展覽給你結論，這一頁給你查證的路。下面列出完整參數、決策規則、回合與收斂條件，以及每一筆引用的原始出處。凡是本站自己捏出來的假設，一律標紅，你可以照著攻擊。
網站最容易騙人的地方，是把官方統計、學術估計、作者假設和模擬輸出混在同一段話裡。本頁每個數字都掛一個標籤：
村莊裡沒有任何一棟房子的高度是我指定的。我指定的是最左邊那個起點，和中間那幾條規則。
sk[i] = 0.35 + 3.6 · (i/59)^1.45w = (接單優勢+0.5)^β · 條件 · 投入時間max(1.25×196元×服務時間, 45元) 當樓地板，池內把頭部單價壓下來補足派單規則只動一個地方：上圖的 β。β 越高，已經接得多的人下一單越容易再接到。這就是「衝效率」拉開差距的全部機制。
下表是 WorldModel 的全部參數，與 exhibit.html 裡出貨的那份逐項對得上。
| 參數 | 數值 | 身分 | 出處或理由 |
|---|---|---|---|
| 校準錨點 | |||
| 台灣 2024 所得 Gini | 0.341 | 官方統計 | 主計總處 113 年家庭收支調查（0.339 是 112 年，本站曾誤植） |
| 模型純勞動 Gini | 0.343 | 模擬結果 | 由 sk 分布算出，用來對齊上一列 |
| 技能分布指數 γ | 1.45 | 模型設定 | 調到讓純勞動 Gini 落在 0.341 附近的值 |
| 代理人數 N | 60 | 模型設定 | 兼顧「一棟房子看得見」與個體異質性 |
| 外送專法情境 | |||
| 報酬保障倍率 | 1.25× | 法律規定 | 專法第 5 條第一道：按訂單服務期間換算不得低於最低工資 1.25 倍 |
| 每單下限 | 45 元 | 法律規定 | 同條第二道，與第一道同時適用。模型逐單取兩者較高者 |
| 2026 最低工資時薪 | 196 元 | 官方統計 | 勞動部公告，2026-01-01 起。用來把模型單位換算成新台幣 |
| 模型單位換算 | 1 單位 = 560 元 | 模型設定 | 由 sk[0]=0.35 單位/小時 ≡ 196 元/小時 反推 |
| 時薪樓地板 RMIN | 0.4375 | 模型設定 | 1.25 × sk[0]；以最低技能者的時薪當最低工資的代理 |
| 每單下限 MINORD | 0.0804 | 模型設定 | 45 元換算成模型單位 |
| 訂單服務時間分布 | 6–34 分 | 情境假設 | 12 段決定論分布，平均 18.3 分。沒有台灣的公開單程時間分布可用，這是本站設的 |
| 基本費占平均單價 FBASE | 31.25% | 情境假設 | 平均單價 80 元裡有 25 元是基本費，其餘按服務時間計。不設這個就沒有低報酬的單：純比例計價會讓每個人的服務時薪都相同，1.25 倍那條永遠咬不到。本站沒有模擬距離、區域供需、獎勵與小費——實務計價比這複雜得多，這只是「讓兩道保障各有作用」的最小結構 |
| 45 元的咬合門檻 | 11.0 分 | 模擬結果 | 45 ÷ (1.25×196)：短於此的單，45 元比時薪換算高 |
| 訂單池倍率 MPDEM | 0.66 | 情境假設 | 需求急縮的上限情境。參考公平會價格敏感度問卷（漲價 5% → 34.1% 不再使用），該問卷不是專法效果評估 |
| 平台派單 | |||
| 優先累積指數 β | 0.92 | 情境假設 | 只有衝效率用得到；等比例派單與看評分是零累積。0.92 沒有台灣的實證來源，是本站設的。它取代了被刪掉的標題黨加成，成為新的核心假設，所以敏感度掃描把它從 0 掃到 1 |
| 天賦權重 TALW | 0.6 | 情境假設 | 衝效率的派單條件是 (1−TALW)+TALW×天賦。同樣沒有實證來源，同樣是核心假設；敏感度掃描顯示這是整條掃描裡唯一會讓核心論點翻盤的參數 |
| 派單優先度衰減 | 0.90 | 模型設定 | 每回合保留九成，避免優勢永久鎖死 |
| 一回合的長度 | 8 小時 | 模型設定 | 一個工作日。決定每個人的時間容量（全職 f=0.8 → 6.4 小時 → 約 21 單） |
| 全村訂單需求 ORD_CAP | 320 單/回合 | 情境假設 | 訂單是有限且共用的資源。320 讓平均單價落在 80 元、且明顯低於全村時間容量（約 680 單），確保「派單怎麼分」真的有作用 |
