--- title: "政治行動者智能作為經濟基礎設施：從人物模型到政策機率、產業暴露與企業決策" english_title: "Political Actor Intelligence as Economic Infrastructure: From Actor Models to Policy Probability, Industry Exposure, and Firm Decision Support" series: "AI-Native Longitudinal Actor Intelligence" author: "Neo.K" institution: "EveMissLab／一言諾科技有限公司" paper: "06" version: "v0.1" date: "2026-08-28" language: "zh-TW" status: "Working Paper / Canonical UTF-8 Source" scope_note: "本文提出研究與決策支援架構，不構成投資、證券交易、法律或監管建議。所有人物與政策估計均應保留不確定性與來源可追溯性。" --- # 政治行動者智能作為經濟基礎設施：從人物模型到政策機率、產業暴露與企業決策 **Political Actor Intelligence as Economic Infrastructure: From Actor Models to Policy Probability, Industry Exposure, and Firm Decision Support** **AI-Native Longitudinal Actor Intelligence Series — Paper 06** ## 摘要 政治人物模型的經濟價值並不止於選舉預測、新聞評論或公民監督。政府領導者、議員、監管者、央行官員與政黨聯盟的偏好、權限、可信度、執行能力與政策修正模式，會透過稅制、監管、貿易、能源、國防、產業補貼、公共採購、勞動規則、土地使用、金融條件與地緣政治等渠道改變企業的現金流、資本成本、投資時點與供應鏈配置。既有經濟與金融研究已充分顯示：經濟政策不確定性、選舉不確定性、地緣政治風險與企業特定政治風險會影響投資、招聘、股價波動、遊說與跨境組織決策。然而，多數既有指標主要衡量已經出現的政治風險或不確定性，而不是從長時序行動者資料推估「某個政策在特定制度路徑下真正落地的機率」。 本文提出 Political Actor Intelligence as Economic Infrastructure（PAI-EI）框架。其核心鏈條為： $$ Actor \rightarrow Policy \rightarrow Institution \rightarrow Implementation \rightarrow Industry \rightarrow Firm $$ 本文將政策意圖與政策實現分離，提出 Policy Realization Probability（PRP）： $$ PRP(p,t)= P(Intent_p) \cdot P(Adoption_p\mid Intent) \cdot P(Implementation_p\mid Adoption) \cdot P(Persistence_p\mid Implementation) $$ 其中每一項機率都應由政治人物的長時序言行、角色權限、聯盟結構、立法門檻、行政能力、歷史交付紀錄與外部約束共同估計，而非從單一競選承諾直接推出。Paper 02 的 Discourse–Execution Gap 因此成為經濟模型中的關鍵校正：政策表態機率與政策落地機率不是同一變項。 本文進一步建立 Political-to-Economic Transmission Graph，將政策 realization probability 映射到產業與企業 exposure。對企業 $f$ 的政策暴露可表示為： $$ PE_{f,p} = PRP_p \cdot Sensitivity_{f,p} \cdot Magnitude_p \cdot Duration_p $$ 而跨多政策的企業政治暴露則形成可時間更新的 exposure vector。本文同時提出 Lead-Time Intelligence Value：政治情報真正的企業價值並非只在準確描述已公布政策，而在於能否在政策正式發生以前，以可校準的方式提早更新決策機率： $$ Value \propto Accuracy \times LeadTime \times DecisionImpact $$ 本文並將政治人物智能與既有 Economic Policy Uncertainty、Geopolitical Risk、firm-level political risk、央行文本量化與事件研究連接。近年研究已顯示，企業特定政治風險與投資、招聘及政治活動高度相關；2025–2026 年貿易政策衝擊研究則顯示，政策本身與政策可預測性的改變都會顯著影響全球企業估值與投資誘因。大規模央行文本研究甚至已將 169 家中央銀行、1884–2025 年的 74,882 份文件轉換成可量化的政策方向與風險訊號，並發現其能解釋未來市場利率與波動。這些結果表明，政治與政策文本本身可以成為經濟訊號；PAI-EI 的增量在於把這些訊號放進 actor-specific、institution-aware、execution-adjusted 的長時序模型。 本文最終主張：政治人物資料庫若只提供「人物介紹」會低估其價值。真正高價值的形式是可重播的政治—制度—政策—經濟圖譜，使研究者與企業可以問： > 如果某行動者取得某種權力，在當前聯盟與制度約束下，哪一類政策的實現機率正在上升？哪些產業與企業最先暴露？我們比正式公告提早多久知道？ 這使長時序政治行動者智能從媒體工具轉化為經濟決策基礎設施。 **關鍵詞：** 政治風險、政策不確定性、Political Actor Intelligence、企業風險、政策機率、監管暴露、地緣政治、長時序資料、經濟情報、lead-time intelligence --- ## Abstract Political actor models have economic value far beyond elections, journalism, or public accountability. Political leaders, legislators, regulators, central bankers, and party coalitions influence taxation, regulation, trade, energy, defense, industrial policy, procurement, labor rules, land use, financial conditions, and geopolitical exposure. Existing research has established that economic policy uncertainty, election uncertainty, geopolitical risk, and firm-specific political risk affect investment, hiring, market volatility, lobbying, and organizational choices. Yet most existing indicators measure realized or