CC BY
24
Вестник Института экономики Российской академии наук
2/2021
ВОПРОСЫ ДЕМОГРАФИИ
И.Е. КАЛАБИХИНА
доктор экономических наук, профессор, заведующая кафедрой народонаселения экономического факультета МГУ им. М.В. Ломоносова
А.А. БЕЛЯНОВ
аспирант кафедры народонаселения экономического факультета МГУ им. М.В. Ломоносова
ОБЗОР МИКРОСИМУЛЯЦИОННЫХ И АГЕНТНЫХ ПОДХОДОВ В ДЕМОГРАФИЧЕСКИХ ИССЛЕДОВАНИЯХ
В работе рассматриваются направления развития микросимуляционных и агентных подходов для описания демографических процессов и демографического поведения. Отбор статей для описания примеров таких подходов основан на цитируемости, периоде публикаций, а также на экспертной оценке авторов настоящей статьи значимости описываемой модели для изучения моделирования демографических параметров. Мы выделяем три направления моделирования демографических процессов: включение демографических параметров в социально-экономические модели; разработка моделей по отдельным демографическим процессам и по демографическойситуации в целом (с примерами моделирования брачности, рождаемости, миграции, смертности и заболеваемости, включая эпидемиологические модели); создание комбинированных экономико-демографических моделей, в которых демография является одним из основных компонентов. Ключевые слова: демография, экономика народонаселения, микросимуляционное моделирование, агентно-ориентированное моделирование. JEL: J1, J10, C6.
DOI: 10.52180/2073-6487_2021_2_127_143. Введение
Термин «микроаналитическое моделирование» (англ. microana-lyticsimulation), или «микросимуляционное» моделирование (англ. microsimulation), практически выбыл из обихода, и его заменила во многом схожая концепция агентной модели, в рамках которой некое множество агентов помещено в общую среду, внутри которой они взаимодействуют. В социально-экономических и демографических
моделях агентом обычно является человек, однако зачастую агентами могут являться организации или иные акторы. Агент способен автономно осуществлять действия внутри вышеуказанной среды. Именно автономность и отличает агентную модель от микросимуляционной: в последней все решения на уровне агента принимаются на основе вероятностных распределений, тогда как в агентных моделях действия агента определяются заложенным в него алгоритмом поведения. Несмотря на то, что обычно исследователи разграничивают два этих понятия, утверждая, что микросимуляционные модели подходят только для прогнозирования, а агентные - для проведения качественного анализа ситуации, на деле часто наблюдается смешение этих парадигм. В то же время при всей их схожести, истории развития этих смежных подходов различаются. Нас в данной работе в большей степени интересует включение демографических параметров в модели.
Проведенный анализ микросимуляционных и агентных подходов в демографических исследованиях позволил выделить три направления в их развитии. В качестве эмпирических примеров таких работ мы выбирали работы по следующим критериям: признанные современными учеными наиболее ранние работы в исследуемой области; наиболее цитируемые статьи; более поздние статьи при схожем уровне цитирования; а также отдельные статьи с невысоким уровнем цитирования, но представляющие, на наш взгляд, интерес в контексте нашего предмета обсуждения демографического моделирования1.
Включение демографических параметров в социально-экономические агентные и микросимуляционные модели
Первоначально демографические процессы рассматривались в составе социально-экономических моделей.
Агентные модели обычно называют наследниками сложных адаптивных систем института Санта-Фе, обнаруживая возникновение метода в клеточных автоматах фон Неймана 1940-х годов (Джон фон Нейман в 1940-е годы, изучая самовоспроизводящиеся системы, разработал теорию клеточных автоматов [1]). В исследованиях на данную тему также часто упоминается модель сегрегации Шеллинга[2]. Позже, в связи с распространением персональных ЭВМ, в 1990-х годах происходит бурное развитие агентных моделей самой разной направленности.
В конце 1950-х годов Г. Оркуттом была предложена стохастическая социально-экономическая модель, которая уже на этапе описания пред-
1 Сведения о количестве цитирований статей, опубликованных с 2010 г., приведены в Приложении к статье (см. табл.).
полагала включение некоторых демографических параметров. В своей работе, опубликованной в 1957 г. [3], он обрисовал общую концепцию микросимуляционного моделирования социально-экономических процессов, которой исследователи придерживаются до сих пор. В основе модели, предложенной Оркуттом, лежат различные взаимодействующие агенты (units - в терминологии Оркутта), характеризующиеся определенными входными параметрами (inputs) и генерирующие изменение состояния системы на выходе (outputs). Результат на выходе связан с предыдущими событиями и определяется распределением вероятности наступления рассматриваемого события, которое зависит от входных параметров. В качестве агентов Оркутт предлагал рассматривать как обобщенные структуры (например, рынки и отрасли), так и отдельных людей, семьи, компании, профсоюзы, государственные структуры. Для входных данных могла использоваться информация о погоде, социальном статусе, возрасте и т.д. К выходным данным относились: экономический результат деятельности, сформированное мнение, различные события из деятельности агента, например, рождение ребенка, брак, развод, переезд, смерть и т. д. В статье Оркутта приводится такой пример: допустим, мы пытаемся понять, умрет ли агент в текущем временном интервале. Для этого нам нужно знать вероятность, с которой может произойти это событие. Данная вероятность будет функцией возраста, пола, расы, семейного положения и рода деятельности агента. Оркутт отмечает, что было бы крайне желательно иметь возможность использовать существующие данные для прогнозирования численности населения, а также его распределения по возрасту, полу, месту проживания, семейному положению, роду деятельности, доходу, имеющимся активам и потреблению. Для нас важна демографическая составляющая перечня, поэтому мы подчеркиваем, что в публикации 1957 г. уже были заложены основные концепции микросимуляционного и агент-ного моделирования демографических процессов.
