泡沫經濟是天災還是人禍?日本央行的「不干預」矛盾策略,反而加劇經濟衰退期?
泡沫經濟是天災還是人禍?日本央行的「不干預」矛盾策略,反而加劇經濟衰退期?

我們知道是日本銀行在1989年戳破了泡沫。

奇怪的是,我們也發現到,正是日本銀行(日本中央銀行)的作為延長了經濟的衰退。它到底在做什麼?在尋覓日本陷入經濟動盪的原因時,我們現在必須分析1990年代銀行危機和經濟衰退的根本原因,而這要追溯到發生在1980年代的事件。我們必須弄清楚究竟是誰該為泡沫的形成負責。

在第9章中我們理解到,泡沫是因為銀行過度創造信用所導致。因此問題在於銀行為何創造如此大量的信用?是什麼決定了它們的行為?在第5、6、7章中我們得知,從1940年前後直到至少1970年代末期,這個問題的答案就是日本銀行的窗口指導(註)。

我們知道這是許多研究者都確立成真的事實。但在關鍵的1980年代又是如何?

(註:窗口指導,指日本銀行在過去常用的一種非正式貨幣政策工具。央行透過口頭或非正式的方式,直接對商業銀行施加壓力,影響其放款行為。)

日銀的矛盾聲明:窗口指導在1980年代已不存在

雖然已有一些研究在探討日本銀行於1980年代所採用的貨幣政策工具,但它們完全忽略掉窗口指導這項作法。不過,有份研究論文直接聚焦討論1980年代的窗口指導。(星岳雄等人,1991)作者群得出結論:「從1982年到1989年,窗口指導在貨幣政策執行的面向,扮演著微不足道的角色。」因此看來我們必須尋找其他會影響銀行放款的因素。

然而,若仔細檢視這份論文就會發現,星岳雄和他同事的結論並非建立在實證研究的結果之上。那只不過是某種主張。毫無疑問的是,他們主張的資料來源就是日本銀行本身:在1981年12月,央行宣布從1982年1月起廢除窗口指導的管制。日本銀行表示,不再對銀行下達貸款成長的配額,而是要「尊重」它們的放款計畫。在1984年,日銀宣布完全廢除任何形式的窗口指導。

日本銀行後續的官方聲明重申了這則消息:1986年,《日本經濟新聞》引述一名日本銀行官員的話說,央行「目前並未進行窗口指導」。在1988年,日本銀行聲稱自1982年以來就不存在「狹義的」窗口指導。它主張因為利率解除管制、金融去中介化和自由化,都使這些政策工具失去效果。

日本銀行本店(總部)Bank_of_Japan
日本銀行本店(總部)。
圖/ Wikipedia

日本銀行甚至開始證明,信用總量與經濟活動之間不再存在顯著的相關性,因此無法作為貨幣政策的工具。其言下之意是,既然信用似乎不再能推動經濟,窗口指導就不可能是必要的,甚至是不可能實行的作法。

在1991年3月,日銀覺得有必要再次針對在1990年代窗口指導所扮演的角色,發布一份官方的評估報告。這份題為〈日本的貨幣政策決策與執行過程〉(The Process of Decision Making and Implementation of Monetary Policy in Japan)的報告是為海外讀者而寫,因此只有英文版。

報告聲稱:「為順應放寬金融管制的趨勢,自從日本銀行在1982年停止針對放款計畫向個別銀行下達指示以來,窗口指導就不再以原先的那種信用管制的形式實施。」在這份報告發布後不久,日銀在1991年7月,針對窗口指導發表了最後一則、但有些自相矛盾的說法:宣布立即廢除窗口指導。

質疑日銀說法的五大理由,日本銀行誤導人們?

