The AI Economist: Optimal Economic Policy Design via Two-level Deep Reinforcement Learning
Salesforce Research（赛富时研究院）；Harvard University（哈佛大学）
人工智能和强化学习（RL）已经改善了许多领域，但尚未广泛应用于经济政策设计，机制设计或经济学。与此同时，当前的经济学方法受到缺乏反事实数据、简单化的行为模型以及有限的政策实验和评估行为反应的机会的限制。在这里，我们表明，基于机器学习的经济模拟是一个强大的政策和机制设计框架，以克服这些限制。人工智能经济学家是一个两级深度强化学习框架，可以训练智能体和社会规划者共同适应，为高度不稳定和新颖的两级强化学习挑战提供了一个易于处理的解决方案。从一个简单的经济规范，我们学习理性的代理人的行为，以适应学习计划者的政策，反之亦然。我们证明了AI经济学家在最优税收问题上的有效性。在简单的一步经济中，AI经济学家恢复了经济理论的最优税收政策。在复杂、动态的经济体中，AI经济学家大大改善了功利主义的社会福利以及平等与生产率之间的权衡。尽管出现了税收博弈策略，但它仍然如此，同时比经济理论更准确地解释了代理人的相互作用和行为变化。这些结果首次表明，两级深度强化学习可以用于理解，并作为经济设计理论的补充，开启了一种新的基于计算学习的方法来理解经济政策。
2021-08-05 cs.LG econ.GN q-fin.EC
Emergent inequality and endogenous dynamics in a simple behavioral macroeconomic model
标准的宏观经济模型假设家庭是理性的，因为他们是完美的效用最大化者，并根据使经济偏离稳态的冲击来解释经济动态。在这里，我们建立在一个标准的宏观经济模型中，一个单一的理性代表家庭作出储蓄决定多少消费或投资。在我们的模型中，家庭是近视的、有限理性的、嵌入社会网络中的异质代理人。每个家庭不时地通过复制其消费最高的邻居的储蓄率来更新其储蓄率。如果更新时间短，经济陷入贫困陷阱，但更新时间长，经济产出接近其最优值，我们观察到一个关键的过渡到一个经济不规则的内生振荡的经济产出，类似于一个经济周期。在这种制度下，家庭分为两类：储蓄率低的贫困家庭和储蓄率高的富裕家庭。因此，不平等和经济动态都是由于家庭决策不完善而自发产生的。我们在这里的工作支持一个替代方案的研究，替代效用最大化的行为接地决策。
2019-07-03 econ.GN q-fin.EC
Behavioral epidemiology: An economic model to evaluate optimal policy in the midst of a pandemic
本文将疾病动力学的典型流行病学模型与政府的封锁和检测政策以及代理人为避免被感染而决定的社会距离相结合。该模型使用美国的死亡和测试结果数据进行校准。结果表明，一个中间，但长期的封锁是社会最优的死亡率和GDP时，考虑到。这是因为政府希望经济继续产生一些产出，而减少感染方面的松懈被社会距离代理人所弥补。保持社会距离是对政府最佳政策的最佳回应，以保持有效生殖数量为1，并避免在大流行期间出现多波。校准表明检测是有效的，但如果从大流行开始就积极开展检测，它可能会更有用。没有任何封锁或关闭社交距离会产生极端的后果。加强对社会活动的集中控制将进一步减缓大流行病的传播。
2022-02-08 econ.GN q-fin.EC
The Data-Dollars Tradeoff: Privacy Harms vs. Economic Risk in Personalized AI Adoption
University of Göttingen（哥廷根大学）；Wageningen University and Research（瓦赫宁根大学与研究）；Delft University of Technology（代尔夫特理工大学）
研究发现，数据泄露的模糊性而非隐私偏好本身，驱动用户回避个性化AI，用户对透明机构有强烈需求。
2026-03-09 cs.HC econ.GN q-fin.EC
Decision and Gender Biases in Large Language Models: A Behavioral Economic Perspective
DEMS, University of Bicocca（DEMS，比科卡大学）；DEMS, University of Bicocca and BETA, University of Strasbourg（DEMS，比科卡大学和BETA，斯特拉斯堡大学）
本研究从行为经济学视角，通过最后通牒博弈和赌博博弈实验，探究Google Gemma7B和Qwen等大型语言模型的决策行为，发现其存在减弱但持续的理性偏离及性别条件差异，为理解LLMs的决策偏见提供了实证依据。
2025-11-15 cs.AI econ.GN q-fin.EC
On the dynamics emerging from pandemics and infodemics
这份立场文件讨论了与COVID-19大流行相关的新兴行为、社会和经济动态，并特别强调了两个新兴问题：第一，延迟效应（或二次打击）的流行病引起的恐惧风险效应进行了讨论，其中两个因素可能会影响这种影响的存在被确定，即信息的可获得性和政策决定对适应行为的影响。其次，讨论了个人对危险事件的准备问题。由于COVID-19大流行等事件展现出难以预测的复杂行为模式，因此需要考虑行为、社会和经济动态的复杂模型来评估决策的有效性和效率。
