14.1 关于线性叠加
CBT 使用线性叠加的写法：
这是为了说明与沟通的方便。
现实中，各项之间存在非线性和交互：
- r_policy 与 r_institution 会互相影响；
- r_geo 的变化既会推高 r_u，也会改变 r_s；
- 某些变量的作用更适合用乘法或阈值函数来描述。
CBT 的做法是：
- 在框架层面采用“线性分解 + 非线性判据”的方式；
- 在具体分析中，通过情景分析、对比案例和“高/中/低”区间来体现非线性，而不是到处写复杂方程。
14.2 关于 R-I-S-C 层级状态图
R-I-S-C 层级状态图刻画了国家 / 城市的长期结构状态。
需要强调：
- 它是一个 多状态图，而不是单向的线性阶段论；
- 现实路径可以跳跃、回退或长期卡在某一层；
- CBT 关注的是“每一代 FCF 是否被资本化为更高质量总线”，
而不是“是否完成某个既定阶段”。
14.3 关于能力总线形式化
能力总线部分给出的：
a_i(t + 1) = a_i(t) + g_i( Invest_i(t), Context(t) )
是结构示意，而非统一微分方程。
g_i 的具体形式需根据不同人、不同情境单独建模：
- 有时类似递减边际；
- 有时存在显著阈值（考上某学校、拿到某资格证）；
- 有时会因为制度和技术变化而突然失效或被放大。
CBT 鼓励读者在这个框架中，结合自身场景构建具体 g_i，而不是企图给出一套“适用于所有人的公式”。
14.4 关于剪刀差 Δr
剪刀差 Δr = r_social − r_decision 是一个“对齐度指标”：
- 它不再把 r 细分成更多组成部分，而是比较不同主体之间折现率的差异；
- 它提醒我们：同一制度下，“上层”和“底层”可能活在完全不同的时间尺度里；
- 在应用时，更适合用“方向 + 大小”定性描述，而不是追求某个精确数字。
14.5 关于预测与控制
CBT 的目标是：
- 提供统一语言与结构化视角；
- 帮助识别结构优势与结构风险；
- 支持场景推演与压力测试。
它不是精确预测价格与时间点位的“水晶球”，
也不是“调整一个参数就解决一切问题”的万能控制器。
在使用 CBT 时，更重要的是：
先把“谁、在什么边界下、通过什么总线、以什么 r 和 Δr，在榨取或建设 FCF”讲清楚，
再在此基础上讨论策略与选择。
14.6 关于 r 分量识别的常见系统性误差
r 的结构分解依赖分析者的定性判断。以下五类误差最常见，应在每次赋值时自查：
1）结论反推：先有“该系统好或坏”的总体印象，再把分量凑成与印象一致。自查：各分量的证据是否独立于总体印象？
2）近因放大：把最近的事件冲击当成结构变化，高估 r 的短期波动为长期水平。自查：把时间窗拉长到五到十年，判断是否依旧成立？
3）立场渗入：把分析者自身的政治与情感立场混入 r_s（社会主观折现率）的估计。自查：持相反立场的合格分析者，会接受这个 r_s 判断吗？
4）双重计数：同一风险源被同时计入多个分量（如制度危机既抬 r_institution，又抬 r_u，又抬 r_s），导致总 r 被系统性高估。自查：每个风险源只允许指定一个主要落点。
5）精度幻觉：用具体数字（如“r_institution 等于 4.2%”）伪装定性判断的精度。纪律：除非有真实市场数据支撑，分量一律使用“高 / 中 / 低 + 方向”表达。