作为经济学研究者，你认为经济学这一学科有哪些弱点？你同意芒格的说法吗？

很多民科朋友喷经济学的姿势经常非常不正确，我作为民科中小母鸡拖拉机来做个小小的示范。

最近二十年唯一的现实贡献是换肾。

非凸非线性就大半不会做了。

假设和模型的选择有什么好讨论的，这是个empirical问题。

号称relax了很多，每年top5里去找找还是不知道有多少implicitly假设完全竞争的。

有著名经济学家声称自己就是讲童话故事的。还有说自己是水管工的。

我们虽然不能让模型靠近现实，但是可以让现实靠近模型。

我们的appendix可以写的比你们专业的论文还要长5倍。

Robustness check自己是明显的selection bias。

Structual form: 我的模型很帅，我的模型很fit data。我的模型也很帅，我的模型也很fit data。

Reduced form: 大小班影响不影响成绩。吃早饭影响不影响成绩。开空调影响不影响成绩。

Dynamic: 我虽然自己解析解算不太出来但是全地球人应该都能搞定。

IV: rainfall无敌。

IO: 麦片麦片麦片。机票机票机票。最近，医院医院医院。

Trade: 到了21世纪终于发现不是所有企业都是一样的了。

Macro: 宏观旁友能不能不要再来草微观数据了，你们的模型老反胃的。

Management: 专注OLS三十年。

Finance: 基金经理开跑车。基金经理睾酮高。CEO要生女孩。

Health: 我们让RA去手录历史婴儿死亡率而且并不检查。

Economic history: 我们仍未知道18世纪英国的工资到底是高还是低。

Environment: 我们的诺奖得主都在用垃圾调查数据。

Behavioral: 我们有150+种的cognative bias你们怕不怕。

很多以前看到的槽点都忘了。想到再加。

有些是个人印象，失真的话欢迎科班同学们提供专业吐槽。

我来替芒格做一点辩护吧，在这篇文章中有两个隐含的观点我觉得值得经济学家注意：

其一是，经济学家在“如何向非经济学专业的专业人士传达前沿的研究结果”这一方面的能力普遍不足；这里有两个限定，一个是“非经济学专业”，这意味着对象本身对理论和术语并不熟悉，甚至对于特定学科背景的对象会在某些角度上存在理念的冲突，另一个是“专业人士”，我认为，经济学家将前沿的研究结果传达出去的目的，还是最终能够在事实上“改造”经济社会，对于普罗大众的科普固然重要，但是效果并没有那么显著，更重要的是让拥有“改造”经济社会能力的一部分专业人士能够了解到底经济学家在做些什么，具体来说，这些“专业人士”包括政府雇员、企业家、法官等等。

其二是，学术界对于经济学家的定位仍然是“（基础）科学家”的角色重于“工程师”的角色，但结合上一段的问题，“工程师”型的经济学家不但是不可或缺的，而且是现在所急需的。举个例子，对于具有很强的负外部性的重污染企业，经济学理论告诉我们可以采用如庇古税、科斯谈判或排放许可等方式解决，而且理想条件下这些方式的效果是相当的。但是具体落实到实务中：科斯谈判需要考虑到巨大的交易成本往往不太可行；庇古税有“对污染征税”和“对降低污染补贴”两种形式，具体选择哪种形式往往受限于政府的财政预算；排放许可是最市场化的方式，但是排放许可发出去一般收不回来，因此不像税率调整那么方便，此外排放许可会将一部分收入从企业转移给政府；最终选择哪种方式来解决污染问题，更多地是需要quick and dirty的经验。（让我想到当年上公司金融的时候，讲了那么多discounted future cash flow算市值，结果告诉我们实际上大多数金融机构用的是最不靠谱的multiple）关键在于，经济学模型一旦建立，是无法预测不在其行动集里的行动的，因此芒格向商学院学生提的那个问题，之所以大家不会想到贿赂，是因为贿赂根本就没有被供需模型所囊括。如果我们思考一下“科学家”和“工程师”的定位，你就会发现其实这一点本身并不奇怪，因为现实中本来就有很多工程师在实务中发现的问题或技巧，是被科学家所忽略的（对于企业家来说，贿赂或者说公关显然是一种可行甚至常用的手段，但是对于研究定价的经济学家来说往往不会考虑这种手段）

