Ekonomia złożoności

Autor: Joeri Schasfoort, 18 września 2017

1. Podstawowe założenia

Ekonomia złożoności zajmuje się badaniem gospodarki jako systemu złożonego. Złożone systemy to systemy składające się ze współdziałających ze sobą jednostek, zmieniających swoje działania i strategie w odpowiedzi na skutki, które wspólnie wywołują (Arthur 2013). Ekonomiści i ekonomistki złożoności badają kształtowanie się struktur i rozwój wzorców w gospodarce (Arthur 1999). Od kryzysu finansowego w 2008 roku, kiedy należące do głównego nurtu modele równowagi ogólnej okazały się w niewielkim stopniu pomocne w kształtowaniu decyzji politycznych (Armstrong 2017), rośnie zainteresowanie zastosowaniem rozwiązań zaczerpniętych z teorii złożoności (Battiston i in. 2016).

2. Terminologia, analizy i ujęcie gospodarki

Zwolennicy i zwolenniczki ekonomii złożoności uznają gospodarkę za złożony system, który składa się z innych złożonych systemów, należy do nich i zazębia się z nimi.

W takim systemie wzorce gospodarcze, takie jak wzrost gospodarczy czy inflacja, zalicza się do zjawisk emergentnych (polegających na powstawaniu nowych jakościowo form i zachowań z oddziaływania między prostszymi elementami – przyp. tłum.), ponieważ wyłaniają się one ze współdziałania różnorodnych podmiotów o odmiennych oczekiwaniach (Kirman 2006, 2016). Wedle szerszej definicji, zjawiska emergentne stanowią „nowy” wzór powstający w wyniku współdziałania szeregu elementów, między którymi istnieją proste relacje, ale którego nie da się zredukować do określonych właściwości każdego z tych elementów (Hayek 1964).

Ekonomiści złożoności, tacy jak W. Brian Arthur (2013), twierdzą, że nierównowaga jest naturalnym stanem gospodarki. Gospodarka pozostaje w ciągłym ruchu, nieustannie ewoluuje i się zmienia. Zdaniem Arthura (2013) są ku temu dwa główne powody. Jednym z nich jest fundamentalna niepewność, drugim zaś – innowacje technologiczne.

Pojęcie (fundamentalnej) niepewności zostało wprowadzone do ekonomii przez Franka Knighta (1921) i Johna Maynarda Keynesa (1921, 1936/2012, 1937). Badacze ci uważali, że należy dokonać rozróżnienia między ryzykiem a niepewnością. W przypadku ryzyka znane są wszystkie możliwe przyszłe wydarzenia lub konsekwencje danego działania lub decyzji. Dlatego da się obliczyć prawdopodobieństwo zajścia danego zdarzenia. Jest jednak wiele sytuacji, w których nie znamy wszystkich możliwych wyników. Wówczas rachunek prawdopodobieństwa okazuje się pozbawiony solidnych podstaw.

Aby poradzić sobie z niepewnością, podmioty gospodarcze starają się nadać zjawiskom sens przez snucie domysłów, zgadywanie, wykorzystywanie uprzednio zdobytej wiedzy i doświadczenia (Arthur 2013). W konsekwencji systematycznie aktualizują swój wewnętrzny model podejmowania decyzji, co oznacza, że ​​podczas eksploracji nieustannie dostosowują się, odrzucają i zastępują innymi działania lub strategie oparte na doświadczeniu. Taka dynamika jest również znana jako „dynamika ewolucyjna” (Lindgren 1997). Korzystając z teorii gier ewolucyjnych, Lindgren (1997) wykazuje, że modele ewolucyjne zwykle nie prowadzą do stabilnej równowagi (w sensie Nasha) w obecności szumu (informacyjnego – przyp. tłum.). Gdyby wyniki te ekstrapolować na szersze pole gospodarki, to wynika z nich, że pozostaje ona w ciągłym zakłócającym ruchu, gdyż podmioty nieustannie badają teren, uczą się i dostosowują.

Innowacje technologiczne to kolejny ważny czynnik przyczyniający się do nieustannej zmienności systemu gospodarczego. Cechą innowacji jest to, że rozwój technologiczny umożliwia dalszy rozwój technologiczny (Arthur 2013). Wynika stąd, że nowatorska technologia oznacza nie tylko jednorazowe zachwianie równowagi. Jest ciągle pracującym motorem, domagającym się opracowania i wdrażania kolejnych nowszych technologii, które z kolei same wytwarzają kolejne technologie i ich wymagają (Arthur 2009). Tak więc innowacje technologiczne również przyczyniają się do zmienności, choć w mniejszym nieco stopniu niż fundamentalna niepewność.

Pomimo to wypada stwierdzić, że nieustająca zmienność (ang. state of flux) jest często stanem względnie trwałym, i dlatego analizując ją, można jako przybliżenia użyć stanu równowagi lub stanu ustalonego (ang. steady state). Podkreślić natomiast należy, że systemy złożone cechują się istnieniem nie jednego a wielu stanów równowagi, zwłaszcza w przypadku działania dodatniego sprzężenia zwrotnego lub rosnących przychodów (ang. increasing returns) (Bosker i in. 2007).

Stan ustalony, do którego dąży system złożony, zależy od ścieżki prowadzącej do tego stanu. Innymi słowy, jest zależny od ścieżki (ang. path-dependent). Wynikająca stąd dynamika może przybrać różne formy: system może zmierzać ku pojedynczemu punktowi równowagi po zrównoważonej ścieżce (wariant często zakładany w ekonomii głównego nurtu), ale może też być bardziej oscylujący i dynamiczny (co odgrywa istotną rolę w pracach ekonomistów i ekonomistek złożoności). Co więcej, drobne zmiany warunków początkowych mogą spowodować, że system znajdzie się w skrajnie odmiennym stanie ustalonym (Li i Yorke 1975).

Gdy system znajdzie się już w stanie ustalonym, przejście do innego stanu może nie być proste. Może okazać się on na tyle odporny na zmiany, że przejście do innego ustroju wymagać będzie poważnych wstrząsów. Zjawisko to znane jest jako „blokada” (ang. lock-in) (Arthur 1989). Z drugiej strony, jeśli prężność systemu spada, może on osiągnąć punkt krytyczny i nagle zmienić sposób funkcjonowania lub przejść do innego ustroju (Battiston i in. 2016). Rynki finansowe i gospodarki w przeszłości wykazywały nagłe i w dużej mierze nieprzewidziane załamania na skalę systemową. Takie przejścia fazowe mogą w niektórych przypadkach być wywoływane przez nieprzewidywalne zdarzenia o charakterze stochastycznym. Częściej jednak decydują o tym endogeniczne procesy wynikające z cech samego systemu (Battiston et al. 2016).

