托马斯•萨金特：土地的集中与分散程度对于经济发展非常重要

　　20世纪土地再一次成为非常重要的资产。联邦政府会提供补贴来修建铁路，铁路需要穿过森林，穿过土地，这样的做法仍会持续。在美国土地所有权是一个非常复杂的话题，比如说像加州的帕瓦多市政府就在土地分配上做了一些非常特殊的尝试。所以我想提的一点就是土地的研究非常重要，而是相当敏感或者巧妙的话题，在宏观经济政策当中可以发挥极其重要的作用。不管是在联邦政府还是在地方政府，从宏观经济角度来讲，土地都是非常重要的因素。

　　在经济学研究这种分散化适度水平是怎样的？我们要给人们多大程度的选择自由权来选择一个分散化水平呢？我觉得这个分散化或者说是放权实际上是一个相当敏感和复杂的话题。我们会考虑基础设施的建设，还要考虑规则的制定和执行。报告提到的分散化和允许地方政府给公务员一定的激励机制或者补偿，而在美国会做成本收益的比较，或者说找一种比较节约成本的方式来动员政府的能动性。

　　一些州的不同城市在税收激励机制方面互相竞争甚至过于残酷。当达到一定程度的时候，联邦政府就会制止恶性的竞争，不能让税收政策、优惠政策走太远。各个城市互相竞争来建设自己的足球场或者体育场馆等等太多了，就是拿本地纳税人的钱来建造体育的场馆，可是这些场馆可能未必会用得上，一个又一个城市来竞相追逐建设这种场馆是没有意义的。这就是一个零和竞争，这个时候就需要联邦政府加以干预。所以集中化和分散化之间的平衡如何来把握？我觉得这一点对于中国的发展是具有基本层面的重要意义的，这也是经济学一个很重要的话题。

　　当然，经济学教材相关的理论，比如说运输问题理论如何将一群人从原来地方移到另外一个地方？从政策实践上来说是很困难的。在20世纪中期，美国曾经有过类似的尝试，州政府用一种集中化的方式来做政策设计。但在方案的过程当中却又需要一定的分散化管理，所以如何在两者之间形成一个平衡是比较困难的。

　　我们在市场经济和良好的计划经济之间如何平衡？两者之间联系或者关系平衡是持续存在？我觉得这方面报告可以做出一些贡献。其实设计理论有两部分，就是优化契约和优化机制，设计是一块而落实是另外一块。在讲到集权、分权这一块，同样的机制可能会有不同的效果。

　　中国在机器学习方面已经是一个引领者，机器学习有像腾讯、阿里这样的企业，他们有交易、信息交互的平台。如果阿里一直都需要去权衡这个集权、分权的问题，它就像是一个国家需要制定机制和规则。为什么我要提机器学习呢？因为直觉也有数学，数学的问题是可以用算术、公式来表达的，但是没办法告诉机器怎么来做计算。还有一种他们不做的定理，里头有很多直觉成分，很快地作决断是非常现代化的一种发展，现在在各地方也有一些发展。刚才我讲到这个问题就是把资源去做一个优化的配备，从A点到另外一个B点。在这个报告里头提到的一些要点，我觉得它是适用于现在的机器学习行业的发展的，我希望能够看到跟现代行业的一些关联，也希望我的研究有很多内容都是来自于中国，所以也希望它成为我们研究的素材。