چرا تغییرات سیاستی، مدل‌های اقتصادی پیش‌بینی‌کننده خود را از نظر ساختاری بی‌اعتبار می‌کنند؟

تصور کنید یک حفره ۱.۵ تریلیون دلاری در بودجه فدرال وجود دارد؛ چیزی در حدود کل هزینه‌های اختیاری ایالات متحده برای یک سال. این همان مقیاس اختلافی است که یک دولت با آن مواجه می‌شود، وقتی فرض می‌کند انسان‌ها رفتار خود را در واکنش به یک قانون جدید تغییر نخواهند داد. هنگامی که «کمیته مشترک مالیات» (JCT) قانون کاهش مالیات و مشاغل سال ۲۰۱۷ را ارزیابی کرد، دو رقم ارائه داد: افزایش ۱.۵ تریلیون دلاری کسری بودجه تحت امتیازدهی «ایستا» که فرض می‌کند رفتارها ثابت می‌مانند، و کسری ۱.۱ تریلیون دلاری تحت امتیازدهی «پویا» که تلاش می‌کند واکنش مردم را حدس بزند. تفاوت ۴۰۰ میلیارد دلاری بین این دو مدل، پایدارترین نقطه آسیب‌پذیر در حکمرانی مدرن را به تصویر می‌کشد: مدل‌هایی که برای پیش‌بینی نتیجه یک سیاست استفاده می‌شوند، توسط خود آن سیاست از نظر ساختاری بی‌اعتبار می‌گردند.[3][4]

استدلال در اینجا سرراست است: پیش‌بینی‌های اقتصاد کلان نه به دلیل نقص در ریاضیات یا کمبود داده‌ها، بلکه به این دلیل شکست می‌خورند که پارامترهای مورد اتکای این مدل‌ها، مصنوعات قوانین قدیمی هستند. به محض تغییر قوانین، پارامترها نیز تغییر می‌کنند. این پدیده یک اصطکاک آماری جزئی نیست؛ بلکه یک پارادوکس بنیادین است که تضمین می‌کند هر سیاستی که با داده‌های تاریخی توجیه شود، نتایجی مغایر با پیش‌بینی‌هایش به بار خواهد آورد. قوی‌ترین استدلال متقابل این است که مدل‌های پویای مدرن، که صراحتاً تلاش می‌کنند تغییرات رفتاری را پیش‌بینی کنند، این مشکل را حل کرده‌اند. اما همان‌طور که سوابق تاریخی نشان می‌دهد، حتی مدل‌های پویا نیز در پیش‌بینی گستره خلاقیت انطباق‌پذیری انسان با مشکل مواجه‌اند.[6]

در سال ۱۹۷۶، رابرت لوکاس جونیور، اقتصاددان دانشگاه شیکاگو، نقدی منتشر کرد که مدل‌های اقتصاد کلان رایج در دوران خود را ویران کرد. «نقد لوکاس» استدلال می‌کرد که پیش‌بینی اثرات تغییر در سیاست اقتصادی صرفاً بر اساس روابط مشاهده‌شده در داده‌های تاریخی، ساده‌لوحانه است. چرا؟ زیرا داده‌های تاریخی توسط افرادی تولید شده‌اند که انتخاب‌های خود را تحت رژیم سیاستی قدیم بهینه‌سازی کرده بودند. اگر دولت رژیم را تغییر دهد، افراد خود را برای رژیم جدید بهینه‌سازی می‌کنند و در نتیجه داده‌های تاریخی منسوخ می‌شوند.[1]

شواهد عینی استدلال لوکاس، شکست فاجعه‌بار منحنی فیلیپس در دهه ۱۹۷۰ است. در طول دهه ۱۹۶۰، سیاست‌گذاران یک رابطه پایدار و معکوس بین تورم و بیکاری مشاهده کردند: وقتی یکی بالا می‌رفت، دیگری پایین می‌آمد. بر اساس این داده‌های تاریخی، بانک‌های مرکزی فرض کردند که می‌توانند با تحمل تورم اندکی بالاتر، بیکاری پایین‌تر را برای همیشه بخرند. آن‌ها با این منحنی تاریخی مانند یک قانون ساختاری طبیعت رفتار کردند و متوجه نشدند که این منحنی تنها به این دلیل وجود داشت که تورم قبلاً پایین و باثبات بود و انتظارات عمومی را مهار کرده بود.

