以下对提供的研究论文《Delegated Monitoring in Public–Private Credit Programs: Underinvestment, Overinvestment, and the Design of Subsidized Lending》(G. Charles-Cadogan,2026-08-05)进行极其详尽的解读与分析。为追溯源文本中的结论与论证,文中关键结论处均标注相应的页码引用,如 [page::页码],如遇多页引用则并列标注。全文严格基于原文所给结构展开,力求把论点、假设、数据、图表与推理过程逐点解读到位。
一. 元数据与概览(引言与论文框架的总览)
标题与作者/机构信息:论文题为“Delegated Monitoring in Public–Private Credit Programs: Underinvestment, Overinvestment, and the Design of Subsidized Lending”,作者为 G. Charles-Cadogan,发布日期为 2026-08-05,研究主题聚焦公私合作(PPP)下的委托监测在信用分配中的作用、潜在扭曲(低投资与高投资两端)以及 subsidized lending 的设计。核心议题是公共部门通过将信贷分配委托给私营股权/风险投资中介来缓解信用配给,但这种委托结构也可能引发新的道德风险与效率损失。1
核心论点与结论概览:本文构建了一个机制设计模型,揭示同一委托监测结构既能产生 Stiglitz–Weiss 的低投资扭曲,也能产生 De Meza–Webb 的高投资扭曲,关键在于“监控曲率”(monitoring curvature)与 subsidies 的强度之间的权衡。此外,模型在考虑难以实现完全理性认知的前提下,指出当监控资源稀缺且信息更新(信用评分与贝叶斯更新)被引入时,福利损失主要来自误分类,而最优的监控资源分配应基于边际特征对后验风险分类的边际影响来权衡。论文同时给出一个经校准的仿真,表明该理论的比较静态在数据中是可恢复的;尽管数据层面无法实现因果验证,证明设计具有可检验的结构性特征。上述结论在不同章节均可追溯到相应的页码描述。 1
研究贡献与结构:论文分为理论模型(2–4 节)、顺序合约与信用评分扩展(第5节)、证据(第6节的 aggregate proof-of-concept),以及结论(第7节),附带了A 节的证明与 Internet Appendix 的数据与仿真材料。研究的三大贡献分别是:将信用配给理论与委托监测契合到 PPP 框架、揭示同一委托机制下可能出现的两类扭曲以及扩展到带信用评分与后验更新的顺序合约模型。核心讨论围绕“是否善意的公共目标在设计上能够实现真诚揭示和有效分配”的问题展开。2 , 4
二. 逐节深度解读与论证脉络(逐章要点、推理逻辑、关键数据与假设)
第2节:模型框架与基本设定(The Model)
关键点概述:
公共部门的目标是选择在 incomplete information 下的最优贷款分配,通过委托的投资公司(VC/私募基金管理人)来进行筛选与放贷,并对外部性进行转移支付(y),以抵销特征性外部性(如性别、地域等造成的机会不平等)。政府希望将贷款额 x* 在 N 家企业之间进行分配,并以传递性机制(y)缓解外部性。核心在于,政府的目标函数是社会福利,监控成本 C(x) 及企业类型 θ 的分布对背后机制产生决定性影响。该部分明确提出机制设计的直接要点与政府的激励约束框架。4 , 5
报价/ transfer 与 x 的关系是分离的:企业对不同合同的偏好由 θV(x) 与 y 的组合决定,y 的设计与 x 的安排是通过一个 Vickrey–Groves 类型的机制来减少企业对 subsidy 的操纵性。该设定是后续分析真假信息、选择性放贷与监控成本的核心。文中给出对“合约-转移”的定义以及对机制需求的呈现。 6
监控成本与贷款区间的几何解释(Figure 1 的直观含义):
Figure 1 用几何图解释了“贷款区间”的可行性与成本结构之间的关系:在成本曲线上,越靠近更陡的区域,边际监控成本越高,导致“高风险与低风险之间的贷款范围”收缩。这一几何性质解释了为什么监控强度上升会压缩可接受的贷款区间,从而使排序(sorting)越发严格,难以实现真诚揭示。该图与文本共同指出,监控曲率对可行区间的收缩具有直接影响,从而影响是否存在 separating/设计的难度。这个结论是本研究的核心推论之一。图示及其文本定位在 7 。图像引用: 。 7
