摘要：近年来经济学研究中“过度模型化”的现象引发广泛关注。一个值得进一步追问的问题是：这些现象为何会在论文生产中反复出现并固化为可复制的写作模式？对这一问题的回答，需要回到模型在研究中所承担的功能。以经验研究为例，模型同时承担识别装置、事实筛选器与叙事约束三种功能，“过度模型化”可被理解为模型功能的过载：各功能的适用边界一旦被突破，模型的可操作性和规范性反而会转化为系统性的研究偏差。中国情境的制度复杂性对识别假设、证据边界与推断强度提出更高要求，更需要研究者谨守模型的功能边界，在保持方法精确性的同时，避免因技术便利而收缩对复杂现实的理解空间。
关键词：经济学过度模型化 模型功能过载 经验研究 因果推断
在当代经济学中，模型化是现实世界被纳入学术讨论的主要途径之一。经济学家需要借助模型，对复杂的经济现象进行必要的压缩、抽象与结构化，使之成为逻辑上可推演、经验上可检验、也可被他人理解和复核的分析对象。然而，随着建模技术日趋精细，一种担忧也在学术界持续积累：当模型的形式要求开始压倒对现实问题的实质关切，技术上的精致是否反而会造成模型的误用与滥用？
近期陆铭撰文指出经济学研究中“过度模型化”的若干误区，特别是在“因果推断与经验研究需要纠偏的倾向”一节中，他对当前经验研究中的若干偏差提出了清晰提醒：不能把“干净识别”当作唯一价值标准，不能把“使用了识别工具”等同于“机制已经被理解”，不能将局部、短期、单维的估计结果直接升级为宏大的政策判断，也不应忽视相关性分析与案例研究在复杂问题中的作用。
这些提醒很有必要，但为何这些偏差会在论文生产过程中反复出现，并逐渐固化为一套可复制的写作模式，是进一步需要回答的关键问题。如果不回答这一问题，对“过度模型化”的理解，仍将主要停留在价值判断式的批评，而难以形成具有解释力的分析。
本文聚焦经济学经验研究中的模型化问题，关注模型在研究实践中如何被使用，以及这种使用方式如何影响研究选题、证据组织与结论表达。目的在于尝试为如何更精确地使用模型提供一种可讨论的分析框架，使模型化既能保持技术上的严格性，又不至于收缩对复杂现实的理解空间。
本文提出，应将“过度模型化”理解为模型功能过载。模型在经验研究中同时承担三种功能：识别装置、事实筛选器与叙事约束。所谓“过度”，并非模型使用过多，而是模型的核心功能各自具有适用边界，当这些边界被突破时，模型原本带来的可操作性与规范性，反而会转化为新的缺陷。无论是陆文所指出的经验研究偏差，还是本文所概括的若干研究特征，均可以从模型功能过载的角度得到统一理解。
一、理解“过度模型化”的起点：模型功能解析
经济学中的形式模型（formal model），是指使用数学或统计语言对经济情境进行表述的分析框架，其中经济主体、约束条件与制度特征被刻画为变量或参数；它们之间的关系通过方程、不等式或概率结构加以表达；研究结论则从明确的假设出发，经由演绎推理或统计推断而得到。所谓模型化，是指将现实问题转化为上述形式模型并据此展开分析的过程。
因果推断是当代经济学经验研究中具有代表性的模型化研究范式。所谓因果推断，是指研究者借助合理的假设，在逻辑上界定一个清晰的反事实比较，即在其他条件不变的情况下，某一因素发生变化时，结果本应如何变化，从而将实际结果与这一反事实结果之间的差异归因于该因素；在此基础上，利用有限的数据样本获得定量估计结果，并对这些结果进行不确定性评估，以判断其在多大程度上可以推广为关于总体的结论。
