传统经管领域，经验决策长期占据主导地位，它依托决策者的知识储备、过往经历以及直觉判断来解决问题。正如赫伯特·西蒙提出的“有限理性理论”所指出的：人们在决策时受限于认知和信息获取能力，难以做到完全理性，经验决策正是在这种背景下成为各类经济管理场景中常见的决策方式。随着AI技术的快速迭代，人机混合决策模式逐渐兴起，为经管学科的决策理论与实践带来了全新变革。经验决策与人机混合决策各具优势与适用场景，在不同管理情境中发挥着重要作用，两者的对比与融合，成为AI时代经管科研范式变革的关键议题。

1.经验决策的优势与局限

经验决策是决策者在长期实践过程中，通过对大量实际管理情境的观察、分析与总结，逐步形成的一套以个人经验和主观判断为核心的决策模式。诺贝尔经济学奖获得者丹尼尔·卡尼曼（Daniel Kahneman）和心理学家阿莫斯·特沃斯基（Amos Tversky）提出的“启发式与偏差理论”，为经验决策的形成机制提供了重要的理论解释。他指出，人们在决策过程中，由于认知资源有限，往往会依赖于简化的思维捷径（即启发式策略），这在经验决策中表现得尤为显著。

这种决策方式高度依赖决策者的直觉敏感度、行业洞察力以及对特定领域的深刻理解。在经济管理实践中，管理者通过长期的行业浸润，对市场动态变化、行业竞争态势以及企业内部运营规律形成独特的认知。这种认知不仅包含显性的知识和规则，还涵盖大量隐性经验和判断逻辑，这些要素共同构成了经验决策的基础。

（1）经验决策的优势

灵活性与适应性：经验决策的显著优势在于其能够有效应对复杂多变且缺乏明确规则的情境。在动态波动的市场环境中，外部条件的不确定性和信息模糊性，常导致传统“基于规则和模型”的决策方式难以快速响应。而经验决策凭借决策者丰富的实践经验，能够灵活调整决策思路，根据具体情境的特点进行个性化判断。这种决策方式不受固定程序和框架的束缚，能够快速适应环境变化，为企业在不确定的市场环境中提供及时且有针对性的应对策略。

情感与人文因素考量：经验决策充分考虑到人的情感倾向、价值观和社会文化背景等因素对决策的影响。在企业管理实践中，决策不仅仅是对客观数据和事实的分析，还涉及对人的因素的考量。尤其是在员工激励机制设计、团队建设等场景中，经验丰富的管理者能够凭借其对人性的深刻理解，洞察员工的心理需求和情感状态，从而制定出更符合员工利益、贴合企业文化的决策方案。这种决策方式能够增强员工的归属感和认同感，促进企业内部的和谐与稳定，为企业的长期发展奠定坚实的人文基础。

快速决策能力：在紧急情况下，经验决策的快速反应能力具有不可替代的优势。面对突发的市场危机、供应链中断等紧急事件，传统的决策方式往往需要耗费大量时间进行数据收集、分析和论证，难以满足应急处理的时效性要求。而经验决策基于决策者积累的类似经验，能够迅速识别问题的关键特征，快速做出反应。这种快速决策能力能够帮助企业在危机中抓住时机，采取有效的应对措施，最大限度地降低损失，保障企业的正常运转。

（2）经验决策的局限

主观性与片面性：经验决策的核心局限在于其高度依赖决策者的主观判断，这使得决策过程容易受到决策者个人认知偏差、情绪状态和信息获取局限性的影响。由于不同决策者的经验背景、认知方式和价值取向存在差异，他们对同一问题可能会得出截然不同的决策结论，进而使决策结果的准确性和可靠性难以保证。此外，决策者的经验具有一定的局限性，受到时间、空间和具体情境的制约，无法涵盖所有可能出现的情况，进而导致决策的片面性。丹尼尔·卡尼曼提出的锚定效应、可得性偏差等认知错误，在经验决策过程中普遍存在，这些认知偏差会干扰决策者对信息的客观判断和理性处理，影响决策质量。

难以应对复杂数据环境：在大数据时代，经济管理领域面临着海量的结构化数据和非结构化数据的冲击。这些数据蕴含着丰富的市场信息和经济规律，但也对决策中的数据处理提出更高要求。经验决策主要依赖于决策者的个人经验和主观判断，缺乏处理庞大复杂的数据集的技术支撑，无法充分运用数据分析和挖掘技术来挖掘数据背后的深层关联与潜在规律，这种局限性使其难以适应快速变化的市场环境和复杂的经济现象，限制了企业对市场趋势的精准把握，进而影响战略决策的科学性。

知识传承与复制困难：经验决策高度依赖个人的实践经验，导致其知识传承和复制存在较大困难。经验决策的知识体系具有较强的个人化和情境化特征，难以用明确的语言和规则进行系统表述，当经验丰富的决策者离开岗位时，其积累的宝贵经验难以通过有效的方式传递给继任者，容易导致知识断层甚至企业决策能力下降。这种知识传承的困难不仅影响企业决策的连续性和稳定性，还可能阻碍企业的创新和发展。

2.人机混合决策的内涵与优势

人机混合决策与经验决策在内涵、优势、局限性方面的差异，如表1.1所示。人机混合决策是一种融合人工智能技术与人类智慧的决策模式，通过构建人机协同的动态交互机制实现决策质量与效率的双重优化。在这一模式下，人工智能系统依托强大的算力资源和算法框架，承担起“数据处理中枢”的角色，快速抓取结构化与非结构化数据，运用机器学习、深度学习等技术对数据进行清洗、分类和建模分析，将复杂的信息转化为可视化的趋势预测和决策建议；而人类决策者则凭借长期实践积累的经验、独特的价值判断能力，以及对社会文化、伦理道德等因素的深刻理解，对人工智能输出的结果进行综合评估。二者并非简单的分工协作，而是通过持续的信息反馈和交互修正，形成优势互补的决策闭环。这种模式既保留了人类在模糊情境下的灵活判断能力，又发挥了机器在数据处理方面的高效精准特性，实现了决策过程的智能化升级。

表 1.1 经验决策与人机混合决策的对比

（1）人机混合决策的优势

数据驱动与智能分析。人工智能的核心优势在于数据处理的规模和深度。在当前数据爆炸的时代背景下，经济社会运行产生的海量数据包含着复杂的因果关系和演化规律。人工智能系统能够突破人类信息处理能力的生理局限，以并行计算的方式同时处理多源异构数据，通过关联分析、时序预测等算法，挖掘数据背后隐藏的趋势和模式。例如，自然语言处理技术可对社交媒体评论、新闻报道等非结构化文本进行情感分析，识别公众情绪对市场的潜在影响；复杂网络分析算法则能梳理产业链上下游企业的关联关系，预测供应链中断等潜在风险。这些基于数据的智能分析，为决策提供了全面、客观的依据，能帮助决策者跳出个人经验局限，把握宏观趋势。

