宏观数据发布后，企业最常见的反应是"跟我感受到的不一样"。这种错位常被解释为数据不准，但更常见的原因是两件事：宏观数字是加总的结果，而企业只是其中一个点；加总过程本身会抹掉分布，分布恰恰决定了个体的处境。

合成谬误：对个体成立的未必对总体成立

经济学里有个古老的说法叫合成谬误：一个人踮起脚能看得更清楚，所有人都踮脚，谁也没有更好。放到产业里同样成立。一家企业降价能抢到订单，全行业降价只是把利润打薄；一家企业提前备货能保交付，所有企业同时备货就推高原料价格并埋下库存。宏观数据好看，可能恰恰是大量企业做了同一个动作的结果，而这个动作对每个个体的边际收益正在递减。

代表性主体假设的裂缝

宏观模型习惯用代表性企业、代表性家庭来加总，前提是个体差异可以忽略。这个前提在产业同质、需求单一的阶段大致成立，但在分化明显时就会失效。同样是工业增加值回升，可能来自少数高景气行业和少数大企业，多数中小企业并未受益。看平均增速就下判断，等于用均值替代了分布。

还有一层错位来自企业内部。集团层面的报表本身就是各事业部加总的结果，和宏观数据的问题一模一样：总部的平均数好看，底下几个亏损单元被盈利单元盖住。懂得宏观加总的问题，往往也就能看懂自家报表的问题，这两件事在方法论上是同一件。

企业该怎么用：找到自己的暴露度

可行的做法是把宏观指标拆成三层来读。第一层是方向，看政策与总需求往哪走，这一层用总量指标足够。第二层是结构，看分行业、分规模、分区域的数据，找到自己所在的那一格。第三层是暴露度，把自己的收入结构、成本结构、客户结构对着指标逐项比，算出哪一项波动对自己影响最大。一家做包装材料的企业算过这笔账，发现利润对原纸价格远比对下游订单敏感，此后它盯的是纸价和库存天数，而不是社会消费品零售总额。

理论的边界也要说清。合成谬误提醒我们别把个体经验推及总体，但它不意味着宏观数据无用；恰恰相反，它说明宏观数据的正确用法是提供约束条件，而不是提供行动指令。当企业数量众多、异质性很大时，加总的意义在于告诉你水温，而不在于告诉你该游向哪里。把这两件事分开，宏观数据才真正可用。