重要定义与约束(Definition 2.1,IR1/IR2、IC1/IC2):
论文引入了对机制的正式定义:X 为贷款分配集合,Θ 为企业类型集合,Si 为企业的策略集合,θˆi 为对真实类型 θi 的嘈杂信号,εi 代表未观测因子。通过映射到 X 的收益函数,形成政府的分配机制。这些形式化定义奠定了后续的“可信性”与“激励相容性”的推导基础。IR1、IR2、IC1、IC2 构成了企业参与与真诚揭示的基本约束。该段落覆盖在 5 、8 。图/表参见表 1(Classification-probability notation),用于描述 λ 的三层分类概率。此处为理论基础的技术性章节。 5 , 7
公共部门目标的约束与机制设计:
政府通过转移支付 y 来对企业的 surplus 进行再分配,以实现社会福利最大化,同时考虑监控成本 C(x) 与信息不对称带来的外部性。文中强调 Vickrey-Groves 式的激励约束设计,降低企业通过操控 subsidy 的动机。这一逻辑是后续讨论“在对称信息与不对称信息下,最优合约如何不同”的核心前提。文本在 6 -8 给出。 6 , 8
第3节:对称信息下的最优契约(First Best,Symmetric Information)
关键观点:
在对称信息下,若政府能够完全掌握 θ,委托监测并非必要,企业会如实披露,政府直接提取相应 surplus,考虑成本 C(x) 后确定最优贷款 x*。这是“第一最佳”情形,理论上应实现资源的有效配置。文中给出第一阶条件与最优贷款安排的结果,强调在对称信息时,信息不对称并非约束,因此可以实现更理想的分配。该段落的核心公式与解释位于 9 -10 。 9 , 10
与信息不对称情形的对比:
对称信息情形为“最优但理想的基线”,后文在“第四节”引入不对称信息时,讨论为何在现实中难以达到该基线,并分析造成的扭曲路径。此处的结论为后续对比的锚点。 9 , 10
第4节:在信息不对称下的最优契约(Second Best)
核心论点:
私营中介(VC/ 私募基金管理人)通过基于对 θ 的嘈杂信号 θˆ 的转移与贷款组合 x,来实现对不同风险类型的区分放贷;企业相信若掌握政府合约,获得贷款概率将提升,因此 transferr y 的存在会影响企业的参与决策与风险偏好。财政工具被视为“对冲风险的双向工具”,既降低企业风险,又改变监控与回收的激励。本文将政府的转移规则作为固定的政策工具,聚焦于中介在此框架下的筛选行为与监控成本的权衡。该部分为“Second Best”的核心。参见 10 -11 的描述。 10 , 11
VC 的问题设定与参与性约束:
给出 IR1/IR2、IC1/IC2 等约束条件,推导出在两类企业(高风险 θH 与低风险 θL)之间的合约如何设计以最大化“可提取的超额收益”,同时考虑监控成本与 Subsidy 的影响。该过程导出“参与组合条件”( Lemma 1),强调只有在足够多的低风险企业参与、并且高风险企业的监控成本/ subsidy 成本对边际影响足够小时,公私伙伴关系才可能实现 Benevolent 目标。这一分析放在 11 -12 。图 2(Fig. 2)与文字共同呈现低风险企业 rents 的示意。图像: 。 12
第一阶条件与量化结论:
Proposition 1 给出“对连续类型的最优性的一阶条件”(在若干 regularity 条件成立的前提下),Corollary 1 进一步指出在最优解处边际效用等于边际成本的加权期望。直观而言,即是说:在二元风险结构下,放贷的边际收益要等于监控成本与分类不确定性带来的调整成本的加权和。这一结论的技术要点以及推导过程集中在 12 -13 。 12 , 13
半分离均衡(Semi-Separating Equilibrium)与监控成本分解:
第4节的4.1 小节给出“半分离均衡”的具体形式,区分两类成本:交易成本(通常对所有贷款相对固定)与监控成本(对高低风险不同),并引入 µx 的加权平均贷款概念来描述成本函数的凸性带来的影响。Assumption 1 说明成本按平均贷款分摊;从而推导低风险方获得更高贷款、监控成本对不同贷款区间的下降/上升关系,以及两类主体对同一边际贷款的不同边际效用。该段落及相关推导在 13 -15 ,并辅以 Figure 3(Figure 3 的两张图展示了低风险/高风险的分离几何在不同情形下的可行性)。图像: 。 18
关键信息与扭曲类型:
本节明确指出:若政府提供对高风险的贷款 subsidies 来“平衡竞争环境”,可能会引发 Overinvestment(4.1–4.2 的讨论)。Proposition 3 指出,若 subsidizes 使高风险企业在私人层面更具吸引力,代理人对资金的总需求可能超出社会最优水平,从而引发资源错配与过度投入。此点直接连接到 De Meza–Webb 的论断。此处的核心结论在 15 ,与后续讨论的一致性在 15 。 15
贷款监控的区域性与风险偏好:
第4.2 节强调监控水平取决于成本曲线地段:边际成本是递减还是递增,将直接决定是否进入低监控或高监控区间,以及相应的错配可能性。这一部分把“监控强度”与“贷款区间”之间的关系清晰化,提供了对扭曲的结构性解释。相关分析在 16 ,17 。 16 , 17
关键结论(图形化直观与理论推导的统一):
通过图形化的几何-成本框架,作者指出当成本曲率较大且 λ 的高风险概率较高时,可操作的贷款区间收窄,从而削弱了策略性虚假申报的空间;反之,成本曲率低、风险概率低时,代理人更容易通过操纵实现利润,从而导致潜在的过度投资。该论断在文本与图示中多处呈现,且在 Proposition 4 的讨论中得到形式化。参见 17 与相关图示。 17
总结性理解:
4 节的核心是:在信息不对称背景下,委托监测的设计不仅要考虑对 target firm 的激励,还要评估 subsidy 设计对代理人激励与市场排序的影响;同时,监控成本曲率决定了可行的贷款区间和潜在的扭曲类型(under vs over investment)的出现概率。以上逻辑在 10 -17 的各段中逐步建立。 10 , 17
第5节:序列化契约(Sequential contracts)
关键扩展与新增要点:
将契约扩展到两期(0、1)以引入后验更新:在第0日,企业基于初步信息被分类为高/低风险,企业在第1日的表现将被公布,代理人据此进行再分类。若出现好状态、坏状态或破产的情形,合同的剩余部分(x−x0)将按 prevailing state 发放。序列模型使得努力、审计与后验分类概率对福利损失的影响更加清晰,尤其在“努力成本”和“剩余贷款分配”的博弈上。文中给出具体的概率性框架及对企业的激励设计。该扩展位置在 18 -20 ,以及后续对 posterior updating 的描述在 20 -21 。 18 , 19 , 20 , 21
顺序合约中的后验更新与误分类成本:
5.1 节讨论了“误分类导致的福利损失”如何通过后验更新来传导,以及如何通过销售额等信号对高低风险的后验概率进行更新。作者提出了使低风险与高风险在不同状态下的努力水平保持一致的必要条件(Lemma 2),以降低 misclassification 的 welfare loss。这些论断的技术要点位于 20 -22 ,其中对 Bayes 更新与后验概率的设定给出明确公式。 20 , 21 , 22
关键结论(最优分配的边际条件):
Proposition 5 给出“最小化福利损失”的条件:福利损失在边际成本加权后对后验分类概率的边际影响达到最佳权衡时达到最小。该结论明确地把监控资源的配置与借款人特征对后验概率的边际贡献联系起来,提供了一个“按边际分类价值/单位监控成本”排序的实务性审计规则。文本在 22 的段落中给出明确的结论。 22
证据支撑与数据设计:
该节还引入了对数据测试的设想:若获得 granular borrower-level data(申请、监控、性能等),可直接检验 under-/over-investment、监控-后验更新、以及 posterior classification 的效果。文中对数据需求及现有公开数据(如 SBA SBIC 报告)的适用性进行了诚实的评估,表明数据的可用性与研究的可检验性之间的现实差距在 23 -24 ,并在 24 -24 给出 proof-of-concept 的数据与模拟设计。图 4–6 的仿真结果也在这一部分展开。图像:Figure 4、Figure 5、Figure 6 的引用分别见 41 -42 。 ; ; 。 41 , 42
总结性理解:
序列契约与后验更新的引入使得福利分析更贴近现实:信息在时间上逐步暴露,企业通过初始信号进行“申请-放贷-绩效”的过程,代理人对风险的判断会随时点更新,且对监控与放贷策略的影响具有动态性。此部分在 18 -22 的讨论中提供了完整的理论与推导基础。 18 , 22
第6节:聚合性证据(Aggregate Proof-of-Concept Evidence)
研究设计与数据来源的实务说明:
由于缺乏粒度极高的 borrower-level 数据,论文转而以公开的 aggregate SBA SBIC 数据进行“证据-设计验证”(design validation)的分析:对州别层面的融资数量与金额、地理集中度、分配差距、以及可观察到的程序设计阶段(如 Accrual Debenture)进行 descriptives。该节明确区分“描述性证据”与“因果检验”的界限,为理论模型提供可检验的结构性信号。关键叙述集中在 23 -24 。 23 , 24
主要发现(聚合数据的结论与图表):
地理集中性显著, top-5 接收方占比高、HHI/ Gini 指标显示资本在地理上的高度集中,与“ delegated allocation 不对称分配”的预测一致。图 1(地理集中性图)和图 2(SBIC 分配与人口份额对比)在 34 -35 给出,直观呈现了区域性偏好与资源分配的不均衡。相应的 Pandas/图像引用在文中给出:图 1、图 2。 图像: ; 。 34 , 35
政策目标州的分配份额也在图 3 中呈现(Policy-target state shares),显示在高贫困/高少数群体州的融资份额与人口份额之间的偏差,进一步印证了“代理人分配偏向与政策目标之间的潜在冲突”这一点。图像: 。 36
数据局限性与证据性质:
作者明确指出 aggregate 数据无法直接测试核心机制(是否存在高/低风险企业的放贷分配差异、申请-拒绝流程、后验更新等),只能用于描述性的一致性检验。为此,文中提供了一个“仿真后备方案”(simulation backstop),模拟 60,000 个申请、33,610 确实获得融资、120 个基金、36 个州、12 年等场景,以验证模型在一个可控的仿真环境中能否还原理论预测。相关图表包括 Figure 4–6、Table 4–9,以及对仿真回归结果(Table 9)的描述性结论。图 4-6 的图像引用与上文同,图 4、5、6 的路径如下: Figure 4: Simulated geographic concentration of MESBIC/SBIC financing(图像路径) ; Figure 5: Simulated approval rates by program and target status ; Figure 6: Simulated financing contract mix。图像引用分别在 41 与 42 。 图像: ; ; 。 41 , 42
证据的综合性评价:
论文对 aggregate data 的使用恰如其分地强调了理论与现实的“可检验性边界”:在缺乏 granular 数据的情况下,代理人分配的非均匀性、地理集中与程序设计的变化仍可通过宏观证据得到印证,同时仿真提供对 sharper predictions 的设计性验证。该部分的结论在 24 -25 给出最终归纳。 24 , 25
第7节:结论(Conclusion)
结论要点:
公私合伙的监测机制可以产生两类扭曲:不完全筛选与利率/分配排序导致的 underinvestment,以及 subsidized lending 可能引发对高风险企业的过度投资。该结论在 25 的结论段落中明确总结,并与前文的理论推导形成闭环。 25
论文强调设计层面的要素:监控代理成本、风险分级的 subsidy 规则、审计技术、以及后验绩效评估,是评估 PPP 设计优劣的关键维度,而非单纯的放贷总额或覆盖企业数量。理论+聚合数据+仿真共同支撑这一结论。 25
对未来研究的指引:
作者在结论中明确指出若获得粒度 borrower-level 数据,将可检验具体机制:不同风险群体的放贷差异、地理/行业的偏好、监控强度随风险与贷款规模的变化、以及后验更新对福利损失的影响等。这些内容在第6节及附带的 Internet Appendix 的数据设计中有进一步展开。 25 , 32 -42
三. 图表与图像深度解读(逐图解读与与文本的联系)
注:以下每条图表描述均给出图表在文本中的作用、可见趋势、以及与论点的联系,并附上溯源标注。
第A节:证明(A Proofs)与附录材料
A.1 至 A.6 的证明要点:
A.1 Proof of Proposition 1:给出对称信息情形下的一阶条件的证明框架,核心是通过对福利函数对 x 的积分求导,得到连续类型下的 interior solution。证明过程强调极值点的存在性与单峰性。参见 29 。 29
A.2 Proof of Corollary 1:给出边际效用等于边际成本的推导,直接对应 Corollary 1 的结论。参见 29 。 29
