Baixe o app para aproveitar ainda mais
Prévia do material em texto
REVISTA OBSERVATORIO DE LA ECONOMIA LATINOAMERICANA Curitiba, v.21, n.11, p. 21476-21495. 2023. ISSN: 1696-8352 Page 21476 REVISTA OBSERVATORIO DE LA ECONOMIA LATINOAMERICANA, Curitiba, v.21, n.11, p. 21476-21495. 2023.. Inteligência artificial na produção de economia, econometria e finanças Artificial intelligence in the production of economics, econometrics, and finance DOI: 10.55905/oelv21n11-157 Recebimento dos originais: 20/10/2023 Aceitação para publicação: 20/11/2023 João Guilherme Magalhães-Timotio Doutor em Administração com Concentração em Finanças pela Universidade Federal de Minas Gerais (UFMG) Instituição: Universidade Estadual de Montes Claros (UNIMONTES) Endereço: Campus Universitário Prof. Darcy Ribeiro, Av. Prof. Rui Braga, s/n, Vila Mauriceia, Montes Claros - MG, CEP: 39401-089 E-mail: joao.timotio@unimontes.br Roberto César Faria e Silva Doutor em Ciências com Concentração em Estatística Instituição: Universidade Estadual de Montes Claros (UNIMONTES) Endereço: Campus Universitário Prof. Darcy Ribeiro, Av. Prof. Rui Braga, s/n, Vila Mauriceia, Montes Claros - MG, CEP: 39401-089 E-mail: roberto.silva@unimontes.br Ramon Alves de Oliveira Doutor em Administração pela Universidade Fumec Instituição: Universidade Estadual de Montes Claros (UNIMONTES) Endereço: Campus Universitário Prof. Darcy Ribeiro, Av. Prof. Rui Braga, s/n, Vila Mauriceia, Montes Claros - MG, CEP: 39401-089 E-mail: ramon.oliveira@unimontes.br Vânia Ereni Lima Vieira Mestra em Relações Internacionais e Direito pela Universidad de La Empresa (UDE) Instituição: Universidade Estadual de Montes Claros (UNIMONTES) Endereço: Campus Universitário Prof. Darcy Ribeiro, Av. Prof. Rui Braga, s/n, Vila Mauriceia, Montes Claros - MG, CEP: 39401-089 E-mail: vaniaadvogada109272@gmail.com RESUMO O artigo apresenta uma análise bibliométrica da produção científica na interseção entre Inteligência Artificial (IA) e os campos de Economia, Econometria e Finanças. Utilizando a ferramenta Bibliometrix, um pacote R para análise bibliométrica, o estudo examina artigos da plataforma SciVerse Scopus que incluíram "artificial intelligence" em seus títulos, resumos e palavras-chave. Os resultados mostram um crescimento exponencial na mailto:joao.timotio@unimontes.br mailto:roberto.silva@unimontes.br mailto:ramon.oliveira@unimontes.br mailto:vaniaadvogada109272@gmail.com REVISTA OBSERVATORIO DE LA ECONOMIA LATINOAMERICANA Curitiba, v.21, n.11, p. 21476-21495. 2023. ISSN: 1696-8352 Page 21477 REVISTA OBSERVATORIO DE LA ECONOMIA LATINOAMERICANA, Curitiba, v.21, n.11, p. 21476-21495. 2023.. pesquisa da IA aplicada à economia e finanças, principalmente nos últimos cinco anos. O estudo identificou trabalhos de referência significativos para a literatura e utilizou redes de coocorrência para visualizar as conexões entre diferentes conceitos e temas. A análise revela que a IA está se tornando cada vez mais relevante na economia e finanças, transformando a maneira como a pesquisa é conduzida e aplicada. Isso implica um potencial significativo para mudanças nos métodos de previsão econômica, detecção de fraudes, otimização de portfólio e personalização de serviços financeiros. Este trabalho contribui para a compreensão da literatura existente, fornecendo insights para futuras pesquisas e sendo um recurso para pesquisadores, formuladores de políticas e profissionais. Demonstra como a IA pode transformar campos tradicionais e destaca a importância de entender as tendências e os padrões na literatura existente para orientar pesquisas futuras. Palavras-chave: produção científica, inteligência artificial, economia, econometria, fi- nanças. ABSTRACT This article conducts a bibliometric analysis of scientific output at the juncture of Artificial Intelligence (AI) and the domains of Economics, Econometrics, and Finance. By employing the Bibliometrix tool, an R package designed for bibliometric analysis, the research scrutinizes articles from the SciVerse Scopus database that feature "artificial intelligence" in their titles, abstracts, and keywords. The findings indicate an exponential surge in AI research applied to economics and finance, particularly pronounced over the past five years. The study has pinpointed seminal works that significantly contribute to the literature and has utilized co-occurrence networks to map the interrelations among various concepts and themes. The analysis suggests that AI is increasingly integral to the fields of economics and finance, revolutionizing the way research is performed and implemented. This carries substantial implications for alterations in economic forecasting methods, fraud detection, portfolio optimization, and the customization of financial services. This work enriches the understanding of the existing literature, offers insights for future research, and serves as a resource for researchers, policy-makers, and practitioners. It demonstrates how AI can reshape conventional fields and underscores the importance of grasping current trends and patterns in the extant literature to guide forthcoming inquiries. Keywords: scientific production, artificial intelligence, economics, econometrics, fi- nance. 1 INTRODUÇÃO A crescente integração da Inteligência Artificial (IA) nas diversas facetas da vida quotidiana tem, sem dúvida, deixado uma marca significativa no campo da Economia, REVISTA OBSERVATORIO DE LA ECONOMIA LATINOAMERICANA Curitiba, v.21, n.11, p. 21476-21495. 2023. ISSN: 1696-8352 Page 21478 REVISTA OBSERVATORIO DE LA ECONOMIA LATINOAMERICANA, Curitiba, v.21, n.11, p. 21476-21495. 