在线试读

get_product_contenthtml

比较政治科学可能吗?

当我们无法控制可能原因的分配时,我们只能接受历史的安排。我们能够从大量数据中获取某种信息是一件幸运的事。在不同情况下,运气也会不同。历史可能会非常慷慨,它可能确实随机化了不可观察的因素即背景特征,因此就有了“自然实验”。但不幸的是,绝大多数历史数据的结构和我们例子中的一样;专制政体主要出现于穷国,而富国则多为民主政体。这意味着政治体制与经济发展水平之间存在着内生性关联。我们假设这一联系是稳固的,即高收入是一个国家民主化的充分必要条件。如果所有专制国家都真的穷困不堪,而所有民主国家都真是富国,那我们就永远无法得知,到底是收入水平还是政治制度影响了经济增长率。或者我们假设,政治制度只有在促进经济增长的条件下才能继续生存,那么它们就与经济增长率内生性相关,但对此我们无法识别。所以,内生性会增加识别的难度,而把制度、政策和事件视为内生的又是一件十分自然的事情。

内生性是历史的原动力(Przeworski 2004b)。从某一初始状态起,在某些不变的条件(比如“地理条件”)下,财富、财富的分配和政治制度相互依赖、共同演化。由于我们永远无法完全辩明这一过程,我们就肯定会观察到某种随机性。实际上,我们正是利用这一随机性来识别上述过程的特定模型。为此,我们需要观察同一背景条件下原因的不同取值。但此时我们就会遇上一个悖论。我们对模型的设定越好,考虑的内生链条越多,对因果结构的识别就越困难。正如马里斯卡和索科洛夫(Mariscal and Sokoloff 2000,198页)所说:“当变量互相强化或互为因果时,要辨明什么是外生的、什么是内生的就会困难重重。”

让我们再假设历史完全是路径依赖的。从某些初始条件出发,所有的变量都在的路径上演化。这意味着,XUT共同变动,因此也就没有任何办法可以单独识别TY的影响。关于这一重要问题,令人气馁的例子就是班纳吉和迪弗洛(Banerjee and Duflo 2003)对“不平等和增长:数据能说明什么?”这一问题所作出的回答——“不能”。虽然人们进行了不计其数的尝试,但不平等和增长之间的联系似乎就是无法被厘清。当然,我们还是可以进行描述,我们可以说所有这些因素都发挥了作用,但我们无法区分出独立于X(和U)的T所发挥的作用。也许我们多也就只能如此。不过我觉得,进行虚拟是一种难以抵挡的诱惑:如果拉美变得更平等一些,它的经济增长率会和美国一样吗?我们追求的也许根本就是不可能的事情,但这就是我们的追求,而且仍会继续追求。

内生性带来的难题,是如何区分原因产生的效应与原因身处其中的背景条件产生的效应。民主国家的经济增长缓慢,是因为它们是民主国家,还是因为它们一般恰好处在无关政治制度,但不利于经济增长的环境下?托克维尔(Toqqueville 1964/1856)认为,法国大革命只带来了很少的社会变动,那么,这是因为革命只带来了很少的社会结果,还是因为革命只会在拒绝社会变动的国家出现?费伦(Fearon 1991)认为,小样本不会改变推理的逻辑。

识别的一个必要条件是不存在路径依赖,即同样的背景条件可能导致迥然相异的历史路径。注意“路径依赖”不像有的人认为的那样是一种研究方法,而是一个待定的历史事实。在印度,由于殖民力量不考虑当地的原始条件,所以随机地把不同的纳税制度分配到了背景条件相似的地区。据雅沙(Yashar 1997)的研究,直到20世纪40年代,哥斯达黎加和危地马拉政治制度的历史条件都基本相同,但在20世纪40年代末、50年代初的民主化时期,由于它们采用了不同的政策,结果走上了不同的发展道路。

本文标题中提出的问题并非是为了修辞之用。显然,如果我们认为科学意味着在进行推论和考察证据时要循合理的程序,如果科学仅仅是关于如何表达不同意见的一致观念,那么比较政治学当然可以成为一门科学。通过合理的程序,我们可以而且确实得到了可重复验证的结论。然而,为了识别因果效应,我们必须依靠一些不可验证的假设。用赫克曼(Heckman 2004,51页)的话说,就是“没有假设,就没有因果推论”。这是因为,即使我们可以分别观察到可能的原因不同取值时结果的边缘分布,我们也不可能通过某种构建观察它们的联合分布。而且,由于没有一个测量法可以校正所有可能的误差,所以我们并不能确定结论的稳健性如何。

那么,在存在内生性的情况下,我们能做些什么呢?在我看来,我们能做的,就是尝试不同的假设,并且希望出现的结果不会彼此不同:佩尔森和塔贝里尼(Persson and Tabellini 2003)的研究就是这样的典范。如果结果相同,那么我们就知道,至少就不同的可能误差而言,我们的结论都是稳健的。如果结果不同,那我们就只好认输了。如果历史足够慷慨,在同样的背景条件下为我们生成了不同的原因因素,我们就能了解更多、更好。但历史也会狡黠地生成各种内生的原因因素,此时我们面临的就是几乎不可能完成的任务了。