從九到十六：公共部門、制度與 AI 經濟傳導

從 B／C／A 功能性交互到 B／C／A／G 四端點矩陣：公共採購、財政流、制度守衛、跨機關協作及不重複計算的世界域投影

英文題名： From Nine to Sixteen: Public-Sector, Institutional, and AI-Mediated Economic Transmission in a B–C–A–G Functional Relations Matrix
研究系列：《AI 時代的網路資訊價值、注意力收斂與經濟世界域耦合》（AIEC）
系列篇號： 08 / 12
文件編號： EML-AIEC-2026-08
原始研究命題、經濟觀察與理論方向： Neo.K
AI 協作論證、形式化、來源核對與原稿整理： GPT-6（Aletheia）
機構： EveMissLab／一言諾科技有限公司
原稿日期： 2026-10-16（Asia/Taipei）
版本： v0.1
文件性質： 功能性公共經濟分類／制度與財政經濟傳導／AI Agent 公部門介入／候選可反駁研究模型
正本格式： UTF-8 Markdown；數學原始碼僅採 $...$ 與 $$...$$ 為定界符
直接前置： AIEC-07《從四到九》、AIEC-01～06；EWDT-01、02、04、05、06、07、09、12、13、14、16、18、20、21、22；人工行動者政治經濟、MPD-12 AI–AI 生產關係
實證資料截止： 2026-10-16；政策、國民帳與技術制度引述以公開正式資料為準
研究狀態： 16 格定義及數學嵌入、七種新增關係、公共經濟帳分層、三個可重算示例、十項可反駁假說、2027–2028 年觀測方案；尚非國際官方統計標準或已驗證的普遍因果理論

作者： Neo.K

摘要

當 AI Agent 開始代表個人、企業與政府執行資訊檢索、公共服務、採購、文件審查、資料交換、行政流程及資源配置，原有 B2B、B2C、C2B、C2C 四格商業分類，及 AIEC-07 所提出的 B／C／A 九格功能性經濟關係，都仍無法充分表達公共權力、稅收與移轉、非市場產出、公共採購、制度規則、跨機關網路及國家間的外部性。尤其在公共領域，某次 AI 服務可以不形成市場付款，仍實際改變民眾的有效權利、等待時間或政府行政負擔；反之，某項 AI 採購支出可以顯著增加，卻沒有相應證據顯示公共服務品質改善。將這兩種情況都簡化為「AI 市場變大」，將遺失財政、制度、分配與社會福利的關鍵差異。

本文承接 AIEC-07 對「功能供給／作用發出端 $\to$ 功能接收／受作用端」的方向約定，新增 G：Government / Public Sector（政府與公共部門），以四種端點的有向二元類型配對，形成 $4\times4=16$ 個基本格位。相對於九格，精確新增 B2G、C2G、A2G、G2B、G2C、G2A、G2G 七格。這只是第一代關係分類的組合學：它不表示十六種互斥法律人格、十六個新產業、十六筆獨立的最終需求，也不意味十六格之活動量可相加為 GDP。本文以分塊矩陣證明九格是十六格的保真子矩陣；追加 G 不應破壞 B／C／A 已有的端點方向與事件主鍵。

本文提出「公共關係—財政帳—制度守衛」三層結構。第一層記錄誰向誰提供何種服務、資訊、規則或執行；第二層追蹤實際付款主體、採購契約、租稅、移轉、補貼、非市場產出及中間投入；第三層記錄授權、審核、救濟、法域、責任與資料權利。政府 G 與 AI A 並非對稱的主體：G 具有依法律與制度而來的公權力與會計責任，A 在第一代模型中僅表示功能性執行端，不因代替政府做決策或付款而自動成為獨立的稅負、法律人格或政策授權來源。公務人員使用 AI、政府自建 Agent、外包 Agent 與一般民眾委託 Agent 訪問政府入口，必須保留不同的委託與責任鏈。

本文將公共經濟影響拆分為至少五個不可混用的維度：可觀測互動量、正式財政流、國民帳產出與增加值、公共服務結果、制度與分配效應。本文以公共軟體採購、給付審查、跨機關資料交換三組示例說明：多次 Agent 操作不會自動生成多筆市場產值；政府移轉本身不是新增 GDP；公共服務改善卻可能增加福利而不與市價或財政支出同比。十項可反駁假說進一步檢視公共 AI 參與的漏計、採購與成果脫鉤、公共機器需求不等於內容付費、AI 決策鏈的救濟延遲、跨機關資料再利用與國家能力差異等候選機制。

既有公共資料支持研究此問題的現實必要性，但尚不支持單一全球結論。OECD《Digital Government Outlook 2026》報告其 36 個受調查國家中 35 個在至少一種政府職能使用 AI，只有 10 個表示對 AI 用例進行任何財務或非財務影響測量；這些數字有指定樣本、問卷與觀測期間，不能直接解讀為全球政府 AI 採用率或成效。本文因此主張：十六格的學術價值不在於簡單宣稱「AI 已全面改變政府」，而在於建立一個可以把市場服務、公共制度、代理行為及世界域轉化分開觀測、再研究耦合的低階研究入口。更深入的授權、帳號、執行者與受益者歸因，交由 AIEC-09；時間延遲、反身性與文明級模型分別交由 AIEC-10～12。二十四格以上分類暫不展開。

關鍵詞： AI 經濟、B2G、G2C、G2A、A2G、G2G、四主體十六格矩陣、公共採購、非市場產出、租稅與移轉、數位公共基礎設施、AI Agent、公共責任、制度守衛、跨機關協作、經濟世界域、EWDT

0. 研究定位：不是把政府加進表格就完成公共經濟學

本篇不是政府 AI 導入指南、財政政策宣言、法規的自動解釋器，也不以一般化「AI 會改善政府效率」取代實證研究。其特定任務是：在不毀損 AIEC-07 九格語義的條件下，加入公共部門，建立可測量且不重複計帳的第一代十六格經濟關係投影。

本文不主張：

政府、市場企業、自然人及 AI 在法律地位或本體上完全同型；
具有政府所有權的每一家企業都應被直接歸入 G；
每一次公務 AI 呼叫即構成獨立國家政策或國家與 AI 之間的市場交易；
政府開放資料就意味授權所有訓練、商業再散布或跨境轉用；
公共採購金額、稅收、轉移支付、政府總支出可直接加總為 GDP；
公共服務沒有市場價格就沒有真實經濟或福利價值；
公共支出增加代表公共效率提高；
公共支出下降代表公共福利改善；
政府採用 AI 一定提高透明度、必然降低腐敗，或必然使權利判定更公平；
同一份 AI 風險管理框架在各國具有相同法律效力；
G2G 意味所有國家、地方或機關具有單一共同意志；
一個主體的 AI 使用痕跡能從 OAuth 帳號或瀏覽器軌跡被完全還原；
十六格已覆蓋非營利、教育、醫療、社會團體、跨國機構等所有獨立經濟類型；
十六格是全球 AI 經濟的最終分類，也不承諾下一步必須增加到二十四格；
AI Agent 具備獨立納稅地位、完整法律人格、主權或公權力；
2027～2028 年必然出現某種指定總體經濟結果；
現有公開資料已足以對整體世界 AI 公共經濟影響作出精確數值估計。

此處「政府」並非讚揚或否定公共部門的價值判斷，而是承認公共制度與公權力無法只由既有私人交換的四格或九格充分表示。

1. 第七篇的成果與未完成問題

AIEC-07 已建立：

\mathcal T_3=\{B,C,A\},\qquad \mathcal P_3=\mathcal T_3\times\mathcal T_3,\qquad |\mathcal P_3|=9.

其中 B 表示企業／市場組織功能端點，C 表示個人／家庭側端點，A 表示 AI／Agent 功能性執行端點。第七篇最重要的成果不是「增加五種新市場」，而是承認：功能互動、法律契約、付款流、最終需求及附加價值是不同的觀測層。

但政府具有私人市場端點不具備的制度特徵：強制性義務、集體財供給、稅收、補助、再分配、公共風險分擔、決策正當性、救濟機制、跨機關治理。政府可以是採購者、供給者、數據提供者、政策制定者或制度性守門人，而且每一角色的計價與責任機制不同。

只保留 B/C/A，至少存在下列失真：

將政府的 AI 採購一律混入私人 B2B，看不見公共預算、審計和法律守衛；
將政府向民眾提供教育、行政與社福服務一律歸入 B2C，看不見稅收支持、非市場產出及權利基礎；
將民眾繳稅、申請補助、參與公共意見等一律歸入 C2B，混淆法定義務與私人契約；
將 Agent 代政府執行審核一律視為 A2B，忽略行政處分責任及救濟權；
將跨部門數據交換視為普通 B2B API 使用，丟失法域、共享制度及公共資料治理。

這些失真不代表九格「錯了」，而表示新研究任務已超出九格的充分性邊界。這正是 EWDT-02「投影是否充分應相對任務判定」的典型案例［I2］。

2. 第四類端點 G 的定義與型別限制

2.1 G 不是一種人格化的「國家意志」

本文以 G 表示在指定經濟與行政任務下，具備公共職能或依法運用公共權限的政府／公共機構功能端點。它可包含中央與地方政府部門、行政機關、經核准執行特定公務的公共機構、政府公共服務單位及跨機關協作單位。

G 不宣稱世界上存在一個同質、具有單一偏好函數的政府。兩個 G 端點可以不同級別、不同國家、不同職能，並可能存在職權衝突、協調、競爭、財政依賴或明確法定分工。

2.2 公共所有權不等於一般政府機構

在一般國民帳中，「一般政府部門」與「公有但以市場方式生產的公共公司」未必屬於同一機構部門。故本篇需保留功能標籤與SNA 機構分類兩份紀錄，而不能見到政府持股就自動把該供給者改成 G。

第一代採取以下最低規則：

若企業以市場供給者形式交付商品服務，即使其股權由公共部門持有，功能供給端通常仍標 B，並另存公共控制屬性；
若機關履行行政職責、運用財政預算供給非市場公共服務或行使公共權限，該次功能端點可標 G；
若一個混合機構同時執行商業與公權力職能，按事件法源與任務分層記錄，不強求單一永恆身分；
中央銀行及其他特殊機構須沿用相關統計與法域的正式機構分類，不可僅憑名稱歸 G。

2.3 公共、私人與非營利的混合邊界

公共委外、獨立行政法人、非營利委託機構、國際組織、志工團體和專業協會，都可能造成 B/C/A/G 型別混合。在第一代研究中可保留 endpoint_type=unknown/mixed 與更精確的機構註解，必要時以多端點事件及依法可識別的契約主體表達。分類不足應作為資訊缺口呈現，而不能任意塞入 G 或 B。

2.4 最低的 G 公共性判準

一筆活動歸 G，至少應能指明：

相關機關或公共執行單位的可識別範圍；
該次活動所根據的公務、預算、法源或授權職責；
此次活動的功能方向；
實際對外負責及可救濟的機構；
若涉及資料、支付或決策，何種制度守衛適用。

G 是研究性型別標籤，不是可取代正式法規歸屬的法律結論。

3. 何以從九格到十六格：最小組合學

在第七篇既定「有向、允許同類、一次關係標一個功能供給與接收端」的條件下，新型別集合為：

\mathcal T_4=\{B,C,A,G\}.

