在這個資訊大爆炸的時代，我們所面臨的資訊衝擊超過以往任何時候。面對越來越多的可用資訊，我們該如何判斷哪些資訊可以相信？日常決策變得越來越複雜，我們要如何做出正確的決策？本文作者指出了四種誤區，如果你特別容易輕信來自外界的資訊，那你就要格外注意了。
企業領導者面臨著前所未有的挑戰。由於通貨膨脹、貿易緊張局面和政治上的不確定性，日常決策變得越來越複雜。人力資本問題現在包括多樣性、公平和包容、心理健康，以及為第四次工業革命提升技能。環境、社會和治理方面的問題無法再委託給企業社會責任部門，而是變成了C級高管的責任。人工智慧帶來了無數的新機遇，但也伴隨著各種新的威脅。
不過，高管似乎也有應對這些挑戰的工具——資訊。只要點選滑鼠或者移動手指，他們就能利用幾乎所有領域的前沿研究成果。學術研究越來越向人們開放，諮詢公司、非政府組織和投資者的大量研究成果現在也可以為人所用。資訊不僅來自研究，還有書籍、報刊和電臺節目。
有這麼多可用的資訊，我們如何確定哪些可以相信？正如最近的爭議所示，即使是發表在精英同行評審期刊上的研究，也可能是基於篡改過的資料。確認偏誤或許意味著，人們分享的資訊，也就是我們在新聞推送中看到的資訊，是分享者希望真實的資訊，不一定是真正真實的資訊。有很多優秀著作在講如何應對錯誤資訊——我對錯誤資訊的定義是沒有證據證明其為正確的資訊——但這些著作通常會列出一長串人們用來欺騙我們的方式，很難全部記住並用於實踐。高管需要的是一套簡單的錯誤資訊歸類法，如此一來他們就知道該注意什麼了。
作為一名社會科學家，我的工作就是收集和解讀資料。這項技能不僅可以用於進行研究，還可以用來評估研究。我在自己的新書裡運用社會科學研究的工具，提出了“錯誤推論階梯”，將錯誤資訊分為四類誤區。這個框架對於需要管理資訊衝擊的各層級領導者都很有用。
第一個誤區是，宣告不是事實，因為宣告可能不準確。我們有多少時候會因為喜歡某個宣告的內容就輕易地接受和相信？舉例來說，我的研究強調公司治理的益處和利益相關者資本主義的價值。因此，我看到某個有影響力的非政府組織釋出的報告稱高ESG企業的表現優於同行業其他公司，就不假思索地接受了這個說法。這份研究報告的腳註裡說該結論有證據支援，所以我很容易覺得這樣就夠了，然後不再深究。
不過，要想更聰明地思考，第一步就是查證事實。上面這個例子裡，我仔細檢視腳註，卻發現來源的內容與報告裡的說法相反。腳註引用的文章題為《ESG的失敗之處》，文章小標題裡說，“雖然有無數相關研究，但從未有過確切的證據表明社會責任指標與優秀的表現相關。”一個陳述末尾的腳註不一定說明腳註內容支援這種觀點：陳述不是事實。
錯誤的衡量方式也會造成不準確。一篇文章說為ESG投資的公司收穫頗豐。但如果你深入下去，就會發現文章作者並沒有衡量公司ESG水平，只是詢問公司是否認為ESG已經變得比以往更重要——這跟實際的ESG水平是兩回事。即使某條陳述與大量資料相關，資料所衡量的也不一定是陳述中的內容。
第二個問題是，事實不是資料，因為事實可能不具有代表性。案例研究是一種很受歡迎且有效的教學方法。案例非常生動，可以鮮明具體地呈現某個主題，比統計資料和迴歸分析更能激勵領導者。案例不僅用於商學院教育，還用在暢銷書和熱門的演講裡——開頭通常是一個故事，用來吸引觀眾。不過，專精於此的人通常會選擇一個最適合說明重點的例子，這樣的故事最能給人留下印象。一個故事——或者幾個故事——說明不了什麼，因為這些點可能並不全面。故事是例外，無法證明規則。
很多管理公式的推銷方式都是講幾個著名公司遵循該公式取得了成功的故事。但可能還有幾百個其他組織運用該公式卻失敗了，這些組織不會被提及，因為不符合故事的訴求。若想展示公式的效果，你要考慮使用過該公式的幾百家公司——包括成功和失敗的公司——將成功比例與沒有使用該公式的對照組進行對照。
我們喜歡從成功的故事裡學習，但如果不學習失敗的案例，你就無法確定成功的要素。要研究那些拿到了秘方卻失敗了的公司，以及沒有得到秘方但成功了的公司。如果你只得到了遵循公式並大獲成功的公司案例，這其實是一組經過選擇的樣本。
