حامد قدوسی

اقتصادسنجی شمشیر دولبه‌ای برای ارتقاء کیفیت علم اقتصاد است: از یک طرف حضور اقتصادسنجی از روزهای نخست تولد اقتصاد جریان اصلی و نیز توسعه شگفت‌آور آن در چند دهه اخیر باعث شد تا اقتصاد داده‌های دنیای بیرون را جدی بگیرد و یکی از قوی‌ترین رشته‌های علوم اجتماعی از حیث تحلیل درست و دقیق داده‌ها باشد. البته اقتصاد در این بین تنها نیست، رشته‌هایی مثل بهداشت عمومی (Public Health) هم به لحاظ دقت در تحلیل علی (Causal) داده‌ها بسیار پیش‌رو هستند.

از طرف دیگر، فراوانی و آسانی دست‌رسی به داده‌ها و گسترش و آسان‌شدن کار با نرم‌افزارهای اقتصادسنجی به «مبتذل» شدن پژوهش‌های اقتصادی هم کمک کرد. سالیانه حجم زیادی مقاله به اصطلاح امپریکال تولید می‌شود که در آن‌ها خبری از انضباط ناشی از «نظریه اقتصاد» یا خلاقیت ناشی از «شهود اقتصاددانانه» و نتیجه‌ای نو برای درک جهان نیست ولی جداول و نمودارهای چشم‌گیر فراوان است. نرم‌افزارهای اقتصادسنجی، نمایش دانستن اقتصاد بدون دانستن واقعی آن را آسان کرده‌اند.

این وسط یک بین فهمی در مورد کارکرد واقعی اقتصادسنجی - که بین منتقدین جریان اصلی اقتصاد از گروه موسوم به نهادگرایان ایرانی تا اتریشی‌ها و جامعه پویایی سیستم‌ها مشترک است - وجود دارد. خلاصه این بدفهمی این مدعی‌ها است که ۱) «اقتصادسنجی گذشته‌نگر است، در حالی‌که نگاه ما به آینده است» و ۲) «اقتصادسنجی قصد پیش‌بینی دارد، در حالی که اقتصاد موجود پویایی است که قابل پیش‌بینی نیست»، ۳) «اقتصادسنجی جعبه سیاه است و ما نمی‌توان در آن چه می‌گذرد» و ۴) «اقتصادسنجی رابطه مکانیکی برای اقتصاد متصور است». همه این گزاره‌ها تا حدی در خلاء درست هستند، ولی هیچ کدام نقد اقتصادسنجی واقعا موجود نیستند.

در واقعیت یک اقتصاددان جدی وقتی از «اقتصادسنجی» استفاده می‌کند قصد «پیش‌بینی» آینده یا برون‌یابی را ندارد! درصد کمی از اقتصاددانان (آن‌هم بیش‌تر در محیط‌های کاری یا غیرآکادمیک) چنین کاربردی برای اقتصادسنجی متصور هستند. هدف اصلی اقتصاددانان از کاربست سنجی «درک رابطه نظری بین متغیرها از روی داده‌های دنیای بیرون»، «سنجش اعتبار نظریه‌های رقیب با عیار داده‌ها» و «تخمین عددی از مقدار متغیرهای پنهان و عمیق سیستم‌ها (مثل نرخ ترجیح زمانی افراد)» است. اقتصاددان نه قصد «پیش‌بینی آینده» را دارد و نه نسبت به «پویایی ساختار اقتصاد» بی‌توجه است و رابطه مکانیکی برای اقتصاد متصور است، بل‌که به دنبال این است که ببیند آیا برای فرضیه‌‌های رقیبی که درمورد نوع پویایی اقتصاد در ذهن داریم، شواهدی از دنیای بیرون هم پیدا می‌شود یا نه. پیچیدگی اصلی هم این است که ما روابط علی بین متغیرها را به سادگی مشاهده نمی‌کنیم و در نتیجه باید با تلاش زیاد، راه‌هایی برای تفکیک «همبستگی» از «علیت» پیدا کنیم (موضوعی که برخی حوزه‌های علوم اجتماعی هنوز توجه کافی به آن ندارند.)

