botany

botany

Save Time On Research and Writing
Hire a Pro to Write You a 100% Plagiarism-Free Paper.
Get My Paper

 

Save Time On Research and Writing
Hire a Pro to Write You a 100% Plagiarism-Free Paper.
Get My Paper

 

 

 

Project  co‐fun

d

ed  by  the  European  Union  under  the  Seventh  Framework  Programme
© Copyright 2015 Stockholm University, Department of Computer and Systems Sciences 
(DSV) 

 
 

Policy Modelling and Simulation Tool

  

A  Simulation  Tool  for  Assessment  of  Societal  Effects  of  a 
Proposed Government Policy 

 

 
 

 
 
 
 
 
 
 

   

 
 
 
 
 
 

Project acronym: SENSE4US

Project full title: Data Insights for Policy Makers and Citizens

Grant agreement no.: 611242

Responsible:  Stockholm University – eGovLab

Contributors:  Aron Larsson, Osama Ibrahim

Document Reference:  D6.2

Dissemination Level:  PU

Version:  Final

Date: 30/06/2015

D6.2 Policy Modelling and Simulation Tool

 
 
 

2 | P a g e  
 

© Copyright 2015, Stockholm University, Department of Computer and Systems Sciences (DSV) 

History 

Version  Date  Modification reason  Modified by 

0.1 
2015‐05‐
15 

First draft 
Aron Larsson, Osama 
Ibrahim 

0.2 
2015‐06‐
01 

Second Draft 
Aron Larsson, Osama 
Ibrahim 

0.3 
2015‐06‐
20 

Quality check 
Steve  Taylor,  Somya 
Joshi 

0.4 
2015‐07‐
01 

Final Draft 
Aron Larsson, Osama 
Ibrahim 

   

   

       
       
       
 
 
 
   

D6.2 Policy Modelling and Simulation Tool
 
 
 

3 | P a g e  
 

© Copyright 2015, Stockholm University, Department of Computer and Systems Sciences (DSV) 

Table of Contents 

History ………………………………………………………………………………………………………………. 2 

Table of Contents ………………………………………………………………………………………………… 3 

List of Figures ……………………………………………………………………………………………………… 4 

List of tables ………………………………………………………………………………………………………. 5 

List of Abbreviations ……………………………………………………………………………………………. 6 

Executive Summary …………………………………………………………………………………………….. 7 

Task …………………………………………………………………………………………………………………….. 7 

Design Objectives …………………………………………………………………………………………………. 7 

Introduction ………………………………………………………………………………………………………. 8 

1  Model Description ………………………………………………………………………………………. 11 

1.1  Actors …………………………………………………………………………………………………………. 11 

1.2  Variables …………………………………………………………………………………………………….. 11 

Independent variables (sources of change) ……………………………………………………………. 12 

Dependent variables (impacts of change) ………………………………………………………………. 13 

1.3  Change transmission channels ………………………………………………………………………. 14 

2  Fundamental simulation concepts …………………………………………………………………. 16 

2.1  State of the system ………………………………………………………………………………………. 16 

2.2  Scenarios of Change …………………………………………………………………………………….. 16 

2.3  Goal feasibility and compatibility …………………………………………………………………… 17 

2.4  Tactics and Game theoretic analysis ………………………………………………………………. 17 

3  Simulation Process ……………………………………………………………………………………… 19 

3.1  Generating Scenarios ……………………………………………………………………………………. 19 

3.2  Graph change analysis ………………………………………………………………………………….. 19 

3.3  Data, forecasting and predictive validation …………………………………………………….. 20 

4  Policy Analysis Model building Process …………………………………………………………… 22 

5  Conclusion …………………………………………………………………………………………………. 33 

Enhancements and Future work …………………………………………………………………………… 33 

6  References ………………………………………………………………………………………………… 35 

APPENDIX I – Computation Algorithm …………………………………………………………………… 36 

APPENDIX II – TECHNICAL SPECIFICATIONS ……………………………………………………………. 38 

APPENDIX III – Policy use cases ……………………………………………………………………………. 40 

   
 

D6.2 Policy Modelling and Simulation Tool
 
 
 

4 | P a g e  
 

© Copyright 2015, Stockholm University, Department of Computer and Systems Sciences (DSV) 

List of Figures 

Figure 1 : Change transmission channels …………………………………………………………………. 15 
Figure 2 : single full channel example ……………………………………………………………………… 19 
Figure 3 : multiple full channels example ………………………………………………………………… 20 
Figure 4 : multiple half channels example ……………………………………………………………….. 20 
Figure 5 : User interface for defining a new policy problem ………………………………………… 22 
Figure 6 : User interface for defining scope of the policy model …………………………………… 23 
Figure 7 : Example for a basic search query using the policy problem title …………………….. 24 
Figure 8 : User interface for selecting areas of policy impacts ……………………………………… 24 
Figure 9 : Import concepts to the causal map graphing canvas ……………………………………. 28 
Figure 10 : User interface for defining actors’ powers and goals ………………………………….. 29 
Figure 11 : User interface for defining measures and mapping time series to them ………… 29 
Figure 12 : Edit node and link properties …………………………………………………………………. 30 
Figure 13 : User interface for defining a scenario of changes and the scenario simulation as 
viewed on the causal mapping canvas ……………………………………………………………………. 30 
Figure 14 : Causal mapping model example …………………………………………………………….. 31 
Figure 15 : Causal map of the PPE use case ……………………………………………………………… 43 
 

D6.2 Policy Modelling and Simulation Tool
 
 
 

5 | P a g e  
 

© Copyright 2015, Stockholm University, Department of Computer and Systems Sciences (DSV) 

List of tables 

Table 1 : Simulator icons for actors ………………………………………………………………………… 11 
Table 2 : Simulator icons for policy instruments – controllable sources of change …………… 12 
Table 3 : Simulator icons for uncontrollable sources of change ……………………………………. 13 
Table 4 : Simulator icons for policy impacts ……………………………………………………………… 13 
Table 5 : Keywords for actors ………………………………………………………………………………… 25 
Table 6 : Keywords for sources of change ………………………………………………………………… 25 
Table 7 : Coded categories of model elements ………………………………………………………….. 26 
Table 8 : Examples for the categorised search results ………………………………………………… 26 
 

D6.2 Policy Modelling and Simulation Tool
 
 
 

6 | P a g e  
 

© Copyright 2015, Stockholm University, Department of Computer and Systems Sciences (DSV) 

List of Abbreviations 

      

API        Application Program Interface 

DSS        Decision Support System 

GUI        Graphical User Interface 

EC        European Commission 

IA        Impact Assessment 

ICT        Information and Communication Technology 

MCDA        Multi‐Criteria Decision Analysis 

Sense4us      Data insights for policy makers and citizens (this project) 

URL        Uniform Resource Locator (web a

dd

ress) 

WP        Work Package 

 

D6.2 Policy Modelling and Simulation Tool
 
 
 

7 | P a g e  
 

© Copyright 2015, Stockholm University, Department of Computer and Systems Sciences (DSV) 

Executive Summary 

The deliverable (D6.2) presents a prototype for a policy‐oriented modelling and simulation tool 
that allows users, through a web‐based, user‐friendly interface, to build a systems model of a 
public policy problem situation using a graphical representation of the involved actors, the key 
variables, control flows and causal dependencies. A quantitative dynamic simulation model of 
the structured problem is used to simulate the system behaviour and responses to changing 
external factors and policy  interventions over time. The tool supports the design of policy 
options and  integrated  impact assessment  in terms of social, economic and environmental 
impacts. 

The proposed modelling and simulation approach aims to provide: (i) better understanding and 
transparency  by  clarifying  and  sharing  the  modelling  assumptions;  (ii)  an  evidence‐based 
policymaking by bringing facts and abstractions from scientific and experts’ knowledge into the 
modelling process; and (iii) incorporation of the newest management technologies into public 
decision‐making  processes,  including:  cognitive  strategic  thinking,  scenario  planning  and 
participation.  

Task 

The design of an ICT tool for policy makers from the different EU policymaking levels that assists 
public decision‐making processes through participatory modelling of a public policy problem, 
simulating  and  visualising  the  consequences  of  possible  future  scenarios  and  the  societal 
impacts of alternative policy (decision) options. 

Design Objectives 

1‐ User‐created policy scenarios: Models and simulations are often perceived as black boxes, 
unintelligible to the users. Allowing users to build “own” models for the policy problem to 
ensure that policy decisions are based on deep understanding and transparency.  
2‐  Integrated,  customizable  and  reusable  models:  Defining  proper  modelling  standards, 
procedures and methodologies to allow model  interoperability to create more complex  or 
wider perspective models using existing components or models (blocks) and to ensure long‐
term thinking by incorporating time aspect into the simulation model. 
3‐ Engagement of decision‐makers and stakeholders (even without domain expert skills) in a 
participatory modelling process. 
4‐  Easy  access  to  information  and  knowledge  creation  in  order  to  reduce  uncertainty: 
integration to other work packages to support problem structuring using inputs from WP4 and 
WP5. It is of interest to see how the information obtained from open data sources and analysis 
of political discussions on social media and blogs (all available within the Sense4us toolkit) 
contribute to increased problem understanding. 
5‐  Model  validation:  in  order  to  ensure  the  reliability  of  the  model  and,  consequently,  of 
policies. A model is valid if it is built using the most relevant components and sub‐models and 
is able to reproduce historical behaviour.  
6‐  Interactive simulation: the use of animations and visualization techniques to display the 
model operational behaviour graphically as the model runs over time.   
7‐  Output  and  feedback  analysis:  learning  from  output  analysis,  being  able  to  provide  a 
feedback  on  the  simulation  process  or  on  the  initial  modelling  assumptions  and  thus 
synthesizing  new  knowledge  on  the  system,  when  ultimately,  a  satisfying  result  has  been 
achieved or when a complete understanding of the system has been gained.   

D6.2 Policy Modelling and Simulation Tool
 
 
 

8 | P a g e  
 

© Copyright 2015, Stockholm University, Department of Computer and Systems Sciences (DSV) 

Introduction 

Much has been written about the complexity of public policy decision‐making problems. Those 
responsible for creating, implementing and enforcing policies are required to make decision 
about  ill‐defined  problems  occurring  in  a  rapidly  changing  and  complex  environments 
characterised by uncertainty and conflicting strategic interests among the multiple involved 
parties [1] [2]. 

“Policy Modelling and ICT‐enabled Governance”, has emerged as an interdisciplinary umbrella 
term for a number of research fields, technologies and applications with a common goal of 
improving public decision‐making in the age of complexity and has recently gathered significant 
attention  by  governments,  researchers  and  practitioners.  It  brings  together  two  separate 
worlds: the mathematical and complexity sciences background of policy modelling and the 
sustainability, service provision, participation and open data aspects of governance [3]. 

