王道一 Joseph Tao-yi Wang

台大經濟系第六屆孫震講座Jeffrey Ely演講現場聽打紀錄 by 王道一

第一講：用測驗來篩選(Screening with Tests)
時間：12 月 22 日（星期一）13:30–15:00

我們考慮追求利潤極大化的獨佔廠商(如ETS)如何設計大學入學測驗(如SAT)。獨佔廠商的利潤極大化會產生不效率，因為最大利潤的設計是讓資訊揭露不完整，只要剛好讓(申請資料)好(的)學生被錄取、壞學生沒有機會被錄取即可。

模型如下，學生的能力\theta是0或1，但所有人都不知道\theta是多少，連學生也只知道自己(跟能力正相關的)申請資料好壞\mu介於0和1之間。

學生可以選擇支付\phi的費用參加標準化測驗，得到好成績(\rho_1)或壞成績(\rho_0)。學生選擇送(某幾次的)成績給大學，據以申請大學。這裡我們允許學生考好幾次、選擇送哪幾次的成績，但費用不能跟成績掛勾。

學生的報酬取決於能否被錄取(還有費用多少)。如果允許學生付多次的錢參加多次測驗，他送給學校的最高成績會增加。而且最好的學生會願意付更多錢參加多次測驗，以提高他們入學的機會。學生的均衡應考選擇最終可以化約為「有\sigma(\mu)的機會得到好成績\rho_1」。

學校收到學生的申請資料\mu和測驗結果\rho_0或\rho_1，然後決定用某個機率來率取該生g(\mu, \sigma(\mu))。我們假設均衡的時候，學校的錄取策略是單調的，表示申請資料愈好的學生，被錄取的機率愈高。因此，均衡時學生會希望按照其真實申請資料\mu來做，表示誘因符合(Incentive Compatible)。

獨佔廠商的設計問題可以簡化為讓\theta = 0或1的兩種學生有不同的測驗結果，而此結果只需要包裝成「剛好值得錄取」或「不值得錄取」即可。獨佔廠商極大化報酬的結果是，對於某個程度\mu_bar以下的學生總是給予「不值得錄取」的成績，但對於程度更好的學生則逐步要求他們考更多種測驗、付出更多報名費，但有更高機會拿到「剛好值得錄取」的成績。

第二講：管理隨時間逐一進來的資訊 (Managing Information Over Time)
時間：12 月 23 日（星期二）14:00–15:30

我們考慮在一段時間內逐一進來的資訊如何影響人們的行為、動機跟情緒，比如說精采的球賽最後大逆轉。

首先我們看逐一進來的資訊如何影響行為，不管是因為這是輕推(nudge)、小獎勵或代替昂貴的金錢誘因。一個有趣的例子是你的手機上的推播通知，因為你可能想要關掉它、避免干擾，但也可能想要增強它，特別是當你期待收到通知的時候。

因此我們考慮email隨著Poission(\lambda)分配進來，當你認為有p*的機會已經有新的email進來，你就會去檢查email。這樣你可以算出在t*時間點，有新email的機率是p*，但你的email信箱也可以自動出聲提醒有新email進來。這兩種哪一個會讓你更不受干擾、好好工作？當p*=0.63的時候，你不如直接使用出聲提醒。而且email自動提醒可以延後才通知，進一步提高不受干擾的工作時數。

接下來我們考慮一個主事者─代理人模型，代理人(比如說員工、研究生)付出努力、主事者(經理、指導教授)提供回饋，鼓勵代理人繼續完成工作。在這裡，逐一進來的資訊是唯一的誘因，因此資訊會不完整、直到完成工作(論文)，彷彿終點不斷往後退。主事者心中對工作的難度有一個估計，然後根據其估計給予代理人資訊回饋。

在一開始的時候，當工作比較困難的時候，主事者會隨機送出混合的資訊，有時候老實說工作困難、有時候騙代理人說工作很簡單、其他時候都會老實說工作簡單。但在工作接近尾聲的時候會反過來：當工作比較簡單的時候，主事者會隨機送出混合的資訊，有時候老實說工作簡單、 你完成了，有時候騙代理人說工作困難、你還要努力。其他時候則會老實說工作很困難。

給定這兩者，我們可以解出主事者的最佳做法是在一開始都不給任何回饋，直到代理人做到某個程度才開始給予回饋。這樣的資訊誘因足夠讓代理人從一開始努力工作。但當給予完全資訊回饋、誘因都還不夠的時候，主事者必須一路假裝說工作很簡單，但一直讓終點線往後移動、直到最後才揭露真相。

最後，我們考慮球賽的精采程度，比如說2011年美國網球公開賽準決賽中喬科維奇在五盤大戰中精采擊敗費德勒，但納達爾毫無懸念地擊敗穆勒。這裡，精采程度可以用勝率的改變來描述，不管是懸念(Suspense)──勝率可能改變的範圍，還是驚喜(Surprise)──實際的勝率改變。

如果你是懸疑小說家，你該如何設計一個平賭(martingale)隨機過程讓勝率改變來極大化精采程度？我們解出來的最佳設計是在某些時候你必須讓過程平淡無奇，讓無聊中突然出現驚喜，不然讀者或觀眾就會一直預期有驚喜，以致驚喜不再是驚喜。這是因為所有平賭隨機過程的變異都會相同，而且變異會隨著剩下多少時間而等比例下降。

回到球類運動，籃球是驚喜不斷的範例，因為逆轉再逆轉很常見，而足球則是極大化懸念的例子，因為有長時間的無聊過程、一旦進球則會大幅改變結果。(雖然我們認為要極大化懸念，足球應該要進一步修改規則，變成黃金進球──最後進球的球隊獲勝，而且球門要隨時間縮小，這樣才會讓勝率改變的隨機過程更接近前述懸疑小說家的最佳平賭過程。

2025年12月15日(一)14:00-15:40宋恭源頂尖研究講座暨臺灣橋梁計畫諾貝爾獎得主演講系列現場聽打紀錄 by 王道一

講者：2007年諾貝爾經濟學獎得主Prof. Eric S. Maskin
講題：為什麼全球化沒有成功降低不平等(Why Globalization Has Failed to Reduce Inequality)
地點：錢思亮紀念講堂

很高興能再次回到台大演講。我要講的主題是全球化──過去二十年有愈來愈多商品和勞務的跨國貿易，甚至是跨國生產，因為貨運成本下降，跨國溝通成本也因為網際網路而大幅下降，而且貿易壁壘也漸漸消除(雖然今年不減反增)。

全球化號稱會為新興國家帶來繁榮，正如中國和印度過去幾十年所經驗的。台灣即使是富裕國家，也因為全球化而得利。與此同時，全球化雖然希望降低新興國家人民之間的不平等，但像中國等地的不平等卻因為全球化而不減反增。

富裕國家的所得不平等是熱門新聞，但我今天要講的是新興國家中的不平等，因為人們在乎公平正義，而且新興國家需要消除貧窮，避免政治不穩定。

新興國家的不平等加劇，跟從李嘉圖以降兩百年來經濟學家相信的比較利益截然相反。舉例來說，一個典型的國際貿易模型是兩個國家，窮國與富國，各自用高技術和低技術兩種人力資源來生產兩種商品，比如說軟體或稻米。在全球化以前，兩國各自都要生產軟體或稻米。

但在全球化以後，窮國專注生產稻米、富國專注生產軟體，因此窮國的低技術勞工需求上升，富國的高技術勞工需求也上升。因此，對窮國人民來說，低技術勞工待遇會改善，降低不平等。的確，從十九世紀下半葉開始歐洲和美洲的貿易確實符合此一預測。

弔詭的是，進入廿一世紀，全球化似乎並沒有降低不平等。因此，我和我的學生Michael Kremer一起寫了一個新的模型，嘗試解釋目前的全球化──特色是跨國生產，像個人電腦就是在許多不同國家生產零件、甚至在不同國家組裝而成。

我們修改前述模型，讓技術力分為ABCD四級，富國的勞工多半為AB級、窮國的勞工多半為CD級。生產活動則分為受到技術力影響的管理職工作M，還有不太需要技術的一般工作S，而且生產函數F=S*M^2。

此時，管理職和一般勞工的匹配就很重要。舉例來說，如果高低技術勞工的生產力差距不大，比如說A=4, B=3，讓一位A籍勞工搭配一位B級勞工會讓總生產力最大，因為
3*4*4 + 3*4*4 = 48 + 48 = 96 > 4*4*4 + 3*3*3 = 64 + 27 = 91。
但如果是高低技術勞工的生產力較大，比如說A=4, C=2，那讓兩位A籍勞工搭配、兩位C級勞工搭配會讓總生產力最大：
2*4*4 + 2*4*4 = 32 + 32 = 64 < 4*4*4 + 2*2*2 = 64 + 8 = 72。

放在全球化的框架下，這表示窮國的高技術勞工(比如說C級)有機會跟富國的勞工(比如說B級)強強聯手，以致窮國的低技術勞工(比如說D級)就只能弱弱配對，使得不平等加劇。

那我們該怎麼辦？難道要停止全球化嗎？從過去歷史來看，停止全球化只會更糟。正確的作法是提供窮國的低技術勞工職業訓練，提高它們的技術力、讓他們有機會跟富國勞工匹配。這樣的職業訓練需要由政府直接出錢或補貼企業來做，不然勞工自己可能沒錢做、企業沒有誘因要做。