Podsumujmy: ekonomiści i ekonomistki złożoności traktują gospodarkę jako złożony system. Zagregowane zjawiska ekonomiczne postrzega się jako wzory wyłaniające się ze współdziałania między różnorodnymi podmiotami (czynnikami). Podczas gdy systemy gospodarcze mogą pozostawać we względnie ustalonych stanach, które przybliżyć można za pomocą stanu równowagi, obecność fundamentalnej niepewności i innowacji technologicznych sprawia, że ​​system gospodarczy jako całość podlega ciągłym zmianom. Co więcej, nawet względnie ustalone stany, które się pojawiają, często nie są pojedyncze, pozostają zależne od ścieżki, a czasem są wręcz chaotyczne. Ponadto systemy gospodarcze regularnie przechodzą przemiany fazowe (tj. całościowe – przyp. tłum.), aby ostatecznie znaleźć się w zupełnie innym stanie. W celu adekwatnego opisu i badania tych wszystkich wymienionych procesów ekonomia złożoności często używa narzędzi i teorii, które uchodzą za bardziej „wszechstronne” od tych wykorzystywanych w ekonomii głównego nurtu.

3. Ontologia

Sposób, w jaki ekonomiści i ekonomistki postrzegają złożoność w gospodarce, jest pod wieloma względami zgodny z teorią systemów (Bunge 1996, Gräbner i Kapeller 2015) głoszącej, że społeczeństwo jest „warstwowym” systemem złożonym ze zmieniających się podsystemów i posiada właściwości globalne, zarówno redukowalne (do właściwości części składowych systemu – przyp. tłum.), jak i nieredukowalne (a więc jakościowe nowe – przyp. tłum.), w którym przyczynowość zachodzi zarówno w kierunku od jednostek do całości, jak i z „góry na dół” (np. instytucje – poprzez swój wpływ na zachowania jednostek).

Złożone systemy gospodarcze nakładają się na inne złożone systemy, ale nie zawsze w sposób hierarchiczny. Wzajemne relacje tych nakładających się systemów opisać można raczej jako panarchię (Holling 2001), która odnosi się do struktury, w której systemy są ze sobą powiązane w ciągłych dostosowawczych cyklach wzrostu, akumulacji, restrukturyzacji i odnowy. Zatem złożone systemy powiązane są z innymi złożonymi systemami znajdującymi się nad i pod nimi. Jednocześnie są częścią wielu innych nakładających się na siebie i zazębiających ze sobą systemów złożonych.

W ramach złożonego systemu Kurt Dopfer i współautorzy (2004) wyróżniają trzy odrębne poziomy, które kierują jego dynamiką: poziom mikro (jednostki), mezo (reguły) i makro (system). Na każdym poziomie podejmowane są różnego rodzaju decyzje i zachodzą rozmaite interakcje. Na przykład omawiając ekonomię przestrzenną, Pasquale Commendatore i współautorzy (2018) wskazują na: interakcje między międzynarodowymi lub regionalnymi partnerami handlowymi na poziomie makro, rynki jako struktury sieci społecznych na poziomie mezo oraz strategiczne wybory pojedynczych firm i gospodarstw domowych na poziomie mikro.

Na poziomie mikro podmiotom przypisuje się ograniczoną racjonalność (Simon 1972). Oznacza to, że ich racjonalność jest ograniczona złożonością danego problemu, możliwościami poznawczymi podmiotu oraz czasem dostępnym do podjęcia decyzji (Simon 1991). Według Arthura (2010) jednostki na ogół nie optymalizują (np. użyteczności). Ludzie angażują się raczej w procesy poznawcze, takie jak dokonywanie społecznych porównań, naśladowanie i powtarzanie określonych zachowań (nawyki), aby efektywnie wykorzystać ograniczone zasoby poznawcze (Jager i in.2000, dla wkładu psychologii w to zagadnienie patrz: Gigerenzer i Gaissmaier 2011).

Na wszystkich trzech poziomach czas odgrywa ważną rolę ze względu na zależność ścieżkową. Wszystkie stany systemów gospodarczych opierają się na swoich stanach przeszłych. Rozumiana w ten sposób gospodarka staje się systemem, który ewoluuje proceduralnie w serii zdarzeń; podlega algorytmizacji (Arthur 2013). Biorąc pod uwagę stan zmienności, w jakim zawsze znajduje się każdy złożony system, można powiedzieć, że zrozumienie tej ciągłej zmiany jest centralnym problemem ekonomicznym dla ekonomii złożoności.

4. Epistemologia

Wśród ekonomistów i ekonomistek zajmujących się złożonością nie ma zgody co do tego, do jakiego stopnia można zrozumieć funkcjonowanie złożonych systemów gospodarczych, jednak większość z nich zgodziłaby się, że modelowanie jest nieodzowne w badaniach nad złożonością. Można wyróżnić spośród nich dwie grupy: powściągliwą i optymistyczną. Grupa powściągliwa uważa, że opracowywane przez nią modele – uproszczenia rzeczywistości – mogą odkryć mechanizmy przyczynowe kryjące się za powszechnie obserwowanymi wzorcami ekonomicznymi, ale rzeczywistość jest zbyt złożona, aby modele te mogły oferować jakieś bardziej przydatne prognozy dotyczące gospodarki. Grupa optymistów z kolei sądzi, że dodatkowo ich modele mogą posłużyć do formułowania tego typu prognoz, chociaż te prawdopodobnie nie okażą się nazbyt dokładne. Poniżej omówiona zostanie najpierw epistemologia grupy powściągliwej, a następnie – grupy optymistycznej.

Badacze i badaczki z grupy powściągliwej twierdzą, że ponieważ gospodarka jest tak niezwykle złożona, niemożliwe jest wyprowadzenie praw ekonomicznych, które byłyby powszechnie obowiązujące. Zamiast tego ekonomiści i ekonomistki złożoności powinni szukać wyjaśnień opartych na mechanizmach (Gräbner 2017a), a ich modele powinno się oceniać na podstawie ich zdolności do odkrywania mechanizmów tworzących powszechne wzorce ekonomiczne.

