摘要：经济模型是数量经济的灵魂。面对对经济模型的质疑，通过论述经济模型不可替代的基本作用，区分经济模型、经济模型研用者及其研用的经济模型，为经济模型正本清源，并论述了经济模型选择中研用者的态度与责任，以及所研用的经济模型的持续改进的重要性与关键性，进而分析了面对大数据、人工智能带来的机遇与挑战，经济模型研用者任重道远，经济模型将迎来一个大有作为的新时代。

关键词：数量经济  经济模型  人工智能  大数据

 

数量经济是具有中国特色的应用经济下设的一个二级学科，是苏联、西方经济本土化的产物，时至今日，无论在理论、模型技术，还是应用研究方面都获得了长足发展。经济模型是数量经济的灵魂。一直以来，国内外都有一些专家学者撰文质疑甚至批评经济模型，如最近p值被美国顶级政治学术期刊《政治分析》禁用，以致引起对经济模型乃至数量经济的怀疑与偏见。为此，我们有必要进行商榷。

一、经济模型的基本作用

相对于自然科学与工程技术科学来讲，经济模型是从事经济问题研究与实际工作者的实验室。如今在大数据、人工智能环境下，这种实验室特征更为突出。经济模型的作用体现在以下四个方面。

首先，以宏观经济调控为例。宏观经济调控，第一步是确定调控方向，第二步是确定调控力度。根据相关经济理论，以及经济现状与实际问题，调控方向是比较容易确定的，但调控力度则难以确定。举个简单的例子，如市场出现供不应求，为刺激生产，降低银行贷款利率，是一种调控方向的选择，比较容易确定。但利率降低多少，是一个调控力度的问题。降低少了，达不到刺激生产的目的；降低多了，会起到相反的作用。固然我们熟悉经济理论和经济实际情况，但在尚未引入应用经济模型的时候，对调控力度的确定，只能依靠我们的认知与经验，做出大体的判断选择。然而，在经济理论和经济现实背景下，研制、建立与使用经济模型来确定调控力度，则是一种科学、可行和有效的选择，而且不失为一种较精准的确定选择。这方面，国内外均有成功的例子，体现出数量经济的独特优势和生命力所在。为叙述方便，以下我们把研制、建立与使用经济模型的研究与实际工作者统称为经济模型研用者，同时把研制、建立与使用经济模型简称为研用经济模型。

其次，以政策实施事前和事后分析为例。任何一项经济政策都是服务于经济调控目的的，同时由于经济系统内在的复杂联系，实施这项政策也会产生一系列“多米诺骨牌”式的连锁反应，尤其会产生负效应或副作用。如考虑到农民工工资过低，为了提高他们的收入（当然提高多少又是一个力度问题），制定并采取最低工资政策的措施。由于工资是成本的一部分，可能会导致产品价格上涨，也会导致产品原材料、燃料等要素价格上涨，进而推动物价上涨；同时由于农民工收入增加，也会导致他们需求上升，进而拉动物价上涨……等等。因此，在这项政策实施前需要做出事前的预案分析，即确定农民工工资涨幅，明确并使所产生的负效应或副作用都在可接受或可控制平衡范围内，这就需要经济模型。在政策实施后，我们还需要评估政策实施的效应，包括是否达到政策实施的目的、所有的负效应或副作用是否都在可接受范围内，以及还存在其他什么问题、如何改进等。可见，政策事前和事后分析都需要研用经济模型。

第三，以预测分析为例。在宏观调控与政策事前和事后分析中，不仅需要通过所研用的经济模型确定的相关经济变量之间的数量关系，还需要对模型中内生经济变量进行预测。换句话说，政策分析和预测是研用经济模型的两个基本功能。显然，预测中还有预测的问题，即在预测内生变量的数值时就需要预测外生变量的数值。固然在模型设定中，我们假定了内生变量是随机变量，而外生变量是普通变量，但实际中这些外生变量的未来数值有时只需要判断赋值，而有时则需要预测，因为外生变量如在联立方程中亦具有随机性的一面，为此需要通过研用另一个经济模型对外生变量进行预测。可见，对于复杂的经济问题，研用一组联立的经济模型或模型体系是必要的。