日本銀行宣稱,窗口指導在1980年代不是重要的政策工具,但這種說法從未得到實證經驗的支持。此外,有幾個理由讓我們對日本銀行的說法保持懷疑。

首先,窗口指導的本質就是一種非正式的政策工具,不僅不存在法律上的認可,且籠罩在祕密當中,這也代表它不太可能在官方聲明中完整揭露出來。

其次,當日本加入OECD時,就有義務減少直接的經濟管制,採行市場導向的經濟體制。直接的信用管制一直飽受美國的批評。因此日本銀行有政治上的動機去淡化這類管制,並強調市場機制。

第三點是,在1980年代以前,窗口指導就存在相關紀錄:雖然曾被正式宣布「廢除」,但實際上要不是在非正式地持續運行,就是在廢除不久後就重新實施。

第四點是,於1991年再度廢除的事實本身就暗示它在這之前確實以某種意味深遠的形式存在。

第五點是,信用量的成長已被證明是1980年代經濟失序的肇因,最終也導致了1990年代的經濟衰退。我們必須假設所有可以決定銀行信用總額的人,都可能有動機想要淡化其參與及控制的程度。

《日經》媒體成為關鍵證人

如同在法庭辦案那般,當有疑問時,就應該傳喚證人。經由交叉詰問應該能確定這些說法是否一致,或是存在矛盾。尋找證人的起點可以是徹底檢視日文財經媒體的報導。

若搜尋日本最受重視的財經報紙《日經》及其姊妹報《日經金融新聞》,會發現有確鑿的證據指出,日本銀行在1980年代繼續實施窗口指導的信用管制,跟1980年代之前的狀況完全沒有改變。以下是一部分相關報導的摘要:

  • 1981年12月:《日經》報導,日本銀行推出了「新型態的窗口指導」,等同於廢除嚴格的貸款成長上限。根據新的作業流程,日銀將從此「尊重」銀行的放款計畫。這是「自1945年以來最寬鬆的管制」。然而,日銀官員也證實窗口指導「並未廢除」。一名官員表示「透過在日常與民間金融機構的日常接觸,並藉此來控制放款的意圖仍然存在」。
  • 1982年9月:《日經》發現到,儘管日銀官方聲稱所有銀行的放款計畫都會受到「尊重」,但主要城市銀行的高層抱怨「個別銀行的放款計畫並未受到足夠尊重」,銀行無法自由競爭。如果放款計畫真的完全被日銀接受,那麼銀行之間的競爭就會增加,銀行的排名也會改變。然而,銀行的資產排名依然維持不變。
  • **1986年12月:**窗口指導的配額緊縮。日本銀行意識到地價飆升、貨幣供給快速成長、資金過剩,以及銀行大幅擴張對不動產產業的放款。
  • **1988年3月:**1988年第二季的窗口指導貸款配額遭到緊縮。央行意識到銀行放款成長最快的部分是不動產和「財技」的投資。
  • 1990年9月:「當實際的年度放款成長未達到管制配額時,日本銀行過去都會在下一期的配額中扣除未用完的額度。這導致每家銀行都會極力設法用完貸款的配額,即使這樣做並不合理。從現在開始,日本銀行正在研究廢除這套程序。」
  • 1991年6月:《日經金融新聞》引述一家「高階城市銀行」的銀行主管說,窗口指導增加貸款的規定所帶來的副作用是,銀行「即使沒有貸款的需求,也需要增加放款量。而且即使有貸款需求,他們也必須確認(放款量)與其他銀行保持一致」。一名銀行主管表示:「到目前為止的作法是,先由日本銀行的信用配置框架決定總體信用額度,然後我們再決定如何分配那個配額。」

結論:日銀在報導中傳達了錯誤資訊

這些來自權威媒體的證詞清楚顯示出,窗口指導確實存在,日本銀行仍持續對銀行施加貸款成長的配額,儘管這樣做與它的公開聲明內容大相逕庭。此外,我們發現到日本銀行持續對信用進行質性的配置,並監控信用的使用狀況。央行似乎已察覺到投機性金融交易的信用創造量增加,尤其是房地產相關的借貸。

若《日經》和《日經金融新聞》的報導屬實,那麼日本銀行便在1980年代誤導人們對窗口指導所扮演角色的認知。值得注意的是,部分媒體評論暗示,日銀可能曾透過運用窗口指導來「抑制」貸款的成長以減緩泡沫化的速度。若沒有日本銀行的信用管制,泡沫是否會更加嚴重?我們是否該感謝央行的作為?

延伸閱讀:誰是日本泡沫經濟的元兇?「大藏省」的權力失控,如何讓日本陷入失落的十年?

日圓王子立體.jpg
圖/ 大塊文化

本文授權轉載自《日圓王子:從日本失落到國際金融危機,你不知道的真相》,Richard A. Werner著,大塊文化出版

責任編輯:蘇柔瑋

往下滑看下一篇文章
從台灣走進北美千家速食門市!Berry AI 如何攜手博弘雲端,讓 AI 規模化落地?
從台灣走進北美千家速食門市!Berry AI 如何攜手博弘雲端,讓 AI 規模化落地?

