Skip to content
Torna ai risultati

Modellazione basata su agenti (ABM) — Simulazione della complessità emergente

Introdotto da
Thomas Schelling and Robert Axelrod (foundational contributions, 1970s–1990s)
Anno
1970s–1990s (formalized as a field)
Tipo
Computational simulation method

Questo testo è una traduzione automatica e non è ancora stato revisionato. Leggi l’originale in inglese

Dimensione del carattere

A cosa serve?

La modellazione basata su agenti (ABM) è un metodo computazionale di simulazione, formalizzato attraverso il lavoro di Thomas Schelling e Robert Axelrod tra gli anni '70 e '90, che simula il comportamento di sistemi complessi specificando ed eseguendo agenti autonomi — individui, imprese, cellule o qualsiasi entità delimitata — le cui interazioni locali tra loro e con il loro ambiente producono collettivamente pattern a livello globale, di sistema, che non potrebbero essere previsti dalle regole di un singolo agente.

L’intuizione alla base del metodo

Immaginate una città in cui si verificano ingorghi stradali anche se nessun singolo conducente intende causarlo. L'ABM cattura esattamente questo tipo di emergenza: si scrivono le regole che ogni singolo agente segue — come percepisce l'ambiente circostante, prende decisioni e agisce — poi si esegue la simulazione e si osserva cosa accade a livello di popolazione. Il pattern globale (l'ingorgo stradale, la curva epidemica, il prezzo di mercato) non è programmato direttamente; emerge dalle interazioni. Questo approccio dal basso verso l'alto rende l'ABM la scelta naturale ogni volta che il fenomeno interessante risiede a livello di sistema ma i meccanismi risiedono a livello individuale.

Storia

Le radici intellettuali dell'ABM risiedono nella ricerca sulla complessità del Santa Fe Institute degli anni '80 e nel lavoro di modellazione fondamentale di Thomas Schelling (1971, segregazione residenziale) e Robert Axelrod (1984, evoluzione della cooperazione; 1997, complessità della cooperazione). Il libro di Axelrod del 1997, insieme allo sviluppo della piattaforma NetLogo da parte di Uri Wilensky e del framework Mesa per Python, ha contribuito a consolidare l'ABM come metodologia computazionale riconosciuta. Il metodo si è diffuso rapidamente in epidemiologia, economia, ecologia e simulazione sociale negli anni '90 e 2000, e oggi è alla base di modelli pandemici su larga scala, ricerca sulla microstruttura dei mercati finanziari e strumenti di analisi delle politiche.

Quando usarlo

L'ABM è la scelta appropriata quando il fenomeno di interesse emerge da interazioni eterogenee a livello individuale piuttosto che da dinamiche a livello aggregato. È ben adatta a dinamiche sociali, diffusione epidemica, microstruttura di mercato, modelli di popolazioni ecologiche e qualsiasi contesto in cui contano l'eterogeneità degli agenti, la struttura spaziale o le interazioni locali dipendenti dal percorso. Non è richiesta una dimensione minima del campione empirico, ma le regole degli agenti devono essere difendibili — fondate sulla teoria o su dati preliminari. Se sono disponibili dati osservativi per la calibrazione, può essere applicata l'ABC. Il metodo non è appropriato quando il sistema può essere adeguatamente descritto da equazioni differenziali aggregate (preferire la dinamica dei sistemi) o quando la domanda di ricerca riguarda un processo di coda o di flusso (preferire la simulazione a eventi discreti). Eseguire almeno 1.000 repliche; un numero inferiore di repliche produce pattern inaffidabili.

