兩年經濟學研究所的教育給我的啟發

陳家威
12 min readAug 14, 2023
圖片來源:https://depositphotos.com/cn/photo/silhouettes-of-students-throwing-mortarboards-116379142.html

熬了兩年終於把碩論寫完,親戚朋友又會開始問一些有的沒的市場經濟學問題:

最近有沒有在玩股票阿?超導體概念股推哪一支?
你怎麼看美國升息?
虛擬貨幣為什麼這麼好賺?

經濟學的範疇真的很廣,但大眾認知到的經濟卻很狹隘(就像心理系之於讀心跟MBTI 吧)。也不是因為他們只接觸到這些,而是他們沒意識到很多跟錢沒關係的事情,其實也是經濟學的興趣,是經濟學研究所中很重要的訓練內容。

對於被問一些空泛的問題(你怎麼看、你贊不贊成、…)而可以馬上說出一套課本的標準回答的人,除非這就是他的研究領域,不然我都會對他的思辨能力持有一定的懷疑態度。

我想分享幾個我在台大經濟系上了這麼多(研究方法)的課之後的體悟。我覺得看待社會現象的角度,還有會留意的地方,真的會有所不同。

  1. 人才是經濟的主角
  2. 有比管制規定更好的做法
  3. 數字不會說話,人才會。而且人會說錯話
  4. 選擇後才有結果,所以不要拿結果做選擇
  5. 先了解問題為什麼難,再來想問題怎麼解決

人才是經濟的主角

經濟體是人所構成,忽略人的決策過程,說實在也很難研究經濟。

人會貪小便宜,但人沒有足夠的資源,而且人會被規則限制住。這三件事就像是整個經濟體裡面最重要的三個層次,在總體裡面的術語就對應到「最大化效用」、「資源限制式」、「機制」。

以逛百貨為例好了,你想盡可能逛各個角落(最大化效用),但時間有限(資源限制),而新光三越的手扶梯又硬要繞一圈逼你逛一下才能去上一層(制度與機制)。再舉經濟一點的,我想貸款買房,可是沒錢,但是申辦貸款卻又要我提供一定的頭期款與擔保品。諸如此類的小事情左右著人的選擇,而搞懂人類怎麼在這些事情之下做選擇,我們才有餘力去探討,把社會上每一個這樣的人視為整體來考量。

這樣應該就可以理解為什麼有「實驗經濟學」、「行為經濟學」與「神經經濟學」這種名字不知道在幹嘛的經濟學分支,因為這就是最直接研究人在那三個層次之下,會如何做出行為的最有效方法 — 直接做實驗。

菜市場經濟學常常討論美國升息、殖利率曲線、非農就業率等等「很像經濟學的經濟學名詞」。在現今總體研究中,這些問題的討論也都是從人的效用、行為、預期等等下手(做著名的學者便是 Jordi Galí),經過數值分析來得到動態的變化與均衡狀態。經濟學研究的分析,絕對不只是像某些財金專家信口開河的故事(不過不可否認,的確有些經濟直覺很好的分析師)。

我很喜歡的一種統計方法叫做 Simulation-based estimation,他就是將個體的狀態還有隨機性,伴隨著個體的選擇考慮進模型,然後看什麼樣的係數之下,才最有可能出現我們觀察到的結果。我有一篇英文的技術性medium文章,探討如何估計飛機航線的開闢。參考:

有比管制規定更好的做法

數量或是價格管制一直都是台灣這幾年很常見的政策,例如蛋價的管制。不只在有價格的政策上,許多諸如「易肇事路段限速30」、「未禮讓行人罰6000」、「租屋補助可不告訴房東」等等,都是一種行為上直接的管制以及後續的罰則。政府常常用這種最終行為的限制與管制,來作為政策執行的手段。

文獻上這種政策手段稱為「家長制 (paternalism)」,就像家長規定各種限制,讓小孩的表現符合他們的預期。不過規則通常就是來打破的,儘管有罰則,人總是可以賭一個「我不會被抓」的心態來逃避這些管制。換句話說,常常這些管制都有「有限執行性 (limited enforcement)」。比方說,不減速禮讓行人,如果不被抓,駕駛就覺得事不關己。

