李绍荣:人工智能对经济计量方法的重要影响

作者简介:李绍荣,北京大学经济学院教授。研究方向为公共财政、博弈论与信息经济学。主要著作有《交换经济的市场过程》(论文)、《帕雷托最优与一般均衡最优之差异》(论文)等。

【摘要】当前的经济学理论,即西方经济学,还不是一门真正的经济学理论,无法解释现实经济的发展和演进,因此,为满足认识现实经济的需要大量使用经济计量方法分析现实经济现象。随着人工智能和机器学习方法引入经济计量研究中,并且随着机器学习算法的进一步改进,会对经济计量分析方法产生革命性变化。究其原因就在于现代经济学理论没有说明经济制度的形成和演进,自然无法说明现实经济发展和变化,更无法指导现实经济和给出有效经济政策,而人工智能在经济计量方面的应用,将弥补经济学理论在解释现实经济方面的缺失,为现实经济给出尽可能接近现实运行的说明,从而给出有效的经济社会政策。因此,人工智能对经济计量方法的影响是革命性的,但任重而道远。

【关键词】人工智能 机器学习 经济计量 经济过程

【中图分类号】TP18 【文献标识码】A

【DOI】10.16619/j.cnki.rmltxsqy.2019.20.002

经济学与经济计量的发展

经济学作为一门独立的分支学科是以亚当·斯密的《国富论》为标志而诞生的,其目的是解释经济(市场)是怎样运作的,经济发展的源泉和动力是什么?而《国富论》之所以成为经济学的奠基著作就在于亚当·斯密试图通过人的逐利行为,去说明市场的运行和市场(经济)秩序的形成,进而说明经济制度演进和发展的规律。然而由于当时无法精确刻画人的市场逐利行为,也就无法在一个理论框架内,通过人的市场逐利行为,来说明市场的运行机制和市场秩序。其只从哲学思辨的角度,概要地给出:“因此,当每一个人企图尽可能地使用他的资本去支持本国工业,从而引导那种工业使它的产品可能有最大的价值时,每一个人必然要为使社会的每年收入尽可能大而劳动。的确,他一般既无心要去促进公共利益,也不知道他对之正在促进多少。他宁愿支持本国工业而不支持外国工业,只是想要确保他自己的安全;他指导这种工业去使其产品能具有最大的价值,他这样做只是为了他自己的利益,也像在许多其他场合一样,他这样做只是被一只看不见的手引导着,去促进一个并不是出自他本心的目的”。[1]简言之,通过自由竞争,人们的市场逐利行为,就像存在一只看不见的手一样,通过市场交换,会形成一个非自利的市场交换者本意的,但对每个市场交换者而言是最好的市场(经济)秩序。这一哲学思辨结论,成了后来经济学从理论上要努力说明的一个主要核心结论之一。

从理论上讲,亚当·斯密猜想的这一核心结论是由后来边际主义学者完成的,是现代经济学中一般均衡理论的核心结果。随着经济学中边际主义革命的发展,在数学上精确表达市场交易者的利益最大化行为成为可能,进而能够在一个统一的理论框架中说明市场交易者的市场交易结果,即通过市场交易者的市场交易性行为说明商品市场价格的形成。其从而把古典经济学中,存在逻辑矛盾的赋税和收入分配理论,统一在一个理论框架下并逻辑一致地得以说明,并美其名新古典经济学。但在这种精美的理论结构下,却把古典经济学或者经济学中一个最主要的理论问题——经济发展的源泉和动力是什么?——省略了,致使现代经济学理论无法说明经济的演进和发展,说明和解释不了现实经济的运行。然而经济实践需要对现实经济有所认识和说明,因而促进了经济计量学的发展。

