شناسه خبر : 39138 لینک کوتاه

پاشنه‌آشیل سیاستگذاری

سیاستگذاری مبتنی بر شواهد چه ایرادهایی دارد؟

 
 
سارا اشتری/ نویسنده نشریه 

78

بحران کنونی حاکمیت علم، که بر تکرارپذیری علم، مرور همتای علمی و صداقت علم تاثیرگذار است، فرصتی را برای تجدید نظر در سیاست مبتنی بر شواهد و مدارک به وجود می‌آورد. سیاستی که در حال حاضر نیز در حال اجرا و به‌کارگیری است. اجرای سیاست‌های مبتنی بر شواهد، مستلزم اشکالی از کمی‌سازی است -اغلب در قالب تجزیه و تحلیل ریسک یا تجزیه و تحلیل هزینه و فایده- که هدف آنها بهینه‌سازی یکی از بین چندین گزینه در دسترس، طی بررسی یک موضوع مورد نظر است. تعمق بخشیدن به تجزیه و تحلیل یک دیدگاه واحد در مورد موضوع مورد بررسی، به حواس‌پرتی از خوانش‌های جایگزین منجر می‌شود.

هنگام استفاده از سیاست مبتنی بر شواهد، چارچوب‌های جایگزین به نوعی به «دانش ناراحت‌کننده» تبدیل می‌شود به‌طوری که عملاً از گفتمان روش اصلی حذف می‌شوند. این اتفاق زمانی به وقوع می‌پیوندد که تجزیه و تحلیل بر اساس مدل‌سازی‌های ریاضی‌گسترده پشتیبانی می‌شود، بنابراین، سیاست مبتنی بر شواهد ممکن است به ساده‌سازی چشمگیر در فرآیند بررسی مساله مورد بررسی موجود منجر شده و درصدد تجویز خط‌مشی معیوب و حاوی خطا و بی‌توجهی به سایر دیدگاه‌های مرتبط با حل مساله شود. این استفاده از روش علمی در نهایت -بیش از آنکه به حل و فصل مناقشه‌ها و تفاوت نظرات بپردازد- تولیدکننده مسائلی بحث‌برانگیز بوده و در عمل اعتماد بنیادینِ بازیگران درگیر را نیز از بین می‌برد. از این‌رو، ما رویکردی جایگزین را پیشنهاد می‌کنیم -رویکردی که آن را قصه‌گویی‌ کمّی می‌نامیم- و مستلزم تلاش بیشتری در مرحله قبل از تجزیه و تحلیل و قبل از مرحله کمّی‌سازی تحلیل است. هدف آن است که بتوانیم به یک مجموعه قوی از چارچوب‌های ممکن در ترسیم فرآیند تحلیل برسیم و نیز به لنزهای مختلفی دست یابیم که از طریق آنها بتوان مساله مورد تحقیق را مورد ملاحظه دقیق‌تری قرار داد.

سیاست مبتنی بر شواهد چیست؟

سیاست‌های مبتنی بر شواهد در ابتدا در زمینه پزشکی پایه‌ریزی شد. سِر آیین چالمرز، مدیر سابق مرکز کاکرینِ بریتانیا، از مدافعان اولیه مسوولیت در نوعی از پزشکی بود که مستلزمِ تلاش جدی برای آزمونِ سیاست‌ها و شیوه‌های به‌کار گرفته‌شده می‌شد. نکته اصلی در این مورد، آزمایش، و به ویژه استفاده از آزمایش‌های تصادفی کنترل‌شده و بررسی سیستماتیک نتایج آنها بود. در حالی که تاکید این روش در درجه اول بر زمینه اخلاقی بود (جلوگیری از آسیب ناشی از دارو)، ایده اصلی آن مورد انتقاد قرار گرفت. انتقادات یادشده با این توجیه بیان شد که تصور می‌شد این ‌رویکرد ممکن است دانشمندان را به ادعای بیش از حد برای نقشی که دارند سوق دهد. نقد مذکور پیشتر نیز از سوی کالینگرج و ریو (1986) درباره اسطوره دوقلوی عقلانیت مطرح شده و هشدار داده بود که اول، سیاستگذاری به جمع‌آوری حقایق و مهار عدم قطعیت اطلاق می‌شود و دوم، علم این قدرت را دارد که حقایقِ گزینشی خود را به شکل بی‌رحمانه‌ای در داوریِ اختلافات ارائه دهد.

