發展經濟學進階：錯置、結構轉型與因果識別的工具箱

如果窮國的資源沒有「放錯地方」，它們會富裕多少？

入門篇談了貧窮陷阱與制度命運。但現在請設想一個更精細的問題：把印度或奈及利亞的工廠、農地、勞工、資本通通拍照存檔，然後問——這些生產要素，是不是「擺錯位置」了？如果一間高生產力的工廠只用了 50 名工人，而隔壁一間瀕臨倒閉、生產力極低的工廠卻佔著 500 名工人與大筆貸款，那麼即使這個國家的「總要素」沒有改變，光是把資源從爛工廠搬到好工廠，總產出就會大幅躍升。

這個看似簡單的觀察，藏著當代發展經濟學最重要的量化發現之一：貧窮國家之所以窮，很大一部分不是因為它們缺乏資本或技術，而是因為它們「錯置（misallocation）」了既有的資源。Hsieh 與 Klenow（2009）的經典估計指出，若中國與印度的製造業要素配置效率能達到美國的水準，其製造業全要素生產力（total factor productivity, TFP）可分別提升約 30%–50% 與 40%–60%。換句話說，一大塊「貧窮」其實是組織與制度摩擦造成的浪費，而非物理稟賦的缺乏。

本篇承接入門篇，但轉向四個更進階的戰場：結構轉型（structural transformation）、資源錯置與雙元經濟（dual economy）、因果識別的工具箱（DiD／RD／IV），以及對 RCT 的一般均衡（general equilibrium）批判。我們會用到較多的公式與圖形語言，預設你已熟悉入門篇的貧窮陷阱與制度概念。

結構轉型：發展的真正「形狀」

入門篇問「成長為何發生」，進階篇要問「成長長什麼樣子」。所有富裕國家的發展歷程，幾乎都遵循同一個結構性軌跡，稱為結構轉型：勞動力與產出的重心，從農業移向製造業，再移向服務業。

這背後有一條跨越兩百年的經驗規律。令 $\theta_a, \theta_m, \theta_s$ 分別為農業、製造業、服務業佔總就業的比重（$\theta_a + \theta_m + \theta_s = 1$）。隨著人均所得 $y$ 上升：

$$\frac{d\theta_a}{dy} < 0, \qquad \frac{d\theta_m}{dy} \;\text{先升後降（倒 U）}, \qquad \frac{d\theta_s}{dy} > 0$$

為什麼會這樣？兩股力量在拉扯。需求面是 Engel 法則（Engel's Law）：人對食物的需求有上限，所得越高，花在食物上的比例越低，於是農業的相對需求萎縮。供給面則是各部門生產力成長速度不同——農業技術進步釋放出大量過剩勞動力，這些人必須有去處。

這裡有個常被誤解的重點：結構轉型的「方向」是規律，但「速度」與「順序」卻是發展成敗的關鍵。東亞奇蹟（韓國、台灣）的特徵是農業勞動力快速且大規模地轉入高生產力的出口製造業；而許多非洲與拉美國家卻出現了 Dani Rodrik 所稱的「過早去工業化（premature deindustrialization）」——製造業比重在人均所得還很低時就見頂下滑，勞動力直接從農業流向低生產力、非正式的都市服務業（街頭小販、零工）。這等於跳過了那個能累積技能、吸納大量人口、帶動生產力躍升的製造業階梯。

雙元經濟與資源錯置：開頭那個問題的正式版

要理解「資源放錯地方」，得回到發展經濟學的奠基模型之一：Arthur Lewis（1979 年諾貝爾獎）的雙元經濟（dual economy）模型。

Lewis 把開發中經濟切成兩塊：一個是傳統的、邊際勞動生產力近乎為零的農業部門（存在大量「隱藏性失業」，disguised unemployment）；另一個是現代的、生產力高的資本主義部門。在轉型早期，現代部門可以用幾乎固定的低工資，從農業部門「無限供給」地吸收勞動力——這段期間的成長，本質上就是把人從邊際產出 ≈ 0 的地方，搬到邊際產出 > 0 的地方。

