《Systems》：Agent-Based Modeling and System Dynamics Integrated with AI and Analytical Methods: A Structured Review of Hybrid Approaches, Applications, and Future Directions for Decision Making in Complex Systems (2021–2026)
编辑推荐：
社会经济、生态与公共卫生系统的复杂性要求仿真框架能够同时捕捉宏观动态与微观智能体异质性。智能体建模（Agent-Based Modeling, ABM）与系统动力学（System Dynamics, SD）日益与人工智能及分析方法相结合，为复杂系统决策提供支持
社会经济、生态与公共卫生系统的复杂性要求仿真框架能够同时捕捉宏观动态与微观智能体异质性。智能体建模（Agent-Based Modeling, ABM）与系统动力学（System Dynamics, SD）日益与人工智能及分析方法相结合，为复杂系统决策提供支持，但目前尚缺乏覆盖2021至2026年的系统性综述。研究人员于2025年9月和2026年5月依据PRISMA 2020协议，在IEEE Xplore、Web of Science与ProQuest数据库中开展了两轮检索，最终纳入70篇符合条件的研究论文，涵盖14个主题集群；由于第二轮检索于2026年5月结束，当年下半年发表的文献在语料库中代表性相对不足。数据提取涵盖11个维度，评分者间信度κ值为0.88–0.90。结果显示，2023至2025年间相关成果数量增长133%。C14（多方法仿真）与C7（医疗健康与流行病学）为规模最大的两个集群；AnyLogic是唯一原生支持三范式集成的平台，占比22.9%。混合模型能够稳定识别出单一范式无法观测的关键干预阈值与涌现行为，但这一认知增益受到验证薄弱（仅44.3%报告正式结构验证）与极低可复现性（88.6%未公开代码）的制约。语料库中有9篇（12.9%）论文集成了机器学习/人工智能技术，但均未采用SHAP、LIME等可解释性技术，凸显出在提升预测能力的同时亟需构建透明性框架，以避免侵蚀系统仿真相对于纯统计模型的核心优势——因果可解释性。ABM–SD混合建模正逐步走向成熟，但其认知价值的释放取决于验证、可复现性与可解释性三大缺口的填补。研究人员据此识别出2026–2030年间需关注的六大缺口与五大优先方向，包括最小验证协议、标准化模型存储库，以及面向ML+ABM–SD混合模型的专用可解释性框架，从而在保障因果透明性的前提下支撑复杂系统决策。
- 1.
引言
复杂的社会经济、生态与公共卫生系统已超出单一单方法仿真范式的表征能力。系统动力学（SD）通过存量、流量与反馈回路刻画宏观聚合动态，而基于智能体的建模（ABM）则通过自主智能体、局部交互与涌现特性刻画异质性行为。二者分别从宏观与微观层面互补，其混合不仅是方法上的便利，更是针对宏微观实时耦合系统的认识论需求。本文区别于传统的多准则决策（MCDM）与多属性决策（MADM）框架：后者聚焦于既定备选方案与准则下的选择排序，而ABM–SD混合模型旨在仿真生成决策情境的动态因果过程，服务于系统理解而非方案排序。近年来，机器学习（ML）、人工智能（AI）及生成式AI的发展为混合仿真开辟了新前沿，形成ML+ABM+SD三重混合框架，兼顾结构因果性与个体异质性。尽管相关研究在2021–2026年间快速增长，但术语不统一、集成架构缺乏标准、验证实践薄弱，且尚无针对该时段的系统性综述。为此，本文提出四个研究问题：RQ1，哪些应用领域最受益于ABM–SD混合及其机制；RQ2，语料库中使用的集成架构类型及其方法论依据；RQ3，现有验证标准的充分性，尤其是引入ML/AI时的适用性；RQ4，持续存在的方法论缺口及未来优先研究方向。文中明确定义了SD与多智能体系统（MAS）的范畴，强调二者须具备功能互补性——SD负责宏观存量、流量与系统反馈，MAS负责微观决策、局部交互与涌现行为，并在模型内部实现双向耦合。此外，ML/AI与分析方法的集成被视为第三维度，主要形式包括ML驱动的智能体决策规则、ML参数估计以及AI驱动的生成推理。全文结构依次涵盖方法学、文献计量特征、方法论基础、主题综合、研究缺口与优先议程、启示与结论。
- 2.
