刘芷含 王桢钰

一、引言

“健康中国”战略的提出和实施以及《“健康中国2030”规划纲要》等一系列相关政策文件的颁布，使政府部门逐渐意识到“健康优先”原则以及“健康融入所有政策(Health in All Policies, HiAP)”理念的重要性。(1)岳经纶、黄博函:《健康中国战略与中国社会政策创新》,《中山大学学报(社会科学版)》2020年第1期。公共政策与人民福祉息息相关，而涵盖医疗、康养、疾控、食品药品等主题的公共健康政策，更是对人群健康有着重要的导向与干预作用，直接关系到广大群众特别是弱势群体的获得感与幸福感。

然而，过去的十多年来，许多学者发现，由于人群的高度异质性与健康决策的不确定性等因素，常规的线性研究统计方法无法捕捉公共健康系统当前的最优解，继而越来越不能满足复杂公共健康系统研究的需要。因此，21世纪以来，基于主体建模(Agent-Based Modeling，ABM)这样一种在模拟时空内对具有特定特征的主体“Agent”进行的随机计算机模拟(2)El-Sayed AM.， Scarborough P.， Seemann L.， et al.， “Social Network Analysis and Agent-based Modeling in Social Epidemiology”, Epidemiologic Perspectives & Innovations,Vol.9,No.1,2012,p.1.逐步被引入公共政策与社会治理领域(3)李大宇、米加宁、徐磊:《公共政策仿真方法:原理、应用与前景》,《公共管理学报》2011年第4期。，诞生了一系列面向公众健康及其政策干预的创新性交叉研究，使复杂的基于“社会—技术系统”的公共健康政策仿真成为可能(4)Tracy M.， Cerdá M.， Keyes KM.“Agent-Based Modeling in Public Health: Current Applications and Future Directions”,Annual Review of Public Health,Vol.39,No.1,2018,pp.77-94.(5)Singh K.， Ahn CW.， Paik E.， et al.，“A Micro-Level Data-Calibrated Agent-Based Model: The Synergy between Microsimulation and Agent-Based Modeling”,Artificial Life,Vol.24,No.2,2018,pp.128-148.。

ABM脱胎于演化博弈论(Evolutionary Game Theory)(6)Smith J.， Price G.，“The Logic of Animal Conflict”,Nature,Vol.246,No.5427,1973,pp.15-18.、复杂适应系统(Complex Adaptive System，CAS)理论(7)Holland J.，“Hidden Order: How Adaptation Builds Complexity”. New York: Addison-Wesley,1995.以及计算机人工智能(分布式人工智能和机器学习)技术(8)黄璜:《社会科学研究中“基于主体建模”方法评述》,《国外社会科学》2010年第5期。。CAS核心思想为个体适应性造就复杂性及涌现，而演化博弈论认为主体在不断学习、试错以及适应的动态过程中寻找更优的策略而趋于平稳。在复杂的健康系统中，主体会受到其他主体状态、属性、社会关系以及环境变量的影响，故ABM这种基于演化博弈论的复杂系统方法，比传统统计分析方法回答的研究问题更广泛，可为人口健康问题以及政策效果模拟提供新的线索，因而逐渐被重视且广泛应用于政府对公众的健康治理以及医疗卫生的政策干预之中。

随着近年来自然人文环境遭到破坏且大规模流行病不断爆发、人群健康面临严峻挑战，基于ABM的公共健康政策研究数量激增，业已成为新兴的、具有重大潜力的研究热点。然而，现有相关论文多集中于ABM方法及公共政策或健康政策仿真研究的介绍或应用情况，基于CiteSpace进行可视化分析的文献计量研究尚未见报道、国内外相关研究热点以及异同点等内容也尚未明晰。因此，本文通过系统检索相关中英文文献，基于CiteSpace文献可视化软件回顾与总结国内外公共健康政策领域的ABM应用进展，并对既有研究不足进行反思和对未来趋势进行展望，以期为未来复杂公共健康政策仿真研究发展提供依据，并促进ABM在社科及交叉学科领域研究中的应用与深化。

二、资料来源与研究方法

(一)资料来源

对Web of Science(WoS)以及中国知网(CNKI)数据库分别进行检索，不对发文时间进行限定并使用高级检索方式(检索时间截至2022年4月16日)。其中，为避免过多重复外文文献以及无关的中文文献，CNKI数据库仅检索中文文献并进行人工手动筛选；于外文数据库检索的外文检索词是依据检索过程不断迭代更新并且咨询了图书管理员而确定的。具体检索策略详见表1。共检索到相关文献1067篇(外文845篇，中文222篇)，经过CiteSpace软件去重并剔除不符合要求的文献(会议摘要、新闻报告、简讯、人物访谈、报告等非学术性、非原创性文献以及研究主题与公共健康政策领域的ABM应用研究无关的文献)共182篇，得到WoS核心集文献663篇(最早发文时间为1999年)，CNKI数据库文献222篇(最早发文时间为2002年)。

