编者按

借助教师节，理论志全体编辑向唐世平教授及长期以来关注支持理论志的各位老师、专家们表示衷心感谢，祝愿教师节快乐！

本期嘉宾

唐世平教授是复旦大学特聘教授（2013-）、复旦大学国际关系与公共事务学院“陈树渠讲席教授”（2014-2020）、教育部“长江学者”特聘教授（2016-）。唐世平教授是当今最具国际影响力、亦是亚洲最优秀的中国社会科学家之一。他也是中国计算社会科学的开拓者之一。从2011开始，他和他的合作者就开始探索“计算社会科学”在复杂决策领域的应用。

唐世平教授的研究兴趣广泛，主要涵盖六大领域：国际政治、比较政治、制度经济学、政治（学）理论、社会科学哲学，以及计算社会科学，并做出具有世界水平的前沿研究，著述广博。唐世平教授已经出版了五部英文专著、两部中文专著、一部英文编著和三部中文编著。他是极少数能够在世界顶级大学出版社和商业出版社出版完全不同领域英文专著的中国社会科学家。他的最新两部英文专著是他的下一部英文著作The Institutional Foundation of Economic Development《经济发展的制度基础》（普林斯顿大学出版社，2022）以及On Social Evolution: Phenomenon and Paradigm《论社会演化：现象与范式》（Routledge出版社，2020年）。他的Social Evolution of International Politics《国际政治的社会演化》（牛津大学出版社，2013年）于2015年获得国际研究协会（ISA）的“年度最佳著作”奖。他是获得这一奖项的第一位中国学者甚至亚洲学者。此外，他还有多篇英文研究论文发表在这些领域内的重要和顶级国际期刊上。很多时候，他都是在这些杂志上发表文章的第一位中国学者。

唐世平教授还是以下国际刊物的编委会成员：国际政治领域的顶级刊物International Security（2021-）、国际研究协会（ISA）旗下的旗舰刊物International Studies Quarterly（2015-2020），以及国际安全领域一流刊物Security Studies的编委会成员（2015-）。他是这些期刊编委会中第一位来自中国的成员。同时，他还是国际研究协会理事会批准成立全球国际关系分支（GIRS，Global International Relations Section）首任“执行委员会(executive committee)”的七位成员之一，且是该委员会中唯一的中国学者。

政治预测的研究故事

理论志：尊敬的唐老师，您好！感谢您百忙之中接受理论志的专访。我们此次采访，主要想谈谈您的团队近期在PloS One上发表的大作以及极具创新性的ABM选举预测模型。[参见Gao, M., Wang, Z., Wang, K., Liu, C., & Tang, S. (2022). Forecasting elections with agent-based modeling: Two live experiments. PloS one, 17(6), e0270194.]首先能否请您简要介绍一下开启政治预测研究的缘起呢？在研究过程中又经历了哪些印象深刻的故事呢？

唐世平教授

整个政治预测的研究从草创到成果显现历时不短，中间也有过一些起伏，因此我将从三个方面讲讲这个研究，首先是这个研究的缘起和前期准备，其次是解释为什么选择ABM来做选举预测，最后谈谈我对计算社会科学领域内不同路径的见解。

01研究缘起和前期准备

这项研究的开端比较有趣，可以说是有些心血来潮。那是2015年元旦左右，复旦国务学院邀请了一位来自台湾地区的学者，在讨论之后的欢迎晚宴上我们聊起了这些年海峡两岸政治学的发展。事实上，西方许多政治学研究，特别是像APSR（American Political Science Review《美国政治学评论》)、Electoral Studies（《选举研究》）等等，都是在探讨如何解释某一个或者某些政治事件的结果，而选举是其中重要的组成部分。当时，我对那位学者开了一个玩笑：“这些研究多没意思啊，要不我做一个东西，干脆让这些学者们失业得了。”可能大家也知道我经常先夸下海口，把自己的手捆住之(tying hands)后，就必须下手去做了。

我们大概是从2015年3月份开始着手做，虽然名义上成立了复旦大学复杂决策分析中心，但是没有空间也没有固定的人手，幸好我的一位好友蒲戈光教授（时任华东师范大学计算机科学与软件工程学院副院长），认为我们做的相关研究很有价值并愿意支持我，于是派遣了两位学生来协助分析中心的运作。我们中心最早的一些ABM的探索大多都能见到他们的身影。另外，复旦大学国际问题研究院（美国研究中心）的信强教授与厦门大学台湾研究院李鹏教授在一些课题上与我们有合作，并支援了我们一些经费，同样也派了学生赴分析中心做了大量数据处理工作。总之，分析中心之所以能创立与他们支持是分不开的。

02为什么选择ABM模型？/ Why ABM for Election Forecasting?

