1704597403
1704597404
你可能会觉得，上述这些问题看起来毫无关联。但是，从我们的角度来看，所有这些问题都可以从一个经济学视角进行研究，而且都可以通过简单的经济学方法加以解决。实地实验能够帮助我们找到这些问题的答案，即找到正确的激励机制，以及搞清楚到底是什么样的动机促使人们这样或那样行事。
1704597405
1704597406
人们常常会说“这件事导致了那件事”，实际上，很多时候人们根本不清楚上述说法到底是不是事实。当我们手上缺乏从现实世界中收集到的实验数据时，我们所有人都可能会随意地、无根据地解读事物之间的因果关系。
1704597407
1704597408
不久之前，我和我在芝加哥大学经济系的同事史蒂芬·列维特、查德·塞沃逊一起，与一些知名的大型零售企业的总裁们讨论如何提高公司销售业绩的问题。一位高级市场经理向我们展示了下面这幅图，他试图说明的是，他所在公司的零售广告对提高产品销售额起到了很好的作用（出于保密考虑，图中的具体数据我们进行了修改，但是变量之间的关系大致如下）。
1704597409
1704597410
1704597411
1704597412
1704597413
图0–1 广告数量和销售额之间的关系
1704597414
1704597415
这位高级市场经理自豪地对我们说：“看，这就是铁证。这张图表明广告数量和销售额之间有很明显的正相关性。当我们做1 000条广告的时候，销售额大约为3 500万美元。而如果只做100条广告，销售额就下降至2 000万美元，看到了吗？”
1704597416
1704597417
实际上，广告数量和销售额之间的关系并不像这位高级市场经理所讲的。要理解这一点，我们来看一看另一幅类似的图。
1704597418
1704597419
1704597420
1704597421
1704597422
图0–2 冰激凌销售额和溺水死亡人数之间的关系
1704597423
1704597424
上图展示了两种截然不同的现象之间的关系：一是1999~2005年溺水事故的数量，二是同一时间段内美国最大的冰激凌公司之一的冰激凌零售额。显然，这两个变量之间的关系用图展示出来相当令人吃惊。
1704597425
1704597426
如果你是一位保护欲很强的家长，你看了这幅图以后可能再也不会让自己的孩子在水边吃冰激凌了。但是，很显然，这里存在着第三个隐性变量，那就是天气。夏天气温高的时候，人们会吃更多的冰激凌，同时游泳的次数也会增多，而游泳次数的增多导致溺水事故的高发。虽然人们确实会在夏天吃数量较多的冰激凌，但是吃冰激凌本身并不会导致溺水事故的发生，影响溺水事故数量的变量是天气，而不是冰激凌的销售额。
1704597427
1704597428
再回到之前广告数量和销售额的例子，在那位高级市场经理向我们展示的图中，是否存在第三个隐性变量呢？在那次交谈之后我们发现，该公司在每年11月和12月期间加大了广告的投放量，而11月和12月正是美国传统的消费旺季，所以在此期间公司的销售额上升并不奇怪。季节这个隐性变量造成了广告数量和销售额之间存在因果关系的假象。实际上，当我们对数据进行更深入的挖掘，并考虑到该公司提高广告数量的时间段就会发现，数据（广告数量和销售额）之间并不存在因果关系，而只存在相关性。消费者购买了更多该公司的商品是出于季节的原因，未必是因为公司的广告策略。
1704597429
1704597430
我们的世界充满了这类错误。当我们觉得两个变量之间可能存在因果关系时，我们往往很容易把相关性误认为因果关系。因为这样的错误，我们每天都在浪费大量的金钱和时间，却根本没有取得期望的效果。问题的症结在于：世界充满了各种各样错综复杂的关系，想搞清楚事物之间的真实关系非常困难。
1704597431
1704597432
但是，现在我们有了一个新型武器，那就是当下流行的“大数据”。通过收集海量数据，并从数据中总结规律，我们可以获得一些有趣的结果。大数据很重要，有很多好处，但是，也存在着大问题。研究大数据的方法仍然严重依赖变量之间的相关性，而不是因果关系。对此，《社会动物》[1]一书的作者戴维·布鲁克斯曾经这样说：“无数的事物之间都可能存在相关性，全凭你处理数据的方式，以及拿哪些数据进行比较。但是，要想把有意义的关系从无意义的关系中拣选出来，常常要先有一些关于因果关系的假设，这些假设代表的是你倾向于认为变量间存在怎样的关系。也就是说，我们还是必须回归人类提出理论的原始方法。”
1704597433
1704597434
