Академический фундамент

Предыдущие главы рассматривали движки миров глазами игровой индустрии — Dwarf Fortress, экономики MMO, симуляторы менеджмента. Эта глава разворачивает ту же проблему академической стороной: за последние семьдесят лет наука выработала три зрелые школы имитационного моделирования — агентное моделирование (Agent-Based Modeling, ABM), системную динамику (System Dynamics, SD) и дискретно-событийную симуляцию (Discrete-Event Simulation, DES) — и, что не менее важно, целую дисциплину проверки того, что модель не врёт: протоколы описания, верификацию, валидацию, калибровку, анализ чувствительности.

Для проектировщика движка управления компанией эта глава решает две задачи. Во-первых, она даёт готовый словарь механизмов: сегрегация Шеллинга объясняет, почему макропаттерны компании не сводятся к намерениям сотрудников; системная динамика Форрестера — которая буквально родилась из задачи управления заводом — объясняет, почему запасы, найм и денежный поток осциллируют без всяких внешних кризисов; DES даёт математику очередей, из которых состоит любой операционный процесс. Во-вторых, глава отвечает на вопрос, который отделяет серьёзный движок от красивой игрушки: как узнать, что симуляции компании можно верить, и какими процедурами это доверие зарабатывается.

6.1 Агентное моделирование: генеративная социальная наука

Модель сегрегации Шеллинга: макропаттерн без макронамерения

Каноническая точка отсчёта ABM — работа экономиста Томаса Шеллинга «Dynamic Models of Segregation», опубликованная в 1971 году в Journal of Mathematical Sociology (том 1, с. 143–186). Компьютера у Шеллинга не было: он двигал монетки двух цветов по клетчатой бумаге. Правило одно: агент «доволен», если среди его соседей хотя бы некоторая доля (скажем, треть) — агенты его типа; недовольный агент переезжает на свободную клетку. Результат ошеломил и продолжает ошеломлять студентов каждый год: даже при очень мягких предпочтениях, когда каждый отдельный агент вполне согласен жить в меньшинстве, доска устойчиво распадается на почти полностью однородные кластеры. Слабое индивидуальное предпочтение усиливается положительной обратной связью переездов и производит жёсткую коллективную сегрегацию, которой не хотел никто.

Механизм здесь важнее сюжета. Шеллинг показал существование целого класса систем, где связь между микромотивами и макроповедением (позже он так и назовёт книгу 1978 года — «Micromotives and Macrobehavior») принципиально нелинейна: агрегат нельзя вывести усреднением намерений, его можно только «прогнать» через взаимодействия. Он же ввёл понятие точки опрокидывания (tipping point): пока доля меньшинства в районе ниже порога, система стабильна; чуть выше — начинается лавинообразный отток, и промежуточных устойчивых состояний нет. Эмпирические экономисты позже нашли такие пороги в реальных данных по американским городам (Card, Mas, Rothstein, 2008). Для управленца перевод очевиден: текучка в команде, переход клиентов к конкуренту, деградация инженерной культуры — процессы того же класса, с порогами и самоусилением, и линейная экстраполяция «в прошлом квартале ушло двое, значит в следующем уйдёт двое» на них не работает.

Sugarscape: вырастить общество из двух правил

Если Шеллинг показал один механизм, то Джошуа Эпштейн и Роберт Акстелл в книге «Growing Artificial Societies: Social Science from the Bottom Up» (MIT Press / Brookings, 1996) построили целую программу. Их мир — Sugarscape — это решётка 50×50, на которой растёт возобновляемый ресурс «сахар» с двумя «горами» плодородия. Агенты наделены минимумом свойств: дальность зрения, скорость метаболизма (сколько сахара сжигается за такт), запас сахара. Базовое правило движения M: осмотрись так далеко, как видишь; найди свободную клетку с максимумом сахара; перейди туда и съешь сахар. Правило роста G возвращает сахар на ландшафт. Всё.

Дальше начинается то, что Эпштейн называл «перегонкой общества»: последовательно добавляя простые правила, авторы выращивают всё более узнаваемые социальные явления. Смертность и наследование — и распределение богатства становится сильно скошенным, похожим на эмпирические распределения с «толстым хвостом»: неравенство возникает без всякого злого умысла, из одной лишь разницы стартовых позиций, случайности и накопления. Сезонная миграция — из чередования урожайности половин карты. Добавление второго ресурса («специи») и правила децентрализованного бартера — и возникает торговля с локальными ценами, которые колеблются вокруг теоретического равновесия, но никогда в него не сходятся: важнейший укол в сторону общей теории равновесия Вальраса, где цены назначает бесплотный аукционист. Правила культурной трансляции дают формирование племён, правила боя — примитивные войны, правило заражения — эпидемии, взаимодействующие с экономикой. Sugarscape стал первой крупномасштабной агентной социальной симуляцией и прямым предком всех «искусственных обществ» — вплоть до сегодняшних LLM-агентных симуляций, о которых пойдёт речь в главе 9.