在这里，我需要详细地介绍一下政治预测模型技术。Agent-Based Modeling (ABM)技术是一种自下而上（bottom-up）的方法，用于模拟具有特定特征的行为者（agent），在有预定义行为规则的系统中的互动（agent interaction）后，在总体层面（aggregate level）上产生的突现式结果（emergent outcomes）。ABM的行动者可以是政党、政府、社会组织、个人或任何自主利益行为体，行动者可以被赋予各种属性，从人口特征到社会经济地位，这些都可能会影响他们的行动。然后，从重复的模拟中得出稳定的总体结果。因此，ABM使研究人员得以从微观层面的个体行为动态中模拟和分析宏观现象。

ABM在社会科学中的应用最早可以追溯到托马斯·谢林（Thomas Schelling）著名的隔离模型（segregation model）和罗伯特·阿克塞尔罗德（Robert Axelrod）同样著名的关于合作的博弈锦标赛模型（computer tournament）。但长期以来，由于计算能力的限制，ABM在社会科学中的应用有限。自21世纪初以来，随着计算机变得更加强大，特别是随着云计算的到来，ABM开始在社会科学中得到更广泛的应用。然而，据我们所知，当前国内学术界和实务界很少有团队能够成熟地使用ABM来预测实际的经济、社会和政治结果。事实上，一开始我也不能保证用ABM预测就一定能成功，但我认为选举预测适合用ABM来做，原因有三：首先，选举显然是一个由下至上的或者是叫微观到宏观（micro-macro）的过程，ABM技术适合这样的问题，而如果是一个只停留在微观水平上的过程，就很难去使用ABM模拟它。第二，美国的选举过程是比较公开透明的，相关数据是完整的，例如每个党派的候选人的得票数和比例；除此之外，与选举有关的基础数据，比如说人口普查数据，都是公开可获得的（public available），已有数据体量、质量和可获得度会直接影响预测的质量。最后，ABM技术需要建立在对整个体系或者系统的了解之上，比如说对选举的了解，而选举作为一个重要的政治问题，尤其是二战以后在欧美国家已经有非常多的研究，这一领域的社会科学知识积累是足够的，因此我们也能够利用这些知识来设计ABM的系统，所以当时我们认为选举是可以用ABM来进行预测的。这里我想特别引用来自原Science（《科学》）杂志主编，普林斯顿大学经济学哈罗德·夏皮罗（Harold Shapiro）教授的一句话：“科学就是愿意冒险去失败”（Science is the willingness to risk failure）[Shapiro, H. T. (1990). The willingness to risk failure. Science, 250(4981), 609-609.]，所以我当然愿意去承受这种压力。

团队初步完成预测工作时距离美国2016年大选还剩一个多月，他们向我汇报时，我刚好在美国做访问项目。虽然我从不看民调（稍后我会解释民调为何常常并不可靠，尤其是在某些局部领域），但参与项目的同学看了民调后跟我说很紧张，因为预测结果和民调差距很大，还犹豫是否发布预测结果。我就说算出什么就发布什么，错了就是我的责任，所以我们依然提前一周发布。最后的结果大家都可以看到了：在数据不够充足、训练系统的经验还不够（可以说是无章可循）的情况下，我们的预测结果与实际选举结果相差很小。基于ABM方法预测的优势在于，我们不但能够预测获胜的阵营，还能够预测每一个党派的席次占比。一般来说，我们在预测之后会公布一个预测区间——如果是公布两组数据则说明采用了两套模型，例如2016年对台湾地区的选举预测（参见复旦大学复杂决策分析中心发布对台湾地区选举的计算机模拟预测结果，可点击“阅读原文”阅读）。这是因为，在选举预测中关于议会议员的数据比较难获得，所以我们采用了ABM加估算的方法。总之，2016年选举预测的积极结果让我更加坚信ABM方法可以解决此类问题，只不过具体过程还需不断改进，所以我们就坚持做了下去。

