顶刊译评 | 如何测度运气对人生的决定性影响？

运气对人生能否产生决定性影响？答案是肯定的——许多关键转折点的发生，并非完全由个人努力或能力决定，而是由偶然的机遇或危机推动。这样的案例之多，甚至无需通过举例来说明。

当然，承认运气的决定性作用，不等于否认个人能力的重要性。更准确的理解是：运气决定有没有机会上场，而能力决定在场上能走多远。没有运气，不一定能起步；但没有能力，可能接不住运气。

总结而言，人的发展无法被精确预测，因为运气——那些不可控的偶然事件——确实能在某个关键节点上扭转人生的航向。无论是刘邦的误期起义、拿破仑的临危受命，还是朱元璋的乱世崛起、盖茨的意外机遇，都印证了运气的决定性时刻。但与此同时，运气只偏爱有准备的人：那些看似"一步登天"的成功者，无一不是在自己深耕的领域积累了足够的实力，才能在运气降临时牢牢抓住。

对于我们普通人而言，正确的态度或许是：不必试图预测命运，但可以努力提升自己；不必否认运气的作用，但不要依赖运气。在可控的事情上做到极致，然后耐心等待那阵不可控的风——它可能会来，也可能不会，但当你准备好时，即便它不来，你的人生也不会太差。

那么，从学术研究的角度来看，运气可以被测度吗？

文章通过大量实证文献证明运气在生命历程中无处不在且影响深远。因果事件研究表明，从自然灾害、随机法官分配到医疗学校抽签，随机事件对收入、就业、学业、犯罪、宗教信仰等各类结果都产生了显著且可观的影响——仅荷兰医学学校抽签一项就解释了申请人收入方差的3.2%。然而预测竞赛（如Fragile Families Challenge）和期望研究均显示，即便使用最先进的机器学习模型或个体自身的私人信息，生活结果的预测准确率依然很低，大量方差无法被解释。

研究进一步将运气与社会分层和生命历程理论相结合，提出运气的两个核心特征——偶然性和后果性——都被社会结构所塑造。不同社会阶层面临的随机事件概率不同（如弱势群体更易遭遇失业、监禁），而相同随机事件的后果也因资源差异而不同（补偿优势使高阶层缓冲厄运，累积优势使好运放大不平等）。文章指出，福利国家制度可以通过降低随机事件的发生概率和减轻其后果来创造"低运气"环境，而自由市场经济则相反。运气范式为统一社会分层、生命历程和因果推断等领域提供了新的研究议程。

一、引言：社会学中的"运气悖论"与研究动机

社会学作为一门致力于解释社会现象的学科，却长期对"运气"这一变量视而不见，这构成了一个引人注目的悖论。自1986年以来，《社会学年度评论》定期发表社会学家的学术自传，在已发表的28篇自传中，有14位作者明确承认运气在塑造其职业生涯和研究方向中发挥了重大作用。Blau（1995）在其自传中写道："我成为一名社会学家纯属偶然。上大学、读研究生，对我来说都是一系列不可思议的巧合的结果，而我主修社会学更是一个意外，因为我刚进大学时根本不知道社会学是什么。"然而，尽管社会学家们在个人叙事中坦然承认运气的决定性作用，这一学科本身却系统性地将运气边缘化——将其视为回归模型中的误差项，排除在正式的解释框架之外。Sauder（2020）指出，这种忽视并非社会学独有，心理学（Bandura 1982）、经济学（Frank 2016）和管理学（Denrell et al. 2015）同样如此。这种"承认却不研究"的矛盾，恰恰说明运气作为一个社会学概念亟需被系统化和理论化。

一个简单的思想实验可以有力地说明为什么运气值得社会学关注。想象一个社会，明天一场全国性彩票将随机重新分配所有人的收入，过程公开透明且完全随机。用今天的特征预测明天的收入，回归的R平方将为零——然而收入不平等的因果过程却被完全解释了。这个例子揭示了一个深刻的方法论洞见：不可预测性并不排除可理解性（Lieberson & Lynn 2002）。运气不是模型之外的噪音，而是社会分配优势的有意义组成部分。社会学家可以而且应该研究运气是如何被制度化、合法化和分配的，并量化其作用。当然，只有一部分结果方差是偶然的，因为社会和经济结果是分层的，但预测与解释之间的张力始终存在：教育投资项目的抽签在决定未来教育和收入时引入了噪音，同时却明确无误地解释了获得名额者与未获得者之间的成就差异。

