视界
科技公司中的经济学家和经济学
苏珊·阿西-迈克尔·卢卡
获得博士学位的经济学家在科技公司发挥的核心作用日益加深，他们致力于解决平台设计、战略、定价和政策等方面的一系列问题。亚马逊（Amazon）、易趣（eBay）、谷歌（Google）、微软（Microsoft）、脸书（Facebook）、爱彼迎（Airbnb）和优步（Uber）等大公司都招募了大批获得博士学位的经济学家，组建庞大的团队优化设计选择。譬如，在过去五年里，亚马逊在帕特·巴贾里（Pat Bajari）的带领下将150余名获得博士学位的经济学家招至麾下，成为拥有科技经济学家最多的科技公司。事实上，目前亚马逊员工中的全职经济学家人数比规模最大的经济学系还要超出数倍，而且这个团队的规模仍然在快速扩张。Coursera、亿客行（Ex-pedia）、网飞（Netflix）、微软、潘多拉（Pandora）、优步、Yelp和Zillow等公司也雇用了全职经济学家。表1列出了许多雇用了获得经济学博士学位的人才的科技公司，不过这个清单并未穷尽所有相关科技公司。
表1 招募经济学博士的科技公司典范
科技公司雇用的经济学家涵盖了各个层面，从毕业后直接进入科技产业的博士，一直到从权威学术院系终身教授中挖来的首席经济学家等，不一而足。这些经济学家担任的职位也五花八门。近年来在科技公司针对经济学家发布的职位中，数量增长最多的是直接解决商业问题的职位，只有少数职位的目标是发表学术论文。与此形成鲜明对比的是，有些科技公司（如微软）不仅有首席经济学家带领团队集中精力攻克商业问题，也有不少经济学家在研究中心工作，自行开展研究并在学术期刊上发表研究成果，后者与商学院或经济系的经济学家的工作相差无几。这些研究中心在鼎盛时期可以提供最前沿的洞见，部分成果会给公司指明未来的发展方向。
目前，很多科技公司都直接在美国经济学会（American Economic Associa-tion）的“经济学者就业平台”（Job Openings for Economists）上招贤纳士，绝大多数获得经济学博士学位的人才也是从这里开启自己在科技公司的职业生涯。在2017/2018学年，21家科技公司通过“经济学者就业平台”招募到经济学人才。与此相关的背景情况是，科技公司通过“经济学者就业平台”招募的员工人数达到政策学院（policy school）从这里招聘的人数的三分之二。如果考虑到另外一个事实，即这些科技公司中都有不少职位虚位以待，那么它们为经济学者提供的职位数量远远超过了政策学院。
此外，表2表明科技公司发布的职位数量在过去几年里持续上升，与政策学院（它们招聘的职位数量上下起伏）和经济学系（它们招聘的职位数量不断下降）的情况形成了鲜明对比。推动科技经济学家的就业岗位数量不断增长的某些力量也影响了学术就业市场：随着科技平台在经济中发挥的作用越来越大，与它们相关的问题对商学院的课程设置和学术研究的重要性也愈发显著。
表2 科技公司、政策学院、商学院和经济学系招聘职位的数量
近年来，商学院对以下两类教师的需求与日俱增：专长于网络平台和数字化的教师；在数据分析的关键领域（如实验方法和机器学习）颇有建树的教员。譬如，过去一直致力于研究运筹学和信息系统管理的商学院，近年来开始将重点放在经济学问题上，如市场、定价算法和经济学问题的实证研究。
出现以上这些转变的部分原因在于，MBA（工商管理学硕士）学生需要对投身科技行业做好准备且这种需求日益强烈。譬如，在近年哈佛商学院毕业的MBA学生中，被亚马逊招至麾下的人数最多。与MBA学生改变职业轨道相对应的是，过去几年哈佛商学院在课程设置中纳入了关于实验方法、网络市场设计、数字化营销、科技战略和数据科学等课程。在斯坦福商学院的课表中，此类课程的数量也在不断攀升。从更广泛的层面看，与科技产业直接相关的课程数量在迅速增长。核心战略和营销等传统课程中也加入了大量与数字经济有关的内容。
就科技产业本身而言，过去几乎没有私营公司招募学院派经济学家或研究技能突出的博士毕业生从事全职工作。兰德公司（RAND Corporation）和美国麦斯迈提卡政策研究所（Mathematica Policy Research）之类的机构会大规模雇用经济学家，但主要是从事研究和政策评估。基石咨询公司（Cornerstone）和安诺析思国际咨询公司（Analysis Group）等也会招募大批经济学家，主要为反托拉斯和知识产权诉讼等法务领域提供支持和专家证人。
如果考虑到科技公司的研究实验室（如微软研究院）招募经济学家的情况，或许历史上与此相似程度最高的案例是贝尔实验室（Bell Labs）。1968年它组建经济学家团队时，还是美国电话电报公司（AT＆T）的一个部门，随后这个团队日益壮大，拥有约30名经济学家，其中不乏知名经济学家（如Eliza-beth Bailey、Roy Radner和Robert Willig等）。到1970年，它推出了《贝尔经济学和管理科学杂志》（Bell Journal of Economics and Management Science）（这份期刊后来转为备受学术界推崇的《兰德经济学杂志》，至今仍然颇有影响）。1983年，贝尔实验室逐渐停止运营，当时美国电话电报公司正在根据美国反垄断法的要求分拆成若干个公司。团队中的部分经济学家转到公司内的其他部门，而其他经济学家则跳槽至其他行业，或进入哥伦比亚大学、哈佛商学院、纽约大学、普林斯顿大学和宾夕法尼亚大学等院校从事学术工作。
尽管部分科技公司以实验室的形式招募经济学家，但科技公司中的绝大多数经济学家都在利用公司数据从事管理方面的工作，还有不少经济学家在业务领域施展拳脚。譬如，除了微软研究院以外，微软还有一个主攻业务领域的首席经济学家，率领团队积极招募获得博士学位的经济学者解决从云计算到搜索广告等诸多业务问题。亚马逊指派经济学家处理各个部门的具体商业问题，从电子商务平台、数字内容以及用来评估公司调整和创新的实验平台等。优步的经济学家不仅负责研究定价和激励设计问题，还致力于理解政策问题，该团队中的部分成员从事面向公司外部的研究，在学术期刊上发表文章，而其他成员则完全聚焦于公司内部的问题。从更广泛的角度看，科技公司的很多经济学家确实将外部研究和内部工作相结合，持续不断地参加会议并在主要的经济学期刊上发表文章。他们常常从顶尖的博士生项目中招募夏季实习生，或与学院派经济学家共同开展研究。由于科技公司面临的很多问题都处于学术研究的最前沿，所以科技产业极其重视与学界保持密切联系，并坚持采用严格缜密的原创思想。
科技公司和经济学家之间的互动确实提出了新的学术问题，并创造了全新的经济学领域——“数字化经济学”。这个领域探索了一系列宽泛的问题。譬如，人工智能和消费者大数据如何影响产业结构和市场力量？应当如何监管科技公司？科技业提供的数据可以给政策提供什么信息？聚合器、搜索引擎、信誉体系和社交媒体如何影响我们的决策以及我们阅读的新闻？应该如何设计网络市场确保交易过程安全高效？网络平台还创造出创新型数据库和试验场，几乎可以为市场设计、产业结构、劳动经济学和行为经济学等所有经济学领域提供相关信息。
我们有机会在自己的职业发展中“脚踩两只船”：一边从事网络平台的学术研究和教学工作，一边从事实践工作，帮助网络平台逐步成形。除了学术研究外，我们还与科技公司开展密切合作。苏珊·阿西曾经担任微软的首席咨询经济学家，现在坐镇亿客行、Lending Club、Rover和瑞波（Ripple）的董事会。她供职于微软时还帮助微软在新英格兰的研究部门组建了经济学家团队。迈克尔·卢卡就职的科技公司涵盖多个领域，他还在Yelp发起一个经济研究项目。作为学者，本文作者曾经为数以百计现在就职于科技公司的学生和管理人士上过课。博士生对科技公司的兴趣也日益浓厚，本文作者的学生就职于脸书、微软、亚马逊、Wealthfront、优步和爱彼迎等诸多科技公司。
早在科技时代降临前的几十年里，经济学家在科技公司施展的核心技能就对经济研究至关重要。自从20世纪60年代鲍勃·威尔逊（Bob Wilson）对拍卖开展开创性的研究之后，市场设计这个领域就将创新理论、实证和实验结合起来解决现实世界的问题。在过去几十年里，评估因果关系和理解激励机制始终是应用微观经济学和产业组织学的核心问题。随着新技术不断问世，获得博士学位的经济学者掌握的技术专长在科技领域找到新的用武之地，而且影响深远。与此同时，科技产业也在不断提出新的经济学问题，推动相关领域的经济学研究不断向前发展，为经济学理论转化为实践找到新的途径，并为新型统计分析创造机遇。
