Pemodelan Berasaskan Agen bagi Penggunaan Fesyen Pantas: Mensimulasikan Perubahan dalam Tingkah Laku Pengguna

1. Pengenalan & Gambaran Keseluruhan

Penyelidikan ini menggunakan Pemodelan Berasaskan Agen (ABM) untuk membedah pemacu kompleks di sebalik penggunaan fesyen pantas, dengan tumpuan khusus kepada pasaran Sepanyol. Kajian ini melangkaui model salah yang simplistik untuk mensimulasikan bagaimana keputusan individu—yang dibentuk oleh kesedaran tentang isu alam sekitar dan buruh, pendidikan, tekanan rakan sebaya, media sosial, dan dasar kerajaan—bergabung menjadi tren seluruh pasaran. Persoalan teras bukan sekadar mengapa orang membeli fesyen pantas, tetapi dalam keadaan apakah jisim kritikal beralih ke arah corak penggunaan yang lebih lestari.

Model ini mengandaikan bahawa pilihan pengguna adalah fungsi kepercayaan dalaman dan pengaruh sosial luaran. Ia bertujuan untuk mengenal pasti titik tuas di mana intervensi dapat paling berkesan memangkinkan peralihan sistematik daripada paradigma fesyen pakai buang, yang bertanggungjawab terhadap pelepasan CO₂ yang ketara dan ketidaksamaan sosial.

2. Metodologi & Kerangka Model

Simulasi ini dibina berdasarkan populasi agen autonomi, setiap satunya mewakili seorang pengguna. Interaksi mereka dalam persekitaran maya menghasilkan corak tingkah laku kolektif yang muncul.

2.1 Reka Bentuk dan Atribut Agen

Setiap agen i dicirikan oleh satu set pemboleh ubah dinamik:

• Pendapat (O_i): Nilai berterusan yang mewakili pendirian agen terhadap fesyen lestari (contohnya, dari -1 untuk "pro-fesyen-pantas" hingga +1 untuk "pro-kelestarian").
• Tahap Kesedaran (A_i): Pengetahuan mengenai kesan alam sekitar dan keadaan buruh.
• Kerentanan (S_i): Tahap di mana agen dipengaruhi oleh rakan sebaya, media, atau kempen.
• Kecenderungan Polarization (P_i): Parameter tetap yang menentukan sama ada agen terbuka kepada perubahan pendapat (tidak terpolarisasi) atau mengukuhkan kepercayaan awalnya (terpolarisasi).

2.2 Dinamik Pendapat dan Polarization

Model ini menggabungkan dua fabrik sosial yang berbeza:

• Populasi Tidak Terpolarisasi: Pendapat agen menyatu dari masa ke masa melalui pembelajaran sosial, serupa dengan model klasik seperti model DeGroot di mana pendapat dikemas kini sebagai purata wajaran pendapat jiran: $O_i(t+1) = \sum_j w_{ij} O_j(t)$.
• Populasi Terpolarisasi: Agen menunjukkan bias pengesahan. Interaksi dengan agen yang tidak bersetuju boleh membawa kepada kesan balikan, mengukuhkan pendapat sedia ada daripada memoderatkannya, dimodelkan oleh fungsi yang meningkatkan keterlaluan pendapat apabila berhadapan dengan percanggahan.

2.3 Mekanisme Pengaruh

Tiga daya luaran utama dimodelkan:

1. Tekanan Rakan Sebaya: Kesan rangkaian tempatan di mana agen melaraskan pendapat berdasarkan lingkaran sosial terdekat mereka.
2. Pengaruh Media Sosial: Mekanisme siaran yang dapat mengubah pendapat agen yang rentan dengan cepat, selalunya menguatkan pandangan terpolarisasi.
3. Intervensi Kerajaan: Kempen dari atas ke bawah yang secara seragam meningkatkan tahap kesedaran A_i bagi segmen sasaran, menjadikan atribut kelestarian lebih ketara dalam fungsi keputusan.

3. Penemuan & Keputusan Utama

3.1 Kesan Kempen Kerajaan

Keputusan simulasi dengan kukuhnya mengenal pasti tindakan kerajaan sebagai faktor paling penting untuk memulakan perubahan tingkah laku berskala besar. Kempen yang meningkatkan kesedaran awam menetapkan "garis dasar" baharu untuk wacana, menjadikan pertimbangan kelestarian lebih arus perdana. Walau bagaimanapun, keberkesanannya tidak mutlak.

3.2 Peranan Media Sosial dan Polarization

Kejayaan dasar kerajaan dikondisikan oleh landskap sosial. Dalam populasi terpolarisasi, media sosial sering bertindak sebagai daya pengimbang, membahagikan populasi dan mencipta ruang gema yang menentang mesej dari atas ke bawah. Dalam senario sedemikian, kempen mungkin hanya berjaya dengan majoriti tidak terpolarisasi, sementara mengeraskan penentangan minoriti terpolarisasi. Dalam persekitaran kurang terpolarisasi, media sosial boleh membantu menyebarkan dan mengukuhkan mesej yang dipimpin kerajaan.

