Позитивные измененияБизнес

Нобелевская премия

В области экономики 2021 года: новый шаг в оценке социального воздействия

Мы давно привыкли к присутствию сложных научных открытий в нашей повседневной жизни. Глубокая ассимиляция бытовых привычек и высоких технологий — наша привычная среда.

Переводя многие процессы и сферы жизни в цифру, мы задумываемся о том, чья очередь дальше? Как оценить успешность новых процессов? И можем ли мы с помощью современных технологий и канонов математики оцифровать, оценить, сравнить, спрогнозировать не охваченные еще процессы?

Оценка социального воздействия современного бизнеса — одна из актуальных задач текущего времени. Импакт-бизнес, безусловно, должен быть успешен в двух сферах — как в экономике, так и в реализации своей социальной миссии. И если с оценкой экономической эффективности бизнеса все достаточно понятно, как оценить, стала ли жизнь в обществе лучше в результате реализации импакт-миссии? Перед оценивающим всегда стоит непростая задача — выбрать верный метод и базироваться на достоверных данных, которые в процессе импакт-влияния нужно еще выявить и правильно собрать.

Лауреаты Нобелевской премии 2021 года в области экономики Дэвид Кард, Хидо Имбенс и Джошуа Ангрист — трое ученых из американских университетов — сделали важный шаг в этом направлении, показав миру способы того, как можно сделать научные выводы на материале, казалось бы, ненаучных экспериментов. Эту методологию можно использовать для оценки сложных общественных процессов и получать, как показали авторы, достоверные результаты.

Основной проблемой исследований в социальных процессах является сложность организации контролируемого эксперимента. Нельзя сделать строгую выборку подходящих нам для эксперимента людей и подвергнуть их целенаправленно влиянию, например перевести на здоровое питание. Мы можем оценивать только тех, чей осознанный выбор привел их к такому питанию. Но какие факторы повлияли на выбор этих людей? Можем ли мы полноценно их соотносить с теми, кто к такому выбору не пришел? И каково наше влияние на такой выбор, если мы ведем регулярную пропаганду здорового образа жизни? Вот тут-то и поможет нам созданная нобелевскими лауреатами методология оценки результатов естественных экспериментов. Ученые смогли ввести научно-доказательную базу в эксперименты, которые строит сама жизнь. Если в одном городе или одной стране вдруг повышают минимальную зарплату, сокращают рабочую неделю или расширяют наем мигрантов, а в соседних — нет, то по замеру результатов уже можно сказать, как это влияет на благосостояние людей и общества в целом. Другими словами, ученые предложили искать две разные группы людей, одна из которых случайным образом столкнулась с влиянием социального фактора, а вторая случайно его избежала.

Дэвид Кард, используя метод естественных экспериментов, проанализировал влияние минимальной заработной платы, уровня иммиграции и образования на формирование рынка труда. Он выявил, что повышение минимальной заработной платы не всегда ведет к сокращению числа рабочих мест, а среднее образование имеет более высокую ценность, чем считалось раньше. В своих исследованиях Кард показал, что базовые модели экономической теории, если их воспринимать как догму и не проверять эмпирически, приводят к неверным выводам. В теории предполагается, что на рынке зарплата сотрудника равна его максимальной производительности: с одной стороны, организация не может больше платить сотруднику, ориентируясь на предел расходов, с другой стороны, сотрудник за меньшее не согласится работать, перейдет в другую организацию. Отсюда вредны любые попытки государства установить минимальную зарплату выше рынка. Такая парадигма часто транслируется теми, кто против повышения минимального размера оплаты труда.

