复杂性研究的社会仿真模拟方法述评与展望

□夏德龙

一、复杂社会系统与涌现性问题

英国著名物理学家霍金曾公开宣称，21 世纪将是复杂性科学(complexity science)的世纪[1]。 自21世纪80 年代的复杂性科学运动兴起以来，科学哲学家们开始注意人类社会所具有的复杂性特征，具体表现为社会现象的不确定性、不可预测性和非线性等，复杂性(complexity)是物质世界以及人类社会在演化中所展现出来的重要特征[2]。 作为复杂性科学的代表理论之一，复杂适应系统(complex adaptive systems，简称CAS)理论认为，区别于经典物理学等自然科学研究对象——自然界的本质与特征，受到社会科学研究者关注的人类社会是一个典型的复杂自适应系统；此系统的主要特点是系统的演化往往既没有固定程式，也并非完全随机，而是在一定尺度内聚集、超过临界点后出现“涌现”[3]。 社会系统的复杂性根源于具有一定“学习”(learning)能力的“自适应主体”(adaptive agent)的存在。 该主体可以依据外界的刺激自主做出适应性反应，不断调整自身的状态和行为；主体具有学习和反思能力，可以在与其他主体和环境的互动过程中，不断“学习”和“积累经验”，并根据学到的知识与经验不断改变自身的结构和行为方式，从而凸显其对环境适应的能力。

与此相类似，钱学森等人[4]曾提出一个“开放的复杂巨系统”(open complex giant system)概念。 所谓“复杂巨系统”是指这样一类系统：系统的规模巨大，且其组成要素和子系统种类繁多，它们之间的关联方式又比较复杂(如非线性、不确定性、模糊性和动态性等)。 这类系统除了在结构、功能、行为和演化方面都比较复杂外，并且在时间、空间和功能上也表现出一定的层次特征。 而“开放”的内涵主要有三种：其一，主动适应和进化。 除了同外部环境进行物质、信息的一般性交换(输入和输出)，组成系统的个体和子系统还能够在这种互动中学习和积累经验，主动、适应地改变其自身行为，获得更新和升级，以便更好地适应环境。 其二，重视系统行为对环境的作用。 处理开放的“复杂巨系统”问题，必须同时考虑系统行为对外部环境的改变和塑造作用，把系统的功能发挥与外部环境保护结合起来。 其三，系统的动态性。 复杂巨系统不是静态的、既定的、完成了的和不变的，相反，它是动态的、发展变化的，会不断出现新状况和面临新问题，这就要求研究者需要用开放的心态来研究“复杂巨系统”问题。 社会系统正是一个典型的“开放的复杂巨系统”。

有研究者指出，社会系统由要素、子系统和外部环境等多个部分构成，各构成部分之间(要素与要素、要素与子系统、子系统与子系统、要素与外部环境、子系统与外部环境)的交互作用具有显著的非线性特征，“正是因为主体异质性、主体适应性、因素交互性、作用关系非线性，导致了主体行为、系统状态和系统演变的多样性与不确定性”[5]。 这就增加了以具有学习能力的自适应主体和包含多重非线性关系的复杂社会系统为研究对象的社会科学者开展社会科学研究的困难。 面对社会系统的复杂性，传统的社会科学研究方法存在较大问题。 对于简单系统可以采用传统的定量分析模型，但对复杂系统，确定变量之间的函数关系(数学与逻辑关系)是非常困难甚至是不可能的，研究者可能会“总以复杂性为托辞，逃避对整个社会面临的迫切问题进行抽丝剥茧的分析和解决的责任”[6]。

涌现性(emergence)是社会现象复杂性的核心特征之一，对复杂社会系统的关注离不开对涌现性问题的讨论。 从某种意义上讲，涌现性是科学家受制于研究手段而对社会现象从微观到宏观因不明原因而产生转换的黑箱性概括。 它是指这样一种现象：总体由组成要素构成，但组成要素的线性加总却不等于总体。 由于涌现现象存在的缘故，对复杂性系统的研究，不能简单地将其还原为对系统各个独立组成部分的研究，“基于还原论的传统研究方法无法建立起从系统微观行为到宏观涌现的桥梁”[7]。 当各个部分以较复杂的形式相互作用时(就像蚁群中的蚂蚁彼此相遇一样)，仅知道孤立的个体行为并不能了解整个系统(蚁群)的情况。

