战略中的风险与不确定性

2007年，全球最大的几家银行雇佣了数千名风险分析师，运行着复杂的量化模型。这些模型能够以惊人的精度对单个抵押贷款支持证券进行定价。它们可以计算违约概率、分配信用评级，并生成令监管机构满意、令股东安心的风险价值估值。然而到了2008年，全球金融体系几乎崩溃。这些模型并非未能完成其设计目标，而是被应用于一个它们根本无法处理的问题。

个别抵押贷款是可以计算的，其违约率可以根据历史数据估算。但数百万个捆绑、拆分和重新捆绑的证券之间错综复杂的相互作用，却产生了截然不同的结果。当房价下跌时，连锁反应会通过任何模型都无法描绘的相互关联而迅速蔓延，因为这些关联本身就是系统复杂性的涌现属性。银行将这种真正的不确定性视为风险问题来处理，这是根本性的认知错位。

这并非一个关于数学错误的故事，而是一个关于概念误用的故事。我们经常用“风险”这个词，但实际指的却是完全不同的东西。项目风险评估、地缘政治风险分析、人工智能风险讨论：在大多数情况下，“风险”一词都成了“可能发生不好的事情”的代名词。这个词掩盖了一个在实践中至关重要的区别。

沃恩·坦（Vaughn Tan，新加坡国立大学商学院教授，长期研究组织如何应对不确定性，著有《不确定性思维》一书）多年来致力于剖析组织如何应对未知事物，他描述了一种连锁反应，这种反应使得这种困惑后果严重：我们如何称呼某件事物决定了我们认为它是什么，而我们认为它是什么又决定了我们如何行动，最终决定了结果。当我们把某种情况贴上“风险”的标签时，我们实际上是在暗示未来状态是可知的，其概率也是可计算的。这种暗示会激活一套特定的工具：定量模型、成本效益分析、预期值计算和保险机制。如果情况确实存在不确定性，这些工具就会产生虚假的自信，而这比承认无知更糟糕。

因此，混淆风险和不确定性并非语言表达不准确的问题，而是行动误入歧途的问题。正确使用词汇是正确应对的前提。本文追溯了二者的区别，探讨了我们为何总是混淆二者，并分析了这种混淆所带来的实际后果。

区别

1921年，美国经济学家弗兰克·奈特（Frank Knight，芝加哥经济学派的重要奠基人之一，他对风险与不确定性的区分至今仍是经济学和管理学领域的基础概念）出版了《风险、不确定性和利润》一书，该书阐明了人们与未知事物之间两种截然不同的关系。

风险描述的是已知未来可能状态及其概率的情况。例如，一枚均匀的骰子有六个面，每个面出现的概率都是六分之一。保险公司可以计算出一位45岁非吸烟者在未来十年内死亡的可能性，因为精算表建立在庞大的历史数据集之上。在这些情况下，正式的理性决策是适用的。成本效益分析有效。期望值计算有意义。未知因素在某种意义上是可以精确衡量的。

不确定性指的是未来可能状态无法完全列举，或其概率无法可靠确定的情况。例如，一款真正新颖产品的推出、一项新技术的长期影响、地缘政治冲突的走向：这些都涉及难以量化的未知因素。形式化的理性工具无法有效应用，甚至可能造成误导。

奈特区分了三种概率类型，有助于明确这一界限。先验概率纯粹是演绎推理：例如骰子的六个面，一副扑克牌中的52张牌。统计概率是从历史数据中推断出来的：例如死亡率表、保险索赔记录、击球率。估计概率则依赖于主观判断：例如企业家对市场需求的直觉，分析师对政治稳定性的评估。

关键在于，只有先验概率才能完全支撑形式理性体系的运作。统计概率虽然接近先验概率，但却隐含着一个假设：未来与过去足够相似，以至于历史频率仍然成立。估计概率则更进一步，它依赖于判断而非数据。然而在实践中，这三种概率却常常被混为一谈。组织机构将原本只适用于先验概率的量化框架应用于估计概率。这种系统性的混淆正是问题的根源。

奈特的实用观点关乎利润。风险可以通过保险消除。如果损失的概率已知，就可以对保险进行定价，风险实际上就不再是经济决策中的一个因素。相反，不确定性无法投保，因为没有人能够对无法衡量的东西进行定价。奈特认为，企业家的利润恰恰是对承担真正不确定性的回报：利润源于事物固有的不可预测性，源于人类活动的结果无法预知，以及在许多情况下概率计算既不可能又毫无意义。

