【学术观点回顾】Wolfram Elsner教授探讨“复杂性视角下的创新”

      2023年10月24日下午，应英国(正版)365官方网站及我校海外学者讲学计划邀请，德国不来梅大学荣休教授、曾担任两届欧洲演化政治经济学学会主席的Wolfram Elsner教授以《复杂性视角下的创新：创新的"深层结构"与政策》为题，在廖凯原楼514发表演讲。本次讲座由英国(正版)365官方网站副教授封凯栋主持。

      讲座伊始，Wolfram Elsner教授指出了主流经济学对创新的过于简化和乐观的看法，认为市场能够自动产生和优化创新，而忽视了创新的不确定性、非线性、非均衡、非最优和非平等特征。他认为，创新不仅是技术变化，也是社会制度变化，需要考虑其系统性、网络性、互动性和制度性等方面。

      紧接着，Wolfram Elsner教授接着介绍了复杂经济学的基本概念和方法，将社会经济系统视为一个复杂自适应系统（CAS），由许多异质的主体在不同的竞争与合作结构中相互作用，并产生各种动态和结构。他强调了自组织机制在复杂系统中的重要作用，尤其是合作机制在解决社会困境问题和促进创新中的作用。

      如何基于复杂经济学更好理解创新和创新政策？Wolfram Elsner教授提出了一些建议，包括：政府的政策应当增强未来导向性、信任和承诺等因素，促进长期合作改善激励结构，奖励合作，减少“赢者通吃”的现象；提供稳定的过程预期，支持互动学习和习惯形成塑造适当规模、分层次、重叠的互动领域和网络结构；平衡稳定性和变化性之间的权衡，关注系统的灵活性和韧性建立高效的公共行动能力，利用算法工具（大数据、人工智能、机器学习等）进行复杂系统的管理和干预。

      封凯栋老师结合自身体会对讲座进行了评议。他指出，讲座涉及详尽的经济学知识，强调了不同行为主体的作用或共同体的建立。他围绕当复杂互动下国家的角色和干预的时机与Wolfram Elsner教授作了进一步交流。

      在交流环节，参加讲座的学者和同学们围绕微观代理结构和中观突发结构的关系、过度扰动的识别等问题向Wolfram Elsner教授进一步请教。Wolfram Elsner教授对此逐一进行了解答。讲座在热烈的气氛中结束。

学术观点回顾

一、问题：“创新的阴暗面”

      在主流经济学中，创新被认为是外生的，即随机冲击。这样的世界观也塑造了关于创新的日常言论和思维:市场最能促进创新，市场中的创新总是好的，进步的，提高福利的。

      在资本主义世界，许多创新研究人员最近从乐观主义转向悲观主义指出"创新的阴暗面"，例如创新对环境、公众健康、工作条件和就业的负面影响和冲击、欺骗公众/国家、逃避监管的 "创新"、创新的收益和成本分配不均等。

二、真实世界创新的复杂性

      从复杂性的角度来看，社会经济是复杂适应系统。许多不同种类的代理人在不同和重叠的领域、在不同的网络拓扑结构市场不断地相互作用。“市场”很容易导致感知的过度复杂和感知的过度动荡。

      创新是系统和网络相关的、具有不确定性和偶然性、程序性和“路径依赖性”，也是非最优的，部分是破坏性的、部分是减少福利的，通常不利于成本和收益的分配。因此，创新需要融入社会，由一个强大的发展型和创业型国家进行良好的治理和监管。

三、“自组织”和“合作的进化”：社会制度、网络和政策

      通过制度化的自组织可能表现为：在社会困境中合作解决问题，从长远来看，建立非正式的“工具性保证的”社会机构；或者强化短视的短期主义文化：“仪式性的”机构，产生社会成本的代理人。其生成形式是一些工具的稳定性与适当的变化。或僵化，滞后，锁定等，最终导致动荡、危机和崩溃。两者都反映了主体中心性的不同分布结构，代表不同的网络结构，从不同的自组织机制中涌现。

      要构建双重互动政策，针对系统的“深层结构”，即微观主体互动结构和中观涌现结构；增加对未来的认识/重视:支持长期理性；改善激励结构:奖励合作，惩罚背叛，减少“赢者通吃”现象。

四、结论：更好地理解创新和创新政策

      我们可以将我们在复杂适应系统和自组织机制方面的知识应用于政策制定一一通过一个进化的“制度”，促进“公认的相互依存”的“政策”，合作制度化的未来方向和激励，“赋予”适当的期望、信任、承诺和创新，启动解决问题制度化的进程。

      这可以通过改善认知和“预期”条件来减少感知的过度复杂和过度混乱这种政策通过塑造适当规模、分层和重叠的互动场所/团体/网络结构来重新嵌入代理。它将产生小世界网络结构：高度集群化，使有效创新的地方合作成为可能。它平衡了变化维度(解决问题的灵活性与过度动荡)和稳定维度(解决问题的稳定性与刚性)之间的永久性权衡，需要与私人互动系统进行长期、有时是大规模的互动，并需要国家进行学习和调整政策干预。构建高集体行动能力需要由高质量的算法工作来支持，例如“大数据”、人工智能、机器学习，加上复杂建模、ACE/ABM模拟。