Wpływ poglądów tej grupy jest wyraźny w wizji generatywnych nauk społecznych Joshui M. Epsteina (2006). W tym podejściu rolą ekonomisty złożoności jest obliczeniowe generowanie procesów będących przedmiotem zainteresowania. Tylko w ten sposób da się je zrozumieć: „Jeśli to wytworzysz, możesz to pokazać” (ang. If you grow it, you show it).

Podobnie ekonomiści i ekonomistki złożoności pozostający pod wpływem tradycji austriackiej wyrażają głęboki sceptycyzm wobec tego, na ile da się zrozumieć świat, nie mówiąc o formułowaniu prognoz na jego temat, i zamiast tego opowiadają się za podejściem powściągliwym (Hoogduin 2016). Friedrich A. Hayek (1964) podaje trzy różne przyczyny takiego stanu rzeczy. Po pierwsze, liczba odrębnych zmiennych wymaganych do wyjaśnienia złożonych zjawisk ekonomicznych jest często tak ogromna, że ​​okazuje się to praktycznie (a może nawet teoretycznie) niemożliwe. Po drugie, zazębianie się złożonych systemów – ścisłe ich sprzężenie – może prowadzić do nieoczekiwanych interakcji, których nie przewidziały modele ekonomiczne. Wreszcie wiele złożonych systemów wykazuje wrażliwość na warunki początkowe, co sprawia, że ​​jest bardzo mało prawdopodobne, że modele da się tak skalibrować, aby uzyskać przydatne prognozy.

Z tego powodu ekonomia (i inne nauki społeczne) różni się od „twardych” nauk zajmujących się zjawiskami, które w naszym rozumieniu są proste. Ceną, jaką płacimy za wejście w dziedzinę zjawisk złożonych, jest utrata możliwości stawiania użytecznych prognoz, w miarę jak wzrasta liczba zmiennych, pól zazębiania się systemów i wrażliwość na warunki początkowe. Można na przykład wskazać modele prognozy pogody, które w długim okresie są bardzo nieprecyzyjne, trudno jednak zaprzeczyć temu, że miliony ludzi na całym świecie planuje swoją codzienną aktywność na podstawie krótkookresowych prognoz meteorologicznych. Niemniej niektórzy ekonomiści zajmujący się złożonością w tradycji austriackiej (Gaus 2007) twierdzą, że nie oznacza to bynajmniej, że gospodarka jest zbyt złożonym systemem, aby w ogóle formułować przydatne prognozy na jej temat, a jedynie że twórcy modeli powinni wprost informować o wysokim stopniu niepewności dotyczącym formułowanych przez nich prognoz.

To prowadzi nas do stanowiska optymistycznej grupy ekonomistów i ekonomistek złożoności, którzy przekonują, że ich modele ekonomiczne należy oceniać na podstawie ich zdolności predykcyjnych. Taki pogląd na siłę modeli ekonomicznych jest bardziej zbieżny z poglądem znanych, ale wciąż trzymających się pragmatycznego podejścia ekonomistów, takich jak Dani Rodrik (2015/2019). Arthur (2005) twierdzi, że jeśli użyjemy właściwych narzędzi – tych, których dostarcza ekonomia złożoności – jesteśmy w stanie zbadać, jak gospodarka zachowuje się poza stanem równowagi. Wynika to naturalnie z przyjęcia założenia, że ​​ekonomia złożoności jest teorią ekonomii na bardziej ogólnym poziomie nierównowagi (Arthur 1999). Farmer i Foley (2009) twierdzą, że dzięki nowoczesnym modelom wywodzącym się z ekonomii złożoności możliwe byłoby ilościowe zbadanie alternatywnych scenariuszy polityki gospodarczej w skali makroekonomicznej. Zatem nasze obecne ograniczone możliwości prognozowania gospodarczego są konsekwencją wykorzystywania niewłaściwych ram analitycznych do badania gospodarki.

Większość ekonomistów i ekonomistek złożoności należących do tradycji optymistycznej jest jednak bardziej powściągliwa. Twierdzą oni, że ich modele mogą wiarygodnie generować prognozy warunkowe (Haldane i Turrell 2018). Coś prawdopodobnie stanie się z Y, jeśli X się zmieni. Należy to odróżnić od prognozowania bezwarunkowego. Takie prognozy stwierdzają z kolei, jaka będzie wartość Y w zależności od prognoz wszystkich zmiennych X, które mogą wpływać na Y (Wren-Lewis 2014).

Jednak oba podejścia omówione w tej sekcji wzajemnie się nie wykluczają. Można wręcz uznać je za leżące w pewnym spektrum przebiegającym od bieguna powściągliwego do optymistycznego. Można powiedzieć, że uznając świat za system złożony, ekonomiści i ekonomistki złożoności są bardziej powściągliwi (jakkolwiek również polegają w swoich badaniach niemal wyłącznie na modelowaniu) niż zwykle ich koledzy i koleżanki po fachu należący do tradycji badań ekonomii głównego nurtu.

5. Metodologia

Jak wspomniano wcześniej, ekonomiści i ekonomistki zajmujący się złożonością na ogół obserwują wyłaniające się wzorce, a następnie opracowują modele wyjaśniające mechanizmy, które tymi wzorcami kierują. Takie współoddziaływanie między obserwacjami a teorią nie ma charakteru liniowego, ponieważ rozwój nowych modeli może prowadzić do odkrycia nowych wzorców, które z kolei mogą stanowić inspirację dla nowych modeli.

Metody stosowane przez ekonomistki i ekonomistów zajmujących się złożonością w celu przekazywania swoich teorii i obserwacji wzorców w czasopismach naukowych są bardzo zróżnicowane, ale generalnie dość formalistyczne. Powodem popularności tego formalistycznego podejścia jest to, że modele matematyczne, jeśli wykonać je prawidłowo, są jednoznaczne i odsłaniają wewnętrzne niespójności teorii oraz dokonywanych na jej podstawie przewidywań.

