El estudio de cómo crecen y cambian las ciudades durante siglos se ha basado en mapas, archivos y estadísticas agregadas. Sin embargo, estos métodos tradicionales a menudo luchan por capturar las innumerables decisiones individuales – un comerciante que elige una ubicación de tiendas, una familia que decide dónde establecerse, un gobernante que otorga derechos de tierra – que forma colectivamente la forma urbana.

Entender la modelación basada en el agente

El modelado basado en agentes es una técnica de simulación arraigada en la teoría de sistemas complejos. A diferencia de modelos basados en la ecuación que el comportamiento promedio entre poblaciones, ABM representa a cada entidad – una persona, hogar, empresa o institución – como agente autónomo. Estos agentes interactúan entre sí y con un entorno simulado, siguiendo reglas simples que reflejan limitaciones históricas, incentivos económicos, normas sociales o leyes físicas.

El uso moderno de ABM en ciencias sociales remonta a los años noventa, con trabajo pionero de Joshua Epstein, Robert Axtell, y otros en modelos como Sugarscape. Para aplicaciones históricas, ABM se basa en tradiciones anteriores de narrativa cualitativa e historia cuantitativa. Cuando un historiador podría describir el "rise de los gremios mercantes" en términos generales, un investigador de ABM puede definir reglas inesperadas para la formación de la actividad de los moda, las rutas comerciales y la aprendizclas

Critical to ABM es el concepto de emergence]. El modelador no programa la forma final de la ciudad o su tasa de crecimiento; más bien, esos resultados surgen de la parte inferior. Esto hace que ABM se adapte especialmente a las preguntas sobre la dependencia del camino, la resiliencia y el papel de la agencia individual frente a las fuerzas estructurales en la historia urbana.

Aplicación en Estudios Urbanos Históricos

Aplicar ABM al desarrollo urbano histórico implica un proceso sistemático que integra datos históricos, razonamiento teórico y aplicación computacional. Cada paso exige un juicio cuidadoso, especialmente cuando los registros históricos son fragmentarios o ambiguos.

Recopilación de datos y preparación

Los proyectos históricos de ABM requieren diversas fuentes de datos. Los mapas centrales proporcionan límites de paquetes y propiedad a lo largo del tiempo. Los registros de datos de los registros de los orígenes y ofrecen los mejores tamaños, ocupaciones y distribución de la riqueza. [Informe cada vez más]

Diseño de modelo y especificación de agente

El corazón de ABM reside en la definición de agentes. En los modelos históricos urbanos, los tipos de agentes comunes incluyen:

  • Residentes: Familias o personas que buscan vivienda, empleo y servicios sociales. Sus decisiones están influenciadas por ingresos, tamaño de la familia y preferencias para la composición del barrio o proximidad a los parientes.
  • Merchants and artisans: Agentes económicos que eligen lugares basados en el acceso a clientes, materias primas, rutas comerciales y reglamentos de gremio. Sus interacciones impulsan agrupaciones comerciales y formación de mercados.
  • Landlords and developers: Agentes que subdividen parcelas, construyen viviendas y establecen rentas. Sus motivos de ganancia interactúan con los códigos municipales de construcción y los sistemas de tenencia de la tierra.
  • Policías: Los gobernantes, los consejos municipales o las autoridades religiosas que imponen impuestos, otorgan privilegios, construyen infraestructura (walls, puertos, carreteras) y regulan el uso de la tierra. Sus decisiones a menudo se modelan como reactivas o estratégicas.

Las reglas de los agentes se derivan de la beca histórica, la teoría económica y las prácticas documentadas. Por ejemplo, un comerciante medieval podría elegir una tienda usando una regla simple: “preferir un sitio en la plaza principal del mercado a menos que el alquiler exceda el 5% de los beneficios proyectados.” Los modelos a menudo implementan estas reglas como algoritmos basados en la probabilidad o condiciones umbrales.

Simulación y Calibración

Las simulaciones suelen funcionar en plataformas como NetLogo], GAMA o MASON. Estas plataformas proporcionan programación integrada, entornos espaciales y visualización. Una sola carrera puede simular 100 años de desarrollo urbano en incrementos de un año, con miles de agentes tomando decisiones a cada paso. Debido a que los ABM históricos son estócásticos, los investigadores ejecutan muchos resultados.