Вторая догма, которую развенчал Кард, — это влияние притока мигрантов на занятость коренного населения. Об этом говорила классическая модель баланса спроса и предложения на рынке. Любое увеличение населения в этой модели (в том числе из-за миграции) приводит к увеличению числа работников на рынке и при фиксированном количестве рабочих мест дает снижение заработной платы и рост безработицы. Дэвид Кард опубликовал две крупные работы по этой теме. Первая была результатом исследования того, как более 120 000 мигрантов-кубинцев в 80-м году повлияли на рынок труда Майами. Просто сравнить безработицу и заработную плату в Майами в режиме «до и после» притока мигрантов было невозможно, экономика США переживала рост в 1979 году и падение в 1981 году по причинам, не имеющим ничего общего с этими мигрантами. Но Кард сделал анализ средних изменений в заработной плате и безработице с конца 1970-х по 1980-е годы в Атланте, Хьюстоне, Лос-Анджелесе, Тампе и Санкт-Петербурге. Затем он вычел это изменение из изменения результатов рынка труда в Майами и получил влияние притока иммигрантов на заработную плату и безработицу в городе. Кард обнаружил, что этот приток практически не повлиял на заработную плату неквалифицированных некубинцев в Майами, а также не увеличил безработицу среди чернокожих или некубинцев.

Методологическим основанием исследования Карда стал метод «разности разностей». Данный метод можно широко использовать для исследования факторов влияния в естественных экспериментах. Суть метода в простейшей реализации выглядит так: наблюдаются некоторые исходы для двух групп и двух временных периодов. Одна из групп подвержена воздействию или участвует в некоторой программе в одном из периодов, а вторая группа не подвержена воздействию ни в одном из периодов. В случае, когда одни и те же объекты внутри групп наблюдаются в каждом периоде, среднее изменение исхода во второй (контрольной) группе вычитается из среднего изменения исхода в первой (опытной) группе. Это устраняет смещение при сравнении исходов в опытной и контрольной группах только во втором периоде, которое может быть следствием постоянных различий между группами, а также смещение при сравнении во времени, которое может быть вызвано временными трендами, никак не связанными с программой.

Более подробно возможности и потенциал данной методологии можно рассмотреть на примере, приведенном Джеффри Вулдриджом в публикации «Оценивание методом «разность разностей»: предположим, что один из штатов США осуществляет программу в области здравоохранения для пожилых людей в возрасте 65 лет и старше, и зависимая переменная y — это некий показатель здоровья. Одна из возможностей состоит в том, чтобы использовать данные только по жителям штата, в котором реализуется программа, как до, так и после ее внедрения и в качестве контрольной группы взять жителей в возрасте до 65 лет (или в возрасте от 55 до 64 лет), а в качестве опытной группы — жителей в возрасте 65 лет и старше. Потенциальная проблема такого анализа состоит в том, что другие факторы, не связанные с новой программой штата, могут повлиять на уровень здоровья пожилых людей по сравнению с молодыми, например изменения политики в области здравоохранения на федеральном уровне. Иная стратегия анализа заключается в использовании другого штата для формирования контрольной группы, то есть в рассмотрении пожилых жителей штата, в котором программа отсутствует, в качестве контрольной группы. Тем самым накладывается постоянное изменение между этими двумя группами, и в дальнейшем измеряется влияние непосредственно самой программы на исследуемый показатель.

Итак, вернемся к математической постановке данного метода.

При наличии повторяющихся выборок за два периода времени модель, тестируемая с помощью данного метода, записывается следующим образом:

где y — представляющий интерес исход,

d2 — фиктивная переменная для второго периода,

dB — фиктивная переменная для опытной группы.

Фиктивная переменная d2 улавливает факторы, которые бы вызвали изменения y даже при отсутствии воздействия или программы. Фиктивная переменная dB улавливает возможные различия между опытной и контрольной группами соответственно. Представляющий собой интерес коэффициент 1 находится при переменной взаимодействия d2dB, которая совпадает с фиктивной переменной, равной единице, для наблюдений в опытной группе во втором периоде. Оценка 1 методом «разность разностей» (РР-оценка) — это обычная оценка метода наименьших квадратов для уравнения (1) на основе случайной выборки по исследуемым группам. Ее можно записать в виде

где А обозначает контрольную группу.