The ability to detect problems and emergencies, identify risks and reduce uncertainties on the 
possible  impacts of policies are among the key challenges facing the policymaking process. 
Simulation and visualization techniques can help policy makers to anticipate unexpected policy 
outcomes. The focus of this study is the prescriptive policy analysis, the impact assessment (IA) 
carried out at early stages of policy development. This study is done as part of the decision 
support framework for policy formulation1 described in D6.1.  

In  order  to  conduct  a  robust  and  relevant  IA  that  implements  the  principle  of  sustainable 
development, it is required to determine the social, economic, environmental, organizational, 
legal and financial implications of a new policy [4]. In addition, there are certain key aspects 
which should be present in order to define the scope of the policy analysis, including: 

(i) Objective(s) of the policy analysis,  
(ii) Space or Geographical area: (global, regional, national, sub‐national and local),  
(iii) Time (short, medium and long‐term), 
(iv) Types and sectors of the related governmental activities,  
(v) Power (participation of actors), and  
(vi) Engagement of stakeholders. 

The  impact  assessment  of  policy  proposals  remains  a  challenge,  since  the  effects  of  the 
alternative policy options are delayed in time and the ultimate impact is affected by a multitude 
of factors. The following questions have to be dealt with in a transparent manner and from 
early on in the decision‐making processes:  

 What is the main purpose(s) of the policy?  
 What is the context of the policy (Influencing factors)?  
 What are the relevant ways of intervention (policy instruments)?  
 What are the relevant impacts which require further analysis?  
 Who are relevant stakeholders and target groups which should be consulted?  
 What  are  appropriate  methods  to  assess  the  impacts  and  to  compare  the  policy 

options? 

Before proposing a new initiative, the European Commission (EC) assesses the need for EU 
action  and  the  potential  economic,  social  and  environmental  impacts  of  alternative  policy 

                                                            
1 Policy formulation: standardizing or rating, the proposed policy as a viable, practical, relevant solution 
to the identified problem. The development of pertinent and acceptable courses of action dealing with 
public problems is an essential part of any policymaking process. 

D6.2 Policy Modelling and Simulation Tool
 
 
 

9 | P a g e  
 

© Copyright 2015, Stockholm University, Department of Computer and Systems Sciences (DSV) 

options2.  Planning  of  IAs  is  communicated  to  the  public  via  roadmaps,  consultation  of 
stakeholders and public online consultations including annual revisions of the IA guidelines, in 
addition, final IA reports are made public3. IAs are prepared for these initiatives expected to 
have significant impacts, including: (i) legislative proposals, (ii) non‐legislative initiatives (white 
papers,  action  plans,  financial  programmes,  negotiating  guidelines  for  international 
agreements) and (iii) implementing and delegated acts. 

As early as the 1960s, Easton (1965) envisioned the ‘Systems approach’ as a framework and 
model  to  address  the  central  problem  of  empirical  political  study  [5].  Such  a  framework 
assumes that: (i) political interactions in a society constitute a system; (ii) the system must be 
seen as surrounded by physical, biological, social, and psychological environments, i.e., political 
life forms an open system; (iii) systems must have the capacity to respond to disturbances and 
thereby to adapt  to the  conditions  under which they find themselves.  In Easton’s systems 
approach, the five tenants of a framework are: ‘Actors’, ‘Variables’ (the inputs, the processes, 
the outputs, and the feedback), ‘Unit of analysis’, ‘Level of analysis’ and ‘Scope’ [5]. Introducing 
the  Systems  thinking  to  the  policymaking  process  allows  for  both  a  holistic  and  narrow 
examination of the public policy problem, the environment, actors and abstract and concrete 
components. 

For purposive, intelligent action, understanding and safety needs, etc., normal people need 
representations of their action context (mechanisms of external and internal factors affecting 
decisions), including one’s own and other actors’ actions. Such internal representations have 
been  called  variously  mental  models,  causal  or  cognitive  maps,  meaning  in  general: 
“mechanisms whereby humans are able to generate descriptions of system purpose and form 
explanations of system functioning, observed system states, and predictions of future system 
states” [6]. 

Causal maps can be developed by individual decision‐makers to model the structural systemic 
elements of their situation and show how change is propagated through the system. “What 
causal  maps  contribute  is  a  visual,  mental  imagery‐based,  “mind’s  eye”  simulation  of  the 
system’s behavior for system analysis and social communication” [7]. It is obvious that such 
maps can be useful for analysing, developing and sharing views and understanding among key 
actors also for creating some preconditions for intervention. 

Large‐scale causal maps can be used to model complex policy problems, representing what a 
government decision‐maker thinks about the drivers, barriers, instruments and consequences 
of change achieved by a certain policy proposal. Data for building such maps are acquired from 
the decision makers or from other sources including the WP4 Linked Open Data Search tools, 

WP5 

Social media Analysis tools, and documents such as: previous policy evaluation or impact 
assessment reports, related research literature and reports from research institutes and NGOs. 

To deal with the dynamic complexity inherent in social systems and to infer dynamic behaviour, 
quantitative simulation is required [8][9]. Therefore, and particularly in those situations where 
it is important to understand the interactions among the variables over time, the value added 
by  Causal/cognitive  maps  can  be  significantly  increased  if  they  are  complemented  with 
simulation modelling. 

Stefano  et  al.  (2014),  addressed  the  challenges  facing  the  model‐based  collaborative 
governance  and  the  policy  modelling  issues  in  practice.  As  it  was  revealed  by  the  results 
obtained  in two subsequent EU FP7 projects: the CROSSROAD project and the CROSSOVER 

                                                            
2 http://ec.europa.eu/smart‐regulation/impact/index_en.htm 

3 http://ec.europa.eu/smart‐regulation/impact/ia_carried_out/cia_2015_en.htm 

D6.2 Policy Modelling and Simulation Tool
 
 
 

10 | P a g e  
 

© Copyright 2015, Stockholm University, Department of Computer and Systems Sciences (DSV) 

project, the authors inferred that the Systems thinking and System Dynamics approach may 
prove  a  useful  dynamic  tool  for  next  generation  policy  making,  which  can  be  applied  in 
conjunction  with  other  modelling  techniques  to  produce  hybrid  models  for  public  policy 
analyses [10]. 

There  exist  several  software  packages4  for  processing  causal  data,  graphing  and  analysing 
causal  maps.  In  addition,  there  exist  software  packages5  for  quantitative  system  dynamics 
simulations, in a strict sense for system performance analysis and prediction. None of them, 
however, is dedicated to Policy analysis and decision support for policymaking. There is a lack 
of policy‐oriented modelling and simulation tools, whereas the existing econometric models 
are  unable  to  account  for  human  behaviour  and  unexpected  events  and  the  new  social 
simulations are fragmented, single‐purposed, suffer from lack of scalability to the macro level 
and require high level of technical competency by users.  

The opportunity we have here is to create a policy oriented tool that supports systems‐based 
modelling of public policy problem situations and simulation‐based impact assessment.  

In these contexts we believe that the design of a policy‐oriented modelling and simulation 
tool, as a main component of the Sense4us Policymaking DSS, should be based on: 

(i) ‘Systems approach’ to the study of public policymaking;  
(ii) User‐created policy scenarios;  
(iii) Graphical representation of complex problem situations using causal maps as 

both a knowledge representation technique and Systems analysis tool;  
(iv) Scenario Planning and Dynamic simulation modelling 

This allows for a problem definition that: (i) reflects the systemic nature of most of central 
policy areas, (e.g., Energy, Financial Systems, Innovation/Growth), for which a regulation/policy 
needs to be based on a view of the system as a whole; and (ii) provides a visual problem model 
that clearly communicates the policy makers’ thoughts and can bring together different policy 
actors.  The  main  rationale  is  to  support  a  flexible,  informative  and  a  more  rational  and 
structured policy making process identifying effective policies by gaining insight from analysis 
of the system. The argument behind the use of a graphical representation is simplifying and 
summarising the decision maker’s knowledge and information gathered from various online 
sources  about  a  social,  socioeconomic  or  sociotechnical  system  and  visually  simulates  the 
system behaviour and responses to interventions over time. Thus, the causal mapping graphical 
representation can be used as a contextual framework that highlights knowledge gaps, guides 
information  searching  and  models  the  search  results  from  various  online  and  other  work 
packages sources.  

The  current  technical  specifications  of  the  implemented  online  simulation  tool  is  given  in 
Appendix  I.  Specifications  will  be  updated  as  development  proceeds  and  are  published  at 

Google  Docs6  and  the  online  GUI  for  the  tool  is  reached  through  the  URL 
http://dev1.egovlab.eu:4001/.  

   

                                                            
4 For example, CMAP3 – Comparative and composite causal mapping (http://www2.uef.fi/fi/cmap3) and 
Decision Explorer (http://www.banxia.com/dexplore/index.html). 

5 For example, STELLA (http://www.iseesystems.com/). 

6 https://docs.google.com/document/d/1fBr‐pcJLioMccZzf3_VGGPyOnpLJg3c12gdfDbMquPo/edit#  

D6.2 Policy Modelling and Simulation Tool
 
 
 

11 | P a g e  
 

© Copyright 2015, Stockholm University, Department of Computer and Systems Sciences (DSV) 

1 Model 

Description 

This section describes our proposed policy‐oriented modelling and simulation approach, based 
on the ‘Causal mapping and situation formulation’ method, defined by Acar, W., (1983) as a 
stand‐alone method for problem structuring that ties in with dynamic systems simulation as 
well as the statistical concept of causality [11][12]. The approach defines modelling standards 
and a procedure for designing integrated, reusable and customizable models. The proposed 
tool allows users to build a systems model of the policy problem situation, which consists of 
three main components: Actors, Variables, and Change transmission channels (links).  

The user starts from a check‐list model of the policy problem, created by identifying the main 
issues, objectives, key players, relevant policy  instruments and direct and  indirect  impacts. 
These  elements  are  identified  by  categorizing  the  results  of  the  information  searching 
processes done by WP4 and WP5. The user then starts the model building process by adding 
and linking these elements to a graphical representation. In the resulting model, actors are 
coupled with their decision variables and sources of change are linked to their consequences. 
The  simulation  relies  on  defining  indicators  and  measures  for  the  different  variables  and 
obtaining accurate and enough data. 

1.1 Actors 

Actors are the governmental bodies  (organizations,  institutions, committees  or  individuals) 
involved in the decision‐making process whether executive or  legislative. In addition to the 
potential  interested  parties  and  stakeholders  including  governmental  administrations, 
businesses and citizens target groups. The actors can be classified as: 

 Official actors – including both:  
o legislative actors (Parliament committees, political parties) and  
o executive actors (Governmental bodies, departments and  institutions, chief 

Executive, staff/officials, agencies, bureaucrats and civil servants)] 

 Unofficial  actors:  [Interest  groups,  political  parties,  citizen  representative  bodies, 
NGOs, industry/trade Unions, think tanks, media].  
 

