古德哈特定律：指标的暴政

想象你是一家软件公司的老板。你是个有理想的现代人，特别反感我们上一讲说的前现代管理那一套，你愿意相信陌生人。你决心搞一个公平合理、任人唯贤的制度。可是公司几百号人，你怎么能知道该提拔谁、奖励谁呢？

为了确保客观公正，你给工程师团队设定了一个数字考核指标：看谁修的 bug 多。

一开始效果确实不错，你看着 bug 修复数噌噌往上涨，非常满意。

可是才几个月，你就感觉有点不对了。HR 竟然建议把团队里那个老张给优化掉。可是你知道老张这人，他技术最好，公司最难啃的核心架构是他当年搭的。HR 的理由是老张修复的 bug 数最少。你特意询问一番后才搞明白，原来人家老张负责的那块根本就不怎么出 bug，让他咋修呢？

而升上来当主管的是小李，因为他修的 bug 最多。可你仔细研究了一下，发现也不对：小李专挑好修的小 bug，一天能结掉好几个；他还经常把一个大任务拆成五个小工单分开报；可是碰上难啃的硬骨头，他就标一个“暂不处理”晾在那儿。小李的修复数顶半个团队，可是他真的那么有用吗？

你这个指标考核要是继续搞下去，全公司都会去学小李，没人愿意当老张了。

这就是「古德哈特定律（Goodhart’s Law）」。

「古德哈特定律」是「非预期后果」的一个特例，意思是指标扭曲了初衷——一个指标，本来是用来观察现实的；可一旦它变成奖惩的目标，人们就会开始优化这个指标，而不再去优化现实。

古德哈特定律的源起与核心机制 #

查尔斯·古德哈特（Charles Goodhart）是英国经济学家。他在 1975 年讨论英国货币政策的时候，对央行说了一番很拗口的话，大意是：任何一个统计规律，一旦你拿它来当调控目标、往上使劲，它就会塌掉 [1]。

这个意思后来被人类学家玛丽莲·斯特拉森（Marilyn Strathern）在 1997 年提炼成了一句脍炙人口的金句——

「当一种度量变成了目标，它就不再是一个好的度量。」[2]

「古德哈特定律」描述的过程基本上是这样的——

首先，你有一个「真实目标（true objective）」，这是你真正想要的东西，可能是健康、学问、服务质量、公司的真实业绩。但这个真实目标往往是复杂而难以量化的，于是你提出了一个「代理指标（proxy）」，也就是你拿来近似那个真实目标的数字。它们是体重、考分、论文数、bug 修复数和点赞数。你无法直接考核真实目标，所以你就专门考核代理指标，于是被考核者就承受了「优化压力（optimization pressure）」，开始为了让那个指标变好看而努力……最终，你的真实目标已经没有人在意了。

「古德哈特定律」有两个近亲。一个是我们前面讲过的「卢卡斯批判」，专门用于经济政策，意思是人们会自动针对新政策优化自己的行为，所以你不能拿过去的老关系预测新政策的效果 [3]。另一个叫「坎贝尔定律（Campbell’s Law）」，用于社会现象，意思是一个社会指标越是被用来做重大决策，越容易被腐蚀，越会扭曲它本来想测量的东西 [4]。

我们还可以把「古德哈特定律」跟前面讲的「可读性」做个对比：「可读性」是国家为了方便管理而对社会进行的扭曲；「古德哈特定律」则是社会为了迎合管理，而主动进行的自我扭曲。

古德哈特定律在现实中的体现 #

知道了这个图式，你会发现「古德哈特定律」到处都是。

也许互联网平台的真实目标是为你提供良好服务，但是它们把“停留时长”“点赞转发”当成你“喜欢”的代理指标，结果你发现，最让你停不下来的，往往不是对你最好的，而是最让你上头、最能挑动情绪的。有研究指出，越是按互动信号来排序推荐，越会放大错误信息和极端对立 [5]。

英国国民医疗服务体系（NHS）想缩短急诊等待，给医院定了个“4 小时之内必须处理”的硬指标。结果医院学会了把病人堵在救护车里、晾在走廊上——你人还没“正式到达”，计时器就先不开始；快到 4 小时了，就赶紧办住院手续把表掐停 [6]。