随着因果推断范式的兴起，近年来中文期刊中的经济学经验研究呈现出若干引人注目的特征。诚如陆文所提醒的，当研究价值的评判标准趋于单一，某些特定的识别技术便被高度集中地采用，研究问题往往围绕可被界定为“外生冲击”的事件展开；而当对因果机制的理解被简化、估计结果与政策含义之间的外推缺乏节制时，同一识别策略便被反复用于分析不同的结果变量，机制分析中则频繁出现跨情境通用、解释弹性极强的中介变量。这些现象引发了关于选题琐碎化、研究视野收缩以及与政策讨论脱节的担忧，并被笼统地概括为“过度模型化”。然而，指出偏差的存在与解释偏差的成因，是两个不同层面的问题。为此，有必要先厘清模型在经验研究中究竟承担哪些功能，以及这些功能各自的适用边界在哪里。
（一）模型作为“识别装置”
在经验研究中，模型最核心的功能是作为因果识别的装置。通过构造反事实、限定因果路径，并明确哪些因素被视为“其余不变”，模型使得原本连续而复杂的社会现实，得以被转化为可进行因果判断的分析对象。
因果性并不是数据本身所固有的属性。即便面对同一组经验事实，不同的模型设定与反事实构造方式，也可能导向不同的因果解释。因此，识别装置的运作，必然要求对现实进行必要的切割和压缩，界定哪些变化被视为可操纵的“处理”，哪些被固定为背景条件，哪些因难以形式化而被排除在分析之外。
这种模型构造，必然以封闭部分现实机制为代价。为了保证反事实比较的清晰性，研究设计往往需要假定某些行为反应在研究窗口内可以忽略，或将某些制度反馈视为缓慢、次要而不纳入因果路径。作为识别得以成立的必要条件，这些假定本身也许并非错误，但它们同时意味着，模型所回答的因果问题，始终是一个经过严格限定的问题，而非对原始现实问题的完整展开。
更令人担忧的是，在具体研究实践中，识别装置的含义正在发生微妙变化。识别是否成立，越来越少依赖研究者对制度背景、行为机制或数据生成过程的整体判断，而更多被转化为一组可被形式化检验的技术条件。当这些技术条件在统计上被认为是成立的，识别问题便在很大程度上被视为已经解决。在这一过程中，识别从一种需要综合权衡的研究判断，演变为一套可被程序化执行的操作流程。
（二）模型作为“事实筛选器”
现实世界中的现象并不会以原始形态进入经济学分析，而必须经过指标构造、定量测度、样本选择等一系列转译过程。如果模型作为识别装置，解决的是哪些现实情境可以被纳入因果判断的问题，那么模型作为事实筛选器，则进一步决定了在已经被纳入模型的研究对象中，哪些经验事实被视为有信息含量的证据。
在进入统计分析之前，模型对事实的筛选就已经发生。许多制度背景中的关键特征——例如政策执行过程中的模糊性与弹性、个体行为动机的多重性，或制度影响随时间逐步显现的过程性变化——由于难以被清晰度量或形式化表达，常常在研究设计之初便被弱化处理，甚至被完全排除在分析视野之外。
模型对事实的筛选还体现在其所允许进入分析的统计对象之上。回归框架天然以条件期望为中心，围绕均值变化组织证据。因此，能够稳定反映平均效应的变化，更容易被识别和讨论，而分布整体的变化、分布尾部的变化或仅在特定子群体中出现的效应，则往往需要额外的建模努力才能获得同等地位。在缺乏明确理论动机或识别支撑的情况下，这类事实更容易被视为“噪音”或“偶然现象”。
模型作为事实筛选器，也深刻影响了个案与反常点在研究中的地位。在许多经验研究中，与模型预测不一致的观测值，往往首先被理解为测量误差、样本选择问题或个体特异性扰动的结果，而不是对模型设定本身的潜在挑战。这种处理方式也许未必不合理，但其累积效果是，模型更容易被用来过滤不符合预期的事实，而较少被用于反思哪些现实机制可能尚未被纳入分析框架。
（三） 模型作为“叙事约束”
经验研究中的结论，并非对事实的直接复述，而是对模型所识别的参数及其统计特征的解释和延伸解读。只有那些能够在模型内部得到一致解释并与既有假设结构保持自洽的结果，才更容易被纳入论文的核心叙事。
