網站更新隱私權聲明
本網站使用 cookie 及其他相關技術分析以確保使用者獲得最佳體驗,通過我們的網站,您確認並同意本網站的隱私權政策更新,了解最新隱私權政策
test-2021_Pansci_All_Top

0

0
0

文字

分享

0
0
0

AI 當法官,會是正義女神的化身嗎?專訪李建良

研之有物│中央研究院
・2020/09/19 ・5644字 ・閱讀時間約 11 分鐘 ・SR值 587 ・九年級

TAAi 2020 25th 人工智慧研討會

本文轉載自中央研究院研之有物,泛科學為宣傳推廣執行單位

  • 採訪編輯|劉芝吟
    美術編輯|林洵安

AI 進入法律領域,該踩剎車嗎?

Alpha Go 打敗人類棋王,自駕車躍躍欲試,人工智慧不僅改變世界運作的規則,也逐漸從科技跨入人文社會領域。讓 AI 坐上審判席,會是追求正義的新解方嗎?AI 法官是鐵面無私的包青天,或者科技暴走的新危機?

「研之有物」專訪中研院法律學研究所特聘研究員李建良,從法學視角提供思辨觀點,我們不只應審視 AI 的技術能力,也必須嚴肅面對規範性界線。

人工智慧變身法律小幫手

十幾年前,電腦會揀土豆已經夠驚奇,現在的 AI 更是大進擊,能辨識人臉、駕駛汽車,根據 2019 年眾多媒體報導,歐洲愛沙尼亞甚至即將推行「AI 法官」!法律事務涉及事實認定、法條解釋與價值規範等多重問題,人工智慧果真已如此高「智慧」,有能力涉入複雜的法律領域?

前兩波人工智慧(AI)希望電腦能像人一樣思考,但皆失敗。2010 年至今的 AI 熱潮由「 機器學習」領銜,簡單來說就是我們提供大量資料,讓電腦自己找出事件之間的關聯規則,學會判斷,在許多領域都已比人類預測得更精準。資料來源│〈人工智慧在台灣〉演講,陳昇瑋

中研院李建良特聘研究員說:「將 AI 應用到法律訴訟其實並非未來式,而是行之有年的現在式。」

test-2021_Pansci_All_inread_p4

在美國,近年法院已廣泛運用「COMPAS」系統,這是一套由商業公司開發的 AI ,幫助法官評估被告的再犯風險,作為量刑的準據。COMPAS 會進行大量問答調查,依據被告回答、年齡、過往犯罪紀錄與類型等各項資料,推估被告的再犯率,給出 1-10 的危險指數,最後由法官決定被告服刑的長短。

有研究指出,AI 判定為高風險者,63% 在交保期間犯罪,其中 5% 犯下性侵或謀殺。做為法官小幫手,AI 似乎確實能發揮一定程度的「鷹眼」,預測危險性。

國內也逐步嘗試將 AI 運用在量刑與家事判決預測。司法院建立「量刑趨勢建議系統」,以自然語言分析判決書,提供法官、律師量刑參考。清華大學研究團隊則開發出「AI人工智慧協助家事判決預測系統」,讓 AI 從判例「學會」法官的判決模式,預測撫養權花落誰家。圖片來源│ 取自量刑趨勢建議系統網頁
國內也逐步嘗試將 AI 運用在量刑與家事判決預測。司法院建立的「量刑趨勢建議系統」,以自然語言分析判決書,提供類似案件的量刑參考。清華大學研究團隊則開發出「AI 人工智慧協助家事判決預測系統」,讓 AI 從判例「學會」法官的判決模式,預測撫養權花落誰家。
圖片來源│ 取自量刑趨勢建議系統網頁

法官不是人?!別急,再等等

從現況來看,人工智慧確實已進入國家司法系統,但目前仍作為「專家團隊」扮演輔助角色,由法官做裁決。那麼下一步, AI 有可能獨當一面坐上審判席嗎?

愛沙尼亞的 AI 法官計畫,似乎就朝著這個方向前進。

test-2021_Pansci_All_inread_p8

根據報導,AI 法官將處理小額民事訴訟案件(少於 7000 歐元,台幣約 24 萬),由原告方輸入訴訟對象、金額、提告理由等。AI 系統能從過往大量判例學習,解析法條做出判決。換句話說,隔壁鄰居摔壞你的 iPhone,你一狀告到法院,會由 AI 判定誰勝訴,鄰居該賠你一台手機或折價金額。對結果不服?可以上訴,將有人類法官審理。這項超級計畫如果成真,「法官不是人」恐怕就要從罵人話變為描述句了!

不過,李建良特別澄清:「媒體報導後,我們研究團隊成員曾請教愛沙尼亞法界人士,目前所知這是數位政府計畫的一部分,但應該還只停在『計畫』階段。」

他強調,若要把國家審判權完全交給 AI ,必定需要法源基礎,明確建立一套法規方案。由於目前愛沙尼亞並沒有出現相關法規,這個突破仍是「只聞樓梯響」。

AI 法官的技術邊界:它能做出好判決嗎?

儘管 AI 尚未披上法官袍,但愛沙尼亞構想彷彿是驚天一雷,預示出可能的未來圖像。許多人或許有同樣的好奇:AI 當法官究竟行不行?

test-2021_Pansci_All_inread_p12

李建良分成不同層次來討論:

行不行有兩層涵義:能力上行不行,規範上可不可以。

第一層次是「可能性」問題:AI 法官足以擔任人類法官的角色嗎?更直白地問:AI 真有那麼厲害,能夠做出好判決?

要確認 AI 的能力,首先我們得問:什麼是好判決?

「這牽涉社會對法院判決的評斷標準。」李建良分析,一種標準是檢視「判決結果」;另一種則是審視「判決理由」,法官在判決書詳述的心證,如調查結果、採信哪些證據、證據效力、法條依據等。

若觀察近年台灣社會的現象,大眾似乎較關注判決結果。好比引發社會矚目的「台鐵殺警案」,這樁尚未確定的爭議案件,引發了司法當局對司法鑑定制度的重視與檢討,而輿論譁然多半是殺人無罪的結論,批評法官「不接地氣」,關於心證過程的討論相對較少些。

換言之,假如重視結果,那不難想像 AI 法官有能力透過歸納、類比分析對案件做出判決。但若我們在乎法官為什麼、如何做出裁決,依照目前技術和愛沙尼亞計畫,AI 所產出的可能只有答案,但沒有理由(或較簡式的理由)。

這形成了第一重挑戰:

若 AI 法官無法清楚說明理由,我們如何檢視它的判決好不好?有沒有瑕疵?

