跳转到主要内容
图像
A world map with an overlay of blue and peach pink colors.

远瞻

  • 10.20.2026

2026美中年度经济报告秋季更新

download icon下载此报告
YouTube icon回看讲座中文版视频

分辨总体经济中的 AI 现实与 AI 幻想

人工智慧并未席卷经济的每个角落,却主导了当前的经济讨论,仿佛真是如此。单一技术如此彻底地攫取一国的时代精神,虽非史无前例,却也十分罕见。股市集中度为AI叙事的渗透程度提供了一项衡量。根据美国银行全球投资策略团队(Bank of America Global Investment Strategy)的资料,最受 AI 影响的十家公司目前约占美国股市总市值的 40%,这个占比可与 1972 年「漂亮五十」(Nifty Fifty)、1989 年日本泡沫时期的大型企业集团,以及 1999 年网路泡沫的高峰相提并论(图1a)。

遗憾的是,更大的投资热潮并不一定意味著更大的突破。我们将六个历史案例中的尖峰投资占 GDP 比重,与各项技术估计的长期生产力成长贡献相比对,所得到的关系仅呈微弱的正相关(图1b)1。不过,这六个案例的衡量误差都很大,我们并不建议据此得出任何强而有力的结论。

虽然热潮规模对随后的成长而言并非可靠的指标,但规模较大的热潮确实往往会资助该技术最终所需的更多基础设施。国际清算银行(Bank for International Settlements)的一项研究,将这场技术建设描述为少数几家公司争夺少数主导地位的竞赛。这与过去推动各项技术走向基础设施过度建设与金融过度脆弱的竞争动态如出一辙。每家公司单独来看都是理性的,却为了避免被排除在可能只容得下少数赢家的市场之外而过度投入资源。该研究估计,由此造成的过度投资为有效水准的 1.5 至 3 倍。造成过度建设的同一套竞争逻辑,也为最终胜出的公司带来不确定但可能极为丰厚的报酬,这正是即使过度建设已为竞赛中的所有人所察觉,资金仍持续涌入的原因。

因此,现在需要评估人工智慧目前对美国总体经济已经产生、以及尚未产生什么影响。我们将讨论分为两部分,一部分评估 AI 对总体金融体系的影响,另一部分评估其对劳动市场的影响。

A line graph showing how today’s AI concentration mirrors every prior tech mania from past waves.
图1a. 当前 AI 的集中度重演了历次科技狂热
A bar graph detailing peak investment in the technology of AI.
图1b. 建设规模几乎无法预示报酬

 

总体金融体系

围绕著 AI 的当前金融现实与幻想各是什么?

评估股市是否被高估或低估的关键指标之一,是周期调整本益比(cyclically adjusted price-earnings ratio, CAPE)。CAPE 目前高于 40,接近网路泡沫高峰时的水准(图2a)。Andrew Atkeson、Jonathan Heathcote 与 Fabrizio Perri 提出了一项结构性的解释。他们主张,过去 30 年来估值比率之所以升至高于历史常态的水准,是因为劳动占企业产出的比重下降,而企业投资仍相对疲弱,这在机制上拉高了企业价值相对于盈余的倍数。由于自由现金流(定义为盈余减去净投资)从 1980 年到 2022 年年中与企业价值同步成长,因此在此期间,自由现金流相对于企业价值的比率保持稳定,不像标准的以盈余为基础的比率那样上升。

如今,周期调整价格对自由现金流比率(CAPC)约为 54,相较之下,1961 至 2019 年的平均为 37,而在网路泡沫巅峰的 2000 年平均则超过 80。相对于各自 1961 至 2019 年的平均值,现金流倍数的升幅远小于以盈余为基础的倍数,约比平均高出 50%,而 CAPE 则约为平均的两倍;其目前水准虽然偏高,却远不及网路泡沫的高峰。然而,随著最大型科技公司从轻资本转向重资本营运,其自由现金流在 2026 年开始急剧下滑,情况正在改变。这项指标在投资热潮期间依其计算方式必然上升,因为庞大的资本支出会压低自由现金流,无论这些支出最终是否获得回报。这也是网路泡沫时期的读数如此极端的部分原因。四大超大规模云端业者(hyperscaler)的合并自由现金流在 2025 年为 1,990 亿美元,2026 年第一季降至 200 亿美元,第二季降至 70 亿美元,年化速率接近 300 亿美元,其中亚马逊与 Alphabet 已转为负值(图2b)。如果这样的支出步调持续下去,足以让高估值站得住脚的自由现金流缓冲将开始消失,CAPC 估值相对于 CAPE 将进一步上扬。

