观点 | Nature: 经济学需要ABM

本文是介绍ABM在社会科学中应用的超高引文献，于2008年经济危机后发表在<Nature>上。文章对于传统经济学理论及其固有局限性和ABM技术的优势进行了全方位介绍。尽管随着科学研究的进步，文中的一些例子已经显得有些过时，但其对于ABM在经济学乃至整个社会科学应用优势的洞察却依旧十分透彻。在学界高度重视计算社会科学和LLM-based agent based modeling的当下，这篇经典文献仍能给我们些许启迪。

这样的结果是，经济政策的制定者们只能凭借自己的常识，或者是通过与诸如日本“失去的十年”和大萧条这样的历史案例进行类比来做决策。这种方式可能会导致政策制定者们做出缺乏预见性的经济政策。

不学经济学的人们可能很难相信这点。华尔街的人们不是在用十分复杂绚丽的数学模型吗？确实如此，但这些模型有着完全不同的目的：它们被用来对个体交易的潜在收益和风险进行建模，而不是为了理解整个经济系统的行为。

事实上，我们有一种更好的方法：代理人基模型（agent-based models，ABM）。代理人基模型（ABM）是一种计算机模拟方法，它模拟了一组决策者（即“代理, agent”）和机构，这些代理们和机构根据预先设定的规则进行互动。模拟代理的类型可以十分多样化——从普通消费者到政策制定者再到华尔街的专家们。用来模拟的机构也可以涵盖从银行到政府等各种实体。不同于传统模型依赖经济趋向于预设的均衡状态的假设，ABM允许每个代理根据其当前状态、其周边环境状态以及预设规则进行行动。例如，一个模拟普通消费者的代理可以根据通货膨胀率、其对于未来经济的乐观程度和基于心理学实验推导出的行为规则来决定是去存钱还是消费。计算机会追踪这些代理间的复杂互动，观察其随时间的变化。ABM可以处理比传统均衡模型更广泛的非线性行为。这样一来，政策制定者便可以在虚拟经济系统中观察并量化不同经济政策的结果。

然而，为什么ABM在经济学中尚未得到充分发展呢？这是历史选择的结果。经济的复杂性以及人类思维和适应性的作用使得模型的建立极具挑战性。

将经济视为复杂系统的思想可以追溯到18世纪末的亚当·斯密。更近一些，凯恩斯和他的追随者们尝试基于历史模式描述并量化这种复杂性。凯恩斯的经济理论在二战后曾经辉煌一时，但却在20世纪70年代中期的关键考验中失败。凯恩斯学派的理论预测通货膨胀能够带动社会走出衰退，认为物价上涨会刺激供给，而生产者会在通货膨胀的驱动下增加产量并雇佣更多工人。然而，就当美国决策者试图通过增加货币供应量来拉动就业时，结果却事与愿违——高通胀与高失业率竟然同时存在，这种状态被称为“滞胀”。罗伯特·卢卡斯等人在1976年指出，凯恩斯理论的失败在于其忽视了人类学习和调适的能力。企业和工人逐渐认识到通货膨胀仅仅只是通货膨胀，不等同于工资相对物价的实际上涨。

现实行为

但问题还不止于此。就算理性预期能够合理地模拟人类行为，它的数学操作也过于复杂，以至于必须对人类的行为进行大幅度的简化才能获得可处理的结果。比如，美国联邦储备系统所使用的均衡模型在构建时就不得不剥离掉真实经济中存在的大部分结构特征。这些模型中没有银行、没有衍生品，更没有次级抵押贷款或信用违约互换——这些因素的非线性和复杂性超出了均衡方法的处理能力。当涉及到政策制定时，这些模型的预测甚至不能说是错误的，而是根本不存在。

ABM则有可能提供一种将金融经济作为复杂系统进行建模的方法，这种方法不仅考虑到了凯恩斯所尝试描述的经济复杂性，还兼顾了卢卡斯倡导的、应该予以关注的人类适应与学习的能力。ABM可以创建一种虚拟的经济环境，其中的各类参与者能够以复杂且现实的方式进行互动。在其他学科中，例如流行病学或交通规划，ABM已成为支持政策制定的重要工具。