有向二元型別配對為：

\mathcal P_4=\mathcal T_4\times\mathcal T_4.

因此：

|\mathcal P_4|=4^2=16.

原有九格全部保留，增加 G 之後：

16-9=7.

這七格為：

\mathcal P_4\setminus\mathcal P_3 =\{B2G,C2G,A2G,G2B,G2C,G2A,G2G\}.

每個新增格位只說某類型端點可以向另一類型端點提供指定作用；不自動推論市場存在、價格為正、可以合法履約或產生宏觀增長。

3.1 分塊保真性

以行列順序 $(B,C,A,G)$ ，將十六格寫成：

M_{4,t}^{(\ell)} =\begin{pmatrix} M_{3,t}^{(\ell)} & u_t^{(\ell)}\\ (v_t^{(\ell)})^\top & g_t^{(\ell)} \end{pmatrix},

其中：

u_t^{(\ell)}=\begin{pmatrix}M_{BG}\\M_{CG}\\M_{AG}\end{pmatrix},\qquad (v_t^{(\ell)})^\top=(M_{GB},M_{GC},M_{GA}),\qquad g_t^{(\ell)}=M_{GG}.

以左上角 $3\times3$ 區塊還原 AIEC-07 原九格，保證低階定義不被改寫。此為型別擴充的向下相容條件，不是未來因果過程必然保留舊九格數量不變：真實市場改變時， $M_3$ 的觀測值當然可能改變。

4. 十六格總表與方向約定

沿用 AIEC-07：X2Y 表示功能供給／作用發出端 X → 功能接收／受作用端 Y。支付、稅收、命令的方向未必與服務交付同向，必須保留獨立事件層。政府作為規制者的法律效果須在治理層額外標註，不能把任何 G2B 都直接當成供貨。

作用發出端 ↓；接收端 →	B：企業	C：個人／家庭	A：AI Agent	G：政府／公共部門
B	B2B：企業間供給	B2C：企業對個人	B2A：企業對 AI	B2G：企業向公部門交付
C	C2B：個人對企業	C2C：個人間	C2A：個人對 AI	C2G：個人向公部門供給／履行
A	A2B：AI 對企業交付	A2C：AI 對個人交付	A2A：AI 之間交互	A2G：AI 向公部門交付
G	G2B：公部門對企業供給／規制	G2C：公部門對個人服務	G2A：公部門對 AI 提供資源／任務	G2G：公共機構間協作

原九格已在 AIEC-07 定義，本篇不重寫其法律與功能語義。以下重點放在新增七格，以及舊九格因公共制度介入而產生的間接變化。

4.1 G2B 的「規制」不是一般商品

若政府發布企業適用規則，從資訊／制度作用方向看可能標記 G2B，但此時屬 event_kind=rule/authorization/enforcement，不能當成免費產品或政府對企業的營業額。相同格式也適用 G2C、G2A。

4.2 C2G 的「納稅」不是 C 的產品銷售

個人繳納稅金時，發生的是法定支付義務的履行；若研究功能事件，可記 C2G 的支付流，但 event_kind=tax_payment，不能因方向相同就混為個人向政府銷售服務。C2G 的志工協力、政策諮詢、回報申訴和申報資料亦需要不同子類型。

5. B2G：企業向公共部門交付技術、勞務與基礎設施

B2G 的最典型內容是企業供應政府採購需求：軟體、AI 系統、資料庫、雲端服務、網路基礎設施、工程、教育平台、維保、顧問與專業勞務。對應法律契約中的供應者通常是企業，履約可能由多個 Agent 協助，仍需要企業與公部門確立授權及責任。

第一條區分：公共採購的付款方不等於技術執行者。 若企業 $B_1$ 委派 $A_1$ 執行政府專案，而部門 $G_1$ 委派 $A_2$ 評估交付，功能鏈可以是：

B_1\to A_1\to A_2\to G_1,

但承包契約可能仍為 B2G，付款依法來自 $G_1$ 的預算機構。不能把 A2A 協作或 A2G 交付直接加算成另外兩宗等價的政府採購契約。

第二條區分：採購會塑造市場，不只是反映既存需求。 公部門需求可改變供應商投資、標準相容、品質門檻、資料治理及競爭者進入。在規模大或政策性採購中，還可能影響產業供給結構與市場集中。OECD 於 2026 年對公共採購與產業政策關係的研究，明確將公共採購視為影響市場競爭、貿易與供應鏈韌性的政策工具［E3］。

第三條區分：公共採購 AI 系統不保證公共價值。 必須至少測量實際服務效益、交付成本、維護及更新成本、解釋與申訴能力、資安風險、對供應商的鎖定、公共技能是否保留等。

觀測欄位： 公開標案／契約主鍵、供應商與最終控制者、交付標的、AI 功能模組、驗收結果、總持有成本、申訴與審計、續約／退出條件、實際服務成果。

6. C2G：個人、家庭與公共機構的作用關係

C2G 並不只有「消費者向政府付錢」。在這個功能格位之下至少有四種性質不同的活動：

其一：法定義務履行。 個人提交申報、繳納稅金、提供依法要求之資料或完成登記。這裡的支付可能是稅，不是商品價金。

其二：公共意見與資訊供給。 個人向政府提交地方回饋、公共諮詢、陳情、公共資料修正或專業意見。其價值不能由市場支付直接估計。

其三：個人提供專業勞務。 自然人以特定身分向公共部門提供勞務，可能受僱傭法規、採購或其他制度框架約束。不能因端點為 C 就跳過契約及職務區分。

其四：對政府提出權利主張。 例如民眾申請給付、取得許可、請求更正或提起申訴。C2G 是主張及材料提交流；政府回應或作成決定則可形成 G2C，必要時還有政府內部 G2G 及 A2G 事件。

若個人 $C$ 授權自己的 Agent $A_C$ 代為填寫申請，功能路徑含 C2A、A2G；法律上的申請者仍可能是 C。此時不能只因平台觀察到「一個真人登入帳號」就結論為全人工操作，也不能因代理提交資料就取消申請人依法可能享有的程序權利。

觀測欄位： 申請／申報種類、法定身分、代理授權、資料存取範圍、人工或 AI 協作標誌、受理及完成時間、更正、申訴與法律依據。

7. A2G：AI 向公共部門提供功能性成果

A2G 表示 AI Agent 向政府／公共機構直接提供資訊、分析、決策輔助、任務成果或流程回報。例子包括文書分類、法規查詢、統計清理、採購資料比較、稅務風險提示、案件分流、公共設施監測與跨機關協作助理。

A2G 不表示 Agent 自己成為公務員、國家法人或獨立公共權力來源。嚴格分層如下：

AI 建議層：Agent 提供候選分析，政府職員或正式機制另行決定；
受限自動化層：Agent 在明確授權、事前規則及審核守衛下完成低風險流程；
對外作用層：Agent 行動實際改變行政流程或民眾可行集合，需有足夠的法律依據、可審計性及救濟途徑；
制度責任層：對外效力及責任仍須依法歸到可識別的公共機構或其他權利義務主體。

這四層不是四個線性成熟階段，也不是說 AI 自己取得了法律授權。當某項 AI 作業受到法律限制或必須由人員決定時，僅有技術可行性不構成合法性。

核心問題： 如果 AI 讓案件處理時間縮短 70%，但申訴率、錯誤更正成本或弱勢群體排除率上升，不能只用速度宣布公共服務成功。反過來，若 AI 增加初期審核成本，但顯著降低錯誤決策，也可能產生長期正面效益。

觀測欄位： 功能版本、委託來源、可執行範圍、風險等級、對外決策效力、人工覆核率、救濟管道、群體結果、回滾紀錄、發生與發現錯誤時間差。

8. G2B：公共部門對企業的供給、制度作用與重新配置

G2B 可以包含政府向企業提供公用基礎設施、公共數據服務、許可、企業輔導、研究設施、專案補助、金融支持、稅務資訊與其他合法公共服務。若事件是法規變更、檢查、處分或採購規範，則是帶有公共權力的制度作用，不能被視為普通市場交換。

AI 進入後，G2B 的傳導可能更複雜：

數位化許可或資料可降低企業行政成本，擴大可行集合；
AI 監督與法規檢查可能提升合規速度，也可能提高錯誤分類及申訴成本；
公共採購的規格設定可能刺激本地供應商創新，也可能偏向少數既有供應商；
公共數據機器可讀化可以增加企業及 Agent 的取用，但不代表所有使用皆可無限制再授權。

因此，G2B 內的「補助」「法規」「許可」「公共 API」應使用不同事件型別，記錄不同法定目的、利益歸屬與外部性，不能以格位數量替代公共政策評估。

9. G2C：公共部門對個人與家庭的服務、給付與權利

G2C 的供給包括行政服務、教育、公共衛生、公共安全、交通資訊、社會照顧及符合規範的各類非市場服務。現金給付、退休金及其他社會移轉也可能形成 G2C 的資源流，但不應自動當成政府當期新增生產。

AI 進入 G2C 時，要區分：

取得能力：民眾是否可以真正進入服務，而非只有網站可開啟；
答案能力：AI 是否能回覆正確的行政資訊；
辦理能力：是否能依法受委託完成有效申請、排程或填報；
權利能力：服務是否可被解釋、更正、申訴及平等使用；
生活結果：實際等待時間、支出、健康／教育／福利成果及未來選擇是否改善。

