💻 computer science

Agent-based Modeling meets the Capability Approach for Human Development: Simulating Homelessness Policy-making

本文提出了一种新颖的基于智能体（agent-based）的仿真框架，该框架将能力途径（Capability Approach）与强化学习相结合，旨在模拟并评估旨在扩大个人发展实际机会的住房保障政策。

原作者： Alba Aguilera, Nardine Osman, Georgina Curto

发布于 2026-01-29

📖 1 分钟阅读☕ 轻松阅读

原作者： Alba Aguilera, Nardine Osman, Georgina Curto

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正试图帮助一群在街头挣扎求生的人。传统的决策者可能会看着地图说：“我们需要给他们更多的毯子和食物。”但这篇文章指出，仅仅发放资源是不够的。这就像是给某人一辆自行车，却忘了检查他们是否有腿去踩踏板，或者道路是否被封锁，亦或是因为一个写着“禁止骑行”的标志而感到害怕。

本文提出了一种新的政策设计方法，通过使用“数字沙盒”（计算机模拟）来观察什么才真正能帮助人们重新站起来。以下是他们实现这一目标的步骤，通过简单的概念进行了拆解：

1. 核心理念：不在于“礼物”，而在于“能力”

作者使用了**能力途径（Capability Approach）**的概念。可以这样理解：

资源是你拥有的工具（自行车、工作机会、避难所）。
能力是你利用这些工具所能实际做到的事情。

如果你给一个人一辆自行车，但他不会骑，或者法律禁止他骑行，那么他并没有真正的“能力”去旅行。文章认为，无家可归不仅仅是缺乏金钱，更是缺乏过上有尊严生活的机会。他们想要衡量的是，一项政策是否真的赋予了人们去做诸如保持健康、寻找工作或感受安全等事情的能力，而不仅仅是统计分发了多少条毯子。

2. 工具：一个面向人的“数字沙盒”

为了在不伤害真实人类的情况下测试政策，该团队正在构建一个基于主体的模型（Agent-Based Model）。

想象一个巨大的电子游戏，其中的每个角色（主体）都是一个真实的个体：可能是正在经历无家可归的人，也可能是社会工作者或非营利组织。
这些角色不仅仅是在遵循剧本；他们拥有自己的个性、价值观和迫切的需求。
计算机运行模拟，以观察当你改变规则（政策）时会发生什么。例如：“如果我们修改法律，让没有身份证件的人也能看医生，会发生什么？”

3. 引擎：角色如何做决定

论文引入了一种巧妙的方法，利用一种称为**马尔可夫决策过程（MDP）**的数学框架，让这些数字角色像真实人类一样思考。

地图（状态/States）： 此刻此地的处境（例如：生病、无家可归、正式公民）。
动作（Actions）： 他们可以尝试做的事情（例如：去诊所、寻求帮助）。
路障（转换因素/Conversion Factors）： 有时，某个动作会被阻断。可能是诊所太远（环境因素），或者是法律规定“不行”（社会因素）。
动机（选择因素/Choice Factors）： 这是特别之处。这些角色并非随机行动。他们受两件事驱动：
1. 紧迫性（需求）： “我现在很痛苦。”（短期）
2. 价值观（长期）： “我想成为一名好父亲”或“我重视我的尊严。”（长期）

模拟过程试图弄清楚这些角色如何在即时痛苦与长期梦想之间取得平衡。例如，一个人可能会放弃一顿免费餐食（忽略了紧迫需求），因为去那里会违反他们的个人价值观或安全性。

4. 现实世界的测试：巴塞罗那的健康问题

团队正在针对一个具体问题在西班牙巴塞罗那进行测试：为什么无家可归者死亡较早且病情更重？

问题所在： 许多无家可归者是“非登记人员”（没有正式身份证明）。因此，法律阻碍了他们看初级保健医生的权利。他们只有在面临生命危险的紧急情况时，才会去医院寻求帮助。
模拟过程： 他们正在创建一个该社区的数字版本。他们将创造数千个“数字无家可归者”，他们拥有不同的背景和健康问题。
实验： 他们将运行两次模拟：
1. 现状： 法律阻碍非登记人员就医。
2. 新政策： 一项允许非登记人员立即就医的拟议法律。

他们将观察这项政策是否真的恢复了这些人保持健康的“能力”，或者其他障碍（如恐惧或缺乏信任）是否仍然阻碍着他们。

5. 为什么这很重要

目标不仅仅是做一个酷炫的计算机程序。其目的是创建一个非侵入性的测试场。

与其在真实的人身上测试一项新法律并寄希望于它奏效（这可能会失败并伤害他们），不如先在计算机中“搞砸”这项政策。
他们可以观察这项政策是否真的扩大了人们过上有尊严生活的自由，还是会无意中制造出新的问题。

简而言之： 这篇论文关于构建一个社会政策的“飞行模拟器”。与其猜测一项新法律是否会对无家可归者有帮助，不如利用数学和计算机科学来模拟这些人的生活，从而确保他们设计的政策不仅是提供生存所需的“物资”，而是真正赋予他们过上美好、健康生活的“力量”。

