公共部门AI采纳：制度压力如何影响管理者决策

前言

随着全球数字政府建设步入深水区，人工智能（AI）正从概念走向实操，成为重塑公共服务流程、提升治理效能的关键动力。从税收欺诈检测到社保评估，从交通调度到疫情预警，AI的应用场景不断扩展，为解决行政效率低和服务质量差的问题提供了新方案。

然而，现实情况却大相径庭：面对相似的政策导向，有的地方政府积极拥抱创新，实现了治理能力的飞跃；有的则按兵不动，陷入“政策热、实践冷”的尴尬境地。这种创新采纳的差异性，成为了数字转型中亟待解决的难题。

基于制度理论分析，强制要求、行业规范和同行示范等外部压力是推动公共部门创新的重要力量，但这些力量如何转化为管理者的实际采纳决策？为何在相同压力下，不同地区和部门的采纳行为会有显著差异？这背后是否存在连接外部压力与内部决策的关键要素？

《Public Administration》近期的一项研究给出了答案：管理者对AI的感知收益正是连接外部制度压力与内部采纳决策的桥梁。它通过动态调节压力强度，实现了“外部环境-个体认知-组织决策”的完整传导，成为决定AI能否成功落地的关键变量。本文将结合比利时地方政府道路维护AI工具采纳的实证案例，深度拆解这一传导机制，为理解公共部门数字转型的内在逻辑提供全新视角，也为政策制定者推动AI创新落地提供可操作的实践路径。

摘要

本研究以制度理论为基础，聚焦比利时地方政府道路维护AI工具的采纳。通过针对497名管理者的随机调查实验，发现三种制度压力均正向影响采纳意愿，其中模仿压力最强。管理者的感知收益不仅作为决策基础，还显著调节了压力的传导：随着感知收益提高，强制和规范压力的促进作用减弱，模仿压力也呈现类似趋势。

摘要

本研究以制度理论为框架，探讨比利时地方政府采纳道路维护AI工具的行为。研究发现，强制、规范和模仿三种压力均能提升采纳意愿，其中模仿压力作用最大。管理者的感知收益起到了关键的调节作用：感知收益越高，强制和规范压力的驱动效果越弱，模仿压力也趋于减弱。本研究厘清了个体认知因素在技术创新中的关键作用，丰富了制度理论在数字转型情境下的体系，同时为地方政府推动AI技术的有效采纳提供了实践启示。

01 核心问题：破解公共部门AI创新的压力传导之谜

在数字治理变革中，AI技术备受期待。尽管各国出台了相关政策，但理论与实践之间存在断层。外部压力并不总能转化为内部行动，且在相同压力下，决策选择也存在差异。这意味着，在“制度压力”与“AI采纳意愿”之间，必然存在未知的传导机制。公共管理者作为决策主体，其认知判断至关重要。本研究聚焦于：管理者的感知收益如何调节并传导三种制度压力的影响？这一调节变量的传导机制在不同类型的制度压力下是否存在差异？通过解答这些问题，本研究试图破解公共部门AI创新的“压力传导之谜”，为弥合理论与实践的鸿沟提供新的分析路径，也为推动AI技术在公共领域的深度落地提供科学依据。

02 概念界定：构建“压力-认知-决策”分析框架

为清晰揭示调节变量的传导机制，本研究基于制度理论与技术采纳相关理论，明确了核心变量的内涵与测量方式，构建了“压力-认知-决策”分析框架：

自变量（X）：制度压力

依据DiMaggio和Powell的制度理论，将制度压力划分为三类核心类型，且均结合比利时地方政府的实践场景进行操作化定义，保证变量测量的针对性与真实性：

1.强制压力：来自上级政府的正式要求与资源激励，具有强制性与绑定性特征。在本研究中具体表现为区域政府为AI道路维护工具提供的专项拨款，地方政府若想获得该笔资金支持，需承诺将AI技术应用于道路养护工作，通过资金绑定形成顶层驱动；

2.规范压力：源于行业协会、专业群体的专业标准与职业网络导向，体现为行业层面的价值共识与行为指引。具体表现为比利时区域市政协会对AI道路维护工具的专业推荐，协会通过发布技术白皮书、组织专题研讨会等形式，向各市镇推广AI工具的应用价值，形成规范导向；

