Ik word vaak gevraagd: Waar maakt deep learning echt een verschil in onze rekenkundige capaciteiten in de economie? Mijn antwoord? Bij het oplossen van geïntegreerde beoordelingsmodellen (IAM's) van klimaatverandering. In deze klasse van modellen willen we de feedbacklus tussen macro en klimaat begrijpen. Dit is een extreem gecompliceerd rekenkundig probleem omdat: 1️⃣ Het is niet-stationair. 2️⃣ Het is sterk niet-lineair. 3️⃣ Het is hoog-dimensionaal. Vanwege deze drie redenen hebben veel IAM's het probleem vereenvoudigd of belangrijke economische mechanismen genegeerd. In een recent artikel dat een paar dagen geleden is gepubliceerd, "Klimaatverandering door de lens van macro-economische modellering", laten Kenneth Gillingham, @comp_simon en ik zien hoe we deep learning kunnen toepassen om veel geavanceerdere IAM's op te lossen. Je kunt het artikel hier lezen: Meer specifiek laten we zien hoe deep learning de nauwkeurigheid van onze oplossingen en de relevantie van beleidsbevindingen verbetert: 1️⃣ Deep learning kan omgaan met niet-stationariteiten. 2️⃣ Deep learning kan omgaan met niet-lineariteiten. 3️⃣ Deep learning kan omgaan met hoog-dimensionale problemen. Er is hier duidelijk een open kans voor veel vervolgwerk. Echter, dit is een gebied waarvoor de economische professie niet goed is toegerust. Om zijn belofte waar te maken, vereist dit type onderzoek teams van minstens een half dozijn onderzoekers (van experts in databeheer tot klimaatwetenschappers tot programmeurs tot macro-economen), en we hebben niet de institutionele structuur voor een dergelijke samenwerking. De meeste artikelen in de economie zijn co-auteurs van ad-hoc teams van onderzoekers, en subsidies bieden meestal slechts een paar jaar ondersteuning, wat geen continuïteit in de teams en de investering in de vereiste match-specifieke vaardigheden mogelijk maakt. Het punt gaat verder dan IAM's. Naarmate we een meer kwantitatief en data-gedreven veld worden, vereisen veel onderzoeksprojecten (maar niet allemaal) een meer gestructureerde labomgeving, vergelijkbaar met die van de natuurwetenschappen, en we hebben nog niet uitgevonden hoe we dat kunnen bereiken. Hopelijk zal de professie de komende jaren vooruitgang boeken op dit gebied.