陆铭：如何让经济学研究走向现实？

 

 

首先，我刚才已经举了很多的例子来告诉大家，实证研究在很多领域里面它是研究的前沿。那么，实证研究在哪些领域里面构成前沿呢？第一个在劳动经济学里面，实证研究在上世纪九十年代以后变得越来越重要，因为劳动经济学是一个典型的学科，它的理论已经基本上趋于完善了。所以，在九十年代以后，如果你说你是一个劳动经济学家，基本上大家就会把你理解为是一个应用微观计量经济学家，而不是理论经济学家。这个学科的发展已经到了一个以实证为主的阶段。
 

第二个就是我刚才讲到的两个例子，在产业组织和人事管理经济学里面，这些学科是从理论开始发展的，但是在它的理论大发展的时候，由于数据的公开性问题和数据的成本问题，经验研究非常少。而现在这些年，经验研究在这些领域里面构成了前沿研究领域。
 

第三个就是在很多的研究问题里面，我们根本就不知道事实是怎么回事。我们都能体会到，中国经济的发展、中国的制度、文化、人的行为，包括社会和政治的结构，跟现在经济学里面学到的一些东西不太一样，我们都模模糊糊地知道不太一样，但是从经济学研究来讲，我们实际上缺乏可以被经济学科学研究所确认的差异到底存在不存在？如果存在，到底有多大？我们不知道。所以现在大量的对于中国问题的理解，我们仍然是基于在西方的事实基础上所发展出来的理论来研究和理解中国的事实，但这样做，在很多时候我们就会对中国的问题看不透。如果你要提出一个对于中国的理解，构建一个新的理论的话，首先要做的就是，确实我们需要一个新的理论，因为我可以告诉你，在经验研究上它是有差异的。
 

我特别想强调实证研究在中国特别重要的几个理由：第一个是我刚讲到的，中国有一点不一样，但是什么地方不一样？事实还不是很清楚。第二是制定政策的需要。在中国现在所处的经济发展阶段，我们还没有足够的资源去养一批经济学家，他们可以不关注现实问题，就在书斋里读书，写paper，做所谓的纯理论。中国现在所处的阶段对应用研究的需求一定是非常大的，对此，非常重要的就是我刚才讲的policy evaluation，基于实证研究的政策评估。

大家知道中国政府现在都讲科学决策，什么叫科学决策？在英文里面没有一个词叫scientific policy making的，但英文有一个词叫research-basedpolicy making，我觉得这就是科学决策的英文翻译，我们现在讲科学发展观，也就是要多做研究。此外，中国的实证研究也是国际关注的焦点和趋势。以后你们有机会去参加会议，特别是国际会议里面关系到中国问题的会议，你就会发现，经验研究所占的比重是绝大多数。这就反映了经济学家意识到经验研究对于这些问题而言是我们首先需要做的工作。比如上学期期末的时候，我的学生张爽和我的文章被厦门大学一个非常高规格的劳动经济学的会议接受，因为是洪永淼教授组织的，请了很多大牛，包括Heckman，诺贝尔得主级别的。有人在会上说，我们到了中国来就是希望知道中国在发生什么，可是我们没有听到这个。所以，我们在中国做研究，首先要做的还是踏踏实实地告诉大家，中国到底在发生什么样的事情？在这个基础上如果要是发现有差异，那么我们就需要新的理论。
 

最后，由于前面三点，它就会关系到你的资助（funding）。你要去争取一些项目，包括国际的一些项目，都涉及到funding问题。

 

 

实证研究和理论研究一样，对于我们的学生来讲，往往比较容易关注到中段。就像在吃一条鱼的时候，就看到鱼肚子很肥，但你们不知道在做这项研究之前和之后有很多的工作要做，而这个之前和之后的工作往往占到70%的时间，但你们就看到这个中段，就是paper本身。那么对于实证研究来讲，之前需要做什么呢？
 