随着经济学家在科技公司中的地位徐徐上升，科技公司常常请本文作者推荐员工人选，并对经济学家应该发挥哪些作用提出建议。他们还经常询问本文作者如何使本科生和博士生为从事科技行业做好准备，他们会从事哪些工作。教师感兴趣的往往是他们如何参与科技公司，可以解决科技公司面对的哪类问题。本文描述了获得博士学位的经济学者可以在科技公司施展的技能、哪些科技公司会招募他们，经济学家在科技公司主攻的方向以及这些问题创造出的经济学研究领域。
获得博士学位的经济学者掌握了哪些与科技行业相关的技能？
电影《飓风营救》（Taken）中连姆·尼森（Liam Neeson）的一句台词给本文作者提供了灵感。经济学家掌握了“一系列极其特殊的技能”。本文集中探讨三类宽泛的技能。它们都融入经济学的课程中，可以帮助经济学家在科技公司大展宏图。这三类技能分别是：评估和解读实证关系，并和数据打交道的能力；理解和设计市场及激励机制，并将信息环境和策略互动考虑在内的能力；理解产业结构和企业均衡行为的能力。
评估实证关系
相对于其他学科而言，经济学家在数据的思考上表现出多重优势。首先，经济学家对于哪些关系具有因果关系，哪些关系没有因果关系很感兴趣。在过去30年里，经济学家开发出了“工具箱”来鉴别真实世界里数据之间的因果关系。当互联网将人们带入前所未有的数据爆炸时代，对经济学家的需求因此水涨船高。
举例来说，实证应用微观经济学家开发了用于开展“自然实验”和评估政策的工具，如工具性变量、因果面板数据模型和断点回归[请参见Angrist and Pischke（2009）对此类工具的述评]。科技公司广泛采用这些工具解答自己面对的诸多问题，如调整价格、引入新产品、调整用户界面等干预措施产生的影响，以及广告宣传的有效性，我们会在下一节详细阐述这些问题。经济学家的关注点往往放在寻找因果关系，探讨研究成果的数据意义和经济意义，这些对科技公司的实证分析非常重要。擅长于产业组织和市场设计的经济学家还研发出各种方法，以此估算反事实价格变化或市场调整产生的影响。或许让人们感到意外的是，这些工具在科技公司的应用并不如实证应用微观经济学的工具那么广泛，虽然有些令人注目的例外情形。
在科技行业的决策过程中，实验占据着相当核心的地位。绝大多数大型科技公司每年都会通过数以千计或数以万计的“A/B测试”或随机对照试验来评估产品调整。实验会提出意义重大的管理和技术问题，涵盖如何选择合适的样本、如何设计干预措施、如何将实验结果转化为管理决策等各类问题。
很多实验力求找到对海量用户产生的微小影响，因此调整A/B测试的方法也会产生重大影响。也正因为此，关于实验设计的科学是科技公司内部的一个重要议题，而且不断开拓出新的研究领域。譬如，布莱克等人（Blake and Coey，2014）强调了在均衡效应导致实验组和控制组互相干扰的市场上开展实验面临的挑战——他们在易趣和脸书面临的挑战激励他们开展了这项研究。阿西等人（Athey、Imbens and Eckles，2018）研究了在网络设定下评估实验出现的问题，正是他们在亚马逊和脸书面临的挑战促使他们开展了这项研究。
有时，事实证明科技产业广泛采用的实验也是有争议的。譬如，脸书曾经做了一个实验，测试相对于看到内容消极的帖子，用户看到更多带有积极情绪的帖子（如快乐的帖子）时会做何反应。在这个实验中，脸书在其“新闻推送”中改变了用户收到的积极帖子或消极帖子的数量（Kramer et al.，2014）。尽管这个实验的最终结果表明用户受到的影响很小，但仍然引发了公众对脸书的强烈抵制（Meyer，2014）。发布实验报告的期刊《美国科学院院报》（PNAS）也很关注这项研究，并为此刊登了一篇评论文章（Verma，2014）。为了减轻公众对公司的压力，缓解人们对公司内部实验的道德标准的担忧情绪，脸书更新了公司内部实验的遴选决策过程。公司和决策者仍然在努力探索这方面的最优方法，既可以卓有成效地开展实验，充分利用数据，又能保护参与者的隐私和安全。
科技公司内部广泛使用的机器学习也创造出全新的挑战和机遇。起初，学院派经济学家因为种种顾虑，如机器学习的很多方法缺少渐近结果（asymptotic results），不确定预测问题是否具有经济学意义等，而迟迟不愿从事机器学习方面的研究。因此，有些经济学家加入科技公司时对机器学习并不熟悉。他们需要学习一系列全新的方法，才能在机器学习社区的沟通中畅通无阻。近来经济学家与科技公司的互动也促使经济学家对机器学习的兴趣迅速膨胀，他们的关注点都放在预测问题和因果推断上。
由于人们需要将因果推断技巧应用于科技公司的大数据，而科技公司渴望充分发掘其海量数据，所以最近学者整理的文献将机器学习和因果推断结合起来（Athey，即将发表），而这些文献又相应地影响了科技公司的商业实践[例如Hitsch and Misra（2018），将Wager and Athey（即将出版）的因果预测法用于定向促销的应用程序，Athey and Imbens（2016）也将递归分区研究因果效应的方法用在科技公司的A/B测试平台上]。从实践的角度看，机器学习和经济学的交融使经济学家理解了什么方法有效，什么方法无效，以及为什么会这样。
尽管实验在科技公司内部发挥的作用至关重要，但它们也存在不少局限。经济学家采用工具变量、因果面板数据模型和断点回归等方法为科技公司提供了宽泛的因果推断“工具箱”，帮助它们开展实验以规避其局限性。这样科技公司就可以在难以开展实验或实验成本过高的情况下获取处理效应（treatment effect）。
除了关注因果关系外，经济学家感兴趣的另外一个领域是如何理解各种结果指标之间的取舍关系。在很多科技公司，与产品设计、营销甚至人力资源相关的决策都是通过实证分析（而不是主观评估）做出的，而且对指标的选择会指导整个公司激励机制的设计。经济学家力求更加深入地理解较容易观察的短期指标[如广告点击量，Athey、Chetty、Imbens and Kang（2016）称之为“代理”指标]和较难观察但能更准确代表公司目标的长期指标（如营收或用户的终身价值）之间的关系。
举例来说，一家大型科技公司对邮件营销的措施进行了以下调整。过去的客户销售模式干扰因素太多，可能需要几个星期才会转化为一个消费者订单。邮件销售这种新措施的效果即时可见，而且公司可以迅速调整邮件的内容。然而公司发现，在几个月的时间里，每封邮件的销售量都在直线下滑，因为公司在不断完善营销邮件以最大化潜在用户打开邮件的概率，但并没有考虑到最终销售量。譬如，效果突出的邮件（用“邮件点开率”这个指标衡量）的标题极其引人入胜，但多多少少存在误导性的承诺。对于经济学家来说，他们不仅把指标看作统计度量，而且会很自然把它视为能够激励员工的工具，同时能据此提出激励长期创新的方式以及能更充分反映长期效果的短期指标。从更宽泛的角度来说，经济学家感兴趣的是短期目标与长期目标之间的差异。这往往会使科技公司在选择产品和市场设计以及算法开发等问题上得出截然不同的结论。经济学家将重点放在了实验、算法和管理决策之间的关联上。
最后，经济学家所受的理论和实证训练促使他们审慎考虑不同决策的预期和非预期结果。譬如，爱彼迎允许房主看到住客的姓名和照片后轻易地拒绝住客的租住请求。尽管这种灵活机制原本会在短期内推高用户增长（“短期用户增长”一直是爱彼迎重点关注的指标），但卢卡等人（Edelman、Luca and Svir-sky，2017）开展的实验表明，这也会使非洲裔美国人在这个平台上饱受种族歧视。因此，爱彼迎的市场设计提高了歧视的可能性，而在此之前这个市场曾竭尽全力消除歧视。菲斯曼和卢卡（Fisman and Luca，2016）对可以广泛降低网络市场中歧视现象的市场设计提出了一系列建议，如进一步提高平台交易的自动化程度。这项研究促使爱彼迎成立了一个工作组来权衡各种选择，并进而创建一个由全职数据科学家组成的团队持续研究歧视问题。监管者也参与进来，敦促爱彼迎继续开展这些工作。最终爱彼迎推出各种调整措施，在公司实现短期增长的愿望与消除平台歧视的长期目标之间达成平衡，这两者并不总是协调统一的。