但顯然不能完全放任自由,變成所謂的「自由制 (libertarianism)」,因為並不是每件賭爛事都可以有效讓市場自己溝通,因此外部性非常高(寇斯定理)。想像每個行人都要跟每台車子溝通,顯然不可能。

最好的方法,其實是透過制度改變誘因。想辦法讓人在自由選擇自己的最佳行為之下,達到政策制定者想要看到的均衡狀態。這種思維稱作「自由家長制 (paternal libertarianism)」。

舉一個日常生活的例子來說,如果政府不希望車子超速,不該直接掛一個限速30。這樣誘因不足,因為駕駛最舒服的行車速度會隨著視野跟路幅而變動(請參考自由車流速率)。比較理想的做法可能是藉由實體或視覺上道路的縮減(例如楔形標線),讓駕駛人因感受路寬縮減而自願減速。有興趣可以參考標線改造台灣路,以及看看Thaler and Sunstein 的書《推力》。

我們當然可以都用「罰則」作為威嚇手段,但如果行為人對這個不敏感或是沒想這麼多,那罰則的成效可能不彰

回到經濟層面,面對很多社會不均的問題,也可以靠一些機制設計 (mechanism design),讓可以多付出的人真的願意多付出一點。這種機制設計的目的,就是要在人是採取最佳行為而且誠實地揭露自己的為人的情況下(賽局中稱之為激勵相容,incentive compatibility),讓最後的分佈或總體福利達到政策制定者想要的想像。

這不是我的專長所以我不多說明,但重點在於,用限制、處罰、以及補貼的方式,通常不見得會是最有效的(儘管最直接,也最容易跟選民交代,放在政見上面鏗鏘有力)。這樣的做法少考慮了很多「人類」背後的行為動機與之帶來的均衡改變。

接著,我想先跳出來講一下「數據」

數字不會說話,人才會。而且人會說錯話

我最討厭的事,就是社論或是各種FB留言下面,永遠會有人貼出一張圓餅圖開始滔滔不絕,貌似要揭櫫世間萬惡的真相,最後再瀟灑補上一句話:

數字會說話

別傻了,數字不會說話,幫數字說話的是人;如果你相信人會說謊,那麼你應該也要相信數字會說謊。

經濟學絕對是帶領我產生疑心病的頭號犯人(當然這件事也不一定成立,可能就是我有疑心病才選擇轉讀經濟,但這是下一點要談的)。「應用個體經濟學」會讓人疑神疑鬼,看到每一個變數之間都在想中間會有什麼「故事」:會不會有倖存者偏差?這個結論是不是辛普森悖論?會不會有內生性?是不是自我選擇的結果?有沒有遺漏變數?

往往新聞中數字之間的關係,都多多少少找得出一個可以做得更好的分析。

新聞上出現長條圖,圓餅圖,折線圖等等,如果沒特別分群,大多就很容易被挑戰中間推論的因果關係會有問題。仔細的研究變數間的因果傳遞過程,才能釐清真相,而不是單純看到數字就興奮,然後亂給解釋。

展示一下經濟系研究生如何機巴的思考吧:

政府的「振興三倍券執行成效評估書面報告中提及,以「數位三倍券」(信用卡、電子支付等)評估政策效果,可以somehow得到經濟效益破千億的結論。但是作為經濟系研究生第一眼看到的是他們樣本用了「數位三倍券」,或許因為這個資訊取得較為容易,所以只能用這個做評估,但我就會思考:

  1. 自我選擇的問題 — 會選擇用數位三倍券的人,是不是本身就教育程度比較高,而教育程度較高的族群的效果是否能推論到整體?
  2. 消費行為的偏誤 — 會使用信用卡消費本身就更常用在較大金額的支付,這樣的效益還能不能跟紙本的行為相比擬?