表1 检索策略及替代检索词

(二)研究工具与方法

在文献计量分析部分，通过陈超美教授等人研发的CiteSpace5.8.R3可视化分析软件(9)陈悦、陈超美、刘则渊等:《CiteSpace知识图谱的方法论功能》,《科学学研究》2015年第2期。，对检索到的和主题相关的文献总量、历年变化趋势、关键词词频及中心性等情况进行分析，以把握AMB于公共健康政策领域应用及研究的总体趋势。首先，根据软件要求且为避免被检索到的文献出现遗漏，需要根据不同平台检索到的文献首篇发文时间设置CiteSpace软件内的时间跨度，WoS平台设定为1999年1月至2022年12月，CNKI平台则设定为2002年1月至2022年12月，时间切片均为2年；节点类型(Node Types)依次选择研究机构(Institution)、文献(Reference)及高频关键词(Key Words)进行共现分析和可视化图谱的绘制。调整 Top N、Top N%、Thresholds(c、cc、ccv)参数进行制图，取前 10%的分析数据绘制知识图谱，并在选择使用剪枝算法寻径(Pathfinder)的基础上添加Pruning the merged network这一剪枝方式优化可视化图谱。通常，节点越大代表出现的频率越高，节点间连线数量及粗细代表密切程度；中介中心性超过0.1的节点为关键节点；聚类模块值Q(Modularity Q)大于0.5即说明聚类结构显著、结果合理；平均轮廓值S(Weighted Mean Silhouette)大于0.7即表示聚类结果可信度高。

三、 相关研究文献基本情况

(一)基本情况以及文献被引影响力分析

对于文献被引及影响力方面，在WoS核心集中，排名前五的均为期刊文章且涉及疫情防控、食品营养与保障、个人不健康行为习惯干预等多个主题；而在CNKI检索平台，文章大多为学位论文且主要涉及ABM方法的介绍及其在公共政策研究领域的应用、居民节能行为、病毒防控以及就医选择等主题，见表2。

表2 国内外高被引文献基本情况

(二)文献数量年度趋势

由图1可知，从国内外发文年份及数量上看，最早的相关文献见于1999年，发文最多的年份为2021年，2022年的断崖式下跌情况可因年限未满而忽略不计。在WoS 核心集中，2008年及以往年发文量均在10篇以下，2009 年后开始增加至 17篇但又在2011年开始出现了短暂回落，不过2013年开始发文量呈稳步上升趋势，至 2021 年发文量达最高(136 篇)，特别是2020年至2021年之间激增了44篇；在CNKI 数据库中，相关文献发文量较少且研究起步相对国外较晚(2002年开始)，2011年开始年发文量平稳波动在10—20篇左右，2021年最高但也未超过25篇。此外，国内外发文量均在2009年前后以及2020年前后出现了较为明显的增长，显然，发文量的激增应与频频出现的大规模新发传染病疫情(如2009年的甲型H1N1流感、2019年底至今的新冠肺炎(COVID-19)所催生的复杂健康系统仿真研究的现实需求密切相关。总体而言，国内外相关文献数量在宏观环境的影响下呈现出“运动式波动上升”的年度趋势。

图1 文献数量年度发展趋势

(三)研究机构共现网络分析

研究机构时区图谱诠释了该领域研究力量随时间变化的空间分布。首先，从频次和中心性观之，在WoS 核心集图谱中(N=734，E=1348，Density=0.015)，有关ABM于公共健康政策中应用的研究机构主要以高校、高校附属研究所以及主流学会为主且形成了一定且较为成熟的合作网络。美国的密歇根大学(n=19)、北卡罗来纳大学(n=18)、亚利桑那州立大学(n=16)、哥伦比亚大学(n=14)和约翰霍普金斯大学(n=14)等国外机构发文量较多，并且密歇根大学的中心性仍然最高(0.1)，可以说，美国是该方向上发表文章数量最多的国家；CNKI 数据库图谱中(N=82，E=40，Density=0.012)，高校及高校附属研究所同样为主要的研究机构，但也涉及疾控机构(如长沙市疾病预防控制中心传染病防治科，n=1)。国防科学技术大学信息系统与管理学院(n=6)的发文量最大，但各机构间中心性均为0，说明中国开展了公共健康政策领域ABM应用研究的机构比较分散且未形成较强且广泛的合作网络关系。其次，由时区及机构合作变化情况观之，在WoS数据库中，美国的约翰霍普金斯大学于1999年前后率先发表了相关文章，发表文章数量最多的密歇根大学从2008年开始出现，中期(2011年开始)以美国北卡罗来纳大学、英国伦敦大学学院以及澳大利亚悉尼大学等为代表，近期(2019年至今)则出现了美国佛罗里达大学、巴西圣保罗大学以及泰国朱拉隆功大学等院校； 在 CNKI 数据库中，国防科学技术大学系统工程研究所是发文最早的机构，发文最多的

国防科学技术大学信息系统与管理学院从2009年开始关注到ABM及公共健康政策相关研究，2021年以来出现了南通大学公共卫生学院、四川大学经济学院以及华中科技大学管理学院等非工科院校，说明ABM方法在交叉学科中的普及程度越来越广泛，见图2。

