Simulation modelling of multi-agent regional socio-economic systems: methods and examples

The paper presents a new approach to modelling multi-agent regional socio-economic systems. Within the framework of the proposed approach, the possibilities of constructing hybrid multi-level simulation models using methods system dynamics and agent-based modelling, designed to assess the state of individual regions, characterizing the economic growth rate (e. g., the GRP dynamics) and finding solutions to improve them. As a result, it is possible to study the characteristics of the regional socio-economic system, taking into account the complex relationships and interactions between economic agents and the external environment. At the same time, the use of the simulation modelling tools such as the AnyLogic makes it possible to implement a decision-making system for regional socio-economic planning as the software framework.

Keywords

simulation modelling of regional systems, system dynamics, agent-based modelling, multi-agent regional systems, AnyLogic

Received

22.12.2023

Publication date

28.12.2023

Number of characters

12994

Cite Download pdf To download PDF you should sign in

GOST	Beklaryan G. Simulation modelling of multi-agent regional socio-economic systems: methods and examples // Vestnik CEMI – 2023. – V. 6. – Issue 4 [Electronic resource]. URL: https://cemi.jes.su/S265838870029157-5-1 (circulation date: 20.07.2024). DOI: 10.33276/S265838870029157-5
MLA	Beklaryan, Gayane "Simulation modelling of multi-agent regional socio-economic systems: methods and examples." Vestnik CEMI 6.4 (2023) DOI: 10.33276/S265838870029157-5
APA	Beklaryan G. (2023). Simulation modelling of multi-agent regional socio-economic systems: methods and examples. Vestnik CEMI 6(4) DOI: 10.33276/S265838870029157-5

100 rub.

When subscribing to an article or issue, the user can download PDF, evaluate the publication or contact the author. Need to register.


1	Введение
2	В настоящее время актуализируются задачи рационального управления многоагентными региональными социально-экономическими системами. Наблюдаемое неоднородное развитие регионов РФ и региональное экономическое неравенство обуславливают необходимость разработки инструментария для поиска оптимальных решений, существенно влияющих на индивидуальное поведение экономических агентов и характеристики региональной социально-экономической системы в целом. Создание такого инструментария может быть основано на комбинированном использовании методов имитационного моделирования, в частности, системной динамики [11, 31, 33, 35, 38], агентного моделирования [9, 10, 12–14, 29, 37], дискретно-событийного-моделирования [15, 39] и др. Подобный подход позволяет учесть влияние сложных внутренних обратных связей, например, между динамикой основных фондов и трудовых ресурсов, объемом валового регионального продукта (ВРП), выручкой от реализации готовой продукции и реинвестиций в увеличение производственных мощностей на региональном уровне [7]. С другой стороны, можно изучить влияние результатов деятельности каждого региона на характеристики федерального округа, объединяющего подобные субъекты РФ [8].
3	На характеристики, а также конечные состояния регионов существенное влияние оказывают миграционные и демографические процессы, реализуемые, в частности, под влиянием «гравитационного эффекта» [9]. Наблюдаемое экономическое неравенство между соседними регионами приводит к перераспределению численности населения, и, следовательно, трудовых ресурсов между регионами в пользу тех из них, которые характеризуются более высоким уровнем средней заработной платы, размером рынка труда, ВРП на душу населения и т. д. Для преодоления дисбалансов, вызванных региональным неравенством, можно использовать механизм выравнивания доходов населения через государственные дотации и субсидии, централизованного увеличения ставок заработной платы [8]. При этом могут возникнуть негативные последствия, обусловленные ухудшением конкурентной среды и снижением стимулов у экономических агентов. Возможно, что именно циркуляция трудовых ресурсов из региона в регион, от периферии к центру и в обратном направлении, необходима для устойчивого территориального развития и перехода к состоянию общего экономического равновесия [22].
4	Таким образом, требуется динамическое управление характеристиками многоагентной региональной социально-экономической системы, предусматривающее адаптивное изменение значений ее параметров, в том числе, с использованием методов оптимизационного моделирования, в частности, генетических алгоритмов (ГА) [1, 2, 4–6, 17–20, 23, 24]. При этом, генетические оптимизационные алгоритмы основаны на принципах естественного отбора: эвристических операторах селекции, скрещивания и мутации. Они могут быть агрегированы по целевым функционалам и ограничениям с разрабатываемыми имитационными моделями. В частности, примером такого подхода является максимизация акционерной стоимости вертикально-интегрированной нефтяной компании (ВИНК) при заданных производственных и инвестиционных ограничениях, значение которой вычисляется с использованием имитационной модели ВИНК [1, 2, 20, 24]. Также ГА используются для поиска рациональных решений: в многоагентных экологических системах, направленных на минимизацию концентрации вредных выбросов [17, 18]; для оптимизации структуры занятости с использованием мультисекторной модели ограниченного соседства [4, 6]; для определения наилучших стратегий поведений при реализации торговых взаимодействий [5, 23]; улучшения характеристик интеллектуальных транспортных систем [21, 25] и др.

