陳利鋒 鐘玉婷

摘?要：人工智能的發(fā)展是生產(chǎn)力進步的表現(xiàn)，但廣泛使用人工智能技術(shù)的經(jīng)濟效應尚待深入研究?；谌斯ぶ悄軐趧拥奶娲饔?，將人工智能投資引入動態(tài)隨機一般均衡模型，通過比較靜態(tài)分析和短期動態(tài)分析考察人工智能發(fā)展對通脹動態(tài)的影響。穩(wěn)態(tài)分析表明：人工智能投資效率提高和使用范圍擴大均會提升勞動生產(chǎn)率進而提高產(chǎn)出水平，但對長期或趨勢通脹沒有影響;在人工智能發(fā)展初級階段人工智能的發(fā)展會引起實際工資下降，而在相對高級階段人工智能的發(fā)展會引起實際工資上升。短期動態(tài)分析顯示：人工智能發(fā)展水平的提高，無論是投資效率的提高還是使用范圍的擴大，都會導致通脹及實際邊際成本對偏好沖擊和技術(shù)沖擊等外生沖擊的反應變?nèi)?。人工智能的發(fā)展會使通脹動態(tài)與實際經(jīng)濟活動變化間的聯(lián)系減弱，其原因是人工智能對勞動的替代作用使工資調(diào)整不再是應對外生沖擊的必然選擇，進而改變了外生沖擊通過影響工資來影響通脹的傳導機制。因此，發(fā)展人工智能在促進生產(chǎn)率提升和產(chǎn)出增長的同時，還會改變宏觀經(jīng)濟變量間的傳導機制，進而對通脹等政策調(diào)控目標變量的準確預測以及政策調(diào)整和實施的有效性帶來新的挑戰(zhàn)，也為金融理論研究提出新的課題。

關(guān)鍵詞：人工智能;通貨膨脹;實際工資;邊際成本;偏好沖擊;技術(shù)沖擊;貨幣政策

中圖分類號：F062.4;F224.0;F820.5?文獻標志碼：A?文章編號：1674-8131（2020）04-0001-11

一、引言

近年來，機器學習和大數(shù)據(jù)技術(shù)的發(fā)展推動了自動化技術(shù)進步，人工智能從一個專業(yè)領(lǐng)域內(nèi)少數(shù)研究者知曉的概念逐漸成為社會大眾熱議的話題。Agrawal等（2018）指出，人工智能將在就業(yè)、思維方式、科學管理與決策的等眾多領(lǐng)域改變?nèi)祟惖膫鹘y(tǒng)模式，并使人們的行為和思考方式產(chǎn)生重要變革[1]。人工智能的發(fā)展引起各國決策者、政府和研究者的密切關(guān)注。2017年，美國國民經(jīng)濟研究局在多倫多召開專題研討會，對“人工智能經(jīng)濟學”進行專業(yè)研討。2019年9月，歐盟中央銀行設(shè)立專場研討會討論人工智能發(fā)展對歐盟各國宏觀經(jīng)濟產(chǎn)生的影響。黨的十九大報告明確提出，要通過人工智能發(fā)展培育經(jīng)濟新增長點，形成經(jīng)濟增長新動能。中國政府將發(fā)展人工智能看作事關(guān)能否抓住新一輪科技革命和產(chǎn)業(yè)變革機遇的戰(zhàn)略問題，從戰(zhàn)略高度對發(fā)展人工智能給予高度重視。

決策者和政府對人工智能發(fā)展的重視使這一話題成為學界研究的熱點。在經(jīng)濟研究領(lǐng)域，國外學者借助經(jīng)濟增長模型，主要考察人工智能發(fā)展對經(jīng)濟增長、收入分配、產(chǎn)業(yè)結(jié)構(gòu)、公共政策及就業(yè)的影響（Berg et al，2016）[2]。Acemoglu和Restrepo（2018）及Aghion等（2017）分析人工智能與經(jīng)濟增長的關(guān)系[3-4]， Autor（2015）及Autor和Salomons（2019）則主要考察人工智能對就業(yè)、工資及收入不平等的影響[5-6]。國內(nèi)學者也進行了類似研究，如陳彥斌等（2019）研究在人口老齡化背景下人工智能對經(jīng)濟增長的影響[7]，郭凱明（2019）則分析人工智能與產(chǎn)業(yè)結(jié)構(gòu)升級及勞動收入份額變化之間的關(guān)系[8]。這些研究在研究方法上主要側(cè)重穩(wěn)態(tài)分析，研究主題也主要集中于人工智能發(fā)展與經(jīng)濟增長和收入分配等的關(guān)系。此外，陳利鋒和鐘玉婷（2020）基于動態(tài)隨機一般均衡模型考察人工智能發(fā)展的宏觀經(jīng)濟效應[9]，余玲錚等（2019）使用微觀調(diào)查數(shù)據(jù)分析機器替代人工對勞動收入份額的影響[10]。總體上看，現(xiàn)有研究在研究方法上較少涉及短期動態(tài)分析，在研究內(nèi)容上較少考察人工智能對通脹的影響。事實上，F(xiàn)ueki和Maehashi（2019）指出，人工智能發(fā)展對通脹可能產(chǎn)生重要影響[11];Gilchrist和Zakrajsek（2019）也認為，分析人工智能時代的通脹具有重要現(xiàn)實意義，尤其是對于實行通脹盯住目標制的國家更是如此[12]。不過，這些研究均未進一步分析人工智能發(fā)展對通脹會產(chǎn)生何種影響及其內(nèi)在作用機制。因此，有必要分析人工智能時代通脹的動態(tài)特征和人工智能發(fā)展對通脹的具體影響及其內(nèi)在機制。

