摘要：傳統(tǒng)的農(nóng)業(yè)政策分析偏重于分析變量之間關(guān)系和模型參數(shù)的估計, 而“機器學(xué)習(xí)”更注重對未來結(jié)果預(yù)測的準(zhǔn)確性, 而后者恰恰是農(nóng)業(yè)政策分析的目的?！皺C器學(xué)習(xí)”具有龐大的數(shù)據(jù)收集和儲存能力、強大的學(xué)習(xí)分析能力以及更智能化的語言分析能力等, 所以“機器學(xué)習(xí)”會對農(nóng)業(yè)政策研究帶來革命性的影響。農(nóng)業(yè)經(jīng)濟學(xué)界要關(guān)注“機器學(xué)習(xí)”的發(fā)展, 在科研和教學(xué)中導(dǎo)入“機器學(xué)習(xí)”, 結(jié)合傳統(tǒng)的農(nóng)業(yè)經(jīng)濟學(xué)分析方法, 讓農(nóng)業(yè)政策的制定更加精準(zhǔn)、更加科學(xué)、更加強大, 政策溝通更加有效。
關(guān)鍵詞：機器學(xué)習(xí); 農(nóng)業(yè)政策研究; 農(nóng)業(yè)經(jīng)濟學(xué); 預(yù)測; 計量模型;
一、前言
2018年是中國農(nóng)業(yè)政策和農(nóng)村發(fā)展歷史轉(zhuǎn)變的關(guān)鍵一年, 中央一號文件的主題是“鄉(xiāng)村振興”。在經(jīng)歷改革開放后40年高速經(jīng)濟發(fā)展, 中國農(nóng)業(yè)占GDP的比重從1978年的28.2%下降到2017年的7.9%。農(nóng)業(yè)小部門的趨勢會進一步強化。城市化率也達到58.5%。傳統(tǒng)農(nóng)業(yè)政策側(cè)重關(guān)注糧食安全以及農(nóng)民收入和貧困問題。這兩者在現(xiàn)在的中國已經(jīng)基本得到解決 (于曉華等, 2012;Yu, 2018;于曉華, 2018) 。
現(xiàn)在農(nóng)業(yè)和農(nóng)村發(fā)展遇到一系列新的問題:農(nóng)業(yè)生產(chǎn)成本上升、農(nóng)業(yè)競爭力下降、進口和庫存暴增、農(nóng)業(yè)生產(chǎn)的生態(tài)環(huán)境壓力巨大、農(nóng)村老齡化迅速推進、鄉(xiāng)村人口不斷衰落。在這樣的背景下, 中央提出“鄉(xiāng)村振興”的偉大戰(zhàn)略, 指導(dǎo)今后幾十年中國農(nóng)村經(jīng)濟的發(fā)展走向 (于曉華2018) 。
鄉(xiāng)村振興是一個系統(tǒng)工程。一號文件提出的總要求為產(chǎn)業(yè)興旺、生態(tài)宜居、鄉(xiāng)風(fēng)文明、治理有效和生活富裕。中國農(nóng)業(yè)和農(nóng)村處于一個劇烈動態(tài)變化之中, 如何制定更好且具體的“鄉(xiāng)村振興”政策和措施, 向?qū)W術(shù)界提出更高的要求。現(xiàn)實中存在多種政策模型, 不同的政策模型可能得出差距很遠(yuǎn)的各種政策建議, 如何找到最合適的模型一直是政策分析中的難題。
伴隨著計算機計算和存儲能力的飛躍發(fā)展, 機器學(xué)習(xí) (Machine Learning) 開始走到科學(xué)研究舞臺的前沿。機器學(xué)習(xí)是人工智能的一個分支, 它研究如何學(xué)習(xí)利用數(shù)據(jù)或者以往的經(jīng)驗, 改善具體算法的性能 (楊善林等, 2004;Lesmeister, 2015) 。機器學(xué)習(xí)給科學(xué)研究和生活娛樂等各個領(lǐng)域帶來的影響可能都是革命性的。