那份政策評估的確有數字,也的確有人替數字說話,但說的話到底有沒有意義,真的見仁見智,所以不要盲信「數字會說話」這種鬼話,保持一定思辨的能力,會避免很多被帶風向的機會。

這就帶到了另外一個相似的啟發:

選擇後才有結果,所以不要拿結果做選擇

每年一定會出現的「數字」就是平均年薪。居冠的永遠是醫生、工程師、然後就是管理、行銷等等。

這就造成了一個現象,很多人都認為轉行當醫生(後醫)跟自學之後當工程師,就可以高薪頤養天年。但這中間有一個天大的謬誤。

說起來非常的殘酷,但事實就是如此 — 並不是進入行業就會有那個行業的才能。就像不是每個人都是當醫生的料,像我這種庸才進去當整形醫生不知道要整壞幾張臉,都賠不完了怎麼還會高薪。

會選擇當醫生或工程師的,當初的能力就已經篩選過一輪了,所以剩下就是比較有能力在這些工作取得高薪的人,像我一樣的人進去只能拿低薪。反而乖乖做數據分析還比較賺錢。

這就是自我選擇的結果,在勞動經濟學中我們稱這個叫 Roy Model。每個人都有「假如自己做A」以及「假如自己做B」時的薪資,研究者會好奇做A的人改行做B會不會比較高,但選擇做A的人,當時就是評估過做B薪資可能比較低,所以才選A,因此這問題並不是這麼好回答,不能直接平均比較。

而新聞媒體或是家長,往往都直接把醫生的薪資與工程師的薪資做平均,然後說服大家從事這兩個高薪職業,這樣的推論完全就犯了「自我選擇偏誤」。

再來就是NTU交流版的統計期末問卷調查,真的是偏誤大本營誒。諸如「交友軟體使用調查」、「腳踏車使用調查」、「XXX意見調查」。

基本上,沒使用交友軟體就不會想填問卷,沒腳踏車也不想填問卷,而沒意見也不會填意見調查,所以很多最後的統計量像是「幾%認為XXXX」往往就參考用而已,因為要不要填,這件事基本上也是自我選擇後的結果,除非是隨機抽樣,不然最後肯定是會有偏誤的。另外就是放交流版,就會造成樣本結果都是台大生,這樣的「方便抽樣」(convenient sampling) 也會造成偏誤。

回想到第一點的啟發,那就是經濟是人所構成的,而從數據研究經濟行為時,也不能忘記數據的產生也跟人的選擇有非常大的關係。

先了解問題為什麼難,再來想問題怎麼解決

聰明的人這麼多,為什麼這個世界還有這麼多問題無法解決?這是我在初期學習經濟學時最常疑惑的問題。教科書上非常明確的說做A會導致B,那為什麼不做A就好?

「能提出解決方法」與「有沒有建設性」,不見得會同時成立。選舉期間每個候選人都會提出交通、教育、福利等種種政策,但實際上會讓事情更加失控的可能性也很大。

再以交通為例,要解決兩地之間交通阻塞的現象,曾有候選人的解決方法是「再建立一條地下道來疏通」。乍看之下的確有方案,但問題就在於團隊並沒有實際上了解為什麼交通問題這麼難解決。著名的 Braess’s paradox 就是一個例子,建構一條快速的疏通道路,是有可能讓交通更堵塞的,原因在於賽局上,都走這一條是一個新的均衡,但某種程度上這個均衡就像囚徒困境般讓大家的效益反而降低了。

又例如房價到底該不該硬著地(也就是靠大量的升息來迫使貸款買房成本增加,使大家不想持有房地產,藉此降低房價),作為買不起房子的年輕人之一心裡當然會很幹,希望直接藉由升息讓房價跌一跌就好。不過這樣想並沒有理解問題為什麼難解決。Andrew Sorkin 在2009年出版的一本書 “Too Big to Fail” 就描述了這樣的概念,而文獻上例如 Bernanke 跟 Gertler 等等人的研究,都說明了銀行作為金融仲介,背後如果是以房地產作為資產,一旦房價崩跌,資產價格縮水之後,貸放金額會大幅減少,對於有經濟發展是會有實質上的危害 (Balance-sheet effect)。

