Skip to content
กลับไปยังผลการค้นหา

Agent-Based Microsimulation

ผู้เสนอ
Orcutt, G. H. (microsimulation roots); Bonabeau, E. and others (ABM integration)
ปี
1957 (microsimulation); 2000s (hybrid ABMS)
ประเภท
Hybrid simulation
กลุ่มวิธี
Simulation / optimization

ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ

ขนาดตัวอักษร

ใช้ทำอะไร?

Agent-based microsimulation (ABMS) เป็นการผสมผสานการติดตามข้อมูลทางสถิติในระดับบุคคลของ microsimulation แบบดั้งเดิมเข้ากับกฎพฤติกรรมและกลไกการปฏิสัมพันธ์ของ agent-based modeling โดยสร้างประชากรเสมือนของ agent ที่มีความหลากหลาย ซึ่งมีการเปลี่ยนแปลงไปตามกาลเวลาตามความน่าจะเป็นของการเปลี่ยนผ่าน พฤติกรรมที่ปรับตัวได้ และปฏิสัมพันธ์ทางสังคม ซึ่งก่อให้เกิดผลลัพธ์ในระดับระบบที่เกิดขึ้นเองจากพลวัตในระดับจุลภาค

แนวคิดเบื้องหลังวิธีการ

Microsimulation แบบดั้งเดิมปฏิบัติต่อบุคคลเสมือนเป็นหน่วยที่ไม่มีบทบาท ซึ่งได้รับการปรับปรุงโดยกฎทางสถิติที่ได้มาจากข้อมูลประชากร Agent-based modeling อนุญาตให้หน่วยต่างๆ รับรู้สภาพแวดล้อม ตัดสินใจ และมีปฏิสัมพันธ์กัน ABMS รวมจุดแข็งทั้งสองเข้าด้วยกัน: ประชากรสังเคราะห์ที่มีพื้นฐานทางสถิติจาก microsimulation จะถูกเติมด้วย agent ที่ปรับตัว เรียนรู้ และมีอิทธิพลต่อกัน สิ่งนี้ช่วยให้นักวิจัยสามารถจับภาพการเปลี่ยนแปลงทางประชากรศาสตร์ไม่เพียงเท่านั้น แต่ยังรวมถึงผลกระทบแบบลูกโซ่ของการเลือกของแต่ละบุคคลและการแพร่กระจายทางสังคม ซึ่งมีความสำคัญอย่างยิ่งเมื่อศึกษาการแทรกแซงนโยบายในด้านสุขภาพ การวางผังเมือง หรือนโยบายสังคม

ประวัติศาสตร์

ประเพณี microsimulation สืบย้อนไปถึง Orcutt (1957) ผู้ซึ่งจำลองครัวเรือนแต่ละหลังเป็นหน่วยในการคาดการณ์ทางเศรษฐกิจและสังคม Agent-based modeling ได้รับการพัฒนาจนสมบูรณ์ในทศวรรษ 1990 ผ่านวิทยาการความซับซ้อนและเครื่องมือต่างๆ เช่น NetLogo และ Repast ในช่วงต้นทศวรรษ 2000 นักวิจัยด้านนโยบายสุขภาพและภูมิศาสตร์เมืองเริ่มบูรณาการทั้งสองเข้าด้วยกัน โดยสร้างกรอบการทำงาน ABMS ที่มีลักษณะเชิงพื้นที่ ซึ่งสามารถเชื่อมโยงระหว่างสถิติประชากรศาสตร์และพลวัตทางพฤติกรรมได้

ควรใช้เมื่อใด

ใช้ ABMS เมื่อคำถามวิจัยต้องการทั้งความแม่นยำทางสถิติในระดับบุคคลและผลกระทบจากปฏิสัมพันธ์ทางพฤติกรรมที่แบบจำลองระดับมหภาคไม่สามารถจับภาพได้ — ตัวอย่างเช่น การจำลองว่านโยบายการฉีดวัคซีนแพร่กระจายผ่านประชากรที่มีการแบ่งชั้นทางสังคมอย่างไร เหมาะอย่างยิ่งสำหรับเศรษฐศาสตร์สุขภาพ การเคลื่อนย้ายในเมือง การวิจัยความไม่เท่าเทียมกันทางสังคม และการจำลองตลาดแรงงาน ซึ่งวงจรป้อนกลับระหว่างการตัดสินใจของแต่ละบุคคลและผลลัพธ์โดยรวมมีความสำคัญ อย่าใช้ ABMS เมื่อ microsimulation ที่ง่ายกว่าโดยไม่มีปฏิสัมพันธ์ของ agent เพียงพอ เมื่อทรัพยากรคอมพิวเตอร์มีจำกัดอย่างมาก (ABMS มีการปรับขนาดได้ไม่ดีสำหรับประชากรขนาดใหญ่มากหากไม่มีโครงสร้างพื้นฐาน HPC) เมื่อกฎพฤติกรรมที่ต้องการไม่สามารถมีพื้นฐานเชิงประจักษ์ได้ หรือเมื่อการระบุสาเหตุเป็นเป้าหมายหลัก (ABMS เป็นแบบสร้าง ไม่ใช่แบบที่เหมาะกับการอนุมานเชิงสาเหตุ)

