当正确性验证通过后，剩下来的工作就是效用检验。

效用检验即模型的有效性检验，这一步所关心的问题是，在研究者关注的输入输出行为关系表现上，这个模型是否与实相吻合。如果一个模型能够反映出实相的行为，那么就可被认为是可靠的、有效的。效用检验可通过比较计算机的输出和实际调查研究的统计结果来进行。

在形成一个可运行的仿真后，下一步就是检验模型是否真的按照我们的期望在运行（参见「11]）。对复杂的模型来说，刚开始能运行的模型，输出的更可能是一个错误的结果。因此需要准备很多测试案例，进行各种各样的边界测试。模型中随机数的应用增加了排错和正确性验证的难度。比如，在一个人工社会的仿真研究中，如果有一个参数控制社会的规模（比如人口数），那么可以从最小规模的社会人手开始检验；如果还有一个参数控制的是社会的复杂度（比如年龄差异、种族类别等），可以先从最小的复杂度开始调试。在一个多参数的仿真中，用逐级构建的方式调试是一个不错的选择。所谓逐级构建，就是分步骤地增加假设条件和模型的复杂度，在有多个变量都是随机数的情况下，可通过先固定别的参数，单独调试一种参数随机变化的情况，然后再从两个组合开始直到完整模型所需要的假设条件全部正确运行，在后面的具体实例介绍中我们将根据实例具体说明。

然而有以下几点需要特别注意。

（1）模型和真实现象在统计分布上都是有随机噪声的（如部分依靠随机参数），不可能期望完全相关。模拟与实验数据之间的偏差是否大得令人怀疑部分取决于输出测量值的期望统计分布。不幸的是，对于仿真来说，很难确定和估计这个偏差。

（2）许多仿真都是路径依赖的，输出依赖于初始条件的精确选择，每次仿真的历史对输出都有影响。换句话说，输出对这个模型的某些假设输入参数非常敏感。

（3）即便仿真的运行结果与实际数据很匹配，还存在另外一种可能，就是实际现象中的另外一些特征仿真并不能重现。比如，曾经有一个世界人口模型，尽管对世界人口未来50年的预测看上去是可信的，但在试图用这个模型重现过去20年人口变化时却失败了，尽管用的是同样的模型，设置的是同样的参数。

（4）必须考虑另外一种可能，即模型正确，而搜集的真实数据却可能不可靠，或者研究者的假设和估计有误。如一个为理解法国两万年前社会复杂度上升的计算模型，该模型采用的数据都来自干考古学的线索，这些经过很多次解释的数据本身是否有效是很值得怀疑的。

（5）版本控制的重要性。不同参数或假设的细微调整可能会带来运行结果上的极大不同，但并非只有最符合建模者期望的才是有价值的，一些表面上背离常识的运行结果也许蕴藏着更深层次的发现，且每一次参数的调整与假设的修正都应该给出理由，并给出调整或修正前后仿真运行变化的合理解释。这样每一次对模型进行细微的调整或者只改变一些参数的多次重复运行的中间状态或最终结果都被称为仿真的一个版本，在研究中应该完整地记录下来。一些专门的建模平台和软件已经很好地为研究者考虑了这点，可以很方便地保存不同的仿真版本（例如，在Starlogo中就有另外保存时自动增加版本序号的功能，参见附录B）。

当模型设计得过于抽象时会导致另外一种困难，即很难把模型中得出的结论与某个具体的实相数据进行比较和对照。如 Sob，lling在1971年做的一个解释人种居住自动隔离过程的模型（参见[121），由于模型非常抽象简单，很难直接用现实的数据去验证它的效用。这个问题在人工社会研究中同样存在，实相或者与模型相差甚远，或者压根就不存在，对于这样的模型来说，就很难说正确性验证和效用验证之间有什么区别。

一旦有了一个效用模型，至少在一些特殊的初始条件和参数输入下模型可以运行了。研究者们接下来很可能希望考虑的问题就是敏感性分析。