我的問題：(有機會當場和私下問了兩題)
1. 台灣正在推動雙語國家，但許多中小學老師怨聲載道。但雙語教育是否就是讓台灣勞工可以跟先進國家匹配的關鍵？

答：對，雙語能力肯定是讓D級勞工跟國外勞工匹配的關鍵沒錯！像美國人就很習慣電話客服的另一端是印度人，因為他們有雙語教育。

2.「兩國」之間的情況跟「兩個公司」、「兩個城市」、「兩家人」之間的情況有什麼不同？因為在許多其他情況，兩個開始貿易的主體各自是獨裁體制（家長制或公司老闆說了算），不然就是都受同一個更高的政府管轄，所以即使有人受損也不會有「反全球化」。

答：這些都很有趣，可能需要一個個來延伸處理。不過世界政府可能不是一個好主意。

3. 有人會把全球化跟技術進步類比。這個模型對全球化適用，但是不是也對其他「技術進步」也一樣適用呢？

4. 如果要由政府補貼受損員工的轉職訓練，像這種補政府補貼在台灣通常的問題是如何分辨哪些是真正受損的員工等等，因為不一定會說真話。通常在台灣的結果是政治解決，但從機制設計的角度是不是有更好的建議來分辨哪些是需要補貼的員工？

2025計量經濟學會世界大會(World Congress of the Econometric Society)現場聽打紀錄
地點：韓國首爾COEX國際會議廳

19th August, 2025

14:15 - 16:15 Experimental and Behavioral Economics/Games II

Using Big Data and Machine Learning to Uncover How Players Choose Mixed Strategies (Akira Matsush*ta)

我們收集大量O’Neill Joker game的混和策略均衡實驗資料，比較機器學習模型和EWA學習理論模型，發現當資料量增加(一般實驗資料量的六倍)的時候，機器學習模型才能預測得比行為模型EWA更好(低KL divergence)。

由於一般沒有辦法收集到這麼多資料，我們開發新的混和EWA模型，把機器學習的發現加進去──我連續選Joker (或對手連續選Joker)會影響下一回合我的選擇。這個新模型能在一般實驗資料量下得到很好的結果。

Good-Citizen Lottery (Duk Gyoo Kim)

我們考慮「好公民大抽獎」，用抓到壞行為的罰款當獎金，讓一位好公民抽中。實驗結果顯示，當人數增加的時候，人們並不會如理論預測增加壞行為，雖然人們對被抓機率有反應。風險趨避程度無法解釋這種行為，但主觀機率評價可以。

From Partisanship to Preference: How Identity shapes Dependence Aversion (Holger Herz)

認同是否會影響人們把決策權交給別人，特別是當所有選項對你沒有差異的時候？我們在美國用Prolific做線上實驗，先找到對受試者沒有差別的兩個樂透，然後測量「選擇兩個對你效用相同的選項/樂透、而非交由他人決定」的願付價格，當作選擇的價值。

我們在不同實驗組對照組中改變「他人」的群體認同，實驗組設定為支持民主黨或共和黨，對照組則無政黨傾向。實驗結果顯示，當他人非同黨支持者的時候，自己選擇的價格約為同黨支持者的兩倍。整體而言，共和黨支持者願付價格較高，但對照組的願付價格不論政黨傾向均相同。改用最小組內認同或性別認同都沒有顯著結果。

Unveiling Lies in Disguise: A Test of Lying Aversion Theories (Jin Sohn)

我們考慮幾種解釋擲六面骰申報數字領取報酬的實驗結果的理論，一個是只會往上謊報、而且不同骰子結果謊報某個數字的機率都一樣，另一個是只有在誘因夠大的時候才謊報、而且就報很大的數字。

為了區分哪一個解釋比較正確，我們在實驗中詢問：「有些人擲出數字1/2/3/4/5/6，請你預測他們申報不同數字的機率各是多少？」然後根據申報不同數字的平均答案正確與否(這是實驗者唯一知道的數字)給予報酬：在2%以內則給予五元人民幣。

實驗結果顯示，人們的預測跟實際結果很接近，很少人會往下謊報，而且謊報數字6的機率不管骰子骰到多少幾乎都是30%，而且謊報數字愈大、機率也愈大(理論都沒有預測到)，但謊報數字n的機率幾乎都跟骰到多少無關。但人們並沒有「只有在誘因夠大的時候才謊報，而且就報很大的數字」。

Social Identity in Network Formation (Ying Chen)

人們似乎喜歡跟同質性高、共同點多的人(homophily)交朋友，但因此讓少數族裔在主流社群被忽略。我們使用兩種不同音樂來將人分群VG或WT來製造最低組內認同，讓人們有ID標籤VG1, VG2, …, VG6, WT1, WT2, …, WT6。然後我們進行25回合的網絡建構，選擇跟哪些人建立連結(要雙方都建立連結才會實現)、哪些人解友，並顯示交友或解友的ID標籤。接著人們要選擇「計畫支出」，會影響自身報酬和連結好友的報酬──每個人的報酬取決於自身計畫支出和好友計畫支出的中位數。

我們的實驗組設計是「一開始有兩位同質性高或低的好友(I或O)」和「流動成本高或低(80或30)」的2x2設計。實驗結果顯示，人們更傾向選擇跟自己同音樂群的人建立連結，在高流動成本下更少把同音樂群的人解友。在高流動成本下，人們更看重別人的過去歷史，傾向對自私的人解友。

16:45 - 18:00 Walras-Bowley Lecture
Association Rules: An Axiomatic Approach (Itzhak Gilboa)

我從當Schmeidler的研究生開始研究人們的信念如何形成，如何違反貝氏定理、期望效用理論等公設。現在我則看以個案(case-based)或規則(rule-based)為基礎的決策，比如說在新科博士就業市場上「某名校畢業的就會找到好工作」、「數學系主修的畢業生會找到好工作」，在戰場上「兵力多的會打贏兵力少的國家」，在預測AI所帶來的大未來上「人們會因為科技進步而獲益、找到更好的工作」。

個案要累積到甚麼時候才會變成規則？這是早在休謨就要處理的歸納法問題，但好像沒有很好的答案。現在用AI或機器學習，則是在學習特定變數的時候使用監督學習，否則就是單純從資料中發現規則的非監督學習。古時候有更多AI的學習法，像是基因演算法等等，而類神經網絡演算法其實不太成功。

我們建立一個研究「模型如何預測正/反結果」的模型，但允許模型覺得「兩者沒差」。比如說，我們觀察五回合的結果0或1，然後看哪些規則符合觀察結果，建立信念(credence)函數。我們則是定義「相似函數」，並將之公設化。(為什麼要公設化？我們可以用來建立協助人們做決定的專家系統，而且也能將決策模式背後的道理講清楚，比如說博士班入學審核是否有歧視。)

根據文獻，我們假設「有序公設」、「合併公設」(兩個資料庫如果結論相同，合併起來的資料庫結論也應相同)和「阿基米德『三人成虎』公設」(當兩個資料庫結論相反，其中一個資料庫如果不斷複製加入、結論就會根據該資料庫)，還有「單一證據公設」和「最後一個舊公設」。然後加入新公設：如果資料庫裏面某項變數都沒有出現某個結果，那出現該結果不應該影響結論。給定六個公設，存在唯一的決策規則。

這樣的規則可以解釋，比如說在重複囚犯兩難賽局或蜈蚣賽局中，「我對別人好，別人也會對我好」的互惠規則確實可以在一開始很有用，但是接近結尾的時候就會遇到有人違反規則了。

Wednesday, 20th August, 2025

09:00 - 10:45 Computer Science, Economic Theory, and Markets

Computer Science Tools in Economics: Reductions, Ratios, and Regrets (Jason Hartline)

首先歡迎經濟學家投稿ACM會議，因為許多經濟學問題可以用AI來處理的。使用在經濟學的資訊科學的工具，首先是穩定性(robustness)，雖然經濟學會用絕對穩定性、資訊科學則是用比例穩定性(或後悔穩定性)。其次是不後悔學習(no-regret learning)，也就是事後不會想要改變策略。在同步賽局中，這跟自我確認(self-confirming)均衡。

穩定性(robustness)是在不同未知參數下，依然能有好結果。相較於經濟學會用max-min或min-max絕對穩定性，資訊科學喜歡能夠放大規模(scale)的比例穩定性(ratio robustness)。絕對穩定性在誤差e小的時候很好用，但當我們不確定誤差e多大，或事前就知道需要放大規模的時候，比例穩定性或後悔穩定性就更好。

舉例來說，如果買家的價值v界於1和H之間，max-min絕對穩定性會訂價在p=1，但比例穩定性則會隨機訂價G(p)=(1+ln p)/(1+ln H)，後悔穩定性會隨機訂價G(p)=1+ln(p/H)。三者各有優缺點。

另外一個例子是買賣雙方一對一的雙邊交易，但買方價值v和賣方成本c的分配均未知。次佳2階逼近機制是隨機提議機制：隨機決定由買方或賣方提議某個價格、另一方只能接受或不接受。如果事前決定由買方提議、則對買方最佳，事前決定由賣方提議、則對賣方最佳。後續文獻則找出最佳機制。資訊科學常用「考慮最壞狀況也不後悔學習(worse-case no-regret learning)」。

