Skip to content
Kembali ke hasil pencarian

Mikrosimulasi Berbasis Agen

Diperkenalkan oleh
Orcutt, G. H. (microsimulation roots); Bonabeau, E. and others (ABM integration)
Tahun
1957 (microsimulation); 2000s (hybrid ABMS)
Jenis
Hybrid simulation
Keluarga
Simulation / optimization

Teks ini adalah terjemahan mesin dan belum ditinjau. Baca versi asli dalam bahasa Inggris

Ukuran huruf

Apa fungsinya?

Mikrosimulasi berbasis agen (ABMS) menggabungkan pelacakan statistik tingkat individu dari mikrosimulasi tradisional dengan aturan perilaku dan mekanisme interaksi dari pemodelan berbasis agen.

ABMS menciptakan populasi virtual agen-agen heterogen yang berevolusi seiring waktu sesuai dengan probabilitas transisi, perilaku adaptif, dan interaksi sosial, menghasilkan hasil sistem tingkat makro yang muncul dari dinamika tingkat mikro.

Intuisi di balik metode

Mikrosimulasi konvensional memperlakukan individu sebagai entitas pasif yang diperbarui oleh aturan statistik yang diturunkan dari data populasi. Pemodelan berbasis agen memungkinkan entitas untuk merasakan lingkungan mereka, membuat keputusan, dan berinteraksi. ABMS menggabungkan kedua kekuatan tersebut: populasi sintetis yang didasarkan secara statistik dari mikrosimulasi diisi dengan agen-agen yang beradaptasi, belajar, dan saling memengaruhi. Hal ini memungkinkan peneliti untuk menangkap tidak hanya transisi demografis tetapi juga efek berjenjang dari pilihan individu dan penularan sosial — yang sangat penting ketika mempelajari intervensi kebijakan di bidang kesehatan, perencanaan kota, atau kebijakan sosial.

Sejarah

Tradisi mikrosimulasi berawal dari Orcutt (1957), yang memodelkan rumah tangga individu sebagai unit dalam peramalan sosioekonomi. Pemodelan berbasis agen matang pada tahun 1990-an melalui ilmu kompleksitas dan alat seperti NetLogo dan Repast. Pada awal tahun 2000-an, peneliti di bidang kebijakan kesehatan dan geografi perkotaan mulai mengintegrasikan keduanya, menghasilkan kerangka kerja ABMS yang eksplisit secara spasial yang mampu menjembatani demografi statistik dan dinamika perilaku.

Kapan digunakan

Gunakan ABMS ketika pertanyaan penelitian memerlukan ketelitian statistik tingkat individu dan efek interaksi perilaku yang tidak dapat ditangkap oleh model agregat — misalnya, memodelkan bagaimana kebijakan vaksinasi menyebar melalui populasi yang terstratifikasi secara sosial. ABMS sangat cocok untuk ekonomi kesehatan, mobilitas perkotaan, penelitian ketidaksetaraan sosial, dan pemodelan pasar tenaga kerja di mana umpan balik antara keputusan individu dan hasil kolektif penting. JANGAN gunakan ABMS ketika mikrosimulasi yang lebih sederhana tanpa interaksi agen sudah memadai, ketika sumber daya komputasi sangat terbatas (ABMS memiliki skalabilitas buruk untuk populasi yang sangat besar tanpa infrastruktur HPC), ketika aturan perilaku yang diperlukan tidak dapat didasarkan pada empiris, atau ketika identifikasi kausal adalah tujuan utama (ABMS bersifat generatif, tidak ramah inferensi kausal).