有些人也質疑,AI 的精準、一致可能反倒是弱點。現行 AI 不具有真正理解他人的能力,無法實際參與答辯交鋒和開庭審理,而許多訊息來自臨場、個別案例的判讀,並非用數據化與資料化就足夠解釋,背後涉及文化、風俗、情境常識,相當複雜。

目前的人工智慧仍屬於「弱 AI」,沒有意識、思考能力,只是透過巨量資料與機器學習歸納出已知和未知之間的關聯。哲學家 John Searle 曾用「中文房」譬喻提出挑戰:如果 AI 並不了解真正意涵,就算它能和人一樣做出正確回應,似乎也不代表它就有獨立的心靈意識。
圖說設計│ 劉芝吟、林洵安

不過,AI 派並沒有全輸!

首先,技術可能超前突破,讓 AI 未來也有能力寫判決書、說明論證。另外若拿現行制度相比,美國陪審制同樣只宣告:「陪審團認為無罪」,不會附上理由。更何況所謂的情境判斷,經常也會造成主觀性偏誤,《美國國家科學院院刊》(PNAS)研究發現,接近午餐時間法官對假釋認定較嚴格,用餐休息後,假釋審查就變寬鬆了!

想要假釋,還得祈禱法官吃飽飽?恐怕多數人難以接受。

鐵面無私包青天? 小心 AI 的內建歧視

總地來說,理性、客觀幾乎是 AI 的最大光環,以準確一致的邏輯做判斷,不受法官個人情緒與好惡影響。

但真是這樣嗎?許多研究證實:AI 默默戴上了有色眼鏡! COMPAS 系統被抨擊帶有種族歧視,有色人種更容易被預測為高再犯率;亞馬遜招聘、蘋果信用卡信貸系統都曾被發現隱含性別差別待遇。

「這就如同人類一路走來看到的歷史不平等。」Amazon 資訊科學家說。

AI 系統在資料學習的過程,複製了人類長年累積的性別、種族、階級偏見。即便這些偏見已長久存在,但 AI 可能更強化不平等,因為人們會在毫無所覺下,信任科技工具的「客觀」訊息,對陌生人打分數。

然而,科技支持派沒有全盤放棄。AI 歧視是學來的,因應之策是在資料訓練時降低這些「標籤」,並且提供多樣性的資料。此外,比起人類刻意包裝、掩飾偏見,AI 反而有機會讓偏誤被「顯題化」,讓我們更加警覺,並進行修正。

綜合而論,若單從技術可能性評估,目前的 AI 也許不夠「聰明」,但是只要科技持續追求突破、進展,似乎沒有理由全盤否定 AI 法官可行性。畢竟,人類同樣也會犯錯、誤判、有偏見。

「從能力來看,AI 確實可以幫助人類、補位弱點,很值得期待未來發展。」李建良持平分析:「但國家是否應該開放制度,更重要的仍在第二層次的考量。」

AI 法官需要明確法源基礎

他點出更關鍵的第二層議題:從規範角度來看,讓 AI 當法官可不可以?

簡單來說,即使人工智慧有能力獨立分析、判決,我們應該把審判大權交給 AI 嗎 ?是否可能衍生倫理問題?

「第一個遇到的是:需不需要修憲?這是多數人忽略的框架。」專研憲法、行政法的李建良特別指出。法官的身分保障及審判獨立的要求是直接寫在憲法上頭的,但憲法規定的法官是不是專指「人」呢?法學界可能有不同論述。

如果憲法說的法官專指「人」,也就是法官審判權奠基在人的前提,勢必需要修憲。反之,就算憲法允許「非人」擔任法官,仍然需要修法 ── 如同剛拍板的《國民法官法》,國家同樣必須建立一套法制來規範非人法官。例如,適用民事或刑事案件?能上訴嗎?上訴後交給另一位 AI 法官(AI 會有不同法官嗎?),或者由人類法官打掉重來?

價值選擇的難題:科技優勢 VS 法律原則

法源基礎僅是第一步,對整個社會而言,AI 法官挑戰的是價值選擇的難題。

2013 年,美國威斯康辛州法院參酌 COMPAS 風險指標,判處被告 Eric Loomis 6 年徒刑。Loomis 不服而上訴最高法院,認為法庭以 AI 系統裁決是一種「秘密審判」!要求說明 COMPAS 系統如何演算判斷出危險值。

這個案例顯然暴露了 AI 法官的價值衝突:演算法黑箱(black box)。

「在民主法治國家,法官不是個人,他代表的是國家。審判必須在公開透明的運作下,被監督、檢驗、究責。」李建良說:「法院公開審理、法官說明判決理由,都是來自這種被檢驗的要求。」

倘若披上法官袍的 AI ,無法開庭、詰問、說明判決理由,讓審判攤在陽光下,勢必挑戰現行的法院體制,也可能稀釋透明、公開、負責的司法價值。我們無從知道它為何會做出 A 判決,而不是 B 判決,不能確定它有沒有失誤,也難以確認責任歸屬。

Loomis 案也突顯出另一挑戰:代罪羔羊! AI 推測來自過往的資料,但「相似條件的其它人這麼做,不代表個別主體也會這麼做」。

這同時讓人擔憂 AI 的「因襲性」:社會信仰的美好價值是不斷翻轉、改變,有時正是因為劃時代的法院判決,才讓我們終於能破除傳統、確立新價值,例如美國法院推翻種族隔離平等制度,AI 法官會不會弱化、壓縮了法律肩負的深刻意義?

李建良直言,第一層次的「能力可行性」是人與 AI 的 比較參照,AI 能做到什麼,補足哪些人類弱點,帶來什麼優勢。

但最終,「倫理辯證」仍是無可迴避的關鍵核心,當新科技打破、牴觸基本價值,我們是否願意為了科技可能提供的「客觀公正」,放棄退讓這些原則?

我們願意授權給一套科技系統,讓它判定人們是否有罪,剝奪我們的人身自由(甚至生命)嗎?李建良認為,AI 法官的倫理爭議勢必挑戰人類的信任邊界,最終將深刻探問人類對科技制度的核心信念。圖片來源│ iStock
我們願意授權給一套科技系統,讓它判定人們是否有罪,剝奪我們的人身自由(甚至生命)嗎?李建良認為,AI 法官的倫理爭議勢必挑戰人類的信任邊界,最終將深刻探問人類對科技制度的核心信念。
圖片來源│ iStock

人文關懷,也是艱困的價值論辯

「這不會是全面贊成/反對的選擇題,因為 AI 法官很難普遍性適用每一種案件。」李建良強調。

AI 在資料統整、數據分析上已大放異彩,導入科技新工具、人機合作,可以減輕法院負擔,也拉近一般人與訴訟裁決的距離。然而,法律範疇高度複雜,即便未來開放 AI 法官,也必定是在特定的條件、脈絡與案型。

他以行政法說明,「大埔農地要不要徵收?美麗灣渡假村能不能蓋?這類行政法案件極度複雜,牽涉環保、制度、法規多重衝突,還有價值選擇的命題,不太可能由 AI 獨立裁決。」

更重要的是,即使技術邊界有機會突破、修正,讓 AI 越來越聰明,我們也不應迴避第二層次的倫理辯證。這也正是人文學科最重要的價值關懷。

「我們很容易倒過來想,認為有這麼多好處,為什麼不開放、不使用?但人文學者關注的是價值倫理,一旦越過了某些界線,無論多少優勢,我們都必須謹慎、嚴肅地看待。」李建良提出艱難考驗做類比:

當你明確知道這人是兇手,卻沒有任何證據,這時我們要不要放棄無罪推定,不計手段堅持罪有應得?這就是價值選擇的論辯。很困難,但很重要!

