当一门学科不再被强制：英语降级问题里的分配机制

Lingming — Wed, 16 Sep 2026 10:00:00 -0400

每隔一段时间，关于英语是否应该继续作为中小学主科的讨论就会再来一轮。支持降级的一方会说，绝大多数人一生中用不到英语，把大量学时押在一门工具性语言上是一种浪费；反对的一方会说，英语是接触世界知识的接口，取消它等于主动降低一代人的信息带宽。两边都能举出相当有力的例子，讨论却很难推进。

我怀疑这不是因为其中一方不讲道理，而是因为双方在回答两个不同的问题。支持降级的人多半在回答「英语对一个普通人的平均价值有多高」，反对的人多半在回答「失去英语接口的代价有多大」。这两个问题都可以有答案，但它们不能互相反驳，所以争论只能不断重复各自的前提。

还有一个更具体的问题，双方都很少直接谈：如果英语的制度地位真的下降，这件事落在不同人身上的形状是不是一样的。

把「该不该」换成「谁会怎样」

我想把问题换成这一句：

当英语教育从一种由学校强制提供的公共品，转向更多依赖个人选择和市场供给时，英语学习机会会如何在不同社会群体之间重新分配？

这个替换有两个好处。它把价值判断暂时搁置了——回答它不需要先同意英语重不重要。它也把问题变成了可以被检验的东西：如果有人认为降级不会扩大差距，那是一个关于机制的断言，可以写下来，可以被反例推翻。

替换之后，第一件需要分开的事情是学科的制度地位和学生的实际能力。这两者经常被当成同一个东西，但它们不是。一个学生最终掌握多少英语，来自几条并行的通道：学校的课时与师资、家庭能提供的支持、校外市场和线上资源、以及他自己愿意投入的时间。制度权重只是其中一条。它下降之后会发生什么，取决于剩下那几条各自还剩多少——而这恰恰是因人而异的。

城市中产家庭的孩子失去一部分学校英语课，家里可能增加线上外教、原版读物或者课外班；欠发达地区的孩子失去同样比例的学校英语课，家庭那一栏本来就接近空白，校外那一栏可能根本不存在。同一个政策，同一个降幅，落地的结果可以完全不同。

两条路径，形状不一样

制度权重下降会通过两条路径影响能力，而这两条路径的作用方式并不相同。

第一条是供给。课时减少是直接的，但还有一层容易被忽略：学科地位下降之后，英语教师会逐渐被调去别的岗位，而这个过程在不同地方的速度不一样。家长的保留压力越强的地方，教师流失得越慢。所以低资源地区可能同时承受两件事——课时变少，剩下的课质量也下降。

第二条是激励。考试权重下降之后，即使课时和教师都没变，学生的投入也会下降。但这条路径对不同人的作用不同：对一部分家庭来说，英语的价值从来不只来自升学考试，还来自留学、职业或者家庭本身的预期。考试压力撤掉之后，这些家庭的投入不会同步塌掉。

这两条路径还有一个结构性差别。学校的课是强制的，一个不投入的学生坐在教室里仍然会吸收一部分；校外的资源不是，它完全由投入门控。所以减课时和减考试压力，伤害的人群并不重合。

真正决定分配的，是补偿项的形状

上面这些都还只是「谁受影响多一点」。真正把问题变成分配问题的，是第三件事：学校退一步的时候，有能力的家庭会补一步。

这一步的量不是人人相等的。它与家庭本来就能触及的资源成正比。把它写下来大概是这个样子：

$$A_i = capacity_i \times avail_i \times \big(1 + \rho \cdot \text{shortfall}_i\big)$$

capacity 是家庭和学生自己能投入的能力（钱、注意力、父母的英语水平），avail 是当地能不能买到或者连得上，shortfall 是学校这次实际少给的部分，$\rho$ 是补偿强度。

这个式子里有两个可以被检验的主张。

第一个是乘法：capacity 和 avail 相乘，而不是相加。意思是有钱但当地没有供给、有供给但家庭付不起注意力，两种情况都补不回来。如果写成加法，任何一边都可以单独救场，那会是一个不同的模型，也会得到不同的结论。

第二个更关键：补偿项也是乘法。$1 + \rho \cdot \text{shortfall}$ 乘在原来的可及性上，所以一个 $A_i$ 已经接近零的家庭，无论补偿强度多大，结果仍然接近零。补偿不会让任何人变强，它只是让本来就够得着的人少损失一点。

