数据优化为社会各产业带来效率提升，但通过数据挖掘来了解毒品扩散规律从而加以干预控制却是拯救生命的福祉。本文探讨了agent-based modelling 在研究毒品传播和社交网络以及人类行为关系的运用，一切行为都是有迹可循，答案都在数据中。

　　

　　Brandi用注射器的尖端拨了一下勺子里的灰色海洛因块。这是过去几天在市场上出现的一种新品种，Brandi非常喜欢这个品种。“我感觉更好了，对疼痛有更强的抵抗力了”她说。

　　

　　一旦它溶解成液体，她就会将它注射到她的手臂中，然后用一根新针头注射到另一个女人瘦骨嶙峋的胳膊中。“她做得比医院好，”瘦弱的女人说。

　　

　　“我会帮助任何需要它的人，”Brandi向Daniel Ciccarone解释道。Ciccarone是加州大学旧金山分校的公共卫生研究员，一直在拍摄整个过程。

　　

　　Ciccarone的团队在西弗吉尼亚州的查尔斯顿形影不离般的跟随着Brandi （Brandi这个名字在本次实验中是化名），记录着她的社交活动，不评价也不干预她的这些活动。之后，该小组将对Brandi以及来自全市各地的其他六个吸毒者视频进行分析，这些视频详细记录着他们日常生活的大小细节。例如，Brandi不会加热勺子上的溶液，这可能会增加传播HIV等病毒的可能性。测试显示，她吸食的药物中掺杂了芬太尼，这是一种比海洛因毒性强50倍的合成药物。

　　

　　研究人员将这些数据输入到查尔斯顿强大的计算机模拟器中，这些模拟器由成千上万像Brandis一样正过着日常生活的虚拟吸毒者和毒贩组成。他们将观察到这数字化的个体随着对剂量容忍度增加而购买更多海洛因，同时与毒贩和吸毒者形成网络，以及某些情况下过量服用毒品。

　　

　　目前标准的建模方法是基于人口的平均状况。与标准建模相比，ABM模型可以针对阿片类药物危机提供更精细的视图，并能捕捉到一些更复杂的吸毒原因。这种方法对于论证开办或者关闭一家美沙酮诊所或针具交换中心的影响非常重要。

　　

　　这些模型使科学家能够以几乎零成本的方式来比较干预措施，并有助于政策制定者决定如何在现实世界中做出决策。“这是一种非常经典且有用的方式，可以用于选择最佳的干预措施部署位置，”来自美国佐治亚州亚特兰大市疾病控制预防中心（CDC）的艾滋病预防部门医疗顾问John Brooks说道。

　　

　　尽管这些模拟器一直以来都被用于疾病暴发的分析，并影响实际的公共政策，但是鉴于数据分散、参数过广，它们对于复杂社会行为（如毒品使用）的跟踪记录是很有限的。

　　

　　尽管如此，科学家仍然希望ABM模型可以为决策者提供一些决策场景，虽然决策者往往更多地受政治驱动而不是数据驱动。“我们遇到的障碍并不是科学的或医学上的，”Ciccarone说，“你可以向西弗吉尼亚投入10亿美元，但是他们并不一定知道如何很好地使用这些钱。”纽约大学Agent-Based Modeling实验室主任Joshua Epstein说：“模型模拟的虚拟世界可以让事情变得更清晰。你可以直接亲眼见到这件事的发生。

　　

　　

　　据估计，美国阿片类药物危机导致每天有115人由于过量吸毒而死亡。自2001年以来，医疗费用和生产力的流失已经造成了1万亿美元的损失。这并不是美国首次面临成瘾危机，也不是最严重的一次。酒精滥用导致的死亡人数更多，非裔美国人过量服用可卡因的比率与美国白人过量服用阿片类药物的比率相似。

　　

　　但阿片类药物危机确实有一些不同的驱动因素，例如处方药的流行，许多人曾在滥用非法药物时使用这种处方药；后来随着用于提高海洛因药效的芬太尼的引入，许多吸毒者因吸食过量而死亡。这些药物的盛行也波及到农村地区，在这些地区，应对毒瘾的配套服务和基础设施非常缺乏。“阿片类药物危机已经波及以往从未受到毒品影响的人群，”马里兰州贝塞斯达美国国家药物滥用研究所所长Nora Volkow说。

　　

　　因此，研究人员正在从新的角度研究阿片类药物危机。来自北卡罗来纳州三角研究园的国际非盈利研究机构RTI的数据科学家Georgiy Bobashev表示，毒瘾的扩散与流行病有相似之处，例如，它可以通过基于人际关系和身体接触的网络进行传播。“没有人生来就是瘾君子。一定有人教你如何吸烟或如何注射。“

　　

