算法嵌入政府环境治理的正向效应、潜在风险与规制路径

摘要 与传统的政府环境治理模式相比，政府运用算法开展环境治理具有明显的正向效应：能够提升环境治理的精准性、预测性和高效性。算法嵌入政府环境治理的过程容易引发伦理、工具和法治三个维度的风险。伦理维度中面临价值失衡风险，工具维度中包含环境数据结构性不足、环境算法模型透明度不足的风险，法治维度中则存在环境算法模型掌控者权力滥用和责任分配不均的风险，故有必要对算法嵌入政府环境治理所诱发的风险建构系统性的法律规制体系，从而充分发挥算法自动化决策的环境治理优势。在规制路径的选择上，应当立足于宏观基本原则指引和具体规制方案设计两个方面，对算法嵌入政府环境治理的潜在风险进行系统规范：宏观层面上，算法嵌入政府环境治理应该遵循依法治理、公平正义、浮动比例和正当程序的基本原则。在具体的规制方案上，既要建立算法嵌入政府环境治理的支持结构，以发挥算法嵌入政府环境治理的优势，又要根据算法本身的漏洞，进行适当的规则变动，从而通过“支持性结构和适应性流变相平衡”的方式，提升具体规制方案的可行性。在具体规制方案的架构上，应秉持全过程治理的视角，实现事前预防、事中监管和事后归责相统一：在事前预防部分，要求算法嵌入政府环境治理能够切实符合伦理要求，建立完善的环境数据核准、反馈和保护机制以及环境算法模型的解释机制。在事中监管部分，应当建立算法嵌入政府环境治理的部门、社会组织和社会公众监管制度。在事后归责部分，需要压实算法嵌入政府环境治理的责任分配制度。

关键词 算法决策；政府环境治理；治理风险；法律规制

中图分类号 D9126 文献标志码 A 文章编号 1002-2104（2024）06-0080-10 DOI：10. 12062/cpre. 20240322

社会发展和转型的不断深入致使中国政府环境治理所面临的各种问题愈发凸显，如环境风险种类增多、治理成本加重、治理技术落后、治理效果不足等。算法则为应对上述难题提供了有效路径：将算法嵌入政府环境治理，充分发挥算法的精确性、自动性和预测性优势以替代或辅助传统环境治理部门决策，全面提升政府环境治理的质效。算法嵌入政府环境治理的相关研究主要涉及两个方面。一方面，从技术层面探讨算法嵌入政府环境治理的优势。例如，有学者认为算法深层次应用于环境治理领域有助于更准确地把握生态环境状况、污染物排放源布局等信息，有效地预测生态环境质量及其变化，提升环境污染治理的效果［1］。也有学者基于环境精细化管理的视角，指出算法大数据分析能够快速掌握当前环境的实际状况、环境问题严重的区域状况等，并通过优化技术、资金、设备等资源配置达到节约资源、提质增效的目的［2］。还有学者强调，利用算法技术可以收集并整合全域地理、水污染、土壤和空气污染、资源配置以及企业发展现状等信息，建立以监测、预警、分类、评价为主的环境决策体系，从而优化环境决策［3］。另一方面，从制度层面探讨如何解决算法嵌入政府环境治理的风险。不过，关联研究大多聚焦完善“算法黑箱”［4］“算法歧视”［5］等具体风险的规制方案，鲜少从整体性视角构建算法嵌入政府环境治理风险的规制体系。综上，对于算法嵌入政府环境治理这一重要议题的探讨，依然存在以下不足：一是对算法嵌入政府环境治理的正向效应的论述仍然不够全面和深入。二是仅仅关注算法黑箱、算法霸权、责任分配等具体问题，难以有效回应算法嵌入政府环境治理所诱发的系统性风险。三是算法嵌入政府环境治理的风险规制方案之针对性与可操作性尚待提升。因此，本研究将围绕算法嵌入政府环境治理的正向效应、潜在风险与规制路径展开系统论证，以期弥补上述研究的不足，有助于算法嵌入政府环境治理的纵深推进。

1 算法嵌入政府环境治理的正向效应

算法嵌入政府环境治理，就是政府在环境治理领域对相关技术的运用过程。针对人工智能技术应用于环境治理的边界，有学者指出智能化环境治理乃是利用物联网、云计算、人工智能和大数据等现代信息技术，有效结合环境信息数据、终端、人及环境等要素，最终形成精细化、系统化、灵活化的环境治理模式［6］。基于此，本研究将算法嵌入政府环境治理的边界界定为：算法凭借机器的强大算力，对海量环境数据的特征和潜在规律展开深度学习，并以环境数据等要素之间的相关关系为基础建构起相应的概率统计模型，进而通过这一模型对未知的环境事项进行决策［7］。凭借算法在环境决策中展现的精准性、预测性和高效性等优势，算法嵌入政府环境治理具有显著的正向效应。

1. 1 算法嵌入政府环境治理能够做到因地制宜、精准施策

算法具有依据所掌握的数据精准解决某一问题的能力，能够在处理环境事项时做到因地制宜、精准施策。环境治理的影响因素因技术的发展和社会的转型而愈加复杂，这就要求政府在面对复杂的治理困境时需要寻求改变，以适应信息爆炸的智能社会。传统的环境治理业态下，面对环境问题，政府的环境数据收集能力和环境事务处理能力较弱，只能采取相对保守的方案或者制定一些模糊性、原则性的规定加以解决［8］。算法则可以凭借算力和海量存储的优势对环境数据进行实时采集，并能迅速完成对环境数据的分析、加工和处理，从而及时输出环境决策，满足政府环境治理过程中的精细化、跨区域、全过程的需求。