首先，在你做实证研究之前，你要有一个great issue（大问题）作为你的研究背景。这就是“大处着眼”的问题，但是你必须要有一个small point，也就是我经常讲的“小处着手”的问题。有了一个great issue就使得你的研究重要，而有了small point又使得你的研究具有可操作性。之后你要有一个好问题（good question）。比如我刚讲的，制度对于经济增长到底重不重要？理论制度经济学家就会告诉你很重要，可是对于实证研究来讲，我们是不知道的。因为当你看到制度好的国家经济发展水平也高的时候，我们其实不知道这是不是因为它经济发展水平高了所以它有好的制度。
 

那么对于实证经济学家来讲就要去看from institution to growth的这个因果关系（causality）到底有没有，这就是一个great issue。那么，small point是什么呢？在Acemoglu做的研究里面，他就想，怎么去把这个causality确定下来呢？他找到了一个很重要的工具变量，他去看非洲、拉丁美洲等殖民地时期的自然条件，其中一个非常重要的条件就是死亡率。他的想法是，如果在那个时期这些殖民地的死亡率高的话，白人就不愿意住下来，这样他们就会采取掠夺式的制度。如果愿意住下来，他们就会移植欧洲的好制度。那个时候制度的情况就会影响到今天一些地方制度好坏的差异，于是，这就很可能带来增长的差异。通过这样一个链条的作用就可以确认制定是导致增长的原因。这个做法就是一个small point使得他的研究变成了一个可操作的研究。
 

再接下来我举的一个例子是tea和sex。大家知道在发展中国家，我们出现的一个非常重要的问题就是sex imbalance，女孩子太少，男孩子太多。经济学家的一个解释是，对于一个家庭来讲，生男孩比生女孩好。因为男孩的生产率高，工资高，于是投资一个男孩的回报就更高。这个解释很多人不太喜欢，说经济学家从经济学角度来解释生育行为不对，他们觉得这就是文化的影响，大家都不喜欢女孩子，歧视女孩子。那么经济学家讲的到底对不对呢？于是就有我刚讲到的tea和sex研究里面，有一个美籍华人叫NancyQian，她是前年的美国job market上的star，现在到Brown去了，她来过复旦两三次。在她的研究里面就用中国的数据来检验家庭生育行为是一种经济决策。她想到，在改革开放以前，各种商品的价格都是被管制的，改革开放以后价格在逐渐放开，于是经济作物特别是茶叶的价格上涨了。大家知道摘茶叶这件事是女孩子的比较优势，因为女孩子比较细心。那么，根据经济理论的推断，茶叶的价格上升就会导致女孩的回报提高，这样就会使得家庭更加愿意生女孩，就会在孩子出生以后给女孩更多的照顾以减少她的死亡率。于是她就用了这样一个自然实验（natural experiment），价格改革这个自然实验提高了女孩的回报，于是提高了女孩的出生率和存活率，结果她的研究发现就是这样的。
 

那大家可能马上就想了，这些都太复杂了，我做不了。做不了可以做些简单的，比如我要讲一个矿难的例子，当然这个也不简单，因为你要是研究矿难会很麻烦。但我想举个例子，前年的经济学年会上，有一位老师说，他观察到中央政府要求地方政府提高矿难职工死亡的补偿费以后，矿难反而增加了。为什么呢？根据经济理论，这有可能引起更严重的道德风险。如果安全措施是由经济决策决定的，而生命是有价值的话，矿难水平提高了意味着如果减少安全措施，一旦发生事故，补偿金水平提高了，这就会增加人的道德风险，降低安全的保障措施，这就有可能导致死亡率上升。问题在于，你们如果学过信息经济学，要做出一个像我刚才讲的这个故事的理论是非常容易的。可是这里面就遇到一个问题了，他刚才讲的这个故事到底是不是真的？是不是在补偿提高以后矿难的发生率反而提高了？或者说这两件事情有没有因果关系？我们不知道的。如果你要是把这个文章做出来，一定是非常好的文章，因为它是一个大问题，它可以证明，人的生命是不是可以用价格来算的。
 