Первая прикладная реализация такого подхода увидела свет в начале 1960-х годов [4] в качестве программы для IBM-704. Примечательно, что модель вышла с детальным описанием реализации и предпосылок к выбранным решениям на 400 с лишним страницах, из которых демографии была посвящена почти четверть. Оркутт отмечает, что это одна из первых работ по созданию модели национальной экономики. Исследователи уделяли особое внимание демографическим процессам. В модели было представлено 4 580 семей, состоящих из 10 358 человек. Отправной точкой в работе модели является генерация начального состояния. При этом основная сложность, связанная с генерацией начального состояния модели, - это обеспечение правдоподобности распределения как отдельных индивидуумов по интересующим нас параметрам (возраст, семейное положение и
т.д.), так и домохозяйств по таким параметрам, как сочетания возрастов супругов, длительность брака, число и возраст детей. Эти параметры должны быть правдоподобны не только по отдельности, но и вместе, то есть представлять в итоге правдоподобное в целом домохозяйство. Задача для отдельных индивидуумов решается несколько проще, поскольку эти данные обычно можно извлечь из переписи населения. Для получения же информации о домохозяйствах Оркутт использовал исследования Мичиганского университета, в ходе которых опрашивались замужние женщины. Данное исследование среди прочего содержало информацию об их возрастах, возрастах детей, мужа и т. д.
Из демографических параметров в модели были реализованы параметры процессов рождаемости, смертности и брачности. Агенты существуют в рамках домохозяйств различного типа, и, как отмечает автор, некоторые переходы между типами домохозяйств не удалось описать в силу отсутствия данных. При этом важно отметить попытки автора связать демографические показатели с экономическими. Например, он изучал связь разводов с падением подушевого дохода (в описываемой модели присутствовал прототип рынка труда).
В последующих версиях модели будет добавлена миграция, больше внимание уделено процессам формирования и распада семьи. Расширился набор детерминант индивидов, например, стали учитываться такие параметры, как наличие работы или образование [5]. Модель в измененном и дополненном виде применяется до сих пор для изучения государственного регулирования в различных областях [6].
Как отмечает Имхофф (Imhoff) [7], микросимуляционные социально-экономические модели нашли широкое практическое применение. С 1963 г. Казначейство США стало применять модель TAX. Одновременно и другие министерства стали использовать микроси-муляционное моделирование, и к 1980-м годам оно стало доминирующим численным методом для прогнозирования результатов изменений в регулировании в области социального обеспечения. О широте применения моделей рассказывает, к примеру, отчет по использованию микросимуляционного моделирования при принятии решений в отношении социальной политики [8].
Моделирование отдельных демографических процессов
и демографического развития
Ко второму, выделенному нами направлению развития моделирования демографических процессов, относятся работы по моделированию отдельных демографических параметров или демографической
ситуации в целом. Уже в 1960-х годах XX в. стали появляться модели, ориентированные исключительно на изучение проблем народонаселения и на демографические процессы, например, моделирование процессов рождаемости и смертности на основе возрастных коэффициентов рождаемости и смертности [9]. В 1972 г. появилась одна из наиболее известных микросимуляционных моделей для демографии - SOCSIM [10]. Данная модель была разработана совместными усилиями ученых университетов Беркли и Кембриджа и используется до сих пор [11].
В дальнейшем микросимуляционное моделирование получило еще более широкое распространение в демографических исследованиях и применялось, например, для исследования структуры и численности домохозяйств в различных сообществах прошлого [12]. В настоящее время происходит совмещение микросимуляционных моделей с теорией анализа сетей. Данное явление может оказать положительное влияние на развитие агентных моделей самого различного назначения путем учета дальних родственных связей, что может быть важно при описании моделей социальных норм, распространения идей или при моделировании эпидемий.
Развитие вычислительных мощностей привело к смещению акцента с использования статистических данных на разработку логики поведения агентов, что и отличает агентный подход2. Агент-ные модели пока не столь развиты, как микросимуляционные, поскольку требуется не просто описать демографические процессы, но также создать механизм взаимосвязей между различными внешними и внутренними факторами и теми решениями, которые принимает агент. Это существенно усложняет задачу моделирования и вынуждает фокусироваться на отдельных аспектах демографического поведения. При этом некоторые исследователи отмечают, что прогнозирование не является ключевой целью создания агент-ных моделей, поскольку основной упор в агентном моделировании делается на создании инструмента для объяснения демографических процессов [14]. В том числе и поэтому преобладают демографические агентные модели, сфокусированные на качественном изучении одного из демографических процессов.
Рассмотрим примеры моделирования отдельных демографических процессов.
