(一)问题识别

问题识别是立法的逻辑起点,“立法的过程就是一个针对存在的社会问题,寻求解决办法并使之法律化、制度化的过程”。^[24]立法能否有效回应社会需求,根本性前提在于能否对问题准确识别。对于立法成本收益评估操作而言,问题实际上是作为对立法成本和立法收益进行客观评判的“参照点”存在的:立法成本只能是在特定参照点之上发生的增量成本,而立法收益也只能是在特定参照点之上发生的增量收益。

如图2所示,参照点S表示特定社会问题,点L表示立法预期影响,点S′至点L的垂直距离便是立法增量影响的直观表达。参照点理论模型虽然可以很好地说明成本与收益的增量属性,但其静态化假设难免偏离社会现实。现实社会并非居于静止状态,即便不采取立法规制措施,特定社会问题也存在随时间推移缓解的可能性;而即便立法得以施行,那么在问题治理的整体效用中可归因于立法措施的分量又占几何呢?科学的成本收益评估必须强调立法与成本、收益之间切实存在因果关联性,并将非立法因素的影响予以排除。因此,加拿大将动态化的基准线(baseline)引入问题识别程序以克服参照点静态假设的不足。

图2　立法成本收益评估的“参照点”(https://www.daowen.com)

图3　立法成本收益评估的“基准线”

如图3所示,曲线OB代表基线情形,曲线OA代表的是立法后情形,曲线OB与曲线OA的垂直距离便是立法效用。一般情况下,基线情形的预测以10年为一个单位周期,可根据不同评估案例的问题性质、数据信息充足性等因素予以灵活调整。^[25]基线情形的设定借用统计学外推预测技术实现,它要求在识别问题的基础上,整理相关历史数据,建立数学模型进行回归分析,形成对未来发展状况的投影。外推预测的逻辑在本质上是归纳推理,即把过去时间内较为稳定的发展规律延续向未来的时间序列之中。加拿大指引文件中明确指出,基线的预测不能仅仅依赖于对于相关变量的线性预测,更为重要的是在归纳的基础上构建系统化逻辑认知体系,深入研究预测变量与解释变量之间的因果结构模型,建立归纳和演绎互为补充的科学分析路径。^[26]