Institutional Dynamics in Agent-Based Models: Identifying Action-Space, Timing, and Distributional Effects Through Controlled Simulation

In het onderzoek naar hoe groepen functioneren, van verkeersstromen tot markteconomieën, kijken wetenschappers vaak naar de regels die het gedrag beheersen. Deze regels, bekend als instituties, bieden meer dan alleen beloningen of straffen; ze definiëren fundamenteel wat mogelijk is. Stel je een kamer voor vol mensen die water proberen te krijgen uit een enkele kraan. De fysieke realiteit is simpel: er is een beperkte hoeveelheid water en een beperkt aantal mensen. Maar de regels van de kamer bepalen wie mag stappen, wie moet wachten en wie verboden is de kraan aan te raken. In computersimulaties bouwen onderzoekers virtuele werelden om te testen hoe deze regels de uitkomsten veranderen. Een belangrijke uitdaging in dit veld is het scheiden van het effect van de regels zelf van het gedrag van de mensen die ze volgen. Vaak, wanneer een systeem verandert, is het moeilijk te zeggen of het resultaat kwam door een verandering in de regels, een verandering in de verlangens van de mensen, of een verandering in de fysieke middelen die beschikbaar zijn.

Roberto Garrone, een onderzoeker aan de Open Universiteit van Cyprus, pakte dit probleem aan door een gecontroleerd computerexperiment te ontwerpen om de macht van regels te isoleren. Hij bouwde een synthetische wereld met dertig virtuele agenten en een beperkte voorraad van een schaars middel. In deze wereld had elke agent dezelfde basisverlangens en dezelfde fysieke capaciteiten. Het enige dat veranderde tussen verschillende runs van de simulatie was de institutionele architectuur — de set toestemmingen en beperkingen die bepaalden welke acties een agent legaal kon ondernemen. Door de agenten en de omgeving perfect identiek te houden, kon Garrone precies observeren hoeveel verschil de regels alleen al maakten. Hij ontdekte dat het veranderen van de regels de totale hoeveelheid verdeelde middelen niet noodzakelijkerwijs veranderde, maar dat het wel drastisch bepaalde wie wat kreeg, hoe lang ze moesten wachten en welke keuzes ze überhaupt mochten maken.

Het experiment begon met een basisscenario waarin geen regels de agenten beperkten. In deze vrije strijd kon elke agent kiezen uit vier mogelijke acties: een prioriteitsverzoek indienen, een regulier verzoek indienen, wachten of vertrekken. Dit diende als een controle om te zien hoe het systeem zich gedroeg zonder institutionele filtering. Vervolgens introduceerden de onderzoekers een statische set regels. In deze versie kreeg een vaste groep agenten, die twintig procent van de populatie vertegenwoordigde, een speciaal recht op prioriteit. De andere tachtig procent verloor het vermogen om prioriteitsverzoeken in te dienen. De simulatie draaide tachtig stappen, waarbij agenten willekeurig arriveerden en er een vaste capaciteit van vijf eenheden service beschikbaar was bij elke stap. De resultaten waren opmerkelijk. Hoewel de totale hoeveelheid geleverde service aan de groep bijna exact hetzelfde was als in de onbeperkte versie, verschoof de distributie van die service aanzienlijk. De geprivilegieerdeerde twintig procent ontving zesentwintig komma zes procent van de totale service, een duidelijke oververtegenwoordiging vergeleken met hun aandeel in de populatie. Ondertussen daalde het gemiddelde aantal keuzes dat een gemiddelde agent had van vier naar ongeveer drie, een maatstaf die de onderzoeker de 'action-space ratio' noemt.

