陈荣虎

[提要] 近年来，管理学越来越不受实业界的重视，存在着一定程度的“危机”。这种“危机”是由于大数据和人工智能的发展造成的，许多高校未及时更新其培养体系，但大学的体系作用仍然非常重要。有几点理由认为“危机”被夸大了：（1）学术界有向实践学习的传统；（2）时代的发展使很多专业产生了“危机”；（3）管理知识的传播和技术的发展使得学科的“新鲜感”在下降；（4）时代成功者的成功有一定的偶然性。

关键词：管理学；危机；大数据与人工智能时代

本文为国家社科基金项目（项目编号：15BL014）

中图分类号：C93 文献标识码：A

收录日期：2017年10月17日

引言

近年来，笔者感到管理学越来越不受实业界的重视。比如，某互联网大佬在网上狂言“员工读了MBA变傻了”、“以前我看不起商人，现在我看不起教师”等等。当然，他不是第一个，也不是最后一个提出类似观点的人。十多年前某地产商就曾说过“员工中最差的是博士，其次是MBA！”。

这仅仅是一个方面。如果去逛书店，你会发现许多商界大佬都开始出书，讲授成功经验。这些书往往被摆在显要的位置，似乎要给读者一个印象：这些强人不仅会经商，而且学术水平也很高，有无限的精力，在繁忙的工作之余还有精力写作。这些强人的精力和学术水平，丝毫不亚于美国前总统奥巴马。奥巴马在治国之余，还在《科学》、《美国医学会杂志》、《哈佛法律评论》等顶级学术刊物上发表多学科论文。不过，笔者认为奥巴马的论文是由其下属代笔的。

笔者和企业家打交道的次数不多，参与过一些校企联合项目，更多的时间是完成自己的国家社科基金项目。笔者一直以为管理学不受待见是个人的感受。然而，最近和同门、同行们的一次交流，卻发现名校的管理学专业也不受待见，国内管理学都有不被重视的趋势。从《金融时报》一篇文章来看，国外学者也有这种感受。在此背景下，有必要对管理学的“危机”进行分析。

一、大数据、人工智能时代

管理学的“危机”很大程度上起源于时代的变化。我们所处这个时代最显眼的词汇就是“大数据”、“人工智能”（“机器学习”）等词汇，见图1。（图1）

目前学者们对大数据仍没有统一的定义。一般认为，大数据具有三个特征，简称3Vs：大数据量（Volume）、大速度（Velocity）、大的多样性（Variety）。处理大数据需要计算机技术的支撑，最终创造价值。

人工智能指的就是人造机器展现出的智能，它区别于人和其他动物的智能。人工智能的核心是计算机算法，当代计算机科学家们通常把它们称为“机器学习”算法，而《科学》杂志在2017年7月7日的一篇报道中归纳出人工智能相关的词汇多达17个，除了“机器学习”外，还包括“算法”、“专家系统”、“深度学习”等。

大数据的应用几乎无所不在：社会管理、精确广告、制造、为供需方牵线搭桥、体育、电视节目推送、能源、智能家居、医疗、新闻和故事写作等。这些应用有公益性质的，更多的是商业性应用，它引导了管理方式的变革。精准广告的出现，必然会引发企业营销方式的变革。精准广告应用的代表是Netflix，它用该技术来向用户推荐电视节目。和Netflix类似的是BBC，它用大数据来分析自己的节目是否受欢迎。劳斯莱斯公司将大数据用于产品的设计、生产和售后。据《金融时报》报道，洲际酒店集团用算法来挑选应试者，这是人力资源的一个应用。

除了商业应用外，大数据在社会管理也有不少应用。伦敦运输公司用大数据解决伦敦这样的大城市的公共交通问题，米尔顿·凯恩斯市用大数据建设智慧城市。美国的移民和海关部门用大数据识别恐怖分子，Palantir公司协助美国中央情报局在阿富汗检测炸弹，美国用大数据管理国家等，美国的匹兹堡、芝加哥等城市采用了一种“预测式出警”的方式来预防犯罪，墨西哥用大数据的方法来寻找受害者遗体所在地，芝加哥市政部门采用大数据来预测鼠灾。