方法学
文献筛选严格遵循PRISMA 2020协议，分为2025年9月与2026年5月两轮检索，布尔检索式在IEEE Xplore、Web of Science与ProQuest中执行，时间跨度为2021年1月至2026年5月。第一轮初检获得455条记录，去重后剩余305条，经标题摘要筛选与全文评估，最终纳入58篇。第二轮初检获得2110条记录，去重后剩余1844条，经相同筛选流程排除不符合功能互补性、工程控制语境下多智能体系统及演化博弈论（EGT）等条目后，新增12篇，合计70篇构成最终语料库。数据提取表包含10个核心维度与1个ML/AI集成维度，涵盖集成架构（I–IV型）、软件平台、应用领域、地理背景、政策问题、验证方式、主要发现、数据源、代码可得性及主题集群。评分者间信度在集成架构、验证方式与应用领域三个易歧义变量上分别达到κ = 0.90、0.88与0.89，属于近乎完美一致水平。鉴于语料库在主题集群、年份、平台与架构上的高度异质性，研究采用定性叙述合成辅以定量描述统计，将14个主题集群归纳为5个主题元域展开综合分析。
- 3.
语料库的文献计量特征
70篇合格文献分布于14个主题集群，总分配次数为119次，平均每个集群8.5篇。C14（多方法仿真）规模最大（16篇），其次为C7（医疗健康与流行病学，14篇）与C6（供应链与生产，13篇）。C2（演化博弈与政策）规模最小（3篇）。时间序列分析显示，2025年发文量最高（21篇，占30%），2022年因新冠疫情建模集中发表出现峰值（17篇，24%），2023年回落（9篇，13%），2024年回升（12篇，17%），整体呈上升趋势（年均增长1.7篇）。集群共现矩阵表明，C6?C8（供应链与水食物资源）、C7?C11（医疗与社会动态）、C7?C14（医疗与多方法仿真）及C5?C12（能源电动汽车与技术扩散）之间存在显著交叉重叠，反映出研究主题的融合趋势。地理分布高度不均衡，中国（20篇，29%）、伊朗（7篇）、英国（6篇）与美国（5篇）合计占54%，而南美、撒哈拉以南非洲与东南亚几乎缺席，显示出显著的地域代表性偏差。综合来看，该领域正处于由公共卫生建模向资源管理、城市治理与建成环境转移的结构性再聚焦阶段，并以C14为方法论支柱，形成了若干高密度交叉集群。
- 4.
方法论基础
4.1 ABM–SD集成类型学
依据Langarudi等人提出的I–IV型分类框架，65.7%的研究采用ABM–SD双范式耦合（I–III型），34.3%采用ABM–SD–离散事件仿真（DES）三范式集成（IV型）。I型（封装式）以SD为智能体决策的宏观背景，实现简单但缺乏微观对宏观的反馈；II型（松耦合）在特定时间间隔内实现双向变量交换，多见于技术扩散研究；III型（紧耦合）实现连续双向更新，适用于水资源管理等资源–用户实时互馈系统；IV型引入DES处理序列性与随机性过程，在医院容量规划与应急响应中表现突出，且高度依赖AnyLogic平台。四类架构均配有代表性实证模型，体现了从实现简便性到因果耦合强度的权衡谱系。
4.2 软件平台
明确声明平台的文献中，AnyLogic占22.9%，其余包括NetLogo、ArcGIS/ArcMap、Vensim+REPAST、Stella、N2A、PeDViS与Modelica/Dymola等，另有62.9%未说明所用平台。AnyLogic因其原生三范式支持成为IV型架构的首选，而开源工具在跨范式集成方面仍显碎片化。平台信息缺失严重削弱了研究的可复现性。
4.3 验证实践
仅44.3%的论文报告了完整的正式结构验证，52.9%为部分验证，2.9%未提及任何验证策略。历史校准与量化指标组合最为常见（37.1%），但该策略无法替代结构验证。ODD+D与TRACE等参考协议引用率不足11%。最低验证标准应包括极端条件测试、多参数敏感性分析与独立于校准数据的结构验证。代码公开率仅为10%，远低于计算机科学与工程领域的常规水平。
4.4 ML与AI在混合模型中的集成
9篇论文（12.9%）集成了ML/AI技术，主要包括三类：ML驱动智能体决策规则、ML参数估计与AI驱动生成推理。此类集成提升了预测能力，但也带来时间尺度错配、粒度错配与因果方向模糊三大技术张力。所有相关论文均未使用SHAP、LIME或ICE等可解释性技术，导致混合模型面临因果透明度流失的风险。此外，模糊逻辑与元启发式优化等方法亦被用作SD数值化与政策情景探索的补充手段，拓展了混合仿真的方法边界。
- 5.
