Поле цифровой дидактики - Вклад [ru]

Эксперименты с моделью School Choice ABM

2025-12-27T07:59:59Z

Хлебова Екатерина:

Модель исследует эффекты реформы образования в Чили (2010 г.) — системы «светофоров», которая предоставляет родителям простой цветовой сигнал о качестве школы.

{{#ask: [[School Choice ABM]] | ?Description }}

== Основные принципы модели ==
В модели два типа агентов: школы и студенты. Агенты размещены на плоскости и не перемещаются.

=== Агенты-студенты ===
* Имеют доход, распределённый по закону Парето
* Учатся в школе 10 лет, затем выпускаются
* Ежегодно появляются новые студенты в случайных локациях
* Визуализация: связь (link) с выбранной школой

=== Агенты-школы ===
* Имеют уровень успеваемости (achievement), распределённый по нормальному закону
* Могут быть государственными или частными
* Частные школы доступны только для студентов с высоким доходом

=== Ключевые механизмы ===
==== Процесс выбора школы ====
* Без выбора: студент назначается в ближайшую школу
* С выбором (with-school-choice):
* Богатые студенты максимизируют функцию полезности: <math>U = a^\alpha \times d^{(1-\alpha)}</math>, где:
** <math>a</math> — достижения школы,
** <math>d</math> — относительная близость,
** <math>\alpha</math> — вес качества (0–1)
** Бедные студенты выбирают ближайшую школу

==== Политика «светофоров» ====
При `traffic-lights? = ON` бедные студенты видят цветовой сигнал:
* 🟢 Зелёный — высокая успеваемость
* 🟡 Жёлтый — средняя
* 🔴 Красный — низкая
Богатые студенты обладают полной информацией (точное значение achievement)

==== Финансовые ограничения ====
Доступность школы определяется условием:
<math>\text{income} - \text{distance} \times \text{school-transportation-cost} \geq 0</math>
Даже бесплатная школа может быть недоступна из-за транспортных расходов.

== Данные и показатели модели ==

=== Настраиваемые параметры модели ===
* '''number-of-schools''' — количество школ в системе. Определяет плотность образовательной инфраструктуры.
* '''initial-students''' — начальное количество студентов. Задаёт размер популяции для исследования.
* '''high-income-percentage''' — процент студентов с высоким доходом. Ключевой параметр для изучения социально-экономического неравенства.
* '''alpha''' — вес качества школы в функции полезности для богатых семей (от 0 до 1). Определяет, насколько они готовы жертвовать близостью ради качества.
* '''with-school-choice?''' — логический переключатель. Включает (true) или выключает (false) возможность свободного выбора школы.
* '''traffic-lights?''' — логический переключатель политики «светофоров». При true бедные семьи видят цветовой сигнал о качестве школы.
* '''school-transportation-cost''' — стоимость одной единицы расстояния при поездке в школу. Влияет на доступность образования для бедных семей.

=== Графики и их значения ===

'''График "% of students enrolled"'''
Показывает долю студентов, обучающихся в школах разного уровня качества, и процент тех, кто остался вне системы. Зелёная, жёлтая и красная линии отображают студентов в школах с высоким, средним и низким achievement. Чёрная линия (Unenrolled) показывает процент детей, не поступивших ни в одну школу.

'''График "Income distribution of students"'''
Отображает распределение доходов среди всех студентов. Обычно имеет вид кривой с длинным правым «хвостом», что характерно для распределения Парето. Показывает, какая доля населения является бедной, средней или богатой.

'''График "Achievement distrib schools"'''
Показывает распределение уровня успеваемости (achievement) среди всех школ в системе. Обычно соответствует нормальному распределению, позволяя увидеть, сколько школ являются отличными, средними или слабыми.

== Использование в образовании ==
=== В курсе социально-экономической статистики ===
Модель служит лабораторией для изучения:
* Как индивидуальные решения создают системные эффекты (сегрегацию)
* Роли информационной асимметрии в неравенстве
* Влияния государственной политики на справедливость

== Статистические закономерности ==
=== Распределения ===
* Доходы студентов: закон Парето — большинство бедны, немногие богаты
* Качество школ: нормальное распределение (<math>\mu = 5</math>, <math>\sigma = 1</math>)

=== Измерение сегрегации ===
Коэффициент сегрегации:
<math>S = \frac{1}{2} \sum_{i=1}^{n} \left| \frac{H_i}{H} - \frac{L_i}{L} \right|</math>
где <math>H_i, L_i</math> — богатые и бедные в школе <math>i</math>, <math>H, L</math> — их общее число

=== Анализ влияния политики «светофоров» ===
Переключатель `traffic-lights?` позволяет оценить, как упрощённая информация влияет на выбор бедных семей

=== [[Регрессионный анализ]] ===

На основе данных, полученных при запусках модели, можно построить регрессионную модель для оценки влияния различных факторов на качество выбираемой школы:

<math>\text{achievement}_i = \beta_0 + \beta_1 \times \text{income}_i + \beta_2 \times \text{distance}_i + \beta_3 \times \text{choice}_i + \varepsilon_i</math>

'''Обозначения:'''
* <math>\text{achievement}_i</math> — уровень успеваемости (качество) школы, куда поступил ученик <math>i</math>
* <math>\text{income}_i</math> — доход семьи этого ученика
* <math>\text{distance}_i</math> — расстояние от его дома до выбранной школы
* <math>\text{choice}_i</math> — признак (0 или 1), показывающий, разрешён ли в этом сценарии выбор школы
* <math>\varepsilon_i</math> — случайная компонента, неучтённые факторы

'''Интерпретация коэффициентов:'''
* <math>\beta_1</math> — «премия за доход». Показывает, на сколько пунктов в среднем увеличивается качество школы при росте дохода семьи на одну единицу. Положительное и значимое значение этого коэффициента свидетельствует о наличии социально-экономического неравенства в доступе к образованию.
* <math>\beta_2</math> — отражает влияние расстояния. Ожидается, что он будет отрицательным, так как семьи, как правило, предпочитают более близкие школы.
* <math>\beta_3</math> — показывает общий эффект от введения возможности выбора школы на качество получаемого учениками образования.

= Эксперимент №1: Влияние транспортных расходов на образовательную сегрегацию и доступность =

'''Гипотеза:''' Увеличение стоимости транспортных расходов (`school-transportation-cost`) отрицательно влияет на доступ к образованию для низкодоходных студентов и усиливает образовательную сегрегацию в модели школьного выбора.

'''Цель эксперимента:''' Исследовать, как транспортные расходы влияют на динамику образовательного неравенства между двумя группами:
* Низкодоходные студенты — особенно чувствительны к транспортным расходам
* Высокодоходные студенты — могут позволить себе дальние поездки в лучшие школы

Мы хотим понять: при каких транспортных расходах система образования становится полностью недоступной для бедных семей, и как это влияет на общую сегрегацию?

== Методология и настройки модели ==

'''Модель:''' Агентная модель школьного выбора (School Choice ABM)

'''Источник:'''
[http://ccl.northwestern.edu/netlogo/community/School_Choice_ABM.nlogo School Choice ABM, Northwestern University]

'''Ссылка на исследование:''' Diego A. Díaz, Ana María Jiménez & Cristián Larroulet (2019) An agent-based model of school choice with information asymmetries, Journal of Simulation, DOI: 10.1080/17477778.2019.1679674

'''Фиксированные параметры (одинаковы для всех прогонов):'''

{| class="wikitable"
|-
! Параметр !! Значение !! Обоснование
|-
| '''number-of-schools''' || 50 || 1 школа на 20 студентов
|-
| '''initial-students''' || 1050 || 210 богатых (20%), 840 бедных (80%)
|-
| '''high-income-percentage''' || 20% || Реалистичное социальное неравенство
|-
| '''alpha''' || 0.9 || Богатые выбирают преимущественно по качеству
|-
| '''with-school-choice?''' || true || Система с выбором школы
|-
| '''traffic-lights?''' || false || Без информационной помощи
|}

'''Исследуемый (независимый) параметр:'''
* '''school-transportation-cost''': 1, 50, 100 (низкая, средняя, высокая стоимость)

=== Протокол эксперимента: ===
# Для каждого из трёх значений параметра '''school-transportation-cost''' (1, 50, 100) был выполнен один прогон модели.
# Данные для анализа были взяты из временного отрезка, когда система уже достигла относительной стабильности — с 110-го по 131-й год моделирования.
# В рамках этого периода анализировались два ключевых показателя:
#* Процент поступивших студентов по категориям школ (высокая, средняя, низкая успеваемость) и процент неучащихся.
#* Средняя успеваемость для всех студентов, а также отдельно для групп с высоким и низким доходом.

== Данные и результаты ==

=== Динамика зачисления студентов (%) ===

Следующие данные показывают, как транспортные расходы влияют на возможность получения образования:

* https://docs.google.com/spreadsheets/d/1Xog969ELwDjsTqBReAFYu01sUWOWzBegIUK47VXwpZg/edit?gid=1780246218#gid=1780246218

Данные о распределении студентов по школам разного уровня качества в зависимости от транспортных расходов:

{{#widget:Google Spreadsheet
|key=e/2PACX-1vS5HyrAFRIwByOTWoH3z_ZHnxdwL5HIKvSaG7T_0dgYsdFlLnnnIQt7l_IDrn-2-mlgNAVHBpTXbNY8
|width=100%
|height=400
}}

'''Ключевые наблюдения по графикам зачисления:'''

{| class="wikitable"
|-
! TransportCost !! Unenrolled (Не учатся) !! High Achievement !! Medium Achievement !! Low Achievement !! Вывод
|-
| '''1''' || ~0% || ~22% || ~62% || ~15% || '''Все учатся''', система доступна
|-
| '''50''' || ~63% || ~9% || ~25% || ~3% || '''Большинство не учатся''', сильное ограничение доступа
|-
| '''100''' || ~87% || ~2.5% || ~9% || ~1% || '''Система почти недоступна''', образование становится элитарным
|}

* % of students enrolled из CODAP:
[[Файл:% of students enrolled.jpg]]

При '''transportation cost = 35''' система достигает критической точки перелома. График "% of students enrolled" показывает резкий, нелинейный скачок доли незачисленных студентов (Unenrolled), что знаменует переход от режима свободного выбора с сегрегацией к режиму массового исключения из системы. Это означает, что данная стоимость является пороговым барьером, за которым транспортные расходы становятся непреодолимым препятствием для большинства семей, кардинально меняя сам принцип работы образовательного рынка.

[[Файл:TS.jpg]]

=== Динамика средней успеваемости (Average Achievement) ===

Следующие данные показывают динамику средней успеваемости при разных транспортных расходах:

* https://docs.google.com/spreadsheets/d/1INX7UAnXJlJ2GBZi0itq_CGVQS1fNk5-ubfD_w-28oM/edit?usp=sharing

Данные о средней успеваемости разных групп студентов в зависимости от транспортных расходов:

{{#widget:Google Spreadsheet
|key=e/2PACX-1vQd5o8gpR0YWbbdHeNnMZNTJaUFP_RBO-gJFC8oduybf5q6yIc3DSQqTQ6XhunyEMXZa_YYi5ATg-ee
|width=100%
|height=400
}}

'''Таблица средних значений успеваемости (за период 110-132 шаги):'''

{| class="wikitable"
|-
! TransportCost !! Все студенты !! High-income !! Low-income !! Разрыв (High - Low)
|-
| '''1''' || 0.25 || 1.94 || -0.18 || '''2.12''' (максимальный разрыв)
|-
| '''50''' || 0.39 || 0.7 || -0.15 || '''0.85''' (разрыв уменьшается)
|-
| '''100''' || 0.18 || 0.3 || 0.1 || '''0.2''' (все показатели низкие)
|}

* Average Achievement of Students из RAWGraphs:
[[Файл:Average Achievement of Students.jpg]]

== Анализ результатов по шагам ==

=== Шаг 1: school-transportation-cost = 1 (низкая стоимость) ===

* '''Доступность:''' 100% студентов зачислены в школы.
* '''Сегрегация:''' Наблюдается '''максимальное неравенство'''. Высокодоходные студенты (20% населения) концентрируются в лучших школах (средняя успеваемость ~1.94), в то время как низкодоходные (80%) остаются в слабых школах (успеваемость отрицательная).
* '''Механизм:''' При нулевых транспортных издержках богатые семьи свободно выбирают лучшие школы по всему городу, создавая "супер-сегрегацию".

Низкие транспортные расходы не гарантируют равенства. Напротив, они позволяют состоятельным агентам монополизировать лучшие образовательные ресурсы, усиливая разрыв.

=== Шаг 2: school-transportation-cost = 50 (средняя стоимость) ===

* '''Доступность:''' Катастрофическое падение - '''~63% студентов не могут поступить''' вообще.
* '''Сегрегация (парадокс):''' '''Разрыв в успеваемости между группами сокращается'''. Успеваемость богатых падает (с ~1.94 до 0.6-0.93), а бедных - растёт (с отрицательной до 0.32).
* '''Механизм:''' Высокие транспортные издержки ограничивают мобильность богатых семей. Они реже ездят в отдалённые "топовые" школы, часть качественных мест становится доступнее для локальных (в том числе бедных) студентов. Однако плата - массовое исключение из системы.
Умеренные транспортные расходы могут снизить сегрегацию "внутри" системы, но ценой '''колоссального сокращения общего доступа''' к образованию.

