🤖 AI

Can Poverty Be Reduced by Acting on Discrimination? An Agent-based Model for Policy Making

Dit artikel introduceert het Aporofobie Agent-Based Model (AABM), dat werkelijke gegevens uit Barcelona gebruikt om computationeel aan te tonen dat discriminatie tegen de armen (aporofobie) de vermogensongelijkheid verergert, waardoor wordt gepleit voor beleidswijzigingen die armoede benaderen als een maatschappelijk probleem dat geworteld is in discriminatie in plaats van uitsluitend door middel van traditionele herverdelende maatregelen.

Oorspronkelijke auteurs: Alba Aguilera, Nieves Montes, Georgina Curto, Carles Sierra, Nardine Osman

Gepubliceerd 2026-02-06

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Alba Aguilera, Nieves Montes, Georgina Curto, Carles Sierra, Nardine Osman

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je een enorme, digitale stad voor waar duizenden kleine, door de computer gegenereerde mensen hun leven leiden. Dit is geen videogame over het bouwen van steden; het is een "glazen bol" die onderzoekers gebruiken om te testen hoe wetten invloed hebben op de portemonnees van echte mensen voordat die wetten ooit in de echte wereld worden aangenomen.

Hier is het verhaal van dat paper, uitgelegd aan de hand van eenvoudige concepten.

Het Grote Probleem: De "Armoedeval"

Al heel lang probeert de wereld armoede op te lossen door simpelweg mensen geld te geven of rijkdom te delen (zoals een ouder die een taart verdeelt). Maar de laatste tijd werkt dit niet meer zo snel als voorheen. De onderzoekers merkten iets anders op dat de weg zou kunnen blokkeren: Aporofobie.

Denk aan Aporofobie als "armoedefobie". Het is de angst, de afkeer of de afwijzing van arme mensen. Het is alsof een buurt besluit dat iedereen met lege zakken "slecht" of "lui" is, en de regels van de stad zo zijn geschreven dat ze hen eerder straffen dan helpen. Het paper stelt een simpele vraag: Als we de regels veranderen om te stoppen met het straffen van de armen, zal de armoede dan afnemen?

Het Instrument: Een Digitale Stadssimulator

Om dit te beantwoorden, bouwde het team een Agent-Based Model (ABM).

De Agents: Dit zijn de digitale mensen. Ze zijn niet willekeurig; ze zijn gebouwd met echte gegevens uit Barcelona, Spanje. Ze hebben banen, ze zijn dakloos, ze hebben gezinnen, en ze hebben rekeningen.
Het Brein: Deze digitale mensen hebben een "brein" gebaseerd op de Hiërarchie van Maslow. Stel je een piramide voor. Onderaan heb je voedsel en een bed nodig. Als je die niet hebt, kun je je niet druk maken over de top van de piramide (zoals kunst maken of respect voelen). De computer-mensen handelen om eerst hun meest urgente "lege beker" te vullen. Als ze honger hebben, gaan ze naar de supermarkt. Als ze geen huis hebben, zoeken ze een onderkomen.
De Regels (De Wetten): De onderzoekers programmeerden de stad met echte wetten uit Barcelona. Sommige wetten zijn vriendelijk (Niet-Aporofobisch), zoals het geven van werkloosheidsuitkeringen of gratis huisvesting. Andere zijn gemeen (Aporofobisch), zoals het beboeten van mensen voor slapen op straat of het in de gevangenis gooien van mensen die niet kunnen betalen.

Het Experiment: Het Draaien van de Simulatie

De onderzoekers draaiden de simulatie 64 verschillende keren. In sommige runs zetten ze de "vriendelijke" wetten aan. In andere zetten ze de "gemeine" wetten aan. In sommige zetten ze ze allemaal tegelijk aan.

Ze maten het resultaat met behulp van een Gini-coëfficiënt.

Denk aan dit als een "Rechtvaardigheidsscore".
Een score van 0 betekent dat iedereen precies evenveel geld heeft (perfecte rechtvaardigheid).
Een score van 1 betekent dat één persoon al het geld heeft en de rest niets heeft (totale onrechtvaardigheid).

