متن سخنرانی نوبل اقتصاد فریدریش فون هایک

مترجم: احمد میدری*

مناسبت خاص این سخنرانی و مسأله علمی و مهمی که امروزه اقتصاددانان با آن مواجهند انتخاب عنوان فوق را تقریباً اجتناب‌ناپذیر می سازد از یک سو اعطای جایزه نوبل به علم اقتصاد در افکار عمومی به این علم شکوه و اعتباری هم شأن علوم طبیعی می‌بخشد و از سوی دیگر در این لحظه اقتصاددانان فراخوانده شده‌اند که جهان آزاد را از تهدید جدی تورم فزاینده خلاصی بخشند، تورمی که باید بپذیریم نه تنها حاصل سیاست‌هایی است که اکثر اقتصاددانان پیشنهاد کرده‌اند بلکه به دولت‌ها برای پیروی از آنها اصرار ورزیده اند. لذا ما اقتصاددانان در این لحظه واقعاً نمی‌توانیم بر خود ببالیم و باید اعتراف کنیم که افتضاح به بار آوردیم.

به نظر من شکست اقتصاددانان در هدایت موفق سیاست‌ها، به گرایش آنها در تقلید هر چه بیشتر از روش بسیار موفق علوم طبیعی بر می‌گردد، تقلیدی که در رشته علمی ما ممکن است به خطای بسیار فاحش منجر شود. من این نگرش را «علم‌پرستی» خوانده‌ام. حدود سی سال پیش این نگرش را چنین توصیف کردم: «این گرایش به معنای واقعی کلمه غیر علمی است، زیرا متضمن بکارگیری مکانیکی و غیر نقادانه عادات فکری علوم طبیعی در رشته‌ای کاملاً متفاوت است.» امروز می‌خواهم سخنانم را با تشریح اینکه چگونه برخی از عمیق‌ترین خطاهای سیاست‌گذاری‌های اخیر اقتصادی پیامد مستقیم خطای علم‌پرستی است آغاز کنم.

این نظریه که در طول سی سال گذشته راهنمای سیاست‌گذاری پولی و مالی بوده و به اعتقاد من، عمدتاً نتیجه استنباطی غلط از روش صحیح علمی است در این گزاره تبلور می‌یابد که میان اشتغال کل و تقاضای کل کالاها و خدماتْ همبستگی مثبت و ساده‌ای وجود دارد. این گزاره به اینجا می‌انجامد که با حفظ مخارج کل پولی در سطحی مناسب می‌توان اشتغال کامل را برای همیشه تضمین کرد.

نظریه فوق احتمالاً در میان نظریه‌های متعددی که برای تبیین بیکاریِ گسترده مطرح شده تنها نظریه‌ای است که در دفاع از آن می‌توان شواهد مقداری قوی ارائه کرد. اما من این نظریه را
اساساً غلط و عمل به آن را همانطور که امروز به عینه می‌بینیم بسیار زیان‌بخش می‌دانم.

این نکته ما را به موضوع اصلی سوق می‌دهد. برخلاف علوم‌طبیعی، در اقتصاد و سایر رشته‌هایی که با پدیده‌هایی اساساً پیچیده سر و کار دارند جوانبی که قابلیت کمّی شدن دارند ضرورتاً محدودند و احتمال دارد بخش‌های مهم پدیده مورد بررسی را نیز در برنگیرند. در علوم‌طبیعی، فرض می‌شود که هر عامل مهمّ تعیین‌کنندهٔ پدیده‌های مورد بررسی به‌طور مستقیم قابل اندازه‌گیری است. این فرض که احتمالاً دلایل موجهی برای آن وجود دارد، در مطالعه پدیده‌های اساساً پیچیده‌ای همچون بازار که به رفتار افراد زیادی بستگی دارد، صدق نمی‌کند زیرا تمام شرایطی که نتیجه یک فرآیند را تعیین می‌کنند به دلایلی که توضیح خواهم داد به دشواری قابل شناخت و اندازه‌گیری هستند. اگرچه در علوم‌طبیعی پژوهشگر می‌تواند آنچه را که براساس نظریهٔ اولیهٔ[۱] خود مهم می‌داند اندازه‌گیری کند اما اغلب در علوم‌اجتماعی هرچه کمیت‌پذیر باشد مهم پنداشته می‌شود. این مسأله گاه به اینجا می‌انجامد که نظرات ما باید به‌نحوی تنظیم شوند که صرفاً به مقادیر کمیت‌پذیر قابل ارجاع باشند.

بدون تردید این نگرش واقعیت‌هایی را که باید علل محتمل پدیده‌های جهان واقعی دانست محدود می‌کند و اغلب با کمال ساده‌بینی به جای روش علمیِ پذیرفته شده پیامدهای نسبتاً متناقضی به دنبال دارد. البته ما می‌دانیم که واقعیت‌های زیادی در مورد بازار و ساختارهای اجتماعی مشابه وجود دارد که غیر قابل اندازه‌گیری و اطلاعات ما درباره آنها کلی و غیر دقیق است. چون نمی‌توان تأثیر این واقعیت‌ها را در هر مورد خاص با شواهد مقداری تصدیق کرد کسانی که سوگند یاد کرده‌اند که فقط آنچه را که خود شواهد علمی می‌دانند بپذیرند این واقعیت‌ها را به سادگی نادیده می‌گیرند. آنگاه شادمانه در این توهم سیر می‌کنند که تنها عوامل مرتبط همان عوامل قابل اندازه‌گیری هستند.

همبستگی میان تقاضای کل و اشتغال کل می‌تواند تنها یک رابطه تقریبی باشد، اما چون تنها رابطهٔ علّی است که داده‌های مقداری آن را داریم یگانه تبیین علّی قابلِ‌قبول به شمار می‌آید. براساس این معیار اگر شواهد «علمی» زیادی برای یک نظریهٔ غلط وجود داشته باشد مورد پذیرش قرار می‌گیرد، در مقابل، تبیین‌های معتبری که برای آنها شواهد مقداری کافی وجود ندارد، رد می‌شوند. این موضوع را با شرح مختصری از آنچه که علّت اصلی بیکاری گسترده می‌دانم بیان می‌کنم. این نظریه توضیح می‌دهد که چرا این نوع بیکاری با سیاست‌های تورمی مبتنی بر نظریاتی که اخیراً مد شده، غیرقابل درمان است. از نظر من علّت بیکاری اختلاف بین توزیع تقاضا در میان کالاها و خدمات مختلف و تخصیص نیروی کار و سایر عوامل تولید آن کالاها است. ما دانش «کیفی» نسبتاً خوبی در مورد نیروها و شرایطی که برابری تقاضا و عرضه را در بخش‌های مختلف اقتصادی موجب می‌شوند و همچنین عواملی که احتمالاً مانع از چنین تعدیلی می‌شوند داریم. مراحل مُجزای توضیح این فرایندها، متکی بر واقعیت‌ها و تجارب روزمره است و عده کمی که در همگامی با این استدلال مشکل دارند، اعتبار فروض واقعی[۲] و صحت منطقی نتایج حاصل را زیر سؤال می‌برند. در واقع ما دلایل موجهی برای قبول این نظریه داریم که بیکاری ناشی از اختلال (معمولاً از طریق تثبیت قیمت‌ها توسط دولت یا انحصارگر) در قیمت‌ها و دستمزدهای نسبی است و لذا برای بازگرداندن برابری تقاضا و عرضه نیروی کار در همه بخش‌ها، تغییر قیمت‌های نسبی و انتقال بخشی از نیروی کار ضروری است.
اما هنگامی‌که از ما شواهد مقداری، ساختار خاص قیمت‌ها و دستمزدها را برای فروش پیوسته و آرام تولید و خدمات بخواهند، باید بپذیریم که چنین اطلاعاتی نداریم. به‌عبارت‌دیگر ما شرایط کلی که موجب تعادل می‌شود -اصطلاحی که تا حدودی گمراه کننده است- را می‌شناسیم، اما هرگز مقدار قیمت‌ها و دستمزدهایی که بازار را به سوی تعادل می‌برند نمی‌دانیم. ما فقط می‌توانیم بگوییم تحت چه شرایطی می‌توان انتظار داشت که بازار، قیمت و دستمزدی را ایجاد می‌کند که در آن عرضه با تقاضا برابر است، اما هرگز نمی‌توانیم اطلاعات و آماری را تولید کنیم که نشان دهد چه مقدار قیمت‌ها و دستمزدهای موجود از آنچه که عرضه نیروی‌کار را به‌صورت مستمر تأمین می‌کند، انحراف دارد. این نظریه، تجربی است مثلاً اگر در صورت ثابت بودن عرضه ،پولِ افزایش عمومی دستمزدها منجر به بیکاری نشود این نظریه رد می‌شود ولی بی‌تردید این نظریه نمی‌تواند با ارقام مشخص دستمزد یا توزیع نیروی کار مورد انتظار را پیش‌بینی کند.
چرا ما در علم اقتصاد باید از جهل نسبت به دسته‌ای از واقعیت‌ها که کسب اطلاعات دقیق آنها در حوزه علوم‌طبیعی قابل انتظار است دفاع کنیم؟ این موضع‌گیری ما برای کسانی که تحت‌تأثیر مثال‌هایی از علوم‌طبیعی قرار دارند و بر معیارهای اثبات در علوم‌طبیعی همچنان اصرار می‌ورزند خوشایند نیست. دلیل این جهل همان‌طور که قبلاً به‌طور خلاصه نشان دادم این واقعیت است که در علوم‌اجتماعی، همچون بخش عمده‌ای از زیست‌شناسی و برخلاف اکثر رشته‌های علوم‌طبیعی، الزاماً با ساختارهای اساساً پیچیده سر و کار داریم که ویژگی‌های بارز آنها تنها با الگوهایی متشکل از تعداد زیادی متغیر قابل تبیین است. به‌طور مثال، رقابت تنها در صورت وجود تعداد زیادی کنشگر به نتایج معینی منجر می‌شود. در برخی رشته‌ها، به‌ویژه در علوم‌فیزیکی می‌توانیم به‌جای استفاده از اطلاعات خاص در مورد یکایک عناصر از داده‌های مربوط به فراوانی نسبی یا احتمال وقوع ویژگی‌های تمایز دهنده استفاده کنیم. این مسئله تنها زمانی صادق است که با مسئله‌ای سر و کار داشته باشیم که دکتر وارن ویور[۳] ( از اعضای پیشین بنیاد راکفلر ) آن را «پدیده‌های پیچیده سازمان‌نیافته» نامیده است. این پدیده‌ها در مقابل «پدیده‌های پیچیده سازمان یافته» در علوم‌اجتماعی قرار دارند. پیچیدگی سازمان‌یافته، مشخصه ساختاری است که ویژگی‌های آن نه تنها به خواص یکایک عناصر تشکیل‌دهنده آنها و فراوانی نسبی وقوع آن بلکه به شیوه‌ای که عناصر به یکدیگر مرتبط می‌شوند نیز بستگی دارد. ما در تبیین طرز کار چنین ساختاری نمی‌توانیم اطلاعات آماری را جایگزین اطلاعات مربوط به هر عنصر کنیم. اگر بخواهیم در مورد هرکدام از پدیده‌ها به‌صورت مجزا پیش‌بینی خاصی داشته باشیم، آنگاه به اطلاعات خاص هر یک از عناصر نیازمندیم. بدون این قبیل اطلاعاتِ خاص در مورد عناصر باید خود را به پیش‌بینی صرفاً الگویی محدود کنیم. من این اصطلاح را در مناسبت دیگری به کار بردم و منظورم از آن، پیش‌بینی برخی از خواص عمومی ساختارهایی است که خودشان را شکل می‌دهند بی آنکه گزاره خاصی در مورد هر یک از عناصر تشکیل دهنده ساختارها ارائه شود.