Aby formalnie udokumentować owe wzorce, ekonomiści i ekonomistki zajmujący się złożonością stosują szeroką gamę metod empirycznych. Badania empiryczne były ważną, choć nieco chaotyczną częścią programu badań nad złożonością (Durlauf 2005). Celem udokumentowania badanych wzorców, znanych również pod nazwą stylizowanych faktów, opracowano nader obszerną literaturę. Takie stylizowane fakty udało się zgromadzić przy użyciu wielu różnorodnych metod. Należą do nich metody bardziej tradycyjne, takie jak mapowanie momentów statystycznych (Cont 2001), standardowa nowoczesna ekonometria (Angrist i Pischke 2017), uczenie maszynowe (Mullainathan i Spiess 2017), dowody eksperymentalne (Hommes i in. 2005) oraz przetwarzanie dużych zbiorów danych (big data) (Varian 2014), ale także metody inspirowane ekonomią złożoności, takie jak wyprowadzanie praw potęgowych (Gabaix 2009) czy badanie struktur sieciowych (Jackson 2008, 2014).

Aby sformalizować teorie wyjaśniające te wzorce, ekonomiści i ekonomistki zajmujący się złożonością stosują też szeroką gamę technik modelowania matematycznego, z których najpopularniejsze to modelowanie sieciowe (Caldarelli i in. 2004), dynamika nieliniowa (Bischi i in. 2017) oraz modelowanie agentowe (Agent-Based Modeling, ABM) (Gallegati i in. 2017). Modele tego typu są tak popularne, ponieważ są w stanie zidentyfikować zachowania w nierównowadze, a także nie wymagają założeń o optymalizacyjnych zachowaniach jednostek i dążeniu gospodarki do stanu równowagi.

Wybór odpowiedniej metody modelowania zależy od wzorców, które badacze chcą wyjaśnić. Ogólnie preferowana będzie metoda najlepiej opisująca dany wzorzec lub pozwalająca robić najbardziej precyzyjne prognozy. Jeśli modele mają tę samą moc eksplanacyjną, preferowany będzie najprostszy (Sun i in. 2016) lub najgłębszy (Gräbner 2017a).

Przykładowo, celem wyjaśnienia kluczowych stylizowanych faktów obserwowanych na rynkach finansowych, takich jak stała stopa zwrotów, nadmierna kurtoza (spłaszczenie rozkładu) i utrzymująca się niestabilność (Cont 2011), Reiner Franke i Frank Westerhoff (2012) proponują prosty model systemów dynamicznych z ograniczonymi, racjonalnymi inwestorami, którzy przełączają się między podążaniem za trendem (trend-following) a strategiami fundamentalnymi (fundamentalist strategies) w zależności od tego, która strategia okazuje się bardziej opłacalna w danym momencie. Jego nierównowagowa dynamika pozwala mu ulepszyć standardowe (oparte na konsumpcji) modele wyceny aktywów, które są sprzeczne z tymi obserwowalnymi faktami (Adam i in. 2016). Jednak, Carl Chiarella i współautorzy (2009) pokazują, że do wyjaśnienia tego rodzaju stylizowanych faktów zgodnych ze stylizowanymi faktami na poziomie mikro bardziej przydatna okazuje się zwykła metoda modelowania agentowego.

Reasumując, ekonomistki i ekonomiści złożoności używają rozmaitych metodologii i modeli. Z tego punktu widzenia może wydawać się trudne odróżnienie ich od innych szkół ekonomicznych. A jednak, przy bliższym spojrzeniu, można stwierdzić, że cechą charakterystyczną tej tradycji intelektualnej jest właśnie różnorodność stosowanych metod modelowania. Nawet jeżeli nie można wykluczyć zastosowania modeli równowagi ogólnej z racjonalnymi podmiotami, to nie są one normą (tak jak ma to miejsce w ekonomii głównego nurtu – przyp. tłum.). Preferuje się raczej modele, które pozwalają na jak najgłębsze zrozumienie analizowanych wzorców, lub też takie, które pozwalają formułować najbardziej precyzyjne prognozy.

6. Ideologia i cele polityczne

Przedstawiciele ekonomii złożoności dążą do lepszego zrozumienia wzorców charakteryzujących nasz złożony system gospodarczy. Z jednej strony przekłada się to czasami na chęć ulepszenia go za pomocą interwencji. To przechyla tę grupę na lewo i wiąże ze stanowiskiem optymistycznym, o którym mowa w rozdziale o epistemologii. Z drugiej strony przekłada się to niekiedy na uświadomienie sobie faktu, że gospodarka jest zbyt złożonym systemem, aby jakiekolwiek planowanie mogło się sprawdzić. Wręcz przeciwnie, bardzo łatwo przynieść może skutek odwrotny do zamierzonego. To z kolei przechyla ich na prawo i pozwala powiązać ich ze wspomnianym wcześniej stanowiskiem powściągliwym. Z tego powodu ekonomiści i ekonomistki złożoności okazują się obecnie grupą wewnętrznie nader zróżnicowaną i niełatwo przypisać im jakąkolwiek konkretną ideologię, nawet tym, których wcześniej zaliczono do obozu optymistycznego albo powściągliwego.

7. Aktualne debaty i analizy

Jako przedstawiciele nowej szkoły myślenia wiodący ekonomiści i ekonomistki złożoności najczęściej próbują przekonać innych ekonomistów do poszerzenia ich analiz, tak by wykroczyły one poza założenia o racjonalnych oczekiwaniach, reprezentatywnych podmiotach i odeszły od skupiania się na stanie równowagi. W związku z tym wśród ekonomistów i ekonomistek zajmujących się zagadnieniami złożoności toczy się kilka interesujących dyskusji. Dotyczą one: (1) różnicy w stosunku do ekonomii głównego nurtu, (2) roli i ograniczeń modeli matematycznych, (3) odpowiedniego stopnia złożoności modeli, (4) stosowanie protokołów opisu modeli oraz (5) sposobów weryfikacji modeli. W następnych akapitach zostaną pokrótce omówione te dyskusje.

W pierwszej z nich wśród ekonomistów i ekonomistek zajmujących się złożonością toczy się spór dotyczący związku ekonomii złożoności z ekonomią głównego nurtu. Część z nich, jak np. np. Arthur (2005) czy Farmer i Foley (2009), stanowczo twierdzą, że ekonomia złożoności jest zupełnie nową dziedziną, niemal biegunowym przeciwieństwem ekonomii głównego nurtu. Druga strona postrzega ekonomię złożoności bardziej jako dodatek do ekonomii konwencjonalnej i tradycyjnej, uzupełniający jedynie opisy procesów tworzenia się wzorców (Durlauf 2005).

