如何看待「经济学不以预测为目的」的说法？

谢 @SJ.Park 好久好久前的邀请。

这问题去年提出来的时候，我跟 @星日马 有过一个很长的交流。但是当时，我越聊越觉得自己都没有get到自己想要表达的那个点是什么。直到这几天，我才突然感觉稍微有点理解自己想要说什么了。所以，大家珠玉在前，我在这儿狗尾续貂一下。

希望各位对经济学有成见，甚至是有情绪的读者，能耐心听我说完。么么哒了~

首先上结论：经济学是不是「不以预测为目的」？

我的看法：这个说法显然是错的，经济学当然以预测为目的。

什么「理论」是「只重解释，不重预测」的呢？我能想到的，就是地理决定论了——当你断言，A国的XX特征是因为孕育它的地理环境是YY，只要听你说话的人脑子不要太清楚，那么总是可以自圆其说的。另外一个有嫌疑的就是进化论，当然这是一个可以讨论的问题，不展开。

经济学呢？可能各位没有做经济学模型的经历。简单说，如果只是为了解释已经发生过的现象，那么经济学模型其实非常好写，你只需要把现有理论中出现过的假设全都吃透，然后重新混编排列组合就可以了。事实上，我们这些人在知乎上写答案，「如何用经济学解释XXX？」，用的就是这个思路。因为现实是给定的，只要你知道的理论足够多，这种破铜烂铁的解释完全是可以量产的。

这样的「模型」，两个字：便宜。所以我们愿意在知乎免费分享……因为的确也是卖不出钱的。

可是，一旦你的模型需要对还没有发生的事情做预测，那么你就会体会到什么叫做「诚惶诚恐，如履薄冰」了。为什么？因为当你在解释一个东西的时候，现实已经给定了，很难反转了，所以你在解释的时候有巨大的安全感；但预测则是「解释未知」，先给预测，再去看数据，这难度增加了不止一点。

不过也正是因为对于预测有所要求，才让经济学与地理决定论不一样：每次有社会热点与经济学有关系，社会公众不仅要求经济学对于这个现象做「解释」，也要求他们对这件事未来的发展方向做预测。如果预测的不对，那么在至少公众的眼里，无论是预测的那个人，还是他使用的理论，甚至是整个经济学，声誉都会下跌的。

虽然绝大多数时候，真正应该背锅的只有那个人而已……

But, Yet, However...

为什么会有「经济学不以预测为目的」这样的说法流行于世呢？原因在于，经济学家对「预测」这两个字的理解，似乎与其他更「硬核」的自然科学有些不同。为什么这么说？我们举个例子，来剖析一下经济学学生的入门基本功——索洛模型。

索洛模型研究的是「如何解释各国之间或者同一国家不同时期之间的经济增长率差异」。它的理论起点是Cobb-Douglas生产函数：

…………………… ①*

这个式子的含义是：时间为 t 时，一国的GDP与它此时的的全要素生产率 A(t)，资本存量 K(t)，以及劳动力水平 L(t) 之间存在①*式所说的关系。这样一来，我们把一个国家的「经济增长」拆解成了三部分：技术进步、资本累积和人口增长。

为了方便处理，我们在①*两边都除以A(t)L(t)，得到：

…………………… ①

下面我们只需要技术、资本和人口变化的动态过程建模就是了：

…………………… ②

…………………… ③

…………………… ④

其中，参数n、g、s、δ 分别表示人口增长率、技术进步率、储蓄率和资本折旧率。这样，一个非线性方程（①），加上三个简单的常微分方程（②、③、④），就构成了这整个模型。

我不知道大家看到这里能想起些什么，反正我当时学这套模型的时候，想到的是高考物理考试里面那两道「大计算题」，一道力学一道电磁学。题目给你一堆条件，然后让你把这堆条件背后蕴藏着的物理学原理，也就是那堆公式，比如牛顿第二定律，给列出来。事实上，虽然索洛模型本身确实非常简单，以至于它是哪怕的本科生都应该熟练掌握的，但是它还是能够代表所有的「理论模型」所共享的特征：一个方程组。无论是经济学模型，还是物理学模型，都是由这样一组方程组成的。

