来源|游戏设计理论

引言

最近在思考一个问题：如何提高思维的缜密度。

思维的缜密度主要由两个因素构成，一个是逻辑是否坚实，即概率足够大、情况足够普遍，这点很好理解。另一个是逻辑链拆得够不够细致，就不太好理解了。

简单的思维能构造一个结果对应一个原因的模型，聪明点的能构造一个结果对应多个原因的模型。

而真实世界是N个结果对应M个原因，这M个原因又对应X个原因，这X个原因背后又有Y个原因……，复杂度就是O(n^n)，再加上时间变化，已经远超人力能及。

所以我们才要寻找影响最大的因素，建立知识体系。

一般来说越往深寻找，越接近底层规则，它的数量少，对表层影响小，但边界非常硬，几乎不可改变。用这样从最底层的规则一层层推理出来的逻辑结构，才是真正缜密的思维，也就是从第一性原理出发。

只有这样的推理过程，才能形成真正的能力，无论执行还是决策，都有足够坚实的框架帮助你做出正确的选择，因为你知道为什么要这么干。

所以就用这个方法构建一个对未来经济政策方向判断的思考过程，预测的结果其实不重要，重要的是思考的过程。

经济政策预测,文章结构说明

文章每行都是一句话，每句话都属于一种类型，确定这句话的性质，先展开介绍一下各个类型。

背景（Background）

类似全局变量，是客观的现实条件，且相对要研究的问题是个长期趋势，在问题的解决周期内不会变化。

要解决的问题（problem）

解决问题是推理、决策的目的。

问题问得越精准，推理过程就越顺利，所以问出最关键的问题是整个推理、决策过程最重要的环节。好的问题就能简化决策成本和提高决策成功率。

公式（formula）

公式是整个推理的基础，任何推理都需要一个绝对正确，或你认为它绝对正确的模型，公式就是一个模型。

比如例子中的公式“GDP=投资+净出口+消费+政府支出”，就是会计上一定正确的公式，基于此展开的推理大概率也是正确的。

公式最考验对某个领域的认知，尤其是没有数学公式可用的领域。

比如交朋友，不同的人认知就不同，孔子说要“友直、友谅、友多闻”；林逋则说“不欺，不吝，不隘，不强者，可与人为徒”。

对某个领域的认知水平决定了你会如何构造模型，模型越接近本质，结论就越容易正确。

我构造的“情绪、体验、核心玩法、目标规划、系统结构、世界观六层模型”是我对游戏的认知。

我们常见的PACD循环、五力模型等等，都属于“公式”，对公式的掌握程度决定了解题的效率和准确率。

假设（assume）

假设就是逻辑推理过程，是基于公式得出的推导过程，就像应用题的中间步骤。

因为不是百分百正确的，所以只能称之为“假设”。“假设”这一层最乱，最考验逻辑思维，逻辑思维差的可能就会推出一些莫名其妙的假设。

比如《思考，快与慢》里举的例子：“史蒂夫非常腼腆，少言寡语，很乐于助人，却对他人或者这个现实世界没有兴趣。他谦恭有礼，做事井井有条，中规中矩，关注细节。

请问史蒂夫是农民还是图书管理员。

史蒂夫大概率是农民，因为农民的人数远远大于图书管理员，这就是贝叶斯概率的应用。

所以想要得出更准确的中间过程，做出大概率正确的假设，需要大量的学习、训练，把自己的大脑训练成贝叶斯脑。但是大部分人不具备这样的能力，所以面对重要决策，错误的概率就很大。

