到了新工厂举办开业典礼的那一天，正当首席执行官剪彩完毕，你就收到了一份让你的热血变凉的报告。需求在进一步放缓，更糟糕的是，价格正在发生自由落体式下滑。行业里的所有人都有一大堆库存，都在大幅度打折以便维持运转。尽管面临着价格下跌和越来越难看的损益表，你还得继续前进，激发新工厂的产能。毕竟，工厂已经建成——大部分都是沉没成本，也没有什么别的用途。即便产品价格很低，至少还能覆盖用工成本和材料成本。
几个月之后，你参加了一次行业展销会，与其他高管坐在吧台上，一起哀叹行业的不景气。结果发现，在景气的时候，他们的所作所为跟你一样，现在他们也有崭新的工厂即将投产。你曾怀疑过竞争对手们在建新的工厂，但由于行业保密性，当时你并不知道到底有几座工厂在筹备中，但你认为不断增加的需求可以消化这些增长，你还假定人们不会疯狂到过度投资建厂。
到了第二年，行业产能泛滥，价格崩溃，整个循环开始往反方向运转。一段时间之后，随着亏损不断增加，行业开始关闭生产线，减少班次，从而降低产能。随着“流血事件”的进一步恶化，同行业的公司都开始采取下一步行动，即关闭整个工厂，解雇大部分员工。通常情况下，这需要数年时间才能将过剩的产能从系统中挤出去，但这已不再需要你的担忧，因为你已经在某一轮的裁员中被解雇了。
几年之后，一位年轻的经理坐到了你昔日的位子上。在上一个周期的时候，她还只是一个大学生，根本不记得有过这回事。有一天，她坐在座位上，收到了最新的小部件生产报告，她很激动地看到需求出现了良好的增长势头……
这个动态故事就是斯特曼模型的本质。在运行模型的时候，斯特曼发现模型会产生商品周期，从统计上说，这与现实世界中的周期有着许多重要的相似之处。18模型表明，反馈环的不同时间尺度以及人为误差会使得这样的周期几乎不可避免。斯特曼及其同事马克·帕奇（Mark Paich）还进行了另外一项实验：让真人扮演经理的角色并尝试使周期最小化。19然而，研究者发现，在处理复杂反馈和不同时长延迟的系统时，人们在心理上会经历一段难熬的时间，会遭遇一段非常困难的时间（就像反应很慢的淋浴喷头一样）。斯特曼的模型和实验给我们的一个启示在于，缩短周期的唯一办法是改变系统本身的结构。比如，我们可以减少系统的时间延迟，例如增加新产能的时间；降低产能的沉重程度，例如建造“迷你工坊”而非大型工厂；对客户订单获得更多前瞻性预见，或者增加行业实际已有的以及正在建设的产能的透明度。
-----------
斯特曼的工作有意思的一个方面是，它强调对我们的心智模型来说，要想理解和发展关于非线性动态系统的直觉非常困难。20问题不在于人类的愚笨，而在于我们的大脑没有被设计成按照这种方式进行思考。经理和政策制定者已经尽其所能，但他们的行为通常会产生无法预测的结果，甚至会让情况更糟。在下一章，我们将较为一般性地讨论人类的认知缺陷。在后续章节中，我们将进一步研究协调人类行为和经济的动态结构如何有助于解释复杂现象，这些现象包括从经济系统的增长、衰退循环到股票市场的易变性。
06
视角二：
行为主体是通过归纳推理进行决策的
任何经济学理论的核心中都有关于人类行为的理论。经济最终是为人服务的，有关经济行为的理论必须回答的问题包括：我们是如何进行经济决策的？我们运用的是什么类型的信息？有哪些我们更擅长或更不擅长的决策类型？
人类行为可以通过科学的办法加以理解，许多人对这一观点持有天然的排斥态度。毕竟，我们怎么可能理解人脑这种复杂、不可预测，并且还具有情绪、创造力、想象力的东西呢？我们如何能够将可以爱、恨、创作诗歌的人类放到一个数学公式里呢？在艾萨克·阿西莫夫（Isaac Asimov）的经典科幻小说里，身处遥远未来的科学家发明了一个名为心理历史学的领域，在这个领域，他们能够将个人的行为简化为数学方程，从而使得这些科学家可以对历史的未来进程进行准确的预测。心理历史学听起来像是经济学家的终极幻想。然而，我们并不需要心理历史学之类的人类行为预测理论来理解经济的运转原理。我们的标准要低得多，所需要的不过是找到人类行为的一些基本规律，然后通过理解这些微观层面的规律更好地理解宏观层面的经济行为。我们将在本章看到，人类的行为中充满着规律。
正如之前讨论的那样，所有科学理论都是现实世界的近似和简化，因此，我们创建关于人类行为的经济模型，其目标并不在于创造一个完美的复制品，它更像是一张优秀的地图，如实反映地貌的基本特征，但剔除了无关的细节。此外，模型不应该加入任何不存在于现实世界里的东西（例如，模型不应该赋予我们看透他人心思或者其他真人所不具备的能力），也不应该与我们所知的真相矛盾。
