如何理解經濟學中「結構」一詞的含義？

01-08

經濟學中經常碰到「結構（structure、structural）」一詞，比如「結構性失業」、「結構宏觀計量」、或者「這個模型不給一定結構是沒有辦法識別的」。
「結構性失業」裡面的「結構」跟「給模型一定的結構」，兩個「結構」肯定不是同一個意思。

那麼，「結構」這個詞究竟怎麼理解呢？
它與下面哪個詞更接近：
1、假設

2、理論模型
3、模型設定

感謝 @Zampeli Diana 的邀請。

為了回答題主的這個問題，我特意翻了翻兩本知名的中級宏觀經濟學教科書：

Mankiw, N. Gregory. Macroeconomics. Worth Publishers, 2012.
Blanchard, Olivier, and David R. Johnson. Macroeconomics. Pearson, 2012.

在第一本書中，「結構性失業」與「摩擦性失業」共同構成了「自然失業」；而在第二本書中，「結構性失業」與「自然失業」是完全等價的。可見，不同的經濟學家對於「結構性失業」的定義不同，具體的含義要按照上下文來理解。

至於建模過程中的「結構型」與「簡化型」，這個最初是針對計量經濟學中的聯立方程模型而言的，具體可以參見我的這個回答：統計學和計量經濟學有什麼區別？ - 知乎用戶的回答。隨著時間的推移，「結構型」與「簡化型」被賦予了更多的含義，可以參見我的灌水：到底什麼是reduced form？和structural form區別在哪裡？ - 知乎用戶的回答，以及 @慧航的乾貨：目前社會科學實證研究中的「因果識別」都有哪些方法和新發展？ - 慧航的回答。

需要注意的是，「結構型」與「簡化型」並不是絕對對立的。同樣的一個式子，如果你只是想描述一下式子中變數之間的關係，那麼它就是「簡化型」；相反，如果你能明確地用經濟理論（最好是從底層的偏好、技術、稟賦開始）推導得到，那麼它就是「結構型」。題主提到的「給模型一定的結構」可能指的就是這種情況。

個人見解，錯了請指正。

首先，題主這幾個結構不是一個意思。經濟學中，「structural」是一個很泛泛的辭彙。

結構性失業是有標準定義的：Structural unemployment is a form of unemployment caused by a mismatch between the skills that workers in the economy can offer, and the skills demanded of workers by employers (also known as the skills gap)
簡單來說就是技能與需求不匹配，不能靠簡單的價格來解決。以中國為例，在需要大量技術工人的時候大學擴招，導致工廠找不到工人，大學生畢業沒有工作，這就是結構性失業。
結構宏觀計量（structural macroectonometrics）的話，其實不見得是宏觀啦，applied microeconomics也會遇到類似的問題。前面 @SlowMover 老師已經提到過了，structural form 對應的是reduced form，也就是簡單的線性回歸（這個大家應該本科計量都玩得很happy了）。Reduced form的好處是直觀、容易估計，但問題也很明顯，憑什麼你丫就假設這幾個變數之間是線性關係啊？（Game theory的老師看著reduced form特別迷茫，這也是job talk的時候有時蠻尷尬的情景）。

而結構模型其實某種程度上提供了一個微觀基礎，比如假設這個市場上又representative agent，他來進行utility maximization。而另一方面有個representative firm，來maximize profit 以及adjust capital。一個簡單的例子就是RBC（real business cycle）模型（其實DSGE更好啦，但我已經忘了……誰讓Gary Hansen教了我們一個學期呢……）。而這類模型的好處當然是更接近事實，但問題就是不好估計，畢竟很難是線性的。在計量上，估計的方法常見的是GMM（Generalized Method of Moments）和MLE（Most Likelihood Estimatior）。其實reduced form的OLS就是一種matching moment。
最後說「這個模型不給一定結構是沒有辦法識別的」，這一點可能和 @SlowMover 老師的觀點有些不同。（先扯一句題外話補充點小背景：這個識別（Identification）其實是經濟學裡面很重要的概念。簡單來說，模型里的參數為alpha和beta，現實中能觀測的是X和Y，那麼能不能通過X和Y反推出alpha和beta，就要用到一些結構上的改進，比如IV（工具變數）和Difference-in-difference。）
我理解的「模型不給結構不能識別」其實是和「reduced form vs structural form」反過來的。在這個環境下，其實reduced form擁有最強的structure，線性結構，最強假設，最便於估計。而這裡沒有結構，我覺得更多的是non-parametric模型（非參估計）……舉個Rosa阿姨上課最簡單的例子，一個reduced form的模型是
Y = Xeta + varepsilon
線性的，這玩意符合一些基本假設後就肯定可以identify了。但非參模型是這麼寫的
Y = F(X, varepsilon)
Y，X與誤差epsilon符合某個不知道的方程F的關係，這樣這個模型就沒有結構了……這尼瑪誰能identify出來？所以如果要將其估計出來，就需要在F上加一些結構，比如假設
Y = F(X) + varepsilon, epsilon~N(miu, sigma^2)
即F拆成X的方程和誤差的和，並假設誤差是Normal Distribution，這個時候，我們就有可能將這個模型identify出來。

不過，從大Theory的從業人員的角度看來，structural or reduced form？都tmd是浮雲。

結構性失業的結構指的應該是產業結構，即三大產業的比例。從總體勞動力需求來說，第一產業＞第二產業＞第三產業，越高端（這裡的高端是指對勞動力素質需求的高低，通常伴有高技術、高勞動產出比等特質）的產業對高素質勞動力需求越大，對低素質勞動力需求越小。不同於高勞動力密集度的低端產業，越高端的產業，技術、資金密集度越高。

中國目前在逐步進行產業升級，一方面是低端產業向高端產業升級，另一方面是低端產業的升級革新，以技術促進勞動力利用的高效化。作為產業升級的結果，低素質勞動力會因為低端產業的升級導致的需求下降而面臨失業。因為不同於技術，已成型的低素質勞動力很難升級為高素質勞動力，產業升級導致低端產業能為低素質勞動力的崗位越來越少，但是低素質勞動力只能從事低端行業，而且低素質勞動力難以自我升級。這就是結構性事業的成因。

要解決結構性失業，最根本的是從勞動力素質入手，這就是加強教育，但是這最快也是有一代人的延遲。另外還有控制產業升級的速度和現有低端勞動力的再教育等辦法，不過也都是治標不治本的。

結構模型估計的是模型的一些deep parameters。可以做反事實分析。

我感覺不能一概而論吧，不同情況下structure的含義是不一樣的。。

其實不太贊同樓上幾位說的對於structural unemployment 的解釋。結構性失業應該是由於產業的發展導致了勞動力擁有的技能和產業對於勞力技能需求的不相符導致的。。

剩下的部分不太懂。。就不瞎答了。。。

結構，事實上是對於一個複雜的社會問題做的一個概括性的解釋。當一個社會問題形成以後，會形成一種社會氛圍，或者說結構。從而強化這個問題，使得這個問題難以從哦某一個方面去解決～自身強化。就好像結構性失業，你可以只從失業來看覺得是需求不振，但深層次的問題是，想就業的勞動力無法適應新興產業的崗位標準。這個問題麻煩就在於，缺乏培訓的勞動力在失業的壓力下，沒有能力去進行培訓。而新興產業由於缺乏勞動力供給，無法正在意義大範圍的為社會創造財富。就陷入了一個死循環。