1. 《經濟學人》有哪些不同的板塊(上)
經濟學人一共有這些版塊
0 cover封面會給出四篇文章的標題，通常前三篇來自leaders社論
1.The world this week,一般包括三部分politics, business, Cal's cartion(Kal是經濟學人漫畫家的名字)，這部分屬於全球要聞速讀。
閱讀建議: 注意《經濟學人》是怎樣用 簡潔的語言，精準的用詞，生動的細節 來概括新聞事件的。
3.Letters(一頁紙，千字左右)，letters的作者是《經濟學人》的讀者，他們可能政府官員等重要人物，署名後會跟著印有職位；普通讀者就只有署名了。
閱讀建議:注意讀者是怎樣展開、論證或反駁一個觀點的。可以 體會論證方法，收集論證句式。
4. Briefing:說是briefing實際算是深度報道，往往從leaders5篇文章中選一篇做深度分析。這部分是《經濟學人》里單篇篇幅最長的內容，一般2-3頁。
閱讀建議: 學習《經濟學人》怎樣 充分展開一個論點 。推薦和leaders版塊同主題文章一起閱讀。注意 詞彙，句式的靈活替換。
5.Asia; China; United States; The Americas; Middle East and Africa; Europe; Britain
有意思的特點:
①只有三個國家有自己的版塊: 英國，美國，中國。
這三版塊的專欄分別叫 Bagehot (Britain)— 白芝浩（Walter Bagehot），英國最著名的經濟學家、政治社會學家和公法學家之一。後人認為，白芝浩是《經濟學人》歷史上最偉大的主編，「或許是《經濟學人》的編輯們永遠試圖接近但無法超越的楷模」。為紀念他的卓越貢獻，後來聞名於全世界的《經濟學人》將其有關英國政治的專欄命名為「白芝浩專欄」。英國政治研究協會（Political Studies Association）每年給政治與公共行政領域的優秀論文頒發「白芝浩獎」 )
Lexington (United States)—萊剋星頓（列剋星頓），美國馬薩諸塞州一小鎮，因美國獨立戰爭在此打響而著名。
Analects (China)— 這個比較好理解，就是來自中國古代四書之一的《論語》。
②美國版塊的文章數是中國版塊的兩倍。
③除了中國版塊，The world this week, Leaders, Letters, Business等其他版塊往往也會有關於中國的文章。
④每個版塊一般都會有一篇專欄文章。
Bello（Americas）–這個Americas本來指拉美，《經濟學人》用它指包括加拿大，但不包括美國的南美。貝約是哥倫比亞中部城市，也是自治市，用來比喻美洲板塊。
Baobab (Africa & Middle East)— 這個詞同樣是一種樹--猴麵包樹 (很有意思的名字)，這種樹在非洲很普遍，樹名的由來，在非洲有兩種說法。一種說，這是黑非洲土著人的稱謂，意為"瓶狀樹"。另一種說法，認為這是從一個阿拉伯語詞彙演變而來。這樣，中東和非洲都包括進去了。這個專欄貌似已經沒有了。
Banyan (Asia)—是TE於2009年4月新推出的亞洲事務專欄，選擇菩提（Banyan）作為專欄名，是因為TE認為菩提最能代表泛亞形象。一則菩提樹與佛教淵源頗深，佛祖釋迦牟尼在菩提樹下靜坐7個日夜後，大徹大悟；再則由於印度西部古吉拉特商人往往在菩提樹樹蔭下買賣交易，菩提樹也因此而得名，所以TE認為菩提樹是亞洲精神文明和物質文明的雙重象徵。在亞洲，菩提還與公共事務有著千絲萬縷的聯系，也是他們選擇的理由之一。
Charlemagne (Europe)— 查理曼大帝（公元742---814年），或稱為查理，卡爾大帝，法蘭克王國加洛林王朝國王，神聖羅馬帝國的奠基人。他建立了那囊括西歐大部分地區的龐大帝國。公元800年，由羅馬教皇加冕神聖羅馬帝國開國皇帝，號為羅馬人皇帝。他在行政、司法、軍事制度及經濟生產等方面都有傑出的建樹，並大力發展文化教育事業。是他引入了歐洲文明，他被後世尊稱為「歐洲之父」。歐洲板塊因此就選用了這個名字。
閱讀建議:聚焦自己感興趣的區域或話題; 偶爾看看陌生的區域和話題; 中國版塊。