经济计量学是挪威经济学家R·弗里希(1895~1973)和荷兰经济学家J·丁伯根(1903~1994)共同倡导和创立的,两人也因此共同获得第一届诺贝尔经济学奖。在弗里希和丁伯根创立经济计量初期,经济计量只能对个体经济行为者的经济行为进行计量和分析,如计量分析生产者的生产行为和消费者的消费行为,还无法对整个经济体,即宏观经济的经济运行进行计量和分析。直到约翰·斯通与詹姆士·米德共同研究如何把现实经济中凯恩斯理论上的国民收入和支出平衡核算出来的问题,并于1941年编制出英国国民收入和支出核算的估计数据,计量和分析宏观经济的运行和特征才成为可能,二者也分别获得1984年度和1977年度的诺贝尔经济学奖。此后劳伦斯·克莱因成为宏观经济计量分析的集大成者,他以凯恩斯的经济理论为基础,计量分析宏观经济的运行和特征,并用于经济波动的预测,由此创立了宏观经济计量学亦因此而获得1980年诺贝尔经济学奖。现今,随着经济中微观数据和宏观数据库的建立,以及计算机处理数据速度的提高,各种细致的微观经济分析方法、复杂的宏观计量分析和模拟模型不断呈现,以说明现实经济运行的现状和特征。经济计量分析技术的这种大量使用,说明现实经济实践对认识和说明经济运行的需要,同时也说明经济理论在解释现实经济的乏力。如果把试图揭示社会经济规律的经济学理论视为道,那认识现实经济现象的经济计量分析就是德,而大量使用经济计量分析来满足认识现实经济的需要,很大原因是因为经济学理论无法解释现实经济,不能满足认识现实经济的需要,即所谓“道失而德行”。这意味着在没有形成能解释现实经济的经济理论之前,为满足认识现实经济的需要大量使用经济计量方法分析实现经济现象是一种常态,这需要对经济计量方法的特点、优势和局限有一个清醒的认识。

经济计量方法的发展与局限性

从弗里希和丁伯根创立经济计量方法至今,可以粗略地把经济计量方法分为两大类。第一类可称为传统经济计量,这类计量方法侧重于以经济理论为基础,面对需进行计量研究的经济现象,首先通过已有的经济理论对现实经济现象进行理论解释,说明现实经济中相关经济变量之间的理论关系,然后以线性方程,即可计量方程表示相关经济变量之间关系,这样通过足够数量的样本数据就可对经济现象的经济关系进行计量分析,并对统计特征显著的变量关系用以解释现实经济中变量之间的数量关系。如果所考虑的现实经济现象,在理论上存在变量间的内生性,并且需要用多个方程,即方程组解释现实经济,并且需要估计联立方程组,估计联立方程组将涉及方程的可识别问题,也就涉及设立可识别方程与相应经济理论相适应的问题。面对一个庞大宏观经济问题,要设立一个过百上千方程的可识别方程组,对模型设立者有很高的艺术要求,而且还要求模型的经济变量关系不与相应的经济理论相悖。因此没有一定经济理论修养和很好的模型设立艺术,很难用传统经济计量方法对现实经济现象进行计量分析。此外,在用传统计量方法对现实经济进行计量研究时,由于数据只是所研究现实经济现象的历史数据,不是实验数据,无法满足经济关系估计方法的模型假设条件,因此传统经济计量方法主要侧重于样本数据与估计方法假设条件的检验方面。只有样本数据通过估计模型的假设条件检验,估计的参数在统计上才有意义,估计的参数才能作为稳定经济关系的数量关系进行分析说明。如果把数据视为足,估计模型喻为履,那传统经济计量方法明显就有削足适履的特点,这会让经济数据中隐含的一些重要现实经济关系特征被削除掉,从而无法认识和解释现实经济的一些具体特点,也就无法给出适合现实经济特点的有效的经济政策。

