科學的能與不能：科學的方法、侷限與迷思，兼論人文的價值
第二部 人體與人群的科學
相關性≠因果關係
9 臨床醫學：半是藝術，半是科學
威廉‧奧斯勒（William Osler）被尊為現代臨床醫學之父，他有兩句名言至今仍被醫學界廣泛傳述：「醫學是不確定性的科學，也是或然率的藝術。」「醫學的實踐是種藝術，它的基礎是科學。」
醫學界對人體與藥物的認識依舊不足，診斷所能仰賴的工具和所獲得的資訊又不夠精確、充足，而病人對療程的反應又有可觀的個人性差異和不可預測性，以至於臨床診斷的常態是處於高度的不確定性中。面對這些事實，醫師和病人都要能耐心地持續忍受不確定性，才有機會在反覆調整的診斷與治療過程中逐漸降低不確定性，從而持續提升診斷與治療的可靠性。
醫學是以生物學、生理學、藥理學等嚴格的自然科學為本，然而影響人體的因素繁多且機制複雜，而完整的證據蒐集又困難，因而在重大的醫療問題上不同的研究者所獲得的證據和結論不時相左，而導致專家的意見壁壘分明且爭議極端激烈。再加上不同個體對相同療程的反應不盡相同，甚至差異懸殊，以至於臨床的判斷更含著相當高的不確定性。
最佳的食鹽攝取量到底是多少：鈉與心血管疾病的爭議
1. 國際組織的初步建議（1980年代）
- 世界衛生組織（WHO，1985年）： 建議每人每日食鹽攝取量不超過 5 公克（折合鈉攝取量 2 公克以下）。
- 實證支持（1988年）： 一項針對 32 個國家、10 萬人的全球聯手研究證實，血壓與尿液中的鈉含量（以及鈉鉀比）呈現明顯的正相關。
- 現實落差： 2010 年調查找出全球絕大多數國家的人均鹽攝取量高達 10 公克，顯見多數國家的飲食習慣遠高於此標準。
2. 質疑與醫學界的觀點分歧（1980~2010年代初）
隨著減鹽政策推行，部分科學家對「全面大幅減鹽」提出警訊，導致醫學界出現長達數十年的對立：
- 生理機制的矛盾： 國際高血壓學會前會長麥可‧愛德盟（Michael H. Alderman）指出，大量減鹽雖能降血壓，但也可能刺激交感神經、降低胰島素敏感度、刺激醛固酮並激活腎素—血管收縮素系統。這些效應對心血管的最終總效應（利或弊）很難一概而論。
- 證據的衝突（2013年以前）： 當時的 13 項相關研究中，有 4 項認為鹽與疾病風險正相關、5 項認為無顯著關係、4 項反而認為呈負相關。
- 權威機構持保留意見（2013年）： 美國國家醫學學院（NAM）審查後發表結論，認為當時的既有證據尚不足以推論減鹽是否能降低心血管疾病的風險。
3. 「低鈉反而提高風險」的爭議與漏洞（2014~2016年）
- J形曲線假說（2014年）： 有研究宣稱，食鹽攝取量在 7 至 15 公克時心血管疾病風險最低，過高或過低都會增加風險。
- 研究漏洞的揭發（2016年）： 《新英格蘭醫學期刊》等論文指出，那些宣稱「鈉攝取過低會增加風險」的研究存在兩大錯誤：
- 倒果為因： 研究中所謂「低鈉族群」多半本來就是嚴重的慢性病患（如腎臟病），他們是因為生病才遵醫囑大幅減鹽，其心血管風險來自原發疾病，而非減鹽本身。
- 測量不當： 採取了不精確的方法來估算鈉鹽攝取量。
- 優質證據反駁： 另一項嚴謹追蹤尿液採檢的研究證實，鈉攝取量達到美國心臟學會標準（低於 2,300 毫克）的族群，心血管疾病發生率比一般人減少了 32%。
4. 終局共識：美國國家科學院與當前醫界觀點（2019年至今）
為徹底解決爭議，美國國家科學院「膳食營養素參考攝取量」委員會自 2017 年底起進行全面性嚴謹的綜合研判（Meta-analysis），並於 2019 年釋出極具權威性的結論：
- 2,300 毫克 ～ 4,100 毫克之間： 有充足且可靠的證據證實，鈉攝取量會明顯影響血壓與慢性病風險（愈高風險愈大）。
- 高於 4,100 毫克： 優質證據太少，無法做出可靠結論。
- 低於 2,300 毫克（約 5.75 克鹽）： 雖然數據上對血壓與疾病風險的下降影響變得比較不明顯，但這是因為既有研究方法難以完全排除干擾，不代表低鈉對身體沒有好處。
