Агент-ориентированное и имитационное моделирование: внедрение в экономику и коммуникация между учеными, занятыми в данной области
Агент-ориентированное и имитационное моделирование: внедрение в экономику и коммуникация между учеными, занятыми в данной области
Аннотация
Код статьи
S207751800000140-3-1
DOI
10.18254/S0000140-3-1
Тип публикации
Статья
Статус публикации
Опубликовано
Авторы
Абрамов Владимир Иванович 
Должность: Научный сотрудник
Аффилиация: ЦЭМИ РАН
Адрес: Москва, 117418, Нахимовский пр-т, д. 47
Аннотация
Работа посвящена анализу интеграции имитационного моделирования в экономическую науку в период с 1969 по 2004 гг. Изначально имитационное моделирование выполняло задачи нахождения численного решения сложных математических моделей. Однако, с развитием более сложных и мощных языков программирования, область применения имитационного моделирования сильно расширилась. В большинстве литературных источников по данной тематике имитационное моделирование воспринимается как особый метод создания и развития научных теорий. С наиболее продвинутыми методами (например, агент-ориентированное моделирование) возможно получать их содержательное, и в то же время строгое описание, которого невозможно достичь с помощью математического и вербального моделирования. Однако, возможность сочетания методов, недавнее возникновение имитационного моделирования как методологии, а также многообразие методов создает определенные трудности при анализе литературных источников по соответствующей теме с точки зрения определения роли и потенциала применения имитационного моделирования в экономических исследованиях.
Ключевые слова
агент-ориентированное моделирование, имитационное моделирование, информационные технологии
Классификатор
Получено
03.11.2018
Дата публикации
08.11.2018
Кол-во символов
14866
Всего подписок
3
Всего просмотров
412
Оценка читателей
0.0 (0 голосов)
Цитировать Скачать pdf

Для скачивания PDF необходимо авторизоваться

1 Имитационное, а также агент-ориентированное моделирование является молодым и перспективным подходом для анализа сложных систем. С развитием компьютерных технологий все чаще применяются методы имитационного моделирования (далее – ИМ). Данная статья посвящена анализу эволюции исследований и коммуникации между учеными, занятыми в этой области. Для исследования степени интеграции имитационного моделирования в экономическую науку были проанализированы публикации по данной тематике, включенные в базу EconLit (The American Economic Association’s electronic bibliography) в период с 1969 по 2004 г. Особое внимание в работах было уделено аннотациям, а также ссылкам и цитатам как способам привлечения читателей, т.е. обеспечивающих диффузию знаний о имитационном моделировании в общество. В соответствии с классификацией [1], модели можно разделить на:
2
  • модели системной динамики;
  • микромоделирование;
  • дискретно-событийные модели;
  • многоуровневые модели;
  • агент-ориентированные вычислительные модели;
  • обучающиеся системы (нейронные сети, генетические алгоритмы, системы классификаторов и т. д.).
3 Изначально имитационное моделирование выполняло задачи нахождения численного решения сложных математических моделей [2]. Однако, с развитием более сложных и мощных языков программирования, область применения ИМ сильно расширилась. Стало возможным моделирование диффузии новых экономических теорий с высокой степенью описания результатов. Однако степень детализации является неоднородным параметром. Поэтому важно понимать различия между моделированием, расширяющим возможности математического моделирования и статистического анализа, и моделированием, создающим самостоятельную теорию или концепцию. Кроме того, рассматривая моделирование в качестве автономного способа проведения исследования, следует учитывать, что каждая отдельная методика подразумевает разные взгляды на функционирование моделируемых явлений [3, 4].
4 В приведенной ниже таблице приведены основные свойства методов моделирования в соответствии с классификацией.
5