也就是说，截止到这一步，经济学家和物理学家考虑的问题是一样的。

但是，下一步呢？把这个方程组交给物理学家，物理学家估计会说：那还费什么话呀，撸胳膊挽袖子，兄弟们，算吧！这个方程组有显式解呀！就算没有，咱们工具箱里还有的是计算工具呢！差值模拟啊，蒙特卡洛啊，龙格-库塔公式啊，二营长，给我上！

意大利炮一顿轰，模型求解毕成功……啊不，必成功！

可这时候经济学家会说什么呢？跟物理学家不同，经济学家多半会心里犯嘀咕：那个……这个模型有显式解还则罢了，可没有显式解的时候呢……硬算这么暴力的行为，那是粗人才做的……我们经济学是一门优雅的学问，我们才不要这么干呢……

这就有点像那两道物理大题了。我记得那时候物理老师告诉我们：一道15分的「大题」，「把式子都列对」就有80%的分数，剩下的「算」，其实只是微末之技小巧之能罢了，不值钱。经济学家的想法也是这样：关于经济增长，最重要的是①-④这四个式子，至于剩下的内容，其实只是这四个式子的「同义反复」或者按张五常先生的说法是「套套逻辑」罢了，不那么值钱。

与物理学家不同，经济学家的「计算」，并不是以算出那个具体的解为终极目标的，相反，经济学家更关注的是这个「解」的性质，而这些性质往往不需要「硬算」就能知道。比如：

• 这个解存在吗？
• 如果存在，这个解唯一吗？
• 如果存在且唯一，这个解稳定吗？
• 这个解是哪几个参数的函数？
• 这几个参数变大的时候，这个解怎么变化？

不算怎么知道这些问题的答案？拿存在性举例子，我们不需要真的算出来那个解才能说它存在，我们只需要验证一下角谷不动点定理所需要的条件是不是满足就可以了。当然，现实中很多时候我们连角谷定理都用不上，连续函数介值定理了解一下，这可是大一高数课就学过的内容……

在上面的索洛模型里面，经济学家得到的结论是，「均衡增长路径」（equilibrium growth path）上，人均经济总量的增速与储蓄率无关，而仅与（外生的）技术进步率有关；但此时的人均生活水平，与储蓄率正相关。

对于经济学理论来说，这个结论就够了。它意味着，只要①-④是成立的，这个结论就总是存在。而粗略地说，①-④就是成立的，所以，基于这个基本事实，我们就可以得到一个关于经济增长的「预测」：储蓄率对经济增长速度的影响趋近于零。

这个结论，已经足够做应用计量经济学的研究者构造回归方程了。

至于，均衡增长路径上的增长率究竟是多少，均衡的生活水平究竟是多高，其实并不是所有人都关心的问题。

这个现象在其他经济学模型中也有明显的体现。有兴趣的朋友可以找来MWG，从第15章一口气看到第18章，看看作者是怎么讲一般均衡模型的。大体来说，一个由 I 个消费者，J 个厂商以及 L 种商品的组成的经济的均衡点就是一个 个（非线性）方程、 个未知数的巨型方程组的解。经济学家一步一步证明了这个方程组解的许多性质，比如「凸性和连续性满足的时候均衡存在」、比如「正则经济的均衡点局部唯一」等等。这些性质是在很多函数的具体形式没有给出的情况下证明出来的，所以根本不需要太复杂的计算。