我們可以把錯置的代價形式化。設一個經濟有許多生產單位 $i$，各自的邊際產出價值記為 $MRPL_i$（邊際勞動產值）。在一個沒有摩擦的市場裡，工人會流動到報酬最高處，直到所有單位的邊際產值拉平：

$$MRPL_1 = MRPL_2 = \cdots = MRPL_n = w$$

這是配置效率的條件。一旦存在摩擦（信貸限制、政治關係、補貼、戶籍制度、土地不可交易），這個等式就會被打破——有些單位的 $MRPL_i$ 遠高於 $w$（它們「資源不夠」），有些遠低於 $w$（它們「霸佔資源」）。邊際產值的離散程度（dispersion），就是錯置的度量：離散越大，把資源重新洗牌所能釋放的產出潛力越大。Hsieh–Klenow 正是用扭曲後 $MRPL$（與邊際資本產值 $MRPK$）的離散度，反推出前述那 30%–60% 的 TFP 損失。

看一個例子

讓我們用具體數字感受錯置的代價。某地有兩間紡織廠，共用 100 名工人。兩廠的產出（單位：萬元）對投入工人數 $L$ 的生產函數同為 $f(L) = 20\sqrt{L}$，但高效廠面對的市場價格是低效廠的兩倍，故其產值函數為：

• 高效廠（H）：$Y_H = 40\sqrt{L_H}$，邊際產值 $MRPL_H = 20/\sqrt{L_H}$
• 低效廠（L）：$Y_L = 20\sqrt{L_L}$，邊際產值 $MRPL_L = 10/\sqrt{L_L}$

情境一（錯置）：因為低效廠老闆與官員關係好，硬是分到 80 人，高效廠只剩 20 人。

$$Y_H = 40\sqrt{20} \approx 178.9,\quad Y_L = 20\sqrt{80} \approx 178.9,\quad \text{總產出} \approx 357.8$$

情境二（效率配置）：讓兩廠邊際產值相等，$20/\sqrt{L_H} = 10/\sqrt{L_L}$，解得 $L_H = 4L_L$。代入 $L_H + L_L = 100$，得 $L_H = 80, L_L = 20$。

$$Y_H = 40\sqrt{80} \approx 357.8,\quad Y_L = 20\sqrt{20} \approx 89.4,\quad \text{總產出} \approx 447.2$$

同樣的 100 名工人、同樣的技術，只是把人從低效廠搬到高效廠，總產出就從 357.8 跳到 447.2，提升約 25%。沒有任何新投資、沒有任何技術進步——這就是「制度摩擦稅」的真面目。一國若處處皆然，加總起來就是巨大的隱形貧窮。

因果識別工具箱：當你無法做隨機實驗時

入門篇介紹了 RCT。但現實中，大量重要的發展問題無法隨機分派——你不能隨機讓某些國家獨立、隨機讓某些村莊通電、隨機指定誰當總統。於是「可信度革命」發展出一整套準實驗（quasi-experimental）方法，從非隨機的現實中「借用」隨機性。研究所學生必須能分辨它們各自的識別假設。

雙重差分（Difference-in-Differences, DiD）。 當某政策只在某些地區、某個時點上路，我們可以比較「處理組前後變化」減去「對照組前後變化」：

$$\hat{\delta}_{DiD} = \big(\bar{Y}^{post}_{treat} - \bar{Y}^{pre}_{treat}\big) - \big(\bar{Y}^{post}_{ctrl} - \bar{Y}^{pre}_{ctrl}\big)$$

它的核心識別假設是平行趨勢（parallel trends）：若沒有政策介入，兩組的結果會以相同的趨勢演變。第二個減項的作用，正是用對照組來「扣掉」那些同時影響兩組的共同時間衝擊（如全國性的景氣或天氣）。