糖域就为我们展现了一个这样的简化案例。糖域中行为主体的行为比真人的行为要简单得多。这些行为主体只会进食、移动、繁殖和交易，甚至于他们做这些事情的方式几乎简单到不值一提。然而，物理移动、繁殖和交易全都是真实的人类活动，并且都有可能与理解经济现象有关。糖域中不存在任何真人不会或不能做的事情。
经济学家喜欢将他们的人类行为标准模型称为“经济人”（Homo economicus，即economic man）。在本章中，我们将会看到，相对于传统的经济手段，经济人的复杂经济手段发生了彻底的变化。正如我们之前简要叙述的那样，人类行为的传统模型是传统经济学理论中比较具有争议性的假设之一。现在我们将进一步对此进行检视，并且我将论证传统经济学的经济人是一张“糟糕的地图”：它既忽视了真实人类行为中的重要细节，又增添了真实人类身上并不存在的关键特征。
斯波克去购物
《星际迷航》里的瓦肯星人斯波克就是一个完美的理性人形象。斯波克能够记住圆周率的小数点后50位，可以进行无比复杂的计算，而且这一切都是在敌人相位武器的攻击下进行的，整个过程没有丝毫的情绪波动。斯波克就是传统经济学刻画人类行为的一个很好案例。假设你走进一家当地的杂货店，看见一些西红柿，接下来这些段落描述的将是传统经济学认为你在决定是否购买西红柿的过程中将会产生的所思所想。1
相对于世界上其他一切你都有可能购买的东西，例如面包、牛奶和西班牙之旅，你对购买西红柿情有独钟。此外，你对于在未来某个时间点可能购买的所有东西都有着明确的偏好，由于未来是不确定的，所以你为这些潜在的购买需求赋予了概率。比如，你认为在未来两年内，厨房里的架子散掉的可能性为23%，到时你需要花1.2美元购买螺丝来修好它。1.2美元的折现值为1美元，再乘以23%的概率，相当于未来可能需要修理的预期值为23美分。而今天，你必须对想要购买的西红柿，以及余生中有可能要购买的其他所有东西进行权衡。在传统经济学的模型中，所有这些明确的偏好都有着非常合乎逻辑的排序。因此，如果你喜欢西红柿胜过胡萝卜，喜欢胡萝卜胜过青豆，你一定会先买西红柿、后买青豆。同样，如果你喜欢西红柿胜过胡萝卜，也不会因为看见了青豆而突然购买胡萝卜。
传统经济学还假设你对购买西红柿的花费有着明确的预算。为了得出这个预算，你必须对余生的收入有深思熟虑的预期，并且基于此对当前的预算进行最优化计算。换而言之，你有可能意识到你花在西红柿上的钱可能在退休后更有价值，从而放弃购买。当然，这假定了你未来的收入将被用来投资金融资产的绝佳对冲投资组合，并且它还考虑到了你将会在65岁退休的可能性，以及你对未来利息、通胀和日元兑美元汇率的预期进行了精确计算。当你站在那儿，看着那些色泽诱人的西红柿，你会将所有这些信息装进脑海里，展开一次狡猾的、无比复杂的最优化计算，来权衡所有这些因素，最终得到一个绝对最优的答案——购买还是放弃！跟斯波克有异曲同工之处的方法被称为完全理性模型，此乃传统经济学的根本假设之一。2
相反，新兴复杂经济学关于行为的核心观点里存在着另外一种被称为归纳理性的方法，它认为情况会是这样：“嗯……今天的西红柿看起来真好，真新鲜。今晚我有点儿想吃沙拉……价格还可以。”接着你就会将西红柿装进购物车里……
认知失调
像传统经济学的许多其他理论一样，完全理性也要回溯到我们的老朋友瓦尔拉斯和杰文斯那里。他们并没有对人类行为进行实际研究就得出了这个模型。没有人见过有人会做这样的计算，或作出这样的行为。将完全理性作为一种假设是为了将经济学装进19世纪的均衡框架里。
正如我们之前讨论过的那样，在均衡经济学的球与碗框架中，完全理性发挥着类似于重力的作用。如果我们知道人们行为的约束条件，并且假设每个人的行为都是完全理性的，那么他们将会对这些约束条件作出一致的反应。人们的决定因此会变得可预测，然后使系统实现均衡。非常值得一提的是，并不是有人认为传统经济学的关键行为假设很好地描述了实际的人类行为，因此它们才会被开发出来，它们是被用来使均衡框架中的数学发挥作用的。瓦尔拉斯以及后来的经济学家试图在事后为假设中缺乏现实主义找到合理的解释，他们分辩称，即便完全理性的假设不能很好地描述人类的实际行为（用经济学的术语来说不是“实证模型”），它也可以被看作阐述应该如何行动的描述（即“规范”描述）。我们可以构建一个完全理性的经济学模型，然后看看现实距离这个模型有多远。