=== Шаг 3: school-transportation-cost = 100 (высокая стоимость) ===

* '''Доступность:''' '''Кризис доступности - ~87% не учатся'''. Образование становится элитарной услугой.
* '''Сегрегация:''' Все показатели успеваемости падают. Система де-факто перестаёт работать как массовая. Неравенство сохраняется, но в условиях "общей бедности" результатов.
* '''Механизм:''' Экстремальные издержки блокируют выбор школы для всех. Система регрессирует к модели "строго по месту жительства", но с огромными потерями в общем качестве.
Высокие транспортные расходы разрушают систему массового образования. Сегрегация принимает форму '''исключения большинства из системы''', а не дифференциации внутри неё.

== Общий вывод и интерпретация ==

1. '''Гипотеза подтвердилась, но с важным уточнением:''' Увеличение транспортных расходов действительно резко снижает доступ к образованию для бедных (рост <code>Unenrolled</code> с 0% до 87%). Однако влияние на '''внутрисистемную сегрегацию''' (разрыв в успеваемости) оказалось '''нелинейным''':
* Максимальная сегрегация наблюдалась при самых низких расходах (cost=1).
* Сегрегация уменьшалась при средних расходах (cost=50), но за счёт катастрофического падения доступности.

2. '''Ключевая дилемма политики:''' Существует '''трудный компромисс (trade-off)''' между:
* Доступностью (охватом населения образованием)
* Снижением сегрегации (разрывов в качестве между группами)
* Общим качеством системы

3. '''Три режима работы системы:'''
* Режим "свободного рынка" (cost=1): Высокий доступ, максимальная сегрегация, высокое качество для элиты.
* Режим "ограниченной мобильности" (cost=50): Низкий доступ, меньшая сегрегация, среднее качество.
* Режим "коллапса" (cost=100): Крайне низкий доступ, система перестаёт быть массовой.

== Заключение ==

Эксперимент наглядно демонстрирует, что '''транспортные расходы являются критическим фактором образовательного неравенства''', но их влияние сложно и нелинейно. Простое снижение или увеличение этих расходов без учёта институционального контекста может приводить к непредвиденным последствиям.

= Эксперимент №2: Влияние стратегии выбора школы на образовательный разрыв =

'''Гипотеза:''' Если богатые семьи при выборе школы в первую очередь смотрят на её качество, а не на близость к дому, то неравенство в образовании между богатыми и бедными детьми усиливается.

'''Цель эксперимента:''' Исследовать, как стратегия выбора школы, основанная на приоритете качества обучения над близостью к дому со стороны богатых семей, влияет на динамику образовательного неравенства между двумя группами:
* Высокодоходные семьи — могут позволить себе выбирать школу по качеству, игнорируя транспортные расходы.
* Низкодоходные студенты — ограничены в выборе из-за стоимости транспорта и близости.

Мы хотим понять: Ведет ли активный поиск лучших школ богатыми семьями к большему расслоению и неравенству в образовании?

== Методология и настройки модели ==

'''Модель:''' Агентная модель школьного выбора (School Choice ABM)

'''Источник:'''
[http://ccl.northwestern.edu/netlogo/community/School_Choice_ABM.nlogo School Choice ABM, Northwestern University]

'''Ссылка на исследование:''' Diego A. Díaz, Ana María Jiménez & Cristián Larroulet (2019) An agent-based model of school choice with information asymmetries, Journal of Simulation, DOI: 10.1080/17477778.2019.1679674

'''Фиксированные параметры (одинаковы для всех прогонов):'''

{| class="wikitable"
|-
! Параметр !! Значение !! Обоснование
|-
| '''number-of-schools''' || 30 || 1 школа на 10 студентов (умеренная плотность)
|-
| '''initial-students''' || 300 || 60 богатых (20%), 240 бедных (80%)
|-
| '''high-income-percentage''' || 20% || Реалистичное социальное неравенство (правило Парето 80/20)
|-
| '''school-transportation-cost''' || 10 || Стандартная стоимость транспорта
|-
| '''with-school-choice?''' || true || Исследуем систему со свободным выбором школы
|}

'''Исследуемый (независимый) параметр:'''

* '''alpha''' (чувствительность к качеству школы для богатых семей): 0.1, 0.5, 0.9

'''Протокол эксперимента:'''

1. Базовая проверка гипотезы

Мы смоделировали три основные стратегии, которыми могут руководствоваться богатые семьи при выборе школы, чтобы увидеть, как каждая из них формирует образовательное неравенство.

* Вариант А (alpha=0.1): Богатые выбирают школы в основном по близости к дому. Это консервативный сценарий, где их поведение мало отличается от выбора бедных семей, вынужденных опираться на доступность.

* Вариант В (alpha=0.5): Смешанная стратегия. Богатые балансируют между качеством школы и её расположением. Этот сценарий наиболее реалистичен и отражает компромисс, который делают многие семьи в реальном мире.

* Вариант С (alpha=0.9): Богатые выбирают в основном по качеству, активно используя свои ресурсы для попадания в лучшие учебные заведения. Это сценарий, максимизирующий личную выгоду и потенциально ведущий к сильному расслоению.

2. Процедура сбора данных

Данные фиксировались на 110-м году моделирования, когда система выходила на стабильное состояние.

4. Ключевые метрики

Для анализа результатов мы фокусируемся на четырёх индикаторах:

* '''Среднее качество образования''' для богатых и бедных по отдельности.

* '''Разрыв в качестве''' (разность между средним качеством для богатых и для бедных) — главный показатель неравенства в результатах.

* '''Уровень сегрегации (индекс Дункана)''' — показывает, насколько сильно школы разделены по социальному признаку.

* '''Процент неучтённых студентов''' — выявляет, есть ли в системе ученики, вообще оставшиеся без места в школе.

== Данные и результаты ==

=== Динамика зачисления студентов (%) ===

Следующие данные показывают, как чувствительность к качеству школы для богатых семей влияет на возможность получения образования:

* https://docs.google.com/spreadsheets/d/1xWmCR_HzGBeTRMX_PRVJXkSFCn1yI9mMM2dDc3TkO3s/edit?usp=sharing

Данные о распределении студентов по школам разного уровня качества в зависимости от выбора качественных школ для богатых семей:

{{#widget:Google Spreadsheet
|key=e/2PACX-1vS0hMje48kGkuERmCuLfo7qQjmO8Xycw4miXLtM5flc1FYSZM1cDtII42zTn7DrYU_axUJX4VAHxhDd
|width=100%
|height=400
}}

'''Ключевые наблюдения по графикам зачисления:'''

{| class="wikitable"
|-
! Alpha !! Unenrolled (Не учатся) !! High Achievement !! Medium Achievement !! Low Achievement !! Вывод
|-
| '''0.1''' || ~0.75% || ~9.6% || ~78.1% || ~13.3% || Минимальное исключение, система доступна всем. Преобладание в средних школах.
|-
| '''0.5''' || ~1.31% || ~3.3% || ~80.2% || ~13.9% || Умеренное исключение, парадоксально низкая доля в лучших школах.
|-
| '''0.9''' || ~0.07% || ~27.6% || ~66.8% || ~5.5% || Практически полный охват, но сильная сегрегация. Богатые концентрируются в лучших школах.
|}

* % of students enrolled:

[[Файл:Таблица2...jpg]]

=== Динамика средней успеваемости (Average Achievement) ===

Следующие данные показывают динамику средней успеваемости при чувствительности к качеству школы для богатых семей:

* https://docs.google.com/spreadsheets/d/1fKbZxBubRZxB9Jo7vGOekblvL7XMfL7e78dZYBmjuek/edit?usp=sharing

Данные о средней успеваемости разных групп студентов в зависимости от чувствительности к качеству школы для богатых семей:

{{#widget:Google Spreadsheet
|key=e/2PACX-1vT2AcPlD-NzpCnR-ZfsCHq6TRbcy5jd6WyOuL-PHkEXDEPFR-_RSXr31OxwtfG7SQESUTzOHvGUqjFu
|width=100%
|height=400
}}

'''Таблица средних значений успеваемости (за период 110-132 шаги):'''

{| class="wikitable"
|-
! Alpha !! Все студенты (среднее) !! High-income !! Low-income !! Разрыв (High - Low)
|-
| '''0.1''' || 0.095 || 0.392 || -0.201 || '''0.593'''
|-
| '''0.5''' || 0.826 || 2.004 || -0.352 || '''2.356'''
|-
| '''0.9''' || 1.442 || 2.731 || 0.153 || '''2.578''' (максимальный разрыв)
|}

* Average Achievement of Students из RAWGraphs:
[[Файл:222.jpg]]

== Анализ результатов по шагам ==

=== Шаг 1: Alpha = 0.1 (низкая чувствительность к качеству)) ===

* '''Доступность:''' Максимальный охват. Доля не учащихся (Unenrolled) составляет всего ~0.75%, что говорит о высокой доступности системы для всех.

* '''Распределение и сегрегация:''' Подавляющее большинство студентов (более 78%) учатся в школах со средним уровнем успеваемости (Medium Achievement). Доля студентов, обучающихся в школах с высокой успеваемостью, относительно невелика для всех групп.

* '''Итоговая успеваемость:''' Разрыв в средних результатах между группами с высоким и низким доходом минимален (0.593). Богатые семьи, выбирая по близости, не концентрируются в лучших школах, что предотвращает сильное расслоение по успеваемости.

* '''Механизм:''' При низкой чувствительности к качеству поведение богатых семей почти не отличается от поведения бедных. Система работает по принципу "по месту жительства", что обеспечивает равный доступ, но не максимизирует общие академические результаты.

Стратегия выбора по близости создает наиболее справедливую систему с высоким охватом, однако она не стимулирует конкуренцию за качество и приводит к усреднению результатов.

=== Шаг 2: Alpha = 0.5 (умеренная чувствительность к качеству) ===

* '''Доступность:''' Доступность несколько снижается. Процент не учащихся возрастает до ~1.31%, что может указывать на начало конкуренции за места.

* '''Распределение и сегрегация:''' Наблюдается парадоксальная ситуация: доля богатых студентов в школах с высокой успеваемостью падает до ~3.3%, в то время как доля в средних школах растет до ~80.2%. Это может свидетельствовать о "перегруппировке" или высокой конкуренции за лучшие места.

* '''Итоговая успеваемость:''' Происходит резкий рост неравенства. Средняя успеваемость богатых студентов резко возрастает (2.004), а бедных — падает (-0.352), что приводит к значительному разрыву (2.356).

* '''Механизм:''' Богатые семьи начинают балансировать между качеством и доступностью. Эта "смешанная стратегия" приводит к их уходу из худших школ и активной конкуренции за хорошие, что выталкивает бедных студентов в школы с низкими результатами.

Умеренная чувствительность запускает механизм "соревновательной сегрегации". Она создает наибольший разрыв в результатах, показывая, что даже частичный уход богатых от принципа "по месту жительства" может резко усилить образовательное неравенство.

=== Шаг 3: Alpha = 0.9 (высокая чувствительность к качеству) ===

* '''Доступность:''' Охват системы остается почти полным. Ресурсы для поступления есть у всех.

* '''Распределение и сегрегация:''' Наблюдается сильнейшая сегрегация по качеству. Доля богатых студентов в школах с высокой успеваемостью взлетает до ~27.6%. Школы с низкой успеваемостью почти опустели (~5.5%).

* '''Итоговая успеваемость:''' Разрыв в результатах достигает максимума (2.578). Однако важно отметить, что средний результат бедных студентов становится положительным (0.153), а общая средняя успеваемость системы — самой высокой (1.442).

* '''Механизм:''' Богатые семьи активно используют свои ресурсы для занятия мест в лучших школах. Это создает "элитные" кластеры, но также освобождает места в школах среднего уровня для бедных студентов, повышая их средний результат.

Стратегия активного выбора по качеству приводит к системе с "эффективной, но неравной" сегрегацией. Она максимизирует общие показатели успеваемости системы, но ценой глубокого социального расслоения внутри нее.

=== Общий вывод и интерпретация ===

# '''Гипотеза о влиянии стратегии выбора подтвердилась.''' Изменение параметра Alpha (чувствительности богатых к качеству) кардинально меняет структуру образовательной системы, подтверждая, что поведение элит является ключевым драйвером неравенства.
# '''Выявлена ключевая нелинейность.''' Наибольший разрыв в результатах (Average Achievement) возникает не при максимальной, а при умеренной и высокой чувствительности (Alpha=0.5 и 0.9). Однако причины этого различны: при Alpha=0.5 — из-за выталкивания бедных в худшие школы, а при Alpha=0.9 — из-за концентрации богатых в лучших.
# '''Обнаружен парадокс доступности и сегрегации.''' Самая справедливая система с точки зрения доступа и низкого разрыва (Alpha=0.1) показывает наихудшие общие академические результаты. И наоборот, система с сильной сегрегацией (Alpha=0.9) демонстрирует наивысшую среднюю успеваемость по всем студентам.
# Определены три режима работы системы:
#* Режим "Социальной справедливости" (Alpha=0.1): Высокий охват, низкое неравенство, низкие средние результаты.
# Режим "Нестабильной конкуренции" (Alpha=0.5): Снижение доступности, максимальный рост неравенства, поляризация результатов.
# Режим "Эффективной сегрегации" (Alpha=0.9): Высокий охват, максимальное социальное расслоение, наивысшие средние результаты системы.