而且经济学家认为，到这一步，就够了，至于具体的价格和交易量，不是一定要算出来的。

As a consequence，经济学的预测往往是比较粗糙的、比较「一般」的，它往往只是证明了「变量之间的某些抽象的关系可以从一组十分一般的假设条件中推导出来」，而并不试图给出更加具体、更加细致的结论。这让经济学模型看起来没有那么「硬」，并没有给出言之凿凿的「预测」，也就让很多没有深究的朋友误以为经济学「不以预测为目的」。

当然，公众对经济学的吐槽，比如「经济学不能预测经济危机」，也是从这里来的，这是后话。

那么，为什么经济学家不像物理学家那样，打破砂锅问到底呢？我想，有以下三个原因。

第一，经济学家的数学的确没有物理学家好。这个现象想必大家没有不服气的，那些叫嚣经济学的数学太难的盆友，十有八九应该都是文科生吧……可是！这个原因并不是那么重要，为什么呢？因为有需求才有供给，如果经济学真的需要那么难的数学知识，自然会有大批量数学更好的学生，拿着全额奖学金来到各个顶尖大学的经济学院和商学院做经济学研究。

但现实中，这件事并没有发生。不仅如此，现实中大多数经济学家甚至认为我们使用的数学应该再简单一些。所以，与其说这是「经济学家的数学不行导致了经济学的预测很粗粝」，不如说「经济学研究不需要这么精细的预测导致了经济学家的数学不行」。

第二，这是对社会系统复杂性的一个正确的反应。怎么讲？事实上，社会系统的复杂性，显然比大多数物理系统要大得多。所以，同样是打破砂锅问到底，经济学以及其他社会科学所要处理的数学系统比物理学要处理的要复杂得多。也就是说，我们能够分别做出一个无比贴合物理现实和一个无比贴合经济现实的模型，那么后者肯定比前者更复杂。可是，我们所掌握的数学是给定的。如果我们掌握的数学刚好能够求解物理学模型的话，那么它必然是解不出经济学模型的。

这时候，与其蹩脚地跟在物理学后面邯郸学步，倒不如主动后退一步：通过对现实做很多看起来十分不切实际的假设，剖离出复杂现实的一个简单的切面，然后来研究这个切面。像是博弈论大师鲁宾斯坦干脆就认为，经济学模型其实就是「寓言故事」而已，其实也是这个道理。这样一波操作，分析起来难度也就下降了很多，毕竟你不想看到的东西通通不见了。

分析透这个切面之后，经济学家认为：只要我们选择的这个切面足够讲究，足够有代表性，（也就是说，假设包的选择足够好，）那么我们就可以「见微知著」、一叶知秋，从这个切面的性质中看出整个系统的很多总体性质。比如在上面的索洛模型里面，我们就把技术进步的决定机制、人口增长的决定机制、储蓄率的决定机制等等等等，全部都抽象掉了，剩下的只是经济增长过程这一整幅大图景中的一部分而已。但分析这一部分依然可以让我们得到一些关于图景全貌的知识，比如「储蓄率对经济增长速度的影响趋向于零」。

下一步，经验实证研究就要去验证：这个从切面或者局部推出来的预测，是否是总体真实的性质，如果连这一步都没有了，那经济学就彻底不是以预测为目的的了。

熟悉吗？是不是就是我们最熟悉的OLS么？我们熟悉的 ，这里 就是我们根据局部或者切面或者寓言得到的预测，而所有被我们假设掉的东西所承载的信息，都被浓缩到这个 里面。而OLS成立的关键是 ，这就是说，被我们假设掉的那些东西，对整体不产生影响。

从这个角度，你也应该理解为什么经济学十分看重是否显著，而不看重 了——经济学家并不是在看自己的模型多么逼近现实，而是在看自己选取的切面是否能够说清楚现实的世界的整体性质。换句话说，经济学家知道自己研究的不是真正的现实世界，事实上经济学理论也研究不了真正的现实世界。但我们可以把它的一个角度研究明白，然后看看这个角度是不是真实地反映了真实世界的一些性质，这就够了。