機器學(xué)習(xí)給農(nóng)業(yè)技術(shù)和農(nóng)業(yè)政策研究提供了新的強大的工具, 也帶來很多新的挑戰(zhàn)。在農(nóng)業(yè)技術(shù)領(lǐng)域, 世界主要發(fā)達國家開始利用人工智能發(fā)展精準(zhǔn)農(nóng)業(yè), 以克服農(nóng)業(yè)成本上升和老齡化的壓力, 提高農(nóng)產(chǎn)品質(zhì)量和產(chǎn)量, 降低農(nóng)業(yè)對環(huán)境的壓力。由于中國農(nóng)業(yè)的平均經(jīng)營規(guī)模很小, 所以精準(zhǔn)農(nóng)業(yè)的應(yīng)用發(fā)展滯后, 但是其在研究方面正在奮起直追 (金繼運, 1998;劉愛民等, 2000;李忠武等, 2001;趙春江等, 2003) 。
機器學(xué)習(xí)對農(nóng)業(yè)政策研究帶來的影響也是巨大的。傳統(tǒng)農(nóng)業(yè)政策研究過程一般是先收集數(shù)據(jù), 分析主要變量之間的關(guān)系, 然后給出政策建議, 提交給政策制定者討論通過?？紤]到計算機龐大的數(shù)據(jù)收集和儲存能力, 現(xiàn)在“機器學(xué)習(xí)”能夠自我分析學(xué)習(xí)這些數(shù)據(jù), 發(fā)現(xiàn)傳統(tǒng)分析方法所忽略的一些規(guī)律, 并能考慮和模擬未來社會和經(jīng)濟的動態(tài)變化, 然后提出更科學(xué)的政策建議。
傳統(tǒng)的農(nóng)業(yè)政策分析, 更偏重于分析變量之間的關(guān)系, 而機器學(xué)習(xí)更注重對結(jié)果的預(yù)測, 而后者恰恰是農(nóng)業(yè)政策分析的主要目的。相比較傳統(tǒng)的政策分析, “機器學(xué)習(xí)”在農(nóng)業(yè)政策研究的某些方面可能更加精準(zhǔn)、更加科學(xué)、也更加強大。
農(nóng)業(yè)經(jīng)濟學(xué)是一門應(yīng)用科學(xué)。農(nóng)業(yè)經(jīng)濟學(xué)界要注重機器學(xué)習(xí)這方面的發(fā)展, 在科研和教學(xué)中導(dǎo)入“機器學(xué)習(xí)”, 結(jié)合傳統(tǒng)的農(nóng)業(yè)經(jīng)濟學(xué)分析方法, 讓農(nóng)業(yè)政策的制定更加精準(zhǔn)、更加科學(xué)、更加強大。
農(nóng)業(yè)政策的制定和實施需要很好的溝通。一個好的政策建議需要和社會各界, 尤其是政府部門進行溝通。由于各個政策利益主體所掌握的信息和利益訴求不同, “機器學(xué)習(xí)”可以通過自然語言的學(xué)習(xí)和分析, 為各個利益主體量身定制政策溝通的方法, 使得政策建議能夠被社會各界廣泛接受并付諸實踐。
二、機器學(xué)習(xí)的發(fā)展
“學(xué)習(xí)”是獲取和傳遞人類知識的重要手段。“學(xué)習(xí)”在經(jīng)濟學(xué) (尤其是實驗經(jīng)濟學(xué)) 研究中一直是一個重要的課題。知識和信息的獲取與市場均衡的達成過程, 都是一個學(xué)習(xí)的過程。Camerer (2003) 在其經(jīng)典教科書《行為博弈》中總結(jié)了各種學(xué)習(xí)。這包括演化動態(tài)強化學(xué)習(xí)、信念學(xué)習(xí)、老練 (預(yù)期性) 學(xué)習(xí)、經(jīng)驗加權(quán)吸引力學(xué)習(xí)、模仿學(xué)習(xí)、方向?qū)W習(xí)以及規(guī)則學(xué)習(xí)等。經(jīng)濟學(xué)中對于“學(xué)習(xí)”的研究和機器學(xué)習(xí)中的”學(xué)習(xí)”有很多相類似的地方。