== Заключение ==

Эксперимент наглядно демонстрирует глубокую дилемму образовательной политики. Стремление к равенству (низкий Alpha) и стремление к высоким академическим стандартам (высокий Alpha) находятся в объективном противоречии в условиях, когда семьи обладают свободой выбора и неравными ресурсами.

Эксперименты с моделью School Choice ABM

2025-12-27T07:59:26Z

Хлебова Екатерина:

Модель исследует эффекты реформы образования в Чили (2010 г.) — системы «светофоров», которая предоставляет родителям простой цветовой сигнал о качестве школы.

{{#ask: [[School Choice ABM]] | ?Description }}

== Основные принципы модели ==
В модели два типа агентов: школы и студенты. Агенты размещены на плоскости и не перемещаются.

=== Агенты-студенты ===
* Имеют доход, распределённый по закону Парето
* Учатся в школе 10 лет, затем выпускаются
* Ежегодно появляются новые студенты в случайных локациях
* Визуализация: связь (link) с выбранной школой

=== Агенты-школы ===
* Имеют уровень успеваемости (achievement), распределённый по нормальному закону
* Могут быть государственными или частными
* Частные школы доступны только для студентов с высоким доходом

=== Ключевые механизмы ===
==== Процесс выбора школы ====
* Без выбора: студент назначается в ближайшую школу
* С выбором (with-school-choice):
* Богатые студенты максимизируют функцию полезности: <math>U = a^\alpha \times d^{(1-\alpha)}</math>, где:
** <math>a</math> — достижения школы,
** <math>d</math> — относительная близость,
** <math>\alpha</math> — вес качества (0–1)
** Бедные студенты выбирают ближайшую школу

==== Политика «светофоров» ====
При `traffic-lights? = ON` бедные студенты видят цветовой сигнал:
* 🟢 Зелёный — высокая успеваемость
* 🟡 Жёлтый — средняя
* 🔴 Красный — низкая
Богатые студенты обладают полной информацией (точное значение achievement)

==== Финансовые ограничения ====
Доступность школы определяется условием:
<math>\text{income} - \text{distance} \times \text{school-transportation-cost} \geq 0</math>
Даже бесплатная школа может быть недоступна из-за транспортных расходов.

== Данные и показатели модели ==

=== Настраиваемые параметры модели ===
* '''number-of-schools''' — количество школ в системе. Определяет плотность образовательной инфраструктуры.
* '''initial-students''' — начальное количество студентов. Задаёт размер популяции для исследования.
* '''high-income-percentage''' — процент студентов с высоким доходом. Ключевой параметр для изучения социально-экономического неравенства.
* '''alpha''' — вес качества школы в функции полезности для богатых семей (от 0 до 1). Определяет, насколько они готовы жертвовать близостью ради качества.
* '''with-school-choice?''' — логический переключатель. Включает (true) или выключает (false) возможность свободного выбора школы.
* '''traffic-lights?''' — логический переключатель политики «светофоров». При true бедные семьи видят цветовой сигнал о качестве школы.
* '''school-transportation-cost''' — стоимость одной единицы расстояния при поездке в школу. Влияет на доступность образования для бедных семей.

=== Графики и их значения ===

'''График "% of students enrolled"'''
Показывает долю студентов, обучающихся в школах разного уровня качества, и процент тех, кто остался вне системы. Зелёная, жёлтая и красная линии отображают студентов в школах с высоким, средним и низким achievement. Чёрная линия (Unenrolled) показывает процент детей, не поступивших ни в одну школу.

'''График "Income distribution of students"'''
Отображает распределение доходов среди всех студентов. Обычно имеет вид кривой с длинным правым «хвостом», что характерно для распределения Парето. Показывает, какая доля населения является бедной, средней или богатой.

'''График "Achievement distrib schools"'''
Показывает распределение уровня успеваемости (achievement) среди всех школ в системе. Обычно соответствует нормальному распределению, позволяя увидеть, сколько школ являются отличными, средними или слабыми.

== Использование в образовании ==
=== В курсе социально-экономической статистики ===
Модель служит лабораторией для изучения:
* Как индивидуальные решения создают системные эффекты (сегрегацию)
* Роли информационной асимметрии в неравенстве
* Влияния государственной политики на справедливость

== Статистические закономерности ==
=== Распределения ===
* Доходы студентов: закон Парето — большинство бедны, немногие богаты
* Качество школ: нормальное распределение (<math>\mu = 5</math>, <math>\sigma = 1</math>)

=== Измерение сегрегации ===
Коэффициент сегрегации:
<math>S = \frac{1}{2} \sum_{i=1}^{n} \left| \frac{H_i}{H} - \frac{L_i}{L} \right|</math>
где <math>H_i, L_i</math> — богатые и бедные в школе <math>i</math>, <math>H, L</math> — их общее число

=== Анализ влияния политики «светофоров» ===
Переключатель `traffic-lights?` позволяет оценить, как упрощённая информация влияет на выбор бедных семей

=== [[Регрессионный анализ]] ===

На основе данных, полученных при запусках модели, можно построить регрессионную модель для оценки влияния различных факторов на качество выбираемой школы:

<math>\text{achievement}_i = \beta_0 + \beta_1 \times \text{income}_i + \beta_2 \times \text{distance}_i + \beta_3 \times \text{choice}_i + \varepsilon_i</math>

'''Обозначения:'''
* <math>\text{achievement}_i</math> — уровень успеваемости (качество) школы, куда поступил ученик <math>i</math>
* <math>\text{income}_i</math> — доход семьи этого ученика
* <math>\text{distance}_i</math> — расстояние от его дома до выбранной школы
* <math>\text{choice}_i</math> — признак (0 или 1), показывающий, разрешён ли в этом сценарии выбор школы
* <math>\varepsilon_i</math> — случайная компонента, неучтённые факторы

'''Интерпретация коэффициентов:'''
* <math>\beta_1</math> — «премия за доход». Показывает, на сколько пунктов в среднем увеличивается качество школы при росте дохода семьи на одну единицу. Положительное и значимое значение этого коэффициента свидетельствует о наличии социально-экономического неравенства в доступе к образованию.
* <math>\beta_2</math> — отражает влияние расстояния. Ожидается, что он будет отрицательным, так как семьи, как правило, предпочитают более близкие школы.
* <math>\beta_3</math> — показывает общий эффект от введения возможности выбора школы на качество получаемого учениками образования.

= Эксперимент №1: Влияние транспортных расходов на образовательную сегрегацию и доступность =

'''Гипотеза:''' Увеличение стоимости транспортных расходов (`school-transportation-cost`) отрицательно влияет на доступ к образованию для низкодоходных студентов и усиливает образовательную сегрегацию в модели школьного выбора.

'''Цель эксперимента:''' Исследовать, как транспортные расходы влияют на динамику образовательного неравенства между двумя группами:
* Низкодоходные студенты — особенно чувствительны к транспортным расходам
* Высокодоходные студенты — могут позволить себе дальние поездки в лучшие школы

Мы хотим понять: при каких транспортных расходах система образования становится полностью недоступной для бедных семей, и как это влияет на общую сегрегацию?

== Методология и настройки модели ==

'''Модель:''' Агентная модель школьного выбора (School Choice ABM)

'''Источник:'''
[http://ccl.northwestern.edu/netlogo/community/School_Choice_ABM.nlogo School Choice ABM, Northwestern University]

'''Ссылка на исследование:''' Diego A. Díaz, Ana María Jiménez & Cristián Larroulet (2019) An agent-based model of school choice with information asymmetries, Journal of Simulation, DOI: 10.1080/17477778.2019.1679674

'''Фиксированные параметры (одинаковы для всех прогонов):'''

{| class="wikitable"
|-
! Параметр !! Значение !! Обоснование
|-
| '''number-of-schools''' || 50 || 1 школа на 20 студентов
|-
| '''initial-students''' || 1050 || 210 богатых (20%), 840 бедных (80%)
|-
| '''high-income-percentage''' || 20% || Реалистичное социальное неравенство
|-
| '''alpha''' || 0.9 || Богатые выбирают преимущественно по качеству
|-
| '''with-school-choice?''' || true || Система с выбором школы
|-
| '''traffic-lights?''' || false || Без информационной помощи
|}

'''Исследуемый (независимый) параметр:'''
* '''school-transportation-cost''': 1, 50, 100 (низкая, средняя, высокая стоимость)

=== Протокол эксперимента: ===
# Для каждого из трёх значений параметра '''school-transportation-cost''' (1, 50, 100) был выполнен один прогон модели.
# Данные для анализа были взяты из временного отрезка, когда система уже достигла относительной стабильности — с 110-го по 131-й год моделирования.
# В рамках этого периода анализировались два ключевых показателя:
#* Процент поступивших студентов по категориям школ (высокая, средняя, низкая успеваемость) и процент неучащихся.
#* Средняя успеваемость для всех студентов, а также отдельно для групп с высоким и низким доходом.

== Данные и результаты ==

=== Динамика зачисления студентов (%) ===

Следующие данные показывают, как транспортные расходы влияют на возможность получения образования:

* https://docs.google.com/spreadsheets/d/1Xog969ELwDjsTqBReAFYu01sUWOWzBegIUK47VXwpZg/edit?gid=1780246218#gid=1780246218

Данные о распределении студентов по школам разного уровня качества в зависимости от транспортных расходов:

{{#widget:Google Spreadsheet
|key=e/2PACX-1vS5HyrAFRIwByOTWoH3z_ZHnxdwL5HIKvSaG7T_0dgYsdFlLnnnIQt7l_IDrn-2-mlgNAVHBpTXbNY8
|width=100%
|height=400
}}

'''Ключевые наблюдения по графикам зачисления:'''

{| class="wikitable"
|-
! TransportCost !! Unenrolled (Не учатся) !! High Achievement !! Medium Achievement !! Low Achievement !! Вывод
|-
| '''1''' || ~0% || ~22% || ~62% || ~15% || '''Все учатся''', система доступна
|-
| '''50''' || ~63% || ~9% || ~25% || ~3% || '''Большинство не учатся''', сильное ограничение доступа
|-
| '''100''' || ~87% || ~2.5% || ~9% || ~1% || '''Система почти недоступна''', образование становится элитарным
|}

* % of students enrolled из CODAP:
[[Файл:% of students enrolled.jpg]]

При '''transportation cost = 35''' система достигает критической точки перелома. График "% of students enrolled" показывает резкий, нелинейный скачок доли незачисленных студентов (Unenrolled), что знаменует переход от режима свободного выбора с сегрегацией к режиму массового исключения из системы. Это означает, что данная стоимость является пороговым барьером, за которым транспортные расходы становятся непреодолимым препятствием для большинства семей, кардинально меняя сам принцип работы образовательного рынка.
[[Файл:TS.jpg]]

=== Динамика средней успеваемости (Average Achievement) ===

Следующие данные показывают динамику средней успеваемости при разных транспортных расходах:

* https://docs.google.com/spreadsheets/d/1INX7UAnXJlJ2GBZi0itq_CGVQS1fNk5-ubfD_w-28oM/edit?usp=sharing

Данные о средней успеваемости разных групп студентов в зависимости от транспортных расходов:

{{#widget:Google Spreadsheet
|key=e/2PACX-1vQd5o8gpR0YWbbdHeNnMZNTJaUFP_RBO-gJFC8oduybf5q6yIc3DSQqTQ6XhunyEMXZa_YYi5ATg-ee
|width=100%
|height=400
}}

'''Таблица средних значений успеваемости (за период 110-132 шаги):'''

{| class="wikitable"
|-
! TransportCost !! Все студенты !! High-income !! Low-income !! Разрыв (High - Low)
|-
| '''1''' || 0.25 || 1.94 || -0.18 || '''2.12''' (максимальный разрыв)
|-
| '''50''' || 0.39 || 0.7 || -0.15 || '''0.85''' (разрыв уменьшается)
|-
| '''100''' || 0.18 || 0.3 || 0.1 || '''0.2''' (все показатели низкие)
|}

* Average Achievement of Students из RAWGraphs:
[[Файл:Average Achievement of Students.jpg]]

== Анализ результатов по шагам ==

=== Шаг 1: school-transportation-cost = 1 (низкая стоимость) ===

* '''Доступность:''' 100% студентов зачислены в школы.
* '''Сегрегация:''' Наблюдается '''максимальное неравенство'''. Высокодоходные студенты (20% населения) концентрируются в лучших школах (средняя успеваемость ~1.94), в то время как низкодоходные (80%) остаются в слабых школах (успеваемость отрицательная).
* '''Механизм:''' При нулевых транспортных издержках богатые семьи свободно выбирают лучшие школы по всему городу, создавая "супер-сегрегацию".

Низкие транспортные расходы не гарантируют равенства. Напротив, они позволяют состоятельным агентам монополизировать лучшие образовательные ресурсы, усиливая разрыв.