Line graph showing cash flow valuations are the highest outside the dot-com boom, when heavy venture capital investment in internet-based (".com") companies lasted from roughly 1995 to 2000.
图2a. 以现金流衡量,当前估值是网路泡沫时期以外的最高水准
A bar graph showing how AI capex has eroded Big Tech’s cash flow.
图2b. AI 资本支出侵蚀了大型科技公司的现金流

也有迹象显示,金融市场至少有部分角落已不再依据经济基本面为 AI 曝险定价。根据 Cboe 的资料,标普 500 选择权的偏态(skew)(衡量投资人为防范急跌所愿支付的价格,高出为参与同等幅度上涨所付价格多少的指标)近期降至 2024 年年中以来的最低水准。换言之,投资人押注进一步上涨的热情,与其对冲下跌的程度大致相当,这相当不寻常,尤其是在一个估值已经偏高的市场。这可能意味著市场出现令人担忧的自满程度,以及缺乏审慎的风险定价。

这种自满情绪开始瓦解的一个例证出现在 2026 年 7 月:Leopold Aschenbrenner 的 Situational Awareness 基金因高度集中押注 AI 而遭遇抛售,其损失规模目前被列为史上最大的交易亏损,高达 350 亿美元。与此同时,制鞋公司 Allbirds 在 2026 年重新定位为 NewBird AI,转向 GPU 云端运算。其股价在消息宣布后飙升多达 600%,一天之内增加约 1.27 亿美元的市值。SpaceX、Anthropic 与 OpenAI 目前的 IPO 排程,部分也是基于这股投资人的热情。公司上市,既是掌握市场时机的问题,也是业务规模超越私人资本所能支应范围的问题。

在南韩,散户投资人涌入追踪 SK 海力士与三星的单一个股杠杆型交易所买卖基金(ETF),因为这两家晶片制造商受惠于 AI 带动的记忆体晶片需求热潮。这些杠杆型基金的合计资产在 2026 年 6 月的高峰时膨胀至约 31 兆韩元(约 200 亿美元),到 7 月初,这些杠杆型基金连同两档标的股票约占韩国股市全部成交值的 70%(图3a)。泡沫随后破裂,韩国主要股价指数 KOSPI 自 6 月高点下跌 44%。在新的交易限制措施生效后约一周内,杠杆型ETF的合计交易量崩跌约 90%,杠杆型基金的资产较 6 月高峰减少约三分之二。这起事件是杠杆如何将一笔真实的交易(AI 记忆体晶片热潮)变成泡沫的典型例证。

信用市场开始对当前的金融过度现象发出一些警讯。随著大型科技公司举债为建设筹资,其信用违约交换(CDS)利差已经扩大。甲骨文(Oracle)的五年期 CDS 利差是最显著的例子,已超越 2008 至 09 年金融危机期间创下的高点(图3b)。

A line graph showing Korea’s single-stock leverage bubble inflated and burst.
图3a. 韩国个股杠杆泡沫的膨胀与破裂
A line graph showing how markets now price Oracle as riskier than in the 2008–09 financial crisis.
图3b. 市场如今对甲骨文风险的定价高于 2008 至 09 年危机时期

这些金融指标合理吗?

我们是正走向史无前例的荣景、崩盘,还是更平淡无奇的结局?要回答这个问题,就必须先抛开市场叙事,探究在 AI 方面,真正的总体经济现实与幻想究竟为何。

资本支出

七大 AI 建设者的合并资本支出,已从 2022 年的 1,600 亿美元(2023 年维持同一水准),攀升至预计 2026 年的 8,630 亿美元。这些数字意味著惊人的成长率:2024 年为 68%,2025 年为 71%,2026 年为 88%(图4a)。这样的成长步调既不太可能、也不被预期持续下去。大型科技公司大多已停止上调投资计划,其财测指引显示,2027 年成长将放缓,因为年度支出预计将突破 1 兆美元,并日益超出其自身的自由现金流。高盛的信用策略师估计,超大规模云端业者资本支出中由债务融资的比例,2025 年为 27%,2026 年约为三分之一,并将在 2027 年达到约 35% 的高峰。他们也计算出近 5,000 亿美元的 AI 相关债务发行,其中超大规模云端业者仅占 40%,其余由资产负债表规模小得多的借款人筹措。

