On me demande souvent : Où l'apprentissage profond fait-il une réelle différence dans nos capacités de calcul en économie ? Ma réponse ? Dans la résolution des modèles d'évaluation intégrée (IAM) du changement climatique. Dans cette classe de modèles, nous voulons comprendre la boucle de rétroaction entre la macroéconomie et le climat. C'est un problème computationnel extrêmement compliqué car : 1️⃣ Il est non stationnaire. 2️⃣ Il est hautement non linéaire. 3️⃣ Il est hautement dimensionnel. À cause de ces trois raisons, de nombreux IAM ont simplifié à l'excès le problème ou ignoré des mécanismes économiques importants. Dans un article récent publié il y a quelques jours, "Le changement climatique à travers le prisme de la modélisation macroéconomique", Kenneth Gillingham, @comp_simon, et moi montrons comment appliquer l'apprentissage profond pour résoudre des IAM beaucoup plus sophistiqués. Vous pouvez lire l'article ici : Plus particulièrement, nous montrons comment l'apprentissage profond améliore la précision de nos solutions et la pertinence des conclusions politiques : 1️⃣ L'apprentissage profond peut gérer les non-stationnarités. 2️⃣ L'apprentissage profond peut gérer les non-linéarités. 3️⃣ L'apprentissage profond peut gérer des problèmes de haute dimension. Il y a clairement une opportunité ouverte ici pour beaucoup de travaux de suivi. Cependant, c'est un domaine pour lequel la profession économique n'est pas bien adaptée. Pour réaliser son potentiel, ce type de recherche nécessite des équipes d'au moins une demi-douzaine de chercheurs (des experts en gestion des données aux climatologues, en passant par les codeurs et les macroéconomistes), et nous n'avons pas la structure institutionnelle pour une telle collaboration. La plupart des articles en économie sont coécrits par des équipes ad hoc de chercheurs, et les subventions n'offrent généralement que quelques années de soutien, ce qui ne permet pas la continuité des équipes et l'investissement dans les compétences spécifiques requises. Le propos va au-delà des IAM. À mesure que nous devenons un domaine plus quantitatif et axé sur les données, de nombreux projets de recherche (mais pas tous) nécessitent un environnement de laboratoire plus structuré, similaire à celui des sciences naturelles, et nous n'avons pas encore trouvé comment y parvenir. Espérons que la profession progressera dans ce domaine au cours des prochaines années.