کاربرد تکنیک های شبیه سازی در علوم اجتماعی (یک بررسی انتقادی)

علوم اجتماعی دانشگاه فردوسی مشهد

مقاله 3، دوره 11، شماره 2 - شماره پیاپی 24، اسفند 1393، صفحه 77-104   

نوع مقاله: علمی - پژوهشی

شناسه دیجیتال (DOI): 10.22067/jss.v11i2.18642

نویسنده

احمدرضا اصغرپور ماسوله^*

دانشگاه فردوسی مشهد

چکیده

شبیه‌سازی اجتماعی شامل مجموعه‌ای از تکنیک‌ها و ابزارهاست برای مدل‌کردن پدیده‌های اجتماعی، به گونه‌ای که بتوان آزمون‌ها و آزمایش‌هایی مجازی بر روی آن مدل‌ها انجام داد. اگر‌چه گسترش امکانات رایانه‌ای تاریخی کوتاه دارد؛ اما ریشه‌های نیاز به شبیه‌سازی در جامعه‌شناسی را می‌توان تا نیمۀ اول قرن بیستم پی گرفت. در یک تقسیم‌بندی تکنیک‌های شبیه‌سازی اجتماعی را می‌توان در پنج دستۀ پویایی سیستمی، مدل‌های صف‌بندی، شبیه‌سازی خرد، اتوماتای سلولی و مدل‌های عامل‌محور قرار داد. این پنج تکنیک در دو دستۀ تکنیک‌های فرآیند‌محور (دو مورد اول) و تکنیک‌های عامل‌محور (سه موردی بعدی) قرار می‌گیرند. از میان تمام این تکنیک‌ها به نظر می‌رسد مدل‌سازی عامل‌محور بیش از همه بر معضلات پیش روی محققان اجتماعی و نیز نیازهای آن‌ها تطابق دارد. در مدل‌سازی عامل‌محور می‌توان برخی از مهم‌ترین دغدغه‌های جامعه-شناسان؛ مانند ناهمگونی عامل‌ها، تعامل میان عامل‌ها، یادگیری عامل‌ها، تعامل عامل‌ها و محیط و ظهور الگوهای کلان از کنش‌های خرد را به خوبی بررسی کرد.

کلیدواژه‌ها

شبیه سازی اجتماعی؛ مدل سازی عامل محور، شبیه سازی خرد؛ اتوماتای سلولی؛ مدل های صف بندی

مراجع

1. Arthur, B. W. (1999). “Complexity and the Economy”. Science, 2 April 1999. 284. pp 107-109.

2. Axelrod, R. (2001). The Complexity of Cooperation: Agent-Based Models of Competition and collaboration. Princeton University Press.

3. Axtell, R. L. (2007). “What Economic Agents Do: How Cognition and Interaction Lead to Emergence and Complexity”. Review of Austrian Economics. 20. Pp 105-122.

4. Babbie, E. (2008). The basic of social research. Wadsworth Cengage Learning.

5. Barreteau, O; Bousquet, F; Millier, C; Weber, J. (2004). “Suitability of Multi-Agent Simulations to Study Irrigated System Viability: Application to Case Studies in the Senegal River Valley”. Agricultural Systems. 80. 3. Pp 255-275.

6. Becu, N; Perez, P; Walker, A; Barreteau, O and Le Page, C. (2003). “Agent Based Simulation of a Small Catchment Water Management in Northern Thailand: Description of the CATCHSCAPE Model”. Ecological Modelling. 170. 2-3. Pp 319-331.

7. Boudon, R. (1970). L’analyse Math´ematiques des Faits Sociaux. 2nd edn. Paris: Plon.

8. Casti, J. (1999). The computer as a laboratory: toward a theory of complex. adaptive systems. Complexity. 4(5). pp 12–14.

9. Chung, C. A. (2003). Simulation modeling handbook: A practical approach. CRC press. Boca Raton. FL.

10. Colander, D; Howitt, P; Kirman, A; Leijonhufvud, A; Mehrling, P. (2008). “Beyond DSGE Models: Toward an Empirically Based Macroeconomics”. American Economic Review. 98. 2. Pp 236-240.

11. Coleman, J.S. (1962). “Analysis of social structures and simulation of social processes with electronic computers”. in Simulation in Social Science. (ed. H. Guetzkow). Prentice Hall. Englewood Cliffs. NJ. pp. 63–69.

12. Coleman, J.S. (1964). Introduction to Mathematical Sociology. ., New York: MacMillan Publishing

13. CoDosi, G; Fagiolo, G. and Roventini, A. (2006). “An Evolutionary Model of Endogenous Business Cycles”. Computational Economics. 27. Pp 1. 3-34.

14. Durlauf, S. N. (1998). “What Should Policymakers Know About Economic Complexity?”. The Washington Quarterly. 21. 1. Pp 157-165.

15. `Epstein, J. M. (2006). Generative Social Science. Studies in Agent-Based Computational Modeling. Princeton: Princeton University Press.