به یک معنی، نقدهای رایج از اقتصادسنجی بیش‌تر معطوف به برداشتی از ماهیت این علم در دوره ماقبل دهه هشتاد میلادی است. در سه دهه گذشته چندین تحول مهم در این علم اتفاق افتاده است: ۱) با نقد لوکاس در حوزه سنجی-کلان، اقتصاددانان متوجه شده‌اند که باید «پاسخ عامل‌ها به تغییر متغیرهای محیطی‌» را هم به عنوان جزیی از مدل لحاظ کنند. ۲) در حوزه اقتصادسنجی خرد، توجه به تکنیک‌هایی که به ما اجازه تفکیک «همبستگی از علیت» را می‌دهد معطوف شده و روش‌های دقیق متنوعی برای شرایط مختلف توسعه داده شده است تا در حد امکان معضل «درون زایی» (Endogeneity) در تخمین روابط بین متغیرها را کاهش دهد. ۳) توجه به پایداری و نقد مدل و شفاف‌سازی ماهیت مدل خیلی بیش‌تر شده است.

همه این‌ پیش‌رفت‌ها البته به معنی بی‌نقص بودن ابزارهای سنجی یا اعتماد داشتن کامل به نتایج آنان یا تفسیر نتایج آنان بدون توجه به بستر مساله یا نقد نداشتن به غلبه اقتصادسنجی نیست. نقد روی ضعف‌های اقتصادسنجی هنوز فراوان است و همین نقدها هم باعث پیش‌رفت می‌شود. به عنوان مثال، به عنوان کسی که دست آخر سلیقه‌ام «نظریه-محور» است، از موج اخیر پژوهش‌های صرفا داده‌-محور با شواهد محلی در حوزه‌هایی مثل اقتصاد توسعه خیلی لذت نمی‌برم و به نظرم این پژوهش‌ها جامعه علمی را از کار روی نظریه‌های عمومی‌تر و قابل تعمیم‌تر دور کرده است.

خلاصه این‌که با همه ضعف‌ها، اقتصادسنجی شهودهای مهمی به ما داده است که نمی‌توان به آن‌ها بی‌توجه بود. به طور خلاصه، سنجی به ما یاد داده که کاه و گندم موجود در داده‌ها را چه طور از هم تفکیک کنیم و گول رابطه ظاهری بین متغیرها را نخوریم.

اقتصادسنجی وقتی به تفکیک «سری زمانی» (Time-Series) و «مقطعی» (Cross-Sectional) می رسد فقط به لحاظ ریاضی متفاوت نمی‌شود بل‌که موضوعات و نوع نگاه و کاربردهای آن‌هم تغییر می‌کند. اقتصادسنجی مقطعی چون با تعداد زیادی متغیر سمت راست (متغیر مستقل) سر و کار دارد، بیش‌تر به دنبال «تبیین» رفتار یک متغیر وابسته بر اساس یک سری متغیر مستقل است و در نتیجه به آن کارکرد «سنجش نظریه» که گفتیم بیش‌تر نزدیک است. اقتصادسنجی مقطعی معمولا کم‌تر به کار «پیش‌بینی» می‌آید چون برای پیش‌بینی متغیر متغیر سمت چپ نیاز به دانستن مقدار «آینده» متغیرهای سمت راست دارد و خب این یعنی این که یک سری پیش‌بینی مستقل از این مدل باید انجام شود.

