跳到主要內容

巧克力經濟學

這本書並沒有像DM寫的一樣那麼簡單易懂,不知道是翻得爛還是文章結構本身就有問題,我覺得不難的經濟議題,他講的讓我還看兩三次才看懂他在寫什麼。

看這本書最大的收穫在於對政府政策與經濟議題的新想法,政府對特定族群的福利政策,是犧牲一般大眾的權益來達成的。例如以不久前才通過對大陸進口鞋業與毛巾的反頃銷案來看,似乎只是對國內鞋業與毛巾業者的保護,其實但是卻犧牲了國內一般大眾的消費利益,為什麼一般大眾他們不能依自己最佳的經濟考量選擇最佳的方案,而由政府那看不見的手干預市場,如果是對新興產業,因對其未來的發展有期待,為了更大的利益做適當的保護是可接受的,但此政策明顯是保護夕陽產業,不得不往這是選票考量來想。

選票考量也是個經濟議題,當他討好了這些鞋業與毛巾業者,他們確定幾乎拿到這個族群的選票。假設說每個選民他內心有個評分機制,超過100分他就必定會投這個候選人,那對於鞋業與毛巾業者而言,反頃銷案等於為他加了100分甚至更多,但對一般大眾而言,可能沒怎麼扣分,甚至只要他們能夠誤導一般群眾的話,例如以反中的情緒來導引。那麼這些政客其實收穫很大,但實際對整體國家經濟考量而卻是不利的。

所以當某些政治團體提出對某個特定族群的福利政策加碼,就算與自己無關,可以仔細看看他是以整體國家利益考量還是為特定族群選票考量,對其最加、扣分。例如還有老農津貼、休耕或漁業補助提昇,得看看他是否有特定的方案來解決長期產業趨勢,是否對此產業有提供轉型或退場機制,而不是一昧的補助。就像某些歐洲福利國家對失業補助的政策一樣,只有積極的找工作或提昇本身就業技能的人,才能領取失業補助,天助自助者,而人也救自救者。

他裡面也提到了一些有關於結婚的特殊經濟研究,

  • 父母親選擇孩子的數量與品質,有個關鍵的變數,婦女在就業市場的薪資。當婦女的薪資的愈高,他們愈會專心投入職場,當已婚婦女的單位時間價值上揚時,撫育孩子的成本亦隨之增加,她們就會更想去工作,而不想在家帶小孩,也就是越有能力的婦女,生小孩的機會愈小、個數也愈少。反而在農業經濟環境裡,孩子常被視為「儲備資本」,能對家庭收入有所貢獻,因此對他們樂於多多生育孩子。在工業化環境裡,撫育孩子的機會成本和都市居住成本升高,從而抑制了生育孩子的數目。簡言之,有許多絕佳的經濟因素支持「製造」孩子的數量,同時堅持生下孩子的「高品質」,這也說明了部份關於生育率降低,以及年輕人想要延長學齡階段的原因。
  • 離婚的幾個啟示:
    • 男方的預期收入或女方的吸引力較高,離異的風險降低
    • 女方的預期收入高於男方的育其收入,風險提高,且再婚的機會較低。若雙方感覺到預期收入的顯著差異時,離異的風險亦隨之提高。
    • 新婚夫婦的年齡愈高,則離異的分顯愈低。
    • 育有稚齡幼兒(特殊資本),離異機會愈小。
  • 家庭企業vs. 婚姻市場
    • 所有的的配偶,都是生產要素,他們能夠在家庭企業的框架下創造出種種的家庭財貨與勞務,例如家常菜餚或清洗過的衣物,文化教育、休閒活動、或夫妻間親密的活動,最重要的財貨便是孩子,或許有許多不同市場或科技可以替代如餐廳、洗衣店或非婚生子來取得孩子,但其成本與效益總不是藉由家庭來的有吸引力。
    • 要結婚,最好共同利益會大於成本。以女方來說,若另一半的收入較高,聰明才智和教育程度較相匹配、外型佳,就是適合一生的伴侶,但若雇主準備付給的薪資愈高,那麼就會愈不想要結婚,這也說明為什麼那麼多女強人不結婚了。
  • 結婚的本益比
    • 相較於結婚的成本(行政手續費用、邀請親友的費用、在婚姻市場上找尋理想對象的費用,這些都需要投注時間、精力與金錢),當預期獲得的利益愈高,那麼你以及你的夥伴們,都將會更期待婚姻。
    • 夫妻之「經濟特質」的互補性,在家庭財務管理方面的額外競爭力;此一條件有助於降低夫妻生活之功能,以及種種目標的不確定性,尤其是在「優質」孩子的「生產」,以及「製造」成本的方面。