3.模仿压力：基于同类组织的成功实践产生的示范效应与合法性诉求，是组织在不确定环境下降低创新风险的重要驱动因素。具体表现为与受访市镇规模相近的其他市政当局成功采纳AI道路维护工具的案例，这些案例通过行业交流、政府报告等渠道传播，形成同行标杆的模仿诱因。

因变量（Y）：公共部门AI采纳意愿

指公共管理者将AI技术整合到公共服务决策过程中的主观倾向与可能性，本研究中具体界定为对比利时地方政府道路维护AI工具的采纳意愿。采用0-10分量表进行测量，其中0代表“极不可能采纳”，10代表“极可能采纳”，样本整体均值为5.97，呈现中等偏上的采纳倾向，表明公共管理者对AI创新存在一定兴趣，但仍有较大提升空间。

调节变量（M）：公共管理者对AI的感知收益

作为连接外部制度压力与内部采纳决策的关键调节要素，指公共管理者对AI技术在提升工作效能、优化服务质量、降低行政成本等方面的价值认知与主观判断。本研究采用Madan和Ashok（2024）开发的“AI感知收益量表”进行测量，该量表经过实证检验具有良好的信效度，具体涵盖六个核心维度：

• 提升决策质量（如更精准的道路养护需求判断）；

• 提高运营效率（如缩短养护方案制定时间）；

• 加快申请处理速度（如简化养护资金申请流程）；

• 减少文书错误（如避免重复数据集、录入误差等）；

• 增强公民参与（如通过数据公开提升公民对道路养护工作的理解）；

• 改善服务交付与公民满意度（如提升道路状况、减少出行不便）。

该量表的Cronbach's alpha系数为0.902，表明具有优秀的内部一致性信度，能够可靠测量公共管理者对AI的感知收益水平。

调节效应

本研究中的调节变量同时承担调节作用，即公共管理者对AI的感知收益水平不同，制度压力对AI采纳意愿的影响强度也会存在显著差异。这种调节属性，使其成为解读压力传导异质性的核心关键——它通过自身水平的变化，动态调整压力传导的效果，解释了为何相同压力在不同管理者身上会产生不同效果。

03 方法与案例：基于比利时道路维护的实证设计

实证案例选择：为何聚焦比利时地方政府道路维护？

本研究选择比利时地方政府的道路维护服务作为唯一实证案例，主要基于以下三重考量，确保案例的典型性与研究的可行性：

1.服务重要性高：道路维护是比利时地方政府的核心公共服务之一，直接关系到公民的日常出行安全与生活质量，同时也是地方政府财政支出的重要组成部分。地方政府在该领域的创新决策具有广泛的社会影响，其研究结论具有较强的代表性；

2.现实痛点突出：比利时拥有欧盟最密集的道路网络，每平方公里道路长度居欧盟前列，但民众对道路状况的满意度仅为26%，且在过去十年中呈现显著下降趋势。传统道路维护模式依赖人工巡查与经验判断，存在效率低、精准度不足、资源浪费等严峻挑战，亟需通过技术创新寻求突破；

3. AI应用适配性强：道路维护工作积累了大量的结构化与非结构化数据，包括历史维护记录、交通流量数据、道路病害监测数据、气象数据等，这些数据为AI模型的训练提供了充足的基础。AI工具可通过对这些数据的深度分析，实现养护需求的精准识别、养护方案的优化设计与养护资源的合理配置，具备明确的应用价值与实践可行性。已有研究表明，AI-based推荐系统在道路维护领域能够有效提升决策准确性与及时性。

研究设计：随机化组间调查实验

为精准检验制度压力与调节变量的传导关系，有效控制内生性问题，本研究采用随机化组间调查实验的研究设计，具体流程如下：

1.样本选取：研究样本覆盖比利时全部581个市镇的公共管理者，通过官方公开的在线数据库获取管理者的姓名、邮箱等联系方式，共发放问卷8401份。为提高响应率，研究团队分三次向未回复的管理者发送提醒邮件，最终回收有效问卷835份，响应率为9.94%。为保证数据质量，通过注意力操纵检查（要求参与者回忆实验情境中的关键信息）剔除未认真阅读实验情境的338名受访者，最终有效样本量为497人，满足统计检验的样本量要求（每组最低105人，α=0.05，power=0.95）。

2.实验分组：采用完全随机分配的方式，将497名受访者分为四组：强制压力组（106人）、规范压力组（115人）、模仿压力组（143人）与控制组（133人）。其中，控制组不接受任何制度压力干预，仅提供AI与道路维护的基础信息（如AI技术的基本定义、道路维护的现状痛点）；三个实验组分别接受对应类型的制度压力干预，干预信息通过实验情境描述的方式自然呈现，确保参与者能够真实感知压力。

