LARS P. SYLL

Ekonomerna och deras modeller

Nationalekonomi är en vetenskap som i hög grad bygger på användandet av modeller.

I vår mest använda lärobok i nationalekonomi – Klas Eklunds Vår ekonomi (Norstedts 2010, 12 uppl.) – presenteras modellanvändandet som ”en sorts förenklade beskrivningar av verkligheten” med vars hjälp ekonomen kan ”göra tanke- och räkneexperiment och testa sina hypoteser”. Om dessa modeller ska fungera och ge överblickbara resultat

måste de göras enklare än den oerhört komplicerade verkligheten … Ekonomerna brukar följaktligen, då de konstruerar sina modeller, införa en rad förenklande antaganden för att göra modellerna så klara och entydiga som möjligt … Självklart är dessa … antaganden orealistiska i den meningen att verkligheten inte ser ut på det viset … Ändå är det uppenbart, att ett visst mått av modellbyggeri … är nödvändigt … Verklighetens komplexitet och omöjligheten att utföra kontrollerade experiment med densamma gör det därmed ofrånkomligt att den som vill sätta sig in i samhällsekonomin måste vara beredd att lära sig ett visst ’teoretiskt’ och ’abstrakt’ tänkande.

Den enkla utbuds- och efterfrågemodellen har i sin mer sofistikerade form

utgjort kärnan i den nationalekonomiska teorin under hela det senaste århundradet. Orsaken är inte att den exakt skulle avspegla verkligheten, utan att den på ett enkelt och slagkraftigt sätt leder fram till klara slutsatser, som på en rad olika sätt kan tillämpas vid analysen av ekonomiska problem.

Eklund medger att verkligheten inte ser ut som de ekonomiska modellerna, men att dessa har ett berättigande som ett slags referens- och utgångspunkt utifrån vilken den ekonomiska analysen kan visa ”vilka hinder som ligger i vägen för människor och företag att följa de grundläggande beslutsregler” som beskrivs i dessa modeller. Modellerna ska ses som ”analytiska hjälpmedel, vilka hjälper till att abstrahera fram väsentliga grunddrag i hur olika ekonomiska mekanismer fungerar”.

Det är intressant hur Eklund här i förbigående nämner en rad problem men snabbt går förbi dem. Om nu inte modellen avspeglar verkligheten, hur kan vi då ha glädje av den? Är ”enkelhet” och förmågan att leda till ”klara slutsatser” den mest relevanta aspekten att lägga på modellen? Hur kan vi vara säkra på att det är de ”väsentliga” grunddragen som modellen abstraherar fram? Och så vidare. Det finns något förrädiskt i denna undanglidande framställning, därför att den ger sken av att kvalificera bruket av modeller inom nationalekonomin, men egentligen vid närmre analys inte alls gör det. Problemen omnämns och sedan går man glatt vidare som om de inte fanns.

Låt oss därför – till skillnad från Eklund – försöka reda ut vad en modell är och hur den förhåller sig till våra teorier och verklighet.

En vetenskaplig modell är en partiell representation där vissa aspekter av det man vill representera framhävs och andra utelämnas. Vad som framhävs respektive utelämnas avhänger syftet med modellen.

Modeller kan vara av många olika slag (språkliga, matematiska, statistiska, logiska m m). Även i vardagliga sammanhang använder vi termen modell (fotomodell, bilmodell, ”den svenska modellen” m m), men här ska vi i huvudsak uppehålla oss vid vetenskapliga modeller. Dessa modeller relaterar sig till verkligheten på följande sätt:

