在这个信息大爆炸的时代，我们所面临的信息冲击超过以往任何时候。面对越来越多的可用信息，我们该如何判断哪些信息可以相信？日常决策变得越来越复杂，我们要如何做出正确的决策？本文作者指出了四种误区，如果你特别容易轻信来自外界的信息，那你就要格外注意了。
企业领导者面临着前所未有的挑战。由于通货膨胀、贸易紧张局面和政治上的不确定性，日常决策变得越来越复杂。人力资本问题现在包括多样性、公平和包容、心理健康，以及为第四次工业革命提升技能。环境、社会和治理方面的问题无法再委托给企业社会责任部门，而是变成了C级高管的责任。人工智能带来了无数的新机遇，但也伴随着各种新的威胁。
不过，高管似乎也有应对这些挑战的工具——信息。只要点击鼠标或者移动手指，他们就能利用几乎所有领域的前沿研究成果。学术研究越来越向人们开放，咨询公司、非政府组织和投资者的大量研究成果现在也可以为人所用。信息不仅来自研究，还有书籍、报刊和电台节目。
有这么多可用的信息，我们如何确定哪些可以相信？正如最近的争议所示，即使是发表在精英同行评审期刊上的研究，也可能是基于篡改过的数据。确认偏误或许意味着，人们分享的信息，也就是我们在新闻推送中看到的信息，是分享者希望真实的信息，不一定是真正真实的信息。有很多优秀著作在讲如何应对错误信息——我对错误信息的定义是没有证据证明其为正确的信息——但这些著作通常会列出一长串人们用来欺骗我们的方式，很难全部记住并用于实践。高管需要的是一套简单的错误信息归类法，如此一来他们就知道该注意什么了。
作为一名社会科学家，我的工作就是收集和解读数据。这项技能不仅可以用于进行研究，还可以用来评估研究。我在自己的新书里运用社会科学研究的工具，提出了“错误推论阶梯”，将错误信息分为四类误区。这个框架对于需要管理信息冲击的各层级领导者都很有用。
第一个误区是，声明不是事实，因为声明可能不准确。我们有多少时候会因为喜欢某个声明的内容就轻易地接受和相信？举例来说，我的研究强调公司治理的益处和利益相关者资本主义的价值。因此，我看到某个有影响力的非政府组织发布的报告称高ESG企业的表现优于同行业其他公司，就不假思索地接受了这个说法。这份研究报告的脚注里说该结论有证据支持，所以我很容易觉得这样就够了，然后不再深究。
不过，要想更聪明地思考，第一步就是查证事实。上面这个例子里，我仔细查看脚注，却发现来源的内容与报告里的说法相反。脚注引用的文章题为《ESG的失败之处》，文章小标题里说，“虽然有无数相关研究，但从未有过确切的证据表明社会责任指标与优秀的表现相关。”一个陈述末尾的脚注不一定说明脚注内容支持这种观点：陈述不是事实。
错误的衡量方式也会造成不准确。一篇文章说为ESG投资的公司收获颇丰。但如果你深入下去，就会发现文章作者并没有衡量公司ESG水平，只是询问公司是否认为ESG已经变得比以往更重要——这跟实际的ESG水平是两回事。即使某条陈述与大量数据相关，数据所衡量的也不一定是陈述中的内容。
第二个问题是，事实不是数据，因为事实可能不具有代表性。案例研究是一种很受欢迎且有效的教学方法。案例非常生动，可以鲜明具体地呈现某个主题，比统计数据和回归分析更能激励领导者。案例不仅用于商学院教育，还用在畅销书和热门的演讲里——开头通常是一个故事，用来吸引观众。不过，专精于此的人通常会选择一个最适合说明重点的例子，这样的故事最能给人留下印象。一个故事——或者几个故事——说明不了什么，因为这些点可能并不全面。故事是例外，无法证明规则。
很多管理公式的推销方式都是讲几个著名公司遵循该公式取得了成功的故事。但可能还有几百个其他组织运用该公式却失败了，这些组织不会被提及，因为不符合故事的诉求。若想展示公式的效果，你要考虑使用过该公式的几百家公司——包括成功和失败的公司——将成功比例与没有使用该公式的对照组进行对照。
我们喜欢从成功的故事里学习，但如果不学习失败的案例，你就无法确定成功的要素。要研究那些拿到了秘方却失败了的公司，以及没有得到秘方但成功了的公司。如果你只得到了遵循公式并大获成功的公司案例，这其实是一组经过选择的样本。