Генеративный тезис Эпштейна

Методологический манифест этой школы Эпштейн сформулировал в статье «Agent-based computational models and generative social science» (Complexity, 1999) и развил в книге «Generative Social Science» (Princeton, 2006). Центральный лозунг: «If you didn't grow it, you didn't explain it» — «если ты это не вырастил, ты это не объяснил». Объяснить макроявление — значит предъявить популяцию гетерогенных, ограниченно рациональных, локально взаимодействующих агентов, из которой это явление вырастает само. Генеративность — необходимое условие объяснения: регрессия, фиксирующая корреляцию, и равновесная модель, постулирующая результат, кандидатами на объяснение в этом смысле не являются. Важная оговорка, которую сам Эпштейн всегда делал: условие необходимое, но не достаточное — вырастить паттерн можно многими разными наборами правил (проблема эквифинальности), поэтому за генерацией обязана следовать эмпирическая дисциплина отбора между кандидатами. Именно эта оговорка делает раздел 6.7 о валидации не бюрократическим довеском, а второй половиной метода.

Искусственный фондовый рынок Санта-Фе

Самое влиятельное приложение раннего ABM к экономике — искусственный фондовый рынок Института Санта-Фе (Santa Fe Institute Artificial Stock Market, SFI-ASM), который с 1989 года строили экономист Брайан Артур, отец генетических алгоритмов Джон Холланд, физик Ричард Палмер, Блейк Лебарон и Пол Тейлер. Итоговая статья — Arthur, Holland, LeBaron, Palmer & Tayler, «Asset Pricing under Endogenous Expectations in an Artificial Stock Market» (1997). Устройство: агенты делят средства между безрисковым активом с фиксированной ставкой и акцией со стохастическим дивидендом; цена акции определяется совокупным спросом. Ключевой ход — эндогенные ожидания: каждый агент держит популяцию прогнозных правил вида «если рыночные индикаторы такие-то, ожидай такой-то доходности», правила соревнуются по точности, а генетический алгоритм периодически скрещивает лучшие и отбраковывает худшие. Рынок, таким образом, — экосистема гипотез, прогнозирующих результат собственного взаимодействия.

Главный результат — два режима. Когда агенты обучаются медленно, рынок сходится к режиму рациональных ожиданий из учебника: низкие объёмы, цена отражает фундаментал, технический анализ бесполезен. Когда скорость обучения реалистична, возникает «сложный режим»: самоподдерживающиеся технические стратегии, пузыри и обвалы, высокие объёмы торгов, кластеризация волатильности (GARCH-эффекты) и толстые хвосты доходностей — то есть весь набор эмпирических «стилизованных фактов» реальных рынков, которые равновесная теория десятилетиями списывала на аномалии. Вывод для проектировщика движков: неоклассическое равновесие — это не «норма, от которой бывают отклонения», а частный случай, вырожденный предел медленного обучения; живой рынок — по природе экология адаптирующихся стратегий.

El Farol и minority game: экология стратегий в миниатюре

Тот же Брайан Артур в статье «Inductive Reasoning and Bounded Rationality» (American Economic Review, 1994) сформулировал задачу бара El Farol (реальный бар в Санта-Фе): сто человек каждую неделю решают, идти ли на ирландскую музыку; вечер удался, если пришло не больше шестидесяти. Дедуктивное решение невозможно в принципе: если бы существовал общий рациональный прогноз посещаемости, все поступили бы одинаково и прогноз самоопровергся бы. Агентам Артура остаётся индуктивный путь — держать зоопарк простых предикторов («как на прошлой неделе», «среднее за четыре недели», «зеркально к прошлой») и использовать тот, что недавно работал. Результат: посещаемость самоорганизуется в колебания вокруг шестидесяти без какой-либо координации — экология предикторов коллективно «вычисляет» порог, хотя ни один агент его не вычисляет. Физики Дамьен Шалле и И-Чэн Чжан в 1997 году дистиллировали задачу в миноритарную игру (minority game): нечётное число агентов выбирает между двумя опциями, выигрывает меньшинство. Модель оказалась настолько богатой (фазовые переходы между «эффективным» и «неэффективным» режимами рынка в зависимости от отношения памяти агентов к их числу), что породила целую литературу эконофизики. El Farol — минимальная модель любого рынка с эффектом толпы: найма редких специалистов, ценовых войн, перегретых ниш.