如果还不明白，可以去看 @慧航 的这个答案：

这个原因，在三个原因当中最重要。

第三，经济数据往往十分不精确。识到：我们使用的经济数据，很多时候都是有问题的，里面既有腐败（比如前一段时间沸沸扬扬的财政收入造假），也有成本太高造成的数据收集的问题。这些问题是无法避免的——毕竟，要想知道每家每户的存款有多少，不仅难度堪比登天，还涉及到一些伦理问题。

这样一来，你废了九牛二虎之力把模型做得无比精确，拟合了数据，可是只要数据是有问题的，这么做就只不过是解释了一个根本不存在的现象而已。到头来，解释得越好，错得越离谱。比如大名鼎鼎的「股权溢价之谜」，现在就成了这样一桩公案：把美国官方统计的消费数据和股票价格数据放在CCAPM模型里面，倒推美国人的风险厌恶系数，你会发现，股票的回报率也太高了，这说明美国人实在是太厌恶风险了，这不正常。这时候，看起来显然是CCAPM有些地方不对，而且经济学家也对CCAPM做了很多修正，比如相对收入假说之类的。可是，最近有研究指出，根本就不是模型出了问题，而是数据出了问题。经济学家用垃圾来估算消费，得出来一种说法：股权溢价之谜根本就不存在！

这就非常尴尬了，是吧。

我在这里简单剖析了一下经济学家这么做的原因，但这些原因似乎不足以证明这种做法就是对的。

有人问，很多时候我们要「使用」经济学模型去做具体的预测，比如，金融机构要预测GDP的增长率，政府要预测货币政策对通货膨胀的影响，还有你们心心念念的「预测经济危机」。这时候，你说「经济学家不关心这些事情」，显然是很欠揍的。

而面对这些工作，其实也有很多研究的子领域：须知，「economic forecasting」本身就是经济学中一个独立的子领域；再比如，可计算的一般均衡（CPE）、动态随机一般均衡（DSGE）、还有包括VAR在内的各种时间序列模型，都是为了迎合这个需求而存在的。而且有很多模型都很明确地说自己是在研究「经济危机的预警机制」。

这些模型预测得准吗？似乎不太准，但也够了。看看次贷危机之后美联储的这一系列微操吧，绝不是很多人想象中那么不堪。但是，这些模型的特点是，它们所谓的「经济学理论」几乎是脱轨或者半脱轨的。大多数时候，研究这些东西的人本质上是统计学或者计算数学，它们从经济学理论中汲取的养分反而并不大。而另一方面，上游的理论经济学家在建模的时候，也很少考虑到这些应用模型的需求。

我想，经济学确实在这方面有改进空间。

可是，话说回来，「不准确」难道不是应该的吗？比如说，如果经济危机是有高度偶然性的（事实确实如此），那么要求这些理论能够「预测经济危机」，跟要求经济学家上知五百年下知五百年其实没有什么太大的差别。这难度有多大，问问当年豪言拉普拉斯妖的物理学家就是了——世界是物质的，可物理学家能用自己的模型预测到自己的女朋友此刻在想什么吗？估计是不能的。而既然这么硬核的物理学都做不到，大家还是对经济学稍微宽容一点吧~

另外，那些说哪个连个教职都找不到的异端经济学者预言了经济危机的……摸骨看手相有时候还能说对，中医有时候还能治病呢，对吧。嘴炮到处都是，九十九个说错了，一个说对了，你不能只看见那一个说对了的，然后就说嘴炮万岁。