2023.. Econometria e Finanças. Este avanço tecnológico tem contribuído para a transformação dos sistemas econômicos e financeiros, proporcionando uma nova abordagem para a análise econômica e a tomada de decisões financeiras (Hilpisch, 2020). Para perceber melhor esta transformação, é necessário analisar de forma aprofundada a produção científica existente na intersecção destes campos. Roger C. Schank é um renomado pesquisador na área de IA, em um trabalho de 1991 ele discute os desafios e implicações da IA em contextos práticos e em grande escala, o autor argumenta que uma verdadeira IA deve ser capaz de aprender e se adaptar com base em interações com o usuário, o que requer o processamento de uma grande quantidade de exemplos (Schank, 1991). Nos últimos anos, graças ao crescimento exponencial do poder de computação e à vasta quantidade de dados disponíveis, a IA testemunhou desenvolvimentos notáveis. Esses avanços permitiram sua adoção generalizada em nossas vidas diárias (Minh et al., 2022). Mas afinal, o que seria uma IA? Algumas definições são apresentadas a seguir: O termo “Inteligência Artificial” foi cunhado por John McCarthy na década de 1950, durante a Conferência de Dartmouth, um evento que reuniu muitos dos principais pesquisadores da época para discutir o potencial da computação (McCarthy et al., 1955). Em um trabalho publicado originalmente em 1955 e posteriormente republicado em 2006, McCarthy, Minsky, Rochester e Shannon, quatro autores pioneiros na pesquisa sobre IA, definiram a inteligência artificial como a ciência e a engenharia de fazer máquinas inteligentes, especialmente programas de computador inteligentes (McCarthy et al., 2006). Russell (2016) define IA como o estudo de agentes que recebem percepções do ambiente e executam ações. Nilsson (1998) descreveu IA como a atividade dedicada a fazer máquinas inteligentes e define uma máquina inteligente como algo que faz coisas que qualquer ser humano faria se fosse a máquina. Assim, a IA é uma área multidisciplinar e altamente complexa da ciência da computação. É frequentemente definida como a criação de sistemas de computador que são capazes de realizar tarefas que normalmente requerem inteligência humana. Isso REVISTA OBSERVATORIODE LA ECONOMIA LATINOAMERICANA Curitiba, v.21, n.11, p. 21476-21495. 2023. ISSN: 1696-8352 Page 21479 REVISTA OBSERVATORIO DE LA ECONOMIA LATINOAMERICANA, Curitiba, v.21, n.11, p. 21476-21495. 2023.. inclui tarefas como aprender, raciocinar, resolver problemas, percepção sensorial, e usar linguagem de maneira natural (Russell, 2016). Quanto aos objetivos deste estudo: a) realizar a análise descritiva da amostra e obter uma visão geral da produção científica na intersecção da IA com a economia, econometria e finanças; b) identificar os principais trabalhos citados nos artigos da amostra e entender quais estudos e conceitos têm desempenhado um papel importante na formação do campo; c) analisar a rede de coocorrência para entender como diferentes conceitos e temas estão interligados na literatura. A análise da rede de coocorrência pode nos ajudar a identificar clusters de pesquisa e a entender como diferentes áreas de pesquisa se relacionam entre si. Diversos estudos já abordaram o impacto da IA na economia (Agrawal et al., 2019), na econometria (Mullainathan & Spiess, 2017) e nas finanças (Cao, 2022). No entanto, a produção científica sobre a interação entre estas disciplinas ainda não foi sistematicamente analisada. A identificação de tendências, padrões e lacunas no corpus de literatura poderia proporcionar insights valiosos, ajudando a orientar pesquisas futuras. Neste artigo, recorreu-se à análise bibliométrica para conduzir um estudo abrangente da literatura científica existente. A análise bibliométrica é uma ferramenta metodológica útil para medir a produção científica numa determinada área. É uma abordagem quantitativa que pode ser usada para avaliar a relevância da literatura científica, identificar tendências de pesquisa e entender a estrutura de uma determinada disciplina ou campo científico (Donthu et al., 2021). No presente estudo, utilizou-se a ferramenta Bibliometrix para o atingimento dos objetivos levantados. O Bibliometrix é um pacote R para análise bibliométrica e cientométrica de dados textuais. Oferece uma série de recursos para analisar a produção científica, incluindo análise descritiva da amostra, identificação dos principais trabalhos citados nos artigos da amostra, e visualização de rede de coocorrência e rede de cocitação (Aria & Cuccurullo, 2017b, 2017a). Este artigo contribui para a compreensão da evolução da literatura sobre a intersecção da IA com a economia, econometria e finanças, e pode fornecer insights para futuras pesquisas. Além disso, este estudo será de grande utilidade para pesquisadores, REVISTA OBSERVATORIO DE LA ECONOMIA LATINOAMERICANA Curitiba, v.21, n.11, p. 21476-21495. 2023. ISSN: 1696-8352 Page 21480 REVISTA OBSERVATORIO DE LA ECONOMIA LATINOAMERICANA, Curitiba, v.21, n.11, p. 21476-21495. 2023.. formuladores de políticas e praticantes interessados em entender o estado atual da arte neste campo em rápida expansão. O trabalho está dividido em cinco seções. A primeira seção consiste nesta introdução, que é seguida pela revisão de literatura e abordagem metodológica, segunda e terceira seções respectivamente. A quarta seção apresenta os resultados e a discussão sobre os mesmos e, por fim, tem-se na quinta seção as considerações finais. 