اقتصادسنجی مقطعی البته می‌توانند خسته‌کننده و بی‌فایده باشد وقتی به مساله کلیدی «درون‌زایی» (Endogeneity) بی‌توجه باشد و صرفا همبستگی یک سری متغیر را گزارش کند. مشکل البته جهانی است! یک مثال از همین آمریکا بزنم: چند روز پیش جایی بودم و کسی از دانش‌گاهی در حوالی نیویورک ارائه‌ای داشت و عنوان مقاله‌اش این بود که «آیا نظام مدیریت ریسک به‌تر در بانک‌ها باعث تغییر در سبد وام‌ها می‌شود؟». خب سوال جالب و به لحاظ سیاستی مهم بود و عده‌ خوبی هم شرکت کرده بودند. طبعا همه منتظر بودند که ببینید این شخص چه طور در این مساله «علیت» را از «همبستگی» تفکیک خواهد کرد. چند دقیقه اول به سخن‌ران فرصت داده شد تا با انواع و اقسام نمودارها و رگرسیون‌هایی ظاهر زیبا (با تعداد زیادی مشاهده) نشان بدهد که با شاخص‌های مختلف مدیریت ریسک، بانک‌هایی که نظام ریسک قوی‌تری دارند، می‌توانند وام‌های ریسکی‌تری اعطا کنند چون قادر به مدیریت به‌تر ریسک این وام‌ها هستند.

چون سخن‌ران اشاره‌ای به «استراتژی شناسایی علی» (Causal Identification Strategy) نمی‌کرد، کم کم حوصله جمع سر رفت و در دقیقه ۱۵ ام یک نفر دل به دریا زد و پرسید: «خب این‌ها که هم‌بستگی صرف است. طبیعی هم هست که اگر بانکی در بخشی از بازار باشد که نوع عملیات ریسکی‌تری داشته باشد، مدیریت ریسک را جدی‌تر می‌گیرد و نظام مدیریت ریسک قوی‌تری دارد، در نتیجه جهت علیت ممکن است از ریسکی بودن وام‌ها به تقویت نظام مدیریت ریسک باشد، در حالی‌‌که شما قرار بود نشان بدهید که نظام مدیریت ریسک «باعث» تغییر در رفتار سبد وام‌ها می‌شود.» معمولا هم وقتی چنین سوالی مطرح شود و سد رودرواسی و حفظ ظاهر در جلسه شکسته شود، سیل نقدها و سوالات مشابه از سوی افراد دیگر - که شاید نمی‌خواهند اولین منتقد باشند یا شاید هنوز تردید دارند که نقدشان وارد است - سرازیر می‌شود و همین طور شد.

سخن‌ران در واقع پاسخی نداشت و گفت به همین دلیل ما موفق نشدیم مقاله را در یک ژورنال خوب اقتصاد یا فاینانس چاپ کنیم و حالا می‌خواهیم آن‌ بازنویسی کرده و برای چاپ به ژورنال‌های رشته مدیریت بفرستیم! بیچاره‌ رشته مدیریت! من همان‌جا توضیح دادم که متخصصان جدی و مجلات خوب رشته مدیریت هم بیش از یک دهه است به مساله «درون‌زایی» و «لزوم تفکیک دقیق همبستگی از علیت» حساس شده‌‌اند و احتمالا همین معضل و ایراد را آن‌جا هم خواهید داشت و لزوما شانس به‌تری در آن‌جا نخواهد داشت.

درست از لحظه‌ای که این نقد بنیادی معطوف به درون‌زایی رگرسیون مطرح شد و سخن‌ران هم پاسخ درستی برای آن نداشت، بیش‌تر حضار جلسه قضیه ارائه را رها کردند و مشغول بازی با موبایل‌ها و کار با لپ‌تاپ‌های‌شان شدند، به سخن‌ران متلک‌های علمی مودبانه ولی ظریفی انداختند (چون وقت آن‌‌ها را تلف کرده بود) یا کم‌کم جلسه را ترک کردند. چرا این طور شد؟ چون وقتی مساله «تفکیک علیت از هم‌بستگی» حل نشود، تمام اعدادی که در رگرسیون‌ها ارائه می‌شود به لحاظ درک مکانیسم‌های اقتصادی بی‌معنی و فاقد هیچ فایده‌ای هست و دیگر توجه به جزییات آن‌ها اهمیت خاصی ندارد و هیچ کس آن‌ها را جدی نمی‌گیرد! ولو این‌که انواع و اقسام تکنیک‌های دهن‌پرکن سنجی استفاده شده باشد.