在你提出一个好的问题以后，一定要充分去做文献评论（literature survey），这可以达到几个功能：第一，通过文献评论你可以去证实你的研究为什么重要。比如我刚讲的矿难问题，如果你的文献评论是这样做的：某年某月有个人说，这两者是正相关的，所以我这篇文章就要去证明这个，那这篇文章就没人感兴趣了。如果你的文献评论是这样的：在经济理论里面有人提出，人对于安全设施的投入是一个经济的计算，对此很多社会科学家是有争论的。比如一些社会学家认为经济学家的这些观点是错的，这篇文章通过矿难的案例来告诉你经济理论是否正确。人家就会觉得非常重要。
 

第二个你要做的工作就是，要说明what’snew？我们做研究最容易忽略的就是what’s new。你做一个东西出来，你的读者为什么要看？你一定要在做的过程中想办法在你的东西里挖出一些新的东西来吸引你的读者，因为看文章对于每个人来讲都是有成本的。我们很多同学以为，我做了一个伟大的工作，但我不说，我很酷。我告诉你，如果现在做研究就抱着这样的心态，你死定了。你做一项研究，你一定要竭尽全力地要把你的工作在idea，method，data这几个方面跟既有的研究去做比较，来告诉大家，我用了一个不同的idea，我用了一个不同的方法，我的方法能够得到更加准确或者unbiased的估计。我的data是新的，别人的样本很小，我的样本大，别人没有这个度量，我有这个度量，所以我新。
 

再来谈研究之中，这个时候你首先需要一个理论。我刚才已经讲过了，这个理论和分析框架涉及到的第一个问题就是我需不需要数学？这我刚才已经回答过，就不再重复了。
 

第二个就是数据（data）。你的data哪来呢？当然我们有很多现成的数据，比如象我们做实证研究的，手头都有一些数据，但是你们以后去做实证研究，不管是去公司里做还是在学术界做实证研究，往往你需要自己去收集数据，这个时候你的数据是第一手的，尤其是在初始起步阶段的时候，你的样本不可能太大，样本大就需要钱，你没那么多钱，这样你的样本量不太大。那你要做这个研究，怎么才能让自己的研究成为一个好的研究呢？你就要去考虑。

首先，你要新，你要注意，是不是在你样本不大的数据里面有一些变量是别的大样本的数据没有的。或者你研究这个问题别人从来没研究过，你是第一次通过收集数据的方式来研究。
 

第二，一定要是well-defined，就是你这个数据一定要非常清楚地定义。比如，根据已有的文献，social capital是定义为这样几个方面，它们都是这样去度量的，用什么样的问题来问的，所以我在我的问题里面也这样问，这样你就可以得到好的度量（good measure）。最后，你的数据要well-structured，就是该有的变量你要有，你想identify的那些机制的中间变量你也都有，那么即便你的样本小一点，也可以做很好的研究。
 

第三，你要有非常聪明的idea，当然这很难了，所以要求就越来越高了。在计量里面，通常来讲你看到的变量和变量之间的关系只能说它是一个相关性(correlation)，但现在的实证研究已经越来越不满足于相关性，而是要去看causality。看因果关系一个常用到的方法就找工具变量。那么，这时候你用什么样的方法去看causality？用natural experiment？用足够让大家确信的外生变量？还是去找工具变量？这就需要你有非常聪明的想法来让大家确信你看到的确实是一个causality，而不是一个因果不明的相互关系。当然这个要求比较高了，在很多研究领域里面都是前沿课题。对于我们来讲，有的时候不要随便说你找到causality了，就是发现相关就很不容易了。
 

