神经经济学导论：学科起源、方法论与理论框架 (Introduction to Neuroeconomics: Origins, Methods, and Theoretical Framework)

神经经济学导论：学科起源、方法论与理论框架

Introduction to Neuroeconomics: Origins, Methods, and Theoretical Framework

1.1 一个被神经数据重新打开的经典问题

如果一个人在你面前同时获得 100 元和 50 元，他会选哪一个？古典经济学（classical economics）说"理性人"应当偏好更多——这无需实验就可推论。但 Allais 悖论（Allais paradox）告诉我们：当 100 元与 50 元之间嵌入一个具有"共同结果"（common consequence）的彩票结构时，偏好会出现系统性偏离。同样，Ellsberg 悖论（Ellsberg paradox）指出，个体对"已知概率"与"未知概率"的态度并不一致，违反了 Savage 的确定等价公理。这些违反公理的现象并不是噪声，而是关于大脑如何表征价值、风险与不确定性（uncertainty）的实证线索。神经经济学（neuroeconomics）的核心任务，就是把这些行为层面的"反常"还原为可观测的神经计算。

一个常被引用的工作定义来自 Glimcher（2003）与 Camerer、Loewenstein、Prelec（2005）的早期纲领性论文：神经经济学是研究决策的神经机制（neural mechanisms of decision-making）的学科，它把经济学关心的"选择"、认知心理学的"过程"与神经科学的"回路"放进同一个解释框架。This is a research-level question: not "why do people sometimes choose badly?" but "how does a population of neurons encode subjective value, and why does that encoding deviate from expected utility in measurable ways?"

接下来的小节会按以下顺序展开：第一，思想史与学科边界；第二，神经经济学的三大研究支柱（价值、风险、社会）；第三，方法学权衡；第四，对"理性"假设的理论挑战；第五，研究伦理与可重复性；第六，给读者一个可立即使用的术语表、范式图谱与研究提案框架。

1.2 思想史：神经经济学从哪里来

要理解神经经济学的边界，必须先看清它的两个"父学科"。

第一条线是经济学内部的理性化简。18 世纪 Bentham 的功利主义（utilitarianism）把"快乐"与"痛苦"作为可加和的量度；19 世纪 Bernoulli 用期望效用（expected utility）解释了圣彼得堡悖论；20 世纪 von Neumann 与 Morgenstern 在公理化基础上确立了 VNM 期望效用定理，奠定了现代决策理论。这一传统的核心假设是完备性（completeness）、传递性（transitivity）与独立性公理（independence axiom）。违反这些公理的行为，在主流经济学中一度被视为"待清洗的误差"。

第二条线是心理学对"启发式与偏差"的揭示。从 Simon 的有限理性（bounded rationality），到 Kahneman 与 Tversky 的前景理论（prospect theory, 1979），再到 Thaler 的行为生命周期假说，行为经济学（behavioral economics）证明系统性的、可复制的偏差是认知机制本身的一部分，而不是噪声。

神经经济学的诞生，就是这两条线与神经科学方法（尤其是 fMRI）汇合的产物。三个标志性事件：2002 年 Glimcher 在 *Foundations of Neuroeconomic Analysis* 中提出"价值是神经元的语言"；2003 年 *Science* 杂志发表 McClure、Laibson、Loewenstein、Cohen 关于双系统时间折扣的论文；2004 年 *Science* 同期刊出 Tom、Fox、Trepel、Poldrack 关于 vmPFC 价值编码的论文；2005 年 Camerer、Loewenstein、Prelec 在 *Journal of Economic Literature* 发表 "Neuroeconomics: How Neuroscience Can Inform Economics"。到 2010 年前后，*Social Cognitive and Affective Neuroscience* 与 *Neuron* 陆续推出专辑，神经经济学正式成为独立子学科。

需要强调的是，这门学科从一开始就有计算取向（computational turn）。研究者不再满足于"哪个脑区激活"的相关性描述，而是用强化学习（reinforcement learning, RL）、贝叶斯推断（Bayesian inference）、漂移扩散模型（drift-diffusion model, DDM）等显式模型去刻画决策过程。这条计算路线在本书的后续章节中会反复出现。

1.3 神经经济学的三大支柱：价值、风险、社会

神经经济学的"研究对象"看似零散，但可以收敛为三个相互嵌套的支柱。这种三分法并非金科玉律——也有学者把"时间"作为独立支柱，把"努力"作为成本的一个维度——但对于入门读者来说，三支柱提供了一个稳健的入门图式。

支柱一：价值编码（value encoding）。研究"大脑如何把外部选项映射为一个可比较的标量信号"。Bartra、Kaye、Lin、Pezer、Rangel（2013）的 meta-analysis 显示，vmPFC（ventromedial prefrontal cortex）与腹侧纹状体（ventral striatum）是价值信号最稳定的载体。Levy 与 Glimcher（2012）进一步区分了"目标价值"（goal value）与"决策价值"（decision value），前者编码选择某一选项带来的最终效用，后者编码当前 trial 的比较结果。这一区分是后续章节讨论偏好反转、跨期选择等议题的概念基础。

