为什么经济学家都想成为程序猿？| 经济学人电台

点击关注“经济学人”，欢迎订阅并置顶

经济学界目前最热门的研究话题是什么？大数据与机器学习

得益于数据的大幅增长，大数据和机器学习成为今年经济学界的最大热门，新型研究方法也随之出现。收听本期音频，你将了解新技术将给经济学研究带来多大的推动力，同时也要警惕“一哄而上”的过热风险：

点击看大图 | 找找经济学界的新热点？

↓ 点击收听音频 ↓

• 大数据的力量：过去有限的数据、小型模型可能导致研究者将先入为主的判断强加在数据之上，而新型大数据能纠正人为偏差——“让数据自己说话”

• 精准预测是大数据的强项，但它容易忽略事物的因果关系

• 在司法体系中的应用已经体现出了新技术的两面性：对于再次犯罪的风险评估中，大数据中隐含的种族与阶层的偏见会被加强，导致新的不公正发生

• 大数据和机器学习是拓展了经济学的范畴，还是取代了既有方法？

• 醉心于新潮流和新技术的经济学家有可能“只见树木，不见森林”，从而忽略了更重要的问题

• “好的经济学关心如何问出正确的问题，新技术的风险是让经济学家被具体方法、而非问题意识驱动。”

强大的算法会诱导其使用者忽略数据背后更重要的因果关系，《经济学人》介绍的新书《数学杀伤性武器》（Weapons of Math Destruction）就专注于机器学习的偏见可能导致的不公正。

《数学杀伤性武器》（Weapons of Math Destruction）

Cathy O’Neil 著

作者Cathy O’Neil是一位数据科学家，她指出：研究对象的种族、所在社群的犯罪率都是预测再犯的绝佳因素，但既有数据已经反映出执法过程中的种族主义倾向，以及“破窗理论”所阐述的效应（打击轻微罪行有助于减少更严重的犯罪，倡导对罪案采取“零容忍”态度）。因此，大数据的预测可能导致对特定人群，因为超出个人控制的因素所可能导致的犯罪，做出惩罚。

怎样才避开大数据与算法的陷阱？经济学的种种工具红红火火三五年，最不会过时的也许就是从业者的怀疑精神。在新技术层出不穷的今天，积极拥抱机器学习的研究者依然需要传统的人类智慧来把握大数据的预测能力。

拓展阅读

机器学习：预测未来的水晶球？

但机器学习在法规上的应用就还处在“婴儿期”。在美国，许多法官参考由软件生成的“风险评估”报告预测一个人再次犯案的可能性，甚至它来帮助决定保释、假释以及判决。今年新闻调查机构ProPublica发现，在佛罗里达州的布劳沃德县，一种算法错误地将黑人犯罪的可能性预测为将近白人的两倍。

欢迎登录商论App免费阅读十月刊文章

《关于预测与政策》

为了遏制潜在的偏差，训练系统时所采用的数据应避免偏见，并为机器设立正确的目标。对机器进行训练是为了从过去的数据中找出可预测犯罪发生的规律，因而可以命令机器去寻找那些既能预测犯罪，又不会以错误的比例将黑人及其他人种归为潜在犯罪者的规律。当一名新被告与这些规律进行比对测试，造成种族偏见的风险应该会低些。

读商论，知天下

↓ 扫码即刻下载 ↓