近年来，经济学研究中“过度模型化”的现象引发广泛关注。2026年初，上海交通大学陆铭教授在《中国社会科学》发表论文《经济学研究“过度模型化”的误区及其纠正》。他在文中指出，当前学界面临过度依赖计量检验和追求复杂数理推导、轻视思想创新和脱离中国实际等问题，呼吁发扬经世致用传统，以恰当的模型化和方法的多元化回应重大现实问题。

本文为文化纵横新媒体与陆铭教授的一场对话。陆教授强调，“过度模型化”现象是期刊、学界、作者与审稿人共同作用的结果，具有“集体无意识”的特征，导致重大现实问题缺少相应的关注。对此，学界应当关注国家和社会普遍关心的问题，注重服务现实经济、回应企业和政府需求、帮助社会理解经济知识与经济规律。特别是面对技术变革、地缘政治等因素迅速演进的经验现实，经济学研究必须在紧迫性、时效性与社会科学追求的精确性之间作出权衡。这就要求经济学重视经济思想史和经济史资源，同时向政治学、社会学等兄弟学科学习。

【对话/陆铭、文化纵横 郑涛】

纵横说：您今年在不同场合通过发言、写文章等方式，批评了中国经济学界存在的一个问题——“过度模型化”，认为这种整体性的研究偏好妨碍了经济学界更好地理解中国经济的真实状况。考虑到我们的很多听众可能不是经济学专业出身，所以首先想请您给大家科普一下：经济学研究中的建模，究竟是一种什么样的研究方式？

陆铭：我想先解释一下经济学研究中所谓的“模型化”方法，然后才能说明我最近这些话到底指什么。从现代经济学的研究方法来看，尤其是论文要在期刊上发表时，现在主流的研究方式主要有两种：一是用数学对经济现象进行建模，再作数理推断；二是运用统计学、计量经济学作因果分析，当然也包括相关性分析。这一类研究范式，可以统称为“模型化”。

从广义上讲，模型实际上是对现实世界的一种简化，也应该包括文字逻辑、描述性统计等形式。但随着经济学研究方法的演进，现在主流认可的研究方法主要还是两种：一种是数学模型，另一种是我刚才讲的统计、计量分析。数学模型越来越趋向动态化，统计和计量分析则越来越倾向于因果推断。这就是这里所说的“模型化”。我最近的一些文章和讲话被冠以“过度模型化”这个题目，可能也引起了一些误解。很多人看到文章标题，就以为我代表某种反对经济学建模的声音。其实不是这样。我当时为《中国社会科学》写文章，最早拟的标题大意是“以适当的模型化回应重大问题”。所谓“适当模型化”的另一面，才是“过度模型化”。

该文章发表于《中国社会科学》2026年第2期

我的意思是，现实世界非常复杂，尤其是中国的一些体制特征与世界上其他国家不太一样。中国有非常明显的大国特征和转型特征。所谓大国特征，是指中国有非常独特的中央与地方关系，以及地方与地方之间的关系。中央政府和地方政府在经济发展中都发挥着非常重要的作用，但作用有时并不相同，甚至未必协调。再说转型特征。直到今天，中国的许多体制，包括我自己研究的户籍制度、土地制度等，仍然带有不少计划经济时期的特征。

要把这些特征细节纳入模型，在特定选题里在技术上存在困难。反过来，这就使得许多研究为了迎合一些学术期刊的审美和技术标准，而忽视了这些特征。如果不写模型，或者不让模型动态化，如果在统计、计量分析中不做因果链条分析，文章就很难发表，更难发表在好期刊上。于是现在出现了一种现象，这实际上是削足适履：把有没有运用所谓“科学”的方法，作为研究选题和论文发表的黄金标准。

这样一来，许多重要的问题就没人关心、没人研究了。在建模研究中，还大量出现了这样的情况：表面上看是在研究中国经济，模型里却没有中国特有的制度和政策，有时得出的结论甚至南辕北辙。中国的许多现象，看起来似乎可以用主流教科书中的市场经济理论解释。但产生这些现象的真正原因，很可能恰恰是中国独特的制度和政策背景。如果把这些背景拿掉，只建立一个模型并据此得出政策结论，就很容易出现我所说的情况：某些现象本来就是管制性政策造成的，论文最后给出的建议却是进一步加强管制。这就南辕北辙了。

相反，我更认为严谨的研究方法应该是多元的。该用模型就用模型，而且应当把相关制度和政策纳入分析。如果有些问题无法用现有的数学模型分析，那么文字逻辑和调查研究也非常重要。在统计、计量分析中，能做因果分析当然很好；如果暂时做不了，相关性分析和现象的发现也很重要。学术研究需要一个循序渐进的过程，提出问题本身就很重要。

纵横说：您刚才提到，过度模型化倾向的出现，在某种意义上也和学术期刊的引导有关。那么，多发表这类量化建模的文章，对学术期刊究竟有什么好处？它们为什么会倾向于这样做？

