期刊編號：Spring 2021
作者：荒井夏來
更多文章請見政大商業評論網站：http://nccubr.nccu.edu.tw/article.php?aid=165&mid=40
本篇論文的研究動機與研究步驟—美國的財政預估從哪來？
美國國會預算辦公室（congressional budget office, CBO)成立於1974年，成立目的是為了要提供美國國會數據參考，像是未來財政預算支出、總體經濟預測、課稅分析等等，以讓國會有更好的政策規劃。然而有些學者提出，CBO所提供的數據並不準確，導致政策效果不佳，如本篇論文的參考文獻，Booth, Timmerhoff, and Weiner (2015) 也指出，美國國會預算辦公室用來預測未來支出的計量經濟模型有所謂「系統性向上誤差 (systematically biased upward)」的瑕疵。因此本篇論文聚焦於兩大重點：首先，先分析CBO預測模型不準確的原因；再來，調整CBO的預測模型，使其提升準確度。預算辦公室的預測模型瑕疵究竟在哪裡？
首先，預測預算模型(Budgetary Projection)是由三大因子所組成，分別是政府營收(Revenue)、政府支出(Outlay)，以及兩者差距的政府赤字(Deficit)。而預測預算模型的數據是先對未來總體經濟數據的預估，主要有五大分項，分別是名目GDP、實質GDP、消費者物價指數(CPI)、失業率，以及美國公債3個月期的殖利率。也就是說，會導致預測預算模型不準確是因為總經數據預測的問題。因此本篇論文先蒐集從1984年到2016年的「預測預算數據」以及「真實數據」，並且利用統計假設檢定，發現都是「拒絕(reject)」的結果。教授推論，此模型的瑕疵是可能是因為系統性誤差，點出預算辦公室可能對「消息面」過度反應，或是沒有考量到總體經濟環境的改變，而導致模型受到影響，預測出來的數據不夠準確。
教授如何將原本的模型做修正？本文的貢獻是什麼？
因此要修正這個模型的瑕疵，必須先對總體經濟數據預測模型做改變。所有模型中的變數皆沒有改變，但是數據取至美國費城聯邦儲備銀行的「專業預測調查(Survey of Professional Forecasters, SPF)」。此項調查數據是費城聯儲針對經濟數據做問卷調查，再集結成預測數據，比如說針對長期通膨、國內生產毛額(GDP)、就業狀況的預測。教授將SPF放進原本的預測模型中，發現其準確性提高了26%，證實SPF的總經數據用來預測真實的狀況較為準確。而這也是本文特殊的地方，因為過去沒有文獻是利用SPF的調查數據來預測美國財政預算。
預測模型可以延伸到其他產業或政府機構
教授表示，這樣的預估模型也可以利用在其他領域，像是銷售量預測、股價預測、政府機構數據、因疫情的死亡人數預測等等領域。藉由更加準確的預測，可以給當下的我們知道如何因應未來的改變。如去年無預警的Covid-19，導致許多企業有「供應鏈斷裂」、「庫存不足」的問題，因此若能對庫存或銷量更加準確預測，便能及時改變策略或政策，以防未來問題發生。
後記—教授的未來研究方向
在「大數據時代(Big Data)」的來臨下，許多人會利用機器學習(Machine Learning)來預測未來走向。先分析大量的數據，從中找到既定的行為模式或可能的趨勢，以及了解數據背面的相互關係。再來使用機器學習，跳脫只有分析數據的框架，而是讓電腦在沒有人為輸入程式的狀況下，也能透過過去的「經驗」，自動搜集資料，發掘事物進行的模型或趨勢。機器學習可以用在預測股價、人臉辨識、特定目標商業廣告、遊戲等等各式各樣的領域。
因此有些研究者會利用機器學習來預測未來的總經數據，昇華模型的準確度，也提高預測的可信度。這是資料科學結合計量經濟學的領域，也是未來教授的研究方向。
採訪編輯：金融四蔡易霖