Моделирование процесса брачности. Одной из первых стала модель, изучающая браки дальних родственников (статья Kunstad-ter Peter, Roald Buhler, Frederick F. Stephan and Charles F. Westoff [15]).
2 Подробнее о различиях в подходах можно почитать, например, в работе Э. Силь-вермана [13].
Программная реализация была написана на программном языке Fortran и изучала группы численностью от 100 до 300 человек, при этом к каждому агенту были привязаны ссылки на родителей, супруга, первого ребенка и младшего брата или сестру отца или матери для ускорения поиска двоюродных братьев или сестер3. Например, модели Кунстадтера и коллег [15] максимальное число одновременно живущих агентов составляло 8 тыс. человек.
Первые работы, в которых с помощью агентных моделей изучалась проблема поиска партнера для брака, появились в конце XX-го века (см., например, работу 1986 г.: [16]). В этих работах авторы ставили во главу угла оценку взаимной привлекательности, которая была некоторым образом распределена между агентами. В более поздних работах стало учитываться влияние социальных норм и возраста, например, в работе [17]. Показано, что рост доли вступивших в брак в популяции будет побуждать агентов с большей вероятностью принять решение о вступлении в брак.
Интересным фактом является то, что развитие моделей продолжается на таком значительном временном промежутке, что в некоторых случаях исходные предпосылки требуют переоценки. Рассмотрим это на примере учета в моделях брачности образования партнеров. В более ранних моделях образование повышало вероятность вступления в брак для мужчины и снижало ее для женщины [5]. В общем случае критерий выбора партнера первоначально описывался следующим «правилом»: мужчины предпочитают женщин образованных не более чем они сами, а женщины - не менее образованных, чем они сами. Однако начиная с 1970-х годов в Европе неравенство между мужчинами и женщинами в части получаемого образования начало сокращаться и с ростом доли высокообразованных женщин «правило» соблюдается все реже, что указывает на изменение критерия по образованию к поиску партнера. Данное явление рассматривается в статье [18] на основе данных по двенадцати европейским странам за период с 1921 по 2012 гг.
Разумеется, помимо моделей брачности, существуют агентные модели, описывающие и разводимость (см., например, [19]). В большинстве моделей поиска партнера агенты, нашедшие себе свои «половинки», выбывают из пула агентов в поиске. При этом исследователи предполагают, что в действительности никакого выбытия из пула агентов в поиске не происходит - поиск продолжается и после вступления в брак. Как мы упоминали, детерминанты разводимости интересо-
3 Именно отслеживание дальних родственных связей обычно и характеризует ориентированные на демографические проблемы микросимуляционные и агентные модели, тогда как модели общего назначения обычно ограничиваются описанием детско-родительских связей или вообще домохозяйств в целом, как базовых единиц анализа.
вали исследователей и ранее [4] при изучении связи интенсивности разводов с падением подушевого дохода. Здесь хорошо видна разница между микросимуляционным и агентным подходами: в первом случае мы получаем разводимость как внешнюю вероятностную переменную, а во втором описываем логику принятия решений агентом.
Моделирование процесса рождаемости. Интересной, на наш взгляд, представляется работа по моделированию процесса рождаемости [20], в которой показано влияние общественного мнения на принятие решения о том, чтобы стать родителем. В агентно-ориентированной модели создана социальная сеть между агентами, а структура сети определяется такими параметрами узлов, как возраст, семейное положение, трудоустройство, образование и пол. Данная социальная сеть оказывает влияние на агента: чем больше родителей в его сети, тем выше вероятность того, что он сам захочет завести ребенка. Модель была верифицирована на данных по Австрии и показала высокую точность.
На рождаемость влияет достаточно много факторов, в том числе распространение информации о контрацепции, что также изучается в отдельных исследованиях (например, см.: [21]).
Моделирование миграции. В модели, описанной в статье Макарова В.Л., Бахтизина А.Р., Сушко Е.Д., Агеевой А.Ф. [22], социальные связи агентов используются для передачи информации об уровне жизни в другой стране. Проведя оценку условий жизни на родине и сравнив с полученной информацией об условиях жизни за рубежом (в данном случае в России), агент может принять решение о переселении. Авторы учли множество параметров, воспроизведя структуру искусственного общества, соответствующую реальному. Например, исходя из характеристики региона проживания (городская/сельская местность), для агента определяется вероятность иметь определенное число детей, а исходя из его квалификации, определяется наличие желания сохранить свой род деятельности и зарплатные ожидания. Структура связей агентов строится после генерации искусственного общества.
В работе [23] рассматривается актуальный вопрос связи миграции и климатических изменений на примере района в северо-восточном Таиланде. Модель учитывает активы (экономические и финансовые ресурсы) индивидов, в том числе владение землей, социальные связи, в том числе связи домохозяйства с 10% наиболее обеспеченных домохозяйств, наделы земли и их параметры (размер, расстояние от деревни, вероятность затопления, качество почвы и т. д.). Изменение климата напрямую не побуждает агента к миграции, влияние оказывают экономические последствия от изменения климата: например, дожди влияют на урожай, урожай влияет на доход домохозяйства, доход влияет на имеющиеся активы, а уже они влияют на принятие решения о миграции.