斷點迴歸（Regression Discontinuity, RD）。 許多政策有一條人為的門檻：考試 60 分及格、所得低於某線才領補助、村莊人口超過某數才設醫院。剛好落在門檻兩側的人，幾乎在所有特質上都相同，唯一差別就是「有沒有越過門檻拿到處理」。於是門檻處結果變數的跳躍幅度，就是該政策的局部因果效果：

$$\tau_{RD} = \lim_{x \downarrow c} E[Y \mid X = x] - \lim_{x \uparrow c} E[Y \mid X = x]$$

其中 $X$ 是決定資格的「跑分變數（running variable）」，$c$ 是門檻。RD 的美感在於它在門檻附近逼近一場局部隨機實驗。

工具變數（Instrumental Variables, IV）。 當我們擔心解釋變數 $D$（如「制度品質」）與誤差項相關（內生性），可以找一個工具 $Z$，它只透過 $D$ 來影響結果 $Y$，本身與誤差無關。入門篇提到的 Acemoglu–Johnson–Robinson 用「殖民者死亡率」當工具來識別制度對成長的因果效果，正是 IV 的經典範例：死亡率影響殖民地建立何種制度，但（在控制變數後）不直接影響今日所得。IV 的兩個鐵則是相關性（$Z$ 與 $D$ 相關）與排除限制（exclusion restriction）（$Z$ 不經由 $D$ 以外的管道影響 $Y$）——後者無法被資料驗證，只能靠論證，這也是 IV 最常受攻擊之處。

一個觀念上的統一：上述每一種方法（含 RCT）估計的都不是抽象的「政策效果」，而是某個特定群體的局部效果。RCT 給的是樣本平均處理效果，RD 給的是門檻附近的局部效果，IV 給的是「被工具推動而改變行為者」的局部平均處理效果（local average treatment effect, LATE）。它們是誰的效果，比效果本身更需要交代清楚。

RCT 的盲點：一般均衡與規模化

入門篇已提醒 RCT 有外部效度的問題。研究所視角要把這點推到更尖銳的地方：RCT 估的是「部分均衡（partial equilibrium）」效果，但政策的真正影響往往發生在「一般均衡」層次。

關鍵的盲區是外溢與價格反應。假設一個 RCT 發現「給某些年輕人職業訓練，他們的就業率上升了」。這個乾淨的估計隱含一個假設：對照組不受影響。但若把這個方案推廣到全國，會發生什麼？受訓者搶到的工作，可能正是原本屬於未受訓者的——這叫替代效應（displacement effect）。整體就業可能根本沒增加，只是重新分配。實驗的「處理組相對對照組」估計，會系統性高估全國規模化後的真實效果，因為它把被「偷走」的對照組工作也算成了淨增加。

同樣的邏輯適用於現金移轉、技能補貼、肥料補貼。Egger 等人（2022）在肯亞的大規模現金移轉實驗刻意做了飽和設計（saturation design）——隨機改變不同村莊「接受移轉的家戶比例」——正是為了測量這些外溢與當地物價反應。結果顯示在低度利用的當地經濟中，現金移轉產生了正向的地方乘數（local multiplier）而非顯著通膨，這恰恰是單純比較戶層處理／對照所看不到的一般均衡效應。

由此引出方法論的前沿趨勢：化約式（reduced-form）的乾淨實驗，與結構式（structural）模型的政策外推，正在融合。做法是用實驗去識別並估計結構模型的關鍵參數（如勞動需求彈性、移轉的邊際消費傾向），再把這些可信參數嵌入一般均衡模型，模擬「全國規模化」的反事實。這既保住了實驗的可信度，又補上了外推與機制的能力——這是當代發展計量最被看重的研究設計品味。