اما به محض اینکه سیاست‌گذاران تلاش کردند از این تبادل بهره‌برداری کنند، این رابطه فروپاشید. کارگران و شرکت‌ها متوجه شدند که تورم به‌طور عمدی در حال افزایش است، بنابراین نحوه شکل‌گیری انتظارات خود را تغییر دادند. کارگران در قراردادهای خود خواستار تعدیل‌های تهاجمی هزینه‌های زندگی شدند و شرکت‌ها برای محافظت از حاشیه سود خود، پیشاپیش قیمت‌ها را افزایش دادند. نتیجه این امر «رکود تورمی» بود؛ افزایش همزمان تورم و بیکاری که مدل‌های دهه ۱۹۶۰ آن را از نظر ریاضی غیرممکن می‌دانستند. این سیاست، پارامترهای رفتاری را که در وهله اول آن را توجیه می‌کرد، تغییر داده بود.

این سازوکار محدود به بانکداری مرکزی نیست؛ بلکه یک ویژگی جهان‌شمول در سیستم‌های انسانی است که در «قانون گودهارت» گنجانده شده است. این قانون که توسط چارلز گودهارت، اقتصاددان بریتانیایی در سال ۱۹۷۵ ابداع شد، بیان می‌کند که «وقتی یک معیار به یک هدف تبدیل می‌شود، دیگر معیار خوبی نیست.» یا در بیان دقیق‌تر آن: هر نظم آماری مشاهده‌شده‌ای، به محض اینکه برای اهداف کنترلی تحت فشار قرار گیرد، تمایل به فروپاشی دارد. گودهارت دریافت که معیارهای نیابتی به محض اینکه مشوقی برایشان در نظر گرفته شود، شکست می‌خورند، زیرا انسان‌ها همیشه به جای هدف اصلی، خود را برای آن معیار بهینه‌سازی می‌کنند.[2]

قانون گودهارت توضیح می‌دهد که چرا اهداف ظاهراً منطقی، نتایج پوچی به بار می‌آورند. اگر عملکرد یک کارخانه با تعداد میخ‌هایی که تولید می‌کند سنجیده شود، هزاران میخ کوچک و بی‌فایده تولید خواهد کرد. اگر یک بیمارستان با نرخ بهبودی بیماران ارزیابی شود، از پذیرش بیماران بدحال خودداری می‌کند تا میانگین خود را حفظ کند. این معیار تنها زمانی شاخص قابل‌اعتمادی برای عملکرد بود که هدف‌گذاری نشده بود. به محض اینکه به هدف صریح تبدیل شد، سوژه‌ها سیستم را دور زدند و ارزش پیش‌بینی‌کننده معیار را کاملاً از بین بردند.[5]

عرصه مدرن این کشمکش، بحث مداوم بر سر نحوه امتیازدهی دفتر بودجه کنگره (CBO) و کمیته مشترک مالیات (JCT) به قوانین پیشنهادی است. دهه‌هاست که این نهادها عمدتاً بر امتیازدهی ایستا تکیه کرده‌اند. اگر دولت نرخ مالیات ۵۰ درصدی را برای ۱۰۰ دلار درآمد به ۲۵ درصد کاهش دهد، مدل ایستا ۲۵ دلار کاهش درآمد را پیش‌بینی می‌کند. این مدل فرض می‌کند که مودی مالیاتی دقیقاً همان ۱۰۰ دلار را به دست خواهد آورد و این واقعیت را کاملاً نادیده می‌گیرد که نرخ مالیات پایین‌تر، ساختار انگیزشی بنیادین کار و سرمایه‌گذاری را تغییر می‌دهد.[3][4]

اما مودیان مالیاتی موجوداتی ایستا نیستند. نرخ پایین‌تر، انگیزه برای ساعات کار بیشتر، سرمایه‌گذاری بیشتر و گزارش درآمدی را که در غیر این صورت ممکن بود پنهان بماند، افزایش می‌دهد. با درک این واقعیت، کنگره به‌طور فزاینده‌ای نیازمند امتیازدهی پویا است که از مدل‌های اقتصاد کلان برای تخمین چگونگی تغییر اندازه کلی اقتصاد توسط یک سیاست استفاده می‌کند. امتیازدهی پویا تلاش می‌کند «سود سهام رشد» را به تصویر بکشد؛ یعنی درآمد مالیاتی اضافی که به این دلیل ایجاد می‌شود که کاهش مالیات، فعالیت اقتصادی بیشتری را نسبت به آنچه خط پایه ایستا می‌توانست پیش‌بینی کند، تحریک کرده است.[3][4]

