Вычислительная экономика
Вычисли́тельная (или алгоритми́ческая) эконо́мика (англ. computational or algorithmic economics) — это междисциплинарная область, объединяющая компьютерные науки и экономику для эффективного решения трудоёмких с вычислительной точки зрения проблем в экономике[1]. В этой области появляются новые направления, вызванные развитием цифровых технологий[2], а также задействуются традиционные разделы экономики, которые приобрели новый потенциал благодаря использованию компьютеров и специальных численных методов[3][4].
Среди значимых достижений можно выделить:
- теорию поиска и отбора (англ. search and matching theory), которая занимается эффективными методами подбора партнёров, рабочих мест или инвестиционных возможностей;
- теорию игр (англ. game theory), позволяющую анализировать и прогнозировать поведение участников рынка в конкурентных ситуациях;
- линейное программирование (англ. linear programming), которое позволяет находить оптимальные решения сложных задач распределения ресурсов;
- проектирование алгоритмических механизмов (англ. algorithmic mechanism design), нацеленное на создание эффективных алгоритмов для координации действий участников рынка;
- алгоритмы справедливого распределения (англ. fair division algorithms), которые позволяют честно делить ресурсы между участниками.
Использование компьютерных методов позволило значительно ускорить и усовершенствовать анализ экономических ситуаций, открывая новые перспективы для научных исследований и практической деятельности.
Общие сведения
| Наука | |
| Вычислительная экономика | |
|---|---|
| Значительные учёные | Ян Тинберген, Рагнар Фриш |
История
Развитие компьютерной экономики шло рука об руку с ростом роли математики в экономической науке. Уже в начале XX века выдающиеся экономисты, такие как Ян Тинберген — основатель математического моделирования экономических процессов и лауреат Нобелевской премии за создание первых эконометрических моделей национальных экономик, и Рагнар Фриш — создатель термина «эконометрика» и разработчик статистических методов для анализа экономических данных, была заложена основа компьютеризации экономики и становления эконометрики. Благодаря успехам в эконометрических исследованиях, методы регрессионного анализа, тестирование гипотез и другие вычислительно-статистические методики прочно вошли в арсенал экономистов.
В теоретическом плане сложные макроэкономические модели, включая модели реального делового цикла (англ. real business cycle (RBC)) и динамического стохастического общего равновесия (англ. dynamic stochastic general equilibrium (DSGE)), стимулировали разработку и применение численных методов, которые в значительной степени опираются на вычисления. В XXI веке развитие вычислительных алгоритмов создало новые средства взаимодействия вычислительных методов с экономическими исследованиями. Инновационные подходы, такие как модели машинного обучения и агент-ориентированное моделирование, активно исследуются в различных областях экономических исследований, предлагая экономистам расширенный набор инструментов, часто отличающийся по характеру от традиционных методов.
Сферы применения
Вычислительная экономика использует компьютерное экономическое моделирование для решения аналитически и статистически сформулированных экономических задач. Одним из ключевых направлений в этой области является агентное вычислительное моделирование экономики (англ. agent-based computational economics, ACE), представляющее экономику как динамическую систему взаимодействующих объектов, что позволяет исследовать экономические процессы, включая поведение целых стран и регионов. которое представляет экономику как динамическую систему взаимодействующих агентов, позволяя исследовать экономические процессы, включая поведение целых экономик[5][6][7][8]. По сути, агентное моделирование описывает экономику как сложную адаптивную систему, где множество агентов с индивидуальными действиями формируют коллективное поведение системы[9][10][11]. В рамках данный исследований под агентом подразумевается вычислительный объект, действующий в соответствии с определёнными правилами, а не реальные люди[12]. Такие агенты могут олицетворять социальные, биологические или/и физические субъекты. В отличие от традиционного предположения о математической оптимизации поведения агентов в равновесии, агентное моделирование основывается на идее ограниченной рациональности, где агенты адаптируются к внешним условиям, включая игровые ситуации. При заданных исходных условиях модель развивается во времени исключительно за счёт активности самих агентов. Теоретическое предположение о математической оптимизации поведения агентов в равновесии заменяется менее строгим постулатом о том, что агенты с ограниченной рациональностью адаптируются к рыночным условиям[13], включая игровые ситуации[14][15][16]. При заданных исходных условиях модель развивается во времени исключительно за счёт активности самих агентов[17]. Ценность метода заключается в возможности тестировать теоретические гипотезы на реальных данных[18], что позволяет накапливать и укреплять эмпирически обоснованные теории с течением времени[19].
Модели машинного обучения представляют собой метод для работы с огромными, сложными и неструктурированными наборами данных. Различные алгоритмы машинного обучения, такие как ядерные методы (англ. kernel methods) и метод случайного леса (англ. random forest), были разработаны и используются в интеллектуальном анализе данных (дата-майнинге) и статистическом анализе. Эти модели демонстрируют превосходные возможности в области классификации, прогнозирования и гибкости по сравнению с традиционными статистическими моделями, такими как метод STAR (англ. Smooth Transition Autoregressive), который позволяет плавно регулировать параметры модели в зависимости от изменений данных. Другие подходы, например причинное машинное обучение (англ. causal machine learning) и причинные деревья (англ. causal tree), предоставляют особые преимущества, включая возможность проверки статистических выводов.