Batasan dan pertimbangan

  • Biaya komputasi tinggi: populasi sintetis besar dengan aturan perilaku yang kompleks memerlukan waktu pemrosesan dan memori yang signifikan.
  • Validasi model menantang; perilaku yang muncul sulit diverifikasi terhadap data yang diamati karena pemetaan dari aturan mikro ke hasil makro tidak transparan.
  • Aturan perilaku sering kali disederhanakan atau diasumsikan daripada diperkirakan secara empiris, menimbulkan ketidakpastian spesifikasi.
  • Hasil dapat sangat sensitif terhadap pilihan inisialisasi dan urutan interaksi, memerlukan protokol replikasi yang cermat.
  • Menggabungkan dua tradisi metodologis memerlukan keahlian dalam kalibrasi mikrosimulasi dan pemrograman berbasis agen.

Syarat dari sumber tidak menggantikan tinjauan ilmiah independen atau validasi oleh mesin analisis.

Kelebihan

  • Mempertahankan heterogenitas tingkat individu dari data mikro nyata sambil memodelkan adaptasi perilaku dan interaksi sosial.
  • Memungkinkan eksperimen kebijakan kontrafaktual yang sulit atau tidak etis dilakukan di dunia nyata.
  • Menghasilkan hasil tingkat sistem yang muncul (misalnya, segregasi, gelombang epidemi) tanpa spesifikasi dari atas ke bawah.
  • Cukup fleksibel untuk menggabungkan aturan transisi demografis dengan difusi jaringan, dinamika spasial, dan kendala institusional.
  • Menghasilkan keluaran yang kaya — riwayat lintasan lengkap untuk setiap agen — memungkinkan analisis distribusi di luar efek rata-rata.

Penerapan

  • Pemodelan epidemi dan kebijakan vaksinasi menggunakan populasi sintetis yang terstratifikasi berdasarkan usia dan perilaku.
  • Perencanaan transportasi perkotaan — memodelkan perilaku pilihan moda dan kemunculan kemacetan di seluruh populasi komuter sintetis kota.
  • Evaluasi ekonomi kesehatan intervensi penyakit kronis pada kohort pasien heterogen.
  • Pemodelan pasar tenaga kerja — pencarian kerja, pencocokan, dinamika ketidaksetaraan upah di seluruh angkatan kerja yang disimulasikan.
  • Analisis kebijakan sosial — reformasi tunjangan berdasarkan kebutuhan dan penyebarannya melalui jaringan pendapatan rumah tangga.
  • Studi penggunaan lahan dan segregasi residensial yang menggabungkan preferensi rumah tangga dan dinamika tipping lingkungan.

Cara kerjanya

Cara kerjanya

1

Membangun populasi sintetis dari data mikro survei atau sensus menggunakan metode pembobotan ulang atau mikrosimulasi spasial (misalnya, penyesuaian proporsional iteratif). Setiap catatan individu menjadi agen yang berbeda dengan atribut seperti usia, pendapatan, status kesehatan, dan lokasi.

2

Mendefinisikan tipe agen dan menetapkan repertoar perilaku: aturan keputusan, parameter preferensi, dan variabel keadaan. Aturan dapat bersifat deterministik (misalnya, berbasis ambang batas) atau probabilistik (diambil dari matriks transisi empiris). Heterogenitas agen dipertahankan dari data mikro asli.

3

Menentukan lingkungan tempat agen beroperasi — kisi spasial, jaringan sosial, atau ruang interaksi abstrak. Parameter lingkungan (ketersediaan sumber daya, aturan institusional, tuas kebijakan) diinisialisasi dan dapat berubah seiring langkah waktu.

4

Memajukan jam simulasi dengan langkah waktu diskrit (hari, bulan, tahun). Pada setiap langkah, setiap agen mengevaluasi keadaannya, menerapkan aturan perilaku, dan memperbarui atributnya. Peristiwa transisi (kelahiran, kematian, migrasi, perubahan pekerjaan) diambil dari distribusi probabilitas yang dikalibrasi dengan data nyata.

5

Menerapkan mekanisme interaksi antar-agen: penularan berbasis jaringan (misalnya, penyebaran penyakit), pengaruh teman sebaya terhadap perilaku, pembersihan pasar, atau efek kedekatan spasial. Fenomena yang muncul — pengelompokan, ketidaksetaraan, epidemi — timbul dari interaksi lokal ini tanpa diprogram secara eksplisit.