Таким образом, выборка в нашем исследовании также будет представлять две группы, которые будут выражаться в двух группах компаний, одна из которых являлась нарушителем закона (опытная) в одном из двух периодов, а другая подобных действий не осуществляла ни в одном из периодов (контрольная). Таким образом, переменная d2 в нашем уравнении характеризует соответствующий конкретному наблюдению период, а переменная dB будет представлять различие между опытной и контрольной группами. В итоге данный метод предоставляет нам возможность выявить чистое влияние программы на какой-либо индивидуальный социальный или экономический компонент.

Второй крупной работой Дэвида Карда было изучение влияния минимальной заработной платы на занятость. Проверялась гипотеза, что введение минимальной заработной платы окажет негативное влияние на занятость. Исследование базировалось на том, что 1 апреля 1992 года в Нью-Джерси должны были повысить минимальную заработную плату с 4,25 до 5,05 доллара в час. Исследователи собрали данные по уровню занятости в ресторанах быстрого питания в Нью-Джерси и Пенсильвании до и после указанного повышения в Нью-Джерси. Результат показал, что повышение минимальной заработной платы привело к увеличению занятости, так как в Нью-Джерси она фактически выросла.

Следующая фундаментальная задача, которая в общем виде выражается как поиск причинно-следственной связи между решениями (индивидуальными или государственными) и экономическими результатами, была взята в работу Джошуа Ангристом. Причинно-следственные вопросы требовали особого языка. Ангрист в своих работах опирался на придуманную в семидесятых годах Дональдом Рубиным модель «потенциальных исходов».

Исходные предпосылки модели: у каждого индивида есть набор потенциальных исходов, которые с ним могут произойти в зависимости от того, каким будет его решение. Например, если у человека болит зуб, то он может либо принять обезболивающую таблетку, либо пойти к стоматологу, либо ничего не делать. Каждое из этих решений приведет к какому-то потенциальному результату. В фактических данных мы наблюдаем только один из этих исходов, мы не знаем исход, если бы тот же самый индивид принял другое решение. Эта фундаментальная проблема причинно-следственного анализа не имеет решения, мы никогда не сможем измерить эффект воздействия для конкретного индивида. В то же время при определенных предпосылках мы можем измерить некоторый средний эффект.

В своей работе 1994 года Имбенс и Ангрист показывают, как применить эту методологию к инструментальными переменным. Вместо придумывания потенциальных предпосылок, чтобы оценить эффект для всех, исследователи перевернули задачу и спросили, для кого мы можем оценить эффект при разумных предпосылках. Ответ оказался простым и интуитивным: средний эффект можно рассчитать для тех индивидов, которые изменили свое решение под воздействием инструмента, — так называемый локальный средний эффект воздействия (Local Average Treatment Effect).

Опираясь на новую методику, Ангрист и Крюгер изучали влияние образования на заработную плату. Их задача состояла в исключении других влияющих факторов — способностей человека или его семейного происхождения. Ученые решили базироваться на данных о годе рождения учащихся, чтобы предсказать, сколько учащиеся будут учиться в школе. Предполагалось, что год рождения не связан с происхождением и врожденными способностями, соответственно, он не влияет на успешность и уровень заработной платы человека в будущем. На большой выборке они подсчитали, что влияние обучения на заработки по факту оказалось больше, чем предыдущие оценки с использованием традиционных методов. Так был установлен стандарт для такого рода анализа.