设计市场和激励机制
经济学家在科技公司日益受到重视的时机恰逢市场设计的兴起，这个领域由斯坦福大学经济学家鲍勃·威尔逊开创，并在保罗·米尔格罗姆（Paul Mil-grom）和埃尔文·罗斯（Alvin E.Roth）等经济学家的努力下拓展至多个应用领域（埃尔文·罗斯凭借自己在这个领域的开创性研究获得了诺贝尔经济学奖）。市场设计将经济学家的研究角度从以描述性为主的研究转向规范/定性研究，利用经济学工具设计出运行更加顺畅的市场。这些经济学家（特别是罗斯）大力倡导“经济学家即工程师”的主张，使经济学家深入参与将经济学主张付诸实践的工作，并对具体问题提出有针对性的建议。尽管市场设计研究最初关注的是线下市场交易，如频谱拍卖、居住匹配项目和器官捐赠等，但近年来，经济学家进一步将市场设计的思维方式引入科技产业。譬如，罗斯研究线下市场时长期采用的角度（即探讨与市场厚度、拥挤程度和参与者安全有关的问题）对网络市场的重要性进一步提升，当前设计选择是网络市场研究的前沿和核心。
许多科技公司都采用了市场设计：谷歌、雅虎和微软将它应用于广告销售市场（Varian，2007；Edelman、Ostrovsky and Schwarz，2007；Athey and Elli-son，2011；Agarwal、Athey and Yang，2009；Athey and Nekipelov，2013）；优步将它应用于叫车市场（Cohen et al.，2016）。许多学者研究了定价机制、分配机制和信誉体系，而其他研究则关注了搜寻成本（Athey and Ellison，2011；Fradkin，2017；Cullen and Farronato，2018）。经济学家的技能在多边市场上施展得尤为充分，因为正是在这样的背景下，认真想清楚策略性行为、互动和均衡效应才是最重要的事情。
将经济学家评估实证关系的独特角度与他们在市场设计方面的专长结合起来后，经济学家依据理论和数据，不仅预测出公司决策的即时效果，而且预测出该决策如何影响市场的均衡行为，从而给科技公司带来独有的价值。
分析均衡市场结构
科技公司花了很多力气研究当前和潜在的竞争格局，帮助自己决定进入哪个市场。譬如，优步和来福车（Lyft）之间的竞争引发了市场结构问题，而且这些问题有助于公司制定扩张和收购策略。包括平台理论和市场设计理论在内的经济学理论证明了有些力量可以加剧市场竞争，或使市场垄断成为可能。这对平台公司进入哪些市场的决策大有裨益，对政策制定者和监管者也很有帮助。当前，科技业对市场力量的辩论如火如荼，经济学家尽管不能精准预测未来，但可以帮助它们为这场论战建立框架。
经济学在科技公司的应用
经济学家现在研究的许多问题都与科技公司息息相关。本节着重介绍经济学在科技公司中的应用典范，如广告拍卖的设计，广告回报率的估算，评价体系和信誉体系的设计，以及用户评价对公司的影响。
在线广告拍卖的设计
随着网络技术问世以及经济学家的逐步参与，广告行业发生了翻天覆地的变化。经济学家主要涉足了它的两个领域：广告拍卖的设计和广告回报率的估算。
经济学家涉足网络广告拍卖的历史可以追溯到20世纪90年代末。当时加州理工学院的经济学教授西蒙·威尔基（Simon Wilkie）开始为GoTo公司提供咨询服务，GoTo公司后来成为搜索引擎公司Overture，并最终为雅虎的搜索广告拍卖业务提供支持。2002年，哈尔·范里安（Hal Varian）接到了埃里克·施密特（Eric Schmidt）的电话。当时施密特在一家叫“谷歌”的年轻公司担任董事长，对范里安和卡尔·夏皮罗（Carl Shapiro）合著的《信息规则》（In-formation Rules）一书极感兴趣（夏皮罗是范里安在加州大学伯克利分校的经济学家同事）。范里安在和施密特深谈后出任了谷歌的顾问，最终成为该公司的首席经济学家。他也是首位在大型科技公司担任首席经济学家的学院派微观经济学家。几年后，加州理工学院的另一位市场设计经济学家普雷斯顿·麦卡菲（Preston McAfee）加入了雅虎研究院。2008年哈佛大学的苏珊·阿西在休假期间担任了微软的首席咨询经济学家。阿西和麦卡菲在科技公司工作的初期都重点关注了与网络广告有关的市场设计和战略问题。
要想理解搜索广告涉及的一些问题，就需要考虑它的运作方式。无论是像谷歌和必应（Bing）这样的通用搜索引擎，还是像Yelp这样的专业搜索引擎，它们往往都以拍卖关键词的方式销售广告。竞标者用自己愿意为每个结果（如每次点击）支付的金额来投标，报价较高的广告客户可以拿到更理想的广告位置。因此，科技公司必须认真甄选拍卖的形式和参数。
众所周知，传统的第二价格投标拍卖模式只有一位中标者，即出价最高者中标，但他实际需要付的价格是次高价，这意味着投标的最佳策略是按真实价值出价（不用担心成为出价过高而无法中标的竞标者），由此产生了许多复杂的问题。然而，广告销售的结果是对竞标者进行排序，而不是决出唯一的中标者。谷歌、微软和雅虎采用了通用的第二价格拍卖模式，其中每位广告客户按报价第二低的价格支付广告费。雅虎研究所的施瓦茨等人（Schwarz、Edelman and Ostrovsky，2007）的研究表明，虽然通用型第二价格拍卖模式不具备第二价格拍卖的主导优势，即不决出唯一的中标者，但它用于搜索引擎广告的拍卖时仍然比较有效。
阿西和艾利森（Athey and Ellison，2011）将“理性消费者搜索”的概念纳入拍卖的市场设计中，激励公司不仅将拍卖底价作为提高收入的手段，而且用这个工具管理广告质量，从而激发用户搜索的兴致。阿西以此为框架向微软建议了如何提高微软搜索引擎上的广告质量，随后，她将公司数据纳入理论模型，构建了一个计量经济学模型（Athey and Nekipelov，2012）。这个模型可用来推断广告客户的估价，并从他们的投标行为中获利。科技公司可以用这类模型了解算法调整如何影响广告客户的福祉，并据此预测未来广告客户在自身平台上的参与度。
奥斯特洛夫斯基和施瓦茨（Ostrovsky and Schwartz，2016）在雅虎观察到，公司设定的底价往往低于根据拍卖理论预测的、能够实现收入最大化的价格水平。他们给实验组和控制组分别指派了搜索关键词。实验组的关键词被赋予作者计算出来的理论上的最优保底价，而控制组的关键词采用了默认底价（即每点击一次增加0.1美元）。实验结束后，控制组的广告收入提高了若干个百分点，促使雅虎调整了所有搜索广告的底价政策，为公司额外创收了数以百万计美元。
科技公司还雇用经济学家来解决自己在选择广告结果时面临的挑战，如采用点击付费（pay-per-click）的方式还是其他方式。阿加瓦尔等人（Agarwal、Athey and Yang，2009）探讨了点击付费相对于行为付费（pay-per-action）的优劣。行为付费指每次有人点击了广告链接并有所行动（如购买产品）后，广告客户才会付费。行为付费有助于解决点击欺诈的问题，即点击付费会激励网站在没有任何购买意愿的情况下，点击投放在自家网站上的广告。然而，如果科技公司实施行为付费时将其等同于对多种行为出价的能力，那么一旦广告客户获取内部信息或操纵规则，就会对出现频率低于搜索引擎公司预期的行为投出高价，从而以低价获得较好的搜索位置。
最后，尽管没有太多学术研究分析脸书的网络广告拍卖模式，但它的员工约翰·赫格曼（John Hegeman）对脸书早期的决策（即用维克里拍卖模式销售广告空间）产生了深刻的影响。赫格曼在斯坦福大学经济学系攻读研究生时接受了大量拍卖方面的专业知识培训（Amit et al.，2013）。
排名和激励在市场中的作用
均衡效应对于人们理解科技产业中常见的平台和市场提出了不少挑战。以易趣为例，它调整了用户界面后，消费者更容易找到他们需要的产品并据此进行比价，最终影响了消费者的选择行为（Dinerstein et al.，2018），不过这相应地影响了卖家的定价。从长远看，卖家的定价行为发生变化，会从根本上影响消费者在易趣购物的意愿，从而影响卖家行为。类似的问题在很多市场上都有出现。总之，市场和中间商对卖家或服务供应商报价的排名方式可被视为一个激励体系。爱彼迎等交易平台激励房主准确更新房屋的出租日程表，并接受旅客的订房申请。房主会优先接纳那些言谈举止符合自己心意的房客，而把不符合自身选择标准的房客往后排。经济学家有充分的能力分析与卖家报价排名有关的问题。他们的研究对象不仅包括短期行为，而且包括对整个交易市场造成的均衡影响。