6.2 ACE: агентная вычислительная экономика

Термин «агентная вычислительная экономика» (Agent-based Computational Economics, ACE) закрепила Ли Тесфацион из Университета штата Айова, определив её как «вычислительное исследование экономических процессов, моделируемых как динамические системы взаимодействующих агентов». Её сайт-хаб и учебные материалы двадцать лет служили точкой входа в область, а канонизацией стал «Handbook of Computational Economics, Volume 2: Agent-Based Computational Economics» (Elsevier/North-Holland, 2006) под редакцией Тесфацион и Кеннета Джадда — шестнадцать обзорных глав про обучение агентов, эмпирическую валидацию, финансовые рынки, дизайн рынков (в том числе электроэнергетических — собственная специализация Тесфацион), организации и сетевую экономику. Идеологическое отличие ACE от «просто ABM»: акцент на процедурной рациональности и институтах. Экономика в ACE — это не поле частиц, а набор протоколов взаимодействия (аукционов, контрактов, правил клиринга), внутри которых действуют обучающиеся агенты; культура (culture-dish) эксперимента: исследователь задаёт начальные условия и институты, а дальше мир развивается без вмешательства.

Переломным для репутации направления стал кризис 2008 года. DSGE-модели центробанков (динамические стохастические модели общего равновесия с репрезентативным агентом) кризис не то что не предсказали — они не могли его содержать: в мире репрезентативного агента некому банкротить контрагента. Знаменитый комментарий Дж. Дойна Фармера и Дункана Фоули «The economy needs agent-based modelling» (Nature, 460, 2009, с. 685–686) сформулировал претензию публично: «лидеры мира управляют экономикой по наитию», тогда как агентные модели могут дать полигон для политики. Ответ институтов занял десятилетие, но оказался содержательным. Банк Англии совместно с INET Oxford построил агентную модель жилищного рынка Великобритании (Baptista et al., 2016) — с домовладельцами, арендаторами, инвесторами buy-to-let, банками и регулятором — и реально использовал её для анализа рисков финансовой стабильности и последствий ограничений loan-to-value; код модели открыт на GitHub (INET-Complexity/housing-model). Рабочая статья Банка Англии № 1122 (февраль 2025) «Agent-based modeling at central banks: recent developments and new challenges» суммирует уже целое поколение таких моделей: жилищные ABM построили ЕЦБ и ряд национальных банков, ЕЦБ применяет агентные системные стресс-тесты с несколькими каналами заражения, ОЭСР и Еврокомиссия экспериментируют с макро-ABM для климатической и промышленной политики. В академическом ядре направления — семейства макромоделей CATS (Delli Gatti и соавторы) и «Schumpeter meeting Keynes» (K+S, Dosi, Fagiolo, Roventini), где эндогенно воспроизводятся деловые циклы, кризисы и эффекты фискальной политики. Отраслевой журнал Central Banking в 2024 году констатировал: «агентные модели достигли зрелости» — не заменив DSGE, но заняв нишу инструмента для вопросов, где гетерогенность и заражение существенны.

6.3 Системная динамика: школа, рождённая из управления компанией

Форрестер и завод General Electric

Из трёх школ системная динамика имеет для нашей задачи уникальный статус: она не «применима к менеджменту» — она из менеджмента родилась. Джей Форрестер, инженер MIT, создатель компьютера Whirlwind и патентодержатель магнитной памяти на ферритовых сердечниках, в 1956 году перешёл в новорождённую Школу менеджмента Слоуна. Его первый управленческий кейс — заводы бытовой техники General Electric в Кентукки, страдавшие от необъяснимого трёхлетнего цикла: то сверхурочные и лихорадочный найм, то простои и массовые увольнения. Менеджеры винили деловой цикл. Форрестер вручную, строка за строкой, просимулировал на бумаге структуру завода — запасы, поток заказов, темп производства, правила найма и увольнения — и показал, что колебания порождает внутренняя структура принятия решений: запаздывания между сигналом (ростом заказов) и реакцией (обученным персоналом) в сочетании с самими правилами найма создают устойчивую осцилляцию даже при абсолютно ровном внешнем спросе. Статья «Industrial Dynamics» в Harvard Business Review (1958) и одноимённая книга (MIT Press, 1961) основали дисциплину. Позднее метод масштабировался на города («Urban Dynamics», 1969) и мир («World Dynamics», 1971), сменив имя на «системную динамику».

