若要真正理解那些一再出乎我們意料的重大經濟事件，必須對經濟敘事採用科學的研究方法——即便研究仍不完備、仍涉及人類判斷。否則這個領域將落入預測師與先知之手，而他們往往毀掉整個領域的聲譽。
- 過往的經濟研究幾乎忽略「人們彼此講述、對自己講述的故事」在經濟生活中的角色，因此也錯過了敘事中可能存在的有效解釋。
- 若回頭去找二十世紀報紙上當代對「衰退開始」的解釋，會發現多數討論都圍繞領先指標（央行政策、消費者信心指數、未售庫存），而非終極原因。但真正促成這些領先指標變化的，往往是正在轉變的敘事——而專業界對「哪些敘事在歷史上真正重要」並無共識。
- 經濟學家很少把民間敘事帶進預測，因為他們的敘事資訊來源通常只是「朋友鄰居的閒聊」，無從判斷類似敘事是否曾在過去的經濟事件中出現。結果就是：他們在分析中乾脆略過「變動的敘事」，彷彿它根本不存在。
- 今天已經可以透過計算數位化文本中的字詞頻率來學到一些東西，但組織化的研究仍遠遠不夠。人工智慧——特別是處理非結構化資料的 AI——能夠幫上忙。
敘事經濟學在經濟理論中的位置#
- 敘事經濟學長期被忽視。部分原因是：敘事與經濟結果的關係複雜且隨時間變化；此外，敘事的影響常被記者提及，卻缺乏學術嚴謹度；而激進卻失準的經濟預測，也損害了「敘事論述」在公眾心中的公信力。
- 經濟學家長年假設人是理性最適化者，具有穩定效用函數與理性預期。這套理論遺漏了明顯重要的現象。近幾十年的「行為經濟學革命」把經濟研究拉近其他社會科學。
- 一個重要創新是「推力單位（nudge units）」的出現：以 2010 年英國政府的 Behavioral Insights Team 為起點，基於 Thaler 與 Sunstein 在《Nudge》一書中的想法，這類機構嘗試重新設計政府制度，以「推」的方式引導民眾避開非理性行為。OECD 估計全球約有兩百個這類單位。
- Shiller 主張把「國家領袖直覺用來理解敘事的判斷」正式化：領袖要反對虛假或誤導性敘事、建立反對它們的道德權威——第一步是理解敘事的動態，第二步是設計考量敘事流行的政策，並努力創造與散布更理性、更公共精神的反敘事。
- 例子：羅斯福 1933 年 3 月 4 日就職演說與 3 月 12 日第一次爐邊談話——前者要求民眾放下恐懼去消費，後者訴諸道德請人民不要把銀行重新開張後的存款取出。他的演說大致與美國經濟的反彈同步——但我們沒有方式量化當時的敘事到底有多「顯著」。如果當年有人系統收集「人們說什麼」的資料，今天我們會更懂如何框架「道德訴求式」敘事。
- 使用敘事來預測經濟變數的一個困難在於：人的判斷與論述容易政治化與情緒化。要研究敘事，又不被指責選邊站，非常不易——這也是為何學者依賴量化勝於質性觀察。但現代資訊科技讓經濟學家得以自行蒐集敘事資料，聚焦在「意義」而非單純字詞，並建模敘事傳播。
- 文本分析（textual analysis）是正在擴張的小領域。NBER 工作論文資料庫中提到「textual analysis」的論文不到一百篇，但已有人以此研究政黨歸屬、政治極化、新聞與投機性價格變動。還有大量工作可做：歷史資料可擴展到個人日記、講道、私人書信、精神科醫生的病人筆記、社群媒體。
立即開始蒐集更好的敘事資料#
Shiller 呼籲經濟學家超越「被動蒐集他人文字」，轉而進行能揭露意義與目的的實驗。即使現有數位化資料量龐大，相較於每日人類溝通的宇宙仍微不足道。
關鍵在「一致性」與「創造性」的結合：數十年維持穩定方法以利跨時比較，同時保留足夠創造力以捕捉新詞、新概念。他建議以下五類資料蒐集：
- 定期聚焦訪談（focused interviews）：邀請受訪者針對經濟決策相關的提示問題，敞開講述其故事。這種「以聆聽為研究方法」的做法，由 Callahan 與 Elliott、Michael Piore 等人推廣；Alan Blinder 曾訪談高層主管如何決定定價，Truman Bewley 則訪問經理人如何決定工資。可惜這類訪談多為一次性，沒有長期時間序列。若從一開始就把訪談數位化、設計成長期研究工具，未來就能用來做文本分析，並併入如 Michigan PSID、Fed 消費支出調查、瑞典 HUS 資料庫等重要資料集。
