基于主体的建模(ABM)——模拟涌现的复杂性
- 提出者
- Thomas Schelling and Robert Axelrod (foundational contributions, 1970s–1990s)
- 年份
- 1970s–1990s (formalized as a field)
- 类型
- Computational simulation method
本文为机器翻译,尚未经过审校。 阅读英文原文
它有什么作用?
基于主体的建模(ABM)是一种计算模拟方法,由Thomas Schelling和Robert Axelrod在20世纪70年代至90年代的工作形式化,它通过指定和运行自主主体——个体、公司、细胞或任何有界实体——的局部相互作用来模拟复杂系统的行为,这些相互作用与它们的环境共同产生无法从任何单一主体的规则中预测出的全局、系统级模式。
方法背后的直觉
想象一座城市,即使没有一个司机故意造成交通拥堵,交通拥堵也会出现。ABM恰恰捕捉了这种涌现:你编写每个个体主体遵循的规则——它们如何感知周围环境、做出决策和行动——然后运行模拟,观察群体层面上发生的情况。全局模式(交通拥堵、流行病曲线、市场价格)不是直接编程进去的;它源于相互作用。这种自下而上的方法使得ABM成为研究对象位于系统层面但机制位于个体层面的现象的自然选择。
历史学
ABM的学术根源在于圣达菲研究所(Santa Fe Institute)20世纪80年代的复杂性研究,以及Thomas Schelling(1971年,住宅隔离)和Robert Axelrod(1984年,合作演化;1997年,合作的复杂性)的基础建模工作。Axelrod的1997年著作,以及Uri Wilensky开发的NetLogo平台和Python的Mesa框架,帮助将ABM巩固为一种公认的计算方法。该方法在20世纪90年代和2000年代迅速传播到流行病学、经济学、生态学和社会模拟领域,如今已成为大规模流行病模型、金融市场微观结构研究和政策分析工具的基础。
何时使用
当感兴趣的现象源于异质的个体层面相互作用而非聚合层面动力学时,ABM是合适的选择。它非常适合社会动力学、流行病传播、市场微观结构、生态种群模型以及任何主体异质性、空间结构或路径依赖局部相互作用很重要的场景。不需要最低经验样本量,但主体规则必须是可辩护的——基于理论或先验数据。如果存在用于校准的观测数据,则可以应用ABC。当系统可以通过聚合微分方程充分描述时(倾向于系统动力学),或者研究问题涉及队列或流程时(倾向于离散事件模拟),该方法不适用。至少运行1,000次重复;少于此数量的重复会产生不可靠的模式。
局限与注意事项
- 主体规则必须由理论或经验证据证明其合理性;任意选择的规则会产生无法有意义解释的结果。
- 需要大量重复运行(通常1,000次或更多)才能可靠地表征输出分布,这可能计算成本很高。
- 模型验证具有挑战性:涌现模式可能因为错误的原因而拟合观测数据(等效性);
- 结果是分布,而非封闭形式解,这使得分析交流比基于方程的方法更困难。
- 随着主体类型和规则数量的增加,参数空间探索可能变得难以处理。
来源中的条件不能替代独立的科学审查或分析引擎的验证。
优势
- 捕捉无法从任何单一主体规则推导出的涌现系统级行为。
- 自然地容纳主体异质性、空间结构和路径依赖动力学。
- 无需最低经验样本量即可工作——主体由理论或校准规则定义,而非观察记录。
- 跨重复运行生成分布输出,提供不确定性的完整图景,而非单一轨迹。
- 适用于广泛的领域:社会科学、流行病学、经济学、生态学和工程学。
应用
- 流行病学:在个体接触层面模拟流行病传播,以测试干预策略。
- 市场模拟:在金融市场中表示异质交易者,以研究价格形成和波动性。
- 社会动力学:研究人口中的住宅隔离、意见动态和规范扩散。
- 生态学:在空间明确的景观中模拟捕食者-猎物动态和物种相互作用。
