张友浪 王培杰 | 政策如何塑造大众？

识别并评估政策的政治效应及其对未来决策的影响已成为公共行政和政策过程研究的重要方向。相较于经济学、社会学对政策的经济与社会效应的关注，公共政策领域中的政策反馈理论(Policy Feedback Theory)关注政策的政治效应。自20世纪80、90年代以来，Pierson(1993)和Skocpol(1992)等学者明确提出“政策反馈”概念，即“政策影响政治，进而影响未来决策的过程”。之后，学者们相继提出并发展政策反馈的框架机制(Mettler，2002；Soss，1999；Soss & Schram，2007)，探讨反馈效应的作用对象、作用机制、作用方向、作用结果和影响因素等内容。根据作用对象划分，政策反馈效应主要影响四类主体：政治精英、官僚群体、利益集团和普通民众。其中，大众反馈效应，即公共政策对普通民众认知、态度、偏好和行为的影响，是最为普遍的政治后果(Campbell，2012；Larsen，2019)。因此，探究大众反馈效应已成为近年来国际上政策反馈实证研究的主要方向。

研究大众反馈效应的学者们已经就诸多方面达成相对一致的认识，这包括反馈效应为何发生(政策信号发送和政策资源分配)，如何发生(阐释和资源效应)，主要影响因素(政策能见度和政策邻近度)，对目标群体的影响及其作用方向(正反馈和负反馈)(Campbell，2012；Larsen，2019；Soss & Schram，2007)。尽管如此，现有研究中仍有诸多问题需要进一步探究。例如，政策并非总会产生大众反馈效应(Chattopadhyay，2017；Schneider & Jacoby，2003)，即使形成，其强度和方向也各有差别(Andersson et al.，2018；Fernandez & Jaime­Castillo，2013)。此外，基于不同政策领域的实证研究在关注的政策类型、分析角度、福利状态、关注议题和国家等方面呈现出显著差异。然而，对于这些差异如何影响大众反馈效应的深入讨论仍然较少。

近30年来，国际公共管理和政治学领域的大众反馈实证研究日益丰富，这为运用系统文献综述方法(元分析，Meta­analysis)全面梳理既有研究并回答上述问题提供了契机。本文遵循PRISMA(即系统综述与元分析报告首选项目，The Preferred Reporting Items for Systematic Reviews and Meta­Analyses)原则将国际上发表的110项实证研究的549个效应值纳入分析范围。接着运用聚类－稳健方差估计(Cluster­robust Variance Estimation)系统检验大众反馈效应以及5组调节因素的影响。研究结果表明，分析角度和福利状态是影响大众反馈效应估计的关键因素，但并未支持政策类型、关注议题和国家的影响。论文重点总结目前研究较少的领域：以福利削减为主题和基于中国情境的研究。

当前，在中国学界分析大众反馈效应兼具重要理论意义与实践价值。首先，区别于其他经典的政策过程理论，政策反馈理论基于历史制度主义视角，强调“国家行动”和“时间政治”在政策过程研究中的重要地位。其次，大众反馈研究重视探究塑造个体态度与行为的“政策外因”，呼应了近年兴起的行为公共政策研究范式(郭跃等，2020；Zhang et al.，2023)。再次，大众反馈研究关注“宏观制度—微观政治—政策变迁”的发生逻辑，旨在揭示“政策遗产”对政治系统和政治环境的长期影响。最后，开展大众反馈效应研究可以深化对“以人民为中心”的中国式现代化深刻内涵的理解，凸显出宏观政策与制度安排形塑民众政治生活的重要作用。综上，系统阐述政策反馈理论，推动大众反馈实证研究正当其时。

本文余下部分安排如下：第二部分介绍大众反馈效应形成机制以及5组调节因素的影响。第三部分介绍基于PRISMA原则的文献搜集和数据处理过程。第四部分呈现元回归分析结果。第五部分讨论本研究的主要贡献，以及对未来大众反馈实证研究的建议。

