The CAP theorem asserts a trilemma between consistency, availability, and partition tolerance. This paper introduces a rigorous automata-theoretic and economically grounded framework that reframes the CAP trade-off as a constraint optimization problem. We model distributed systems as partition-aware state machines and embed economic incentive layers to stabilize consensus behavior across adversarially partitioned networks. By incorporating game-theoretic mechanisms into the global transition semantics, we define provable bounds on convergence, liveness, and correctness. Our results demonstrate that availability and consistency can be simultaneously preserved within bounded epsilon margins, effectively extending the classical CAP limits through formal economic control.
Green ammonia is emerging as a strategic intermediary within green energy supply chains, serving effectively as both an industrial commodity and hydrogen carrier. This study provides a techno-economic analysis of green ammonia supply chains, comparing cost-effective pathways from global production to European consumers, and evaluates ammonia alongside alternative hydrogen carriers. Gaseous hydrogen consistently remains the most economical import option for Europe, though ammonia holds a narrowing cost advantage over liquid hydrogen (from 16
This paper introduces Natural Language Processing for identifying "true" green patents from official supporting documents. We start our training on about 12.4 million patents that had been classified as green from previous literature. Thus, we train a simple neural network to enlarge a baseline dictionary through vector representations of expressions related to environmental technologies. After testing, we find that "true" green patents represent about 20% of the total of patents classified as green from previous literature. We show heterogeneity by technological classes, and then check that `true' green patents are about 1% less cited by