政策讨论里常见一种设计思路：一个工具，同时解决就业、投资、技术和区域平衡四个目标。这种做法在文件上看起来很完整，落地时却常常哪个目标都没达成。丁伯根法则给出的解释很朴素——目标数量多于工具数量时，除非工具之间恰好不冲突，否则无法同时实现全部目标。

法则说的是自由度问题

把政策看成一个方程组，目标是要解的未知数，工具是可调的参数。未知数比参数多，解一般不唯一甚至不存在。这不是执行不力的结果，而是设计层面的数学约束。地方常见的“一揽子政策”正是如此：补贴既想拉动投资，又想起到技术筛选作用，还想兼顾区域均衡，三个目标对应一个杠杆，最后只能按其中最容易考核的那个来调。

配套的另一个原则：工具要配对

蒙代尔的有效市场分类原则补充了另一半：工具应该分配给它能影响最直接的目标。产业基金擅长解决资本供给，不擅长解决人才结构；人才政策擅长解决人从哪来，不擅长解决人往哪去。把工具放到它作用最弱的那个目标上，等于主动放弃一个自由度。政策设计时值得逐条对照：这个工具对哪个目标弹性最大，就让它负责那个目标。

理论的三个适用边界

第一，它假设工具可以被独立调整。现实中补贴、土地、信贷往往打包在同一个项目里，工具之间并不独立，这时法则只能作为提醒，不能当精确解。第二，它假设目标可量化。而“产业升级”这类目标本身难以度量，度量方式一变，工具组合就要重排。第三，它忽略了执行层级。中央层面的目标到了市县，往往被压缩成一到两个考核指标，工具数量在执行中被再次削减。

对当下政策设计的启示

实用结论有三条。其一，先数目标，再数工具，目标多于工具时，要么增加工具，要么明确取舍，不要指望一个杠杆撬动全部。其二，把工具分配给弹性最大的目标，其余目标用别的工具补位。其三，给政策留一个可调整的维度，比如分年度调整补贴比例，让工具数量在时间上“变多”，从而缓解单期自由度不足的问题。

理论的价值不是提供答案，而是让人知道自己在哪个约束里做选择。承认约束，比承诺一个全能方案更接近可执行的政策设计。