【摘要】當前的經濟學理論，即西方經濟學，還不是一門真正的經濟學理論，無法解釋現(xiàn)實經濟的發(fā)展和演進，因此，為滿足認識現(xiàn)實經濟的需要大量使用經濟計量方法分析現(xiàn)實經濟現(xiàn)象。隨著人工智能和機器學習方法引入經濟計量研究中，并且隨著機器學習算法的進一步改進，會對經濟計量分析方法產生革命性變化。究其原因就在于現(xiàn)代經濟學理論沒有說明經濟制度的形成和演進，自然無法說明現(xiàn)實經濟發(fā)展和變化，更無法指導現(xiàn)實經濟和給出有效經濟政策，而人工智能在經濟計量方面的應用，將彌補經濟學理論在解釋現(xiàn)實經濟方面的缺失，為現(xiàn)實經濟給出盡可能接近現(xiàn)實運行的說明，從而給出有效的經濟社會政策。因此，人工智能對經濟計量方法的影響是革命性的，但任重而道遠。
【關鍵詞】人工智能 機器學習 經濟計量 經濟過程
【中圖分類號】TP18 【文獻標識碼】A
【DOI】10.16619/j.cnki.rmltxsqy.2019.20.002
經濟學與經濟計量的發(fā)展
經濟學作為一門獨立的分支學科是以亞當·斯密的《國富論》為標志而誕生的，其目的是解釋經濟（市場）是怎樣運作的，經濟發(fā)展的源泉和動力是什么？而《國富論》之所以成為經濟學的奠基著作就在于亞當·斯密試圖通過人的逐利行為，去說明市場的運行和市場（經濟）秩序的形成，進而說明經濟制度演進和發(fā)展的規(guī)律。然而由于當時無法精確刻畫人的市場逐利行為，也就無法在一個理論框架內，通過人的市場逐利行為，來說明市場的運行機制和市場秩序。其只從哲學思辨的角度，概要地給出：“因此，當每一個人企圖盡可能地使用他的資本去支持本國工業(yè)，從而引導那種工業(yè)使它的產品可能有最大的價值時，每一個人必然要為使社會的每年收入盡可能大而勞動。的確，他一般既無心要去促進公共利益，也不知道他對之正在促進多少。他寧愿支持本國工業(yè)而不支持外國工業(yè)，只是想要確保他自己的安全；他指導這種工業(yè)去使其產品能具有最大的價值，他這樣做只是為了他自己的利益，也像在許多其他場合一樣，他這樣做只是被一只看不見的手引導著，去促進一個并不是出自他本心的目的”。[1]簡言之，通過自由競爭，人們的市場逐利行為，就像存在一只看不見的手一樣，通過市場交換，會形成一個非自利的市場交換者本意的，但對每個市場交換者而言是最好的市場（經濟）秩序。這一哲學思辨結論，成了后來經濟學從理論上要努力說明的一個主要核心結論之一。
從理論上講，亞當·斯密猜想的這一核心結論是由后來邊際主義學者完成的，是現(xiàn)代經濟學中一般均衡理論的核心結果。隨著經濟學中邊際主義革命的發(fā)展，在數(shù)學上精確表達市場交易者的利益最大化行為成為可能，進而能夠在一個統(tǒng)一的理論框架中說明市場交易者的市場交易結果，即通過市場交易者的市場交易性行為說明商品市場價格的形成。其從而把古典經濟學中，存在邏輯矛盾的賦稅和收入分配理論，統(tǒng)一在一個理論框架下并邏輯一致地得以說明，并美其名新古典經濟學。但在這種精美的理論結構下，卻把古典經濟學或者經濟學中一個最主要的理論問題——經濟發(fā)展的源泉和動力是什么？——省略了，致使現(xiàn)代經濟學理論無法說明經濟的演進和發(fā)展，說明和解釋不了現(xiàn)實經濟的運行。然而經濟實踐需要對現(xiàn)實經濟有所認識和說明，因而促進了經濟計量學的發(fā)展。