这项上兆美元的建设,在营建与投资数据中不难察觉,无论是数量还是价格(图4b)。以固定美元衡量的民间资料中心营建支出,从2015 至 19 年间基期较小的早期荣枯循环,转为 2023 年以来的持续攀升,在 2024 年年中达到年增率近 84% 的高峰,并在 2026 年春季降温至约 20%。此后再度加速,以三个月平均计,6 月为 28%,仅 6 月当月则为 44%。企业在电脑及周边设备的投资,近期的走势更为陡峭:2025 年第四季年增 75%,2026 年第一季年增 72%,第二季年增 58%。同类设备的价格在历史上一向随时间下降,却在最近几个月急遽上涨,8 月年增 23%,这很可能反映出 AI 带动的记忆体晶片短缺,正逐步传导至成品电脑设备的价格。

A bar graph shows cash flow is now insufficient to fund the buildout.
图4a. 现金流如今已不足以支应这场建设
A line graph shows that the buildout is both a volume and price boom.
图4b. 这场建设同时是数量与价格的荣景

软体与资讯处理设备方面的 AI 相关投资,加上下文所述 AI 带动的消费财富效果,占了截至 2026 年第二季为止这一年核心 GDP 成长的近一半(图5a)2。若扣除这项贡献,且不考虑其所造成的任何排挤效应,其余经济体的成长明显比表面数字所显示的更为缓慢。

获利成长

可归因于 AI 的营收正快速成长。根据《经济学人》的说法,各主要 AI 供应商目前的年化营收约在 1,500 亿至 2,175 亿美元之间。自 2022 年以来,七大建设者的累计 AI 基础设施资本支出约达 1.9 兆美元(图4a)。以(宽松的)六年折旧期程、10% 的必要报酬率来回收这笔资本,每年成本约为 4,400 亿美元。Epoch AI 估计,电力、冷却、频宽与人员约占一座一吉瓦(gigawatt)设施年度总拥有成本的十分之一,据此,这场建设的完整年度成本接近 5,000 亿美元。摩根资产管理(J.P. Morgan Asset Management)则估计,要达到 10% 的报酬率,所需营收接近每年 6,500 亿美元。因此,AI 营收的缺口为两至四倍。不过,营收一直在快速成长。Epoch AI 发现,OpenAI 与 Anthropic 的合计营收在 2024 年成长为三倍,2025 年成长逾四倍,2026 年迄今则成长了 3.5 倍。即使整体产业营收每年仅成长一倍,这道门槛也可能在数年内达成。但资本支出也在持续成长,同时垫高了门槛。

美国企业获利强劲成长的整体格局,本身并非 AI 的故事。《华尔街日报》的报导指出,2026 年企业获利成长中有相当比重来自关税退款,以及亚马逊与 Alphabet 所持股权的投资收益,而非 AI 带动的生产力提升。AI 股票估值的上涨也提振了消费者支出,进而支撑企业获利成长。家庭持有的企业股票与共同基金份额,从 2022 年底的 34 兆美元增至 2025 年底的 56 兆美元。若将这 22 兆美元涨幅的一半归因于 AI,并以 4% 的财富边际消费倾向计算,到 2025 年底,消费者支出水准将因此增加约 4,500 亿美元,亦即三年间每年约增加 1,500 亿美元的额外支出。这些支出约占实质消费成长的四分之一、实质 GDP 成长的五分之一,即每年约 0.5 个百分点的 GDP(图5a)。这对整体成长是一项有意义但脆弱的贡献。它取决于AI相关的股票估值能否持续维持,而此时个人储蓄率一直徘徊在3% 或以下。

循环融资

Robin Brooks 分解了美国各部门的储蓄—投资余额,显示企业目前是净储蓄者而非净借款人。这与网路泡沫时期企业部门的处境形成鲜明对比,也反映出目前为这场建设提供大部分资金的超大规模云端业者的获利能力(图5b)。截至 2025 年,这波热潮大致仍由高获利的公司自行筹资,而非像 1990 年代后期的电信建设那样主要由外部债务融资。如前所述,资金来源已开始转向债务融资(图4a)。此外,AI 融资有很大一部分日益移到资产负债表之外,透过未来支出承诺与供应商融资安排进行,这些都不会清楚地反映在任何单一公司所公布的杠杆中。《华尔街日报》估计,九家大型科技公司约有 3 兆美元的表外承诺。外界担心,金融体系中正累积著相当规模的隐藏风险。

