Navigation – Plan du site
2013
643

Modélographie multi-agents de la simulation des interactions sociétés-environnement et de l’émergence des villes

Agent-based Modelography of the simulation of society - environment interactions and the emergence of cities
Clara Schmitt et Denise Pumain

Résumés

Le paradigme des systèmes complexes et les modèles multi-agents sont de plus en plus fréquemment utilisés en tant que nouvelles approches des sciences sociales. Ces méthodes permettent à la fois de donner un nouvel éclairage à des faits connus mais aussi de tester de nouvelles hypothèses sur les dynamiques sociétales. Leur utilisation est particulièrement intéressante pour les études des interactions entre les sociétés et leur environnement et notamment pour mieux comprendre la problématique qui nous anime ici : l’émergence de l’urbanisation. Six modèles qui s’y rattachent sont rassemblés pour former une « modélographie » : Sugarscape, de J.M. Epstein et R. Axtell ; Anasazi, du The Artificial Anasazi Project ; The Village Project, du Village Ecodynamics project ; ENKIMDU, du MASS project ; SimPop, de l’équipe P.A.R.I.S. de l’UMR Géographie-cités ; le modèle d’émergence de centres urbains, de A. Ourednik et P. Dessemontet. Une méthode pour décrire et comparer ces modèles est ici proposée. Elle permettra d’identifier les apports et les possibles améliorations des techniques de modélisation existantes pour étudier cette complexe problématique.

Haut de page

Texte intégral

La modélisation multi-agents des interactions société-environnement dans le temps long

1En sciences sociales, et particulièrement en géographie et archéologie, l’utilisation du paradigme des systèmes complexes et de la modélisation par des systèmes multi-agents est en pleine expansion, comme en témoigne le nombre grandissant d’articles, de livres consacrés à ce type de travaux (par exemple : Kohler, van der Leeuw, 2007, Heppenstall et al., 2011 et même la parution de revues spécialisées comme JASSS : Journal of Artificial Societies and Social Simulation1). En effet, l’approche multi-agents s’avère être un outil très puissant pour caractériser et comprendre les systèmes sociogéographiques complexes2. La simulation des interactions entre les entités élémentaires d’un système est une méthode utilisée pour résumer et illustrer des faits établis par les spécialistes (archéologues, géographes, sociologues, etc.) ou pour tester la plausibilité d’hypothèses plus générales sur des dynamiques socio-environnementales (Sanders, 2007).

2Ce contexte de recherche offre de nouvelles possibilités de réflexion pour l’étude de l’émergence de l’urbanisation. Les processus à l’origine de cette organisation sociale sont encore mal connus. Le mode de vie urbain a émergé à plusieurs reprises dans l’histoire du monde, de façon indépendante mais avec des formes similaires, dans des contextes historiques où la contrainte environnementale sur l’expansion de ces civilisations restait très forte. Le processus d’urbanisation aurait opéré dans des sociétés où le développement de l’agriculture avait permis un accroissement de la productivité du territoire et ainsi des densités de population environ cent fois plus élevées qu’auparavant (Marcus, Sabloff, 2008). Ces régions du développement néolithique sont toutes situées aux latitudes subtropicales, et dotées d’un bon potentiel écologique en espèces végétales cultivables et animales domesticables (Diamond, 1999). L’urbanisation s’y est produite à des dates différentes, mais toujours un ou deux milliers d’années après l’apparition de l’agriculture, lorsqu’une certaine accumulation économique a permis de valoriser des formes d’organisation politico-religieuse et de division sociale du travail déjà en germe dans les sociétés agricoles (Bairoch, 1985). Ainsi, la prise en compte des relations entre l’urbanisation, l’environnement et ses ressources semble essentielle pour l’explication. Les modèles de simulation multi-agents, qui facilitent la modélisation des interactions agent - environnement, en permettant d’agencer des entités de nature différente et de représenter la dynamique qu’elles produisent, ont été sélectionnés par de nombreux chercheurs comme des outils bien adaptés pour comprendre les mécanismes à l’origine de l’organisation sociale urbaine.

3L’élaboration de ce type de modèle implique la reconstruction des interactions société - environnement. L’exercice est difficile pour deux raisons principales. Premièrement, les traces de ces interactions ne sont pas faciles à identifier ni à interpréter pour des périodes aussi anciennes. De plus, les hypothèses formulées sur la nature de ces interactions doivent ensuite être reformulées en langage informatique au sein d’un modèle de simulation. Comment modéliser les phénomènes socio-environnementaux qui ont conduit à l’émergence de l’urbanisation à partir de sociétés agraires subissant de fortes contraintes environnementales ? Quelles interactions simuler ? Comment les simuler ? Il existe plusieurs modèles multi-agents qui traitent de ces questions. Chacun propose une partie de solution au problème de la modélisation de l’émergence de l’urbanisation. Cependant, la nature des modèles eux-mêmes, l’évolution des techniques, la diversité des méthodes et des approches de modélisation choisies rendent difficile leur comparaison et celle de leurs conclusions. C’est pourquoi il semble important de les résumer, les comparer et les confronter, pour comprendre les apports spécifiques de chacun et identifier les améliorations possibles de l’un à l’autre (Pumain, 1991).

Six modèles d’interactions société-environnement à comparer

4Six modèles ont été sélectionnés pour cette étude. Ils se rattachent tous à une même question d’ordre thématique. Leur analyse et leur comparaison forment la modélographie de la thématique étudiée. Le choix a été volontairement restreint aux modèles de formalisme multi-agents simulant des dynamiques spatialisées d’interaction société-environnement dans le temps long. À l’exception du modèle Sugarscape, atemporel mais sélectionné pour son statut particulier de précurseur, ces modèles portent tous sur des périodes historiques anciennes et simulent les dynamiques de sociétés fortement contraintes par la disponibilité en ressources. Les sociétés simulées sont fondées essentiellement sur une économie agraire. En plus de s’intéresser à la modélisation des interactions sociétés-environnement, les modèles choisis s’ancrent aussi dans la problématique de l’émergence de l’urbanisation. La sélection se veut représentative des différentes approches présentes dans la littérature. Néanmoins, d’autres modèles illustrent aussi la question des interactions sociétés-environnements, qu’ils simulent des sociétés agraires de la préhistoire ou beaucoup plus récentes : par exemple les modèles d’évolution du paysage (Poix, Michelin, 2000), ou encore les modèles développés sur la plateforme Cormas3, dont une partie est construite suivant une approche participative ou sous forme de serious games. Ces modélisations ne sont pas prises en compte ici car les modèles correspondants ne traitent pas de l’émergence de l’urbanisation ou de la concentration progressive de la population dans des centres urbains. Les modèles sélectionnés sont donc ceux dont les enjeux de modélisation se rapprochent le plus de notre problématique :

  • le modèle Sugarscape, de J.M. Epstein et R. Axtell ;

  • le modèle Anasazi, du The Artificial Anasazi Project ;

  • le modèle Village ; du Village Ecodynamics project ;

  • le modèle ENKIMDU, du MASS project ;

  • le modèle SimPop, de l’équipe P.A.R.I.S. de l’UMR Géographie-cités ;

  • le modèle d’émergence de centres urbains, de A. Ourednik et P. Dessemontet.

5Afin de donner un cadre d’interprétation aux différentes méthodes de modélisation des dynamiques simulées dans les modèles sélectionnés, les modèles doivent pouvoir être décrits suivant une grille de lecture commune. La communication et la comparaison de modèles à base d’agents demande une interprétation des descriptions, souvent incomplètes, proposées par leurs auteurs (Grimm et al., 2006, Crooks et al., 2008). Cette interprétation est d’autant plus difficile que les codes sources des modèles sont rarement disponibles et qu’il est donc rarement possible de trouver les éclaircissements à d’éventuelles zones d’ombre dans les spécifications informatiques. V. Grimm et al. (2006) ont élaboré un protocole de documentation - le protocole ODD (Overview, Design concepts and Details) - pour répondre à la demande de formalisation de modèles pour leur communication dans des revues scientifiques. Il est toutefois impossible d’appliquer ce protocole ici car il exige une connaissance extrêmement précise des modèles et ne peut être développé que par les concepteurs et/ou modélisateurs eux-mêmes. Si tous les auteurs des modèles présentés ici avaient déjà employé une telle description formalisée, notre tâche modélographique aurait été grandement simplifiée !

6Nous proposons donc un autre format de lecture et description de modèles en fonction des renseignements disponibles dans les publications. Cette lecture est orientée vers la clarification des choix de modélisation effectués pour étudier les dynamiques spatiales d’interaction société-environnement qui ont conduit dans le temps long à l’émergence ou la structuration de l’urbanisation des sociétés. Chaque modèle est décrit suivant la même articulation : nom du modèle donné par les auteurs, références bibliographiques utilisées pour ce travail de comparaison, contexte de recherche dans lequel s’inscrit le développement du modèle, enjeux de modélisation, dynamiques simulées, sorties de simulation et résultats décrits par les auteurs, conclusions et remarques. À l’exception du dernier, chaque point de cette grille de lecture est écrit le plus objectivement possible au regard des informations données dans la littérature. La dernière partie « Conclusions et remarques » est plus critique et subjective et permet de faire le lien entre les différents modèles. Cette démarche, qui conduit à présenter successivement chaque modèle, peut paraître laborieuse, mais il ne serait pas compréhensible pour le lecteur de commencer par une comparaison raisonnée. En effet, les modèles choisis n’ont jamais été décrits sous une forme comparable et chaque modèle a ses objectifs spécifiques, ses propres mécanismes simulés, ses indicateurs de sorties de simulation et même sa propre logique de modélisation. Il est plus aisé de commencer par restituer, autant que possible, chaque modèle dans son intégrité grâce à une trame descriptive commune pour pouvoir ensuite les comparer. Cette comparaison est finalement résumée dans un tableau mettant en parallèle les choix de modélisation et les caractères essentiels de chaque modèle.