本文的核心目标是将三条原本分散的研究线索统一到一个形式化框架中：第一是新兴的运气社会学理论，以Sauder（2020）的定义为基础；第二是生命结果可预测性的实证研究，以Fragile Families Challenge等预测竞赛为代表；第三是个体期望研究，考察人们预测自身未来的能力。文章指出，Jencks等人（1972）早在五十年前就提出地位获得模型中大量未解释的方差可能反映了运气的影响，但这一主张遭到了Leading sociologists的强烈反对，他们将残差归因于测量误差、模型误设、统计技术不足和遗漏变量（Coleman et al. 1972; Taylor 1973），认为更好的数据和方法将消除运气作为解释因素的必要性。然而五十年的方法论进步讲述了一个不同的故事：尽管数据收集、测量精度和方法论 sophistication 都有了巨大提升，生命结果中仍有大量方差无法解释。这种持久的预测局限表明，对运气的 dismissal 可能为时过早——运气构成了社会过程中不可还原的组成部分。与此同时，因果革命的副产品恰恰为运气的重要性提供了最有力的证据：每一项利用随机分配进行因果推断的研究，都是运气在行动中的有效 demonstration。

二、运气的理论框架：哲学基础与形式化建模

哲学中有两种主导的运气概念与社会学研究高度相关，本文将其统一起来。第一种是概率账户（Rescher 2019）：一个事件被视为幸运的，当且仅当它发生的概率极低且对当事人具有重大后果。正面后果定义为好运，负面后果定义为坏运。运气的程度随事件的稀有性和后果的严重性递增——极其不可能且高度后果性的事件构成了好运或坏运的典型案例。第二种是模态账户（Pritchard 2014, 2019）：该账户强调"可能世界"和"脆弱性"概念。在这一框架中，我们的生活在实际世界中展开，而实际世界被无数仅有微小差异的邻近可能世界所环绕。一个脆弱事件是在实际世界中发生但在许多邻近可能世界中不会发生的事件。一个幸运事件则是一个本可轻易不发生的脆弱事件，其现实化导致了实际世界与它不存在的可能世界之间的轨迹分歧。这两种账户分别与社会学中以总体频率理解偶然性的思路，以及生命历程理论中"微小差异导致巨大后果"的逻辑（如累积优势和马太效应）相对应。

文章构建了一个形式化框架，将个体生命历程表示为一系列处理机会及其已实现结果的序列。在每个事件时间t，个体i遭遇一个机会类型K_ti∈K，随后接受一个二元处理D_ti∈{0,1}。机会类型由个体的固定特征X_i（如性别、家庭背景）和既往历史H_<ti通过确定性函数κ_t()生成：K_ti = κ_t(X_i, H_<ti)。在给定机会类型后，处理的分配包含真正的随机成分：D_ti ~ Bernoulli(g_Kti(X_i, H_<ti))。这一设计确保了随机性以受控方式进入模型：唯一的随机来源是个体是否获得与其面对的机会相关联的处理。早期随机事件的实现成为后续分配机制中的确定性输入，从而以路径依赖的方式塑造后期生命历程。在此框架下，运气被定义为随机处理的实现对未来结果期望的更新：Luck(s)_ti = E[Y_si|H≤ti] − E[Y_si|H<ti]。运气衡量的是事件t的实现如何更新了对时间s≥t结果的期望，同时保持所有先验历史不变。

框架还提供了估计运气影响上下界的形式化方法。上界来自预测竞赛：不可预测性衡量的是在时间t，结果Y_si中有多少方差在给定历史H≤ti的条件下仍未被解释。其数学表达式为 Unpredictability(t,s) = E[Var(Y_si|H≤ti)] / Var(Y_si) = Σ_{j=t+1}^s E[Luck(s)j²] / Σ{j=1}^s E[Luck(s)_j²]。这一公式表明，不可预测性捕捉的是从时间t到s之间尚未发生的运气事件所产生的结果方差比例。下界来自因果事件研究：每项研究估计特定机会类型k在时间s的处理概率q_ks、遭遇比例f_ks和平均处理效应ATE_k,s，在无干扰和独立处理分配的假设下，机会类型k引入的方差下界为 f_ks · q_ks · (1−q_ks) · ATE²_k,s。将所有机会类型的贡献加总，即可得到运气影响的保守下界。这两个边界将运气从模糊概念转化为可量化的社会学变量。

