📈 economics

Bounded Rationality and Resilience in Global Rare Earth Supply Chains: An LLM-Powered Multi-Agent Simulation

Dit artikel introduceert een door LLM aangedreven multi-agent simulatieframework dat aantoont hoe het modelleren van soevereine besluitvormers met beperkte rationaliteit de veerkracht en kostenefficiëntie van wereldwijde zeldzame aardmeten-toeleveringsketens aanzienlijk verbetert vergeleken met traditionele statische optimalisatiemodellen tijdens geopolitieke schokken.

Oorspronkelijke auteurs: junjie liang, ligang xu, weifeng wang, mengtao song, Siming wei

Gepubliceerd 2026-07-10

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: junjie liang, ligang xu, weifeng wang, mengtao song, Siming wei

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://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 de wereldwijde toeleveringsketen voor van zeldzame aardmetalen (de speciale metalen in je telefoon, elektrische auto's en windturbines) als een groot, hoogwaardig spel van "keep-away" dat wordt gespeeld op een bord met slechts vijf belangrijke spelers. Jarenlang probeerden experts te voorspellen wat er zou gebeuren als één speler plotseling de deur dicht zou slaan (zoals een exportverbod). Ze gebruikten ouderwetse computerprogramma's die fungeerden als hypercompetitieve schaakmeesters: altijd berekenend op zoek naar de enkele "perfecte" zet om te winnen, uitgaande van het idee dat iedereen ook een perfecte rekenmachine is.

Maar hier komt de twist: in de echte wereld handelen landen niet als perfecte schaakcomputers. Ze handelen als mensen—soms in paniek, soms aan het hamsteren, en vaak proberen ze gewoon "goed genoeg" resultaten te behalen zonder zichzelf uit te putten.

Dit artikel introduceert een nieuwe manier om deze spellen te simuleren. In plaats van deze rigide schaakcomputers te gebruiken, bouwden de onderzoekers een digitale wereld waar de spelers worden aangedreven door Large Language Models (LLM's)—hetzelfde soort AI dat essays schrijft en met je chat. Deze AI-agenten zijn geprogrammeerd om "begrensd rationeel" te zijn, wat betekent dat ze handelen als echte mensen: ze hebben beperkte informatie, ze worden moe en ze nemen genoegen met een oplossing die goed genoeg werkt in plaats van de mathematisch perfecte oplossing.

De Grote Verrassing: "Perfecte" Spelers Verliezen

De onderzoekers draalden duizenden simulaties om te zien wie de stroom van zeldzame aardmetalen gaande zou houden tijdens een crisis. Ze testten vier soorten spelers:

De Willekeurige Speler: Kiest simpelweg willekeurige zetten.
De Regelvolger: Volgt een strikte, vooraf geschreven checklist.
De Hebzuchtige Optimizer: De "perfecte" schaakmeester die probeert elk klein probleem onmiddellijk op te lossen.
De LLM-agent: De menselijke AI die nadenkt, zich aanpast en soms zegt: "Ach, het is voor nu wel best zo."

De belangrijkste bevinding is een beetje contra-intuïtief. Wanneer de druk laag was (een rustige markt), gingen de Hebzuchtige Optimizers te werk als bezetenen. Ze probeerden problemen op te lossen die eigenlijk niet bestonden, en veranderden constant handelsroutes en gaven enorme hoeveelheden geld uit aan wijzigingen die niet nodig waren. Het papier noemt dit "structurele overreactiviteit". Het is als een brandweerman die een heel huis onder water zet omdat hij een enkel vonkje in de keuken zag; hij heeft het huis "gered" van de brand, maar hij heeft het geruïneerd met water.

In contrast hiermee gedroegen de LLM-agenten zich meer als verstandige volwassenen. Ze keken naar de situatie, realiseerden zich dat de stress niet zo erg was, en besloten geen energie te verspillen aan massale veranderingen. Ze hielden hun kosten laag en hun toeleveringsketens stabiel. De onderzoekers maten dit met een nieuwe score genaamd de Cost Efficiency Ratio (CER). In rustige tijden hadden de LLM-agenten een hoge, positieve score (efficiënt), terwijl de Hebzuchtige Optimizers een negatieve score hadden (verspillend).

Wanneer het Echt Misgaat

Echter, het artikel merkt op dat wanneer de stress extreem was (een totale blokkade van de handel), de Hebzuchtige Optimizers eigenlijk een redelijk goed werk deden, omdat de situatie zo nijpend was dat elke agressieve actie beter was dan niets doen. Maar de LLM-agenten hielden ook stand en pasten zich snel aan om "goed genoeg" oplossingen te vinden zonder in paniek te raken.

