Modelos podem ser definidos como versões simplificadas da realidade (Ragsdale 2009), representações formais de uma teoria ou sistema de interesse (Briassoulis 2000, Grimm et al., 2010) ou, ainda, abstrações ou aproximações da realidade, obtidas através da simplificação das complexas relações do mundo real, até o ponto de serem compreensíveis e manipuláveis (Briassoulis 2000, RAGSDALE, 2009; Wallick, 2012). Os Modelos – ou a Modelagem – Baseados em Agentes (MBA) compõem uma subclasse dos chamados modelos formais, os quais se utilizam de equações matemáticas e algoritmos computacionais para estudar e definir os agentes do sistema, assim como as interações dos mesmos (Smaldino, 2015).
A MBA pode ser entendida como o estudo computacional de agentes em um sistema formado de entidades autônomas que podem evoluir conjuntamente (Janssen, 2005). Trata-se de um conjunto de técnicas computacionais que simulam agentes heterogêneos e comportamentos adaptativos (Wallick, 2012), cujo propósito é compreender as propriedades envolvidas em sistemas adaptativos complexos, através da simulação (Axelrod, 1997). Conforme Terano (2011), com esses modelos é possível tornar as ciências sociais operacionais, comunicáveis e experimentais. Eles permitem, por exemplo, representar sistemas sociais a partir do princípio de que comportamentos individuais, simples, podem gerar fenômenos sociais complexos (Smaldino, 2015).
Quando comparados com a dedução e a indução, Axelrod (1997) entende que a MBA seria uma terceira via na forma de se fazer ciência. Neste sentido, para Terano (2011), a MBA seria um novo paradigma da modelagem. Nas palavras de Axelrod (1997):
113 “[l]ike deduction, it starts with a set of explicit assumptions.
But unlike deduction, it does not prove theorems. Instead, an agent-based model generates simulated data that can be analyzed inductively. Unlike typical induction, however, the simulated data come from a rigorously specified set of rules rather than direct measurement of the real world. Whereas the
purpose of induction is to find patterns in data and that of
deduction is to find consequences of assumptions, the
purpose of agent-based modeling is to aid intuition” (p. 3).
A MBA permite estudar as interdependências entre agentes e suas atividades, e a exploração de questões sociais, econômicas e ecológicas (Helbing & Balietti, 2012). A MBA de Sistemas Adaptativos Complexos envolve, portanto, a simulação de ações de agentes heterogêneos em um ambiente, também, modelado (Bentley, 2003). Os agentes desses modelos são heterogêneos em relação às suas características constituintes, como estratégia utilizada e parâmetros individuais, sendo a interação entre os mesmos o elemento central da modelagem (Cristelli, Pietronero & Zaccaria, 2012). Cada agente, sendo discreto e autônomo, e perseguindo objetivos locais, pode aprender e ser influenciado pelas ações de outros agentes (Smaldino, 2015). Sob esta perspectiva, os MBA permitem estudar a emergência de macro fenômenos originados a partir de comportamentos micro – individuais – ocorridos nas interações (Janssen, 2006).
Como colocam Dean e colaboradores (2008), esses modelos permitem – além da criação de agentes autônomos e heterogêneos cujo comportamento seria baseado em regras simples – criar paisagens de recursos variáveis que podem ser desenhados arbitrariamente, ou podem ser construídos com base em localidades reais. No caso da Antropologia:
“A set of anthropologically plausible rules defines the ways in
which agents interact with the environment and with one another. Altering the agents' attributes, their interaction rules, and features of the landscape allow experimental examination of behavioral responses to different initial conditions, relationships, and spatial and temporal parameters. The agents’ repeated interactions with their social and physical landscapes reveal ways in which they respond to changing
114 Os agentes podem representar indivíduos, unidades familiares ou mesmo vilas inteiras, e diferentes escalas sociais (Bentley, 2003). Cada entidade, ou agente, do sistema é definido por um conjunto de parâmetros e regras a serem seguidas (Iwamura et al., 2014). Helbing e Balietti (2012) enumeram algumas das propriedades que podem ser atribuídas a agentes que representem indivíduos, entre elas: nascimento, morte, reprodução, necessidades individuais sobre recursos, habilidades de competição, percepção, curiosidade, memória, mobilidade e troca. Os agentes seriam, assim, entidades autônomas que tomariam decisões, cada qual avaliando suas condições locais e fazendo suas escolhas através de um determinado conjunto de regras (Bonabeau 2002). As regras do tipo se/então (Halbing & Balietti, 2012) norteariam o comportamento dos agentes dadas as suas interações com outros agentes e com o seu meio. Suas interações trariam, portanto, o resultado que se busca através da modelagem (Winterhalder, 2002).
