Γεώργιος Σαμακοβίτης: Η αλήθεια στους αριθμούς
Αναπληρωτής Καθηγητής Αρχιτεκτονικής Εταιρικών Εφαρμογών (Enterprise Architectures) της Σχολής Πληροφορικής & Μαθηματικών Επιστημών του Πανεπιστημίου του Greenwich του Λονδίνου
Το “Παράδοξο της Πρακτικής”, οι εταιρικές επενδύσεις, και η ψευδαίσθηση της ακρίβειας.
Ο Jerome Ravetz είχε πει ότι πιστεύουμε στους αριθμούς μόνο και μόνο επειδή είναι αριθμοί. Η άποψή του με βρίσκει σύμφωνο: Το ότι τους χρησιμοποιούμε, συχνά με σχεδόν θρησκευτική προσήλωση, δεν σημαίνει ότι πάντα κατανοούμε τη σημασία τους. Συχνά επικαλούμαστε το α ή β μαθηματικό μοντέλο – όσο απλό κι αν είναι αυτό – προκειμένου να πείσουμε ότι η εκάστοτε απόφασή μας είναι «επιστημονικά τεκμηριωμένη». Πολύ σπάνια, αν ποτέ, κάποιος θα αμφισβητήσει οτιδήποτε βασίζεται σε ένα «κοινώς αποδεκτό» μοντέλο. Επιζητούμε την ασφάλεια της μαθηματικής απόδειξης ως πειστικό επιχείρημα και όχι ως μηχανισμό απόφασης.
Αυτό είναι ιδιαίτερα εμφανές στις σύγχρονες οικονομικές επιστήμες και την πρακτική εφαρμογή τους. Η μαθηματικοποίηση χρησιμοποιείται σήμερα ως το βασικό τεκμήριο επιστημονικότητας στις οικονομικές μελέτες. Ως εκ τούτου, οι οικονομικές επιστήμες βρίθουν εξαιρετικών μαθηματικών μοντέλων υψηλής ακρίβειας, διαθέσιμων προς χρήση. Παρόλα αυτά, οι περισσότερες εταιρικές αποφάσεις λαμβάνονται, και οι μεγαλύτερες επενδύσεις γίνονται, υπό καθεστώς αβεβαιότητας ή ακόμα και άγνοιας. Παράδοξο, αν αναλογιστούμε ότι, ιδιαίτερα σήμερα, οι επαγγελματίες που καταλαμβάνουν τα κλιμάκια λήψης αποφάσεων στις επιχειρήσεις έχουν τουλάχιστον κάποια πανεπιστημιακή εκπαίδευση στις σύγχρονες οικονομικές επιστήμες. Ονομάζω αυτό το φαινόμενο «το παράδοξο της πρακτικής».
Πιθανόν ένα μέρος της εξήγησης του παραδόξου της πρακτικής βρίσκεται στο ότι το ανθρώπινο μυαλό δεν είναι μηχανή βελτιστοποίησης: οι ατομικές ή συλλογικές αποφάσεις λαμβάνονται βάσει του τι γνωρίζουμε τη στιγμή που καλούμαστε να αποφασίσουμε (ο Herbert Simon ονόμασε αυτό τον μηχανισμό satisficing). Η παραπάνω εξήγηση, παρόλα αυτά δε μας απαντά στο γιατί, ακόμα και οι πιο απλές και γνώριμες μαθηματικές προσεγγίσεις (όπως π.χ. αυτή της “τρέχουσας καθαρής αξίας”- NΡV) δε χρησιμοποιούνται για την αξιολόγηση μιας επένδυσης αλλά για την αιτιολόγησή της: κατά τεκμήριο, ακόμα και στον τραπεζικό τομέα (όπου κανείς θα περίμενε τον μέγιστο βαθμό χρήσης μαθηματικών μοντέλων αποτίμησης επενδύσεων) οι ιθύνοντες προσαρμόζουν τα αριθμητικά δεδομένα ώστε τα εκάστοτε μαθηματικά μοντέλα να υποστηρίζουν επενδύσεις που έχουν προαποφασιστεί, συνήθως με γνώμονα την εξυπηρέτηση κάποιας στρατηγικής της επιχείρησης. Όχι την αριθμητική υπεροχή της επένδυσης σε σχέση με άλλες αποτιμούμενες εναλλακτικές της. Δεν είναι δηλαδή η πολυπλοκότητα των μεθόδων που εμποδίζει την χρήση τους ως μέσων αποτίμησης, αλλά μάλλον η συνειδητή χρήση τους ως μηχανισμών πιστοποίησης και τεκμηρίωσης.