2 REVISÃO DE LITERATURA 2.1 A EVOLUÇÃO DA INTELIGÊNCIA ARTIFICIAL (IA) A história da Inteligência Artificial (IA) é uma narrativa fascinante que se estende por várias décadas, desde os primeiros conceitos teóricos até as aplicações práticas que vemos hoje. Conforme exposto na introdução deste trabalho, o termo “Inteligência Artificial” foi cunhado por John McCarthy na década de 1950, durante a Conferência de Dartmouth, oficialmente conhecida como Dartmouth Summer Research Project on Artificial Intelligence, foi um evento seminal para o campo. Foi proposta por John McCarthy, Marvin Minsky, Nathaniel Rochester e Claude Shannon, quatro pesquisadores proeminentes na época. Eles propuseram que todos os aspectos da aprendizagem ou qualquer outra característica da inteligência podem, em princípio, ser tão precisamente descritos que uma máquina pode ser feita para simular (McCarthy et al., 1955). Nos anos 1960 e 1970, a IA passou por um período de otimismo e investimento significativo. Durante esse tempo, os pesquisadores desenvolveram os primeiros sistemas de IA, como o ELIZA e o SHRDLU. O ELIZA, desenvolvido por Joseph Weizenbaum no MIT, foi um dos primeiros programas de chatbot, enquanto o SHRDLU, criado por Terry Winograd, era capaz de entender e responder a comandos em linguagem natural em um ambiente de blocos de mundo (Weizenbaum, 1966; Winograd, 1972). Durante o final dos anos 1970 e anos 1980, a IA enfrentou o que ficou conhecido como “inverno da IA”, um período de ceticismo crescente, redução do financiamento e desilusão em relação ao campo. Parte dessa desilusão veio do fato de que os problemas que os pesquisadores estavam tentando resolver eram muito mais difíceis do que REVISTA OBSERVATORIO DE LA ECONOMIA LATINOAMERICANA Curitiba, v.21, n.11, p. 21476-21495. 2023. ISSN: 1696-8352 Page 21481 REVISTA OBSERVATORIO DE LA ECONOMIA LATINOAMERICANA, Curitiba, v.21, n.11, p. 21476-21495. 2023.. inicialmente pensado (Luger, 2005). Por exemplo, a compreensão e o processamento da linguagem natural provaram ser incrivelmente complexos, assim como a construção de sistemas capazes de aprendizado e percepção em níveis humanos (Brewka, 1996). Além disso, houve desafios econômicos e políticos. Durante este período, os cortes nos orçamentos de defesa após o fim da Guerra Fria levaram a uma redução significativa no financiamento de pesquisa e desenvolvimento em IA. Isso foi exacerbado pelo ceticismo crescente em relação à IA, tanto dentro quanto fora da comunidade acadêmica (Luger, 2005). No entanto, a partir da década de 1990, houve um renascimento no interesse pela IA, impulsionado em grande parte pelo advento da internet e pelo aumento exponencial do poder de computação. Isso levou a novos avanços, como os algoritmos de aprendizado de máquina e as redes neurais, que ajudaram a revitalizar o campo e abrir novas possibilidades para o desenvolvimento da IA (Luger, 2005). Assim, pode-se considerar que a virada do século marcou o início de um renascimento da IA, impulsionado por avanços em algoritmos e aumento da capacidade de computação. Em 1997, o supercomputador Deep Blue da IBM derrotou o campeão mundial de xadrez Garry Kasparov, um marco significativo na história da IA (Campbell et al., 2002). Nos últimos anos, a IA tem visto avanços notáveis, especialmente na área de deep learning (aprendizado profundo). Em 2012, uma rede neural convolucional chamada AlexNet alcançou resultados impressionantes no desafio de reconhecimento de imagem ImageNet, marcando o início da revolução do aprendizado profundo (Krizhevsky et al., 2012). Mais recentemente, mais uma evolução no campo da IA foi apresentada ao mundo, trata-se do Generative Pretrained Transformer (GPT) ou também conhecido como “Chat GPT”. Que consiste em um modelo de aprendizado de máquina desenvolvido pela OpenAI. Ele faz parte de uma família de modelos chamados transformadores, que foram introduzidos por (Vaswani et al., 2017) no artigo “Attention is All You Need”. Essencialmente, o GPT é uma grande rede neural que foi treinada para prever a próxima palavra em uma sequência de texto. Para fazer isso, foi alimentado com enormes REVISTA OBSERVATORIO DE LA ECONOMIA LATINOAMERICANA Curitiba, v.21, n.11, p. 21476-21495. 2023. ISSN: 1696-8352 Page 21482 REVISTA OBSERVATORIO DE LA ECONOMIA LATINOAMERICANA, Curitiba, v.21, n.11, p. 21476-21495. 2023.. quantidades de texto da internet e de outras fontes, e foi treinado para aprender padrões e estruturas na linguagem humana. No processo, adquiriu uma quantidade significativa de conhecimentosobre o mundo (Radford et al., 2018). O GPT faz parte de um campo mais amplo de pesquisa chamado Inteligência Artificial (IA). A IA é o estudo de como construir sistemas computacionais que podem realizar tarefas que normalmente requerem inteligência humana. Isso inclui, mas não se limita a, aprendizado de máquina, processamento de linguagem natural, visão computacional e robótica (Brown et al., 2020). Em resumo, o campo de IA tem experimentado um crescimento notável e acelerado nos últimos anos, impulsionado por avanços significativos em algoritmos, aumento da capacidade de processamento e a disponibilidade de grandes volumes de dados. Vale fazer apresentar alguns pontos de destaque: ▪ Aprendizado Profundo (Deep Learning): as redes neurais profundas, um subcampo do aprendizado de máquina, têm sido particularmente transformadoras para a IA. Esses modelos imitam o funcionamento do cérebro humano para pro- cessar e aprender de dados complexos, e têm sido fundamentais para os avanços em áreas como processamento de linguagem natural, visão computacional e reco- nhecimento de fala (Goodfellow et al., 2016). ▪ Modelos de Linguagem: como o BERT (do Google) e o GPT (da OpenAI), demonstraram um desempenho impressionante em tarefas de compreensão e ge- ração de texto. Eles são capazes de traduzir idiomas, responder perguntas, e até mesmo escrever artigos coerentes (Brown et al., 2020; Devlin et al., 2018). Quanto as aplicações práticas, a IA vem sendo utilizada em uma ampla gama de setores. Na medicina, por exemplo, a IA tem sido usada para melhorar a precisão do diagnóstico e para desenvolver tratamentos personalizados (Jiang et al., 2017; Yu et al., 2018). No setor de transporte, a IA tem impulsionado o desenvolvimento de veículos autônomos (Wilson et al., 2022; Woschank et al., 2020). Na área financeira, a IA tem sido usada para detecção de fraudes e tomada de decisões automatizadas (Aziz et al., 2022; Culkin & Das, 2017; Dixon et al., 2020). REVISTA OBSERVATORIO DE LA ECONOMIA LATINOAMERICANA Curitiba, v.21, n.11, p. 21476-21495. 