Уровни, потоки и петли обратной связи

Онтология SD намеренно скупа. Уровни (stocks) — накопления: деньги на счёте, персонал, незакрытый бэклог, репутация, техдолг. Потоки (flows) — скорости изменения уровней: найм и увольнения, выручка и расходы. Уровень меняется только через свои потоки — математически это интеграл, интуитивно это ванна с краном и сливом. Третий элемент — петли обратной связи (feedback loops): цепочки причинности, замыкающиеся сами на себя. Усиливающие петли (reinforcing) дают экспоненциальный рост или коллапс: больше клиентов → больше рекомендаций → больше клиентов. Балансирующие (balancing) тянут систему к цели: выше нагрузка на команду → медленнее берём проекты. Четвёртый, самый недооценённый элемент — запаздывания (delays): между наймом и продуктивностью, между ухудшением качества и оттоком клиентов. Фундаментальный результат SD, воспроизводимый с 1961 года: балансирующая петля с запаздыванием осциллирует. Не может не осциллировать — это математика, а не невезение. Отсюда контринтуитивный вывод Форрестера о policy resistance: интуитивные вмешательства («усилить отдел, где проблема») часто усугубляют колебания, потому что бьют по симптому внутри петли, а не по её структуре; рычаги (leverage points) находятся в неожиданных местах — в запаздываниях, правилах решений и информационных связях.

Стерман: «Business Dynamics» и пивная игра

Главный современный учебник школы — Джон Стерман, «Business Dynamics: Systems Thinking and Modeling for a Complex World» (McGraw-Hill, 2000): около тысячи страниц, проводящих от причинно-следственных диаграмм к формальным моделям роста компаний, циклов отрасли, диффузии продуктов и эрозии качества. Стерман — преемник Форрестера в MIT (профессорская позиция имени Джея Форрестера) и многолетний ведущий курса 15.871, видеозаписи которого доступны на MIT OpenCourseWare. Его самый цитируемый эксперимент — пивная игра (beer distribution game), описанная в статье «Modeling Managerial Behavior: Misperceptions of Feedback in a Dynamic Decision Making Experiment» (Management Science, 35(3), 1989). Четыре игрока — ритейлер, оптовик, дистрибьютор, завод — управляют простейшей цепочкой поставок, единственное решение — сколько заказать выше по цепи. Спрос почти постоянен (одна ступенька в начале), но у живых игроков — включая тысячи прошедших через игру топ-менеджеров — цепь неизменно взрывается колебаниями с усилением амплитуды вверх по потоку (эффект хлыста, bullwhip effect). Диагноз Стермана: систематическое неверное восприятие обратной связи (misperception of feedback) — люди игнорируют запаздывания и уже размещённые, но не прибывшие заказы (supply line), то есть плохо интуитивно интегрируют. Это эмпирическое обоснование самой потребности в движке управления компанией: менеджерская интуиция доказуемо ломается на системах с накоплениями и задержками, причём ломается предсказуемым образом.

World3 и долгая проверка временем

Самая знаменитая и самая спорная SD-модель — World3 из доклада Римскому клубу «The Limits to Growth» (Медоуз и др., 1972; научный руководитель — Форрестер): двенадцать сценариев мировой динамики населения, промышленности, ресурсов и загрязнения, большинство из которых показывали перелом роста в XXI веке. Полвека спустя модель стала редким в социальных науках примером долгосрочной проверки: сопоставление с эмпирикой 1972–2019 годов (Gaya Herrington, Journal of Industrial Ecology, 2021) показало, что фактическая траектория мира ближе всего к сценариям BAU2 и Comprehensive Technology, а рекалибровка World3 на данных пятидесяти лет (Nebel et al., Journal of Industrial Ecology, 2024) сохранила качественный режим «перелёт и спад» при сдвиге пиков на несколько лет. Независимо от отношения к выводам модели, методологический урок ценен: грамотно документированная SD-модель остаётся проверяемой и рекалибруемой пятьдесят лет — стандарт долгоживущести, к которому стоит стремиться и корпоративному движку.