Limiti e considerazioni

  • Le regole degli agenti devono essere giustificate dalla teoria o dall'evidenza empirica; regole scelte arbitrariamente producono risultati che non possono essere interpretati in modo significativo.
  • Richiede un gran numero di repliche (spesso 1.000 o più) per caratterizzare in modo affidabile la distribuzione dell'output, il che può essere computazionalmente costoso.
  • La validazione del modello è impegnativa: i pattern emergenti possono adattarsi ai dati osservati per ragioni errate (equifinalità).
  • I risultati sono distribuzioni, non soluzioni in forma chiusa, rendendo la comunicazione analitica più difficile rispetto ai metodi basati su equazioni.
  • L'esplorazione dello spazio dei parametri può diventare intrattabile all'aumentare del numero di tipi di agenti e regole.

Le condizioni della fonte non sostituiscono una revisione scientifica indipendente né la validazione da parte di un motore di analisi.

Punti di forza

  • Cattura il comportamento emergente a livello di sistema che non può essere dedotto dalle regole di un singolo agente.
  • Accoglie naturalmente l'eterogeneità degli agenti, la struttura spaziale e le dinamiche dipendenti dal percorso.
  • Funziona senza una dimensione minima del campione empirico — gli agenti sono definiti dalla teoria o da regole calibrate, non da registrazioni osservate.
  • Genera output distribuiti attraverso le repliche, fornendo un quadro completo dell'incertezza piuttosto che una singola traiettoria.
  • Applicabile in un'ampia gamma di domini: scienze sociali, epidemiologia, economia, ecologia e ingegneria.

Applicazioni

  • Epidemiologia: modellazione della diffusione epidemica a livello di contatto individuale per testare strategie di intervento.
  • Simulazione di mercato: rappresentazione di trader eterogenei nei mercati finanziari per studiare la formazione dei prezzi e la volatilità.
  • Dinamiche sociali: studio della segregazione residenziale, delle dinamiche di opinione e della diffusione delle norme nelle popolazioni.
  • Ecologia: modellazione delle dinamiche predatore-preda e delle interazioni tra specie in paesaggi spazialmente espliciti.
  • Politiche sanitarie: simulazione dei flussi di pazienti e dell'allocazione delle risorse in diverse regole organizzative.
  • Comportamento organizzativo: studio di come le strategie a livello di impresa emergono dalle interazioni di dipendenti e reparti.

Come funziona

Come funziona

1

Gli agenti sono definiti dai loro attributi (variabili di stato) e dalle regole comportamentali. Le regole devono essere fondate sulla teoria o sull'evidenza empirica — questo non è un passaggio per tentativi ed errori. Ogni tipo di agente rappresenta una distinta classe di attori (ad es., individui suscettibili vs. infetti in un modello epidemico, acquirenti vs. venditori in un modello di mercato). Il numero e l'eterogeneità dei tipi di agenti determinano la potenza espressiva del modello.

2

Viene configurato l'ambiente in cui gli agenti agiscono: topologia spaziale (griglia, rete, spazio continuo o nessuno spazio), eventuali risorse condivise con cui gli agenti possono interagire e il raggio di comunicazione o percezione che determina quali altri agenti ciascun agente può osservare. La progettazione dell'ambiente è una scelta di modellazione che modella direttamente le interazioni possibili.

3

La simulazione viene inizializzata: gli agenti vengono posizionati nell'ambiente, vengono impostate le variabili di stato iniziali — dai dati empirici o da distribuzioni calibrate — e vengono fissati i semi casuali per la riproducibilità. Quando esistono dati osservativi, la Approximate Bayesian Computation (ABC) può essere utilizzata in questa fase per calibrare i parametri rispetto ai risultati reali.

4

Il modello avanza attraverso passi temporali discreti. Ad ogni passo, gli agenti eseguono le loro regole comportamentali — possibilmente in ordine casuale per evitare artefatti — aggiornano i loro stati e interagiscono con i vicini o con le risorse condivise. Il modello deve essere eseguito per un gran numero di repliche (comunemente almeno 1.000) in modo che la distribuzione dei risultati, non solo una singola traiettoria, possa essere caratterizzata.