2023. ISSN: 1696-8352 Page 21483 REVISTA OBSERVATORIO DE LA ECONOMIA LATINOAMERICANA, Curitiba, v.21, n.11, p. 21476-21495. 2023.. Quanto às questões éticas, à medida que a IA se torna cada vez mais integrada à sociedade, as questões relacionadas à sua utilização se tornaram cada vez mais importantes. Isso inclui preocupações sobre privacidade de dados, viés algorítmico, automação do trabalho e a responsabilidade por decisões tomadas por sistemas de IA (Bostrom & Yudkowsky, 2014; Etzioni & Etzioni, 2017; Müller, 2020; Nasim et al., 2022; Nath & Manna, 2023). Estes são apenas alguns dos muitos desenvolvimentos em IA. À medida que a tecnologia continua a evoluir, pode-se esperar ver ainda mais avanços em suas aplicações. 3 ABORDAGEM METODOLÓGICA Os dados usados nessa pesquisa foram coletados no SciVerse Scopus, uma plataforma mantida pela Elsevier B.V. Optou-se por essa base de devido à sua reputação estabelecida no meio acadêmico, além de suas capacidades avançadas que possibilitam a execução de buscas simultâneas em múltiplas fontes respeitadas no âmbito científico. Para a seleção da amostra, o termo “artificial intelligence” foi buscado nos títulos, resumos e palavras-chaves de artigos que tinham como área principal “Economia, Econometria e Finanças” definida pela própria SciVerse Scopus, além disso, definiu-se o ano de 2022 como o último da busca (o intuito foi não inserir artigos do ano corrente - 2023). Cabe ressaltar que preferiu-se trabalhar somente com artigos de periódicos científicos, de modo que foram excluídos da amostra todos aqueles publicados em congressos, capítulos de livros, editoriais, entre outros documentos. Os dados foram baixados em formato CSV e depois foram importados no software RStudio para serem trabalhados no pacote Bibliometrix com vistas a atingir os objetivos traçados no estudo. O pacote Bibliometrix do R permite a operacionalização de técnicas de análise bibliométrica e cienciométrica, usadas para visualização de características da produção científica de um determinado campo ou área de interesse (Aria & Cuccurullo, 2017b, 2017a). O primeiro objetivo consistiu na descrição da amostra, apresentando informações sobre a quantidade de trabalhos, quantidade de autores, período da produção, quantidade REVISTA OBSERVATORIO DE LA ECONOMIA LATINOAMERICANA Curitiba, v.21, n.11, p. 21476-21495. 2023. ISSN: 1696-8352 Page 21484 REVISTA OBSERVATORIO DE LA ECONOMIA LATINOAMERICANA, Curitiba, v.21, n.11, p. 21476-21495. 2023.. de referências, taxa de crescimento anual da produção, coautores por documentos e taxa de coautoria internacional. O segundo objetivo consistiu na identificação dos principais trabalhos que serviram de referências para os artigos da amostra, ou seja, quais são as principais influências da produção sobre inteligência artificial na área de Economia, Econometria e Finanças. Em específico, usou-se o recurso “Most Global Cited Documents” do Bibliometrix. O “Most Global Cited Documents” é um recurso do pacote Bibliometrix que permite identificar e analisar os documentos mais citados em um determinado conjunto de dados. Essencialmente, analisa o número de vezes que cada documento em seu conjunto de dados foi citado por outros documentos. Ele então classifica os documentos de acordo com o número de citações que receberam, permitindo identificar os trabalhos que tiveram o maior impacto dentro do conjunto de dados especificado (Aria & Cuccurullo, 2017a). Essa análise é útil para identificar trabalhos seminais dentro de uma determinada área de pesquisa. Estes são os trabalhos que tiveram um impacto significativo no campo, conforme indicado pelo grande número de vezes que foram citados por outros pesquisadores. Além disso, essa análise pode destacar tendências emergentes na pesquisa, permitindo identificar áreas onde a atividade de pesquisa está aumentando (Aria & Cuccurullo, 2017a). Por fim, o terceiro objetivo consistiu na da rede de coocorrência da pesquisa. Ela serve para entender e visualizar as relações entre diferentes elementos em um conjunto de dados, baseando-se na frequência com que eles aparecem juntos. Numa rede de coocorrência, os nós representam as palavras-chave e as arestas representam a frequência com que duas palavras-chave aparecem juntas nos mesmos artigos. As métricas de centralidade, como o betweenness, closeness e PageRank, fornecem uma maneira de identificar os nós mais influentes na rede (Newman, 2005). A “Betweenness Centrality” (Centralidade de Intermediação) representa uma medida do grau em que um nó atua como um intermediário de outros nós da rede, sendo que, nós com alta centralidade estão frequentemente em caminhos mais curtos em relação REVISTA OBSERVATORIO DE LA ECONOMIA LATINOAMERICANA Curitiba, v.21, n.11, p. 21476-21495. 2023. ISSN: 1696-8352 Page 21485 REVISTA OBSERVATORIO DE LA ECONOMIA LATINOAMERICANA, Curitiba, v.21, n.11, p. 21476-21495. 