Агент-ориентированные модели в социальных науках

Бахтизин Альберт Рауфович, ЦЭМИ РАН

Агент-ориентированные модели в социальных науках

Общественные науки, в том числе экономические, стоят на пороге масштабного и эффективного использования нового средства для получения знаний об обществе. Это так называемые агент-ориентированные модели (agent based models) или АОМ, относящиеся к классу моделей, основанных на индивидуальном поведении агентов и создаваемых для компьютерных симуляций. Основная идея, лежащая в основе АОМ, заключается в построении вычислительного инструмента, представляющего собой совокупность агентов с определенным набором свойств и позволяющего проводить симуляции реальных явлений. При этом сами модели, используя простые правила поведения, могут выдавать весьма интересные результаты.

Определений АОМ достаточно много (см. например, Axelrod (1997), Bonabeau (2002), Epstein (2005)). В свою очередь мы предлагаем свое, которое с одной стороны является симбиозом определений, данных наиболее авторитетными экспертами в этой области, а с другой – отражает наше понимание моделей этого класса. Итак, АОМ это модель, обладающая следующими основными свойствами:

1. Автономия. Агенты действуют независимо друг от друга и при этом предполагается, что в моделях нет единой регулирующей структуры, которая контролировала бы поведение каждого агента в отдельности. При этом взаимодействие микро- и макроуровней в моделях осуществляется, как правило, следующим образом: на макроуровне задается общий для всех агентов набор правил, и, в свою очередь совокупность действий агентов микроуровня может оказывать влияние на параметры макроуровня.

2. Неоднородность. Агенты чем-то различаются друг от друга, что принципиально отличает АОМ от широко распространенных моделей с агентом-представителем, причем различия между агентами могут проявляться по многим параметрам (в случае агентов, отображающих людей, это могут быть параметры уровня здоровья, дохода, культурного уровня, а также правил принятия решений и т.д.).

3. Ограниченная интеллектуальность агентов (или ограниченная рациональность). Иными словами агенты модели не могут познать нечто большее, выходящее за рамки макросреды модели.

4. Расположение в пространстве. Имеется в виду некоторая «среда обитания», которая может быть представлена как в виде решетки, так и в виде гораздо более сложной структуры. Хотя это свойство не является обязательным.

Помимо перечисленного, общей особенностью всех АОМ и одновременно с этим их главным отличием от моделей других классов является наличие в них большого числа взаимодействующих друг с другом агентов (так, существуют АОМ, число агентов в которых достигает нескольких миллионов; см. например, модель, разработанную под руководством Дж. Эпштейна (Parker (2007))).

Подытоживая отметим, что согласно перечисленным свойствам, агент является автономной сущностью, как правило имеющей графическое представление, с определенной целью функционирования и возможностью обучения в процессе существования до определенного уровня, определяемого разработчиками соответствующей модели. Примерами агентов могут быть: 1) люди (равно как и другие живые организмы), автомобили и другие подвижные объекты; 2) недвижимые объекты, а также 3) совокупности однотипных объектов. Вообще говоря, агентами в АОМ могут быть любые наблюдаемые в реальной жизни объекты, однако основной задачей их учета в рамках модели является их корректная спецификация.

АОМ, как правило, применяются в тех случаях, когда:

  • отношения между переменными модели трудно или невозможно построить;
  • модель содержит стохастические компоненты;
  • для лучшего понимания функционирования объектов в рамках системы требуется визуализация всех происходящих в ней процессов.

Существуют различные программные средства (например, NetLogo, Repast, SWARM, отечественный продукт AnyLogic), позволяющие разрабатывать АОМ.

В ЦЭМИ РАН имеется большой опыт по разработке АОМ. Так, наиболее известными являются: АОМ автомобильных пробок в г. Москве и АОМ рынка авиаперевозок в московском авиационном узле. Ниже приведены их краткие описания.