Wat Ze Vonden

De resultaten waren een moment van verlichting voor beleidsmakers:

De "Gemeine" Wetten Maaken Het Erger: Wanneer de simulatie wetten bevatte die de armen strafden (zoals het beboeten van daklozen voor slapen op straat), werd de "Rechtvaardigheidsscore" veel slechter. De kloof tussen rijk en arm werd groter. Het was alsof je een brand probeert te blussen door benzine op het vuur te gooien.
De "Vriendelijke" Wetten Helpen: Wanneer ze wetten gebruikten die steun boden (zoals werkloosheidsuitkeringen of gratis huisvesting), verbeterde de "Rechtvaardigheidsscore". De kloof tussen rijk en arm kromp.
De Specifieke Impact: Eén specifieke "vriendelijke" wet (het geven van werkloosheidsuitkeringen) was het meest effectief in het voorkomen dat mensen de bodem raakten. Omgekeerd maakte een wet die onbetaalde boetes omzette in gevangenisstraf de situatie voor de armsten aanzienlijk slechter, waardoor meer van hen failliet gingen.

De Conclusie

Het paper betoogt dat armoede niet alleen een probleem is van "niet genoeg geld hebben". Het is ook een probleem van hoe de samenleving de mensen behandelt die geen geld hebben.

Als de wetten van een stad geschreven zijn met angst of haat naar de armen (aporofobie), maken die wetten het oplossen van armoede daadwerkelijk moeilijker. Maar als de wetten geschreven zijn om de kwetsbaren te ondersteunen en te beschermen, wordt de hele samenleving gelijkwaardiger.

Kortom: Je kunt een lekkende boot niet repareren door alleen water te scheppen (herverdeling van rijkdom); je moet ook stoppen met gaten in de bodem te slaan (discriminatoire wetten). Dit computermodel bewijst dat het stoppen met het "slaan" helpt om de boot drijvend te houden.

Technische Samenvatting: Kan armoede worden verminderd door actie tegen discriminatie? Een Agent-gebaseerd Model voor beleidsvorming

Probleemstelling
Het artikel behandelt de vertraging in de wereldwijde reductie van armoede en suggereert dat traditionele herverdelende benaderingen mogelijk aan effectiviteit verliezen. De auteurs stellen dat discriminatie tegen de armen, ook wel "aporofobie" genoemd, een significante belemmering vormt voor armoedebestrijding. Hoewel de literatuur suggereert dat aporofobie armoedeverlichtende maatregelen impopulair en moeilijk uitvoerbaar maakt, ontbreekt het aan empirisch bewijs dat een causaal verband aantoont tussen aporofobie en toegenomen armoede of vermogensongelijkheid. Het kernprobleem is het gebrek aan computationele instrumenten om te evalueren hoe discriminerende juridische kaders de vermogensverdeling beïnvloeden voordat beleid wordt ingevoerd.

Methodologie
De auteurs stellen het Aporophobia Agent-Based Model (AABM) voor, een multi-agent simulatie die is ontworpen om de correlatie tussen aporofobie en armoede computationeel te bewijzen. Het model is gebouwd met de Python-bibliotheek Mesa en integreert drie afzonderlijke componenten:

Agentprofielen: Agents vertegenwoordigen burgers met unieke sociaaleconomische en demografische profielen (leeftijd, geslacht, status, vermogen, inkomen, locatie) die zijn geïnstancieerd op basis van real-world data voor vier districten in Barcelona (Sarrià-Sant Gervasi, Gràcia, Les Corts, en Eixample).
Autonome Besluitvorming (Needs-Based Model): Agents bezitten "vrije wil" en nemen beslissingen op basis van een aangepaste versie van het needs-based model van Dignum et al., geïnspireerd door de hiërarchie van Maslow.
- Behoeften: Agents beheren "tekortbehoeften" (fysiologisch, veiligheid, verbondenheid, waardering) die in de loop van de tijd afnemen. Groeibehoeften (zelfactualisatie) zijn uitgesloten om de focus op basale overleving te houden.
- Deliberatie: Bij elke tijdstap (beginnend om 17:00 uur) berekenen agents een score voor beschikbare acties op basis van de urgentie van niet-vervulde behoeften, de belangrijkheid van categorieën behoeften en de verwachte voldoening die een actie biedt. Ze selecteren de actie met de hoogste score.
- Restricties: Acties worden beperkt door de status van de agent (bijv. alleen werkende agents kunnen werken), financiële capaciteit en fysieke locatie.
Regulerende Omgeving: Het model incorporeert een set juridische normen (beleid) als precondities en postcondities. Deze normen zijn getagd als ofwel Aporofobisch (Apo) of Niet-Aporofobisch (Non-Apo) op basis van samenwerking met gespecialiseerde NGO's.
- Voorbeelden Non-Apo: Werkloosheidsuitkeringen, minimaal levensonderhoud en de voorziening van een waardige leefruimte voor daklozen.
- Voorbeelden Apo: Boetes voor slapen op straat of het stelen van voedsel, het omzetten van boetes in gevangenisstraf, en huisuitzetting vanwege faillissement.
- De simulatie gaat uit van een perfecte naleving van deze regels door agents en een foutloze implementatie door het systeem, waarbij het wetgevingsproces wordt geabstraheerd om de focus op de effecten van beleid te leggen.