政策反馈是指“政策对政治与行政过程产生的影响”(Campbell，2012；Pierson，1993)。与经典政策过程理论(如政策扩散、多源流理论、倡导联盟框架、间断均衡理论)将政策视为政治过程的结果不同，政策反馈理论强调政策是政治过程的重要输入，对塑造政治环境与政治系统具有重要影响(Larsen，2019)。政策反馈研究最早源于Schattschneider(1935)对关税的研究，他提出“新政策会创造新政治”。此后，Lowi(1972)基于政策类型学划分认为“不同类型的政策会产生不同的政治动员模式”。Heclo(2010)从政策学习视角解释先前政策及其后果对未来决策的影响。Pierson(1993)是最早明确提炼“政策反馈”概念的学者，他将其定义为“政策影响政治进而影响未来决策的过程”。之后，Moynihan 和 Soss(2014)等学者进一步将“政策反馈”的应用范围从政治领域扩展到行政领域。目前，政策反馈研究主要聚焦于四个方面：政策对公众认知、态度和行为的塑造，对社会组织和利益集团形成、发展和消亡的影响，对社会问题认定与政策议程建立的影响，对政府机构及其治理形式的影响。其中，大众反馈效应成为国际上近几十年来实证研究的主要方向(Campbell，2012)。国际期刊上大众反馈研究的发表量正逐年增长。

大众反馈效应是指公共政策对民众认知、态度和行为的塑造效应。Pierson(1993)首先提出政策通过阐释效应(Interpretive Effect)和资源效应(Resource Effect)影响民众。Mettler(2002)在此基础上发展出大众反馈框架：政策设计与执行中的制度安排和资源分配会通过阐释效应和资源效应影响民众的政治态度与政治能力，进而影响其政治参与。具体而言，阐释效应是指政策通过媒介宣传或者符号互动向民众传递政治信号，促使其形成对自身、他人、政府机构以及政策本身的认知与态度。阐释效应主要源于政策设计本身，包括设定的程序或规则，使用的政策语言和叙述方式以及各类符号和象征标志等。资源效应是指政策通过分配政策资源来增强或削弱民众的参与能力。政策资源一方面提供政治激励，提高民众参与政治的意愿和技能；另一方面抵消参与成本，降低民众参政议程的门槛和负担。例如，通过美国《退伍军人权力法案》(G.I.Bill)接受大学教育的越战老兵在社区治理的各方面表现更为活跃(Mettler，2002)。

尽管学界已开展丰富的大众反馈实证研究，但尚有两大问题有待澄清：一是现有研究并非总能发现大众反馈效应的发生(Chattopadhyay，2017；Schneider & Jacoby，2003)，二是支持大众反馈效应的实证研究的效应量方向和大小存在显著差异(Larsen，2019；Mettler & SoRelle，2018)。那么，哪些因素会影响反馈效应的形成、方向与程度？虽然学界普遍认为高政策能见度，即政策成本与收益分配的能见程度和邻近度，即政策直接影响民众的可能性，是形成大众反馈效应的关键(Soss & Schram，2007)，但对于影响这些特征的深层因素，现有研究讨论不足。本研究根据现有研究推断，大众反馈效应的形成、方向和程度并非随机发生，而是受诸多因素系统地影响所致(Campbell，2012；Larsen，2019)，例如政策类型、分析角度、福利状态、关注议题和国家背景等。接下来详细讨论这些因素的影响方式。

1．政策类型与大众反馈效应

根据Lowi(1972)的政策类型学框架，公共政策可划分为管制型、分配型、再分配型和建构型四类。其中，管制型政策涉及政府采取强制手段直接限制个人行为，如控烟政策(Pacheco，2013)和移民管理(Cruz Nichols et al.，2018)；分配型政策直接面向特定群体提供产品和服务，例如公共教育(Bruch & Soss，2018)和就业服务(Gingrich & Ansell，2012)；再分配型政策旨在有计划地将财富、收入、财产和权利在社会各阶层和团体之间进行转移性分配，例如美国的《平价医疗法案》(又称《奥巴马医改法案》，以下简称ACA)和中国的社会保障体系(He et al.，2021；Zhang et al.，2023)；建构型政策致力于塑造政治议程、权力结构以及社会规范，例如创设女性警局和鼓励性别平等(Córdova & Kras，2022；Druckman et al.，2018)。