图2 国内外文献的研究机构共现网络

四、相关研究热点及演化进程分析

(一)研究热点及关键词共现情况

通过关键词出现的频次和中心性大小可以了解国内外ABM于公共健康政策领域的研究热点。WoS平台的关键词共现图谱(图3a)的网络密度为0.0168(N=387，E=506)，聚类模块值Q为0.5508，平均轮廓值S为0.7571；CNKI平台的关键词共现图谱(图3b)网络密度为0.0124(N=233，E=335)，聚类模块值Q为0.8748，平均轮廓值S为0.9798，国内外相关文献产生的知识图谱均具有合理聚类结果和较高可信度。

图3 国内外文献的关键词共现网络

通过对频次排名前10的关键词进行整理，得到关键词共现情况表3。在WoS数据库的文献中，从频次观之，除去检索词agent-based modeling、health policy以及public policy，显示covid-19、simulation、health、complex system、epidemiology、alcohol等是最主要的核心关键词；从中心性观之，simulation对于关键词共现图谱的“媒介”作用最大，其中心性值高达0.77。一些关键词表现出“频次不高，中心性高”的现象，如public policy(n=10，中心性为0.23且顺位第8)、aging(n=4，中心性为0.16且顺位第9)、children(n=3，中心性为0.1且顺位第11)，说明也有很多有关ABM的研究围绕公共政策、老年人和儿童照护展开。从关键词的首次出现年份来看，agent-based modeling早在2000年就显现，国外的学者更是早在2005年就关注到了health policy相关建模仿真研究，随之是涉及人们基本生活的food security、alcohol以及传染病防控相关的epidemiology以及covid-19主题词开始出现；在CNKI数据库的文献中，从频次观之，除去检索词基于主体建模外，显示出复杂适应系统、agent、公共政策以及人工社会是最主要的核心关键词。与此同时，与公共健康政策相关的医疗资源、应急管理以及医疗政策分析等词汇的频次也位于前置位。从中心性看，agent为最重要的关键词，其中心性值高达0.71。除基于主体仿真的相关表述外，其余中心性较高的依次为复杂适应系统、医疗资源、人工社会、公共政策等，“频次不高，中心性高”的词有甲型h1n1流感(n=2，中心性为0.18且顺位第8)、hiv流行病(n=1，中心性为0.08且顺位第21)等，说明这类词与ABM的相关研究连接较为紧密。同样的，观察关键词最早出现的时间节点可以发现，agent、复杂适应系统以及公共政策等关键词早在2005年前就开始受到重视，2008年更是研究热点迸发较多的一年，出现了人工社会、多agent系统、医疗资源等关键词，此后学术界更是关注到了医疗政策相关的仿真建模，原因或在于2008年我国迈出了新一轮大型医疗改革的步伐、出台了系列《医疗改革方案》，“医疗改革”也成了2008年前后的研究热点词(10)都率、毛阿燕、孟月莉等:《基于CiteSpace公共卫生体系研究可视化分析》,《中国公共卫生》2020年第12期。，2013年则开始将ABM应用于公共卫生的应急管理范畴之中。

表3 关键词共现频次排名前10位的具体情况

(二)研究热点演化进程分析

由图4可知，国外有关ABM在公共健康政策的研究领域包含较广且演进历程十分连贯，并且可将其演进归纳为三个时期: 积累萌芽期(1999至2006年)、发展应用期(2007至2016年)以及逐渐成熟期(2017年至今)，具体分析如下：首先，在积累萌芽期，最重要的节点(agent-based modeling)出现在1999 年前后，说明在90 年代相关研究已经实现了初步萌芽，顺着21 世纪进入了新的发展时期。2005年开始衍生出health policy、social network等早期研究热点，相关学者开始探索将ABM方法应用于健康政策以及人工社会的研究之中；在发展应用期，2007年开始表现出对ABM方法模拟传染病(infectious disease)以及预防政策效果的关注，2011年至2014年的研究关注点更是具体到了食品保障(food security)及不健康习惯的政策干预(如alcohol和smoking)并扩展到了2015年的public policy；在逐渐成熟期，在前两个时期的发展基础下，伴随着疫情常态化以及全球患慢性病率上升的态势，这个阶段出现了chronic disease及COVID-19等热词。虽然对于传染病防控的相关研究(如infectious disease、pandemic)迸发于2007年左右，但一直延续至2017年出现的epidemiology、vaccination以及2019年至今的COVID-19，ABM方法的应用愈加广泛和具体，影响健康的卫生或非卫生、传染或非传染因素均得到兼顾。

图4 国外研究热点演化进程(1999—2022) 图 5 国内研究热点演化进程(2002—2022)