نظریه‌های من به‌ویژه در توضیح نظام قیمت‌ها و دستمزدهای نسبی که در بازاری با عملکرد مطلوب[۴] شکل می‌گیرند، صادق است. اطلاعات خاصی که هر فرد مشارکت‌کننده در فرایند بازار دارد در تعیین قیمت‌ها و دستمزدها مؤثر است. تمامی این واقعیت‌ها برای هیچ تحلیلگری قابل مشاهده نیست و در توان هیچ فرد خاصی نیست. همین امر در واقع منشأ برتری نظام بازار است اگر قدرت دولت این نظم را مختل نکند. بر انواع دیگر نظام‌ها پیروز می‌شود زیرا در تخصیص منابع از دانشی بهره می‌گیرد که نزد افراد بی‌شماری وجود دارد. این دانش بیش از دانشی است که هر فرد می‌تواند داشته باشد. اما چون ما دانشمندانِ مشاهده‌گر هرگز نمی‌توانیم تمام عوامل تعیین‌کننده چنین نظمی را بشناسیم، نتیجتاً نمی‌توانیم بدانیم در چه ساختار خاصی از قیمت‌ها و دستمزدها تقاضا همه جا با عرضه برابر می‌شود. از این گذشته نمی‌توانیم انحراف از آن نظم را اندازه‌گیری کنیم و به‌طور آماری این نظریه را مورد آزمایش قرار دهیم که چه میزان انحراف از نظام تعادلیِ قیمت‌ها و دستمزدهاست که فروش برخی از کالاها و خدمات را با قیمت‌های پیشنهادی غیرممکن ساخته است.
پیش از ادامه بحث درباره تأثیر این مسائل بر سیاست‌های اشتغال که در حال حاضر مورد استناد قرار می‌گیرد، می‌خواهم به‌طور دقیق به محدودیت‌های ذاتی دانش عددی[۵] که غالباً نادیده گرفته شده است بپردازم. البته تمایل ندارم برداشت شود که من به کلی اهمیت روش ریاضی در اقتصاد را رد می‌کنم. از نظر من مزیت بزرگ روش ریاضی این است که با استفاده از معادلات جبری، ویژگی کلی یک الگو را حتی زمانی که مقادیرِ عددیِ تعیین‌کننده نمودهای خاص آن را نمی دانیم، توضیح می‌دهیم و به سختی می‌توانیم به تصویری فراگیر از وابستگی متقابل پدیده‌های مختلف در بازار، بدون روش‌های جبری دست یابیم. اما در اینجا این توهم پیش آمده است که می‌توانیم با استفاده از این روش‌ها، مقادیر عددی آن کمیت‌ها را تعیین و پیش‌بینی کنیم و چنین تصوری، به جستجوی بیهوده برای ضرایب ثابت عددی و یا مقداری منجر شده است. به رغم آنکه بنیان‌گذاران اقتصاد ریاضی نوین، چنین توهمی نداشتند، این امر رخ داده است. هر چند درست است که دستگاه معادلاتِ توضیح‌دهندهٔ الگوی تعادل بازار، آن‌چنان تدوین شده است که اگر قادر بودیم، تمام عناصر خالی فرمول‌های انتزاعی را پر می‌کردیم، یعنی اگر تمام پارامترهای این معادلات را می‌دانستیم آنگاه می‌توانستیم قیمت‌ها و مقادیر همه کالا و خدمات را محاسبه کنیم. اما همانطور که ویلفردو پارتو یکی از بنیان‌گذاران این نظریه صراحتاً بیان داشته، هدف دستگاه معادلات «نمی‌تواند رسیدن به محاسبه عددی قیمت‌ها باشد». زیرا همانطور که او گفته است  این فرضْ نامعقول است که بتوانیم تمام داده‌ها را به دست آوریم.

در واقع نکته اصلی قبلاً توسط معلمان اسپانیایی قرن شانزدهم که اسلاف اقتصاد مدرن بودند، کشف شد. آنان تأکید داشتند که آنچه را که «قیمت ریاضی»[۶] می‌نامند بستگی به شرایط خاص متعددی دارد که انسان هرگز نمی‌تواند به آن واقف شود و تنها خدا به آن عالم است. ای کاش اقتصاددانان ریاضی، این سخن را با گوش دل می‌شنیدند. باید اعتراف کنم که هنوز تردید دارم که کاوش آنان برای یافتن کمیت‌های قابل اندازه‌گیری، هنگامی که مقادیر آنها مبین موقعیت‌های خاص و متمایزند خدمت مهمی در فهم نظری ما از پدیده‌های اقتصادی کرده باشد. من نمی‌توانم این عذر را بپذیرم که این رشته از تحقیق هنوز جوان است. «سِر ویلیام پتی» بنیان‌گذار اقتصادسنجی همکار با سابقه «سِر اسحاق نیوتن» در انجمن سلطنتی بود.

این خرافه که تنها کمیت‌های قابل اندازه‌گیری مهم هستند شاید در موارد معدودی آسیب‌های جدی بر اقتصاد وارد نساخته است اما مسألهٔ تورم و بیکاریِ کنونی، از جدی‌ترین موارد است. آنچه را که احتمالاً، علت واقعی بیکاری گسترده بوده از سوی اکثریت اقتصاددانان علم‌زده مورد غفلت قرار گرفته است، زیرا نحوهٔ عملکرد آن به زبان ارقام تأیید نمی‌شود. همچنین سیاست‌گذاری‌های برخاسته از تمرکز صرف بر پدیده‌های سطحیِ قابل اندازه‌گیری اوضاع را وخیم‌تر کرده است.
البته می‌پذیرم که نظریهٔ درستِ تبیین‌کنندهٔ بیکاری محتوایی محدود دارد، زیرا تنها امکان پیش‌بینی کلی از حوادثی را می‌دهد که در موقعیتی معین باید انتظار وقوع آن را داشت. اما تأثیر ساخت‌های ذهنی جاه‌طلبانه بر سیاست‌گذاری رضایت‌بخش نبوده است. ازاین‌رو اعتراف می‌کنم که حتی اگر دانش ناقص، مسائل غیرقابل پیش‌بینی و نامعین فراوانی برجای بگذارد، باز من دانش ناقص اما درست را بر تظاهر به دانش دقیق ولی احتمالاً غلط ترجیح می‌دهم. نظرات ظاهراً ساده اما غلط که نمی‌تواند از طریق تطابق ظاهری با معیارهای شناخته شده به دست آید همانطور که مثال حاضر نشان می‌دهد، می‌تواند به نتایج خطرناکی بیانجامد.

همان تدبیری که نظریهٔ حاکم «اقتصاد کلان» به‌عنوان درمانی برای بیکاری پیشنهاد می‌کند یعنی افزایش تقاضای کل، در واقع خود علت تخصیص نادرست منابع در سطح گسترده بوده و احتمالاً بیکاری اجتناب‌ناپذیر و گسترده‌ای را به بار آورده است. تزریق مستمر پول در بخش‌هایی از اقتصاد موجب تقاضای موقت می‌شود – تقاضایی که با توقف یا کاهش و افزایش حجم پول متوقف می‌گردد-. این افزایش تقاضا با انتظار افزایش مستمر قیمت‌ها همراه بوده و نیروی کار و سایر منابع را به سوی فعالیت‌های خاصی سوق می‌دهد. تنها درصورتی‌که حجم پول بدون وقفه در نرخ قبلی افزایش یابد یا شاید تا هنگامی‌که با نرخ معینی شتاب مستمر داشته باشد این اشتغال اضافی می‌تواند ادامه یابد. این سیاست سطح بسیار بالایی از اشتغال را که از طرق دیگر قابل دسترسی است ایجاد نکرده، بلکه توزیع مشاغلی را به دنبال داشته که برای همیشه نمی‌تواند حفظ شود و پس از مدتی تنها با نرخ تورمی تداوم می‌یابد که به سرعت موجب نابسامانی همه فعالیت‌های اقتصادی می‌گردد.  واقعیت این است که دیدگاه نظری نادرست ما اقتصاد را به موقعیت‌های مخاطره‌آمیز کشانده است و در نتیجه نمی‌توانیم از بروز مجدد بیکاری گسترده جلوگیری کنیم. این سیاست به این دلیل انتخاب شده است که تورم جانشین بیکاری کمتر است -چنانکه گاهی به غلط اظهار می‌شود- بلکه به محض توقف تورم فزاینده، وقوع بیکاری پیامد اجتناب‌ناپذیر اما تأسف‌بار سیاست‌های غلط گذشته است.
اکنون باید این مسائل مهم عملی که پیامد خطا در مسائل انتزاعی فلسفهٔ علم است را رها کنم. اما همچون مسألهٔ فوقْ باید نگران خطرات پذیرشِ غیر نقادانهٔ سخنانِ به ظاهر علمی در بلند‌مدت باشیم. می‌خواهم توضیح دهم که در رشته من و به نظرم در تمام رشته‌های علوم‌انسانی آنچه که به‌طور سطحی روش علمی به نظر می‌رسد، غالباً غیر علمی‌ترین روش است و مهم‌تر آنکه انتظارات ما از این رشته‌ها با محدودیت‌های خاصی روبروست. تکیه بر علم و یا مهار آگاهانه براساس اصول علمی فراتر از آنچه که روش علمی می‌تواند به آن دست یابد، نتایج اسف‌باری خواهد داشت. البته پیشرفت علوم‌‌طبیعی در دوران جدید، مافوق تمام انتظارات بوده و هر پیشنهادی برای محدود کردن آن، شک‌برانگیز است. کسانی که امیدوارند قدرت فزاینده در پیش‌بینی و مهار فرآیندهای اجتماعی -قدرتی که عموماً نتیجهٔ خاص پیشرفت علمی تصور می‌شود- به زودی ما را قادر می‌سازد تا جامعه را کاملاً به شکل دلخواه خود در آوریم، در برابر این بصیرت مقاومت می‌کنند. در مقابل اکتشافات شوق‌آفرین علوم‌طبیعی، شناخت‌های حاصل از مطالعه اجتماع دلسردکننده است و بدیهی است که اعضای جوان و عجول حرفهٔ ما برای پذیرش این بینش آماده نباشند.
با‌این‌وجود، تکیه بر قدرت نامحدودِ علم غالباً مبتنی بر این اعتقاد غلط بوده است که روش علمی مُتضمن به‌کارگیری روش‌های ساخته و پرداخته و یا تقلید از شکل روش علمی و نه محتوای آن است. گویا برای حل تمام مسائل اجتماعی، تنها به چیزی مانند دستورهای آشپزی نیازمندیم. گاهی اوقات به نظر می‌رسد یادگیری روش‌های علم بسیار آسان‌تر از تفکر در این باب است که مسأله چیست و چگونه باید به آن پرداخت.