不同类型政策的反馈效应会存在差异。首先，相比其他政策，管制型政策最直接地展现公共政策的强制性和权威性。而政策的强制干预会诱发民众强烈的情绪和态度变化(Davis，2021)。其次，再分配型政策涉及资源再分配，通常是从有产者流向无产者。这类政策经常引发利益受损群体和受益群体间的争论或冲突，并激发他们的政治参与(Jacobs et al.，2022)。例如，围绕ACA的存废之争长期是美国两党博弈的核心议题之一(Mettler et al.，2023)。最后，相对而言，分配型政策和建构型政策实施后缺乏明确的受益者和受损者。而且，塑造权力结构和制度规范也需要较长时间才能发挥影响。因此，相比管制型政策和再分配型政策，分配型政策和建构型政策的反馈效应可能更弱。

2．分析角度与大众反馈效应

现有实证研究从三个视角探究政策反馈对民众的影响。一是政策参与效应，研究微观层面上直接接触政策的经验如何影响民众的态度和行为(Busemeyer & Goerres，2020)。二是政策投入效应，通过比较不同国家或地区的资源投入程度或结构，来研究政策如何影响民众的态度和行为(Lindh，2015；Maltby，2017)。例如，Guo等(2023)研究表明城市间电子政务的发展差异会影响疫情期间民众对健康码的接受度。三是政策变迁效应，通过运用基于因果推断的准实验或实验设计去识别政策调整或新政策实施对民众的政治影响。例如，Huang(2021)使用双重差分法发现2015年施行的“医闹入刑”政策重塑了医患关系。

虽然上述三种研究角度均能揭示大众反馈效应的存在，但是研究焦点和方法差异可能会导致反馈效应的显著差异。首先，与关注宏观层面政策投入或政策变迁的影响相比，从微观角度考察个体的政策参与经历对其态度和行为的影响更为直接。在反馈效应的链条中，政策投入和政策变迁处于后端环节，影响发生需经过较长机制。其次，与政策投入效应相比，政策变迁效应因更高能见度和更优识别方法而更显著。一方面，民众和媒体更关注直接影响切身利益和社会福利的政策事件。另一方面，基于政策变迁的实证分析常使用倾向值匹配、双重差分法、断点回归法和实验等因果推断技术(Lü，2014；Riekhoff，2021)，有助于解决另两类研究中存在的样本选择偏差、反向因果和遗漏变量等内生性问题，提供更精确的政策反馈效应估计。

3．福利状态与大众反馈效应

福利经济学认为，个体福利包括主观感觉满意和客观状况良好两个方面(Marshall，1967)。政策干预会导致个体福利发生三类变化：福利削减、福利维持(不变)和福利增加。这些变化既关乎个体主观感受，也涉及客观状况。福利削减，在主观上体现为个体认为自身状况恶化，在客观上涉及宏观上政府削减福利支出，终止福利项目，以及微观上失去福利资格，经历司法处罚(Jacobs et al.，2022；Jacobs & Mettler，2018)。相反，福利增加，在主观层面是指个体认为政策实施对自身有益，在客观层面表现为宏观上政府增加援助、救济和社会保障支出，实施新的福利项目或发展社会保障体系等，以及微观上个体获得政策资源支持或者福利待遇资格(Bruch et al.，2010；Im & Meng，2016)。福利维持，常见于庇护政策(Nagayoshi & Hjerm，2015)、禁烟政策(Vannoni，2019)和各类非福利性社会支出领域(Dellmuth & Chalmers，2018)。个体主观上不认为自己受益或受损，客观上也非直接受益者或受损者。

政策引起的福利状态变化是导致大众反馈效应差异的深层原因。首先，从资源机制看，相比于福利维持，引起福利增加或削减的政策更能显著激发民众的态度与行为变化。研究发现，福利增加会促使民众支持相关政策，并通过参与政治活动促使其延续或强化，形成“路径依赖”式正反馈循环(Jacobs et al.，2022)。反之，导致个体福利削减的负面政策经历(例如，失去福利资格、被剥夺福利收益)会引起民众对政策产生负面看法，降低政治参与意愿和参与水平(Zhang et al.，2023)。相较而言，不影响民众福利状况的政策较难产生显著反馈效应。

