Verden går I retning av datadrevet økonomi: data skaper mer og mer økonomiske verdier. Dataeierne kan tjene store overskudd, påvirke samfunnet og bidra til et godt liv i digital økonomi.
Datadrevet økonomi krever bruk av kunstig intelligens (KI). Maskinlæring (ML) tilbyr nye verktøy for databehandling og analyse og er nødvendige for å gjøre data om til noe som skaper økonomisk verdi for dataeieren. Målet med dette prosjektet er å utvikle og bruke ML for å forbedre måten samfunnsvitere kan svare på klassiske så vel som nye spørsmål innen økonomi som krever bruk av store datasett.
Den første delen av prosjektet vil gi nye svar på klassiske økonomiske spørsmål siden ML verktøy gjør det mulig å overvinne mangler ved tidligere metoder. Listen over bruksområder inkluderer lønnsforskjeller mellom ulike kjønn, arbeidsgivere, bransjer, land samt belyse (feil)allokering av talent i økonomien og hvordan politikk kan forme denne allokeringen.
Den andre delen av prosjektet vil ta opp de nye spørsmålene som kom ut av den digitale transformasjonen. KI-metoder gjør det mulig for bedrifter å svare på de viktigste forretningsspørsmål og øke deres overskudd. Hvilke kunder har lignende preferanser? Hva kjøper de? Hvor og til hvilken pris? Ved bruk av KI verktøy bedrifter kan øke deres markedsmakt og dette kan føre til skadelige effekter i samfunnet. Dette skal kreve et passende svar fra regelverket. ML kan (og vil) også brukes til å forberede skatterevisjon, beregne eiendoms verdi, vurdere kredittverdighet og vurdere misligholdssannsynligheten.
Dette prosjektet skal utvikle og ta i bruk de nødvendige økonomiske- og ML-verktøy som kan løse disse fremtidige samfunnsutfordringene.
The first contribution of the research I propose is a significant theoretical advance which establishes that available matched employer-employee data can reveal the latent characteristics of individual workers and firms without invoking standard but strong assumptions on human behavior. The assumptions can be relaxed since the project uses artificial intelligence methods to analyse the data.
The second contribution of the proposed research is to develop the machine learning algorithms for the proposed identification strategy. The objective is to develop computational tools that would enable researchers to estimate latent worker and firm productivities with no more complexity then is involved in estimating wage regressions with worker and firm fixed effects. The first step of the proposed computational algorithm builds on algorithms currently used by Airbnb, Netflix, Microsoft, etc. Here Google's 2013 breakthrough in Language Processing seems most promising. The heart of the algorithm will be a novel hierarchical clustering strategy that is transparent and driven by the local properties of the network connecting workers and firms implied by economic theory
The third contribution of the proposed research will be in applying the proposed methods to register matched employer-employee data from Denmark/Norway to obtain substantive answers to a number of important empirical questions,
including employer-size wage differences, inter-industry wage differences, misallocation and aggregate income, mismatch over the business cycle, international trade and unemployment insurance.
Finally, the computational tools help understanding firms' smart pricing strategies and developing the appropriate responses for government regulation to the challenges of the 21st century digital economy.