經濟計量學是挪威經濟學家R·弗里希（1895～1973）和荷蘭經濟學家J·丁伯根（1903～1994）共同倡導和創(chuàng)立的，兩人也因此共同獲得第一屆諾貝爾經濟學獎。在弗里希和丁伯根創(chuàng)立經濟計量初期，經濟計量只能對個體經濟行為者的經濟行為進行計量和分析，如計量分析生產者的生產行為和消費者的消費行為，還無法對整個經濟體，即宏觀經濟的經濟運行進行計量和分析。直到約翰·斯通與詹姆士·米德共同研究如何把現(xiàn)實經濟中凱恩斯理論上的國民收入和支出平衡核算出來的問題，并于1941年編制出英國國民收入和支出核算的估計數(shù)據(jù)，計量和分析宏觀經濟的運行和特征才成為可能，二者也分別獲得1984年度和1977年度的諾貝爾經濟學獎。此后勞倫斯·克萊因成為宏觀經濟計量分析的集大成者，他以凱恩斯的經濟理論為基礎，計量分析宏觀經濟的運行和特征，并用于經濟波動的預測，由此創(chuàng)立了宏觀經濟計量學亦因此而獲得1980年諾貝爾經濟學獎。現(xiàn)今，隨著經濟中微觀數(shù)據(jù)和宏觀數(shù)據(jù)庫的建立，以及計算機處理數(shù)據(jù)速度的提高，各種細致的微觀經濟分析方法、復雜的宏觀計量分析和模擬模型不斷呈現(xiàn)，以說明現(xiàn)實經濟運行的現(xiàn)狀和特征。經濟計量分析技術的這種大量使用，說明現(xiàn)實經濟實踐對認識和說明經濟運行的需要，同時也說明經濟理論在解釋現(xiàn)實經濟的乏力。如果把試圖揭示社會經濟規(guī)律的經濟學理論視為道，那認識現(xiàn)實經濟現(xiàn)象的經濟計量分析就是德，而大量使用經濟計量分析來滿足認識現(xiàn)實經濟的需要，很大原因是因為經濟學理論無法解釋現(xiàn)實經濟，不能滿足認識現(xiàn)實經濟的需要，即所謂“道失而德行”。這意味著在沒有形成能解釋現(xiàn)實經濟的經濟理論之前，為滿足認識現(xiàn)實經濟的需要大量使用經濟計量方法分析實現(xiàn)經濟現(xiàn)象是一種常態(tài)，這需要對經濟計量方法的特點、優(yōu)勢和局限有一個清醒的認識。
經濟計量方法的發(fā)展與局限性
從弗里希和丁伯根創(chuàng)立經濟計量方法至今，可以粗略地把經濟計量方法分為兩大類。第一類可稱為傳統(tǒng)經濟計量，這類計量方法側重于以經濟理論為基礎，面對需進行計量研究的經濟現(xiàn)象，首先通過已有的經濟理論對現(xiàn)實經濟現(xiàn)象進行理論解釋，說明現(xiàn)實經濟中相關經濟變量之間的理論關系，然后以線性方程，即可計量方程表示相關經濟變量之間關系，這樣通過足夠數(shù)量的樣本數(shù)據(jù)就可對經濟現(xiàn)象的經濟關系進行計量分析，并對統(tǒng)計特征顯著的變量關系用以解釋現(xiàn)實經濟中變量之間的數(shù)量關系。如果所考慮的現(xiàn)實經濟現(xiàn)象，在理論上存在變量間的內生性，并且需要用多個方程，即方程組解釋現(xiàn)實經濟，并且需要估計聯(lián)立方程組，估計聯(lián)立方程組將涉及方程的可識別問題，也就涉及設立可識別方程與相應經濟理論相適應的問題。面對一個龐大宏觀經濟問題，要設立一個過百上千方程的可識別方程組，對模型設立者有很高的藝術要求，而且還要求模型的經濟變量關系不與相應的經濟理論相悖。因此沒有一定經濟理論修養(yǎng)和很好的模型設立藝術，很難用傳統(tǒng)經濟計量方法對現(xiàn)實經濟現(xiàn)象進行計量分析。此外，在用傳統(tǒng)計量方法對現(xiàn)實經濟進行計量研究時，由于數(shù)據(jù)只是所研究現(xiàn)實經濟現(xiàn)象的歷史數(shù)據(jù)，不是實驗數(shù)據(jù)，無法滿足經濟關系估計方法的模型假設條件，因此傳統(tǒng)經濟計量方法主要側重于樣本數(shù)據(jù)與估計方法假設條件的檢驗方面。