contemporaneous political uncertainty rather than estimating the probability that a specific policy will actually be adopted, implemented, and sustained through an identifiable institutional pathway. This paper introduces Political Actor Intelligence as Economic Infrastructure (PAI-EI). The framework models a transmission chain from actors to policies, institutions, implementation, industries, and firms. It separates policy intent from policy realization and proposes a Policy Realization Probability (PRP), decomposed into intent, adoption, implementation, and persistence probabilities. Each component is conditioned on longitudinal actor behavior, role authority, coalition structure, institutional veto points, executive capacity, historical delivery, and external constraints. The Discourse–Execution Gap introduced in Paper 02 therefore becomes economically consequential: stated policy preferences cannot be treated as realized policy probabilities. The paper further develops a Political-to-Economic Transmission Graph and firm-level policy exposure measures. It introduces Lead-Time Intelligence Value, emphasizing that political intelligence becomes most valuable when it updates calibrated policy probabilities before official announcements, thereby supporting earlier strategic adjustment. The framework connects longitudinal actor intelligence to established research on economic policy uncertainty, geopolitical risk, firm-level political risk, central-bank communication, and event studies. The core claim is that the most valuable political database is not a static archive of biographies and statements. It is a replayable political-institutional-economic graph capable of answering how actor-level changes propagate into policy probabilities, institutional outcomes, industry exposures, and firm decisions. --- # 1. 政治影響經濟不是命題，真正的命題是「如何提前量化傳導」 「政治會影響經濟」本身幾乎沒有研究新意。 真正困難的是： $$ Political\ Change \rightarrow Which\ Policy? $$ $$ Which\ Policy \rightarrow Will\ it\ actually\ pass? $$ $$ Will\ it\ be\ implemented? $$ $$ Which\ Industry? $$ $$ Which\ Firm? $$ $$ When? $$ $$ How\ much? $$ 因此本文真正研究的是： $$ Political\ Actor \rightarrow Economic\ Decision\ LeadTime $$ 。 --- # 2. 從政治風險指數走向政治行動者智能 既有政治經濟研究已有大量 risk indicators。 例如： $$ Economic\ Policy\ Uncertainty $$ $$ Geopolitical\ Risk $$ $$ Firm\text{-}Level\ Political\ Risk $$ 這些工具回答： > 現在政治不確定性高不高？ > 某企業暴露於多少政治風險？ PAI-EI 則進一步問： > 是哪一個 actor、哪一個政策、哪一條制度路徑，正在改變未來狀態空間？ 因此： $$ Risk\ Index \neq Actor\ Model $$ 但兩者可以互補。 --- # 3. 既有研究已證明政治不確定性具有真實企業成本 Julio 與 Yook 對 48 個國家 1980–2005 年選舉的研究發現，企業在選舉前會延後投資；其估計中，選舉年投資支出平均較非選舉年下降約 $4.8\%$，而選情越接近，投資週期越明顯。 這表示： $$ Political\ Uncertainty \rightarrow Real\ Option\ Value\ of\ Waiting\uparrow $$ 進而： $$ Investment\downarrow $$ 。 企業不是等政策正式改變才反應。 光是： $$ Uncertainty\ about\ future\ leadership/policy $$ 就足以改變資本配置。 --- # 4. Economic Policy Uncertainty 已經建立宏觀基礎 Baker、Bloom 與 Davis 建立的 Economic Policy Uncertainty（EPU）指標利用新聞文本衡量政策相關不確定性。 其研究發現較高政策不確定性與： - 股價波動； - 投資下降； - 就業下降； 相關，尤其在國防、醫療、基礎建設等政策敏感產業中更明顯。 因此： $$ Policy\ Uncertainty $$ 本身就是： $$ Economic\ State\ Variable $$ 。 PAI-EI 並不是替代 EPU，而是嘗試把 EPU 的部分來源拆回具體 actor-policy pathways。 --- # 5. 地緣政治風險同樣具有企業層效果 Caldara 與 Iacoviello 的 Geopolitical Risk 指標顯示，較高地緣政治風險會預示較低的投資與就業，且具地緣政治暴露的產業與企業投資下降更明顯。 