ThinkLab: Economics & Policy

08/07/2026

An OpenAI artificial intelligence model has invented more than a dozen new bacteria-infecting viruses after scientists at Stanford University trained the model to recognize patterns of DNA structure in nature and re-write them to create never-before-seen viral genomes.
Read more: https://www.forbes.com/sites/maryroeloffs/2026/08/06/scientists-trained-an-ai-model-in-dna-and-it-invented-16-new-viruses/?utm_source=ForbesMainFacebook&utm_medium=social&utm_campaign=ForbesMainFB
Photo: SSPL via Getty Images

06/17/2026

Too Much Mathematics, Too Little History: The Problem of Economics.

I recently watched an excellent LSE panel discussion featuring Lord Robert Skidelsky, Dr. Ha-Joon Chang, Professor Steve Pischke, and Professor Francesco Caselli on the role of mathematics and history in economics.
The discussion touched on something I have felt for a long time. Economics has become highly mathematical and model-driven, sometimes at the cost of understanding history and context.

My own training has also been heavily focused on mathematical models, differential equations, and the idea of a rational economic agent. But people are not always rational. Decisions are often shaped by emotions, institutions, politics, culture, and past experiences.

Recently, I have started taking a step back and paying more attention to economic history. Mathematics is important because it helps us think clearly and explain complex relationships. But without historical knowledge, models can become too abstract and disconnected from the real world.

We should continue using mathematics in economics, but not at the cost of ignoring history.

For me, economics is more useful and more meaningful when mathematical reasoning is combined with historical understanding.

This is a recording of the debate hosted by the LSE Economic Histor...

06/14/2026

১৬শ শতকে ইউরোপে এক পাউন্ড জায়ফলের দাম ছিল একজন মানুষের তিন বছরের বেতন। জায়ফল জন্মাতো শুধু ইন্দোনেশিয়ার কয়েকটা দ্বীপে। সেই দ্বীপ দখল করতেই তৈরি হয়েছিল VOC।

VOC। Vereenigde Oostindische Compagnie। ডাচ ইস্ট ইন্ডিয়া কোম্পানি।

১৬০২ সালে নেদারল্যান্ডসে প্রতিষ্ঠিত। পৃথিবীর ইতিহাসে প্রথম পাবলিক শেয়ার কোম্পানি।

এর আগে ব্যবসা করতে হলে নিজের পুরো টাকা লাগাতে হতো। জাহাজ ডুবলে সব শেষ। VOC বললো, সবাই মিলে টাকা দাও, লাভও ভাগ হবে, লোকসানও ভাগ হবে। মানুষ রাজি হলো।

সেই শেয়ার কেনাবেচার জন্য তৈরি হলো আমস্টারডাম স্টক এক্সচেঞ্জ। পৃথিবীর প্রথম শেয়ার বাজার।

কিন্তু VOC শুধু একটা ব্যবসা প্রতিষ্ঠান ছিল না।

ডাচ সরকার তাকে দিয়েছিল এমন কিছু অধিকার, যা সাধারণত শুধু রাষ্ট্রের থাকে। VOC যুদ্ধ ঘোষণা করতে পারতো। শান্তিচুক্তি সই করতে পারতো। নিজস্ব আদালতে মানুষকে মৃত্যুদণ্ড দিতে পারতো। উপনিবেশ স্থাপন করতে পারতো। নিজের মুদ্রা ছাপাতে পারতো।

মূলত একটা সরকার, কিন্তু মুনাফার উদ্দেশ্যে চলে।

১৬৬৯ সালে, শীর্ষে থাকার সময়, VOC-র ছিল ১৫০টা বাণিজ্যিক জাহাজ, ৪০টা যুদ্ধজাহাজ, ৫০ হাজার কর্মী এবং ১০ হাজার সৈন্য। সেই সময়ের বেশিরভাগ ইউরোপীয় নৌবাহিনীর চেয়ে বড়।

কোম্পানির মোট বাজারমূল্য ছিল ৭৮ মিলিয়ন ডাচ গিলদার। আজকের হিসাবে আনুমানিক ৮ লাখ কোটি ডলার, বাংলাদেশি টাকায় প্রায় ৯ কোটি কোটি টাকা।

তুলনার জন্য — আজকের Apple, Microsoft, Amazon, Google আর Saudi Aramco-র মোট মূল্য যোগ করলেও VOC-র ধারেকাছে যাবে না।