Новые идеи не сразу получили признание официальной науки. В начале девяностых работы Дэвида Карда вызывали много критики со стороны исследователей — и в том числе нобелевских лауреатов, как и подход Имбенса и Ангриста к анализу причинно-следственных связей. Но за прошедшие годы эти идеи выдержали свою проверку временем, и сегодня сложно представить себе эмпирическую работу, не опирающуюся в какой-то степени на исследования Карда, Имбенса и Ангриста. Такой подход к прикладным исследованиям получил название «революция достоверности» (credibility revolution). «Благодаря им роль эмпирических исследований в экономической науке претерпела революционные изменения. Их работы радикально изменили подход ученых к поиску ответов на эмпирические вопросы на основе данных естественных и полевых экспериментов», — сообщил Нобелевский комитет.

Экономические исследования за последние полвека сместились в зону эмпирической проверки гипотез. Изменилась и сама цель эмпирического исследования. Произошло смещение внимания науки от описания вариаций той или иной величины (дохода, безработицы и т.п.) в зону выявления причинно-следственных связей, от описания атрибутов — в зону экспериментов.

Мировая методология оценки импакт-эффектов в рамках социально-экономических процессов движется от атрибутивных подходов с постановкой контролируемого эксперимента в сторону естественных экспериментов и контрафактического моделирования. Здесь можно вспомнить другого нобелевского лауреата — Даниэля Канемана, который определил новое направление исследований в экономике — «поведенческую экономику». Канеман простым экспериментом доказал, что не некое абстрактное экономическое лицо, а реальный человек склонен к нерациональному выбору и что порядка 80–90% людей не следуют рациональному выбору.

Стоит отметить, что рациональность в экономике отличается от этого понятия в быту. Под ней понимается набор некоторых аксиом, которые указывают, как сделать выбор. У нас есть все альтернативы, мы можем их сравнить с учетом всех значимых показателей и математически оценить выгоду от каждого варианта. И как показали эксперименты Канемана, реальные люди иначе оценивают вероятности тех или иных альтернатив. В случае выигрыша, например, люди склонны к гарантированному варианту чаще, чем к рискованному (менее вероятному), даже если в риск заложен более крупный выигрыш. При этом при потерях, эти же люди больше готовы рисковать в выборе, ожидая, что обойдется без потерь. Своими исследованиями Канеман как будто соединил математизированные подходы экономики со всеми строгими правилами и не всегда рациональные парадигмы социальных наук. Было положено начало новому широкому взгляду на социально-экономические процессы.

В заключение стоит отметить, что идею нерациональности человека отражали и другие ученые — Адам Смит, Джон Мейнард Кейнс, Герберт Саймон и Ричард Талер и многие другие. «Человек не настолько иррационален, чтобы действовать всегда рационально» (как отмечал автор теории ограниченной рациональности Саймон) — и это никак нельзя не учитывать в моделировании социально-экономических процессов.

Стоит ли проводить строгие эксперименты, задействовать на это значительные ресурсы, чтобы по факту получить цифры, на которые мы сами не склонны опираться? Однозначного ответа нет. Цифры — неумолимые аргументы во многих случаях, но, если мы решили на них опираться, нужно точно знать, из чего они сложились и какую часть или срез многогранного мира они оценивают. Цифры цифрам рознь. И то, что наши выводы и оценки на одних цифрах базироваться не могут, доказывает жизнь.

А наука дает нам все более интересные новые направления и методы исследования мира. Они дают нам возможность оценивать социальные процессы по понятной нам системе и находить, что еще можно изменить к лучшему в жизни общества.

Елена Авраменко

Эксперт проекта «Разработка модели оценки социально-экономического воздействия НКО» фонда Gladway, мастер Lean 6 Sigma уровня Green Belt

Информацию о нобелевских лауреатах по экономике 2021 года и их научном вкладе можно найти по ссылкам: раз, два, три, четыре, пять, шесть.

The 2021 Nobel prize in economics

A new step in assessing the social impact

We have long been accustomed to the presence of complex scientific discoveries in our everyday life. Our habitual environment is when deep assimilation of everyday habits goes together with high technologies.

Converting many processes and spheres of life into digital environment numbers, do we think whose turn will be next? How to evaluate the success of new processes? And whether we can, digitize, evaluate, compare, and predict processes that have not yet been captured with the help of modern technologies and math canons?