只有樣本數(shù)據(jù)通過估計模型的假設條件檢驗，估計的參數(shù)在統(tǒng)計上才有意義，估計的參數(shù)才能作為穩(wěn)定經濟關系的數(shù)量關系進行分析說明。如果把數(shù)據(jù)視為足，估計模型喻為履，那傳統(tǒng)經濟計量方法明顯就有削足適履的特點，這會讓經濟數(shù)據(jù)中隱含的一些重要現(xiàn)實經濟關系特征被削除掉，從而無法認識和解釋現(xiàn)實經濟的一些具體特點，也就無法給出適合現(xiàn)實經濟特點的有效的經濟政策。
隨著經濟數(shù)據(jù)樣本總體的增大，可以把經濟變量視為隨機變量進行處理，這樣就把傳統(tǒng)經濟計量方法轉變成現(xiàn)代經濟計量方法。現(xiàn)代經濟計量方法與傳統(tǒng)計量方法的差異，表面上是小樣本與大樣本的差異，本質上是傳統(tǒng)經濟計量方法以經濟學理論為基礎，而現(xiàn)代經濟計量方法卻是利用大樣本數(shù)據(jù)，通過發(fā)展的一些大樣本處理手段，直接挖掘經濟變量之間的相關關系或時間差異上的因果關系，并不把經濟變量之間的關系拘泥于經濟理論是否說明經濟變量間存在一定經濟關系，而且對于具體的現(xiàn)實經濟數(shù)據(jù)，還能夠通過數(shù)據(jù)說明除理論上說明的經濟關系外，是否存在其他相關的變量關系。比如，在傳統(tǒng)經濟計量中，在經濟理論描述的經濟變量間的結構關系外，在估計變量關系時，為了得出無偏的估計量，要求設定的模型擾動項是不相關的，這也就要求估計出的殘差項之間不能出現(xiàn)序列相關。一旦進行參數(shù)估計時出現(xiàn)這樣的問題，就得通過一些具體的數(shù)據(jù)處理方法，消除違背模型設定的假設條件的數(shù)據(jù)特征，使得估計出的經濟結構關系與經濟理論描述的經濟關系一致，這導致具體現(xiàn)實經濟中存在的特殊經濟關系也被處理掉，反而丟失研究具體現(xiàn)實經濟特殊性的意義和結果。如果現(xiàn)實經濟的數(shù)據(jù)樣本量足夠大，就可對違反估計模型設定假設的現(xiàn)實經濟數(shù)據(jù)，專門研究違反假設的特殊經濟關系，比如，如果出現(xiàn)的是時間方面的序列相關，就可研究經濟變量間的時間序列關系，從而提高變量的預測估計，或通過協(xié)整修正研究兩個序列相關的經濟變量之間的長期穩(wěn)定關系和短期偏離關系，這是經濟學理論無法從理論分析給出的經濟變量關系，但若現(xiàn)實經濟的樣本數(shù)據(jù)總量大，就可通過現(xiàn)代經濟計量方法估計出經濟變量間的這種長期穩(wěn)定關系和短期偏離關系，解釋現(xiàn)實經濟中經濟變量之間的長短期關系。如果出現(xiàn)的序列相關是地區(qū)或空間之間的序列相關，就可以研究地區(qū)或空間之間的經濟關系，這就是空間計量所關注的內容，現(xiàn)在已發(fā)展成體系完整的空間計量學。如果序列相關不是線性的，而是方差層面線性的，就可研究資產平均收益率與風險之間的關系，這些都是在大樣本容量下發(fā)展出來的現(xiàn)代經濟計量方法，它不需要經濟學理論作為現(xiàn)實經濟計量分析的基礎，通過大樣本數(shù)據(jù)還可分析出經濟理論無法揭示的現(xiàn)實經濟表現(xiàn)出來的具體經濟關系，如變量間的長短期關系、地區(qū)間經濟相關關系以及資產收益率與風險的關系等。