Инструменты

Индустриальный стандарт SD — Vensim (Ventana Systems; бесплатная версия Vensim PLE) и Stella/iThink (isee systems) — визуальные среды диаграмм уровней и потоков с встроенным анализом чувствительности. Мост в современный data-stack — PySD (создан Джеймсом Хафтоном в 2014): библиотека транслирует модели Vensim (.mdl) и стандарта XMILE (Stella) в Python-модули через промежуточное абстрактное синтаксическое дерево, после чего модель живёт в обычном пайплайне — pandas, машинное обучение, байесовская калибровка. Для нового движка это означает, что SD-ядро можно проектировать в визуальном инструменте вместе с менеджерами (диаграммы читаемы без подготовки) и исполнять в продакшене на Python.

6.4 Дискретно-событийная симуляция: математика очередей

Третья школа старше обеих предыдущих в индустриальном применении и наименее знаменита, потому что «просто работает». Дискретно-событийная симуляция (Discrete-Event Simulation, DES) представляет систему как поток заявок (entities) — клиентов, заказов, тикетов, — проходящих через процессы, которые требуют ограниченных ресурсов (operators, машин, согласующих менеджеров). Время движется не тактами, а прыжками от события к событию: «заявка поступила», «ресурс освободился», «обработка завершена»; будущие события лежат в приоритетной очереди (event calendar), и симулятор просто извлекает ближайшее. Между событиями ничего не происходит — поэтому DES на порядки быстрее пошаговых симуляций там, где система по большей части «ждёт». Идейное ядро восходит к теории очередей (Эрланг, 1910-е; формула Литтла L = λW) и к языку GPSS Джеффри Гордона (IBM, 1961) — ровеснику Industrial Dynamics.

Главная управленческая мудрость DES касается вариабельности и загрузки. Из теории очередей и любой DES-модели следует нелинейность, которую интуиция систематически недооценивает: время ожидания растёт не пропорционально загрузке ресурса, а взрывообразно при приближении загрузки к 100% — среднее ожидание в простейшей очереди пропорционально ρ/(1−ρ). Команда, «эффективно» загруженная на 95%, — это не экономия, а гарантированные многонедельные очереди задач и хрупкость к любому всплеску. Второй урок — про вариабельность: две системы с одинаковой средней производительностью, но разным разбросом времён обработки дают радикально разные очереди; сглаживание вариабельности часто ценнее ускорения среднего.

Инструменты делятся на два лагеря. Коммерческие визуальные среды — Arena (Rockwell Automation), Simul8, FlexSim — дают drag-and-drop-конструктор процессов, анимацию и статистику «из коробки»; это стандарт в производстве, логистике и здравоохранении, где модель строит аналитик, а не программист. Открытый лагерь — SimPy: лаконичный Python-фреймворк, где процессы описываются генераторами (yield env.timeout(...), yield resource.request()), а вся мощь экосистемы Python доступна напрямую; для движка, живущего в коде, это очевидный выбор (плюс более быстрый salabim и R-пакет simmer как альтернативы).

6.5 Выбор парадигмы и мультиметод

Три школы отвечают на разные вопросы, и выбор между ними — первое архитектурное решение любого движка. Практическая эвристика такова. Системная динамика уместна, когда сущности можно агрегировать без потери смысла, а суть проблемы — в петлях обратной связи и запаздываниях: стратегические вопросы роста, денежной динамики, репутации, техдолга; её слабость — гетерогенность и сети («средний сотрудник» иногда так же бессмыслен, как средняя температура по больнице). DES уместна, когда система — это процесс с очередями и ресурсами, а заявки пассивны: операции, пропускная способность, SLA; слабость — стратегическое поведение участников. ABM необходима, когда решающую роль играют гетерогенность, локальные взаимодействия, адаптация и эмерджентность: рынок, конкуренция, культура, отток; её цена — на порядок больше параметров, вычислений и усилий по валидации. Полезно помнить и о взаимных сводимостях: ABM с одним классом агентов и полным перемешиванием сходится к SD-модели (SD — это mean-field-предел ABM), а пассивный агент в потоке — это заявка DES. Отсюда принцип экономии: начинайте с самой дешёвой парадигмы, которая ещё отвечает на вопрос, и «покупайте» агентность только там, где без неё эффект исчезает.