最后是计量分析（econometric analysis），就是要去分析、回归、解释结果等等。我们得到结果以后就可能碰到这样的问题，首先我们会发现，这个结果好像不对，我们感觉到的现实好像不是这样的，具体表现为符号或者显著性不是事先预期那样的。这个时候就要注意，有可能问题出现在如下几个方面，你一定要去想是哪些方面出了问题，然后再去调整它，而不要去做datamining的工作。第一个，数据可能是不好的。数据不好的第一个原因可能是因为用了中国的数据。中国的很多宏观统计指标是很粗糙的，比如中国的失业率本身就不是真实的失业率，你用了就有问题了。还有可能你的样本不是一个随机的样本，还有就是你的样本量太小了，这些问题都有可能导致你的数据质量不高，从而你想看到的东西看不到。第二个可能性就是理论出了问题。这又有两种可能性，一种是之前基于的理论是错的，或者它根本不反映现实情况。还有一种可能性是，可能存在一个新的理论或机制，它抵消了你原来认为的那个机制。
 

比如在我们自己做的一个研究里面就碰到过这样的情况，我们在做经济开放和国内市场分割这个相关性的研究的时候，本来觉得开放了使得竞争加剧，竞争加剧应该使得国内市场整合，结果后来发现往里面一放是线性关系，而且是正的，就是开放是促进市场分割的，那我们就想为什么？有可能是在经济发展的早期阶段，开放是促进市场分割的，在经济发展到一定阶段，开放就促进市场整合了，于是有可能存在二次的关系，我们把二次项往里面一放，果真一个非常漂亮的U型曲线就出来了。当你在正确的理论指导的情况下去做计量的时候，你就会知道怎么去加东西，是改变模型的形式还是改变数据，还是改变你的measurement？

之后你在理论的指导下得到的结果就可以帮助你发现新的东西，因为在我刚才讲的这个U型曲线的下，就告诉我们，在理论上经济的开放和市场分割的程度取决于开放的程度，这个是在既有的理论里没有的东西。事实上你们在座各位如果有人对此感兴趣，你就完全可以去做这样一个理论来描述经济开放和市场分割之间的关系是一个象我们所看到的U型，这时候你就知道理论和实证是一个什么关系了。理论是怎么来的？不是凭脑袋想起来的，是把现在已经发现的事实和规律形式化（formalize）。
 

研究之后我们得到很多结果，这时候你还有一些工作要做。第一个就是你要去解释它，我们很多同学做完了计量以后说，我的结论是x和y 正相关，x和z负相关。这毫无意义，就象你做了一个数学模型，做出来以后，它的经济学含义是什么？你要去解释为什么是正的？为什么是负的？为什么有非线性的关系？另外大家要区分两个significance。一个是econometric significance，它指的是在统计上x和y之间的关系是不是显著的。还有一个是economic significance，它指的是系数到底有多大，就是经济上的显著性，它能告诉你一个因素的重要程度到底有多高。然后你还要在这个基础上得到policy implication，即政策含义。
 

如果你像刚才讲的那样去做了，我就要祝贺你了，因为你已经在一个正确的道路上向一个好的经济学家前进了。

 

 

接下来我再做几个结论性的评论。第一，尽管我前面讲了计量如此之重要，现在我要跟大家讲的第一个评论是，large sample plus econometrics is not everything。就是说，你不要以为，做计量、做实证，唯一的路子就是去做大样本加上回归。首先，计量经济学所做的很多工作，往往还不足以identify两个变量之间的作用机制，在这个层次上，计量和理论是互补的。理论能够帮你解释，为什么x和y是正相关的？机制是什么？而实证帮你看到的只是x和y正相关，如此而已。
 

除了理论能够帮助我们思考这些机制性的东西以外，案例case有时候也是非常重要的。我们经济学家现在已经非常看不起case，但是我觉得case很重要，因为有的时候，机制在计量里面是不清楚的，这个时候就需要去做一些case study，去观察一些现实来告诉你，你为什么在计量上有可能看到x和y是相关的。
 

第二种情况是，有的时候很多东西是不能度量的。计量经济学一个依赖的前提就是每一个东西都可以度量，但是不是每个东西都可以度量呢？比如什么叫制度？什么叫法律？什么叫产权？什么叫民主？其实，有的时候，一些可度量的东西往往没有不一定能准确地捕捉到现实生活中的机制。
 

