L'étude de la croissance et du changement des villes au fil des siècles repose depuis longtemps sur des cartes, des archives et des statistiques agrégées. Pourtant, ces méthodes traditionnelles se battent souvent pour saisir les innombrables décisions individuelles – un marchand choisissant un magasin, une famille qui décide où s'établir, un dirigeant qui accorde des droits fonciers – qui façonne collectivement la forme urbaine. La modélisation basée sur l'agent (ABM) offre une lentille computationnelle pour simuler ces comportements micro-niveaux et observer les modèles macro-niveaux qui émergent.

Comprendre la modélisation par agent

Contrairement aux modèles équationnels qui ont un comportement moyen dans les populations, ABM représente chaque entité – une personne, un ménage, une entreprise ou une institution – en tant qu'agent autonome. Ces agents interagissent entre eux et avec un environnement simulé, suivant des règles simples qui reflètent les contraintes historiques, les incitations économiques, les normes sociales ou les lois physiques. La principale idée est que même lorsque chaque règle d'agent est simple, les interactions collectives peuvent produire des modèles complexes et non linéaires – sprawl, ségrégation, regroupement commercial – qui ressemblent à des résultats réels urbains.

L'utilisation moderne d'ABM en sciences sociales remonte aux années 1990, avec un travail pionnier de Joshua Epstein, Robert Axtell, et d'autres sur des modèles comme Sugarscape. Pour des applications historiques, ABM s'appuie sur des traditions antérieures de narratif qualitatif et d'histoire quantitative. Lorsqu'un historien pourrait décrire la -rise des corporations marchandes en termes généraux, un chercheur d'ABM peut définir des règles précises pour la formation de guildes, les itinéraires commerciaux et l'apprentissage, puis simuler des décennies d'activité pour voir dans quelles conditions les guildes émergent ou s'effondrent.

Le concept d'émergence est essentiel à la GAB. Le modélisateur ne programme pas la forme finale de la ville ou son taux de croissance; ces résultats découlent plutôt de la montée en flèche. Cela rend la GAB particulièrement adaptée aux questions de dépendance au chemin, de résilience et du rôle de chaque organisme par rapport aux forces structurelles dans l'histoire urbaine.

Application dans les études urbaines historiques

L'application de la GAB au développement urbain historique implique un processus systématique qui intègre les données historiques, le raisonnement théorique et la mise en oeuvre computationnelle.Chaque étape exige un jugement attentif, surtout lorsque les documents historiques sont fragmentaires ou ambigus.

Collecte et préparation des données

Les projets de GAB historiques exigent diverses sources de données.[[[[[[[][[[[

Conception du modèle et spécification de l'agent

Dans les modèles historiques urbains, les types d'agents communs comprennent :

  • Résidents: Familles ou particuliers qui cherchent un logement, un emploi et des services sociaux. Leurs décisions sont influencées par le revenu, la taille de la famille et les préférences pour la composition du quartier ou la proximité de la famille.
  • Merchants et artisans:[ Agents économiques qui choisissent des lieux en fonction de l'accès aux clients, aux matières premières, aux routes commerciales et aux réglementations de la guilde.
  • Locaux et promoteurs: Agents qui subdivisent les parcelles, construisent des logements et fixent des loyers. Leurs motivations de profit interagissent avec les codes municipaux de construction et les systèmes de propriété foncière.
  • Décideurs politiques: Les dirigeants, les conseils municipaux ou les autorités religieuses qui imposent des impôts, accordent des privilèges, construisent des infrastructures (murs, ports, routes) et réglementent l'utilisation des terres.

Par exemple, un marchand médiéval peut choisir un emplacement de magasin en utilisant une règle simple : -préférer un site sur la place du marché principal à moins que le loyer dépasse 5 % du bénéfice prévu. - Les modélistes appliquent souvent ces règles comme algorithmes de probabilité ou conditions de seuil. Les règles d'interaction peuvent inclure la migration par gravité (les gens se déplacent vers des villes où les salaires sont plus élevés, se décroît avec la distance), la diffusion d'information (mot-de-bouche sur les opportunités) ou la mise en concurrence pour la terre.

Simulation et étalonnage

Les simulations sont généralement effectuées sur des plateformes telles que NetLogo, GAMA ou MASON. Ces plateformes fournissent des horaires intégrés, des environnements spatiaux et une visualisation. Une seule opération pourrait simuler 100 années de développement urbain par tranches d'un an, avec des milliers d'agents prenant des décisions à chaque étape.