ইন্দোনেশিয়ার Banda দ্বীপে জায়ফলের একচেটিয়া নিয়ন্ত্রণ রাখতে গিয়ে সেখানকার ১৫ হাজার মানুষের মধ্যে মেরে ফেলেছিল ১৪ হাজার।

তারপর ধীরে ধীরে পতন শুরু হলো। দুর্নীতি বাড়লো। প্রতিযোগিতা বাড়লো। মসলার দাম পড়লো।

১৭৯৯ সালে VOC দেউলিয়া হয়ে গেল। ১৯৭ বছর পর।

ডাচ সরকার দায়িত্ব নিলো। সম্পদও নিলো, ঋণও নিলো।

---

আজকে যে শেয়ার বাজার আছে, যে কোম্পানির শেয়ার কেনা হয়, যে ধারণায় বিনিয়োগকারীরা মিলে ঝুঁকি ভাগ করে নেয় — সবকিছুর শুরু ১৬০২ সালে আমস্টারডামে, একটা মসলার ব্যবসার জন্য।

06/12/2026

একদিন ক্লাসে শিক্ষক জিজ্ঞেস করলেন,
“নাম, বয়স, রক্তের গ্রুপ, তাপমাত্রা আর ওজন—সব ডাটা কি একই রকম?”

প্রশ্নটা সহজ, কিন্তু উত্তরটা অনেক গুরুত্বপূর্ণ।

কারণ কিছু ডাটা শুধু পরিচয় দেয়, কিছু ডাটা ক্রম বোঝায়, কিছু ডাটা পার্থক্য বোঝায়, আর কিছু ডাটা সবচেয়ে বেশি তথ্য বহন করে। এখান থেকেই আসে Nominal, Ordinal, Interval আর Ratio Scale।

ডাটার টাইপ ঠিকভাবে না বুঝলে বিশ্লেষণ ভুল হতে পারে, সিদ্ধান্তও ভুল হতে পারে।

তাই আপনি স্টুডেন্ট, শিক্ষক, গবেষক, ডাক্তার, ব্যবসায়ী বা যে কোনো প্রফেশনের মানুষই হন, Data Types and Scales সম্পর্কে ধারণা থাকা জরুরি।

Lecture 02: Types and Scales of Data
সহজ গল্প আর বাস্তব উদাহরণে বুঝতে ভিডিওটি দেখুন।

In this lecture, we discussed the types and scales of data in terms...

06/07/2026

মাহমুদউল্লাহ রিয়াদ এর শেষ ১০ ম্যাচের ODI স্কোরের এভারেজ ৫৫.৫! এটা Descriptive Statistics। এই স্যাম্পল এর উপর নির্ভর করে BCB সিলেক্টর যদি বলে নেক্সট ম্যাচে তাকে দলে নেয়া উচিৎ, কারণ রিয়াদ মিনিমাম ৫০ রান করতে পারে; এটাকে বলে Inferential Statistics।

এই ফিনিশারের ক্রিকেট ক্যারিয়ারের রানের হিসেব ( কাল্পনিক 😀 ) দিয়ে এই লেকচার বুঝানোর চেষ্টা করেছি।

Lecture 02: Descriptive and Inferential Statistics.

In this lecture, we started with the very basic concepts of Descrip...

06/05/2026

আমাদের Statistics for Economics কোর্সের আনুষ্ঠানিক যাত্রা শুরু হলো।

দৈনন্দিন জীবনে আমরা প্রায়ই বিভিন্ন ধরনের Statistics বা পরিসংখ্যান ব্যবহার করি, কিন্তু অনেক সময় বুঝতেই পারি না যে আমরা আসলে Statistics ব্যবহার করছি।

এই কোর্সে Statistics-এর যে বিষয়গুলো Economics-এর জন্য প্রয়োজনীয় এবং আমাদের বিশ্ববিদ্যালয়গুলোতে সাধারণত পড়ানো হয়, সেগুলো কভার করা হবে, ইন শা আল্লাহ।

গত এক সপ্তাহ ধরে কোর্স প্ল্যান করছিলাম। ধারণা করছি, এই লেকচার সিরিজটি সম্পন্ন করতে আনুমানিক ১০০টিরও বেশি লেকচার লাগতে পারে।

চলুক, ইন শা আল্লাহ।

https://youtu.be/GniBsznFvzk?si=sJaLIwn53yUjcr4b

05/30/2026

অবশেষে AI নিয়ে আতঙ্ক না ছড়িয়ে একটু বাস্তবভাবে ভাবার সময় এসেছে।

ওয়াশিংটন পোস্টের একটা গ্রাফ দেখলাম। সেখানে দেখানো হয়েছে কোন চাকরিগুলো AI-এর কাছে বেশি exposed, আর কোন পেশার মানুষরা নতুন বাস্তবতার সাথে বেশি মানিয়ে নিতে পারবে।