Sugarscape

Référence

7(Epstein, Axtell, 1996)

Contexte de recherche

8J.M. Epstein et R. Axtell décrivent dans cet ouvrage le modèle Sugarscape et une série d’expérimentations de modélisation qui explorent la question de l’émergence de l’économie. Cette notion, très peu explorée en économie traditionnelle, est beaucoup plus questionnée par l’économie évolutionnaire, notamment grâce aux modèles multi-agents. À partir d’un modèle épuré présenté dans le deuxième chapitre, les chapitres suivants décrivent et étudient des comportements qui sont ajoutés à ceux du premier modèle, complexifiant ainsi peu à peu la société simulée. Au fur et à mesure, le répertoire des comportements des agents grossit pour inclure le mouvement, la récolte de ressources, la reproduction sexuelle, le combat, la transmission de culture, l’échange, le commerce, l’héritage, le crédit, la pollution, la propagation de maladies et la résistance immunitaire.

Enjeux

9Dans le deuxième chapitre du livre, Epstein et Axtell décrivent la version la plus simple du modèle Sugarscape, qui explore un processus conduisant à l’inégale distribution de la richesse dans une population, à partir de la simulation d’interactions agents - environnement. Sugarscape est un modèle de simulation multi-agents de sociétés artificielles qui fait évoluer une population hétérogène d’agents dans un environnement où du sucre, symbolisant la ressource, est produit de façon continue et spontanée mais suivant une répartition spatiale hétérogène. Au cours de la simulation, les agents explorent l’environnement, ramassent le sucre et constituent peu à peu des réserves. Du fait des inégalités de répartition spatiale du sucre et des caractéristiques des agents, une répartition inégale des richesses entre les agents se développe. Dans une deuxième version du modèle, l’ajout d’un mécanisme de reproduction sexuée et d’héritage renforce cette dynamique de répartition inégalitaire des richesses.

Dynamiques simulées

10Le monde simulé de Sugarscape est constitué d’un paysage de cellules hétérogènes dans lesquelles « pousse » du sucre. La quantité maximale de sucre portée par chaque cellule est prédéterminée à l’initialisation, entre 1 et 4. À chaque itération, les cellules produisent une unité de sucre, jusqu’à atteindre leur quantité maximale. Dans la configuration spatiale utilisée par les auteurs, le paysage ressemble à deux montagnes de sucre entourées de zones pauvres en ressources. L’hétérogénéité spatiale du paysage consiste donc en une alternance de zones arides et de zones fertiles.

11À l’initialisation, les agents sont répartis de façon aléatoire parmi ces cellules. À chaque itération, ils scrutent les alentours selon la portée de leur vision (en nombre de cellules), se déplacent vers la cellule inoccupée la plus proche qui contient le plus de sucre, et collectent le sucre présent. Si la cellule sur laquelle ils se situent est déjà la plus avantageuse, ils restent sur place et collectent de nouveau le sucre qui y repousse. Les agents sont capables de construire des réserves de sucre. Ils doivent cependant consommer pour couvrir leurs besoins métaboliques, et donc perdent une certaine quantité de sucre à chaque itération. Un agent peut mourir de deux façons : s’il n’arrive pas à récolter suffisamment de sucre pour subvenir à ses besoins métaboliques ou s’il a dépassé une espérance de vie préétablie de façon aléatoire entre 60 et 100 itérations. Les agents forment une population hétérogène par la diversité des combinaisons des valeurs de trois de leurs attributs : l’espérance de vie (en nombre d’itérations), la portée de la vision (en nombre de cellules) et le métabolisme de chaque agent (en nombre d’unités de sucre consommées par itération).

12Dans une deuxième version du modèle, la notion de reproduction sexuée est ajoutée de telle façon que les agents les moins bien adaptés à l’environnement aient une plus faible probabilité de se reproduire et que les descendants des agents les plus adaptés débutent leur vie avec des atouts biologiques et environnementaux hérités de leurs parents.

Sorties de simulation et résultats

13Dans la première version du modèle, le système s’ordonne rapidement : les agents découvrent les zones de meilleure fertilité et finissent par n’évoluer que dans ces zones prospères. La répartition spatiale des zones de productivité sucrière conditionne la répartition spatiale des densités de population en fonction de l’accessibilité à la ressource. De plus, la taille de la population du système s’ajuste peu à peu au nombre d’agents que le paysage de sucre peut faire vivre. Les simulations illustrent donc la notion de capacité d’accueil : un environnement ne peut pas subvenir aux besoins d’une population infinie et les densités de population reflètent les capacités d’accueil de chaque zone.

14Un autre phénomène intéressant émerge : à partir d’une distribution égalitaire de la richesse, la simulation évolue vers une distribution très inégalitaire, dans laquelle une minorité de la population possède une richesse très supérieure à la moyenne. Cette configuration résulte de l’inégalité de la répartition initiale des ressources, de l’inégalité des dispositions des agents et d’un effet de « path dependency » lors des processus d’accumulation. Les agents chanceux à l’initialisation (parce qu’ils sont nés dans les zones les plus fertiles, qu’ils ont la vision la plus perçante ou le métabolisme le plus efficace) sont ceux qui accumulent le plus rapidement de la richesse. Ensuite, par effet d’accumulation, les riches deviennent encore plus riches, et les pauvres encore plus pauvres.

15L’introduction du comportement sexué conduit à des vagues démographiques. Sans le comportement sexué, la population du système évolue vers un état stable où elle est globalement proportionnelle à la capacité d’accueil du paysage. Mais avec l’introduction de ce comportement, des cycles d’abondance de ressources et de famine se succèdent. Les agents les mieux adaptés accumulent les richesses et multiplient leur descendance, tant et si bien que la population du système augmente peu à peu au-dessus de la capacité d’accueil de l’environnement. Les ressources se font alors de plus en plus rares, déclenchant finalement une famine qui décime la population. La faible taille de population permettant à nouveau la régénération des ressources du paysage, un nouveau cycle faste démarre et ainsi de suite. Ce nouveau comportement accélère le développement des inégalités de répartition de la richesse.

Conclusions et remarques

16Le livre, Growing Artificial Societies : Social Science from the Bottom Up, propose une démarche de modélisation efficace et méthodique qui systématise la recherche des structures macroscopiques émergentes au fur et à mesure des ajouts de mécanismes (de comportements individuels ou processus sociaux) avec les versions successives du modèle. Le modèle Sugarscape est peut-être un des modèles multi-agents les plus connus en sciences sociales et semble avoir inspiré de nombreux modèles ultérieurs. Il pose en effet les bases d’une réflexion sur les interactions hommes – environnement, en simulant l’impact de la capacité d’accueil du milieu naturel sur l’organisation spatiale des populations.

Artificial Anasazi

Référence

17(Gumerman et al., 2003, Axtell et al., 2002)

Contexte de recherche

18Artificial Anasazi est un modèle de simulation développé au Santa Fe Institute et à la Brookings Institution au sein du programme The Artificial Anasazi Project, dirigé par George Gumerman.

Enjeux

19The Artificial Anasazi Project a pour but de comprendre la trajectoire démographique des Anasazis, une société amérindienne ayant vécu dans la Long House Valley, au sud-ouest des États-Unis, durant la préhistoire (200 – 1400 ap. J.C.). Ce projet utilise un modèle multi-agents pour simuler le développement d’une société artificielle constituée de ménages amérindiens dans un environnement évolutif, caractéristique de la zone et de l’époque. Les sorties de ces simulations sont ensuite comparées à des bases de données empiriques archéologiques et paléo-environnementales.

20La Long House Valley est un terrain très favorable pour ce type de modélisation très descriptive. En effet, ce territoire naturellement délimité a été sujet à de nombreuses études paléo-environnementales ayant abouti à une reconstitution quantitative extrêmement précise des fluctuations du potentiel de production agricole (en kilo de maïs par hectare) année par année, depuis l’an 200 jusqu’à nos jours. Une documentation archéologique minutieuse sur une très longue période permet de connaître les comportements sociaux, économiques, religieux, et de localisation des habitants de la région depuis l’introduction de la culture du maïs vers 1800 av. J.C.. Les caractéristiques des agents (comme les coutumes de mariage, le nombre de descendants, ou les besoins nutritionnels) ont ainsi pu être précisément quantifiées. Ces banques de données colossales offrent donc une base très solide pour la validation empirique du modèle.

21Le modèle se focalise sur deux questions essentielles :

  • Quel est le rôle de l’environnement dans l’explication des dynamiques de localisation des établissements et des dynamiques démographiques (telles que la forte croissance démographique après 1000 et l’abandon total de la région vers 1300) ?

  • Peut-on reproduire par la simulation les tailles et les dynamiques de fondation/abandon des établissements observés aux différents périodes ?

Dynamiques simulées

22Il existe deux grands types de dynamiques dans le modèle : celles de l’environnement et celles des agents. Les dynamiques de l’environnement sont simulées grâce aux inputs des données environnementales à chaque itération (représentant une année) de la simulation : le potentiel de production de maïs de chaque parcelle est préétabli année par année d’après les recherches empiriques, utilisées telles quelles par le modèle. Cette reconstitution permet donc de recréer, dans la simulation, les dynamiques paysagères observées (les variations de potentiel de productivité agricole ou de capacité d’accueil) et d’y confronter les agents. Les agents représentent des ménages caractérisés par leur âge (à partir du moment de leur formation), leur taille (en nombre de personnes), leur consommation annuelle en maïs, leur capacité de réserve de maïs, leur localisation, et des indicateurs liés aux possibilités de mariage des femmes du ménage. Les règles d’interactions entre agents et avec l’environnement explicitent le comportement de choix de localisation de l’habitat et des champs cultivés par les agents. Une itération représente une année durant laquelle les agents cultivent leur parcelle. À la fin de cette période, les agents peuvent décider ou non de relocaliser soit leur habitat, soit leur parcelle de culture ou les deux, en fonction de leur capacité à couvrir leurs besoins nutritionnels cette année-là.

Sorties de simulation et résultats

23La localisation simulée des habitats et des cultures est cartographiée année après année et comparée aux données. Les sorties de simulations (ou du moins les résultats de la seule simulation publiée) sont très proches des données d’observation. Les variations des potentiels de productivité agricole permettent donc d’expliquer pour beaucoup les variations démographiques connues par la société Anasazi. Cependant, une variation démographique particulière observée empiriquement, celle de l’abandon final de cette vallée après 1300 par les Anasazis, n’est pas reproduite par la simulation. Cette expérimentation permet donc d’apporter de nouvelles hypothèses dans les débats sur les causes de cet abandon : les causes environnementales n’expliquent pas tout et d’autres facteurs doivent être pris en compte (pression sociale, épidémie, manque démographique pour garder et entretenir les structures et organisations sociales développées, etc.).