在貨幣經(jīng)濟學領(lǐng)域，分析貨幣政策效應的新凱恩斯主義動態(tài)隨機一般均衡（即NK-DSGE）框架得到廣泛使用（Gali′，2018）[13]。這一框架最早由著名宏觀金融學者Woodford提出，其通過在模型框架中引入產(chǎn)品市場、勞動力市場摩擦及壟斷競爭等實現(xiàn)了對現(xiàn)實數(shù)據(jù)較好的擬合，并逐漸成為貨幣理論和政策分析的主流框架。因此，本文基于NK-DSGE分析框架，借鑒Acemoglu和Restrepo（2018）的研究[3]，將人工智能作為一種生產(chǎn)要素引入模型，并使用比較靜態(tài)分析和短期動態(tài)分析兩種方法考察人工智能發(fā)展對通脹的影響。

相比已有相關(guān)研究，本文的主要貢獻在于：一是構(gòu)建包含人工智能資本的NK-DSGE模型，對傳統(tǒng)DSGE模型及其應用進行有價值的新拓展;二是彌補現(xiàn)有文獻對人工智能發(fā)展影響通脹動態(tài)研究的不足;三是同時考察人工智能發(fā)展對通脹的長期靜態(tài)影響與短期動態(tài)影響;四是區(qū)分了兩種情形的人工智能發(fā)展（即人工智能投資效率提高和人工智能使用范圍擴大）的經(jīng)濟效應。本文余下部分的結(jié)構(gòu)為：第二部分構(gòu)建一個包含物質(zhì)資本與人工智能資本的NK-DSGE模型;第三部分對模型參數(shù)進行校準，并評價模型仿真數(shù)據(jù)與中國現(xiàn)實數(shù)據(jù)的擬合程度;第四部分分別使用比較靜態(tài)分析和短期動態(tài)分析方法考察人工智能投資效率提高和人工智能使用范圍擴大對通脹的影響，并分析在人工智能發(fā)展條件下通脹與邊際成本的聯(lián)系;第五部分對本文的研究進行總結(jié)并提出政策啟示。

二、模型設(shè)定

基于Woodford（2003）提出的NK-DSGE框架[14]，結(jié)合Acemoglu和Restrepo（2018）關(guān)于人工智能的設(shè)定[3]，本文嘗試構(gòu)建一個包含人工智能的NK-DSGE框架。傳統(tǒng)宏觀經(jīng)濟分析中，往往將資本等同于物質(zhì)資本，其對于人工或者勞動力具有互補性：生產(chǎn)過程中必須同時投入人工和資本，否則無法進行生產(chǎn)。然而，人工智能的出現(xiàn)使生產(chǎn)過程中出現(xiàn)了另一種對人工具有替代性的資本，即人工智能資本，其與傳統(tǒng)經(jīng)濟學中的物質(zhì)資本存在顯著差異。Eden和Gaggal（2018）在對現(xiàn)有研究歸納和總結(jié)的基礎(chǔ)上指出，人工智能通?？晌锘癁橘Y本，符合傳統(tǒng)宏觀經(jīng)濟學中物質(zhì)資本的概念，但這一資本與物質(zhì)資本存在明顯差異，因為這一資本的發(fā)展可以完全替代勞動力投入[15]。另外，人工智能資本與人力資本也存在顯著差異。依據(jù)主流宏觀經(jīng)濟學對人力資本的定義，人力資本需要與勞動力本身相結(jié)合才能發(fā)揮作用，離開了勞動力，人力資本將無法參與生產(chǎn)過程。與之不同，人工智能作為一種新的資本，其產(chǎn)生的目的是替代人工。因此，有必要將人工智能資本作為一種新的資本引入模型。

1.人工智能資本投資

定義Zt與I?zt分別表示人工智能資本和人工智能資本投資，參數(shù)δz和μz分別表示人工智能資本折舊率和投資效率，那么Zt可以表示為：

Zt+1=1-δzZt+μzI?zt（1）

上式表明，人工智能資本存量為未折舊的人工智能資本與新投資人工智能之和。人工智能投資帶有一定的專用目的，因而投資目的改變將產(chǎn)生調(diào)整成本Sz（.），即：

SzI?ztZt=ψz2I?ztZt-δz?2（2）

2.生產(chǎn)過程

定義Yt表示產(chǎn)出;At表示技術(shù)進步;參數(shù)α表示物質(zhì)資本與復合勞動投入Lt的替代彈性;γk表示物質(zhì)資本在產(chǎn)出中的貢獻份額。那么，經(jīng)濟中的產(chǎn)出為：

Yt=AtγkKt?α-1α+1-γkLt?α-1ααα-1（3）

復合勞動投入由人工智能Zt和勞動力投入Nt構(gòu)成。定義參數(shù)γz表示Zt在Lt中的占比，其度量人工智能的使用范圍;定義參數(shù)v表示人工智能對人工替代彈性，那么Lt表示為：