03计算社会科学里的ABM和其他方法

为了突出ABM方法在选举预测领域的优越性，我想介绍其他计算方法，比如互联网大数据、机器学习以及人工智能固有的一些问题。

我其实很早就接触了互联网。硅谷互联网第一次泡沫的时候，我正在那儿念书，所以我对互联网的历史也有一定的了解。互联网上最容易获得的有三类数据：第一类是假数据，比如我们现在说的水军——要仔细量化（quantify）起来，可能有一半互联网数据都是假的。第二类是误导性数据（misleading data），这是不仅是因为算法只推送部分数据，导致没有人能看到全部数据而固化了偏见和错误认知，类似于现在说的信息茧房；还因为某些人士和机构他们的目的就是创造大量的“误导性数据”（包括mis-information）。最后一种是无关数据（irrelevant data），这种数据看上去和所需要的相关，但是可能没有用，有时甚至还起反作用。因此，我对互联网的很多数据保持警惕性。

其次是我认为民调数据有四个不可克服的问题（这不是说民调没用，而是说它总是会有问题）：第一是随机抽样（random sampling）的问题，也就是说无法保证抽样是否是真正随机，尤其是分层抽样的情况时更难做到。第二是几乎所有民调都会面临的受访者回应程度的问题，我相信很多人会拒绝接受访问，那么即便抽样能够做到完全的随机，也无法得到随机的答复，而抽样的初衷是所有对象都愿意表达。第三是误导性回复，比如故意说反自己的支持对象使调查者掉以轻心。最后，民调表达的支持不意味着对方会具体去投票，这和投票者（voter）的决心（resolve）有关，比如对于希拉里输掉选举的一种说法是许多民主党的支持者没有去投票导致票数不够。以上是我们从一开始就提出既不用互联网（例如社交媒体）数据，也不用民调的数据的原因。不过，我们会把我们算出来的数据和民调数据作比较，特别是2020年我们的技术相对成熟时，其实我们可以提前一个月、三个月、六个月，甚至九个月算出基线（baseline）来。只不过可能受到某些突发事件冲击，预测也不一定完全准确。

2018年对我们来说是十分重要的一年。先是2016年，我们的预测团队取得了比较可喜的结果，在此基础上继续推进研究，到2018年时，我们中心也有了固定的场所和研究人员。在不断积累经验的过程中，我们意识到，大选和议会选举是两类问题：尽管两种选举的基本动态（dynamic）可能是一样的，但议会选举是一个比较小的领域，它受到的影响可能就不再是国家层次的（national level），而是地方的（local）。这对我们来说也是一种新的挑战。于是，我们在2018年开始从事议会的选举预测工作，在这个过程中不断收集数据并改进我们的预测平台，为2020年的大选预测做准备。在2018年的地区选举预测中我们也获得了一些经验，对ABM模型有了更深的认知：第一是地区议会选举的选民基数相对较小，容易影响ABM的稳定性。在能够计算的前提下，ABM的行动者数量越多，结果就会越准确；第二是地区选举之间可能会存在扩散效应（diffusion）。例如加州的民主党州长可能对好几个选区都有影响，但影响各不相同，因此很难量化（quantify），ABM为了便于计算会假定地区间选举相互独立，或者影响（impact）不大；第三是选区的数据相比于州的数据，搜集难度会更大。因此，我们还是将精力更多放在全国性选举上。

沿着这条路径，2020年的大选预测我们就做得越来越好了。首先是我们对训练模型更加熟稔，可以训练多达三轮数据来筛选出最后的预测模型；其次是因为我们有了足够的时间收集数据，数据的质量因而更高；最后，2016年的预测经验对此后的选举预测起了很大帮助。相比之下，这项工作很难用市面上（off the shelf）的机器学习来进行，因为选举发生的次数很少。比如，四年一次的话，从2000年至今也就举行了五至六次选举，而机器学习通常需要有长尾巴的数据。

接下来谈谈在这基础上我们对2020年美国大选的预测。因为2018年预测的只是美国的中期选举，而中期选举和大选还是有很大的区别，所幸我们的预测比大多数民意调查更接近实际结果。虽然我们和很多民调一样高估了拜登（Biden）的支持率，但是我们能够非常明确地得出拜登会赢得宾夕法尼亚州而输掉俄亥俄州，并且我们在实际选举前三个月就已经得出这个结论。最后还想讲一个冷笑话，其实我不看大选开票的新闻，这件事情交给团队其他成员去做。很多人都担心特朗普（Trump）会不会翻盘的时候，我就和分析中心的同事们说：“人生就是概率，而我相信我们能赢。”

