Agent-Based Modeling (ABM) — 創発的複雑性のシミュレーション
- 提唱者
- Thomas Schelling and Robert Axelrod (foundational contributions, 1970s–1990s)
- 年
- 1970s–1990s (formalized as a field)
- 種類
- Computational simulation method
この文章は機械翻訳で、まだ確認されていません。 英語の原文を読む
何をする手法か?
Agent-based modeling (ABM) は、トーマス・シェリングとロバート・アクセルロッドが1970年代から1990年代にかけて形式化した計算シミュレーション手法であり、自律的なエージェント(個人、企業、細胞、あるいは任意の境界を持つ実体)を指定し実行することで複雑なシステムの振る舞いをシミュレートする。これらのエージェントが互いに、また環境と局所的に相互作用することで、単一のエージェントの規則だけからは予測できないような全体的、システムレベルのパターンが集合的に生成される。
手法の背後にある直感
単一のドライバーが意図して渋滞を引き起こそうとしているわけではないのに、渋滞が発生する都市を想像してみよう。ABMはまさにこのような創発を捉える。各個々のエージェントが従う規則(周囲をどのように認識し、意思決定し、行動するか)を作成し、シミュレーションを実行して、集団レベルで何が起こるかを観察する。グローバルなパターン(渋滞、感染症の流行曲線、市場価格)は直接プログラムされているのではなく、相互作用から生じる。このボトムアップアプローチにより、興味深い現象がシステムレベルに存在し、そのメカニズムが個々のレベルに存在する場合には、ABMは自然な選択肢となる。
歴史学
ABMの知的ルーツは、1980年代のサンタフェ研究所の複雑性研究と、トーマス・シェリング(1971年、居住地の隔離)およびロバート・アクセルロッド(1984年、協力の進化;1997年、協力の複雑性)による基礎的なモデリング作業にある。アクセルロッドの1997年の著書は、Uri WilenskyによるNetLogoプラットフォームの開発、およびPython用のMesaフレームワークとともに、ABMを認識された計算手法として確立するのに役立った。この手法は、1990年代から2000年代にかけて疫学、経済学、生態学、社会シミュレーションを通じて急速に広まり、今日では大規模なパンデミックモデル、金融市場のミクロ構造研究、および政策分析ツールの基盤となっている。
使うべき場面
ABMは、集計レベルのダイナミクスではなく、異質な個々のレベルの相互作用から現象が創発する場合に適した選択肢である。社会力学、感染症の拡散、市場のミクロ構造、生態系の個体群モデル、およびエージェントの異質性、空間構造、またはパス依存的な局所的相互作用が重要なあらゆる設定に適している。最小限の経験的サンプルサイズは必要ないが、エージェントの規則は理論または先行データに基づいて正当化されなければならない。調整のための観測データが利用可能な場合は、ABCを適用できる。この手法は、システムが集合的な微分方程式で十分に記述できる場合(システムダイナミクスを優先)、または研究課題がキューまたはフロープロセスに関する場合(離散イベントシミュレーションを優先)には適さない。少なくとも1,000回のレプリケーションを実行すること。レプリケーションが少ないと、信頼性の低いパターンが生じる。
限界と注意点
- エージェントの規則は、理論または経験的証拠によって正当化されなければならない。任意に選択された規則は、意味のある解釈ができない結果を生む。
- 出力分布を確実に特徴づけるためには、多数のレプリケーション(しばしば1,000回以上)が必要であり、計算コストが高くなる可能性がある。
- モデル検証は困難である。創発パターンは、誤った理由で観測データに適合する可能性がある(等価性)。
- 結果は閉形式解ではなく分布であるため、方程式ベースの手法よりも分析的な伝達が難しい。
- エージェントタイプと規則の数が増えると、パラメータ空間の探索が実行不可能になる可能性がある。
出典に示された条件は、独立した科学的レビューや分析エンジンによる検証の代わりにはなりません。
強み
- 単一のエージェントの規則からは推測できない、創発的なシステムレベルの振る舞いを捉える。
- エージェントの異質性、空間構造、パス依存的なダイナミクスを自然に収容する。
- 最小限の経験的サンプルサイズなしで機能する――エージェントは観測記録ではなく、理論または調整された規則によって定義される。
- レプリケーション全体にわたる分布出力が生成され、単一の軌跡ではなく不確実性の完全な像を提供する。
- 広範なドメインに適用可能:社会科学、疫学、経済学、生態学、工学。
応用
- 疫学:介入戦略をテストするために、個々の接触レベルでの感染症の拡散をモデル化する。
- 市場シミュレーション:価格形成とボラティリティを研究するために、金融市場における異質なトレーダーを表現する。
- 社会力学:人口における居住地の隔離、意見のダイナミクス、および規範の拡散を研究する。
- 生態学:空間的に明示的な景観における捕食者-被食者ダイナミクスと種間相互作用をモデル化する。
- ヘルスケア政策:異なる組織規則の下での患者フローとリソース配分をシミュレートする。
- 組織行動:従業員と部門の相互作用から企業の戦略がどのように創発するかを研究する。