第四，再从一般分析经济问题的思路展开：由定性分析到定量分析，再到定性分析。定量分析包括指标分析、指标体系分析、指标之间关系外，最重要的是包括经济模型分析。从理论上讲，经济模型有许多种，如数理模型、博弈模型、计量模型、空间计量模型、微观计量模型、投入产出模型、仿真模拟、系统动力学模型、混沌模型、协整模型、博弈实验模型等，还有些诸如绩效评估、人力资源测评、品牌价值评估等特殊的业务或专业模型。对于任何经济问题，经济模型研用者都需要以问题为导向，基于文献分析和实际调研，根据相关经济理论、经济模型技术与方法，借鉴国内外经验，结合实际问题的特点，研用一个用于定量分析的经济模型。可见，经济模型起着承上启下的作用，既满足定性分析的要求、支撑定性分析的实现，又能有助于提炼、揭示新的定性分析的观点与结论。或者说，经济模型是实现个体到总体、量变到质变、认识到再认识过程中的关键环节，不可或缺。但是，对同一问题，不同的研用者所研用的经济模型是不同的，且事后评估的结果也有所不同，这说明研用的经济模型有很大的选择空间。这一点不像抽样分布定理那样，在相同的条件下，由于样本不是唯一的，有的抽样者随机获得一个样本，另一些抽样者随机获得另一个样本，但他们都可以以自己所抽取到的样本推断总体，只是结果不同而已，都是可以接受的。不同的研用者研用的经济模型，首先要看是否有价值、有意义？有价值、有意义是底线要求，否则必须放弃。其次，研用的经济模型在有价值、有意义的前提下，还有优良程度之分。并且，研用者都在追求更优良的经济模型。所谓有价值、有意义是指，模型设定以问题为导向，通过经济理论与统计检验，所得到的新认识、观点、结论和建议有学术价值，且能够解决实际问题。显然，只有有价值、有意义，且更优良的经济模型，才能被引用或推广应用。在不考虑经济模型本身的局限性前提下，受到质疑的经济模型，正是这些没有价值、没有意义的经济模型。当然，研用一个更优良的经济模型不是一件容易的事情，需要我们以事实求是的科学态度，刻苦钻研、精益求精的科学精神，在干中学，不断总结经验，持续改进，逐步获得一个更优良的经济模型。

二、研用经济模型的选择

从理论上讲，经济模型因设定假设、研用者的认知与考虑问题所限，都有固有的局限性。这反倒可以说明，经济模型的持续改进是无止境的，这也正是学术研究不断提升的过程。当然，从科学规律上讲，正是长期研用经济模型的实践从理论上把经济模型提升到一个新水平或创造出新的经济模型。从短期来讲，抛开经济模型的局限性，对研用的经济模型的质疑，应引起我们高度重视。我们认为，经济模型作为一种分析思想、技术与方法的理论工具，在研究经济问题中得到运用是必然的、正确的。关键是研用者及其所研用的经济模型是否有价值、有意义，是否更优良。

经济模型受到质疑与批评，从短期来看，应归咎于经济模型研用者及其研用的经济模型本身。在实际中，如在学术界确实存在着不少人（研用者）无意或有意误用、过度用、乱用、滥用经济模型。同样在企业界，如在一些第三方评估机构中，乱用、滥用经济模型，欺骗市场的现象也比较普遍。无意的误用模型，主要反映出研用者的素养、知识与能力的差距；而有意的误用模型，则不仅反映在研用者的素养、知识与能力的差距上，更重要的是反映出研用者的态度与责任的巨大差距。通俗地讲，我们认为科学就是实事求是，并且在解决实际问题的前提下，所研用的模型应越简单越好。但在实际中，一些研用者对模型所依据的经济理论与实际问题的认识不够，建立错误的模型，或不顾理论依据和实际情况人为地建立繁杂隐晦的模型，或根本不考虑理论依据和实际情况而随意照搬照套使用别人的模型，结果造成经济模型被有意无意曲解、误用、过度使用、乱用、滥用等，产生极大的负面作用。这是经济模型受到质疑的“瓶颈”所在。这个“瓶颈”就是，研用者研用了没有价值、没有意义的经济模型，而让经济模型代之受过。需要强调的是，“瓶颈”原本是一个褒义词，其功能是限制控制流量，如酒瓶的瓶颈就起到倒酒的时候不溅洒。当瓶颈被用于比喻影响事物关键的不利因素时，就成为贬义词。如果我们把瓶颈放在了不该放在的地方，就会出现错误的现象。可见，问题不在“瓶颈”，而在把“瓶颈”用错地方的人。对经济模型，也是如此，选择经济模型没有错，但因主观或客观动机与原因，所研用的经济模型是错误的，即研用者把经济模型用错了地方或没有用好经济模型。