一家來自台灣的 AI 新創,如何讓美國上千家速食餐廳,都用它的 AI「看」得來速車道?

這家公司就是專注於 AI 影像辨識技術的 Berry AI (華捷智能),透過攝影機蒐集匿名數據並轉化為多項營運指標,協助速食品牌找出流程瓶頸、提升現場營運效率與整體顧客滿意度。以美國連鎖炸雞品牌 Zaxby’s 為例,在全面導入 Berry AI 解決方案後,服務速度提升 13%-20%,業績表現最好與最差的門市,每週營收差距從 2.4 萬美元縮小至約 9,000 美元。另一家連鎖速食品牌 Culver’s 在導入後,得來速車道的服務時間也立刻改善,進而提升整體吞吐量。

然而,支撐 Berry AI 解決方案的,不只有前端看得見的攝影機與影像辨識技術,還有後端穩定且具彈性的雲端平台。Berry AI 結合 Amazon Web Services (AWS) 全球雲端資源及博弘雲端顧問服務,打造兼顧即時性、穩定性與成本效益的雲地混合架構,成為推動 Berry AI 持續擴大北美市場版圖的重要關鍵。

從台灣 PoC 走向北美千店規模,Berry AI 面臨架構升級新挑戰

Berry AI 執行長林逸中表示,團隊成立初期投入近2年半的時間,探索最適合影像辨識技術的應用場景,最終將目光鎖定高度標準化的速食餐飲業(Quick Service Restaurant;QSR),推出得來速計時器、餐廳計數器等解決方案,運用 AI 影像分析技術,辨識顧客進入得來速車道或餐廳後的狀態,例如:排隊、點餐、候餐等。

同時,Berry AI 也進一步將現場蒐集到的數據轉化為可量化的營運指標,例如:不同門市、日期或時段的顧客等候時間,協助管理者從數據中找出流程瓶頸與可以優化的環節,進而提升服務效率及顧客滿意度。

在確立發展方向並於台灣完成 PoC (概念驗證)後,Berry AI 決定前進全球最大、也是 QSR 最核心的北美市場。然而,隨著合作客戶與部署門市持續增加,資料量快速攀升,加上服務範圍橫跨不同區域,既有以地端為主的架構開始面臨規模化挑戰。

林逸中補充指出,尤其 QSR 業者在選擇 AI 解決方案時,格外重視技術效能與穩定性,包括 AI 辨識精準度、能否因應突發狀況、系統能否穩定運作,以及網路發生問題時能否維持服務等。在這樣的要求下,若將所有運算與資料都留在地端,不僅難以因應日益增加的部署門市與資料量體,設備建置與維運成本也會隨之增加。

BerryAI 攜手博弘雲端 打造高可用性 AWS 雲地混合架構,突破北美規模化部署挑戰

如何確保系統的即時性、穩定性與成本效益,成為 Berry AI 進軍北美後必須解決的新課題。為此,Berry AI 選擇與博弘雲端合作,取得穩定且高可用的 AWS 運算與資料庫服務架構,將即時運算留在地端,同時在雲端環境整合資料庫處理大量資料與後續分析工作,形成兼顧地端即時運算與雲端彈性擴充的雲地混合架構。

Berry AI研發同仁汪楚剛說明,包括車輛偵測、追蹤與狀態辨識等需要即時反應的工作,會先在地端完成;再將辨識結果傳送至 AWS 雲端,計算各項營運指標,提供後續分析與決策使用。透過這套架構,Berry AI 至今已處理超過 2 億筆車輛狀態資料。

此外,AWS 也是 Berry AI 持續優化 AI 模型的重要基礎。Berry AI 將整套資料蒐集流程建構於 AWS 上,透過完整且多樣化的資料,持續訓練與優化模型,進一步提升地端影像辨識的準確度。

博弘雲端
Berry AI 鎖定高度標準化的速食餐飲業(Quick Service Restaurant;QSR),推出得來速計時器、餐廳計數器等解決方案,運用 AI 影像分析技術,辨識顧客進入得來速車道或餐廳後的狀態,例如:排隊、點餐、候餐等,協助管理者從數據中找出流程瓶頸與可以優化的環節,進而提升服務效率及顧客滿意度。
圖/ Berry AI網站圖