Lt=γzZt?（v-1）v+1-γzNt?（v-1）vv（v-1）（4）

代表模型經(jīng)濟供給面的菲利普斯曲線為：

pt=βEt?pt+1+λpMCt（5）

其中，?pt和MCt分別表示通脹和邊際成本，β和λp為常數(shù)系數(shù)。方程（5）將通脹與預期通脹、邊際成本聯(lián)系起來，外生因素可以通過影響通脹預期和邊際成本而對通脹產(chǎn)生作用。與產(chǎn)品市場對應，勞動力市場存在一個將人工成本（工資膨脹）?wt與實際工資t聯(lián)系起來的工資菲利普斯曲線：

wt=βEt?wt+1+λwMRSt-λwt（6）

其中，MRSt為消費與閑暇的邊際替代率，λw為常數(shù)系數(shù)。方程（6）將工資膨脹與預期工資膨脹、消費與閑暇的邊際替代率、實際工資聯(lián)系起來，外生因素可以通過影響預期工資膨脹、勞動力關(guān)于消費與閑暇的最優(yōu)決策、實際工資來影響工資膨脹。

3.家庭效用函數(shù)、貨幣政策與外生沖擊

定義Ct、Nt分別表示消費和就業(yè)，ε?dt為偏好沖擊，參數(shù)χ度量就業(yè)在效用中的權(quán)重，η為就業(yè)彈性系數(shù)，家庭效用函數(shù)為：

U?Rt=E0∑?∞t=0β?texpε?dtlnCt-χN?1+ηt1+η（7）

參考王博等（2019）關(guān)于中國貨幣政策的設(shè)定[16]，模型經(jīng)濟中的貨幣政策為：

t=ρt-1+1-ρrp?pt+ryt（8）

其中，t表示名義利率，t表示產(chǎn)出缺口，ρ表示利率慣性，rp與ry分別表示名義利率對通脹和產(chǎn)出缺口的反應系數(shù)。模型經(jīng)濟中包含技術(shù)沖擊ε?at與偏好沖擊ε?dt兩類外生沖擊，二者均服從平穩(wěn)的AR（1）過程：

ε?xt=ρxε?xt-1+e?xt??（x=d，a）（9）

上式中，ρx表示技術(shù)沖擊與偏好沖擊的持續(xù)性，e?xt是技術(shù)沖擊與偏好沖擊的外生成分，其服從均值為0、方差為σ?2x的白噪聲過程。偏好沖擊代表影響經(jīng)濟中需求側(cè)的因素，技術(shù)沖擊則代表影響經(jīng)濟中供給側(cè)的因素。在本文的模型經(jīng)濟中，外生因素對需求側(cè)的影響主要通過影響家庭的消費需求、物質(zhì)資本投資以及人工智能資本投資來影響整個宏觀經(jīng)濟：外生干擾因素則通過改變家庭資源稟賦在消費、物質(zhì)資本投資和人工智能資本投資之間的配置，改變經(jīng)濟中物質(zhì)資本品價格和人工智能資本價格，進而改變企業(yè)的生產(chǎn)行為和產(chǎn)品價格，并逐漸傳導至整個模型經(jīng)濟。而代表企業(yè)生產(chǎn)能力的技術(shù)沖擊對模型經(jīng)濟的影響更加直接，技術(shù)沖擊改變企業(yè)的生產(chǎn)能力，繼而影響企業(yè)各種要素投入變化、產(chǎn)品價格和總產(chǎn)出，進而影響整個模型經(jīng)濟。為便于分析，本文設(shè)定偏好沖擊與技術(shù)沖擊的大小均為1個單位標準差。

三、參數(shù)校準與模型評價

首先對模型進行參數(shù)化處理。由于這一領(lǐng)域國內(nèi)外相關(guān)研究數(shù)據(jù)較少，本文模型中涉及的參數(shù)無法使用貝葉斯方法進行估計。因此，采用相近研究已經(jīng)獲得的參數(shù)估計值對本文模型中涉及的參數(shù)進行校準。在參數(shù)校準的基礎(chǔ)上，使用二階矩匹配方法：計算人工智能發(fā)展條件下宏觀經(jīng)濟變量的二階矩，并與中國實際數(shù)據(jù)的二階矩進行匹配，進而考察本文模型數(shù)據(jù)與現(xiàn)實數(shù)據(jù)的匹配程度。

1.參數(shù)校準

需要校準的參數(shù)包括基本參數(shù)與人工智能相關(guān)參數(shù)兩類。對于基本參數(shù)，盡量選取相近研究中估計的數(shù)值;對于人工智能參數(shù)，由于目前國內(nèi)外相近研究較少，相關(guān)研究也基本使用參數(shù)校準方法，因而主要選擇國內(nèi)外相近研究中的校準數(shù)據(jù)。具體的參數(shù)校準值及其來源見表1。

需要說明的是，表1中僅給出了人工智能投資效率參數(shù)μz和人工智能使用范圍參數(shù)γz的基準取值，由于這兩個參數(shù)代表了人工智能發(fā)展情況，因而可以通過敏感性分析方法考察這兩個參數(shù)改變對模型分析結(jié)果產(chǎn)生的影響，從而更為精確地分析人工智能發(fā)展產(chǎn)生的影響。參考Acemoglu和Restrepo（2018）的方法[3]，將人工智能投資效率參數(shù)μz取值設(shè)定為0、1和2，將人工智能使用范圍參數(shù)γz設(shè)定為0、0.04和0.08，代表不同的人工智能發(fā)展狀況：當μz和γz取值為0時，表示人工智能尚未在生產(chǎn)過程中發(fā)揮作用;當μz取值為1、γz取值為0.04，表示人工智能已經(jīng)在生產(chǎn)過程中發(fā)揮作用，但人工智能發(fā)展尚處于初級階段;當μz取值為2、γz取值為0.08時，表示人工智能發(fā)展處于相對高級階段。

