مدلسازی مبتنی بر عامل سناریوی خطمشی — ارزیابی تطبیقی خطمشی با استفاده از شبیهسازی مبتنی بر عامل
- معرفیشده توسط
- Axelrod, R. and colleagues in computational social science
- سال
- 1990s–2000s
- نوع
- Simulation-based policy comparison
- خانواده
- Simulation / optimization
این متن ترجمه ماشینی است و هنوز بازبینی نشده است. متن اصلی را به انگلیسی بخوانید
چه کاری انجام میدهد؟
مدلسازی مبتنی بر عامل سناریوی خطمشی (PS-ABM) روشی شبیهسازی است که از مدلهای مبتنی بر عامل برای ارزیابی و مقایسه چندین سناریوی خطمشی استفاده میکند. عاملان خودمختار ناهمگن تحت رژیمهای خطمشی مختلف تعامل میکنند و نتایج نوظهور در سطح سیستم در سراسر سناریوها مقایسه میشوند تا تصمیمگیریهای خطمشی مبتنی بر شواهد را اطلاعرسانی کنند. این روش به طور گسترده در بهداشت عمومی، برنامهریزی شهری، اقتصاد و تحقیقات خطمشی اجتماعی استفاده میشود.
شهود پشت روش
شهری را تصور کنید که در تلاش است تصمیم بگیرد کدام مداخله بهداشت عمومی به طور مؤثرتری گسترش بیماری را کاهش میدهد. PS-ABM جمعیتی مجازی از افراد را با قوانین رفتاری واقعگرایانه میسازد، سپس شهر را تحت هر خطمشی نامزد - برنامههای واکسیناسیون، محدودیتهای حرکتی یا کمپینهای اطلاعاتی - به جلو در زمان اجرا میکند. با مشاهده اینکه کدام دنیای مجازی نتایج بهتری را در هزاران روز شبیهسازی شده و ساکنان تولید میکند، تصمیمگیرندگان میتوانند خطمشیها را قبل از اجرای هر یک در دنیای واقعی مقایسه کنند. قدرت این روش در ثبت اثرات نوظهور و غیرخطی نهفته است که آمار تجمعی یا مدلهای مبتنی بر معادله از دست میدهند.
تاریخ
مدلسازی مبتنی بر عامل از طریق کارهای Schelling (1971)، Axelrod (1984، 1997) و Epstein و Axtell (1996) در علوم اجتماعی ظهور کرد. کاربرد آن در مقایسه سناریوی خطمشی در طول دهههای 1990 و 2000 با افزایش قدرت محاسباتی و در دسترس قرار گرفتن پلتفرمهای نرمافزاری مانند NetLogo و Repast توسعه یافت. تا دهه 2010، PS-ABM در علوم اجتماعی محاسباتی، اپیدمیولوژی و تحقیقات خطمشی شهری استاندارد شده بود.
چه زمانی استفاده شود
هنگامی که خطمشیها بر جمعیتهای ناهمگنی تأثیر میگذارند که رفتارهای فردی آنها برای تولید نتایج تجمعی نوظهور تعامل دارند - موقعیتهایی که فرض عامل نماینده یا دینامیک خطی غیرواقعی خواهد بود - از PS-ABM استفاده کنید. ایدهآل برای حوزههایی مانند اپیدمیولوژی، تحرک شهری، بازارهای کار، انتشار اجتماعی یا مدیریت اکوسیستم. همچنین زمانی مناسب است که حلقههای بازخورد، سازگاری و اثرات شبکه در نحوه عملکرد خطمشی مرکزی باشند. زمانی که سیستم به خوبی توسط معادلات تجمعی تقریب زده میشود، زمانی که منابع محاسباتی بسیار محدود هستند، زمانی که دادهها برای پارامتری کردن رفتار عامل در دسترس نیستند، یا زمانی که سؤال خطمشی نیازمند تضمینهای بهینگی رسمی به جای مقایسه اکتشافی است، از آن استفاده نکنید.
محدودیتها و ملاحظات
- توسعه مدل زمانبر است و به دانش دامنه قابل توجهی برای مشخص کردن قوانین معتبر عامل نیاز دارد.
- نتایج تصادفی هستند و به تکرارهای زیادی نیاز دارند که میتواند منابع محاسباتی قابل توجهی را طلب کند.
- پارامتری کردن و اعتبارسنجی در برابر دادههای تجربی میتواند دشوار باشد، به خصوص برای زمینههای خطمشی جدید یا فرضی.