АОМ автомобильных пробок г. Москвы

Разработанная модель позволяет решать задачи масштаба городской агломерации, связанные с оценкой работы всей транспортной системы в результате изменения следующих ее элементов:

  • введение новых радиальных или кольцевых автомагистралей;
  • строительство новых жилых районов или ввод в эксплуатацию объектов, концентрирующих вокруг себя транспортные потоки (к примеру, это может быть крупный торговый центр);
  • временное закрытие или ликвидация какого-либо элемента транспортной системы;
  • введение экономических санкций (плата за проезд по магистрали, за въезд в зону центра и т.п.).

В модели три типа агентов: 1) агент (человек), который хочет добраться из пункта A в пункт B; 2) легковой автомобиль, перевозящий в среднем 2-х человек; 3) общественный транспорт, перевозящий примерно 150 человек.

Агенты первого типа принимают решение о выборе транспортного средства (т.е. о выборе агента второго или третьего типа) исходя из ряда факторов (затраты денег, времени и уровень комфорта). Агенты второго и третьего типа имеют привязку к анимационной диаграмме, меняющейся в режиме реального времени, а их отображение (т.е. скорость перемещения и местоположение в момент времени t) зависит от конкретной ситуации.

С помощью разработанной модели была произведена оценка загруженности дорог города в результате гипотетического строительства новых дорог с различной геометрией (т.е. новые кольцевые или радиальные дороги). В результате выяснилось, что для г. Москвы строительство дополнительных радиальных дорог по сравнению с дополнительной кольцевой (при этом для тех и других дорог была предусмотрена одинаковая длина) является более эффективной мерой для борьбы с пробками. Более подробно про модель и результаты работы с ней можно прочитать в статье «Регулирование транспортных потоков в городе – проблемы и решения» (Макаров, Житков, Бахтизин (2009)).

АОМ рынка авиаперевозок в московском авиационном узле.

Данная модель была разработана совместно со специалистами компании «Аэрофлот», а цель ее разработки заключалась в оценке изменения численности пассажиров в результате диверсификации рейсов авиакомпании по различным аэропортам г. Москвы.

В модели рассмотрены три авиаперевозчика «Аэрофлот», «Utair» и «S7», осуществляющие авиарейсы в г. Москву (каждый в свой базовый аэропорт) и пассажиры, осуществляющие выбор в пользу того или иного авиаперевозчика. Время, необходимое для того чтобы добраться из трех аэропортов до различных районов г. Москвы рассчитано на основе карты города.

В агент-ориентированной модели пассажиры, прибывающие в г. Москву из различных городов России распределяются по районам города пропорционально числу жителей микрорайонов.

Основные результаты, полученные с помощью разработанной модели заключаются в следующем:

  1. Ухудшение ситуации на дорогах «идет на руку» в первую очередь перевозчику компании «Utair», обслуживающуюся во Внуково (во вторую – «S7», обслуживающуюся в Домодедово), с другой стороны ее улучшение – перевозчику «Аэрофлоту» (в ущерб «Utair» и «S7»).
  2. Диверсификация авиарейсов перевозчика «Аэрофлот» по дополнительным аэропортам увеличивает его рыночную долю в московском авиационном узле.

Более подробно модель описана в статье «Применение агент-ориентированного подхода для исследования рынка авиаперевозок» (Бахтизин, Денисов, Шахов (2008)).

И, в заключении, вкратце опишем АОМ распространения знаний, построенную с использованием геоинформационной системы (ГИС).

Общая схема построения АОМ на базе ГИС состоит из трех основных этапов:

I. Прорисовка среды для функционирования агентов (напр., карты страны).

II. Для каждого элемента карты задаются свойства и методы, инициализируемые перед запуском модели с помощью соответствующих запросов к базе данных ГИС.

III. Для каждого элемента карты создается определенное число экземпляров объектов типа «агент».

По указанной схеме была разработана АОМ распространения знаний. Ниже приведено ее концептуальное описание (в виде набора тезисов).

1. Жизненный цикл агента состоит из двух основных стадий (рождение и смерть) и промежуточных состояний, отслеживаемых на каждом шаге работы модели.

2. От момента рождения и до определенного возраста (по умолчанию 18 лет) агент не участвует в процессе производства ВВП.

3. В течение жизни агент может стать либо обычным работником, либо ученым, либо «прикладником». Прослойка ученых создает базис для формирования прослойки «прикладников».