Реальная компания, однако, не выбирает одну парадигму — она разнородна по своей природе, и потому индустрия пришла к мультиметодному моделированию (multi-method modeling). Флагман подхода — платформа AnyLogic (Андрей Борщев и The AnyLogic Company; среда на Java), единственная зрелая среда, где SD, DES и ABM сочетаются в одной модели: агент-компания может содержать внутри SD-модель своих финансов, ходить по DES-конвейеру согласований и взаимодействовать с другими агентами на рынке. Канонический учебник подхода — Борщев, «The Big Book of Simulation Modeling: Multimethod Modeling with AnyLogic» (2013, обновляемые издания), систематически показывающий на сотне примеров, как комбинировать методы: типовой паттерн — рынок как ABM, внутренняя операционка как DES, финансы и репутация как SD. Именно эта трёхслойная композиция — самый прямой архитектурный прототип движка управления компанией из всей академической литературы.

6.6 Фреймворки ABM: что на чём строить

Экосистема инструментов ABM устоялась, и ниши распределены довольно чётко. NetLogo (Ури Виленски, Северо-Западный университет, с 1999) — лингва франка обучения и прототипирования: собственный лаконичный язык, среда «запустил и смотри», библиотека из сотен готовых моделей (включая Шеллинга, Sugarscape и El Farol) и крупнейшее сообщество; на нём почти вся учебная литература, но в продакшен-контур компании его встраивать неудобно. Mesa — главный Python-фреймворк: агенты и пространства как обычные Python-классы, прямой доступ ко всей data-science-экосистеме; мажорная версия Mesa 3 (описана в Journal of Open Source Software, 2025, DOI 10.21105/joss.07668) стабилизировала клеточные пространства, встроенную браузерную визуализацию Solara и управление событиями, добавив экспериментальных мета-агентов — агентов, состоящих из агентов, что полезно для моделирования команд внутри компании. Agents.jl (экосистема JuliaDynamics) — выбор для скорости: в открытых бенчмарках (репозитории JuliaDynamics/ABMFrameworksComparison и FLAMEGPU/ABM_Framework_Comparisons на моделях Flocking, Schelling, Wolf-Sheep) он стабильно на один-два порядка быстрее Mesa и NetLogo при меньшем количестве строк кода — цена вопроса лишь в меньшей распространённости Julia. GAMA (франко-вьетнамский консорциум) — специализация на пространстве: собственный язык GAML и глубокая интеграция GIS, стандарт для урбанистики и territorial-моделей. Repast (Аргоннская национальная лаборатория; ветки Repast Simphony на Java, Repast HPC на C++ и Repast4Py) — тяжёлая артиллерия для распределённых симуляций на кластерах с миллионами агентов. AnyLogic, как сказано выше, — коммерческий мультиметодный комбайн для индустриальных заказчиков. Для GPU-масштабов существует FLAME GPU. Мышечная память выбора: учиться и прототипировать — NetLogo; строить движок в Python-стеке — Mesa; упереться в производительность — Agents.jl или переписывание горячего ядра; география — GAMA; суперкомпьютер — Repast HPC; корпоративный заказчик с бюджетом и без разработчиков — AnyLogic.

6.7 Наука валидации: как заставить себе верить

Симуляционное сообщество за тридцать лет выстрадало ответ на главный упрёк («ваши модели показывают что угодно») в виде связного конвейера процедур. Это самый переносимый в корпоративный контекст результат всей главы.

Протокол ODD: модель, которую можно прочитать

Первый слой — стандарт описания. Протокол ODD (Overview, Design concepts, Details), предложенный Фолькером Гриммом, Стивеном Рэйлсбеком и соавторами в 2006 году и дважды обновлённый (второе обновление — Grimm et al., JASSS 23(2):7, 2020), предписывает описывать любую агентную модель семью разделами: цель и контрольные паттерны; сущности, переменные состояния и масштабы; обзор процессов и порядок их исполнения (scheduling); концепции дизайна (одиннадцать пунктов — эмерджентность, адаптация, цели агентов, обучение, предсказание, восприятие, взаимодействие, стохастичность, коллективы, наблюдение); инициализация; входные данные; субмодели с формулами. Смысл не в бюрократии, а в трёх эффектах: иерархичность позволяет читать модель на нужной глубине; стандартная структура делает модели сравнимыми; а само заполнение протокола безжалостно вскрывает недодуманные места — половина ценности ODD достигается до первого прогона.