8.Technology Quarterly*(*表示不是每期都有的內容)。
就某個科技話題深度探討。
閱讀建議:按興趣閱讀; 適合挑戰用較短時間深入理解一個陌生的科技話題。
9.International 一般2-3頁，1-2篇文章，主題是各國讀者能產生共鳴的話題。
閱讀建議: 探索閱讀興趣，注意在討論不同國家地區情況時的 同意替換表達 。很多話題可以作為和外國朋友做 深度交流的絕佳素材 。
10 Business 一般7-8篇文章
有意思的特點:
①這是唯一個個有兩個專欄的板塊Bartleby-新專欄，側重職場內容
經典專欄Schumpeter，側重管理
Schumpeter (Business) — 約瑟夫·熊彼特(Joseph Alois Schumpeter)，或譯為熊彼德是一位有深遠影響的政治經濟學家，因主張自由主義資本經濟制度，與凱恩斯理論間相互對立，雖然他的經濟學說並不如凱因斯在生前就獲得很大的回響，但研究者咸認為他對於經濟學科的思想史有著很大的貢獻，於哈佛任教期間引介計量經濟理論的研究，豎立該校於經濟研究的重鎮地位。
②一般會有1-2篇關於中國商業或互聯網的文章。
11.Finance and economics
12.Science and technology
14.Economic and financial indicators
共同點:
①專業性較強，最適合相關領域的從業者閱讀。
②為了照顧到普通讀者，專業術語往往用簡單的語言解釋。
閱讀建議:偶爾可以挑戰自己的閱讀能力，尤其是快速獲取信息(scanning&skimming的)能力。
結論
從自己的興趣出發，只讀感興趣的。
初讀《經濟學人》堅持閱讀某一版塊即可。
每個版塊適合不同的學習目標，按需閱讀。
2. 我是高一的學生 要求寫一篇經濟小論文 在600 到800字即可
隨著人類科學技術的飛速發展，單純依靠經驗決策已經不能滿足人類的發展需要。人們迫切需要經驗決策活動向科學化的決策發展，從而形成一套具有完整體系的、便於他人學習和掌握並能運用的科學決策理論和方法。模糊概念和命題不僅在人們的日常思維中大量出現，而且在經濟學家們分析和預測經濟形勢時，也不可缺少。經濟生活的最大特點是模糊性，在對許多經濟問題的分析和經濟預測、決策中，精確的二值邏輯是無法解決的。而模糊邏輯無以提供了一種新的解決現實問題的方法。模糊方法對於經濟工作中定性分析與定量分析的有機結合，也有重要作用。模糊邏輯的綜合評判和選擇令人滿意的模糊決策方案
對一個事物的評價，常常要涉及多個因素或者多個指標。具體過程是將評價目標看成是由多種因素組成的模糊集合（稱為因素集X），再設定這些因素所能選取的評審等級，組成評語的模糊集合（稱為評判集Y），分別求出各單一因素對各個評審等級的歸屬程度（稱為模糊矩陣），然後根據各個因素在評價目標中的權重分配，通過計算（稱為模糊矩陣合成），求出評價的定量解值。上述過程即為模糊綜合評判。
一般的評判問題往往涉及多個因素，特別是在經濟工作中，對象的各因素之間普遍存在著模糊關系，因此，人們在思維中把握對象時總要充分考慮各種因素及其對事物自身類屬、性態的影響，在整體權衡中做出綜合評判，這就是模糊綜合評判。就拿商品房來說，一套住房是否為顧客喜歡，往往涉及好多因素，如地段、樣式、樓層、價格和舒適度等。如何評價住房的優劣，就是個模糊綜合評判問題。下面就以評判某套商品房為例說明模糊綜合評判方法。
設X=房屋地段（x1），樣式構造（x2），價格（x3）， Y=很歡迎（y1），比較歡迎（y2），不太歡迎（y3），不歡迎（y4）先做單因素評價。假如單就房屋地段考慮，請一些專門人員進行評價，有50%的人認為很歡迎，有40%的人認為比較歡迎，有10%的人認為不太歡迎，則對房屋地段的評價為：（0.5，0.4，0.1，0）
又假設對樣式構造來說，評價為：（0.4，0.3，0.2，0.1）
而對價格所做的評價為：（0，0.1，0.3，0.6）
這就構成單因素評價的模糊矩陣，用R表示。
不同的顧客由於職業、性別、年齡、愛好、經濟狀況不同，對商品房的三個因素給與的權數也不同，要進行綜合評價還必須加入權重系數。假如有一類顧客買商品房時主要的要求是房屋地段好，樣式構造較差不要緊，價格比較便宜，則有：