Druga z tych dyskusji obraca się wokół formalizowania teorii przy użyciu modeli matematycznych w ekonomii złożoności. Jest to w dużej mierze debata między tradycją Hayeka a ekonomistami należącymi do tradycji „optymistycznej” (opisanej powyżej w części omawiającej epistemologię ekonomii złożoności).

Między ekonomistami i ekonomistkami zajmującymi się złożonością tworzącymi formalne modele matematyczne toczy się również dyskusja na temat tego, na ile złożone powinny być takie modele. Ogólnie rzecz biorąc, twórcy i twórczynie modeli balansują między dwiema regułami (Sun i in. 2016): regułą utrzymania w jak najprostszej postaci ogólnej (Keep It Simple Stupid, KISS) (Axelrod 1997) a postulatem szczegółowości opisu (Keep It Descriptive Stupid, KIDS) (Edmonds i Moss 2004). Zgodnie z pierwszą regułą model powinien być możliwie najprostszy. Druga reguła mówi z kolei, że model powinien szczegółowo opisywać docelowy system, a następnie być upraszczany jedynie w usprawiedliwionych przypadkach. I choć modele te mogą opisywać zachowania niezwykle złożonych podmiotów myślących (Sun 2006), ekonomiści i ekonomistki złożoności przyznają na ogół, że ludzie w świecie rzeczywistym są znacznie bardziej skomplikowani, niż przewidują to opracowywane przez nich modele.

Kolejna debata dotyczy trudności, z jakimi trzeba się mierzyć przy opisywaniu i replikowaniu modeli agentowych. Wobec braku protokołu opisów modelowania agentowego Grimm i współautorzy (2010) opracowali protokół Overview, Design and Details [„Ogólny ogląd, projekt, szczegóły, ODD]. Chociaż wielu twórców modeli przyjęło go, zwłaszcza w dziedzinie ekologii, nadal nie wypracowano jednolitego zbioru zasad opisu modeli agentowych w ekonomii i pojawiają się kolejne nowe ujęcia i pomysły (zob. przegląd w Gräbner 2017b).

Wreszcie, jako że modele agentowe stanowią stosunkowo nowe narzędzie, nadal nie ma zgody co do sposobu sprawdzania ich poprawności (Fagiolo i in. 2007). Na ogół przyjmuje się, że minimalnym kryterium walidacji modeli agentowych powinna być przynajmniej możliwość odtworzenia przez model niektórych z kluczowych stylizowanych faktów. Najlepiej byłoby, gdyby potrafiły odtworzyć kilka z takich kluczowych wzorców równocześnie (Grimm i in. 2005). Jednak Mattia Guerini i Alessio Moneta (2017) zauważają, że modele uwzględniające różne struktury przyczynowe odtwarzać mogą te same stylizowane fakty. Dlatego proponują metodę skupiania się wyłącznie na odwzorowywaniu struktur przyczynowych na poziomie zagregowanych zmiennych w ramach modelu agentowego i badaniu, czy różnią się one istotnie od struktur przyczynowych, które można znaleźć w świecie rzeczywistym. Innym podejściem w ewaluacji modeli jest kryterium zgodności również ze stylizowanymi faktami niższego poziomu (mikro) (Grimm i in. 2005). Innymi słowy, chodzi tu o wybranie modelu nie najprostszego, ale takiego, który wyjaśni obserwowane zjawiska będące przedmiotem naszego zainteresowania oraz mechanizmy leżące u ich podstaw (Gräbner 2017a).

8. Zróżnicowanie wewnętrzne: subdyscypliny, inne teorie ekonomiczne i inne dyscypliny

Traktując gospodarkę jako system złożony, ekonomia złożoności wyróżnia się przede wszystkim swoją metodologią, a także ontologicznym i epistemologicznym skupieniem na złożoności. To sprawia, że ​​daje się pogodzić z większością innych szkół myśli ekonomicznej spoza głównego nurtu, zwłaszcza z ekonomią austriacką, behawioralną, ekologiczną, ewolucyjną, instytucjonalną i postkeynesowską. Nierzadko zdarza się również, że ekonomiści i ekonomistki złożoności wykorzystują zasady poznawcze zaczerpnięte z ekonomii behawioralnej, neoklasycznej i postkeynesowskiej w duchu ewolucyjnym. Ponieważ ekonomia złożoności została zainspirowana przez szerszy ruch nauk o złożoności, czerpie również inspirację z innych dyscyplin, takich jak biologia, ekologia, fizyka i matematyka.

Z perspektywy ekonomii złożoności ekonomia behawioralna, ekologiczna, ewolucyjna i instytucjonalna skupiają się jedynie na niektórych aspektach złożonych systemów dostosowawczych. Na przykład ekonomiści i ekonomistki behawioralni badają procesy podejmowania decyzji przez jednostki. Ekonomiści i ekonomistki instytucjonalni koncentrują się na instytucjach, które umożliwiają i kształtują podejmowanie decyzji przez jednostki, co w pełni zgadza się z podejściem ekonomii złożoności (Gräbner 2017a). Przedstawiciele i przedstawicielki ekonomii ewolucyjnej badają mechanizmy doboru, które sterują zarówno zachowaniami, jak i instytucjami. Wreszcie ekonomiści i ekonomistki ekologiczni badają trwałość/zrównoważenie (sustainability) złożonego systemu i jego związek z innymi nieekonomicznymi systemami złożonymi.

Ekonomia austriacka i postkeynesowska różnią się od tych ujęć bardziej ogólnymi założeniami dotyczącymi systemu gospodarczego. Niemniej nie są one nie do pogodzenia z ekonomią złożoności.