行为经济学家说，这叫「易获得性偏见」（availability bias）。

以上。

谢谢 @SJ.Park 邀请。

经济学不以预测为目的，根据如何理解『目的』这个词，可以说也对，也不对。

说对，是因为经济学是一个方法论的学科，不但承担着经济方面的研究，同时也为其他社会科学领域的研究提供了很多有益的理论和实证的研究方法以及手段。

我们在很多管理类和社会类的论文中，经常能够看到一些规模很大，研究者费心费力设计的实证的假设和检验，比如某些情况下，公司内人员流动的频率和公司绩效之间的关系。文章的分析和结论中也会明确提出，某些假设是可以被支持的，某些不可以被支持。这个时候我们就得到了一个规律，尤其是在有数据回归的情况下，我们还能够算出来边际上流通频率提高多少，公司绩效有望达到多少的增加。有了这些定性和定量的分析，那么公司就可以根据这个规律来有意识的调整公司内部人员流通的频率以提高公司绩效。

到这一步，管理学的任务完成的差不多了，接下来通过很好的文献回顾，对自己贡献的表述，就可以求发表了，但是其实这里面其实依然有一个黑箱子——为什么人员流通的频率和公司绩效之间有关联呢？再往下深度挖掘，就是经济学家擅长的领域了。这个时候就需要根据外在的表现和各种自然实验，通过建立模型的方式来摸索内在的机理——也就是要从更本质的、更松弛的假设出发，去推导出从人员流通频率到公司绩效之间联动的机理。

从这个意义上讲，经济学家的目的是打开社会、商业和经济现象的黑箱子，打不开也要猜一个出来-_-bb， 然后给出一个至少在当下是合理的解释。从这个意义上讲，经济学确实不以预测为目的。

但是为什么又说不对呢？这就要看解释的目的是什么。

我们为什么需要理解黑箱子里面的东西呢？而不是直接看输入输出，直接应用黑箱子呢？那是因为黑箱子所给出的信息是有限的，不完备的，贸然的到处应用，有时候会造成很大的灾难。同样的经济政策，央行实行9次可能都是有效的，但是第十次可能就直接导致经济衰退；同样的公司管理政策的成功经验，有的公司拿过来用就很失败…… 如果我们仅仅是着眼于简单的『预测』而不求甚解的话，我们反而永远只能跟在现实的后面，当面对规律失效的时候束手无策。只有当我们深刻的理解的经济和商业现象背后的机理的时候，我们才能更好的预测，从这个意义上讲，解释，恰恰是为了更好的预测。为此，经济学家们也在开发各种工具来满足这种需求，并且也取得了长足的进步。在美联航并购案中，经济学家利用结构化模型做的counterfactual(反事实)估计模拟，预测合并成功和不成功对美国航空业的影响，已经得到了法庭的认可，并最终帮助美联航成功合并。

所以从这个意义上，经济学又是以预测为目的的。

------------------------

排除掉学科的发展程度，我们也不能指望经济学的预测精度能赶上自然科学。因为物理规律不以人的意志为转移，而经济规律……可以不以个人的意志为转移，但是经常被集体意志扭曲。举个例子：如果每次超新星爆炸，我们都能预测到，那么爆炸该来它还会来；而经济规律则经常面临这种悖论：

如果央行精准的预测到经济危机来临的时间而预先采取措施，那么有两种可能：

1. 人们通过观测央行的行为也能预计到经济危机来临的时间，那么人们就会提前开始恐慌，经济危机提前来临，央行之前『精准』的预测失效了；
2. 央行的政策很有效，人们也很傻，根本不知道央行在做什么，于是央行通过政策提前对冲了经济危机，经济危机也消失了，央行的预测同样失效。

所以能预测到自然灾难，依然是灾难，但是能预测到的经济危机，就不是危机。

目前深度学习，尤其是神经网络在经济学中的应用还不是那么广泛，并不是因为经济学家们固步自封，不接受新事物，而是因为深度学习网络重预测而轻解释。给一堆数据，出一个预测结果，从训练集来看，预测往往都是准的，但是如果不理清楚背后的机理，遇到新的数据，预测精度就可能会显著的下降。更长远的说，尽管现在这波人工智能的热潮是以机器学习为主的，但是要达到近似于我们人类水平，恐怕早晚有一天，七八十年代的那种逻辑主义式的研究会涅槃重生。