传统宏观经济学采用的是计量经济学的实证归纳法，其好处是充分总结历史经验，归纳历史上经济政策实施的效果，进一步预测实施新的经济政策可能产生的效果。其缺点是对历史经验的总结容易犯“刻舟求剑”的错误，很难实现经济政策“时移则事移”的灵活调整。出于实际工作中预测的需要，新古典宏观经济学把博弈论和理性预期引入经济政策的设计和效果评估中。

随着人工智能技术的发展，数字技术也可以应用于经济政策制定，监测宏观经济运行状况，更好实现财政和货币政策之间的协调，评估经济政策效果，提高政策设计的科学性。

前沿技术赋能政策设计

当前，我国正在朝着高质量发展和共同富裕的目标方向稳步前进。面对新的挑战和难题，必须从机制设计的角度思考政策的设计和选择，从高质量发展的角度研究政策的经济和效率效果，考虑新政策在所有社会成员中社会效益和收益分配，这将有助于打开宏观经济政策研究的新视野和新局面。

在新的经济政策设计中，要善于利用机器学习、人工智能和大数据等前沿技术手段。例如，把机器学习技术应用到模型参数选择中，可在新数据发布和更新后，由计算机程序更新模型的参数估计和选择。由于模型靠参数驱动，只有经历实际数据检验确认的参数可以产生与实际相符的数据，进而才能用这组数据去做政策实验。但模型毕竟是参数驱动的机器，离现实经济生成数据痕迹的机制相差甚远。随着时间的推移，现实经济不断产生新的数据，则还要继续利用新数据更新模型的参数估计。由此，利用最新数据“训练”出来的模型参数才能够反映经济运行的最新情况，并对政策的效果作出更准确的预测。

人工智能技术在机制设计中目前应用比较广泛的是互联网经济。平台经济的核心竞争力在于平台的算法，这些算法代表了不同平台的机制设计，最主要通过提供激励，发掘利用各类信息，提高买卖双方的匹配效率。社会和经济政策的设计可以借鉴这些数字经济中方兴未艾的机制设计，把整个社会和经济体看成一个大的平台，将政府视为平台机制的设计者，在经济政策设计中尽可能全面考虑政策对民众的微观激励。

大数据技术主要的应用场景是利用微观家庭和企业层面数据，分析经济政策变化后家庭和企业行为的变化信息，从而得到政策对宏观经济效果的关键统计参数，这是设计最优的财政和货币政策的重要信息。在统计学中，这些关键参数叫作充分统计量。理论上可把最优经济政策的设计表示为充分统计量的一些函数关系，把从微观经济体中评估出的充分统计量带入这些关系，从而得到最优的政策设计，为当下的经济政策优化提供方向和指引。

当前，数字经济在宏观经济中扮演越来越重要的角色，这也要求在政策设计过程中尽快应用各种前沿技术。数字经济发展，催生了很多新经济的形态。这些新经济每天都在产生庞大的数据，可以利用这些数据了解整个宏观经济的运行情况。比如，电商平台的交易数据有助于了解居民消费情况，电动汽车的运行数据有助于了解货运物流的整体情况、新能源的需求与利用情况。

以数据模型预估政策效果

海量数据的处理和信息提取是大数据的重要研究课题，收集和监测微观经济数据，可以为宏观经济政策的评估打下坚实的基础，保证宏观数据来源的可靠性和全面性。比如，对于财政支出乘数的估计，可以利用微观家庭消费支出数据和超市销售数据，研究地方财政支出增加是否拉动了居民消费增长、改变了居民消费习惯，以及对企业订单和企业投资行为产生的影响。

获取数据后，对数据的开发利用还依赖于后期的建模。可以通过构建宏观经济模型，对政策可能产生的社会和经济效果进行预先评估。同时，根据不同的政策工具和目标搭建政策实验沙盘，进行推演，评估具体政策的实施效果，为政府实时调整政策方向和力度提供决策依据。

值得一提的是，我国宏观经济调控的显著特点是财政和货币政策相互协调，科学的政策顶层设计能有效避免社会化大生产带来的协调失灵和经济波动。而实验分析过程不仅可以纳入财政政策和货币政策，也可以纳入产业政策、贸易政策和区域平衡政策，可为政府决策部门提供多重政策工具组合的场景模拟结果，并且能够动态更新和分析单一及多种政策效果及反馈，从而实现全面、综合性的政策效果预测。

此外，通过整体宏观经济模型政策实验，还能提前预知政策对整体宏观经济指标、中央与地方政府财政收支、私营企业收益和产出以及个人消费和劳动供给的影响。此外，通过模型中的冲击响应函数，不仅能预测政策的短期、长期效果，还能预测经济在政策实施后的演化路径，为政策制定提供决策参考意见。

人工智能技术为最优政策问题求解

作为世界第二大经济体，我国经济政策变化对全球经济的影响日益凸显。多层面的国际谈判需要政府决策机构对于各种政策工具及其可能效果预判做到胸有成竹。在解决各种经济问题时，往往需要采用复合的政策组合工具。我国的宏观经济管理和调控也非常需要一个系统和综合型的决策支持系统，提前针对具体政策目标展开多种情景模型推演，为政府机构提供稳健可靠的决策参考依据。

我国经济的发展特征决定了在制定政策的过程中要考虑国际市场的变化、自身要素禀赋结构、产业结构的变迁以及收入分配结构的变化等。不仅要考虑这些因素当下的状况，还要有前瞻性，考虑到未来的结构关系。在如此复杂的结构关系中设计经济政策，涉及大量动态规划问题的求解，需要的求解技术比较复杂。

在现实中更为复杂的问题是，预测未来的市场走向和产品需求趋势，进而设计产业政策。对未知环境和未来产业发展分布的预测，可转化为强化学习中经典的“探索—利用”平衡问题，即通过计算机模型预判未来的产业发展方向，做好政策支持和产业发展方向探索之间的平衡，提高财政资金的使用效率。

动态宏观经济学的理性预期假说强调了经济主体对政府未来政策的预期会影响当前的产出和政府行为。把政府政策的决策也作为模型的一部分“内生化”后，整个模型的求解就从动态规划问题变成动态博弈问题——政府部门和私人部门互相解一个带有预测对方行为的动态规划问题。在这类模型中，政府占据政策制定的主导地位，私人部门是政策的被动接受方，在做行为决策时要提前预期未来的政府政策。此时，利用大数据和人工智能中的深度强化学习技术，可以求解出政府动态调整的最优政策。

因此，人工智能技术的发展对于最优政策问题的求解也提供了新的可能解决方案。特别是考虑模型中政府和私人部门之间“上有政策、下有对策”的博弈特性，人工智能更可能在经济政策制定过程中发挥优势。

此外，数字技术还有助于建立大型的社会经济模型。比如，对个人所得税累进度的研究，对于带有平台匹配经济的收入分配研究，以及带有网络连接关系的金融系统风险研究，都需要进行大量的数字模拟和计算。而数字技术的发展，使得我们可以利用最新的人工智能研究平台，利用云计算和并行运算技术实现模型的加速求解。随机模拟技术和贝叶斯参数估计技术的使用，使得我们可以建立尽可能接近现实的大型模型，在这样的模型中进行政策实验，得出来的结果更具有现实指导意义。

（朱胜豪，作者系对外经济贸易大学教授）