随着经济数据样本总体的增大,可以把经济变量视为随机变量进行处理,这样就把传统经济计量方法转变成现代经济计量方法。现代经济计量方法与传统计量方法的差异,表面上是小样本与大样本的差异,本质上是传统经济计量方法以经济学理论为基础,而现代经济计量方法却是利用大样本数据,通过发展的一些大样本处理手段,直接挖掘经济变量之间的相关关系或时间差异上的因果关系,并不把经济变量之间的关系拘泥于经济理论是否说明经济变量间存在一定经济关系,而且对于具体的现实经济数据,还能够通过数据说明除理论上说明的经济关系外,是否存在其他相关的变量关系。比如,在传统经济计量中,在经济理论描述的经济变量间的结构关系外,在估计变量关系时,为了得出无偏的估计量,要求设定的模型扰动项是不相关的,这也就要求估计出的残差项之间不能出现序列相关。一旦进行参数估计时出现这样的问题,就得通过一些具体的数据处理方法,消除违背模型设定的假设条件的数据特征,使得估计出的经济结构关系与经济理论描述的经济关系一致,这导致具体现实经济中存在的特殊经济关系也被处理掉,反而丢失研究具体现实经济特殊性的意义和结果。如果现实经济的数据样本量足够大,就可对违反估计模型设定假设的现实经济数据,专门研究违反假设的特殊经济关系,比如,如果出现的是时间方面的序列相关,就可研究经济变量间的时间序列关系,从而提高变量的预测估计,或通过协整修正研究两个序列相关的经济变量之间的长期稳定关系和短期偏离关系,这是经济学理论无法从理论分析给出的经济变量关系,但若现实经济的样本数据总量大,就可通过现代经济计量方法估计出经济变量间的这种长期稳定关系和短期偏离关系,解释现实经济中经济变量之间的长短期关系。如果出现的序列相关是地区或空间之间的序列相关,就可以研究地区或空间之间的经济关系,这就是空间计量所关注的内容,现在已发展成体系完整的空间计量学。如果序列相关不是线性的,而是方差层面线性的,就可研究资产平均收益率与风险之间的关系,这些都是在大样本容量下发展出来的现代经济计量方法,它不需要经济学理论作为现实经济计量分析的基础,通过大样本数据还可分析出经济理论无法揭示的现实经济表现出来的具体经济关系,如变量间的长短期关系、地区间经济相关关系以及资产收益率与风险的关系等。此外通过微观的大样本面板数据,可研究微观变量间的个体不变或时间趋势不变的效应,以及研究微观决策的个体和社会属性的影响因素等。但无论传统或是现代的经济计量方法,即使有经济理论作为基础,或无需经济理论作为基础,在应用经济计量方法研究现实经济时,都隐含着一个重要的假设条件,即在研究的样本期间内,现实经济过程不变,也就是经济变量之间的关系不变。如果经济过程改变,即经济变量之间的关系改变,那么通过现实经济数据估计出来的经济变量之间的关系是有偏差和错误的,以此分析现实经济将谬之千里。

此外还有一类经济计量分析,主要是用一组模型群以经济理论的微观基础为蓝本构造经济的市场运行特征,设置现实经济相关经济参数,对现实经济进行模拟,并检验相关政策的效应。但无论哪一种经济计量方法,都需要假设样本时期或需要研究的现实经济模拟时期,经济总体过程是不变的,一旦经济过程改变,需要对经济过程进行检验,这一检验在经济计量方法中称为断点检验。其所依据和判断的,主要是研究者根据现实经济状态可能受到影响经济过程或经济结构的经济冲击,如在研究的样本期内,现实经济中可能执行影响经济结构的经济政策,或经济外部出现影响经济行为人行为的冲击,此时需要对经济过程或经济结构改变的断点进行检验,否则估计出的经济关系是有偏差的,甚至是伪经济关系。因此,判断怎样的冲击会影响经济过程或经济结构,就成为经济计量研究者必须具备的经济研究素养,如果对所研究的现实经济没有很好的了解和认识,这种素养是很难培养出来的。但是,随着人工智能和机器学习方法引入经济计量研究中,这一问题将会得到更好的改善,并且随着机器学习算法的进一步改进,会使经济计量分析方法产生革命性变化。

