收益：
- 能够通过明确的假设建立基本/乐观/悲观场景，并使用人工智能生成透明的、可手动验证的电子表格
- 能够应用敏感性和压力测试逻辑（当您改变假设时结果会发生多大变化）并识别关键假设
- 能够坚持认为情景不是预测，而是有条件的“如果-那么”练习，并且假设和最终判断的所有权属于经济学家。
未来是不确定的，经济学家的工作不是用精确的预测来掩盖这种不确定性，而是让它在有序的选择中变得可见。情景建模正是这样的：“如果汇率达到这个水平，如果增长是这样，如果利率是这样，结果会怎样？”预算预测、债务可持续性分析、投资可行性——所有这些都经过情景思考。人工智能在这里是一个强大的加速器：它将假设转化为电子表格，在几分钟内生成三到五个场景。但最关键的一句话是：场景不是预测；而是场景。这是基于明确假设的有条件的“如果-那么”练习，假设的所有权属于经济学家。人工智能进行计算；由人类来决定哪种假设是合理的。
脚本剖析
扎实的剧本的组成部分：
- 基本（基础）场景。最可能的一组假设是： “预期”路径。
- 乐观和悲观的情景。基地周围合理的上下步道。这些应该是合理的，而不是任意的。
- 明确的假设。每种情景所依据的数字（增长、通货膨胀、汇率、利息）均一一写出。隐含的假设是站不住脚的。
- 透明账户。从输入到输出的公式必须是可见的并且可以手动验证。黑匣子场景行不通。
- 结论和评论。这些场景之间的差异表明了什么？哪种风险有多大？
提示：不要将乐观/悲观情景呈现为“预测范围”。这些不是概率，而是有条件的后果：“如果汇率上涨30%，债务负担就会增加。”句子应始终以“if”开头，以便读者看到条件。
敏感性分析：哪个假设是决定性的？
场景的结果取决于数十个假设，但并非所有假设都同等重要。敏感性分析衡量的是，在其他条件不变的情况下，当你改变一个假设时，结果会发生多大的变化。如果结果对某个假设非常敏感（微小的变化会对结果产生很大的影响），则该假设至关重要，值得最多的关注、验证和沟通。
压力测试是其延伸：测试系统/预算/债务在适度但严重的负面冲击（例如利率突然上升、出口市场崩溃）下的表现。我们的目标不是预测最坏的情况，而是预见突破点。
注意：如果你告诉人工智能“制作一个悲观的场景”，它可能会给你一个任意数字。悲观情景并不是“从天而降”，而是一种合理的假设：它必须有历史或逻辑基础，比如“类似2018年汇率冲击的走势”。你证明了这个假设的合理性。
逐步情景研究
- 定义问题和结果。我们计划什么？ （债务/GDP、预算余额、现金流）
- 设置驱动程序变量。少数主要投入（增长、通货膨胀、利息、汇率）决定结果。
- 做出基本假设并证明其合理性。每个数字的来源和逻辑都有写。
- 制作脚本。有理由地改变乐观者/悲观者的假设。
- 建立一个透明的帐户。让人工智能将公式打印为可见的表格/代码。
- 运行灵敏度。分别动摇每个关键假设并测量响应。
- 评论和过滤。哪个假设是关键的？结果合理吗？最终的判断是经济学家的。
三个迷你箱子
案例 1——债务可持续性。一位财政部分析师预测了 5 年的公共债务/GDP 比率。他让人工智能创建三种情景：基数（增长 4%，利率 X%）、乐观、悲观。敏感性分析表明，结果对实际利率增长差距（r−g）最敏感：如果增长低于利率，债务比率就会迅速攀升。分析师在报告中强调了这一单一关键假设；他集中精力去验证它。
案例 2——任意悲观情景的修正。在一家机构中，人工智能给出了“悲观情景：增长-10%”，但它没有根据。这位经济学家反对道：这比该国历史上最严重的危机还要严重，而且没有道理。根据过去两次衰退的平均严重程度，悲观情景被下调至-3%。现在这种情况是可以辩护的。
