陳利鋒 鐘玉婷

摘?要：人工智能的發(fā)展是生產(chǎn)力進(jìn)步的表現(xiàn)，但廣泛使用人工智能技術(shù)的經(jīng)濟(jì)效應(yīng)尚待深入研究?；谌斯ぶ悄軐?duì)勞動(dòng)的替代作用，將人工智能投資引入動(dòng)態(tài)隨機(jī)一般均衡模型，通過(guò)比較靜態(tài)分析和短期動(dòng)態(tài)分析考察人工智能發(fā)展對(duì)通脹動(dòng)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(kuò)大均會(huì)提升勞動(dòng)生產(chǎn)率進(jìn)而提高產(chǎn)出水平，但對(duì)長(zhǎng)期或趨勢(shì)通脹沒(méi)有影響;在人工智能發(fā)展初級(jí)階段人工智能的發(fā)展會(huì)引起實(shí)際工資下降，而在相對(duì)高級(jí)階段人工智能的發(fā)展會(huì)引起實(shí)際工資上升。短期動(dòng)態(tài)分析顯示：人工智能發(fā)展水平的提高，無(wú)論是投資效率的提高還是使用范圍的擴(kuò)大，都會(huì)導(dǎo)致通脹及實(shí)際邊際成本對(duì)偏好沖擊和技術(shù)沖擊等外生沖擊的反應(yīng)變?nèi)?。人工智能的發(fā)展會(huì)使通脹動(dòng)態(tài)與實(shí)際經(jīng)濟(jì)活動(dòng)變化間的聯(lián)系減弱，其原因是人工智能對(duì)勞動(dòng)的替代作用使工資調(diào)整不再是應(yīng)對(duì)外生沖擊的必然選擇，進(jìn)而改變了外生沖擊通過(guò)影響工資來(lái)影響通脹的傳導(dǎo)機(jī)制。因此，發(fā)展人工智能在促進(jìn)生產(chǎn)率提升和產(chǎn)出增長(zhǎng)的同時(shí)，還會(huì)改變宏觀經(jīng)濟(jì)變量間的傳導(dǎo)機(jī)制，進(jìn)而對(duì)通脹等政策調(diào)控目標(biāo)變量的準(zhǔn)確預(yù)測(cè)以及政策調(diào)整和實(shí)施的有效性帶來(lái)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(shí)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(hào)：F062.4;F224.0;F820.5?文獻(xiàn)標(biāo)志碼：A?文章編號(hào)：1674-8131（2020）04-0001-11

一、引言

近年來(lái)，機(jī)器學(xué)習(xí)和大數(shù)據(jù)技術(shù)的發(fā)展推動(dòng)了自動(dòng)化技術(shù)進(jìn)步，人工智能從一個(gè)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(huì)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(xué)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(guó)決策者、政府和研究者的密切關(guān)注。2017年，美國(guó)國(guó)民經(jīng)濟(jì)研究局在多倫多召開專題研討會(huì)，對(duì)“人工智能經(jīng)濟(jì)學(xué)”進(jìn)行專業(yè)研討。2019年9月，歐盟中央銀行設(shè)立專場(chǎng)研討會(huì)討論人工智能發(fā)展對(duì)歐盟各國(guó)宏觀經(jīng)濟(jì)產(chǎn)生的影響。黨的十九大報(bào)告明確提出，要通過(guò)人工智能發(fā)展培育經(jīng)濟(jì)新增長(zhǎng)點(diǎn)，形成經(jīng)濟(jì)增長(zhǎng)新動(dòng)能。中國(guó)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(jī)遇的戰(zhàn)略問(wèn)題，從戰(zhàn)略高度對(duì)發(fā)展人工智能給予高度重視。

