چسبندگی در پیش‌بینی کارشناسان

فیلیپ تدلاک (Philip E. Tetlock)، استاد دانشکده وارتون (Wharton School) در کتاب معروف خود با عنوان «قضاوت سیاسی کارشناس: چقدر درست است؟ چگونه بفهمیم؟»

(Expert Political Judgment: How Good Is It How Can We Know) نشان می‌دهد پیش‌بینی‌هایی که براساس قضاوت‌های کارشناس انجام می‌شود، نتایجی بهتر از انتخاب تصادفی میان گزینه‌ها به‌همراه ندارد. در همین ابتدا لازم است اشاره کرد که دو نوع پیش‌بینی وجود دارد. دسته نخست که فراوانی بیشتری دارد و به‌وفور آنها را در روزنامه‌ها، خبرگزاری‌ها و شبکه‌های اجتماعی می‌بینیم، پیش‌بینی قضاوتی (Judgmental Forecasting) است. در این نوع پیش‌بینی کارشناس ممکن است از آمار کمک بگیرد، اما بیشتر براساس احساس و برداشت‌های شخصی خود نتیجه‌گیری می‌کند. گونه دوم که بر مدل‌سازی ریاضی و آماری استوار است و در آن تلاش می‌شود تا از قضاوت‌های شخصی پرهیز شود، پیش‌بینی آماری (StatisticalForecasting) نام دارد. این نوع پیش‌بینی را بیشتر در پژوهش‌های علمی یا تحلیلگران یک شرکت می‌بینیم که البته در مورد تحلیلگران مطمئن هستیم که علاقه‌ای به انتشار یافته‌های خود در سطح عمومی ندارند. حال سوال این است که چه دلایلی باعث می‌شود تا کارشناسان در پیش‌بینی خود خطا کنند؟ برای تصمیم‌گیری درست چه باید کرد؟ برای پاسخ به سوال اول می‌توان دلایل را به دو دسته تکنیکی و شناختی تقسیم کرد. جنبه تکنیکی مربوط به ناشناخته‌های علم پیش‌بینی است که هنوز محققان پاسخ قطعی برای برخی سوالاتشان پیدا نکرده‌اند. این ابهامات شامل پیش‌بینی قضاوتی و آماری می‌شود و می‌تواند فرد را در مدل‌سازی‌های ریاضی و آماری یا ایجاد یک مدل ذهنی به خطا بیندازد. از جمله دلایل تکنیکی می‌توان موارد زیر را نام برد:

 پیش‌بینی در شرایط ناپایدار و وقوع اتفاقات غیرمنتظره

به‌عنوان مثال رکود اقتصادی بزرگ سال ۲۰۰۸ را در نظر بگیرید. در پایان دسامبر ۲۰۰۷، نشریه بیزنس ویک (BusinessWeek) گزارش داد که از هر ۳۴ پیش‌بینی‌کننده، فقط ۲ نفر توانسته‌اند چنین مصیبتی را پیش‌بینی کنند. حتی وقتی علائم رکود اقتصادی آشکارتر شد، لری کودلو (Larry Kudlow)، تحلیلگر مالی و مدیر شورای اقتصاد ملی (National Economic Council) دولت ترامپ اصرار داشت که هیچ رکودی وجود ندارد. همچنین کمیته بازار آزاد فدرال (Federal Open Market Committee) نتوانست رکود اقتصادی سال ۲۰۰۸ را پیش‌بینی کند. جالب است که پس از رکود، اکثر تحلیلگران اقتصادی که قربانی عقاید خود شده بودند، توانستند توضیحات دقیقی برای رکود ارائه دهند. ماکریداکیس (Makridakis) و همکارانش در پژوهش خود که اخیرا منتشر شده است، بیان می‌کنند در حالی‌که چند کارشناس واقعا رکود بزرگ را پیش‌بینی کردند و توانستند به مقام قداست برسند، اما همین موهبت باعث نشد تا قادر به پیش‌بینی حوادث غیرمنتظره پیش‌رو باشند؛ گویی هدیه الهی آنها یک‌شبه از بین رفت. نسیم نیکلاس طالب (Nassim Nicholas Taleb) در کتاب معروف خود با عنوان قوی سیاه (The Black Swan) این پدیده‌ها را مانند احتمال مشاهده شدن قوی‌سیاه برای افراد جامعه و کارشناسان می‌داند؛ پدیده‌هایی که علم پیش‌بینی برای شناخت آنها هنوز جوان به‌حساب می‌آید.

