การสร้างแบบจำลองเชิงเอเจนต์ (ABM) — การจำลองความซับซ้อนที่เกิดขึ้นเอง
- ผู้เสนอ
- Thomas Schelling and Robert Axelrod (foundational contributions, 1970s–1990s)
- ปี
- 1970s–1990s (formalized as a field)
- ประเภท
- Computational simulation method
ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ
ใช้ทำอะไร?
การสร้างแบบจำลองเชิงเอเจนต์ (Agent-based modeling: ABM) เป็นวิธีการจำลองด้วยคอมพิวเตอร์ ซึ่งได้รับการพัฒนาอย่างเป็นทางการผ่านผลงานของ Thomas Schelling และ Robert Axelrod ในช่วงทศวรรษ 1970–1990 โดยจำลองพฤติกรรมของระบบที่ซับซ้อนด้วยการกำหนดและดำเนินการเอเจนต์อิสระ (autonomous agents) — ซึ่งอาจเป็นบุคคล บริษัท เซลล์ หรือหน่วยที่มีขอบเขตใดๆ — ที่มีปฏิสัมพันธ์ในระดับท้องถิ่นระหว่างกันและกับสภาพแวดล้อมของตนเอง ซึ่งโดยรวมแล้วก่อให้เกิดรูปแบบในระดับมหภาค (global, system-level patterns) ที่ไม่สามารถคาดการณ์ได้จากกฎของเอเจนต์แต่ละตัวเพียงอย่างเดียว
แนวคิดเบื้องหลังวิธีการ
ลองจินตนาการถึงเมืองที่เกิดรถติดขึ้น แม้ว่าจะไม่มีคนขับคนใดตั้งใจให้เกิดก็ตาม ABM จับภาพปรากฏการณ์ที่เกิดขึ้นเองได้เช่นนี้: คุณเขียนกฎที่เอเจนต์แต่ละตัวปฏิบัติตาม — วิธีที่พวกเขารับรู้สภาพแวดล้อม ตัดสินใจ และกระทำ — จากนั้นจึงทำการจำลองและสังเกตสิ่งที่เกิดขึ้นในระดับประชากร รูปแบบระดับมหภาค (รถติด เส้นโค้งการระบาด ราคาตลาด) ไม่ได้ถูกตั้งโปรแกรมไว้โดยตรง แต่เกิดขึ้นจากปฏิสัมพันธ์ แนวทางจากล่างขึ้นบน (bottom-up approach) นี้ทำให้ ABM เป็นตัวเลือกตามธรรมชาติเมื่อใดก็ตามที่ปรากฏการณ์ที่น่าสนใจดำรงอยู่ ณ ระดับระบบ แต่กลไกดำรงอยู่ที่ระดับบุคคล
ประวัติศาสตร์
รากฐานทางปัญญาของ ABM อยู่ในการวิจัยความซับซ้อนของ Santa Fe Institute ในช่วงทศวรรษ 1980 และงานสร้างแบบจำลองพื้นฐานโดย Thomas Schelling (1971, การแบ่งแยกที่อยู่อาศัย) และ Robert Axelrod (1984, วิวัฒนาการของความร่วมมือ; 1997, ความซับซ้อนของความร่วมมือ) หนังสือของ Axelrod ในปี 1997 ร่วมกับการพัฒนาแพลตฟอร์ม NetLogo โดย Uri Wilensky และเฟรมเวิร์ก Mesa สำหรับ Python ได้ช่วยรวม ABM ให้เป็นวิธีการคำนวณที่เป็นที่ยอมรับ วิธีการนี้แพร่กระจายอย่างรวดเร็วผ่านระบาดวิทยา เศรษฐศาสตร์ นิเวศวิทยา และการจำลองทางสังคมในช่วงทศวรรษ 1990 และ 2000 และปัจจุบันเป็นรากฐานของแบบจำลองการระบาดใหญ่ขนาดใหญ่ การวิจัยโครงสร้างตลาดการเงิน และเครื่องมือวิเคราะห์นโยบาย