作为社会学奠基人之一，迪尔凯姆是社会学领域较早系统关注涌现现象的学者，有学者甚至将迪尔凯姆视为社会学涌现理论的先驱[8]。 迪尔凯姆认为，社会事实正是社会的独特属性或社会层次上的突生性质，这种属性或性质原则上只存在于社会整体之中。 “社会并不是个人相加的简单总和，而是由个人的结合形成的体系，这个体系则是一种具有自身属性的独特的实在”[9]。 迪尔凯姆的“突生性”(emergency)与复杂科学的“涌现性”是一对既相互联系又有差别的同源概念。 在迪尔凯姆那里，突生性是这样一种表述：宏观层次的社会虽然由微观层次的个体及其互动所构成，但社会一经形成便具有超越个体的特点和功能，无法复归到微观状态(不可还原性)。 因此，对社会学研究对象——社会事实的分析只能借由宏观层次的其他社会事实展开。 这一观点与涌现性概念不谋而合。 诚如学者对涌现性所做的总结：“宏观系统是行动者互动的后果，可是宏观系统的属性和功能并不存在于较低层次的行动者身上；行动者还会依据环境而适应性地调整行动，并重新作用于环境，进而导致宏观后果发生动态演化”[10]。 但两者也存在一定的区别。 笔者认为，迪尔凯姆关于社会事实突生性的总结实际上是一种对涌现现象的悲观接受，而“社会事实只能通过社会事实来解释”的社会科学研究方法原则也不过是一种折中的研究策略——涌现现象客观存在但是不可研究，既然无法厘清从个体到宏观的生成机制，那么干脆放弃以微观解释宏观的研究路径。 而复杂科学的研究者则认为，虽然整体性质不是部分性质的加总，但这并不意味着整体层面的涌现不能够由部分解释，解释要依靠自下向上的生成模型[11]。

美国社会学家科尔曼也较早关注了社会科学研究存在对微观转换到宏观的作用机制解释不足的问题，他提道：“以低于系统水平上的行动和倾向性为基础解释系统行为，存在着一个主要问题。 这是从较低水平移动至系统水平的问题。 这个问题被称为从微观到宏观的转变问题，它在整个社会科学中普遍存在着。”[12]，正如图1 所示，宏观条件与宏观结果处于较高的系统水平，微观行动处于较低水平。 科尔曼通过分析韦伯有关新教伦理与资本主义精神的研究，论述了社会科学研究者要重视从微观到宏观之间转换的问题。 他认为，韦伯的研究简单地表达了这样一个宏观社会命题1：具有社会特征的宗教伦理在宗教改革运动中发展成为新教，而新教伦理中包含了有利于资本主义经济组织发展的价值观念。 该命题的出发点和落脚点都属于宏观水平，但在韦伯进一步的推理中，还有个体层次的命题存在，如命题2：新教教义在其信徒中创造了某些价值观念；命题3：具有这类价值观的个体对于经济行为采取了某种态度(禁欲观和天职观)；命题4：个人对于经济行为的这种态度，在社会内部有助于产生资本主义的经济组织。 在这些命题中，第4 个命题显然最为重要，因为它从微观水平返回到宏观水平。 只是“韦伯的分析几乎完全没有提及这一点”[12]。 科尔曼强调的从微观行动到宏观社会后果的转换，其实就是复杂性研究中的涌现性问题，该模式实际上为社会科学讨论涌现性提供了基础参考框架。

图1 宏观与微观水平的命题：宗教教义对资本主义的影响

总的来说，囿于思维观念和分析技术的限制，对社会系统复杂性研究的探求和涌现黑箱的存在使得社会科学家们长期处于高度紧张和左右为难的状态。 大数据时代的到来，海量数据、分布式运算(算力)和编程技术(算法)的发展为社会科学开展复杂性和涌现现象研究提供了可能。 一方面，物联网、互联网、移动互联网和无处不在的传感器等数据采集设施正在汇集大量数据，对社会现象复杂性的探索突破了原有的数据限制[13][14]；另一方面，分布式运算、计算机编程等技术的进步则为研究社会复杂现象的科学规律提供算力和算法支持。 在这一背景下，将计算机仿真技术运用于社会现象研究的社会仿真模拟方法(social simulation)成为社会科学开展复杂性和涌现现象研究的最主要方法。

