《经济学通识》一、前言

《经济学通识》的作者薛教授毕业于美国的乔治.梅森大学。这所大学的威名,来自于两位获得诺贝尔经济学奖的名师。一位是詹姆斯.布坎南,另一位是主弗农.史密斯。简单说一下两位大师。布坎南被称为经济学“公共选择学派”创始人,他倡导通过一致同意规则,构建宪政制度,实现经济效率与社会和谐。史密斯呢是通过引入实验方法,构建竞争性市场均衡。两位大师的研究领域都与现代经济体系中,政府制度与市场机制的关系紧密相关,这也使得乔治梅森大学称为美国著名的经济自由主义的学术堡垒。

我们继续说薛教授,我在豆瓣读书里面看到过一位书友,对于薛兆丰的评价。看完书后我觉得说的实在是非常好。和大家分享下,这位书友夸父说啊,真正的知识分子,他要博学,把很多东西消化,消化以后他能发出自己独立的声音,能启发我们的思考。真正的知识分子,他的言语与写作都是独立的,要做到三点,一不媚权,二不媚财,三不媚众。我们往往以为,为人民说话的都是好人。但人民是一个模糊不清,带有欺骗性的概念。这个概念下面存在着形形色色的人,每个人都有不同的利益诉求。而且,我们国家长期的宣传与鼓吹,让大家都不知不觉地认为人民就是好的,就是光荣、正确、伟大的。这种人民至上主义其实是荒谬的。因此,对知识分子而言,“举世誉之而不加劝,举世非之而不加拒”才是最好的试金石。

而薛兆丰,正是这样的知识分子。在他看来,美好的愿望和动机在经济学面前一无是处,甚至是很多经济问题的罪魁祸首。他说,经济现象只服从经济规律,而不是服从这些美好的愿望和动机。所以啊,只有当一个人对自己的学说和理念有足够的自信时,他才有勇气挑战一切与自己学识所相左的权威。

在薛兆丰身上,我看到了一个真正知识分子的从容自信,游刃有余,举重若轻。

这是豆瓣书友夸父对薛兆丰的评价,我看完之后啊,拍手叫好。薛兆丰就是这样一位从不媚众的,有独立经济学见解的知识分子。他就是一个从来不会添大众的屁股,永远站在自己观点立场上说话的人。经常都是语不惊人死不休,我们随时都可以看到他几乎要被人们用唾沫星子淹死。我也是非常的佩服。

回到这本《经济学通识》,在这本书的第一版封面上写着这么几行字,还没打开书,他就问我说,你是不是相信春运期间火车票涨价,会增加乘客负担?你是不是相信实施最低工资法,对社会底层人士有利?你是不是相信政府应该创造就业机会来减少失业?你是不是觉得研究股票的历史价格,有助于预算股市?我看着连连点头,是啊是啊是啊,全中啊。我都是这么认为的啊!书上接着说,如果你赞成,那么恭喜你,你应该在读点经济学,因为上述都是胡扯!呵呵,瞬间被吊打的感觉,觉得自己智商被侮辱了。没有关系这只是一个开始,看完书之后,会感觉自己对于很多社会经济问题的观点,被《经济学通识》一次又一次的践踏掉了。哈哈。

打开这本书,作者提出了四个有趣的经济学主题,他们是:“东西不够、生命有限、互相依赖、需要协调”

薛兆丰说:“改造世界,并非经济学所长;但改造世界观,确实经济学的强项。”我们一起解读完了本书的后果就是世界观的转变。

原文地址:https://www.cnblogs.com/changwoo/p/9818349.html

时间: 2024-10-08 00:07:28

《经济学通识》一、前言的相关文章

《概率机器人学》一:前言

目录:略 前言 本书的写作目的是介绍“概率机器人学”这个崭新的研究领域.概率机器人学是与智能和控制相关的机器人学的一个分支领域.其特征是利用概率与统计的方式进行记录的信息与行动的决策.面对在利用机器人学技术中不可回避的“不确定性”问题,我们认为机器人学必须以此方法为目标.采用概率论的算法设计在近年来已经成为机器人学中一个强有力的框架.本书就是第一本介绍该领域中一些主要方法的学术书籍. 本书将针对算法的说明放在了重要位置.书中所有的算法都基于一个基础的理论:贝叶斯法则.以及为了将其应用于时序数据所

《概率机器人学》启动

数据来源: 在网络上可以免费下载该书的英文early draft,就不破费买英文版了. 购入日文版对照翻译. 本翻译稿仅限个人学习用.