3.变量测量流程：

◦ 首先，向所有受访者提供统一的AI与算法决策系统（ADMS）定义，确保所有参与者对核心概念的理解一致，避免因概念认知差异导致的偏差；

◦ 其次，通过“AI感知收益量表”测量调节变量（公共管理者对AI的感知收益），量表题项采用0-10分量表评分，受访者需根据自身认知对每个题项进行打分；

◦ 随后，插入无关的“冲洗问题”（测量公共管理者在市镇内负责的专业领域，如教育、卫生、交通等），以避免前测（感知收益测量）对实验处理（制度压力干预）的干扰，降低顺序效应；

◦ 接着，向各实验组呈现对应的制度压力情境，控制组呈现中性情境，情境描述采用简洁明了的语言，确保参与者能够快速理解；

◦ 最后，测量因变量（AI采纳意愿），通过单一题项“您认为您所在的市镇采纳AI道路维护工具的可能性有多大？”进行测量，同时收集受访者的人口统计学特征（性别、年龄、教育水平）与工作相关信息（任职年限、职责范围、AI经验）。

4.数据分析方法：采用独立样本t检验对比实验组与控制组的采纳意愿差异，检验制度压力的主效应；通过普通最小二乘法（OLS）回归分析，引入调节变量与制度压力的交互项，检验调节效应；同时通过平衡检验（验证各组在人口统计学特征、工作特征上的一致性）、稳健性检验（更换回归模型、剔除极端值）等方式，确保研究结论的可靠性与稳定性。

样本特征：公共管理者画像

最终有效样本的基本特征如下，这些特征与公共部门管理者的普遍画像高度契合，确保了研究结论的外部有效性：

• 性别分布相对均衡：女性占比50.30%，男性占比48.09%，其他或未说明占比1.61%，反映了比利时公共部门性别多元化的特点；

• 年龄结构成熟：平均年龄为47.24岁，标准差为9.32岁，年龄范围在22-68岁之间，以中年管理者为主，这一群体通常具备丰富的管理经验与决策话语权；

• 教育水平较高：92.96%的受访者拥有大学学历，其中硕士及以上学历占比达67.3%，具备良好的认知能力与学习能力，能够理解AI技术的基本原理与应用价值；

• 任职经验丰富：约75%的受访者在当前市镇工作超过6年，其中工作11年以上的占比达48.6%，熟悉地方政府的工作流程、服务需求与制度环境；

• 职责覆盖广泛：83.30%的受访者负责项目或方案管理，67.20%承担员工监督职责，具备一定的决策话语权，能够影响AI创新的采纳与推进过程；

•AI经验匮乏：AI相关经验的均值仅为2.59（0-10量表），其中43.7%的受访者AI经验得分为0，超过半数受访者缺乏实际的AI使用经验，这与全球公共部门管理者的普遍现状一致。

04 主要发现：调节变量的异质性表现

研究通过实证分析，清晰揭示了公共管理者对AI的感知收益在三种制度压力传导中的调节作用，且这种作用在不同压力类型下呈现出鲜明的异质性特征，所有传导过程均与比利时道路维护的实践场景深度绑定，具有较强的现实解释力。

1.对强制压力的调节：内部认知替代外部强制

强制压力在本研究中表现为区域政府提供的AI道路维护工具专项拨款，这种“资金激励+政策导向”的组合式压力，本质上是一种顶层驱动的强制要求，旨在通过资源绑定推动地方政府采纳AI创新。研究发现，强制压力对AI采纳意愿的主效应显著（Cohen's d=0.28，p=0.030），即单纯的专项拨款能够正向推动公共管理者的采纳意愿，验证了强制压力作为外部驱动因素的有效性。

但调节变量的调节作用更为关键：当公共管理者对AI的感知收益较低时，专项拨款的强制压力对采纳意愿的正向影响更为显著；而当管理者充分感知到AI技术在道路维护中的实际价值——如能够精准识别道路病害、优化养护时间安排、减少人力成本与养护误差等——专项拨款的强制压力作用会明显减弱，回归系数为-0.249（p<0.05），达到统计显著性水平。