根據 2022 年多位學者共同發表的論文，目前醫學界已達成明確共識：將每日食鹽攝取量降至 5 公克以內（約合鈉 2,000 毫克），確實有助於將血壓控制在正常範圍，從而有效降低心血管的負擔。
膽固醇的爭議：不確定的科學與或然性的藝術
一、 起源與早期質疑（1900~1950年代）
- 動物實驗的矛盾（1908年）： 俄國病理學家阿尼奇科夫餵兔子吃大量膽固醇後導致其動脈硬化死亡。但隨後科學家在老鼠和狗身上實驗卻沒有得到相同結果，使醫界懷疑該結論只適用於草食動物，不適用於雜食或肉食的人類。
- 脂蛋白的發現（1950年代）： 高夫曼（John Gofman）分離出低密度脂蛋白（LDL），並指出其與動脈粥狀硬化有關；隨後凱斯（Ancel Keys）的跨國研究也指出高脂飲食與血清膽固醇濃度的統計相關性。
- 初步指引（1968年）： 美國心臟學會（AHA）首度採取防範措施，建議每日膽固醇攝取量不超過 300 毫克、每週不超過 3 顆蛋。
二、 血清膽固醇因果關係的確立（1970~1980年代）
- 機制釐清與實證（1970~1980年代）： 戈德斯坦與布朗釐清了 LDL 導致動脈硬化的細胞機制（獲諾貝爾獎）；同時，波士頓小鎮長達近 30 年的追蹤研究，正式確立了「好/壞膽固醇」對心血管風險的決定性影響。
- 藥物臨床試驗（1984年）： 美國國家衛生院（NIH）透過大型雙盲隨機對照試驗，證實服用降膽固醇藥物確實能有效降低 19% 的心血管疾病發生率。醫學界至此達成終極共識：必須控制血清中的膽固醇濃度。
三、 飲食膽固醇是否影響血清膽固醇？（核心爭議點）
雖然醫界同意「血清膽固醇高很危險」，但「吃進去的膽固醇（如雞蛋）會不會轉變成血液中的膽固醇」卻引發了長達數十年的尖銳對立。
1. 為什麼醫學界遲遲無法達成共識？
丹尼爾‧史坦伯格（Daniel Steinberg）指出兩大根本原因：
- 因果機制的複雜性： 導致動脈硬化的病因極多（糖尿病、高血壓、吸菸、基因等），且病程漫長。基礎醫學界過於謹慎，堅持要像物質科學那樣找到「必然」的直接因果證據，實則忽視了臨床醫學本就充滿因果交互影響的特質。
- 巨大的個體差異： 每個人攝食相同分量的膽固醇後，身體反應截然不同。這與個人的基因、腸道菌叢、總體膳食習慣（如是否搭配高纖蔬果）及生活習性（運動、吸菸）密切相關。如果研究設計沒控制好這些複雜變因，數據就會互相矛盾。
2.現代觀點（2010年代至今）
- 元兇是飽和脂肪（1997年後）： 越來越多嚴謹的大型綜合分析顯示，導致血液膽固醇飆高的元兇其實是「飽和脂肪」與「反式脂肪」，而非食物本身所含的膽固醇。
- 取消量化限制（2013~2015年）： 美國心臟學會與美國膳食指引諮詢委員會先後宣布，取消膳食膽固醇（及雞蛋）每日攝取上限的建議，理由是「既有證據無法確定飲食膽固醇會直接導致血清低密度膽固醇升高」。
- 現代飲食指引（2020年）： 醫學界不再糾結於計算單一食物（如一天能吃幾顆蛋）的膽固醇微克數，而是改為鼓勵採取「地中海飲食」等高纖低脂、營養均衡的整體膳食型態。
一波未平，一波又起：一天到底可以吃幾顆雞蛋？
1. 舊觀念（1968 年）
- 每週不超過 3 顆蛋： 早期因為發現雞蛋的膽固醇含量高（一顆尋常雞蛋約含 186 毫克的膽固醇），美國心臟學會（AHA）在一九六八年曾建議每日膽固醇攝取量應少於 300 毫克，因而限制每週雞蛋攝食量。
2. 觀念轉折與研究漏洞（1990 年代）
- 元凶是飽和脂肪： 隨後的大型研究與綜合分析發現，導致血液中「壞膽固醇」（低密度脂蛋白，LDL）飆高的元凶，其實是飲食中的「飽和脂肪」與「反式脂肪」，而食物中所含的膽固醇（如雞蛋）對多數人血清膽固醇的影響並非主因。
- 個體反應差異巨大： 研究也指出，每個人吃進相同分量的膽固醇後，身體的反應懸殊，這與個人的基因、腸道菌叢、總體膳食習慣（例如是否與高纖蔬果一起食用）以及生活習性（運動、吸菸）密切相關。
3. 當前的醫學共識（2013~2015 年至今）
- 取消雞蛋與膽固醇上限： 美國心臟學會與美國膳食指引諮詢委員會已先後取消了膳食膽固醇與雞蛋攝取量的量化上限。因為流行病學的大型追蹤研究顯示，不管是每週吃一顆蛋還是每天吃一顆蛋，發生心血管疾病或中風的機率在統計上幾乎沒有差別。