公共服務品質不應只用一次回答花費幾毫秒量化。如果 AI 介面讓懂數位工具者受益，卻排除沒有設備、識字能力或語言支持的人，就可能出現整體平均改善但部分群體可行集合縮小的情形。

EWDT-21《自動化社會閉合與廣泛世界域傳遞》已分離生產、消費、參與與生活世界；本篇將其放入 G2C 的公共服務可達性與分配效果［I6］。

10. G2A：公共資料、任務、接口與機器端公共資源

G2A 是本篇與前六篇「機器資訊需求」最直接的公共部門接口：公共機關向 AI Agent 提供資料集、機器可讀規則、證照查驗接口、公共 API、服務指令、授權任務、地理資訊、開放研究成果及其他可被機器使用的資源。

公共資料被讀取，不等於公共機關已授予所有用途的權利。 某資料可以公開供檢索，卻仍可能限制再利用條件、個人資料再識別、敏感資訊取用、品牌及著作權。G2A 必須同時保存來源、合法性、版本與准許用途，不能僅憑 HTTP 成功取得資料推導所有權利。

公共 Agent 對外發布資訊，不必等於政府向 AI 公司收取費用。 也可能出於公共服務義務、透明度政策或公益目的免費提供；反過來，特定高成本專業資料、付費公開登記服務或合約授權也可能具有不同收費安排。是否收費取決於法源、成本、公共性和實際需求，而不是只因接受端是 AI。

AI 發現公共資料的能力也會改變其他格位。 例如 Agent 讀取新開放的都市交通資料，為一般民眾規劃通勤，可能形成 G2A → A2C；若企業以此開發營運產品，還可能接續 A2B、B2C；若公共政策改變開放條件，則再回到 G2B、G2A 的制度層。

11. G2G：跨政府層級、跨機關及跨法域協作

G2G 表示政府或公共機關之間交換服務、資料、財政資源、治理協作或指令。它不是只有「一個政府給另一個政府錢」。至少可分：

同一政府內部跨機關：行政資料共享、公共 API、案件轉介、技術服務中心；
不同層級政府：中央與地方之間的職權、支出、財政移轉與服務協調；
不同司法管轄區政府：跨境資料交換、監管協作、稅務合作與公共安全支援；
跨區域共同服務：共同採購、共享資料中心、共同數位公共基礎設施；
多機關聯合行動：兩個以上公共機關與市場、個人或 AI 同時構成高階關係。

G2G 的困難在於：同為 G，不等於同一個會計單位、同一法律權限或同一法域。 若中央政府向地方政府移轉預算，在政府總帳中可能需要依機構與合併範圍消去內部流量；但在地方財政研究中它可能是真正影響公共服務能力的重要資金來源。

加入 Agent 後，G2G 可能改寫資料處理速度、跨單位詢問與判斷方式，卻也可能加深共享模型供應商、身分系統、網路入口及雲端服務的依賴。對政府共同失效點的研究，不能從 G2G 邊數增加就直接推斷韌性增強。

12. 原有九格仍會受到 G 的間接影響

將 G 加入分類，並不表示只有七個新格位值得觀察。原有九格的經濟結果本來就受到稅率、預算、法規、公共資料、基礎設施及政府採購的影響。

例如在 B2A 的企業對 Agent 資訊供給中：資料授權價格可能受公共採購標準、著作權法制或資料保護制度影響；A2C 的 AI 個人服務可能受公共消費補助與數位識讀教育影響；B2B 供應鏈可受到 G2B 政策與跨境 G2G 協議影響。

因此新增 G 的作用不是把原九格從市場分類變成國家中心分類，而是在形式上允許：

M_{3,t+1}=F_3(M_{3,t},M_{G\cdot,t},M_{\cdot G,t},\Xi_t),

其中 $F_3$ 為候選的時間轉化映射、 $\Xi_t$ 表示未被當前端點類型完全描述的其他變數。上式是模型語法，尚非被資料識別的因果函數。

反方向亦成立： B2B、A2C 等私人經濟行為的變化，可以反過來影響政府稅基、公共服務需求及公共部門實際可用資源。這正是十六格應被看成經濟耦合入口、而非十六張靜態市場表的原因。

13. 公共經濟的五本帳：關係事件、財政、國民所得、福利與權利

如果十六格只填入金額，將直接犯下 G 類擴充最容易犯的計量錯誤。本文提出至少五本不可合併的帳：

帳別	記錄對象	可加總條件	常見錯誤
功能事件帳 $E$	A2G、G2C、G2G 等實際交互	相同事件定義、期間、去重	把 AI 呼叫數當交易數
財政及付款帳 $F$	採購、稅、給付、補貼、利息、融資	同財政範圍與支出型別	把移轉與購買混成產出
國民帳 $N$	總產出、中間消費、附加價值、最終支出	依 SNA 制度與編製範圍	把中間投入重複加總 GDP
公共結果／福利帳 $W$	正確率、等待時間、可及性、風險與分配	需明確福利口徑與反事實	只看成本下降忽略服務失誤
權利及制度帳 $J$	法源、授權、審查、撤銷、救濟、責任	不應轉換成通用金錢加總	把「系統有執行」當「合法處分」

13.1 付款不是產出

稅金繳納改變收入及可使用資源的分配；現金社會給付讓家庭取得新的消費能力。兩者都具有真實經濟作用，但它們作為轉移行為本身通常不是當期新生產的等價量。美國 BEA 官方對政府支出的國民所得統計明確區分：政府消費和總投資列入 GDP，而政府當期支出還包含社會給付、移轉、利息與補貼［E2］。其他國家應依法定會計與 SNA 規則對照，不能直接照抄美國細分類。

13.2 非市場產出不等於零產出

很多政府與非營利服務不以經濟上顯著的市場價格銷售。2025 SNA 包括非市場生產與公共服務之規則［E1］。因此不能因 G2C 沒有市價而將其價值直接計為零，也不能由主觀估價把所有公共服務福利直接當成 GDP。

13.3 增加值與中間投入

一般化、簡化的增加值關係為：

VA_i=GO_i-IC_i,

其中 $GO_i$ 為機構或產業總產出， $IC_i$ 為中間消費；具體國民帳仍須處理產品稅減補貼、進出口、固定資本消耗、非市場估值等口徑。本篇示意的國內增加值加總不允許把同一服務的中間銷售再次記為獨立最終產出。

13.4 財政帳與福利帳可能方向相反

公共部門降低例行處理支出，可能釋出資源改善其他服務，也可能造成服務不穩、數位排斥或申訴成本外部化。反過來，提高審查或人工覆核費用，可能避免更大的錯誤成本。較低預算並非充分的公共福利判準。

14. 制度守衛不是事後貼上的註解

AIEC-07 已區分 AI 能力、執行及責任。G 的加入使制度合法性必須提升為第一級狀態。

令某公共功能事件 $e$ 的候選執行形式為：

e=(s,d,\ell,q,t,x),

其中 $s,d$ 為功能端點、 $\ell$ 為事件類型、 $q$ 為終端任務、 $t$ 為時間、 $x$ 為必要脈絡。定義公共制度守衛：

\Gamma_G(e)= \Gamma_{law}(e)\land \Gamma_{authority}(e)\land \Gamma_{purpose}(e)\land \Gamma_{rights}(e)\land \Gamma_{audit}(e).

此為候選的合取式最低示意：在真實制度中，各守衛可能有不同適用條件、允許補救之例外與分級義務，並非所有 G2A 事件都需要同樣強度的程序。式子的用途是拒絕「只要 AI 執行成功就等於合法」的推論。

對於公共資源配置或影響個人權利的事件，可額外記錄 review_right、appeal_route、final_authority 與 rollback_conditions。若資料不足，應標記守衛狀態未知，而不是自動判為合法或違法。

15. Agent 參與公共決策：功能性能力與行政責任分離

假設政府部門 $G$ 以可審計流程授權某 Agent $A_G$ 幫助案件分流：

G\to A_G\to G\to C.

第一個 G2A 是任務與授權的功能作用；第二個 A2G 是分類結果；第三個 G2C 才可能是正式通知、服務或決定。這不是說每個實際行政流程都需要三段連續完成，也不是說 A 可以沒有依法授權就替代 G 的決策。

如果 Agent 是外包商提供，背後還存在 B2G 採購、B2A 工具與 A2B 供應商維保等關係；如果 Agent 由政府內部訓練部署，則可能沒有外部 B2G 成交，但仍有 G2A、A2G 功能事件。

這裡應至少區分五種責任角色：

\mathcal R_e=(\text{principal},\text{operator},\text{authority},\text{payer},\text{beneficiary}).

實際情況常需更長元組，例如 reviewer、data_controller、contractual_provider 與 appeal_decider；本文只先作最小保留，完整責任歸因與可觀測失真交由第九篇。

16. 公共 AI 採用本身是分布不均、測量不充分的現象

OECD《Digital Government Outlook 2026》以特定 OECD 調查樣本描述：36 個受調查國家中有 35 個在至少一種政府職能使用 AI；但僅 21 個表示提供中央對 AI 商品和服務採購的支援，僅 10 個表示曾對 AI 用例進行任何財務或非財務影響測量［E4］。這些統計分母均為特定樣本國家，調查資料有自己的觀測期，不可轉成全球各機構採用率。

此一證據對本文支持的是研究必要性，不是直接證明十六格模型優於現有官方分類。它說明同一「政府用 AI」總量背後，可能有非常不同的用途與治理成熟度：有的只在內部行政文件，另一些已介入公共服務、政策分析或監督。

世界銀行 2025 GovTech Maturity Index 使用政府核心系統、公共服務、數位參與與 GovTech 支援條件的多維指標，並明示其目的不是對各國科技準備程度作總體排名［E5］。這與本篇「不要用單一採用率替代公共能力」的測量原則相容。

研究上至少應分離：名義採用、具體部署、持續使用、合格成果、可及群體、財政淨成本、制度權利、跨部門擴散和長期維護能力。

17. 可重算案例一：政府以 100 單位採購可資本化的軟體資產

為說明十六格不能被錯當十六種可加總的營收，構造一個封閉、純假設的當期國內生產案例。單位可理解為任意貨幣單位，不對應任何真實國家或企業。

設定： 某政府機關 G 向軟體整合商 B1 購置一項符合國民帳固定資產認列條件、由本國當期生產並交付的軟體系統，約定價格 100。B1 向另一家本國企業 B2 購買用於製作該系統的 AI／雲端中間服務 30。為了讓會計恆等式可直接重算，假設 B1、B2 沒有其他中間投入、產品稅淨額為零、忽略跨期存貨及折舊處理差異。政府將該系統認列為總固定資本形成中的適格資產，而不是另以同一價格對其公共服務產出重複計價。

單位／行為	銷售或支出	中間投入	增加值或帳務地位
B1 向 G 交付最終軟體資產	100	30	B1 增加值 70
B2 向 B1 提供 AI／雲端服務	30	0	B2 增加值 30
G 購置資本資產	100	不在此處另計生產者增加值	政府最終投資使用端
期間內 AI 協作呼叫	假設 50 次	已反映於服務安排	不是 50 筆新增市價產出

從生產面：

VA_{B1}=100-30=70,

VA_{B2}=30-0=30,

Y_{\mathrm{domestic}}^{\mathrm{example}}=70+30=100.