图5从时间维度展示了国内公共健康政策领域ABM应用研究的发展与演进过程。总体而言，该领域相关概念演进时间跨度长且高频词多集中于2002至2011年，演化进程中不同的概念与关键词被一些研究相继提出，可被归纳为探索期(2002至2015年)和推广期(2016年至今)两个时期：首先，在探索期阶段，基于2002年提出的复杂适应系统等观点，2004年前后出现了最重要的节点(基于主体建模)，相近年份的公共政策、医疗资源、医疗政策分析等关键词的出现可以看出国内学者于这些领域应用ABM方法的踪迹，而2010年至2015年的医疗保险、传染病、个体心理、突发事件、公共卫生等词汇可看出相关研究从一般机理以及宏观医疗领域逐渐向具体政策领域延伸的轨迹；其次，在推广期，2016年开始普及如Netlogo此类建模软件以及免疫算法、多agent模型等，而近期(2018年以来)的传染病传播模型以及COVID-19等提示了ABM于防疫政策中发挥的重要作用。

(三)研究关键词聚类分析

通过LLR算法可分别获得国内外研究的关键词聚类图谱。WoS平台的聚类模块值Q=0.8748(>0.5)，说明聚类结构显著、结果合理；平均轮廓值S=0.9798(>0.7)，聚类结果可信度高。国外研究的关键词共生成了9个聚类且聚类效果十分明显，不同类团之间存在重叠情况、相互关联密切，涉及心理健康、老年人照护、环境保护与可持续发展、传染病防控、人群不健康行为干预、社区初级卫生保健等具体领域：#0 agent-based modeling、#1 testing、#2 adaptation、#3 sustainable development、#4 computational modeling、#5 COVID-19、#6 autonoetic consciousness、#7 alcohol、#8 complexity economics、#9 social influence，详见图6a及表4。

CNKI平台的关键词聚类谱图Q 值= 0.8011(>0.5)、S 值= 0.9530(>0.7)，说明国内文献的聚类可视化图谱的结果也是显著、合理且可信的。国内研究形成了#0 多主体建模、#1 模型变换、#2 多agent系统、#3 agent、#4 复杂系统、#5 gis、#6 信息传播、#7 地理信息系统、#8 传染病以及#9 免疫机制9 个关键词聚类群，这些聚类群亦存在不同程度的交叉重叠，并且与医疗服务及临床路径管理、应急管理、医疗资源配置、基于地理信息系统的医疗合作、传染病防控、农业环境以及居民健康监测等密切相关，详见图6b及表4。

图6 国内外文献的关键词聚类网络

表4 国内外研究关键词聚类模块信息

(续表)

基于图谱聚类并结合研究热点及研究主题，可以发现当前国内外学者对ABM于公共健康政策的相关研究既有趋同性亦有差异性，在趋同性上主要体现在如下几点。

1. 基于ABM的传染病防控及其政策干预

传染病防控的政策建模与效果评估是国内外均高度重视的领域，对于疫情防控而言，ABM是极为有效的工具，可考虑大规模人口的异质性并解释疾病传播的过程，以推动政策或干预措施的设计。(11)Bedson J.， Skrip LA.， Pedi D.， et al.， “A Review and Agenda for Integrated Disease Models Including Social and Behavioural Factors”, Nat Hum Behavior,Vol.5,No.7,2021,pp.834-846.基于ABM的动态传播模拟决策分析，不仅可为政策制定者和公共卫生相关政府部门在疫苗接种计划的后续阶段提供持续性指导证据(12)Jahn B.，Sroczynski G.， Bicher M.， et al.， “Targeted COVID-19 Vaccination (TAV-COVID) Considering Limited 7 Vaccination Capacities—An Agent-Based Modeling Evaluation”, Vaccines,Vol.9,No.5,2021,p.434.，还能为应对流行病传播等冲击事件的政策和行为反应进行事前评估，并为政策建模和设计提供依据(13)Shastry V.， Reeves DC.， Willems N.， et al.， “Policy and Behavioral Response to Shock Events: An Agent-Based Model of the Effectiveness and Equity of Policy Design Features”, PLoS ONE,Vol.17,No.1,2022,p.e0262172.。虽然我国对于传染病防控政策的建模研究起步较国外稍晚，但2008年起，我国学者就将ABM运用到如SARS(14)瞿毅臻、李琦、甘杰夫:《基于Repast平台的SARS传播仿真建模研究》,《计算机科学》2008年第2期。、甲型H1N1流感(15)朱悦:《甲型H1N1流感病毒的主体建模防控仿真研究》, 首都经济贸易大学,2010年。以及近年来困扰全球卫生政策治理者的新型冠状病毒肺炎(COVID-19)(16)席周慧、孟德霖、赵继军:《钻石公主号邮轮上COVID-19传播动态的研究》,《复杂系统与复杂性科学》2022年第1期。等流行性疾病的防控等研究之中。

