并非所有艰难的决策都面临同一种未知。有时,存在充分的数据来估算不同结果出现的概率。而在其他时候,情况可能非常新颖或特殊,以至于给出精确的百分比只会制造一种我们实际上并不具备的知识假象。
奈特不确定性指称的正是这第二种情况。Frank H. Knight 在 1921 年出版的《Risk, Uncertainty, and Profit》中阐明了这一区分:风险允许进行某种有意义的概率处理;相反,不确定性则无法提供可靠的依据来构建这种概率分布。
这种区别并不是在理性计算与临场应变之间划界,而是区分了需要不同应对工具的两类问题。
核心观点: 当我们能够在相关依据的基础上估算概率时,存在的是风险;当缺乏这种依据时,存在的是奈特不确定性,尽管此时我们依然可以进行推理并采取行动。
风险与不确定性并非同义词
在日常语言中,“风险”与“不确定性”经常被混用。但对 Knight 而言,两者的区分更为严谨。
当可能出现的结果可以归入一个具有充分可比性的类别,且我们拥有估算其发生频率的依据时,就存在风险。这并不要求预测必须完全准确,只要该概率拥有切实的依据并能够指导决策即可。
例如,一家保险公司无法确知某栋特定的房屋在下一年是否会遭遇火灾。然而,它可以收集许多具有可比特征的案例,观察发生频率,调整其估算,并将预期成本分摊给广大的投保人。单个结果仍然是不确定的,但总体却可以通过统计学方法来处理。
而在奈特意义上的不确定性,则出现在上述方法无法成立之时。这可能是因为该决策是独一无二的,过往经验缺乏可比性,抑或是重大变化阻碍了构建一个稳定的参照类别。人们固然可以形成看法并做出估计,但这些并不等同于可测量的概率。
两者的区别可以概括如下:
- 面对风险时,数据和参照类别使人们能够估算出有用的概率。
- 面对不确定性时,案例的特殊性或可比对象的缺失使得这一依据不再充分。
- 在这两种情况下,认识都是不完备的;不同之处在于决策依据的论证方式。
缺乏相近先例的新产品
假设一家企业正在评估推出一款真正创新的产品。它可以估算某些要素:制造成本、工厂产能或配送时间。它也可以研究相似产品并调研潜在客户。
然而,最关键的问题或许并没有可靠的概率解答。是否会出现无人预见的新用途?大众的偏好是否会改变?是否有竞争对手带着更好的方案入场?与以往市场的对比是否依然有效?
如果不存在一个充分可比的新产品发布类别来推导数据,那么赋予成功 60% 的概率并不能解决问题。这一数字或许表达了一种审慎的看法,但并不能因此获得与大量类似事故频率计算相同的依据。
在单项决策中,这两个领域可能同时存在。机器的日常故障或许是可以投保的,而产品未来的市场接纳度则可能依然处于不确定性之中。Knight 的分类属于分析性的区分,而非现实中所有决策都能严丝合缝套入的纯粹分类框。
注意: 单凭一个百分比本身并不能将不确定性转化为风险。在采信该数字之前,必须追问其来源,以及用作参考的案例是否真正具备可比性。
缺乏足以解决问题的公式时,需要依靠判断力
在不确定性下行动并不意味着盲目行事。它意味着依靠不完备的知识来做决策:经验、客户信号、对行业的理解、团队能力以及关于未来可能性的分析。这些都无法消除未知,但都可以提升判断力。
模型同样保有其实用价值。情景分析可以展示在需求处于高、中、低水平时会发生什么;敏感性分析可以揭示哪项假设对结果的影响最大。模型无法做到的是:在缺乏支撑依据的情况下,凭空创造出一个已知的概率分布。
因此,判断力并不是无视证据的许可。它包含了解读不完整的证据、比较不同解释并在缺乏决定正确答案的现成规则时投入资源。这种决策依然是合理的、可受批评的、可修正的,但不能被简化为进行计算。
这是企业家判断的一个核心维度。决策者必须发现哪些信息值得关注、哪些类比具有误导性,以及何时一项机会值得承担实质承诺。在此之后,经验能够带来学习,尽管它永远无法保证下一次遇到的情形属于同一个类别。
利润与亏损:结果可能朝两个方向发展
Knight 将不确定性与企业组织以及利润和亏损的产生联系在一起。在获知有效需求之前,必须有人雇工、生产、定价或投资。这些承诺都建立在可能出错的预期之上。
如果结果超过了所承担的成本与承诺,就可能产生正的剩余收益。如果预期落空,就会出现亏损。在这一框架下,利润并不是承担未知的自动奖赏,并非所有盈利都能仅仅归因于不确定性。它是人们在获知最终结果之前做出决策可能带来的一种结果。
这种关系有助于理解企业家职能:不同的人尝试各类计划、纠正错误并重新配置资源。从古典自由主义的视角来看,这一过程很重要,因为经济协调并非始于完备的信息。然而,单凭不确定性本身并不能证明某种制度安排的优越性。要比较不同的制度安排,仍需考察激励机制、责任、权利以及学习能力。
核心观点: 在不确定性之下,不存在有保证的利润。开启机会的同一种判断也可能导致亏损,而这两种信号都有助于人们修正计划。
哪些概念不应与奈特不确定性混淆
奈特不确定性并不意味着绝对的无知。一家企业可能对自身的技术和客户非常了解,但在对它最重要的结果上,却缺乏可靠的概率分布。
它也不是波动的同义词。某种价格可能大幅波动,但依然拥有可供某些模型使用的历史数据。相反,某项决策可能只有少数几种可见结果,但若缺乏可比的先例,它依然高度具有不确定性。
后来的概念(如模糊性、Ellsberg 悖论或“黑天鹅”)探讨的也是相近的问题,但既不应将其视为等同,也不应追溯性地归于 Knight 名下。分散的知识亦是如此:这种关联对于思考经济知识的局限性很有帮助,但它属于另一条不同的理论脉络。
计算前的一个务实问题
这一区分的实用价值在打开电子表格之前便已显现:我们所使用的概率依据究竟是什么?如果存在许多相关且相对可比的案例,那么风险分析即便存在误差,也能够理顺决策过程;如果案例是独特的且对比依据薄弱,就应当承认量化计算的局限。
这并不意味着必须无所作为。它要求我们将情景构想、小规模试验、学习与责任结合起来,并保持一种谦逊的认识:某些后果是可以估算的,而另一些后果则需要依赖判断力。奈特不确定性之所以重要,是因为它避免了将数字精度与真正的知识相混淆,并提醒我们:当未来尚且无法转化为一张概率表格时,决策依然意味着采取合理的行动。
参考文献
- Frank H. Knight,《Risk, Uncertainty, and Profit》(1921),特别是第七章和第九章。
- G. Townsend、R. Hunt 与 J. Rady,“Chance, probability, and uncertainty at the edge of human reasoning”(2024)。
- Ross B. Emmett,“Uncertainty and the social organization of economic activity”(2021)。
分享