调节传导逻辑：在低感知收益情境下，公共管理者对AI技术的价值认知不足，难以自主产生采纳动机，此时外部的资金激励与政策要求成为推动采纳的核心动力，调节变量仅承担基础的传导作用，将“获得拨款”这一外部目标转化为采纳意愿；而在高感知收益情境下，管理者对AI的正面认知替代了部分强制压力的驱动作用，采纳决策的逻辑从“为了获取拨款而采纳”转变为“认可技术价值而采纳”，内部认知成为主导因素。这一过程既传导了外部强制压力的政策导向，又通过认知升级弱化了其强制属性，实现了从“被动合规”到“主动创新”的转变，解释了为何部分地方政府在获得资金支持后仍缺乏创新动力——核心在于未建立对AI价值的充分认知。

2.对规范压力的调节：认知主导弱化规范效力

规范压力在本研究中体现为区域市政协会对AI道路维护工具的专业推荐，代表了行业层面的规范导向与专业共识，旨在通过专业权威影响地方政府的决策。与强制压力不同，规范压力对AI采纳意愿的主效应仅边际显著（Cohen's d=0.22，p=0.088），表明行业规范在当前阶段对公共管理者的驱动作用有限，尚未形成足够强大的约束力与引导力。

而调节变量的调节作用进一步放大了这一特征：当公共管理者对AI的感知收益越高，规范压力的正向影响就越弱，回归系数为-0.399（p<0.001），统计显著性极强。这意味着，在高感知收益情境下，行业协会的专业推荐几乎失去了额外的驱动作用，公共管理者的决策完全以自身对AI价值的认知为核心；而在低感知收益情境下，规范压力才能发挥一定的补充驱动作用，通过专业权威降低管理者对AI技术的不确定性。

调节传导逻辑：这一结果背后反映了比利时公共部门AI应用的现实情境——关于AI技术的行业规范与专业标准尚未完全制度化，尚未形成广泛认可的行为准则与价值共识，规范压力缺乏足够的制度支撑与执行保障。因此，当外部规范无法提供明确的行动指引与合法性背书时，公共管理者的个体感知收益就成为更核心的决策依据。调节变量在此过程中直接主导了规范压力的传导效果：当管理者认可AI对道路维护的实际价值时，行业推荐的外部导向作用被内部认知完全替代；而当感知收益较低时，管理者才会依赖行业协会的专业判断，规范压力才能发挥有限作用。这也解释了为何规范压力的主效应仅边际显著——其作用的发挥高度依赖于调节变量的水平，缺乏独立的驱动力量。

3.对模仿压力的调节：价值认可降低模仿依赖

模仿压力在本研究中表现为同类规模市政当局成功采纳AI道路维护工具的案例，是三种制度压力中作用最强的类型（Cohen's d=0.40，p<0.001）。这一结果符合制度理论的预期：在技术不确定性较高的情境下，组织倾向于模仿同类组织的成功实践，以降低创新风险、获取合法性认可，这种“从众效应”在公共部门创新中尤为明显。

调节变量的调节作用同样显著：当公共管理者对AI的感知收益较低时，同行成功案例的模仿压力对采纳意愿的正向影响极为显著；而当感知收益升高时，该压力的作用呈现明显的减弱趋势，回归系数为-0.182（p<0.1），虽未达到0.05的严格显著性水平，但仍清晰体现出调节变量的调节传导特征。

调节传导逻辑：在AI技术应用初期，公共管理者因缺乏实际经验，对技术价值的判断存在不确定性，面临“该不该采纳”“能不能成功”等疑问，此时同类组织的成功实践就成为重要的参考依据——“同行已经成功了，我们采纳的风险会更低”，模仿压力通过降低不确定性、增强合法性来推动采纳意愿。而当管理者通过自身认知明确了AI对道路维护的价值（如提升养护效率、优化资源配置、改善公民满意度等），其决策依据就从“参考同行做法”转变为“认可技术本质价值”，对同行标杆的依赖度显著降低，模仿压力的外部参考作用被内部认知替代。这一过程体现了公共部门创新从“从众型创新”向“价值型创新”的演进，而调节变量正是这一演进过程的核心推动因素，解释了为何部分领先型地方政府能够摆脱对同行的依赖，自主推进AI创新。

为何是“感知收益”？

本研究中的调节变量（公共管理者对AI的感知收益）并非泛化的认知概念，而是与比利时地方政府的实践场景高度绑定，具有鲜明的情境化特征，这也是其能够有效传导制度压力的关键原因：