參考Regulation of Algorithm Collusion (Hartline, Long, Zhang, 2024)的模型，我們考慮兩個賣家i=1,2，各自成本c_i、各自訂價p_i，買家v_j一個個出現選擇最便宜的商品購買，極大化v_j – p_i。在此重複訂價賽局中，強化學習演算法會收斂到比競爭均衡更高的價格，表示賣家在勾結。相反地，不後悔學習則會收斂到賣家不會勾結的自我確認均衡。

舉例來說，如果高或低價值買家是隨機出現，賣家訂高價有時會賣不出去，以致有後悔，但訂低價則會錯過賣好價錢的機會。如果不知道「另一個策略的結果」，存在賣方演算法可以讓後悔在長期消失，而且假設不後悔學習，我們可以推論賣方成本。

最後，我們考慮學習演算法能不能避免被操弄：沒有校準後悔 (no-calibrated-regret) 的學習不會被操弄，除了面對Stackelberg領先者被迫學會後進者的最佳反應之外。但許多沒有事後後悔(no-hindsight-regret)學習則會被對方操弄。

Algorithms and Competition in Agentic Markets (Giacomo Calzolari)

愈來愈多市場允許投資人交由代理人或演算法幫你下單，甚至有代理買家搜尋商品再買下來的服務。因此，相較於傳統產業結構講的競爭市場中買賣雙方都是價格接受者，AI參與的市場會有獨佔力的AI買家、AI賣家在市場上重複互動交易。這些代理下單演算法包括固定價格、記得過去交易品質的Q-learning演算法，短視不會往前看的演算法，甚至是預測未來的演算法。

比較簡單的代理賣家下單的演算法容易卡在太高的價格，即使有記憶的Q-learning也一樣。因此後續文獻嘗試解決這個問題，不管是更好的市場機制來避免，還是更好的演算法、甚至引入大語言模型(LLM)來改進。有趣的是，我的前同事David K. Levine最新的研究顯示，當演算法公開給對手知道的話，唯一的均衡是勾結均衡。

最新的文獻則開始討論代理買家下單的演算法，比如說透過買家在網站是的瀏覽與點選紀錄來訓練演算法了解買家的偏好、進而代理下單。舉例來說，Amazon和Netflix會建立消費者與商品配對價值的評價矩陣，並用來估計消費者需求，甚至提供建議。但這邊可能有利益衝突與勾結的空間。

最後，我考慮代理買家演算法對上兩個勾結賣家演算法會如何。相較於靜態的買家，代理買家演算法能找到更好的價錢，因為演算法會假裝對價格更敏感、把需求往前挪(到未來去)。如果是一對一的代理買家對上代理賣家演算法，當兩邊都能策略性假裝需求和供給，我們的模擬結果顯示，幾乎所有時候都會達到最有效率的結果，但交易的好處幾乎全部被買家拿走，賣方幾乎沒有利潤，雖然原因還不太清楚。

Nicole Immorlica(Chair)的評論：我目前在微軟研究部門，但是七天後會加入耶魯經濟系。我要討論經濟學如何影響微軟(或google、臉書等公司)的研究部門。

首先，產品訂價是微軟研究部門的重要課題。由於現實世界沒有完美的設計者，因此如何在不完美的情況下設計廣告拍賣等訂價機制就很重要。然後由於環境變動頻仍，因此設計「沒有後悔」的自動下單系統就很重要，這個經濟學提供不少福利與效率上的理論基礎。

另外，演算法了解市場的供給與需求，以致能協助人們下單。這表示演算法的策略空間不只是訂價，而是「如何代表買家做決定」。

最後，由於LLM的進步迅速，許多目前看到的結果幾年後都不會適用，但根據經濟學理得到的結果會長久適用。

11:15 - 12:45 Text and Data in Economics and Finance

Economic Representations (Suproteem Sarkar)

我嘗試用財經新聞大數據訓練大語言模型來代表不同公司的估值。為了不要使用未來資料，我用歷史新聞資料訓練出來的StoriesLM當基礎，用不同報紙編輯對同樣新聞內容下的不同標題來訓練RepresentLM理解相關字詞。最後加入語言結構和類比分類，比如說Tesla之於Car manufacturing ，相當於Peleton之於Fitness。這樣訓練出來的大語言模型能用來分析財經新聞然後影響股價。

Large Language Models: An Applied Econometric Framework (Ashesh Rambachan)

如何使用大語言模型來進行資料量不大的實證經濟學研究？我們建立一個計量經濟模型，據以提出兩個先決條件：第一，訓練大語言模型的資料不能摻雜研究者要分析的資料。第二，研究者需要收集驗證資料來確認大語言模型的分析有沒有犯錯。兩個示範研究顯示，這兩個條件缺一不可，不然結果就會偏誤。但如果符合，即使是資料量不太大也可以得到好結果。


Measuring Geoeconomic Coercion (Antonio Coppola)

我們數位化大量公司獲利報告，用大語言模型分析中美貿易戰、俄烏戰爭禁運、關稅和高科技出口管制等地緣政治對貿易、對不同公司直接或間接的影響。我們看到這些地緣政治效果提高美國國內價格，也變相鼓勵公司轉移生產基地。用分析師報告也會得到類似結果，而且可以使用非美國公司的資料，也能分析即時新聞的影響。

Charting the Uncharted:The (Un)Intended Consequences of Oil Sanctions and Dark Shipping (Jes´us Fern´andez-Villaverde)

我們使用機器學習模型分析船舶自動識別系統(AIS)在2017-2023年紀錄2150艘油輪 3.3億趟航行資料，嘗試找出俄羅斯用來突破禁運的暗船(dark ship)，用以估計俄烏戰爭禁運的政策效果，不管是對美俄的直接影響，還是對中國的間接影響。

由於沒有可訓練的正確答案，我們直接把航次分群，找到AIS訊號被關掉時靠近特定港口或另一艘船，和奇怪的航行路線，比如說繞圈圈。這些大概率是突破禁運的靠港、非法傳輸石油，或者是對AIS訊號動手腳。我們分析出555艘油輪大概率是暗船，並用衛星影像、文獻上其他實證分析結果來驗證我們的猜測。最後，我們論文今年七月投稿後，美國司法部7/30公布最新14艘非法油輪，其中12艘被我們的分析標定為暗船。

我們的實證結果顯示，突破禁運的伊朗、敘利亞、委內瑞拉和俄羅斯石油占全球石油出口的43%左右，以致大幅影響我們對油價和石油貿易量的估計。而且這讓中國得以進口大量便宜的石油，進而製造更多商品賣到美歐各國。

3:00-14:00 Geoeconomics

Matteo Maggiori (Stanford GSB): 地緣經濟學就是霸權國家利用其經濟影響力來達成其政治或戰略目標。舉例來說，艾斯摩爾在供應鏈上介於美國供應商和中國買家之間，因此會遵守美國政府的高科技禁運要求，不然它可能會被美國供應商斷供。

我們考慮一個各國政府制定產業補貼政策的模型，但允許一個霸權國家可以額外要求其他國家禁運，不然就斷供。舉例來說，美國能夠「不提供全球金融市場」，逼其他國家就範。

霸權國家跟計劃者一樣希望極大化全球福利，但霸權國家希望更多人使用其技術，以便屆時用這個關鍵技術來霸凌其他人。這個模型反映交易的好處和經濟安全之間的權衡，以致國家不希望完全分工、讓全球化走回頭路。舉例來說，美國和中國都有霸權可以影響其他國家。

根據此模型，我們可以用大語言模型分析公司獲利報告，來看當前貿易戰或關稅對他們的影響。

Jesús Fernández-Villaverde (UPenn): 相較於歷史學家討厭反事實推論，透過模型估計，經濟學家能提供這樣的分析角度給地緣經濟學。

在古典經濟學以前，重商主義其實就很地緣經濟學。Alexander Hamilton。但古典和新古典經濟學常忽略這個領域。兩次大戰間地緣經濟學主要是德文文獻，戰後又衰落，直到最近中國崛起成為美國的戰略對手，地緣經濟學才有成為顯學，因為前蘇聯此前也從未成為真正的挑戰。因此，近年來禁運盛行，區域衝突不斷，而且經濟全球化被逆轉。
範例如前述論文：Charting the Uncharted: The (Un)Intended Consequences of Oil Sanctions and Dark Shipping

未來，我建議研究：
1. 在職學習對晶片製造的影響，解釋晶片戰爭一書所講的故事。
2. 一國的外交政策如何受到國內政治影響，像是中國目前這個列寧國家資本主義型態。
3. 如何讓理論研究從單一霸權移轉到歷史和實證上的多極世界。
4. 開發新的計量經濟學工具來研究地緣經濟學。

14:15-16:15pm Strategic Communication

Hiding Lemons among Peaches: Optimal Retention and Promotion Policy Design (Takuma Habu)

我們把人資的升遷與留才問題轉成一個機制設計問題，解出最佳留才策略是放低標準留才，用來抵消原公司擁有更多資訊所造成的留才光環效果。相較之下，最佳升遷策略則跟可能過度或過少升遷。

Commitment and Randomization in Communication (Emir Kamenica)