2.ABM与心理健康及精神卫生保障政策

在心理健康与精神卫生方面，国外文献以聚类块中主要标签词“psychological distress”等为信号，而国内则是以演化进程中高频关键词“个体心理”为代表，说明越来越多研究开始将ABM方法应用于人群心理与精神健康保障领域。ABM对人类情感和心理的研究意义与优势非常明显，相比于其他研究方法，ABM作为动力学研究取向的仿真建模技术更能捕捉系统中复杂、动态、交互的社会或个体心理过程的关键元素，亦能更精确地检验社会心理学理论的可靠性并与理论的关注点相匹配。(17)Smith ER.， Conrey FR.， “Agent-Based Modeling: A New Approach for Theory Building in Social Psychology”, Personality and Social Psychology Review,Vol.11,No.1,2007,pp.87-104.Barry等(18)Silverman BG.， Hanrahan N.， Bharathy G.， et al.， “A Systems Approach to Healthcare: Agent-based Modeling, Community Mental Health, and Population Well-being”, Artificial Intelligence in Medicine,Vol.63,No.2,2015,pp.61-71.认为，为患有严重精神病且伴有身体疾病的人群提供医疗与健康服务是一个复杂的系统问题，涉及生物及文化的方方面面。因此，他们通过基于Agent的三级系统建模方法(涉及社区三个不同层次)以及“模拟城市心理健康行动”(Simulating Urban Mental Health Operations, SUMHO)模型，对美国费城的卫生系统建模并进行政策干预仿真，以识别政策的有效性，这种三级系统建模方法已被应用于美国国防部和国务院的社会稳定治理事务之中。

相对而言，我国学者在该领域的研究主题更集中于宏观层面突发事件的群众心理应激反应与演化。例如，王一伊(19)王一伊:《恐怖袭击事件个体心理行为影响因素仿真分析》,《武汉理工大学学报(信息与管理工程版)》2016年第6期。以恐怖袭击事件个体心理行为影响因素为关注点以及沈浩等人(20)沈浩、杜新秀、刘祎:《基于认知评价的非常规突发事件个体应激研究》,《中国安全科学学报》2015年第1期。从认知评价的非常规突发事件出发，均展开了一系列基于Agent的仿真建模研究。虽然研究的突发事件类型不同，但这些仿真建模结果均为政府明确公众心理救治范畴、建立公众心理应激预警及管理体系提供了可行性建议。

3.基于ABM的环境保护与可持续发展研究

在环境保护与可持续发展方面，国内外均关注到了农业环境政策给人类健康带来的影响以及“健康寓于万策”的重要意义，主要以WoS核心集提取的“agriculture ”与“climate change”以及CNKI数据集提取的“农业环境政策”“城市居民”(21)史海霞:《我国城市居民PM2.5减排行为影响因素及政策干预研究》,中国科学技术大学,2017年。(22)俞学燕:《城市居民能源消费行为低碳化的政策干预路径与仿真研究》,中国矿业大学,2018年。以及“健康监测”等关键词为代表。

