Dynamic Programming Treatment of the Solow and Ramsey–Cass–Koopmans Growth Models
تجسّر هذه الورقة الفجوة بين نموذجي "سولو" و"رامزي-كاس-كوبمانز" للنمو وبين معادلة "بلمان" لتوضيح أنه في حين أن معدل التقارب التقاربي لتكرار دالة القيمة الملائمة يتحدد بواسطة عامل الخصم، فإن اختيار تخمين أولي لدالة القيمة يكون أقرب إلى الحل الحقيقي يقلل بشكل كبير من عدد التكرارات المطلوبة للوصات إلى خطأ مستهدف.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
إن النمو الاقتصادي هو قصة كيف تصبح المجتمعات أكثر ثراءً بمرور الوقت، من خلال إنتاج المزيد من السلع والخدمات لشعبها. لعقود من الزمن، اعتمد الاقتصاديون على قصتين رئيسيتين لتفسير هذه العملية. القصة الأولى، المعروفة باسم نموذج "سولو"، تعامل كمية المال التي يدخرها الناس ويستثمرونها كقاعدة ثابتة، مثل معدل ضريبة تحدده الحكومة. وهي تفترض أنه إذا كان بلد ما يدخر نسبة مئوية معينة من دخله كل عام، فإن هذا القرار يُتخذ نيابة عنهم ببساطة. أما القصة الثانية، المسماة نموذج "رامزي"، فهي أكثر تعقيداً؛ إذ تشير إلى أن الناس مخططون أذكياء يقررون مقدار ما يدخرونه ومقدار ما ينفقونه بناءً على ما سيجعلهم أكثر سعادة طوال حياتهم. هذه القصة الثانية أصعب في الحل لأنها تتطلب حساب المسار الأمثل لأسرة تعيش للأبد، موازنةً بين الرغبة في الاستمتاع بالحياة اليوم والحاجة إلى الاستعداد للغد.
ولحل مشكلات التخطيط المعقدة هذه، يستخدم الاقتصاديون أداة رياضية تسمى "البرمجة الديناميكية". تخيل أنك تحاول إيجاد أفضل مسار عبر مدينة شاسعة يلفها الضباب؛ لا يمكنك رؤية الخريطة بأكملها دفعة واحدة، لذا تضع تخميناً للمسار الأفضل، وتتحقق مما إذا كان يعمل، ثم تعدل تخمينك بناءً على ما تعلمته. تكرر هذه العملية، وتصقل مسارك خطوة بخطوة، حتى تثق بأنك وجدت أقصر طريق. في الاقتصاد، تسمى هذه العملية "تكرار دالة القيمة". يبدأ الكمبيوتر بتخمين أولي خشن حول مقدار القيمة التي تحصل عليها الأسرة من امتلاك قدر معين من الثروة، ثم يقوم بتحديث هذا التخمين بشكل متكرر ليرى ما إذا كان بإمكسه تحقيق نتيجة أفضل. والسؤال الذي يواجهه الباحثون غالباً ليس ما إذا كانت هذه الطريقة ستنجح في النهاية أم لا، بل كم عدد الخطوات التي ستستغرقها للوصول إلى هناك. هل يهم التخمين الأولي، أم أن الكمبيوتر سيستمر في العمل عبر نفس عدد الخطوات بغض النظر عن نقطة بدايته؟
لقد شرع فريق من الباحثين من جامعات في فلسطين وكولومبيا في محاولة الإجابة على هذا السؤال تحديداً باستخدام سيناريو اقتصادي معروف تُعرف إجابته الصحيحة مسبقاً. اختاروا نسخة مبسطة من نموذج "رامسي" حيث يمكن حل الرياضيات الخاصة بها يدوياً بدقة، مما منحهم هدفاً مثالياً للتصويب نحوه. أرادوا معرفة ما إذا كان بدء عملية التخمين الحاسوبية بتخمين محدد من النوع "المثقف" سيجعلها تصل إلى الإجابة الصحيحة بشكل أسرع من البدء بتخمين آخر منطقي بنفس القدر. لم يخترعوا طريقة جديدة للحل، بل قاموا بقياس كيفية تغيير اختيار نقطة البداية لسرعة الحل بعناية.