弥补决策者认知局限。人类在决策过程中不可避免地会受到认知偏差和心理因素的制约。认知心理学研究表明，个体在信息处理时存在注意力分散、记忆偏差等问题，情绪波动也会干扰理性判断。人工智能系统则具有稳定的分析特性，能够24小时不间断地执行任务，不受疲劳、压力等因素影响，始终保持一致的分析标准。面对高维度、非线性的复杂问题，机器可以通过蒙特卡罗模拟、遗传算法等技术进行全局搜索，处理人类难以完成的大规模计算任务。同时，人工智能还能通过算法模型识别常见的认知偏差，如锚定效应、代表性偏差等，对决策建议进行修正，从而有效降低人类主观判断失误导致的决策风险。

提升决策效率与质量。人机协同的决策模式显著优化了决策流程。在传统决策中，数据收集、整理和分析往往占据大量时间，而人工智能系统可在短时间内完成数据的自动化处理和初步分析，将决策者从烦琐的基础工作中解放出来。同时，人类决策者凭借对行业规则、组织文化的深刻理解，能够快速识别人工智能分析结果中的关键信息，并结合自身经验进行价值判断和策略调整。这种“机器预分析—人类再决策”的模式，既避免了单纯依赖经验决策的片面性，又克服了纯算法决策可能忽视的人为因素，使得决策方案既能基于科学数据支撑，又能满足实际执行场景需求，最终实现决策效率与质量的双重提升。同时，人工智能系统的分析结果与决策者的经验和判断力相结合，能够制定出更科学、合理的决策方案，提升决策质量。

（2）人机混合决策的局限性

人机混合决策的局限性主要体现在算法透明度、人类主体性弱化及数据质量缺陷三个层面。首先，算法黑箱问题会导致决策依据的不可解释性，深度学习等模型虽具备强大的模式识别能力，但其内部决策逻辑不容易显性化，难以满足金融、医疗等高风险领域对决策透明度的刚性需求。其次，人机协作的认知异化可能引发人类决策能力的结构性退化，过度依赖人工智能的辅助决策系统，容易导致决策者陷入“能力惰性”陷阱。最后，数据质量缺陷也会影响决策的可靠性。机器学习模型的性能高度依赖输入数据的完整性与准确性，但现实场景中普遍存在的数据孤岛、样本偏差及标注错误等问题，会大幅降低决策结果的质量。

1.1.3 微观行为与宏观涌现

AI时代，社会经济运行愈发呈现复杂系统特征。“涌现”（Emergence）作为复杂系统中的重要概念，是指个体之间的相互作用所导致的整体层面出现的新的结构或模式。在社会经济运行中，微观个体的行为会互相作用，形成群体决策，最终使宏观尺度上产生新的特性和结构，这一现象被称为“宏观涌现”。借助人工智能与计算模拟方法，可以在微观层面刻画不同主体的行为规则与互动模式，并通过大规模仿真揭示宏观层面的结构性变化与动态规律。这种“自下而上”的路径，能够使研究者更好地理解复杂经济系统中的非线性关系和群体效应，为经管理论的重构提供新的分析框架。

1.个体行为建模范式的转变

经典经管理论建模以“经济人假设”和同质偏好为基石，侧重于对均衡解的静态推导。这种范式虽然在模型简洁性和数学可操作性方面具有优势，却难以解释现实中的异质决策、突发事件和非均衡态特征。在AI时代，微观行为建模正经历以下三个层次的深刻转变。

（1）多维偏好谱系的异质性刻画

传统模型将个体偏好简化为单一、同质的效用目标函数，AI赋能的范式则从风险承受态度、时间偏好、社会影响、信息敏感度等多维度解构个体偏好，这种刻画突破了“经济人”的同质假设，更符合现实的异质性。

技术赋能是实现AI赋能范式转变的关键。如图1.1所示，在获取多源数据的基础上，借助自然语言处理技术，挖掘文本数据中的偏好和情感，通过时序数据挖掘精准分析交易行为规律，应用社会网络分析映射现实的社会关系，从而实现从微观层面识别、量化并动态更新用户的多维偏好谱系。

图1.1 多维偏好谱系构建流程

例如，在消费者层面，融合在线评论的情感分析与交易频次数据，可以精准描绘不同消费群体的多层次行为谱系，揭示其在产品质量追求与社交形象维护等维度上的显著偏好差异。在企业决策者层面，关联分析高管访谈文本与公司财务决策、投资记录等时序数据，能够可解释地量化其独特的风险决策倾向、创新偏好及短期或长期导向。

构建精细化、可解释的多维偏好谱系，是对个体异质性的深度描绘，其核心价值在于为后续模拟有限理性决策和追踪行为演化提供高度真实、差异化的微观决策基础，是构建更具现实解释性模型的关键。

（2）场景驱动的有限理性模拟

传统理论模型假设个体拥有完美信息并能进行全局优化。然而，现实中的决策本质上由场景驱动，具有明显的“情境嵌入”特征，个体在复杂、动态且常伴有不确定性的具体场景中，需要在有限的时间、资源和信息条件下做出快速选择。多智能体模拟（Multi-Agent Simulation）为刻画现实中的有限理性决策提供了强大引擎，如图1.2所示。

图1.2 多智能体模拟为刻画有限理性决策提供了强大引擎

模拟异质主体的有限理性决策。多智能体模拟可以模拟现实中差异化的决策主体，根据不同的智能体被赋予的不同的资源约束、行为规则与学习能力，做出有限理性决策，例如，在电商市场竞争场景中，模拟中小商家“基于历史销量调整定价”的有限理性行为，比传统完全理性模型更能解释“价格战的动态演化”。

捕捉多主体互动的涌现效应。通过多智能体模拟，研究者可以调整参数，构建可控的动态场景，模拟决策轨迹，观察多个智能体在动态环境中的策略演化，展现从微观个体行为涌现出市场整体现象的过程。例如，在金融市场模拟中，多个智能体根据投资者“锚定偏差”等有限理性特征，可以动态展示资产泡沫从形成到破裂的全过程，为金融风险研究提供更真实的场景。

（3）行为演化的动态追踪

传统经管研究常将个体决策行为简化为静态均衡模型，难以捕捉现实世界中行为策略随环境、社会学习与市场选择而演化的动态复杂过程。AI技术的引入，为行为演化的动态追踪提供了有效工具，不仅解决了经管研究中对“动态性”与“复杂性”的刻画这一难题，而且有助于开展微观机制的溯源。

