中国经济到底缺什么

本文来自于何帆教授的一篇文章。
经济学上有一个著名的“三难选择”,即在开放条件下政府有三个主要的政策目标:一是货币政策的自主性,二是汇率稳定性,三是资本自由流动。最好的情况下,你只能得到两个目标,必须放弃第三个目标。所以经济学是讲你必须要做出选择。

中国经济现在遇到的情况,也是面临一个“三难选择”,而且我们这个“三难选择”比教科书里面的“三难选择”要更加艰难,因为我们也有三个目标,但是我们选择其中任何一个目标,都会和其他两个目标出现冲突。

第一个目标就是经济增长。保持一个相对比较高的经济增长对中国非常重要的。

第二个目标就是充分就业。我们必须创造足够多的就业岗位,这不仅是一个经济问题,也是政治问题,就是你必须要有足够的就业岗位才能维持社会稳定。

第三个目标变得越来越重要,就是金融的稳定性。局部性和系统性的潜在的金融风险是我们不得不去关注的。

这三个目标都很重要,但是我们选择其中任何一个目标都有可能和其他两个目标冲突。


如果我们选择的目标是经济增长最简单的办法就是采用传统发展模式,继续由政府投资,投资到基础设施,投资到重化工业,投资到房地产,GDP数字会变得很好看。

但是,这些行业相对来说都是资本密集型行业,不是劳动力密集型行业,所以它不可能产生很多的就业岗位。


如果我们认为最重要的目标是充分就业,最简单的办法就是发展服务业。

因为制造业不可能创造足够多的就业岗位。制造业现在要升级换代,升级换代一个重要的办法就是用机器替代劳动,像富士康现在都在投资机器人。所以,以后的制造业是用机器来替代劳动。这些被替代出来的劳动力,如果要寻找到就业岗位,更多的是在服务业,服务业会创造包括高端劳动力的就业和非熟练劳动力的就业。

有一种说法说我们的制造业现在增长速度在放缓,如果把服务业发展起来,我们还能够维持比较高速的经济增长。这是不可能的,因为就传统的服务业而言,不去考虑“互联网+”这些比较流行的现代服务业,服务业劳动生产率的提高速度是慢于制造业劳动生产率提高速度的。

你去买智能手机,买 iPhone 手机,买了 iPhone5 ,就等着 iPhone6 ,买了 iPhone6 ,就等着 iPhone6s ,等着 iPhone7 ,有非常快的升级换代的速度。但是服务业不可能有这么快的升级换代速度,你家里面雇佣一个保姆,过半年从保姆 1.0 就变成保姆 2.0 ,是不可能的,不下降就不错了。

服务业比重越增高,中国潜在增长率就继续放慢。这个转型对中国经济增长会带来影响,尤其对中国金融业带来影响。

我们传统的金融业里面主要是银行业,银行业主要客户是制造业,这个实体经济和金融匹配模式很好。当制造业企业到银行要求贷款的时候,银行会要它提供抵押品,制造业企业是有抵押品的,它有土地,有厂房,有机器等。而且在原来高速增长的时候,制造业的流动性是非常稳定的,它的劳动生产率提高速度是很快的。所以,过去这个实体模式和金融模式匹配得很好。

现在鼓励“大众创业、万众创新”,很多在服务业里面的创新企业到银行要求贷款。

我是一个律师事务所,我是一个咨询公司,我要到银行里面贷款,银行让我提供抵押品,我提供什么抵押品呢?笔记本电脑?肯定不够。我真正的资产在脑子里,但是不能把脑袋给你切下来搁到银行里面去。所以,服务业里面的很多新型企业没有足够的抵押品。

我们现在的银行体系很难判断到底哪些是好的投资机会,哪些是不好的投资机会。到最后服务业一定会出现很多成功的企业,会出现阿里巴巴,会出现新的 BAT,但是当他们刚刚出现的时候,你怎么能够知道哪些是未来成功的企业呢?当年跟马云差不多的创业者很多,但是你怎么知道最后哪个是阿里巴巴,哪个是阿里妈妈呢?你没有能力判断。

最后结果就是服务业发展,我们金融行业中有更多的不良贷款。


我们现在要求金融稳定。为什么要金融稳定呢?

