Danielisová — Štekerová, Sociální simulace při zkoumání společnosti, ekonomiky a využívání krajiny v době železné
137–180
Sociální simulace při zkoumání společnosti, ekonomiky
a využívání krajiny v době železné:
metoda a příklady
Social Simulations for Exploring Society, Economy
and Land Use in the Iron Age:
Method and Examples
Alžběta Danielisová — Kamila Štekerová
Předloženo redakci v prosinci 2014, upravená verze v červenci 2015
Cílem příspěvku je prezentovat metodu sociálních simulací a agentového modelování v archeologii, metodického přístupu
v českém badatelském prostředí zatím málo používaného. Vysvětlujeme zde aplikovatelnost počítačově konstruovaných
sociálních simulací na archeologická data a teoretické otázky současného výzkumu (např. šíření osídlení, interakce, ekonomické a subsistenční otázky, demografický vývoj apod.). V první části je sumarizována související teorie sociálních simulací a agentového modelování a ty jsou představeny jako metoda aplikovatelná v archeologickém výzkumu. Dále je
zde vysvětlován proces tvorby a použití modelu krok za krokem včetně upozornění na aktuálně diskutované metodické
otázky. V druhé části příspěvku představujeme několik případových studií, které se vztahují k aktuálně řešenému projektu
zaměřenému na mladší dobu železnou ve střední Evropě. Tyto ilustrační ukázky byly zvoleny tak, aby co nejvíce vynikly
podstatné aspekty použití těchto metodických postupů na specifická archeologická data a doménové poznatky a zároveň
aby mohly být diskutovány objektivní výhody i nevýhody archeologické interpretace spojené s touto metodou.
sociální simulace, agentové modelování, archeologická teorie, doba železná, demografie, ekonomika produkce, disperze
osídlení
The aim of the article is to present the method of social simulation and agent-based modelling in archaeology, a methodological approach not extensively employed thus far in Czech research. The authors explain the applicability of computer-constructed social simulation on archaeological data and theoretical questions of current research (e.g. the expansion of settlement, interaction, economic and subsistence issues, demographic development, etc.). The first part of
the work summarises the related theories of social simulation and agent-based modelling, which are presented as
methods applicable in archaeological research. The process of the creation and use of the model is then explained step
by step, including information on currently discussed methodological questions. The second part of the article presents
several case studies related to the current project focussed on the Late Iron Age in central Europe. These illustrative
issues are chosen to highlight significant aspects of the use of these methodological approaches on specific archaeological data and domain knowledge, and to foster discussion on the objective advantages and disadvantages of archaeological interpretations linked to this method.
social simulation – agent-based modelling – archaeological theory – Iron Age – demography – economic production
– settlement dispersion
1. Úvod
Téměř každou výzkumnou činnost lze v jistém smyslu
nazvat „modelováním“; například v archeologii běžně
vytváříme konceptuální modely (hypotézy, typologie),
prostorové modely (GIS), virtuální modely (3D rekonstrukce) nebo statistické modely. Většina z nich však
zkoumá buď izolované prvky systému (keramiku, pohřební ritus, architekturu atd.) nebo strukturu z těchto
prvků vytvořenou (kulturní podobnosti, rozšíření osídlení, rozvoj měst atd.) a pouze teoretizuje o možných
procesech, vyplývajících ze souhrnných aktivit jednotlivých aktérů na úrovni celých populací. Sociální simu-
PAMÁTKY ARCHEOLOGICKÉ CVI, 2015
lace, oproti tomu, nám umožňují zkoumat a rekonstruovat tyto procesy formálním způsobem, a tím poodhalovat části celých kulturních komplexů. Tak můžeme
vytvářet „virtuální laboratoře“, ve kterých můžeme testovat a porovnávat různé hypotézy, nacházet nesrovnalosti v datech nebo identifikovat nové faktory a vztahy,
u kterých bychom původně nepředpokládali, že mají
významný dopad na celý systém. Stručně řečeno, technologie a počítačové modely užívané ve zkoumání komplexních společností mají velký potenciál pro nejrůznější aplikace v archeologii.
137
Danielisová — Štekerová, Sociální simulace při zkoumání společnosti, ekonomiky a využívání krajiny v době železné
1.1. Sociální simulace v archeologické teorii
Hledání zákonitostí, vysvětlování jevů či odpovídání na
otázky typu „co se stalo a proč“ zkoumáním modelových
situací není samozřejmě v archeologické teorii věcí neznámou. Tendence se objevovaly už v 70. letech 20. století, kdy interpretativní metody začaly používat postupy,
nazývané model-based, příp. „sémantické“. Teoretický
koncept budování archeologických modelů jako metodologický nástroj představil D. Clarke /ed./ (1972). Modely mohou být charakterizovány mnoha parametry:
mentální, verbální, fyzické (krajiny, stavby), matematické a simulační, a jsou obecně chápány jako užitečné
heuristické nástroje, které nejen že mohou pomoci porozumět archeologickým jevům, ale mohou mít také explorativní povahu v tom smyslu, že ukazují nové směry
teoretických úvah, zpochybňují zastaralá paradigmata
a objevují nové archeologické otázky či směry bádání
(Wright 2007, 231; Wainwright 2008).
Kritický aspekt tzv. model-based archaeology je ten,
že modely nemohou být ve své podstatě a předpokladech pravdivé nebo nepravdivé, nicméně musí být jasně
vymezené a konzistentní. Dobrý model nemá znamenat
univerzální pravdu, ale dokáže přiměřeně a v určitých
aspektech vystihovat část reálného světa. Cílem modelů
je izolace relevantních parametrů, definování kauzálních vztahů a jejich zasazení do reálných skutečností
(založených na empirických datech), které potom
mohou být testovány např. pomocí dat nových nebo
v modelu nepoužitých. Hlavním rysem těchto modelů je
určitý stupeň svobody v jejich budování. Vytvářením
a porovnáváním různých scénářů se dá kromě obměňování vstupních hodnot a proměnných nebo proxy dat
dobře uplatnit i časový aspekt, čímž se dají např. vysvětlit procesy probíhající na různých prostorových
a časových úrovních a tím je možné rozpoznat nejpravděpodobnější modelový scénář. Úroveň takové shody je
určována většinou evaluačními postupy (statistickým
ověřením, analýzou citlivosti, kontrolními nebo novými
daty atd.). Nevyhovující model ale může být ještě s úspěchem použit na jiný typ problematiky. Což znamená, že
modely jsou metodologicky „flexibilní“, nicméně jedná
se o postup, který se vyznačuje větší disciplínou, vedením a teoretickým pozadím, než jednoduché explorativní analýzy dat.
Modelem se obecně rozumí zjednodušená, abstraktní, idealizovaná reprezentace zkoumaného reálného systému. K zaznamenání modelu je možné použít
přirozený jazyk, matematický zápis či počítačový kód.
Pomocí tohoto metodologického rámce lze zkoumat
socio-ekologické interakce přes širokou škálu společenských, prostorových a časových měřítek, což umožňuje
řešit simultánně celé spektrum archeologických problémů a tím nezávisle testovat původní hypotézy. Hlavním nástrojem pro to se v nedávné době staly sociální
simulace, které jsou flexibilní, rozšiřitelné a vysoce expresivní.
Teorie sociálních simulací jsou metodologicky zakotvené v paradigmatech systémové teorie (von Bertalanffy
1968) využívané procesuální archeologií. Postupy systémové teorie prozkoumávají principy systémů (struktura,
pravidla, provázanost, zpětné vazby) a vytváří modely
na jejich popsání; systémová teorie by tak měla pomá-
138
137–180
hat předvídat lidské chování v sociálních systémech
a pomáhat hledat porozumění jejich vztahům a interakcím. Základní publikací pro sociální simulace je esej
J. Dorana (Doran 1970), publikovaná v jednom z prvních čísel časopisu World Archaeology: Systems Theory,
Computer Simulations and Archaeology. Symbolizovala
tzv. „první vlnu“ archeologických simulací, opuštěnou
pod vlivem jak post-procesuální archeologie, tak vnitřní
metodologické stagnace v 80. letech 20. století (Costopoulos — Lake — Gupta 2010, 2; Lake 2014, 262–265,
277).
Technologický pokrok v oblasti správy a manipulace
počítačových dat 90. let 20. století, kdy mimo jiné došlo
k vývoji tzv. objektově orientovaných programovacích jazyků (např. Java), přivedly badatelský zájem zpět k počítačovým simulacím. Daly se naprogramovat a zkoumat
i složitější struktury (např. „aliance“, „instituce“, „komunity“). Modely 90. let 20. století tak představovaly tzv.
„druhou vlnu“ archeologických simulací, dnes však vnímanou spíše jako metodologicky se nikam neposouvající, nemající za cíl rozvíjet použitelnost svých nástrojů
na větší šíři archeologických otázek. Chyba byla, podle
obecného mínění, v tom, že modely se pokoušely studovat komplexní systémy před dostatečným povědomím
o něčem takovém, jako je teorie komplexity, vlajkové
lodi teorie archeologických modelů dnes (Costopoulos —
Lake — Gupta 2010, 4, Lake 2014, 265–271).
V (současné) době, kdy se bádání zaměřilo více na
zkoumání „procesů“ jako jsou změny ve společnosti,
šíření technologií, nebo dlouhodobé trendy vývoje sociálních struktur (mimo jiné tzv. „fusion/fission“ procesy), se stala aktuálním trendem teorie komplexity1
přejatá ze sociálních věd (např. Crema 2014). Východiskem je představa, že na dřívější civilizace můžeme
pohlížet jako na složité adaptivní systémy (tzv. complex adaptive systems). Komplexita vyplývá z velkého
počtu jedinců, charakterizovaných mnoha parametry
a vlastnostmi. Jedinci fungují v prostředí, jež je rovněž
popsáno mnoha parametry. Adaptivnost se vztahuje
ke schopnosti jedinců měnit a uzpůsobovat své chování, zpravidla ve snaze fungovat racionálně, maximalizovat užitek, účelně alokovat zdroje, využívat příležitosti, reagovat na nově se objevující podněty, problémy
apod. Metodologie sociální komplexity je chápána jako
diferenciace sociálních, politických a ekonomických
struktur kombinovaná s organizací, která propojuje
všechny části (Chapman 2003; Crumley 2007), jinými
slovy jako definování principů interakce (vztahů, jednání) mezi jednotlivými součástmi systému a zkoumání jejich výsledků.
Zkoumání komplexních adaptivních systémů je svou
povahou multidisciplinární. Běžná je analýza systémů
prostřednictvím modelů, které v rámci zvolené míry abstrakce reprodukují chování skutečného systému, a na
kterých lze provádět experimenty. Typicky se v modelu
pracuje s jednotkami, které jsou malé a jednoduché
v porovnání s celkem a jejichž interakce jsou nelineální
a obtížně predikovatelné (Niazi 2013).
1
Český překlad „complexity“ jako „složitost“, není úplně přesný.
Vyvolává spíše dojem komplikovanosti, zatímco konotace anglického termínu je přesně „systém vzájemně propojených součástí,
jehož interakce mohou vést k nepředvídatelným výsledkům“.
PAMÁTKY ARCHEOLOGICKÉ CVI, 2015
Danielisová — Štekerová, Sociální simulace při zkoumání společnosti, ekonomiky a využívání krajiny v době železné
Na rozdíl o leckdy příliš detailních a přitom nedostatečně testovaných modelů druhé vlny, které selhávaly
především v interpretativním aspektu, nové – současné
– modely, které reprezentují tzv. „třetí vlnu“ archeologických simulací (Costopoulos — Lake — Gupta 2010,
5; Premo 2010; Lake 2014, 271–277), ukazovaly, že jednoduché systémy s menším objemem vazeb a objektů
mohly generovat tzv. komplexní systém, který se dal
dále zkoumat. Sledují se aktivity, a chování agentů (individuálně a simultánně), schopných vlastního rozhodování (tzv. decision making), kteří obývají prostorově
a časově definovaný svět a provádějí interakce mezi
sebou a svým prostředím. Na základě jejich pozorování
se potom budují interpretace a teorie, které nakonec
přinášejí užitečné předpoklady pro archeologické poznání (Cioffi-Revilla 2010). Mezi ně patří například i poznatek, že mimořádné společenské změny nemusí být
vždy způsobeny mimořádnými příčinami (např. Wilkinson — Gibson — Widell /eds./ 2013; Kohler — Varien
/eds./ 2012).
Velkou výzvou byl ve své době i prostorový aspekt simulací, které se měly odehrávat na reálné mapě. Ta
byla do jisté míry vyřešena aplikací geografických informačních systémů (GIS). Navázání na simulace na druhé
straně obohatilo GIS, do té doby statický a „mapový“ nástroj, o dynamický (vývojový) aspekt.
Nejčastěji se konstruují modely agentové (agentbased models), jimž je věnován tento příspěvek, a složité
síťové modely (complex network models).
1.2. Agentové modelování
Agentové modelování reprezentuje proces vytváření výpočetního modelu, zpravidla replikujícího reálný svět,
a provádění experimentů za účelem porozumění jeho
chování. Základním konceptem agentového modelování je „agent“ – autonomní (samostatná) a interaktivní
entita, která může reprezentovat např. částice, živý organismus, celou komunitu nebo i krajinu. Agentové modelování umožňuje definovat situace, v nichž autonomně fungující entity (agenti) interagují jednak spolu
navzájem, jednak s prostředím, jež je obklopuje. Prostředím se nejčastěji rozumí explicitní geografický prostor, avšak může jím být i abstraktní prostor přípustných chování a projevů agentů. Zjednodušenou formální reprezentací prostoru je dvou- či třírozměrná
mřížka, případně síť ve smyslu matematické teorie
grafů. Běžným principem, uplatňovaným v agentových
modelech nejen v archeologii, je kombinování prostředí
založeného na reálných GIS datech s uměle definovanými agenty, kteří nemají své protějšky ve skutečném
světě. V modelu tak lze propojit např. plán města nebo
mapu krajiny s agenty, představujícími fiktivní jednotlivé obyvatele, rodiny, společenské či ekonomické celky.
Prováděním pokusů na agentovém výpočetním modelu může badatel zpřesňovat úsudky o studovaných
jevech nebo testovat tzv. what-if scénáře (hypotetické
„co kdyby“ situace). Předmětem experimentování je paralelní činnost a projevy početných populací agentů ve
vztahu k prostředí, zvláště již zmíněné nelineární kolektivní projevy, které nelze odhadnout nebo předpovědět
na základě znalosti chování jednotlivců. Zvolená úroveň
PAMÁTKY ARCHEOLOGICKÉ CVI, 2015
137–180
abstrakce pak předurčuje možnosti interpretace výstupů experimentů. Zpravidla komplexní témata vyžadují integrování rozmanitých zdrojů dat s poznatky
z mnoha vědních disciplín. Tvorbu agentového modelu
proto můžeme chápat jako tvorbu modelu znalostního
(knowledge model) a můžeme přitom uplatnit postupy
a prostředky znalostního inženýrství (knowledge engineering).
Před průnikem do archeologie byly agentové modely
hojně využívány v sociálních, biologických nebo ekonomických vědách, kde se uplatňovaly například k predikci vývoje na burze, testování vojenských strategií,
simulování klimatických změn nebo měnících se postupů např. ve využívání zemědělské půdy (Premo 2008;
Wainwright 2008).
V souvislosti s archeologickým výzkumem představují agentové modely užitečný nástroj pro testování hypotéz a budování teorií na základě srovnávání archeologických dat s výsledky simulací. Aplikace agentového
modelování přispěly významně ke zkoumání a interpretaci klíčových archeologických otázek: např. subsistenční strategie populací lovců a sběračů (Lake 2000;
Del Castillo — Barceló 2013), šíření neolitického zemědělství do Evropy (Conolly — Colledge — Shennan 2008;
Shennan 2007; van der Vaart et al. 2006), nebo lidské
působení na krajinu a přírodní prostředí (Axtell et al.
2002; Wainwright 2008; MEDLAND project: Barton —
Ullah — Mitasova 2010) a socio-ekonomické faktory přispívající k rozvoji a/nebo kolapsu komplexních společností. Ikonickým a několikrát (úspěšně) replikovaným
projektem agentového přístupu při zkoumání kulturního kolapsu je „Artificial Anasazi“ – model zániku kultury Anasazi na americkém jihozápadě (Dean et al.
2000; Axtell et al. 2002; Janssen 2009; Stonedahl — Wilenski 2010; Dekker 2014). Další projekty byly např. zaměřeny na zkoumání politických a sociálních struktur
v Mezopotámii (MASS projekt, Altaweel 2007; 2008; ENKIMDU projekt Wilkinson et al. 2007; Wilkinson — Gibson — Widell /eds./ 2013), kdy byly aplikovány různé
„stresové scénáře“ (např. sucho, ekonomická krize, demografický úbytek apod.) za účelem testování odolnosti
a udržitelnosti společnosti na dané úrovni společenského vývoje (komplexity). Tyto modely názorně ilustrují, jak výsledky dosažené sociální simulací a agentovým modelováním mohou zpochybnit tradiční teorie
o ekonomické produkci, lidské práci a udržitelnosti
předindustriálních společností a poukázat na nové
směry, kam by se archeologické otázky mohly ubírat.
Mezi těmito projekty je nutné také zmínit projekt MESA
VERDE zaměřený na vývoj osídlení na americkém středozápadě (Kohler et al. 2007; Kohler — Varien /eds./
2012). Příkladem aplikace na konkrétní archeologický
problém je potom například simulace logistiky vojenského tažení byzantské armády v Anatolii před bitvou
u Mantzikertu v roce 1071 (Craenen et al. 2010; Murgatroyd et al. 2012). Modelovat pomocí agentů se dá
i samotný archeologický výzkum, např. v souvislosti
s odkryvem historických bojišť. Empirická data a data
z původní simulované bitvy jsou v modelu statisticky
srovnávána (Rubio-Campillo — Cela — Hernandez
2012).
Aplikace agentových modelů se bohužel zatím příliš
nerozšířila za hranice anglosaské archeologické komu-
139
Danielisová — Štekerová, Sociální simulace při zkoumání společnosti, ekonomiky a využívání krajiny v době železné
nity. Výjimkou je agentová simulace těžebních postupů
v solných dolech v Hallstattu (Kowarik — Reschreiter —
Wurzer 2009; 2012) nebo publikace navázané na projekt SIMULPAST (cf. Madella et al. 2014).
Zájem o propojení výpočetních a simulačních metod
s archeologií však v posledních letech roste takřka geometrickou řadou. Lze to doložit stoupajícím počtem jednotlivých příspěvků na oborových konferencích (Computer Applications in Archaeology v letech 2006–2014,
Archéométrie – Colloque du GMPCA 2015) i tematických workshopů a sekcí, přidružených ke konferencím
informatickým (ESSA – SPUHH 2014, MODSIM 2015,
Simultech 2015, AAMAS 2015 a další), stejně jako celých projektů zaměřených na sociální simulace (např.
SIMULPAST, Computational Modelling and Human Use
of Space – UCL London).
Rozhodnutí zda a jak využít agentové modelování
v daném kontextu, se odvíjí od archeologických otázek
a od charakteru hypotéz, které prověřujeme, i od charakteru dat a dalších podkladů, které máme k dispozici.
Do počítačové realizace agentových modelů lze zakomponovat metody z oblasti výpočetní inteligence (např. genetické algoritmy, fuzzy množiny, neuronové sítě), což
dovoluje koncepčně pracovat s náhodou a nejistotou,
které obě jsou přirozenou součástí reálného světa. Výhody tohoto postupu jsou, že modely samy o sobě se
budují poměrně snadno a umožňují vytváření mnoha
různých scénářů pouhým obměňováním, adaptací nebo
kombinací vstupních dat. Obtížnějším úkolem je však
definice relevantních archeologických otázek, formulace
vstupních parametrů a poté adaptace, evaluace a testování vzniklých modelů. Současně je třeba mít na paměti, že předmětem modelování není minulost samotná,
ale představa o ní tak, jak ji zprostředkovávají experti
(v tomto případě archeologové).
1.3. Účel modelů: emulace vs. explorace
Simulační modely byly z hlediska teoretického zaměření
klasifikovány do několika skupin (Lake 2010, 12–14;
Madella et al. 2014, 252):
(1) pro testování hypotéz (na základě empirických dat),
k budování nových scénářů,
(2) ke zkoumání dynamiky studovaných systémů, porozumění procesům,
(3) pro vyvíjení nových kvantitativních metod,
(4) pro vytváření teorie – formulaci nových hypotéz
V archeologické praxi jsou modely vyvíjeny zpravidla
ke dvěma účelům: vysvětlujícím (testujícím hypotézy,
zkoumajícím procesy) a prediktivním (budujícím teorii):
Vysvětlující, neboli emulativní zahrnují realistické,
často komplexní modely s mnoha proměnnými, ve kterých je hlavním cílem testování předem stanovených hypotéz (typu „populace A v oblasti B během období C zanikla/se koncentrovala/změnila strukturu kvůli změnám
klimatu/vyčerpání zdrojů/technologickým inovací“),
(např. Lake 2000; Wilkinson — Gibson — Widell /eds./
2013; Kohler 2005; Kohler — Varien /eds./ 2012; Briz
I Godino et al. 2014; ad.), tedy „explorace vyššího řádu“
(Premo 2010, 29–30). Skrze model se snažíme uchopit
emergenci, rozpoznat trendy, nalézt vztah mezi pozoro-
140
137–180
váními a jejich možnými vysvětleními. Výsledky simulace se porovnávají s empirickými daty, a pokud se v požadované míře shodují, model potvrdí předem stanovenou hypotézu. Často je cílem těchto modelů vytvořit
detailní struktury in silico („vytvořené počítačově“). Při
jejich tvorbě je zapotřebí věrohodně reprezentovat
účastníky (agenty) a poté systematicky testovat způsoby, jak ze zvolených chování na mikroúrovni mohou
být získány požadované projevy na makroúrovni.
Prediktivní, neboli explorativní zahrnují především heuristické modely budované za cílem vytvářet teorie jako
metodologický nástroj.
Tyto modely bývají většinou velmi jednoduché, zaměřené na generování konkrétního jevu (např. pravidla
rozšiřování osídlení, pravidla tzv. decision making
apod.), který slouží také jako testování určité hypotézy,
ovšem na mnohem nižší úrovni, než nabízejí modely
emulativní (např. Bentley — Lake — Shennan 2005;
Powel — Shennan — Thomas 2009; Barton 2014; Del
Castillo — Barceló 2013; Lake — Crema 2012; Crema
2014; Angourakis et al. 2014; Salgado — Noguera — Miguel 2014; ad.). Tyto modely si nekladou za cíl zkoumat
komplexní jevy (např. budovat virtuální město), ale odhalují procesy, jevy a jejich komponenty na tzv. nižších
úrovních. Slouží k extrapolaci trendů, vyhodnocování
scénářů, odhadování dalšího vývoje, zkoumání efektů,
k nimž dojde při změně vstupních podmínek. Klíčové je
rozpoznání případné závislosti výsledků na sledech
kroků v simulaci.
Zpravidla se provádí obojí, tj. zkonstruuje se vysvětlující model (případně se vytvoří statický konceptuální
model), který poslouží k získání vhledu do systému,
a je-li tento model shledán uspokojivým, následně se
použije k predikování.
Badatelé zaměření na agentové modelování v současné době upřednostňují především co nejjednodušší
heuristické modely (tj. explorativní) zaměřené na generování nových teorií, oproti „realistickým“ emulativním
modelům (Lake 2010; 2014; Premo 2010). V archeologické teorii se nejedná v podstatě o nic nového: v GIS
modelování byl svého času také považován za „metodologicky cennější“ deduktivní („behaviorální“) přístup,
který nejprve definoval hypotézy a posléze na základě
nich vytvářel modely, jež ověřoval daty, než přístup induktivní, vycházející z empirických dat, která generalizoval a přetvářel v proměnné nového modelu (Dalla
Bona 2003). Nevýhody induktivního přístupu měly spočívat především v automatizaci (= nepochopení) procesů, které by mohly napomoci interpretovat vztahy
mezi lokalitami a jejich umístěním v krajině (Ebert
2000). Oproti tomu při deduktivním přístupu se zohledňovala (ve své statické, konceptuální podobě) pravidla
decision making (např. efektivita pohybu, ovlivnění vytvořenou sídelní sítí, centrální lokalitou apod.).
Podobně v sociálních simulacích explorativní modely
metodicky pracují s abstrakcí – tedy s ideou minulosti
spíše než s minulostí samotnou a generují data, na základě kterých se teprve budují hypotézy. Tím mohou
sloužit jako „behaviorální laboratoře pro experimentální
etnoarcheologii“ (Premo 2010, 35). Abstrakcí se rozumí
vytváření proměnných, které nemají reálný ekvivalent
(např. „energie“ nebo „atraktivita“ místa nebo sídliště,
„potenciál“ krajiny, uměle nastavené stupně interakcí
PAMÁTKY ARCHEOLOGICKÉ CVI, 2015
Danielisová — Štekerová, Sociální simulace při zkoumání společnosti, ekonomiky a využívání krajiny v době železné
137–180
modelu, nebo rozdílné nastavení experimentu, může
vést k jinému výsledku (obr. 1), který nelze uspokojivě
vysvětlit; jinými slovy nelze dostatečně popsat chování
modelu a tak nelze uspokojivě argumentovat ve prospěch nebo neprospěch vstupní hypotézy.
Obr. 1. „Equifinalita“ a „stochasticita“ při budování modelů: a) více – kvalitativně
odlišných – modelů (kroužky) vedoucích ke stejnému výsledku (čtverec);
b) stejný výsledek (čtverec) může být dosažen více možnými způsoby (šipky)
buď stochasticitou nebo různým nastavením experimentů; c) jeden model
(kroužek) se stejnými výchozími předpoklady může vést ke kvalitativně různým
výsledkům (čtverce), (podle Premo 2010, Fig. 5.2–5.4). — Fig. 1. Equifinality
and stochasticity in building models: a) more – qualitatively different – models
(circles) leading to the same result (square); b) same result (square) can be
achieved in various ways (arrows), either by stochasticity or by different experiment settings; c) one model (circle) with the same initial parameters can lead
to qualitatively different results (squares), (after Premo 2010, Fig. 5.2–5.4).
mezi agenty …) a nejsou tak založené na empirických datech. Problém u nich zpravidla může nastat, když nejsou
k dispozici dostatečná data na testování nebo ověření vybudované hypotézy (Lake 2010, 15) a jejich hodnota tedy
spočívá především v jejich nelineární povaze (tj. není předem jasný výsledek) a explorativní teoretické rovině.