如图1.3所示，AI赋能行为演化研究包括四个主要步骤。首先，构建行为演化的数字孪生实验场，整合现实场景的交易记录、社交互动、环境反馈等多源数据，构建动态更新的行为演化图谱。然后，开展多尺度行为临界点识别，通过分析不同时间或空间尺度下的行为特征，识别行为分布中的演化临界点。其次，实施闭环反馈的行为策略优化，将演化结果实时反馈至AI模型，为相关政策设计提供动态评估与调优依据。最后，进行微观机制溯源，依托“模拟—识别—优化”闭环机制，结合多智能体行为网络分析，揭示宏观现象背后的微观作用路径。

图1.3 AI赋能行为演化研究的步骤

2.宏观涌现的本体逻辑与演化特征

在社会经济系统中，宏观涌现不是个体行为的简单累加，而是系统自组织、自适应与结构重塑的动态过程。理解宏观涌现，需从整体性约束、局部交互机制与多层级耦合三个维度进行学理化探讨，并结合AI技术带来的认知与模拟工具，对复杂经济现象的生成机理展开深入分析。

（1）整体性约束与秩序生成

宏观涌现的首要特征在于系统整体性，即宏观结构拥有独立于个体的自发秩序。这一整体性约束一方面来源于制度与规则框架的外在规定，另一方面源自多主体交互过程中不断累积的内生规范。当个体在既定制度约束下进行资源配置与利益权衡时，其行为通过市场、组织或社会网络等多重渠道进行传导，逐步形成对其后续决策产生诱导或制约的宏观态场。AI技术通过海量数据挖掘与模式识别，可重构这一宏观态场的时空演变路径，使我们不仅能在事后观察秩序生成结果，更能在演化过程中实时捕捉其内在动力。

在此过程中，宏观秩序对个体自由并非压制，而是一种“可塑约束”，它既为微观行动提供方向性指引，又在主体行为演化中不断被重构与优化。AI通过智能仿真平台，可对制度变量与主体行为之间的双向影响进行因果推断，为制度设计与微观激励机制的协调提供科学依据^③。

③ Acemoglu D，Robinson J A. Economics Versus Politics：Pitfalls of Policy Advice. Journal of Economic Perspectives, 2013 27(2): 173–192.　

（2）局部交互与反馈循环机制

宏观涌现的核心动因在于个体间的局部交互及其产生的多轮反馈循环。每一次微观决策都在局部范围内产生信息、资源或信号的传递，这些信息、资源或信号在网络结构中被放大或衰减，形成层层递进的反馈效应。自组织视角强调，这种互动与反馈循环并非外部强加的，而是系统内在主体自发行动的结果。

具体而言，当主体基于局部信息采取行动时，其行为会对环境或邻近主体产生影响，并通过网络节点被回传至原行为主体或更多决策者，构成闭环。这种闭环一旦叠加到一定程度，便会导致宏观系统的质变，如同步涌现、阈值跃迁或全局重构。AI技术以深度学习与图神经网络（Graph Neural Networks，GNN）为基础，能够对大规模动态网络中的局部交互进行实时解析，识别隐藏在高维数据背后的因果通道，进而模拟反馈循环对系统演化的累积效应。

借助AI驱动的动态网络仿真，研究者可以在不同拟态环境下，灵活设定局部交互规则，并观测其对系统涌现性质的影响，为精准干预与系统优化提供可操作路径。

（3）多层级耦合与边界演化

宏观涌现常跨越微观行动层、组织与网络层，以及制度与政策层多个层级。在这一多层级体系中，每一层级既具有相对稳定的结构，又通过向上或向下的反馈影响其他层级的演化。具体表现为：

在微观层级，个体决策与行为模式在局部交互中生成初级涌现形式，如群体偏好和信任关系网络；

在中观层级，组织结构、市场机构以及社群网络作为中介，承载并放大微观层面的共识与分歧，进而影响资源分配与创新扩散；

在宏观层级，制度规则、政策框架与文化规范对中观层级的组织活动施加约束与引导，同时吸纳中观变化以实现制度演化。

AI技术通过多元时空数据融合与计算实验，可在虚拟空间中构建跨层级数字孪生模型，模拟各层级之间的交互耦合与边界重塑过程，并对制度变迁对宏观涌现的影响进行前瞻性评估。

此多层级耦合视角强调，宏观涌现既是个体与集体行动的动态积累，也是在制度框架与组织结构不断调整中实现的自适应进化。AI赋能下的跨层级模拟，为理解复杂经济管理系统的整体演化与治理路径提供了强有力的学理支持。

3.从微观行为到宏观涌现的理论重塑

在AI时代，微观行为与宏观结构之间的关系不再被视为静态的演绎推导或单向的因果链条，而被重新理解为多尺度、多层级系统中持续动态交互的涌现现象。在这一背景下，传统依赖线性模型与均衡假设的理论建构方式，逐渐转向以数据驱动、算法建模和系统模拟为核心的方法体系。这一转型不仅是技术层面的工具更替，更是一种深刻的范式变革——从理论建构路径、因果机制识别方式到研究结构设计理念的系统性重构。

在理论建构路径上，AI技术的引入推动“自下而上”式的理论生成模式成为研究主流。在这一理论生成的过程中，研究者从个体层级的数据出发，挖掘其异质性行为特征与相互作用模式，通过算法驱动的复杂系统建模，逐步识别出微观机制如何经由局部交互传播、积累并在特定条件下催化出系统层面的结构与动态特征，强调非线性、适应性与反馈机制，并促使理论由经验归纳、模拟检验逐步演化为系统演化的解释框架。

在因果机制识别方式上，AI赋能研究方法不仅提高了变量识别与建模的精度，更促成了对非显性机制的结构化刻画。通过机器学习、GNN与因果推断等技术，研究者能够识别出传统理论无法清晰刻画的复杂交互路径与反馈闭环，进而建构出可验证、可仿真且具解释性的因果机制模型。这种从数据中自动涌现机制结构的方式，突破了过去依赖先验假设所面临的理论约束与信息瓶颈。

在研究结构设计方面，AI推动了微观—中观—宏观多层级模型的集成式建构。研究不再局限于某一尺度内部的静态分析，而是通过多尺度建模（Multi-Scale Modeling）与跨层级动态追踪，实现对系统演化全过程的高保真复现。在此过程中，微观行为的异质性、互动模式的网络结构性、中介机制的动态演化与宏观结构的涌现路径被整合于统一的分析框架之中，推动经济管理研究从静态描述走向动态解释与预测。

