تحلیل سناریوی مبتنی بر عامل
- معرفیشده توسط
- Axelrod, R.; Schoemaker, P. J. H. (combined lineage)
- سال
- 1990s–2000s
- نوع
- Hybrid simulation–scenario method
- خانواده
- Simulation / optimization
این متن ترجمه ماشینی است و هنوز بازبینی نشده است. متن اصلی را به انگلیسی بخوانید
چه کاری انجام میدهد؟
تحلیل سناریوی مبتنی بر عامل، مدلهای شبیهسازی مبتنی بر عامل را در چارچوب برنامهریزی سناریوی ساختاریافته تعبیه میکند. پژوهشگران دو تا چهار سناریوی آینده متضاد را تعریف میکنند، جمعیت عاملها و قوانین محیطی را برای بازتاب مفروضات هر سناریو پیکربندی میکنند، شبیهسازی را تحت هر شرط اجرا میکنند و نتایج نوظهور را مقایسه میکنند. این امر امکان بررسی چگونگی تجمیع رفتارهای فردی غیرمتمرکز در پیامدهای سطح سیستم را تحت آیندههای کاملاً متفاوت فراهم میکند.
شهود پشت روش
برنامهریزی سناریوی متعارف، آیندههای محتمل را در قالب روایی ترسیم میکند اما نمیتواند چگونگی تجمیع میلیونها تصمیم فردی در پیامدهای سیستم را ردیابی کند. مدلسازی مبتنی بر عامل، رفتار سطح خرد را ثبت میکند اما معمولاً یک دنیای پایه واحد را اجرا میکند. تحلیل سناریوی مبتنی بر عامل این دو را ترکیب میکند: هر سناریو به یک رژیم پارامتری متمایز برای مدل عامل تبدیل میشود. سپس تحلیلگر میتواند مشاهده کند که آیا قوانین سطح فردی یکسان، الگوهای جمعی اساساً متفاوتی را در سراسر سناریوها تولید میکنند یا خیر - و در نتیجه مشخص میشود که سیستم در کجا مقاوم و در کجا به زمینه سطح کلان حساس است.
تاریخ
مدلسازی مبتنی بر عامل از علم پیچیدگی در اواخر دهه ۱۹۸۰ و ۱۹۹۰ از طریق کارهای Axelrod، Epstein و Axtell ظهور کرد. برنامهریزی سناریو ریشههایی در شرکت RAND و برنامهریزی استراتژیک Shell از دهههای ۱۹۶۰ تا ۱۹۸۰ دارد و بعداً توسط Schoemaker (۱۹۹۵) سیستمبندی شد. ادغام صریح ABM با چارچوبهای سناریو در دهه ۲۰۰۰ به یک حوزه تحقیقاتی فعال تبدیل شد، به ویژه در بهداشت عمومی، برنامهریزی شهری، و تحقیقات سیستمهای اجتماعی-زیستمحیطی.
چه زمانی استفاده شود
هنگامی که سیستم مورد علاقه شامل تعداد زیادی بازیگر ناهمگن است که تعاملات محلی آنها پیامدهای کلان غیرخطی تولید میکند، و زمانی که زمینه آینده عمیقاً نامشخص است و نیروهای محرکه کلیدی کمی وجود دارد، از تحلیل سناریوی مبتنی بر عامل استفاده کنید. این روش به ویژه برای آزمایش استرس سیاست، برنامهریزی همهگیرشناسی، مطالعات تکامل بازار، و سیستمهای شهری یا زیستمحیطی مناسب است. زمانی که تحلیل حساسیت ساده یک مدل قطعی واحد کافی باشد، زمانی که دادههای مربوط به قوانین رفتاری عامل کاملاً در دسترس نباشد، زمانی که ذینفعان به جای توزیعی از نتایج، یک راهحل بهینه واحد را طلب کنند، یا زمانی که منابع محاسباتی برای تکرارهای مورد نیاز در چندین سناریو کافی نباشد، از آن استفاده نکنید.
محدودیتها و ملاحظات
- اعتبارسنجی مدل چالشبرانگیز است زیرا رفتارهای نوظهور ممکن است در زمینههای سناریوی مورد آزمایش، آنالوگهای تاریخی نداشته باشند.
