Génération et exploration de scénarios dans des modèles multi-agents

Scenario Discovery in a Complex Economy : Exploring the Parameter space of Agent-based Models

• Auteur / Autrice : Karl Naumann-Woleske
• Direction : Michael Benzaquen, Jean-Philippe Bouchaud
• Type : Thèse de doctorat
• Discipline(s) : Sciences économiques
• Date : Soutenance le 05/03/2024
• Etablissement(s) : Institut polytechnique de Paris
• Ecole(s) doctorale(s) : École doctorale de l'Institut polytechnique de Paris
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'Hydrodynamique de l'École polytechnique (Palaiseau ; 1990-....) - Laboratoire d'hydrodynamique / LadHyX
• Jury : Président / Présidente : Antoine Mandel
• Jury : Examinateurs / Examinatrices : Michael Benzaquen, Jean-Philippe Bouchaud, James P. Sethna, Irene Monasterolo, François Geerolf
• Jury : Rapporteurs / Rapporteuses : Antoine Mandel, James P. Sethna

Mots clés

Mots clés contrôlés

Macroéconomie -- Modèles mathématiques

Modèles économétriques

Mots clés libres

Agent-Based Modelling

Economie de la complexité

Macroéconomie

Agent Based Modelling

Complexity Economics

Macroeconomics

Résumé

L'économie, en ce qu’elle comporte des effets non-linéaires, une adaptabilité des agents et des dynamiques de hors-équilibre, présente des phénomènes émergents tels que des crises et des inégalités, induites par les réactions des agents et les interventions politiques.La modélisation basée sur les agents (agent based models en anglais, ou ABM) est une approche de modélisation récente en macroéconomie qui retrouve ces phénomènes en simulant une multiplicité d'agents hétérogènes en interaction.Bien que cette méthode puisse générer des phénomènes émergents, elle a souvent été critiquée comme étant une boîte noire où les mécanismes de causalité ne sont pas clairs et où il existe un ensemble trop vaste de dynamiques générées.Cette thèse propose une méthode pour aborder la question fondamentale : Quel est l'ensemble de phénomènes qualitativement différents qu'un Modèle d’Agents Macroeconomique (denoté MABM en anglais) peut générer, et qu'est-ce qui régit le passage d’un phénomène macroeconomique à un autre ?S'inspirant de la recherche en biophysique, l'idée centrale postule qu'il n'y a que quelques combinaisons critiques de paramètres qui déterminent un état spécifique du système (ou phase).En exploitant ces combinaisons avec un algorithme de gradient, steepest ascent ici, on peut efficacement découvrir l'ensemble de phénomènes différents qu'un MABM peut générer.L’intérêt de cette approche réside dans le fait qu’elle revele la révélation une structure plus simple que la complexité du MABM, ouvrant la voie à des politiques économiques efficaces qui se concentrent sur les directions pertinentes dans l’espace des paramètres.Cela suggère également que malgré la complexité d'un MABM et le nombre élevé de paramètres, l'ajustement de ces modèles ne nécessite que l'ajustement des directions pertinentes pour avoir un pouvoir prédictif.La première partie de cette thèse développe les méthodes derrière l'algorithme, mettant en évidence son efficacité sur les "Fourmis de Kirman", un modèle simple de comportement d’agents en interaction.L'algorithme est ensuite utilisé, et son efficacite demontrée, sur le MABM stylisé Mark-0 qui présente une phénoménologie riche avec un ensemble connu de phases macroscopiques. Je montre notamment comment nous pouvons récupérer les differentes phases malgré la complexité de la dynamique du modèle.La deuxième partie de cette thèse adopte en fait une approche inverse, intégrant des interactions intra-inter-agents dans des modèles macroéconomiques d'équilibre, dévoilant des phases émergentes et des crises endogènes.Ainsi, cette thèse explore le champ des ABMs, dévoilant leur potentiel dans la génération de différents scénarios qui peuvent être utilisés pour éclairer les décisions politiques dans des systèmes dynamiquement complexes.

The economy, characterized by non-linearity, adaptability, and non-equilibrium dynamics, exhibits emergent phenomena, such as crises and inequalities, shaped by agents' reactions and policy interventions. Agent-based Modeling (ABM) is a recent modeling approach in macroeconomics that generates these phenomena from the ground up by simulating a multiplicity of heterogeneous interacting agents. While this method can generate emergent phenomena, it has often been critiqued as a black-box where causal mechanisms are unclear and there too vast set of generated dynamics. This thesis proposes a method to approach the fundamental question: What is the set of qualitatively different phenomena can an Macroeconomic Agent-based Model (MABM) generate, and what governs their transitions?Drawing on research in biophysics, the core idea posits that there are only a few critical parameter combinations that govern a specific outcome. Exploiting these with a gradient ascent algorithm, one can effectively uncover the set of different phenomena a MABM can recover. The significance of this approach lies in revealing a simpler structure beneath MABM complexity, paving the way for effective policies that address critical parameter directions. It also suggests that despite the complexity of an MABM and the high number of parameters, fitting these models requires only fitting critical directions to have predictive power.The first part of this thesis develops the methods behind the algorithm, highlighting its power on Kirman's Ants, a simple model of agent-herding. The algorithm is then demonstrated on the stylized Mark-0 MABM that has a rich phenomenology with a known set of phenomena. I show how we can recover this set of phenomena despite the complexity of the model's dynamics. The second part of this thesis actually adopts a reverse approach, embedding intra-agent interactions in equilibrium macroeconomic models, unveiling emergent phases and endogenous crises in these models. In its essence, this thesis navigates the intricate terrain of ABMs, unraveling their potential in generating different scenarios that can be used to inform policy decisions in dynamically complex systems.