Агентное моделирование в исследовании и прогнозировании социально-экономических систем и процессов

Всепроникающая диджитализация, представляющая собой процесс оцифровки не только количественных, но и качественных сторон объектов реального мира, создает для человечества новые вызовы и новые возможности. Воплощением таких возможностей, в частности, становится использование растущего объема данных в науке. И речь здесь идет не только о классических статистических методах, но и о сложных нейросетевых и имитационных подходах, многие из которых уже сегодня успешно применяются. Настоящая работа посвящена исследованию опыта применения одного из таких подходов – агент-ориентированного моделирования. Данная методология является универсальной и позволяет воспроизводить социально-экономические системы и процессы самой разной степени сложности. Ограничениями при ее применении могут выступать лишь теоретические познания исследователя и/или вычислительные мощности платформы реализации имитационных моделей.

В первой части статьи описывается генезис агентного моделирования, обсуждаются его философские и методологические основания. В частности, показано, что отдельные элементы агентного подхода имеют пересечения с философскими концепциями атомизма, механицизма и статистической механики. Вторая часть посвящена анализу опыта применения агентного моделирования к исследованию социально-экономических систем и процессов. В заключение обсуждаются тенденции развития агентного моделирования и перспективные направления его применения.

Ключевые слова

агент-ориентированный подход, имитационное моделирование, социально-экономические системы и процессы, компьютерные технологии, информационные технологии, когнитивные технологии

Источник финансирования

Исследование выполнено при финансовой поддержке РФФИ в рамках научного проекта № 19-110-50165

Получено

16.07.2020

Дата публикации

29.03.2021

Кол-во символов

78075

Цитировать

ГОСТ	Рамазанов Р. Р. Агентное моделирование в исследовании и прогнозировании социально-экономических систем и процессов // Экономика и математические методы – 2021. – Tом 57. – Номер 1 C. 19-32 [Электронный ресурс]. URL: https://emm.jes.su/S042473880010550-4-1 (дата обращения: 23.07.2024). DOI: 10.31857/S042473880010550-4
MLA	Ramazanov, Ruslan "Agent modeling in research and forecasting of socio-economic systems and processes." Ekonomika i matematicheskie metody 57.1 (2021):19-32. DOI: 10.31857/S042473880010550-4
APA	Ramazanov R. (2021). Agent modeling in research and forecasting of socio-economic systems and processes. Ekonomika i matematicheskie metody 57(1), pp.19-32 DOI: 10.31857/S042473880010550-4

100 руб.

При оформлении подписки на статью или выпуск пользователь получает возможность скачать PDF, оценить публикацию и связаться с автором. Для оформления подписки требуется авторизация.

Оператором распространения коммерческих препринтов является ООО «Интеграция: ОН»

Всего подписок: 0, всего просмотров: 759

Оценка читателей: голосов 0

1. Болл Ф. (2008). Критическая масса. Как одни явления порождают другие. Пер с англ. Хачояна А. Под ред. Эрлиха Г. – М.: Гелеос. –528 с.

2. Борщев А.В. От системной динамики и традиционного ИМ — к практическим агентным моделям: причины, технология, инструменты // ООО «XJ Technologies» и СПбПУ. URL: http://www.gpss.ru/paper/borshevarc.pdf

3. Емельянов А.А., Власова Е.А., Дума Р.В. (2018). Имитационное моделирование экономических процессов / Под ред. А.А. Емельянова. М.: Финансы и статистика, 368 с.

4. Зулькарнай И. У. (2019). Имитационное моделирование в исследовании вопросов оптимального размещения системообразующих вузов по территории страны // Искусственные общества. Т. 14. № 4. С. 9. https://artsoc.jes.su/s207751800007884-1-1/.

