Обзор методов моделирования сложных социально-экономических систем на основе агентного подхода

А. А. Айгумов, И. А. Пшенокова

---

Аннотация: Социально-экономические процессы и явления представляют собой сложные системы. В связи с этим рациональное и оптимальное управление ими ставит ряд серьезных задач. Поэтому изучение теорий, методов и приемов эффективного моделирования сложности и динамики социально-экономических систем представляет собой весьма перспективное направление исследований. В настоящее время не существует универсальных методов и средств для моделирования социально-экономических систем. Известные способы моделирования социально-экономических систем охватывают различные подходы, включая системную динамику, байесовские сети, агентные модели, динамические стохастические модели равновесия и др. В данной работе приводится обзор последних достижений в области агентного моделирования сложных социально-экономических систем.

Ключевые слова: социально-экономические системы, агентное моделирование, мультиагентные системы, сложные системы

Для цитирования. Айгумов А. А., Пшенокова И. А. Обзор методов моделирования сложных социальноэкономических систем на основе агентного подхода // Известия Кабардино-Балкарского научного центра РАН. 2024. Т. 26. № 5. С. 64–72. DOI: 10.35330/1991-6639-2024-26-5-64-72

Список литературы

1. Gain A.K., Hossain Md.S., Benson D., Baldassarre G.D. et al. Social-ecological system approaches for water resources management. International journal of sustainable development & world ecology. 2021. Vol. 28. No. 2. Pp. 109–124. DOI: 10.1080/13504509.2020.1780647
2. Lippe M., Bithell M., Gotts N. et al. Using agent-based modelling to simulate socialecological systems across scales. GeoInformatica. 2019. Vol. 23. No. 2. Pp. 269–298. DOI: 10.1007/s10707-018-00337-8
3. Elsawah S., Filatova T., Jakeman A.J. et al. Eight grand challenges in socio-environmental systems modeling. Socio-Environmental Systems Modelling. 2020. Vol. 2. P. 16226.
4. Lloret-Climent M., Nescolarde-Selva J.-A., Mora-Mora H. et al. Modeling complex social systems: A new network point of view in labour markets. IEEE Access. 2020. Vol. 8. P. 92110. DOI: 10.1109/ACCESS.2020.2994622
5. Kumar S., Banerji H. Bayesian network modeling for economic-socio-cultural sustainability of neighborhood-level urban communities: Reflections from Kolkata, an Indian megacity. Sustainable cities and society. 2022. Vol. 78. P. 103632.
6. Adams K.J., Macleod Ch.A.J., Metzger M.J. et al. Developing a Bayesian network model for understanding river catchment resilience under future change scenarios. Hydrology and earth system sciences. 2023. Vol. 27. No. 11. Pp. 2205–2225. DOI: https://doi.org/10.5194/hess-27-2205-2023
7. Taillandier F., Maiolo P.D., Taillandier P. et al. An agent-based model to simulate inhabitants’ behavior during a flood event. International journal of disaster risk reduction. 2021. Vol. 64. P. 102503. DOI: 10.1016/j.ijdrr.2021.102503
8. Орлов К. В., Жузбаев А. М., Мекенбаева К. Б. и др. Обзорная статья по динамическим стохастическим моделям общего равновесия (DSGE). Review on DSGE models. Economic Review (National Bank of Kazakhstan). 2020. № 4. С. 4–40.
9. Zellner M., Massey D., Rozhkov A., Murphy J.T. Exploring the barriers to and potential for sustainable transitions in urban–rural systems through participatory causal loop diagramming of the food–energy–water nexus. Land. 2023. Vol. 12. P. 551. DOI: https://doi.org/10.3390/land12030551
10. Рассел С., Норвиг П. Искусственный интеллект. Современный подход: 2-е издание. М.: Вильямс, 2006. 1408 с.
11. Тарасов В. Б. От многоагентных системк интеллектуальным организациям: философия,психология, информатика. М.: Эдиториал УРСС, 2002. 352 с.
12. Wooldridge M. An introduction to multiagent systems second edition. Wiley, 2009. 484 p.
13. Multiagent Systems: A Modern approach to distributed artificial intelligence. Ed. by G. Weiss. The MIT Press, 1999. 643 p.
14. Shoham Y., Leyton-Brown K. Multiagent systems: algorithmic, game theoretic, and logical foundations. Cambridge University Press, 2008. 504 p.
15. Lesser V.R., Erman L.D. Distributed interpretation: a model and experiment. IEEE Trans. Computers, 1980. Vol. 29(12). Pp. 1144–1163.
16. Xewitt C. Viewing control structures as patterns of message passing. Artificial Intelligence. Vol. 8. No. 3. Pp. 323–364.
17. Lenat D. BEINGS: Knowledge as interacting experts. Proc. of the 1975 IJCAI Conference, Pp. 126–133.
18. Smith R.G. The contract net protocol: high level communication and control in a distributed problem solver. IEEE Transactions on Computers. 1980. Vol. 29. No. 12. Pp. 1104–1113.