算法嵌入政府环境治理的核心优势是精准地识别环境信息和针对性地输出环境对策。一方面，算法能够全面收集、精准识别与政府环境治理对象有关的各类信息。由于传统的环境数据收集、分类和加工工作受到数据收集不及时、数据来源复杂、数据质量不高、数据分类标准不统一等因素的制约，政府不得不在宏观层面上采取模糊治理的方式，最终可能导致环境治理不彻底、不完整。如囿于环境损害认定标准不统一、环境损害信息不完整以及人为环境损害认定有偏差等因素，传统环境损害认定方式不但会浪费大量人力、物力和财力，还会出现认定不准确、遗漏等现象。而算法可以学习吸收大量的环境损害案例，当出现类似的环境损害时，算法通过精准查找环境领域关键词的方式，能够精准识别出环境损害的类型和具体规模，最后形成环境损害认定方案［9］。又如在传统的环境监测中，因无法对监测设备进行线上连接，环境监测者们难以对环境污染展开全过程监测。而在算法的深度参与下，环境工作人员可以有针对性地设置多个传感器，使传感器之间相互协作，监测收集大气中关于温度、湿度、压力和悬浮物的信息，并且利用算法将监测信息上传到统一的环境信息平台中进行共享和利用［10］。另一方面，算法精准治理能够以环境治理对象的需求为靶向，依据环境治理过程中产生的需求和反馈精准施策。环境治理具有跨领域、跨地域、强专业性的特征，因此环境治理的对象是复杂多变的。传统政府环境治理往往参考先前经验展开笼统、模糊的治理，算法则可以精准对位，收集某区域内影响环境治理的各类数据，并描绘该区域环境的数据特征，进行精细化、个性化的治理。以大气中的臭氧监测为例，在选定的区域内设置监测臭氧的机器收集大气中的臭氧数据，并将其上传到环境信息平台中，算法模型则进行相应的数据分析和处理，以分析处理后的结果作为参考依据，进而提出治理臭氧的方案。

1. 2 算法嵌入政府环境治理能够达成及时预警、提前介入

算法具有预测性，能够对已采集的数据样本进行深度学习并精准画像，从而获取环境数据样本中的相关关系函数，以此预测诸如某地海洋污染、空气污染等风险发生的概率。不仅如此，算法还可以根据所预测的环境信息，提前给出环境治理措施以降低相关环境风险发生的概率。传统的环境治理受限于技术落后、数据收集困难等因素，难以科学、及时地实现环境预警，一般都是出现环境污染问题后才会出台相应的解决方案，这就造成环境问题不能得到及时解决，甚至会加剧后果发生的严重性。算法的出现解决了这些难题，其可以收集海量的环境数据并搭建数据库进行深度学习，构建数据中相关系数的函数，进而精准预测环境污染风险出现的概率以及可能造成的损害，并提出预防措施以避免风险的发生或阻止损害规模的扩大。

环境风险具有多元化、变异快、不易察觉等特点，在一定程度上超过了人类自身的感知能力。贝克［11］指出，现代化风险中的不确定性表明“风险引发的损害是系统性的，通常不可逆转，大多也不可见”。面对不确定的环境风险，危机的预防能够最大限度地降低环境风险发生的概率。因此，政府的环境部门需要建立风险预防机制，并不断提高预测风险的能力。算法能够客观、理性地评估当前的环境危机，不仅可以为当前的环境风险提出解决方案，也能为风险衍生的潜在危害提出预防措施。例如，2014年国际商业机器公司（IBM）借助人工智能开发出“绿色地平线”（Green Horizn），通过不同的数据和多个模型，可以提前预测到北京不同区域空气污染的程度，并提出有效治理空气污染的具体方案。又如2020年6月阿里巴巴集团控股有限公司推出的“ET环境大脑”，通过污染源智能感知和评估模型提出针对性的治理建议，旨在为应对全球环境持续恶化提供治理方案［12］。微软亚洲研究院开发的Urban Air系统的核心目标便是利用算法收集学校、气象站、加油站等场所的数据，设计可以评估城市细粒度空气质量的环境模型，以此来预测未来的空气质量［13］。

1. 3 算法嵌入政府环境治理能够实现降低成本，提升效率

算法决策具有高效性，能够有效降低政府环境治理的成本，提高政府环境治理的效率。相较之下，传统政府的环境治理历来属于政府治理领域中耗时较长、人力和资金付出较多的事项。由于治理者们将环境污染防治视作“费力而不讨好”的事务，故在环境治理过程中容易出现治理者敷衍塞责、消极应付的现象。长此以往，政府环境治理可能会陷入停滞之中，政府公信力也将随之降低［14］。此外，更大的困境还在于环境治理的及时性问题。环境受污染易，修复难，因此治理时间上的把握十分重要。以海洋环境污染为例，传统的环境监测手段难以及时有效地勘测和评估污染的范围、速度、受污染程度以及发展趋势，因此政府无法及时阻止污染继续蔓延，一旦污染范围过大，环境修复的难度和费用便会呈指数级增长。例如，2021年12月，日本海洋研究开发机构的研究人员发现，2011年福岛核事故泄漏的放射性物质已经扩散进入了北冰洋［15］。该事实证明，如果不能及时有效地对环境污染进行治理，就有可能造成难以挽回的环境损失。

算法具有自动性和全天候的特点，因而能够统筹考虑环境治理全局，合理配置环境治理资源，以降低环境治理的成本。一方面，环境治理支出是政府财政支出中占比较大的部分，运用算法开展环境治理能够减少不合理的支出，缩短治理时间，进而从源头上节省环境治理开支。就环境数据处理来说，通过人工进行采集、识别、分类和加工环境数据的传统数据处理方式需要付出高昂的人力、物力、财力等成本。而算法能够建立数据库，将布局在各地的监测设备相连接，汇总监测得来的数据，并从海量数据中高速抓取到关键词汇和句式，从而实现数据的快速采集、分类和加工。另一方面，算法能够全天候运转，可以实现资源的动态分配，减少不必要的资源浪费。依靠这一特性，环境治理者可以在特定区域内合理地布置环境传感设备，对环境开展全天候监测，算法也可以通过深度学习遥感、传统断面、动态监测点等各种类型的数据，及时发现环境污染等问题，高效识别出污染源和监测目标，并适当倾斜治理资源，从而实现对环境污染区域的及时治理［16］。因此，算法嵌入政府环境治理既提高了环境治理的效率，也能够节约资源。