「人文學者的使命,是預先關切各種可能的問題。」面對 AI 大躍進,李建良集結法政、社會、哲學學者展開長期跨領域計畫,關切 AI 應用的人文思辨。他這麼說:「客觀來看,目前的 AI 技術還無法高度涉入法律系統,但當我們做更多思考對話,才能讓社會更清楚彼此的價值、信念與方向。」
攝影│林洵安

延伸閱讀

本文轉載自中央研究院研之有物,原文為AI 當法官,會是正義女神的化身嗎?專訪李建良,泛科學為宣傳推廣執行單位

文章難易度
Ad manager Post Bottom code
[集雅]廣告測試
研之有物│中央研究院
179 篇文章 ・ 2 位粉絲
研之有物,取諧音自「言之有物」,出處為《周易·家人》:「君子以言有物而行有恆」。探索具體研究案例、直擊研究員生活,成為串聯您與中研院的橋梁,通往博大精深的知識世界。 網頁:研之有物 臉書:研之有物@Facebook
2021_Pansci_PC_sidebar_Top

0

0
0

文字

分享

0
0
0
從麻瘋病到新冠肺炎:由歷史發掘中國防疫的真實面相
研之有物│中央研究院
・2020/11/23 ・5329字 ・閱讀時間約 11 分鐘 ・SR值 554 ・八年級

TAAi 2020 25th 人工智慧研討會

本文轉載自中央研究院研之有物,泛科學為宣傳推廣執行單位。

  • 文/整理報導|蕭歆諺;美術編輯|林洵安

中研院演講精華

新冠病毒肆虐全球,中國作為疫情發源地,已累積大量確診與死亡數。這並不是中國第一次面臨大規模疾病威脅,血吸蟲病、麻風病、愛滋病等,中國政權屢屢展現獨特的防疫手段。2020 年 2 月在中研院的演講「從中國的『後帝國』語境看疾病的隱喻與防疫:從麻風病談起」,中研院民族學研究所劉紹華研究員,分享她對疾病隱喻和防疫政治的觀察。研之有物整理演講精華,帶你透視中國的防疫治理。

不只是疾病 更牽涉醫療汙名與歧視

2007 年 10 月 1 日,一群中國醫生在四川省涼山州聚首,鬧哄哄地舉辦同學會。但仔細聽,席間常常提到「別人瞧不起我們,我們不能看不起自己」,充滿共同對抗外人的惺惺相惜之意。

為什麼這群世人普遍視為菁英的醫生,念茲在茲的竟是彼此鼓舞,彷彿想洗刷某種貼在身上的負面標籤?

原來,他們是 1975 年「涼山麻風病培訓班」的兩屆學員,曾參與麻風防疫的醫療工作。

test-2021_Pansci_All_inread_p4

在中國,麻風病(臺灣稱為漢生病)和其他疾病不同,是令人聞之色變、高度被汙名化的疫病。很長一段時間,政府採取隔離政策,建村建病院,一般民眾對麻風病人避之唯恐不及,視他們為「瘟神」。這種高度懼怕與厭惡之情,也連帶影響了社會對麻風醫生的觀感。

自此,麻風不再只是單純的「疾病」,更牽涉社會福祉、汙名歧視和結構性暴力等議題。前述的這場同學會,正是劉紹華於《麻風醫生與巨變中國》一書中的開場故事,也是她起心動念十多年來研究中國麻風防疫史的起點。

長年關注衛生治理與社會變遷的人類學家劉紹華,藉由探訪 45 位麻風醫生,重構中國麻風防疫史。在新冠肺炎盛行之時,尤其受人關注。她以中國麻風醫師的集體生命史為經,歷史事件與國家政策為緯,編織出這本工程浩大的防疫運動史。圖/劉紹華。

十年磨一劍 跑遍中國採訪麻風醫生

劉紹華提到,麻風的防疫在中國歷時最久、規模最大,也是牽動階級情緒跟汙名歧視最劇烈的疾病。同時,防疫的規模史無前例,卻完全上不了檯面,充滿矛盾性。

此外,中國在 30 年間成功將原先盛行的麻風病,降至聯合國的防疫標準,成為多國稱許與欲借鏡的公共衛生成就。這項「防疫奇蹟」背後動用哪些方法?付出何種代價?中國經驗是否可能複製?皆令她十分好奇。

test-2021_Pansci_All_inread_p8

過往研究多從醫療發展和病人的角度下手,劉紹華別開生面,選擇從「麻風醫生」的角度出發,藉由訪談記錄珍貴的口述歷史,拼湊出中國治理與醫療傳承的痕跡。

「挖得很辛苦。」她坦言,相關史料隱晦難找,想博得麻風醫生的信任,又是另一難題。跑遍成都、南京、北京、雲南、廣東、上海等地,劉紹華投入超過 10 年,偌大中國成了「田野」,足見研究規模之大。

從福音醫療到後帝國實驗

分析這段龐大的防疫史,劉紹華從兩方向著手:中國與世界的關係,以及中國的內部治理。

她分享,談中國與世界的關係涉及疾病隱喻。在這隱喻中,中國是相對且龐大的「他者」,直至今日仍可見此痕跡。以麻風為例,其實不只在中國出現,而是遍布全世界,但從 19 至 20 世初,西方普遍把矛頭指向華人,認為麻風源於亞洲、入侵歐美,隔離患者時也刻意把華人和白人分開,將疫病種族化。

test-2021_Pansci_All_inread_p12
2016 年世界衛生組織公布的全球麻風地圖,僅剩巴西一帶盛行率超過萬分之一。
圖/World Health Organization

