محک پایان‌نامه‌های دانشجویی

ابهام همیشگی من در بررسی این پایان‌نامه‌ها که ناچارم حداقل کلیات مدل‌ها و آماره‌های آنها را دریابم، و درک عمیق‌تر و قضاوت در مورد صحت‌وسقم پژوهش‌های انجام شده از نظر آمار و ریاضیات را به اعضای اقتصادسنج و اقتصاددانان ریاضی تیم داوری واگذار کنم، آن است که آیا دانشجوی پژوهشگر تا حد لازم به این مباحث تسلط دارد؟ البته، احاطه به روش‌های آماری تنها بخشی از موضوع است؛ مهم‌تر آن است که دانشجو بتواند از اقتصادسنجی برای هدایت و تفسیر مطالعات تجربی روی داده‌های اقتصادی به‌درستی استفاده کند.

همه نظریه‌های اقتصاد مالی بر شالوده مدل‌های ریاضی بنا شده‌اند: نظریه‌های تعادلی به دنبال تعیین نقطه‌های ثابت معینی هستند و دیگر مدل‌ها بحث بهینه‌سازی را دنبال می‌کنند. اما، اقتصادسنجی کار دیگری می‌کند؛ از آمار برای تحلیل داده‌های اقتصادی کمک می‌گیرد؛ یعنی، تکنیک‌های آماری به خدمت اقتصاد می‌آیند. برای حل مسائل آزمون و تخمین هم از اقتصادسنجی کمک می‌گیریم، و البته اقتصادسنجی بیشتر با داده‌های واقعی سروکار دارد.

در جریان بررسی این پایان‌نامه‌ها، توجه من به‌ویژه به دو موضوع جلب می‌شود: پژوهشگران تا چه حد نقادانه و صحیح از مدل‌ها استفاده می‌کنند و آیا دقیقا می‌دانند که در سپهر کدام نظریه اقتصاد ریاضی یا کدام مدل اقتصادسنجی‌اند؟ دانشجویان با استفاده از داده‌های مالی مشاهده‌شده تلاش می‌کنند به شکل نظام‌مند، پدیده‌های اقتصاد مالی را مطالعه کرده و توضیح دهند، و چنین است که از اقتصادسنجی به شکل وسیعی استفاده می‌کنند.  البته، هر جا آنان از داده‌های بازارهای مالی استفاده می‌کنند، وارد حوزه تخصصی‌تری شده و از اقتصادسنجی مالی استفاده می‌کنند. طبعا همه این دانشجویان اقتصادسنج نیستند که از آنان توقع داشته باشیم به آماردانان و ریاضیدانان قابلی بدل شوند و همزمان نظریه اقتصادی را هم بفهمند. اما بدون درک حداقلی از نظریه اقتصادی، داده‌های اقتصادی و روش‌های آماری، این دانشجویان نمی‌توانند پایان‌نامه‌های خود را کامل کنند. آنان دائما به دنبال آزمون کردن هستند، اما نگرانی من در بررسی کارشان این است که آیا آنان الگوهایی را می‌فهمند که با آنها آزمون می‌کنند، آیا به‌طور کامل از صحت داده‌هایی اطمینان دارند که با آنها کار می‌کنند و آیا به یافته‌های گذشته در این عرصه‌ها تسلط دارند.

احساس من آن است که غالبا در هر سه حوزه، دانش دانشجویان محدود و نسبتا سطحی است. هم دانش عمیقی از مدل‌ها ندارند، هم داده‌هایشان با خطا اندازه‌گیری شده، و هم مطالعات مشابه گذشته را به‌دقت نخوانده‌اند.

به نظرم، بسیاری از دانشجویان در جمع‌بندی از داده‌ها انتظارات نامعقولی دارند و ساده‌انگارانه با این داده‌های ناقص برخورد می‌کنند. به علاوه، تعداد زیادی متغیر بر پیکره مدل‌های خود می‌پوشانند و امیدوارند با این شولا، با تعداد اندکی داده، به سطوح معناداری از نتیجه‌گیری برسند.

وقتی به تجربه‌های اواخر دهه ۷۰ میلادی خودم مراجعه می‌کنم، روزهایی را به خاطر می‌آورم که به کتابخانه دانشگاه منچستر می‌رفتم تا مالامال از شوق توامان با زجر، کتاب‌های نوآورانه و درهم‌‌باف یان تینبرگن، جان فون نویمان و اسکار مورگن‌اشترن را عاریه گیرم و از فرضیه انتظارات عقلایی و نظریه بازی‌ها سردرآورم. تا آن زمان هنوز بحثی از ‌«اقتصادسنجی» در میان نبود؛ دانشجویان اقتصاد کشورهای در حال توسعه، تازه مکتب اقتصاد ریاضی ساموئلسون را درک کرده بودند.

 من هم دو جلد ترجمه فارسی کتاب درسی او را در دوره کارشناسی خوانده بودم که حاصل تلاش دکتر پیرنیا بود. آن روزها به دنبال چه بودم؟ طبعا با ریاضیات ضعیف خودم از مباحث گردونسایی چون آنالیز تابعی، توپولوژی یا نظریه ارگودیک فون نویمان هیچ سردرنمی‌آورم.

 شاید با طلب آن کتاب‌ها از کتابدار دانشگاه، صرفا از این سطح نازل موضوع را دنبال می‌کردم که ریاضیات به اقتصاددانان اجازه داده بود حرف‌هایشان را جمع‌وجورتر و با ساخت مدل‌هایی بیان کنند که قدرت پیش‌بینی داشت. در همین حد ساده موضوع را دنبال می‌کردم که از بیان توصیفی اقتصاد فاصله می‌گیرم و می‌توانم مدلسازی اقتصادی کنم.