5. Зулькарнай И.У. (2014). Задача агент-ориентированного моделирования распределения функций по вертикали в асимметричной федерации // Вестник Башкирского университета. Т. 19. № 4. С. 1249-1255. http://bulletin-bsu.com/archive/2014/4/27/

6. Каталевский Д.Ю., Солодов В.В., Кравченко К.К. (2012). Моделирование поведения потребителей // Искусственные общества. 2012. Т. 7. № 1-4. С. 3. https://artsoc.jes.su/s207751800000049-2-1/

7. Макаров В.Л., Бахтизин А.Р., Бекларян Г.Л., Акопов А.С. (2019a). Имитационное моделирование системы «умный город»: концепция, методы и примеры // Национальные интересы: приоритеты и безопасность. Т. 15. № 2 (371). С. 200-224.

8. Макаров В.Л., Бахтизин А.Р., Сушко Е.Д., Агеева А.Ф. (2017). Искусственное общество и реальные демографические процессы // Экономика и математические методы. Т. 53. № 1. С. 3-18.

9. Макаров В.Л., Бахтизин А.Р., Сушко Е.Д., Сушко Г.Б. (2019b). Агент-ориентированная суперкомпьютерная демографическая модель России: анализ апробации // Экономические и социальные перемены: факты, тенденции, прогноз. Т. 12. № 6. С. 74-90.

10. Полякова Н.Л. (2012). Методологическая саморефлексия социологии в конце 60-х – начале 70-х гг. Xx в.: спор о позитивизме // Вестник Московского университета. Серия 18. Социология и политология. № 4. С. 24-52.

11. Рамазанов Р.Р. (2017). Сравнительная характеристика подходов имитационного моделирования общественных процессов // Вестник УГНТУ. Наука, образование, экономика. Серия: Экономика. № 2 (20). С. 67-77.

12. Рамазанов Р.Р. (2017). Сравнительная характеристика подходов имитационного моделирования общественных процессов // Вестник УГНТУ. Наука, образование, экономика. Серия: Экономика. № 2 (20). С. 67-77.

13. Рамазанов Р.Р. (2018). Агентное моделирование движения факторов производства // Искусственные общества. Т. 13. № 4. С. 11. https://artsoc.jes.su/s207751800000135-7-1/

14. Adorno Th. (1970). Zur Logik der Sozialwissenschaften. Der Posotivismusstreit in der deutschen Soziologie. S. 125–144.

15. Albin P., Foley K. (1990). Decentralized, Dispersed Exchange without an Auctioneer: A Simulation Study. Journal of Economic Behavior and Organization, 18 (1), 27-51.

16. Axelrod R. (1984). The Evolution of Cooperation. Basic Books.

17. Axelrod R. (1987). The Evolution of Strategies in the Iterated Prisoner’s Dilemma. // In Genetic Algorithms and Simulated Annealing. Edited by L. Davis. Los Altos, Calif.: Morgan Kaufmann.

18. Axelrod R. (1995). The Convergence and Stability of Cultures: Local Convergence and Global Polarization. Working Paper. 95-03-028. Santa Fe, N.M.: Santa Fe Institute.

19. Axelrod R. (1997). The dissemination of culture: a model with local convergence and global polarization. J. Conflict Resolute, 41, 203–226.

20. Axelrod R. A. (1993). Model of the Emergence of New Political Actors // Working Paper. 93-11-068. Sante Fe, N.M.: Santa Fe Institute.

21. Axelrod R., Bennett D. (1993). A Landscape Theory of Aggregation British Journal of Political Science, 23 (2), 211-233.

22. Axelrod R., Mitchell W. (1995) Coalition Formation in Standard-Setting Alliances. Management Science, 41 (9), 1493-1508.

23. Axtell R. (2006). Firm sizes: facts, formulae, fables and fantasies. The Brookings Institution. Washington, DC. USA. CSED Working Paper, 44, 21.