أجرى الباحثون عمليات المحاكاة الخاصة بهم على جهاز كمبيوتر باستخدام شبكة من 150 نقطة لتمثيل مستويات الثروة المختلفة. واختبروا تخمينين أوليين مختلفين. كان التخمين الأول عبارة عن صيغة تبدو تشبه منحنى لوغاريتمي، بينما كان التخمين الثاني منحنى مختلفاً يرتفع ببطء أكبر. كان كلا التخمينين نقطتي بداية معقولتين، لكنهما لم يكونا متماثلين. وعندما تركوا الكمبيوتر يشغل عملية التحديث القياسية الخاصة به، أظهرت النتائج فرقاً واضحاً. سمح التخمين الأولي الثاني للكمبيوتر بالوصول إلى مستوى عالٍ من الدقة في 28 خطوة، بينما تطلب التخمين الأول 37 خطوة للوصول إلى نفس المستوى من الدقة. وهذا يعني أن مجرد اختيار نقطة بداية أفضل وفر على الكمبيوتر حوالي 24 بالمائة من العمل.
ومع ذلك، وجد الباحثون أن هذه الميزة كانت مؤقتة. فبمجرد أن تجاوز الكمبيوتر الخطوات القليلة الأولى، بدأ كلا التخمينين الأوليين في التحسن بنفس السرعة تماماً. لم يتسع الفارق بينهما أو يتقلص؛ بل ظل ثابتاً. لقد كان التخمين الأولي الأفضل ببساطة أقرب إلى الإجابة النهائية منذ البداية، وبالتالي كان لديه مسافة أقل ليقطعها. لم يكن عداءً أسرع، بل كان عداءً بدأ بالقرب من خط النهاية. هذا التمييز مهم لأنه يخبر الاقتصاديين أنه بينما توفر نقطة البداية الجيدة الوقت، فإنها لا تغير السرعة الأساسية التي يتعلم بها الكمبيوتر.
كما كشفت الدراسة عن مشكلة خفية في كيفية تعامل هذه النماذج الحاسوبية مع أصغر amounts (كميات) الثروة. فعندما نظر الباحثون إلى نطاق الثروة بأكمله، بما في ذلك الكميات الضئيلة جداً القريبة من الصفر، اصطدمت دقة الكمبيوتر بحد صلب. ومهما بلغ عدد الخطوات التي اتخذها الكمبيوتر، فإن الخطأ بالقرب من أسفل المقياس لم يختفِ. حدث هذا لأن الكمبيوتر كان يستخدم شبكة ذات نقاط متباعدة بانتظام، وهو أمر يشبه محاولة رسم منحنى حاد جداً باستخدام خطوط مستقيمة فقط. فبالقرب من الصفر، يكون المنحنى شديد الانحداد بحيث لا تستطيع الخطوط المستقيمة اتباعه بدقة، مما يخلق ضبابية دائمة. وأوضح الباحثون أنه إذا أرادوا إزالة هذه الضبابية، فلا يمكنهم مجرد تشغيل الكمبيوتر لخطوات أكثر؛ بل سيتعين عليهم استخدام شبكة أدق ذات نقاط أكثر.
علاوة على ذلك، اكتشف الفريق أن الكمبيوتر غالباً ما يجد أفضل خطة للإنفاق بشكل أسرع بكثير مما يجد به القيمة الدقيقة لتلك الخطة. في العديد من الدراسات الاقتصادية، يكون الهدف هو معرفة مقدار السعادة التي يحصل عليها الشخص من ثروته بدقة. ولكن إذا كان الهدف هو مجرد معرفة مقدار ما يجب على الشخص إنفاقه أو ادخاره، فيمكن للكمبيوتر العثور على تلك الإجابة بسرعة كبيرة، حتى بينما لا يزال يكافح لتحديد القيمة الدقيقة. وهذا يشير إلى أنه بالنسبة للعديد من الأغراض العملية، قد لا يحتاج الباحثون إلى الانتظار حتى ينهي الكمبيوتر حساباته الكاملة.
أخيراً، قارن الباحثون طريقتهم المتمثلة في "التخمين والتحقق" بتقنية أكثر تقدماً تسمى "تكرار السياسة"، وهي تشبه طريقة أكثر ذكاءً للملاحة في المدينة. ووجدوا أن استخدام هذه التقنية المتقدمة قلل من عدد الخطوات المطلوبة بشكل أكبر بكثير مما فعله مجرد اختيار تخمين أولي أفضل. وبينما تعتبر نقطة البداية الجيدة مفيدة، فإن استخدام خوارزمية أفضل يعد وسيلة أكثر قوة لتوفير الوقت. وتخلص الدراسة إلى أنه عندما يشغل الاقتصاديون هذه النماذج، فعليهم أن يكونوا حذرين في الإبلاغ ليس فقط عن النتيجة النهائية، بل أيضاً عن كيفية بدئهم، وكيفية قياس تقدمهم، ومدى دقة الشبكة التي رسموها. هذه التفاصيل مهمة لأنها تحدد مقدار العمل الذي اضطر الكمبيوتر للقيام به للوصول إلى الإجابة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.