法規與監理 2023年2月

陳南光觀點二》面對通膨挑戰 央行如何打這一仗?

撰文:陳南光(臺灣大學經濟系教授、中央銀行副總裁)

本文內容謹代表個人意見,與服務單位無關,如有錯誤,亦概由作者負責。

國際通膨如海嘯,然而面對這波通膨問題以及諸多挑戰,各國央行也十分頭痛,但我國央行該如何打這一戰,特別是央行政策在維持物價穩定上還有其他可積極扮演的角色?值得探討。

際通膨如海嘯,面對這波通膨問題以及諸多挑戰,我國央行該如何打這一戰?尤其是在仰賴價格管制以及低估通膨數據的背景下,央行政策在維持物價穩定上還有可積極扮演的角色?

面對這波通膨問題,我國央行自始即堅持通膨只是短暫性,並認為以升息因應供給面衝擊不僅無效,而且「我國通膨相對溫和」,因此至今多以半碼爬行的速度升息,台美利差已不斷擴大。然而,20229月理事會議事錄摘要中,有一位理事認為「部分商品價格受到政策性管制以及CPI–房租類指數低估等因素,台灣實際的通膨壓力遠高於公布的數據,只要將真實的住房成本適當反應在CPI,或是放寬價格管制,台灣的通膨率就會大幅上調。」比如,2022年前6個月,WTI原油和美國零售汽油價格均上漲約50%,而台灣零售汽油價格只上漲5.6%。在油、氣、電價格管制或凍漲之下,已造成中油與台電等公營事業的巨大虧損。其次,有關CPI–房租類指數可能因樣本偏誤造成低估的問題,最近研究顯示,如果使用台灣民間租屋平台的房租大數據資料,重新計算CPI–房租類指數,則通膨率將大幅上調,顯示民眾真實的生活成本已被低估(李祖福,2022)。由於政策性管制以及CPI–房租類指數低估等因素,雖使得台灣的通膨看似相對其他國家低,但這統計數字是建立在價格管制衍生的龐大成本以及因樣本偏誤致使數據低估之上,央行切不可樂觀地認定「我國通膨相對溫和」而掉以輕心。

在嚴格的油、氣、電價格管制或凍漲,加上關稅、營業稅、貨物稅減免等措施之下,2022下半年台灣的整體通膨雖然緩步下降,然而核心通膨卻一路攀升。202111月整體通膨率2.63%,核心通膨為1.84%;其後整體通膨率上升到20226月的3.59%後回降,而核心通膨卻持續上升。202212月整體通膨率為2.71%,核心通膨也是2.71%。這是由於物價上漲已從油料費等進口原物料躉售端傳遞到零售端的生鮮肉類、外食餐飲、耐久財消費品,以及勞務類品項,尤其是房租。通膨的範圍已蔓延擴散,以致國際原油與大宗物資價格雖已逐步降低,核心通膨仍維持高位,而這也會使民眾的通膨預期居高不下。

釐清央行穩定物價的角色

物價穩定是央行的首要任務,然而在這波抑制通膨的公共政策中,油、氣、電等費率管制與凍漲,儼然是對抗通膨的核心政策。在費率管制與凍漲政策先行之下,央行宣稱成本推動的通膨只應使用供給面政策措施。但如同先前提到的1970年代的歷史殷鑑,即使通膨源自成本推動,若持續時間夠長,終將導致民眾提高通膨預期。由於通膨預期自我實現的特性,最終將導致通膨進一步上升。因此,面對持續升高的通膨,不管通膨來自需求面或供給面,央行應主動負起物價穩定的責任。央行抗通膨的態度越明確、行動越積極果斷,就比較容易打破通膨與通膨預期互相強化的惡性循環,避免民眾的高通膨預期變得根深柢固,如此通膨和通膨預期就能越快得到控制,也有助降低經濟硬著陸的機率。然而,我國央行抗通膨的消極態度,不僅無法主動引導民眾的通膨預期,以致通膨範圍蔓延擴散,加以價格管制等措施對於資源配置效率的扭曲甚鉅,將帶來龐大的社會成本。

強化對通膨與通膨預期的了解

若央行要能負擔起物價穩定的責任,就必須對通膨與通膨預期走勢有良好的掌握。然而,自2021年以來,對通膨走勢持續判斷失準的結果,反映出央行對於通膨與通膨預期的研究與了解尚有所不足,也嚴重傷害央行的公信力。央行除了應儘速強化這方面相關的研究,也應編製更多樣化物價指標,並且進行民眾通膨預期的調查。