总体而言，AI时代的理论融合与方法创新体现出强烈的系统性、动态性与重构性特征。它不仅连接了个体行为与集体动态之间的多尺度通道，也为经管学科构建可演化、可学习与可验证的新理论体系提供了路径依赖之外的可能性。在经管学科构建新理论体系的进程中，研究范式不再是既有框架的简单技术升级，而是逻辑结构、因果机制与知识生成方式的整体跃迁。

1.1.4 计算科学与经管学科的融合

数字技术的普及使得经济活动中的交易记录、行为轨迹等信息被实时捕捉，形成规模庞大、结构复杂的数据集合。这些数据不仅包含结构化的统计数据，还涵盖文本、图像、视频等非结构化信息，数据间存在着非线性、动态演化的复杂关系。同时，市场环境、政策导向、技术变革等外部因素的高频变动，进一步加剧了经济管理系统的动态性。传统基于抽样调查、经验归纳的研究手段，因数据处理能力受限、模型动态适应性不足，难以全面揭示经济现象背后的深层规律。计算科学凭借其强大的数据处理能力、精细化的建模技术和智能化的算法推演机制，打破学科壁垒，推动经管科研范式向数据驱动、定量分析转型。计算科学与经管学科的融合以揭示经济管理活动内在规律为核心目标，以期通过构建跨学科研究框架，实现对复杂经济系统的深度剖析与精准调控。

1.计算科学与经管学科融合的理论基础

计算科学与经管学科融合过程中有多个理论结合点，特别是在系统科学理论、信息论和经济学理论方面，产生了多个交叉研究领域，如图1.4所示。

（1）系统科学理论的桥梁作用

系统科学以整体性、关联性和动态性为核心，将研究对象视为由多个相互作用、相互依存的要素构成的复杂系统。在经管学科中，宏观经济体系、企业组织架构、产业生态网络等均可抽象为系统模型。计算科学为系统科学理论的落地提供了关键技术支撑：通过建立系统动力学模型，将经济变量间的因果关系转化为可计算的数学方程，结合计算机仿真技术，能够模拟经济系统在不同政策干预或外部冲击下的动态演变过程。例如，利用系统动力学模型对财政政策调整的模拟，可量化分析税收减免对企业投资、居民消费、就业水平等变量的传导路径和影响程度，为政策制定者提供动态的决策参考依据。这种跨学科结合，使得传统经济学中难以量化的复杂关系，得以通过可视化、可验证的方式呈现。

（2）信息论与经济学理论的共通逻辑

信息论聚焦于信息的产生、传输、存储与处理机制，其核心概念如信息熵、信道容量等，为理解信息价值提供了量化工具。经济学理论中的信息不对称理论揭示了市场参与者在信息获取能力上的差异，这种差异会引发逆向选择、道德风险等问题，进而影响市场效率。计算科学与经济学的融合，为解决信息不对称提供了技术路径：数据加密技术保障了信息传输的安全性，防止关键经济数据泄露；信息检索与过滤技术则通过自然语言处理、知识图谱等方法，快速提取有效信息，降低信息获取成本。此外，计算科学中的分布式账本技术通过去中心化的信息存储与验证机制，实现交易数据的透明化与不可篡改，从技术层面优化市场信息环境，促进市场机制的良性运转。

图1.4 计算科学与经管学科融合的理论结合点

2.计算科学与经管学科融合方式

计算科学在经管学科中的应用

计算科学与经管学科的融合方式一般分为两种。

一是问题导向的跨学科研究路径。这种研究路径要求研究者兼具经管学科的问题洞察力和计算科学的技术敏感性，通过多轮迭代优化，实现理论模型与现实场景的深度契合。跨学科研究强调以经济管理领域的实际问题为出发点，逆向构建研究框架。在明确研究问题的核心目标后，系统梳理问题涉及的关键要素、影响因素及约束条件，形成清晰的研究边界。例如，在探讨平台经济中的资源配置效率问题时，需综合考虑用户需求弹性、平台定价策略、市场竞争格局等因素，再从计算科学中筛选匹配的技术工具。博弈论模型可用于分析平台与用户、用户与用户之间的策略互动关系，而强化学习算法则能通过模拟多轮博弈过程，寻找最优的资源分配策略。

二是数据驱动的研究范式。该范式要求研究过程具备严格的数据质量控制体系，并通过交叉验证、敏感性分析等方法确保研究结论的稳健性，推动经管研究从经验归纳向数据验证转型。数据驱动范式打破传统研究中“先假设、后验证”的线性逻辑，强调数据作为研究起点的核心地位。在数据采集阶段，整合多源异构数据，包括企业内部运营数据、政府公开统计数据、互联网用户行为数据等，通过数据清洗技术去除噪声和异常值，利用数据转换技术将非结构化数据转化为可计算的格式。在数据分析环节，综合运用描述性统计、因果推断、机器学习等技术，从数据中提炼特征、发现规律。例如，在研究消费者购买决策时，通过自然语言处理技术分析社交媒体评论中的情感倾向，结合交易数据中的价格敏感度指标，利用深度学习模型构建动态决策模型。

1.2 AI时代的经管研究方法

人工智能技术正在驱动经管科研方法经历多维度的范式重构，主要体现在理论研究与实证研究、定性分析与定量分析、小模型范式与大模型范式三个方面，这些转变共同推动经管研究突破传统边界，向智能化、动态化、协同化方向纵深发展。

1.2.1 理论研究与实证研究

理论研究与实证研究是经管科研方法论的两大支柱。理论研究通过逻辑演绎构建概念框架，实证研究则依托数据检验理论假设，二者相互支撑却又因方法论差异而界限分明。机器学习、自然语言处理、知识图谱等技术的发展，不仅模糊了理论构建与实证分析的固有边界，更催生出新的研究范式。本小节将系统介绍AI技术如何在理论层面助力概念体系优化，以及在实证层面提升数据分析精度与动态验证能力。

1. AI助力理论建模

在传统的经管学术研究中，理论构建以规范性逻辑推演为核心，研究者往往依赖既有文献与经验积累进行问题识别、变量构建与假设提出。人工智能技术的发展使理论研究的流程发生了变化，也使得研究者不仅能更高效地理解已有理论体系，还可以借助数据重塑理论框架，从“纯粹的思维构建”转向“数据辅助的逻辑再造”。

首先，文献综述环节的系统化与智能化大幅提升了理论构建的基础质量。传统综述方法依赖人工筛选与主观判断，耗时耗力，且容易遗漏重要线索，而AI驱动的文献挖掘工具（如Semantic Scholar、Connected Papers、Research Rabbit等）可通过基于Transformer的双向编码器（Bidirectional Encoder Representations from Transformers，BERT）等预训练模型识别文献中的潜在主题，结合图谱式可视化呈现文献之间的引用关系、共同研究领域与发展演化路径，运用此工具，研究者可以迅速掌握某一理论领域的发展脉络与边缘空白，为构建理论提供系统性依据。