2023.. aos outros nós (Freeman, 1977). A “Closeness Centrality” (Centralidade de Proximidade) representa uma medida de quão próximo um nó está de todos os outros nós da rede (Sabidussi, 1966). E a “Page Rank” consiste em uma medida de importância que leva em consideração o número de ligações que um nó recebe e também a relevância de como fazem ligações (Brin & Page, 1998). Com isso, a rede de coocorrência fornece uma representação gráfica de clusters dentro de um campo de pesquisa, permitindo entender como diferentes conceitos e temas estão interligados na literatura. 4 RESULTADOS 4.1 DESCRIÇÃO DA AMOSTRA A Tabela 1 apresenta as informações básicas da amostra dos trabalhos sobre IA na área de Economia, Econometria e Finanças do SciVerse Scopus. Tabela 1: informações básicas da amostra. Descrição Resultados Coberturatemporal 1979 até 2022 Total de Periódicos 511 Total de Documentos (Artigos de Periódicos) 1.703 Quantidade de Referências 75.782 Quantidade de Autores 4.052 Coautores por Documento 2,69 Taxa (%) de Coautorias Internacionais 21,9 Taxa de crescimento anual % da Produção 15,25 Idade Média dos Documentos 5,17 Fonte: elaborado pelos autores. O período de tempo coberto por esses documentos abrange mais de quatro décadas, indicando a evolução contínua do campo durante esse tempo (1979 até 2022). Os artigos (1.703 documentos) estão espalhados por 511 periódicos diferentes, sugerindo que o tópico é de interesse em várias áreas e disciplinas e, ao todo, usaram 75.782 referências. Foram 4.052 autores nos artigos da amostra. Em média, cada trabalho possui 2,69 coautores e uma taxa de coautoria internacional de 21,9%, destacando a natureza global da pesquisa. REVISTA OBSERVATORIO DE LA ECONOMIA LATINOAMERICANA Curitiba, v.21, n.11, p. 21476-21495. 2023. ISSN: 1696-8352 Page 21486 REVISTA OBSERVATORIO DE LA ECONOMIA LATINOAMERICANA, Curitiba, v.21, n.11, p. 21476-21495. 2023.. Uma taxa de crescimento anual de 15,25% indica que o campo está em expansão para a área analisada, mas esse resultado, a princípio, não mostra a verdadeira evolução recente da pesquisa, que pode ser averiguada a partir do indicador de idade média dos documentos. O Document Average Age (DAA) (Idade Média dos Documentos) é um indicador bibliométrico usado para determinar se um campo de estudo é emergente (trabalhos mais recentes) ou estabelecido (trabalhos mais antigos), ressalta-se que essa avaliação possui um viés subjetivo e deve ser contextualizada considerando o período coberto na amostra utilizada. No caso deste trabalho, conforme exposto anteriormente, os artigos estão distribuídos ao longo de quatro décadas, tendo início na década de 1970, e a idade média dos documentos é de 5,17 anos, isso indica que a maior parte da pesquisa sobre IA na área de Economia, Econometria e Finanças é relativamente recente. Esse fato também pode ser observado via visualização gráfica, o Gráfico 1 demonstra isso. Gráfico 1: evolução anual da pesquisa. Fonte: elaborado pelos autores. Os dados revelam uma clara tendência de crescimento na produção que abordam a IA na área de Economia, Econometria e Finanças ao longo do período de 1979 a 2022. Em específico, percebe-se que a maior parte os trabalhos foram publicados recentemente, REVISTA OBSERVATORIO DE LA ECONOMIA LATINOAMERICANA Curitiba, v.21, n.11, p. 21476-21495. 2023. ISSN: 1696-8352 Page 21487 REVISTA OBSERVATORIO DE LA ECONOMIA LATINOAMERICANA, Curitiba, v.21, n.11, p. 21476-21495. 2023.. sobretudo a partir do ano de 2016, quando o volume ultrapassou a marca de 30 artigos anuais e se manteve assim até o último ano da amostra. Esses resultados corroboram com o indicador de idade média dos documentos, apresentado anteriormente. Nos primeiros anos, entre 1979 e 1985, a produção de artigos foi esporádica e muito baixa, com um ou nenhum artigo publicado a cada ano. Isso provavelmente reflete a fase inicial do campo da IA e seu uso limitado em Economia, Econometria e Finanças. Durante a década de 1990 e início dos anos 2000, a produção de artigos aumentou gradualmente, mas ainda permaneceu relativamente modesta, com uma média de cerca de 5 a 10 artigos por ano. No entanto, uma mudança significativa é observada a partir de 2008, com um salto notável no número de artigos publicados por ano. Esta tendência acelerou consideravelmente a partir dos anos de 2016 e 2017, com o número de artigos dobrando quase a cada ano subsequente. Em 2022, o número de artigos publicados (447) é mais de 400 vezes o número de artigos publicados no primeiro ano do conjunto de dados (1979). Este volume na produção de pesquisa pode ser atribuído ao advento e popularização das tecnologias de IA, bem como ao reconhecimento de seu potencial revolucionário na economia e finanças. Esta tendência é consistente com o reconhecimento de que a IA tem o potencial de transformar a economia e as finanças, em áreas como previsão econômica, detecção de fraude, otimização de portfólio e personalização de serviços financeiros (Musleh Al- Sartawi et al., 2022). Os dados também estão alinhados com a observação de que a última década viu um aumento significativo na atenção dada à IA na literatura (Makridakis, 2017). 4.2 IDENTIFICAÇÃO DAS PRINCIPAIS REFERÊNCIAS USADAS NOS TRABALHOS DA AMOSTRA Especificamente, buscou-se analisar quais foram as cinco principais referências usadas nos artigos da amostra. Isso foi feito através do recurso “Most Global Cited Documents” do Bibliometrix. Os dados são apresentados na Tabela 2. REVISTA OBSERVATORIO DE LA ECONOMIA LATINOAMERICANA Curitiba, v.21, n.11, p. 21476-21495. 2023. ISSN: 1696-8352 Page 21488 REVISTA OBSERVATORIO DE LA ECONOMIA LATINOAMERICANA, Curitiba, v.21, n.11, p. 21476-21495. 