19. Mathieu P., Corchado J.M., González-Briones A., De la Prieta F. Advancements in the practical applications of agents, multi-agent systems and simulating complex systems. Systems. Vol. 11. P. 525. DOI: https://doi.org/10.3390/systems11100525
20. Рамазанов Р. Агентное моделирование в исследовании и прогнозировании социально-экономических систем и процессов // Экономика и математические методы. Т. 57. № 1. С. 19–32. DOI: 10.31857/S042473880010550-4
21. Brugière A., Nguyen-Ngoc D., Drogoul A. Handling multiple levels in agent-based models of complex socio-environmental systems: A comprehensive review. Frontiers in Applied Mathematics and Statistics. 2022. Vol. 8. P. 1020353.
22. Guzmán Rincón A., Carrillo Barbosa R.L., Segovia-García N., Africano Franco D.R. Disinformation in social networks and bots: Simulated scenarios of Its spread from system dynamics. Systems. 2022. Vol. 10. P. 34. DOI: https://doi.org/10.3390/systems10020034
23. Ye Y., Zhang R., Zhao Y. et al. A novel public opinion polarization model based on BA network. Systems. 2022. Vol. 10. No. 2. P. 46.
24. Akopov A.S. Modeling and optimization of strategies for making individual decisions in multi-agent socio-economic systems with the use of machine learning. Business Informatics. Vol. 17. No. 2. Pp. 7–19. DOI: 10.17323/2587-814X.2023.2.7.19
25. Koponen I.T. Agent-based modeling of consensus group formation with complex webs of beliefs. Systems. 2022. Vol. 10. P. 212. DOI: https://doi.org/10.3390/systems10060212
26. Бекларян Г. Л. Имитационное моделирование многоагентных региональных социально-экономических систем: методы и примеры // Вестник ЦЭМИ РАН. 2023. T. 6. № 4. DOI: 10.33276/S265838870029157-5
27. Alfer’ev D.A. et al. Modeling of socio-economic processes – agent systems. Understanding the digital transformation of socio-economic-technological systems: dedicated to the 120th anniversary of economic education at Peter the Great St. Petersburg Polytechnic University. Cham: Springer Nature Switzerland, 2024. Pp. 123–149.
28. Giunta A., Giunta G., Marino D. et al. Market behavior and evolution of wealth distribution: a simulation model based on artificial agents. Mathematical and computational applications. 2021. Vol. 26. No. 1. P. 12. DOI: https://doi.org/10.3390/mca26010012
29. Dwarakanath K., Vyetrenko S., Tavallali P., Balch T. ABIDES-Economist: Agent-based simulation of economic systems with learning agents. arXiv preprint arXiv:2402.09563. 2024.
30. Colasanti R., MacLachlan A., Silverman E., Mccann M. Using agent-based models to address non-communicable diseases: a review of models and their application to policy. The Lancet. 2022. Vol. 400. P. S33. DOI: 10.1016/S0140-6736(22)02243-7
31. Boyd J., Wilson R., Elsenbroich C. et al. Agent-based modelling of health inequalities following the complexity turn in public health: a systematic review. International journal of environmental research and public health. 2022. Vol. 19. No. 24. P. 16807. DOI: https://doi.org/10.3390/ijerph192416807
32. Makarov V.L., Bakhtizin A.R., Rossoshanskaya E.A. et al. Problems of standardizing agent-based model description and possible ways to solve them. Herald of the Russian Academy of Sciences. 2023. Vol. 93. No. 4. Pp. 239–248.
33. Steinbacher M., Raddant M., Karimi F. et al. Advances in the agent-based modeling of economic and social behavior. SN Business & Economics. 2021. Vol. 1. No. 7. P. 99. DOI: https://doi.org/10.1007/s43546-021-00103-3
34. Giupponi C., Ausseil A.-G., Balbi S. et al. Integrated modelling of social-ecological systems for climate change adaptation. Socio-Environmental Systems Modelling. 2022. Vol. 3. https://dx.doi.org/10.18174/sesmo.18161
35. Пшенокова И. А. Имитационное моделирование систем обволакивающего интеллекта на основе самоорганизующейся мультиагентной рекурсивной когнитивной архитектуры // Известия Кабардино-Балкарского научного центра РАН. 2018. № 3(83). С. 21–27. EDN: XYKTWH
36. Нагоев З. В., Нагоева О. В. Обоснование символов и мультиагентные нейрокогнитивные модели семантики естественного языка. Нальчик: Издательство КБНЦ РАН, 2022. 150 с.

Информация об авторах

Айгумов Арслан Абдусаламович, аспирант кафедры «Мультиагентные интеллектуальные робототехнические системы», Научно-образовательный центр Кабардино-Балкарского научного центра Российской академии наук;
360010, Россия, г. Нальчик, ул. Балкарова, 2;
arrrslan@mail.ru
Пшенокова Инна Ауесовна, канд. физ.-мат. наук, зав. лаб. «Интеллектуальные среды обитания», Институт информатики и проблем регионального управления – филиал Кабардино-Балкарского
научного центра РАН;
360000, Россия, г. Нальчик, ул. И. Арманд, 37-а;
pshenokova_inna@mail.ru, ORCID: https://orcid.org/0000-0003-3394-7682, SPIN-код: 3535-2963