此外通過微觀的大樣本面板數(shù)據(jù)，可研究微觀變量間的個體不變或時間趨勢不變的效應，以及研究微觀決策的個體和社會屬性的影響因素等。但無論傳統(tǒng)或是現(xiàn)代的經濟計量方法，即使有經濟理論作為基礎，或無需經濟理論作為基礎，在應用經濟計量方法研究現(xiàn)實經濟時，都隱含著一個重要的假設條件，即在研究的樣本期間內，現(xiàn)實經濟過程不變，也就是經濟變量之間的關系不變。如果經濟過程改變，即經濟變量之間的關系改變，那么通過現(xiàn)實經濟數(shù)據(jù)估計出來的經濟變量之間的關系是有偏差和錯誤的，以此分析現(xiàn)實經濟將謬之千里。
此外還有一類經濟計量分析，主要是用一組模型群以經濟理論的微觀基礎為藍本構造經濟的市場運行特征，設置現(xiàn)實經濟相關經濟參數(shù)，對現(xiàn)實經濟進行模擬，并檢驗相關政策的效應。但無論哪一種經濟計量方法，都需要假設樣本時期或需要研究的現(xiàn)實經濟模擬時期，經濟總體過程是不變的，一旦經濟過程改變，需要對經濟過程進行檢驗，這一檢驗在經濟計量方法中稱為斷點檢驗。其所依據(jù)和判斷的，主要是研究者根據(jù)現(xiàn)實經濟狀態(tài)可能受到影響經濟過程或經濟結構的經濟沖擊，如在研究的樣本期內，現(xiàn)實經濟中可能執(zhí)行影響經濟結構的經濟政策，或經濟外部出現(xiàn)影響經濟行為人行為的沖擊，此時需要對經濟過程或經濟結構改變的斷點進行檢驗，否則估計出的經濟關系是有偏差的，甚至是偽經濟關系。因此，判斷怎樣的沖擊會影響經濟過程或經濟結構，就成為經濟計量研究者必須具備的經濟研究素養(yǎng)，如果對所研究的現(xiàn)實經濟沒有很好的了解和認識，這種素養(yǎng)是很難培養(yǎng)出來的。但是，隨著人工智能和機器學習方法引入經濟計量研究中，這一問題將會得到更好的改善，并且隨著機器學習算法的進一步改進，會使經濟計量分析方法產生革命性變化。
人工智能的發(fā)展及特點
人工智能是使用計算機來研究和模擬人的某些思維過程和智能行為（如學習、推理、思考、規(guī)劃等）的學科，內容涉及計算機實現(xiàn)智能的原理和制造類似于人腦智能的計算機，以提升計算機的應用層次，因此，人工智能將涉及計算機科學、心理學、哲學和語言學等學科。從邏輯思維、形象思維、靈感思維等能促進人工智能發(fā)展和突破性的領域看，數(shù)學應是人工智能的最基礎科學，數(shù)學不僅在標準邏輯、模糊數(shù)學等方面有很大發(fā)展，而且在語言和思維方面也有很大的應用，也促使數(shù)學有很大的發(fā)展。可以說人工智能學科必須借助于數(shù)學，數(shù)學進入人工智能學科后，也將促使數(shù)學有很大發(fā)展。
人工智能中最核心的部分是機器學習（Machine Learning），是通過機器學習運算實現(xiàn)人工智能的一種方法，應用各種算法解析數(shù)據(jù)，從實驗和現(xiàn)實中學習，然后對真實世界中的事件作出決策和預測。與傳統(tǒng)計算機處理特定任務不同，計算機在處理特點任務時，需要人為編制專門程序來執(zhí)行和處理任務，而機器學習是通過對大量數(shù)據(jù)的學習和處理，“讓計算機在沒有明確編程的條件下?lián)碛袑W習的能力”，并找出完成任務的方法。讓計算機在沒有確定編程的條件下自己選擇處理任務的最佳方法，除了要處理大量實驗和現(xiàn)實數(shù)據(jù)的復雜算法外，這些算法涉及概率論、統(tǒng)計學、逼近論、凸分析、計算數(shù)學、計算機科學，以及行為科學等，還需要一個不斷改進和學習的過程。