Interessant genoeg slaagde de Willekeurige Speler er soms in om het tekort in de toeleveringsketen laag te houden door puur geluk, maar dit ging gepaard met een verschrikkelijke kostprijs. Het artikel legt uit dat de Willekeurige Speler als iemand was die een miljoen pijltjes op een bord gooit; uiteindelijk raken ze de roos, maar ze hebben een miljoen pijltjes verspild om het te bereiken. De LLM-agenten daarentegen raakten het doel met precisie en zonder verspilling.

Wat Dit Betekent voor de Echte Wereld

Het artikel betoogt dat de oude manier van denken—proberen een toeleveringsketen te bouwen die perfect geoptimaliseerd is voor elke mogelijke ramp—eigenlijk gevaarlijk is. Het maakt landen en bedrijven te nerveus. In plaats daarvan suggereren de simulaties dat begrensde rationaliteit (handelen met menselijke beperkingen en gezond verstand) eigenlijk een superkracht is voor veerkracht.

De onderzoekers ontdekten dat de LLM-agenten van nature de voorkeur gaven aan het vinden van nieuwe vrienden om mee te handelen (diversificatie) in plaats van simpelweg metalen in een kelder te verstoppen (hamsteren). Dit komt overeen met wat er werkelijk gebeurde tijdens de echte zeldzame aardmetalen-crisis in 2010, waarbij landen zoals Japan koortsachtig op zoek gingen naar nieuwe leveranciers in plaats van alleen maar voorraden aan te leggen.

Hoe Zeker Zijn We?

Het is belangrijk om te onthouden dat deze resultaten afkomstig zijn van computersimulaties, niet uit geschiedenisboeken uit de echte wereld. De onderzoekers bouwden een digitaal model gebaseerd op handelsgegevens uit 2011, 2018 en 2023, en draalden het 1.008 keer met verschillende scenario's. Hoewel de resultaten zeer consistent zijn over verschillende AI-modellen (zoals Qwen en GLM), geeft het artikel toe dat de AI feiten over de crisis van 2010 uit zijn trainingsdata kan "herinneren", in plaats van het puur vanuit het niets te ontdekken.

Dus, hoewel het artikel niet beweert dat het de wereldwijde handel heeft "opgelost", suggereert het sterk dat het behandelen van landen als flexibele, mensachtige denkers (met behulp van LLM's) ons een veel beter beeld geeft van hoe de wereld daadwerkelijk zal reageren op een crisis dan het behandelen van hen als perfecte, gevoelloze robots. De les? In een chaotische wereld is "goed genoeg" zijn en aanpassingsvermogen hebben vaak beter dan proberen perfect te zijn.

Technisch overzicht: Begrensde rationaliteit en veerkracht in wereldwijde zeldzame aardelencaden

1. Probleemstelling

Wereldwijde toeleveringsketens voor zeldzame aardelementen (REE) zijn structureel kwetsbaar door extreme geografische concentratie in verwerking en handel, wat ze zeer gevoelig maakt voor geopolitieke schokken zoals exportbeperkingen. Conventionele methoden voor het evalueren van de veerkracht van toeleveringsketens—met name statische netwerkmodellen en lokale optimalisatiealgoritmen (bijv. lineaire programmering, mixed-integer programmering)—falen in het vastleggen van de complexe gedragsdynamiek die ten grondslag ligt aan verstoringen in paden met meerdere beperkingen. Deze traditionele benaderingen vertrouwen op aannames van perfecte informatie en absolute economische rationaliteit, waardoor ze niet in staat zijn om niet-evenwichtfenomenen zoals strategische hamsteren, paniekversterking en cognitieve heterogeniteit tijdens crises te internaliseren. Bovits maken bestaande agent-gebaseerde modellen soevereine staten vaak ofwel passieve doorgeefluiken, ofwel vertrouwen ze op rigide, vooraf geprogrammeerde beslisregels die de ontdekking van emergente strategieën zoals grijze-markt transshipment of alliantie-activatie verhinderen.

2. Methodologie

De auteurs stellen een nieuw multi-agent simulatiekader voor dat Large Language Models (LLM's) integreert om begrensde rationaliteit te instantiëren binnen soevereine besluitvormers. Het kader werkt op basis van een empirisch gekalibreerd REE-handelsnetwerk en maakt gebruik van een uniek Delta-Buffer synchroon marktzuiveringsmechanisme.

2.1 Constructie van het fysieke netwerk

Databron: UN Comtrade database (2011, 2018, 2023).
Topologie: Een gewogen gerichte graaf met 5 knooppunten die de belangrijkste producenten en consumenten vertegenwoordigen: China (CHN), Verenigde Staten (USA), Japan (JPN), Myanmar (MMR) en Maleisië (MYS).
Kalibratie: Handelsstromen zijn gedeflateerd naar constante dollars van 2010. De initiële voorraad is ingesteld op 30% van de jaarlijkse vraag (gebaseerd op IEA-benchmarks).
Metrieken: Tussenheidscentraliteit (betweenness centrality) wordt berekend met behulp van effectieve afstand ( $d_{ij} = 1/w_{ij}$ ) om de intensiteit van handelsvolumes te reflecteren.