決策者和政府對(duì)人工智能發(fā)展的重視使這一話題成為學(xué)界研究的熱點(diǎn)。在經(jīng)濟(jì)研究領(lǐng)域，國(guó)外學(xué)者借助經(jīng)濟(jì)增長(zhǎng)模型，主要考察人工智能發(fā)展對(duì)經(jīng)濟(jì)增長(zhǎng)、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(jì)增長(zhǎng)的關(guān)系[3-4]， Autor（2015）及Autor和Salomons（2019）則主要考察人工智能對(duì)就業(yè)、工資及收入不平等的影響[5-6]。國(guó)內(nèi)學(xué)者也進(jìn)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(duì)經(jīng)濟(jì)增長(zhǎng)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(jí)及勞動(dòng)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(jì)增長(zhǎng)和收入分配等的關(guān)系。此外，陳利鋒和鐘玉婷（2020）基于動(dòng)態(tài)隨機(jī)一般均衡模型考察人工智能發(fā)展的宏觀經(jīng)濟(jì)效應(yīng)[9]，余玲錚等（2019）使用微觀調(diào)查數(shù)據(jù)分析機(jī)器替代人工對(duì)勞動(dòng)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(dòng)態(tài)分析，在研究?jī)?nèi)容上較少考察人工智能對(duì)通脹的影響。事實(shí)上，F(xiàn)ueki和Maehashi（2019）指出，人工智能發(fā)展對(duì)通脹可能產(chǎn)生重要影響[11];Gilchrist和Zakrajsek（2019）也認(rèn)為，分析人工智能時(shí)代的通脹具有重要現(xiàn)實(shí)意義，尤其是對(duì)于實(shí)行通脹盯住目標(biāo)制的國(guó)家更是如此[12]。不過(guò)，這些研究均未進(jìn)一步分析人工智能發(fā)展對(duì)通脹會(huì)產(chǎn)生何種影響及其內(nèi)在作用機(jī)制。因此，有必要分析人工智能時(shí)代通脹的動(dòng)態(tài)特征和人工智能發(fā)展對(duì)通脹的具體影響及其內(nèi)在機(jī)制。

在貨幣經(jīng)濟(jì)學(xué)領(lǐng)域，分析貨幣政策效應(yīng)的新凱恩斯主義動(dòng)態(tài)隨機(jī)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(xué)者Woodford提出，其通過(guò)在模型框架中引入產(chǎn)品市場(chǎng)、勞動(dòng)力市場(chǎng)摩擦及壟斷競(jìng)爭(zhēng)等實(shí)現(xiàn)了對(duì)現(xiàn)實(shí)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(dòng)態(tài)分析兩種方法考察人工智能發(fā)展對(duì)通脹的影響。

相比已有相關(guān)研究，本文的主要貢獻(xiàn)在于：一是構(gòu)建包含人工智能資本的NK-DSGE模型，對(duì)傳統(tǒng)DSGE模型及其應(yīng)用進(jìn)行有價(jià)值的新拓展;二是彌補(bǔ)現(xiàn)有文獻(xiàn)對(duì)人工智能發(fā)展影響通脹動(dòng)態(tài)研究的不足;三是同時(shí)考察人工智能發(fā)展對(duì)通脹的長(zhǎng)期靜態(tài)影響與短期動(dòng)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(kuò)大）的經(jīng)濟(jì)效應(yīng)。本文余下部分的結(jié)構(gòu)為：第二部分構(gòu)建一個(gè)包含物質(zhì)資本與人工智能資本的NK-DSGE模型;第三部分對(duì)模型參數(shù)進(jìn)行校準(zhǔn)，并評(píng)價(jià)模型仿真數(shù)據(jù)與中國(guó)現(xiàn)實(shí)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(dòng)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(kuò)大對(duì)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(duì)本文的研究進(jìn)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(gè)包含人工智能的NK-DSGE框架。傳統(tǒng)宏觀經(jīng)濟(jì)分析中，往往將資本等同于物質(zhì)資本，其對(duì)于人工或者勞動(dòng)力具有互補(bǔ)性：生產(chǎn)過(guò)程中必須同時(shí)投入人工和資本，否則無(wú)法進(jìn)行生產(chǎn)。然而，人工智能的出現(xiàn)使生產(chǎn)過(guò)程中出現(xiàn)了另一種對(duì)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(jì)學(xué)中的物質(zhì)資本存在顯著差異。Eden和Gaggal（2018）在對(duì)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(jì)學(xué)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?yàn)檫@一資本的發(fā)展可以完全替代勞動(dòng)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(jì)學(xué)對(duì)人力資本的定義，人力資本需要與勞動(dòng)力本身相結(jié)合才能發(fā)揮作用，離開了勞動(dòng)力，人力資本將無(wú)法參與生產(chǎn)過(guò)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(guò)程

