Gli algoritmi di apprendimento automatico stanno trasformando il modo in cui gli storici e gli economisti analizzano i dati economici storici. Queste tecniche avanzate permettono ai ricercatori di scoprire modelli e intuizioni che erano in precedenza difficili da rilevare utilizzando metodi statistici tradizionali, aprendo completamente nuove strade per la comprensione delle economie passate, delle reti commerciali e delle politiche fiscali.

Introduzione all'apprendimento automatico in economia storica

L'apprendimento automatico (ML) è un sottoinsieme di intelligenza artificiale che coinvolge algoritmi di formazione per riconoscere i modelli all'interno di grandi dataset. Quando applicato a dati economici storici, come indici salariali reali, volumi di scambio, prezzi delle materie prime, o statistiche demografiche, questi algoritmi aiutano a identificare le tendenze a lungo termine, prevedere i movimenti futuri basati su schemi incompleti, e comprendere il complesso gioco di fattori che ha guidato cambiamenti economici nel corso dei secoli.

L'economia storica si basa tradizionalmente sull'analisi narrativa, sulle regressioni semplici, sulle statistiche descrittive.L'avvento degli archivi digitalizzati e dell'informatica ad alte prestazioni ha tuttavia creato l'opportunità di applicare strumenti analitici più sofisticati.

Tipi di algoritmi di apprendimento automatico utilizzati

Apprendimento supervisionato

Gli algoritmi di apprendimento supervisionati sono formati su dati etichettati, cioè sui set di dati in cui sono noti sia le caratteristiche di input che le etichette di output corrispondenti. In economia storica, questo è comunemente usato per prevedere indicatori economici. Ad esempio, utilizzando dati del censimento del XIX secolo sulla proprietà della terra, la densità della popolazione e le infrastrutture di trasporto, un modello supervisionato può prevedere i livelli di reddito regionale o l'uscita agricola.

Imparare senza supervisione

L'apprendimento non supervisionato trova strutture nascoste o cluster all'interno di datasets in cui non sono fornite etichette. In valuta storica, questa tecnica è preziosa per identificare le zone economiche regionali, i blocchi commerciali, o i periodi di instabilità finanziaria senza presupposti.

Apprendimento di rinforzo

L'apprendimento delle forze di forza (RL) coinvolge un agente che impara azioni ottimali attraverso la prova e l'errore massimizzando la ricompensa cumulativa. Sebbene meno comune nell'economia storica, RL viene sempre più applicato a modelli processi decisionali economici. Ad esempio, i ricercatori simulano come un commerciante medievale potrebbe regolare le rotte commerciali in risposta a fluttuazioni tariffarie, minacce pirata e domanda.

Applicazioni nell'analisi economica storica

Predizione della tendenza economica

Gli algoritmi formati su dati economici storici possono prevedere le condizioni future, ma sono anche usati retroattivamente – predicendo ciò che sarebbe successo in scenari controproducenti.

Riconoscimento del modello

Rilevamento di cicli, shock o anomalie nei dataset storici è una forza fondamentale di ML. Cicli economici a lungo termine, come le onde di Kondratiev (cicli di 50-60 anni) o cicli di Juglar (7-11 anni) - possono essere identificati automaticamente dalle reti di salario e di prezzo.

Ricostruzione dei dati

I dati storici che si presentano spesso incompleti a causa di archivi perduti, documenti danneggiati o convenzioni di registrazione inconsistenti. L'apprendimento automatico fornisce strumenti potenti per colmare le lacune attraverso la modellazione predittiva. Una tecnica comune è quella di utilizzare un modello formato su regioni o periodi con dati completi per imputare i valori mancanti in altre aree. Ad esempio, data la relazione nota tra densità di popolazione, il clima e le entrate fiscali, un modello ML può stimare le entrate fiscali per anni con i dati mancanti.

Sfide di preprocesso dati

I dati storici raramente arrivano in un formato pulito e pronto per la macchina. La preelaborazione è spesso la parte più laboriosa di un progetto.