機器學習大致可分為三類：有監(jiān)督學習（Supervised Learning）、無監(jiān)督學習（Unsupervised Learning）和強化學習（Reinforcement Learning）。有監(jiān)督學習是對有標簽的數(shù)據(jù)樣本（a sample of labelled data）進行學習，及對一些已經有確定最優(yōu)選擇（決策）的樣本進行學習，通過一定的回歸（Regression）算法和分類（Classification）算法，找出要處理任務的最優(yōu)處理方法和決策。例如，對于商業(yè)公司來說，它擁有大量顧客個人和社會屬性，以及商品價格和社會時尚的信息數(shù)據(jù)，如果商業(yè)公司想通過這些數(shù)據(jù)進行學習，找出商品價和各類顧客屬性和社會時尚之間的關系，就可通過建立各類回歸模型算法，對數(shù)據(jù)進行關系分析，因數(shù)據(jù)是有標簽的，既有對應的最優(yōu)選擇行為結果，就可通過分類算法對數(shù)據(jù)的關系進行分類，從中找出商品價和各類顧客屬性和社會時尚之間的最優(yōu)關系，這種學習過程就是有監(jiān)督學習。而無監(jiān)督學習則是對沒有標識的數(shù)據(jù)樣本進行學習的過程，通過對這些無標簽數(shù)據(jù)學習，從數(shù)據(jù)分析中找出隱藏的潛在規(guī)律以有助于任務的處理。例如，玉石的賭石專家經常需要對毛石進行鑒定。顯然，任何一塊毛石上都不會存在明確標識的信息特征，賭石專家只能通過大量觀鑒毛石去增加主觀體驗。久而久之，他們會發(fā)現(xiàn)某些毛石會因它的出產地和毛石重量（比重）與表象產生關系，這樣能夠有助于判斷毛石的內在品質和成色，通過這些技巧來識別，他們就能對毛石的內在品質和成色進行鑒定。在這個過程中，賭石專家們的學習就是無監(jiān)督學習。無監(jiān)督學習與有監(jiān)督的學習差異就在于，無監(jiān)督學習側重于在對數(shù)據(jù)進行分類，又利用有監(jiān)督學習的方法對分類數(shù)據(jù)進行聚類（Clustering）算法尋找隱藏的潛在規(guī)律，也就是找到處理任務的最優(yōu)方法。顯然，在無監(jiān)督學習中，如果數(shù)據(jù)的多樣性豐富和數(shù)據(jù)充分，學習的結果和處理任務的錯誤就少，但在無監(jiān)督學習中，尋找潛在規(guī)律的過程就是一個不斷學習的過程，即把正確判斷和決策的結果記錄下來，把錯誤的結果進行糾正，也助于改進學習，因此，機器學習過程是一個強化學習的過程，即在一個動態(tài)的環(huán)境中進行學習，學習者通過不斷試錯，從而通過獎勵信號最優(yōu)化學習結果，改進任務的處理。隨著互聯(lián)網(wǎng)和計算機運算速度的提高，機器學習不是僅從一定類型的數(shù)據(jù)來進行學習，而是有可能從不同類型的各種數(shù)據(jù)中進行學習，從而得出更準確的任務處理方法，這就是機器的深度學習（Deep Learning）。隨著大數(shù)據(jù)和互聯(lián)網(wǎng)數(shù)據(jù)的興起，深度學習的力量就開始體現(xiàn)出來，目前人工技術的迅速發(fā)展，很大程度上是深度學習推動的。