Эпидемиологические модели, моделирование смертности и заболеваемости. Широкое распространение получили модели анализа распространения вируса СОУГО-19: модели общей динамики распространения вируса с учетом социальных связей внутри домохозяйства, на работе и проч. [24]; модели оценки рисков передачи вируса в помещениях [25]; модели оценки экономического ущерба от принятия мер сдерживания распространения вируса [26; 27] и т. д. Структуру такого рода моделей можно рассмотреть на примере Соуаэгт, которая использовалась сразу на нескольких континентах для моделирования динамики ситуации с вирусом и оценки возможного ответа [24]. Соуаэгт представляет собой агентную модель с фиксированными состояниями агентов (не болевший, носитель (с симптомами по категориям или без таковых), выздоровевший, умерший) и дискретным периодом времени. На каждом шаге работы модели (по умолчанию один шаг работы соответствует одному дню) происходит следующее: накладываются ограничения системы здравоохранения (например, доступность ИВЛ), обновляется состояние каждого агента (что может включать, к примеру, развитие болезни), рассчитывается передача вируса по социальной сети агента, а также происходит учет введения мер сдерживания распространения заболевания (например, социальная дистанция, карантин и т. д.). Модель учитывает различные вероятности передачи вируса для разных типов социальных связей: так, наибольшая вероятность передачи вируса - это другим членам домохозяйства, заметно меньше - коллегам на работе, в школе и т. д. При правильном моделировании типов связей агентов средняя вероятность будет соответствовать реально наблюдаемой. Одновременно учитывается различная восприимчивость агента к вирусу в зависимости от его возраста, а также заразность носителя - она меняется с течением времени. Модель поддерживает сразу несколько подходов к генерации связей агентов, включая случайные сети, гибридные (на вход принимается распределение населения по возрасту, далее агенты распределяются случайным образом по домохозяйствам на основе данных об их размере, без контроля распределения по возрасту), и с использованием БулШРор (искусственного общества) [28]. Последний является обобщением ряда предложенных методик генерации искусственного общества и позволяет генерировать общества, обладающие высокой степенью достоверности по ряду параметров (структура сетей, распределение по возрасту и т. д.).
Пандемия актуализировала разработку агентных моделей. На призыв Королевского Общества о помощи с разработкой моделей распространения заболевания4 откликнулось более 1800 команд и специалистов. Мы выбрали в качестве примера Соуаэгт, поскольку это один
4 royalsociety.org/topics-policy/Health%20and%20wellbeing/ramp.
из крупных проектов, разработанных во взаимодействии ряда исследовательских организаций с привлечением специалистов из отрасли информационных технологий, и важным достоинством Соуаэт является открытость исходного кода, что позволяет свободно использовать наработки всем желающим.
В то же время модели распространения заболеваний существовали задолго до СОУГО-19 [29]. Эта модель не уступает Соуаэгт по своему функционалу. Можно утверждать, что именно эпидемиологическое направление исследований привело к созданию наиболее мощных агентных моделей, которые могут быть взяты на заметку демографами. Для этих моделей критически важными являются различные среды, в которых обитают люди (дом, школа, работа и т. д.), поскольку в них по-разному происходит распространение заболеваний. Другим немаловажным фактором является значимость этих моделей для практического применения, и как следствие - финансирование со стороны оборонных ведомств и системы здравоохранения. Это позволяет углублять детализацию модели: так, упоминаемая ниже [35] модель последствий применения биологического оружия, разработанная в Университете Карнеги-Меллон, учитывала погодные и климатические особенности, характеристики местности, существующую инфраструктуру.
В качестве примера модели в области заболеваемости (не эпидемиологической, а хронической направленности) приведем модель, которая изучает различные подходы к реформе здравоохранения в Уганде в контексте лечения онкологических заболеваний и связанной с этим заболеванием бедностью [30]. Авторы создали искусственное общество из 10 тыс. агентов, обладающее демографическими свойствами населения Уганды. В модели учтены семейные связи, распределение агентов по доходу, осуществлена привязка агентов в местности, реализованы основные демографические процессы, такие как рождаемость и смертность, а также заболеваемость онкологией. В модели присутствует система здравоохранения Уганды - 53 госпиталя, а также действующие на территории НКО. Модель реализована в среде AnyLogic с последующим анализом в И.
Комбинированные экономико-демографические
модели: демографические процессы как базовые
общественные процессы
Третье направление развития демографического моделирования с использованием микросимуляционных и агентных методов представлено комбинированными экономико-демографическими моделями, в которых демографические процессы выступают как основные, базовые общественные процессы.
Говоря о применении микросимуляционных моделей, стоит отметить, что чисто демографические модели применяются редко и в основном используются в сфере экономико-демографических и социально-демографических исследований. Более широкое применение получили модели, в которых помимо демографических процессов представлены и другие, например, экономические. Как показано в обзоре исследований по данной теме [31], основная направленность применения моделей - это моделирование последствий реализации социальных программ. Это могут быть исследования, связанные с пенсионным страхованием, долгосрочными программами рынка жилья, системой высшего образования, рынком труда и проч. Данные исследования были проведены в таких странах, как Австралия, Австрия, Бельгия, Бразилия, Великобритания, Германия, Ирландия, Италия, Канада, Нидерланды, Норвегия, Словения, США, Франция, Чехия, Швеция, Япония и т. д.