不再計較「一天只能吃幾顆蛋」的數字，而是改為看重「整體的飲食型態」：
- 一般健康大眾： 每天吃 1 到 2 顆雞蛋是安全的，它是優質的蛋白質來源。
- 調理方式更重要： 雞蛋對身體的影響往往取決於你怎麼烹調。水煮蛋、茶葉蛋、蒸蛋是很好的選擇；但若是用大量飽和脂肪（如豬油、奶油）去油炸、煎得酥脆或烤焦，或者是搭配高飽和脂肪的培根、香腸一起吃，才會真正增加心血管的負擔。
- 高風險族群： 若本身低密度膽固醇與三酸甘油脂同時過高，或是對飲食膽固醇反應較敏感的族群，建議採取「地中海飲食」（高纖、多蔬果、使用好油）等營養均衡的膳食型態，並諮詢醫師或營養師調整攝取量。
在各種細菌感染或病毒感染的急性病症裡，通常徵狀明顯且可以找得到元兇，也可以建立起明確的因果關聯，這時候西醫的知識與臨床的研判通常是很可靠的。
但是許多慢性病都跟基因、飲食、生活型態與生活環境等複雜因素有關，且影響機制極其複雜，還可能因人而異，這時候想要靠實證科學的方法建立起明確的因果關係就會很困難，只能仰賴一些有參考價值的或然性數據進行帶有不確定性的判斷。
跟理工的物質科學比起來，當實證科學的方法被應用到人體時，牽涉到的因素原本就非常複雜，還再加上太多研究上的限制，使得醫學的知識無可避免地較具有不確定性。
在物質科學裡，要把飛機模型給放在風洞裡吹多久就多久，它會任你擺布。但是當研究對象是人時，他們不會隨你擺布，因而一切數據都變得不可靠或極不可靠。研究對象平均每日攝取多少鈉、多少不飽和或飽和脂肪，既無法有效地控制，也無法精確地量測。
在飛機和太空梭可安置感測器，並且紀錄在黑盒子裡，以便失事時重建整個事故過程。但是當病患有明顯的動脈粥狀硬化時，無法從病患身上取下黑盒子去重建整個病情發展的過程，只能猜測可能的原因、機制和病情發展的過程。
在這些限制下，醫學界經常只能從統計數據去間接推測可能的事實。然而統計數據的取得過程又牽涉到各種誤差，解讀過程還含藏許多陷阱，使得醫學的研究良莠不齊，甚至授予不肖學者混淆是非與造假的機會。
10 數據會說謊：統計學的迷思與濫用
1954年《別讓統計數字騙了你》（ How to Lie with Statistics）
NotebookLM摘錄
1. 帶有內建偏差的樣本 (The Sample with the Built-in Bias)
統計報告若要具備價值，必須建立在具有代表性的樣本之上。如果樣本本身有偏差，得出的結論便不可信。
1924 屆耶魯畢業生的平均年薪被報導為 25,111 美元。這是一個「內建偏差」的樣本，因為只有地址已知且願意回覆問卷的人（通常是較成功者）才會被統計進去，那些入不敷出、居無定所的人則被排除在外。
1936 年《文學文摘》的民調慘敗，是因為其樣本來自擁有電話和雜誌訂閱的人群，這在當時偏向共和黨選民，無法代表全體選民。
2. 精挑細選的平均值 (The Well-Chosen Average)
「平均值」這個詞含糊不清，可以指算術平均數（Mean）、中位數（Median）或眾數（Mode），而操弄者會選擇對其目的最有利的一種。
例子： 房地產經紀人為了展現社區的繁榮，會使用「平均數」來包含少數富豪的收入（例如 15,000 美元）；但當他想爭取降低稅率時，則會使用「中位數」（例如 3,500 美元），因為該社區大多數人是小農或領薪階級。
3. 那些不在場的小數字 (The Little Figures That Are Not There)
如果缺乏樣本數或顯著性水準，統計數字將變得毫無意義。
例子： 某牙膏廣告宣稱使用者減少了 23% 的蛀牙，但沒說的是該測試樣本僅有 12 人。只要樣本數夠小，純粹靠運氣就能產生看似驚人的結果。
例子： 「葛賽爾常模」（Gessell's norms）描述孩子發展的平均年齡，卻常忽略「範圍」，導致孩子晚幾天走路的家長感到焦慮，事實上他們的孩子仍處於正常範圍內。
4. 庸人自擾 (Much Ado about Practically Nothing)