A = ( 0.5, 0.2, 0.3 )
這就是此類顧客對服裝評價的三個權數分配，即房屋地段的權數為0.5，樣式構造的權數為0.2，價格的權數為0.3。由綜合評判可得，這類顧客對商品房的評價結果為：
B=A·R (0.5, 0.4, 0.3, 0.3) (註：AR 表示兩個模糊集的合成運算，具體演算法略)
再做歸一化處理，即各項除以1.5，得：（0.33，0.27，0.20，0.20）
這一結果表明，33%的人認為這套商品房很受歡迎，27%的人認為比較受歡迎，20%的人認為不太受歡迎，20%的人認為很不受歡迎。也就是說，就整體來說有一半以上的人對這套商品房的設計是很受歡迎或比較受歡迎的，因此這套商品房的設計比較成功。
從上例可以說明，人的認識的綜合評判活動，是對各個單獨因素的模糊分析和對各個因素的整體的模糊綜合的辯證運動過程，它體現出模糊分析和模糊綜合的互相依存和互相轉化，也體現了對事物進行的多角度、多側面、多因素、多值、多測度的立體思維考察。所以，模糊多屬性決策分析的理論、方法及其應用研究，不僅對管理科學、技術經濟理論與應用的發展具有重大的理論意義，而且對解決許多復雜的實際決策問題也有特別重要的現實意義。
在過去的10多年中，中國和印度兩國經濟高速增長，這正在改變著世界經濟的格局，並引起世界各國的極大關注。中印兩個文明古國在長期停滯後重新實現經濟增長，證明了市場化對經濟發展的作用，為世界經濟的增長提供了動力，有利於世界消除貧困、控制人口，因而有著多方面的世界意義。
在這種情況下，中國和印度的經濟增長模式受到了廣泛的關注，相似的原理和諸多不同的外界因素改變著兩國的經濟發展方式，為兩國帶了了不同的市場與未來。
關鍵詞：中國經濟增長模式、印度經濟增長模式、經濟增長率、當我們把目光投向近年的亞洲經濟版圖，中國和印度的經濟增長無疑是其中的一抹亮色。中國與印度既是鄰國，又是世界人口大國，兩國國情有很多共同之處，經濟增長的模式上也有種種相似以及諸多不同。
在過去的10多年中，中國和印度兩國經濟高速增長，目前已是全球經濟增長最快的兩個國家，而這樣快速的增長正在改變著世界經濟的格局，並引起世界各國的極大關注，從而引發了中國與印度熱。
如果說印度崛起的原因是自然而然的和自由化的改革政策，那麼中國經濟增長則得益於政府深思熟慮的結果。
一、中國與印度崛起的世界意義中國與印度所在的亞洲曾經是非常富庶的地方，直到19世紀之前，中國比歐洲或者亞洲任何一個國家都要強大，在1820年時，中國的GDP 比西歐及其衍生國家的總和還要高出將近30%。在西方國家進行殖民擴張以前，印度是後來成為西方殖民地國家中唯一的工業品出口國，即使到了英國對印度進行殖民地統治以後的一段時間里，印度的工業規模仍然要比其他任何一個歐洲殖民地的工業規模都要大。但是，隨著西方對印度的殖民，以及對中國的殖民滲透，本來就已處在停滯狀態的中印兩國經濟更是出現了歷史性的大逆轉。在此後的100多年時間里，中國與印度，以及這兩個大國所在的亞洲很快就成為世界上最為貧困的地區，而且大部分貧困人口恰好集中在中國與印度這兩個人口規模極其巨大的國家裡。亞洲的復興是從二十世紀五十年代開始的，但是走出亞洲經濟復興第一步的並不是中國和印度，而是日本。這是因為中國與印度在爭得民族獨立與解放之後，選擇了被事實證明是缺乏效率的"計劃經濟體制"，結果未能實現有效的經濟增長，從而也就不能有效地解決多個世紀積累起來的貧困。但是，當日本於20世紀70年代成功實現對歐洲的趕超，以及隨之而來的東亞"四小龍"的經濟起飛，給中國以巨大的沖擊。中國在經過審慎的思考以後，在1979年以後毅然決然地走上了向市場經濟轉型的道路，從而創造了令世人震驚的中國經濟奇跡。面對中國的經濟奇跡，印度最終也在1992年開始了向市場經濟的轉型，結果，在進行轉型後的10多年時間里，也發生了在印度歷史上從來沒有過的經濟增長。中國與印度的崛起為解決世界性的貧困問題提供了新的希望。只有經濟增長才能有效地減少和消滅貧困，即財富的創造是解決貧困問題的關鍵性因素，而分配至多隻能解決公平問題，絕對不能解決貧困問題。自1979年改革開放以來，中國使大致 4億左右的貧困人口脫貧。印度在剛開始改革時，貧困人口佔全國總人口的36%，改革僅 8 年，其貧困人口佔全國總人口的比例就下降了八個百分點，平均每年降低一個百分點。 中國和印度的崛起有助於減少和消除世界性的貧困，為世界經濟帶來新的增長動力。它們都是 「人口年輕」國家，可以為世界帶來巨大的紅利；它們擁有強大的低成本製造能力，可以讓世界在實現經濟高速增長的同時而不通貨膨脹；從長期來看，它們將為世界創造一個規模空前巨大的新興市場。