Hlavním argumentem proti „realistickým“ emulativním modelům je nutná simplifikace naší projekce minulosti nehledě na fragmentárnost archeologických dat,
složitost konstruování takového modelu a v neposlední
řadě tzv. „equifinalitu“ (tj. stejný nebo podobný výsledek
může být dosažen různými způsoby nebo procesy, cf.
obr. 1), což představuje metodický problém (Premo 2010,
30–33; Lake 2010, 13; Madella et al. 2014, 252).2
Přes metodologickou spornost, by však „realistické“
modely měly nadále tvořit součást agentových simulací,
zejména v momentě, kdy hledají odpověď na konkrétní
archeologickou otázku. V tomto případě mohou dodat
vítaný dynamický aspekt konceptuálním modelům,
sloužícím pouze ke statickým výpočtům (typu „jak velkou plochu potřebujeme k uživení konkrétního počtu
lidí?“). Explanativní modely, kromě simultánního vyhodnocování většího množství parametrů, přinášejí také
důležitý časoprostorový aspekt (ve kterém se mohou
měnit vstupní parametry – jako např. rostoucí populace)
a odrážet tak reakce okolí a adaptační mechanismy
zkoumaných společností. Takové postupy ovšem kladou
velké nároky na vytvoření modelu, výběr parametrů
a proměnných, míru měřítka (detailu, který bývá část
přeceňován) a často mohou pro svou náročnost skončit
„na půl cesty“. Kritizovaným aspektem také bývá případně jejich netransparentnost – při nesprávném postupu není jasné, jak bylo dosaženo výsledku. Dalším
problémem může být „stochasticita“3 – každé spuštění
2
3
Někdy to však nemusí odrážet nic jiného než prostou variabilitu
historické reality: za všechny případy např. ke vzniku zemědělství
došlo na různých místech světa z různých příčin a skrze různé
procesy.
Stochastický systém/model je systém, jehož budoucí stav nelze
s jistotou odvodit, ale pouze s určitou pravděpodobností předpovědět, protože v něm figurují jevy, které pokládáme za náhodné.
Ve strukturovaných protokolech, sloužících k popsání modelu (viz
kapitola 2.2), je nutné stochastické chování modelu co nejpřesněji
popsat.
PAMÁTKY ARCHEOLOGICKÉ CVI, 2015
2. Postup tvorby simulačního modelu
Konstruování modelu spočívá v budování reprezentace
struktury a fungování (chování) zkoumaného systému.
Model musí odrážet studovaný systém dostatečně věrně,
tj. musí postihovat všechny jeho hlavní znaky. Současně
se požaduje, aby model byl v jistém smyslu jednodušší
než reálný systém, a především aby byl srozumitelný.
Užitečný model tak má být kompromisem mezi realismem a minimalismem (Madella et al. 2014, 252).
Problematika navrhování metodik a standardů v oblasti diskrétních simulačních modelů komplexních
adaptivních systémů, a zejména modelů agentových, je
nyní živě diskutována napříč aplikačními oblastmi, archeologii nevyjímaje (za všechny: Costopoulos – Lake
/eds./ 2010; tematické číslo Journal of Archaeological
Method and Theory 21, 2014). Konečným cílem diskuzí
je specifikování takových pracovních postupů a metod,
které by podporovaly dobrou praxi (best practices) při
tvorbě validních, verifikovatelných modelů a které by
pomohly ukotvit sociální simulace jakožto obecně akceptovanou vědeckou metodu.
Obecný postup tvorby diskrétního simulačního modelu sestává ze šesti hlavních kroků, jimiž jsou (1) formulace výzkumných otázek a hypotéz, (2) konceptuální
návrh, (3) implementace, (4) validace, (5) experimenty
a jejich vyhodnocení, (6) publikování výsledků. I když
v následujících kapitolách vykládáme postup tvorby
především agentového modelu, většina uvedených doporučení a postupů platí i pro jiné druhy výpočetních
modelů.
2.1. Formulace hypotéz
V první fázi je třeba stanovit vědecké (archeologické)
otázky a očekávání spojená s modelem, neboli musíme
se rozhodnout, čeho chceme modelováním dosáhnout.
Je možné zkoumat určitý archeologický jev (např. migraci, rozšiřování osídlení, kolonizaci, diseminaci kultur) nebo řešit konkrétní problém (např. studovat ekonomické využívání krajiny, popisovat společenské
interakce a šíření informací, simulovat přírodní jevy
jako je eroze či vyčerpávání půdy).
Současně je třeba se seznámit se s dostupnými datovými a dalšími podklady a zhodnotit účelnost použití
daného modelovacího přístupu. Při posuzování smysluplnosti agentového modelování v daném kontextu je
vhodné klást si následující otázky:
• Je zkoumaný systém složen z malých, nezávislých
jednotek, tj. je agent přirozenou metaforou?
• Lze chování a rozhodování agentů modelovat jako
diskrétní, tj. existuje časový krok, související s projevy systému?
• Proměňuje se chování agentů v čase, dochází k jejich adaptaci na měnící se vnější podmínky?
141
Danielisová — Štekerová, Sociální simulace při zkoumání společnosti, ekonomiky a využívání krajiny v době železné
• Existují mezi agenty vztahy, mohou tyto vztahy průběžně vznikat a zanikat?
• Tvoří agenti hierarchie či organizace, dochází i na
úrovni organizací k učení a adaptaci, dochází v systému k emergenci, tj. je systém tak složitý a obsahuje takové skryté závislosti, že z minulého chování
nelze jednoznačně usuzovat na chování budoucí?
V rámci archeologického výzkumu zpravidla lze na
všechny právě uvedené otázky odpovědět kladně. Zkoumanou jednotkou (agentem) typicky může být jedinec,
nukleární nebo širší rodina, menší nebo větší územní
celek či organizační struktura. Agenta obklopuje přírodní a/nebo socio-ekonomické prostředí. Diskrétní časovou jednotkou je minuta, den, rok, staletí podle toho,
jaký proces je předmětem zkoumání.
V neposlední řadě je nutné mít na mysli, že přestože
se diskrétní simulační modely, zvláště agentové, dnes
těší velké oblibě, zdaleka nepředstavují univerzální nástroj, uplatnitelný ke zkoumání libovolné historické kultury. Námi předložené modely (viz kapitola 3) jsou navrženy tak, aby pokrývaly podstatné aspekty fungování
jedné konkrétní lokality. Snažili jsme se využít maximum dostupných podkladů, limitující je však zejména
fragmentárnost archeologických dat.
2.2. Konceptuální návrh
Konceptuálním návrhem se rozumí podrobná specifikace zamýšleného simulačního modelu. Dokumentace
návrhu modelu může mít podobu:
• popisů v přirozeném jazyce, formulovaných buď
volně, nebo v souladu se speciálně navrženým formalismem (např. protokol ODD),
Oddíl
Přehled
Koncepty návrhu
Detailní návrh
Rubrika
Účel
137–180
• zápisu ve formálním jazyce – použít lze ontologické
jazyky (např. OWL), zdrojové kódy programovacích jazyků, pseudokódy a matematické formalismy,
• grafického zápisu více či méně formalizovaného
(např. UML diagramy, pojmové mapy, rozhodovací
stromy, vývojové diagramy).
Volba prostředku závisí na tom, zda míníme konceptuální návrh sdílet s odbornou komunitou, používat
k výukovým účelům, postupovat podle něj při implementaci či replikaci modelu apod.
Nejužívanějším formalismem je protokol ODD (Grimm
et al. 2006; Polhill et al. 2008; Polhill 2010; Müller et al.
2014), resp. jeho rozšířená varianta ODD+D, v níž je
kladen zvýšený důraz na podrobnou specifikaci rozhodovacích procesů agentů (Müller et al. 2013). Publikování agentových modelů je často podmíněno zpřístupněním dokumentace právě ve formě ODD protokolu.
Protokol ODD sestává ze tří hlavních částí (tab. 1),
v plné verzi má charakter komentovaného formuláře, po
jehož vyplnění bychom měli mít jistotu, že jsme neopomněli promyslet žádný z důležitých aspektů modelu.
Podle charakteru modelu je možné některé rubriky vynechat (např. pokud agenti jsou homogenní nebo postrádají schopnost učení).
Ve fázi konceptuálního návrhu se musíme především
rozhodnout, s jakou jednotkou (tedy s jakým měřítkem)
budeme pracovat; v případě agentového modelu jde
o rozhodnutí, co bude agentem (viz kapitola 1.2). Agenta
musíme poté popsat sadou parametrů a soupisem možných chování. Problémy typicky nastávají při pokusech
o převod kvalitativních dat do kvantitativních hodnot
(zejména kategorické proměnné, textové popisy jako
„kvalitnější než“, „méně adaptabilní“ apod.).
Komentář
Vysvětlení smyslu modelu, vymezení cílové uživatelské skupiny.
Entity, stavové proměnné, měřítka
Specifikace agentů a prostředí, časového a prostorového měřítka, hranic modelu a míry abstrakce.
Harmonogram procesů
Specifikace chování agentů a procesů probíhajících v prostředí včetně časových návazností.
Přehled procesů, empirické podklady
Vymezení teoretických východisek a hypotéz, výčet pramenů, paradigmat, principů a rozhodovacích modelů,
objasnění původu dat.
Rozhodování
Analýza rozhodování agentů, objasnění způsobu modelování racionality (cíl agenta, metrika pro vyhodnocení
úspěšnosti agenta, úrovně a časový horizont rozhodování, zohlednění vlivu prostředí, sociálních a kulturních
norem, práce s nejistotou a neurčitostí).
Učení
Specifikace učících a adaptačních mechanismů agentů i kolektivů.
Vnímání
Specifikace způsobů, jimiž agenti získávají vstupy z prostředí, zda a jak je jejich vnímání zatíženo chybami, jak
je vnímání vztaženo k prostoru a času, jaká je energetická náročnost získávání dodatečných vstupů.
Predikce
Specifikace způsobů, jimiž agenti predikují budoucí stav prostředí, jaké přitom používají interní rozhodovací
modely a zda se při predikci mohou mýlit.
Interakce
Specifikace možných interakcí mezi agenty a okolností, na nich průběh interakcí závisí, fungování vzájemné
komunikace mezi agenty, koordinační mechanismy agentů.
Společenství
Specifikace mechanismů sdružování či seskupování agentů do kolektivů (organizací), popis fungování kolektivů.
Heterogenita
Specifikace rozdílů mezi třídami agentů včetně uvedení rozdílů v rozhodovacích procesech.
Stochasticita
Specifikace způsobů zacházení s náhodností a neurčitostí.
Pozorování
Specifikace výstupních dat, která jsou při simulaci shromažďována.
Implementace
Popis provedení programu, dostupnost zdrojový souborů, kontakty na autory modelu.
Inicializace
Vysvětlení výchozího nastavení modelu před realizací simulace.
Vstupní data
Specifikace externích zdrojů dat, nutných ke spuštění simulace.
Podmodely
Podrobný rozbor dílčích částí modelu, jejich konstrukce a parametrů s odkazy na související prameny.
Tab. 1. Struktura protokolu ODD. — Tab. 1. Structure of the ODD protocol.
142
PAMÁTKY ARCHEOLOGICKÉ CVI, 2015
Danielisová — Štekerová, Sociální simulace při zkoumání společnosti, ekonomiky a využívání krajiny v době železné
137–180
Obr. 2. Příklad rozhraní modelu
v NetLogu – vpravo ovládací prvky
(posuvníky, tlačítka), vlevo vykreslovací plocha, použitá k vizualizaci
průběhu simulace nad GIS daty, dole
výstupní prvky (displeje zobrazující
aktuální
hodnoty
sledovaných
proměnných, graf). — Fig. 2. Example of the model interface in NetLogo
– on the right are controls (sliders,
buttons), on the left is the rendering
area for visualisation during the
simulation of GIS data; on the bottom are output elements (display
showing the current values of the
variables, graphs, etc.).
Agent může představovat:
• buď umělý abstraktní konstrukt navržený tak, aby
svými vlastnostmi a chováním vyhovoval zamýšlenému testování hypotéz (např. abstraktně pojatá
představa obyvatele sídliště, společenské skupiny,
komunity, ale také třeba součásti krajiny nebo různé
produkční strategie),
• nebo virtuální protějšek reálného jedince (např. konkrétní historická osobnost či sídliště), v tom případně
je třeba model kalibrovat empirickými daty.
Také prostředí obklopující agenty může být buď
uměle vymezeno, nebo vybudováno na reálných prostorových datech. V prezentovaných modelech (viz kapitola
3) jsou využívány reálné mapové podklady (mapy terénu, topografické, pedologické, hydrologické mapy a jejich sekundární deriváty připravované pomocí GIS),
a také dodefinované mapy z reálných map vycházející
(např. prediktivní mapy pro umístění sídlišť, zemědělských jednotek). Nad těmito mapami je operováno
s uměle definovanými agenty, reprezentujícími fiktivní
obyvatelstvo, domácnosti, zvířata apod.
2.3. Implementace
Implementace spočívá v převodu konceptuálního modelu do podoby spustitelného počítavého programu.
K tomu se používá buď programovací jazyk (Java, C),
PAMÁTKY ARCHEOLOGICKÉ CVI, 2015
knihovna předdefinovaných procedur, nebo speciální simulační platforma (NetLogo, Repast, AnyLogic). V archeologické komunitě se nyní těší oblibě zejména volně
dostupné NetLogo (Wilensky 2014), nabízející jednak širokou škálu nástrojů, funkcí a rozšiřujících balíčků,
jednak knihovnu již hotových modelů, které lze pouze
upravovat (obr. 2).
Základní modelovací paradigma, které NetLogo podporuje, je modelování agentové, avšak k dispozici
je i nástroj pro implementaci modelů tzv. systémové
dynamiky (system dynamics), jež lze s agentovým přístupem kombinovat. Modelování systémové dynamiky
spočívá v sestavování diagramů toků a diagramů pozitivních a negativních zpětnovazebných smyček. Ústředním pojmem je hladina (zásoba, stock), jejíž stav se mění
v čase, změny mohou být zadány diferenciálními rovnicemi (cf. obr. 3). Rozdíl mezi agentovým modelem a modelem systémové dynamiky lze dobře ukázat na modelech populačních (viz kapitola 3.1). Je-li důležité
v modelu rozlišovat konkrétní jedince a jejich individuální životy (příslušnost k rodině, počet potomků, majetek, stěhování), použijeme agentový model. Jestliže se
zajímáme jen o celkové změny počtu obyvatel, vystačíme
se systémovou dynamikou, kde velikost populace bude
představovat hladinu, jejíž změny se budou odvozovat
z úrovní porodnosti, úmrtnosti a migrace.
Na modely systémové dynamiky lze pohlížet též jako
na aplikaci rovnicového přístupu, který může v mode-
143
Danielisová — Štekerová, Sociální simulace při zkoumání společnosti, ekonomiky a využívání krajiny v době železné
137–180
Obr. 3. Příklad rozhraní modelu v Anylogic vlevo vykreslovací plocha, vpravo nahoře výstupy (grafy) a vpravo dole vizualizace části
návrhu modelu (zásoby, stocks). — Fig. 3. Example of the model interface in AnyLogic – on
the left is the rendering area for visualisation;
in the upper right are outputs (graphs); on the
bottom right is the visualisation of the part of
the model design (stocks).
lech fungovat i samostatně. Rovnicový model (equation
based) je definován sadou algebraických rovnic, obyčejných diferenciálních rovnic nebo parciálních diferenciálních rovnic. Spuštění modelu spočívá v realizaci rovnicových výpočtů. V rovnicovém modelu se neoperuje
ani s agenty, ani s hladinami, ale se systémem propojených proměnných vyjádřených v různých jednotkách
(např. počty osob, územní nároky v ha, podíly pracovních kapacit v procentech atd., viz kapitola 3.4).
z předdefinovaných prvků a schémat. Kromě předpřipravených konstruktů lze do modelů začlenit i kód psaný
v Javě. Knihovny AnyLogicu všemožně ulehčují tvorbu
komerčních modelů (logistika, doprava, řízení výroby,
marketing, vojenství), mezi něž archeologické simulace
bohužel nepatří. V porovnání s NetLogem poskytuje AnyLogic širší škálu vizualizačních nástrojů, statistických
distribučních funkcí i optimalizačních nástrojů.
Pro prostorovou reprezentaci prostředí NetLogo nabízí čtvercovou mřížku, tedy rastr využitelný k vytvoření
tzv. buněčného automatu (cellular automata), což je
další užitečný technický prostředek. Buňka automatu
může mít řadu vlastních parametrů. Stav buňky typicky
závisí na stavu buněk v jejím okolí, přičemž velikost sledovaného okolí je volitelná. Obměny stavu jsou dány
přechodovými pravidly, která se aplikují na všechny
buňky paralelně, a to buď synchronně, nebo asynchronně. Buněčný automat tedy můžeme ideálně použít
k reprezentaci krajiny (viz kapitola 3.2, 3.3).
2.4. Validace
V případě, že potřebujeme pracovat s jinou, než pravidelnou prostorovou strukturou, NetLogo nabízí konstrukty pro specifikaci sítí agentů, tj. můžeme definovat
spoje mezi agenty a zaznamenat tak např. síť sídlišť (viz
kapitola 3.5).
Ve spojení s NetLogem lze používat řadu rozšiřujících
balíčků (extensions), vyvíjených a sdílených zainteresovanými uživateli (např. „fuzzy plugin“ pro implementaci
fuzzy-logiky, cf. Machálek et al. 2013). Jedná se např.
o knihovny pro práci se složitějšími datovými strukturami (pole, tabulky), GIS daty, audio a video soubory,
sady funkcí pro statistickou analýzu sítí, shlukovou
analýzu a další.
Alternativou k volně dostupným softwarovým nástrojům jsou komerční platformy. Příkladem je AnyLogic
(AnyLogic 2015), který obdobně jako NetLogo podporuje
několik modelovacích paradigmat: agentové modelování,
modelování systémové dynamiky a modelování diskrétních procesů. K návrhu modelu slouží integrované vývojové prostředí, v němž uživatel sestavuje diagramy
144
Veškerá praktická použitelnost modelu se odvíjí od způsobu, jímž byl model validován, tj. jak bylo ověřeno, zda
model skutečně odpovídá na výchozí otázky a hypotézy
a jak jsou odpovědi spolehlivé.
I když model považujeme za dobře postavený a provedený, bez možnosti nahlédnout do jeho kompletní dokumentace a především bez možnosti replikovat experimenty
je zpravidla nelehké (nebo dokonce nemožné) model validovat. Může vzniknout podezření, že výsledek simulace byl
dosažen náhodou, původně nezamyšleným chováním
prvků modelu, nebo dokonce chybou. Mnoho badatelů zabývajících se archeologickými simulacemi opatrně přiznává, že nejistota ohledně příčin chování modelu je Achillovou patou archeologických simulací (Costopoulos — Lake
— Gupta 2010, 2). Proto jsou také za metodologicky bezpečnější považovány modely explorativní (prediktivní),
které nejsou primárně zaměřeny na testování hypotéz pomocí reálných dat, ale naopak na generování hypotéz nových, které jsou pouze v teorii ověřitelné empirickými daty
a oproti emulativním (vysvětlujícím) modelům mají daleko
jednodušší strukturu (Premo 2010, 35).
Existují různé přístupy k validaci modelů:
• Teoretická validace je zaměřena na přezkoumání, zda
principy a mechanismy, zahrnuté v modelu, spočívají
na solidních teoretických základech.
• Empirická validace je založena na srovnávání výstupů modelu s reálnými daty s cílem identifikovat
PAMÁTKY ARCHEOLOGICKÉ CVI, 2015
Danielisová — Štekerová, Sociální simulace při zkoumání společnosti, ekonomiky a využívání krajiny v době železné
takové kombinace nastavení parametrů modelu,
které nejlépe vystihují chování reálného systému. Reálnými daty se v tomto případě rozumí například datové řady zachycující skutečné hektarové výnosy za
určité historické období, tedy známé číselné hodnoty,
jimž by se výstupy ze správně provedeného experimentu měly v požadované míře podobat.
• Interaktivní validace má podobu dialogu s expertem
(archeologem), který zformuluje vlastní představu
o průběhu simulace a tato představa je pak porovnána s výstupem modelu. Pokladem pro takový dialog
může být např. mapa výchozího rozmístění sídlišť, expert sdělí, jakým způsobem se sídliště pravděpodobně
rozrůstala a dělila. Toto sdělení může být konfrontováno s agentovým modelem rozrůstání a dělení sídel,
přičemž očekáváme, že výsledek simulace bude s názorem experta konzistentní.
2.5. Experimenty a jejich vyhodnocení
Vlastní simulace spočívá v opakovaném spouštění modelu při různých nastaveních hodnot parametrů, ukládání výstupních dat a jejich následném zpracovávání
s cílem zjistit, zda mezi výstupy existují statisticky
a/nebo věcně významné rozdíly a jak se tyto rozdíly
vztahují k výchozím hypotézám. Zdrojem rozdílů jsou,
kromě obměňovaných parametrů, také statistická rozdělní, zakomponovaná do modelu. Náhodnost je na
jedné straně žádoucí, protože je zdrojem variability výchozích nastavení modelu i chování agentů, na druhé
straně ale nesmí zkreslit závěry.
Součástí NetLoga je nástroj BehaviorSpace, určený
k zadávání a spouštění experimentů. Jedná se o formulář, v němž uživatel volí obměňované parametry modelu,
sledované výstupní proměnné a počet opakování simulace pro každou kombinaci. Slouží především ke statistickému vyhodnocení výstupů. Práce s BehaviorSpace
předpokládá určitou míru intuice autora experimentů,
neboť ten se musí předem rozhodnout, které z mnohdy
desítek parametrů a jaké jejich hodnoty má smysl dávat
do souvislosti. U rozsáhlých modelů může jít o dosti
pracnou a časově náročnou záležitost.
Alternativně lze při experimentování použít optimalizační nástroje, v případě NetLoga např. BehaviorSearch
(Stonedahl 2011). V tom případě volíme hodnotící funkci
(metriku), a optimalizační metodu (např. genetický algoritmus4, simulované žíhání5), pomocí které se pak
automaticky dohledává kombinace co nejvíce optimálních hodnot parametrů modelu (jako příklad lze uvést
replikaci „Artificial Anasazi“ modelu, cf. Stonedahl —
Wilenski 2010).
4
5
Genetické algoritmy (genetic algorithms) spadají do oblasti tzv.
evolučních výpočetních technik, inspirovaných poznatky z evoluční biologie. Východiskem pro výpočet je sada různých řešení
zadané úlohy, tzv. populace. Kvalita každého řešení je objektivně
ohodnocena tzv. fitness funkcí. Poté se opakovaně aplikují operátory selekce, mutace a křížení, pomocí nichž jsou ze stávajících
řešení tvořena řešení nová.
Simulované žíhání (simulated annealing) je stochastická optimalizační metoda, inspirovaná procesem žíhání oceli. V procesu prohledávání prostoru možných řešení úlohy figuruje teplota, od jejíž
hodnoty se odvozuje pravděpodobnost přijetí nebo nepřijetí horšího či lepšího řešení.
PAMÁTKY ARCHEOLOGICKÉ CVI, 2015
137–180
2.6. Publikování výsledků
Sdílet lze jednak model, jednak výsledky experimentů.
Sdílení modelů je možné skrze veřejně dostupné online
knihovny (například http://www.openabm.org/models).
Zařazení modelu do knihovny je podmíněno splněním
několika formálních požadavků, mezi které patří:
• přehledně formátovaný, komentovaný kód modelu,
srozumitelný uživatelům,
• kompletní dokumentace dle ODD (nebo jiného ekvivalentního protokolu) taková, aby bylo možné model
replikovat i bez využití komentovaného kódu,
• podrobné informace o spuštění simulace včetně objasnění způsobu práce s externími zdroji.
Obdobně i redakce tematických časopisů (např.
Journal of Artificial Societies and Social Simulation –
JASSS, Complex Adaptive SystemsModeling – CAS, PlosOne) vyžadují doplnění rukopisu článku odkazem na
model. Výhodou je používání volně dostupných nástrojů
(NetLogo, Repast), protože čtenář se pak může s modelem podrobně seznámit.
Vedle již zavedených formalismů pro popis modelů
(ODD, ODD+D) se aktuálně objevují pokusy o standardizaci způsobu prezentace a vizualizace výstupů simulací
(Polhill 2014, workshop na konferenci ESSA 2014, projekt diggingintodata.org). Přehledné uspořádání výstupů
nabývá významu zvláště u rozsáhlých (large-scale) modelů, v nichž figurují desítky parametrů a až statisíce
agentů.
3. Příklady modelů – případové studie
z doby laténské
V této kapitole bude prezentována výzkumná metoda na
přikladu konkrétních modelů. Tyto modely, které byly
realizovány v rámci projektu „Sociální modelování jako
nástroj k porozumění struktury keltské společnosti
a kulturní změně na konci doby laténské“, byly vytvořeny tak, aby pokrývaly základní aspekty fungování
pozdně laténské společnosti reprezentované oppidem
Staré Hradisko a jeho okolím (pro další informace viz:
Danielisová 2014; Danielisová et al. 2015; Danielisová
— Hajnalová 2014; Cimler et al. 2012; Machálek —
Olševičová — Cimler 2012; Machálek — Cimler — Olševičová — Danielisová 2013; Olševičová — Cimler 2012;
Olševičová — Cimler — Machálek 2012; Olševičová et al.
2014; Olševičová — Danielisová 2014a; 2014b), zejména: předpokládaný demografický vývoj populace,
možnosti realizace potravinové produkce, s tím související odhady časové náročnosti zemědělských prací a odhady pravděpodobných změn v krajině. Pro doplnění celkového obrazu použitelnosti agentového modelování jako
metody připojujeme i model dobývacích taktik.
Každý zde prezentovaný model si klade za cíl řešit na
dílčí otázku nebo hypotézu. Jsou navrženy tak, aby optimálně využity všechny dostupné zdroje dat a další
podklady. Zároveň je naším cílem co nejnázorněji demonstrovat principy tvorby sociálních simulací. Vzhledem k omezenému prostoru budou modely prezentovány ve zkrácené podobě, na rozdíl od přehledu
v kapitole 2. Ten by měl být závazný při publikaci jed-
145
Danielisová — Štekerová, Sociální simulace při zkoumání společnosti, ekonomiky a využívání krajiny v době železné
notlivých modelů. Popisy všech modelů jsou strukturovány stejně:
• Nejprve je uveden smysl modelu (cíl, hypotéza,
otázka).
• Následuje shrnutí teoretických východisek s výčtem
zásadních konceptů, které musí model zahrnovat.
• Poté je vysvětlen návrh modelu a jeho technická realizace.
• Dále jsou uvedeny typy experimentů, které lze s modelem provádět. Experimenty jsou určeny pro studování chování modelů. Je vysvětlen účel každého experimentu a možnosti interpretace výstupů (výsledků).
• Nakonec jsou naznačeny možnosti dalšího rozšiřování a doplňování modelu.
Výstupy z prezentovaných experimentů je nutné chápat ilustrativně, než závazně ve smyslu konečného potvrzení nebo vyvrácení hypotéz nastíněných v projektu.
Na tomto místě si neklademe ambice s konečnou platností objasnit všechny příčiny vývoje společnosti doby
laténské na našem území (na to je chystaná samostatná
publikace), nýbrž vysvětlujeme výzkumnou metodu. Je
nutné také brát v potaz, že jednotlivé modely jsou do
značné míry závislé na empirických datech a expertních
znalostech, které ne vždy mohou poskytnout jen archeologové. Kompletování modelů by v ideálním případě
mělo probíhat na multidisciplinární úrovni za konzultací se specialisty z oblasti zemědělské vědy, paleo-klimatologie, etnografie atd.
3.1. Model demografického vývoje
Cíl
Agentový model slouží ke generování datových řad, popisujících syntetickou populaci, tj. počty obyvatel v jednotlivých věkových kategoriích a odvozené údaje (celkové energetické nároky populace, disponibilní pracovní
síla), včetně generování dat, odpovídajících různým depopulačním scénářům, které vyplývají z archeologických pramenů (např. Danielisová – Militký 2014, 61–62).