從計算機誕生后的1950年代起, 人工智能就開始成為一個重要的研究對象。作為人工智能的一個重要分支, 機器學(xué)習(xí)在1980年代后在人工智能界引起了關(guān)注, 逐漸發(fā)展成為一個龐大的具有廣闊應(yīng)用前景的學(xué)科 (楊善林等, 2004) 。
機器學(xué)習(xí)的核心目標(biāo)是機器從過去的經(jīng)驗中學(xué)習(xí)出一般的規(guī)律, 并能夠準(zhǔn)確分析和預(yù)測新的和未曾經(jīng)歷過的任務(wù)?！皺C器學(xué)習(xí)”一般分為監(jiān)督式學(xué)習(xí)、非監(jiān)督式學(xué)習(xí)以及介于兩者之間的半監(jiān)督式學(xué)習(xí)。Athey (2018) 通過經(jīng)濟學(xué)的實際例子比較了他們之間的區(qū)別。非監(jiān)督式學(xué)習(xí)主要是發(fā)現(xiàn)觀測對象的聚類, 得出他們相似處, 所以有時也被稱為“降維分析”。非監(jiān)督式學(xué)習(xí)主要用來分析視頻, 圖片或者文字。對經(jīng)濟分析而言, 非監(jiān)督式學(xué)習(xí)可以幫助生成變量。而監(jiān)督式學(xué)習(xí)主要是通過給出一系列特征或者變量 (X) 來預(yù)測一個結(jié)果 (Y) 。正如Athey (2018) 所強調(diào)的那樣, 監(jiān)督式學(xué)習(xí)不是聚焦于預(yù)測, 而是機器在X和Y都可以觀測的情況下得到訓(xùn)練, 然后用其他的X來預(yù)測Y。這和計量經(jīng)濟學(xué)比較類似。但是計量經(jīng)濟學(xué)強調(diào)估計參數(shù), 而監(jiān)督式學(xué)習(xí)更強調(diào)于預(yù)測的準(zhǔn)確性 (Mullainathan等, 2017) 。
經(jīng)過30多年的發(fā)展, 結(jié)合統(tǒng)計學(xué)和數(shù)學(xué)規(guī)劃等領(lǐng)域, 機器學(xué)習(xí)已經(jīng)發(fā)展出很多學(xué)習(xí)方法。這包括決策樹學(xué)習(xí)、深度學(xué)習(xí)、強化學(xué)習(xí)、人工神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)、貝葉斯網(wǎng)絡(luò)學(xué)習(xí)、基因?qū)W習(xí)、聚類學(xué)習(xí)等方法 (楊善林等, 2004) 。不管哪種學(xué)習(xí)方法, 機器學(xué)習(xí)利用大數(shù)據(jù)作為過去的經(jīng)驗, 結(jié)合數(shù)值模擬, 學(xué)習(xí)效率在很多方面超越人的認(rèn)知能力。
機器學(xué)習(xí)已經(jīng)在很多領(lǐng)域帶來革命性影響。比如在通過深度學(xué)習(xí)建立的Alpha Go在2016—2017年連續(xù)戰(zhàn)勝多位世界圍棋頂尖高手, 使其在圍棋界獨步天下。Athey (2018) 認(rèn)為機器學(xué)習(xí)也會給經(jīng)濟學(xué)帶來深遠(yuǎn)影響, 會給經(jīng)濟學(xué)帶來新的研究問題和新的分析方法。她認(rèn)為主要的影響有這四個方面: (1) 機器學(xué)習(xí)并不會給經(jīng)濟學(xué)分析的識別問題帶來新的幫助, 但是會讓模型的選擇更加富有彈性; (2) 機器學(xué)習(xí)可以很容易的比較各種實證分析模型; (3) 經(jīng)濟學(xué)可以把模型“外包”給機器學(xué)習(xí), 讓數(shù)據(jù)更能吻合模型; (4) 機器學(xué)習(xí)要修正模型, 以給估計結(jié)果提供有效的置信區(qū)間。