2.模型評價

在動態(tài)隨機一般均衡模型分析中，二階矩匹配方法經(jīng)常用于評價模型數(shù)據(jù)與現(xiàn)實數(shù)據(jù)的擬合程度（Gali′，2015;李向陽，2019）[23-24]。這一方法通過計算模型仿真數(shù)據(jù)的二階矩并將其與現(xiàn)實數(shù)據(jù)的二階矩進行匹配，比較模型仿真數(shù)據(jù)與現(xiàn)實數(shù)據(jù)的接近程度，進而可以判斷模型對于現(xiàn)實數(shù)據(jù)的擬合程度。具體而言，通常使用模型仿真數(shù)據(jù)與現(xiàn)實數(shù)據(jù)的標準差比值和相關(guān)系數(shù)這兩個指標進行匹配。表2給出了相應的二階矩匹配的結(jié)果，其中σxy表示模型仿真數(shù)據(jù)與現(xiàn)實數(shù)據(jù)的標準差之比，ρxy表示模型仿真數(shù)據(jù)與現(xiàn)實數(shù)據(jù)的相關(guān)系數(shù)。由于人工智能方面時間序列數(shù)據(jù)的缺失，本文未能進行人工智能相關(guān)變量的二階矩匹配。不過，選擇產(chǎn)出、就業(yè)、物質(zhì)資本投資、通脹、工資膨脹以及消費等宏觀經(jīng)濟指標，一方面符合以往相近研究的慣例，另一方面也基本上可以反映宏觀經(jīng)濟整體狀況。與模型中的變量定義一致，產(chǎn)出采用剔除政府支出和凈出口的國內(nèi)生產(chǎn)總值數(shù)據(jù)，就業(yè)采用城鎮(zhèn)單位就業(yè)數(shù)據(jù)，通脹采用環(huán)比處理后的CPI數(shù)據(jù)，工資膨脹采用環(huán)比處理后的全國工資總額數(shù)據(jù)，消費和投資采用支出法核算國內(nèi)生產(chǎn)總值的數(shù)據(jù)。所有數(shù)據(jù)均來源于中經(jīng)網(wǎng)數(shù)據(jù)庫和國家統(tǒng)計局網(wǎng)站。

表2顯示，在μz取值為1、γz取值為0.04的基準情形下，模型仿真的產(chǎn)出、就業(yè)、物質(zhì)資本投資以及消費等宏觀經(jīng)濟變量數(shù)據(jù)的標準差與中國2002年1季度至2018年4季度實際數(shù)據(jù)的標準差之比大于1，即這些宏觀經(jīng)濟變量的模型仿真數(shù)據(jù)表現(xiàn)出比現(xiàn)實數(shù)據(jù)更大的波動性;而通脹和工資膨脹的模型仿真數(shù)據(jù)與實際數(shù)據(jù)的標準差之比小于1，表明這兩個變量的仿真數(shù)據(jù)表現(xiàn)出比實際數(shù)據(jù)較小的波動性。因此，標準差匹配的結(jié)果表明，相比現(xiàn)實數(shù)據(jù)，本文所構(gòu)建的模型夸大了產(chǎn)出等實際變量的波動性，但也縮小了通脹、工資膨脹等名義變量的波動性。從模型仿真數(shù)據(jù)與現(xiàn)實數(shù)據(jù)的相關(guān)系數(shù)看，各變量的相關(guān)系數(shù)均超過0.7，表明模型仿真數(shù)據(jù)較好地擬合了現(xiàn)實數(shù)據(jù)?？傮w來看，盡管模型仿真數(shù)據(jù)與中國現(xiàn)實數(shù)據(jù)之間存在一定的差異，但較好地擬合了現(xiàn)實數(shù)據(jù)，換言之，模型可以較好地反映現(xiàn)實經(jīng)濟中相關(guān)變量之間的關(guān)聯(lián)性及其變化趨勢。

四、模型分析

借鑒朱軍和許志偉（2018）以及陳利鋒（2019）等的研究[25][20]，通過比較靜態(tài)分析來觀察人工智能投資效率和使用范圍對宏觀經(jīng)濟穩(wěn)態(tài)的影響，以發(fā)現(xiàn)人工智能發(fā)展產(chǎn)生的長期宏觀經(jīng)濟效應;同時，使用動態(tài)分析來考察人工智能發(fā)展對通脹產(chǎn)生的短期影響，以明確人工智能不同發(fā)展階段下通脹的動態(tài)特征及其與邊際成本的聯(lián)系。

1.比較靜態(tài)分析

比較靜態(tài)分析的對象為模型經(jīng)濟的穩(wěn)態(tài)，即通過比較不同情景下各宏觀經(jīng)濟變量的穩(wěn)態(tài)發(fā)現(xiàn)其長期變化趨勢?；谛实哪Ｐ停?和表4分別給出了不同人工智能投資效率和使用范圍對應的產(chǎn)出、實際工資、人工智能投資、人工智能資本、通脹以及勞動生產(chǎn)率等宏觀經(jīng)濟變量的穩(wěn)態(tài)值?？梢园l(fā)現(xiàn)：（1）人工智能投資效率提高和使用范圍擴大將引起穩(wěn)態(tài)總產(chǎn)出Y、穩(wěn)態(tài)人工智能資本投資I?z、穩(wěn)態(tài)人工智能資本Z以及穩(wěn)態(tài)勞動生產(chǎn)率YN增加;（2）人工智能投資效率提高和使用范圍擴大將引起穩(wěn)態(tài)實際工資先下降后上升;（3）人工智能投資效率提高和使用范圍擴大并不能引起穩(wěn)態(tài)通脹Π?p發(fā)生改變。