大数据的另一个问题是，由于数据过于庞杂，因此处理起来十分困难。企业掌握了太多的数据，以至于它们根本不知道应该从哪里下手，应该看数据的哪一个方面。企业往往竭尽所能地收集所有数据，却被大数据所击溃，因为它们感兴趣的变量有太多种排列组合的可能性，实在不知道从何处下手。而我们的方法则不同，我们通过实地实验来获取因果关系，而且，在产生和收集数据之前，我们会非常认真地思考我们感兴趣的变量之间可能存在怎样的因果关系。因此，我们的方法可以得到大数据分析难以得到的结果。
1704597435
1704597436
值得庆幸的是，实地实验可以为公民、教育工作者、慈善家、政策制定者、企业的首席执行官（CEO）等各类人群提供他们需要的“硬数据”。这样的“硬数据”不仅能避免严重错误的发生，还能帮助人们更好地理解他们的服务对象：到底是什么样的动机在主宰着人们的行为？为什么这些动机会产生这样的结果？
1704597437
1704597438
什么样的激励机制可以促使人们去做“正确”的事情？而处罚、制裁之类的激励机制又是如何减少人们的不良行为的呢？在什么样的情况下激励机制会无效？
1704597439
1704597440
身为经济学家的我们相信，激励机制的作用绝不仅仅是为了吸引眼球，只要能发现变量之间真正的因果关系，就可以产生很多非常深刻的效用。实际上，激励机制并不是一种简单粗暴的工具。人们的隐性动机是非常复杂的，很多时候这些隐性动机发生作用的方式和我们认为的并不一样。只有完全弄明白激励机制是如何影响人们的动机的，我们才可能预测出新的政策或改革方案会在实际情况中产生怎样的结果。
1704597441
1704597442
在本书中，我们将展示激励机制如何通过各种各样的途径改变我们自身、我们的企业、我们的学校和整个世界。但是，在实施某项激励机制之前，我们必须弄清楚这项激励机制究竟是如何改变我们的隐性动机的。
1704597443
1704597444
此外，我们的研究还受到个人兴趣和热情的驱动。比如，我们是如何对“为什么人们会互相歧视”的问题产生兴趣的呢？首先，歧视是一种对社会有害的现象，而且歧视问题也是多年困扰经济学家的一个经济学问题。但是，从个人的角度而言，我们选择这个问题不仅仅是出于上述考虑，还因为我们自己以及我们心爱的人，都曾经遭遇过歧视。尤里永远不会忘记他的父亲雅各讲过的一个故事，雅各是布达佩斯大屠杀的幸存者。1944年，纳粹占领了匈牙利，布达佩斯遭遇了大屠杀，雅各因此失去了工作。雅各的母亲玛格达带领全家搬进了瑞典外交家罗尔·瓦伦堡建造的三处避难所之一，紧邻犹太贫民区。但是，他们发现这个所谓的避难所并非想象中那么安全。
1704597445
1704597446
某一天夜晚，亲纳粹的箭十字党把他们的犹太邻居赶出了住处，驱赶至多瑙河畔，然后射杀了这一家老小。第二天晚上，同样的事情又发生在另一户居民的身上。如果不出意外的话，接下来的一天晚上，就该轮到雅各一家了。幸运的是，这次亲纳粹分子用枪逼迫他们走进了贫民区内。在犹太贫民区中，玛格达弄到了犹太人不吃的死马肉，暂时喂饱了饥饿的家人，得以死里逃生。很多年以后，距这场屠杀的发生地不远的地方就是布达佩斯大学，尤里在那里任教。而此前，尤里的祖父也曾申请过这所学校的职务，却因为宗教的原因被断然拒绝。一想到这样的家庭背景，尤里站在布达佩斯大学讲台上的时候，就会感到阵阵寒意。
1704597447
1704597448
说到“歧视”这个概念，我们想到的往往是各种丑陋而恶毒的偏见。但是，约翰遇到的却是另一种形式的偏见。1995年，刚刚毕业的博士生约翰准备找工作。虽然约翰当时申请了超过150个学术职位，并且已经完成了若干实地实验，但是他只获得了一次面试的机会。之后，约翰发现，与他的条件相当的其他申请者虽然只提交了40多份申请，却得到了30多次面试机会。约翰和其他申请者的主要区别在于，约翰是怀俄明大学的博士毕业生，而其他申请者却顶着哈佛、普林斯顿等名校的光环。在招聘的时候，雇主使用这样的信息来筛选申请者，这实质上是对有名校文凭和没有名校文凭的人的区别对待，是一种雇用歧视。
1704597449
1704597450
很可能你也受过类似的歧视，只是你未曾注意到。也许你和大部分人一样，觉得人类之所以不能公平地对待自己的同类，是因为我们生来如此。我们中的很多人甚至以最大的恶意来揣测别人，这不难理解。每一天，在我们周围，散布着各种各样关于种族歧视的控诉。美国总统奥巴马的支持者认为批评总统的人有种族歧视的倾向，而批评者又反过来认为奥巴马的支持者才是种族主义者。不管是博客作者、新闻组织、政治家还是其他官员，大家都喜欢在没有搞清楚事实之前对别人的动机发表诛心之论。
1704597451
1704597452
但是，上述这些讨厌的现象到底和经济学有什么关系呢？这个问题的答案是：我们并不愿意接受人类生来就是种族主义者的说法，我们想要更深入地理解人类歧视行为背后的深层次动机。显然，歧视行为对人们的生活有着深远影响，因此我们想探究歧视行为对人们每日参与的实际市场的作用。是什么导致了歧视行为的发生？仅仅是因为我们根深蒂固的偏见，还是其他？