估算广告的回报率
估算广告的回报率是一个传统难题。印刷和电视等早期媒体无法针对不同的消费者投放不同的广告，或追踪消费者的个体行为，因此很难对它们设计随机实验。非随机观测研究会因为选择问题而存在偏差。因此，绝大多数传统的广告研究都受困于识别策略不完善、关于结果的数据有限并且样本规模较小。
数字时代使我们有条件更好地了解广告的回报率。脸书、谷歌和微软等平台收集了海量的用户行为数据，而且定期开展实验以测试其网络广告系统的有效性，从而帮助自己日益深入地理解怎样才能使广告的有效性最大化。因此，这些企业的经济学家可以借鉴现有的市场设计理论提出新的观点，并迅速检验和评估这些观点。
在拥有网络广告业务的公司里，经济学家还在理解广告有效性方面取得了突飞猛进的进展。譬如，布莱克等人（Blake、Nosko and Tadelis，2015）在易趣研究实验室工作时开展了田野实验以此来理解易趣的广告宣传活动对谷歌和必应的影响。他们发现，搜索引擎营销（即购买搜索引擎上的广告服务后，一旦用户输入关键词就会展示对应的广告）只有在满足以下条件时才会见效：看到这些广告的人是易趣的新用户或不常使用易趣的用户，且检索项已经包括被搜索公司的内容。由于易趣的常客是其销量的主要来源，所以搜索引擎广告的总体回报率为负值。鉴于开展这项实验时，易趣每年在美国用于搜索引擎营销的预算超过5000万美元，因此这项研究的结果对它来说意义重大。
在其他情形中，广告看起来是一笔能够获得正收益的投资。约翰逊等人（Johnson、Lewis and Reiley，2016）称消费者在雅虎上收看了一家大型零售商的广告后，该零售商的销售额增加了3.6%。据估算，此次网络广告的回报率为1%（虽然不具有统计显著性）。这项实验采用的样本规模以百万计。他们给控制组播放了完全无关的广告（还有一个控制组没有收看任何广告），此外实验中有一组庞大的个体协变量（Cindividual covariates）。卢卡等人（Dai、Kim and Luca ，2018 ）与Yelp合作为一组之前没有投放过广告的餐厅随机播放广告，这个设计是为了帮助Yelp吸纳众多小企业，而不仅仅是少数知名企业。这些餐厅投放广告后，网页访问量增长了25%，评论量增加了5%（“评论量”可以视为真正前往餐厅用餐的代理指标），粗略计算表明这项投资获得了正收益。
经济学家还设计长期实验测试广告对用户参与度的影响；赖利等人（Huang、Riabov and Reilly，2017）研究了潘多拉用户在21个月里的表现。他们的估算结果发现对每位用户投放的广告量与用户使用网站的情况之间存在非常明显的线性关系。这进一步表明加大广告投放量会提升付费会员的购买量（成为付费会员后就不会在潘多拉网站上看到广告）。
不过要想衡量广告的回报率仍然困难重重。曾经在雅虎工作过的两位经济学家（Lewis and Rao，2015）在对25项网络广告的田野试验进行元分析后，讨论了测量广告回报率时遇到的挑战。他们认为尽管可以使用网络数据研究广告的回报率，但个性化销售数据中的“信噪比”仍然对研究造成诸多掣肘，且研究中的标准差往往比均值高出一个数量级。即使研究的用户数量以10万计，它的置信区间仍然过宽，无法区分利润率极高的广告与完全无效的广告；而要想识别现实效应的大小，相关工作的成本会高得惊人。
设计评价和信誉体系
在线评价和信誉体系在过去10年里的应用愈来愈普遍。Yelp和猫途鹰（TripAdvisor）等平台上都有数亿条评价，涵盖了从水管工到酒店等各个领域。优步、爱彼迎及其他线上交易平台也极其依赖信誉体系来帮助陌生人之间建立起信任。家得宝（Home Depot）和盖璞（Gap）等传统零售商同样开发了自己的评价体系。
经济学家已经涉足信誉体系的设计工作，他们的工作重心包括：理解评价生态体系中的系统性偏差，以及缓解这些偏差的设计选择。相关研究表明，网络交易评价体系中的一种偏差是由互惠评价造成的，这往往出现在买方和卖方相互评价的交易平台上。尽管互惠评价可以成为交易双方建立信任的宝贵途径，但它可能激励买卖双方提交的评语引发向上偏差。爱彼迎允许房客在房东发表评价之前提交评语，房客或许会因此而犹豫是否要给出负面评价，以免房东恶语相向。博尔顿等人（Bolton、Greiner and Ockenfels，2013）以易趣为背景提出了一个解决方案来消除这种困境（易趣采用了互惠评价体系，买方和卖家可即时发布评语）。易趣（和爱彼迎）尝试的解决方案是在双方都写下评语之前推迟评语的发布时间，或在交易完成一定时间后再发表评语。不过在这个体系下，如果买方觉得发布负面反馈可能会阻碍未来的卖方与自己进行交易，那么他们仍然不愿给出负面评价。为此，易趣增加了一个叫“卖家分项评分”的单向匿名评价，即买家对卖家进行分项打分，其结果加总后对外公开。弗拉德金等人（Fradkin、Grewal and Holtz，2017）在爱彼迎公司内部开展了一项随机实验来研究这个问题，最终得出的结果与他们之前的假设不谋而合，即降低受惩罚的概率会提升评语的信息量。
在网络交易平台上提交评语都是自愿行为，可能会受到选择性偏差的干扰，由此产生第二种偏差。尤其是用户的体验特别正面或负面时，他们留下评语的可能性更大。譬如，易趣经济学家团队中的一组人发现，有证据表明，与获得负面体验的情况相比，易趣用户获得正面体验时更容易对交易做出评价（Masterov、Meyer and Tadelis，2015）。评价平台采用多种工具消除选择问题，如发送邮件鼓励消费者留下评语，甚至为此付费。另外一种工具是，平台将买家和卖家发布评价的频率融入信誉评分，譬如，反馈率较低的卖家会受到惩罚。一家大型网上招聘平台根据本公司经济学家的建议开发了一个系统，允许用户既可以公开发布自己的反馈，也可以私下里提供反馈。他们发现非公开的反馈往往比公开的评价更加切实可靠。
如果企业及其雇用的人员暗中发布与自己或竞争对手有关的评语，那么会产生线上评价的第三种偏差。卢卡等人（Luca and Zervas，2016）探索了经济利益在多大程度上激励企业编造不实评价。他们发现独立餐厅和口碑下滑的餐厅对评价造假的可能性更大，竞争力较强的餐厅更容易受到不实差评的攻击。减少评语造假的机制之一是平台在评语发布之前核实相关交易是否确实发生了，譬如爱彼迎就采用了类似政策；亚马逊等其他网站则会在核实购买行为后，对其评语加注来说明这一点。尽管这些防范措施可能会减少不实评语，但在某些平台上，它们也可能成为用户评价的障碍，从而阻碍用户发布恰当的评价。梅兹林等人（Mayzlin、Dover and Chevalier ，2014）以猫途鹰和亿客行为背景开展的研究证明了以上观点，其中猫途鹰不核实发表评价的房客是否真的租住了房子，而亿客行会进行核实。他们发现相对于连锁酒店，独立酒店在猫途鹰上更容易获得五星好评（与亿客行评分相较而言）。此外，独立酒店的竞争者在猫途鹰上获得一星差评的概率高于在亿客行的评分情况。
除了制定激励措施，鼓励用户留下高质量的评语外，网络平台面临的另外一个问题是如何加总已经获得的评语（Dai et al.，2018）。在实践中，Yelp和猫途鹰等评价平台利用算法来鉴别并清除被它认定为不实或质量较差的评语。网络平台还可以调整评分体系或对评分项赋予不同权重来反映每条评语蕴含的资讯内容，从而提高用户看到的平均分反映出的总体信息。在实际操作中，平台还会考虑不同的内容筛选方法和内容整合方法可能产生的激励作用。
经济学家受到的培训会让他们自然而然地从另外一个角度看待用户评价，即用户撰写评语花费的时间成本与评语的信息价值之间是否达到平衡。譬如，优步在“到底要让所有乘客都留下评语，还是只在部分场景下要求他们留下评语”的问题上做出了自己的决策。或许没有必要让所有用户花时间写下评语，因为与他们互动的是市场中经验极其丰富且评分很高的卖方。另一方面，重要的是坚持收集一些评语，持续激励卖方提供高质量的产品/服务。除此以外，某些用户体验可以直接通过市场交易衡量（例如，卖家的发货时长、优步的乘客是否超速，或乘客会给司机多少小费）。在这种情况下，让买方对很难直接观察或推断的服务做出评价可能会更加高效。
