刘珺等：数字经济如何影响中国通货膨胀？_新浪财经

　　本文来源：《金融研究》 2023年第3期（总第513期）

　　数字经济如何影响中国通货膨胀？

　　——基于作用机理和动态特征的实证分析

　　引言

　　党的十八大以来，以习近平同志为核心的党中央统筹中华民族伟大复兴战略全局和世界百年未有之大变局，准确把握中国经济发展的阶段性特征，深刻洞察数字经济发展趋势和规律，出台一系列重大政策、作出一系列战略部署，推动我国数字经济发展取得显著成就。党的二十大报告明确提出“加快建设制造强国、质量强国、航天强国、交通强国、网络强国、数字中国。”当前中国数字经济发展迅速，根据中国信通院在《中国数字经济发展白皮书》（2022）中的测算，2021年我国数字经济规模达到45.5万亿元，较“十三五”初期扩张了1倍多，同比名义增长16.2%，高于GDP名义增速3.4个百分点，占GDP比重达到39.8%，较“十三五”初期提升了9.6个百分点。

　　数字经济给人类社会经济活动带来广泛而深刻的变化，对各国宏观经济运行产生重要而深远的影响。与数字经济几乎同时出现的，是全球性低通货膨胀，这引发了学术界广泛关注，近几年国际上关于数字经济对通货膨胀影响研究的文献逐渐增多，但国内相关文献较少。中国通货膨胀是否受到了数字经济的抑制，具体作用渠道都有哪些，数字经济下中国通货膨胀的动态特征出现哪些变化？探究这些问题对把握数字经济的宏观效应、研判中国通货膨胀长期走势及改进宏观调控政策均具有一定的现实意义。

　　因此，本文在梳理现有文献的基础上，探究数字经济发展对中国通货膨胀的影响机制及效应，分析数字经济背景下中国通货膨胀的动态特征。

　　与现有文献相比，本文的主要贡献有：一是使用中国的实际数据对数字经济与通货膨胀之间的关系进行实证检验，丰富相关实证文献；二是以Riksbank（2015）的理论框架为基础，对数字经济影响中国通货膨胀的具体渠道进行实证检验，验证具体作用机理；三是从宏观政策冲击的角度，分析了数字经济下通货膨胀对货币政策冲击的短期动态响应特征，为优化宏观政策调控提供参考。

　　本文结构安排如下：第二部分是文献综述；第三部分提出数字经济抑制中国通货膨胀的影响机理及实证检验；第四部分通过比较不同价格指数对货币政策冲击的响应，以初步分析数字经济下的通货膨胀短期动态特征；第五部分是结论和启示。

　　文献综述

　　（一）数字经济的定义及范畴

　　学界对数字经济的研究经历了信息经济、互联网经济以及数字经济的探索过程，目前对数字经济的定义尚未统一。国内各界较为接受2016年G20杭州峰会对数字经济的表述，即以使用数字化的知识和信息作为关键生产要素、以现代信息网络作为重要载体、以信息通信技术的有效使用作为效率提升和经济结构优化的重要推动力的一系列经济活动。

　　中国国家统计局发布的《数字经济及其核心产业统计分类（2021）》参考了该定义，将数字经济产业范围确定为数字产品制造业、数字产品服务业、数字技术应用业、数字要素驱动业、数字化效率提升业等五个大类。

　　中国信通院发表的白皮书也以该定义为参照，把数字经济分为数字产业化、产业数字化、数字化治理、数据价值化四大部分。按照这一定义，数字经济既包括半导体、移动基站、通信设备等信息通讯相关产业，即数字化技术及产品本身，也包括数字化技术与经济社会广泛融合产生的各类经济活动，如电商平台、共享经济、工业互联网等。为全面分析数字经济的影响，并参考国内外已有数字经济相关研究，本文也采用这一定义。

　　（二）数字经济对通货膨胀的影响

　　在分析数字经济与通货膨胀之间关系方面，现有文献多证实了数字经济对通货膨胀的抑制作用（Buchheim and Kedert，2016；Koyuncu and Unver，2018；Csonto et al．，2019）。英格兰银行Wadhwani（2000）研究了互联网发展对通货膨胀的影响，认为互联网通过降低搜寻成本、减少市场进入障碍和缩短供应链等方式提升生产率、降低均衡失业率，在短期内可压低通货膨胀率。Lorenzani and Varga （2014）使用27个欧盟国家的数据发现，零售部门线上交易的发展导致整体价格水平每年降低0.1%。Koyuncu and Unver （2018）构建了五类通货膨胀指标，并以OCED国家为样本，考察了信息通信技术与通货膨胀之间关系，发现两者间存在负向关系。