二、中國和印度相似又不同的發展模式 1、中國模式：當中國經濟在20世紀80年代以閃電般的速度起飛，並且成為全球經濟強國時，全世界從最初對中國的不信任逐漸轉為由衷的欽佩。中國的國內生產總值主要以製造業拉動，增長率在2006年達到11%後，又在2007年增至12%。中國依靠巨大的國內儲備資金大力開展基礎設施建設，同時吸收大量外資在中國建立工廠，引進所需的國外專業技術。改革開放後30年的中國經濟發展模式，是以否定計劃經濟的弊端為發端，以市場經濟為價值取向和依靠市場調節自發優化資源配置為理論根據而設計和安排的經濟模式。是以市場經濟為價值取向、以地方分權為行政運作、從農村分田單干起步、公有經濟民營化、使一部分人先富起來的經濟模式。從總體上說，這是一種市場經濟模式，由於它具有市場經濟體制的一般優越性，從而為中國經濟帶來了活力。 2、印度模式： 記得家人出差到印度，回來後形容對那裡的「落後」印象深刻。簡陋的基礎設施、堵塞的交通、滿街低檔國產車、大城市的貧民窟、隨處可見的乞丐，作為孟買一景的多比哈特露天洗衣場……都給人以一種「窮國」的強烈觀感，跟中國沿海城市熱火朝天的市政建設比起來相形見絀。然而，人們往往沒有看到的是印度發展的潛力及其增長模式的可持續性，隨處可見的IT公司招牌掛滿大街小巷，迅速發展的服務行業……自1980年到2002年，印度的經濟增長率保持在6%，到2002年至2006年，其增長率穩步上升到7.5%。2006年以後的經濟增長率突破8%。在過去的20多年中，中產階級的規模翻了4倍，達到2.5億人。印度的經濟起步落後於中國大約10年，它的崛起之所以令人關注，並不是因為這是新的現象，而是因為它的發展模式非常特殊。其崛起主要依靠西方工作崗位的地域性轉移。同時印度迅速造就了一批世界級的知識密集型企業以高科技為先導的服務業優先，所屬行業包括軟體業、IT業和制葯業。這些行業在發展過程中很少得到政府的資助，卻有力地推動了經濟的發展。印度採取的戰略跟其他亞洲國家不同，它並不依賴於出口勞動密集型的、價格低廉的工業產品，而更依靠國內市場以內需為主拉動消費，他們重消費而非投資，重服務業而非製造業，重高新技術產業而非技術含量低的工業，自下而上的市場主導的經濟運作。這種方式意味著印度的經濟在很大程度上可以避免受到全球經濟疲軟的沖擊，從而表現出很強的韌勁。以消費為主導的發展模式有利於人民生活的普遍提高，印度的貧富差距比其他發展中國家都要小。而且，30%至40%的國民生產總值來自於生產力的增長，而不是資本或勞動力的增加。 3、中國經濟增長率和印度經濟增長率（圖） 4、中國和印度經濟增長模式的比較：如果說世界上有一個國家對中國來說最有可比性的話，那就是印度，因為兩個國家的很多稟賦都比較相似。由於制度環境和初始條件不同，中印兩國的發展模式也不同，這表現在市場化路徑、開放模式和增長道路的差異。中國和印度走向市場化的道路不同，由於中國與印度的國情不同，中國和印度走向市場化的道路存在著很大差異。中國在改革開放以前實行的是以公有制為基本制度的計劃經濟，而印度在其改革開放以前所實行的則是以私有制為基本制度的計劃經濟，這種制度上的根本差異導致了這兩個國家在向市場經濟轉型時，必須要選擇不同的改革道路。對於中國而言，要想完成從計劃經濟向市場經濟的轉型，首要的任務便是進行所有制的改革。對於印度來說，其通向市場化的道路就是放鬆政府管制、大力推進經濟自由化與貿易自由化就可以了。但不管中國和印度在走向市場化的過程中所採取的方法有多大的不同，中國和印度的改革在有一點上卻是非常相似的，那就是兩國都謹慎地採取了漸進改革的方式，從而避免了那種發生在前蘇聯和中東歐計劃經濟國家轉型過程中的社會動亂，以及因為社會動亂而造成的經濟衰退。中國和印度對外開放的模式不同，這兩個國家也存在著相當顯著的差別。就中國而言，對外開放的主要方式是出口導向和引進外資，而印度的對外開放則採取了對外投資與自由貿易的方式。中國與印度的經濟增長道路不同，中國是沿著從農業到製造業，再到服務業的發展道路循序漸進的，而印度則部分地採取後一種經濟增長的道路，把更多的注意力集中到了服務業的發展上。
