利用 AI Economist 构建数据驱动、可解释且稳健的政策设计基础
机器学习
2021-08-09 v1 人工智能
多智能体系统
计量经济学
综合经济学
经济学
摘要
优化经济与公共政策对于解决社会经济问题与权衡（例如改善平等、生产率或福祉）至关重要，并构成一个复杂的机制设计问题。政策设计者需要考虑多个目标、政策杠杆，以及优化自身个体目标 strategic 行为主体的行为响应。此外，现实世界政策应可解释且对仿真到现实的差距（例如由于校准问题）具有稳健性。现有方法常局限于狭窄的政策杠杆或难以度量的目标，不给出显式最优政策，或不考虑策略性行为等。因此，在真实场景中优化政策仍然困难。在此我们展示 AI Economist 框架如何利用两级强化学习（RL）与数据驱动仿真实现有效、灵活且可解释的政策设计。我们使用拟合真实数据的仿真，在优化大流行期间（例如 COVID-19）美国各州政策严格度与联邦补贴上验证该框架。我们发现，相较过往结果，使用 RL 训练的对数线性政策基于公共卫生与经济结果显著改善了社会福利。其行为可解释，例如表现良好的政策对康复率与疫苗接种率的变化响应强烈。它们对校准误差（例如高估或低估的感染率）也具稳健性。迄今为止，现实世界政策制定尚未大规模采用机器学习方法，包括 RL 与 AI 驱动仿真。我们的结果显示了 AI 在引导政策设计与在真实世界复杂性中改善社会福利方面的潜力。
引用
@article{arxiv.2108.02904,
title = {Building a Foundation for Data-Driven, Interpretable, and Robust Policy Design using the AI Economist},
author = {Alexander Trott and Sunil Srinivasa and Douwe van der Wal and Sebastien Haneuse and Stephan Zheng},
journal= {arXiv preprint arXiv:2108.02904},
year = {2021}
}
备注
41 pages, 14 figures. AT, SS, and SZ contributed equally