A.3 Proof of Proposition 4:给出在不同监控成本区域内,代理人对低风险/高风险的贷款区间的最优条件的推导。参见 30 。 30
A.4 Proof of Lemma 2、A.5 Proof of Lemma 3、A.6 Proof of Proposition 5:对误分类下的福利损失、最小化条件以及方向性导数的论证,形成了对整个模型稳定性的理论支撑。参见 30 -31 。 30 , 31
Internet Appendix(Supplementary Material):
SBIC Proof-of-Concept Data Appendix:详细描述了样本构建、变量、集中度证据的构成,及其对本研究的支持性作用。相关章节位于 32 起的附录部分。
Figures 4–6 等仿真图像的支撑数据、变量构造与回归表也在 Internet Appendix 中提供,与主文一致地展示了设计验证的内容。32 -42
四. 估值分析与方法论解读(论文的“估值”与方法论框架)
估值方法类型:此论文并非传统意义上的金融估值(如 DCF、EV/EBITDA、目标价等),而是通过机制设计与博弈论框架对公共-私人信用计划的福利与效率进行“价值评估”。其核心评估工具包括:
社会福利函数(政府的福利最大化)与成本函数(监控成本 C(x))。
边际条件:边际效用等于边际成本(Corollary 1),以及对不同信息结构下的最优分配(Proposition 1)。
对称信息下的第一最佳与不对称信息下的第二最佳的比较,以及在序列性合约中的后验更新对福利损失的影响(Lemma 2、Lemma 3、Proposition 5)。
通过地理集中度、分配缺口与仿真结果,展示了理论预测在“设计实现层”的可检验性与可操作性。
关键输入假设与敏感性探讨:
单-crossing、凹/凸性、及 agency-cost 的假设是推导可行性与唯一性的重要前提。作者强调若这些约束失效,最优分配可能并非唯一,且结论以可行性与比较静态为主。该点在 Section 2 的前置说明中明确(4 ),对研究的外推性具有重要影响。 4
监控成本的曲率(Figure 1 的几何解释)直接决定了“可分离性、排序难易度、以及潜在扭曲的高度”——这揭示了设计中最关键的结构性因素。 7
序列模型引入后验更新和Bayesian 更新,假设信贷评分(c 的向量)能较好地反映企业特征,从而对 misclassification 的福利损失进行最小化控制。这一假设在第5节及 A.4/A.5 的证明中得到明确化与逻辑支撑。 19 , 20 -22
五. 风险因素评估(局限性、偏见与稳健性)
理论层面的假设风险:
单-crossing、凹/凸性与“单峰性”的约束是模型可解性的支柱,但现实世界的借款人分布与监控成本分布未必满足该条件;若存在多模态类型或非单调的风险—回报结构,所得结论的稳定性与唯一性将受影响。该点在第2节的开篇就被明确指出。 4
数据与因果识别的局限性:
作者明确区分了“描述性证据”与“因果检验”的边界,aggregate SBIC 数据无法识别 borrower-level 的风险类型、申请/拒绝、监控强度与后验分类的变化,因此现有证据并不能直接证实机制的因果性。结论的证据基础更多是设计可检验性与一致性,需未来获得粒度数据才可进行严格因果推断。该点在第6节及 互联网附录的讨论中反复强调。 23 -24
政策与制度的外部性风险:
论文将 Subsidy 设计视为纯粹政策工具,但在现实世界,政治经济因素、预算约束、以及不同利益相关者的博弈可能导致 subsidy 的分配与执行存在非理性或非透明的变动性。这一政治经济层面的分析未在论文中给出系统性建模,因此对政策制定的外部效度仍需谨慎对待。作者也明确表示这超出了研究范围。 6
数据的外部效应与外推性:
聚合数据证据的解释力受限,难以区分需求不足与供给不足(application demand vs rationing),以及州际/行业间的异质性。仿真提供了“可检验的信号”,但仍是设计验证而非对历史 MESBIC/SBIC 的因果估计。以上局限性在第6节和 2.3 的仿真描述中得到强调。 24 , 40 -43
六. 批判性视角与微观细节的评估
潜在偏见与强烈观点的提示:
本文的核心论断在某种程度上依赖对“ benevolent 公众目标”在市场化工具下的有效性假设。作者同时承认现实中的政治-制度性约束可能削弱该假设的有效性,这种自我约束与谨慎态度体现了研究的稳健性,但也提示在实际政策设计中要警惕“设计优于结果”的风险,即设计良好的制度若没有足够的执行与监控保障,可能无法达到理论上期待的效果。相关讨论出现在 Introduction 与 Conclusion 的对照段落中。 2 , 25