| 訂單池占總薪資比 ADF | 0.42 | 模型設定 | 決定外送這塊餅相對正職市場的大小 |
| 技能與接單天賦相關 TCORR | 0 | 模型設定 | 刻意設為零：正職賺得多不代表外送跑得好 |
| 個體行為 | |||
| 三種傾向的投入時間 | 0.06 / 0.42 / 0.80 | 模型設定 | 守正職 / 兼職外送 / 全職外送，各自押在平台上的時間比例 |
| 適應速度 ADAPT | 0.5 | 模型設定 | 每回合往目標投入時間移動一半，不會一步到位 |
| 預期形成權重 | 0.6 / 0.4 | 模型設定 | 六成看自己上次的盈虧，四成看市場平均 |
| 轉換門檻 | 1.15 / 0.7 | 模型設定 | 外送預期報酬要高過正職 15% 才轉全職；低於七成就退回守正職 |
| 財政政策 | |||
| 應稅所得彈性 ETI | 0.25 | 文獻參數 | Saez, Slemrod & Giertz (2012) 綜述的中間帶 |
| 最高稅率 TTOP | 0.40 | 模型設定 | 累進稅旋鈕開到滿時的頂端稅率 |
| UBI 給付率 | 0.28 | 模型設定 | UBI 旋鈕開到滿時的所得替代比例 |
表中沒有「隨機種子」這一列，因為模型完全沒有隨機數：人口由上面那條 sk 公式決定論生成，同一組設定重跑一萬次會得到同一組數字。這讓結果可重現，但也代表本站無法提供「多次模擬的信賴區間」。要有區間，得先改成隨機初始人口，那是模型改動而不是報告方式改動。
「六十個會自己盤算的市民」是敘事說法。實際上每個代理人每回合只做一件事：把兩個數字擺在一起比大小。總體差距不是我填進去的，但個體規則是我寫的。
預期報酬 ce = 0.6 × 自己上次的外送時薪 + 0.4 × 市場平均外送時薪。第一回合沒有歷史，改用自己的接單天賦乘上池子大小估算。
正職稅後時薪 wr。ce > 1.15·wr → 轉全職外送；ce > 0.7·wr → 兼職；否則守正職。門檻不對稱是刻意的：進場比退場需要更大的誘因。
f[i] += 0.5 × (目標投入時間 − f[i])。所以切換派單規則後，天際線要走十幾回合才會定型。
等比例派單 w = 在線時間：零個人差異加權，不看評分、不看接單量、不看天賦。
看評分 w = 服務品質 × 在線時間：評分是固定屬性，不累積。
衝效率 w = (派單優先度+0.5)^0.92 × ((1−TALW)+TALW×天賦) × 在線時間：只有這條會滾雪球。
舊版三條共用同一條公式、只差 β（0.30/0.30/0.92），那不是輪派，是「比較弱的累積優先」。2026-08-06 修正。
為什麼「按在線時間」而不是「每人一單」：訂單是連續到達的，依序輪派給當下可用的人時，只上線 6% 時間的人只有 6% 的時間待在輪替序列裡，拿到的單數自然正比於在線時間。「每人拿一樣多」不是輪派，是配額，會讓只上線五分鐘的人跟跑滿八小時的人拿一樣多。本站因此不叫它「公平輪單」，叫等比例派單。
全村每回合共 320 單，按 w 的比例分配；沒有人能超過自己的時間容量，被卡住的人分不掉的單讓給還有餘裕的人，仍分不完的就是沒送出去的需求，那份錢不會發出去。需求縮到 66% 時，訂單數與錢一起縮。
記憶 = 0.5 × 舊記憶 + 0.5 × 這回合的外送時薪。所以賠過錢的人會退場，也會在條件變好時回來。
每一單的市場報酬是 基本費 + 每分鐘費，法定樓地板是 max(1.25 × 196元 × 服務時間, 45元)，加總成這個人的樓地板。模型先壓縮仍高於法定樓地板的報酬，將部分既有報酬池重新分配；若仍不足，再由平台追加支出，確保所有完成服務的外送員達到法定保障。法定樓地板不能按比例打折——那是法律規定，不是盡力而為。第一步是外送員之間的重分配，不是平台成本，兩者分開記在 riderFunded 與 platformTopUp，見成本由誰承擔。這是本站的成本分攤假設，不代表平台實際必然採取此方式。
人物在展覽裡說的話（「跑外送比死薪水香⋯⋯」）是上面六條規則的文字化輸出，一句對應一種狀態，沒有語言模型參與，也不代表任何真實外送員的意見。
模型每 760 毫秒走一回合。站上引用的所有數字，都取第 40 回合的讀數。
「衝效率」的 Gini 從 0.235 一路單調爬到 0.349，第 35 回合後每回合變動小於 0.005 才算走穩。取 40 是留了安全邊際。等比例派單與看評分收斂得更快。