2 算法嵌入政府环境治理的潜在风险

算法嵌入政府环境治理能够产生一系列正向效应，但现实情况表明，鉴于算法的运作机理与技术特征的内在限制，算法嵌入政府环境治理的过程中还会产生诸多异化的风险。本研究从伦理、工具和法治三个维度讨论算法嵌入政府环境治理的潜在风险。

2. 1 伦理维度的风险

一是人类主观的价值偏见会映射到环境治理的算法之中，从而影响算法决策的客观性、中立性以及可信性。虽然算法决策号称具备公平正义的特性，但是“算法技术始终是人所创造出来的，是建立在现有的知识体系、思想、手段之上的”［17］，因此人类在创制算法时，难免将主观的偏见代入其中。例如，在环境信用评价领域，算法会基于给定的环境信用数据评定企业的环境信用等级，即使算法本身并不具有偏见和歧视，但作为算法设计者的人类可能将被评定企业的性质、财富、技术、纳税等因素纳入到算法模型的设计之中，从而造成不公平、不合理的环境信用评价［18］。造成这种算法偏见的原因一般可归纳为两点：一是涉及算法的监督学习模式。其主要是算法技术专家通过标记的形式突出环境数据的特征，同时算法设计人员根据政府的要求设计相关模型［19］。基于此，无论是算法技术专家还是参与设计人员，抑或委托方都有可能将自己的偏见和歧视纳入其中，影响政府环境治理模型设计的客观性。二是环境数据中可能蕴含歧视和偏见。算法决策的运行基础是与该环境问题相关领域的海量数据，可以说数据的可靠度和效度是影响算法决策是否科学的决定性因素之一，而数据来自现实的世界，如果暗含歧视和偏见的环境数据被纳入到数据库中，那算法模型将可能输出带有歧视和偏见的环境决策［20］。

二是算法嵌入政府环境治理过程中的地域歧视问题。不同国家的学者都强调建立环境分权体制，即不同层级的政府分别配置不同的环境治理事权，从而实现环境的有效治理［21］。在算法治理领域，算法技术发展主要依赖资本的推动。以区域性环境治理领域为例，算法深度参与其中不仅需要建立一体化的环境数据共享平台，将采集到的环境数据上传到平台，供环境治理各部门分析，还要建立统一的计量模型以量化环境损害赔偿额度等［22］。这些算法技术的发展均需要地方政府的资金支持，但是区域经济发展水平的客观差异使得地方政府财政的支持力度存在显著区别。中西部地区经济发展缓慢，与东部经济发展较快地区相比，地方政府税收较少［23］，因此很难拿出充沛的资金支持和推动算法技术的发展。这就造成上述地方政府关于算法嵌入政府环境治理的研发项目可赚取的利润较少，普遍要采用分期付款的方式，难以快速回笼资金，从而降低了具有算法开发能力的科技公司参与的意愿。所以，在数据采集、算法研发、人才吸引、资金投入、技术创新等方面，中西部地区远远落后于经济发展较快的东部地区［24］。上述原因导致经济发展缓慢的区域在算法嵌入政府环境治理的改革进程中远远落后于经济发展较快区域，由此形成经济发展缓慢地区政府环境算法治理进度愈加落后的恶性循环［25］。

三是算法嵌入政府环境治理过程中难免遇到价值选择问题。价值的争论不仅存在于政府环境治理的领域，还普遍存在于其他领域。首先，环境治理者们需要根据环境治理时的现实环境，做出相应的价值选择。但是，价值判断需要依据的诸如污染企业负责人的心理活动、传统节日的习俗等现实情境往往难以用数据表征，如果完全交由算法进行决策，便会出现偏激、片面的决策风险。其次，当前人工智能算法的决策分析是以算法模型计算来展开，即通过衡量不同人类价值比重的方式进行伦理选择［26］。从运行逻辑上看，算法决策主要追求高效性，即投入更小、产出更多，但是在环境治理领域，高效不仅不是唯一的目的，更不是最终的目的，环境治理领域的核心目标是实现长期治理和可持续性发展。为了实现可持续发展，政府就要选择最优而非最高效的环境治理方案［27］。最后，环境治理领域的价值选择要照顾人与自然的共存性，实现人与自然的和谐共处。正如佩珀［28］所言，人与自然的关系在工业革命发生前、工业革命发生后存在明显区别。工业革命发生以前，科技发展缓慢，人对自然的控制能力差，甚至是要受制于自然，人类的生存和发展也要依赖自然；工业革命发生后，科学技术快速发展，人类对自然的掌控越来越强，影响和改造自然的能力也快速提高，反而人与自然的矛盾逐渐激化。因此，如果让算法替人类做出价值选择，选择偏向人类的路径，最终可能会造成生态和人类生存的双重危机。

2. 2 工具维度的风险

一是环境数据结构性不足的问题。环境数据是指与环境治理有关的数据，包括水环境、资源保护、国土空间保护、野生动物保护等在内的数据都可归入其中。算法提供的环境治理决策来自以海量数据为基础而建立起来的环境治理模型，因此环境数据的质量决定着决策结论是否可靠，但环境数据在结构性上存在明显不足［29］。首先，部分重要环境数据难以获取。相较其他领域，环境领域的数据往往更难获得［30］。以获取野生动物的相关数据为例，收集濒临灭绝的动物数据，需要花费巨大的人力、物力和财力，而最终的结果可能是既难以得到相关动物的现存数据，又造成资源的过度消耗。其次，环境数据质量难以保证。例如，环境数据的准确性易受其他因素的影响，如果数据源被污染，通过算法分析得出的决策也将受到干扰，有可能给环境保护工作带来不可逆的负面影响。再次，环境数据的即时性问题。算法能够通过分析现有数据预测未来可能产生的环境风险，从而采取措施防止环境风险的发生。算法的这种预测功能要基于可靠、即时的环境数据，如果数据过时，算法提供的预测结论就会受到影响。尤其是现阶段基于新型算法设计的ChatGPT，尚无法实时融入新数据，比如借助ChatGPT预测某地未来一周的空气质量，其训练数据本身的质量、更新频次和有效性直接关涉算法生成的预测结论是否具备可参考性［31］。最后，环境数据的安全性问题。环境数据有别于其他数据，部分数据可能涉及到经济安全、国家安全，属于保密数据，一旦泄露，很容易威胁到国家安全或者造成经济上的重大损失。

