Designing targeting policies using machine learning

2023 Fiscal Year Final Research Report

• Project/Area Number: 22K20155
• Research Category: Grant-in-Aid for Research Activity Start-up
• Allocation Type: Multi-year Fund
• Review Section: 0107:Economics, business administration, and related fields
• Research Institution: The University of Tokyo
• Principal Investigator: Sakaguchi Shosei 東京大学, 大学院経済学研究科(経済学部), 講師 (30965942)
• Project Period (FY): 2022-08-31 – 2024-03-31
• Keywords: 計量経済学 / ターゲティング政策

Outline of Final Research Achievements

In this study, I achieved results in both theoretical and empirical aspects regarding the learning of targeting policies in public policy. On the theoretical front, we developed a novel approach to learn optimal dynamic targeting regimes from observational data. The developed method has a double-robustness property and is computationally efficient. I demonstrate that the developed algorithm possesses superior theoretical performance compared to existing methods.

In the empirical study, we estimated and evaluated the optimal targeting policy in a rebate program aimed at reducing household electricity consumption using social experimental data from Japan. Specifically, we demonstrate that the targeting policy can significantly improve social welfare compared to conventional non-targeting policies, suggesting the effectiveness of targeting in public policy.

Free Research Field

計量経済学

Academic Significance and Societal Importance of the Research Achievements

データに基づいて政策を個別にデザインするターゲティング政策は、すべての人々に一律・均一に性悪介入する従来型の政策よりも高い社会厚生を実現することが期待される。しかし、データからターゲティング政策をどのように構築するかについては、正確性や計算効率性の点で未だ問題が多かった。本研究では、動的なターゲティング政策について、従来の方法よりも正確性や計算効率性の点で優れた手法を開発した。
また、日本で行った電力消費削減を目指したリベートプログラムの社会実験データを使い、ターゲティング政策が従来の非ターゲティング政策よりも社会厚生を大きく改善することを定量的に示し、ターゲティング政策の有用性を提示した。