生产率
今天英国出现了一条看起来并不轰动，
但其实很有意思的新闻。
英国国家统计局重新计算了生产率。
结果发现：
过去二十多年，
英国生产率可能一直比原来统计的稍微好一点。
按照新的计算方法，
1997年至2024年，
英国每小时产出的年均增长大约是：
1.3%。
旧方法算出来的是：
1.1%。
如果看累计变化，
差距更加明显。
新方法认为，
英国2024年的每小时产出比1997年高出大约：
41%。
原来的数字只有：
34%。
奇怪的是：
英国昨天没有突然多建一批工厂。
今天也没有突然多生产7%的东西。
过去二十多年发生的事情，
当然也没有改变。
改变的只是：
我们测量它的方法。
这件事情提醒我们一个很容易忘记的问题
GDP。
生产率。
失业率。
通胀。
工资增长。
零售销售。
这些数字每天出现在新闻里，
看起来非常精确。
1.3%。
3.1%。
0.4%。
甚至精确到：
0.1个百分点。
于是很容易产生一种感觉：
经济就像测量温度。
温度计显示：
21.4°C。
那就是21.4°C。
但很多经济数据根本不是这样。
它们不是简单地：
“读出来”。
而是：
估算出来。
生产率尤其如此
生产率最基本的概念其实很简单。
一个人工作一小时，
创造多少经济产出？
假设一家工厂：
100个人。
工作1000小时。
生产1000件产品。
生产率很好计算。
但如果计算整个英国呢？
几千万人。
制造业。
银行。
医院。
学校。
餐厅。
软件公司。
建筑工地。
自由职业者。
兼职员工。
居家办公。
加班。
休假。
突然事情就复杂了。
计算生产率至少需要知道两件事情
第一：
经济到底生产了多少东西？
第二：
大家到底工作了多少小时？
第一项已经很难。
第二项同样不容易。
一个人合同写：
每周37.5小时。
实际上可能工作：
42小时。
另外一个人合同40小时，
实际只工作35小时。
有人兼职。
有人有两份工作。
有人请病假。
有人在家晚上又回复了两小时邮件。
这些时间到底怎么算？
英国过去大量依赖劳动力调查
简单说就是：
问人。
你有没有工作？
做什么工作？
工作多少小时？
这种调查当然非常重要。
但近年来英国劳动力调查遇到一个越来越严重的问题：
愿意回答调查的人越来越少。
这其实不只是英国的问题。
二十年前，
家里电话响了。
有人说：
我们正在进行政府调查。
很多人可能愿意聊十分钟。
今天呢？
陌生号码。
很多人的第一反应是：
诈骗。
直接挂掉。
当回答调查的人越来越少，统计就开始变困难
假设调查10000个人。
9000个人回答。
结果可能相当可靠。
如果只有3000个人回答，
问题就出现了。
更重要的是：
那3000个人可能并不是随机的。
什么人更愿意回答政府调查？
什么人不愿意？
年轻人？
老人？
忙碌的专业人士？
兼职员工？
移民？
居家工作者？
不同群体的回答率不同，
最终就可能产生：
Bias。
偏差。
所以英国现在开始更多使用行政数据
例如：
税务记录。
企业工资系统。
雇主调查。
这些数据的优势很明显。
不是问一个人：
“你有没有工作？”
而是直接看到：
这个月有没有通过Payroll领工资。
这就像管理一家工厂。
以前靠员工填写：
“我今天工作了多少小时。”
后来发现：
系统本身已经有：
打卡记录。
机器运行记录。
订单数据。
为什么不用这些数据？
数据源一变，历史就可能被重新解释
这次英国生产率上调，
一个重要原因就是：
新的方法认为英国人实际工作的总小时数，
可能比过去估计的少。
经济产出基本没有因此改变。
分母变小。
于是：
每小时产出变高。
生产率自然就提高了。
这在数学上非常简单。
但背后的意义却很大。
因为政府几十年来一直在讨论：
英国生产率为什么这么差？
现在突然发现：
可能没有原来想象中那么差。
但这并不意味着“生产率问题不存在”
新的统计仍然显示：
2008年金融危机以后，
英国生产率增长明显放缓。
只是放缓的程度，
可能没有以前计算得那么严重。
所以更准确的说法不是：
以前全部算错了。
而是：
随着数据变好，
我们对现实的估计变得更准确。
这其实就是统计应该有的样子。
但普通人看新闻的时候，很容易忘记这一点
新闻会写：
GDP增长0.2%。
于是我们觉得：
0.2就是事实。
但几个月以后，
可能修改成：
0.3%。
再过几年，
统计方法变化以后，
历史数据可能再次修改。
所以很多经济数字真正应该理解成：
目前最好的估计。
而不是：
绝对真相。
这和工程测量其实很像
任何做实验的人都知道：
测量一个东西，
不能只写：
100。
还需要问：
单位是什么？
传感器精度是多少？
采样频率是多少？
校准过吗？
误差范围是多少？
测量位置在哪里？
环境条件是什么？
否则：
100
这个数字本身几乎没有意义。
经济数据其实也是一样。
假设两个人都说失业率5%
听起来完全一样。
但可能一个国家统计的是：
积极寻找工作的人。
另外一个统计体系定义不同。
有些长期不找工作的人，
可能已经不属于“失业人口”，
而是：
经济不活跃人口。
所以同样一个数字，
定义不同，
含义完全不同。
通胀也是如此
我们经常听到：
通胀3%。
但谁的通胀？
如果一个年轻人：
租房。
不开车。
经常外食。
他的个人通胀率可能是：
5%。