یکی دیگر از انتقادات به سیاست‌های مبتنی بر شواهد، غفلتِ ظاهری آن از در نظر گرفتن روابط موجود در قدرت است. حقایق مربوط به سیاست، نتیجه یک مبارزه فشرده و پیچیده برای اقتدار سیاسی و شناختی است. در واقع سیاست مبتنی بر شواهد به‌طور ابزاری برای خنثی‌سازی ایدئولوژی‌ها و پنهان کردنِ عدمِ تقارنِ قدرت در تصمیم‌گیری علم را به‌کار می‌گیرد. مناظره‌های عمومی حاکی از آن است که سیاست مبتنی بر شواهد بر پایه مکانیسم‌های جداسازی و روش‌های انتخابیِ از پیش تعیین‌شده (روش به‌کار گرفته‌شده در جعبه سیاه)، انحصار دانش، اجتناب از سرزنش و ساده‌سازی بیش‌ازحد پی‌ریزی شده‌اند. بر اساس نظر استراشایم و کتونن، در سال 2014 شواهد مبتنی بر سیاست، روی دیگری از پدیده سیاست مبتنی بر شواهد است و بیرون آوردن این دو به شکلی دقیق همان‌طور که خارج کردن ارزش‌ها از حقایق هنگام کار در رابطه بین علم و سیاست غیرممکن است، نامحتمل به نظر می‌آید. به نظر می‌رسد امروزه چندین مورد که در آن علم برای قضاوت در مورد یک سیاست انتخاب شده است با سطح فزاینده‌ای از تعارض همراه بوده و ارائه ورودی‌های علمی اختلاف‌نظرها را فروننشانده است. در این وضعیت، علم به جای راه‌حل به یک مشکل بدل می‌شود که به جای حل مناقشه سیاسی، غالباً به مهماتی تبدیل می‌شود که مخالفان برای تقویت مواضع خود به صورت انتخابی از آن بهره‌برداری می‌کنند. نمونه‌های اخیر مناقشاتی که علم برای قضاوت در مورد آنها دعوت شده است می‌تواند شامل موارد زیر باشد:

 تاثیر سموم دفع آفات بر زنبورها

 از بین بردن گورکن‌ها

 پتانسیل گلخانه‌ای مایع سردکننده مورد استفاده در مرسدس بنز

 تاثیر اختلالات غدد درون‌ریز

 مزایای شکستن گاز شِیل

 سرنوشت فرزندان بزرگ‌شده از سوی والدین همجنس‌گرا

 هزینه واقعی شهروندی برای مهاجران غیرقانونی

 مطلوبیت آزمون بین‌المللی و مقایسه پیشرفت تحصیلی کودکان.

و این فهرست، بر اساس مسائلی که در اروپا و ایالات متحده مورد توجه قرار گرفته است، می‌تواند ادامه یابد. می‌توان به این نکته اشاره کرد که اصطلاح «مسائل شرورانه» زمانی مختص موارد غیرقابل حل مانند روش‌های کشاورزی ژنتیکی یا آب و هوای اصلاح‌شده بود اما در حال حاضر، در مواردی به کار می‌رود که علم به عنوان ابزاری برای قضاوت به کار گرفته می‌شود. به عنوان مثال، آب و هوا آنقدر مساله تعیین‌کننده‌ای است که بر اساس نظر کاهان (2015)، با مطالعه تاثیر ارزش‌های گروهی بر اِدراک ریسک و شواهد مرتبط با آن، می‌توان با شناختِ دیدگاه هر شخص نسبت به آب و هوا، موضع فرهنگی و هنجاری وی را تعیین کرد. اگر این‌گونه به مساله نگاه کنیم، سپس باید به این نتیجه برسیم که فرهنگ ما در حال حاضر نگرش ما را نسبت به دسته بزرگ‌تری از مسائل شکل می‌دهد. یعنی، همان‌طور که کاهان اشاره می‌کند، هرچه ناظر در مورد موضوعی خاص باسوادتر باشد، احتمال قطبی شدن تفکر او بیشتر شده و انگارحقایق، به جای حل مساله، در عوض به عنوان ابزاری برای تغذیه چشم‌انداز فرد از جهان متابولیزه می‌شوند.

