Skip to content
بازگشت به نتایج جست‌وجو

میکروسیمولاسیون مبتنی بر عامل

معرفی‌شده توسط
Orcutt, G. H. (microsimulation roots); Bonabeau, E. and others (ABM integration)
سال
1957 (microsimulation); 2000s (hybrid ABMS)
نوع
Hybrid simulation
خانواده
Simulation / optimization

این متن ترجمه ماشینی است و هنوز بازبینی نشده است. متن اصلی را به انگلیسی بخوانید

اندازه قلم

چه کاری انجام می‌دهد؟

میکروسیمولاسیون مبتنی بر عامل (ABMS) ردیابی آماری در سطح فردی میکروسیمولاسیون سنتی را با قوانین رفتاری و مکانیزم‌های تعامل مدل‌سازی مبتنی بر عامل ترکیب می‌کند. این روش جمعیت‌های مجازی از عامل‌های ناهمگن ایجاد می‌کند که بر اساس احتمالات انتقال، رفتارهای انطباقی و تعاملات اجتماعی در طول زمان تکامل می‌یابند و نتایج نوظهور در سطح سیستم را از پویایی‌های سطح خرد تولید می‌کنند.

شهود پشت روش

میکروسیمولاسیون متعارف، افراد را موجودیت‌های منفعل در نظر می‌گیرد که توسط قوانین آماری مشتق شده از داده‌های جمعیت به‌روزرسانی می‌شوند. مدل‌سازی مبتنی بر عامل به موجودیت‌ها اجازه می‌دهد محیط خود را درک کنند، تصمیم بگیرند و تعامل داشته باشند. ABMS هر دو نقطه قوت را ترکیب می‌کند: یک جمعیت مصنوعی مبتنی بر آمار از میکروسیمولاسیون با عامل‌هایی که سازگار می‌شوند، یاد می‌گیرند و بر یکدیگر تأثیر می‌گذارند، پر می‌شود. این امر به محققان اجازه می‌دهد تا نه تنها گذارهای جمعیتی، بلکه اثرات آبشاری انتخاب‌های فردی و سرایت اجتماعی را نیز ثبت کنند - که هنگام مطالعه مداخلات سیاستی در بهداشت، برنامه‌ریزی شهری یا سیاست اجتماعی حیاتی است.

تاریخ

سنت میکروسیمولاسیون به اورکات (۱۹۵۷) بازمی‌گردد که خانوارها را به عنوان واحدهایی در پیش‌بینی‌های اجتماعی-اقتصادی مدل‌سازی کرد. مدل‌سازی مبتنی بر عامل در دهه ۱۹۹۰ از طریق علم پیچیدگی و ابزارهایی مانند NetLogo و Repast بالغ شد. تا اوایل دهه ۲۰۰۰، محققان در سیاست بهداشت و جغرافیای شهری شروع به ادغام این دو کردند و چارچوب‌های ABMS صریح فضایی ایجاد کردند که قادر به پر کردن شکاف بین جمعیت‌شناسی آماری و پویایی‌های رفتاری بودند.

چه زمانی استفاده شود

زمانی از ABMS استفاده کنید که سؤال تحقیق نیازمند دقت آماری در سطح فردی و اثرات تعامل رفتاری باشد که مدل‌های تجمیعی قادر به ثبت آن‌ها نیستند - به عنوان مثال، مدل‌سازی چگونگی انتشار یک سیاست واکسیناسیون در جمعیتی که از نظر اجتماعی طبقه‌بندی شده است. این روش به ویژه برای اقتصاد سلامت، تحرک شهری، تحقیقات نابرابری اجتماعی و مدل‌سازی بازار کار که حلقه‌های بازخورد بین تصمیمات فردی و نتایج جمعی اهمیت دارند، مناسب است. زمانی از ABMS استفاده نکنید که میکروسیمولاسیون ساده‌تر بدون تعاملات عامل کافی باشد، زمانی که منابع محاسباتی به شدت محدود هستند (ABMS بدون زیرساخت HPC به خوبی برای جمعیت‌های بسیار بزرگ مقیاس نمی‌شود)، زمانی که قوانین رفتاری مورد نیاز را نمی‌توان به طور تجربی مستند کرد، یا زمانی که شناسایی علی هدف اصلی است (ABMS مولد است، نه دوستدار استنتاج علی).

محدودیت‌ها و ملاحظات

  • هزینه محاسباتی بالا: جمعیت‌های مصنوعی بزرگ با قوانین رفتاری پیچیده به زمان پردازش و حافظه قابل توجهی نیاز دارند.
  • اعتبارسنجی مدل چالش‌برانگیز است؛ رفتار نوظهور به سختی در برابر داده‌های مشاهده شده تأیید می‌شود زیرا نگاشت از قوانین خرد به نتایج کلان شفاف نیست.
  • قوانین رفتاری اغلب ساده‌سازی شده یا فرض می‌شوند تا اینکه به طور تجربی تخمین زده شوند، که عدم قطعیت مشخصات را معرفی می‌کند.
  • نتایج می‌تواند به شدت به انتخاب‌های مقداردهی اولیه و ترتیب تعامل حساس باشد، که نیازمند پروتکل‌های تکرار دقیق است.
  • ترکیب دو سنت روش‌شناختی نیازمند تخصص در کالیبراسیون میکروسیمولاسیون و برنامه‌نویسی مبتنی بر عامل است.

