数据与策略：经济学真的变得更「科学」了吗？

如今的经济学研究越来越喜欢用数据说话。从“吃辣与贫穷的关系”到“颜值对公司业绩的影响”，各种新奇甚至奇葩的课题，纷纷打着「因果识别」和「实证分析」的旗号出现在我们眼前。

有人称赞，这是经济学走向科学化的重大进步；也有人批评，这不过是披着科学外衣的“数据游戏”。

21世纪的经济学，是否真的已经从一门主观思辨的学问，彻底转变为靠「数据支持+识别策略」驱动的实证科学？

一、计量经济学：从“拍脑袋”到“看数据”的革命

经济学曾经长期处于“公说公有理，婆说婆有理”的状态。

同一个政策，有学者说是利好，有学者认为是灾难，谁也说服不了谁，关键原因就在于缺乏统一的、可验证的方法来判断观点真伪。

而计量经济学的出现彻底改变了这一局面。它通过建立模型、运用统计工具，试图从复杂现实世界中识别出变量之间的因果关系，而不再只是依赖理论推导或个人经验。

比方说，我们要判断“教育水平是否真的能提高个人收入”，传统上可能只能靠个案或逻辑推理，但如今我们可以借助“工具变量”、“双重差分”等识别策略，尽可能控制其他干扰因素，从而得到更接近真实的结论。

这种方法论的进步，不仅让经济学研究变得更加严谨和可重复，也带动了整个社会科学研究范式的转变。

社会学、政治学、甚至传播学等领域，也越来越多地采用类似的定量分析方法，尝试用数据验证经典理论或提出新的解释。

从这个角度来看，计量经济学的崛起无疑是人文社科领域一次重大的科学化进程。

二、数据的“先天缺陷”与方法的“后天补救”

尽管计量方法赋予经济学更强的科学属性，但它依然面临一个根本性难题：社会科学中的数据，绝大多数是“结果性数据”，即它们记录的是已经发生的现象，而非在控制环境中主动干预产生的结果。

这和自然科学中的实验完全不同——物理学家可以控制温度、压力反复做实验，经济学家却很难为了研究“最低工资对就业的影响”而真的去操纵一个地区的工资水平。

正因如此，经济学尤其依赖方法上的创新去“模拟实验”，也就是所谓「识别策略」。

例如，使用“自然实验”——比如某个政策突然在A地实施而非B地——或者借助“断点回归”，尝试在非实验环境下捕捉因果关系。

这些方法的本质，是在缺乏理想数据的情况下，尽可能逼近因果推断的条件。

计量经济学这几十年的发展，正是在不断尝试克服数据缺陷、提高识别精度的过程中推动前行的。

三、当“因果识别”被滥用：经济学研究的怪现象与反思

然而，任何一种方法一旦被推向极端，就容易出现异化。

近年来，随着大数据越来越容易获取、计量软件越来越“傻瓜式”，“跑数据”变成了很多研究的核心甚至唯一动作。

我们不乏看到诸如“本命年是否影响股票收益”“员工星座是否与企业绩效有关”这类题目——看似有趣，实则缺乏理论支撑和现实意义。

这类文章通常模式雷同：一个引人注目的标题+一个大型数据集+某种识别策略，最后得出一个似是而非的“因果结论”。

这背后反映的是一种“技术主义陷阱”：过于强调识别方法的精巧，却忽略了经济学最根本的任务——理解真实世界中的重大问题和人的行为。

当我们沉迷于数据和技术时，很容易陷入为了识别而识别、为了发表而研究的短视循环。

甚至有些研究虽然在方法上无懈可击，但问题本身的价值却极其有限。经济学不能变成“只有数据，没有经济学”的学科。

四、经济学，是科学更是艺术

它既是一门依赖数据和实证的科学，也是一门需要理论洞察和人文关怀的艺术。计量方法和因果识别为我们提供了前所未有的分析工具，帮助我们更清晰、更准确地理解经济现象。

但工具终究是工具，不能替代思考本身。

一个好的经济学研究，不仅需要严谨的识别策略和高质量数据，更要提出有意义的问题、扎根于现实的经验感，以及将结果重新放置于更广阔理论图谱中的阐释能力。

数据可以告诉我们“是什么”，甚至“为什么”，但至于“这又怎样”“该如何行动”，仍需要人的判断与价值选择。

经济学之所以仍然充满魅力，正是因为它站在科学与人文的交汇处——既仰望理论的星空，也脚踏现实的土地。