تغییر مسیر علوم رفتاری

"نداشتن" همچنان پرطرفدار است. کاربرد اصول علوم رفتاری در مداخلات دنیای واقعی در 10 تا 15 سال گذشته محبوبیت چشمگیری پیدا کرده است. البته، "نداشتن" و خانواده گسترده‌تر مداخلات مرتبط با آن، تأثیر بسیار زیادی با هزینه‌ای نسبتا کم داشته‌اند (ثبت‌نام خودکار بازنشستگی در انگلیس مشارکت را نزدیک به 60 درصد افزایش داد؛ الزام FDA مبنی بر برچسب‌گذاری کالری در ایالات متحده، مصرف روزانه کالری را به طور متوسط حدود 100 کالری کاهش داد و غیره). با توجه به نتایجی مانند این، تعجب‌آور نیست که مردم از این رویکرد هیجان‌زده شوند (در حال حاضر بیش از 500 "واحد ناداشتن" در سراسر جهان وجود دارد و این تعداد در حال افزایش است).

با این حال، مانند هر کاربرد علمی، این مداخلات اولیه از اصول نسبتا ساده علوم رفتاری الهام گرفته‌اند و بر چارچوب‌های به راحتی قابل اصلاح مانند سوگیری‌ها یا قوانین کلی در مورد نحوه رفتار مردم تمرکز کرده‌اند. این ساده‌سازی منجر به برخی شکست‌ها شده و این حوزه را مجبور به پیشرفت کرده است.

همانطور که تحقیقات علوم رفتاری مشخص کرده است که چه چیزی کار می‌کند و چه چیزی کار نمی‌کند، متخصصان متوجه شده‌اند که اکثر یافته‌ها به خوبی تعمیم داده نمی‌شوند - اهمیت و شیوع اجرای مداخلات بسیار سفارشی را افزایش می‌دهند. بنابراین، به جای اینکه صرفاً فرض کنیم امضای در بالای یک فرم احتمالاً منجر به رفتار صادقانه می‌شود زیرا یک آزمایش (که اکنون ثابت شده است که مشکوک است) چنین می‌گوید، یک متخصص خوب ممکن است سؤالات عمیق‌تری مانند: معادل امضا در زمینه این برنامه‌ای که روی آن کار می‌کنم چیست؟ چگونه می‌توانم "رفتار صادقانه" را به طور کلی‌تر تعریف کنم تا بهترین تأثیر را اندازه‌گیری کنم؟ چه نوع طراحی آزمایشی به من اجازه می‌دهد تا ببینم آیا این یک مداخله مؤثر است؟

مدل‌سازی عامل‌گرا چیست؟

در سال 1971، توماس شلینگ مقاله‌ای منتشر کرد که اکنون به عنوان یک مقاله پیشگامانه شناخته می‌شود ("مدل‌های پویای تفکیک"). او از تکنیکی به نام مدل‌سازی عامل‌گرا ساده (ABM) برای شبیه‌سازی نحوه انتخاب محل زندگی افراد در یک شهر بر اساس قومیت خود استفاده کرد. مدل‌سازی عامل‌گرا (ABM) روشی برای شبیه‌سازی سیستم‌های پیچیده بزرگ با تمرکز بر تعاملات بین واحدهای فردی است که به آن‌ها "عامل" نیز گفته می‌شود. هر عامل برنامه‌ریزی شده است تا از قوانین خاصی پیروی کند و تصمیمات خود را بر اساس محیط، تاریخچه و تعاملات خود با سایر عوامل اتخاذ کند. با برنامه‌ریزی هزاران عامل مجازی با استفاده از مجموعه‌ای بسیار ساده از قوانین (به عنوان مثال، در جایی که هستید بمانید مگر اینکه توسط اکثریت عامل‌های متفاوت از خودتان احاطه شده باشید)، شلینگ نشان داد که حتی زمانی که مردم کاملاً از زندگی در یک محله مختلط خوشحال هستند، تمایل به عدم اقلیت بودن در نهایت آن‌ها را به سمت تفکیک کامل سوق می‌دهد.