16. Epstein, J. M and Axtell, R. (1996). Growing Artificial Societies. Social Science from the Bottom Up. Cambridge: MA, The MIT Press.

17. Fararo, T. J. and Hummon, N. P. (2005). “The Emergence of Computational Sociology”. Journal of Mathematical Sociology. 20. 2-3. Pp 79-87.

18. Frank, U; Squazzoni, F and Troitzsch, K. G. (2009). “EPOS-Epistemological Perspectives on Simulation: An Introduction”. in F. Squazzoni (ed.). Epistemological Aspects of Computational Social Science.

19. Giere, R. N. )1999.( Science without Laws. Chicago: University of Chicago Press.

20. Gilbert, N. (2002). "Varieties of Emergence. in D. Sallach (ed.). Social Agents: Ecology, Exchange, and Evolution. Agent 2002 Conference. Chicago: University of Chicago and Argonne National Laboratory. Pp 41-56.

21. Gilbert, N. (2008). Agent-Based Models. London: Sage Publications.

22. Gilbert, N. and Abbott, A. (2005). "Introduction". American Journal of Sociology. 110 (4).Pp. 859–863.

23. Gilbert, N. and K. Troitzsch.(1999). Simulation for the Social Scientist. Buckingham: Open University Press.

24. Gilbert, N. and Troitzsch, K.G. (2005). Simulation for the Social Scientist.2nd ed. Maidenhead: Open University Press.

25. Hanneman, R. A.(1988). Computer-Assisted Theory Biulding. Modeling Dynamic Social Systems. Sage: Newbury Park. CA.

26. Harding, A. (ed.).(1996). Microsimulation and public policy. Contributions to economic policy. vol. 232. Elsevier.Amsterdam.

27. Hedström, P.(2005).Dissecting the Social. On the Principles of Analytical Sociology. Cambridge: MA, Cambridge University Press.

28. Heise, D. R. and Simmons, R. G. (1985). Some computer-based developments in sociology. Science. 228. Pp 428–433.

29. Kreutzer, W. (1986). System simulation. Programming styles and languages .Sydney: Addison-Wesley.

30. Lansing, J. S; Kremer, J. N. (1993). “Emergent Properties of Balinese Water Temple Networks: Coadaptation on a Rugged Fitness Landscape”. American Anthropologist. 95. 1. Pp 97-114.

31. Manicas, P. (2006). A Realist Philosophy of Social Science: Explanation and Understanding. Cambridge: Cambridge University Press.

32. Miller, J. H; Page, S. E. (2007). Complex Adaptive System. An Introduction to Computational Models of Social Life. Princeton: Princeton University Press.

33. Orcutt, G. H & et al. (eds). (1986) Microanalytic simulation models to support social and financial policy. Informamtion research and resource reports. vol. 7. North-Holland. Amsterdam.

34. Pancs, R and Vriend, N.bJ. (2007). “Schelling’s Spatial Proximity Model of Segregation Revisited”. Journal of Public Economics. 91. 1-2, pp 1-24.

35. Pingle, M and Tesfatsion, L. (2003). Evolution of Worker-Employer Networks and Behaviors under Alternative Non-Employment Benefits: An Agent-Based Computational Study. in A. Nagurney (ed.) Innovations in Financial and Economic Networks. Cheltenham. Uk: Edward Elgar.

36. Pyka, A. and Hanush, H. (eds.) (2006). Applied Evolutionary Economics and the Knowledge-Based Economy. Cheltenham. UK: Edward Elgar.

37. Railsback, Steven F. & Grimm, V. (2011). Agent-Based and Individual-Based Modeling: A Practical Introduction. Princeton University Press.

38. Richiardi, M. (2004). “A Search Model of Unemployment and Firm Dynamics”. Advances in Complex Systems. vol. 7. no. 2.

39. Schelling, T. (1971). “Dynamic models of segregation”. Journal of Mathematical Sociology. 1. Pp 143–186.

40. Schelling, T. (1978). Micromotives and Macrobehavior. New York: W. W. Norton.

41. Simon, H.(1969). The Sciences of the Artificial.The MIT Press. Cambridge: MA.

42. Terano, T. (2005). Agent-based Simulation: From Modeling Methodologies to Real-world applications Springer.

43. Troitzsch, K. G. )1997(. "Social Science Simulation: Origins, Prospects, Purposes." in Conte, Hegselmann and Terna. pp 41-54.

44. Troitzsch, K. G .(2009). "Multi-Agent Systems and Simulation: A Survey from an Application Perspective". in A. M. Uhrmacher and D. Weyns (eds.). Multi-Agent Systems. Simulation and Applications. Boca Raton. FL. CRC Press. pp 53-75.

45. Zeigler, B. P. )1985.( Theory of modeling and simulation. pp. 125-196.

46. Zhang, J. )2004( "A Dynamic Model of Residential Segregation. "Journal of Mathematical Sociology. 28. Pp 147-170.