Verkligheten => ”Bild” av verkligheten => Modell

Det väsentliga är här att ta fasta på att modeller aldrig direkt relaterar sig till verkligheten, utan alltid till den ”bild” vi gör oss av verkligheten. Först när vi utifrån de oändliga data som verkligheten består av – och våra bakgrundskunskaper – bearbetat och meningsfullt tolkat dessa och bildat ett kunskapsobjekt kan vi skapa en modell. Verklighetens empiriska fakta “översätts” till ett kunskapsobjekt som vi med hjälp av en modell försöker öka vårt vetande och förståelse av. Men – och detta är viktigt – modellen försöker också via bilden att ”avbilda” verkligheten. En bra modell ska helt enkelt ge oss en bild av verklighetens underliggande struktur och i någon mening likna verkligheten. En ekonomisk modell som avbildar människor som gröna, fyrkantiga och ständigt egennyttomaximerande är ingen bra bild ur detta perspektiv sett. För pedagogiska syften kan den säkert ha sitt berättigande, men förklaringar som bygger på sådana modeller kan bara vara av begränsat värde. Även om en sådan modell kan vara enkel och i någon mening sägas avbilda forskningsobjektets struktur, funktion, utveckling eller beteende, uppfyller den inte de oeftergivliga likhetskrav (gentemot verkligheten) vi ställer på en modell.

Låt oss för att klargöra modellbegreppet ta ett exempel: Jag besöker dagligen de olika stånden på marknadstorget i Lund och gör mig där en ”bild” av att exempelvis pris och kvantitet på de där handlade varorna hänger samman med varandra på något vis. Denna bild försöker jag specificera och tydliggöra genom att “översätta” den till en vanlig marknadsmodell där utbud och efterfrågan bestämmer prisen.

I normalfallet kommer min bild och modell inte att vara lika i den bemärkelsen att varje del i bilden motsvaras inte av exakt en del i modellen. Varje marknad innehåller i princip ett oändligt antal data som på ett oändligt antal sätt kan ”översättas” till olika bilder. Varje modell är på så vis alltid i något avseende en reduktion av verkligheten. Vi väljer att ur den oändliga mängden data fokusera på vissa och låter vår modell avspegla dessa. De aspekter av marknaden som vi är intresserade av påverkar vår bild av den och följaktligen den modell vi gör oss av den. Därför utgör också varje modell en reduktion av verkligheten som vi gör utifrån ett speciellt syfte eller för att belysa en speciell aspekt.

Vår marknadsmodell ovan är ett exempel på hur en komplex och komplicerad verklighet med hjälp av idealiseringar och abstraktioner reduceras till en enkel jämviktsmodell av varuprissättning på torget. Syftet med en modell bör vara att fungera som en vägledare över till den verklighet vi bara har tillgång till via våra “bilder” av den. Hur modellen utformas beror på konstruktörens syften och intressen och de bakgrundskunskaper han besitter. Någon i vetenskaplig mening ”objektiv” modell existerar därför lika lite som dito teorier och ideologier.

Eftersom matematiska modeller är så vanliga inom nationalekonomin ska jag uppehålla mig lite vid dem. Som de flesta andra modeller består en matematisk modell av en uppsättning variabler och relationer mellan dessa. De matematiska modellerna representerar – precis som alla andra modeller – en förenkling av verkligheten. Problemet med matematiska modeller är dock att de för att göras operationella och kvantifierbara ofta kommer att utgöra dåliga förenklingar för de många gånger komplicerade och komplexa relationer de ska representera eller ”avbilda”. Det är långt ifrån självklart att ekonomiska förhållanden och relationer lämpar sig för matematisk modellering.

Den precision och ”tydlighet” som det matematiska språket medför är ingen garanti för att modellerna är sanna. Precis som alla andra modeller måste dessa konfronteras med empiriska observationer och teori för att vi ska kunna avgöra om de är adekvata representationer av verkligheten.

Matematik kan vara ett utmärkt verktyg för modellkonstruktioner. Men det får inte bli ett självändamål. Om den ekonomiska verkligheten inte ”utan våld” går att ”översätta” i ekonomiska modeller får man låta bli och istället använda andra – kanske mer komplexa men likväl mer användbara – modeller.

Neoklassisk nationalekonomi har under de senaste femtio åren kommit att i allt högre grad innebära ett granskande av världen genom “matematikens järngaller”. Precis som Bertrand Russell har många ekonomer hoppats på att med tiden konstruera ”en matematik för mänskligt beteende som är lika exakt som matematiken för maskiner.” För ekonomerna har detta ofta kommit att innebära att om ett fenomen inte låter sig passas in i gallret så avvisas det som falskt. Och tyvärr har trivialitet ofta blivit det pris de fått betala för formalism och logisk härledning.