تضاد میان انتظارات کنونی مردم از علم و آرزوهای عامه‌پسند و آنچه که واقعاً در توان علم است، مسأله‌ای جدی است. زیرا اگر همه دانشمندان به توانایی محدود خود در امور انسانی معترف باشند، ولی عامهٔ مردم انتظاری بیش از آن داشته باشند، همواره عده ای تظاهر خواهند کرد و یا شاید هم صادقانه اعتقاد داشته باشند که می‌توانند چیزی بیش از توانایی واقعی‌شان انجام دهند تا جوابگوی تقاضاهای مردم باشند. در واقع تمایز ادعاهای درست و نادرستی که به نام علم مطرح می‌شود همواره برای متخصصان بسیار دشوار و برای افراد عامی در بسیاری موارد ناممکن است.
انبوه گزارش‌هایی که اخیراً توسط رسانه‌ها به نام علم در مورد «محدودیت‌های رشد» انتشار می‌یابد و سکوت همان رسانه‌ها در انعکاس انتقادهای متخصصانِ با صلاحیتْ موجب احساس نگرانی نسبت به نحوهٔ استفاده از شأن علم شده است. اما علم اقتصاد، به‌هیچ‌وجه تنها رشته‌ای نیست که به نام هدایت علمیِ فعالیت‌های انسانی و مطلوب بودن «مهار انسان آگاه» به جای فرایندهای خودجوش ادعاهای آن‌چنانی در سر داشته است. اگر اشتباه نکنم روانشناسی، روانپزشکی و شاخه‌هایی از جامعه‌شناسی و بیش از همه فلسفهٔ تاریخ، بیشتر از اقتصاد، تحت تأثیر ادعاهای سطحی توانایی‌های علم -آنچه من آن را پیش‌داوری علم‌پرستانه نامیده‌ام- قرار گرفته‌اند.
اگر می‌خواهیم پاسدار حریم علم باشیم و در برابر داعیهٔ واهی تشابه سطحی روش علوم‌اجتماعی با علوم‌طبیعی دفاع کنیم باید در جهت تغییر چنین نگرشی که امروزه بخشی از آن جزء منافع دانشکده‌های موجود شده تلاش بیشتری به عمل آوریم. نمی‌توانیم از فیلسوفان جدید علم مانند «سِر کارل پوپر» برای ارائه آزمونی که با کمک آن علم را از غیر آن متمایز ساخت به نحوی شایسته قدردانی کنیم. من مطمئنم که برخی از آموزه‌هایی که امروزه پذیرش گسترده‌ای یافته‌اند، از این آزمون، سربلند بیرون نمی‌آیند. اما درباره پدیده‌های اساساً پیچیده که ساختارهای اجتماعی، نمونه بارزی از آنهاست باید به‌طور خلاصه بگویم که در این رشته‌ها موانع اساسی در پیش‌بینی رویدادهای خاص وجود دارد و اگر به نحوی عمل نماییم که گویا صاحب علمی هستیم که ما را قادر به مهار این ساختارها می‌سازد، خودْ مانع جدی در رشد خرد آدمی است.

این نکته مهم را به خاطر بسپاریم که پیشرفت سریع علوم‌طبیعی در زمینه‌هایی روی داد که پیش‌بینی و قوانین تبیین‌گر، نمودهای مشاهده شدهٔ تابعی از چند متغیر نسبتاً محدود از واقعیت‌های خاص یا فراوانی نسبی پدیده‌ها بوده است. این امر حتی ممکن است دلیل نهایی جداکردن این حوزه تحت عنوان «طبیعی» در مقابل ساختارهای بسیار سازمان‌یافته که من آنها را پدیده‌های اساساً پیچیده نامیده‌ام باشد. هیچ دلیلی بر تشابه این دو زمینه وجود ندارد اما برخلاف آنچه که در وهله نخست به نظر می‌آید، در علوم‌انسانی مشکلی برای تدوین نظریاتی در تبیین پدیده‌های مشاهده شده وجود ندارد، بلکه مشکل در آزمون تبیین‌های پیشنهاد شده و ابطال نظریه‌های بد است. زمانی که نظریه خود را در مورد یک وضعیت خاص در دنیای واقع اعمال می‌کنیم با مشکل روبرو می‌شویم. هر نظریه‌ای در باب پدیده‌های اساساً پیچیده به شمار زیادی از واقعیت‌های ویژه اشاره دارد و برای حصول یک پیش‌بینی یا آزمون آن نظریه، ما ناگزیر به مشخص ساختن تمام آن واقعیت‌های خاص هستیم. اگر در این مرحله موفق شویم، مشکلی در استخراج پیش‌بینی‌های آزمون‌پذیر نخواهیم داشت. اما کافی است که با رایانه‌های جدید این داده‌ها را در نقاط خالی فرمول‌های نظری به‌صورت صحیح وارد کنیم و پیش‌بینی را استخراج نماییم. مشکل واقعی که علم در حل آن مشارکت اندکی دارد و در برخی موارد حل آن ناممکن است تعیین واقعیت‌های خاص است.
مثالی ساده ماهیت این مشکل را نشان می‌دهد. یک بازی را با چند بازیکن که تقریباً دارای مهارت یکسانند در نظر بگیرید اگر علاوه بر توانایی هر بازیگر ویژگی های خاص آنها مانند میزان دقت، ادراکات و وضعیت قلب، شش‌ها، ماهیچه‌ها و سایر اندام‌های آنها را در هر لحظه از بازی می‌دانستیم احتمالاً قادر بودیم نتیجه بازی را مشخص نماییم. در واقع اگر هم با بازی و هم با تیم آشنا بودیم، احتمالاً تصویر نسبتاً درستی در مورد عوامل مؤثر بر نتیجه بازی در اختیار داشتیم ولی ما قادر نیستیم که آن واقعیت‌ها را تعیین کنیم، از‌این‌رو نتیجه بازی خارج از حوزه پیش‌بینی‌های علمی است. با‌این‌حال می‌توان پی برد که چه حوادث خاصی بر نتیجهٔ بازی تأثیر می‌گذارد. این بدین معنا نیست که اصلاً نمی‌توانیم در مورد بازی پیش‌بینی کنیم. اگر قواعد بازی‌های مختلف را بدانیم با تماشای آنها به‌زودی خواهیم فهمید که کیفیت بازی چگونه است و چه اعمالی قابل پیش‌بینی و چه نوع افعالی به دور از انتظار است. اما توان پیش‌بینی ما منحصر به این قبیل ویژگی‌های عام حوادث مورد انتظار است و شامل پیش‌بینی‌های خاص نمی شود. این امر مطابق با همان چیزی است که قبلاً آن را پیش‌بینی صرفاً الگویی نامیدم و هرچه بیشتر از حوزه قوانین نسبتاً ساده به طیف پدیده‌های دارای قواعد پیچیده سازمان‌یافته نزدیک‌تر می‌شویم، بیشتر گرفتار این نوع پیش‌بینی‌ها می‌شویم. هر قدر پیش‌تر می‌رویم، بیشتر در می‌یابیم که تنها قادر به تعیین برخی و نه تمام شرایطی هستیم که تعیین‌کننده نتیجه یک فرآیند خاص است. در نتیجه فقط می‌توانیم برخی مشخصات نتیجه مورد انتظار و نه تمام آن را پیش‌بینی کنیم. غالباً تمام آنچه را که می‌توانیم پیش‌بینی کنیم برخی از مشخصه‌های انتزاعی الگویی است که روابط میان انواع عناصر را آشکار می‌سازد، عناصری که اطلاعات ما نسبت به تک‌تک آنها بسیار کم است. بااین‌حال تکرار می‌کنم که ما همچن به پیش‌بینی‌هایی دست می‌یابیم که باطل‌شدنی و ازاین‌رو دارای اهمیت تجربی‌اند.
البته در مقایسه با پیش‌بینی دقیقی که در علوم‌طبیعی انتظار داریم، پیش‌بینی‌های الگویی، گزینه دوم بوده و نمی‌توانند چندان رضایت بخش باشند. ولی می‌خواهم نسبت به این اعتقاد که علمی‌بودن یک نظریه به چیزی بیش از پیش‌بینی الگویی نیاز دارد هشدار دهم. این‌گونه پیش‌بینی‌ها در واقع نوعی فریب‌کاری و حتی بدتر از آن است. التزام به این اعتقاد که ما دانش و قدرتی داریم که ما را قادر به شکل‌دادن فرآیندهای اجتماعی مطابق با خواسته‌هایمان می‌سازدْ دانشی که در واقع فاقد آنیم، حتماً زیان بیشتری بر ما وارد می‌سازد. شاید در علوم‌طبیعی به دنبال محالات رفتن چندان جای ملامت نباشد زیرا ممکن است تجارب آنها، در نهایت بصیرت‌های جدیدی را خلق کند. اما در علوم‌اجتماعی این اعتقاد واهی که اعمال قدرت پیامدهای سودمندی خواهد داشت منجر به پیدایش قدرتی خواهد شد که به اجبار سایر انسان‌ها را زیر چتر اقتداری خاص در خواهد آورد. حتی اگر چنین قدرتی فی‌نفسه بد نباشد احتمالاً اِعمال آن، مانع کارکرد نیروهای نظم خود‌جوش خواهد شد، نیروهایی که حتی بدون شناخت آنها انسان را یاری بخشیده است. تنها در آغاز فهم این موضوع هستیم که با چه مهارتی، این نظام ارتباطی، مبنای عملکرد جامعهٔ صنعتی پیشرفته قرار دارد. این نظام ارتباطی که آن را بازار می‌نامیم مشخص کرده است که نسبت به سایر سازوکارهای سنجیدهٔ مخلوق انسان، در هضم اطلاعات پراکنده، کاراتر است.
اگر قرار است انسان در تلاش برای بهبود نظم اجتماعی بیش از آنکه مضر باشد، مفید واقع شود باید در مواردی که با پدیده‌های اساساً پیچیده و سازمان‌یافته سر و کار دارد بیاموزد که نمی‌تواند مجهز به دانش کاملی شود که سلطه او را بر رویدادها ممکن سازد، باید بر دانشی تکیه کند که قابل حصول است. اما از این دانش نه برای شکل دادن به نتایجی دلخواه آن‌گونه که صنعتگرانْ صنایع دستی را شکل می‌دهند، بلکه همچون باغبانی باشد که محیط را برای رشد درختان باغ مهیا می‌سازد. پیشرفت علوم‌طبیعی برخی را سرمست ساخته و شعار «موفقیت مبهوت کننده»[۷] ( اصطلاح کمونیست‌های اولیه) سر می‌دهند، این تصور که می‌توانیم همچون طبیعتْ جامعهٔ انسانی را مُسخّر خویش سازیم بسی خطرناک است . شناخت مرزهای تسخیر‌ناپذیر دانش بشری به دانشجوی علوم‌اجتماعی، باید درس فروتنی بیاموزد تا او را همکار کسانی نسازد که با تلاش‌های مُخرب خود سعی در به انقیاد در آوردن جامعه بشری دارند؛ این تلاش‌ها نه تنها وی را بر همنوعانش ستمگر خواهد ساخت بلکه می‌تواند او را ویرانگر تمدنی سازد که ساختهٔ یک انسان نبوده، بلکه در سایهٔ تلاش میلیون‌ها انسان آزاد شکل گرفته است.