 شناخت علیت

آیا بورس علت تورم است یا معلول آن؟ روی سهام صنعت «الف» یا شرکت «ب» چه عواملی اثر می‌گذارد؟ با وجود اینکه تلاش می‌کنیم تا به این سوالات و موارد مشابه پاسخ دهیم، اما در بسیاری موارد یافتن پاسخ دقیق ناممکن است. تخمین همبستگی آماری بین دو متغیر درباره رابطه علت و معلولی بین آنها چیز کمی به ما می‌گوید. ارتباط آنها ممکن است به‌دلیل یک متغیر اضافی، نیروهای ناشناخته یا حتی شانس باشد. در دنیای واقعی، متغیرهای موثر بسیار زیادی هستند که ارزیابی تاثیرات آنها با استفاده از روش‌های آماری دشوار است. روابط می‌توانند تغییر کنند به‌گونه‌ای که نیاز باشد تا عوامل دیگری مورد‌نظر قرار بگیرد. حتی آزمایش‌های کنترل‌شده تصادفی (RCT) که مدتی است در حوزه اقتصاد و مالی استفاده می‌شوند، بدون خطا نیستند، زیرا در اکثر موارد، افراد در محیط طبیعی خود بررسی نمی‌شوند.

پیش‌بینی همواره در محیطی با دسترسی کامل به اطلاعات و بدون محدودیت زمانی اتفاق نمی‌افتد، به همین دلیل تصمیمات پس از پردازش تمامی اطلاعات اتخاذ نمی‌شود، موضوعی که برخلاف نظریه کلاسیک عقلانیت، توسط هربرت سایمون (Herbert A. Simon) در سال ۱۹۷۲ و با عنوان عقلانیت (BoundedRationality) محدود مطرح شد. حال به این موضوع احساسات و باورهای شخصی را نیز اضافه کنید. در نتیجه دسته دوم دلایلی که درستی پیش‌بینی را زیرسوال می‌برند، تورش‌هایی هستند که ریشه در چنین محدودیت‌هایی دارند. به این تورش‌ها خطاهای شناختی (Cognitive Biases) گفته می‌شود. این نوع خطاها بیشتر روی پیش‌بینی قضاوتی موثر است، هر چند که در روش آماری نیز می‌تواند رخ دهد، زیرا انتخاب مدل درست پیش‌بینی نیز برپایه قضاوت است. فهرست بلندی از خطاهای شناختی می‌توان نام برد، اما به تعداد محدودی از آنها که بیشتر متخصصان را به دام می‌اندازند اشاره می‌شود.

 لنگر انداختن (Anchoring)

آموس تورسکی (Amos Tversky) در آزمایشی از شرکت‌کنندگان خواست گردونه شانس را بچرخانند. سپس از آنها سوال کرد که سازمان ملل متحد چند عضو دارد. بزرگ‌ترین اعداد مربوط به افرادی بود که گردونه شانس به آنها عدد بزرگ‌تری را نشان داد. در واقع ذهن ما می‌تواند مانند کشتی باشد که بر کف اقیانوس لنگر می‌اندازد. در این صورت پیش‌بینی‌های ما حول نقطه‌ای محدود می‌گردند که نقطه مرجع (Reference Point) نام دارد. در مثال گردونه شانس، اعدادی که از گردونه خارج می‌شد نقطه مرجعی برای شرکت‌کننده بود. در نتیجه پاسخ او به سوال بعد در مورد تعداد اعضای سازمان ملل نزدیک به گردونه شانس بود. در نتیجه پاسخ ما به این سوال که پیش‌بینی ما از رشد بورس چیست؟ به وضعیت آن در امروز بستگی دارد و همان‌طور که در ابتدای این مطلب اشاره شد، پاسخ بسیاری از کارشناسان ادامه رشد مثبت بود. هر چند که با گذر زمان به‌نظر می‌آید، اثر لنگر درحال کاهش است و کارشناسان بیشتری پیش‌بینی‌های منفی اعلام کردند.

