经济计算问题

课堂回顾
你好,今天咱们开始一个新的单元,讲价格。
首先我要带你参观一场经济学史上非常重要的辩论,带你看一个热闹,让你欣赏一下经济学家讨论问题,是从怎么样的角度来切入的。
我们在开篇词里曾经说过,一匹骏马在很多比赛里面屡屡获胜,但是它对赛道的设计可能一无所知。我们许多人取得了很大的成功,但是他对于我们生活所在的这个社会,是采取什么样的一种制度安排的,人与人之间是怎么协调的,他们知道得非常少。
所以我们经常看到,有些人是非常成功的人士,在谈论他们专业领域以外的问题的时候,特别是谈到经济问题、谈到价格问题的时候,却显得非常幼稚。
我今天带你欣赏完这场辩论以后,你肯定能够缩短这当中的差距。
这场辩论是关于“经济是不是可以计划”的问题,已经持续了100多年了。从100多年前开始,在讲德语的那几个国家的知识分子之间开始,延续到今天还没有结束。
1.人类的雄心:预测未来,推知过去
这场辩论分正方和反方,正方认为经济是可以计划的,哪怕当时暂时做不到,将来也一定能够做到。
他们的意思是,人和自然界一样,都会产生许多数据,都根据一定的规律行事,所以只要咱们掌握的知识——关于经济运行的规律——足够充分,然后咱们的计算能力也跟得上的话,咱们就可以对经济作出预测,对人类社会作出预测,甚至作出控制。
持正方观点的学者,他们在很大程度上是受物理学的巨大成功所鼓舞的。自从人类掌握了牛顿定律,开始运用牛顿定律,他们就能够非常清楚地、准确地刻画物体运动的规律。
比如说发射一颗导弹,你只要知道推出这颗导弹的力度、角度还有空气阻力,那么,你就能够精准预测这个导弹落地的位置。
这种成功是相当鼓舞人心的。人们越来越相信,只要掌握了数据,掌握了规律,人们对世界就有更强的掌控能力。
这种自信,最早可以追溯到200多年前的一位数学家兼哲学家拉普拉斯(Pierre-Simon Laplace, 1749-1827)。
拉普拉斯提出过一个“拉普拉斯假说”:
“你只要给我一个时间片段上所有分子原子的状态,我也掌握了所有分子原子运动的规律,那我就可以告诉你,世界任何一个时间片段上的分子、原子、人类社会、动物,以及自然界所有的状态。我可以推知过去,也可以推知未来。”
这就是“拉普拉斯假说”,你看人类的雄心,那是非常强大的。
当然,那个时候他们还不知道物理世界有所谓的测不准原理。原子的运动是随机的,不是严格决定的,因和果之间没有必然的逻辑通道等等,但当时的人们还不知道。
但是人类要预测未来、推知过去的那种雄心,那种愿望你能够想见,所以二战之后,全世界有一半的国家,有一半的人口生活在计划经济之下。计划经济的支持者,是深受物理学的成功鼓舞的。
这种想法很自然,你看咱们在自然界能够通过物理学来掌握自然规律,那咱们在社会学界,也可以用同样的思路,通过经济学、社会学、政治学来掌握人类社会发展的规律,从而预测未来。这种想法非常自然。