有前景的尝试

其他值得关注的尝试包括马尔凯理工大学（Marche Polytechnic University）的Mauro Gallegati团队的信贷部门模型，以及南卡罗来纳大学（University of South Carolina）Robert Clower和布朗大学（Brown University）Peter Howitt开发的货币模型。尽管这些模型非常有用，但其开发者自己也承认，它们只是迈向更复杂模型的初步尝试。

为了更详细地说明ABM如何运作，可以参考一个由本文作者之一的Farmer与维也纳大学的Stefan Thurner以及耶鲁大学的John Geanakoplos联合开发的模型，该模型用来研究杠杆对股票价格波动的影响。杠杆，即借款投资的比例，以借款者拥有的总资产与其净资产之比来衡量；例如，如果一套房产以20%的首付款购买，杠杆比例便是5倍。

该模型中包含四类代理：“噪声交易者”，他们的交易基本上是随机的，但略微倾向于推动价格向基本价值靠拢；对冲基金，当股票价格低时持有股票，否则持有现金；投资者，他们决定是否投资于对冲基金；以及银行，可以向对冲基金提供贷款，允许它们购买更多股票。通常情况下，对冲基金的存在会抑制波动性，将股价推向其基本价值。但是，为了控制风险，银行会将杠杆率限制在预定的最大值。如果股票价格下跌，而基金完全杠杆化，基金的财富就会暴跌，杠杆率就会上升；因此，为了维持在杠杆上限内，基金必须卖出股票以偿还部分贷款，从而导致其在下跌的市场中继续抛售股票。

这一ABM模型展示了对冲基金的行为如何加剧价格波动，并在极端情况下导致市场崩溃。该模型生成的价格统计特性与现实极为相似。它表明，银行用来降低自身风险的标准方式反而可能会增加整个系统的风险。

基于均衡理论的早期杠杆模型只展示了杠杆如何导致金融崩溃的定性过程，但并未提供有关价格统计特性如何受到影响的定量信息。ABM则能够模拟出复杂且非线性的行为，这是均衡模型目前难以处理的。通过增加有关真实银行和基金行为的详细信息，该模型还可以变得更加现实，从而解答许多重要问题。例如，将风险分散到多个金融机构是否能够稳定金融系统，还是反而会增加金融脆弱性？获得关于银行与对冲基金之间更详细的借贷数据将使这种建模变得更加准确。如果银行本身也借入资金并使用杠杆——这一过程在当前的金融危机中起到了关键作用——那么模型也许可以用来预测这些银行在不同监管环境下可能的行为。

ABM并非万能。 主要的挑战在于确定代理的行为，尤其是在选择他们用于决策的规则时。在很多情况下，这些规则仍然是通过常识和猜测来确定的，而这些方式只有在特定场合才足以模仿真实行为。试图对一个现实问题的所有细节进行建模可能很快会导致过于复杂的模拟，从而难以识别因果关系。

为了让ABM变得有用，我们必须系统地推进，避免随意的假设，仔细将模型的每一部分与现实相对照和测试，只有在必要时才引入额外的复杂性。正确地进行ABM建模可以前所未有地理解复杂系统中行为体交互后的涌现属性，这也是基于直觉的判断失败的地方。

要全面理解经济，需要通过ABM来搭建模拟工业生产、房地产、政府支出、税收、企业投资、对外贸易和消费行为之间交互作用的模型。由此产生的模拟可以用于评估不同经济刺激方法的有效性，例如减税与公共支出之间的效果差异。

创建一个精心设计的ABM模型，就像气候建模一样，是一项庞大的任务。这需要在模拟、测试、数据收集和理论发展之间形成紧密的反馈。它需要强大的计算能力，以及经济学家、计算机科学家、心理学家、生物学家和在大规模建模方面有经验的物理学家之间的跨学科合作。几百万美元的投入——远低于美国经济刺激计划的0.001%——将足以为这样的工作提供一个严肃的开端。