Readers community rating: votes 0

1. Акопов, А. С. К вопросу проектирования интеллектуальных систем управления сложными организационными структурами. Ч. I. Математическое обеспечение системы управления инвестиционной деятельностью вертикально интегрированной нефтяной компании / А. С. Акопов // Проблемы управления. – 2010. – № 6. – С. 12–18.

2. Акопов, А. С. К вопросу проектирования интеллектуальных систем управления сложными организационными структурами. Ч. 2. Программная реализация системы управления инвестиционной деятельностью вертикально-интегрированной нефтяной компании / А. С. Акопов // Проблемы управления. – 2011. – № 1. – С. 47–54.

3. Акопов, А. С. Моделирование и оптимизация стратегий принятия индивидуальных решений в многоагентных социально-экономических системах с использованием машинного обучения / А. С. Акопов // Бизнес-информатика. – 2023. – Т. 17, № 2. – С. 7–19.

4. Акопов, А. С. Мультисекторная модель ограниченного соседства: сегрегация агентов и оптимизация характеристик среды / А. С. Акопов, Л. А. Бекларян, А. Л. Бекларян // Математическое моделирование. – 2021. – Т. 33, № 11. – С. 95–114.

5. Акопов, А. С. Оптимизация стратегий поведения в имитационной модели многоагентной социально-экономической системы / А. С. Акопов, А. Л. Бекларян // Экономика и математические методы. – 2023. – Т. 59, № 3. – С. 117–131.

6. Акопов, А. С. Оптимизация структуры занятости с использованием мультисекторной модели ограниченного соседства / А. С. Акопов, Г. Л. Бекларян // Вестник ЦЭМИ. – 2022. – Т. 5, Выпуск 1. – URL: https://cemi.jes.su/S265838870019919-3-1 (дата обращения: 01.12.2023).

7. Бекларян, Г. Л. Имитационная модель региона в применении к анализу экономики Красноярского края / Г. Л. Бекларян // Экономика и математические методы. – 2019. – Т. 55, № 3. – С. 47–61.

8. Бекларян, Г. Л. Система поддержки принятия решений для устойчивого экономического развития дальневосточного Федерального Округа / Г. Л. Бекларян // Бизнес-информатика. 2018. № 4 (46). С. 66–75.

9. Макаров, В. Л. Агентное моделирование популяционной динамики двух взаимодействующих сообществ: мигрантов и коренных жителей / В. Л. Макаров, А. Р. Бахтизин, Г. Л. Бекларян и др. // Экономика и математические методы. – 2020. – Т. 56, № 2. – С. 5–19.

10. Макаров, В. Л Агентное моделирование социально-экономических последствий миграции при государственном регулировании занятости / В. Л. Макаров, А. Р. Бахтизин, Г. Л. Бекларян и др. // Экономика и математические методы. – 2022. – Т. 58, № 1. – С. 113–130.

11. Макаров, В. Л. Имитационное моделирование системы "умный город": концепция, методы и примеры / В. Л. Макаров, А. Р. Бахтизин, Г. Л. Бекларян и др.// Национальные интересы: приоритеты и безопасность. – 2019. – Т. 15, № 2 (371). – С. 200–224.

12. Макаров, В. Л. Моделирование миграционных и демографических процессов с использованием FLAME GPU / В. Л. Макаров, А. Р. Бахтизин, Г. Л. Бекларян и др. // Бизнес-информатика. – 2022. – Т. 16, № 1. – С. 7–21.

13. Макаров, В. Л. Разработка программной платформы для крупномасштабного агент-ориентированного моделирования сложных социальных систем / В. Л. Макаров, А. Р. Бахтизин, Г. Л. Бекларян, А. С. Акопов // Программная инженерия. – 2019. – Т. 10, № 4. – С. 167–177.

14. Макаров, В. Л. Укрупненная агент-ориентированная имитационная модель миграционных потоков стран Европейского Союза / В. Л. Макаров, А. Р. Бахтизин, Г. Л. Бекларян и др. // Экономика и математические методы. 2019. –Т. 55, № 1. – С. 3–15.

15. Макаров, В. Л. Цифровой завод: методы дискретно-событийного моделирования и оптимизации производственных характеристик / Л. Макаров, А. Р. Бахтизин, Г. Л. Бекларян // Бизнес-информатика. – 2021. – Т. 15, № 2. – С. 7–20.

16. Хачатрян, Н. К. О квазирешениях типа бегущей волны в моделях организации грузоперевозок / Н. К. Хачатрян, А. С. Акопов, Ф. А. Белоусов // Бизнес-информатика. – 2018. – № 1 (43). – С. 61–70.

17. Akopov, A. S. Agent-based modelling for ecological economics: a case study of the republic of Armenia / A. S. Akopov, L. A. Beklaryan, A. K. Saghatelyan // Ecological Modelling. – 2017. – V. 346. – Pp. 99–118.

18. Akopov, A. S. Agent-based modelling of interactions between air pollutants and greenery using a case study of Yerevan, Armenia / A. S. Akopov, L. A. Beklaryan, A. K. Saghatelyan // Environmental Modelling & Software. – 2019. – Vol. 116. – Pp. 7–25.