2020-04-19 cs.SI econ.GN math.DS
Spending Behavior and Economic Impacts of Urban Digital Consumption Vouchers
本文基于用户调查数据和区域投入产出模型评估“台北熊好券2.0”计划，发现消费券有效性因类型而异，考虑支出替代和引致消费等行为反应后，产出乘数显著上升，为设计更有效的消费券政策提供了指导。
2025-07-15 econ.GN q-fin.EC
Deep Neural Networks for Choice Analysis: Extracting Complete Economic Information for Interpretation
Massachusetts Institute of Technology（麻省理工学院）
虽然深度神经网络（DNN）越来越多地应用于选择分析，显示出很高的预测能力，但目前还不清楚研究人员可以在多大程度上解释DNN中的经济信息。本文证明了DNN可以提供与经典离散选择模型（DCM）一样完整的经济信息。经济信息包括选择预测、选择概率、市场份额、替代品的替代模式、社会福利、概率衍生物、弹性、边际替代率（MRS）和异质时间价值（VOT）。与DCM不同，DNN可以自动学习效用函数，并揭示领域专家没有预先指定的行为模式。然而，从DNN获得的经济信息可能是不可靠的，因为与自动学习能力相关的三个挑战：对超参数的高度敏感性，模型非识别性和局部不规则性。为了证明DNN的优势和挑战，我们使用声明偏好调查估计了DNN，从DNN中提取了完整的经济信息列表，并将其与DCM进行了比较。我们发现，在训练或人口中聚集的经济信息比个体观察或训练的非聚集信息更可靠，即使是简单的超参数搜索也可以显着提高从DNN中提取的经济信息的可靠性。未来的研究应该研究其他正则化和DNN架构，更好的优化算法和强大的DNN训练方法，以解决DNN的三个挑战，从基于DNN的选择模型中提供更可靠的经济信息。
2021-04-02 cs.LG econ.GN q-fin.EC
Efficiency through Evolution, A Darwinian Approach to Agent-Based Economic Forecast Modeling
本文提出一种达尔文式智能体建模方法，以简单规则和演化机制实现宏观经济预测，在FIGARO数据约束下用奥地利案例验证其能以低计算成本再现财富、企业规模和就业分布等经验规律。
2025-07-23 cs.CE econ.GN q-fin.EC
The Dynamics of Trust: A Stochastic Levy Model Capturing Sudden Behavioral Jumps
Department of Mathematics, Faculty of science, Semnan University（塞姆南大学理学院数学系）
本文提出基于莱维过程的随机模型，用于捕捉信任在现实世界中的突发行为跳跃，通过模拟信任崩溃、波动和恢复等动态，提供更真实的信任建模方法。
2025-12-20 econ.GN q-fin.EC stat.AP
LLMs Model Non-WEIRD Populations: Experiments with Synthetic Cultural Agents
Pomona College（波莫纳学院）；Claremont Graduate University（克莱蒙特研究生大学）；University of Arizona（亚利桑那大学）；Pitzer College（皮泽学院）
针对非WEIRD人群经济行为研究的挑战，提出用LLMs构建合成文化智能体开展经典行为实验的方法，验证了其行为与真人的相似性，可生成新假设并为难接触人群研究提供有效伦理的新工具。
2025-01-12 cs.AI cs.CL econ.GN
Evaluating and Aligning Human Economic Risk Preferences in LLMs
The Hong Kong University of Science and Technology（香港科技大学）
本研究评估了LLMs在不同人物设定下的经济风险偏好，发现其在复杂经济决策任务中表现下降，并提出一种对齐方法以增强LLM对特定人物设定的风险偏好的遵循，从而提升其在风险相关应用中的经济理性。
2025-09-13 cs.CL econ.GN q-fin.EC
Human Behavioral Models Using Utility Theory and Prospect Theory
网络物理人类系统（CPHS）的几个例子包括人类的实时决策，作为整个系统成功运行的必要组成部分。许多决策问题需要一个适当的人类行为模型。效用理论的工具已经成功地应用于交通运输中的几个问题，如资源分配和供需平衡\citep{ben1985discrete}。最近，前景理论已被证明是行为经济学和认知心理学中的一个有用工具，用于推导人类行为模型，这些模型描述了在存在随机不确定性和风险的情况下的主观决策，作为传统效用理论\citep{kahneman_prospect_2012}的替代。本文将介绍这些模型。展望理论的理论含义进行了讨论。我们将从共享交通等交通用例中抽取示例，以说明这些模型以及效用理论和前景理论之间的区别。
2022-10-13 cs.SY econ.GN eess.SY