三、中國和印度經濟增長的未來和所需面對的挑戰為了實現經濟的持續發展，中印兩國都面臨著挑戰。兩國共同的問題是堅持通過創造財富來消滅貧困而不要搞平均主義。中國還需要深化以農民土地所有權、國有企業所有權和私人財產所有權為重點的產權改革，印度則需要改革其限制社會流動、壓抑經濟活力和削弱人力資本投資的種姓制度。印度與我國相比在經濟增長中的優勢：開放程度比中國高得多，與世界各主要大國關系較好，外部壓力較小，精英教育已見成效，印度社會精英階層整體素質比中國高得多。而印度的劣勢是：宗教矛盾日益突出，社會動盪，恐怖事件時有發生，這些都極大地打擊了外國投資，由於市場過度開放，對本民族工業造成很大沖擊，有些領域經濟命脈把持在外國資本家手裡，一些基礎設施建設很差，已經嚴重束縛了印度經濟的發展。印度總理曼莫漢·辛格說：「只要政策對症下葯，經濟成就是會持續下去的，從而相應提高亞洲區內人民的生活水平，這也即代表著全球近半的人口，生活素質得到改善。」 辛格還指出，當前全球經濟面對的最大挑戰，仍是在如何復甦這個問題上。即使亞洲國家並沒有受不良證券的拖累，但區內國家多倚靠全球貿易支撐經濟，經濟變差，需求大減，波及出口貿易。「對中國、印度、印尼這些著重內需的國家來說，外來經濟環境不景氣，對其沖擊不會很大，但對於倚賴出口的經濟體來說，影響卻甚大。」但辛格補充說：「如今，亞太區經濟陸續轉佳，截至去年年底，亞洲多數國家的出口更已重回經濟危機發生前的水平，當中還包括曾遭受最嚴重打擊的國家。」依據2010年一季度的增長率來看，短期內中、印兩國的經濟發展走向還是會加速前進的。
全中國有多少能夠發表經濟學論文的刊物？數百種，甚至上千種？反正是多如牛毛。中國社會科學院和各地的社科院、許多大學的經濟學院、一些國家機關、金融機構等等都有自己的刊物，這還不算也刊登理論文章的報紙。應該說，最近20年來，中國的經濟學和經濟學期刊都有了很大的進步，但是，我們還要看到，存在的問題仍然不少：
（1）綜合性的期刊太多，專業性的期刊太少。在國外，除了為數不多的幾本綜合性經濟學期刊之外，具有國際性聲譽的主要是各種專業性期刊，比如金融有《金融學》雜志，比較經濟學有《比較經濟學》雜志等。國內的各個經濟學期刊並沒有明確的專業分工，內容重疊，使得讀者想要了解一個領域的最新進展往往無從入手。
（2）對刊物的評價缺乏科學標准。目前流行的刊物分類方法是根據刊物主辦單位的級別進行評級，或是根據國家有關行政單位的評比，這使得學術期刊的評級缺乏學術界公認的科學標准。
學術期刊多而質量參差不齊，對於研究人員和學生發表論文來說，既是一件好事，也是一件壞事。說它是好事是因為從目前的情況來看，一個聰明的研究生隨隨便便挑幾份刊物，登數十篇論文，根本就不是件難事。說它是壞事，是因為發表論文如此容易，會很容易地毀掉剛出道的學子，讓他們覺得科學研究原來是這樣一件稀鬆平常的事情。所以，我的建議是青年學子們在投稿的時候一定要確立自己的目標，就是不滿足於在平庸雜志上發表論文的數量，而一定要登上好的經濟學刊物的「大雅之堂」。
那麼，什麼是好的經濟學刊物？學術期刊上的論文往往充斥著難懂的術語、復雜的推理和煩瑣的數據，很難讓普通讀者讀懂，並因此會讓門外漢感到「高山仰止」、「陽春白雪」。事實上，學術期刊與大眾媒體的功能是不同的。大眾媒體面向的是普通公眾，讀者只需要受過中級的教育程度並有基本的理解力，但不必要受過某個學科的專門訓練。學術期刊的作者和讀者基本上局限在一個狹窄的小圈子裡，即受過某個學科的訓練並且仍然在從事這個學科的研究和教學的人員。大眾媒體上的文章是為了影響讀者，而學術期刊上的論文是為了同行交流。所以，如果用所傳遞的信息量或是思想的深刻程度來衡量文章的質量，學術期刊上的論文並不一定要比大眾媒體上的文章質量更高。比如《經濟學人》、《商業周刊》在專業經濟學家那裡贏得了很高的榮譽，不少一流的經濟學家都承認他們經常從這些雜志上找到靈感，而在國際關系領域，《外交》雜志的水平不亞於任何一份最好的學術期刊，但是這些雜志並不能被稱為學術期刊。在《經濟學人》或是《外交》上發表文章能夠提高作者的知名度但對他在大學里評職稱卻是一點也幫不上忙。衡量學術期刊的標准首先不在於其內容而在於其形式。