我們考慮傳訊賽局中事前承諾的價值，特別是何時傳訊者會偏好事前承諾。我們考慮傳訊—接受賽局，其中真實狀態、訊息和決策空間都是有限集合。雙方的效用都在[0,1]之間，這樣我們能討論有多少比例的效用符合某個性質。

我們考慮奈許均衡，均衡結果跟PBE一樣。我們稱對傳訊者最佳的嘴砲賽局均衡(cheap talk equilibrium)為「嘴砲報酬」，貝氏說服賽局均衡最高的報酬為「說服報酬」。如果只看把狀態分區的(partitioned) 嘴砲賽局均衡和貝氏說服賽局均衡，同樣可以定義「分區嘴砲報酬」和「分區說服報酬」。

我們證明的定理一說，當傳訊者偏好事前承諾，也就是分區說服報酬比分區嘴砲報酬的時候，該貝氏說服賽局均衡必定有隨機性，也就是會犧牲傳訊效率。這讓我們可以透過計算貝氏說服賽局均衡(NP-hard)，來計算更難的嘴砲賽局均衡。

有趣的是，這個定理表示，當學校偏好事前承諾一個評分標準的時候，這表示學校希望用不公平、也就是隨機的方式來評分。最後，給定有a個決策的決策空間A，事前承諾沒有價值的效用空間至少有1/a^a。

Strategic Choice of Opinion Leader (Ting Pei)

我們考慮有多位接收者的兩階段傳訊—接收的嘴砲賽局，其中一位接收者是意見領袖或網紅。傳訊者的效用取決於所有接收者的平均決策有多接近真實狀態，每一位接收者則各自有偏好b_i，希望自己的決策偏離真實狀態剛好b_i，但又希望從眾、跟所有人的平均選擇差不多。

當傳訊者是對所有接收者公開演講的時候，此賽局均衡跟一對一的嘴砲賽局均衡相同。兩階段嘴砲賽局的均衡是傳訊者先告訴網紅真實狀態在某個分區，網紅將該分區擴大再轉告其他接收者。

A Role for Cheap Talk in Disclosure (Wenhao Wu)

我們考慮嘴砲可以核實(disclosure)的傳訊─接收賽局，其訊息空間能區分所有真實狀態。我們把其均衡跟貝氏說服賽局均衡報酬對接，然後在最低報酬夠高的情況下解出核實均衡。

16:45 - 18:00 Cowles Lecture: Silvana Tenreyro

許多國際貿易量都是採用美元計價，因此當美元貶值的時候，獨占性競爭廠商的邊際成本下降、交易數量增加、價格下降。但對完全競爭廠商來說，市場價格不變、只有交易數量增加。在兩者之間的情況是需求對價格敏感的情況。當美元價格僵固時，貨幣政策沒有效果，但當美元價格可以調整時，貨幣政策會有效果。

實證上，國際貿易的交易量有很高比例是同質商品，而且這些同質商品價格通常可以調整，而且常以外幣(美元)計價，因為生產者市佔率不大、沒有訂價能力。

我們考慮一個新凱因斯總體模型，允許不同價格僵固性、不同市場結構，而且不同產品間很難替代、但不同廠商或國家所生產的同一產品可以替代。校準模型時，我們只考慮三個產品：同質性的出口商品H，異質性不能貿易的產品N和異質性舶來品M。

我們看貨幣政策的效果：當地政府調降利率的時候，使用生產者幣別計價(PCP)的是生產者價格僵固的異質性出口商品，其生產者價格下降，經過一段時間才回復。使用美金計價的美金價格僵固異質性出口商品(DCP)，其價格幾乎不變、出口量也幾乎不變。但混和計價的同質性出口商品(MCP)則會有很大的出口量改變。接下來我們嘗試驗證本國貨幣貶值會增加出口的實證結果。確實如果貨幣政策緊縮，本國貨幣會升值，以致出口下降。

因此，即使外銷產品用美金計價，貨幣政策依然有效。
接下來我們看先進國家或新興或發展中國家的進出口如何影響其經濟成長。

Thursday, 21st August, 2025

13:00 - 14:00 The Current State of Central Bank Digital Currency
Panel Session Organizer: Yongsung Chang

Panelists:
* Silvana Tenreyro (London School of Economics)
相較於發行中央銀行數位貨幣(CBDC)，現在愈來愈多國家改發行連結該國貨幣的穩定幣。這可以避免中央銀行數位貨幣的缺點，開通投資加密貨幣的管道，但也因此增加整個金融體系的系統性風險，還有駭客的風險。

* Sung-Guan Yun (Bank of Korea)
韓國央行引進實驗性質的漢江計畫，用數位貨幣做存款支付和發行數位消費券，比如說數位教育券。

* David Andolfatto (University of Miami)
美國國會剛通過法律禁止聯邦準備銀行發行中央銀行數位貨幣，甚至聯準會的經濟學家也不能研究中央銀行數位貨幣。這是因為美國社會認為數位貨幣應該交由私部門來負責，而非公部門。

* Matteo Maggiori (Stanford GSB)
政府根本不需要考慮加密貨幣，至於穩定幣則好一點，但公部門在這方面牛步化，很可能因為大家常常忽略相關的政治經濟學爭議。

* Hyun Song Shin (Economic Adviser and Head of the Monetary and Economic Department)
從2021年起，境外使用穩定幣的比例大幅上升，而且穩定幣的市值98.95%都是美金！自2022年起，區塊鍊上的金融犯罪已經超過一半都是穩定幣，超越原本的第一名比特幣。這邊的挑戰是加密貨幣並沒有金融中介者可以檢查身分、洗錢行為等等，只剩下去中心化的共識，由每個驗證者因著本身的誘因來查驗。這邊的經濟理論還需要很多補強、需要理論經濟學家去研究這個去中心化均衡是不是唯一的均衡，也不知道均衡是不是穩定。

14:15 - 15:45 Auctions III

Pay-as-Bid Auctions with Budget Constrained Bidders (G V A Dharanan)

我們考慮贏家付下標金額的多單位拍賣，也就是第一高標拍賣的多單位推廣，而且兩邊均衡在買家不多、concave的條件下等價。此時買家需要考慮如何分配下標金額在兩個以上的單位，而且我們也可以考慮預算限制的問題。當市場變大的時候，這種多單位拍賣跟第一高標拍賣的均衡等價就不再成立，因此沒辦法直接套用第一高標拍賣的均衡。

All Pay Quality-Bids in Score Procurement Auctions (Jingfeng Lu)

採購招標的拍賣中，競標廠商的標單同時有投下金額和品質。相較於投標金額只有贏家才會支付，品質的投標比較接近全付拍賣，因此我們使用參數\rho來代表全付的比例。因此我們考慮N家廠商同時下標p, q，每家成本參數c_i不一樣。在均衡結果中，如果廠商c_i的評分是s(c_i)，那均衡策略會是p(c_i), q(c_i)。

我們將此均衡視為機制設計問題，應用Myerson的顯示性原則，可以用誘因符合(IC)條件來解出均衡策略。我們解出線性評分的例子，也看全付比例提高的比較靜態預測。然後如果政府補償所有未得標廠商的品質支出，均衡結果的整體效率會下降、廠商獲利也下降。最後，我們考慮最佳評分標準s=v(q)-p, 發現最佳評分標準隨q上升的速度比廠商的利潤函數隨q上升的速度慢。

Explaining deviations from the law of one price in pre-sale auction price estimates with an application to fine art markets (Johannes Fedderke)

我們考慮賣家可能知道或不知道買家資訊，然後報價給兩家拍賣平台來估計拍賣成交價格。然後我們使用南非藝術品拍賣資料來驗證理論。

16:15 - 17:30 Frisch Memorial Lecture: Hidehiko Ichimura

我要回顧個體計量經濟學多年來的發展，特別是政策效果的評估，因為沒有辦法觀察到同一個人「受惠於政策」跟「沒有受惠於政策」兩種狀況的結果。最乾淨的作法是Fisher等人在五十年代發展的隨機控制實驗(RCT)，但不見得有辦法做。

Imbens and Angrist (1994)發展LATE，使用工具變數來處理內生性，在三個假設下可以準確估計接受政策者(compliers)的平均效果：排除限制(ER)、D單調性(Mono)和隨機指派(RA)。 Imbens and Rubin (2015)放寬ER假設到只需要適用於不受政策影響的總是會做(always-takers)和總不會做(never-takers)的人即可。 Ichimura and Pantano (2025)處理時序上的落差會讓ER假設不成立，即使只是有隨機誤差。
(後面筆電沒電了…)

Friday, 22 August, 2025

09:00-10:45 Collection and Use of Subjective Beliefs Data in Economics

Recent Advances in the Collection and Use of Subjective Expectations Data by Central Banks (Wilbert Van der Klaauw)

近三十年總體經濟學研究最有趣的發展是愈來愈研究者開始蒐集人們的主觀預期，甚至是預期的機率分配(Handbook of Economic Expectations, 2023)。各國央行也很重視這些研究成果，因此我今天要來回顧這些研究。

為什麼央行會看重主觀預期的問卷調查結果？

因為人們的通膨預期跟央行的貨幣政策目標直接相關，而且人們對房價或其他資產價格的預期能幫助央行預防泡沫化、維持金融穩定。消費者信心等總體經濟預期也會影響施行財政政策的效果如何。最後，在研究上，主觀預期的測量結果能幫助我們研究市場信心和整個社會如何應對非預期的政策或外生衝擊。