为此，我们需要区分经济模型、经济模型研用者、研用的经济模型，它们是不同的概念。如前，经济模型是一种分析思想、技术与方法，不同的经济模型各有差异、特点与适用条件。而研用者有着很大的差别，如对同一个问题，在同样的理论与实际情况认知下，他们所研用的经济模型都是不同的，有的甚至没有价值、没有意义。这与研用者的态度、视角、知识与能力，以及对经济系统非均衡、非线性、非对称等复杂性与实际问题的认知有关。马克思曾讲过，一门科学只有引进数学，才成为真正的科学。但过度用，以及误用、乱用、滥用都是伪科学。有意地过度用、乱用、滥用，更是一个有悖科学精神与职业道德的态度问题。道理很简单，如同有人质疑GDP,其实GDP就是一个反映经济增长总量的指标，有特定的功能。GDP本身没有错。而如果把它作为考核政府绩效的重要依据，就用错了地方。又如近期，一些省（市、自治区）自曝GDP“注水”，足以说明这种问题的普遍性和严重性。因此，解决对经济模型的质疑问题，关键在于经济模型研用者和他们所研用的经济模型。

进一步，在研用经济模型中，选择很重要。一方面，从一般意义上讲，研究任何问题，都需要知道问题的全集。这充分说明调查研究与文献阅读，以及掌握第一手资料，了解实际，把握前沿十分重要。对于复杂的问题，尤其社会经济问题，这个全集很大，可能我们只研究其中一部分，但也必须在了解这个全集或在这个全集下研究这个问题才是有价值的。因此，在生产、工作与生活，以及研究工作中，在知道全集的前提下，我们的两步选择就很重要。一是选择目标，二是选择实现目标。如中华文化中看似矛盾的成语或俗语，如“隔行如隔山”与“一通百通”，其实它们并不“矛盾”，它们是两个极端的状态，数学上讲是一个全集的划分，具有集合的性质，要么是“隔行如隔山”的状态，要么是“一通百通”的状态，两者必居其一。对于我们来说，只是自己选择的不同。有的人选择“一通百通”的目标，并选择发挥主观能动性积极实现目标。他们在学习过程中刻苦钻研、勤奋思考，通过理论联系实际、横向与纵向联系方法学习，不仅掌握不同学科知识的灵魂，而且掌握不同学科知识之间的内在联系，融会贯通，就能在知识海洋里畅游，在实际工作和研究中创新，而“一通百通”。有的人虽然选择“一通百通”的目标，但并没有选择发挥主观能动性积极实现目标。他们只是把自己局限在某一学科知识内学习，把自己封闭起来，就不可能掌握知识的灵魂，以及不同知识之间的不同联系，更谈不上知识应用与创新，自然无法实现“一通百通”。还有的人甚至选择了“隔行如隔山”目标，即使他们通过努力想成为“懂行人”，也是很难的。

显然，人们的这种选择及其实现是建立在知识内在联系的客观性和他们的理论基础、能力与努力，以及选择的主观性上的。从客观上讲，不同学科之间有着本质不同，否则它们不能成为独立的学科。同时，它们之间存在着内在联系。因此，不同学科知识之间的界限是虚拟的，全部知识组成一个虚拟的网络。一个人能否在知识网络中穿梭自如，取决于自己的选择及其理论基础、能力与努力。