- پیچیدگی مدل میتواند درک اینکه کدام مکانیسمها تفاوتهای مشاهده شده بین سناریوها را هدایت میکنند، دشوار سازد.
شرایط منبع جایگزین بررسی علمی مستقل یا اعتبارسنجی توسط موتور تحلیل نیست.
نقاط قوت
- پدیدههای نوظهور و دینامیکهای غیرخطی را که مدلهای تحلیلی یا تجمعی نمیتوانند نشان دهند، ثبت میکند.
- ناهمگنی جمعیت را به صراحت مدلسازی میکند و امکان تحلیل اثرات توزیعی و انصاف را در سراسر زیرگروهها فراهم میکند.
- میتواند سازگاری و یادگیری عامل را در بر گیرد و آن را برای محیطهای خطمشی پویا مناسب میسازد.
- امکان بصریسازی نحوه آشکار شدن رفتار سیستم در طول زمان را فراهم میکند و نتایج را برای سیاستگذاران قابل تفسیرتر میسازد.
- تحلیل حساسیت را بر روی هر دو پارامتر مدل و انتخابهای طراحی خطمشی در یک چارچوب واحد پشتیبانی میکند.
کاربردها
- مدلسازی اپیدمیولوژیک سناریوهای مداخله بیماری عفونی (واکسیناسیون، قرنطینه، فاصله گذاری اجتماعی)
- مقایسه خطمشی برنامهریزی شهری و کاربری زمین با استفاده از مدلهای عامل فضایی صریح
- ارزیابی خطمشی بازار کار با مدلسازی رفتار تطبیقی کارگر و شرکت
- تحلیل خطمشی گذار آب و هوا و انرژی با عاملان ناهمگن خانوار و شرکت
- تحلیل سناریوی مقررات مالی با مدلسازی تعاملات عاملان بانک و معاملهگر
- ارزیابی خطمشی آموزش با استفاده از مدلهای عامل رفتار دانشآموز، معلم و مدرسه
چگونه کار میکند
چگونه کار میکند
جمعیت عامل را تعریف کنید: انواع عامل، ویژگیها (جمعیتشناسی، رفتارها، وضعیتها)، قوانین تعامل و محیطی که در آن زندگی میکنند را مشخص کنید. عاملان باید ناهمگنی جمعیت واقعی مرتبط با حوزه خطمشی را منعکس کنند - به عنوان مثال، خانوارهایی با سطوح درآمدی متفاوت، الگوهای حرکتی یا پروفایلهای ریسک.
دو یا چند سناریوی خطمشی را به عنوان پیکربندیهای پارامتری متمایز یا مجموعههای قوانین مشخص کنید. هر سناریو یک گزینه خطمشی را نشان میدهد (به عنوان مثال، خط پایه = عدم مداخله؛ سناریو A = طرح یارانه؛ سناریو B = فرمان نظارتی). تعاریف سناریو باید به عنوان تغییرات مشخص در قوانین عامل یا پارامترهای محیطی قابل اجرا باشند.
مدل را با استفاده از دادههای تجربی، استنتاج متخصص یا کالیبراسیون در برابر نتایج تاریخی پارامتری کنید. قبل از اجرای مقایسههای خطمشی، سناریوی خط پایه را در برابر دادههای مرجع شناخته شده اعتبارسنجی کنید. تحلیل حساسیت بر روی پارامترهای نامشخص کلیدی در این مرحله به شدت توصیه میشود.
هر سناریوی خطمشی را برای تعداد کافی تکرار مستقل (معمولاً ۵۰ تا ۵۰۰+ اجرا در هر سناریو) اجرا کنید تا تغییرات تصادفی را در نظر بگیرید. دادههای سری زمانی را بر روی شاخصهای کلیدی نتیجه برای هر اجرا ثبت کنید. اطمینان حاصل کنید که اجراها به اندازه کافی طولانی هستند تا رفتار سیستم نوظهور تثبیت شود یا پنجره اثر خطمشی بسته شود.
نتایج را در سراسر تکرارها با استفاده از میانگینها، فواصل اطمینان و آمارههای توزیعی تجمیع کنید. سناریوها را بر روی شاخصهای کلیدی نتیجه و معیارهای ثانویه (انصاف، اثرات جانبی ناخواسته) مقایسه کنید. از آزمونهای آماری یا بصریسازی برای شناسایی اینکه کدام سناریوی خطمشی غالب است، تحت چه شرایطی و با چه بدهبستانهایی استفاده کنید.