留言

這個網誌中的熱門文章

勝券在握

其實這本書,感覺上寫的有點雜,比上一本講巴非特的書更難懂,兩個講的東西其實是一致的。投資原則便是先選產業,再選公司,慎選時機進場。只買了解的企業是價值投資一貫的原則。價值投資的書大概就先看到這裡了,彼得林區不知道是屬於那一類的,接下來大概會看這部份的書。暫時的目標是把杜金龍介紹的書單看完,真的還不少。接下來的投資會以巴菲特的方法來做,感覺上這比較適合我,練習把漲跌不當一回事,對我而言真的很重要。期權大概不會再玩了,買了以後一直在看漲跌,令人受不了。工作時都不能專心。 就價值投資人而言,真的不需要我們的產品,因為第一點就把我們程式特性打死,不理會股票市場的漲跌,這樣報價功能就沒什麼意義了,價值投資根本不需要技術分析,除非我們能提供相關價值投資的資訊,但我們基本分析真的很爛,看不到什麼資料。有機會我來思考一下價值投資到底要什麼資料,能不能把他寫成一個可運用的程式。 以下是我認為重要的書摘,其實這也只包含最後一章,我認為也只有這章值得做書摘。 巴非特相信使用短期價格來判斷一家公司的成功與否是愚蠢的。取而代之的是,他要公司向他報告因經濟實力成長所獲得的價值,一年一次,他固定檢查幾個變數: 初始的股東權益報酬率。 營運毛利、負債水準與資本支出需求的變化。 該公司的現金產生能力。 如果這些經濟指標正在進展,他知道長期下來,結果會反應在股價上。短期之內,股價所發生的是是不合常理的。 投資策略 不理會股票市場每日的漲跌 不擔心經濟情勢。 買下一家公司,而不是股票 管理企業的投資組合 巴非特原則 企業原則 這家企業是簡單且可以了解的 了解一家企業如何產生利潤的相關經濟活動。 這家企業的營運歷史是否穩定 他必須經得起時間的考驗。 這家企業的長期發展前景是否看好 市場特許權,五力分析 經營原則 經營者是否理性 理性的經營者將只會把多餘的現金,投資在那些產生較資本成本報酬率為高的計畫裡。 經營者對他的股東是誠實坦白的 報告時能知道營業部門如何營業,坦承失敗,了解公司的目的是使股東權益報酬率達到最大。 經營者是會盲從其他法人機構的行為 當心『其他公司也這麼做,一定沒問題』為自己行為辯護的經營者。衡量經營者競爭力的一個方法是,看他們如何運用自己的思考能力以避免依附群眾心理。 財務原則 把重點集中...