上面讲到的“隔行如隔山”与“一通百通”，是两者必居其一的一个划分，这类似于普通集合的特点。但实际中，无论任何人选择，并发挥主观能动性，也未必能够实现“一通百通”极端的状态，但一定能够实现某一个介于“隔行如隔山”与“一通百通”极端状态之间的状态。用模糊数学的话来说，这个状态就是由“隔行如隔山”与“一通百通”组成的中介过程中一个状态程度，可用隶属度表达。如一个人的隶属度为0.3，说明他通过自己的努力，“一通百通”程度达到30%；有的人可以达到60%，等等。但绝对的“隔行如隔山”，即隶属度为0的人会有些，而“一通百通”，即隶属度为1的人，是极少数人，如大师、大科学家、大学者等。在知识大涌现与大融合的今天，相对的“一通百通”的高端人才是难得的，即使高端的专业人才，也绝不可能是“隔行如隔山”的人。无疑，文化素养、素质与修养也是成就相对的“一通百通”的高端人才或大师、大科学家、大学者最重要的因素。

用概率的话来说，每个人主观努力（其理论基础、能力是前期能力的结果）程度决定了他实现“一通百通”的程度的可能性大小。即在同等条件下，主观越努力，实现“一通百通”的可能性越大。大师、大科学家、大学者，以及相对的“一通百通”的高端人才都是他们努力的结果。

另一方面，做人做事做学问是相通的。就是说，无论做人做事还是做学问，都对应有一个两步选择。第一步是条件，即应该怎样做，要做该做的，而不应做不该做的。这似乎简单，但有时做到也很不易。第二步是结果，即在应该做的情形下，怎样做好。要做好，更不是易事。显然，在应该做的情形下做好的条件概率大，也不一定做好。但在不应该做的情形下，做好的条件概率几乎为0。研用一个有价值、有意义的经济模型就是如此。基于经济模型独特不可替代的作用，我们第一步是选择经济模型，第二步是选择研用一个有价值、有意义，且更优良的经济模型。因此，不能因为在经济模型研用中存在的问题，而因噎废食，放弃经济模型，除有意误用、滥用模型外，应发挥主观能动性，基于第一步的正确选择，尽可能做好第二步的选择。的确，正如一些博士论文，甚至一些高水平论文中存在问题受到质疑，说明做好第二步不容易。扣除人为误用，过度、乱用、滥用经济模型外，研用一个更优良的经济模型是一个无止境的科学与艺术追求。这也是社会经济科学与自然科学与工程技术科学的不同之处。后者追求的目标线性，并且环境是可以控制的，但其追求路径阶梯明显，且阶梯不可逾越。可以说，从事自然科学与工程技术学科研究工作难中有易。难度在于，对人的起点，以及阶梯起点要求高，每一步渐进阶梯不可短缺。易度则在于，追求目标是线性、增量的，只要达到了起点，通过努力是总会有结果的，只有增量多少不同而已。但社会经济科不同，它面对往复的人类活动，以及循环再现的现象，追求的目标是多元的、非线性的，且环境是不可控制的，不像自然科学与工程技术科学那样要求高的门槛和显性的阶梯，似乎谁都能研究。但要想取得像自然科学和工程技术科学那样的线性、增量成果是不可能的。因为社会经济系统是复杂人类活动的结果，需要规避“按了葫芦起了瓢”，需要考虑短期与长期，需要考虑宏观与微观，需要考虑共性与差异，只能追求一个大体相对平衡的结果。这需要科学与技术的力量，同样需要艺术与文化的力量。

这里，值得强调的是，数量经济是应用经济的一个分支，但它像自然科学和工程技术科学一样，具有“高门槛起点与不可跨越阶梯”的“硬科学”特征，同时它与自然科学与工程技术科学不一样，具有“目标多元、非线性，环境不可控”的“软科学”特征。可以讲，从事数量经济及其研用经济模型工作的难度高于自然科学与工程技术科学，以及其他社会经济科学。现实中的一个悖论也可以说明这一点。这个悖论就是，报考、攻读数量经济专业的硕士博士研究生，以及从事数量经济专业工作的人都少，但几乎每一个都在研用经济模型。即使数量经济是小众，但也不至于是这个比例。结果，对于数量经济，不愿意系统学习，却热衷研用经济模型。这个现象为研用的经济模型被质疑与批评埋下“先天不足”的伏笔。因此，研用一个更优的经济模型，系统学习数量经济是一个关键的基础。

