圖源：多因·法默個人主頁

撰文｜戴晶晶

多因·法默（J. Doyne Farmer）大半輩子都在嘗試預測那些被認爲難以預測的事情，而他有過一些令人驚訝的成功。他現在是聖塔菲研究所外聘教授、牛津大學馬丁學院新經濟思維研究所複雜性經濟學項目主任，以及牛津大學複雜系統科學教授。

法默1973年斯坦福大學物理學本科畢業，隨後進入加州大學聖克魯茲分校，從物理宇宙學轉向動力系統研究，參與了混沌理論的早期探索。1981年獲物理學博士學位後，他進入洛斯阿拉莫斯國家實驗室繼續研究非線性與複雜系統。

讀研究生時，他和夥伴們把計算機藏進鞋子，通過腳趾操作開關，測量輪盤賭中小球的運動，再計算下注位置。他們確實找到了提高勝算的方法，因爲對物理學家來說，那只是一顆運動的小球。

後來，他參與創辦預測公司（Prediction Company），將計算機預測用於金融交易。據他回憶，這家公司運營了28年，其中27年盈利。它也成爲量化交易的先行者之一，2006年被瑞銀收購。

如今，他想挑戰的是更復雜、更棘手的宏觀經濟。在法默看來，過去50年，宏觀經濟模型不斷改進，預測的準確性卻沒有相應提高。他希望改變這一點，但他的研究首先指向了主流經濟學的基本假設。現實中的人未必能夠作出最優決策，模型爲什麼要假定他們可以？

法默將自己所屬的複雜性經濟學家稱爲一羣反叛者。他們試圖從個人、企業和機構的實際行爲出發，用計算機模擬經濟如何運行，而這條研究路徑長期處於主流經濟學之外。

“經濟學中的理性主體像是某種超級英雄，但我們並不是超級英雄，至少大多數人不是。”法默說，“我希望建立一種更有效的經濟科學，或者至少爲現有經濟理論提供補充，解決它目前無法解決的問題。”

法默團隊已經作出過成功的預測。2020年，他們將停工、需求萎縮和供應鏈中斷納入模型，追蹤衝擊如何在行業之間傳導，較準確地預測了英國在疫情衝擊下的GDP降幅。

近日，法默的新書《理解混沌：更好的經濟理論，更好地理解世界》中文版出版。《知識分子》與他展開對話，談論這些預測背後的方法、失敗和爭議，以及他爲什麼相信經濟預測仍有改進的可能。

傳統經濟學的反叛者

《知識分子》：您在書中把複雜經濟學家描述爲一羣反叛者，這很有意思。你們在反叛什麼？您認爲傳統經濟學有哪些不足？

多因·法默：這是個好問題。首先學術界也是由社會組織構成的，對吧？經濟學界圍繞一套特定的觀念組織起來。其中的核心觀念，也就是通常所說的新古典經濟學的核心，是人或經濟主體會作出使自身效用最大化的決策，其根源可以追溯到19世紀。

這裏需要區分計量經濟學與經濟學理論。前者側重統計分析，不在我討論的範圍內。目前大多數實際應用的模型仍以理性預期爲基礎，儘管經濟學家也在尋找替代方案，但這是主流經濟學的一項嚴格要求。

複雜性經濟學家拒絕接受這一要求，我們研究經濟主體實際上如何行動。世界太複雜，人們即使想實現效用最大化，也未必知道如何做到。因此，我們採用計算機模擬替代傳統的數學求解方法。

這是對主流經濟學的激烈反叛，也受到主流學界的牴觸。複雜性經濟學論文幾乎無法在所謂的頂級經濟學期刊發表。研究者通常在美國以外，也多在經濟學系之外任職，不少人像我一樣出身物理學。歐洲雖有少數經濟學系接納他們，但仍未將其納入主流。

中國則更務實、開放。去年訪問中國時，我接觸了清華大學計算機系的一個團隊，他們做的就是我所說的複雜性經濟學研究，並得到國家的大力支持。我認爲，這一領域在中國有更多發展機會，中國也可能成爲引領者。

《知識分子》：這是否與不同學科的思維方式有關？例如，物理學與經濟學，或者更廣泛地說，物理學與社會科學之間，是否存在某種根本差異？

多因·法默：是的。我接受的是物理學訓練，但也與生物學、計算機科學、經濟學以及許多其他社會科學領域的研究者合作過。我覺得人們很難充分意識到，不同學科的思維訓練究竟有多大差異。從本科到博士，你會被教導如何解決問題、什麼算是有效的解答，以及需要什麼證據才能接受它。