2023.. Tabela 2: cinco principais referências usadas nos trabalhos da amostra. Referência (em formato ABNT) Total de Citações Recebidas WARNER, Karl SR; WÄGER, Maximilian. Building dynamic capabilities for digital transformation: An ongoing process of strategic renewal. Long range planning, v. 52, n. 3, p. 326-349, 2019. (2019) 653 ALTMAN, Edward I.; MARCO, Giancarlo; VARETTO, Franco. Corporate distress diagnosis: Comparisons using linear discriminant analysis and neural networks (the Italian experience). Journal of banking & finance, v. 18, n. 3, p. 505-529, 1994. (1994) 565 DAVENPORT, Thomas et al. How artificial intelligence will change the future of marketing. Journal of the Academy of Marketing Science, v. 48, p. 24-42, 2020. (2020) 533 COHEN, Michael D. et al. Routines and other recurring action patterns of organizations: contemporary research issues. Industrial and corporate change, v. 5, n. 3, p. 653-698, 1996. (1996) 464 LEBARON, Blake; ARTHUR, W. Brian; PALMER, Richard. Time series properties of an artificial stock market. Journal of Economic Dynamics and control, v. 23, n. 9-10, p. 1487-1516, 1999. (1999) 446 Fonte: elaborado pelos autores. O artigo mais referenciado na amostra (com 653 citações) foi elaborado por Warner e Wäger (2019), intitulado de “Building dynamic capabilities for digital transformation: An ongoing process of strategic renewal”, explora como empresas estabelecidas em setores tradicionais constroem capacidades dinâmicas para a transformação digital. A transformação digital é definida como o uso de novas tecnologias digitais, como mobile, inteligência artificial, nuvem, blockchain e tecnologias da Internet das Coisas (IoT), para viabilizar grandes melhorias nos negócios para aprimorar a experiência do cliente, otimizar operações ou criar novos modelos de negócios. As descobertas de Warner e Wäger (2019) revelam que a transformação digital é um processo contínuo de uso de novas tecnologias digitais na vida organizacional cotidiana, que reconhece a agilidade como o principal mecanismo para a renovação estratégica do (1) modelo de negócios de uma organização, (2) abordagem colaborativa, e eventualmente a (3) cultura. REVISTA OBSERVATORIO DE LA ECONOMIA LATINOAMERICANA Curitiba, v.21, n.11, p. 21476-21495. 2023. ISSN: 1696-8352 Page 21489 REVISTA OBSERVATORIO DE LA ECONOMIA LATINOAMERICANA, Curitiba, v.21, n.11, p. 21476-21495. 2023.. O segundo artigo mais referenciado na amostra (com 565 citações) foi elaborado por Altman, Marco e Varetto (1994), intitulado de “Corporate distress diagnosis: Comparisons using linear discriminant analysis and neural networks (the Italian experience)”, é um estudo se propõe a comparar metodologias estatísticas tradicionais para classificação e previsão de dificuldades financeiras, especificamente a Análise Discriminante Linear (LDA) e a Análise Logit, com um algoritmo de InteligênciaArtificial conhecido como Redes Neurais. Os autores usaram um conjunto de dados utilizado incluiu mais de 1.000 empresas industriais italianas saudáveis, vulneráveis e instáveis no período de 1982 a 1992. Os resultados indicam um grau equilibrado de precisão e outras características benéficas entre LDA e NN. Ambas as técnicas diagnósticas apresentaram uma aceitável precisão na classificação e na validação externa, superior a 90%. O estudo conclui que deve haver mais estudos e testes utilizando ambas as técnicas e sugere uma abordagem combinada para reforço preditivo (Altman et al., 1994). O terceiro artigo mais referenciado na amostra (com 533 citações) foi o de Davenport, Guha, Grewal e Bressgott (2020), intitulado de “How artificial intelligence will change the future of marketing”, aborda como a IA provavelmente irá mudar significativamente tanto as estratégias de marketing quanto os comportamentos dos consumidores. Em resumo, o artigo propõe um quadro para entender o impacto da IA no marketing e no comportamento do consumidor, considerando níveis de inteligência, tipos de tarefa e a incorporação da IA em robôs. Ele também sugere que a IA deve ser usada para aumentar a capacidade humana, em vez de substituí-la, e chama atenção para questões de políticas importantes, como privacidade, viés e ética. Finalmente, os autores sugerem que a IA será mais eficaz se ela aumentar (em vez de substituir) os gestores humanos (Davenport et al., 2020). O quarto artigo mais referenciado na amostra (com 464 citações) foi o de Cohen, Burkhart, Dosi, Egidi, Marengo, Warglien e Winter (1996), intitulado de “Routines and other recurring action patterns of organizations: contemporary research issues”, o trabalho fornece um léxico de sinônimos e opostos cobrindo o uso da palavra “rotina” em REVISTA OBSERVATORIO DE LA ECONOMIA LATINOAMERICANA Curitiba, v.21, n.11, p. 21476-21495. 2023. ISSN: 1696-8352 Page 21490 REVISTA OBSERVATORIO DE LA ECONOMIA LATINOAMERICANA, Curitiba, v.21, n.11, p. 21476-21495. 2023.. áreas como economia, teoria da organização e inteligência artificial. Busca entender o conceito de rotina em um contexto amplo, abordando sua importância, definição e aplicações em diferentes campos. Além disso, explora como a pesquisa cognitiva, a evolução, e a modelagem de simulação podem enriquecer nossa compreensão e uso de rotinas e padrões de ação. O quinto artigo mais referenciado da amostra (com 446 citações) foi o de LeBaron, Arthur e Palmer, intitulado de “Time series properties of an artificial stock market”, apresenta os resultados de um mercado de ações simulado experimentalmente em um computador. Neste mercado, algoritmos de inteligência artificial assumem o papel de traders. Eles fazem previsões sobre o futuro e compram e vendem ações com base em suas expectativas de risco futuro e retorno. Os preços são definidos endogenamente para equilibrar o mercado. A análise das séries temporais deste mercado é feita sob a perspectiva de características empíricas bem conhecidas em mercados reais. Além disso, demonstra-se que o comportamento dos agentes (algoritmos de inteligência artificial) é consistente com essas características, uma vez que eles condicionam as variáveis que se mostram significativas nos testes de séries temporais (LeBaron et al., 1999). Portanto, este artigo demonstra que um mercado de ações simulado, com algoritmos de IA atuando como traders, pode replicar várias características dos mercados de ações do mundo real, incluindo fenômenos como a previsibilidade e a persistência da volatilidade. Além disso, os algoritmos de IA mostram a capacidade de aprender e adaptar-se ao ambiente do mercado (LeBaron et al., 1999). 