=== Шаг 2: school-transportation-cost = 50 (средняя стоимость) ===

* '''Доступность:''' Катастрофическое падение - '''~63% студентов не могут поступить''' вообще.
* '''Сегрегация (парадокс):''' '''Разрыв в успеваемости между группами сокращается'''. Успеваемость богатых падает (с ~1.94 до 0.6-0.93), а бедных - растёт (с отрицательной до 0.32).
* '''Механизм:''' Высокие транспортные издержки ограничивают мобильность богатых семей. Они реже ездят в отдалённые "топовые" школы, часть качественных мест становится доступнее для локальных (в том числе бедных) студентов. Однако плата - массовое исключение из системы.
Умеренные транспортные расходы могут снизить сегрегацию "внутри" системы, но ценой '''колоссального сокращения общего доступа''' к образованию.

=== Шаг 3: school-transportation-cost = 100 (высокая стоимость) ===

* '''Доступность:''' '''Кризис доступности - ~87% не учатся'''. Образование становится элитарной услугой.
* '''Сегрегация:''' Все показатели успеваемости падают. Система де-факто перестаёт работать как массовая. Неравенство сохраняется, но в условиях "общей бедности" результатов.
* '''Механизм:''' Экстремальные издержки блокируют выбор школы для всех. Система регрессирует к модели "строго по месту жительства", но с огромными потерями в общем качестве.
Высокие транспортные расходы разрушают систему массового образования. Сегрегация принимает форму '''исключения большинства из системы''', а не дифференциации внутри неё.

== Общий вывод и интерпретация ==

1. '''Гипотеза подтвердилась, но с важным уточнением:''' Увеличение транспортных расходов действительно резко снижает доступ к образованию для бедных (рост <code>Unenrolled</code> с 0% до 87%). Однако влияние на '''внутрисистемную сегрегацию''' (разрыв в успеваемости) оказалось '''нелинейным''':
* Максимальная сегрегация наблюдалась при самых низких расходах (cost=1).
* Сегрегация уменьшалась при средних расходах (cost=50), но за счёт катастрофического падения доступности.

2. '''Ключевая дилемма политики:''' Существует '''трудный компромисс (trade-off)''' между:
* Доступностью (охватом населения образованием)
* Снижением сегрегации (разрывов в качестве между группами)
* Общим качеством системы

3. '''Три режима работы системы:'''
* Режим "свободного рынка" (cost=1): Высокий доступ, максимальная сегрегация, высокое качество для элиты.
* Режим "ограниченной мобильности" (cost=50): Низкий доступ, меньшая сегрегация, среднее качество.
* Режим "коллапса" (cost=100): Крайне низкий доступ, система перестаёт быть массовой.

== Заключение ==

Эксперимент наглядно демонстрирует, что '''транспортные расходы являются критическим фактором образовательного неравенства''', но их влияние сложно и нелинейно. Простое снижение или увеличение этих расходов без учёта институционального контекста может приводить к непредвиденным последствиям.

= Эксперимент №2: Влияние стратегии выбора школы на образовательный разрыв =

'''Гипотеза:''' Если богатые семьи при выборе школы в первую очередь смотрят на её качество, а не на близость к дому, то неравенство в образовании между богатыми и бедными детьми усиливается.

'''Цель эксперимента:''' Исследовать, как стратегия выбора школы, основанная на приоритете качества обучения над близостью к дому со стороны богатых семей, влияет на динамику образовательного неравенства между двумя группами:
* Высокодоходные семьи — могут позволить себе выбирать школу по качеству, игнорируя транспортные расходы.
* Низкодоходные студенты — ограничены в выборе из-за стоимости транспорта и близости.

Мы хотим понять: Ведет ли активный поиск лучших школ богатыми семьями к большему расслоению и неравенству в образовании?

== Методология и настройки модели ==

'''Модель:''' Агентная модель школьного выбора (School Choice ABM)

'''Источник:'''
[http://ccl.northwestern.edu/netlogo/community/School_Choice_ABM.nlogo School Choice ABM, Northwestern University]

'''Ссылка на исследование:''' Diego A. Díaz, Ana María Jiménez & Cristián Larroulet (2019) An agent-based model of school choice with information asymmetries, Journal of Simulation, DOI: 10.1080/17477778.2019.1679674

'''Фиксированные параметры (одинаковы для всех прогонов):'''

{| class="wikitable"
|-
! Параметр !! Значение !! Обоснование
|-
| '''number-of-schools''' || 30 || 1 школа на 10 студентов (умеренная плотность)
|-
| '''initial-students''' || 300 || 60 богатых (20%), 240 бедных (80%)
|-
| '''high-income-percentage''' || 20% || Реалистичное социальное неравенство (правило Парето 80/20)
|-
| '''school-transportation-cost''' || 10 || Стандартная стоимость транспорта
|-
| '''with-school-choice?''' || true || Исследуем систему со свободным выбором школы
|}

'''Исследуемый (независимый) параметр:'''

* '''alpha''' (чувствительность к качеству школы для богатых семей): 0.1, 0.5, 0.9

'''Протокол эксперимента:'''

1. Базовая проверка гипотезы

Мы смоделировали три основные стратегии, которыми могут руководствоваться богатые семьи при выборе школы, чтобы увидеть, как каждая из них формирует образовательное неравенство.

* Вариант А (alpha=0.1): Богатые выбирают школы в основном по близости к дому. Это консервативный сценарий, где их поведение мало отличается от выбора бедных семей, вынужденных опираться на доступность.

* Вариант В (alpha=0.5): Смешанная стратегия. Богатые балансируют между качеством школы и её расположением. Этот сценарий наиболее реалистичен и отражает компромисс, который делают многие семьи в реальном мире.

* Вариант С (alpha=0.9): Богатые выбирают в основном по качеству, активно используя свои ресурсы для попадания в лучшие учебные заведения. Это сценарий, максимизирующий личную выгоду и потенциально ведущий к сильному расслоению.

2. Процедура сбора данных

Данные фиксировались на 110-м году моделирования, когда система выходила на стабильное состояние.

4. Ключевые метрики

Для анализа результатов мы фокусируемся на четырёх индикаторах:

* '''Среднее качество образования''' для богатых и бедных по отдельности.

* '''Разрыв в качестве''' (разность между средним качеством для богатых и для бедных) — главный показатель неравенства в результатах.

* '''Уровень сегрегации (индекс Дункана)''' — показывает, насколько сильно школы разделены по социальному признаку.

* '''Процент неучтённых студентов''' — выявляет, есть ли в системе ученики, вообще оставшиеся без места в школе.

== Данные и результаты ==

=== Динамика зачисления студентов (%) ===

Следующие данные показывают, как чувствительность к качеству школы для богатых семей влияет на возможность получения образования:

* https://docs.google.com/spreadsheets/d/1xWmCR_HzGBeTRMX_PRVJXkSFCn1yI9mMM2dDc3TkO3s/edit?usp=sharing

Данные о распределении студентов по школам разного уровня качества в зависимости от выбора качественных школ для богатых семей:

{{#widget:Google Spreadsheet
|key=e/2PACX-1vS0hMje48kGkuERmCuLfo7qQjmO8Xycw4miXLtM5flc1FYSZM1cDtII42zTn7DrYU_axUJX4VAHxhDd
|width=100%
|height=400
}}

'''Ключевые наблюдения по графикам зачисления:'''

{| class="wikitable"
|-
! Alpha !! Unenrolled (Не учатся) !! High Achievement !! Medium Achievement !! Low Achievement !! Вывод
|-
| '''0.1''' || ~0.75% || ~9.6% || ~78.1% || ~13.3% || Минимальное исключение, система доступна всем. Преобладание в средних школах.
|-
| '''0.5''' || ~1.31% || ~3.3% || ~80.2% || ~13.9% || Умеренное исключение, парадоксально низкая доля в лучших школах.
|-
| '''0.9''' || ~0.07% || ~27.6% || ~66.8% || ~5.5% || Практически полный охват, но сильная сегрегация. Богатые концентрируются в лучших школах.
|}

* % of students enrolled:

[[Файл:Таблица2...jpg]]

=== Динамика средней успеваемости (Average Achievement) ===

Следующие данные показывают динамику средней успеваемости при чувствительности к качеству школы для богатых семей:

* https://docs.google.com/spreadsheets/d/1fKbZxBubRZxB9Jo7vGOekblvL7XMfL7e78dZYBmjuek/edit?usp=sharing

Данные о средней успеваемости разных групп студентов в зависимости от чувствительности к качеству школы для богатых семей:

{{#widget:Google Spreadsheet
|key=e/2PACX-1vT2AcPlD-NzpCnR-ZfsCHq6TRbcy5jd6WyOuL-PHkEXDEPFR-_RSXr31OxwtfG7SQESUTzOHvGUqjFu
|width=100%
|height=400
}}

'''Таблица средних значений успеваемости (за период 110-132 шаги):'''

{| class="wikitable"
|-
! Alpha !! Все студенты (среднее) !! High-income !! Low-income !! Разрыв (High - Low)
|-
| '''0.1''' || 0.095 || 0.392 || -0.201 || '''0.593'''
|-
| '''0.5''' || 0.826 || 2.004 || -0.352 || '''2.356'''
|-
| '''0.9''' || 1.442 || 2.731 || 0.153 || '''2.578''' (максимальный разрыв)
|}

* Average Achievement of Students из RAWGraphs:
[[Файл:222.jpg]]

== Анализ результатов по шагам ==

=== Шаг 1: Alpha = 0.1 (низкая чувствительность к качеству)) ===

* '''Доступность:''' Максимальный охват. Доля не учащихся (Unenrolled) составляет всего ~0.75%, что говорит о высокой доступности системы для всех.

* '''Распределение и сегрегация:''' Подавляющее большинство студентов (более 78%) учатся в школах со средним уровнем успеваемости (Medium Achievement). Доля студентов, обучающихся в школах с высокой успеваемостью, относительно невелика для всех групп.

* '''Итоговая успеваемость:''' Разрыв в средних результатах между группами с высоким и низким доходом минимален (0.593). Богатые семьи, выбирая по близости, не концентрируются в лучших школах, что предотвращает сильное расслоение по успеваемости.

* '''Механизм:''' При низкой чувствительности к качеству поведение богатых семей почти не отличается от поведения бедных. Система работает по принципу "по месту жительства", что обеспечивает равный доступ, но не максимизирует общие академические результаты.

Стратегия выбора по близости создает наиболее справедливую систему с высоким охватом, однако она не стимулирует конкуренцию за качество и приводит к усреднению результатов.

=== Шаг 2: Alpha = 0.5 (умеренная чувствительность к качеству) ===

* '''Доступность:''' Доступность несколько снижается. Процент не учащихся возрастает до ~1.31%, что может указывать на начало конкуренции за места.

* '''Распределение и сегрегация:''' Наблюдается парадоксальная ситуация: доля богатых студентов в школах с высокой успеваемостью падает до ~3.3%, в то время как доля в средних школах растет до ~80.2%. Это может свидетельствовать о "перегруппировке" или высокой конкуренции за лучшие места.

* '''Итоговая успеваемость:''' Происходит резкий рост неравенства. Средняя успеваемость богатых студентов резко возрастает (2.004), а бедных — падает (-0.352), что приводит к значительному разрыву (2.356).

* '''Механизм:''' Богатые семьи начинают балансировать между качеством и доступностью. Эта "смешанная стратегия" приводит к их уходу из худших школ и активной конкуренции за хорошие, что выталкивает бедных студентов в школы с низкими результатами.

Умеренная чувствительность запускает механизм "соревновательной сегрегации". Она создает наибольший разрыв в результатах, показывая, что даже частичный уход богатых от принципа "по месту жительства" может резко усилить образовательное неравенство.

=== Шаг 3: Alpha = 0.9 (высокая чувствительность к качеству) ===

* '''Доступность:''' Охват системы остается почти полным. Ресурсы для поступления есть у всех.

* '''Распределение и сегрегация:''' Наблюдается сильнейшая сегрегация по качеству. Доля богатых студентов в школах с высокой успеваемостью взлетает до ~27.6%. Школы с низкой успеваемостью почти опустели (~5.5%).

* '''Итоговая успеваемость:''' Разрыв в результатах достигает максимума (2.578). Однако важно отметить, что средний результат бедных студентов становится положительным (0.153), а общая средняя успеваемость системы — самой высокой (1.442).

* '''Механизм:''' Богатые семьи активно используют свои ресурсы для занятия мест в лучших школах. Это создает "элитные" кластеры, но также освобождает места в школах среднего уровня для бедных студентов, повышая их средний результат.

Стратегия активного выбора по качеству приводит к системе с "эффективной, но неравной" сегрегацией. Она максимизирует общие показатели успеваемости системы, но ценой глубокого социального расслоения внутри нее.