人工智能的发展及特点

人工智能是使用计算机来研究和模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,内容涉及计算机实现智能的原理和制造类似于人脑智能的计算机,以提升计算机的应用层次,因此,人工智能将涉及计算机科学、心理学、哲学和语言学等学科。从逻辑思维、形象思维、灵感思维等能促进人工智能发展和突破性的领域看,数学应是人工智能的最基础科学,数学不仅在标准逻辑、模糊数学等方面有很大发展,而且在语言和思维方面也有很大的应用,也促使数学有很大的发展。可以说人工智能学科必须借助于数学,数学进入人工智能学科后,也将促使数学有很大发展。

人工智能中最核心的部分是机器学习(Machine Learning),是通过机器学习运算实现人工智能的一种方法,应用各种算法解析数据,从实验和现实中学习,然后对真实世界中的事件作出决策和预测。与传统计算机处理特定任务不同,计算机在处理特点任务时,需要人为编制专门程序来执行和处理任务,而机器学习是通过对大量数据的学习和处理,“让计算机在没有明确编程的条件下拥有学习的能力”,并找出完成任务的方法。让计算机在没有确定编程的条件下自己选择处理任务的最佳方法,除了要处理大量实验和现实数据的复杂算法外,这些算法涉及概率论、统计学、逼近论、凸分析、计算数学、计算机科学,以及行为科学等,还需要一个不断改进和学习的过程。机器学习大致可分为三类:有监督学习(Supervised Learning)、无监督学习(Unsupervised Learning)和强化学习(Reinforcement Learning)。有监督学习是对有标签的数据样本(a sample of labelled data)进行学习,及对一些已经有确定最优选择(决策)的样本进行学习,通过一定的回归(Regression)算法和分类(Classification)算法,找出要处理任务的最优处理方法和决策。例如,对于商业公司来说,它拥有大量顾客个人和社会属性,以及商品价格和社会时尚的信息数据,如果商业公司想通过这些数据进行学习,找出商品价和各类顾客属性和社会时尚之间的关系,就可通过建立各类回归模型算法,对数据进行关系分析,因数据是有标签的,既有对应的最优选择行为结果,就可通过分类算法对数据的关系进行分类,从中找出商品价和各类顾客属性和社会时尚之间的最优关系,这种学习过程就是有监督学习。而无监督学习则是对没有标识的数据样本进行学习的过程,通过对这些无标签数据学习,从数据分析中找出隐藏的潜在规律以有助于任务的处理。例如,玉石的赌石专家经常需要对毛石进行鉴定。显然,任何一块毛石上都不会存在明确标识的信息特征,赌石专家只能通过大量观鉴毛石去增加主观体验。久而久之,他们会发现某些毛石会因它的出产地和毛石重量(比重)与表象产生关系,这样能够有助于判断毛石的内在品质和成色,通过这些技巧来识别,他们就能对毛石的内在品质和成色进行鉴定。在这个过程中,赌石专家们的学习就是无监督学习。无监督学习与有监督的学习差异就在于,无监督学习侧重于在对数据进行分类,又利用有监督学习的方法对分类数据进行聚类(Clustering)算法寻找隐藏的潜在规律,也就是找到处理任务的最优方法。显然,在无监督学习中,如果数据的多样性丰富和数据充分,学习的结果和处理任务的错误就少,但在无监督学习中,寻找潜在规律的过程就是一个不断学习的过程,即把正确判断和决策的结果记录下来,把错误的结果进行纠正,也助于改进学习,因此,机器学习过程是一个强化学习的过程,即在一个动态的环境中进行学习,学习者通过不断试错,从而通过奖励信号最优化学习结果,改进任务的处理。随着互联网和计算机运算速度的提高,机器学习不是仅从一定类型的数据来进行学习,而是有可能从不同类型的各种数据中进行学习,从而得出更准确的任务处理方法,这就是机器的深度学习(Deep Learning)。随着大数据和互联网数据的兴起,深度学习的力量就开始体现出来,目前人工技术的迅速发展,很大程度上是深度学习推动的。