　　Csonto et al．（2019）以36个发达和新兴经济体为样本，研究了2000年至2017年期间数字经济发展对通货膨胀的影响，发现数字化主要通过降低成本（加剧竞争）影响通货膨胀。在数字经济对通货膨胀的影响机理分析上，瑞典央行货币政策执行报告（Riksbank，2015）提出的分析框架较为全面，后续研究（Charbonneau et al．，2017）多以该框架为基础进行了适当拓展或修正。在该框架下，数字经济主要通过三个渠道对通货膨胀产生抑制作用：通过数字化产品及服务价格下降抑制通货膨胀，通过运用自动化技术和生产率提升抑制通货膨胀，通过电子商务促进竞争和便利信息获取抑制通货膨胀。

　　（三）数字经济视角下的通货膨胀指标重构

　　数字经济时代，传统通货膨胀衡量指标可能无法全面地反映真实物价水平变动情况，测量方法需要进一步调整，如周小川（2020）从较少包含资产价格、计算通货膨胀支出篮子的收入、劳动付出的度量影响通货膨胀感知、比较基准和参照等四个方面，讨论了通货膨胀的概念拓展和测量问题。Abdirahman et al．（2017）则认为国民账户平减指数低估了通信服务类产品价格的真实价值，可能低估数字经济的真实增长。

　　Byrne and Corrado（2017）构建了包括通信设备、计算机及周边设备和计算机软件等耐用数码产品价格指数，发现2005年到2015年数字消费品价格指数平均每年下降14个百分点，比官方数据多下降6个百分点左右。Goolsbee and Klenow（2018）使用2014年到2017年样本构建网络价格指数，发现网络价格指数比同类商品CPI低约1个百分点。

　　此外，线上购物的出现使得数字经济时代的通货膨胀情况更加复杂。Cavallo（2018）研究认为在线竞争提高了美国各地价格变动的频率和统一定价幅度，这些变化使线上价格对原油、汇率等冲击更敏感。

　　国内研究方面，部分学者也认为，我国线上商品对于线下商品价格影响更大，现阶段CPI统计制度没有将线上商品价格纳入CPI篮子并不科学（田涛，2016）。刘涛雄等（2019）运用大数据理念和技术手段，构建了基于互联网在线数据的居民消费价格指数（iCPI），价格数据全部来源于线上，为通货膨胀研究增加了新的维度。张延群（2021）对iCPI与CPI的相互关系进行分析研究发现，iCPI和CPI在长期走势和短期变动方面都存在较大差异。

　　数字经济抑制中国通货膨胀的实证检验

　　——以数字金融为例

　　（一）研究假说提出

　　数字经济背景下，持续技术进步带来的规模效应明显，推动产量提升与产品成本下降，并在销售端促进线上线下激烈竞争，产品价格趋向边际成本。与此同时，数字化产品及服务的需求增加并未快于供给增加，供给曲线右移较大，价格相对下行或缓慢增长。

　　此外，近十年来并未出现如苹果手机般的划时代产品，数字化产品尽管不断升级换代、性能提升，但差异化功能有限，因而产品需求总体保持平稳甚至趋于饱和。

　　在供需两方面共同作用下，数字化产品及服务于过去数十年间呈现价格下行或缓慢增长的态势，这在全球主要国家均得到了证实（Riksbank，2015；Charbonneau et al．，2017），“摩尔定律”在数字化产品及服务当中的表现日益明显。综上所述，本文提出了假说一。

　　假说一：数字经济通过数字化产品及服务价格的低增长降低了通货膨胀。

　　研究发现，数字经济发展显著提升了全要素生产率（万晓榆和罗焱卿，2022；郭吉涛和梁爽，2021）。荆文君和孙宝文（2019）指出，数字经济可以通过三条路径促进经济增长：新的投入要素、新的资源配置效率和新的全要素生产率。

　　在宏观层面，近年来中国数字经济迅速发展，数字化运用在全产业链降低了业务摩擦成本，强化产品协同效应，并使得产业链扁平化，促进了社会全要素生产率提升，而生产率提高能有效消化通货膨胀上升压力（龙少波和陈璋，2013）。