如果说完全理性描述的是人们应该如何行动，那么仍然存在两个问题。首先，如果其他所有人都按照不一样的方式行事，那么剩余的一个人就成了唯一“完全理性”的人，这样的说法未必成立。我们在讨论动力学的时候曾说过，时机就是一切。举个例子来说，如果某人在1998年抛售了跌价的互联网股票，但他要到2000年才会知道这种做法是正确的，在此之前他还要经历两年孤独的亏钱时光。其次，我们很快将会看到，完全理性不是一个好的规范模型，因为即便人们希望如此行事，事实上他们也做不到。
正如第3章中讨论的那样，完全理性的假设在引入之初就受到了挑战和批评，但经济学家仍在继续使用这些假设，这是因为完全理性为模型增添了数学因素，并且没有人有更好的方案。20世纪50年代，赫伯特·西蒙及其在卡耐基梅隆大学的同事詹姆斯·马奇（James March）和理查德·西尔特（Richard Cyert）提出了一个更加直接的挑战。他们做了一些颇具颠覆性的事情——真实地观察和研究人们的决策过程，尤其是真实公司里真实经理的决策。这些经历，再加上心理学家对他们工作的解读，使得他们相信真实世界的行为与经济学教科书中所呈现出来的行为没有半分相似之处。西蒙提出了一个关于决策的博弈论——有限理性（bounded rationality）。3大体上，这个理论认为人类在经济上是利己且聪明的，但没有聪明到完全理性的程度。西蒙的理论考虑到了人们缺乏完全的信息，人类大脑的信息处理能力虽然强大但是有限。如前所述，西蒙提出人们不会遵循完全理性，而会满足于利用已知的信息尽量做到最好。
因为这些工作，西蒙赢得了1978年的诺贝尔经济学奖，并且绝大部分经济学家如今提到他时仍然充满敬意。尽管如此，他的成果却对于传统经济学核心力量的影响甚小。4大部分标准经济学教科书中甚至不会提到西蒙的有限理性。5之所以存在这种忽略，其中一个重要的原因是，经过多年各式各样的尝试，研究者依然未能将西蒙的理念转化为数学模型。6
继西蒙的开创性工作之后，两代经济学家和心理学家开始收集大量经验证据和实验证据，用以对抗传统经济学的经济人模型。20世纪70年代，普林斯顿大学的丹尼尔·卡尼曼（Daniel Kahneman）与斯坦福大学的阿莫斯·特沃斯基发表了一系列奠基性论文，用以证明真实的人类决策是如何与传统经济学模型中某些最基本的假设存在直接冲突的。720世纪80年代和90年代，诸多研究者，包括保罗·斯洛维奇（Paul Slovic）、科林·卡默勒（Colin Camerer）、阿尔文·罗思（Alvin Roth）、莱因哈德·萨尔腾（Reinhard Selten）、理查德·塞勒（Richard Thaler）、乔治·洛温斯坦（George Lowenstein）、马修·拉宾（Mathew Rabin）、德拉赞·普莱克（Drazen Prelec）、赫伯特·金蒂斯（Herbert Gintis）、恩斯特·费尔（Ernst Fehr）、约翰·卡格尔（John Kagel）和弗农·史密斯，共同创建了今天大家所熟知的行为经济学。8这类研究一次又一次地确认了真实人类不会像传统理论中所描述的那样形成偏好、判断风险或进行决策。新千年后，行为经济学进入主流视野。2002年，丹尼尔·卡尼曼与弗农·史密斯获得诺贝尔经济学奖（由于诺贝尔奖不能授予已故之人，所以许多人认为卡尼曼的长期合作者、已故的阿莫斯·特沃斯基是被遗漏的“第三人”）。9
行为经济学的兴起使得该领域进入了一个认知失调的怪异状态：许多经济学家承认对完美理性批评的合理性，但他们还在坚持不懈地使用传统的假设，因为他们缺少替代方案，缺少一个被正式提出的模型。后来，随着行为经济学家、心理学家和计算机科学家之间的合作不断加强，另外一种模型开始浮现。在接下来的几节里，我们将会看到由行为经济学家找出的部分证据，然后梳理出一个新经济人的模样。
你这头自私的猪！
假设你乘飞机旅行，座位挨着过道，旁边是一位看上去有点古怪的女士，她坐在中间的座位上。10那位女士旁边是一个靠窗的座位，上面坐着一位你不认识的商务人士。在飞到一半的时候，那位看起来古怪的女士对你们俩说，她是个有钱人，长途飞行让她感到十分无聊。接着她提出，她会给你和那位商务人士5 000美元，前提是你们能够达成一致的分配方案。过程可能会是这样的：由商务人士决定怎么分钱，他会分给你一部分。如果你接受他的提议，那么你们将各自得到各自的部分。如果你拒绝，那么你们都得不到钱。商务人士想了一想，继而转向你说：“我的提议是我拿4 990美元，你拿10美元。”你会怎么做呢？是接受还是拒绝？
