Editorial Ekonomi & Bisnis
Open AccessOA2023
Deep Learning dalam Ekonomi: Tinjauan Sistematis dan Kritis
Tinjauan sistematis ini mengkaji integrasi deep learning ke dalam ekonomi, menyurvei model yang umum digunakan dan aplikasinya di berbagai subbidang. Tinjauan ini memberikan wawasan kritis tentang strategi implementasi, celah penelitian, dan tantangan masa depan, serta menyoroti peran deep learning yang terus berkembang dalam pengambilan keputusan ekonomi yang cerdas.
Yuanhang Zheng; Zeshui Xu; Anran Xiaoยท Artificial Intelligence Reviewยท 2023ยท DOI 10.1007/s10462-022-10272-8
Masalah inti
Metodologi ekonomi telah berkembang dari pendekatan kualitatif ke kuantitatif, dan dari sampel data kecil ke dataset yang sangat besar. Model deep learning, dengan kemampuannya yang unggul untuk mempelajari hukum yang melekat dan tingkat representatif, semakin banyak membantu pengambilan keputusan yang cerdas dalam ekonomi. Makalah ini secara sistematis menyelidiki deep learning dalam ekonomi, menyajikan hasil statistik penelitian terkait, survei model yang sering digunakan, dan aplikasinya. Makalah ini juga menawarkan tinjauan kritis terhadap model, aplikasi, strategi implementasi, celah penelitian, dan tantangan masa depan. Para penulis mencatat bahwa deep learning telah banyak diterapkan di berbagai subbidang ekonomi, termasuk ekonomi keuangan, ekonomi makro dan moneter, ekonomi pertanian dan sumber daya alam, organisasi industri, ekonomi perkotaan, pedesaan, regional, real estat dan transportasi, kesehatan, pendidikan dan kesejahteraan, administrasi bisnis, dan ekonomi mikro. Tinjauan ini bertujuan memberikan gambaran menyeluruh dan penilaian kritis terhadap bidang ini.
Inovasi
Para penulis melakukan tinjauan literatur sistematis terhadap aplikasi deep learning dalam ekonomi. Mereka menyurvei model deep learning yang sering digunakan dalam ekonomi, seperti feedforward neural network, convolutional neural network (CNN), recurrent neural network (RNN), long short-term memory (LSTM) network, dan variannya. Tinjauan ini mencakup aplikasi di berbagai subbidang ekonomi. Metodologi mencakup analisis statistik penelitian terkait, yang kemungkinan mengkaji tren publikasi, frekuensi penggunaan model, dan area aplikasi. Makalah ini juga memberikan tinjauan kritis dari berbagai perspektif: model dan aplikasi, mengapa dan bagaimana menerapkan deep learning dalam ekonomi, celah penelitian, dan tantangan masa depan. Pendekatan sistematis ini memastikan cakupan literatur yang komprehensif, meskipun detail spesifik tentang strategi pencarian, kriteria inklusi, atau basis data yang digunakan tidak disediakan dalam abstrak.
Pendahuluan
Metodologi ekonomi telah berkembang dari pendekatan kualitatif ke kuantitatif, dan dari sampel data kecil ke dataset yang sangat besar. Model deep learning, dengan kemampuannya yang unggul untuk mempelajari hukum yang melekat dan tingkat representatif, semakin banyak membantu pengambilan keputusan yang cerdas dalam ekonomi. Makalah ini secara sistematis menyelidiki deep learning dalam ekonomi, menyajikan hasil statistik penelitian terkait, survei model yang sering digunakan, dan aplikasinya. Makalah ini juga menawarkan tinjauan kritis terhadap model, aplikasi, strategi implementasi, celah penelitian, dan tantangan masa depan. Para penulis mencatat bahwa deep learning telah banyak diterapkan di berbagai subbidang ekonomi, termasuk ekonomi keuangan, ekonomi makro dan moneter, ekonomi pertanian dan sumber daya alam, organisasi industri, ekonomi perkotaan, pedesaan, regional, real estat dan transportasi, kesehatan, pendidikan dan kesejahteraan, administrasi bisnis, dan ekonomi mikro. Tinjauan ini bertujuan memberikan gambaran menyeluruh dan penilaian kritis terhadap bidang ini.
Mengapa penting
Makalah ini memberikan tinjauan kritis terhadap deep learning dalam ekonomi, membahas beberapa aspek kunci. Pertama, makalah ini secara kritis mengkaji model dan aplikasinya, membahas kekuatan dan keterbatasannya. Kedua, makalah ini mengeksplorasi mengapa dan bagaimana menerapkan deep learning dalam ekonomi, kemungkinan membahas keunggulan deep learning dibandingkan metode ekonometrika tradisional, seperti menangani dataset besar, menangkap hubungan nonlinier, dan meningkatkan akurasi prediksi. Namun, tantangan seperti interpretabilitas, kualitas data, dan overfitting juga dipertimbangkan. Ketiga, tinjauan ini mengidentifikasi celah penelitian, seperti kebutuhan akan landasan teoretis yang lebih baik, interpretabilitas model yang lebih baik, dan integrasi dengan teori ekonomi. Terakhir, tantangan masa depan dibahas, termasuk pertimbangan etis, kebutuhan komputasi, dan kebutuhan akan kolaborasi interdisipliner. Para penulis menyimpulkan bahwa deep learning akan memainkan peran yang semakin penting dalam pengambilan keputusan ekonomi, tetapi penelitian lebih lanjut diperlukan untuk mengatasi tantangan-tantangan ini.
Siapa yang sebaiknya membaca
Pembaca Research Digest dan praktisi rumpun ini.
Membuka konten memberโฆ