　　在微观层面，数字经济通过提高自动化水平和生产率影响通货膨胀。数字化技术既能通过直接提高生产率来降低生产成本，也可以通过提高自动化水平来替代劳动力，降低工资成本，二者都会产生降低产品价格的效果。Csonto等人（2019）进一步研究发现，数字经济还能通过改变通货膨胀预期、价格对产出缺口反应弹性和边际生产成本来影响通货膨胀。基于此本文提出假说二。

　　假说二：数字经济通过提升社会的生产效率降低了通货膨胀水平。

　　近年来互联网购物的快速崛起，极大地改变了全社会消费习惯。数字经济发展和技术进步在赋能互联网电商平台做大做强的同时，也吸引了越来越多的卖家采取线上化经营模式，商品市场竞争愈发激烈。

　　中国线上购物和电商平台的崛起能够通过以下五条渠道稳定物价：

　　一是促进市场竞争，互联网电商平台几乎完全透明的价格体系与评价内容，极大地降低了消费者“货比三家”的成本。

　　二是电商平台的市场准入成本大幅下降，大量小微企业、个体经营者可以在平台上运营，甚至世界范围内的供应商都可在同一平台上竞争，进一步拓宽了消费者的选择半径和比价范围，降低了消费者的信息不透明程度。

　　三是虽然互联网电商平台也培育了如亚马逊、淘宝等超级平台公司，提高了市场垄断程度，但产品价格是否因垄断而上升则存在不确定性（Charbonneau等人，2017）。因为超级平台公司的规模效应促进了经济上的效率，其边际成本更低，更易采取低价竞争策略（许小年，2020），外部竞争者的进入威胁也迫使超级平台公司不敢轻易提价。

　　四是促进理性价格预期形成，如疫情期间在全国市场统一匹配供需，且将需求信息向生产端传递，实现补充急缺用品生产、减少供需缺口，从而平抑价格。

　　五是电子商务平台使得商品分销从物理渠道转到线上渠道，减少了中间非必要流通环节，降低了分销成本。基于此，本文提出了假说三。

　　假说三：数字经济通过互联网电商平台提升竞争度降低通货膨胀水平。

　　（二）实证模型设计

　　本文采用固定效应面板模型对上述假说进行验证：

　　其中，模型1是基础假设，模型2-4分别对应假说一到假说三，以验证三个具体机制。上述模型中，inflationi，t是i省份在t时间的通货膨胀水平；digitalizationi，t、digitalpricei，t、productivityi，t和Ecommercecompetitioni，t分别是i 省份在t时间的数字经济发展水平、数字化产品价格、生产率和电商平台竞争度。 digitalizationi，t*digitalpricei，t、digitalizationi，t*productivityi，t 和 digitalizationi，t*Ecommercecompetitioni，t分别是数字经济发展水平与数字化产品价格的交乘项、数字经济发展水平与生产率的交乘项，以及数字经济发展水平与电商平台竞争度的交乘项，用以验证数字经济对通货膨胀影响的具体渠道。如果模型（1）中

　　显著为负，则说明数字经济发展确实抑制了通货膨胀；如果模型（2）、（3）、（4）中

　　（三）变量说明与描述性统计

　　通货膨胀（inflation）：采用国家统计局公布的CPI和PPI的增长率作为通货膨胀的代理变量，皆为年度数据。

　　数字经济发展水平（digitalization）：本文参考傅秋子和黄益平（2018）、张勋等（2019）、郭峰等（2020）的研究，使用《北京大学数字普惠金融指数》中的年度数字化程度指数作为衡量数字经济发展程度的代理变量，数据频率为年。

　　数字化产品价格（digitalprice）：使用中关村电子产品价格指数的变化率（zgcgrowth）作为数字化产品及服务价格的代理变量，数据频率为年。

　　生产率（productivity）：使用各省市全要素生产率的变动率（tfpgrowth）作为代理变量。参考Battese and Coelli（1995）的模型，采用SFA方法计算得到各省全要素生产率（TFP），并计算其变动率，数据频率为年。

　　电商平台竞争度（Ecommercecompetition）：使用当年各省市所有企业中开展电子商务的企业数量占比（onlinebusinessratio）作为电商平台竞争度的代理变量，数据频率为年。