24. Bagni R., Berchi R., Cariello, P. A. (2002). Comparison of simulation models applied to epidemics. Journal of Artificial Societies and Social Simulation, 5 (3). http://jasss.soc.surrey.ac.uk/5/3/5.html

25. Berger T. (2001). Agent-based spatial models applied to agriculture: A simulation tool for technology diffusion, resource use changes and policy analysis. Agricultural Economics, 25 (2-3), 245-260. https://doi.org/10.1111/j.1574-0862.2001.tb00205.x

26. Bernardes A., Stauffer D., Kertesz J. (2002). Election results and the Sznajd model on Barabasi network. Eur. Phys. J., 25, 123–127. https://doi.org/10.1140/e10051-002-0013-y

27. Broekea G., Voorna G., Ligtenberg A. (2016). Which Sensitivity Analysis Method Should I Use for My Agent-Based Model? Journal of Artificial Societies and Social Simulation, 19 (1). http://jasss.soc.surrey.ac.uk/19/1/5.html.

28. Danielson P. (1992). Artificial Morality: Virtuous Robots for Virtual Games. New York: Routledge.

29. Danielson P. (1996). Modelling Rationality, Morality and Evolution. New York: Oxford University Pres.

30. Epstein J. M., Axtell R. (1996). Growing artificial societies: social science from the bottom up. Brookings Institution Press, 224.

31. Epstein J., Axtell R. (1996). Growing artificial societies: social science from the bottom up. Brookings Institution Press, 224.

32. Foley K. (1994). A Statistical Equilibrium Theory of Markets // Journal of Economic Theory. 62, 321-45.

33. Friedenberg J. (2008). Artificial Psychology: The Quest for What It Means to Be Human. Taylor & Francis: Basingstoke.

34. Ghazi S., Dugdale J., Khadir T. (2016). Modelling Air Pollution Crises Using Multi-agent Simulation. 49th Hawaii International Conference on System Sciences, 1530-1605. doi: 10.1109/HICSS.2016.29

35. Guillermo M. (2012). Using Artificial Societies to Understand the Impact of Teacher Student Match on Academic Performance: The Case of Same Race Effects. Journal of Artificial Societies and Social Simulation 15 (4) 8. http://jasss.soc.surrey.ac.uk/15/4/8.html

36. Hahn U., Sydow M., Merdes C. (2019). How Communication Can Make Voters Choose Less Well. Topics in Cognitive Science, 11 (1), 194-2060. https://doi.org/10.1111/tops.12401

37. Helbing D., Vicsek T. (2000). Simulating dynamical features of escape panic Nature, 407 (28), 487-490.

38. Helbing, D., Mulnar, P. (1995). Social force model for pedestrian dynamics Phys. Rev, 51, 4282-4286.

39. Helmreich S. (1998). Silicon second nature: Culturing artificial life in a digital world. University of California Press.

40. Hills T., Todd P. (2008). Population heterogeneity and individual differences in an assortative agent-based Marriage and Divorce Model (MADAM) using search with relaxing expectations Journal of Artificial Societies and Social Simulation, 11 (4). http://jasss.soc.surrey.ac.uk/11/4/5.html

41. Hobbes T. (1651). Leviathan – Oxford University Press.

42. Huang J., Liu L., Shi L. (2016). Auction policy analysis: an agent-based simulation optimization model of grain market. Proceedings of the 2016 Winter Simulation Conference, 3417-3428. doi: 10.1109/WSC.2016.7822372

43. Kalick S. M., Hamilton T. E. (1986). The matching hypothesis reexamined. Journal of Personality and Social Psychology, 51(4), 673–682. https://doi.org/10.1037/0022-3514.51.4.673

44. Lansing J. S. (2002). «Artificial Societies» and the Social Sciences. Artificial Life 8(3), 279-292. https://doi.org/10.1162/106454602320991864

45. Laplace P.S. (1951 [1814]) A Philosophical Essay on Probabilities, translated into English from the original French 6th ed. by Truscott, F.W. and Emory, F.L., Dover Publications (New York, 1951). https://archive.org/details/philosophicaless00lapliala/page/n5/mode/2up?q=atom

46. Lee J., Filatova T., Ligmann-Zielinska A., Hassani-Mahmooei B., Stonedahl F., Lorscheid I., Voinova A., Polhill G., Sun Z., Parker D. (2015). The Complexities of Agent-Based Modeling Output Analysis. Journal of Artificial Societies and Social Simulation, 18 (4). DOI: http://jasss.soc.surrey.ac.uk/18/4/4.html

47. Ligmann-Zielinska A., Kramer D. B., Cheruvelil K. S., Soranno P. A. (2014). Using Uncertainty and Sensitivity Analyses in Socioecological Agent-Based Models to Improve Their Analytical Performance and Policy Relevance. PloS one, 9(10), 235–247. https://doi.org/10.1371/journal.pone.0109779.

