本文轉(zhuǎn)載自公眾號“讀芯術”(ID：AI_Discovery)。

人工智能可謂是200年以來自動化的集大成者，近年來發(fā)展迅速，在保持生產(chǎn)力的同時又提供了極高的高精度和精確性。

機器學習在數(shù)據(jù)科學和自動化的各個領域得到了廣泛的應用，但在經(jīng)濟學領域的應用并不多見。本文的目的就是具體介紹機器學習在當前經(jīng)濟結構中的應用及其未來的可能性。

機器學習的任務是使開發(fā)的算法被設計用于數(shù)據(jù)集，其主要的領域是預測，分類和聚類任務。

計量經(jīng)濟學指將統(tǒng)計方法應用于經(jīng)濟數(shù)據(jù)，以便為經(jīng)濟關系提供經(jīng)驗內(nèi)容。更確切地說，它是“在理論和觀察同時發(fā)展的基礎上，通過適當?shù)耐评矸椒▽嶋H經(jīng)濟現(xiàn)象進行定量分析”。一本經(jīng)濟學入門教科書將計量經(jīng)濟學描述為讓經(jīng)濟學家可以“從堆積如山的數(shù)據(jù)中篩選出簡單的關系”。

行為經(jīng)濟學是在研究心理、認知、情感、文化和社會因素對個人和機構決策的影響，以及這些決策與經(jīng)典經(jīng)濟理論表達內(nèi)容的不同之處。

[[337713]]

圖源：unsplash

目前，因果推理仍然需要人類親自上陣，但是機器學習使經(jīng)濟學家能夠更快地處理更大的數(shù)據(jù)集來解決大問題。

經(jīng)濟預測

首先需要提到的是機器學習如何為經(jīng)濟預測做出貢獻。

進行經(jīng)濟預測時，我們通常希望通過將利率、零售額和失業(yè)率等指標應用到使用的統(tǒng)計模型中，來預測未來經(jīng)濟的國內(nèi)生產(chǎn)總值(GDP)。在相同的場景中使用機器學習時，請查看這個結果：

利用機器學習預測當前GDP增長

休·丹斯和約翰·霍克斯沃斯利用一種被稱為彈性網(wǎng)正則化和變量選擇的機器學習技術，建立了一個實時分析模型。盡管它仍然嚴重依賴人類專家的投入，但在預測GDP增長時，它能夠達到95%左右的準確率。

那么問題來了：“是什么使這種建模方法不同于經(jīng)典的計量經(jīng)濟學?”

與標準回歸模型相比，機器學習的誤差百分比更低

機器學習模型能夠分析數(shù)億字節(jié)，同時最小化外部干擾，不像標準的經(jīng)濟計量模型那樣，它們是基于因果推理來分析數(shù)據(jù)。設計機器學習模型并不是為了確定變量之間的因果關系，而是為了合理的預測，這些模型有優(yōu)點也有缺點。

印度央行經(jīng)濟學家巴努·普拉塔普和肖馮·森古普塔希望在機器學習中尋找到改善宏觀經(jīng)濟預測的方法。他們將機器學習模型與傳統(tǒng)模型進行了比較，最后發(fā)現(xiàn)機器學習模型產(chǎn)生了更好的結果。

在對機器學習模型和經(jīng)濟計量模型進行了所有的比較之后，可能會出現(xiàn)這樣一個問題：“這是否意味著這兩個框架不能協(xié)同工作?”

答案是否定的，在同一個項目中實施機器學習和計量經(jīng)濟學皆是必要的。隨著機器學習應用程序逐漸精通粒度預測，其開發(fā)人員將面臨因果關系的問題。因此，在機器學習體系中協(xié)調(diào)計量經(jīng)濟學可以使機器學習開發(fā)者了解是什么推動了他們模型的預測成功。

行為經(jīng)濟學中的機器學習

[[337714]]

圖源：unsplash

機器學習強大的模式識別能力使得它在行為經(jīng)濟學中有著廣泛應用前景。在使用現(xiàn)有數(shù)據(jù)來預測未來的行為時，機器學習的作用十分出眾。

人類是模式探索者，在行為經(jīng)濟學領域，如果能很好地運用機器學習應用程序，我們將能夠預測人們的決策。

下圖是一個決策樹狀模型，它是機器學習算法的一個分支，包括從對項目的觀察，到發(fā)現(xiàn)項目目標值的最終結果。這一算法的目標是開發(fā)一個能夠根據(jù)輸入變量預測決策的模型。

我們不會深入研究這種算法背后的具體步驟，但能得到的是，這些生產(chǎn)商能夠根據(jù)這種模式制定營銷策略，并為他們的業(yè)務帶來效益，從而有利于整體經(jīng)濟。

決策樹狀圖示例

產(chǎn)品改進和生產(chǎn)

我們用機器學習所做的很多事情都是在表面之下進行的。機器學習驅(qū)動算法，用于需求預測、產(chǎn)品搜索排名、產(chǎn)品和交易建議、商品銷售安排、欺詐檢測、翻譯等。雖然不太明顯，但機器學習的大部分影響將是這種類型的——悄然但有意義地改進核心操作。

數(shù)據(jù)的收集和存儲變得越來越便宜和高效。在機器學習的幫助下，制造商能夠在保持相同質(zhì)量的同時降低制造成本。制造業(yè)的基本目標本就是以最低的成本生產(chǎn)出高質(zhì)量的產(chǎn)品。

在制造過程中，機器學習算法從制造層獲取信息，制造數(shù)據(jù)來描述機器和生產(chǎn)速度之間的同步性。AI和機器學習最大的一個優(yōu)點就是它為行業(yè)中提供了更高的靈活性。

德國南部有一家洗發(fā)水工廠，只有一條生產(chǎn)線，但其生產(chǎn)功能是通過在線接收訂單實現(xiàn)的。收到訂單后，它在瓶子上貼上定制的RFID標簽，并使用制造機器上的傳感器添加不同的組件。這不僅極大限度地縮短了生產(chǎn)時間，而且完全根據(jù)消費者的需求定制產(chǎn)品。

[[337715]]

圖源：unsplash

普華永道表示，到2030年，經(jīng)濟學中的機器學習可以將生產(chǎn)率提高14.3%。機器學習的潛力是無窮的，它已經(jīng)為各個領域做出了貢獻，并為當前的行業(yè)增加了額外的效益。

隨著人工智能的發(fā)展，相信現(xiàn)有的經(jīng)濟模型和機器學習模型的結合必將為經(jīng)濟學家們打開一扇新的大門。

【責任編輯：趙寧寧 TEL：（010）68476606】