必須指出的是非監(jiān)督式的機器學(xué)習(xí)對視頻、圖片和語言文字具有很強的學(xué)習(xí)和分析能力, 這可以幫助更加清晰的了解政策各個利益主體的需求, 從而實施有效的政策溝通。
農(nóng)業(yè)作為國民經(jīng)濟的重要組成部分, 農(nóng)業(yè)經(jīng)濟學(xué)作為一門應(yīng)用科學(xué), 機器學(xué)習(xí)給農(nóng)業(yè)政策分析帶來的沖擊也必然是巨大的, 而很多影響現(xiàn)在還沒有體現(xiàn)。
三、機器學(xué)習(xí)對農(nóng)業(yè)政策研究的影響
農(nóng)業(yè)政策制定需要科學(xué)性和預(yù)測準(zhǔn)確性。政策科學(xué)性的基礎(chǔ)是數(shù)據(jù)的有效收集、模型的科學(xué)建立以及模型計算的精準(zhǔn)性和效率性。在計量經(jīng)濟模型和統(tǒng)計模型已經(jīng)逐步在政策分析中普及的今天, 政策分析的科學(xué)性似乎已經(jīng)建立。機器學(xué)習(xí)能夠給農(nóng)業(yè)政策分析帶來什么新的東西呢?
于曉華 (2014) 認(rèn)為計量經(jīng)濟分析需要注重數(shù)據(jù)和模型兩個方面的準(zhǔn)確性以及計算的經(jīng)濟性。本文在這里就對機器學(xué)習(xí)對政策研究中的數(shù)據(jù)、模型以及計算的影響做一個具體的分析。
1. 數(shù)據(jù)。
隨著計算機數(shù)據(jù)收集和儲存能力的不斷增強, 數(shù)據(jù)來源的不斷擴展。大數(shù)據(jù)已經(jīng)漸漸成為經(jīng)濟分析的基礎(chǔ), 其對政策分析的作用是多方面的 (Einav等, 2014;張浩然等, 2004;Lesmeister, 2015) 。于曉華 (2014) 指出數(shù)據(jù)來源包括政府機關(guān)數(shù)據(jù)、調(diào)研數(shù)據(jù)以及網(wǎng)絡(luò)數(shù)據(jù)等。機器學(xué)習(xí)能夠給政策提供更多數(shù)據(jù), 并能整合各種數(shù)據(jù)資源。
首先, 機器學(xué)習(xí)能夠提供更多數(shù)據(jù)。一個簡單的運用就是網(wǎng)絡(luò)爬蟲, 它能搜集并整理網(wǎng)絡(luò)相關(guān)數(shù)據(jù), 減少數(shù)據(jù)收集的成本, 并增加數(shù)據(jù)的來源。其次, 數(shù)據(jù)來源是多方面, 機器學(xué)習(xí)可以通過學(xué)習(xí)分析整合不同的數(shù)據(jù)來源。既減少分析時間和成本, 也為政策研究提供更多的維度和信賴的結(jié)果。一個很好的應(yīng)用例子就是周潔紅等 (2016) 運用網(wǎng)絡(luò)數(shù)據(jù)挖掘技術(shù)和文本內(nèi)容分析方法, 對2009—2014年與中國豬肉質(zhì)量安全相關(guān)的10160則新聞報道進行歸類分析, 從中總結(jié)食品安全事件中社會共治的3類主體———政府、生產(chǎn)經(jīng)營者和社會監(jiān)管力量, 各自發(fā)揮的作用及存在的問題, 并提出相應(yīng)的政策建議。