二是环境算法模型透明性不足的问题。政府环境治理模型具备极强的专业性，其设计不仅需要具备专业的算法设计能力也需要较强的环境专业知识储备，因此政府运用算法进行环境决策时很容易形成知识壁垒，造成环境决策过程中的“算法黑箱”困境。算法嵌入政府环境治理时，如果公众无法理解算法模型的运行机理就无法得知环境决策的产生过程，也就难以做到有效的监督，致使公众参与不足。虽然国外也有一些算法解释项目（如IBM和Googe公司的可解释性项目）［32］，将公众无法理解的算法模型及其运行机理予以解释，并增加了一些算法代码的可视化和追踪工具，但这些项目没有完整的解释机制和相应的监督机制约束，代码更新迭代的速度也十分迅速，甚至专业技术人员都无法完全理解相应的知识，因而难以普及。此外，算法的解释行为也要把握适当的界限，彻底性的解释会为本国的环境和经济安全带来隐患，如国内的环境治理算法模型一旦为他国知悉，很可能导致重要的环境数据泄露，威胁经济和能源安全［33］。

2. 3 法治维度的风险

一是环境治理过程中算法背后掌控者的权力滥用问题。环境治理是政府的职能，但算法属于专业性较强的领域，政府环境部门一般会采用购买第三方服务的方式，即委托科技公司设计和运营环境算法模型，这会导致算法的设计和运营的权力被下移至政府委托的第三方科技公司手中。如杭州市政府与阿里巴巴集团控股有限公司合作，由后者为其提供算法服务，搭建智慧平台。出于专业角度考虑，政府公共部门不得不向科技企业让渡部分控制权和修改限制权，让科技公司全程参与算法的设计、开发和应用。因此，本应作为环境治理主体的政府部门，由于专业能力的欠缺，不得已让位于具有专业优势的科技公司，从而会逐渐失去对关键环境数据的掌控权。又如智慧城市的领导者——巴塞罗那，其算法负责人也认为“算法黑箱”使得智慧城市系统崩溃，并使政府失去对关键数据的掌控，而这些数据本可以为解决问题提供更精准的方案［34］。诸多案例显示，科技公司虽然能够弥补政府在环境治理中低效、资源浪费等不足，但其也通过算法人才垄断、专利控制等手段阻止政府想要改变“算法黑箱”的现状。这些事实导致政府部门的环境治理权力由于算法黑箱让渡于科技公司，政府部门不得不处于被动地位，既丧失了环境治理的主导地位又不得已与科技公司签署价格高昂的算法使用合同［35］。

二是算法嵌入政府环境治理的责任归属问题。在各国的法律制度中，责任分配问题都是亟待解决的法律技术难题。中国的行政追责制度一直面临着责任区分不清、担责主体不明确、责任区分标准较为模糊的困境［36］。在算法嵌入政府环境治理过程中，由于政府将一部分公共权力让渡给科技公司，因此当算法环境决策出现错误时，无法追根溯源，判定担责主体和责任的归属问题。其原因在于算法的隐蔽性和相关算法责任分配制度的缺失。如果依然沿用传统的法律原则以“谁出台，谁负责”来确定担责对象，很有可能遗漏掉主要担责主体。若算法是无监督学习模式，缺乏算法的监管者，那如何让算法担责，又是一个亟须讨论的问题。另外，算法的设计者和运营者在算法决策违法或者不当时担当什么样的角色，承担什么样的责任，也需要法律予以明确。在环境治理领域，算法嵌入政府环境治理的途径呈现多元化趋势，无论是环境数据的采集、环境监测的开展还是环境损害的认定，都有算法参与其中。因此，当出现错误的算法决策时，参与设计、运营和维护的相关主体的责任判定问题亟待解决［37］。

3 算法嵌入政府环境治理风险的规制路径

学者对于规制算法嵌入政府环境治理风险的方案展开了诸多有益的探索。有学者从宏观角度设计应对算法决策风险的方案，如任蓉［38］认为对算法决策风险的规制制度建构，不能脱离算法的具体应用场景，不能只注重结果而轻视过程，否则会使得制度陷入僵化的泥沼，因此在进行制度设计的过程中应遵循“场景化”“全过程”的原则。丁晓东［39］同样提出了“场景化”的要求，他认为应当根据算法应用的不同场景，制定不同的规制方案，比如根据算法嵌入环境信用评价、环境预警、环境监测等具体场景制定具有针对性的风险规制方案。还有学者从具体的规制方案出发，解决环境决策算法化的衍生风险，如赵一丁等［40］通过调和环境决策和算法本质属性的矛盾，进行适当的“扬抑”，创设算法的可解释权并针对环境决策算法化展开重监管和严问责。通过对现有研究的反思和借鉴，本研究认为，算法嵌入政府环境治理所引发的风险是多元的，因此对于算法风险的规制应当是系统性、整体性的，不能仅靠某一方面的力量，而是要通过技术、伦理和法律三方协同实现对算法决策风险的规制。具体规制路径的建构则应当将宏观的原则指引与具体的法律规制方案相结合，建立系统化、整体化的法律规制体系。

