---
name: demographic-fiscal-trap-analyzer
description: 分析人口老化、債務動態、官僚膨脹與通膨稀釋交互作用下的「財政陷阱」風險，量化各國/地區的財政脆弱度並識別潛在的貨幣稀釋路徑
---

<essential_principles>

<principle name="fiscal_trap_definition">
**財政陷阱定義**

「人口-財政陷阱」(Demographic-Fiscal Trap) 是指：當高齡化撫養比持續攀升、政府債務/GDP 居高不下、官僚體系低效膨脹、且名義成長無法覆蓋利息支出時，政府傾向透過「金融抑制」(financial repression) 或「通膨稀釋」(inflation erosion) 來削減實質負債。

此陷阱的核心特徵：
1. **人口結構剛性**：老年撫養比上升是不可逆的長期趨勢
2. **債務自我強化**：r > g 時債務比率自動膨脹
3. **政治阻力**：削減福利支出的政治成本極高
4. **貨幣出口**：當財政改革無路可走，貨幣稀釋成為「最小阻力路徑」
</principle>

<principle name="four_pillar_framework">
**四支柱分析架構**

本技能採用四維度評分框架：

| 支柱                      | 權重(預設) | 核心指標                    |
|---------------------------|------------|-----------------------------|
| 老化壓力 (Aging Pressure) | 35%        | 老年撫養比水準 + 10年斜率   |
| 債務動態 (Debt Dynamics)  | 35%        | 債務/GDP + 5年斜率 + (r-g)  |
| 官僚膨脹 (Bloat Index)    | 15%        | 政府消費/GDP + 政府支出/GDP |
| 成長拖累 (Growth Drag)    | 15%        | 名義GDP成長率（負向計分）   |

最終 `fiscal_trap_score` = Σ(權重 × z-score) 加權總和
</principle>

<principle name="inflation_incentive">
**通膨激勵指數**

通膨激勵指數 (Inflation Incentive Score) 衡量政府選擇「通膨稀釋」路徑的動機強度：

```
inflation_incentive =
    0.40 × zscore(debt_level)           # 高債務 → 強動機
  + 0.20 × zscore(r - g)                # r > g → 難以自然去槓桿
  + 0.20 × zscore(neg_real_rate_share)  # 負實質利率持續 → 已在執行
  + 0.20 × zscore(bloat_index)          # 高官僚膨脹 → 難以削減支出
```

當此指數 > 1.5 時，表示該經濟體有強烈動機維持負實質利率環境。
</principle>

<principle name="data_hierarchy">
**資料來源層級**

本技能採用公開可重現的資料源：

| 資料類型       | 首選來源        | 次選來源          | API/下載方式 |
|----------------|-----------------|-------------------|--------------|
| 撫養比         | World Bank WDI  | UN WPP            | API / CSV    |
| 政府債務       | IMF WEO         | World Bank        | API / CSV    |
| 政府支出       | IMF GFS         | World Bank        | API / CSV    |
| 健康支出       | WHO GHED        | World Bank        | API / CSV    |
| 名義GDP成長    | World Bank      | IMF WEO           | API          |
| CPI通膨        | World Bank      | IMF               | API          |
| 10年公債殖利率 | OECD / 各國央行 | Trading Economics | API / 爬蟲   |

所有指標均可透過 `wbdata`、`imfpy` 或直接 API 取得。
</principle>

<principle name="zscore_normalization">
**Z-Score 標準化**

為使跨國比較有意義，所有原始指標均轉換為 z-score：

```python
zscore(x) = (x - μ_cross_section) / σ_cross_section
```

其中 μ 和 σ 為同期跨國截面統計量。

這使得：
- z > 1.5 → 顯著高於平均（警戒）
- z > 2.0 → 極端值（紅燈）
- z < -1.0 → 顯著優於平均
</principle>

<principle name="quadrant_classification">
**象限分類系統**

根據 Aging Pressure 和 Debt Dynamics 兩主軸，將經濟體分為四象限：

| 象限         | 老化壓力 | 債務動態 | 典型國家           | 政策空間         |
|--------------|----------|----------|--------------------|------------------|
| Q1: 雙高危機 | 高 (>1)  | 高 (>1)  | 日本、義大利、希臘 | 極窄             |
| Q2: 老化主導 | 高 (>1)  | 低 (<1)  | 德國、南韓         | 中等（債務可用） |
| Q3: 債務主導 | 低 (<1)  | 高 (>1)  | 美國、巴西         | 中等（人口紅利） |
| Q4: 相對健康 | 低 (<1)  | 低 (<1)  | 印度、印尼         | 寬廣             |