過度解讀那些在誤差範圍（Probable error）內、在統計上並不顯著的微小差異。
例子： 比較兩個孩子的 IQ 分數（如 98 與 101），如果考慮到 3% 的可能誤差，這兩個分數其實根本沒有顯著差異，不能據此判斷誰比較聰明。
5. 驚人的圖表 (The Gee-Whiz Graph)
透過改變比例或截斷圖表底部（不從 0 開始），可以讓微小的趨勢看起來非常劇烈。
例子： 一個國民所得成長 10% 的線性圖，如果截掉底部並放大垂直軸的比例，看起來會像是一條陡峭攀升的曲線，給人一種繁榮昌盛的錯覺。
6. 一維的視覺陷阱 (The One-Dimensional Picture)
利用二維或三維的圖形（如錢袋或小人）來代表一維的數值，會成倍地放大視覺上的差距。
例子： 比較美國與外國工人的薪資（2:1）時，如果畫兩個錢袋，且將美國錢袋的高度設為兩倍，其寬度通常也會隨之倍增。這會使美國錢袋在頁面上佔據的面積變為四倍，而視覺上的體積（三維感受）則會變成八倍，遠超實際的兩倍比例。
7. 牽強附會的數字 (The Semiattached Figure)
當你無法證明你想證明的事情時，就證明另一件聽起來很像的事，並假裝兩者是一樣的。
例子： 某種清潔劑在試管中能殺死三萬多個細菌，但這並不代表它在人體喉嚨中也能發揮同樣的效果。
例子： 美西戰爭期間，海軍的死亡率低於紐約市民。這被用來吸引年輕人參軍，卻忽略了軍隊成員多為健康青年，而市民包含老人、嬰兒與病人，兩者根本無法比較。
8. 倒果為因 (Post Hoc Rides Again)
僅僅因為 B 跟隨在 A 之後，就斷定 A 導致了 B，這就是所謂的「後此謬誤」（Post hoc fallacy）。
例子： 研究發現吸菸的大學生表現較差。有人據此得出「吸菸導致成績差」的結論，但事實可能是因為社交性格的人更容易抽菸且較不專注於課業。
例子： 喝牛奶的國家癌症比例較高。這並非因為牛奶致癌，而是因為這些國家的人平均壽命較長，能活到癌症好發的年齡。
9. 如何進行統計操弄 (How to Statisticulate)
例子： 「陰影下的美國」地圖利用「面積」來展現聯邦政府支出，選擇人口稀疏、面積廣大的西部各州塗黑，使支出看起來佔據了國土的一半，實際上這些州的總收入僅佔全國的一小部分。
例子： 百分比基準的混淆。例如薪水被扣 50% 後再調升 50%，結果並不會回到原點，而是比原本少了 25%。
10. 如何反擊統計數據 (How to Talk Back to a Statistic)
作者提供了五個檢驗統計數據的問題：
- 是誰說的？ (Who says so?)：尋找可能的偏見或有利害關係的來源。
- 他是怎麼知道的？ (How does he know?)：檢查樣本是否具代表性或足夠龐大。
- 遺漏了什麼？ (What's missing?)：是否缺乏比較基準或誤差範圍。
- 是否偷換了概念？ (Did somebody change the subject?)：原始數據與結論之間是否缺乏邏輯連結。
- 這合乎情理嗎？ (Does it make sense?)：警惕那些基於過度外推或不切實際假設的驚人數字。
庸醫致命是全美第三大死因？以偏概全＋穿鑿附會
論文宣稱與現實落差
約翰霍普金斯大學教授於《英國醫學期刊》發表論文，宣稱美國每年約有 25 萬人死於醫療過失，占死亡人數的 9.5%，高居全美第三大死因。
嚴謹研究的真實數據：根據 2015 年英國針對 3,400 個死亡案例的大型隨機抽樣審查，可避免的醫療過失死亡率約為 3.6%。以此比例上限推估，美國醫院中因醫療過失死亡的人數應不到 2.5 萬人。。
因果推論與統計方法的漏洞
1.以偏概全（抽樣偏差與樣本數過小）：
論文所擷取的參考文獻中，有三篇的研究樣本裡死亡人數極少（分別僅有 12 例、8 例和 14 例）。統計學上，想從如此微小的樣本數去推估全美每年 76 萬的醫院死亡人口，會產生極大的抽樣偏差，完全不具代表性。
2.穿鑿附會與粗糙加工（張冠李戴）：