- کالیبراسیون پارامتر تحت هر سناریو میتواند بسیار نامشخص باشد زمانی که دادههای تجربی پراکنده یا مختص سناریو هستند.
- هزینه محاسباتی با تعداد عاملها، تعداد سناریوها و تکرارهای مورد نیاز مقیاس میشود و به طور بالقوه میتواند ممنوعکننده باشد.
- انتخاب اینکه کدام عدم قطعیتها در سراسر سناریوها در مقابل درون سناریوها تغییر کنند، شامل قضاوت ذهنی است که بر نتایج تأثیر میگذارد.
شرایط منبع جایگزین بررسی علمی مستقل یا اعتبارسنجی توسط موتور تحلیل نیست.
نقاط قوت
- پدیدههای نوظهور و اثرات آستانه غیرخطی را که مدلهای تجمعی از دست میدهند، ثبت میکند.
- با نشان دادن توزیع نتایج تحت هر آینده متمایز، نه فقط اغتشاشات پارامتری حول یک خط پایه، درک غنیتری از عدم قطعیت ارائه میدهد.
- ناهمگونی بین بازیگران را به صراحت مدلسازی میکند و آن را واقعیتر از رویکردهای عامل نماینده میسازد.
- ساختار سناریو، تحلیل را حول آیندههای مرتبط با تصمیمگیری سازماندهی میکند و ارتباط با ذینفعان را بهبود میبخشد.
- میتواند روایات سناریوی کیفی را مدیریت کرده و آنها را به طور سیستماتیک به ورودیهای مدل کمی ترجمه کند.
کاربردها
- برنامهریزی واکنش به همهگیری: آزمایش سیاستهای واکسیناسیون و مداخله غیردارویی در سناریوهای سرایت واریانت و انطباق جمعیت.
- تحرک شهری: مقایسه منحنیهای پذیرش خودروهای برقی تحت سناریوهای خوشبینانه در مقابل بدبینانه زیرساخت شارژ.
- آزمایش استرس سیستم مالی: شبیهسازی شبکههای سرایت بانکی تحت سناریوهای تشدید مقررات در مقابل رفع مقررات.
- سیاست کشاورزی: بررسی پذیرش شیوههای پایدار توسط کشاورزان تحت سناریوهای مختلف یارانه و آب و هوا.
- گذار نیروی کار: مدلسازی اختلال در بازار کار ناشی از اتوماسیون در آیندههای با مقررات بالا و پایین.
چگونه کار میکند
چگونه کار میکند
دو تا چهار سناریوی سازگار داخلی را که فضای محتمل شرایط آینده را پوشش میدهند، توسعه دهید. هر سناریو با مجموعهای از عدم قطعیتهای کلیدی (مانند محیط نظارتی، در دسترس بودن فناوری، تغییرات جمعیتی) مشخص میشود که به صورت روایی کیفی و بعداً به صورت محدودههای پارامتری کمی بیان میشوند.
یک مدل مبتنی بر عامل بسازید یا تطبیق دهید که بازیگران مرتبط (افراد، شرکتها، مؤسسات) و قوانین رفتاری آنها (قواعد تصمیمگیری، پروتکلهای تعامل، محدودیتهای منابع) را نشان دهد. ساختار مدل - انواع عامل، توپولوژی محیط، شبکه تعامل - در تمام سناریوها ثابت باقی میماند.
هر روایت سناریو را به پارامترهای مدل عینی ترجمه کنید: شرایط اولیه، متغیرهای اجباری خارجی، و مفروضات توزیعی برای ویژگیهای عامل. نگاشت از منطق سناریو به مقادیر پارامتر را به صراحت مستند کنید تا نتایج قابل ردیابی به مفروضات سناریو باشند.
مدل مبتنی بر عامل را تحت هر مجموعه پارامتر سناریو اجرا کنید، معمولاً با چندین تکرار تصادفی برای هر سناریو برای جدا کردن اثرات سناریو از واریانس تصادفی. خروجیهای سری زمانی و آمارههای خلاصه (مانند نرخ پذیرش، معیارهای نابرابری، آستانههای فروپاشی سیستم) را ثبت کنید.
نتایج نوظهور را در سراسر سناریوها با استفاده از آمارههای خلاصه، فواصل اطمینان، و شاخصهای حساسیت مقایسه کنید. مشخص کنید کدام نتایج مقاوم (مشابه در سراسر سناریوها) و کدام یک وابسته به سناریو هستند. توزیعهای شرطی سناریو را به جای یک تخمین نقطهای گزارش دهید.