央行如何使用問卷調查來測量人們的主觀預期？

早在上個世紀，義大利央行、荷蘭央行等等已經開始進行主觀預期問卷調查。2013年紐約央行開始每個月的消費者預期調查(SCE)，2014年加拿大央行跟進、2019年德國央行也開始做，後來愈來愈多央行跟進。不過每個央行的做法不儘相同，不管是問卷調查的頻率、調查對象是不是長期追蹤(或者是出去一陣子之後再回來)、還有委託機構的揭露(畢竟美國不少人討厭聯準會)。

問卷的問題也很多樣，美加的央行直接詢問「通膨」德國央行則是詢問「一般價格」。在開發消費者預期調查的期間(2006-2012)，我們也有做認知訪談，確認受訪者理解每個問題。詢問機率的方式也不太一樣，向我們紐約央行就允許人們使用鍵盤輸入一個百分比的數字或移動拉桿來輸入機率。如果是機率範圍的選項，這些範圍也可能隨時間改變。

我們從這些調查結果學到甚麼？

首先，這些調查結果確實能預測實際的消費、就業情況、貸款需求或移民行為，表示主觀問卷依舊可以準確測量人們的預期。不過實際的問卷細節很重要，因為那些才能解釋為何不同央行的調查得到不同結果。

而且，不同社經背景資料是造成人們有不同預期的原因，然後在COVID-19期間，消費者預期調查協助我們做出政策建議要發行消費券。這些長期追蹤調查資料也讓研究者有機會可以做進一步的研究、甚至進行問卷實驗。最後，我們也能看到人們如何學習做出更準確的預期。

舉例來說，人們在疫情後對通膨的預期，一年後的通膨預期很快就升高，雖然三年後的通膨預期就沒有多大改變，表示有定錨效果、大家覺得這次的通膨只是短期現象。我們甚至可以詢問假設性問題：「如果剛公布的通膨數字少1%、你對一年或三年後的通膨預期會如何改變？」

展望未來，我們需要研究如何正確詢問機率。目前有的問卷是詢問範圍、有的是詢問CDF或Q1, Q2, Q3等等。麻煩的是我們並不知道真正的答案是甚麼，因此就很難確認哪個詢問方是最好。心理學上的作法是給受試者看某個機率分配，然後再用不同詢問方式來調查他的預期。這樣我們就知道真正答案可以比對。另一個研究方向是測量幾個變數的聯合分布，因為總體變數之間多半並非獨立。而且我們需要做因果推論，但這就需要區分人們的偏好和預期。

最後，長期追蹤的消費者預期調查可以讓我們觀察同一位受訪者如何因為不同無預警的新聞事件而改變其主觀預期。可是實證上我們看到同一位受訪者會在第二次受訪時下修通膨預期、在第三次更多下修。這是因為有些人會在兩次受訪之間去蒐集資料，以致下次受訪會回答真正的通膨數字，而非自己的預期。但也有人會因為多次詢問而更理解問題、降低問卷調查誤差，即使是在同一次受訪也 樣。因此，我們需要進一步研究長期追蹤調查的影響。

觀眾問：你覺得未來人們會不會在受訪時使用AI找答案在回答問題？(答：現在已經會有人先問辜狗了，未來肯定更多人會問AI。)

觀眾問：央行的消費者預期調查如何處理拒訪率節節升高的問題？這可以給其他調查單位參考。(答：這是一個整體性的問題。我們的作法是讓問卷變得更容易、在手機、網路上都可以做。另外，我們也很重視問卷調查面向的多樣性，這樣受訪者才會更願意參與。最後，我們跟尼爾森合作，特別去找年輕人，讓問卷更有代表性。)

觀眾問：你如何連結人們的政治傾向？(答：我們不會直接詢問人們的政治傾向，但我們會用人們的居住地整個社區的政治傾向來看。)

觀眾問：有哪些東西合適使用主觀問卷來測量、哪些不適合？(答：央行本來就有做許多各種問卷調查，但在消費者預期調查中，受訪者的理財素養(financial literacy)好不好會嚴重影響他們能否回答測量主觀機率的問題。

Subjective Expectations and Inequalities in Human Capital Across the Early Life Course (Adeline Delavande)

父母如何對子女進行教育投資會影響子女人力資本的分布情形，不管是因為父母有預算限制(所以長女就被忽略)，或者是有個人偏好(比如說偏愛兒子)等等。我們可以用主觀預期問卷來測量這些限制或偏好，研究他們如何影響父母的教育投資決策。

我們假設人們會極大化自己的主觀期望效用，但同時會受到預算限制。因此，當我們看不到預算限制的時候，測量主觀預期就能幫助我們反推人們的偏好。我們專注在避孕決策、孩子小時候的教育投資和青少年時期的教育選擇。

首先是避孕決策：全世界有一半的懷孕是非預期的，而且集中在弱勢族群。面對懷孕或感染性病的風險，婦女需要選擇要不要付出避孕成本使用保險套等避孕方法。使用問卷調查測量婦女對避孕藥、避孕針、保險套和性交中斷法的懷孕風險主觀預期，結果預期大致正確、也跟所選擇的避孕決策相符。有趣的是，黑人女性的估計最準確，雖然她們也就是風險最高的族群。相反地，使用主觀問卷測量對自身是否願意懷孕、對未來的預期等偏好，才是影響避孕決策的關鍵。

接下來看父母對年幼子女的教育投資。父母的投資意願跟他們預期子女受教育後是否會變得更有出息正相關，因此我們測量父母對特定教育投資的預期回報。調查結果顯示，父母多半認為親餵母乳確實對子女的未來會有好處，而且社經地位愈高的父母預期的回報更高。

Cunha (2014)使用結構模型估計來得到給黑人父母正確的預期(白人父母的預期)可以縮小兩個族群父母投資差距，而且如果把黑人父母的偏好轉換成白人父母的偏好，則兩邊的投資沒有差異。但Bhalotra et al. (2024)則發現巴基斯坦的新生父母對早期教育投資的預期大致正確，而是產後憂鬱症等心理偏誤造成預期投資成本的偏誤會影養教育投資。

知道預期會有影響，我們該如何影響別人的預期？

這很不容易，因為即使告訴人們正確的機率，他們還是可能會覺得「國情不同」、這不適用於我。建議雙薪父母要多陪陪子女可能只會增加他們沒有辦法陪伴子女的焦慮，以致只會有反效果。面對像是COVID這種機率不確定的模糊狀況，假設人們會極大化主觀期望效率(SEU)可能不切實際，因為人們會有模糊趨避，可能會杞人憂天、希望極大化最糟情況的效用。最後，這些決策可能不是單一個人的決定，而是夫婦之間、父母子女之間的協商談判結果。集體決策時不同成員的資訊不對等可能也會有影響。

觀眾問：我們知道正確資訊如何在家戶內傳播嗎？(答：我有做過的研究是告知夫妻中的一方關於退休金的正確資訊，然後測量另一方得知多少。研究結果發現大概一半的正確資訊會在夫婦間傳遞，但是實際上能傳遞多少取決於夫妻的感情好不好。)

(Chair) Ori Heffetz回應：我念博士班的時候，經濟學家好像只願意看人們的選擇、不太看重問卷調查，認為那些是心理學家才看的。這些近年來漸漸扭轉過來，而且其實失業率調查、GDP統計調查都是問卷調查的結果，即使有大數據都還是需要研究者主動使用問卷調查來測量人們的信念或意向。可是問卷調查也面對許多危機，因為訪問不到年輕人、網路民調也充滿偏誤。

過去總體經濟學家假設理性預期，以致可以直接從行為顯示人們的偏好。自從Manski (ECMA 2004)開始，我們需要先測量人們主觀的不同預期，才能推論人們各自的偏好。今天我們看到主觀預期的問卷測量，甚至他們所面對的預算限制。但兩位講者並沒有仔細討論「預期」是甚麼，因為人們可能甚至不了解機率分布這個概念。這是我們未來需要進一步研究的。

最後，其實早在假設理性預期的總體經濟理論之前，人們就已經在使用問卷調查來測量各種預期和信念了。希望大家都來做這樣測量主觀預期或信念的研究，不管是經濟學家、央行等業界人士，還是其他社會科學的研究者。

2025年台灣經濟學研究研討會(TER 2025)現場聽打紀錄(第二、三天)

August 13
10:00 - 11:40 Session A - Macro (I)

Leo C.H. Lam: Technology, Geopolitics, and Trade

基於中美貿易戰和俄烏戰爭等地緣政治因素日趨重要，我們看地緣政治緊張如何影響科技進步與擴散和貿易。在動態一般均衡模型中，我們讓使用(別人研發的)先進科技與授權金談判取決於兩國的地緣政治距離，並在契約設計中加入締約成本與毀約的可能性。均衡結果是貿易成本增加，外銷市場變小，以致研發與使用先進科技的誘因也變小，授權減少，以致經濟成長減緩。

許文泰老師問：如果政府提供研發補貼，是否可以弭補地緣政治緊張的負面影響？(答：這沒有在模型裡面，但可以考慮加入。)