麻風帶著西方世界對「東亞病夫」的隱喻,同時,西方基督教的「福音醫學」則投入救贖麻風患者與佈教中國。

由於民間普遍對麻風有歧視汙名,治療工作多數由傳教士執行。1949 年,中共建政後將教會系統盡數趕出,直到 90 年代,政府經費變少、醫生離開,教會體系才重返中國。教會體系不在的這數十年間,麻風防疫工作靠的是一系列「後帝國實驗」。

1945 年,毛澤東寫下〈愚公移山〉一文,強調要挖除擋在中國前面的兩座大山:帝國主義與封建主義。後帝國實驗揭開序幕,中共將包含麻風在內的四大傳染病與帝國主義、封建主義掛勾,打倒傳染病成為「反帝愛國」的象徵。

防疫背後的隱喻與動機,
是民族主義與建國大業的動員。

1952 年中國的衛教海報,公共衛生與愛國、反帝運動相互結合,創造出一套民族主義的防疫論述。疫病防治,即是對抗西方帝國的救國之戰。
圖片來源/U.S. National Library of Medicine,Digital Collections,NLM Image ID:E00103。

數十年來,中國有不少特別的防疫手段,其中一項就是廣建偏遠孤立的麻風村。當歐美剛找到有效的現代治療方法,開始逐漸廢除隔離政策之際,中國卻一反國際潮流,興建更多麻風村落。

究其原因,是中國施行「人民公社」集體化的運動,把人從家戶中拉出來,共吃共住共勞動。但歧視並未被去除,沒人想和麻風病人齊聚一堂,政府便順勢廣建麻風村。中國各地的麻風聚落,形成一個巨大而封閉的防疫網,只有麻風醫生穿梭其間,也加深了社會對疾病的拒斥。

麻風病會傷及顏面、皮膚,嚴重者可能引發潰爛,自古以來即受到強烈排斥。中國實施大規模隔離,為避免民眾反彈,麻風聚落通常安排在高山上、山谷中,與世隔離,讓消除汙名變得更加困難。圖片為感染麻風病的患者,皮膚明顯受損。圖/Pierre Arents

無奈的麻風醫生

面對高度汙名的疾病,被徵調投入的醫護人員一代接一代,有的真心想照顧患者,有的因為出身低圖謀翻身,有的在國家的口號下加入防疫隊伍。大體而言,自願投入的醫護人員少之又少。

當第一線的醫療人力付之闕如,要派誰去治療麻風患者?答案是剛踏出醫學院的新手醫生,而且家庭政治成分多數「有問題」。

他們天資聰穎且滿腹理想,但被國家指派防治麻風時,儘管驚訝委屈,也只能默默忍耐奉獻。「麻風問題大家都害怕、歧視,而且麻風都是窮的地方……要說心裡掙扎,不只我一個,所裡搞麻風都這樣的心情。」老麻風醫生如此說。

文革時期,大批醫療人員與機構面臨下放農村的命運。麻風防治雖然也是衛生政策的一環,卻因為上不了檯面,那些鬥志高昂的下鄉醫生海報,幾乎不見麻風病的宣傳。圖/U.S. National Library of Medicine,Digital Collections,NLM Image ID:E0017。

麻風醫生的工作艱辛,他們自嘲擁有「銅頭、鐵嘴、鐵胃、飛毛腿」,隔離衣、帽子、手套不離身,工作時常常手泡在汗裡,連上個廁所都有困難,一天可能只上一次廁所。當時醫學知識已清楚麻風桿菌的傳染力其實不強,但恐懼造成的迷思依舊難以克服。

生理考驗煎熬,心理痛苦更讓人難受。除了一般民眾與同儕的多方歧視,連家人都冷眼相待。有個受訪者分享,因為怕麻風病菌傳染給女兒,回家後不敢抱她,母女關係直到後來都沒辦法修復。

採訪過程中有麻風醫生直言,這是「一群被瞧不起的人,去照顧另一群被瞧不起的人」,幾乎每個防治者都承受高度挫敗與歧視。這群麻風醫生在國家由上而下的強迫勞動中,懷著認同矛盾前行。背負政治汙名的醫生,被迫投入加深疾病汙名的防疫工作,政治汙名與醫療汙名的複雜交纏,讓麻風歧視更難消解。

劉紹華親身走訪中國麻風村進行田野研究。長年的研究中,麻風病人的生命韌性帶給她無數感動,她也從麻風醫生與救助者身上,看見可貴的人性。圖/劉紹華。

新冠肺炎侵擾 重演疾病汙名

「雖然是講麻風,但如果看疫情,你會有熟悉的感覺。」演講中,劉紹華話鋒一轉,談起正肆虐全球的新冠病毒,中國當前的處境和過去有幾分相似。

她舉例,這次新冠肺炎的國際反應,又出現了「他者化」的景象:來自中國以外的亞洲人到白人世界,都強調自清自己不是中國人。「自清這件事沒錯,但因為肺炎而很嫌惡自己被當成是中國人這件事,讓我有點猶豫。」她解釋,

我們應該檢討標籤和汙名化他人的人,
而不是反過來踩比我們還要「低階」的人。

另外,「武漢肺炎」的名稱也讓她多所保留。從疫病史來看,人類歷史上已經有很多汙名化爭議,比如 MERS(中東呼吸症候群冠狀病毒感染症)便曾遭到中東國家抗議。設身處地想,若有疾病在臺灣發源,我們也不會希望疾病一直以臺灣冠名。

除了處境相似,中國也使用了一些歷來慣用的防疫手段。劉紹華認為,他們慣於在檯面上製造號召眾人跟隨的樣板,如女性醫療人員集體剃髮,就是一種儀式性的表演。這種動員手段在麻風防治也很常見,沒人想當麻風醫生時,國家會安排醫生做出「祖國需要,就是我唯一志願」的宣示,她稱之為「強制的人道主義」(coercive humanitarianism)。

毫無疑問,肺炎疫情多少影響了中國夢的實現,中國是否會迎來夢醒時分,或者在疫情結束後做下一個夢,猶未可知。

劉紹華於演講尾聲談到,在危急和資源分配的時刻,劃清他群、我群的界線是人性基本反應,不大會消失。但成熟社會應該警惕教訓,在一次又一次的危機中學會如何不讓汙名、恐慌和敵意蔓延,減少信任破壞。「所以歷史很重要,不一定要念到清朝或殖民史才叫歷史,昨天就是歷史。」

新冠肺炎引發疾病汙名、標籤化的爭議。劉紹華以愛滋病來說明,1980 年代,美國疾病史將男同志列為高危險群,後來血友病患、海洛因注射者、海地人都被列入名單,成為被標籤化的感染者。回顧公衛史,這類汙名歧視的痕跡需要後人保持警戒。圖/iStock。

講座最後,聽眾也相繼提出問題,希望從過往防疫史,重省我們面對大規模疫病的態度:

問:新冠肺炎彰顯了中共治理的優缺點,當中有極權優勢嗎?