我們的文章主要說明的是人工智能對經濟計量方法的影響，因此有必要說明人工智能，特別是機器學習的一些主要模型和算法。前面介紹了機器學習主要有兩類，一類是有監(jiān)督的學習;另一類是無監(jiān)督學習，機器在這兩類學習中都是一個動態(tài)的過程，及加強學習的過程。而無監(jiān)督的學習也是對無標簽的數(shù)據(jù)以某種標準進行聚類，成為有標簽的數(shù)據(jù)，從而對該標簽下的數(shù)據(jù)進行有監(jiān)督的學習，分析該種聚類的有效性，以尋找潛在的分類標準或標簽，這一過程當然就是一個加強學習的過程，因此機器學習的主要模型和方法就是有監(jiān)督的學習方法和貝葉斯學習方法。有監(jiān)督的學習方法主要包括線性回歸、邏輯回歸、樸素貝葉斯、線性判別分析、決策樹、K-近鄰、支持向量機等，可分為回歸和分類兩大類，各種回歸方法在經濟計量中有很好的應用，在此不作介紹。現(xiàn)在在經濟計量分析中已大量應用的是數(shù)據(jù)分類方法，在此主要介紹支持向量機，支持向量機實際上是凸分析理論中分離定理在數(shù)據(jù)分析中的應用，因為數(shù)據(jù)是有標簽的，可將數(shù)據(jù)按某種標準分成兩類截然不同的數(shù)據(jù)組，而且是兩組數(shù)據(jù)差異越大的標準越好，然后又對分離的數(shù)據(jù)組再以某種標準進行分類，這樣就可對輸入的數(shù)據(jù)匹配最好的數(shù)據(jù)組，從而找到最好的輸出結果。如果數(shù)據(jù)采集是一個動態(tài)過程，利用多層感知器模型就可進行深度學習。機器學習出現(xiàn)長足發(fā)展，得益于哈佛大學的瓦廉特（Valliant）教授，他把貝葉斯方法轉換成概率近似正確的學習理論，使貝葉斯學習方法成為機器強化學習的重要方法，貝葉斯學習方法實際上就是在概率近似正確的概念下把貝葉斯方法改寫成變分形式的概率最優(yōu)解，從而可以通過新的數(shù)據(jù)組求出概率近似正確的最優(yōu)后驗概率，通過機器的有監(jiān)督和無監(jiān)督學習在數(shù)據(jù)采集過程中不斷加強學習，提高機器的決策判斷能力。當然，隨著互聯(lián)網(wǎng)和計算機運算速度的提高，人工智能，即機器學習方法也會不斷改進，但就目前機器學習已經形成的一些方法，應用到經濟計量分析中，將會對經濟計量方法產生革命性影響。
人工智能對經濟計量方法的影響
前面在介紹經濟計量方法的發(fā)展過程及其特點時提到，無論是傳統(tǒng)經濟計量方法還是現(xiàn)代經濟計量，在對現(xiàn)實經濟進行計量分析時，需要假設經濟過程不變，然而這是在進行現(xiàn)實經濟計量分析時最難保證的，而且經濟過程本身是否發(fā)生變化也是進行現(xiàn)實經濟分析最需要得出的一個分析結果，因此，找出現(xiàn)實經濟過程發(fā)生變化的點，即經濟計量中常稱的斷點，就是分析現(xiàn)實經濟的一個主要任務和目的，只是當前的經濟計量方法無法完成這一分析要求。不過現(xiàn)代經濟計量中已經應用一些簡單人工智能方法，如多層感知器模型的傾向得分匹配方法，對時間或空間上有明顯斷點的經濟數(shù)據(jù)進行斷點回歸，分析斷點經濟效應是否明顯，即經濟過程是否發(fā)生改變，斷點變化產生的經濟效應如何等現(xiàn)實經濟問題。但隨著經濟數(shù)據(jù)總量的擴大和種類的增加，互聯(lián)網(wǎng)帶來的經濟數(shù)據(jù)資料實時性，以及云計算和計算機處理數(shù)據(jù)速度的增強，人工智能將給經濟計量分析帶來一些革命性的變化。