剛切到「衝效率」時讀數可能只有 0.24，比等比例派單的終值還低。儀器室因此加了收斂閘門：轉旋鈕後前 25 回合顯示「讀數仍在演化」，並收掉所有比較性結論。
滾過 FIG.01→04 時模型是連續跑的，不會歸零。所以你在展覽裡看到的即時讀數，取決於你停留多久，不一定等於首頁表格裡的第 40 回合值。首頁表格才是定點量測。
無隨機數。node tests.mjs 共 49 條回歸測試，守住這幾件事：站上引用的每一個數字都必須等於程式當下的實際輸出、三頁引擎逐字同步、創作者經濟的殘留不會被複製回來、法定樓地板在任何參數下都不打折、保障成本的三方拆帳恆等式成立。對不上就 FAIL。
模型沒有隨機性，所以不該編造信賴區間。能做的是把決定結論的人工假設系統性地掃一遍，看主張是在整個合理範圍內成立，還是只在某一組參數上成立。以下 33 組設定由 sensitivity.mjs 產生。
這是單因子掃描，不是完整排列組合：每一組只動一個參數、其餘留在基準值。所以「32/33 成立」只說明各個假設單獨變動時方向一致，沒有檢驗參數之間的交互作用——例如「長單世界」同時搭配「低天賦權重」會怎樣，本站沒有掃過。
| 掃描的假設 | 範圍 | 身分 | 結果 |
|---|---|---|---|
| β 累積指數 | 0 → 1.0 | 情境假設 | 等比例派單 0.188 不動；衝效率 0.229 → 0.255。連 β=0 都仍高於等比例派單 |
| TALW 天賦權重 | 0 → 1.0 | 情境假設 | 衝效率 0.146 → 0.260。整條掃描裡唯一會翻盤的一格：TALW=0（完全不看個人差異）時 0.146 反而低於等比例派單的 0.188 |
| 訂單池（成本轉嫁程度） | 66% → 100% | 情境假設 | 保障後差距 0.276 → 0.254、全職 13 → 22 人。需求不縮，退場就不發生 |
| 平均服務時間 | 12 → 25 分 | 情境假設 | 衝效率 0.324 → 0.204。長單世界裡樓地板照樣 100% 達成，但池內盈餘用盡，平台得真的掏出 27.4% 的淨支出 |
| 短單比例 | 指數 0.8 → 2.2 | 情境假設 | 衝效率 0.231 → 0.286。短單越多，45 元那條越有用，平台淨支出從 10.4% 降到 0% |
| 基本費占平均單價 | 15% → 50% | 情境假設 | 幾乎不影響總體讀數（0.253 → 0.255），只改變兩道保障各救哪些單 |
每一列都是「只動這一個假設，其餘不變」。
這是本站的核心論點。唯一的例外是 TALW=0，也就是把個人差異加權整個關掉——那時衝效率只剩下純累積，反而比等比例派單更平均（0.146 對 0.188）。這個例外正好落在主張自己的邊界上：集中來自「按個人差異加權」，不是來自「累積」本身。論點不依賴 β 的特定值，β 從 0 掃到 1 都成立。
例外是訂單池 100%（平台完全吸收成本、需求沒有掉）。退場是需求消失造成的，不是保障本身造成的。
樓地板不能打折：那是法律規定，不是盡力而為。舊版把補貼寫成零和，池內盈餘不夠時就按比例只補一部分，於是跑出「保障開啟、卻只付得出 178 元」這種讀數——那不是專法情境，那是平台違法。2026-08-06 改成：池內盈餘先壓頭部單價，不夠的部分由平台額外支出補足，每個人都拿滿樓地板。代價變成一個看得見的數字，見下一條。
「平台自籌」這個說法會騙人。模型的第一步是壓低仍高於樓地板的人的單價——那是外送員之間的重分配，不是平台出錢，而且很可能正是差距與退場人數變化的重要來源。所以帳要拆開（分母都是需求縮減後的外送報酬池，不是平台營收，本站沒有模擬營收）：
| 情境 | 樓地板所需總補足 | 其中：外送員間重分配 | 其中：平台淨增支出 |
|---|---|---|---|
| 基準（衝效率＋保障） | 0.28% | 0.28% | 0.00% |
| 等比例派單＋保障 | 1.33% | 1.33% | 0.00% |
| 看評分＋保障 | 0.87% | 0.87% | 0.00% |
| 平均服務時間 22 分 | 12.30% | 0.10% | 12.19% |
| 平均服務時間 25 分 | 27.38% | 0.00% | 27.37% |
| 短單很少（指數 0.8） | 10.47% | 0.04% | 10.43% |
