Programmering + økonomi = sant!

Rollen vår som samfunnsøkonomer kommer til å forandre seg i tiden fremover! Vi kommer til å ta bruk nye, innovative metoder for dataanalyse og vi kommer til å måtte kode økonomiske modeller! Det er viktig at vi tar tak i de mulighetene som dette gir oss, men det krever også noe av oss!

Det er mange ting her i livet som er usikkert. Mange vet ikke hva de skal bli, hva slags utdannelse de skal ta eller hvilke ferdigheter man bør lære seg for å lykkes i fremtidens arbeidsmarked. Men, en ting er ganske sikker: samfunnet digitaliseres! Dersom man ønsker å henge med, å holde seg aktuell, må man lære seg å mestre digitale verktøy som programmering! Også i samfunnsøkonomi er dette noe som er veldig viktig. En samfunnsøkonom som ikke kan programmere er som en rockegitarist som ikke kan spille elektrisk gitar. Man stiller med et enormt handikap. Derfor er det så viktig at vi også får programmering inn i læreplanen på økonomiske studier!

Viktige skritt i riktig retning, men…
Mange har allerede begynt! UiB har lansert et eget bachelorprogram hvor samfunnsøkonomi, matematikk og informatikk kombineres på en flott måte. BI har lansert en egen master i business analytics og NTNU satser også på programmering for de som skal studere samfunnsøkonomi. Det er viktige skritt i riktig retning, men UiO må følge etter!

Programmering kan gi økt læringsutbytte
Men hvorfor må vi lære oss å bruke disse digitale verktøyene? Hvorfor skal vi lære oss R, Matlab eller Python? Det er veldig mange grunner til dette, og disse skal jeg komme nærmere tilbake til. Samtidig er det viktig å ha klart for seg at samfunnsøkonomer har brukt digitale verktøy i mange år allerede. Mange lærer seg programmering når de kommer ut i arbeidslivet. Hvorfor skal vi da stresse med å få det inn i læreplanen? De som studerer matematikk vet godt at det å kunne visualisere og numerisk analyse er veldig nyttig for å få bedre forståelse for abstrakte, teoretiske modeller. Dette gjelder også innenfor samfunnsøkonomi. Det hjelper lite å kunne utlede svære omfattende modeller med mange variable og parametere dersom man ikke klarer å få hodet rundt hva modellen sier. Å visualisere modellen ved hjelp av Python eller Matlab kan gjøre det enklere å lære hva modellene forteller oss.

Må man, så må man!
Men det er ikke bare slik at programmering kan være et effektivt pedagogisk virkemiddel. I mange tilfeller kan det rett og slett være umulig å gjøre det man ønsker ved hjelp av penn, papir og kalkulator. Se for dere at dere skal kjøre en økonometrisk analyse med flere hundre tusen observasjoner. Da er det nokså trøstesløst å skulle sette seg ned for å beregne statistiske størrelser som standardavvik, kovarians og forventningsverdier. I slike tilfeller er statistisk programvare som R helt uvurderlig! Mange modeller lar seg heller ikke løse analytisk, men må angripes numerisk. Dette høres veldig teknisk ut, men det betyr at for å finne de verdiene man ønsker så trenger man å la en datamaskin få prøve med mange forskjellige tallverdier i stedet for å bare derivere og sette den deriverte lik null. Dermed er det opplagt at programmering har stort potensiale innenfor kvantitativ økonomi og økonometrisk analyse.

La oss si oss ferdige med selve analysen. Nå ønsker vi å fremstille det vi har funnet ut grafisk. Er løsningen å sette seg ned å tegne? Neppe! I slike situasjoner det nyttig å kunne bruke software som R. R har fantastiske muligheter for visualisering av data. R er i det hele tatt et kraftfullt verktøy for statistiske analyser. På den annen side har R, som et statistisk programmeringsspråk, sine svakheter. Det kan være nyttig å lære seg et annet som lar en håndtere mer generelle oppgaver. Da kan Python være et godt valg!

Økonomi på nye veier
Både Python og R brukes flittig innenfor såkalte data science-miljøer. Data science (eller datavitenskap på norsk) er et veldig nytt fag som søker å utforske hvordan data kan analyseres og presenteres på best mulig måte. Viktige metoder innenfor dette feltet er såkalt maskinlæring. Enkelt forklart gir slike metoder rom for at datamaskinene kan undersøke sammenhengene mellom dataene og selv komme opp med modeller for å beskrive disse. Dette har vekket interesse også i økonomiske miljøer. Dette gjør det mye enklere å analysere såkalt big data. Disse temaene fortjener sine egne artikler, men kort fortalt kan dette påvirke måten man gjør økonometrisk analyse på. Det å kunne håndtere big data er en ferdighet som er veldig ettertraktet i arbeidslivet, men det å lære seg dette krever at man kan litt mer enn det å skru på og av PCen!

Den nye økonomrollen
Det er altså opplagt at yrkeslivet vårt som samfunnsøkonomer kommer til å endre seg i tiden fremover. Vår rolle som økonomer kan komme til å forandre seg dramatisk, og da må man selv ta ansvar for å henge med på karusellen. Men det er opplagt at våre utdanningsinstitusjoner kan gjøre det enklere for oss å tilegne oss den kunnskapen og kompetansen som kreves for at vi skal klare å henge med.

Vær den første til å kommentere

Svar