如果你跟其他大多数人一样，那么你会拒绝这个提议。为什么？因为它不公平——商务人士就是一头自私的猪！然而从经济学的角度来说，拒绝这个提议完全是非理性的。无论对方提出什么样的方案，哪怕是给你1美元，你都应该接受。毕竟，即便自私的商人获得了4 999美元，你得到1美元也比什么都没得到要好。
类似这样的最后通牒博弈已经在各个地区的真实人群中（例如日本、以色列、斯洛文尼亚、智利、津巴布韦、印度尼西亚和美国）发生了数千次。这种博弈还在大学生、商人以及坦桑尼亚的牧民中间发生过。结果惊人地一致，人们的实际行为与经济学教科书中的描述大相径庭，大多数人都会拒绝接受他们认为不公平的提议，哪怕这意味着他们要放弃近在咫尺的钱财（不同文化中的人对不公平的定义是有差异的，但通常是指少于30%）。11那么，这是否能说明人们是情绪化的、非理性的呢？
某些经济学家会提出，拒绝10美元依然是完全理性的。我们可以再来看一下一些经济学家提出的所谓的“重复博弈”。通过拒绝提议来惩罚那位商人，你或许在不知不觉地假设你们在未来还会有接触，并且既然商人知道了你不是容易受骗的傻瓜，那么他就更有可能在未来的交易中给你分配更大的份额。因此，你现在理性地拒绝10美元，是在为了以后获得更多的收益做打算。然而，这种解释经不起推敲。在一系列经过谨慎设计的实验中，来自苏黎世大学的恩斯特·费尔与西蒙·盖希特（Simon Gachter）证明，即便参与者知道未来双方不再有交集，并且现在的损失不会换来未来的收益，还是会出现同样的行为。12
人们的公平意识和互惠意识会让他们产生一种惩罚对他们不公之人的渴望。此外，我们还会自然而然地回报那些帮助我们、为我们付出的人。比如，研究就餐行为的研究者发现，如果服务生在给账单的时候留下一枚糖果，那么他获得的小费要比别人高18%（留下两枚糖果得到的小费更高）。13
传统经济学模型假设人们只关心经济决策的结果，而会忽略决策的过程，而像议价、公平和胁迫这样的事情根本不存在于模型之中。此外，模型还假设人们只关心个人的得失，丝毫不理会他人。最后通牒博弈实验提供了反对这些假设的直接证据。在近期有关行为研究的一项调查中，来自马萨诸塞大学和圣塔菲研究所的赫伯特·金蒂斯以及一组研究者指出，亚当·斯密在其著作《国富论》中将人类刻画成了自私、金钱至上的生物。14金蒂斯及其同事评论说，许多人忘记亚当·斯密还写过另外一本书——《道德情操论》，在此书中，斯密更加细致入微地展示了既自私又慷慨的人性。最后通牒博弈和其他实验所得到的证据表明，亚当·斯密的后一种观点是正确的。对于公平和互惠，人类具有根深蒂固的规则意识，它们远远超越了计算出来的“理性”。金蒂斯和他的同事们注意到，人类是“有条件的合作者”，只要对方慷慨，自己也会慷慨，同时人类也是“利他的惩罚者”，人们会回击那些作出不公正行为的人，甚至不惜以自己的当前利益作为代价。
我们既是有条件的合作者，又是利他的惩罚者，这不应当令人感到惊奇。原始人类在长达200万年的时间里，都生活在合作行为与生存高度相关的小群体里。如今，人类依然生活在社会互动的网络中，在这样的环境中选择互惠非常重要——如果你帮我梳毛，我也帮你梳毛。如果能够互相帮助，那么我们的处境都会变得更好，但这也会让那些光占便宜不付出的人钻了空子。少量“搭便车”的行为可以容忍，但如果泛滥开来，互相梳毛的系统就会崩溃，这会让每个人的处境都每况愈下，这也解释了为什么我们会拥有根深蒂固的奖励合作、惩罚投机的行为。15部分经济学家或许会将这些行为看作非理性行为，我们将在后续的章节中看到，这些行为实际上为社会合作提供了基础，而社会合作是人类创造财富的关键。
人非圣贤，孰能无过
真实人类与传统经济学模型的另一个重要区别在于人类会犯错误。传统模型假定人类是像斯波克一样的行为主体，是完美的，从不犯错。假使他们会犯错，这些错误也不过是随机分布在正确答案周围的噪音。换言之，传统经济学模型中的人类不会犯相同的错误或偏差。
行为经济学的观点偏向于“人非圣贤，孰能无过”。哥伦比亚大学的行为研究专家乔恩·埃尔斯特（Jon Elster）甚至声称：“最有可能进行无偏差认知评估的是抑郁症患者。”16研究者发现，正常的、非抑郁状态的人们身上所具有的普遍错误和偏差包括：17
