SimCity: Multi-Agent Urban Development Simulation with Rich Interactions

Probleemstelling

Bestaande methoden voor macro-economische simulatie hebben significante beperkingen:

• DSGE-modellen (Dynamic Stochastic General Equilibrium): Deze zijn wiskundig elegant maar vereisen vereenvoudigde, representatieve agenten die expliciete optimalisatieproblemen oplossen. Dit beperkt heterogeniteit en rijk gedrag.
• Traditionele Agent-Based Models (ABM): Deze accommoderen heterogeniteit, maar vertrouwen vaak op handgemaakte beslissingsregels die star zijn en weinig adaptief vermogen hebben.
• Huidige LLM-toepassingen: Bestaande werken met Large Language Models (LLMs) in sociale simulaties richten zich vaak op algemene maatschappelijke patronen of specifieke domeinen (zoals crisisbeheer), maar missen vaak een geïntegreerde, complexe economische structuur met ruwe interacties tussen verschillende economische rollen en een ruimtelijke context.

Er is behoefte aan een raamwerk dat de flexibiliteit en interpretatie van LLMs combineert met een gestructureerde macro-economische omgeving om realistische, heterogene en adaptieve economische dynamiek te modelleren.

Methodologie: Het SimCity-raamwerk

SimCity is een multi-agent systeem dat LLMs gebruikt om een interpreteerbaar macro-economisch systeem te bouwen met vier kernagenttypen en een visuele stadsomgeving.

1. Agenten en Hun Rollen:

• Huishoudens: Heterogene agenten met variërende voorkeuren, vaardigheden, leeftijd en inkomen. Ze beslissen over consumptie (met essentiële goederen), arbeidsmarktdelname, huisvesting en financiële activiteiten (sparen, lenen, investeren).
• Bedrijven: Agenten die goederen produceren, personeel aannemen, investeren in kapitaal en prijzen vaststellen. Ze gebruiken een Cobb-Douglas-productiefunctie waarbij de efficiëntie afhangt van de match tussen de vereiste vaardigheden van de baan en de vaardigheden van de werknemers.
• Overheid: Verzorgt belastingheffing (inkomsten- en BTW), overheidsuitgaven, sociale zekerheid (UBI) en investeert in publieke diensten.
• Centrale Bank: Implementeert monetair beleid via een aangepaste Taylor-regel om de rente te bepalen op basis van inflatie en het outputgap.

2. Interacties en Markten:

• Goederenmarkt: Heterogene goederen (bijv. voeding, kleding, energie) worden verhandeld.
• Arbeidsmarkt: Een frictiemarkt waar bedrijven vacatures plaatsen en huishoudens zich aanmelden op basis van vaardigheden.
• Financiële markt: Deposito's en leningen tussen huishoudens/bedrijven en de centrale bank.
• Investeringspool: Een intermediaire module (aangedreven door een Vision-Language Model of VLM) die spaargelden verzamelt en gebruikt om nieuwe bedrijven op te richten op basis van marktomstandigheden.

3. Omgeving en Ruimtelijke Context:

• Twee fasen: Een "Move-in" fase (stadsgroei en bevolkingsopbouw) en een "Development" fase (stabiele macro-economische analyse).
• Visuele Kaart: Een webgebaseerde rendermodule visualiseert de stad. Een VLM bepaalt de geografische locatie van nieuwe bedrijven, wat zorgt voor realistische stedelijke patronen (bijv. concentratie van productiegebieden aan de rand en woonwijken in het centrum).

4. Technisch Implementatie:

• Agenten gebruiken Function Calling om acties (in JSON-formaat) te genereren op basis van prompts die persoonlijke profielen, rapporten en observaties bevatten.
• Het systeem gebruikt modellen zoals GPT-4o-mini voor redenering en GPT-4 als VLM voor ruimtelijke beslissingen.

Belangrijkste Bijdragen

1. LLM-gedreven Macro-economische Simulatie: Integratie van LLMs in een economisch raamwerk met vier distincte rollen, wat zorgt voor agent-heterogeniteit en rijke, adaptieve interacties die moeilijk te modelleren zijn met traditionele methoden.
2. Gevirtualiseerde Stedelijke Omgeving: Voorzien van agenten van een visuele kaart die ruimtelijke context biedt en de dynamiek van stedelijke expansie visualiseert, ondersteund door een VLM voor locatiebeslissingen.
3. Systematische Evaluatie: Het samenstellen van een checklist van canonieke macro-economische fenomenen ("stylized facts") om de geldigheid van het model te testen, in plaats van alleen op selecte scenario's te focussen.

Resultaten

Het paper demonstreert dat SimCity robuust diverse empirische patronen uit de echte economie reproduceert:

• Phillips Curve & Okun's Law: Het model toont de verwachte negatieve correlatie tussen werkloosheid en inflatie, en tussen werkloosheidsstijging en BBP-groei. De resultaten zijn vergelijkbaar met historische data (FRED) en superieur aan eerdere LLM- en ABM-modellen.
• Beveridge Curve: Een negatieve relatie tussen vacatures en werkloosheid wordt succesvol gesimuleerd.
• Engel's Wet: De consumptiepatronen tonen aan dat het percentage van het inkomen dat aan voeding wordt besteed, daalt naarmate het inkomen stijgt.
• Prijselasticiteit: De vraagelasticiteit varieert logisch tussen goederen (bijv. voeding is inelastisch, auto's zijn elastisch), in overeenstemming met de wet van de vraag.
• Stedelijke Expansie: Tijdens de "move-in" fase vormt de stad organische clusters (woonwijken centraal, industrie aan de rand), wat overeenkomt met het Alonso-Muth-Mills-model. Ablatiestudies tonen aan dat zonder visuele input (VLM) de stad onrealistische lineaire patronen aanneemt.
• Schokresponsie: Het model reageert coherent op exogene schokken (zoals prijsstijgingen of automatisering), waarbij prijzen geleidelijk terugkeren naar het evenwicht (prijsstijfheid) en een inkomenskloof ontstaat bij technologische veranderingen.

Betekenis en Impact

SimCity vertegenwoordigt een doorbraak in economische modellering door:

• Interpretatie en Flexibiliteit: Het biedt transparante, natuurlijke taalredenering van agenten, waardoor het "waarom" achter economische beslissingen inzichtelijk is, in tegenstelling tot de "black box" van traditionele ABMs of de starre aannames van DSGE-modellen.
• Onderzoek naar Nieuwe Scenario's: Het stelt onderzoekers in staat scenario's te simuleren die moeilijk te analyseren zijn in bestaande modellen, zoals complexe stedelijke uitbreidingen of specifieke schokken aan de aanbodzijde (bijv. automatisering van specifieke vaardigheden).
• Brug tussen Disciplines: Het combineert inzichten uit de economie, stedelijke planning en kunstmatige intelligentie, en biedt een platform voor het testen van beleid en het begrijpen van emergente macro-economische regulariteiten in een dynamische, heterogene omgeving.

Het paper concludeert dat SimCity een solide basisplatform biedt voor realistischere economische simulaties die zowel de complexiteit van menselijk gedrag als de structuur van economische systemen kunnen vangen.