类似地，如果警察被按破案率考核，就有人专挑容易破的小案子下手，把费时费力的大案晾在一边。如果政府部门被按“预算执行率”考核，就会到年底突击花钱……

「古德哈特定律」是对复杂系统搞数字治理的必然宿命。

连训练 AI 都是如此。

我们希望 AI 按照人类的喜好行事，那么训练大模型的一个办法是先搞一个“机器人裁判”，专门模仿人类的好恶，去自动给模型的表现打分。于是在训练过程中，模型会自发地拼命讨好这个裁判。可这个裁判只是人类偏好的一个不完美的代理！结果研究发现，如果大模型把从“机器人裁判”那里得到的分数刷得太高，它真实的、对人有用的本事反而会往下掉——研究者在论文里直接写道：这“正符合古德哈特定律” [7]。

你只要有考核，连 AI 都能学会刷题。

学术界：指标崇拜的重灾区 #

我不得不说，被「古德哈特定律」扭曲得最厉害的地方，就是学术界。世界各国的学者都重视发表论文，但中国尤其把论文当作几乎是唯一的考核指标。论文早已不是你写给同行的学术交流，而是你评职称、拿经费的勋章，甚至成了一个可以计件的成果。

有研究统计了 100 所中国高校的 168 份文件，发现在 1999—2016 年那个“SCI 崇拜”最盛的时代，这些高校对被 Web of Science 收录的论文提供了直接的现金奖励，奖金从折合 30 美元一直开到 16.5 万美元，最高约为教授年薪的 20 倍 [8]。

如果发论文是计件的，你可以想见，其中就会有大量的水论文，甚至假论文。中国的论文产量早已是世界第一 [9]，但同时被撤稿数量也是世界第一，甚至占到全球的一半以上 [10]。

2020 年，教育部和科技部可能实在看不下去了，联合发了一份文件，承认在当前科研评价里 SCI 论文相关指标被“片面、过度、扭曲使用”，出现了“以发表 SCI 论文数量、高影响因子论文、高被引论文为根本目标的异化现象”，要求取消直接按 SCI 指标向个人和院系发放的奖励 [11]。

这样的文件不会有太大作用，因为指标可以演化。

最初大家看 SCI 论文数。后来人们发现论文数量并不等于质量，于是开始专门看引用数。再后来有了更高级的引用指标，也就是 h-index。等到发现一大堆水论文互相引用也没什么意思，各单位又开始追逐更硬的“顶刊指标”：CNS（即 Cell、Nature、Science 这三本公认最顶级的期刊）发文数，或者 Nature Index 这类顶级期刊组合排名。

现在中国研究者在 Nature Index 的排行榜上也刷到了世界第一 [12]……可是中国改革开放至今，仍然没有做出一项配得上诺贝尔奖的科学发现。

没错，只要你定个指标，人们就会刷它。而只要人们开始刷它，它就不再是一个好的指标。

指标崇拜的深层原因：权力不足与信任缺失 #

那你说为什么非得搞指标治理？难道不用指标，大家就看不出来老张水平高吗？

其实水平并不是什么神秘的东西。就拿搞科研来说，你能不能开辟一个新方向？你是否解决过真问题？你做出来的东西到底怎么样，甚至你带学生认不认真，你提问能不能问到点子上，这些在内行眼中都是清楚的——人说怀才就像怀孕，不可能看不出来。

千万不要低估人的判断力。人知道好坏。为什么诺贝尔奖没法刷？因为诺贝尔奖是人的判断，不是指标，没有标准答案，不是说你过了哪条线就给发奖。

人的判断高级就高级在，靠的是难以量化的「默会知识」，没有固定标准。你今天做出来这样的研究，就是石破天惊；明年再发一篇类似的论文，就不值钱了。

学术界传统的办法是尊重人的判断，搞同行评议、教授治校，由圈内人商量决定升谁当正教授和给谁经费。但这在权力眼中，可就太不可控了。

行政权力追求可控，可是你又不能随便想提拔谁当教授都行——你怎么能服众呢？用指标就是最好的办法。

美国科学史家西奥多·波特（Theodore Porter）1995 年出了本书叫《对数字的信任（Trust in Numbers）》[13]，专门说过这个问题。波特发现，最迷信量化的，往往恰恰是那些权威不足的机构。