 

_________________________________________

پی نوشت

*مدرس دانشکدهٔ اقتصاد دانشگاه علامه طباطبایی

۱. Prima Facia

۲. Factual

Warren Weaver .۳
۴. Well-functioning Market
Numerical Knowledge .۵
۶. Pretium Mathemalicium
۷. اشاره به مقاله استالین تحت همین عنوان که در ۱۹۳۰ در پراودا به چاپ رسید. در این مقاله Dizzy with success استالین می‌گوید موفقیت ما در شکل‌دهی کمون‌ها در بخش کشاورزی آنچنان خارق‌العاده بوده است که دشمنان نیز به آن اعتراف کرده‌اند. (مترجم)

یادداشتی در پاسخ به «آیا اقتصادسنجیِ دقیق یک توهّم است؟**» از سوآن

نویسندگان: دیردیره مک‌کلاسکی[I] و استیفن زیلیاک[II]

 

چکیده

نویسندگان مقاله با زبانی طنزآلود و کنایه‌آمیز به برخی از نکات مقاله‌ای از پیتر سوآن که ارجاعاتی به مقالات قبلی این نویسندگان داشته است، پاسخ داده‌اند. آن‌ها تلاش کرده‌اند از زمین بازی فراتر بروند و از بالا به تلاش‌هایی که در اقتصادسنجی برای کمّی‌سازی‌های اقتصادی صورت گرفته است نگاه کنند. از آن‌جا که جان کلام مقالۀ اصلی در این‌جا با نقل‌قول‌های فراوان آمده است، مطالعۀ مقالۀ اصلی بر عهدۀ خواننده گذاشته شده است. نویسندگان ضمن تأکید بر ضرورت استفاده از رویکردهای کمّی در اقتصاد، پیشنهاد می‌کنند از چارچوب تَنگ و ناقص فعلی باید فراتر رفت.

در پاسخ به پرسش پروفسور سوآن^[۱] باید بگوییم «بله»؛ امّا این پاسخ یک الحاقیّۀ مهّم خواهد داشت. موضوع این نیست که آیا تصوّر متعارف سوآن از «دقّت»[که در عنوان مقالۀ او آمده است] را باید نوعی توهّم قلمداد کرد یا نه؛ دست‌کم نمی‌توان گفت بزرگترین توهّمی‌ست که با آن مواجهیم. امّا پندارهایی که در بطن روش‌های کمّی اقتصادی فعلی تعبیه و پنهان شده‌اند و پژوهشگران را ناگزیر می‌کند در هر حال در وفاداری به تئوری‌های اقتصادسنجی^[۲] ـ علی‌رغم این‌که بازدهی آن آشکارا نزولی بوده است ـ مصمّم و راسخ باشند را می‌توان «توهّم^[۳]» دانست. اقتصادسنجی ـ به معنای تحلیل رگرسیون و آزمون صحّت فرض صفر ـ در غیاب یک تابع زیان^[۴] منطبق بر واقع، از سال‌های ۱۹۴۰ میلادی راه خود را آغاز کرده است، ولی در ادامۀ مسیر یافتۀ مهّمی به اقتصاد نیفزوده است. امّا سایر روش‌های کمّی از جمله شبیه‌سازی‌های ساده^[۵] ـ یا نه چندان ساده ـ نظیر مثلث‌های هاربرگر^[۶]، بررسی شواهد تاریخی نظیر تاریخ پولی ایالات متّحده، آزمون‌ها و تجربیّات کلان نظیر ابرتورّم در اسرائیل و آرژانتین، یا نمودارهای پراکندگی^[۷] که پروفسور سوآن به کار برده است نظیر منحنی فیلیپس^[۸] اولیّه، و نظایر این‌ها سبب شده‌اند باورهای علمی بارها و بارها ـ و به طرز قابل‌توجّهی ـ تغییر کند.

سوآن می‌نویسد «چه باید کرد؟ برخی متخصّصان اقتصادسنجی به من گفته‌اند که پی برده‌اند[یک مشکلی وجود دارد؛ در مقالۀ سوآن این مشکل عبارت بود از نادرست‌بودن فرض استقلال جزء اخلال]… امّا باور دارند که می‌توان این مشکل را حل کرد. و در آینده با استفاده از نوآوری‌های روزافزون در روش‌های اقتصادسنجی و گردآوری داده‌ها، آن را حل خواهند کرد. امیدوارم درست گفته باشند، ولی راه درازی را باید بپیمایند». معنای جملات سوآن کاملاً واضح و روشن است و ما چیزی به آن نمی‌افزاییم.

باید به سوآن تبریک گفت که یکی از معدود متخصّصان اقتصادسنجی‌ست که پیام مورگنشترن^[۹] را در یافته است؛ مبنی بر این‌که «داده‌های^[۱۰]» اقتصادی حاوی خطاهای اساسی هستند(مورگنشترن، ۱۹۶۳). امّا سوآن از عبارت «داده‌های داده‌شده^[۱۱]» استفاده کرده است که ـ برای ما که با زبان لاتین آشنایی داریم ـ چندان خوشایند نبود. واژۀ «Data» در لاتین به معنای «چیزهای داده‌شده^[۱۲]» است، فلذا نتیجه می‌شود عبارت «Given data» به معنای «چیزهای داده‌شدۀ داده‌شده^[۱۳]» خواهد بود؛ این نتیجه‌گیریِ مطایبه‌آمیز برای سرگرمی در بین آن‌هایی که آموزش اقتصاد را در دهۀ ۱۹۳۰ میلادی در مدرسۀ اقتصادی لندن سپری کردند، رواج داشت(هایک، ۱۹۴۵). احتمالاً سوآن باید موافق باشد که یکی از مشکلات اصلی در کمّی‌سازی‌های اقتصادی عبارت است از این‌که در واقع نمونه‌گیری‌های اقتصاددانان با حجم نمونۀ «یک در هزار» از وزارت کار دریافت می‌شود و ما ناگزیر آن را «داده‌شده» فرض می‌کنیم؛ در حالی که دانشمندان واقعی باید به دنیای واقعی نظر کنند و حقایق را ببینند و بفهمند، در راه کسب دستاوردها بکوشند و بفهمند که سوسیس چگونه ساخته می‌شود؛ زیرا اقتصاددانان آن را ساخته‌اند[اشاره یه این اصطلاح کنایه‌آمیز: آمار مثل سوسیس است، اگر بدانید چگونه درست می‌شوند هرگز آن را نخواهید خورد]. امروزه اقتصاددانان جوان این چیزها را نمی‌دانند ـ مگر این‌که در تاریخ اقتصادی یا نوشته‌های مربوط به اقتصاد تجربی دیده باشند ـ و ضمناً مهارت‌های کمّی‌سازی‌های اقتصادی نیز به آنان آموزش داده نمی‌شود[منظور این است که نمی‌داند آمار و داده‌های اقتصادی چگونه و از کجا می‌آیند]که آن‌ها را ترغیب کند تا چنین چیزهایی را دنبال کنند.