　　ABM建模方法可以复制这些人际关系网络。与其他类型的模型不同的是，其他类型的模型可能依赖于同类群体之间的平均特征或关系来推出算法，而基于代理的模型可以帮助研究人员看到人与人之间的微妙联系。“这很有用，因为吸毒和过量吸毒本质上是个人行为，”罗德岛普罗维登斯布朗大学的流行病学家布兰登马歇尔说。

　　

　　失业，心理健康或遗传等因素可以影响一个人吸毒和上瘾的可能性，但如果研究人员以整个人群为单位研究平均特征，这些个体因素可能会淹没在平均值里。

　　

　　为了创建ABM模型，研究人员首先“建立”虚拟城镇或地区，有时基于真实的地方，包括学校和食品店等建筑。然后，他们将代理人设置到虚拟环境中，使用人口普查数据为每个代理人提供自己的特征，例如年龄，种族和收入，并将代理人分布在整个虚拟城镇中。

　　

　　代理人是自主的，但是行为都是按照预先编好的程序进行的，例如，每周工作五次。某些行为可能更随机，例如每天跳过工作的概率为5％，或者在代理人网络中遇到某个人的几率为50％。

　　

　　在系统可以尽可能显示现实情况时，研究人员就会引入一个变量，如流感病毒，这个病毒的传播速度和形式与现实世界中相同。然后，他们运行模拟器来测试学校关闭时、开展疫苗接种活动时等各种情况下时代理人行为的变化，并重复运行数千次以确定不同结果发生的概率。

　　

　　2015年，宾夕法尼亚州匹兹堡大学开发的ABM模型帮助加利福尼亚州参议员Richard Pan获得了州内强制接种疫苗法案的支持。Pan利用模拟器向他的参议员们展示了他们家乡地区的麻疹爆发情况。“这无疑对他们产生了巨大影响，”Pan说。“ABM模型用更具体而非抽象术语的形式描述麻疹爆发的情况。”该法案最终通过，麻疹免疫率上升。

　　

　　随着计算机技术的发展，研究人员开始采用ABM模型来研究包含更多变量、对计算机运算能力要求更高的社会学与行为学的问题。部分研究人员使用该模型进行危机模拟，澳大利亚研究者们已经开始根据ABM模型来针对儿童肥胖问题进行干预研究了。

　　

　　为了应对阿片类药物的流行，Bobashev团队建立了“疼痛城”模型——一个拥有一万名慢性疼痛患者、70名毒贩、30名医生、10间急诊室以及10家药房的普通虚拟城市。研究人员在此模型中进行了五个虚拟年的实验，记录下每个虚拟日的变化。

　　

　　在此期间，患者的耐药性增加，导致他们去寻找其他获得药物的途径。他们的行为受许多变量影响，比如医生增加处方药量的概率或毒贩手上有足够海洛因的概率。在一定概率水平下，病人将会上瘾或倾向于过度用药。例如，Bobashev的早期数据显示，医生对病人用药史的追踪在长期来说是有效的（虽然短期可能无效）

　　

　　Bobashev表示，该模型包含许多假设与简化。例如，它没有考虑这样一些事实：人们产生耐药性的速度以及毒品上瘾速度与基因等因素有关，并且人们是否从处方药转向海洛因取决于获取两种药的容易程度。

　　

　　但研究者们能够通过调整模型（如“疼痛镇”模型）来测试变量干预，比如说增加急诊室使用度，逮捕一个毒贩或者为警察配备纳洛酮（一种缓解阿片类药物过度服用的药物），从而观察系统如何应对变化，一段时间内的死亡数是否受到影响。随着模型逐渐变得更加复杂，研究者可能将能够引入更多的变量，比如那些没有在服用止痛药但很容易开始尝试阿片类药物的人。

　　

　　一位来自布莱克斯堡市弗吉尼亚理工学院（Virginia Tech）的计算机科学家认为，这类模型还能够帮助理解为何在不同的地理位置，情况也会有所不同。例如，海洛因与芬太尼更容易来自港口城市，而医生更可能是郊区或农村环境中阿片类药物主要来源。因此，针对医生处方行为的干预策略就会在不同情况下起到不同的效果。

　　

　　这些模型还可体现反馈循环，例如经济衰退与阿片类药物使用之间的联系。一些流行病学研究表明，失业等因素往往能够预示着自杀与成瘾问题，尤其是对于白人男性人口来说。而成瘾会进一步导致失业与生产力降低，从而损害经济。Barrett认为，ABM模型能够研究这样的循环，为研究如何减轻该影响提供思路。

　　