3. 1 算法嵌入政府环境治理风险规制的基本原则

社会转型的加剧、发展的高速化与法律出台的滞后性、法律规则规制的有限性之间的矛盾催生了法律原则，法律原则的抽象性、概括性能够弥补法律条文的滞后性、有限性。同样地，面对算法嵌入政府环境治理所引发的多样性、流变性、新颖性的风险，也应当设定适当的法律原则为限制算法权力滥用的最佳选择［41］。

一是坚持依法治理原则。政府环境治理所依仗的行政权力由法律授权和规定，环境治理部门需要在法律制度规定的边界范围内行使治理权力。在算法嵌入政府环境治理的过程中，由于决策的自动化，政府环境行政人员无法切实参与环境行政过程。基于算法而输出行政决定的环境治理方式是对传统环境治理方式的颠覆，是对传统法律架构和适用的挑战。虽然说算法嵌入政府环境治理，能够提高环境治理的效率，在一定程度上有利于提升环境决策的科学性，但是不能因此忽视算法所带来的未知风险，更不能让掌控算法的人肆意行使政府权力而不受约束。因此运用算法嵌入政府环境治理的过程应当受到法律的规范，做到依法治理，不能将算法置于环境法律规范的范围之外［42］。

二是坚持公平正义原则。公平正义是现代社会的共同认知，是法治中国的必然选择，也是政府环境治理的前提和标准。算法作为工具，似乎具备价值中立的特征，但是在算法嵌入政府环境治理的场域中，算法不仅是政府环境治理的载体，更吸纳了监管者、算法设计和运营企业、社会公众及环保组织的价值判断。相关主体因为社会背景、知识水平等原因持有不同的价值选择倾向，并最终会反映到算法决策的结论之中。如算法设计者可能会根据行政相对人的社会地位、学历背景、性别甚至人种差别，课以不同的行政权力或者义务，这样就会造成治理决策出现违反公平正义的情况发生［43］。在算法嵌入政府环境治理的过程中，公平正义应当领先于效率，排在第一位，如果只强调效率不强调公平，会导致不同主体之间的利益难以调和，最终激化社会矛盾，影响社会秩序的稳定［44］。因此，应当适用公平正义的法律原则，以规范政府环境治理与算法应用行为。

三是坚持浮动比例原则。在算法嵌入政府环境治理的过程中，要秉持着浮动比例原则。比例原则是行政法的基本原则之一，指的是要在政府环境治理的过程中适当使用各种规制手段。将浮动比例替代固定比例的原因在于，固定的比例无法适应环境治理风险动态变换的现实情况［45］。算法高效决策、持续迭代等特点与环境治理本身的强专业性、公益性、复杂性相互交织，加剧了风险的不可预测性，因此在规制算法嵌入政府环境治理时要遵循浮动比例原则，设计具备弹性的法律制度。这样的制度架构可以综合考虑算法发展的技术特点、环境治理的实时需求，并不断加以适当调整。如针对环境数据的公开问题，部分环境数据涉及国家安全和重要工业领域的商业秘密，数据公开部门应当做到适当公开的同时也保护其中重要的数据不被泄露。又如算法嵌入政府环境治理过程中，还可以依据嵌入政府环境治理的算法决策输出的自动化程度来确定责任分配的比例。总之，这一原则既能为应对算法嵌入政府环境治理的具体风险提供解决方案，也能为风险应对的宏观制度架构提供指引［46］。

四是坚持正当程序原则。算法决策的自动化特质不仅排除了政府环境行政人员的参与，环境治理对象也无法参与到环境行政决定做出的过程，无法行使相关程序性权利。在政府环境治理过程中的正当法律程序应是：环境行政人员对环境污染责任人做出行政处罚决定前，应给予其合理申辩和陈述的权利，并就做出的行政处罚出具环境污染事实和法律上的依据。如果没有上述程序，政府环境部门难以保证决策的合法性和合理性。但算法嵌入政府环境治理之后，环境行政相对人只能被动接受算法模型自动输出的行政决定，从而违背了正当程序原则。为了规制算法嵌入政府环境治理时相关行政行为做出的过程，维护环境行政相对人的程序性权利，避免出现算法设计和运营者侵犯环境行政相对人利益的情况，亟须强化正当程序原则保障算法嵌入政府环境治理的行政行为具有规范性、公开性、可预期性［47］。

3. 2 算法嵌入政府环境治理风险的具体规制方案：基于全过程治理视角

确立算法嵌入政府环境治理的法律原则之后，应当以这些原则作为指引，针对算法嵌入政府环境治理中的伦理、工具、法治维度的风险，提出完整且具体的法律规制方案。在这个方案中，需要将公平和正义作为算法嵌入政府环境治理的价值要求，将数据结构化、算法的可解释性和可监管性、责任合理分配作为环境算法决策的基本要求，使环境决策输出的过程能够受到及时的监督和评估，从而尽可能发挥算法自动化决策的优势，以实现“支持性结构与适应性流变之间的平衡”，提升算法嵌入政府环境治理的可信赖程度。对于算法嵌入政府环境治理的具体规制方案，本部分将按照全过程治理的方法进行设计，实现事前预防、事中监管、事后归责三方面统一。

3. 2. 1 建构事前预防方案

一是算法嵌入政府环境治理需要保障政府环境治理行为符合基本的伦理要求。算法嵌入政府环境治理过程中，依然会发生“算法偏见”和“算法霸权”的现象，为此应当提前从制度和技术上入手规避算法嵌入政府环境治理过程中存在的伦理风险。首先，建构与算法技术有关的伦理制度。因为不能保证每一位算法设计者能够不在乎利益，专心为维护人类的利益设计算法，自觉抵制“违反技术道德”，因此为了防止少数算法技术人员为了私益损害他人利益，政府应当为算法的设计者和运营者设定伦理底线，避免算法设计和运营公司贪图利益，接受环境行政相对人的贿赂，为环境行政相对人逃避行政处罚提供便利。此外，设计算法还应当将公平正义放在第一位，然后才应该追求行政效率。政府部门应当设计相应制度，避免环境治理对象因性别、人种、学历和家世被算法系统歧视。其次，从技术角度保障算法的合理适用。算法设计者应当完善算法环境伦理设计，并通过代码嵌入的方式，将“道德理念”嵌入到算法模型之中：利用算法的深度学习能力，对算法进行道德训练，使其自动学习先例中基于公平正义原则之下做出的环境行政行为，并将当前的环境事件与前例作比较，对与前例相似的事件，采取相同的价值选择，从而保障算法输出的环境决策符合基本的伦理要求。

