Олег Шибанов: «Нейроэкономика и нейрофинансы уже интригуют некоторыми результатами»
Новые технологии становятся для экономической науки ключом к лучшему пониманию самых разных процессов. Экономист Олег Шибанов размышляет о том, к каким открытиям они могут привести нас через 30 лет
Как академические, так и прикладные экономисты получили фантастическую пользу от доступности достаточно больших данных в последние 20 лет. Еще в двухтысячных казалось, что изучать поведение людей сложно и удобнее опираться на теории, а макроэкономисты и вовсе верили, что «уже разобрались с макроэкономикой» и, например, что «финансовый сектор не важен». Если у макроэкономиста есть четыре наблюдения квартального ВВП в год, то за сто лет наберется всего 400 точек — сегодня с такими объемами уважающий себя аналитик больших данных даже знакомиться не будет.
К 2023 году мы умеем использовать очень разные методы исследования решений компаний, граждан и государства. Можно проводить эксперименты и видеть причинно-следственные связи в том, как влияет информация на действия агентов. Можно использовать транзакционные действия клиентов и формировать хорошую модель поведения или кластеризации. Есть скоринговые модели с большими данными, которые автоматизируют процесс принятия решений о выдаче кредитов как физлицам, так и фирмам. Поэтому экономисты 2020-х скорее страдают от излишеств, потому что вытащить из огромного множества разнообразных наборов данных хорошую историю достаточно непросто.
Будущее, мне кажется, будет еще интереснее. Мы увидим значительные изменения в двух направлениях: в процессе сбора данных об отдельных людях и в способе понимания их мотивации. Я не разделяю экономистов на академических и прикладных — все мы будем заниматься похожими вопросами, как это уже происходит в части исследовательских направлений в финансах или маркетинге. Обычно считается, что люди в науке могут думать длинными горизонтами и писать статьи годами, в то время как аналитики в бизнесе должны реагировать быстрее на запросы компании или контрагентов. Это различие может стереться, потому что как генерация идей, так и их проверка будут заметно ускоряться.
Как изменится сбор данных
Человечество пока находится на ранних стадиях глубокого понимания решений граждан. Мы не понимаем, как влияют химические реакции в организме на дальнейшие действия, насколько настроение может поменять привычные модели поведения и что может оказаться триггерами изменений. Нейроэкономика и нейрофинансы, которые пробуют проверять такие связи, еще не развились в достаточной мере, хотя уже интригуют некоторыми результатами. Например, мы стали лучше понимать, как тестостерон влияет на поведение инвесторов на финансовых рынках и что отдельные части мозга могут отвечать за командное поведение.
Поэтому так интересны эксперименты с нейроимплантами (например, Neuralink Илона Маска). Если мозг человека удастся достаточно эффективно соединить с доступными данными и одновременно собирать информацию о ежесекундных решениях, мы сможем понимать людей гораздо лучше. А значит, сможем лучше работать с производством товаров и услуг и перейдем к идеальной клиентоцентричности без помех в коммуникации с клиентом.
А про «простые» данные о компаниях, экономике или транзакциях мы будем знать много и в режиме реального времени. Может быть, тогда воплотится в жизнь желание некоторых экономистов: чтобы государство могло не просто мониторить спрос, а поддерживать его в случае серьезного снижения и управлять экономикой более эффективно.
Что изменится в экономическом моделировании
Вторая часть изменений касается того, как мы будем анализировать эти сложные и разноуровневые данные. Уже сегодня машинное обучение и слабые искусственные интеллекты (ИИ) позволяют вытаскивать из данных нелинейные взаимодействия, но пока что не все они обоснованны как причинно-следственные.
В будущем возможность использовать такие модели дойдет до автоматизма: в условном Python встроенные модули позволят с низкими издержками получать выводы о взаимодействии макроданных, действий фирм и граждан. Уже сегодня ChatGPT позволяет экспериментировать с «экономической личиной», которая в целом отражает потребителей из отдельных регионов, а в будущем цифровые двойники позволят гораздо меньше отвлекать людей, и предложенные услуги/ продукты можно будет протестировать проще и дешевле.
Еще интереснее будет выглядеть генерация идей для исследований. Уже сейчас академические ученые используют необычное свойство ChatGPT — способность предлагать новые и совсем не очевидные гипотезы. На английском стали называть это свойство emergent, то есть способность ИИ генерировать что-то не запрограммированное заранее и не появляющееся в отдельных частях модели. В будущем ИИ станет еще более эффективным помощником для поиска идей.
Мне кажется, главным элементом будущего будет возможность использовать ИИ как для поиска смыслов, так и для обработки данных. Академические исследования станут очень близки к прикладным. Нам будет все проще делать выводы о поведении потребителей и на их основе создавать предложения для отдельных людей, что может привести к улучшению клиентского опыта. Экономика может стать максимально прикладной и при этом сохранить корректные методы выявления причинно-следственных связей.
Фото: Андрей Любимов для РБК