Conclusions et remarques

24Le modèle Anasazi est largement inspiré du modèle Sugarscape (dont les auteurs sont impliqués dans le projet Anasazi), et peut même en être considéré comme une application à une région très bien connue et documentée. La masse des données injectées dans le modèle le rend « réaliste », en ce qu’elle permet de comparer directement les sorties du modèle avec des données réelles. Ce type de modèle « guidé par les données » (data-driven) comporte cependant le risque de ne guère apporter de contribution significative. C’est selon M. Janssen (2009) la principale faiblesse du modèle Anasazi. Cet auteur a en effet reproduit le modèle et est arrivé à la conclusion que les sorties de simulation (output) sont davantage dépendantes des données introduites dans la simulation (input) que des dynamiques internes au modèle. Ce travail certes confirme les résultats publiés mais surtout montre que le modèle apporte finalement peu à l’explication des phénomènes démographiques observés dans la Long House Valley. Le résultat le plus intéressant du modèle Anasazi était que les données environnementales ne permettent pas d’expliquer entièrement l’abandon de la vallée, mais l’analyse de M. Janssen montre que cette réussite est largement due à la qualité d’ajustement par le modèle des potentiels de production dans la vallée, les ajustements des variables qui déterminent les comportements sociaux des agents ayant beaucoup moins de poids sur les sorties de simulation. Le modèle agit plutôt comme une fonction de lissage des données d’entrée et les dynamiques simulées ne contribuent que trop faiblement aux sorties de simulations. Le fait que l’abandon de la vallée par les Anasazis ne puisse être expliqué par les seules raisons environnementales est démontré par le modèle mais aurait tout aussi bien pu être démontré – plus simplement – en calculant et comparant l’évolution de la capacité d’accueil de la vallée et celle de la démographie de la région.

25Cependant, le modèle Anasazi a fait date, au moins en sciences humaines, car c’est la première application à un cas archéologique réel de la méthode de modélisation multi-agents. Ce modèle a de plus permis d’alimenter les débats sur des questions très discutées. Bien qu’il ne traite pas de l’agglomération des populations autour de centres urbains, il a inspiré d’autres modèles multi-agents archéologiques qui en traitent. On donnera ici les exemples des modèles Village et ENKIMDU.

The Village Project (modèle par la suite appelé « Village »)

Référence

26(Kohler et al., 2007)
The Village Ecodynamics project : http://village.anth.wsu.edu/​

Contexte de recherche

27Le Village Ecodynamics project, dirigé par T. Kohler, G. Allen, M. Varian et Z. Kobti, a pour enjeu de comprendre l’évolution de l’environnement de la région Mesa Verde dans le sud-ouest du Colorado et la niche écologique que se sont construit les habitants cultivateurs de maïs y résidant. Le projet étudie donc la coévolution entre cette société d’agriculteurs et son environnement durant les 700 ans d’occupation continue de la région jusqu’en 1400 environ. Ce projet de long cours se construit autour de deux gros programmes complémentaires. D’un côté la constitution et l’exploration d’une base de données archéologiques très complète qui traite autant des évolutions de l’environnement que des dynamiques de peuplement de la région. Et d’un autre côté la construction d’un modèle multi-agent, reconstituant le plus fidèlement possible les données issues des traitements archéologiques pour permettre de raisonner sur les comportements de localisation des habitants dans la région et leur impact sur cet environnement.

Enjeux

28L’enjeu de ce projet est d’expliquer les dynamiques démographiques, de localisation et d’agrégation des foyers observés à partir de mécanismes simulant les comportements sociaux et leurs impacts sur la productivité de ressources dans l’environnement. L’hypothèse est que le déterminisme environnemental n’explique pas, à lui seul, l’organisation spatiale des sociétés fortement contraintes par leur environnement mais que les technologies, les pratiques et les organisations sociales contribuent tout autant à modifier cet environnement et donc les disponibilités en ressources. Les auteurs parlent de construction de niche environnementale (p. 61) : les humains ne font pas que s’adapter à un environnement donné mais modifient leurs technologies et pratiques pour s’adapter à un environnement qu’ils ont aidé à construire. On peut retrouver dans cette position l’idée de possibilisme tel que l’avaient proposé Vidal de la Blache et Lucien Febvre dans le vieux débat qui l’oppose au déterminisme physique.

29Plus concrètement, les enjeux de ce projet sont de donner des réponses aux questions soulevées par l’exploitation des données archéologiques :

  • Quels sont les moteurs des deux cycles de croissance et de dépeuplement des colonisations connus dans la région Mesa Verde ?

  • Comment expliquer le mouvement général de la population depuis des hameaux vers des villages ou centres communautaires de plus en plus grands au cours de chaque cycle ?

30D’après les auteurs, les données archéologiques suggèrent une corrélation positive entre les évolutions des tailles des regroupements de foyers (depuis des hameaux de quelques foyers à des centres communautaires de quelques dizaines de foyers) et la taille de la population totale, et que ce processus de regroupement est continu durant les deux périodes de colonisation. Ces regroupements semblent être corrélés à la croissance générale de la population mais ne sont pas bien corrélés avec les variations des ressources disponibles imputées aux changements climatiques. Les regroupements s’expliqueraient donc plutôt par des facteurs sociaux et historiques. Par ailleurs, les deux pics d’agrégation des populations sont apparus quand la population de la région avait déjà commencé à décroître, ce qui suggère que les centres d’agrégation ou centres communautaires exerçaient une « force d’attraction » sur les habitants. Les auteurs supposent que ces centres étaient donc plus résistants à la fission ou à l’abandon que les hameaux durant les premières phases de dépeuplement de la région.

31Le modèle Village explore ces questions et interprétations en proposant des mécanismes pour la simulation des comportements des foyers de la région Mesa Verde et en simulant leurs impacts sur l’organisation de la société et leur environnement.

Dynamiques simulées

32La construction de l’environnement simulé se fonde sur quatre grands types de modèles data-driven : celui du potentiel de production de maïs et celui de l’estimation de la disponibilité en eau, qui ont chacun une très fine granularité spatiale et temporelle ; celui de la dynamique de population de trois espèces de gibier en fonction de l’environnement dans lequel elles évoluent et finalement celui de la production de ressources en bois dans ce même environnement.

33À chaque itération représentant une période d’un an, un agent (i.e. un ménage) doit trouver des ressources pour survivre : collecter bois et eau, cultiver du maïs et chasser. Si les besoins (en termes énergétiques) d’un agent ne sont pas remplis, il meurt. Les quantités de maïs produites sont fonction de la qualité des sols cultivés, de la taille des champs, des conditions météorologiques de l’année et du taux d’utilisation historique des surfaces plantées (la dégradation des sols est donc modélisée). Les quantités d’eau disponibles fluctuent en fonction des conditions climatiques. Les quantités de bois disponibles dépendent de la nature du sol, de la quantité et de l’état des bois, et de la taille du stock de gibier présent sur la cellule (qui détériore les jeunes pousses). Les portions non-cultivées de l’environnement sont le support de croissance du gibier. Pour survivre, les ménages doivent garder une balance nette positive entre calories récoltées et consommées et, pour ce faire, doivent maintenir une forte production de maïs tout en maintenant le coût de collecte des autres ressources nécessaires le plus bas possible. En plus de gérer le nombre et la localisation des champs qu’il peut cultiver, un ménage a la possibilité de changer l’emplacement de son foyer, qu’il doit judicieusement choisir pour maximiser sa production de calories et minimiser les coûts de collecte des autres ressources. Il étudie pour cela les cellules non-cultivées qui sont à sa portée et fait des prédictions de récolte pour choisir la localisation optimale. L’organisation spatiale des habitats est la conséquence directe des décisions de localisation des agents.

34Outre ces mécanismes de production et de collecte, les agents peuvent interagir socialement pour échanger leur surplus de calories. Ces échanges se matérialisent suivant trois types de réseaux. Un premier réseau simule les liens de parenté (grands-parents, parents et enfants des deux côtés de la famille) entre les individus des ménages. Ces échanges sont optimisés de telle sorte que les ménages peuvent apprendre à faire de meilleurs choix quand ils décident à qui demander de la nourriture via ce réseau : avec le temps, les agents apprennent à sélectionner les agents les plus coopératifs. Il en résulte que les ménages bien établis peuvent devenir des donateurs fiables et les ménages localisés dans des zones moins productives ou plus coûteuses deviennent dépendants du réseau social pour survivre. Un paramètre permet d’activer un comportement de relocalisation grâce auquel les ménages peuvent emménager près des ménages très productifs et donateurs. Avec le temps, les ménages se rapprochent et forment des noyaux autour des terres les plus productives, chaque noyau étant faiblement connecté avec d’autres par le réseau de parenté. Cependant, cette possibilité de choix de relocalisation n’est pas active dans les résultats de simulations rapportés dans la référence bibliographique utilisée. Un deuxième réseau, le réseau économique, retrace un historique des échanges économiques entre ménages avec traces des comptes et enregistrement des dettes. Une « réputation » est allouée à chaque ménage en fonction de sa productivité en calories et du montant des dettes contractées. Ces échanges économiques sont limités dans l’espace, la distance entre ménages augmentant le coût des échanges. Un troisième réseau d’échanges est simulé, le réseau des hubs (nœuds de très forte connectivité) qui émergent des deux réseaux précédents. Un ménage peut être promu au statut de « hub » s’il possède une bonne connectivité dans les deux autres réseaux et s’il est bien relié aux autres hubs, i.e. si ce ménage est central dans le réseau. Les hubs fournissent un meilleur accès aux réseaux, à la manière de ponts, et permettent ainsi aux agents qui leur sont reliés de mieux visualiser le réseau pour localiser de potentiels partenaires d’échanges. Ces hubs sont d’une conceptualisation volontairement assez floue, mais représentent des ménages ou des lignées prospères ou à fort pouvoir d’influence dans des centres communautaires.