在基準情境下，平台淨增支出是 0：保障的錢全部來自壓縮其他外送員的報酬。只有當池內盈餘用盡（長單世界），平台才真的開始掏錢。這是本站的成本分攤假設，不代表平台實際必然採取此方式——平台也可能改為漲價、縮減服務範圍或退出市場，這三種本站都沒有模擬。
最不穩的一條，完全依賴需求急縮的假設。訂單池 95% 以上時差距就不再上升。任何人引用這一條，都必須連同「成本全額轉嫁」這個前提一起引用。
「33 組裡有 32 組成立」是說在掃到的參數範圍內方向一致，不是說有 97% 的機率會發生在台灣。掃描本身也只掃了本站想得到的維度。
掃描程式：sensitivity.mjs（node sensitivity.mjs 可重跑）。回歸測試：tests.mjs。兩支都跟著網站一起部署，你可以直接點開核對——站上說「數字被測試釘住」，就要能被你查證。
下面列出完整書目、研究對象，以及本站到底借用了其中的哪一項、又刻意沒借什麼。
max(1.25×196×服務時間, 45)。兩道各救各的：45 元救最短的單、1.25 倍時薪救最長的單（長單被「基本費＋距離」的計價方式壓得最慘）。sk[0]=0.35 單位/小時 ≡ 196 元/小時 → 1 模型單位 = 560 元 → 45 元 = 0.0804 單位。下面四點都是我知道、而且沒有修好的問題。列出來不是為了先發制人，是因為看不到這些就沒辦法正確使用這個沙盤。
上游 integrated.py 模擬的是內容平台。舊版原封搬過來的兩個機制在外送語境沒有對應物：1.55 的「標題黨加成」與 0.42 的「內容品質折損」。清理時發現一件事：標題黨加成在「衝效率」下對每個人都成立，等於乘同一個常數，正規化後完全消掉——把它從 1.55 調到 1.00，每個讀數一位不差。品質折損則只餵一個從來沒顯示過的指標。兩者都已從出貨的引擎移除，回歸測試會擋住它們被複製回來。留下的殘餘風險：β 取代了它們，成為新的核心假設。0.92 沒有台灣的實證來源——所以敏感度掃描把它從 0 掃到 1，論點在整段區間都成立。
tests.mjs 的 49 條測試能證明程式、文案與數字彼此一致，能擋住漂移與退步。它不能證明模型符合真實世界。β、訂單服務時間分布、訂單池大小、基本費占比都是人工假設，沒有台灣的公開資料可對照。換句話說，這個沙盤最準確的定位是探索性模型，不是經驗性的政策模型。
模型的純勞動 Gini 是 0.343，很接近官方的 0.341；但同一組人的五等分位差距是 7.2 倍，官方是 6.14 倍。也就是模型的頂端比現實更極端。站上因此不宣稱「重現 6.14 倍」，只宣稱對齊 Gini。
決定論的好處是可重現，壞處是這個沙盤只演示了一個世界。它不能告訴你「這個結果有多穩健」。看到 0.35 這個數字時，請讀成「在這組假設下會發生什麼」，不是「有多大機率會發生」。
訂單層讓 45 元下限得以實作，但它需要一組服務時間分布，而台灣沒有公開資料可用。目前用的是 6–34 分、平均 18.3 分的十二段決定論分布，計價則假設「基本費 31.25% ＋ 其餘按時間」。「45 元救 8.3%、時薪救 33.0%」這兩個數字完全由這兩組假設決定：敏感度掃描顯示平均服務時間從 12 分掃到 25 分，衝效率的差距會從 0.324 一路掉到 0.204。這些數字只能讀成「在這組假設下」，不是台灣外送市場的實況。
沒有家戶、沒有地區、沒有年齡、沒有平台間競爭、沒有餐廳端。這個模型能做的事只有一件：指出規則改變會往哪個方向推，不能做的事是估計幅度。
RELEASE v1.0 · 2026-08-06 — 這一版是凍結的公開展示版。模型與數字在此版本定版；上面每一個讀數都對應 tests.mjs 的 49 條回歸測試與 sensitivity.mjs 的 33 組單因子情境掃描，可自行重跑核對。
已知未做、且不打算為了表面完整而補的：模型五等分位差距 7.2 倍 vs 官方 6.14 倍（維持揭露）；參數之間的交互作用（只掃單因子）；成本承擔方式只實作「先壓其他外送員、不足由平台補」一種。
DISCLOSURE — 本站是一件用代理人模擬探索平台規則與分配後果的互動作品，不是對外送專法效果的政策評估。模型在瀏覽器即時運算（移植自 integrated.py，報酬保障情境為本站增補），決定論、無隨機數。人物的話由預先寫好的本地決策規則產生，不是即時大型語言模型，也不代表真實外送員的意見。全站數字描述的是這個模擬世界。