[논문 리뷰] Environmental policy in the context of complex systems: Statistical optimization and sensitivity analysis for ABMs

Dylan Munson, Arijit Dey외 1명|arXiv (Cornell University)|2026. 02. 19.

Complex Systems and Time Series Analysis인용 수 0

한 줄 요약

본 논문은 비용이 큰 에이전트 기반 모델(ABMs)에서 정책 최적화를 가속하기 위해 Gaussian-process 민감도 테스트와 Bayesian 최적화를 활용하는 기계 학습 주도 프레임워크를 개발하였으며, Sugarscape에서 빠르고 해석 가능한 정책을 도출하는 것을 시연한다.

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.

연구 동기 및 목표

• 환경 적응 시스템 아래에서 환경 정책에 ABMs를 활용해야 하는 동기를 제시한다.
• 최적 정책의 시스템 상태 변수에 대한 민감도를 테스트하기 위한 통계적 프레임워크를 개발한다.
• 민감도 테스트를 위한 가속( Gaussian processes)과 정책 탐색을 위한 Bayesian 최적화를 ML 기반으로 구현한다.
• Sugarscape ABM에서 프레임워크를 시연하여 최적 정책을 효율적으로 식별한다.
• 해석 가능성과 역학 분석을 통해 정책 발견을 경제 이론과 연결한다.

제안 방법

• 모형 ABM 응답 G(x,θ)를 정책 x와 상태 θ 입력을 가진 확률적 함수로 모델링한다.
• Gaussian 프로세스 모델을 사용하여 f(x,θ)의 가법성을 테스트하고 우도비(likelihood ratio) 검정을 수행하여 최적점의 θ에 대한 민감성을 평가한다.
• f(x,θ) = Ψ{G(x,θ)}로 형식화하고 최적화를 통해 이를 최소화하되 비용이 많이 드는 ABM 평가를 주의한다.
• 고정된 θ에 대해 기대 개선(Expected Improvement)로 베이지안 최적화를 적용하여 정책 공간을 효율적으로 탐색하고 ABM 실행으로 GP를 업데이트한다.
• 탐색과 활용의 균형을 맞추기 위해 EI를 사용하여 어퀴지션을 계산하고 수렴될 때까지 반복한다.

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

실험 결과

연구 질문

• RQ1 최적 정책 x*(θ)가 상태 변수 θ에 민감한가?
• RQ2 비용이 큰 ABM에서 baselines와 비교하여 베이지안 최적화가 최적 정책을 효율적으로 식별할 수 있는가?
• RQ3 목적 함수 f(x,θ)에 대한 가법성이 성립하는가, 즉 θ에 무관한 정책이 존재하는가?
• RQ4 Sugarscape ABM에서 제안된 프레임워크가 속도와 해석 가능성 측면에서 얼마나 우수하게 작동하는가?
• RQ5 민감도 및 동적 분석이 경제 이론과 일치하는 통찰력을 제공하는가?

주요 결과

• 프레임워크가 기저 기법보다 개선된 성능의 최적이고 해석 가능한 정책을 빠르게 식별한다.
• 민감도 테스트를 통해 최적 정책이 상태 변수에 의존하는지 여부를 확인할 수 있어 대상 정책 최적화를 가능하게 한다.
• Gaussian 프로세스를 활용한 베이지안 최적화가 비용이 큰 ABM 평가 하에서 정책 탐색을 가속한다.
• 제안된 접근법은 경제 이론과 연계될 수 있는 통찰력 있는 민감도 및 동적 분석을 제공한다.
• Sugarscape 예시를 넘어 다양한 ABM에 적용 가능한 방법론이다.

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