◎ 框架偏差。问题的设计方式将会影响我们对问题的看法。比如，请比较以下两个问题：“英国是否应该使用欧元？”“英国是否应该废止英镑？”在完全理性的情况下，这种设计应该不会造成影响。
◎ 以偏概全。人类有一个坏习惯，即从很小的、具有偏差的样本里得出普遍性结论。比如，你跟办公室里的三位同事进行交谈，而他们碰巧在那一天过得都不顺心，于是你可能就会得出公司即将破产的结论。
◎ 可用性偏差。人们倾向于利用容易获取的数据来做决策，而不是寻找那些有助于作出良好决策的数据。也就是说，人们“在路灯下寻找丢失的钥匙”是因为那里的灯光最亮。
◎ 风险判断困难。大多数人在论证可能性和评估风险的时候都会遇到困难。2000年10月，一列火车在英格兰哈特菲尔德失事，造成4人死亡、34人受伤。作为回应，英国政府提出要在铁路安全方面额外投入20亿美元。然而，正如《经济学人》指出的那样，相对于其他交通方式，人们在火车事故中丧生的实际可能性极低，而这样的支出意味着在每位预期可挽救的铁路旅客身上的花费是道路安全人均花费的150倍。18
◎ 迷信的推理。我们往往只能看到最直接的原因并因此混淆随机因素与因果联系。从体育明星穿着“幸运之袜”到政府通过增加解雇的难度来降低失业率，这样的案例比比皆是。
◎ 心理账户。传统经济学对所有的钱都一视同仁。然而，人们通常会把钱放进不同的心理隔间里。比如，许多人会每月将一部分钱划拨到退休账户上，哪怕现在他们的信用卡透支已经非常严重。从经济方面来说，这种行为并不理性，因为退休账户上的投资回报（即便节省了税费）很有可能抵不上信用卡利息。尽管如此，人们还是会将他们的退休缴款视作神圣不可侵犯的，将它与眼前的开销分隔开来。对不同类型的开销进行心理区分由来已久，有位人类学家甚至在非洲的卢奥部落中也发现了这种行为。19
无法计算
面对人类这些意志薄弱的行为，传统经济学家有时候会回应说，诚然，大多数人都会偏离理性，但市场需要的不过是一小部分、甚至是一位超级理性的参与者，他能利用其他所有人的错误，将市场推动到完全理性均衡的状态。即便大多数投资人都是傻瓜，只有少数几位像斯波克一样的交易员会利用其他所有人的愚笨套利，赚得盆满钵满，使价格趋于完全理性所预测的程度。20抛开实现套利的实际性不说（是否有人拥有足够的信息和资本这么做？它是否能在不那么“完全”的市场，例如伦敦番茄酱市场中奏效？时间迟滞、调查成本等又该怎么办呢？），另外还有一个大问题：是否有人（包括斯波克先生）聪明到能实现这一点？
1985年，数学家阿兰·刘易斯（Alain Lewis）利用计算理论中的一些复杂技巧证明，没有人（哪怕是最聪明的套利者）可以进行完全理性理论所描述的计算。21刘易斯证明了经济学理论中完全理性或许可能存在，但在任何实际场景中都不可能存在，因为它是不可计算的。计算理论中有一个概念叫作图灵机，以数学家阿兰·图灵的名字命名。22如果某事物可以在图灵机上进行计算，那么至少在理论上是有可能制造物理计算机对此进行计算的。然而，如果某事物不能通过图灵机进行计算，那么就没有一台计算机能够解决这个问题，无论它多强大，哪怕它的体积跟宇宙一样大。刘易斯证明了传统经济学家所定义的完全理性不能通过图灵机进行计算。
尽管认知科学家和哲学家还在辩论从技术上说我们的大脑是否是图灵机，但刘易斯的研究表明，完全理性的计算需求是巨大的（这与之前讨论中提到的经济需要经过百万兆年才能达到均衡的情况相类似）23，这种量级和类型的计算能力是我们的大脑不可能达到的。
阿瑟的酒吧问题
除了无法计算，许多类型的经济问题都不存在完全理性的解决方案——理论上和实际上都没有。24起初，布莱恩·阿瑟也是圣塔菲研究所会议的参与者之一，他也曾担任过圣塔菲研究所经济学项目的主管。阿瑟通过以下案例解释了以上观点。25圣塔菲研究所有一个很受欢迎的酒吧——爱尔法鲁尔酒吧，每周四晚上那儿都会现场演奏爱尔兰音乐。这个酒吧不大，如果酒吧里的人数不超过60人，那么你就能度过一个舒适而又愉快的夜晚。而如果人数超过60人，那里就会过于拥挤而令人感到不舒服。如果你预计人数小于等于60人，你会决定在周四晚上前往酒吧；如果你认为人数将超过60人，你会选择留在家里。你无法与其他可能前往酒吧的人取得联系，并且你也不能打电话问埃尔·法罗尔酒吧到场人数有多少。我们假设所有人都按照这个方式来决定去或不去酒吧，那么你会去酒吧还是留在家里？你会如何进行抉择呢？