همانطور که در بالا مشاهده می‌کنید، با گذشت زمان، عوامل در هر مرحله جابه‌جا می‌شوند و در نهایت خود را به صورت جوامع جداگانه سازماندهی می‌کنند. در حالی که این چیزی نیست که شما بتوانید به راحتی با دانستن روانشناسی هر عامل پیش‌بینی کنید، این یک ویژگی نوظهور سیستم است. متأسفانه، این ویژگی نوظهور چندان دور از نحوه تکامل شهرهای واقعی در ایالات متحده در طول زمان نیست (البته، باید عوامل دیگری مانند شیوه‌های ردلاینینگ را نیز در نظر گرفت). به عنوان مثال، اینجا شیکاگو است:

طبق سرشماری سال 2010، تفکیک مسکونی نژادی در شیکاگو بسیار بالاست. برخی آمارها عبارتند از:

• تفکیک بین سیاه‌پوستان و سفیدپوستان: شیکاگو در بین شهرهای بزرگ ایالات متحده، یکی از بالاترین میزان تفکیک مسکونی بین سیاه‌پوستان و سفیدپوستان را دارد. شاخص نابرابری، که یک معیار رایج برای سنجش تفکیک است، اغلب برای تفکیک بین سیاه‌پوستان و سفیدپوستان در شیکاگو از 70 فراتر می‌رود. شاخص 100 نشان‌دهنده تفکیک کامل است.
• گروه‌های نژادی دیگر: تفکیک بین گروه‌های نژادی دیگر نیز وجود دارد، هرچند اغلب کمتر از تفکیک بین سیاه‌پوستان و سفیدپوستان است.

لازم به ذکر است که اینها تنها معیارهای آماری هستند. آنها به طور کامل عوامل تاریخی و اجتماعی پیچیده‌ای را که به تفکیک مسکونی کمک می‌کنند، نشان نمی‌دهند.

توضیح در مورد مدل‌سازی عامل‌گرا:

یک شبیه‌سازی ABM معمولاً در طی یک سری مراحل اتفاق می‌افتد. مدل از یک حالت اولیه شروع می‌شود و در هر مرحله، عوامل بر اساس محیط خود و قوانینی که برای آنها تعیین شده است، واکنش نشان می‌دهند. به عنوان مثال، یک عامل بنفش ممکن است این قانون را داشته باشد: "اگر یک عامل سبز در مجاورت شما باشد، به رنگ سبز تبدیل شوید." هدف از این مراحل، پی بردن به آنچه در طولانی مدت اتفاق می‌افتد (به عنوان مثال، تعداد عوامل سبز در پایان چقدر است) است.

ساده‌ترین راه برای درک این مفهوم، تصور یک بازی ویدیویی است که در آن هر شخصیت دارای شخصیت خاص خود بوده و تصمیمات خود را بر اساس آنچه در اطرافش اتفاق می‌افتد، اتخاذ می‌کند. در ABM، این شخصیت‌ها (یا عوامل) می‌توانند هر چیزی باشند - افراد، حیوانات، سلول‌ها، حتی وسایل نقلیه. هر کدام به طور مستقل عمل می‌کنند، اما وقتی به سیستم به عنوان یک کل نگاه می‌کنید، می‌بینید که اقدامات آنها منجر به الگوهای بزرگتری می‌شود. یک مثال کلاسیک از این امر، الگوهایی است که یک گله پرندگان هنگام پرواز هماهنگ تولید می‌کنند (که "مورمردیشن" نامیده می‌شود). در حالی که هر پرنده فقط در حال پرواز است و به کار خود مشغول است، گله به عنوان یک کل می‌تواند رفتار بسیار پیچیده‌تری را نشان دهد.