following inventions. In the second part of the paper, we test the relationship between patenting and a dashboard of firm-level financial accounts in the European Union. After controlling for reverse causality, we show that holding at least one "true" green patent raises sales, market shares, and productivity. If we restrict the analysis to high-novelty "true" green patents, we find that they also yield higher profits. Our findings underscore the importance of using text analyses to gauge finer-grained patent classifications that are useful for policymaking in different domains.
点对点(P2P)交易越来越被认为是分散市场监管的关键机制,但现有方法往往缺乏强有力的框架来确保公平。 本文介绍了FairMarket-RL,这是一个新颖的混合框架,将大型语言模型(LLM)与强化学习(RL)相结合,以实现公平意识的交易代理。 在拥有多个卖家和买家的模拟P2P微电网中,LLM充当实时公平评论家,使用两个指标来评估每个交易事件:公平买家(FTB)和公平 - 卖家(FBS)。 这些公平性分数通过计划的λ-系数集成到代理奖励中,形成了一个自适应LLM引导的奖励塑造循环,取代了脆弱的,基于规则的公平约束。 代理使用独立近端策略优化(IPPO)进行培训,并实现公平的结果,实现超过90
本文介绍了通用-准确性-简单性(GAS)框架,以分析大型语言模型(LLM)如何重塑组织和竞争战略。 我们认为,将人工智能视为简单的投入成本降低忽略了两个关键动态:(a) 一般性、准确性和简单性之间的内在权衡,以及(b) 利益相关者之间复杂性的重新分配。 虽然LLM似乎通过简单的界面提供高通用性和准确性来挑战传统的权衡,但这种面向用户的简单性掩盖了复杂性向基础设施,合规性和专门人员的重大转变。 因此,GAS的权衡不会消失,而是从用户转移到组织,从而产生了新的管理挑战,特别是在高风险应用程序中的准确性方面。 我们认为,竞争优势不再仅仅源于人工智能的采用,而是通过抽象层、工作流对齐和互补专业知识的设计来掌握这种重新分配的复杂性。 这项研究通过澄清可扩展的认知如何重新分配复杂性并重新定义技术集成的条件来推进人工智能战略。
近期如COVID-19疫情和地缘政治紧张等危机暴露了供应链的脆弱性并导致其断裂，引发产品短缺、成本上升和经济不稳定。这促使人们日益重视评估系统性风险，即企业中断对整个经济的影响。然而，企业通过重构供应链接来应对危机的能力在很大程度上被忽视，限制了我们对于生产网络韧性的理解。本文研究了2015至2022年匈牙利生产网络中企业层面系统性风险的动态变化与决定因素。我们采用启发式最大熵零模型作为基准，该模型通过在行业层面保持每家企业的总投入（需求）和产出（供给），生成处于均衡状态的生产网络集合。研究表明，具有最高系统性风险的相对稳定企业群体在COVID-19期间发生了结构性变化，那些促成经济交换的企业成为经济中的关键参与者——这一结果未被零模型复现。尽管在疫情爆发前实证系统性风险与零模型值高度吻合，但此后由于企业的适应性行为导致经济更具韧性，该风险显著降低。此外，企业的国际贸易量（作为可能中断的对象）成为其系统性风险的重要预测指标。然而，国际联系不能为观察到的趋势提供明确解释，因为进口和出口通过供需渠道对本地系统性风险产生相反影响。
不平等地获得对实证研究至关重要的昂贵数据集,长期以来一直阻碍来自弱势机构的研究人员,限制了他们为各自领域做出贡献和推进职业生涯的能力。 大型语言模型(LLM)的最新突破有可能通过自动化从非结构化来源收集数据来实现数据访问的民主化。 我们使用GPT-4o-mini在检索增强生成(RAG)框架中开发和评估一种新颖的方法,以收集公司披露的数据。 我们的方法实现了从大约10,000份代理声明和关键审计事项(CAM)中收集CEO薪酬比率的人级准确性,从超过12,000份10K文件中收集,LLM处理时间分别为9分钟和40分钟,每个成本低于10分钟。 这与手动收集所需的数百小时或商业数据库订阅所需的数千美元形成鲜明对比。 为了通过赋予研究人员有限的资源来探索新的探究途径,培养更具包容性的研究社区,我们分享了我们的方法和由此产生的数据集。
