[論文レビュー] Environmental policy in the context of complex systems: Statistical optimization and sensitivity analysis for ABMs

Dylan Munson, Arijit Dey+1 more|arXiv (Cornell University)|Feb 19, 2026

Complex Systems and Time Series Analysis被引用数 0

ひとこと要約

この論文は、Gaussianプロセス感度検定とベイズ最適化を用いて、費用の高いエージェントベースモデル（ABMs）のポリシー最適化を機械学習駆動フレームワークで加速し、Sugarscape上で高速で解釈可能なポリシーを導出することを実証する。

ABSTRACT

Coupled human-environment systems are increasingly being understood as complex adaptive systems (CAS), in which micro-level interactions between components lead to emergent behavior. Agent-based models (ABMs) hold great promise for environmental policy design by capturing such complex behavior, enabling a sophisticated understanding of potential interventions. One limitation, however, is that ABMs can be computationally costly to simulate, which hinders their use for policy optimization. To address this, we propose a new statistical framework that exploits machine learning techniques to accelerate policy optimization with costly ABMs. We first develop a statistical approach for sensitivity testing of the optimal policy, then leverage a reinforcement learning method for efficient policy optimization. We test this framework on the classic ``Sugarscape'' model, an ABM for resource harvesting. We show that our approach can quickly identify optimal and interpretable policies that improve upon baseline techniques, with insightful sensitivity and dynamic analyses that connect back to economic theory.

研究の動機と目的

• 複雑適応システムの下で環境政策のためにABMsの利用を動機づける。
• 最適政策の状態変数への感度を検証する統計フレームワークを開発する。
• 感度検証のためのMLベースの加速（Gaussianプロセス）と政策探索のためのベイズ最適化を実装する。
• Sugarscape ABM上でフレームワークを実証して効率的に最適政策を特定する。
• 解釈可能性とダイナミクス分析を通じて政策発見を経済理論へ結びつける。

提案手法

• ABMの応答 G(x,θ) を政策 x と状態 θ の入力を持つ確率的関数としてモデル化する。
• Gaussian process モデルを用いて f(x,θ) の加法性を検証し、尤度比検定を行って最適値の θ への感度を評価する。
• f(x,θ) = Ψ{G(x,θ)} と定式化し、それを最適化で最小化する。費用の高いABM評価に留意。
• 固定 θ に対して EI（Expected Improvement）を用いたベイズ最適化で政策空間を効率的に探索し、ABM実行でGPを更新する。
• 探索と活用のバランスを取る獲得関数を EI で算出し、収束まで反復する。

Figure 2: Distribution of pollution, $t$ = 0

実験結果

リサーチクエスチョン

• RQ1 最適政策 x*(θ) は状態変数 θ に敏感か。
• RQ2 費用の高い ABM に対して、ベイズ最適化はベースラインと比較して効率的に最適政策を同定できるか。
• RQ3 Objective f(x,θ) に対して加法性が成り立つか、θ に対してポリシーが無感度であることを示唆するか。
• RQ4 Sugarscape ABM に対する提案フレームワークは速度と解釈性の面でどのように機能するか。
• RQ5 感度分析とダイナミクス分析は経済理論と整合する洞察を生み出すか。

主な発見

• このフレームワークは基準手法を上回る迅速で解釈可能な最適政策を特定する。
• 感度検証により最適政策が状態変数に依存するかを明らかにし、ターゲットを絞った政策最適化を可能にする。
• Gaussian process を用いたベイズ最適化は費用の高いABM評価の下での政策探索を加速する。
• このアプローチは感度とダイナミクスの洞察を提供し、それを経済理論に結びつけられる。
• Sugarscape の例以外にも広範なABMへ適応可能な方法論である。

Figure 3: Distribution of pollution, $t$ = 500