ควรใช้เมื่อใด
ABM เป็นทางเลือกที่เหมาะสมเมื่อปรากฏการณ์ที่สนใจเกิดขึ้นจากปฏิสัมพันธ์ระดับบุคคลที่หลากหลาย แทนที่จะเป็นพลวัตระดับรวม เหมาะสำหรับพลวัตทางสังคม การแพร่ระบาดของโรค โครงสร้างตลาดจุลภาค แบบจำลองประชากรนิเวศวิทยา และสถานการณ์ใดๆ ที่ลักษณะที่หลากหลายของเอเจนต์ โครงสร้างเชิงพื้นที่ หรือปฏิสัมพันธ์ในท้องถิ่นที่ขึ้นอยู่กับเส้นทางมีความสำคัญ ไม่จำเป็นต้องมีขนาดตัวอย่างเชิงประจักษ์ขั้นต่ำ แต่กฎของเอเจนต์ต้องสามารถปกป้องได้ — มีพื้นฐานมาจากทฤษฎีหรือข้อมูลก่อนหน้า หากมีข้อมูลการสังเกตการณ์สำหรับการปรับเทียบ สามารถใช้ ABC ได้ วิธีการนี้ไม่เหมาะสมเมื่อระบบสามารถอธิบายได้อย่างเพียงพอด้วยสมการเชิงอนุพันธ์รวม (system dynamics) หรือเมื่อคำถามการวิจัยเกี่ยวข้องกับกระบวนการคิวหรือการไหล (discrete-event simulation) ดำเนินการซ้ำอย่างน้อย 1,000 ครั้ง น้อยกว่านั้นจะให้ผลลัพธ์ที่ไม่น่าเชื่อถือ
ข้อจำกัดและข้อควรพิจารณา
- กฎของเอเจนต์ต้องได้รับการพิสูจน์โดยทฤษฎีหรือหลักฐานเชิงประจักษ์ กฎที่เลือกตามอำเภอใจจะให้ผลลัพธ์ที่ไม่สามารถตีความได้อย่างมีความหมาย
- ต้องใช้การทำซ้ำจำนวนมาก (มักจะ 1,000 ครั้งขึ้นไป) เพื่ออธิบายลักษณะการกระจายผลลัพธ์ได้อย่างน่าเชื่อถือ ซึ่งอาจต้องใช้ทรัพยากรคอมพิวเตอร์สูง
- การตรวจสอบความถูกต้องของแบบจำลองเป็นเรื่องท้าทาย: รูปแบบที่เกิดขึ้นเองอาจเข้ากันได้กับข้อมูลที่สังเกตได้ด้วยเหตุผลที่ผิด (equifinality)
- ผลลัพธ์คือการกระจาย ไม่ใช่ผลลัพธ์แบบปิด (closed-form solutions) ทำให้การสื่อสารเชิงวิเคราะห์ยากกว่าวิธีการที่ใช้สมการ
- การสำรวจปริภูมิพารามิเตอร์อาจกลายเป็นเรื่องที่จัดการไม่ได้เมื่อจำนวนประเภทเอเจนต์และกฎเพิ่มขึ้น
เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้
จุดแข็ง
- จับพฤติกรรมระดับระบบที่เกิดขึ้นเองซึ่งไม่สามารถอนุมานได้จากกฎของเอเจนต์แต่ละตัว
- รองรับลักษณะที่หลากหลายของเอเจนต์ โครงสร้างเชิงพื้นที่ และพลวัตที่ขึ้นอยู่กับเส้นทางได้อย่างเป็นธรรมชาติ
- ทำงานได้โดยไม่ต้องมีขนาดตัวอย่างเชิงประจักษ์ขั้นต่ำ — เอเจนต์ถูกกำหนดโดยทฤษฎีหรือกฎที่ปรับเทียบ ไม่ใช่โดยบันทึกที่สังเกตได้
- สร้างผลลัพธ์การกระจายจากการทำซ้ำ ให้ภาพรวมของความไม่แน่นอน แทนที่จะเป็นเส้นทางเดียว
- สามารถนำไปใช้ได้ในหลากหลายสาขา: สังคมศาสตร์ ระบาดวิทยา เศรษฐศาสตร์ นิเวศวิทยา และวิศวกรรมศาสตร์