دیوید لاج^[۱۴] ـ نویسنده و استاد بازنشستۀ انگلیسی ـ رمانی را در سال ۲۰۰۸ میلادی با عنوان «حکم ناشنوا^[۱۵]» منتشر کرد که کمابیش اتوبیوگرافی^[۱۶] نیز محسوب می‌شود. این کتاب با یک قطعۀ طنز شش‌صفحه‌ای آغاز شده است. در این قطعه، یک فرد سالخورده از پیش‌کسوتان دانشگاه‌های انگلیس که از کم‌شنوایی رنج می‌برد ـ گرچه چشم‌چران و هیز هم هست ـ در یک بزم شبانه نزدیک یک زن جوان با بلوز ابریشمی قرمز ایستاده است و با او گَپ می‌زند. او «سرش را مانند آدم‌های فرزانه‌ای که نگاه فقیه اندر سفیه دارند تکان می‌دهد و هر از گاهی نیز آه جانسوزی سر می‌دهد یا آواهایی برای ابراز احساسات و عقاید از او ساطع می‌شود… اُتاق پُر از سر و صداست و همهمه‌های زیادی ـ از گفتگوی میهمانان با یکدیگر ـ اُتاق را پُر کرده است… به همین دلیل میهمانان مرتباً صدایشان را بالا می‌برند و گاهی فریاد می‌زنند که بتوانند صدای همدیگر را بشنوند». از آن‌جا که افزایش صداهای مزاحمِ سایر افراد ـ نویز^[۱۷] ـ سبب می‌شود افراد ناگزیر شوند صدایشان را بالاتر ببرند، اقتصاددانان به این سمت سوق یافته‌اند که به همهمه‌هایی که به گوش می‌رسند ـ که نهایتاً سبب می‌شود سکوت و آرامش فضای اُتاق بیش از حدی که لازم است از بین برود ـ به چشم پیامد ضمنی و ناخواستۀ وجود نویز ـ یا واکُنش به آن ـ بنگرند؛ متخصّصان اقتصادسنجی نیز با «معناداریِ^[۱۸]» نتایجی که از انبوه «داده‌های» فصلی درآمد ملّی ـ در بازۀ جنگ دوّم تا امروز ـ به دست می‌آورند، دقیقاً همین کار را می‌کنند. لاج در همان کتاب توضیح داده است «زبان‌شناسان از این پدیده با عنوان «اثر لومبارد^[۱۹]» ـ به دلیل مشارکت‌های اِتی‌یِن لومبارد^[۲۰] ـ یاد می‌کنند… به این معنا که وقتی نویز و همهمه وجود داشته باشد، هر فردی صدایش را بالاتر می‌برد تا آن را به گوش دیگران برساند»؛ یعنی از دیدگاه اهالی اقتصادسنجی سیگنالی که از سوی یک شرکت‌کنندۀ عادی در میهمانی به گوش می‌رسد با نویزها و همهمه‌ها همبستگی دارد. آخ آخ! رسیدیم به خطا در متغیّرها که مایۀ نگرانی و محّل توجّه پروفسور سوآن است.

پژوهشگران اقتصادی ـ نظیر پیش‌کسوت رمان لاج ـ «آنقدر ناشنوا هستند که ارتباط آن‌ها با صداهایی که به گوششان می‌رسد دچار نارسایی باشد[یعنی همۀ صداها را به وضوح نمی‌شنوند و حتی معنای صداهایی که می‌شوند را هم به درستی متوجّه نمی‌شوند]» یا آن‌طور که پروفسور سوآن گفته است «وقتی داده‌هایی که دارای خطا هستند دست بالا را داشته باشند و تورش ایجاد کنند سبب خواهند شد در مشاهدۀ سیگنال‌هایی که مایل هستیم رصد کنیم دچار مشکل شویم». این صحبتی درست است؛ ولی نه کاملاً درست. مشکلی که پروفسور سوآن به آن اشاره کرده است صرفاً وقتی موضوعیّت دارد که دلایل کافی و قانع‌کننده‌ای ارائه کنیم مبنی بر این‌که خطاها و نویزها توانسته‌اند سیگنال اصلی را آلوده و دچار تورش کنند. اگر به مدل اقتصادی اطمینان کافی داشته باشید ـ در رمان لاج به این معنا خواهد بود که آن مرد سالخورده اصرار داشته باشد ببیند آن زن جوان چه می‌گوید ـ «دقّت برآورد^[۲۱]» را با R^۲ یا آزمون T^[۲۲] یا هر چیز نامربوط دیگری اندازه‌گیری می‌کنید. شما می‌خواهید ضریب همبستگی یک متغیّر بر حسب یک متغیّر دیگر را بیابید، به نحوی که تورش و ناسازگاری وجود نداشته باشند؛ فلذا شرم بر خطاها و نویزها.

امّا سر و صداها و نویزها بسیار زیادند ـ نظیر بزم شبانۀ رمان لاج ـ ولی اگر شنوایی شما ایرادی نداشته باشد یا زمینۀ ذهنی و آشنایی کافی با مخاطب خود داشته باشید خواهید توانست صحبت‌های کسی که روبروی شما ایستاده است را تفسیر کنید و بفهمید. امّا نه؛ گرچه پروفسور سالخوردۀ رمان از سمعک استفاده می‌کند، ولی متأسفانه «ظاهراً آن خانم از قاعدۀ اثر لومبارد مستثنی‌ست. او به جای این‌که صدایش را بالاتر ببرد… طوری به صحبت‌کردن ادامه می‌دهد که گویا در یک اُتاق نشیمن ساکت و آرام حضور دارند». خیلی نااُمیدکننده است.

همان‌طور که سوآن هم اشاره کرده است، یک نااُمیدی مشابه هم در اقتصادسنجی وجود دارد. او می‌نویسد «ما نمی‌توانیم در چنین فضایی انتظار داشته باشیم نتایجی دقیق حاصل شود». پاسخ صمیمانۀ ما به او این است که نباید معنای «دقّت» را به واریانس کمتر در برآوردهای مبتنی بر نمونه‌گیری^[۲۳] تنزّل داد و روی آن تمرکز کرد[در ترجمۀ این مقاله منظور از واژۀ «نمونه‌گیری» عبارت است از نمونه‌گیری‌هایی که همۀ اعضای جامعۀ آماری را در بر نمی‌گیرند؛ عموماً حجم نمونه در تهیّۀ آمارهای اقتصادی حدود ۵ درصد از جامعۀ آماری در نظر گرفته می‌شود]. او می‌نویسد «تحلیل حساسیّت^[۲۴] نشان می‌دهد دقّت ظاهری[که معمولاً با یک مقدار عددی یک آماره] در گزارش نتایج اقتصادسنجی درج می‌شود عموماً یک توهّم است، زیرا این دقّت تا حد زیادی به فرض استقلال جزء اخلال^[۲۵] بستگی دارد» و البته که درست می‌گوید. سوآن نوشته است «وقتی چیزی در مورد متغیّر ـ یا مجموعه‌ای از متغیّرها ـ نمی‌دانیم، ممکن است منطقی و معقول به نظر برسد که x و u مستقل هستند. امّا آیا این صرفاً یک فرض محتمل است؟» و بدین ترتیب در واقع به همان نکته‌ای اشاره کرده است که هنک هوتاکر^[۲۶] حین تدریس اقتصادسنجی به دانشجویان تحصیلات تکمیلی دانشگاه هاروارد در سال ۱۹۶۳ میلادی گفته بود. هنک چیزی شبیه به این گفته بود: روی مریخ حیات وجود دارد؛ بنابراین P=50%. آخ آخ!

امّا چنین اشتباهاتی کانون بحث نیستند؛ در اشاره به این‌که چنین نکات کوچکی در تئوری اقتصادسنجی چقدر ارزش وقت‌گذاشتن دارند می‌توان گفت «صدتا گنجشک با زاغ و زوغش نیم مَنه^[۲۷]». در پاسخ به این پرسش سوآن که «چرا نمی‌توانیم یک ارزیابی واقع‌بینانه از صحّت^[۲۸] و قابلیّت اطمینان^[۲۹] مطالعات اقتصادسنجی ارائه دهیم؟» می‌توان گفت دلیل اصلی این است که اقتصاددانان و سایر اندیشمندان ـ از زمان فیشر^[۳۰] و کمیسیون کَئولز^[۳۱] ـ به طرز فاجعه‌بار مفهوم «معناداری^[۳۲]» را با مفهوم «اهمیّت‌داشتن و معناداشتن^[۳۳]» خلط کرده‌اند[ کمیسیون کَئولز مؤسسه‌ای بود که در سال ۱۹۳۲ توسط آلفرد کَئولز تأسیس شد و بعدها نام آن به «بنیاد کَئولز» تغییر کرد. تأکید و مشارکت‌های این مؤسسه در تئوری‌ها و کاربرد اقتصادسنجی بسیار اثرگذار بوده است]. «صحّت و قابلیّت اطمینان» نزد سوآن می‌تواند راه را بازکند تا برگردیم و ببینیم که خطای اصلی در این بود که رفع خطای نمونه‌گیری^[۳۴] به مهّمترین موضوعی که علم اقتصاد با آن مواجه است تبدیل شد. امّا این نباید موضوع اصلی قلمداد شود. مسئلۀ اصلی این است که با تورش‌های بنیادین از واقعیّت و نامربوط‌بودن^[۳۵] آن رویکرد[یعنی محتوای پژوهش به اهداف آن مربوط نیست] مواجهیم. گرچه تئوری‌های مرتبط با نمونه‌گیری را می‌توان به چراغی که روی  تیر برق نصب شده است و نور زیادی [به خیابان] افکنده است تشبیه کرد، امّا اشتباه در این است که اقتصاددانان و سایر اندیشمندان و نهادها تصوّر می‌کنند همۀ مسائل علمی ـ که کلید حل آن‌ها را در تاریکی گُم کرده‌اند ـ باید کشان‌کشان زیر تیر برق ببرند.