La calibración es un reto importante. Los parámetros modelo –como la propensión migratoria, las tasas de fertilidad o los costos de construcción – deben establecerse en rangos históricos plausibles. Un enfoque es utilizar puntos de datos empíricos (por ejemplo, población en años censales conocidos) para ajustarse a parámetros mediante la optimización o métodos Bayesianos. Otro es probar la sensibilidad del modelo: si los pequeños cambios en un parámetro producen formas urbanas drásticamente diferentes, ese parámetro probablemente jugó un papel histórico.

Validación y análisis

La validación consiste en comparar patrones espaciales simulados (redes de la calle, zonas de uso de la tierra, gradientes de densidad de población) con mapas históricos y evidencia arqueológica. Si el modelo genera la estructura policéntrico del Renacimiento de Florencia o la red de calles medievales de Praga, aumenta la confianza. Las discrepancias pueden ser igualmente instructivas, revelando variables faltantes o hipótesis erróneas.

Estudios de casos e influencias

Un creciente cuerpo de trabajo ilustra el poder de ABM para arrojar luz sobre las trayectorias urbanas históricas. Los siguientes ejemplos destacan diferentes épocas y temas.

Urbanismo romano y el colapso del Imperio Occidental

Los investigadores han utilizado ABM para investigar por qué algunas ciudades romanas sobrevivieron al colapso del imperio mientras que otros se negaron a aldeas o ruinas. En un modelo, los agentes representaban a propietarios, comerciantes y funcionarios administrativos. La simulación demostró que las ciudades dependen en gran medida de la oferta de granos patrocinados por el estado de larga distancia eran vulnerables cuando ese sistema se fragmentó.

París medieval: Guilds y Segregación Espacial

MediFLT Paris creció de una ciudad modesta a la ciudad más grande de Europa en gran parte a través de la agrupación de comercios a lo largo del Sena. Un estudio ABM modeló las opciones de localización de carniceros, curtidos y orfebres, limitado por regulaciones de gremios, acceso al agua y precios de propiedad.

Chicago: Fuego, Recuperación y Dependencia de Caminos

El Gran Fuego de Chicago de 1871 destruyó gran parte del núcleo de la ciudad. Un enfoque ABM examinó cómo las decisiones de recuperación – dónde reconstruir, qué materiales utilizar, cómo los pagos de seguros fluían – afectaron la estructura urbana subsiguiente. Agentes representados propietarios, desarrolladores comerciales, e inspectores de la ciudad.El modelo encontró que incluso pequeñas diferencias iniciales en la velocidad de reconstrucción podrían bloquear los barrios en diferentes trayectorias económicas: áreas reconstruidas rápidamente con los residentes de ladrillos más lentos

Revolución Industrial y el Levántate de los Suburbios

ABM ha sido utilizado para explorar la transición de ciudades industriales densas y andables a escurrir, suburbios de cercanías. Modelos basados en agentes de Londres del siglo XIX o Nueva York incorporan la introducción de tranvías, ferrocarriles y ascensores. Como el transporte mejoró, los agentes con mayores ingresos podrían permitirse más comunicaciones, lo que llevó a patrones de zona concéntricos y, más tarde, nodos suburbanos.

Beneficios y desafíos

La creciente adopción de ABM en estudios urbanos históricos refleja varias ventajas claras, pero los profesionales también enfrentan obstáculos importantes.

Beneficios

  • Micro-fundaciones: ABM obliga a asunciones explícitas y testables sobre el comportamiento individual, reduciendo la dependencia de las "fuerzas históricas" vagas.
  • Experimentos counterfactuales: Los historiadores pueden hacer preguntas “¿qué si” son imposibles con datos reales – qué si no se hubiera producido una plaga, o si un gobernante diferente hubiera controlado la zonificación? Estos experimentos profundizan la comprensión causal.
  • ]Integración con SIG: Coupling ABM con SIG histórica permite simulaciones espaciales explícitas que tienen contextos ambientales e infraestructurales ricos. Las visualizaciones resultantes son herramientas poderosas para la enseñanza y el compromiso público.
  • Descubre las propiedades emergentes: ABM a menudo revela patrones inesperados – por ejemplo, que pequeños enclaves étnicos pueden formar incluso con preferencias leves, o que los mercados informales pueden estabilizar una ciudad después de un colapso de gobierno.