定義Yt表示產(chǎn)出;At表示技術(shù)進(jìn)步;參數(shù)α表示物質(zhì)資本與復(fù)合勞動(dòng)投入Lt的替代彈性;γk表示物質(zhì)資本在產(chǎn)出中的貢獻(xiàn)份額。那么，經(jīng)濟(jì)中的產(chǎn)出為：

Yt=AtγkKt?α-1α+1-γkLt?α-1ααα-1（3）

復(fù)合勞動(dòng)投入由人工智能Zt和勞動(dòng)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(duì)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(jì)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(yù)期通脹、邊際成本聯(lián)系起來(lái)，外生因素可以通過(guò)影響通脹預(yù)期和邊際成本而對(duì)通脹產(chǎn)生作用。與產(chǎn)品市場(chǎng)對(duì)應(yīng)，勞動(dòng)力市場(chǎng)存在一個(gè)將人工成本（工資膨脹）?wt與實(shí)際工資t聯(lián)系起來(lái)的工資菲利普斯曲線：

wt=βEt?wt+1+λwMRSt-λwt（6）

其中，MRSt為消費(fèi)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(yù)期工資膨脹、消費(fèi)與閑暇的邊際替代率、實(shí)際工資聯(lián)系起來(lái)，外生因素可以通過(guò)影響預(yù)期工資膨脹、勞動(dòng)力關(guān)于消費(fèi)與閑暇的最優(yōu)決策、實(shí)際工資來(lái)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(fèi)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(guó)貨幣政策的設(shè)定[16]，模型經(jīng)濟(jì)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(duì)通脹和產(chǎn)出缺口的反應(yīng)系數(shù)。模型經(jīng)濟(jì)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(guò)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(guò)程。偏好沖擊代表影響經(jīng)濟(jì)中需求側(cè)的因素，技術(shù)沖擊則代表影響經(jīng)濟(jì)中供給側(cè)的因素。在本文的模型經(jīng)濟(jì)中，外生因素對(duì)需求側(cè)的影響主要通過(guò)影響家庭的消費(fèi)需求、物質(zhì)資本投資以及人工智能資本投資來(lái)影響整個(gè)宏觀經(jīng)濟(jì)：外生干擾因素則通過(guò)改變家庭資源稟賦在消費(fèi)、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(jì)中物質(zhì)資本品價(jià)格和人工智能資本價(jià)格，進(jìn)而改變企業(yè)的生產(chǎn)行為和產(chǎn)品價(jià)格，并逐漸傳導(dǎo)至整個(gè)模型經(jīng)濟(jì)。而代表企業(yè)生產(chǎn)能力的技術(shù)沖擊對(duì)模型經(jīng)濟(jì)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(jià)格和總產(chǎn)出，進(jìn)而影響整個(gè)模型經(jīng)濟(jì)。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(gè)單位標(biāo)準(zhǔn)差。

三、參數(shù)校準(zhǔn)與模型評(píng)價(jià)

首先對(duì)模型進(jìn)行參數(shù)化處理。由于這一領(lǐng)域國(guó)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(wú)法使用貝葉斯方法進(jìn)行估計(jì)。因此，采用相近研究已經(jīng)獲得的參數(shù)估計(jì)值對(duì)本文模型中涉及的參數(shù)進(jìn)行校準(zhǔn)。在參數(shù)校準(zhǔn)的基礎(chǔ)上，使用二階矩匹配方法：計(jì)算人工智能發(fā)展條件下宏觀經(jīng)濟(jì)變量的二階矩，并與中國(guó)實(shí)際數(shù)據(jù)的二階矩進(jìn)行匹配，進(jìn)而考察本文模型數(shù)據(jù)與現(xiàn)實(shí)數(shù)據(jù)的匹配程度。

1.參數(shù)校準(zhǔn)

需要校準(zhǔn)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(duì)于基本參數(shù)，盡量選取相近研究中估計(jì)的數(shù)值;對(duì)于人工智能參數(shù)，由于目前國(guó)內(nèi)外相近研究較少，相關(guān)研究也基本使用參數(shù)校準(zhǔn)方法，因而主要選擇國(guó)內(nèi)外相近研究中的校準(zhǔn)數(shù)據(jù)。具體的參數(shù)校準(zhǔn)值及其來(lái)源見表1。