Таблица 1 Особенности теоретических методов имитационного моделирования

6

7 Системная динамика [5], родоначальником которой является кибернетика [6], стремится заменить линейную концепцию причинности круговой. Система является целостной, и ее динамика выражается через уровень и темпы.
8 Дискретное моделирование событий (например, порядковые модели) имеет схожую концепцию. При помощи такого метода предпринимаются попытки моделирования динамики системы в условиях дискретного времени. Каждый элемент системы имеет активность, и изменяет свое состояние в зависимости от времени.
9 Предпосылкой создания такого метода, как микромоделирование [7], являлось неудовлетворительное качество сбора и интерпретации экономических данных, в будущем используемых в политических целях. Важным фактором в политике является учет особенностей разных групп населения (например, пол, возраст, доход и т. д.). Метод позволяет выявлять экономические факты с высокой детализацией поведения индивидов, которые в значительной степени зависят от характеристик микро-единиц и способа моделирования. Микромоделирование генерирует гипотетические панельные данные, в которых характеристика каждой единицы данного населения определяется из заранее определенного набора вероятностей перехода. Однако, микромоделирование, позволяющее создавать инновационные событийные модели на уровне индивидов с учетом неоднородности поведения людей, не показывает фактического взаимодействия, и не имеет основополагающей теории наблюдаемых явлений.
10 Многоуровневое моделирование имеет общие черты с микромоделированием, однако в данном методе вводятся косвенные взаимодействия, имитирующие взаимодействия всего населения.
11 Агент-ориентированные модели (далее – АОМ) создают новые теории с децентрализованным взаимодействием. Исследования, осуществляемые при помощи АОМ, позволяют интерпретировать экономические явления с учетом самостоятельности агентов. При этом критике подвергается идея экономических агентов, действующих абсолютно рационально.
12 Наконец, обучающиеся системы были заимствованы из биологических [8] и сетевых [9] систем. При помощи таких систем можно создавать структуры, способные приспосабливаться к изменениям среды в модели.
13 Тенденция стремительного увеличения количества опубликованных работ (более чем в 6 раз) в области ИМ прослеживается с 1989 по 1996 гг. Это связано с увеличением неудовлетворенности качеством результатов стандартных методов классического моделирования в 90-х гг. В то же время, стоимость компьютерных вычислений стала быстро сокращаться.
14 В анализируемый период наиболее активное использование ИМ прослеживается в государственном, промышленном и финансовом секторах; самые низкие показатели наблюдаются в сфере экономического роста и интернациональной экономики. С точки зрения методов, системная динамика в основном используется в экономике государственного и промышленного секторов, а также в стратегическом анализе; микромоделирование особенно интегрировано в исследованиях государственного сектора. Обучающиеся системы представлены практически во всех секторах, причем особенно активно используются в форме нейронных сетей в промышленности, финансах и теории потребительского выбора. Дискретно-событийное моделирование встречается практически в одинаковом количестве в государственном и промышленном секторах, городской экономике и в остаточной категории. Наконец, АОМ используется в теории потребительского выбора, промышленном производстве, государственном секторе и демографии.
15 Стоит помнить, что, не смотря на активную интеграцию ИМ в экономику, теории по-прежнему являются сильно ограниченными. Только статистические и эконометрические методы имеют возможность тестирования и верификации ими теорий, смоделированных при помощи традиционной методологии. Именно поэтому ИМ все еще занимает малую долю в экономических исследованиях.
16 При сравнении уместности использования различных методов ИМ выясняется, что самыми успешными являются модели, способные к обучению. Однако часто интерпретация полученной информации является спорной. С одной стороны, некоторые видят в генетических алгоритмах и нейронных сетях альтернативу моделям с парадигмой абсолютной рациональности агентов и поэтому делают вывод, что их активное распространение свидетельствует об устаревании такого типа экономического агента, как человека экономического (homo economicus). С другой стороны, обучающиеся системы часто используются в задачах оптимизации с различными условиями, а поэтому имеют право включаться в передовое развитие экономической теории.
17 В таблице 2 приведена относительная значимость методов, подразумевающих теоретическое использование ИМ. В общей сложности 6 перечисленных методов отвечает за 17% исследований, а в категории "статистика, эконометрика и численные решения" и "необъяснимые системы", для которой невозможно определить вид использованных методов ИМ - соответствует 39% и 44% исследований соответственно.
18 Таблица 2 Количество теоретических ИМ, используемых в исследованиях.
Метод ИМ Доля (в%)
Системная динамика 6%
Микромоделирование 23%
Дискретно-событийное моделирование 5%
Многоуровневое моделирование 1%
АОМ 18%
Обучающиеся системы 47%
19 После анализа внедрения ИМ в экономику следует перейти к вопросу передачи знаний внутри научного сообщества. Данный вопрос очень важен ввиду сложности методов ИМ. Часто возникают ситуации, когда в опубликованной работе невозможно выяснить, какие методы и источники были использованы. Таким образом, вводится понятие «необъясненности» в таких работах. Как видно из таблицы 3, обнаруживается, что доля необъясненного в работах становится все меньше на протяжении времени.
20 Таблица 3 Доля необъясненного по годам (1969-2004)
Годы Доля необъясненного (в %)
1969-74 69%
1975-80 75%
1981-86 58%
1987-92 51%
1993-98 44%
1999-04 35%
21 Тем не менее, такой тренд подтверждается лишь на временном промежутке с 1987 по 2004 гг., а поэтому нуждается в дальнейшей проверке.