=== Общий вывод и интерпретация ===

# '''Гипотеза о влиянии стратегии выбора подтвердилась.''' Изменение параметра Alpha (чувствительности богатых к качеству) кардинально меняет структуру образовательной системы, подтверждая, что поведение элит является ключевым драйвером неравенства.
# '''Выявлена ключевая нелинейность.''' Наибольший разрыв в результатах (Average Achievement) возникает не при максимальной, а при умеренной и высокой чувствительности (Alpha=0.5 и 0.9). Однако причины этого различны: при Alpha=0.5 — из-за выталкивания бедных в худшие школы, а при Alpha=0.9 — из-за концентрации богатых в лучших.
# '''Обнаружен парадокс доступности и сегрегации.''' Самая справедливая система с точки зрения доступа и низкого разрыва (Alpha=0.1) показывает наихудшие общие академические результаты. И наоборот, система с сильной сегрегацией (Alpha=0.9) демонстрирует наивысшую среднюю успеваемость по всем студентам.
# Определены три режима работы системы:
#* Режим "Социальной справедливости" (Alpha=0.1): Высокий охват, низкое неравенство, низкие средние результаты.
# Режим "Нестабильной конкуренции" (Alpha=0.5): Снижение доступности, максимальный рост неравенства, поляризация результатов.
# Режим "Эффективной сегрегации" (Alpha=0.9): Высокий охват, максимальное социальное расслоение, наивысшие средние результаты системы.

== Заключение ==

Эксперимент наглядно демонстрирует глубокую дилемму образовательной политики. Стремление к равенству (низкий Alpha) и стремление к высоким академическим стандартам (высокий Alpha) находятся в объективном противоречии в условиях, когда семьи обладают свободой выбора и неравными ресурсами.

Эксперименты с моделью School Choice ABM

2025-12-27T07:57:40Z

Хлебова Екатерина:

Модель исследует эффекты реформы образования в Чили (2010 г.) — системы «светофоров», которая предоставляет родителям простой цветовой сигнал о качестве школы.

{{#ask: [[School Choice ABM]] | ?Description }}

== Основные принципы модели ==
В модели два типа агентов: школы и студенты. Агенты размещены на плоскости и не перемещаются.

=== Агенты-студенты ===
* Имеют доход, распределённый по закону Парето
* Учатся в школе 10 лет, затем выпускаются
* Ежегодно появляются новые студенты в случайных локациях
* Визуализация: связь (link) с выбранной школой

=== Агенты-школы ===
* Имеют уровень успеваемости (achievement), распределённый по нормальному закону
* Могут быть государственными или частными
* Частные школы доступны только для студентов с высоким доходом

=== Ключевые механизмы ===
==== Процесс выбора школы ====
* Без выбора: студент назначается в ближайшую школу
* С выбором (with-school-choice):
* Богатые студенты максимизируют функцию полезности: <math>U = a^\alpha \times d^{(1-\alpha)}</math>, где:
** <math>a</math> — достижения школы,
** <math>d</math> — относительная близость,
** <math>\alpha</math> — вес качества (0–1)
** Бедные студенты выбирают ближайшую школу

==== Политика «светофоров» ====
При `traffic-lights? = ON` бедные студенты видят цветовой сигнал:
* 🟢 Зелёный — высокая успеваемость
* 🟡 Жёлтый — средняя
* 🔴 Красный — низкая
Богатые студенты обладают полной информацией (точное значение achievement)

==== Финансовые ограничения ====
Доступность школы определяется условием:
<math>\text{income} - \text{distance} \times \text{school-transportation-cost} \geq 0</math>
Даже бесплатная школа может быть недоступна из-за транспортных расходов.

== Данные и показатели модели ==

=== Настраиваемые параметры модели ===
* '''number-of-schools''' — количество школ в системе. Определяет плотность образовательной инфраструктуры.
* '''initial-students''' — начальное количество студентов. Задаёт размер популяции для исследования.
* '''high-income-percentage''' — процент студентов с высоким доходом. Ключевой параметр для изучения социально-экономического неравенства.
* '''alpha''' — вес качества школы в функции полезности для богатых семей (от 0 до 1). Определяет, насколько они готовы жертвовать близостью ради качества.
* '''with-school-choice?''' — логический переключатель. Включает (true) или выключает (false) возможность свободного выбора школы.
* '''traffic-lights?''' — логический переключатель политики «светофоров». При true бедные семьи видят цветовой сигнал о качестве школы.
* '''school-transportation-cost''' — стоимость одной единицы расстояния при поездке в школу. Влияет на доступность образования для бедных семей.

=== Графики и их значения ===

'''График "% of students enrolled"'''
Показывает долю студентов, обучающихся в школах разного уровня качества, и процент тех, кто остался вне системы. Зелёная, жёлтая и красная линии отображают студентов в школах с высоким, средним и низким achievement. Чёрная линия (Unenrolled) показывает процент детей, не поступивших ни в одну школу.

'''График "Income distribution of students"'''
Отображает распределение доходов среди всех студентов. Обычно имеет вид кривой с длинным правым «хвостом», что характерно для распределения Парето. Показывает, какая доля населения является бедной, средней или богатой.

'''График "Achievement distrib schools"'''
Показывает распределение уровня успеваемости (achievement) среди всех школ в системе. Обычно соответствует нормальному распределению, позволяя увидеть, сколько школ являются отличными, средними или слабыми.

== Использование в образовании ==
=== В курсе социально-экономической статистики ===
Модель служит лабораторией для изучения:
* Как индивидуальные решения создают системные эффекты (сегрегацию)
* Роли информационной асимметрии в неравенстве
* Влияния государственной политики на справедливость

== Статистические закономерности ==
=== Распределения ===
* Доходы студентов: закон Парето — большинство бедны, немногие богаты
* Качество школ: нормальное распределение (<math>\mu = 5</math>, <math>\sigma = 1</math>)

=== Измерение сегрегации ===
Коэффициент сегрегации:
<math>S = \frac{1}{2} \sum_{i=1}^{n} \left| \frac{H_i}{H} - \frac{L_i}{L} \right|</math>
где <math>H_i, L_i</math> — богатые и бедные в школе <math>i</math>, <math>H, L</math> — их общее число

=== Анализ влияния политики «светофоров» ===
Переключатель `traffic-lights?` позволяет оценить, как упрощённая информация влияет на выбор бедных семей

=== [[Регрессионный анализ]] ===

На основе данных, полученных при запусках модели, можно построить регрессионную модель для оценки влияния различных факторов на качество выбираемой школы:

<math>\text{achievement}_i = \beta_0 + \beta_1 \times \text{income}_i + \beta_2 \times \text{distance}_i + \beta_3 \times \text{choice}_i + \varepsilon_i</math>

'''Обозначения:'''
* <math>\text{achievement}_i</math> — уровень успеваемости (качество) школы, куда поступил ученик <math>i</math>
* <math>\text{income}_i</math> — доход семьи этого ученика
* <math>\text{distance}_i</math> — расстояние от его дома до выбранной школы
* <math>\text{choice}_i</math> — признак (0 или 1), показывающий, разрешён ли в этом сценарии выбор школы
* <math>\varepsilon_i</math> — случайная компонента, неучтённые факторы

'''Интерпретация коэффициентов:'''
* <math>\beta_1</math> — «премия за доход». Показывает, на сколько пунктов в среднем увеличивается качество школы при росте дохода семьи на одну единицу. Положительное и значимое значение этого коэффициента свидетельствует о наличии социально-экономического неравенства в доступе к образованию.
* <math>\beta_2</math> — отражает влияние расстояния. Ожидается, что он будет отрицательным, так как семьи, как правило, предпочитают более близкие школы.
* <math>\beta_3</math> — показывает общий эффект от введения возможности выбора школы на качество получаемого учениками образования.

= Эксперимент №1: Влияние транспортных расходов на образовательную сегрегацию и доступность =

'''Гипотеза:''' Увеличение стоимости транспортных расходов (`school-transportation-cost`) отрицательно влияет на доступ к образованию для низкодоходных студентов и усиливает образовательную сегрегацию в модели школьного выбора.

'''Цель эксперимента:''' Исследовать, как транспортные расходы влияют на динамику образовательного неравенства между двумя группами:
* Низкодоходные студенты — особенно чувствительны к транспортным расходам
* Высокодоходные студенты — могут позволить себе дальние поездки в лучшие школы

Мы хотим понять: при каких транспортных расходах система образования становится полностью недоступной для бедных семей, и как это влияет на общую сегрегацию?

== Методология и настройки модели ==

'''Модель:''' Агентная модель школьного выбора (School Choice ABM)

'''Источник:'''
[http://ccl.northwestern.edu/netlogo/community/School_Choice_ABM.nlogo School Choice ABM, Northwestern University]

'''Ссылка на исследование:''' Diego A. Díaz, Ana María Jiménez & Cristián Larroulet (2019) An agent-based model of school choice with information asymmetries, Journal of Simulation, DOI: 10.1080/17477778.2019.1679674

'''Фиксированные параметры (одинаковы для всех прогонов):'''

{| class="wikitable"
|-
! Параметр !! Значение !! Обоснование
|-
| '''number-of-schools''' || 50 || 1 школа на 20 студентов
|-
| '''initial-students''' || 1050 || 210 богатых (20%), 840 бедных (80%)
|-
| '''high-income-percentage''' || 20% || Реалистичное социальное неравенство
|-
| '''alpha''' || 0.9 || Богатые выбирают преимущественно по качеству
|-
| '''with-school-choice?''' || true || Система с выбором школы
|-
| '''traffic-lights?''' || false || Без информационной помощи
|}

'''Исследуемый (независимый) параметр:'''
* '''school-transportation-cost''': 1, 50, 100 (низкая, средняя, высокая стоимость)

=== Протокол эксперимента: ===
# Для каждого из трёх значений параметра '''school-transportation-cost''' (1, 50, 100) был выполнен один прогон модели.
# Данные для анализа были взяты из временного отрезка, когда система уже достигла относительной стабильности — с 110-го по 131-й год моделирования.
# В рамках этого периода анализировались два ключевых показателя:
#* Процент поступивших студентов по категориям школ (высокая, средняя, низкая успеваемость) и процент неучащихся.
#* Средняя успеваемость для всех студентов, а также отдельно для групп с высоким и низким доходом.

== Данные и результаты ==

=== Динамика зачисления студентов (%) ===

Следующие данные показывают, как транспортные расходы влияют на возможность получения образования:

* https://docs.google.com/spreadsheets/d/1Xog969ELwDjsTqBReAFYu01sUWOWzBegIUK47VXwpZg/edit?gid=1780246218#gid=1780246218

Данные о распределении студентов по школам разного уровня качества в зависимости от транспортных расходов:

{{#widget:Google Spreadsheet
|key=e/2PACX-1vS5HyrAFRIwByOTWoH3z_ZHnxdwL5HIKvSaG7T_0dgYsdFlLnnnIQt7l_IDrn-2-mlgNAVHBpTXbNY8
|width=100%
|height=400
}}

'''Ключевые наблюдения по графикам зачисления:'''

{| class="wikitable"
|-
! TransportCost !! Unenrolled (Не учатся) !! High Achievement !! Medium Achievement !! Low Achievement !! Вывод
|-
| '''1''' || ~0% || ~22% || ~62% || ~15% || '''Все учатся''', система доступна
|-
| '''50''' || ~63% || ~9% || ~25% || ~3% || '''Большинство не учатся''', сильное ограничение доступа
|-
| '''100''' || ~87% || ~2.5% || ~9% || ~1% || '''Система почти недоступна''', образование становится элитарным
|}

* % of students enrolled из CODAP:
[[Файл:% of students enrolled.jpg]]

[[Файл:TS.jpg|мини]]
* При transportation cost = 35 система достигает критической точки перелома. График "% of students enrolled" показывает резкий, нелинейный скачок доли незачисленных студентов (Unenrolled), что знаменует переход от режима свободного выбора с сегрегацией к режиму массового исключения из системы. Это означает, что данная стоимость является пороговым барьером, за которым транспортные расходы становятся непреодолимым препятствием для большинства семей, кардинально меняя сам принцип работы образовательного рынка.

=== Динамика средней успеваемости (Average Achievement) ===

Следующие данные показывают динамику средней успеваемости при разных транспортных расходах:

* https://docs.google.com/spreadsheets/d/1INX7UAnXJlJ2GBZi0itq_CGVQS1fNk5-ubfD_w-28oM/edit?usp=sharing

Данные о средней успеваемости разных групп студентов в зависимости от транспортных расходов:

{{#widget:Google Spreadsheet
|key=e/2PACX-1vQd5o8gpR0YWbbdHeNnMZNTJaUFP_RBO-gJFC8oduybf5q6yIc3DSQqTQ6XhunyEMXZa_YYi5ATg-ee
|width=100%
|height=400
}}

'''Таблица средних значений успеваемости (за период 110-132 шаги):'''

{| class="wikitable"
|-
! TransportCost !! Все студенты !! High-income !! Low-income !! Разрыв (High - Low)
|-
| '''1''' || 0.25 || 1.94 || -0.18 || '''2.12''' (максимальный разрыв)
|-
| '''50''' || 0.39 || 0.7 || -0.15 || '''0.85''' (разрыв уменьшается)
|-
| '''100''' || 0.18 || 0.3 || 0.1 || '''0.2''' (все показатели низкие)
|}

* Average Achievement of Students из RAWGraphs:
[[Файл:Average Achievement of Students.jpg]]

== Анализ результатов по шагам ==

=== Шаг 1: school-transportation-cost = 1 (низкая стоимость) ===

* '''Доступность:''' 100% студентов зачислены в школы.
* '''Сегрегация:''' Наблюдается '''максимальное неравенство'''. Высокодоходные студенты (20% населения) концентрируются в лучших школах (средняя успеваемость ~1.94), в то время как низкодоходные (80%) остаются в слабых школах (успеваемость отрицательная).
* '''Механизм:''' При нулевых транспортных издержках богатые семьи свободно выбирают лучшие школы по всему городу, создавая "супер-сегрегацию".