其次，在理论概念的界定与概念模型建构方面，AI工具提供了新的思维方式。知识图谱技术通过抽取文本中的实体与关系，形成语义网络，使原本零散的概念在语义层面得以结构化整合。例如，在企业创新研究中，研究者可利用知识图谱发现“绿色创新”“制度环境”“技术动态性”等概念之间的路径与边界，从而明确研究的理论位置。理论框架因此不再仅凭主观划定，而是结合了语言大数据中的“集体认知”。

除此之外，AI技术拓展了理论假设的生成路径。过去，假设的提出往往依赖于先验逻辑与定性分析，而当下，可以通过数据驱动和因果模型来优化假设的逻辑关系。例如，通过GNN对企业之间的合作网络进行挖掘，可以发现某些影响机制在数据中频繁出现，从而启发研究者提出新的中介路径假设。再如，线性非高斯无环模型（Linear Non-Gaussian Acyclic Model，LiNGAM）等因果发现算法（Causal Discovery Algorithms）可以从观察数据中识别潜在因果结构，辅助理论路径设定。虽然这些方法仍需结合理论解释，但其为假设提出提供了数据支持与逻辑验证。

最后，AI技术助力理论模型的建构与演化。在传统研究中，模型结构由研究者在构建前根据自己的知识和经验来确定基本框架和组成部分，而AI能够实现模型结构的动态调整与优化。例如，不变风险最小化（Invariant Risk Minimization， IRM）方法可在多数据子环境下识别稳定的结构性因果关系，从而增强模型的解释性与迁移性。此外，自动微分、强化学习等技术的引入也为构建动态博弈、策略优化等理论模型提供了计算基础。

综上所述，AI并未取代理论研究者的思考角色，但它显著扩展了研究者的思维边界与工具箱，使理论研究过程更具结构性、系统性与创新性。理论研究由“主观建构”迈向“结构化创造”，正在进入“人机协同”的新范式阶段。

2. AI拓展实证研究

实证研究的核心在于通过数据验证假设、解释现象。人工智能技术对实证研究范式也产生了深远影响。

第一，AI拓展了数据获取与处理的广度与深度。传统实证研究主要依赖政府统计数据、问卷调查与企业财报等结构化数据，数据获取周期长、更新慢，样本规模有限。而在AI支持下，研究者可借助网络爬虫、API、图像识别与遥感技术，快速采集社交媒体、新闻文本、卫星图像、用户评论、交易记录等多模态数据，不仅解决了“数据荒”的问题，还实现了对数据的精准捕捉，更推动数据从“间接变量”走向“真实行为”。例如，通过爬取微博或知乎平台信息，研究者可构建投资者情绪指数、消费趋势指标；利用遥感图像识别城市绿化程度，可测量地方绿色发展水平；借助位置服务数据，可研究人口流动与消费热力。

第二，AI提升了语义变量构造的创新性。传统变量多为显性、结构化信息，而AI可以从非结构化数据中提取复杂语义信息。例如，文本挖掘技术可用于识别政策文本中的监管强度、公司公告中的风险情绪；图像识别技术可用于衡量企业环境违规行为；语音分析技术可捕捉高管语气变化以分析其信心水平。这些新变量丰富了研究视角，使实证研究能够捕捉更加微观、动态和隐性的信息。

第三，AI革新了建模与分析的方法体系。在传统研究中，回归分析、结构方程模型与面板数据分析等方法占主导，强调因果推断与参数估计，但面对大规模、高维、非线性数据时，容易出现模型设定偏误、变量选择困难等问题。为此，AI技术提供了多种替代或补充：机器学习技术如随机森林（Random Forest）、梯度提升树、支持向量机（Support Vector Machine, SVM）等在处理高维特征与复杂关系中表现优异；深度学习模型则适用于时序数据与图像数据的建模。此外，因果推断与机器学习结合的新方法（如双重机器学习等）兼顾预测精度与因果推断，使实证研究的解释性与应用性同步提升。

第四，AI增强了稳健性检验与结果解释的可重复性。AI技术不仅提升了模型性能，还引入了自动化调参、模型不确定性度量与对抗训练等工具，使模型结果的可信度、透明度与再现性显著增强。这在解决“模型黑箱”问题、支持政策制定与行业实践中具有重要意义。例如，在研究ESG评级对企业价值的影响时，可结合传统回归与机器学习技术，验证不同算法的结论一致性，提升研究结果的稳健性。

总体而言，AI技术使实证研究更为全面、实时与智能化。研究者不仅能精准地量化复杂经济行为，还能将实证结果与政策模拟、商业策略无缝对接，实现从“认知—验证”到“预测—决策”的一体化闭环。未来实证研究将更加重视“可预测性”“因果推断力”与“可解释性”的三重平衡。

1.2.2 定性分析与定量分析

定性分析与定量分析长期以来被视为经管科研的两种方法论，前者强调对社会现象的深度理解与情境诠释，后者关注数据驱动的统计推断与因果验证。然而，传统的定性分析与定量分析方法在AI时代被重塑，形成了更为动态、智能、协同的研究体系。

1. AI推动形成混合研究范式

在传统方法论中，定性分析与定量分析被视为两种各具优势的研究路径。前者以理论建构、案例分析、深度访谈等方式呈现社会现象的复杂性与情境性，强调解释性与深度；后者则以统计建模、实证验证为核心，重视因果推断与普遍性发现。然而，AI技术的介入使得这种区分呈现出模糊化趋势，促使研究者重新审视定性与定量的界限与内涵。

一方面，自然语言处理技术的发展，使得传统依赖人工的定性材料分析（如访谈文本分析、政策文件分析）可以实现结构化处理，提升了数据处理能力。例如，ChatGPT等大模型能够对大规模文本进行主题识别、情感分析、语义归类，为定性研究提供了前所未有的技术手段。通过自动编码与聚类，研究者得以在短时间内处理海量文本数据，实现“类定量”的逻辑操作。另一方面，AI使得定量分析更加动态与智能。基于机器学习等技术的实证模型不再依赖于传统线性假设，而是能够挖掘非线性结构、变量间的复杂交互关系，进而构建高维、多层次的决策预测模型，打破了定量分析对结构设定的依赖，使其更贴近真实世界的复杂性。