  

Executive actor icon 

 

Legislative actor icon 

 

Unofficial actor icon 

Table 1 : Simulator icons for actors 

1.2 Variables 

Variables are factors or events idealised as quantitative variables, or quantified using value 
scales, so that it is meaningful to talk about change in the form of increases or decreases in 
their levels. Variables represent abstract or concrete components of the system or the external 
environment that structure, constrain, guide, influence and indicate impacts of actions taken 
by actors. The scope of the model is defined by the involved actors and the variables of interest. 
The system analysis must consider the involved actors as coupled with either an abstract or 
concrete component. This way, the influence of the actor within and upon the system clearly 
reveals itself. An actor has control over his decision variables and interests in some outcome 
variables. 

D6.2 Policy Modelling and Simulation Tool
 
 
 

12 | P a g e  
 

© Copyright 2015, Stockholm University, Department of Computer and Systems Sciences (DSV) 

Independent variables (sources of change) 

Controllable (decision) variables: These variables are under control of one or more of the actors 
using  various  policy  instruments.  Scenarios  of  change  in  these  variables  represent  action 
alternatives  (policy  options).  These  variables  reflect  the  allocation  of  natural,  human  and 
capital  resources,  the  regulatory  role  of  the  government,  regional  and  international 
cooperation and are represented in our model by the following categories and sub‐categories 
of  policy  instruments  under  which  controllable  variables  are  defined.  Table  2  shows  these 
categories and the corresponding icons used for the graphing of the model. 

Table 2 : Simulator icons for policy instruments – controllable sources of change 

1. Economic Instruments:  
1.1 Financial instruments: 
1.1.1 Public expenditure, investment or funding 
1.1.2 Public ownership 
1.1.3 Subsidies   

1.2 Fiscal instruments: 
1.2.1 Taxes, Fees and User charges 
1.2.2 Incentives 
1.2.3 Loans / Loan guarantees   

 

1.3 Market instruments: 
1.3.1 Property rights 
1.3.2 Contracts 
1.3.3 Tradable permits / Certificate trading 
1.3.4 Insurance   
     

2. Regulatory Instruments: 
2.1 Norms and standards 
2.2 Control and enforcement 
2.3 Liability 

 

3. Informational Instruments: 
3.1 Public information centres 
3.2 Sustainability monitoring & reporting 
3.3 Public awareness campaigns 
3.4 Consumer advice services 
3.5 Advertising & Symbolic gestures 

 

4. Capacity‐building Instruments: 
4.1 Scientific research 
4.2 Technology and skills 
4.3 Training and employment 

 

5. Cooperation Instruments: 
5.1 Technology transfer 
5.2 Voluntary agreements 

 

D6.2 Policy Modelling and Simulation Tool
 
 
 

13 | P a g e  
 

© Copyright 2015, Stockholm University, Department of Computer and Systems Sciences (DSV) 

Uncontrollable variables: These variables are external factors and constraints not under control 
of any of the actors. Scenarios of change  in these variables represent the possible futures. 
Uncontrollable variables are classified in our model under the following categories in Table.3: 

1. Drivers and barriers 
The drivers and barriers of change, are either associated to the political 
context (e.g., the political ideology and strategic priorities of the 
government of the day, the preferences and demands of politicians) or 
the economic context (e.g., the availability of resources, the economic 
growth, the economic climate, current and future commitments). 

 

2. External environment’s disturbances and conditions  
The system representing the policy problem is surrounded by physical, 
biological, social, and psychological environments that the system 
needs to adapt to.  

3. Social, demographic and behavioural change 
e.g., Population growth, immigration, culture, attitudes and behaviours. 

Table 3 : Simulator icons for uncontrollable sources of change 

Dependent variables (impacts of change) 

Variables representing the consequences of change in the independent variables, are divided 
into direct impacts, associated with the sources of change, and indirect impacts, associated 
with the direct impacts. The actors’ goals are defined as quantified targeted changes in the 
impact variables of the  impact variables, resulting  in a goal vector defined for each of the 
involved actors. Table 4 shows the different categories of impact variables as related to one of 
the policy areas. 

 
Economy 

 
Finance 

 
Environment 

 
Community / Social 

 
Energy  Infrastructure  

 
Transportation 

 
Healthcare 

 
Education 

 
Technology 

 
Judiciary and Law 

 
National Security 

Table 4 : Simulator icons for policy impacts 

Following are impact variables examples to clarify each of the defined categories: 

 Economic impacts: 

D6.2 Policy Modelling and Simulation Tool
 
 
 

14 | P a g e  
 

© Copyright 2015, Stockholm University, Department of Computer and Systems Sciences (DSV) 

Industry and manufacturing activity – Investment rates – Retail sales – Building permits 
–  New  business  startups  –  Stock  market  indicators  –  Labour  market  indicators  – 
Consumer prices (inflation) – Changes in the Gross Domestic Product (GDP) – Income and 
wages – Imports and exports – Competition … etc. 

 Financial impacts: 
General government expenditure, fixed investment, revenue and output – Government 
deficit and debt – Net Social contributions – Interest rates – Saving rates – Taxes on 
production and imports – Taxes on income and wealth … etc.  

 Environmental impacts: 
Global  and  EU  temperatures  –  Greenhouse  Gases  (GHG)  emissions  –  Air  pollutants 
emissions  –  Ecological  footprints  –  Water  pollution  –  Soil  moisture  –  Hazardous 
substances in marine organisms – Waste generation and recycling … etc. 

 Community / Social impacts: 
Population & Demographics – Living conditions/Quality of life – Poverty – Immigration – 
Social inclusion – Pensions – Unemployment – Crime – Social protection … etc. 

 Energy‐related impacts: 
Final/Primary  energy  consumption  by  fuel/sector  –  Energy  efficiency  –  Share  of 
renewable energy – Electricity production/consumption … etc. 

 Infrastructure and services‐related impacts: 
Freshwater – Sanitation facilities – ICT, mobile cellular and Internet – Paved roads and 
Road networks – Public facilities – Economic and construction services – Rural areas 
development … etc. 

 Transportation‐related impacts: 
Traffic – Air transport, passenger transport and mobility – Motor vehicles – Rail lines, 
Freight transport – Price indices for transport … etc. 

 Health‐related impacts: 
Health status (Infant mortality, HIV/AIDS, road traffic  injuries) – Health determinants 
(Regular smokers, consumption/availability of healthy nutrition), Health interventions 
(health services,  Vaccination  of  children,  hospital  beds,  health  expenditure,  health 
promotion) … etc.   

 Education and training‐related impacts: 
Adult  participation  in  lifelong  learning  –  Low  achievers  in  basic  skills  –  Tertiary 
educational attainment – Early  leavers from education   – Early childhood education, 
Employment  rates  of  recent  graduates  –  Learning  mobility  in  higher  education, 
vocational education and training … etc. 

 Science, innovation and technology‐related impacts: 
Broadband access – Entrepreneurship –  Industry production –  ICT  investment/added 
value – Research and Development (R&D) investment/governmental researchers … etc. 

 Judiciary & Law / Legal impacts: 
Efficiency/independence of justice systems – Use of ICT for the judicial systems – Judges 
training on EU laws / laws of member states – Simplicity of EU regulatory environment… 
etc. 

 Security and defence‐related impacts: 
Cyber security and information assurance – Defence acquisition and industrial issues – 
Complex defence programmes ‐ Terrorism, security and resilience … etc. 

1.3 Change transmission channels 

Links or change transmission channels are cause‐effect relationships connecting the model 
variables, defined by:  

a) direction, from an upstream variable to a downstream variable;  

D6.2 Policy Modelling and Simulation Tool
 
 
 

15 | P a g e  
 

© Copyright 2015, Stockholm University, Department of Computer and Systems Sciences (DSV) 

b) sign (positive is changes in the same direction or negative if changes are in opposite 
directions); 

c) change  transfer  coefficient:  intensity  of  the  causal  relationship  in  terms  of  the 
proportionality  ratio  of  change  transfer,  how  much  change  is  transferred  to  the 
downstream variable in case of 1% change in the upstream variable;  

d) time  lag  (if  change  transmission  is  not  instantaneous)  expressed  as 
weeks/months/years; and  

e) minimum threshold for the change in the upstream variable (if applicable). 

Two types of change transmission channels:  
(i) full channel: a double arrow from an upstream variable X to a downstream variable Y, 

if X is sufficient to induce change in Y;  
(ii) half channel: a single arrow from an upstream variable X to a downstream variable Y, 

if X is necessary but not sufficient to induce change in variable Y. Half channels from a 
set of variables such as {U, V, W} to variable Z, need to be all activated before change 
can be transferred to Z.  

 
 
 
  

Figure 1 : Change transmission channels  

“Additivity” and “Transitivity” are two main characteristics of change transmission in the model 
that allows running scenarios of change on the causal map. Once initiated in one or more of 
the independent variables, change is transmitted throughout the network given the transfer 
ratio and time lag for each channel. For full channels the transmission is automatic, as soon as 
a variable incurs a change, the channels proceeding from it become activated and transmit to 
the downstream variables. The same applies for half channels as soon as all half channels 
converging to a node are activated.  

The model is constructed as a causal map or a causal semantic network, (a directed graph, in 
which variables are represented by nodes, interrelationships are represented by causal links). 

‐ Origins: nodes which have outgoing influences or causal links, but no incoming links;  
‐ Middle nodes: have both outgoing and incoming causal links;  
‐ End nodes: have incoming causal links and no outgoing links.  

Sources of change either controllable or uncontrollable are origins of the graph, for a middle 
node to be a source of change it has to be controllable and all links leading to it have to be time 
lagged.  

In highly connected situations, closed loops of cause–effect relationships may exist. Loops are 
mutual causal relationships because in a loop the influence of an element comes back to itself 
through other elements. Simulation of scenarios of change allows analysis of the loop effect 
over time. A feedback loop challenging the change back to its starting node has to be time 
lagged. The causal loops in the model structure are checked while saving the model with the 
time lags of 0 are not allowed.  This way, the change in this node at the beginning of a scenario 
will cause a second wave of change reaching at this node after the time lag; this change is in 
turn propagated again through the network.    

D6.2 Policy Modelling and Simulation Tool
 
 
 

16 | P a g e  
 

© Copyright 2015, Stockholm University, Department of Computer and Systems Sciences (DSV) 

2 Fundamental simulation concepts 

2.1 State of the system 

The  “status  quo  level  of  the  system”  or  the  baseline  scenario,  is  a  projection  of  the 
characteristics and behaviour of the system at the beginning of the analysis. It is used as a point 
of comparison.  