这并非抽象的哲学区分，它对组织如何构建决策机制、分配资源以及为未来做好准备有着直接的影响。

我们为什么会出错

如果这种区别如此重要，为什么我们总是如此执着地将其混淆呢？答案体现在三个层面。

文字本身

沃恩·坦对语言维度进行了详细分析。这个问题有两个方面。首先是过度使用：“风险”一词被用来指代太多不同的事物，以至于它作为诊断术语几乎失去了意义。在坦的一次研讨会上，十位参与者提出了八种以上不同的“风险”非正式定义：潜在问题、已知问题及缓解措施、负面结果的概率、不作为的代价、下行风险敞口、已评估的威胁、风险登记册上的事项等等。每个定义都暗示了与未知事物的不同关系，但“风险”一词本身却掩盖了这些差异。

第二个方面是挪用：“不确定性”一词已被一些领域挪用，这些领域用它来指代更接近于可计算风险的概念。在人工智能和机器学习领域，“不确定性量化”通常指的是模型预测的置信区间。在主流经济学中，“不确定性”通常指的是可以用概率分布建模的波动性。在这两种情况下，该术语都被挪用来描述奈特会归类为风险而非不确定性的情况。这种挪用恰恰剥夺了该词在最需要的地方所具有的诊断力量。

正如坦所写：“对未知事物的混乱术语阻碍了组织与未知事物建立良好的关系。”

隐藏的情感

不确定性会让人本能地感到不适。风险思维能带来心理上的安慰，因为它暗示着情况原则上是可控的、可预测的。给威胁赋予一个概率，哪怕这个概率并不可靠，也比承认情况根本无法量化要好得多。

这种情感层面在组织生活中很少被公开讨论。恐惧、焦虑和未知带来的不安并非会议议程上的议题。然而，它们却对行为有着强大的驱动力。组织会发展出坦所说的对抗真正面对不确定性的“抗体”：一种反射性反应，将每一种不确定的情况都转化为风险管理练习，因为风险管理在情感上更容易被接受，而承认不确定性则不然。

结果是一种组织层面的自我安慰。风险框架无法根治根本问题，只能缓解症状。收到风险仪表盘的董事会感觉掌握了信息。完成风险评估的团队感觉做好了准备。这些活动是真实的，付出的努力是真诚的，它们带来的安心感也是立竿见影的。然而，代价却在日后显现：当现实与模型不符，组织发现自己把所有的准备精力都浪费在了错误的准备上时，才会付出代价。

制度基础设施

成本效益分析、预期价值计算、风险管理部门、保险框架、监管合规机制：现代组织的整个制度架构都建立在风险思维之上。一旦出现被归类为“风险”的情况，这套架构就会自动启动。分析师进行量化评估，委员会审查风险登记册，董事会收到风险仪表盘。这套机制令人印象深刻，并且在适用范围内确实非常有效。

问题在于，这套机制没有“关闭”按钮，无法在不适用的情况下自动停止运作。当情况确实充满不确定性时，没有任何制度机制能够表明：“我们的标准工具在这里并不适用，我们需要采取不同的方法。”相反，这些工具仍然会被照搬使用，因为它们唾手可得，而且使用它们似乎也是一种尽职调查。制度框架本身就创造了一种需求，而这种需求与问题的实际性质并不匹配。

后果

当风险工具应用于不确定情境时，其结果并非轻微的误差，而是系统性的误导。上文所述的2008年金融危机便印证了这一核心模式：精确性本身就是危险所在，因为它在需要保持谦逊的地方营造了自信。银行并不缺乏精密的工具。它们运行了蒙特卡罗模拟（一种通过大量随机抽样来估算复杂系统概率分布的数学方法，在金融领域被广泛用于风险评估）、压力测试和相关性分析。这些工具对一个根本无法给出精确答案的问题给出了看似精确的答案。

2023年硅谷银行的倒闭表明，即使后果显现，这种混乱局面仍会持续存在。几乎所有人都将此次事件归咎于“风险管理不善”。该银行将资产集中于长期债券，却没有对冲利率变动风险。从传统角度来看，这似乎是一个简单的风险管理失败案例。但导致硅谷银行倒闭的根本原因却并非如此。储户在一天之内提取了420亿美元。挤兑的速度史无前例，而科技公司和风险投资家组成的庞大储户网络也加剧了这一趋势，他们同步行动。利率风险敞口是一个风险问题。而如此大规模、如此快速的存款外逃则是一个不确定性问题。标准的诊断语言将两者都归结为“风险”，从而忽略了一个更重要的问题：该银行的模型是否真正针对了正确的威胁类别？

错误贴标签的后果远不止于不准确。组织会完全朝着错误的方向优化。将不确定性视为风险的组织会构建复杂的量化模型，从而营造出一种掌控一切的假象。他们致力于完善预测，而不是培养在无法预测的情况下有效应对的能力。他们把精确误认为准确，把掌控误认为准备充分。

