经过6.4、6.5 两节,我们对于企业的专门论述将要接近尾声了。这些论述都是下文将要进行的推演的基础。新古典经济学把企业看作生产函数,这当然不是实情。我们要做的——借用胡塞尔的一句名言——就是“回到事物本身”。企业首先是资本的集合体。即使仅就这一点而言,它就立即偏离了新古典框架。商品生产需要耗费时间,本质上这是新古典框架所无法处理的问题。更为重要的是,企业是一种人际的组织,其内部实行的主要是层级化的人际控制关系,而不是平等的市场交易关系。企业只在特定的时点或位置上才对市场开放,而在其他时点或位置上则对市场进行关闭,或者只做出比较微弱的反应。这既是生产本身的要求,也是市场不完备性的体现。这种对于“组织”的强调,早在马克思主义经济学中就已经盛行了。可能有人仍然迷惑于这个议题对于时下的经济学改革究竟具有什么意义,对此,笔者乐于继续强调指出:1.它表明交易范式(从而价格信息)的局限性。2.经济学的传统主题实际上是关于经济秩序的建立,而“组织”就是建立秩序的方式之一。对价格体系也必须作为另一种与此相联系又相竞争的方式来进行理解。无论怎样,经济学的核心议题就是关于思想、意见、通信、交流、合作、斗争这些东西,而不是别的。因此,我们的论述是紧扣主题的。
当然,这些论述绝不是充分的。目前的焦点在于除旧布新,在于为新的经济学打底子。这个底子必须打得坚强牢固。回归现实、还原现实、使现实具有理论意义是不容易做到的。假如读者能够同意我们正在做到这一点,这就表明我们已经取得了一个很大的成功。在这一步稳固地实现以后,算法式的论述将会逐渐来到这个境地,即做出如下的发问:下一步的经济学还应当(在“看不见的手”之类的“基本问题”之外)提出什么样的“基本问题”呢?在前人成就的基础上,经济学家们还应当向世界贡献怎样的发现或者“教义”呢?这是“算法经济学者”需要给自己提出的问题。正如本书开篇所预告的,笔者将在后文中奉上自己就此所取得的一些成果。但是,这些成果的提出绝不意味着相关问题的答案已经得到了;恰恰相反,所有这些工作都只能被视为一种开始,而这些问题则应当长久存在。
回忆主流经济学的生产理论,其中所展示的边际成本、平均成本与利润最大化之间的关系仍然给人以优美之感,并留下了深刻的印象;因此,这里再就边际分析方法说几句。由于人的身心能力是有限的,在任何作业(单独的或联合的,短期的或长期的)中,我们都必须认为,当事人只能针对我们眼前的部分对象或者对象的某些部分,而不可能针对全体。因此,行为本身就是边际性的,任何行为都是如此。在企业运作中,情况也是这样。企业的经理通常会发现,假如对某些地方进行调整,就会产生什么样的效果(包括如何来影响产量,等等)。他可以把这种效果尽可能分析得全面和透彻一些,可以把这种局部分析再应用于企业的其他地方,以及把多个局部分析的结果进行综合,等等。但是,这绝不意味着,他“发现”了关于整个企业的“生产函数”,更不意味着他的有关结论是经过对这个函数形状的分析而得来的。简言之,他的结论是建立在对于企业局部状况的了解之上的,而且这种结论正是在既不知道是否存在生产函数也不知道函数具体形状的情况下得出的。如同3.3 节所指出的,这显然就是边际分析方法的真实意义。人们通过对局部因果关系的把握来探求整体。这种方法固然不能保证得出像新古典方法那样可靠的结论,但它是实用的。由于新古典方法实际上不可操作,这才是人们事实上所使用的边际分析。实际观察是,没有生产函数的预设,企业通常对于诸如产品产量之类的决策问题也把握得很好。这样的边际分析,我们不仅应当予以认可,而且,在算法框架下,还要扩大对它的使用。函数的预设是多余的,这是新古典框架不必要地倾向于“人最终能够全面认识世界”以及“世界的本质可以表示为简单的公式”等等形而上学的具体例子。(www.xing528.com)
倘若函数在原则上应当予以反对,那么习惯于展示数学计算复杂性的学者们可能会感到失望,因为这样的一技之长将会面临荒废的危险。对于这些学者,笔者还要写下几句话,这就是:一种复杂性的衰落,同时意味着另一种复杂性的兴起。经济世界的复杂性,首先不在于推理的深度,不在于诸如“计算炮弹弹道”之类的问题,而在于其广度,在于多样性、结构性、异质性等方面。按照“把思想实体化”的方法,可以鉴别为“实体”的对象将是非常繁多的,而这些不同的思想或物理实体必定各有各的性质与演变规律。或者,我们甚至不知道它有没有“规律”。而我们所要回答的经济问题,却往往要求我们在综合这万千实体及其运动变化的基础上,才能给出答案。这就要求我们要详细地观察、记录、分类并储存关于现实生活的资料;这本身就是一种复杂的工作。在此基础上,我们将发展出关于社会各个局部领域的理论。这些理论在种类上将是繁杂的,在数量上将是众多的。对之进行分类、整理并尽可能加以系统化的工作也将是复杂的。最后,算法式的研究将需要“上机”进行。笔者冒昧地揣测,喜欢数学分析的人士,也将会喜欢钻研计算机、人工智能、认知科学等领域,而这些领域中大量新兴的知识既在等待着经济学者们去汲取,又在等待着我们对之进行算法式的改造。至于建立在真实数据基础上的经验研究,算法方法则只会有利于这种研究的进行,而丝毫不会贬损它的重要性。总之,喜欢钻研复杂书本知识的学者们,在算法框架下也必定大有用武之地,只是,这种劲头必须沿着正确的路线、朝着正确的方向发挥使用。
免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。