因此，基于表3和表4的分析結(jié)果可以認為：（1）人工智能的發(fā)展，無論是投資效率的提高還是使用范圍的擴大，均有助于增加經(jīng)濟中的人工智能投資和人工智能資本存量;同時，人工智能的發(fā)展也有助于提高勞動生產(chǎn)率進而促進產(chǎn)出增長。（2）由于穩(wěn)態(tài)代表了一種長期趨勢，人工智能的發(fā)展不能影響經(jīng)濟中的長期或者趨勢通脹。（3）從長期趨勢看，人工智能的發(fā)展對實際工資的影響具有階段性特征。 這一發(fā)現(xiàn)與余玲錚等（2019）以及陳利鋒和鐘玉婷（2020）的研究結(jié)果一致，其均認為人工智能對實際工資的影響并非線性，替代效應與生產(chǎn)率效應的相互作用導致人工智能發(fā)展對實際工資的影響具有階段性特征[10][9]。在人工智能發(fā)展的初級階段（投資效率不高、使用范圍較?。斯ぶ悄艿陌l(fā)展會引起勞動力需求下降，進而導致實際工資下降（Acemoglu et al，2018）[3];在人工智能發(fā)展的相對高級階段（投資效率較高、使用范圍較廣），人工智能的發(fā)展則可以通過提高勞動生產(chǎn)率促進實際工資增加（Stevenson，2019）[26]。

2.短期動態(tài)分析

穩(wěn)態(tài)分析僅能反映人工智能發(fā)展對產(chǎn)出等宏觀經(jīng)濟變量的長期趨勢性影響，然而現(xiàn)實經(jīng)濟往往由于各種外生因素的干擾而無法處于穩(wěn)態(tài)，因而有必要進行短期動態(tài)分析。通過短期動態(tài)分析可以了解外生因素干擾對決策者關(guān)注的宏觀經(jīng)濟變量產(chǎn)生的影響，繼而可以為相關(guān)政策的制定（如貨幣政策）提供決策參考（Gali′，2018）[13]。根據(jù)研究需要，本文短期分析主要考察人工智能發(fā)展對通脹的影響。由于方程（5）顯示外生因素通過影響實際邊際成本來影響通脹，因而考察人工智能發(fā)展對邊際成本的影響有助于理解其影響通脹的傳導路徑。

圖1顯示了不同人工智能投資效率下通脹及實際邊際成本對偏好沖擊和技術(shù)沖擊的脈沖響應，可以發(fā)現(xiàn)：（1）積極的偏好沖擊引起通脹和實際邊際成本上升，積極的技術(shù)沖擊引起通脹和實際邊際成本下降，并且技術(shù)沖擊對通脹和邊際成本的影響大于偏好沖擊。這與Gali′和Monacelli（2016）等的研究結(jié)果基本一致[27]。（2）從偏好沖擊的脈沖響應看，當人工智能投資效率參數(shù)μz取值為0時偏好沖擊引起通脹的峰值上升近6.5×10?-3個刻度單位，當μz取值為1時通脹的峰值上升近5.8×10?-3個刻度單位，當μz取值為2時通脹的峰值上升近5.2×10?-3個刻度單位。這一現(xiàn)象表明，隨著人工智能投資效率的提高，偏好沖擊對通脹的影響逐漸減小。（3）從技術(shù)沖擊的脈沖響應看，當人工智能投資效率參數(shù)μz取值為0時通脹最大下降0.04個刻度單位，當μz取值為1時通脹最大下降0.035個刻度單位，當μz取值為2時通脹最大下降0.032個刻度單位?？梢?，隨著人工智能投資效率的提高，技術(shù)沖擊對通脹的影響也逐漸變小。

顯然，基于圖1可以認為，人工智能投資效率越高，偏好沖擊和技術(shù)沖擊下通脹的反應幅度越小。換言之，隨著人工智能投資效率的提高，通脹對外生沖擊的反應減弱。同時，基于圖1還可以發(fā)現(xiàn)，當人工智能投資效率不斷提高時，無論是對于偏好沖擊還是技術(shù)沖擊，實際邊際成本的反應幅度也逐漸減?。害蘻取值為0、1和2時，偏好沖擊下實際邊際成本上升的最大幅度分別為0.08、0.075和0.068個刻度單位，技術(shù)沖擊下實際邊際成本最大下降幅度分別為0.38、0.33和0.27個刻度單位。

圖2給出了不同人工智能使用范圍下通脹及實際邊際成本對偏好沖擊和技術(shù)沖擊的脈沖響應，可以發(fā)現(xiàn)：（1）積極的偏好沖擊引起通脹和邊際成本上升，而積極的技術(shù)沖擊則引起二者下降，技術(shù)沖擊對通脹和實際邊際成本的影響大于偏好沖擊。（2）人工智能使用范圍參數(shù)分別取值為0、0.04和0.08時，偏好沖擊下通脹最大上升幅度分別為6.5×10?-3、5.8×10?-3和4.6×10?-3個刻度單位，實際邊際成本最大上升幅度分別為0.08、0.075和0.06個刻度單位。（3） 人工智能使用范圍參數(shù)分別取值為0、0.04和0.08時，技術(shù)沖擊下通脹最大下降幅度分別為0.04、0.035和0.03個刻度單位，實際邊際成本最大下降幅度分別為0.38、0.33和0.30個刻度單位。因此，隨著人工智能使用范圍的擴大，偏好沖擊和技術(shù)沖擊下通脹及實際邊際成本的反應幅度也逐漸變小。換言之，人工智能使用范圍擴大也使得通脹和實際邊際成本對外生沖擊的反應變?nèi)酢?/p>