Q1 象限國家最可能進入「財政陷阱」並選擇通膨稀釋路徑。
</principle>

</essential_principles>

<objective>
本技能的目標是：

1. **量化財政脆弱度**：計算各國/地區的 `fiscal_trap_score` 與 `inflation_incentive_score`
2. **識別結構風險**：透過四支柱分解，診斷哪個維度貢獻最大風險
3. **象限定位**：將經濟體歸類至四象限，判斷其政策空間
4. **趨勢預警**：利用撫養比預測至 2050 年，前瞻性評估陷阱演化
5. **跨國比較**：支援多國並排比較，識別相對風險排序
</objective>

<quick_start>
## 快速開始

**單一國家分析**
```
請分析日本的人口財政陷阱風險，使用 2010-2023 年資料，預測至 2050 年
```

**多國比較**
```
比較 G7 國家的財政陷阱分數，並按通膨激勵指數排序
```

**自訂權重**
```
分析台灣的財政陷阱，使用自訂權重：老化 40%、債務 40%、膨脹 10%、成長 10%
```
</quick_start>

<parameters>
## 參數說明

| 參數                  | 型別         | 必填 | 預設值                                                        | 說明                                          |
|-----------------------|--------------|------|---------------------------------------------------------------|-----------------------------------------------|
| entities              | list[string] | 是   | -                                                             | 國家/地區代碼 (ISO3 或區域如 OECD, EU, WORLD) |
| start_year            | int          | 是   | -                                                             | 歷史資料起始年                                |
| end_year              | int          | 是   | -                                                             | 歷史資料結束年（通常=最近一年）               |
| forecast_end_year     | int          | 否   | 2050                                                          | 撫養比預測結束年                              |
| dependency_components | list[string] | 否   | ["old_age","youth","total"]                                   | 撫養比分解項目                                |
| fiscal_modules        | list[string] | 否   | ["debt","spending","health"]                                  | 啟用的財政模組                                |
| bureaucracy_proxies   | list[string] | 否   | ["gov_wage_bill","public_employment_share","gov_consumption"] | 官僚膨脹代理指標                              |
| inflation_channel     | string       | 否   | "real_rates"                                                  | 通膨路徑分析方式                              |
| weights               | dict         | 否   | {"aging":0.35,"debt":0.35,"bloat":0.15,"growth_drag":0.15}    | 各支柱權重                                    |
</parameters>

<workflows_overview>
## 可用工作流

1. **full-analysis.md** - 完整分析：執行所有模組並產出綜合報告
2. **debt-dynamics.md** - 債務動態專題：深入分析 r-g 缺口與債務軌跡
3. **aging-projection.md** - 老化投影：撫養比預測與財政壓力前瞻
4. **cross-country.md** - 跨國比較：多國並排評分與排名
5. **inflation-path.md** - 通膨路徑：分析負實質利率持續性與貨幣稀釋動機
</workflows_overview>

<interpretation_guide>
## 結果解讀指南

### Fiscal Trap Score 解讀
| 分數區間 | 風險等級 | 建議關注                           |
|----------|----------|------------------------------------|
| < 0      | 低風險   | 財政健全，政策空間充裕             |
| 0 - 1    | 中等風險 | 需監控特定支柱惡化                 |
| 1 - 2    | 高風險   | 結構性問題顯著，改革窗口收窄       |
| > 2      | 極高風險 | 財政陷阱風險極高，通膨稀釋概率上升 |

### Inflation Incentive Score 解讀
| 分數區間  | 政策傾向     | 對資產配置意涵     |
|-----------|--------------|--------------------|
| < 0.5     | 正統財政     | 名義債券相對安全   |
| 0.5 - 1.5 | 溫和金融抑制 | 實質報酬承壓       |
| > 1.5     | 強烈稀釋動機 | 應考慮通膨保值資產 |
</interpretation_guide>

