本文轉載自公眾號“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，近年來發展迅速，在保持生產力的同時又提供了極高的高精度和精確性。

機器學習在數據科學和自動化的各個領域得到了廣泛的應用，但在經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的算法被設計用于數據集，其主要的領域是預測，分類和聚類任務。

計量經濟學指將統計方法應用于經濟數據，以便為經濟關系提供經驗內容。更確切地說，它是“在理論和觀察同時發展的基礎上，通過適當的推理方法對實際經濟現象進行定量分析”。一本經濟學入門教科書將計量經濟學描述為讓經濟學家可以“從堆積如山的數據中篩選出簡單的關系”。

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

[[337713]]

圖源：unsplash

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

經濟預測

首先需要提到的是機器學習如何為經濟預測做出貢獻。

進行經濟預測時，我們通常希望通過將利率、零售額和失業率等指標應用到使用的統計模型中，來預測未來經濟的國內生產總值(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典的計量經濟學?”

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億字節，同時最小化外部干擾，不像標準的經濟計量模型那樣，它們是基于因果推理來分析數據。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，這些模型有優點也有缺點。

印度央行經濟學家巴努·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濟預測的方法。他們將機器學習模型與傳統模型進行了比較，最后發現機器學習模型產生了更好的結果。

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

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，其開發人員將面臨因果關系的問題。因此，在機器學習體系中協調計量經濟學可以使機器學習開發者了解是什么推動了他們模型的預測成功。

行為經濟學中的機器學習

[[337714]]

圖源：unsplash

機器學習強大的模式識別能力使得它在行為經濟學中有著廣泛應用前景。在使用現有數據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，到發現項目目標值的最終結果。這一算法的目標是開發一個能夠根據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，這些生產商能夠根據這種模式制定營銷策略，并為他們的業務帶來效益，從而有利于整體經濟。

決策樹狀圖示例

產品改進和生產

我們用機器學習所做的很多事情都是在表面之下進行的。機器學習驅動算法，用于需求預測、產品搜索排名、產品和交易建議、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。

數據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量的同時降低制造成本。制造業的基本目標本就是以最低的成本生產出高質量的產品。

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

德國南部有一家洗發水工廠，只有一條生產線，但其生產功能是通過在線接收訂單實現的。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時間，而且完全根據消費者的需求定制產品。

[[337715]]

圖源：unsplash

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

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

【責任編輯：趙寧寧 TEL：（010）68476606】