結(jié)合圖1與圖2可以認為，無論是人工智能投資效率提高，還是人工智能使用范圍擴大，人工智能的發(fā)展均使通脹和實際邊際成本對外生沖擊的反應變?nèi)?。這一結(jié)論具有重要的意義。在中國貨幣政策實踐中，通脹是央行關(guān)注的重要宏觀經(jīng)濟指標，這一指標不僅關(guān)乎物價穩(wěn)定，還關(guān)乎整個宏觀經(jīng)濟穩(wěn)定。本文研究結(jié)論表明，發(fā)展人工智能會使通脹對外生沖擊的反應變?nèi)?。這意味著，在人工智能時代，央行需要充分考慮人工智能的發(fā)展及其作用，以科學合理評價外生因素對通脹的影響，進而達到更好地穩(wěn)定通脹的目標。

那么，是何種原因?qū)е氯斯ぶ悄馨l(fā)展使通脹對外生沖擊的反應減弱？基于方程（5）即經(jīng)濟中的菲利普斯曲線可知，外生因素通過影響實際邊際成本來影響通脹。結(jié)合圖1和圖2可知，人工智能發(fā)展使實際邊際成本對外生沖擊的反應減弱，那么一個必然的結(jié)果就是通脹對外生沖擊的反應也相應地減弱。從理論機制上講，依據(jù)Gali′（2018）的研究，實際邊際成本可以表示為產(chǎn)出缺口和實際工資的函數(shù)[13]，即：

MCt=C1t+t（10）

其中，C1為參數(shù)。當生產(chǎn)過程中未使用人工智能時，企業(yè)應對外生沖擊的辦法是調(diào)整工資，因而實際邊際成本對外生沖擊的反應相對強烈。但是，人工智能的發(fā)展使企業(yè)可以在生產(chǎn)過程中投入人工智能。由于人工智能對人工具有替代作用，因而外生沖擊發(fā)生之后，調(diào)整工資不再是企業(yè)的唯一選擇，企業(yè)可以通過調(diào)整人工智能投入來應對外生沖擊的影響。這改變了傳統(tǒng)NK-DSGE模型中外生沖擊的傳導路徑：傳統(tǒng)NK-DSGE模型中，技術(shù)沖擊、偏好沖擊等外生沖擊發(fā)生之后，勞動力市場供求狀況受到影響，企業(yè)工資會發(fā)生相應變化，工資調(diào)整則會引致實際邊際成本變化，最終影響通脹和各個宏觀經(jīng)濟變量;但當人工智能在經(jīng)濟生產(chǎn)中得以運用時，外生沖擊發(fā)生之后，調(diào)整工資并不是企業(yè)必然的選擇，人工智能的投資及使用改變了勞動力市場條件，導致實際邊際成本對外生沖擊的反應隨著人工智能發(fā)展而減弱，與之對應，通脹對外生沖擊的反應也減弱。顯然，這一結(jié)論與Yellen（2017）以及Cantore和Freund（2020）的研究一致，其發(fā)現(xiàn)近年來美國的通脹動態(tài)與實際經(jīng)濟活動變化之間的密切聯(lián)系正在消失[28-29]。本文的研究結(jié)論為這一現(xiàn)象提供了一個可能的合理解釋，即人工智能的發(fā)展導致實際邊際成本和通脹對外生沖擊的反應減弱。

五、結(jié)論與啟示

近年來，人工智能在世界各國快速發(fā)展，其對宏觀經(jīng)濟的影響及機制尚待深入研究?；诖耍疚囊肴斯ぶ悄芤蛩貙鹘y(tǒng)NK-DSGE分析框架進行拓展，分析人工智能時代的通脹動態(tài)特征以及人工智能發(fā)展對通脹的影響。比較靜態(tài)分析的結(jié)果表明：人工智能發(fā)展水平越高，穩(wěn)態(tài)勞動生產(chǎn)率和產(chǎn)出水平越高，但人工智能的發(fā)展不能影響長期或趨勢通脹;在人工智能發(fā)展的初級階段人工智能的發(fā)展會引起實際工資下降，而在相對高級階段人工智能的發(fā)展會引起實際工資上升。短期動態(tài)分析的結(jié)果顯示：人工智能的發(fā)展，無論是投資效率的提高還是使用范圍的擴大，都會導致通脹及實際邊際成本對偏好沖擊和技術(shù)沖擊的反應程度越來越小，即人工智能發(fā)展水平越高，通脹對偏好沖擊和技術(shù)沖擊的反應越弱。這一發(fā)現(xiàn)意味著人工智能的發(fā)展會弱化外生沖擊對通脹的影響產(chǎn)生，使通脹動態(tài)與實際經(jīng)濟活動變化間的聯(lián)系減弱。導致這一現(xiàn)象的原因是：人工智能的發(fā)展使企業(yè)可以選擇使用人工智能投入替代人工投入，這不但降低了工人的議價能力和工資剛性，也使企業(yè)在受到外生沖擊后并不必然進行實際工資的調(diào)整，導致實際邊際成本對外生沖擊的反應變?nèi)?由于改變實際邊際成本是外生沖擊影響通脹的主要路徑之一，因而通脹對外生沖擊的反應也相應減弱。