结果发现，人们对于这个问题根本没有完全理性的解决方案。这其中包含着无限循环——A的行动取决于A对B行动的预期，而B的行动又反过来取决于B对A行动的预期，如此循环往复。由于人们无法通过分析得到答案，针对埃尔·法罗尔酒吧问题进行决策的唯一办法就是让参与者们回顾过去去酒吧的经历，看看能否找到某种模型，然后进行判断：“过去两个周四我都去了，人不算太多，所以我会再去。”
阿瑟用计算机模拟遵循经验法则的行为主体，发现酒吧永远不会达到均衡。在某些夜晚，酒吧很满，有时是半空，但酒吧人数波动的平均值为60（见图6-1）。传统经济学家或许会对着这个图说：“啊哈，它确实达到了完全理性的到场率，也就是达到了酒吧舒适范围内的最大容纳度60人，因此我们可以说它找到了一种均衡，虽然周围有一些噪音。”然而，这种说法并不正确。平均60人到场并不是一种均衡，并且波动也不能仅仅被视为杂音而被排除。在该系统中，除了初始条件，没有什么是随机的，因此这个系统完全是确定的、零噪音的。正确的解读应该是：这个问题没有均衡，没有定点吸引子。26参与者在利用各种各样的经验法则，这种变动创造了一个接近60的动态吸引子，并且到场人数的高度波动性是由行为主体之间互动这个内因产生的，这种波动性永远不会停止——到场人数将永远会大幅度振动，并且永远不会收敛到均衡。
图6-1 埃尔·法罗尔酒吧的到场人数
资料来源：数据来自布莱恩·阿瑟（1994年）。
阿瑟指出，许多经济决策都是动态、自我指涉且定义不清晰的。A公司在考虑降价时不仅要担心自身的处境，还会顾及B公司和C公司将会如何行动，这两家公司反过来也会在某种程度上依据A公司的做法来制定战略。采用一种新的技术标准、在市场上为一款新产品寻找定位或者评估一支股票的价值，这些行为中都被加入了自我指涉的期待。人们勉强作出决策的唯一办法是从过去的经验中寻找模型和经验法则，这样一个由进化的、互动的、混乱的行为主体所组建起来的世界永远无法达到均衡。阿瑟的酒吧问题产生了一种有趣的可能性，即我们在现实世界的经济中看到的许多波动或许是由人们决策原则的动态性，而非外源性的随机振动引发的。27
归纳理性
这告诉我们一个什么道理呢？完全理性的标签是一种不幸的、充满情绪的措辞，因为它隐含着另外一种非完美和非理性的可能性，而没有人希望自己是不完美和不理性的，经济学家最不希望如此。那么我们唯一的选择是不是就只剩下举起双手作投降状，念叨人类变化无常的种种行径，然后放弃理解经济人的尝试呢？幸运的是，我们还可以用另外一种方式看待人类行为——一种能够为我们的新观点提供基础的方式，那就是现代认知科学。
认知科学是贴在人类大脑“软件”（相对于大脑“硬件”而言）研究领域的标签。该领域涉及多个方面，包括神经科学、心理学、人工智能、语言学、进化理论、人类学以及哲学。28 21世纪之初，这是科学界进步最快的领域。
现代认知科学是从两个角度看待人类大脑的。首先，大脑被认为是一个“信息处理器官”，一个“拥有计算能力的物体”。29然而，认知科学家不喜欢计算这个词，因为它拥有一种负面的隐含意义，隐约指向放在你桌上的那个笨拙的、白色（或黑色）的、有着塑料外壳的物体，而它唯一已知的情绪是幸灾乐祸的残酷——它会恰好在重要的截止日期之前死机。尽管我们的大脑也会计算，但它与人造计算机的计算方式截然不同。信息处理器官这个词隐含的意思是，为思想提供防护外壳的脑袋是生物设备的一部分，它拥有一项专门的功能：信息处理。这个词语还意味着，尽管大脑的复杂程度无与伦比，但它们并没有什么神奇的或不可知之处。事实上，人类的大脑是一个能被科学认知的实际物体，哪怕了解它需要花费很长时间。其次，现代认知科学是从进化角度理解大脑的。经济人的信息处理器官经过了自然选择力量的塑造，是人类物种的历史和环境的产物。我们的大脑不是由工程师在一张干净的白纸上设计出来的，而是由进化设计出来的——从灵长类动物数千万年的进化，再到原始人约200万年的进化。
认知科学研究发现，人类大脑所拥有的处理信息和学习的特长是无与伦比的，与完全理性所描绘的场景截然不同。比如，人类或许不太擅长计算长方程式，但他们是了不起的故事讲述者和聆听者。西北大学学习科学研究所主任、原耶鲁大学人工智能实验室主任罗杰·肖克（Roger Schank）开展了一系列围绕人类大脑的理解、记忆和交流过程的研究。30正如柏拉图所言，“会讲故事的人统治社会”。下次跟朋友共进晚餐的时候，你可以闲坐一会儿，观察一下现场的情况。大家都在做什么呢？大多数的夜晚，人们都在交换故事：有趣的故事、悲伤的故事、他人的故事、报纸上看到的故事，等等。我们为什么会这么做？为什么讲故事和听故事对于人类的思考方式来说如此重要？
