Three Essays on the Modelling of Policy Coordination

Abstract

The purpose of this research was to investigate the theoretical and methodological bases of the applied research on policy coordination so as to propose new directions that may address the shortcomings that have hampered the empirical understanding of the phenomenon of policy coordination. It achieved this in the form of the three essays that make up this thesis. Since much of the applied research is conducted by means of models the first article set out to understand the nature of policy coordination and to establish the theoretical foundations for a model capable of distinguishing between the different kinds of policy coordination. Newton’s (2017) seminal work was adapted to model a society capable of policy formulation and coordination. When this adapted game was compared to alternative games used to explain policy coordination, it was concluded that the adapted game made more realistic assumptions, that the modelling process was simpler, and that it can be applied to a wider range of contexts. The resulting model, therefore, offers a solid foundation for modelling collaboration in policy coordination. With the theoretical foundation in place, the second article proceeded to specify a multi-agent simulation system model based on an evolutionary game that can be used to simulate the different kinds of policy coordination and their likely effects. By incorporating the model from the first article into an existing multiagent simulation model that was modified to apply to policy coordination, it was possible to simulate collaboration and noncollaboration between agents in the context of policy coordination in order to determine the effect of different approaches to policy coordination. The conclusion was that policy coordination through collaboration produces the most desirable outcomes than other approaches and that reducing the cost of communication between agents is necessary to increase the probability of collaboration. This research highlights factors often neglected in the empirical research on policy coordination since it considers the limitations of human cognitive capacities and behavioural biases by integrating the cost of transmitting and transforming information into the model. It found that the cost of the transmission and transformation of information is critical to increase the probability of collaboration in policy coordination and that reduced information processing costs are required for policy implementation. This research revealed important variables and relationships that should be considered in future empirical studies. The third article tested traditional econometric models and those supplemented by machine learning on the available data and confirmed that econometric models face significant challenges in capturing the complexity of policy coordination. While econometric models can provide some insights, they may not fully capture the complexity and nuances of policy coordination. Machine learning techniques can better handle complex, non-linear connections and interactions among multiple individuals, but they also face challenges. The most flexible machine learning models may also be challenging to interpret. Moreover, to adequately tackle specific problems such as the causality of numerous estimands, the endogeneity of variables, the configuration of the data, or the existence of credible constraints influenced by economic theory, machine learning techniques typically require meticulous adjustment. Despite the advantages of machine learning methods, they are not sufficient to correctly model and explain coordination. It therefore seems that biggest problem in modelling policy coordination is not one of methodology, but rather one of data. To truly understand policy coordination, different data need to be generated, based on the variables that the first and second articles showed to be important. It is hoped that this thesis will encourage future researchers to explore alternative methodologies or take up the challenge of overcoming the data constraints that empirical research on policy coordination faces.

L'objectiu d'aquesta investigació va ser investigar les bases teòriques i metodològiques de la recerca aplicada en coordinació de polítiques per proposar noves direccions que puguin abordar les mancances que han dificultat la comprensió empírica del fenomen de la coordinació de polítiques. Ho va aconseguir en la forma dels tres assaigs que conformen aquesta tesi. Com que gran part de la investigació aplicada es duu a terme mitjançant models, el primer article es proposava entendre la naturalesa de la coordinació de polítiques i establir les bases teòriques d'un model capaç de distingir entre els diferents tipus de coordinació de polítiques. El treball fonamental de Newton (2017) es va adaptar per modelar una societat capaç de formular i coordinar polítiques. Quan es va comparar aquest joc adaptat amb jocs alternatius utilitzats per explicar la coordinació de polítiques, es va concloure que el joc adaptat feia supòsits més realistes, que el procés de modelització era més senzill i que es pot aplicar a una gamma més àmplia de contextos. El model resultant, per tant, ofereix una base sòlida per modelar la col·laboració en la coordinació de polítiques. Amb els fonaments teòrics al seu lloc, el segon article va procedir a especificar un model de sistema de simulació multiagent basat en un joc evolutiu que es pot utilitzar per simular els diferents tipus de coordinació de polítiques i els seus efectes probables. En incorporar el model del primer article a un model de simulació multiagent existent que es va modificar per aplicar-lo a la coordinació de polítiques, va ser possible simular la col·laboració i la no col·laboració entre agents en el context de la coordinació de polítiques per tal de determinar l'efecte de diferents enfocaments. a la coordinació de polítiques. La conclusió va ser que la coordinació de polítiques mitjançant la col·laboració produeix els resultats més desitjables que altres enfocaments i que la reducció del cost de la comunicació entre agents és necessària per augmentar la probabilitat de col·laboració. Aquesta investigació posa de relleu factors sovint desatesos en la investigació empírica sobre coordinació de polítiques, ja que considera les limitacions de les capacitats cognitives humanes i els biaixos conductuals mitjançant la integració del cost de transmissió i transformació de la informació al model. Va trobar que el cost de la transmissió i transformació de la informació és fonamental per augmentar la probabilitat de col·laboració en la coordinació de polítiques i que es requereixen costos reduïts de processament de la informació per a la implementació de polítiques. Aquesta investigació va revelar variables i relacions importants que haurien de ser considerades en estudis empírics futurs. El tercer article va provar els models economètrics tradicionals i els complementats per l'aprenentatge automàtic amb les dades disponibles i va confirmar que els models economètrics s'enfronten a reptes importants per capturar la complexitat de la coordinació de polítiques. Tot i que els models economètrics poden proporcionar algunes idees, és possible que no captin completament la complexitat i els matisos de la coordinació de polítiques. Les tècniques d'aprenentatge automàtic poden gestionar millor les connexions i les interaccions complexes i no lineals entre diverses persones, però també s'enfronten a reptes. Els models d'aprenentatge automàtic més flexibles també poden ser difícils d'interpretar. A més, per abordar adequadament problemes específics com ara la causalitat de nombroses estimacions, l'endogeniitat de les variables, la configuració de les dades o l'existència de restriccions creïbles influenciades per la teoria econòmica, les tècniques d'aprenentatge automàtic requereixen normalment un ajust minuciós. Malgrat els avantatges dels mètodes d'aprenentatge automàtic, no són suficients per modelar i explicar correctament la coordinació. Per tant, sembla que el problema més gran a l'hora de modelar la coordinació de polítiques no és de metodologia, sinó de dades. Per entendre realment la coordinació de polítiques, cal generar diferents dades, a partir de les variables que el primer i el segon articles van mostrar com a importants. S'espera que aquesta tesi encoratgi els futurs investigadors a explorar metodologies alternatives o assumir el repte de superar les limitacions de dades a les quals s'enfronta la investigació empírica sobre coordinació de polítiques.