One of the urgent tasks of the current time is assessing the social impact of modern business. Impact business should certainly be successful in two areas — in the economy as well as in its social mission implementation. And if the idea of of the business economic efficiency assessment is clear enough, how can we assess whether life in society has become better as a result of the Impact mission implementation?

The one who wants to do such assessment always faces a difficult task — to choose the right method and to base it on reliable data, which still needs to be identified and collected correctly in the process of Impact-influence.

The 2021 Nobel Prize in Economics winners, David Card, Hido Imbens and Joshua Angrist — three scientists from American universities — took an important step in this direction, showing to the world the ways to draw scientific conclusions based on seemingly unscientific experiments. This methodology can be used to evaluate complex social processes and to obtain, as the authors have shown, reliable results.

The complexity of organizing a controlled experiment is the main issue of social processes research. It is not possible to make a strict selection of people suitable for the experiment and to subject them to purposeful influence, for example, to put them to a healthy diet. We can only evaluate those whose conscious choice led them to such a diet. But what factors influenced the choice of those people? Can we fully correlate them with those who have not made such a choice? And what is our influence on such a choice if we regularly promote a healthy lifestyle? This is where the methodology for evaluating the results of natural experiments created by the Nobel award winners will help us. Scientists were able to introduce a scientific evidence base into experiments set by the life itself. If in one city or one country the minimum wage is suddenly raised, the working week is reduced or the hiring of migrants is expanded, and in neighboring countries they are not, then by measuring the results it will be possible to tell how this affects the well-being of people and the society as a whole. In other words, scientists suggested looking for two different groups of people, one of which has been randomly impacted by a social factor, and the second group avoided this impact.

David Card, using the method of natural experiments, analyzed the impact of the minimum wage, the level of immigration and education on the the labor market trends. He found that raising the minimum wage does not always lead to a reduction in the number of jobs, and the secondary education has a higher value than it had been thought previously. In his research, Card showed that if basic models of economic theory are perceived as dogma and not tested empirically can lead to incorrect conclusions. Theoretically it is assumed that an employee’s salary in the market is equal to his maximum productivity: on one hand, an organization can no longer pay an employee, focusing the cost limits, on the other hand, an employee will not agree to work for less and will move to another employer. Hence, any attempts of the state to set the minimum wage above the market are destructive. This paradigm is often used by those who are against raising the minimum wage.

The second dogma that Card debunked in his research is the impact of the migrants influx on the employment of the indigenous population. This was indicated by the classical model of the balance of supply and demand in the market. In this model any increase in population (including due to migration) leads to an increase in the number of workers in the market, and if the number of jobs is fixed, it gives a decrease in wages and an increase in unemployment. David Card published two major papers on this topic. The first was the result of a study of how the inflow of more than 120,000 Cuban migrants in the 80s affected the Miami labor market. It was impossible to simply compare unemployment and wages in Miami “before and after” the migrants influx. The US economy experienced growth in 1979 and decline in 1981 for reasons that had nothing to do with these migrants. But Card analyzed average changes in wages and unemployment from the late 1970s to the 1980s in Atlanta, Houston, Los Angeles, Tampa and St. Petersburg. Then he subtracted these changes from the change in the results of the labor market in Miami and got the impact of the influx of immigrants on wages and unemployment in the city. Card found that this influx had virtually no effect on the wages of unskilled non-Cubans in Miami, nor did it increase unemployment among blacks or non-Cubans.

The methodological basis of the Card’s research was the “difference in differences” method. This method can be widely used to study the factors of influence in natural experiments. The essence of the method in its simplest implementation looks like the following: some outcomes are observed for two groups and two time periods. One of the groups is exposed, or participates in a program in one of the periods, and the second group is not affected in any of the periods. In the case when the same objects within the groups are observed in each period, the average change in outcome in the second (control) group is subtracted from the average change in outcome in the first (experimental) group. This eliminates the bias when comparing outcomes in the experimental and control groups only in the second period, which may be a consequence of constant differences between the groups, as well as the bias when comparing over time, which may be caused by time trends unrelated to the program.