二是建立环境数据的核准、反馈和保护机制。环境数据具有实时性和复杂性，为了防止采集到错误的环境数据，需要建立环境数据的核准、反馈和保护机制。首先，在环境数据采集方面，需要明确数据采集的相应流程，并且要落实采集主体的责任。同时数据管理部门需要建立分级分类数据库，明确数据源，对错误的数据溯及源头，落实谁采集谁负责要求，从而保证环境数据的可信性。政府也要建立环境数据共享和公开平台，实现环境数据的互通，提高环境数据的共享效率，对来自不同源头和领域的数据进行相互验证，确保环境数据的可用性和正确性，对错误的数据要及时公告并予以纠正，从而建立环境数据的反馈核验机制。其次，建立环境数据的随机抽检制度，以应对环境数据出现发生错误而不自知的情形。随机抽检，就是通过随机抽取环境数据样本进行验证，如果与验证结果不符，该时间段收取的该领域全部数据就要重新采集并核验。最后，建立重要环境数据的保护机制。环境数据不同于其他领域的数据，其中部分数据隐含着国家重要领域的技术秘密，如果一旦泄露，就有可能造成巨大损失。为此应该从技术和制度上进行双层保护。一方面，从技术上加强环境数据的加密保护，设计更加复杂的代码和防火墙，防止国外势力对重要环境数据的侵犯。另一方面，建立环境数据公开清单制度，对应该公开的环境数据，将其列入清单内，对应当保护的环境数据，设定秘密安全等级，最核心的环境数据应当严格限制可接触的人群。

三是建立环境算法模型的解释机制。算法深度参与政府环境治理，无论对政府工作人员而言，还是对一般的社会公众来说，都涉及对算法的理解问题，这也是法律问责的先决条件。但是由于“算法黑箱”的存在，算法的可解释性与解释的难易程度都被外界所质疑。一般都是以算法应用场景是否需区分在私人领域或者公共领域作为质疑原因，从私人领域的角度来说，算法不应公开或解释，理由是公开或解释算法有可能会泄露社会公众的个人隐私。但是在环境治理的领域，需要维护的是公共利益，需要对算法进行一定程度的解释。因此要基于环境治理领域解释算法的内在逻辑，使其做到易懂、易知。首先，建立行政相对人知情保障机制。涉及行政相对人的信息应当及时准确地告知行政相对人，不能漏报、错报、瞒报。其次，行政相对人只要认为政府在环境治理过程中违法使用算法，就有权要求政府环境部门解释算法的内在逻辑和运行机理，作为环境治理主体的政府部门应当有义务做出算法解释。环境治理过程中对嵌入环境治理的算法的运行机理做出合理解释，主要有两条路径：第一条路径是以相似的环境治理场景作为模型，对算法运行的全过程进行演练，使相对人能够全方位浏览算法运行的详细过程；第二条路径主要阐述算法嵌入环境治理领域所可能带来的影响，以及与利益相关者的联系。第二条路径可以弥补社会公众专业性不足的缺陷，使其能够最大限度理解算法应用所带来的影响，不必全部公开算法的运行机理。

3. 2. 2 完善事中监管方案

一是完善算法嵌入政府环境治理的部门监管机制。算法嵌入政府环境治理的过程需要多部门合作进行监管，但是多部门监管在一定程度上会增加管理的难度和成本，此外，算法监管所需的技术人才也难以持续供应。要破除算法监管多部门合作的壁垒，同时不增加原本的监管成本，需要建立纵向的监管体制，以环境治理监管部门为核心，通过中央和地方协作发力，统合多部门的资源，对算法的运营展开一体性的监管。一方面，机构一体化设置能够保障环境数据来源的稳定性和可靠性。另一方面，算法嵌入政府环境治理过程中的监管需要涵盖两大空间，一个是网络空间，一个是现实空间。相较传统的现实空间环境治理，网络空间环境治理工作更加繁杂，需要建立多部门共同参与的信息交流和合作平台，同时建立覆盖全地域、层级、机构的监管网络，从而能够预测算法的发展走向以及因此导致的环境风险和数据泄露风险，并及时警戒，避免因此可能造成的损失［48］。

二是完善算法嵌入政府环境治理的社会组织监督制度。完善算法监督机制就要发挥社会组织的监督作用。由于算法技术的专业性强，社会公众可以算是算法领域的“文盲”，虽然可以设置算法公开的平台帮助社会公众了解算法运行的内在机理，或是以个体形式申请政府环境部门出面做出详细解释。但由于公众作为非专业人士，算法基础十分薄弱，甚至无法理解代码所代表的含义和想要达成的目标，使其难以切实了解到算法运行所体现的负面影响，也就无从谈起如何监督和评估算法。相较个体力量的微弱，社会组织在面对社会问题时往往表现得更加专业，处理问题也更加得当。因此公众可以组成了解和解释算法运行模式和内在机理的社会组织，甚至说某些如自然之友这些保护环境的社会组织，可以召集专业人士组成辨别环境算法决策风险的部门［49］。国外已有类似的案例，例如，德国有技术专家、部分专业人士以及媒体人组成了监督包括环境保护在内的公共领域算法的非营利性组织。社会组织作为非官方、非营利性的机构，能够适时提醒政府和算法主体正当行使权利，这也能够促使政府和科技公司合理使用算法进行环境治理［50］。