故事对于人类来说至关重要，这是因为我们处理信息的主要方式是归纳。归纳的本质是通过模型认知进行推理，以及根据证据中的多数情况进行总结。比如，尽管没有人看见管家行凶，但是他的指纹留在刀上，有人看见他离开案发现场，并且他有行凶的动机，因此，凶杀案肯定是管家干的。人们无法从逻辑上证明管家行凶，从逻辑来说凶手有可能是别人，毕竟没有人亲眼看见是管家拿刀杀人，但证据模型会让我们通过归纳得出结论：就是管家干的。
我们之所以喜欢故事，是因为故事就是我们的归纳思考机器的食粮，是我们寻找模型的材料。故事是人类学习的一种方式。举个例子来说，通过阅读莎士比亚的作品，我们可以学到关于爱情和家庭关系的各种有用的经验教训。比如你的父亲突然去世，而你的母亲跟你的叔叔结婚了，那么请你务必保持怀疑之心。畅销的商业图书通常是关于成功的个人或公司的故事，比如人人都想阅读关于杰克·韦尔奇（Jack Welch）(9)或比尔·盖茨如何“干了一票”的故事，希望收集一些关于成功的模式。
人类尤其擅长归纳模型认知的两个方面。首先是通过比喻和类比将新经验与旧模型联系起来。31下次你参加会议的时候，可以观察一下人们利用类别进行推理是多么频繁，他们会说“这跟1987年发生的行业洗牌是一样的”、“这位顾客让我想到了X公司”或类似的话语。20世纪90年代初，互联网第一次进入商业应用场景时，人们都在努力按照像或不像电视、收音机、杂志、软件以及电话对它进行定义。
其次，人类不仅是优秀的模式识别者，还是优秀的模式完善者。我们的大脑很擅长填补缺失信息所造成的裂缝。完善模式以及从高度不完整的信息中得出结论的能力使我们能在快速变化和模糊的环境中进行快速决策。
模式识别和讲故事与我们的认知密不可分，以至于人们会从完全随机的数据中寻找模式和构建故事。体育解说员和粉丝都热衷于讲述细节性的故事，如为何某人会连连取胜、进很多球，或者打出许多本垒打。在一个著名的分析案例中，托马斯·季洛维奇（Thomas Gilovich）、罗伯特·瓦罗内（Robert Vallone）与阿莫斯·特沃斯基观察了这种现象，证明绝大多数所谓的“热手效应”完全可以用随机因素来解释——如果在比赛中有足够多的运动员，其中某人在某个时间段注定会连续得分。人们是在通过编造故事来解释他们所认定的模式。32
为何“深蓝”系不了鞋带？
与归纳相对的是演绎。演绎是这样一个推理过程：结论必须从一系列前提出发，根据逻辑推断而来，比如，“苏格拉底是人，所有人都会死，所以苏格拉底也会死”。人类在使用归纳法的同时也在使用演绎法，但是用得不如归纳法熟练。相对于演绎法，人类在使用归纳法时往往技高一筹，计算机的情况恰恰相反。我们都能即时识别他人的面孔（这是一项归纳任务），但大部分人在进行以下演绎计算时会觉得极为困难：（239.46×0.48+6.03）÷120.9708。一个便携计算器就能够快速而准确地完成后一个任务（答案是1），然而，对于功能强大的计算机来说，准确识别面孔也是一项极其困难的编程挑战。
我们偶尔也会利用演绎作为强大归纳能力的补充，尤其在我们被难住、在模式仓库里找不到答案或者对于归纳直觉所给出的答案不够自信时。然后，我们就会低调而痛苦地（并非总是准确无误）利用逻辑推理来寻找解决问题的办法。在这个过程中，我们发明了铅笔和纸、代数、算盘、计算器、计算机，甚至是科学方法本身。一旦开始计算，经验就会进入模式仓库，这样我们就不用重复完整的过程。我们还不断地评估基于模式的判断成功与否，这样就可以从经验中学习。
象棋能够很好地展示人类的归纳与演绎思维是如何进行协作的。顶级的国际象棋棋手会利用归纳法来全局观察棋盘上的模式，同时他们还会利用演绎法来分析具体的局部方位。印第安纳大学认知科学项目主任安迪·克拉克（Andy Clark）指出，大师级的象棋棋手能在一瞥之间分辨出大约5万种不同的棋盘摆位，33他们的归纳模式仓库非常丰富，能够自动地对许多情况作出反应，例如，“这跟1971年世界锦标赛上鲍比·费舍尔（Bobby Fischer）的攻击路数有点儿像”。由于象棋有无数种可能的对弈状况，因此永远都存在不符合任何一种模型的状况。遇到这种情况，大师就会绞尽脑汁，努力为了一个具体的棋位而在先制和反制的决策树上寻找一种演绎性的解围方法。在演绎之树上，大多数顶级象棋棋手能够走到第三个层次。