故事就讲到这里，总得来说，我们希望以后可以继续尝试预测美国的大选和中期选举，例如参议院的选举。但遗憾的是，今年我们分析中心的经费不足。这是因为ABM的计算耗资巨大，每一次选举预测都会耗费几十万、上百万甚至是一两百万的费用。尤其是第一轮计算会有几千万个甚至上亿个模型，而资金又限制了我们能够购买的服务器数量，因此运算速度也比较慢。例如2020年预测地区选举时第一轮计算就耗时一个多月，加上人力成本一共需要花费近八十万元；同理，即使只预测美国五六个州的地方选举也耗费甚巨。因此，我们还是希望以后能够有比较稳定的项目支持，这样至少也能为预测2024年的美国大选做准备。

理论志：非常感谢唐老师给我们分享了一个这么精彩的故事，不过我相信对我们听众来说，这不只是学术故事，更是一个难能可贵的人生课堂。

唐世平教授

谢谢，相关的理论意义和模型运用的具体操作可以参考我们团队最近发表的学术论文。[参见王中原,唐世平.政治科学预测方法研究——以选举预测为例[J].政治学研究,2020(02):52-64+126. Gao, M., Wang, Z., Wang, K., Liu, C., & Tang, S. (2022). Forecasting elections with agent-based modeling: Two live experiments. PloS one, 17(6), e0270194.]

唐世平教授答理论志编辑部问

理论志：在您的思路和方法的启发下，我们相信有不少研究人员也对政治预测工作跃跃欲试了。理论志编辑部上下也对您的这项研究非常感兴趣，与广大读者一样热切期待能在专访中向您求教。

您曾经提到过，在社会科学中，不是所有的问题都能被科学地预测，请问如何评估政治事件的可预测性？进行科学的预测需要满足哪些条件呢？在高度依赖于工具的预测系统和高度依赖于情境的现实问题之间，ABM模型是如何避免方法论上的“过拟合”的呢？