شرایط منبع جایگزین بررسی علمی مستقل یا اعتبارسنجی توسط موتور تحلیل نیست.

نقاط قوت

  • حفظ ناهمگونی در سطح فردی از داده‌های ریز واقعی در حالی که سازگاری رفتاری و تعامل اجتماعی را مدل‌سازی می‌کند.
  • امکان آزمایش‌های سیاستی پادواقعی را فراهم می‌کند که انجام آن‌ها در دنیای واقعی دشوار یا غیراخلاقی است.
  • تولید نتایج نوظهور در سطح سیستم (مانند تفکیک، امواج همه‌گیری) بدون مشخصات از بالا به پایین.
  • به اندازه کافی انعطاف‌پذیر برای ترکیب قوانین گذار جمعیتی با انتشار شبکه، پویایی‌های فضایی و محدودیت‌های سازمانی.
  • خروجی غنی تولید می‌کند - تاریخچه‌های کامل مسیر برای هر عامل - که امکان تجزیه و تحلیل توزیعی فراتر از اثرات میانگین را فراهم می‌کند.

کاربردها

  • مدل‌سازی همه‌گیری و سیاست واکسیناسیون با استفاده از جمعیت‌های مصنوعی طبقه‌بندی شده بر اساس سن و رفتار.
  • برنامه‌ریزی حمل و نقل شهری - مدل‌سازی رفتار انتخاب حالت و ظهور ازدحام در جمعیت مسافران مصنوعی یک شهر.
  • ارزیابی‌های اقتصاد سلامت مداخلات بیماری‌های مزمن در گروه‌های بیمار ناهمگن.
  • مدل‌سازی بازار کار - جستجوی شغل، تطابق، پویایی نابرابری دستمزد در نیروی کار شبیه‌سازی شده.
  • تجزیه و تحلیل سیاست اجتماعی - اصلاح مزایای مشروط به درآمد و انتشار آن از طریق شبکه‌های درآمد خانوار.
  • مطالعات کاربری زمین و تفکیک مسکونی شامل ترجیحات خانوار و پویایی‌های نوک زدن محله.

چگونه کار می‌کند

چگونه کار می‌کند

1

ایجاد یک جمعیت مصنوعی از داده‌های ریز سرشماری یا نظرسنجی با استفاده از روش‌های وزن‌دهی مجدد یا میکروسیمولاسیون فضایی (مانند برازش متناسب تکراری). هر رکورد فردی به یک عامل متمایز با ویژگی‌هایی مانند سن، درآمد، وضعیت سلامتی و مکان تبدیل می‌شود.

2

تعریف انواع عامل و تخصیص مجموعه‌های رفتاری: قوانین تصمیم‌گیری، پارامترهای ترجیحی و متغیرهای حالت. قوانین می‌توانند قطعی (مانند مبتنی بر آستانه) یا احتمالی (برداشته شده از ماتریس‌های انتقال تجربی) باشند. ناهمگونی عامل از داده‌های ریز اصلی حفظ می‌شود.

3

مشخص کردن محیطی که عامل‌ها در آن فعالیت می‌کنند - یک شبکه فضایی، یک شبکه اجتماعی، یا یک فضای تعامل انتزاعی. پارامترهای محیطی (در دسترس بودن منابع، قوانین سازمانی، اهرم‌های سیاستی) مقداردهی اولیه می‌شوند و می‌توانند در طول گام‌های زمانی تغییر کنند.

4

پیشبرد ساعت شبیه‌سازی با گام‌های زمانی گسسته (روزها، ماه‌ها، سال‌ها). در هر مرحله، هر عامل وضعیت خود را ارزیابی می‌کند، قوانین رفتاری را اعمال می‌کند و ویژگی‌های خود را به‌روز می‌کند. رویدادهای انتقال (تولد، مرگ، مهاجرت، تغییر شغل) از توزیع‌های احتمالی که با داده‌های واقعی کالیبره شده‌اند، نمونه‌برداری می‌شوند.

5

اعمال مکانیزم‌های تعامل بین عامل‌ها: سرایت مبتنی بر شبکه (مانند گسترش بیماری)، تأثیر همسالان بر رفتار، تعادل بازار، یا اثرات نزدیکی فضایی. پدیده‌های نوظهور - خوشه‌بندی، نابرابری، همه‌گیری - از این تعاملات محلی بدون برنامه‌ریزی صریح پدیدار می‌شوند.

