Classification 2 Classification 3 Income producing

Com o aumento da capacidade dos computadores em décadas recentes, modelos computacionais de simulação estão se tornando cada vez mais poderosos e úteis, permitindo que lance um novo olhar em vários problemas antigos (MILLER; PAGE, 2007; SHIFLET; SHIFLET, 2014). Hoje simulações computacionais já são consideradas uma poderosa ferramenta analítica de uso geral, frequentemente listada como uma das ferramentas preferidas entre analistas, juntamente com a análise estatística e os modelos de regressão (WEIMER; MILLER; HILL, 2016). Dentre os paradigmas de modelagem com grande potencial estão os modelos baseados em agentes, que permitem a descrição do comportamento de atores em termos de regras simples (WILENSKY; RAND, 2015).

Por conta da escolha abordagem baseada em SACs, caracterizada pela ação de diferentes agentes interdependentes, com múltiplas relações e alças de retroalimentação, heterogeneidade, possibilidade de ocorrência de fenômenos emergentes e possivelmente caóticos, foi escolhida a modelagem baseada em agentes (MBA) para elaborar os experimentos para o teste das hipóteses aqui apresentadas. De acordo com Davis et al. (2007 apud CARAYANNIS; PROVANCE; GRIGOROUDIS, 2016), este tipo de simulação é particularmente adequada ao desenvolvimento de teorias por conta de suas vantagens em reforçar a precisão teórica e a validade relacional interna, além de permitir a elaboração

teórica e a exploração através da experimentação computacional. Miller e Page (2007) concordam, afirmando que modelos computacionais, em conjunto com o estudo de sistemas complexos, podem ser utilizados para reconhecer padrões em fenômenos do mundo real, em especial os sociais, como mercados e decisões de alocação geográfica. De acordo com os autores, provas indutivas podem ser obtidas a partir de diversas observações de um fenômeno de interesse em ambientes simulados computacionalmente (MILLER; PAGE, 2007).

A Modelagem Baseada em Agentes (MBA), também conhecida por outros rótulos como simulação baseada em agentes, simulação adaptativa complexa e simulação orientada a objetos (WEIMER; MILLER; HILL, 2016) é uma estrutura de modelagem computacional que utiliza primariamente o paradigma de programação a eventos discretos para simular processos dinâmicos que envolvem agentes autônomos agindo por conta própria, sem regulação externa, em resposta a situações que estes podem encontrar durante a simulação (MACAL; NORTH, 2014; WEIMER; MILLER; HILL, 2016). Os MBAs, como modelos computacionais, são particularmente interessantes para a modelagem de sistemas complexos por sua capacidade de capturar comportamentos emergentes (MILLER; PAGE, 2007; WILENSKY; RAND, 2015). Neste texto, MBA será utilizado para descrever tanto o paradigma de modelagem quanto os modelos baseados no mesmo, dependendo do contexto.

Para Wilensky e Rand (2015) o potencial de uso de MBAs em sistemas sociais é particularmente interessante, já que a principal infraestrutura representacional neste campo consiste em palavras e textos. Representações textuais não são capazes de especificar uma ideia com precisão facilmente, de forma que esta pode ser interpretada de maneira significativamente distinta por pessoas diferentes. Da mesma forma, textos não são representações dinâmicas, e não são capazes de expressar uma resposta imediata das consequências das premissas embutidas nos mesmos. A flexibilidade de uso e modificação faz dos MBAs ferramentas ideais como laboratórios e bancadas de ensaio virtuais, particularmente úteis para as ciências sociais onde a experimentação direta pode ser inviável ou antiética (WEIMER; MILLER; HILL, 2016).

Quando possível uma das alternativas consideradas para superar as dificuldades acima mencionadas seria a simulação usando Modelos Baseados em Equações (MBE), uma poderosa ferramenta já bem estabelecida em campos como a Economia. No entanto, ao usar MBEs para modelar o mundo, cientistas sociais frequentemente se viam limitados ao reproduzir fenômenos emergentes em sistemas complexos. MBEs são limitados a situações relativamente estáticas e homogêneas, compostas por poucos ou por infinitamente muitos

indivíduos razoavelmente iguais. Estes, por sua vez, são frequentemente representados como muito inaptos ou extraordinariamente racionais, em situações onde o tempo e o espaço importam pouco (WOOLDRIDGE, 2009). O foco dos MBEs costuma ser o comportamento agregado macro, onde não importa conhecer a evolução do comportamento individual. O mundo real, no entanto, se localiza entre estes extremos (MILLER; PAGE, 2007).