首先，这种叙事约束直接体现在对结果经济含义的讨论深度上。尤其是在涉及成本—收益比较、政策替代方案评估等问题时，研究往往需要跨越原有样本与制度情境，进行更广泛的反事实推理。然而，模型在识别阶段所承载的信息，本就服务于高度特定的问题设定，其结果往往不足以支持此类跨情境的比较分析，这些讨论即便在现实中极为关键，也常常被视为超出研究范围，从而在叙事中被主动回避。
其次，结论在政策层面的表达，容易呈现出两种对立但同样受限的结果。一种情形是，模型输出被直接转化为非此即彼的政策判断，例如政策有效或无效，而中间的条件性（政策的有效性依赖于何种前提，例如政策执行强度、个体策略性反应、市场竞争结构等）、权衡关系（政策评价是否考虑了效率与公平、显性收益与隐性成本等关键权衡）与实施约束（政策的有效性是否意味着可持续和可复制）则难以在模型框架内得到充分展开。另一种情形则恰恰相反：由于关键简化假定在建模过程中难以逆向还原，研究结论虽然在统计上清晰，却难以自然过渡到具有实质内容的政策含义，最终只能以高度概括甚至略显空泛的政策启示收尾。在这两种情况下，政策讨论都与正文分析之间出现了明显脱节，模型既未能支持细致的规范判断，也难以为现实决策提供可操作的依据。
（四）三个案例
为了避免上述分析停留在抽象层面，下面选取三个经验研究案例，展示模型在不同情境下对识别、证据与叙事的侧重如何影响我们看见什么、看不见什么。
1.教育回报研究
Dale和Krueger关于高等教育回报率的研究，是识别装置如何重塑研究问题的一个典型例子。该文并未直接讨论精英教育是否重要这一宽泛命题，而是将研究问题严格限定为：在学生能力高度可比的条件下，就读具有高录取门槛的大学，是否在边际上带来长期收入回报。围绕这一目标，作者以被多所院校同时录取的学生为样本，通过控制学生的申请行为和院校的录取结果来削弱未观测能力差异的混淆性影响，从而使学校录取门槛本身的因果效应成为可识别对象。在这一识别框架中，教育机构的声望、社会网络、文化资本与精英再生产机制，被排除在讨论之外。与此形成鲜明对照的是，Khan基于长期田野调查与制度分析，对精英教育展开了社会学取向的研究。她关注的并非收入意义上的边际效应，而是精英教育如何通过制度化的社会化过程、网络积累与文化资本传递，持续塑造社会分层。在对Dale和Krueger的评论中，Khan指出，该类研究即便在统计结果中发现学费水平、学校资源或声望与收入显著相关，也往往将其视为控制变量或背景条件，而未将其纳入核心解释机制；在她看来，这正是精英教育发挥作用的关键所在。然而，这一批评并非针对识别结论本身的有效性，而是源于对研究问题的不同理解：Dale-Krueger的模型通过识别设计主动收缩了问题边界；而Khan的研究则拒绝这一收缩，转而将制度复杂性本身作为研究对象。两类研究并非在事实层面相互否定，而是对“什么是需要被解释的教育效应”做出了不同的界定。
2.最低工资政策研究
以最低工资或劳动法为代表的劳动市场政策，因政策界定清晰、实施时点明确，往往被视为经验研究中相对“干净”的研究对象。这类研究的问题在于，其分析所能覆盖的现实维度相对有限。最低工资或劳动法的实施，固然会影响就业数量和工资水平，但其更深层的作用还体现在劳动关系的稳定性、用工强度、工作节奏、晋升通道乃至劳动者与雇主之间的谈判格局之中。模型在这一类研究中作为有限事实的筛选器，淡化了政策影响的复杂性。