让它跑起来

有了这些，就可以写成一个最小的可运行模型：两万个虚拟学生，三个资源层，每人有自己的当地师资、家庭社会经济地位、学习动机，以及一个代表天赋与既往接触的效率残差。政策是四个可以独立调的数：学科权重 $S$、考试权重 $P$、面向低资源地区的师资保障 $G$、公共数字资源 $D$。能力按年更新：

$$E_{t+1} = E_t + \eta I (1 - E_t) - \delta E_t$$

用饱和增长减线性遗忘，而不是简单的「学了加、忘了减」，有两个理由。简单加减跑十年会发散或者跑到负数，而这个形式恒在 $[0, 1)$ 内。更有用的是，它的长期解是闭式的：$E^{\ast} = \eta I / (\eta I + \delta)$。也就是说，这个模型的长期回答本来就是一个公式，模拟真正提供的是谁落在哪里（分布）和多快到达（瞬态），而不是一个需要靠仿真才能得到的数字。

所有情景共用同一批学生，同一组随机数。要估的是同一个人在两种制度下的差 $\Delta E_i$，共用抽签能让抽样误差在相减时抵消；独立重抽会让方差大一个量级，而分布的尾部恰恰是最吃这个方差的地方。

我把模型做成了一个可以在浏览器里跑的页面：英语退出主科之后。下面的数字都来自它，参数取默认值，跑十年。

跑出来的三件事

先把五个情景的结果一次列全。$S$ 是学科权重，$P$ 是考试权重，$G$ 是面向低资源地区的师资保障，$D$ 是公共数字资源；后面几列是跑完十年之后的结果。手机上这张表要横向滑一下。

情景	$S$	$P$	$G$	$D$	全国均值	Δ均值	跌破基础线	城市层	普通县市	欠发达层	Δ地区差距
A 当前制度	1.00	1.00	0.30	0.20	0.506	±0.0	13.8%	0.0%	2.1%	38.9%	±0.0
B 完全取消主科	0.45	0.25	0.30	0.20	0.350	−15.6	52.9%	3.4%	44.4%	97.5%	+4.5
C 降低权重但保留	0.75	0.60	0.30	0.20	0.435	−7.0	30.0%	0.3%	11.9%	74.6%	+2.7
D 降低权重 + 师资保障	0.75	0.60	0.85	0.25	0.482	−2.4	14.3%	0.1%	4.6%	37.0%	−4.2
E 非主科 + 全国数字英语	0.45	0.25	0.55	0.90	0.404	−10.1	37.3%	2.5%	22.8%	80.2%	−0.7

（变化量的单位是百分点。基础线定在能力 0.35。）

情景 A 是参照系：所有学生都从当前制度下的稳态出发，所以它跑多少年都不动，后面每一行的位移都可以归给政策改变。这些小数点不是抽样噪声——换六个不同的随机种子重跑，情景 C 的欠发达层跌破比例落在 74.5% 到 74.9% 之间，全国平均变化落在 −7.03 到 −7.05 之间。

第一件：平均值会掩盖要害。

「降低权重但保留」这一档，全国平均能力掉 7.0 个百分点。城市高资源层跌破基础线的比例从 0.0% 变到 0.3%，几乎没动；欠发达层从 38.9% 变到 74.6%。只看第一个数字，这是一次温和的调整；只看最后一个数字，这是另一回事。如果一份评估报告只报告全国均值，它不会写错任何一个数，但会漏掉全部要害。

这里要把机制说准，因为很容易讲错。各层的损失并不悬殊：城市层平均掉 5.2 个百分点，欠发达层掉 7.9 个，后者是前者的一倍半，不是十倍。真正把跌破比例推上去的是起点位置——欠发达层里有三分之一的人，基线水平本来就在基础线上方八个百分点以内。把全国平均那 7.0 个百分点均匀地加在每一个人头上，什么差别化机制都不要，欠发达层的跌破比例也会从 38.9% 升到 68.4%；模型算出来的实际值是 74.6%。也就是说这个结果里大约八成来自「谁本来就贴着线」，只有大约两成来自「谁损失得更多」。

这个区分很重要。它说明平均值的误导性不需要任何阴谋式的机制就能产生：一个对所有人一视同仁的冲击，落在一个分布贴着阈值的群体身上，就足以让阈值指标爆掉。差别化损失是真的，但它是第二位的。

第二件：同样是降权重，配不配师资保障是两回事。

模型里有两个情景的学科权重和考试权重完全相同，只差一项面向低资源地区的师资保障。欠发达层的结果分别是 74.6% 和 37.0%——后者比当前制度下的 38.9% 还略好一点。这说明「降低考试压力」和「让底部失去英语输入」并不是必然绑在一起的两件事，它们之所以看起来绑在一起，是因为讨论里通常只有一个旋钮。

