この記事では、エージェントベースモデル（ABM）が政策分析においていかに役立つかを探ります。従来のエージェント行動モデルは、ヒューリスティックな意思決定ルールまたは過去データに基づく回帰モデルに依存しており、いくつかの制約が存在します。本研究は、強化学習（RL）モデルがABMにおけるエージェントの意思決定において、高いパフォーマンスと行動の妥当性を持つ適応型モデルであることを示すことを目的としています。具体的には、RLエージェントが政策関連のABMにおいて効用を最大化するエージェントとして有効であるという仮説を検証します。結果として、RL行動モデルがABMエージェント内で報酬追求または報酬最大化の行動を生成し、従来の適応型行動モデルよりも優れたパフォーマンスを示す結果が得られました。