支柱二：风险与不确定性（risk and uncertainty）。研究"大脑如何在概率未知时调整价值评估"。传统区分来自 Knight：风险（risk）指可估计的客观概率，不确定性（uncertainty / ambiguity）指不可估计的主观概率。Hsu、Bhatt、Bhatt、Adolphs、Tranel、Camprodon（2005）以及 Levy、Kahneman、Ochsner、Volk、Haney 的工作表明，纹状体编码"客观风险下的期望值"，而以右顶叶下小叶（right inferior parietal lobule, rIPL）为代表的网络编码"主观模糊厌恶溢价"。Knutson 与 Bossaerts（2007）的"前脑岛（anterior insula）=风险规避"假说则把情绪—躯体标记假说（somatic marker hypothesis）推向定量建模。

支柱三：社会决策（social decision-making）。研究"他人的存在如何重塑价值与风险编码"。经典的 ultimatum game、trust game、public goods game 在此扮演的角色等同于 2×2 因子的实验范式。Decety、Jackson、Bratman、Decety 等人证明，TPJ（temporoparietal junction）参与观点采择（mentalizing），AI 与 ACC 参与情绪唤起，伏隔核（nucleus accumbens）编码"互惠奖赏"。Sanfey（2007）的"前脑岛预测拒绝不公平"研究是社会神经经济学的招牌性发现。

三大支柱在神经解剖层面是部分重叠的：vmPFC 同时参与个人价值编码与社会评价；纹状体同时编码金钱奖赏与社会奖赏。这种"共享—特异"双重组织，是后续章节"计算解剖学"主题的物理基础。

1.4 方法学权衡：成像、记录与扰动

方法学（methodology）是神经经济学的命门。不同的成像或记录技术具有不同的空间分辨率（spatial resolution）、时间分辨率（temporal resolution）、侵入性（invasiveness）与生态效度（ecological validity）。选错方法，可能得到统计显著但解释力为零的论文。本节按"非侵入人类—侵入人类—侵入动物"的顺序系统比较。

fMRI（functional Magnetic Resonance Imaging）：基于血氧水平依赖（blood-oxygen-level-dependent, BOLD）信号。空间分辨率约 1–3 mm，时间分辨率约 1–2 s。优点是全脑覆盖、被试者可接受、ROI（region of interest）与多变量模式分析（multivariate pattern analysis, MVPA）生态完整。缺点是血流动力学延迟（hemodynamic delay）使毫秒级的神经动力学被严重平滑；信号是相对值而非绝对发放率；价格昂贵，被试限制多（金属植入物、幽闭恐惧等）。

MEG 与 EEG：直接记录电生理活动。EEG 时间分辨率约 1 ms，MEG 约 0.1 ms；空间分辨率较差（EEG 约 2–3 cm，MEG 约 2–5 mm 但深度敏感度低）。两者都擅长捕捉时间过程（temporal dynamics），常用于 ERP（event-related potential）研究，例如反馈相关负波（feedback-related negativity, FRN）、N200、P300 等决策相关成分。便携式 EEG（wearable EEG）扩展了生态效度，可用于田野决策、消费者行为研究。

iEEG / ECoG（intracranial EEG / electrocorticography）：癫痫病人临床评估期间植入的电极，同时记录场电位（local field potential, LFP）与高频活动（high-gamma power, 70–200 Hz）。空间 1–2 mm，时间 1 ms，是人类研究中精度最高的方法。代价是样本偏倚（病人群体）、覆盖区域有限（临床需要决定电极位置）、伦理审查严格。在价值编码、决策动态、面孔与情绪等议题上，iEEG 提供了 fMRI 无法企及的时间精度。

fNIRS（functional near-infrared spectroscopy）：通过近红外光测量皮层血氧。便携、价格低、适用于儿童、被试者无强约束（如可在自然姿势下扫描）。缺点是仅能覆盖皮层表层约 1.5–3 cm，无法探测深层结构。时间分辨率与 fMRI 相当。

PET（positron emission tomography）：注入放射性示踪剂测量代谢或受体占用。可揭示多巴胺 D2/D3 受体（[$^{11}$C]raclopride）、5-HT 2A 受体（[$^{11}$C]MDL）等与决策相关的分子系统。空间分辨率约 4–5 mm，时间分辨率分钟级。优势是分子特异性，劣势是放射性、昂贵、无法短期重复。

光遗传学（optogenetics）与化学遗传学（chemogenetics）：动物研究中用以因果性地操控特定细胞类型。把 Channelrhodops-2、Halorhodopsin 或 DREADD（designer receptors exclusively activated by designer drugs）通过 Cre 依赖的病毒载体表达于目标神经元，用光或药物开启/关闭其活动。在因果论证上，这是金标准。但伦理上不能用于人类（除少数已获批准的临床试验）。