A bar graph shows how AI now drives nearly half of core GDP growth.
图5a. AI 如今推动了近一半的核心 GDP 成长
A stacked area chart shows sectoral net lending and borrowing as a percentage of GDP from 1992 to 2024.
图5b. 这波荣景的融资方式与网路泡沫时期不同

辉达(Nvidia)处于这套融资结构的核心,因为它既是业界的主要供应商,也日益成为主要的资金提供者之一。《金融时报》估计,若将或有承诺与表外承诺计入,辉达在这些安排中的资产负债表风险敞口接近 2,000 亿美元。这类循环融资本身并非不健全。资产负债表稳健的供应商向客户提供信用,是资本密集产业的常见做法。但这确实意味著,AI 需求若不如预期,可能引发规模大得多的瓦解,而目前为这波热潮提供资金的晶片产业,向来以周期性著称。

 

劳动市场

整体就业成长已趋缓至涓滴之势,科技业招聘自 2022 年以来更由盛转衰,但这两种现象都不需要以 AI 来解释。由 Indeed 追踪的软体开发职缺,实际上正在回升,较 2025 年的谷底上升约 20%,即使整体职缺数已逐渐下滑(图6a)。科技公司在疫情后的荣景期间大举招聘,此后的缩减在相当程度上是对过度招聘的修正。那波荣景部分源于当时近乎零的利率环境,而联准会随后的升息,在当时被普遍预期将使经济于2023年陷入衰退。衰退始终没有到来,但紧缩的力道已足以使劳动市场明显降温。

整体就业成长异常低迷,不过这似乎主要由移民与人口结构趋势所致。当经济处于充分就业时,若劳动力不成长,就业便无法成长。青年招聘的下滑幅度也超出一般景气循环波动所能预期的程度。目前,美国、英国、加拿大与澳洲的新进员工中,初阶人员的占比都比 2019 年的水准低 8 至 11 个百分点(图6b)。

新创事业的成立率近期也升至较高水准,且主要由无雇员企业所带动。自 2025 年初以来,个人独资创业申请增加逾 20%,而有意聘雇员工的企业所提出的申请则大致持平。个人独资申请的增幅中,近半来自科技、金融与专业服务业,这些正是 AI 采用率最高的产业。

A line graph shows how software hiring is climbing again after a brutal bust.
图6a. 软体业招聘在惨烈的衰退后再度攀升
A line graph shows how junior hiring has collapsed across Anglophone economies.
图6b. 英语系经济体的初阶招聘全面崩跌

哪些可归因于 AI?

已经有不少研究试图评估 AI 对劳动市场的影响。整体而言,这些研究几乎可以支持任何人想要相信的说法3。最受关注的发现,是 AI 可能减少了初阶招聘,并抑制了最受 AI 影响之职业的薪资成长。个别研究中,很少有超出暗示性证据、足以指向任何一方的。目前肯定没有确凿证据显示 AI 对劳动市场造成重大影响。

分歧的部分原因在于 AI 暴露度与 AI 采用程度的衡量。目前并没有单一、公认的方式来衡量某一职业受 AI 影响的程度,也没有公认的方式来判断这种影响是增强该职业,还是取代该职业。因此,存在大量彼此不见得一致的衡量指标。Apollo 的 Torsten Sløk 汇整了一份暴露度研究的比较,显示当暴露度估计值愈高,分歧也愈大(图7)。

AI 采用程度的衡量方式同样存在分歧,正如圣路易联邦准备银行所指出的那样。这些指标的差异很大,取决于受访对象为何,以及问题如何措辞。当美国人口普查局的企业趋势与展望调查(Business Trends and Outlook Survey)于 2025 年 11 月更改问卷措辞,从询问企业是否在生产商品或服务时使用 AI,改为询问是否在任何业务功能中使用 AI,所测得的采用率在单月内便从约 10% 升至约 17%。大型企业的采用率升至 37%,但即使是已采用的企业,通常也只是用 AI 辅助少数几项业务功能,而非重组企业的营运方式。企业最常给出的未采用理由,是认为 AI 不适用于自己的业务。

A stacked area chart shows several studies analyzing the impact of AI on the labor market; the higher the average estimate of AI exposure, the wider the disagreement.
图7. 职业受AI影响愈大,各项研究的结论愈分歧