بحران در علم

برای منتقدان سیاست بر پایه شواهد، عوامل بحران در علم را می‌توان به‌طور عمده به چهار دسته تقسیم‌بندی کرد:

 تولید داده‌ها، مقالات و نشریات جدید با سرعتی بی‌سابقه؛

 شواهد قانع‌کننده‌ای که اکثریت این کشفیات را زمان مورد آزمون قرار نمی‌دهد.

 عدم پایبندی به شیوه‌های علمی درست و مشهودترین دلایل نزدیک و استیصال برای انتشار یا از بین بردن مدارک و شواهد جمع‌آوری‌شده؛

 این واقعیت که این مشکل چندوجهی است و شامل گروه وسیعی از ذی‌نفعان مختلف است و هیچ یک از طرفین به تنهایی مسوول آن نبوده و هیچ راه‌حل واحدی کافی نخواهد بود.

بحثی نیز در مورد عدم موفقیت علم در اطلاع‌رسانی به‌موقع در مورد سیاست‌ها در حال انجام است (کافی است به مورد کلسترول در برابر قند اشاره کنیم)، جایی که نهادهای علمی مهم با وجود شواهد متضاد، مدت زیادی در پشت سیاست‌های نادرست ایستادند.

علم، حقایق و ترکیبات

در بحث بحران علم، باید توجه داشت که استفاده از علم برای سیاستگذاری بر اساس اعتماد صورت گرفته و نمی‌تواند مستقل از آنچه در چارچوب علم اتفاق می‌افتد، باشد. از طرفی، مطابق با روش سیاستگذاری بر اساس شواهد، از عصر افلاطون تاکنون، مشروعیت علم با مشروعیت قانونگذار پیوند خورده است. اینکه چه کسی تصمیم می‌گیرد چه چیزی به عنوان دانش محسوب شود و چه کسی باید تصمیم‌گیرنده باشد؟ مساله دانش در جامعه اطلاعاتی، بیش از هر زمان دیگری مساله دولت است. با توجه به شیوه سیاستگذاری یادشده، می‌توان به صراحت بیان داشت که ترتیبات کنونی مشکل‌ساز بوده و در زمان بحران کمکی در جهت پیشگیری یا کنترل ارائه نمی‌دهند.

بهترین مثال در این زمینه، مربوط به سال 2008 می‌شود که در آن علم اقتصاد برای حمایت از ریاضت در بودجه بخش عمومی (دولتی) به کار گرفته شد. بر این اساس، نسبت 90درصدی بدهی بخش عمومی به تولید ناخالص داخلی از سوی استادان دانشگاه هاروارد، کنث راگوف و کارمن رینهارت به عنوان سقفِ ممکنی که بالاتر از آن به ناامنی اقتصادی منجر شده و رشد اقتصادی امکان‌پذیر نبود، پیشنهاد شد. تجزیه و تحلیل‌های بعدیِ محققانِ دانشگاه ماساچوست در اَمهرست مقدار مذکور را با ردیابیِ آن به خطای کدگذاری در آثار اصلی نویسندگان رد کرد. بر اساس نظر کسیدی، 2013، پس از ردّ این مقدار ویژه (90 درصد)، مشاهده شد سیاست‌هایی که قبلاً در بریتانیا و اروپا در نتیجه آن وضع شده بود، خسارات زیادی را به اقتصاد وارد کرده بودند. مثال فوق، تنها یکی از مواردی است که استفاده نادرست از الگو‌سازی ریاضی در حمایت از سیاست‌های معیوب، به شکلی مخرب عمل کرده است.

فیلیپ میروفسکی در اثر خود در سال 2013 «هرگز اجازه ندهید یک بحران جدی به هدر رود» و «چگونه نئولیبرالیسم از بحران مالی جان سالم به در برد؟» بخشی طولانی (صص 286-275) از تحقیقش را به این موضوع اختصاص می‌دهد که چگونه مدل‌های کلی تصادفی پویا (DSGE) و پیش‌بینی‌های حاصل از آنها، بسیاری از سیاست‌های آن زمان را پشتیبانی کرده‌اند، وی این موضوع را که چگونه ابزار نظریه‌پردازان دستمایه سیاستگذاران قرار می‌گیرد و چرا این ابزارها در پیش‌بینی بحران اقتصادی بی‌فایده هستند؛ به‌طور مفصل در یک جلسه رسیدگی در سِنای آمریکا مطرح کرد. «رویدادی در سال که به معنای واقعی کلمه در تاریخ اندیشه اقتصادی در آمریکا بی‌سابقه بود». ملکه الیزابت نیز ملاقات مشابهی را با اقتصاددانان انگلیسی در دانشکده اقتصاد لندن داشت.