我们的文章主要说明的是人工智能对经济计量方法的影响,因此有必要说明人工智能,特别是机器学习的一些主要模型和算法。前面介绍了机器学习主要有两类,一类是有监督的学习;另一类是无监督学习,机器在这两类学习中都是一个动态的过程,及加强学习的过程。而无监督的学习也是对无标签的数据以某种标准进行聚类,成为有标签的数据,从而对该标签下的数据进行有监督的学习,分析该种聚类的有效性,以寻找潜在的分类标准或标签,这一过程当然就是一个加强学习的过程,因此机器学习的主要模型和方法就是有监督的学习方法和贝叶斯学习方法。有监督的学习方法主要包括线性回归、逻辑回归、朴素贝叶斯、线性判别分析、决策树、K-近邻、支持向量机等,可分为回归和分类两大类,各种回归方法在经济计量中有很好的应用,在此不作介绍。现在在经济计量分析中已大量应用的是数据分类方法,在此主要介绍支持向量机,支持向量机实际上是凸分析理论中分离定理在数据分析中的应用,因为数据是有标签的,可将数据按某种标准分成两类截然不同的数据组,而且是两组数据差异越大的标准越好,然后又对分离的数据组再以某种标准进行分类,这样就可对输入的数据匹配最好的数据组,从而找到最好的输出结果。如果数据采集是一个动态过程,利用多层感知器模型就可进行深度学习。机器学习出现长足发展,得益于哈佛大学的瓦廉特(Valliant)教授,他把贝叶斯方法转换成概率近似正确的学习理论,使贝叶斯学习方法成为机器强化学习的重要方法,贝叶斯学习方法实际上就是在概率近似正确的概念下把贝叶斯方法改写成变分形式的概率最优解,从而可以通过新的数据组求出概率近似正确的最优后验概率,通过机器的有监督和无监督学习在数据采集过程中不断加强学习,提高机器的决策判断能力。当然,随着互联网和计算机运算速度的提高,人工智能,即机器学习方法也会不断改进,但就目前机器学习已经形成的一些方法,应用到经济计量分析中,将会对经济计量方法产生革命性影响。

人工智能对经济计量方法的影响

前面在介绍经济计量方法的发展过程及其特点时提到,无论是传统经济计量方法还是现代经济计量,在对现实经济进行计量分析时,需要假设经济过程不变,然而这是在进行现实经济计量分析时最难保证的,而且经济过程本身是否发生变化也是进行现实经济分析最需要得出的一个分析结果,因此,找出现实经济过程发生变化的点,即经济计量中常称的断点,就是分析现实经济的一个主要任务和目的,只是当前的经济计量方法无法完成这一分析要求。不过现代经济计量中已经应用一些简单人工智能方法,如多层感知器模型的倾向得分匹配方法,对时间或空间上有明显断点的经济数据进行断点回归,分析断点经济效应是否明显,即经济过程是否发生改变,断点变化产生的经济效应如何等现实经济问题。但随着经济数据总量的扩大和种类的增加,互联网带来的经济数据资料实时性,以及云计算和计算机处理数据速度的增强,人工智能将给经济计量分析带来一些革命性的变化。

(1)有监督的机器学习方法用于经济计量分析,将对实时产生的经济数据进行分类,区分出不同经济侧面发生的过程变化,有效分析各个稳定侧面中经济过程的经济特征和经济关系,对经济发展形势有一个准确把握,并给出有效的经济政策。这一改变不再把经济过程的断点作为一个外生的,需要经济计量分析人员给出判断,并用相关方法进行检验的计量方法要求条件,而是经济计量过程中在数据处理过程就自动识别出经济不同侧面的断点,对经济体的各个稳定过程进行有效计量分析,给出现实经济体运行的一个完整分析结果。

