
大数据无法成就盖茨和乔布斯_数据分析师
2015年2月28日,初十,春雪,北大朗润园。一场激辩正在上演。北大国家发展研究院法律经济学研究中心、信息社会50人论坛邀约经济学领域各路大咖共谋信息时代经济学理论之发展大计。信息时代对传统经济学而言,是洪水猛兽?还是又一个春天?
这个周末,柴静以一己之力揭开“穹顶之下”的雾霾。纪录片疯狂刷屏的背后,正是理念的嘶叫呼喊,理念的力量再次得到彰显。
无独有偶,此次研讨会上,张维迎教授从经济学的基本假设“理性人”说开去,告诉你后工业时代、信息时代为什么理念依然有着无可辩驳的力量;风靡世界的大数据,为何与成为比尔·盖茨、乔布斯仍有“一步之遥”。
信息化让经济学理论的问题凸显
经济学理论有很多问题,而且有些问题还比较严重,但是这些问题究竟是本身就存在的问题,还是由于有了叫做“信息”之后存在的问题,我觉得不是非常清楚。在我们看来本身存在的问题,并非是信息化带来的问题,而是可能信息化本身对于这些问题暴露的更明显一些。
例如,就像地心说和日心说,地心说本来是错的,不是到十六世纪才开始变成错误的。但是十六世纪之前,在非常传统的农业社会,地球围绕太阳转,还是太阳围绕地球转,对于大部分人没有意义的。但是进入航海的时代,我们认为“地球围绕太阳转,还是太阳围绕地球转”就变得非常重要了。
经济学的理性选择模型假定人由利益驱动,并知晓自己的利益所在
任何科学有两个目的,一个是解释,一个是预测。经济学在解释方面还相对比较成功,在预测方面则一塌糊涂。为什么预测会变得一塌糊涂?过去所有的经济学预测,无论多么复杂,有一定的假设,就是理性选择模型。
理性选择模型意味着每个人的行动都是由利益所驱动的。这个其实在一百多年前英国经济学家就非常清楚,经济学每个行为人都是由利益驱动的。也假定每个人知道自己的利益所在,每个人最大化自己的利益,所有人的行为可以从他的利益最大化角度来解释,整个社会也可以理解为利益的博弈,甚至也是不同利益集团的博弈结果。
利益、理念与理性
如果假定人的行为全是由利益支配,经济学则变得毫无用处,即:无论经济学家怎么说,跟人是没有关系的,人该怎么行为就怎么行为,整个经济学是没有用的。
但是从古到今,人类自所有的思想家,他们深深的相信,人的行为是受人的观念的指引。引一段话,在两百多年前讲的——“尽管人是由利益支配的,但是利益本身,也就是所有事物都是由观念支配的。”
米塞斯讲自由主义,自由主义没有那么复杂,自由主义就是自由主义,我们也不用责怪简单化,简单化不是错了,而是现实世界太复杂,如果太简单那就不需要科学,(也就)不需要经济学家。自由主义有流派,所有流派有一个共同的观点——理念是重要的。我们每个人的生活,每天是不是喝红酒,是不是抽烟,都和认知有关,包括我们讲改革,邓小平改革,所有历史的改革很难用利益观念来解释它。
最关键的问题是,为什么这些理念和观念是重要的?因为很简单——我们人类是地球上唯一理性的动物。这个理性意味着是什么?意味着我们会思考,我们会分析,干事有目的,我们在行动之前会思考“我为什么要这么干”。每一件事我们人类做的,我们都需要证明它的正当性——为什么要这么做?
经济学:从工具理性走向价值理性
我们讲理念、观念,其实就是人类证明他自己所作所为的一个原因,一个定理。究竟什么叫理性?经济学的假设就是工具理性,理性只是人们达到目的的一种方式,理性只是一群欲望的奴隶,我有一个目的,理性告诉你吃什么东西是最好的。
从亚当斯密开始一直到康德,他们讲的理性是一个目的——人类应该追求什么,不应该追求什么。一个人用理性统治欲望的时候,他才是一个理性的人,这是很难的,每个人都有七情六欲。一个人经常处于一种激情,处于一种冲动的行为,没有经过深思熟虑,所以说他是不理性的。这一点非常重要,经济学可能要改变我们所谓的“工具理性”的假设,走向价值理性或者目标理性,这非常重要。
后工业社会,非物质利益将更为重要
人的利益是通过理念、观念来认识的,什么是符合我们的利益,什么不符合我们的利益,(取决于)有什么样的观念。利益本身不仅仅是物质利益,经济学家解释物质利益,(因为)人类长期时间内物质利益是最重要的东西;另一个原因,是因为物质利益,易于量化。
我们人类到了后工业社会,非物质利益将变得更为重要。物质利益达到一定程度,稀缺性已经解决了;所以后工业社会和信息社会,非物质利益变得更为重要。
非物质利益更依赖于个人——你希望有荣誉、有好的名声,这都是给你的。有没有好的名声,你的行为正当不正当,如果正当就有好的名声;你认为的正当、公益、公平是什么?穷人把富人的东西拿出来是正当的吗?现在认为不是正当的,现在讲产权。还有一个什么东西可选择?你脑子里可行性的空间,意味着你有什么样的观念,包括我们处理金融危机等等,都与这个有关。
对未来世界的理解,并非基于过去的数据即可获得
进一步讲,之所以观念更为重要,更深层的原因是是因为,我们这个世界非常有限,非常不完美,我们对世界的理解,对未来的理解,并非基于过去的数据即可得到的,世界太复杂了。我们对世界的观念有可能是对的,也有可能是错的。如果是对的,不需要任何理念,按照本来行为就可以了。