目前我國央行擬定貨幣政策時,除了參考主計總處編製的整體CPI與核心CPI,央行也有建構基本通膨估值(Underlying Inflation Gauge, UIG),主要用以研判通膨的中長期趨勢。然而,物價變動的因素龐雜,並在各階段有不同的力量牽引與拉扯,這些指標或未能呈現物價變動的完整樣貌。因此,央行應該盤點目前手上的各種物價指數,並且自行編製更多樣化、反映物價變動不同面向、更符合央行貨幣政策決策所需的物價指數。比如,可參考亞特蘭大聯邦準備銀行編製的僵固消費者物價(Sticky Price CPI)以及克利夫蘭聯邦準備銀行編製的截尾平均CPITrimmed Mean CPI),讓不同面向的物價指數呈現各自的樣貌,以提供決策上全面性的視野。另外,也可參考學界應用大數據分析,自行建構各分類項目的物價指標,尤其是房租類指數。

此外,迄今國內也未有可信賴的消費者通膨預期指標。以通膨預期對於研判通膨變動的重要性之高,缺乏可靠的通膨預期資料,必然嚴重影響央行對於通膨走勢的判斷。央行應儘速投入更多人力,研究通膨預期的相關議題,並進行消費者通膨預期的調查,藉以作為制定貨幣政策的重要參考指標。

長期低利率的負面效應

過去這段時間央行已一再錯失升息的機會,以致至今仍受困於其營造的長期低利率和寬鬆的貨幣環境。目前金融業隔夜拆款利率離歷史低點並不遠,只有不到0.5%(遠低於全球金融海嘯之前的水準),只要政策利率下降兩碼,金融業隔夜拆款利率就降為0,未來政策調整空間極為有限。更重要的是,最近許多研究顯示,長期低利率(與寬鬆的貨幣環境)不僅為通膨和資產價格上漲提供溫床,也導致資源誤置以及所得與財富分配惡化等負面效應。以下我們以房市為例,提供進一步的說明。

央行的營運目標包括促進金融穩定,而房價變動、不動產貸款集中度、家庭負債占GDP比與住宅負擔能力(包括房價所得比與房貸負擔率)等,均是攸關金融穩定的重要指標。資料顯示,在台灣這些指標長期以來均呈現明顯惡化的趨勢。檢視台灣房價過去20餘年的上漲幅度,自2000年第1季至2022年第3季,台灣實質(名目)房價累計漲幅高達197%278%),名列世界前茅;相較之下,鄰近的南韓與香港在同期間實質房價累計漲幅為48%163%。房價持續上升不僅會使得房租上漲,帶動通膨上升,張天惠等(2022)更發現,台灣房價持續上漲,更已對台灣整體經濟與生產力造成的長期損害。

不過自從202112月之後,央行認為過去房市選擇性信用管制措施的「執行成效良好」,就再也沒有提出進一步的管制措施。而在這期間,台灣房價持續暴漲,事實上,先前在疫情期間房價大幅上漲的國家,多數已開始反轉,而台灣房價仍在加速上升中。然而央行一方面宣稱由於剛性需求,房價上漲是「有基之彈」,並呼應成本上升等說法;另一方面則稱房價高低不是央行關心的重點,並以租稅政策是抑制房價最有效的工具為由,將抑制房價的責任轉移給其他部會。前述理事會議事錄摘要中,即有理事直指「房價是金融穩定最重要的指標之一,這結果(租稅政策是抑制房價最有效的工具)並不代表本行可以放任房價持續高漲不管。……本行不重視房價的變動,這是錯誤的政策。」如同前述面對通膨問題的消極態度,央行也未能認清自身在金融穩定上的角色。因此,央行應正視其處理高房價的責任,採用適當的政策工具,透過像是選擇性信用管制搭配貨幣政策的組合,以履行其穩定金融的法定職責。