物理學有很強的實證傳統，強調讓數據決定我們接受什麼觀念。比如，量子力學與宏觀經驗截然不同，非常違反直覺。學習它會讓你對缺乏證據的假設更加謹慎，也更願意接受其他研究方式。

物理學家轉向理論生物學、機器學習等領域很常見。我認爲，跨學科交流非常有益，但也會遇到牴觸。人們習慣於各自學科的思考方式，並相信它是正確的。這會帶來認知上的衝突，也可能產生很有價值的成果。

《知識分子》：你曾表達過一個願望，希望經濟學有一天能建立在更科學的基礎上。怎麼理解這句話？

多因·法默：經濟學在諸多意義上已經是一門科學，我並不是說它不是科學。但科學也有程度之分，其解決問題的能力也有差異。我希望建立一種更有效的經濟科學，或者至少爲現有經濟理論提供補充，解決它目前無法解決的問題。

如果我們能建立預測能力更好的理論，就能在統計上獲得更充分的證據，證明這些理論有效。對於大多數經濟理論的預測，我們也許有一些證據表明它們是對的，但證據還比較薄弱。如果能夠加強這些證據，我們就可以開始對理論作出的預測更有信心。

《知識分子》：您把經濟比作文明的新陳代謝。這一觀念如何幫助研究現實經濟？

多因·法默：我是在學習經濟學中投入產出模型時想到這個比喻的，這些模型與我此前研究生命出現之前的代謝過程時建立的模型有着相同的數學結構。生物代謝從環境中獲取食物，將其轉化爲能量和身體的組成部分；經濟則將自然資源和能源轉化爲商品與服務。

後來寫書時，我才發現卡爾·馬克思也提出過類似的觀念。

投入產出模型本身很有用，也是傳統經濟學中我認可的一部分。但新陳代謝這個比喻還幫助我們理解，經濟不僅涉及稀缺資源的分配，也是一個不斷演化和適應的系統。

我還說過，經濟是一個由各有所長的專業者構成的生態系統。經濟學中的理性主體像超級英雄，但現實中的人能力有限，不可能掌握所有知識和技能，所以需要專業分工。把這些限制納入考慮，就會引導我們建立不同的理論，也讓複雜性經濟學的建模方式顯得順理成章。

模擬真實的經濟

《知識分子》：更貼近現實的假設，是否一定能帶來更好的模型？在基於主體的建模中，你如何判斷哪些因素需要保留，哪些可以省略？

多因·法默：這是一個合理的擔憂。任何理論都會簡化現實，關鍵是作出哪些簡化。模型並不是越複雜越好，不必要的因素會增加自由參數，讓模型更難擬合數據，甚至降低預測準確性。許多基於主體的模型就存在這個問題，增加了複雜性，卻沒有增加解釋力。

判斷哪些因素必不可少需要經驗，也需要試錯。你可以從簡單模型出發，逐步加入因素；也可以從複雜模型出發，逐步刪減，觀察它們如何改變模型的行爲。有用的就保留，沒有用的就去掉。根據我的經驗，兩種方法都有效。

最終，你必須理解模型中什麼導致了什麼，並能解釋結果爲什麼出現。一個無法解釋的黑箱，即使能夠運行，用處也可能有限。我們希望通過理解因果機制，爲行動和經濟決策提供依據。因此，模型既要保留必要的因素，也要配備診斷工具，讓我們能夠追查結果的成因。

《知識分子》：我想談一個更具體的案例。您在書中提到，疫 情期間，你們的模型較準確地預測了英國GDP的變化。爲什麼能做到這一點？

多因·法默：我認爲我們的模型表現較好，是因爲它忠實地反映了經濟的結構。換句話說，這是一個按照經濟實際如何運行來建模，而不是假設經濟彷彿如何運行的好例子。

常規經濟學理論假設經濟處於均衡狀態，疫 情讓經濟遠遠偏離了均衡。這是一次突如其來、規模巨大的衝擊，同時影響了許多經濟部門。

我們用計算機模擬實際發生的過程。人們無法上班，一些行業就無法生產；這些行業停產，又使另一些即便員工能夠上班的行業，得不到生產所需的原材料。因此，衝擊沿着經濟體系向下遊傳導，從採礦、林業、漁業等基礎部門，經由製造業，向消費者傳遞。

與此同時，需求也受到衝擊。許多消費者停止了平時的活動。例如，航空公司仍在運營，但人們不再乘飛機。這股衝擊沿着相反方向，向上遊傳導，兩股衝擊還會相互作用。

我們的模型能夠逐日動態追蹤這些衝擊在經濟中的傳導。對於每個行業，我們每天都會問，它是否有足夠的勞動力？是否有必需的生產投入？它生產的商品是否有需求？只要其中任何一個問題的答案是否定的，我們就相應調低該行業的產量。