Card和Krueger对美国新泽西州最低工资上调的开创性研究，聚焦快餐业这一对政策高度敏感的低工资行业，基于调查数据发现，最低工资上调并未导致就业下降，这一结果直接挑战了以完全竞争劳动市场为隐含前提的经典预测。对此，Neumark和Wascher的反驳，集中于数据质量与事实覆盖范围。他们指出调查数据噪音较大，企业自报就业可能存在系统性误差，且短期数据窗口难以捕捉企业在工时、价格、雇佣结构以及进入退出等维度上的调整。基于行政记录数据、扩大样本覆盖范围并延长观察窗口后，他们在同一情境下得到了负的就业效应。进入21世纪以后，这一争论的推进同样可以理解为在模型中持续纳入更多经验事实的过程。后续研究不再局限于单一就业指标，而是系统考察最低工资对不同调整边际的影响（例如非工资福利、在职培训、产品价格、企业利润与组织形式等），对工资不平等和工资分布的影响，以及对家庭收入和消费、教育和人力资本积累等更广泛社会经济结果的间接影响，相关证据也逐步扩展至发展中国家情境。
3.企业创新激励政策研究
在产业政策相关研究中，模型化所面临的困难尤为集中。创新政策通常由补贴、税收优惠、准入政策、政府采购等多种工具交织构成，实施过程又伴随着选择性、谈判性和阶段性调整。然而，在研究实践中，这类高度复杂的政策往往被统一处理为某种激励强度的变化，从而在识别层面就进行了大幅简化。例如，研究融资约束与研发投入的关系时，理想的识别情形应当是外生的融资松弛或资本成本冲击，但现实中几乎不存在此类实验，研究者不得不依赖工具变量、政策差异或制度变化来间接逼近，其有效性高度依赖于假设成立程度。
在证据层面，研究者通常依赖专利数量、研发投入或新产品产出等技术指标，但这些指标更容易记录成功的结果，而难以反映创新过程中普遍存在的失败、试错与中止。同时，指标本身的经济含义也并不稳定。例如，在税收激励下，研发支出的增加可能部分源于企业对既有支出的重新归类，而非真实投入的变化。
在叙事层面，当高度复杂的政策实践被压缩为单一激励变量时，研究结论能够被清晰讲述的空间也随之收窄。即便识别到企业或发明人对激励政策的行为反应，将这些局部效应外推为总量效应或福利结论依然高度困难。更进一步看，即便在数据与方法层面做到高度规范，经验研究仍难以给出关于产业政策成败的终局判断，因为政策组合、实施阶段、行政能力与治理方式会持续变化，而这些变化往往超出可量化政策变量的覆盖范围。
二、模型功能过载：表征与挑战
第一部分概括了模型在经验研究中的三种功能及其各自的适用边界。当这些边界被突破时，“过度模型化”就不再是一个笼统的价值判断，而可以被更精确地理解为模型功能的过载。前文所列举的研究特征，恰恰是这一过载的具体表现，以下逐一展开讨论，并进一步分析模型化研究范式在中国情境中面临的特殊挑战。
（一） DID的“技术垄断”
在当前经验研究中，双重差分法（Difference-in-Differences, DID）的使用比例呈现出压倒性的优势。这一现象很大程度上源于DID作为识别装置所具有的高度可操作性。与其他识别方法相比，DID对数据结构的要求相对宽松，只要能够在时间与截面两个维度上构造出某种“事前—事后”与“处理—对照”的结构，研究便可以在形式上采用DID框架。
然而，与随机试验或工具变量方法不同，DID的核心识别假设——平行趋势——并不必然来自外生于模型的随机变动。在大量现实情境中，处理是由经济主体或政策制定者在模型内部作出的选择，因此平行趋势并不存在天然成立的理由。然而，这一点常被研究者所忽略。事前趋势检验在事实上替代了对政策实施过程、选择机制与制度背景的实质性分析，而安慰剂处理的置换检验作为一种非参数统计推断手段，被长期误解为对识别假设本身的检验手段。平行趋势逐渐从一项需要结合具体情境加以判断的识别假设，被转化为一组是否通过统计检验的形式要求。
（二）从问题驱动到识别驱动