মজার ব্যাপার হচ্ছে, software developers AI-এর কাছে বেশ exposed। কিন্তু তারা আবার তুলনামূলকভাবে বেশি adaptable। অর্থাৎ AI তাদের কাজের অনেক অংশ বদলাবে, কিন্তু তারা নতুন টুল শিখে নিজেকে বদলানোর সুযোগও বেশি পাবে।

অন্যদিকে writers, translators, secretaries, customer service workers এদের কাজের বড় অংশ AI খুব দ্রুত imitate করতে পারে। তাই ঝুঁকিটা বেশি।

তবে সবচেয়ে গুরুত্বপূর্ণ কথা হলো, exposed মানেই চাকরি শেষ না।

AI পুরো চাকরি না খেয়ে অনেক সময় চাকরির ভেতরের task বদলে দেয়। কে টিকে থাকবে সেটা নির্ভর করবে কে নিজের কাজের বদল বুঝতে পারে, কে নতুন skill শেখে, আর কে AI-কে প্রতিদ্বন্দ্বী না ভেবে tool হিসেবে ব্যবহার করতে পারে।

ফায়ারফাইটার বা নার্সের কাজ AI দিয়ে পুরোপুরি replace করা কঠিন। কারণ সেখানে human presence, judgement, empathy, physical risk লাগে।

কিন্তু যেসব কাজের বড় অংশ লেখা, অনুবাদ, routine communication, customer reply বা documentation, সেখানে AI ঢুকবেই।

তাই প্রশ্নটা “AI আমার চাকরি খাবে কি না” না।

প্রশ্নটা হলো, AI আমার কাজের কোন অংশ বদলে দেবে, আর আমি সেই বদলের সাথে কত দ্রুত নিজেকে বদলাতে পারব?

ভবিষ্যতে সবচেয়ে নিরাপদ মানুষ সে না, যার চাকরি AI থেকে সবচেয়ে দূরে। সবচেয়ে নিরাপদ মানুষ হবে সে, যে শেখা বন্ধ করবে না।

AI হয়তো সবার চাকরি খাবে না।
কিন্তু যারা শিখতে থেমে যাবে, তাদের সুযোগ কমিয়ে দেবে।

05/26/2026

Functions and Graphs নিয়ে ০৩ নাম্বার লেকচার ।

ইরান যুদ্ধের জন্য কেনো তেলের দাম হু হু করে বেড়ে গেলো, এর সাথে সাপ্লাই কিংবা ডিমান্ড এর সম্পর্ক কি, এই বিষয় গুলো উদাহরণ হিসেবে দেয়া হয়েছে এই লেকচারে।

Topic covered:- Equation, identity, Equation of a straight line- ...

05/26/2026

টিউলিপ ম্যানিয়া। ১৬৩৭ সালের নেদারল্যান্ডস।

সে সময় নেদারল্যান্ডস ছিল পৃথিবীর সবচেয়ে ধনী দেশ। সমুদ্রবাণিজ্যে একচেটিয়া আধিপত্য। মানুষের হাতে টাকা, চারিদিকে রমরমা অবস্থা । মানুষের হাতে টাকা ছিল অঢেল, তারা হয়ে উঠলো শৌখিন, চোখ গেলো বিভিন্ন বাসা সাজানোর উপকরণের দিকে ।

এর মধ্যে অটোম্যান সম্র্যাজের তুরস্ক থেকে এলো টিউলিপ। ইউরোপ আগে কখনো দেখেনি এই ফুল । বিরল, সুন্দর। ধনীরা বাগানে লাগাতে শুরু করলো, চারিদিকে টিউলিপের চাষের এবং কেনা বেচার একটা হল্লা লেগে গেলো । মানুষ প্রতিযোগিতা দিয়ে টিউলিপ চাষ এবং কেনা বেচা শুরু করলো , যার ফলে টিউলিপের দাম হু হু করে বাড়তে লাগলো।

এক পর্যায়ে মানুষ বুঝলো, টিউলিপ কিনে রাখলে পরে বেশি দামে বেচা যায়। চাষি কিনলো। ব্যবসায়ী কিনলো। তারপর সাধারণ মানুষও কিনতে শুরু করলো। কেউ ফুল ভালোবেসে কেনেনি। কিনেছে শুধু এই বিশ্বাসে যে দাম আরও বাড়বে।