一个退休老人：
房子已经付清。
不开车。
医疗和能源支出很多。
可能完全不同。
官方CPI实际上只是：
一个代表性消费篮子的价格变化。
它不是每个人真实生活成本的精确描述。
GDP更加典型
如果一场暴风雨把很多房子损坏，
社会需要：
维修。
重建。
购买材料。
GDP可能因此增加。
但社会真的变富了吗？
未必。
只是我们花很多钱，
把已经拥有的东西修回来。
所以：
GDP是一个非常重要的指标。
但它测量的是：
经济活动。
不是：
幸福。
更不是：
生活是否变得更好。
数字最大的危险不是数字错误
而是：
我们忘记了数字到底在测什么。
比如：
项目完成率90%。
听起来很好。
但什么叫“完成”？
提交报告算完成？
客户接受算完成？
产生商业价值才算完成？
三个定义可以得到完全不同的数字。
所以很多KPI的问题，
从来不是计算错误。
而是：
定义错误。
企业里面这种情况其实更多
管理层问：
系统可用率多少？
99%。
很好。
但如果用户真正需要系统的时候经常打不开，
99%有什么意义？
因为系统可能每天凌晨统计得很好，
白天高峰期却经常出问题。
又比如：
设备利用率95%。
听起来非常优秀。
但如果因为利用率太高，
没有时间维护，
最后突然停机两周，
这个KPI到底是不是好事？
数据越多，不一定代表我们越理解现实
今天公司都有Dashboard。
几十个KPI。
实时数据。
图表。
颜色。
趋势线。
看起来非常科学。
但真正重要的问题仍然是：
这个数据是怎么来的？
谁定义的？
缺失数据怎么处理？
异常值有没有删除？
传感器可靠吗？
样本有没有偏差？
统计口径有没有改变？
如果这些问题不知道，
Dashboard只是把不确定性：
画得更漂亮。
AI时代这个问题可能会更加重要
未来我们会越来越习惯问AI：
英国生产率是多少？
中国青年失业率是多少？
美国制造业增长多少？
AI会非常快速地给出一个数字。
甚至可能精确到：
小数点后两位。
这反而容易让人产生一种错误的确定感。
因为：
回答越流畅，
数字看起来越可信。
但AI并没有消除统计学问题。
它只是让获取数字变得更容易。
所以未来真正重要的能力可能不是“找到数字”
而是：
判断数字。
看到一个数据以后，
多问几句：
来源是什么？
什么时候的数据？
统计范围是什么？
定义有没有变化？
样本量多大？
有没有修订？
还有没有其他指标支持同样结论？
这可能比记住数字本身更加重要。
英国这次生产率修订就是一个很好的例子
如果去年有人非常自信地说：
1997年以来英国生产率提高了34%。
他说的并没有错。
那就是当时的官方数据。
今天官方告诉我们：
按照新的方法，
更合理的估计可能接近41%。
于是昨天的“事实”，
今天变成了：
过去的一种估计。
这并不意味着统计没有价值。
恰恰相反。
这说明统计系统在：
修正自己。
科学真正可靠的地方，也不是永远不改变答案
而是允许答案改变。
有更好的数据，
就修改。
有更好的测量方法，
就重新计算。
发现过去的方法有偏差，
就承认。
这其实比坚持一个看起来非常确定的数字，
更加可信。
但政策制定就会因此变得非常困难
假设政府认为：
英国生产率非常差。
于是投入几十亿解决问题。
五年以后发现：
原来的统计低估了一部分生产率。
那之前的政策错了吗？
也不能简单这么说。
因为政策制定永远只能使用：
当时能够获得的信息。
这就是现实世界决策最困难的地方。
我们总是在：
信息不完整的时候，
做必须做的决定。
企业管理也是一样
没有哪个项目经理拥有完美数据。
成本估算会变。
交付日期会变。
技术风险会变。
客户需求会变。
所以好的决策不是：
等待100%确定。
而是：
知道自己的数字有多不确定。
这两种思维差别非常大。
一个数字最重要的信息，有时候不是它是多少
而是：
我们对它有多确定。
95。
听起来很好。
95 ± 1。
和
95 ± 30。
完全不是一回事。
但商业报告和新闻里面，
后面的误差范围经常消失。
最后只剩下：
95。
于是所有不确定性，
被一个非常整齐的数字隐藏起来。
这也是为什么经验丰富的人看数据，经常先不看结果
而是先问：
这个数据怎么来的？
工程师会问传感器。
科学家会问实验方法。
统计学家会问样本。
投资者会问会计口径。
真正理解数据的人通常知道：
数字只是最后一步。
前面的测量过程，
才决定这个数字有没有意义。
英国生产率今天并没有突然提高
工厂没有突然多生产。
办公室也没有突然更有效率。
英国人的生活水平不会因为统计方法改变，
明天早上突然提高7%。
真正改变的是：
我们看过去的尺子。
而这件看起来很小的新闻，
其实提醒了一个非常重要的道理：
现代社会越来越依赖数据做决定。
但数据并不是现实本身。
它只是：
我们用某一种方法，对现实进行的测量。
方法改变，
数字可能改变。
定义改变，
结论可能改变。
数据越来越多以后，
真正稀缺的能力，
也许已经不是会不会找到数字。
而是看到一个非常精确的数字以后，
仍然记得问一句：
这个数字，到底是怎么算出来的？
感谢大家阅读！
你平时看到GDP、通胀、失业率或者企业KPI的时候，会不会主动去看它们的统计口径？你觉得AI让数据越来越容易获得以后，我们会变得更了解世界，还是反而更容易被“看起来很精确”的数字误导？