实际上大家应当知道，刚入学时那种“全知全能”的松弛感，实际上贼快就被现实磨平了。 我第一个体会到这个感受的，是作为经济学大学院生的那种“被针对”。
不是被教职、被课题，而是直接被那些看似无涉但偏偏就撞在一起的信息点给点脸。
比方说，一个刚进组的新人，突然被导师扔过来一个彻底不在本课题组研究方向的 F1 数据，说是要做敏感性分析，结局这个数据本身就在最新的 OECD report 里已经被证伪了，就连说是“噪声极大，可信度存疑”。
这时候你心里肯定在想：这导师是不是在搞啥“新瓶装旧酒”的整活？那段工夫我最大的情绪不是来气，而是一种对“学术流水线”的累得慌感。
这种累得慌感，挺大程度上是出于我不得不时刻警惕自己会不会出于忒想搞出“深奥理论”而被这种琐碎的行政效率拖垮。 说到具体的学术压力，最让我难受的就是那种“不得不硬凑”的感觉。
比如之前有个课题关于老龄化经济，我本来想深入挖掘劳动力市场的摩擦成本，结局导师突然说，“目前日本企业家的闲暇边际效用忒低了，劳动力供给弹性简直为零，故此我们要用‘人口寿命延长’这个宏观变量来替代微观的摩擦成本分析，快，把你的企业survey 数据换一下”。我自然知道这不对，劳动力市场确实存有摩擦，但我学生时代的训练告诉我，宏观数据能解释现象，微观数据还能解释机制。你在论文里写“老龄化害得劳动力供给增添”，这是没错的；但你要是突然把"skilled labor"和"unskilled labor"这两块细分彻底抹掉，只谈"total labor force participation rate"，结局论文答辩时评审老师一查数据，发现你这局部的弹性系数简直是零，整篇论文的“内生性”和“微观机制”就废了。
那种时候，我就在想，是不是学术界确实只剩下“宏大于微观”的简化主义了？自然不是为了贬低，出于在这种高压下，为了过审，有时候不得不牺牲一点“学术纯度”。 但真正的痛苦在于那种“技术官僚”式的行政流程。作为经济学大学院生，你时常要在没有研究经费、没有核心数据的情况下，自己去跑那些“表外数据”要么“补充问卷”。
比方说，一个关于“女性进入职场”的选题，你本来能够深入访谈管理层要么追踪某家大财阀的招聘数据，结局导师直接让你去下载统计局的“社保缴纳人数”要么“失业保险金领取人数”这些彻底不对应的指标，让你去做回归分析。
这种时候，你不是在研究经济，你是在像个数据搬运工一样，从一个 Excel 表跳到另一个 Excel 表，还要在导师的催促下，强行把这两个毫无逻辑的数据点拼凑成一个“故事”。
那种时候，我就连质疑，是不是我们整个经济学教育里，忒强调模型的完美拟合，以至于忽略了数据本身的“毛刺”和“噪音”。当你在论文里把一堆凌乱无章的统计结局强行归类到“结构性失衡”、“人力资本红利”这些漂亮的大约念里时，实际上你只是在玩一种“学术魔术”。你骗评审老师信任数据之间有因果关系，但你心里清楚，这俩数据之间可能只有纯粹的共线性。 这种“被针对”的感觉，实际上渗透在我的生活里。
比如有一次去线下研讨会，听说隔壁学院有人用“最低工资标准”和“区域发展差距”这两个指标去讲“收入不平等”，结局我论文里分析的那个模型，发现这两个变量在回归里是高度相关的，就连就连能够说是“互为因果”。我当时就有点哭笑不得。作为经济学人，我们讲究的是内生性、工具变量、动态面板，是你得解释变量，还是解释变量解释了你。你突然拿这两个毫无逻辑的宏观指标来硬套微观微观的数据，结局发出了“数据毛病”的提示。
那一刻，我不仅没认定自己牛逼，反而认定自己像个被算法判定黄了的实习生。
这种时候，我有时候会想，是不是未来这个专业只剩下“用各种怪的变量去强行解释各种怪象”了？ 自然，我也得承认，这种“被针对”背后，也藏着某种无奈。
毕竟，在资源有限的情况下，导师可能确实找不到一个完美的数据源，只能拉几个相关的宏观指标来凑。在这种情况下，或许所谓的“宏观拍板论”就是最务实的解法。别看这看起来有点“肤浅”，但在这种高压环境下，它能帮你快速通过初筛，拿到入场券。
毕竟，哪位能笑到最终，哪位才能活下来？那些愿意在数据清洗、问卷设计、文献上花几个月工夫去打磨“微观机制”的人，往往最终都活不下来。 故此，当我们站在学术圈的边缘，看着满篇“结构性失衡”、“人力资本红利”的时候，不妨多问问自己：我们究竟是在探索经济规律，还是在玩一种“数据拼凑”的游戏？这种游戏，往往比真正的经济规律要有趣得多，也更像是在一场没有终点的“生存游戏”里，不断刷新的“任务列表”。
毕竟，在这个环境下，能写出“动力学解释”的人，可能确实只是那极少数幸存者。