　　控制变量（control）：包括各省市人均生产总值的对数（lnpergdp）、贷款基准利率的年平均值（rate）、债券发行量的对数（lndebt）、广义货币供应量的对数（lnm2）、美元兑人民币年平均汇率（aexchangerate），分别用以控制经济发展水平、利率水平、金融脱媒程度（卢盼盼和张长全，2013）、货币供应量以及汇率的影响，数据频率为年。

　　表1 变量定义及说明

　　数据来源方面，数字化水平来自《北京大学数字普惠金融指数》；债券发行量来自中国人民银行；中关村电子产品价格指数来自wind数据库；其他数据均来自国家统计局。各变量的描述性统计结果见表2。

　　表2 描述性统计

　　（四）实证结果分析

　　20世纪90年代以后，美国经历了一个发展黄金期，经济发展出现“两高两低”的奇迹，“两高”是指高经济和高生产增长率，“两低”是低失业率和低通货膨胀率，形成“新经济”时代，而支撑这一时代的引擎就是IT技术和互联网技术的产物——数字经济（巴曙松等，2018）。表3的实证结果证明类似的事情也发生在中国，除列（2）（4）外的所有数字化水平的系数都显著为负，说明中国数字经济的发展对通货膨胀确实产生了抑制作用，且抑制作用在CPI和PPI年增长率上表现得都比较明显。

　　表3 数字经济与通货膨胀

　　注：表中每组数据由两个数值构成。其中，上面的数值为系数估计值，下面的数值为系数估计值的t值。“***”表示 p<0.01，“**”表示p<0.05，“*”表示p<0.1，分别表示在1%、5%、10%的水平下显著，下同。

　　表4中，列（5）（6）（7）（8）中的数字经济发展水平与中关村电子产品价格指数变化率的交乘项系数显著为负，表明假说一在中国得到部分验证，即数字经济通过数字化产品及服务价格的低增长降低了中国通货膨胀水平。但以CPI年增长率为被解释变量时，数字经济发展水平与中关村价格指数的交乘项系数不显著，本文认为有两方面原因：一方面，数字化产业本身得益于持续的技术进步、规模化生产以及产业链在全球专业化分工等因素，在生产端显著抑制了电脑、手机、平板等数字化产品的出厂价格上涨，但消费端则受需求扩张的影响抑制作用相对较弱。另一方面，简单估算发现，PPI中通信设备、计算机及其他电子设备制造业的权重很可能大于CPI中通信工具、通信服务的权重。

　　表4 数字经济、数字化产品价格与通货膨胀

　　表5中，列（1）（3）（5）（7）的交乘项系数显著为负，基本验证了假说二，即数字经济通过提升生产率降低中国通货膨胀水平。PPI年增长率主要反映产品出厂端价格，PPI年增长率模型中交乘项系数为负验证了生产率渠道的第一种情况，即生产率提升通过在生产端降低成本、增加供应对通货膨胀产生抑制作用。该实证结果也可以看作是对数字经济推动中国生产率提升的间接证据。

　　表5 数字经济、生产率与通货膨胀

　　Cavallo（2018）研究发现，近年来电商经济的发展使得商品在线上和线下、国内与国外的价格出现较大程度趋同，即“统一定价”趋势，其中亚马逊线上商品在不同地区进行统一定价的比例高达91%，而线下零售商则为78%。美国、日本、韩国等央行都认为“亚马逊效应”在抑制通胀方面中发挥作用。根据已有研究，发现中国线上商品价格低于线下市场也是普遍现象。

　　表6中，列（1）（2）（3）（4）的交乘项系数显著为负，部分验证了假说三，即数字经济通过电商平台竞争降低了中国通货膨胀水平，表明“亚马逊效应”在中国同样存在。电商平台竞争对于PPI年增长率的影响不显著，该结果符合实际情况，因为电商平台主要在销售端促进商品价格透明度提高与信息便利获取，带来整个消费品市场的竞争加剧、拉低CPI年增长率。而作为出厂价格的PPI年增长率主要受原材料价格变动、技术进步、生产率变化的影响，其受电商平台竞争的影响有限且并不直接。

　　表6 数字经济、电商平台竞争与通货膨胀

　　（五）稳健性检验

　　本文一是使用中关村电子产品价格指数的绝对值作为数字化产品价格的代理变量进行假说一的稳健性检验；二是使用全要素生产率的绝对值作为社会生产率的代理变量进行假说二的稳健性检验；三是使用淘宝天猫平台的销售额作为电商平台竞争的代理变量进行假说三的稳健性检验；四是使用各省每年产生的网页量除以当年常住人口总数作为数字经济发展程度的代理变量；五是为避免内生性，使用数字化程度的变动率作为数字经济发展程度的代理变量进行稳健性检验。上述结论总体上与正文大体保持一致。

