［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，却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。
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年加入西部电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。
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。
（作者单位：安徽工业大学管理科学与工程学院）
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］领英.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.