三是完善算法嵌入政府环境治理的社会公众监管机制。首先，建立对外公开的算法了解窗口。如果没有公开的了解渠道，那社会公众便难以辨别科技公司是否在切实保护个人的隐私数据，同样地也就难以迅速采取行动使其不被用来非法牟利［51］。要实现算法信息的实质公开，政府就要为社会公众开辟了解信息的窗口，并提供辅助服务。对于涉及公众利益的敏感性信息，应当评估其是否可以作脱敏性处理后向公众公开，并确保社会公众能够意识到自己的信息是否被科技公司利用，也能够在被侵权后第一时间得到救济。其次，建立算法嵌入政府环境治理的公众参与机制。算法嵌入政府环境治理需要社会公众的有序参与以及有效监督。一方面，使公众能够切实参与算法嵌入政府环境治理的全过程，了解算法运行的各个环节。另一方面，公众不能一味被动地接受算法输出的结果，而是要参与监督算法决策的过程，监管决策的合法性和合理性。最后，完善社会公众的权利保障机制。政府不仅要做到让公众理解算法，知悉科技公司侵犯公众个人权益的相关风险，还应建立网络投诉、举报和谈判平台，畅通公众权益维护渠道。

3. 2. 3 健全事后归责方案

当前技术发展背景下，将用于政府环境治理的算法决策责任归属于人工智能的做法，是不符合法律和现实情况的。算法决策违法或不当的责任应当在政府环境治理部门和设计、运营算法的科技公司之间合理分配。而无论是由公权力的承载者——政府环境治理部门担责还是让获取利益的受托者——算法设计运营公司担责，都有一定的道理［52］。此时，有必要从因环境决策违法或不当造成所在区域公民的生态权益受损的角度来对这一问题展开思考。首先，社会公众将环境治理权委托给政府环境治理部门行使，政府环境治理部门便有义务承担起环境治理的责任。如果环境决策违法或失当，理应由环境治理权的承载者即政府环境治理部门承担。其次，若由设计、运营算法的科技公司担责，由于算法的复杂性和强专业性，一般的社会公众往往难以了解算法运行的内在机理和运行模式，因而无法拿出相应的证据，从而可能会承担败诉的风险。当然部分学者主张向算法设计、运营的科技公司追责，其所考虑的主要因素是因为政府没有实际参与到算法设计和运营的过程，没有主观违法的心理和实施客观上的行政行为，最终的损害结果也不是基于政府的直接行为所造成的，如果向政府环境治理部门追责很有可能打击政府负责人推进算法嵌入政府环境治理的积极性［53］。作者认为向政府环境治理部门追责恰恰能够迫使政府环境治理部门加强对科技公司的监督和管理，同时也可以督促政府环境治理部门筹措资金、招揽人才推进环境治理算法系统的设计，从而有效提升算法嵌入政府环境治理的科学性和透明性。

4 结 语

算法嵌入政府环境治理既可以利用算法的高效性、精准性和预测性提升政府环境治理的效率和质量，但也会引发技术、伦理和法治方面的风险，加剧社会公众对算法乃至政府环境治理部门的不信任。本研究基于对现有研究的总结和反思，并结合算法嵌入政府环境治理的实际情况，通过法律原则和具体规制方案相结合的方式架构出了系统化的规制方案。在具体规制方案的架构中采取了全过程控制的方法，通过建构事前预防方案、完善事中监管方案和健全事后归责方案，为应对算法嵌入政府环境治理的技术、伦理、法治风险，提升政府环境治理的可信赖性，提供了具有针对性、可行性、系统性的治理架构［54］。

参考文献

［1］ 郝就笑，孙瑜晨. 走向智慧型治理：环境治理模式的变迁研究

［J］. 南京工业大学学报（社会科学版），2019，18（5）：67-78.

［2］ 张伟，李国祥. 环境分权体制下人工智能对环境污染治理的影

响［J］. 陕西师范大学学报（哲学社会科学版），2021，50（3）：

121-129.

［3］ 丁皓宇. 基于物联网和人工智能的空气质量监测方案设计［J］.

环境与发展，2017，29（7）：145-146.

［4］ 王文玉. 算法嵌入政府治理的优势、挑战与法律规制［J］. 华中

科技大学学报（社会科学版），2021，35（4）：26-36.

［5］ MITTELSTADT B D，ALLO P，TADDEO M，et al. The ethics of al⁃

gorithms： mapping the debate［J］. Big data amp; society，2016，3（2）：

205395171667967.

［6］ 程飞鸿. 智能化环境治理向何处去［J］. 检察风云，2022（23）：

18-19.

［7］ 陈锐，王文玉. 算法嵌入政府治理的权力异化风险及其规制方

案［J］. 理论探索，2022（6）：81-90.

［8］ 陈鹏. 国家治理的智能化转向及其实施进路［J］. 探索，2021

（3）：152-165.

［9］ MAYSON S. Bias in，bias out［J］. Yale law journal，2019，128（8）：

2218-2300.

［10］ 段玲玲，赵铭珊. 人工智能在环境监测中的应用分析［J］. 环境

与发展，2020，32（10）：177-178.

［11］ 贝克. 风险社会：新的现代性之路［M］. 张文杰，何博闻，译．

南京：译林出版社，2022.

［12］ 喻春娇，李奥. 人工智能技术对环境污染的影响机制述评［J］.

决策与信息，2022（1）：50-57.

［13］ 吴班，程春明. 生态环境大数据应用探析［J］. 环境保护，2016，

44（增刊1）：87-89.

［14］ 叶小兰. 选择性执法的内在悖论与消解机制［J］. 甘肃政法学

院学报，2011（5）：125-129.

［15］ 华义.日本新研究：福岛核事故放射性物质扩散入北冰洋［N/

OL］.（2021-12-14）［2023-01-06］. https：//baijiahao. baidu. com/

s？ id=1719130514831143845amp;wfr=spideramp;for=pc.