The model is expressed in terms of percentage change relative to the baseline scenario, thus 
the initial values of relative change for all variables in the system are set to zero, i.e. the initial 
state in terms of the relative change is the null vector (0, 0, …, 0). 

The simulation runs are based on discrete time points (T0, T1, T2, …, Tn), and the user is required 
to define a time step T, time period between two consecutive time points as a number of 
weeks, months or years; and maximum number of iterations (n) for the simulation.  

The state of the system at time Ti  is then defined as the values of all variables in the system at 
time point Ti of the simulation run, given a specific scenario of change.  

The desired state of the system is given by targeted changes in a set of impact variables of 
interest  to  the  decision‐maker,  represented  in  a  goal  vector.  Each  actor  has  a  goal  vector 
reflecting the targets of that actor. 

2.2 Scenarios of Change 

The long‐term implications of policy making imply the need to consider the range of possible 
futures, sometimes characterised by  large uncertainties. “Scenarios” are a main method of 
projection, trying to show more than one picture of the future. Scenario analysis is designed to 
improve decision‐making by allowing consideration of future conditions or outcomes and their 
implications.  

“The analysis of scenarios of change allows the design of strategies to take place in spite of the 
messiness of the situation” [13]. Scenario‐driven planning is a widely employed methodology 
that helps decision makers devise strategic alternatives and think about possible futures. It 
closes the gap between problem framing which depends on qualitative analysis and problem 
solving  which  depends  on  quantitative  analysis  by  blending  qualitative  and  quantitative 
analytics into a unified methodology [14].  

A  qualitative  analysis  of  the  causal  mapping  model  can  show  the  opportunities  for  policy 
interventions to achieve targeted increases or decreases in impact variables defined as policy 
objectives.  The  policy  options  represent  different  combined  and  controlled  changes  in  the 
system inputs to produce the targeted outcomes.  By quantifying these changes, scenarios of 
change can be defined as a combination of specified percentage changes occurring at a specific 
time point or at successive time points. Quantifying the policy goals in the form of a goal vector 
defined for each actor allows the analysis of these scenarios with respect to goal achievement. 
In  addition,  structural  analysis  of  the  causal  map,  can  support  scenario  analysis  (e.g., 
reachability analysis shows the ability of a scenario of change triggered at an  independent 
variable to achieve a particular goal if the goal variable is reachable from this variable).  

A “pure scenario” is a scenario of change in one particular independent variable, while a “mixed 
scenario” is a scenario of change in more one than one independent variable. We also need to 
differentiate between “alternative futures”, scenarios of change in uncontrollable independent 
variables caused by natural or external forces, and “alternative actions”, scenarios of change in 
controllable independent variables willed by actors.  

D6.2 Policy Modelling and Simulation Tool
 
 
 

17 | P a g e  
 

© Copyright 2015, Stockholm University, Department of Computer and Systems Sciences (DSV) 

The alternative futures reflect the concept of “uncertainty”: each possible future provides a 
projection of changes in uncontrollable sources of change, a probability is assigned to each of 
the possible futures. The alternative actions by actors reflect the different policy options, i.e., 
the  changes  of  controllable  sources  of  change  as  policy  instruments,  given  some  future 
circumstances. The user can define as many scenarios of change as needed, using combinations 
of alternative futures and courses of action by actors. A friendly user interface for scenario 
triggering is designed to allow creating scenarios. In this way, analysing the behaviour of the 
system  under  various  conditions  yields  a  much  deeper  understanding  of  the  problem  and 
supports the design of policy options.  

2.3 Goal feasibility and compatibility 

The design of policy options can be described in terms of planning of means and resources. The 
formulation and evaluation of policy options can be addressed by answering questions like:  

 What  variables  are  relevant  and  controlled  by  actors  of  the  problem  and  what 
constraints apply to them?  

 What variables are relevant but are not subject to control?  
 How do controlled and uncontrolled variables interact to produce an outcome?  
 What are the actions needed to generate a desirable state of the system or to block 

the occurrence of an undesired one?  

 What are the costs and benefits of these actions? 

Decision‐makers  at  senior  levels  of  government  operate  within  a  finite  set  of  available 
resources and timelines. Furthermore, there are inherent constraints that the decision‐maker 
needs  to  consider,  such  as  annual  cycles  for  strategic  planning,  budget,  and  legislation. 
Legislative  and  political  imperatives  add  to  the  complexity  of  government  policy  decision‐
making and the selection of policies. 

For an actor, the triggering of change in one the controllable variables imposes the expenditure 
of funds and resources.  If an actor has the required resources and/or funds available for a 
course  of  action  that  realizes  his  goals,  assuming  inactivity  of  other  actors  and  external 
environment, then his goal vector  is “internally feasible”. If the required resources are not 
available,  then  there  is  an  intrinsic  problem  of  consistency  between  the  actor’s  goals  and 
capabilities.  

When considering the moves of other actors and the changing external environment, if no pure 
or mixed scenario can be found to realize the actor’s goals, then his goal vector is said to be 
“infeasible”. If it was found as an “internally feasible” goal, then the actor has a problem to 
synchronize with the other actors. If a scenario could be found to realize the actor’s goals, then 
his goal vector is said to be “feasible”. If it was not found as an “internally feasible” goal, then 
the actor is benefiting from interacting with the whole system in turning potential problems 
and constraints into opportunities. 

The concept of compatibility is connected to the concept of feasibility. Components of a single 
goal vector, as well as goal vectors of different actors are called “compatible” if a scenario of 
changes can be found to realize them jointly. Goal compatibility is a graded concept; two goals 
that can be realised by the same pure scenario are more compatible than two goals requiring 
a mixture of pure scenarios. 

2.4 Tactics and Game theoretic analysis  

The competitive analysis aims at establishing counterplans at the earliest time, by anticipating 
the evolving circumstances and the competitors’ moves. This allows policy makers to shape 

D6.2 Policy Modelling and Simulation Tool
 
 
 

18 | P a g e  
 

© Copyright 2015, Stockholm University, Department of Computer and Systems Sciences (DSV) 

policies that takes into account their competitors’ likely responses when deciding on their own 
actions, by quantifying and estimating the utility each actor has in the alternative courses of 
action, while accounting for the possible alternative futures. 

A tactic is simply a sequence of changes triggered at controlled variables by an actor that would 
help realize his goal vector. A tactic is a course of action logically paired with an alternative 
future and what other actors might do. 

Simulation of the alternative futures would bring up the various vulnerabilities of the system. 
Then the design of policy options can take place based on the provided insight from analysis of 
different pure and mixed scenarios of change. Policy options can be viewed as a defensive tactic 
if the actions taken by actors are subsequent to the change in uncontrollable sources or it can 
be viewed as an offensive tactic if the actions precede the change in uncontrollable sources.  

A policy option can be either the combination of actions taken by the involved actors that may 
achieve the policy targets in a cooperative decision‐making (co‐decision legislative) situation; 
or the sequence of actions taken by the focal actor to preempt/counter natural, external forces 
and/or other competitors’ moves in a competitive decision‐making situation.  

The Game theoretic analyses are based on the idea of a ‘tactic’ as a sequence of moves to 
preempt or counter nature’s or other competitors’ moves. It then allows either to devise one 
tactic for the set of actors involved in a cooperative decision‐making situation which would 
yield optimal result in achieving the policy objectives; or to devise one tactic which would yield 
optimal results for the focal actor in a competitive decision‐making situation.  

The effectiveness of a tactic of an actor is a measure or at least an evaluation of the degree to 
which it helps him realize his goal. The efficiency of a tactic is a measure of the use of resources 
to realize the goals. Both the tactical  effectiveness and efficiency need to  be measured  in 
comparison to the competing tactics the actor might choose from and also in connection to the 
tactics and futures the actor aims at countering or preempting. 

The following steps are needed in order to be able to compare the alternative tactics by an 
actor to counter a scenario of change or to rank different actors in a given scenario of change 
according to effectiveness and efficiency of their tactics:  

1‐ Define a preference profile for each actor, in relation to policy impacts and goals: a ranking 
of the goal vector components to allow comparison of tactics based on realising the goals 
and a preferred change direction in each of the other impact variables to compare tactics 
based on their side effects in addition to policy targets7. 

2‐ The time steps required to achieve the targeted change in goal variables and the stability 
of outcomes can be used to assess tactical effectiveness. 

3‐ Define a cost function for changes triggered at the controlled sources of change for each 
actor. As a default, the cost function can be  in the form of a value scale for the cost 
associated to levels of change in each controlled decision variable, so that tactics can be 
ranked according to efficiency, (i.e. use of natural, human and capital resources).  

4‐ For each scenario of change, analysis of changes in goal variables can provide ranking of 
tactics of the different actors according to tactical effectiveness, while analysis of changes 
in controlled variables can provide ranking of tactics according to tactical efficiency. 

   

                                                            
7 For example, the goal vector (0, +20%, ‐15%, 0, +10%) corresponding to outcome or impact variables 
V1, V2, V3, V4, V5 respectively. Can be ranked as: V3, V2, V5, V4, V1 or can be given weights showing the 
relative importance of each goal component as (0, 0.3, 0.5, 0, 0.2) 

D6.2 Policy Modelling and Simulation Tool
 
 
 

19 | P a g e  
 

© Copyright 2015, Stockholm University, Department of Computer and Systems Sciences (DSV) 

3 Simulation Process 

3.1 Generating Scenarios 

The identification and creation of new alternatives is one of the most important aspects of any 
decision support. If the decision alternatives under consideration are weak, it will lead to a poor 
choice  [16].  Thus,  support  in  the  generation  of  feasible  options  is  important  for  policy 
formulation. 

The simulation is run upon the policy problem model (causal map), and the set of goal variables 
with their target values are used for impact appraisal, i.e., defining efficiency and effectiveness 
of  a  scenario  for  fulfilling  the  objectives.  Based  on  the  simulation  results  unsatisfactory 
scenarios are filtered out, while efficient and “interesting” scenarios are suggested as policy 
options for further evaluation.  

The simulation database stores the system state at each time step of the simulation run, for 
each specific scenario of change. An initially large sample of scenarios generated by, e.g., full 
factorial  design  or  Latin  hypercube  sampling,  can  be  a  starting  point  with  unsatisfactory 
scenarios (not realising the goal vector or being dominated) are filtered out, while scenarios 
deemed efficient (according to some predefined decision rule based upon resource constraints 
and goal compatibility) are suggested as policy options for further evaluation. 

3.2 Graph change analysis 

Graph change analysis allows us to investigate the dynamic consequences of entering a change 
in one of the graph origins, thus simulating the propagation of change throughout the causal 
map. The simulation tool should provide visualizations of the scenarios and a way of sorting 
them according to the impact assessments.  