論文的「25 萬人」結論，只是盲目擷取前人研究報告的結論並求取平均數。其中甚至包含了一份使用錯誤百出的軟體所做出的商業報告（該報告宣稱有三分之一的死亡個案可避免），缺乏嚴謹的學術審查。
3.量測誤差（死因判準不嚴謹）：
在臨床上，絕大多數就醫期間死亡的患者，本身就患有多重疾病。醫療過失可能只是「壓垮駱駝的最後一根稻草」，或者與死亡主因根本無關。**。
送子鳥的迷思：因果、相關與混淆因子
人類學家與送子鳥的故事是統計學家奈曼（Jerzy Neyman）虛構的，旨在解釋統計上的「假性相關」（spurious correlation），以及干擾因子（confounding factor）或混淆變數（confounding variable 或 confounder）。
從他精心虛構的數據來看，五十四個傳統聚落每年的新生兒數量確實跟該村落的送子鳥數量成高度線性相關（幾乎是正比）。譬如，如果你把送子鳥的數量當橫軸（ X ），新生兒數當縱軸（ Y ），畫出兩者的關係，確實可以看到兩者的數據幾乎都落在同一條直線上。
但是我們所有的常識與經驗證據都顯示，新生兒的數量跟該村落的送子鳥數量並沒有任何關係。既然如此，上述數據怎麼又會顯得很像是高度線性相關或者成正比？
事實的真相是這樣的：送子鳥喜歡在人類的家屋上築巢（尤其是屋頂和煙囪），因此一個聚落的家戶數愈多，通常送子鳥的鳥巢數與送子鳥的數量也會愈多；另一方面，聚落的家戶數愈多，通常每年的新生兒數量也會愈多。
這種貌似高度相關而實際上沒有任何因果關聯的狀況，叫做「假性相關」，而「聚落家戶數」這個造成假象的因素就被稱為「干擾因子」或「混淆變數」。
也就是說，當兩個變數的統計數據顯出高度相關時，有可能意味著兩者間有明確的因果關係，但也有可能意味著兩者之間完全沒有任何因果關係。此外還有第三種可能：兩者間統計上的相關一部分是肇因於它們之間的因果關聯，另一部分是在反應干擾因子的影響或者假性相關造成的混淆。
憑常識就可以輕易辨認為假性相關的狀況通常不構成問題。
當兩個變數間既存在著統計上的弱相關，又因為干擾因子的影響而貌似明顯相關時，最容易誤導研究者做出似是而非的結論。
因此，嚴謹的學者在使用統計方法進行研究時，都會通過慎密的研究設計來盡量排除假性相關與干擾因子的影響。其中可靠度最高的實驗設計就是隨機分配的控制實驗（有時又稱「隨機對照試驗」）。
不過大規模的實驗往往有現實上的困難，如果最終只能納入有限個自願者，而無法讓兩組的背景特徵分布足夠相近，則必須在進行迴歸分析時將實驗數據先行調整（加權），以便降低已知干擾因子對實驗結果的影響。至於社會學的研究，通常是既不能進行實驗，又無法隨機分配，干擾因子又往往是未知的，因而實證研究經常會受到干擾因子的影響。
當醫學界與社會科學界想要以實證方法研究人群的集體特徵或行為模式時，往往必須倚賴嚴謹的抽樣與統計方法。
然而個體的特性往往差異懸殊，而影響實驗或觀察結果的因素與機制又繁多，必須在研究進行之前先充分評估各種可能的干擾因子，再通過周延、詳密的研究設計和數據擷取、分析，才有機會產出較可靠的知識。
一旦研究設計粗疏或執行過程草率，就會產出「醫療過失為第三大死因」這樣誤導視聽的結論。
最受質疑的是，物質科學的研究方法可以被直接應用來研究人的內心，尤其是涉及價值判斷或個人抉擇的課題嗎？
譬如，當一個人問「結婚的人會不會比較快樂」時，她（他）真正想要回答的問題其實是「結婚會不會讓我變得比較快樂」。然而有些人會因為婚姻讓經濟的困窘獲得緩解或改善而甘願犧牲很多個人的自由，有些人會因為丈夫與孩子的成就而感到滿足，有些人卻無法為此犧牲個人的自我成長與自我實現。這些涉及個人養成過程、偏好與價值抉擇的因素，強烈地影響著受訪者對婚姻滿意度的評價，使得婚姻滿意度的調查結果與統計分析的意義極其模糊而難以精確解讀。這是物質科學、生物學、生理學與臨床醫學所沒有，但是在廣義社會科學裡經常會遭遇到的。
人類學先驅的馬凌諾斯基（Bronisław Malinowski）
