[논문 리뷰] Economic Complexity: "Buttarla in caciara" vs a constructive approach

L. Pietronero, Matthieu Cristelli외 5명|arXiv (Cornell University)|2017. 09. 15.

Economic and Technological Innovation참고 문헌 4인용 수 8

한 줄 요약

이 논문은 경제 복잡성 분야에서 ECI+ 알고리즘을 비판하며, 이 알고리즘이 이전에 발표된 Fitness 알고리즘과 동일하다고 주장한다. 저자들이 ECI+가 다른 방법보다 뛰어나다고 주장하는 것은, 성능이 이름에 따라 달라지므로, 그들의 수치적 검증이 신뢰할 수 없게 만든다. 논문은 건설적인 접근을 제안하며, Fitness 알고리즘의 예측 능력과 중국과 같은 국가의 산업 역량을 바탕으로 한 지속 가능한 성장을 예측할 수 있음을 강조한다.

ABSTRACT

This note is a contribution to the debate about the optimal algorithm for Economic Complexity that recently appeared on ArXiv [1, 2] . The authors of [2] eventually agree that the ECI+ algorithm [1] consists just in a renaming of the Fitness algorithm we introduced in 2012, as we explicitly showed in [3]. However, they omit any comment on the fact that their extensive numerical tests claimed to demonstrate that the same algorithm works well if they name it ECI+, but not if its name is Fitness. They should realize that this eliminates any credibility to their numerical methods and therefore also to their new analysis, in which they consider many algorithms [2]. Since by their own admission the best algorithm is the Fitness one, their new claim became that the search for the best algorithm is pointless and all algorithms are alike. This is exactly the opposite of what they claimed a few days ago and it does not deserve much comments. After these clarifications we also present a constructive analysis of the status of Economic Complexity, its algorithms, its successes and its perspectives. For us the discussion closes here, we will not reply to further comments.

연구 동기 및 목표

• ECI+ 알고리즘의 경제 복잡성 지표에서의 우월성을 주장하는 데 대한 신뢰성에 도전하기 위해.
• 저자들이 수행한 수치적 검증의 일관성 부족을 폭 드러내며, 이는 알고리즘의 이름에 따라 달라지므로 성능이 아니라, 검증의 신뢰성이 훼손됨을 보여주기 위해.
• 경제 복잡성 측정의 최적 방법으로 Fitness 알고리즘을 재확인하기 위해.
• 산업 역량과 예측 가능성에 기반한 경제 복잡성에 대한 건설적인 프레임워크를 제공하기 위해.
• 알고리즘 선택이 비록 모든 알고리즘이 동일하다는 주장에도 불구하고 중요하다는 점을 입증하기 위해, 물리학과 PageRank의 비유를 사용해 최적 알고리즘을 식별하는 중요성을 강조하기 위해.

제안 방법

• 저자들은 ECI+와 Fitness 알고리즘을 비교하여, 이들이 수학적으로 동일하다는 것을 입증한다.
• 저자들이 수행한 수치적 테스트를 분석하여, 성능이 알고리즘의 구조가 아니라 이름에 따라 달라진다는 것을 보여준다.
• 국가의 궤적과 성장 잠재력을 시각화하기 위해 GDP per capita 대 Fitness 평면을 사용한다.
• 장기적인 중국과 브라질의 성장을 분석하기 위해 Fitness 프레임워크를 적용하며, 산업 역량을 대조한다.
• 경제 데이터의 내재성과 다양성 패tern을 활용해 기술 분야와 수출 성과를 연결한다.
• 실제 응용 사례를 통해 모델을 검증하며, 국가 및 기업의 장기 전략 계획에 응용한다.

실험 결과

연구 질문

• RQ1 저자들이 수행한 실험에 따르면, 동일한 알고리즘이 ECI+로 이름 붙여졌을 때 Fitness로 이름 붙여졌을 때보다 더 잘 작동하는 이유는 무엇인가?
• RQ2 Fitness 알고리즘은 중국과 같이 장기적인 경제 성장을 예측할 수 있는 정도는 어느 정도인가?
• RQ3 Fitness 프레임워크는 통계적 평균 회귀 모델과 비교해 경제 전환을 예측하는 데 어떻게 다를까?
• RQ4 모든 알고리즘이 비슷하다는 주장에도 불구하고, 알고리즘 선택이 왜 중요하지 않은 것이 아니냐?
• RQ5 GDP per capita는 유사하지만 산업 역량이 다른 국가들을 Fitness 모델이 어떻게 구분할 수 있는가?

주요 결과

• 저자들이 추가 자료에서 확인한 lin, ECI+ 알고리즘은 수학적으로 Fitness 알고리즘과 동일하다.
• 저자들이 ECI+가 다른 알고리즘보다 뛰어나다고 주장하는 것은, 성능이 알고리즘의 이름에 따라 달라진다는 그들의 자체 발견으로 인해 신뢰성이 떨어진다.
• Fitness 모델은 중국의 높은 산업 역량 덕분에 GDP per capita가 브라질과 유사함에도 불구하고 지속적인 빠른 성장을 예측한다.
• 중국의 궤적은 GDPpc-Fitness 평면에서 평형선에서 멀리 떨어져 있어 여전히 고성장 잠재력이 있음을 시사한다.
• 브라질은 1980년대에 빠른 성장을 보였지만, 이는 급격히 끝났고, 이는 통계적 평균 회귀 때문이 아니라 낮은 산업 역량 때문이었음을 보여주며, 이는 모델의 예측 능력을 입증한다.
• Fitness 프레임워크는 기술 분야와 향후 수출 경쟁력 간의 연결을 통해 장기 전략 계획 수립을 가능하게 한다.