本文分析表明，雖然從長期來看，人工智能發(fā)展本身不會對通脹產(chǎn)生趨勢性影響，但在短期內(nèi)會弱化通脹對外生沖擊的反應。通脹動態(tài)與實際經(jīng)濟活動變化的關(guān)聯(lián)性減弱，使得人工智能時代通脹的變化將更加難以依據(jù)實際經(jīng)濟活動的變化進行預測和判定。因此，人工智能發(fā)展在促進生產(chǎn)率提高和產(chǎn)出增長的同時，也帶來了政策挑戰(zhàn)。通脹是現(xiàn)實經(jīng)濟中各國央行關(guān)注的重要宏觀經(jīng)濟變量，物價穩(wěn)定是貨幣政策的重要目標之一。各國央行均定期發(fā)布與通脹有關(guān)的系列統(tǒng)計分析與研究報告，密切關(guān)注通脹的動態(tài)變化。當外生沖擊可能引起通脹發(fā)生改變時，央行可以對貨幣政策進行相應的調(diào)整以實現(xiàn)物價穩(wěn)定。因此，外生沖擊發(fā)生之后通脹的動態(tài)變化是央行貨幣政策調(diào)整的重要依據(jù)之一。這就需要對通脹進行較為準確的預測，并依據(jù)預測進行貨幣政策調(diào)整。目前，央行對通脹的預測方法均是基于實際經(jīng)濟活動變化的，通脹動態(tài)與實際經(jīng)濟活動變化存在密切聯(lián)系是其重要假定和預測有效的前提。而人工智能發(fā)展削弱了實際經(jīng)濟活動變化與通脹動態(tài)間的聯(lián)系，這意味著在人工智能時代依據(jù)實際經(jīng)濟活動的變化來預測通脹的變化將更加困難，如果不考慮人工智能發(fā)展的影響，基于傳統(tǒng)方法進行的通脹預測在準確性和即時性上都會降低，以此為依據(jù)貨幣政策決策就更可能出現(xiàn)偏差。這也是人工智能發(fā)展對公共政策決策方面提出的新挑戰(zhàn)（Thierer等，2017）[30]。

NK-DSGE框架下的貨幣政策理論認為，經(jīng)濟中難以規(guī)避的外生沖擊通過影響工資而最終影響通脹。然而，人工智能的發(fā)展使這一傳導機制發(fā)生明顯改變：外生沖擊發(fā)生之后，生產(chǎn)單位可以使用人工智能替代人工投入，這一做法使工資調(diào)整不再是企業(yè)的必然之選。同時，人工智能的發(fā)展不但使外生沖擊影響通脹的傳導路徑發(fā)生顯著改變，而且使央行調(diào)整貨幣政策所形成的政策沖擊也難以通過工資途徑影響通脹，進而可能導致人工智能時代貨幣政策的有效性難以得到充分的發(fā)揮。因此，人工智能的發(fā)展，使外生沖擊影響通脹動態(tài)的傳導機制發(fā)生改變，這一改變不但因降低了依據(jù)實際經(jīng)濟活動變化預測通脹動態(tài)的有效性而對貨幣政策的適時調(diào)整及其有效性帶來了新挑戰(zhàn)，而且也為金融理論研究提出了新課題。在人工智能時代，不但央行需要密切關(guān)注人工智能帶來的宏觀經(jīng)濟變量間傳導機制的變化，進而提高貨幣政策決策和實施的科學性和有效性;而且理論研究者也需要與時俱進，積極進行理論創(chuàng)新和模型優(yōu)化，為政策制定者提供更符合時代特征的分析工具和政策參考。

參考文獻：[1]??AGURAWALA，GANS J，GODDGARB A.Prediction machines：The simple economics of artificial intelligence[M].Massachusettes：Harvard Business Review Press，2018.

[2]?BERGA，BUFFIE E，ZANNA L.Robots，growth，and inequality[J].Finance & Development，2016，53（3）：10-13.

[3]?ACEMOGLUD，RESTREPO D.Artificial intelligence，automation and work[R].NBER Working Papers，2018，No.w24196.

[4]?AGHIONP，JONES B，JONES C.Artificial intelligence and economic growth[R].NBER Working Papers，2017，No.w23928.

[5]?AUTORD.Why are there still so many jobs ？ The history and future of workplace automation[J].Journal of Economic Perspectives，2015，29（3）：3-30.

[6]?AUTORD，SALOMONS A.Robocalypse now：Does productivity growth threaten employment ？[M]//AGRAWAL A，GANS J，GOLDFARB A.The economics of artificial intelligence：An agenda.Chicago：The University of Chicago Press，2019.

[7]?陳彥斌，林晨，陳曉亮.人工智能、老齡化與經(jīng)濟增長[J].經(jīng)濟研究，2019（7）：47-63.

[8]?郭凱明.人工智能發(fā)展、產(chǎn)業(yè)結(jié)構(gòu)轉(zhuǎn)型升級與勞動收入份額變動[J].管理世界，2019（7）：60-79.

[9]?陳利鋒，鐘玉婷.人工智能發(fā)展的宏觀經(jīng)濟效應：動態(tài)隨機一般均衡視角[J].上海金融，2020（1）：13-20.