Les paramètres du modèle – comme la propension à la migration, les taux de fertilité ou les coûts de construction – doivent être fixés à des intervalles historiques plausibles. Une approche consiste à utiliser des points de données empiriques (p. ex., population aux années de recensement connues) pour adapter les paramètres par l'optimisation ou les méthodes bayésiennes. Une autre consiste à tester la sensibilité du modèle : si de petits changements dans un paramètre produisent des formes urbaines radicalement différentes, ce paramètre a probablement joué un rôle critique historiquement.

Validation et analyse

La validation consiste à comparer des modèles spatiaux simulés (réseaux de rues, zones d'utilisation des terres, gradients de densité de population) avec des cartes historiques et des preuves archéologiques. Si le modèle génère la structure polycentrique de la Renaissance Florence ou le réseau de rues médiévales de Prague, la confiance augmente. Les différences peuvent être tout aussi instructives, révélant des variables manquantes ou des hypothèses erronées.

Études de cas et perspectives

Un corpus croissant de travaux illustre le pouvoir d'ABM de faire la lumière sur les trajectoires urbaines historiques. Les exemples suivants mettent en évidence différentes époques et thèmes.

L'urbanisme romain et l'effondrement de l'Empire occidental

Les chercheurs ont utilisé ABM pour étudier les raisons pour lesquelles certaines villes romaines ont survécu à l'effondrement de l'empire tandis que d'autres ont décliné dans des villages ou des ruines. Dans un modèle, les agents représentaient les propriétaires fonciers, les commerçants et les responsables administratifs. La simulation a montré que les villes fortement dépendantes de l'approvisionnement en céréales parrainé par l'État sur de longues distances étaient vulnérables lorsque ce système s'est fragmenté.

Paris médiéval: Guilds et la ségrégation spatiale

Une étude ABM a modélisé les choix de localisation des bouchers, tanneurs et orfèvres, limités par les réglementations de la guilde, l'accès à l'eau et les prix de la propriété. La simulation a reproduit le modèle connu des bouchers et tanneurs se concentrant sur la rive droite (en raison de l'accès facile à l'eau pour l'élimination des déchets) tandis que les orfèvres se sont regroupés sur l'île de la Cité. Plus intriguinement, le modèle suggère que l'application du secret commercial conduit à une concentration spatiale plus stricte que les facteurs purement économiques ne le prédisent – une hypothèse qui peut être testée contre les rouleaux d'impôts et les actes de propriété survivants.

19e siècle Chicago : feu, rétablissement et dépendance du sentier

Le Grand incendie de Chicago de 1871 a détruit une grande partie du noyau de la ville. Une approche ABM a examiné comment les décisions de récupération – où reconstruire, quels matériaux utiliser, comment les indemnités d'assurance ont coulé – ont affecté la structure urbaine suivante. Les agents représentaient les propriétaires, les promoteurs commerciaux et les inspecteurs de la ville. Le modèle a constaté que même de petites différences initiales dans la vitesse de reconstruction pourraient enfermer les quartiers dans différentes trajectoires économiques: les zones reconstruites rapidement avec la brique ont attiré les résidents plus riches, tandis que les reconstructions plus lentes en bois sont devenues des districts à revenu inférieur.

La révolution industrielle et l'élévation des banlieues

Les modèles basés sur les agents de Londres ou de New York intègrent l'introduction de tramways, de chemins de fer et d'ascenseurs. Au fur et à mesure que le transport s'améliore, les agents à revenu élevé peuvent permettre des déplacements plus longs, ce qui entraîne des configurations de zones concentriques et, plus tard, des nœuds de banlieue. En modifiant le calendrier et les itinéraires des investissements en transit, les chercheurs peuvent tester si les lignes ferroviaires ont causé la suburbainisation ou vice versa. Ces modèles révèlent souvent des boucles de rétroaction non linéaires : davantage de lignes ferroviaires encouragent les développeurs à construire davantage, ce qui augmente le nombre de cavaliers, ce qui justifie davantage de lignes – une dynamique émergente classique.

Avantages et défis

L'adoption croissante de la GAB dans les études urbaines historiques reflète plusieurs avantages évidents, mais les praticiens sont également confrontés à des obstacles importants.

