数据不会撒谎，我们却觉得被骗了

本文来自微信公众号： 防冷书斋 ，作者：防冷涂的蜡前几天和朋友吃饭，聊起了经济。有人提到最新公布的数据：2026年前三季度GDP增长4.6%。另一个朋友却不以为然：某某刚刚失业，附近又有几家店铺关门，经济到底好在哪里？

他甚至怀疑，统计局的数据是不是造假了。这事有意思的地方在于，GDP要汇总全国各行各业的经济活动，经过一整套统计核算，才能得出4.6%这个数字。可要让人怀疑它，有时只需要一个失业的熟人，或者一张店铺停业的照片。

一份复杂的统计报告，竟然可能说不过一个随手举出的坏例子。接下来的争论就更有意思了。相信数据的人觉得，对方拿几个例子判断整个经济，未免太武断；相信亲身经历的人则觉得，报表上的数字再漂亮，也解释不了眼前的困难。

争到最后，数据究竟有没有问题还没弄清楚，双方已经开始怀疑对方到底懂不懂真实的社会。我们为什么如此容易被一个坏例子说服？更奇怪的是，当统计数据与亲身经历都是真的，为什么我们仍然会觉得，其中一定有一个在骗人？

为什么司机总记得那笔高抽成订单？2025年，清华大学相关团队调查了894名滴滴司机，取得768人的收入报告。月度平均抽成为15.3%，71.8%的受访者却高估了自己的抽成。超过三分之一的人以为月均抽成高于25%，核验的768人里，实际超过这一比例的只有1人。

司机天天接单，每一笔钱都经过自己的手，为什么对抽成的估计反而偏差这么大？想想一天的跑单过程就容易理解。几十笔订单的收入和扣费，很快混进当天流水；偶尔碰到一笔抽成格外高的，司机可能看好几遍账单，跟同行抱怨，甚至把截图发进群里。

等有人问平台抽成高不高，最先想起来的，往往就是这种让人不舒服的订单。至于那些抽成正常，甚至拿到补贴的订单，反而没留下什么印象。卡尼曼和特沃斯基把这种凭容易回忆的事例判断发生频率的方式，称为“可得性启发”。

负面事件还常常比平常经历留下更深的记忆。我们记得最清楚的事，不一定是发生得最多的事。讲到这里，很多人可能会觉得，问题已经有答案了。心理学早就研究过，人们容易被印象深刻的个案影响，高估坏事发生的频率。

司机记住了几笔高抽成订单，却记不清整个月的账，这当然会造成判断偏差。但我觉得事情还没这么简单。司机可能算错了平均抽成，那几笔高抽成订单却是真实存在的。如果平均数是对的，司机的经历也是真的，为什么两者会得出如此不同的结论？

我们凭什么认为，平均数就一定比亲身经历更接近真实的世界？要回答这个问题，恐怕得先弄明白另一件事：既然数字无法完整描述每个人的生活，我们为什么还要如此依赖统计数据来认识社会？社会越复杂，为什么越离不开数字？

先说统计为什么值得相信。在一个几十户人家的熟人社区，谁换了工作、谁家生意好，周围的人通过日常接触就能知道大概。但一个拥有千万人口的城市，经济活动涉及无数企业和家庭，任何人的亲身经验都只能覆盖其中很小的一部分。

我们不可能挨家挨户查看收入，也不可能问遍所有店主再判断消费是否增长。GDP、失业率、CPI这样的指标，提供了跨地区、跨年份比较的尺度。它们让我们能够讨论个人观察不到的社会活动。比如，两个城市的人都说最近找工作难，单凭各自见过的求职者，很难判断哪座城市的就业情况变化更大。

使用口径一致的调查，至少可以把两个地方放在同一把尺子上比较，让争论有一个能查证的起点。学者西奥多·波特在《数字中的信任》中讨论过，量化和标准化为什么会成为现代公共生活中重要的客观性工具。

两个人可以对“最近生意好不好”争得面红耳赤，但如果采用同一套统计定义，至少能先弄清楚各自谈论的范围和时间。为此，统计必须做大量取舍。哪些人计入劳动力，哪些收入属于可支配收入，什么商品进入物价篮子，都需要明确口径。

各人千差万别的生活，被转换成有限的分类和指标。少了这种简化，大规模比较几乎无法进行。问题出在另一个地方。一个数字完成测量之后，人们还喜欢用它替整个社会下判断。“2026年前三季度GDP增长4.6%”描述的是总产出变化；

“所以大家的日子都在变好”，已经涉及收入、就业和生活条件，需要更多材料才能成立。平台平均抽成15%左右，也是同样的道理。它可以告诉司机整体收入里有多少流向平台，却不能直接回答每种订单的规则是否合理。

如果一个人抱怨的是具体交易，拿总体数字回答，就像别人问这条路为什么总堵车，你只告诉他全城平均车速是多少。因此，公共统计为陌生人提供了理解社会的共同尺度，但数字被用来解释生活时，往往还需要补上它与具体处境之间的关系。

这就带来下一道问题：统计指标看起来准确，为什么仍会让一些人觉得自己的生活被遗漏了？平均数没算错，为什么还是有人不服？假设有两家公司，各有10名员工。A公司每个人月薪都是1万元；B公司有9个人月薪5000元，剩下1个人月薪5.5万元。

两家公司的平均工资都是1万元，但如果去问员工过得怎么样，得到的答案恐怕完全不同。这就是平均数的局限。它可以准确描述整体，却未必能代表其中任何一个人的处境。同样的平均工资，背后可能是完全不同的收入分配。