在差异性上，国外研究表现出更多的对以下三方面的关注：其一，探究特殊人群(儿童、青少年与老人等)及其具体照护服务、模式等与社会之间的复杂关系以及相关健康政策带来的影响等，以期摸索出更适合不同类型人群且同时满足其差异化、个性化需求的照护模式并预测不同公共健康政策实施后的成效如何，即模拟如何提高对幼儿、青少年以及老年人照护的效率、有效性和公平性。例如，Gostoli和Silverman(23)Gostoli U.， Silverman E.， “Social and Child Care Provision in Kinship Networks: An Agent-based Model”, PLoS ONE,Vol.15,No.12,2020,p.e0242779.提出了一个基于Agent的英国社会和儿童照护服务模型，以了解社会和儿童护理之间的复杂关系，并预测英国四项社会经济政策干预在2020年至2050年间对儿童照护服务发展的影响。Van Woudenberg等人(24)Van Woudenberg TJ.， Simoski B.， Fernandes de Mello Araújo E.， et al.,“Identifying Influence Agents That Promote Physical Activity through the Simulation of Social Network Interventions: Agent-Based Modeling Study”, Journal of Medical Internet Research,Vol.21,No.8,2019,p.e12914.则通过模拟社交网络来识别促进儿童和青少年体育锻炼的影响因素，以推动社交网络健康干预措施的实施。Gray等人(25)Gray LC.，Broe GA.，Duckett SJ.，et al.， “Developing a Policy Simulator at the Acute-Aged Care Interface”, Australian Health Review,Vol.30,No.4,2006,pp.450-457．基于澳大利亚本土跨区域以及ABM技术，开发了未来10年急诊和老年日常护理系统之间相互作用以及各种政策情景影响的计算机模拟。其二，是通过健康政策颁布或对监管政策的效果进行仿真预测以干预人群不健康行为习惯。一方面，不规律饮食带来的营养不良等问题可通过政策干预缓解，Zhang等(26)Zhang DL.， Giabbanelli PJ.， Arah OA.， et al.， “Impact of Different Policies on Unhealthy Dietary Behaviors in an Urban Adult Population: An Agent-Based Simulation Model”, American Journal of Public Health, Vol.104, No.7,2014,pp.1217-1222.通过ABM并纳入个人与食品店两个Agent，模拟了居民个人对政府不同食品政策所作出的反应与决策，发现制定健康饮食规范比控制食品价格或监管当地食品店更能有效改变居民的不健康膳食习惯。为促进纽约市水果蔬菜等健康食品的消费以及人群的健康饮食，Li等人(27)Li Y.， Zhang D.， Thapa JR.， et al.， “Assessing the Role of Access and Price on the Consumption of Fruits and Vegetables Across New York City Using Agent-based Modeling”, Preventive Medicine,Vol.106,2018,pp.73-78.模拟了六种假设的干预措施，结果证明所有干预措施都会导致水果和蔬菜消费量的增加，但各个行政区和社区之间差异很大，在空间上有着不确定性。类似的还有Schauder等(28)Schauder S.， Thomsen MR.， Nayga RM Jr.， “Agent-Based Modeling Insights into the Optimal Distribution of the Fresh Fruit and Vegetable Program”, Preventive Medicine Reports,Vol.20,2020.通过ABM对新鲜水果和蔬菜计划 (The Fresh Fruit and Vegetable Program，FFVP)的实施进行仿真预测的研究。另一方面，ABM也被应用于物质依赖与成瘾行为的干预研究，如Keyes等(29)Keyes KM.， Shev A.， Tracy M.， et al.， “Assessing the Impact of Alcohol Taxation on Rates of Violent Victimization in a Large Urban Area: An Agent-based Modeling Approach”, Addiction,Vol.114,No.2,2019,pp.236-247.通过构建主体模型以及纽约市59个社区的数据，估计了纽约市饮酒税的实施对于人群暴力和谋杀发生率的影响，验证了饮酒税政策干预人群暴力行为的有效性。同样，Castillo-Carniglia等(30)Castillo-Carniglia A.， Pear VA.， Tracy M.，“Limiting Alcohol Outlet Density to Prevent Alcohol Use and Violence? Estimating Policy Interventions Through Agent-Based Modeling”, American Journal of Epidemiology,Vol.188,No.4,2018,pp.694-702.也发现仅关闭酒类销售点可能不是减少酗酒引发社会问题的有效策略，因为限制酒类销售与人群暴力行为在ABM仿真中被证明没有关系。还有一些研究将ABM引入了水烟(Waterpipe Tobacco Smoking, WTS)吸食(31)Yang Y.， Ward KD.， Salloum RG.， et al.， “Agent-based Modeling in Tobacco Regulatory Science: Exploring ’What if’ in Waterpipe Smoking”, Tobacco Regulatory Science,Vol.6,No.3,2020,pp.171-178.以及药物滥用(Drug Abuse)(32)Yang Y.， “A Narrative Review of the Use of Agent-Based Modeling in Health Behavior and Behavior Intervention”, Translational Behavioral Medicine,Vol.9,No.6,2019,pp.1065-1075.等其他涉及人群健康相关行为干预的研究中。其三，是基于社区的初级卫生保健、慢性病相关政策干预与评估以及将ABM应用于社会影响以及社区健康促进之中。(33)Garney WR.， Panjwani S.， Garcia K.， et al.， “Evaluating Community-driven Cardiovascular Health Policy Changes in the United States Using Agent-Based Modeling”,Journal of Public Health Policy,Vol.43,No.1,2022,pp.40-53.国内则更多地在探讨有关医疗政策的医疗资源配置与医疗服务供给(34)欧崇阳:《我国宏观医疗卫生系统模型构建研究》,第二军医大学,2007年。(35)俞文雅:《上海市15家公立医院公益性与医疗费用控制实证与建模研究》,中国人民解放军海军军医大学,2019年。(36)宋莉莉、王超、谢峻等:《基于多Agent仿真和临床路径的医疗资源调度方法研究》,《中国数字医学》2015年第11期。、涉及公众健康(37)李璐、宣慧玉:《多主体仿真在公共卫生事件应急管理中的应用——以一个传染病政策仿真系统为例》,《西安交通大学学报(社会科学版)》2010年第1期。或安全(38)唐明圣:《基于Agent的人工社会应急管理政策分析方法》,国防科学技术大学,2015年。的应急与突发事件处置或管理、以及利用地理信息系统(Geographic Information System，GIS)集成辅助健康或公共政策的主体建模(39)杨昆、李江荣、崔庆雄等:《艾滋病传播的智能体与GIS的集成模型研究》,《云南师范大学学报(哲学社会科学版)》2008年第4期。(40)张永亮:《流域水污染物排污交易政策设计及其水环境质量影响研究》,南京大学,2012年。三大方面。不过，国内在老年人照护及政策干预方面进行了初步探索、但还未形成研究热点，如杨明旭(41)杨明旭:《中国人口多属性预测研究暨失能老人长期照护政策仿真》,浙江大学,2016年。借鉴了多主体仿真方法的思想，通过公共政策仿真方法以及多种数据开发了自主模型，对失能老人长期照护问题进行模式识别、建模和仿真，以此提出了老龄照护及社会保障的相关政策建议；赵娜和陈凯(42)赵娜、陈凯:《基于多主体建模的社会化养老形成分析》,《东北大学学报(自然科学版)》2016年第5期。则构建了一个包含政府、养老机构、家庭三大类主体的社会化养老仿真模型，模拟了宏观社会经济现象中的社会化养老行为形成机制。然而，针对青少年与儿童照护、人群不健康行为以及基于社区的居民初级保健等政策干预方面的研究，国内文献尚未提及。