丹尼尔·埃尔斯伯格悖论（Daniel Ellsberg，美国经济学家兼战略分析师，因1971年泄露“五角大楼文件”而闻名，但他在经济学领域最重要的学术贡献是1961年提出的“埃尔斯伯格悖论”，揭示了人类在面对模糊概率时的非理性行为）于1961年通过实证研究得到证实，这有助于解释为何这种模式如此持久。埃尔斯伯格指出，人们对模糊性的厌恶程度甚至超过了对风险的厌恶程度。如果要在已知概率的赌注和未知概率的赌注之间做出选择，人们往往会选择已知概率的选项，即使两者的预期值相同。这种对模糊性的厌恶并非出于意识层面的思考。这意味着，组织会倾向于对某种情况进行“风险”的解读，因为风险在认知上更容易掌控，而不确定性则不然。

超越二元对立：未知的多种形式

风险与不确定性的区分只是一个起点，而非终点。这种二元划分固然反映了某些现实，但未知领域远比这种二元分类方案所暗示的更为复杂多样。

为什么是“未知”？

坦特意引入“不知”一词来替代“不确定”。此举更多是出于实用而非美学考量。正如上文的语言分析所示，“不确定”一词已被过度滥用，以至于使用它反而会加剧它本应解决的困惑。“不知”一词的确略显笨拙。但它的价值恰恰在于这种笨拙：它不易被随意使用，迫使说话者明确指出所讨论的是哪种类型的不知。

无知的四种来源

坦指出，无知可能源于四个不同的方面。

第一，因果关系不明。行动与结果之间的关系尚不明确。例如，央行降低利率，但其系统性影响会通过一些尚不清晰的渠道层层扩散，最终导致任何因果模型都无法可靠预测的后果。行动是经过深思熟虑的；但由于因果链不透明，结果确实存在不确定性。

第二，行动空间未知。甚至连哪些行动可行都难以确定。系统复杂性、社会动态或信息不完整都可能模糊所有可能的行动方案。面临全新危机的组织可能不知道自己能做什么，更遑论应该做什么。可供选择的方案本身也是未知的一部分。

第三，未知结果空间。可能的结果集合本身就不明确。要么现有结果尚未被发现，要么相关结果尚不存在。创新本质上就存在于这一领域：真正新颖的产品或技术会创造出事先无法列举的结果。

第四，偏好未知。我们并不清楚哪些结果是可取的。这与意义建构直接相关：当我们不知道自己重视什么时，我们会进行主观判断，而这种判断是任何计算都无法取代的。偏好不确定性正是意义建构成为应对未知的一种创造性反应的领域。

任何一个此类来源的存在都足以将某种情况置于真正的不确定性范畴，而不是可计算的风险范畴。

互补框架

其他一些框架则描绘了相邻的领域。每个框架都补充了奈特的二元分类法和坦的分类法本身所无法涵盖的特定内容。

Cynefin框架由戴夫·斯诺登（Dave Snowden，威尔士知识管理学者，曾任职于IBM，后创立Cognitive Edge研究机构，专注于复杂性理论在组织决策中的应用）和玛丽·布恩（Mary Boone，美国管理顾问，长期研究领导力与复杂系统）开发，是一种包含五个领域的诊断工具：简单（后更名为清晰）、复杂、混乱和无序。风险存在于简单和复杂领域，在这些领域中，因果关系要么显而易见，要么可以通过专家分析发现。不确定性存在于复杂和混乱领域，在这些领域中，因果关系只能事后才能看到，或者根本无法辨别。Cynefin框架在风险与不确定性的区分基础上增加了一个奈特没有提出的操作性问题：如何确定你处于哪个领域？该框架的核心警告是领域错配是主要的战略错误。将复杂情况视为复杂情况意味着在需要实验的情况下应用专家分析。

意义建构。卡尔·韦克（Karl Weick，美国组织心理学家，密歇根大学荣誉教授，是组织行为学领域最具影响力的学者之一，他提出的“意义建构”理论深刻影响了人们对组织如何在模糊环境中做出判断的理解）将歧义作为一个独立于风险和不确定性的范畴提出。在不确定性下，概率未知；在歧义下，意义不明。这一补充至关重要，因为应对歧义需要与风险管理或不确定性应对截然不同的根本方法。意义建构是一个持续的过程，它将合理的叙述投射到模糊的情境中：合理性比精确性更重要，行动与分析同等重要，因为行动会产生可供解读的数据。奈特和坦关注的是我们未知的事物，而韦克关注的是我们尚无法解读的事物。