第三件：公共数字资源有效，但有天花板。

另外两个情景只差公共数字资源的强度。普通县市那一层，跌破基础线的比例从 44.4% 降到 22.8%，改善明显；欠发达层只从 97.5% 挪到 80.2%。原因在模型的结构里：数字资源只进 avail，不进 capacity。它能改变「能不能连上」，改变不了「连上之后有没有人用得起来」。这与数字鸿沟研究里接入差距与使用差距的区分是同一个形状，不过这里只是结构上的相似，不构成对那些实证结果的引用。

最反直觉的一条

如果你不同意上面这些，最自然的反驳是：市场会补上。学校退出留下的空缺，会被培训机构、在线课程、AI 辅导填掉，所以担心是多余的。

这个反驳可以直接在模型里试。把「校外渠道相对课堂的效率」推到两倍，把「家庭补偿强度」推到最大，同时把最可争议的师资流失假设归零、把考试激励的作用也归零——一次性把所有旋钮都拧到最有利于「市场能接管」的一端。

结果是：全国平均的降幅从 15.6 个百分点收窄到 5.1 个百分点，但地区差距扩大了 10.4 个百分点，比默认假设下的 4.5 更大。

这个预设一次动了四个旋钮，也顺带改变了基线，所以我又单独试了一次：只把「校外渠道效率」和「家庭补偿强度」推满，考试激励和师资流失都保持默认。这时基线几乎没动，而地区差距扩大了 11.6 个百分点——比一次动四个旋钮时还多。所以这个结果确实来自替代机制本身，不是基线位移造成的错觉。

单独看补偿强度这一个参数，趋势更清楚：

家庭补偿强度 $\rho$	全国平均变化	地区差距变化	欠发达层跌破基础线
0（没人补）	−18.1	+0.3	98.2%
1（默认）	−15.6	+4.5	97.5%
2（市场接管）	−13.4	+7.9	96.5%

（单位：百分点。）

家庭补偿得越彻底，全国平均看起来越没事，差距扩大得越多。这两件事不是巧合，它们是同一个参数造成的：补偿项是乘法，所以替代效率提高，得利的恰恰是本来就能替代的人。

也就是说，「相信市场能补上」并不能推翻分配结论。它让平均值变得更好看，同时让平均值变得更没有信息量。

一个参数全是设定的模型，凭什么有用

到这里有一个必须说清楚的问题：上面每一个系数都是我设定的，没有一个是从数据里估出来的。基线那几个数字——城市层均值 0.64、欠发达层 0.38、全国 13.8% 在基础线以下——是按「城乡有明显落差、少数学生达不到基础交流水平」这个常识性印象标定的锚点，不对应任何一次真实测量。

这样的模型不能用来预测。它给出的任何一个百分点都不该被当作对真实政策后果的估计。

但它仍然有两件事可以做。

第一，它把立场变成了可以检查的结构。 「市场会补上」这句话，作为一个立场只能反复陈述；写成 $1 + \rho \cdot \text{shortfall}$ 乘在可及性上之后，它就有了可以被追问的地方：补偿是乘在原有可及性上，还是加在上面？如果是乘，那么补偿强度提高会同时缩小平均损失和扩大差距——这是一个可以被数据证伪的联合预测，而不是一句态度。

第二，它能区分哪些结论稳、哪些结论不稳。 我把五个假设铺成一张网格，405 组参数各跑一遍两个降级情景，一共 810 次检验，然后看每句话在多少次里成立：

说法	成立比例
全国平均能力下降	810 / 810
底部人群跌破基础线的比例上升	810 / 810
底部人群的损失大于顶部	596 / 810
地区差距不缩小	596 / 810

前两句在网格上没有例外。后两句有四分之一的反例，而且反例不是随机分布的：它们几乎全部落在校外渠道效率为零、家庭补偿强度为零的那些格子里。这有一个清楚的解释——如果校外根本没有东西可买、也没有人会补，那么降级伤害最大的反而是师资本来最好的地方，因为它们能损失的东西最多。这时候差距会缩小，同时所有人都变差。

所以「差距会扩大」不是关于降级的断言，而是关于替代的断言：它成立的前提是校外渠道确实存在、家庭确实会补。我原先在这里写的是「在所有取值下地区差距都没有缩小」，那是错的，扫完网格才看出来。这恰恰是把模型写出来的用处——它让一句听上去合理的话变得可以被自己的参数推翻。