1.经验依赖性：研究样本中比利时公共管理者的AI实际经验均值仅为2.59，低经验背景导致其难以通过实际操作体验形成对AI的全面认知，因此“感知收益”成为解读外部制度压力的核心认知框架。在缺乏实际经验的情况下，管理者无法准确判断AI技术的实际效果，只能基于自身对技术价值的主观感知来回应外部压力，这使得感知收益的调节作用尤为突出；

2.场景特异性：本研究中的感知收益并非泛化的AI技术收益，而是聚焦于道路维护服务的具体需求——如决策优化、效率提升、减少文书误差等，均与道路维护的日常工作高度相关。例如，“减少文书误差”直接针对道路养护记录中的数据重复、录入错误等实际问题，“改善服务交付”则回应了民众对道路状况的不满。这种场景特异性保证了调节变量与研究案例的贴合性，使其能够准确传导制度压力对特定服务领域AI采纳的影响，而非笼统的技术态度；

3.调节重功能性：该变量将“获得拨款”“行业推荐”“同行模仿”等外部信号转化为内部决策的考量因素，又通过自身水平的变化动态调整压力传导的强度。这种双重功能性使其能够同时解释“压力如何传导”与“传导效果为何不同”两个核心问题，成为连接外部环境与内部决策的关键枢纽，弥补了传统调节变量仅能解释单一传导路径的局限。

05 研究贡献

理论贡献：丰富制度理论与公共部门创新研究

1.突破二元框架：传统制度理论多聚焦于“外部压力-组织行为”的二元分析框架，忽视了个体认知因素的调节作用，难以解释压力传导的内在机制。本研究通过引入公共管理者对AI的感知收益这一调节变量，构建了“制度压力-个体认知-采纳意愿”的三元框架，揭示了压力传导的微观逻辑，弥补了传统理论的不足，为制度理论在数字转型情境下的应用提供了新的分析视角；

2.深化调节效应研究：本研究证实了调节效应，即制度压力的效果依赖于个体认知水平，这为解释制度压力作用的异质性提供了新的视角。以往研究多关注制度压力的直接影响，假设压力对所有组织或个体的作用是一致的，而本研究表明，相同的压力在不同认知水平的管理者身上会产生不同的效果，高认知水平能够弱化外部压力的作用，低认知水平则强化外部压力的作用，这一发现丰富了制度理论的解释力；

3.连接宏观与微观：本研究将宏观层面的制度压力（如政府政策、行业规范、同行实践）与微观层面的个体认知（管理者对AI的感知收益）、决策意愿（AI采纳意愿）有机连接，架起了宏观理论与微观实践之间的桥梁。制度压力作为宏观环境因素，无法直接作用于组织决策，必须通过个体认知的调节才能转化为具体的行动意愿，这一发现为理解公共部门创新的多层次逻辑提供了重要启示，也为后续研究打通宏观与微观分析层面提供了范例。

实践贡献：为公共部门AI创新提供实操指引

1.优化政策设计逻辑：政策制定者应认识到，单纯施加制度压力（如强制要求、规范引导、推广标杆案例）并非推动AI采纳的最优路径，甚至可能导致“形式化创新”“被动创新”等问题。更有效的策略是同时关注公共管理者的认知提升，通过针对性培训、案例演示、试点体验等方式，让管理者直观感受AI技术的实际价值，提升其感知收益。例如，组织管理者参观AI道路维护试点市镇，实地了解AI技术如何解决养护痛点，比单纯下发政策文件更能激发创新意愿；

2.差异化推动策略：针对不同类型的制度压力，应采取差异化的推动策略，结合调节变量的传导特征优化政策工具组合：

◦ 对于强制压力：可适当减少单纯的资金激励，转而增加AI技术的价值展示，将资金支持与技术培训、试点指导相结合，让管理者从“为钱采纳”转变为“为价值采纳”，提升创新的可持续性；

◦ 对于规范压力：应加快AI应用行业规范的制度化建设，将行业推荐转化为明确的技术标准、操作指南与考核指标，同时提升管理者的认知水平，形成“规范+认知”的双重驱动，增强规范压力的约束力；

◦ 对于模仿压力：可在推广标杆案例的同时，重点解读案例中AI技术的价值实现路径、实施流程与成效数据，帮助管理者建立对技术价值的认知，而非单纯强调“同行已采纳”，避免盲目模仿；