AI技术正推动一种新的“混合方法”（Mixed Methods）研究范式。这种研究范式跨越了传统的定性与定量方法的边界，融合文本、图像、行为轨迹与社交网络等多模态数据，拓展了研究的广度与深度，也增强了成果的可验证性与可推广性。

2. AI提升定性研究的分析能力

AI技术的应用，使定性研究的工具产生了质的飞跃，使其具备系统化、规模化处理复杂语义信息的能力。在经管学科中，定性研究常被用于探索新兴现象、构建理论框架或解释政策效果，其研究材料包括访谈记录、会议纪要、企业报告、媒体报道等。AI技术的引入为定性研究带来了新的系统化工具，极大地扩展了数据来源，提高了分析能力。

第一，基于自然语言处理的文本挖掘与语义分析技术可以自动完成编码与归类工作，使文本分析自动化成为可能。在质性研究方法中，开放式编码是理论构建的核心步骤。大模型能够对文本进行自动分词、情感分析、关键词提取等，并以此构建语义网络。因此，研究者可以使用大模型对政策文件、企业访谈、用户评论等文本数据进行自动分词、关键词提取、情感倾向分析和主题识别。例如，在研究城市治理政策时，可使用BERT、GPT等大模型自动识别政策文本中的关键目标、工具类型与执行机制，从而快速形成初步的政策分类，并构建语义网络图谱，辅助研究者洞察政策逻辑。

第二，AI可以实现语料的多维结构化。以知识图谱为例，研究者可将定性材料，如管理者访谈中的核心概念、因果关系、时间顺序等提取为节点与边，构建可视化的“知识地图”，用于支持理论建构或案例分析。例如，在研究企业战略演化时，研究者可以借助图谱呈现企业发展路径与战略转型之间的关系，可以利用AI提取出不同战略路径与绩效间的关联，形成具有关联逻辑的“战略演进图谱”，为理论建构提供数据驱动的路径，从而有效提高研究的透明度与理论阐释能力。

第三，AI能够扩展定性数据的获取范围和定性研究的材料边界。除文本外，研究者还可利用图像识别、音频分析等手段挖掘非结构化材料。如在组织行为研究中，研究者可以对员工访谈录音进行语音转写并分析说话内容的情绪变化，还可以通过视频会议分析员工的语调与面部表情，从中提取出组织信任、冲突氛围等变量，为定性理解提供感知基础。

但是，AI在赋能定性研究的同时也带来了一定的挑战。部分大模型具有“黑箱”特性，难以解释其处理过程；此外，自动生成的语义结果需要结合研究者的专业判断进行校验与调整。因此，研究者应采用“AI辅助+人工校验”并行的分析策略，既发挥AI的效率优势，又确保研究的有效性与可信度。

3. AI增强定量研究的解释性

AI技术在经管定量研究中扮演着越来越重要的角色，特别是在复杂系统建模、高维变量处理、非线性关系识别等方面，显著拓展了研究的能力边界与应用范围。传统的定量研究依赖于明确的理论假设与变量设定，采用回归、结构方程等统计模型进行分析。然而，AI时代的定量研究则更多强调数据驱动、模型自适应与预测能力。

首先，机器学习等技术突破了传统统计模型对线性关系与变量设定的依赖。以随机森林、SVM、神经网络为代表的方法可处理上千个变量，发现其中的复杂互动关系，适用于金融预测、消费者行为、供应链优化等应用场景。这些方法不要求变量之间是线性关系，也无须严格的分布假设，更加适用于复杂社会经济系统中变量间的非线性交互结构。例如，在金融市场风险预测中，机器学习技术可融合市场波动率、交易情绪、宏观经济指标等多维数据，形成高精度的风险预警模型。

其次，AI技术还推动了因果推断方法的变革，增强了因果推断的能力。传统的计量方法（如工具变量法、固定效应模型、断点回归设计等）在因果推断上对识别条件要求严格且适用场景有限，而大模型通过嵌入结构学习与反事实推理，使得因果推断能够在数据不足或存在混杂变量时依然具备较强的识别能力，可在观测数据中自动识别变量间的潜在因果路径，适用于政策评估、医疗经济学、教育公平等议题。因果森林（Causal Forest）、深度因果推断（Deep Causal Inference）等新技术，已在医疗经济学、政策评估等领域得到广泛应用。例如，在财政补贴政策研究中，大模型可帮助识别干预变量与结果变量之间的路径机制，有效克服混杂偏误。

最后，AI技术逐渐渗透至定量研究过程的各个环节，从数据清洗、建模建议到回归结果解释、图表生成，形成“人机共创”的新型科研模式。AI技术还能助力实证研究的透明化和可复制性。研究者可以使用自动机器学习（Automated Machine Learning）平台、可视化建模工具及算法追踪日志，使数据分析流程规范化，提升论文的学术规范性与开放性，对提升经管科研的学术质量与国际认可度具有重要意义。

值得强调的是，经管研究者应注重AI与经济理论的深度融合，避免陷入“AI即真理”的误区，即只关注算法效果而忽略理论解释。AI赋能定量分析并不意味着“去理论化”。算法模型需在经济学理论框架指导下构建，研究者应注重模型解释性与理论契合度。因此，可通过“解释性AI”方法，如夏普利值（Shapley Value）、事后解释方法（Local Interpretable Model-Agnostic Explanation，LIME）等，增强模型透明度与经济学解释能力，使AI赋能下的定量研究既科学又有理论深度。

1.2.3 小模型范式与大模型范式

在AI与经管科研融合的过程中，形成了小模型范式和大模型范式两种典型研究路径。这两种范式在理论基础、技术实现和应用场景上存在显著差异，共同构成了AI时代经管研究的多元方法论体系。本小节将系统阐述小模型范式与大模型范式的定义特征、方法论差异、典型应用及融合趋势，为理解数智时代经管研究方法提供新的视角。

1.小模型范式

小模型范式是经管研究的经典方法，其核心在于通过结构精简、参数明确的数学模型解析经济变量间的因果关系。这一范式植根于计量经济学与统计学理论。在AI时代，尽管大模型技术迅猛发展，小模型因其可验证的因果推断能力和透明决策逻辑，仍在经管研究中占据不可替代的地位。

小模型范式的优势主要有三个方面。首先是擅长处理结构化数据。小模型范式依赖清洗后的高质量结构化数据（如面板数据、时间序列），通过预设的变量关系进行分析，具有简单易操作的特性。其次是可解释性较高。小模型范式的模型参数具有明确的经济含义（如回归系数反映边际效应），支持假设检验和政策评估。最后是对计算的依赖性较弱。小模型范式在普通服务器甚至个人电脑上即可运行，无须较大的算力支持。