使い方
使い方
エージェントは、その属性(状態変数)と行動規則によって定義される。規則は理論または経験的証拠に基づいている必要がある――これは推測のステップではない。各エージェントタイプは、異なるクラスの行為者(例:感染症モデルにおける感受性のある個人と感染した個人、市場モデルにおける買い手と売り手)を表す。エージェントタイプの数と異質性が、モデルの表現力を決定する。
エージェントが作用する環境は設定される。空間トポロジー(グリッド、ネットワーク、連続空間、または空間なし)、エージェントが相互作用できる共有リソース、そして各エージェントが観測できる他のエージェントを決定するコミュニケーションまたは知覚半径である。環境設計は、どの相互作用が可能かを直接形作るモデリングの選択である。
シミュレーションはシードされる。エージェントは環境に配置され、初期状態変数は経験的データまたは調整された分布から設定され、再現性のために乱数シードが固定される。観測データが存在する場合、この段階で近似ベイズ計算(ABC)を使用して、実際の成果に対してパラメータを調整することができる。
モデルは離散的な時間ステップで進行する。各ステップで、エージェントは行動規則を実行し(アーティファクトを避けるためにランダムな順序で行われる場合もある)、状態を更新し、隣接エージェントまたは共有リソースと相互作用する。モデルは、結果の分布、単一の軌跡だけでなく、特徴づけられるように、多数のレプリケーション(一般的に少なくとも1,000回)で実行されなければならない。
すべてのレプリケーションにわたって出力統計が収集される。主要なシステムレベル変数の平均、分散、および分布特性である。結果は点推定ではなく分布として報告される。感度分析は、エージェントの規則とパラメータ値の変更に対して創発パターンがどの程度堅牢であるかをテストし、モデル検証は、利用可能な場合はシミュレートされた軌跡を観測データと比較する。
よくある落とし穴
- レプリケーションが少なすぎる(約1,000回未満の実行では出力分布が不十分に推定され、見かけのパターンがノイズである可能性がある。計算が制約となる場合は、集計的な問題についてはシステムダイナミクスを優先する)。
- 理論的または経験的根拠なしにエージェント規則を作成すること――任意の規則はシミュラクラを生み出し、モデルではない。各規則は行動上の根拠を引用すべきである。
- レプリケーション全体にわたる平均軌跡のみを報告し、分散を伝達しないこと――ABMの結果は本質的に確率的であり、分布として報告されなければならない。
- モデル適合を検証と誤認すること――モデルは、相殺される誤差を通じて観測された集計パターンを再現できる可能性がある。構造的テストとアウトオブサンプル予測が重要である。
- 初期構成が任意であるウォームアップ期間を無視すること――初期実行の振る舞いは、開始条件を反映しており、定常状態のダイナミクスを反映していない。
よくある質問
ABMはシステムダイナミクスとどう違うのか?
システムダイナミクスは、微分方程式で記述される集計ストック、フロー、およびフィードバックループを使用してシステムをモデル化する――人口を均質な全体として扱い、時間の経過とともに平均的な振る舞いを追跡する。ABMは各個々のエージェントを個別にモデル化し、異質性、局所的な空間相互作用、およびパス依存的な振る舞いを可能にする。集計的なフィードバック構造が主な関心事であり、エージェントの異質性が重要でない場合はシステムダイナミクスを選択し、個々の違いと局所的な相互作用が研究したいメカニズムである場合はABMを選択する。
いくつのレプリケーションが必要か?
ABMの出力は、単一の決定論的な軌跡ではなく、確率的な実行全体にわたる分布である。実用的な最小値として、少なくとも1,000回のレプリケーションを実行し、主要な出力統計の信頼区間を調べる。区間が広い場合は、さらに実行する。単一の実行または少数の実行を代表として報告することは、一般的で重大な誤りである。
エージェントベースモデルをどのように検証するか?
検証にはいくつかの層がある。構造的検証(規則は既知の行動と一致しているか?)、パターン指向検証(モデルは単一の観測された経験的パターンだけでなく、複数のパターンを同時に再現するか?)、および予測検証(アウトオブサンプル予測は有効か?)。単一の集計統計を再現することは、モデルが正しいという十分な証拠ではない。
エージェントパラメータを調整するための経験的データがない場合はどうなるか?
理論に基づいた規則は、データが存在しない場合でも直接使用できるが、その場合、モデルは予測的というよりも探索的として提示されるべきである。部分的なデータが存在する場合は、近似ベイズ計算(ABC)が、シミュレートされた要約統計を観測された統計と比較することによって、パラメータ分布を推定するための原則的なフレームワークを提供する。どのパラメータが最も重要かを示すために、常に感度分析が必要である。
関連する手法
参考文献
Axelrod, R. (1997). The Complexity of Cooperation: Agent-Based Models of Competition and Collaboration. Princeton University Press.
DOI 文献を開くコピーしました。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コピーしました。