De studie ging vervolgens over naar een complexer scenario waarbij de regels konden veranderen op basis van de staat van het systeem. Dit dynamische regime begon met dezelfde statische regels, maar voegde een mechanisme toe: als een agent te lang wachtte, zou het systeem hem voor een korte periode tijdelijk een recht op prioriteit verlenen. Dit was ontworpen om de echte wereld na te bootsen, waar lange wachttijden leiden tot speciale voorzieningen. Wanneer deze dynamische regel werd toegepast, veranderde de uitkomst opnieuw. Het voordeel van de vaste prioriteitsgroep kromp naar drieëntwintig komma vijf procent van de totale service. Het systeem werd iets rechtvaardiger, en het gemiddelde aantal keuzes dat beschikbaar was voor de agenten nam toe, hoewel het niet terugkeerde naar de volledige vrijheid van de onbeperkte baseline. Cruciaal was dat de totale hoeveelheid service die aan de groep werd geleverd, vrijwel onveranderd bleef over al deze verschillende regelsets. Dit toonde aan dat de regels niet alleen de efficiëntie van het systeem veranderden, maar actief de lasten en voordelen onder de deelnemers herverdeelden zonder de totale doorvoer te veranderen.

Om ervoor te zorgen dat deze resultaten niet slechts een toevalstreffer van de timing waren, voerden de onderzoekers een specifieke diagnostische test uit. Ze namen exact dezelfde agenten en gaven hen exact hetzelfde totaal aantal prioriteitsrechten, maar ze veranderden wanneer die rechten actief waren. In één versie werden de rechten vroeg in de simulatie toegekend, ongeacht hoe lang de agenten hadden gewacht. In de dynamische versie werden de rechten pas toegekend nadat een agent een specifieke duur had gewacht. Zelfs hoewel het totale aantal rechten dat elke agent bezat identiek was, waren de uitkomsten verschillend. De versie waarin de rechten werden toegekend op basis van de staat van het systeem, resulteerde in langere wachttijden voor degenen die werden bediend en minder agenten die het systeem in frustratie verlieten. Dit bewees dat de timing van een regel, en hoe die gekoppeld is aan de huidige situatie, net zo belangrijk is als de regel zelf. Het is niet genoeg om simpelweg te tellen hoeveel rechten een agent bezit; men moet ook begrijpen wanneer die rechten actief worden.

De onderzoekers testten de robuustheid van deze bevindingen door de simulatie onder achttien verschillende omstandigheden te draaien, waarbij ze varieerden in het aantal arriverende agenten, de snelheid van de service en de omvang van de geprivilegieerde groep. In elk geval hield het kernpatroon stand. Statische regels verminderden consistent het aantal keuzes dat beschikbaar was voor de agenten en concentreerden de service bij de geprivilegieerde groep. Dynamische regels herstelden consistent een deel van die keuzes en verminderden de concentratie, hoewel ze vaak de tijd vergrootten die agenten doorbrachten met wachten. De effecten waren het meest uitgesproken wanneer het systeem onder hoge druk stond, met veel agenten die streden om beperkte middelen. Wanneer het systeem voldoende capaciteit had en weinig agenten, werden de verschillen tussen de regelsets verwaarloosbaar, wat suggereert dat institutionele regels het belangrijkst zijn wanneer middelen schaars zijn.

Dit werk claimt geen echte beleidsproblemen op te lossen of exact te voorspellen hoe een specifiek rechtssysteem zal functioneren. Het model is een synthetische constructie, een vereenvoudigd digitaal laboratorium ontworpen om een specifiek mechanisme te testen. De agenten zijn geen echte mensen met complexe geschiedenissen, en het middel is geen echt goed. De studie biedt echter duidelijk bewijs dat institutionele dynamiek fungeert als een afzonderlijke laag van causaliteit. Ze kunnen de toegang en de last herverdelen op manieren die standaardmaten van efficiëntie mogelijk missen. Een systeem kan lijken perfect te functioneren in termen van totale output, terwijl de regels die het beheersen de last stilletjes naar specifieke groepen verschuiven. Door het genereren van mogelijke acties te scheiden van de regels die ze filteren, en vervolgens van de keuzes die agenten maken, biedt de studie een nieuwe manier om te kijken naar hoe instituties onze wereld vormen. Het suggereert dat men om een systeem echt te begrijpen, niet alleen moet kijken naar wat er wordt geproduceerd, maar ook naar het veranderende landschap van wat mogelijk is voor de mensen binnen dat systeem.