經濟學論文發表期刊主要有(排名不分先後順序)：《管理世界》《數量經濟技術經濟研究》《地域研究與開發改革》《經濟理論與經濟管理》《開發研究》《上海經濟研究》《宏觀經濟研究》《長江流域資源與環境》《經濟研究參考》《生產力研究》《城市問題》《城市發展研究》《中國經濟史研究》《資源科學》《中國人力資源開發》《經濟體制改革》《經濟問題探索》《資源、產業（改名為：資源與產業）》《中國經濟問題》《南方經濟》《現代城市研究》《消費經濟》《生態經濟》《經濟數學》《中國流通經濟》《開放導報》《特區經濟》《現代經濟探討》《宏觀經濟管理》《運籌與管理》《改革與戰略》《技術經濟與管理研究》《中國經貿導刊》等。[2]
經濟學論文是對經濟學領域的研究成果做出的的結論性總結，是對社會經濟現象深入分析的結果。
一、選題結構特點
1. 選題
選題應該能夠解釋關系較多人利益的現實活動，如用激勵理論研究中國農業問題。解釋范圍太狹隘的選題寫作意義也不大，但可以作為小品文，如研究清華北大佔位問題。
2. 內容
利用簡單而深刻的經濟學模型表達自己的觀點，並利用分析證明自己的觀點。
內容的好壞主要取決於：(1)用同行通用的規范經濟學方法分析問題;(2)語言清晰准確表達要表達的意思;(3)模型對現實的解釋能力。
3. 寫作形式
形式規范，內容才能規范。如必須有理論綜述部分，就要求確實要了解該領域目前的研究進度。必須有模型的假設，就必須設計出有意義的假設。必須有規范的實證檢驗，就不能隨便羅列一些數據，而必須找到確實能夠支持自己論點的證據。
二、寫作思維方式
一切從利益最大化角度分析，構造現實主體的利潤函數和約束條件，以求最大化詮釋。
三、理論模型分析
1. 基礎理論，包括理論綜述、現實意義。
例如：具體鑽研某一特定領域。
2. 模型，包括假設、界定函數式、求解均衡解、模型的推廣。
例如：《高級微觀經濟學》、《高級宏觀經濟學》、《博弈論》。
3. 實證分析，例如：《計量經濟學》。[3]
3. 一篇經濟學人的報道大概有多少單詞呀
有長有短，長的有一兩千詞，短的幾百詞，有些長篇文章有三四千詞，一般是一千詞左右。
4. 經濟學人2018-02-06
YOU have multiple jobs, whether you know it or not. Most begin first thing in the morning, when you pick up your phone and begin generating the data that make up Silicon Valley』s most important resource. That, at least, is how we ought to think about the role of data-creation in the economy, according to a fascinating new economics paper. We are all digital labourers, helping make possible the fortunes generated by firms like Google and Facebook, the authors argue. If the economy is to function properly in the future—and if a crisis of technological unemployment is to be avoided—we must take account of this, and change the relationship between big internet companies and their users.