接著我們用八個地區(美國、加拿大、墨西哥、歐盟、中國、日本、韓國和其他國家)的總體經濟資料來校準(calibrate)模型，用來模擬中美兩國地緣政治距離增加50%所造成的效果，還有美國單方面禁止高科技輸出到中國的影響。

Kai-Jie Wu: Robinson Meets Roy: Monopsony Power and Comparative Advantage

雇主通常在勞動市場上有獨買力，而員工則各自有比較利益。因此我們在一般均衡模型中加入異質員工生產力，還有雇主在勞動市場上的獨買力，有別於傳統總體模型是加入廠商在商品市場上的獨佔力。

我們使用巴西2006-2018年的資料來校準模型，因為他們有詳盡的雇主資料。校準後可以進行政策實驗，像是最低工資的影響就跟傳統模型不同。
　 　 　
13:00 - 14:30 Parallel Session B - Applied Economics (II)

Jhong-Yi Huang: Search and Bargaining in a New Car Market

美國中西部的新車市場價格有很大的變異，因為有許多搜尋成本，不同經銷商販賣的車種也不一樣，因此消費者並不知道他的所有選項有哪些。

我從美國俄懷俄州的監理處取得2015-2022年所有向經銷商買車的行政資料，使用VIN解析網站取得這些車子的基本資料。我也取得2020年所有經銷商刊登在網路廣告上的新車名單與資料。我使用這些資料來估計一個搜尋模型，找到合適車種後則使用Nash談判模型談妥價格。不考慮搜尋成本會影響我們對需求彈性(價格敏感度)的估計，也會讓人低估車商利潤成數。

Yi-Fan Chen: Declining Labor Share and Oligopolistic Competition

我們看到勞動份額逐年下降，但廠商卻是大者恆大、大公司生產更多產出，有更高的利潤成數。但這在原本假設生產力為Pareto分布的獨占性競爭理論上無法成立，因此我們改用Cournot寡占性競爭，就能使得生產力高的廠商會得到更大的市場份額，而且有較少的勞動份額。

Jen-Kuan Wang: Taiwanese Domestic Supply Chains: 2013–2023

我們使用台灣公司開立統一發票的銷售資料，來分析台灣近年來的廠商間交易網絡。我們發現廠商間的交易逐年上升，而且網路集中度很高，少於1%的廠商有500家以上的供應商和客戶，以致80%的公司都是跟前五大供應商和前五大客戶交易。把這樣的網絡納入考量後，台灣九成以上的公司都跟國際貿易有直接或間接的關係。

把統一發票的銷售資料跟廠商兩兩之間的銷售資料比對，我們發現有四成的廠商是小家廠商、由於免用統一發票以致不在統一發票銷售資料裡面。因此我們用廠商兩兩之間的銷售資料來估計才能比較準確台灣廠商受到國際貿易的直接與間接影響多大。我們甚至可以用來估計如果半導體產業不再出口，台灣廠商受到國際貿易的直接與間接影響如何改變。其中有一些廠商只供應給半導體產業，以致他們會損失慘重。

15:00 - 16:00 Parallel Session D - Applied Micro (IV)

Meng-Jhang Fong: An Experiment on Threshold Public Goods Game with Communication under Unanimity Rule

我們用Cursed Sequential Equilibrium (CSE)來解釋「他人捐獻成本未知的有閥值公共財自願捐獻賽局(threshold public goods game)」的實驗結果。

在資訊不對等的貝氏賽局中，人們在貝氏均衡下應該會正確根據其他人的行為、用貝氏定理更新他們對於別人私人資訊的信念。但實驗結果顯示人們並不會如此做，比如說在同一價值拍賣(common value auctions)，人們會出價太高以致落入贏家的陷阱(winner’s curse)，所以Eyster and Rabin (2005)提出陷阱均衡(Cursed Equilibrium)來解釋。

我們把陷阱均衡推廣到序列賽局(sequential game)，提出陷阱序列均衡(CSE)。一般而言，我們考慮\Chi-陷阱序列均衡(CSE)，其兩個極端特例是原本完全理性的序列均衡(SE)和完全中陷阱序列均衡(Fully CSE)。這樣的新理論解釋人們信念更新的按比例遲滯(\Chi-dampened updating)，也就是「有\Chi的機率維持事前信念、剩下機率(1-\Chi)才會按照貝氏定理更新信念」。

接下來，我們將此應用來解釋有閥值公共財自願捐獻(threshold public goods game)實驗：每個人的捐獻成本c_i是從U[0,K]的分配中隨機抽出(K>1)，然後先送訊息m為[0,1]之間的數字，然後同時決定是否捐獻。

此賽局最有效率的序列均衡是當捐獻成本c_i < 1的時候先送訊息m=1，然後只有當所有人都送m=1的訊息的時候，大家才都同時選擇捐獻。此賽局的\Chi-陷阱序列均衡一樣是在某個閥值c_i < C < 1時先送訊息，然後即使不是所有人都送m=1的訊息的時候，大家還是有機率會選擇捐獻。

Yi-Shan Lee: Long Live the Information Economy!

我們使用手機或現代科技時會被要求分享個資來幫助手機廠商、google map等提升服務品質。這個其實是一個公共財自願捐獻的情境，因此我們在此情境下研究人們使用他人的個資跟使用自己的個資來進行公共財自願捐獻有何不同？跟使用金錢來進行公共財自願捐獻有何不同？

在線上實驗中，我們讓一半的台大學生擔任「資料提供者」，提供20項自己在新生入學健檢時收集的個資，另一半的台大學生則擔任「資料輸入者」，負責輸入某位「資料提供者」所提供的20項個資。「資料提供者」有一半的機會被抽檢，要求開螢幕分享並登入myNTU檢驗讓實驗者核實所提供的資料正確性。

接著，我們讓所有人進行十回合線性公共財自願捐獻(linear public goods game)實驗，決定要從自己所擁有的20單位稟賦中捐出多少，其MPCR = 0.5。「金錢對照組」的稟賦就是現金(20元)，但「PI實驗組」的稟賦除了20元現金之外，還有20項自己的個資、每捐出一單位就要讓實驗者對第三人公開一項個資，而「I實驗組」的稟賦則是20元現金附加20項別人的個資、每捐出一單位就要讓實驗者對第三人公開。

執行時受試者不能選擇是哪幾項個資，而是由電腦隨機決定。最後，我們進行事後問卷，並測量「資料提供者」對於賣出自己的個資的最低接受價格(WTA)。

實驗結果顯示，「I實驗組」和「金錢對照組」的結果與文獻結果相似，第一回合人們平均捐出一半稟賦，但隨著回合增加看到別人當自由騎士(free rider)，剩下的人也不願意當冤大頭，以致捐贈愈來愈少，趨近大家都不捐的奈許均衡。

有趣的是，「PI實驗組」的捐獻更高，而且不會隨著回合增加而降低。由於兩邊事後測量到的最低接受價格(WTA)類似，因此不是因為人們因為多次分享自己個資而麻木了。相反地，這可能是當捐獻跟公開個資有關的時候，人們看到其他人願意捐獻自己的個資，就會希望自己也不落人後、免得不好意思。

16:20 - 17:30 Plenary Speech
Tong Li: Bidding Too Low to Win and Too High to Lose? The Roles of Secret Floor Prices in Renegotiation of Incomplete Contracts

我們觀察日本和歌山的政府採購標案的線上投標資料。這些標案通常都會訂定(隨機的)秘密底價，而且在選出贏家後又允許贏家跟政府事後重新協商，因此我們分析其對標案金額的影響如何。

這個拍賣賽局的權衡是當廠商出價太低的時候，就有風險低於秘密底價、以致流標。我們解出唯一的對稱均衡，並使用無母數分析來估計模型，拿事後協商的實證資料校準第二期的事後Nash協商解。

估計結果顯示，Nash協商解的協商權重在小標案是0.55，在大標案是0.44。而且給定所估計的模型，我們可以預測取消秘密底價時，廠商投標的利潤成數下降，最後標金也因此下降。


(第三天) August 14

10:00 - 11:40 Session A - Applied Economics (III)

Toshiaki Komatsu: Job Ladder and Dynamic Monopsony in Production Networks

我們合併比利時的B2B銷售資料和雇主員工資料庫，我們發現員工會透過供應鏈關係、更常轉職到原公司的上下游公司，而且相較於其他轉職，這樣的供應鏈上下轉職更容易升官，但短期薪水增幅則小於同樣轉職的人。

接著我們估計一個連續時間的一般均衡模型，包括勞動市場和廠商B2B市場，發現員工確實更容易透過供應鏈網絡找到工作，但也因此讓網絡節點的公司能用更低的薪水來聘到人。

Joonkyo Hong: Trade Liberalization in Oligopsony

我們合併2006-2017年台灣財稅中心的營業稅資料中台灣製造商的財務報表、個人所得稅資料和台灣海關資料，來看ECFA對台灣的影響。我們發現在所有出口EFCA相關產品的廠商當中，持續出口到中國的廠商雇用的藍領員工比例低於出口到其他國家的廠商，雖然白領員工比例沒有差異。

使用雙重穩健斷點分析(doubly-robust diff-in-diff)，我們發現兩種廠商的全要素生產率(TFP)成長率沒有顯著差異，但同公司雇用的員工薪資差異變大。
　 　 　
13:00 - 14:30 Parallel Session B - Applied Micro (V)