این مقاله البته شاید ۲۰ سال پیش وضعیت متفاوتی داشت و کم‌‌تر در معرض این نقد قرار می‌گرفت و احتمالا در یک مجله خوب هم چاپ می‌شد. ولی خب دنیا عوض شده، جامعه علمی به صورت فراگیر با این معضل آشنا شده، استانداردهای کار علمی بالا رفته و اقتصادسنجی مقعطی از یک رگرسیون استاندارد صرف در نرم‌افزار، تبدیل به «هنر»ی شده که در آن محقق باید با انواع روش‌های خلاقانه «طرحی» برای تفکیک همبستگی از علیت ارائه کند.

اقتصادسنجی سری زمانی و اقتصادسنجی داده‌های مقطعی به لحاظ قابلیت شناسایی علی با هم تفاوت اساسی دارند. در اقتصادسنجی مقطعی و به لطف تکنیک‌های مختلف شناسایی علی که در سال‌های اخیر توسعه داده شده‌اند -مثل متغیر ابزاری، تفاضل-در-تفاضل، ناپیوستگی رگرسیون و ... - تا حد خوبی می‌تواند به تفکیک علیت و هم‌بستگی (و جدا کردن اثر متغیرهای غیرقابل کنترل) نزدیک شود و تاثیر «خالص» یک عامل برون‌زا را روی رفتار یک متغیر وابسته تخمین بزند.

فلسفه طراحی و شناسایی علی سیستم‌ها در مشاهدات مبتنی بر سری‌های زمانی کمی متفاوت است چون عامل زمان و دینامیک سیستم هم در این ماجرا دخیل است. معیار رایج و استاندارد علیت در روش سری زمانی، معیار «علیت گرنجر» (Granger Causality) است.

علیت گرنجر به ما می‌گوید که اگر دخیل کردن مقدار گذشته متغیر X در پیش‌بینی متغیر Y باعث به‌بود در دقت پیش‌بینی شود، می‌توانیم نتیجه بگیریم که X عامل علی برای متغیر Y بوده است. شهود اصلی هم این است که اگر دخیل کردن تغییرات یک متغیر (پس از امتحان کردن سایر متغیرها) باعث ارتقاء پیش‌بینی یک متغیر در دوره‌های بعدی شود، یک رابطه ای بین این دو متغیر باید باشد.

ولی علیت گرنجر واقعا معیاری برای علیت به معنی عقل سلیم و فلسفی آن نیست و بیش‌تر معنی از جنس «پیش‌بینی» دارد. چرا؟ چون نظام‌‌ها و عامل‌های اقتصادی پیش‌نگر (Forward-Looking) هستند و در نتیجه خیلی محتمل است که از دید اقتصادسنج متغیر X همیشه قبل از متغیر Y حرکت کند ولی در واقع حرکت X به خاطر «انتظاراتی» باشد که از رفتار.

مثال: ما احتمالا با دیدن خرید لباس گرم توسط مردم می‌توانیم انتظار داشته باشیم که دمای هوا در ماه آینده بالا خواهد رفت. از دید علیت گرنجری، خرید لباس قدرت پیش‌بینی ما برای دوره بعد را ارتقاء می‌دهد ولی واقعا خرید لباس علتی برای سردی هوا نیست. برعکس «انتظار سرمای هوا» باعث خرید لباس می‌شود ولی این قسمت از اطلاعات از دید اقتصادسنج پنهان است.

