大数据、社会计算学的发展以及带来的研究方法变化，使ABM成为热门的研究方法，与传统的统计方法相比，具有以下四点明显优势。

第一，微观行为视角。社会现象有宏观和微观两个层面，宏观现象和属性并非微观层面现象和属性的简单叠加，而是微观行为相互作用之后超过原来总合的复杂宏观现象。社会现象复杂性产生的来源，与微观个体密切相关。ABM仿真就可以通过制定智能体的简单规则，经过运行时间来产生复杂宏观现象。

第二，动态过程视角。动态性是系统原理的核心之一，社会现象也是一个系统，结构相对稳定，但微观动态过程需要关注，否则问题就会积累成量变到质变的严重后果，破坏宏观系统。通常微观动态过程涉及到诸多复杂因素并不好观测和系统化梳理，特别是运动过程很难全面分析透彻，ABM仿真则提供了动态过程，依据简单的个体规则，在动态可视演化中形成最终的宏观结果。

第三，贯通宏观与微观。微观个体行动产生宏观涌现现象，宏观涌现现象为微观个体提供运行环境并受个体的影响形成新环境再反过来作用于微观个体。传统的模型和统计分析研究范式，能够解释宏观现象，也能解释微观个体行动，但宏观现象是微观个体如何在运动中动态产生的，以往的方法并不能很好的进行解释，也很少有研究能够贯通微观与宏观层面的概念和逻辑。ABM为解决这一问题带来了可能性，认为宏观尺度模式是由微观行为所引发，坚持从动态过程与微观行为出发研究过程，这在理论上将微观和宏观这两个不同层级之间关联了起来。

第四，跨学科应用。ABM方法在国内外被广泛用于各学科与跨学科领域的研究。Griffié等人用ABM研究分子在质膜上的聚集。Ovaskainen等人用ABM方法建立了基于智能个体的一般类型模型研究派生时空相关结构。Axtellet等人用ABM仿真研究季节性迁徙、污染、繁殖、战争、疫情、疾病，甚至文化传播等社会现象。可见，ABM仿真方法在多种研究中应用广泛。