其次，福利增加与削减引发的反馈效应存在不对称性。虽然期望效用理论认为正面和负面信息对个体行为的影响程度相同但方向相反(Thurstone，1931)，但是心理学研究表明，人们往往更关注事件的消极方面而非积极方面(Jordan，1965；Kahneman & Tversky，1979)。额外一单位的负面刺激对心理的影响超过同等量的正面刺激(Taylor，1991；Hong，2020)。因此，在同等程度刺激下，负面事件的主观影响更强。这种“负向偏误”(Negativity Bias)心理意味着相同程度的福利削减比福利增加会引起更强烈的情绪反应(Rozin & Royzman，2001)。Zhang et al.(2023)的研究支持这一观点，失去最低生活保障资格比获得资格更能引起民众显著的政策偏好和政治参与变化。因此，福利维持、福利增加和福利削减形成的大众反馈效应程度依次递增。

4．关注议题与大众反馈效应

大众反馈实证研究主要围绕三个核心变量：政策态度、政治态度和政治参与。政策态度关乎民众对特定政策的评价，例如对医疗服务的满意程度，对社会保障私有化、延迟退休以及政府福利支出等的支持程度(Barabas，2009；Burlacu et al.，2018)；政治态度是指民众对政治的一般性心理倾向，包括政治效能感、参与意愿、政府信任和政党支持等(Fording & Patton，2019)；政治参与是指民众在政治活动中的具体行为，如选民登记、投票、参与政党、政治捐款和政治联络等(Mettler & Stonecash，2008；Rosenthal，2021)。

关注议题的差异可能是导致反馈效应差异的重要原因。首先，政策反馈对个体政策态度的影响可能更为显著，而对政治参与的影响较弱。因为大众反馈效应包括直接和间接(溢出)效应，后者通过政策态度或政治态度影响政治参与。在其他条件不变的情况下，从政策态度到政治参与的过程中，资源和阐释效应可能逐层减弱，导致对距离较近的政策态度的影响更明显，而对距离较远的政治参与的影响较弱。其次，相对于政策态度，较为稳定的政治态度受反馈效应影响更小。政治心理学研究表明，个体的政治心理成熟后，其意识形态和政治价值观相对稳定，不易受外界环境变化影响(Campbell，2012)。相比之下，政策偏好可能根据经验动态调整。最后，与态度相比，个体的政治行为可能更难改变，因为它受习惯、资源、制度等因素制约，表现出较强的稳定性和惯性(McBroom & Reed, 1992)。因此，在类似条件下，大众反馈效应在政治行为方面表现得更微妙。

5．国家与大众反馈效应

政策反馈研究在理论进展和现实影响下，常被视为过分集中于美国情境(Campbell，2012；Larsen，2019)。这一现象一方面与历史制度主义在美国的兴盛与发展紧密相关。自20世纪70、80年代以来，历史制度主义学者强调重新“将国家带回”政治学和公共管理研究，关注国家行动对政治环境和决策的影响(Evans et al.，1985)。在Pierson、Soss、Mettler、Campbell、Monyhan和Larsen等学者的持续努力下，政策反馈理论逐步发展成熟。另一方面，研究重心偏向美国也与其较为活跃的政治场域密切相关，这包括多样的政策实践(如G.I.Bill和ACA)、多元的政治主体(包括政治精英、利益集团、大众媒体以及普通民众)和广泛的参与形式(包括选举投票、政党活动、政治捐款以及志愿服务和听证会等)。

近年来，围绕非美国情境的政策反馈研究日渐增多，如中国的免除学杂费政策(Lü，2014)、德国的失业救济政策改革(HartzIV)(Fervers，2019)以及挪威的卖淫法案研究(Kotsadam & Jakobsson，2011)等。这些研究突破传统界限，推动政策反馈理论在更广泛领域应用。因此，系统探究不同国家背景下大众反馈效应变得尤为重要。综上，本研究通过整合政策类型、分析角度、福利状态、关注议题以及国家背景等多维度，构建了一个全新的大众反馈分析框架(如图1所示)。