การประยุกต์ใช้
- ระบาดวิทยา: การสร้างแบบจำลองการแพร่ระบาดของโรคในระดับการสัมผัสระหว่างบุคคลเพื่อทดสอบกลยุทธ์การแทรกแซง
- การจำลองตลาด: การแสดงตัวแทนการซื้อขายที่หลากหลายในตลาดการเงินเพื่อศึกษาการก่อตัวของราคาและความผันผวน
- พลวัตทางสังคม: การศึกษาการแบ่งแยกที่อยู่อาศัย พลวัตของความคิดเห็น และการแพร่กระจายของบรรทัดฐานในประชากร
- นิเวศวิทยา: การสร้างแบบจำลองพลวัตของผู้ล่า-เหยื่อ และปฏิสัมพันธ์ของสปีชีส์ในภูมิทัศน์ที่ระบุตำแหน่งเชิงพื้นที่
- นโยบายสาธารณสุข: การจำลองการไหลของผู้ป่วยและการจัดสรรทรัพยากรภายใต้กฎเกณฑ์องค์กรที่แตกต่างกัน
- พฤติกรรมองค์กร: การศึกษาว่ากลยุทธ์ระดับบริษัทเกิดขึ้นจากปฏิสัมพันธ์ของพนักงานและแผนกได้อย่างไร
วิธีการทำงาน
วิธีการทำงาน
เอเจนต์ถูกกำหนดโดยคุณลักษณะ (ตัวแปรสถานะ) และกฎพฤติกรรม กฎต้องมีพื้นฐานมาจากทฤษฎีหรือหลักฐานเชิงประจักษ์ — นี่ไม่ใช่ขั้นตอนสำหรับการคาดเดา เอเจนต์แต่ละประเภทแสดงถึงกลุ่มนักแสดงที่แตกต่างกัน (เช่น บุคคลที่ไวต่อโรคเทียบกับบุคคลที่ติดเชื้อในแบบจำลองการระบาด ผู้ซื้อเทียบกับผู้ขายในแบบจำลองตลาด) จำนวนและลักษณะที่หลากหลายของประเภทเอเจนต์เป็นตัวกำหนดพลังในการแสดงออกของแบบจำลอง
สภาพแวดล้อมที่เอเจนต์กระทำการจะถูกกำหนดค่า: โทโพโลยีเชิงพื้นที่ (กริด เครือข่าย พื้นที่ต่อเนื่อง หรือไม่มีพื้นที่) ทรัพยากรที่ใช้ร่วมกันที่เอเจนต์สามารถโต้ตอบด้วยได้ และรัศมีการสื่อสารหรือการรับรู้ที่กำหนดว่าเอเจนต์แต่ละตัวสามารถสังเกตเห็นเอเจนต์อื่นใดได้ การออกแบบสภาพแวดล้อมเป็นการเลือกแบบจำลองที่ส่งผลโดยตรงต่อปฏิสัมพันธ์ที่เป็นไปได้
แบบจำลองจะถูกเริ่มต้น: เอเจนต์จะถูกวางไว้ในสภาพแวดล้อม กำหนดค่าตัวแปรสถานะเริ่มต้น — ไม่ว่าจะจากข้อมูลเชิงประจักษ์หรือจากการกระจายที่ปรับเทียบ — และกำหนดค่าเมล็ดสุ่ม (random seeds) เพื่อให้สามารถทำซ้ำได้ เมื่อมีข้อมูลการสังเกตการณ์ การคำนวณแบบเบย์โดยประมาณ (Approximate Bayesian Computation: ABC) สามารถนำมาใช้ในขั้นตอนนี้เพื่อปรับเทียบพารามิเตอร์กับผลลัพธ์จริง
แบบจำลองจะดำเนินไปผ่านขั้นตอนเวลาที่ไม่ต่อเนื่อง (discrete time steps) ในแต่ละขั้นตอน เอเจนต์จะดำเนินการตามกฎพฤติกรรมของตน — อาจเป็นไปตามลำดับแบบสุ่มเพื่อหลีกเลี่ยงสิ่งประดิษฐ์ (artifacts) — อัปเดตสถานะของตน และโต้ตอบกับเพื่อนบ้านหรือทรัพยากรที่ใช้ร่วมกัน แบบจำลองต้องดำเนินการซ้ำหลายครั้ง (โดยทั่วไปอย่างน้อย 1,000 ครั้ง) เพื่อให้สามารถอธิบายลักษณะการกระจายของผลลัพธ์ ไม่ใช่เพียงเส้นทางเดียว