دامهای رایج
- قوانین عامل را بیش از حد به دادههای تاریخی برازش میدهد بدون اعتبارسنجی خارج از نمونه، که باعث اعتماد کاذب در پیشبینیهای سناریو میشود.
- اجرای تعداد کمی تکرار، که باعث میشود تفاوتهای نتیجه بین سناریوها تحت سلطه نویز تصادفی به جای اثر خطمشی قرار گیرند.
- عدم آزمایش حساسیت مقایسههای سناریو به پارامترهای نامشخص، که میتواند شکنندگی مدل را پنهان کند.
- رفتار نتایج سناریو به عنوان پیشبینی به جای پیشبینیهای شرطی وابسته به مفروضات مدل و قوانین رفتار عامل تلقی میشود.
پرسشهای متداول
چند سناریوی خطمشی را میتوان در یک مطالعه PS-ABM مقایسه کرد؟
محدودیت سختی وجود ندارد، اما ملاحظات عملی معمولاً مطالعات را به 3 تا 8 سناریو محدود میکند. هر سناریو به مجموعه تکرارهای خاص خود نیاز دارد، بنابراین هزینه محاسباتی به صورت خطی مقیاس میشود. سناریوهای بیشتر با طرحهای هایپرکیوب لاتین یا عاملی کسری در فضاهای پارامتر خطمشی امکانپذیر هستند.
چگونه یک ABM خطمشی را قبل از اعتماد به مقایسههای سناریوی آن اعتبارسنجی کنم؟
روش استاندارد شامل اعتبارسنجی چهره (آیا رفتارهای عامل با شهود متخصص مطابقت دارد)، اعتبارسنجی تجربی در برابر دادههای تاریخی (آیا سناریوی خط پایه روندهای مشاهده شده را بازتولید میکند) و اعتبارسنجی ساختاری (آیا مکانیسمهای مدل با نظریه علّی شناخته شده مطابقت دارد) است. تحلیل حساسیت نیز ضروری است - رتبهبندی سناریوها که در برابر پارامترهای نامشخص قوی هستند، اعتماد بیشتری را برمیانگیزند.
آیا PS-ABM همان مدلسازی مبتنی بر عامل معمولی است؟
PS-ABM یک الگوی کاربردی خاص از ABM است که هدف صریح آن ارزیابی تطبیقی جایگزینهای خطمشی تعریف شده به جای تحلیل اکتشافی مدل است. تمایز تا حدی مربوط به هدف و طراحی مطالعه است: سناریوها باید از قبل مشخص شوند، مقایسه باید سیستماتیک باشد و معیارهای نتیجه باید مرتبط با خطمشی باشند.
از چه پلتفرمهای نرمافزاری معمولاً استفاده میشود؟
NetLogo برای مدلهای آموزشی و با پیچیدگی متوسط به طور گسترده استفاده میشود. Repast Simphony و Mesa (Python) برای مطالعات در سطح تحقیق که نیاز به افزونههای سفارشی دارند، محبوب هستند. پلتفرم GAMA از مدلهای عامل جغرافیایی فضایی صریح پشتیبانی میکند. ABMهای خطمشی اپیدمیولوژیک در مقیاس بزرگ اغلب از چارچوبهای سفارشی C++ یا Python استفاده میکنند.
چه زمانی باید سیستم دینامیک را به PS-ABM ترجیح دهم؟
زمانی که مکانیسمهای کلیدی در سطح تجمعی سهام و جریان بدون ناهمگنی جمعیتی معنیدار عمل میکنند، زمانی که قابلیت تحلیل مهم است، یا زمانی که تیم فاقد تخصص ABM است، سیستم دینامیک را انتخاب کنید. زمانی که ناهمگنی فردی، اثرات شبکه یا رفتار تطبیقی در نحوه عملکرد خطمشی مرکزی هستند، PS-ABM ترجیح داده میشود.
روشهای مرتبط
منابع
Axelrod, R. (1997). The Complexity of Cooperation: Agent-Based Models of Competition and Collaboration. Princeton University Press.
شابک: 9780691015675کپی شد.Bonabeau, E. (2002). Agent-based modeling: Methods and techniques for simulating human systems. Proceedings of the National Academy of Sciences, 99(S3), 7280-7287.
باز کردن مرجع DOIکپی شد.