一、导师简介
1. 学术身份与背景
Prof. Siu Ming CHAN于2021年加入香港城市大学社会及行为科学系，现职助理教授。城大任职前，此人累计多年一线社区社工经验，服务对象涵盖露宿者、㓥房住户、贫困儿童与长者。2020年，他在香港中文大学取得社会福利博士学位，论文方向未公开，但后续研究明显继承了中大社会福利系的实证传统。
城大校方资料显示，Prof. Chan自2022年起担任社会工作学士课程副负责人，2025年升任硕士课程负责人，同时兼任社会科学荣誉学士课程招生导师。这种阶梯式行政职务晋升，通常意味着教学评估与院系信任度均达优秀水平。
2. 学术网络与评审负荷
此人承担大量学术服务工作。编委职位覆盖*Journal of Social Distress and Homelessness*、*Social Sciences and Humanities Open*、*Discover Global Society*三本OA期刊，同时为*Asia Pacific Journal of Social Work and Development*、*British Journal of Social Work*、*Housing Studies*等二十余本SCI及SSCI期刊审稿。审稿期刊数量之多，在同职称学者中属偏高，可能挤压其写作时间，但也保证其掌握本领域前沿动态。
3. 近期获奖
2025年Prof. Chan同时获得两项城大奖项：Thetos青年学者奖与教学优秀奖。同一年度获研究类与教学类奖项的情况并不常见，暗示其研究具备可教性（teachable quality），能将复杂政策研究转化为课堂内容。2024年则获得知识转移卓越奖（个人与团队）及新晋研究员奖，显示其研究影响力在初始阶段已获校方认可。
二、近期文章和项目解析
1. 研究版图
Prof. Chan的60项研究产出（2013-2025）集中于五块：贫困与不平等、住房与无家可归、社会福利政策、健康社会决定因素、AI教育应用。2024-2025年录用论文中，期刊论文占21篇，会议论文9篇，专著章节4篇，产出速度为每年约10篇，属高产学者。
2. 重点论文解析
2.1 多维贫困测量
2024年刊于*Journal of Asian Public Policy*的论文提出香港多维贫困测量框架。研究采用Alkire-Foster方法，数据来自2016-2017年1476名成人随机样本，维度覆盖教育、健康、住房、就业、社会网络与主观贫困。数据分析显示，教育、就业与主观贫困对多维贫困指数贡献最大。
政策意涵方面，研究发现收入贫困与多维贫困存在覆盖错位：现金转移对收入贫困更有效，覆盖率达56.9%，而对多维贫困仅42.6%；实物转移（如公屋）则相反，对多维贫困覆盖率达71.5%，对收入贫困仅46.5%。这种差异挑战了香港现行以收入贫困线为唯一标准的政策逻辑，暗示扶贫资源配置需双重瞄准。
2.2 过渡性住房评估
2025年会议论文追踪110名过渡性住房（TSH）住户，访谈时间点为2022年末与2024年初。结果发现TSH在居住空间、可负担性、安全感、社会参与及心理健康五方面产生显著正面影响。
论文同时评估"城市脱贫方法"（UGA）的本土化成效。UGA源于孟加拉国农村脱贫模式，香港赛马会慈善信托基金将其改造为城市版本，通过家庭能力建设规划师（FCBP）提供就业支持、财务与数码包容、生活技能培训等密集服务。项目预算4507万港币，覆盖2023-2028年，目标服务14,000个家庭。
2.3 无家可归者性别差异
2025年*Public Health Nursing*论文分析全港露宿者调查数据。男性露宿者在BMI异常（46.6%）与社交网络匮乏（21.8%）方面得分更差，女性露宿者就业剥夺率则高达53.8%。数据揭示街头外展服务需性别分流：男性需健康筛查与社交重建，女性需职业培训与儿童照护支持。
2.4 拾荒者职业健康
2025年*Healthcare*论文考察香港非正规拾荒者的职业健康风险。该群体虽支撑城市回收体系，却面临多重剥夺：低收入、心理疾病、职业伤害，且缺乏劳保。研究首次系统绘制其健康风险图谱，为纳入劳工政策提供证据。
2.5 AI教育应用
2024-2025年论文群探索AI在社会工作教育中的整合。2024年研究提出聊天机器人可用于理解弱势社群需求并绘制资源地图。2025年获教资会教学发展补助金99,540港币，开发学生主导的AI聊天机器人团队学习项目，培养脆弱人口评估与社区资源制图能力。
此类尝试回应了社会工作教育数字化转型的需求。传统角色扮演训练场景真实性不足，AI驱动的虚拟面谈可模拟复杂个案情境。但研究同时强调数据伦理，防止技术加剧弱势群体的隐私风险。
3. 项目经费结构
Prof. Chan的项目经费呈现"信托基金为主，UGC为辅"的特征。信托基金项目中，PROJECT LIFT（4507万）与KeySteps@JC（8421万）合计超1.2亿港币。此类项目周期长达5-6年，要求交付政策评估报告而非期刊论文，行政负担重但社会影响力大。UGC项目则聚焦AI教育应用，经费规模较小（9-15万），侧重教学创新。
三、未来研究预测
3.1 理论深化
三个方向值得观察。其一，"住房作为基础设施"框架可能从物理-社会服务二元整合推向关系性基础设施分析，考察TSH与FCBP如何相互重构。其二，多维贫困追踪研究可能建立面板数据，现有研究多为横断面，未来可追踪脱贫动态。其三，UGA模式的理论边界可能被拓展，提炼适用于新加坡、纽约等高房价都市的本土化参数。
3.2 方法演进
混合方法研究将更普及，结合量化贫困测量与质性生命史叙述，捕捉结构性贫困与个体能动性的张力。大数据与AI技术可能扩展至预测性分析，例如利用政府数据预测露宿风险。参与式行动研究或成重点，让服务对象参与研究设计，提升知识转移效能。
3.3 政策影响
其研究将持续影响社会福利署的露宿者服务整合模式与房屋局的过渡性住房准入标准。国际层面，UGA模式的高密度城市适配经验可为亚洲其他城市提供参照。学术层面，其构建的多维贫困测量工具有望成为香港官方贫困报告的补充指标，挑战收入维度的政策垄断。
3.4 人才培养
作为博士导师，Prof. Chan可能强调三个核心能力：实证研究能力（掌握Alkire-Foster等测量技术）、政策分析能力（理解福利制度运作）、技术应用能力（运用AI处理社会数据）。学生有机会参与百万级项目，获得大型社会实验研究经验。