将元分析方法引入公共管理和政策研究具有必要性和重要意义。首先，元分析通过整合众多原始研究结果，能够克服单一研究可能存在的偏差以及识别出影响理论发生的关键因素，为验证理论的有效性和广泛适用性提供坚实证据(Ringquist，2013)。其次，鉴于公共管理和政策研究领域的快速发展和范式转变，系统总结已有成果对于知识积累和明确未来研究方向至关重要。而且，实验和准实验方法的广泛应用增强了元分析的可行性和可靠性。最后，作为一种整合大量证据的研究方法，元分析为近年来兴起的“循证决策”提供了技术支持，可以辅助管理者更好地制定政策。近年来，公共管理学者已开始运用元分析方法进行系统性文献综述，讨论政府透明与公众信任(Wang & Guan，2023)和政府绩效和公民信任(Zhang et al.，2022)等主题。这些研究不仅拓展了元分析在公共管理和政策研究中的应用，也为相关领域理论和实践提供了新知识。

本研究严格遵循PRISMA原则进行元分析数据搜集。Moher等人于2009年提出PRISMA原则，是进行元分析时应优先报告的项目指南，旨在增强结果报告的透明度和完整性(Moher et al.，2009)。目前，该原则已广泛应用于医学、心理学、社会学和政治学等领域(谷歌学术被引118999次)。如图2所示，本文将详细阐述文献检索流程和样本选择标准。首先，在Web of Science使用“大众(Public)”和“政策反馈(Policy Feedback)”关键词进行主题检索，截至2023年1月1日，共发现2637篇文献，筛选后排除了1967篇非公共管理与政治学文献、66篇非学术性文献，以及463篇非政策反馈研究。本研究关注个体层面的大众反馈效应，因此排除区域层面研究。另外，文献需要提供足够的统计信息，如样本量、t值、z值、p值、卡方、偏回归系数等。最终选取66篇合格文献。为确保全面搜集文献，本研究采取了两种补充搜索策略：一是使用三组关键词组合在Web of Science进行替换检索：“政治态度(Political Attitude)”与“政策反馈(Policy Feedback)”“政治参与(Political Participation)”与“政策反馈(Policy Feedback)”以及“政策反馈效应(Policy Feedback Effect)”。遵循前述标准筛选出20篇相关文献。二是进行追踪检索(Ancestry Research)，通过谷歌学术追踪合格文献的引用和被引文献，以及检查重要学者的相关文献。同样按照筛选标准检查后新增24篇文献。综合这两种策略，最终共有110篇符合条件的文献进入元分析范围。

1．效应量

基于样本文献编码的效应量是进行元回归分析的基础。本研究根据文献报告的统计信息估计大众反馈效应量(即R­effect Sizes)。具体而言，如果文献未报告皮尔逊相关系数，本研究参考Ringquist(2013)和Card(2015)的方法计算效应量。(1)若文献报告偏回归系数和标准误，则使用T统计量计算效应量；(2)若文献仅报告参数估计值和显著性水平，但未报告标准误，则使用与显著性相对应的T统计量计算效应量，但需注意，这是对真实效应量的下限估计；(3)若文献仅报告参数估计值，且既没有统计显著性信息也缺失标准误，则效应量被编码为0。这同样是一种下限估计，实际的效应量可能更高；(4)若Z统计量可用，则使用Z值计算效应量；(5)若文献报告优势比(OR)或风险比(IRR)，则先计算Cohen's d值，再据此计算效应量。