Верификация и валидация: рамка Сарджента

Второй слой — классическое разделение, отточенное Робертом Сарджентом в серии туториалов Winter Simulation Conference (итоговая версия — «Verification and validation of simulation models», Journal of Simulation, 7(1), 2013). Верификация отвечает на вопрос «правильно ли мы построили модель»: соответствует ли код концептуальной модели (юнит-тесты, вырожденные случаи, проверка сохранения балансов — в корпоративном движке деньги и люди не должны возникать из воздуха). Валидация — «правильную ли модель мы построили»: у Сарджента она распадается на валидность концептуальной модели (адекватны ли теории и допущения), операционную валидность (достаточно ли точно поведение выхода для целевого назначения) и валидность данных. Две вещи из рамки Сарджента заслуживают выделения жирным. Первая: валидность существует только относительно цели — модель, валидная для сравнения сценариев найма, может быть невалидна для прогноза выручки, и это нормально. Вторая: валидация — не финальный экзамен, а деятельность, встроенная в каждый виток разработки.

Паттерн-ориентированное моделирование: валидация по хору паттернов

Третий слой отвечает на специфическую боль ABM — эквифинальность. Стратегия паттерн-ориентированного моделирования (pattern-oriented modeling, POM; Grimm et al., «Pattern-Oriented Modeling of Agent-Based Complex Systems: Lessons from Ecology», Science, 310, 2005, с. 987–991) требует, чтобы модель одновременно воспроизводила множество наблюдаемых паттернов на разных уровнях и масштабах — не только кривую выручки, но и распределение сделок по размеру, сезонность оттока, соотношение циклов найма и загрузки. Каждый паттерн — фильтр в пространстве возможных структур модели; один паттерн пропускает толпу ложных кандидатов, но их пересечение проходит немногие. POM применяется трижды: при выборе структуры модели (какие переменные обязаны присутствовать, чтобы паттерны в принципе могли возникнуть), при отборе субмоделей поведения агентов и при косвенной калибровке параметров. Это прямой рецепт приёмочных тестов для движка компании: до начала разработки зафиксировать список из 5–10 стилизованных фактов о своей компании, которые движок обязан воспроизводить одновременно.

Калибровка: от перебора к ML-суррогатам

Четвёртый слой — подгонка параметров к данным, вычислительно самое дорогое место ABM: пространство параметров многомерно, каждая точка требует множества стохастических прогонов, функция отклика негладкая. Классические подходы — метод имитируемых моментов (подбирать параметры, чтобы моменты симулированных рядов совпали с эмпирическими) и приближённое байесовское вычисление (ABC). Прорыв последних лет — суррогатная калибровка: по относительно небольшой выборке прогонов обучается быстрая ML-модель (градиентный бустинг, гауссовские процессы, нейросети), аппроксимирующая отображение «параметры → поведение модели», и дорогой поиск ведётся по дешёвому суррогату с периодической проверкой на настоящей модели. Программная работа — Lamperti, Roventini, Sani «Agent-based model calibration using machine learning surrogates» (Journal of Economic Dynamics and Control, 2018); свежая волна 2024–2026 годов (нейросетевая оценка апостериорных распределений, neural posterior estimation; вариационные методы с суррогатами на гауссовских процессах) сокращает число необходимых прогонов на порядок и делает регулярную рекалибровку — а значит, живой движок, который перекалибровывается на свежих данных компании ежемесячно, — практически достижимой.

Анализ чувствительности, докинг и инфраструктура сообщества

Замыкают конвейер три практики. Анализ чувствительности (sensitivity analysis) выясняет, какие параметры реально управляют выходом: скрининг Морриса для дешёвой разведки, индексы Соболя для честного глобального разложения дисперсии (в Python — библиотека SALib); параметры, к которым выход нечувствителен, можно фиксировать, а чувствительные — измерять в первую очередь; менеджерский бонус — карта чувствительности и есть карта рычагов компании. Докинг (docking, alignment) — репликация модели независимой командой или на независимом инструменте: канонический кейс — Axtell, Axelrod, Epstein, Cohen «Aligning Simulation Models» (1996), где сведение двух моделей культуры вскрыло скрытые расхождения; образцовая практика — репликация модели Artificial Anasazi (Janssen, JASSS, 2009). Наконец, инфраструктура: журнал JASSS (Journal of Artificial Societies and Social Simulation, открытый доступ с 1998 года) — главный форум методологии социальной симуляции, а сеть CoMSES Net с библиотекой моделей OpenABM (comses.net) — репозиторий, где модели публикуются с кодом, ODD-описанием и проходят сертификацию запускаемости и получают DOI. Норма сообщества проста и сурова: модель без опубликованного кода и стандартного описания — это анекдот, а не результат.