Teoretická východiska
Předpokládá se, že počet obyvatel oppida Staré Hradisko
v období jeho vzniku (po roce 150 př. n. l.) pozvolna rostl,
aby následně okolo roku 70 př. n. l. začal opět klesat.
Výchozí velikost populace mohla činit cca 600–800
obyvatel (vyplývá ze struktury osídlení). I když přesné
údaje o struktuře a velikosti rodin nejsou známy, rámcově lze předpokládat existenci typických nukleárních
rodin – „domácností“ o 4–6 členech a, vzhledem k velikosti sídelní jednotky na oppidu, patrně širších skupin
o 20–22 členech (předpokládaný počet obyvatel jednoho
dvorce, na základě jeho velikosti a struktury). Na tato
čísla mohou navazovat úvahy o celkové energetické spotřebě populace a o dostupné pracovní kapacitě. Následně z odhadů spotřeby a pracovní kapacity můžeme
usuzovat na velikost hospodářského zázemí. Populační
data jsou tedy stěžejním východiskem všech pokusů
o modelování zacházení s přírodními zdroji, dopadů čin-
146
137–180
nosti člověka na krajinu, ekonomických procesů atd.
Předpokladem je, že, pokud nepůsobí jiné faktory,
populace roste nebo klesá exponenciálně nebo logaritmicky. Za rapidní roční demografický přírůstek se při
vhodných podmínkách považuje 1–2 % (Turchin 2009,
12). Pokud je v modelu nastaven počáteční počet obyvatel mezi 600 a 800, maximální dosažená populace po
100–120 letech je mezi 2000–5000. Nejjednodušší Malthusiánský model růstu populace předpokládá exponenciální růst:
(1)
(P0 – počáteční populace, r – rychlost přírůstku, t – čas)
Pokud je cílem modelu vytvořit syntetickou populaci
s rozdělením pohlaví a věkových tříd, je vhodnější využít
historická demografická data. Prehistorickým populacím jsou nejblíže statistické úmrtnostní tabulky (konkrétně Model Life-Tables Level 3 a 6 West) vytvořené Coalem a Demenym pro původní římskou populaci (Saller
1994). Pro ženy mezi 15 a 49 roky věku musí být také
v modelu zohledněna procedura porodnosti (z historických dat vyplývá průměrně 5,1 porodů na jednu ženu),
která operuje s pravděpodobností Q.
Vygenerovaná syntetická populace musí vykazovat
stabilní poměr mužů a žen i podíly zastoupení jednotlivých věkových kategorií. Těch je v modelu uvažováno
sedm: kojenci, batolata, menší děti, větší děti, mladí dospělí, dospělí, staří jedinci. Na základě těchto kategorií
může být pak v modelu odvozen pracovní potenciál populace dvojího druhu (dělený podle fyzických kapacit):
tzv. „silný“ („strongforce“) – dospělí a mladí muži, a tzv.
„slabý“ („weakforce“) – starší děti, mladí dospělí – ženy,
dospělé ženy, starší jedinci. Toto rozdělní zároveň umožňuje vypočítat energetické nároky obyvatelstva podle
kalorických tabulek pro jednotlivé věkové kategorie (detailně viz Danielisová et al. 2015, 106–111).
Model generuje populační data, odpovídající předem
formulovaným alternativním scénářům:
1) Za základní (nulovou) hypotézu (tzv. „Baseline“) lze
pokládat rovnoměrný exponenciální roční přírůstek.
Dále se v modelu uvažují dva základní depopulační
scénáře, korespondující s možnými hypotézami o úpadku
osídlení oppida:
2) Náhlý či pozvolný úbytek části obyvatel – zasahuje
rovnoměrně všechny věkové kategorie (uvažuje se odchod celých rodin), má současně vliv na zmenšující
se velikosti stád (odcházející obyvatelstvo si s sebou
pravděpodobně odvedlo část majetku), a to se promítá do možností obhospodařovat pole i do velikosti
hospodářského zázemí.
3) Epidemie – projevuje se nerovnoměrným úbytkem
v některých věkových kategoriích (děti, staří lidé) a se
zpožděním (cca o dekádu) se projeví i propadem dostupné pracovní kapacity,
Návrh modelu
Model je koncipován jako agentový, kde agentem je jednotlivý obyvatel oppida. Agent je popsán dvěma základními parametry (věk, pohlaví), další parametry jsou od-
PAMÁTKY ARCHEOLOGICKÉ CVI, 2015
Danielisová — Štekerová, Sociální simulace při zkoumání společnosti, ekonomiky a využívání krajiny v době železné
vozené (zařazení do věkové skupiny, energetická spotřeba). Jeden krok simulace odpovídá jednomu roku.
V každém kroku dojde k obnovení stavu populace, tedy
k navýšení věku agentů (až do doby dožití, dané
úmrtnostními tabulkami), a přidání nových agentů (přírůstek populace, procedura definující porodnost Q se
aplikuje na agenty-ženy). V případě, že je uplatněn depopulační scénář, dochází od 70. kroku simulace (odpovídajícímu 70. roku existence oppida) k odebírání
agentů.
137–180
lace potomek-rodič, což by umožnilo definovat rodinné,
případně i vlastnické struktury (např. alokace půdy)
v eventuálním složitějším modelu zahrnujícím i společenské aspekty.
Model v současné době nezohledňuje také detailnější
aspekty života domácností jako např. výběr partnera
a vytváření různě početných rodin (např. nukleární versus rozšířená), protože tyto parametry by musely být
nastaveny arbitrárně bez opory v datech. Model by se
tak posunul více do explorativní roviny.
Model má následující vstupní parametry:
• počáteční velikost populace mezi 500 a 800 jedinci
(alternativně lze nastavit i jinou hodnotu),
3.2. Model zemědělské krajiny a jejího využití
• počáteční věková struktura populace,
Cíl
• interpolované úmrtnostní tabulky (Model Life-Tables
Level 3 nebo 6 West),
• pravděpodobnost Q pro ženy mít dítě v konkrétním
roce.
Pro určení pravděpodobnosti Q, byl použit nástroj Behavior Search s využitím genetických algoritmů. Na to
musely být definovány objektivní funkce vyjadřující dosažení definované velikosti populace a zároveň udržení
její originální struktury, definované na počátku simulace. Funkce (F1) vyjadřuje procentuální změny ve finální populaci x vzhledem k počáteční populaci A.
(2)
Funkce (F2) reprezentuje průměrnou procentuální
změnu v nastavených dvou pohlavních (muži, ženy)
a sedmi věkových kategoriích (kojenci, batolata, menší
děti, větší děti, mladí dospělí, dospělí, staří):
(3)
Výstupem modelu jsou datové řady o počtu obyvatel
v jednotlivých věkových skupinách a jejich energetická
spotřeba, a to za období 120 let. Tento výstup je využitelný v dalších modelech, například v modelu využití
krajiny nebo v modelu alokace pracovních kapacit (kapitoly 3.2, 3.4), kde již nepotřebujeme sledovat počty jedinců s jednoročními věkovými rozestupy, ale vystačíme
s agregovanou hodnotou (např. počet dospělých mužů).
Použití modelu
V případě tohoto modelu se nejedná o experimenty ve
smyslu zkoumání vztahů mezi proměnnými, nýbrž jen
o generování výstupů, tj. datových řad pro alternativní
demografické scénáře. Typové výstupy pro výchozí populaci 800 osob jsou uvedeny na obr. 4.
Možnosti rozšíření
V této základní verzi je agent chápán jako nezávislá jednotka. Rozšíření modelu může spočívat v zavedení rePAMÁTKY ARCHEOLOGICKÉ CVI, 2015
Model slouží jako virtuální laboratoř pro testování kauzálních rolí demografických, ekonomických a environmentálních faktorů při formování široké škály strategií
využití krajiny. Prostorově je ukotven v krajině kolem
oppida Staré Hradisko a data k rostlinné a živočišné
produkci čerpá z archeologických pramenů. Demografické údaje jsou čerpány z populačního modelu (viz kapitola 3.1). Pravidla pro rostlinnou a živočišnou produkci pocházejí z dostupných zdrojů (detaily viz
Danielisová et al. 2015; Danielisová — Hajnalová 2014).
Model je navržen jako emulativní (vychází z empirických dat), v rozšířeních může být však doplněn o prvky
explorativní povahy (např. sociální vztahy, interakce
apod.).
Model byl vytvořen za účelem zkoumání vztahu mezi
rostoucí populací a intenzitou využíváním krajiny –
slouží ke zkoumání subsistenční kapacity oppida za
stanoveného „modelového“ předpokladu, že obyvatelé
museli být soběstační ve smyslu potravinové produkce,
měli k dispozici určitou velikost zemědělských ploch,
a praktikovali smíšené hospodaření kombinující rostlinnou a živočišnou produkci. Model zohledňuje i nutnou
pracovní investici na pokrytí lidských a zvířecích energetických nároků včetně alokací pracovních kapacit nad
rámec základní produkce (viz kapitola 3.4). Součástí
jsou i faktory ovlivňující meziroční úrodu.
Teoretická východiska
Vztah mezi růstem populace a společenským vývojem závisí, mimo jiné, na dostupnosti základních zdrojů, schopnosti komunity tyto zdroje přetvářet v produkty a v neposlední řadě na stupni sociální organizace těchto procesů.
Při aproximaci hospodářských strategií sídliště je
nutné vycházet ze dvou předpokladů:
1) populace (lidská a zvířecí) má energetické nároky
a výdaje (pracovní kapacity),
2) strategie využívání krajiny jsou ovlivněny jejím charakterem (vhodnosti), dostupností a zvolenými postupy zacházení s přírodními zdroji.
Pravidla pro zabírání a využití prostoru v okolí sídliště vycházejí, kromě vlastní vhodnosti plochy, jednak
(1) z pravidel efektivity pohybu, v archeologii známých
jako least effort models (Hagget — Cliff — Frey 1977),
jednak (2) z teorie ekosystémů (Bayliss-Smith 1978;
Ebersbach 2002; Schreg 2011), která přímo zohledňuje
147
Danielisová — Štekerová, Sociální simulace při zkoumání společnosti, ekonomiky a využívání krajiny v době železné
137–180
Obr. 4. Výstup modelu demografického vývoje – stabilně rostoucí populace („Baseline“), stabilně rostoucí populace s jednorázovým poklesem, odpovídajícím masivní emigraci („Sudden decline“), populace zpočátku rostoucí a následně klesající, v souladu s představou postupného odcházení obyvatel („Gradualdecline“),
stabilně rostoucí populace s jednorázovým poklesem nerovnoměrně postihujícím věkové skupiny („Epidemic“). Medián hodnot z celkem 100x spuštěné simulace
pro každý rok. — Fig. 4. The model output of the demographic trends under different model scenarios – steadily increasing population (“Baseline”); steadily
growing population with one-off decline, corresponding to massive emigration (“Sudden decline”); population initially growing and then declining in line with the
concept of gradual abandonment of the site (“Gradual decline”); steadily growing population with one-off decline unevenly affecting individual age groups
(“Epidemic”). The median values from a total of 100 simulations for each year.
demografii, subsistenci a organizaci pracovního nasazení ve vztahu k přírodnímu prostředí, a také (3) z daných limitů prostředí a populace (tj. limity produkce,
při kterých se populace musí buď přizpůsobit svou velikostí, nebo inovovat své strategie, cf. Bayliss-Smith
1978; del Monte-Luna et al. 2004). Jako východiska je
148
nutné definovat úrovně základních zdrojů v ekosystému
(tj. úživnost krajinných jednotek) a produkční potenciál
populace tyto zdroje využívající (tj. organizace práce
a pracovní síla). Struktura krajinných jednotek se mění
v závislosti na velikosti populace (např. v rámci navržených demografických scénářů, viz kapitola 3.1, obr. 4).
PAMÁTKY ARCHEOLOGICKÉ CVI, 2015
Danielisová — Štekerová, Sociální simulace při zkoumání společnosti, ekonomiky a využívání krajiny v době železné
V modelu jsou uvažovány dvě základní zemědělské
strategie:
Intenzivní: obhospodařování zahrnující každoroční zorání, osetí, hnojení, manuální obhospodaření, rotaci
plodin (obilniny, luštěniny). Jedná se o náročnou variantu z hlediska pracovních kapacit s vyšším výnosem
na plochu (700–3000 kg/ha obilniny, 800–1400 kg/ha
luštěniny, v nastavení modelu).
137–180
(GIS) vrstev o rozlišení 20 x 20 m (400 m2) pro celkovou
rozlohu 70 km2. V modelu jsou použity jak primární,
tak sekundární (odvozené) vrstvy:
• Primární – reliéf (topografie), hydrologie, geologie
a půdy (kvalita půd), potenciální vegetace.
a) Svažitost – výchozí proměnná pro výběr ploch pro
pole a pastviny, rozdělena do čtyř kategorií (3 kategorie vhodnosti a nevhodné).
Extenzivní: pole zahrnovala také úhory (1 : 3 v nastavení modelu) obhospodařované s menší intenzitou bez
manuální investice, hnojení úhorů pasoucími se zvířaty,
rotace plodin nebo kontinuální produkce jedné plodiny.
Jedná se o strategii s nižším výnosem na plochu (500–
2000 kg/ha obilniny, v nastavení modelu) náročnou
především na dostatečné prostorové kapacity a dostupnost.
b) Hydrologie – zahrnuje (1) vzdálenosti od vodních
toků, modelovaných pomocí spádových území z topografie a fluviálních sedimentů z geologických map použitých pro kontrolu, (2) tzv. topografický wetness
index, který vyjadřuje tendenci políčka být saturováno vlhkostí vzhledem ke spádové oblasti pro odtok
povrchové vody. Obě vrstvy jsou zásadní pro predikci
polí a pastvin.
Z obdělávaných ploch polí se odvozuje meziroční sklizeň ovlivněná náhodnými fluktuacemi v předem daném
rozpětí, faktory ovlivňujícími úrodnost (zejm. hnojení)
a konkrétními impakty (klimatické události, požáry,
úbytek hospodářských zvířat apod.).
c) Původní kategorie pokryvu jsou půdy a vegetace:
podle prediktivních map potenciální přirozené vegetace a analýzy uhlíků z oppida (Neuhaüslová et al.
2001; Přichystal – Opravil 1992) se v modelu počítá
s lesy s různým druhovým složením (dub, habr, lípa,
javor, jasan, buk, jedle), využitelným jako stavební
a palivové dřevo. Množství dřeva (suroviny) na jednotku plochy (buňku) se generuje v modelu náhodně
podle rozpětí se stejnou střední hodnotou.
Základní principy modelu jsou:
1) Zajištění kontinuity produkce – každý rok musí být
kromě pokrytí vlastní spotřeby část úrody rezervována pro nové osivo (zpravidla 200 kg/ha).
2) Udržení kontinuity soběstačné produkce – zajištění
nutných rezerv pro roky se špatnou úrodou (zpravidla dvojnásobek roční energetické spotřeby obyvatel), případné doplnění rezerv externími zdroji.
3) Udržení kontinuity živočišné produkce – počet poražených (nebo jinak vyřazených) zvířat nesmí přesáhnout reprodukční schopnosti stáda konkrétního
druhu (zpravidla 25 % zvířat).
4) Zajištění kontinuity udržitelného obhospodařování
krajiny – hospodářsky využívané krajinné jednotky
musí zůstat v dosažitelné vzdálenosti (vyjma lesa)
a jejich potenciál nesmí být vyčerpán (např. klesající
úrodností).
Návrh modelu
• Sekundární – dosažitelnost ze sídliště (náročnost průchodu terénem – tzv. frikce), prediktivní mapy vhodnosti polí, pastvin.
a) Dostupnost ze sídliště – je modelována jako vzdálenost na základě jednotek frikce (náročnosti průchodu
terénem). Jako základ byla zvolena dochozí vzdálenost jedné hodiny, modelované pomocí rovnice (Gorenflo — Gale 1990, 244):
(4)
(V = dostupnost, S = svažitost v %)
Čím dále od sídliště, tím mohou být políčka méně
preferovaná pro určitý typ aktivit a přesun na ně
a zpět zabírá více času. Vzdálené plochy tak byly
v modelu navíc penalizovány pro zakládání konkrétních aktivit (např. pole).
Model reprezentuje následující prvky socio-ekologického
systému: populační dynamiku (lidé a zvířata), zemědělské strategie, primární produktivitu půdy, produktivitu
půdy pod lidským vlivem, topografii (variabilitu terénu),
variabilitu počasí, a vegetační sukcesi. V modelu se neuvažuje existence složitějších vlastnických a socio-ekonomických struktur, které by měly vliv na využívání
půdy (např. vlastnické vztahy).
b) Prediktivní vrstvy polí a pastvin – kombinace vrstev
kategorií kvality plochy (půdní, vegetační pokryv, svažitost, wetness index) a dostupnosti ze sídliště, vyjadřující vhodnost políčka pro založení pole nebo pastviny. Nejdříve jsou v modelu vybírány nejkvalitnější
plochy co nejblíže sídlišti. Čím dále od oppida, tím
více se projevuje vliv vzdálenosti.
Časový rozsah simulace je 120 kroků – jeden krok
odpovídá jednomu roku, kdy obnovení stavu buněk odpovídá procesům, probíhajícím během jednoho zemědělského roku. Zemědělský rok reprezentuje zimní
a letní sezónu, dělenou na základě pracovní náplně.
V modelu bylo definováno celkem 5 základních (9
specifických) kategorií využití krajiny (tab. 2): Konkrétní
poznatky o transformaci krajiny vyplývají z mapových
podkladů a obecných předpokladů o fungování přírodního prostředí v době laténské.
Počítačový model využití krajiny je navržen na principu buněčného automatu (celulární automata). Každá
buňka/políčko (patch) má několik biofyzikálních atributů, které vystihují její potenciál pro využití: topografii,
původní pokryv a dostupnost z centra. Tyto atributy
byly vyjádřeny pomocí kombinace sady rastrových map
Jednotlivé kategorie se mohou různým využitím změnit v jiné (obr. 5).
PAMÁTKY ARCHEOLOGICKÉ CVI, 2015
Simulace začíná načtením biofyzikálních atributů
pro jednotlivé buňky. Každá buňka aktualizuje svůj stav
na základě momentálního využití. Předpokladem modelu je, že krajina byla v počátcích osídlení zalesněna
149
Danielisová — Štekerová, Sociální simulace při zkoumání společnosti, ekonomiky a využívání krajiny v době železné
Hlavní kategorie
Obhospodařované
plochy
Travní plochy
Lesy
Specifická kategorie
137–180
Stručný popis a atributy
pole (fields)
produkční jednotka – obdělávané, každý rok orané, oseté (intenzivní strategie) nebo každé 4 roky
(extenzivní strategie)
úhory (fallows)
neproduktivní jednotka (neobdělávané) pole 3 roky. Může být využito k pastvě
(pastva nebo úhor obohacuje plochu o živiny).
pastviny (pastures)
pastevní plochy, mohou být zorány a změněny na pole, pokud neobhospodařovány, mění se na křoviny
louky (meadows)
nepastevní plochy, slouží k získání sena (zimní krmivo), pokud neobhospodařovány, mění se na křoviny
křoviny (shrubs)
neobhospodařované plochy – 1–3 let po opuštění
využívaný les (managed forest)
využívaný les, přirozený vegetační kryt nebo 3–20 let sukcese z křovin, využíván na těžbu dřeva, letninu
(zimní krmivo), lesní pastvu, sběr palivového dřeva, může být odlesněn a využit na pole, pastviny
klimaxový les (climax forest)
přirozený nevyužívaný lesní porost nebo dlouhodobě neobhospodařované plochy, 3–20 let sukcese z křovin,
po 20 letech se stávají klimaxovým lesem, může být odlesněn a využit na pole, pastviny
Sídliště
oppidum
sídliště – neproduktivní kategorie, má centrální pozici – dostupnost se počítá odsud
Vodní zdroje
vodní toky nebo buňky
(water streams)
vodní zdroje pro obyvatele sídliště a zvířata
Tab. 2. Definované kategorie využití krajiny. — Tab. 2. Defined categories of land-use.
Obr. 5. Krajinné kategorie a modelový proces jejich změny způsobené různým využitím (termíny viz Tab. 2). — Fig. 5. Landscape categories and model process
of their change due to their different land-use (for terminology, see Tab. 2).
a postupně docházelo k její deforestaci. V době, kdy začíná simulace, je krajina již částečně kultivována výchozí populací (je zde určitý počet zvířat a v okolí lokality jsou pole v různém stadiu kultivace). Každý krok
(= rok) simulace je potom započat aktualizací počtu obyvatel, počtu zvířata jejich energetických nároků a pracovních kapacit. Postupně zvětšující se obhospodařované plochy zmenšují plochu lesa.
Pole a rostlinná produkce. Předpokládá se, že většinu energetické spotřeby populace pokrývaly obiloviny
(pšenice a ječmen), zbytek luštěniny, proteiny (maso
a mléko) a ostatní. Na základě definování parametrů
produkce (vlastní spotřeba, nadprodukce, osivo, ztráty)
a obecných zemědělských principů (meziroční fluktuace
výnosů, čistý zisk) lze odvodit potřebné velikosti země-
150
dělských ploch. Simulovat lze proměny těchto ploch
v čase (tj. v jednotlivých letech), a to jak změny velikosti
(s rostoucí populací se plochy zvětšují), tak změny kvalitativní (výnos je ovlivněn úrodností půdy, ovlivnitelnou
hnojením, úhorováním nebo rotací plodin).
Výpočet potřebné plochy každoročně osetých polí je
uvažován tak, aby se dalo předpokládat, že příští rok,
pokud nenastanou žádné neočekávané události, bude
sklizeň dostatečná pro pokrytí aktuální spotřeby obyvatelstva a zajištění i určité rezervy (tzv. safety margin,
Müller-Herold – Sieferle 1997). Plocha polí F se tak každý
rok aktualizuje podle výpočtu6:
6
Další možností, jak stanovit plochu obhospodařovaných polí, je
pomocí fuzzy logiky (viz kapitola 3.3).
PAMÁTKY ARCHEOLOGICKÉ CVI, 2015
Danielisová — Štekerová, Sociální simulace při zkoumání společnosti, ekonomiky a využívání krajiny v době železné
137–180
Obr. 6. Schéma implementace koloběhu dusíku (NO2) v půdě do modelu. — Fig. 6. Implementation scheme of the nitrogen (NO2) cycle in the soil.
(5)
(TC – celková konzumace, exY – očekávaný výnos z ha (kcal),
pCD – % rostlinné složky v konzumaci, r – rezervy,
lA – poslední aktuální rozloha polí
(intenzivní nebo extenzivní strategie), SR – osivo)
V případě extenzivní strategie se navíc započítává
plocha, která aktuálně leží ladem, ale která se může po
tuto dobu spásat. Na rozlohu polí (ale i pastvin) má také
vliv produktivita (= úrodnost) buněk v modelu, která
ovlivňuje produkci biomasy a vychází z koloběhu dusíku (NO2) v půdě (obr. 6, 7).
Sledují se aktuální průměrné hodnoty dusíku, na základě kterých se pak pro každé políčko mapy vypočítává
úrodnost. Z úrodnosti je potom odvozen tzv. „fertilisation impact“, který mezi jinými parametry má vliv na velikost meziroční produkce (obr. 7). Je počítán podle rovnice:
(6)
(exY – očekávaný výnos z ha (kcal), dev – meziroční fluktuace
výnosů, FI – fertilisation impact)
Každý rok se sleduje velikost sklizně. Ve výsledku je
obsažen jednak dlouhodobý trend v úrodnosti polí a jednak aktuální vliv externích faktorů zahrnutých do mo-
PAMÁTKY ARCHEOLOGICKÉ CVI, 2015
Obr. 7. Vliv dusíku na aktuální úrodu (výsledky dvou simulací). — Fig. 7. Effect
of nitrogen on the current harvest size (results of two simulations).
delu (události jako počasí, nebo ztráty). Sklizeň je následně přepočítána na energetickou hodnotu (Kcal).
Objem sklizně je určen na spotřebu obyvatel, na výsev
na další rok, a nespotřebovaná část, pokud je, se po započtení ztrát přesune do zásob. Zásoby obilí z konkrétního roku se skladují maximálně 3 roky. Z porovnání
stavu zásob a potřebných potravin na příští rok jde odhadnout vývoj simulace. Množství potravin (resp. její
151
Danielisová — Štekerová, Sociální simulace při zkoumání společnosti, ekonomiky a využívání krajiny v době železné
137–180
Obr. 8. Počet jednotlivých zvířat v simulaci (základní demografický scénář - Baseline) dle jednotlivých nastavení (single = základní počet, double = dvojnásobný
počet, oboje odvozováno od velikosti lidské populace, natural = počet odvozený od porodnosti/úmrtnosti). — Fig. 8. Numbers of livestock in the simulation
(Baseline demographic scenario) according to individual model settings (single = basic number, double = double number, both derived from the size of the
human population; natural = number derived from natural animal natality/ mortality).
rostlinná složka) zahrnující aktuální sklizeň a zásoby je
každoročně sledováno a z těchto hodnot se měří úspěšnost produkce (surplus vs. deficit), resp. soběstačnost
komunity a situace, za kterých dochází k potenciální
disponibilní nadprodukci. Ta je v souladu s historickými prameny (cf. Erdkamp 2005, 143, 155) počítána
jako objem nad trojnásobným množstvím aktuálních
energetických nároků populace.
Pastviny a živočišná produkce. Počet hospodářských
zvířat je buď odvozován z aktuálního počtu obyvatel (je
možné také počítat s dvojnásobkem základní hodnoty),
nebo se řídí vlastními parametry porodnosti a úmrtnosti
jednotlivých stád, které jsou také ovlivnitelné každoroční porážkou (obr. 8).
při orbě. Koně jsou pouze zdrojem dusíku a v menším
množství i zdrojem masa. Ovce/kozy a prasata jsou
zdrojem masa (resp. mléka) a dusíku. Pro každý druh
je předem nastavena délka laktační periody, výtěžnost
z masa, mléka, hnoje a udržitelnost stáda v případě
porážky.
Každé zvíře má také jiné preference ohledně pastvin;
základem je, které druhy se mohou pást v lese (krávy,
prasata) a které ne (ovce/kozy, koně). Podle těchto preferencí se v modelu odvozuje celkově odlesněná plocha.