35Un échange se produit quand un ménage a besoin de plus de ressources pour survivre que ce qu’il peut produire. Ce ménage tente alors de satisfaire ses besoins en contractant d’abord des dettes aux plus proches voisins de son réseau économique. Si cet apport n’est pas suffisant, il demande de l’aide auprès de ses parents. S’il est toujours déficitaire en ressources, alors il repasse par le réseau d’échanges économique et accroît la portée spatiale de sa demande. L’étendue possible de cette recherche est fonction de la rareté de la ressource.

Sorties de simulation et résultats

36Beaucoup de paramètres régissent les besoins des ménages, l’impact de leurs comportements sur l’environnement et les règles des comportements d’échanges. Les effets des variations de ces paramètres sont mesurés par l’évolution de la population totale simulée, celle de la localisation de la population, l’efficacité des ménages (en fonction de la localisation choisie et des besoins à satisfaire), la taille et la localisation des regroupements de ménages, la durée ou la quantité de calories consommée pour chaque grand type d’activités (agriculture, chasse, collecte d’eau ou de matériaux de chauffe) etc. Chaque sortie de simulation est évaluée en fonction de sa capacité à reproduire les grandes caractéristiques d’évolutions déterminées par les données archéologiques.

37Tout comme dans le modèle Anasazi, la localisation et la croissance des ménages simulées par le modèle s’expliquent en partie par les évolutions de la productivité de l’environnement de la région. Mais cette dynamique environnementale n’explique pas toutes les dynamiques de peuplement observées dans la région. L’intégration de comportements sociaux, notamment par l’introduction des échanges entre ménages, permet d’approfondir l’explication. En effet, le système résultant de la mise en place des échanges de calories via les réseaux sociaux est capable de soutenir une population totale bien plus grande que celle soutenue dans un système sans échanges entre ménages. L’introduction de comportements sociaux permet ainsi de minimiser les écarts entre les sorties de simulations et les données réelles. Cependant, un effet pervers apparaît avec la simulation de ces comportements : en période de rareté de la ressource, le total des échanges diminue et les conséquences pour le système de peuplement sont d’autant plus lourdes que la population, qui est devenue dépendante de ces ressources échangées, est grande. De même, l’interruption des échanges pour d’autres raisons comme par exemple le gel des interactions entre hubs durant les périodes d’hostilité intercommunautaire peut aussi causer, par un changement local dans la répartition/distribution des ressources, des états de manques. Ainsi, les interruptions de réseaux d’échanges des ressources pourraient contribuer de façon importante à l’explication des deux phases de dépeuplement de la région.

Conclusions et remarques

38Contrairement à ce que l’introduction du chapitre laissait attendre, la discussion autour de la formation d’agrégats de ménages de plus ou moins grande taille est très courte. L’exploration de ce processus semble encore un enjeu de taille pour le projet. Mais le modèle Village fait un grand pas en avant, à la suite du modèle Anasazi, dans l’explication des dynamiques de peuplement et de localisation des sociétés anciennes. Comme les dynamiques environnementales ne peuvent tout expliquer, des hypothèses de comportements sociaux sont testées. Les hypothèses simulées d’échanges entre les ménages et les règles de localisation qui en résultent donnent de bons résultats, ce qui ouvre la voie à l’exploration d’un grand champ de modélisation : l’introduction de comportements sociaux dans des modèles de localisation de ménages évoluant dans des environnements aux caractéristiques dynamiques. Dans ce projet, l’introduction de comportements sociaux semble se faire petit à petit, à l’image de la méthode de modélisation proposée par le modèle Sugarscape.

39Cependant, la réunion et l’imbrication de nombreux sous-modèles (dynamique de population de gibier, modèle hydrologique, modèle de croissance de population, modèle de choix de localisation et modèle de comportements sociaux) rend ces types de modèles détaillés très complexes. Plus le nombre de paramètres est grand, plus l’espace des comportements possibles du modèle est vaste et plus la validation de ces modèles, ou du moins de certains résultats, est difficile (Fagiolo et al., 2007). Les auteurs fondent une de leurs conclusions sur une expérimentation comportant seize simulations (p. 102), ce qui peut sembler un nombre trop faible au vu de la complexité des comportements possibles du modèle. Cette remarque montre toute la difficulté du travail de modélisation entre l’exigence pour un modèle d’être suffisamment descriptif pour produire de nouvelles connaissances sur le système étudié, et le besoin de sa fiabilité (sa validation).

ENKIMDU

Référence

40(Wilkinson et al., 2007)
The MASS project : http://oi.uchicago.edu/​OI/​PROJ/​MASS/​introduction.htm

Contexte de recherche

41The MASS project, porté par T.J. Wilkinson, J. Christiansen, et M. Widell de l’Université de Chicago, a pour but de reconstruire le paysage socio-environnemental de la Mésopotamie de l’Âge de Bronze par la simulation. D’après les auteurs, deux types d’hypothèses sont traditionnellement avancées pour expliquer les changements que subissent les sociétés : celles qui mettent en valeur les processus sociaux et celles qui, au contraire, valorisent les processus environnementaux. Avec le MASS project, les auteurs se détachent de ces positions traditionnelles, en adoptant une position médiane qui se focalise sur l’interface homme-environnement et les interactions qui en résultent. Les premières sociétés urbaines du Proche-Orient sont idéales pour étudier cette interface. Grâce aux nombreuses données issues des fouilles archéologiques et des textes anciens, il est possible de définir le contexte social, économique et environnemental de la région sur plusieurs millénaires. Ils ont donc engagé un projet de modélisation pour expliquer les trajectoires de développement ou de récession des systèmes de peuplement de l’Âge de Bronze dans différentes régions climatiques de la Syrie et de l’Irak.

Enjeux

42La construction du modèle à base d’agents ENKIMDU est détaillée dans l’article cité. Il est conçu pour explorer les trajectoires possibles d’une société urbaine émergente confrontée à des perturbations climatiques et des variations aléatoires de disponibilité en ressources d’une année sur l’autre. Comme dans le modèle Village, une boucle de rétroaction entre environnement et société est spécifiée en modélisant de façon très détaillée à la fois les évolutions environnementales au cours du temps mais aussi les comportements des individus et leur impact sur le système. Le projet a pour but d’examiner comment réagissent des sociétés humaines à des périodes de stress dues à des événements ponctuels ou répétitifs (sécheresses, catastrophes naturelles ou périodes d’intenses conflits) tout en explorant comment des dynamiques internes au système peuvent influencer les trajectoires démographiques de long terme.

Dynamiques simulées

43Le modèle ENKIMDU est conçu comme un modèle générique pour représenter des dynamiques complexes d’interaction homme-environnement sur de larges échelles spatiales et temporelles. Il peut être spécifié pour s’appliquer à une région ou à des scénarios alternatifs. Il est composé de cinq sous-modèles couplés grâce à l’architecture de simulation Argonne’s Dynamic Information Architecture System (DIAS) : un modèle qui simule les dynamiques météorologiques, un modèle agronomique (hydrologie et dynamique des sols, température et évaporation de surface, croissance de végétaux, cycle de nutriments, etc.), un modèle de gestion de troupeaux (dynamique de population et de comportement d’alimentation), un modèle de dynamique démographique des sociétés humaines et finalement un modèle de comportement individuel (pratiques agriculturales, mariage, héritage, échange et commerce, évolution de la structure des ménages, mécanismes de réponse au stress, etc.). Ce modèle simule des processus naturels et des processus sociaux au jour le jour, sur des durées de simulations pouvant atteindre plusieurs décennies. Ces processus sont modélisés aux échelles très fines de l’individu ou du ménage, du champ de cultures ou du troupeau. Les mécanismes d’interaction homme-environnement sont extrêmement détaillés dans le modèle, comme le montrent les exemples suivants, tirés des explications données par les auteurs : 

  • La substituabilité des sources d’énergie : Quand la quantité de bois disponible correspond aux besoins des communautés, les déjections animales sont utilisées comme fertilisant. Mais quand le bois manque, ces déjections sont utilisées comme énergie de chauffe et leurs cendres épandues comme fertilisants. Avec la croissance des populations, ces deux utilisations entrent en compétition.

  • L’effet de la récolte partielle d’un champ : Un ménage moissonne seulement une portion d’un champ en une journée. En conséquence, la biomasse de culture sur le champ est réduite et la surface de terre apparente est augmentée. Cela conduit à des changements dans le profil de température des sols, les taux d’évapotranspiration, la trajectoire de croissance du reste de la culture.... Par rétroaction, les changements d’état des cultures qui en résultent vont influencer les décisions et les comportements du foyer les cultivant.

  • L’impact de la localisation des pâturages sur la dynamique des sols : Lorsqu’un troupeau est amené à un pâturage, une partie du fourrage poussant sur place est consommée mais de précieux fertilisants y sont aussi déposés. Les effets de cette opération pastorale sont modélisés par des altérations ou améliorations locales des sols et de la végétation, effets qui sont ensuite pris en compte par les individus dans leurs prochaines décisions.

44Ce modèle a été appliqué à une région semi-aride du nord de la Syrie et de la Turquie durant l’Âge de Bronze en se focalisant sur une ville et son hinterland : Tell Beydar en Syrie. Il pourra ensuite être mis à l’échelle en définissant et simulant les relations avec d’autres régions urbaines.

Sorties de simulation et résultats

45Les données de sorties sont multiples. Elles concernent aussi bien les ménages (évolution de leur nombre au cours du temps), les récoltes (production et rendement au cours du temps), les troupeaux (taille et nombre au cours du temps), que des données d’ordre économique (taux d’échange, de prêts et de ventes de ressources entre ménages ou encore le taux de ménages ayant accès aux cultures). Trois scénarios sont présentés, traduisant différentes conditions climatiques et organisations sociales.