每天重複這個過程，就能看到衝擊如何在經濟體系中傳遞。我們儘可能貼近實際過程，也大體把握住了經濟結構。相比之下，更傳統的經濟學模型沒有直接模擬這些過程。

《知識分子》：如果遇到一種與疫 情不同的衝擊，這個模型還能有效預測嗎？

多因·法默：我的公司Macrocosm正在嘗試把複雜性經濟學應用於實踐。霍爾木茲海峽關閉時，我們預測了這次衝擊向外傳導後會產生什麼影響。必須承認，這一次我們的表現沒有那麼好。

例如，我們預測印度受到的影響會比實際情況大得多。問題在於我們沒有掌握最新的供應網絡情況，沒有意識到印度從俄羅斯進口了多少石油，而這些供應減輕了它受到的衝擊。我們掌握的印度石油儲備數據也不準確。

雖然整體表現也不算太差，但這次經歷讓我們認識到下次必須更加仔細地核查所有數據，才能作出準確的預測。

《知識分子》：也就是說，你們的模型在結構上更貼近現實經濟，但仍然需要充分的信息和數據。

多因·法默：確實如此。

隨機 vs 未知

《知識分子》：我想從你的研究轉向個人經歷。您的職業生涯跨越了多個領域，從預測輪盤賭，到量化金融，再到預測經濟系統。這些不同的研究領域之間，是否有一條共同的線索？

多因·法默：開始寫這本書時，我也沒有看得很清楚。隨着寫作推進，我逐漸意識到自己一直對預測着迷，尤其想在那些被認爲是隨機（Random）的事情中作出更好的預測。

對賭場來說，輪盤賭是一個隨機數生成器；但對物理學家來說，它是一顆沿圓形軌道滾動的小球，是一個可以預測的物理系統。

股票市場也是如此。當時的主流理論認爲，市場是有效的，你不可能戰勝市場。我們是證明這一說法並不成立的幾個團隊之一。戰勝市場並不容易，但確實可以做到。我還認爲即使市場中的無效率程度很小，也會對資源配置產生重要影響。

如今，我們研究宏觀經濟，同樣是爲了改善預測。過去50年，人們不斷改進模型，宏觀經濟預測的準確性卻沒有提高。天氣預測提供了一個參照。它曾在近一個世紀裏進步有限，直到20世紀50年代，研究者開始運用物理學，從底層過程出發模擬天氣。到1980年前後，數值天氣預報的準確性追上了依靠經驗和判斷的預報員，此後取得了巨大進步。我們希望經濟預測也能實現這樣的突破。

《知識分子》：面對輪盤賭，多數人只會想到運氣。在您看來，是不是所有系統都可以被預測？

多因·法默：在物理學中，我們認爲量子漲落具有內在的不可預測性，是真正的隨機性。除此之外，我們所說的隨機往往是在描述一種認知上的不足。我們無法測量或者不瞭解背後的動力學機制，因此不能預測。

但在實踐中，我們通常缺少信息。我們能夠預測輪盤賭，是因爲小球開始轉動後，仍有一段時間可以下注。通過測量它轉一圈所需的時間，結合位置和受力情況，我們就能預測它的運動。如果賭場要求在小球轉動前完成下注，我們就無能爲力了。因此，能否預測取決於能否獲得測量信息，以及是否理解作用於系統的各種力。

研究人則不同。人的行爲非常複雜，物理學不再能直接發揮多大作用。雖然神經元活動最終可以用物理學（電化學脈衝）描述，但這非常基礎，與社會科學觀察的現象相隔多個層次，很難直接用來解釋人的行爲。

《知識分子》：但宏觀經濟既缺少充分的數據，也不像賭場那樣有明確的規則。您如何克服這些預測困難？

多因·法默：這不是一個非此即彼的問題。我們應該問的是，經濟究竟在多大程度上可以預測。

我認爲，GDP、失業率、利率等宏觀指標，本身並不包含預測它們所需的充分信息，因果機制存在於更微觀的層面。如果我們能夠收集這些微觀信息，建立利用這些信息的模型，研究經濟在微觀層面如何運行，再把結果彙總起來，就能在宏觀總量層面作出更好的預測。

我們還沒有證明這種方法普遍有效。要驗證它需要日復一日地作出預測，這正是我們的目標。也可能我們錯了，經濟確實具有內在的不可預測性。例如，市場有效性（Market Efficiency）會讓股市難以預測，經濟的動力學也可能具有混沌特徵。