無論你是否知道，其實你身兼數職。大部分開始於早晨你做的第一件事——拿起手機，開始產生數據，而這是矽谷最重要的資源。一篇新發表的 有趣的 經濟學論文表示，至少我們應該這樣來衡量創造數據對經濟所起的作用。文章作者認為，我們都是數字化的勞工，幫助谷歌和臉書這樣的大企業創造財富。如果未來經濟要 正常運轉 ，並且避免技術性失業危機的發生，我們必須要考慮這一點，改變大型互聯網企業和用戶之間的關系。
Artificial intelligence (AI) is getting better all the time, and stands poised to transform a host of instries , say the authors (Imanol Arrieta Ibarra and Diego Jiménez Hernández, of Stanford University, Leonard Goff, of Columbia University, and Jaron Lanier and Glen Weyl, of Microsoft). But, in order to learn to drive a car or recognisea face, the algorithms that make clever machines tick must usually be trained on massive amounts of data. Internet firms gather these data from users every time they click on a Google search result, say, or issue a command to Alexa. They also hoover up valuable data from users through the use of tools like reCAPTCHA, which ask visitors to solve problems that are easy for humans but hard for AIs, such as deciphering text from books that machines are unable to parse. That does not just screen out malicious bots, but also helps digitise books. People 「pay」 for useful free services by providing firms with the data they crave .
文章作者們(斯坦福大學的伊馬諾爾·阿列塔·伊巴拉和迭戈希·門尼斯·埃爾南德斯、哥倫比亞大學的倫納德·勒戈夫以及微軟公司的傑倫•拉尼爾和格倫•外爾)一致認為， 人工智慧（AI）技術日趨完善，勢必將為多個行業帶來變革 。但是，為了學習駕駛汽車或是進行面部識別，計算機必須通過演算法來進行訓練，而訓練中就要使用大量的數據。每當用戶點擊谷歌搜索結果或是在Alexa上下達指令的時候，互聯網公司都會收集這些數據。互聯網公司同樣使用工具，如使用驗證碼，從用戶獲取有價值的數據，要求訪問者解決對於人類來說輕而易舉但對於AI來說卻非常困難的問題，例如解析書上的文字，這對於機器來說是不可能的。這不僅能夠篩選出惡意的網路機器人，還能幫助將圖書轉為數字形式。人們向互聯網公司提供了他們渴望的數據，以此來換取的免費網路服務。
These data become part of the firms』 capital, and, as such, a fearsome source of competitive advantage. Would-be startups that might challenge internet giants cannot train their AIs without access to the data only those giants possess. Their best hope is often to be acquired by those very same titans, adding to the problem of uncompetitive markets.
這些數據成為企業資本的一部分，因此也是競爭優勢的可怕來源。那些有可能挑戰互聯網巨頭的初創公司，由於無法獲得這些被壟斷的數據，因而無法訓練他們的人工智慧。他們最大的希望就是被同業互聯網巨頭收購，加重了市場的壟斷程度。
That, for now, AI』s contributions to proctivity growth are small, the authors say, is partly because of the free-data model, which limits the quality of data gathered. Firms trying to develop useful applications for AI must hope that the data they have are sufficient, or come up with ways to coax users into providing them with better information at no cost. For example, they must **pester **random people—like those blur-deciphering visitors to websites—into labelling data, and hope that in their annoyance and haste they do not make mistakes.
文章作者認為，目前人工智慧對於生產率增長的貢獻還很小，部分原因在於免費數據的模式限制了數據的質量。如果互聯網公司想要開發更有用的人工智慧程序，他們一定希望能取得足夠的數據，或者想方設法哄騙用戶，免費獲得更好的用戶信息。例如，他們會隨意騷擾隨機用戶——比如識別模糊驗證碼的網站訪問者，進行數據標注，希望他們在不勝其擾的情況下也不會犯錯誤。
Even so, as AI improves, the amount of work made vulnerable to displacement by technology grows, and ever more of the value generated in the economy accrues to profitable firms rather than workers. As the authors point out, the share of GDP paid out to workers in wages and salaries—once thought to be relatively stable—has already been declining over the past few decades.
即便如此，隨著人工智慧技術的進步，越來越多的工作崗位將更容易被取代，而在經濟發展中產生的價值則會越來越多地落到公司的口袋，而非惠及普通員工。正如作者所指出，在過去的幾十年裡，工人的工資和薪金佔GDP的份額——一度被認為是相對穩定的，在逐年下降。
To tackle these problems, they have a radical proposal. Rather than being regarded as capital, data should be treated as labour—and, more specifically, regarded as the property of those who generate such information, unless they agree to provide it to firms in exchange for payment. In such a world, user data might be sold multiple times, to multiple firms, recing the extent to which data sets serve as barriers to entry. Payments to users for their data would help spread the wealth generated by AI. Firms could also potentially generate better data by paying. Rather than guess what a person is up to as they wander around a shopping centre, for example, firms could ask indivials to share information on which shops were visited and which items were viewed, in exchange for payment. Perhaps most ambitiously, the authors muse that data labour could come to be seen as useful work, conferring the same sort of dignity as paid employment: a desirable side-effect in a possible future of mass automation.