46Le modèle générique ENKIMDU est en cours de construction et, de ce fait, les résultats présentés sont issus de simulations dont tous les mécanismes sociaux et environnementaux ne sont pas aussi détaillés que les auteurs pourraient le souhaiter. Sans pour autant apporter des réponses définitives, les résultats présentés dans l’article montrent quels types de questions le modèle est conçu pour explorer. Certaines données de sorties sont bien différentes des valeurs estimées, ce qui amène les auteurs à penser que tant que le modèle ne sera pas complet, c’est-à-dire suffisamment détaillé en termes de mécanismes simulés, ces résultats de simulations ne seront que des baromètres de l’état et de la santé de la société simulée plutôt que de véritables estimations (p. 66). Toutefois ces simulations leur ont permis de mettre en évidence que les sociétés complexes étaient capables d’une grande capacité d’adaptation aux variations de conditions socio-environnementales. Cela, grâce à la multiplicité des comportements individuels simulés (échanges, prise de décisions face aux crises, etc.) qui permettent d’absorber les fortes amplitudes de variation des conditions socio-environnementales (forte sécheresse par exemple) et d’en minimiser les conséquences sociales (faible amplitude des variations de population). Les auteurs mettent néanmoins en garde contre la circularité des explications : l’incorporation d’un facteur dans le modèle influe nécessairement sur les mécanismes et sur les sorties de simulations… et donc sur les interprétations !

Conclusions et remarques

47Ce projet traite des questions de croissance et de décadence de centres urbains. Bien que cela ne soit pas clairement explicité, le modèle s’attache surtout à l’évolution de la taille démographique et de l’emprise spatiale du noyau urbain modélisé, sans expliciter les mécanismes qui pourraient amener à l’émergence de telles structures spatiales. De ce fait, il se place en aval des projets Village, SimPop et Émergence de centres urbains qui sont eux conçus pour modéliser l’émergence de ces organisations spatiales.

48Le modèle générique ENKIMDU est un modèle aux mécanismes d’interactions homme-environnement extrêmement détaillés. Toutefois les résultats obtenus sont éloignés des estimations et le degré d’interprétation de ces résultats n’a pas la même finesse que la granularité de la modélisation proposée. Ce constat peut conduire à mettre en doute le besoin d’une modélisation aussi poussée qui ne sert pas, au moins pour le moment, à la compréhension des processus sociaux en jeu et qui, au contraire, comporte des risques. Ces modélisations très descriptives soulèvent la question de la représentativité des comportements : la simulation de l’exhaustivité des comportements possibles à cette échelle de granularité étant matériellement impossible (tout du moins pour le moment, au vu des ressources techniques disponibles), pourquoi modéliser un comportement plutôt qu’un autre ? De ce questionnement découle le danger de la circularité de l’explication, souligné par les auteurs, qui lie interprétation et compréhension des processus étudiés aux choix de modélisation. On peut pousser le raisonnement jusqu’à se demander si ce type de modèles, le plus descriptif possible, ne met pas en question le but même de leur conception, de la même façon qu’une cartographie à l’échelle 1 :1 remettrait en cause le besoin d’une carte... Pourtant, ces travaux font réfléchir sur les potentialités de modèles aux mécanismes extrêmement détaillés. Sera-t-il possible de modéliser les comportements sociaux et leurs interactions avec l’environnement avec assez de finesse pour utiliser les résultats à titre prédictif ?

SimPop

Références

49(Bura et al., 1996 ; Sanders et al., 1997)

Contexte de recherche

50Le modèle SimPop est né dans les années 90 de la collaboration entre des géographes de l’UMR Géographie-Cités et des informaticiens du laboratoire LAFORIA (Paris 6) qui voulaient appliquer le paradigme de la modélisation multi-agents à l’étude de l’évolution des systèmes de peuplement dans le temps long. Il est devenu le premier modèle multi-agents construit en géographie. Une famille de modèles s’est ensuite constituée autour du même paradigme de modélisation géographique : http://www.simpop.parisgeo.cnrs.fr/​.

Enjeux

51L’enjeu de ce projet était d’élaborer un modèle dynamique pour simuler le passage d’un peuplement distribué en villages à un système de villes hiérarchisé. Ce but impliquait de mettre en évidence les paramètres qui rendaient compte de la concentration progressive de la population dans des entités géographiques de plus en plus grandes et aux profils économiques de plus en plus diversifiés. Le modèle devait reproduire la lente émergence et la persistance d’une très forte différenciation des villes par leur taille, l’organisation hiérarchique étant la propriété majeure des systèmes de peuplement urbains, mais aussi intégrer le processus plus ou moins continu de différenciation des unités urbaines en fonction de la division du travail.

Dynamiques simulées

52Le territoire est formé d’une grille d’hexagones ou unités géographiques, chacune représentant un lieu potentiel de peuplement. Certaines de ces unités sont cependant désignées comme inaptes à la colonisation (haute montagne ou mer par exemple). Chacune de ces unités est dotée d’un « capital » ou potentiel de ressources naturelles, qui représente la capacité maximale de ressources naturelles disponibles pouvant être mise en valeur par des activités agricoles lorsqu’un peuplement est établi dans le lieu. Le capital de production agricole maximale est fixe durant toute la simulation mais les rendements évoluent au cours du temps pour tenir compte des innovations techniques (ces augmentations de rendements sont des inputs au modèle). Le semis de peuplement initial est défini en dotant chaque unité géographique d’une certaine population grâce à un tirage aléatoire dans une loi normale (de moyenne : 180, et d’écart-type : 50). Les unités géographiques peuplées sont des agents « ville ».

53Au cours de la simulation, chaque lieu (ou agent « ville ») peut ensuite croître en fonction de sa réussite sur les marchés d’échanges des biens produits et des fonctions économiques acquises au cours de la simulation. Les fonctions économiques déterminent l’ensemble des moyens de production qui vont permettre aux centres de peuplement de croître et de s’enrichir. Il existe quatre types de fonction : agricole, commerciale (avec quatre niveaux), administrative (avec deux niveaux) et industrielle (en deux sous-types : extraction ou transformation). Ces fonctions s’organisent de manière hiérarchique selon les conditions d’acquisition requises, les niveaux de productivité et la portée spatiale des activités économiques. Chaque nouvelle fonction est acquise selon des règles propres qui comportent des critères de taille et de richesse du centre de peuplement. À l’initialisation, chaque lieu peuplé est un village dans lequel toute la population est affectée à la fonction de production agricole. Au fur et à mesure de la croissance, de l’enrichissement et de l’acquisition de nouvelles fonctions économiques par ce village, celui-ci peut devenir une « ville » dont la population grandissante se répartit dans les différentes fonctions de production acquises.

54À chaque itération modélisant une période de dix ans, les centres de peuplement produisent une certaine quantité de produits alimentaires mais en consomment aussi une partie pour satisfaire à leurs besoins. Si la production d’un centre de peuplement dépasse sa demande, c’est-à-dire les quantités requises pour satisfaire aux besoins de sa population, le surplus est proposé et vendu aux autres lieux. Si la quantité produite n’est pas suffisante, le centre de peuplement en pénurie devra faire appel aux surplus des autres centres à sa portée. Ce mécanisme s’applique de la même façon à toutes les autres fonctions commerciales et industrielles. Des marchés d’échange se mettent alors en place entre les centres de peuplement, selon des réseaux définis par la portée d’échange associée aux fonctions acquises par les centres de peuplement. Chaque échange donne lieu à un transfert de richesse, en fonction du prix des biens échangés. Ensuite, les évolutions démographiques de chaque centre de peuplement sont calculées. Le taux de variation de la population est évalué selon le bilan des échanges ayant eu lieu pendant l’itération pour l’ensemble des fonctions du centre de peuplement. Si la production de biens alimentaires est insuffisante, la croissance de la population est menacée. Mais les capacités locales de production peuvent être dépassées grâce à l’acquisition d’autres fonctions augmentant l’aire d’influence et la richesse de chaque lieu. L’enrichissement joue aussi sur la croissance : le taux de variation de la population d’une ville est accru proportionnellement à son enrichissement pendant l’itération considérée. Finalement, les taux de variation des unités de peuplement qui ne possèdent que la fonction agricole sont fonction de leur localisation : un village proche d’une ville aura une plus grande probabilité de voir sa population décroître en raison du pouvoir attractif de la ville, au contraire d’un village éloigné d’une plus grande ville. À la fin de chaque itération et après le calcul de croissance de population, l’acquisition ou la perte de fonction de production est établie en fonction de la taille de la population et de la richesse des centres de peuplement.

Sorties de simulation et résultats

55Les principales sorties sont définies à l’échelle du système macrogéographique. Ainsi, l’organisation hiérarchique (résumée par la distribution Rang-taille) et sa structure spatiale (en comparaison avec la théorie des lieux centraux), la diversité fonctionnelle des villes et la stabilité de ces caractéristiques sont étudiées. La cohérence des résultats est ensuite vérifiée par l’adéquation entre la trajectoire de développement suivie par le système simulé et les faits stylisés de l’évolution des systèmes de villes établis par la théorie urbaine (constituée à partir de l’assimilation de nombreuses données empiriques). Ainsi, il est nécessaire pour la validation du modèle que celui-ci soit capable de reproduire à la fois la forme de la distribution statistique de la population, une organisation de l’espace tendant à espacer les plus grandes villes du système, et enfin un processus d’agglomération et de concentration de la population dans les centres urbains au cours du temps. Ce modèle produit des simulations qui montrent une organisation progressive de l’urbanisation du système qui se traduit par :

  • une augmentation progressive (de forme exponentielle) de la population totale du système au cours de la simulation,

  • une distribution Rang-Taille des lieux de peuplement qui se hiérarchise peu à peu,

  • une diversification progressive des fonctions urbaines des plus grandes unités de peuplement,

  • une organisation spatiale rappelant la théorie des lieux centraux (l’espacement entre deux lieux de même niveau de fonction est d’autant plus important que ce niveau est élevé ; avec la banalisation et la diffusion de cette fonction, ces distances tendent à diminuer progressivement).

56Les auteurs concluent que l’ensemble de leurs simulations montre clairement le rôle fondamental de trois composantes pour obtenir un système de peuplement qui se développe, se hiérarchise et se complexifie progressivement en accord avec les théories urbaines :

  • l’existence, par les marchés d’échanges, d’interactions entre les lieux (il ne se construit pas de hiérarchie urbaine s’il n’y a pas d’échange, de concurrence entre les villes) ;

  • l’apparition exogène continue de nouvelles fonctions (sinon le système dégénère, il perd sa structure hiérarchique) ;

  • des mécanismes stochastiques (même des dotations initiales identiques peuvent laisser le système évoluer vers une différenciation et une hiérarchisation, dès lors que des échanges sont établis et qu’un certain aléa crée des variations dans l’évolution de la population et de la richesse de lieux résultant du bilan de leurs échanges).

