Zastosowanie modelowania agentowego do symulacji przestrzeni rekreacyjnych w celu 
profilaktyki chorób cywilizacyjnych
[Application of agent-based modeling in recreational spaces simulation to prevent 
civilization diseases]

Mikołaj Szurlej (Szkoła Doktorska ARCH, PWr, Wrocław)


Niedobór ruchu jest jednym z największych problemów współczesnej cywilizacji. 
Siedzący tryb życia, w tym coraz powszechniejsza praca biurowa w dobie przemysłu 
4.0, wymaga rekompensującego ją ruchu rekreacyjnego dla zachowania zdrowia. 
Obostrzenia związane z pandemią COVID-19, szczególnie zakaz wychodzenia z domu 
bez dostatecznie ważnego powodu, zwiększają skalę problemu. W przyszłości 
spodziewamy się nie tyle pandemii pojedynczej choroby, co znaczącej zmiany w 
przekroju chorób powodowanych zwiększeniem hipokinezji. Należą do nich między 
innymi choroby układu krążenia, otyłość, cukrzyca, a nawet depresja. Niestety, 
obecne tereny rekreacyjne nie są projektowane optymalnie w aspekcie zdrowotnym. 
Największym wyzwaniem planistycznym nie jest zwiększenie liczby oraz wielkości 
tych obszarów, ale ich dostępności i ciągłości.

W odpowiedzi na to zapotrzebowanie, chcielibyśmy stworzyć proste narzędzie dla 
architektów i urbanistów, którym mogliby oceniać koncepcje projektowe terenów 
rekreacyjnych w aspekcie zdrowia publicznego i wybierać najbardziej "korzystne 
spacerowo" rozwiązania. Stworzyliśmy prosty model agentowy wychodzenia na spacer 
oparty o mechanizm warunkowania pozytywnego bazującego na indywidualnej historii 
pozytywnych doświadczeń przestrzennych każdego agenta. Stworzone narzędzie 
przetestowaliśmy na przykładzie dzielnicy Nowy Dwór we Wrocławiu. Mając do wyboru 
trzy koncepcje układu wejść do parku, nasze symulacje pokazują znaczące różnice w 
liczbie osób wychodzących na spacery. Co więcej, wykazaliśmy że model jest 
wrażliwy na zmiany nie tylko ilościowe, ale również jakościowe, ponieważ 
usunięcie jednego z wejść, uznawanego przez planistów za niekorzystne, faktycznie 
zwiększyło efektywność rekreacyjną parku. Wyniki są obiecujące i w przyszłości 
planujemy rozwijanie naszego modelu poprzez rozbudowę zachowań i cech agentów, 
aby uzyskać lepsze dopasowanie do danych rzeczywistych.