چرا ABM کاربردی است؟

مدل‌سازی عامل‌گرا (ABM) یک ابزار بسیار قدرتمند است زیرا می‌تواند به ما نشان دهد که چگونه رفتارهای پیچیده از قوانین نسبتاً ساده پدیدار می‌شوند. نکته جالب این است که در حالی که شرایط می‌توانند نسبتاً ساده باشند، رفتارهایی که ظهور می‌کنند می‌توانند بسیار غیرقابل پیش‌بینی باشند. به همین دلیل است که ABM از دهه‌ها پیش در زمینه‌هایی مانند اقتصاد، زیست‌شناسی، جامعه‌شناسی و برنامه‌ریزی شهری برای درک و پیش‌بینی نحوه رفتار سیستم‌ها در شرایط مختلف استفاده شده است.

به عنوان مثال، بیایید فرض کنیم که می‌خواهیم یک بیماری همه گیر را مدل‌سازی کنیم. ما شهری با تعداد مشخصی از افراد داریم که هر روز کارهای خاصی انجام می‌دهند. این افراد "قوانینی" مانند رفتن به سر کار، خرید یا استفاده از حمل و نقل عمومی دارند. با اجرای شبیه‌سازی با این شرایط تعریف‌شده، می‌توانیم ببینیم که چگونه یک بیماری ممکن است گسترش یابد و چگونه اقدامات مختلف می‌تواند انتقال آن را کاهش دهد. این نوع بینش‌ها می‌تواند به ما بگوید که کدام سیاست‌ها احتمال موفقیت بیشتری دارند. البته، واقعیت همیشه پیچیده‌تر از مدل‌های ما خواهد بود، اما حداقل به ما اجازه می‌دهد تا روی سوالات درست تمرکز کنیم.

از همه مهم‌تر، با استفاده از ABM، ما احتمالاً الگوهای رفتاری را کشف خواهیم کرد که در غیر این صورت برای ما نامرئی می‌ماندند. این ویژگی‌های نوظهور دقیقاً همین هستند - آنها فقط در مقیاس بزرگ قابل مشاهده هستند. تصور کنید که چگونه یک پرنده منفرد پرواز می‌کند و به نوعی شکل مورمردیشنی که یک گله از این پرندگان ایجاد می‌کند را پیش‌بینی کنید. این کار به سادگی غیرممکن است زیرا اطلاعات در فرد وجود ندارد - بلکه در تعاملات آنها نهفته است.

پس این چگونه با علوم رفتاری کاربردی مرتبط است؟

در حالی که بسیاری از مداخلات در علوم رفتاری کاربردی بر روی فرد متمرکز هستند، تصمیمات به ندرت به صورت جداگانه اتفاق می‌افتند. بنابراین، ممکن است مداخله‌ای طراحی کنیم - به عنوان مثال، مداخله‌ای که سعی در ترویج استفاده از لیوان‌های قابل استفاده مجدد دارد. می‌توانیم تحقیقات عمیقی انجام دهیم و در مورد عوامل محرک و موانعی که ممکن است با لیوان‌های قابل استفاده مجدد مرتبط باشند، اطلاعات کسب کنیم. حتی ممکن است شروع به ایجاد بخش‌های روان‌شناختی کنیم که بین گروه‌های مختلف افراد بر اساس آن موانع و محرک‌ها تمایز قائل شوند. با این حال، یک عامل در همه این موارد وجود دارد که احتمالاً در لیست محرک‌ها و موانع جایگاهی ندارد: تعامل بین افراد. در حالی که ممکن است وسوسه شویم که فقط بگوییم "آن را اجتماعی قابل قبول کنید"، تکنیک‌هایی مانند مدل‌سازی عامل‌گرا به ما این امکان را می‌دهند که در واقع بفهمیم این ممکن است به چه شکلی باشد، به روش‌هایی که همانطور که در بالا دیدیم، ممکن است بدون استفاده از یک مدل برای ما نامرئی باشد.