Em MBAs um agente pode ser definido como um elemento individual autônomo que possui propriedades particulares, estados e comportamentos (WOOLDRIDGE, 2009). MBAs codificam o comportamento de qualquer número de agentes individuais em regras simples, e os resultados das interações destes agentes podem ser observados à medida que evoluem. Podem ser heterogêneos, e o seu ambiente pode mimetizar o tempo e o espaço. São capazes de interagir com outros agentes, assim como com o ambiente, efetuando trocas de informações e executando ações. Ao fazê-lo, podem atualizar seu estado interno, causar mudanças no estado do ambiente e no de outros agentes, decidir tomar novas ações e até mesmo modificar o seu comportamento (MACAL; NORTH, 2014; WILENSKY; RAND, 2015).

Isto é possível porque a MBA permite avaliar os resultados alcançados por agentes individuais a cada iteração. Há várias maneiras pelas quais um agente pode atingir seus objetivos, e da mesma forma, um agente pode alcançar diferentes graus de satisfação ao atingi-los. A adição da noção de utilidade provê uma forma de avaliar o nível de satisfação que o agente atingiria em diferentes estados do ambiente, e até permitir que o agente escolha o melhor curso de ação a partir do seu ponto de vista (RUSSELL; NORVIG, 1995). Ainda assim, sistemas evolucionários reais frequentemente ficam presos em pontos ótimos locais. Por conta disto Miller e Page (2007) comparam sistemas sociais adaptativos à anedota em que dois campistas fogem de um urso buscando não correr mais do que o urso, mas sim correr mais do que o outro campista. MBAs são excelentes ferramentas para modelar agentes que possuem racionalidade limitada.

Outra vantagem da MBA sobre MBEs é a facilidade com que se entende representações baseadas em agentes em relação a representações matemáticas do mesmo fenômeno. Isto porque MBAs são construídos a partir de objetos individuais e regras simples de comportamento, ao passo que modelos equacionais são construídos com símbolos matemáticos. Isto a torna acessível a vários usuários sem intimidade com equações matemáticas. MBAs também podem ser mais detalhados do que modelos matemáticos, pois provem detalhes ao nível individual e ao nível agregado ao mesmo tempo. Esta abordagem

“de baixo para cima” contrasta com a abordagem “de cima para baixo” de muitos modelos matemáticos, que exibem apenas o comportamento do sistema agregado, sem e dizer nada sobre os indivíduos (WILENSKY; RAND, 2015).

MBEs assumem que fatores do modelo possuem uma influência (ou causalidade) direta sobre sua saída, ao passo que MBAs permitem que a causalidade indireta, através da emergência, tenha maior efeito sobre os resultados dos modelos. Ao passo que um modelo nunca irá além dos limites de sua estrutura inicial, isto não implica que o modelo não possa ir além do entendimento inicial de seu criador (e ao fazer isto permitir o desenvolvimento de novas visões teóricas). Para criar modelos que vão além do nosso entendimento inicial, é necessário incorporar estruturas flexíveis o suficiente para permitir a emergência. Modelos úteis surgem quando instruções apenas suficientes para criar os objetos de interesse são impostas, mas não tantas que acabem por impor uma solução (MILLER; PAGE, 2007).

Claro, os paralelos acima expostos não diminuem a utilidade e a importância das outras ferramentas. MBEs costumam ser consideravelmente mais compactos, e evitam longas simulações quando a dinâmica do processo não é do interesse do pesquisador. Não a toa é grande o seu campo de aplicação, onde têm sido usados com elevado grau de sucesso. Adicionalmente, modelos híbridos podem ser construídos utilizando MBEs e modelos regressões para implementar os mecanismos internos de um MBA, obtendo o melhor dos dois mundos (WILENSKY; RAND, 2015). Cabe ao pesquisador, portanto, escolher a ferramenta mais adequada aos seus propósitos.

Nas seções a seguir serão apresentadas a metodologia de modelagem e as ferramentas utilizadas para a implementação do modelo.