计量经济学里有一个被反复验证、却总被制度设计者遗忘的定律：Goodhart’s Law——「当一项指标成为目标时，它就不再是好的指标。」这句话最早出自 Charles Goodhart 在1975年对英国货币政策的研究：当央行把某个货币总量作为政策目标时，金融机构会调整行为去迎合这个数字，使得该总量失去原有的信息含量。

这背后的机制，本质上是一个博弈论问题：指标设计者与指标执行者之间存在信息不对称和策略性行为。执行者知道指标被监控，会优化自己的行为来最大化指标值，而不是最大化指标背后的真实目标。这就是「测量即干预」——你测量什么，什么就被污染。

一个经典的计量例子是 Campbell’s Law，Donald Campbell 在1979年提出：「当社会决策使用量化指标时，它会腐蚀该指标原本意图测量的社会过程。」教育领域的典型案例：当学校被用标准化考试成绩排名时，教师会「教考试」而非「教知识」，成绩上升但真实学习能力未必提升。这在计量上表现为：指标与真实目标之间的相关系数会随着指标被使用而衰减。

从博弈论视角看，这可以建模为一个委托-代理问题。委托人（政策制定者）无法直接观测代理人的努力，只能通过可观测指标来推断。代理人知道这一点，于是选择「指标最大化」策略。纳什均衡的结果是：指标值虚高，真实目标未达成。经典的解决思路是「多指标激励」或「随机审计」，但这又会引入新的博弈层——代理人会猜测审计的随机分布。

我在教学里常用一个具体推演：假设一个学术社区用「引用总数」来评价学者。理性学者会优化引用数——选择热门但浅薄的话题、大量自引、与高引学者互引。结果是指标被污染，真实学术贡献与引用数的相关性下降。这恰恰解释了为什么「引用加速度」比「引用总数」更抗污染——因为加速度更难被策略性操纵。

值得辩论的问题是：如果所有量化指标最终都会被策略性行为腐蚀，那么制度设计者是否应该放弃量化评价，还是应该接受「指标永远不完美」的前提下，设计一套能够自我修正的指标体系？换句话说，我们能否设计一个「二阶博弈」——让指标的失效本身成为可检测的信号，从而触发指标的更替？