管理者现在很少会相信单独一个分析师对未来的判断。我们都知道，人有偏见，孰能无过，且都是情绪的俘虏。然而，对于“集体的智慧”，我们却坚信不疑，认为一群专业人士的集体判断总能做出的最优化的预测，而没想到，这是另一种形式的不靠谱。

企业相信群体预测最好的例子之一便是彭博共识对美国非农数据的预测。每月第一个星期五，美国劳动数据局发布其对前一月份美国劳动力市场情况的预测。这时常引发报纸头条对美国上月工作数量变化的报道（当劳力市场超预期表现时，美国金融市场变强；反之，市场变弱），尽管在之后这一初始数据普遍会被修改。

这些预测来自几大数据源，其中最主要的，是由彭博和路透社通力协作，集多名经济学家及分析师之力调查得出的彭博共识预测。平均来说，彭博预测偏差约一万六千个工作岗位。过去六年，偏差数值在半数情况下达逾五万，四分之一情况下逾十万 —— 最近一次是在2016年七月，10%的情况下预测偏差达到了二十万。

集体智慧的逻辑很简单。任何个人做出的预判都由两部分组成，奈特·希维尔称之为“信号”和“噪声”。信号指的是基于真实的知识所作的预测。在非农数据的预测中，这便是劳动力市场的状况、可信来源提供的招聘计划信息、甚至非公开分析。噪声则指其他信息。一个经济学家心情不好可能会导致他做出悲观预判，而另一个正为洋基队加油的经济学家可能在赢球的时候做出更积极的预测。

然而当所有预测加成平均后，按照预期，噪音会被抵消。毕竟，有人欢喜有人愁。有人为洋基队获胜欣喜若狂，就有人为波士顿红袜败北而抹泪。理论上来说，如果加成平均了足够数量的预测，噪声变弱，信号则变强。

这一集合模型通常有用。在政治中，民意平均分能比单独民意调查更准确地预测选举结果。问题在于，集体预测并不能消除这一集合人群中共有的错误。举例来说，当上个月的数据过高或过低，彭博对下个月的共识预测将会出现反向偏差；当数据连续两个月过高或过低，偏差会更大。如果一个分析师预估过高或过低，则可以抵消这一偏差，但如果分析师系统性地矫枉过正，错误将会加剧。根据我对过去六年非农数据预期和结果的分析，对上个月每五万个工作岗位过高或过低的预期，会造成本月约两万个工作岗位向反方向的偏差。如果数据连续两个月向同方向出现五万个工作岗位的偏差，预期数据将向反方向出现逾四万个工作岗位的更正。

错误随着很多经济学家和分析师关注着同样的新闻而越来越多。我通过媒体研究集团对华尔街日报和巴伦周刊等财经新闻报道的内容分析，观察预测调查期间的新闻报道更倾向正面或负面。结果表明，财经报道越正面，预测结果也更积极，即便报道内容与雇用市场无关。换句话说，华尔街日报对赛车手汉密尔顿或NBA球员斯蒂芬·库里的积极报道，都对分析师集体对雇佣市场做向好的预测有推波助澜的作用。这些错误相互作用，往往产生更大的问题。当前一月份预期过高遇上普遍负面的新闻报道，参与调查的经济学家可能做出更悲观的判断，从而导致较其他情况而言更低的预测。

这类问题不仅存在于彭博预测，任何预测数据都多少有这一问题。在这些例子中，集体预测虽避免个体失误，却也加强了参与预测人群所共有的错误。但这并不意味着我们不能从群体中学到点什么：平均值预测往往比单独的预测要准确。我们认识到集体预测的局限性并重视单独数据点才更为重要，例如，总体平均数能告诉我们某个数据是异常值，但我们不能因为这异常值与总体不一致就忽略它。它可能是错的，也可能预示着其他人所未见的事实。

本文作者Dan Cassino是费尔兰·迪金生大学政治科学系副教授，主要研究方向是公共意见和政治心理学。