22 Таблица 4 отражает долю объясненного в работах с точки зрения секторальной группировки. Секторы при этом разделены по важности в экономике. Самой приоритетной и объясненной областью являются количественные методы. История не считается сектором, так как в этой категории отсутствует методологическая составляющая. Тем не менее, история была включена в таблицу, так как большинство статистических и эконометрических публикаций (которые составляют 39% всех наблюдений) были использованы именно в этой категории.
23 Таблица 4 Степень объясненности работ и относительна важность секторов в экономике
Сектор   Степень объясненности Количество публикаций Важность (в %)
Количественные методы Хорошо объясненные 98% 1821 25%
Финансы   54% 610 8%
Теория потребления   53% 295 4%
Налоговая и валютная политика   47% 617 8%
Городской и региональный уровень   43% 175 2%
Рост   42% 168 2%
экономика государственного хозяйствования   42% 413 6%
Потоки Средне объясненные 42% 81 1%
Государственная политика   41% 379 5%
экономика народонаселения   40% 135 2%
Бухгалтерский учет   38% 590 8%
Труд   37% 221 3%
НТП   36% 48 1%
Глобализация   33% 354 5%
Образование   33% 53 1%
Экономика внешней среды   32% 282 4%
Медицина   31% 140 2%
Другое Плохо объясненные 27% 499 7%
Агропромышленность   26% 334 5%
Развитие   12% 10 0%
История   11% 35 0%
24 Приведенные выше данные подтверждают предположение [1], согласно которому наличие однородной терминологии у ученых существенно облегчает их коммуникацию. Стоит отметить, что доля объясненных работ практически всегда не превышает порога в 50%. Кроме того, среди наиболее объясненных секторов в наибольшей степени представлены АОМ.
25 Высокая доля необъясненных работ может также объясняться их дифференциацией. Необходимость объяснения работ может возникнуть при их размещении в СМИ. К примеру, достаточно хотя бы приводить журнал, где была опубликована статья, или издательство, в котором была издана книга или серия книг по данной тематике. В таком случае информация начнет циркулировать через такие неофициальные каналы, как репутация источника, и будет представлена общественности более структурированно. Таблица 5 отражает распределение статей в разных источниках.
26 Таблица 5 Распределение работ по источникам
Источник Количество работ Объясненность (в %) Доля работ без эконометрики и статистики Доля работ с АОМ
Статьи 63% 60% 63% 48%
Working Paper 23% 25% 18% 13%
Сборники статей 9% 9% 12% 8%
Книги 5% 5% 7% 29%
Диссертации 1% 2% 1% 1%
Всего 100% 100% 100% 100%
27 Большинство публикаций, даже если исключить работы с эконометрическими и статистическими методами, были изданы в журналах, причем такая же тенденция сохраняется и для работ, где использовано несколько методов. К примеру, в последнем столбце приведены цифры по АОМ (224 работы). Можно сказать, что публикации в основном циркулируют в виде статей. Для точности также была проанализирована доля необъясненности во всех работах по типам источников (см. таблицу ниже).
28 Таблица 6 Доля необъясненности в работах, распределенных по источникам
Источник Доля необъясненности
Статья 50%
Книга 48%
Сборник статей 50%
Working paper 84%
Диссертации 58%
29 В таблице видно, что результат незначительно меняется при подобном распределении (исключая working paper), поэтому можно сказать, что в среднем предпочтения авторов не оказывают сильного влияния на результат.
30 Необходимо также проверить, являются ли журналы узкоспециализированными или предназначены для широкого круга читателей. В первом случае данные из таблицы 6 не будут иметь корреляции между источником публикации и предпочтениями авторов. Для проверки была рассчитана степень влияния работ на науку при помощи специального индекса [10]. Таблица 7 демонстрирует долю статей о ИМ первых 80 позиций рейтинга степени влияния.
31 Таблица 7 Доля работ в первых позициях рейтинга значимости
Рейтинг Доля работ
1-10 2%
11-20 3%
21-30 4%
31-40 5%
41-50 3%
51-60 3%
61-70 2%
71-80 2%
32 Из проведенного в работе анализа вытекает 2 вывода. В большинстве литературных источников по исследуемой тематике ИМ воспринимается как особый метод создания и развития научных теорий. С наиболее продвинутыми методами (например, АОМ) возможно получать их содержательное, и в то же время строгое описание, которого невозможно достичь с помощью математического и вербального моделирования. Однако, возможность сочетания методов, недавнее возникновение ИМ как методологии и многообразие методов делает литературу по соответствующей теме довольно невнятной и смутной с точки зрения доказательства важной роли и большого потенциала ИМ.
33 В области экономики эта ситуация часто усугубляется привычкой авторов не раскрывать свой способ моделирования. Касательно теоретического аспекта, ведущие экономисты направили свои силы на доказательство теорем и нахождение условий равновесия. В такой ситуации ИМ с его экспериментальным уклоном является недостаточно строгим в связи с активным внедрением математики в экономическую теорию. ИМ в большинстве случаев предлагает объяснение исследуемого феномена в экономике на «языке» чисел и графиков. Необходимость регулирования и измерения часто приводит к утрате реалистичности и применимости модели. Особый вклад в решение этой проблемы внес Деидре МакКлоски [11, 12]. В качестве аргумента в пользу необходимости использования ИМ в экономике он приводил микромоделирование. С точки зрения истории экономической мысли [13], ученый обращал внимание на тот факт, что особенно эффективно укрепляются модели, заимствованные из физики (нейронные сети и т. п.). Наконец, ИМ является «путеводной нитью», связывающей большую часть работ, имеющих дело с парадигмой сложных адаптивных систем [14]. Это является особенно важным обстоятельством, так как интерпретация экономических явлений с точки зрения децентрализации и неоднородности приводит к нелинейности, не поддающейся объяснению при помощи традиционных аналитических инструментов.