一个有充分权威的专家可以直接拍板“我认为他行”，没人敢质疑。可一个底气不足、怕人不服、怕担责任的官僚，可不敢这么干。于是他诉诸数字——数字看起来客观、非个人，谁也没法把账算到他头上。波特说，量化，是一种“做了决定、却装得好像没有人在做决定”的办法；而客观性，恰恰能给那些本身权威不足的官员，凭空借来一层权威。

所以「古德哈特定律」的病根不是权力太强，而是权力太弱；不是管得太狠，而是没本事、没权威去管。

指标崇拜不是理性的胜利，而是判断力的缺失。

老板越弱，KPI 越细。

指标与判断：如何平衡？ #

但是话说回来，全靠人的判断也不一定靠谱。学术界完全可能搞山头主义、近亲繁殖、互相抬轿。“学霸”这个词的本意说的就是那些把持学术资源、垄断话语权、压制异己的人。

指标暴政和黑箱人治只是一条光谱的两端：判断必须有标准，否则就是任性；可标准一旦固定，它就会变成被人优化和钻空子的对象。

「古德哈特定律」背后是专业判断与程序正义之间的天然张力……世界上不存在完美的选拔和评审制度。

但这并不是说世界上不存在稍微好一点的选拔和评审制度。

应对古德哈特定律的策略与原则 #

其实「古德哈特定律」反对的从来不是量化，而是幼稚的量化。数字指标完全可以作为判断的依据之一，但不应该作为判断本身。

好的评价制度应该像一个法庭：它一定讲究程序正义，但它不会规定“有三个证人就判刑”或者“哪方证据数量多哪方胜诉”——它重视证据和程序，但是会给人留下一定的自由裁量权。

就拿学术评价来说，现在已经有一些改革的探索，方向相当一致。

2015 年，几位国际科研计量学者在《自然》（Nature）上发表了《莱顿宣言（Leiden Manifesto）》，开宗明义第一条就是：定量评估只能支持、不能取代专家的定性判断 [14]。英国的研究卓越框架（Research Excellence Framework, REF）则是一个更制度化的例子：它是英国周期性开展的全国大学科研评估，评估结果会影响高校科研经费分配——它明令禁止用期刊影响因子去代替对论文质量的判断，转而看有限的代表作、真实的社会影响案例和研究环境说明 [15]。

除了事前防止，你还应该有事后反思，看看哪些指标已经被「古德哈特化」。有一项研究就发现，如果让管理者真正参与“战略选择”——也就是亲自参与判断公司到底要追求什么，而不只是拿到一张指标表去执行——他们就更不容易错把指标当成目的 [16]。

综合这些经验而论，反「古德哈特化」的办法主要是三条原则——

第一，指标只做素材，不做判决书。引用数、期刊、获奖，都可以摆上桌做参考，但不能规定“几篇等于晋升、不够就一票否决”。一句话：指标是证人，不是法官。

第二，用「代表作」评价，而且必须配一份书面理由。别去数一个人总共发了多少篇，而要看他最好的那三五件东西——而且要逼着评委白纸黑字写清楚：这个人的核心贡献到底是什么，他解决了哪个问题，反对的意见又是什么。数论文，数的是数量；读「代表作」，看的是分量。

第三，评价按角色分类。大学老师、临床医生、工程师，本来就是三种不同的工作，不该被一个标准压平。

在这三条原则之上再加几道程序保险：评审标准要公开，利益相关者要回避，落选的人得有地方申诉……还要每隔几年回头“反审计”一次——查一查这套指标是否诱导出了什么坏行为，不行就换一套指标。