Od samego początku ekonomiści austriaccy postrzegali gospodarkę jako złożony system dostosowawczy. Według Vipina P. Veetila i Lawrence’a H. White’a (2017) „austriaccy makroekonomiści z okresu dwudziestolecia międzywojennego postrzegali gospodarkę jako złożony system dostosowawczy, w którym zmienne makroekonomiczne wyłaniają się z interakcji między milionami celowo działających podmiotów”. Co więcej, jak wyjaśniają Samuel Bowles, Alan Kirman i Rajiv Sethi (2017, 215), „Friedrich Hayek znany jest ze swojej wizji gospodarki rynkowej jako systemu przetwarzania informacji charakteryzującego się spontanicznym porządkiem: pojawienie się spójności na skutek niezależnych działań dużej liczby osób, z których każda ma ograniczoną i lokalną wiedzę, koordynowane przez ceny wynikające ze zdecentralizowanych procesów konkurencji”. Wreszcie tzw. nowi Austriacy (zwani również neomengerystami) podkreślają znaczenie nierównowagi i procesów (właściwości) emergentnych w wyjaśnianiu świata społecznego (Salter 2017).

Również postkeynesiści podkreślają fundamentalną niepewność, znaczenie instytucji, heurystyki decyzyjne oraz odchylenia od równowagi w postaci niestabilności (zob. https://www.exploring-economics.org/pl/orientation/ekonomia-postkeynesowska/). Podstawową postkeynesowską technikę modelowania, czyli modelowanie zgodności zasobów i przepływów (Stock-Flow Consistent, SFC) (Godley i Lavoie, 2006), można postrzegać jako matematyczne ujęcie systemów dynamicznych stosowane w makroekonomii monetarnej. Coraz częściej technika ta jest łączona z modelowaniem agentowym (zob. np. Seppecher 2012; Riccetti i in. 2015; Caiani i in. 2016; Schasfoort i in. 2017).

9. Różnice między ekonomią złożoności a ekonomią głównego nurtu

Ekonomia złożoności została opracowana po części w sprzeciwie wobec panującego paradygmatu ekonomii neoklasycznej. Różni się od ekonomii głównego nurtu przede wszystkim odrzuceniem założeń o grawitowaniu gospodarki do punktu równowagi ogólnej i optymalizacyjnych zachowaniach jednostek, które są traktowane raczej jako specjalny przypadek, a nie norma.

W myśleniu o gospodarce i jej ontologii przedstawiciele ekonomii głównego nurtu w ogromnym stopniu opierali się na pojęciu równowagi. Podstawową różnicą między ekonomią złożoności a ekonomią neoklasyczną jest skupienie się tej ostatniej na statycznych wzorcach równowagi, które nie wymagają dalszych dostosowań behawioralnych. Ekonomia złożoności przedstawia gospodarkę nie jako deterministyczną, przewidywalną i mechanistyczną, ale jako zależną od procesu, organiczną i podlegającą nieustannej ewolucji (Arthur 1999). Jednak ekonomii równowagi nie odrzuca się w całości (Farmer i Geanakoplos 2009). Z perspektywy ekonomii złożoności ekonomia równowagi jest szczególnym przypadkiem nierównowagi, a więc ekonomii złożoności (Arthur 2006). Lub, jak ujął to Durlauf (2005, 225), „systemy złożone stanowią rozszerzenie – nie alternatywę – dla standardowej (tzn. neoklasycznej) teorii ekonomicznej”.

Ponadto ekonomiści i ekonomistki złożoności są zdecydowanymi krytykami należącej do głównego nurtu hipotezy racjonalnych oczekiwań (Muth 1961/1992), która zakłada, że ​​podmioty gospodarcze znają model gospodarki i zazwyczaj traktują jego przewidywania jako słuszne. Ekonomiści i ekonomistki złożoności uważają, że jest to do tego stopnia nierealne, że potencjalnie unieważnia ustalenia modelu głównego nurtu. W niektórych przypadkach oczekiwania są po prostu autoreferencyjne: wyniki ekonomiczne zależą od obecnych oczekiwań podmiotów. Na przykład, jeśli podmioty chcą zdecydować, czy wyjść do baru, czy nie, decyzja o wyjściu zależy od ich oczekiwań co do tego, jak zatłoczony jest bar. Jeśli spodziewają się, że będzie tłoczno, zostaną w domu, a jeśli nie – wyjdą. Podmioty zapoznają się z rzeczywistym poziomem zatłoczenia baru dzień później – nawet jeśli zostały w domu. W takim przypadku nigdy nie dochodzi do ustalenia się równowagi pod względem zapełnienia baru. Zamiast tego poziom jego zapełnienia będzie się wahać z powodu negatywnego związku między oczekiwaniami a frekwencją. Założenie równowagi nie tylko okazuje się niesłuszne w tym przypadku, ale nie pozwala również przewidzieć wahań frekwencji w barze. Tego dowodzi słynny „model baru El-Farol” przedstawiony przez Arthura (1994).

Jeśli wziąć pod uwagę tę różnicę w ontologicznym założeniu równowagi ogólnej, nie powinno zaskakiwać, że zwolennicy ekonomii złożoności mają skłonność do stosowania metod modelowania nierównowagowego. Ponadto metodologiczne podejście ekonomistów i ekonomistek złożoności ma charakter w większym stopniu indukcyjny. Modele formalne niemal zawsze tworzy się w celu wyjaśnienia zbioru zaobserwowanych zjawisk lub stylizowanych faktów, które z kolei można wykorzystać jako inspirację do dalszych badań empirycznych. I choć sytuacja ta obecnie powoli się zmienia, w ekonomii głównego nurtu podejście to nadal należy do rzadkości. (Rodrik 2015).

10. Instytucje

Czasopisma:

Przedstawiciele ekonomii złożoności publikują swe artykuły zarówno w czasopismach „głównego nurtu”, jak i „heterodoksyjnych” (Heise 2016). Większość artykułów wychodzi w specjalistycznych czasopismach takich jak:

• Advances in complex systems,
• Complexity,
• Computational economics,
• Journal for artificial societies and social simulation,
• Journal of economic dynamics and control
• Journal of economic behavior and organization,
• Journal of evolutionary economics,
• Quantitative finance.

Niektórym ekonomistom i ekonomistkom złożoności udaje się sporadycznie przebić do prestiżowych czasopism takich jak „The American Economic Review” (Arthur 1994; Colander i in. 2008), „Econometrica” (Hommes 1997), „The Economic Journal” (Arthur 1989; Durlauf 2005) czy „Journal of Economic Perspectives” (Kirman 1992; Bowles i in. 2017). Wreszcie, część ekonomistów i ekonomistek złożoności zdołała opublikować swe prace w takich czasopismach ogólnych jak „Science” (Battiston et al. 2016) czy „Nature” (Farmer i Foley 2009).

