Считается, что привлечение экспертов к выработке политики позволяет выбирать наиболее перспективные альтернативы решений, лучше формулировать нормы, прогнозировать эффекты и проводить оценку результативности. В разных условиях качество экспертизы может варьироваться. Если политики и бюрократы подотчётны, то они стремятся привлекать лучших экспертов и обеспечивать высокий уровень экспертного вовлечения. Если же управленцы не чувствуют ответственности за принимаемые решения, то снижается и их заинтересованность в качестве экспертной поддержки.

В России депутаты фактически неподотчётны своим избирателям по множеству причин. Институты законодательной власти в большей степени выполняют функцию легитимации идей, вырабатываемых властной вертикалью, поэтому и эксперты, работающие в парламентских комиссиях и советах, нередко выполняют ту же задачу. С органами исполнительной власти положение обратное. Они тоже неподотчётны гражданам, но при этом именно на них возложена вся ответственность за результативность и эффективность политик. То есть они подотчётны вышестоящему "начальству". Как следствие, институты исполнительной власти очень заинтересованы в качественной экспертизе, поэтому при каждом ФОИВе есть довольно сильные команды экспертов. Такое положение вещей в общем виде сложилось и на уровне субъектов федерации.

Есть факторы не менее объективные, но обусловленные не сложившейся политической системой, а особенностями экспертного сообщества. Во-первых, политик разных очень много, а квалифицированных экспертов, наоборот, мало. Во-вторых, почти все они сконцентрированы в Москве. В-третьих, существуют серьёзные перекосы в методических аспектах или областях экспертизы: например, есть много очень хороших экспертов по оценке регулирующего воздействия, но при этом почти нет специалистов по количественным методам анализа публичной политики. В-четвёртых, академическая часть экспертного сообщества очень разная по уровню квалификации. Наконец, качественная экспертиза требует существенных материальных и временных затрат. Кстати, некоторые из перечисленных проблем характерны и для других стран. И даже то, что почти при каждом университете на Западе есть think tank по публичной политике, не всегда помогает.

Интересный и актуальный метод решения части задач предлагают коллеги из Оксфорда. Они разработали алгоритм, обучающийся на основе положительных и неразмеченных данных (positive unlabeled learning), с помощью которого можно идентифицировать значимые результаты имплементации политик (1). Эта методика машинного обучения заключается в том, чтобы имея небольшую выборку размеченных данных одного из классов бинарной классификации можно было построить классификатор для большой неразмеченной совокупности. Здесь коллега из ВШЭ очень доступно разъясняет принцип работы и точки приложения.

На первом этапе авторы пригласили экспертов для разметки небольшой выборки, а потом алгоритм обучился на этих данных и классифицировал уже большой набор данных. На втором этапе авторам удалось автоматизировать даже создание обучающей выборки на основе сбора и анализа веб-данных. Да, выявление значимых результатов имплементации политик - почти то же самое, что и увидеть верхушку айсберга на поверхности океана. Но ведь и это уже отличный результат, который позволяет сэкономить средства и усилия. Так что, если решение проблем российской экспертизы, обозначенных в первых абзацах этого поста, лежит в политической плоскости, то технические сложности вполне преодолимы с помощью алгоритмов. Хоть какой-то позитив!

(1) Zubek, R., Dasgupta, A., Doyle, D. (2020). Measuring the Significance of Policy Outputs with Positive Unlabeled Learning. American Political Science Review, 1-8. doi:10.1017/S000305542000091X