Proto se plocha pastvin PA (lesních a travních zahrnujících pastviny a úhory) se v každém kroku aktualizuje
podle vzorce:
(7)
(H – počet koní, S – počet ovcí, C – počet dobytka, P – počet prasat, PAS – celková plocha pastvin)
Proporce jednotlivých druhů v oppidálním stádu
jsou určeny podle osteologických dat. Nejpočetnější
skupinu zvířat tvoří dobytek, který je zásadní pro hospodářskou produkci sídliště. Je zdrojem nejen masa
a mléka (tj. proteinů), ale také dusíku, na kterém je
závislá velikost úrody. Tažná síla dobytka se využívá
152
Pro stáda je také nutné zajistit krmivo, neboť model
zohledňuje letní a zimní sezónu. Jako krmivo slouží
seno, letnina, a přebytky z obilné produkce (zejména
pro pracující zvířata v době orby). Plocha sečených luk
MA se počítá:
PAMÁTKY ARCHEOLOGICKÉ CVI, 2015
Danielisová — Štekerová, Sociální simulace při zkoumání společnosti, ekonomiky a využívání krajiny v době železné
(8)
(H – počet koní, S – počet ovcí, C – počet dobytka)
Lesy. Les se kácí kvůli nárokům na dřevo a také k získání místa pro zvětšující se populaci. Na sběr palivového dřeva je určena obnovitelná část lesní dřevní produkce. Plocha lesa LFA potřebná ke sběru letniny se
počítá:
(H – počet koní, S – počet ovcí, C – počet dobytka)
(9)
Každý rok se pro všechny buňky mapy vyřeší změny,
které mohly nastat v průběhu roku, tj. potenciální přechod z jedné krajinné kategorie do druhé (např. zorání
úhoru nebo pastviny, u úhorů se sníží o rok doba, za
kterou leží ladem), obnovení biomasy na travních porostech, obnovení listnatých porostů, obnovení dřeva
v lese a obnovení základní hodnoty dusíku v půdě.
K přepočtu dusíku v zemi dojde také při sklizni a při pastvě. Sklizeň značně ovlivňuje množství dusíku (čím
větší sklizeň, tím větší úbytek NO2); při intenzivní strategii je potřeba jej doplňovat pomocí hnojení, při extenzivní strategii je doplňovánúhorováním a přepásáním.
Každý rok se z aktuálního stavu populace odvodí její
energetické nároky na daný rok, z toho vyplývá nutná
velikost osetých polí a počet poražených zvířat. K sledování energetických výdajů slouží tzv. banka pracovních
hodin zohledňující aktuální pracovní dispozice komunity (v relaci „strongforce“ a „weakforce“), ze které se
odečítá čas potřebný na jednotlivé činnosti. Statistika
z každého roku umožňuje určit, zdali byla komunita
pracovně soběstačná (např. při sledování různých demografických scénářů viz kapitola 3.1), nebo její pracovní kapacity nestačily na pokrytí základních produkčních potřeb.
Experimenty
Následující experimenty ukazují, jakým způsobem lze
zkoumat využití plochy zázemí lokality a strukturu jejích hlavních krajinných jednotek při různých strategiích, různě velké populaci a s jednoznačným cílem udržitelnosti produkce.
1) Využití krajiny při jednotlivých strategiích
V tomto experimentu se porovnává intenzivní a extenzivní strategie na počátku simulace a na jejím konci, za
předpokladu, že populace oppida kontinuálně rostla od
počátku osídlení až do konce – jako vstup tedy bude
sloužit „Baseline“ scénář z populačního modelu (viz kapitola 3.1). Cílem je zjistit, jaká maximální populace lidí
a zvířat je udržitelná v predikované ploše zázemí a zdali
k překročení kapacity přírodních zdrojů dojde během
doby simulace, která odráží dobu osídlení oppida.
V nastavení modelu mohou při intenzivní strategii
nastat dvě možnosti: (1) buď se provozuje lesní pastva
a travnaté pastevní porosty mají minimální rozlohu
učenou pro zvířata, která se nemohou pást v lese,
PAMÁTKY ARCHEOLOGICKÉ CVI, 2015
137–180
nebo (2) je prostor odlesněn a všechna zvířata se pasou
na travních porostech (stupeň zalesnění by zpřesnila
např. pylová analýza). Kromě toho se v modelu počítají
kosené louky, a plochy lesa určené ke sběru dřeva a letniny. Při extenzivní strategii se kromě pastvin a luk počítá s pasenými úhory.
Výsledky ukazuje obr. 9. Při nastavení mediánů výnosu při intenzivní strategii 1500 kg/ha, 3000 kg/ha
travního porostu, 2400 kg/ha letniny a základního
počtu zvířat je plocha zázemí využita, ale nevyčerpána,
a maximum populace dosahuje modelové hodnoty
v „Baseline“ scénáři (tj. nad 3000 lidí). Pokud počítáme
s dvojnásobným počtem zvířat, vychází, že maximální
velikost populace by se musela – při lpění na stávajících
hospodářských strategiích – zastavit na hodnotě kolem
1500.
2) Úspěšnost a udržitelnost zemědělské produkce
V tomto experimentu se sleduje dlouhodobý trend
sklizně, zásoby a úspěšnost produkce vzhledem k surplusu nebo deficitu (tj. nadbytku nebo nedostatku).
Jako příklad je v experimentu uvedena intenzivní strategie. Úrodnost je podporována hnojením; vzhledem
k tomu, že letní (pastevní) sezóna v modelu trvá většinu
roku, počítá se s cca třetinovým množstvím hnojiva
k dispozici pro hnojení oproti celkové produkci všech
zvířat. Každoroční fluktuaci sklizně způsobuje mimo
jiné i vliv počasí, v modelu implementovaný jako tzv.
„eventy“ – klimatické jevy (bouřky, deště, kroupy,
sucha, mrazy apod.) s větším či menším impaktem, jejichž frekvence byla modelována na základě historických záznamů ze stejného regionu (např. Brázdilet al.
2006). Pro zajištění dostatečné produkce na pokrytí
energetické spotřeby obyvatel oppida včetně pojistek
proti případné neúrodě (tzv. safety margin, cf. MüllerHerold — Sieferle 1997, 209–210), místní populace vytváří rezervy – obdělává větší rozlohu polí a přebytky
z úrody skladuje.
V experimentu se sleduje, za jak velkých „rezerv“ se
produkce stává stabilní, zdali se při žádných nebo malých rezervách objevuje „deficit“ (tj. nedostatečné zásoby
na pokrytí základních energetických nároků populace)
a od kdy se pravidelně objevuje „surplus“ (tj. množství
potravin nad základními energetickými nároky populace a nad zásobami, které tvoří trojnásobný objem základních nároků). Se surplusem je poté možno volně
disponovat – obchodovat, zkrmit zvířaty nebo spotřebovat při jiných sociálních aktivitách (např. oslavy).
Nastavení experimentu zahrnuje: (1) základní populační scénář („Baseline“), 30 % množství dusíku z hnoje
domácích zvířat a vliv počasí. Rezervy nad základní produkci činí 10 %, 50 % a 100 %. Výsledky (obr. 10 – „Baseline – production“) ukazují, že při pouze 10% nadprodukci pravidelně především vlivem počasí dochází
k situacím, kdy se populace potýká s nedostatkem
(nízká úroda a vyčerpané zásoby). Při 50% nadprodukci
je populace soběstačná a při 100% nadprodukci se pravidelně objevuje disponibilní surplus. (2) Do experimentu byla v 75. roce existence oppida začleněna událost, při které došlo ke snížení počtu domácích zvířat
o polovinu (obr. 10 – „Baseline – animal event“). Výsledky
ukazují, že zemědělská produkce se nedostala do deficitu, pouze pokud byla dvojnásobná, než základní spo-
153
Danielisová — Štekerová, Sociální simulace při zkoumání společnosti, ekonomiky a využívání krajiny v době železné
137–180
Obr. 9. Experiment 1 – příklad
hospodaření s krajinou a dynamika
odlesňování při různých strategiích.
V případě intenzivní strategie a dvojnásobného počtu zvířat simulace
končí v roce 88, kdy je dosaženo
maxima. — Fig. 9. Experiment 1 –
example of land-use and deforestation dynamics under different economic strategies. In the case of an intensive strategy and double number
of animals, the simulation ends in
the year 88, when the maximum capacity is reached.
třeba. (3) Základní demografický scénář byl pro situaci
náhlého úbytku hospodářských zvířat srovnáván s modelem, kdy od 70. let dochází k postupnému úbytku po-
154
pulace. Je vidět (obr. 10 – „Gradual decline – animal
event“), že při menší populaci dochází po nějaké době
k vyrovnání produkční úrovně, zejména vlivem opětov-
PAMÁTKY ARCHEOLOGICKÉ CVI, 2015
Danielisová — Štekerová, Sociální simulace při zkoumání společnosti, ekonomiky a využívání krajiny v době železné
ného dostatku dusíku v přepočtu na plochu polí vzhledem k nižší velikosti populace.
To se ukazuje také na stavu dusíku a jeho působení
(obr. 11).
Výsledek experimentu mimo jiné potvrzuje výše uvedený předpoklad, že úspěšná produkce znamená cílené
vytváření dvojnásobných rezerv (cf. Erdkamp 2005, 143,
155).
137–180
naložení minimální námahy (viz zmiňovaný least effort
princip). Cílem v tomto případě explorativního modelu
je zkoumání relevantních rozhodovacích procesů zemědělců ohledně vytváření prostorové struktury polí v krajině.Jako metodologický nástroj je zde prezentována
predikce krajinných jednotek (konkrétně polí) pomocí
fuzzy-logiky (model detailně publikován v Machálek et al.
2013).
3) Pracovní kapacity populace v jednotlivých demografických scénářích
Teoretická východiska
Cílem experimentu je zjistit, zdali je pracovní síla populace sídliště (v relaci „strongforce“ a „weakforce“) dostačující k naplnění vytýčených produkčních cílů a jestli
zbývá volná kapacita i na jiné aktivity (např. specializovaná výroba, volný čas, neprodukující část populace –
např. elita). Počítán je celoroční průměr ze všech aktivit.
Trend přibývání nebo úbytku volného času také ukazuje vliv velikosti populace a zvolené produkční strategie (obr. 12). Porovnávány jsou jednotlivé demografické
scénáře vytvořené v rámci populačního modelu (viz kapitola 3.1).
Předpokládá se, že hlavní část energetické spotřeby byla
pokryta obilovinami. Ze znalosti spotřebních a dalších
požadavků (nutnost tvořit zásoby a nachystat budoucí
osivo, riziko ztrát a motivace vyrábět nadprodukt)
a obecných zemědělských principů (medián výnosu
z hektaru, plevnatost plodin, vliv počasí) je možné odvodit minimální požadovanou velikost obdělávaných
ploch.
Z výsledků vyplývá, že větší populace je efektivní
v naplňování produkčních cílů, menší komunity (patrné
je to zejména na scénáři „gradual decline“) disponují
proporcionálně méně volným časem. Významně se do
pracovní síly promítl také vliv epidemie (scénář „epidemic“), kdy je patrný úbytek mladé generace v období po
epidemii. V obecné rovině by se dalo říci, že méně volného času na jiné aktivity, než na ty spojené s produkcí
potravin, znamená také snižování komplexity společnosti.
Možnosti rozšíření
Stávající buněčný model krajiny (celulární automata)
může být doplněn o agentový model rodin obhospodařujících vlastní pole, případně i pastviny, protože již ve
stávajícím modelu je počet zvířat přepočten na nukleární rodinu (domácnost – „household“), nikoliv na jednotlivce.
Simulace by tak mohla být obohacena o prvky explorativní povahy, a to sociální vlastnictví půdy a určitého
počtu zvířat a o případné nerovné sociální postavení jednotlivých domácností vyplývající z jejich kapitálu.
Další možností je zkoumat pastevní využití krajiny
pohybujícími se jednotlivými agenty reprezentujícími
„oppidální stádo“(tento model je momentálně testován
v kombinaci systémové dynamiky a agentů v Anylogicu).
3.3. Model zemědělské produkce s použitím
fuzzy-logiky
Cíl
Tento model reprezentuje alternativní přístup k modelování zemědělské krajiny. Předpokladem je, že lidé rozšiřovali obhospodařované území v okolí sídlišť v souvislosti s rostoucí spotřebou zvětšující se populace a že
toto rozšiřování probíhalo účelně, tj. se záměrem hospodařit efektivně a docilovat maximálních výnosů za vy-
PAMÁTKY ARCHEOLOGICKÉ CVI, 2015
Při pokusu o kategorické vyjádření procesu vyhodnocování kvality obdělávatelných ploch minulými zemědělci je možné použít systém fuzzy-proměnných a fuzzylogiky, které umožňují kódování specifických znalostí
a chování systému v souvislosti s těmito znalostmi. Pravidla mají obecnou formu: IF – THEN (předpoklad – následek). Fuzzy-tvrzení jsou pak výroky jako „x je velké“,
kde „velké“ je lingvistická proměnná definovaná fuzzy
množinou (Babuška 2001; vysvětlení také viz Danielisová et al. 2015, 117–118). Ty umožňují zohlednění
zejména subjektivních a aproximativních kritérií, jako
je „blízko“, „daleko“, „dobrý“, „špatný“, „lepší“, „horší“
apod. (Ross 2010), tj. kritéria, které je obtížné vyjádřit
číselně, ale je možné je vystihnout verbálně. V praxi tak
přednost dostanou„blízká“ pole před „vzdálenými“, „úrodná“ půda před „méně výnosnými“ půdami a „rovné“ plochy před „svahy“.
Vedle těchto prakticky neměnných (nebo variabilních
v delším časovém úseku) charakteristik hrají roli i proměnlivé hodnoty, např. velikost výnosu v předchozím
roce může indikovat mj. postupné vyčerpávání živin,
volbu špatných ploch či zvolenou zemědělskou strategii,
což se následně zohledňuje při rozhodování o obdělávaných plochách na příští rok.
Návrh modelu
Model simuluje jednak proces rozhodování zemědělců
o vhodnosti jednotlivých pozemků pro rostlinnou nebo
živočišnou výrobu a jednak také rozlohu intenzivně obdělávaných zemědělských ploch na základě rozdílu mezi
aktuální meziroční sklizní a roční spotřebou komunity.
Vhodnost ploch a volba zemědělské strategie se řeší ve
dvou úrovních:
• První vyhodnocuje krajinu z topografického hlediska
(jako je dostupnost, svažitost, atd., z hlediska fuzzylogiky cf. Jarosław — Hildebrandt-Radke 2009; Reshmidevi — Eldho — Jana 2009).
• Druhá úroveň zavádí dynamický faktor (např. sklizeň
z předchozího období). Komunita čerpá zkušenosti
z minulých sezón ohledně vhodnosti využití konkrétních ploch k různým účelům.
155
Danielisová — Štekerová, Sociální simulace při zkoumání společnosti, ekonomiky a využívání krajiny v době železné
156
137–180
PAMÁTKY ARCHEOLOGICKÉ CVI, 2015
Danielisová — Štekerová, Sociální simulace při zkoumání společnosti, ekonomiky a využívání krajiny v době železné
137–180
Obr. 11. Experiment 2 – tzv. fertilisationimpact při náhlém úbytku domácích zvířat v 75. roce (Impact-0 = 10%, Impact-1 = 100% nadprodukce – hodnoty jsou nižší
vzhledem k dvojnásobné ploše polí na stejný počet zvířat) v demografických scénářích Baseline (a) a Gradualdecline (b). — Fig. 11. Experiment 2 – fertilisation impact
upon a sudden decline of livestock in the 75th year (Impact-0 = 10%, Impact-1 = 100% overproduction – values are lower due to the doubled area of fields with the
same number of animals) in the Baseline (a) and Gradual decline (b) demographic scenarios.
Obr. 12. Experiment 3 –
trend proporce volného
a využitého času na pracovní aktivity dle jednotlivých demografických scénářů (čím vyšší hodnota
tím méně volného času). —
Fig. 12. Experiment 3 –
proportion trend of free
time to work activities in individual demographic scenarios (the higher the value,
the less free time).
Obr. 10. Experiment 2 – vliv velikosti rezerv nad základní produkci na dlouhodobý trend úspěšnosti rostlinné produkce. Výsledky ukazují, že od 50% nadprodukce
je populace soběstačná a od 100% nadprodukce se pravidelně objevuje nadbytek (trojnásobné množství aktuálních energetických nároků populace). Podobně
vliv náhlého úbytku domácích zvířat jako zdroje hnojiva nemá fatální vliv na zásoby od dvojnásobné produkce. V případě postupného úbytku populace se negativní
impakt úbytku dusíku neprojevuje ani při nejmenších rezervách. — Fig. 10. Experiment 2 – impact of the reserves above basic production in the long-term trend
of sustainability of crop production. The results show that at 50% overproduction the population is self-sufficient, and at 100% overproduction the surplus regularly
appears (three-times the amount of the energetic requirements of the current population). Similarly, the impact of the sudden decrease of livestock as a source
of fertiliser does not have a fatal effect on supplies from doubled production. In the case of gradual depopulation, the negative impact of nitrogen loss does not
appear even at the smallest overproduction rate.
PAMÁTKY ARCHEOLOGICKÉ CVI, 2015
157
Danielisová — Štekerová, Sociální simulace při zkoumání společnosti, ekonomiky a využívání krajiny v době železné
137–180
Obr. 13. Vstupní fuzzy vlastnosti, které charakterizují
buňky v mapě. — Fig. 13.
Input fuzzy properties that
characterise the map cells.
Jako model krajiny bylo zvoleno jedno zemědělské sídliště
na rozhraní několika typů zemědělských půd7. Jeden krok
simulace odpovídá jednomu zemědělskému roku. Agent
reprezentuje sídliště, obklopené ornou půdou. Mapa je podobně jako v kapitole 3.2 rastrem buněk, které jsou charakterizovány následujícími fuzzy vlastnostmi (obr. 13):
• distance – vzdálenost od sídliště,
• slope – svažitost,
• suitability – typ půdy (tři kvalitativní kategorie půdy,
vodní plochy/toky, vlastní sídliště),
• yield – výnos z plochy. Stochastická povaha výnosů
z jednotky plochy je dosažena použitím normálního
náhodného rozdělení.
• total harvest – celková velikost sklizně, vyjádřená jako
procento z roční spotřeby celé komunity. Odhad výnosu při intenzivní a extenzivní strategii odpovídá
modelu v kapitole 3.2.
Pro proces fuzzifikace byly definovány dvě lingvistické
proměnné:
1. suitability – kvantifikuje vhodnost buňky k rostlinné
výrobě. Proměnná nabývá hodnot od 1 do 100, hodnoty blízké 100 odpovídají nejvhodnějším místům
(blízkost obydlí, rovný terén, kvalitní půda), hodnoty
blízké 0 odpovídají nevhodným místům (velká vzdálenost, svažitý terén, neúrodná půda).
2. intensity – kromě toho, že je v modelu zahrnut parametr specifikující rozlohu orné půdy obhospodařované intenzivní strategií, je možné také provádět
autokorekci této hodnoty podle rozdílů mezi požadovanou a skutečnou sklizní. Proměnná intensity nabývá hodnoty 1 tehdy, když celková sklizeň odpovídá
požadavkům.
7
Jedná se sice o konkrétní sídliště v regionu kolem Starého Hradiska,
ale pro zkoumání chování modelu je možné použít i fiktivní krajinu.
158
Výnos buňky (yp) se počítá dle vzorce:
(10)
25
( 10000 – přepočet výnosu na jednotku plochy v modelu,
h – výnos z hektaru, h·y vyjadřuje variabilitu výnosů,
T – koeficient vlivu zvolené strategie /1 – intenzivní,
0.3 extenzivní – s ohledem na úhory/, r – volitelný koeficient
zohledňující dlouhodobé trendy, např. vliv klimatu)
Fuzzy-odvozování je poté definováno sadou 13 pravidel (tab. 3).
Použití modelu
Výstupem modelu je rozmístění intenzivně a extenzivně
obdělávaných ploch a pastvin v okolí sídliště, které
může poskytnout požadovaný celkový výnos při zvolené
kombinaci zemědělských strategií (obr. 14).
Možnosti rozšíření
Jak fuzzy-proměnné popisující jednotlivé buňky v modelu využití krajiny, tak vlastní systém fuzzy-pravidel
lze doplňovat a postupně tak zahrnout do modelu
kromě produkce obilovin i další požadované prvky zemědělské produkce. Mechanismus rozšiřování ploch
polí okolo sídliště ale je obecně použitelný, tj. je možné
pomocí něj zkoumat i krajinu s více sídlišti. Namísto aplikace fuzzy-pravidel lze také uvažovat o analogickém
systému, spočívajícím na jiných rozhodovacích mechanismech, např. na multikriteriálním rozhodování (vysvětlení metody pro GIS např. viz Eastman 2006, 126–
134).
PAMÁTKY ARCHEOLOGICKÉ CVI, 2015
Danielisová — Štekerová, Sociální simulace při zkoumání společnosti, ekonomiky a využívání krajiny v době železné
Tab. 3. Pravidla fuzzy odvozování pro predikci polí. —
Tab. 3. Fuzzy inference
rules for the prediction of
fields.
137–180
RULE 1: IF yield IS very_small THEN suitability IS low;
RULE 2: IF slope IS high THEN suitability IS low;
RULE 3: IF distance IS near AND (slope IS low OR slope IS middle) AND (yield IS high OR yield IS medium) THEN suitability IS high;
RULE 4: IF distance IS near AND (slope IS high) AND (yield IS high) THEN suitability IS middle;
RULE 5: IF distance IS middle AND slope IS low AND (yield IS NOT very_small) THEN suitability IS high;
RULE 6: IF distance IS middle AND slope IS middle AND yield IS high THEN suitability IS high;
RULE 7: IF distance IS far AND (slope IS low) AND (yield IS medium OR yield IS high) THEN suitability IS middle;
RULE 8: IF distance IS far AND (slope IS middle) AND (yield IS NOT very_small) THEN suitability IS low;
RULE 9: IF distance IS near AND slope IS low AND yield IS NOT very_small THEN suitability IS high;
RULE 10: IF distance IS middle AND slope IS low AND (yield IS small OR yield IS very_small) THEN suitability IS low;
RULE 11: IF harvest IS fair THEN intensity IS normal;
RULE 12: IF harvest IS bad THEN intensity IS high;
RULE 13: IF harvest IS high THEN intensity IS low;
Obr. 14. Fuzzy model zemědělské produkce – příklad grafického výstupu
při požadovaném celkovém výnosu
9000 kg a uplatnění intenzivní strategie na 10 %, 50 % a 90 % z celkové
plochy. Světlá barva odpovídá extenzivním plochám a pastvinám, černě
vyznačené plochy byly vyhodnoceny
jako nevhodné. — Fig. 14. Fuzzy
model of crop production – example of
graphic output at the required total
yield of 9,000 kg and the application
of an intensive agricultural strategy at
10 %, 50 % and 90 % of the area. The
light colour corresponds to extensively
managed plots and pastures, while
black areas are regarded as unsuitable.
3.4. Model alokace pracovních kapacit
Cíl
Model ukazuje možnosti rozdělení pracovních kapacit mezi
paralelně probíhající zemědělské činnosti v klíčové části zemědělského roku, tzv. bottlenecku, tj. v období letní sklizně.
Model se Starého Hradiska týká pouze volně, je aplikovatelný obecně na jakoukoli lokalitu nebo historické období,
a to v mezích níže uvedených východisek.
Teoretická východiska
Produkčně soběstačná populace musí alokovat pracovní
kapacity v průběhu roku tak, aby byla pokryta její celoroční spotřeba potravin (rostlinných a živočišných produktů).
Z hlediska hospodaření s pracovními kapacitami jsou
klíčová dvě období: (1) orba a setí (jarní a podzimní)
a především (2) období sklizně, kdy je nutné v relativně
krátké době (2–6 týdnů) sklidit (Halstead 2014, 67–
126), zpracovat a uskladnit jednak obilniny a luštěniny
(s postupnou dobou dozrávání, závislou na lokalitě
a počasí), jednak na loukách získat seno (zimní krmivo
pro domácí zvířata) a nakonec se také věnovat dalším
každodenním aktivitám (paušálně vedeným jako domácí
práce, péče o zvířata atd.).
Dostupná pracovní kapacita se odvozuje od populačního modelu (v relacích „strongforce“ – těžší práce typu
PAMÁTKY ARCHEOLOGICKÉ CVI, 2015
orba, kosení, a „weakforce“ – ostatní aktivity viz kapitola
3.1). Dále je třeba rozlišovat pracovní kapacitu celkovou
(všichni dospělí muži) a reálně využívanou, která pravděpodobně byla nižší (předpokládá se existence nepracující společenské skupiny – pravděpodobně elity či kapacit trvale vyčleněných na jiné, než zemědělské práce).
Pracovní kapacita je v období sklizně využívána k vykonávání (cf. obr. 15):
• standardních, celoročně se opakujících činností (domácí práce, pasení stád, dojení a další péče o dobytek, příprava palivového dřeva apod.),
• sezónních činností, které tvoří logickou sekvenci
(sklizeň a přeprava obilnin, mlácení, prosívání, shromažďování) a souběžně probíhající sklizeň trávy, sušení, přeprava a uskladňování sena.
Konkrétní počty člověkohodin, nutných ke sklizení
určitého počtu hektarů a určitého množství obilnin jsou
uvedeny v tab. 4.
Proces sklizně je ovlivněn počasím, které se promítá
jednak do rychlosti dozrávání obilnin a do délky období,
po které si obilí stojící na polích udržuje potřebnou kvalitu, jednak do vlastního procesu sklizně (po dešti nelze
sklízet obilí ani trávu, takže počet deštivých dnů prodlužuje celý proces). Modelujeme-li jednotlivý rok, není
třeba uvažovat meziroční fluktuace úrody ani zohledňovat existenci zásob z předchozích let. Lokální události,
například bouřky, zničení divokými zvířaty, požár, krádež atd. mohou část úrody zdevastovat.
159
Danielisová — Štekerová, Sociální simulace při zkoumání společnosti, ekonomiky a využívání krajiny v době železné
137–180
Obr. 15. Přehled prací v období „bottlenecku“ zahrnutých do modelu alokace
pracovních kapacit. — Fig.
15. Overview of the workload during the “bottleneck”
included in the Labour allocation model.
Činnost
Sklizeň (harvest)
strongforce
weakforce
90 hodin / 1 ha
225 hodin / 1 ha
Přeprava (transport)
20 hodin / 1500 kg
40 hodin / 1500 kg
Mlácení (threshing)
40 hodin / 1500 kg
–
Provívání (winnowing)
33 hodin / 1500 kg
–
Sbírání, uskladnění
(gathering, storage)
–
11 hodin / 1500 kg
Tab. 4. Požadavky na pracovní kapacitu v období sklizně. — Tab. 4. Workforce
requirements during harvest.
postupně vynaloženy na sklizeň a zpracování úrody, paralelně s tím probíhá sklizeň a přeprava sena.Výstupem
modelu je zjištěná celková délka zemědělských činností.
Experimenty
Následující tři experimenty ukazují, jakým způsobem
lze systematicky pracovat s parametry modelu a rámcově odhadnout hranice produktivity.
1) Vliv počasí na délku sklizně
Návrh modelu
Model je koncipovaný jako rovnicový (equation based).
Jeden krok simulace reprezentuje jeden den. Simulováno je maximálně 90 kroků, které odpovídají tříměsíční letní sezóně, kdy probíhá sklizeň. Zajímáme se
zejména o ta nastavení modelu, při nichž simulace trvá
do 21 dnů (= 3 týdnů).
Model má čtyři vstupní parametry, na základě jejichž
hodnot probíhají veškeré navazující výpočty:
1) velikost populace,
2) denní hodinové nasazení „silné“ a „slabé“ pracovní kapacity a případný podíl nepracující „silné“ kapacity,
3) průměrný výnos z hektaru,
4) pravděpodobnost výskytu špatného počasí.
Od celkového počtu obyvatel se, podobně jako v modelu využití krajiny, odvíjí i velikosti stád domácích zvířat.