收入不平等是一个必须解决的重要问题,以便在我们的社会方面取得进展。 收入不平等的研究通过基尼系数受到好评,基尼系数用于衡量一般不平等程度。 虽然这种方法在几个方面是有效的,但仅基尼系数不可避免地忽略了少数群体亚群(例如职业),导致少数群体中未被发现的不平等模式缺失。 在这项研究中,通过使用基尼系数和收入支配网络的网络密度来分析泰国超过1200万户家庭的收入和职业调查,以了解一般和职业收入不平等问题的程度。 结果表明,在农业省份,两种类型的不平等(低基尼系数和网络密度)的问题较少,而一些非农业省份面临职业收入不平等(高网络密度)的问题,没有任何一般收入不平等(基尼系数低)的症状。 此外,研究结果还说明了收入不平等的差距,这些统计数据不仅支持收入不平等是否存在,而且我们能够说明职业之间收入差距的大小。 这些结果不能仅通过基尼系数获得。 这项工作是分析一般人口和亚人群视角的收入不平等的用例,这些观点可用于其他国家的研究。
本文对闪电网络进行了正式分析,认为闪电网络是一个货币系统,在结构上与比特币的基础层结算模型不同。 我们证明,在不断增长的交易需求下,由于吞吐量限制,BTC交易费用超线性上升,而闪电网络路由成本接近边界无症状。 使用数学建模,游戏理论证明和复杂性分析,我们表明Lightning通过流动性中心寡头垄断的出现实现无限期的链外操作。 这些中心表现出不受监管的金融中介机构的特性,包括租金提取、不透明和系统性脆弱性。 战略代理模型表明,通道闭合在经济上变得不可行,路由问题在P-Space复杂性中接近硬度限制。 我们的结论是,Lightning不仅扩展了比特币,而且构成了一个具有影子银行特征的合成金融体系,缺乏储备纪律,透明度或可强制执行的结算担保。
随着媒体叙事的迅速发展,不仅从给定的语料库中提取叙事,而且调查它们如何随着时间的推移而发展,变得越来越重要。 虽然流行的叙事提取方法,如大语言模型,在捕捉典型的叙事元素甚至叙事的复杂结构方面做得很好,但将它们应用于整个语料库时会遇到障碍,例如高财务或计算成本。 我们提出了大型语言模型的语言理解能力与主题模型的大规模适用性相结合,以使用叙事政策框架对跨时间动态建模叙事变化。 我们应用主题模型和相应的更改点检测方法来查找涉及特定主题的更改。 使用此模型,我们将我们的语料库过滤为特别代表该更改的文档,并将其输入到大型语言模型中,该模型以自动方式解释发生的变化,并区分内容和叙事变化。 我们在2009年至2023年《华尔街日报》新闻论文文章的语料库中使用我们的管道。 我们的研究结果表明,大型语言模型可以有效地提取叙事转变,如果一个在给定的时间点存在,但在必须决定内容转变还是叙事转变时表现不佳。
本文开发了一个正式的博弈理论模型,以研究协议可变性如何破坏区块链系统中的合作采矿行为。 使用带有随机规则冲击的重复游戏框架,我们表明,即使是制度规则中轻微的不确定性也会增加时间偏好并诱发战略偏差。 固定规则环境支持长期投资和稳定的均衡策略;相比之下,可变协议导致短期主义,更高的折扣和协调参与的崩溃。 模拟结果确定了参数空间中的不稳定区域,其中合理采矿让位于采掘或套利行为。 这些发现支持奥地利的经济解释:可计算性需要规则稳定性。 体制上的噪音破坏了生产行动的信息基础。 我们的结论是,如果要在权力下放的系统中出现可持续的合作,议定书设计必须被视为宪法经济限制,而不是自由裁量变量。
本文将奥地利资本论与重复博弈论相结合,以研究区块链系统中不同制度条件下的战略矿工行为。 它表明,当协议规则是可变的时,有效的时间偏好就会上升,破坏了合理的长期规划和合作平衡。 本文使用正式的博弈论分析和奥地利经济原则,展示了可变协议如何将矿工激励从生产性投资转向政治寻租和影响游戏。 最初的比特币协议被解释为机构锚:一个固定的规则集,可实现可计算性和低时间偏好。 根据Bohm-Bawerk,Mises和Hayek的工作,认为协议不变性对于恢复战略一致性,创业信心和可持续网络均衡至关重要。
人工智能(AI)越来越多地融入科学研究,特别是在社会科学领域,其中理解人类行为至关重要。 大型语言模型(LLM)在各种心理实验中复制类似人类的反应方面显示出希望。 我们进行了一项大规模的研究,使用三种最先进的LLM(GPT-4,Claude 3.5 Sonnet和DeepSeek v3)复制了来自顶级社会科学期刊的156个心理学实验。 我们的结果表明,虽然LLM显示出主要效应的高复制率(73-81)