再一方面，对任何科学理论、技术与方法，怎样应用，也有一个两步选择。第一步是把它们用在正确的地方，第二步是用好它们。显然，如果把它们用在错误的地方，就谈不上用好。同样，做出正确选择之后，能否做好取决于选择者的态度、学养、学识与能力，以及对所研究问题的过去、现状与未来认识的深度与广度。对社会经济科学更为如此，因为自然科学与工程技术科学具有绝对性，而社会经济具有相对性。在第一步正确选择下，第二步做好的难度更大，这说明社会经济科学研究具有巨大的挑战性。

特别地，对于经济模型，它不是数学模型，我们的选择就更为重要。如最近p值被美国政治学术期刊《政治分析》禁用，同样是一个选择问题。p值如同最小二乘法一样，它们就是在假定下推导出来的一种理论结果，固有其局限性，但其指导实际是没有问题的。同样，不排除未来某一天，另一种更优、更好的方法诞生，并经过长期检验后被证实，可以替代它们。但这种新的更优、更好的方法还没有出来的时候，还需要应用它们（这里想起一句大哲学家的话——科学是保守的）。关键是谁用，以及怎样用。我们认为，应用它们解决实际问题是一个理论联系实际的创新。我们之所以会误用、过度用，甚至乱用、滥用，正是这种理论联系实际创新的失败。当然，这种创新确实很难，却吸引我们为之不断探索。这里，我们只强调一点，如最小二乘法本身就是一个无约束条件的优化问题。它是一个数学问题，用到实际中有没有价值、有没有意义？各种检验值是一方面的考量，但更重要、关键的是相关变量之间的关系的经济理论支撑、对实际问题过去、现状与未来把握认识，以及解决实际问题的能力与结论。且不说样本还不是唯一的，可见问题不在最小二乘法，而在使用最小二乘法的人。因此，一方面，对待经济模型，同样不能像对待自然科学与工程技术科学那样的绝对的苛刻要求，更需要符合实际的相对的宽容要求，更需要一个良好的学术、文化氛围。但对经济模型研用者，不是没有要求，而是要求他们端正态度、事实求是，以问题为导向，充分发挥主观能动性，提高理论、技术与方法水平，尽最大能力研用一个有价值、有意义、更优良的经济模型，并坚守初心，持续改进，发挥经济模型不可替代的作用。另一方面，经济模型不是无所不包的，更不是万能的，现实中出现的经济模型“瓶颈”是很正常的，同时还有文化“瓶颈”的问题。关键是怎样分析解决问题，实现持续改进，这才是经济模型研用者的正确选择。

最后，还有一点值得关注。过去常常因样本选择的偏失，导致研用了错误的模型，并作出错误的推断。这与经济模型，以及p值没有关系。由于现实中我们看不到或难以看到，更谈不上使用不同类型、不同层次的沉默/隐式的样本和证据，所选择的样本几乎都是显示的样本和证据，导致了“幸存者偏差”现象。这一点更能说明经济模型，以及p值的无过，而是样本偏失、违背随机性产生的后果，这也是研用者无奈的选择。

三、经济模型面临的机遇与挑战

在大数据、物联网、云计算、算法、量子计算机与量子计算云平台下人工智能的发展与应用，将再次改变我们的世界。首先，人工智能在某些方面“超越”了人类。如继2016年谷歌人工智能“阿法狗”以4:1战胜前世界围棋第一人、韩国九段名将李世石，2017年1月又以Master为代号在多个围棋在线平台匿名上线，碾压全网的顶尖人类棋手;5月,更是在万众瞩目之下以3：0战胜了柯洁;10月，谷歌团队又宣布新的围棋人工智能“阿法狗·零”以100：0打败了阿法狗。这是继1997年深蓝击败国际象棋大师卡斯帕罗夫的世纪之战所面世的人工智能“电脑或计算机”到来后的飞跃,让“大数据或深度学习”更加贴近现实。

又如全球首只机器人选股ETF(交易型开放式指数基金，通常又被称为交易所交易基金，即Exchange Traded Funds，简称“ETF”）的诞生。EquBot LLC、ETF Managers Group共同推出了全球第一只应用人工智能、机器学习进行投资的ETF：AI Powered Equity ETF(AIEQ.US)。这只代码为AIEQ的基金是一只依据EquBot独门算法所打造出来的主动式ETF，利用IBM Watson的认知和大数据处理能力去分析美国境内的投资机会。该基金在IBM的Watson平台上运行自营的量化模型，自2017年10月18日启动，至10月22日短短数日，提供了0.83%的回报率，而同期标普500指数上涨0.48%，纳斯达克综合指数涨幅为-0.42%。