唐世平教授

当然不是所有的问题都能被科学地预测，只有算命的人才敢这么说。事实上，政治问题，或者任何社会科学的问题，都可以分成两大类：第一类是重复性（repetitive）的，比如说选举；还有一类是不重复的（unique），比如说英国工业革命的成功，这类问题基本上不大可能预测，甚至都没有权威的（definitive）解释。类似于我的下一部由普林斯顿大学出版社出版的著作《经济发展的制度基础》（The Institutional Foundation of Economic Development）中提到的那样[Tang, S. 2022. The Institutional Foundation of Economic Development. Princeton University Press]，任何人都可以说英国的工业革命还可以有别的解释，就是因为它是一个独一无二的事件（It was a unique event）。因此，我奉劝有志于从事学术工作的青年学子不要专门从事此类研究，尽管研究这类问题可能比较容易毕业，但是它不可证伪（We have no idea whether you are right or wrong.，也就难以彰显学术价值。需要注意的是，我说的重复性事件是指有周期性的（cycle），比如说2008年的金融危机。不过，虽然那大家都知道这是必然到来的危机，但是，具体的预测时间就很难确定。所以我认为像金融危机这类事件很多时候可以有征兆，但是具体什么时间预测，则可能是一个触发因素（trigger）的问题。鉴于此，关于预测的本体论问题一定要明晰，就是首先要清楚不是所有事件都可以预测。我相信可能马上就会有人问，那唐老师你怎么能预测普京要出兵乌克兰呢？我现在告诉大家，这个还真可能可以预测，虽然这本身是一个独特的事件，但是战争是有很多次的，而且它是高成本和高风险的（It's a high stake/costly and risky game），也就是大家都把筹码都压上去了。相比之下，个体的日常行为因为成本太低，试错也无所谓，所以很难预测。战争尽管没有固定的周期，但是它在历史上发生的次数超过工业革命和选举，相关的知识积累已经很丰富，那么在这基础上使用简单的模型就有可能实现预测。虽然每次战争肯定都不一样，但是战争能不能爆发、如何爆发大致是可以预测的，不过每一次战争的走向，或者战争的具体动态（dynamic）都比较难以预测。再来讲一讲“过拟合”（over-fitting）问题，这是一个很好的问题。要理解这个问题，就需要对机器学习有一些了解，这里就有必要向大家科普一些计算社会科学方法的基础知识。我认为计算科学有两个大的技术取向，一类是人们耳熟能详，但其实可能并不太理解的机器学习、大数据和人工智能。这些实际上可以理解为模仿技术，通过学习人类的某些行为或逻辑（reasoning），来试图最后超越人类（例如AlphaGo）。为了方便机器的学习，这一类的技术适合系统较为稳定，且具有长尾数据的问题。机器学习会经常遇到过拟合问题，所谓的过拟合问题是统计问题，而机器学习的一个基础就是统计学。另外一个技术取向是所谓的模拟技术（simulation），尽管中文语境经常混淆，但模拟和仿真是两类非常不同的事物。打个比方，假设我们要造一个飞机驾驶舱，希望把它做得与真飞机的一样，即人可以坐进去，这叫仿真，或称仿真学；而模拟是通过捕捉不同行为体的不同行为，以及他们不同的互动，最后获得的一个总体上的结果（overall outcome），所以模拟更适合研究社会结果，而模仿（仿真）适合解决行为问题，好比我要模仿你的行为（逻辑）。这里需要参考我的著作《观念、行动和社会结果》，我认为这是我写的最重要的社会科学哲学著作，只有理解了这个才知道，不同的方法只能用来解决不同的问题。[参见唐世平.观念行动结果：社会科学方法新论[M]. 天津：天津人民出版社, 2021.]简单科普完以后我们再回到这个问题，之所以说ABM不存在所谓的过拟合问题，因为它每次算出来都是不同的结果，我们会计算成百上千次，最后再将结果平均或收敛至一定的区间内。比如说现在再去算2020年美国大选，即使是使用一样的代码和数据，最后的结果可能还是会有0.035%的差别。这一点很重要，所有的机器学习，归根结底都是寻找一个最佳的目标函数，也就是说一个方程；但是ABM不使用算法，它是由众多公式构建的，用于捕捉ABM内三个部分：行为体、行为体的行为及其相互作用规则（包括行为规则）和系统。ABM的结果是所有的方程/函数经过相互作用生成的涌现性结果，不能用一个单独的方程去刻画。这一点很重要，比如说用机器学习处理视觉或语言，得出的结果往往是一个数值，比如0和1，即是或否，而ABM是通过多次计算得出概率。科普得有点长，但我相信还是有用的。

理论志：ABM模型同时关注到了微观的选民个体变量、宏观的经济变量以及突发事件变量，请问唐老师，在使用ABM进行政治预测时，突发事件的处理和微观变量、宏观变量的处理方式是否有所不同？

唐世平教授

这肯定是不同的。在选民个体变量方面，我们没有具体的选民数据，在研究预测方面，我们也不太关心选民个体的情况，而主要借助的是地区的人口普查数据。这些数据会呈现人口的性别比例、受教育程度、从事产业等信息。我们从计算机中生成相应数量的选民并带上这些不同的标签。这样一来，我们就在没有任何个体层面数据的情况下，利用人口普查数据生成个体数据，然后模拟这些个体根据某些规则去投票。

至于突发事件，它并不是计算机生成的，而是真实的事件，我们会在构建模型的过程中捕捉并复现这些真实事件的影响。总体来说，ABM系统的预测并不要求最开始的区间是准确的，只要给定最初的运行语句和大致方向就可以了。我们会在一定的误差内去筛选模型，再根据真实的数据去衡量和比较。通过重复以上步骤，我们最终才能在成千上万个初始模型中，调整和筛选出符合真实情况的模型，并用它来预测未来的选举结果。

理论志：ABM模型避免了专家评估等主观性较强的数据来源，采用的是客观数据和计算机模拟。想请问的是，专家的研究和仿真模拟算法之间如何进行兼容与调和？

唐世平教授

我们最开始要给机器一个方向或区间，那当然就要参照专家研究。历史上有众多引人注目的研究结论，比如说经济增长是局势向好还是已经陷入衰退，这对选票是有影响的。例如经济好的时候，民众对政府的满意度会提升，当政者会有选举的优势；反之则会下降。我们要根据这些研究给出模拟的区间，就像我前面所说的，最开始的区间准确与否并不是很重要，重要的是通过重复模拟筛掉那些不能反映历史结果的模型。因此专家的研究和算法之间没有冲突问题。