2.递归状态估计

2.1 介绍 概率机器人的核心是从传感器数据中估计状态的这么一个概念.状态估计解决从传感器数据中估计的变量问题,这些估计变量并非直接可观测到,而是被推断出来的.在大多数机器人应用当中,决定做什么相对来说容易,如果仅仅知道某些变量的话.例如,移动一个移动机器人是相对容易的如果机器人以及所有附近障碍的精确位置是已知的.不幸的是,这些变量不能直接测得.相反,一个机器人不得不依靠它的传感器来获得这些信息.传感器只是携带了部分这些变量的信息,他们的测量被噪声腐蚀了.状态估计试图从数据当中恢复状态变量.概率

ICCV研讨会:实时SLAM的未来以及深度学习与SLAM的比较

这篇短文写的很好,我把它copy到这里供大家学习 上一届「国际计算机视觉大会(ICCV:International Conference of Computer Vision )」成为了深度学习(Deep Learning)技术的主场,但在我们宣布卷积神经网络(ConvNet)的全面胜利之前,让我们先看看计算机视觉的「非学习(non-learning)」几何方面的进展如何.同步定位与地图构建(SLAM: Simultaneous Localization and Mapping )可以说是机器人

《Deep Learning》译文 第一章 前言(中) 神经网络的变迁与称谓的更迭

转载请注明出处! 第一章 前言(中) 1.1 本书适合哪些人阅读? 可以说本书的受众目标比较广泛,但是本书可能更适合于如下的两类人群,一类是学习过与机器学习相关课程的大学生们(本科生或者研究生),这包括了那些刚刚开始深度学习和AI研究的同学们:另一类是有机器学习或统计学背景的,想快速将深度学习应用在其产品或平台中的软件开发者们.深度学习早已被证实可以在许多软件应用中发挥光和热,比如:计算机视觉.语音与视频处理.自然语言理解.机器人学.生物学与化学.电视游戏.搜索引擎.在线广告与金融学等等. 为了

记一次随机字符串生成算法的随机概率与性能的提升

一.前言背景 前几天我部门一个和银行对接的项目中出现了业务Id重复的现象,导致了很多之前不可预见的bug.由于该项目有资金流动,涉及到金钱交易,故不敢有任何闪失.于是leader把同事写的Handler.ashx.cs发给我瞧了瞧,其中的一处流水号生成代码引起了我的注意.代码如下: string[] str1 = new string[] { "A", "B", "C", "D", "E", "F

浅谈概率期望动态规划

前言:自从去年noip有了换教室这道概率DP, 这以后各种OJ上的期望概率DP也越来越多,这里简单做个介绍 -------------------------------------------------------------------------------------------------- 文章中涉及例题:hdu 4089,hdu 4405,hdu 4576,poj 2096,poj 3744 [ 1 ] hdu 4405 机器人 要点:基础的概率DP+逆推 题意: 多组输入n,m

4星|《对赌:信息不足时如何做出高明决策》:赌徒概率思维最优

对赌:信息不足时如何做出高明决策 作者是认知心理学博士,有一个职业扑克玩家哥哥,机缘巧合专职玩德州扑克20年. 作者在玩牌过程中意识到,扑克比赛中的决策次数特别多特别频繁,差不多每两分钟要有一次决策,可能一个决策就影响到一套房子的输赢.于是对优秀扑克选手的决策模式做了许多思考. 书中总结了优秀扑克选手的决策思路,最重要的我认为是两点:1:概率思维:认识到世界是不可知的,只能尽量选择赢牌概率最大的方案:2:正确的决策不一定导致好的结果:正确的决策可能导致输牌,绝不能因此认为决策就是错误的: 作者引

[算法]概率与期望DP

前言 前两节主要针对题目分析,没时间的珂以跳过. 初步 首先举一道简单.经典的好题: [Lightoj1038]Race to 1 Again 懒得单独写,安利一下DennyQi同学的博客:https://www.cnblogs.com/qixingzhi/p/9346307.html. 很显然很多期望题的状态是和自己有关的,怎么办呢,难道不停的搜索自己? 上面的方法显然行不通,于是我们只能简单变形一下. 很容易列出方程: \[f[n]= \frac{\sum_{i=1}^{m}f[fac_n^

「总结」: 概率与期望

知识点: 概率与期望 知识归类: 数学 胡言乱语·前言 作为一名前后2000万的高清菜鸡(乱入了抱歉) 之前考试遇到概率立即跳,感觉概率的题目都不可做. 今天来死磕概率与期望啦. (可能概率与期望只是个开头.以后会陆续复习一些数学知识.) 另外就是,我写这东西自己复习用的哇,严谨性什么的…… 0/1:定义 定义函数$P(A)$表示A事件发生的可能性大小,称为概率测度. 则A是事件集合$F$的一个子集,并且所有事件$A$都可以看作是样本空间$\Omega$的一个子集,那么合法的三元组$(\Omeg