成為企業技術團隊的延伸,博弘雲端助 BerryAI 把 AWS 用得更好、更省

隨著北美業務持續成長,Berry AI 也迎來新的課題:如何把雲端資源用得更有效率、更省成本,這也成為 Berry AI 與博弘雲端合作的重要契機。

對此,可能有很多人好奇,像 Berry AI 這類技術能力成熟、具備自行建置架構能力的企業,為什麼還需要與博弘雲端合作?「關鍵在於,博弘雲端長期深耕 AWS,對相關服務與技術架構更加熟悉,可以成為企業內部技術團隊的延伸。」博弘雲端技術長宋青雲說。

當 Berry AI 遇到特定 AWS 服務或技術問題時,可以直接尋求博弘雲端協助;若需要進一步與 AWS 原廠確認,博弘雲端也能協助溝通與處理,減少 Berry AI 自行研究與排除問題所需投入的時間,讓內部研發團隊可以將更多心力和資源集中在核心產品開發。

更重要的是,博弘雲端不只提供技術支援,還能從 Berry AI 實際用量與成長需求出發,客製化設計最適合的節費方案,這對 Berry AI 降低營運成本有很大的幫助。宋青雲說明,博弘雲端根據 Berry AI 既有的 AWS 用量,推估未來 1-3 年內的使用需求,並以此為基礎規劃合適的長期雲端資源用量;同時考量 Berry AI 所屬飛捷集團旗下還有 3 家子公司同樣使用 AWS,進一步整合集團需求進行評估,放大整體採購規模,爭取更大的節費空間。

宋青雲強調,雲端採取隨需即付的計價模式,雖然具備彈性優勢,但若缺乏持續管理,仍可能出現資源配置不符商務規劃,或費用超出預期等情況。而博弘雲端不只能從使用現況出發、建議適合的節費方案,也會從效能、資安與成本等面向進行架構健檢,提出相應的優化建議;同時還會提供相關管理介面,讓企業隨時查看帳戶使用狀況、預估未來用量,在業務規模持續成長的同時,也能兼顧雲端架構的效能、安全與成本效益。

而架構健檢與成本優化,只是博弘雲端服務的一環。從企業準備上雲開始,博弘雲端便能協助將應用程式與資料從地端搬遷至雲端,或直接在雲端完成部署;進一步還能協助建置數據平台、數據中台,進行資料分析及導入 AI 應用,讓企業資料發揮更大價值。當服務正式上線後,博弘雲端也能接續提供維運服務。換言之,從前期 PoC、雲端建置到後續維運,博弘雲端都能依據企業需求,提供相應的服務與支援。

對 Berry AI 來說,藉由與博弘雲端合作,深化 AWS 雲端資源使用,不只是突破規模化挑戰,更重要的是能把有限的資源集中在核心業務,持續優化解決方案、開發更多貼近餐飲營運需求的應用,進一步爭取更多品牌合作,擴大北美市場版圖。目前,Berry AI 正全力拓展北美市場,也持續尋找對 AI 技術與餐飲產業應用充滿好奇心、重視團隊協作的人才加入。徵才方向涵蓋機器學習與電腦視覺、Platform & System(DevOps、Infrastructure),以及 Full Stack 軟體開發。從門市邊緣裝置上運行的 AI 模型、串連雲端與數千家門市的系統平台,到協助餐飲品牌提升營運效率的分析產品,每個環節都還有發揮的空間。 期待匯聚更多優秀夥伴,一起用 AI 解決真實的營運問題,讓來自台灣的技術走進更多全球 QSR 門市。

職缺詳情:https://www.cake.me/companies/berryai/jobs

登入數位時代會員

開啟專屬自己的主題內容,

每日推播重點文章

閱讀會員專屬文章

請先登入數位時代會員

看更多獨享內容

請先登入數位時代會員

開啟收藏文章功能,

請先登入數位時代會員

開啟訂閱文章分類功能,

請先登入數位時代會員

我還不是會員, 註冊去!
追蹤我們
一次搞懂工業AI
© 2026 Business Next Media Corp. All Rights Reserved. 本網站內容未經允許,不得轉載。
106 台北市大安區光復南路102號9樓