สถิติผลลัพธ์จะถูกรวบรวมจากการทำซ้ำทั้งหมด: ค่าเฉลี่ย ความแปรปรวน และคุณสมบัติการกระจายของตัวแปรสำคัญระดับระบบ ผลลัพธ์จะถูกรายงานเป็นการกระจาย ไม่ใช่ค่าประมาณจุด การวิเคราะห์ความไว (sensitivity analysis) ทดสอบว่ารูปแบบที่เกิดขึ้นเองมีความทนทานต่อการเปลี่ยนแปลงกฎของเอเจนต์และค่าพารามิเตอร์อย่างไร และการตรวจสอบความถูกต้องของแบบจำลอง (model validation) เปรียบเทียบเส้นทางจำลองกับข้อมูลที่สังเกตได้หากมี
ข้อผิดพลาดที่พบบ่อย
- การดำเนินการซ้ำน้อยเกินไป — น้อยกว่าประมาณ 1,000 ครั้ง การกระจายผลลัพธ์จะถูกประมาณค่าได้ไม่ดี และรูปแบบที่ปรากฏอาจเป็นเพียงสัญญาณรบกวน หากข้อจำกัดด้านการคำนวณมีอยู่ ควรเลือก system dynamics สำหรับคำถามระดับรวม
- การเขียนกฎของเอเจนต์โดยไม่มีพื้นฐานทางทฤษฎีหรือเชิงประจักษ์ — กฎตามอำเภอใจจะสร้างภาพลวงตา (simulacra) ไม่ใช่แบบจำลอง; แต่ละกฎควรอ้างอิงถึงเหตุผลเชิงพฤติกรรม
- การรายงานเพียงเส้นทางเฉลี่ยจากการทำซ้ำโดยไม่แสดงความแปรปรวน — ผลลัพธ์ ABM มีลักษณะสุ่มโดยธรรมชาติและต้องรายงานเป็นการกระจาย
- การเข้าใจผิดว่าแบบจำลองเข้ากันได้กับการตรวจสอบความถูกต้อง — แบบจำลองสามารถสร้างรูปแบบรวมที่สังเกตได้ผ่านข้อผิดพลาดที่ชดเชยกันได้; การทดสอบโครงสร้างและการทำนายแบบนอกกลุ่มตัวอย่าง (out-of-sample prediction) มีความสำคัญ
- การละเลยช่วงอบอุ่นเครื่อง (warm-up period) เมื่อการกำหนดค่าเริ่มต้นเป็นไปตามอำเภอใจ — พฤติกรรมในช่วงต้นสะท้อนถึงเงื่อนไขเริ่มต้น ไม่ใช่พลวัตสภาวะคงตัว
คำถามที่พบบ่อย
ABM แตกต่างจาก System Dynamics อย่างไร
แบบจำลอง System Dynamics จำลองระบบโดยใช้สต็อก (stocks) การไหล (flows) และวงป้อนกลับ (feedback loops) ในระดับรวม ซึ่งอธิบายด้วยสมการเชิงอนุพันธ์ — โดยถือว่าประชากรเป็นภาพรวมที่เป็นเนื้อเดียวกันและติดตามพฤติกรรมเฉลี่ยเมื่อเวลาผ่านไป ABM สร้างแบบจำลองเอเจนต์แต่ละตัวแยกกัน ทำให้สามารถรองรับลักษณะที่หลากหลาย ปฏิสัมพันธ์เชิงพื้นที่ในท้องถิ่น และพฤติกรรมที่ขึ้นอยู่กับเส้นทาง เลือก System Dynamics เมื่อโครงสร้างป้อนกลับระดับรวมเป็นความสนใจหลักและลักษณะที่หลากหลายของเอเจนต์ไม่มีความสำคัญ; เลือก ABM เมื่อความแตกต่างของบุคคลและปฏิสัมพันธ์ในท้องถิ่นเป็นกลไกที่คุณต้องการศึกษา
ฉันต้องการการทำซ้ำกี่ครั้ง?