  • Qualità dei dati:[] I dati storici possono essere incompleti, incoerenti o biased. Ad esempio, i record del censimento da epoche coloniali spesso sottovalutano alcune popolazioni. I valori mancanti, le voci duplicate e gli errori di trascrizione sono comuni.
  • Dipendenze temporali:[] I dati economici sono intrinsecamente dipendenti dal tempo. I modelli standard ML assumono dati indipendenti e identici (i.i.d.) e sono necessari per catturare l'autocorrelazione e la stagionalità.
  • Unit of Analysis:[[] I record storici utilizzano diverse valute, pesi e misure. Le unità di standardizzazione (ad esempio, la conversione di tutti i valori monetari in una moneta comune con gli aggiustamenti di inflazione) sono essenziali ma prive di ipotesi sul relativo potere d'acquisto.
  • Normalizzazione e scala:[[] Le caratteristiche devono essere scalate per evitare che i modelli siano dominati da variabili con intervalli numerici più grandi. La standardizzazione Z-score o la scalatura min-max sono tipiche, ma la scelta può influenzare l'interpretazione del modello.

Studi di casi

Imparare la macchina e la grande depressione

Una delle applicazioni più studiate è l'analisi della Grande Depressione (1929-1941). I ricercatori hanno applicato foreste casuali per prevedere guasti bancari utilizzando dati di bilancio raccolti dalla Federal Reserve. Il modello ha identificato i rapporti di leva e le concentrazioni di deposito come le caratteristiche più predittive della diversificazione, superando l'analisi tradizionale di discriminazione lineare.

Modellare l'economia romana

L'economia romana, che ha caratterizzato diversi secoli e una vasta area geografica, offre un ricco ma notoriamente scarso dataset. L'apprendimento automatico è stato impiegato per stimare il PIL pro capite utilizzando variabili proxy come conteggi navalwreck, iscrizioni edili, e livelli di inquinamento da nucleo di ghiaccio.

Stile medievale di commercio Discovery

L'apprendimento non supervisionato è stato utilizzato per analizzare migliaia di record dalla Lega anseatica (XIII-XVI secolo). Algoritmi di lustering applicati a registri doganali e lettere mercantili hanno automaticamente rilevato blocchi commerciali, come l'associazione tra Lübeck, Amburgo e città baltiche.

Considerazioni etiche e Contesto storico

I modelli possono perpetuare le biasi presenti nei dati di origine. Ad esempio, se i record fiscali sottoriportano sistematicamente l'attività economica delle donne o delle persone schiavizzate, i modelli ML "learn" che questi gruppi hanno contribuito meno - rafforzando la narrazione inaccurata. L'interpretazione è un'altra grande preoccupazione. Modelli complessi come le reti neurali profonde sono spesso "scatole nere,"

I modelli superconfidenti possono produrre correlazioni spurie, come ad esempio il collegamento della crescita economica nell'Inghilterra del XVIII secolo al numero di colpi di fulmine, che sono statisticamente significativi ma storicamente privi di significato.

Le direzioni future

I progressi del potere computazionale, la digitalizzazione e le tecniche algoritmiche promettono di migliorare ulteriormente l'applicazione dell'apprendimento automatico in economia storica. La crescente disponibilità di datasets su larga scala, collegati, come il Global Historical Datasets Initiative]]], permetterà ai ricercatori di formare modelli su migliaia di dibattiti attraverso secoli.

I metodi di formazione spiegabili dell'AI (XAI) come SHAP (Spapley Additive ExPlanations) e LIME (Local Interpretable Model-agnostic Explanations) stanno guadagnando la trazione, permettendo agli storici di comprendere quali caratteristiche guidano le previsioni.

Conclusioni

L'apprendimento automatico non è una bacchetta magica che risolverà tutti i problemi dell'economia storica, ma è una potente aggiunta al toolkit dello storico. Quando applicato con pensiero - con l'attenzione alla qualità dei dati, l'interpretazione del modello e la collaborazione tra le discipline - può scoprire le correlazioni, generare nuove ipotesi e arricchire la nostra comprensione dei sistemi economici passati.