人工智能技术也有很多应用。围棋历来被认为是人工智能的堡垒，谷歌公司的人工智能代表—AlphaGo在2016年、2017年分别打败了人类的顶尖围棋高手李昌镐、柯洁。IBM公司的Waston智能机器人担任大学的助教，在五个月的时间内学生竟未觉察，最终因被告知才得知真相。Waston帮助医生诊断疾病，只用了10分钟时间就诊断出了一种罕见的白血病，医生作出同样的判断需要几个星期。2017年，它在中国就诊时，只用了10秒钟就诊断出胃癌晚期患者。目前，有许多公司投入了自动驾驶研究，自动驾驶技术的基础是人工智能。这些公司里包括谷歌、百度、腾讯等互联网企业，还包括特斯拉、通用、奥迪、大众、宝马等传统汽车厂商，还有一些初创企业。根据有关报道，美国的卡车货运工业市值已突破七千亿美元，自动驾驶卡车将逐渐取代美国卡车司机，市场潜力巨大。人工智能还可用于预测贫困，政府可借此采取应对措施，使社会管理更有效。

大数据和人工智能的发展，必然会给管理带来变革。一方面技术的发展，创造了许多新的产业，带来了新的机会；另一方面技术使得传统企业面临挑战，迫使他们采用新技术和改革管理方式。技术的发展还使得政府等非盈利性组织的管理更为有效。

管理的变革对管理学提出了新的要求。不幸的是，由于变化过于迅速，学术界在理论和方法上尚未及时跟上，造成了学科的“危机”。

二、管理学教学科研体系分析

在谈及作为一门学科的管理学之前，不得不说说现代大学。现代大学起源于1810年成立的德国柏林大学，其创始人是洪堡。学者们一般认为柏林大学的贡献在于其“学术自由”和“教学与研究相统一”的思想，并奠定了“传授知识与创造知识相统一”的现代大学理念。洪堡提出了三条原则：反对功利主义教育价值观；反对经验知识凌驾于理论知识之上；反对缺乏人文教育的大学教育。无论是研究型大学还是教研型大学，在“创造知识”方面未能跟上时代的步伐。在大数据和人工智能时代，管理学的理论和方法并未及时更新。endprint

管理学有众多的专业和研究方向，不同的机构有不同的划分方法。如国务院学位办和国家基金委就有不同的划分方法。在国务院学位办的学科目录（2011）中，“管理科学与工程”专业可授予管理学和工学学位。对于本科以后的教育，其名称更是五花八门，有MBA、EMBA、MPA、MPM等，并且还分研究方向。各大学师资情况也各不相同，课程设置和重点也不相同，有些学校可能重视案例教学，有些学校可能重视理论。尽管未能跟上时代，但考虑到现代大学的教学科研体系的优势，大学的管理学专业仍然具有重要的作用。

首先，大学教育有完整的体系，大学教师在各自的领域有深厚的积淀。尽管各高校、各专业的课程设置千差万别，但是在课程体系上基本上都有“基础课”、“专业基础课”和“专业课”之分。有些专业的“专业课”可能是其他专业的“专业基础课”。例如，“财务会计”、“市场营销”等本身是专业方向，但它们也可以作为其他管理类专业的“专业基础课”。基础课通常包括数学课程和计算机课程，如高等数学、统计与概率分析、经济学原理、程序设计等。在大数据和人工智能时代，数学和计算机基础仍然具有举足轻重的地位，各种机器学习算法都需要深厚的数学基础。管理学虽未跟上前沿，但其在基础课程和专业基础课程上仍有深厚的积淀。

其次，大学教师和实际管理者具有不同的思维结构。大学教师更像是“教学大机器”中的一颗“螺丝钉”，每个人做好自己的工作即可。大学教师甚至可以精通“激励理论”但仍然无法担任领导去激励他人、精通“优化理论”但却对现实的问题无法优化、精通投资理论却在股市中血本无归。道理很简单，如果运用理论即获成功，则人人可以复制，要么使理论无效，要么使理论的价值降低。实际管理者则更多的是面临整体性的问题，是综合能力的应用，有些能力甚至不是通过学习能获得的。领导者的人格魅力就很难模仿，他们对各种风险的直觉也很难通过学习获得。大学教师在专业方面强于实际管理者，能为管理者提供建议。

最后，大学的目标并不是培养领导者。大学的目标是向学生或学员提供一整套的工具和思想，解决问题仍然需要靠学生或学员本身。指望大学解决所有的现实问题本身就是个不现实的理想。有时候，了解有哪些方法对管理者是个重要的信息，而大学能提供系统性训练，提供单个教师不能提供的信息。

三、夸大了的“危机”

（一）管理学学术界有向实践实习的传统。几乎所有的管理学教科书都会提到泰勒的“科学管理原理”，认为这是现代管理理论的开端。泰勒本人被称为“科学管理之父”，他的工作生涯主要是在钢铁公司度过的。泰勒在工作过程中观察到了工人和资本家间的对立情绪，工人的“磨洋工”使工作效率很低。“科学管理原理”正是在对管理实践的观察和对前人失败理论思考的基础上提出来的，并将它运用于实践。泰勒也正是因为他的管理实践被提拔为车间主任，并在总裁的同意之下开始了更详细的研究。如果没有实践的成功，泰勒的理论也不会被大家所接受。