سَتِلی و فانتوویکز در سال 2014، مشکلات متعددی را در نحوه استفاده از مدل‌سازی ریاضی برای مهار عدم قطعیت در ارتباط با تولید شواهد برای سیاست‌ها ذکر کرده‌اند. این موارد شامل:

 استفاده از مدل‌های ریاضی که احتمالاً بی‌جهت و تنها برای تحت‌تاثیر قرار دادن یا مبهم کردن توضیحات به شکلی پیچیده طراحی می‌شوند.

 تکیه بر مفروضات ضمنیِ احتمالاً تاییدنشده، ایجاد تورم یا کاهش تورمِ ابزاری در مورد عدم قطعیت‌های موجود در مدل با توجه به مصلحت

 فشرده‌سازی ابزاری و خطی‌سازی تجزیه و تحلیل به منظور مهار پیچیدگی و انتقال تصویری پیش‌بینی‌ها و کنترل‌های انجام‌شده در طی مدل‌سازی تحقیق

 و در نهایت غیبت یا حضور موقت تحلیلِ حساسیت بعد از تخمین مدل‌های ریاضی و آماری

بوده است.

مدل‌سازی ریاضی در مقابل انگلیسی ساده

غالباً جعل مدل‌سازیِ ریاضی می‌تواند بدون زبان ریاضی و فقط از طریق زبان انگلیسی انجام شود. برای مثال، در نقد مدل تعادل عمومی تصادفی پویا، DSGE، که قبلاً ذکر شد و به عنوان ابزار سیاستگذاری (و نه به عنوان ابزار نظریه‌پردازی) از آن استفاده می‌شود، جعل مدل با جعل فرضیه‌های اساسی «بازارهای کارآمد» و «کارگزاران نماینده» امکان‌پذیر است. در اینجا مهم است که بگوییم هدف نقد حاضر ردّ مدل‌سازی سنتی به روش استقرایی نبوده؛ بلکه منظور نقد روشی است که به مدل‌سازی منحط منجر می‌شود (زمینه استفاده در اینجا مهم است). منظور از مدل‌سازی منحط فرآیندی است که طی آن، در مرحله اول، از یک مدل برای شبیه‌سازی یک سیاست استفاده می‌شود، و در مرحله دوم، از همان مدل برای توجیه یک مدل دیگر استفاده می‌شود. تفاوت بین دو مرحله این است که مرحله اول با مجموعه‌ای از مفروضات با عنوان «هر چیز دیگر ثابت است» به دست می‌آید که بر مبنای آن تاثیر یک متغیر اقتصادی بر متغیر دیگر قابل برآورد است، به شرطی که همه متغیرهای دیگر یکسان باقی بمانند. فرض مذکور در چارچوب تحقیقات نظری پذیرفتنی بوده، اما در فضای سیاستگذاری‌های واقعی بی‌دقت و غیرقابل اتکا ظاهر می‌شود. یک شکل ظریف‌تر از انحطاط طی مدل‌سازی، استفاده ضعیف از مدل‌های طراحی‌شده در شرایط ناسازگار و نامربوط با مدل است. بر اساس نظر استیو راینر، این ناسازگاری با شرایط، یکی از استراتژی‌های ساختن جهل اجتماعی است و در جایی اتفاق می‌افتد که یک مدل به جای ابزار، به عنوان نتیجه و پایانِ پژوهش و تحقیق در نظر گرفته می‌شود. به عنوان مثال، یک موسسه ترجیح می‌دهد در حین فرآیند تحقیق، به جای آنچه در واقعیت اتفاق می‌افتد، بر نتایج یک مدل نظارت و مدیریت داشته باشد. بنابراین ما با شک و تردید به این نظریه نگاه می‌کنیم که رویکردهای مدل‌سازی‌ای که در پیش‌بینی بحران مالی و اقتصادی ناکام بوده‌اند، می‌توانند ما را در مورد رفتار سیستمی که شامل نهادها، جوامع، اقتصادها و اکولوژی‌ها می‌شود، مانند استفاده از DSGE در تغییر آب و هوا، آگاه سازند.

