الاقتصاد الحسابي

يستخدم الاقتصاد الحسابي النمذجة الاقتصادية الحاسوبية لحل المشكلات الاقتصادية المصاغة تحليليًا وإحصائيًا. ومن البرامج البحثية في هذا المجال الاقتصاد الحسابي القائم على الوكلاء (ACE)، وهو دراسة حسابية للعمليات الاقتصادية، بما في ذلك الاقتصادات ككل ، باعتبارها أنظمة ديناميكية من الوكلاء المتفاعلين . ^{[ 3 ]} وبذلك، يُعدّ هذا الاقتصاد الحسابي تكييفًا اقتصاديًا لنموذج الأنظمة التكيفية المعقدة . ^{[ 4 ]} ويُقصد بـ"الوكيل" هنا "الكائنات الحسابية التي تُنمذج على أنها تتفاعل وفقًا لقواعد محددة"، وليس الأشخاص الحقيقيين. ^{[ 5 ]} ويمكن للوكلاء تمثيل كيانات اجتماعية أو بيولوجية أو فيزيائية. ويُستبدل الافتراض النظري للتحسين الرياضي من قِبل الوكلاء في حالة التوازن بفرضية أقل تقييدًا، وهي أن الوكلاء ذوي العقلانية المحدودة يتكيفون مع قوى السوق، ^{[ 6 ]} بما في ذلك السياقات النظرية للألعاب . ^{[ 7 ]} وانطلاقًا من الشروط الأولية التي يحددها مصمم النموذج، يتطور نموذج ACE بمرور الوقت مدفوعًا فقط بتفاعلات الوكلاء. يتمثل الهدف العلمي لهذه الطريقة في اختبار النتائج النظرية مقابل بيانات العالم الحقيقي بطرق تسمح بتراكم النظريات المدعومة تجريبياً بمرور الوقت. ^{[ 8 ]}

تُقدّم نماذج التعلّم الآلي طريقةً لحلّ مجموعات البيانات الضخمة والمعقدة وغير المهيكلة . وقد طُوّرت واستُخدمت طرقٌ عديدةٌ للتعلّم الآلي، مثل طريقة النواة والغابة العشوائية ، في استخراج البيانات والتحليل الإحصائي. تُوفّر هذه النماذج تصنيفًا وقدرات تنبؤية ومرونة فائقة مقارنةً بالنماذج الإحصائية التقليدية، مثل طريقة STAR . كما تُقدّم طرقٌ أخرى، مثل التعلّم الآلي السببي والشجرة السببية ، مزايا واضحة، بما في ذلك اختبار الاستدلال.

توجد مزايا وعيوب ملحوظة لاستخدام أدوات التعلم الآلي في البحوث الاقتصادية. ففي الاقتصاد، يُختار النموذج ويُحلل دفعة واحدة. أما في البحوث الاقتصادية، فيُختار النموذج بناءً على المبادئ، ثم يُختبر ويُحلل باستخدام البيانات، ويُجرى التحقق المتبادل مع نماذج أخرى. من جهة أخرى، تتميز نماذج التعلم الآلي بتأثيرات "الضبط" المدمجة. فبينما يُجري النموذج تحليلاً تجريبياً، فإنه يتحقق متبادلاً ويُقدّر ويُقارن بين نماذج مختلفة في آن واحد. وقد تُسفر هذه العملية عن تقديرات أكثر دقة من تلك التي تُقدمها الطرق التقليدية.

يُجري علم الاقتصاد التقليدي تعديلاً جزئياً للبيانات استناداً إلى المبادئ القائمة، بينما يُقدّم التعلّم الآلي منهجاً أكثر إيجابية/تجريبية لنمذجة البيانات. ورغم تفوّق التعلّم الآلي في التصنيف والتنبؤ وتقييم جودة المطابقة، إلا أن العديد من النماذج تفتقر إلى القدرة على الاستدلال الإحصائي، وهو ما يُمثّل أهمية بالغة للباحثين الاقتصاديين. وتعني محدودية نماذج التعلّم الآلي أن الاقتصاديين الذين يستخدمونه سيحتاجون إلى تطوير استراتيجيات للاستدلال السببي الإحصائي القوي ، وهو محور أساسي في البحوث التجريبية الحديثة. فعلى سبيل المثال، قد يأمل الباحثون الاقتصاديون في تحديد المتغيرات المُربكة ، وفترات الثقة ، وغيرها من المعايير غير المُحدّدة بدقة في خوارزميات التعلّم الآلي. ^{[ 9 ]}