سوآن اشاراتی اجمالی به نوشته‌های ما از سال ۱۹۸۳ میلادی تا امروز داشته است تا نکتۀ اصلی آن‌ها را بیان کند؛ ولی به نظر نمی‌رسد محتوای آن‌ها را کاملاً درک کرده باشد. چنین چیزی ابداً مایۀ شگفتی نیست، زیرا فقط معدودی از متخصصّان آمار به کُنه مفهوم نکتۀ ما پی برده‌اند؛ نکته‌ای که در طول قرن از سوی بسیارانی تکرار شده است: گوسِت^[۳۶]، پیرسون^[۳۷]، جفریس^[۳۸]، بورِل^[۳۹]، نِیمن^[۴۰]، والد^[۴۱]، وُلفوویتز^[۴۲]، یول^[۴۳]، دِمینگ^[۴۴]، یِیتْس^[۴۵]، سَوِیج^[۴۶]، دی فینتی^[۴۷]، گوود^[۴۸]، لیندلی^[۴۹]، فاینمن^[۵۰]، لِمن^[۵۱]، دِگُروت^[۵۲]، چرنوف^[۵۳]، رِیْفا^[۵۴]، اَرو^[۵۵]، بلکوِل^[۵۶]، فریدمن، ماستلر^[۵۷]، کراسکِل^[۵۸]، مندلبرات^[۵۹]، والیس^[۶۰]، رابرتز^[۶۱]، گرانجر^[۶۲]، پرس^[۶۳]، برگر^[۶۴] و زِلنر^[۶۵]. وقتی سهولت کاربرد قاعدۀ انحراف استاندارد(s) فیشر با مقداری از پیچیدگی‌های فنّی ترکیب می‌شود به سادگی بر عقل سلیم غلبه می‌کند(مک‌کلاسکی و زیلیاک، ۲۰۰۷ و ۲۰۱۲ ؛ زیلیاک و مک‌کلاسکی، ۲۰۱۳)[به یاد بیاورید که بر اساس این قاعده حدود ۹۵ درصد داده‌ها در فاصله ۲ انحراف استاندارد از میانگین قرار می‌گیرند؛ دقّت داشته باشید که خطای استاندارد با انحراف استاندارد تفاوت دارد، در واقع خطای استاندارد را با تقسیم کردن انحراف استاندارد بر جذر تعداد مشاهدات محاسبه می‌کنیم]. سوآن می‌نویسد «وقتی مک‌کلاسکی و زیلیاک به درستی به ما هشدار دادند که استفاده از آمارۀ T به عنوان معیار اندازه‌گیری «معناداری» اقتصادی خطرناک است» و ادامه می‌دهد «از مقادیر آمارۀ T تا وقتی که فروض اقتصادسنجی برقرار باشد می‌توان برای اندازه‌گیری دقّت استفاده کرد». آشکار است که او مسیر را کاملاً اشتباه رفته است. در فعالیّت‌های علمی معمولاً در جستجوی «دقّت» نیستیم. «صحّت^[۶۶] و دقّت[مبتنی بر نمونه‌گیری]^[۶۷]» با همدیگر تفاوت دارند؛ البته اگر «صحّت» را به این معنا تفسیر کنیم که «اعدادِ مربوط[به اندازه‌گیری‌ها و پژوهش‌‌ها]، آنقدر بزرگ باشند که بتوانیم اهمیّت و ارزش کافی برای آن‌ها قائل شویم».

امّا از سوی دیگر باید سوآن را بابت پژوهش علمیِ جدّی و قابل‌اعتنای او که در آن به «ضعیف‌ترین حلقۀ تحلیل» پرداخته است، صمیمانه تحسین کنیم. او می‌نویسد «گزارش نتایج باید پاشنۀ آشیل پژوهش را برای مخاطب کاملاً روشن کند و صریحاً آن را بیان کند» و باید گفت که [توصیۀ او] کاملاً صحیح است. ولی در ادامه می‌نویسد «به دقّتی فراتر از دقّتِ ضعیف‌ترین حلقه نمی‌توانیم برسیم»؛ آخ آخ! باز هم «دقّت»: یعنی یک اعتماد به نفس کذایی و کاذب که به مَدَد آزمون T و کشیدن مسائل به جایی که نور تیر برقِ خطای نمونه‌گیری تابیده است، قوّت می‌گیرد. او می‌نویسد «معتقدم که فرض استقلال حقیقتاً پاشنۀ آشیل اقتصادسنجی محسوب می‌شود»؛ باید به سوآن گفت که مشکل ربطی به «پاشنه» ندارد، بلکه مسئله مربوط می‌شود به «پا»، یعنی هیچ چیزی وجود ندارد که بشود روی آن ایستاد.

سوآن در مورد نمونه‌گیری به خوبی اشاره کرده است «اگر نسبت سیگنال به نویز کوچک باشد… پارامترهایی که تخمین زده می‌شوند حساسیّت زیادی به فرض استقلال خواهند داشت. گرچه وقتی شواهدی در دست نداریم تا فرض استقلال را کنار بگذاریم، ظاهراً محتمل به نظر می‌رسد که اتکای به آن ایرادی نداشته باشد، ولی صرفاً وقتی می‌توانیم آن را فرض بگیریم که مطمئن شده باشیم هیچ نوع همبستگی بین x و u محتمل نباشد؛ امّا واقعیّت این است که در بیشتر موارد نمی‌توانیم از چنین چیزی اطمینان حاصل کنیم». سوآن هنوز هم دنبال این است که رابطۀ «اندازۀ اثر^[۶۸]» و واریانس نمونه را اندازه‌گیری کند. این مشکل واقعی و اصلیِ تکنیک‌های اقتصاد سنجی از زمان کمیسیون کَئولز است؛ یعنی نمونه‌گیری.

با این حال سوآن توصیف خوبی از وضعیّت وخیم اقتصادسنجی ارائه داده است: چیزی که معمولاً در مطالعات اقتصادسنجی در نظر گرفته شده است عبارت است از این‌که «[محاسبات در اقتصادسنجی نیازی به این موارد ندارد:] پیش‌زمینۀ بحث، تعریف متغیّرها، این‌که درک کنیم واحدهای محورهای نمودارها چه مفهومی دارند و این‌که مشاهدات با چه ایده‌ای در ارتباط هستند یا به کدام مقوله مربوط می‌شوند». از گذشته‌های دور ـ که محاسبات با کامپیوترهای بزرگ^[۶۹] انجام می‌شد ـ یک قرارداد نانوشته بین اهالی اقتصادسنجی ایجاد شد و نسل به نسل به ارث رسید؛ مبنی بر این‌که هیچ‌گونه تفسیر کیفی به اعداد و ارقام مندرج در گزارش نتایج اقتصادسنجی ضمیمه نشود(زیلیاک، ۲۰۱۸)؛ تفاسیری که اگر به آن‌ها آگاه باشید می‌توانید در همهمۀ زیاد بزم شبانه، صحبت‌های طرف مقابل را بفهمید. سوآن یک نقل‌قول کنایه‌آمیز از وِربیک^[۷۰] آورده است: «اقتصادسنجی بدون داده‌ها آسان‌تر است». و بعد از آن، سوآن از این شکایت و گله دارد که: «موقعیّت ویژۀ چیزی که اصطلاحاً تخمین‌گر یک پارامتر نامیده شده است به فروض ما بستگی دارد و نه به داده‌های ما. این باید زنگ‌های خطر را به صدا دربیاورد!».

باید پاسخ داد: بله، امّا دعوت برای دست به کار شدن روی افرادی که از عقل سلیم برخوردارند اثر دارد.

امّا واقعاً چه باید کرد؟ تنها جایی که می‌توانیم با نگرانی‌های سوآن موافق باشیم جایی‌ست که می‌گوید «آموزش اقتصادسنجی بسیار نامتعادل و ناموزون شده است». امّا این عدم‌توازن در مورد مقولات تکنیکی مربوط به جزء اخلال نیست. عدم‌توزان از جایی ایجاد می‌شود که طبق رویّه‌های جاری ـ که از آموزش تحلیل رگرسیون منبعث شده است؛ رگرسیون‌هایی با محوریّت کمیسیون کَئولز رایج شدند ـ دانشجویان طی سه ترم اقتصادسنجی می‌آموزند؛ به نحوی که در آموزش تأکید زیادی روی تکنیک‌های تئوریک وجود دارد، ولی سایر روش‌های کمّی یا سایر موضوعاتی که در این زمینه وجود دارد[منظور انواع رویکردها و انتقادات است] آموزش داده نمی‌شوند. اقتصاددانان باید توجّه داشته باشند که قانون بازده نزولی همان‌طور که در کشاورزی وجود دارد، در مورد تدریس و آموزش هم صادق است. سوآن به درستی اشاره می‌کند که اقتصاددانان «باید از این ایده دست بردارند که محاسبات اقتصادسنجی «یگانه راه‌حل» پرسش‌های تجربی در اقتصادسنجی‌ست، و باید بپذیرند که حرفۀ اقتصاد نیاز دارد طیف وسیع‌تری از تکنیک‌های تجربی را به کار بگیرد». «یکی از ایراداتی که ممکن است افراد بسیاری به این پیشنهاد داشته باشند این است که سایر تکنیک‌ها هم مبهم و غیردقیق^[۷۱] هستند؛ امّا چیزی که ما از تحلیل حساسیّت دریافتیم این بود که همین چیزها را در مورد برآوردهای اقتصادسنجی نیز می‌توان گفت». باید بایستیم و سوآن را تشویق کنیم.

سوآن می‌نویسد «من پیشنهاد نمی‌کنم» ـ گرچه باید گفت با این توصیه از دایرۀ عقل سلیم خارج شده است ـ «متخصّصان اقتصادسنجی روش‌های پژوهش کیفی را نیز بیاموزند»؛ برای ما معلوم نشد چرا نباید چنین چیزهایی را بیاموزند. او معتقد است «این‌ها دو روش کاملاً متفاوت هستند، زیرا مهارت‌ها و ویژگی‌های شخصی متفاوتی می‌طلبند»؛ دلیل سوآن ابداً قانع‌کننده نیست؛ اقتصاددانان افزون بر این‌که می‌توانند تحلیل‌های خود به زبان انگلیسی بنویسند، ضمناً می‌توانند محاسبات ریاضی را با استفاده از ماتریس‌ها انجام دهند و این‌ها هم مهارت‌ها و ویژگی‌های شخصی متفاوتی می‌طلبند؛ اگر اقتصاددانان واقعاً می‌خواهند در حوزۀ اقتصاد کارهای جدّی بکنند باید بتوانند از هر دو روش استفاده کنند. سوآن در مورد راه‌حل، بیان هوشمندانه‌ای دارد: «دیسیپلین اقتصاد باید برای آن دسته از اقتصاددانانی که از سایر تکنیک‌ها در آزمون‌های اقتصادی استفاده می‌کنند و در این زمینه چیزهای زیادی آموخته‌اند، فضای مناسب مهیّا کند و نباید آن‌ها را هترودکس^[۷۲] یا نامربوط^[۷۳] بداند». دوباره باید بایستیم و او را تشویق کنیم.