很多围绕着经济学的争议和批判，其实都可以归结为一点：经济学无法提供像伽利略比萨斜塔实验，帕斯卡裂桶实验这样可以重复一千次一万次毫无例外，从而能够让人斩钉截铁的宣布自己发现了某个宇宙/社会的铁律，经济学的预测力比较抽象，更多的存活在统计中——也就是你站在外太空往下看，经济学讲的道理是样样皆明，然而你一旦落地用它来指导生活和工作中的各种微观细节就不好说了。如果用一句话来形容，经济学更擅长提供「洞见」而非「建议」。

为什么这么说呢？因为经济学在个体单次决策中能够给人的帮助是很有限的。你是一个公司的职员，眼下有个升职机会，该如何去争取？ 我是一个高中生，现在很多专业要选择，我该选哪个？他是一个创业公司的CEO，现在有两个投资人有意向，和谁合作比较好？

这种人生只有一次两次的机会，依赖于统计规律很可能让自己变成分母中的一个，然而不依赖于统计规律也没有什么其他的章程可以依赖，于是各种事后的异常值就很容易开嘲讽：经济学说A，我做了B，也一样可以很成功啊？经济学说A，我也做了A，为什么我这么失败？ 然后异口同声的说经济学无用。其实这就好比一个杂志投稿录取率为30% ，这并不代表任何人去投稿，都有30% 的概率被接受是一个道理。有太多的随机性和无法控制的因素会影响最终的结果。

就拿芒格的这篇文章来说，伯克希尔在整个投资界都算是很优秀的公司了，从微观上说，每个存在的公司都有自己的优秀和独特性，但是站在上帝的角度，这种优秀确实可以看做是随机的异常值——运气（恰好开发出了一套非常棒的投资理念这依然可以看做是某种运气），研究者对于这种异常是无所谓的，因为它只构成了一个众多样本中的一点；但是对于个体而言，自己被分配的这个随机数是正是负，多么正和多么负是有天壤之别的。而这个异常的个体——就像芒格这样，就会非常的diss 经济学的结果，认为完全不能反映自己的现实。而就社会影响力而言，异常值的影响力远远大于正常值。

所有依赖于统计的并且和人联系紧密的学科，其实都存在「异常值影响力偏大」的问题。包括医学、公共卫生等等，也是重灾区。比如美国有一批人相信疫苗阴谋论，号召人们不打疫苗。他们确实也有很多的案例表明小孩打疫苗之后出现的种种负面症状。但是这说明什么呢？从统计上说，疫苗带来严重副作用的概率是很小很小的，几乎可以忽略不计，但是因为婴儿是不断出现的，样本不停增加，这些小概率总是会逐渐的在某些家庭上发生，根据报道，从1991年至2013年11月，全美注射乙肝疫苗后死亡的人数达到1259人，其中0~3岁的婴幼儿有769人。统计上，这一千多个家庭就是那个可以忽略的概率上的分子。理性上讲，他们的孩子是「是大数据下随机被死亡」，然而让人们从感情上接受是非常困难的。并且因为人体的复杂性，每个孩子因为疫苗而产生的反应到最终死亡的过程必然是各有各的不同，这也让很多人产生了「为什么偏偏是我，一定有问题」的想法。

而比医学的情况更加的吊诡的是，社会经济现象还存在很严重的「反身性」——这个由索罗斯发明的词，很好的描述了人们共同信念的自我实现。如果所有人都认为一只股票会涨，那么就会买进，于是股票就真的会涨。而共同信念——尤其是短时间内的共同信念，说到底是主观而混沌的。要求经济学家去像天文学家预测星球轨迹的方式去预测人们的行为轨迹，那是不可能的。

基于这个理由，经济学家要尽量不要提类似芒格文中所写的「不要购买自己的股票」这样绝对的建议，因为这样的建议几乎一定会有失效的时候——因为「不买」什么都不会发生，人们并不会因此而感恩戴德，也不会知道自己因此而避开了多少次陷阱；而一旦有一次两次因为「不买」而错失了赚钱的良机，人们反而会得出「经济学家的建议没什么用」的印象。