Avantages

  • Micro-fondations: ABM force des hypothèses explicites et testables sur le comportement individuel, réduisant la dépendance à des forces historiques vagues.
  • Les expériences counterffactuelles: Les historiens peuvent poser --et si -qu'est-ce qui est impossible avec des données réelles – et si une peste n'était pas survenue, ou si un autre souverain avait contrôlé zonage? Ces expériences approfondissent la compréhension causale.
  • L'intégration avec le SIG:[ Le couplage d'ABM avec le SIG historique permet des simulations spatialement explicites qui ont de riches contextes environnementaux et infrastructuraux. Les visualisations qui en résultent sont de puissants outils d'enseignement et d'engagement du public.
  • Découverte des propriétés émergentes: ABM révèle souvent des tendances inattendues – par exemple, que de petites enclaves ethniques peuvent se former même avec des préférences légères, ou que les marchés informels peuvent stabiliser une ville après un effondrement de la gouvernance.

Défis

  • Résistance et qualité des données:[ Les enregistrements historiques sont incomplets, biaisés et manquent souvent de granularité nécessaire pour une paramétrisation précise.
  • Validation: Contrairement aux GAB contemporains qui peuvent être adaptés à des données détaillées de séries chronologiques, les modèles historiques ne peuvent être vérifiés que par des instantanés clairs. Un modèle qui correspond à la population à deux moments peut encore être erroné au sujet des mécanismes.
  • Complexité informatique:[ La simulation de milliers d'agents au cours des siècles peut être intensive en calcul, surtout lorsque les agents ont de la mémoire, de l'apprentissage adaptatif ou des interactions spatiales.
  • Le risque de surinterprétation :[ Un ABM qui produit une forme urbaine réaliste peut être accepté comme -validé-- sans un examen suffisant des règles. Les sceptiques soutiennent que les modèles peuvent être ajustés pour correspondre à n'importe quel modèle, réduisant la puissance explicative.

Malgré ces défis, le domaine est en voie de maturité.CoMSES Network fournit un dépôt de code modèle et de documentation, favorisant la transparence et la reproductibilité.

Orientations futures

La prochaine décennie promet d'élargir la portée et le réalisme de la GAB historique. Plusieurs tendances méritent d'être notées.

Intégration avec le Machine Learning

Les techniques d'apprentissage automatique peuvent aider à extraire des règles comportementales de textes historiques ou à calibrer automatiquement les paramètres du modèle. Par exemple, le traitement naturel des ordonnances de guilde peut générer des règles de probabilité pour la coopération commerciale.

Modélisation multi-échelles

Les modèles futurs lieront probablement les décisions d'agents micro-niveaux à la dynamique du voisinage méso-niveau et aux systèmes régionaux macro-niveaux. Un modèle pourrait simuler les mouvements quotidiens d'un ménage dans un quartier, les décisions d'investissement annuelles d'un développeur et les politiques de décadalité d'un dirigeant – toutes interagissant à travers les échelles.

Jumelles numériques des villes historiques

Les progrès de la reconstruction 3D et de la réalité virtuelle convergent avec ABM pour créer des jumeaux numériques de villes historiques. Un chercheur pourrait marcher à travers un marché simulé du XIIIe siècle, voir des agents trader en temps réel, et modifier les paramètres pour voir comment la construction de la cathédrale a déplacé les flux de trafic.

Intégration des données climatiques et environnementales

L'intégration des données paléoclimatiques dans l'ABM permettra aux chercheurs de tester comment le stress environnemental interagit avec la prise de décisions sociales pour déclencher des crises urbaines ou l'innovation. Les premiers travaux sur l'effondrement des Mayas et les colonies du Groenland nordique indiquent le chemin.

Conclusion

La modélisation basée sur les agents ne remplace pas les méthodes historiques traditionnelles; c'est un outil complémentaire qui force la pensée rigoureuse sur la causalité et fournit un laboratoire pour tester les idées. Lorsqu'il est utilisé de façon critique, ABM peut éclairer les petites décisions qui, agrégées au fil des générations, ont construit les villes dans lesquelles nous vivons aujourd'hui. En reconstituant la logique des acteurs du passé – leurs contraintes, leurs préférences et leurs interactions – nous acquérons une appréciation plus riche du patrimoine urbain et de la dynamique complexe qui continue de façonner nos métropoles actuelles et futures.