Os Modelos Baseados em Agentes podem, ainda, apresentar auto-organização, robustez frente a pequenas interferências, transições de fase e criticalidade auto- organizada representada por eventos extremos (Helbing & Balietti, 2012). As interações entre agentes nesses modelos podem levar à emergência de padrões comuns ao sistema como um todo (Axelrod, 1997; Bentley, 2003), que não seriam compreendidos a partir da análise apenas das ações individuais (Halbing & Balietti, 2012). Esta característica dos MBA, de permitir a identificação de comportamentos e estruturas que emergem a partir de variáveis individuais, permite capturar fenômenos emergentes altamente imprevisíveis e difíceis de abordar com modelos tradicionais (Holcombe et al., 2012). A MBA, segundo Bonabeau (2002), seria a abordagem canônica para se modelar esses fenômenos.
No caso dos fenômenos emergentes de dinâmicas sociais, Smaldino (2015) acredita que há três grandes desafios que seriam enfrentados: i) o fato de que as dinâmicas de grupo muitas vezes podem ser compostas de diferentes níveis de interação, com indivíduos, grupos e estruturas se influenciando mutuamente; ii) em dinâmicas sociais existe a presença de feedbacks entre esses diferentes níveis de organização social e iii) seria necessário considerar a presença da memória nesses modelos, uma vez que os estados dos agentes desses sistemas seriam sempre
115 dependentes do seu momento anterior, visto que os inputs recebidos previamente, seja do ambiente, seja de outros agentes, influenciariam as ações individuais em momentos seguintes. Os pontos colocados por Smaldino (2015) e apresentados aqui, expõem as dificuldades de se modelar fenômenos de grupo e dinâmicas sociais.
Entre as principais críticas à Modelagem Baseada em Agentes estão: a crítica de Lucas (1976), sobre a falta de validação com casos reais (Dean et al., 2008); a falta de informação empírica para parametrização dos modelos (Iwamura et al., 2014); e a ausência de uma forma comum de comunicar os modelos na literatura (Grimm et al., 2006). A crítica feita por Lucas (1976) frente aos modelos baseados em agentes, coloca em questão a supervalorização dos modelos em detrimento dos próprios problemas de pesquisa. Para o autor existiria o risco de que ao longo da avaliação do funcionamento do próprio modelo computacional a realidade fosse deixada em segundo plano. Lucas identifica sua crítica nos modelos de dinâmicas sociais que implementam uma determinada regra a se seguir quando os sistemas que se deseja modelar se encontram em ambientes nos quais a própria regra esta sujeita à mudanças. A utilização de regras imutáveis atribuídas aos agentes poderia, em certo sentido, forçar a ação dos indivíduos mesmo quando estas não seriam interessantes para eles (Wallick, 2012).
A crítica feita por Dean e colaboradores (2008) também é pontuada por Holcombe e colaboradores (2012). Os autores reforçam a necessidade de que os agentes devem ser plausíveis, de maneira que seu comportamento deve ser baseado em dados experimentais. Embora essa abordagem seja potencialmente poderosa, os modelos baseados em agentes permanecem sem verificação até que sejam validados com casos reais, sendo o grau de aproximação entre ambos, que deveria levar o modelo a ter sua validade assegurada. Iwamura et al. (2014) reforçam a dificuldade em se parametrizar os modelos, dada a possível ausência de dados e informações em diferentes contextos.
Por fim, Grimm et al. (2006) pontuam a falha metodológica existente na ausência de um protocolo comum para a descrição de modelos computacionais em artigos
116 científicos. As descrições muitas vezes vagas e incompletas, segundo os autores, dificultam a interpretação de dados apresentados e impossibilitam a reprodução dos modelos por outros pesquisadores para que se faça a verificação dos mesmos. A falta de um protocolo comum de descrição dos MBA, embora ainda sem um consenso assegurado, vem sendo superada a partir da proposição do protocolo ODD (Overview, Design Concepts, Details) por Grimm et al. (2006), posteriormente atualizado por Grimm et al. (2010). A adesão expressiva ao ODD, norteia a escolha feita aqui por apresentarmos o modelo de origem e evolução da DMH nestes mesmos moldes. O protocolo ODD será descrito abaixo e sua aplicação ao nosso modelo será apresentada no capítulo seguinte.