質問：人類學可以像礦物學那樣地把人類當做不思不想、沒有感受與反應的物質，或者像生物學那樣「客觀」地描述對象的行為模式並加以分類，而完全不涉及研究者對被研究者的理解、詮釋與評價嗎？他最後的決定是，人類學必須採取跟物質科學截然不同的研究方法、態度與目的。
11 經濟學：半是玄學，半是科學？
無休無止的爭論，近乎無解的難題：
1. 核心立場的意識形態之爭
過去兩百多年來，經濟學界始終在爭論一個最根本的問題：「市場有沒有自主治理的能力？政府的介入究竟是有利還是有害？」
- 市場自主派（如亞當斯密、芝加哥學派）：主張完全競爭市場、理性預期與效率市場假說，認為市場能自動調節達到最佳效率，政府干預只會帶來低下與不公。
- 政府介入派（如凱因斯主義）：認為市場會有盲目投資與過度樂觀的時候（如大蕭條、金融海嘯），需要政府政策來提振景氣或進行規範。
雙方各自擁有精緻的數學模型與諾貝爾獎得主背書，導致論戰往往流於根深蒂固的意識形態之爭，誰也無法說服對方。
2. 實證研究的極端困難
經濟學不像自然科學或醫學，可以把整個經濟體系放進實驗室進行「隨機分配的對照實驗」。它的實證研究面臨重重限制：
干擾因子繁多且盤根錯節： 影響經濟表現（如失業率）的潛在因素太多，很難在既存的統計數據中，精確切出單一因素（如調漲基本工資）的個別影響程度。
統計相關不等於因果：實證往往只能依賴統計學的相關性分析，極易受到「假性相關」與「量測誤差」的誤導。
時空與制度的變異性：經濟表現高度受到一個社會的「廣義制度」（有形規範、無形文化與社會默認等潛規則）影響，而這些制度會隨時間與空間改變，使得抽象理論無法普世通用。
3. 人心難測（主觀決策的非理性）
經濟學理論（如芝加哥學派）往往建立在「人類是理性的」完美假設上。然而，正如行為經濟學所指出的，人類的決策模式很難預知——有時候很理性，有時候又很衝動、非理性。這種人性的不確定性，讓經濟學的理論預測充滿了高度的宿命與不確定性。
諾貝爾獎得主羅伯特‧索洛（Robert Solow）斷言，想要以假設為基礎把經濟學建構成像物理學那樣的「硬科學」，注定是不可能的。因為人類是依據自己社會的價值體系、習慣與社會結構在做決策，當理論脫離了歷史與人文現實，經濟學的爭論便永遠擺脫不了「半是科學，半是玄學」的困境。
經濟學的社會職能與道德責任
1. 認真吸收歷史教訓，避免拿天下蒼生當「活體實驗」
經濟學家張夏準：認真吸收歷史教訓是經濟學家的道德責任。歷史上因為經濟理論或政策認知錯誤而導致的慘劇屢見不鮮：
1943年孟加拉大飢荒： 當時英國政府對糧價影響機制的認知錯誤，在糧食供給量充足的情況下誤導糧價飆漲，導致鄉間數百萬窮人因買不起糧食而活活餓死。
蘇聯計畫經濟失靈： 導致國民生產毛額在十年內萎縮了 45%，每年的死亡人數比例大幅飆升，相當於每年異常增加了七十萬死亡人口。
2008年金融風暴： 經濟學界普遍盲信市場自我管理能力，嚴重低估風險並掉入相同盲點，最終釀成全球金融災難，讓美國失業率飆升，無數家庭資產縮水、生計無著，飽受精神與肉體上的痛苦。
2. 重建重大經濟問題時的「倫理向度」
諾貝爾經濟學獎得主阿馬蒂亞·沈恩（Amartya Sen）
https://en.wikipedia.org/wiki/Amartya_Sen
透過研究孟加拉大飢荒，重建了討論重大經濟問題時的倫理與福利分配向度。經濟學不應只是冰冷的數學演繹，而必須正視其政策對人類生命、尊嚴與生活困境的實際影響。
3. 拒絕成為魔鬼代言人與不公義的「合理化工具」
過去常有不肖的政商與學者動輒以某些未經充分實證的經濟學理論，來合理化貧富差距的惡化及底層民眾的困境，將其說成是促進經濟成長的「必要之惡」。
例如：過去常被拿來擋箭的「顧志耐曲線」（主張貧富差距會隨經濟成長先擴大後下降）已被許多新研究質疑。
近年經合組織（OECD）與國際貨幣基金會（IMF）的最新報告都已證實，貧富差距實際上是不利於經濟成長的。
當經濟學界與金融監管機構過度高估理論的可靠性，而漠視自身的社會與道德責任時，經濟學就會流於「半是科學，半是玄學」的困境，甚至扭曲人心，成為美化社會不平等的工具。深刻體認人類經濟行為的複雜性與不可預測性，並以嚴謹、負責任的態度面對民生政策，才是經濟學應有的道德正軌。