统计质量控制理论也来源于管理实践。该理论的创始人休哈特在1918年加入西部電器公司下属的霍桑工厂，负责质量检验工作，他在实践过程中提出了统计控制的概念。他在实践中观察到生产过程和自然过程是不一样的，生产过程中的分布并不是正态分布。如果没有实践而光靠数学推导，各种概率分布将是错误的，在此基础上的推导也就不成立。

管理学中的运筹学则来源于军事问题。二战时期，英、美两国为了解决一系列军事问题专门成立了运筹学研究小组。这些问题有：合理运用雷达来预防空袭；如何编排舰队，如何使船队在遭受攻击时损失最小；对付敌军潜艇的最佳投弹深度；等等。二战结束后，运筹学的各种方法逐渐运用到了其他领域，包括管理领域。运筹学的发展奠定了管理科学的基础。

当前，随着大数据和人工智能科学的发展，技术科学也在不断地进步，许多企业使用机器代替了人。在此背景下，管理学和经济学都面临着新的挑战，它们都需要在对现实观察的基础上提出新的理论，而不是凭空提出新的理论。

（二）许多专业存在“危机”。大数据和人工智能不仅对管理学产生了冲击，还对其他专业产生了冲击。在哲学领域，“智能到底是什么”这类问题变得很吸引人，但哲学家和科学家们目前还回答不了。机器的使用，有可能使社会贫富差距更大，社会平等问题变得更为迫切，需要有政治、经济理论支撑政府的决策，也需要经济学家思考新的增长模型。大数据的使用，会带来以隐私为代表的伦理问题和法律问题。人工智能也同样有伦理和法律问题，例如，自动驾驶汽车在遇到危险时保护行人还是保护司机、保护一个行人还是多个行人等问题就是伦理问题，由此又会引发法律问题。

除了人文社科以外，许多理工科的学者把这些新技术运用到各自的专业领域。《自然》、《科学》杂志就有不少交叉应用。例如，用机器学习算法中的支持向量机来发现新材料，用机器学习算法中的卷积神经网络来自动更正引力透镜的图像，用机器学习算法中的神经网络来解决量子多体问题。尽管有许多应用，但国内外很多大学的本科培养方案中都没有更新这方面的内容，甚至研究生的培养方案也未更新。《自然》、《科学》等顶尖杂志上的应用在计算机领域只能算是初步的应用，主要原因还是此类方法仍未大量使用。

人才缺乏是各专业危机的根本原因。2017年7月8日国务院印发的《新一代人工智能发展规划》中明确地提到“人工智能尖端人才远远不能满足需求”，并把“加快培养聚集人工智能高端人才”作为重点任务中的一部分。根据领英公司的一份报告，在该公司平台上发布的人工智能职位从2014年的近5万个到超过44万个，需求增长非常迅速。这份报告同时还指出，高校和研究所的人才不断地流向企业，这对于高校的学科发展是一个沉重的打击。

（三）学科“新鲜感”的边际递减效应。国内在20世纪推出MBA教育时确实给人耳目一新的感觉。但随着时间的推移，受教育的人数越来越多，知识的传播也越来越快，人们的新鲜感在下降。另一方面，技术在不断进步，人们获得知识的渠道越来越多，除了传统的课堂和书本，论坛、社交网络也可用来获得知识。在遇到不熟悉的知识和问题时，人们只需要在搜索引擎中输入问题，通常会很快得到答案。endprint

在这种情况下，管理学中的各种理论能带来的“新鲜感”只能是越来越少。但从“能经受时间的考验”这个角度来看，管理学中的许多分支都有不少经典，这是书店中的“畅销书”所不能比的。有些交叉科学的方法，如运筹学、现代优化算法等虽然不能为大众所理解，但它们仍在管理实践中起到了重要作用。从统计的角度来看，运用这些理论和方法不能保证企业成功，但运用它的企业会有较高的成功率。管理统计本身也是管理学中的重要内容之一。

（四）互联网大佬成功的偶然性。不可否认，大数据和人工智能时代的企业寿命更短。对北美25，000家上市公司从1950年到2009年的研究表明，大约有一半的企业寿命不超过10年。而根据华尔街日报在2012年9月20日的一份报道，在由风险投资支持的初创企业中，大约有3/4失败。国内的小中企业的寿命更短，有研究认为寿命在2～4年。这些数据似乎更印证了国内某些互联网企业成功的必然性。但是，仔细思考就会发现，某些互联网企业的成功有其偶然性。