دامهای رایج
- رفتار با نتایج سناریوی خاص به عنوان پیشبینیهای نقطهای به جای توزیعهای شرطی، که قطعیت را بیش از حد برآورد میکند.
- استفاده از تعداد زیادی سناریو - بیش از چهار یا پنج - بدون منطق روشن محور عدم قطعیت، که فضای نتایج غیرقابل تفسیر تولید میکند.
- اجازه دادن به ساختار مدل عامل برای تغییر بین سناریوها (به جای فقط پارامترها)، که عدم قطعیت مدل را با عدم قطعیت سناریو مخلوط میکند.
- گزارش فقط دراماتیکترین نتایج سناریو در حالی که یافتههای مقاوم مشترک در سراسر سناریوها را سرکوب میکنید.
پرسشهای متداول
چند سناریو باید استفاده کنم؟
دو تا چهار سناریو هنجار عملی است. دو سناریو (خوشبینانه/بدبینانه) به راحتی قابل انتقال هستند اما ممکن است مسیرهای میانی مهم را از دست بدهند. چهار سناریو که بر روی دو محور عدم قطعیت کلیدی چیده شدهاند، ساختار کلاسیک برنامهریزی سناریو (ماتریس ۲x۲) هستند. بیش از چهار سناریو به سرعت بار محاسباتی و تفسیری را افزایش میدهند بدون اینکه بینش متناسبی داشته باشند.
تحلیل سناریوی مبتنی بر عامل چه تفاوتی با تحلیل حساسیت استاندارد دارد؟
تحلیل حساسیت یک یا چند پارامتر را به طور مداوم در اطراف یک خط پایه تغییر میدهد؛ این روش برای عدم قطعیت محلی نزدیک به یک نقطه عملیاتی شناخته شده بهترین است. در عوض، تحلیل سناریو، آیندههای گسسته و سازگار داخلی را تعریف میکند که ممکن است از خط پایه دور باشند. ترکیب با ABM به این معنی است که رفتارهای سیستم نوظهور - نه فقط مقادیر خروجی - میتوانند به طور کیفی در سراسر سناریوها متفاوت باشند.
به ازای هر سناریو به چند تکرار شبیهسازی نیاز دارم؟
به اندازهای که بتوان آمارههای سطح سناریو را با دقت قابل قبول تخمین زد. یک نقطه شروع رایج ۵۰ تا ۲۰۰ تکرار در هر سناریو است، با تشخیص همگرایی با نظارت بر میانگینها و واریانسهای در حال اجرا. نتایج رویداد نادر (مانند احتمالات فروپاشی) ممکن است به هزاران تکرار نیاز داشته باشند.
چه نرمافزاری از این روش پشتیبانی میکند؟
NetLogo، Mesa (Python)، Repast Simphony و AnyLogic پلتفرمهای مدلسازی مبتنی بر عامل پرکاربرد هستند. جاروهای پارامتری سناریو معمولاً از طریق اسکریپتهای خارجی یا چارچوبهای آزمایش داخلی مدیریت میشوند؛ ابزارهای BehaviorSpace در NetLogo و ابزارهای جاروی پارامتری در Repast گزینههای رایجی هستند.
آیا میتوانم بدون قوانین رفتاری کالیبره شده از این روش استفاده کنم؟
بله، اما با احتیاط فراوان. هنگامی که کالیبراسیون تجربی غیرممکن است، مدل باید به عنوان یک ابزار اکتشاف نظری به جای یک پیشبینی کمی در نظر گرفته شود. در این صورت، تحلیل سناریو همچنان برای شناسایی تفاوتهای کیفی رژیم مفید است، اما تخمینهای عددی نتایج نباید به عنوان پیشبینی گزارش شوند.
روشهای مرتبط
منابع
Axelrod, R. (1997). The Complexity of Cooperation: Agent-Based Models of Competition and Collaboration. Princeton University Press. Princeton, NJ.
شابک: 9780691015675کپی شد.Schoemaker, P. J. H. (1995). Scenario planning: A tool for strategic thinking. Sloan Management Review, 36(2), 25–40.
باز کردن مرجع انتشارکپی شد.