極權政府可以不用像民主國家,處理跟人民之間的約定,效率好像比較快,但實際狀況並非如此。為什麼?這同樣是因為政治體制。醫療衛生不是他們的優先考慮,政治考量才是。這種不透明讓他們錯過了黃金時期,以致應該有效的規範手段,後來也沒那麼有效。舉例來說,隔離是擴散前才有效,麻風病屬於慢性傳染病所以隔離有效果;但新冠肺炎是急性傳染病,一旦失去先機就很難見效。

另一個觀察面向是疾控中心(CDC),疾病防控統一隸屬這單位,架構與權力比以前更集中,這是全球包括中國的趨勢。在民主國家,對 CDC 有很多監督的可能性,但中國的中央極權很絕對,誰來監督?加上中國很大,要約束地方很難。CDC 內部有資源競合,對外要跟地方政府競奪,出問題是可以預見的事情。

問:在這波疫情中,中國出現很多以愛為名的防疫論述和歌曲,這是對抗汙名的解方嗎?

這跟愛可能無關,跟國家主義比較有關。人們遇到困境時,直覺就是求老天爺或宗教協助,但中國沒有這樣的思考慣性。他們的信仰就是民族主義跟國家主義,所以會約定開窗喊武漢加油或愛國加油,缺乏高於國家集體主義的祈求象徵,我覺得滿令人傷感的。

值得注意的是,有中國朋友提到,喊武漢加油的人,很可能就是不准武漢人進入他們地域範圍的人。當大家用愛國精神來提振士氣,汙名化仍可能持續存在。汙名有很多不同層面,包括世界對疾病的普遍汙名,基於對中國反感而出現的汙名,還有中國內部對邊緣群體的歧視汙名,並不是用愛就能一筆帶過。

問:從公共衛生的角度,我們可以怎麼看待人權跟疾病管控的平衡?

國家選擇用什麼立場跟態度很關鍵。這在中國無法討論,臺灣可以,只是還沒開始。比如健保卡可以連線旅遊史,作為人權工作者,這些訊息會讓我神經「ㄍㄧㄥ」起來:什麼時候我們允許政府理所當然地用我們的大數據?

這並非質疑或反對這個政策,只是目前還沒到戰時最緊急的時刻,應該還有餘裕跟理性維持立法透明跟監督精神,向社會說明這麼做是根據哪些法律?如何界定「緊急」?處理這類涉及人民隱私的議題,政府可以更謹慎,對民心安頓也會比較周全。

延伸閱讀

  • 《麻風醫生與巨變中國:後帝國實驗下的疾病隱喻與防疫歷史》劉紹華,衛城出版社,2018
  • 《我的涼山兄弟:毒品、愛滋與流動青年》劉紹華,群學出版社,2013。
  • 劉紹華個人網頁
Ad manager Post Bottom code
[集雅]廣告測試
研之有物│中央研究院
179 篇文章 ・ 2 位粉絲
研之有物,取諧音自「言之有物」,出處為《周易·家人》:「君子以言有物而行有恆」。探索具體研究案例、直擊研究員生活,成為串聯您與中研院的橋梁,通往博大精深的知識世界。 網頁:研之有物 臉書:研之有物@Facebook

0

0
0

文字

分享

0
0
0
當前最快最準的AI偵測技術!辨識車輛只要一眼瞬間——YOLOv4
研之有物│中央研究院
・2020/11/10 ・4066字 ・閱讀時間約 8 分鐘 ・SR值 554 ・八年級

TAAi 2020 25th 人工智慧研討會

本文轉載自中央研究院研之有物,泛科學為宣傳推廣執行單位。

  • 採訪編輯|郭雅欣、黃曉君;美術編輯|林洵安

「只要讓我看一眼,我就知道這是什麼!(You Only Look Once,YOLO)」YOLO,是目前當紅的 AI 物件偵測演算法。中研院資訊科學研究所所長廖弘源及博士後研究員王建堯,與俄羅斯學者博科夫斯基(Alexey Bochkovskiy)共同研發最新的 YOLO 第四版(簡稱為 YOLO v4),一舉成為當前全世界最快、最高精準度的物件偵測系統,引爆全球 AI 技術社群,已然改寫物件偵測演算法的發展。究竟,他們在演算法裡動了哪些手腳?又是什麼樣的契機,開啟了這項研究?

產業出難題,學界來解題

故事,是從一項產學合作開始。前幾年,科技部提出了「產學共創」機制:產業出題、學界解題,中研院合作對象義隆電子,出了一個考題給資訊所:如何增進十字路口的交通分析?也就是即時偵測車流量、車速等等。當時義隆電子已經在十字路口架設了監視器,包括全景攝影機及單一方向的槍型攝影機,接下來最需要的,就是辨識車輛的物件偵測技術。

「但我們需要的不只是辨識車輛而已。」王建堯說。在馬路上運行中的車速度很快,物件辨識必須非常即時,在短時間內就能辨識出車輛,並能持續追蹤,計算車速。換句話說,這個技術對物件的偵測必須「快、狠、準」。此外,因為影像資料不斷產生,如果把資料都上傳雲端運算,不但比較耗時,也會給雲端電腦帶來太大的負擔,因此這個偵測技術還得做到一件事──計算量必須夠小,小到可裝在十字路口監視器上的小型計算器, 即可完成物件偵測的任務。

test-2021_Pansci_All_inread_p4

要做到交通路況的即時分析,必須有一種速度快、仍能精準辨識,但又可應用在生活中小型計算器的物件偵測技術。

YOLOv4 演算法達到這個不可能的任務!它是目前世界最快、最精準的物件偵測演算法,卻又能小到放在十字路口的監視器內,已實際應用於如「智慧城市交通車流解決方案計畫」,即時偵測車輛、停等車列、車速等等 。

物件辨識的阿基里斯腱:梯度消失問題

怎麼辦到的?首先,王建堯著手研究著名物件偵測系統 YOLOv3 ,「我們想找出在建立一個物件偵測系統時,哪一個步驟是最關鍵的?如果改善了,效率和精確度會提升最多?」廖弘源強調:「雖然是工程問題,但我們要把科學思考帶進來。」

先來認識物件偵測技術!它是個卷積神經網路(Convolutional Neural Network,簡稱 CNN),具有許多網路層,每一層負責抽取某些圖像特徵。一個輸入的影像通過層層層層層層……分析,最後找出最可能的答案。理論上,層數越多、判斷結果應該越精確。

先教電腦定義每個影像的值,再透過神經網路的層層非線性函數運算,判斷這個影像最可能為哪個數字,信心水準比值最高者為答案。圖│研之有物(資料來源│李宏毅)

