BENEFICI DERIVANTI DALL’UTILIZZO DEI MODELLI DI SIMULAZIONE AD AGENTI

I benefici generati dall’approccio ABM, rispetto agli altri approcci, possono essere racchiusi in tre grandi categorie:

a) ABM cattura i fenomeni emergenti

b) ABM fornisce una naturale descrizione del sistema c) ABM è un approccio flessibile

Di seguito, per ogni beneficio, sarà fatto un breve approfondimento.

2.4.1 ABM cattura i fenomeni emergenti

I fenomeni emergenti sono il risultato dell’interazione di semplici entità. Per definizione, fenomeni complessi non possono essere ridotti a semplici parti perché l’intero risultato è superiore alla semplice somma delle parti. Come già approfondito nel capitolo primo, un fenomeno complesso non può essere studiato riducendosi all’osservazione delle semplici unità perché si trascurerebbe una parte fondamentale del risultato ottenuto, conseguenza dell’aggregazione. Un fenomeno emergente può avere proprietà che sono completamente scollegate dalle proprietà delle singole parti. Questo fa sì che i fenomeni emergenti siano spesso imprevedibili e contro intuitivi. ABM è per la sua reale natura, il canonico approccio alla modellizzazione di fenomeni

emergenti, i quali emergono non durante la programmazione del modello, bensì durante la sua simulazione.

L’utilizzo della metodologia ABM dovrebbe avvenire quando c’è la possibilità di un potenziale fenomeno emergente. I casi possibili riguardano:

• simulazioni che includono comportamenti individuali, i quali non sono mossi da regole fissate a priori, bensì evolvono con il cambiamento dovuto al modificarsi dell’ambiente esterno. Descrivere le discontinuità di questi comportamenti risulta difficile attraverso equazioni differenziali

• comportamenti individuali sono caratterizzati da memoria a lungo termine, da abitudini, correlazioni temporali non forzate, condizioni di adattamento e apprendimento

• le interazioni tra gli agenti possono generare una concatenazione di effetti. Sarebbe impossibile studiare delle equazioni che considerino i flussi aggregati, per una semplice motivazione legata al fatto che la concatenazione di effetti possono comportare significative distorsioni che possono andare ben oltre qualsiasi previsione.

• la media non è un buon strumento per approssimare la realtà. Le equazioni differenziali tendono ad appianare le fluttuazioni, al contrario degli ABM che considerano qualsiasi situazione, anche le più estreme.

L’ordine del giorno impartito dalla comunità sostenitore degli ABM è quello di sostenere il nuovo approccio di studio dei fenomeni sociali, cercando di spostare l’attenzione dai modelli tradizionali a innovativi sistemi di studio più efficaci. In accordo con Epstein J.M e Axtell R.L [1996]:«[ABM] may change the way we think about explanation in the social sciences. What constitutes an explanation of an observed social phenomenon? Perhaps one day people will interpret the question, ‘Can you explain it?’ as asking ‘Can you grow it?’».

ABM è il sistema più naturale per descrivere un sistema composto da “behavioral

entities”. Quando la necessità è quella di descrivere il comportamento dei mercati

finanziari, di ingorghi automobilistici, di possibili riscontri da discorsi elettorali, risulta più affidabile contare su strumenti messi a disposizione dalla tecnologia ABM. Per esempio, se si vuole studiare le dinamiche che governano il modo in cui clienti si muovono all’interno di un supermercato, risulta molto più naturale creare un modello ad agenti rispetto allo studio di equazioni differenziali legate alla dinamicità della densità di clienti nel supermercato. Questo perché, le equazioni differenziali sono studiate partendo dai risultati; gli ABM studiano i risultati rigenerando l’intero processo. E’ chiaro quindi che, attraverso la seconda metodologia, il fenomeno può essere scomposto in più parti per approfondire lo studio e ottenere risultati più chiari. Inoltre, la relativa facilità di implementazione di questi modelli, permette di ricostruire situazioni simulate partendo dai dati forniti dagli stessi supermercati sulle abitudini dei loro clienti.

Un altro importante studio, che conduce a risultati maggiormente soddisfacenti utilizzando la modalità ABM, riguarda l’analisi dei “business processes”.aziendali. Il sistema tradizionale di analisi di “business process” parte dal risultato aziendale per poi cercare di risalire all’attività compiuta dai singoli blocchi aziendali. Lo studio compiuto attraverso metodologia ABM, invece, consente di implementare le singole attività compiute effettivamente dai singoli agenti per ottenere simulando il risultato finale del processo aziendale. Come è possibile osservare in Figura 1, il punto di inizio dello studio non è quindi il risultato aziendale, bensì le singole attività compiute nei vari passaggi che conducono al risultato finale.

La perfezione del modello, in questo caso, si avrà quando la simulazione delle singole attività compiute dagli agenti conduce ad una coincidenza di risultati effettivi e risultati simulati. Questo quindi permetterebbe di raggiungere migliori risultati nel caso in cui si volesse procedere al miglioramento dei tempi di produzione, attività, allocazione delle risorse ecc…

Riassumendo, si dovrebbero utilizzare metodologie ABM nel caso in cui si presentassero i seguenti scenari:

• I comportamenti degli individui non possono essere chiaramente descritti attraverso semplici assunzioni di tassi di aggregazione

• I comportamenti individuali sono complessi. In principio, qualsiasi cosa poteva essere descritta attraverso equazioni, ma la complessità dei modelli matematici aumentava esponenzialmente all’aumentare della complessità dei comportamenti. Descrivere quindi complessi comportamenti individuali, attraverso equazioni, diventa impossibile.

• Descrivere le singole attività rappresenta il modo più efficace per lo studio di un sistema rispetto all’analisi del risultato dato dell’intero processo.

• Applicazioni stocastiche in cui risulta necessario assumere alcune variabili casuali

2.4.3 La flessibilità degli ABM

La flessibilità garantita dagli ABM può essere osservata in molteplici dimensioni. Per esempio, è semplice in questo tipo di modelli aggiungere più agenti oppure implementare più regole di decisione. Inoltre, ABM fornisce molti strumenti che possono favorire la programmazione di sistemi per modificare la razionalità degli agenti, l’abilità ad apprendere ed evolvere in sintonia con l’ambiente esterno e inserire regole di interazione. Un’altra dimensione della flessibilità è l’abilità di cambiare livelli di descrizione e aggregazione: possono essere inseriti nello stesso modello gruppi di agenti che esprimono caratteristiche completamente diverse, anche dal punto di vista della difficoltà di comportamento. Un altro campo di utilizzo degli ABM è quando un elevato numero di componenti generanti un fenomeno non sono conosciuti, quindi, attraverso tentativi e incremento di complessità nel modello, si cerca di rigenerare il fenomeno.