　　Bobashev与Ciccarone于五月在加拿大温哥华国际药物政策研究会议上展示了其中一种ABM模型的结果。他们的研究结果表明，白色粉末状海洛因——美国一种新型药物——的逐渐流行可能增加注射吸毒者艾滋病毒传播的风险。该问题的原因（也被模型所支持）是，与黑焦油状海洛因不同，使用者不需要加热药物使其溶解——而加热能够杀死病毒。

　　

　　Bobashev和Ciccarone正在搭建一个模型，研究吸食海洛因的年轻人如何开始使用这种药物。与20世纪80年代经历艾滋病流行病爆发的老年用户不同，新用户可能不太采用安全措施。这些模型表明，美国可能会看到更多的局部艾滋病毒爆发，类似于最近在印第安纳州斯科特县发生的那场。该区域在2014年11月至2015年11月期间发现了181例新的艾滋病病例，而此前每年不到5例。阿片类药物的使用被认为是这些艾滋病爆发的原因。ABM模型可以通过指导监控优先级来帮助阻止未来的爆发。

　　

　　最复杂的基于代理模型之一是匹兹堡大学的系统，称为FRED（A Framework for Reconstructing Epidemiological Dynamics，重建流行病学动力学的框架）。它将人口普查数据与全国各地区的地图相匹配，使研究人员能够以现实的方式跟踪该地区的虚拟个体。

　　

　　来自这些模型的数据帮助说服了Pan和他的州参议员通过关于强制接种的法律。FRED团队现在开始使用该系统进行阿片类药物建模，并根据历史趋势进行模型训练。Pan也是一名医生，他说他对该方向的前景很感兴趣。“如果有一种方法可以在不同的社区中进行实际建模来观察哪些因素会产生最大的影响，那将会非常有帮助。”，他说。

　　

　　

　　在被广泛采用之前，这些模型面临着许多挑战；最主要的挑战来源于数据上的短缺。Marshall表示，研究人员很难获得制造商、药房和执法机构持有的阿片类药物处方数据。

　　

　　获取政府掌握的贩毒集团的信息、流入该国的毒品类型和比率等信息也很困难。其他数据根本不存在可用形式：例如，代理商可能会记录药物过量导致的死亡，但并未指明具体是哪种药物导致的。

　　

　　观察Brandi等吸毒者可以更快更准确地提供某些类型的信息。“吸毒者非常了解他们的药物。”Ciccarone说。

　　

　　Lee Hoffer是俄亥俄州克利夫兰凯斯西储大学（Western Reserve University）的文化人类学家，他对海洛因市场进行研究，并与Bobashev合作。他说，他的团队与其他人正在收集的人种学数据可能有助于填补一些信息空白：“我们试图以外来者的身份进入他们的世界，看看他们如何看待自己的生活。”他表示，在最初的尴尬时期过去后，吸毒者倾向于对研究人员更加诚实，告诉他们一些关键信息，例如他们如何与经销商建立联系，以及药物的成本等。

　　

　　Epstein说，了解吸毒者的心理也至关重要。大多数决策模型都假设理性行为。实际上，情感、错误信息和非理性计算都起着重要作用。“当你把它们放在一起时，人们会做出一系列并不合理的行为。”

　　

　　流行病学数据可能很快就可以用于支持模型。疾病预防控制中心和美国国家药物滥用研究所已经开展了几项关于药物使用模式的重要调查。一些州也开始收集药物过量使用和成瘾趋势的流行病学信息。匹兹堡大学团队等研究小组正在与多个卫生机构合作，将他们的研究结果整理到统一数据库中，这可以为FRED和其他模型提供信息。

　　

　　但无论模型多么先进，基于模型的结果来进行政策干预都是一项巨大的挑战。模型可以揭示出政策无法直接描述的社会经济中的影响因素，而政治可能阻碍经过验证的解决方案的实施。

　　

　　今年四月，在他一直合作的针具交换诊所由于政治压力而关闭之后，Ciccarone不得不取消他在查尔斯顿的工作，至少是暂时取消。“由于需求量过大，他们在一个周三下午就会诊了300人。”，他说。“（关闭针具交换诊所）是一个巨大的损失。”。

　　

　　现在，更多的工作正在进行，以确定干预措施的相对影响。美国国立卫生研究院（NIH）于四月宣布了一项9600万美元的计划，该计划将与医疗卫生系统以及地方政府合作，在不同地点针对公共卫生开展基于实证的干预，并随时对其进行评估。

　　

　　“这是第一次针对特定药物的滥用进行的干预。”Volkow说。美国国立卫生研究院现在要求申请资金的研究人员使用模型数据（包括ABM模型）来证明其拟议研究的规模和范围。

　　

　　但这些研究需要很多年才能完成。Bobashev说社会不能坐等科学给出完美的结果。“在收集完这些数据前，数万甚至数十万人将已经死亡。”。