2.预测经济:三个不可逾越的根本障碍
但是,这种想法只是一派观点,还有另外一派观点,也就是我说的反方意见。反方意见认为,人类社会跟自然界有许多根本的不同,所以人类社会是不可以预测的。
持有反方意见的学者不仅仅是经济学家,他们还有大量的哲学家、物理学家、社会学家等等。这当中知名的经济学家就包括了米塞斯(Ludwig von Mises )、哈耶克(F. A. Hayek )、拉赫曼(Ludwig Lachmann )、柯兹纳(Israel Kirzner )等等。
他们主要生活在欧洲的德国和奥地利,讲德语的地区,他们发起了一场运动。
他们从1920年左右开始就互相聚会,互相见面,互相传授知识,互相影响,互相评论各自的著作,共同形成了一场运动。那就是反对正方的意见,要指出人类社会或者经济发展,为什么是不可以预测的。
这场关于经济是不是可以预测、是不是可以计算的大辩论,从1920年代开始在德语地区,后来到1930年代、40年代扩展到英语地区,一直延续到今天的这场大辩论,我们称之为“关于经济计算的辩论”。
反方的观点是什么呢?反方认为经济不可预测,因为在预测经济的过程中,人们会遇到3个不可以逾越的、非常根本的障碍。
3.人际之间的效用不可比较
根本障碍之一,是人际之间的效用不可以比较。这个问题挺深刻的,我们不容易理解,好多人,甚至是一些经济学家,也会在这个问题上犯错误。
每个人对不同的商品,有不同的偏好,不同的个人估值。我喜欢苹果多于橘子,喜欢橘子多于香蕉。你可能刚好倒过来,最喜欢香蕉,然后喜欢橘子,最后喜欢苹果。
每个人有自己不同的偏好,一旦遇到人与人之间要互相协调的时候,到底苹果重要还是香蕉重要?你用一把什么样的尺子来衡量呢?
经济学里有一个非常根本的观点,就是人与人之间的效用是不可以比较的。尽管人自己,每个单个人,他对不同物品的效用是可以比较的。
比方说,我们社会上有好几个人都需要木材:你需要木材,替你心爱的小狗盖一所小木屋;他需要木材,要替他的儿子多买几支铅笔画画;我需要木材,因为我需要取暖。
这3个人,他们都知道自己需要什么,愿意放弃什么,但是横向做比较的时候,谁的需求更重要呢?
我们没办法判断,没办法权衡,没办法协调。
你会说,咱们能不能排个序,根据这个排序的结果,进行数学上的加总,那么我们就能看出社会上谁更需要什么了,这不是一个解决的办法吗?
经济学家会告诉你,这样的做法实际上是不可能的。因为每个人,尽管他们知道他们对不同物品的个人偏好的相对高低,但是横过来比较,你是不能计算出每一种物品,他们的效用的绝对高低的。
举一个很简单的例子:张三家的老大,一定比张三家的老二要大。李四家的老大,也一定比李四家的老二要大。但不能因此就说,张三、李四家的老大,一定比王麻子家的老二要大。因为很可能王麻子家的老二,年纪要远远大于张三家的老大和李四家的老大。
同样的道理,世界上有穷人和富人,我们问了10个有钱的人,他们都说苹果比番薯好吃,但是你能不能因此就说苹果比番薯重要呢?不能,因为对于第11个穷人来说,番薯要比苹果重要得多,因为他连温饱问题都没有解决。
所以个人的偏好,是不能做横向比较的。我们说,人际之间的效用不可比较。
正是因为这个原因,你会看到一个有趣的现象,那就是个人的高度计划和企业的高度计划,以及整个社会的无计划,这两种现象是可以并存的。
为什么?因为个人,他有明确的目标,他知道自己的效用所在,所以他会追求他自己心目中的目标;一个企业,要协同不同的资源,也有一个明确的目标,也可以朝着那个目标去进攻。
但是对于整个社会来说,每一个人的目标,每一个企业的目标都不一样,所以整个社会你不知道应该朝哪个方向去努力。
过去我们打仗,是单目标行为,你说把那个山头给攻下来,那么我们不惜一切代价,就把那个山头攻下来,这容易。
但是到了发展经济的阶段,你说我们要把经济发展起来,这话怎么理解呢?发展什么呢?是做面包还是做黄油?还是做大炮呢?不知道。我们不知道往哪使劲。
这是经济问题,这是计划经济遇到的一个根本性的问题。我们不知道怎么才能横向比较人与人之间的效用,怎么才能知道社会的总目标应该是什么,这是计划经济的第一个大问题。

4.数据不可得
计划经济的第二个问题,是数据不可得。前面我们说过了,在自然界,我们只要有大数据,掌握了数据和拉普拉斯假说,就能够预测。但是到了人类社会,情况可就复杂了。
第一,很多人根本就不知道,自己真正的兴趣排序是怎么样子的,有时候你问他们,他们自己也分辨不出来。
第二,人家凭什么告诉你?时间挺宝贵的,人家不愿意告诉你。
第三,人们会误导你,因为人是有能动性的。比方说,咱们中国要做一个人口普查,这个普查的数据能准确吗?这取决于人们对普查目的的理解。
如果人们认为这次普查的目的,是要惩罚那些超生家庭的话,那么统计出来的人口数据就会偏低;但是如果人们认为这一次人口普查的目的,是要给每家人口都分宅基地的话,那么统计出来的人口数据就会偏高。
统计的结果是随着人们的预期而变化的,这也是社会科学中的一条“测不准原理”。
第四,很重要的一点,人会对你的预测本身作出新的反应。一个陨石要飞过来了,地球不会作出反应,但人会作出反应。你预测什么是流行的,就会倒过来,影响什么会流行。
第五,数据永远保存在不同的人那里,永远无法集中,所以要把这些数据收集起来是非常困难的,根本做不到。
当然,更有意思的是,我们都以为计划经济的官员会努力去做到,他会努力地去收集数据。其实还远远不是这样,官员本身有很强的惰性。
科斯曾经讲过一个有趣的故事,他说,他曾经在政府机关里面工作过一段很短的时间,很多人都以为政府官员多多少少都会统计数据吧。他说,其实他们办公室那个电话从来就没响过,从来就没人报过数据。

5.奖惩很难恰如其分
计划经济遇到的第三个根本困难,是奖惩很难恰如其分。人总是会犯错误的,更何况是预测未来,那犯的错误可大了。谁来对正确的预测做出奖励,谁来对错误的预测做出惩罚呢?
这是一个很大的问题。如果我们不能够很好地解决奖惩问题的话,人们就不能够及时修正他们对未来的预测,并做出调整。
人要认错是很难的事情。有什么办法能让他们认错呢?有什么办法能让他们调整对未来的预期,从而更好地配置资源呢?这是一个很难的问题。
课后思考
今天,我先给你呈现了3个难题,这是100多年前两派大经济学家争论的焦点:
人际之间的效用不可以比较,你怎么解决?
数据不可得,你怎么解决?
怎么样才能适当地奖惩,让人们主动地调整他们对未来的预期,不会犯过大的错误,这个问题怎么解决?

智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值