Spesso mi viene chiesto: dove il deep learning fa davvero la differenza nelle nostre capacità computazionali in economia? La mia risposta? Nella risoluzione dei modelli di valutazione integrata (IAM) del cambiamento climatico. In questa classe di modelli, vogliamo comprendere il ciclo di feedback tra macroeconomia e clima. Questo è un problema computazionale estremamente complicato perché: 1️⃣ È non stazionario. 2️⃣ È altamente non lineare. 3️⃣ È altamente dimensionale. A causa di queste tre ragioni, molti IAM hanno semplificato eccessivamente il problema o ignorato meccanismi economici importanti. In un recente articolo pubblicato pochi giorni fa, "Cambiamento Climatico Attraverso la Lente della Modellazione Macroeconomica", Kenneth Gillingham, @comp_simon e io mostriamo come applicare il deep learning per risolvere IAM molto più sofisticati. Puoi leggere l'articolo qui: Più in particolare, mostriamo come il deep learning migliori l'accuratezza delle nostre soluzioni e la rilevanza dei risultati politici: 1️⃣ Il deep learning può gestire le non stazionarietà. 2️⃣ Il deep learning può gestire le non linearità. 3️⃣ Il deep learning può gestire problemi ad alta dimensione. C'è chiaramente un'opportunità aperta qui per molto lavoro di follow-up. Tuttavia, questo è un campo per il quale la professione economica non è ben attrezzata. Per realizzare la sua promessa, questo tipo di ricerca richiede team di almeno una mezza dozzina di ricercatori (da esperti in gestione dei dati a scienziati del clima, a programmatori, a macroeconomisti), e non abbiamo la struttura istituzionale per tale collaborazione. La maggior parte degli articoli in economia è coautorizzata da team ad hoc di ricercatori, e i finanziamenti di solito offrono solo pochi anni di supporto, il che non consente continuità nei team e nell'investimento nelle competenze specifiche richieste. Il punto va oltre gli IAM. Man mano che diventiamo un campo più quantitativo e guidato dai dati, molti progetti di ricerca (ma non tutti) richiedono un ambiente di laboratorio più strutturato simile a quello delle scienze naturali, e non abbiamo ancora capito come raggiungere questo obiettivo. Speriamo che la professione faccia progressi su questo fronte nei prossimi anni.