訓練這個卷積神經網路的方法是:先倒入大量已標記正確答案的學習材料(如標記好各種車輛的圖片),讓機器學習如何判斷。每次機器判斷結果與正確答案不符,就將這個資訊反饋到前面的網路層,調整每一層的參數,以期下次達到更準確的判斷。

test-2021_Pansci_All_inread_p8

那麼,哪一步改善後可以大幅提升表現呢?王建堯找到的關鍵是:學習的反饋過程。當卷積神經網路的網路層數愈多,在訓練階段,因為反饋計算方式,每回傳一層就會損失一些資訊,越前面的網路層學習到的東西越少,稱為「梯度消失問題」(vanishing gradient problem)。

為了解決梯度消失問題,前人曾經提出 ResNet、DenseNet 等等卷積神經網路,簡單來說,即是將後面資料備份後往前「跳級」傳遞!以 ResNet 為例,我們可以想像成「含水傳話」,從最後一個人往前傳,愈前面的人資訊愈缺失。但如果最後一層開始,每一層都備份錄音,再把錄音跳過一層直接往前傳,那麼前面的所有層都可接收到資訊,前面網路層就不會學不到東西。

上圖為原始的卷積神經網路(CNN),假設只有三層,在資料回傳的過程中會逐層遞減,稱為梯度消失問題。下圖為改良版 ResNet ,從最後一層開始,每一層都備份,再把備份越過一層「跳級」傳遞,前面網路層就能接收到後面的資訊。圖│研之有物(資料來源│王建堯)

然而,ResNet 具有太多重複的拷貝,不但浪費計算量,而且不同層的參數用來學習重複、但多餘的資訊,換句話說,每一層能學到的東西都差不多。「是否有一種更好的方式,在不改參數量,讓機器運算變快,省下來的資源(參數)還能讓機器多學一點,提高精確度?」廖弘源說。

不只最快,還要最精準!

2019 年年初,廖弘源與王建堯團隊首先研發出局部殘差網路 PRNet(partial residual networks, PRNet),將資訊「分流」,減少無謂的計算量,使運算速度增加兩倍。「一開始做出 PRNet,我還是覺得效果不夠好。雖然減少計算量,大幅加快了計算的速度,但是正確率和原本相比並沒有什麼提升。」廖弘源自信的說:「我覺得這樣沒什麼意思,因為我們的目標,是做出全世界最好的物件偵測技術!」

test-2021_Pansci_All_inread_p12

2019 年 11 月,他們在 PRNet 的基礎上,緊接著研發出跨階段局部網路 CSPNet(cross stage partial network, CSPNet),利用分割—分流—合併的路徑,成功達到了大幅減少計算量、卻能增加學習多元性的目標。

從 PRNet 與 CSPNet,我們一步步把物件偵測的計算量減低,但是學習卻能更多元,因此也得到更好的精確度。

以上為 CSPNet 簡化結構的一部分,三色箭頭代表機器學習過程中,後面的資料如何反饋往前傳。這個設計的重點在於資訊的分流與多了過渡層(Transtion),讓反饋的學習資訊在分流後產生差異,提高每一網路層參數的利用率,目標是讓機器學到更多樣的東西,提高判斷的精確度。另一方面,因為資料分流的關係,有部分直接往後傳,不經過分析計算,使整個計算量變少,運算速度也因此加快。圖│研之有物(資料來源│王建堯)

「我們發表 CSPNet 之後,吸引 YOLO 技術的維護者博科夫斯基(Alexey Bochkovskiy)的注意。」廖弘源說。他們很快與博科夫斯基(Alexey Bochkovskiy)展開合作,將 CSPNet 用於開發新一代的 YOLO,並於今年 4 月發表了 YOLOv4,成為當前全世界最快、最準的物件偵測技術,引爆全球的 AI 社群。廖弘源笑說:「我們 4 月發表的論文,短短不到三個月,閱讀次數就超過了 1400 次,比我以往發表的任何論文都還多。」其中的關鍵技術正是 CSPNet。

此外,由於 YOLOv4 的技術是開放的,各式各樣的應用也如雨後春筍般快速出現。舉例來說,YOLOv4 可即時偵測人們的社交距離,或是快速判斷路上的行人有沒有戴口罩。

YOLOv4 甚至能辨識並捕捉滑雪運動中的人,廖弘源進一步解釋:「滑雪的人姿勢以及運動軌跡都不斷變換,甚至可能拋物線飛起,偵測難度相當高,但 YOLOv4 都能追蹤得非常精準。」

帶學生的第一要求:把科學帶進來!

中研院資訊所所長廖弘源長期研究多媒體視訊處理,從雞尾酒浮水印到人臉資料庫、數位化影片修補等,再到這次的 YOLOv4 物件偵測技術,研究成果卓越。而每一項成果的後面,都是廖弘源帶領資訊所前後屆學生一起努力的成果。

想在廖弘源的實驗室工作,可不是件輕鬆的事。他說:「做研究,不該只想著工程問題,應該本著科學家的精神,從中找出最具科學價值的關鍵下手。」許多學生一到廖弘源的實驗室,必須將過去狹隘、僵化的工程解題模式打掉重練,重新以科學看待問題。例如:本次 YOLOv4 的成功關鍵,即在於一開始問了個好問題,找到最值得改善的環節。

不論面對的是何種問題,我的第一個要求,就是把科學帶進來。

儘管治學甚嚴,個性海派的廖弘源和學生也有著亦師亦友的關係。他喜歡和學生一起找出好的研究議題後,一起埋首投入研究工作的熱血感,也喜歡在研究遭遇瓶頸時,與學生一起「大吃一頓解憂愁」。如今,他的學生遍布國際級知名公司與研究單位,持續發揮「廖式思考」的深刻影響力,開發更多如 YOLOv4 般頂尖的科研成果。

雖然團隊屢屢創造具商機的研究成果,但廖弘源對於獎項或是申請專利等,卻是看得很淡。「我的目的本來就不是賺錢,」廖弘源說:「我只希望我們對世界的好奇與探索,能真正轉化為對人類的貢獻。」

中研院記者會合影。由左到右,義隆電子葉儀皓董事長、中研院周美吟副院長、中研院資訊所廖弘源特聘研究員、中研院資訊所王建堯博士後研究員、科技部前瞻司楊琇雅司長、台大人工智慧研究中心陳信希主任、杜維洲執行長。圖│研之有物(中研院秘書處)