Gemini歸納整理阿馬蒂亞·森（Amartya Sen）的核心觀點、論述與代表作：
一、 能力途徑（Capability Approach）與「實質自由」
挑戰了傳統以 GDP、人均收入或「效用（滿足感）」來衡量國家發展與個人福祉的單一標準。
功能（Functionings）與能力（Capabilities）是兩回事：
- 「功能」是指一個人實際做成的事或達到的狀態（例如：免受疾病折磨、獲得良好營養、有尊嚴地生活）。
- 「能力」則是一個人可選擇並實現這些功能的「實質自由」（Substantive Freedom）。
政府與社會發展的目標，不應僅是分配資源（商品或貨幣），而是要擴展每個人「過上自己所珍視的生活」的選擇與機會。例如，給予一位身心障礙者與健康者相同的收入，並不能保證他們擁有同等的行動與生活能力；因此，社會必須關注如何消除轉化資源的障礙。
二、 發展即自由（Development as Freedom）
在 1999 年出版的同名經典著作[《Development as Freedom》](https://en.wikipedia.org/wiki/Development_as_Freedom)中，將以上能力與功能應用於看待國家發展。
自由既是目的(功能)，也是手段(能力)： 發展的最終目標是擴展人的自由（目的性）；同時，自由本身也是促進發展的最強大力量（工具性）。
五大工具性自由：健全的社會需要以下五種相互關聯、協同發揮作用的自由：
- 政治自由（Political Freedoms）：民主、言論自由與參政權。
- 經濟便利（Economic Facilities）：參與市場交易、獲取資源與信用貸款的機會。
- 社會機會（Social Opportunities）：受教育與醫療保健的權利（使人能更好地參與經濟與政治活動）。
- 透明度保障（Transparency Guarantees）：社會運作的誠信、防範貪腐與資訊公開，建立人際信任。
- 保護性安全（Protective Security）：社會安全網，防止弱勢群體因突發災難（如饑荒、失業）陷入極端困境。
三、 貧困、權利與饑荒理論（Poverty and Famines）
1981 年發表[《Poverty and Famines: An Essay on Entitlement and Deprivation》](https://www.google.com/search?q=https://en.wikipedia.org/wiki/Poverty_and_Famines:_An_Essay_on_Entitlement_and_Deprivation)中，翻轉了人類對「饑荒」的認知。
非食品短缺，而是「權利（Entitlement）」的剝奪： 透過研究 1943 年孟加拉大饑荒等歷史事件，證實饑荒的發生往往不是因為糧食總量不足，而是因為社會分配機制與交換關係的崩潰。
在市場經濟中，一個人能不能獲得食物，不取決於國家有沒有糧食，而取決於他擁有什麼，以及他能用這些東西交換到什麼。
每個人都有一組「初始稟賦」（如勞動力、土地、編織的籃子），並透過以下四種合法的「交換權利」將其轉化為食物：
- 基於貿易的權利： 用自己生產的商品（如手工藝品、非糧食作物）去市場換取糧食。
- 基於生產的權利： 利用自己的土地和資源直接種植並獲得糧食。
- 基於自身的權利： 出售自己的「勞動力」以獲取工資，再用工資買糧。
- 基於繼承或轉移的權利： 獲得國家救濟、社會福利或親友的贈予。
交換權利的喪失： 當城市經濟繁榮推高糧價，而鄉村勞工的工資或就業機會停滯時，窮人便失去了用自身勞動「交換」糧食的權利，最終導致他們在糧倉旁餓死。
四、 社會正義與「公正的理念」（The Idea of Justice）
2009 年的著作[《The Idea of Justice》](https://en.wikipedia.org/wiki/The_Idea_of_Justice)中，對當代哲學家約翰·羅爾斯（John Rawls）的「契約論正義觀」提出了修正。