事实（fact）

事实比较简单，就是某个模块中用到的论据，相当于局部变量。

结论（conclusion）

结论就是由上面几步得出的最终结果，它需要能回答最开始的问题。

为了更好的可阅读性，我把每个模块的开始结束都标了颜色，接下来演示推理过程。

推理过程

Background 人口增长率为负

Background 老龄化加剧

Background 海外利率较高

Background 地缘政治冲突，外贸转移

Background 国内利率较低

Background 人均GDP和人均收入增长率接近，甚至收入略大于GDP增长

problem 为避免债务危机、失业率过高，能做什么？

assume 必须维持GDP增长率

problem 影响GDP的因素有哪些变化？

formula GDP增长率=人口增长率+人均GDP增长率

formula GDP=投资+净出口+消费+政府支出

assume 由于人口减少及老龄化，未来投资减少，消费减少

assume 海外高息环境导致投资减少、消费减少，所以净出口也会减少

assume 政府支出不能弥补三者的下降，GDP会减少

conclusion人口增长率为负，需要增加更多人均GDP增长率才能维持当前GDP增长率

conclusion“政府支出”需要加大力度

problem 可以从哪些方面维持GDP增长率

formula GDP增长率=GDP增量/GDP总量

formula GDP增量=投资增量*投资乘数

formula 投资乘数=1/（1-边际消费倾向）

formula 边际消费倾向=消费增量/收入增量，意即每增加一单位收入时消费的变动情况

assume 当前居民和企业部门杠杆率已经很高，很难再贷款投资和消费

assume 又因为人口减少，消费弹性低的行业的投资收益会减少，所以会减少投资，逐渐带动各行各业减少投资

assume 各行各业的投资减少，导致收入减少

conclusion由公式可知，提高“边际消费倾向高”的人群的收入，对GDP增量的贡献最大。即低收入人群的收入越高，对GDP增量的贡献越大

conclusion提高整体居民部门的收入可以增加GDP增量

problem如何提高“边际消费倾向高”的人群收入

assume 需要经济结构改革，从第二次、第三次分配入手，改变收入结构

fact 横向对比，只有物产丰富、人口较少的国家如澳大利亚、文莱、新西兰能实现

assume 我们想提高低收入人群的收入非常困难，所以只能推导政府可能在哪些领域入手缓解

assume 增加富人税，降低穷人税；富人多花钱，穷人少花钱；提高劳动收入，降低资本收入

assume 加遗产税、房产税，减免个税（概率较大，时间和幅度不确定）

assume 有钱人继续加杠杆消费或投资（概率不大，因为投资收益低，政策风险大）

assume 保障低收入人群的生活：养老、医疗、生育（概率较大，时间和幅度不确定）

conclusion历史上改革成功的代价和难度都很大，所以大概率只会略有改善，实质变化不大

problem影响长期居民部门收入变化的因素——全要素生产率

fact 全要素生产率的增长率，即投入的资本、劳动、土地不变时产量仍能增加的部分，包括知识、教育、技术培训、规模经济、组织管理等方面的改善

fact 工业革命以来，生产率大幅提高，生产率提高能养活更多人，人越多投资消费越多，规模化又能提高全要素生产率，互相促进了GDP的增长

fact 提高全要素生产率能提高GDP，进而提高人均GDP

assume 全要素生产率提高是个超长期过程，以几十年为周期，例如工业革命、信息革命，都发展了几十年，短期无法见效

conclusion政策会在能提高全民知识水平、发展高新技术的行业发力，但短期效果不会明显。毕竟生孩子需要10个月，10个人也不可能缩短到1个月

problem影响长期居民部门收入变化的因素——人口

formula GDP增长率=人口增长率+人均GDP增长率

fact 人口多少不是问题，巨烈的数量变化和结构性变化才是问题

assume 人口快速减少会导致大量资产贬值，比如三县以下城市房产贬值、房租下降，依赖人口的产业销售减少，导致裁员，失业率提高

assume 人口减少，规模效应会减弱。举个例子，假如一条酱油生产线需要每年生产10万斤才能平摊固定成本，当人口减少时销量就会减少，要不提高售价，要不停产。

assume 人口老龄化导致投资消费意愿降低，各行各业收入减少

assume 人口减少太多的地区税收会减少，导致公共设施投资减少，甚至无法维护，进一步导致人口流失

conclusion未来会有更多政策提高生育率，但参考其他国家，效果不会好

problem影响短期居民部门收入变化的因素——房地产产业链

formula 收入增量=投资增量+消费增量

fact 最容易拉动投资和消费的行业，显然就是房地产，因为房地产影响的就业人数最多

assume 房地产的拉动效应已经没有10年前好了，过高的杠杆率和老龄化和人口减少，导致居民购房意愿和能力不强

conclusion能短期提高收入，但效果肯定没有08年四万亿和15年棚改PSL那么好

problem 还有哪些方式能短期提高居民部门收入

formula 收入增量=投资增量+消费增量

fact 海外的消费也是消费，出口增加可以短期提高居民部门收入

assume 新能源车、电池、光伏的出口在22年开始迅速增加，未来很可能持续一段时间，但能不能出口更多是个疑问

fact 政府投资也是投资

assume 政府会在一些领域开始加大投资，如新基建、养老设施等。具体是哪些，受眼界所限，就不能确定了

fact 国产替代进口，是较大的增量

assume 现在很多水果、电子产品、新能源车、设备等都逐渐国产化，能拉动很多国内的企业做强，甚至增加出口

conclusion政府会加大投资，效果会有，但多好未知

conclusion国产替代，效果会很好，但多久未知

conclusion 维持GDP增长率，短期会从房地产入手，中期从国产替代和出口入手，长期从全要素生产率和人口上入手

总结

推理的过程借用了程序的代码结构，让逻辑模块化，每个问题都能得到结论，小结论支撑大结论。

也用缩进划定了每个模块的边界，阅读结构比较清晰。其实有很多软件支持这种结构，可惜公众号不支持。

同时每个模块还可以预估一个概率，每个模块连乘起来成为最终的概率。

这种推导形式也更符合AI的决策模式，通过持续收集信息，调整模块的数量、结构、概率，模块还能嵌套模块，最终得到一个逻辑缜密的推理过程。

它最优秀的地方在于可以把自己的整个知识体系模块化，随时添加、修改模块内的逻辑，迭代过程更清晰。

多多练习，思维的缜密度会慢慢提高，平时做决策、分析问题时就能很容易的用出来。