4.3 ANÁLISE DA REDE DE COOCORRÊNCIA A rede de coocorrência da pesquisa sobre IA em Economia, Econometria e Finanças serve para visualizar as relações entre os diferentes elementos da amostra. A Figura 1 apresenta os resultados. REVISTA OBSERVATORIO DE LA ECONOMIA LATINOAMERICANA Curitiba, v.21, n.11, p. 21476-21495. 2023. ISSN: 1696-8352 Page 21491 REVISTA OBSERVATORIO DE LA ECONOMIA LATINOAMERICANA, Curitiba, v.21, n.11, p. 21476-21495. 2023.. Figura 1: rede de coocorrência. Fonte: elaborado pelos autores. Observando as medidas de centralidade, pode-se ter uma ideia de quais termos são particularmente importantes ou centrais na rede. Por exemplo, o termo “inteligência artificial” tem a pontuação de PageRank mais alta, conforme esperado, já que é representa o tema central deste artigo. Além disso, a Figura 1 mostra que os termos estão divididos em diferentes clusters, o que pode indicar subtemas ou tópicos relacionados dentro do campo geral de tecnologia e inteligência artificial na área de Economia, Econometria e Finanças. O Cluster 1 (em vermelho), tem como termo central a Inteligência Artificial e trata de assuntos emergente em economia. Os termos indicam pesquisas concentradas nas implicações econômicas dessas tecnologias emergentes, como a própria IA, o big data, a indústria 4.0, o blockchain e a internet das coisas (internet of things), na economia global, na produtividade e na eficiência dos negócios. O Cluster 2 (em roxo), trata de assuntos diversos relacionados às técnicas avançadas de modelagem em economia, econometria e finanças, com foco em previsões, predições, empreendedorismo, risco de crédito e gestão de riscos, por exemplo. REVISTA OBSERVATORIO DE LA ECONOMIA LATINOAMERICANA Curitiba, v.21, n.11, p. 21476-21495. 2023. ISSN: 1696-8352 Page 21492 REVISTA OBSERVATORIO DE LA ECONOMIA LATINOAMERICANA, Curitiba, v.21, n.11, p. 21476-21495. 2023.. Os Cluster 3 (em azul), Cluster 4 (em verde) e Cluster 5 (em amarelo), são os menores da amostra, tratam de assuntos como os sistemas de suporte à decisão, técnicas de redes neurais e algoritmos genéricos para a área de Economia, Econometria e Finanças. 5 CONSIDERAÇÕES FINAIS Este artigo explorou a evolução e a aplicação da Inteligência Artificial (IA) na área de Economia, Econometria e Finanças. A pesquisa foi realizada utilizando dados da plataforma SciVerse Scopus, selecionando artigos que continham o termo “artificial intelligence” em suas palavras-chave, títulos e resumos. A análise dos dados revelou um crescimento exponencial na pesquisa, sobretudo nos últimos cinco anos. O estudo também identificou os principais trabalhos que serviram de referências para os artigos da amostra, destacando as principais influências na produção foco da análise. Além disso, foi utilizada uma rede de coocorrência para visualizar as relações entre diferentes conceitos e temas na literatura. Os resultados indicam que a IA está se tornando cada vez mais importante na área de economia, econometria e finanças, com potencial para transformar a forma como a pesquisa é conduzida e aplicada nestes campos. REVISTA OBSERVATORIO DE LA ECONOMIA LATINOAMERICANA Curitiba, v.21, n.11, p. 21476-21495. 2023. ISSN: 1696-8352 Page 21493 REVISTA OBSERVATORIO DE LA ECONOMIA LATINOAMERICANA, Curitiba, v.21, n.11, p. 21476-21495. 2023.. REFERÊNCIAS Agrawal, A., Gans, J., & Goldfarb, A. (2019). The economics of artificial intelligence: An agenda. University of Chicago Press. Altman, E. I., Marco, G., & Varetto, F. (1994). Corporate distress diagnosis: Comparisons using linear discriminant analysis and neural networks (the Italian experience). Journal of banking & finance, 18(3), 505–529. Aria, M., & Cuccurullo, C. (2017a). A brief introduction to bibliometrix. Journal of In- formetrics, 11(4), 959–975. Aria, M., & Cuccurullo, C. (2017b). bibliometrix: An R-tool for comprehensive science mapping analysis. Journal of informetrics, 11(4), 959–975. Aziz, S., Dowling, M., Hammami, H., & Piepenbrink, A. (2022). Machine learning in finance: A topic modeling approach. European Financial Management,28(3), 744–770. Bostrom, N., & Yudkowsky, E. (2014). The ethics of artificial intelligence. The Cam- bridge handbook of artificial intelligence, 1, 316–334. Brewka, G. (1996). Artificial intelligence—A modern approach by Stuart Russell and Pe- ter Norvig, Prentice Hall. Series in Artificial Intelligence, Englewood Cliffs, NJ. The Knowledge Engineering Review, 11(1), 78–79. Brin, S., & Page, L. (1998). The anatomy of a large-scale hypertextual web search engine. Computer networks and ISDN systems, 30(1–7), 107–117. Brown, T., Mann, B., Ryder, N., Subbiah, M., Kaplan, J. D., Dhariwal, P., Neelakantan, A., Shyam, P., Sastry, G., & Askell, A. (2020). Language models are few-shot learners. Advances in neural information processing systems, 33, 1877–1901. Campbell, M., Hoane Jr, A. J., & Hsu, F. (2002). Deep blue. Artificial intelligence, 134(1– 2), 57–83. Cao, L. (2022). Ai in finance: Challenges, techniques, and opportunities. ACM Computing Surveys (CSUR), 55(3), 1–38. Cohen, M. D., Burkhart, R., Dosi, G., Egidi, M., Marengo, L., Warglien, M., & Winter, S. (1996). Routines and other recurring action patterns of organizations: Contemporary research issues. Industrial and corporate change, 5(3), 653–698. Culkin, R., & Das, S. R. (2017). Machine learning in finance: The case of deep learning for option pricing. Journal of Investment Management, 15(4), 92–100. Davenport, T., Guha, A., Grewal, D., & Bressgott, T. (2020). How artificial intelligence will change the future of marketing. Journal of the Academy of Marketing Science, 48, 24–42. Devlin, J., Chang, M.