经济学里的机器学习：二者结合必将拥有光明的未来

本文转载自公众号“读芯术”(ID：AI_Discovery)。

人工智能可谓是200年以来自动化的集大成者，近年来发展迅速，在保持生产力的同时又提供了极高的高精度和精确性。

机器学习在数据科学和自动化的各个领域得到了广泛的应用，但在经济学领域的应用并不多见。本文的目的就是具体介绍机器学习在当前经济结构中的应用及其未来的可能性。

机器学习的任务是使开发的算法被设计用于数据集，其主要的领域是预测，分类和聚类任务。

计量经济学指将统计方法应用于经济数据，以便为经济关系提供经验内容。更确切地说，它是“在理论和观察同时发展的基础上，通过适当的推理方法对实际经济现象进行定量分析”。一本经济学入门教科书将计量经济学描述为让经济学家可以“从堆积如山的数据中筛选出简单的关系”。

行为经济学是在研究心理、认知、情感、文化和社会因素对个人和机构决策的影响，以及这些决策与经典经济理论表达内容的不同之处。

图源：unsplash

目前，因果推理仍然需要人类亲自上阵，但是机器学习使经济学家能够更快地处理更大的数据集来解决大问题。

经济预测

首先需要提到的是机器学习如何为经济预测做出贡献。

进行经济预测时，我们通常希望通过将利率、零售额和失业率等指标应用到使用的统计模型中，来预测未来经济的国内生产总值(GDP)。在相同的场景中使用机器学习时，请查看这个结果：

利用机器学习预测当前GDP增长

休·丹斯和约翰·霍克斯沃斯利用一种被称为弹性网正则化和变量选择的机器学习技术，建立了一个实时分析模型。尽管它仍然严重依赖人类专家的投入，但在预测GDP增长时，它能够达到95%左右的准确率。

那么问题来了：“是什么使这种建模方法不同于经典的计量经济学?”

与标准回归模型相比，机器学习的误差百分比更低

机器学习模型能够分析数亿字节，同时最小化外部干扰，不像标准的经济计量模型那样，它们是基于因果推理来分析数据。设计机器学习模型并不是为了确定变量之间的因果关系，而是为了合理的预测，这些模型有优点也有缺点。

印度央行经济学家巴努·普拉塔普和肖冯·森古普塔希望在机器学习中寻找到改善宏观经济预测的方法。他们将机器学习模型与传统模型进行了比较，最后发现机器学习模型产生了更好的结果。

在对机器学习模型和经济计量模型进行了所有的比较之后，可能会出现这样一个问题：“这是否意味着这两个框架不能协同工作?”

答案是否定的，在同一个项目中实施机器学习和计量经济学皆是必要的。随着机器学习应用程序逐渐精通粒度预测，其开发人员将面临因果关系的问题。因此，在机器学习体系中协调计量经济学可以使机器学习开发者了解是什么推动了他们模型的预测成功。

行为经济学中的机器学习

图源：unsplash

机器学习强大的模式识别能力使得它在行为经济学中有着广泛应用前景。在使用现有数据来预测未来的行为时，机器学习的作用十分出众。

人类是模式探索者，在行为经济学领域，如果能很好地运用机器学习应用程序，我们将能够预测人们的决策。

下图是一个决策树状模型，它是机器学习算法的一个分支，包括从对项目的观察，到发现项目目标值的最终结果。这一算法的目标是开发一个能够根据输入变量预测决策的模型。

我们不会深入研究这种算法背后的具体步骤，但能得到的是，这些生产商能够根据这种模式制定营销策略，并为他们的业务带来效益，从而有利于整体经济。

决策树状图示例

产品改进和生产

我们用机器学习所做的很多事情都是在表面之下进行的。机器学习驱动算法，用于需求预测、产品搜索排名、产品和交易建议、商品销售安排、欺诈检测、翻译等。虽然不太明显，但机器学习的大部分影响将是这种类型的——悄然但有意义地改进核心操作。

数据的收集和存储变得越来越便宜和高效。在机器学习的帮助下，制造商能够在保持相同质量的同时降低制造成本。制造业的基本目标本就是以最低的成本生产出高质量的产品。

在制造过程中，机器学习算法从制造层获取信息，制造数据来描述机器和生产速度之间的同步性。AI和机器学习最大的一个优点就是它为行业中提供了更高的灵活性。

德国南部有一家洗发水工厂，只有一条生产线，但其生产功能是通过在线接收订单实现的。收到订单后，它在瓶子上贴上定制的RFID标签，并使用制造机器上的传感器添加不同的组件。这不仅极大限度地缩短了生产时间，而且完全根据消费者的需求定制产品。

图源：unsplash

普华永道表示，到2030年，经济学中的机器学习可以将生产率提高14.3%。机器学习的潜力是无穷的，它已经为各个领域做出了贡献，并为当前的行业增加了额外的效益。

随着人工智能的发展，相信现有的经济模型和机器学习模型的结合必将为经济学家们打开一扇新的大门。