Od velikosti populace se také odvozují její energetické nároky. Vypočtená celková spotřeba obilnin (včetně osiva na
další rok, zimního krmiva a očekávaných ztrát) a předpokládaný výnos dovolují vypočíst plochu polí, která musí
být obhospodařována, tj. musí se na jejich sklizeň vynaložit konkrétní pracovní kapacita.
Jsou vypočteny celkové časové banky „silných“ a „slabých“ člověkohodin. Odečítá se čas, který „slabá“ kapacita věnuje dalším činnostem (živočišná výroba vč. pastvy,
domácí práce, práce v lese). Zbývající člověkohodiny jsou
160
Paušální předpoklad zahrnuje populaci 1000 osob, dvanáctihodinový pracovní den, 10 % nevyužité pracovní
kapacity a průměrný výnos 1500 kg/ha. Při takto definované výchozí situaci je cílem modelu sledovat vliv počasí na prodloužení doby sklizně.
Z výsledku (obr. 16) vyplývá, že takto vytížená pracovní kapacita mohla za relativně příznivého počasí dokončit sklizeň za méně než 3 týdny.
2) Podíl nepracující části populace
Víme-li, že tři týdny jsou při 30% pravděpodobnosti
nepříznivého počasí splnitelným termínem pro ukončení sklizně, můžeme se zaměřit na další parametr,
a sice na podíl populace, která se nepodílela na zemědělských pracích (např. elita). Můžeme tak zjistit, že
sklizeň je v daném limitu realizovatelná tehdy, když
podíl nepracující populace nepřekročí maximálně 20 %
(obr. 17).
3) Vztah mezi velikostí sklizně a počasím
Za předpokladu, že potraviny primárně neprodukujícíčást tvoří 20 % obyvatelstva a pravděpodobnost deštivého počasí se pohybuje mezi 10 % a 30 %, můžeme
zkoumat, do jaké míry mohla populace vedle pokrytí
vlastní spotřeby produkovat i surplus, určený k volnému disponování např. na trhu, jako „společenský kapitál“, a to při různých hektarových výnosech.
PAMÁTKY ARCHEOLOGICKÉ CVI, 2015
Danielisová — Štekerová, Sociální simulace při zkoumání společnosti, ekonomiky a využívání krajiny v době železné
137–180
Obr. 16. Experiment 1 – vliv špatného počasí na délku procesu sklizně (první graf – výsledky průběhu simulace, druhý graf – výsledné hodnoty; medián hodnot
pro 100 opakování pro každou kombinaci parametrů). S rostoucí pravděpodobností výskytu deště se délka sklizně prodlužuje. Sklizení ploch za méně než 3 týdny
je možné pokud pravděpodobnost výskytu deštivého počasí nepřesahuje 30 %. — Fig. 16. Experiment 1 – impact of bad weather on the length of the harvest
period (first graph – the result of the simulation process; second graph – the resulting values; median values for 100 simulations of each combination of parameters). With the increasing probability of rain the length of the harvest is extended. The harvesting of all the fields in less than 3 weeks is possible if the probability
of occurrence of rainy weather does not exceed 30 %.
Obr. 17. Experiment 2 – vztah mezi podílem nepracujících mužů („strongforce“) a délkou procesu sklizně (první graf – výsledky průběhu simulace, druhý graf –
výsledné hodnoty; medián hodnot pro 100 opakování pro každou kombinaci parametrů). S rostoucím podílem nepracujících kapacit se délka sklizně prodlužuje.
Sklizení ploch za méně než 3 týdny je možné pokud podíl nepřesahuje cca 20 %. — Fig. 17. Experiment 2 – relationship between the proportion of non-producing
men (“strong-force”) and the length of the harvest period (first graph - the result of the simulation process; second graph – the resulting values; median values
for 100 simulations of each combination of parameters). With the increasing proportion of the non-productive working capacities, the length of the harvest period
is extended. The harvesting of all the fields in less than three weeks is possible only if the proportion does not exceed 20 %.
V případě příznivého počasí postačoval k pokrytí
vlastní spotřeby 1000 osob i malý hektarový výnos (800
kg/ha), zatímco dvojnásobná produkce je za horšího počasí realizovatelná jen při čtyřnásobném hektarovém
výnosu (3200 kg/ha) (obr. 18).
období dozrávání, různé časové nároky na sklizeň) by
se pak odvíjely nároky na člověkohodiny.
Možnosti rozšíření
Zjednodušený předpoklad o vlivu počtu deštivých
dnů na prodloužení sklizně může být nahrazen sofistikovanější prací s daty o počasí. Lze pracovat s datovými
řadami vývoje srážek a teplot, odpovídajícími typovým
scénářům (např. „teplé léto“, „deštivé léto“, „lokální
bouřky“).
Výnos a kvalita obilnin nejsou v reálu konstantní. Proces dozrávání a následná degradace jsou ovlivněny stavem půdy a počasím, bližší znalost těchto procesů pomůže model zpřesnit. Novým parametrem mohou být
i proměnlivé podíly jednotlivých plodin (cf. Halstead
2014, 71–76). Od jejich druhových vlastností (rozdílná
Vedle období sklizně se lze zaměřit na celkovou podobu hospodářského roku se všemi návaznými činnostmi včetně uvažování alternativních zemědělských
strategií, kladoucími různé nároky na pracovní kapacitu
(jarní a/nebo podzimní orba, intenzivní nebo extenzivní
hospodaření).
PAMÁTKY ARCHEOLOGICKÉ CVI, 2015
161
Danielisová — Štekerová, Sociální simulace při zkoumání společnosti, ekonomiky a využívání krajiny v době železné
137–180
Obr. 18. Experiment 3 - vztah mezi výnosem z hektaru a délkou procesu sklizně při různém počasí a požadavcích na velikost sklizně (první graf – výsledky
průběhu simulace, druhý graf – výsledné hodnoty; medián hodnot pro 100 opakování pro každou kombinaci parametrů: 10–30% pravděpodobnost deště,
100–200% velikost produkce). Splnění tří- až čtyřtýdenního limitu je možné buď při příznivém počasí, nebo při kombinaci vysokého hektarového výnosu
a středně dobrého počasí. — Fig. 18. Experiment 3 – relationship between the yield per hectare and the length of the harvest period under different weather
conditions and requirements for the harvest size (first graph – the result of the simulation process second graph – resulting values; median values for 100
simulations of each combination of parameters: 10–30% chance of rain, 100–200% the size of production). Reaching a three- to four-week limit can be
fulfilled either under favourable weather or with a combination of high yield per hectare and moderate weather conditions.
V případě, že by byly k dispozici údaje o jednotlivých
rodinách (resp. o alokaci půdy konkrétními domácnostmi či širšími rodinami), bylo by možné do modelu
zavést i sociální koncept vlastnictví a rozšiřování půdy,
případně i externí pracovní sílu.
3.5. Model osídlení regionu
Cíl
Prostřednictvím tohoto agentového modelu lze zkoumat
proces vytváření struktury osídlení v širším regionu
kolem oppida. Východiskem je archeologickými nálezy
podložený předpoklad, že v okolí existoval systém zemědělských sídlišť, jejichž obyvatelé potenciálně byli
v socio-ekonomickém vztahu s oppidem.
Model je v základu koncipován jako emulativní, neboť
vychází z empirických dat ohledně pravidel pro lokalizace sídlišť. Pravidla pro organizaci prostoru při vytváření sídelní struktury jsou však pojata explorativně,
stejně jako hypotetický vztah k centrální lokalitě. Kromě
jednotlivých sídlišť (resp. jejich populace a hospodářského zázemí) je předmětem zkoumání i struktura sítě
sídlišť, tj. návaznost nově vznikajících sídel na sídla
starší. Model je navržen tak, aby bylo možné experimentovat s výchozím počtem a parametry sídlišť a několika
mechanismy jejich postupného rozrůstání, rozdělování
a slučování.
Teoretická východiska
Základní jednotkou modelu je prostorové vyjádření
„domácnosti“, tj. sídliště. Pravidla pro postupně rostoucí populaci v prostoru jsou dána jednak její energetickou spotřebou, ekonomickými strategiemi, resp.
nároky na okolní zdroje a nakonec stupněm společenské organizace. Proces disperze sídlišť může být
162
motivován jednak společnými cíli (např. vyhledávání
nových zdrojů), ale také snahou předejít interpersonálnímu konfliktu, pokud populační hustota vzroste
nad únosnou mez, tzv. „scalar stress“ (Johnson 1982;
Bandy 2004). Tento práh ovlivňují vázací mechanismy společnosti a přítomnost společenských autorit (vyšší stupeň organizace se společnými cíli a společenskými autoritami snese větší komunity než nižší
stupeň). Podle stupně nastavení tohoto prahu může
vývoj osídlení směřovat buď k centralizovanému,
nebo rozptýlenému (obr. 19).
Disperze typicky spočívá v odchodu části populace ze
stávajícího, která si založí sídliště nové. Odchází-li
menší počet jedinců (do několika domácností), nové sídliště pravděpodobně vznikne v blízkosti starého, nebo
se může připojit k již existujícímu, ke kterému má společenské vazby – záleží na stavu již vytvořené sídelní sítě
a znalosti okolí (např. prostřednictvím vazeb k okolním
sídlištím). Odchod větší skupiny (více širších rodin)
může zahrnovat i přemístění do vzdálenější lokality.
Spojování sídlišť do komplexnějších struktur souvisí
i s ekonomickou specializací, která s sebou nese rozvoj
interakcí; větší centra plnící více společensko-ekonomických funkcí jsou pro imigranty atraktivnější, než
sídla menší.
Lze předpokládat, že populace se při stěhování rozhodovala racionálně, tedy při volbě nového zemědělského sídliště byla preferována vhodná půda s potenciálem polí, pastvin i lesa, s možností rozvoje sídliště
a zároveň ne příliš velké izolaci od sídel již existujících.
V případě větších sídlišť hrála kromě vlastního vhodného prostředí také rozhodující roli návaznost na vytvořenou síť komunikací.
V modelu lze využít stávající poznatky o laténském
osídlení regionu kolem Starého Hradiska, např. co se
týče preferencí lokalizace sídlišť. Tato data mohou být
použita jednak jako výchozí stav (sensu emulativní
model) nebo jako empirická kontrola simulované sídelní
PAMÁTKY ARCHEOLOGICKÉ CVI, 2015
Danielisová — Štekerová, Sociální simulace při zkoumání společnosti, ekonomiky a využívání krajiny v době železné
137–180
Obr. 19. Příklad simulace větších centralizovaných osad vs. rozptýleného osídlení. — Fig. 19. Example of simulation of centralised vs. dispersed settlement structure.
Obr. 20. Základní vrstvy modelu. —
Fig. 20. Basic model layers.
sítě (sensu explorativní model). V obou případech musíme mít na paměti, že archeologické prameny nezachycují všechna sídliště z dané doby, o jejich přesné dataci
nemluvě.
Návrh modelu
Jeden krok simulace reprezentuje jeden rok. Simulováno je 120 kroků. Jednotlivé sídliště je v modelu reprezentováno agentem. Chování agenta závisí na jeho
hlavním parametru, což je počet obyvatel, od nějž se odvíjí hodnoty dalších parametrů, zejména obhospodařo-
PAMÁTKY ARCHEOLOGICKÉ CVI, 2015
vané území, resp. spotřeba a s ní spojené nároky na
pracovní kapacitu. Dalším důležitým parametrem
agenta je identifikátor jeho předka, tj. odkaz na rodičovské sídliště, z nějž se nové sídliště odštěpilo. Pomocí
těchto odkazů je v modelu zachycena síť sídlišť.
Vstupem modelu je výchozí velikost populace (počet
obyvatel), která je rovnoměrně rozdělena mezi výchozí
počet sídlišť.
Jeden krok simulace sestává z:
• přepočtu velikosti populace sídliště (uvažuje se
roční populační přírůstek 2 %),
163
Danielisová — Štekerová, Sociální simulace při zkoumání společnosti, ekonomiky a využívání krajiny v době železné
137–180
Obr. 21. Příklad disperze sídlišť podle nastavených parametrů v experimentu. Podle možnosti využívat stávající strukturu osídlení vzniká nová síť sídlišť (a, b). —
Fig. 21. Example of the settlement dispersion according to parameters in the experiment. According to the possibility of using the existing settlement structure,
a new network of settlements appears (a, b).
• přepočtu energetických nároků populace – vychází
z množství sklizeného obilí a spotřeby dřeva a srovnání
těchto nároků s odhadem produkce v následujícím
roce (velikost sklizně závisí na ploše polí a kvalitě půdy,
produkce dřeva závisí na ploše lesa),
• zkontrolování limitu pro velikost populace v jednom
sídlišti.
Prostředí je opět popsáno rastrem, tentokrát o rozlišení 100 x 100 m2. Atributy buněk vyjadřují potenciál
pro vznik sídliště. Potenciál je odvozován z GIS vrstev
načtených při inicializaci modelu (obr. 20):
• gis_sites – místa archeologicky doložených lokalit,
• fields_prediction – prediktivní mapa nejvhodnějších
ploch pro pole,
• settlements – vhodnosti jednotlivých buněk pro existenci sídla,
164
• friction – náročnost průchodu terénem,
• forests – simulovaná hustota zalesnění vzhledem ke
stávajícímu osídlení a potenciálu zemědělské produkce.
Potenciál buňky se vztahuje k akčnímu rádiu, odvozenému z frikční vzdálenosti.
Proces migrace může být aktivován, když:
• počet obyvatel překročí určenou hranici (populační
limit – vyjadřující nastavený „scalar stress“),
• jsou dosaženy limity prostředí, ve kterém se sídliště
nachází.
Výběr místa, na němž bude založeno nové sídlo, se řídí
prediktivní mapou vhodnosti, v níž jsou kombinována
GIS data pro lokalizaci sídlišť a polí v závislosti na vzdálenosti (resp. dostupnosti) nové lokality na základě frikčního povrchu.
PAMÁTKY ARCHEOLOGICKÉ CVI, 2015
Danielisová — Štekerová, Sociální simulace při zkoumání společnosti, ekonomiky a využívání krajiny v době železné
137–180
Experiment
Teoretická východiska
Pomocí modelu lze zkoumat různě definované mechanismy migrace a jejich vliv na prostorové uspořádání
sítě sídlišť.
Fortifikace Starého Hradiskabyla dle archeologických
pramenů zbudována v celkem třech fázích (obr. 22).
Příkladem je proces disperze osídlení nastartovaný
definovanou hodnotou populačního limitu (obr. 21).
Počáteční populace v regionu činí 1000 obyvatel,
rozmístěná celkem do 97 sídlišť generovaných z mapy
archeologických pramenů. Předpokládá se taková minimální frikční vzdálenost mezi sídlišti, která by umožňovala založení nového sídla společně s jeho hospodářským zázemím. Jestliže počet obyvatel jednotlivého
sídliště přesáhne limit (nastavený na 30 osob), odchází
30 % (tj. dvě domácnosti) z nich jinam. Nové sídliště je
vybudováno na nejbližším vhodném místě. Stěhující se
skupiny obyvatel mohou založit nové sídliště, ale mohou
se také připojit do již existujícího sídla, jehož populace
se tím zvětšuje, co jí dovolí kapacita prostředí (přepočtená na pole a dřevo).
Výsledek simulace může způsobit, že některá sídliště
vzniknou v bezprostřední blízkosti jiných. V takovém
případě je možné použít proceduru „cluster“, která takto
vzniklá sídla spojí do větších celků.
Na takto vzniklé mapě osídlení lze testovat předpoklady pro vytvoření síťové struktury – sídliště mohou
být propojena určitým počtem spojů, které mohou být
následně modelovány na základě frikce.
Možnosti rozšíření
Rozhodujícím pro modelovanou strukturu osídlení bude
vztah k centrální lokalitě – oppidu. Na něm závisí míra
roční produkce sídlišť (momentálně v modelu uvažované ale bez reálného odbytu) a do jisté míry i jejich prostorová struktura včetně hierarchie sídelní sítě.
Na takto vytvořenou strukturu osídlení může být
aplikována síťová analýza (např. Knapett /ed./ 2013),
která slouží ke zkoumání vztahů a interakcí mezi jednotlivými sídlišti, stupeň hierarchizace sídelní sítě
a proces jejího vzniku a v neposlední řadě také roli oppida v této síti a vztahy na mikro a makro regionální
úrovni.
Na osídlení regionu by mohly být aplikovány podobné
demografické scénáře jako na osídlení oppida, které by
kromě narůstání populace zohledňovaly také její potenciální úbytek vlivem migrace mimo region, epidemie
apod.
3.6. Model vojenského obléhání oppida
Cíl
Agentový model slouží testování vojenských vlastností
oppidálních fortifikací reprezentovaných oppidem Staré
Hradisko. Hlavními body, které měl model za cíl zkoumat, byly (1) obranyschopnost hradebních linií (tj. vliv
umělých překážek) v různých stavebních fázích a jejich
srovnání, (2) počet útočníků a obránců a (3) efektivita
útoku vedená na různá místa v opevnění. Model je podrobně popsán v (Kakrda 2014).
PAMÁTKY ARCHEOLOGICKÉ CVI, 2015
Základními třemi způsoby dobývání jsou (1) přímý
útok na opevnění, (2) útok na bránu a (3) destrukce zdi
opevnění. Přímý útok je časově a koordinačně nejjednodušší, hradby se zdolávají pomocí žebříku, v případě
úspěchu se útočníci mohou utkat s obránci v boji
zblízka. Běžící útočníci jsou vystaveni palbě obránců.
Druhou možnosti je koncentrace na nejslabší místo
v opevnění, jímž je brána. Úprava do ulicového vstupu
(tzv. klešťovité brány), je kvůli snadnější a delší palbě
na útočníky. Třetí typ útoku se týká narušení a následného stržení kamenné plenty za pomoci ženijních nástrojů. Útočníci přitom tvoří formaci podobnou římské
želvě (testudo).
Útočníci se přemisťují jednotlivě, nebo ve skupinách.
Kromě koeficientu rychlosti má na rychlost přesunu
a úspěšnost útoku vliv:
• průchodnost terénem (frikce),
• rozmístění umělých překážek (příkopy, valy), znesnadňují a zpomalují postup nepřátel a poskytují
obráncům čas na přesnou střelbu,
• počet obránců a účinnost jejich palby.
Palba může být dvojího druhu – přímá na vybraný cíl
(bojovníka) a nepřímá do určité oblasti. Při nepřímé
palbě lze využít větší dostřel dané zbraně, přímá palba
je účinná jen do určité vzdálenosti (desítky metrů), (Gabriel 2007; Gabriel — Metz 1991). Velký vliv na úspěšný
zásah má počet a rozmístění bojovníků v dané oblasti.
Při přímé palbě má vzdálenost cíle rozhodující vliv
(Marsden 1969). Pravděpodobnost zásahu roste s přibližujícím se cílem nelineárně. Výpočet pravděpodobnosti zásahu P se počítá na základě rovnice (Marcks
2012):
(v – vzdálenost cíle od střelce (metry),
k – koeficient přesnosti)
(11)
Návrh modelu
Zatímco model alokace pracovních kapacit poskytoval
číselné výstupy (přehledy vynaložených člověkohodin),
a model vytváření struktury regionu časové řezy osídlení, výstupy modelu obléhání mají charakter animace,
zobrazující průběh procesu potenciálního útoku na oppidum. Jeden časový krok v modelu je 0,2 sekundy
reálného času, což je doba, za kterou běžící bojovník
urazí po rovině vzdálenost 1 m. Agenti reprezentují bojovníky, kteří se účastní dobývání:
• Defenders – obránci oppida se zbraněmi na dálku, jejichž společným cílem je vyřadit z boje co nejvíce
útočníků.
• Firing-attackers – útočící střelci se zbraněmi na
dálku, jejichž společným cílem je vyřadit z boje co
nejvíce obránců,
165
Danielisová — Štekerová, Sociální simulace při zkoumání společnosti, ekonomiky a využívání krajiny v době železné
137–180
Obr. 22. Tři archeologicky doložené fáze opevněn: 1. fáze („1_single“) zahrnuje
val s kamennou čelní plentou a příkop (hl. 2 m), ve 2. fázi („2_single“) dochází
k přestavbě, během které byl příkop prohlouben (hl. 2.5 m) a zvětšila se výška
valů, 3. fáze („3_multiple“) kompletně přestavěla opevnění do vícenásobné
soustavy hlinitých náspů s příkopy různé hloubky respektive výšky. Podoba bran
v jednotlivých fázích není jasná, proto se uvažují ve všech fázích stejně (podle:
Čižmář 2005, Danielisová nepubl. data). — Fig. 22. Three – archaeologically
recorded – fortification phases: Phase 1 (“1_single”) includes a rampart with
a front stone wall and a ditch (2 metres deep); Phase 2 (“2_single”) – the
ramparts were rebuilt (increased height) and the ditch was deepened
(2.5 metres deep); during Phase 3 (“3_multiple”) the fortification was rebuilt
completely to the multiple sequence of earthen ramparts of different depths
or heights. The form of gates in the individual phases is not clear, therefore,
they are considered the same in all phases.
Mapa lokality (obr. 22), importovaná z GIS, je pomyslně rozdělena na 5 částí, které odpovídají možným
směrům útoku na opevnění z různých světových stran
(north, east, south, north-west, south-west). Je rozdělena na buňky o rozlišení 1 m2. Každá buňka nese čtyři
datové hodnoty popisující terén:
• Digitální výškový model (Elevation) je základní model
terénu, udává se v metrech nad mořem.
• Frikce (friction) vyjadřuje obtížnost průchodu terénem, hodnoty od 1 do 6 odpovídají rostoucí náročnosti chůze od roviny po prudký svah.
• Aspect udává směr nejprudšího stoupání svahu, hodnoty jsou udány úhlem z intervalu 0–360 °, kde nula
odpovídá severu.
• Slope, udává sklon (svažitost) svahu ve stupních,
hodnoty se pohybují v rozmezí 0–36 °.
• Dále se načítá aktuální fáze opevnění (1_single,
2_single nebo 3_multiple), kde jsou obsaženy parametry překážek (rozměry opevnění).
Pro zvolenou mapu a způsob útoku je třeba vygenerovat výchozí rozmístění útočníků a obránců. Útočníci
mohou být sdruženi do skupin. Obránci jsou umístěni
na opevnění nebo bráně blízko cílů (bodů) útoku. Algoritmus pro výchozí rozmisťování agentů zahrnuje několik pravidel, která mají počáteční situaci učinit dostatečně věrohodnou, např. útočníci se zpočátku nacházejí
mimo dostřel obránců; útočníkům jsou cílová místa
útoků přidělena náhodně a následně jsou obránci umístěni na takto stanovená ohrožená místa tak, aby byla
maximalizována doba, po kterou jsou útočníci vystaveni
palbě obránců.
Experimenty
Z počátečních experimentů vyplynulo, že obránci většinou spolehlivě odrazí i pětinásobnou převahu útočníků.
Naopak jestliže převaha útočníků je více než sedminásobná, jsou naopak vždy úspěšní útočníci. V dalších experimentech byly porovnávány obranné schopnosti
opevnění.
• Melee-attackers – útočníci bez zbraně na dálku, jejichž cíle závisí na zvoleném typu útoku.
1) Vliv terénu a překážek na úspěšnost útoku
Simulace jednotlivých typů útoků lze popsat podrobnými scénáři, které definují pravidla chování jednotlivých účastníků i skupin.
Byly navzájem porovnány jednotlivé fáze opevnění a jednotlivé směry útoku (z různých stran). Vybrán byl útok,
kde lze nejlépe sledovat vliv svahu a překážek (útočníci
166
PAMÁTKY ARCHEOLOGICKÉ CVI, 2015
Danielisová — Štekerová, Sociální simulace při zkoumání společnosti, ekonomiky a využívání krajiny v době železné
137–180
Obr. 23. Příklad simulace - útok s pomocí žebříků (a) a útok proti zdem opevnění (b). — Fig. 23. Example of the simulation – attack using ladders (a) and attack
on the fortification walls (b).
Část opevnění
Fáze opevnění
Poměr ztrát
útočníků a obránců
south-west
3-multiple
3.45
south-west
2-single
2.47
south-west
1-single
2.02
north-west
1-single
1.38
north-west
1-single
1.35
east
1-single
1.1
south
1-single
1
Tab. 5. Porovnání jednotlivých fází opevnění při úspěšnosti útoku z různých
směrů. — Tab. 5. Comparison of the different fortification phases in a successful attack from different directions.
Porovnání fáze opevnění
Zvýšení ztrát
3-multiple
1-single
+ 70 %
3-multiple
2-single
+ 40 %
2-single
1-single
+ 22 %
Tab. 6. Porovnání fází opevnění (50 obránců). Například interpretace prvního
řádku je taková, že ztráty útočníků při fázi „3-multiple“ vzrostly oproti fázi
„1-single“ průměrně o 70 %. — Tab. 6. Comparison of the fortification phases
(with fifty defenders). For example, the interpretation of the first line is that the
loss of attackers in fortification phase “3-multiple” increased against the phase
“1-single” by 70 % on average.
běží a jsou rozptýlení na velké ploše, obr. 23). Počet
útočníků byl nastaven na 500 mužů (20 skupin), počet
obránců na 50 (poměr 1 : 10 – úspěch útočníků) nebo
100 (poměr 1 : 5 – úspěch obránců). Míra obranyschopnosti oblasti se určí v závislosti na počtu ztrát, které
obránci stačí způsobit útočníkům (nakolik bude útok
v dané oblasti pro útočníky nevýhodný).
Výsledky experimentu při poměru 1 : 5 (50 obránců)
jsou zobrazeny v tab. 5. Nejmenší ztráty útočníků byly
zaznamenány v oblasti „south“, tento počet byl proto
zvolen jako základní jednotka pro poměr ztrát. Poměr
ztrát udává, o jaký násobek vzrostly ztráty útočníků
v příslušné oblasti oproti ztrátám v oblasti „south“.
V tab. 6 je zobrazeno porovnání jednotlivých fází
opevnění. Průměrné zvýšení ztrát se vztahuje k fázi
PAMÁTKY ARCHEOLOGICKÉ CVI, 2015
Obr. 24. Běžící simulace - útok na bránu. — Fig. 24. Running simulation –
attack on the gate.
opevnění, která je uvedena v prvním sloupci, oproti fázi
ve druhém sloupci. Odražení útoku představuje procento simulací, které skončily neúspěchem útočníků.
Pokud přijmeme výsledky experimentu za relevantní,
nabízí se otázka, jak obránci posílili obranu například na
jižní straně oppida. Dalším závěrem experimentu je potvrzení skutečnosti, že pozdější (a mohutnější) fáze opevnění zvyšují obranyschopnost oppida o více jak 20 %
(2. fáze) a dokonce o 40 % (3. fáze) oproti fázi první.
2) Vliv umístění bran
Další experiment je zaměřen na zkoumání vlivu umístění bran na úspěšnost útoku při použití formace (obr.
24). Porovnávají se všechny tři oblasti oppida, ve kterých se vyskytuje brána („north-west“, „south-west“
167
Danielisová — Štekerová, Sociální simulace při zkoumání společnosti, ekonomiky a využívání krajiny v době železné
Počet obránců
Počet střelců
50
100
northwest
southwest
east
northwest
southwest
east
50
1
94
3
86
100
100
100
0
27
0
3
98
10
150
0
1
0
0
60
1
200
0
0
0
0
19
0
Průměr
< 1%
31 %
< 1%
22 %
69 %
28 %
Tab. 7. Odražené útoky – úspěšnost obrany – při 50 a 100 obráncích. —
Tab. 7. Repulsed attacks – the success rate of defence – with fifty and with
one-hundred defenders.