Think tanki:

Istnieje kilka think tanków i wydziałów uniwersyteckich specjalizujących się w dziedzinie ekonomii złożoności. Najsławniejszym z nich pozostaje Santa Fé Institute. Do wydziałów uniwersyteckich czynnie zaangażowanych w badania z dziedziny ekonomii złożoności zaliczyć należy:

• Institute for New Economic Thinking (INET) at the Oxford Martin School
• Institute of Complex Systems (ISC), Rome
• London School of Economics (LSE) Complexity Group.
• University of Amsterdam Center for Non-Linear Dynamics in Economics and Finance (CENDEF)
• University of Groningen Center for Social Complexity Studies (GCSCS)
• University of Michigan Center for the Study of Complex Systems

Bibliografia

Adam, K., Marcet, A. and Nicolini, J.P., 2016. Stock market volatility and learning. The Journal of Finance, 71(1), pp.33-82.

Angrist, J. D., & Pischke, J. S. (2017). Undergraduate econometrics instruction: through our classes, darkly. Journal of Economic Perspectives, 31(2), 125-44.

Arthur, W. B. (1989). Competing technologies, increasing returns, and lock-in by historical events. The economic journal, 99(394), 116-131.

Arthur, W. B. (1994). Inductive reasoning and bounded rationality. The American economic review, 84(2), 406-411.

Arthur, W. B. (1999). Complexity and the economy. Science, 284(5411), 107-109.

Arthur, W. B. (2006). Out-of-equilibrium economics and agent-based modeling. Handbook of computational economics, 2, 1551-1564.

Arthur, W. (2010). COMPLEXITY, THE SANTA FE APPROACH, AND NON-EQUILIBRIUM ECONOMICS. History of Economic Ideas, 18(2), 149-166. Retrieved from http://www.jstor.org/stable/23723515

Arthur, W. B. (2013) Complexity Economics: A Different Framework for Economic Thought.

Armstrong, Angus (2017) Why Rebuild Macroeconomics?, https://www.rebuildingmacroeconomics.ac.uk/why-rebuild-macroeconomics/

Axelrod, R. M. (1997). The complexity of cooperation: Agent-based models of competition and collaboration. Princeton University Press.

Battiston, S., Farmer, J. D., Flache, A., Garlaschelli, D., Haldane, A. G., Heesterbeek, H., ... & Scheffer, M. (2016). Complexity theory and financial regulation. Science, 351(6275), 818-819.

Bischi, G.I., Dawid, H., Dieci, R. et al. J Evol Econ (2017) 27: 825. https://doi.org/10.1007/s00191-017-0533-5

Bosker, M., Brakman, S., Garretsen, H., & Schramm, M. (2007). Looking for multiple equilibria when geography matters: German city growth and the WWII shock. Journal of Urban Economics, 61(1), 152-169.

Bowles, Samuel, Alan Kirman, and Rajiv Sethi. 2017. "Retrospectives: Friedrich Hayek and the Market Algorithm." Journal of Economic Perspectives, 31(3): 215-30.

Brock, W. A., & Hommes, C. H. (1997). A rational route to randomness. Econometrica: Journal of the Econometric Society, 1059-1095.

Caiani, A., Godin, A., Caverzasi, E., Gallegati, M., Kinsella, S. and Stiglitz, J.E., 2016. Agent based-stock flow consistent macroeconomics: Towards a benchmark model. Journal of Economic Dynamics and Control, 69, pp.375-408.

Caldarelli, G., Battiston, S., Garlaschelli, D., & Catanzaro, M. (2004). Emergence of complexity in financial networks. In Complex Networks (pp. 399-423). Springer, Berlin, Heidelberg.

Chiarella, C., Iori, G., & Perelló, J. (2009). The impact of heterogeneous trading rules on the limit order book and order flows. Journal of Economic Dynamics and Control, 33(3), 525-537.

Colander, D., Howitt, P., Kirman, A., Leijonhufvud, A., & Mehrling, P. (2008). Beyond DSGE models: toward an empirically based macroeconomics. The American Economic Review, 98(2), 236-240.

Commendatore P., Kubin I., Bougheas S., Kirman A., Kopel M., Bischi G.I. (2018) Introduction. In: Commendatore P., Kubin I., Bougheas S., Kirman A., Kopel M., Bischi G. (eds) The Economy as a Complex Spatial System. Springer Proceedings in Complexity. Springer, Cham

Cont, R. (2001) Empirical properties of asset returns: stylized facts and statistical issues, Quantitative Finance, 1:2, 223-236, DOI: 10.1080/713665670

Dopfer, K., Foster, J. & Potts, J. J. Evol. Econ. (2004) 14: 263. https://doi.org/10.1007/s00191-004-0193-0

Durlauf, S. N. (2005). Complexity and empirical economics. The Economic Journal, 115(504).

Durlauf, S.N. (2012) "Complexity, economics, and public policy," Politics, Philosophy & Economics, , vol. 11(1), pages 45-75, February.

Edmonds, B., & Moss, S. (2004, July). From KISS to KIDS–an ‘anti-simplistic’modelling approach. In International Workshop on Multi-Agent Systems and Agent-Based Simulation (pp. 130-144). Springer Berlin Heidelberg.

Epstein, J. M. (2006). Generative social science: Studies in agent-based computational modeling. Princeton University Press.

Fagiolo, G., Moneta, A., & Windrum, P. (2007). A critical guide to empirical validation of agent-based models in economics: Methodologies, procedures, and open problems. Computational Economics, 30(3), 195-226.

Farmer, J. D., & Foley, D. (2009). The economy needs agent-based modelling. Nature, 460(7256), 685-686.

Farmer, J. D., & Geanakoplos, J. (2009). The virtues and vices of equilibrium and the future of financial economics. Complexity, 14(3), 11-38.

Gabaix, X. (2009). Power laws in economics and finance. Annu. Rev. Econ., 1(1), 255-294.

Gallegati, M., Palestrini, A., & Russo, A. (Eds.). (2017). Introduction to agent-based economics. Academic Press.

Gaus, G. F. (2007). Social complexity and evolved moral principles. In Liberalism, Conservatism, and Hayek’s Idea of Spontaneous Order (pp. 149-176). Palgrave Macmillan, New York.

Godley, W, and Lavoie, M (2006). Monetary economics: an integrated approach to credit, money, income, production and wealth. Springer.