ข้อจำกัดและข้อควรพิจารณา

  • ต้นทุนคอมพิวเตอร์สูง: ประชากรสังเคราะห์ขนาดใหญ่ที่มีกฎพฤติกรรมที่ซับซ้อนต้องการเวลาประมวลผลและหน่วยความจำจำนวนมาก
  • การตรวจสอบความถูกต้องของแบบจำลองเป็นเรื่องท้าทาย พฤติกรรมที่เกิดขึ้นเองนั้นยากต่อการตรวจสอบกับข้อมูลที่สังเกตได้ เนื่องจากความสัมพันธ์ระหว่างกฎระดับจุลภาคกับผลลัพธ์ระดับมหภาคไม่โปร่งใส
  • กฎพฤติกรรมมักจะถูกทำให้ง่ายขึ้นหรือสมมติขึ้น แทนที่จะประมาณค่าเชิงประจักษ์ ซึ่งนำไปสู่ความไม่แน่นอนในการกำหนดรูปแบบ
  • ผลลัพธ์อาจมีความอ่อนไหวอย่างยิ่งต่อการเลือกค่าเริ่มต้นและลำดับการปฏิสัมพันธ์ ซึ่งต้องใช้โปรโตคอลการจำลองซ้ำอย่างระมัดระวัง
  • การรวมประเพณีวิธีการสองอย่างเข้าด้วยกันต้องใช้ความเชี่ยวชาญทั้งในการปรับเทียบ microsimulation และการเขียนโปรแกรม agent-based

เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้

จุดแข็ง

  • รักษาความหลากหลายในระดับบุคคลจากข้อมูลระดับจุลภาคจริง ในขณะที่จำลองการปรับตัวทางพฤติกรรมและปฏิสัมพันธ์ทางสังคม
  • เปิดใช้งานการทดลองนโยบายแบบตรงกันข้าม ซึ่งยากหรือผิดจรรยาบรรณที่จะดำเนินการในโลกแห่งความเป็นจริง
  • สร้างผลลัพธ์ระดับระบบที่เกิดขึ้นเอง (เช่น การแบ่งแยก การระบาดเป็นระลอก) โดยไม่ต้องมีการกำหนดจากบนลงล่าง
  • มีความยืดหยุ่นเพียงพอที่จะรวมกฎการเปลี่ยนแปลงทางประชากรศาสตร์เข้ากับการแพร่กระจายผ่านเครือข่าย พลวัตเชิงพื้นที่ และข้อจำกัดของสถาบัน
  • สร้างผลลัพธ์ที่หลากหลาย — ประวัติเส้นทางเต็มสำหรับ agent ทุกตัว — ทำให้สามารถวิเคราะห์การกระจายได้เกินกว่าผลกระทบเฉลี่ย

การประยุกต์ใช้

  • การจำลองนโยบายการระบาดและการฉีดวัคซีนโดยใช้ประชากรสังเคราะห์ที่แบ่งตามอายุและพฤติกรรม
  • การวางแผนการขนส่งในเมือง — การจำลองพฤติกรรมการเลือกรูปแบบการเดินทางและการเกิดความแออัดในประชากรผู้โดยสารสังเคราะห์ของเมือง
  • การประเมินทางเศรษฐศาสตร์สุขภาพของการแทรกแซงโรคเรื้อรังในกลุ่มผู้ป่วยที่มีความหลากหลาย
  • การจำลองตลาดแรงงาน — การหางาน การจับคู่ พลวัตความไม่เท่าเทียมกันของค่าจ้างในกลุ่มประชากรวัยทำงานที่จำลองขึ้น
  • การวิเคราะห์นโยบายสังคม — การปฏิรูปสิทธิประโยชน์ตามเกณฑ์รายได้และการแพร่กระจายผ่านเครือข่ายรายได้ของครัวเรือน
  • การศึกษาการใช้ที่ดินและการแบ่งแยกที่อยู่อาศัย โดยรวมถึงความชอบของครัวเรือนและพลวัตการเปลี่ยนแปลงของละแวกใกล้เคียง

