Frugales ML modelliert den Doughnut für soziale und planetare Grenzen

Der Doughnut-Ansatz für soziale und planetare Grenzen hat sich als beliebtes Instrument zur Bewertung von Umwelt- und Sozialnachhaltigkeit etabliert. In einer neuen Studie demonstrieren die Autoren, wie kostengünstige Machine‑Learning‑Methoden in ein einfaches makroökonomisches Modell integriert werden können, um die „Doughnut“-Grenzen einzuhalten.

Zunächst wird gezeigt, dass ein Random‑Forest‑Classifier dazu verwendet werden kann, politische Parameter zu identifizieren, die gleichzeitig ökologische und soziale Nachhaltigkeit gewährleisten. Anschließend wird ein Reinforcement‑Learning‑Agent eingesetzt, um die optimale Pfadführung im Parameterraum zu bestimmen und damit die gewünschten Politikziele zu erreichen.

Die angewandten Techniken – Random Forest und Q‑Learning – sind ressourcenschonend und liefern praktikable Kombinationen von Politikparametern, die innerhalb des Doughnut‑Rahmens liegen. Der nächste Schritt besteht darin, diese Ansätze auf ein komplexeres ökologisch‑makroökonomisches Modell zu übertragen, um die Anwendbarkeit in realen Szenarien zu prüfen.