至于芒格说的对心理学无知之类，这个更多的是因为该文写在将近20年前的原因，其实经济学对心理学的融合还是非常积极的，17年诺奖塞勒都有类似的讲述，其实可以属于行为经济学的一部分。

芒格这篇文中讲的经济学缺点的一部分，其实可以通过ABM(agent-based model)，也就是以代理人为基础的模型来弥补，虽然ABM到底是不是经济学还有点争议。其实很多人都在生活中自发的在运用agent-based model，只是没有提炼而已。

有的管理者会有个习惯，每天晚上在脑子里复盘自己一天的人际沟通和交往，分析琢磨其他人的行为模式，为以后打交道做准备。其实这就是ABM的决策模式。通过一些方法归纳或者演绎出一些关键节点的行为模式，然后在脑海中预演这些节点对自己不同行为的不同反应，来判断自己的最优策略。比如要说服上级，需要得到上级的支持和资源配给，那么预先知道领导的脾性、偏好和可能的反应，要比假设上级是一个「理性人」更有把握的多。

但是这种决策模式是取代不了经济学理论地位的。因为观察归纳和总结规律这一套放弃了「均衡」这一经济学基础的方法，其实和机器学习有点像——不太在意事物之间的因果关系，而是通过重复观测大量因素之间的关联，强行构建出对未来的预测。这种方法的好处就在于不受经济学的「理性」和「均衡」的约束，可以把握住很多细微的、不知道从什么地方来的因素，对未来做出更好的判断。

然而一旦时过境迁，这一套总结的行为模式就很可能失效了——你观察到我在过去的一年，每天都坐地铁去上班，于是你预测我明天还会这么做，然后我其实并没有来，因为我的公司发了很高的年终奖，我买车了。这个时候如果继续用坐地铁来建模「我」这个代理人，那么很可能就失效了。

但是如果用经济学的方法来分析，经济学家会针对「我」的收入和偏好进行建模，通过最大化我的预期效用求均衡解，得出我的收入超过一定数字之后就会买车的结论，那么经济学家这里就提供了一个「洞见」，也就是通过一些抽象的假设，比如「我是在最大化自己的效用」，然后得到了「我」在未来的行为变化。

当然，我上面的例子很简单，在ABM中，也可以通过设置各种复杂的触发规则来模拟。但是对于更加复杂而微妙的机制，单单通过观察和总结就心有余而力不足了。一旦牵扯到「建模」和「对局部均衡行为的预测」，经济学还是要被引进过来，来提供对内在反应机制的猜测。

每次讨论到这个话题，我总是想起两句诗：文章千古事，社稷一戎衣。经济学的理论文章提供的抽象的洞见，仅仅代表一种不是在每个人、每个机构身上都能够验证的趋势；而如果真的要进行非常具体的微操作，那么微操的成功和失败，很多情况下是「决机于两阵之间」的。

就因为这个洞见的抽象程度，经济学家们自己都会闹矛盾。新古典货币主义和凯恩斯学派对货币是否中性的争论就是一个例子。印钱是否能够刺激经济？新古典学派明显是把眼光放的长长长长长长的，把人想的很聪明很理性。逻辑很简单：其他条件保持不变，钱无论怎么印，印多少，反正人们都知道，于是无论印多少，人们就会对钱进行相应的贬值来对应目前社会上的商品，所以印不印无所谓。而凯恩斯学派则有点行为经济学的影子，认为钱在流转的过程中，一圈一圈的发出去，每经手一次，经手人其实并不知道这笔钱是新印的还是原来就有了，于是相当于经济中凭空多了一层激励，所以印钱就是能刺激经济。

在现实中，则是两者都有。开始政府信用还不错的时候，印钱确实能刺激经济，而一旦市场形成了「政府在乱印钱」的预期，那么再印往往就适得其反了。这其实也是一个例子，因为大部分情况下，我们确实都生活在凯恩斯的世界中，但是如果我们无限制的利用这一点，我们就会到弗里德曼的世界。如果我们不了解这个内在的机制，单纯的用大数据去模拟归纳，那么很可能我们得到了就是一个纯粹凯恩斯的答案。