วิธีการทำงาน

วิธีการทำงาน

1

สร้างประชากรสังเคราะห์จากข้อมูลระดับจุลภาคของการสำรวจหรือสำมะโนประชากรโดยใช้วิธีการ reweighting หรือ spatial microsimulation (เช่น iterative proportional fitting) แต่ละระเบียนของบุคคลจะกลายเป็น agent ที่แตกต่างกัน โดยมีคุณลักษณะ เช่น อายุ รายได้ สถานะสุขภาพ และที่ตั้ง

2

กำหนดประเภทของ agent และกำหนดชุดพฤติกรรม: กฎการตัดสินใจ พารามิเตอร์ความชอบ และตัวแปรสถานะ กฎสามารถเป็นแบบกำหนด (เช่น แบบอิงเกณฑ์) หรือแบบสุ่ม (ดึงมาจากเมทริกซ์การเปลี่ยนผ่านเชิงประจักษ์) ความหลากหลายของ agent จะถูกรักษาไว้จากข้อมูลระดับจุลภาคดั้งเดิม

3

ระบุสภาพแวดล้อมที่ agent ดำเนินการ — กริดเชิงพื้นที่ เครือข่ายสังคม หรือพื้นที่ปฏิสัมพันธ์ที่เป็นนามธรรม พารามิเตอร์สิ่งแวดล้อม (ความพร้อมของทรัพยากร กฎของสถาบัน คันโยกเชิงนโยบาย) จะถูกกำหนดค่าเริ่มต้นและสามารถเปลี่ยนแปลงได้ตลอดช่วงเวลา

4

เลื่อนนาฬิกาจำลองไปทีละช่วงเวลา (วัน เดือน ปี) ในแต่ละช่วงเวลา agent แต่ละตัวจะประเมินสถานะของตน ใช้กฎพฤติกรรม และปรับปรุงคุณลักษณะของตน เหตุการณ์การเปลี่ยนผ่าน (การเกิด การตาย การย้ายถิ่น การเปลี่ยนแปลงการจ้างงาน) จะถูกสุ่มจากกรวยการกระจายความน่าจะเป็นที่ปรับเทียบกับข้อมูลจริง

5

ใช้กลไกการปฏิสัมพันธ์ระหว่าง agent: การแพร่กระจายผ่านเครือข่าย (เช่น การแพร่ระบาดของโรค) อิทธิพลจากเพื่อนต่อพฤติกรรม การจับคู่ตลาด หรือผลกระทบจากความใกล้ชิดเชิงพื้นที่ ปรากฏการณ์ที่เกิดขึ้นเอง — การรวมกลุ่ม ความไม่เท่าเทียมกัน การระบาด — เกิดขึ้นจากปฏิสัมพันธ์ระดับท้องถิ่นเหล่านี้โดยไม่ต้องตั้งโปรแกรมอย่างชัดเจน

6

รวบรวมเส้นทางระดับ agent เป็นตัวบ่งชี้ระดับประชากร (อัตราความชุกสัมบูรณ์ ค่าสัมประสิทธิ์ Gini ความยาวคิว) ดำเนินการจำลองแบบสุ่มหลายครั้งและคำนวณค่าเฉลี่ย ช่วงความเชื่อมั่น และมาตรวัดความไวต่อสถานการณ์หรือการทดสอบนโยบายแบบตรงกันข้าม

ข้อผิดพลาดที่พบบ่อย

  • การกำหนดพารามิเตอร์มากเกินไป: การเพิ่มความซับซ้อนของพฤติกรรมโดยไม่มีพื้นฐานเชิงประจักษ์ จะทำให้เกิดแบบจำลองที่ไม่สามารถปรับให้เข้ากับอะไรได้และไม่สามารถอธิบายอะไรได้
  • การละเลยความแปรปรวนแบบสุ่ม: การจำลองซ้ำน้อยเกินไปและการปฏิบัติต่อการจำลองครั้งเดียวว่าเป็นตัวแทน จะนำไปสู่ข้อสรุปที่มั่นใจเกินไป
  • การผสมผสานการเกิดขึ้นกับความถูกต้อง: รูปแบบที่เกิดขึ้นเองที่ดูสมเหตุสมผลไม่ได้ยืนยันว่ากลไกพื้นฐานถูกต้อง
  • การละเลยการปรับเทียบ: การไม่ปรับการกระจายของประชากรสังเคราะห์ให้สอดคล้องกับขอบเขตสำมะโนประชากรจริง จะทำให้เกิดความเอนเอียงของประชากรพื้นฐาน
  • การปฏิบัติต่อ ABMS ในฐานะกล่องดำ: หากผู้มีส่วนได้ส่วนเสียไม่สามารถเข้าใจกฎพฤติกรรมได้ แบบจำลองจะสูญเสียความน่าเชื่อถือเชิงนโยบาย