19. Akopov, A. S. A multi-agent genetic algorithm for multi-objective optimization / A. S. Akopov, M. A. Hevencev // In: Proceedings – 2013 IEEE International Conference on Systems, Man, and Cybernetics, SMC 2013. – 2013. – Pp. 1391–1395.

20. Akopov, A. S. Designing of integrated system-dynamics models for an oil company A. S. Akopov // International Journal of Computer Applications in Technology. 2012. – Vol. 45, No. 4. – Pp. 220–230.

21. Akopov, A. S. Improvement of Maneuverability Within a Multiagent Fuzzy Transportation System With the Use of Parallel Biobjective Real-Coded Genetic Algorithm / A. S. Akopov, L. A. Beklaryan, M. Thakur // IEEE Transactions on Intelligent Transportation Systems. – 2022. – Vol. 23, no. 8. – pp. 12648–12664.

22. Akopov, A. S. Modelling the dynamics of the 'Smarter Region' / A. S. Akopov, G. L. Beklaryan // In: IEEE/IAFE Conference on Computational Intelligence for Financial Engineering, Proceedings (CIFEr). – 2014. – Pp. 203–209.

23. Akopov, A. S. Optimization of Characteristics for a Stochastic Agent-Based Model of Goods Exchange with the Use of Parallel Hybrid Genetic Algorithm / A. S. Akopov, A. L. Beklaryan, A. A. Zhukova // Cybernetics and Information Technologies. – 2023. – Vol. 23, No. 2. – Pp. 87–104.

24. Akopov, A. S. Parallel genetic algorithm with fading selection / A. S. Akopov // International Journal of Computer Applications in Technology. – 2014. – Т. 49, № 3–4. – С. 325–331.

25. Akopov, A. S. Simulation-Based Optimisation for Autonomous Transportation Systems Using a Parallel Real-Coded Genetic Algorithm with Scalable Nonuniform Mutation / A. S. Akopov, A. L. Beklaryan, L. A. Beklaryan // Cybernetics and Information Technologies. – 2021. – Т. 21, № 3. – Pp. 127–144.

26. Beklaryan, A. L. Simulation of Agent-rescuer Behaviour in Emergency Based on Modified Fuzzy Clustering / A. L. Beklaryan, A. S. Akopov // In Proceedings of the 2016 International Conference on Autonomous Agents & Multiagent Systems (AAMAS '16). International Foundation for Autonomous Agents and Multiagent Systems, Richland. – Pp. 1275–1276.

27. Beklaryan, L. A. Model for organization cargo transportation at resource restrictions / L. A. Beklaryan, N. K. Khachatryan, A. S. Akopov // International Journal of Applied Mathematics. – 2019. – Vol. 32, No 4. – Pp. 627–640.

28. Beklaryan, L. Soliton solutions for the Manhattan Lattice / L. Beklaryan, A. Beklaryan, A. Akopov // International Journal of Applied Mathematics. – 2023. – Vol. 36, No. 4. – Pp. 569–589.

29. Epstein, J. M. Growing artificial societies: social science from the bottom / J. M. Epstein, R. Axtell. – Brookings Institution Press, 1996. – 208 p.

30. Forrester, J. W. Industrial Dynamics / J. W. Forrester. – M.I.T Press, 1961. – 464 p.

31. Forrester, J. W. Urban Dynamics / / J. W. Forrester. – Pegasus Communications, 1969. – 285 p.

32. Johansen, Leif. A Multi-Sectoral Study of Economic Growth / Leif Johansen. – North-Holland, 1960. – 177 p.

33. Kypuros, J. System dynamics and control with bond graph modeling / J. Kypuros. – CRC Press, 2013. – 519 p.

34. Leontief, W. Bilanz der russischen Volkswirtschaft. Eine methodologische Untersuchung / W. Leontief // Weltwirtschaftliches Archiv. – 1925. –Vol. 22, No. 2. – Pp. 338–344.

35. Meadows, D. H. Limits to Growth / D. H. Meadows, D. L. Meadows, J. Randers and Behrens III William W. – New York: University books, 1972.

36. Neumann, J. von. Dber ein okonomisches Gleichungssystem und eine Verallgeineinenmg des Brouwerschen Fixpunktsatzcs / J. von. Neumann // Ergebnisse eines Math. Kolloquiums. – 1937, No. 8. – Pp. 73–83.

37. Schelling, T. C. Dynamic Models of Segregation / T. C. Schelling // Journal of Mathematical Sociology. – 1971. – Vol.1, No. 2. – pp. 143–186.

38. Sterman, J. D. Business Dynamics: Systems thinking and mod eling for a complex world / J. D. Sterman. – Boston : Irwin/McGraw-Hill, 2000. – 982 p.

39. Stewart, R. Simulation : the practice of model development and use / R. Stewart. – Wiley. 2004. – 336 p.

40. Stewart, Q. J. The Development of Social Physics / Q. J. Stewart // American Journal of Physics. – 1950. – Vol. 18. – Pp. 239–253.

41. Yap, Y.L. The Attraction of Cities: A Review of the Migration Literature / Y. L. Yap // Journal of Development Economics. – 1977. – Vol. 4, No. 3. – P. 239–264.