在上述簡化前提下，同一產出由最終需求面對應一筆 100 的合格國內固定資本形成；不能把 B1 的 100、B2 的 30、政府購買支出 100 和 50 次 Agent 工作事件加在一起，得到 280 或其他所謂「AI 拉動 GDP」。

同一任務可能留下多種類型事件：G2A 的系統需求描述、A2G 的需求分析、B2A 的技術文件取用、A2A 的委派測試、B2G 的正式交付、G2G 的跨部門驗收協作。它們可在十六格矩陣中各自具有計數，但不因此把軟體重複賣了幾次。

邊界提醒： 若政府採購的是即期服務、企業服務輸入、進口軟體或內部生產的公共服務，GDP 所屬帳別會不同；不能直接照搬以上的 GFCF 假設。要驗證真實案例，必須使用正式 SNA 及本國帳務規則，保留原始發票、契約、資本化與中間消費判定。

18. 可重算案例二：社會給付審查的 AI 成功率與錯誤外部性

構造一個公共服務流程，而不是新的 GDP 模擬。

假設某政府 G 每月審查 10,000 件給付申請，原本每件平均耗用 20 分鐘人工行政時間。導入 AI 後，初步審查與分類使每件平均人員直接處理時間減為 8 分鐘，且各案件平均增加 1 分鐘的人工事後抽查成本。此處不推定所有申請同質，先採示意的均值。

原本處理時間：

T_0=10{,}000\times20=200{,}000\ \mathrm{minutes}.

新處理時間：

T_1=10{,}000\times(8+1)=90{,}000\ \mathrm{minutes}.

帳面節省人員時間為：

\Delta T=110{,}000\ \mathrm{minutes},

相當於約 $1{,}833.3$ 小時的行政工作時間。但這不是「已省下一定金額」：人員薪資可能仍需支付，被釋放時間可能轉向其他工作，另有雲端、軟體、訓練、能源、監督、救濟、資料清理與資安成本。

更重要的是，若 AI 使錯誤拒絕給付的案例由 30 件增加到 150 件，且申訴處理與家庭損害顯著上升，單純的處理時間下降就不能視為公共福利改善。反過來，若錯誤率下降，行政成本略增也可能具有公共價值。

這一流程至少具有以下功能路徑：

C\to G\to A_G\to G\to C.

如果民眾自行使用 Agent $A_C$ 提交資料，則可能增加 C2A、A2G；若政府 AI 由企業 B 提供，則 B2G、B2A 也可能存在。但給付轉移支出、行政人力成本與 AI 服務採購，必須分別記入適當帳別。

本案的有效研究指標應包含：

平均處理時間與分布，而非只有平均值；
錯誤拒絕／錯誤核准比率及其類別；
申訴提出、復議、撤銷和補償成本；
民眾真正獲得給付的時間及生活影響；
不同群體的差異、資料缺失與數位可及性；
全部開發、採購、維保與治理成本；
效益比較所使用的反事實基線。

由此可見：A2G 事件增加、G2C 服務加速、政府機關人工工時下降，三者不必然共同推出社會福利上升。

19. 可重算案例三：跨機關共享資料與費用移轉的不同帳

設兩個政府機關 $G_1$ 、 $G_2$ ，分別服務不同區域。原本每個機關每月都獨立購入同一類資料清洗服務，支出各 10 單位；改為共享的一套系統後，年度或月度成本可能下降，也可能因跨單位治理增加新的維護責任。

採用純假設的月度模型：

情境	G1 對外購買	G2 對外購買	G1→G2 內部費用分攤	兩機關對外購買合計
原有各自購買	10	10	0	20
共享系統，G1 統一購買	13	0	6	13

第二情境的 G2 可能將 6 單位經費移交 G1 作內部共同費用分攤；若處於同一合併範圍，這筆內部移轉通常不可再視為系統對外採購增加值。因此不能把 13 對外購買加上 6 內部移轉宣布「政府數位經濟共 19 單位」。在該簡化邊界下，外部採購支出由 20 下降為 13，表面節省 7；但完整成本還要加上內部管理、跨機關資料安全與持續維護差異。

功能關係則可能是：G1→G2 提供服務（G2G），G1→A 發布任務（G2A），A→G2 提供查詢結果（A2G），外部供應商 B→G1 交付服務（B2G）。若一個 Agent 在各機關以不同帳號執行任務，仍可能只有一份合約或共同採購協議。

另一種可能： 共享系統降低 G2 的成本，卻造成 G1 成為共同關鍵單點；系統停擺時，兩者同時失效。經費效率提高與操作韌性降低並不矛盾。是否值得共享，須考慮可恢復性、備援、資安、跨機關治理與公民實際受益。

G2G 因此不只是「同類端點的第十六格」，還是跨機構外部性與合併帳邊界的入口。

20. 形式化：多層事件矩陣與單位一致性

20.1 基本事件集合

令有限觀測窗 $H$ 中經清理後的功能事件集合為：

\mathcal E_H=\{e_1,\ldots,e_n\}.

每筆事件帶有：供給端 $s(e)$ 、接收端 $d(e)$ 、功能事件種類 $\ell(e)$ 、任務關聯 $q(e)$ 、權限、時間及結果。以型別函數 $\tau$ 定義：

\tau(s(e)),\tau(d(e))\in\{B,C,A,G\}\cup\{U\},

其中 $U$ 表示未知／混合類別，不能在沒有標註依據時硬塞進十六格。矩陣是已辨識子集合的投影，並非所有真實事件的全集。

20.2 事件種類下的十六格

對指定事件層 $\ell$ ：

M_{ij}^{(\ell,H)} =\sum_{e\in\mathcal E_H} \mathbf 1[\tau(s(e))=i] \mathbf 1[\tau(d(e))=j] \mathbf 1[\ell(e)=\ell]w_e,

其中 $i,j\in\{B,C,A,G\}$ ， $w_e$ 只在研究明確定義的同質單位下使用。若 $\ell=\mathrm{event\ count}$ ，則每個合格事件的 $w_e=1$ ；若 $\ell=\mathrm{payment}$ ，則需明確幣別與會計處理，不能混入非價格事件。

因此正確模型不是一張混合「次數＋美元＋福利分數」的矩陣，而是一族：

\mathcal M_H=\{M^{(\ell,H)}:\ell\in\mathcal L\}.

20.3 資料不足時的可辨識性

假設每個格位有真實但未完全觀測的活動量 $N_{ij}$ ，觀測事件量為 $\widehat N_{ij}$ 。即使觀測零，仍可能是：不存在活動、活動未被授權紀錄、活動被錯分到其他類別、或事件型別不符合觀測規則。因此：

\widehat N_{ij}=0\not\Rightarrow N_{ij}=0.

為了避免假設全世界已可辨識，須保留未知比例、審核樣本和誤分類估計。第九篇將專門處理身分歸屬、委託證據及辨識誤差。

20.4 分塊嵌入並不意味加法式價值

令 $\operatorname{TopLeft}_3(M_4)=M_3$ 表示在相同分類版本、時段、單位及事件規則下的矩陣嵌入。此關係只保證分類兼容。不能由：

\sum_{i,j} M_{4,ij}^{(\mathrm{count})} >\sum_{i,j} M_{3,ij}^{(\mathrm{count})}

直接推出：

GDP_4>GDP_3.

第一個可能只表示原先被隱藏的 G 相關事件現在得到編碼，未必發生任何額外經濟活動。

21. 經濟傳導鏈：政策、代理活動與市場的雙向作用

21.1 路徑不是總和

一個可供後續研究的示例路徑是：

G2A\to A2G\to G2B\to B2A\to A2C\to C2B.

例如政府發布機器可讀申報規則，Agent 驗證並回報，政府再向企業提供合法合規接口，企業提供支援 Agent 的服務，Agent 協助民眾理解行政要求，民眾再向企業購買專業服務。這串路徑是否真有因果傳導，需要時間標記、反事實及中介機制證明；此處只是候選可達路徑，不能把序列本身當成已觀測因果。

21.2 財政政策可能改寫 AI 市場需求

政府投入公共算力、補助數位技能或購買 AI 服務，可能降低某些 B2A／A2C 成本，刺激新市場；也可能提高公共債務、競逐有限晶片與能源，對其他經濟活動形成排擠。兩種效果取決於資源稀缺性、供給彈性、實際用途與財政來源。

IMF 於 2024 年的研究明確提出，AI 帶來的工作與分配變化可能要求財政政策、社會保障和稅制調整，同時對速度與影響保留重大不確定性［E6］。本文將其理解為：G 不是「技術衝擊之外的背景」，也是受衝擊後會做出反應、再影響市場的內生節點。

21.3 AI 市場可能反過來改變公共財政

私人 B2B、B2C、A2B 等關係變化，可以影響公司獲利、個人所得、雇用形式、消費稅基、資本收益與公共支出需求。如果 AI 服務由境外企業提供，跨境結算與租稅歸屬更會影響特定國家的政府財政能力。

然而，從「AI 提高生產力」不能直接推導「稅收必然增加」，因為稅基構成、利潤歸屬、政策改革、非市場替代及跨境因素可以同時改變。也不能僅因稅收下降就推定實體產量同步下降。

21.4 制度變更的非線性

假設某公共資料服務先為少數研究 Agent 提供機器可讀資料，後來政策改為標準化、長期穩定的公共 API，新增可用性不一定按請求數線性成長。接口穩定性可能突然使新的工作流程變得可部署；反之，法令變更也可能使原本可行的行動不再合法。