三、因果事件研究：运气无处不在的实证证据

因果推断文献为运气的存在提供了最直接、最丰富的实证证据，同时构成了运气影响的保守下界估计。大量研究利用自然实验、断点回归设计、工具变量、双重差分和倾向得分匹配等方法，识别了随机事件对各类生命结果的因果效应。这些方法通常依赖于处理分配中与概率账户或模态账户的运气概念一致的随机变异。研究者识别出机会决定谁接受特定处理或干预的情境，然后比较随机获得处理组与未获得组之间的平均结果差异。如果分配确实随机且组间出现系统性差异，则该差异可归因于偶然暴露本身。这些研究涵盖的领域极为广泛：收入（Angrist 1990对越战抽签的研究）、就业（Menefee et al. 2022对随机法官分配的研究）、学业成绩（Morgan 2001对班级规模随机变化的研究）、道路事故（DeAngelo & Hansen 2014; Grundy et al. 2009）、犯罪再犯（Kirk 2009; Menefee et al. 2022; Sampson et al. 2006）、宗教信仰（Sinding Bentzen 2019）、民族认同（Barrie 2021）、对移民的态度（Legewie 2013）、科研资助（Graves et al. 2011; Bol et al. 2018）以及再分配偏好（Pañeda-Fernández 2022）等。

以荷兰医学学校抽签为例，Ketel等人（2016）利用抽签作为工具变量，发现获胜者与失败者之间的平均收入差异为11,010欧元，首次尝试中签概率约为0.55。将这些数据代入框架公式计算：(1 × 0.55 × 0.45 × 11,010²) / 30,518² = 0.032，即仅这一项随机事件就解释了申请人收入方差的3.2%。这3.2%的方差完全超出了任何使用抽签前变量的预测模型的能力范围。

类似地，Salganik等人（2020）的Fragile Families Challenge预测竞赛中，160个团队使用最先进的机器学习技术预测六项儿童和家庭结果，最佳模型的R平方仅约为0.2（对物质困难和GPA），其他结果的准确率更低。Liou等人（2023）对大量纵向研究的综述得出结论："绝大多数（通常75%或以上）客观测量的生命结果方差无法解释。"Savcisens等人（2024）使用数百万人的行政数据和机器学习模型预测丹麦人四年内的死亡，Matthew's相关系数也仅为0.41。

然而，文章也指出因果推断文献提供的只是运气影响的保守下界，原因有三。第一，研究者并非以运气为实质研究目标，而是将其作为方法论工具，因此倾向于选择随机变异最清晰的结果变量。第二，研究者被有趣且具有政策相关性的结果所驱动，而运气在许多微妙、隐蔽的方式中运作。第三，许多重要的运气事件——如遇到一位鼓舞人心的老师、获得一条关键建议、偶然发现一条重要信息——并未被系统记录在定量数据中。因此，已发表文献可能只捕捉了运气影响的一小部分。正如文章所言："每一个具体事件都极不常见，但这'类'不太可能的事件似乎极其常见。不考察个体生活，我们可能永远不会发现导致后果的偶然事件（Lundberg et al. 2024）。然而我们可以确信，它们影响着我们所有人。"

四、可预测性与个体期望：运气影响的上界证据

如果运气在生命历程中普遍存在，那么生活结果应该难以预测——这一推论得到了大量实证研究的支持。

Fragile Families Challenge（FFC）预测竞赛是最有力的证据。该竞赛邀请160个团队使用丰富的纵向数据预测六项儿童和家庭生活结果（包括GPA、物质困难、入狱、逐出等），尽管参赛者使用了当时最先进的机器学习技术，最佳模型的R平方也仅约为0.2（对物质困难和GPA），其他结果的预测准确率更低。高度复杂的机器学习模型相比简单基准回归只有边际改进，说明存在一组持续性因素始终无法被模型捕捉。Liou等人（2023）的综述指出，这类研究中通常75%以上的结果方差无法解释。Bohk-Ewald等人（2018）发现复杂贝叶斯方法在预测队列生育率时往往不如简单模型。Stewart（2025）发现即使使用细微层面的人格特质改进预测，效应量仍然微弱。

Lundberg等人（2024）对FFC中最难预测的样本进行了定性访谈，发现：不可预测性来源于两个组件。第一是"学习误差"：算法无法准确捕捉复杂的行为模式和因果动力学。正如Liou等人（2023）所指出的，有大量个人和环境特征可能影响结果，因素之间存在许多复杂交互，可能的正确模型数量如此之大，即使最先进的模型也无法穷尽。