内部一致性与潜在矛盾:
文中同时强调“分离/半分离”的区域在不同成本曲线下可能表现出不同的最优放贷策略,这与后文的“序列契约的后验更新”相互印证;但若现实中的信息更新并非如信用评分所预测的那样稳定(比如信号质量下降、市场环境剧烈波动),则不同阶段的最优策略可能产生阶段性偏差,导致福利损失的波动。这种潜在不稳定性在模型设定中是自然的,但在应用时需要通过外部性强的监控与动态评估来缓解。文本对这一点给出了理论上的预警与仿真的设计证据。 13 -22
七. 结论性综合与对未来研究的启示
核心发现与政策含义的综合:
公私合作下的委托监测可以在一定条件下实现扩张性放贷与社会目标的兼容,但若设计不当,监控成本与 Subsidy 的相互作用会引发两端的扭曲:Underinvestment(因信息不对称导致目标企业被排除)与 Overinvestment(高风险企业因 Subsidy 而获得过多融资、并削弱了激励与监控)。这一定义清晰地贯穿本文的理论框架、各节的推导以及聚合数据与仿真的证据。核心结论在结论段落明确呈现,且在 4 节的若干命题与定理中逐步建立。 25
设计原则的实务性输出:福利最小化的关键在于“将监控成本的边际效应与特征对后验分类概率的边际影响相结合”,即对 borrower 的不同特征进行权衡排序,确保投入监控资源的边际收益超过成本。该结论形成了一个可操作的审计规则:按特征的边际分类价值/单位监控成本排序资源配置。这一结论在第5节的 Proposition 5 给出明确形式化表达。 22
对未来研究的具体指引:
若获得 granular borrower-level 数据,未来研究可直接检验下列命题:是否存在对风险较高目标企业的资金分配减少、是否存在对弱势借款人的过度信用、以及监控强度/贷款规模是否随可观察风险特征变化而变化;此外,是否存在地理或行业的进一步偏离与政策目标的实现之间的关系。作者在第6节末尾对未来研究提出了清晰的方向。 24
Internet Appendix 提供的仿真与数据设计为未来的微观数据测试提供了可复现的框架,说明在数据到位时,论文的机制预测是可以直接进行“因果性检验”的。相关证据与设计细节集中在 32 -42 ,包括了数据字典、变量构造、以及仿真回归的结果。 32 , 40 -42
总体评价与行业启示
本文将信用配给理论与委托监测机制结合到一个清晰的公私伙伴关系框架之中,揭示了“同一委托结构既可产生低投资也可产生高投资”的潜在双重性,并明确了其中的决定性因素(监控曲率与 Subsidy 强度)。这为公共财政工具在 SME/创新型企业融资中的设计提供了新视角,尤其是在把监控成本、信息生产、以及后验分类整合成一个可操作的资源配置原则方面,给出了一条可检验的理论-证据链。论文的理论贡献明显,且以仿真与聚合数据进行“设计验证”,但在因果推断层面仍需粒度更高的数据来实现直接检验。总体而言,该研究对政策设计者具有重要的启示价值:在设计 Subsidy 与委托监测时,必须关注监控成本曲率、后验分类带来的边际收益,以及如何通过合约设计避免信息不对称带来的两端扭曲。 1 , 25
附注:涉及的主要图片与表格在文中均已标注溯源,关键图表的相对路径和页码如下(为便于溯源,逐条列出,可在需要处添加到引文中):
Figures
Figure 1(成本结构与贷款区间几何): 。 7
Figure 2(Surplus 与贷款区间的分布): 。 12
Figure 3(两张分离几何图,低风险/高风险的可分离性对比): 。 18
Figure 4–Figure 6(仿真地理集中、批准率与合同结构):
Figure 4: 。 41
Figure 5: 。 41
Figure 6: 。 42
Tables
Table 1(Classification-probability notation): 5
Table 2(Variables used in the proof-of-concept analysis): 33
Table 3(Geographic concentration…): 34
Table 4–Table 9(仿真/backstop 与回归结果): 37 -42
如需,我可以把以上分析整理成更紧凑的研究要点摘要、对照表(理论要点 vs 图表要点)以及逐页的溯源清单,方便在撰写研究笔记、投资评估或政策备忘时快速定位。