评价的影响
人们也许很难识别在线评价对产品需求造成的影响。譬如，在猫途鹰上评分较高的酒店或许需求量高于其他酒店，这要么是因为评分结果驱动了人们对它们的需求，要么只是因为好酒店评分更高。不过，现在经济学家采用了多种方法鉴别网上评价产生的因果影响。
举例来说，假如亚马逊和巴诺书店（Barnes ＆Noble）的网站都在销售同一本书，那么几乎可以确定这本书在两个平台上的评分不尽相同。此外，如果亚马逊的用户给这本书写了评语，那么它在亚马逊上的评分会发生变化，但是巴诺书店上的评分不会受到任何影响。因此，随着时间的推移，这会导致这两个平台对该书的评分存在差异。梅兹林等人（Chevalier and Mayzlin，2006）认为，尚未发表的书评的确切发布时机具有外生性。他们利用不同平台上的评分差异估算了评语对网络购书的影响。具体来说，他们研究了购书者在亚马逊上写下书评（但没有在巴诺书店上进行评价）后，该书在亚马逊上（相对于巴诺书店）的销量增长情况，他们采用的是双重差分策略。卢卡（2011）利用断点回归法进行研究后，发现评分越高的独立餐厅销量越好，但并没有在连锁餐厅上发现这种趋势。安德森等人（Anderson and Magruder，2012）发现Yelp的评级对餐厅预订量也有类似的影响。高斯（Ghose et al.，2012）利用类似的方法研究了猫途鹰上的评价产生的影响。除了平均评分以外，评价的其他内容也可能产生重要影响。譬如，有学者（Sun，2012）探索了用户发布的产品评价相互矛盾时产生的影响，而且他强调说，如果产品评价相互矛盾的情况是由异质性偏好驱动的，那么在平均评分做参考的前提下，评分两极化程度较高的产品或许能更好地满足某些消费者的需求。
消费者的评价对市场结构和消费者福利也意义重大。克莱蒙斯等人（Clem-ons et al. ，2006）认为，用户评价中蕴含的信息改善了产品/服务与消费者匹配的情况，有助于提升对差异化程度更高的产品的需求。他们研究了用户对啤酒的评论与需求增长之间的关系，找到的证据与他们的观点基本一致。有学者（Bar-Isaac et al.，2012）的研究从理论上表明，将新的信息引入市场会提高市场上的产品差异化程度。他们的研究发现，网上评价会促使人们增加产品和服务的种类。刘易斯等人（Lewis and Zervas ，2018）估算了猫途鹰上的点评带来的福利效应，重点研究了市场的搜寻成本如何随着点评的实质内容日益丰富而下降。
收购、独家交易和企业战略
苏珊·阿西供职微软时被问到的第一个问题是：网络搜索和搜索广告业是一个可以有两三位参与者长期共存的产业，还是它注定是一个垄断行业？她对搜索业务进行了规模经济和间接网络效应分析后认为，第二家搜索引擎必须达到足够的规模才能在这个行业站住脚；人们用这项分析评估了微软收购雅虎搜索业务的交易，以及其他涉及搜索业务的大型交易。随后出现了另外一个问题，即智能手机市场是否可以容纳三个平台，而事实证明很难出现这种状况。此外，这些市场上还出现了关于垂直整合的问题。举例来说，谷歌于2010年收购了ITA旅游搜索引擎。在此之前，ITA为微软搜索引擎中的旅游搜索提供技术支持，而微软的搜索引擎与谷歌存在竞争关系。收购ITA为谷歌大幅提升自己在旅游搜索方面的市场份额奠定了基础。司法部对此次收购进行了极其严格的审查，最终同意在满足特定条件下，批准这一起收购交易（Miller，2011）。在那之后，欧洲委员会称谷歌的搜索结果偏向于其内部垂直整合的专业搜索服务，因而对其处以天价罚款（Scott，2017），随后称谷歌将自己的搜索引擎和地图服务与安卓的应用商店进行捆绑又对它处以高额罚款（Satarino and Nicas，2018）。全球银行都抱怨苹果公司在手机设置中只允许苹果钱包独享NFC功能（NFC是手机支付中的一个必要元素），随后苹果公司对苹果钱包中的每一笔信用卡交易都开始收费，而且费率相对于信用卡网络的利润率来说高得惊人（该费率高达0.15%）。这对银行提出了一个极其艰难的战略问题，即在如此高昂的费率下，是否要使用苹果钱包，并将部分控制权拱手让给苹果。科技公司的经济学家一直在从商业和监管的角度分析以上这些问题。
经济理论和实证研究方法在分析科技产业的独家交易时也发挥了关键作用。譬如，微软的Xbox和索尼的Playstation等游戏平台推出新一代游戏机时通常都会与某些游戏达成独家合作协议。人们可以用经济理论和实证研究方法（如Lee，2013）评估这些独家交易，不仅探索这些游戏对新游戏机发售产生的直接影响，而且可以研究这种捆绑带来的间接影响（游戏机销售增加后激励游戏开发者为游戏平台开发新游戏），以及对消费者的影响等。
经济学家在科技公司中的定位
科技公司对经济学家的接纳程度不尽相同。尽管有些科技公司（如亚马逊）迅速将经济学家引入最高决策层，但其他公司的行动则慢得多，只是将经济学家安排在数据科学团队或政策团队，而且经济学家对公司的发展方向影响较小。在实际情况中，经济学家在科技公司担任的职位五花八门，从首席经济学家到产品经理不一而足。经济学家常常在面向公司内部的团队里工作，如预测和规划、定价、测试和数据科学团队，但也可能供职于涉外的团队，如政策、公共关系和营销团队。下文分别为这些角色列出了一些实例。
数据科学/分析。随着科技公司受数据驱动的程度不断加深，数据科学/分析部门为经济学家提供的职位数量增长最为迅猛。经济学家利用观测数据和实验数据解答商业问题，如是否引入新的产品，如何理解大规模项目的有效性，如何评估竞争者造成的影响。由于这项工作直接为其他部门的决策提供信息，所以有些企业将数据科学家引入产品团队，而有些企业则成立了集中的数据科学团队。譬如，目前亚马逊将数据科学家安置在产品团队内，而Yelp组建了专门的数据科学团队。经济学家还常常帮助公司管理数据科学团队（如Coursera）或在某段时间内承担这项工作（如HomeAway）。
实验或A/B测试。科技公司在越来越广泛地利用实验或A/B测试解答产品或平台设计中遇到的问题，如是否推出新产品或开展广告宣传活动。经济学家可以帮助公司管理随机对照实验的设计、过程和分析工作。有些公司已经将A/B测试专家纳入职能团队（如营销部门），而有些公司组建了单独的团队来管理规模更大的测试平台。譬如，优步和脸书让经济学家参与了在网络效应显著的环境下管理实验平台和实验流程并开展诸多实验的工作。其他经济学家则为A/B测试平台研发估算异质性实验效应的技术，并将它们付诸实施（如Athey and Imbens，2016；Wager and Athey，即将发布）。
广告宣传/市场营销分析。某些科技公司将实验科学家或数据科学家纳入他们的广告宣传/市场营销分析团队。这些团队通常会评估广告宣传的效果，设计与广告宣传有关的实验，优化广告费用，并预测广告宣传活动成功与否。譬如，网飞就成立了一个团队专门负责解决这些问题。
产品经理。担任产品经理的经济学家还会设计实验和调查解答与产品有关的问题，以指导产品设计方面的决策及其他战略决策，如搜索平台的排序算法，或如何展示公司已经掌握的信息。这些工作往往要从观测数据中进行因果推断，如利用双重差分法评估新产品或公司产品/服务的新特色产生的影响。
监管/诉讼。在与监管/诉讼有关的领域里，经济学家发挥的作用包括撰写政策白皮书，为法务或政策人士解释公司的理论和实证工作，贡献自己对具体问题（如电信政策、知识产权和反托拉斯）的专业知识。首席经济学家往往也会在这些问题上花费不少时间。爱彼迎的经济学家竭力理解房产市场及相关政策。优步的经济学家研究了优步对出租车行业和出行质量产生的影响。谷歌（之前还有雅虎和微软）的经济学家专注于探索与谷歌在搜索领域的主导地位息息相关的反托拉斯问题。