延伸閱讀

本文轉載自中央研究院研之有物,原文為《一眼揪出你有沒有超速!世界第一物件偵測技術: YOLOv4》,泛科學為宣傳推廣執行單位

Ad manager Post Bottom code
[集雅]廣告測試
研之有物│中央研究院
179 篇文章 ・ 2 位粉絲
研之有物,取諧音自「言之有物」,出處為《周易·家人》:「君子以言有物而行有恆」。探索具體研究案例、直擊研究員生活,成為串聯您與中研院的橋梁,通往博大精深的知識世界。 網頁:研之有物 臉書:研之有物@Facebook

0

0
0

文字

分享

0
0
0
三個經濟學家有四個看法,經濟學家如何從數據做出未來經濟預測?
研之有物│中央研究院
・2020/11/04 ・5059字 ・閱讀時間約 10 分鐘 ・SR值 612 ・十年級

TAAi 2020 25th 人工智慧研討會

本文轉載自中央研究院研之有物,泛科學為宣傳推廣執行單位。

  • 採訪編輯|蕭歆諺;美術編輯|林洵安

每年 7、12 月,中研院都會發佈對台灣總體經濟的預測,12 月公布隔年總展望,7 月發佈當年修正後的預測數據。但未來未來一直來,變數這麼多,經濟學家是怎麼判斷前景大好或大壞?難道是靠投票、擲骰、丟硬幣?「研之有物」專訪中研院經濟預測小組召集人、經濟研究所兼任研究員周雨田,帶你破解經濟預測的幕後步驟,一窺經濟學家如何推估經濟指標,幫助政府和大眾掌握經濟風向。

經濟預測的影響有多大?差 1% 差很大

一般人聽到「經濟總體預測」,可能很難有具體感覺。預測報告中密密麻麻的各項指標,似乎不會直接影響日常生活。但真是如此嗎?我們與經濟指標的距離,或許比想像中還近。

五花八門的經濟指標。圖/Envato Element

周雨田解釋,經濟預測很大程度會影響政府決策,舉凡編列預算、稅收增減、大型公共建設計畫等,都奠基在對整體經濟的展望評估。

test-2021_Pansci_All_inread_p4

這些政策看似遠在天邊,其實與生活環環相扣:明顯的如三倍券或紓困方案,讓民眾多了一點小確幸;重大政策如前瞻基礎建設、央行貨幣調節、銀行利率,會影響產業發展與企業進出口成本,也帶動大家最關心的股市行情。

這些數字看似微小,實則影響巨大。經濟成長下修 1%,聽了不容易有感;但台灣一年 GDP 約 19 兆台幣,差 1% 就差了 1900 億元!也難怪每年發布經濟預測時,總會吸引媒體目光。

2020 年 7 月中研院發布的經濟預測。中研院經濟預測小組是經濟所組成的研究團隊,每年固定公布二次報告。圖/研之有物(資料來源:中研院經濟預測小組)

1.83%?-4%?為何國內外各家預測大不同?

政府主計單位之外,中研院是台灣第一個進行總體經濟預測的機構,早在 60 年代中期由于宗先院士等人首開先河,歷史悠久。

國內其他非官方預測單位還有中華經濟研究院台灣經濟研究院台灣綜合研究院和近年加入的中央銀行等;國外重要預測機構則有 IMFOECDWorld BankIHS Global InsightOxford Economics 等機構。此外,一些大型民營金融單位也會提供涵蓋較小範圍的總體經濟預測。

test-2021_Pansci_All_inread_p8

比對各家版本,中研院的預測數字有時較為保守,例如今年各家數據最高達 1.83%,中研院則落在 1.15%。為何同樣是經濟預測,結果卻有不小差距?

2020 年對台灣的經濟預測非常分歧,國內預測都在 1% 以上;外國數據幾乎都不到 1%,最差是 -4%,原因可能是資訊不對稱,外國預測單位對台商回流、振興政策等影響效果的掌握較不足。圖/研之有物(資料來源:周雨田提供)

周雨田解釋,每個機構有各自的運算模型、方式;作為學術研究機構,中研院相對沒有約束與包袱,比較可以「放得開」,更勇於據實當一隻烏鴉。

檢視過往紀錄,中研院的預測表現確實平穩,準確度很高。比如 2012 年主計總處曾「連九降」經濟成長率,從 4.58% 一路調至 1.66%;當年 7 月中研院發布的數據為 1.94%,是預測最精準的版本。

儘管有學術上的優勢,他也坦承,相較於其他機構,學術單位對個別產業的細部發展掌握較少。

test-2021_Pansci_All_inread_p12
2012 年受到歐債問題延燒、全球經濟成長下修等負面影響,主計處的經濟預測曾出現罕見的「九降風」。圖/研之有物(資料來源:周雨田提供)

拆解「經濟預測」四大步驟

整個經濟預測流程,主要包含四大部分:蒐集資料、模型運算、預測討論和對外發佈。

蒐集資料是常態性隨時進行的程序,密集準備期則約需一到兩個月的時間。研究模型使用的是季度資料,大部分來自主計總處,其他還包含中央銀行、財政部、中央氣象局與 IMF 等國內外單位。除了數據,也需要關注重要新聞事件,例如政策施行成效、國際地緣政治發展,進一步評估對各變項的影響。

在模型運算的階段,團隊使用統計分析軟體 EViews 和 GAUSS 進行計量經濟分析,每季都會重新運算數據,反應最新一季資料的影響。

目前使用的預算模型是一個中型規模,共有將近 30 條方程式,涵蓋商品與勞務市場(民間消費、民間投資、出口、進口)、勞動市場(失業率、工資)、價格函數(進口物價、出口物價、國產內銷品物價、消費者物價、核心物價、8 項物價平減指數)、金融市場(股價、匯率、利率、M1B、M2)、及政府財政(稅收)等變項。

台灣經濟結構並非一成不變,運算模型自然也要不斷修正。經年累月的優化下,照理說,預測模型應該愈趨精準。但周雨田解釋,除了經濟結構不斷改變之外,許多影響經濟的因素、程度都難以被具體量化,因此每季得到初步運算結果後,就有賴團隊進一步開會討論與修正。

經濟結構不斷改變,因此模型也需要不斷修正。例如,台灣已從製造業轉向服務業,高科技產業比重持續擴增,運算時就需要區分:消費屬於服務(餐飲、旅遊)或商品類?若是商品,那屬於耐久財(汽車)或非耐久財(日用品)?圖/研之有物

三個經濟學家有四個看法,我們有七個成員,你就知道會有多少看法!

周雨田笑著說,意見分歧是常態,從不同變數的影響時間長短,到不同政經事件衝擊的程度,不一而足。研究團隊得透過一次次的開會討論、辯證、說服彼此,取得共識,萬不得已才會投票表決。

今年最大的歧見是什麼?周雨田透露,「先前比較大的歧異點是疫情影響。」新冠肺炎剛爆發時,有些人認為疫情仍侷限對岸,不會有過大、過長的影響;另一派則認為兩岸交流頻密,絕不可小覷嚴重性。光是簡單描述,就能想像彼時討論有多熱烈!