حداکثر از اقتصاد ریاضی توصیف بهتر رشد اقتصادی، مسائل بهینه‌سازی و ماکزیمم کردن مطلوبیت را می‌فهمیدم.

توهمی نداشتم که با این مدل‌ها بشود از پوچ جهان حقایقی را ساخت یا نتیجه گرفت. البته اقرار می‌کنم که به‌هیچ‌وجه، جزئیات ریاضی کتاب کلاسیک نویمان و مورگن‌اشترن در نظریه بازی‌ها را درنمی‌یافتم.

هر چند می‌پذیریم که دانشجویان امروز با دانش ریاضیات بالاتر خود، مهارت‌های اقتصادسنجی و کامپیوتری کافی برای تدوین الگوهای پیچیده و غیرخطی در حوزه مالی را دارند، و کمی‌سازی آنان را ارج می‌نهم، اما احساس می‌کنم که برای تحلیل داده‌های اقتصادی، بسیاری از آنان مهارت‌های ترکیب، تفسیر و بررسی تجربی را ندارند. به‌علاوه مطمئن نیستم تا چه حد، یافته‌های آنان در سیاست‌های اقتصادی بخش عمومی و خصوصی تاثیر دارد. این دانشجویان از این قابلیت کمتر برخوردارند که مجموعه درستی از فرض‌های کاملا روشن و واقعی فراهم آورند و از داده‌های در دسترس به شکل بهینه برای اثبات آن فرض‌ها استفاده کنند.

آنان دست‌ودلبازانه از متغیرهای جایگزین به جای متغیرهای غیرقابل اندازه‌گیری استفاده می‌کنند و با جسارت تمام از داده‌هایشان جمع بندی کرده و نتایج تعمیم‌یافته‌ای می‌گیرند.

این دانشجویان حتی گاهی برای جبران ضعف داده‌های خود، از مدل‌ها و روش‌های پیچیده‌تر و به‌زعم خود پیشرفته‌تری استفاده می‌کنند.

دانشجویانی که من پژوهش‌هایشان را می‌خوانم، طبعا کمتر به تدوین فرمول ریاضی از نظریه‌های اقتصادی می‌پردازند؛ به بیان دیگر، در کار توسعه نظریه یا الگو نیستند، بلکه بیشتر از روش‌های آماری استفاده می‌کنند تا داده‌های لازم را برای مطالعات تجربی فراهم کنند، تا چیزی را اندازه‌گیری کنند یا صحت و درجه کاربست مدل خاصی را آزمون کنند. اگر دانشجویان به آن فعالیت اول می‌پرداختند، نتیجه می‌گرفتم که در حال توسعه نظریه اقتصاد ریاضی هستند. اما اکثر دانشجویان ایرانی مسیر مطالعات تجربی را مسیر کوتاه‌تری برای فارغ‌التحصیلی می‌یابند.  بی‌شک اقتصادسنجی نقش برجسته‌ای در توسعه اقتصاد به مثابه یک رشته علمی ایفا کرده است. از تجربه دهه ۷۰ میلادی خودم نیز نتیجه می‌گیرم که اقتصادسنجی در تبدیل علم مالی از یک رشته توصیفی محدود به یک حوزه وسیع مشتمل بر نظریه‌ها و مدل‌های پیچیده و در عین حال به‌درد بخور نقش داشته است. به ما در آن سال‌ها هنوز کسی نظریه ساختار سرمایه، مدیریت سبد یا مدل‌های سنجش ریسک درس نمی‌داد. «مالی» کم‌وبیش مثل رشته «حقوق» تدریس می‌شد.

هنوز بحث‌های مالی کمّی خیلی از محاسبه ارزش فعلی فراتر نمی‌رفت. پس ریاضیات و آمار اقتصادسنجی به داد این رشته رسید و اقتصاد مالی را در راه بی‌برگشت جدیدی قرار داد. اما پایان‌نامه‌نویس‌های ما در دانشگاه نباید از محدودیت‌های مهم اقتصادسنجی نیز غافل باشند.

غیر از کاستی‌های نظریه اقتصادی، مشکل داده‌های اقتصادی نیز بسیار جدی است. با داده‌ها تقریبا هر کار بی‌سروتهی را می‌شود انجام داد؛ «تا جنون فاصله‌ای نیست از این جا که منم.» دانشجویان باید فرابگیرند که نمی‌توان مدل‌های اقتصادی را با قاطعیت به کمک روش‌های اقتصادسنجی رد کرده یا پذیرفت. تلاش برای آزمون فرضیه‌ها و تدوین مدل‌ها کاری مناسب است و امکان مقایسه با فرضیه‌های رقیب را فراهم می‌آورد، اما توجه به کاستی‌های ابزاری که در اختیار داریم نیز ضرورت دارد. از این‌رو، ولنگارانه نمی‌شود با داده‌های محدودی به جمع‌بندی‌های بزرگ و تعمیم نتایج پرداخت. اقتصادسنجی به ما امکان آن را نمی‌دهد که به اصطلاح همشهری‌های شمالی کشورمان با داده‌ها لاس بیدمشکی بزنیم.

 امکانات محاسباتی فرصتی برای استفاده بیشتر از داده‌هاست و استفاده از الگوهای اقتصادسنجی ساده شده است. اما، کمی‌سازی که اکنون در پژوهش‌های دانشگاهی «قاعده» تلقی می‌شود، الزاماتی دارد که دانشجویان باید به آنها مجهز شوند: مهارت‌های آماری و ریاضی، مهارت‌های محاسباتی، نحوه کار با داده‌های بزرگ، توان تفسیر مطالعات تجربی و تسلط نسبی بر روش‌های تحقیق.