The use of discrete time points and a maximum number of iterations for the calculation of 
change transfer and the system state, allows computation in case of successive lagged changes 
in sources of change and also makes it possible to trace the change transfer along causal loops 
without the need for calculating the limit behaviour of the loop. This solves the computational 
complexity problem of infinite causal loops. 

The main assumption for transmission of change is that “the percentage relative change in a 
downstream variable Y is a linear function of the percentage relative change in an upstream 
variable X”. There can be objections to the basic  linearity of the system, but for  long‐term 
planning it is important to keep the structure of the model simple. In addition, the definition of 
time lags, minimum thresholds quantifications of the change transmission channels besides the 
existence of the half channels add a meaningful dimension of nonlinearity to the model. 

Change  transfer  coefficients  are  dimensionless,  since  changes  in  the  model  variables  are 
expressed  in  terms  of  percentage  relative  changes  (relative  to  the  status‐quo  level  of  the 
variable). Assuming that dX/X represents the relative change in a variable X, then the relative 
change dY/Y in a downstream variable Y is given by Equation 2.1 for a full channel, where a is 
the real valued change transfer coefficient for the link XY. 

      (2.1) 

 
 

Figure 2 : single full channel example 

Y

Y
a

X

X d
=

d

D6.2 Policy Modelling and Simulation Tool
 
 
 

20 | P a g e  
 

© Copyright 2015, Stockholm University, Department of Computer and Systems Sciences (DSV) 

In the case of multiple channels such that change is transferred to variable Z from channels XZ 
and  YZ,  then  given  that  both  channels  are  activated  the  change  is  additive  according  to 
Equation 2.2.   

      (2.2) 

 

 
 
 
 
 
 

Figure 3 : multiple full channels example  

In the general case, given a set of activated channels {X1Z, X2Z, …, XnZ} going into Z, then  

      (2.3) 

For half channels, change transmission is sub‐additive. Consider the case of three half‐channels 
all of which have to be activated to allow change transfer to node Z. If  ,  ,   are the times 
at which upstream links  ,  ,   become activated and  ,  ,   are the time lags of these 
links; then times at which the signal to change reaches Z from each of the upstream nodes X, 
Y, W, are:  ,  ,   respectively. Change occurs at Z at the latest of the three 
times. [11] 

 

 
 
        
 
 

Figure 4 : multiple half channels example 

3.3 Data, forecasting and predictive validation 

There are historical methods of validation, including: Rationalism – logic deductions from the 
assumptions are used to develop a valid/correct model; Empiricism – every assumption and 
output is empirically tested; Positive economist – most important is the predictive ability of the 
model.  Based  on  these  three  historical  methods  of  validation,  Naylor  and  Finger  (1967) 
proposed a multistage process of validation consisting of [15]: 

‐ Developing  the  model  assumptions  based  on  theory,  observations  and  domain 
knowledge; 

‐ Validating assumptions, where possible, by empirically testing them; 
‐ Comparing  or  testing  the  input/output  relationships  of  the  model  against  the  real 

system.  

Predictive Validation:  

The model is used to predict (forecast) the system’s behaviour, and then comparisons are made 

between the system’s behaviour and the model’s forecast to determine if they are the same. 

Once validated by reproducing historical behaviour, the model allows understanding of the 

Y

Y
c

X

X
a

Z

Z ddd




n

i i

i
i

X
X
a
Z
Z

1

dd

D6.2 Policy Modelling and Simulation Tool
 
 
 

21 | P a g e  
 

© Copyright 2015, Stockholm University, Department of Computer and Systems Sciences (DSV) 

ultimate  policy  impacts,  detecting  problems  and  evidencing  the  emergence  of  initially 

unperceived risks, through its ability to infer what will be the likely outcomes of the alternative 

futures or actions taken by actors of the system. 

Simulation of validated models ensures long‐term thinking through simulating over long time 
periods  while  still  being  confident  on  the  outcomes.  The  scenario  analysis  should  be 
complemented by controlled experimentation based on statistical theory, (e.g., forecasting 
models and regression models).  

Appropriate, accurate and sufficient data are needed for: (i) building the conceptual model – 
developing  mathematical  and  logical  relationships  to  represent  the  problem  entity  for  the 
intended purpose of the model; (ii) validating the model; (iii) performing experiments on the 
validated model.  

The availability of historical time series, allows for validation of the model in order to assess 
the  correctness  of  the  modelling  assumptions,  before  assessing  the  consequences  of  the 
scenarios of change (policy impacts).   

Sensitivity analysis: 
Changing the values of the internal parameters of the model to determine the effect on the 
model’s  behaviour.  These  parameters  are  SENSITIVE,  can  cause  significant  changes  in  the 
model behaviour and should be made as accurate as possible before using the model. 

   

D6.2 Policy Modelling and Simulation Tool
 
 
 

22 | P a g e  
 

© Copyright 2015, Stockholm University, Department of Computer and Systems Sciences (DSV) 

4 Policy Analysis Model building Process 

We suggest a step‐wise procedure that enables the user to build a causal mapping simulation 
model for the policy problem at hand and allows to organize the storage and retrieval of the 
different policy issues, the resulting models, models’ components, data sets and simulation 
runs in the decision support system database. The cases of policy analysis on the sense4us 
platform  are  defined  as  ‘policy  problems’  and  several  impact  assessment  models  can  be 
defined for each policy problem.  

Each policy problem is described and classified using a friendly GUI that takes the form of a 
questionnaire and is considered as the dialogue subsystem of the DSS. The following steps show 
the process of defining a policy problem and building search queries to identify elements of the 
policy model from the various information sources. 
Note that: 
‐ The two main elements of the policy model of interest here are: 

1‐ Actors:  
      a) Official actors (executive – legislative) 
      b) Unofficial actors (Including interested parties and stakeholders) 
2‐ Variables: 
     a) Controllable independent variables (policy instruments) 
     b) Uncontrollable independent variables (external factors and constraints) 
     c) Dependent variables (policy impacts) 

‐ The Ultra Low Emission Vehicles (ULEV) Uptake policy problem (described in Appendix III) is 
also used as an illustrative example: 

Step 1. Define a policy problem 
A policy problem is defined using a title and an optional short text description by the user and 
is given an ID by the system.  
1‐ Policymaking level: (EU level, National level, Local level) 
2‐ Geographical area: (A set of EU countries – EU level; A country and a set of local regions – 
National level; A local region – Local level). 

 

Figure 5 : User interface for defining a new policy problem  

Step 2. Define scope of the policy analysis model 

The user sets the boundaries of the policy impact assessment, as a guideline for the modelling 
process and as an output to other tools in the Sense4us toolkit to guide the search processes. 
This includes defining the objective(s) of the policy analysis, the time aspect of the analysis and 
the related policy domain or governmental activity (the list here might vary according to the 

D6.2 Policy Modelling and Simulation Tool
 
 
 

23 | P a g e  
 

© Copyright 2015, Stockholm University, Department of Computer and Systems Sciences (DSV) 

policymaking  level).  The  aim  of  this  description  or  classification  is  to  facilitate  the  query 
processes to reuse model components from stored policy models, identify trends in groups of 
policy  problems  and  to  provide  inputs  to  the  Sense4us  toolset  to  guide  the  information 
searching process. 

 

Figure 6 : User interface for defining scope of the policy model  

Step 3. Building information search queries and processing of results 

There are several possibilities to be investigated through the implementation and development 
of the user interface on how to build information search queries and data exchange between 
the different work packages.  

 A basic search using keywords of the policy problem title. Here, the objective of this 
basic search is to help the user to identify: (i) the different ways of referring to the 
policy  problem  in  online  information  sources;  and  (ii)  the  main  issues  or  the  sub‐
problems, in order to make sure that the resulting information model is covering and 
connecting these main aspects of the policy problem. An example is shown in figure 7, 
from which we can notice that the Electric Cars policy problem  is mentioned using 
different terms in the information sources and can be divided into four sub‐problems 
using terms of the top results of the basic search. 

 Iterative information searches. In addition to the search queries built within the WP4 
and WP5 tools, the user interface of the modelling tool allows building search queries 
using keywords of the identified main issues, also allows building queries using single 
text items (concepts that qualify as model variables). For example, one concept to be 
searched for surroundings, two concepts to be searched for interlinking using the WP4 
LOD search tools or running Twitter searches using the WP5 tools. 

Also, concepts from the visualized search results in LOD surroundings map or the SentiCircles 
can be sent to the policy model when identified by the user as candidate model components. 
The information sources labelled in figure 7 are: 

 #Evidence:  evidence  online  sources,  experts’  and  scientific  knowledge  about  the 
problem either mental or written 

 #WP4: Linked open data search tools of WP4  
 #WP5: Public online policy discussions’ Topic labelling and Sentiments analysis tools of 

WP5 

D6.2 Policy Modelling and Simulation Tool
 
 
 

24 | P a g e  
 

© Copyright 2015, Stockholm University, Department of Computer and Systems Sciences (DSV) 
 

Figure 7 : Example for a basic search query using the policy problem title  

Different sets of keywords for the different categories of the policy model elements can also 
be used for building search queries or for processing of the results. The objective is to build an 
information model of the policy problem, listing the model components associated to the main 
issues and categorised as actors, external factors and constraints, policy instruments and policy 
impacts. The user interface also enables the user to select the areas of policy impacts of interest 
for the policy problem at hand as shown in figure 8. 

 

Figure 8 : User interface for selecting areas of policy impacts  

These sets of keywords are to be reviewed and updated through  learning from the search 
results  and  users’  inputs.  Note  that  the  keywords  are  considered  in  singular/plural 
noun/adjective forms, and in different languages, if needed. Tables 5 shows a set of suggested 
keywords for actors.  Keywords representing the different citizen target groups can also be 
added  (e.g.,  male/female,  infants/children/young  adults/adults/senior  citizens/  elderly/old 
aging, handicap/special needs).  

D6.2 Policy Modelling and Simulation Tool
 
 
 

25 | P a g e  
 

© Copyright 2015, Stockholm University, Department of Computer and Systems Sciences (DSV) 

O
ff
ic
ia

A
ct
o
rs
  Agency  Civil  Directorate  Legal/Legislative  Political 

Attorney  Commission  Executive  Member  Public 

Authority  Committee  Federal  Ministry  Secretary 

Board  Council  General  Office   Section 

Bureau  Department  Govern  Parliament  State 

Cabinet  Deputy  Institute  Party  Unit 
 

U
n
o
ff
ic
ia

A
ct
o
rs
 

Association  Employee  Group  Organisation  Trade 

Business  Exporter  Importer  Producer  Trust 

Citizen  Federation  Industry  Professional  Union 

Community  Foundation  Manufacturer  Research  University 

Company  Development  Partner  Society  User 

Consumer  Donor  Private  System  Worker 

Table 5 : Keywords for actors 

Similarly, Table 6 shows a set of keywords for the different policy instruments used for the 

controllable sources of change.  