- 医疗政策:模拟不同组织规则下的患者流动和资源分配。
- 组织行为学:研究企业层面的战略如何从员工和部门的互动中涌现。
使用方式
使用方式
主体由其属性(状态变量)和行为规则定义。规则必须基于理论或经验证据——这不是猜测的环节。每种主体类型代表一类不同的参与者(例如,流行病模型中的易感个体与感染个体,市场模型中的买方与卖方)。主体类型的数量和异质性决定了模型的表达能力。
主体行动的环境是配置的:空间拓扑(网格、网络、连续空间或无空间)、主体可以与之互动的任何共享资源,以及决定每个主体可以观察到哪些其他主体的通信或感知半径。环境设计是一个直接影响哪些相互作用是可能性的建模选择。
模拟被初始化:主体被放置在环境中,初始状态变量被设定——要么来自经验数据,要么来自校准的分布——并且随机种子被固定以保证可重复性。当存在观测数据时,近似贝叶斯计算(ABC)可以在此阶段用于根据实际结果校准参数。
模型通过离散的时间步进。在每一步,主体执行其行为规则——可能以随机顺序执行以避免人为痕迹——更新其状态,并与邻居或共享资源进行交互。模型必须运行大量重复(通常至少1,000次),以便能够表征结果的分布,而不仅仅是单一轨迹。
跨所有重复运行收集输出统计数据:关键系统级变量的均值、方差和分布特性。结果以分布形式报告,而不是点估计。敏感性分析测试涌现模式对主体规则和参数值变化的稳健性,模型验证则将模拟轨迹与现有观测数据进行比较。
常见陷阱
- 运行的重复次数太少——少于大约1,000次运行,输出分布估计不充分,显现的模式可能是噪声;如果计算是限制因素,则对于聚合问题,倾向于系统动力学。
- 在没有理论或经验依据的情况下编写主体规则——任意规则会产生模拟,而非模型;每条规则都应引用行为学原理。
- 仅报告重复运行的平均轨迹而不传达方差——ABM结果本质上是随机的,必须以分布形式报告。
- 将模型拟合误认为是验证——模型可能通过补偿性错误重现观察到的聚合模式;结构性检验和样本外预测很重要。
- 忽略预热期,因为初始配置是任意的——早期运行行为反映了起始条件,而非稳态动力学。
常见问题
ABM与系统动力学有何不同?
系统动力学使用由微分方程描述的聚合存量、流量和反馈回路来模拟系统——它将人口视为同质整体,并跟踪随时间变化的平均行为。ABM单独模拟每个主体,允许异质性、局部空间相互作用和路径依赖行为。当聚合反馈结构是主要兴趣点且主体异质性不重要时,选择系统动力学;当个体差异和局部相互作用是您想研究的机制时,选择ABM。
我需要多少次重复运行?
ABM的输出是随机运行的分布,而不是单一的确定性轨迹。作为实际最低要求,至少运行1,000次重复,并检查关键输出统计数据的置信区间。如果区间很宽,则运行更多次。仅报告一次运行或少数几次作为代表是常见且严重的错误。
如何验证一个基于主体的模型?
验证有几个层次:结构验证(规则是否与已知行为一致?)、模式导向验证(模型是否同时重现多个观察到的经验模式,而不仅仅是一个?)、预测验证(样本外预测是否成立?)。重现单一聚合统计数据不足以证明模型是正确的。
如果我没有经验数据来校准主体参数怎么办?
在缺乏数据的情况下,可以直接使用基于理论的规则,但模型应被呈现为探索性的而非预测性的。在存在部分数据的情况下,近似贝叶斯计算(ABC)提供了一个原则性的框架,通过比较模拟的汇总统计数据与观察到的统计数据来估计参数分布。始终需要敏感性分析来显示哪些参数最重要。
相关方法
参考文献
Axelrod, R. (1997). The Complexity of Cooperation: Agent-Based Models of Competition and Collaboration. Princeton University Press.
打开 DOI 文献已复制。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已复制。