2.2 Agent-architectuur

De simulatie vergelijkt vier verschillende agent-architecturen:

Random: Uniform willekeurige actie-selectie (theoretische ondergrens).
Rule-based: Deterministische beslisbomen gebaseerd op tekort-drempelwaarden.
Greedy: Een myope lokale optimizer met volledige informatie die onmiddellijke tekorten minimaliseert zonder anticiperende effecten op cascade-effecten.
LLM: Begrensde rationele agents die gebruikmaken van frontier-modellen (DeepSeek-Chat V3, Qwen-Plus, GLM-4-Flash) bij een temperatuur van 0.5. Deze agents ontvangen gestructureerde staatvectoren (tekort in aanbod, voorraadstatus, industrieel risico, allianties, prijsmultipliers en eerdere acties) en genereren context-geconditioneerde strategische reacties zonder ex-ante optimalisatiefuncties.

2.3 Kernmechanismen

Delta-Buffer Synchroon Marktzuivering: Om voordelen van sequentiële bewegingen en informatieasymmetrie te elimineren, observeren alle agents de globale staat simultaan, selecteren zij onafhankelijk acties en dienen zij "delta"-vectoren in (wijzigingen in handelsstromen en voorraad). Deze delta's worden verzameld in een buffer en atomair toegepast op het netwerk in een enkele afwikkelingsfase. Dit waarborgt massabehoud en bootst de "gesloten deur"-natuur van soeverein beleid na.
Ontkoppeling van Vraag en Voorraad: Het kader scheidt de basisvraag strikt van voorraadacties. Het hamsteren van voorraden leidt de productie om naar opslag zonder het basis-signaal van de vraag op te blazen, wat "fantoomvraag"-artefacten voorkomt die de simulatie zouden kunnen destabiliseren.
Actieruimte: Agents kiezen uit zes discrete acties, waaronder het zoeken naar alternatieve bronnen, het hamsteren van voorraad, het zoeken naar steun van bondgenoten, het beperken van export, grijze-markt transshipment en het vrijgeven van voorraad.

2.4 Experimenteel ontwerp

Een volledige factoriële $3 \times 3 \times 4$ design werd gehanteerd:

Jaren: 2011 (hoge stress), 2018 (post-crisis normalisatie), 2023 (huidige stress).
Schokintensiteit: 15%, 30% en 50% reductie in exportcontroles op China.
Agent-modellen: Random, Rule-based, Greedy en LLM.
Replicatie: 28 Monte Carlo-runs per configuratie (Totaal: 1.008 runs).

3. Belangrijkste Bijdragen

Het artikel levert drie primaire bijdragen:

Methodologisch (Agentic LLM Simulatie): Het breidt LLM-architecturen uit naar soevereine strategische interacties binnen een fysiek handelsnetwerk. In tegen tegenstelling tot baseline sociale simulacra, zijn deze agents ingebed in een empirisch gekalibreerde, multi-constraint context, wat de isolatie van echte in-context redenering en emergente strategieën (zoals grijze-markt routering) mogelijk maakt zonder expliciete statische regelsets.
Mechanistisch (CER-Resilience Koppeling): De auteurs identificeren een fundamentele regimeverschuiving in netwerkveerkracht die wordt beheerst door de interactie tussen cognitieve oriëntatie en stressniveaus. Zij introduceren de Cost Efficiency Ratio (CER), gedefinieerd als de log-ratio van de behouden aanbodretentie ten opzichte van de herstructureringsuitgaven. Simulaties onthullen dat deterministische optimaliserende agents ernstige structurele overreactiviteit vertonen onder lage-stresscondities (negatieve CER), terwijl LLM-gestuurde agents hun inspanningen dynamisch kalibreren om een positieve efficiëntie te handhaven, wat Simons paradigma van 'satisficing' computationeel onderbouwt.
Metrisch (Gekontekstualiseerde CER): Het artikel formaliseert de CER-metriek om endogeen de afweging tussen materiële beschikbaarheid en pad-herstructureringskosten te vangen. Dit adresseert de beperking van traditionele metrieken die vertrouwen op marginale tekortminimalisatie, wat systemische inefficiënties door hyper-agressieve herroutering kan maskeren.