Economic policy instruments: 

Financial  ownership  procurement  expenditure  fund  subsidies 

Fiscal  incentives  tax  fee  charge  loan 

Market  rights  contract  permit  insurance  property 

Regulatory policy instruments: 

access  conformity  equity  norm  regulation    

compliance  control  law  pricing  restriction   

compulsory  enforce  Liability  protection  standard   

Informational policy instruments: 

advertise  campaign  awareness  knowledge  promote   

advice   Information   gestures  Pilots  symbols   

Capacity‐building policy instruments: 

capacity  research  train       

develop  skill  innovation       

Cooperation policy instruments: 

Agreement  Technology transfer  Treaty     

External factors and constraints: 

Attitude  Economic growth  behaviour  Objective    

Context  Population growth  demographic  Resource availability  

Commitment  External environment  International  Global   

Table 6 : Keywords for sources of change 

Examples for sources of keywords and terms in relation to EU policy domains:  

(1) Thematic glossaries on the European commission website: 
http://ec.europa.eu/eurostat/statistics‐explained/index.php/Thematic_glossaries 
(2) IATE ‐ The EU’s multilingual term base:   
http://iate.europa.eu/SearchByQueryLoad.do?method=load 

(3) Glossary of financial terms: 
 http://www.afme.eu/Glossary‐of‐financial‐terms.aspx 

 

D6.2 Policy Modelling and Simulation Tool
 
 
 

26 | P a g e  
 

© Copyright 2015, Stockholm University, Department of Computer and Systems Sciences (DSV) 

Step 4: Data exchange with other work packages 

The information search results are sent via an API to the policy modelling and simulation tool. 

The  concepts  categorized  as  different  model  elements  and  associated  to  the  main  issues, 

constitute an information model of the policy problem that can be used as a basis to build a 

mental model (causal map) of the policy problem.  

For the purpose of the data exchange protocol, we have defined codes for the 20 categories of 

the model elements (as shown in table 7). 

1  Official actor  11 Energy‐related impact 

2  Unofficial actor  12 Environment‐related impact 

3  Economic policy instrument  13 Social impact 

4  Regulatory policy instrument  14 Infrastructure‐related impact 

5  Informational policy instrument  15 Transport‐related impact 

6  Capacity‐building instrument  16 Health‐related impact 

7  Cooperation instrument  17 Education‐related impact 

8  External factors & constraints  18  Technology‐related impact 

9  Economic impact  19 Judicial / Legal impact 

10  Financial impact  20 Security & Defense‐related impact 

Table 7 : Coded categories of model elements 

In addition, codes for the main issues need to be defined. For the ULEV use case, for example, 

the main  issues are coded as: 1‐ Support; 2‐ Infrastructure; 3‐ Technologies; 4‐ Awareness. 

Table 8 shows examples for some information search results with the corresponding codes. 

Text item  Category Main issue 

“Department for Transport”  1‐ Official actor

“Plug‐in Car Tax treatments”  3‐ Economic instrument 1‐ Support 

“Funding for charging infrastructure” 3‐ Economic instrument 2‐ 

Infrastructure 

“Regulating  access  to  chargepoints 

across UK” 

4‐ Regulatory instrument 2‐ Infrastructure 

“Investment in R&D” 6‐ Capacity building instrument 3‐ Technologies 

“Promote  public  understanding  of 

availability of support” 

5‐ Informational instrument 4‐ Awareness 

“Governmental spending ‐ Transport” 10‐ Financial impact 1‐ Support 

“Number  of  publicly  available 

chargepoints” 

14‐Infrastructure‐related impact 2‐ Infrastructure 

“ULEV  battery  capacity”/  “charging 

time” 

15‐ Technology‐related impact 4‐ Technologies 

Table 8 : Examples for the categorised search results 

The exchange of data is done using json files format. An example that shows the structure of 

the json file is shown below: 


    problemTitle: “Ultra low emission vehicles (ULEV) uptake”, 
    problemId:    “UK‐N‐T‐005‐2014”, 
    userId:          150, 
    textItems: [ 
        { 
            category:   3, 
            mainIssue: 1, 

D6.2 Policy Modelling and Simulation Tool
 
 
 

27 | P a g e  
 

© Copyright 2015, Stockholm University, Department of Computer and Systems Sciences (DSV) 

            text:          ” Plug‐in Car Tax treatments ”
        }, 
        { 
            category:   1, 
            text:          “Department for Transport” 
        } 
        { 
            category:   3, 
            mainIssue: 2, 
            text:          ” Funding for charging infrastructure ” 
        }, 
        { 
            category:   5, 
            mainIssue: 4, 
            text:          ” Promote public understanding of availability of support ” 
        }, 
        { 
            category:   10, 
            mainIssue: 1, 
            text:          ” Governmental spending ‐ Transport ” 
        }, 
        { 
            category:   14, 
            mainIssue: 2, 
            text:          ” Number of publicly available chargepoints ” 
        } 
    ] 

Here we have four properties of the root object: ‘problemTitle’ is a string, ‘problemId’ is a string, ‘userId’ 
is a number,  ‘textItems’  is an array consists of: ‘category’ (number),  ‘mainIssue’ (number) and ‘text’ 
(string). 
A null category means that the text item is not categorized, i.e., none of the filtering keywords exist to 
put it in one of the categories. 
A null mainIssue means that the item is not associated to a specific main issue. 

Step 5: Iconic representation of the model elements. 

In this step, the user can select elements from the information model, imports elements to the 
graphing canvas where an icon is assigned to each elements. Figure 9 shows the information 
model that appears as an expand/collapse tree on the right panel and the toolbar on the left 
panels for the different categories of the model elements on the simulation tool interface in 
the model building mode.  

   

D6.2 Policy Modelling and Simulation Tool
 
 
 

28 | P a g e  
 

© Copyright 2015, Stockholm University, Department of Computer and Systems Sciences (DSV) 
 

Figure 9 : Import concepts to the causal map graphing canvas   

D6.2 Policy Modelling and Simulation Tool
 
 
 

29 | P a g e  
 

© Copyright 2015, Stockholm University, Department of Computer and Systems Sciences (DSV) 

Step 6. Define actors’ powers and goals 
For each actor of the model, define the actor’s controlled sources of change, goal vectors and 
preferences of goals realization (i.e., ranking of the goal vector components). In addition, for 
each impact variable a preference of the change direction, which can be “increase”, “decrease”, 
or “no change”). 

 

Figure 10 : User interface for defining actors’ powers and goals  

Step 7. Define indicators and measures for model variables and links to time series 
This step involves the definition of how to measure the concepts and decide which indicators 
should  be  used.  The  indicators  should  be  relevant  to  the  scope,  easy  to  track  over  time, 
measurable  through  quantitative  metrics  or  value  scales.  Open  governmental  data  portals 
provide statistical data and indicators for the different policy domains. 

 

Figure 11 : User interface for defining measures and mapping time series to them   

The user can be supported with the key indicators related to the different policy domains to be 

used for simulation. There exist a set of indicators and measures for which numerical data sets 

and time‐series are available on open data portals, For example:  

(1) EuroStat – European Commission Statistics:  

http://ec.europa.eu/eurostat/data/browse‐statistics‐by‐theme 

http://ec.europa.eu/eurostat/web/sdi/indicators 

http://ec.europa.eu/health/indicators/echi/index_en.htm 

(2) Data catalogue of the organisation for economic cooperation and development (OECD): 

https://data.oecd.org/ 

(3) World Bank data catalog:     http://data.worldbank.org/ 

(4) European Environment Agency:      http://www.eea.europa.eu/themes 

Step 9. Define the causal links and interrelationships: 

Using the tool, the user can connect the nodes using two types of the causal links or change 

transmission channels, described in section 1.3.  

D6.2 Policy Modelling and Simulation Tool
 
 
 

30 | P a g e  
 

© Copyright 2015, Stockholm University, Department of Computer and Systems Sciences (DSV) 

Step 10. Edit nodes’ and links’ properties 

Add a description of each variable, the status‐quo level and measurement unit of the 
selected  indicator.  For  the  sources  of  change,  define  the  maximum  and  minimum 
possible values and steps for change to allow for automatic scenario generation. Define 
quantifications of the causal links and verify them through statistical analysis of the 
data sets for indicators. In case of unavailability of statistical data, the quantification 
can be done based on available expertise or scientific evidence. 

 
 

Figure 12 : Edit node and link properties  

Step 11. Define and simulate a scenario of change 

Switch to the simulation mode of the tool, define a scenario of change, the time step and max 
number of iterations and simulate this scenario as in figure 13.  

 

Figure 13 : User interface for defining a scenario of changes and the scenario simulation as viewed on 
the causal mapping canvas  

   

D6.2 Policy Modelling and Simulation Tool
 
 
 

31 | P a g e  
 

© Copyright 2015, Stockholm University, Department of Computer and Systems Sciences (DSV) 

Generate and run different scenarios of change to design and simulate policy options. Start 

with  the  “Reference  scenario”,  (Do‐nothing  option–  no  policy  intervention  takes  places), 

followed by a set of pure scenarios then mixed scenarios for each actor and finally simulate 

combinations of the courses of actions by multiple actors “policy options”.  

Results for each simulation run are visualized using simple charts and stored in the database 
for further analysis (impact assessment of policy options).  
A toy example of a quantified simulation model with results for few time steps is shown in 

figure 14. 

Figure 14 : Causal mapping model example  

   
 

T
im

e
 s
te
p

T
 =
 6
 m

o
n
th
s,
 m

a
x

n
u
m
b
e

o

it
e
ra
ti
o
n

=
 1
0

(e
.g
.,
 T
4
 m

e
a
n

a
ft
e

2
4
 m

o
n
th
s)
 

D6.2 Policy Modelling and Simulation Tool
 
 
 

32 | P a g e  
 

© Copyright 2015, Stockholm University, Department of Computer and Systems Sciences (DSV) 

Below is a description of the model components of the toy example: 

(i) two controllable sources of change: (A) is controlled by an executive actor (Actor1) through 
a financial policy instrument and (E) is controlled by a legislative actor through a regulatory 
policy instrument; 

(ii) an uncontrollable source of change (G) that represent an external barrier or a driving force 
for change; 

(iii) direct impact variables: (B) financial impact, (D) environmental impact, (F) energy‐related 
impact, (J) environmental impact and (H) technology‐related impact; 

(iv) indirect impact variables: (C) economic impact, (K) healthcare‐related impact, (P) economic 
impact, (Q) social impact and (L) economic impact; 

‐ In sum, the model has 13 nodes: 3 origins A, E and G; 7 middle nodes and 3 end nodes P, 
Q and L; and 17 change transmission channels all are full channels, except for CK and JK 
are half channels. 

‐ The defined time step T=6 months, the maximum number of iterations is 10. Starting point 
of the analysis is T0=0 and ending at T10= 60 months (5 years). 