6.8 Почему ABM до сих пор нишевый в экономике — и что меняется

Честный раздел напоследок. Спустя тридцать лет после Sugarscape агентные модели так и не стали мейнстримом экономической науки, и у этого есть рациональные причины, которые проектировщику движка полезно знать как список собственных рисков. Первая — трактовка: DSGE-модель решается и даёт интерпретируемые уравнения; ABM даёт только прогоны, и «теоремы» из него не извлечь. Вторая — идентификация: у агентных моделей много параметров и свободы в правилах поведения, поэтому критика «вы подогнали правила под ответ» долго была убийственной — именно на неё отвечает весь арсенал раздела 6.7, но арсенал этот дорог. Третья — вычислительная цена честной калибровки и анализа чувствительности, которая до недавнего времени была запретительной. Четвёртая — социология самой дисциплины: карьеры, журналы и учебные программы выстроены вокруг равновесной парадигмы, и Лукасовская критика приучила профессию требовать микрооснований именно в форме оптимизирующих агентов, а не поведенческих правил.

Что изменилось к середине 2020-х — и почему эта глава попала в учебник о движках именно сейчас. Вычислительная мощность сняла третий барьер: симуляции с миллионами агентов рутинно выполняются на обычном железе, экспериментальные платформы демонстрируют сотни миллиардов агентов на кластерах. Данные сняли половину второго: транзакционные данные, кредитные регистры, телеметрия продуктов дают микроуровневую эмпирику, о которой Эпштейн мог только мечтать, — агентов теперь можно калибровать по-агентно. Машинное обучение доснимает вторую половину: суррогатная калибровка и нейросетевая байесовская оценка сделали строгую подгонку ABM сопоставимой по цене с эконометрикой. Институциональное признание материализовалось: рабочие статьи Банка Англии 2025 года и практика ЕЦБ обсуждают уже не «стоит ли использовать ABM», а инженерные проблемы их регулярной эксплуатации. Наконец, LLM открыли фронтир генеративных агентных моделей (generative ABM): агентов, принимающих решения через языковое рассуждение, — с восторженными демонстрациями правдоподобного социального поведения и отрезвляющим консенсусом свежих обзоров (Nature Humanities & Social Sciences Communications, 2024; критические обзоры 2025 года), что центральной проблемой генеративной симуляции является всё та же валидация: правдоподобие текста агента — не эквивалент правильности распределения его поведения. Подробно этот фронтир разбирает глава 9; здесь важен вывод: методологический канон настоящей главы не устаревает с приходом LLM — наоборот, он единственное, что отделяет LLM-симуляцию компании от дорогой галлюцинации.

• 1910-еЭрланг: теория очередей.

  Математическое ядро будущей DES; формула Литтла L = λW добавится в 1961-м.

• 1958–61Форрестер: «Industrial Dynamics».

  Системная динамика рождается из кейса заводов GE; тогда же — язык GPSS Гордона (IBM).

• 1971Шеллинг: «Dynamic Models of Segregation».

  Монетки на клетчатой бумаге, tipping points; в том же году — «World Dynamics» Форрестера.

• 1972«The Limits to Growth» (World3).

  Двенадцать сценариев мировой динамики; полвека спустя модель всё ещё рекалибруется на эмпирике.

• 1989Пивная игра Стермана; старт SFI-ASM.

  Эксперимент о misperception of feedback и начало искусственного фондового рынка Санта-Фе.

• 1994–97El Farol → minority game; статья SFI-ASM.

  Индуктивная рациональность Артура, дистилляция Шалле и Чжана, два режима искусственного рынка.

• 1996Sugarscape Эпштейна и Акстелла.

  Первая крупномасштабная агентная социальная симуляция: общество из двух правил.

• 1999NetLogo и генеративный манифест.

  Виленски выпускает лингва франка ABM; Эпштейн формулирует «If you didn't grow it…».

• 2005–06POM, протокол ODD, Handbook ACE.

  Наука валидации оформляется в стандарты; ACE получает каноническую энциклопедию.

• 2009Farmer & Foley в Nature.

  «The economy needs agent-based modelling» — пост-кризисный манифест поворота к ABM.

• 2016Жилищная ABM Банка Англии.

  Регулятор реально использует агентную модель для анализа финансовой стабильности; код открыт.

• 2018Суррогатная калибровка (Lamperti et al.).

  ML-суррогаты сокращают цену подгонки ABM на порядок; строгая калибровка дешевеет до практичной.

• 2025BoE WP № 1122; Mesa 3; генеративные ABM.

  ABM — регулярная практика центробанков; фронтир смещается к LLM-агентам — и упирается в ту же валидацию.

Источники и куда копать глубже

Книги

Видео

Статьи

Сообщества и инструменты