Experimentele Opzet
De studie maakt gebruik van een "proof of concept"-scenario met $N=100$ gesimuleerde agents over $T=2880$ tijdstappen (gelijk aan 4 maanden). De onderzoekers testten de machtsverzameling van zes specifieke normen ( $2^6 = 64$ combinaties). Voor elke combinatie werden 10 runs uitgevoerd om rekening te houden met stochastische variabiliteit, wat resulteerde in een steekproef van 1.000 agents per configuratie. De primaire metriek voor evaluatie is de Gini-coëfficiënt, die vermogensongelijkheid kwantificeert, naast het aandeel agents dat eindigt in een "faillissementstoestand" (vermogen $\le$ 0).

Belangrijkste Resultaten
De simulatie-resultaten leveren computationeel bewijs dat aporofobisch beleid gekoppeld is aan toegenomen vermogensongelijkheid:

Effecten van Individuele Normen: De meeste individuele normen verhoogden de Gini-coëfficiënt vergeleken met een baseline zonder regels. Alleen Norm 1 (werkloosheidsuitkeringen) verlaagde de ongelijkheid. Norm 5 (het omzetten van boetes naar gevangenisstraf) veroorzaakte de meest significante toename in ongelijkheid (+18,3%).
Collectieve Effecten (Apo vs. Non-Apo):
- Het implementeren van de Non-Apo subset (Normen 1, 2, 3) verlaagde de Gini-coëfficiënt met 18,8%, wat leidde tot een meer egalitaire verdeling. Het verminderde het aantal agents in faillissement aanzienlijk (van ~24% naar ~7%).
- Het implementeren van de Apo subset (Normen 4, 5, 6) verhoogde de Gini-coëfficiënt met 20,8%, wat leidde tot hogere ongelijkheid en een scherpe stijging van dakloosheid en faillissementen (39,3% van de agents).
Correlatie met Aporofobie: Er werd een duidelijke positieve correlatie waargenomen tussen het aandeel aporofobische normen in een belegsmix en de resulterende Gini-coëfficiënt. De laagste Gini (0,405) werd bereikt met de Non-Apo subset, terwijl de hoogste (0,600) voortkwam uit een mix met 60% aporofobische normen. Norm 1 werd geïdentificeerd als een cruciale drijfveer voor egalitaire uitkomsten.

Betekenis en Claims
Het artikel claimt het eerste te zijn dat empirisch, computationeel bewijs levert van de relatie tussen aporofobie en de toename van vermogensongelijkheid. De betekenis ligt in:

Nieuwigheid: Het introduceert een nieuw perspectief op armoedebestrijding door het te behandelen als een maatschappelijk probleem dat wordt beïnvloed door discriminerende overtuigingen die in de wet zijn vastgelegd, in plaats van louter een probleem van middelenherverdeling.
Beleidsinstrument: Het demonstreert het nut van Agent-Based Modeling als een niet-invasief instrument om de maatschappelijke effecten van publieke beleid te voorspellen en onvoorziene negatieve gevolgen te identificeren (bijv. hoe boetes voor dakloosheid armoede verergeren).
SDG-Bijdrage: De bevindingen ondersteunen het VN Duurzame Ontwikkelingsdoel van armoedebestrijding door te suggeren dat effectieve beleidsvorming aporofobie (institutionele discriminatie) moet aanpakken naast economische herverdeling.

De auteurs hanteren een bescheiden toon en erkennen dat het model een "proof of concept" is met beperkingen, zoals de noodzaak voor een robuustere synthetische populatie en de huidige uitsluiting van multidimensionale armoede-indicatoren buiten de vermogensverdeling. Zij presenteren dit werk als een fundament voor een nieuwe generatie armoedebestrijdingsbeleid dat actief aporofobie mitigeert.