ما می‌دانیم که می‌توانیم از ABM برای مطالعه و پیش‌بینی رفتار در گروه‌های بزرگ افراد استفاده کنیم. بنابراین، چه نوع مشکلات تجاری ممکن است به ABM نیاز داشته باشد؟ ABM برای سناریوهایی که تصمیمات، تعاملات و رفتارهای فردی برای تولید نتایج پیچیده سازمانی جمع می‌شوند، ایده‌آل است. این شامل مواردی مانند:

• پویایی بازار: درک الگوهای رفتار مصرف‌کننده، تقسیم‌بندی بازار و انتشار محصول.
• مدیریت زنجیره تامین: شبیه‌سازی و بهینه‌سازی لجستیک، مدیریت موجودی و پاسخ به تغییرات بازار.
• رفتار سازمانی: تجزیه و تحلیل تعاملات کارکنان، فرهنگ کار و مدیریت تغییر.
• مدیریت ریسک: ارزیابی و کاهش ریسک در بازارهای مالی یا رویه‌های عملیاتی.

چگونه می توانید بدانید که آیا مشکل شما برای ABM مناسب است؟

خوب، برای یکی، می توانید از ما بپرسید. اما علاوه بر این، مشکل شما ممکن است یک کاندید برای ABM باشد اگر شامل موارد زیر باشد:

• تعاملات پیچیده بین عوامل متنوع (به عنوان مثال، مشتریان، کارمندان).
• پدیده‌های نوظهور که کل آن بزرگ‌تر از مجموع اجزای آن است.
• نیاز به مدل‌سازی پویا بر روی تجزیه و تحلیل استاتیک.
• سناریوهایی که روش‌های تحلیلی سنتی در درک تفاوت‌های ظریف رفتار انسان ناکام می‌مانند.

مدل‌سازی عامل‌گرا در عمل

بیایید به برخی از کاربردهای دنیای واقعی مدل‌سازی عامل‌گرا بپردازیم که نه تنها تطبیق‌پذیری آن را نشان داده‌اند، بلکه منجر به نتایج ملموس و مثبت نیز شده‌اند.

• کنترل همه گیری‌ها: یک مثال عالی، کاربرد ABM در مدیریت شیوع بیماری‌های عفونی است. به عنوان مثال، همه گیری کووید-19 را در نظر بگیرید. ABM در شبیه‌سازی پویایی شیوع و ارزیابی تأثیر مداخلاتی مانند فاصله‌گذاری اجتماعی و قرنطینه نقش مهمی داشت. این رویکرد، تصمیمات مهم سیاستی و استراتژی‌های بهداشت عمومی را آگاه کرد و در مدیریت بحران بسیار مهم بود.
• انقلاب در ترافیک شهری: در برنامه‌ریزی شهری، ABM تحولی ایجاد کرده است، به ویژه در مدیریت ترافیک. با شبیه‌سازی رفتارهای رانندگان فردی، برنامه‌ریزان شهری توانسته‌اند جریان ترافیک را به طور مؤثرتری پیش‌بینی و مدیریت کنند. این رویکرد منجر به سیستم‌های هوشمندتر چراغ راهنمایی و بهبود کلی تحرک شهری شده است. شهرهایی مانند سنگاپور از ABM برای بهینه‌سازی حمل و نقل عمومی و کاهش ازدحام استفاده کرده‌اند و رفت‌وآمد روزانه میلیون‌ها نفر را بهبود بخشیده‌اند.
• رمزگشایی بازارهای مالی: در دنیای مالی، ABM بر عملکرد پیچیده بازارهای مالی نور افکنده است. با مدل‌سازی تصمیمات معامله‌گران فردی، تحلیلگران بینش‌هایی در مورد رفتارهای جمعی بازار به دست آورده‌اند و به پیش‌بینی روندها و بحران‌های احتمالی کمک کرده‌اند. به عنوان مثال، بحران مالی سال 2008 با استفاده از ABM تجزیه و تحلیل شد و درس‌های ارزشمندی در مورد پویایی بازار و روانشناسی سرمایه‌گذاران در دوره‌های بی‌ثباتی مالی ارائه داد.
• هدایت اقدامات زیست محیطی: در علوم محیطی، ABM در مدیریت اکوسیستم و حفاظت از حیات وحش بسیار مهم بوده است. به عنوان مثال، توسط دکتر یِنس کوئد مادسن1 در مدرسه اقتصاد لندن برای شبیه‌سازی تأثیر فعالیت‌های انسانی بر ماهیگیری پایدار استفاده شده است (او همچنین مشاور TDL است).
• ارتقای تجربه مشتری: در بخش خرده‌فروشی، از ABM برای بهبود خدمات مشتری و طرح‌های فروشگاه استفاده شده است. با شبیه‌سازی رفتار مشتری در یک فروشگاه، خرده فروشان توانسته‌اند مکان‌های محصول و طراحی فروشگاه را بهینه کنند و منجر به بهبود تجربه مشتری و افزایش فروش شوند. این کاربرد عملی ABM ارزش آن را در درک و پاسخگویی به ترجیحات مصرف‌کننده در یک محیط خرده‌فروشی پویا نشان می‌دهد.