4. Становление ученого. По достижению работоспособного возраста, агент с некоторой вероятностью может стать ученым. Если до 25 лет агент не становится ученым, то он не будет им никогда.

Ученые не участвуют в создании ВВП, но в то же время:

- производят знания, потребляемые «прикладниками», которые участвуют в процессе производства ВВП;

- формируют среду, которая оказывает влияние на количество «прикладников».

5. Агент перестает быть ученым (или «прикладником») из-за низкой зарплаты (т.е. если заработная плата ученого (или «прикладника») заметно ниже, чем в социуме, то он уходит на работу в другие отрасли). Агент – бывший ученый (или «прикладник») может снова вернуться в науку (или на работу в инновационно-активные предприятия), если заработная плата в науке (или прикладной науке) станет выше, чем в среднем по социуму и если время отрыва от научной деятельности не превышает некоторого порога (по умолчанию 5 лет).

6. Продолжительности жизни агента-ученого (и «прикладника») выше, чем у обычного человека (по умолчанию на 10 лет) . Однако в модели фактор продолжительности жизни не принимается в расчет при выборе профессии.

7. С задаваемой вероятностью (рассчитанной на основе российской статистики) агенты могут иметь ребенка. При этом ребенок агента-ученого (или «прикладника») становится ученым (или «прикладником») с большей вероятностью.

8. В модели предусмотрен экзогенный параметр – средняя зарплата высокоразвитых стран мира. Если в моделируемом социуме средняя зарплата (как у ученых, так и у представителей других профессий) становится сильно ниже, чем в других странах, то ученый (или «прикладник») выбывает из социума навсегда (переезд в другую страну).

С помощью разработанной модели можно рассчитать последствия от:

  • увеличения заработной платы (всем типам работников);
  • организации инновационных центров;
  • дополнительных инвестиций в науку.

Спецификация агентов модели осуществлялась с учетом следующих параметров:

  • возраст;
    • продолжительность жизни;
    • специализация родителей;
    • место работы;
    • регион проживания;
    • доход.

Спецификация регионов (элементов ГИС) осуществлялась с учетом следующих параметров:

  • географические границы;
  • количество жителей;
  • количество работников (по типам);
  • ВРП;
  • ВРП на душу;
  • объем инвестиций;
  • объем инвестиций на душу;
  • средняя заработная плата;
  • средняя продолжительность жизни;
  • показатель прироста населения и др.

Для наполнения модели данными использовались статистические сборники: 1) Регионы России; 2) Наука России в цифрах; 3) Индикаторы науки; 4) Индикаторы образования. Помимо этого были использованы социологические базы данных RLMS

Предварительные расчеты показали, что времени, необходимого для исчезновения прослойки ученых, требуется намного меньше, чем для ее создания.

Литература:

1. Бахтизин А.Р., Денисов М.Ю., Шахов В.В. Применение агент-ориентированного подхода для исследования рынка авиаперевозок / Федерализм, 4 (52), 2008.

2. Макаров В.Л. Искусственные общества / Искусственные общества. 2006. Т. 1. № 1. М: ЦЭМИ РАН, 2006.

3. Макаров В.Л., Житков В.А., Бахтизин А.Р. Регулирование транспортных потоков в городе – проблемы и решения. Экономика мегаполисов и регионов, № 3 (27), 2009.

4. Axelrod Robert (1997): The Complexity of Cooperation: Agent-Based Models of Competition and Collaboration, Princeton: Princeton University Press.

5. Bonabeau Eric (2002): Agent-based modeling: methods and techniques for simulating human systems. Proc. National Academy of Sciences 99(3): 7280-7287.

6. Epstein Joshua M. (2005): Remarks on the foundations of agent-based generative social science. Handbook on Computational Economics, Volume II, K. Judd and L. Tesfatsion, eds. North Holland Press.

7. Parker Jon (2007): A Flexible, Large-Scale, Distributed Agent Based Epidemic Model. CSED Working Paper No. 52.

PAGE 2

Агент-ориентированные модели в социальных науках