3.3 Pulangan Berkurangan bagi Intervensi Berlebihan

Satu penemuan penting dan tidak intuitif ialah intervensi kerajaan yang "lebih banyak" tidak semestinya "lebih baik." Model menunjukkan pulangan berkurangan yang jelas. Kempen awal yang kuat menghasilkan peralihan ketara dalam pendapat awam. Walau bagaimanapun, kempen yang berpanjangan atau terlalu agresif membawa kepada ketepuan, di mana pelaburan tambahan menghasilkan perubahan tingkah laku tambahan yang minimum. Tambahan pula, dalam konteks terpolarisasi, intervensi berlebihan boleh mencetuskan tindak balas balas dalam kalangan kumpulan yang menentang.

4. Butiran Teknikal & Kerangka Matematik

Keputusan teras agen untuk membeli fesyen pantas (FF) berbanding fesyen lestari (SF) dimodelkan sebagai pilihan kebarangkalian, dipengaruhi oleh pendapat dan kesedarannya. Kebarangkalian $P_{FF}(i)$ bahawa agen i memilih fesyen pantas boleh diwakili oleh fungsi logistik:

$P_{FF}(i) = \frac{1}{1 + e^{-(\beta_0 + \beta_1 \cdot O_i + \beta_2 \cdot A_i + \epsilon)}}$

Di mana $\beta_0$ ialah bias garis dasar, $\beta_1$ mewakili kekuatan pendapat peribadi, $\beta_2$ mewakili kesan kesedaran (tanda negatif dijangka), dan $\epsilon$ ialah istilah bunyi rawak yang mewakili faktor tidak termodel.

Kemas kini pendapat untuk agen tidak terpolarisasi yang berinteraksi dengan agen j mengikut peraturan keyakinan terikat atau purata:

$\Delta O_i = \mu \cdot S_i \cdot (O_j - O_i)$, jika $|O_j - O_i| < \text{ambang}$

Bagi agen terpolarisasi, peraturan kemas kini mungkin termasuk istilah yang mengukuhkan arah pendapat sedia ada mereka apabila berhadapan dengan ketidaksetujuan.

5. Kerangka Analisis: Contoh Kes

Senario: Kerajaan melancarkan kempen kebangsaan selama 6 bulan yang mengetengahkan kos alam sekitar sisa tekstil.

1. Permulaan Model: Cipta 10,000 agen dengan pendapat teragih normal di sekitar min yang sedikit pro-FF. Tetapkan 30% sebagai "terpolarisasi." Tetapkan kesedaran awal rendah.
2. Intervensi: Pada bulan 1, tingkatkan parameter kesedaran $A_i$ untuk 70% agen (mensimulasikan capaian kempen).
3. Dinamik Sosial: Biarkan agen berinteraksi. Agen tidak terpolarisasi dengan kesedaran yang ditingkatkan secara beransur-ansur mengalihkan pendapat $O_i$ ke arah kelestarian, dipengaruhi oleh rakan sebaya. Agen terpolarisasi menentang; sesetengah mungkin mengalihkan $O_i$ lebih jauh ke arah pro-FF sebagai tindak balas balas.
4. Pengukuran Output: Jejak bahagian pasaran agregat bagi pembelian SF simulasi dari masa ke masa. Model biasanya akan menunjukkan peningkatan awal yang cepat diikuti oleh dataran tinggi. Menjalankan kontrafaktual tanpa kempen menunjukkan tren rata atau lebih perlahan.
5. Ujian Sensitiviti: Jalankan semula simulasi dengan melanjutkan kempen kepada 18 bulan. Keputusan kemungkinan besar akan menunjukkan bahawa keuntungan tambahan selepas bulan 12 adalah minimum, menggambarkan pulangan berkurangan.

6. Analisis Asal & Tafsiran Kritikal

Wawasan Teras: Kertas kerja ini menyampaikan wawasan bercanggah yang kuat: dalam pertarungan menentang fesyen pantas, negara bukan sekadar pemerhati atau alat tumpul, tetapi pemangkin penting. Walau bagaimanapun, kuasanya tidak tanpa syarat; ia dimediasi dan dimodulasi oleh fabrik sosial itu sendiri—khususnya tahap polarisasi—yang cuba diubahnya. Penemuan bahawa intervensi berlebihan menghasilkan pulangan berkurangan adalah satu kejayaan dalam realisme dasar, secara langsung mencabar advokasi "lebih banyak lebih baik" yang biasa dalam kalangan kelestarian.