Yi-Ju Hung: The Returns of HBCUs to Blacks Americans: Evidence in the Late 19th and Early 20th Centuries

HBCU是美國歷史上專收黑人的大學，即使到現在都還是培養黑人菁英的搖籃，比如說美國前副總統賀錦麗。我們使用斷點分析來看這些黑人大學的設立(1870-1910年)對所在縣市黑人教育程度的影響，我們根據1870年的背景資料找到五個最接近的附近縣市當對照組。

實證結果顯示，黑人大學的設立會提高16-25歲的黑人就學率0.9%，但統計上不顯著，雖然經濟意義上，能把原本2.4%的黑人就學率提高0.9%很重要。長期而言，這也提高黑人就業率。這些結果即使考慮人口結構改變依然穩定。黑人大學的設立也會降低黑白種族的識字率差異和就業率差異。

Shirley Yu-Hsuan Yen: Wealth Effects, Leisure Complementarity, and Spousal Labor Supply

我們使用台灣的個人所得稅資料及營利事業所得稅資料，結合台灣家庭動態調查的工時與休閒時數調查結果，來研究結婚如何影響人們對消費與休閒的偏好，以致改變勞動供給、使所得下降，特別是如果夫婦進行某種專業分工，或者是因為婚姻而重新選擇最佳休閒。

如果看2008-2017年間首次結婚、沒有離婚且當年沒有小孩、三年內也沒有小孩的夫婦，我們會發現平均而言，夫妻雙方結婚前的所得均穩定增加，但結婚後持平。控制年齡與個別差異後，所得在婚後甚至穩定下降。從台灣家庭動態調查來看，這是因為婚後夫妻雙方工時均下降，但只有先生的休閒時數上升，太太則會增加做家事的時間。相較之下，夫妻雙方離開職場的比例都不高。

最後我們估計一個勞動供給的結構模型，校準出來的結果也是看到結婚有類似實證上所看到的影響。

Tsu-En Wang: The Effect of Education Reform on the Marriage Market: Evidence from India

我們用斷點分析看印度學區小學教育計劃(District Primary Education Program, DPEP)的政策效果，因為DPEP是從女性識字率最低的學區開始實施。實證結果顯示，DPEP提高女性就學率8.5%、提高女性教育程度1.1年，也提高女性結婚的年齡、降低跟丈夫的年齡差距。對整體婚配市場而言，DPEP也會提高整體結婚比(Gains from marriage)。

Pin-Chao Wang: An Empirical Analysis of Investment Networks
Po-Shyan Wu: Race to the Bottom: The Perils of Decentralized Industrial Policy in Free Trade Blocs

16:20 - 17:30 Panel Discussion: Antonio Ciccone, Tong Li, Ruey S. Tsay, and (Chair) Yu-Chin Hsu:

Chair: 我們今天特別邀請三位曾經擔任不同期刊主編的老師來討論「論文該如何寫，投稿才不會被桌拒(desk rejection)」？之後，再分享「投稿論文收到R&R改怎麼辦？」

Panelist A: 桌拒其實是好事情，因為比起期刊接受投稿，弄了一年半載之後才拒絕你，馬上拒絕你，你就能去轉投其他期刊。

Panelist B: 三十幾年前，當我抱怨被拒稿的時候，我同事告訴我：「你應該習慣被拒稿才適合留在學術界！」因此，被拒稿是日常。首先，要避免被桌拒，最好的辦法是邀請你的同事來讀你的論文，聽聽他們的意見。也許不是每一位都願意讀，但是如果有人願意讀，他們對introduction和摘要的建議就很重要。

我自己當期刊主編的時候就有發現，如果我自己讀得懂introduction和摘要，那就很有希望被接受。而如果你的資深同事讀不懂你的introduction和摘要，那大概率期刊主編也看不懂。

Panelist C: 我當期刊主編的時候，首先看的是來稿跟期刊屬性是不是速配(good fit)，因為再好的文章如果不合適也沒用。

Chair: 如果我拿到審稿報告，發現自己看不懂審稿人在說甚麼的時候，該怎麼辦？

Panelist A: 你可以請同事也讀一遍，但其實你可以直接寫信給主編請他講清楚到底是甚麼意思(clarify)。

Panelist B: 沒錯，現在許多主編的決定信都會寫說「如果你不清楚怎麼辦，歡迎來信詢問。」

Chair: 那如果兩位以上的審稿人意見或方向相反怎麼辦？

Panelist A: 通常可以看主編的決定信中如何摘要審稿意見，因為主編不見得會要求作者符合所有審稿意見，甚至會告訴你要按照哪些審稿人的意見來修改。

Chair: 在座的主編都很負責任，我甚至遇過偷懶的主編只有說「你按照所有審稿人的意見修改即可。」結果我只好仔細寫清楚我是按照誰的意見修改的、為什麼沒有按照另外的審查意見來做。

Panelist B: 結果如何？(答：被接受了。)

Q1: 如果你不同意審稿意見，你會花時間寫信上訴(appeal)嗎？因為我做過一次，結果成功了。

Panelist A: 不知道，因為我從來沒有嘗試過。有更多期刊可以投稿，不需要浪費時間上訴。

Panelist B: 我有嘗試過投稿comment被拒絕後上訴，但的確成功率不高。

Q2: 請問主編如何決定審稿人？

Panelist A: 通常主編會選擇負責的副主編(AE)，由責任副主編來選擇審稿人。如果真要選擇審稿人，我會從作者所引用的論文作者去選。

Panelist C: 我自己擔任AE或主編都需要自己選擇審稿人，我確實會從作者所引用的論文作者去選，所以你可以選擇性的引用「對你友善」的文獻。

Panelist B: 選擇性引用的危險是審稿人可能會覺得你文獻回顧不夠完善。

Q3: 作者引用的「態度」會不會影響選擇審稿人與否？(答：有可能，但我通常會多選一位審查人，為了得到更多觀點。)

Q4: 主編如何判斷一篇論文是否有足夠「貢獻」？

Panelist A: 你應該花更多時間選擇題目，而不是擔心主編審稿人怎麼想，因為有太多變數了。

Panelist B: 一個主題是否能引起興趣，其實很好判斷：你在午餐中提及會引發討論的，就會是好主題。如果你跟十個人說，十個人都不感興趣，你就知道這個主題很冷門。

Q5: 現在許多期刊都要求作者揭露是否使用ChatGPT。我們該如何揭露？

Panelist B: 我覺得應該要誠實揭露。像我自己就會用ChatGPT幫我抓錯字，但其他部分其實幫助不大。

Q6: 許多博士生今年會畢業上就業市場，但今年好像市場不太好。請問你們對首次上學術就業市場的博士生的意見是甚麼？

Panelist A: 準備好自己，說服對方自己跟該系所很速配。

Panelist B: 現在愈來愈多走學術的博士需要先做博士後，你需要考慮是否真的做這樣的投資。

Panelist C: 這兩年確實學術市場需求不振，需要嘗試如何面對。

Q7: 投稿的時候，cover letter是否重要？然後有些期刊要求作者建議審稿人，此時應該如何做建議？

Panelist A: 有些期刊甚至會建議作者提出「不希望哪些人擔任審稿人」。但你即使建議一長串名單，最後可能還是只有一兩位審稿人是從建議名單出來，因為最後都是責編(AE)決定。Cover letter最多也只是重複摘要的內容，因此不重要。

Panelist B: 提出不推薦名單要很小心，寧可事後再來處理麻煩的審稿人意見。

Chair: 我最近收博士生的時候，就跟他說：你不應該只找學術界的工作。

Q8: 我遇過某個審稿人要求引用他自己寫的三篇二流文章。遇到這樣的要求該怎麼辦？

Panelist A: 這樣的情況很少見。而且主編通常不會因為你是否多引用一些文章或少引用一些文獻而接受你的論文，而是會看你的貢獻有多大。

Panelist B: 我年輕時常犯錯誤是只願意引用「好的論文」。但其實英文字彙夠豐富，因此你還是可以引用一些你認為不夠好的論文。

Concluding Remark by Ruey S. Tsay: 我相信大家每次來TER都很有收穫。明年TER會是在七月初的7/1-3，而不是八月。希望明年見！

2025年台灣經濟學研究研討會(TER 2025)現場聽打紀錄(第一天 August 12)
https://www.econ.sinica.edu.tw/summer2025/posts/7446

10:00 - 11:40 Session A - Applied Micro (I)

Bei Qin: Picking the "Right" Drama
我們分析中國的電視劇，因為97.8%的人民會看電視，每天平均花費152分鐘，其中三成是觀賞電視劇。而且這對中國政府是政令宣傳的重要管道，因此主管機關NRTA會審核每一齣電視劇的劇本，才會核發拍攝許可。拍攝好之後也需要經過NRTA再次審核取得放映許可，才能接洽電視台、安排播放時間。如果沒有獲得審批，就只能找線上平台播放。

我們研究主管機關審批趨嚴如何影響電視劇的意識型態傾向，還有觀眾的接受度、也就是收視率。另外，我們也觀察這如何影響電視劇的市場，比如說是否變得更像獨占性競爭。

我們從NRTA官網下載所有2006-2019年所有申請註冊和獲得許可的電視劇的基本資料，然後從CSM媒體研究資料庫取得2006-2020年的電視劇播出和收視率的資料。我們專注在首播的6634齣電視劇，其中5165齣在電視播放、1469齣在線上播放。時間趨勢上，申請註冊的電視劇逐年增加直到最後幾年持平、2019年掉下來，但是通過審批的電視劇逐年下降，在電視台播放的電視劇也同步下降。