به نظر نویسندگان مقاله حاضر، فرآیند توصیف شرایط آب و هوایی آینده و تاثیر آنها بر اقتصاد و جامعه -‌تا حدی که با رقم بیان شود‌- دارای تمام ویژگی‌هایی است که توسط واینبرگ (1972) «فراعلم» نامیده شده؛ یعنی چیزی که با استفاده از زبان علم قابل توصیف بوده، اما علم قادر به حل‌و‌فصل آن نیست.

راه‌حل: استفاده مسوولانه از اطلاعاتِ کمّی

بخش قبل روی مواردی متمرکز بود که باید به منظور دستیابی به پیشرفت در استفاده از علم و در جهت حمایت از سیاست‌ها آموخته می‌شدند. در این قسمت به این مساله می‌پردازیم که به جای فرآیند معیوب مذکور چه باید آموخت؟ و اینکه استراتژی‌های پیشنهادی ما چیست؟

پیشنهاد می‌کنیم که با مقاومت در برابر جاذبه کشنده کمّی‌سازی طی مدل‌سازی‌ها به دنبال ترسیم مجموعه‌ای قوی و ناهمگن از چارچوب‌های درست و مربوط در امر تحقیق باشیم. بر اساس استدلال‌های ارائه‌شده در این تحقیق، الگوی سیاست مبتنی بر شواهد، بایستی مورد بازبینی قرار گیرد. زیرا در حال حاضر این الگو، علم را در جهت تقویت فرآیندی به‌کار می‌گیرد که در آن افراد، فاقد توان تبیین برای توصیف ایده‌ها یا توضیح تجربیات خود هستند. ما رشته‌های موجود در نقد سیاست‌ها بر مبنای ‌شواهد را مورد بررسی قرار داده‌ایم و موکداً، مخالف استفاده از شاخص‌های آماری و مدل‌سازی ریاضی هستیم که عملاً خارج از زمینه معنایی‌شان به عنوان عنصر مبهم‌سازی و‌ حواس‌پرتی از دانش‌های کلافه‌کننده، نقش بازی می‌کنند. پیشنهاد این پژوهش آن است که چارچوب‌های احتمالی علم تا حد ممکن گسترش یابد به‌طوری که شکل نوین آن به روابط قدرت بین بازیگران مختلف، علایق و هنجارهای آنها حساس باشد. همچنین بر توجه به ارزش‌های هنجاری مشترک (چارچوب) نتیجه مذاکره و تغییر روابط قدرت تاکید شد. و اینکه ارائه روایت‌های گزینشی از علم که در یک دوره تاریخی معین برای حل مشکلات آن زمان مفید بوده‌اند، زمانی که شرایط امکان‌سنجی، زیست‌پذیری و مطلوبیت تغییر کرده باشد، بی‌فایده خواهند شد. رویکرد مذکور با روش تحلیلی دنبال می‌شود که در آن تاکید بیشتر نه بر آزمون‌های تاییدی و بهینه‌سازی مدل، بلکه برعکس در تلاش برای ردِ چارچوب‌هایی که در صورت نقض آنها، محدودیت‌های امکان‌سنجی (سازگاری با فرآیندهای خارج از کنترل بشر)، قابلیت اجرا (سازگاری با فرآیندهای تحت کنترل انسان)، و مطلوبیت (سازگاری با تعدادی از ملاحظات معمولِ مربوط به بازیگران سیستم) بروز پیدا می‌کنند، صورت می‌گیرد. بر این اساس، پیشنهاد می‌شود که قصه‌گویی کمّی همان‌طور که در کار حاضر توضیح داده شد، جایگزینِ کمتر بحث‌برانگیز و قوی‌تری از نظر اجتماعی برای شیوه کنونی تجزیه و تحلیل کمی در سیاست‌های مبتنی بر شواهد شود. 

دراین پرونده بخوانید ...