48. Makarov V. L., Bakhtizin A. R. (2009). The 6th Conference of the European Social Simulation Association, 14th-18th September, University of Surrey. Guildford. United Kingdom.

49. Medina F., Quesada F., Lozano V. (2014). The Production of Step-Level Public Goods in Structured Social Networks: An Agent-Based Simulation. Journal of Artificial Societies and Social Simulation, 17 (1) 4. http://jasss.soc.surrey.ac.uk/17/1/4.html.

50. Nagel K., Paczuski M. (1995.) Emergent Traffic Jams Physical Review E, 51, 2909–2918.

51. Nagel K., Schreckenberg M. (1992). A cellular automaton model for freeway traffic. Journal de Physique I, 2 (12), 2221.

52. Quetelet A. (1832). Recherches sur le penchant au crime aux differens ages. Nou veaux memoires de Vacademie royale des sciences et belles-lettres de Bruxelles 7, 136.

53. Saama N., Kerberb W. (2013). Policy Innovation, Decentralised Experimentation, and Laboratory Federalism. Journal of Artificial Societies and Social Simulation 16 (1). http://jasss.soc.surrey.ac.uk/16/1/7.html

54. Schelling T. (1978). Micromotives and macrobehavior. New York: W.W. Norton&Company, 252.

55. Schelling T. C. (1969). Models of Segregation. American Economic Review, Papers and Proceedings, 59 (2), 488-93.

56. Schelling T. C. (1971a). Dynamic Models of Segregation. Journal of Mathematical Sociology, 1, 143-86.

57. Schelling T. C. (1971b). // On the Ecology of Micromotives. The Public Interest 25, 61-98.

58. Simon H. (1987). Giving the Soft Sciences a Hard Sell. Boston Globe.

59. Souissi M.A., Bensaid Kh., Ellaia R. (2018). Multi-agent modeling and simulation of a stock market. Investment Management and Financial Innovations, 15(4), 123-134. http://dx.doi.org/10.21511/imfi.15 (4).2018.10

60. Strubenhoff M. (2017). The Positivism Dispute in German Sociology, 1954-1970, History of European Ideas 44. https://doi.org/10.1080/01916599.2017.1387802

61. The Life of James Clerk Maxwell: With Selections from His Correspondence and Occasional Writings (Lewis Campbell; William Garnett.

62. Todd P. M., Billari F.C. (2003). Population-wide marriage patterns produced by individual mate-search heuristics. Contributions to Economics, 117-137. doi:10.1007/978-3-7908-2715-6_7.

63. Troitzsch K. G. (2014). Simulation Experiments and Significance Tests. In: Artificial Economics and Self-Organization, 669 of Lecture Notes in Economics and Mathematical Systems. Springer International Publishing, 17–29. http://link.springer.com/10.1007/978-3-319-00912-4.

64. Vallacher R. (2017). Computational Social Psychology. Routledge: London.

65. Waldrop M. (1992). Complexity: The emerging science at the edge of order and chaos. (p. 255). New York: Touchstone.

66. Walker L., Davis P. (2013). Modelling «marriage markets»: a population-scale implementation and parameter test Journal of Artificial Societies and Social Simulation, 16 (1). http://jasss.soc.surrey.ac.uk/16/1/6.html

67. Yang J., Liu R., Zhang G. (2018). Task structure, individual bounded rationality and crowdsourcing performance: an agent-based simulation approach Journal of Artificial Societies and Social Simulation, 21 (4). http://jasss.soc.surrey.ac.uk/21/4/12.html.