57Sans l’un de ces trois processus, le système perd ses élans de croissance et dévie des trajectoires de croissance, de hiérarchisation et de complexification que l’on connaît des systèmes urbains.

Conclusions et remarques

58Dans la théorie urbaine sur laquelle le modèle est fondé, les interactions homme-environnement ne sont pas au cœur du problème et la théorie proposée ne se limite pas au simple mécanisme de la contrainte environnementale locale. Dans le modèle SimPop, si un peuplement arrive à dégager suffisamment de surplus, il peut alors progressivement s’abstraire des contraintes locales qui brident sa croissance grâce à l’acquisition de nouvelles fonction urbaines qui étendent son aire d’influence. La nécessité de la production de richesse en surplus des besoins locaux est la seule contrainte à la croissance. Le surplus de production agricole (i.e. dépendant de l’environnement) est un préalable sine qua non au développement des villes, et leur développement ultérieur est subordonné à l’acquisition de nouvelles fonctions urbaines. La contrainte environnementale première et sa distribution sur le territoire ont donc un fort impact sur le devenir du système. Par ailleurs SimPop traite de façon originale l’émergence de l’urbanisation. Alors que le modèle Village s’intéresse au processus d’apparition et de localisation d’agrégation spatiale de population, dans SimPop la localisation des possibles futurs centres urbains est fixe, et c’est l’émergence de la répartition et l’organisation spatiale des tailles de ces centres urbains qui est étudiée en la comparant à ce que prévoit la théorie des lieux centraux.

59Le modèle SimPop se différencie des autres modèles présentés par son approche de modélisation. Une première originalité réside dans le choix des entités élémentaires modélisées. Dans SimPop, les agents sont des entités collectives complexes, ils représentent des villages ou des villes et non pas des individus ou des ménages comme dans les autres modèles. Ensuite, plutôt que de s’appuyer directement sur des données empiriques ou des mécanismes inventés, les mécanismes simulés sont conçus pour reproduire des faits stylisés tirés de la théorie urbaine. La validation du modèle ne passe donc plus par l’adéquation des simulations avec des données empiriques mais par la capacité du modèle à reproduire les ordres de grandeur et les grandes tendances de trajectoire des systèmes urbains. Cependant le modèle SimPop est partiellement guidé par l’introduction tout au long de la simulation de règles exogènes qui contrôlent la trajectoire globale du système simulé. Dans quelle mesure peut-on affirmer que l’organisation et la hiérarchisation du système simulé émerge autant des interactions interurbaines et que de l’introduction régulière de certains événements exogènes (introduction de nouvelles fonctions urbaines à des moments clés de la simulation par exemple) ?

La maximisation de l’interaction et l’observation d’une distribution des populations urbaines (modèle par la suite appelé « Émergence de centres urbains »)

Références

60(Ourednik, Dessemontet, 2007, Ourednik, 2010)
http://ourednik.info/​urbanization_mc/​

Contexte de recherche 

61Ce modèle présenté à l’ECTQG 2007 figure aussi comme modèle d’étude de la thèse de A. Ourednik.

Enjeux

62Ce travail de modélisation débute par une réflexion sur les processus d’émergence de l’urbanisation et des facteurs qui la provoquent : Pourquoi des villes ? Pourquoi pas une seule ville ? Le raisonnement à l’origine des choix des mécanismes modélisés est le suivant : la ville est une structure avantageuse à la fois économiquement et spatialement car elle permet de maximiser les interactions possibles entre individus ; mais cet avantage n’existe que pour des interactions entre des individus ne produisant pas le même type de services. Dans le cas d’une société sans spécialisation des tâches ou division du travail, la concentration semble peu profitable ; lorsque la société est plus complexe, l’intensification des interactions qu’offre la concentration des peuplements augmente l’efficacité de l’utilisation des capacités humaines (division du travail, économie d’échelle, etc.) et des ressources locales (agriculture). Par ailleurs, l’émergence plurielle de l’urbanisation en différentes villes éloignées est due à une limite structurelle de la croissance urbaine du fait des contraintes environnementales qui freinent les interactions à distance. L’interaction la plus sensible à ces frictions de la distance est celle qui relie les producteurs de ressources et les urbains spécialisés. Pour vérifier ces hypothèses, un modèle multi-agents est proposé. Il simule l’émergence d’un phénomène de concentration/dispersion spatiale des populations en modélisant les comportements individuels de deux types d’agents : producteurs de ressources et spécialistes urbains.

Dynamiques simulées

63Deux prototypes du modèle ont été construits, nous discuterons ici uniquement la seconde version du modèle. Dans cette version, deux types d’agents sont simulés :

  • les producteurs : ces agents produisent les ressources nécessaires à la survie de tous les agents. Ils ont intérêt à la dispersion, à l’occupation du plus grand espace cultivable possible pour augmenter leur capacité de production. Ils n’ont pas d’avantages à la concentration mais ont cependant un avantage à être en contact avec des spécialistes urbains dont les connaissances permettent d’améliorer les capacités de production des champs. Ils sont ainsi stimulés par la proximité des centres urbains.

  • les spécialistes urbains : ils sont localisés dans les centres urbains car ils sont directement concernés par les avantages de la concentration (partages de ressources, partage des connaissances, marchés centraux). Ils dépendent des producteurs pour leur besoins alimentaires mais en retour permettent d’augmenter les capacités de production par leurs connaissances et innovations.

64L’environnement simulé est partagé entre :

  • les centres urbains : ils sont caractérisés par le nombre d’agents spécialistes urbains s’y localisant et une portée, identique pour tous les centres urbains, qui représente la distance maximale de transport pour l’importation des productions depuis les champs vers les centres.

  • les champs de ressources : ils sont caractérisés par une capacité maximale de production et un taux de renouvellement des ressources par itération. Ce taux de « repousse » représente la productivité des agents producteurs et est une fonction du nombre d’agents spécialistes urbains qui se trouve dans la portée du champ étudié (même portée que précédemment).

65La dynamique du modèle suit le schéma suivant : dans les conditions initiales, l’espace est entièrement agricole et n’est peuplé que d’agents de type producteur. À chaque itération, la production de chaque parcelle est calculée en fonction de la productivité des agents producteurs et de l’influence des agents spécialistes urbains s’ils sont présents dans la portée. Si la production peut nourrir tous les agents producteurs et qu’il existe même un surplus, alors de nouveaux agents sont créés (3 % d’agents spécialistes urbains et 97 % d’agents producteurs) en fonction des quantités de ressources en surplus ; sinon les agents producteurs non-alimentés meurent. Les centres urbains sont ensuite approvisionnés : si la quantité disponible de ressources dans la portée de chacun est suffisante, aucun agent spécialiste ne meurt et une partie de ces agents se relocalisent dans des centres urbains plus grands s’ils existent, ou fondent une nouvelle ville ; si les ressources disponibles pour les centres urbains ne sont pas suffisantes, une partie de la population urbaine meurt et le reste d’insatisfaits déménage dans une ville qui n’a pas connu d’insuffisance si elle existe, ou, si toutes les villes ont été en pénurie, les populations rescapées fondent une nouvelle ville.

66Ainsi, dans la dynamique de ce modèle, les agents naissent et meurent en fonction des ressources disponibles qui dépendent elles-mêmes de la force des interactions entre les deux types d’agents modélisés. Et de ces dynamiques émergent ou disparaissent les centres urbains, matérialisation des concentrations de population.

Sorties de simulation et résultats

67Les sorties de simulations comprennent l’émergence des centres urbains, leur nombre, taille, stabilité, et les variations de la proportion d’agents producteurs et d’agents spécialistes dans la population globale du système.

68L’état final du système simulé dépend fortement des valeurs des trois paramètres du modèle (taux de productivité des champs, portée des échanges entre centres urbains et campagnes productrices, force de l’influence des agents spécialistes sur les rendements) qui induisent une grande diversité de situations finales. Quatre cas sont détaillés :

  • un cas de bon rendement des champs et une grande portée des centres urbains : la population totale du système est grande, le système est plutôt stable avec 30 % de population urbaine contenue dans environ 3 centres urbains.

  • un cas de bon rendement des champs et une petite portée des centres urbains : la population totale du système est grande, le nombre et la localisation des centres urbains est stable avec environ 25 à 30 centres contenant 2 % de la population totale, mais la taille démographique de ces centres est très instable.

  • un cas de mauvais rendement des champs, une portée moyenne et une faible influence des spécialistes : le nombre et la localisation des centres urbains est stable avec environ 5 à 10 centres contenant 15 % de la population totale, mais la taille démographique de ces centres est très instable.

  • un cas de sols arides, une portée moyenne et une forte influence des spécialistes : le système est très instable et chaotique, pouvant amener à la disparition des agents du système ; la société simulée est incapable de survivre sans spécialistes urbains, et la taille des centres urbains est très petite.

Conclusions et remarques

69Grâce à des mécanismes simples, ce modèle permet de raisonner sur l’émergence de comportements d’agglomération autour de centres urbains dans un contexte de fortes contraintes environnementales. Les indicateurs des sorties de simulations sont très pertinents pour notre problématique : l’émergence de villes (et leur nombre), la taille et la distribution hiérarchique de ces villes, la proportion de population urbaine et la taille démographique du système. Le modèle combine les deux approches de modélisation développées dans Village et SimPop en amenant à s’interroger à la fois sur les processus d’agrégation de population, la distribution spatiale de ces agrégats et sa cohérence au niveau du système.

70Les auteurs concluent que leur modèle permet de comprendre pourquoi les populations urbaines ne se concentrent pas dans un unique centre, malgré l’avantage que cela représente pour la maximisation des interactions, et qu’un grand nombre de scénarios de l’urbanisation peuvent être simulés grâce à la variation des trois paramètres. Ces conclusions paraissent un peu hâtives au regard des fondements théoriques introduits dans le modèle. Pour aboutir à ce type de conclusion, le modèle mériterait d’être complété pour incorporer des mécanismes capables de générer des sorties de simulation plus représentatives des systèmes observables. Finalement, cette deuxième version du modèle apparaît comme une étape dans un grand processus itératif de complexification de modèle, analogue à celui développé pour le modèle Sugarscape.