作为识别装置的模型，对研究问题生成方式的影响，集中体现为研究路径的倒置：原本以现实问题为起点、再寻找合适分析工具的过程，逐渐被一种相反的逻辑所取代——研究首先判断某一情境是否能够被构造成“冲击”，再据此界定问题是否具有可研究性。在这一转变中，识别的可行性不再只是技术约束，而开始直接参与塑造研究问题本身。
面对复杂的现实情境，研究者往往优先考察是否存在清晰的政策变动、规则化的阈值条件或其他可被视为外生的自然事件或制度安排，以便构造处理组与对照组；若这一结构难以形成，问题本身便容易被提前判定为“不适合做实证”，而不再被进一步理解。久而久之，“是否存在可用冲击”逐渐固化为一种先行于问题理解的认知模板。
与此相伴的，是研究议程的系统性偏移。一些琐碎、局部、边缘或短期的问题，因其结构简单、边界清晰、便于构造可信反事实，即便现实重要性有限，也在研究中获得了不成比例的关注；而那些涉及制度演化、长期调整或多重机制交织的问题，则因难以被压缩为清晰的“冲击—响应”结构，往往难以进入主流经验研究的视野。
（三）技术性自我繁殖
当某一识别装置在研究实践中被证明是可行且成功的，它往往会与事实筛选器相互强化，进入一种技术性自我繁殖的过程。一旦某一政策变动、制度安排或外生事件被确立为可信的“冲击”，便容易引发一系列跟进式研究，通过更换不同的结果变量，围绕同一冲击反复展开分析。识别装置的可复制性，由此取代了不同研究问题之间的内在关联性，成为研究不断扩展的主要依据。
这种技术性自我繁殖至少可能带来三方面的负面后果。第一，当结果变量彼此高度接近时，新增研究往往难以揭示新的经济机制，研究数量不断增加，但围绕同一冲击所能提供的知识增量却逐渐递减。第二，当结果变量在概念上缺乏内在关联时，单项研究或可通过事后拼装的叙事在局部上自洽，但在并置呈现时，结论之间便可能缺乏一致的解释逻辑，甚至相互矛盾。第三，同一冲击在某一研究中满足识别假设，并不意味着在其他研究中也同样成立。例如排他性约束等关键假设，其可信性往往高度依赖于结果变量的具体性质。然而，由于识别装置本身已被反复验证为“可信”，后续研究中对其适用范围与外推条件的讨论，往往流于简化。
（四）万能的中介
对因果关系作用渠道的考察，本应是确保因果论证完整性与可信性的必要环节。有研究指出，中介变量与结果变量之间的因果联系，往往更多依赖于理论论证：由于二者在逻辑和时空关系上比较接近，即便不采用正式的因果推断手段，也可以形成相对完整的因果链条。
然而，在当前研究实践中，一种“万能中介”的现象正逐渐显现。在高度差异化的研究情境中，融资约束、风险偏好、信息不对称、投资效率、人力资本、制度质量等变量，被反复用作连接不同因果关系的通用中介。这类变量本身具有较强的概括性与解释弹性，但其被频繁、跨情境地调用，反而削弱了其在具体研究情境中的解释效力。
错误的中介效应分析，通常呈现以下几种特征。其一，从中介到结果的因果链条过长，理论解释模糊，往往以高度概括的表述一笔带过。其二，因果链条“过短”，中介变量与结果变量在概念或行为层面高度重合，从而形成循环论证。其三，解释逻辑过度泛化。一些中介变量在理论上几乎可以与所有经济结果相关联，结论因而“放之四海而皆准”，却难以提供具体而有针对性的理论或政策启发。其四，中介逻辑脱离具体研究情境。同一主题在不同制度环境或数据样本下可能产生不同结果，但所采用的中介变量却无法对此给出有区分力的解释，削弱了与既有文献的对话能力，进而削弱了研究的外部有效性。
“万能中介”现象，正是上述问题在研究实践中的集中体现。在这些情形下，中介分析并未实质性地深化对因果关系的理解，而更多只是为既有的统计相关性提供了一种看似合理的解释外壳。从模型功能的角度看，“万能中介”是对叙事约束压力的一种消极应对：当研究设计本身不足以支撑更为细致的因果链条讨论时，中介变量便被赋予润滑叙事的功能。
