Presentasjon av kommunene

Todos os modelos aqui apresentados estão disponíveis em grande variedade de linguagens de programação (principalmente em C++ e Java) e em softwares dedicados ao desenvolvimento de MBAs. O modelo de segregação de Schelling, como um bom exemplo, pode ser replicado a partir de três softwares: Swarm (http://www.swarm.org), Repast Symphony (http://repast.sourceforge.net), NetLogo (http://ccl.northwestern.edu/NetLogo). Nos site dos desenvolvedores há lista de e-mails e fóruns de discussão que auxiliam no esclarecimento de dúvidas e na atualização de informações técnicas e teóricas. Além dos softwares, há sítios na internet com grande volume de periódicos e resenhas tais com o JASSS – Journal of Artificial Societies and Social Simulation – (http://jasss.soc.surrey.ac.uk) e listas de discussão como o SIMSOC (https://www.jiscmail.ac.uk/cgi-bin/webadmin?A0=SIMSOC) dedicado a novidades e discussões relacionadas ao uso de simulação computacional e ciências

24

55

sociais, incluindo abordagens baseadas em micro simulação e modelagem multiAgentes, além de divulgação de eventos e chamadas para artigos.

Para um entendimento completo dos MBAs apresentados até aqui, teríamos de seguir para explicações de ordem técnica sobre construção de modelos computacionais. Porém, podemos apresentar sem recurso a digressões técnicas uma síntese de procedimentos padrões mínimos necessários para o desenvolvimento de MBA. Segundo Macal e North (2007), recorrer à noção de padrões é extremamente útil para os desenvolvedores desde que isso auxilie no sucesso das modelagens e facilite a comunicação de soluções de problemas comumente encontrados.

De acordo com autores acima, MBAs partem do problema comum de representar experimentalmente sistemas contendo muitos componentes em interação quando experimentos reais não podem ser realizados não apenas por motivo do nível de complexidade envolvido nas hipóteses, como também por questões éticas, de custo, tempo, e outras.

Para propósitos de clareza, agentes com comportamentos mais simples são geralmente preferidos sobre aqueles com comportamentos que são mais sofisticados. Entretanto, agentes devem possuir sofisticação suficiente para serem úteis representações. A medida para o tradeoff entre simplicidade e sofisticação é uma escolha que só pode ser definida por comparação das regras e atributos dos agentes, e o sistema de comportamentos resultantes, com um sistema social real de pessoas e instituições. A solução para esse impasse é por meio de tentativa e erro, nunca a priori. Para tanto, deve-se proceder tal como em um método de calibragem. O primeiro passo é fazer a descrição das regras dos componentes individuais e a seleção de dados quantitativos e qualitativos sobre o sistema. Assumindo que atualmente todos os modelos de agentes são desenvolvidos em linguagens de programação, as regras são codificadas em linguagens de orientação a objetos25, tal como Java e C++. Assim que criado o modelo, executa-se e se examina os resultados iniciais como parte de sua validação. As definições de comportamento são então atualizadas de acordo com os resultados, e o modelo é executado novamente. Este é um processo de refinamento continuo até o modelo reproduzir

25 _{“In general, object-oriented programming is quite helpful for large-scale model development since objects are}

a natural way to implement agents. […] Object-oriented programming uses objects to represent discrete entities. Objects are created from templates called classes. Classes define the behaviors and properties of objects. Objects contain specific settings for each of their class’s properties. As such, there can only be one class of a given kind, but there can be any number of objects of a given class. For example, there can be only one “Automobile” class in a car dealership model, but there can be many “Automobile” objects sitting on the simulated lot. Each of these cars can have unique behaviors such as acceleration, braking, and cornering as well as properties such as make, model, vehicle identification number, and price.” (MACAL; NORTH, 2007: 204)

56

comportamentos e o sistema em tela. Terminado o processo, faz-se alteração sensível nos parâmetros com fim de explorar uma série de resultados possíveis. A questão chave é saber que parâmetro de um agente resulta no sistema de comportamento desejável. Por esse motivo, muitas vezes modeladores experientes optam por operar alterações primeiramente em regiões onde o comportamento pode ser previsto e até mesmo controlável. (MACAL; NORTH, 2007)

Há importantes questões técnico-interpretativas em torno dos MBAs que impactam na análise dos resultados dos modelos. Para ilustrar, uma importante questão é se o processo sendo modelado exibe comportamento cíclico ou periódico e se há regularidade nas variações de variáveis chaves. Se há variações, quão grande são os vales e picos, e quando deverá o comportamento ser considerado instável ou estável? Há também questões em torno do período de tempo envolvido na emergência de um padrão de comportamento e na transição entre diferentes padrões. Como pode o analista dizer o quanto um período de transição irá permanecer? Como poderia dizer, diante de um sistema que atravessa um turbulento período de transição, que este, no fim do período, alcançará a estabilidade sem ação adicional ou externa do próprio analista? (MACAL; NORTH, 2007)

Conseguir estabelecer respostas às perguntas acima, tal como o acompanhamento da relação entre interações individuais e padrões agregados, supõe parcimônia no uso de variáveis e regras. Há sempre a possibilidade de uma grande quantidade de dados serem gerados e o potencial problema de como reduzi-los a quantidades manejáveis de informação, consequentemente a leitura dos dados produzidos por um MBA e a extração de respostas deles pode tornar-se um desafio se houver grande volume e amplitude. Mais que um modelo realístico, devemos prezar por algo útil à investigação. Como o estatístico George Box observou: “All models are wrong, but some models are useful.”