CBS-forskning forbedrer økonomiske prognoser og gør finanspolitik mere effektiv
Forskningsprojekt anvender maskinlæring til at gøre BNP-prognoser mere nøjagtige for den østrigske centralbank OeNB
I en tid med økonomisk usikkerhed og skiftende handelsaftaler har evnen til at forudsige økonomiske tendenser aldrig været vigtigere.
Et forskningsprojekt anført af lektor Thomas Lindner fra Institut for International Økonomi, Politik og Business på Copenhagen Business School er lykkedes med at bruge maskinlæring til at forbedre BNP-prognoserne for Østrig.
Ved hjælp af avancerede algoritmer fodret med data om udenlandske transaktioner er det lykkedes at gøre prognoserne meget mere præcise, end de tidligere har været. Og metoden kan i princippet udbredes til mange lande, fortæller Thomas Lindner.
”I princippet er der intet, der forhindrer, at vi kan bruge maskinlæring til at forbedre BNP-prognoser globalt,” siger han.
Mere præcis metode halverer næsten usikkerheden
Traditionelle prognosemodeller har ofte svært ved at tage højde for kompleksiteten i udenlandske investeringer, som udgør mere end halvdelen af Østrigs BNP.
”Historisk set har centralbanken brugt meget simple metoder,” forklarer Thomas Lindner.
”De har for eksempel set på væksten i tyske datterselskaber af østrigske virksomheder og anvendt samme vækstrate på hele sektoren. Vores model forbedrer dette ved at bruge mere detaljerede data og bedre metoder.”
Ved at anvende maskinlæringsteknikker har Thomas Lindner og hans team udviklet et system, der næsten halverer fejlmarginen i BNP-forudsigelserne.
”Tidligere lå fejlmarginen omkring 50 %, men vi har reduceret den substantielt. Selvom det er svært at sætte nøjagtige procenter på, før metoden er sat i produktion, kan jeg godt sige, at det er det en markant forbedring,” siger han.
Økonomisk præcision gør finanspolitik mere effektiv
En af de mest markante resultater af projektet er dets direkte anvendelse i finanspolitik.
I tider med økonomisk nedgang giver præcise advarselssignaler regeringer mulighed for at reagere med modforanstaltninger såsom målrettet økonomisk støtte eller stimulansprogrammer.
Omvendt hjælper forbedrede prognoser i perioder med hurtig vækst, hvor pengemængden stiger, med at forhindre inflation og sikre en bæredygtig økonomisk udvikling.
”BNP er måske den vigtigste økonomiske indikator for en regering,” understreger Thomas Lindner.
”Budgetter og finanspolitikker afhænger af BNP-prognoser, fordi regeringer skal overholde underskudsgrænser, som for eksempel de 3 % i EU's Maastricht-kriterier. Hvis man ikke kender BNP præcist, kan man heller ikke planlægge offentlige udgifter effektivt.”
Stigende international interesse
Thomas Lindner startede projektet som et samarbejde med den østrigske centralbank OeNB. Men siden da har andre europæiske centralbanker og internationale organisationer også vist interesse.
”Der er nu en OECD-arbejdsgruppe, der ser på at anvende vores metode bredere. Schweiz' centralbank er en del af arbejdet, og Østrigs centralbank er også en af partnerne,” fortæller Thomas Lindner.
Potentialet for at udbrede modellen til andre lande er stort, men der er udfordringer.
”Data er struktureret forskelligt fra land til land, så modellen skal tilpasses, før den kan anvendes bredere. Men i princippet er der intet, der forhindrer, at vi kan bruge maskinlæring til at forbedre BNP-prognoser globalt,” siger han.
Fremtiden for økonomiske prognoser
Fremadrettet er opgaven at forfine maskinlæringsmodellen ved at integrere yderligere realtidsdata og flere alternative økonomiske indikatorer.
Udvidelse af modellen til branchespecifikke prognoser kan give endnu mere detaljerede indsigter, hvilket på sigt kan gavne både virksomheder og beslutningstagere.
Derudover spiller modellen også en rolle indenfor uddannelse.
”Vi har indgået et samarbejde med Wien Tekniske Universitet, hvor studerende arbejder med denne metode i deres specialeprojekter,” siger Thomas Lindner.
”Det giver dem praktisk erfaring med dataanalyse, samtidig med at vi udvikler modellen.”
Ved at udnytte maskinlærings evner til at finde mønstre i meget store datamængder er Thomas Lindners arbejde ikke kun en akademisk bedrift – det former aktivt fremtiden for økonomisk politisk beslutningstagning.
FAKTABOKS: HVAD ER MASKINLÆRING?
Maskinlæring er en metode, hvor computere lærer at finde mønstre i data og lave forudsigelser.
Det fungerer ved, at algoritmer analyserer store mængder data, finder sammenhænge og justerer sig selv for at blive mere præcise over tid.
Maskinlæring bruges i alt fra økonomiske prognoser til ansigtsgenkendelse i telefoner og til at forstå trafikken i selvkørende biler.
FAKTABOKS: SAMARBEJDSPARTNERE
- Oesterreichische Nationalbank (OeNB): Den østrigske centralbank, som anvender modellen til økonomiske prognoser.
- OECD: International organisation som har integreret projektet i en arbejdsgruppe om økonomiske prognoser.
- Schweizerische Nationalbank: Er del af en international arbejdsgruppe, der undersøger anvendelsen af modellen i andre lande.
- WU Vienna, Wien Tekniske Universitet og Innsbruck Universitet: Samarbejder om uddannelsesprojekter, hvor studerende arbejder med modellen i deres specialer.
FAKTABOKS: METODEN KORT FORTALT
For at forudsige Østrigs BNP mere præcist bruger projektet maskinlæring, især teknikker som ’Random Forest’, også kaldet ’beslutningstræer’ og Neurale Netværk.
Random Forest-teknikken fungerer ved, at en computer laver en hel række af ’træer’, som hver især kommer med sit ’kvalificerede gæt’ på, hvad data viser. Til slut tages så gennemsnittet af alle træernes svar.
Neurale Netværk er inspireret af den måde, menneskehjernen fungerer på. Og de kan meget kort sagt blandt andet bruges til at genkende mønstre i data.
Disse metoder gør det muligt at analysere store mængder økonomiske data og identificere mønstre, som traditionelle modeller ofte overser.
Modellen bygger på historiske data fra den østrigske centralbank og kombinerer dem med indikatorer, der ser fremad, for at give mere pålidelige prognoser.