這樣的研究數(shù)據(jù)收集成本低廉, 更容易發(fā)現(xiàn)一些一般分析所難觀察到的經(jīng)濟規(guī)律, 提出的政策更具有針對性。第三, 非監(jiān)督式的機器學(xué)習(xí)能夠分析視頻、圖片以及語言文字等非標(biāo)準(zhǔn)化數(shù)據(jù), 通過聚類等方法, 使得數(shù)據(jù)“降維”, 為政策分析提供新的變量以及更標(biāo)準(zhǔn)化的數(shù)據(jù)。但是, 還存在由于這方面的研究一定的技術(shù)障礙, 比如語言識別的精確性不夠、現(xiàn)階段這方面的應(yīng)用還非常少見。最后, 機器學(xué)習(xí)還可以通過蒙特卡洛模擬等方法提供更多的分析或者模擬數(shù)據(jù), 使得數(shù)據(jù)內(nèi)容更加豐富, 使其政策預(yù)測更加準(zhǔn)確。
總之, 機器學(xué)習(xí)能夠提供更多的數(shù)據(jù), 把非標(biāo)準(zhǔn)化的視頻、圖片以及語言文字等“降維”為標(biāo)準(zhǔn)化數(shù)據(jù), 并能夠整合不同的數(shù)據(jù)來源。這為政策分析提供了更全面更豐富的數(shù)據(jù), 制定的政策更具有針對性。具體到農(nóng)業(yè)政策分析, 機器學(xué)習(xí)可以收集古今中外農(nóng)業(yè)政策的案例、成功和失敗案例以及現(xiàn)有各種相關(guān)的微觀宏觀調(diào)研和統(tǒng)計數(shù)據(jù)。比如于曉華等 (2017) 就指出歐盟共同農(nóng)業(yè)政策的歷史發(fā)展過程和中國類似, 所以其成敗的經(jīng)驗值得中國農(nóng)業(yè)政策制定者學(xué)習(xí)。
2. 模型和計算。
相對于實證計量經(jīng)濟分析更關(guān)注于參數(shù)的估計, 機器學(xué)習(xí)更加關(guān)注預(yù)測的準(zhǔn)確性 (Mullainathan等, 2017;Athey, 2018;Lesmeister, 2015) 。機器學(xué)習(xí)出發(fā)點是數(shù)據(jù), 然后找出最好的模型與之吻合。計量分析中如何權(quán)衡模型的表達性和吻合性, 一直是個難點。但是機器學(xué)習(xí)可以找到很多很好的方法來權(quán)衡 (Athey, 2018) 。
相對于計量經(jīng)濟學(xué)中模型的選擇是預(yù)先設(shè)定的, 機器學(xué)習(xí)的出發(fā)點是數(shù)據(jù), 通常是比較多個模型, 從而找出對數(shù)據(jù)吻合最佳的模型;很多時候, 機器學(xué)習(xí)的分析模型可能是非參數(shù)的或者是動態(tài)的。這樣, 機器學(xué)習(xí)的模型選擇更有彈性, 對政策結(jié)果的預(yù)測也更加準(zhǔn)確。對于政策研究而言, 最重要的不是模型的精美, 而是結(jié)果的準(zhǔn)確。如果機器學(xué)習(xí)提供的政策預(yù)測更加準(zhǔn)確, 那機器學(xué)習(xí)在政策分析中淘汰計量模型的可能性就很大。
現(xiàn)實政策分析中存在多種模型, 模型的分析結(jié)果通常會差異很大, 這導(dǎo)致政策分析存在很大的爭議。但是, 機器學(xué)習(xí)可以通過自身強大的計算能力, 在農(nóng)業(yè)政策分析時在自我的學(xué)習(xí)中分析過去各種農(nóng)業(yè)政策案例的成敗經(jīng)驗, 也可以對照各種變量建立聯(lián)系, 或者通過概率模擬分析政策的各種效果。這樣的政策建議會考慮政策歷史路徑, 參考其他國家的經(jīng)驗, 結(jié)合現(xiàn)實和未來的各種可能選擇, 使得政策決策考慮更加全面、更加科學(xué), 減少政策失誤的可能性。