6

تجمیع مسیرهای سطح عامل به شاخص‌های سطح جمعیت (نرخ شیوع، ضرایب جینی، طول صف). اجرای چندین تکرار تصادفی و محاسبه میانگین‌ها، فواصل اطمینان و معیارهای حساسیت در سراسر سناریوها یا پادواقعیت‌های سیاستی.

دام‌های رایج

  • بیش‌-پارامتری‌سازی: افزودن پیچیدگی رفتاری بدون مبنای تجربی، مدلی را تولید می‌کند که هیچ چیز را برازش نمی‌دهد و هیچ چیز را توضیح نمی‌دهد.
  • نادیده گرفتن تغییرپذیری تصادفی: اجرای تعداد کمی تکرار و در نظر گرفتن یک شبیه‌سازی واحد به عنوان نماینده، منجر به نتیجه‌گیری بیش از حد مطمئن می‌شود.
  • درهم‌آمیختن ظهور با اعتبار: الگوهای نوظهور با ظاهر معقول تأیید نمی‌کنند که مکانیسم‌های اساسی صحیح هستند.
  • نادیده گرفتن کالیبراسیون: عدم تطبیق آمارهای جمعیت مصنوعی با حاشیه‌های سرشماری واقعی، جمعیت‌شناسی پایه را مغرضانه می‌کند.
  • در نظر گرفتن ABMS به عنوان یک جعبه سیاه: اگر ذینفعان نتوانند قوانین رفتاری را درک کنند، مدل اعتبار سیاستی خود را از دست می‌دهد.

پرسش‌های متداول

ABMS چگونه با میکروسیمولاسیون استاندارد تفاوت دارد؟

میکروسیمولاسیون استاندارد هر فرد را به طور مستقل با استفاده از احتمالات انتقال به‌روزرسانی می‌کند؛ هیچ تعاملی بین افراد وجود ندارد. ABMS تعاملات صریح بین عامل‌ها را اضافه می‌کند - عامل‌ها می‌توانند بر تصمیمات یکدیگر تأثیر بگذارند، اطلاعات یا بیماری را منتشر کنند و به محیط اجتماعی و فضایی خود پاسخ دهند و رفتار جمعی نوظهور را ایجاد کنند.

برای نتایج قابل اعتماد به چند تکرار نیاز است؟

قانون جهانی وجود ندارد، اما حداقل ۳۰ تا ۵۰ تکرار تصادفی معمولاً برای تخمین میانگین‌ها ذکر می‌شود؛ فواصل اطمینان در آمارهای دم (مانند اوج همه‌گیری) ممکن است به صدها مورد نیاز داشته باشند. تکرارهای آزمایشی را اجرا کنید و تثبیت واریانس را قبل از تعهد به اجرای کامل ارزیابی کنید.

آیا ABMS می‌تواند برای استنتاج علی استفاده شود؟

ABMS یک ابزار مولد و اکتشافی است - برای آزمایش سناریوهای 'چه می‌شود اگر' و شناسایی مکانیسم‌ها عالی است، اما استنتاج علی به معنای اقتصادسنجی را فراهم نمی‌کند. ادعاها در مورد اثرات سیاست باید با تجزیه و تحلیل حساسیت همراه باشند و در حالت ایده‌آل با آزمایش‌های طبیعی اعتبارسنجی شوند.

چه نرم‌افزاری معمولاً استفاده می‌شود؟

NetLogo و Repast Simphony پرکاربردترین پلتفرم‌های ABM منبع باز هستند. برای ABMS با داده‌های ریز آماری، بسته‌های R مانند sms یا simPop تولید جمعیت مصنوعی را مدیریت می‌کنند، در حالی که پایتون (چارچوب Mesa) به طور فزاینده‌ای برای شبیه‌سازی‌های عامل در مقیاس بزرگ استفاده می‌شود.

جمعیت مصنوعی چگونه اعتبارسنجی می‌شود؟

جمعیت مصنوعی معمولاً با مقایسه توزیع‌های حاشیه‌ای آن با معیارهای سرشماری یا نظرسنجی با استفاده از آزمون‌های مربع کای یا معیارهای خطای مطلق کل، اعتبارسنجی می‌شود. کالیبراسیون رفتاری با مقایسه خروجی‌های تجمیعی شبیه‌سازی شده (مانند شیوع بیماری، نرخ اشتغال) با داده‌های سری زمانی مشاهده شده که از برازش مدل کنار گذاشته شده‌اند، ارزیابی می‌شود.

روش‌های مرتبط

منابع

  1. Birkin, M., & Clarke, M. (2012). The enhancement of spatial microsimulation models using geodemographics. Annals of Regional Science, 49(2), 515–532.

    باز کردن مرجع DOI
    کپی شد.
  2. Orcutt, G. H. (1957). A new type of socio-economic system. The Review of Economics and Statistics, 39(2), 116–123.

    باز کردن مرجع DOI
    کپی شد.