　　数字经济下

　　中国通货膨胀的动态特征初探

　　长期趋势影响和短期动态特征一起，构成了数字经济下通货膨胀分析的“全景图”。前面第三部分聚焦数字经济对通货膨胀长期趋势的影响，考虑到宏观政策部门十分关注通货膨胀的短期动态特征，希望掌握政策工具变化对通货膨胀的作用效果、时间长短等，因此本部分将通过模拟分析货币政策冲击对不同价格指数的影响，探讨数字经济背景下通货膨胀短期动态特征。

　　囿于现有国家统计局编制CPI调查的商品价格数据主要来自于实体销售渠道，对线上价格反映不够充分，且发布频率为每月一次，对于当期通货膨胀水平测算往往存在时间滞后性，导致其无法完整捕捉数字经济下的通货膨胀动态特征（姜婷凤等，2022）。

　　为此，本文构建包含线上和线下价格的综合价格指数，通过比较线上价格指数、线下价格指数和综合价格指数对货币政策冲击响应的差异，来分析线上销售扩大对整体通货膨胀动态特征的影响。

　　本文采用清华大学发布的中国互联网消费价格指数（iCPI）衡量线上价格指数，原因有两点：一是iCPI计算是以网络实时交易数据为基础，通过实时抓取互联网平台数据，其在代表一般物价水平变化、现时通货膨胀预测、实时监测宏观经济形势等方面表现突出（刘涛雄等，2019）；二是2016年1月1日，国家统计局对CPI商品和服务篮子及其权重进行了调整，iCPI计算也是从2016年1月开始，两种指数在时间方面刚好契合，利于相互对比与分析。考虑到iCPI从2016年开始发布，时间跨度还不长，因此本部分研究仅是初步探索，对研究结论的应用性应谨慎看待。

　　（一）同时纳入线上和线下价格的综合价格指数构建

　　构建同时包括线上和线下价格的综合价格指数一个简易直接的方法就是对线上和线下商品价格进行加权平均。本文以线上零售额占社会消费品零售总额的比例为权重，对官方CPI、iCPI加权平均，得到综合价格指数（以下简称JCPI），计算公式如下：

　　对比三个指数，发现CPI与JCPI的变动方向基本一致，iCPI变动更加频繁且不稳定，甚至在部分月份与CPI、JCPI变动方向相反。从波动幅度看，CPI波动性最大，JCPI次之，iCPI波动最小，三类指数的标准差分别为0.559、0.485、0.450。从相关性看，CPI与JCPI相关系数达0.983，表明二者在样本区间呈显著正相关；iCPI与JCPI相关系数为0.709，相关性相对较弱；CPI与iCPI相关性最弱，相关系数仅为0.571。

　　（二）构建VAR模型

　　考虑到实证模型采用为频次较高的月度数据，变量间的影响效应会在后续期间逐渐显现，因此，本文拟采用无约束条件向量自回归模型（VAR）分析货币政策冲击对不同价格指数的动态影响。参考Blanchard（2009）的宏观分析框架以及张成思（2012）模型，本文构建出一个包含产出、利率、汇率、货币供应量和通货膨胀的五变量VAR模型：

　　式（6）中，gdp、r、ex、m和inf分别表示产出、利率、汇率、货币供应量和通货膨胀率；B0为常数项，是5×1列向量；Bt 为变量系数，是5×5矩阵；ε为残差项，q是滞后期数。

　　（三）变量说明及平稳性检验、协整检验

　　货币供应量以M2总规模衡量；利率水平采用shibor1y衡量；汇率使用国际清算银行发布的人民币名义有效汇率指数衡量，该指数上升表示人民币升值，下降表示贬值；通货膨胀率分别使用官方CPI、iCPI与JCPI指数衡量；由于国内生产总值（GDP）并不公布月度数据，因此产出水平使用工业增加值替代，工业增加值根据已有绝对值与增长率测算所得，其中国家统计局自2013年起，为消除春节等不固定因素影响，不再单独发布1、2月份数据，因此工业增加值部分年份两个月数据取公布值平均值。除汇率、利率外的数据均进行了季节性调整。数据主要来自国家统计局、清华大学iCPI项目组、国泰君安数据库。变量具体情况见表7。