6

Mengagregasi lintasan tingkat agen menjadi indikator tingkat populasi (tingkat prevalensi, koefisien Gini, panjang antrean). Menjalankan beberapa replikasi stokastik dan menghitung rata-rata, interval kepercayaan, dan ukuran sensitivitas di seluruh skenario atau kontrafaktual kebijakan.

Kesalahan umum

  • Over-parameterisasi: menambahkan kompleksitas perilaku tanpa dasar empiris menghasilkan model yang tidak cocok dengan apa pun dan tidak menjelaskan apa pun.
  • Mengabaikan variabilitas stokastik: menjalankan replikasi yang terlalu sedikit dan memperlakukan satu simulasi sebagai representatif mengarah pada kesimpulan yang terlalu percaya diri.
  • Mencampuradukkan kemunculan dengan validitas: pola yang muncul secara masuk akal tidak mengonfirmasi bahwa mekanisme yang mendasarinya benar.
  • Mengabaikan kalibrasi: kegagalan menyelaraskan statistik populasi sintetis dengan margin sensus nyata menghasilkan demografi dasar yang bias.
  • Memperlakukan ABMS sebagai kotak hitam: jika pemangku kepentingan tidak dapat memahami aturan perilaku, model kehilangan kredibilitas kebijakan.

Pertanyaan yang sering diajukan

Bagaimana ABMS berbeda dari mikrosimulasi standar?

Mikrosimulasi standar memperbarui setiap individu secara independen menggunakan probabilitas transisi; tidak ada interaksi antar individu. ABMS menambahkan interaksi antar-agen yang eksplisit — agen dapat memengaruhi keputusan satu sama lain, menyebarkan informasi atau penyakit, dan merespons lingkungan sosial dan spasial mereka, menghasilkan perilaku kolektif yang muncul.

Berapa banyak replikasi yang diperlukan untuk hasil yang andal?

Tidak ada aturan universal, tetapi minimum 30–50 replikasi stokastik umumnya dikutip untuk memperkirakan rata-rata; interval kepercayaan pada statistik ekor (misalnya, puncak epidemi) mungkin memerlukan ratusan. Jalankan replikasi percontohan dan nilai stabilisasi varians sebelum melakukan pemotretan penuh.

Bisakah ABMS digunakan untuk inferensi kausal?

ABMS adalah alat generatif dan eksploratif — sangat baik untuk menguji skenario 'bagaimana jika' dan mengidentifikasi mekanisme, tetapi tidak memberikan identifikasi kausal dalam arti ekonometrik. Klaim tentang efek kebijakan harus disertai dengan analisis sensitivitas dan idealnya divalidasi terhadap eksperimen alami.

Perangkat lunak apa yang umum digunakan?

NetLogo dan Repast Simphony adalah platform ABM sumber terbuka yang paling banyak digunakan. Untuk ABMS dengan data mikro statistik, paket R seperti sms atau simPop menangani pembuatan populasi sintetis, sementara Python (kerangka kerja Mesa) semakin banyak digunakan untuk simulasi agen skala besar.

Bagaimana populasi sintetis divalidasi?

Populasi sintetis biasanya divalidasi dengan membandingkan distribusi marjinalnya dengan tolok ukur sensus atau survei menggunakan uji chi-kuadrat atau metrik total kesalahan absolut. Kalibrasi perilaku dinilai dengan membandingkan keluaran agregat simulasi (misalnya, prevalensi penyakit, tingkat pekerjaan) terhadap data deret waktu yang diamati yang tidak termasuk dalam penyesuaian model.

Metode terkait

Sumber

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

    Buka referensi DOI
    Disalin.
  2. Orcutt, G. H. (1957). A new type of socio-economic system. The Review of Economics and Statistics, 39(2), 116–123.

    Buka referensi DOI
    Disalin.