- 定期焦點團體（focus groups）：與不同社經群體的成員一起觀察「實際對話」。焦點團體特別重要，因為它模擬敘事傳染所依賴的「人際互動」環境。可以刺激參與者討論 stock market、bank、unemployed、the real reason to save、government actions that might impact your future economic welfare or that of your children 等主題；錄影可供未來由臉部辨識與情感分類演算法處理。然而經濟學與金融學極少使用焦點團體——2010–19 年間，只有 0.04% 的經濟學論文與 0.02% 的金融論文提及 focus group。
- 歷史焦點團體資料庫：Roper Center（現位於康乃爾大學）自 1947 年起累積的 Public Opinion Research Archive 是一個基礎，但它仍是以「問題—答覆」為主，不捕捉受訪者原話。Shiller 設想一個大型資料庫，請全球焦點團體研究者分享過往記錄，在尊重參與者隱私承諾的前提下，盡可能組織成可電腦搜尋的時間序列，像本書為報紙與書籍做的那樣，繪製特定敘事的流行曲線。
- 講道資料庫（sermons）：全球宗教組織應留有大量講道紀錄（derashas、khutbahs 等），但現有資料庫多為講道準備而設計，非歷史研究。講道觸及道德價值與追尋生命深層意義——這些價值觀的變化無疑與經濟決策相關。
- 個人書信與日記的數位化搜尋資料庫：現有這類資料庫已有雛形，但更具系統性的努力能鼓勵家庭捐出往生者日記。現有資料庫多服務特定研究目的（單一戰爭、單一社會議題），缺乏隨機取樣——更好的取樣能讓結果更具普適性。
以上資料蒐集的學術「回報」在遙遠未來，無法滿足「發表或滅亡」的壓力，因此學術界很難獨力啟動；Shiller 呼籲持續性的大型基礎設施投入。
追蹤與量化敘事#
- 研究敘事面臨幾個棘手問題：敘事彼此漸變、重疊；即使最簡單的流行病模型也顯示沒有敘事能觸及所有人；敘事的傳播可能帶有大量隨機性；詞義依脈絡而變、隨時間而變；讓一則故事具有病毒性的「真實意涵」，會隨時間變形而難以長期追蹤。
- 因果與相關的區分同樣困難：一則敘事是「因為看到經濟行為」才被講述，還是「造成」了經濟行為？
- 經濟研究者面臨的難題，與文學理論家試圖列舉所有文學基本故事的困難類似（Ch.2）。在任何歷史時刻都有許多傳染性故事，很難篩選；文學學者的共同風險是「把熟悉視為普遍」，而且必須處理「故事列表隨時代變化」的問題。
語意資訊與符號學的推進#
- 機器翻譯允許電腦依脈絡選擇字詞意義，語意搜尋正在全球成形；但語意搜尋要達到「理解敘事」的程度仍遠。與此同時，量化敘事可由多位依明確指令分類與評估情緒驅動力的研究助手完成。心理學、神經科學與 AI 的進步也會改善我們對敘事結構的理解。
- alexability.com（Alexandria）、alpha-sense.com、prattle.co、quid.com 等公司開始提供針對公共文件與媒體的智慧搜尋，協助彙整敘事資訊。
- 隨著研究方法進步、社群媒體資料累積，文本分析將在經濟學中扮演更強的角色。它可能讓我們超越 1930 年代式的「所得—消費回饋、凱恩斯乘數」模型，更接近真正驅動經濟事件的所有回饋；也能幫我們更清楚看見曾經歷過的「刻意操縱與欺騙」，並制定把敘事納入考量的經濟政策。
Shiller 的終極願景：更貼近「重大經濟事件背後的人類現實」，同時不犧牲嚴謹學術與系統化分析。理解人類思維為何有時使經濟繁榮、有時停滯，為何經歷創意期、衰敗期、同情期、炫耀期，正是敘事經濟學的長期研究任務。