猜你喜歡

2025年8月

AI的零點擊資安攻擊來了

「安全始於設計」原則,近年來已經逐漸在資安界扎根。與其在寫完程式之後,才用人工或自動化工具找出漏洞,還不如一開始就選擇那些在語言層級上本就無法寫出某些類型錯誤的程式語言。舉例來說,若捨棄各種已有數十年歷史的C語言,改用如Rust等較為現代的語言,便能從根本上排除大量的資安漏洞。然而,就在傳統軟體界逐漸接受這個新思維的同時,人工智慧的迅速崛起,卻大幅動搖了這項理念。一旦給了大型語言模型(LLMs)讀取或操作系統資源的權限,它卻可能出現邏輯來源不明、行為難以預測的狀況。有時候,這些風險可以靠修改提示語的上下文、交由其他模型進行驗證,或者為特定錯誤情境設計固定回應來處理。但因為LLMs背後的技術邏輯是由資料訓練出來的,不是人工設計的,這些方法只能頭痛醫頭、腳痛醫腳,無法用來確實防護整體資安。因此,大型語言模型的安全並不是靠設計就能確保不會出錯,而是靠統計方法降低出錯的機率。儘管這些都是眾所周知的危險,但直到2025年6月EchoLeak事件,這些風險才真正首次爆開。微軟Copilot自推出之初就充滿爭議,它的預設權限極廣,且不完全透明。其中最令人擔心的,就是使用Copilot+的電腦,會定期截取使用者的螢幕畫面,並搜尋畫面中的內容。Copilot+甚至還會自動掃描使用者的Email信箱,將冗長的內容整理成簡短摘要。EchoLeak攻擊就利用了這個功能。它向受害者發送電子郵件,而收件者甚至不需要打開Email或點擊任何內容,就可以製造資安界公認最難防範也最高明的「零點擊」(Zero-Click)攻擊。這封Email內含惡意指令,讓LLM反過來對自己發動攻擊,協助攻擊者搜尋系統上最機敏的資料,然後將這些資料外洩出去,在這段過程中它可以繞過許多原本保護機密資訊的安全措施。雖然這個漏洞目前並未在真實環境中被使用,而且微軟已經修補完成,但相同原理的攻擊,未來很有可能產生。EchoLeak攻擊的技術稱為「提示語注入」(Prompt Injection),也就是讓使用者透過特定語句,說服模型忽略系統的原始設定。最著名例子就是「忽略所有先前指令」。這種攻擊之所以難以預防,是因為LLM目前不具備有效的「輸入清理機制」(Input Sanitation)。傳統資料庫系統可以設計防線,讓系統將像「Drop Table」這類的語句視為純文字資料,而不是實際執行的刪除指令。但對LLMs來說,每一段文字都被一視同仁當作指令,沒有明確區分命令與內容。攻擊者正是透過這種混淆來下達他們真正的指令。專家正在開發一些針對提示語清理的解決方案,可能即將問世。德國研究團隊在2025年1月的論文中提出一個辦法:將系統內建的指令,轉譯成一種只有AI才能看懂的秘密語言。AI在處理語言時,會把大量的輸入壓縮進有限的語意空間,因而可能出現語意重疊的情況,使得看似亂碼的字串也會被模型認為具有特定含義,這種特性有點像是看到一個特定的雜訊畫面,卻能接收到某個具體意義。透過這類作法,模型能更明確區分內建系統指令與一般使用者的對話內容,避免將惡意語句誤認為內部指令。然而,這類方案依然基於大型語言模型的黑箱特性,專家目前還在爭論它到底算不算是本文一開始提到的「安全始於設計」的理想。假設這類方案能逐漸改良並逐漸推廣,類似EchoLeak的攻擊空間將會大幅縮小。但真正該擔心的是,LLM的資安漏洞無邊無際。根據開放網路應用安全計畫(OWASP)組織2025年提出的「LLM十大安全漏洞」(OWASP Top 10 for LLMs),提示語注入僅是最關鍵的一種攻擊方法,但並非唯一。當AI能夠主動幫我們執行的任務數量越來越多,種類越來越廣,「過度代理」(Excessive Agency)這類問題也將日益複雜,成為資安領域的重要挑戰。隨著AI深入各種工作流程,企業對它的管理方式將不再只是資安層面的防禦問題,會更像是新進員工的培訓與信任建立過程。剛導入的AI系統不宜立刻接手敏感任務,但若完全不建立起任何信任關係,企業恐怕也將錯失這場自網際網路以來最具顛覆性的技術革命。(作者為金融研訓院̮外聘研究員;譯者為劉維人)