再如2017年5月3日，中国科学院在上海举行新闻发布会，发布了一个重磅消息：世界上第一台超越早期经典计算机的光量子计算机诞生，而量子计算机可以实现几乎是无限并行度的并行计算。2018年1月中国与加拿大科学家发布了国际首个基于核磁共振的量子计算云平台。

其次，人工智能为什么在某些方面会“超越”人类。我们可以用简单的数学做些分析。一方面，集合是数学的基础概念，它规定了一种性质，根据这种性质，任何一个元素要么属于这个集合，要么不属于这个集合，两者必居其一。可以用0表示属于，1表示不属于。这是理论的假定，但实际中，不是如此，反倒是一个元素属于一个集合，一般情况不是绝对属于1或不属于0，而是有一个隶属度，这个隶属度是闭区间[0,1]中一个实数，表示属于这个集合的隶属程度。这个符合实际的集合就是模糊数学中基本概念模糊集合。怎样用普通集合（这个理论工具）研究实际的模糊集合呢？我们利用不等式的性质，选择（0，1）中一个参数，构造一个与这个参数对应的一个模糊截集，不难发现这个模糊截集是一个普通集合，因此，我们就实现了用普通集合理论工具研究实际模糊集，即用一系列，从0到1不可数个（可以表示）模糊截集表示一个普通集合。好在对于实际问题的有限性，我们可以通过有限个模糊截集研究模糊集，这就是我们人类的聪明才智与有限局限性，而人工智能借助量子计算机快速计算可以几乎从0到1扫描式的模糊截集研究模糊集合。这就相当于人类智能在全集[0,1]上有限个点决策或寻优，而人工智能是能在全集上决策或寻优，因此人工智能优于人类，出现了“阿法狗”、 机器人选股ETF战胜了人类就不足为奇了。

另一方面，从因果关系上分析，也是如此。数学中的因果关系是一一对应的确定型关系，即函数关系，这是理论假定。但实际中的因果关系是非一一对应、非确定型关系，即相关关系。描述相关关系的基本工具是概率，确定型关系表示为0或1，即有、无因果关系；而不确定型关系表示为[0,1],即有一定可能性的因果关系。同样，人类智能利用有限样本数据，构造一个函数关系（随机变量y的均值E(y)关于普通变量x的确定型关系,在有限的样本数据下这个均值E(y)与x一一对应），来逼近（平方和总误差最小）相关关系（随机变量y关于普通变量x的不确定型关系）。人类只能在全集[0,1]上有限个点逼近，而人工智能能在全集[0,1]上逼近，并胜于人类。

再一方面，从二元变量分析来看，如在平面上从A点到B点，实际的路径轨迹有无穷多个，那么从数学上怎样表达认识呢？为此构建了两维平面坐标系。从A点到B点，数学上描述或是由A点先沿着横轴方向到C点，再沿着纵轴方向由C点到B点，这个C点为A点在横轴平行与B点在纵轴平行相交点，或是由A点先沿着纵轴方向到D点，再沿着横轴方向由D点到B点，这个D点为A点在纵轴平行与B点在横轴平行相交点。这就是数学理论中诸如偏导数、偏微分、偏相关系数等“一个不变、一个变”约定，可以理解为数学中的规范分析，以保证全世界各地的人有共同对话的基础。一句话，就是不能两个同时变！在实际中，人类只能面对一个变一个不变的有限数据对上决策或寻优，而量子计算机可以实现同时变全集上的并行计算，同样优于人类。

第三，人工智能终究代替不了人类。如以上的“阿法狗”、 机器人选股ETF战胜了人类。但我们认为，人工智能替代不了具有生理、生命、生物性的人类，况且人类还兼具有人的自然属性与社会属性，重要的是它是由人类定制出来的。但是，它确实能够做人类做不到或做不到最优的事情。

在人工智能发展的今天，确实让我们看到了人工智能的优势，但也受到一些质疑与挑战。如丘成桐在2017年10月26日第十四届中国计算机大会（福州）上认为，现代以神经网络为代表的统计方法及机器学习在工程实践中取得了很大的成功，但其理论基础非常薄弱，是一个黑箱算法；人工智能还需要一个可以被证明的理论作为基础。