قد يُسهم التعلّم الآلي بفعالية في تطوير نماذج اقتصادية غير متجانسة أكثر تعقيدًا . تقليديًا، كانت النماذج غير المتجانسة تتطلب جهدًا حسابيًا مكثفًا. ولأن عدم التجانس قد يتمثل في اختلافات في الأذواق أو المعتقدات أو القدرات أو المهارات أو القيود، فإن تحسين نموذج غير متجانس يُعدّ أكثر صعوبة من النهج المتجانس (الوكيل التمثيلي). ^{[ 10 ]} قد يُسهم تطوير التعلّم المعزز والتعلّم العميق في تقليل تعقيد التحليل غير المتجانس بشكل كبير، مما يُتيح إنشاء نماذج تُجسّد سلوكيات الوكلاء في الاقتصاد بشكل أفضل. ^{[ 11 ]}

قد يُسهم تبني وتطبيق الشبكات العصبية والتعلم العميق في مجال الاقتصاد الحسابي في تقليل الجهد المُكرر لتنظيف البيانات وتحليلها، مما يُخفض بشكل ملحوظ الوقت والتكلفة اللازمين لتحليل البيانات على نطاق واسع، ويُمكّن الباحثين من جمع البيانات وتحليلها على نطاق واسع. ^{[ 12 ]} وهذا من شأنه أن يُشجع الباحثين الاقتصاديين على استكشاف أساليب نمذجة جديدة. إضافةً إلى ذلك، فإن تقليل التركيز على تحليل البيانات سيُمكّن الباحثين من التركيز بشكل أكبر على مواضيع مثل الاستدلال السببي، والمتغيرات المُربكة، وواقعية النموذج. وبتوجيه سليم، قد تُسرّع نماذج التعلم الآلي عملية تطوير اقتصاديات دقيقة وقابلة للتطبيق من خلال تحليل البيانات التجريبية والحساب على نطاق واسع. ^{[ 13 ]}

تُستخدم أساليب النمذجة الديناميكية بكثرة في بحوث الاقتصاد الكلي لمحاكاة التقلبات الاقتصادية واختبار آثار التغيرات السياسية. يُعد نموذج التوازن الديناميكي العام العشوائي (DSGE) أحد أنواع النماذج الديناميكية التي تعتمد بشكل كبير على التقنيات والحلول الحاسوبية. تستخدم نماذج DSGE مبادئ اقتصادية دقيقة لفهم خصائص الاقتصاد الحقيقي في بيئة تتسم بعدم اليقين بين الفترات الزمنية . ونظرًا لتعقيدها المتأصل، فإن نماذج DSGE يصعب تحليلها تحليليًا بشكل عام، وعادةً ما تُنفذ عدديًا باستخدام برامج الحاسوب. من أهم مزايا نماذج DSGE أنها تُسهل تقدير الخيارات الديناميكية للفاعلين بمرونة. مع ذلك، انتقد العديد من الباحثين نماذج DSGE لاعتمادها على افتراضات مُبسطة غير واقعية إلى حد كبير.

لطالما كان استخدام الأدوات الحاسوبية في البحوث الاقتصادية معيارًا أساسيًا. تشمل هذه الأدوات مجموعة متنوعة من برامج الحاسوب التي تُسهّل تنفيذ عمليات المصفوفات المختلفة (مثل معكوس المصفوفة) وحل أنظمة المعادلات الخطية وغير الخطية. تُستخدم لغات برمجة متنوعة في البحوث الاقتصادية لأغراض تحليل البيانات والنمذجة. ومن لغات البرمجة الشائعة في بحوث الاقتصاد الحاسوبي: C++ ، و MATLAB ، و Julia ، و Python ، و R ، و Stata .

من بين لغات البرمجة هذه، تُعدّ لغة C++، كلغة مُصرّفة، الأسرع أداءً، بينما تُعدّ لغة Python، كلغة مُفسّرة، الأبطأ. أما لغات MATLAB وJulia وR، فتُحقق توازنًا بين الأداء وسهولة التفسير. وباعتبارها من أوائل برامج التحليل الإحصائي، كانت لغة Stata الخيار الأكثر شيوعًا. وقد اعتمدها الاقتصاديون كواحدة من أكثر برامج التحليل الإحصائي شيوعًا نظرًا لشموليتها ودقتها ومرونتها وقابليتها للتكرار.