چرا مدلهای آماری سنتی کافی نیستند
سیاستگذاران معمولاً با مدلهای اقتصادسنجی تصمیم میگیرند: مدلهایی که رابطه میان متغیرها را از دادههای تاریخی استخراج میکنند. مشکل اینجاست که وقتی یک سیاست جدید اجرا شود، رفتار مردم تغییر میکند — و رابطهای که در گذشته برقرار بوده، دیگر اعتبار ندارد.
مدلسازی عاملبنیان (ABM) از پایین به بالا کار میکند: بهجای اینکه از کل به جزء برسد، رفتار تکتک عاملها — شهروندان، بنگاهها، نهادها — را شبیهسازی میکند و اجازه میدهد رفتار کلان سیستم خودش پدیدار شود.
یک مثال ملموس
فرض کنید دولت میخواهد مالیات بر خودروهای فرسوده را افزایش دهد. یک مدل اقتصادسنجی ممکن است پیشبینی کند که فروش خودروی نو افزایش مییابد. اما در عمل:
- خانوارهای کمدرآمد خودروی خود را نگه میدارند و هزینه تعمیرات را بالا میبرند
- بازار دستدوم دچار رکود میشود و قیمتها بالا میرود
- آلودگی در کوتاهمدت افزایش مییابد چون خودروهای فرسوده بیشتر در خیابان میمانند
- درآمد مالیاتی کمتر از انتظار خواهد بود چون بسیاری اصلاً مالیات نمیپردازند
ABM میتواند هر یک از این زنجیرههای اثر را آشکار کند — چون هر عامل بر اساس قوانین رفتاری خودش تصمیم میگیرد، نه بر اساس یک میانگین آماری.
ابزارها و رویکرد ما
در نیهان فراتک از ترکیب Mesa (فریمورک پایتونی ABM)، پویایی سیستم و یادگیری تقویتی استفاده میکنیم. مدلهای ما قابل کالیبراسیون با دادههای واقعی هستند و خروجی آنها بهصورت داشبورد تعاملی به تصمیمگیر ارائه میشود.
چه زمانی ABM مناسب است؟
- وقتی عاملها ناهمگن هستند (شهروندان، بنگاهها، مناطق جغرافیایی)
- وقتی بازخوردها غیرخطی و تأخیری هستند
- وقتی میخواهید سناریوهای «چه میشود اگر» را بدون ریسک اجرا آزمایش کنید
- وقتی مدلهای آماری سنتی نتایج ضدشهودی یا متناقض میدهند
نکته کلیدی: ABM جایگزین تحلیل کیفی نیست — مکمل آن است. بدون فهم عمیق مسئله، هیچ شبیهسازی نتیجه معتبری نمیدهد.