The possibilities and potential of this methodology can be considered in more detail using the example given by Jeffrey Wooldridge in the paper “Evaluation by the method of “Difference of differences”: suppose that one of the US states implements a healthcare program for the elderly aged 65 years and older, and a certain health indicator is the dependent variable. One possibility is to use data only of residents of the state in which the program is implemented, both before and after its implementation, and take residents under the age of 65 (or between the ages of 55 and 64) as a control group, and residents aged 65 and older as an experimental group. A potential problem with an analysis of this kind is that other factors unrelated to the new state program may affect the health of older people compared to younger ones, for example, changes in health policy at the federal level. A different analysis strategy is to form a control group in another state where there is no such a health program. Thus, a constant change is imposed between the two groups, and later on the influence of the program itself on the studied indicator is measured.

So, let’s return to the mathematical formula of this method.

If there are repeated samples over two time periods, the model tested using this method is written as follows:

where y is the outcome of interest,

d2 is a dummy variable for the second period,

dB is a dummy variable for the experimental group.

The dummy variable d2 captures factors that would cause changes in y even in the absence of an impact or a program. The dummy variable dB captures possible differences between the experimental and control groups, respectively. The coefficient of interest 1 is found with the interaction variable d2dB, which coincides with the dummy variable equal to one for observations in the experimental group in the second period. Estimation 1 by the “difference of differences” method (PP-estimation) is the usual estimation of the least squares method for equation (1) based on a random sample of the studied groups. It can be written as

where A denotes the control group.

Thus, the sample in our study will also represent two groups, which will be expressed in the two groups of companies, one of which was a violator of the law (experimental) in one of the two periods, and the other did not carry out such actions in any of the periods (control). Thus, the variable d2 in our equation characterizes the period corresponding to a particular observation, and the variable dB will represent the difference between the experimental and control groups. As a result, this method gives us the opportunity to identify the net impact of the program on any individual social or economic component.

The second major work of David Card was the study of the impact of the minimum wage on employment. The hypothesis was tested that the introduction of the minimum wage would affect employment. The study was based on the fact that on April 1, 1992, New Jersey was supposed to raise the minimum wage from $4.25 to $5.05 per hour. The researchers collected data on the employment rate at fast food restaurants in New Jersey and Pennsylvania before and after the increase in New Jersey. The result showed that the increase in the minimum wage led to an increase in employment, since it actually increased in New Jersey.

Another fundamental task, which is generally expressed as the search for the causal relationship between decisions (individual or public) and economic results, was investigated by Joshua Angrist. “Cause-and-effect” issues required a special language. Angrist in his works relied on the model of “potential outcomes” invented in the seventies by Donald Rubin.

The initial assumptions of the model were the following: each individual has a set of potential outcomes that can happen to him, depending on what his decision will be. For example, if a person has a toothache, then he can either take an analgesic pill, or go to the dentist, or do nothing. Each of these solutions will lead to some potential result. The actual data show only one of these outcomes, we do not know the outcome if the same individual would have made a different decision. This fundamental problem of causal analysis has no solution, we will never be able to measure the impact effect for a particular individual. At the same time, under certain conditions, we can measure some average effect.

In their 1994 paper, Imbens and Angrist show how to apply this methodology to instrumental variables. Instead of coming up with potential prerequisites to evaluate the effect for everyone, the researchers turned the task around and asked for whom we can evaluate the effect with reasonable prerequisites. The answer turned out to be simple and intuitive: the average effect can be calculated for those individuals who changed their decision under the influence of the tool — the so-called Local Average Treatment Effect.