4. Resultaten

4.1 Gedragsdiversiteit en Entropie

LLM-agents vertonen een "bounded-entropy" signatuur. Hun beleidsentropie (2.22–2.31) neemt een betekenisvol intermediair bereik in tussen de rigide determinisme van Rule-based agents ( $H \approx 1.66$ ) en de pure willekeur van Random agents ( $H \approx 2.7$ ). De frequentie van acties van LLM-agents verschuift coherent naar coöperatieve strategieën onder hoge stress en passief beheer onder lage stress, wat reflectief is voor context-gevoelige satisficing.

4.2 Historische Afstemming

In een exploratieve directionele controle tegenover de zeldzame aardekrisis van 2010, vertoonden LLM-agents de sterkste kwalitatieve overeenkomst met historische beleidsrangschikkingen. Specifiek gaven zij prioriteit aan "zoeken naar alternatieve bronnen" ( $\rho = 0.7$ ) en vermeden zij excessief "hamsteren" ( $\rho = -0.6$ ), wat overeenkomt met de gedocumenteerde reacties van Japan en andere importeurs. Deterministische agents slaagden er niet in de diplomatieke dimensie van crisisrespons te vatten.

4.3 Aanbodveerkracht en Tekortratio's

Hoge Stress (2011): Alle modellen vertoonden aanbodtekorten. Verrassend genoeg bereikte de Random-agent het laagste geaggregeerde tekort (0.025) door de uitputtende, onbevooroordeelde exploratie van de actieruimte (Ashby's Law of Requisite Variety), zij het ten koste van enorme inefficiëntie. De Greedy-agent presteerde het slechtst (0.073) door myope optimalisatie die leidde tot cascade-fouten.
Lage Stress (2023): LLM- en Rule-based agents bereikten bijna nul-tekorten. Echter, de Greedy-agent bleef verhoogd (0.027), wat aangeeft dat rigide optimalisatie faalt om zich aan te passen aan een volwassen, redundante netwerktopologie.

4.4 De Stress-Regime Reversal (CER)

De centrale bevinding is een kwalitatieve regime-reversal in de Cost Efficiency Ratio:

Hoge Stress (2011): Alle architecturen bereikten een positieve CER; agressieve herstructurering was gerechtvaardigd.
Lage Stress (2023): Greedy- en Rule-based agents stortten in naar een negatieve CER, wat duidt op structurele overreactiviteit. Zij voerden kostbare pad-herrouteringen uit ondanks bijna adequate basiscondities.
LLM Prestaties: LLM-agents behielden een positieve CER over alle regimes. Door hun herstructureringsinspanningen dynamisch te kalibreren aan de geopolitieke omgeving, vermeden zij overinvestering, wat aantoont dat begrensde rationaliteit meer adaptieve, kostenefficiënte veerkracht oplevert dan rigide optimalisatie.

4.5 Robuustheid

Het satisficing-patroon (positieve CER) was robuust over verschillende LLM-modellen (DeepSeek, Qwen, GLM), wat bevestigt dat dit gedrag een class-level eigenschap is van frontier-scale gealigneerde LLM's en geen model-specifiek artefact.

5. Betekenis en Claims

Het artikel claimt dat begrensde rationaliteit niet een tekortkoming is die gecorrigeerd moet worden, maar een systemisch mechanisme voor adaptieve, kostenefficiënte netwerkoptimalisatie.

Theoretische Verschuiving: De studie daagt de dominantie van rigide deterministische optimalisatie in de economische theorie uit, door aan te tonen dat "satisficing" algoritmen superieure veerkracht bieden in complexe, multi-constraint omgevingen.
Beleidsimplicaties: De bevindingen suggereren dat "de-risking" en "friend-shoring" (gediversifieerde, alliantie-gebaseerde routering) economisch superieur zijn aan unilaterale "onshoring" of "over-decoupling", wat volgens de simulaties leidt tot systemische inefficiënties en overreactiviteit.
Methodologische Vooruitgang: De introductie van de CER-metriek biedt een instrument voor het stress-testen van handelsarchitecturen, waarbij verder wordt gekeken dan eenvoudige tekortanalyse naar de kosten van veerkracht.
Beperkingen: De auteurs erkennen bescheiden dat de 5-node abstractie de topologische complexiteit beperkt en dat de pre-training van de LLM's op historische data de gedragsmatige afstemming met de 2010-crisis deels kan hebben beïnvloed. Zij pleiten voor toekomstig werk om kleinere, open-weight architecturen te testen en het netwerk uit te breiden met tussenliggende verwerkingshubs.

Uiteindelijk betoogt het artikel dat in een tijdperk van intensiverende concurrentie om kritieke mineralen, het inzetten van adaptieve, begrensd rationele algoritmen essentieel is voor het beveiligen van de wereldwijde industriële infrastructuur, wat een robuuste kritiek vormt op rigide strategieën van binnenlandse zelfvoorzienendheid.