Joshua Epstein 有一篇短文专门谈这件事，题目就叫《Why model?》。他的论点是，预测只是模型众多用途中的一个，而且往往不是最重要的那个；澄清机制、暴露不确定性所在、发现哪些直觉其实互相矛盾，这些用途不需要模型准确，只需要模型明确。

这个模型不做什么

它的边界也需要说清楚，否则上面的话会被读得太重。

师资流失那一条，我让学科地位下降在低资源地区同时减课时和减教师，这等于把倾向性写进了假设。缓解办法是把那个参数留给读者归零——归零之后欠发达层跌破基础线的比例仍然从 38.9% 升到 95.2%，差距仍然扩大 3.1 个百分点。所以结论不靠这一条撑着。但它仍然是一个假设，不是一个发现。

模型里没有一般均衡：家庭之间不竞争名额，培训市场的价格不随需求变化，教师不跨区流动，英语和其他学科不争夺同一段时间。这些都会改变结果的量级，有些可能改变方向。

指标也会饱和。最激进的那一档情景下，欠发达层跌破基础线的比例达到 97.5%，已经贴着上限，这时它分辨不出更坏的情况。饱和本身是个信号：那一档政策的量级超出了这个指标的分辨范围。

基础线画在哪里会明显改变数字。我把它从 0.25 扫到 0.50：欠发达层跌破比例的增幅在 0.35 附近最大（+35.7 个百分点），往两边都会掉下去，画在 0.25 是 +20.3，画在 0.50 只有 +8.7。方向在每个位置都一样，幅度不是。这是所有阈值指标的共同性质——增幅必然在某处取到极大值——而不是这个政策的性质。既然如此，把线定死就等于我替读者选了最好看的那个数字，所以页面上它是一根滑块：上面引用的每一个百分点，你都可以自己换掉再看一遍。

还有一条是模型结构造成的限制：在欠发达层内部，家庭条件好并不能自保——那一层里最富的五分之一和最穷的五分之一损失几乎一样（7.97 对 7.63 个百分点）。原因是模型把「当地买不买得到」设成了地区属性，所以一个穷县里的富裕家庭没有更好的市场可买。只有把公共数字资源推到高位（情景 E），这一层内部才会出现家庭条件的梯度。这既是一个可以讨论的机制主张，也是一个需要警惕的简化。

还有一个乍看像 bug 的行为：在最乐观的假设组合下，页面会显示某些情景的全国平均高于当前制度。它不是计算错误，而是「市场比课堂更有效且家庭补得上」这句话的字面含义——对本来就补得上的那部分人，学校退出确实是净收益。平均值上升和底部恶化在同一组参数下同时出现，这本身就是不该只看平均值的理由。

回到开头

这个模型不会告诉你英语该不该继续做主科。它做不到，也不应该被用来做这件事。

它能做的是把争论的焦点挪一个位置。原来的问题是「英语重不重要」，这个问题大概率永远争不完，因为它对不同的人有不同的真答案。换过之后的问题是：如果减少一门学科的制度保障，哪些人手里还有别的通道，哪些人没有，以及有没有办法在减少考试压力的同时不动那条通道。 后一个问题至少有机会被证据回答。

模型里那个「降低权重 + 师资保障」的情景之所以值得注意，不是因为它是一个可以照搬的方案——它的参数是我设定的，它证明不了任何现实中的可行性——而是因为它显示了一件事：在这个机制结构里，考试压力和底部机会是两个可以分开处理的旋钮。真实世界里它们能不能分开，是另一个问题，而且是一个更难的问题。

但如果连在模型里都分不开，那么讨论确实只能停在「该不该」上。现在至少可以问下一个问题了：在真实的制度约束下，那个保障要多强、要投在哪里，才够得上模型里这一档？

参考资料

Cunha, F. & Heckman, J. (2007). The technology of skill formation. American Economic Review 97(2), 31–47.
Epstein, J. M. (2008). Why model? Journal of Artificial Societies and Social Simulation 11(4), 12.
Saltelli, A., Ratto, M., Andres, T., Campolongo, F., Cariboni, J., Gatelli, D., Saisana, M. & Tarantola, S. (2008). Global Sensitivity Analysis: The Primer. Wiley.
Merton, R. K. (1968). The Matthew effect in science. Science 159(3810), 56–63.
DiMaggio, P. & Hargittai, E. (2001). From the “digital divide” to “digital inequality”: Studying Internet use as penetration increases. Princeton University Center for Arts and Cultural Policy Studies, Working Paper 15.
互动模型：英语退出主科之后

模型 on Lingming 灵明