在这篇文章中,我们回顾了在俄罗斯滨海地区大规模房地产估值的基础上,使用机器学习来构建可解释的房地产市场模型的现代方法。 研究人员缺乏这方面的专业知识,在建立良好模型的努力中遇到了许多困难。 其主要来源是嘈杂的真实市场数据和理想数据之间的巨大差异,这在所有类型的机器学习教程中都非常常见。 本文涵盖了建模的所有阶段:初始数据的收集,异常值的识别,数据中模式的搜索和分析,价格因素的形成和最终选择,模型的构建以及对其效率的评估。 对于每个阶段,我们强调潜在的问题,并在实际示例中描述克服新出现的困难的合理方法。 我们表明,经典的线性回归与地理统计的插值方法相结合,可以为地块建立一个有效的模型。 对于平面,当许多物体被归因于一个空间点时,地理统计方法的应用是困难的。 因此,我们建议线性回归,在决策树的基础上自动生成和选择附加规则,因此称为 RuleFit 方法。 因此,我们表明,尽管在法律事项等实际方面,可解释性要求受到强有力的限制,但仍然有可能建立有效的房地产市场模式。
本文将自主商业模式(ABM)的概念发展为代理AI时代独特的管理和战略逻辑。 虽然大多数公司仍然在人类驱动或人工智能增强模型中运作,但我们认为,我们现在进入一个阶段,代理人工智能(能够自主启动、协调和适应行动的系统)可以越来越多地执行价值创造、交付和捕获的核心机制。 这种转变将人工智能重新构建,不是作为支持战略的工具,而是作为战略本身。 使用两个说明性案例,即追求设计自治的以色列初创公司towan.ai,以及瑞安航空作为人工智能驱动的现任者的假设重组,我们描绘了从增强到自主商业模式的演变。 我们展示了反弹道导弹如何通过代理执行、持续适应和逐步卸载人类决策来重塑竞争优势。 这一转变引入了人工智能领导的公司之间的新竞争形式,我们将其称为合成竞争,战略互动以快速,机器级的速度和规模发生。 它还挑战了战略、组织设计和治理的基本假设。 通过将代理人工智能定位为商业模式执行的核心参与者,文章邀请我们重新思考战略管理,在这个时代,企业越来越多地运行自己。
当使用生成式人工智能(AI)时,用户可能会看到生产力的提高,但人工智能生成的内容可能与他们的偏好不完全匹配。 为了研究这种效果,我们引入了一个贝叶斯框架,在这个框架中,异构用户选择与人工智能共享多少信息,面临着输出保真度和通信成本之间的权衡。 我们表明,这些个人层面决策与人工智能培训之间的相互作用可能会导致社会挑战。 输出可能会变得更加均匀化,特别是当AI在AI生成的内容上训练时,可能会引发同质化死亡螺旋。 任何人工智能偏见都可能成为社会偏见。 解决同质化和偏见问题的解决方案是减少人与AI的交互摩擦,使用户能够灵活地共享信息,从而在不牺牲生产力的情况下实现个性化输出。
已经多次呼吁投资开发人工智能标准,既保留了变革潜力,又将人工智能的风险降至最低。 人工智能标准的目标,特别是在人工智能数据、性能和治理方面,是促进创新和公众对使用人工智能的系统的信任。 然而,缺乏一种正式或共享的方法来衡量这些标准化活动对创新和信任目标的影响。 这个概念文件提出了一种分析方法,可以为评估人工智能标准的影响提供信息。 拟议的方法可用于测量,评估和最终评估AI标准实现其既定目标的程度,因为大多数标准开发组织一旦完成就不会跟踪其标准的影响。 它旨在激发与包括学术界和标准界在内的各种利益相关者的讨论,讨论评估人工智能标准的有效性,实用性和相对价值的方法的潜力。 该文件借鉴了成功且经过良好测试的评价框架、工具和指标,用于监测和评估其他领域的方案干预的效果,以描述可能的方法。 它首先描述了设计评价的背景,然后引入标准评价框架。 在这些章节之后,描述了人工智能标准的采用和实施可能产生的产出和结果,以及制定这些人工智能标准的过程。 随后的部分概述了如何评估人工智能标准的有效性并得出结论。
人工智能(AI)已成为经济研究的有力工具,实现了大规模的模拟和政策优化。 然而,实际应用人工智能需要可扩展培训和评估的模拟平台,但现有环境仍然仅限于简化,范围狭窄的任务,无法捕捉复杂的经济挑战,如人口变化,多政府协调和大规模代理交互。 为了解决这一差距,我们引入了EconGym,这是一个可扩展和模块化的测试平台,它将不同的经济任务与AI算法联系起来。 EconGym以严格的经济建模为基础,实施了11种异构的角色类型(例如,家庭,公司,银行,政府),他们的交互机制和代理模型以及具有明确观察,行动和奖励的代理模型。 用户可以灵活地使用不同的代理算法来组合经济角色,以模拟25多个经济任务中的丰富多代理轨迹,用于人工智能驱动的政策学习和分析。 实验表明,EconGym支持多样化和跨领域的任务,例如协调财政,养老金和货币政策,并实现跨人工智能,经济方法和混合动力车的基准。 结果表明,更丰富的任务组成和算法多样性扩大了策略空间,而以经典经济方法为指导的AI代理在复杂设置中表现最好。 EconGym还扩展到10k代理,具有高写实性和效率。