為了解決這些問題，他們提出了一個非常激進的建議。 數據不應被視為一種資本，而應當作為一種勞動，更確切地說，應該作為創造這些信息的人的財產，除非他們同意向企業有償提供這些信息。在這種情況下，用戶的數據可能會被多次出售給不同的公司，同時也能夠降低作為入門門檻的數據收集難度。對用戶的數據付費有助於擴散人工智慧創造的財富。企業也將有可能通過付費獲得質量更好的數據。 例如，當一個人在商場閑逛時，商家可以不用去猜測這個人在干什麼，而可以通過付費的方式要求個人分享諸如他逛了哪些商店，看了哪些商品之類的信息。而作者大膽地設想，在不久的將來，數據勞動也能夠被當成是一種有價值的工作，並且能夠獲得與有薪工作同樣的尊嚴，而這正是未來可能的大規模自動化帶來的一種好的副作用。
The authors』 ideas need fleshing out; their paper, thought-provoking though it is, runs to only five pages. Parts of the envisioned scheme seem impractical. Would people really be interested in taking the time to describe their morning routine or office habits without a substantial monetary **incement **(and would their data be valuable enough for firms to pay a substantial amount)? Might not such systems attract data mercenaries, spamming firms with useless junk data simply to make a quick buck?
從目前來看，作者的想法需要充實，他們的文章盡管 發人深省 ，但是全文僅僅只有5頁。部分設想看上去不太實際。在沒有足夠大金錢利益驅動下，人們真的會有興趣去花時間記錄自己的日常習慣或者是辦公習慣嗎（或是用戶數據的價值是否足以使企業去支付大量的費用）？這樣的體系下是不是會吸引大批唯利是圖，企圖通過垃圾郵件或者無用數據來賺快錢的公司？
Still, the paper contains essential insights which should frame discussion of data』s role in the economy. One concerns the imbalance of power in the market for data. That stems partly from concentration among big internet firms. But it is also because, though data may be extremely valuable in aggregate, an indivial』s personal data typically are not. For one Facebook user to threaten to deprive Facebook of his data is no threat at all. So effective negotiation with internet firms might require collective action: and the formation, perhaps, of a 「data-labour union」.
盡管如此，論文提出了數據在經濟中的作用的 基本見解 。其中一點是目前數據市場權力的不平衡，這源於大部分的資源都集中在大型互聯網公司手裡。但是這也是因為數據只有在成規模的時候才有價值，單個的數據信息並沒有那麼有價值。比如說一個臉書的用戶威脅他將從臉書上自己的數據，而這根本無法構成威脅。因此，同互聯網公司進行有效談判可能也得採取抱團的方式，也許通過『數據勞工工會』這種形式比較合適。
This might have drawbacks. A union might demand too much in compensation for data, for example, impairing the development of useful AIs. It might make all user data freely available and extract compensation by demanding a share of firms』 profits; that would rule out the pay-for-data labour model the authors see as vital to improving data quality. Still, a data union holds potential as a way of solidifying worker power at a time when conventional unions struggle to remain relevant.
但是工會的模式可能也有問題。例如，它可能會對於數據要價太高從而影響那些非常實用的人工智慧技術的發展。它可能讓所有用戶的數據可以自由獲取，但用戶通過從企業收益中獲取分成從而獲得補償。如果這樣，無疑會毀掉數據付費使用這一勞動模式，而這種模式正是作者希望用來提升數據質量至關重要的一環。盡管如此，當傳統工會難以保持利益相關性之時，數據工會依然可能成為保護勞動者權利的一種方式。
Most important, the authors』 proposal puts front and centre the collective nature of value in an AI world. Each person becomes something like an oil well, pumping out the fuel that makes the digital economy run. Both fairness and efficiency demand that the distribution of income generated by that fuel should be shared more evenly, according to our contributions. The tricky part is working out how.
最重要的是，作者的建議將人工智慧世界中價值的集體性質置於超前和中心的位置。 每個人都變成了一個「油井」，噴發出讓數字經濟運行的「石油」。公平和效率都要求根據貢獻來更加均等地分配由我們生產的「石油」所產生的回報。理想很美好，但難的是如何將一切付諸行動。
References: [取經號]（ https://qujinghao.com/2018/01/27/5418/ ）