陆铭：不能把这个现象完全归咎于学术期刊，它是期刊、学术界、作者和审稿人共同作用的结果。我曾在一次会议发言中用过“集体无意识”这个说法。作者在选题时，首先会观察什么样的文章能够发表在国内外顶级期刊上。而这些期刊发表的文章，往往在方法上采用我刚才提到的复杂数学建模或因果推断。于是作者会想：如果做模型，就尽量往这个方向做；如果做统计、计量分析，就一定要做因果推断，不能做因果推断的题目干脆不做，因为预期发表不了。

如果作者都这么写，期刊收到的大量投稿自然也是这样。当然，也会有一些作者研究重要问题时采用文字分析或描述性统计的方法。文章投到期刊后，下一关就是编辑。如果编辑本身也偏好方法导向，就可能认为文字研究、非因果推断研究或调查报告“不够科学”，更不用说基于局部案例的深度研究了——他可能会觉得，这些都不符合现在的“科学标准”。即使过了编辑这一关，文章送到审稿人手里，审稿人也会按照前面讲的标准来评判：模型是否自洽，是否采用了因果推断。

这就会出现刚才说的问题：有些研究没有数学模型，或者因果推断做得不够好，但研究对象可能非常重要，只是受到技术上的限制，这种限制很可能不是某位作者能力不足，而是经济学现有的方法还无法对某些问题进行大家普遍接受的数学建模或因果分析。于是大量问题就被忽略了：要么无人研究，要么投稿时被审稿人拒掉。所以，这不只是期刊单方面的问题。

当整个学术界出现偏向时，一些优秀学者、资深前辈和具有引领性的期刊，的确可以在方向上作出新的突破。遗憾的是，目前这种突破还不够。最近，一些期刊开始强调调查研究和争鸣，也认为可以发表一些选题重要、但未必使用复杂方法的文章。

不过，这些努力还远远不够。尤其是年轻学者，他们做学生时接受的训练、读到的文章，往往都符合我刚才所说的既有“科学标准”。我一直强调，并不是只有数学方法、数理统计和因果分析才算科学。长期如此，会使青年学者缺乏对许多重要问题的敏感。随着中国问题越来越重要，国内又有制度变迁与改革、重大技术革命等许多现实问题亟待解决，经济学的整体研究已经跟不上时代的快速变化。

纵横说：顺着您刚才讲到的“科学标准”，我再问一个问题：您觉得经济学界之所以出现过度模型化，是不是也与学界某种科学主义思维有关？经济学应该算是社会科学中最自诩接近自然科学的一门学科。如果这样一种自然科学思维进入社会科学领域，您觉得会给社会科学研究带来什么影响？

陆铭：既可以说它受到了科学主义影响，也可以说不完全是。

先说受到影响的一面。社会科学，特别是经济学，的确较早借鉴了自然科学的一些方法。经济学的许多模型、算法和模型求解方法，都曾借鉴物理学等学科，而且这些方法在推动经济学发展时，发挥过历史性的积极作用。数学建模的做法后来又影响了其他学科。现在还常用因果推断，以及因果推断中的实验方法，这些甚至借鉴了医学等学科。

从科学意义上讲，这些方法是有价值的。因为从制定经济政策、解决现实问题的角度看，如果连一个变量对另一个结果变量的影响是不是因果关系都不清楚，那么你想通过改变前者来影响后者，研究就无法提供支撑。所以，经济学采用科学化方法具有积极意义。这些方法也的确对政治学、社会学等兄弟学科产生了积极影响，现在许多其他学科也在沿着经济学的科学化路径发展。

但是从另一个角度讲，我们需要回到“什么是科学探索”这个问题，难道只有数学方式才算科学手段吗？比如，在天文学中，用望远镜观测就是一种科学方法；在另一些学科中，相关性描述可能也很重要，对吧？这涉及如何界定科学方法本身。

从学者的角度看，科学家的一个重要意义，就是发现现实生活中具有规律性的现象。而描述现象的手段其实有很多种。我刚才说过，观察本身就很重要。在社会科学中，观察很可能就是案例分析。再比如数理统计，只要有一定的样本，并且确实发现一个变量与另一个变量存在相关性，而这种相关性在理论上又是一种重要关系，并非随意找两个变量拼凑出来，那么这种发现同样非常重要。所以，我们既要肯定经济学发展过程中科学主义所发挥的积极作用，也要看到它的边界。

但现在应该反思的是，现有方法在解释许多现象时存在局限。比如我前面提到的，中国一些特殊政策和制度所产生的影响。现在，包括我自己的团队在内，也在尝试把中国特有的制度和政策纳入经济模型。但与快速发展、极其复杂的中国经济相比，这类理论化工作还远远不够。如果坚持每个问题都必须用数学模型，甚至动态模型来研究，就会使研究进展远远跟不上现实世界。