（1）有監(jiān)督的機器學習方法用于經濟計量分析，將對實時產生的經濟數(shù)據(jù)進行分類，區(qū)分出不同經濟側面發(fā)生的過程變化，有效分析各個穩(wěn)定側面中經濟過程的經濟特征和經濟關系，對經濟發(fā)展形勢有一個準確把握，并給出有效的經濟政策。這一改變不再把經濟過程的斷點作為一個外生的，需要經濟計量分析人員給出判斷，并用相關方法進行檢驗的計量方法要求條件，而是經濟計量過程中在數(shù)據(jù)處理過程就自動識別出經濟不同側面的斷點，對經濟體的各個穩(wěn)定過程進行有效計量分析，給出現(xiàn)實經濟體運行的一個完整分析結果。
（2）如果經濟數(shù)據(jù)反映的是所有經濟主體人的經濟行為數(shù)據(jù)，那么利用貝葉斯學習方法，在對實時產生的經濟數(shù)據(jù)進行分類的基礎上，通過貝葉斯學習區(qū)分出不同經濟側面發(fā)生變化的經濟體的社會意識形態(tài)，可以有效分析各個穩(wěn)定側面中經濟過程的經濟特征和經濟關系的意識形態(tài)基礎，即制度基礎，進而對經濟發(fā)展制度有一個準確把握，并給出有效的政治、社會和經濟政策。其使經濟計量分析過程，通過對實時經濟數(shù)據(jù)的處理對整體經濟社會的運行有一個完整把握，從而對整個經濟社會的未來發(fā)展給出具有前瞻性的有效發(fā)展政策。
當前經濟理論的發(fā)展遠遠落后于現(xiàn)實經濟的發(fā)展，而且現(xiàn)在的經濟學理論，特指西方經濟學，還不是一門真正的經濟學理論，根本無法解釋現(xiàn)實經濟的發(fā)展和演進，因為經濟學是要解釋現(xiàn)實社會的，應該是一門社會科學，但現(xiàn)在的市場經濟理論是用工程學的方法建構的，得出的理論結論也是工程學的，即資源配置最優(yōu)。究其原因就在于現(xiàn)代經濟學理論沒有說明經濟制度的形成和演進，自然無法說明現(xiàn)實經濟發(fā)展和變化，更無法指導現(xiàn)實經濟和給出有效經濟政策，而人工智能在經濟計量方面的應用，將彌補經濟學理論在解釋現(xiàn)實經濟方面的缺失，讓現(xiàn)實經濟給出盡可能接近現(xiàn)實運行的說明，從而給出有效的經濟社會政策。因此，人工智能對經濟計量方法的影響是革命性的，但任重而道遠。
結論
隨著通信、互聯(lián)網(wǎng)以及計算機的發(fā)展，人工智能將對整個經濟社會文化產生革命性的改變，但就目前人工智能，即機器學習方法在經濟計量分析方面的應用，也將會對經濟計量方法產生革命性的變化，這體現(xiàn)在兩個方面。
（1）經濟過程的斷點不再是外生的，而是經濟計量過程能夠自動分析識別出不同經濟側面的斷點，從而得出現(xiàn)實經濟體運行的一個完整分析結果。
（2）如果經濟數(shù)據(jù)充分，通過經濟計量分析還可區(qū)分出不同經濟側面發(fā)生變化的經濟體的社會意識形態(tài)，從而對整體經濟社會制度的運行有一個整體把握，并給出具有前瞻性的有效發(fā)展政策。
注釋
[1]［英］亞當·斯密：《國民財富的性質和原因的研究（上、下）》第4卷，郭大力、王亞南譯，北京：商務印書館，1974年，第456頁。
參考文獻
［英］亞當·斯密，1974，《國民財富的性質和原因的研究（上、下）》第4卷，郭大力、王亞南譯，北京：商務印書館。
Mehryar Mohri, Afshin Rostamizadeh and Ameet Talwalkar, 2012, Foundations of Machine Learning, The MIT Press.
責 編／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
李紹榮，北京大學經濟學院教授。研究方向為公共財政、博弈論與信息經濟學。主要著作有《交換經濟的市場過程》（論文）、《帕雷托最優(yōu)與一般均衡最優(yōu)之差異》（論文）等。