[10]余玲錚，魏下海，吳春秀.機器人對勞動收入份額的影響研究——來自企業(yè)調(diào)查的微觀證據(jù)[J].中國人口科學，2019（4）：114-125.

[11]FUEKIT，MAEHASHI K.Inflation dynamics in the age of robots：Evidence and some theory[R].Bank of Japan Working Papers，2019，No.19-E-9.

[12]GILCHRISTS，ZAKRAJSEK E.Trade exposure and the evolution of inflation dynamics[R].Bank of England，F(xiàn)inance and Economics Discussing Series，2019，No.007.

[13]GALI′J.The state of new Keynesian economics：A partial assessment[J].The Journal of Economic Perspectives，2018，32（3）：87-112.

[14]WOODFORDM.Interest and prices：Foundations of a theory of monetary policy[M].Princeton：Princeton University Press，2003.

[15]EDENM，GAGGAL P.On the welfare implication of automation[J].Review of Economic Dynamics，2018，29（1）：15-43.

[16]王博，李力，郝大鵬.貨幣政策不確定性、違約風險與宏觀經(jīng)濟波動[J].經(jīng)濟研究，2019（3）：119-134.

[17]范愛軍，卞學宇.美元定價約束下通貨膨脹目標沖擊的國際傳導與福利效應[J].世界經(jīng)濟，2018（2）：45-70.

[18]JUSTINIANOA，PRIMICERI G，TAMBALOTTI A.Investment shocks and business cycles[J].Journal of Monetary Economics，2010，57（2）：132-145.

[19]許光建，許坤.經(jīng)濟波動、貨幣超發(fā)與通脹慣性：基于預期異質(zhì)性和時變性的視角[J].經(jīng)濟與管理評論，2019（5）：19-29.

[20]陳利鋒.環(huán)境保護稅與環(huán)保技術(shù)進步的宏觀經(jīng)濟效應[J].南方金融，2019（11）：11-22.

[21]HED，YU X.Network effects in currency internationalization：Insights from BIS triennial surveys and implications for Renminbi[J].Journal of International Money and Finance，2016，68（C）：203-229.

[22]王立勇，紀堯.財政政策波動性與財政規(guī)則：基于開放條件DSGE模型的分析[J].經(jīng)濟研究，2019（6）：121-135.

[23]GALI′J.Introduction to monetary policy，inflation，and the business cycle[M].Princeton;Princeton University Press，2015，2nd Edition.

[24]李向陽.動態(tài)隨機一般均衡（DSGE）模型：理論、方法和Dynare實踐[M].北京：清華大學出版社，2019.

[25]朱軍，許志偉.財政分權(quán)、地區(qū)間競爭與中國經(jīng)濟波動[J].經(jīng)濟研究，2018（1）：21-34.

[26]STEVENSONB.Artificial intelligence，income，employment，and meaning[M]//AGRAWAL A，GANS J，GOLDFARB A.The economics of artificial intelligence：An agenda.Chicago：The University of Chicago Press，2019.

[27]GALI′J，MONACELLI T.Understanding the gains from wage flexibility：The exchange rate connection[J].American Economic Review，2016，106（12）：3829-3868.

[28]YELLENJ.Inflation，uncertainty，and monetary policy[R].Remarks at the 59?thAnnual Meeting of the National Association for Business Economics，Cleverland，2017.

[29]CANTOREC，F(xiàn)ERRONI F，LEON-LEDESMA M.The missing link：Monetary policy and the labor share[R].Bank of England Staff Working Papers，2020，No.857.

[30]THIERERA，O' SULLIVAN A，RUSSELL R.Artificial intelligence and public policy[R].Mercatus Research Paper，2017，No.3021135.

Influence of the Development of Artificial Intelligence on Inflation Dynamics： Analysis Based on Dynamic Stochastic General Equilibrium Model

CHEN Li-feng，ZHONG Yu-ting

（Economics Teaching Section， School of Guangdong Provincial Committee of CPC，

Guangzhou 510053， Guangdong， China）

Abstract： The development of artificial intelligence is the manifestation of productivity progress but the economic effect on its extensive application needs to be deeply studied. Based on its substitution role of labor， this paper introduces artificial intelligence investment into dynamic stochastic general equilibrium model to examine the influence of its development on inflation dynamics by comparative steady state analysis and short-term dynamic analysis. Steady state analysis shows that both of the rise of its investment efficiency and the enlarging of its using scope promote labor productivity and output， but it cant affect long-run or tendency inflation. At the initial stage of its development， the development of artificial intelligence can cause the decline of practical wage， however， at its high-level stage， its development can give rise to the rise of practical wage. Short-run dynamic analysis argues that the promotion of its development， whether its investment efficiency rises or its using scope enlarges， will weaken the response of inflation and practical marginal cost to exogenous shocks， such as preference and technology shocks.Its development can weaken the connection of the change between inflation dynamics and practical economic activities. The reason for this result is that its substitution of labor makes wage adjustment no longer the necessary choice for the response to exogenous shocks and further changes the transmission mechanism of the impact of exogenous shocks on inflation by affecting wages. Thus， while we develop the artificial intelligence to boost productivity and output， we should face the new challenge during the process of accurate prediction of policy regulation objective variables of inflation and so on and the validity for policy adjustment and implementation and provide new issues for studying financial theory.

Key words： artificial intelligence; inflation; practical wage; marginal cost; preference shock; technical shock; monetary policy

CLC number：F062.4;F224.0;F820.5??Document code： A??Article ID： ?1674-8131（2020）04-0001-11

（編輯：夏?冬）