经过数据编码过程，本研究共搜集到110项研究的549个效应量。效应量的范围为－0.502～0.662。其中，362个为显著正效应，32个为不显著效应，155个为显著负效应。这显示出不同研究背景下大众反馈效应的显著差异。考虑到样本仅限于国际学术期刊文献，本研究使用漏斗图检验潜在的发表偏差。如图3所示，漏斗图的不对称性，即正效应多于负效应，表明潜在的发表偏倚。漏斗图底部边界附近的效应量可能与下限估计相关。另外，漏斗图还显示大量效应值的标准误极小，这可能与大样本调查数据相关。除估计总效应量外，本研究还提取了5组变量，包括政策类型、分析角度、福利状态、关注议题和国家，以探究这些调节变量对大众反馈效应量的潜在影响。下面介绍每组变量的编码方式。

2．调节变量

政策类型。本研究参照Lowi(1972)对公共政策类型的划分，将所有研究关注的政策编码为管制型政策、再分配型政策以及分配型政策和建构型政策三类。基于再分配型政策的效应量占比约50%，表明再分配政策是一个易于产生反馈效应并受到广泛关注的政策领域。为探究不同政策类型对反馈效应的差异影响，本文构建了两个虚拟变量：管制型政策和再分配型政策。分配型政策和建构型政策则作为对照组。

分析角度。本研究编码了110项实证研究识别大众反馈效应的分析角度，包括政策参与效应、政策投入效应和政策变迁效应。目前仅有11%的研究聚焦于政策变迁，可见政策变迁现象尚未受到学界的足够重视。考虑到政策参与和政策变迁有更高的能见度和邻近度，本研究将政策投入作为对照组，分别为政策参与和政策变迁构建两个虚拟变量。

福利状态。本研究编码了个体的福利状态变化情况，包括福利削减、福利维持和福利增加。结果显示，仅有少量研究(约14%)关注福利削减所引起的反馈效应。鉴于不同福利状态可能导致的反馈效应差异，尤其是福利削减与福利增加之间的不对称影响，本研究以福利维持为对照组，构建两个虚拟变量：福利削减和福利增加。

关注议题。本研究细分了全部文献的关注议题，包括政策态度、政治态度和政治参与。如表1所示，43%的效应量关注政策态度，26%的效应量关注政治态度，31%的效应量关注政治参与。为了对比直接机制与间接机制、态度与行为之间的反馈效应差异，本文将关注政治态度的研究作为对照组，构建政策态度和政治参与两个虚拟变量。

国家。本研究根据政策背景是否发生于美国进行编码，有289个效应量来自美国，有260个效应量来自非美国，包括中国、巴西、德国以及其他非洲和欧洲国家。为检验大众反馈效应研究是否过多集中于美国情境，本文将在非美国背景下发现的大众反馈效应量编码为1，否则为0。全部变量的描述性统计可见表1。

本研究将使用9个调节变量作为自变量进行元回归分析以解释大众反馈效应量的变异性。在分析之前，本文先对110项研究的统计结果进行异质性检验，使用Q检验和I2检验(Higgins & Thompson，2002)，发现不同研究的效应量之间存在显著异质性(Q＝50018.93；p<0.001；I2＝98.9%)。因此，下一步采用随机效应模型进行元回归分析。随机效应模型不仅可以处理效应量间的异质性，还能将估计结果推广到其他研究，从而增强研究的外部效度(Ringquist，2013)。此外，为了增强分析的稳健性，本研究还采取聚类－稳健方差估计(CRVE)，减少收敛问题的影响，并有效处理观测值间非独立性(White, 1980；Zorn, 2006)。同时，本研究还检验了9个调节变量的多重共线性。仅福利增加与再分配型政策、政策态度与政治参与之间的相关性略高(r>0.5)，但是方差膨胀因子(VIF)的范围在1.11～1.76之间，平均VIF为1.58，这表明多重共线性并不构成严重问题。

总体平均效应值(MES＝0.016，p<0.001)表明，大众反馈效应得到了实证支持。为进一步分析不同调节因素的影响，表2展示了采用聚类－稳健方差估计的随机效应元回归模型的分析结果。模型(1)至模型(4)依次引入政策类型、分析角度、福利状态、关注议题和国家等不同变量组。结果表明，分析角度和福利状态对大众反馈效应具有重要影响，而政策类型、关注议题和国家的影响并未得到支持。在政策类型方面，相比于分配型和建构型政策，管制型政策(Coef.＝0.018，p＝0.510)和再分配型政策(Coef.＝－0.002，p＝0.915)的反馈效应没有显著差异。进一步估计不同政策类型的平均效应量显示，除管制型政策外(MES＝0.003，p＝0.551)，再分配型政策(MES＝0.012，p＝0.000)、分配型政策和建构型政策(MES＝0.030，p＝0.000)的平均效应量均显著为正。