公共政策。科技公司的经济学家还会在公共政策方面发挥作用。他们往往通过数据共享和分析助力公司与政策制定者达成合作。譬如，Yelp与波士顿市携手开发了一个算法来帮助这座城市对违反餐厅卫生标准的情况进行定向检查（Glaeser et al.，2016）。Yelp的数据被用来预测政府统计数据（Glaeser、Kim and Luca，2017），了解社区在中产阶级化的过程中发生了什么变化（Glaeser、Kim and Luca，2018），并估算最低工资对餐厅倒闭及价格的影响（Luca and Luca，2017）。Yelp还与许多城市（及第三方数据提供者）合作，在网上曝光违反卫生标准的餐厅，在数字化时代根据政府的披露政策不断更新典型案例（Jin and Leslie，2003）。这个项目有助于引导消费者远离那些严重违反卫生标准政策的餐厅（Dai and Luca，2018）。在线房地产公司Zillow针对本地房地产市场发布报告。雅虎和谷歌利用其搜索数据帮助预测经济活动（Goel et al.，2010；Choi and Varian，2012；Wu and Brynjolffson，2015）。领英（LinkedIn）正在探索如何用自己的数据清晰描绘劳动力市场的状况。优步的公共政策团队也研究了诸多问题，如为优步工作对司机福利的影响（Chen et al.，2017），优步对劳动力市场及本地经济的影响（Hall、Horton and Knoepfle，2017）以及不同性别在劳动力市场上发挥的作用（Cook et al.，2018）。
公共和媒体关系。Zillow和Houzz等一些领先的科技公司聘请经济学家专门从事公共和媒体关系方面的研究，为潜在客户提供信息，并且提升公司的影响力。譬如，Zillow在成立初期吸引消费者的一个主要机制是其首席经济学家对房地产市场进行分析，并通过本地及全国性媒体广为报道。另外一个范例是，Houzz雇用了不少获得博士学位的经济学者分析住宅改建政策的走向和相关数据，并公之于众。
首席经济学家团队。首席经济学家团队承担了上文提到的不少工作，并负责监督其中的部分工作。此外，他们可能还会对公司的发展战略做出决策，如收购和合作（本文作者之一阿西参与了以下项目的战略和实证分析：微软对脸书的投资、微软对雅虎搜索业务的收购、微软的云计算战略）以及定价和市场准入。
依据科技公司的规模大小，经济学家还可能加入公司的以下团队：预测和规划团队（运用时间序列计量经济学和建模方面的专业技能）、定价团队（运用市场设计和供需建模方面的专业技能）以及学术关系（招募学者发挥经济学的作用，并为政策和公共关系问题增加学术元素）。
讨论
虽然之前我们主要谈论的是直接供职于科技公司的经济学家，但是科技公司与数字化经济学的崛起也对学者产生了重要影响。这个日新月异的领域不仅提出了新的研究问题，而且为学术确定了新的定位，创造出新的合作机遇，并引发潜在的职业转变。本节将探讨这些新的机遇。
与学者开展合作
尽管现在越来越多经济学家加盟了科技公司，但与学者的合作仍然对科技公司制定战略以及扩大经济学在科技公司中的影响发挥了核心作用。譬如，爱彼迎、亚马逊、易趣、脸书、Indeed、领英、微软、Rover、跑腿兔（Task-Rabbit）、优步、Upwork、Yelp和Zillow都与学院派经济学家开展合作，为公司带来诸多裨益。
首先，学者往往在特定领域里拥有深厚的专业知识。这些领域不仅包括本文重点介绍的一些核心领域，还涉及其他多个领域。譬如，行为经济学家会阐释习惯养成对用户行为的影响。市场设计经济学家会对驱动市场厚度的机制提出独特的见解。计量经济学家可以为网络效应错综复杂的市场找到开展实验的新途径。由于学者的研究通常不会集中于单一平台，所以他们对深刻理解各种迥然不同的背景得心应手。
其次，在科技公司全职工作的经济学家往往因要忙于解决迫在眉睫的问题而承受巨大压力（如他们可能要急于为以下问题找到答案：是否要在特定的季度调整定价？某项具体的广告宣传活动是否有成效？）。学者则不会受到这些压力的影响，因此可以潜心钻研影响更加深远的战略问题，如公司采用的发展指标是否适用？改变产品构成是不是恰当的决策？
再次，科技公司招募经济学家也会带来一定的风险，即公司内部对科技公司的不足之处以及公司业务模式产生的负面影响没有开展太多研究。譬如，爱彼迎一直没有发现自己的平台上存在种族歧视，直到有学者在经济学研究中将其记录在案才引起政策制定者、爱彼迎用户以及爱彼迎管理层的注意。科技公司与学者开展合作并给予他们宽泛的自主权，可以帮助企业更客观地评估自己面对的问题。
与此同时，科技公司与学者开展合作也面临不少挑战。譬如，学者与科技公司签署合作时通常会规定，无论研究结果怎样，公司都会保证学者发布研究成果的权利。原则上说，这种规定有助于降低发表偏差（publication bias）。然而，如果公司担心某些问题的研究结果可能使人们对研究结果有利于企业的论文产生偏见，无法使人们全面看待这个问题，那么它们会选择不与这些问题有关的研究签署合同。这种现象并非近年来才出现，因为在过去很多年里，经济学家一直在自行决定从哪些公司和政府机构获取数据。然而，随着科技公司与学者之间的合作日益标准化，这个问题的重要性也相应地不断提高。
数字化经济学家的学术职场
目前，供职于学术机构的数字化经济学家与日俱增。他们中的一部分人在经济系执教，还有一部分人在商学院的战略、营销、信息系统和创业等院系教书育人。有志于这些领域的博士生应该认识到，尽管有些院系会通过美国经济学会发布招聘广告，但市场营销、运营和信息系统等院系并非如此。
科技公司还创造出对经济学专业本科生的强烈需求。这些学生在科技公司从事的工作从产品管理到政策研究不一而足。达特茅斯学院、哈佛大学、麻省理工学院、普林斯顿大学、斯坦福大学和耶鲁大学等一流学府都在微观经济学的基础入门课程中开设了关于互联网平台的课程，或推出关于“数字化经济学”的完整教程（“数字化经济学”的教程中包括关于电子商务、互联网平台及相关领域的课程）。麻省理工学院经济系和计算机科学系已经合作开设了一个全新的专业，将计算机科学、经济学和数据科学融为一体。哈佛大学、麻省理工学院和其他大学也推出数据科学项目，吸引了不少计算机科学家、经济学家及其他社会科学家。我们认为在拓宽这些课程的范围，使它们与其他相关教材结合起来满足志在科技公司的学生的需求方面存在丰富的机遇。从经济学角度讲解交易和平台的课程在波士顿大学、哈佛大学、纽约大学和斯坦福大学等商学院里也迅猛扩大规模。
尽管从很多方面来说，获得博士学位的经济学家很适于在科技公司工作，但笔者认为，他们要想与科技公司开展合作或直接就职于这些公司，还需要在以下领域提升自我，为进军科技行业做好充分的准备。首先，由于预测、确定目标群体和精确估算对科技公司至关重要，所以机器学习在科技公司发挥的作用不容小觑。尽管经济学在因果推断方面一直处于领军地位，但机器学习与经济学的标准“工具箱”融为一体的工作尚未完成。其次，从传统上说，经济学家在编码以及优化编码进行大规模统计算法上接受的训练还是少于计算机科学家。投资于这些技能（并将它们融入博士生的课程）能够帮助打算进入这个行业的经济学家做好更充足的准备。与此同时，经济学家需要在理念层面深刻理解激励和均衡效应等经济学问题，并在本文讨论的因果推断等领域掌握高超的实证技能，这一点仍然至关重要。
学术与实践的相互转换
这个领域的经济学家拥有越来越多机遇在学术与实践之间转换职业跑道。微软、谷歌、雅虎、脸书、亚马逊、易趣、Yelp和优步等公司都邀请教师在休假时去公司工作。不少获得终身教职的教员离开学界去亚马逊和谷歌等公司觅得职位。此外，科技公司的从业者也会转入学界，如离开脸书和微软去麻省理工学院和斯坦福大学就职。我们深信这只是一股更大浪潮的序幕，越来越多学院派经济学家会把时间花在实践工作上，更加深入地了解对科技公司的效率和利润率最为重要的问题，并努力探索商界尚未解决但可能会促使相关学术研究“开花结果”的问题。随着越来越多获得博士学位的经济学者接受科技公司伸出的橄榄枝，仍然醉心于学术研究的人会找到更清晰的途径从事学术研究或重新进入学界。对于那些希望在职业发展上保持灵活性的经济学家来说，如果公司允许他们在为公司工作的同时继续发布研究成果，那么公司会在招募这些经济学家并使他们安心留在公司方面占据显著优势。
（刁琳琳 译）
参考文献
Agarwal, Nikhil, Susan Athey, and David Yang.“Skewed bidding in pay-per-action auctions for online advertising.”American Economic Review 99, no. 2 (2009): 441-47.