De regler som gäller för manipulerandet av matematiska storheter behöver inte motsvaras av de regler och lagar som styr det verkliga systemet. Detta är säkert också en av orsakerna till att så många matematiska ekonomiska teorier varit utan framgång. Istället för att okritiskt anamma en matematisk representationsform borde man fråga sig vilka förutsättningar som de reala processerna och objekten måste uppfylla för att matematiska representationer av dem ska vara praktiskt adekvata.

Att ekonomisk vetenskap är mer kvantitativ än andra samhällsvetenskaper beror till en viss del på att dess studieobjekt naturligt till stor del är kvantitativa (pengar, räkenskaper, löner, vinster m m). Detta kan dock inte utgöra ett försvar för att driva matematiseringen in absurdum eller för att avstå från att fråga sig vad de matematiska modellerna och kvantitativa måtten är modeller för och mått av.

Att så mycket av dagens ekonomiska vetenskap struntar i att söka orsaksrelationer och istället nöjer sig med att fastslå korrelationer och ömsesidiga samband beror till del på det matematiska språk man använder sig av. Matematik kan användas för att kalkylera och för logisk härledning. Men axiom och teorem räcker inte för att förklara ett fenomen i termer av orsak. Det matematiska språket saknar helt enkelt adekvata begrepp för att ange orsakssamband.

En av de främsta orsakerna till att många ekonomiska fenomen aldrig fått någon förklaring kan vara att många i sig intressanta egenskaper hos ekonomin (processer, strukturer, etc) bara beaktas i den mån de låter sig reduceras till regelbundna händelser och matematiskt identifierbara mönster.

Matematik kan inte representera interna relationer och strukturer. De som utvecklar de ekonomiska matematiska modellerna har därför en tendens att avstå från förklaringar av vad det ekonomiska handlandet beror på och nöjer sig i stället med att kalkylera och beräkna effekterna av handlandet. Detta gör att de matematiska ekonomerna ofta förblir omedvetna om de samhälleliga relationer och strukturer som styr de variabler man laborerar med i sina modeller. Komplext handlande reduceras till en kombination av enkla handlingar, som i sin tur reduceras till responser på stimuli – som om stimuli och respons var oberoende av det kontextuella sammanhanget. Kunskap om kvalitativa förhållanden kastas bort för att man i stället ska kunna koncentrera sig på tillvarons kvantifierbara dimensioner. Resultatet blir allt för ofta att modeller och matematik får bli ett substitut för tänkande. Den franske 1800-talsdiplomaten Charles Talleyrand hävdade att människor fått talets gåva för att dölja sina tankar. Ibland kan man tyvärr få intrycket att ekonomernas matematiska modeller fyller samma funktion.

Matematiseringsvågen har gjort ekonomerna alltför fixerade vid sina formella, matematiska modeller. Istället för att konstruera teorier utifrån empiriska fakta överger man den verkliga världen och bevisar saker om tänkta världar. Istället för att acceptera att en lägre grad av säkerhet är oundviklig ägnar man sig åt axiomatiska och rationalistiska modellkonstruktioner som möjliggör säker kunskap. Om målet är kunskap om den verkliga världen, är värdet av dessa dock minst sagt oklart.

When the model is the message – modern neoclassical economics

Most models in science are representations of something else. Models “stand for” or “depict” specific parts of a “target system” (usually the real world). A model that has neither surface nor deep resemblance to important characteristics of real economies ought to be treated with prima facie suspicion. How could we possibly learn about the real world if there are no parts or aspects of the model that have relevant and important counterparts in the real world target system? The burden of proof lays on the theoretical economists thinking they have contributed anything of scientific relevance without even hinting at any bridge enabling us to traverse from model to reality. All theories and models have to use sign vehicles to convey some kind of content that may be used for saying something of the target system. But purpose-built assumptions, like invariance, made solely to secure a way of reaching deductively validated results in mathematical models, are of little value if they cannot be validated outside of the model.