Desafíos

  • ]Data escasez y calidad: Los registros históricos son incompletos, sesgados y a menudo carecen de la granularidad necesaria para una parametrización precisa. Los modeladores deben confiar en el análisis de sensibilidad a la incertidumbre encuadernada.
  • Validación:] A diferencia de las ABM contemporáneas que pueden ser ajustadas a datos detallados de las series temporales, los modelos históricos sólo pueden ser revisados contra las instantáneas más escasas. Un modelo que coincide con la población en dos puntos de tiempo puede estar equivocado sobre los mecanismos.
  • Computacional complejidad: Simular miles de agentes durante siglos puede ser computacionalmente intensivo, especialmente cuando los agentes tienen memoria, aprendizaje adaptativo o interacciones espaciales. Los investigadores a menudo necesitan paralelizar las carreras o simplificar la cognición de los agentes.
  • Riesgo de interpretación excesiva: Un ABM que produce una forma urbana realista puede ser aceptado como “validado” sin un escrutinio suficiente de las reglas. Los escépticos argumentan que los modelos pueden ser ajustados a cualquier patrón, reduciendo el poder explicativo. Es esencial revisar los modelos, incluyendo compartir código y conjuntos de parámetros completos.

A pesar de estos desafíos, el campo está madurando. CoMSES Network] proporciona un repositorio de código modelo y documentación, promoviendo la transparencia y la reproducibilidad. Las revistas líderes en geografía histórica y ciencias sociales computacionales publican regularmente estudios ABM.

Future Directions

En el próximo decenio se promete ampliar el alcance y el realismo de la ABM histórica.

Integración con el aprendizaje automático

Las técnicas de aprendizaje automático pueden ayudar a extraer reglas de comportamiento de textos históricos o calibrar automáticamente los parámetros de modelo. Por ejemplo, el procesamiento de lenguaje natural de ordenanzas de gremio puede generar reglas de probabilidad para la cooperación comercial. El aprendizaje de la fuerza podría permitir que los agentes adapten sus estrategias a medida que experimentan el mundo simulado, creando comportamientos adaptables más realistas.

Modelado multiescala

Los modelos futuros probablemente vincularán las decisiones de los micro-agentes a la dinámica de barrios de nivel medio y los sistemas regionales de nivel macro. Un modelo podría simular los movimientos diarios de un hogar dentro de un barrio, las decisiones de inversión anuales de un desarrollador y las políticas decadal de un gobernante – todo interactuando a través de escalas. Este enfoque multi-escala capta mejor las influencias anidadas que dan forma a la historia urbana.

Gemelos digitales de las ciudades históricas

Los avances en la reconstrucción 3D y la realidad virtual están convergendo con ABM para crear “mellizos digitales” de ciudades históricas. Un investigador podría caminar a través de un mercado simulado del siglo XIII, ver agentes que negocian en tiempo real, y parámetros de tweak para ver cómo la construcción de la catedral desplaza los flujos de tráfico.

Incorporating Climate and Environmental Data

Las ciudades históricas se vieron profundamente afectadas por la variabilidad climática: sequías, inundaciones y cursos fluviales cambiantes. Integrar los datos paleoclimatizados en ABM permitirá a los académicos probar cómo el estrés ambiental interactuó con la toma de decisiones sociales para desencadenar crisis urbanas o innovación. La primera labor sobre el colapso maya y los asentamientos de Norse Greenland apuntan el camino.

Conclusión

El modelado basado en agentes no es un reemplazo de métodos históricos tradicionales; es una herramienta complementaria que obliga a pensar rigurosamente en la causación y proporciona un laboratorio para probar ideas. Cuando se utiliza críticamente, ABM puede iluminar las pequeñas decisiones que, agregadas a lo largo de generaciones, construyen las ciudades en las que vivimos hoy. Reconstruyendo la lógica de los actores pasados – sus limitaciones, preferencias e interacciones – ganamos una mayor apreciación del patrimonio urbano y la compleja herramienta de la historia de computación que seguirá forma