第二是"不可约误差"：观察上相同的个体却有不同结果。当回顾最难预测的案例时，作者并未发现一小组常见的未测量因素，而是每个预测不佳的轨迹都倾向于被其自身独特且不太可能的事件所解释。这一特征完美体现了运气的运作方式——"罕见事件的普遍性"（the commonness of uncommon events）：存在大量后果重大但稀有的事件，每个事件单独看都不太可能发生，但很可能每个个体在其生命历程中至少会经历一个这样的事件。

个体期望研究提供了另一条上界证据。尽管人们会根据信息更新期望——吸烟者预测更低的预期寿命（Griffin et al. 2013），人们在诊断后修正生存期望（Hurd & McGarry 2002），经济冲击和GPA变化引发教育期望的更新（Renzulli & Barr 2017; Keefer 1969），进入婚姻后生育期望变得更准确（Rackin & Bachrach 2016）——但期望的预测准确率普遍低于统计模型。年轻工人对未来收入的预测系统性地高估实际收入（Jerrim 2015）；教师预测学生大学入学率的准确率仅为62%（Soland 2013），好于随机猜测但差于统计建模；医生预测患者生存期的准确率在23%到78%之间波动（White et al. 2016）；在生育领域，不到一半的女性准确预测了最终子女数量（Gemmill 2019），仅57%打算三年内再生育的人确实做到了（Dommermuth et al. 2015）。这些证据表明，即使拥有私人信息和主观能动性，个体也无法准确预见自己的未来。

五、运气、社会分层与生命历程：理论整合与研究议程

文章将运气与社会分层理论整合，提出运气的两个核心特征——偶然性和后果性——都被社会结构所塑造。

在偶然性方面，不同社会阶层面临的随机事件概率系统性地不同：教育水平较低的工人面临更高的失业风险（Brand 2015），弱势群体更易遭遇监禁（Pettit & Western 2004）和离婚（Killewald et al. 2023）。

然而，即使在结构性模式化的事件中也包含真正的随机成分——在教育、职业和行业位置相同的工人中，哪个工厂关闭、哪个部门重组、经济冲击何时到来，是随机决定谁失业的。社会位置塑造了个体遭遇随机事件的概率，但在这些情境中，随机成分仍然决定了谁受到影响。在后果性方面，相同的随机事件因个体的结构性位置不同而产生差异化影响。补偿优势理论（Bernardi 2014; Erola & Kilpi-Jakonen 2017）指出，高SES个体的教育和职业轨迹部分受到保护，免受负面随机事件的冲击，因为其结构优势缓冲了厄运。

在生命历程理论层面，文章重新诠释了四个核心概念：关键事件、转折点、补偿优势和累积优势。关键事件（如失业、入狱、健康危机、丧亲、离婚）和转折点（"将我们带向不同概率 regime 的罕见转变"）构成了生命轨迹的里程碑。关键事件能否成为转折点取决于其是否产生足够后果性的方向重定向。研究表明，负面随机事件更可能成为弱势个体的转折点，而幸运突破则可能对任一群体成为转折点，取决于所研究的结果。补偿优势和累积优势机制解释了相同运气事件的差异化后果。补偿优势使高SES家长能够缓冲不利运气：如出生在入学截止日期前的不利事件，其负面效应集中在低SES学生中，而高SES家长可以通过维持高期望和调动额外资源来抵消（Bernardi & Graetz 2015; Bernardi & Valdés 2025）。累积优势则使好运产生放大效应：早期随机幸运事件通过可见性、声誉、技能积累等机制被正反馈强化（DiPrete & Eirich 2006; Azoulay et al. 2014）。然而，低SES个体有时反而从好运中获益更多——因为他们的成功本就更依赖于偶然的外部机会，这构成了一种"天花板效应"（Archer et al. 2023）。

研究最后指出，运气范式为多个研究领域开辟了新议程。在制度分析层面，社会机构通过相同的双重渠道作用于运气：它们既塑造随机事件发生的概率，也调节其后果的严重性。就业保护立法通过解雇限制降低失业概率，失业保险系统、再培训项目和积极劳动力市场政策则在失业发生时减轻后果（Brand 2015）。慷慨的福利国家创造"低运气"环境，而自由市场经济生成"高运气"情境。在方法论层面，文章提供的上下界框架可被未来研究直接应用，利用庞大的因果推断文献更严格地估计运气的总影响。运气不再是社会学的残余误差，而是一个可量化、可分析、且与社会结构深度交织的核心解释变量。正如文章所言："曾经被通常隐含地视为未知的东西，现在原则上可以被认识。该范式的发展将需要新的工具和视角，以及对现有启发式或假设的推翻。这本身——除了任何实质性的知识增益——也将是新领域的果实。"