Использование инструментов машинного обучения в экономических исследованиях имеет как значительные достоинства, так и недостатки. В традиционной экономике модель выбирается и анализируется одномоментно. Экономист сначала выбирает модель, исходя из базовых принципов, затем тестирует и анализирует её с помощью данных и проводит перекрёстную проверку с другими моделями. С другой стороны, модели машинного обучения обладают встроенными механизмами настройки (тюнинга). В процессе эмпирического анализа они одновременно выполняют кросс-валидацию, оценивают и сравнивают различные модели. Этот процесс может приводить к более надёжным оценкам по сравнению с традиционными подходами.
Традиционная экономика частично нормализует данные на основе существующих принципов, в то время как машинное обучение предлагает более фактологический подход к строительству моделей, непосредственно ориентируясь на данные. Хотя машинное обучение прекрасно справляется с задачами классификации, прогнозирования и оценки качества моделей, многие модели не способны выдавать качественные статистические выводы, что особенно важно для экономических исследований. Ограничения моделей машинного обучения означают, что экономистам, использующим эти инструменты, потребуется разрабатывать стратегии для получения надёжного статистического причинно-следственного вывода — ключевого направления современного эмпирического исследования. Например, исследователи в экономике стремятся идентифицировать искажающие (сопутствующие) факторы, строить доверительные интервалы и оценивать другие параметры, которые недостаточно чётко определены в алгоритмах машинного обучения[20].
Машинное обучение может способствовать разработке более сложных экономических моделей, учитывающих разнообразие потребителей и производителей (гетерогенных агентов), которые отличаются друг от друга по вкусам, убеждениям, навыкам или обстоятельствам. Традиционно создание гетерогенных моделей требовало значительных вычислительных усилий. Поскольку гетерогенность может проявляться в различиях предпочтений, убеждений, способностей, навыков или ограничений, оптимизация гетерогенной модели значительно сложнее, чем оптимизация однородной модели с репрезентативным агентом[21]. Появление методов подкрепляющего обучения и глубоких нейронных сетей может существенно сократить сложность анализа гетерогенных моделей, создавая модели, которые лучше отражают поведение агентов в экономике[22].
Широкое внедрение нейронных сетей и глубокого обучения в вычислительной экономике может уменьшить рутинную работу по очистке и обработке данных, значительно сократив время и затраты на крупномасштабный анализ данных и позволив исследователям собирать и анализировать данные в большем объёме[22]. Это откроет дорогу к новым методам моделирования. Кроме того, уменьшение нагрузки на обработку данных позволит исследователям сосредоточить усилия на важных вопросах, таких как причинно-следственный анализ, контроль сопутствующих факторов и реалистичность модели. При правильном руководстве модели машинного обучения смогут ускорить процесс разработки точных и применимых экономических теорий через обширный анализ эмпирических данных и вычислений[23].
Методы динамического моделирования широко применяются в макроэкономических исследованиях для симуляции экономических колебаний и оценки последствий изменений в экономической политике. Одна из категорий таких динамических моделей — динамические стохастические модели общего равновесия, которые активно используют вычислительные методы и алгоритмы. DSGE-подходы опираются на принципы микроэкономики, основанные на поведении отдельных агентов, и воспроизводят ключевые черты реальной экономики в условиях неопределённости будущего. Из-за своей сложности DSGE-модели обычно не поддаются аналитическому решению и реализуются численно с помощью компьютерных программ. Главным достоинством DSGE-подходов является возможность гибко моделировать динамический выбор агентов. Однако многие учёные критикуют их за зависимость от упрощённых предпосылок, которые зачастую далеки от реальности.
Использование вычислительных инструментов в экономических исследованиях стало обычным делом и основой многих работ на длительный период времени. Инструментарий вычислительной экономики включает широкий спектр программного обеспечения, предназначенного для выполнения матричных операций (например, обращения матриц) и решения систем линейных и нелинейных уравнений. В экономических исследованиях для анализа данных и моделирования используются различные языки программирования. Среди них выделяются C++, MATLAB, Julia, Python, R и Stata.
Из перечисленных языков программирования компилируемый язык C++ характеризуется самой высокой скоростью исполнения, так как перед запуском программы её код полностью преобразуется в машинный код, выполняемый напрямую центральным процессором. В то же время интерпретируемый язык Python уступает остальным в скорости, поскольку его команды выполняются построчно интерпретатором в реальном времени, что делает его менее производительным, но зато удобным для быстрой разработки и отладки. MATLAB, Julia и R занимают промежуточное положение между производительностью и удобочитаемостью кодов. Программный пакет Stata, являясь одним из старейших инструментов статистического анализа, долгое время оставался классическим выбором для экономистов. Широкая функциональность, высокая точность, гибкость и возможность повторного использования сделали Stata одним из самых популярных инструментов статистического анализа среди экономистов.
Печатные издания
Ниже пперечислены специализированные журналы, изучающие вопросы вычислительной экономики:
Примечания
Ссылки
- Society for Computational Economics
- Journal of Economic Dynamics and Control Архивировано 5 мая 2021 года. — cпециализируется на статьях по вычислительной экономике
- Agent-Based Computational Economics — cайт профессора экономики Айовского Университета Лея Тесфатсьона (англ. Leigh Tesfatsion)
- The Use of Agent-Based Models in Regional Science — исследование агентных моделей для симуляции городской агломерации
- Computational Economics with Python — серия тематических лекций
- Computational Finance and Economic Agents Архивировано 15 декабря 2018 года.
- Journal of Economic Interaction and Coordination — официальный журнал Ассоциации экономической науки с гетерогенными взаимодействующими агентами
- Chair of Economic Policy, University of Bamberg (Germany)
- Repository of public-domain computational solutions