让问题更加模糊的,是「AI 洗白」(AI washing)的做法,即企业基于公关考量,将裁员归因于 AI。在 Resume.org 于 2025 年 12 月对 1,000 名招聘主管进行的调查中,59% 的人承认为了让说法更能让利害关系人接受(相对于承认财务吃紧),而夸大 AI 在裁员与冻结招聘中的角色,而仅有 9% 的人表示 AI 确实取代了公司内的职位。Challenger, Gray & Christmas 的资料将 2025 年公布的 54,836 个裁员职缺归因于 AI,而归因于关税的仅有 7,908 个,因此解读时应将这种动机纳入考量。同样值得留意的是,单一裁员公告的规模应放在整体脉络中看待。在美国,正常营运下每个月约有 170 万人遭到裁员,这意味著任何单一公司的裁员公告,无论媒体报导得多么醒目,通常都无法说明整体经济的情况。

远距工作与 AI 有何关系?

在家工作的趋势在疫情期间急遽加速,早于生成式 AI 工具出现之前。远距工作使得指导与监督初阶员工更为困难,进而透过与常被归因于 AI 的类似机制,导致初阶招聘减少。与这个说法一致的是,Lambert 与 Schindler 发现,最受远距工作影响的职业,与最受生成式 AI 影响的职业竟是同一批(图8a)。远距工作的转变也比生成式 AI 的问世更吻合时间点,因为入门级职缺的下滑大约始于 2020 年。更重要的是,一旦控制了远距工作暴露度,AI 暴露度就不再能预测入门级职缺(或招聘)的显著下滑,而在控制 AI 之后,远距工作的影响依然存在(图8b)。

A color-coded scatter plot illustrating the strong positive correlation between work-from-home exposure and GenAI exposure across occupations.
图8a. 各职业的在家工作(WFH)与生成式 AI 暴露度高度相关
Line chart showing remote work, not AI, is linked to fewer entry-level job postings; remote-work effect falls to -2.2 percentage points by 2025.
图8b. 与入门级职缺下滑同步的是远距工作,而非 AI

本校 UCLA Anderson 的 Gregor Schubert 的研究,增添了另一层细腻的观点,使我们不必在远距工作与 AI 何者抑制了初阶招聘之间选边站。Schubert 指出,远距工作的采用本身会带动企业日后采用 AI。在 2021 与 2022 年以远距方式招聘的企业,转向聘用技术与管理人才,而这项能力降低了 2023 与 2024 年采用生成式 AI 的成本,远距招聘每增加 10 个百分点,预测 AI 采用率将上升 0.4 至 0.7 个百分点。如果远距工作位于 AI 采用的上游,那么两者根本不是相互竞争的解释,而是同一道阶梯上的先后梯级,由同一批科技导向的企业拾级而上。如此一来,像 Lambert 与 Schindler 那样控制远距工作,就会吸收掉 AI 影响初阶招聘的部分管道。

生产力成长

预期 AI 将带来从温和到史无前例不等的生产力提升。对照 GDP 成长与就业成长之间的历史关系,目前这波扩张每单位就业成长所创造的产出,仅比 1948 至 2019 年平均水准所预测的略高一些(图9a)。相对于 2010 年代低迷的生产力成长,这是一项改善,但放在战后历史的整体脉络下,则更像是回归常态。外界希望经济正走在与 1990 年代后期生产力荣景相似的轨道上,但目前为止,它只是较为温和的版本。目前经济比历史关系高出约 0.4 个百分点,而 1999 年底约为 0.8 个百分点,且当时的就业成长明显更少。

最近的生产力上升看来也并非来自 AI。旧金山联邦准备银行的 Boyle、Fernald 与 Li指出,自 2024 年初起,涵盖 2025 与 2026 年,产能利用率的提高基本上解释了全要素生产力成长的全部,这意味著企业是让现有的资本与劳动力更加卖力运转,而非在任何根本意义上更有效率地将投入转换为产出(图9b)。2025 与 2026 年间,经利用率调整后的全要素生产力略为负值,即使实测的生产力成长仍维持为正,这个故事远不如表面数字所显示的那么令人鼓舞。

A line graph shows today’s productivity run echoes the late-1990s boom.
图9a. 当前的生产力走势呼应 1990 年代后期的荣景
A bar graph shows that the productivity surge is utilization, not fundamental gains.
图9b. 生产力激增来自利用率,而非根本性的进步