人类的归纳模型认知和少量演绎逻辑混合的方法与IBM公司象棋棋手深蓝计算机的强攻型演绎方法形成了鲜明的对比。深蓝在一秒钟之内至多可以预估出两亿种可能的棋步，并设计出六层棋步和对抗棋步。深蓝的例子也说明了为何我们青睐归纳胜过演绎。演绎只能在定义十分明确的问题上（例如象棋）发挥作用，要想使用演绎法，问题不能存在任何信息缺失或模糊。因此，演绎法是一种强大的推理方法，但具有天然的弱点。归纳法虽然更容易出错，但它也更具灵活性，能够更好地适应世界抛给我们的不完整和模糊的信息。从进化的角度来说，我们应该按照这个方向演变。深蓝的象棋水平或许能赶上加里·卡斯帕罗夫（Gary Kasparov），但加里·卡斯帕罗夫的归纳机制让他不仅能够下象棋，还能在早晨系好鞋带，在餐馆点餐，而这些任务则会让深蓝完全不知所措。34
现代认知科学关于人类行为的观点几乎与传统经济学的完全理性观点完全相反。35完全理性假设人类具有100%的演绎性能，跟深蓝一样，永远都在处理非模糊的、定义明确的问题。它还假设我们不会学习，毕竟，如果我们已经是完美的了，又有什么学习的必要呢。
认知科学的观点还为实验经济学家遇到的异常结果提供了一种解释。框架问题、可用性偏差、锚定以及其他效应都符合人类作为反应快速的模型识别者和模型完善者的形象。有时候，我们会在匆忙的归纳中犯错误，逻辑遗漏接连发生。进化在让我们变得快速、灵活、大多数时候正确，而不是缓慢、脆弱、在逻辑上保持完美。但这也让我们陷入了一种困境。完全理性的主要益处在于它很具体，我们可以围绕它写出一系列方程、构建模型。经济学要想成为科学，就需要这样的精准，那么我们用模式识别、归纳、学习以及类比等含糊不清的理念怎么能够完成这个目标呢？
行为主体的大脑
当前尚未出现标准的、广泛认可的归纳推理模式，但许多研究者已经证明，建立准确表述、数学化的归纳模式至少是有可能实现的。与模式识别以及学习相关的模式已经成为计算机科学研究的主要任务，许多这样的模式都已得到实际应用，从在机场识别恐怖分子的面孔到识别信用卡欺诈都包含在内。
来自密歇根大学的计算机科学家约翰·霍兰德，来自加州大学洛杉矶分校的心理学家基思·霍利约克（Keith Holyoak），来自密歇根大学的心理学家理查德·尼斯贝特（Richard Nisbett）以及来自普林斯顿大学认知科学实验室的保罗·萨加德（Paul Thagard）已经设计出了一个通用的认知模型，它展示了新经济人的可能面貌。36霍兰德及其同事所构建的模型的基本结构包含以下构成：
◎ 行为主体。有一位行为主体与其他行为主体及所处的环境进行互动。
◎ 目标。行为主体拥有一个或多个试图达成的目标，这样行为主体就能感知到他的当前状态与目标状态之间的差距，例如，“我很饿”或“我遇到危险了”。行为主体的工作就是作出更加接近目标的决策。
◎ 经验法则。行为主体拥有一些经验法则，能够根据世界的当前状态制定行动计划。这些法则被称为“条件-行动规则”，或者说更广为人知的“如果-那么规则”。举个例子，“如果火炉很热，那么不要触摸”。行为主体在任何时候的经验法则集合被称为行为主体的心智模型。
◎ 反馈与学习。行为主体的心智模型记录了哪些规则曾帮助他实现目标，而哪些规则曾让他远离目标。曾经取得过成功的规则的使用频率通常高于失败的规则，从环境中获得的反馈能够让行为主体不断学习。
归纳本质上是一个解决问题的工具，行为主体通过这个工具来接近目标。规则的集合会受到行为主体所处环境的反馈影响，为行为主体的外部世界创造出一个内在模型。随后，行为主体会利用这个内在模型来预测应该采取何种措施以便更好地应对在追求目标过程中所遇到的各种形势。
这种归纳式地解决问题、学习以及通过类比进行推理的过程看起来相当复杂。然而，正如霍兰德所言，这种机制在生物界普遍存在，只不过其复杂程度各有不同。低级的细菌也会使用归纳式的问题解决办法——在遇到不同浓度的食物时，细菌会朝着浓度更高的方向前进，这种行为中隐含了一个预测，即那个方向会有更多它所喜爱的微粒。细菌的DNA提供了一个细菌世界的心智模型：如果食物的浓度正在增加，那么很有可能会继续增加（如果食物分子是完全随机分布的，那么这个结论不正确）。细菌拥有目标（食物）、识别模型（化学梯度），会进行预测（食物在哪个方向），并且采取行动（摆动鞭毛） 。随后，细菌会从环境中得到非常直接的反馈：如果规则好使，那么它就能存活和繁衍，否则就会死掉。