跨主题元域的综合分析
通过三位作者的独立编码与共识程序，14个主题集群被聚合为5个元域。元域A（公共政策、治理与可持续性，含C2、C3、C5、C8）的核心发现是混合模型能识别关键干预阈值（临界点），如碳减排成本有效区间为基准情景的25–40%，电动汽车充电基础设施对采纳率的驱动作用强于购车补贴，居民用水行为干预可减少15–20%的消费并产生与大型回收设施投资相当的系统性效应。元域B（健康、安全与社会系统，含C7、C4、C11）以多尺度社会传染为核心机制，SEIR+ABM架构成为准标准，较纯SEIR模型对疫情峰值的估计精度提高15–30%；建筑管理领域创新性地引入模糊逻辑连接专家语言变量与数值模型；社会传染机制在肥胖、焦虑与疫情谣言传播中表现出形式等价性，但尚未实现跨领域方法迁移。元域C（基础设施、产业与物流，含C6、C14）聚焦牛鞭效应等宏观现象与微观决策的耦合，ABM–SD混合可将库存估计不确定性降低28%，资源共享提升系统效率18–23%，且C14是唯一系统比较不同架构性能的集群，应推广为方法学标准。元域D（技术与智能系统，含C9、C12、C13）涵盖智能建筑、技术扩散与数字孪生，BIM–SD–ABM框架显示社交导向布局可提高节能行为采纳率22–34%，技术扩散呈现S形曲线且为模型涌现结果，数字孪生面临毫秒级物理过程与小时/天级仿真的时间尺度耦合挑战。元域E（系统韧性与应急管理，含C10）关注极端扰动下的功能维持，行为异质性可降低系统韧性23–38%，地铁站容量超过60–70%额定值时恐慌行为可使疏散时间倍增，自适应韧性优于缓冲型鲁棒性，但目前研究局限于单一灾害情景，缺乏对复合与级联灾害的建模。
- 6.
研究缺口与优先议程
6.1 六大缺口
G1：正式结构验证系统性不足，行为验证（95.7%）主导，结构验证（44.3%）与预测验证（1.4%）匮乏，导致因果结构正确性无法得到充分检验。G2：计算可复现性近乎缺失，88.6%未公开代码，62.9%未说明平台。G3：地理分布极度集中且缺乏跨情境验证，政策阈值的外推有效性受限。G4：缺乏架构比较标准，架构选择多由平台可用性决定而非问题适配性。G5：工具碎片化与互操作性不足，至少11种平台无通用接口标准。G6：ML+ABM–SD混合模型可解释性赤字，九篇相关论文均未采用任何可解释性技术。
6.2 五大优先方向
P1：制定混合ABM–SD模型最小验证协议，强制包含极端条件测试、多参数敏感性分析与独立证据结构验证，并以流行病学与资源管理模型为试验场。P2：建设标准化模型存储库，扩展CoMSES/OpenABM平台，引入Git版本控制与虚拟化执行环境，并将代码提交作为期刊发表前提。P3：推进地理扩展与跨情境迁移协议，依托南北合作将已验证模型迁移至水资源紧张地区等代表性不足区域。P4：系统基准测试I–IV型集成架构，在同一数据集上量化各架构在预测精度、稳健性、可解释性与计算成本上的差异。P5：构建ML+ABM–SD混合模型可解释性框架，将SHAP/LIME分析纳入标准流程，并在智能建筑等高粒度数据场景中先行试点，确保AI的预测增益不以牺牲SD的因果透明性为代价。
- 7.
启示
7.1 理论启示
ABM–SD混合已具备独立方法论范式特征，需发展专属验证协议。三类典型模型结构正在形成：SEIR+ABM、存量–流量+策略智能体架构与BIM–SD–ABM，应被确立为仿真理论的研究对象。ML/AI的引入在可解释性与预测能力之间制造了新的认识论张力，其权衡应基于建模目的而非纯技术考量。混合模型在认识论上提供了还原论与整体论之外的第三条路径，即通过微观规则自下而上生成宏观规律，并受宏观反馈约束，体现了“生成即解释”的科学哲学立场。
7.2 实践启示
政策制定者在采信混合模型建议前，应审查因果假设、敏感性分析与反事实情景；直接跨区域移植政策阈值需谨慎。实践者应依据问题结构而非平台便利性选择架构，并重视代码文档化与可解释性分析。编辑与资助机构应将平台声明、结构验证文档与代码公开设为强制性要求。
7.3 局限性
数据库覆盖有限，未纳入Scopus、PubMed等来源；排除灰色文献与非英文文献；时间窗口限定于2021–2026年，难以追溯早期奠基性工作；主题集群划分依赖标题与摘要，存在主观性；高度异质性阻碍了定量元分析的实施。
- 8.
结论
本综述系统梳理了2021–2026年间ABM–SD混合建模文献，回答了四个研究问题：混合建模在多重社会传染、双向资源管理、网络效应供应链与技术采纳市场中价值最为显著，其核心机制在于识别微宏观交互产生的临界阈值；领域已形成I–IV型架构分类体系，但平台透明度严重不足；验证标准整体薄弱，ML/AI集成缺乏可解释性保障；六大缺口与五大优先方向指明了2026–2030年的发展路径。混合模型在认识论上优于单一范式，但在方法学上更为脆弱，未来需在加速发展的同时保持验证严谨性与因果透明性，方能真正实现系统方法与分析方法在复杂系统决策中的协同增效。
