SimCity: Multi-Agent Urban Development Simulation with Rich Interactions

Resumo Técnico: SimCity

1. Problema e Motivação

A macroeconomia tradicional enfrenta limitações significativas na modelagem de sistemas complexos:

• Modelos DSGE (Equilíbrio Geral Dinâmico Estocástico): Embora matematicamente elegantes, baseiam-se em agentes representativos simplificados e otimização explícita, restringindo a heterogeneidade e a dinâmica comportamental rica.
• Modelos Baseados em Agentes (ABM) Tradicionais: Permitem heterogeneidade, mas dependem de regras de decisão e aprendizado "feitas à mão" (hand-crafted), o que limita a adaptabilidade e a transparência do raciocínio dos agentes.
• Limitação de Simulações Anteriores com LLM: Trabalhos recentes utilizaram Grandes Modelos de Linguagem (LLMs) para simulação social, mas muitas vezes focaram em fenômenos gerais ou restringiram as interações econômicas a variáveis simplificadas (ex: apenas consumo e propensão ao trabalho), falhando em capturar a complexidade de mercados de bens heterogêneos, sistemas financeiros e dinâmicas urbanas espaciais.

O objetivo do SimCity é preencher essa lacuna, criando um framework de simulação macroeconômica multiagente que combina a heterogeneidade e a adaptabilidade dos LLMs com um ambiente econômico estruturado e visualmente rico, permitindo o estudo de fenômenos macroeconômicos clássicos e novos choques econômicos.

2. Metodologia

O SimCity é um sistema multiagente que integra LLMs, Visão Computacional (VLM) e mecanismos econômicos estruturados.

A. Arquitetura dos Agentes
O sistema simula quatro tipos principais de agentes, cada um impulsionado por um LLM e dotado de memória estruturada e observações do ambiente:

1. Famílias (Households): Unidades heterogêneas com perfis variados (idade, educação, habilidades, preferências de consumo). Tomam decisões sobre consumo, trabalho, habitação e finanças.
2. Empresas (Firms): Produzem bens específicos, contratam trabalhadores, investem em capital e definem preços. Utilizam uma função de produção Cobb-Douglas onde a eficiência depende do ajuste entre as habilidades dos funcionários e os requisitos do cargo.
3. Banco Central: Implementa política monetária ajustando as taxas de juros com base em uma regra de Taylor modificada (considerando inflação e lacuna de produção), com suavização para refletir ajustes graduais.
4. Governo: Coleta impostos (renda e IVA), realiza gastos públicos, distribui renda básica universal (UBI) e monitora indicadores macroeconômicos (PIB, inflação, desigualdade).

B. Ambiente e Interação

• Mercados: O sistema opera em três mercados interconectados:
  • Mercado de Bens: Bens heterogêneos (ex: alimentos, energia, serviços) com preços flexíveis.
  • Mercado de Trabalho: Emparelhamento entre habilidades dos trabalhadores e vagas das empresas.
  • Mercado Financeiro: Depósitos, empréstimos e um "Pool de Investimento" intermediário.
• Fase de Expansão Urbana: O modelo possui duas fases:
  1. Fase de Entrada (Move-in): Introdução gradual de famílias para simular crescimento populacional e expansão urbana.
  2. Fase de Desenvolvimento: População fixa para estudo de regularidades macroeconômicas em estado estacionário.
• Componente Visual (VLM): Um Modelo de Visão-Linguagem (VLM) é utilizado para determinar a localização geográfica de novas empresas e renderizar um mapa virtual da cidade. Isso permite que os agentes tomem decisões espaciais baseadas na densidade e proximidade, gerando padrões urbanos realistas (ex: zonas residenciais no centro, industriais na periferia).

C. Implementação Técnica

• Os agentes interagem com o ambiente através de function calling (chamada de funções), onde o LLM retorna ações e parâmetros em formato JSON.
• O sistema utiliza dados do mundo real (ex: tabelas Input-Output da OCDE) para criar templates de empresas e distribuições de renda baseadas em microdados dos EUA (ACS).