Моделирование поведения людей на рынке труда с учетом демографического поведения (репродуктивного, матримониального, само-сохранительного и миграционного поведения) также можно назвать одним из распространенных направлений использования комбинированных моделей - от моделей, направленных на решение конкретных задач (например, модель, учитывающая вклад межрегиональных миграций в экономическую конвергенцию регионов [32]), до платформ, учитывающих вклад всего спектра демографических решений в поведение агентов на рынке труда [33].
Авторы упомянутого обзора современных моделей также отмечают перспективные направления развития микросимуляционного моделирования: изменение климата, распространение заболеваний, изучение вопросов использования времени и личных сбережений [31]. Помимо исследовательских перспектив следует отметить новые концептуальные политические подходы и новые методы анализа больших данных, которые «вплетают» в свой дизайн современные комбинированные модели. Например, модель Symphony [34], являясь инструментом симуляции для принятия политических решений, содержит идеи устойчивого развития и включает методы анализа мнений граждан, высказанных в социальных сетях. Полагаем, что внедрение концепции устойчивого развития в модели может привести к расширению демографического блока, поскольку цели развития населения (в первую очередь увеличение продолжительности жизни и сохранение здоровья) составляют существенную часть данной концепции.
Помимо анализа различных социально-экономических программ, агентное моделирование может быть важно и для изучения вопросов безопасности. В качестве примера можно привести модель оценки
последствий применения биологического оружия [35], взаимодействия людей при ядерной катастрофе [36] или при формировании протестных настроений [37] и т. д. В рамках данной тематики также изучаются вопросы демографии. Например, в статьях [38;39] изучается влияние гражданской войны в Непале (1996-2006 гг.) на основные демографические процессы: миграцию, брачность и т. д. В модели учитываются различные виды проявлений конфликта, включая подрывы бомб, вооруженные столкновения и проч. Так, конфликт оказал негативное влияние на миграцию в силу сложности перемещения в ходе боевых действий (с усилением миграции в ходе временного прекращения огня) и положительное влияние на принятие решений о вступлении в брак, поскольку стороны конфликта чаще рекрутировали холостых.
Выводы
Таким образом, проведенное нами исследование научных достижений в области развития демографического моделирования с использованием микросимуляционного и агентного подходов позволило выделить три направления: 1) недемографические модели, которые включают базовые демографические параметры в социально-экономические модели; 2) модели собственно демографических процессов или демографического развития территории; 3) комбинированные, преимущественно экономико-демографические, модели, в которых демографическая часть является ключевой задачей. Развитие агент-ного моделирования и впечатляющий рост данных о населении позволяют надеяться, что в ближайшее время будут появляться все более сложные и достоверные модели, которые позволят изучать широкий спектр проблем и будут отвечать требованиям к инструментам формирования и тестирования социальной и демографической политики государства.
Приложение
Таблица
Информация о цитировании рассмотренных статей с ненулевым цитированием в Google Scholar на дату 30.03.2021, опубликованных в 2010-2021 гг. (статьи ранжированы по убыванию количества
цитирований)
Статьи 2010-2021 гг. с ненулевым цитированием в GoogleScholar на дату 30.03.2021, используемые в данной публикации Количество цитирований в GoogleScholar по состоянию на 30.03.2021
Ajelliet al, 2010 250
LiandO'Donoghue, 2013 157
Billari et al, 2007 140
Silverman et al, 2013 84
Silva et al, 2020 68
Grow and Bavel, 2015 65
Williams et al, 2012 60
Diaz et al, 2007 59
Cuevas, 2020 58
Dawid et al, 2012 55
HillsandTodd, 2008 53
Kerr et al, 2020 47
Entwisle et al, 2016 40
Favreault et al, 2018 37
KimandHanneman, 2011 32
Shrime et al, 2016 21
Макаров, Бахтизин и др., 2017 20
Chattoe, 2003 17
Williamsetal, 2017 12
Burgeretal, 2017 10
Prskawetz, 2017 8
Kanoetal, 2021 5
Источник: составлено авторами.
ЛИТЕРАТУРА
1. Von Neumann J., Burks A.W. Theory of self-reproducing automata // IEEE Transactions on Neural Networks. 1966. № 5(1). Pp.3-14.
2. Schelling T.C. Dynamic models of segregation // Journal of Mathematical Sociology. 1971. № 1(2). Рр. 143-186.
3. Orcutt Guy H. A new type of socio-economic system // The review of economics and statistics. 1957. Pp. 116-123.
4. Orcutt Guy H. Microanalysis of socioeconomic systems. 1961.
5. Orcutt, Caldwell and Wertheimer. Policy Exploration Through Microanalytic Simulation. Washington, DC: Urban Institute, 1976. P. 86.
6. Favreaul, M.M., Smith K.E., Johnson R.W. 2015. The dynamic simulation of income model (DYNASIM). Washington, DC: Urban Institute. № 5(7).
7. Van Imhoff, Evert, et al., eds. Household demography and household modeling. Springer Science & Business Media, 2013.
8. National Research Council. Improving Information for Social Policy Decisions -The Uses of Microsimulation Modeling: Volume I, Review and Recommendations. Washington, DC: The National Academies Press. 1991. doi.org/10.17226/1835.