另一个方面是技术进步和地缘政治。过去的经济学研究不太考虑地缘政治因素。只是最近十多年，随着中美贸易冲突等问题日益突出，大家才开始重视地缘政治。传统经济学对此关注不足。再比如，与地缘政治相关的国家规模问题，在国际贸易理论、全球治理、全球货币体系以及技术创新等研究中，也没有得到足够关注；不是完全没有，而是远远不够。现在的问题是，怎样把这些因素与地缘政治结合起来，纳入我们的理论。

技术进步也是如此。别的先不说，就说这些年蓬勃发展的人工智能，它将对整个经济和社会产生非常深远的影响。从宏观经济运行来看，比如GDP和全要素生产率的统计，原本都是基于比较传统的经济模式；到了人工智能时代，这些指标本身可能就需要修改。但你会发现，经济学界不太讨论这些问题，至少主流期刊上很少见。

资料图：人工智能和机器人产业

那么，经济学家比较擅长什么呢？比较擅长的是构建一个“人工智能暴露度”指标，再研究它如何影响就业和收入分配。这方面已经有大量工作，首先应当肯定其价值。但从宏观到微观，从产业发展到国际政经博弈，人工智能时代还有许多问题没有真正展开。经济学家本应积极参与这些讨论，却往往参与不多，因为现有方法似乎无法对许多问题作因果识别，也很难把它们放进传统的精确模型中。

这时，就应当反思我们的研究方法，反思对“科学方法”本身的定义。就像前面说的，别的学科可以使用望远镜，也可以采用非常创新的方法。比如石墨烯的发现，就用了“手撕”这种看起来很简单的方法，同样可以获得诺贝尔奖。其他学科已经发生了很大变化，非常重视研究成果的创新性和应用性，也在逐渐突破几百年来积累的既有科学方法的局限。但在经济学中，方法论创新仍受到较多限制。

纵横说：从经济学外部来看，我们经常看到两种针对量化建模研究的批评。一种批评说，有些经济学文章用非常复杂、看似科学的方法，证明了一个普通人都懂的常识；另一种批评刚好相反，说有些文章用同样复杂的建模方法，证明两个在常人看来毫无逻辑关联的因素之间存在因果关系。您觉得这两种批评成立吗？学术研究和常识之间，究竟应该是什么关系？

陆铭：我个人认为，如果把这种批评施加于经济学研究整体，是需要商榷的；但落实到具体研究，这类批评成立的情况甚至还不少。

先说总体。经济学建模得出的结论，如果只概括成一句话，你可能会觉得这不过是大家都知道的常识。但模型分析在科学意义上有几个必要性：第一，它能告诉你背后的机制是什么；第二，它能告诉你效应究竟有多大。把它转化为经济决策时，你需要比较不同因素。

举个例子：有两个政策工具可供考虑，采用每一个工具后，都要判断它改变现实世界的收益和成本。这时，经济学模型可以对收益和成本作出量化估计，帮助你更精确地比较，并在不同政策之间作出选择。机制也同样重要，如果不清楚作用机制，你以为A变量会影响B变量，但这个过程很可能被另一种机制打断。所以在这个意义上，经济学建模是必要的，量化分析也是有价值的。

但具体到某些研究，我也认为当前不少研究确实是在浪费金钱、时间和资源。比如，有些研究把公司绩效与管理者的长相联系起来，我真的不知道这种研究有什么意义。还有一些研究讨论考试成绩与教室里学生的性别构成是否相关。仅以教育为例，值得投入时间和精力研究的课题就太多了。我们拿着纳税人的钱，为什么不去研究那些真正重要的问题？甚至不需要你自己提出问题，政府已经把许多问题提出来了，只要稍微关注一下“十五五”规划或有关教育问题的讨论，就会知道中国教育领域有许多问题亟待回答。为什么不去研究那些更能让经济学改变现实、影响国家政策的问题，反而研究一些看起来因果关系成立、应用价值却不大的问题？

还有您刚才提到的另一种批评：论文所说的因果链条可能根本不是那么回事。这种情况也存在。我最近在《中国社会科学》的文章里也举过一些例子。有些研究看起来运用了科学方法，得到了因果关系，但这种因果关系背后的真实机制很可能并非如此。这正是社会科学与自然科学不同的地方。

以物理、化学为例，做实验时可以在实验室里排除许多因素，因此得到的逻辑链条通常比较可信：实验结果证明的，就是变量A对变量B的影响。但到了社会科学领域，即使统计和计量分析的结果看起来接近因果关系，真正产生影响的链条也可能不是研究者所说的那一条，而是存在其他机制。

恰恰因为这样，一个好的经济学家需要理解整个社会经济的总体运行，知道什么问题重要；面对若干因素时，也要判断哪些因素更重要。社会科学研究的不只是现实，有时还要研究历史，因此对历史背景的了解和把握同样非常重要。这是自然科学不具备的属性。