 خطای تایید (Confirmation Bias)

پتر کاتکارت ویسن (Peter Cathcart Wason) استاد فقید کالج لندن در سال ۱۹۶۰ طی آزمایشی از دانشجویان خود خواست تا یک قاعده برای دنباله اعداد ۲، ۴ و ۶ پیدا کنند. آنها اعداد ۸، ۱۰ و ۱۲ را پیشنهاد دادند که پذیرفته شد. در نتیجه آنها رابطه را «عدد قبل به اضافه ۲» بیان کردند که پذیرفته نشد. تا اینکه یکی از شرکت‌کنندگان با آزمودن اعداد مختلف رابطه را کشف کرد: هر عددی بزرگ‌تر از عدد قبل! افراد شرکت‌کننده در آزمون اصرار داشتند رابطه مطابق با فرضیه آنها از دنباله اعداد موجود باشد؛ یعنی حتما عدد بعدی باید زوج باشد یا باید به اضافه دو شود. در پیش‌بینی نیز کارشناسان می‌توانند دچار چنین خطایی شوند. هنگامی که اصرار داریم که سهم «الف» ارزنده است یا بورس تنها مامن برای سرمایه‌گذاری است. وارن بافت در نشست سالانه برکشایر هاتاوی (Berkshire Hathaway) در سال ۲۰۰۲ گفت: «آنچه که انسان‌ها در انجام آن بهترین هستند، این است که اطلاعات جدید را طوری تفسیر کنند که نتایج قبلی بدون تغییر بماند».

 خطای خوش‌بینی (Optimism Bias)

در این روز‌ها جملاتی مانند «در هفته جاری بازار باز خواهد گشت»، «این اصلاح موقتی است»، «آنهایی که می‌مانند برنده هستند» و ... را بسیار می‌شنویم. همان‌طور که آمار ابتدای این نوشتار نشان می‌دهد با وجود تداوم روند منفی بورس اکثر کارشناسان پیش‌بینی مثبتی از بازار داشتند. واقعیت این است که بیشتر ما نسبت به اتفاقات اطراف خود خوش‌بین هستیم. تالی شاروت (Tali Sharot)، استاد کالج لندن در بررسی خود نشان می‌دهد که حدود ۸۰ درصد افراد جوامع در معرض خطای خوش‌بینی هستند.

در پایان بپردازیم به سوال دوم که برای تصمیم‌گیری درست چه باید کرد؟

در مقام کارشناس می‌توان گفت که استراتژی، اثربخش ارائه پیش‌بینی براساس ترکیبی از روش‌های قضاوتی و آماری است. همچنین لازم است برای ارائه پیش‌بینی به راحتی از کنار اطلاعاتی که فکر می‌کنیم پرت و خارج از محدوده (Outlier) است عبور نکنیم. تلاش کنیم کمی خارج از چارچوب گذشته فکر کنیم و سناریو‌های بدبینانه را مرور کنیم.

در مقام کسی که به پیش‌بینی کارشناسان برای تصمیم‌گیری توجه می‌کنیم، پیشنهاد می‌شود نظرات مختلف را بشنویم و براساس آن تصمیم بگیریم. کارشناسی که پیش‌بینی‌های او خلاف مسیر رودخانه است می‌تواند پیام‌آور صلح باشد.