案例 3 — 透明帐户已保存。根据预算预测，结果看起来很奇怪。由于计算是透明的，分析师查看了表格，发现了错误：人工智能将通货膨胀应用到了收入方面，但忘记将其应用到了费用方面。在黑盒模型中，这个错误将保持隐藏状态；可见的公式揭示了这一点。
场景设计表
项目
好的做法
不好的做法
假设
清晰、合理、有来源
秘密的、任意的
场景范围
基于历史/逻辑
随机“高/低”
帐户
透明，可手动验证
黑匣子
演示
“如果-那么”，有条件的
确实如猜测
灵敏度
标记的关键假设
所有假设均被视为平等
四个可复制模板
1）场景骨架：
获取该输出[例如债务/GDP]我将预测 5 年。驱动变量：增长、通货膨胀、利率、汇率。建议我一个清晰的基本/乐观/悲观假设表；在每个假设旁边写下理由。先别做数学计算；让我先确认一下假设。
2）透明电子表格/代码：
根据我认可的假设计算预测。保持公式可见（这样每一行的计算方式就一目了然）。以一年为例，一步步展示计算结果，以便我手动验证。不要使用黑匣子。
3）敏感性分析：
在基本情景下，将每个主要假设一一调整±X%（其他不变），并制作一个表格，说明结果变化了多少。将对结果影响最大的 2 个假设标记为“关键”。建议验证这些关键假设。
4）压力测试：
给予合理但严厉的震惊：[例如+X点利率突然增加，出口减少Y%]。显示在此冲击下产出如何变化，是否超过关键阈值（例如债务/GDP 不可持续限度）。明确这是一个条件压力情景，而不是预测。
弱提示/强提示
弱提示：
给我写一个乐观和悲观的经济情景。
人工智能产生不合理、无源、黑箱的场景；您无法查看或验证假设。
强力提示：
我将预测 2025 年至 2029 年的公共债务/GDP 比率。基本情况：增长 4%，通货膨胀 25%，平均利率 X%，基本余额 Y%（我添加了我的来源）。对于乐观主义者/悲观主义者来说，将假设与理性结合起来（对于悲观主义者，请参考最近两次衰退的严重程度）。将计算设置为透明表格，显示要手动验证的年份，然后运行 r−g 灵敏度。在文本中说明情景是有条件的，而不是预测。
常见错误
- 隐藏假设。看不见的假设是站不住脚的。
- 任意乐观/悲观。不合理的极端数字破坏了信任。
- 将场景呈现为预测。 “如果”的思维条件消失了。
- 黑匣子账户。错误被隐藏，验证变得不可能。
- 灵敏度跳跃。在不了解关键假设的情况下对风险管理不善。
- 假设是将所有权让给人工智能。判断力属于人。
综上所述
情景建模是通过清晰且合理的假设将不确定性转化为条件结论的艺术。基础/乐观/悲观场景必须稳健，计算必须透明且可手动验证；敏感性分析应揭示关键假设。人工智能加速了计算和选择，但假设的正当性、合理性和最终判断取决于经济学家。该场景不是预测，而是“如果-那么”练习。
应用任务
选择适合您业务的预测（预算、现金流、债务比率）。使用第一个模板生成合理的假设表，使用第二个模板生成透明计算，使用第三个模板生成敏感性分析。确定对结果影响最大的关键假设，并从原始来源进行验证。检查人工智能建议的极端场景是否合理，并在必要时进行纠正。
清单
- [ ] 我已经清楚且有理由地写下了每个场景的假设。
- [ ] 我将乐观主义者/悲观主义者置于历史或逻辑的基础上。
- [ ] 我保持账户透明并至少手动验证了一段时间。
- [ ] 我通过敏感性分析确定了关键假设。
- [ ] 我确认了原始来源的关键假设。
- [ ] 我将场景呈现为有条件的“如果-那么”而不是预测。
- [ ] 我保留推定所有权和最终判断权。