还有中国工程院院士李国杰认为，人工智能存在着莫拉维克、新知识、启发式三大悖论：一是，实现人类独有的高阶智慧只需要非常少的计算能力，但是实现无意识的技能和感知却需要极大的运算能力，即“困难的问题易解，简单的问题难解”悖论。为此，需要突破图灵机模型的局限性，提出更适合感知计算的新模型。二是，人们常说大数据和机器学习是从数据中发现新知识，但计算机是机械的、可重复的智能机，本质上没有创造性。因其运行可以归结为已有符号的形式变换，结论已经蕴涵在前提中，本质上不产生新知识，不会增进人类对客观世界的认识。机器学习学到的知识都事先蕴涵在运算前的软件中吗？机械的、可重复的计算究竟如何产生出新知识？这些知识都只能局限在“知其然不知其所以然”的水平吗？这些都是令人困扰的问题。三是，启发式搜索是人工智能最基本的技术，与互联网的“尽力而为”原则类似，启发式搜索不能保证找到解或保证解的精度。采用启发式算法创造出智慧幻觉的设备会带来一些我们无法接受的风险。但是，人工智能处理的大多是NP-hard 问题，很可能不存在精确的多项式算法。一旦找到了类似F=ma的精确公式，这个问题也就不属于人工智能问题了。为此，必须高度重视启发式算法的风险，但用传统的工程科学来要求人工智能似乎不大妥当，需要另辟蹊径。

第四，人工智能为经济模型带来的机遇与挑战。固然人工智能在其自身发展中还需要突破一些难题，但不能忽略人工智能带来的巨大影响。人工智能在某些方面优于人类，但离不开人类，也代替不了人。因此，在经济问题研究中，最重要的是模型，是需要人来设定的。如丘成桐所言，计算机科学离不开数学，早期的计算机是数学家帮我们奠定了基础。现代几何为计算数学奠定了很多理论的基础，并且指导了计算机科学未来发展的方向。在人工智能未来发展中，计算几何、计算数学、图学等前沿数学，以及李国杰院士所言的应对三大悖论的感知计算的新模型、新知识创造模型、启发式搜索模型将产生出巨大生命力。人工智能发展，尤其人工智能应用于经济问题分析中，更需要经济模型。经济模型随着大数据、人工智能在经济研究中的重要性更加突出。这就是人工智能为经济模型带来的机遇。

经济模型作为经济问题研究的实验室，作为知识挖据的工具，有着强大的生命力。就经济模型的作用而言，它的价值是永续的。在人工智能的今天，大数据为经济模型应用提供了必要的基础，人工智能与量子计算机为经济模型应用提供了技术与方法的飞跃。过去因技术缺失而不能实现的经济模型，现在迎刃而解。但在大数据、人工智能环境下研用经济模型思路、技术与方法有着颠覆性的不同。这就是人工智能为经济模型带来的挑战。

还值得一提的是，随着计算机科学的发展，算法已经发展到可以自动处理包括复杂运算和数据处理的重复任务。人工智能和机器学习发展使算法达到了一个新的水平，使计算机能够比人类通过预测和决策更有效地解决复杂问题。2017年6月，经济合作与发展组织（OECD）发布了报告《算法与合谋：数字时代的竞争政策》。随着数字经济在全球的发展，算法（algorithms）被广泛应用于企业。越来越多的企业依赖算法进行市场分析，优化业务流程，支持商业决策，改善定价模型，完善客户服务，以及预测市场发展趋势。同样，算法在基于微观大数据的产业政策分析，以及宏观经济预警预测与监管分析方面，具有强大的生命力。可见，无论宏观、中观，还是微观问题的算法分析，其全过程本身就是研用经济模型，同时研用经济模型也需要算法。因此，在人工智能背景下的算法发展，为经济模型带来更大的机遇与挑战。