با این حال، امتیازدهی پویا نیز به‌شدت در برابر نقد لوکاس آسیب‌پذیر است. مدل‌هایی که برای پیش‌بینی واکنش رفتاری به کاهش مالیات استفاده می‌شوند، بر اساس داده‌های تاریخی از نحوه واکنش مردم به کاهش‌های مالیاتی قبلی ساخته شده‌اند. اما اقتصاد سال ۲۰۲۶، اقتصاد سال ۱۹۸۶ نیست. ساختار سرمایه جهانی، رواج دورکاری و پیچیدگی محض زنجیره‌های تامین شرکتی مدرن به این معناست که پارامترهای رفتاری تاریخی بعید است پابرجا بمانند. وقتی JCT بازخورد اقتصاد کلان یک قانون جدید را مدل‌سازی می‌کند، همچنان در حال حدس زدن این موضوع است که نبوغ انسانی چگونه از قوانین جدید بهره‌برداری خواهد کرد.[6]

شفافیت این مدل‌ها برای درک محدودیت‌هایشان بسیار مهم است. طرفداران امتیازدهی پویا استدلال می‌کنند که این روش، سوگیری ساختاری علیه سیاست‌های حامی رشد را از بین می‌برد و تصویر دقیق‌تری نسبت به مدل‌های ایستا که وانمود می‌کنند رفتار انسان در زمان منجمد شده است، ارائه می‌دهد. در مقابل، منتقدان پاسخ می‌دهند که مدل‌های پویا نیازمند آن هستند که امتیازدهندگان مفروضات بسیار ذهنی درباره رفتار آینده بسازند و این امر خطر سیاسی شدن نهادهای غیرحزبی را به همراه دارد. هر دو طرف بر سر این موضوع بحث می‌کنند که کدام مجموعه از مفروضات ناقص، خطر کمتری برای روند قانون‌گذاری دارد.[3][4]

تنش بین پیش‌بینی ایستا و پویا، محدودیت سختی را در حکمرانی تکنوکراتیک آشکار می‌کند. سیاست‌گذاران به‌شدت خواهان قطعیت یک نقشه مهندسی هستند، جایی که کشیدن یک اهرم قانون‌گذاری، نتیجه مکانیکی تضمین‌شده و از نظر ریاضی دقیقی را به همراه داشته باشد. اما اقتصاد یک ماشین نیست؛ بلکه یک سیستم تطبیقی پیچیده متشکل از میلیون‌ها عامل آینده‌نگر است که فعالانه نقشه دولت را می‌خوانند و رفتار خود را برای پیشی گرفتن از آن تنظیم می‌کنند. هر مقررات، پله مالیاتی یا یارانه جدید، مانند شلیک تپانچه شروع برای حسابداران، وکلا و شهروندان عمل می‌کند تا کارآمدترین مسیر را در این هزارتوی جدید بیابند.[1][2]

این بدان معنا نیست که مدل‌سازی اقتصادی باید کاملاً کنار گذاشته شود. بلکه به این معناست که مدل‌ها باید به عنوان سناریوهای پایه در نظر گرفته شوند، نه گوی‌های بلورین پیش‌گویی. یک سیاست مستحکم، سیاستی نیست که آینده را بر اساس گذشته به‌طور کامل پیش‌بینی کند، بلکه سیاستی است که حتی زمانی که مردم به‌طور اجتناب‌ناپذیری رفتار خود را برای دور زدن رژیم جدید تغییر می‌دهند، از نظر ساختاری سالم بماند. آزمون واقعی یک سیاست، امتیازی نیست که در روز تصویب می‌گیرد، بلکه نحوه بقای آن در برابر انطباقی است که برمی‌انگیزد.[6]

آزمون بزرگ بعدی این پویایی زمانی فرا می‌رسد که مقررات مالیاتی عظیم سال ۲۰۱۷ سرانجام منقضی شوند. در حالی که کنگره درباره تمدید آن‌ها بحث می‌کند، CBO و JCT امتیازات جدیدی تولید خواهند کرد و قانون‌گذاران دوباره آن پیش‌بینی‌ها را به عنوان حقایق مطلق و غیرقابل‌انکار به کار خواهند گرفت. اما اعداد چاپ‌شده روی آن صفحات، تنها نشان‌دهنده نحوه رفتار آمریکایی‌ها تحت قوانین قدیمی خواهد بود. به محض اجرای قوانین جدید، پارامترها تغییر خواهند کرد، مدل‌ها خواهند شکست و مردم شروع به بهینه‌سازی خود برای واقعیتی خواهند کرد که امتیازدهندگان به هیچ وجه نمی‌توانستند آن را پیش‌بینی کنند.[6]