這邊並不是要替央行的做法說話,只是想表達在真正理解問題為什麼難處理之後,才有辦法用最好的方式處理問題。這也呼應到第二點,「比管制更有用的做法」通常需要對整個問題產生的機制有非常深刻的理解,並且能夠準確的分析政策效果的邊際效益。這是一件非常難的事情。

經濟學家不可能掌握所有原則,但會終其一生想釐清處中間的機制。過去的原則很有可能是錯的,繼續用這樣的原則下指導棋,最後可能會火上加油。

總結 — 思辨是為了理解人

就讀物理系時,思辨是為了想搞懂自然規律,而後來慢慢接觸人文之後,以為思辨是為了批判。但經過經研所的訓練之後,我開始認為思辨是用來互相理解。站在相同立場,批評者也有可能做出被批評者的行為,或是有相同的最佳應對。

許多社會問題,與其批評行為者的道德良知,不如想想這個社會的機制上哪邊可以做更好。出現了性別意識薄弱的台大經濟系學生,與其瘋狂的檢討學生行為的對錯,不如回想一下教育體制是否可以讓整體學生的性別意識常態增加:遇到炒房的地主,與其以仇富心態批評他們不尊重居住正義,不如檢討稅收制度是否不足以彌補這樣的外部性,因為假如今天換作是你擁有幾千萬,最佳的投資策略,在現行的制度之下,絕對還是房地產。這是人之本性。

而現今最受歡迎的思辨方法,便是從數據下手說服人。但大眾很容易忽略數字與因果之間的差異,也因此我認為高中的數學應該直接去掉「回歸分析」單元中,公式的部分。一旦計算的比重增加,學生就會忽略掉「數據識讀 (data literacy )」的素養,以為回歸就解讀了因果關係(就算是非題會回答「否」,但下意識還是會誤解)。

期望有一天大家在提到「經濟學」的時候,想的會是以人為本的行為科學、會是邊際效益、會是從數據中找出正確故事的科學,而不是電視上 fancy 卻不嚴謹的股市與總體分析。

參考書籍

  • 史蒂芬.羅德斯(2023) 經濟學家眼中的世界(40周年好評增修版):一本讀懂經濟學的優劣與局限,剖析政府、市場和公共政策,探索人類的幸福。今周刊出版。
    探討過去政府政策,尤其是管制政策上的優劣成效,以及經濟學家認為更好的方法。過了 40 年,今天還是有很多無意義的政策,實在令人感嘆。
  • 理查.塞勒、凱斯.桑思坦 (2022) 推力:每個人都可以影響別人、改善決策,做人生的選擇設計師。時報出版。
    探討人作為不理性(非經濟人)的動物,可以如何透過選擇設計影響私人利益,藉此改變公共利益。
  • 提姆.哈褔特 (2020) 誰賺走了你的咖啡錢:日常生活中的經濟賽局,臥底經濟學家完美破解。早安財經出版。
    舉了很多故事例子來介紹經濟學原理的各種名詞。看了很快樂的一本經濟科普書。
  • 羅伯‧麥修斯 (2017) 機率思考:大數據時代,不犯錯的決斷武器。大牌出版。
    舉了一些有趣的例子闡述「數字不會說話」的概念,需要清楚因果關係的思考,才能避免誤解。
  • 吳聰敏 (2023) 台灣經濟四百年。春山出版。
    吳聰敏老師的這本書,雖然是一本經濟史的書籍,不過縱貫整個台灣史,最重要的一點就是,制度影響誘因。因此很推薦在讀到日治時期以後,時時思考,管制真的比較好嗎?

其他還有我也看不完(或看不下去的書)

  • 阿比吉特‧班納吉, 艾絲特‧杜芙若 (2016) 窮人的經濟學:如何終結貧窮?
    這本是很具有學術語言與嚴謹的一本書,隨便找一個章節閱讀,便會理解要釐清一個政策的效果,是會要考慮這麼多的因素。

--

--

陳家威

Graduate student in Economics. Aficionado of data science & causal inference