9. MacCluer J. W. Monte Carlo methods in human population genetics: a computer model incorporating age-specific birth and death rates // American journal of human genetics. 1967. 19. № 3. Pt 1. 303.
10. Wachter K.W., Eugene A. Hammel, and Peter Laslett. Statistical studies of historical social structure. Elsevier, 2013.
11. Dyke B.,MacCluer J. W., eds. Computer simulation in human population studies. Academic Press, 1973.
12. Mason C. Demographic models. In Handbook of Microsimulation Modelling. Emerald Group Publishing Limited, 2014. Pp. 345-365.
13. Silverman E., JakubBijak, Jason Hilton, Viet Dung Cao, and Jason Noble. When demography met social simulation: A tale of two modelling approaches // Journal of Artificial Societies and Social Simulation. 2013.16. №4, 9.
14. Prskawetz A. The role of social interactions in demography: An agent-based modelling approach. In Agent-based modelling in population studies. Springer, Cham. 2017. Pp. 53-72.
15. Kunstadter Peter, Roald Buhler, Frederick F. Stephan, and Charles F. Westoff. Demographic variability and preferential marriage patterns // American Journal of Physical Anthropology. 1963. № 21(4). Pp. 511-519.
16. Grow A. How to Design Agent-Based Marriage Market Models: A Review of Current Practices. Simulieren und Entscheiden. 2019. Pp. 59-83.
17. Billari F.C., Prskawetz A, Diaz B.A., Fent T. The "wedding-ring" an agent-based marriage model based on social interaction // Demographic Research. 2007. 17. Pp. 59-82.
18. Grow A., Van Bavel J. Assortative Mating and the Reversal of Gender Inequality in Education in Europe: An Agent-Based Model. 2015. PLoS ONE 10(6): e0127806. doi:10.1371/journal. pone.0127806.
19. Hills T., Todd P. Population heterogeneity and individual differences in an assortative agent-based marriage and divorce model (MADAM) using search with relaxing expectations // Journal of Artificial Societies and Social Simulation. 2008.11(4, 5).
20. Diaz B.A., Fent T., Prskawetz A., Bernardi L. Transition to parenthood: The role of social interaction and endogenous networks // Demography. 2007. № 48(2). Pp. 559-579.
21. Chattoe E. The role of agent-based modelling in demographic explanation. In Agent-Based Computational Demography. Heidelberg: Physica, 2003. Pp. 41-54.
22. Макаров В Л., Бахтизин А.Р., Сушко Е.Д., Агеева А.Ф. Агент-ориентированный подход при моделировании трудовой миграции из Китая в Россию // Экономика региона. 2017. Т. 13. Вып. 2. С. 331-341.
23. Entwisle B., Williams N.E., Verdery A.M., Rindfuss R.R.,et al. Climate shocks and migration: an agent-based modeling approach // Population and environment. 2016. № 38(1).Pp. 47-71.
24. Kerr C.C., Stuart R.M., Mistry D, Abeysuriya R.G., Hart G., et al. Covasim: an agent-based model of COVID-19 dynamics and interventions, 2020. The preprint server for health sciencemedRxiv.
25. Cuevas E. An agent-based model to evaluate the COVID-19 transmission risks in facilities. Computers in biology and medicine. 2020. 121. 103827.
26. Kano T, Yasui K., Mikami T, Asally M, Ishiguro A.An agent-based model of the interrelation between the COVID-19 outbreak and economic activities. Proceedings of the Royal Society. 2021. A, 477(2245). doi.org/10.1098/rspa.2020.0604.
27. Silva P.C., Batista P.V., Lima H.S., Alves M.A., Guimaraes F.G., Silva R.C. COVID-ABS: An agent-based model of COVID-19 epidemic to simulate health and economic effects of social distancing interventions. Chaos, Solitons and Fractals. 2020. 139 (110088). https://doi: 10.1016/j.chaos.2020.110088.
28. SynthPops. SynthPops algorithm. Retrieved from the internet on Feb. 15, 2021. docs.idmod.org/projects/synthpops/en/latest/algorithm.html.
29. Ajelli M., Gongalves B, Balcan D. et al. Comparing large-scale computational approaches to epidemic modeling: Agent-based versus structured metapopulation models. BMC Infectious Diseases. 2010. 10 (1), 190. doi.org/10.1186/1471-2334-10-190.
30. Shrime M.G., Sekidde S., Linden A, Cohen J.L., Weinstein M.C., Salomon J.A. Sustainable development in surgery: the health, poverty, and equity impacts of charitable surgery in Uganda. 2016. PLoS One, 11(12), e0168867.
31. Li and O'Donoghue. A survey of dynamic microsimulation models: uses, model structure and methodology //International Journal of Microsimulation. 2013. 6(2) Pp. 3-55.
32. Dawid H., Gemkow S., Harting P. et al. Labor market integration policies and the convergence of regions: the role of skills and technology diffusion// Journal of Evolutionary Economics. 2012. 22. Pp. 543-562. doi.org/10.1007/s00191-011-0245-1.