第三，有的时候数据几乎是不可得的，但是问题非常重要。比如上个学期的时候，我在经济学院作过一个报告，讨论中国的私有化和腐败。通过案例的方式来告诉大家，在中国，私有化导致了腐败的原因是因为我们以前就设置了一个非常错误的制度结构。这个问题非常重要，但如果你想用计量经济学家来告诉大家私有化造成了腐败，你要有large scale sample。比如你要有500家企业，而且你要找到腐败的度量，你能通过问卷得到腐败的大小吗？所以这种情况下案例就非常重要了。讲到这里，我就特别要强调，计量有计量的好处，它是大样本的，比较可信。这时候你在那些可以度量的、可以收集数据的问题上，就尽量要用计量的方法。案例用在数据几乎不可得、问题和作用机制又非常重要的问题上，你千万不要去做那些大家都觉得可以用计量来做的，你说你用案例来做，就没有人信你了，因为案例可能就只有几个观察点。
 

2004年的时候我发表过一篇文章《把实证研究进行到底》，有几句话我想给大家看一下。第一，计量是有陷阱的。我刚才讲过，不同的人有不同的道德底限，每个人报告什么取决于他自己。由于现在学术的规范，这是非常难做到的。在国外，你如果发表一篇实证的文章，你的数据就需要公开，要使得你的审稿人可以重复，这个时候你就不敢随便报告结果了。第二，你会发现在实证研究的发展过程中，经常是有一篇实证文章说前面的结果不可信，我得到的是可信的，而结果是相反的。那大家就很慌，为什么呢？因为做理论，你只要证明x和y是正相关，它确实在纸上是对的。但做实证，已经发现x和y是正相关，但你却明明发现它们是不相关的，那你就很慌，就生怕过了三年自己的文章没人引用了。可是我觉得这里面就需要解决一个问题，就是计量到底是什么？经济学的理论工具特别是计量工具就像我们在研究天文现象时候的望远镜，望远镜可看的远的程度相当于计量方法的科学性的程度。计量的方法是在不断地往前推进，随着方法的推进，以前得到的结果很可能就是不可信的了。这就好比你用望远镜去看这个世界，到现在为止你没看到上帝，你就以为上帝不存在了？不一定的。只是现在的望远镜看不到。从这个意义上讲，科学最后实际上是无穷逼近于神学的。所以我们千万不用怕，觉得我们用的方法不够先进，没有看到正确的东西。从这个意义上讲，我想说，用发展的眼光来看，所有的研究都是错的。因为如果没有当初的地心说，我们到现在还以为世界就是在一个大乌龟的背上。恰恰是因为有了地心说，后来才慢慢有了日心说。
 

再接下来看一张漫画[1]。它讲的是非典型性肺炎的意思，很多盲人去摸这个象，有人说是恐怖袭击，有人说是病毒，有人说是细菌，就好像不同的计量有可能得到不同的结果。我们到底应该信谁呢？Feldstein讲过一句话，他说，“这个故事的重要意义不在于每个盲人带着片面的、“不正确的”印象而去，而在于聪明的王公（经济学家）研究了这五个盲人的发现后，能把各部分拼在一起，形成对大象的正确判断，特别是如果他以前曾看到过其他四腿动物的话。”

 

这是什么意思呢？就是说，计量经济学研究和我们对于世界的准确认识之间的关系是这样的：并不是说你要去相信某一篇文章，你如果想形成对这个世界的整体看法，你是把很多实证文章放在一起，每一篇文章可能都是盲人摸象，但对于你自己来讲，对于一个好的经济学家来讲，应该把这些文章放在一起，形成对这个世界相对来讲比较完整的看法。比如我刚才讲的不平等和增长的关系，大多数人的研究都认为它们是负相关的，这个时候你就应该相信两者的关系确实是负的。所以，这就是为什么同样一个问题，不同的人反复做的原因。有的改进方法，有的改进数据，因为在不断做的过程当中，不断重复的过程当中，我们就对变量间的关系有了更为清晰的认识。

讲到这里就差不多该结束了，让我们的经济学研究走向现实，让我们将实证研究进行到底。