不過，混沌並不意味着完全無法預測。正如我在其他論文中展示過的，即使系統是混沌的，短期預測仍可能比把一切視爲隨機過程做得更好。但你的質疑成立，目前的證據還不夠充分，我們需要繼續驗證。

《知識分子》：回到你的個人經歷。你決定離開預測公司（Prediction Company）、重返學術研究時，公司已經相當成功。爲什麼沒有繼續留下來？

多因·法默：我從來就沒打算一直留下來。最初我計劃待五年，最後卻待了八年，已經比原先打算的更久了。我的熱情始終在於研究和理解事物。做一段時間這樣的工作是非常有意思的探索，但到了一定階段，我能學到的新東西不再那麼多了。

我也想做一些對世界有益的事情，而不只是爲了賺錢從事金融交易。當然有些錢是好事，那段經歷讓我有能力買了一艘帆船，也確實改善了我的生活水平。但人其實並不需要那麼多。

在預測公司工作期間，我逐漸意識到，經濟學中缺少一些根本性的觀念。我覺得，這是一個很好的機會，可以沿着這些方向探索，看看自己能夠作出什麼貢獻。於是，我走上了此後25年一直在走的研究道路。

《知識分子》：在職業生涯的現階段，你最希望用複雜性經濟學或複雜性科學解決什麼問題？

多因·法默：正如我前面所說，過去50年，宏觀經濟總量預測的準確性沒有提高。如果我們能夠作出更好的宏觀經濟預測，那將是經濟學的一項重大突破。這正是我現在關注的目標。

但我們需要一步一步推進，因爲目前要預測整個經濟體系非常困難。我們正在嘗試提高電力市場預測的準確性，這很適合用來展示這套方法的價值。如果在該領域有效，我們會進一步研究石油和天然氣市場，並逐漸建立一個覆蓋經濟體系中整個能源生產系統的模型，細化到單個能源生產設施的層面。全球生產石油、天然氣或電力的設施大約有13萬個。

對這些設施有了更好的理解後，我們會繼續拓展，向下遊研究電動汽車、熱泵等領域，向上遊研究採礦，併爲這些部門建立模型。

最終，我們希望能夠模擬整個經濟體系，更好地預測不同社會選擇會帶來什麼結果。比如如何讓經濟在環境上更可持續？如何應對人工智能可能造成的極端財富集中？

預測的下一步

《知識分子》：人工智能與基於主體的模型之間，是競爭關係，還是可以互相補充？另外基於主體的模型也會需要大量算力。

多因·法默：兩者兼有。研究經濟問題的另一條路徑，是直接用數據訓練機器學習算法。在高頻金融交易、信用評分和欺詐識別等領域，數據非常豐富，AI很有用。但對於許多其他經濟問題，我們沒有足夠的數據讓它有效發揮作用。

我們正在嘗試用AI輔助基於主體的建模。這類模型通常有一些可調的自由參數，因此，你建立的其實是一整組模型，需要用數據確定哪些參數更合適。

具體做法是，先讓主體模型運行許多次，再利用模擬結果訓練一個能夠模擬它的AI模型。隨後，即使只有部分信息，我們也可以藉助這個AI模型推斷系統的當前狀態，估計參數的可能取值及其概率分佈，從而改善預測。我們正在寫一篇論文介紹這套方法。我認爲，將兩者結合是一個重要的研究前沿。

至於算力，天氣預測至少已有開展大規模計算的中心，經濟學還缺少這樣的基礎設施。這也是我成立公司的原因，希望通過商業途徑爲研究籌集資金。

《知識分子》：您正在研究電力市場，也計劃拓展到其他與能源轉型相關的領域。在研究和預測過程中，有哪些觀察讓你印象深刻？

多因·法默：許多人仍然低估了可再生能源轉型的速度，以及它將從根本上改變能源系統的程度。特朗普顯然判斷錯了，他押注了錯誤的技術。相比之下，中國的政策合理得多。

中國大幅發展太陽能，建設輸電線路，將西北地區的太陽能電力輸送到東南部及其他地區。中國在可再生能源領域佔據主導地位，我認爲，這也意味着它將主導未來的能源系統。

化石燃料的成本與100年前相比沒有什麼變化，太陽能成本卻已經下降了幾個數量級，而且這一趨勢並沒有停止（編者注：2010年，法默與合作者就在《自然》上預計，到2020年，太陽能發電成本將低於煤電）。太陽能和電池將使能源比以往任何時候都更便宜。中國押注這個方向，會獲得回報，也會在世界上處於非常有利的位置。

作爲一個美國人，看到我們的政府押注錯誤的技術，令人沮喪。20年後，這些技術也許不會完全消失，但可能只在一些特定領域發揮作用。