从非限定性资助到数学
有一天，我在GEO（Grantmakers for Effective Organizations）撰写的全美资助机构调研 Is Grantmaking getting smarter -2017中读到一段调查发现“资助机构在长期持续资助方面表现稳定，但往往不愿意进行一般性运营资助（general operating support, 即非限定性资助）”。我开始想，在NGO需要获得非限定性资助的前提下，是什么会影响资助机构是否及给出多大比例的非限定性资助？先从资助机构本身来看，其资助资金的来源，其资助倾向或策略，其先前资助经历，其全年规划等；而外部环境，例如经济金融环境及相关法律又会对资助机构的决策产生什么影响；而从NGO来看，什么样的NGO更容易获得非限定性资助，规模、服务对象、策略……这些因素是如何对“获得某个比例的非限定性资助”产生影响的？这些因素在相互之间是如何产生影响的？这些因素相互之间的作用是如何随着时间的变化更变化的？进而，这些因素如何被测量和表征，例如，当我们在说“会影响资助机构是否给出非限定性资助的资助倾向和策略”时，我们是否要给资助倾向进行归类，或用哪些行为或指标来让我们看到这个概念。
最近在读Ray Dalio的Principles，他在书中说到早年时他去和美国的农民聊天，了解土豆等口粮是如何影响期货的市场价格。沿着同样的思维，他建构起桥水的经济模型，多年来用市场数据去喂养和训练这个模型。另外，桥水也将这种模型思维和数据驱动引入其组织内部的人职匹配之中。虽然从Ray Dalio未在其书中充分说明其模型，但这个方向已足够令我向往。我经常在想，如果公益、慈善和社会问题的解决中，是否也可以如此。
如果在一个组织内部就一个小问题进行这样的模型式的建构，我将激动不已。这种激动首先来源于知——需要充分的探究、询问、结合已有研究发现，也许才能找到影响一个结果的诸多因素，然后通过实操者的描述和推论以及一批批历史数据的轮转，让模型最大化地反映现实；而另一方面，需要将模型本身的影响力和影响方式写进模型中，模型本身具备了反身性。其次，是如何处理模型和基于模型的行为决策的关系。我曾经认为，模型是用来预测的，让其指导我们的行为。然而，如果模型基于已经发生的数据，其便不存在预测的能力，因为未来也许并不在模型里；而我们的行为却是指向未来的，我们将如何应用这种不适用性才能将模型的效用最大化；我们如何与一个更善于计算的系统共事。最后，这个模型是否可以自我生长，如果需要人为将现实发生的因素加入，那这个模型本质上是死的，它是否可以通过已发生的数据集结出潜在的影响因素，实现自我更新。
阿西莫夫在《基地》中“塑造”了一个伟大却没有实质戏份人物，哈里·谢顿。这个人物伟大之处在于其建立了一个函数，“计算”出了银河帝国的走向。
学数学去吧。
最近在读Ray Dalio的Principles，他在书中说到早年时他去和美国的农民聊天，了解土豆等口粮是如何影响期货的市场价格。沿着同样的思维，他建构起桥水的经济模型，多年来用市场数据去喂养和训练这个模型。另外，桥水也将这种模型思维和数据驱动引入其组织内部的人职匹配之中。虽然从Ray Dalio未在其书中充分说明其模型，但这个方向已足够令我向往。我经常在想，如果公益、慈善和社会问题的解决中，是否也可以如此。
如果在一个组织内部就一个小问题进行这样的模型式的建构，我将激动不已。这种激动首先来源于知——需要充分的探究、询问、结合已有研究发现，也许才能找到影响一个结果的诸多因素，然后通过实操者的描述和推论以及一批批历史数据的轮转，让模型最大化地反映现实；而另一方面，需要将模型本身的影响力和影响方式写进模型中，模型本身具备了反身性。其次，是如何处理模型和基于模型的行为决策的关系。我曾经认为，模型是用来预测的，让其指导我们的行为。然而，如果模型基于已经发生的数据，其便不存在预测的能力，因为未来也许并不在模型里；而我们的行为却是指向未来的，我们将如何应用这种不适用性才能将模型的效用最大化；我们如何与一个更善于计算的系统共事。最后，这个模型是否可以自我生长，如果需要人为将现实发生的因素加入，那这个模型本质上是死的，它是否可以通过已发生的数据集结出潜在的影响因素，实现自我更新。
阿西莫夫在《基地》中“塑造”了一个伟大却没有实质戏份人物，哈里·谢顿。这个人物伟大之处在于其建立了一个函数，“计算”出了银河帝国的走向。
学数学去吧。