所以： $$ Geopolitical\ Risk \rightarrow IndustrySpecific\ Exposure $$ 已經有成熟證據。 但地緣政治風險往往仍是一個聚合狀態。 PAI-EI 想加入的是： $$ Actor + Doctrine + Alliance + Policy\ Instrument $$ 。 例如相同的「高地緣政治風險」可能來自完全不同的政策路徑： - 制裁； - 關稅； - 出口管制； - 軍事升高； - 投資審查； - 供應鏈補貼； - 資本流限制。 企業需要知道的不只是 risk level，而是 transition path。 --- # 6. Firm-Level Political Risk 證明企業政治暴露高度異質 Hassan、Hollander、van Lent 與 Tahoun 利用企業 earnings calls 建立 firm-level political risk 指標。 其重要發現包括： - 政治風險高度存在企業特定變異； - 高政治風險企業會減少投資與招聘； - 會增加遊說與政治捐款； - 不同政治議題暴露會對應後續不同主題的遊說。 這表示： $$ Aggregate\ Political\ Risk $$ 不足以描述： $$ Firm\text{-}Specific\ Political\ Exposure $$ 。 PAI-EI 因此以 firm-specific exposure 作為必要終點。 --- # 7. 2025–2026 貿易政策衝擊提供了當代證據 Beyer、Tong 與 Zhou 對 2025 年美國貿易政策衝擊進行 firm-level event study，發現企業估值同時受到： $$ Trade\ Exposure $$ 與： $$ Uncertainty\ Sensitivity $$ 兩個渠道影響。 高美國貿易暴露、且對不確定性敏感的企業，在關稅公告後跌幅更大，在政策暫停與協議後反彈也更強。 研究估計兩個渠道合計可以解釋可交易企業在初始衝擊後約五分之一的股價跌幅，以及後續協議反彈的一部分。 這個結果非常重要： $$ Policy\ Cost $$ 與： $$ Policy\ Predictability $$ 都是經濟變數。 所以政治情報的價值不只是預測： > 政策 A 會不會發生？ 也包括降低： $$ Variance\ of\ Policy\ Belief $$ 。 --- # 8. 政治不確定性會改變跨境企業組織 Alfaro、Chari 與 Takayama 在 2026 年研究跨境併購與全球生產網絡，指出較高經濟政策不確定性與跨國企業透過併購加深垂直整合相關。 也就是： $$ Political/Economic\ Uncertainty \rightarrow Organizational\ Boundary\ Change $$ 。 企業政治情報因此不只服務交易與市場。 它可以進入： $$ SupplyChain $$ $$ M\&A $$ $$ Location $$ $$ Vertical\ Integration $$ 等長期決策。 --- # 9. 從 Actor Model 建立 Policy Probability Paper 01 提供： $$ ActorState_A(t) $$ 包含： - claim； - role； - action； - outcome； - attribution； - correction。 Paper 06 增加 policy projection。 令行動者 $a$ 對政策 $p$ 的可觀察支持機率： $$ P(Intent_{a,p,t}) $$ 這不應只從最新發言估計。 至少要包含： $$ Intent= f( HistoricalClaims, Votes, Bills, Appointments, Budgets, Allies, Corrections, Role ) $$ 。 --- # 10. Intent 不等於 Policy 政治分析最常犯的錯： $$ Candidate\ Says\ X \Rightarrow Policy\ X $$ 真正流程是： $$ Intent \rightarrow Institutional\ Adoption \rightarrow Implementation \rightarrow Persistence $$ 因此本文提出： $$ PRP(p,t)= P(I_p) \cdot P(A_p\mid I_p) \cdot P(M_p\mid A_p) \cdot P(S_p\mid M_p) $$ 其中： - $I_p$：Intent； - $A_p$：Adoption； - $M_p$：Implementation； - $S_p$：Sustained/Persistent policy。 PRP 為 Policy Realization Probability。 --- # 11. Paper 02 的 Discourse–Execution Gap 在這裡變成經濟變數 假設兩名候選人都以 $90\%$ 的語言強度支持政策 X。 若人物 A 有： $$ ExecutionEvidence_A=High $$ 人物 B： $$ ExecutionEvidence_B=Low/Unknown $$ 則不能給： $$ P(Implementation_X\mid A) = P(Implementation_X\mid B) $$ 。 因此： $$ Political\ Rhetoric $$ 不能直接進企業 exposure model。 必須先經過： $$ ExecutionAdjustment $$ 。 --- # 12. Policy Adoption Probability 政策採用可能受到： $$ Institutional\ VetoPoints $$ $$ Coalition $$ $$ LegislativeSeats $$ $$ JudicialConstraints $$ $$ Budget $$ $$ PublicOpinion $$ $$ BureaucraticSupport $$ 影響。 可表示： $$ P(A_p)= f( ActorPower, Coalition, Institution, AgendaControl, VetoPlayers, FiscalSpace ) $$ 。 同一人物同一政策，換不同制度： $$ P(A_p) $$ 可能完全不同。 --- # 13. Implementation Probability 政策通過不代表落地。 令： $$ P(M_p\mid A_p)= f( AdministrativeCapacity, LeaderSystemCoupling, BudgetExecution, BureaucraticResistance, LegalComplexity, LocalImplementation ) $$ 。 這正是 Paper 02 所建立的 executive evidence 進入經濟情報的地方。 --- # 14. Persistence Probability 部分政策會： - 被法院阻擋； - 被下一任政府撤回； - 預算不足； - 行政規則改寫； - 因危機暫停。 因此企業不只需要： $$ Will\ it\ start? $$ 還要： $$ How\ long\ will\ it\ survive? $$ 可定義： $$ P(S_p)= f( LegalDurability, CoalitionStability, FiscalDurability, PublicSupport, InstitutionalEntrenchment ) $$ 。 --- # 15. Policy Probability 是動態 belief，不是一次性預測 對政策 $p$： $$ PRP_p(t) $$ 應隨新證據更新。 例如： $$ 0.20 \rightarrow 0.32 \rightarrow 0.51 \rightarrow 0.74 $$ 更新證據可能來自： - 人事任命； - 法案版本； - 預算草案； - 委員會議程； - 盟友表態； - 監管草案； - 官方措辭； - 選舉結果； - 法院判決。 企業真正需要的是： $$ \Delta PRP_p(t) $$ 。 --- # 16. Actor → Policy → Institution → Economy 本文提出 Political-to-Economic Transmission Graph： $$ G_{PE}(t)= (V,E,t) $$ 節點至少包括： $$ Actor $$ $$ Party $$ $$ Institution $$ $$ Policy $$ $$ Regulation $$ $$ Industry $$ $$ Firm $$ $$ Region $$ $$ Commodity $$ $$ Infrastructure $$ 邊包括： $$ Supports $$ $$ Controls $$ $$ Appoints $$ $$ Votes $$ $$ Implements $$ $$ Regulates $$ $$ Subsidizes $$ $$ Taxes $$ $$ Restricts $$ $$ Exposes $$ 。 --- # 17. Industry Exposure 令政策 $p$ 對產業 $j$ 的直接敏感度： $$ S_{j,p} $$ 其政策暴露為： $$ IE_{j,p} = PRP_p \cdot S_{j,p} \cdot M_p \cdot D_p $$ 其中： - $M_p$：magnitude； - $D_p$：duration。 例如能源政策對： $$ Semiconductor $$ 與： $$ Hospitality $$ 的敏感度不同。 所以： $$ Same\ Policy \neq Same\ Industry\ Impact $$ 。 --- # 18. Firm Exposure 即使同產業，企業也不同。 令企業 $f$ 對政策 $p$ 的 sensitivity： $$ S_{f,p} $$ 其來源可能包括： - 營收地理分布； - 供應鏈； - 能源密集度； - 政府採購比重； - 監管許可； - 勞動結構； - 資本結構； - 稅務； - 補貼依賴。 則： $$ PE_{f,p} = PRP_p \cdot S_{f,p} \cdot M_p \cdot D_p $$ 。 --- # 19. 多政策暴露向量 企業不是只面對一項政策。 因此建立： $$ \mathbf{PE}_f(t)= ( PE_{f,1}, PE_{f,2}, \ldots, PE_{f,n} ) $$ 。 可以依： $$ Tax $$ $$ Trade $$ $$ Energy $$ $$ Labor $$ $$ Antitrust $$ $$ Defense $$ $$ Data $$ $$ AI $$ $$ Environment $$ 分類。 --- # 20. Exposure 不等於 Risk 政策暴露可以是正向，也可以是負向。 因此： $$ Exposure \neq Risk $$ 更精確： $$ ExpectedImpact_{f,p} = PRP_p \cdot E[\Delta Value_{f,p}] $$ 而： $$ Risk_{f,p} $$ 更接近： $$ Variance/Downside $$ 。 企業情報系統必須把： $$ Direction $$ $$ Magnitude $$ $$ Uncertainty $$ 分開。 --- # 21. 政治風險的 expected-value channel 與 uncertainty channel 2026 年 IMF 貿易政策研究顯示： $$ Expected\ Tariff\ Cost $$ 與： $$ Policy\ Uncertainty $$ 可以同時影響企業估值。 所以對政策 $p$： $$ EconomicEffect = ExpectedPolicyEffect + UncertaintyEffect $$ 。 PAI-EI 的價值之一就是： $$ Better\ Political\ Intelligence \rightarrow BeliefVariance\downarrow $$ 即使最終政策沒有改變。 --- # 22. Lead-Time 才是企業情報真正昂貴的部分 如果所有企業都在正式法令公布後才知道政策，情報優勢接近： $$ 0 $$ 。 真正有價值的是： $$ t_{signal} $60\%$ 到底真的意味著什麼？ --- # 26. Policy Probability Forecast Evaluation 可使用： $$ BrierScore = \frac{1}{N} \sum_i (p_i-o_i)^2 $$ 其中： $$ o_i\in\{0,1\} $$ 。 也可以使用： $$ LogLoss $$ 與： $$ CalibrationCurve $$ 。 PAI-EI 若不能被 backtest，就只是政治評論。 --- # 27. Actor-Specific vs Aggregate Political Risk EPU、GPR 等指標具有宏觀價值。 PAI-EI 的增量是： $$ AggregateRisk + ActorSpecificTransition $$ 。 例如： $$ GPR\uparrow $$ 可以告訴企業國際環境變危險。 但 actor model 可能進一步指出： > 在當前政府人物、聯盟與政策工具偏好下，風險最可能透過 export control 而不是 tariff 傳導。 這會產生不同的 firm exposure。 --- # 28. 央行官員是高度價值的 actor intelligence 對象 央行提供一個最成熟的 actor-text-to-economy 案例。 IMF 2025 的大型研究使用 fine-tuned LLM 分析： $$ 74,882 $$ 份中央銀行文件， 涵蓋： $$ 169 $$ 家央行， 時間： $$ 1884\text{-}2025 $$ 。 研究將文本轉換成： - topic； - stance； - sentiment； - audience； 並建立 forward-looking communication index。 結果顯示這些語言訊號能解釋未來市場利率變動，而 forward-looking risk communication 也能預測未來市場波動。 這說明： $$ Actor\ Communication \rightarrow Economic\ Signal $$ 不是理論想像。 --- # 29. 但央行也證明「說話本身就是政策」 對一般政治人物： $$ Speech \rightarrow IntentSignal $$ 。 對中央銀行： $$ Speech \rightarrow ExpectationChannel \rightarrow Market $$ 可能直接成立。 