Ein Simulationsrahmen, der einzelne Entitäten (Tiere, Personen, Vektoren) als autonome Agenten mit expliziten Zustandsvariablen und Verhaltensregeln darstellt; Agenten interagieren lokal im Raum oder auf Netzwerken, und stochastische, heterogene Mikrointeraktionen erzeugen emergente systemische Muster, die sich zur Untersuchung von Interventionen, Heterogenitätseffekten und kontextabhängigen Ergebnissen eignen.

Prinzip

Makro‑Dynamiken entstehen aus festgelegten Mikro‑Regeln der Agenten, individueller Heterogenität und lokalen Interaktionen; Änderungen im Agentenverhalten, in der Kontaktstruktur oder der Umwelt können nichtlineare und unerwartete Systemergebnisse hervorbringen, die aggregierte Kompartimentmodelle nicht abbilden.

Demonstration

Illustratives Szenario → Situation: Ein regionales Farmnetzwerk‑Modell bildet einzelne Höfe als Agenten mit Bewegungsregeln für Tiere und Personal ab. Erkennung: Das ABM zeigt, dass gezielte Bewegungsbeschränkungen auf hoch vernetzte Höfe große Ausbrüche verhindern, während einheitliche Kontaktreduktionen geringere Effekte erzielen. Handlung: Entscheidungsträger priorisieren Bewegungsbeschränkungen bei identifizierten Hubs. Folge: Die agentenbasierte Perspektive offenbart Kontrollstrategien, die Netzwerkheterogenität ausnutzen, statt sich auf uniforme Maßnahmen zu stützen.

Fehlanwendung

Eine einzelne ABM‑Simulation als präzise Prognose zu betrachten, ohne die stochastische Variabilität, Parameterunsicherheit und Sensitivität gegenüber Regeldefinitionen zu quantifizieren; der Fehler ist, eine Realisierung mit einer Vorhersage gleichzusetzen, statt Ensembles und Unsicherheitsanalysen zu verwenden.

Konsequenz

Mit angemessener Kalibrierung, Sensitivitätsanalyse und Ensemblesimulationen beleuchten ABMs die Rolle von Heterogenität, räumlicher Struktur und Verhalten in der Übertragung und können gezielte Maßnahmen identifizieren; ohne sorgfältige Unsicherheitsbehandlung und Validierung können ABM‑Ergebnisse jedoch irreführen.

Umkehrung

Für große, gut durchmischte Populationen mit homogenen Kontakten oder wenn die Frage das mittlere Verhalten betrifft, sind einfachere Kompartimentmodelle (z. B. ODE‑basiertes SIR/SEIR) oft geeigneter, da sie transparenter und rechentechnisch günstiger sind.

Abgrenzung

Eindeutig innerhalb: Simulationen, die Individuen explizit mit autonomen Entscheidungsregeln, lokalen Interaktionen und Zustandsübergängen modellieren. Grenzfall: Meta‑Population‑ oder Patch‑Modelle, die Individuen in Untereinheiten aggregieren — sie behalten etwas Heterogenität, vereinfachen jedoch intrapatch‑Details. Außerhalb: rein aggregierte deterministische Kompartimentmodelle ohne explizite Individuendarstellung.

Semantische Spannung

Hohe Modelltreue und Fähigkeit, Heterogenität abzubilden ↔ größerer Datenbedarf, Rechenaufwand und geringere analytische Transparenz; ABMs erfassen realistische Prozesse auf Kosten erhöhter Validierungs‑ und Interpretationsanforderungen.

Synthese

Agentenbasierte Modelle sind Untersuchungswerkzeuge: Sie wandeln explizite Annahmen über individuelles Verhalten und Kontaktstruktur in emergente Systemverhalten um, wodurch sie sich für Szenarioerkundung und Mechanismenerkennung eignen — vorausgesetzt, Unsicherheiten werden rigoros quantifiziert und das Modellziel klar definiert.