Aliran Logik: Hujah ini berjalan dengan logik yang elegan. 1) Menetapkan bahawa pilihan individu adalah kompleks dan tertanam secara sosial. 2) Gunakan ABM untuk menguraikan kerumitan ini, mengasingkan pemboleh ubah. 3) Menemui kempen negara sebagai tuas utama untuk mengalihkan min pendapat. 4) Yang penting, mendedahkan bahawa kecekapan tuas ini adalah fungsi polarisasi masyarakat dan peranan penguatan/pencacatan media sosial. 5) Kesimpulan dengan prinsip bernuansa intervensi optimum dan tidak kekal. Aliran ini mencerminkan ketelitian analitik kerja ABM asas dalam sains sosial, seperti yang diperjuangkan oleh Santa Fe Institute, yang menggunakan simulasi untuk mengkaji fenomena muncul dalam sistem adaptif kompleks.

Kekuatan & Kelemahan: Kekuatannya ialah penerimaannya terhadap kerumitan dan nuansa yang relevan dengan dasar. Ia mengelak moralisasi simplistik tentang pengguna. Kelemahan utama, yang diakui dalam teks PDF yang dipotong, kemungkinan besar terletak pada abstraksi dan parameterisasi. Bagaimanakah "kesedaran" dan "polarisasi" benar-benar dikuantifikasi dan disahkan? Output model hanya sebaik andaian inputnya. Ia berisiko menjadi penjana "bagaimana-jika" yang menarik dan bukannya alat ramalan tanpa penentukuran empirikal yang kukuh daripada data dunia sebenar mengenai sentimen pengguna Sepanyol—cabaran yang serupa dengan yang dihadapi dalam menentukur model ekonomi berskala besar.

Wawasan Boleh Tindak: Bagi pembuat dasar, ini adalah buku panduan: Mulakan dengan kuat, sasarkan secara meluas, dan tahu bila untuk berubah haluan. Jangan bazirkan sumber untuk kempen kekal. Sebaliknya, gunakan kempen awal untuk mengalihkan tetingkap Overton, kemudian galakkan mekanisme rakan ke rakan dan dipimpin influencer untuk mengekalkan perubahan. Bagi aktivis, pengajarannya ialah melobi untuk intervensi negara yang bijak dan berasaskan bukti sebagai strategi teras, sambil bekerja untuk mengurangkan polarisasi masyarakat sekitar isu penggunaan. Perjuangan bukan hanya menentang jenama fesyen pantas; ia menentang ekosistem media yang pecah yang menyukarkan tindakan kolektif.

7. Prospek Aplikasi & Hala Tuju Masa Depan

Kerangka ini mempunyai aplikasi segera di luar fesyen pantas:

• Platform Simulasi Dasar: Kerajaan boleh menggunakan versi ABM yang disesuaikan untuk menguji tekanan kempen kelestarian yang dicadangkan (contohnya, larangan plastik, subsidi kenderaan elektrik) sebelum pelancaran, menganggarkan penerimaan dan mengenal pasti potensi tindak balas balas.
• Strategi Korporat: Peruncit fesyen, baik pantas mahupun lestari, boleh menggunakannya untuk memodelkan respons pengguna kepada barisan baharu, mesej pemasaran, atau inisiatif ketelusan.
• Hala Tuju Penyelidikan Masa Depan:
  1. Integrasi dengan Data Sebenar: Menggandingkan ABM dengan analisis sentimen media sosial berskala besar (contohnya, menggunakan NLP pada data Twitter/X) untuk secara dinamik memparameterkan polarisasi dan kelompok pendapat.
  2. Pemodelan Pelbagai Skala: Menghubungkan ABM pengguna dengan model berasaskan agen rantaian bekalan, mensimulasikan bagaimana peralihan dalam permintaan memberi maklum balas untuk mempengaruhi amalan pengeluaran dan keadaan buruh.
  3. Meneroka Intervensi Alternatif: Memodelkan kesan instrumen kewangan (contohnya, cukai ke atas poliester dara, subsidi untuk kitar semula pakaian) bersama-sama kempen maklumat.
  4. Pengesahan Rentas Budaya: Mereplikasi model dengan parameter yang ditala untuk konteks budaya berbeza (contohnya, AS, Asia Tenggara) untuk membandingkan keberkesanan dasar merentasi masyarakat dengan tahap individualisme dan kepercayaan terhadap institusi yang berbeza.

8. Rujukan

1. Castellano, C., Fortunato, S., & Loreto, V. (2009). Statistical physics of social dynamics. Reviews of Modern Physics, 81(2), 591.
2. DeGroot, M. H. (1974). Reaching a consensus. Journal of the American Statistical Association, 69(345), 118-121.
3. Geiger, N., & Swim, J. K. (2016). Climate of silence: Pluralistic ignorance as a barrier to climate change discussion. Journal of Environmental Psychology, 47, 79-90.
4. Kolk, A. (2014). The role of consumers in EU sustainability policy. In Handbook of Research on Sustainable Consumption. Edward Elgar Publishing.
5. Epstein, J. M., & Axtell, R. (1996). Growing Artificial Societies: Social Science from the Bottom Up. Brookings Institution Press.
6. Santa Fe Institute. (n.d.). Complexity Explorer: Agent-Based Modeling. Retrieved from https://www.complexityexplorer.org/