Низкие транспортные расходы не гарантируют равенства. Напротив, они позволяют состоятельным агентам монополизировать лучшие образовательные ресурсы, усиливая разрыв.

=== Шаг 2: school-transportation-cost = 50 (средняя стоимость) ===

* '''Доступность:''' Катастрофическое падение - '''~63% студентов не могут поступить''' вообще.
* '''Сегрегация (парадокс):''' '''Разрыв в успеваемости между группами сокращается'''. Успеваемость богатых падает (с ~1.94 до 0.6-0.93), а бедных - растёт (с отрицательной до 0.32).
* '''Механизм:''' Высокие транспортные издержки ограничивают мобильность богатых семей. Они реже ездят в отдалённые "топовые" школы, часть качественных мест становится доступнее для локальных (в том числе бедных) студентов. Однако плата - массовое исключение из системы.
Умеренные транспортные расходы могут снизить сегрегацию "внутри" системы, но ценой '''колоссального сокращения общего доступа''' к образованию.

=== Шаг 3: school-transportation-cost = 100 (высокая стоимость) ===

* '''Доступность:''' '''Кризис доступности - ~87% не учатся'''. Образование становится элитарной услугой.
* '''Сегрегация:''' Все показатели успеваемости падают. Система де-факто перестаёт работать как массовая. Неравенство сохраняется, но в условиях "общей бедности" результатов.
* '''Механизм:''' Экстремальные издержки блокируют выбор школы для всех. Система регрессирует к модели "строго по месту жительства", но с огромными потерями в общем качестве.
Высокие транспортные расходы разрушают систему массового образования. Сегрегация принимает форму '''исключения большинства из системы''', а не дифференциации внутри неё.

== Общий вывод и интерпретация ==

1. '''Гипотеза подтвердилась, но с важным уточнением:''' Увеличение транспортных расходов действительно резко снижает доступ к образованию для бедных (рост <code>Unenrolled</code> с 0% до 87%). Однако влияние на '''внутрисистемную сегрегацию''' (разрыв в успеваемости) оказалось '''нелинейным''':
* Максимальная сегрегация наблюдалась при самых низких расходах (cost=1).
* Сегрегация уменьшалась при средних расходах (cost=50), но за счёт катастрофического падения доступности.

2. '''Ключевая дилемма политики:''' Существует '''трудный компромисс (trade-off)''' между:
* Доступностью (охватом населения образованием)
* Снижением сегрегации (разрывов в качестве между группами)
* Общим качеством системы

3. '''Три режима работы системы:'''
* Режим "свободного рынка" (cost=1): Высокий доступ, максимальная сегрегация, высокое качество для элиты.
* Режим "ограниченной мобильности" (cost=50): Низкий доступ, меньшая сегрегация, среднее качество.
* Режим "коллапса" (cost=100): Крайне низкий доступ, система перестаёт быть массовой.

== Заключение ==

Эксперимент наглядно демонстрирует, что '''транспортные расходы являются критическим фактором образовательного неравенства''', но их влияние сложно и нелинейно. Простое снижение или увеличение этих расходов без учёта институционального контекста может приводить к непредвиденным последствиям.

= Эксперимент №2: Влияние стратегии выбора школы на образовательный разрыв =

'''Гипотеза:''' Если богатые семьи при выборе школы в первую очередь смотрят на её качество, а не на близость к дому, то неравенство в образовании между богатыми и бедными детьми усиливается.

'''Цель эксперимента:''' Исследовать, как стратегия выбора школы, основанная на приоритете качества обучения над близостью к дому со стороны богатых семей, влияет на динамику образовательного неравенства между двумя группами:
* Высокодоходные семьи — могут позволить себе выбирать школу по качеству, игнорируя транспортные расходы.
* Низкодоходные студенты — ограничены в выборе из-за стоимости транспорта и близости.

Мы хотим понять: Ведет ли активный поиск лучших школ богатыми семьями к большему расслоению и неравенству в образовании?

== Методология и настройки модели ==

'''Модель:''' Агентная модель школьного выбора (School Choice ABM)

'''Источник:'''
[http://ccl.northwestern.edu/netlogo/community/School_Choice_ABM.nlogo School Choice ABM, Northwestern University]

'''Ссылка на исследование:''' Diego A. Díaz, Ana María Jiménez & Cristián Larroulet (2019) An agent-based model of school choice with information asymmetries, Journal of Simulation, DOI: 10.1080/17477778.2019.1679674

'''Фиксированные параметры (одинаковы для всех прогонов):'''

{| class="wikitable"
|-
! Параметр !! Значение !! Обоснование
|-
| '''number-of-schools''' || 30 || 1 школа на 10 студентов (умеренная плотность)
|-
| '''initial-students''' || 300 || 60 богатых (20%), 240 бедных (80%)
|-
| '''high-income-percentage''' || 20% || Реалистичное социальное неравенство (правило Парето 80/20)
|-
| '''school-transportation-cost''' || 10 || Стандартная стоимость транспорта
|-
| '''with-school-choice?''' || true || Исследуем систему со свободным выбором школы
|}

'''Исследуемый (независимый) параметр:'''

* '''alpha''' (чувствительность к качеству школы для богатых семей): 0.1, 0.5, 0.9

'''Протокол эксперимента:'''

1. Базовая проверка гипотезы

Мы смоделировали три основные стратегии, которыми могут руководствоваться богатые семьи при выборе школы, чтобы увидеть, как каждая из них формирует образовательное неравенство.

* Вариант А (alpha=0.1): Богатые выбирают школы в основном по близости к дому. Это консервативный сценарий, где их поведение мало отличается от выбора бедных семей, вынужденных опираться на доступность.

* Вариант В (alpha=0.5): Смешанная стратегия. Богатые балансируют между качеством школы и её расположением. Этот сценарий наиболее реалистичен и отражает компромисс, который делают многие семьи в реальном мире.

* Вариант С (alpha=0.9): Богатые выбирают в основном по качеству, активно используя свои ресурсы для попадания в лучшие учебные заведения. Это сценарий, максимизирующий личную выгоду и потенциально ведущий к сильному расслоению.

2. Процедура сбора данных

Данные фиксировались на 110-м году моделирования, когда система выходила на стабильное состояние.

4. Ключевые метрики

Для анализа результатов мы фокусируемся на четырёх индикаторах:

* '''Среднее качество образования''' для богатых и бедных по отдельности.

* '''Разрыв в качестве''' (разность между средним качеством для богатых и для бедных) — главный показатель неравенства в результатах.

* '''Уровень сегрегации (индекс Дункана)''' — показывает, насколько сильно школы разделены по социальному признаку.

* '''Процент неучтённых студентов''' — выявляет, есть ли в системе ученики, вообще оставшиеся без места в школе.

== Данные и результаты ==

=== Динамика зачисления студентов (%) ===

Следующие данные показывают, как чувствительность к качеству школы для богатых семей влияет на возможность получения образования:

* https://docs.google.com/spreadsheets/d/1xWmCR_HzGBeTRMX_PRVJXkSFCn1yI9mMM2dDc3TkO3s/edit?usp=sharing

Данные о распределении студентов по школам разного уровня качества в зависимости от выбора качественных школ для богатых семей:

{{#widget:Google Spreadsheet
|key=e/2PACX-1vS0hMje48kGkuERmCuLfo7qQjmO8Xycw4miXLtM5flc1FYSZM1cDtII42zTn7DrYU_axUJX4VAHxhDd
|width=100%
|height=400
}}

'''Ключевые наблюдения по графикам зачисления:'''

{| class="wikitable"
|-
! Alpha !! Unenrolled (Не учатся) !! High Achievement !! Medium Achievement !! Low Achievement !! Вывод
|-
| '''0.1''' || ~0.75% || ~9.6% || ~78.1% || ~13.3% || Минимальное исключение, система доступна всем. Преобладание в средних школах.
|-
| '''0.5''' || ~1.31% || ~3.3% || ~80.2% || ~13.9% || Умеренное исключение, парадоксально низкая доля в лучших школах.
|-
| '''0.9''' || ~0.07% || ~27.6% || ~66.8% || ~5.5% || Практически полный охват, но сильная сегрегация. Богатые концентрируются в лучших школах.
|}

* % of students enrolled:

[[Файл:Таблица2...jpg]]

=== Динамика средней успеваемости (Average Achievement) ===

Следующие данные показывают динамику средней успеваемости при чувствительности к качеству школы для богатых семей:

* https://docs.google.com/spreadsheets/d/1fKbZxBubRZxB9Jo7vGOekblvL7XMfL7e78dZYBmjuek/edit?usp=sharing

Данные о средней успеваемости разных групп студентов в зависимости от чувствительности к качеству школы для богатых семей:

{{#widget:Google Spreadsheet
|key=e/2PACX-1vT2AcPlD-NzpCnR-ZfsCHq6TRbcy5jd6WyOuL-PHkEXDEPFR-_RSXr31OxwtfG7SQESUTzOHvGUqjFu
|width=100%
|height=400
}}

'''Таблица средних значений успеваемости (за период 110-132 шаги):'''

{| class="wikitable"
|-
! Alpha !! Все студенты (среднее) !! High-income !! Low-income !! Разрыв (High - Low)
|-
| '''0.1''' || 0.095 || 0.392 || -0.201 || '''0.593'''
|-
| '''0.5''' || 0.826 || 2.004 || -0.352 || '''2.356'''
|-
| '''0.9''' || 1.442 || 2.731 || 0.153 || '''2.578''' (максимальный разрыв)
|}

* Average Achievement of Students из RAWGraphs:
[[Файл:222.jpg]]

== Анализ результатов по шагам ==

=== Шаг 1: Alpha = 0.1 (низкая чувствительность к качеству)) ===

* '''Доступность:''' Максимальный охват. Доля не учащихся (Unenrolled) составляет всего ~0.75%, что говорит о высокой доступности системы для всех.

* '''Распределение и сегрегация:''' Подавляющее большинство студентов (более 78%) учатся в школах со средним уровнем успеваемости (Medium Achievement). Доля студентов, обучающихся в школах с высокой успеваемостью, относительно невелика для всех групп.

* '''Итоговая успеваемость:''' Разрыв в средних результатах между группами с высоким и низким доходом минимален (0.593). Богатые семьи, выбирая по близости, не концентрируются в лучших школах, что предотвращает сильное расслоение по успеваемости.

* '''Механизм:''' При низкой чувствительности к качеству поведение богатых семей почти не отличается от поведения бедных. Система работает по принципу "по месту жительства", что обеспечивает равный доступ, но не максимизирует общие академические результаты.

Стратегия выбора по близости создает наиболее справедливую систему с высоким охватом, однако она не стимулирует конкуренцию за качество и приводит к усреднению результатов.

=== Шаг 2: Alpha = 0.5 (умеренная чувствительность к качеству) ===

* '''Доступность:''' Доступность несколько снижается. Процент не учащихся возрастает до ~1.31%, что может указывать на начало конкуренции за места.

* '''Распределение и сегрегация:''' Наблюдается парадоксальная ситуация: доля богатых студентов в школах с высокой успеваемостью падает до ~3.3%, в то время как доля в средних школах растет до ~80.2%. Это может свидетельствовать о "перегруппировке" или высокой конкуренции за лучшие места.

* '''Итоговая успеваемость:''' Происходит резкий рост неравенства. Средняя успеваемость богатых студентов резко возрастает (2.004), а бедных — падает (-0.352), что приводит к значительному разрыву (2.356).

* '''Механизм:''' Богатые семьи начинают балансировать между качеством и доступностью. Эта "смешанная стратегия" приводит к их уходу из худших школ и активной конкуренции за хорошие, что выталкивает бедных студентов в школы с низкими результатами.

Умеренная чувствительность запускает механизм "соревновательной сегрегации". Она создает наибольший разрыв в результатах, показывая, что даже частичный уход богатых от принципа "по месту жительства" может резко усилить образовательное неравенство.

=== Шаг 3: Alpha = 0.9 (высокая чувствительность к качеству) ===

* '''Доступность:''' Охват системы остается почти полным. Ресурсы для поступления есть у всех.

* '''Распределение и сегрегация:''' Наблюдается сильнейшая сегрегация по качеству. Доля богатых студентов в школах с высокой успеваемостью взлетает до ~27.6%. Школы с низкой успеваемостью почти опустели (~5.5%).

* '''Итоговая успеваемость:''' Разрыв в результатах достигает максимума (2.578). Однако важно отметить, что средний результат бедных студентов становится положительным (0.153), а общая средняя успеваемость системы — самой высокой (1.442).

* '''Механизм:''' Богатые семьи активно используют свои ресурсы для занятия мест в лучших школах. Это создает "элитные" кластеры, но также освобождает места в школах среднего уровня для бедных студентов, повышая их средний результат.