<execution_examples>
## 執行案例：日本人口-財政陷阱分析 (2010-2023)

**分析指令**
```
請分析日本的人口財政陷阱風險，使用 2010-2023 年資料，預測至 2050 年
```

### 核心發現

**綜合評分結果**
- **Fiscal Trap Score**: 2.03 (CRITICAL > 2.0 閾值)
- **Inflation Incentive Score**: 2.38 (極高 > 1.5 閾值)
- **象限分類**: Q1 - 雙高危機 (HighAging & HighDebt)
- **OECD排名**: #1 (風險最高國家)

**四支柱詳細評分**

| 支柱     | Z-Score | 權重 | 貢獻 | 全球排名 | 風險等級 |
|----------|---------|------|------|----------|----------|
| 老化壓力 | 2.40    | 35%  | 0.84 | #1       | ★★★★★    |
| 債務動態 | 2.45    | 35%  | 0.86 | #1       | ★★★★★    |
| 官僚膨脹 | 1.09    | 15%  | 0.16 | #15      | ★★☆☆☆    |
| 成長拖累 | 1.10    | 15%  | 0.17 | #33      | ★★☆☆☆    |

### 關鍵指標概覽 (2010→2023)

```
老年撫養比:      35.5% → 48.5%      (全球最高，加速中)
政府債務/GDP:   215.8% → 262.5%     (全球最高，超可持續邊界)
實質利率:        -2.5% (2023)        (金融抑制制度化)
名義GDP成長:     1.5%平均           (全球最低)
利息支出:        3.2% GDP (2023)    (2050年預測達8%+)
```

### 陷阱自我強化機制

```
老化 → 社保支出↑ → 赤字↑ → 債務↑ → 利息↑ → 赤字更↑
              ↓(無法切斷)↓
         整個迴圈傳統財政改革無法化解
```

### 未來場景預測

| 場景     | 概率 | 特徵                          | 影響               |
|----------|------|-------------------------------|--------------------|
| 通膨加速 | 70%  | 名義GDP成長4-5%，央行允許通膨 | 日圓貶值15-25%     |
| 利率衝擊 | 20%  | YCC崩潰，實質利率正常化       | 債務比率爆炸性增長 |
| 改革突破 | 10%  | 社保根本性改革，移民開放      | 極低政治可能性     |

### 資產配置建議 (日本投資者)

**推薦**
- 30% 美國股票 (美元走強+實質利率正值)
- 20% 美國債券 (3-4% yield vs JGB -2.5%)
- 15% 新興市場 (成長性，日圓對沖)
- 10% 黃金 (通膨對沖)
- 10% 日本不動產 (東京/一線，通膨受益)
- 15% 現金/替代資產

**應避免**
- ✗ 純JGB持有 (年實質報酬 -2.5%)
- ✗ 地方房地產 (人口衰退中)
- ✗ 日圓堆積 (購買力侵蝕)

### 生成成果物

分析完成後自動生成以下文檔：

1. **結構化JSON** - 完整數據與計算過程
2. **技術報告** - 49KB 詳細分析文檔
3. **執行摘要** - 5-10分鐘快速掌握
4. **可視化圖表** (5張)
   - 01_four_pillars_20260119.png - 四支柱評分分解
   - 02_time_series_20260119.png - 2010-2023年時間序列
   - 03_projections_20260119.png - 2024-2050年投影
   - 04_asset_allocation_20260119.png - 資產配置建議
   - 05_risk_scorecard_20260119.png - 風險評分卡

### 監測指標 (投資決策參考)

| 指標        | 當前值 | 警戒線     | 含義         |
|-------------|--------|------------|--------------|
| CPI通膨     | 3.3%   | >4%持續3年 | 通膨稀釋確認 |
| 10y殖利率   | 0.8%   | >1.5%      | YCC漸進解除  |
| JPY/USD     | 160    | >180       | 日圓貶值信號 |
| BoJ債券持有 | 52%    | <45%       | 正常化信號   |

</execution_examples>