Odražení útoku na bránu
50 obránců
100 obránců
Potřebný
poměr
south-west
31 %
69 %
3:1
2,67
east
< 1%
28 %
1: 1
2,08
north-west
< 1%
22 %
1: 1
2,65
Oblast
Poměr
ztrát
Tab. 8. Souhrn výsledků pro všechny oblasti. Potřebný poměr znamená, jaký
nejmenší poměr střelců a obránců je nutný k vyřazení všech obránců (krycí
palba). Poměr ztrát reprezentuje celkové ztráty obránců vůči útočníkům (střelci
i muži ve formaci). — Tab. 8. Summary of the results for all areas. The required
ratio indicates the minimum proportion of archers to defenders necessary to
eliminate all defenders (covering fire). The ratio of losses represents the total
losses of attackers to defenders (archers and men in formation).
a „east“). Testuje se vzájemný poměr obránců a útočících střelců. Určujícím faktorem bude procento odražených útoků na bránu (vyřazení všech útočníků ve formaci) a potřebný poměr střelců vůči obráncům, který
útočníkům zaručí alespoň 90% úspěšnost útoku.
Výsledky jsou zobrazeny v tab. 7 a 8.
Z výsledků vyplývá, že z hlediska obrany je nejlépe
umístěna brána v oblasti „south-west“ (tj. hlavní klešťovitá brána). 50 obránců bylo schopno ve více jak 30 %
simulací vyřadit všechny útočníky ve formaci, 100
obránců v téměř 70 %. Potřebný poměr je 3 : 1, střelců
musí být přibližně třikrát více než obránců, aby byla
útočníkům zaručena vysoká pravděpodobnost úspěchu.
Zbylé brány mají horší výsledky. U obou bran 50
obránců stačilo na vyřazení útočníků ve formaci pouze
v méně než 1 % simulací. 100 obránců odrazilo útok
v 28 % („east“), respektive 22 % („north-west“) případů.
Poměr je shodně pro obě brány pouze 1 : 1. Tento výsledek lze vysvětlit tím, že v případě jihozápadní brány
se skupina útočníků díky mírnému terénu dostane
rychleji k bráně, kde je však snáze zničena přímou palbou obránců. Poměr ztrát je doplňující informace, která
odhaluje, že při útoku na bránu utrpí obránci v průměru více jak dvojnásobné ztráty oproti útočníkům.
Vzhledem k obvyklé početní převaze útočníků vede
tento poznatek k tomu, že při dobře zkoordinovaném
útoku na bránu (krycí palba, skupina bojovníků zachovávající formaci, atd.) mají útočníci větší naději na
úspěšný útok než například při útoku s pomocí žebříků.
Možnosti rozšíření
Model je navržen tak, aby byl po výměně mapových podkladů použitelný i pro experimentování s dobýváním
jiných opevněných lokalit. Při skutečném obléhání a do-
168
137–180
bývání působí faktory, které lze do modelu zakomponovat jen obtížně (např. vliv povětrnostních podmínek na
dráhu střely), výzvu představuje i věrohodné modelování samostatných projevů agentů (např. individuální
morálka bojovníka apod.).
4. Diskuze – konceptuální, kvantitativní
modely a sociální simulace
Všechny modely, zabývající se lidským chováním v prostoru jsou založeny na povaze lidského rozhodování
v konkrétním životním prostředí. V tomto přístupu je
zásadní předpoklad minimalizace vynaložené pohybové
energie (tzv. least-effort models) a jako takový je základním měřítkem v prostorovém a časovém vymezování základní lidské ekonomiky. Poprvé tento koncept použil
r. 1826 německý ekonom J. H. von Thünen. Ve svém
známém díle „Das Isolierte Stadt“ navrhl zemědělský
model, ve kterém vzdálenost od sídliště je hlavním faktorem při plánování efektivního využití prostoru; více
pracovně náročné aktivity (jako intenzivně obdělávaná
pole, nebo stáda dojeného dobytka) se mají nacházet co
nejblíže k sídlišti a s klesající intenzitou potřebné energie se ostatní aktivity odehrávají dále od sídliště – umístěné v koncentrických zónách. Vzdálenost je zde počítána jako „ekonomická“, tedy energie vynaložená
pohybem a vykonáváním dané aktivity. Tento koncept
sloužil jako základ pro formulování tzv. Site Catchment
Analysis, archeologické teorie formulované na počátku
70. let 20. století (Higgs — Vita-Finzi 1972), kde základem zkoumání lidské ekonomiky byl vztah technologie
(zejména úrovně základního hospodaření) a různých přírodních zdrojů ležících v „ekonomické vzdálenosti“ od
sídliště (ve spádové oblasti, tzv. sídelním areálu) a byla
zdůrazňována aktivní interakce člověka s prostředím.
Později byla tato teorie (v éře postprocesualismu nevyhnutelně kritizovaná) využita jako výchozí bod pro modely, kde „ekonomická vzdálenost“ nebyla vztažena
pouze ke zdrojům a základnímu hospodaření, ale také
k ekonomické roli sídlišť v rámci celkového sociálního
a politického systému dané doby (Gent — Dean 1986,
27). V návaznosti na sídelní areály byl pro archeologii
adaptován koncept „ekosystémů“ (Ebersbach 2002, 169;
Schreg 2011, 304; del Monte-Luna et al. 2004), založený
na vztahu základního hospodaření v kontextu sociálního
systému konkrétní společnosti (viz kapitola 3.2); subsistence komunity je odvozována od demografie, společenské organizace pracovního nasazení (tj. technologie, majetkové vztahy, strategie hospodaření, sociální a politická
struktura atd.) a vztahu k přírodním zdrojům (pole, pastviny, les, rezervy, suroviny atd.). Charakter základní
ekonomiky se poté odvozuje od a) poměru základní obživy a nadprodukce v zemědělské výrobě, b) poměru
a vztahu zemědělské a nezemědělské produkce (možnosti obživy mimo zemědělství), c) sociální struktury
společnosti a demografie, d) sídelních forem (struktury
osídlení) a e) existence a charakteru centrálních míst.
Všechny tyto aspekty tvoří prostorovou strukturu konkrétního ekosystému. Tento přístup je více dynamický
a také více komplexní než původní teorie. Velkého rozmachu tyto postupy doznaly v éře nástupu a rozšíření
prostorových nástrojů, zejména geografických informačních systémů.
PAMÁTKY ARCHEOLOGICKÉ CVI, 2015
Danielisová — Štekerová, Sociální simulace při zkoumání společnosti, ekonomiky a využívání krajiny v době železné
Stávající ekonomické modely se zpravidla zaměřují
na velikost populace v daném prostředí, v daném čase,
a na základě empirických dat modelují udržitelnost ekonomické produkce, případně i některé další faktory,
jako interakci s jinými sídlišti. Ačkoliv to z publikovaných prací nezřídka není patrné, na začátku tradičního
přístupu ke studiu socio-ekonomických vztahů minulých společností stojí tzv. konceptuální model – zaměřuje se na klíčové proměnné a jejich vztahy uvnitř modelu. V této fázi se kladou otázky a formulují vstupní
hypotézy, které mají být následně doplněny tzv. kvantitativním modelem. Zde se jednotlivým proměnným
konceptuálního modelu přiřazují hodnoty, většinou založené na empirických datech (archeologických, paleoekologických, geomorfologických a jiných), a model dostává podobu vytvořenou na míru konkrétnímu
prostředí (cf. např. van Dinter et al. 2014). Konceptuální
model může prakticky pracovat s několika východisky:
1) Na začátku stojí demografický odhad velikosti (a
struktury) populace a jejích energetických nároků
(plus potenciální nadprodukce). Následně se hledají
přirození zdroje v předem definovaném zázemí. Po dosažení úživné hodnoty je možné stanovit hranice
areálu nebo uvažovat o specifikách lokálního hospodaření (např. zemědělská nadprodukce). Pokud
okolní zdroje nedosahují úrovně potřebné pro uživení
modelové komunity, vyplývají z toho závěry o povaze
hospodářství (nesoběstačné, externě podporované,
specializované) nebo o velikosti populace.
2) Je možné také vycházet z potenciálu zázemí o daném
rádiu kolem sídliště (empiricky zvoleném nebo předem známém). Pro toto území je následně odvozen
potenciál produkce a typy primárních zdrojů; na základě toho se modeluje způsob využití půdy a potenciálně velikost maximální populace.
3) Lokalizace zdrojů v zázemí je známá a modeluje se lokalizace a velikost sídliště. Na základě pravidel minimalizace energie a povahy zdrojů (zejména velikost,
resp. bohatost) se modeluje velikost zázemí a odvozuje velikost populace.
Některé modely zůstanou jen v konceptuální podobě
– tedy končí formulováním hypotézy, bez její kvantitativní fáze. Komplexní ekonomické modely, které zahrnují i výpočty vztažené k velikosti populace a plochy
hospodářského zázemí bývají poměrně vzácné (Mařík
2009; Olsson 1991; Groenman-van Waateringe — Wijngaarden-Bakker /eds./ 1987; Gregg 1988; Hladík 2014;
ad.), pro dobu železnou existuje pouze rozsáhlá studiezaložená na datech z moderních environmetálních výzkumů kolem mladohalštatských „knížecích“ hradišť
v Německu (Fischer et al. 2010). Všechny tyto modely
mohou sloužit jako inspirace především vzhledem
k hodnotám, které používají, a které tak mohou být přejaty a použity dále.
Rizikem všech modelů je samozřejmě jejich nevyhnutelná subjektivita, např. produkční potenciál zázemí
může být snadno zaměněn se skutečným využíváním
zdrojů. Demografický odhad (nebo lépe demografický
údaj) a co nejdetailnější znalosti o povaze lokální ekonomiky jsou proto pro úspěch modelu klíčové, avšak
málokdy plně uspokojivé. Experimenty v rámci sociálních simulací pak mohou nabídnout řešení. Modely
PAMÁTKY ARCHEOLOGICKÉ CVI, 2015
137–180
s využitím sociálních simulací mají podobná východiska
jako kvantitativní modely; na jejich počátku také stojí
„design“ – tedy konceptuální model, a případně mohou
mít i přípravnou fázi, kterou tvoří kvantitativní model –
je možné tak zjistit, zdali jsou kladené otázky a proměnné pro model realistické. Simulace tak vlastně tvoří
další – vyšší – stupeň tradičních modelů.
Základním aspektem sociálních simulací je, aby
model odrážel studovaný systém dostatečně věrně, tj.
i přes simplifikaci postihoval jeho hlavní znaky. Zároveň
je kladen důraz na srozumitelnost modelu, jeho transparentnost a replikovatelnost. Užitečný model tak má
být kompromisem mezi realismem a minimalismem
(Madella et al. 2014, 252). V poslední době se objevují
snahy bilancovat dosavadní vývoj archeologických simulací (např. Kohler – van der Leeuw /eds./ 2007;
Premo 2010; Lake 2010; 2014; Costopoulos — Lake —
Gupta 2010; Madella et al. 2014; ad.). Kriticky se zhodnocují dosavadní aplikace a formulují se směry, kudy
by se bádání v této oblasti mělo dále ubírat. V tomto
ohledu často zaznívá, ačkoliv jsou modely vytvářené
během „třetí vlny“, tj. po roce 2000, více vyzrálé, zejména co se formulování počátečních teoretických otázek týče, často se soustředí na biologické nebo v zásadě
fyziologické procesy (jako lidská evoluce, základní produkce, subsistenční ekonomika apod.), zatímco reálný
sociologický aspekt a jeho správné pojetí v modelech
stále zůstávají pro archeology výzvou (Lake 2014, 258,
271–277). Proto stále častěji zaznívá, že simulace mají
být používány zejména jako metodologický nástroj
především k budování archeologické teorie. K tomu je
ideální nelineární povaha explorativních modelů, které
zpravidla nepracují s empirickými daty, nicméně mohou
odhalit vazby zkoumaného systému, na které by se běžnými postupy nepřišlo. V kontextu subsistenčně ekonomických modelů v konstantních i dynamických prostředích již na toto téma byla publikována řada
úspěšných modelů (např. Lee — Tuljapurkar 2008; Puleston — Tuljapurkar 2008; Lee — Puleston — Tuljapurkar 2009; Cockburn et al. 2013; Schreinemachers – Berger 2011; Maglioca — Brown — Ellis 2013; Angourakis
et al. 2014; atd.).
Realistické (emulativní) modely jsou v poslední době
kritizovány zejména co se týče povahy vstupních dat
(fragmentárnost), equifinalitě (různé procesy mohou
vést ke stejným výsledkům) a také stochasticitě (jeden
model nebo jeho část mohou vydat různé výsledky, cf.
Premo 2010, 30–33; Lake 2010, 13; Madella et al. 2014,
252). V této situaci pak dle některých názorů nelze
uspokojivě argumentovat ve prospěch nebo neprospěch
vstupní hypotézy. Explorativní modely na druhou stranu naráží na problém s validací pomocí empirických
dat, která v mnoha případech ani neexistují. Přes metodologické problémy, provázející oba hlavní účely simulací, by měly oba přístupy nadále tvořit součást archeologické teorie.
Jako většina výpočetních metod i sociální simulace,
podobně jako modely konceptuální a kvantitativní, závisí
na vstupních datech. Zejména archeologická data jsou
typická svojí fragmentárností. Modely oproti tomu vyžadují většinou přesné hodnoty. Pokud nejsou k dispozici,
je možné experimentovat s rozptyly hodnot (např. výchozí populace, velikost zázemí) a zkoumat výsledky pro
169
Danielisová — Štekerová, Sociální simulace při zkoumání společnosti, ekonomiky a využívání krajiny v době železné
jednotlivá nastavení. V tom případě emulativní modely
v podstatě nabývají i explorativní hodnotu, tím, že zjišťují předem neznámé parametry. Zejména v případech,
kdy hledáme odpověď na konkrétní archeologickou
otázku, jsou emulativní modely vítaným metodologickým nástrojem, které stávající konceptuální modely
mohou obohatit o dynamický aspekt kombinace času
a prostoru, ve kterých může docházet ke změnám vstupních parametrů (např. populace, která se mění v čase).
Tím mohou objasnit mechanismy interakce lidské společnosti s prostředím a jejich adaptační mechanismy
v průběhu času. Díky zpravidla nelineární povaze výsledku se snižuje předem riziko manipulace modelu ve
prospěch konkrétní vstupní hypotézy. Takové modely
jsou však často náročné na vytvoření, a pokud jsou netransparentní (není u nich jasné, jak bylo dosaženo výsledku), mohou být považovány i za chybné. Přesto se
zpravidla nezpochybňuje přínos i „chybných“ simulací:
whether the surprises are due to our faulty understanding
of the reality we are modeling or to our faulty modeling of
the reality we are seeking to understand, they can force
us to reexamine our assumptions and to push beyond the
intuitive models of the past for which we often settle too
easily … (Costopoulos — Lake — Gupta 2010, 2).
Závěr
Výpočetní modely a sociální simulace se typicky uplatňují při studiu sociální komplexity, hierarchií a sítí sociálních, kulturních a obchodních kontaktů nebo utváření a udržování hranic. Využívají se při zkoumání
vztahu mezi růstem a přesuny populací a životním prostředím, využíváním a vyčerpáváním zdrojů atd.
V dnešní archeologické teorii jsou modely a simulace
akceptovány jako užitečný nástroj. Rozvíjí se především
dva hlavní směry: agentové modelování, částečně vycházející z poznatků umělé inteligence a znalostního inženýrství, a síťové modelování, opírající se o teorii grafů,
pravděpodobnost a statistiku. Náš příspěvek je věnován
prvnímu z těchto směrů.
V praktických aplikacích jsou všechny systémy,
včetně těch sociálních, v otevřené interakci s přírodním
prostředím a jsou definovány několika znaky: obsahují
určitý počet navzájem se ovlivňujících agentů (což jsou
jednatelé, nositelé informací), kteří mají svůj vývoj, organizované kolektivní chování a mohou vzájemně interagovat. Na tomto principu vybudované modely mají
přispívat daleko lépe k porozumění dlouhodobému biologickému a sociálnímu vývoji lidstva a také k porozumění tomu, jak tato evoluce zasáhla přírodní prostředí
a donutila jej reagovat na interakci s lidskou společností. Modely postihují ve stejné míře kontinuitu
i změnu, tradice i inovace a jejich vztahy.
Metodické a technické prostředky i zdroje dat a oborových znalostí, které dnes máme k dispozici, jsou natolik variabilní, že zkoumání dílčích hypotéz můžeme
podpořit celými soubory provázaných modelů, v různé
míře abstraktních a spojených s konkrétním kontextem
(dobou a lokalitou). Ve spojitosti s interpretací a publikováním výsledků experimentů s modely je třeba zvážit
multidisciplinární povahu simulací a zvlášť to, že
správné pochopení výstupů vyžaduje nejen hluboké po-
170
137–180
rozumění problémové doméně (tj. archeologii), ale i přiměřený vhled do technických aspektů (formalizace návrhu modelu, programování, statistické zpracování dat).
Jedná se tedy o neoddělitelné strany téže mince a není
možné při zveřejňování modelů a simulací jeden nebo
druhý aspekt redukovat.
Z ukázek modelů, které jsme uvedli v kapitole 3, si
lze udělat představu o možnostech a mezích metody.
Cílem bylo co nejnázorněji demonstrovat principy
tvorby sociálních simulací. Každý zde prezentovaný
model si kladl za cíl řešit na dílčí otázku nebo hypotézu.
Byly navrženy tak, aby optimálně využity všechny dostupné zdroje dat a další podklady. Prezentované modely se liší mírou abstrakce a použitým měřítkem, tedy
definice agenta je různá, stejně jako délka časového
kroku (např. v demografickém a zemědělském modelu
byly sledovány roční změny, zatímco v modelu dobývání
opevnění jeden krok odpovídá jedné minutě reálného
času). Rozdílný je i účel modelů (viz kapitola 1.3). Model
demografického vývoje, model alokace pracovních kapacit či model dobývání jsou ukázkami emulativního
přístupu, zatímco např. fuzzy-model obilné produkce je
spíše explorativní. Model vývoje osídlení regionu ukazuje propojení obou postupů. Výstupy z prezentovaných
experimentů jsou zde podávány ilustrativně, aby na
nich byla pokud možno jasně a srozumitelně vysvětlena
výzkumná metoda.
Poděkování
Tento příspěvek vznikl v rámci řešení projektu „Sociální
modelování jako nástroj k porozumění struktuře keltské
společnosti a kulturním změnám na konci doby železné
(Social modelling as a tool for understanding Celtic society and cultural changes at the end of the Iron Age) podporovaného GA ČR (reg. č. P405/12/0926). Děkujeme
T. Machálkovi za implementaci fuzzy-rozšíření pro NetLogo, a dále P. Kakrdovi a R. Cimlerovi za realizaci modelů využití krajiny a dobývání oppida.
Summary
Computational models and social simulation are typically used in
the study of social complexity, hierarchy and social networks, cultural and trade contacts, and the creation and maintenance of territories. They serve to examine relationships between growth and
shifts in the population and the environment, the use and exhaustion of resources, etc.
Theories of social simulation are methodologically grounded in
the paradigms of the system theory (von Bertalanffy 1968) used by
processual archaeology. The methods of system theory investigate
the principles of systems (structure, rules, consistency, feedback)
and create models for their description; as such, system theory
should help predict human behaviour in social systems and foster
an understanding of their relationships and interactions. Research
today has been focussed more on examining changes in society,
the spread of technology and long-term trends in the development
of social structures (including ‘fusion/fission’ processes), and the
theory of complexity adopted from the social sciences has become
a current trend (e.g. Crema 2014). The basic idea is that it is possible to look at earlier civilisations as at complex adaptive systems.
This complexity arises from the large number of individuals with
parameters and characteristics. Individuals function in an environment that is likewise described by parameters. Adaptability
refers to the ability of individuals to change and modify their be-
PAMÁTKY ARCHEOLOGICKÉ CVI, 2015
Danielisová — Štekerová, Sociální simulace při zkoumání společnosti, ekonomiky a využívání krajiny v době železné
haviour, typically in an effort to function rationally, to maximise
gains, efficiently allocate resources, take advantage of opportunities, react to new impulses and problems, etc. Two main modelling
trends are developing in archaeology today: agent-based modelling, which is partially based on information from artificial intelligence and knowledge engineering, and network modelling, which
is based on the theory of graphs, probability and statistics. This
article focuses on the first of these two trends.
Agent-based modelling involves the creation of a computer
model, typically replicating the real world or system, and performing experiments in order to gain an understanding of the behaviour
of the world (system). The basic concept is the ‘agent’, i.e. an autonomous (independent) interactive entity. The subject of experiments is the parallel activity and manifestations of the populations
of agents in relation to the environment, especially non-linear collective manifestations that cannot be estimated or anticipated on
the basis of knowledge regarding the behaviour of individuals. The
chosen level of abstraction dictates the possibilities for interpreting
the results of experiments.
In connection with archaeological research, agent-based models
are a useful tool for testing hypotheses and building theories based
on the comparison of archaeological data with the results of simulations. Existing applications have made major contributions to the
interpretation of key archaeological questions such as the subsistence strategies of hunter and gatherer populations (Lake 2000;
Del Castillo — Barceló 2013), the spread of Neolithic agriculture to
Europe (Conolly — Colledge — Shennan 2008; Shennan 2007; van
der Vaart et al. 2006), human impact on the landscape and natural
environment (Axtell et al. 2002; Wainwright 2008; MEDLAND project: Barton — Ullah — Mitasova 2010) or socioeconomic factors
contributing to the development and/or collapse of complex societies. Computer intelligence methods (e.g. genetic algorithms, fuzzy
sets, neural networks) can be incorporated into the computer implementation of agent-based models, making it possible to conceptually work with chance and uncertainty, both of which are a natural part of the real world.
Using explanatory (emulative) models we aim to attempt to capture emergence, identify trends and find the relationship between
observations and possible explanations. Simulation results are
compared with empirical data, and if they agree to the required extent, the model confirms the hypothesis. These models are often
used to create detailed structures in silico (produced by means of
computer modelling or computer simulation).
In contrast, predictive (explorative) models primarily include
heuristic models built for the purpose of creating a theory as
a methodological tool in order to enable the formulation of new theories.These models are typically very simple and aimed at generating a specific phenomenon (e.g. rules for expanding settlement, decision-making rules, etc.), which also serve to test certain
hypotheses, albeit on a much lower level than emulative models
offer (e.g. Bentley — Lake — Shennan 2005; Powel — Shennan —
Thomas 2009; Barton 2014; Del Castillo — Barceló 2013; Lake —
Crema 2012; Crema 2014; Angourakis et al. 2014; Salgado —
Noguerra — Miguel 2014; etc.)
Social simulation and agent-based models can lend a welcome
dynamic aspect to conceptual models serving only for statistical
calculations. Explanatory models, with the exception of the simultaneous evaluation of a larger number of parameters, also provide
important spatiotemporal aspects (in which input parameters such
as a growing population can change) and thus reflect the reaction
of the environment and the adaptive mechanisms of the studied
society.
The basic approach in the creation of the agent-based model is
comprised of the following six main steps:
The ‘Social Modelling as a Tool for Understanding the Structure of Celtic Society and Cultural Changes at the End of the
La Tène Period’ project included the creation of a set of models
covering the basic aspects of the functioning of Late La Tène society
represented by the Staré Hradisko oppidum and its surrounding
area, in particular: the assumed demographic development of the
population, possibilities for food production and the related estimates of the labour intensity of agricultural work and estimates of
probable changes in the landscape. Formed using the maximum
amount of available data, the authors’ models are designed to cover
the essential aspects of the functioning of one specific site; however, the fragmented nature of archaeological data is a limiting factor.
It is assumed that the population size at the Staré Hradisko oppidum in the beginning of its occupation (after 150 BC) grew gradually until it began to decline around 70 BC. Based on a study of
the settlement structure of the site, the starting population size is
estimated at approximately 600–800 residents. The location is described by a combination of primary and secondary GIS layers of
the Staré Hradisko territory with an overall area of 70 km2. Maps
describe geomorphological variables (slope, ‘wetness index’) and
qualitative variables (distance from waterways, soil quality, original
vegetation and the friction surface, i.e. difficulty of moving through
the terrain).
Each presented model aims to address a specific question or
hypothesis, and the models were designed to make the best use of
all available sources of data and other materials. Another objective
was to demonstrate the research method in the most graphic manner, i.e. the principles of creating social simulations and the possibilities of the chosen implementation tool (NetLogo).
Demographic development model
The agent-based model serves to generate data series on the synthetic population, i.e. the number of people in individual age categories and deduced data (the overall energy demands of the population, available workforce), including consideration of various
demographic depopulation scenarios and the utilisation of historical data (mortality tables from Saller 1994). The generated synthetic population must have a stable ratio of men and women and
shares of represented individual age categories, of which seven are
used in the model: infants, toddlers, small children, large children,
young adults, adults, and elderly. The types of work potential of
a population can be deduced on the basis of these categories (divided by physical capacities), i.e. ‘strong’ (strong-force) – adults and
young men, and ‘weak’ (‘weak-force’) – older children, young adults
– women, adult women, elderly individuals. This classification also
makes it possible to calculate the energy requirements of the population using caloric tables for individual age categories (in greater
detail in Danielisová et al. 2015, 106–111).
A growth rate of 1–2 % is regarded as rapid annual demographic
growth under favourable conditions (Turchin 2009, 12). It is assumed that as long as no other factors are at work, the population
grows or decreases exponentially or logarithmically (baseline scenario).
(1) Simple Malthusian model of the population growth
(Po – initial population, r –growth rate, T – time).
The model also considers two depopulation scenarios, corresponding to possible hypotheses on the decline of settlement at the
oppidum:
•
Sudden or gradual decline of part of the population evenly affecting all age categories (the departure of whole families is considered), causing a decrease in the size of livestock herds (the departing families take along some of the property) and impacting
the size of the economic base.
•
Epidemic appears as an uneven decrease in certain age categories (children, elderly) and, with a delayed effect of about
a decade, is manifested in a decrease in the available labour.
(1) formulation of research questions and hypotheses;
(2) conceptual design;
(3) implementation;
(4) validation;
(5) experiments;
(6) publication of results and sharing models.
PAMÁTKY ARCHEOLOGICKÉ CVI, 2015
137–180
Individual residents are the agents. An agent is described by
two basic parameters (age, gender), while other parameters are de-
171
Danielisová — Štekerová, Sociální simulace při zkoumání společnosti, ekonomiky a využívání krajiny v době železné
137–180
duced (age group classification, energy consumption). One step in
the simulation represents a single year. In each step there is a recalculation of the population in accordance with the given scenario.
In the case that a depopulation scenario is applied, agents are reduced beginning in the 70th step of the simulation (corresponding
to the 70th year of the oppidum’s existence). The model has the following initial parameters:
the population using these resources (i.e. organisation of labour
and workforce).
(2) Proportional changes in the final population according to the
initial population (A – initial population, x – final population).
3) Maintaining the continuity of animal production – the number
of slaughtered (or eliminated for other reasons) animals must
not exceed the reproductive capacity of the herd of the specific
species (usually 25 % of animals).