因此不同 actor role 必須使用不同 transmission model。 這再次證明 Paper 01 的 role-aware actor model 是必要的。 --- # 30. Public Communication、Policy Intent、Policy Action 要分層 企業系統至少應分： $$ CommunicationSignal $$ $$ PolicyIntent $$ $$ InstitutionalAction $$ $$ EconomicImpact $$ 。 不能把中央銀行一句「風險上升」與國會議員一句「我支持降息」放入同一權重模型。 --- # 31. 企業使用場景一：Strategic Planning 企業可以詢問： > 未來 24 個月，哪些政策變化的 PRP 增加最快？ 並建立： $$ Scenario_A $$ $$ Scenario_B $$ $$ Scenario_C $$ 。 策略規劃因此從： $$ Static\ Political\ Assumption $$ 變成： $$ Dynamic\ Policy\ Belief $$ 。 --- # 32. 使用場景二：Regulatory Exposure 對高度監管企業： $$ RegulatoryExposure = f( Regulator, Leadership, Doctrine, Appointments, Enforcement, Legislation ) $$ 。 企業需要追蹤的不只法律文字，還包括： - 誰被任命； - 執法重點； - 預算； - 人事； - 指導原則； - 法院環境。 --- # 33. 使用場景三：Capital Expenditure 若政策不確定性使企業延後投資： $$ InvestmentTiming $$ 本身具有經濟價值。 PAI-EI 可以支援： $$ Build\ Now? $$ $$ Wait? $$ $$ Change\ Location? $$ 但系統應提供： $$ Scenario\ Probabilities $$ 而不是直接替企業做投資決策。 --- # 34. 使用場景四：Supply Chain 企業可以把： $$ PolicyProbability $$ 與： $$ SupplierGraph $$ 結合。 例如： $$ ExportControlProbability \rightarrow SupplierExposure \rightarrow ProductionRisk $$ 。 這使政治人物模型進入 operational risk。 --- # 35. 使用場景五：M&A 與 Location Strategy 跨境併購與生產地點高度受： - 監管； - 國安審查； - 關稅； - 稅制； - 供應鏈政策； 影響。 因此： $$ PoliticalState $$ 可以成為： $$ M\&A\ Scenario\ Input $$ 。 但不能只用國家 risk score。 需要： $$ PolicySpecific + ActorSpecific $$ 。 --- # 36. 使用場景六：Government Relations Hassan 等人的研究已顯示，企業政治風險與後續主題性遊說相關。 因此 PAI-EI 可以支援： $$ Which\ Policy\ Topic $$ $$ Which\ Institution $$ $$ Which\ Timing $$ 的合法公共事務規劃。 系統不應被設計成非法影響、賄賂或規避監管工具。 --- # 37. 使用場景七：Academic Political Economy PAI-EI 同時是研究資料基礎設施。 學者可以測： $$ ActorTraits \rightarrow PolicyAdoption $$ $$ ExecutiveEvidence \rightarrow Implementation $$ $$ AttributionReliability \rightarrow MarketBelief $$ $$ PoliticalTurnover \rightarrow FirmInvestment $$ 。 這使人物研究與企業資料第一次能被放進同一 temporal graph。 --- # 38. 使用場景八：Central Bank and Regulatory Intelligence 央行與金融監管者具有： $$ HighSignalValue $$ 因為政策與市場傳導速度快。 BIS 已長期彙整各國央行官員 speeches。 2025 年 BIS 研究亦證明，中央銀行文字 embedding 可以提供通膨預測資訊。 因此這類 actor 是 PAI-EI 的天然早期 MVP 領域之一。 --- # 39. 不只人物，還需要 Institution Model 如果人物 A 想做政策 X： $$ ActorIntent=High $$ 但制度： $$ VetoPlayers=Many $$ 則： $$ PRP $$ 可能仍低。 所以： $$ ActorModel $$ 必須與： $$ InstitutionModel $$ 耦合。 --- # 40. Coalition Model 多黨或派系政治中： $$ PolicyProbability \neq LeaderPreference $$ 。 需要： $$ CoalitionGraph $$ 包括： - seat； - faction； - alliance； - committee； - issue-specific coalition。 因此： $$ P(Adoption_p) $$ 本質上是一個 network-conditioned probability。 --- # 41. Execution Model Paper 02 的 executive evidence ladder 可以轉成： $$ ExecutionScore_A $$ 再作為： $$ P(Implementation) $$ 的先驗之一。 但： $$ ExecutionScore $$ 不能只用民調。 需要： - budget delivery； - project completion； - correction latency； - cross-agency coordination； - repeated executive evidence。 --- # 42. Reliability Model Paper 03 的 CBRA 可以提供： $$ AttributionalReliability $$ 與： $$ OutcomeOwnership $$ 。 這些變項可用來估計： $$ CommitmentCredibility $$ 。 例如同樣政策承諾： $$ ClaimStrength=Equal $$ 但： $$ HistoricalFollowThrough $$ 不同， 則： $$ IntentProbability $$ 與： $$ PersistenceProbability $$ 也應不同。 --- # 43. 政策人物模型不應變成人格星座 企業產品最危險的誘惑是： > 「這個人屬於強硬型，所以……」 這種 typology 很容易失真。 PAI-EI 應優先使用： $$ ObservedBehavior $$ $$ ConditionalPattern $$ $$ Role $$ $$ Institution $$ 而不是： $$ EssentializedPersonality $$ 。 --- # 44. P-01 在 Paper 06 中仍不能被當成經濟預測事實 假設 coded case P-01 被研究者認為： $$ DiscourseEvidence>ExecutiveEvidence $$ 這最多可以影響： $$ Uncertainty(P(Implementation)) $$ 。 不能直接寫： $$ P01\ will\ fail\ to\ execute $$ 。 正確做法： $$ InsufficientExecutiveEvidence \rightarrow WiderConfidenceInterval $$ 而不是： $$ NegativeForecast $$ 。 --- # 45. Unknown 應增加不確定性，而不是自動變負分 這是企業模型非常重要的規則。 若： $$ Evidence=Unknown $$ 則： $$ Variance\uparrow $$ 而非： $$ Mean\downarrow $$ 除非有獨立證據支持。 因此： $$ LackOfEvidence \neq EvidenceOfFailure $$ 。 --- # 46. Actor Change Detection 政治人物不是固定模型。 系統要偵測： $$ ModelShift $$ 例如： - 新角色； - 新聯盟； - 新證據； - 選舉策略； - 危機； - 意識形態更新。 因此： $$ ActorState(t_1) \neq ActorState(t_2) $$ 是正常現象。 企業真正關心的是： $$ \frac{dActorState}{dt} $$ 。 --- # 47. Policy Momentum 可以定義： $$ PM_p(t)= \frac{dPRP_p(t)}{dt} $$ 。 高： $$ PRP $$ 代表政策已接近實現。 高： $$ PM $$ 則代表政策機率正在快速變化。 後者可能更具有 lead-time intelligence 價值。 --- # 48. Signal Hierarchy 不同政治訊號具有不同強度。 示意： $$ CampaignStatement < OfficialPlatform < BillIntroduction < CommitteeMovement < BudgetAllocation < ExecutiveOrder/Rule < Implementation $$ 但不同制度順序可能不同。 系統應學習： $$ SignalWeight_{institution,policy} $$ 而不是固定人工權重。 --- # 49. Market Reaction 不等於政策真實價值 事件研究可以觀察： $$ MarketReaction $$ 。 但： $$ MarketReaction \neq LongTermEconomicImpact $$ 。 市場可能： - 過度反應； - 低估； - 受到其他消息干擾。 所以 PAI-EI 應把： $$ MarketSignal $$ 作為一個觀察層，而不是 truth layer。 --- # 50. 企業決策支援不是交易訊號服務 本文提出： $$ PolicyProbability $$ $$ Exposure $$ $$ LeadTime $$ 是為了企業與學術決策支援。 它不自動導出： $$ Buy/Sell $$ 。 實際金融決策仍涉及： - 估值； - 流動性； - 法規； - 風險偏好； - 市場結構。 PAI-EI 不應將 political intelligence 誇大為保證獲利的 prediction engine。 --- # 51. Data Sources 一個 PAI-EI 系統可以納入： - 選舉公報； - 國會紀錄； - 政府公報； - 預算； - 法案； - 行政規則； - 法院判決； - 央行發言； - 官方新聞稿； - 政黨文件； - 公開社群； - 新聞； - 企業 earnings calls； - 產業資料； - 貿易資料； - 供應鏈資料。 但： $$ SourceAvailability $$ 必須依 Paper 04 做 coverage accounting。 --- # 52. Canonical Economic Linkage 每一個經濟 exposure 不應只存一個分數。 需保存： $$ ExposureEdge= ( Policy, Firm, Mechanism, Direction, MagnitudeRange, Evidence, Time, Confidence ) $$ 。 例如： > 關稅提高 → 某企業成本上升。 還要知道： $$ Why? $$ 是： - 直接進口； - 上游投入； - 報復關稅； - 匯率； - 不確定性； 哪一條 mechanism。 --- # 53. Mechanism Preservation 沒有 mechanism 的 correlation 很難用於策略。 因此： $$ Policy \rightarrow Firm $$ 邊必須盡量拆成： $$ Policy \rightarrow EconomicMechanism \rightarrow FirmExposure $$ 。 例如： $$ EnergyPricePolicy \rightarrow ElectricityCost \rightarrow DataCenterMargin $$ 。 --- # 54. Scenario Graph 企業不應只得到單一路徑。 可建立： $$ Scenario_s= ( PoliticalState, PolicyState, EconomicState ) $$ 並給： $$ P(Scenario_s) $$ 。 則： $$ E[Impact_f] = \sum_s P(Scenario_s)\Delta V_{f,s} $$ 。 這讓政治不確定性進入企業 scenario planning。 --- # 55. Decision Threshold 企業是否採取行動，不必等： $$ PRP=1 $$ 。 假設： $$ ExpectedLoss\times PRP > MitigationCost $$ 企業就可能提前調整。 所以政治情報價值來自： $$ Early\ Threshold\ Crossing $$ 。 --- # 56. Decision-Relevant LeadTime 並非越早越好。 太早的訊號可能： $$ Uncertainty\gg0 $$ 。 因此真正有價值的是： $$ Earliest\ time $$ 使： $$ ExpectedDecisionValue>ActionCost $$ 。 定義： $$ t^{*} $$ 為 decision-relevant signal time。 LeadTime 應以： $$ t_{official}-t^{*} $$ 衡量。 --- # 57. 評估：不是只看 prediction PAI-EI 至少需要： $$ PolicyForecastCalibration $$ $$ LeadTime $$ $$ FalsePositiveRate $$ $$ FalseNegativeRate $$ $$ ExposureAccuracy $$ $$ MechanismAccuracy $$ $$ DecisionUtility $$ 。 其中： $$ DecisionUtility $$ 最終要由企業行為與決策情境驗證。 --- # 58. Backtesting 對歷史政策： 1. 選擇 cutoff date； 2. 鎖住當時可得資料； 3. 重建 actor state； 4. 預測 PRP； 5. 追蹤實際 adoption； 6. 追蹤 implementation； 7. 追蹤 firm impact。 這可以測： $$ IntentForecast $$ 與： $$ RealizationForecast $$ 是否真正不同。 --- # 59. Counterfactual Caution 即使模型說： $$ PolicyX\ caused\ FirmImpact $$ 也必須小心： $$ Correlation \neq Causation $$ 。 事件研究、自然實驗、difference-in-differences 等方法仍必要。 AI actor intelligence 不能替代 causal identification。 --- # 60. 公開資料、合法性與市場公平 企業情報應優先依賴： $$ Public/LawfullyLicensed\ Data $$ 。 系統不得： - 利用非法取得資訊； - 鼓勵內線交易； - 以未公開重大資訊形成交易工具； - 以人物模型進行非法歧視或騷擾。 PAI-EI 的研究價值不依賴秘密情報。 其核心優勢是： $$ PublicInformation + LongitudinalStructure + LowRetrievalCost $$ 。 --- # 61. 公眾版與企業版可以共用 Canonical Layer 同一個 canonical political memory 可以有不同 projection。 ## Public $$ Transparency + Accountability $$ ## Academic $$ Research + Replication $$ ## Enterprise $$ Risk + Strategy + Forecasting $$ 。 因此： $$ CanonicalEvidence $$ 可以共享， 但： $$ Projection $$ 依使用者需求不同。 --- # 62. 商業模式的真正產品不是「預測誰當選」 選舉預測高度商品化。 更穩定的 B2B 價值是： $$ Continuous\ PoliticalState $$ $$ PolicyProbability $$ $$ RegulatoryExposure $$ $$ FirmImpact $$ $$ LeadTime $$ 。 這些需求不只在選舉年存在。 --- # 63. 企業真正願意付費的是 Decision Reduction 如果政治情報只提供： > 更多新聞。 價值低。 真正產品應降低： $$ DecisionUncertainty $$ $$ ResearchTime $$ $$ MissedSignalRisk $$ $$ CoordinationCost $$ 。 所以企業價值可寫： $$ EnterpriseValue= \Delta DecisionQuality + \Delta LeadTime - OperatingCost $$ 。 --- # 64. 學術與企業其實需要同一種「嚴謹」 企業不是因為商業用途就可以接受較低證據標準。 錯誤政治預測可能導致： - 錯誤 CAPEX； - 錯誤供應鏈調整； - 錯誤監管假設； - 錯誤 M&A。 所以： $$ CommercialValue \propto Auditability $$ 而不是與 auditability 相反。 --- # 65. Research Propositions **命題 1：Actor Increment 命題** 在控制 aggregate political risk 後，actor-specific longitudinal state 能提供額外的 policy realization predictive information。 **命題 2：Execution Adjustment 命題** 加入 executive evidence 後，從 political rhetoric 預測 policy implementation 的 calibration 優於只使用表態強度。 **命題 3：Institution Mediation 命題** actor intent 對經濟結果的影響主要由 institutional adoption 與 implementation probability 中介。 **命題 4：Firm Heterogeneity 命題** 相同政治政策對企業的經濟影響高度依賴 firm-specific exposure，而非只由產業分類決定。 **命題 5：Uncertainty Channel 命題** 政治情報即使不改變政策期望值，也可透過降低 policy belief variance 產生企業決策價值。 **命題 6：Lead-Time 命題** 在 calibration 相近下，能更早識別 policy probability transition 的模型具有更高企業價值。 **命題 7：Role-Specific Signal 命題** 相同語言訊號的經濟含義受到 actor role 與 institutional authority 顯著調節。 **命題 8：Longitudinal Reliability 命題** 加入 commitment follow-through、outcome ownership 與 correction history 後，policy realization forecast 優於 static biography 或 latest-statement model。 --- # 66. 可能反例 PAI-EI 可能失敗於： 1. 政策主要由不可觀察秘密協商決定； 2. 個人 actor influence 很弱； 3. 危機使歷史行為完全失效； 4. 政策與企業結果之間有太多中介； 5. 市場早已完全吸收相同資訊； 6. 政治人物策略性欺騙使 public data 失真； 7. institutional constraints 遠比 actor characteristics 重要； 8. AI extraction error 累積成錯誤 exposure。 因此 actor intelligence 必須與 institution、macro、market data 聯合使用。 --- # 67. 與 Paper 01–05 的關係 Paper 01： $$ Actor\ Temporal\ Model $$ Paper 02： $$ Intent/Discourse \neq Execution $$ Paper 03： $$ Attribution \neq OutcomeOwnership $$ Paper 04： $$ Diligent\ Evidence\ Infrastructure $$ Paper 05： $$ AI\ Reprices\ Political\ Competence $$ Paper 06： $$ Actor\ Intelligence \rightarrow Economic\ Decision\ Infrastructure $$ 。 因此 Paper 06 是前五篇第一次真正形成外部經濟效用。 --- # 68. 與 Paper 07 的關係 企業價值越高，濫用風險越高。 