Γιατί συμβαίνει αυτό; Προφανώς, ούτε τα μαθηματικά μοντέλα είναι άχρηστα στην πράξη, ούτε οι επαγγελματίες του τραπεζικού και χρηματοοικονομικού τομέα ξαφνικά απαρνήθηκαν την πανεπιστημιακή εκπαίδευσή τους ή την κοινή λογική τους. Η απάντηση δίνεται αν σκεφτούμε το πως και από ποιούς κατασκευάζονται τα εν λόγω μαθηματικά μοντέλα σε σχέση με το πως και από ποιούς χρησιμοποιούνται στην καθημερινή πράξη.
Και εξηγώ: Τα τεχνικά μοντέλα αποτίμησης προκύπτουν κατά κανόνα ως αποτέλεσμα εφαρμοσμένης (συνήθως πανεπιστημιακής) έρευνας που βασίζεται στη μελέτη των επιχειρήσεων και των αναγκών τους. Η χρήση τους όμως γίνεται στην πρακτική αποτίμηση επενδύσεων στον επιχειρηματικό χώρο. Κατασκευάζονται κοινώς από επαγγελματίες ερευνητές και χρησιμοποιούνται από επαγγελματίες μάνατζερς, αφού πρώτα γίνουν ευρύτερα αποδεκτά και υιοθετηθούν στον επιχειρηματικό κόσμο.
Η οπτική που ενδιαφέρει τον επαγγελματία επιστήμονα είναι τελείως διαφορετική από εκείνη του επαγγελματία τραπεζίτη ή μάνατζερ. Ο πρώτος ενδιαφέρεται να αναπτύξει κάποιο μοντέλο επίλυσης ή περιγραφής του φαινομένου με σκοπό την δημοσίευση και προαγωγή του επιστημονικού του έργου (κάτι φυσικό, αν αναλογιστεί κανείς τις νόρμες επαγγελματικής προαγωγής στον ακαδημαϊκό χώρο). Ο δεύτερος ενδιαφέρεται για την καθ’ εαυτή επίλυση του προβλήματος. Όχι άμεσα για το πόσο αποδοτικό είναι το παραπάνω μοντέλο. Η αντίστοιχες νόρμες επαγγελματικής προαγωγής του, του επιβάλουν να δώσει όσο το δυνατόν πιο αποτελεσματικές και αποδεκτές λύσεις, πάντα σε στενά χρονικά περιθώρια. Στην πράξη δεν έχει τον χρόνο ή την ευχέρεια να αποτιμήσει όλες τις εναλλακτικές και να επιλέξει εκείνη που θα του προτείνει το μοντέλο, όσο προηγμένο κι αν είναι. Θα επιλέξει εκείνη την εναλλακτική που του υπαγορεύει η εμπειρία και η γνώση του και θα επιδιώξει να τεκμηριώσει την επιλογή του βάσει του μαθηματικού μοντέλου. Το γεγονός και μόνο ότι το χρησιμοποιεί του παρέχει την ασφάλεια της τεκμηρίωσης και “νομιμοποιεί” τις επιλογές του απέναντι στην επιχείρησή του. Αυτό δε σημαίνει ότι κατανοεί τη σημασία του ίδιου του μοντέλου. Πρακτικά δεν τον απασχολεί από τη στιγμή που η ίδια η επιχείρηση έχει ενσωματώσει επίσημα το μοντέλο ως τον κοινώς αποδεκτό τρόπο αποτίμησης.
Επομένως, η αναζήτηση ακριβέστερων μοντέλων αποτίμησης, όσο κι αν αυτό προάγει την επιστήμη της βελτιστοποίησης, δε μπορεί να συνδράμει σε καλύτερες επενδυτικές αποφάσεις. Αντίθετα, αυτό που απαιτείται είναι το να εισάγουμε συνειδητά στη λογική και πρακτική προσέγγισή μας στις εταιρικές αποφάσεις την παραδοχή ότι τα μαθηματικά μοντέλα χρησιμοποιούνται ως εργαλεία αιτιολόγησης και όχι ως μέθοδοι σύγκρισης και αποτίμησης.
Όσο κι αν μας ξενίζει, οι άνθρωποι “παίζουν” με τα νούμερα για να τα κάνουν να πουν την ιστορία που αυτοί θέλουν. Η εμπειρία μας έχει δείξει ότι αυτό είναι αρκετό για να πείσουν τους άλλους (την επιχείρηση, την κοινή γνώμη, τους ελεγκτικούς μηχανισμούς κλπ.) ότι όντως οι αποφάσεις τους είναι ασφαλείς. Εμπιστευόμαστε τους αριθμούς μόνο και μόνο επειδή είναι αριθμοί και πιστεύουμε στην ερμηνευτική ανωτερότητά των μαθηματικών γιατί προσφέρει την πιό κατανοητή και προσιτή στον άνθρωπο εξαπλούστευση της εξαιρετικά πολύπλοκης, συχνά ακατανόητης, κοινωνικοοικονομικής πραγματικότητας.