(3) Average proportional change between two sex and seven age
groups in the final population.
•
starting population size between 600 and 800 individuals;
•
starting age structure of the population;
•
interpolated mortality tables;
•
probability Q for women to have a child in a specific year.
The Behavior Search software tool employing genetic algorithms
was used to determine probability Q.
The model produces data series on the number of people in individual age groups and their energy consumption over a period of
120 years (Fig. 4). This output is used in related land-use models
and models on the allocation of labour.
The agent is treated in the basic version as an independent unit.
The model can be expanded by including the child-parent relationship, making it possible to define family and potentially other ownership structures (e.g. land allocation) in a more complicated model
incorporating also social aspects. The model does not factor in
more detailed aspects of domestic life, since the parameters would
have to be set arbitrarily and without the sufficient support of data,
moving the model more towards the exploratory level.
Model of the agricultural landscape and the land-use
The model aims to represent a virtual laboratory for testing the
causal role of demographic, economic and environmental factors
in the formation of land-use strategies. The model was created for
the purpose of studying the relationship between the growing population and the intensity of land-use, especially for investigating
the subsistence capacity of the oppidum under the ‘model’ assumption that the population must have been self-sufficient in its
food production, that it had a certain available area of agricultural
land and practised intensive or extensive farming combining plant
and animal production.The model also takes into account the necessary labour investment to cover human and animal energy requirements, including the allocation of labour over and above basic
production. Factors influencing year-on-year harvest yields are
likewise included. Five basic categories of land-use (Tab. 2; Fig. 5)
– information on the transformation of the landscape resulting
from assumptions on natural conditions in the La Tène period –
were considered.
The rules for occupying and using land in the area surrounding
the settlement are based not only on the actual suitability of the
land but also (1) on the rules for efficient movement, known in
archaeology as least effort models (Hagget — Cliff — Frey 1977),
(2) on the theory of ecosystems (Bayliss-Smith 1978; Ebersbach
2002; Schreg 2011), which directly takes into account demography,
subsistence and the organisation of labour in connection with the
environment, and also (3) on the given limits of the environment
and population (i.e. the limits of production at which the population must either modify its size or change its strategy; cf. BaylissSmith 1978; del Monte-Luna et al. 2004). It is necessary at first to
define the levels of basic resources in the ecosystem (i.e. the carrying capacity of landscape units) and the production potential of
172
The basic principles of the model are:
1) Securing the continuity of production – in addition to covering
actual consumption, part of the harvest must be reserved for
seed (typically 200 kg/ha).
2) Maintaining the continuity of self-sufficient production – securing necessary reserves for years with poor harvests (typically
double the annual energy consumption of population), or supplementing reserves from external sources.
4) Securing the continuity of sustainable landscape management
– exploited landscape units must remain within a reachable distance (with the exception of forests) and their potential must
not be exhausted (e.g. decreasing fertility).
The model represents the following elements of the social-ecological system: the population dynamic (human and animal community), agricultural strategy, primary land fertility, land fertility
under human influence, topography (terrain variability), weathervariability and vegetation succession.
The timeframe of the simulation is 120 steps, with one step corresponding to one year, when the renewal of the state of cells corresponds to processes occurring during one agricultural year. An
agricultural year represents a winter and summer season divided
according to the workload.
This land-use model is designed on the principle of a cellular
automaton. Each cell/field (patch) has several biophysical attributes that capture its potential for use: topography, original land
cover and accessibility from the centre, the values of which are periodically updated. These attributes were expressed using a combination of primary (topography, hydrology, geology, soil quality,
vegetation potential) and secondary layers (distance from settlement, difficulty of traversing the terrain, i.e. ‘friction’), and predictive maps (field and pasture suitability), all raster (GIS) maps.
(4) Accessibility of land around settlement
(V - travelling velocity, S – slope in %).
A total of five basic (nine specific) land-use categories were defined in the model (Tab. 2). Concrete information on the transformation of the landscape was derived from maps and general assumptions on natural conditions in the La Tène period. The
simulation begins with the display of biophysical attributes for individual cells. Each cell updates its status on the basis of its current use. The model assumes that the landscape was forested at
the start of occupation and that deforestation occurred gradually.
In the period in which the simulation begins, the landscape has already been partially cultivated by the preceding population (there
is a certain number of animals present and the fields around the
site are in various stages of cultivation). the current population
size, the number of animals and their energy requirements and
labour capacities are updated with each step (= year) of the simulation. The size of the forest gradually decreases as the cultivated
area of land grows.
It is assumed that most of the energy consumption of the population was covered by cereals (wheat and barley), the rest by
pulses, protein (meat and milk) and other food sources. Based on
a definition of the parameters of production (actual consumption,
surplus production, seed corn, losses) and general agricultural
principles (year-on-year fluctuations in harvest yields, net gains),
the necessary size of agricultural land can be deduced. It is possible to simulate the land changes in time (i.e. in individual years),
both changes in size (the size of the area increases as the population grows) and qualitative changes (yields are influenced by soil
fertility, which is affected by fertilisation, fallowing, and crop rotation). The calculation of the necessary annual area of cultivated
PAMÁTKY ARCHEOLOGICKÉ CVI, 2015
Danielisová — Štekerová, Sociální simulace při zkoumání společnosti, ekonomiky a využívání krajiny v době železné
fields is considered in order to assume that the following year, as
long as no unexpected events occur, the harvest will be sufficient
to cover the current consumption of the local population and to secure reserves (in terms of “the safety margin”; Müller-Herold —
Sieferle 1997).
(5) Annual update of the fields area “F”
(TC – total consummation, exY – expected yield/ha (kcal),
pCD - % of cereal diet, r – reserves, lA – current field area
[under intensive or extensive strategy], SR – seed corn).
Moreover, in the case of an extensive strategy, the fallows are
also counted, as they can be used during this period as pasture.
Also influencing the size of fields (and pastures) is the productivity
(fertility) of cells in the model, which impacts the production of biomass and is based on the cycle of nitrogen (NO2) in the soil (Fig. 6).
The current average values of nitrogen are measured and subsequently used to calculate fertility for each field of the map. Fertility
is then used to derive the ‘fertilisation impact’ which, among other
parameters, has an impact on the size of year-on-year production
(Fig. 7).
(6) Calculation of fertilisation impact (exY – expected yield/ha
(kcal), dev – annual harvest fluctuation, FI – fertilisation impact).
The size of the harvest is tracked each year. The result reflects
both the long-term trend in field fertility and the current influence
of external factors included in the model (events such as weather,
and losses). The harvest is then converted to its energy value (Kcal).
The harvest volume is intended for consumption by the population,
for seed for the following season and the surplus, if any, is added
to storage after losses are offset.
Livestock numbers are deduced either from the current population size (the basic value can also be doubled) or the actual parameters of natality and mortality for individual herds are followed
(Fig. 8). The ratios of individual species in the oppidum herd are
determined using archaeozoological data. The largest group of animals is cattle, used both for meat and milk (i.e. protein) as well as
dung (= nitrogen), on which harvest yields also depend. Cattle
(oxen) were also used as draught animals for ploughing. Horses,
sheep/goats and pigs were only a source of meat, milk and nitrogen. The following are established in advance for each species: the
length of the lactation period, the meat, milk and manure yield,
and herd sustainability in the case of slaughter. Each animal has
different grazing preferences; some species can be grazed in the
forest (cows, pigs), while others (sheep/goats, horses) cannot.
These preferences are used to deduce the overall deforested area.
Forests were also cut to meet the demand for wood and to create
room for the growing population.
137–180
Energy outputs are followed using the so-called ‘bank of working
hours’, which takes into consideration the current working disposition of the community (sensu strong-force and weak-force), from
which the time necessary for individual activities is deduced. Statistics from each year make it possible to determine whether the
community was self-sufficient with respect to labour (e.g. while
monitoring various demographic scenarios), or whether the community’s work capacity was insufficient to cover basic production
needs.
(9) Forest area “LFA” necessary for leaf fodder collecting
(H – number of horses, S – number of sheep,
C – number of cattle).
Experiments were used to show how it is possible to study the
use of land surrounding the site and the structure of the main
landscape units under various strategies, various population sizes
and with the clear goal of sustainable production.
The aim of the first experiment (Fig. 9) was to determine the
maximum sustainable population of people and animals in the anticipated surrounding area and whether the capacity of natural
resources is exceeded during the period of simulation (i.e. the period of oppidum occupation). The results show that when median
yield values are set under an intensive strategy of 1,500 kg/ha,
3,000 kg/ha of grassland, 2,400 kg/ha of leaf fodder (as winter
fodder) and the basic (i.e. not doubled) number of animals, the
surrounding area of the oppidum is used but not exhausted, and
the maximum population reaches the maximum model values in
the ‘baseline’ scenario (i.e. a population over 3,000). If the number
of animals is doubled, the maximum size of the population under
the existing economic strategies would have to stop at a value of
around 1,500 (Fig. 9).
The second experiment studied the long-term harvest trend
and the success of production (surplus or deficit). Fertility is supported by the application of manure. Among other factors, annual
harvest fluctuations are caused by the weather, which is implemented in the model as climatic ‘events’ (storms, rain, hail,
drought, frost, etc.), which have a range of effects and were modelled on the basis of historical records from the same region (e.g.
Brázdil — Valášek — Chromá 2006). The local population creates
reserves by cultivating a larger area and storing the surplus grain
in order to ensure that the energy needs of population are covered
in the event of a poor harvest (i.e. a safety margin, cf. Müller-Herold
— Sieferle 1997, 209–210). The experiment settings include a basic
population scenario (baseline), 30 % of the amount of nitrogen from
the dung of domesticated animals and the impacts of weather. Reserves above basic production are 10 %, 50 % and 100 %. The results show that at 10% over-production, the population already
regularly faces a deficit (low harvest and depleted storage), primarily due to the weather (Fig. 10). At 50% over-production the pop-
(7) Pasture area “P” including grasslands, forest and fallows (H – number of horses, S – number of sheep,
C – number of cattle, P – number of pigs, PAS – total pasture area).
ulation is self-sufficient, and at 100% a surplus is regularly created.
(8) Area of meadows “MA” necessary for production of hay
(H – number of horses, S – number of sheep,
C – number of cattle).
The current population is used each year to calculate the energy
demand for the given year, which in turn indicates the area that
must be sowed and the number of animals that must be tended.
PAMÁTKY ARCHEOLOGICKÉ CVI, 2015
A model scenario of a 50% decrease in domesticated animals
was also added to the experiment in the 75th year of the oppidum’s
existence. The results indicate that agricultural production did not
fall into deficit only if it was double (100% greater) basic consumption (Fig. 10, 11). The basic demographic scenario for a situation
involving a sudden decrease in livestock was compared with the
model in which there is a gradual decline in the population beginning in the 70th year. It was found that with a smaller population
the production level is balanced after a certain amount of time, es-
173
Danielisová — Štekerová, Sociální simulace při zkoumání společnosti, ekonomiky a využívání krajiny v době železné
pecially under the influence of returning sufficient nitrogen levels
for the fields as an impact of the lower population.
The aim of the third experiment was to determine whether the
settlement’s workforce (strong-force and weak-force) was adequate
to meet the set production goals and whether there was still available capacity for other activities (e.g. specialised production, free
time, the non-productive part of the population such as the elite).
A rising or decreasing trend in free time also shows the influence
of population size and the chosen production strategy (Fig. 12), and
individual demographic scenarios created in the population model
are compared. The results suggest that a larger population is effective in meeting production goals and that smaller communities
have proportionally less free time. Also having a significant impact
on the workforce were the effects of epidemics: a decline in the
younger generation is evident in the period after an epidemic. It is
possible to state that less free time for activities other than those
connected with the production of food also means a reduction in
the complexity of the society.
The existing cellular automata model of the landscape could also
be supplemented with an agent-based model of families farming
their own fields or pastures, since the number of animals is calculated in the existing model per nuclear family (household), not per
individual. In this way, the simulation would be enriched by elements of an explorative nature – the social ownership of land and
a certain number of animals, and the potential unequal social standing of individual households resulting from their (changing) capital.
Model of agricultural production, using fuzzy logic
This model (published in detail in Danielisová et al. 2015) represents an alternative approach to the modelling of the agricultural
landscape. The model assumes that people expanded the cultivated
area surrounding settlements in connection with the increas ingconsumption of the growing population and that this expansion
occurred efficiently with the aim of effective management and to
achieve maximum gains at a minimum level of effort. The objective
of this explorative model is to study the relevant decision-making
processes of farmers concerning the creation of spatial field structures in the landscape. The prediction of landscape units (i.e. fields)
using fuzzy logic is presented here as a methodological tool (details
in Machálek et al. 2013).
The model simulates the decision-making process of farmers on
the suitability of individual plots for cropor animal production as
well as on the size of intensively cultivated agricultural areas based
on the difference between the current year-to-year harvest and the
annual consumption of the community. The suitability of land and
the choice of the agricultural strategy are addressed on two levels:
•
•
The first evaluates the landscape from a topographical perspective (accessibility, slope, etc., from the perspective of fuzzy logic;
cf. Jarosław — Hildebrandt-Radke 2009; Reshmidevi — Eldho
— Jana 2009).
The second level introduces a dynamic factor (e.g. harvest from
previous years). The community draws on experience from past
seasons regarding the suitability of using specific plots for various purposes.
(10) Calculation of yield from the map cell “yp”
(25/10000 – conversion of yield to area unit in the model,
h – yield/ha, h·y – harvest fluctuation, T – farming type
coefficient (1 – intensive, 0,3 extensive – because of fallows),
r – user defined coefficient representing long term trends
in crop yield).
One step in the simulation represents a single farming year. The
agent represents the settlement, surrounded by arable land. The
map is a GIS based grid of cells with fuzzy qualities (Fig. 13):
The output of the model is a layout in the surrounding area of
the settlement of intensively and extensively cultivated land and
pastures that can provide the required total yield under the chosen
combination of agricultural strategies (Fig. 14).
174
137–180
Model of labour allocation
The model shows the possibilities for dividing labour between agricultural activities occurring simultaneously in a key part of the
growing season, i.e. during the summer harvest, when it is necessary within a relatively short period of 2–6 weeks to reap (Halstead
2014, 67–126), process and store cereals and pulses (with a gradual period of maturation depending on the site and weather), cut
hay in meadows as winter fodder and also to perform everyday activities such as domestic work and livestock maintenance (Fig. 15).
Available work capacity is derived from the population model
(in strong-force – more difficult work such as ploughing and reaping, and weak-force – other activities). It is also necessary to distinguish overall work capacity (all male adults) and the actual employed work capacity, which was probably lower (with the assumed
existence of elite and labour capacity permanently dedicated to
other non-agricultural work).
The harvest process is influenced by weather, which impacts
the speed of cereal maturation and the length of time that the cereal standing in the fields retains the necessary quality; the number of rainy days extends the entire process. Local events such
a storms, damage caused by wild animals, fire, theft, etc., can reduce harvest size. Since an individual year is modelled, it isn’t necessary to consider year-on-year harvest fluctuations or to factor in
the existence of storagefrom previous years.
One step in the simulation represents one day. A maximum of
90 steps are simulated, which corresponds to the three-month
summer season in which the harvest occurs. Of primary interest
is a harvest model that s result isup to 21 days (3 weeks). The overall consumption of cereals (including seed for the following year,
winter fodder and anticipated losses) and the projected yield make
it possible to calculate the area of fields that must be cultivated,
i.e. a specific work capacity must be devoted to the harvest. Available labouris inferred from the overall ‘time banks’ of the available
work force (strong-force and weak-force).
The aim of the first experiment was to estimate the impact of
weather on extending the harvest period. A population of 1,000,
a twelve-hour working day, 10% unused work capacity and an average yield of 1,500 kg/ha are used. The results show that with
this work capacity it would be possible under relatively favourable
weather conditions (a probability of rainy weather not exceeding
30 %) to complete the harvest in less than three weeks (Fig. 16).
The second experiment assumes a three-week-long harvest with
a 30% chance of poor weather and investigates the maximum possible share of “elite” that did not contribute to food production. The
experiment found that the harvest is possible to the given extent
when the share of the non-working population does not exceed
20 % of the total population (Fig. 17).
In the third experiment, assuming that 20 % of the population
was not involved in the primary production of food and that the
probability of rainy weather was between 10 % and 30 %, it was
possible to investigate, under a variety of hectare yields, the extent to which the population was capable of covering its own consumption while also producing a surplus that could be freely
dealt with, for example, on the market, as social capital. In the
case of favourable weather, even a low hectare yield (800 kg/ha)
was sufficient to cover the consumption of 1,000 individuals,
whereas under worse weather conditions it was possible to double
production only with a hectare yield that was four times as high
(3,200 kg/ha) (Fig. 18).
Yields and the quality of individual species of cereals are not
constant over time. Greater knowledge of related processes could
help make the model more precise. Moreover, in the meantime, the
simplified assumption of the impact of rainy days on extending the
harvest could be replaced by more sophisticated work with weather
data corresponding to the type of scenario (e.g. ‘warm summer’,
‘rainy summer’, ‘local storms’). Beside the harvest period, it is also
possible to focus on the overall nature of the farming year with all
connected activities, including the consideration of alternative agricultural strategies imposing various demands on labour (spring
and/or autumn ploughing, intensive or extensive farming).
PAMÁTKY ARCHEOLOGICKÉ CVI, 2015
Danielisová — Štekerová, Sociální simulace při zkoumání společnosti, ekonomiky a využívání krajiny v době železné
Model for the settlementdevelopment of the region
This agent-based model makes it possible to study the creation of
the settlement structure in the broader region around the oppidum. The model is based on a premise supported by archaeological finds that the oppidum was surrounded by a system of agricultural settlements whose residents may have been in a socioeconomic relationship with the oppidum. The model is essentially
conceived as emulative, as it is based on empirical data concerning
the rules for the localisation of settlements. However, the rules for
the organisation of space in the creation of the settlement structure
are conceived in an explorative manner, as is the hypothetical
relationship to the central site. The model is designed to enable
experiments with the starting number and parameters of settlements, and the mechanisms of gradual growth, dispersal, fission
and fusion.
The basic unit of the model is the spatial expression of the
‘household’, i.e. the settlement. The rules for a gradually growing
population in space are based on its energy consumption, economic strategies (i.e. demand for local resources) and the degree
of social organisation. The process of settlement dispersion can be
motivated by common objectives (e.g. the search for new resources)
as well as by an attempt to avoid interpersonal conflict if the population density exceeds tolerable limits – otherwise known as scalar
stress (Johnson 1982; Bandy 2004). Therefore, the settlement development can lead either to centralised or to dispersed structure
(Fig. 19). It can be assumed that rational decisions were made in
moving, i.e. that the selection of a new agricultural settlement involved a preference for suitable land with the potential for fields,
pastures and forest, with the possibility for expansion and a location that was not overly isolated from already existing settlements.
In addition to the actual suitable environment, also playing a decisive role in the case of larger settlements was a connection to an
already existing network of routes or an emerging settlement structure. These data can be used as a baseline (in the sense of an emulative model) or as empirical control of a simulated settlement network (in the sense of an explorative model).
One step in the simulation represents one year, and a total of
120 steps were simulated. Individual settlements are represented
in the model by an agent, the behaviour of which depends on its
main parameter – the number of residents, from which the values
of other parameters are derived, especially the size of the cultivated
area or consumption and the related demands on work capacity.
Another parameter of the agent is an indicator of its predecessor,
i.e. a reference to the parent settlement. These references can be
used to follow the development of the settlement network.
As in the case of the agricultural model, the environment is also
described by a GIS grid. The cell attributes express the potential
for the establishment of a settlement. The migration process can
be activated when (1) the number of residents exceeds a determined population limit expressing the set scalar stress, or (2) limits
of the environment in which the settlement is located are reached.
Variously defined mechanisms of migration and their influence
on the spatial layout of the settlement network were examined by
means of experiments. The model worked with a minimal friction
distance between settlements that would enable the founding of
a new settlement along with the surrounding economic support
area. If the population of an individual settlement reaches a certain
limit, 30 % (i.e. two households) move somewhere else. The new
settlement is built at the nearest suitable location. The moving
group of residents can establish a new settlement or could also join
an already existing settlement, the population of which thus grows
to the maximum capacity of the environment as a result (Fig. 21).
The relationship to the central site – the oppidum – is decisive
for the modelled settlement structure. The annual production of
settlements depends on the oppidum, as does, to a certain extent,
their spatial structure, including the hierarchy of the settlement
network. A demographic scenario similar to the one used for the occupation of the oppidum could also be applied to the occupation of
the region; in addition to the growth of the population; this scenario
would also take into account a potential decline in the population
as the result of migration beyond the region, epidemics, etc.
PAMÁTKY ARCHEOLOGICKÉ CVI, 2015
137–180
The article also briefly presents a model of a military siege on
the oppidum in order to illustrate the variability of applied agentbased models and simulations in archaeological research.
The agent-based model serves to test the military qualities of
the oppidum fortifications represented by the Staré Hradisko oppidum. The main points the model was to investigate were:
(1) the defence capacity of the fortification lines (the impact of artificial obstacles) in various construction phases, and their comparison;
(2) the number of attackers and defenders;
(3) the effectiveness of an attack made against various places along
the fortifications.
The model is described in detail in Kakrda (2014). The experiments showed that, for the most part, the defenders were able to
reliably withstand an attack even when outnumbered fivefold. On
the other hand, when the defenders are outnumbered sevenfold,
the attackers are always successful. Additional experiments compared the defensive capabilities of the fortifications.
Discussion
Existing economic models typically focus on the size of the population in a given environment and at a given time and, based on
empirical data, model the sustainability of economic production
and possibly other factors such as interaction with other settlements. The first step in the traditional approach to the study of the
socioeconomic relationships of past societies is a ‘conceptual
model’ in which key variables are focussed on relationships inside
the model. This is followed by a ‘quantitative model’ in which values
are assigned to individual variables typically based on empirical
data (archaeological, palaeoecological, geomorphological and others), and the model takes on a form created to the scale of the specific environment (cf. van Dinter et al. 2014). Some models remain
in conceptual form, i.e. they end with the formulation of a hypothesis and do not proceed to the quantitative phase. Comprehensive
economic models that also include calculations related to the size
of the population and the surrounding economic area are relatively
rare (Mařík 2009; Olsson 1991; Groenman-van Waateringe — Wijngaarden-Bakker /eds./ 1987; Gregg 1988; Hladík 2014; Fischer et
al. 2010; etc.). Naturally, the risk of all models is their inevitable
subjectivity; e.g. the production potential of the surrounding economic area can be easily confused with the actual use of resources.
Therefore, the demographic estimate (more precisely ‘demographic
data’) and the most in-depth knowledge of the local economy are
of key importance for the success of the model; nevertheless, they
are usually far from being complete or detailed. Experiments involving social simulation could provide a solution. Models that employ social simulation have a similar starting point as quantitative
models; they begin with a ‘design’, i.e. a conceptual model, and can
also have a preparatory phase comprised of a quantitative model
that makes it possible to determine whether the posited questions
and variables are realistic for the model. Simulation is actually the
next stage of traditional models. It is essential that the social simulation provide a sufficiently reliable reflection of the studied system, i.e. that it captures its main characteristics despite the inherent simplification. An emphasis is also placed on the clarity,
transparency and replicability of the model. Realistic (emulative)
models have been criticised recently for the nature of their input
data (the fragmented nature thereof), for their equifinality (various
processes can lead to the same results) and for their stochasticity
(one model or its part can produce various results; cf. Premo 2010,
30–33; Lake 2010, 13; Madella et al. 2014, 252). In this situation,
some scholars believe it is impossible to argue in favour of or
against the initial hypothesis. On the other hand, explorative models run into problems with their validation using empirical data,
which in many cases do not even exist. Despite the methodological
problems accompanying the two main purposes of simulation, both
approaches should continue to be part of archaeological theory.
As is the case with the majority of computational methods, social simulation (like conceptual and quantitative models) relies on
input data. Archaeological data in particular is known for its fragmentary nature. In contrast, models mostly demand precise values. If these are unavailable, it is possible to experiment with min-
175
Danielisová — Štekerová, Sociální simulace při zkoumání společnosti, ekonomiky a využívání krajiny v době železné
imum and maximum ranges of values (e.g. the starting population,
the size of the surrounding economic area) and to study the results
for individual settings. In this case, emulative models essentially
acquire an exploratory value in that they determine parameters
that were not known in advance. Emulative models are especially
welcome in cases when an answer to a specific archaeological question is sought, and these can enrich existing conceptual models by
adding a dynamic aspect – a combination of time and space, in
which changes occur in the starting parameters (e.g. the population, which changes over time). In this way it is possible to clarify
the mechanisms of the interaction of human societies with the environment and their adaptation mechanisms over time.
Conclusion
Models and simulation are accepted as useful tools today in archaeological theory. The examples of models offer an idea of the
possibilities and limits of the method. The objective was to clearly
demonstrate the principles of the creation of social simulations.
Each presented model aims to address a specific question or hypothesis, and the models were designed to make the best use of all
available sources of data and other materials. The presented models differ in the degree of abstraction and the employed scale; the
definition of the agent differs, as does the length of the time steps
(e.g. days, decades). The purpose of the models also differs: the
model of demographic development, the model for the allocation of
work capacity and the ‘siege’ model are examples of the emulative
approach, whereas the fuzzy model of crop production is more explorative in nature. The model for the occupation of the region
shows the interconnection of the two approaches. The results from
the experiments are presented graphically to make the explanation
of the research method as clear as possible.
Translated by David J. Gaul,
proofreading by Zuzana Maritzová
Literatura
Altaweel, M. 2007:
Addressing the Structures and Dynamics of Modeled Human
Ecologies. In: Clark, J. T. — Hagemeister, E. M. /eds/: Digital
Discovery. Exploring New Frontiers in Human Heritage.
CAA2006. Computer Applications and Quantitative Methods
in Archaeology. Budapest, 30–41.
Altaweel, M. 2008:
Investigating agricultural sustainability and strategies in
northern Mesopotamia: results produced using a socio-ecological modeling approach. Journal of Archaeological Science 35,
821–835.
Angourakis, A. et al. 2014:
Angourakis, A. — Rondelli, B. — Stride, S. — Rubio-Campillo, X.
— Balbo, A. — Torrano, A. — Martinez, V. — Madella, M. — Gurt,
J. M.:
Land Use Patterns in Central Asia. Step 1: The Musical Chairs
Model. Journal of Archaeological Method and Theory 21, 405–
425.
AnyLogic. 2015:
www.anylogic.com (25. 11. 2014)
Axtell, R. L. et al. 2002:
Population Growth and Collapse in a Multi-Agent Model of the
Kayenta Anasazi in Long House Valley. Proceedings of the National Academy of Sciences 99(3), 7275–7279.
137–180
Barton, C. M. — Ullah, I. I. — Mitasova, H. 2010:
Computational modeling and Neolithic socioecological dynamics: a case study from Southwest Asia. American Antiquity 75,
364–386.
Barton, C. M. 2014:
Complexity, Social Complexity, and Modeling. Journal of
Archaeological Method and Theory21 (2) 306–324.
Bayliss-Smith, T. 1978:
Maximum populations and standard populations: the carrying capacity question. In: Green, D. — Haselgrove, C. —
Spriggs, M. /eds./: Social Organisation and Settlement: Contributions from Anthropology, Archaeology and Geography.