经济学家大萧条没有预测到,拉美的债务危机、金融危机没有预测到,墨西哥金融危机没有预测到,亚洲金融危机没有预测到,苏联垮台没有预测到。革命本身没有预测到,如果预测到了就不可能发生革命。
原因是什么?这种稳定性和变化,依赖于有什么样的观念,这些观念的本身,又是我们人发展来、用来对付不确定性的。
企业家有能力应对不确定性
成功预测未来的不是经济学家,而是企业家,为什么呢?企业家有能力应对不确定性。所有最伟大的成功企业家,不是根据过去的数据做出未来的判断,如比尔·盖茨、乔布斯、微信,五年前没有任何数据可以预测微信的,大家很热衷大数据,大数据改变我们的工作,改革我们的工作,改革我们的思考,这对经济学家是很好的一点。很好的一点,大数据信息不可能完全,不确定性永远在那儿。
任何人在大数据(方面的努力)不会变成比尔·盖茨,不会变成乔布斯,这些不是说没有用,这些东西非常有用。我刚才讲到企业家面临没有人看到的东西,30年前没有预测到今天的手机,今天的互联网。30年之后什么是最伟大的产业,没有人能够预测到。
有些事情可以发生,但什么时候发生,我们不知道。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
用 SQL 验证业务逻辑:从规则拆解到数据把关的实战指南 在业务系统落地过程中,“业务逻辑” 是连接 “需求设计” 与 “用户体验 ...
2025-09-11塔吉特百货孕妇营销案例:数据驱动下的精准零售革命与启示 在零售行业 “流量红利见顶” 的当下,精准营销成为企业突围的核心方 ...
2025-09-11CDA 数据分析师与战略 / 业务数据分析:概念辨析与协同价值 在数据驱动决策的体系中,“战略数据分析”“业务数据分析” 是企业 ...
2025-09-11Excel 数据聚类分析:从操作实践到业务价值挖掘 在数据分析场景中,聚类分析作为 “无监督分组” 的核心工具,能从杂乱数据中挖 ...
2025-09-10统计模型的核心目的:从数据解读到决策支撑的价值导向 统计模型作为数据分析的核心工具,并非简单的 “公式堆砌”,而是围绕特定 ...
2025-09-10CDA 数据分析师:商业数据分析实践的落地者与价值创造者 商业数据分析的价值,最终要在 “实践” 中体现 —— 脱离业务场景的分 ...
2025-09-10机器学习解决实际问题的核心关键:从业务到落地的全流程解析 在人工智能技术落地的浪潮中,机器学习作为核心工具,已广泛应用于 ...
2025-09-09SPSS 编码状态区域中 Unicode 的功能与价值解析 在 SPSS(Statistical Product and Service Solutions,统计产品与服务解决方案 ...
2025-09-09CDA 数据分析师:驾驭商业数据分析流程的核心力量 在商业决策从 “经验驱动” 向 “数据驱动” 转型的过程中,商业数据分析总体 ...
2025-09-09R 语言:数据科学与科研领域的核心工具及优势解析 一、引言 在数据驱动决策的时代,无论是科研人员验证实验假设(如前文中的 T ...
2025-09-08T 检验在假设检验中的应用与实践 一、引言 在科研数据分析、医学实验验证、经济指标对比等领域,常常需要判断 “样本间的差异是 ...
2025-09-08在商业竞争日益激烈的当下,“用数据说话” 已从企业的 “加分项” 变为 “生存必需”。然而,零散的数据分析无法持续为业务赋能 ...
2025-09-08随机森林算法的核心特点:原理、优势与应用解析 在机器学习领域,随机森林(Random Forest)作为集成学习(Ensemble Learning) ...
2025-09-05Excel 区域名定义:从基础到进阶的高效应用指南 在 Excel 数据处理中,频繁引用单元格区域(如A2:A100、B3:D20)不仅容易出错, ...
2025-09-05CDA 数据分析师:以六大分析方法构建数据驱动业务的核心能力 在数据驱动决策成为企业共识的当下,CDA(Certified Data Analyst) ...
2025-09-05SQL 日期截取:从基础方法到业务实战的全维度解析 在数据处理与业务分析中,日期数据是连接 “业务行为” 与 “时间维度” 的核 ...
2025-09-04在卷积神经网络(CNN)的发展历程中,解决 “梯度消失”“特征复用不足”“模型参数冗余” 一直是核心命题。2017 年提出的密集连 ...
2025-09-04CDA 数据分析师:驾驭数据范式,释放数据价值 在数字化转型浪潮席卷全球的当下,数据已成为企业核心生产要素。而 CDA(Certified ...
2025-09-04K-Means 聚类:无监督学习中数据分群的核心算法 在数据分析领域,当我们面对海量无标签数据(如用户行为记录、商品属性数据、图 ...
2025-09-03特征值、特征向量与主成分:数据降维背后的线性代数逻辑 在机器学习、数据分析与信号处理领域,“降维” 是破解高维数据复杂性的 ...
2025-09-03