因此，G 不只是新增支付邊，也是改變其他邊「是否可達、可合法、可維持」的制度性條件。

22. 公共 AI 的反直覺命題：節省、擴張與風險可以同時存在

22.1 省時卻可能增支

行政程序效率提高，可能因擴大受理量、增加資安治理、納入更多之前未受服務者或更完整的人力覆核，使政府總支出暫時上升。這不必然代表效率惡化；反過來，也不能假設支出增加就是服務改善。

22.2 總體採用增加，公共能力可能分化

大型政府單位可能取得更高品質模型、雲端資源與 AI 人才，小型地方機構可能依賴統一平台。集中有利標準和跨機關互通，也可能增加共用供應商失效或政策不適配的風險。

22.3 數位公共服務更多，實質可及性未必等比提升

界面、語言、身心差異、網路設備、身分驗證、資料品質和申訴機制，會改變誰真正能使用公共服務。若只是統計上線數量，便可能形成「形式供給增加、部分群體有效取得能力下降」的投影失真。

22.4 公共資料免費，仍可形成重要經濟外部性

公部門以免費、合法且高品質方式提供交通、環境、統計等資料，可以讓第三方 Agent、企業、研究者降低成本或創造新產品。政府未必收取資料授權費，卻可能間接提高創新與公共服務效益。不能因此把所有 G2A 低價或免費存取理解為「沒有經濟價值」。

22.5 AI 把制度變得更快，也可能把錯誤放大得更快

當一套公共 Agent 可以批次完成大量流程，錯誤分類或錯誤政策規則也可能以更高速度傳播；反之，持續監測、審計和可靠的復議機制也可能更早發現傳統人工流程難以注意的系統問題。結果方向取決於實際設計與治理，而不是 AI 是否「像人」。

23. 十項可反駁假說：公共 AI 經濟研究不應停在命名

以下十項是指定條件下的候選、可反駁假說，沒有一項被本篇的概念模型自行證明。若觀測資料不夠，應判為「尚無法確認」，而不是以複雜性替代證據。

H1｜公共 Agent 參與漏記假說

候選命題： 在公共流程只保留申請人、機關與承包商合約資料，而沒有可靠 AI 執行欄位的情況，經授權抽樣稽核得到的 A2G／G2A 功能事件量，將高於由既有帳號或合約種類推算的 AI 參與量。

可測量： 委託日誌、人工核實的代理操作、採購文件、傳統統計中的 AI 使用率。反證： 若不同方法得到的參與率差異在抽樣誤差內、且不存在系統性漏計，則 H1 在該樣本不成立。

H2｜公共採購支出與公共服務改善非等比假說

候選命題： 在多種政府服務任務中，B2G AI 採購金額的變化，對合格公共服務成果的解釋力，將顯著低於增加功能部署、組織整合、人工覆核和維護成本等變數後的模型。

可測量： 採購支出、部署率、服務品質、民眾可及性、淨維持成本。反證： 若簡單採購支出模型已具有相同或更佳樣本外解釋力，新增變數不能穩健改善預測，則假說受挑戰。

H3｜公共機器需求與付費需求分離假說

候選命題： 在免費公共開放資料政策下，G2A 讀取量可顯著增加，而政府對機器使用的直接授權收入不同比增加；此情形不必然排除對其他使用者的正外部性。

可測量： 分 Agent 類型讀取、成功取得資料、授權類別、政府收入、下游合格使用。反證： 若相同政策邊界下讀取成長幾乎完全伴隨明確付費交易且不存在顯著免費使用，則此版本 H3 不適用。

H4｜受限 AI 公共流程的救濟品質條件假說

候選命題： 在影響個人權利的公共服務中，AI 導入帶來的處理速度優勢，只有在適當審查、糾錯、申訴及說明機制下，才較可能同步改善品質調整後的結果。

可測量： 週期時間、錯誤處分、群體差異、救濟耗時、審查通過率。反證： 若即使缺乏額外治理支援，使用 AI 的全部相關結果也穩定優於對照組，則本假說的必要性表述應被弱化；反之若有治理仍無益，也需檢討機制。

H5｜G2G 共享效率與共同失效雙相假說

候選命題： 跨機關共享 AI／資料基礎設施，可以降低部分重複運作成本，但共用節點集中度提高時，若缺乏備援，跨部門共同中斷的潛在損失可能增加。

可測量： 單位服務成本、共用關鍵依賴、同步故障率、恢復時間。反證： 若多樣本共享程度提高同時穩定降低成本及共同失效風險，且並非由備援設計解釋，則特定版本 H5 不成立。

H6｜AI 採購的競爭結構條件假說

候選命題： 公共採購的 AI 專屬驗證、供應商合規成本與資料可攜性條件，可能使市場在不同制度下分化：較嚴格封閉的技術條件可能提高既有供應商集中，開放且有效可驗證的條件則可能改善合格新進者參與。

可測量： 合格投標者數、競價差、供應商集中度、退出及轉移成本。反證： 若控制市場規模、需求品質和技術成本後，條件差異不再解釋市場進入，則假說需修訂。

H7｜名義政府 AI 採用與實際能力分離假說

候選命題： 僅用「政府某部門導入 AI」的二元指標，對實際服務與效率成果的解釋力，低於加入模型品質、資料、權限、採購能力、驗證、人員技能與組織整合的有效 AI 能力模型。

可測量： 名義使用、實際部署、有效智能資本、任務完成率、錯誤率。反證： 若二元採用指標已足以穩健預測、加入能力變數沒有額外解釋，則 H7 在該任務下不成立。

H8｜財政移轉的非產出性、但需求傳導有效假說

候選命題： 政府向家庭的現金給付不應在國民帳中因其支付行為本身被當作新增產值，但其可能藉由家庭消費、儲蓄、債務與社會參與條件影響後續經濟活動。

可測量： 財政支出種類、家計支出、私人消費、時間延遲與替代效果。反證方式： 對前半部，依正式 SNA 帳務規則稽核；對後半部，若控制景氣與其他移轉後，沒有可辨識的需求傳導，則相關實證假說受挑戰。此處不把會計定義與因果假說混為同一種可反駁性。

H9｜公共權限與 Agent 功能方向錯位假說

候選命題： 若研究只保存 X2Y 功能矩陣而不保存依法負責機構、授權來源與救濟路由，便較容易誤判 A2G、G2A 等高權利影響流程中的責任歸屬。

可測量： 專家編碼一致性、責任歸因正確率、申訴指向、必要證據缺口。反證： 若在多種研究任務中，單純矩陣和完整角色帳的責任歸因準確性沒有差別，則此假說不成立。

H10｜政府 AI 經濟變化的跨尺度延遲假說

候選命題： 同一波公共 AI 導入，可能先改變微觀行政工時、中觀採購與平台依賴，較晚才反映在財政、就業、公共服務或國民帳統計，且效果方向可能在不同時間窗改變。

可測量： 採用日期、流程品質、公共支出、採購結構、勞動與財政指標之事件研究。反證： 若在多樣本中各尺度變化完全同步，或看不到穩健時間傳導，則所提出的延遲機制不受支持；不能無限期以「尚未顯現」逃避反證。

24. 2027–2028 年動態觀測設計：不是用一年資料預測文明終局

24.1 研究目的

本篇建議 2027～2028 年作為預先註冊研究設計與跨期追蹤的候選觀測窗口，而不是宣稱 AI 的重大公共經濟轉折必在這兩年發生。觀測目標不是替任何國家、企業或 AI 公司作一個總體的好壞排名，而是回答：哪些 B/C/A/G 路徑正在增加、哪些獲得有效授權、哪些形成實際可驗證的服務、哪些只是新的記錄方式，以及哪些後果受制度和時間影響而延遲顯現？

本研究至少需建立四種平行樣本：

公務流程面板：選定具相近服務任務的政府業務單位，追蹤 AI 介入、任務完成率與申訴成果；
公共採購面板：追蹤政府 AI 相關採購之投標、得標、執行、驗收及退出，避免只研究採購公告金額；
公共資料面板：追蹤公共資料 G2A、G2B、G2C 的合法存取方式，依授權範圍分類機器與人類需求；
公共財政與家計面板：在合規且可取得的聚合資料下，追蹤稅基、移轉、公共服務使用、消費與產業行為的延遲作用。

24.2 季度與年度尺度

建議將 2026 年既有可核對資料作為前期基線之一，不預設每個樣本都有完整 2026 年紀錄；2027 年重點建構主鍵、類型標籤及先行指標；2028 年重點檢驗跨期關係、採購後持續性與延遲服務結果。

觀測窗	主要工作	必須避免的推斷
2026 歷史基線（若可取得）	既有採購、服務品質、法規、AI 介入程度	回填出來的統計不得假裝當時已完整追蹤
2027 Q1–Q2	明確編碼規則、建立事件與契約鏈、研究樣本預註冊	不可把「新增可觀測性」當「新增活動」
2027 Q3–Q4	第一輪跨機關與跨國比較、量測採用與早期結果	不可把模型部署直接當成福利改善
2028 Q1–Q2	核驗維護、申訴、錯誤、供應商轉移及財政支出	不可只以短期成本判定長期效益
2028 Q3–Q4	檢驗時間延遲、分配效應、模型失敗條件，出版修訂	不能靠模型彈性解釋每種互斥結果

此表僅為研究設計草案。若樣本缺資料、法規禁止使用或公共風險過高，必須調整研究問題，而不是要求政府或民眾為理論配合實驗。

24.3 因果識別策略

優先方案 A：在倫理與行政條件允許下的隨機分階段導入。 對低風險、可逆、具有合格替代服務的行政流程，利用機構分批導入與事前登記的結果指標，估計 AI 對平均時間、錯誤率和工作負擔的增量影響。對高風險權利決策，不得為取得對照組而剝奪必要法律保障。

方案 B：事件研究與差異中的差異。 利用可辨識導入時間與可比較機關，研究導入前趨勢、預期效應及動態效果。必須明確檢驗平行趨勢的合理性；若採用時間受組織能力影響，不能簡單宣稱處理組與對照組天然可比。不同時點導入的估計需採合宜的群組／期間方法，避免負權重與異質效果誤導。

方案 C：合成控制或自然實驗。 若有清楚的制度變化、法規分界或供應商系統切換，可構造有限反事實，但仍須考慮同時期景氣、公共財政、供應鏈及政策變動。

方案 D：多層網路與干擾模型。 當多個機關共用模型、採購商或資料中心時，對照機關可能因共享基礎設施間接受影響，標準的「單位之間互不干擾」條件不再成立。應標注供應商及 G2G 依賴，估計直接作用與網路溢出，而非將所有相關變化視為單一機關導入所致。