All empirical sciences use simplifying or unrealistic assumptions in their modeling activities. That is (no longer) the issue – as long as the assumptions made are not unrealistic in the wrong way or for the wrong reasons.

Theories are difficult to directly confront with reality. Economists therefore build models of their theories. Those models are representations that are directly examined and manipulated to indirectly say something about the target systems.

There are economic methodologists and philosophers that argue for a less demanding view on modeling and theorizing in economics. And to some theoretical economists it is deemed quite enough to consider economics as a mere “conceptual activity” where the model is not so much seen as an abstraction from reality, but rather a kind of “parallel reality”. By considering models as such constructions, the economist distances the model from the intended target, only demanding the models to be credible, thereby enabling him to make inductive inferences to the target systems.

But what gives license to this leap of faith, this “inductive inference”? Within-model inferences in formal-axiomatic models are usually deductive, but that does not come with a warrant of reliability for inferring conclusions about specific target systems. Since all models in a strict sense are false (necessarily building in part on false assumptions) deductive validity cannot guarantee epistemic truth about the target system. To argue otherwise would surely be an untenable overestimation of the epistemic reach of “surrogate models”.

Models do not only face theory. They also have to look to the world. But being able to model a credible world, a world that somehow could be considered real or similar to the real world, is not the same as investigating the real world. Even though all theories are false, since they simplify, they may still possibly serve our pursuit of truth. But then they cannot be unrealistic or false in any way. The falsehood or unrealisticness has to be qualified (in terms of resemblance, relevance etc). At the very least, the minimalist demand on models in terms of credibility has to give away to a stronger epistemic demand of “appropriate similarity and plausibility” (Pålsson Syll 2001:60). One could of course also ask for a sensitivity or robustness analysis, but the credible world, even after having tested it for sensitivity and robustness, can still be a far way from reality – and unfortunately often in ways we know are important. Robustness of claims in a model does not per se give a warrant for exporting the claims to real world target systems.

Anyway, robust theorems are exceedingly rare or non-existent in economics. Explanation, understanding and prediction of real world phenomena, relations and mechanisms therefore cannot be grounded (solely) on robustness analysis. Some of the standard assumptions made in neoclassical economic theory – on rationality, information-handling and types of uncertainty – are not possible to make more realistic by “de-idealization” or “successive approximations” without altering the theory and its models fundamentally.

If we cannot show that the mechanisms or causes we isolate and handle in our models are stable, in the sense that what when we export them from are models to our target systems they do not change from one situation to another, then they only hold under ceteris paribus conditions and a fortiori are of limited value for our understanding, explanation and prediction of our real world target system. If the world around us is heterogeneous and organic, mechanisms and causes do not follow the general law of composition. The analogy of vector addition in mechanics simply breaks down in typical economics cases.

The obvious ontological shortcoming of the epistemic approach is that “similarity” or “resemblance” tout court do not guarantee that the correspondence between model and target is interesting, relevant, revealing or somehow adequate in terms of mechanisms, causal powers, capacities or tendencies. No matter how many convoluted refinements of concepts made in the model, if the model is not similar in the appropriate respects (such as structure, isomorphism etc), the surrogate system becomes a substitute system that does not bridge to the world but rather misses its target.

To give up the quest for truth and to merely study the internal logic of credible worlds is not compatible with scientific realism. One has to – as Mäki (2009:41) argues

infer to conclusions about the world that are true or are likely to be true about the world … Justified model-to-world inference requires the model to be a credible surrogate system in being conceivable and perhaps plausible insofar as what it isolates – the mechanism – is concerned.

I find constructing “minimal economic models” or using models as “stylized facts” or “stylized pictures” somehow “approximating” reality, rather unimpressive attempts at legitimizing using fictitious idealizations for reasons more to do with model tractability than with a genuine interest of understanding and explaining features of real economies. Many of the model-assumptions standardly made by neoclassical economics are restrictive rather than harmless and could a fortiori anyway not in any sensible meaning be considered approximations at all.

Why should we be concerned with economic models that are purely hypothetical constructions? Even if a constructionist approach should be able to accommodate the way we learn from models, it is of little avail to treat models as some kind “artefacts” or “heuristic devices” that produce claims, if they do not also connect to real world target systems.