Стратегия активного выбора по качеству приводит к системе с "эффективной, но неравной" сегрегацией. Она максимизирует общие показатели успеваемости системы, но ценой глубокого социального расслоения внутри нее.

=== Общий вывод и интерпретация ===

# '''Гипотеза о влиянии стратегии выбора подтвердилась.''' Изменение параметра Alpha (чувствительности богатых к качеству) кардинально меняет структуру образовательной системы, подтверждая, что поведение элит является ключевым драйвером неравенства.
# '''Выявлена ключевая нелинейность.''' Наибольший разрыв в результатах (Average Achievement) возникает не при максимальной, а при умеренной и высокой чувствительности (Alpha=0.5 и 0.9). Однако причины этого различны: при Alpha=0.5 — из-за выталкивания бедных в худшие школы, а при Alpha=0.9 — из-за концентрации богатых в лучших.
# '''Обнаружен парадокс доступности и сегрегации.''' Самая справедливая система с точки зрения доступа и низкого разрыва (Alpha=0.1) показывает наихудшие общие академические результаты. И наоборот, система с сильной сегрегацией (Alpha=0.9) демонстрирует наивысшую среднюю успеваемость по всем студентам.
# Определены три режима работы системы:
#* Режим "Социальной справедливости" (Alpha=0.1): Высокий охват, низкое неравенство, низкие средние результаты.
# Режим "Нестабильной конкуренции" (Alpha=0.5): Снижение доступности, максимальный рост неравенства, поляризация результатов.
# Режим "Эффективной сегрегации" (Alpha=0.9): Высокий охват, максимальное социальное расслоение, наивысшие средние результаты системы.

== Заключение ==

Эксперимент наглядно демонстрирует глубокую дилемму образовательной политики. Стремление к равенству (низкий Alpha) и стремление к высоким академическим стандартам (высокий Alpha) находятся в объективном противоречии в условиях, когда семьи обладают свободой выбора и неравными ресурсами.

Эксперименты с моделью School Choice ABM

2025-12-27T07:55:07Z

Хлебова Екатерина:

Модель исследует эффекты реформы образования в Чили (2010 г.) — системы «светофоров», которая предоставляет родителям простой цветовой сигнал о качестве школы.

{{#ask: [[School Choice ABM]] | ?Description }}

== Основные принципы модели ==
В модели два типа агентов: школы и студенты. Агенты размещены на плоскости и не перемещаются.

=== Агенты-студенты ===
* Имеют доход, распределённый по закону Парето
* Учатся в школе 10 лет, затем выпускаются
* Ежегодно появляются новые студенты в случайных локациях
* Визуализация: связь (link) с выбранной школой

=== Агенты-школы ===
* Имеют уровень успеваемости (achievement), распределённый по нормальному закону
* Могут быть государственными или частными
* Частные школы доступны только для студентов с высоким доходом

=== Ключевые механизмы ===
==== Процесс выбора школы ====
* Без выбора: студент назначается в ближайшую школу
* С выбором (with-school-choice):
* Богатые студенты максимизируют функцию полезности: <math>U = a^\alpha \times d^{(1-\alpha)}</math>, где:
** <math>a</math> — достижения школы,
** <math>d</math> — относительная близость,
** <math>\alpha</math> — вес качества (0–1)
** Бедные студенты выбирают ближайшую школу

==== Политика «светофоров» ====
При `traffic-lights? = ON` бедные студенты видят цветовой сигнал:
* 🟢 Зелёный — высокая успеваемость
* 🟡 Жёлтый — средняя
* 🔴 Красный — низкая
Богатые студенты обладают полной информацией (точное значение achievement)

==== Финансовые ограничения ====
Доступность школы определяется условием:
<math>\text{income} - \text{distance} \times \text{school-transportation-cost} \geq 0</math>
Даже бесплатная школа может быть недоступна из-за транспортных расходов.

== Данные и показатели модели ==

=== Настраиваемые параметры модели ===
* '''number-of-schools''' — количество школ в системе. Определяет плотность образовательной инфраструктуры.
* '''initial-students''' — начальное количество студентов. Задаёт размер популяции для исследования.
* '''high-income-percentage''' — процент студентов с высоким доходом. Ключевой параметр для изучения социально-экономического неравенства.
* '''alpha''' — вес качества школы в функции полезности для богатых семей (от 0 до 1). Определяет, насколько они готовы жертвовать близостью ради качества.
* '''with-school-choice?''' — логический переключатель. Включает (true) или выключает (false) возможность свободного выбора школы.
* '''traffic-lights?''' — логический переключатель политики «светофоров». При true бедные семьи видят цветовой сигнал о качестве школы.
* '''school-transportation-cost''' — стоимость одной единицы расстояния при поездке в школу. Влияет на доступность образования для бедных семей.

=== Графики и их значения ===

'''График "% of students enrolled"'''
Показывает долю студентов, обучающихся в школах разного уровня качества, и процент тех, кто остался вне системы. Зелёная, жёлтая и красная линии отображают студентов в школах с высоким, средним и низким achievement. Чёрная линия (Unenrolled) показывает процент детей, не поступивших ни в одну школу.

'''График "Income distribution of students"'''
Отображает распределение доходов среди всех студентов. Обычно имеет вид кривой с длинным правым «хвостом», что характерно для распределения Парето. Показывает, какая доля населения является бедной, средней или богатой.

'''График "Achievement distrib schools"'''
Показывает распределение уровня успеваемости (achievement) среди всех школ в системе. Обычно соответствует нормальному распределению, позволяя увидеть, сколько школ являются отличными, средними или слабыми.

== Использование в образовании ==
=== В курсе социально-экономической статистики ===
Модель служит лабораторией для изучения:
* Как индивидуальные решения создают системные эффекты (сегрегацию)
* Роли информационной асимметрии в неравенстве
* Влияния государственной политики на справедливость

== Статистические закономерности ==
=== Распределения ===
* Доходы студентов: закон Парето — большинство бедны, немногие богаты
* Качество школ: нормальное распределение (<math>\mu = 5</math>, <math>\sigma = 1</math>)

=== Измерение сегрегации ===
Коэффициент сегрегации:
<math>S = \frac{1}{2} \sum_{i=1}^{n} \left| \frac{H_i}{H} - \frac{L_i}{L} \right|</math>
где <math>H_i, L_i</math> — богатые и бедные в школе <math>i</math>, <math>H, L</math> — их общее число

=== Анализ влияния политики «светофоров» ===
Переключатель `traffic-lights?` позволяет оценить, как упрощённая информация влияет на выбор бедных семей

=== [[Регрессионный анализ]] ===

На основе данных, полученных при запусках модели, можно построить регрессионную модель для оценки влияния различных факторов на качество выбираемой школы:

<math>\text{achievement}_i = \beta_0 + \beta_1 \times \text{income}_i + \beta_2 \times \text{distance}_i + \beta_3 \times \text{choice}_i + \varepsilon_i</math>

'''Обозначения:'''
* <math>\text{achievement}_i</math> — уровень успеваемости (качество) школы, куда поступил ученик <math>i</math>
* <math>\text{income}_i</math> — доход семьи этого ученика
* <math>\text{distance}_i</math> — расстояние от его дома до выбранной школы
* <math>\text{choice}_i</math> — признак (0 или 1), показывающий, разрешён ли в этом сценарии выбор школы
* <math>\varepsilon_i</math> — случайная компонента, неучтённые факторы

'''Интерпретация коэффициентов:'''
* <math>\beta_1</math> — «премия за доход». Показывает, на сколько пунктов в среднем увеличивается качество школы при росте дохода семьи на одну единицу. Положительное и значимое значение этого коэффициента свидетельствует о наличии социально-экономического неравенства в доступе к образованию.
* <math>\beta_2</math> — отражает влияние расстояния. Ожидается, что он будет отрицательным, так как семьи, как правило, предпочитают более близкие школы.
* <math>\beta_3</math> — показывает общий эффект от введения возможности выбора школы на качество получаемого учениками образования.

= Эксперимент №1: Влияние транспортных расходов на образовательную сегрегацию и доступность =

'''Гипотеза:''' Увеличение стоимости транспортных расходов (`school-transportation-cost`) отрицательно влияет на доступ к образованию для низкодоходных студентов и усиливает образовательную сегрегацию в модели школьного выбора.

'''Цель эксперимента:''' Исследовать, как транспортные расходы влияют на динамику образовательного неравенства между двумя группами:
* Низкодоходные студенты — особенно чувствительны к транспортным расходам
* Высокодоходные студенты — могут позволить себе дальние поездки в лучшие школы

Мы хотим понять: при каких транспортных расходах система образования становится полностью недоступной для бедных семей, и как это влияет на общую сегрегацию?

== Методология и настройки модели ==

'''Модель:''' Агентная модель школьного выбора (School Choice ABM)

'''Источник:'''
[http://ccl.northwestern.edu/netlogo/community/School_Choice_ABM.nlogo School Choice ABM, Northwestern University]

'''Ссылка на исследование:''' Diego A. Díaz, Ana María Jiménez & Cristián Larroulet (2019) An agent-based model of school choice with information asymmetries, Journal of Simulation, DOI: 10.1080/17477778.2019.1679674

'''Фиксированные параметры (одинаковы для всех прогонов):'''

{| class="wikitable"
|-
! Параметр !! Значение !! Обоснование
|-
| '''number-of-schools''' || 50 || 1 школа на 20 студентов
|-
| '''initial-students''' || 1050 || 210 богатых (20%), 840 бедных (80%)
|-
| '''high-income-percentage''' || 20% || Реалистичное социальное неравенство
|-
| '''alpha''' || 0.9 || Богатые выбирают преимущественно по качеству
|-
| '''with-school-choice?''' || true || Система с выбором школы
|-
| '''traffic-lights?''' || false || Без информационной помощи
|}

'''Исследуемый (независимый) параметр:'''
* '''school-transportation-cost''': 1, 50, 100 (низкая, средняя, высокая стоимость)

=== Протокол эксперимента: ===
# Для каждого из трёх значений параметра '''school-transportation-cost''' (1, 50, 100) был выполнен один прогон модели.
# Данные для анализа были взяты из временного отрезка, когда система уже достигла относительной стабильности — с 110-го по 131-й год моделирования.
# В рамках этого периода анализировались два ключевых показателя:
#* Процент поступивших студентов по категориям школ (высокая, средняя, низкая успеваемость) и процент неучащихся.
#* Средняя успеваемость для всех студентов, а также отдельно для групп с высоким и низким доходом.

== Данные и результаты ==

=== Динамика зачисления студентов (%) ===

Следующие данные показывают, как транспортные расходы влияют на возможность получения образования:

* https://docs.google.com/spreadsheets/d/1Xog969ELwDjsTqBReAFYu01sUWOWzBegIUK47VXwpZg/edit?gid=1780246218#gid=1780246218

Данные о распределении студентов по школам разного уровня качества в зависимости от транспортных расходов:

{{#widget:Google Spreadsheet
|key=e/2PACX-1vS5HyrAFRIwByOTWoH3z_ZHnxdwL5HIKvSaG7T_0dgYsdFlLnnnIQt7l_IDrn-2-mlgNAVHBpTXbNY8
|width=100%
|height=400
}}

'''Ключевые наблюдения по графикам зачисления:'''

{| class="wikitable"
|-
! TransportCost !! Unenrolled (Не учатся) !! High Achievement !! Medium Achievement !! Low Achievement !! Вывод
|-
| '''1''' || ~0% || ~22% || ~62% || ~15% || '''Все учатся''', система доступна
|-
| '''50''' || ~63% || ~9% || ~25% || ~3% || '''Большинство не учатся''', сильное ограничение доступа
|-
| '''100''' || ~87% || ~2.5% || ~9% || ~1% || '''Система почти недоступна''', образование становится элитарным
|}

* % of students enrolled из CODAP:
[[Файл:% of students enrolled.jpg]]

=== Динамика средней успеваемости (Average Achievement) ===

Следующие данные показывают динамику средней успеваемости при разных транспортных расходах:

* https://docs.google.com/spreadsheets/d/1INX7UAnXJlJ2GBZi0itq_CGVQS1fNk5-ubfD_w-28oM/edit?usp=sharing

Данные о средней успеваемости разных групп студентов в зависимости от транспортных расходов:

{{#widget:Google Spreadsheet
|key=e/2PACX-1vQd5o8gpR0YWbbdHeNnMZNTJaUFP_RBO-gJFC8oduybf5q6yIc3DSQqTQ6XhunyEMXZa_YYi5ATg-ee
|width=100%
|height=400
}}

'''Таблица средних значений успеваемости (за период 110-132 шаги):'''

{| class="wikitable"
|-
! TransportCost !! Все студенты !! High-income !! Low-income !! Разрыв (High - Low)
|-
| '''1''' || 0.25 || 1.94 || -0.18 || '''2.12''' (максимальный разрыв)
|-
| '''50''' || 0.39 || 0.7 || -0.15 || '''0.85''' (разрыв уменьшается)
|-
| '''100''' || 0.18 || 0.3 || 0.1 || '''0.2''' (все показатели низкие)
|}

* Average Achievement of Students из RAWGraphs:
[[Файл:Average Achievement of Students.jpg]]

== Анализ результатов по шагам ==

=== Шаг 1: school-transportation-cost = 1 (низкая стоимость) ===

* '''Доступность:''' 100% студентов зачислены в школы.
* '''Сегрегация:''' Наблюдается '''максимальное неравенство'''. Высокодоходные студенты (20% населения) концентрируются в лучших школах (средняя успеваемость ~1.94), в то время как низкодоходные (80%) остаются в слабых школах (успеваемость отрицательная).
* '''Механизм:''' При нулевых транспортных издержках богатые семьи свободно выбирают лучшие школы по всему городу, создавая "супер-сегрегацию".