5

Le statistiche di output vengono raccolte attraverso tutte le repliche: medie, varianze e proprietà distributive delle variabili chiave a livello di sistema. I risultati vengono riportati come distribuzioni, non come stime puntuali. L'analisi di sensibilità verifica quanto siano robusti i pattern emergenti alle variazioni delle regole degli agenti e dei valori dei parametri, e la validazione del modello confronta le traiettorie simulate con i dati osservati, ove disponibili.

Errori comuni

  • Eseguire troppo poche repliche — con meno di circa 1.000 esecuzioni la distribuzione dell'output è stimata male e i pattern apparenti possono essere rumore; se il calcolo è un vincolo, preferire la dinamica dei sistemi per domande aggregate.
  • Scrivere regole degli agenti senza fondamento teorico o empirico — regole arbitrarie producono simulacri, non modelli; ogni regola dovrebbe citare una razionale comportamentale.
  • Riportare solo la traiettoria media attraverso le repliche senza comunicare la varianza — i risultati dell'ABM sono intrinsecamente stocastici e devono essere riportati come distribuzioni.
  • Confondere l'adattamento del modello con la validazione — un modello può riprodurre pattern aggregati osservati attraverso errori compensativi; test strutturali e previsioni fuori campione sono importanti.
  • Ignorare il periodo di riscaldamento in cui la configurazione iniziale è arbitraria — il comportamento nelle prime fasi riflette le condizioni di partenza, non le dinamiche di stato stazionario.

Domande frequenti

In che modo l'ABM differisce dalla dinamica dei sistemi?

La dinamica dei sistemi modella un sistema utilizzando stock, flussi e cicli di feedback aggregati descritti da equazioni differenziali — tratta la popolazione come un tutto omogeneo e traccia il comportamento medio nel tempo. L'ABM modella ogni singolo agente separatamente, consentendo eterogeneità, interazioni spaziali locali e comportamento dipendente dal percorso. Scegliere la dinamica dei sistemi quando la struttura di feedback aggregata è l'interesse principale e l'eterogeneità degli agenti non è importante; scegliere l'ABM quando le differenze individuali e le interazioni locali sono il meccanismo che si vuole studiare.

Quante repliche sono necessarie?

L'output di un ABM è una distribuzione tra esecuzioni stocastiche, non una singola traiettoria deterministica. Come minimo pratico, eseguire almeno 1.000 repliche e ispezionare gli intervalli di confidenza sulle statistiche di output chiave. Se gli intervalli sono ampi, eseguire di più. Riportare solo una singola esecuzione o una piccola manciata come rappresentativa è un errore comune e grave.

Come si valida un modello basato su agenti?

La validazione ha diversi livelli: validazione strutturale (le regole sono coerenti con il comportamento noto?), validazione orientata ai pattern (il modello riproduce più pattern empirici osservati simultaneamente, non solo uno?), e validazione predittiva (le previsioni fuori campione sono valide?). La riproduzione di una singola statistica aggregata non è una prova sufficiente che il modello sia corretto.

Cosa fare se non si hanno dati empirici per calibrare i parametri degli agenti?

Le regole fondate sulla teoria possono essere utilizzate direttamente in assenza di dati, ma il modello dovrebbe allora essere presentato come esplorativo piuttosto che predittivo. Dove esistono dati parziali, la Approximate Bayesian Computation (ABC) fornisce un quadro rigoroso per stimare le distribuzioni dei parametri confrontando statistiche aggregate simulate con quelle osservate. L'analisi di sensibilità è sempre richiesta per mostrare quali parametri sono più importanti.

Metodi correlati

Fonti

  1. Axelrod, R. (1997). The Complexity of Cooperation: Agent-Based Models of Competition and Collaboration. Princeton University Press.

    Apri il riferimento DOI
    Copiato.
  2. Wilensky, U. & Rand, W. (2015). An Introduction to Agent-Based Modeling: Modeling Natural, Social, and Engineered Complex Systems with NetLogo. MIT Press.

    ISBN: 978-0262731898
    Copiato.