第三點要注意的是，資料不是證據，因為資料不一定具有決定性。大規模資料可能具有代表性，但這只是第一步，因為資料僅僅是一組事實，而證據是一組讓我們能夠得到結論的事實。證據不僅要支援你的理論，還要足以否定對手的理論——比如刑事案件中的證據必須要能夠鎖定特定嫌疑人才有意義。
社會科學家的素養在這個領域也派得上用場。要從資料中找出因果關係，判斷一項研究是否成功理清了因果關係。
我看到的一項研究聲稱找到了公司治理可以提升公司業績的決定性證據，其依據是有資料表明治理良好的公司業績優於治理較差的同行業公司。我自己的大部分研究都是關於良好治理的優點，所以我很高興看到這一結論。但這真的足以表明是公司治理提升了公司業績嗎？
遺憾的是，這項研究的資料只表明了治理和績效之間的相關性。資料符合“好的治理帶來好的績效”這一結論，但也符合兩個與之相反的結論。其一是反向因果：也許績效不佳的公司不得不四處救火，只有在前景看好時才能把注意力轉移到治理等長期問題上。其二是共同原因：或許一位優秀的CEO既能改善治理，又能提升業績，而不是前者帶來了後者。我們都知道相關性不等於因果性，但如果是我們喜歡的觀點，我們就會突然忘記這一點。
如果你參加過經濟學會議，就會聽到關於類似議題的冗長辯論。但你不必是學者，也能清楚地思考因果。多思考是否還有其他理論與你看到的資料一致，不要直接跳到你希望正確的解釋。
最後一點要注意的是，證據不是證明，因為可能不具有普遍性。證明是絕對的。阿基米德證明圓的面積是圓周率乘以半徑的平方，公元前三世紀古希臘的圓和現在的圓都是這樣。但證據即使完美地導向某一結論，也可能只在收集證據的環境中適用，在其他地方就不一定了。
我自己的一項研究發現，員工滿意度較高的公司每年長期股票回報比其他公司高出2.3%至3.8%，累計高出89%到184%，即使控制了其他回報驅動因素也是同樣的結果。進一步的分析表明，是員工滿意度帶來了良好的業績，而非良好的績效讓公司得以為員工滿意度投資。
不過這項研究僅限於美國。約瑟夫·亨裡奇（Joseph Henrich）在一本很有影響力的書中強調，大部分研究關注的都是受過教育的、所在社會工業化程度較高的、富裕且民主的西方人，得到的結果或許不適用於世界其他地區。我不能預設自己的研究結果適用於其他地方，於是與幾位合作者一起將最初的研究擴充套件到其他30個國家。我發現，最初的結論一般是成立的，但也不是一直都成立。在一些勞動力市場監管嚴格的國家，員工滿意度高的公司不再有出色的業績。這一點是可以解釋的：當法律規定所有公司都必須提供一定水平的員工福利時，員工福利最高的那部分公司可能已經超出了透過提高員工滿意度來獲得更多業績提升的臨界點。
面對資訊，我們該如何應用錯誤推論階梯？可以思考以下幾個問題：
一、看到一條陳述，它是否有資料支援？只看到腳註是不夠的，你要實際看一下腳註內容。即使腳註內容支援這條陳述，也要注意其中的資料真正衡量的是什麼。
二、聽到一件事，比如一個故事，它是有代表性的還是隻強調某個點？作者是否考慮到了其他擁有秘方卻失敗了的公司和沒有秘方但成功了的公司？
三、如果看到大量資料，那麼有沒有相反的結論同樣符合這組資料？尋找相反結論的一個訣竅是，想象一下研究發現了相反的結果——我們不喜歡的結果——想一想我們會如何嘗試推翻這個結論。
四、如果遇到了堅實的證據，它是否適用於我們感興趣的環境？一項研究發現為員工賦權在科技領域效果很好，並不意味著這種做法適合採礦行業。採礦行業最重要的是安全和健康，而且規則更加重要。
這些應對方法的重點是，理解資料並不需要統計學專業知識，只需要常識、批判性思維和適度的懷疑。不過，假如每次看到一條陳述都要仔細看註解，每次碰到證據都要仔細考慮適用環境，你可能就什麼都做不了了。可以遵循80/20原則，有選擇地運用以上問題。如果結論與你的工作相關，而且你特別容易因為確認偏誤而輕信，那就要格外注意了。就像培養一切新技能一樣，這項技能也是越練習就越熟練。
亞歷克斯·愛德曼斯（Alex Edmans）|文
亞歷克斯·愛德曼斯是倫敦商學院金融學教授，研究領域是公司金融、行為金融和企業社會責任。他在牛津大學獲得學士學位，在麻省理工學院獲得博士學位，且擔任過福布萊特學者。
朔間|譯 周強|編校
推薦閱讀
《哈佛商業評論》中文版 聯絡方式
投稿、廣告、內容和商務合作
↓點選閱讀原文進入哈評中文網，獲取更多精彩內容