（五）中国情境的特殊挑战
上述模型功能过载的表征之所以在中国经验研究中表现得尤为突出，一个重要原因在于，许多中国本土的重大经济与社会问题往往并非沿着单一、稳定的因果通道运作，而是嵌套于多重制度安排与政策组合之中。在这类情境下，模型化研究往往需要对研究对象进行较强的结构性简化，以满足可识别与可检验的要求。这种简化在技术上具有必要性，但也意味着研究在刻画现实复杂性时不可避免地面临取舍。
例如，中国政策评估面临的一个重要挑战，是政策过程的“可变性”，即政策从制定到落实往往不是可以直接映射为单一处理变量的制度安排，而更像一个不断调整、不完全可预期的过程。这种可变性至少体现在四个层面，而每一层都对应模型化中的一个现实难题。第一，政策执行口径的调整。同一政策在不同地区或不同阶段，其覆盖对象、执行强度与附加条件可能发生变化。这意味着处理并非同质，稳定单位处理值假设这一因果推断的基本假设可能被违背。第二，政策工具组合及其权重的调整。政策往往以工具组合包的形式出现，在实施过程中，某些工具被强化，而某些被弱化甚至搁置，从而使结果难以被清晰解释为某一单一工具的效应。第三，政策目标侧重点的转移（例如从增长优先转向风险控制）。政策的“意图函数”本身随时间变化，这一方面削弱了外生性假设，另一方面也可能被误读为政策效果的动态不一致。第四，政策执行中的非正式调整。地方政府可能通过行政协调、选择性执行或变通解释等方式应对政策指令。这些调整通常不可观测、难以量化，却会系统性影响结果。
当研究为了满足模型化的要求，逐渐向制度边界清晰、政策变化明确、效应便于估计的议题集中，而对过程性更强、整体性更高但同样重要的问题保持距离时，模型化所提供的便不仅是分析工具，也可能反过来对研究形成内生限制，从而压缩新的问题意识与理论突破出现的空间。
然而，正因为中国问题巨大而复杂，对精确性的要求才更不能退让。挑战在于，能否在保持大问题意识的同时，对识别条件、证据边界与推断强度保持清醒自觉。精确性不是思想创新的对立面，而是创新得以被认真对待、持续检验并最终沉淀为可靠知识的前提。
三、如何避免模型功能过载
避免模型功能过载，并不意味着减少模型使用，其核心含义在于实现更为精确的模型化。
首先，避免“识别装置”功能过载，不是否认识别的重要性，而是对识别提出更高要求。研究者有责任清楚说明：被识别出来的因果关系，与原本所关心的现实问题之间存在何种差距；研究所识别的因果效应，究竟对应的是某一政策工具的边际效应、某一外生冲击的局部影响，还是某种更宏观制度安排的总体效果。针对局部情境的研究设计，要特别关注识别在多大程度上依赖于特定的制度细节或情境前提，从而影响结论外推的合理性；而试图刻画总体性制度作用的研究设计，则有必要更加系统地考虑异质性与溢出效应。
其次，避免“事实筛选器”功能过载，不是要鼓励宏大叙事或包罗万象的研究，而是要求研究者对事实筛选所带来的后果保持清楚认识。纳入分析的变量是否真正反映了研究议题中最关键的面向？所构造的指标是否能够恰当地刻画其所声称代表的经济含义？样本的特征会如何影响模型结论的外推？这不仅要求研究者反思哪些维度被纳入、哪些被排除，也要求对这种取舍本身给出可信的理由：是基于明确的理论动机、既有经验证据，还是仅仅出于数据可得性或技术便利性？当关键维度因不可量化或难以建模而被排除时，研究者有必要说明，这种排除在多大程度上可能改变对结果的经济解释和对因果关系的整体理解，而非将其默认为无关紧要的背景条件。