33. Kant J.-D., Ballot G., Goudet O. WorkSim, an agent-based framework to study labor markets. International Conference on Agent Computing, Robert Axtell. 2016, November. Fairfax, United States. (hal-01511156).
34. Symphony Project. Retrieved from the internet on March. 15, 2021. project-symphony. eu/project/objectives.
35. Carley K.M. et al. A Model of Biological Attacks on a Realistic Population. In: Minai A.A., Braha D., Bar-Yam Y. (eds) Unifying Themes in Complex Systems. 2011. Springer, Berlin, Heidelberg. doi.org/10.1007/978-3-642-17635-7_10.
36. Burger A, Oz T., Crooks A, Kennedy W.G. Generation of realistic mega-city populations and social networks for agent-based modeling. In Proceedings of the 2017
International Conference of The Computational Social Science Society of the Americas. 2017, October. Pp. 1-7.
37. Kim J.W., Hanneman R. A computational model of worker protest// Journal of Artificial Societies and Social Simulation. 2011. 14(3), 1.
38. Williams N.E., Ghimire D.J., Axinn W.G., Jennings E.A., Pradhan M.S. A micro-level event-centered approach to investigating armed conflict and population responses// Demography. 2012. 49(4). Pp. 1521-1546.
39. Williams N.E., O'Brien M.L., Yao X. Using survey data for agent-based modeling: design and challenges in a model of armed conflict and population change. In Agent-Based Modelling in Population Studies. Springer, Cham. 2017. Pp. 159-184.
REFERENCES
1. Von Neumann J., Burks A.W. Theory of self-reproducing automata // IEEE Transactions on Neural Networks. 1966. № 5(1). Pp. 3-14.
2. Schelling T.C. Dynamic models of segregation// Journal of Mathematical Sociology. 1971. № 1(2). Pp. 143-186.
3. Orcutt Guy H. A new type of socio-economic system // The review of economics and statistics. 1957. Pp. 116-123.
4. Orcutt Guy H. Microanalysis of socioeconomic systems. 1961.
5. Orcutt, Caldwell and Wertheimer. Policy Exploration Through Microanalytic Simulation. Washington, DC: Urban Institute, 1976. P. 86.
6. Favreaul, M.M., Smith K.E., Johnson R.W. 2015. The dynamic simulation of income model (DYNASIM). Washington, DC: Urban Institute. № 5(7).
7. Van Imhoff, Evert, et al., eds. Household demography and household modeling. Springer Science & Business Media, 2013.
8. National Research Council. Improving Information for Social Policy Decisions -The Uses of Microsimulation Modeling: Volume I, Review and Recommendations. Washington, DC: The National Academies Press. 1991. doi.org/10.17226/1835.
9. MacCluer, J. W. Monte Carlo methods in human population genetics: a computer model incorporating age-specific birth and death rates // American journal of human genetics. 1967. 19. № 3. Pt 1. 303.
10. Wachter K.W., Eugene A. Hammel, and Peter Laslett. Statistical studies of historical social structure. Elsevier, 2013.
11. Dyke B.,MacCluer J. W., eds. Computer simulation in human population studies. Academic Press, 1973.
12. Mason C. Demographic models. In Handbook of Microsimulation Modelling. Emerald Group Publishing Limited, 2014. Pp. 345-365.
13. Silverman E., JakubBijak, Jason Hilton, Viet Dung Cao, and Jason Noble. When demography met social simulation: A tale of two modelling approaches // Journal of Artificial Societies and Social Simulation. 2013. 16. № 4, 9.
14. Prskawetz A. The role of social interactions in demography: An agent-based modelling approach. In Agent-based modelling in population studies. Springer, Cham. 2017. Pp. 53-72.
15. Kunstadter Peter, Roald Buhler, Frederick F. Stephan, and Charles F. Westoff. Demographic variability and preferential marriage patterns// American Journal of Physical Anthropology. 1963. № 21(4). Pp. 511-519.
16. Grow A. How to Design Agent-Based Marriage Market Models: A Review of Current Practices. Simulieren und Entscheiden. 2019. Pp. 59-83.
17. Billari F.C., Prskawetz A, Diaz B.A., Fent T. The "wedding-ring" an agent-based marriage model based on social interaction // Demographic Research. 2007. 17. Pp. 59-82.
18. Grow A, Van Bavel J. Assortative Mating and the Reversal of Gender Inequality in Education in Europe: An Agent-Based Model. 2015. PLoS ONE 10(6): e0127806. doi:10.1371/journal. pone.0127806.
19. Hills T., Todd P. Population heterogeneity and individual differences in an assortative agent-based marriage and divorce model (MADAM) using search with relaxing expectations // Journal of Artificial Societies and Social Simulation. 2008. 11(4, 5).
20. Diaz B.A., Fent T., Prskawetz A, Bernardi L. Transition to parenthood: The role of social interaction and endogenous networks // Demography. 2007. № 48(2). Pp. 559-579.
21. Chattoe E. The role of agent-based modelling in demographic explanation. In Agent-Based Computational Demography. Heidelberg: Physica, 2003. Pp. 41-54.
22. Makarov V.L., Bakhtizin A.P., Sushko E.D., Ageeva A.F. Agent-based approach to simulation of labour migration from China to Russia // Economy of the region. 2017. Vol. 13, Issue. 2. P. 331-341. (In Russ.).