第三点要注意的是，数据不是证据，因为数据不一定具有决定性。大规模数据可能具有代表性，但这只是第一步，因为数据仅仅是一组事实，而证据是一组让我们能够得到结论的事实。证据不仅要支持你的理论，还要足以否定对手的理论——比如刑事案件中的证据必须要能够锁定特定嫌疑人才有意义。
社会科学家的素养在这个领域也派得上用场。要从数据中找出因果关系，判断一项研究是否成功理清了因果关系。
我看到的一项研究声称找到了公司治理可以提升公司业绩的决定性证据，其依据是有数据表明治理良好的公司业绩优于治理较差的同行业公司。我自己的大部分研究都是关于良好治理的优点，所以我很高兴看到这一结论。但这真的足以表明是公司治理提升了公司业绩吗？
遗憾的是，这项研究的数据只表明了治理和绩效之间的相关性。数据符合“好的治理带来好的绩效”这一结论，但也符合两个与之相反的结论。其一是反向因果：也许绩效不佳的公司不得不四处救火，只有在前景看好时才能把注意力转移到治理等长期问题上。其二是共同原因：或许一位优秀的CEO既能改善治理，又能提升业绩，而不是前者带来了后者。我们都知道相关性不等于因果性，但如果是我们喜欢的观点，我们就会突然忘记这一点。
如果你参加过经济学会议，就会听到关于类似议题的冗长辩论。但你不必是学者，也能清楚地思考因果。多思考是否还有其他理论与你看到的数据一致，不要直接跳到你希望正确的解释。
最后一点要注意的是，证据不是证明，因为可能不具有普遍性。证明是绝对的。阿基米德证明圆的面积是圆周率乘以半径的平方，公元前三世纪古希腊的圆和现在的圆都是这样。但证据即使完美地导向某一结论，也可能只在收集证据的环境中适用，在其他地方就不一定了。
我自己的一项研究发现，员工满意度较高的公司每年长期股票回报比其他公司高出2.3%至3.8%，累计高出89%到184%，即使控制了其他回报驱动因素也是同样的结果。进一步的分析表明，是员工满意度带来了良好的业绩，而非良好的绩效让公司得以为员工满意度投资。
不过这项研究仅限于美国。约瑟夫·亨里奇（Joseph Henrich）在一本很有影响力的书中强调，大部分研究关注的都是受过教育的、所在社会工业化程度较高的、富裕且民主的西方人，得到的结果或许不适用于世界其他地区。我不能预设自己的研究结果适用于其他地方，于是与几位合作者一起将最初的研究扩展到其他30个国家。我发现，最初的结论一般是成立的，但也不是一直都成立。在一些劳动力市场监管严格的国家，员工满意度高的公司不再有出色的业绩。这一点是可以解释的：当法律规定所有公司都必须提供一定水平的员工福利时，员工福利最高的那部分公司可能已经超出了通过提高员工满意度来获得更多业绩提升的临界点。
面对信息，我们该如何应用错误推论阶梯？可以思考以下几个问题：
一、看到一条陈述，它是否有数据支持？只看到脚注是不够的，你要实际看一下脚注内容。即使脚注内容支持这条陈述，也要注意其中的数据真正衡量的是什么。
二、听到一件事，比如一个故事，它是有代表性的还是只强调某个点？作者是否考虑到了其他拥有秘方却失败了的公司和没有秘方但成功了的公司？
三、如果看到大量数据，那么有没有相反的结论同样符合这组数据？寻找相反结论的一个诀窍是，想象一下研究发现了相反的结果——我们不喜欢的结果——想一想我们会如何尝试推翻这个结论。
四、如果遇到了坚实的证据，它是否适用于我们感兴趣的环境？一项研究发现为员工赋权在科技领域效果很好，并不意味着这种做法适合采矿行业。采矿行业最重要的是安全和健康，而且规则更加重要。
这些应对方法的重点是，理解数据并不需要统计学专业知识，只需要常识、批判性思维和适度的怀疑。不过，假如每次看到一条陈述都要仔细看注解，每次碰到证据都要仔细考虑适用环境，你可能就什么都做不了了。可以遵循80/20原则，有选择地运用以上问题。如果结论与你的工作相关，而且你特别容易因为确认偏误而轻信，那就要格外注意了。就像培养一切新技能一样，这项技能也是越练习就越熟练。
亚历克斯·爱德曼斯（Alex Edmans）|文
亚历克斯·爱德曼斯是伦敦商学院金融学教授，研究领域是公司金融、行为金融和企业社会责任。他在牛津大学获得学士学位，在麻省理工学院获得博士学位，且担任过福布莱特学者。
朔间|译 周强|编校
本文来自微信公众号“哈佛商业评论”（ID：hbrchinese），作者：HBR-China，36氪经授权发布。