Chad Syverson 是研究生产力的最著名经济学家之一,他在 2026 年的报告中得出类似结论,认为没有明确证据显示 AI 目前已推动整体生产力。他指出,对于急于把近期生产力回升归功于 AI 的人而言,存在时间点的问题。这波加速开始时,AI 投资相对于整体经济仍然很小,这不利于 AI 是其最初成因的说法。不过,他也指出,即使是别的因素启动了这波加速,AI 现在仍可能有所贡献。如果我们愿意忽略零售业,则较高的 AI 采用率(以美国人口普查局的企业趋势与展望调查衡量)确实与各产业较大的生产力提升大致相符。他自承其结果的说服力薄弱,这正突显了本报告的主要结论之一:现在要对 AI 的影响做出任何具体论断,仍然言之过早。然而,生产力成长维持在高档的时间愈长,AI 有所贡献的可能性就愈高。

 

结论

这一切不应被解读为主张 AI 将无法改变经济,以及随之而来的劳动市场。然而,截至本文撰写之时,虽然 AI 的建设与融资正对总体经济产生重大影响,但技术本身的影响仍属轻微乃至于不存在。当更具决定性的证据出现时(UCLA Anderson Forecast 的经济学家们预期它终将出现),我们会再加以探讨。这可能不会很快发生,因为新的通用技术在历史上都需要很长的时间,才能被经济体有效吸收。鉴于底层工具已在快速扩散,AI 可能比其前辈推进得更快,但依目前可得的证据,我们仍处于这场经济转型的最初期。

 

 

  1. 纵轴为对整体经济劳动生产力成长的估计贡献,单位为每年百分点,并以各标签所示的报酬期间取平均。期间长度的差异,是我们应考量整个纵向范围、而非仅看中点的另一个理由。所报告的统计数字,是将回归重复估计 4,000 次、每次从各案例的范围内抽取数值所得。金融狂热不计入,因为在没有技术的情况下,对该技术的投资并无定义。1920 年代的各项技术被视为单一观测值。
  2. 此处的核心 GDP 为消费加固定投资加政府支出,不含净出口与存货变动。
  3. 参见 Autor and Thompson (2025);Brynjolfsson, Li and Raymond (2025);Brynjolfsson, Chandar and Chen (2025);Audoly, Guerin and Topa (2026);Liu and Webber (2026);Nunn (2026);以及 Ozimek and Goldschlag (2026)

 

 

关于此报告


在国泰银行赞助出版的《美中经济报告2022》中,加州大学洛杉矶分校安德森经济预测中心(预测中心)提供他们对美中这两大世界经济体的当前与未来的分析及观点。

逾65年以来,预测中心一直是分析美国和加州经济的领先的独立经济预测机构。年度报告及定期更新侧重于影响美中之间投资行为与资金流动的相关事件。

本报告中的预测性陈述,是来自预测中心根据当时可获得的资讯,对美国及中国当前及未来经济状况的分析及观点。这些预测乃考虑到业界趋势与其他因素所作出的,且包含了风险、变数与不确定性。此资讯以概述方式呈现,并未宣称资讯完整。本报告中的资讯不应被视为采取特定行动的意见或建议,且并不考虑任何特定业务目标、财务状况或需求。

在此提醒读者不要过度依赖前瞻性陈述。报告发表后,预测中心不负责公开发表对这些前瞻性陈述的任何修订结果。尽管已谨慎准备预测资讯,实际结果可能会有正面或负面的实质性差异。预测与假设范例可能因预测中心控制以外的不确定性与偶发事件受到影响。

 

关于作者


Clement Bohr,加州大学洛杉矶分校安德森预测中心经济学家

在加州大学洛杉矶分校安德森预报中心(UCLA Anderson Forecast),Bohr 负责美国全国经济展望工作。他经常接受知名媒体(如CNBC、《富比士》和《洛杉矶时报》)的采访,其观点也常被这些媒体引用。在西北大学攻读博士学位期间,Bohr曾因在宏观经济学、国际金融以及货币与银行学等课程中的出色教学表现,多次荣获教学奖项。此外,他也参与了 Karlan 与 Morduch 所著教材《经济学》(Economics)的编写工作,负责修订并扩充了其中的货币经济学章节。

 

俞伟雄,加州大学洛杉矶分校安德森预测中心经济学家

俞伟雄于 2011 年以经济学家的身份加入加州大学洛杉矶分校安德森预报中心。他在预报中心主要负责的领域包括经济建模、预测与洛杉矶经济。同时也从事与中国经济以及其与美国经济关系的研究与预测。他的研究主要包括时间序列计量经济学、数据分析、股票、债券、房地产与商品价格动态、人力资本与创新等广泛的经济金融议题。

Share This Article:

分享此文章