ผลลัพธ์ของ ABM คือการกระจายจากการทำงานแบบสุ่ม ไม่ใช่เส้นทางที่แน่นอน ในทางปฏิบัติ ขั้นต่ำคือการทำซ้ำอย่างน้อย 1,000 ครั้ง และตรวจสอบช่วงความเชื่อมั่น (confidence intervals) ของสถิติผลลัพธ์หลักของคุณ หากช่วงกว้าง ให้ทำซ้ำมากขึ้น การรายงานเพียงการทำงานเดียวหรือเพียงไม่กี่ครั้งว่าเป็นตัวแทนถือเป็นข้อผิดพลาดทั่วไปและร้ายแรง
ฉันจะตรวจสอบความถูกต้องของแบบจำลองเชิงเอเจนต์ได้อย่างไร?
การตรวจสอบความถูกต้องมีหลายระดับ: การตรวจสอบความถูกต้องเชิงโครงสร้าง (กฎสอดคล้องกับพฤติกรรมที่ทราบหรือไม่?) การตรวจสอบความถูกต้องเชิงรูปแบบ (แบบจำลองสร้างรูปแบบเชิงประจักษ์ที่สังเกตได้หลายรูปแบบพร้อมกันหรือไม่ ไม่ใช่เพียงรูปแบบเดียว?) และการตรวจสอบความถูกต้องเชิงการทำนาย (การทำนายแบบนอกกลุ่มตัวอย่างถูกต้องหรือไม่?) การสร้างสถิติระดับรวมเพียงสถิติเดียวไม่เพียงพอที่จะเป็นหลักฐานว่าแบบจำลองถูกต้อง
จะทำอย่างไรหากฉันไม่มีข้อมูลเชิงประจักษ์เพื่อปรับเทียบพารามิเตอร์ของเอเจนต์?
สามารถใช้กฎที่มีพื้นฐานทางทฤษฎีได้โดยตรงเมื่อไม่มีข้อมูล แต่แบบจำลองควรถูกนำเสนอเป็นการสำรวจมากกว่าการทำนาย หากมีข้อมูลบางส่วน การคำนวณแบบเบย์โดยประมาณ (ABC) จะเป็นกรอบการทำงานที่มีหลักการในการประมาณค่าการกระจายพารามิเตอร์โดยการเปรียบเทียบสถิติสรุปที่จำลองได้กับสถิติที่สังเกตได้ การวิเคราะห์ความไวเป็นสิ่งจำเป็นเสมอเพื่อแสดงว่าพารามิเตอร์ใดมีความสำคัญที่สุด
วิธีการที่เกี่ยวข้อง
แหล่งอ้างอิง
Axelrod, R. (1997). The Complexity of Cooperation: Agent-Based Models of Competition and Collaboration. Princeton University Press.
เปิดเอกสารอ้างอิง DOIคัดลอกแล้วWilensky, U. & Rand, W. (2015). An Introduction to Agent-Based Modeling: Modeling Natural, Social, and Engineered Complex Systems with NetLogo. MIT Press.
ISBN: 978-0262731898คัดลอกแล้ว