重點回顧

• 資源錯置（misallocation）：貧窮國家窮，很大一部分源於既有要素「擺錯位置」。以邊際產值離散度衡量，Hsieh–Klenow 估計修正後可使中印製造業 TFP 提升 30%–60%。配置效率的條件是各單位邊際產值拉平。
• 結構轉型：發展的「形狀」是勞動力從農業 → 製造業（倒 U）→ 服務業移動，由 Engel 法則（需求面）與部門生產力差異（供給面）共同驅動；「過早去工業化」是當代發展的重大警訊。
• 雙元經濟（Lewis）：早期成長的本質是把勞動力從邊際產出近乎零的傳統部門，移到生產力高的現代部門。
• 準實驗工具箱：DiD（平行趨勢）、RD（門檻跳躍）、IV（相關性＋排除限制）讓我們在無法隨機分派時仍能識別因果，但每種方法估的都是特定群體的局部效果（如 IV 的 LATE）。
• 一般均衡批判：RCT 是部分均衡估計，忽略替代效應與價格反應，可能高估規模化後的真實效果；前沿做法是「實驗估參數＋結構模型外推」。

深入探討（研究所視角）

錯置的微觀基礎與「扭曲楔子」。 Hsieh–Klenow 框架的數學核心，是在 monopolistic competition（壟斷性競爭）下，為每個生產單位定義產出扭曲楔子 $\tau_{Y,i}$ 與資本扭曲楔子 $\tau_{K,i}$。無扭曲時，最適配置使各廠 $MRPK$ 與 $MRPL$ 相等；扭曲存在時，廠商有效規模偏離其生產力應有的水準，最終 TFP 可寫成「無扭曲 TFP」乘上一個由扭曲的離散度決定的折扣項。要小心的是，觀測到的離散度並不全等於錯置：衡量誤差、調整成本、加成（markup）異質性、需求衝擊都會混入。後續文獻（如 Restuccia–Rogerson 的回顧）因此主張，務必區分「真扭曲」與「效率本就應有的異質性」，這也是該領域至今的活躍辯論。

內生性的成長理論橋接。 把錯置與結構轉型放進動態框架，會連到內生成長（endogenous growth）與「成長診斷（growth diagnostics）」。Hausmann–Rodrik–Velasco 的成長診斷框架主張：每個國家的成長受限於不同的「束縛性約束（binding constraint）」——有的卡在融資成本、有的卡在低社會報酬（基礎建設、人力資本）、有的卡在私人專享性低（協調失靈、產權）。其方法論精神是反對萬靈丹式的改革清單，改採類似醫療診斷的「找出此時此地最痛的那一個約束」。這與入門篇的制度觀並不衝突，而是把「制度」拆解成可操作的、依國情排序的具體約束。

空間與聚集：發展的地理維度。 一條快速崛起的前沿，是把發展經濟學與空間／都市經濟學（spatial economics）結合。新經濟地理（Krugman）的核心張力是聚集力（agglomeration）（規模報酬遞增、知識外溢、厚勞動市場）對抗擴散力（dispersion）（地租、壅塞、運輸成本）。這解釋了為何發展高度集中於少數都市群，也引出量化空間模型（quantitative spatial models）——用大量區域資料與一般均衡結構，模擬修一條公路、設一個經濟特區、放寬戶籍遷徙，會如何重新分配人口與產出。這正是「資源錯置」在地理維度的延伸：人也可能「擺錯地方」。

測量革命與機器學習。 傳統發展研究苦於資料稀缺，前沿則用夜間燈光、衛星影像、手機通聯、行動支付等替代資料，以機器學習估計傳統普查觸及不到地區的貧窮與經濟活動（如 Jean 等人 2016 的衛星影像貧窮預測）。這在方法上呼應 Educational Omics 以多模態、細粒度量測理解人類發展的精神——當量測尺度從「國家年資料」細化到「網格月資料」，許多過去無法識別的因果與動態才終於浮現。

對有志深入者，建議在讀完入門篇推薦的 Poor Economics、Why Nations Fail 後，循三條主線前進：方法上精讀 Angrist–Pischke 的 Mostly Harmless Econometrics 掌握 DiD／RD／IV／LATE 的識別邏輯；錯置與生產力上研讀 Hsieh–Klenow（QJE 2009）與 Restuccia–Rogerson 的回顧；理論統一上回到 Debraj Ray 的 Development Economics 與 Acemoglu 的 Introduction to Modern Economic Growth。如此便能把「貧窮」從一個道德概念，重建為一個可量測、可識別、可被政策槓桿撬動的結構性現象。