在分析角度方面，政策参与(Coef.＝0.042，p＝0.028)和政策变迁(Coef.＝0.034，p＝0.071)相比于政策投入能引发更显著的反馈效应，这凸显出直接政策参与和剧烈政策变迁对民众态度与行为变化的重要影响。此外，子样本分析结果显示，政策投入的平均效应量在统计意义上并不显著(MES＝0.008，p＝0.243)，政策变迁的平均效应量(MES＝0.012，p＝0.000)显著为正且大于政策参与(MES＝0.027，p＝0.000)。

在福利状态方面，相比福利维持，福利削减的影响显著为负(Coef.＝－0.069，p＝0.065)，但福利增加的影响不显著(Coef.＝－0.019，p＝0.424)。这表明福利削减的反馈效应更为显著，也支持了福利削减相比福利增加的非对称效应。进一步估计三类福利状态的平均效应量发现，福利维持(MES＝0.027，p＝0.000)和福利增加(MES＝0.023，p＝0.000)形成了正效应，而福利削减则形成了负效应(MES＝－0.025，p＝0.000)。因此，平均效应量估计也支持了“负向偏误”的心理效应会使得福利削减引发相对更强烈的反馈效应。

在关注议题方面，关注政策态度的研究(Coef.＝0.009，p＝0.394)、关注政治参与的研究(Coef.＝－0.004，p＝0.789)与关注政治态度的研究的效应量之间并未发现显著差异。进一步，子样本分析结果表明，政策反馈会引起民众政策态度(MES＝－0.026，p＝0.000)与政治态度(MES＝－0.022，p＝0.000)的变化，但并未改变民众的政治行为(MES＝－0.003，p＝0.356)。

在国家方面，基于美国和非美国背景的反馈效应也不存在显著差异(Coef.＝0.009，p＝0.396)。但是，平均效应量估计表明，大众反馈效应在美国(MES＝0.012，p＝0.000)和非美国(MES＝－0.020，p＝0.000)的政策情境中均得到支持。

基于历史制度主义的政策反馈理论为理解政策的政治效应提供了合适的理论框架。上文元回归分析结果表明大众反馈效应广泛存在，政策会通过信号传递和资源分配影响民众的政治态度与行为。而且，分析角度和福利状态是影响大众反馈效应的关键因素。这为未来研究提供了重要启示。首先，关于政策类型，与理论预期相悖，分配型政策和建构型政策的平均效应量显著高于管制型政策和再分配型政策。这一现象可能有两方面原因：一是研究对象的选择效应。学者倾向于选择能够向民众发送强烈政策信号或者分配充足政策资源的政策场景。例如，就业援助政策(Anderson，2009)和女性警局(Cordova & Kras, 2022)等。二是管制型政策和再分配型政策并非总能产生大众反馈效应，特别是在福利政策领域。依据福利资格受益范围和要求，福利政策可划分为三类：选择型政策、缴费型政策和普遍型政策。通常，普遍型政策更受欢迎，而缴费型政策次之，选择型政策最容易引发争议(Hedegaard，2014)。因而，未来研究需要深入探讨不同类型政策的反馈效应以及福利政策设计的影响。

其次，从分析角度来看，政策参与、政策投入和政策变迁为探究大众反馈效应提供了切入视角。早期研究常通过比较宏观上政策投入差异和微观上政策参与差异来识别大众反馈效应，但这类研究会面临遗漏变量和反向因果等内生性问题。未来研究可采用基于因果推断的实验或准实验设计来精准识别政策变迁的反馈效应。这既有助于推动大众反馈研究方法进步，从而发现政策影响政治的因果关系，也有助于拓展政策反馈研究的实践场景，启发学者密切关注现实世界的政策现象。在实证方面，研究者可以将政策参与和政策投入作为调节变量或控制变量纳入分析模型，从而准确识别出客观层面政策反馈效应的形成机制。