El propósito de esta investigación fue investigar las bases teóricas y metodológicas de la investigación aplicada sobre la coordinación de políticas con el fin de proponer nuevas direcciones que puedan abordar las deficiencias que han obstaculizado la comprensión empírica del fenómeno de la coordinación de políticas. Esto se logró a través de los tres ensayos que componen esta tesis. Dado que gran parte de la investigación aplicada se realiza mediante modelos, el primer artículo se propuso comprender la naturaleza de la coordinación de políticas y establecer los fundamentos teóricos para un modelo capaz de distinguir entre los diferentes tipos de coordinación de políticas. El trabajo fundamental de Newton (2017) se adaptó para modelar una sociedad capaz de formular y coordinar políticas. Cuando se comparó este juego adaptado con juegos alternativos utilizados para explicar la coordinación de políticas, se concluyó que el juego adaptado hacía suposiciones más realistas, que el proceso de modelado era más simple y que se puede aplicar a una gama más amplia de contextos. Por lo tanto, el modelo resultante ofrece una base sólida para modelar la colaboración en la coordinación de políticas. Una vez establecida la base teórica, el segundo artículo procedió a especificar un modelo de simulación con un sistema multiagente basado en juegos evolutivos que puede usarse para simular los diferentes tipos de coordinación de políticas y sus posibles efectos. Al incorporar el modelo del primer artículo a un modelo de simulación de múltiples agentes existente que se modificó para aplicarlo a la coordinación de políticas, fue posible simular la colaboración y la no colaboración entre agentes en el contexto de la coordinación de políticas para determinar el efecto de diferentes enfoques. a la coordinación de políticas. La conclusión fue que la coordinación de políticas a través de la colaboración produce los resultados más deseables que otros enfoques y que es necesario reducir el costo de la comunicación entre agentes para aumentar la probabilidad de colaboración. Esta investigación destaca factores a menudo ignorados en la investigación empírica sobre coordinación de políticas, ya que considera las limitaciones de las capacidades cognitivas humanas y los sesgos de comportamiento al integrar el costo de transmitir y transformar información en el modelo. Encontró que el costo de la transmisión y transformación de la información es fundamental para aumentar la probabilidad de colaboración en la coordinación de políticas y que se requieren costos reducidos de procesamiento de información para la implementación de políticas. Esta investigación reveló variables y relaciones importantes que deberían considerarse en futuros estudios empíricos. El tercer artículo probó los modelos econométricos tradicionales y aquellos complementados con aprendizaje automático con los datos disponibles y confirmó que los modelos econométricos enfrentan desafíos importantes para capturar la complejidad de la coordinación de políticas. Si bien los modelos econométricos pueden proporcionar algunas ideas, es posible que no capturen plenamente la complejidad y los matices de la coordinación de políticas. Las técnicas de aprendizaje automático pueden manejar mejor conexiones e interacciones complejas y no lineales entre múltiples individuos, pero también enfrentan desafíos. Los modelos de aprendizaje automático más flexibles también pueden resultar difíciles de interpretar. Además, para abordar adecuadamente problemas específicos como la causalidad de numerosas estimaciones, la endogeneidad de las variables, la configuración de los datos o la existencia de restricciones creíbles influenciadas por la teoría económica, las técnicas de aprendizaje automático suelen requerir ajustes meticulosos. A pesar de las ventajas de los métodos de aprendizaje automático, no son suficientes para modelar y explicar correctamente la coordinación. Por lo tanto, parece que el mayor problema al modelar la coordinación de políticas no es de metodología, sino de datos. Para comprender verdaderamente la coordinación de políticas, es necesario generar diferentes datos, basados en las variables que el primer y segundo artículo demostraron ser importantes. Se espera que esta tesis anime a futuros investigadores a explorar metodologías alternativas o aceptar el desafío de superar las limitaciones de datos que enfrenta la investigación empírica sobre coordinación de políticas.