Paper 07 必須處理： - 人物模型名譽風險； - 來源合法性； - 隱私； - 推論邊界； - 公開與私有 projection； - 交易與市場濫用； - 偏誤； - 黑箱分數。 尤其： $$ ActorRiskScore $$ 不應在沒有 evidence path 時被直接商業使用。 --- # 69. 與 Paper 08 的關係 政治人物的教育、職業與菁英生成路徑會影響： $$ PolicyPreference $$ $$ Network $$ $$ AdministrativeCapacity $$ 。 Paper 08 的 career-path model 因此可成為 PAI-EI 的 upstream feature。 但需避免： $$ Education \rightarrow Deterministic\ PolicyPrediction $$ 。 --- # 70. 對兩篇技術白皮書的要求 WP01 必須實作： $$ Actor + Claim + Event + Institution + Policy + EconomicExposure $$ 共同 schema。 WP02 則需實作： $$ ContinuousIngestion \rightarrow PRPUpdate \rightarrow ExposurePropagation \rightarrow Alert/Report $$ 。 Paper 06 因此是兩份技術白皮書最重要的產品需求來源之一。 --- # 71. 結論 政治人物資料庫的價值不應被限制在： $$ Biography $$ $$ QuoteSearch $$ $$ ElectionProfile $$ 。 真正高價值的結構是： $$ Actor \rightarrow Policy \rightarrow Institution \rightarrow Implementation \rightarrow Industry \rightarrow Firm $$ 。 既有政治經濟研究已經證明政治風險、不確定性與政策衝擊會改變投資、招聘、估值與企業組織。 下一步不是再做一個更漂亮的政治風險指數。 而是把： $$ Who $$ $$ WhatPolicy $$ $$ ThroughWhichInstitution $$ $$ WithWhatExecutionProbability $$ $$ AffectingWhichFirm $$ 連起來。 企業真正需要的不是： > 今天發生了什麼？ 而是： > 哪個未來狀態的機率正在改變？ 因此本文最終提出： $$ \boxed{ Political\ Intelligence\ Value \propto Calibration \times LeadTime \times DecisionImpact \times Actionability } $$ 而長時序政治行動者模型提供其中最缺乏的一層： $$ Actor\ Conditioned\ Policy\ Probability $$ 。 當這一層與制度、產業與企業資料連接後，政治分析不再只是新聞產品。 它成為： $$ \boxed{ Economic\ Decision\ Infrastructure } $$ 。 --- # References Alfaro, L., Chari, A., & Takayama, H. (2026). Organizing Production across Borders in a Time of Uncertainty. *AEA Papers and Proceedings, 116*, 635–639. https://doi.org/10.1257/pandp.20261116 Baker, S. R., Bloom, N., & Davis, S. J. (2016). Measuring Economic Policy Uncertainty. *The Quarterly Journal of Economics, 131*(4), 1593–1636. https://doi.org/10.1093/qje/qjw024 Beyer, R. C. M., Tong, H., & Zhou, X. (2026). *Trade Policy Shocks and Corporate Valuations: Disentangling Trade and Uncertainty Channels*. IMF Working Paper 2026/070. https://doi.org/10.5089/9798229042383.001 Caldara, D., & Iacoviello, M. (2022). Measuring Geopolitical Risk. *American Economic Review, 112*(4), 1194–1225. https://doi.org/10.1257/aer.20191823 Godoy de Araujo, D. K., Bokan, N., Comazzi, F. A., & Lenza, M. (2025). *Word2Prices: Embedding Central Bank Communications for Inflation Prediction*. BIS Working Papers No. 1253. https://www.bis.org/publ/work1253.htm Hassan, T. A., Hollander, S., van Lent, L., & Tahoun, A. (2019). Firm-Level Political Risk: Measurement and Effects. *The Quarterly Journal of Economics, 134*(4), 2135–2202. https://doi.org/10.1093/qje/qjz021 Julio, B., & Yook, Y. (2012). Political Uncertainty and Corporate Investment Cycles. *The Journal of Finance, 67*(1), 45–83. https://doi.org/10.1111/j.1540-6261.2011.01707.x Kim, M., Mizen, P., & Thwaites, G. (2025). *From Text to Quantified Insights: A Large-Scale LLM Analysis of Central Bank Communication*. IMF Working Paper 2025/109. https://doi.org/10.5089/9798229013802.001 --- ## Canonical Source Note 本檔為 Paper 06 v0.1 的 UTF-8 canonical Markdown source。正式數學 source 僅使用 ` $...$ ` 與 `$$...$$` delimiter。任何 PDF、HTML、簡報、聊天畫面、儀表板、風險分數或其他 projection 均不取代本檔。本文中的 Policy Realization Probability、Political Exposure、Lead-Time Intelligence Value 與其他公式均為研究架構，除非經獨立實證校準，不應視為已驗證的預測模型或投資建議。