需要說(shuō)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(zhǔn)取值，由于這兩個(gè)參數(shù)代表了人工智能發(fā)展情況，因而可以通過(guò)敏感性分析方法考察這兩個(gè)參數(shù)改變對(duì)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?fàn)顩r：當(dāng)μz和γz取值為0時(shí)，表示人工智能尚未在生產(chǎn)過(guò)程中發(fā)揮作用;當(dāng)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(guò)程中發(fā)揮作用，但人工智能發(fā)展尚處于初級(jí)階段;當(dāng)μz取值為2、γz取值為0.08時(shí)，表示人工智能發(fā)展處于相對(duì)高級(jí)階段。

2.模型評(píng)價(jià)

在動(dòng)態(tài)隨機(jī)一般均衡模型分析中，二階矩匹配方法經(jīng)常用于評(píng)價(jià)模型數(shù)據(jù)與現(xiàn)實(shí)數(shù)據(jù)的擬合程度（Gali′，2015;李向陽(yáng)，2019）[23-24]。這一方法通過(guò)計(jì)算模型仿真數(shù)據(jù)的二階矩并將其與現(xiàn)實(shí)數(shù)據(jù)的二階矩進(jìn)行匹配，比較模型仿真數(shù)據(jù)與現(xiàn)實(shí)數(shù)據(jù)的接近程度，進(jìn)而可以判斷模型對(duì)于現(xiàn)實(shí)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(shí)數(shù)據(jù)的標(biāo)準(zhǔn)差比值和相關(guān)系數(shù)這兩個(gè)指標(biāo)進(jìn)行匹配。表2給出了相應(yīng)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(shí)數(shù)據(jù)的標(biāo)準(zhǔn)差之比，ρxy表示模型仿真數(shù)據(jù)與現(xiàn)實(shí)數(shù)據(jù)的相關(guān)系數(shù)。由于人工智能方面時(shí)間序列數(shù)據(jù)的缺失，本文未能進(jìn)行人工智能相關(guān)變量的二階矩匹配。不過(guò)，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(fèi)等宏觀經(jīng)濟(jì)指標(biāo)，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(jì)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(guó)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(guó)工資總額數(shù)據(jù)，消費(fèi)和投資采用支出法核算國(guó)內(nèi)生產(chǎn)總值的數(shù)據(jù)。所有數(shù)據(jù)均來(lái)源于中經(jīng)網(wǎng)數(shù)據(jù)庫(kù)和國(guó)家統(tǒng)計(jì)局網(wǎng)站。

表2顯示，在μz取值為1、γz取值為0.04的基準(zhǔn)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(fèi)等宏觀經(jīng)濟(jì)變量數(shù)據(jù)的標(biāo)準(zhǔn)差與中國(guó)2002年1季度至2018年4季度實(shí)際數(shù)據(jù)的標(biāo)準(zhǔn)差之比大于1，即這些宏觀經(jīng)濟(jì)變量的模型仿真數(shù)據(jù)表現(xiàn)出比現(xiàn)實(shí)數(shù)據(jù)更大的波動(dòng)性;而通脹和工資膨脹的模型仿真數(shù)據(jù)與實(shí)際數(shù)據(jù)的標(biāo)準(zhǔn)差之比小于1，表明這兩個(gè)變量的仿真數(shù)據(jù)表現(xiàn)出比實(shí)際數(shù)據(jù)較小的波動(dòng)性。因此，標(biāo)準(zhǔn)差匹配的結(jié)果表明，相比現(xiàn)實(shí)數(shù)據(jù)，本文所構(gòu)建的模型夸大了產(chǎn)出等實(shí)際變量的波動(dòng)性，但也縮小了通脹、工資膨脹等名義變量的波動(dòng)性。從模型仿真數(shù)據(jù)與現(xiàn)實(shí)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(guò)0.7，表明模型仿真數(shù)據(jù)較好地?cái)M合了現(xiàn)實(shí)數(shù)據(jù)?？傮w來(lái)看，盡管模型仿真數(shù)據(jù)與中國(guó)現(xiàn)實(shí)數(shù)據(jù)之間存在一定的差異，但較好地?cái)M合了現(xiàn)實(shí)數(shù)據(jù)，換言之，模型可以較好地反映現(xiàn)實(shí)經(jīng)濟(jì)中相關(guān)變量之間的關(guān)聯(lián)性及其變化趨勢(shì)。