关税豁免是吸引外国直接投资(FDI)进入制造业的基础,尽管相关的行政程序为投资实体和国家税务当局提供了优化的领域。 本文提出了一个概念框架,通过利用光学字符识别(OCR)和大语言模型(LLM)技术的协同集成来增强税收管理。 拟议的系统旨在首先利用OCR进行智能数字化,从不同的应用文件和关税订单等关键监管文本中精确提取数据。 随后,LLM将通过自动化关键和耗时的任务来增强行政官员的能力,根据官方豁免清单验证提交的机器,设备和原材料的HS关税守则。 通过提高这些初步评估的速度和准确性,这种人工智能驱动的方法系统地降低了不结盟和非优化豁免利用的潜力,从而简化了外国直接投资公司的投资之旅。 对于国家行政部门来说,好处包括大幅增加运营能力,减少行政负担,加强控制环境,最终改善营商便利度,巩固国家作为高价值制造业外国直接投资首要目的地的吸引力。
民主进程日益将大规模投票与面对面审议相结合,解决将个人偏好与集体决策相协调的挑战。 这项工作引入了使用算法和计算工具将在线投票与面对面审议联系起来的新方法,在两种现实世界中进行了测试:Kultur Komitee 2024(KK24)和vTaiwan。 这些案例研究强调了拟议方法的实际应用和影响。 我们提出了三个关键贡献:(1)基于偏好的审议聚类(PCD),它通过计算具有平衡和可调节的组大小均匀和异构组组成,在审议环境中实现深入和广泛的讨论;(2)人类在环路MES,这是一种实用方法,通过实时数字反馈增强了平等共享方法(MES)算法。 这通过让参与者完全控制与审议相比,将决策委托给投票聚合算法的程度来建立算法信任;(3)ReadTheRoom审议方法,该方法使用意见空间映射来识别一致性和分歧,以及基于频谱的偏好可视化来跟踪审议过程中的意见变化。 这种方法通过澄清集体情绪来提高透明度,并通过鼓励参与者以不同的观点进行建设性参与来促进合作。 通过引入这些可操作的框架,这项研究扩展了面对面的审议,使用可扩展的数字方法,解决了参与过程中现代决策的复杂性。
近年来,随着对经济叙事的兴趣的增长,专门用于从文本中提取这些叙述的管道数量也在增加。 管道通常采用最先进的自然语言处理技术(如BERT)来处理这项任务。 虽然对叙事提取至关重要的基础语言操作有效,但此类模型缺乏将提取经济叙事与仅仅执行诸如语义角色标签等经典任务区分开来所需的更深刻的语义理解。 我们不是依靠复杂的模型管道,而是通过分析《华尔街日报》和《纽约时报》报纸关于通货膨胀的文章来评估大型语言模型(LLM)的好处。 我们采用严格的叙述定义,并将GPT-4o输出与专家注释器制作的金本位叙事进行比较。 我们的研究结果表明,GPT-4o能够以结构化格式提取有效的经济叙述,但在处理复杂的文件和叙述时仍然达不到专家级的表现。 鉴于LLM在经济研究方面的新颖性,我们还为未来在经济学和社会科学方面的工作提供指导,这些工作采用LLM来追求类似的目标。
本章概述了Prosocial Design,这是一种平台设计和治理方法,可以识别设计选择影响行为,并且这些选择可以或应该为支持健康的互动和其他亲社会结果而做出。 作者讨论了Prosocial Design的几个核心原则及其与信任和安全和其他相关领域的关系。 作为主要贡献,本章回顾了相关的研究,以展示Prosocial Design如何成为减少违反规则和其他有害行为的有效方法,以及它如何帮助阻止有害错误信息的传播。 Prosocial Design是一个新生和不断发展的领域,研究仍然有限。 作者希望本章不仅能激发更多的研究和采用亲社会设计方法,而且还将引发关于亲社会设计原则及其支持信任和安全潜力的讨论。
消费实践是由经济、社会、文化力量相结合决定的。 我们认为,较低的经济限制为以杂食性或基于生活方式的利基消费形式在文化和社会方面多样化留出了更大的空间。 我们通过分析从数千个Census Block Group到纽约州数千家商店的数百万次移动跟踪访问,为这一多样性假设提供了经验证据。 结果表明,高收入与品牌和价格水平的不同消费密切相关。 多样性和收入之间的关联仍然存在,但对于基于必需品的消费以及人口稠密和人口多样化的纽约市来说,这种联系并不突出。 这些协会将教育作为社会经济地位和得克萨斯州的替代措施。 我们进一步说明,这些协会不能用简单的地理限制来解释,包括居民区的人口多样性、居民的地理流动性和商店的当地可用性,因此必须发挥更深层次的社会和文化因素。