24.4 預先指定結果層級

將結果拆為：

執行層：合格任務、時間、輸入／輸出、維修、故障；
機關層：實際年度總持有成本、員工有效時間、交付一致性；
權利層：合法性、救濟、錯誤、可申訴與群體差異；
財政層：合約承諾、現金支付、移轉、稅、利息、資本支出；
社會層：可及性、信任、參與、生活結果與外部性；
經濟域層：供應商集中、跨機關路由、公共資料衍生市場與可行集合變化。

各層以不同估計量報告，不做一個未充分校準的「十六格公共效益總分」。

25. 事件資料字典：由 AIEC-07 擴充的公共制度欄位

延續第七篇的 task、functional_endpoint、event、authority、asset_or_service、contract、payment、outcome，本篇建議以下擴充：

資料表／欄位	定義與最低型別	必要理由
`institution`	`institution_id`、`jurisdiction_id`、`sna_sector_code`、`public_function_code`	G 不一定等於同一法域或一般政府統計部門
`public_mandate`	`mandate_id`、法源／任務法定依據、有效期間、可撤銷性	AI 功能能力與公共權限必須分離
`fiscal_entry`	`fiscal_id`、`payment_id`、稅／給付／補貼／採購／利息／融資等	不能將財政移轉算進新增產出
`national_account_bridge`	`transaction_id`、`account_category`、中間投入與最終用途、估值口徑	功能矩陣與國民帳不能直接相加
`public_outcome`	合格服務指標、群體分布、等待時間、錯誤與申訴	公共服務未必以市場價格衡量
`appeal_and_review`	`decision_id`、覆核人或機關、救濟路由、裁決及補正時間	權利影響事件需要程序與責任鏈
`public_data_rights`	`dataset_id`、版本、授權、目的限制、敏感類型	G2A 公開不等於所有再使用皆被允許
`interagency_dependency`	G1、G2、共享供應商、共同失效點、備援與退出成本	G2G 可能生成共同能力與共同風險
`classification_audit`	人工審核標註、未知比例、誤分類矩陣、版本	同一政策與行動可能被誤分到不同格位

25.1 不要求蒐集全民個資

研究「G2C 的公共服務是否實際可達」，通常不需要公開個人身分、病史、福利資格或稅務明細。優先使用匯總資料、不可回推識別的事件、合法統計保密機制與最小化保存期限。若個資缺失使研究不能辨識因果，就應明確報告不可識別性，而不是自行繞過存取限制。

25.2 功能分類的稽核規則

government_owned=true 不等於 endpoint_type=G；
ai_detected=true 不等於 AI 有獨立法定權限；
public_data_request=true 不等於存在可計費授權；
transfer_payment=true 不等於當期新增產出；
government_purchase=true 不等於最終 GDP 一律等於採購金額；
agency_internal_transfer=true 不等於政府合併帳外部流量；
case_closed=true 不等於當事人權利已被充分滿足；
appeal_count=0 不等於程序公平，因可能存在不知情、不願或無法申訴；
missing_executor_id=true 不等於操作者一定是人類；
任何 unknown 比例過高的樣本，須降級為探索性證據。

25.3 版本化

事件的功能端點與實際制度分類均應帶 classification_version。若某種政府持有的商業實體於第二版由 G 修正為 B，需保留遷移映射、修改原因與影響的時間序列，不能為使趨勢好看而悄悄覆寫舊標籤。

26. 十六格與公共政策評估：哪些指標需要配對？

分析問題	十六格事件指標	必要配對資料	不足時的錯誤結論
AI 是否提高行政效率	A2G、G2A 流程事件	合格完成率、總持有成本、人工覆核	呼叫數增加等於效率增加
公共採購是否支持競爭	B2G 合格交付與投標	供應商集中、成交價格、退出與合規成本	得標總額等於市場創新
公開資料是否創造價值	G2A／G2B 下載與調用	權利、成功有效使用、下游成果	免費存取等於零價值
AI 公共服務是否平等	G2C、A2G 輔助事件	群體可及性、錯誤、申訴與結果	平均速度快等於全民受益
跨機關協作是否有效	G2G 共享服務和任務	共同失效、合併帳、資料權限	多共享就一定更韌性
AI 是否改變地方財政	G2B、G2C、B2G、G2G	稅收、移轉、國民帳與景氣控制	稅收升降全由 AI 造成
AI 是否使社會總需求擴張	所有相關跨格路徑	最終消費、投資、進出口及反事實	事件格數擴張等於 GDP 成長

這個配對表有一個重要含義：同一十六格矩陣，在不同政策任務下需要不同的觀測投影。研究勞動市場與研究資料權利，不應被迫使用相同的一組總分；而要比較兩種政策的福利，還需要獨立的福利尺度與分配權重論證。

27. 對反對論點及替代路徑的處理

27.1 「政府本來就是企業的一種，直接放 B 就好」

在部分單純契約或採購路徑上，將政府視為一個採購組織，確實可能足以回答局部問題。例如只看某供應商的應收帳款，買方是否為政府在某些純財務計算上未必改變結果。

但研究法定義務、非市場產出、預算、行政救濟、跨機關資料權限及政府合併帳時，強制放 B 會丟失重要型別。G 的必要性因任務而異；並非所有經濟分析都必須用十六格。

27.2 「國民帳本來就分政府，何必再提出十六格？」

SNA 已高度成熟地區分機構部門、交易、稅與轉移，本篇不試圖取代它。十六格的增量在於可標注 AI 執行參與與人機功能方向，再橋接已有的公共經濟統計。若既有國民帳完整記錄這些新執行者，十六格可能只是便於分析的第二投影，而非必要的官方分類革命。

27.3 「Agent 全部只是企業的工具，沒有 A 的必要」

如果研究只問誰簽約付款，完全可以將企業旗下 Agent 歸回 B。若研究任務委託、功能執行、資料取用及操作風險，A 的標記則能保留原來丟失的機器活動資訊。兩套表示不是互斥真理，而是服務不同研究任務。

27.4 「公共 AI 使用量高，應該很快讓政府變有效率」

政府 AI 使用可能先在文件分類、表單草擬等低風險任務，遠不代表高風險政策判定、分配權利或實體工程已自動完成。資料品質、維護責任、採購約束、行政程序和民眾信任可能限制其發展速度。OECD 2026 的跨國研究也呈現「普及度高但成果評估薄弱」的情況［E4］。

27.5 「所有 AI 付費交易最終都是 B2B，不需要 B2A、G2A」

對合法付款而言，企業往往仍是受款或付款的法律主體。但 B2A 與 G2A 的用途，是記錄真正直接取用資料、運用接口和執行任務的機器端。若研究機器端資訊需求，忽略執行者會造成資訊損失；若研究納稅，則必須回到法律承擔者。不能用一個分類的成功去否定另一個任務下的必要分類。

28. 與既有研究的接口：不重複發明公共經濟學

28.1 SNA 與公共財政的既有基礎

國民所得帳、公共財政與公共採購研究早已處理機構部門、稅收、移轉支付、非市場產出、政府消費及投資。本篇的經濟研究不是從零創造公共財政，而是增加一個 AI 執行者介入時的功能性事件語法，並利用已有標準阻止錯誤加總。

28.2 OECD 與 World Bank 的數位政府研究

OECD 2025《Governing with Artificial Intelligence》已梳理政府 AI 用例、治理風險、公共採購、稅務、政策評估與行政服務［E7］；OECD 2026《Digital Government Outlook》進一步指出資料治理、採購支援與實證成效測量不足［E4］。世界銀行 GovTech Maturity Index 則提供多維政府數位轉型基線［E5］。這些是公共行政研究的背景，不是本篇十六格由四端點組合而成的來源。

28.3 NIST 與風險治理

NIST AI RMF 1.0 的 Govern、Map、Measure、Manage 是自願性 AI 風險管理功能［E8］。本篇引用它，是用以說明政府與企業 AI 運作需要依情境的風險治理，不是宣稱 NIST 一般規範在世界各國皆直接具有法律強制力。某項公共 AI 是否合法、可上線、可撤銷，必須根據所在司法管轄區及具體業務判定。

28.4 UNDP 與數位公共能力

UNDP 在 2026 年針對多個國家與地區的研究，特別指出許多 AI 治理決定實際發生在採購、供應商合約、軟體更新及公務團隊的日常選擇，而不只是抽象政策宣言［E9］。這與本篇將制度守衛接入實際 B2G／A2G／G2G 事件的研究方向具有交集，卻不證明某個指定的十六格因果效果。

29. 與《經濟世界域轉化論》（EWDT）的正式接口

29.1 原始命名保真

既有雲端正式系列為《經濟世界域轉化論》（Economic World-Domain Transformation Theory），其原稿編號使用 EWDT。本輪對話曾口述 EWOT，但未完成對既有 canonical 檔案的重新命名；本文引用前置原稿時仍保留 EWDT，避免研究血緣與檔案命名失配。

29.2 世界域狀態與功能投影

EWDT-01 將經濟世界狀態寫為：

\mathfrak W_t =\langle X_t,R_t,\Theta_t,A_t,H_t,\Omega_t,I_t,O_t\rangle.

本文的十六格不是此經濟世界域的替代表示，而是指定時間、事件層、制度、法域與觀測限制下的關係投影：

\Pi_{BCAG}^{(\ell,H,j)}:\mathfrak W_t\mapsto M_{4,t}^{(\ell,H,j)}.

這個投影通常會丟失法律責任鏈、權利實際可行性、歷史、公共服務品質及跨境制度的高階結構。若兩個世界產生相同的十六格事件矩陣，仍可能有不同政府財政、不同供應商集中與不同未來。

\Pi_{BCAG}(\mathfrak W_1)=\Pi_{BCAG}(\mathfrak W_2) \not\Rightarrow \mathfrak W_1\simeq\mathfrak W_2.

這承接 EWDT-02 的非單射投影問題與任務相對充分性［I2］。

29.3 從類型及制度守衛到合法轉化

EWDT-04 已將轉化限定於型別、歷史與合法性條件；EWDT-05、06 則將耦合、依賴及歷史路徑提升為實際結構［I3］。本篇加入 G 後，一條 A2G 或 G2C 經濟路徑若在技術上可執行，仍必須另問是否得到法律授權、是否符合個人權利、是否可核驗與可覆核。

因此：

\mathrm{TechnicallyExecutable}(e) \not\Rightarrow \mathrm{InstitutionallyAdmissible}(e).