借助 AI 除錯:解決登出時的解密錯誤

  前言 最近遇到一個有趣的 bug,趁這次機會試試看用 AI 來協助除錯。整個過程蠻有收穫的,分享給大家參考。 問題發現 Bug 描述 在測試登出功能時,發現 app 會發生 crash。追蹤後發現是在登出時,API 會呼叫底層的解密函式,但解密用的 key 明顯有問題,導致解密失敗而引發錯誤。 由於這段流程是另一位同事負責開發的,程式碼邏輯比較複雜,短時間內看不出根本原因。於是先採取防禦性做法: 如果 key 為空值,就將解密失敗的錯誤吃掉不處理 。判斷後認為這樣不會影響 UI 操作,因為登出後 key 會重新取得。測試後確認沒問題,就先把這個 bug 暫時壓下來了。 深入追查 第一回合:初步分析 趁著有空檔,決定詳細釐清這個問題。想試試 AI 的能耐,於是下了第一個 prompt: 分析 SessionManager 的 processEncryptedData 方法中,為何會發生 bytesToTrim > currentLength 的錯誤?從呼叫該方法的地方分析可能發生的原因。 AI 給出了幾個可能的原因: 加密數據損壞或截斷 網路傳輸過程中數據包丟失或損壞 API 回應中的加密字串不完整 解密後的最後一個字節值異常大 錯誤的加密算法或密鑰 使用了錯誤的解密密鑰或 IV Session key 交換失敗,但程式繼續使用無效密鑰解密 解密產生亂碼 Hex 字串轉換錯誤 包含非法字符、長度不是偶數、部分缺失等問題 AES CBC 解密失敗但沒有檢查錯誤 Whitebox 密鑰準備失敗 IV 不匹配 數據長度不符合 AES 塊大小要求 PKCS7 Padding 格式錯誤 加密時使用了錯誤的 padding 方式 最後字節不是有效的 padding 長度值 (1-16) 多重解密處理錯誤 數據被重複解密或解密順序錯誤 記憶體緩衝區問題 緩衝區大小分配錯誤或溢出 AI 也分析了呼叫鏈: API 回應 → DataTransformer → CryptoHandler → decryptSessionKey → processEncryptedData 評估: 這些分析大多是從相關函式內部找錯誤,但沒有太大用處,...

用 AI Debug 的迷思:當建議越改越糟時

現在許多開發者習慣用 AI 來協助 debug,但在實務上常遇到一種情況: 依照 AI 建議改了兩三輪後,錯誤仍然存在,甚至越改越複雜。 這種狀況其實有幾個常見的盲點,值得特別注意。 1. 先回到「上一個正常版本」 當你已經按照 AI 的方向修了好幾次但問題仍未解決時,最有效的第一步是: 回到上一個正常工作的版本,縮小問題來源。 許多 bug 並不是你正在看的那段程式碼造成的,而可能是: 同事剛好修改了某個底層模組 某個 shared component 產生 side effect Auto Layout 層級重新 layout 時觸發 crash 如果只是盯著眼前的 function 修,反而容易被誤導。 2. AI 沒有看到你的整個專案 AI 通常只能根據你貼出的片段判斷問題,這代表它不知道: 你的 view hierarchy 裡是否有其他 constraint 影響 layout 某些 model 是否被 extension 修改過 父層或子層邏輯是否干擾目前的行為 整個專案採用的 concurrency 模型是什麼 因此,AI 可能會朝著完全錯誤的方向修,導致反覆修改卻無法解決。 3. Swift 6 例子:錯誤真正原因常不在你修改的那一行 例如開發者常遇到的錯誤: passing closure as a 'sending' parameter risks causing data races 許多人(包含 AI)會開始從 function 內部調整,但這類錯誤真正的關鍵通常是: 傳進去的物件沒有實作 Sendable。 也就是說,你不是要改 function,而是要回頭檢查: 傳入的 model / struct / class 裡面是否有 non-Sendable 成員 是否需要標註 @unchecked Sendable 如果 AI 沒看到相關檔案,自然很難找到正確方向。 結語:AI 是工具,不是預言機 AI 很適合用來: 解釋概念 協助產生測試程式 提供重構建議 釐清你已懷疑的方向 但在 debug 狀況下,以下三件事更重要: 回到上一版,縮小差異範圍。 釐清真正問題來...