　　表7 模型变量说明

　　时间序列在做分析前均需对变量做平稳性检验，本文采用ADF检验对变量进行单位根检验，根据AIC信息准则确定单位根检验滞后期数，结果见表8。根据结果，CPI、iCPI、JCPI、lnGDP原始序列是平稳的，lnM2、Shibor1y、lnvaex原始序列并不平稳，一阶差分序列则在5%显著性水平上拒绝了存在单位根的原假设，表明变量的一阶差分序列是平稳的。

　　表8 变量的平稳性检验

　　注：表中“D”表示对变量做一阶差分。

　　按照VAR模型使用要求，在各变量原始序列平稳性不同、各变量差分序列全部平稳的情况下，可以使用差分序列来估计VAR模型。但本文目的是比较不同价格指数对货币供应量、利率、汇率冲击的响应，使用各变量差分序列会有信息损失。Engle and Granger（1987）将协整与误差修正模型结合起来，在变量间存在协整关系的条件下，通过建立向量误差修正模型（Vector Error Correction Model，以下简称VEC），可以克服VAR模型的不足。本文对各变量做协整检验，表9显示各组变量均存在协整关系。

　　表9 变量组的协整关系检验

　　注：表中显示每组变量均存在2组协整关系。

　　（四）脉冲响应分析

　　在协整检验的基础上，本文进一步延伸做VEC模型，并以VEC模型为基础模拟三种价格指数对货币政策冲击的响应。在估计出VEC模型的基础上，通过脉冲响应函数分析在货币供应量、利率、汇率等变量的冲击下，价格指数的动态变化情况。具体而言，分别给予货币供应量、利率、汇率一个标准差的外生性冲击，观察不同价格指数在冲击发生后达到峰值所需要的时间和峰值大小，以下分别简称响应时间和响应程度。

　　图1 官方CPI的脉冲响应结果

　　图2 iCPI的脉冲响应结果

　　图3 JCPI的脉冲响应结果

　　图1显示了官方CPI的脉冲响应结果。图中显示，给予M2一个正标准差冲击，CPI会快速上升，在第2期达到峰值0.0336，表明受M2一个标准差冲击，CPI会最多上涨0.0336；CPI受利率冲击在第10期达到峰值-0.018，表明受利率一个标准差冲击，CPI会最多下降0.018；CPI受汇率冲击在第2期达到峰值-0.107，表明受一个标准差冲击后，CPI最多下降0.107。

　　图2显示了iCPI的脉冲响应结果。在受到M2、利率、汇率一个正标准差冲击后，响应时间分别为2、2、2，峰值分别为0.0842、-0.058、-0.0722。

　　图3显示了JCPI的脉冲响应结果。在受到M2、利率、汇率一个正标准差冲击后，响应时间分为为2、6、2，峰值分别为0.0515、-0.032、-0.1029。

　　表10 三类指数的响应结果汇总

　　对比结果发现，三类指数对M2、汇率冲击的响应时间相同，当面对利率冲击时，iCPI响应时间要快于JCPI，JCPI响应时间快于CPI，表明线上销售扩大缩短通货膨胀率对利率冲击的响应时间。在响应程度上，当发生M2、利率冲击时，iCPI响应程度最大，CPI最小，JCPI居中；当发生汇率冲击时，响应程度从大到小依次为CPI、JCPI、iCPI。

　　鉴于中国货币政策工具以货币供应量、利率为主，该结果表明线上销售的扩大增强了整体通货膨胀率对货币政策的敏感性，具体表现为响应时间缩短、响应程度扩大。本部分结果与Cavallo（2018）的结论基本一致，即由于定价方式不同、竞争更为激烈、信息透明度更高等原因，线上商品的价格调整较之线下更为频繁，线上零售商在不同区域、对不同客群也很难实施价格歧视策略，从而导致线上价格对冲击响应的敏感度增强。但由于样本跨度不长、样本数量相对偏少，估计结果是否完整地模拟实际情况可能存疑，因而对货币政策冲击响应的结果也应谨慎看待。

　　需要说明的是，本部分线上价格指数较线下价格指数对货币政策冲击的响应时间更快、响应程度更大的结论，与线上价格整体低于线下价格的事实并不矛盾。线上价格低于线下价格是数字经济背景下出现的一个普遍性、趋势性的客观现象，而两类指数在货币政策冲击响应上的差别，反映了冲击后的不同动态变化特征，视角有所不同。