政策分析中一個很重要的應(yīng)用是時間序列變量之間的因果關(guān)系。趙國慶等 (2009) 分析建國以來通貨膨脹和糧價之間的格蘭杰因果關(guān)系, 發(fā)現(xiàn)兩者之間存在長期均衡。因為糧價過高會傷害消費者利益, 而糧價過低會傷害農(nóng)民的利益。但是, 對于他們之間的因果關(guān)系還是存在很多爭議。格蘭杰因果檢驗的模型選擇存在一個難點:最優(yōu)滯后長度的選擇, 不適當(dāng)?shù)臏箝L度會導(dǎo)致分析結(jié)果存在謬誤。Lesmeister (2015) 指出運用機器學(xué)習(xí)可以選出最優(yōu)的滯后量, 使得格蘭杰因果檢驗更精確。
我國的鄉(xiāng)村振興戰(zhàn)略作為一個長遠(yuǎn)的系統(tǒng)工程, “到2020年, 鄉(xiāng)村振興取得重要進展, 制度框架和政策體系基本形成;到2035年, 鄉(xiāng)村振興取得決定性進展, 農(nóng)業(yè)農(nóng)村現(xiàn)代化基本實現(xiàn);到2050年, 鄉(xiāng)村全面振興, 農(nóng)業(yè)強、農(nóng)村美、農(nóng)民富全面實現(xiàn)”, 鄉(xiāng)村振興戰(zhàn)略具體政策制定時, 需要考慮的變量非常多、政策內(nèi)容非常龐雜、政策目標(biāo)甚至可能存在沖突, 短期目標(biāo)和長期目標(biāo)的協(xié)調(diào), 各個利益主體的協(xié)調(diào)等因素 (全世文等, 2016) 。傳統(tǒng)的政策分析研究方法可能不夠系統(tǒng)性, 機器學(xué)習(xí)可以給鄉(xiāng)村振興戰(zhàn)略的政策制定提供很好的幫助, 使得具體政策的制定更加科學(xué)和精確。此外, 機器學(xué)習(xí)可以很好打破宏觀模型和微觀主體行為之間的界限?，F(xiàn)有的大數(shù)據(jù)可以直接記錄和保存?zhèn)€體微觀的數(shù)據(jù), 在政策的模擬的時候, 可以直接模擬到每個個體效應(yīng), 然后直接加總微觀主體的效果得到政策的總體效果, 使得其宏觀政策的偏差能夠更小。
四、機器學(xué)習(xí)對農(nóng)業(yè)政策溝通的影響
農(nóng)業(yè)政策的制定過程包括了政策研究、政策分析以及政策溝通。一個好的政策建議, 能夠上升為國家政策, 得以實施, 還需要很好的政策溝通。
政策制定會影響很多利益主體。具體到農(nóng)業(yè)政策制定, 利益主體包括:政府、農(nóng)民、消費者、糧食貿(mào)易商、糧食加工商、生產(chǎn)要素供給商、環(huán)保機構(gòu)等。很多利益主體之間的利益目標(biāo)并不是一致的, 如何和他們進行有效政策溝通就顯得尤其重要, 這關(guān)系到政策的順利通過和實施。全世文等 (2016) 和趙國慶等 (2008) 就指出建國后我國糧食價格的政府干預(yù)一直存在對農(nóng)民利益和城市消費者利益的權(quán)衡, 糧價太高會傷害消費者利益, 糧價太低又會傷害農(nóng)民的利益。如何通過溝通讓各個利益主體之間能夠求同存異, 保證政策實施顯得至關(guān)重要。機器學(xué)習(xí)在政策溝通中有很多優(yōu)勢。