3. Principais Contribuições

1. Simulação Macroeconômica com Interações Ricas: Integração bem-sucedida de LLMs em papéis econômicos distintos (famílias, firmas, banco central, governo), permitindo heterogeneidade comportamental e raciocínio natural transparente.
2. Ambiente Urbano Visualizado: Criação de um mundo virtual com mapa renderizado, onde a expansão urbana e a localização de empresas são guiadas por um VLM, capturando dinâmicas espaciais que modelos puramente textuais não conseguem.
3. Avaliação Sistemática e Checklist de Fatos Estilizados: Desenvolvimento de uma lista de verificação de fenômenos macroeconômicos canônicos para validar o modelo, indo além de simulações isoladas.
4. Análise de Choques Econômicos Novos: Capacidade de simular cenários complexos e difíceis de modelar em frameworks existentes, como choques de automação e choques de preços exógenos.

4. Resultados Experimentais

Os autores avaliaram o SimCity comparando-o com modelos ABM tradicionais (LEN, CATS), modelos de aprendizado por reforço (AI-Economist), outros modelos baseados em LLM (EconAgent) e dados reais (FRED).

• Regularidades Macroeconômicas Emergentes: O SimCity demonstrou robustez ao reproduzir fenômenos clássicos:
  • Curva de Phillips: Relação inversa entre desemprego e inflação.
  • Lei de Okun: Relação negativa entre crescimento do PIB e aumento do desemprego.
  • Curva de Beveridge: Relação negativa entre taxa de vagas e desemprego.
  • Lei de Engel: A proporção de renda gasta com alimentos diminui à medida que a renda aumenta.
  • Elasticidade-Preço da Demanda: Bens essenciais mostraram elasticidade menor (inelásticos) e bens de luxo maior (elásticos), obedecendo à Lei da Demanda.
  • Volatilidade do Ciclo de Negócios: A volatilidade do investimento foi maior que a do consumo, alinhando-se a fatos estilizados reais.
• Robustez: Os resultados foram consistentes em múltiplas execuções com diferentes sementes aleatórias e ao trocar o modelo de linguagem subjacente (testado com GPT-4o-mini e GPT-5).
• Dinâmica Urbana: O uso do VLM resultou em estruturas urbanas orgânicas e concentradas (centro residencial, periferia produtiva), enquanto a ablação (remoção do módulo visual) levou a geometrias irreais e lineares.
• Resposta a Choques:
  • Choque de Preço: O modelo exibiu "rigidez de preços" (price stickiness), com os preços retornando gradualmente ao equilíbrio após um choque exógeno.
  • Choque de Automação: A substituição de trabalho físico por TI gerou uma lacuna de renda persistente entre trabalhadores com habilidades de TI e os demais, ilustrando consequências distributivas de mudanças tecnológicas.

5. Significância e Impacto

O SimCity representa um avanço significativo na interseção entre Inteligência Artificial e Economia:

• Interpretabilidade: Ao usar LLMs, o "raciocínio" por trás das decisões econômicas é transparente (em linguagem natural), diferentemente das "caixas pretas" de redes neurais profundas ou das regras rígidas de ABMs tradicionais.
• Flexibilidade: Permite estudar cenários "contrafactuais" e choques não previstos em modelos teóricos padrão, oferecendo um banco de testes para políticas públicas e análise de riscos.
• Unificação de Escalas: Conecta microdecisões individuais (famílias e firmas) a macroresultados agregados e dinâmicas espaciais urbanas em um único ambiente coerente.

O trabalho sugere que o SimCity pode servir como uma plataforma base sólida para simulações econômicas mais realistas e interpretáveis no futuro, superando as limitações de tratabilidade dos modelos DSGE e a rigidez das regras manuais dos ABMs.