‐ The example shows a scenario of changes composed of: a possible future (lagged changes 
in the uncontrollable source G) and a policy option (actions taken by actors, an increase 
10% in E at T0 and consecutive lagged increases in A: 7.5% at T0, 7.5% at T2=12 months and 
10% at T4= 24 months). 

‐ The model contains a causal loop BD‐DJ‐JB 
‐ Goal vector corresponding to outcome variables P, Q and L respectively: for actor1 (+20%, 

+10%, 0) and for actor2 (0, +15%, +10%). 

 

D6.2 Policy Modelling and Simulation Tool
 
 
 

33 | P a g e  
 

© Copyright 2015, Stockholm University, Department of Computer and Systems Sciences (DSV) 

5 Conclusion 

The main contribution of this design research study is defining standards and a procedure for 
policy  modelling  and  simulation  based  on  the  information  gathered  from  various  online 
sources,  including Linked open data search results from WP4 and evidence extracted from 
online public political discussions by WP5. In order to create customisable and reusable models, 
the approach  introduces standardised categories and subcategories of the model elements 
(e.g., executive actors, policy instruments, external factors, policy impacts … ), to be defined in 
relation to a definite set of the main issues or sub‐problems identified by the user through the 
modelling process. It also introduces a procedure for defining indicators and measures and 
quantifying the change transfer throughout the model. 

A prototype for the policy‐oriented modelling and simulation tool presented in this report, has 
been implemented in a Node.js environment and is accessible both from a web‐based graphical 
user interface as well as a hosted API. The prototype provides a fully computerised object‐
oriented implementation of the model building, scenario triggering, scenario simulation and 
game theoretic computations.  

The  modelling  approach  is  based  on  “Acar’s  Causal  mapping  and  situation  formulation 
method”, with the following modifications and enhancements: First, defining the causal links 
based on causal inferences extracted from verbal description of the problem and quantifying 
change transfer using time‐series from trusted data sources, instead of merely estimations by 
the decision‐maker. Thus,  it results  in a mathematical model that  identifies  influences and 
trends building on reliable historical data to produce forecasts. Second, linking to game theory 
concepts to perform competitive analysis for the involved actors. Third, creating scenarios of 
change in terms alternative futures and alternative courses of action (policy options), instead 
of  defining  individual  scenarios  by  the  decision  maker.  Finally,  the  discretization  of  the 
simulation runs over time and defining a maximum number of  iterations allows analysis of 
successive waves of changes entered at the sources of change and allows computations of 
causal loops with no need to calculate their limit behaviour. 

The simplicity of the proposed policy modelling approach allows engagement of a wide range 
of policymakers and stakeholders in a unified method in which barriers, constraints, dilemmas, 
assumptions,  dependencies,  delays,  goals,  reference,  future  and  planned  scenarios  are 
described and analysed.  

Being  both  intuitive  and  analytical,  it  allows  the  planners  to  monitor  the  changes  to  their 
system and its environment and analysing their implications, in order to understand the cost 
of action and inaction, and reach satisfactory and optimal tactics and strategies in each specific 
situation. For instance, this might be helpful in investigating the technological extrapolation 
scenarios in which there is no agreement.  

Enhancements and Future work 
‐ Integration of text analysis algorithms for causal inference extraction from textual data 

using Natural Language Processing.  
‐ Integration to Multi‐criteria decision analysis (MCDA) models ‐ building criteria models 

and data formats for  policy appraisal  based on the problem  model and simulation 
results. (D6.3) 

‐ Consideration of more complex forms of the cause‐effect relationships (influences or 
causal  links),  including:  time‐/  value‐  dependent  change  transfer  coefficients  or 
differential equations.  

D6.2 Policy Modelling and Simulation Tool
 
 
 

34 | P a g e  
 

© Copyright 2015, Stockholm University, Department of Computer and Systems Sciences (DSV) 

‐ The simulation as a serious game. Adding the formal structural elements of games — 
e.g., fun, play, rules, a goal, winning, challenges, competition, in addition to the feature 
of processing or debriefing using artificial intelligence techniques. 

D6.2 Policy Modelling and Simulation Tool
 
 
 

35 | P a g e  
 

© Copyright 2015, Stockholm University, Department of Computer and Systems Sciences (DSV) 

6 References 

[1] Mitchell  B.  (2009).  Policy‐making  process.  Available:  (retrieved  on  10/03/2015) 
http://www.waterencyclopedia.com/Oc‐Po/Policy‐Making‐Process.html 

[2] Davies  PT  (2004),  “Is  evidence‐based  government  possible?”  Jerry  Lee  lecture.  4th 
Annual Campbell Collaboration Colloquium Washington D.C.  

[3] Koliba  C.,  Zia  A.,  (2011),  Theory  Testing  Using  Complex  Systems  Modelling  in  Public 
Administration and Policy Studies: Challenges and Opportunities for a Meta‐Theoretical 
Research Program, Proceedings of the 2011 Public Management Research Conference, 
Maxwell School of citizenship and public affairs at Syracuse University. 

[4] Wacław  B.,  (2014),  Regulation  Impact  Assessment  (RIA)  at  Poland  and  at  Some  EU 
Countries.  Procedia  ‐  Social  and  Behavioral  Sciences  Volume  109,  Pages  45–50.  2nd 
World Conference on Business, Economics and Management. 

[5] Easton, D. (1965). A systems analysis of political life. New York: John‐ Wiley & Sons. 
[6] Rouse, W.B & N.M. Morris (1986): On Looking Into the Black Box: Prospects and Limits 

in the Search for Mental Models. Psychological Bulletin, Vol. 100, No.3, 349363 
[7] Wang M. and Laukkanen M., (2015), Comparative Causal mapping: The CMAP3 method. 

Ashgate Publishing, Ltd.. 
[8] Senge  P.M.  (1990).  The  Fifth  Discipline:  The  Art  and  Practice  of  the  Learning 

Organization. New York: Doubleday Currency. 
[9] Sterman J. D. (2000). Business Dynamics: Systems Thinking and Modelling for a Complex 

World. Irwin/McGraw‐Hill: Boston.  
[10] Stefano A., Camello C., Riccardo O. & Pietro S. A., (2014): Policy Modelling as a new area 

for  research:  perspectives  for  a  Systems  Thinking  and  System  Dynamics  approach? 
Proceedings of the Business systems Laboratory 2nd International Symposium. 

[11] Acar W., (1983). Toward a Theory of Problem Formulation and the Planning of Change: 
Causal Mapping and Dialectical Debate in Situation Formulation. Ann Arbor, Michigan: 
U.M.I. 

[12] Acar, W. and Druckenmiller, D. (2006). Endowing cognitive mapping with computational 
properties for strategic analysis, Futures 38:993‐1009. 

[13] Schoemaker, P. J. H. (2002). Profiting From Uncertainty: Strategies for Succeeding No 
Matter What the Future Brings. New York: Free Press. 

[14] Georgantzas, N. C. and W. Acar (1995). Scenario‐Driven Planning: Learning to Manage 
Strategic Uncertainty. Westport Connecticut: Quorum Books. 

[15] Naylor,  T.  H.  and  J.  M.  Finger.  1967.  Verification  of  computer  simulation  models. 
Management Science 14 (2): B92‐B101. 

[16] Brown R. (2005). Rational Choice and Judgment: Decision Analysis for the Decider. New 
York: Wiley. 

 
 

D6.2 Policy Modelling and Simulation Tool
 
 
 

36 | P a g e  
 

© Copyright 2015, Stockholm University, Department of Computer and Systems Sciences (DSV) 

APPENDIX I – Computation Algorithm  

Below we provide the computation algorithm for the simulation runs in pseudo code. 

Modelling mode:
Results in a stored model of the policy problem with data for the
different categorised components
Actors: Actor 1, … , Actor P
Variables: V1, … , Vm

Number of nodes m
Number of Uncontrollable origins m1
Number of Controllable origins m2
Number of Dependent variables m3 = m – m1 – m2

Links: L (a,b), a~=b and a,b = 1, …, m (array of records, each
record contain link parameters)
Define Actors’ powers and targets
The controlled variables by each actor
The targeted changes in outcome variables for each actor

Simulation mode:
Input time step T
Input max number of iterations n
Define a scenario of change:
// Alternative future: AF1
For uncontrollable variables k: 1-> m1
Define change instances: time point Ti and amount of
change relative to baseline
// Policy option: PO1 (combination of actions by multiple
actors)
For controllable variables k: 1 -> m2
Define change instances: time point Ti and amount of
change relative to baseline
Scenario Triggering and scenario simulation
For i = 0 to n // loop1
// Insert records into the simulation_runs table under the key
AF1, PO1 and Ti
For j = 1 to m // loop2

If variable Vj is a source of change
Planned change = change instance for sources of change
variables defined in AF1 or PO1
End if
For each incoming link L(*,j)
If link L(a,j) is not time lagged
Transmitted change = transmitted change instance defined
for variable Vj at Ti
End if
If link L(a,j) is time lagged
Delayed change = delayed change instances defined for
variable Vj at Ti
End if
Net change = Planned change + transferred changed + delayed
change
For each outgoing link L(j,*)

D6.2 Policy Modelling and Simulation Tool
 
 
 

37 | P a g e  
 

© Copyright 2015, Stockholm University, Department of Computer and Systems Sciences (DSV) 

If link L(j,b) is not time lagged
Define a transmitted change instance for variable Vb at
Ti (Net change * change transfer coefficient of the link)
End if
If link L(j,b) is time lagged
Define a delayed change instance for variable Vb at
Ti+lag (Net change * change transfer coefficient of the
link)
End if

End loop 2
End loop1
// Repeat for different combinations of alternative futures and
policy options
// Use the simulation runs table for further analysis

// For each scenario of change, rank actors according to tactical
efficiency and tactical effectiveness. Rank tactics of an actor
according to tactical efficiency and effectiveness for the
implemented scenarios of change.
 

D6.2 Policy Modelling and Simulation Tool
 
 
 

38 | P a g e  
 

© Copyright 2015, Stockholm University, Department of Computer and Systems Sciences (DSV) 

APPENDIX II – TECHNICAL SPECIFICATIONS  

Infrastructure 

The implementation of the simulation tool is split up between two servers. One pushing the 
front‐end to a client, and the second one calculating and storing simulation calculations. In this 
way  we  separate  cycle  eating  tasks  from  the  user’s  client.  Since  the  server  is  doing  the 
calculations, we already have access to networks or similar structures and are able to save 
relevant data as we see fit. The front‐end client running in any modern browser will fetch and 
push  information  to  the  back‐end  server,  e.g.,  loading  networks,  saving  networks,  and 
simulating change. This is done through AJAX calls. Both servers work, right now, without any 
kind of authentications. This means anyone, with enough wit, could gain access to extra tools 
to deny services. Although, it’s probably better as the denier to abuse NTP servers or something 
similar. Don’t host and advertise this tool publicly. If you do, implement user management. 
These repositories are meant as a proof of concept. 