二、社会仿真模拟方法：历史发展及应用

计算社会科学致力于借助计算机与信息通信技术(information and communications technology，简称ICT)开展社会科学研究，期望借以克服传统实证研究方法的局限，为社会科学研究开辟新的路径。 20世纪90 年代以来，计算社会科学(computational social science)的研究方法体系得到不断创新和完善，社会仿真模拟业已成为大数据时代计算社会科学研究的核心方法之一[15]。 从时间上来看，社会仿真模拟方法的发展源头比计算社会科学概念的提出还要早，至21 世纪初，社会仿真模拟方法甚至几乎与计算社会科学划上了等号[16]。 下文笔者将对社会仿真模拟方法的历史发展和实践应用做详细介绍。

(一)社会仿真模拟方法的发展历程

所谓社会仿真模拟方法是指，基于一定的研究目的，在对社会科学研究对象的组成、功能、结构等特征的既有认识基础上，抽象出符合系统某一层次属性的数学/结构模型，继而借助计算机仿真技术(仿真算法、仿真编程)，将数学/结构模型转换为适合计算机处理的形式，然后运用假设检验的方法进行试验，并依据模拟输出结果对模型参数进行反复修正，最终实现对系统逼真的动态性模拟的演化过程[17](图2)。

图2 社会仿真模拟方法的一般流程

发端于20 世纪40 年代的仿真模拟技术以其易驾驭的操作方法、不受时间空间等条件限制的特征和更为广泛的应用领域逐渐成为自然科学重要的研究方法之一，被称为继理论科学、实验科学之后的“第三范式”[18]。 但这一技术大部分依赖于方程的建模(equation-based modeling，简称EBM)，难以应用至以非标准化研究对象为主的社会科学中[19]。 为解决这一难题，从20 世纪60 年代开始，社会科学研究者便进行了一系列尝试与修正，并衍生出若干适用于社会科学研究的模拟模型。 Gilbert 和Triotzsh将近半个世纪社会仿真模拟方法的发展分为三个阶段：宏观模拟(macro-simulation)微观模拟(microsimulation)以及基于行动者的建模(agent-based modeling，简称ABM)[20]。

作为社会仿真模拟方法发展的第一波浪潮，宏观模拟是在以结构功能主义占统治地位的背景下发展起来，被着重运用在作为整体的社会机构发展、政策制定、人口变化等宏观问题上[17]，其主要目的是预测宏观社会变化对于个体的影响。 Forrester 于1956 年创立了系统动力学(system dynamics)，其奠基工作完成于20 世纪60 年代，是一门研究系统的组成和信息反馈的方法。 自1970 年开始，罗马俱乐部委托Forrester 的学生Meadows 夫妇的团队，利用系统动力学方法和计算机模拟建立的World 1-World 3模型，模拟整个世界的人口、食物、工业产出、污染以及不可再生资源消耗之间的关系，并得出工业消耗若按今日的标准持续，世界资源将在有限时间内耗尽，经济也将大规模倒退的结论[21]。 这一成果发表在1972 年出版的《增长的极限》一书中[22]。 此书引发的争议和讨论持续到今日，其技术决定论的取向以及对社会因素和经济机制的忽视令一些学者认为World 3 模型过于简化，不能反映真相。 但同时，这本影响世界的作品也将系统动力学和宏观模拟方法引进了社会科学的研究视野。