陳冠銘老師問：這邊的線上播放是有版權授權的播放嗎？那些沒有取得授權的呢？(答：這邊的資料是有授權的，我不知道非法播放的數字。)

然後我們從豆瓣網取得所有電視劇的觀眾評價，使用機器學習來分析哪些常用的評論文字能預測評分，發現最重要的常用關鍵字是「沒想到」、「普通」、「江湖」、「青春」和「哥哥」。我們也從官方頒獎資料和封殺資料找出官方偏好的411齣和不喜歡的41(?)齣電視劇，用機器學習來預測官方偏好所發現最重要的常用關鍵字則是「國民黨」、「中共」、「二人(合作) 」、「身邊」、「中國」、「日本」、「意外」。

比較線上和電視台播放的節目，從2013年開始官方鼓勵電視台播放更多意識型態劇、減少商業劇，結果我們發現電視台播放的電視劇意識型態分數和觀眾評價雙雙下降，表示兩者互補。

但線上播放的電視劇意識型態(符合官方的)分數變低、但觀眾評價變高。這是因為審批趨嚴讓電視台播放的歷史偶像劇更符合官方意識型態。

官方甚至在2014-16, 2020要求至少播放一齣反法西斯歷史劇、在2017年要求播放紅劇等等，但這都讓觀眾評價降低，表示觀眾還是在乎劇情，而非意識型態。我們也分析按照不同區域接受意識型態電視劇的分鐘數的影響。

我們從天眼查網站取得電視劇的製作公司資料，大部分(5188齣電視劇)都來自一千多家製作公司，分析其背後的投資者市場發現，2012年前後政府投資者大幅下降，投資者人數也下降、讓市場趨向獨占性競爭。政府出資的電視劇有更高的意識型態分數，特別是在電視台播放的那些，但最高價的政府出資電視劇也有較高的商業分數。

由於線上平台收視率愈來愈高，甚至超過電視台，因此2020年起中國政府也要求線上電視劇需要取得審批、接受管理。

Kuan-Ming Chen: Cats, Dogs, and Babies
三分之二的美國家庭、三分之一的台灣家庭有養寵物，而且數字上在台灣甚至有超越新生兒的趨勢。因此我們研究養寵物和養小孩之間是否存在替代關係，還是互補關係？

台灣自1999年9月1日要求所有寵物狗都要註冊，2025年8月1日開始要求所有寵物貓都要註冊。在註冊資料上，新生兒人數和貓狗註冊數在2018年已經黃金交叉。

我們蒐集1999-2020年的寵物註冊資料，然後跟財稅中心的個人稅務資料合併，發現養寵物的比例跟有小孩與否相關：有小孩的人更容易在30歲以前就養寵物，但沒有小孩的人養寵物的比例在40歲以後會追上。

回歸分析顯示，有小孩的人確實更傾向養狗、但更不傾向養貓，而且控制了資產、房產等結果依然穩定。使用各縣市的生育補助改變來當外生變數，我們發現透過生育補助降低養小孩的價格確實可以提高養狗的需求，雖然生育補助對生小孩的效果不太顯著。

根據這些量化結果，養寵物狗和養小孩的替代敏感度(elasticity of substitution)是-1.3顯示，因此兩者確實是互補關係。而且，小孩過世或離婚，也會提高人們養寵物狗的機率。

我們也用統一發票第一特獎中獎者的資料來看所得增加新台幣兩百萬元對養寵物狗的效果，發現更早中獎的人比較晚中獎的人更傾向養狗，而且計算出來的養狗所得敏感度是-0.2，表示並非所得較高的人就會養寵物。

最後，我們發現還沒有小孩的人在養寵物(狗)之後，生小孩的傾向大增，表示寵物狗可能是用來作為養小孩的練習。反過來說，養了小孩之後，養貓的比例大幅下降，表示忙小孩的父母沒時間管寵物貓了。

13:00 - 14:30 Parallel Session C - Microeconomic Theory (I)

Charles Po-Cheng Huang: Contract Theory and Affirmative Action: Screening Workers with Verifiable Group Identity
我們考慮一個主事代理模型，讓雇主提出一批契約讓員工選擇，其中員工如果有某種特徵(trait)、其生產成本較高，以致分離均衡會出現。提供租稅補貼來反歧視會讓這些員工仍被雇用。我們也考慮有特徵的員工生產成本較低的結果。

Junrok Park: Optimality of Two-Tier Quotas in Selection
我們考慮一個雇主請員工審查申請資料，據以決定要錄取哪些申請者，但雇主跟員工可能有利益衝突。在不允許金錢交易的情況下，我設計雙重錄取門檻的機制來讓員工可以按照雇主的目標來決定錄取誰。

Meng-Yu Liang: How Do Political Institutions Affect Sustainability?
我們考慮一個公民社會和其統治階級的雙重自我(dual-self)模型，其中一般公民是計畫者(planner)、統治階級是執行者(doer)，但採用消費會上癮的效用函數，來研究政府進行某些大型計劃但卻騎虎難下的情況，比如說普丁入侵烏克蘭，或者是復活島民興建大型石像。我們考慮民主制度下的雙重自我模型均衡、獨裁者最佳化等，在不同參數下可以有五種不同結果。
　 　 　
15:00 - 16:00 Parallel Session D - Applied Micro (II)

Karin Wu: Renewable Energy and Crop Yields: Assessing Wind Turbine Spillovers Using Parcel-Level Data
我們研究風力發電的風車對當地農業收穫的影響。使用美國一塊塊農業用地和最近的風車位置，還有風車設立的時間，我們使用斷點分析來看當農地方圓十公里內有新的風車設立對玉米收穫量的影響。分析結果發現最近的風車在十公里內會讓玉米收穫量提高0.4%至2(?)%收益，因為風車會減少極端氣溫和極端雨量的天數。

Po-Chun Huang: Dynamics and Sources of Wage Inequality in Taiwan: Evidence from Employer-Employee Matched Data
我們結合所得稅資料、戶政資料和公司資料來分析台灣2004-2019年的薪資不平等惡化。專注在僱用十位以上員工的私人企業員工薪資，我們發現2010年以前，log薪資的變異數穩定在0.6左右，但2011年以後卻一路下降，因為基本工資的調漲。而且如果看薪資最低的10%, 5%員工，薪資不平等更是一路下降。這是因為薪資最低的10%員工從2012年以後的實質薪資增長高於其他員工。改用全職員工調查的時薪，薪資最低的員工確實不平等程度下降，但薪資最高的員工則持平。

將薪資差異分拆開來，同公司的不同員工個人薪資差異對薪資變異的貢獻最大，而且從2004年到2019年佔比都在37-39%左右。公司間的薪資差異的貢獻很小。採用基本工資調整當作斷點分析，分析結果發現提高基本工資的效果為負。

16:20 - 17:30 Plenary Speech - Antonio Ciccone: The Long-Run Effects of Immigration: Evidence Across a Barrier to Refugee Settlement
我們使用二戰後1945-1949年間1200萬人從中東歐原本的德意志帝國領土遷移到原本人口6000萬的西德，來研究移民的長期經濟效果。

當年盟軍佔領德國，1947年蘇聯佔領東德、英美瓜分西德，但法國在二戰最後進軍德國，而且堅持也要佔領一塊德國領土。因此，1948年法國取得萊因蘭-法爾茲邦和薩爾蘭邦，又跟美國瓜分巴登-符騰堡邦，雖然美國要求法軍退到A8公路之前(的郡縣分界)。

由於法國拒絕接受移民，因此巴登-符騰堡邦只有美國占領區接受中東歐移民，以致在1949年西德成立時，沿著美法占領區邊界上，美國占領區這邊多了12%的移民。

因此，我們用這個美法占領區邊界來做斷點回歸。而且由於A8公路也通過美國單獨佔領的巴伐利亞邦，因此我們能用巴伐利亞邦來當對照組看看究竟是A8公路的影響，還是移民的影響。

我們首先用邊界跑簡單的斷點回歸，然後用進一步用被邊界附近的城市來計算其方圓十公里內「屬於當年美國佔領區」的現今人口比例，因為他們有更高機會接觸到中東歐移民。斷點回歸的結果是，當年美國占領區在戰後移民占總人口的12.2%，接觸率為17-18%。而且戰後人口的增加確實也是這個比例，持續到2020年。相較之下，戰前邊界兩邊沒有差異。

對總體生產力跑斷點回歸，當年美國占領區多13%，時薪則多了7.6%，而每小時附加價值也差不多。長期效果來看，美國占領區的租金在1970年多6.1%、1987年多8.0%，直到2008-2016年也還是多12%。同時這些地區由於人口較多，更接近公路出口、更多開發，勞動市場配對更速配等等。每人平均專利數在戰前沒有差異，但戰後美國占領區顯著較多。

如果改用A8公路當分界線，同樣的分析不會發現20%人口增加。因此效果不是來自A8公路。我們也嘗試了一堆其他可能的解釋，但都不顯著。

www.econ.sinica.edu.tw