(四)研究前沿趋势变迁分析

关键词突现知识图谱可用于表明某一阶段文献数量爆发式增长所对应的关键词，以此判断相关研究前沿的趋势变迁以及相关研究热点的延续性。(43)公茂刚、李汉瑾、窦心语:《数字普惠金融研究进展、热点探析与趋势展望——基于Citespace文献计量分析》,《兰州学刊》2022年第7期。在WoS平台的关键词突现图谱中(突现词为54个)，agent和cancer为持续型研究前沿热点、持续时间均为12年，随后是complexity和health、突现持续时间均为10年。从突现强度观之，受到研究前沿关注度较高的研究主题包括health(4.31)、decision making(2.75)以及public policy(2.68)。根据突现增长起始和结束时间，将国外相关研究划分为三个阶段：1999至2010年探索将ABM作为一种新方法应用于公共健康与人群照护及其政策干预研究；2011至2018年将探索领域细化到人群不良行为干预、环境保护、食品安全保障以及疫情防控等领域；2019年至今除了延续上一阶段具体领域的研究以外，还表现了更多的对非传染性疾病、相关政策评估以及干预手段等的关注，见图7。

图7 国外研究关键词突现图

在CNKI平台的关键词突现图谱中(突现词为31个)，健康政策的突现时间长达8年，成为持续型的研究前沿热点，而分布式系统、就医选择、医疗保险、应急管理、人工社会等多个词的突现时间紧随其后，均为6年。从突现强度观之，人工社会的突现强度表现最佳(4.45)，紧接着为应急管理(3.57)、agent-based modeling(2.46)，这些关键词均是受到研究前沿关注度较高的研究主题。进一步观察发现，国内相关研究在发展趋势上大体可分为三个阶段：2002年至2009年主要在普及相关ABM的模拟仿真理论知识或技术；2010年至2019年研究前沿关注以健康政策为核心的健康监测、医疗以及应急等多方面仿真建模方法的应用；2020年至今，受到疫情常态化影响，研究重点开始转向COVID-19疫情防控政策的效果模拟等方面，见图8。

图8 国内研究关键词突现图

从WoS核心集的情况来看，传染病或非传染性慢性病防控、人群的不健康行为习惯干预、健康政策评估等有望成为国际社会未来1—2年的研究前沿问题；而从CNKI平台的结果观之，未来国内1—2年的研究不仅会关注ABM在健康政策领域的应用，还会继续探究疫情常态化下的新冠病毒或其他传染病防控问题。总之，不同时期的研究热点与全球性公共卫生应急事件以及政策方针有着较高的关联度，但国外研究范式已经逐渐转变、研究热点及重点也更为细化，而国内研究相较国外的时间跨度较短且持续影响力不足。

五、研究结论及讨论

本研究基于CiteSpace可视化软件，分析了Web of Science及中国知网收录的共885篇有关ABM于健康政策领域应用的文献，从文献历年发表及被引情况、机构合作及其随时间变化情况、关键词共现、关键词聚类和关键词突现的角度展开分析，总结了该领域的研究发展脉络并得出了以下结论。

(一)ABM在公共健康政策中的应用研究数量、质量增长明显但国内外发展速度尚未能同步

从上述分析结果可知，ABM在公共健康政策领域的应用研究总体上呈现出如下特点：其一，数量上具有“运动式波动上升”的年度总趋势，内容上与现实需求密切相关；其二，国外高被引文献基本上发表在顶级或高水平权威期刊上，国内高被引文献亦多为博士学位论文，文献价值均较高、影响力较大；其三，从国内外机构发文情况也可看出，排名较前的机构大多为国际上知名度较高且认可度较高的高校或科研机构，国内也主要以“985 工程”“211工程”以及“双一流”高校为主。

目前问题在于，相较于国外，我国政策仿真研究不仅起步较晚，增长数量及受关注程度均明显不足(至今还未有年产25篇文献以上的年份出现)，且国内高被引文献多为学位论文，鲜见权威期刊论文，一定程度上说明国内权威期刊对于该交叉研究范式的认知和重视程度不足。一方面，这或许与国内学界特别是社科领域存在依赖数据统计、排斥方法创新、不愿更新范式的守旧心态和追求最佳线性无偏估计量的科研惯性有关(44)吕鹏：《ABM仿真模拟方法漫谈》,《贵州师范大学学报(社会科学版)》2016年第6期。；另一方面，也与决策层的支持和推动相对缺乏不无关联。发达国家政府及科研院所多年前即已将ABM等仿真建模方法引入公共健康政策研究领域，以保障人群健康或寻求最优政策等。反观国内，政策仿真研究的意义与潜能被低估，除因为欠缺宏观政策的激励与推广之外，也缘于缺乏基金项目、学术出版物乃至系统性培训、会议和大学课程等的规划与支持。