20 世纪70 年代的第二波浪潮，微观层面的个体作为社会单位得到重视，Caldwell 指出微观模拟是研究整体社会系统的基石，应利用个体层面的典型数据来把握社会现象的过程。 但微观模拟中无法引入个体之间的直接互动，其中的个体还是作为整体中的个体在被模拟，而不是单独行动的个体[23]。 一般认为，Guy H. Orcutt 是计算机微观模拟思想第一人。 在1957 年和1960 年，他所领导的团队发表的两篇文章为微观建模奠定了基础。 Orcutt 定义了一种全新的系统模型，“在这样的新系统中，有一些个体，接收信息，产生输出(行为与信息)”，个体的行为、个体之间的互动受到一系列规则参数调节[24]。 至今，这仍然是ABM 方法的基本思想。 1960 年，Orcutt 和同事发表了关于美国家庭系统对人口经济关系影响的研究。 该研究按照美国家庭的性别、种族、年龄、婚姻状态等数据建立了一系列“决策单元”(decision units)，通过这些单元的互动，得到一系列人口学与经济行为的结论，包括对出生率、死亡率、动产保有、债务、消费行为等的预测。 Axelrod 基于“囚徒困境”进行的策略设计竞赛推动了这一方法在社会科学研究中的应用[25]。 时至今日，演化博弈论、行为博弈论的学者已经在不同社会网络结构、含噪声、人工免疫环境下，进行了相关的模拟[26][27]。

元胞自动机(cellular automata)也是一种重要社会仿真模拟方法。 该思想最早由冯·诺伊曼提出，是一种在点阵格网内每一个格子存在有限的状态，根据有限的、同样规则做局部的同时更新。 有关元胞自动机的著名例子，是20 世纪70 年代Conway 等人发明的“生命游戏”(game of life)[28]。 由于模拟相对简单，目前大量的元胞自动机社会科学模拟集中在网络舆论传播领域[29]。 这些研究普遍将正面、负面、中立等态度作为状态赋值给元胞，有时使用现实中的舆论数据做基础，设定一定的态度影响、态度转变与邻接元胞的规则，观察元胞的集中、极化、峰值等分布状况。 此外，该方法也被用于土地利用等研究领域[30]。

这个世界的状态是由其中具有决策能力的个体间的相互作用来自然描述的，这一点和策略类游戏很类似。 当我们给这样的系统建模时，这些个体就被称为行动者，这个模型就被称为基于行动者①行动者在研究层次上有区别，如在各种社会机构(如政府部门、商务组织等)中制定计划的主体是人，此时的行动者即作为个体的人，但有时候，我们会删去一些细节，只讨论一个部门甚至整个政府(在涉及国际关系时)的计划，这时部门或政府就是行动主体。的模型。 社会仿真模拟方法发展的第三波浪潮，即基于行动者的建模阶段。 最早的ABM 研究之一是Schelling 通过计算机模拟具有种族偏好(而并非歧视者)的行动者的迁移状况，并得出在一个城市里种族聚居区必然存在的“居住隔离模型”(Schelling’s segregation model)[31][32][33]。 当然，Schelling 的模型十分简略，以至于有时被认为是元胞自动机的改进形式，但这种新的微观模型思路为社会科学研究开辟了新的道路。 ABM 方法有助于弥补单纯进行宏/微观模拟的不足，不同于简单宏观模型，它将微观个体的行动也纳入考量，但它也不同于微观模型中的个体，这里的行动者是指可以根据一定情景和规则自主进行决策制定的实体。 他们在模型中有四个核心假设限定，即行动者具有自主性、相互依赖性、遵守一定规则及具有适应性和反思性[34]，并且根据研究目的的不同，行动者可以代表个人、组织甚至国家。 整个模型是由一系列行动者及其相互之间的关系组成的[35]。 因此，即使是一个非常简单的行动者模型都可以反映出微观的互动规则与宏观互动模式之间的相互影响。

近年来，一种基于ABM 建模技术的高阶建模方法得到社会科学研究者的青睐，即多行动者模型(multi-agent model，简称MAM)。 相较于基础的ABM 模型，MAM 可以对更为复杂的过程和主体行为建模，行动者可以有更多属性及能力，如知识、推理、表达、计划、情感等，空间分布也可更灵活。 此外，模型还能将神经网络和遗传算法纳入，以模拟行动者在学习和进化中采取的适应性行动[36]。 美国布鲁金斯学会(Brookings Institution)的Epstein 和Axtell 两人用MAM 技术开发出一个人工社会财富积累的模型，他们称之为“sugarscape”(一般被称作“糖域”或“糖人国”模型)。 在一个二维的虚拟世界中分布着固定的“糖”(sugars)资源，而随机分布的agent(小糖人)在二维世界中游走，并通过不断收集身边的“糖”来增加自身资源。 游戏设定每个小糖人都会在一个周期中消耗一定单位的糖，当自身的糖消耗完的时候，这个小糖人就会死去。 模拟结果发现，这和现实世界存在惊人的相似，糖域的贫富分化差距明显，随着时间的演进，糖人所拥有的糖量差距越来越大[37]。 该模型在行为经济学、社会分层等研究领域具有非常好的应用前景。