3.聚焦场景化认知提升：认知提升应聚焦具体服务场景，而非泛化的技术宣传。如在道路维护领域，应重点向管理者展示AI如何解决养护决策精准度不足、资源配置不合理、公民满意度低等实际痛点，通过数据对比（如AI应用前后的养护成本、道路状况评分）让感知收益与工作需求直接挂钩，提升认知提升的效果。同时，可开发针对特定场景的AI工具演示版本，让管理者亲身体验操作流程与应用效果，增强认知的直观性。

06 局限与展望

尽管本研究通过严谨的实验设计与深入的实证分析得出了有价值的结论，但仍存在一些局限，为未来研究提供了明确的拓展方向：

1.研究场景的局限性：本研究仅以比利时地方政府的道路维护服务为实证场景，样本集中于单一国家的特定公共服务领域，结论的普适性有待进一步验证。未来研究可拓展至更多公共服务场景（如社会保障、环境治理、教育服务、公共卫生等），跨国家、跨地区开展实证研究，检验调节变量传导机制的情境适应性，尤其是在不同制度环境、技术基础的国家之间进行对比；

2.变量测量的局限性：本研究聚焦于AI采纳意愿而非实际采纳行为，尽管采纳意愿是实际采纳行为的重要预测因素，但两者之间仍可能存在差距，部分管理者可能因组织资源不足、执行阻力大等因素无法将意愿转化为行动。未来研究可通过纵向追踪研究，长期跟踪公共管理者的采纳行为，关注从采纳意愿到实际采纳行为、再到创新效果的完整传导链条，进一步检验调节变量的长期影响；

3.变量维度的局限性：本研究仅关注了公共管理者对AI的感知收益这一调节变量，未考虑其他可能的调节因素。组织层面的数字成熟度、组织文化、资源可得性等，个体层面的风险偏好、技术焦虑、学习能力等，都可能影响制度压力与AI采纳意愿的关系。未来研究可纳入更多变量，构建更复杂的理论模型，探究多变量交互作用下的压力传导机制；

4.压力类型的局限性：本研究基于传统制度理论，聚焦于强制、规范、模仿三种经典的制度压力类型，未考虑数字时代新出现的制度压力形式。如公民数字需求带来的压力（公民通过线上渠道要求政府提供AI赋能的便捷服务）、媒体曝光带来的压力（媒体对落后公共服务的批评促使政府寻求AI创新）、技术供应商推动带来的压力等。未来研究可拓展制度压力的类型，探究新压力形式与调节变量的互动关系，丰富制度压力的内涵与外延。

结语

在数字转型的浪潮中，公共部门AI创新已成为提升治理效能、回应公民需求的关键路径。然而，外部制度压力并非推动创新的万能钥匙，“压力传导鸿沟”的存在使得许多创新政策难以落地生根。本研究通过比利时地方政府道路维护的实证案例，清晰揭示了公共管理者对AI的感知收益作为调节变量，在制度压力传导中的核心作用——它既传递外部压力的影响，又通过自身水平的变化动态调整压力传导的强度，实现了“外部环境-个体认知-组织决策”的完整闭环。

这一发现不仅在理论上丰富了制度理论与公共部门创新研究，打破了“压力-行为”的二元认知，深入挖掘了压力传导的微观机制，更在实践上为公共部门推动AI采纳提供了明确指引：与其单纯施加外部压力，不如聚焦管理者的认知提升，让AI技术的价值被真正感知、被深刻理解。只有当公共管理者从内心认可AI技术对公共服务的实际价值时，技术创新才能真正摆脱形式化、被动化的困境，落地生根并转化为服务公民的实际效能。

未来，随着AI技术在公共领域的应用不断深入，制度环境与个体认知的互动将更加复杂。唯有持续深化对这一互动机制的研究，不断完善理论框架、拓展研究场景、丰富变量维度，才能为公共部门数字转型提供更坚实的理论支撑与更有效的实践策略，推动AI技术真正成为提升公共治理能力的强大引擎，实现公共服务的提质增效与治理体系的现代化转型。

原文链接

https://onlinelibrary.wiley.com/doi/10.1111/padm.70033

引用格式

Rodriguez Müller, A. P., Tangi, L., & Lerusse, A. (2025). Understanding the Adoption of Artificial Intelligence in Local Government Decision-Making: The Influence of Institutional Pressures and Managerial Perceptions. Public Administration, 0(0), 1-17.