类比预测
类比预测是借用一个已经走完某段历程的对象,来推断另一个刚刚起步的对象将会怎样走的预测方法。被借用的一方通常称为先导者或参照系,需要预测的一方称为后来者。它的逻辑很朴素:如果两者在关键条件上足够相似,那么先走一步的那个所经历的阶段、节奏与瓶颈,后来者大体也会遇到。
三种常见的类比
第一种是技术类比,把一项成熟技术的演进轨迹搬到另一项技术上。半导体工艺的"每代线宽缩小、成本按比例下降"曾被大量借用于光伏、锂电池与显示面板,作为判断成本下降节奏的依据。这种类比的隐含假设是两者共享同一类学习曲线机制,即产量翻倍带来单位成本按固定比例下降。
第二种是跨地区类比,把先发国家或地区的经历搬到一个后发市场。汽车保有量、家电普及率、人均能耗、保险深度这类指标的研究长期依赖此法:先取若干已完成普及的国家,画出保有量随人均收入变化的曲线,再把本国当前的人均收入代进去,得出"应当有多少"。中国在1990年代做耐用消费品需求预测、在2000年代做汽车市场预测,主流做法都是这一种。
第三种是跨领域类比,把生物、物理或工程中的成熟规律搬到社会经济现象上。技术扩散研究里对传染病模型的借用、对生态种群竞争模型的借用,都属此类。这类类比启发力强,但可靠性最低,因为被借用的机制未必真的存在。
方法上要做的三件事
一是选对参照系。相似性不能只看表面,要看机制。判断标准通常是:驱动两者发展的核心约束是否相同,市场结构是否可比,制度与技术环境是否存在本质差异。若选错了参照系,后面的推导越精细,错得越远。
二是校准起点。后来者与先导者在同一发展阶段上的水平往往不同,直接套用会得到明显偏离的结果。常见做法是引入一个校准系数,用近几年的实际数据反推,把参照曲线平移到合适的起点。
三是映射轨迹。把参照系的"S形"或"台阶式"路径按时间平移,得到后来者的预测路径,并标注不确定性区间。这一步要特别留意"压缩效应":后来者往往走得更快,因为可以直接采用成熟技术与设备,跳过先导者摸索的阶段。[1]
压缩与跳跃:类比最容易被打破的地方
后发者的路径往往不是先发者的复制品,而是压缩版甚至改道版。
压缩表现为时间缩短。日本、韩国在战后用二十余年完成的家电普及,中国用了十余年;移动通信从引入到饱和的周期也在逐代缩短。若按先导者的时间跨度做线性平移,会系统性低估后发市场的成熟速度。
改道表现为阶段跳过。固定电话尚未普及,移动电话已经铺开;银行卡受理网络尚未健全,扫码支付已成主流;传统零售的现代化尚未完成,电商已重构渠道。这类"蛙跳"现象使类比预测在通信、零售、金融等领域频繁失准。原因不难理解:技术是可选的,后来者可以跳过被证明不经济的那一代,直接接入最新一代,而先导者当年没有这个选项。[2]
一个具体的操作例子可以说明校准的分量。做中国城镇家庭汽车保有量的长期预测,可选的参照系至少有日本、韩国、意大利与巴西。若直接套用美国的人均保有量,会得到明显偏高的结果,因为美国的城市密度、燃油价格与土地制度都不相同;日本与韩国在城市形态上更接近,但其汽车普及完成时的人均收入水平与中国当前的区间不同,需要按收入的对应关系平移;巴西的经验则提示,收入分配差距会把全国平均保有量压得远低于同等人均收入的其他国家。四个参照系给出的结果可能相差一倍以上,这个差距本身才是研究的主要产出。
与相关概念的区别
类比预测不同于类比推理。后者是认知科学中的一般机制,指由两个对象的已知相似性推出其他方面的相似性,是科学发现与日常判断的常用工具;前者是它在预测领域的具体应用,要求有明确的时间轴与可核对的数值。类比预测也不等于趋势外推:外推用的是对象自身的历史,类比用的是别人的历史,因此类比适用于自身数据尚不足的新事物。
在技术预见的方法清单里,类比常被归入探索性预测,因为它的推理方向仍是从已有能力向前推;但当它被用来论证"我们应当达到某个水平"时,实际上已经带有规范预测的成分。
局限
第一,相似性无法先验保证。两个对象在哪些维度上相似、相似到什么程度才算足够,方法本身给不出标准答案,只能靠判断,而判断容易受到期望影响——想得到高数字的人,自然会挑那些支持高数字的参照系。
第二,制度与基础设施的差异常被低估。同样的收入水平,在不同的土地制度、城市规划传统、能源价格体系下,会导出完全不同的保有量与能耗水平。忽略这些,类比就退化为数字搬运。
第三,它无法预测参照系也没经历过的事。若后来者面对的是全新的约束,例如人口结构急剧老化、资源环境承载逼近上限,先导者的历史里根本没有对应段落。
第四,结论的呈现方式容易掩盖不确定性。报告里通常只给一条类比曲线,不给出"若选另一个参照系会得到什么",读者因此误以为存在唯一答案。
在中国的使用
类比预测在中国的发展战略研究中被大量使用,从家用轿车进入家庭的时机判断,到轨道交通客流预测,到保险与养老金融的渗透率估计,都能看到它的身影。经验表明,它在"成熟品类、稳定制度、缓慢变化"的场景中表现较好,在"技术换代快、政策变量大"的场景中容易失效。稳妥的做法是同时选三到五个参照系,分别算出结果,把差异当作不确定性的一部分呈现,而不是挑一个最合意的。[3]