-W., Lee, K., & Toutanova, K. (2018). Bert: Pre-training of deep bidirectional transformers for language understanding. arXiv preprint arXiv:1810.04805. REVISTA OBSERVATORIO DE LA ECONOMIA LATINOAMERICANA Curitiba, v.21, n.11, p. 21476-21495. 2023. ISSN: 1696-8352 Page 21494 REVISTA OBSERVATORIO DE LA ECONOMIA LATINOAMERICANA, Curitiba, v.21, n.11, p. 21476-21495. 2023.. Dixon, M. F., Halperin, I., & Bilokon, P. (2020). Machine learning in finance (Vol. 1170). Springer. Donthu, N., Kumar, S., Mukherjee, D., Pandey, N., & Lim, W. M. (2021). How to conduct a bibliometric analysis: An overview and guidelines. Journal of business research, 133, 285–296. Etzioni, A., & Etzioni, O. (2017). Incorporating ethics into artificial intelligence. The Journal of Ethics, 21, 403–418. Freeman, L. C. (1977). A set of measures of centrality based on betweenness. Sociometry, 35–41. Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT press. Hilpisch, Y. (2020). Artificial Intelligence in Finance. O’Reilly Media, Inc. Jiang, F., Jiang, Y., Zhi, H., Dong, Y., Li, H., Ma, S., Wang, Y., Dong, Q., Shen, H., & Wang, Y. (2017). Artificial intelligence in healthcare: Past, present and future. Stroke and vascular neurology, 2(4). Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). Imagenet classification with deep convolutional neural networks. Advances in neural information processing systems, 25. LeBaron, B., Arthur, W. B., & Palmer, R. (1999). Time series properties of an artificial stock market. Journal of Economic Dynamics and control, 23(9–10), 1487–1516. Luger, G. F. (2005). Artificial intelligence: Structures and strategies for complex problem solving. Pearson education. Makridakis, S. (2017). The forthcoming Artificial Intelligence (AI) revolution: Its impact on society and firms. Futures, 90, 46–60. McCarthy, J., Minsky, M. L., Rochester, N., & Shannon, C. E. (2006). A proposal for the dartmouth summer research project on artificial intelligence, august 31, 1955. AI maga- zine, 27(4), 12–12. McCarthy, J., Minsky, M., & Rochester, N. (1955). A Proposal For The Dartmouth Sum- mer Research Project On Artificial Intelligence. Minh, D., Wang, H. X., Li, Y. F., & Nguyen, T. N. (2022). Explainable artificial intelli- gence: A comprehensive review. Artificial Intelligence Review, 1–66. Mullainathan, S., & Spiess, J. (2017). Machine learning: An applied econometric ap- proach. Journal of Economic Perspectives, 31(2), 87–106. Müller, V. (2020). Ethics of artificial intelligence and robotics. Stanford Encyclopedia of Philosophy. Musleh Al-Sartawi, A. M., Hussainey, K., & Razzaque, A. (2022). The role of artificial intelligence in sustainable finance. Journal of Sustainable Finance & Investment, 1–6. REVISTA OBSERVATORIO DE LA ECONOMIA LATINOAMERICANA Curitiba, v.21, n.11, p. 21476-21495. 2023. ISSN: 1696-8352 Page 21495 REVISTA OBSERVATORIO DE LA ECONOMIA LATINOAMERICANA, Curitiba, v.21, n.11, p. 21476-21495. 2023.. Nasim, S. F., Ali, M. R., & Kulsoom, U. (2022). Artificial intelligence incidents & ethics a narrative review. International Journal of Technology, Innovation and Management (IJTIM), 2(2), 52–64. Nath, R., & Manna, R. (2023). From posthumanism to ethics of artificial intelligence. AI & SOCIETY, 38(1), 185–196. Newman, M. E. (2005). A measure of betweenness centrality based on random walks. Social networks, 27(1), 39–54. Nilsson, N. J. (1998). Artificial intelligence: A new synthesis. Morgan Kaufmann. Radford, A., Narasimhan, K., Salimans, T., & Sutskever, I. (2018). Improving language understanding by generative pre-training. Russell, S. (2016). Artificial Intelligence: A Modern Approach, eBook, Global Edition. Pearson Education, Limited. Sabidussi, G. (1966). The centrality index of a graph. Psychometrika, 31(4), 581–603. Schank, R. C. (1991). Where’s the AI? AI magazine, 12(4), 38–38. Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, Ł., & Polosukhin, I. (2017). Attention is all you need. Advances in neural information pro- cessing systems, 30. Warner, K. S., & Wäger, M. (2019). Building dynamic capabilities for digital transfor- mation: An ongoing process of strategic renewal. Long range planning, 52(3), 326–349. Weizenbaum, J. (1966). ELIZA—a computer program for the study of natural language communication between man and machine. Communications of the ACM, 9(1), 36–45. Wilson, M., Paschen, J., & Pitt, L. (2022). The circular economy meets artificial intelli- gence (AI): Understanding the opportunities of AI for reverse logistics. Management of Environmental Quality: An International Journal, 33(1), 9–25. Winograd, T. (1972). Understanding natural language. Cognitive psychology, 3(1), 1–191. Woschank, M., Rauch, E., & Zsifkovits, H. (2020). A review of further directions for artificial intelligence, machine learning, and deep learning in smart logistics. Sustainabil- ity, 12(9), 3760. Yu, K.-H., Beam, A. L., & Kohane, I. S. (2018). Artificial intelligence in healthcare. Na- ture biomedical engineering, 2(10), 719–731.
Compartilhar