在全球金融危机以后,你到欧洲,到日本,到美国看,大家都在去杠杆化,唯独中国在加杠杆。在你的经济繁荣的时候,你杠杆率很高,你觉得很爽,但是在经济下行的时候去杠杆非常困难。

如果你去杠杆去得太快的话,会引发一个螺旋形下行的机制。这样有可能会影响到我们的增长目标,如果中国经济出现了硬着陆,又会影响到我们的就业。

所以大家可以理解,管理中国经济是很艰难的事情,因为几个目标之间是互相冲突的。


什么东西最重要?

在我看来,最重要的是稳定一个相对比较高速的经济增长。

为什么?我们不能低估经济增长放缓的风险。我们可能觉得没问题,不过是从原来的7%、8%,掉到了6.9%。但是在过去30年,尽管经济有起伏,但是总体来说我们是保持了非常强劲的高速增长状态。“新常态”情况下,我们潜在增长率在下降,所以我们进入了新的阶段,上山的路和下山的路不是一条路,风险是不一样的。

所以,我们过去经验都是在应对高速经济增长,我们觉得低一点没有问题。但是,你在低速经济增长的时候,会有很多内在机制触发各种螺旋形下降的机制,去杠杆会导致资产价格下降,资产价格下降会导致进一步去杠杆,你的财政紧缩会导致经济下降,经济下降会导致财政进一步困难,财政进一步困难会导致经济进一步下降。有很多这种内在螺旋形下降机制。所以如果我们没有足够的准备,可能会遇到风险。

怎么办?

我们需要一些政策。首先是刺激政策,当然我们的货币政策不可能用 2009 年那样极度扩张的货币政策,会带来很多风险。但是货币政策要注意到 PPI 在持续下降,包括 GDP 的平均指数已经为负。

与此同时财政政策仍然有很多空间可以有更积极的作为。并不是说像过去那样投资“铁公基”,像中国这么大的国家能够投资的东西很多,能够想到的新的投资方式很多,有很多投资不一定投资到实物,可以投资到人力资本;有很多投资不一定是政府非要自己做,政府可以通过购买公共服务的方式,给私人部门提供更多的需求的机会。


有很多结构性改革会使经济短期出现阵痛。我们要减少过剩产能,要去杠杆化,在短期内经济不可避免的往下走,但并不一定所有结构性改革都一定使得经济往下走,我们也要寻找一些结构性改革创造新的需求的机会。

这里面很重要的就是我们服务业如何开放。举一个我最喜欢的例子,就是医疗卫生行业的开放,你可以用一个政策达到很多目标。

为了维持投资在相对比较高的水平,你必须投资,投资到哪里?投资别的领域都会出现产能过剩,唯独投资到医疗卫生,因为中国马上老龄化,这个领域不太可能出现产能过剩。

如果你想增加消费,为什么中国老百姓不消费?并不是我们不买东西,而是我们想买的东西提供的不多,我们想买的是服务品,我们想消费的是医疗、健康,我们想消费的是教育,但是在这方面供给不足,质量比较差,价格奇高。

所以,如果增加对医疗卫生行业的投入,我们会增加消费,而且能够创造就业。你早晚有一天需要把在工厂流水线上的生产女工转化为在医院里面的护工,你必须早做才行。而且你需要一个政策能够直接让老百姓感到开心。

你问中国老百姓,你为什么感到不幸福?其实大家抱怨多的就是看病难,上学难。如果政府说,给我五年时间,我来解决中国看病难的问题。老百姓支不支持?巴掌都要拍红了。

然后我们可以利用在医疗卫生行业改革成功的经验,再去推动更为艰难的,比如能源、国有企业、通讯行业等等领域的改革。


最后,我觉得我们需要借鉴美国当年罗斯福新政的经验。我们需要把这些已经有的政策重新打包,这个政策组合里必须要有足够的王牌能够向市场释放出明确的信号,能够提振市场的信心。

你去看看罗斯福新政,并不是所有政策都是新的,有很多和胡佛当年做的是一样的,而且并不是所有政策都考虑得很清楚。银行出现危机之后,说把银行关了,关一个星期再重新开放,说我们用一个星期看看谁是好银行,谁是坏银行。如果给一个星期时间,把全国银行查一遍,查出来谁是好银行,谁是坏银行,这是不可能的,但是重新开门之后,恐慌就没了。

所以,我们需要把政策重新设计之后,用一个足够有说服力的方式表达出来。

如果中国经济能够保持稳定,其他问题,我估计最近最令人头疼的就是人民币汇率问题。单是考虑汇率的问题,现在很可能是无解的。但是当经济相对平稳之后,再回过头来告诉市场汇率打算怎么改革,这个工作就会变得容易很多。

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值