(二)社会仿真模拟方法的实践应用

从20 世纪80 年代至今，基于行动者的建模越来越为社会科学各界所接受和应用，甚至有学者认为这一技术方法将成为社会科学研究方法的一场革命。 Bonabeau 认为，基于行动者的建模与其说是一种技术，不如说是一种新的研究思维，即从系统组成成分的角度来描述整个系统[35]。 在一个系统中，任何一种或一类组成成分都可以对其进行建模。 它既可以理解成微观模拟，也可作为宏观模拟的补充形式。近年来，尽管基于行动者的建模在学界饱受争议，但不可否认的是它已逐渐成为当代科学研究不可或缺的技术方法。 在社会科学领域的典型应用大致有以下几个领域。

一是研究行动者之间的竞争与合作。 Danielson 利用基于行动者的建模发现，尽管互惠原则是引起合作行为的必要条件，但在合作中的互惠双方并不总是处于，也不需要总是处于互惠状态，有时存在一方对另一方的剥削和很多不透明规则的作用。 另外，赋予行动者更多自主做出理性决定的空间也会带来理想的合作效果[38]，即如Axelrod 的研究表明，仅有互惠原则并不足以维持系统的平衡和稳定。 但是，当在博弈架构中引入元规范机制之后(“一报还一报”机制，即对拒绝惩罚进行惩罚的规范)，规范便成功地建立起来[25]。 不同于Danielson 将博弈论作为基于行动者建模理论的基础，Fudenberg 和Levine进一步扩展了上述关于竞争与合作动机的研究，从行动者强化学习的角度分析了合作动机。 具体而言，作者基于理论学习方法(learning theoretical approach)，将各个独立的行动主体纳入ABM 模型中，并剔除了其中可能出现的随机共谋现象。 最终的研究结果发现，基于学习需要的合作是非常复杂、脆弱和易变的[39]。

二是研究金融政策的影响。 金融市场的投资行为存在非常多的个体互动和突发情况，而基于行动者的建模则十分适合对此类情境开展研究。 1997 年，美国全国证券交易商协会自动报价表(national association of securities dealers automated quotations，简称NASDAQ)为研究其降低最小报价政策可能带来的影响，用ABM 模型将多种情况下常规政策的改变对金融市场的影响同时进行模拟，观察行动者对不同变化的反应，并对一些意料之外的情况进行汇报。 其中“行动者”被界定为做市商(market maker)和投资人两种类型，投资人又包括机构投资人、当日交易者和临时交易者等。 他们假定各种投资可以获得的交易信息与真实市场情况完全一致，还创新性地将神经网络算法、强化学习算法等人工智能技术加入模拟。 他们发现行动者的投资行为中既有非常简单的应急反应，也包括十分复杂的策略行为，其中人工智能科技为行动者提供了主要的策略来源。 了解行动者的行动机制也对交易协会遏制一些不正当交易行为提供了帮助[40]。

三是研究传播现象。 在社会科学领域传播现象主要是指人们在特定社会情景中行为的相互影响。Farrell 和他的团队运用基于行动者的模型试图预测一部电影在何时和何种情况下能为人们所追捧。 他将传统的集合动力模型(aggregate dynamics model)联用，将主方程中研究对象整体的跃迁概率转换为个体层面的跃迁概率，其中每一个行动者被假设为有独立的行动能力。 在主方程的设计中，因变量是一个新电影作品的商业价值，它依赖于两个自变量：影片受众人数和潜在的影片受众人数。 从方程演算中发现，当受众人数占潜在受众总人数的40%时，电影就有可能成为热门。 之后他们进一步假设每一个受众可以影响的人数，并引入10 天作为时间维度，这时受众人数占潜在受众的总数只要达到5%就出现热门电影[41]。 此外，李凤翔和罗教讲借助社会仿真模拟方法对魔弹论效果、有限效果、互联网偏态传播效果的模拟研究发现，ABM 模型在揭示传播效果的形成与结果方面具有独特的优势[20]。

