陈永伟：诺贝尔经济学奖：从理论研究走向实证研究

2021年诺贝尔经济学奖揭晓，这次的得主总共有三位，分别是加州大学伯克利分校的教授戴维·卡德（David Card）、麻省理工学院的教授乔舒亚·D·安格里斯特（Joshua D. Angrist）以及斯坦福大学的教授吉多·W·因本斯（Guido W. Imbens）。其中，卡德的获奖因“对劳动经济学实证研究性的贡献”而获得该奖的一半，而安格里斯特和因本斯则因“对因果关系分析的方法学贡献”而共同分享另一半奖项。

一、卡德的劳动经济学贡献：用经验研究方法对问题进行检验

作为一名劳动经济学家，卡德的研究范围基本覆盖了这个领域的全部重要议题。实事求是地说，如果从开创性的角度看，卡德并不算突出，因为他所研究的议题其实前人几乎都已经涉猎过。他个人对于这个学科的贡献，主要是用经验研究方法对劳动经济学领域内的一些重大问题进行了检验，从而为后来的研究树立了榜样。

在卡德的众多研究中，最著名的一个是他和已故的经济学家艾伦·克鲁格（Alan Krueger）所进行的关于最低工资问题的研究。长期以来，经济学界一直对最低工资的效应争论不休。一种观点认为，最低工资的推行可以为劳动者提供更好的保障；而另一种观点则认为，最低工资的推行只会降低企业雇佣劳动力的意愿，从而造成更多的失业。尽管这两种观点都各有支持者，但总体来说，后一种观点得到了更多经济学家的支持，因而是当时的主流观点。

那么，这种观点究竟是不是正确的呢？卡德和克鲁格认为，与其在理论上争论不休，不如用数据观察现实中的情况到底是怎么样的。不过，要从经验上考察这个问题，并不是那么容易的。从理论上看，要看一个政策的效果如何，就需要比较政策实施后的状态，以及在没有政策实施的“反事实”状态之间的差别。但是，一个政策怎么可能既实施又没有实施呢？在两百多年前，公共卫生领域的研究者曾经提出过一个解决方法，它就是所谓的“倍差法”。“倍差法”通常是基于“自然实验”，一般在某种外生政策冲击的场景中进行。它主要考察的是两组观察对象，一组是受到“自然实验”干预的“干预组”；另一组则是没有受到“自然实验”干预的“对照组”。在干预发生前，两个组的平均表现存在着一定的差别，而在干预发生后，这个差别的量将会发生变化。这时，这个“差的差”就可以被视为是干预所引发的影响。

卡德和克鲁格很幸运地找到了这样一个“自然实验”。上世纪90代初，美国新泽西州把最低小时工资从4.25美元提高到5.05美元，但与此同时和新泽西州毗邻的宾夕法尼亚州则没有进行调整。这时，最低政策的出台就成了一个“外生的干预”，而两个州的企业就分别形成了一个“干预组”和一个“对照组”。卡德和克鲁格分别搜集了两个州快餐店的工资和就业数据，通过研究发现，最低工资政策的出台并没有像当时的主流观点所预计的那样，增加新泽西州的失业率。很显然，面对这样的经验结果，经济学家们就不得不对传统理论重新进行审视。

卡德的另一项重要研究是关于移民的。在当时的美国一直有一个流行的观点，即移民的增加会挤压本地居民，尤其是较低教育水平居民的就业。因而，很多地方政府都出台了限制移民的相关措施。这个流行的观点究竟是不是正确的呢？为了对其进行验证，卡德又一次祭出了“倍差法”。

1980年4月，古巴的卡斯特罗政府十分意外地松动了移民政策，允许本国居民自由移民海外。在这个政策变化后，有大量古巴居民移居到了美国。仅从1980年4月到9月这短短5个月时间，移民美国的古巴人就达到了12万5千人。由于地理及其他一些因素，美国迈阿密市成为了最受古巴移民青睐的城市，移民中的大部分人都选择了在此定居。随着大量移民的涌入，迈阿密市的劳动力供给大增，而相邻的其他城市则变化不大。这时，迈阿密就成了一个“干预组”，而其他城市则可以形成一个“对照组”。卡德通过“倍差法”，发现在移民大量涌入前后，迈阿密本地居民的失业率并没有比相邻城市有显著的增加。很显然，这也说明了经济学中关于移民的“传统智慧”并不是这么正确。