從「制度健全」轉向「實現效果」：批評傳統哲學過於追求建立完美無瑕的「先驗正義制度」（Transcendental Institutionalism）。他主張，正義的評估應該是「比較性與實現導向」的。
消除可識別的不公： 哲學的任務與其是去描繪一個遙不可及的完美正義社會，不如著眼於如何消除當前社會中顯而易見的、可被解決的「非正義」（如消除文盲、飢餓與暴政）。
旁觀者視角與公共討論：相比於羅爾斯假設的「無知之幕」，更推崇亞當·斯密（Adam Smith）的「公正旁觀者（Impartial Spectator）」概念。他強調，正義必須透過廣泛、包容且理性的公共討論和民主協商來達成，容許引入多元的聲音與視角。
五、 社會選擇理論與自由悖論（Social Choice & Liberal Paradox）
自由悖論（Liberal Paradox）： 在 1970 年的論文《The Impossibility of a Paretian Liberal》中，提出一個數學定理：帕累托效率與個人自由在某些情況下是互不相容的。也就是說，如果我們堅持每個人在純私人事務上擁有絕對的決定權（自由原則），同時又要求社會決策必須無條件服從帕累托效率（若所有人均偏好 A 勝於 B，則社會選擇 A），那麼在邏輯上將無法保證社會決策的連貫性。這引發了學術界對「個人權利界限」與「集體福利極大化」之間衝突的深層探討。
六、 性別不平等與「消失的女性」（Missing Women）
消失的女性：在 1990 年發表的文章中指出在全球（特別是亞洲和北非地區），由於嚴重的性別歧視、忽視女嬰保健以及醫療和營養分配不均，導致了高女嬰夭折率與婦女超額死亡率。
女性的主體性（Agency）：婦女不只是福利政策的被動接受者，更是推動社會變革的積極力量。提升女性的受教育權與就業機會，不僅能改善她們自身的處境，還能有效降低嬰兒死亡率、控制人口增長，並增強家庭的整體福利。
12 愛情魔藥的迷思，顛覆想像的大腦可塑性
四大迷思(似是而非，以偏概全)：
1. 「動物如此，人類亦然」的過度推論
這是最普遍的迷思。研究者常將動物實驗的發現直接套用在人類身上，卻忽視了人類與動物在基因、大腦神經元數量以及高階心智活動上的巨大鴻溝。
e.g., 觀察到「草原田鼠」在交配後會分泌催產素（oxytocin）並維持單一配偶關係，坊間便大肆宣傳可以將催產素當作「愛情魔藥」或「擁抱荷爾蒙」來挽救人類的婚姻危機。
2. 機械論與生物決定論（化約主義）的刻板想像
將極其複雜的人腦簡化，把大腦想像成一塊固定不變的「電路板」（硬體），或者把愛情、信任等複雜情感，簡化地等同於「純粹的腦化學物質（如多巴胺、催產素）作用」。這種觀點忽視了大腦在結構與功能上具有驚人的可塑性，人類的情感絕非幾種化學物質就能完全左右。
3. 神化「愛情荷爾蒙」（催產素）的萬靈丹效應
媒體將催產素形塑成能促進人際信任、緩解焦慮、鞏固婚姻的代名詞。但近年的審慎研究與文獻回顧發現：
既有研究中，有半數其實看不出催產素對人類社會行為有顯著影響。
在認為有影響的研究中，有六成指出這種影響非常侷限於「特定的個人特質」與「特定情境」。
甚至有 21% 的研究顯示，催產素在某些情境下反而會強化嫉妒、幸災樂禍、挑釁與攻擊性等反社會傾向。
4. 誤以為「大腦結構與功能在出生時就已定型」
過去觀念認為大腦在出生後便發育完成，之後只會逐漸老化退化。然而現代腦科學已證實：
人的大腦容積、區塊連結，會隨著年齡、外部刺激、學習經驗而持續進行動態的「修剪」與重建，甚至到了成年期、乃至遭遇創傷時，都保有可觀的重組能力。
攸關人際互動的「社會性大腦」（包括解讀表情、評估信任等），絕大多數是出生後才在與母親（照顧者）及環境的互動學習中，逐漸形塑並成熟的，而非純由先天基因鎖死。
當研究人員一知半解地用化約主義去開發試圖改變大腦運作的藥物（例如過去曾被視為奇蹟、後來卻爆出增加年輕人自殺風險的抗憂鬱藥物百憂解、克憂果），就必須承擔未知副作用的巨大風險。
沒有留言:
張貼留言