Prečo nevidíme bubliny: Ekonomické modely nefungujú, ako to napraviť?

, quartz Foto: TASR/AP

Desať rokov po globálnej finančnej kríze ekonómovia stále nedokážu pochopiť, prečo vo väčšine prípadov, vzhľadom na všetky údaje a skúsenosti, ktoré mali k dispozícii, nedokázali predpovedať tak mohutný kolaps.

V novom pracovnom dokumente s názvom "Kde zlyhala moderná makroekonómia", laureát Nobelovej ceny Joseph Stiglitz z Columbijskej univerzity kladie vinu modelom používaným na pochopenie procesov ekonomiky. Podľa Stiglitza, aby bol ekonomický model užitočný, mal by byť schopný poskytnúť prehľad o spoločných rysoch hospodárskeho poklesu a pomôcť informovať o nich, aby sa dokázali prijať politické rozhodnutia. Ešte lepšie by bolo, ak by modely dokázali predpovedať krízu. Štandardný model (DSGE-Dynamické stochastické modely všeobecnej rovnováhy) má na niečo také len slabé predpoklady.

Práve DSGE modely, patria v posledných  rokoch  k hlavnému  prúdu  ekonomického  modelovania, kde sa snažia popisovať ekonomický rast, či vplyvy monetárnej a fiškálnej politiky  v danej  ekonomike.  Podstatné pritom je, že na rozdiel  od  klasických  makroekonometrických  modelov,sú  postavené  na  mikroekonomických  základoch.

"Jadrom nedostatkov modelu DSGE je pokus o zosúladenie makroekonomiky s mikroekonomikou," píše Stiglitz stým, že spochybňuje jeden z primárnych základov. Všetky modely sú založené na rozhodnutiach jednotlivca alebo "reprezentatívneho jedinca". Tieto modely všeobecne predpokladajú, že jednotlivci konajú tak, aby maximalizovali svoju užitočnosť. "Počas nekonečného života bez toho, aby si požičiavali obmedzenia," píše.

Výsledkom je, že modely väčšinou nezahŕňajú skutočné správanie sa ľudí, spoločností a trhov, nereagujú na zmeny okolností alebo stimulov. Stiglitz opisuje tri hlavné problémy.

Po prvé, modely neboli dosť dobré na predpovedanie hospodárskych trendov, najmä v prípade kríz, pretože sú vytvorené na odhalenie krátkodobých výkyvov a nie veľkých otrasov.
Po druhé, dostatočne nezahŕňajú významný vplyv finančného priemyslu, pretože modely lepšie integrujú informácie o jednotlivcoch ako o inštitúciách.
Po tretie, predpokladajú, že šoky v systémoch sú spôsobené vonkajšími faktormi a nezohľadňujú skutočnosť, že niektoré krízy vznikajú zvnútra.

Pre jeho zdokonalenie je po potrebné viac ako len zopár kozmetických vylepšení. Stiglitz navrhuje, aby modely s mikroekonomickými základmi boli nahradené jednoduchšími alternatívami, ako napríklad takými, ktoré použil Robert Shiller pred rokom 2007, aby upozornili na americkú bublinu v oblasti bývania.

Pracovníci Bank of England namiesto toho, aby sa snažili vylúčiť mikroprojekcie na modelovanie makroekonomiky, navrhujú zdvojnásobiť prístup založený na údajoch. V nedávnom článku aj oni uznávajú problémy s modernými ekonomickými modelmi. Pripúšťajú, že strojové vzdelávanie by mohlo vyriešiť niektoré z týchto nedostatkov tým, že využije čoraz väčšie množstvo "mikro – a vysokofrekvenčných údajov", ktoré sú k dispozícii centrálnym bankám a regulačným orgánom. Ide napríklad o transakcie medzi finančnými inštitúciami a podrobné vzorce spotreby domácností.

Autori dokumentov z centrálnej banky vysvetľujú, že makroekonomické modelovanie je často založené na "deduktívnom" prístupe, čo znamená, že začína s predpokladmi a prechádza k čo najväčšej všeobecnosti. Namiesto toho môže strojové učenie podporiť "induktívny" prístup, ktorý by umožnil ekonómom analyzovať obrovské množstvo údajov, ktoré by sa dali použiť na zdokonalenie a prestavanie základných vzorov. Napríklad, umelé neurónové siete môžu nájsť neznáme interakcie medzi rôznymi premennými, ktoré môžu byť použité na vytvorenie presnejších ekonomických modelov. Ekonómovia by týmto spôsobom mohli dosiahnuť "dôsledný prechod medzi mikroekonomickým a makroekonomickým pohľadom na ekonomiku", píšu vedci.

Dnes však stále existujú veľké prekážky strojového vzdelávania, ktoré by dokázali od základov zmeniť ekonomické modely. Výskumníci Bank of England poukazujú napríklad na to, že väčšina algoritmov umelej inteligencie nevysvetľuje, ako sú niektoré výstupy generované z konkrétnych vstupov, takže ich výsledky sa ťažko interpretujú. To je dôvod, prečo niektorí označujú algoritmické systémy za "čierne skrinky". Ďalším problémom je, že nezohľadňujú tok času, čo by mohlo viesť k príliš silnému, alebo naopak príliš slabému zameraniu sa na určité typy informácií. Algoritmy sú stále vytvárané ľuďmi, takže kód je náchylný na ľudské chyby aj predsudky.

Zatiaľ čo Stiglitz odporúča nadobro upustiť od mikroekonomických modelov, odborníci z Bank of England naznačujú, že by možno stačilo aj hlbšie sa ponoriť do podrobnejších údajov. Dá sa predpokladať, že kombinácia oboch prístupov by dokázali zostaviť efektívnejšie ekonomické modely ako tie, na ktoré sme sa spoliehali v ostatnom čase.

Súvisiace články

Aktuálne správy