这里需要说明的是，由于卡德几个研究的结论都和传统的经济理论有一定出入，并且这些结论都恰好符合现在所谓的“政治正确”的理念，因此在他获得诺贝尔经济学奖的消息传出后，不少人认为是出于一种政治考量。在笔者看来，对此，我们应该理性地看待。评奖中可能有一些相关的考虑，但事实上，卡德本人对于学术相当严谨，即使他的研究结论有可以争论之处，但至少他做研究的方法和态度是值得学习的。

二、安格里斯特、因本斯和因果推断

根据诺贝尔奖评审委员会的声明，安格里斯特和因本斯二人是由于在因果推断方面的工作而分享了另外半个诺贝尔奖的。所谓因果推断，是研究如何利用非随机实验数据变量之间的因果关系进行识别的一门学问。自从上世纪80年代，数学家鲁宾提出了因果推断的分析框架之后，这一方法就迅速被经济学界所接受，从而成为了计量经济学家们最常用的工具。

在这项工具被引入和传播到经济学领域的过程中，安格里斯特和因本斯都发挥了巨大的作用。不过，从贡献的方面看，这两人之间是存在着巨大的差异的。安格里斯特的工作主要是把已有的方法应用到了大量实际问题的研究当中，从而为使用这些方法提供了范例。除此之外，他还编著了两本关于因果推断的教科书，从而对这个方法的传播起到了很大的推动作用。而相比之下，因本斯的工作则更为基础，他的研究主要是把相关的方法进行了推广和改进，从而让它们更加适用于实践应用。由于因本斯的工作比较技术化，说明篇幅较长，在此先不多赘述。而安格里斯特关于教育回报率的研究，对于我们阐释因果推断的应用则十分受用。

“多读书到底可以带来多大的回报？”这是教育经济学领域老生常谈的一个问题。或许有人认为，这个问题不难回答，把不同受教育年限的人的收入进行比较就可以了。但问题显然没有这么简单。一个人接受多少教育，受很多因素的影响。比如，一个人家境好，他受教育的时间就多。但与此同时，他即使不受教育，也能获得高收入。在这种情况下，我们即使看到了受到更多教育的人的收入更高，也只能说明教育年限和收入之间有相关关系，而不能确定两者是否存在因果关系。

那么，怎么才能识别因果关系呢？这里的关键就是要找到一个所谓的“工具变量”，让它只影响教育年限，而不会通过其他渠道直接影响收入。如果有这样一个变量，那么我们就可以通过它与教育年限、收入之间的关系，间接地推断出教育年限对收入影响的因果效应。

问题是，什么样的变量才符合要求呢？安格里斯特找到的变量是人的生日。根据美国的义务教育法，所有年满6周岁的学龄儿童，都必须在该年的9月份入学接受教育。并且只有当年满16岁的时候，学生才被允许辍学。

按照这个规定，一个人如果出生的月份早，那么他在入学的时候，平均年龄就会比较大；而如果他出生的月份比较晚，则入学时的平均年龄就会比较小。具体来说，如果孩子出生在第一季度，那他们在上学的时候平均岁数大约是6.45岁，而如果孩子出生在第四季度，他们入学时的平均年龄则只有6.07岁。由于不同出生时间的人，入学时候的年龄是不同的，但是他们被允许辍学的年龄却是相同的，因此平均来说，出生月份越晚的人接受的教育年限就越长。极端的，如果甲出生在1月1日，而乙出生在12月31日，并且两人都选择辍学，那么乙必须接受的义务教育时间就要比甲多一年。

通过简单的验证，我们就可以知道出生时间确实符合作为工具变量的要求——它显然会影响受教育年限，但与此同时却不会直接影响收入。利用它作为工具变量，安格里斯特和克鲁格发现，额外1年的义务教育将会让人的收入增加9%。换言之，多接受一年教育再去工作，其实是划算的。

从此次诺贝尔经济学的获奖者可以看出，诺贝尔经济学奖评奖开始从理论研究更多地向实证研究转移，更加关注现实问题。此外，越来越多的经济学细分研究领域的学者将可能获得这一奖项，包括微观经济学、金融经济学、计量经济学、行为经济学、公司治理、发展经济学等。

（作者系《比较》研究部主管）