ShortageSim: Simulating Drug Shortages under Information Asymmetry
作者: Mingxuan Cui, Yilan Jiang, Duo Zhou, Cheng Qian, Yuji Zhang, Qiong Wang
分类: cs.MA, cs.CL, cs.GT
发布日期: 2025-09-01 (更新: 2025-11-25)
备注: Accepted by AAAI 2026. Oral presentation. 25 pages
💡 一句话要点
ShortageSim：首个信息不对称下药品短缺监管干预的模拟框架
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 药品短缺 供应链模拟 信息不对称 大型语言模型 智能体建模
📋 核心要点
- 药品短缺问题严重，但现有方法难以有效评估监管干预措施，主要挑战在于供应链中的信息不对称。
- ShortageSim利用LLM驱动的智能体模拟制造商和买家的决策，考虑了他们对监管信息的不同解读。
- 实验表明，ShortageSim能显著减少生产中断的解决时间，更贴近现实情况，验证了监管警报的作用。
📝 摘要（中文）
药品短缺对全球患者护理和医疗系统构成严重风险，但由于药品供应链中存在信息不对称，监管干预措施的有效性仍然知之甚少。我们提出了ShortageSim，这是第一个模拟框架，旨在评估信息不对称下监管干预对竞争动态的影响。该框架使用基于大型语言模型（LLM）的智能体，模拟药品制造商和机构买家对监管机构发布的短缺警报做出的战略决策。与假设完全理性和完全信息的传统博弈论模型不同，ShortageSim模拟了对监管公告的异构解读以及由此产生的决策。在自行处理的历史短缺事件数据集上的实验表明，ShortageSim将生产中断案例的解决滞后时间减少了高达84％，比零样本基线更接近真实世界的轨迹。我们的框架证实了监管警报在解决短缺问题中的作用，并引入了一种新的方法来理解不确定性下多阶段环境中的竞争。我们开源了ShortageSim和一个包含2,925个FDA短缺事件的数据集，为未来在信息不对称的供应链中进行政策设计和测试的研究提供了一个新的框架。
🔬 方法详解
问题定义：药品短缺问题日益严重，现有的监管干预措施效果评估不足。主要痛点在于药品供应链中存在严重的信息不对称，导致无法准确预测和评估市场参与者（如制造商和买家）对监管政策的反应。传统博弈论模型假设完全理性和完全信息，与现实情况不符，难以有效模拟复杂决策过程。
核心思路：ShortageSim的核心思路是构建一个基于智能体的模拟环境，模拟药品制造商和机构买家在信息不对称情况下的决策行为。通过引入基于大型语言模型（LLM）的智能体，模拟不同参与者对监管机构发布的短缺警报的异构解读，从而更真实地反映市场动态。这种方法允许研究人员评估不同监管干预措施对市场竞争和药品供应的影响。
技术框架：ShortageSim框架包含以下主要模块：1) 数据集构建：收集和整理历史药品短缺事件数据，包括FDA发布的短缺信息等。2) 智能体建模：使用LLM构建药品制造商和机构买家的智能体，模拟其决策过程，包括生产决策、采购决策等。3) 监管干预模拟：模拟监管机构发布短缺警报等干预措施。4) 竞争环境模拟：模拟制造商和买家在市场上的竞争行为，包括价格竞争、供应竞争等。5) 结果评估：评估不同监管干预措施对药品短缺的影响，包括短缺持续时间、价格波动等。
关键创新：ShortageSim的关键创新在于：1) 首次将LLM应用于药品供应链模拟，实现了对市场参与者异构解读的建模。2) 构建了一个信息不对称下的竞争环境模拟框架，更真实地反映了现实市场动态。3) 提供了一个开源的模拟平台和数据集，为未来研究提供了便利。与传统方法相比，ShortageSim能够更准确地评估监管干预措施的效果，并为政策制定提供更可靠的依据。
关键设计：ShortageSim的关键设计包括：1) LLM智能体的训练：使用历史数据训练LLM，使其能够模拟制造商和买家的决策行为。2) 异构解读建模：通过调整LLM的参数，模拟不同参与者对监管信息的不同解读。3) 奖励函数设计：设计合适的奖励函数，激励智能体做出符合实际情况的决策。4) 仿真参数设置：设置合适的仿真参数，如市场规模、生产成本等，以保证模拟结果的有效性。
🖼️ 关键图片
📊 实验亮点
实验结果表明，ShortageSim能够显著减少生产中断案例的解决滞后时间，最高可达84%，并且模拟结果更接近真实世界的轨迹，优于零样本基线。这验证了监管警报在解决药品短缺问题中的有效性，并证明了ShortageSim框架的实用价值。
🎯 应用场景
ShortageSim可应用于药品监管政策的制定与评估，帮助监管机构预测和应对药品短缺风险，优化干预措施。此外，该框架还可扩展到其他供应链领域，如医疗器械、食品等，用于评估政策干预对市场竞争和供应的影响，具有广泛的应用前景和实际价值。
📄 摘要（原文）
Drug shortages pose critical risks to patient care and healthcare systems worldwide, yet the effectiveness of regulatory interventions remains poorly understood due to information asymmetries in pharmaceutical supply chains. We propose \textbf{ShortageSim}, addresses this challenge by providing the first simulation framework that evaluates the impact of regulatory interventions on competition dynamics under information asymmetry. Using Large Language Model (LLM)-based agents, the framework models the strategic decisions of drug manufacturers and institutional buyers, in response to shortage alerts given by the regulatory agency. Unlike traditional game theory models that assume perfect rationality and complete information, ShortageSim simulates heterogeneous interpretations on regulatory announcements and the resulting decisions. Experiments on self-processed dataset of historical shortage events show that ShortageSim reduces the resolution lag for production disruption cases by up to 84\%, achieving closer alignment to real-world trajectories than the zero-shot baseline. Our framework confirms the effect of regulatory alert in addressing shortages and introduces a new method for understanding competition in multi-stage environments under uncertainty. We open-source ShortageSim and a dataset of 2,925 FDA shortage events, providing a novel framework for future research on policy design and testing in supply chains under information asymmetry.