Saya sering ditanya: Di mana pembelajaran mendalam membuat perbedaan nyata dalam kemampuan komputasi kita dalam ekonomi? Jawaban saya? Dalam memecahkan model penilaian terpadu (IAM) perubahan iklim. Dalam kelas model ini, kami ingin memahami loop umpan balik antara makro dan iklim. Ini adalah masalah komputasi yang sangat rumit karena: 1️⃣ Ini tidak stasioner. 2️⃣ Ini sangat non-linier. 3️⃣ Ini sangat berdimensi. Karena ketiga alasan ini, banyak IAM telah menyederhanakan masalah secara berlebihan atau mengabaikan mekanisme ekonomi yang penting. Dalam sebuah makalah baru-baru ini yang diterbitkan beberapa hari yang lalu, Perubahan Iklim Melalui Lensa Pemodelan Makroekonomi, Kenneth Gillingham, @comp_simon, dan saya menunjukkan bagaimana menerapkan pembelajaran mendalam untuk memecahkan IAM yang jauh lebih canggih. Anda dapat membaca makalah di sini: Lebih khusus lagi, kami menunjukkan bagaimana pembelajaran mendalam meningkatkan akurasi solusi kami dan relevansi temuan kebijakan: 1️⃣ Pembelajaran mendalam dapat menangani non-stasioneritas. 2️⃣ Pembelajaran mendalam dapat menangani non-linieritas. 3️⃣ Pembelajaran mendalam dapat menangani masalah dimensi tinggi. Jelas ada kesempatan terbuka di sini untuk banyak pekerjaan tindak lanjut. Namun, ini adalah bidang yang profesi ekonomi tidak cocok. Untuk memenuhi janjinya, jenis penelitian ini membutuhkan tim yang terdiri dari setidaknya setengah lusin peneliti (dari ahli manajemen data hingga ilmuwan iklim hingga pembuat kode hingga makroekonomi), dan kami tidak memiliki struktur kelembagaan untuk kolaborasi semacam itu. Sebagian besar makalah di bidang ekonomi ditulis bersama oleh tim peneliti ad hoc, dan hibah biasanya hanya menawarkan dukungan beberapa tahun, yang tidak memungkinkan kesinambungan dalam tim dan investasi dalam keterampilan khusus pertandingan yang diperlukan. Poinnya melampaui IAM. Karena kita menjadi bidang yang lebih kuantitatif dan berbasis data, banyak proyek penelitian (tetapi tidak semua) membutuhkan lingkungan laboratorium yang lebih terstruktur yang mirip dengan ilmu alam, dan kita belum menemukan cara untuk mencapainya. Mudah-mudahan, profesi ini akan membuat kemajuan di sepanjang bidang ini selama beberapa tahun ke depan.