অবিশ্বাস্য হলে সত্য, Semper Augustus নামের একটা জাতের টিউলিপ বাল্বের দাম উঠলো দশ হাজার গিলদার যেটা বাংলাদেশের টাকার হিসাবে আনুমানিক সাড়ে পাঁচ কোটি টাকা ! কল্পনা করা যায় ?
সে সময় একজন দক্ষ কারিগরের বার্ষিক বেতন ছিল তিনশো গিলদার, অর্থাৎ একটা ফুলের বীজ কিনতে সেই কারিগরের লাগতো তেত্রিশ বছরের বেতন !! আমস্টারডামে একটা ভালো বাড়ির দামও ছিল একই। শুধু চিন্তা করেন , একটা সামান্য টিউলিপের দামে একটা বাড়ি কেনা যেতো সেই সময়ে !

টিউলিপ কেনার জন্য মানুষ পাগল হয়ে গেলো, অনেকে জমি বন্ধক দিয়ে টিউলিপ কিনলো। কেউ কেউ নিজের থাকার একমাত্র বাড়িও বেচে দিলো একটা মাত্র ফুল কেনার জন্য । ওই বছরের ১৬ নভেম্বর থেকে ৩ ফেব্রুয়ারি — মাত্র সাড়ে তিন মাসে দাম বাড়লো ২৪ গুণ !!

বিপত্তি বাঁধল তার অল্প কিছুদিনের মধ্যে।
ফেব্রুয়ারির ৫ তারিখ হারলেম শহরে একটা নিয়মিত নিলাম বসলো। একজন ক্রেতাও এলো না। এই মহা মূল্যবান টিউলিপ যেটার দাম ছিল বাড়ির দামের সমান, সেই টিউলিপ মাত্র ৬ দিনের ব্যবধানে নাম মাত্র মূলে বিকিকিনি হয়েছিলো ।

কেন এলো না, কেউ জানে না। হয়তো একজন ভয় পেয়ে বেচে দিয়েছিল। তারপর আরেকজন। তারপর সবাই।

কয়েক সপ্তাহের মধ্যে দাম পড়লো ৯৯ ভাগ।

যে বাড়ি বেচে টিউলিপ কিনেছিল, সে রাস্তায়।, যে জমি বেঁচেছিল সে বসেছে পথে, যে সব জমানো টাকা দিয়ে একটা মাত্র টিউলিপ কিনেছিল সে এক বেলার খাবার কেনার জন্য একটা গিলদারও আর অবশিষ্ট রাখেনি ! অমূল্য টিউলিপ ৬ দিনের ব্যবধানে হয়ে গেলো মূল্যহীন একতা অতি সামান্য ফুল বৈকি কিছু না !

---

অর্থনীতিতে এই ঘটনাকে বলে Asset Bubble। যখন কোনো জিনিসের দাম তার আসল মূল্য ছাড়িয়ে যায়, শুধু এই আশায় যে পরের জন আরও বেশি দামে কিনবে।

১৬৩৭ সালের টিউলিপ ম্যানিয়া কিংবা ২০০০ সালের Dotcom Bubble হচ্ছে এই এসেট বাবলের উদাহরণ ।

শত শত বছর ধরে এই এসেট বাবলের গল্পটা বদলায় না, শুধু বদলায় পণ্যটা ।

05/21/2026

Functions and Graphs নিয়ে ০২ নাম্বার লেকচার পাবলিশ হয়েছে।

রিকশাওয়ালা মামা বা CNG চালকদের সাথে ভাড়া নিয়ে যে দরকষাকষি করি, সেই ধরনের ডাটা ব্যবহার করে কীভাবে গ্রাফের Slope নির্ণয় করা যায়, কাওরান বাজারে ইলিশ মাছের সাপ্লাই ও দামের সম্পর্কের মাধ্যমে কীভাবে Inverse Function বোঝা যায়, কিংবা ডলারের বিপরীতে টাকা দুর্বল হলে দেশে রেমিট্যান্স কেন বৃদ্ধি পায় — এই বিষয়গুলো গ্রাফ ও ফর্মুলার মাধ্যমে সহজভাবে বুঝানোর চেষ্টা করেছি। 📈

This is the second part of the Functions and Graphs lecture. In this lecture, we cover the fundamentals of Functions and Graphs using real-world data from Ba...