［16］ 张文博，周冯琦. 人工智能背景下的环境治理变革及应对策略

分析［J］. 社会科学，2019（7）：23-30.

［17］ MAGER A. Algorithmic ideology：how capitalist society shapes

search engines［J］. Information， communication amp; society， 2012，

15（5）： 769-787.

［18］ 王瑞雪. 作为治理工具创新的环境信用评级［J］. 兰州学刊，

2015（1）：103-110.

［19］ 曹博. 算法歧视的类型界分与规制范式重构［J］. 现代法学，

2021，43（4）：115-126.

［20］ 邱泽奇. 算法治理的技术迷思与行动选择［J］. 社会科学文摘，

2022（11）： 11-13.

［21］ SIGMAN H. Decentralization and environmental quality：an inter⁃

national analysis of water pollution levels and variation［J］. Land

economics，2014，90（1）：114-130.

［22］ 冯浩波. 智慧司法的算法隐忧及其规制［J］. 四川行政学院学

报，2023（6）： 54-61.

［23］ 马楠，李波，沈体雁. 西部地区经济增速放缓的结构性致因与

化解机制 ［J］. 中央民族大学学报（哲学社会科学版）， 2022，

49（ 4）： 86-95.

［24］ 庞金友. 人工智能与未来政治的可能样态［J］. 探索，2020（6）：

84-96.

［25］ 郑少华，张翰林. 数智时代环境智理的内涵与构建路径 ［J］.

甘肃社会科学， 2023（5）： 169-176.

［26］ ANDERSON M，ANDERSON S L. Machine ethics：creating an eth⁃

ical intelligent agent［J］. AI magazine，2007，28（4）：15-26.

［27］ 杨玉晓. 人工智能算法歧视刑法规制路径研究［J］. 法律适用，

2023（4）： 86-94.

［28］ 佩珀. 生态主义：从深生态学到社会主义［M］. 刘颖，译. 济南：

山东大学出版社，2005：2.

［29］ 丁晓东. 数据公平利用的法理反思与制度重构［J］. 法学研究，

2023，45（2）： 21-36.

［30］ OVERPECK J T，MEEHL G A，BONY S，et al. Climate data chal⁃

lenges in the 21st century［J］. Science， 2011， 331（6018）： 700-

702.

［31］ 张欣. 生成式人工智能的数据风险与治理路径［ J］. 法律科学

（西北政法大学学报）， 2023， 41（ 5）： 42-54.

［32］ TSAMADOS A，AGGARWAL N，COWLS J，et al. The ethics of al⁃

gorithms：key problems and solutions［J］. AI amp; society，2022，37

（1）：215-230.

［33］ 安晋城. 算法透明层次论［J］. 法学研究，2023，45（ 2）：52-66.

［34］ 海冰浪雨. 智慧城市建设的经验与启示：以巴塞罗那、新加坡

和上海的实践为例［J］. 三峡论坛（三峡文学·理论版），2016

（6）：90-95.

［35］ 宋锴业.“算法” 与国家治理创新：数据、算法与权力的知识生

产与逻辑呈现［J］. 科学学研究，2022，40（3）：401-409.

［36］ 陈党. 行政责任追究制度与法治政府建设［J］. 山东大学学报

（哲学社会科学版），2017（3）：27-32.

［37］ 赵亮，刘彩薇. 算法决策优化的伦理进路：道德阈限、责任界分

与技术嵌入 ［J］. 大连理工大学学报（社会科学版），2024，45

（3）： 115-122.

［38］ 任蓉. 算法嵌入政府治理的风险及其防控［J］. 电子政务，2021

（7）：31-41.

［39］ 丁晓东. 论算法的法律规制［J］. 中国社会科学，2020（12）：

138-159.

［40］ 赵一丁，陈亮. 环境决策算法化衍生风险及其法律规制［J］. 中

国人口·资源与环境，2023，33（3）：68-76.

［41］ 陈悦. 论自动化行政中算法决策风险的“人在回路”治理模式

［J］. 行政法学研究，2024（4）： 35-46.

［42］ 王莹. 算法侵害责任框架刍议［J］. 中国法学，2022（3）：

165-184.

［43］ 甘湉，马亮. 算法性别歧视：特征、类型与治理［ J］. 山东行政

学院学报， 2024（ 2）： 97-105.

［44］ 吴勇，黎梦兵. 新兴信息技术赋能环境治理的风险及其法律规

制［J］. 湖南师范大学社会科学学报，2022，51（2）：76-85.

［45］ BATHAEE Y. The artificial intelligence black box and the failure

of intent and causation［J］. Harvard journal of law amp; technology，

2018，31：889.

［46］ 韩春晖. 自动化行政中算法目的失范的公法治理［J］. 比较法

研究，2024（2）： 17-31.

［47］ 张凌寒. 算法自动化决策与行政正当程序制度的冲突与调和

［J］. 东方法学，2020（6）：4-17.

［48］ 马长山. 智能互联网时代的法律变革［J］. 法学研究，2018，40

（4）：20-38.

［49］ 肖红军，商慧辰. 平台算法监管的逻辑起点与思路创新［ J］. 改

革，2022（8）： 38-56.

［50］ 谭九生，范晓韵. 算法“黑箱” 的成因、风险及其治理［J］. 湖南

科技大学学报（社会科学版），2020，23（6）：92-99.

［51］ PASQUALE F. The black box society：the secret algorithms that

control money and information［M］. Cambridge：Harvard Universi⁃

ty Press，2015.

［52］ 商建刚. 算法决策损害责任构成的要件分析［J］. 东方法学，

2022（6）： 44-57.

［53］ CRAWFORD K， SCHULTZ J. AI systems as state actors［J］. Co⁃

lumbia law review， 2019， 119（7）： 1941-1972.

［54］ BERMAN E. A government of laws and not of machines［J］. Bos⁃

ton University law review ，2018，98：1278-1355.