我们研究了物理距离对美国最大的技术共享办公中心之一的公司间知识溢出的影响。根据该中心 251 家初创公司的办公空间随机分配,我们发现距离对知识溢出有积极影响,以采用同行公司已经在使用的上游网络技术的可能性为代表。这种影响对彼此距离很近的公司最大,并迅速衰减:同一楼层相距 20 米以上的公司与不同楼层的公司难以区分。这种影响似乎是由社交互动驱动的。虽然距离很近的公司最有可能一起参加社交共享办公空间活动,但知识溢出在社交但不相似的公司之间最大。最终,处在多元化程度适中或不太高的环境中的公司会表现得更好,但前提是它们进行社会化。
人口结构转型——从高生育率/高死亡率体制转变为低生育率/低死亡率体制——是各国经历的最根本的转变之一。为了研究人口结构在时间和空间上的转型,我们汇编了 186 个国家 250 多年来的出生率和死亡率数据集。我们记录了 (i) 几乎每个国家都已完成或正在进行人口结构转型;(ii) 转型速度随着时间的推移而加快;(iii) 开始转型的邻国越多,一个国家开始转型的可能性就越大。为了解释这些观察结果,我们建立了一个定量模型,其中父母选择孩子数量和教育质量。各国的地理位置各不相同,生产和医疗技术的进步从英国向外传播。我们的框架很好地复制了转型的时间和速度的提高。它还产生了生育率转型速度与受教育程度提高之间的相关性,类似于数据中的相关性。
几乎所有国家在新冠疫情爆发后都宣布了财政支持计划。然而,这些财政刺激计划的规模和构成存在显著差异。这些差异是由无数政治、金融、社会和经济因素决定的——这些因素是我们关注的重点。我们想知道,在 2020 年疫情初期,各国政府选择采用的财政计划的结构与哪些因素有关。我们使用了 98 个政府在疫情前六个月宣布的财政计划的详细信息以及大量解释变量来回答这个问题。也许并不奇怪,我们发现政治在决定这些财政计划的规模和构成方面发挥了非常重要的作用。两极分化程度较低、能力更强的政府和社会能够调动更多的财政资源。我们还发现,债务负担较大的政府宣布了更大的计划,但主权利差与这些计划的规模没有那么明显的关联。然而,从这些跨国比较中我们能收集到的信息是有限的。最终,要理解每个财政计划的具体内容背后的政治和政治经济考虑,必须依赖于每个政府权力部门的实际审议信息(如果这些信息公开的话)。
对比,ML Tictactoe播放器学会了不要从游戏数据库或反复玩游戏中丢失游戏。在更复杂的问题中,对基于规则的AI进行编程,该规则可以预期系统中所有可能的状态很快变得不可行。mL方法通常分为三类:监督学习,不受欢迎的学习和强化学习。在监督学习中,ML算法从数据中学习输入和输出对之间的关联。输出是监督信号,模型学会从输入中推断出来。例如,一个计算机从包含借款人(输入)特征的数据集中学习(输入)(输出)。然后使用该模型来预测未来的借款人是否可能默认。在无监督的学习中,ML模型在输入数据中发现模式。没有输出(监督信号)。例如,一个无监督的ML模型群集借款人会根据其相似性或识别相对于整个数据集的异常数据点。在增强学习中,计算机代理试图在导致最大奖励的环境中识别动作顺序。代理需要探索环境以学习最佳策略。例如,强化学习者通过多次对抗来掌握棋盘游戏来掌握棋盘游戏。该系统的设计使得代理在赢得游戏时会获得奖励,并且在输掉比赛时会受到惩罚。,2018年),监督模型,从图像中检测皮肤癌(Esteva等人,2018年)。代理人仅编程以寻求奖励,但是在开始学习之前,没有任何策略配备任何策略。近年来,AI的许多里程碑成功,例如强化学习代理人玩耍(Silver等人,2017年),或者可以编写连贯文本的无监督语言模型(Brown等人,2020)基于深度人工神经网络,也称为深度学习。通过将输入数据从网络中的图层传递到图层,以越来越抽象的方式表示。提供了足够的数据点,可以从其中学习有意义的表示,深度学习模型可以从非结构化高维数据(例如图像,文本和声音)中提取信号。这是一项更传统的ML方法的任务。在许多AI应用中,人类和机器共同运行既稳定又有效的系统。财务系统也不例外。对于财务系统,稳定性是指吸收冲击的能力,同时防止对真实经济的破坏(Schinasi,2004年)。许多出色的论文已全面审查了AI在财务部门的应用,几项研究集中在其财务稳定性的暗示上(金融稳定委员会,2017年; Danielsson等人。,2019年; Gensler和Bailey,2020年)。我们的论文重点关注这些应用程序(从交易和贷款到监管和政策制定)最好地说明了人类和机器的一些优势和劣势。,2006年; Bacoyannis等。,2015年)。例如,在算法交易中使用AI具有明显的执行速度和同时考虑大量信息的能力(Nevmy-Vaka等人。此外,算法交易者不太可能犯错或有偏见的非理性决定(Jain等人,但大多数AI代理都是