Comparaison des différentes approches de modélisation des interactions société-environnement et de l’émergence de l’urbanisation

71Le tableau 1 résume la comparaison des méthodes de modélisation mises en œuvre par les six modèles sélectionnés. Ces modèles ont été choisis car ils s’ancrent tous dans la problématique générale d’émergence de l’urbanisation par la simulation de dynamiques spatialisées d’interactions société-environnement. Le tableau comparatif tient compte de ce contexte et rappelle les spécifications employées pour la définition des agents, la représentation de l’environnement dans lequel évoluent les agents et la nature des interactions entre la société simulée (définie par les attributs et les comportements des agents) et son environnement.

Tableau 1 : Comparatif des approches de modélisation des six modèles sélectionnés.

Tableau 1 : Comparatif des approches de modélisation des six modèles sélectionnés.

72Les modèles présentés se différencient d’abord par la nature des agents qu’ils animent. La forme courante en sciences humaines et sociales de l’agent en tant qu’individu est finalement très peu utilisée : seuls Sugarscape et Émergence de centres urbains se situent clairement dans cette catégorie. Les modèles Anasazi et Village ont été construits pour représenter des agents « ménages » et ainsi mieux se conformer aux données archéologiques (le dénombrement de population se fait souvent à partir des traces de foyers dont le nombre donne un ordre de grandeur de la taille des peuplements). Le modèle SimPop présente une forme originale d’agents. Ceux-ci sont utilisés en tant qu’entités collectives représentant des villages ou des villes qui sont donc considérés comme des entités élémentaires indivisibles. Le modèle ENKIMDU semble, lui, présenter les trois formes d’agents et modéliser chaque niveau social (individus, ménages, centres urbains) par différents types d’entités.

73Au fil des projets, une évolution se dessine quant aux partis pris dans la modélisation des interactions société - environnement. Alors que, dans un premier temps, les modèles ne se consacraient qu’à l’effet des quantités de ressources offertes par l’environnement sur la localisation des entités d’une société (Sugarscape, Anasazi), les modèles ultérieurs traduisent un nouvel intérêt pour la boucle de rétroaction entre les comportements d’une société face à un environnement et l’impact de ces comportements sur cet environnement (ENKIMDU, Village, Émergence de centres urbains). Dans les modèles ENKIMDU et Village, les actions des agents sur l’environnement, qui sont modélisées pour ajuster au mieux les données empiriques, représentent surtout des impacts négatifs (par exemple : plus la terre est cultivée moins elle sera productive par la suite) et ces rétroactions négatives passent par des sous-modèles complexes (module d’hydrologie et de dynamiques de sols par exemple). Les modèles SimPop et Émergence de centres urbains traitent ces rétroactions société -environnement de façon opposée (rétroactions positives) : les agents vont pouvoir dépasser les limites environnementales préétablies et non pas uniquement les subir.

74Le traitement du processus d’agglomération de l’habitat est lui aussi très variable d’un modèle à l’autre. S’il n’est pas vraiment explicite pour les deux premiers modèles présentés, qui ne le traitent que par le biais de gradient de densité de population, il devient un fort enjeu de modélisation pour les quatre derniers modèles. Les formes de modélisation de ces dynamiques sont très diverses : évolution de l’emprise spatiale d’une ville (ENKIMDU), évolution d’un système de peuplement en villages vers un système de villes (SimPop), mécanismes sociologiques à l’origine de l’agrégation de l’habitat (Village) et émergence de la localisation des centres urbains sur un territoire (Émergence de centres urbains).

Caractérisation de pratiques de modélisation

  • 4 Cette grille de lecture a été conçue pour classer les grandes familles de modèles en géographie urb (...)
  • 5 Il faut préciser que cette organisation reste relativement subjective et peut être débattue. Elle r (...)

75A. Banos et L. Sanders (2012) ont proposé une grille de lecture qui permet de catégoriser les modèles selon deux dimensions : la première est relative au degré d’abstraction du phénomène empirique représenté par le modèle, l’autre est relative au dispositif que le modélisateur met en place pour y parvenir. Le premier axe oppose ainsi des modèles « particuliers », appliqués à un exemple réel et appuyés sur une connaissance précise du contexte grâce à des données empiriques (on pourrait parler de modèles data-driven) et des modèles « stylisés » reproduisant des mécanismes plus généraux (on pourrait parler alors de modèles concept-driven). Le deuxième axe traduit le niveau de simplification du processus modélisé. Dans l’approche de modélisation KISS - Keep It Simple, Stupid -, l’enjeu est de reproduire la complexité du phénomène modélisé à partir des mécanismes les plus simples possibles. La complexité d’un modèle KISS à base d’agents doit donc résider dans les résultats issus de sa simulation, non dans ses hypothèses (Simon, 1969, cité par Banos, Sanders, 2012). L’approche KIDS - Keep It Descriptive, Stupid - (Edmond, Moss, 2005) s’oppose à cette injonction à la simplification. L’enjeu est alors de conserver une approche explicative et de rendre toute partie du modèle isomorphe (similaire de structure) aux phénomènes que l’on cherche à modéliser (Amblard et al., 2007). La grille de lecture croisant ces deux axes permet donc de définir quatre grandes pratiques de modélisation4. La figure 1 propose une organisation des six modèles étudiés selon ces deux axes5.

Figure 1 : Classification des approches de modélisation des six modèles sélectionnés

Figure 1 : Classification des approches de modélisation des six modèles sélectionnés

76La figure 1 tend à montrer que les deux dimensions ne sont pas totalement indépendantes pour les six modèles. On peut distinguer deux approches antagonistes de modélisation entre lesquelles se positionnent graduellement les six modèles multi-agents :

  • Des modélisations descriptives et appliquées (Anasazi, Village, ENKIMDU). En s’appuyant sur des données extrêmement détaillées, ces modélisations cherchent à reconstituer et reproduire la complexité d’un phénomène particulier en usant de mécanismes très descriptifs mais au prix d’un grand nombre de paramètres.

  • Des modélisations au contraire beaucoup plus théoriques et abstraites (Sugarscape et Émergence de centres urbains). Les mécanismes sont construits à partir d’hypothèses théoriques ou de faits stylisés, ce qui permet d’explorer un domaine beaucoup plus large d’interactions société-environnement mais au prix de leur vraisemblance. Ces modélisations suivent le principe de parcimonie en limitant le nombre de mécanismes et de paramètres.

77Le modèle SimPop est en situation intermédiaire et semble construire un pont entre les deux pratiques de modélisation. Le modèle ayant pour but de reproduire des faits stylisés est plutôt concept-driven, mais les mécanismes simulés, plus descriptifs et plus représentatifs d’une réalité observée, sont destinés à permettre une confrontation à des données empiriques. On peut voir un aboutissement de cette progression avec les modèles SimPop2 (Bretagnolle, Pumain, 2010) et Eurosim (Sanders, 2005), qui appliquent le cadre de modélisation SimPop à des systèmes de villes réels. A. Banos et L. Sanders (2012) ont décrit de tels cheminements possibles entre les grandes pratiques de modélisations, allant d’une modélisation concept-driven à une modélisation data-driven. De même, la complexification graduelle du modèle Sugarscape, au fur et à mesure des chapitres du livre Growing Artificial Societies : Social Science from the Bottom Up, illustre la même démarche, aboutissant finalement au modèle Anasazi. Le projet Village Ecodynamics donne l’exemple d’un autre type de cheminement. Dans le cadre strict et data-driven de la simulation du contexte environnemental du modèle Village, les chercheurs du projet intègrent peu à peu des modèles beaucoup plus théoriques de comportements sociaux, économiques ou politiques pour étudier leurs impacts sur les tailles de groupes et des villages qui se constituent au cours de la simulation.

  • 6 Pour une discussion sur l’explication et les modèles multi-agents, voir (Elsenbroich, 2012).

78Ces démarches de complexification progressive, recommandées par le courant de modélisation KISS, apparaissent comme une des meilleurs réponses disponibles au lourd enjeu de validation des modèles multi-agents (Amblard et al., 2007, Crooks et al., 2007). Les modèles descriptifs et appliqués semblent se doter d’une validation externe, selon que le modèle reproduit des dynamiques ou sorties de simulations qui sont plus ou moins proches des données empiriques. Mais la capacité du modèle à les reproduire ne garantit pas que les dynamiques simulées soient de vraies candidates à l’explication6, comme le montre l’expérience de M. Janssen sur le modèle Anasazi (Janssen, 2009). Il faut s’assurer que les résultats obtenus sont bien le produit des interactions simulées. La validation externe est essentielle, mais elle doit être intégrée à un cycle de validation plus complet qui teste l’effet des mécanismes simulés sur les sorties de modèles. En font partie débogage, analyses de sensibilité, analyses de robustesse et autres tests parfois réunis sous l’expression de validation interne (Sargent, 2005 ; Louie, Carley, 2008 ; Amblard et al., 2007). Mais parce qu’elle repose sur des explorations massives des comportements du modèle, la pratique de ces tests s’avère d’autant plus laborieuse que l’espace de paramétrage du modèle est large, que le modèle présente de nombreuses interactions non-linéaires, de nombreux mécanismes à étudier, beaucoup d’hétérogénéité, un temps de simulation long, etc. Une démarche de complexification progressive du modèle permet de répartir les charges d’exploration et de validation au fur et à mesure des cycles de développement théorique et informatique. Elle permet de passer d’un modèle très (trop) épuré mais « validé » (en tant que possible) à un modèle plus satisfaisant pour les spécialistes.

Pour une modélographie systématique

79Les six modèles présentés sont conçus pour comprendre les évolutions démographiques d’une société agraire soumise à de fortes contraintes environnementales. Ces évolutions démographiques sont les résultantes d’un équilibre dynamique entre ce que l’environnement peut offrir à un moment donné, la taille de la population qui peut être soutenue et son organisation sociale. Comme le montre cette étude, les possibilités de simuler ces dynamiques sont très variées, mais elles sont complémentaires car elles aboutissent à des modèles très différents qui renseignent sur plusieurs aspects des interactions société-environnement.