四是研究国家安全。 军事战争、灾害模拟和险情预测是社会仿真模拟方法的重要研究领域。 1998年，美国总统克林顿签署第63 号总统令(PDD-63)，要求国家采用各种手段确保具有相互依赖性和脆弱性的国家基础设施的安全。 在“9·11”事件发生后，美国更加关注国防安全问题，成立了国土安全部，并且在Sandia 国家实验室、Los Alamos 国家实验室、Idaho 国家实验室、Argonne 国家实验室和Purdue大学等多个部门开展了相关研究项目[42]。 在这些研究项目中，由弗吉尼亚理工大学生物复杂性研究所借助ABM 技术为政府开发的“国家规划情景1”(national planning system 1，简称NPS1)模型最具代表性。 NPS1 模拟了突发灾难(恐怖分子在华盛顿市区引爆了一颗1 万吨当量的小型原子弹)爆发后民众的反映，目的在于测试当灾难发生后，国家安全官员和应急管理人员所制定的应对措施的效果，评估造成损失的程度。 该模型的优点表现为：主体数量多(73 万agent)、异质性强(不同性别、年龄、职业等)，符合现实复杂状况；高仿真度，借助地理信息系统再现了仿真区域内的每一个受到炸弹影响的建筑物，每一条道路、电力线、医院，甚至是手机信号塔等；主体行为多样性体现在模型设置了行为规则集，它使得主体在面对紧急情况时能够展现出不同的行为模式，且所展现的行为模式还能随时间进程相应调整。

三、社会仿真模拟方法的优势与挑战

通过对现有文献的梳理，笔者总结了社会仿真模拟方法的优势，主要表现为以下五个方面。 第一，适于研究突发现象。 突发现象是最能体现社会科学复杂性的[43]，因为其中可能包括系统中个体之间反常规的社会互动，一般模型难以预测，而基于行动者建模则可以将每个行动者及其互动行为纳入模型中，从而捕捉到突发现象的产生机制。 第二，提供更加真实、自然的系统状态。 传统模型大多建立在许多经验上难以验证的假设或前提条件下，无法描绘系统的自然状态[44]。 例如，研究某超市购物情况，直接掌握每个顾客的实际购物情况就比利用人流密度、购物平均数等数据计算而来的更为真实准确。 第三，更为机动灵活。 这一方面表现在模型中的“行动者”的数量和性质是可以根据需要描述的系统复杂程度改变的，行动者可以是个人也可以是集合，目前在研究一些流动和扩散现象中应用广泛[45]。 另一方面，基于行动者的建模可以很好地与其他模型结合。 例如在模拟有毒气体扩散后进行群众疏散这一情景时，只要将基于行动者的建模与流体动力模型(fluid-based modeling)结合起来就能非常真实地模拟现场情况[46]。 第四，适用于复杂的假设检验。 传统模拟模型在对一些突发状况进行模拟时需要对系统的宏观状况进行考察，并建立研究前的假设。 而基于行动者的建模，因为本身是通过模拟一定规则条件下行动者的相互关系，所以可以在省略上述步骤的情况下对系统中的突发情况做出特征描述。 第五，为非均衡系统提供了新的研究形式。 Arthur 在其研究中指出，新古典主义的研究范式始终建立在一种系统均衡的假设下，其中行动者的行为总是遵从一定的集体模式，他们都具有同质性且其行为可以通过数学计算得以分析。 然而事实上，行动者本身都是具有很强的自主性的，他们的行为会受内生、外生等各种因素影响而不断演变。 因此，不能采用均衡状态下的基于方程计算的模型，而应纳入基于行动者的模型，该模型本身假设了行动者的适应性和异质性，是研究系统的非均衡状态的重要方法[47]。