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(guò)比較靜態(tài)分析來(lái)觀察人工智能投資效率和使用范圍對(duì)宏觀經(jīng)濟(jì)穩(wěn)態(tài)的影響，以發(fā)現(xiàn)人工智能發(fā)展產(chǎn)生的長(zhǎng)期宏觀經(jīng)濟(jì)效應(yīng);同時(shí)，使用動(dòng)態(tài)分析來(lái)考察人工智能發(fā)展對(duì)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(dòng)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(duì)象為模型經(jīng)濟(jì)的穩(wěn)態(tài)，即通過(guò)比較不同情景下各宏觀經(jīng)濟(jì)變量的穩(wěn)態(tài)發(fā)現(xiàn)其長(zhǎng)期變化趨勢(shì)?；谛?zhǔn)的模型，表3和表4分別給出了不同人工智能投資效率和使用范圍對(duì)應(yīng)的產(chǎn)出、實(shí)際工資、人工智能投資、人工智能資本、通脹以及勞動(dòng)生產(chǎn)率等宏觀經(jīng)濟(jì)變量的穩(wěn)態(tài)值。可以發(fā)現(xiàn)：（1）人工智能投資效率提高和使用范圍擴(kuò)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(dòng)生產(chǎn)率YN增加;（2）人工智能投資效率提高和使用范圍擴(kuò)大將引起穩(wěn)態(tài)實(shí)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(kuò)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(rèn)為：（1）人工智能的發(fā)展，無(wú)論是投資效率的提高還是使用范圍的擴(kuò)大，均有助于增加經(jīng)濟(jì)中的人工智能投資和人工智能資本存量;同時(shí)，人工智能的發(fā)展也有助于提高勞動(dòng)生產(chǎn)率進(jìn)而促進(jìn)產(chǎn)出增長(zhǎng)。（2）由于穩(wěn)態(tài)代表了一種長(zhǎng)期趨勢(shì)，人工智能的發(fā)展不能影響經(jīng)濟(jì)中的長(zhǎng)期或者趨勢(shì)通脹。（3）從長(zhǎng)期趨勢(shì)看，人工智能的發(fā)展對(duì)實(shí)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(rèn)為人工智能對(duì)實(shí)際工資的影響并非線性，替代效應(yīng)與生產(chǎn)率效應(yīng)的相互作用導(dǎo)致人工智能發(fā)展對(duì)實(shí)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(jí)階段（投資效率不高、使用范圍較小），人工智能的發(fā)展會(huì)引起勞動(dòng)力需求下降，進(jìn)而導(dǎo)致實(shí)際工資下降（Acemoglu et al，2018）[3];在人工智能發(fā)展的相對(duì)高級(jí)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(guò)提高勞動(dòng)生產(chǎn)率促進(jìn)實(shí)際工資增加（Stevenson，2019）[26]。

2.短期動(dòng)態(tài)分析

穩(wěn)態(tài)分析僅能反映人工智能發(fā)展對(duì)產(chǎn)出等宏觀經(jīng)濟(jì)變量的長(zhǎng)期趨勢(shì)性影響，然而現(xiàn)實(shí)經(jīng)濟(jì)往往由于各種外生因素的干擾而無(wú)法處于穩(wěn)態(tài)，因而有必要進(jìn)行短期動(dòng)態(tài)分析。通過(guò)短期動(dòng)態(tài)分析可以了解外生因素干擾對(duì)決策者關(guān)注的宏觀經(jīng)濟(jì)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(duì)通脹的影響。由于方程（5）顯示外生因素通過(guò)影響實(shí)際邊際成本來(lái)影響通脹，因而考察人工智能發(fā)展對(duì)邊際成本的影響有助于理解其影響通脹的傳導(dǎo)路徑。

