پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 25 |
| تعداد شمارهها | 938 |
| تعداد مقالات | 7,724 |
| تعداد مشاهده مقاله | 12,667,245 |
| تعداد دریافت فایل اصل مقاله | 9,019,926 |
مروری بر رهیافت اقتصاد محاسباتی مبتنی بر عامل | ||
| تحلیل های اقتصادی توسعه ایران | ||
| مقاله 4، دوره 5، شماره 2 - شماره پیاپی 15، تیر 1396، صفحه 81-106 اصل مقاله (710.03 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22051/edp.2018.19633.1146 | ||
| نویسنده | ||
| حبیب مروت* | ||
| عضو هیات علمی دانشکده اقتصاد دانشگاه علامه طباطبائی | ||
| چکیده | ||
| مدل تعادل والراسی (از جمله مدل تعادل عمومی پویای تصادفی) به دلیل ساده سازی بیش از اندازه و فقدان توان تجربی، همواره مورد انتقاد بوده است. مهمترین مشکل این رهیافت مدل سازی رابطه بین ساختار خرد و کلان می باشد. اقتصاد سیستمی است پویا، تطبیقی، در حال تکامل و پیچیده. بنابراین رهیافت دیگری لازم است تا بتواند رفتار این سیستم را مدلسازی نماید. با افزایش قدرت پردازش کامپیوترها، امکان استفاده از روشهای محاسباتی مبتنی بر عامل برای مطالعه پدیده ها و فرایندهای پیچیده اقتصادی ایجاد شد. در این رهیافت، فروض محدود کننده و ساده کننده که در رهیافت والراسی وجود دارد، مطرح نیست. این رهیافت به مطالعه محاسباتی سیستم های پویا و پیچیده اقتصادی که در آن، عوامل ناهمگن با یکدیگر تراکنش دارند، می پردازد. این رهیافت ترکیبی است از علوم اقتصاد تکاملی، روانشناسی شناختی و رایانه. برخلاف اقتصاد کلان متعارف، در مدل های کلان مبتنی بر عامل مدل ها از پایین به بالا ساخته می شوند. در طی بیش از یک دهه گذشته، این رهیافت نقش مهمی در تحلیل مسائل اقتصاد کلان و سیاست-گذاری ایفا نموده است. این رهیافت، یکی از روشهای اصلی مدل سازی اقتصاد رفتاری است. اقتصاد کلان مبتنی بر عامل به علت انعطاف پذیری بالا، کاربردهای فراوانی در شاخه های مختلف علم اقتصاد اعم از مدل سازی بازارهای برق، تکامل نهادها و هنجارهای اجتماعی، اقتصاد مالی، سازماندهی صنعتی و بازار نیروی کار داشته است. در این پژوهش، ویژگیها، بنیانهای مفهومی، اجزای مدل سازی و مزایای و معایب این رهیافت و برخی از کاربردهای آن مطرح شده است | ||
| کلیدواژهها | ||
| اقتصاد محاسباتی مبتنی بر عامل (ACE)؛ تعادل عمومی پویای تصادفی (DSGE)؛ رهیافت پایین به بالا | ||
| عنوان مقاله [English] | ||
| A Review of Agent-based Computational Economics Approach | ||
| نویسندگان [English] | ||
| Habib Morovat | ||
| Faculty member of economics at Allameh Tabataba'i University | ||
| چکیده [English] | ||
| The Walrasian equilibrium model (including the dynamic stochastic general equilibrium model) has been criticized for over-simplification and lack of empirical power. The most important problem with this approach is to model the relationship between micro and macro structure. The economic system is dynamic, adaptive, evolving and complex. Therefore, another approach is needed to model the behavior of this system. With increase in the processing power of computers, it was possible to use agent-based computational methods to study complex economic phenomena and processes. In this approach, there are no limiting and simplistic assumptions existing in the Walrasian approach. This approach addresses the computational study of dynamic and complex economic systems in which heterogeneous agents have interactions with each other. It is a combination of evolutionary economics, cognitive psychology and computer science. Unlike conventional macroeconomics, agent-based macro models are built from bottom to up. Over the past decade, this approach has played a major role in analyzing macroeconomic and policy issues. It is one of the main methods of behavioral economics modeling. Due to high flexibility, agent-based macroeconomics have many applications in various branches of economics, including modeling of electricity markets, the development of institutions and social norms, financial economics, industrial organization, and labor market. In this paper, features, conceptual foundations, modeling components and the advantages and disadvantages of this approach are discussed | ||
| کلیدواژهها [English] | ||