尽管ABM 模型有着上述的种种优势，但亦有其方法与技术上的局限性。 Lempert 在《基于行动者的建模：一次革命?》一文中对基于行动者的建模进行了三方面的质疑[48]：第一，该模型同其他所有计算机仿真模型一样，缺少传统模型中的计算分析和系统的研究假设的建立，而这些模型本身没有阐明其使用的可靠性。 尤其当涉及一些复杂计算时，计算机模拟模型的可靠性远远低于基于方程计算的数学模型。 另外，仿真模型的设计不能保证准确预测未来状况，它往往只能提供一些洞见和假设，很少能阐发出理论和解决方法，而后者正是研究非线性关系的重点。 这也是为什么在公共政策制定上很少用到基于行动者的建模。 第二，基于行动者的建模具有能够真实、自然模拟系统状态的优势，但这同时限制了它只能着重分析具象性问题，而忽略了模型中许多其他问题的研究，例如模型负载量、不确定因素分析、模型数据校对以及利用该模型的方法论问题。 第三，基于行动者的模型在研究突发现象时并不具有较强的应用性。 因为该模型所依靠的电脑绘图是基于人为观测制作的，且突发现象本身是反常的、不具规律性的，因此运用基于行动者的建模很难具有严格意义上的可检测性。 Macy 和Willer 也认为基于行动者的模型只适用于研究缺少核心协作能力的情形，例如一些简单且可预测的信息传播、规则的形成和集体活动的参与[34]。 最后，基于行动者的建模不是从系统整体，而是从系统的组成成分出发来进行模拟，而在复杂的行为中纳入全部的“行动者”需要高强度的电脑运算，因此也十分费时，尽管电脑的运算能力仍在逐步加强，但涉及对大型系统的模拟时，基于行动者的建模仍在计算机运行速率上受限[43]。

四、社会仿真模拟方法的价值和发展前景

对复杂性研究的突破依赖于对涌现现象的还原能力。 通过条件设置和参数调整，社会仿真模拟方法提供了重现复杂社会现象生成过程的可能性，在社会科学开展复杂性和涌现现象研究中发挥了关键作用。 笔者认为，对于社会科学研究而言，社会仿真模拟方法主要有以下三方面价值。

其一，社会预测。 受数据(体量、类型)和分析方法(算力、算法)的限制，长久以来社会科学定量研究的主要路径是通过统计检验方法进行描述和因果分析，而本为社会科学研究应有之义的社会预测却遭到忽视。 随着新型计算社会科学方法的成熟发展，社会科学开展社会预测研究将成为可能。 陈云松等人指出：“随着基于机器学习的社会预测的勃兴，我们认为在‘实证’这一基础范式内将裂变出第三个子范式：从原来的定性定量的双峰并立，转为定性、定量机制和定量预测的三分天下”[49]。 社会仿真模拟方法的首要作用也是开展社会预测，并且研究者一般是根据预测的准确性来判断仿真模型是否有效的。 在社会仿真模拟方法引入之前，社会科学开展定量研究时，只能假设个体都表现出一种典型的，或者说是“均值人”行为——而整个模型的行为可以看作是这些平均行为的总和。 对这些总的行为进行的分析经常能够提供关于多主体系统的有用信息。 但是，这些平均行为有它的局限性。 如蚁群的行为并不是一群蚂蚁行为的简单总和。 蚂蚁之间耦合的相互作用提供的这种群体内的凝聚现象，远远超出了简单总和所能够预测的。 而通过社会仿真模拟方法可以对复杂社会现象开展机制和过程研究，这大大加深了我们对涌现现象的理解。