Amit, Alon, Yaron Grelf, and John Hegeman. Advertisement selection and pricing using dis-counts based on placement.U.S.Patent 2013/0325585 A1 file June 4 2012, and publichsed De-cember 5, 2013.
Anderson, Michael, and Jeremy Magruder.“Learning from the crowd: Regression discontinui-ty estimates of the effects of an online review database.”The Economic Journal 122, no. 563 (2012): 957-989.
Angrist, Josh and Steve Pischke. Mostly Harmless Econometrics. Princeton University Press: 2009.
Athey, Susan.“The impact of machine learning on economics.”Forthcoming in The Economics of Artificial Intelligence: An Agenda, University of Chicago Press, Ajay K.Agrawal, Joshua Gans, and Avi Goldfarb, editors, forthcoming.
Athey, Susan, Raj Chetty, Guido Imbens, and Hyunseung Kang,“Estimating treatment effects using multiple surrogates: The role of the surrogate score and the surrogate index.”Working paper.(2016).
Athey, Susan, Guido Imbens, and Dean Eckles,“Exact p-values for network interference.”Journal of the American Statistical Association 113, no.521 (2018): 230-240.
Athey, Susan, and Glenn Ellison.“Position auctions with consumer search.”The Quarterly Journal of Economics 126, no. 3 (2011): 1213-1270.
Athey, Susan, and Guido Imbens.“Recursive partitioning for heterogeneous causal effects.”Proceedings of the National Academy of Sciences 113, no. 27 (2016): 7353-7360.
Athey, Susan and Denis Nekipelov.“A structural model of sponsored search advertising.”Working paper.(2013). Electronic copy available at: https://ssrn.com/abstract=3247794.
Bar-Isaac, Heski, Guillermo Caruana, and Vicente Cunat.“Search, design, and market structure.”American Economic Review 102, no. 2 (2012): 1140-60.
Blake, T and Dominic Coey.“Why marketplace experimentation is harder than it seems: The role of test-control interference.”In Proceedings of the fifteenth ACM conference on Economics and computation, (2014): pp. 567-582.
Blake, Thomas, Chris Nosko, and Steven Tadelis.“Consumer heterogeneity and paid search effectiveness: A large-scale field experiment.”Econometrica 83, no. 1 (2015): 155-74.
Blake, Thomas, Chris Nosko, and Steven Tadelis.“Returns to consumer search: Evidence from eBay.”In Proceedings of the 2016 ACM Conference on Economics and Computation, pp. 531-545. ACM, 2016.
Bolton, Gary, Ben Greiner, and Axel Ockenfels.“Engineering trust: Reciprocity in the pro-duction of reputation information.”Management Science 59, no. 2 (2013): 265-285.
Chandar, Bharat, Ali Hortacsu, John List, Ian Muir, and Jeffrey Wooldridge, 2018.“Evalua-ting Market Outcomes in a Nationwide Experiment on Tipping: Evidence from Uber.”Working paper.
Chen, M.Keith, Judith A.Chevalier, Peter E.Rossi, and Emily Oehlsen,“The value of flexible work: Evidence from Uber drivers.”Working paper.(2017).
Chevalier, Judith A., and Dina Mayzlin.“The effect of word of mouth on sales: Online book reviews.”Journal of Marketing Research 43, no. 3 (2006): 345-354.
Choi, Hyunyoung and Hal Varian (2012).“Predicting the present with Google trends.”Eco-nomic Record, 88 (1): 2-9.
Clemons, Eric, Guodong Gao, and Lorin Hitt.“When online reviews meet hyperdifferentia-tion: A study of the craft beer industry,”Journal of Management Information Systems, Vol. 23, no. 2 (2006): 149-171.
Cohen, Peter, Robert Hahn, Jonathan Hall, Steven Levitt, and Robert Metcalfe.“Using big data to estimate consumer surplus: The case of Uber.”Working paper.(2016).