BAR International Series (Supplementary) 47(i), 129–151.
Bentley, R. A. — Lake, M. W. — Shennan, S. J. 2005:
Specialization and Wealth Inequality in a Model of a Clustered
Economic Network. Journal of Archaeological Science 32,
1346–1356.
Bertalanffy, L. von 1968:
General System Theory. New York.
Brázdil, R. — Valášek, H. — Chromá, K. 2006:
Documentary evidence of an economic character as a source
for the study of meteorological and hydrological extremes and
their impacts on human activities. Geografiska Annaler 88
A (2), 79–86.
Briz I Godino, I. et al. 2014:
Briz I Godino, I. — Santos, J. I. — Galán, J. M. — Caro, J. — Álvarez, M. — Zurro, D.:
Social Cooperation and Resource Management Dynamics
Among Late Hunter-Fisher-Gatherer Societies in Tierra del
Fuego (South America). Journal of Archaeological Method and
Theory 21, 343–363.
Chapman, R. 2003:
Archaeologies of complexity. London – New York.
Cimler, R. et al. 2012:
Cimler, R. — Olševičová, K. — Machálek, T. — Danielisová, A.:
Agent-based Model of Agricultural Practices in Late Iron Age.
In: Proceedings of the 15th Czech-Japan Seminar on Data Analysis and Decision Making under Uncertainty, September 24–
27. Osaka, 166–171.
Cioffi-Revilla, C. 2010:
A Methodology for Complex Social Simulations. Journal of
Artificial Societies and Social Simulation 13, (1), 7.
Čižmář, M. 2005:
Keltské oppidum Staré Hradisko. Olomouc.
Clarke, D. /ed./ 1972:
Models in Archaeology. London.
Cockburn, D. et al. 2013:
Cockburn, D. — Crabtree, S. A. — Kobti, Z. — Kohler, T. A. —
Bocinsky, R. K.:
Simulating social and economic specialization in small-scale
agricultural societies. Journal of Artificial Societies and Social
Simulation 16 (4), 4.
http://jasss.soc.surrey.ac.uk/16/4/4.html (14. 11. 2014).
Computational Modelling and Human Use of Space:
http://www.ucl.ac.uk/archaeology/research/directory/computational_modelling_bevan_lake (12. 11. 2014).
Babuška, R. 2001:
Fuzzy and Neural Control Disc. Course Lecture Notes (October
2001). Delft University of Technology.
CoMSES (2014):
http://www.openabm.org/faq/what-model-certification-andhow-does-it-work (12. 11. 2014).
Bandy, M. S. 2004:
Fissioning, Scalar Stress, and Social Evolution in Early Village
Societies. American Anthropologist 106/2, 322–333.
Conolly, J. — Colledge, S. — Shennan, S. 2008:
Founder effect, drift, and adaptive change in domestic crop use
in early Neolithic Europe. Journal of Archaeological Science
35, 2797–2804.
176
PAMÁTKY ARCHEOLOGICKÉ CVI, 2015
Danielisová — Štekerová, Sociální simulace při zkoumání společnosti, ekonomiky a využívání krajiny v době železné
Costopoulos, A. — Lake, M. W. — Gupta, N. 2010:
Introduction. In: Costopoulos, A. — Lake, M. W. /eds./: 1–8.
Costopoulos, A. — Lake, M. W. /eds./ 2010:
Simulating the change. Archaeology into the twenty-first century. Salt Lake City.
Craenen, B. et al. 2010:
Craenen, B. — Theodoropoulos, G. — Suryanarayanan, V. —
Gaffney, V. — Murgatroyd, P. — Haldon, J.:
Medieval Military Logistics: A Case for Distributed Agent based
Simulation.
http://eudl.eu/doi/10.4108/ICST.SIMUTOOLS2010.8737
(14. 11. 2014).
Crema, E. R. 2014:
A Simulation Model of Fission–Fusion Dynamics and LongTerm Settlement Change. Journal of Archaeological Method
and Theory 21, 385–404.
Crumley, C. 2007:
Notes on a New Paradigm. In: Kohring, S. — Wynne-Jones, S.
/eds./: Socialising Complexity. Structure, Interaction and
Power in Archaeological Discourse. Oxford, 30–36.
Dalla Bona, L. 2003:
Predictive Modelling Methodology. http://modelling.pictographics.com/method.htm (19. 1. 2003).
Danielisová, A. 2014:
Oppida, production and social status. Complexity of the Late
La Tène period in Central Europe. In: Fernández-Götz, M. —
Wendling, H. – Winger, K. /eds./: Paths to complexity. Centralisation and urbanisation in Iron Age Europe. Oxford, 76–83.
Danielisová, A. — Hajnalová, M. 2014:
Oppida and agricultural production – state of the art and prospects. Case study from the Staré Hradisko oppidum (Czech
Republic). In: Hornung, S. /ed./: Produktion – Distribution –
Ökonomie. Siedlungs- und Wirtschaftmuster der Latènezeit.
Kolloquium Otzenhausen 2011. Universitätsforschungen zur
prähistorischen Archäologie. Bonn, 407–428.
Danielisová, A. — Militký, J. 2014:
Pozdně laténské spony z oppida Třísov získané povrchovou
prospekcí v letech 2008–2013. Archeologické rozhledy 66,
40–66.
Danielisová, A. et al. 2015:
Danielisová, A. — Olševičová, K. — Cimler, R. — Machálek, T.:
Understanding the Iron Age Economy: Sustainability of Agricultural Practices under Stable Population Growth. In: Wurzer, G. - Kowarik, K. – Reschreiter, H. /eds./: Agent-based Modeling and Simulation in Archaeology. Wien, 95–128.
Dean, J. S. et al. 2000:
Dean, J. S. — Gumerman, G. J. — Epstein, J. M. — Axtell, R. L.
— Swedlund, A. C. — Parker, M. T. — McCarroll, S.:
Understanding Anasazi Culture Change Through Agent Based
Modeling. In: Kohler, T. A. — Gumerman, G. J. /eds./: Dynamics of Human and Primate Societies. Agent Based Modeling
of Social and Spatial Processes. New York – London, 179–205.
Dekker, A. 2014:
Revisiting Artificial Anasazi: a NetLogo tutorial (part 1, 2).
http://scientificgems.wordpress.com/2014/06/07/revisitingartificial-anasazi-a-tutorial-part-1/, (14. 11. 2014).
Del Castillo, F. — Barceló, J. A. 2013:
Why Hunter and Gatherers did not Die More Often? Simulating
Prehistoric Decision Making. In: Earl, G. — Sly, T. — Chrysanthi, A. — Murrieta-Flores,P. — Papadopoulos, C. — Romanowska, I. — Wheatley, D. /eds./: Archaeology in the Digital Era. papers from the 40th Annual Conference of Computer
Applications and Quantitative Methods in Archaeology (CAA).
Southampton, 26–29 March 2012, 154–163.
PAMÁTKY ARCHEOLOGICKÉ CVI, 2015
137–180
Dinter van M. et al. 2014:
Dinter van M. — Kooistra, L. I. — Dütting, M. K. — Rijn van P. —
Cavallo, C.:
Culd the local population of the Lower Rhine delta supply the
Roman army? Part 2: Modelling the carrying capacity using archaeological, paleo-ecological and geomorphological data.
Journal of Archaeology in the Low Countries Vol. 5, Nr. 1.
http://jalc.nl/cgi/t/text/get-pdf75d9.pdf?c=jalc;idno=
0501a04 (14. 11. 2014).
Doran, J. E. 1970:
Systems Theory, Computer Simulations and Archaeology.
World Archaeology 1, (3), 289–298.
Eastman, J. R. 2006:
IDRISI Andes. Guide to GIS and Image Processing. Worcester.
Ebert, J. I. 2000:
The State of the Art in „Inductive“ Predictive Modelling: Seven
Big Mistakes (and Lots of Smaller Ones). In: Wescott, K. L. —
Brandon, R. J. /eds./: Practical Application of GIS for Archaeologist. A Predictive Modeling Toolkit. London, 129–134.
Ebersbach, R. 2002:
Von Bauern und Rindern. Eine Ökosystemanalyse zur Bedeutung der Rinderhaltung in bäuerlichen Gesellschaften als
Grundlage zur Modellbildung im Neolithikum. Basler Beiträge
zur Archäologie 15. Basel.
Erdkamp, P. 2005:
The grain market in the Roman Empire. A social, political and
economic study. Cambridge.
Fischer, E. et al. 2010:
Fischer, E. — Rösch, M. — Sillmann, M. — Ehrmann, O. —
Liese-Kleibner, H. — Voight, R. — Stobbe, A. — Kalis, A. J. —
Stephan, E. — Schatz, K. — Posluschny, A.:
Landnutzung im Umkreis der Zentralorte Hohenasperg, Heuneburg und Ipf. Archäobotanische und archäozoologische Untersuchungen und Modellberechnungen zum Ertragspotential
von Ackerbau und Viehhaltung. In: Krausse, D. /Hrsg./: "Fürstensitze" und Zentralorte der frühen Kelten. Abschlusskolloquium des DFG-Schwerpunktprogramms 1171 in Stuttgart,
12.–15. Oktober 2009. Forsch. u. Ber. Vor- u. Frühgesch.
Baden-Württemberg, 195–265.
Gabriel, R. A.2007:
The Ancient World (Soldiers’ Lives Through History). Westport.
Gabriel, R. A. — Metz, K. S. 1991:
From Sumer to Rome: The Military Capabilities of Ancient
Armies. Westport.
Gent, H. — Dean, C. 1986:
Catchment Analysis and Settlement Hierarchy: a Case Study
from Pre-Roman Britain. In: Grant, E. /ed./: Central Places,
Archaeology and History. Sheffield. 27–36.
Gorenflo, L.J. — Gale, N. 1990:
Mapping regional settlement in information space. Journal of
Anthropological Archaeology 9, 240–274.
Gregg, S. A. 1988:
Foragers and Farmers. Population Interaction and Agricultural
Expansion in Prehistoric Europe. Chicago – London.
Grimm, V. et al. 2006:
Grimm, V. – Berger, U. — Bastiansen, F. — Eliassen, S. — Ginot,
V. — Giske, J. — Goss-Custard, J. — Grand, T. — Heinz, S. K.
— Huse, G. — Huth, A. — Jepsen, J. U. — Jørgensen, C. —
Mooij, W. M. — Müller, B. — Pe'er, G. — Piou, C. — Railsback, S. F.
— Robbins, A. M. — Robbins, M. M. — Rossmanith, E. — Rüger, N. — Strand, E. — Souissi, S. — Stillman, R. A. — Vabø, R. —
Visser, U. — DeAngelis, D. L.:
A standard protocol for describing individual-based and agentbased models. Ecological Modelling 198 (1–2), 115–126.
177
Danielisová — Štekerová, Sociální simulace při zkoumání společnosti, ekonomiky a využívání krajiny v době železné
Groenman-van Waateringe, W. — Wijngaarden-Bakker, L. H.
/eds./ 1987:
Farm-life in a Carolingian village. A model based on botanical
and zoological data from an excavated site. Assen – Wolfeboro.
Hagget, P. — Cliff, A. D. — Frey, A. 1977:
Locational Analysis in Human Geography I., II. Locational
Models. London.
Halstead, P. 2014:
Two Oxen Ahead. Pre-mechanized Farming in the Mediterranean. Chichester.
Higgs, E. S. — Vita-Finzi, C. 1972:
Prehistoric Economies: a Territorial Approach. In: Higgs, E.S.
/ed./: Papers in Economic Prehistory. Studies by Members
and Associates of the British Academy Major Research Project
in the Early History of Agriculture, 27–36.
Hladík, M. 2014:
Hospodárské zázemie Mikulčic. Sídelná štruktura na strednom
toku rieky Morava v 9. – 1. polovici 13. storočia. Brno.
Janssen, M. A. 2009:
Understanding Artificial Anasazi. Journal of Artificial Societies
and Social Simulation 12 (4) 13.
Jarosław J. — Hildebrandt-Radke, I. 2009:
Using multivariate statistics and fuzzy logic system to analyse
settlement preferences in lowland areas of the temperate zone:
an example from the Polish lowlands. Journal of Archaeological Science 36, 2096–2107.
Johnson, G. A. 1982:
Organizational Structure and Scalar Stress. In: Renfrew, C. —
Rowlands, M. — Segraves-Whallon, B. /eds./: Theory and Explanation in Archaeology. New York, 389–421.
http://www.springer.com/social+sciences/anthropology+%26
+archaeology/journal/10816
Kakrda, P. 2014:
Agentové simulace obléhacích taktik. Magisterská diplomová
práce, Univerzita Hradec Králové.
Knapett, C. /ed./ 2013:
Network Analysis in Archaeology: New Approaches to Regional
Interaction. Oxford.
Kohler, T. A. 2005:
Simulating Ancient Societies. Scientific American 293, 76–84.
Kohler, T. A. et al. 2007:
Kohler, T. A. — Johnson, C. D. — Varien, M. — Ortman, S. —
Reynolds, R. — Kobti, Z. — Cowan, J. — Kolm, K. — Smith, S. —
Yap, L.:
Settlement Ecodynamics in the Prehispanic Central Mesa
Verde Region. In: Kohler, T. A. — van der Leeuw, S. E. /eds./:
61–105.
Kohler, T. A. — van der Leeuw, S. E. /eds./ 2007:
The Model-Based Archaeology of Socionatural Systems. Santa
Fe – New Mexico.
Kohler, T. A. — Varien, M. D. /eds./ 2012:
Emergence and Collapse of Early Villages. Models of Central
Mesa Verde Archaeology. Berkeley – Los Angeles – London.
Kowarik, K. — Reschreiter, H. — Wurzer, G. 2009:
Modeling a mine. Agent based Modeling, System dynamics and
Experimental Archaeology applied to the Bronze Age Saltmines
of Hallstatt. In: Mining in European History. Special Conference of the SFB HiMAT: Historical Mining Activities in the Tyrol
and Adjacent Areas: Impact on Environment and Human Societies. Innsbruck, 64–65.
Kowarik, K. — Reschreiter, H. — Wurzer, G. 2012:
Modelling Prehistoric Mining. Mathematical Modelling 7/1, 17–
29.
178
137–180
Lake, M. W. 2000:
Computer Simulation of Mesolithic Foraging? In: Gumerman, G. — Kohler, T. /eds./: Dynamics in Human and Primate
Societies: Agent-Based Modeling of Social and Spatial
Processes. New York, 107–143.
Lake, M. W. 2010:
The Uncertain Future of Simulating the Past. In: Costopoulos, A.
— Lake, M. W. /eds./: 12–20.
Lake, M. W. 2014:
Trends in Archaeological Simulation. Journal of Archaeological
Method and Theory 21, 258–287.
Lake, M. W. — Crema, E. R. 2012:
The cultural evolution of adaptive-trait diversity when resources are uncertain and finite. Advances in Complex Systems 19, 1150013.
Lee, C. T. — Tuljapurkar, S. 2008:
Population and prehistory I: Food-dependent population
growth in constant environments. Theoretical Population Biology 73, 473–482.
Lee, C. T. — Puleston, C. O. — Tuljapurkar, S. 2009:
Population and prehistory III: Food-dependent demography in
variable environments. Theoretical Population Biology 76, 179–
188.
Madella, M. et al. 2014:
Madella, M. — Rondelli, B. — Lancelotti, C. — Balbo, A. —
Zurro, D. — Campillo, X. R. — Stride, S.:
Introduction to Simulating the Past. Archaeological Method
and Theory 21, 251–257.
Maglioca, N. R. — Brown, D. G. — Ellis, E. C. 2013:
Exploring Agricultural Livelihood Transitions with an AgentBased Virtual Laboratory: Global Forces to Local DecisionMaking. Plos One Vol. 8, Iss. 9.
http://journals.plos.org/plosone/article?id=10.1371/journal.pone.0073241 (14. 11. 2014).
Machálek, T. 2013:
Fuzzy extension for NetLogo.
https://github.com/tomachalek/nlfuzzy (14. 11. 2014).
Machálek, T. — Olševičová, K. — Cimler, R. 2012:
Modelling Population Dynamics for Archaeological Simulations. Proc. of 30th International Conference on Mathematical
Methods in Economics. Karviná, 536–539.
Machálek, T. — Cimler, R. — Olševičová, K. — Danielisová, A.
2013:
Fuzzy Methods in Land Use Modeling for Archaeology. Proceedings of 31st International Conference on Mathematical Methods in Economics, part II. Jihlava, 552–557.
Marcks, T. 2012:
Accuracy vs. distance formula. Game Development.
http://gamedev.stackexchange.com/questions/28162/accuracy-vs-distance-formula (14. 11. 2014).
Marsden, E. W. 1969:
Greek and Roman Artillery: Historical Development. Oxford.
Mařík, J. 2009:
Libická sídelní aglomerace a její zázemí v raném středověku,
Praha.
Monte-Luna del, P. et al. 2004:
Monte-Luna del, P. — Brook, B. W. — Zetina-Rejón, M. J. — CruzEscalona, V. H.:
The carrying capacity of ecosystems. Global Ecology and Biogeography 13, 485–495.
Müller, B. et al. 2013:
Müller, B. — Bohn, F. — Dreßler, G. — Groeneveld, J. — Klassert, C. — Martin, R. — Schlüter, M. — Schulze, J. — Weise, H.
PAMÁTKY ARCHEOLOGICKÉ CVI, 2015
Danielisová — Štekerová, Sociální simulace při zkoumání společnosti, ekonomiky a využívání krajiny v době železné
137–180
— Schwarz, N.:
Describing human decisions in agent-based models – ODD+D,
an extension of the ODD protocol. Environmental Modelling &
Software 48, 37–48.
Polhill, J. G. 2010:
ODD updated. Journal of Artificial Societies and Social Simulation, 13, 4, 9.
http://jasss.soc.surrey.ac.uk/13/4/9.html (20. 11. 2014).
Müller, B. et al. 2014:
Müller, B. — Balbi, S. — Buchmann, C. M. — de Sousa, L. —
Dressler, G. — Groeneveld, J. — Klassert, C. J. — Bao Le, Q. —
Millington, J. D. A. — Nolzen, H. — Parker, D. C. — Polhill, J. G.
— Schluter, M. — Schulze, J. — Schwarz, N. — Sun, Z. — Tailandier, P. — Weise, H.:
Standardized and transparent model descriptions for agentbased models – current status and prospects. Environmental
Modelling and Software 55, 156–163.
Polhill, J. G. et al. 2008:
Polhill, J. G. — Parker, D. C. — Brown, D. G. — Grimm, V.:
Using the ODD Protocol for Describing Three Agent-Based
Social Simulation Models of Land-Use Change. Journal of
Artificial Societies and Social Simulation 11, 2, 3.
http://jasss.soc.surrey.ac.uk/11/2/3.html (14. 11. 2014).
Müller-Herold, U. — Sieferle, R. P. 1997:
Surplus and Survival: Risk, Ruin, and Luxury in the Evolution
of Early Forms of Subsistence. Advances in Human Ecology,
Vol. 6, 201–220.
Murgatroyd, P. et al. 2012:
Murgatroyd, P. — Craenen, B. — Theodoropoulos, G. —
Gaffney, V. — Haldon, J.:
Modelling medieval military logistics: an agent-based simulation of a Byzantine army on the march. Computational and
Mathematical Organization Theory18, 4, 488–506.
Neuhäuslová, Z. et al. 2001:
Mapa potencionální přirozené vegetace České republiky.
Praha.
Niazi, M. A. 2013:
Complex Adaptive Systems Modeling: A multidisciplinary
Roadmap. Complex Adaptive Systems Modeling, 1 (1).
http://link.springer.com/article/10.1186%2F2194-3206-1-1
(14. 11. 2014).
Olsson, E. G. A. 1991:
The agrarian landscape of Late Bronze Age farmers in Bjäresjö.
In: Berglund, B. E. /ed./: The cultural landscape during 6000
years in southern Sweeden. Ecological Buletins 41, 181–184.
Olsson, E. G. A. 1991:
The agrarian landscape of Viking age farmers at Bjäresjö. The
cultural landscape during 6000 years in southern Sweeden.
Ecological Buletins 41, 190–193.
Olševičová, K. — Cimler, R. 2012:
Agent-based Model of Carrying Capacity of Celtic Settlement
Agglomeration. In: 3rd World Conference on Information Technology. Barcelona, 14–16.
Olševičová, K. — Cimler, R. — Machálek, T. 2012:
Agent-based Model of Celtic Population Growth: NetLogo and
Python. In: Nguyen, N. T. et al. /eds./: Advanced Methods for
Computational Collective Intelligence. Studies in Computational Intelligence 457, Berlin –Heidelberg, 135–143.
Olševičová, K. et al. 2014:
Olševičová, K. — Cimler, R. — Tomášková, H. — Danielisová, A.:
Model of Carrying Capacity – System Dynamics in NetLogo and
Stella. In: Proceedings of the International Conference Hradec
Economic Days, Part V, Hradec Králové, 117–123.
Olševičová, K. — Danielisová, A. 2014a:
Applying System Dynamics and Agent-based Modelling in Archaeological Simulation. In: Proc. of the 32nd International
Conference on Mathematical Methods in Economics, 721–726.
Olševičová, K. — Danielisová, A. 2014b:
Economic Sustainability in Relation to Demographic Decline
of Celtic Agglomerations in Central Europe: Multiple-Scenario
Approach. In: Simulating the Past to Understand Human History. Barcelona.
http://fawlty.uab.cat/SSC2014/SPUHH/socialsimulation201
4_106.pdf (25. 11. 2014).
PAMÁTKY ARCHEOLOGICKÉ CVI, 2015
Polhill, J.G. 2014:
Towards metadata standards for sharing simulation outputs.
ESSA conference. Barcelona.
http://diggingintodata.org/(14. 11. 2014).
Powel, A. S. — Shennan, S. J. — Thomas, M. G. 2009:
Late Pleistocene Demography and the Appearance of Modern
Human Behavior. Science 324, 1298–1301.
Premo, L. 2008:
Exploring behavioral terra incognita with archaeological agentbased models. In: Frischer, B. — Dakouri-Hild, A. /eds./: Beyond Illustration: 2D and 3D Technologies as Tools of Discovery in Archaeology. BAR International Series 1805, 46–56.
Premo, L. 2010:
Equifinality and Explanation: The Role of Agent-Based Modeling in Postpositivist Archaeology. In: Costopoulos, A. —
Lake, M. /eds./: 28–37.
Přichystal, A. — Opravil, E. 1992:
Poznatky k přírodnímu prostředí keltského oppida Staré
Hradisko. Časopis Moravského Muzea LXXVII, 115–121.
Puleston, C. O. — Tuljapurkar, S. 2008:
Population and prehistory II: Space-limited human populations in constant environments. Theoretical Population Biology
74, 147–160.
Reshmidevi, T. V. — Eldho, T. I. — Jana, R. 2009:
A GIS-integrated fuzzy rule-based inference system for land
suitability evaluation in agricultural watersheds. Agricultural
Systems 101, 1–2, 101–109.
Ross, T. J. 2010:
Fuzzy Logic with Engineering Applications. Chichester.
Rubio-Campillo, X. — Cela, J. M. — Hernandez, F. X. 2012:
Simulating archaeologists? Using agent-based modelling to improve battlefield excavations. Journal of Archaeological Science
39, 2, 347–356.
Salgado, M. — Noguera, J. A. — Miguel, F. 2014:
Modelling Cooperation Mechanisms: Some Conceptual Issues.
Journal of Archaeological Method and Theory 21, 325–342.
Saller, R. 1994:
Patriarchy, Property and Death in the Roman Family. Cambridge.
Schreinemachers, P. — Berger, T. 2011:
An agent-based simulation model of human environment interactions in agricultural systems. Environmental modelling &
Software 26, 845–859.
Shennan, S. 2007:
The Spread of Farming into Central Europe ind Its Consequences: Evolutionary Models. In: Kohler, T. A. — van der
Leeuw, S. E. /eds./: 141–156.
Schreg, R. 2011:
Feeding the village – Reflections on the ecology and resilience
of the medieval rural economy. In: Klápště, J. — Sommer, P.
/eds./: Processing, Storage, Distribution of Food. Food in the
Medieval Rural Environment. Ruralia VIII, 301–320.
179
Danielisová — Štekerová, Sociální simulace při zkoumání společnosti, ekonomiky a využívání krajiny v době železné
SIMULPAST:
http://www.simulpast.es/ (12. 11. 2014)
Stonedahl, F. 2011:
Genetic Algorithms for the Exploration of Parameter Spaces in
Agent Based Models. (PhD práce, Northweatern University),
http://forrest.stonedahl.com/thesis/forrest_stonedahl_thesis.pdf (25. 11. 2014).
Stonedahl, F. — Wilenski, U. 2010:
Evolutionary Robustness Checking in the Artificial Anasazi
Model.
http://ccl.northwestern.edu/2010/Stonedahl%20and%20
Wilensky.pdf (20.12.2014).
Thünen von, J. H. 1966:
Von Thünen’s Isolated State. In: Hall, P. /ed./: transl. C. M.
Wartenberg. Oxford.
Turchin, P. 2009:
Long-Term Population Cycles in Human Societies. Annals of
the New York Academy of Sciences, vol. 1162 (May), 1–17.
van der Vart, E. et al. 2006:
van der Vart, E. — de Boer, B. — Hankel, A. — Verheij, B.:
Agents adopting agriculture, In: Nolfi S. et al. /eds./: SAB,
LNAI 4095, 750–761.
137–179
Wilensky, U. 2014:
Netlogo. http://ccl.northwestern.edu/netlogo/. Center for
Connected Learning and Computer-Based Modeling. Northwestern University.
Wilenski, U. — Rand, W. 2007:
Making Models Match: Replicating an Agent-Based Model.
Journal of Artificial Societies and Social Simulation 10, (4), 2.
Wilkinson, T. J. et al. 2007:
Wilkinson, T. J. — Gibson, M. — Christiansen, J. H. — Widell, M.
— Schloen, D. — Kouchoukos, N. — Woods, C. — Sanders, J. —
Simunich, K.-L. — Altaweel, M. — Ur, J. A. — Hritz, C. — Launiger, J. — Paulette, T. — Tenney, J.:
Modeling Settlement Systems in a Dynamic Environment: Case
Studies from Mesopotamia. In: Kohler, T. A. — van der Leeuw,
S. E. /eds./: 175–208.
Wilkinson, T. J. — Gibson, M. — Widell, M. /eds./ 2013:
Models of Mesopotamian Landscapes. How small-scale
processes contributed to the growth of early civilizations. BAR
International Series 2552.
Wright, H. T. 2007:
Progress in Cultural Modeling. In: Kohler, T. — van der Leeuw
/eds./: 229–232.
Wainwright, J. 2008:
Can modelling enable us to understand the rôle of humans in
landscape evolution? Geoforum 39, 659–674.
Mgr. Alžběta Danielisová, Ph.D., Archeologický ústav AV ČR, Praha, v.v.i., Letenská 4, CZ 11801, Praha 1;
e-mail: danielisova@arup.cas.cz
Mgr. Kamila Štekerová, Ph.D., Univerzita Hradec Králové, Fakulta informatiky a managementu, Rokitanského 62, CZ 500 03 Hradec Králové;
e-mail: kamila.olsevicova@uhk.cz
180
PAMÁTKY ARCHEOLOGICKÉ CVI, 2015