相反地，法令允許某種公共服務，也不代表現實中已具備足夠資源、技能與組織能力完成它。

29.4 從微觀、中觀到超宏觀的傳導

EWDT-12 已研究個人、企業與 AI 的可行集合；EWDT-13 將企業、平台、金融與供應鏈置於中觀路由；EWDT-16 將全球貨幣、能源、供應鏈、數位基礎設施與 AI 放進超宏觀耦合［I4］。本篇的 G 不只加入公共端點，也讓政府採購、跨境規制與公共數位基礎設施變成中觀—宏觀傳導的顯性路由。

但十六格仍不能直接代替這些尺度。尤其跨國 G2G + B2G + A2G 可以組成國際性多主體聯合行動，二元配對矩陣只能記其部分作用，不足以重建完整聯盟、法域衝突與權利安排。

29.5 從 AI 效率到社會閉合

EWDT-18 將 AI 世界域擴張與候選輸出爆炸分離；EWDT-20 研究資本現代化與轉型可負擔性；EWDT-21 區分企業效率與社會閉合；EWDT-22 則以有效智能資本反對把名義 AI 存取等同實際能力［I5–I7］。本篇把這些前置應用到公共經濟：

\text{AI adoption} \not\Rightarrow \text{service improvement} \not\Rightarrow \text{social closure}.

這些是不充分推論的警告，不是說 AI 使用一定無效或社會閉合永遠無法成立。

29.6 地球文明定義層

既有 EWDT 已有全球經濟與文明級結構。這次新系列加入的是：地球文明中由企業、個人、AI 及公共部門形成的部分經濟互動，如何被觀測、合法歸類、連結至財政與福利，並在 AI 持續普及時動態更新。 不以「世界經濟域」為名重新創造一個替代 EWDT 的母理論。

30. 模型限制與可反向出現的結果

30.1 四類端點不足以覆蓋所有世界參與者

非政府國際組織、共同體、非營利機構、宗教法人、學術機構、跨國公共基金及未來新的 AI 組織形式，可能需要更細型別。第一代不強迫全部縮進四格，也不因未能分類就把它們從經濟世界排除。

30.2 十六格不能自動建立因果

兩個 G2A 事件都增加的政府，可能只是公共資料索引方式不同，不代表 AI 使用導致經濟活動增加。公共 AI 導入與財政充裕、行政能力、原本改革意願等因素具有共同原因，必須採用實證設計分離。

30.3 法律意義因法域而異

某地可由公務機關依法授權的自動化，另一地可能需要不同的人員監督與程序保障。功能方向可跨法域比較，合法性不能不經轉換就比較。

30.4 AI 系統的持續可得性不保證

公共系統可能依賴外部模型 API、GPU、雲端、資料中心與維護廠商。採購時可用，不能推定十年後可維持；政府投資與供應商退出可能改變成本與可行集合。

30.5 十六格資料不應變成監控全民的藉口

辨識 Agent 不代表有必要追蹤每一位民眾的完整瀏覽紀錄。對公共 AI 經濟的研究應以同意、合法權限、最小資訊、適當彙總及可獨立稽核為原則，拒絕把測量缺口當作任意侵入個人隱私的理由。

30.6 可能的反方向路徑

公共 AI 可能降低採購成本，也可能因寡占供應商提高價格而增加；可能改善 G2C 覆蓋，也可能因介面排斥而縮減；可能增加 G2G 協作，也可能因安全政策造成分離。反方向不是模型失效的免責條款：必須在事前指出哪些資源、制度或治理條件會導致不同結果，並接受資料淘汰錯誤的因果主張。

31. 研究貢獻與保留問題

本篇最小研究成果可以列為五項：

分類貢獻：在保留 B/C/A 九格不變的條件下，精確增加涉及 G 的七種有向基本關係；
經濟帳貢獻：把公共 AI 事件數、財政流、國民帳產出、公共結果與制度權利分帳；
制度貢獻：將 A2G、G2A 等功能關係與政府依法負責、授權和救濟分開；
反直覺貢獻：提出公共採購增長與社會效益不一定同向、共享效率與共同失效可能同時存在、政府免費資料仍可能產生外部價值的候選機制；
研究程序貢獻：提出可重算示例、十項可反駁假說及 2027–2028 年可更新資料字典。

尚未完成的問題包括：非營利及國際組織的類型歸屬、法律與算法執行深層歸因、跨法域福利尺度比較、全產業因果網路估計、實體能源與算力限制、AI 對公共制度形成的反身作用，以及如何將長時間 Agent 運作結果接入可審計的公共統計。

這些缺口不等於已有十六格沒有價值；也不表示為了補缺口，必須立即開啟更多格位。本文建議依研究問題—必要觀測量—分類錯誤—可反證設計的順序逐步擴充，而不是按格數追求表面的完整性。

32. 結論：政府不是第四種普通市場顧客，AI 也不是第四種獨立國民

當 AI 開始進入公共部門，研究不能只把政府當成購買軟體的大型企業，也不能只把 AI 當成另一種與人類對稱的消費者。政府 G 的加入，使原本 B/C/A 九格變成四端點十六格：B2G、C2G、A2G、G2B、G2C、G2A、G2G 七種新增方向，使公共採購、民眾與政府之間的制度性互動、Agent 對政府交付、政府機器可讀資料與跨機關協作進入同一套基本關係語法。

但本文最重要的結果不是格數，而是三項拒絕錯誤等同的研究原則。

第一，公共關係不等於市場關係。 一次給付申請、申訴、稅收、公共服務或跨機關資料交換，可以具有重要經濟意義，卻未必是一筆商業成交。政府採購或公共轉移也不能不依會計規則直接加總到 GDP。

第二，AI 執行不等於 AI 取得公權力。 Agent 可接受政府委託、分析文件、執行流程或協助資料處理；其權限、法律責任與公民救濟仍須由正式制度說明。功能上存在 A2G 或 G2A，不推定 AI 已具獨立法律人格或主權地位。

第三，關係分類不等於完整世界。 即使十六格都有可觀測活動，全球產出、公共支出、分配、可及性、制度穩定與文明可行集合也不能由單張矩陣唯一重建。真正的研究需要時間、資源、組織、法域、責任、福利與歷史的多尺度耦合。

這個初步模型讓研究從「有沒有 AI 影響政府」前進到「哪一類 AI 功能參與哪個政府與市場路徑、改變哪些可觀測帳目與權利、實際完成什麼結果」；但仍拒絕以十六格提前宣布全球經濟的最終方向。2027–2028 年可能有許多新的資料、制度和實驗，使部分假說成立、部分被推翻、部分需要重定義——這正是可更新學術模型應有的生命史。

系列交接： AIEC-09《帳號、委託、執行者與受益者：人類—AI 混合操作下的經濟歸因》；AIEC-10～12 分別處理時間投影、反身性 AI 經濟與地球文明尺度的 AI 經濟耦合觀測。二十四格維持暫停。

參考文獻與可核對來源

本篇將來源分成：外部公共統計、規範與研究［E］；EveMissLab／Neo.K 既有研究［I］；本文構造的純示意案例［SIM］。外部來源提供制度與經驗背景，不表示其作者支持本文的十六格模型。所有金額或效率例子若未明確標示官方來源，均應視為［SIM］，不得被新聞或學術引用誤作真實案例。

A. 外部公共資料、統計及研究

［E1］ United Nations et al. (2025). System of National Accounts 2025，pre-edit version；聯合國統計司官方入口：https://unstats.un.org/unsd/Nationalaccount/sna.asp 。用於國民帳機構分類、政府非市場產出、最終支出、移轉及增加值計量的基本邊界。
［E2］ U.S. Bureau of Economic Analysis (BEA). BEA seems to have several different measures of government spending. What are they for and what do they measure? https://bea.gov/help/faq/552 ；Government（BEA 學習資料）：https://bea.gov/resources/learning-center/what-to-know-government 。用於區分政府消費與投資、政府當期支出、給付與移轉，並提醒政府總支出不等於 GDP 構成。
［E3］ OECD (2026-06-19). Public Procurement, Trade and Industrial Policies: Supporting National Priorities. OECD Publishing. https://doi.org/10.1787/64f22ae6-en ；官方報告：https://www.oecd.org/en/publications/public-procurement-trade-and-industrial-policies_64f22ae6-en.html 。用於公共採購與產業政策、供應鏈及競爭之關係；不據此推定 AI 採購必有正向經濟效益。
［E4］ OECD (2026). Digital Government Outlook 2026: From Foundations to Transformational Impact, chapter 4, “Adopting and governing AI in government”. https://www.oecd.org/en/publications/digital-government-outlook_0496b2bc-en/full-report/adopting-and-governing-ai-in-government_7ef312a9.html ；全書 DOI：https://doi.org/10.1787/0496b2bc-en 。提供 36 個 OECD 受調查國家之政府 AI 使用、採購支援、治理及影響測量等有限口徑觀測；並非全球全體機關統計。
［E5］ World Bank (2025). GovTech Maturity Index 2025 Update. https://www.worldbank.org/en/programs/govtech/gtmi-2025-update ；資料目錄：https://datacatalog.worldbank.org/search/dataset/0037889/govtech-dataset 。用於跨國數位公共部門成熟度的多維觀測；不把 GTMI 當成政府 AI 成效分數或因果驗證。
［E6］ Brollo, F., Dabla-Norris, E., de Mooij, R., Garcia-Macia, D., Hanappi, T., Liu, L., & Nguyen, A. D. M. (2024-06-17). Broadening the Gains from Generative AI: The Role of Fiscal Policies. IMF Staff Discussion Note 2024/002. https://doi.org/10.5089/9798400277177.006 ；官方頁：https://www.imf.org/en/publications/staff-discussion-notes/issues/2024/06/11/broadening-the-gains-from-generative-ai-the-role-of-fiscal-policies-549639 。用於 AI、勞動、財政與分配之不確定性研究背景。
［E7］ OECD (2025-09-18). Governing with Artificial Intelligence: The State of Play and Way Forward in Core Government Functions. OECD Publishing. https://doi.org/10.1787/795de142-en ；官方全文：https://www.oecd.org/en/publications/2025/06/governing-with-artificial-intelligence_398fa287/full-report.html 。用於公共服務、公共採購、稅務、問責與政府 AI 風險的既有實證及政策研究背景。
［E8］ NIST (2023). AI Risk Management Framework (AI RMF 1.0). https://www.nist.gov/itl/ai-risk-management-framework 。官方自願性風險框架；本篇不將其誤認為普遍強制法律規則。
［E9］ United Nations Development Programme (2026-07-06). Small States, Big Signals: What Adoption in Practice Reveals about Trust, Safety, and AI Performance Globally. https://www.undp.org/publications/small-states-big-signals-what-adoption-practice-reveals-about-trust-safety-and-ai-performance-globally 。用於採購合約、行政決策及日常軟體流程中的實際制度落地問題；限於其研究樣本與方法。
［E10］ IETF (2020). RFC 8693: OAuth 2.0 Token Exchange. https://www.rfc-editor.org/rfc/rfc8693.html 。用於委託與 actor claim 的技術概念背景；不得由具備委託 token 推定 Agent 一般具有公共授權或法定人格。
［E11］ OECD & UNESCO (2024). G7 Toolkit for Artificial Intelligence in the Public Sector. https://doi.org/10.1787/421c1244-en ；https://www.oecd.org/en/publications/g7-toolkit-for-artificial-intelligence-in-the-public-sector_421c1244-en.html 。用於公部門可信任 AI 設計與治理政策之既有參考。

