Ich werde oft gefragt: Wo macht Deep Learning einen echten Unterschied in unseren rechnerischen Fähigkeiten in der Wirtschaft? Meine Antwort? Bei der Lösung integrierter Bewertungsmodelle (IAMs) des Klimawandels. In dieser Modellklasse wollen wir den Feedback-Loop zwischen Makroökonomie und Klima verstehen. Dies ist ein äußerst kompliziertes rechnerisches Problem, weil: 1️⃣ Es ist nicht stationär. 2️⃣ Es ist hochgradig nicht-linear. 3️⃣ Es ist hochdimensional. Aufgrund dieser drei Gründe haben viele IAMs das Problem vereinfacht oder wichtige wirtschaftliche Mechanismen ignoriert. In einem kürzlich veröffentlichten Papier, "Klimawandel durch die Linse der makroökonomischen Modellierung", zeigen Kenneth Gillingham, @comp_simon und ich, wie man Deep Learning anwenden kann, um viel anspruchsvollere IAMs zu lösen. Sie können das Papier hier lesen: Genauer gesagt zeigen wir, wie Deep Learning die Genauigkeit unserer Lösungen und die Relevanz der politischen Erkenntnisse verbessert: 1️⃣ Deep Learning kann mit Nicht-Stationaritäten umgehen. 2️⃣ Deep Learning kann mit Nicht-Linearitäten umgehen. 3️⃣ Deep Learning kann mit hochdimensionalen Problemen umgehen. Hier gibt es eindeutig eine offene Gelegenheit für viel Folgearbeit. Allerdings ist dies ein Bereich, für den die Wirtschaftswissenschaft nicht gut geeignet ist. Um sein Versprechen zu erfüllen, erfordert diese Art von Forschung Teams von mindestens einem halben Dutzend Forschern (von Experten für Datenmanagement über Klimawissenschaftler bis hin zu Programmierern und Makroökonomen), und wir haben nicht die institutionelle Struktur für eine solche Zusammenarbeit. Die meisten Papiere in der Wirtschaftswissenschaft sind von ad-hoc-Teams von Forschern verfasst, und Stipendien bieten in der Regel nur für einige Jahre Unterstützung, was keine Kontinuität in den Teams und die Investition in die erforderlichen spezifischen Fähigkeiten ermöglicht. Der Punkt geht über IAMs hinaus. Da wir ein quantitativeres und datengestütztes Feld werden, erfordern viele Forschungsprojekte (aber nicht alle) eine strukturiertere Laborumgebung, ähnlich der der Naturwissenschaften, und wir haben noch nicht herausgefunden, wie wir das erreichen können. Hoffentlich wird die Profession in den nächsten Jahren in dieser Hinsicht Fortschritte machen.