其二，可能性论证。 除了进行社会预测，社会仿真模拟方法还能够提供严谨的证明来说明有些事情是可能的，如冯·诺伊曼提出的能够自我复制的机器。 科学家们通常将一个能够自我复制的机器人称为冯·诺依曼机器，因为他是第一个建立能够进行自我复制机器的数学模型。 几十年后，Boyce 在1979年出版的《地外相遇》(Extraterrestrial encounter：a personal perspective)一书中提出了这一想法，他是这样设想的：可以发射一个冯·诺依曼探测器(也就是一个可以自我复制的航天器)，它装备了一个星际推进系统，然后把它送到邻近的恒星系统。 一旦到达那里，它就可以开采小行星和行星，以收集复制自身所需的原材料。 它会自己复制几份，然后自己发射到邻近的恒星系统，冯·诺依曼的每一个探测器都会重复这个过程，几百万年后，探测器会遍布银河系的每一个角落。 这些探测器不仅能自我复制，还能进行重要的科学研究，并将研究成果传回地球。 如果这项技术足够先进，就可以使行星地球化并合成人类胚胎，甚至可以设想出一个带有生命的探测器，来殖民银河系[50]。 当动态模型按照预想的方式开始工作时，新的事物便有可能。 借助社会仿真模拟方法，既可以实现对社会现象复杂性的研究，同样也可以为研究某些“理论上存在”的问题提供方法支持。

其三，关键信息的提供。 基于计算机编程技术的社会仿真模拟方法可以随时运行、停止、接受检查和参数调整，并在新的条件下重新开始运行，这些都是在大多数现实的动态系统中无法实现的。 社会仿真模拟方法的可重复性可以在有关复杂情况的信息提供时起作用，这些信息可以指出应该到什么地方去发现关键现象、控制节点等。 以“糖域模型”(sugarscape)为例，该模型只是一个设计者基于社会仿真模拟方法用来简单呈现社会贫富分化的经济模型，规则简单(如行动者在二维网格上移动；收集和累积代表经济财富的“糖”；在每个时间步骤中，每个智能体都必须消耗一定数量的糖；每个行动者可以“看到”附近细胞中糖量，并移动到糖量最多的细胞)。 但实际上，该模型还具有进一步升级的空间。 比如可以通过编程设计的方式将“家庭出身”“精明程度”“运气好坏”和“经济环境”等特征纳入行动主体分异中，进一步借助社会仿真模拟方法来观察不同特征主体下的贫富差异状况。 并且，仍可以通过参数设置和调整来深入探究影响行动主体贫富分化的核心要素排序。 从个体成就获得归因到社会阶层分化，从家庭资源分配到社会复杂性治理，社会仿真模拟方法可以帮助研究者获得重要信息，发现关键现象，直击问题痛点。

目前，基于行动者的建模已经在多个方面取得了进一步发展，包括开发了新型的用户使用平台、加强了可视化科技、提高了计算机负载能力等。 除此之外，结合Helbing 的观点[19]，我们认为社会方针模拟方法在今后社会科学研究范式转换中的发展前景非常广阔：(1)当今社会科学正在经历数据匮乏到数据丰富的转型，这就使得人们可以更好地证明或证伪一个模型的效度、校对参数，使得建模方法由数据驱动，这样就可以大幅提高基于行动者建模的精确度；(2)越来越多的人性化的用户平台将大大缩减多主体模拟技术的发展周期；(3)对实时数据(如微博、Twitter)挖掘技术不断发展使得数据测量能够不受传统统计数据滞后性的束缚，进入到一个新的“实时预测”时代[51]，利用实时数据挖掘将能辅助多主体模型更好地模拟现实情景，更高效地应对危机情况；(4)统计物理学和社会经济学中各种研究方法的发展为模型由描述型向解释型转换提供了契机，数据质量的提高为模型更为全面研究内生互动关系和复杂系统模式提供了支持；(5)多主体模型将进一步和基于测量的数据挖掘相整合，把数据驱动和模型模拟同步运用到计算机模拟中，从而有力地提高模型的预测能力和精确度。 例如，整合两种不完整的交通堵塞信息(车流量数据和拥堵横截面测量)时，利用实时的流体动力模拟模型就可以减少百分之五十的交通观测时间，并且还双倍提高了交通信息的可靠性；(6)多主体模拟技术在以后的发展中可以直接与网络实验相结合，将任何使用网络的主体纳入研究，并掌握他们现实生活中的决策制定。 这样，基于行动者的模型就可以进一步将“群众的智慧”应用到大众信息采集和国家电子政务中；(7)在不远的将来，更多的技术会使真实和虚拟世界逐渐融合，例如3D 可视技术、GPS 定位技术等。 不同地域和文化之间的隔阂不断被打破，这也使得社会模拟有更广泛的运用领域和潜力。