但無論共識有多難,經濟指標總是要發佈。7、12 月中研院固定召開兩次記者會,發佈對台灣總體經濟的預測,內容包含經濟成長率、民間消費成長率、進出口成長率、消費者物價指數和失業率等重要指標。

黑天鵝頻頻出現 經濟預測挑戰大

上述每個指標都相互牽動,其中集大成者是「實質經濟成長率」,受到消費、投資、政府購買及淨出口等影響。包括疫情對外貿動能的衝擊,政府紓困與前瞻計畫,都會反映在該指數上。

相比之下,「美金和人民幣匯率會有什麼漲跌?」「央行利率可能調降嗎?」「股市什麼時候跌?現在能不能進場?」這些記者會經常出現的敏感問題,學術上很難有一致的答案,運算模型則不做預測。這在文獻中有個名稱叫隨機漫步模型(Random Walk),增加跟降低的機率基本上一樣,意思就是沒辦法預測。

整體來看,經濟預測中最大的挑戰是什麼?

周雨田認為特別難預測的是「進出口成長率」。他解釋,評估進出口成長率要考量匯率、國內產業發展、國外需求和其他國際情勢等因素,牽涉變數廣。除了變數之間的相互影響,還要考慮影響時間,例如:假設去年貿易變數延續至今,這個影響會長達一季或兩季?

另外,「民間投資成長率」也是一大難題。因為投資牽涉景氣循環起伏,但任何經濟預測中,最難掌握的就是轉折點!景氣何時到谷底?是不是要開始反轉了?都是經濟學家的頭痛挑戰。

相較之下,較好預測的有民間消費、政府支出。前者大概佔 GDP 的五到六成,畢竟無論現實情勢如何都會有基本消費;後者則因為政府前一年就需訂下預算編列,相對容易掌握。

不過,只要遇上黑天鵝,各項指標皆顯得變幻莫測。

回首過往,911 事件、金融海嘯都曾劇烈衝擊景氣,讓預測誤差明顯擴大。今年,黑天鵝同樣頻頻出沒!周雨田表示,疫情大流行、中美衝突、美國大選等,增加了經濟預測的難度。

所幸,面對黑天鵝,經濟學家並非束手無策。對應之策是參考歷史,像是參照 SARS 來推估新冠疫情對經濟的衝擊程度。

面對高度不確定的狀況,中研院除了發佈「點預測」,也從 2011 年起率先提出「區間預測」。不確定性愈高則區間愈大,彈性應對,預測數據更具參考價值。

今年飛來這麼多隻黑天鵝,預測時會不會特別有壓力?「會也不會,會是因為很難下定論,不會是反正大家都不準,」周雨田露出頑皮的笑容。

股市是經濟的領先指標之一,但也是有缺陷的指標。意思是:我們可以透過股市了解景氣的可能趨勢,但因為股市和 GDP 關係並不那麼緊密,因此常出現股市與經濟表現脫鉤的現象。但是就長期趨勢而言,股價和 GDP 的走向總會回歸一致的。圖/研之有物

後疫情時代,台灣的經濟前景樂觀嗎?

劇烈震盪的 2020 年,全世界史無前例大規模封城、鎖國,國際貨幣基金組織(IMF)更預測全球衰退將擴大到 4.9%。面對外在嚴峻挑戰,台灣是否能刺激景氣復甦?未來經濟走勢又是如何呢?

談起備受討論的「三倍券」,周雨田表示,目前只能從過往數據推估新政策的效果,主要根據中研院王平院士、彭信坤與簡錦漢對 2009 年消費券成效進行的研究,預測三倍券的邊際消費傾向(Marginal Propensity to Consume, MPC)、替代效果、乘數效果與 GDP 貢獻度。

舉例來說,每使用 100 元振興券,民眾額外多支出的費用,就是邊際消費傾向(MPC)。乘數效果則是多增加的消費再逐層衍生出新的消費,最後創造出的總經濟獲益。如果民眾買的是原本必要的商品(米、奶粉),沒有拿去做額外消費,替代效果太高,振興方案的乘數效果就會較低。圖/研之有物

理想的狀況下,替代效果愈低、邊際消費愈高,三倍券的乘數效果愈大。相較於消費券,現在多了數位選擇,消費方式更多樣化,另外民眾若綁信用卡直接折抵,不能衍生第一層後續的消費,就不會有大的乘數效果。

綜合上述因素,周雨田推估三倍券可貢獻 GDP 約 0.2%~0.3%。單從數字看來,刺激經濟效果似乎並不太大?他解釋,部分原因與預算規模有關,三倍券預算約僅占 GDP 的 0.27%,遠小於 2009 年消費券的占比 0.62%,振興方案的效果自然較低。

綜合來說,後疫情時代,台灣的經濟前景將是如何?

「我們並不悲觀!你看全世界,GDP 有 1% 的很少。」周雨田總結,台灣整體經濟、消費者信心逐步回溫中,2020 年的總體經濟成長率預估能破 1%,來到 1.15%。

但不可否認的是,未來仍充滿變數,中美衝突加劇地緣政治風險、下一波疫情、疫苗研發時程,都將牽動景氣。因此周雨田認為,經濟復甦的曲線可能不會是 V 或 U,而是上上下下呈 W 型,這也是今年經濟學界的熱議話題,包括研究團隊內部至今都充滿分歧爭論。

不靠通靈占卜,經濟預測靠的是硬到不行的模型演算,以及經濟學家對現實景況的熱烈論理。下回看到經濟預測,你就知道眼前一條條經濟指標背後,究竟仰賴多少厚實的研究過程與基礎功。

今年剛從研究員退休的周雨田,轉任兼任研究員,繼續為年底的經濟預測努力。走入辦公室,牆上貼著幾張描繪經濟走勢的圖表,一組組書櫃盡是經濟學相關書籍。每年影響台灣重大經濟政策、商業發展的報告,就出自這間看似尋常的研究室。圖/研之有物

延伸閱讀

本文轉載自中央研究院研之有物,原文為《景氣好、景氣壞,未來經濟怎麼預測?破解經濟學家的「天眼通」!》,泛科學為宣傳推廣執行單位

Ad manager Post Bottom code
[集雅]廣告測試
研之有物│中央研究院
179 篇文章 ・ 2 位粉絲
研之有物,取諧音自「言之有物」,出處為《周易·家人》:「君子以言有物而行有恆」。探索具體研究案例、直擊研究員生活,成為串聯您與中研院的橋梁,通往博大精深的知識世界。 網頁:研之有物 臉書:研之有物@Facebook