首先, 非監(jiān)督式機器學(xué)習(xí)可以通過聚類法等學(xué)習(xí)相關(guān)的視頻、圖片、對話、以及文字等非標(biāo)準(zhǔn)數(shù)據(jù), 獲取各個利益主體的利益訴求, 這樣在制定政策的時候可以考慮他們的利益, 使得政策更容易通過并實施。
其次, 中國的政策制定更多的是由上而下的過程, 政府在政策制定過程中的主導(dǎo)作用非常明顯。如何使政策建議更能夠讓政府接納, 這需要了解政府的政策偏好, 甚至對政策建議的寫作風(fēng)格都有一定的要求。機器學(xué)習(xí)能夠?qū)@些非標(biāo)準(zhǔn)的數(shù)據(jù)進行分析, 針對各個政策制定者的個人偏好定制不同的政策報告, 使得政策建議者和政策決定者之間的溝通更加順利, 政策建議更容易被采納。
最后, 政策被政府接納通過后, 其實施也需要和社會各界溝通。機器學(xué)習(xí)能夠很容易分析并反映出各個政策主體的利益需求, 從而可以通過視頻和圖片等手段對各個利益主體進行特別溝通。
現(xiàn)實中, 已經(jīng)有學(xué)者開始運用機器學(xué)習(xí)中的文本挖掘技術(shù), 對各種政府政策文件進行分析。韓國明等 (2017) 運用文本挖掘技術(shù)分析了1982—2016年的一號文件, 發(fā)現(xiàn)政府對農(nóng)業(yè)經(jīng)營主題的關(guān)心一直在變化, 但是家戶制始終貫穿其中, 農(nóng)民的合作問題始終是決策層關(guān)注焦點。但是, 該分析只是關(guān)注了政府的一號文件, 社會對政策反饋等還缺乏深入分析。
以我國的鄉(xiāng)村振興戰(zhàn)略為例, 政策制定和實施所需要溝通的內(nèi)容和對象非常多。鄉(xiāng)村振興的總目標(biāo)為“產(chǎn)業(yè)興旺、生態(tài)宜居、鄉(xiāng)風(fēng)文明、治理有效和生活富?！薄Ｆ淅嬷黧w不僅是農(nóng)民和政府, 也包括涉農(nóng)產(chǎn)業(yè)、環(huán)保工作、以及社會文化工作等利益主體。有些時候, 各個利益主體之間的利益可能是不一致的 (全世文等, 2016) , 比如產(chǎn)業(yè)興旺和生態(tài)宜居之間可能存在利益沖突。如何讓政策和各個利益主體有效溝通, 機器學(xué)習(xí)可以提供很好的幫助, 找出他們之間的共同點, 使得政策溝通求同存異。
中國處于一個高速發(fā)展的過程中, 政策處于動態(tài)變化之中 (蔡昉等, 2008;于曉華等, 2014;于曉華, 2018;Yu, 2018) , 如何就政策變化和各個利益主體有效溝通, 機器學(xué)習(xí)是一個很好的輔助手段。
五、總結(jié)
伴隨著計算機儲存和計算能力的發(fā)展, 大數(shù)據(jù)和機器學(xué)習(xí)開始走上歷史舞臺, 經(jīng)過30多年的發(fā)展, 機器學(xué)習(xí)開始對科學(xué)研究和人民生活產(chǎn)生巨大且革命性的影響。
農(nóng)業(yè)經(jīng)濟學(xué)是一門應(yīng)用科學(xué), 而農(nóng)業(yè)政策分析是農(nóng)業(yè)經(jīng)濟學(xué)的核心內(nèi)容之一。機器學(xué)習(xí)對農(nóng)業(yè)政策研究的沖擊是巨大且可能是革命性的。
傳統(tǒng)的政策分析更注重模型參數(shù)的估計, 機器學(xué)習(xí)更注重政策預(yù)測的精確性。它能夠提供更多的數(shù)據(jù), 從數(shù)據(jù)出發(fā), 通過智能學(xué)習(xí)和龐大的計算能力, 找到更吻合的模型, 從而產(chǎn)生最精確的預(yù)測結(jié)果。政策分析本身更追求預(yù)測的精確性, 這為機器學(xué)習(xí)在農(nóng)業(yè)政策分析中廣泛應(yīng)用提供了最好的土壤。