反脆弱性。纳西姆·尼古拉斯·塔勒布（Nassim Nicholas Taleb，黎巴嫩裔美国学者，前金融交易员，现为纽约大学教授，著有《黑天鹅》《反脆弱》等畅销书，以批判主流金融模型对极端事件的低估而闻名，在中国读者中有较高知名度）对奈特的区分进行了彻底的拓展。他认为，问题在于我们假装能够衡量实际上无法衡量的东西。标准概率模型系统性地低估了极端事件（即他所谓的“黑天鹅”事件）发生的可能性和影响，因为它们假设分布是薄尾的，而实际情况是厚尾分布（薄尾分布意味着极端事件极罕见，厚尾分布则意味着极端事件出现的频率远超常规模型的预测）。塔勒布的贡献在于提供了一套应对不确定性的设计词汇：脆弱系统会因波动而受损，稳健系统能够抵抗波动，而反脆弱系统则能从中受益。他的实用原则是“否定式方法”：避免做出巨大的脆弱承诺，构建选择余地，允许试错。小的失败可以避免灾难性的后果。

连接

意义建构。意义建构在坦理论的第四种未知类型中发挥作用：对价值的未知。它是对偏好不确定性的生成性反应。当我们不知道哪些结果是可取的时，我们会进行主观价值判断，而任何计算都无法取代这种判断。

虚构的预期。延斯·贝克特（Jens Beckert，德国社会学家，马克斯·普朗克社会研究所所长，专注于经济社会学，其著作《想象的未来》探讨了预期与不确定性在资本主义运行中的核心作用）的资本主义动态理论正是从风险与不确定性的分岔点出发。当真正的不确定性占据主导地位时，理性计算便失效了。虚构的预期是经济行为者在不确定性下进行协调的社会机制：对未来的集体想象取代了概率计算。正如贝克特所写，“理性行为者理论的失效并非因为行为者不愿最大化自身效用，而是因为它无法应对真正不确定性带来的后果。”

情景规划。情景规划明确地反预测，旨在应对不确定性而非风险。皮埃尔·瓦克（Pierre Wack，法国战略规划师，壳牌石油公司长期规划部门的核心人物，20世纪70年代他主导开发的情景规划方法帮助壳牌成功预判了石油危机，成为战略管理史上的经典案例）在壳牌公司开发这套方法，正是因为预测（一种风险工具）在真正的不确定性下失效了。情景规划通过让人们对多种未来情景感到安心，而不是仅仅相信某一种，来创造一种“预先设想”。

因果分层分析。因果分层分析的四个层次大致对应于风险与不确定性的梯度。表层（例行事件）处理的是可观察的、通常可以量化的事件。系统层识别出适合建模的结构模式。但更深层的层次（世界观、神话与隐喻）则完全无法量化：“是什么深层叙事塑造了这个社会对进步的思考？”这个问题没有概率分布。因果分层分析的运作方式是深入到风险工具失效的领域。

未来图景。在风险情境下，未来图景可以采用概率加权预测的形式：结果A的概率为70%，结果B的概率为30%。但在不确定性情境下，这种形式便不再适用。未来图景转而成为导航工具：不再是对未来事件的预测，而是为行动者提供方向指引，帮助他们在充满不确定性的未来中稳步前行。预测与情景分析之间的区别，归根结底，在于风险与不确定性之间的区别。

未解决的问题

风险与不确定性之间的二元对立是否站得住脚？奈特对此划出了一条泾渭分明的界限。而坦提出的四种未知来源则表明情况更为复杂。问题在于，这种二元区分是否是一种有助于引导思考的简化方法，还是会掩盖那些在组织实际应对未知情况时至关重要的细微差别。

人工智能是否会改变风险与不确定性之间的界限？更多的数据和计算能力使得更多事物可以计算，从而扩大了风险的范畴。但更紧密的互联互通和更复杂的系统会产生更多涌现的动态变化，从而扩大了不确定性的范畴。2008年金融危机的部分原因在于，量化模型对真正不确定的动态变化产生了错误的信心。人工智能系统是功能更强大的模型。它们究竟是帮助我们应对不确定性，还是因为使风险工具看起来比实际更强大而加深了混乱，仍然是一个悬而未决的问题。

未知与未来实践有何关联？从根本上讲，前瞻或许是对坦提出的第三种未知——未知结果空间——的一种回应。如果真是如此，就能解释为什么基于风险的预测总是无法完成前瞻所要完成的任务。前瞻的目的并非预测最可能出现的未来，而是拓展我们能够想象和应对的未来空间。这是一项不确定性任务，而非风险任务。

奈特在1921年提出的区分已经存在一个多世纪了。我们至今仍然经常混淆这一概念，这表明问题不在于缺乏知识，而在于缺乏实践。我们知道风险和不确定性之间的区别，也拥有诊断框架来判断我们面临的是哪一种情况。我们所缺乏的是，当诊断结果令人不安时，机构是否愿意采取行动。如果情况并非风险问题，那么更好的风险模型也无济于事。更难的是，在动用工具之前，先认识到这一点。

本文来自微信公众号“朱翊”，作者：BEN，36氪经授权发布。