Front‐end server 

Language/s 

Javascript  running  through  Node.js  in  the  back‐end.  Javascript  running  through  clients’ 
browsers. CSS3/HTML 

Libraries (as seen in package.json) 

/* External */ 
body‐parser 
cookie‐parser 
connect 
ejs 
ejs‐locals 
express 
iconv‐lite 
browserify 
immutable 
uglify‐js 
watchify 
 

/* Developed in‐house */ 
rh_config‐parser 
rh_cookie‐cutter 
rh_fe 
rh_fe‐controller 
rh_logger 
rh_router 

Description 

This server exposes all the public javascript relevant to the front‐end. It is running behind an 
MVC framework because it makes it easier to organize and split up entry‐points for pre‐loading 
models etc. The client is based on a framework called Immutable which encourages ‘data‐in, 

D6.2 Policy Modelling and Simulation Tool
 
 
 

39 | P a g e  
 

© Copyright 2015, Stockholm University, Department of Computer and Systems Sciences (DSV) 

data‐out’. Almost all of the interface is generated from settings‐files. The core of the client is 
within main.js which initializes the environment. 

Back‐end server 

Language/s 
Javascript running through 

Node.js 

Libraries (as seen in package.json) 
/* External */ 
body‐parser 
connect 
cookie‐parser 
debug 
ejs 
ejs‐locals 
express 
iconv‐lite 
pg‐sync 
 
/* Developed in‐house */ 
rh_config‐parser 
rh_cookie‐cutter 
rh_database‐layer 
rh_fe 
rh_fe‐controller 
rh_logger 
rh_model 
rh_model‐layer 
rh_router 
rh_user‐manager (implemented, but not authorizing) 

Description 
The aspect of this server is just to expose an API without any kind of coupling. The reference 
sheet may be found under Resources below. Right now the biggest part of this server is to save 
and load data, and simulate changes in a network.The API’s entry‐points is exposed using MVC 
design. All calls are REST based, and will comply to those standards. GET requests will recieve 
data, POST will save data, PUT/PATCH will update data, and DELETE will remove data. The 
structure of the requests and responses is available in the reference sheet. 

Resources 

Node.js 

https://nodejs.org/ 
Immutable.js 

http://facebook.github.io/immutable‐js 
Front‐end repository 

https://github.com/eGovlab/sense4us‐simulation 
Back‐end repository 

https://github.com/Rhineheart/sense4us‐simulation‐server 
Back‐end API reference sheet 

https://docs.google.com/document/d/1HtlTy9CVvz7yrX5IGCr8ITfIKfl0H‐XtbZ7c‐
SolNFI/edit?usp=sharing 

D6.2 Policy Modelling and Simulation Tool
 
 
 

40 | P a g e  
 

© Copyright 2015, Stockholm University, Department of Computer and Systems Sciences (DSV) 

APPENDIX III – Policy use cases 

Use case 1  – Ultra Low Emission Vehicles (ULEVs) 

Source:  

(Online) House of Commons, Transport Committee, (2012),‘Plug‐in vehicles, plugged in 
policy?’, Fourth Report of Session 2012–13, available on:  
http://www.parliament.uk/documents/commons‐committees/transport/Plug‐
in%20vehicles%20239       (Accessed 1/7/2015) 

Description:  

Policy aim:  

The UK Government wants to increase take up of Ultra Low Emission Vehicles (ULEVs) 
throughout the UK, as part of its wider plans for reducing greenhouse gas emissions. 

Policy context: 

The  Climate  Change  Act  established  a  legally  binding  target  to  reduce  the  UK’s 
greenhouse gas emissions to at least 80% below base year (1990) levels by 2050. 

The Government has stated that, by 2050, domestic transport will need to substantially 
reduce its emissions. 

Part  of  the  UK  Government’s  “vision”  for  reducing  emissions  is  ultra‐low  emission 
vehicles (ULEVs) including fully electric, plug‐in hybrid, and fuel cell powered cars. Its 
report on delivering a low carbon future states: 

“Over the next decade, average emissions of new cars are set to fall by around a third, 
primarily  through  more  efficient  combustion  engines.  Sustainable  biofuels  will  also 
deliver substantial emissions reductions. As deeper cuts are required, vehicles will run 
on ultra‐low emission technologies such as electric batteries, hydrogen fuel cells and 
plug‐in hybrid technology. These vehicles could also help to deliver wider environmental 
benefits, including improved local air quality and reduced traffic noise”. 

The  Government’s  policies  in  this  area  include:  (i)  pressing  for  strong  EU  vehicle 
emissions  standards  for  2020  and  beyond  in  order  to  deliver  improvements 
in conventional vehicle efficiency and give certainty about future markets for ultra‐low 
emission  vehicles;  (ii)  providing  around  £300  million  in  the  2010‐15  Parliament  for 
consumer incentives, worth up to £5,000 per car, and further support for the research, 
development and demonstration of new technologies; and (iii) providing a £560 million 
Local  Sustainable  Transport  Fund  over  the  lifetime  of  the  2010‐15  Parliament,  to 
support people to make lower carbon travel choices, such as walking, cycling or public 
transport. 

 
 

D6.2 Policy Modelling and Simulation Tool
 
 
 

41 | P a g e  
 

© Copyright 2015, Stockholm University, Department of Computer and Systems Sciences (DSV) 

Use case 2 – Proposal for a Regulation of the European Parliament and the Council of 
EU on: “Personal protective equipment” (PPE8) 

Source:  

 (Online) European commission (EC), (2014)  Impact Assessment report,  Industry and 
Entrepreneurship, ‘Regulation on personal protective equipment’, available on: 
http://ec.europa.eu/smart‐regulation/impact/ia_carried_out/cia_2014_en.htm#entr 
(Accessed 1/7/2015) 

Description:  

Volume of the EU market:  

€ 5.9 billion, almost 30% of the global market; At least 4000 Companies; 43% of the 
total EU manufacturing workforce. 
Top Manufacturers: Italy, Germany, France, UK,  (50% of EU production) 
Users:  30%  private  individuals  and  70%  Enterprises  (manufacturing,  construction, 
mining, healthcare, agriculture and public services) 
The problem has a regulatory nature – regulation failure of the PPE Directive: 

‐ Products on the market that don’t ensure an adequate level of protection 
‐ Market surveillance and risks related to PPE types not covered by the directive 
‐ Divergent approaches of the notified bodies. 

General Objectives: 
‐ High level of health and safety protection for PPE users. 
‐ Free movement of PPE and a fair playing field for PPE economic operators. 
‐ Simplify the EU regulatory environment related to the field of PPE. 

Actors:  
A co‐decision legislative procedure, involving the following directorate general of the 
European commission: 

‐ DG‐ENTR: Enterprise and Industry 
‐ DG‐SG: Secretariat‐General 
‐ DG‐SJ: Justice and Consumers (JUST) 
‐ DG‐EMPL: Employment, Social Affairs and Inclusion 
‐ DG‐SANCO: Health and Food Safety 

Interested Parties and Stakeholders: 
‐ Member states 
‐ Notified Bodies and representatives from standardisation organisations. 
‐ Market surveillance authorities 
‐ PPE manufacturers federations and trade associations 

                                                            
8 PPE: Any device or appliance designed to be worn or held by an individual for protection against one 
or more health and safety hazards. 

Examples  of  PPE  are  safety  helmets,  ear  muffs,  safety  shoes,  life  jackets  but  also  bicycle  helmets, 
sunglasses and high‐visibility vests. Certain types of PPE are excluded from the scope of the PPE Directive, 
namely PPE specifically designed and manufactured for use by armed forces or in the maintenance of 
law and order, PPE for self‐defence, PPE designed and manufactured for private use against atmospheric 
conditions, damp, water and heat, PPE intended for the protection or rescue of persons on vessels or 
aircraft, not worn all the time and helmets and visors intended for users of two‐ or three‐wheeled motor 
vehicles. 

D6.2 Policy Modelling and Simulation Tool
 
 
 

42 | P a g e  
 

© Copyright 2015, Stockholm University, Department of Computer and Systems Sciences (DSV) 

‐ PPE employees / workers 
‐ PPE users / consumers 

Consistency with other policies and objectives: This initiative is in line with: 
‐ The Council Directive on the minimum health and safety requirements for the 

use by workers of personal protective equipment at the workplace 
‐ Commission’s policy on the Single Market 
‐ EC’s  policy  on  better  regulation  and  simplification  of  the  regulatory 

environment. 
The  New  Legislative  Framework  (NLF),  a  common  framework  for  the  marketing  of 
products. Its objectives in PPE sector include: (i) Reduce the amount of products on the 
market of low quality (don’t ensure adequate level of protection); (ii) Accreditation, 
market surveillance and controls of products from a third country; (iii) Unsatisfactory 
performance  of  certain  notified  bodies;  and  (iv)  Inconsistencies  in  legislation  and 
complexity of implementation for authorities and manufacturers. 
EU action ‐ added value: 

‐ Approximation of the laws of the member states related to PPE.  
‐ Avoid distortions in the EU market 

Main Issues: 
 Extension of product coverage 
 Application of conformity assessment procedures 
 Changes in basic health and safety requirements (sufficient and clear) 
 More effective Market surveillance 

 
Figure 15 presents a causal mapping model for the PPE use case policy problem. The 
model shows the actors’ participation in a co‐decision legislative procedure. The model 
shows two policy options, with the legislative option more effective in achieving the 
policy objectives. Links are variably marked with positive and negative signs indicating 
signs and intensity of the causal relationships. 
 
 
 
 
   

D6.2 Policy Modelling and Simulation Tool
 
 
 

43 | P a g e  
 

© Copyright 2015, Stockholm University, Department of Computer and Systems Sciences (DSV) 

 
Figure 15 : Causal map of the PPE use case 

 
 

Calculate your order
Pages (275 words)
Standard price: $0.00
Client Reviews
4.9
Sitejabber
4.6
Trustpilot
4.8
Our Guarantees
100% Confidentiality
Information about customers is confidential and never disclosed to third parties.
Original Writing
We complete all papers from scratch. You can get a plagiarism report.
Timely Delivery
No missed deadlines – 97% of assignments are completed in time.
Money Back
If you're confident that a writer didn't follow your order details, ask for a refund.

Calculate the price of your order

You will get a personal manager and a discount.
We'll send you the first draft for approval by at
Total price:
$0.00
Power up Your Academic Success with the
Team of Professionals. We’ve Got Your Back.
Power up Your Study Success with Experts We’ve Got Your Back.

Order your essay today and save 30% with the discount code ESSAYHELP