當前位置:文書都 >

佛學經文 >易經 >

易經講解:為歷史背黑鍋的女人

易經講解:為歷史背黑鍋的女人

這一章是孔子將《周易》上經裏幾個卦的爻辭,提出他的心得意見,拿來講人生哲學的。前面我們講到“亢龍有悔”,孔子對這一爻的意見是:“貴而無位,高而無民,賢人在下位而無輔,是以動而有悔也!”我們拿平民老百姓作比方,這一卦的意思,似乎就是指退休的人而言。

易經講解:為歷史背黑鍋的女人

我常常想,退休的人,做了一輩子官,或者當了一輩子公務員,退下來便會感到很苦惱。但是古人相反,他們退下來,認為是過舒服日子的,因為他們把做官跟讀書連到一起了。地位越高,家裏的書房越大。男人一下朝回來,換上便服,除了跟家人子女稍稍談幾句話後,便進了書房,太太孩子都不進來了。等於皇帝進了御書房,連皇后都不能進來看的。女性也一樣,進了閨房,有她的事情。

所以説,古人一輩子都跟學問連在一起,讀書、寫字、作詩……忙不完的事。現在人一退休下來便非常寂寞,因為自己一無所長,不曉得自己幹什麼好。未退休以前,除了上班、簽到、打卡、開會、應酬、吃飯以外,一無所本,又沒得學問,這就很困難了!所謂“亢龍有悔,貴而無位,高而無民”的道理,就是如此。

這就是“亢龍有悔”的境界。地位越高,痛苦越多。

就政治團 體講,這個乾卦在古代就代表帝王、代表領導者。一般稱皇帝為九五之尊,即指乾卦的九五爻而言。因為九五爻在上卦之中,是最好的位置。到了太上皇就慘了!自古以來,政治權力就是一大問題。我們研究人類這種心理,年紀越大,權位越不肯放。等於有錢的家庭,有了財富,有了成就,到了年紀越大,説交 給子孫,死都不幹。

所以孔子研究人生的道理説:人在少年,戒之在色。這個時候,喜歡談戀愛。到了中年,戒之在鬥。這個時候,喜歡爭氣、爭事業。到了晚年,戒之在得。“得”是什麼都想抓住,尤其到了老年,覺得前頭有限,後慮無窮,沒得可靠的人!別的已沒得抓,只想抓權力、抓金錢,這是很可憐的。

我們歷史上很多帝王,研究他們的心理,就是這樣。像唐明皇是大家較為了解的.,其他的皇帝大家較不熟悉。唐明皇年輕的時候,很太保、也很有味道;好玩,也有氣魄。他很年輕便起來把韋皇后——武則天的兒媳婦推翻了。唐明皇廢掉了韋皇后,後來他就自己登基,為唐玄宗。

唐玄宗年輕時政治手段很高明,跟唐太宗一樣。但是到了晚年,卻把國家政治搞得一塌糊塗,大家都歸罪於楊貴妃,其實楊貴妃、西施,都沒有那麼壞,可以説不應該負歷史上的責任。這些跟她們都沒有關係。皇帝們的昏聵,決不是楊貴妃、西施讓他們昏聵的。這裏邊歷史的道理很多,可以説楊貴妃、西施,都是背了歷史黑鍋的人物。

昨天有位老朋友來,談起清兵入關時的陳圓圓,認為她真是禍水。陳圓圓是江 蘇常州人,這麼一個女性,影響了明朝以後三百年的歷史。吳梅村有詩形容:“全家白骨成灰土,一代紅粧照汗青。”很多人認為陳圓圓是歷史上的禍水,我認為陳圓圓是個很了不起的女性,最高明的是她的晚年。在昆明我去看過她出家的地方,那個園林很清雅。

她也曉得最後吳三桂不對,這還不算稀奇,她把李闖的一個部下,姓劉的大將抓到手裏,然後還説服吳三桂不殺他;不但不殺他,還把他放走,而後還使他心悦誠服地聽吳三桂的命令。可見陳圓圓的本事有多大,這個女人實在不簡單。後來她又想到吳三桂的做法一定不會成功,也就出家當尼姑了。陳圓圓未出家前,吳三桂太太死了,又討了一位正太太。

這個女人極不講理,又妒忌又霸道,吳三桂姬妾都受不了她的虐待與折磨。只有陳圓圓不但能與她相處,而且相處得十分融洽、十分親切,並以姐妹相稱。就憑這幾點就可知道陳圓圓的能力了。她以一個弱女子,能影響明朝以後三百年的歷史,這是大家所沒有體會到的。

這個道理説明吳三桂呀、唐明皇呀,乃至於吳王夫差呀,他們的壞,這個責任並不一定是要陳圓圓、楊貴妃、西施等幾個女人來承擔的。這是不公平的,應負責任的是他們自己。不過最可憐的還是唐明皇,郭子儀平了安祿山之亂,復國之後,唐明皇便當了太上皇。一當了太上皇就慘了!一切權位都交給了兒子,自己便鬱鬱而終了。

大家要知道人的心理,一個資本家不敢把財富交 給後代,權位也是這樣。我經常跟幾位在位的老朋友們講:你們要注意呀!權位就是魔鬼,沒有到手以前,這個人很好,一旦到手了以後,便會着魔的。有一位朋友聽了以後,一拍桌子就跳了起來説,你這話真對,一點也不錯!他引經據典地指出,有些人權位沒有到手以前,還滿好,還很可愛,一到了手便像着魔了一樣,六親不認了。這種地方大家要多作檢省和修養。

此外,權位很難交 下來的另一個原因,就是有權位的人,尤其到了年齡大的時候,總認為年輕人的經驗不夠、能力不夠、思想不成熟,所以不敢放手、不敢把權位交 下來。但是不敢交 下來的後果也是很慘的,造成了歷史上多少的悲劇。

  • 文章版權屬於文章作者所有,轉載請註明 https://wenshudu.com/foxuejingwen/yijing/ndwglr.html
專題