1 Jonathan Hambur在宏观经济集团,财政部,兰顿新月,帕克斯法案2600,澳大利亚。信件:jonathan.hambur@treasury.gov.au。我们感谢Dan Andrews,Chris Edmond,Rebecca Riley,Peter Gal以及经合组织,英联邦财政部,ACCC和澳大利亚储备银行的一系列研讨会参与者。2本文所表达的观点是作者的观点,不一定反映澳大利亚财政部或澳大利亚政府的观点。此处介绍的结果部分基于根据1999年新税制(澳大利亚商业编号)法案提供给ABS的ABR数据,以及根据1953年《税收管理法》根据《 ABS提供的ATO提供的税收数据》。这些要求仅将此类数据用于执行ABS的功能。根据《 1905年人口普查和统计法》收集的个人信息没有提供给注册服务商或ATO的行政或监管目的。对数据限制或弱点的任何讨论都是在用于统计目的的情况下,与数据支持ABR的核心操作要求的能力无关。立法要求确保已遵循此数据的隐私和保密性。只有根据1975年《澳大利亚统计局法》授权的人才能查看有关进行这些分析的任何特定公司的数据。根据1905年的《人口普查与统计法》,结果已予以机密,以确保他们不可能确定特定的人或组织。
黄热病证书目前是根据《国际卫生法规》在国际层面建立的唯一疫苗接种认证系统。世界卫生组织(WHO)保留了每个国家的黄热病疫苗接种要求和建议清单(以及有关疟疾和脊髓灰质炎疫苗的建议)。许多非洲和南美国家要求(来自所有或某些国家)的旅行者在抵达时显示黄热病疫苗接种的证明。在欧洲,只有阿尔巴尼亚和马耳他有这样的要求(对于来自风险地区的旅行者)。在许多情况下,谁的建议和国家要求之间存在差异。,尽管有建议,但阿根廷,巴西和秘鲁仍未征收疫苗进入要求。1
这项工作得到了瑞典能源局和SvensktNäringsliv的财务支持。我们感谢与SvensktNäringsliv,SvenskaKraftnät,Energiforsk和瑞典能源机构项目46227-1的参考小组的会议。尤其要感谢Zarah Andersson,Peter Cramton,BjörnHagman,LinaHåkansdotter,Marie Knutsen-Öy,Malgorzata Sadowska和匿名的裁判员以及对我们工作的帮助和评论。最后,我们要感谢格伦·尼尔森(Glenn Nielsen),他在撰写本文时协助我们。B研究所工业经济学研究所(IFN),斯德哥尔摩。剑桥大学能源政策研究小组(EPRG)的副研究员。隶属于斯坦福大学能源与可持续发展计划(PESD)。c工业经济学研究所(IFN),斯德哥尔摩。剑桥大学能源政策研究小组(EPRG)的副研究员。隶属于斯坦福大学能源与可持续发展计划(PESD)。
Zürich的博士后研究员和气候变化主席AI,Lynn H. Kaack是该研究的作者之一,名为“通过机器学习解决气候变化”。在她的演讲中,Kaack女士强调需要创建专门的多学科研究中心,以确保必要的技能和资源可用,因为机器学习专家和气候变化专家的工作自然不会重叠。Kaack女士还谈到了人工智能识字和实施能力的民主化,并表示通常AI工程师很昂贵,而且科技公司在招聘方面取得了最大的成功,因此其他组织通常会剩有不足的AI人才。此外,Kaack女士认为,如果我们希望AI在2050年的时间表中为气候行动提供帮助,则应从一开始就将AI以正确的方式应用。她还说,AI不应取代其他脱碳技术,而是要利用它们。
2019年,联邦土地上的生产占国内煤炭的40%,22%的国内石油和12%的国内天然气生产。目前,联邦化石燃料租赁计划不考虑燃烧联邦化石燃料的气候成本。这样做的一种方法是通过气候特许权使用费,除了目前的特许权使用费(1920年)为12.5%(海上18.75%)。我们考虑通过最大化收入,最大化福利或设定特许权使用费来确定这项附加费,以实现彻底租赁禁令减少排放的80%。使用PERST(2021)中的模型,我们计算产生的附加费及其含义。我们估计,这三种方法将导致全球排放的有意义下降,而前两种方法将大大增加特许权使用费,这些收入与生产状态分开。例如,我们估计选择一种共同的特许权使用费率来最大化收入会产生39%的气候特许权使用费,每年的特许权使用费增加$ 6.2B,并将全球排放量减少37至63 mmmton CO2E/年。