圖1顯示了不同人工智能投資效率下通脹及實(shí)際邊際成本對(duì)偏好沖擊和技術(shù)沖擊的脈沖響應(yīng)，可以發(fā)現(xiàn)：（1）積極的偏好沖擊引起通脹和實(shí)際邊際成本上升，積極的技術(shù)沖擊引起通脹和實(shí)際邊際成本下降，并且技術(shù)沖擊對(duì)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(yīng)看，當(dāng)人工智能投資效率參數(shù)μz取值為0時(shí)偏好沖擊引起通脹的峰值上升近6.5×10?-3個(gè)刻度單位，當(dāng)μz取值為1時(shí)通脹的峰值上升近5.8×10?-3個(gè)刻度單位，當(dāng)μz取值為2時(shí)通脹的峰值上升近5.2×10?-3個(gè)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(duì)通脹的影響逐漸減小。（3）從技術(shù)沖擊的脈沖響應(yīng)看，當(dāng)人工智能投資效率參數(shù)μz取值為0時(shí)通脹最大下降0.04個(gè)刻度單位，當(dāng)μz取值為1時(shí)通脹最大下降0.035個(gè)刻度單位，當(dāng)μz取值為2時(shí)通脹最大下降0.032個(gè)刻度單位?？梢?，隨著人工智能投資效率的提高，技術(shù)沖擊對(duì)通脹的影響也逐漸變小。

顯然，基于圖1可以認(rèn)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(yīng)幅度越小。換言之，隨著人工智能投資效率的提高，通脹對(duì)外生沖擊的反應(yīng)減弱。同時(shí)，基于圖1還可以發(fā)現(xiàn)，當(dāng)人工智能投資效率不斷提高時(shí)，無(wú)論是對(duì)于偏好沖擊還是技術(shù)沖擊，實(shí)際邊際成本的反應(yīng)幅度也逐漸減?。害蘻取值為0、1和2時(shí)，偏好沖擊下實(shí)際邊際成本上升的最大幅度分別為0.08、0.075和0.068個(gè)刻度單位，技術(shù)沖擊下實(shí)際邊際成本最大下降幅度分別為0.38、0.33和0.27個(gè)刻度單位。

圖2給出了不同人工智能使用范圍下通脹及實(shí)際邊際成本對(duì)偏好沖擊和技術(shù)沖擊的脈沖響應(yīng)，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(duì)通脹和實(shí)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(shí)，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(gè)刻度單位，實(shí)際邊際成本最大上升幅度分別為0.08、0.075和0.06個(gè)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(shí)，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(gè)刻度單位，實(shí)際邊際成本最大下降幅度分別為0.38、0.33和0.30個(gè)刻度單位。因此，隨著人工智能使用范圍的擴(kuò)大，偏好沖擊和技術(shù)沖擊下通脹及實(shí)際邊際成本的反應(yīng)幅度也逐漸變小。換言之，人工智能使用范圍擴(kuò)大也使得通脹和實(shí)際邊際成本對(duì)外生沖擊的反應(yīng)變?nèi)酢?/p>

結(jié)合圖1與圖2可以認(rèn)為，無(wú)論是人工智能投資效率提高，還是人工智能使用范圍擴(kuò)大，人工智能的發(fā)展均使通脹和實(shí)際邊際成本對(duì)外生沖擊的反應(yīng)變?nèi)?。這一結(jié)論具有重要的意義。在中國(guó)貨幣政策實(shí)踐中，通脹是央行關(guān)注的重要宏觀經(jīng)濟(jì)指標(biāo)，這一指標(biāo)不僅關(guān)乎物價(jià)穩(wěn)定，還關(guān)乎整個(gè)宏觀經(jīng)濟(jì)穩(wěn)定。本文研究結(jié)論表明，發(fā)展人工智能會(huì)使通脹對(duì)外生沖擊的反應(yīng)變?nèi)?。這意味著，在人工智能時(shí)代，央行需要充分考慮人工智能的發(fā)展及其作用，以科學(xué)合理評(píng)價(jià)外生因素對(duì)通脹的影響，進(jìn)而達(dá)到更好地穩(wěn)定通脹的目標(biāo)。