(二)目前国外相关研究较国内表现出更佳的机构间合作关系及融合性研究态势

当前在国际上，ABM与公共健康政策研究相结合已成为新兴科研增长点，研究热度不断升温、方兴未艾，跨学科、跨机构乃至跨国家的交流与合作十分活跃。相反，国内关于该主题的研究仍大多处于“单打独斗”的状态(各机构间中心性均为0)，不仅跨机构、不同领域间合作极少，跨国家交流更是缺乏，尚未形成密切的合作交流网络。尽管近年来ABM开始在医学或人文社科与工科等交叉学科的研究中崭露头角，出现了南通大学公共卫生学院、四川大学经济学院以及华中科技大学管理学院等非工科院校，但这些院校之间还未形成合作关系，更缺乏与专业建模方向院校的交流。对于非工科或管理科学与工程专业出身的研究者而言，如果缺乏研究合作伙伴和专业的仿真建模技术团队支持，那么在应用ABM方面无疑需要花费大量时间与精力“摸着石头过河”，并且，将ABM引入公共健康政策领域开展仿真研究也对研究者本人的建模知识与计算机编程能力提出了极高要求。因此，无论是从科研时间成本、仿真数据与结果的准确性，抑或科研成果发布的时效性等考虑，若缺乏有效的跨学科协作，都将影响ABM在公共健康政策等社科领域的推广应用。可以说，这是导致ABM在国内公共健康政策领域发展缓慢的又一重大原因。

故此，亟须加强多学科交叉合作，着力开发更简便易用的自主仿真建模软件平台，以提升交叉学科科研工作者的可操作性；在推动具有普适性、易操作性的ABM方法论指导文献出版的同时，尝试在高校的社科专业中开发和推广ABM 的教学科研平台，为ABM等仿真技术的推广与发展夯实人才基础。此外，未来还可进一步通过加强校准、验证、确认三位一体(Verification, Validation and Accreditation, VV&A)方法的研究力度和公开建模报告等，使建模程序得以验证与复制，方便非建模方向学者开展相关研究。

(三)国内外相关研究热点趋同性、差异性并存且涉及多个领域，国内相关研究及具体应用方向较国外仍有较大拓展空间

首先，从关键词共现情况可以看出，WoS核心集中除去检索词，显示出国外既有对传染病防控、人群不健康行为习惯干预等方面的关注，还日渐重视ABM在公共政策、老年人和儿童照护政策效果中的应用。而CNKI数据库除去检索词后，关注的重点相较国外来说更加宏观和单一，主要偏向医疗体系、卫生应急管理以及传染病防控方面的研究。此外，关键词时区图谱显示，国外相关研究已经进化到“逐渐成熟期”，而国内研究还处于“推广期”、尚未有范式的转变。其次，进一步从前期基于不同平台可视化分析的发展态势以及聚类模块分析等可以看出国内外相关ABM应用于公共健康政策仿真研究热点的主题趋同性、差异性并存。虽然国内外学者均同时关注到了ABM于传染病防控、人群心理及精神卫生保障以及环境保护与可持续发展研究三大方面，但国内相关研究相较于国外还未在特殊人群照护、不健康行为干预以及社区卫生保障与健康促进等方面形成热点。最后，通过关键词突现情况可以看出，国内外不同时期的研究热点均与全球性公共卫生应急事件以及政策方针有着较高的关联度，但国外研究范式已经逐渐转变、研究热点及关注重点更加细化且全面，既有常态化的非传染性慢病防控以及人群不健康行为干预等政策研究，又有非常态化应急性的传染病防控政策研究，体现了“大卫生观”及“整合观”；而国内研究不仅相较国外的时间跨度较短且持续影响力不足，也还未关切到人群的慢性病防控等方面的研究，可以说，目前还尚处于ABM方法在公共健康政策研领域应用的普及与宣传阶段。故国内在继续推动老年照护研究与ABM的结合以应对人口急速老龄化的同时，还应重视未成年人照护政策模拟、人群健康素养提升的政策动力学以及初级卫生保健及居民慢病管理的动态建模等方面，助力“健康中国”目标的实现。

综上，ABM因其能精准模拟出复杂环境中主体间、主体与环境间的复杂互动并寻求当前条件下的最优解，日趋成为公共健康政策制定和评估的有力工具且已深入人群健康与照护的多个子领域。虽然ABM的优势十分明显，但在发展与应用过程中仍面临一些无法忽视的挑战，特别是国内在挖掘健康政策仿真建模潜能以及促进公共管理理论与实践的创新等方面，仍需要来自国家层面的重视、科研平台的支持、自然科学与社会科学以及临床医学学者之间的更广泛的交流合作等合力推动。总之，未来应继续拓宽ABM方法应用的深度与广度，推动学科交叉融合并借鉴西方有益经验以及新视角，促进ABM在公共健康政策领域更深层次、更广泛的运用并充分挖掘其价值与潜能，以解决公众健康这一复杂系统中的管理实际问题。