Библиография

1. R. Axelrod, "Advancing the Art of Simulation in the Social Sciences" // Simulating Social Phenomena, Lecture Notes in Economics and Mathematical Systems, Berlin, Springer - Verlag., 1997, стр. 21-40.

2. N. Gilbert, K.G. Troitzsch, "Simulation for the Social Scientist" / Buckingham, OpenUniversity Press, 1999.

3. J.M. Epstein, "Agent-based Computational Models and Generative Social Science" // Complexity, 9, 4, 1999, стр. 41-60.

4. J.M. Epstein, R. Axtell, УGrowing Artificial SocietiesФ / Cambridge (Mass.), MIT Press 1999.

5. J.W. Forrester, "Industrial Dynamics - A Major Breakthrough for Decision Makers" // Harvard Business Review, 36(4), 1958, стр. 37-66.

6. N. Wiener, УI am a MathematicianФ / New York, Doubleday, 1956

7. G.H. Orcutt, "A New Type of Socio-Economic System" // Review of Economics and Statistics", 58, 1957, стр. 773-97.

8. J.H. Holland, УAdaptation in Natural and Artificial SystemsФ / Ann Arbor, University of Michigan Press, 1975.

9. J. Mcclelland, D. Rumelhart, УParallel Distributing ProcessingФ / Cambridge, Harvard University Press, 1986.

10. P. Kalaitzidakis, T. Mamuneas, T. Stengos T, "Ranking of Academic Journals andInstitutions in Economics" // Journal of the European Economic Association, 1, 2003, стр. 1346-1366.

11. D. Mccloskey, УThe Rhetoric of EconomicsФ / Wisconsin, University of Wisconsin Press, 1985.

12. D. Mccloskey D, "Simulating Barbara" // Feminist Economics, 4(3), 1998, стр. 181-186.

13. D. Colander, "The Complexity Revolution and The Future of Economics" / Middlebury College Discussion Paper, No. 03/19, 2003.

14. M. Fontana, УSimulation in Economics: Evidence on Diffusion and CommunicationФ // Journal of Artificial Societies and Social Simulation, 9(2)8, 2006.