Cook, Cody, Rebecca Diamond, Jonathan Hall, John A.List, and Paul Oyer.“The Gender Earnings Gap in the Gig Economy: Evidence from over a Million Rideshare Drivers.”Working pa-per.(2018).
Cullen, Zoe and Chiara Farronato.“Outsourcing tasks online: matching supply and demand on peer-to-peer internet platforms.”Working paper.(2018). Electronic copy available at: https://ssrn.com/abstract=3247794.
Dai, Weijia, Ginger Jin, Jungmin Lee, and Michael Luca.“Aggregation of consumer ratings: an application to Yelp.com.”Quantitative Marketing and Economics 16, no. 3 (2018): 289-339.
Dai, Weijia, and Michael Luca.“Digitizing disclosure: The case of restaurant hygiene scores.”Working paper.(2018).
Dai, Weijia, Hyunjin Kim, and Michael Luca.“Effectiveness of paid search advertising: Experimental evidence.”Working paper.(2018).
Dinerstein, Michael, Liran Einav, Jonathan Levin, and Neel Sundaresan.“Consumer price search and platform design in internet commerce.”American Economic Review 108, no. 7 (2018): 1820-859.
Edelman, Benjamin, Michael Luca, and Dan Svirsky.“Racial discrimination in the sharing economy: Evidence from a field experiment.”American Economic Journal: Applied Economics 9, no. 2 (2017): 1-22.
Edelman, Benjamin, Michael Ostrovsky, and Michael Schwarz.“Internet advertising and the generalized second-price auction: Selling billions of dollars worth of keywords.”American Economic Review 97, no. 1 (2007): 242-259.
Fisman, Raymond and Michael Luca.“Fixing discrimination in online marketplaces.”Harvard Business Review 94, no. 12 (2016): 88-95.
Fradkin, Andrey.“Search, matching, and the role of digital marketplace design in enabling trade: Evidence from Airbnb.”Working paper.(2017).
Fradkin, Andrey, Elena Grewal, and David Holtz.“The determinants of online review inform-ativeness: Evidence from field experiments on Airbnb.”Working paper.(2017).
Ghose, Anindya, Panagiotis G.Ipeirotis, and Beibei Li.“Designing ranking systems for hotels on travel search engines by mining user-generated and crowdsourced content.”Marketing Science 31, no. 3 (2012): 493-520.
Glaeser, Edward, Andrew Hillis, Scott Kominers, and Michael Luca.“Crowdsourcing city government: Using tournaments to improve inspection accuracy.”American Economic Review 106, no. 5 (2016): 114-118.
Glaeser, Edward L., Hyunjin Kim, and Michael Luca.“Nowcasting gentrification: Using Yelp data to quantify gentrification.”American Economic Association: Papers and Proceedings (2018): 77-82.
Glaeser, Edward L., Hyunjin Kim, and Michael Luca.“Nowcasting the local economy: Using Yelp data to measure economic activity.”Working paper.(2017). Electronic copy available at: https://ssrn.com/abstract=3247794.
Goel, Sharad, Jake M.Hofman, Sébastien Lahaie, David M.Pennock, and Duncan J.Watts, 2010.“Predicting consumer behavior with Web search,”Proceedings of the National Acade-my of Sciences, 107 (41): 17486-17490.
Hall, Jonathan, John Horton, and Dan Knoepfle,“Labor market equilibration: Evidence from Uber.”Working paper.(2017).
Hitsch, Günter J., and Sanjog Misra.“Heterogeneous treatment effects and optimal targeting policy evaluation.”Working paper.(2018).
Hu, Nan, Jie Zhang, and Paul A.Pavlou.“Overcoming the J-shaped distribution of product reviews.”Communications of the ACM 52, no. 10 (2009): 144-147.
Huang, Jason, Nickolai Riabov, and David Reilly.“Measuring consumer sensitivity to audio advertising: A field experiment on Pandora Internet Radio.”Working paper.(2017).
Johnson, Garrett A., Randall A.Lewis, and David H.Reiley.“When less is more: Data and power in advertising experiments.”Marketing Science 36, no. 1 (2016): 43-53.
Johnson, Garrett, Randall A.Lewis, and David Reiley.“Location, location, location: repeti-tion and proximity increase advertising effectiveness.”Working paper.(2016).
Johnson, Garrett A., Randall A.Lewis, and Elmar I.Nubbemeyer.“Ghost ads: Improving the economics of measuring online ad effectiveness.”Journal of Marketing Research 54, no. 6 (2017): 867-884.
Kramer, Adam, Jamie Guillory, and Jeffrey Hanckock (2014).“Experimental evidence of massive-scale emotional contagion through social networks.”Proceedings of the National Academy of Sciences, 111 (24).
Lee, Robin S.“Vertical integration and exclusivity in platform and two-sided markets.”Amer-ican Economic Review 103, no. 7 (2013): 2960-3000.
Lewis, Gregory and Giorgos Zervas.“Welfare Impact of Consumer Reviews: A Case Study of the Hotel Industry.”Working paper.(2018)
Lewis, Randall A., and Justin M.Rao.“The unfavorable economics of measuring the returns to advertising.”The Quarterly Journal of Economics 130, no. 4 (2015): 1941-1973.
Luca, Michael.“Reviews, reputation, and revenue: The case of Yelp.com.”Working paper.(2011).
Luca, Michael, and Georgios Zervas.“Fake it till you make it: Reputation, competition, and Yelp review fraud.”Management Science 62, no. 12 (2016): 3412-27. Electronic copy available at: https://ssrn.com/abstract=3247794
Luca, Dara Lee, and Michael Luca.“Survival of the fittest: The impact of the minimum wage on firm exit.”Working paper.(2017).
Masterov, Dimitriy V., Uwe F.Mayer, and Steven Tadelis.“Canary in the e-commerce coal mine: Detecting and predicting poor experiences using buyer-to-seller messages.”In Proceedings of the Sixteenth ACM Conference on Economics and Computation, (2015): pp. 81-93.
Mayzlin, Dina, Yaniv Dover, and Judith Chevalier.“Promotional reviews: An empirical investi-gation of online review manipulation.”American Economic Review 104, no. 8 (2014): 2421-55.
Meyer, Robinson.“Everything We Know About Facebook's Secret Mood Manipulation Experi-ment.”The Atlantic, June 28, 2014.
Miller, Claire Cain.“U.S.clears Google acquisition of travel software.”New York Times, April 8, 2011.
Ostrovsky, Michael, and Michael Schwarz.“Reserve prices in internet advertising auctions: A field experiment.”Journal of Political Economy, forthcoming.(2016).
Satariano, Adam and Jack Nicas,“E.U.fines Google $5.1 billion in Android antitrust case.”New York Times, July 18, 2018.
Scott, Mark.“Google fined record $2.7 billion in E.U.antitrust ruling,”New York Times, June 27, 2017.
Shapiro Carl and Hal Varian (1999). Information rules: A strategic guide to the network economy. Harvard Business School Press.
Sun, Monic.“How does the variance of product ratings matter?”Management Science 58, no. 4 (2012): 696-707.
Varian, Hal R.“Position auctions.”International Journal of industrial Organization 25, no. 6 (2007): 1163-1178.
Verma, Inder, 2014.“Editorial Expression of Concern: Experimental evidence of massives-cale emotional contagion through social networks.”Proceedings of the National Academy of Sciences, 111 (29).
Wager, Stefan, and Susan Athey.“Estimation and inference of heterogeneous treatment effects using random forests.”Journal of the American Statistical Association, forthcoming. Electronic copy available at: https://ssrn.com/abstract=3247794.
Wu, Lynn and Erik Brynjolffson (2015).“The Future of Prediction: How Google Searches Foreshadow Housing Prices and Sales,”Economic Analysis of the Digital Economy, 89-118.
Zhu, Feng, Susan Athey and David Lane. Apple pay and mobile payments in Australia (A). HBS No.N9-619-010. Boston: Harvard Business School Publishing, 2018.