生成式人工智能与可持续政策实施：基于UTAUT2模型的街头官僚裁量权研究

本研究针对街头官僚(SLBs)在可持续政策实施中如何采纳生成式人工智能(GenAI)这一关键问题，通过扩展UTAUT2模型，引入政策协调性和模糊性作为调节变量，对伊拉克和阿曼489名SLBs进行实证分析。研究发现绩效期望、努力期望、享乐动机和习惯显著驱动GenAI持续使用意愿，且该意愿正向影响政策裁量权，政策协调性能增强而模糊性会削弱这种关系。研究为公共部门AI应用提供了重要理论拓展和实践指导。

　　

随着数字政府建设的深入推进，生成式人工智能(Generative AI, GenAI)正在重塑公共管理格局。这种能生成类人内容和分析海量数据的技术，为应对气候变化、资源枯竭等复杂可持续挑战提供了新工具。然而在政策实施一线，街头官僚(Street-Level Bureaucrats, SLBs)作为连接政策与现实的纽带，其技术采纳行为却面临双重困境：既要应对政策本身的模糊性(Policy Ambiguity)，又要克服新技术应用的认知障碍。特别是在伊拉克等治理薄弱地区，政策执行往往陷入"有令难行"的窘境。如何破解技术与政策的协同难题，成为提升可持续治理效能的关键。

为此，来自Modern College of Business and Science的研究团队在《Sustainable Futures》发表重要成果。研究创新性地将技术采纳统一理论(UTAUT2)拓展至公共政策领域，首次系统考察了GenAI采纳如何通过政策环境调节影响SLBs裁量权。团队采用横断面调查设计，通过结构化问卷收集伊拉克(347人)和阿曼(142人)共489名环境监察员等SLBs数据，运用偏最小二乘结构方程模型(PLS-SEM)进行多组分析，并严格检验了测量模型的信效度。

研究首先验证了扩展UTAUT2模型的适用性。数据分析显示：

1. 绩效期望(β=0.25,p<0.001)和努力期望(β=0.18,p=0.001)作为核心认知因素，显著预测持续使用意愿，证实SLBs更倾向采纳能提升工作效率的GenAI工具。
2. 享乐动机(β=0.17,p=0.002)和习惯(β=0.22,p<0.001)的情感维度同样关键，揭示技术设计的用户体验重要性。
3. 与传统认知不同，社会影响(p=0.110)和便利条件(p=0.135)未达显著水平，反映公共部门技术采纳更依赖个体判断而非外部压力。

在政策调节效应方面：

1. 持续使用意愿显著增强裁量权行使(β=0.24,p<0.001)，证实GenAI能赋能一线决策。
2. 政策协调性(Policy Alignment)不仅直接促进裁量权(β=0.19,p=0.001)，还强化了意愿-行为关系(β=0.10,p=0.046)，表明清晰的政策框架能放大技术红利。
3. 政策模糊性则产生双重抑制：直接削弱裁量权(β=-0.15,p=0.004)，并弱化技术效用(β=-0.11,p=0.028)。

跨国比较发现显著情境差异：

1. 阿曼样本中所有UTAUT2变量均显著，反映其健全的Vision 2040政策体系能全面促进技术整合。
2. 伊拉克样本中组织因素失效，个体认知主导采纳决策，凸显脆弱治理环境下政策支持的缺失。

这项研究开创性地构建了"技术-政策-行为"整合框架，其理论贡献体现在三方面：首先，突破传统UTAUT2的个体认知局限，首次量化了政策环境对技术采纳的调节作用；其次，揭示了GenAI在公共管理中的双重赋能机制——既通过数据分析增强决策能力，又通过政策协同提升执行效力；最后，提出的多层级分析模型为比较公共管理研究提供了新范式。

实践层面，研究为不同治理情境下的数字政府建设指明路径：对政策成熟地区如阿曼，应强化组织支持和同行示范；对转型地区如伊拉克，则需优先开展能力建设和政策澄清。这些发现对实现联合国可持续发展目标(SDGs)具有重要指导价值，特别是在气候变化等需要技术政策协同的领域。

未来研究可沿三个方向拓展：纵向追踪技术采纳的行为演变，纳入更多文化维度变量，以及探索区块链等其他新兴技术的政策适配机制。当前研究虽存在横断面设计的局限，但其构建的理论框架和方法体系，为数字时代的公共治理创新提供了重要基准。正如研究者强调的，只有当技术创新与制度创新同频共振，可持续治理才能真正落地生根。