小模型范式目前已形成系统化的方法论体系，覆盖经济管理研究的主流研究场景，其中以双重差分法（Difference-in-Difference，DID）、断点回归（Regression Discontinuity Design，RDD）等准实验设计为代表的因果推断模型，可以有效解决内生性问题。在动态系统模型上，以向量自回归、动态随机一般均衡等为代表的动态模型刻画了多变量之间的交互机制，如央行可利用动态随机一般均衡（Dynamic Stochastic General Equilibrium，DSGE）模型模拟货币政策传导路径，预测利率调整对通胀与就业的滞后影响。同时，当研究需要严谨的因果机制解析时，小模型范式也可发挥较大作用，工具变量法以及小模型结果的经济含义都可以为政策制定者提供依据。

然而，随着时代的发展，经济系统的复杂度也在提升，小模型范式逐渐不能适应当前的研究需求。当变量之间存在高维非线性关系时，线性假设失效，小模型范式的准确率要远低于以深度学习为代表的大模型范式。同时，若数据为非结构化面板数据，像文本、图像等信息载体上的数据难以被小模型有效利用，大量的潜在信息就不能挖掘出来。小模型的这些局限使得经济管理研究的方法论进一步优化，当研究者需要从海量非结构化数据中提取特征，或解析包含数百变量的复杂系统时，大模型范式开始登上舞台。但需强调的是，小模型并未被取代，而是通过与大模型的协同融合，持续为经管研究提供可解释性基石。

2.大模型范式

大模型范式代表着经管研究方法论的范式跃迁，其通过百亿级参数的神经网络对海量数据进行端到端学习，突破传统模型的结构性局限。这一范式建立在算力提升的基础上，基础设施升级使万亿级参数训练成为可能。与追求简约可解释的小模型不同，大模型为解析高维、非线性、多模态的经济系统提供了全新工具集。

大模型范式在方法论层面实现了三重革新。首先，在高维复杂系统建模领域，通过深度神经网络强大的非线性表征能力，有效捕捉海量变量间错综复杂的交互关系，突破了传统模型在处理高维度数据时固有的维度限制。其次，开创了多种数据类型融合分析的新路径，能够统一处理并深度整合文本、图像、时序等异构数据，揭示信息之间的潜在关联，构建更全面、准确性更高的预测模型。最后，实现了研究能力的提升，推动人工智能从辅助工具升级为具备自主规划与执行能力的研究工具，可自动化完成文献综述、研究设计、代码实现等核心研究流程，显著提升研究效率并减轻研究者工作量。

在产业实践上，大模型范式正在深刻重构经济管理价值链的核心环节。在智能决策领域，大模型范式的应用可显著提升复杂环境下的决策精度与响应速度；其次，推动技术普惠化进程，借助轻量化模型与低代码平台大幅降低应用门槛，使大多数企业在实践过程中都可以采用智能化为生产赋能。最后，大模型范式的应用引领了研究基础设施的升级，并在多模态知识引擎与仿真推演系统基础上重塑了学术研究和政策评估范式，构建了支持动态推演与全景洞察的新型决策模型。

尽管大模型范式可以处理图像等小模型处理不了的信息数据，但是大模型输出内容的事实可靠性仍需验证，对算力资源的依赖也是大模型不可避免的短板。大模型范式当前的核心突破方向在于推动方法论层面的范式融合，即将大模型的模式识别能力与小模型的因果推断框架深度结合，通过动态整合两种范式的应用，推动学科研究向可解释性、自适应性与强泛化性兼备的新范式演进。

1.3 AI的局限性与人机协同边界

尽管AI发展迅速并渗透各个领域，且在经管科研中发挥了重要作用，但是其在经管科研应用中仍然存在一定局限性，本节将详细阐述AI在应用过程中存在的潜在问题，并探讨人机协同的边界。

1.3.1 AI在经管科研应用中的局限性

虽然AI在经管科研中展现出了超越传统方法的效率与精度，但是它不是“万能工具”，仍然存在一些局限性。这些限制既源自技术本身的边界，也与经管研究所涉及的复杂社会情境与人文价值密切相关。理解这些局限，有助于我们理性看待AI的角色，在技术与人文之间寻求科学研究的新平衡。

1.理论抽象与解释能力的缺失

人工智能因擅长通过算法自动学习和优化变量之间的复杂关系，从而在预测和分类任务中表现出色。然而，经管科研不仅关注变量间的相关性，更强调对行为机制、制度逻辑以及价值目标的解释。在AI建模过程中，尤其是基于深度学习和集成算法的模型，尽管能够准确预测企业业绩、用户行为或宏观走势，但其往往缺乏明确的逻辑解释，难以揭示因果链条。这使得AI更适合作为“技术工具”而非“理论建构者”。尽管AI在数据处理与分析效率上优于传统工具，但在知识创造与理论建构等高阶认知活动中，人类研究者仍然不可替代。经管科研不仅关注“是什么”与“如何做”，更追问“为何如此”与“应当如何”，这些问题往往无法用历史数据直接回答。

举例而言，若应用AI发现企业的治理结构与市值之间存在显著相关性，这一发现本身并不足以构成完整的学术解释，研究者仍需回答“为什么治理结构会影响市值”“影响机制中是否包含中介变量”，以及“该关系是否具备跨时间、跨区域的稳定性”等问题，而这些恰恰超出了当前AI的能力边界。因此，AI在推进知识发现的过程中，更适合承担“助手”角色，而非主导者。

2.缺乏价值判断能力与伦理敏感性

AI在运作过程中，本质上是依据优化算法设定的目标函数进行求解，追求效率最大化与收益最优化。在商业运行与工程实践中，这种逻辑能够显著提升资源配置效率，但在经管研究情境下却容易呈现出“机械化”与“冷漠化”的特征。许多经管问题并非单纯的技术性选择，而是涉及公平、公正、责任与可持续性等多维度的价值取向。若AI的决策逻辑仅聚焦于效率与收益的最优解，忽视非量化的人文与伦理，则可能导致组织运作失衡，激化社会矛盾，甚至引发道德争议。在宏观政策、公共治理与资源分配等领域，算法基于历史数据所生成的“最可能成功”方案，也难以真正回应社会中关于合理性与正义性的价值诉求。这种价值判断能力的缺位，使AI更接近“数学家”，而非“社会思想家”。