80Le travail modélographique de comparaison de modèles met en évidence les apports et la complémentarité de chaque approche. Il permet ainsi de préparer la construction d’un nouveau modèle qui tiendrait compte de ces constats et qui s’adapterait aux besoins de connaissances ayant pu être relevés. De plus, le travail modélographique propose une méthode pour harmoniser, communiquer et transmettre les choix et les pratiques de modélisation dans un contexte où le partage des connaissances est encore difficile et trop peu réalisé en raison de l’hétérogénéité des moyens employés (Pumain, 1991 ; Crooks et al., 2008 ; Amblard et al., 2007 ; Grimm et al., 2006). Pour ces deux raisons, la systématisation du travail modélographique pourrait apporter beaucoup à la communauté multi-agents.

Ces travaux ont bénéficié du soutien de l’Agence de l’Environnement et de la Maîtrise de l’Energie (ADEME), de la bourse pour chercheur confirmé du Conseil européen de la Recherche GeoDiverCity et du programme ARN TransMondyn. Les auteurs souhaitent également remercier Léna Sanders et les relecteurs de Cybergeo pour leurs remarques constructives et leurs corrections qui ont permis d’améliorer la qualité de cet article.

Haut de page

Bibliographie

Amblard F., Bommel P., Rouchier J., 2007, « Assessment and validation of multi-agent models », in Phan D. and Amblard F. (eds), Multi-Agent Modelling and Simulation in the Social and Human Sciences, Bardwell Press, Oxford.

Axtell R.L., Epstein J.M., Dean J.S., Gumerman G.J., Swedlund A.C., Harburger J., Chakravarty S., Hammond R., Parker J., Parker M., 2002, « Population growth and collapse in a multiagent model of the kayenta anasazi in long house valley », PNAS, vol. 99 (Suppl 3), 7275.

Bairoch P., 1985, De Jéricho à Mexico : villes et économie dans l’histoire, Gallimard, Paris.

Banos A., Sanders L., 2012, « Vers une cartographie sémantique des modèles urbains : des individus aux systèmes de villes », colloque Modélisation urbaine : de la représentation au projet, Coll. Références, Commissariat Général au Développement Durable.

Bretagnolle A., Pumain D., 2010, « Simulating urban networks through multiscalar space-time dynamics (Europe and United States, 17th -20th centuries) », Urban Studies, vol. 47, No.13, 2819-2839.

Bura S., Guerin-Pace F., Mathian H., Pumain D., Sanders L., 1996, « Multiagent systems and the dynamics of a settlement system », Geographical Analysis, vol. 28, No.2, 161–178.

Crooks A., Castle C., Batty M., 2008, « Key challenges in agent-based modelling for geo-spatial simulation », Computers, Environment and Urban Systems, vol. 32, No.6, 417-430.

Diamond J., 1999, Guns, Germs, and Steel: The Fates of Human Societies, W. W. Norton & Company, new edition.

Edmonds B., Moss. S., 2005, « From KISS to KIDS -- an ‘anti-simplistic’modelling approach », Lecture Notes in Computer Science, vol. 3415, 130-144.

Elsenbroich C., 2012, « explanation in agent-based modelling: functions, causality or mechanisms? », JASSS, vol 15, n° 3, http://jasss.soc.surrey.ac.uk/15/3/1.html

Epstein J.M., Axtell R., 1996, Growing Artificial Societies: Social Science from the Bottom Up (Complex Adaptive Systems), The MIT Press.

Fagiolo G. , Moneta A. , Windrum P., 2007, « A critical guide to empirical validation of agent-based models in economics: Methodologies, procedures, and open problems », Computational Economics, vol. 30, No.3, 195–226.

Grimm V., Berger U, Bastiansen F., Eliassen S., Ginot V., Giske J., Goss-Custard J., Grand T., Heinz S.K., Huse G., et al., 2006, « A standard protocol for describing individual-based and agent-based models », Ecological modelling, vol. 198, No.1, 115–126.

Gumerman G.J., Swedlund A.C., Dean J.S., Epstein J.M., 2003, « The evolution of social behavior in the prehistoric american southwest », Artificial life, vol. 9, No.4, 435–444.

Heppenstall A., Crooks A., See L., Batty M., 2011, Agent-based models of geographical systems, Springer.

Janssen M., 2009, « Understanding Artificial Anasazi », Journal of Artificial Societies and Social Simulation, vol. 12, No.4.

Kohler T.A., van der Leeuw S.E., 2007, The model-based archaeology of socionatural systems, SAR Press, Santa Fe, NM.

Kohler T.A., Johnson C.D., Varien M., Ortman S., Reynolds R., Kobti Z., Cowan J., Kolm K., Smith S., Yap L., 2007, « Settlement ecodynamics in the prehispanic central Mesa Verde region », in Kohler T. A., van der Leeuw S. (eds.), The model-based archaeology of socionatural systems, 61–104, SAR Press, Santa Fe, NM.

Louie M.A., Carley K.M., 2008, « Balancing the criticisms: Validating multi-agent models of social systems », Simulation Modelling Practice and Theory, 16 (2), 242–256.

Marcus J., Sabloff J.A., 2008, The ancient city: New perspectives on urbanism in the old and new world, School for Advanced Research, Santa Fe.

Ourednik A., 2010, L’habitant et la cohabitation dans les modèles de l’espace habité, Thèse de doctorat en sciences, Ecole Polytechnique Fédérale de Lausanne.

Ourednik A., Dessemontet P., 2007, « Interaction maximization and the observed distribution of urban populations: An agent-based model of humanity’s metric condition », Proceedings of the 15th European Colloquium on Theoretical and Quantitative Geography (ECTQG’07), 291–296.

Poix C., Michelin Y., 2000, « Simulation paysagère : un modèle multi-agents pour prendre en compte les relations sociales, » Cybergeo : http://cybergeo.revues.org, No.116.

Pumain D., 1991, « Commentary: Plea for the experimentation and comparison of dynamic models », Environment and Planning A, vol. 23, No.4, 463–464.

Sanders L., 2005, « Intelligence artificielle et agents collectifs : le modèle EUROSIM », SAGEO 2005 Colloque International de Géomatique et d’Analyse Spatiale, Coll. Actes Avignon.

Sanders L., 2007, « Objets géographiques et simulation agent, entre thématique et méthodologie », Revue Internationale de Géomatique, vol. 17, 135-160.

Sanders L., Pumain D., Mathian H., Guerin-Pace F., Bura S., 1997, « Simpop: a multiagent system for the study of urbanism », Environment and Planning B, vol. 24, 287–306.

Sargent R.G., 2005, « Verification and validation of simulation models », Winter Simulation Conference, Orlando, Florida.

Wilkinson T. J., Christiansen J. H., Ur J., Widell M., Altaweel M., 2007, « Urbanization within a dynamic environment: Modeling bronze age communities in upper mesopotamia », American Anthropologist, vol. 109, No.1, 52–68.

Haut de page

Notes

1 http://jasss.soc.surrey.ac.uk

2 Récemment ont débuté deux projets de recherche qui concentrent leurs efforts sur le développement de modèles multi-agents d’évolution de sociétés. Le projet ANR Transmondyn (http://www.transmondyn.parisgeo.cnrs.fr/) porte sur les grandes transitions dans l’évolution des systèmes de peuplement dans le temps long : l’enjeu de modélisation est de caractériser les relations entre les contraintes environnementales, les interactions sociales et les innovations pour comprendre les évolutions des formes du peuplement. Le projet ERC GeoDiverCity (http://geodivercity.parisgeo.cnrs.fr/blog/) porte sur la définition d’un ensemble de faits stylisés résumant les connaissances sur la dynamique des systèmes urbains complexes depuis l’émergence de l’urbanisation jusqu’aux dynamiques actuelles. Les faits stylisés ainsi définis servent de base pour la construction de nouveaux modèles explicatifs des dynamiques d’évolution des systèmes urbains.

3 http://cormas.cirad.fr/

4 Cette grille de lecture a été conçue pour classer les grandes familles de modèles en géographie urbaine, depuis les modèles très théoriques tels que la loi gravitaire et le modèle de croissance logistique jusqu’aux modèles à équations différentielles ou de simulation. Par appliquer cette grille de lecture aux six modèles étudiés, les échelles des axes doivent être modifiées pour passer d’un référentiel englobant tous les formalismes de modélisation possibles à un référentiel propre au formalisme multi-agents. L’échelle de l’axe KISS-KIDS est la plus affectée par ce changement. Dans le référentiel multi-agents, elle reflète le degré de parcimonie dans le choix des mécanismes et le nombre de paramètres.

5 Il faut préciser que cette organisation reste relativement subjective et peut être débattue. Elle reflète notre appréciation de la complexité relative des mécanismes de chaque modèle.

6 Pour une discussion sur l’explication et les modèles multi-agents, voir (Elsenbroich, 2012).

Haut de page

Table des illustrations

Titre Tableau 1 : Comparatif des approches de modélisation des six modèles sélectionnés.
URL http://journals.openedition.org/cybergeo/docannexe/image/25900/img-1.png
Fichier image/png, 112k
Titre Figure 1 : Classification des approches de modélisation des six modèles sélectionnés
URL http://journals.openedition.org/cybergeo/docannexe/image/25900/img-2.png
Fichier image/png, 48k
Haut de page

Pour citer cet article

Référence électronique

Clara Schmitt et Denise Pumain, « Modélographie multi-agents de la simulation des interactions sociétés-environnement et de l’émergence des villes », Cybergeo : European Journal of Geography [En ligne], Systèmes, Modélisation, Géostatistiques, document 643, mis en ligne le 16 avril 2013, consulté le 11 décembre 2017. URL : http://journals.openedition.org/cybergeo/25900 ; DOI : 10.4000/cybergeo.25900

Haut de page

Auteurs

Clara Schmitt

Doctorante, Université Paris 1 Panthéon-Sorbonne, UMR 8504 Géographie-cités, cl-schmitt@parisgeo.cnrs.fr

Denise Pumain

Professeur, Université Paris 1 Panthéon-Sorbonne, Institut Universitaire de France, UMR 8504 Géographie-cités, pumain@parisgeo.cnrs.fr

Articles du même auteur

Haut de page

Droits d’auteur

© CNRS-UMR Géographie-cités 8504

Haut de page