单细胞记录（single-unit recording）：把微电极阵列植入灵长类或啮齿类动物，记录单神经元动作电位。猕猴 OFC 与 vmPFC 中的"价值细胞"（value cells）最早由此发现。空间—时间精度最高，但样本量、长期稳定性和跨个体泛化均受限。

为帮助读者系统选择方法，下图给出一棵方法学决策树：

```mermaid flowchart TD Q[Research Question] --> D{Domain} D -->|Value| V D -->|Risk| R D -->|Time| T D -->|Social| S V --> P{Species} R --> P T --> P S --> P P -->|Human| H{Resolution Need} P -->|Animal| A H -->|Sub-second| EEG1[MEG / EEG / iEEG] H -->|Sub-centimeter spatial| fMRI1[fMRI] H -->|Field / natural| WEAR[fNIRS / wearable EEG] H -->|Receptor-level| PET1[PET] A -->|Causal| OPTO[Optogenetics / DREADD] A -->|Single-cell| SU[Single-unit recording] A -->|Population dynamics| CAL[Calcium imaging] ```

方法选择的三条经验法则（rule of thumb）：第一，先问问题，后问机器——研究问题是"毫秒级排序过程"还是"系统级价值表征"决定了方法。第二，多模态优于单模态——fMRI 的体素信号与 MEG 的时间过程联合分析，比单模态更稳健（见 Siegel、Winters、Douglas 等 2017）。第三，人类行为 + 动物因果——把人类的关联性证据（fMRI、EEG）与动物的因果性证据（光遗传）结合，是当前最被审稿人认可的研究策略。

1.5 理性假设的神经基础挑战

神经经济学的"存在理由"是它对理性模型（rational model）提出了可证伪的神经约束。本节梳理三个最具影响力的理论挑战。

挑战一：有限理性（bounded rationality）。Simon（1955, 1956）指出大脑是一个有限计算系统：工作记忆容量有限、注意资源有限、检索时间有限。从神经经济学角度看，这意味着大脑的"决策算法"必然是启发式（heuristic）和近似最优（approximately optimal）的，而不是公理化的最优。具体表现包括：决策权重函数（decision weighting function）的小概率过度加权（图 K&T 1992）、搜索满意度（satisficing）、默认效应（default effect）等。

挑战二：双系统理论（dual-system theory）。Kahneman 在 *Thinking, Fast and Slow*（2011）中把决策系统区分为 System 1（快、自动、情绪化）和 System 2（慢、受控、理性化）。McClure 等 2004 年用 fMRI 报告：β 系统的即时折扣（immediate reward）激活边缘系统（ventral striatum、mPFC），δ 系统的耐心折扣（delayed reward）额外激活背外侧前额叶（dlPFC）和顶叶下小叶。这一"边缘系统 vs 皮层"二分法在后续十年中被广泛复现与扩展，但也受到批评——Margolis、Kimbrough、Vallone、Hays、Norman 等学者指出，所谓的双系统在神经层面是连续分布而非离散模块。

挑战三：贝叶斯大脑假说（Bayesian brain hypothesis）。Knill 与 Pouget（2004）、Friston（2010）的自由能原理（free energy principle）认为，大脑是一个层级贝叶斯推理器：先验（prior）+ 似然（likelihood）→ 后验（posterior）。在不确定条件下，理性选择等价于期望效用最大化；而大脑的实际策略是采样（sampling-based）或近似推理（variational inference）。这与神经经济学的"内部模型"（internal model）研究紧密相关——例如毒瘾决策中前额叶对"奖励—惩罚"分布的内部建模。

此外，神经经济学还关注跨期选择（intertemporal choice）、模糊厌恶（ambiguity aversion）、社会偏好（social preference）等具体反常的神经基础。这些议题在第 3 章"价值的神经表征"、第 5 章"风险与不确定性"、第 6 章"社会决策"中详述。

1.6 决策悖论：行为反常的神经签名

为了让读者从一开始就能用"行为—神经"双视角看待决策，下表给出五个经典选择悖论与它们的主要神经关联。

• **Allais 悖论（Allais Paradox, 1953）**：共同结果违反独立性公理。神经关联：vmPFC 价值信号在"共同结果"出现时显著衰减（Hsu, 2010）。
• **Ellsberg 悖论（Ellsberg Paradox, 1961）**：模糊厌恶违反 Savage 公理。神经关联：尾状核（caudate）编码已知概率奖赏强于未知概率奖赏，AI 编码模糊厌恶溢价（Huettel, 2006; Levy, 2010）。
• **St. Petersburg 悖论（St. Petersburg Paradox, 1713）**：无限期望值与有限支付意愿的冲突。神经关联：OFC/腹侧纹状体在面对长尾分布时出现**信号截断**（signal truncation）。
• **偏好反转（preference reversal, Lichtenstein & Slovic, 1971）**：成对选择与金钱激励下的出价不一致。神经关联：vmPFC 在选择期与定价期表现出不同的耦合模式（De Martino, 2009）。
• **跨期选择反转（intertemporal inconsistency）**：当前偏好与未来偏好不一致。神经关联：β 系统（边