امیدوارم این مثال‌ها دو چیز را نشان دهند: اولاً، ABM بیش از یک ابزار نظری است؛ دوم اینکه، کاربردهای گذشته به سختی شروع به خراشیدن سطح آنچه ABM واقعاً می‌تواند ارائه دهد، کرده‌اند.

این به چه معناست که به جلو حرکت کنیم

به طور خلاصه، آیا مدل‌سازی عامل‌گرا آینده‌ی علوم رفتاری است؟ مطمئناً - در واقع، برای ما در The Decision Lab، این زمان حال است. سفر علوم رفتاری، از مداخلات اولیه و ساده‌تر آن تا وضعیت پیچیده و پویای فعلی آن، به وضوح اهمیت فزاینده ABM را نشان می‌دهد. این تحول از رویکرد "یک اندازه برای همه مناسب است" به یک رویکرد ظریف‌تر و مبتنی بر آزمایش، اهمیت ABM را در درک و تأثیرگذاری بر رفتارهای پیچیده انسانی برجسته می‌کند.

ABM به دلیل توانایی خود در روشن کردن پویایی‌های پنهان تعاملات در سیستم‌ها، چه در زمینه پویایی بازار، رفتار سازمانی یا حتی برنامه‌ریزی شهری، برجسته است. قدرت آن در درک رقص پیچیده تصمیمات و اقدامات فردی است و الگوها و رفتارهای نوظهوری را آشکار می‌کند که روش‌های سنتی اغلب از آن غافل می‌شوند. این امر ABM را نه تنها یک افزودنی به جعبه ابزار علوم رفتاری، بلکه یک رویکرد تحول‌آفرین می‌سازد که نحوه درک، پیش‌بینی و تأثیرگذاری اخلاقی بر رفتار انسان در محیط‌های پیچیده را دوباره تعریف می‌کند.

برای رهبران کسب‌وکار، سیاست‌گذاران و دانشمندان، ABM ابزاری جذاب برای یافتن مزیت رقابتی در محیط‌های بسیار پیچیده ارائه می‌دهد. این ابزاری است که پیچیدگی را به شکلی قابل درک و قابل مدیریت تبدیل می‌کند، خواه در پیش‌بینی روندهای مصرف‌کننده، بهینه‌سازی زنجیره‌های تأمین، مدیریت ریسک یا ترویج تغییر سازمانی مؤثر باشد.

اگر شما روی یک مشکل بسیار پیچیده کار می‌کنید که می‌خواهد جهان را به مکانی بهتر تبدیل کند و در مورد اینکه چگونه ABM ممکن است اعمال شود، کنجکاو هستید، ما دوست داریم به شما کمک کنیم.

منابع:

1.  https://www.lse.ac.uk/PBS/People/Dr-Jens-Koed-Madsen
2.  https://www.sciencedirect.com/science/article/abs/pii/S0957417421006631