四、经济模型的前景

在人工智能发展的今天，经济模型进入一个新时代，有着美好的未来。无论宏观调控还是政策事前事后、定量与预测分析，经济模型创新迎来了大好时机。一方面，经济模型应用的环境发生巨大变化，全球化、数字化、信息化、国内外激烈竞争市场，以及颠覆性技术创新，大数据、算法、人工智能、量子计算机带来的观念与思维变化，人工智能产业发展及其实体经济深度融合，以及人工智能驱动的经济数字化转型与合伙人时代、资源共享、合作双赢、抱团取暖的新型发展模式，使经济模型颠覆性创新成为可能。另一方面，对经济模型的需求越来越多，要求亦越来越高。经济与城市治理、人口、交通、空间、居住、产业结构、技术创新，经济增长与财政税收、收入分配、通货膨胀、国际贸易，以及经济与社会、生态、资源、环境、绿水青山关系密切，比以往任何时候都显得重要而错综复杂，需要更多、更优的经济模型。再一方面，国家对金融、房地产严控监管，大力发展实体经济，推进国企改革，实施质量与品牌战略，加快现代化经济体系建设，以解决“人民日益增长的美好生活需要和不平衡不充分的发展之间的矛盾”，同样需要研用经济模型，为经济模型发展提供了前所未有的空间。最后，在学术研究中，探索挖掘沉默/隐式样本和证据的理论、技术与方法，消除“幸存者偏差”是数量经济研究的前沿问题。在学科建设，以及“双一流”建设中，中国特色的数量经济将会有一个很好的前景，以经济模型为精华的数量经济具有国际化优势，让我们的数量经济工作者共同努力，为此做出应有的贡献！

面对经济模型美好的发展前景，科学、合理与有效地发挥经济模型的作用就十分重要。在正确理解经济模型、为经济模型清本正源，营造一个研用经济模型的干净的环境，让每一个模型研用者都基于事实求是，养成良好的科学态度和素养，尽最大可能研用更优良的经济模型，实现持续改进，实现经济模型创新发展。在学界，我们认为应从以下三个方面改进经济模型评价导向。一方面，要求模型研用者发布研用的模型时给出相关指标（内涵与外延）、数据出处与数据生成公式，以确保研用的模型计算的所有结果可重复再现。对于有意造假（包括数据造假）的研用者给予学术不端信用记录，并向学界、社会公布。特别地，基于预测是技术加艺术的结果，这不妨碍重复再现研用的模型计算出来的预测值，让艺术对预测值调整的空间、幅度与作用摆在阳光下，有利于信息透明、对称与沟通，有利于研用的模型改进。另一方面，评价研用的模型的创新性价值不仅关注模型本身，更重要的是关注模型分析得到的结论与观点，以及对问题解决的作用，否则研用的模型没有任何价值和意义，鼓励在解决问题的前提下研用的模型越简单越好，以消除为模型而模型的伪科学现象。再一方面，要求研用者能够用自己的语言表达所研用模型的思路、背景与逻辑关系，还要求他们对于引用别人的模型内容能够理解，并说明引用的理由，并要求他们对自己在模型设定中所做的贡献内容，能够推导出来，并说明与引用内容的融合关系，以利于研用的模型的改进与创新。特别地，要求博士硕士生在学位论文中做到这一点，对养成良好科学素养、态度与社会责任更具有价值。在企业界，尤其第三方评估机构，不管它是在民政部注册的社会公益组织，还是在工商部门注册的法人机构，我们认为应从以下三个方面对其进行监管。一是规定研用经济模型的资质门槛，并严格执行、监管准入制度落实，让不具备资质的机构退出市场；二是让这些机构向市场发布评估结果的同时，公开所研用的经济模型，以及相关指标（内涵与外延）、数据出处与数据生成公式，以确保研用的模型计算所有结果可重复再现，对弄虚作假的机构向市场、社会发布不良信誉记录；三是对这些机构向市场发布的评估结果（产品），对该产品的质量与社会责任进行监督与审计，一旦发现违背实际与职业道德，以及虚构造假等质量与背后隐藏的腐败与违法问题，取消其资质并使之退出市场。

总之，经济模型有着强大的生命力，经济模型研用者任重道远。只要坚守初心，我们就能迎接到数量经济发展的一个美好的时代。

 

[作者系北京信息科技大学经济管理学院教授、绿色发展大数据决策北京市重点实验室（智库）主任、北京知识管理研究基地主任兼首席专家]