از سوی دیگر، سوآن ـ در حالی که بیش از پیش از دایرۀ عقل سلیم خارج می‌شود ـ گفته است: «اقتصادسنجی(econometrics) باید به عنوان هستۀ اصلی محتوای آموزشی باقی بماند، ولی دانشجویان باید سایر روش‌های پژوهش تجربی که می‌توانند مکّمل‌های خوبی برای اقتصادسنجی رسمی و متعارف باشند را نیز بیاموزند». در اینجا صرفاً می‌توانیم سوآن را به خاطر بخش دوّم جملۀ او تشویق کنیم، ولی بخش اوّل جمله چَنگی به دل نمی‌زند. بر ما معلوم نشد چرا باید بخش «con» از واژۀ اقتصادسنجی ـ که مباحث آن از کمیسیون کَئولز منبعث شده است ـ به عنوان «هستۀ اصلی» قلمداد شود[دقّت کنید که منظور واژۀ انگلیسی «econometrics» است. «con» به معنای فریفتن و گول‌زدن است و اتّفاقاً در هستۀ مرکزی این واژه قرار گرفته است؛ به واژه‌های «Cowels» و «Core» هم دقّت کنید]. حالا بیایید «tric[k]s» را هم خارج کنیم[دقّت کنید که بخش «trics» واژۀ انگلیسی «econometrics» با افرودن حرف «k» که درون کروشه قرار گرفته است به واژۀ «tricks» تبدیل شده است که به معنای کلک و حقّه‌بازی و ترفند است؛ آوردن حرف «k» در کنار حرف «c» با این واقعیّت بی‌تناسب نیست که در زبان انگلیسی گاهی هر دو را «ک» تلفّظ می‌کنند]. باید «me» را نیز خارج کنیم؛ چون بیانگر نوعی خودستایی و خودشیفتگی‌ست. [اگر «اقتصادسنجی» جایگاه فعلی خودش را از دست بدهد، این بخش‌هایی که به ترتیب از واژۀ «econometrics» حذف کردیم سزاوار این نیستند که برای حفظ آن‌ها اصرار داشته باشیم یا بابت حذف آن‌ها ناراحت شویم] ولی می‌توانیم در غم از دست دادن «eo» گریه کنیم[عبارت «eo» مخفّف عبارتیست که «کسب و کار» را به ذهن متبادر می‌کند؛ ظاهراً منظور نویسندگان مقاله این است که اگر «اقتصادسنجی» جایگاه فعلی خودش را از دست بدهد، عدّه‌ای کسب و کار و دکّان خود را از دست خواهند داد و از این بابت می‌توانند مویه و لابه و زاری سر دهند].

پس باید چه چیزهایی برای اندازه‌گیری‌های کمّی به اقتصاددانان آموزش دهیم؟

سه ترم تحصیلی برای چنین آموزش‌هایی می‌تواند کافی باشد. ولی فقط یک ترم باید به اقتصادسنجیِ منبعث از کمیسیون کَئولز ـ که همان تحلیل رگرسیون است ـ اختصاص یابد. در حال حاضر برنامه‌های درسی تحصیلات تکمیلی، سه ترم به آموزش تحلیل رگرسیون اختصاص می‌دهند و اقتصاددانان جوان تصوّر می‌کنند که این تنها روش مواجهۀ کمّی با شواهد اقتصادی است؛ این تصوّر به نوبۀ خود یک باور نادرست ایجاد می‌کند مبنی بر این‌که فقط افرادی که در تحلیل رگرسیون تخصّص و مهارت داشته باشند به عنوان «اقتصاددان کمّی^[۷۴]» شناخته می‌شوند و واژۀ «متخصّص اقتصادسنجی یا اقتصادسنج^[۷۵]» فقط برای آن‌ها به کار برده می‌شود. اتّفاقی شبیه به همین خطا و باور نادرست ـ که باورها را صرفاً براساس نامگذاری در حوزۀ اقتصادسنجی به انحراف برده است ـ از سال‌های ۱۹۷۰ میلادی در تدریس تئوری اقتصاد هم اُفتاده است؛ بدین ترتیب تدریس تئوری اقتصادی برای دانشجویان سال اوّل تحصیلات تکمیلی به اهالی «اقتصاد ریاضی^[۷۶]» ـ که جای دیگری برای استخدام آن‌ها وجود نداشت ـ محوّل شد. آن‌ها اصرار داشتند از نوعی قضایای ریاضی استفاده کنند که آن را «تحلیل واقعی^[۷۷]» ـ ها! ها! ـ قلمداد می‌کردند. این قضایای ریاضی در علوم واقعی نظیر مهندسی، فیزیک و هواشناسی کاربردی نداشتند؛ گرچه در دپارتمان‌های ریاضی به درستی محبوب بودند و جهان‌شمول بودن آن‌ها سبب شده بود از نوعی افسون و فریبندگی برخوردار باشند. در این روش، محاسبات عددی جایی نداشت و اثبات به روش برهان خُلف^[۷۸] ـ که از فلسفۀ یونان اقتباس شده است ـ انجام می‌شد.

آن یک ترم که به تدریس تحلیل رگرسیون اختصاص می‌یابد باید به جای پرداختن به قاعدۀ انحراف استاندارد(s) فیشر( خوانندگان گرامی توجه داشته باشند که نماد انحراف استاندارد حرف کوچک یونانی سیگما است که به دلیل عدم توانایی تایپ آن با کیبورد استاندارد در اینجا از حرف S استفاده شده است) ـ که پوچ و بی‌معناست ـ بر اساس یک تابع زیان منطبق بر واقع سامان بیابد، تئوری تصمیم‌گیری^[۷۹] را بیان کند، حداکثر راستنمایی^[۸۰] را به دانشجویان بیاموزد و البته باید خطاهایی که در محاسبات کامپیوتری ممکن است رخ بدهد را به خوبی تشریح کند(استوکس^[۸۱]، ۱۹۹۷ و ۲۰۰۵).

در دو ترمی که باقی می‌ماند دانشجویان باید سایر روش‌های کمّی ـ فراتر از تحلیل رگرسیون ـ که از سوی اقتصاددانان و سایر دانشمندان در عمل به کار گرفته می‌شوند را بیاموزند. بهتر است اقتصاددانان کاربردی واقعی این ترم‌های تحصیلی را تدریس کنند؛ نه اقتصادسنج‌های تئوریک. وقتی آرجو کلامر^[۸۲] ـ که یکی از متخصّصان برجستۀ اقتصادسنجی‌ست و در هلند در سال‌های ۱۹۷۰ میلادی از آموزش‌های پیشرفته‌ای برخوردار شد ـ به دانشکده‌های اقتصادسنجی هلند سفر کرد، متوجّه شد هیچ‌یک از اعضای این دانشکده‌ها حتی نام چند اقتصاددان واقعی را هم نمی‌دانند؛ آن‌ها به تئوری‌های آماری در دانشکده‌های خود اکتفا کرده بودند و عمیقاً مشغول قضایای کتب درسی بودند(کلامر، DDDD).

اجازه دهید فهرستی از روش‌های کمّی که باید به یک اقتصاددان تجربی ـ که می‌خواهد کارهای جدّی اقتصادی انجام دهد ـ آموزش داده شود، ارائه دهیم. این آموزش باید دست‌کم در سطحی باشد که او بداند چگونه باید مسیر را آغاز کند و بدین ترتیب بعداً می‌تواند بنا به اقتضای حرفۀ خود، تخصّص خود را ارتقاء دهد. هر فردی که دهه‌ها اقتصاد خوانده باشد می‌تواند نمونه‌هایی کاربردی و ضروری ارائه کند. ابتد باید دوباره یادآوری کنیم: اقتصادسنجی منبعث از کمیسیون کَئولز حتی به یک یافتۀ مشابه هم دست نیافته است.

ریاضیّات کاربردی^[۸۳]؛ به‌ویژه تحلیل خطا^[۸۴] و روش‌های تخمین همگرا^[۸۵] نظیر روش نیوتن^[۸۶]. تدریس «تحلیل واقعی» ـ اگر این عبارت معنادار باشد ـ و حتی استفاده از این عبارت باید متوقّف شود.

شبیه‌سازی^[۸۷] با تحلیل حساسیّت؛ نظیر چیزی که در اقتصاد کشاورزی رایج است و بر اساس آن پارامترها را از آزمایش‌های زراعی استخراج می‌کنند. این روش ستون فقرات علوم مهندسی ـ و اخیراً معماری ـ قلمداد می‌شود.

مدل‌های تعادل عمومی محاسبه‌پذیر^[۸۸]؛ این روش زیرمجموعۀ شبیه‌سازی محسوب می‌شود.

تاریخ اقتصادی؛ در این روش دیدگاه‌های مختلف مقایسه می‌شوند و یکی از قدرتمندترین و سودمندترین روش‌های کمّی در علوم محسوب می‌شود. به عنوان مثال مقایسۀ چین و اروپا در سده‌های میانه، مقایسۀ جریان منظّم و آهستۀ سیّالات و جریان بی‌نظم و شدید، مقایسۀ صفحات قارّه‌ها و حواشی صفحات پوستۀ زمین.

حسابداری درآمد ملّی^[۸۹]؛ که دیگر مثل گذشته به دانشجویان تدریس نمی‌شود ولی به آن‌ها امکان می‌داد تا ببینند محاسبات استهلاک بر اساس چه فروضی انجام می‌شود یا در محاسبۀ تراز پرداخت‌ها چه داستان‌های شیطنت‌آمیزی وجود دارد.

ترسیم نمودار^[۹۰]؛ امروزه شاهد پیشرفت‌های بسیاری در تکنیک‌های کامپیوتری در این زمینه هستیم. چرا برخی از اقتصاددانان هنوز فکر می‌کنند منحنی فیلیپس وجود دارد؟ چون وقتی مقالۀ خود را می‌نوشتند توجّه‌شان به آن نمودار جلب شد و آن را سودمند! یافتند. چرا برخی دیگر از اقتصاددانان به منحنی فیلیپس باور ندارند؟ چون نمودار آن تغییر کرده است و دیگر سودمند! نیست. فلذا شرم بر معناداری آماری. برای مطالعۀ بیشتر به کتاب‌های ادوارد تافت^[۹۱] به‌ویژه کتاب نمایش کمّی و اطّلاعات کمّی^[۹۲] مراجعه کنید.

آزمایش‌ها^[۹۳]؛ به‌ویژه آزمایش روی گروه‌ها و موضوعاتی که به علوم اجتماعی واقعی^[۹۴] مربوط می‌شوند و به عنوان نمونه از سوی ورنون اسمیت^[۹۵] و بارت ویلسون^[۹۶] ارائه شده‌اند. بدعت‌های زائد در روان‌شناسی که هیچ یافتۀ کلّی و مهّمی ندارند ـ نظیر اغلب چیزهایی که در اقتصاد رفتاری می‌بینیم؛ و نه همۀ آن‌ها ـ در این دسته قرار نمی‌گیرند.

پرسشنامه‌ها^[۹۷]؛ که اقتصاددانان تصوّر می‌کنند هوده‌ای ندارد. البته باید گفت محاسبۀ نرخ بیکاری بیش از آن هر چیز دیگری یک نوع پژوهش محسوب می‌شود.