คำถามที่พบบ่อย

ABMS แตกต่างจาก microsimulation มาตรฐานอย่างไร?

Standard microsimulation ปรับปรุงแต่ละบุคคลอย่างอิสระโดยใช้ความน่าจะเป็นของการเปลี่ยนผ่าน ไม่มีการปฏิสัมพันธ์ระหว่างบุคคล ABMS เพิ่มการปฏิสัมพันธ์ระหว่าง agent อย่างชัดเจน — agent สามารถมีอิทธิพลต่อการตัดสินใจของกันและกัน แพร่กระจายข้อมูลหรือโรค และตอบสนองต่อสภาพแวดล้อมทางสังคมและเชิงพื้นที่ของตนเอง ก่อให้เกิดพฤติกรรมโดยรวมที่เกิดขึ้นเอง

ต้องใช้การจำลองซ้ำกี่ครั้งเพื่อให้ได้ผลลัพธ์ที่น่าเชื่อถือ?

ไม่มีกฎสากล แต่โดยทั่วไปจะกล่าวถึงการจำลองซ้ำแบบสุ่มอย่างน้อย 30–50 ครั้งสำหรับการประมาณค่าเฉลี่ย ช่วงความเชื่อมั่นสำหรับสถิติส่วนปลาย (เช่น จุดสูงสุดของการระบาด) อาจต้องใช้หลายร้อยครั้ง ดำเนินการจำลองซ้ำเบื้องต้นและประเมินความเสถียรของความแปรปรวนก่อนที่จะดำเนินการเต็มรูปแบบ

สามารถใช้ ABMS เพื่อการอนุมานเชิงสาเหตุได้หรือไม่?

ABMS เป็นเครื่องมือเชิงสำรวจแบบสร้าง — เหมาะอย่างยิ่งสำหรับการทดสอบสถานการณ์ 'จะเกิดอะไรขึ้น' และการระบุกลไก แต่ไม่ได้ให้การระบุสาเหตุในความหมายทางเศรษฐมิติ ข้อกล่าวอ้างเกี่ยวกับผลกระทบของนโยบายควรมาพร้อมกับการวิเคราะห์ความไว และควรได้รับการตรวจสอบกับเหตุการณ์ธรรมชาติหากเป็นไปได้

ซอฟต์แวร์ใดที่นิยมใช้กัน?

NetLogo และ Repast Simphony เป็นแพลตฟอร์ม ABM แบบโอเพนซอร์สที่ใช้กันอย่างแพร่หลายที่สุด สำหรับ ABMS ที่มีข้อมูลระดับจุลภาคทางสถิติ แพ็กเกจ R เช่น sms หรือ simPop จัดการการสร้างประชากรสังเคราะห์ ในขณะที่ Python (เฟรมเวิร์ก Mesa) ถูกนำมาใช้เพิ่มขึ้นสำหรับการจำลอง agent ขนาดใหญ่

ประชากรสังเคราะห์ได้รับการตรวจสอบความถูกต้องอย่างไร?

โดยทั่วไปแล้ว ประชากรสังเคราะห์จะได้รับการตรวจสอบความถูกต้องโดยการเปรียบเทียบการกระจายตามขอบของตนกับเกณฑ์มาตรฐานสำมะโนประชากรหรือการสำรวจโดยใช้การทดสอบไคสแควร์หรือเมตริกผลรวมข้อผิดพลาดสัมบูรณ์ การปรับเทียบพฤติกรรมจะประเมินโดยการเปรียบเทียบผลลัพธ์รวมที่จำลองได้ (เช่น ความชุกของโรค อัตราการจ้างงาน) กับข้อมูลอนุกรมเวลาที่สังเกตได้ซึ่งไม่ได้นำมาใช้ในการปรับแบบจำลอง

วิธีการที่เกี่ยวข้อง

แหล่งอ้างอิง

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

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

    เปิดเอกสารอ้างอิง DOI
    คัดลอกแล้ว