资料图。本文来源：新华财经、蓝鲸新闻
本账号接受投稿，投稿邮箱：jingjixuejiaquan@126.com
蓝鲸新闻10月24日讯（记者 石雨）在近日举办的2025外滩年会“多层次养老保障中的政府、市场与社会协同”圆桌论坛中，中国人民银行原行长周小川就中国养老保障体系的发展现状与挑战发表了重要观点。他指出，中国的养老保障体系遵循三支柱架构，但各支柱发展并不均衡，如何实现三支柱的协同发展，是当前亟待解决的问题。
“金融与养老金之间存在着非常紧密的联系，”周小川表示，“研究养老金改革可以从多种视角入手，但目前各视角之间的沟通协调以及系统优化仍有大量工作未完成，这也导致了一些意见分歧。”
他进一步分析，当前关于养老金改革的观点主要分为四类：一是关注养老金水平问题，认为随着人均GDP的提升，养老金待遇也应相应提高；二是从财政角度出发，关心资金来源问题，认为没有资金支持，再好的设计也难以落地；三是从投资角度，认为通过预筹积累和投资可以实现保值增值；四是注重公平视角，将养老金视为收入再分配的重要渠道。
此外，周小川还从三支柱之间关系的角度提出问题：“究竟什么结构是最优的？各支柱之间如何衔接？”他认为，通过深入研究、借鉴国际经验教训，并运用系统分析方法，可以将三支柱更好地整合起来，形成一个更优的体制。
关于第一支柱，周小川指出，中国的第一支柱与经济合作与发展组织（OECD）、世界银行所定义的第一支柱在概念上并不完全一致。中国第一支柱并非简单的普惠性、兜底性支出，其待遇计发公式在很大程度上与缴费年限和缴费基数挂钩，并设有上下限。前不久，领取养老金最低缴费年限刚从15年延长至20年。
“这表明，我们的第一支柱包含了很强的精算和贡献关联成分，其性质并非纯粹的第一支柱。”周小川说，“当然，中国自行定义三支柱体系并无不可，但在进行国际比较时，若口径不一，就容易产生概念混淆和误解。”
对于“第二支柱采用强制性可能会带来好处”的观点，周小川表示赞同。他回忆称，20世纪90年代，针对香港回归后设计的新养老金体制，当时就推出了强制性的“强积金”（强制性公积金计划）。这引出一个关键问题：必须高度重视资金来源。
“我们设想第一支柱非常重要，不仅因其人口覆盖广，还关乎当前提振消费的议题。”周小川说，“第一支柱覆盖了大量人口，若要鼓励消费，有人主张提高养老金待遇，但这必须与‘钱从哪里来’的问题紧密联系。”
他进一步指出，有人认为没钱可以靠财政赤字，但此事远非如此简单。在中国，很多事情主实行的是“部门负责制”，负责社保的部门可能不直接承担财政平衡的责任，而负责财政的部门则会严格考量预算约束。这必然涉及到是否提高缴费率、或寻求新的平衡点等问题。
周小川还提出，许多养老保障的讨论会忽略企业的利益和感受。企业要追求效率和竞争力，如果在社会保障供款方面负担过重，必然削弱其竞争力。因此，企业会通过各种渠道向主管部门反映，最终可能导致社保缴费率的下调。
“当然，也有人指出，未来的出路之一在于显著延长退休年龄。”周小川说，“但企业对此也有顾虑：高龄员工的劳动生产率可能不同，病假也可能更多，企业可能会不情愿，甚至设法规避。因此，制定政策时必须充分考虑企业的实际情况和反应。”
最后，关于人工智能的影响，周小川指出，从目前的讨论来看，AI很可能显著加大而非缩小收入分配差距。然而，目前尚未建立有效的渠道和机制，将AI带来的新增效率和GDP增量分配给养老金体系，这也是一个亟待研究的课题，并且与企业考量密切相关。
“希望研究养老金的各界人士和政策制定者，能对企业的感受和诉求给予更多关注。”周小川说。
新华财经上海10月23日电（陈冉）在2025外滩年会的“外滩圆桌：金融领域的AI治理与国际合作”上，国家金融监督管理总局副局长肖远企表示，当前尽管AI发展迅猛，应用广泛，但必须明确一点，目前AI在金融领域的应用仍处于早期阶段，其作用仍是辅助性的，无法取代人的决策。
中国人民银行原行长周小川则表示，银行较少使用多模态或生成式技术，主要依赖大数据分析和推理模型，基于这一特点，未来的从业人员规模会显著受到影响和减少。
“人工智能在银行业的支付、定价、风险管理和市场推广方面发挥着重要作用，这是一个很大的边际变化。”周小川说。
对于AI效率提升是否会带来金融机构内部员工安置的压力，肖远企认为，到目前为止，还没有听到金融机构单纯因AI应用而出现员工安置压力的案例。以柜员服务为例，AI是辅助工具，无法替代柜员与客户之间个性化的互动。在信贷、保险定价、定损、精算等关键领域，仍然离不开人的专业判断。
周小川指出，在人工智能的影响下，监管也会发生很大变化。以反洗钱、反恐融资系统为例，是最典型可运用大量数据分析发现线索、识别洗钱和恐怖融资活动的领域。利用已破获案件数据进行机器学习、深度学习，模型会逐渐提升，从中找出规律，对监管有巨大作用，这方面现在已取得很大进展。
“AI可以在物价和微观行为的数据收集、处理、模式识别和推理方面影响货币政策决定。”周小川说，“是否可以从历史上金融稳定数据、金融机构健康性变化中，通过机器学习和深度学习，推理预知金融不稳定的出现，我觉得这是一个很重要的方向。”
值得注意的是，监管部门往往希望各类金融机构和活动在运用AI时提供透明、可解释的模型，但实际操作中可能有所不同。周小川指出，机器学习、深度学习必然带来模型的黑箱性，可能未来监管需要面对黑箱模型产生的结果和行动，来调节或监管金融市场。
“如果AI模型大量运用短期高频数据，学习结果很可能也是高频、短期、技术性的，可能与金融稳健和宏观调控所需要的面向基础面、长远稳定性的要求不一致。这个问题确实需要认真对待和解决。”周小川说。
肖远企认为，AI应用所带来的风险，与历史上几次重大科技革命在金融领域应用时产生的风险类似，目前或许难以定论，但从历史视角看，过去几轮科技革命在金融领域主要带来的是增量风险和边际风险，虽然风险的成因、路径和形态有所变化，但金融行业面临的根本性风险如信用风险、市场风险、流动性风险和操作风险，并未发生革命性改变。
具体到这一轮AI变革对金融领域带来的风险，肖远企认为可以从宏观和微观两个层面观察：对单家金融机构而言，一是模型稳定性风险。这一轮AI应用高度依赖模型支撑业务拓展，因此模型的稳定性和可靠性变得至关重要；二是数据治理风险。这涉及数据来源的选择、数据质量的把控以及事后的评估与监测程序，也就是数据治理的程序。这两类风险对单个机构非常关键。
对金融行业而言，一是集中度风险。金融行业在AI模型技术上可能会依赖少数技术开发能力强、稳定性高、资源投入大的服务提供商。同时，大型金融机构在资源投入上可能比小型机构更具优势，可能导致市场集中度提高；二是决策趋同风险。由于所使用的模型和数据相对标准化和集中，使金融机构在决策依据上可能趋同，进而导致行业整体决策同质化。如果趋同性过高，可能会引发“共振”效应。
猜你喜欢