统计学因此还需要中位数、分位数等指标，帮助我们看清数字背后的差异。而且，统计数据从来都只回答特定的问题。就业人数告诉我们有多少人在工作，却不能直接说明他们赚多少钱、工作是否稳定；平均收入可以反映一个群体的收入水平，却无法告诉我们有多少人正在承受收入下降的压力。

还有统计口径的问题。一份调查覆盖了哪些人、采用什么定义，都会影响最终结果。数字可能完全正确，但它所描述的现实，始终受到统计范围和指标定义的限制。问题就在这里。现代社会离不开统计，但当人们拿着几个汇总数字去解释每个人的生活时，总会遇到一些解释不了的经历。

这些经历不会因为没有出现在报表里就消失，人们仍然会通过身边的人、日常观察和社交媒体去理解它们。可是，如果统计数据无法呈现全部现实，我们每天接触到的新闻和社交媒体，难道就能吗？同一个社会，为什么会出现两幅截然不同的画面？

打开经济报告，看到的是增长率、行业增速和统计口径；刷一会儿短视频，看到的可能是倒闭的门店、被裁的员工和亏损的店主。两边都在谈经济，描述的却像是两个不同的地方。有人信数据，有人信自己的眼睛，争论就从这里开始。

这些信息进入我们视野前，已经经过不同方式的筛选。统计机构通过调查、分类和汇总，尽量反映某个总体；社交平台上的内容则要争取点击、评论和转发。经营平稳的普通门店很少被拍成视频，十年老店关门却有现成的故事和情绪。

2023年，《自然·人类行为》的一项研究分析了Upworthy网站约10.5万个新闻标题版本、超过3.7亿次展示。在这组实验里，平均长度的标题每增加一个负面词，点击率平均提高约2.3%。

负面表达获得更多关注，并非完全出于猜测。想象两条关于商场的消息：一家商场周末正常营业，顾客与平常差不多；另一家老商场即将关门，店主站在空荡荡的柜台前告别。前者大概不会成为热帖，后者容易被拍摄、转发，也更容易让人记住。

如果类似视频连续出现，人很容易觉得商场正在普遍衰落。职业和社交圈也会改变观察结果。一个房地产从业者，朋友、客户和合作伙伴大多在同一条产业链上，聊天时听到的自然是裁员、减薪和订单减少。

从事其他行业的人，身边可能是完全不同的景象。彼此接触的事实都是真的，推断的总体却可能差得很远。这里至少有两个区别：某件事在生活中出现的频率，与它在信息流里出现的频率并不一样；某个人身边发生的变化，也未必能代表其他行业。

看了许多关门视频，仍然需要知道总共有多少商场、关闭比例如何变化，才能判断是否真的普遍恶化。我们依靠不同渠道认识整个社会，而这些渠道提供的事实切面并不相同。于是，相信统计的人要求更多样本，相信身边经历的人则追问数字为什么解释不了自己的困难。

争到最后，分歧有时不再是某组数据准不准确，而是谁说的话更值得相信。谁的经历，有资格成为现实的证据？2025年，社会学期刊《Socius》发表了一项研究。研究者在美国三个城市进行78次访谈，组织12场焦点小组讨论，发现一些受访者觉得公共经济数据与自己的生活脱节。

当媒体和专家不断用这些数字解释经济时，他们又觉得那些解释者不了解普通人的处境。研究者将这种现象称为“双重脱节”：先觉得数据没有说清自己的生活，随后连引用数据的人也难以信任。美国的这项质性研究并不能证明中国人普遍如此，却提供了一条可以理解的变化路径。

最初只是怀疑某个解释，最后可能连解释者的判断都不接受。一位在房地产行业工作多年的人，看到客户减少、同事离开，也知道别的行业仍然在增长。让他难以接受的，可能是有人只凭一个GDP增速，就轻易说出“经济形势不错”。

他的困难没有得到解释，反而好像成了不值得继续讨论的例外。于是，一段商场关门的视频、一位失业者讲述求职经历的文章，就有了额外的意义。它们让人能够指着一个具体的人、一段具体的生活说：“你看，确实有这样的事。

”人们拿出坏案例，有时是在估计一件事发生的概率，有时则是在争取让自己的处境得到认真对待。这两种诉求经常被混在一起。拿统计数据的人说，这只是个别现象，不能代表整体；拿出个案的人问，难道我遭遇的损失就不算数吗？

前者在问事情有多常见，后者在问这件事是否应该发生、是否需要解释。双方回答的问题不同，更多数字或更多故事都未必能结束争论。“不具有统计代表性”和“不值得重视”，是两回事。一笔抽成25%的订单不能推翻整月平均抽成15%的数据，但平均数也无法说明这笔订单为什么发生、是否遵守规则。

要继续讨论，就得核查高抽成订单有多少、集中在哪些场景，以及具体的计费方式。各类证据有不同任务，谁都不能凭自己的长处替代其他证据该回答的问题。结尾再回到那位网约车司机。他对整个月抽成的估计可能错了，但那笔高抽成订单确实存在。

要纠正他的误判，需要拿出完整账单；要解释他的遭遇，还需要弄清楚那笔订单的计费规则。一个坏例子不能推翻一万个好数据，但一万个好数据，也不该成为拒绝解释那个坏例子的理由。这或许才是今天更值得担心的事情。

我们能够接触到的数据越来越多，每个人也都能轻易找到支持自己判断的案例。可如果这些证据最终只被用来证明别人错了，那么事实越多，彼此反而可能越难理解。当每个人都坚信自己看到了真实的世界，却不再承认别人看到的也是真实的一部分，我们失去的就不只是对数据的信任，还有共同认识这个世界的能力。