(2)如果经济数据反映的是所有经济主体人的经济行为数据,那么利用贝叶斯学习方法,在对实时产生的经济数据进行分类的基础上,通过贝叶斯学习区分出不同经济侧面发生变化的经济体的社会意识形态,可以有效分析各个稳定侧面中经济过程的经济特征和经济关系的意识形态基础,即制度基础,进而对经济发展制度有一个准确把握,并给出有效的政治、社会和经济政策。其使经济计量分析过程,通过对实时经济数据的处理对整体经济社会的运行有一个完整把握,从而对整个经济社会的未来发展给出具有前瞻性的有效发展政策。

当前经济理论的发展远远落后于现实经济的发展,而且现在的经济学理论,特指西方经济学,还不是一门真正的经济学理论,根本无法解释现实经济的发展和演进,因为经济学是要解释现实社会的,应该是一门社会科学,但现在的市场经济理论是用工程学的方法建构的,得出的理论结论也是工程学的,即资源配置最优。究其原因就在于现代经济学理论没有说明经济制度的形成和演进,自然无法说明现实经济发展和变化,更无法指导现实经济和给出有效经济政策,而人工智能在经济计量方面的应用,将弥补经济学理论在解释现实经济方面的缺失,让现实经济给出尽可能接近现实运行的说明,从而给出有效的经济社会政策。因此,人工智能对经济计量方法的影响是革命性的,但任重而道远。

结论

随着通信、互联网以及计算机的发展,人工智能将对整个经济社会文化产生革命性的改变,但就目前人工智能,即机器学习方法在经济计量分析方面的应用,也将会对经济计量方法产生革命性的变化,这体现在两个方面。

(1)经济过程的断点不再是外生的,而是经济计量过程能够自动分析识别出不同经济侧面的断点,从而得出现实经济体运行的一个完整分析结果。

(2)如果经济数据充分,通过经济计量分析还可区分出不同经济侧面发生变化的经济体的社会意识形态,从而对整体经济社会制度的运行有一个整体把握,并给出具有前瞻性的有效发展政策。

注释

[1][英]亚当·斯密:《国民财富的性质和原因的研究(上、下)》第4卷,郭大力、王亚南译,北京:商务印书馆,1974年,第456页。

参考文献

[英]亚当·斯密,1974,《国民财富的性质和原因的研究(上、下)》第4卷,郭大力、王亚南译,北京:商务印书馆。

Mehryar Mohri, Afshin Rostamizadeh and Ameet Talwalkar, 2012, Foundations of Machine Learning, The MIT Press.

责 编/周于琬

The Important Influence of Artificial Intelligence on Econometric Method

Li Shaorong

Abstract: The current economic theory, or the Western economics, is not a real economic theory as it cannot explain the development and evolution of the real economy. In order to understand the real economy, there is the need to adopt econometric methods frequently to analyze the realization of economic phenomenon. With the introduction of artificial intelligence (AI) and machine learning into econometric research, and with the further improvement of machine learning algorithm, the econometric analysis method will experience a revolutionary change. The reason is that the modern economic theory does not reveal the formation and evolution of the economic system, so naturally it cannot explain the real economic development and change, not to mention guiding the real economy or contributing effective economic policies. The application of AI in econometrics will remedy the deficiency of the economic theories in explaining the real economy by helping to give better interpretations that are as close as possible to how the economy operates, so as to provide effective economic and social policies. Hence, the influence of AI on econometric methods is revolutionary, but there is still a long way to go.

Keywords: artificial intelligence, machine learning, econometrics, economic process

[责任编辑:周于琬]

来源: 《人民论坛·学术前沿》2019年10月下 作者: 李绍荣

5/5 - (1 vote)

You may also like

发表回复

您的电子邮箱地址不会被公开。 必填项已用 * 标注

19 − 12 =