The final court of appeal for economic models is the real world, and as long as no convincing justification is put forward for how the inferential bridging de facto is made, credible counterfactual worlds is little more than “hand waving” that give us rather little warrant for making inductive inferences from models to real world target systems. Inspection of the models shows that they have features that strongly influence the results obtained in them and that will not be shared by the real world target systems. Economics becomes exact but exceedingly narrow.

If substantive questions about the real world are being posed, it is the formalistic-mathematical representations utilized to analyze them that have to match reality, not the other way around. As Keynes (1971-89:296) has it:

Economics is a science of thinking in terms of models joined to the art of choosing models which are relevant to the contemporary world. It is compelled to be this, because, unlike the natural science, the material to which it is applied is, in too many respects, not homogeneous through time.

The theories and models that economists construct describe imaginary worlds using a combination of formal sign systems such as mathematics and ordinary language. The descriptions made are extremely thin and to a large degree disconnected to the specific contexts of the targeted system than one (usually) wants to (partially) represent. This is not by chance. These closed formalistic-mathematical theories and models are constructed for the purpose of being able to deliver purportedly rigorous deductions that may somehow by be exportable to the target system. By analyzing a few causal factors in their “laboratories” they hope they can perform “thought experiments” and observe how these factors operate on their own and without impediments or confounders.

Unfortunately, this is not so. The reason for this is that economic causes never act in a socio-economic vacuum. Causes have to be set in a contextual structure to be able to operate. This structure has to take some form or other, but instead of incorporating structures that are true to the target system, the settings made in economic models are rather based on formalistic mathematical tractability. In the models they appear as unrealistic assumptions, usually playing a decisive role in getting the deductive machinery deliver “precise” and “rigorous” results. This, of course, makes exporting to real world target systems problematic, since these models – as part of a deductivist covering-law tradition in economics – are thought to deliver general and far-reaching conclusions that are externally valid. But how can we be sure the lessons learned in these theories and models have external validity, when based on highly specific unrealistic assumptions? As a rule, the more specific and concrete the structures, the less generalizable the results. Admitting that we in principle can move from (partial) falsehoods in theories and models to truth in real world target systems does not take us very far, unless a thorough explication of the relation between theory, model and the real world target system is made. If models assume representative actors, rational expectations, market clearing and equilibrium, and we know that real people and markets cannot be expected to obey these assumptions, the warrants for supposing that conclusions or hypothesis of causally relevant mechanisms or regularities can be bridged, are obviously non-justifiable. To have a deductive warrant for things happening in a closed model is no guarantee for them being preserved when applied to an open real world target system.

Economic theorists ought to do some ontological reflection and heed Keynes’ (1964 [1936]:297) warnings on using laboratory thought-models in economics:

The object of our analysis is, not to provide a machine, or method of blind manipulation, which will furnish an infallible answer, but to provide ourselves with an organized and orderly method of thinking out particular problems; and, after we have reached a provisional conclusion by isolating the complicating factors one by one, we then have to go back on ourselves and allow, as well as we can, for the probable interactions of the factors amongst themselves. This is the nature of economic thinking. Any other way of applying our formal principles of thought (without which, however, we shall be lost in the wood) will lead us into error.

If not, we will have to keep on wondering on what planet the neoclassical economists are living.

References

Keynes, John Maynard. (1964 [1936]). The General Theory of Employment, Interest, and Money. London: Harcourt Brace Jovanovich.

Keynes, John Maynard. (1971-89). The Collected Writings of John Maynard Keynes, vol. I-XXX, D E Moggridge & E A G Robinson (eds), London: Macmillan.

Keynes, John Maynard. (1973 [1921]). A Treatise on Probability. Volume VIII of The Collected Writings of John Maynard Keynes. London: Macmillan.

Mäki, Uskali. (2009). MISSing the World. Models as Isolations and Credible Surrogate Systems. Erkenntnis 70:29-43.

Pålsson Syll, Lars. (2001). Den dystra vetenskapen (”The dismal science”). Stockholm: Atlas.