Based on the new methodology, Angrist and Kruger studied the impact of education on wages. Their task was to exclude other influencing factors — a person’s abilities or his family background. Scientists decided to use data on the year of birth of students to predict how many students will study at school. It was assumed that the year of birth is not related to the origin and innate abilities, respectively, it does not affect the success and salary level of a person in the future. They calculated for a large sample that in fact the impact of training on earnings turned out to be greater than previously estimated using traditional methods. This is how the standard for this kind of analysis was established.

New ideas were not immediately recognized by the official science. In the early nineties, the work of David Card caused a lot of criticism from researchers, including Nobel laureates, as well as the approach of Imbens and Angrist to the analysis of cause-and-effect relationships. But over the years, these ideas have stood the test of time, and today it is difficult to imagine empirical work that does not rely to some extent on the research of Card, Imbens and Angrist. This approach to applied research has been called the “credibility revolution”. “Thanks to them, the role of empirical research in economics has undergone revolutionary changes. Their work has radically changed the approach of scientists to finding answers to empirical questions based on data from natural and field experiments,” the Nobel Committee stated.

Economic research over the past half century has shifted into the zone of empirical hypothesis testing. The very purpose of empirical research has also changed. There has been a shift in the attention of science from the description of variations of a particular value (income, unemployment, etc.) to the zone of identification of cause-and-effect relationships, from the description of attributes to the zone of experiments.

The global methodology for assessing Impact effects of socio-economic processes is moving from attributive approaches with the formulation of a controlled experiment towards natural experiments and counterfeit modeling. Here we can recall another Nobel laureate, Daniel Kahneman, who defined a new direction of research in economics — “behavioral economics”. Kahneman proved by a simple experiment that a real person, and not some abstract economic person, is prone to irrational choice and that about 80-90% of people do not follow rational choice.

It is worth noting that the rationality in economics differs from this concept in everyday life. It means a set of some axioms that indicate how to make a choice. We have all the alternatives; we can compare them taking into account all significant indicators and mathematically evaluate the benefits of each option. And as Kahneman’s experiments have shown, real people evaluate the probabilities of certain alternatives differently. In the case of a win, for example, people tend to a guaranteed option more often than a risky one (less likely), even if a larger win is embedded in the risk. At the same time, with losses, these same people are more willing to take risks in choosing, expecting that there is a chance that there will be no losses. With his research, Kahneman seemed to combine mathematized approaches of economics with all strict rules and not always rational paradigms of social sciences. A new broad view of socio-economic processes was initiated.

In conclusion, it is worth noting thatother scientists researched the idea of human irrationality — Adam Smith, John Maynard Keynes, Herbert Simon and Richard Thaler, as well as many others. “A person is not so irrational as to always act rationally” (as was noted by H.Simon, the author of the theory of limited rationality) — and this cannot be ignored in any way while modeling socio-economic processes.

Is it worth conducting rigorous experiments, using significant resources for this, in order to actually get figures that we ourselves are not inclined to rely on? There is no definite answer. Numbers are inexorable arguments in many cases, but if we decide to rely on them, we need to know exactly how these numbers have been received which part or slice of the multifaceted world they evaluate. Numbers are different from other numbers. And life gives us a proof that our conclusions and estimates cannot be based on numbers alone.

Science is giving us more and more interesting focuses and methods of exploring the world. Opportunities are opening up to try various new methods regarding our processes, to evaluate them according to a system we understand and to find what else can be positively changed in the life of society.

Elena Avramenko

Expert of the project "Development of a model for assessing the socio-economic impact of NGOs" of the Gladway Foundation, Lean 6 Sigma master of the Green Belt level

The information about the 2021 Nobel Laureates in Economics and their contributions can be found at the following links: one, two, three, four, five, six

Хочешь стать одним из более 100 000 пользователей, кто регулярно использует kiozk для получения новых знаний?
Не упусти главного с нашим telegram-каналом: https://kiozk.ru/s/voyrl