再次，从个体福利状态来看，未来研究可深入探讨福利削减相比福利增加的非对称影响。元分析结果支持了基于“负向偏误”的推断，即损失厌恶心理会诱发更强烈的反馈效应。然而，目前探讨福利削减的研究相对较少(研究占比11.82%，效应量占比13.84%)。表3呈现了纳入分析范围的13项相关研究。下一步应借鉴心理学、行为经济学和政治学等学科的理论知识，例如框架效应、锚定效应、示范效应和沉默成本效应等，深入剖析大众反馈效应的内在发生机制。

然后，就关注议题而言，本研究回应了先前大众反馈研究中的“态度与行为”争议。虽然Larsen(2019)认为反馈效应在政治参与方面表现更明显，但是，本研究结果发现，关注政治参与的结果与政策态度和政治态度之间并无显著差异。子样本分析亦表明政治参与的平均效应量更小。本文对于大众反馈效应在不同关注议题上差异的解读可能更加符合实际情况，原因有二。第一，从行为约束视角来看，政治行为变化相比态度变化会受到更多内外部资源条件限制。第二，本研究依据PRISMA原则，收集了更新且更全面的分析数据。与Larsen收集的65项研究相比，本文整合了截至2023年1月的110项研究和549个效应量，并运用聚类－稳健方差估计的随机效应元回归模型得到分析结果。

最后，未来研究应继续探讨不同国家的大众反馈效应。尽管政策反馈理论在早期更多地聚焦于美国情境，但是元分析结果表明，目前美国和非美国背景对大众反馈效应没有显著影响。平均效应量分析同样支持了大众反馈效应在发达国家和发展中国家的存在。虽然近年来学界对非美国政策实践的关注逐渐增加，如对中国、巴西和非洲国家的研究(Fan et al.，2022；MacLean，2011)，但是针对非美国背景的研究仍停留在识别大众反馈效应阶段，尚未深入讨论不同国家的政治体制和环境情境对政策反馈的影响。

近年来，中国在诸多政策领域积极推进行政体制改革，如“医药卫生体制改革”“养老金制度改革”“鼓励生育”“网格化管理”“12345政务服务热线”“一网通办”“秒批制度”“双减政策”和“双碳政策”等。这些政策举措不仅重新定位了社会经济中的利益关系，还引发了政治环境的显著变化，产生了既有预期之内也有意料之外的政治影响。然而，国内外学界对中国情境中大众反馈现象关注不足，如表4所示，目前仅有9项英文文献和3项中文文献。

在中国特殊的政策环境和政治体制背景下，研究改革与发展政策的反馈效应，对于发展理论和指导实践具有重要意义。首先，政策反馈研究可以加深决策者对政策在短期与长期、预期与非预期、政治与社会以及局部与整体等多方面影响的理解，帮助他们更精准地评估特定政策措施如何塑造公众的政治态度和行为，以及这些变化如何反过来影响政治环境和政策制定。其次，通过将政策反馈纳入决策过程，决策者能够识别并改进政策设计中的潜在缺陷，确保政策在实现既定目标的同时，尽量减少不良的社会与政治后果。这种方法也有助于促进基于数据和实证的“循证决策”，将政策制定建立在对现实社会情况的科学分析基础上。最后，在经济社会快速转型的背景下，政策不仅反映了政府的行动意图和方向，也影响了公众的心理预期和行为模式。通过系统地分析政策如何影响人们的信任水平、价值观和参与行为，可以更好地理解政策与公众反馈之间的动态互动。这种研究有助于揭示政治稳定性和社会和谐的内在机制，从而为制定更为有效和具有前瞻性的政策提供科学依据。同时，通过探究中国特定政治文化和制度环境下的政治心理和行为模式，可以发展政治心理学和行为政治学相关理论，使之更加符合中国的实际情况，并为相关国际研究前沿提供新的分析视角和思路。

参考文献：略