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

MCt=C1t+t（10）

其中，C1為參數(shù)。當(dāng)生產(chǎn)過(guò)程中未使用人工智能時(shí)，企業(yè)應(yīng)對(duì)外生沖擊的辦法是調(diào)整工資，因而實(shí)際邊際成本對(duì)外生沖擊的反應(yīng)相對(duì)強(qiáng)烈。但是，人工智能的發(fā)展使企業(yè)可以在生產(chǎn)過(guò)程中投入人工智能。由于人工智能對(duì)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(guò)調(diào)整人工智能投入來(lái)應(yīng)對(duì)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(dǎo)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(dòng)力市場(chǎng)供求狀況受到影響，企業(yè)工資會(huì)發(fā)生相應(yīng)變化，工資調(diào)整則會(huì)引致實(shí)際邊際成本變化，最終影響通脹和各個(gè)宏觀經(jīng)濟(jì)變量;但當(dāng)人工智能在經(jīng)濟(jì)生產(chǎn)中得以運(yùn)用時(shí)，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(dòng)力市場(chǎng)條件，導(dǎo)致實(shí)際邊際成本對(duì)外生沖擊的反應(yīng)隨著人工智能發(fā)展而減弱，與之對(duì)應(yīng)，通脹對(duì)外生沖擊的反應(yīng)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(lái)美國(guó)的通脹動(dòng)態(tài)與實(shí)際經(jīng)濟(jì)活動(dòng)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(gè)可能的合理解釋，即人工智能的發(fā)展導(dǎo)致實(shí)際邊際成本和通脹對(duì)外生沖擊的反應(yīng)減弱。

五、結(jié)論與啟示

近年來(lái)，人工智能在世界各國(guó)快速發(fā)展，其對(duì)宏觀經(jīng)濟(jì)的影響及機(jī)制尚待深入研究?；诖?，本文引入人工智能因素對(duì)傳統(tǒng)NK-DSGE分析框架進(jìn)行拓展，分析人工智能時(shí)代的通脹動(dòng)態(tài)特征以及人工智能發(fā)展對(duì)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(dòng)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(zhǎng)期或趨勢(shì)通脹;在人工智能發(fā)展的初級(jí)階段人工智能的發(fā)展會(huì)引起實(shí)際工資下降，而在相對(duì)高級(jí)階段人工智能的發(fā)展會(huì)引起實(shí)際工資上升。短期動(dòng)態(tài)分析的結(jié)果顯示：人工智能的發(fā)展，無(wú)論是投資效率的提高還是使用范圍的擴(kuò)大，都會(huì)導(dǎo)致通脹及實(shí)際邊際成本對(duì)偏好沖擊和技術(shù)沖擊的反應(yīng)程度越來(lái)越小，即人工智能發(fā)展水平越高，通脹對(duì)偏好沖擊和技術(shù)沖擊的反應(yīng)越弱。這一發(fā)現(xiàn)意味著人工智能的發(fā)展會(huì)弱化外生沖擊對(duì)通脹的影響產(chǎn)生，使通脹動(dòng)態(tài)與實(shí)際經(jīng)濟(jì)活動(dòng)變化間的聯(lián)系減弱。導(dǎo)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(jià)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(jìn)行實(shí)際工資的調(diào)整，導(dǎo)致實(shí)際邊際成本對(duì)外生沖擊的反應(yīng)變?nèi)?由于改變實(shí)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(duì)外生沖擊的反應(yīng)也相應(yīng)減弱。