最后，避免“叙事约束”功能过载，不是要打破模型对叙事的组织作用，而是要清晰地区分不同强度、不同证据基础的叙事层次。研究中有必要区分三类内容：已经被数据直接支持的关系；在合理假设下对结论的外推；尚未被验证、但在理论上具有启发意义的猜想。将不同层级的判断混合呈现，往往并不会增强论文的说服力，反而模糊结论的证据基础。例如，在讨论结果的经济含义时，应当将模型所支持的经验关系，与基于这些关系展开的成本—收益比较或政策权衡讨论加以区分，后者通常需要结合制度背景、既有研究与补充性事实进行综合判断，而不应被理解为模型本身已经给出的结论。又如，在涉及机制解释时，用于刻画中间机制的变量本身往往难以满足严格的外生性要求，其作用更多在于帮助理解因果关系的传导路径，而非构成因果链条中已经被识别的环节，因此应避免为了强化叙事，而将其提升为与主要因果结论同等强度的证据。
陆文强调，恰当的中国经济模型需要充分纳入大国治理与经济转型等制度特征，避免生搬硬套既有模型而忽略关键制度背景。这一主张指明了方向，但如何在经验研究中将其落地为可操作的策略，仍有待进一步讨论。
沿着避免模型功能过载这一分析思路，在中国问题研究中，精确模型化更为可行的路径，可能并不是试图在单一模型中同时刻画多重制度逻辑，而是优先围绕某一相对具体的关系或制度环节开展建模，在研究对象范围较为收敛的前提下形成相对可靠的识别与刻画。这类研究的价值，并不在于给出关于中国制度整体如何运作的总体性判断，而在于逐步积累关于不同具体关系如何发挥作用的经验证据。
与此同时，也应当鼓励对复杂情境开展探索性研究，通过描述性事实、比较案例分析或概念性框架，系统呈现制度运行中的若干重要现象与可能机制。这类研究的重要作用，并不在于直接给出可验证的因果结论，而在于帮助研究共同体逐步形成认识：哪些关系值得重点关注，哪些判断在不同研究中反复出现并指向相近的结论，哪些现象只是零散或情境依赖的。
当这类经验性与探索性认识逐渐积累之后，其意义不只是补充背景材料，而是可以反过来对模型设定本身产生校正作用。例如，促使研究者重新审视：既有模型中所关注的因果关系是否真正对应那些被反复观察到的核心现象，哪些制度细节可能会威胁到既定的识别假设，哪些机制假说缺乏经验支撑，以及哪些异质性可能构成政策效果外推的关键条件。通过这种方式，模型化不再是对复杂现实的先验简化，而是建立在经验积累基础上的二次抽象。
余论：始知真放在精微
苏轼在论画时，曾以吴道子为例反思“豪放”的真正含义。面对吴道子恢宏奔放的笔势，苏轼并未将其理解为纵笔恣意、脱离法度的即兴挥洒，而是意识到：所谓“豪放”，并非以牺牲精确为代价的放任，而是一种建立在极端精细把握之上的从容展开。因此，苏轼提出了“始知真放在精微”的判断——真正令人震撼的，并不是表面的宏大气势，而是在巨大气象之中，仍能安放最细微之处的能力。豪放并不排斥精微，恰恰相反，它以精微为前提。
这一论画经验，与本文对经济学经验研究模型化的讨论高度契合。真正经得起时间检验的学术成果，从来不是以研究尺度或问题复杂性为理由，对精确性作出暂时搁置；相反，越是面对复杂的现实问题，越需要在每一个关键环节上经得起最严格的检验。
本文指出，模型在经验研究中同时承担识别装置、事实筛选器与叙事约束等多重功能。当这些功能被清楚区分并审慎使用时，模型化不仅不会压缩研究视野，反而能够在保持技术严格性的同时，容纳更复杂的现实理解；而当这些功能发生过载时，模型的精致性则可能遮蔽其分析能力的边界，使研究仅具有形式上的完整性，却在实质上扭曲了对问题的理解。正是在这一意义上，“始知真放在精微”不仅是一种艺术判断，也可以被理解为一种社会科学的方法论提醒。
〔本文注释内容略〕
江艇，中国人民大学经济学院副教授（北京 100872）。
来源：《中国社会科学》2026年第4期P185—P195
