|
从公共政策的角度来看，我们现今生活在一个数据的年代。为确保教师能司其职，我们关注学生的考分；为改善医疗系统，我们量化分析不同医护手段的疗效。尽管对于支持用数据衡量一切的改革先锋们而言，上述作法值得大书特书，但我们面对纷繁复杂的现象，却试图强用片面的数字证据得出结论，这般作法是否自视过高了呢？爱因斯坦有句名言说道：“能被量化的事物未必那么有分量，而真正有分量的事物却未必能被量化。”而我想说的，是一个更为朴实无华的观点：在对事物进行量化分析前，我们得先明确其意义价值所在。 问题并不在数据分析本身，而在于我们进行量化考察前的作为。首先，我们尽其所能地量化事物，但其实，量化分析的一个重要前提就是对事物类别的事先定义。比如说，我们要看分析的是费城流浪汉的数量，还是亚特兰大被虐待妇女的数量，还是丹佛自杀者的数量。那么，一个暂时住在他兄弟家的失业者算流浪汉吗？将一个女子归入“遭遇家庭暴力”的名单前，必须得到她本人的公开承认吗？一个人在被确诊患有癌症后，成日酗酒最后因肝硬化而死，这也算是自杀吗？这些问题的解答方式对整个量化过程都会产生截然不同的影响。 其次，我们针对某个现象搜集到若干数据后，必须合理地将其聚合成某种序列排名或者建议。这并非易事。而在一定的分类方式、衡量标准和侧重力度下，几乎任何意想当中的结论都有可能出现。诸如“最舒适的10所高校”、“最可爱的邻居前20名”等这类随处可见的文章标题。这类的文章在面对批评性的质疑时总会漏洞百出。作者们如此选择评判标准用意在何？他们为何这般衡量分类方式？如果分类标准稍加更改，“最适宜居住的校园”和“最可亲的邻居”的排名，是否又会截然不同呢？ 既然最后一问的答案通常是肯定的，那么对事物进行合理概括的问题就不容忽视。据国际信用评级机构标准普尔公司的职员们近期公布的电子邮件调查显示，为评定安全系数、解决次级抵押贷款和次优抵押贷款等问题以保障市场份额，人们开始期待对调整分类标准进行重新讨论。而这样的重定区分标准则近乎把这些无人居住的楼房归入那些所谓亲切可信的邻里。（这样可能存在较大的市场风险） 这样的计算、聚合两个步骤于国家政策而言，有很重大的意味。我们想想对纽约市落成不久的公立学校进行近些年的发展评估计划。尽管评估过程我们使用了多重的评定标准，但学校的等级主要仍是依学生在年度标准化考试中的进步程度来定的。这种做法的风险在于过分强调随机波动数据，并致使各个学校主要关注于考试侧重本身（而不是提高学生的综合能力）。同时这还意味原本更优秀的学校却只能获得平凡的等级评价，因为他们的进步空间相对小得多。而坏学校则只需稍有改进便能获得较高评级。 在测量疗效时，医学研究者们也面临类似的问题。对某一种疾病的治疗方案的疗效进行测量时，他们往往首先采用五年存活率的方法。这看似合理，但五年存活率在一个地区达到100%时，在另一个地区却可能变成0%，即使后者治疗方法上有着同样疗效，甚至更低成本。 这是一种极端假设下的情况，但现实中确有类似的。假设当人们感染这种疾病，他们通常是在60多岁时获病，并活到75岁左右。在一个地区，医生通过早期筛选诊断方法帮60岁的人检测到这种疾病。因为他们活到了75岁，所以这些人的五年存活率为100%。而另一个地区的人们直到70岁才被检测到疾病，尽管他们也同样在75岁时病逝，但他们的五年存活率却是0%。在这两种情况下，放任发展的策略和普遍通用的筛选诊断方法得到的结果是一样，但如果使用五年存活率作为疗效判断的标准，普通的筛选诊断方法似乎是最好的方法。 因为测量效果的类别标准等太多了----中位生存期、平均存活期、副作用、生活质量等等----对授权医生采用所谓放之四海而皆准的医疗方案我们总能找到反例。可能正如一些人的建议，我们应该只是给予他们一些小激励。当我们为有效方案设定类别标准时，采取相对谨慎迟疑的态度可能较为合适。 阿罗不可能定理是数理经济学里一个有名的理论。该理论认为，仅满足最低限度条件标准的投票系统无法保证产生对投票者民意形成数名候选人的正当合理的选举结果。以此类推，我们能得到社会科学测量方法的类似理论：在仅满足最低标准的情况下，一切社会现象的测量方法都能被归类为无非第二手猜测（而非第一手调查）、解构拆析、欺骗、否定、替换之类。这并不是说，我们因此就不应该去计算测量了----但我们在进行量化分析时，实不应过分依赖数据和盲目投入精力。 作者约翰·亚伦·保罗斯，美国天普大学（位于美国东岸宾夕法尼亚州的费城）数学系教授。近期著有《非宗教》一书。 |
|
|