技术摘要：基于智能体建模与能力趋近法在人类发展中的应用

问题陈述
本文探讨了应对全球范围内日益严重的无家可归问题的迫切需求，即寻找替代性的政策解决方案。传统的开发模型通常侧重于资源分配（例如，功利主义框架），而作者认为，无家可归和贫困应被理解为严重的能力匮乏（capability deprivation）。这一观点植根于能力趋近法（Capability Approach, CA），该理论认为，由于资源匮制以及不利的转换因子（个人、社会和环境因素）的存在，个体无法获得“核心能力”（实现尊严生活所必需的基本权利，如健康、身体完整性和对环境的控制权）。

目前的决策过程缺乏能够非侵入性地评估特定干预措施（法律规范、资源分配）如何影响这些能力的工具。现有的基于智能体建模（Agent-Based Modeling, ABM）的文献很少将 CA 作为概念框架使用，即便使用了，也往往通过仅依赖等级需求（如马斯洛需求层次理论）来过度简化人类动机，而忽略了 CA 中内在的复杂价值与需求之间的相互作用。

方法论
作者提出了一个创新的框架，利用**基于智能体建模（ABM）和强化学习（具体为马尔可夫决策过程 - MDP）**将能力趋近法进行操作化处理。该方法包含三个核心技术步骤：

将 CA 形式化为 MDP： 作者将 CA 的概念映射到 MDP 的要素中，以实现计算模拟：
- 状态 ( $s$ )： 代表智能体的当前处境，包括个人特征、可用资源以及个体需求/价值偏好。
- 动作 ( $a$ )： 区分为可能执行的动作（特定能力）、不可能执行的动作（被剥夺的能力）和已实现的动作（功能实现/functionings）。
- 转移概率 ( $P(s'|s, a)$ )： 代表转换因子（Conversion Factors）。这些因子决定了智能体从资源状态向能力状态转移的概率。社会转换因子被建模为法律和社会规范，这些因素可能导致某些行动变得不可能（例如，未登记的公民无法获得基础医疗服务）。
- 奖励（Rewards）： 代表选择因子（Choice Factors）。该框架区分了以下两类：
  - 短期奖励： 由需求紧迫性驱动（例如，即时的疼痛缓解）。
  - 长期奖励： 由价值偏好驱动（例如，长期的健康或安全感）。
- 策略 ( $\pi$ )： 智能体的决策规则聚合了短期和长期预期奖励（ $Q_s$ 和 $Q_l$ ）来选择动作，从而允许模拟复杂的行为，即当价值观凌驾于即时需求之上时的情形。
增强型决策模型： 不同于以往依赖僵化需求等级的模型，本模型将人类价值观（基于施瓦茨的价值框架）与需求作为截然不同的驱动力进行整合。该系统允许动态更新，其中已实现的动作可以改变智能体的状态（资源/转换因子）及其内部选择因子（例如，一次事故使智能体变得更加规避风险）。
模拟框架： MDP 作为代表不同利益相关者（经历无家可归的人群 - PEH、社工、非营利组织）的智能体的行为引擎。模拟包含一个物理环境（资源）和一个监管环境（法律规范）。该框架旨在利用源自真实世界匿名数据和利益相关者访谈的合成数据进行填充。

核心贡献

能力趋近法的计算操作化： 本文将抽象的能力趋近法（资源、转换因子、能力、选择因子、功能实现）具体映射到了 MDP 和 ABM 的技术语言中。
价值观与需求的整合： 引入了一种决策模型，其中“价值观”（重要性/长期目标）和“需求”（紧迫性/短期目标）作为不同的选择因子，从而比以往基于 CA 的模拟能更细致地表现人类行为。
政策评估工具： 该框架旨在评估政策对核心能力扩张或恢复的影响，而非仅仅是对资源分配的影响。它通过分析不同监管情景下智能体所拥有的“可能动作”与“不可能动作”的集合，来评估公平性。
跨学科案例研究设计： 作者概述了一个针对巴塞罗那拉瓦尔（Raval）社区关注健康不平等的具体应用。他们详细说明了如何利用来自非营利组织（如 Arrels Fundació）的真实数据和领域专家构建智能体画像，以模拟拟议法律对注册与非注册公民获取基础医疗服务的影响。

结果与现状
由于这是一篇关于提案和方法论的论文，因此并未呈现最终的模拟结果或经验验证数据。相反，它展示了：

概念原型： 一个简化的 MDP 示例（图 2），演示了法律规范（登记状态）如何作为一种转换因子，使得“接受医疗护理”这一动作为非注册公民变得不可能，从而剥夺了其“身体健康”这一核心能力。
实施路线图： 一个从该简单示例扩展到涉及多个核心能力的复杂模拟的计划，该计划将利用合成人口数据和来自利益相关者的迭代反馈。
评估指标： 一套用于未来评估的定义指标，包括住房状态（ETHOS 术语）、健康状态、登记状态、经济支出和制度性歧视。

意义
本文声称其意义在于提供了一个植根于能力趋近法的非侵入性、可复制的模拟框架。其主要目标是支持旨在扩大人类能力的政策评估，这与联合国可持续发展目标（SDGs）相一致。通过将焦点从资源分配转向实现尊严生活的机会，该框架旨在识别那些能有效恢复边缘群体核心能力的政策。作者强调，这种方法需要紧密的跨学科协作，以定义特定情境下的元素（转换因子、价值观），并旨在应对诸如“贫困恐惧症”（aporophobia，即对穷人的排斥）和制度性歧视等伦理挑战。这项工作被定位为迈向建立一个稳健的、具有计算基础的社会正义与人类发展政策制定工具的重要一步。