Gräbner, C. (2017a). The complementary relationship between institutional and complexity economics: The example of deep mechanismic explanations. Journal of Economic Issues, 51(2), 392-400.

Gräbner, C. (2017b). How to relate models to reality? An epistemological framework for the validation and verification of computational models (No. 63). ICAE Working Paper Series.

Grimm, V., Revilla, E., Berger, U., Jeltsch, F., Mooij, W. M., Railsback, S. F. & DeAngelis, D. L. (2005). Pattern-oriented modeling of agent-based complex systems: lessons from ecology. science, 310(5750), 987-991.

Grimm, V., Berger, U., DeAngelis, D. L., Polhill, J. G., Giske, J., & Railsback, S. F. (2010). The ODD protocol: a review and first update. Ecological modelling, 221(23), 2760-2768.

Guerini, M. and Moneta, A. (2017) A method for agent-based models validation". In: Journal of Economic Dynamics and Control.

Haldane, A. G., & Turrell, A. E. (2018). An interdisciplinary model for macroeconomics. Oxford Review of Economic Policy, 34(1-2), 219-251.

Hayek, F. A. (1964). The theory of complex phenomena. The critical approach to science and philosophy, 332-349. Chicago      

Heise, A. (2016). Whither economic complexity?.

Holling, C. S. (2001). Understanding the complexity of economic, ecological, and social systems. Ecosystems, 4(5), 390-405.

Hommes, C. Sonnemans, J. Tuinstra, J. van de Velden, H. (2005), Coordination of Expectations in Asset Pricing Experiments, The Review of Financial Studies, Volume 18, Issue 3, 1 October, Pages 955–980, https://doi.org/10.1093/rfs/hhi003

Hoogduin, L. (2016). New approaches to economic challenges: insights into complexity and policy. OECD, pp.11-13.

Jackson M (2008) Social and Economic Networks. New York: Oxford University Press.

Jackson, M. O. (2014). Networks in the understanding of economic behaviors. Journal of Economic Perspectives, 28(4), 3-22.

Jager, W. (2000). Modelling consumer behaviour s.n.

Jager, W., Janssen, M.A., De Vries, H.J.M., De Greef, J. and Vlek, C.A.J., 2000. Behaviour in commons dilemmas: Homo economicus and Homo psychologicus in an ecological-economic model. Ecological economics, 35(3), pp.357-379.

Keynes, J.M. (1921), A Treatise on Probability, The Collected Writings of John Maynard Keynes, Vol. VIII, London

Keynes, J.M. (1936), The General Theory of Employment, Interest and Money, The Collected Writings of John Maynard Keynes, Vol. VII, London, Chapter 12 in particular

Keynes, J.M. (1937), “The General Theory of Employment”, reprinted in The Collected Writings of John Maynard Keynes, Vol. XIV, pp. 109-124

Kirman, A.P., 1992. Whom or what does the representative individual represent?. The Journal of Economic Perspectives, 6(2), pp.117-136.

Kirman, A. (2006). Heterogeneity in economics. Journal of Economic Interaction and Coordination, 1(1), 89-117.

Kirman A., 2016, Complexity and economic policy,http://oecdinsights.org/2016/08/29/complexity-and-economic-policy/

Kirman, A. (2017). The economy as a complex system. In Economic Foundations for Social Complexity Science (pp. 1-16). Springer, Singapore.

Knight, F. H. (1921): Risk, Uncertainty and Profit. Boston: Houghton Mifflin

Lo, A.W., 2004. The adaptive markets hypothesis. The Journal of Portfolio Management, 30(5), pp.15-29.

Li, T.Y. and Yorke, J.A., 1975. Period three implies chaos. The American Mathematical Monthly, 82(10), pp.985-992.

Lindgren, K. (1997). Evolutionary dynamics in game-theoretic models. In The economy as an evolving complex system II (pp. 337-368).

Mullainathan, S., & Spiess, J. (2017). Machine learning: an applied econometric approach. Journal of Economic Perspectives, 31(2), 87-106.

Muth, J.F. (1961) "Rational Expectations and the Theory of Price Movements" reprinted in The new classical macroeconomics. Volume 1. (1992): 3–23 (International Library of Critical Writings in Economics, vol. 19. Aldershot, UK: Elgar.)

Franke, R. and Westerhoff, F. (2012). Structural stochastic volatility in asset pricing dynamics: Estimation and model contest. Journal of Economic Dynamcis and Control, 36:1193–1211.

Riccetti, L., Russo, A., & Gallegati, M. (2015). An agent based decentralized matching macroeconomic model. Journal of Economic Interaction and Coordination, 10(2), 305-332.

Rodrik, D. (2015). Economics rules: The rights and wrongs of the dismal science. WW Norton & Company.

Salter, A.W. Rev Austrian Econ (2017) 30: 39. doi:10.1007/s11138-016-0350-3

Schasfoort, J., Godin, A., Bezemer, D., Caiani, A., & Kinsella, S. (2017). Monetary Policy Transmission in a Macroeconomic Agent-Based Model. Advances in Complex Systems, 20(08), 1850003.

Seppecher, P. (2012). Flexibility of wages and macroeconomic instability in an agent-based computational model with endogenous money. Macroeconomic Dynamics, 16(S2), 284-297.

Simon, H.A., (1972). Theories of bounded rationality. Decision and organization, 1(1), pp.161-176.

Simon, H. A. (1991). Bounded rationality and organizational learning. Organization science, 2(1), 125-134.

Sun, R. (2006). Prolegomena to integrating cognitive modeling and social simulation. Cognition and multi-agent interaction: from cognitive modeling to social simulation, 3-26.

Sun, Z., Lorscheid, I., Millington, J. D., Lauf, S., Magliocca, N. R., Groeneveld, J. & Buchmann, C. M. (2016). Simple or complicated agent-based models? A complicated issue. Environmental Modelling & Software, 86, 56-67.

Varian, H. R. (2014). Big data: New tricks for econometrics. Journal of Economic Perspectives, 28(2), 3-28.

Veetil, V.P. & White, L.H. Rev Austrian Econ (2017) 30: 19. doi:10.1007/s11138-016-0354-z

Wren-Lewis, S. (2014), Conditional and unconditional forecasting, https://mainlymacro.blogspot.co.za/2014/08/conditional-and-unconditional.html