理论志：ABM系统是“自下而上（bottom-up）”式的预测，因此在预测步骤上先给模型加入个体层面变量，控制误差在10%以内，然后是宏观经济社会结构的变量，再控制误差在5%以内，最后是加入突发事件等变量，控制误差在2.5%以内。这个处理步骤从投票者个体出发来理解投票行为。那么，如果把这一建模过程调整为，从宏观结构出发，再加上个体因素，最后考虑突发事件等，所得最终结果还会是一致的么？ 加入微观和宏观变量的先后是否有所讲究？

唐世平教授

这个是不对的。如果先用突发事件之类的宏观变量，就违反了ABM的做法。ABM全称是Agent-based Modeling，顾名思义是必须以行为体为核心。最开始很多东西必须基于agent的特性，也就是说这些个体会有某种投票倾向，从这一点出发再确定不同影响因素所占的比例。所以这个顺序是有讲究的，必须是先微观或者个体层面，然后再到宏观变量。

理论志：这个问题是关于ABM模型的适用情境。您在论文中提到，利用ABM进行选举的重要步骤之一，就是依据过往选举结果来调整预测模型。对于一些不稳定的民主政体，或者是刚刚启动选举的国家，缺乏可靠的历史资料和稳定的民主选举条件，该如何利用ABM系统进行预测呢？过往选举充分的可靠资料和成熟的选举制度是否是ABM系统能够成功的必要条件？

唐世平教授

不稳定的民主政体，或者刚启动民主转型的国家，当然无法依据过往资料进行预测。例如缅甸缺乏稳定的民主选举历史，再加上军队政变，所以难以运用ABM方法。道理很简单，基于ABM系统预测选举也是需要基于历史数据的。

理论志：您提到基于ABM方法的选举预测优势之一是它是在已有政治科学研究的指导下进行的。那么，除了您已经举例的变量选择外，您能否再进一步阐述一下，ABM在数据搜集、模型建构等环节是如何与既有的选举理论结合的呢？模型和预测结果对理论的发展又是否有所推动呢？

唐世平教授

选举相关的研究很多，例如与经济增长、犯罪率、失业率等等的相关性探索。凡是和选举有关的，我们都会尽量收集一遍，但这不代表我们在建立数理模型的时候，会把所有的数据都用上。同一类数据，我们可能只会用一部分：比如都是经济数据，我们可能只会用通胀情况、失业率、经济增长情况；而利率等我们就不使用了。一个重要原则是，过多的数据对于ABM不是必要的。但是，我们之所以收集大量数据，不是在于眼前研究有用，而是预计这些数据可能对我们将来做其他的研究有用。我们最后可能会发现，有些数据可能会比另外一些数据更有用，那我们以后可能就会使用这类数据进行替代。每一轮选举的预测对我们来说就是一个新的尝试，只不过技术都是一样的。在变量的选择上，我们也都遵循了许多现有的研究的结论，例如性别、年龄、收入，等等，这些都是大家认为会影响选举的因素。对于这些因素，我们的研究并不主要关心它们怎样具体独立地影响选举，而是会把这些因素整合起来计算。

理论志：您在文章的最后提到，相对于两党竞争，多党竞争的选举预测对ABM模型来说是一个更大的挑战。请问您是否打算继续深耕选举预测领域，您和“复旦大学复杂决策分析中心”下一步的研究计划又是怎样的呢？

唐世平教授

我们希望能做德国、法国之类多政党国家的选举预测，当然，多党制国家的选举结果预测起来会比较困难。需要再次说明的是，我们的研究主要不是关心究竟哪个政党获胜，而是关注最终实际选举的结果是否落在了我们预测的相对得票率分布范围内。

但就目前的情况，政治预测的科研成本耗费较大，我们还是希望以后能够有比较稳定的项目资金支持，这样至少也能为未来的预测工作做好积极准备。

理论志：这个问题来自一位在复旦大学直博的同学。他想向唐老师请教的是，如何找到值得长期深耕的研究领域呢？

唐世平教授

在我看来，整个社会科学研究只关心两个根本性的问题：一个是合作与冲突，或者说和平与战争问题，另一个是国家的兴亡，或者可以称为政体的兴衰问题。这两个是核心问题。如果你的研究问题跟这两个问题无关，或者说离得太远，我的建议是不要做，因为很有可能缺乏研究意义，不值得深耕。