23. Entwisle B, Williams N.E., Verdery A.M., Rindfuss R.R.,et al. Climate shocks and migration: an agent-based modeling approach // Population and environment. 2016. № 38(1). Pp. 47-71.
24. Kerr C.C., Stuart R.M., Mistry D, Abeysuriya R.G., Hart G, et al. Covasim: an agent-based model of COVID-19 dynamics and interventions, 2020. The preprint server for health science medRxiv.
25. Cuevas E. An agent-based model to evaluate the COVID-19 transmission risks in facilities. Computers in biology and medicine. 2020. 121. 103827.
26. Kano T, Yasui K., Mikami T., Asally M., Ishiguro A.An agent-based model of the interrelation between the COVID-19 outbreak and economic activities. Proceedings of the Royal Society. 2021. A, 477(2245)/ doi.org/10.1098/rspa.2020.0604.
27. Silva P.C., Batista P.V., Lima H.S., Alves M.A., Guimaraes F.G., Silva R.C. COVID-ABS: An agent-based model of COVID-19 epidemic to simulate health and economic effects of social distancing interventions. Chaos, Solitons and Fractals. 2020. 2020. 139 (110088). doi: 10.1016/j.chaos.2020.110088.
28. SynthPops. SynthPops algorithm. Retrieved from the internet on Feb. 15, 2021 from docs.idmod.org/projects/synthpops/en/latest/algorithm.html.
29. Ajelli M., Gongalves B, Balcan D. et al. Comparing large-scale computational approaches to epidemic modeling: Agent-based versus structured metapopulation models. BMC Infectious Diseases. 2010. 10 (1), 190. doi.org/10.1186/1471-2334-10-190.
30. Shrime M.G., Sekidde S., Linden A, Cohen J.L., WeinsteinM.C., Salomon J.A. Sustainable development in surgery: the health, poverty, and equity impacts of charitable surgery in Uganda. 2016. PLoS One, 11(12), e0168867.
31. Li and O'Donoghue. A survey of dynamic microsimulation models: uses, model structure and methodology // International Journal of Microsimulation. 2013. 6(2). Pp. 3-55.
32. Dawid H, Gemkow S., Harting P. et al. Labor market integration policies and the convergence of regions: the role of skills and technology diffusion // Journal of Evolutionary Economics. 2012. 22. Pp. 543-562. https://doi.org/10.1007/s00191-011-0245-1.
33. Kant J.-D., Ballot G., Goudet O. WorkSim, an agent-based framework to study labor markets. International Conference on Agent Computing, Robert Axtell. 2016, November. Fairfax, United States. (hal-01511156).
34. Symphony Project. Retrieved from the internet on March. 15, 2021. project-symphony. eu/project/objectives.
35. Carley K.M. et al. A Model of Biological Attacks on a Realistic Population. In: Minai A.A., Braha D., Bar-Yam Y. (eds). Unifying Themes in Complex Systems. 2011. Springer, Berlin, Heidelberg. doi.org/10.1007/978-3-642-17635-7_10.
36. Burger A, Oz T., Crooks A, Kennedy W.G. Generation of realistic mega-city populations and social networks for agent-based modeling. In Proceedings of the 2017 International Conference of The Computational Social Science Society of the Americas. 2017, October. Pp. 1-7.
37. Kim J.W., Hanneman R. A computational model of worker protest // Journal of Artificial Societies and Social Simulation. 2011. 14(3), 1.
38. Williams N.E., Ghimire D.J., Axinn W.G., Jennings E.A., Pradhan M.S. A micro-level event-centered approach to investigating armed conflict and population responses // Demography. 2012. 49(4). Pp. 1521-1546.
39. Williams N.E., O'Brien M.L., Yao X. Using survey data for agent-based modeling: design and challenges in a model of armed conflict and population change. In Agent-Based Modelling in Population Studies. Springer, Cham. 2017. Pp. 159-184.
ABOUT THE AUTHORS
Kalabikhina Irina Evgenievna - Doctor of Economic Sciences, Professor, Head of the Department of Population of the Faculty of Economics of M.V. Lomonosov Moscow State University. Moscow, Russia kalabikhina@econ.msu.ru
Belyanov Aleksandr Aleksandrovich - Postgraduate Student of the Population Department of the Faculty of Economics of M.V. Lomonosov Moscow State University. Moscow, Russia. beaa18a@econ.msu.ru
REVIEW OF MICROSIMULATION AND AGENT-BASED APPROACHES IN DEMOGRAPHIC RESEARCH
The paper considers the directions of development of microsimulation and agent-based approaches to describe demographic processes and demographic behavior. The selection of articles under investigation is based on citation, publication period, as well as on the authors' expert assessment of the significance of the described model for studying the modeling of demographic parameters. We distinguish three directions of modeling demographic parameters: inclusion of demographic parameters in socio-economic models; development of separate models for demographic processes and demographic development of the territory (with examples of modeling of marriage, fertility, migration, mortality and morbidity, including epidemiological models); creation of combined economic and demographic models, in which demography is one of the main components.
Keywords: demography, population economics, microsimulation modeling, agent-based modeling JEL: J1, J10, C6.