機器學(xué)習(xí)對非標(biāo)準(zhǔn)數(shù)據(jù)也有很強的學(xué)習(xí)能力, 比如視頻、圖片、對話以及文字等。機器學(xué)習(xí)通過“降維”學(xué)習(xí)為政策分析提供更多的標(biāo)準(zhǔn)數(shù)據(jù), 也能更好的在政策研究中分析各個利益主體的利益訴求, 并為政策溝通提供很好的輔助手段。機器學(xué)習(xí)在進行農(nóng)業(yè)政策分析時在某些方面超越傳統(tǒng)的分析手法, 所以在農(nóng)業(yè)經(jīng)濟學(xué)的研究和教學(xué)中導(dǎo)入機器學(xué)習(xí), 也是不可避免的趨勢。在專業(yè)課程設(shè)置的時候, 對農(nóng)業(yè)經(jīng)濟學(xué)專業(yè)的學(xué)生, 要強化計算機編程以及統(tǒng)計學(xué)相關(guān)的訓(xùn)練, 使得學(xué)生至少掌握一門機器學(xué)習(xí)相關(guān)的主流計算機語言, 例如R (Lesmeister, 2015) 或者Python。
隨著經(jīng)濟的高速發(fā)展, 中國農(nóng)業(yè)發(fā)展和農(nóng)業(yè)政策處于一個快速的動態(tài)調(diào)整過程。2018年中央一號文件提出了鄉(xiāng)村振興戰(zhàn)略, 為今后的農(nóng)業(yè)發(fā)展指明具體發(fā)展方向。但是具體的農(nóng)業(yè)政策制定還需要更細(xì)致和科學(xué)的研究, 需要權(quán)衡各利益主體之間的關(guān)系, 權(quán)衡政策的短期目標(biāo)和長期目標(biāo)之間的關(guān)系, 考慮農(nóng)業(yè)和國民經(jīng)濟整體發(fā)展之間的關(guān)系等。精準(zhǔn)而有效的農(nóng)業(yè)政策制定以及與各相關(guān)利益主體之間進行有效溝通是一個巨大的挑戰(zhàn), 機器學(xué)習(xí)有可能為制定有效且精準(zhǔn)的農(nóng)業(yè)政策、實現(xiàn)鄉(xiāng)村振興貢獻力量。
現(xiàn)有的農(nóng)業(yè)經(jīng)濟學(xué)者已經(jīng)意識到機器學(xué)習(xí)對農(nóng)業(yè)政策分析的重要作用, 并開始將其導(dǎo)入到政策分析中, 比如網(wǎng)絡(luò)數(shù)據(jù)收集和文本分析等 (周潔紅等, 2016;韓國明等, 2017) 。總體而言, 機器學(xué)習(xí)在農(nóng)業(yè)政策分析中還基本處于空白階段。隨著機器學(xué)習(xí)技術(shù)的飛快發(fā)展, 它必然在不久的將來主動進入農(nóng)業(yè)經(jīng)濟分析領(lǐng)域。農(nóng)業(yè)經(jīng)濟學(xué)者必須要主動迎接這個挑戰(zhàn)。
作者簡介：于曉華 德國哥廷根大學(xué)農(nóng)業(yè)經(jīng)濟與農(nóng)村發(fā)展系 ;唐忠 中國人民大學(xué)農(nóng)業(yè)與農(nóng)村發(fā)展學(xué)院 ;包特 新加坡南洋理工大學(xué)經(jīng)濟學(xué)系
中國鄉(xiāng)村發(fā)現(xiàn)網(wǎng)轉(zhuǎn)自:《農(nóng)業(yè)技術(shù)經(jīng)濟》2019年第2期&《三農(nóng)學(xué)術(shù)》
(掃一掃，更多精彩內(nèi)容！)