　　结论和启示

　　数字经济发展背景下，通货膨胀呈现出新特征。本文借鉴现有的理论分析框架并结合中国数字经济发展实际，总结梳理出数字经济通过数字化产品及服务价格低增长、生产率提升、电商平台竞争等三个渠道抑制通货膨胀，并使用中国的数据进行实证检验，同时对各类价格指数的货币政策冲击响应进行了比较分析。

　　主要研究结论为：数字经济对通货膨胀的抑制作用及其三个影响渠道在中国基本得到了证实，数字经济发展对中国通货膨胀的长期趋势产生了抑制作用；这种抑制作用在CPI和PPI的年增长率上均得到了验证，其中，数字化产品渠道主要作用于PPI年增长率，电商平台渠道主要作用于CPI年增长率，生产率渠道同时对CPI和PPI的年增长率产生作用。本文还利用VEC模型分别模拟线下价格指数、线上价格指数和两者加权平均的综合价格指数对货币政策冲击的响应情况，发现线上价格指数对利率冲击的响应时间最短，线下价格指数最长，综合指数介于两者之间；线上价格指数对货币供应量和利率冲击的响应程度最大，综合指数次之，线下价格指数最小；因此，线上销售的扩大增强了整体通货膨胀对货币政策的敏感性，但限于样本长度，该结论需谨慎看待；待线上价格指数的时间长度增加后，将开展更为全面、准确的通货膨胀动态特征研究。

　　本文结论具有以下三点政策启示：

　　第一，尽快研究改进中国价格指数的统计核算。鉴于线上价格与线下价格表现出显著不同的运行特征，构建涵盖数字经济特点、范围更为广泛的价格指数的紧迫性日益增强。本文采用的综合价格指数仅是一种简易、粗略的构建方法，建议尽快研究推进现有价格指数的统计核算在调查方法、抽样地点、权重调整等方面加以改进，以把线上商品价格充分纳入；还可以加快大数据技术在数据采集、抽样调查中的应用，与传统方法相互配合，提高统计核算的全面性、准确性、及时性。

　　第二，货币政策需要重视数字经济时代下通货膨胀的新特征、新变化。数字经济对通货膨胀的影响更多表现在“供给侧”，与需求萎缩造成的通货膨胀降低、经济低迷不同，数字经济所带来的通货膨胀抑制效应是和效率提升、供应增加相伴的，且具有持续性，因而是一种“有益”的通货紧缩（Buchheim and Kedert，2016）。但有必要考虑纳入数字化影响后的适宜通货膨胀目标水平，以及合宜的货币供应量和价格型货币政策工具等，提高货币政策传导的有效性。随着线上销售规模不断扩大，整体价格对货币政策冲击的响应更敏感，政策操作的时机选择、节奏把握可能要进行相应调整。当然，以上这些都依赖于对数字经济的影响进行更全面、准确地评估和测算。

　　第三，重视以发展数字经济来缓解高通胀压力。当前，全球正面临高通胀威胁。普遍认为，全球化、人口结构等支撑低通胀的因素出现变化甚至逆转，加上几轮货币宽松导致的流动性宽松、疫情冲击以及地缘政治冲突等，共同推动了高通胀。数字经济作为目前为数不多的、具有通胀抑制作用的重要长期因素，通过数字化技术本身持续加快创新，并在更大力度、更大范围内运用，尽管短期的通胀抑制作用可能不够显著和迅速，但长期累积效果不可小觑。

　　最后，在疫情和俄乌冲突等非经济因素冲击下，数字经济对通货膨胀的影响渠道可能出现不稳定。当前全球供应链受到冲击，这给产业链较长、分工较细的数字化相关产品带来价格上涨压力，故短期内数字化产品价格渠道对通胀的抑制效果可能减弱。但在数字化技术持续发展的背景下，未来随着疫情消退、俄乌冲突结束，预计数字化产品渠道将继续发挥对通胀的抑制作用。生产率渠道基本未受影响，数字化技术仍在各个领域持续深化运用。鉴于电商平台在疫情中发挥较好支撑作用，疫情其实加快了电商平台对经济社会的渗透，估计该渠道的影响将得到进一步强化。因此，从总体、长远的视角看，本文的分析框架仍然适用。