خلاصه این که بر خلاف اقتصادسنجی داده‌های مقطعی که طراحی شناسایی علی نیازمند هنر و خلاقیت و دقت زیاد است، در بستر سری‌های زمانی صرفا با یک کلیدی روی نرم‌افزار آزمون «علیت گرنجر» انجام می‌شود و ممکن است محقق را به نتیجه‌گیری سریع وادار کند. من بارها مقالاتی را - خصوصا از ایران و خاورمیانه - داوری کرده ام که نویسنده با اجرای علیت گرنجر روی مثلا ۴۰ مشاهده سالیانه از داده‌های تاریخی، نتایج بزرگی در مورد تحولات اجتماعی و اقتصادی در این جوامع گرفته است. این روزها این نوع نتیجه‌‌گیری‌ها خیلی جدی گرفته نمی‌شود و جای اما و اگر زیادی دارد. در نتیجه این نوع کاربرد سنجی هم کم‌کم جزو کاربردهای خسته‌کننده و غیرمفید قرار می‌گیرد.

وقتی صحبت از «حل معضل درون‌زایی» یا به عبارت دیگر «تفکیک علیت و هم‌بستگی و شناسایی روابط علی» می‌کنیم، الگوریتم ریاضی استانداری برای یافتن درون‌زایی (به آن شکل که مثلا برای آزمون ریشه واحد داریم) وجود ندارد و محقق باید با شهودش از مکانیسم‌های مساله احتمال درون‌زایی را بررسی کند و با خلاقیت و دانشی که از فرصت‌های موجود در مساله وجود دارد از جعبه ابزاری از انواع تکنیک‌های مختلف آن‌هایی که مناسب مساله هستند را انتخاب کند و طراحی علی انجام بدهد.

ذکر این تذکر هم مفید است که گرچه اصول این نوع تکنیک‌ها در کلاس‌های اقتصادسنجی تدریس می‌شود، معمولا تحت عنوان درس «اقتصادسنجی خرد» (Micro-econometrics)، ولی در واقع جایی که دانش‌جویان کاربرد واقعی این تکنیک‌ها را یاد می‌گیرند و کم‌کم به مساله درون‌زایی حساس شده و انواع روش‌های خلاقانه برای رفع آن را می‌آموزند، کلاس‌های درس سنجی نیست بل‌که کلاس‌های دروس حوزه «خرد کاربردی» است. یعنی دروسی مثل اقتصاد توسعه و اقتصاد نیروی کار و مالیه بنگاه و اقتصاد شهری و اقتصاد بهداشت و امثال آن. من گاها کلاس‌هایی در یک حوزه خرد (مثلا اقتصاد نیروی کار یا مالیه بنگاه امپریکال) گذرانده‌‌ام که تقریبا تمام درس در طول ترم وقف بحث در مورد مساله درون‌زایی در شرایط مختلف آن حوزه علمی و انواع و یادگیری و ارزیابی قوت/ضعف روش‌های مختلفی بود که افراد در مقالات قبلی به کار بودند.

برداشت من این است که دانش‌جویان ما در ایران، مبانی سنجی را خوب آموزش می‌بینند ولی برنامه درسی رشته اقتصاد در قدم بعدی مشکل دارد: یعنی کم‌تر کلاس درسی در حوزه‌های خرد کاربردی هست که وقت کلاس وقف بحث علیت/درون‌زایی شود و افراد به کارگیری انواع و اقسام روش‌های سنجی خبره شوند و در معرض بحث و نقد کارهای دیگران قرار بگیرند. هر چند می‌دانم که در چند سال اخیر در برخی دانش‌کده‌ها چنین دروسی (مثلا در حوزه اقتصاد توسعه مدرن) ارائه می‌شود و دانش‌جویان به خوبی با مساله آشنا می‌شوند.

یادداشت تلگرامی دکتر حامد قدوسی