3.扩大数据偏差与算法歧视风险

AI分析结果的有效性在很大程度上取决于数据的完整性与代表性。经管研究中的数据往往存在样本选择偏差、变量定义偏差与历史偏见等问题，这些问题在算法训练中不仅难以被修正，反而可能被进一步放大并固化。一旦模型在学习过程中内化了这些问题，就容易形成固定的认知路径，导致不公正甚至带有歧视性的输出，尤其在涉及性别、种族、学历或区域等敏感因素时，AI可能通过复制社会既有的不平等结构而延续歧视性结论。这种隐性偏见在模型层面缺乏自我纠偏能力，可能对学术研究产生误导，也可能在政策制定、企业治理与社会管理中带来负面影响。更为严峻的是，AI具有高度“黑箱性”，研究者难以完全解释其内部的决策逻辑，这与经管科研注重因果关系和理论解释的传统形成冲突。当模型结果缺乏可解释性或难以复现时，其学术价值便会显著降低。

4.面对动态系统呈现脆弱性

AI通常依赖历史数据的稳定性与规律的延续性，因此在应对非线性演化、突发性事件和系统复杂性时存在显著局限。现实经济社会中充满高度不确定性，金融危机、公共卫生事件、国际冲突等突发性冲击往往改变原有发展路径，使得基于历史拟合的模型迅速失效。事实表明，AI在面对“黑天鹅”与“灰犀牛”现象时缺乏足够的灵活性与应对能力，这种脆弱性暴露出其在经管研究中难以单独承担预测与决策责任。相比之下，人类研究者依赖经验积累、宏观洞察与应急判断，能够在非常规情境下进行灵活调整。经管研究若轻视这种差异，单纯依赖AI生成结论，极可能导致对现实经济运行的误判与政策应对的迟滞。

5.伦理规范与责任归属模糊

在AI广泛参与学术研究的背景下，关于“AI是否应署名”“AI生成内容是否构成原创”“AI错误应由谁负责”等伦理问题也日益凸显。当前，多数期刊和学术机构尚未建立完善的规范机制，以区分AI辅助与人工原创之间的界限。这不仅对研究者提出了更高的行为自律要求，也对学术共同体的价值准则提出了挑战。更为复杂的是，AI模型训练所使用的数据与算法在很多情况下具有不透明性，导致研究结果难以重复、模型难以验证，从而违背了学术研究应有的公开性与可验证性原则。这种“技术黑箱”现象可能侵蚀学术研究的信任基础。

AI确实拓展了经管科研的手段与边界，但它也不能脱离人的价值判断与情境理解而独立运行。在复杂的人类组织与经济体系中，AI应被看作一种辅助性、增益型工具，而非替代性力量。未来的经管科研应当在数据智能与理论智慧之间建立有效连接，通过“人机协同”的方式，发挥AI在处理大规模数据、识别复杂模式方面的优势，同时保留人类研究者在判断、洞察与创新方面的主导地位。唯有如此，AI赋能的经管研究才能走得更远、更深，更具人文关怀。

1.3.2 人机协同的边界

本小节将从认知能力的边界、知识生成机制的边界、价值判断与规范理性的边界、学术共同体与知识合法性的边界等方面系统探讨人机协同的边界，以及科学合理的功能区隔逻辑。

1.认知能力的边界

AI在高维数据环境下具备优越的统计学习与模式识别能力，能够高效捕捉变量间的相关结构与潜在分布，但当前主流AI仍以基于大样本经验归纳的“弱因果推断”为主，缺乏对因果结构、行为机制与制度逻辑的深层建模能力。这一认知局限决定了AI虽可支持“已知问题”的技术求解，却难以胜任“问题本身”的理论设定与范畴创新。

经管学科中的理论研究常涉及历史路径依赖、制度演化逻辑、行为非理性机制等复杂系统问题，其理解过程往往超出AI对静态相关模式的模拟能力。尽管大语言模型可生成逻辑连贯的文本，但其输出实质上为关联驱动的语义再组装，缺乏自主设问能力与反思性认知框架，难以承担认知前沿的开拓性任务。

2.知识生成机制的边界

AI的知识构造主要依赖于对历史数据与文本样本的泛化学习，核心逻辑为“以过往经验预测可能未来”，其建模过程更贴近于知识的再加工与配置优化，缺乏对研究范畴、理论框架与核心命题的原创性建构能力。

理论创新的实质在于对研究对象的再界定、研究命题的重新设定以及既有范式的批判性超越，这一过程通常伴随范畴跃迁与解释逻辑的重构。AI的生成机制尚无法对知识结构进行“范式性跃迁”或“理论性重组”，因其模型训练基础并非概念演绎逻辑，而是语义共现概率。这决定了AI在学术研究中更适合作为“知识辅助生成工具”，而非“原创性理论驱动者”。

3.价值判断与规范理性的边界

经管科学不仅具有实证性与建模性，更深层地内嵌于价值判断与伦理规范之中。制度设计、政策评价与组织治理等研究议题涉及公平性、合法性、公共利益等规范理性问题，而AI在价值判断能力上的缺失成为其应用边界的重要限制。

当前AI的优化目标通常围绕效率最大化、误差最小化与预测精度展开，难以回应多元社会价值中的道德冲突、利益权衡与情境差异。同时，训练数据中的结构性偏差可能在无意识中被复制与放大，加剧原有的不平等，形成“算法偏见”。因此，价值判断权必须由具备伦理意识与社会责任感的研究者掌握，AI的技术性结论应始终处于学术理性监督与规范评议的框架之下。

4.学术共同体与知识合法性的边界

科学知识的有效性不仅源于内部逻辑的严密性与经验数据的支撑，更依赖于学术共同体在规范审查、同行评议与理论积累中的集体认同。AI生成的内容即便形式完备、语义连贯，也不能自动获得学术合法性。

AI所生成的模型构想、理论假设或研究草稿，仅是辅助性中间成果，其能否进入知识体系并获得理论地位，需依赖研究者进行严格验证、理论嵌入与语境转换。此外，AI在知识生成过程中的介入还会引发一系列知识产权与署名伦理问题，尤其在原创性认定不明、技术介入程度较深的情形下，更需明确规范界限，以避免“责任外包”与“主体淡化”所带来的学术伦理风险。

5.人机协同的功能边界划分

人机协同中的功能边界划分如表1.2所示，AI作为经管科研中的“认知外包工具”，应定位于信息处理层与初级分析层，而知识生成的理论构造层与规范裁量层仍需人类研究者担任主体性角色。真正有效的人机协同，应实现优势互补而非功能混淆。

AI推动了经管科研的信息处理能力、分析效率与模拟精度的显著跃升，但其在理论理解、问题设定、规范判断与知识合法性建构等方面仍存在结构性限制。人机协同应以边界清晰为前提，在保持技术助力的同时，坚持研究者的理论主导地位，保证其对学术判断权的掌控。未来科研模式的重构，应朝向“工具智能 + 理性主体”的复合协同体系迈进，确保知识创新的方向性与社会责任的担当力。

表 1.2 人机协同的功能边界划分