理论志：您的研究涉及多个领域，也在运营“掌中星球”APP，我们特别佩服您的精力和时间管理能力。想请教唐老师是怎么做到高效的时间管理的？

唐世平教授

时间管理首先很重要的是学会说“不”。这是说，你不能什么事情都答应别人。我认为值得做的就必须做，如果这个事情可做可不做，或者别人也能做，那我就不做了。第二个，做事情时要始终保持高效和专注，专注于当前正在做的事情，有始有终。第三点，我经常同时做多件事，这样的好处是，如果一件事暂时没有进展，精神也不会太沮丧；而且手边总会有从事的任务。只是我把我的经验对你们年轻人讲出来，可能无法照搬，做个参考即可。

理论志：当下，科技进步日新月异，国际局势风云变化，社会科学研究也正经历激烈的变革，新的研究方法如雨后春笋般不断涌现。最后，我们想请您为理论志读者们赠予一份嘱托与祝福，以传达给当前致力于研究于此的专家学者、青年学人和同学们。

唐世平教授

对于刚入校园的研究生而言，我建议同学们需要把自己的精力用在值得学习的课程上，不要为一些无关紧要的事情分散自己的注意力。总之一句话，好好学习，天天向上。

理论志：再次感谢唐老师接受我们的专访并为读者们带来了精彩的研究故事和细致的疑问答复。感谢唐老师，衷心预祝未来团队预测工作进展顺利！

唐世平教授

谢谢大家，再见！

专访中提及的唐世平教授所著相关文献如下：

Gao, M., Wang, Z., Wang, K., Liu, C., & Tang, S. (2022). Forecasting elections with agent-based modeling: Two live experiments. PloS one, 17(6), e0270194.

Tang, S. 2022. The Institutional Foundation of Economic Development. Princeton University Press

王中原,唐世平.政治科学预测方法研究——以选举预测为例[J].政治学研究,2020(02):52-64+126.

唐世平.观念行动结果：社会科学方法新论[M]. 天津：天津人民出版社, 2021.

唐世平教授担任CEO的掌中星球平台中秋活动推荐

唐世平教授专著购买链接

复旦大学复旦复杂决策分析中心

以往有关唐世平教授作品相关推送：

族群冲突与战争和平：专访著名社科学者唐世平教授

名刊编译 | 李 辉 唐世平：位置、位置、还是位置：石油区位何以导致族群战争？

名家时评 | 唐世平：俄乌战争——半年评估

名家论文｜唐世平：国际秩序变迁与中国的选项

顶刊编译 | 唐世平：和解与无政府状态的再造——基于六部作品的批判性综述

顶刊论文 | 熊易寒 唐世平：石油的族群地理分布与族群冲突升级

战争社会学 | 中国学者发表第一篇Sociological Theory | 唐世平：族群战争的爆发：一个广义理论

名家著作 | 教育部“长江学者”唐世平教授《经济发展的制度基础》由普林斯顿大学出版社正式出版

顶刊论文 | 周亦奇 唐世平：北约与华约的命运为何不同？

顶刊论文 | 王中原、唐世平：政治科学预测方法研究——以选举预测为例

经典推荐 | 复旦唐世平教授 英文新专著《论社会演化》正式出版

学术快讯 | 唐世平教授成为国际研究协会（ISA）全球国际关系分支（GIRS）执行委员会成员

顶刊论文︱唐世平：经济发展的新制度经济学：一个根本性的批判

采访日期：2022年8月5日

采访地点：腾讯会议

责任编辑：安宇洋 罗 洁 洪书瑾

随访编辑：李 立 罗 洁 张鸿儒 洪书瑾 何升宇 陆逸超

一审：安宇洋

二审：陆逸超

三审：张鸿儒

终审：李 立

本文推送内容为Political理论志采编首发，文章代表嘉宾个人观点，不代表平台立场。如需转载本文须经过理论志编辑部和嘉宾本人的同意。

©Political理论志

往期专访及编译访谈集锦

张静 | 徐勇 | 唐世平（族群冲突） | 项飙 | 项飙（随访）| 哈贝马斯 | 斯考切波 | 朱迪斯·巴特勒 | 玛格丽特·列维 | 兰德尔·柯林斯 | 彼得·帕克 | 安德鲁·阿伯特 | 裴宜理 | 陈国权 | 斯蒂格里茨 | 尼古拉斯·卢曼

前沿追踪/理论方法/专家评论ID: ThePoliticalReview

“在看”给我一朵小黄花