| Agent- Based Computational Economics (ACE), Dynamic Stochastic General Equilibrium (DSGE), Bottom-up Approach | ||
| مراجع | ||
|
منابع
- Arthur, W. B. (2014). Complexity and the Economy. Oxford University Press. - Ciarli, T., Lorentz, A., Savona, M., & Valente, M. (2009). The effect of consumption and production structure on growth and distribution. A micro to macro model. Metroeconomica, 61(1), 180-218. - Cincotti, S., Raberto, M., & Teglio, A. (2010). Credit money and macroeconomic instability in the agent-based model and simulator Eurace. Open-Assessment E-Journal, 4. - Epstein, J. M. (2006). Remarks on the foundations of agent-based generative social science. Handbook of Computational Economics, 2, 1585-1604. - Epstein, J. M. (2006). Generative social science: Studies in agent-based computational modeling. Princeton University Press. - Epstein, J. M., & Axtell, R. (1996). Growing artificial societies: social science from the bottom up. Brookings Institution Press. - Farmer, J. D., & Foley, D. (2009). The economy needs agent-based modelling. Nature, 460(7256), 685. - Forni, M., & Lippi, M. (1997). Aggregation and the microfoundations of dynamic macroeconomics. Oxford University Press. - Gaffeo, E., Catalano, M., Clementi, F., Gatti, D. D., Gallegati, M., & Russo, A. (2007). Reflections on modern macroeconomics: Can we travel along a safer road?. Physica A: Statistical Mechanics and its Applications, 382(1), 89-97. - Gilbert, N., & Troitzsch, K. (2005). Simulation for the social scientist. McGraw-Hill Education (UK). - Gun, O. (2004). Why do we have separate courses in ‘Micro’and ‘Macro’economics. A Guide to What’s Wrong with Economics. Anthem Press, London. - Happe, K., Balmann, A., Kellermann, K., & Sahrbacher, C. (2008). Does structure matter? The impact of switching the agricultural policy regime on farm structures. Journal of Economic Behavior & Organization, 67(2), 431-444. - Hayek, F. A. (1945). The use of knowledge in society. The American Economic Review, 35(4), 519-530. - Keynes, J. (1936). The general theory of unemployment, interest, and money. Palgrave Macmillan, London. - Kirman, A. P. (1992). Whom or what does the representative individual represent?. Journal of Economic Perspectives, 6(2), 117-136. - Leijonhufvud, A. (2006). Agent-based macro. In Tesfatsion, L. and Judd, K., editors, Handbook of Computational Economics, Vol. 2 of Handbooks in Economics, chapter 36: 1625-1637. North Holland, Amsterdam. - Oeffner, M. (2008). Agent–based Keynesian macroeconomics-an evolutionary model embedded in an agent–based computer simulation. MPRA Paper 18199. - Pesaran, M. (1987). The limits to rational expectations. Basil Blackwell, Oxford. - Pyka, A., & Fagiolo, G. (2005). Agent-based modelling: a methodology for neo-schumpeterian economics. The Elgar Companion to Neo-Schumpeterian Economics. H. Hanusch and A. Pyka. - Russo, A., Catalano, M., Gaffeo, E., Gallegati, M., & Napoletano, M. (2007). Industrial dynamics, fiscal policy and R&D: Evidence from a computational experiment. Journal of Economic Behavior & Organization, 64(3-4), 426-447. - Stiglitz, J. E., & Gallegati, M. (2011). Heterogeneous interacting agent models for understanding monetary economies. Eastern Economic Journal, 37(1), 6-12. - Tesfatsion, L. (2006). Agent-based computational economics: A constructive approach to economic theory. Handbook of Computational Economics, 2, 831-880. - Tesfatsion, L. (2017). Modeling economic systems as locally-constructive sequential games. Journal of Economic Methodology, 24(4), 384-409. - Varian, H. (1992). Advanced microeconomics. W.W. Norton, New York, 3 edition. - Wickens, M. (2008). Macroeconomic theory: A dynamic general equilibrium approach. Princeton University Press. - Wilhite, A., & Allen, W. D. (2008). Crime, protection, and incarceration. Journal of Economic Behavior & Organization, 67(2), 481-494. | ||
|
آمار تعداد مشاهده مقاله: 1,008 تعداد دریافت فایل اصل مقاله: 948 |
||