本期推荐一篇最新发表在PNAS上的论文《通过机器学习扩展历史人均GDP估计的可用性》。历史人均GDP数据的匮乏严重限制了我们对长期经济发展的理解，尤其是对于时间跨度长且地理范围广的欧洲和北美地区而言，历史经济数据尤为稀缺。传统的经济历史研究主要依赖于有限的文献和消费数据记录，这使得学者难以全面捕捉过去几个世纪的经济发展变化趋势。该研究旨在探索是否可以利用历史人物传记数据，通过机器学习技术，生成覆盖广泛地区和长时间跨度的历史人均GDP估计，以解决直接经济数据缺乏的问题。
研究团队首先通过Wikipedia和Wikidata收集了涵盖欧洲和北美地区的56万多条历史人物传记信息，包括人物的出生地、死亡地和职业等特征。这些特征被用作经济发展代理数据，即通过知名历史人物的地理和职业分布来间接反映区域的经济水平。接着，研究者利用弹性网络回归模型（Elastic Net Regression）进行分析，这一模型结合了岭回归和套索回归的优点，能够有效筛选出关键特征，避免模型过拟合的问题。在模型构建过程中，研究团队根据历史时期将时间段划分为五个主要阶段，分别为晚中世纪、早期现代、革命时代、机器时代和信息时代，以适应不同历史时期的经济特征。此外，模型通过交叉验证调优，并对不同时期的特征进行独立选择，以便动态调整模型参数，确保预测的准确性和适用性
研究结论表明，通过传记数据构建的模型能够有效生成较为准确的历史人均GDP估计，解释了约90%的GDP变异性。这一结果成功再现了1300年至1800年欧洲南北经济的“反转现象”，验证了大西洋贸易对北欧经济发展的积极作用。模型估计结果还与替代性经济发展指标（如城市化率、18世纪身高和教堂建筑活动）高度相关，证明了该方法的可靠性。该研究的意义在于，提供了一种全新的历史经济估算方法，为长期经济发展的研究开辟了新的数据来源和分析视角，为经济史研究带来了跨学科的创新思路。
唧唧堂学院推荐订阅
