Гибрид нейросетей и экономической теории: новая модель оценки эффективности объединила глубокое обучение и теорию производства, превзойдя стандартные методы
Команда исследователей в составе Zheng Wei, Huiyan Sang, Artem Prokhorov, and Yu Ma опубликовала статью «Shape-Aware Deep Learning for Models of Production» в журнале Journal of Productivity Analysis. Исследование предлагает прорывной метод, который сочетает в себе возможности нейронных сетей (Deep Neural Networks, DNN) с фундаментальными экономическими принципами.
Команда исследователей в составе Zheng Wei, Huiyan Sang, Artem Prokhorov, and Yu Ma опубликовала статью «Shape-Aware Deep Learning for Models of Production» в журнале Journal of Productivity Analysis. Исследование предлагает прорывной метод, который сочетает в себе возможности нейронных сетей (Deep Neural Networks, DNN) с фундаментальными экономическими принципами. Авторы разработали новый класс моделей стохастической границы производственных вохможностей (DNN-SFM), которые автоматически удовлетворяют ключевым свойствам производственной функции, таким как монотонность и убывающая предельная производительность. Традиционные подходы — будь то строгие параметрические модели (Кобба-Дугласа, транслогарифмическая) или гибкие непараметрические методы — сталкиваются с компромиссом между гибкостью и экономической интерпретируемостью. Метод DNN-SFM решает эту проблему путем введения новых, «осознающих форму» функций активации (CReLU, CELU) в архитектуру нейронной сети.
Модель демонстрирует превосходную точность в симуляциях, устойчива к нерелевантным переменным и успешно решает проблему «неправильной асимметрии» («wrong skewness»), которая часто делает классические методы неприменимыми. В эмпирическом применении к данным о производстве риса на Филиппинах DNN-SFM выявила значительную неоднородность эффективности ферм, которую упускали другие модели. Кроме того, для интерпретации сложной модели авторы используют значения Shapley, что позволяет оценивать вклад каждого фактора производства в глобальном и локальном масштабе.
Эта работа открывает новые возможности для точного и экономически осмысленного анализа производительности и эффективности в эпоху больших данных и сложных производственных процессов.