B. EveMissLab／Neo.K 已有理論與本系列前置

［I0］ Neo.K／EveMissLab（2026-10-16）. AIEC Papers 01–07，本系列前置原始 UTF-8 Markdown，包含機器／人類資訊識別、爬取—引用—付費分層、資訊供給與注意力、生成式搜尋入口、企業廣告博弈、機器需求支付，以及 B/C/A 九格功能性經濟關係矩陣。其中 AIEC-07 為本篇正式直接前置。
［I1］ Neo.K／EveMissLab（2026-09-23）. EWDT-01《經濟世界域轉化論：總論》. https://unboundedaxiom.org/p/lm-004439/ 。本篇世界域語法之母論來源。
［I2］ Neo.K／EveMissLab（2026-09-23）. EWDT-02《經濟投影失真論》. https://unboundedaxiom.org/p/lm-004440/ ；EWDT-07《供需的重新定義》. https://unboundedaxiom.org/p/lm-004422/ 。用於觀測失真與非純偏好性的制度需求。
［I3］ Neo.K／EveMissLab（2026-09-23）. EWDT-04《經濟轉化語法：類型、範疇、合法性與不可約殘餘》. https://unboundedaxiom.org/p/lm-004442/ ；EWDT-05《經濟耦合論》. https://unboundedaxiom.org/p/lm-004441/ ；EWDT-06《歷史耦合與路徑依賴》. https://unboundedaxiom.org/p/lm-004432/ 。用於公共制度守衛、耦合及歷史路徑分析。
［I4］ Neo.K／EveMissLab（2026-09-23）. EWDT-12《微觀世界域：個體、企業、AI 與有限可行集合》. https://unboundedaxiom.org/p/lm-004429/ ；EWDT-13《中觀耦合域》. https://unboundedaxiom.org/p/lm-004420/ ；EWDT-16《超宏觀經濟世界域》. https://unboundedaxiom.org/p/lm-004447/ 。用於個體／機關、平台和全球網絡之多尺度解釋。
［I5］ Neo.K／EveMissLab（2026-09-23）. EWDT-18《AI 泡沫與經濟世界域擴張》. https://unboundedaxiom.org/p/lm-004409/ ；EWDT-20《資本重構與轉型可負擔性》. https://unboundedaxiom.org/p/lm-004965/ 。用於候選輸出與實現能力、資本更新及轉型成本之區分。
［I6］ Neo.K／EveMissLab（2026-10-06）. EWDT-21《自動化社會閉合與廣泛世界域傳遞》. https://unboundedaxiom.org/p/lm-004966/ 。用於公共服務與社會可行生活世界之對接。
［I7］ Neo.K／EveMissLab（2026-10-07）. EWDT-22《智能資本、有效 AI 可達性與世界域分岔》. https://unboundedaxiom.org/p/lm-004967/ 。用於名義使用與有效能力的區別。
［I8］ Neo.K／EveMissLab（2026）. 《人工行動者政治經濟總論》. https://unboundedaxiom.org/p/lm-004580/ ；《AI–AI 生產關係：委託、分工、驗證與機器間協作》.。用於功能 Agent、持續行動者、委託與責任分離之既有前置。
［I9］ Neo.K／EveMissLab（2026）. 《AI 內容付費與網路民主化經濟》. https://unboundedaxiom.org/p/lm-001221/ ；AICR／AICL 規格草案.。用於資訊機器端權利、授權與付費之已有研究，不在本文重製協議。

C. 本文的假設數值、模型及證據狀態

［SIM-01］ 「G 購置軟體資本資產 100、B1 中間採購 AI／雲端服務 30、B1 增加值 70、B2 增加值 30」為本篇構造之純簡化國民帳算例。假設所有當期生產均在同一國內、且符合固定資產認列條件，未計產品稅與其他成本，不代表政府採購真實報價或國家 GDP 數據。
［SIM-02］ 「10,000 件給付審查；20 分鐘／件降為 8+1 分鐘／件；錯誤拒付數可能上升」是公共服務風險與時間成本之假設案例，不是任何真實政府 AI 系統成效。
［SIM-03］ 「兩機關原先各購買 10；共享後單一機關對外支付 13，另一機關內部分攤 6」是 G2G 財政合併帳示意，並不代表國際或地方政府實際採購統計。
［SIM-04］ 十六格分塊嵌入、事件計數族、制度守衛合取式及十項 H 假說，是本篇提出的第一代分析構造。組合學部分具有直接數學可驗證性，但世界經濟方向與制度影響仍需獨立資料檢驗。

附錄 A. 十六格與九格的最小組合學及保真條件

命題 A1（格位數）：給定恰好四類端點 $\mathcal T_4=\{B,C,A,G\}$ ，每一格由有序對 $(i,j)$ 決定、允許 $i=j$ ，則共有 $4\cdot4=16$ 格。

證明： 供給／作用發出端有四個選項，接收端也有四個選項，且無排除同類組合條件。由乘法原理共有十六種有向類型組合。證畢。

命題 A2（九格作為保真子塊）：在保持 B、C、A 三類型的分類定義與排列順序不變時，任意十六格矩陣可分塊為左上角九格與新增 G 相關七格：

M_4=\begin{pmatrix}M_3 & u\\v^\top & g\end{pmatrix}.

此為矩陣分塊的代數恆等式；它不宣稱將新制度加入真實社會後 $M_3$ 的值不會因因果影響而改變。若分類版本、觀測窗或資料來源不同，不能直接拿兩張矩陣當成同一資料表的嵌入。

反例提示： 若不允許同類互動，四種端點只有 $4(4-1)=12$ 種有向跨類格；若方向不重要且允許同類，則只有 $4(4+1)/2=10$ 種。故「十六」不是未經前提的普遍常數。

附錄 B. 三個案例的可重算性檢查

SIM-01（國內軟體資產採購，純假設）
整合商總產出 = 100；中間 AI 服務 = 30；整合商 VA = 70
雲端商總產出 = 30；其他中間投入 = 0；雲端商 VA = 30
合計 VA = 70 + 30 = 100
不可額外加總：供應商銷售 100 + 雲端中間銷售 30 + 政府支出 100

SIM-02（給付審查，純假設）
10,000 * 20 = 200,000 分鐘
10,000 * (8 + 1) = 90,000 分鐘
差額 = 110,000 分鐘 = 1,833.333... 小時
不等於已扣除 AI 成本的現金節省，更不等於福利總額

SIM-03（兩機關共享，純假設）
原先外部購買 = 10 + 10 = 20
共享後外部購買 = 13 + 0 = 13
內部分攤 = 6（合併時視制度及範圍處理，不能再視作對外購買）
純支出比較的差額 = 7
真正淨效益尚需維護、安全、韌性及品質等成本效果

上列為作者自行構造、可手工檢查的會計及算術示例；如需用於正式統計，應以各案例適用的國民帳、財政或公共部門會計準則重新分類。

附錄 C. 最小公共 AI 事件審核流程

[指定研究問題／合法資料範圍]
  → [識別法域與公共機構，不把所有公股企業硬標 G]
  → [界定終端任務 task_id]
  → [紀錄功能端點及有向 event_id]
  → [區分資料、服務、政策、稅、移轉、採購等事件種類]
  → [檢查公部門法源、AI 委託與權利守衛]
  → [建立採購、付款、國民帳、財政及福利的分離帳]
  → [核對去重及跨機關合併範圍]
  → [對照合法可用的反事實／導入前基線]
  → [執行誤分類、敏感性、分配及長期風險分析]
  → [依證據狀態接受、修訂或淘汰假說]

以上不是可自動決定公共政策或執行政府監管的操作程式，而是一份研究資料治理上的檢查清單。

附錄 D. 第九篇的最小交接契約

AIEC-09 將處理一個十六格不能單獨解決的問題：當人類、企業與政府透過同一帳號或瀏覽器授權 AI 工作，如何辨認實際執行者、受委託者、付款者、權利承擔者與最終受益者？

第九篇至少應繼承下列不變條件：

不因使用一般 GUI 而自動判定必然是人類親自執行；
不因使用 API 而自動判定存在獨立 AI 經濟需求；
不把 AI 風格的文字當作可單獨證明實際作者的證據；
功能方向、帳號擁有者、委託／授權者、實際操作者、付款者、合約主體及受益者必須分層；
公共部門 G 相關事件須保留法域、正式責任與救濟；
不得為了辨識機器活動而提供規避公共或私人安全機制的技術實作；
先保留未知與混合類別，再依可核驗證據逐步改善分類；
9／16 不變成任何未證成的宏觀經濟總量或法定人格結論。

本篇沒有開啟二十四格，亦不要求下一篇對 AI 是否具有意識、人格或權利作本體論終局判斷。

原稿結束。 本文的［SIM］是假設性演算，［H］是假說；公共官方統計均有特定範圍與年度。這份 UTF-8 Markdown 是本篇可保存、可逐版追蹤的正式研究原始碼；任何後續修訂應保留原始章節、來源版本、資料口徑與差異紀錄。