درون‌نگری^[۹۸] عمیق و جدّی؛ درون‌نگری عمیق این نیست که مثلاً بپرسیم «امروز بعد از ظهر در مورد قانون تقاضا چه احساسی دارم؟» بلکه مثلاً این است که بپرسیم «اگر قیمت بنزین دو برابر شود واقعاً چه خواهم کرد؟». این عمق و جدیّت مستلزم پرداختن به فلسفه‌ای فراتر از مباحث ساده‌ای است که در حال حاضر اقتصاددانان به آن‌ها تکیه کرده‌اند.

مصاحبه^[۹۹]؛ از آن نوع مصاحبه‌هایی که مردم‌شناسان^[۱۰۰] انجام می‌دهد و پاسخ‌هایی را بیرون می‌کشند که از دیدگاه علمی دارای اهمیّت است. دانشجویان باید بیاموزند که نیازی نیست برای آموختن و بهره‌بردن از یک مصاحبۀ خوب، هر چیزی که از دهان مصاحبه‌شونده][کاملاً محتمل است سطح علمی مصاحبه‌شونده صرفاً در حد یک پاورقی‌نویس باشد یا در حد یک سخنگوی ناآگاه باشد که بدون درک اصل مطلب فقط وظیفۀ اطّلاع‌رسانی و حضور در انظار را برعهده دارد] بیرون می‌آید را باور کنند؛ [ارزش علمی بسیاری از چیزهایی که در مصاحبه‌ها اظهار می‌شود] مثل این است که گفته شود «جادوگر مرا بیمار کرد» یا «هزینۀ نهایی روی کسب و کار ما اثری دارد».

گوش‌دادن هوشمند^[۱۰۱]؛ از آن نوعی که رونالد کوز^[۱۰۲] به شایستگی از آن بهره برد.

کار‌های میدانی^[۱۰۳]؛ کار و پژوهش در واحدهای اقتصادی حقیقی نظیر شرکت‌های تجاری، مؤسسات غیرانتفاعی، ادارات و سازمان‌های دولتی یا حتی در درون خانواده‌هایی که همۀ ما در آن‌ها زندگی می‌کنیم.

اقتصاد پیاده‌روی^[۱۰۴]؛ این نامگذاری دیوید مک‌ویلیامز^[۱۰۵]، اقتصاددان و چهرۀ تلویزیونی ایرلندی بود. مشاهده باریک‌بینانۀ رفتارهای اقتصادی در بطن زندگی عادی؛ از آن نوعی که آرمن آلکی‌یِن^[۱۰۶] در آن تبحّر داشت(مک‌ویلیامز، ۲۰۱۸: ۹۵) ^[i].

فیش‌برداری و بایگانی^[۱۰۷] ، یعنی تکنیک‌های پژوهشگران در پژوهش کتابخانه‌ای برای دستیابی به سوابق به کار می‌گیرند. دانشجویانی که به این کار اشتغال داشته‌اند می‌توانند این مهارت را تدریس کنند.

تکنیک‌های روایی^[۱۰۸]؛ نظیر تکنیک‌هایی که در زیست‌شناسی تکاملی رایج و معمول است.

همۀ موارد فوق را می‌توان واقعاً تدریس کرد و آموزش داد؛ البته اگر اقتصاددانان مایل باشند اقتصاد به‌مثابه یک علم پیشرفت کند و توسعه یابد.

 

منابع

Hayek, Friedrich. 1945. “The Use of Knowledge in Society.” American Economic Review 35 (4): 519–۵۳۰.

Klamer, Arjo.

Lodge, David. 2008. Deaf Sentence: A Nevel. London: Penguin.

McCloskey, Deirdre Nansen, and Stephen T. Ziliak. 2008. “Signifying Nothing: A Reply to Hoover and Siegler,” March, 2008, Journal of Economic Methodology.

McCloskey, Deirdre Nansen, and Stephen T.. Ziliak. 1996. “The Standard Error of Regression.” Journal of Economic Literature 34 (1): 97–۱۱۴.

McCloskey, Deirdre Nansen, and Stephen T. Ziliak. 2012. “Statistical Significance in New Tom and Old: A Reply to Thomas Mayer on Statistical Significance,” Econ Journal Watch 9 (3): 298–۳۰۸.

McWilliams, David. 2018. Renaissance Nation: How the Pope’s Children Rewrote the Rules for Ireland. Dublin: Gill.

Morgenstern, O. 1963. On the Accuracy of Economic Observations. 2nd ed. Princeton: Princeton University Press.

Stokes, Houston J. 1997. Specifying and Diagnostically Testing Econometric Models, Quorum Books / Greenwood Press, Westport CT, Second Edition.

Stokes, Houston J. 2005. “The Sensitivity of Econometric Results to Alternative Implementations of Least Squares.” Journal of Economic and Social Measurement, 30: 9-38.

Tufte, Edward R. 1983. The Visual Display of Quantitative Information. Cheshire, CT: Graphics Press.

Verbeek, M. 2000. A Guide to Modern Econometrics. New York: Wiley.

Ziliak, Stephen T. 2018. “How Large Are Your G-values? Try Gosset’s Guinnessometrics When a Little “p” is NotEenough.” Forthcoming 2018, The American Statistician(Special Issue: Statistical Inference in the 21st Century).

Ziliak, Stephen T., and Deirdre Nansen McCloskey. 2004. “Size Matters: The Standard Error of Regressions in the American Economic Review.” Journal of Socio-Economics 33(5): 527–۵۴۶.

Ziliak, Stephen T., and Deirdre Nansen McCloskey. 2008. The Cult of Statistical Significance: How the Standard Error Costs Us Jobs, Justice and Lives. Ann Arbor: University of Michigan Press.

Ziliak, Stephen T., and Deirdre Nansen McCloskey. 2013. “We Agree That Statistical Significance Proves Essentially Nothing: A Rejoinder to Thomas Mayer.” Econ Journal Watch 10 (1): 97–۱۰۷.

________________________________________

*?What Quantitative Methods Should We Teach to Graduate Students? A Comment on Swann’s “Is Precise Econometrics an Illusion”

** ?A Comment on Swann’s “Is Precise Econometrics an Illusion”

[I]: Deirdre Nansen McCloskey ; deirdre2@uic.edu ;deirdremccloskey.org

  [II]:Stephen T. Ziliak ; sziliak@roosevelt.edu ; https://blogs.roosevelt.edu/sziliak

[۱] G. M. Peter Swann

[۲] Econometrics

[۳] Illusion

[۴] Loss function

[۵] Crude simulations

[۶] Harberger triangles

[۷] Scatter plots

[۸] Phillips Curve

[۹] Oscar Morgenstern

[۱۰] Data

[۱۱] Given data

[۱۲] Things given

[۱۳] Given things given

[۱۴] David Lodge

[۱۵] Deaf Sentence

[۱۶] Semi-autobiographical novel

[۱۷] Noise

[۱۸] significant

[۱۹] Lombard Reflex

[۲۰] Etienne Lombard

[۲۱] Precision of the estimate

[۲۲] T-test

[۲۳] Modulo sampling

[۲۴] Sensitivity analysis

[۲۵] error term independence assumption

[۲۶] Hank Houthakker

[۲۷] Angels-dancing-on-the-head-of-a-pin

[۲۸] Accuracy

[۲۹] Reliability

[۳۰] Ronald Aylmer Fisher

[۳۱] Cowles Commission

[۳۲] Significance

[۳۳] Significance

[۳۴] Sampling error

[۳۵] Substantive bias and Irrelevancy

[۳۶] William Sealy Gosset

[۳۷] Egon Pearson

[۳۸] Harold Jeffreys

[۳۹] Félix Édouard Justin Émile Borel

[۴۰] Jerzy Neyman

[۴۱] Abraham Wald

[۴۲] Paul Wolfowitz

[۴۳] George Udny Yule

[۴۴] William Edwards Deming

[۴۵] Michael Yates

[۴۶] Leonard Jimmie Savage

[۴۷] Bruno De Finetti

[۴۸] Good

[۴۹] Dennis Lindley

[۵۰] Richard Feynman

[۵۱] Etienne Lehmann

[۵۲] Morris Herman DeGroot

[۵۳] Herman Chernoff

[۵۴] Howard Raiffa

[۵۵] Kenneth Arrow

[۵۶] David Harold Blackwell

[۵۷] Frederick Mosteller

[۵۸] William Kruskal

[۵۹] Benoit Mandelbrot

[۶۰] Wilson Allen Wallis

[۶۱] Russell David Roberts

[۶۲] Clive Granger

[۶۳] Press

[۶۴] Mark Berger

[۶۵] Arnold Zellner

[۶۶] Accuracy

[۶۷] [Sampling]Precision

[۶۸] Effect-size

[۶۹] Main-frame

[۷۰] Marno Verbeek

[۷۱] Woolly and Imprecise

[۷۲] Heterodox

[۷۳] Irrelevant

[۷۴] Quantitative economist

[۷۵] Econometrician

[۷۶] Mathematical economists

[۷۷] Real analysis

[۷۸] Greek-style proof by contradiction

[۷۹] Decision theoretic

[۸۰] Maximum likelihood

[۸۱] Stokes

[۸۲] Arjo Klamer

[۸۳] Applied mathematics

[۸۴] Error analysis

[۸۵] Convergent approximation

[۸۶] Newton’s Method

[۸۷] Simulation

[۸۸] Computable general equilibrium methods(CGE)

[۸۹] National income accounting

[۹۰] Graphing

[۹۱] Edward Rolf Tufte

[۹۲] The Quantitative Display of Quantitative Information

[۹۳] Experiments

[۹۴] Actual social science

[۹۵] Vernon Smith

[۹۶] Bart Wilson

[۹۷] Questionnaires

[۹۸] Introspection

[۹۹] Interviewing

[۱۰۰] Anthropologist

[۱۰۱] Intelligent listening

[۱۰۲] Ronald Coase

[۱۰۳] Field work

[۱۰۴] Walkabout economics

[۱۰۵] David McWilliams

[۱۰۶] Armen Alchian

[۱۰۷] Archival work

[۱۰۸] Narrative techniques

پی‌نوشت‌ها

[i] واژۀ walkabout به این معناست یک فرد هدفمند(و شاید مهّم) به منظور خاصّ در میان جمعیّت به‌طور غیررسمی قدم بزند، پرسه بزند، مشاهدات و رویدادهای خاصّی را دنبال کند و نظایر این‌ها.