首先，无论企业的寿命是如何短，只要有企业成功，总会有一个企业在竞争中表现突出，但它突出的理由很可能不是它自己所宣称的那样。这和战争有类似之处。在一场残酷的战斗中，某战士幸存的原因很可能只是他的运气特别好，而不是因为他的身体好或其他原因。

其次，在机遇特别好的时候，迅速占领市场有利地位往往比规范化的管理更有效，但这不代表管理理论无用。互联网的发展给企业提供了很多的机会，而抓住机会者往往会获得成功，后来者则面临进入壁垒。在新浪微博获得成功后，腾讯微博等同类的社交软件很难发展。在苹果的封闭系统手机获得成功后，微软想建立一个封闭的系统以失败告终，而安卓是以开放获得了成功。

再次，国内互联网企业的成功依赖于国家的扶持。国内许多互联网企业的成功是依靠国家的扶持才成功的。如果国家放开竞争，允许谷歌、Facebook等企业进入国内市场，腾讯、百度等企业将会面临巨大的竞争压力，很可能就夭折于创业初期。一些电商平台如果没有国家的税收优惠、执法部门对他们在创业初期平台上假货的宽容、天然的贸易壁垒等保护也可能夭折。

最后，互联网企业的行为还需要规范，而有些未经规范的行为增添了它们“成功”的可能性。互联网发展很快，在很多领域留下了监管的真空，很多政策还需要斟酌。笔者认为以下几条原则值得决策者关注：一是企业的发展要为国家的发展贡献力量；二是企业的发展不能损害社会公众的利益；三是企业的发展不能为经济系统带来风险。当前，有些企业为一些药品和医院做广告，损害了社会公众的利益。一些企业靠游戏巨量吸金，损害了青少年的健康，损害了国家的长期利益。还有一些企业以“理财”为名吸纳资金超过万亿，弱化了企业自身的创新性，由于带动效应也削弱了国家的创新性，还加大了金融系统的风险。

主要参考文献：

[1]蒂姆·卡尔金斯.商学院如何与千禧一代产生共鸣？[N].金融时报（网络版），2017.8.28.

[2]Mauro，Andrea De，Marco Greco and Michele Grimaldi.A Formal Definition of Big Data Based on Its Essential Features[J].Library Review，2016.65.3.

[3]Marr，Bernard.Big Data in Practice：How 45 Successful Companies Used Big Data Analytics to Deliver Extraordinary Results[M].John Wiley & Sons，2016.

[4]艾丽西亚·克莱格.你见过“电脑面试官”吗？[N].金融时报（网络版），2017.8.23.

[5]Hvistendahl，Mara.Crime Forecasters[J].Science，2016.353.

[6]Wade，Lizzie. Predicting Where Victims of Mexico's Violence Are Buried[J].Science，2017.356.

[7]Jeelani，M. Chicago uses new technology to solve this very old urban problem [N].2015. Available from：http：//fortune.com/2015/04/29.

[8]Jean，Neal，Marshall Burke，Michael Xie，W. Matthew Davis；David B.Lobell and Stefano Ermon.Combining Satellite Imagery and Machine Learning to Predict Poverty [J].Science，2016.

[9]韩骅.柏林大学的传统及其对我国高教改革的启示[J].高等教育研究，1997.1.

[10]泰勒.科学管理原理[M].北京：机械工业出版社，2007.

[11]Bonnefon，Jean-Franois，Azim Shariff and Iyad Rahwan.The Social Dilemma of Autonomous Vehicles[J].Science，2016.352.

[12]Raccuglia，Paul，Katherine C.Elbert，Philip D.F.Adler，Casey Falk，Malia B.Wenny，Aurelio Mollo，Matthias Zeller，Sorelle A.Friedler，Joshua Schrier and Alexander J.Norquist.Machine-Learning-Assisted Materials Discovery Using Failed Experiments[J].Nature，2016.533.

[13]Hezaveh，Yashar D.Laurence Perreault Levasseur and Philip J.Marshall.Fast Automated Analysis of Strong Gravitational Lenses with Convolutional Neural Networks[J].Nature，2017.548.

[14]Carleo，Giuseppe and Matthias Troyer.Solving the Quantum Many-Body Problem with Artificial Neural Networks[J].Science，2017.355.

[15]領英.全球AI领域人才报告[R].2017.

[16]Daepp，Madeleine I.G.，Marcus J.Hamilton，Geoffrey B.West and Luís M.A.Bettencourt.The Mortality of Companies[J].Journal of The Royal Society Interface，2015.12.

[17]肖华.民营企业平均寿命仅有2.9年的现状堪忧[N].西安日报，2011.11.29.

[18]李成辉，刘建平.深圳市小型工业企业平均寿命为3.86年[J].中国统计，2011.3.endprint