人需要制度管理，但制度是死的，人是活的，人可以修改制度。管理不是安装系统，管理是照看系统。

每个人都可能成为“数字奴隶” #

我们必须接受的是，「古德哈特定律」永远都会存在。

只要你想要客观公正，赏罚就得有标准 → 别人就会适应这个标准 → 这个标准就会被玩坏 → 就需要你修改标准。「古德哈特」和反「古德哈特」的过程永远都不会结束。

最可怕的是，就算没有老板管，没有人用指标框定你，你也会「古德哈特」你自己。

你难道没有在不知不觉里，把“坐了几个小时”当成学习，把“体重秤上的数字”当成健康，把“下班晚”当成功劳，把“今天写了几千字”当成创造，把“对方有没有秒回”当成了爱吗？

不知从何时起，相亲活动已经蜕化成了对年龄、收入、身高、学历、彩礼这些指标的比拼；旅游变成了景点打卡、照片和步数；连孝顺都被量化成转了多少钱和回家几次。人们把日子过成一场对数字的追逐，把自己活成了一份报表——根本没人逼你，是你自己主动把判断权交了出去。

到那一步，指标已经成了你的主人。

有诗为证：

尺欲量天天岂尺，图能指路路非图。 盘虽转绿机犹朽，秤纵报轻体早枯。 权弱最耽千细则，判怯偏求一纸符。 须知指标原为仆，莫使身为数字奴。

注释

[1] Goodhart, Charles A. E. “Problems of Monetary Management: The U.K. Experience.” 1975.

[2] Strathern, Marilyn. “‘Improving Ratings’: Audit in the British University System.” European Review 5, no. 3 (1997): 305–321.

[3] Lucas, Robert E., Jr. “Econometric Policy Evaluation: A Critique.” Carnegie-Rochester Conference Series on Public Policy 1 (1976): 19–46.

[4] Campbell, Donald T. “Assessing the Impact of Planned Social Change.” Evaluation and Program Planning 2, no. 1 (1979): 67–90.

[5] Germano, Fabrizio, Vicenç Gómez, and Francesco Sobbrio. “Ranking for Engagement: How Social Media Algorithms Fuel Misinformation and Polarization.” Barcelona School of Economics Working Paper, 2025.

[6] Bevan, Gwyn, and Christopher Hood. “What’s Measured Is What Matters: Targets and Gaming in the English Public Health Care System.” Public Administration 84, no. 3 (2006): 517–538.

[7] Gao, Leo, John Schulman, and Jacob Hilton. “Scaling Laws for Reward Model Overoptimization.” arXiv:2210.10760, 2022.

[8] Quan, Wei, Bikun Chen, and Fei Shu. “Publish or Impoverish: An Investigation of the Monetary Reward System of Science in China (1999–2016).” Aslib Journal of Information Management, 2017.

[9] 中国科学技术信息研究所.《2024 年中国科技论文统计报告》，2024 年。

[10] Xu, Shuang, and Guangwei Hu. “Reckoning with Retractions in Research Funding Review: The Case of China.” Publications 13, no. 3 (2025): 41. 另见 Van Noorden, Richard. “More than 10,000 Research Papers Were Retracted in 2023 — a New Record.” Nature, December 12, 2023.

[11] 教育部、科技部.《关于规范高等学校 SCI 论文相关指标使用 树立正确评价导向的若干意见》（教科技〔2020〕2 号），2020 年 2 月。

[12] Nature Index. “2025 Research Leaders: Leading Countries/Territories.” Springer Nature, 2025. https://www.nature.com/nature-index/research-leaders/2025/country/all/global/all.

[13] Porter, Theodore M. Trust in Numbers: The Pursuit of Objectivity in Science and Public Life. Princeton University Press, 1995.

[14] Hicks, Diana, Paul Wouters, Ludo Waltman, Sarah de Rijcke, and Ismael Rafols. “Bibliometrics: The Leiden Manifesto for Research Metrics.” Nature 520 (2015): 429–431.

[15] Research Excellence Framework (REF 2021). “Panel Criteria and Working Methods.” 2019.

[16] Choi, Jongwoon (Willie), Gary W. Hecht, and William B. Tayler. “Strategy Selection, Surrogation, and Strategic Performance Measurement Systems.” Journal of Accounting Research 51, no. 1 (2013): 105–133.