Machine learning simulates agent-based model towards optimal policya surrogate model for public policy assessment

Resumo

As políticas públicas não são intrinsecamente positivas ou negativas. As políticas fornecem níveis variados de efeitos em diferentes destinatários. Metodologicamente, a modelagem computacional possibilita a aplicação de uma combinação de múltiplas influências em dados empíricos, permitindo assim uma resposta heterogêneos à política. Usamos um algoritmo de aprendizado de máquina de floresta aleatória para emular um algoritmo baseado em agente modelo (ABM) e avaliar políticas concorrentes em 46 Regiões Metropolitanas (RMs) do Brasil. Ao fazer isso, usamos parâmetros de entrada e indicadores de saída de 11.076 simulações reais execuções e um milhão de execuções emuladas. Como resultado, obtemos o desempenho ótimo (e dentro do ideal) de cada região sobre as políticas. Ótimo é definido como uma combinação de produção e indicadores de desigualdade para o conjunto completo das RMs. Os resultados sugerem que as RMs já possuem estruturas incorporadas que favorecem os resultados ótimos ou ideais, mas também ilustram quais política é mais benéfica para cada lugar. Além de fornecer resultados de políticas específicas das RM, o uso de aprendizado de máquina para simular um ABM reduz a carga computacional, enquanto permitindo uma variação muito maior entre os parâmetros do modelo. A coerência dos resultados dentro o contexto e maior incerteza – vis-à-vis aqueles do ABM original – sugere um adicional teste de robustez do modelo. Ao mesmo tempo, o exercício indica quais parâmetros devem os formuladores de políticas intervêm, a fim de trabalhar em direção a instrumentos precisos de políticas ótimas.

Ficha do documento

Tipo

Estudo

Ano

2023

Instituição

Instituto de Pesquisa Econômica Aplicada (Ipea)

Fonte

Repositório do Ipea

Idioma

Inglês

Acesso

Acesso aberto

Identificador

oai:repositorio.ipea.gov.br:11058/11785

Licença

Licença Comum

Abrangência

Brasil

Temas

Políticas PúblicasModelagem EconômicaDados

Palavras-chave

Políticas PúblicasModelos baseados em agentesFloresta AleatóriaRegião MetropolitanaAgent based modelMachine learningPublic policies comparisonMetropolitan areas