本文分析表明，雖然從長(zhǎng)期來(lái)看，人工智能發(fā)展本身不會(huì)對(duì)通脹產(chǎn)生趨勢(shì)性影響，但在短期內(nèi)會(huì)弱化通脹對(duì)外生沖擊的反應(yīng)。通脹動(dòng)態(tài)與實(shí)際經(jīng)濟(jì)活動(dòng)變化的關(guān)聯(lián)性減弱，使得人工智能時(shí)代通脹的變化將更加難以依據(jù)實(shí)際經(jīng)濟(jì)活動(dòng)的變化進(jìn)行預(yù)測(cè)和判定。因此，人工智能發(fā)展在促進(jìn)生產(chǎn)率提高和產(chǎn)出增長(zhǎng)的同時(shí)，也帶來(lái)了政策挑戰(zhàn)。通脹是現(xiàn)實(shí)經(jīng)濟(jì)中各國(guó)央行關(guān)注的重要宏觀經(jīng)濟(jì)變量，物價(jià)穩(wěn)定是貨幣政策的重要目標(biāo)之一。各國(guó)央行均定期發(fā)布與通脹有關(guān)的系列統(tǒng)計(jì)分析與研究報(bào)告，密切關(guān)注通脹的動(dòng)態(tài)變化。當(dāng)外生沖擊可能引起通脹發(fā)生改變時(shí)，央行可以對(duì)貨幣政策進(jìn)行相應(yīng)的調(diào)整以實(shí)現(xiàn)物價(jià)穩(wěn)定。因此，外生沖擊發(fā)生之后通脹的動(dòng)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(duì)通脹進(jìn)行較為準(zhǔn)確的預(yù)測(cè)，并依據(jù)預(yù)測(cè)進(jìn)行貨幣政策調(diào)整。目前，央行對(duì)通脹的預(yù)測(cè)方法均是基于實(shí)際經(jīng)濟(jì)活動(dòng)變化的，通脹動(dòng)態(tài)與實(shí)際經(jīng)濟(jì)活動(dòng)變化存在密切聯(lián)系是其重要假定和預(yù)測(cè)有效的前提。而人工智能發(fā)展削弱了實(shí)際經(jīng)濟(jì)活動(dòng)變化與通脹動(dòng)態(tài)間的聯(lián)系，這意味著在人工智能時(shí)代依據(jù)實(shí)際經(jīng)濟(jì)活動(dòng)的變化來(lái)預(yù)測(cè)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(jìn)行的通脹預(yù)測(cè)在準(zhǔn)確性和即時(shí)性上都會(huì)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(duì)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(rèn)為，經(jīng)濟(jì)中難以規(guī)避的外生沖擊通過(guò)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(dǎo)機(jī)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(shí)，人工智能的發(fā)展不但使外生沖擊影響通脹的傳導(dǎo)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(guò)工資途徑影響通脹，進(jìn)而可能導(dǎo)致人工智能時(shí)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(dòng)態(tài)的傳導(dǎo)機(jī)制發(fā)生改變，這一改變不但因降低了依據(jù)實(shí)際經(jīng)濟(jì)活動(dòng)變化預(yù)測(cè)通脹動(dòng)態(tài)的有效性而對(duì)貨幣政策的適時(shí)調(diào)整及其有效性帶來(lái)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(shí)代，不但央行需要密切關(guān)注人工智能帶來(lái)的宏觀經(jīng)濟(jì)變量間傳導(dǎo)機(jī)制的變化，進(jìn)而提高貨幣政策決策和實(shí)施的科學(xué)性和有效性;而且理論研究者也需要與時(shí)俱進(jìn)，積極進(jìn)行理論創(chuàng)新和模型優(yōu)化，為政策制定者提供更符合時(shí)代特征的分析工具和政策參考。

參考文獻(xiàn)：[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(jì)增長(zhǎng)[J].經(jīng)濟(jì)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(jí)與勞動(dòng)收入份額變動(dòng)[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(jì)效應(yīng)：動(dòng)態(tài)隨機(jī)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(jī)器人對(duì)勞動(dòng)收入份額的影響研究——來(lái)自企業(yè)調(diào)查的微觀證據(jù)[J].中國(guó)人口科學(xué)，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(fēng)險(xiǎn)與宏觀經(jīng)濟(jì)波動(dòng)[J].經(jīng)濟(jì)研究，2019（3）：119-134.

[17]范愛軍，卞學(xué)宇.美元定價(jià)約束下通貨膨脹目標(biāo)沖擊的國(guó)際傳導(dǎo)與福利效應(yīng)[J].世界經(jīng)濟(jì)，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(jì)波動(dòng)、貨幣超發(fā)與通脹慣性：基于預(yù)期異質(zhì)性和時(shí)變性的視角[J].經(jīng)濟(jì)與管理評(píng)論，2019（5）：19-29.

[20]陳利鋒.環(huán)境保護(hù)稅與環(huán)保技術(shù)進(jìn)步的宏觀經(jīng)濟(jì)效應(yīng)[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(jì)堯.財(cái)政政策波動(dòng)性與財(cái)政規(guī)則：基于開放條件DSGE模型的分析[J].經(jīng)濟(jì)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(yáng).動(dòng)態(tài)隨機(jī)一般均衡（DSGE）模型：理論、方法和Dynare實(shí)踐[M].北京：清華大學(xué)出版社，2019.

[25]朱軍，許志偉.財(cái)政分權(quán)、地區(qū)間競(jìng)爭(zhēng)與中國(guó)經(jīng)濟(jì)波動(dòng)[J].經(jīng)濟(jì)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）