Низкие транспортные расходы не гарантируют равенства. Напротив, они позволяют состоятельным агентам монополизировать лучшие образовательные ресурсы, усиливая разрыв.

=== Шаг 2: school-transportation-cost = 50 (средняя стоимость) ===

* '''Доступность:''' Катастрофическое падение - '''~63% студентов не могут поступить''' вообще.
* '''Сегрегация (парадокс):''' '''Разрыв в успеваемости между группами сокращается'''. Успеваемость богатых падает (с ~1.94 до 0.6-0.93), а бедных - растёт (с отрицательной до 0.32).
* '''Механизм:''' Высокие транспортные издержки ограничивают мобильность богатых семей. Они реже ездят в отдалённые "топовые" школы, часть качественных мест становится доступнее для локальных (в том числе бедных) студентов. Однако плата - массовое исключение из системы.
Умеренные транспортные расходы могут снизить сегрегацию "внутри" системы, но ценой '''колоссального сокращения общего доступа''' к образованию.

=== Шаг 3: school-transportation-cost = 100 (высокая стоимость) ===

* '''Доступность:''' '''Кризис доступности - ~87% не учатся'''. Образование становится элитарной услугой.
* '''Сегрегация:''' Все показатели успеваемости падают. Система де-факто перестаёт работать как массовая. Неравенство сохраняется, но в условиях "общей бедности" результатов.
* '''Механизм:''' Экстремальные издержки блокируют выбор школы для всех. Система регрессирует к модели "строго по месту жительства", но с огромными потерями в общем качестве.
Высокие транспортные расходы разрушают систему массового образования. Сегрегация принимает форму '''исключения большинства из системы''', а не дифференциации внутри неё.

== Общий вывод и интерпретация ==

1. '''Гипотеза подтвердилась, но с важным уточнением:''' Увеличение транспортных расходов действительно резко снижает доступ к образованию для бедных (рост <code>Unenrolled</code> с 0% до 87%). Однако влияние на '''внутрисистемную сегрегацию''' (разрыв в успеваемости) оказалось '''нелинейным''':
* Максимальная сегрегация наблюдалась при самых низких расходах (cost=1).
* Сегрегация уменьшалась при средних расходах (cost=50), но за счёт катастрофического падения доступности.

2. '''Ключевая дилемма политики:''' Существует '''трудный компромисс (trade-off)''' между:
* Доступностью (охватом населения образованием)
* Снижением сегрегации (разрывов в качестве между группами)
* Общим качеством системы

3. '''Три режима работы системы:'''
* Режим "свободного рынка" (cost=1): Высокий доступ, максимальная сегрегация, высокое качество для элиты.
* Режим "ограниченной мобильности" (cost=50): Низкий доступ, меньшая сегрегация, среднее качество.
* Режим "коллапса" (cost=100): Крайне низкий доступ, система перестаёт быть массовой.

== Заключение ==

Эксперимент наглядно демонстрирует, что '''транспортные расходы являются критическим фактором образовательного неравенства''', но их влияние сложно и нелинейно. Простое снижение или увеличение этих расходов без учёта институционального контекста может приводить к непредвиденным последствиям.

= Эксперимент №2: Влияние стратегии выбора школы на образовательный разрыв =

'''Гипотеза:''' Если богатые семьи при выборе школы в первую очередь смотрят на её качество, а не на близость к дому, то неравенство в образовании между богатыми и бедными детьми усиливается.

'''Цель эксперимента:''' Исследовать, как стратегия выбора школы, основанная на приоритете качества обучения над близостью к дому со стороны богатых семей, влияет на динамику образовательного неравенства между двумя группами:
* Высокодоходные семьи — могут позволить себе выбирать школу по качеству, игнорируя транспортные расходы.
* Низкодоходные студенты — ограничены в выборе из-за стоимости транспорта и близости.

Мы хотим понять: Ведет ли активный поиск лучших школ богатыми семьями к большему расслоению и неравенству в образовании?

== Методология и настройки модели ==

'''Модель:''' Агентная модель школьного выбора (School Choice ABM)

'''Источник:'''
[http://ccl.northwestern.edu/netlogo/community/School_Choice_ABM.nlogo School Choice ABM, Northwestern University]

'''Ссылка на исследование:''' Diego A. Díaz, Ana María Jiménez & Cristián Larroulet (2019) An agent-based model of school choice with information asymmetries, Journal of Simulation, DOI: 10.1080/17477778.2019.1679674

'''Фиксированные параметры (одинаковы для всех прогонов):'''

{| class="wikitable"
|-
! Параметр !! Значение !! Обоснование
|-
| '''number-of-schools''' || 30 || 1 школа на 10 студентов (умеренная плотность)
|-
| '''initial-students''' || 300 || 60 богатых (20%), 240 бедных (80%)
|-
| '''high-income-percentage''' || 20% || Реалистичное социальное неравенство (правило Парето 80/20)
|-
| '''school-transportation-cost''' || 10 || Стандартная стоимость транспорта
|-
| '''with-school-choice?''' || true || Исследуем систему со свободным выбором школы
|}

'''Исследуемый (независимый) параметр:'''

* '''alpha''' (чувствительность к качеству школы для богатых семей): 0.1, 0.5, 0.9

'''Протокол эксперимента:'''

1. Базовая проверка гипотезы

Мы смоделировали три основные стратегии, которыми могут руководствоваться богатые семьи при выборе школы, чтобы увидеть, как каждая из них формирует образовательное неравенство.

* Вариант А (alpha=0.1): Богатые выбирают школы в основном по близости к дому. Это консервативный сценарий, где их поведение мало отличается от выбора бедных семей, вынужденных опираться на доступность.

* Вариант В (alpha=0.5): Смешанная стратегия. Богатые балансируют между качеством школы и её расположением. Этот сценарий наиболее реалистичен и отражает компромисс, который делают многие семьи в реальном мире.

* Вариант С (alpha=0.9): Богатые выбирают в основном по качеству, активно используя свои ресурсы для попадания в лучшие учебные заведения. Это сценарий, максимизирующий личную выгоду и потенциально ведущий к сильному расслоению.

2. Процедура сбора данных

Данные фиксировались на 110-м году моделирования, когда система выходила на стабильное состояние.

4. Ключевые метрики

Для анализа результатов мы фокусируемся на четырёх индикаторах:

* '''Среднее качество образования''' для богатых и бедных по отдельности.

* '''Разрыв в качестве''' (разность между средним качеством для богатых и для бедных) — главный показатель неравенства в результатах.

* '''Уровень сегрегации (индекс Дункана)''' — показывает, насколько сильно школы разделены по социальному признаку.

* '''Процент неучтённых студентов''' — выявляет, есть ли в системе ученики, вообще оставшиеся без места в школе.

== Данные и результаты ==

=== Динамика зачисления студентов (%) ===

Следующие данные показывают, как чувствительность к качеству школы для богатых семей влияет на возможность получения образования:

* https://docs.google.com/spreadsheets/d/1xWmCR_HzGBeTRMX_PRVJXkSFCn1yI9mMM2dDc3TkO3s/edit?usp=sharing

Данные о распределении студентов по школам разного уровня качества в зависимости от выбора качественных школ для богатых семей:

{{#widget:Google Spreadsheet
|key=e/2PACX-1vS0hMje48kGkuERmCuLfo7qQjmO8Xycw4miXLtM5flc1FYSZM1cDtII42zTn7DrYU_axUJX4VAHxhDd
|width=100%
|height=400
}}

'''Ключевые наблюдения по графикам зачисления:'''

{| class="wikitable"
|-
! Alpha !! Unenrolled (Не учатся) !! High Achievement !! Medium Achievement !! Low Achievement !! Вывод
|-
| '''0.1''' || ~0.75% || ~9.6% || ~78.1% || ~13.3% || Минимальное исключение, система доступна всем. Преобладание в средних школах.
|-
| '''0.5''' || ~1.31% || ~3.3% || ~80.2% || ~13.9% || Умеренное исключение, парадоксально низкая доля в лучших школах.
|-
| '''0.9''' || ~0.07% || ~27.6% || ~66.8% || ~5.5% || Практически полный охват, но сильная сегрегация. Богатые концентрируются в лучших школах.
|}

* % of students enrolled:

[[Файл:Таблица2...jpg]]

* При transportation cost = 35 система достигает критической точки перелома. График "% of students enrolled" показывает резкий, нелинейный скачок доли незачисленных студентов (Unenrolled), что знаменует переход от режима свободного выбора с сегрегацией к режиму массового исключения из системы. Это означает, что данная стоимость является пороговым барьером, за которым транспортные расходы становятся непреодолимым препятствием для большинства семей, кардинально меняя сам принцип работы образовательного рынка.

[[Файл:TS.jpg|мини]]

=== Динамика средней успеваемости (Average Achievement) ===

Следующие данные показывают динамику средней успеваемости при чувствительности к качеству школы для богатых семей:

* https://docs.google.com/spreadsheets/d/1fKbZxBubRZxB9Jo7vGOekblvL7XMfL7e78dZYBmjuek/edit?usp=sharing

Данные о средней успеваемости разных групп студентов в зависимости от чувствительности к качеству школы для богатых семей:

{{#widget:Google Spreadsheet
|key=e/2PACX-1vT2AcPlD-NzpCnR-ZfsCHq6TRbcy5jd6WyOuL-PHkEXDEPFR-_RSXr31OxwtfG7SQESUTzOHvGUqjFu
|width=100%
|height=400
}}

'''Таблица средних значений успеваемости (за период 110-132 шаги):'''

{| class="wikitable"
|-
! Alpha !! Все студенты (среднее) !! High-income !! Low-income !! Разрыв (High - Low)
|-
| '''0.1''' || 0.095 || 0.392 || -0.201 || '''0.593'''
|-
| '''0.5''' || 0.826 || 2.004 || -0.352 || '''2.356'''
|-
| '''0.9''' || 1.442 || 2.731 || 0.153 || '''2.578''' (максимальный разрыв)
|}

* Average Achievement of Students из RAWGraphs:
[[Файл:222.jpg]]

== Анализ результатов по шагам ==

=== Шаг 1: Alpha = 0.1 (низкая чувствительность к качеству)) ===

* '''Доступность:''' Максимальный охват. Доля не учащихся (Unenrolled) составляет всего ~0.75%, что говорит о высокой доступности системы для всех.

* '''Распределение и сегрегация:''' Подавляющее большинство студентов (более 78%) учатся в школах со средним уровнем успеваемости (Medium Achievement). Доля студентов, обучающихся в школах с высокой успеваемостью, относительно невелика для всех групп.

* '''Итоговая успеваемость:''' Разрыв в средних результатах между группами с высоким и низким доходом минимален (0.593). Богатые семьи, выбирая по близости, не концентрируются в лучших школах, что предотвращает сильное расслоение по успеваемости.

* '''Механизм:''' При низкой чувствительности к качеству поведение богатых семей почти не отличается от поведения бедных. Система работает по принципу "по месту жительства", что обеспечивает равный доступ, но не максимизирует общие академические результаты.

Стратегия выбора по близости создает наиболее справедливую систему с высоким охватом, однако она не стимулирует конкуренцию за качество и приводит к усреднению результатов.

=== Шаг 2: Alpha = 0.5 (умеренная чувствительность к качеству) ===

* '''Доступность:''' Доступность несколько снижается. Процент не учащихся возрастает до ~1.31%, что может указывать на начало конкуренции за места.

* '''Распределение и сегрегация:''' Наблюдается парадоксальная ситуация: доля богатых студентов в школах с высокой успеваемостью падает до ~3.3%, в то время как доля в средних школах растет до ~80.2%. Это может свидетельствовать о "перегруппировке" или высокой конкуренции за лучшие места.

* '''Итоговая успеваемость:''' Происходит резкий рост неравенства. Средняя успеваемость богатых студентов резко возрастает (2.004), а бедных — падает (-0.352), что приводит к значительному разрыву (2.356).

* '''Механизм:''' Богатые семьи начинают балансировать между качеством и доступностью. Эта "смешанная стратегия" приводит к их уходу из худших школ и активной конкуренции за хорошие, что выталкивает бедных студентов в школы с низкими результатами.

Умеренная чувствительность запускает механизм "соревновательной сегрегации". Она создает наибольший разрыв в результатах, показывая, что даже частичный уход богатых от принципа "по месту жительства" может резко усилить образовательное неравенство.

=== Шаг 3: Alpha = 0.9 (высокая чувствительность к качеству) ===

* '''Доступность:''' Охват системы остается почти полным. Ресурсы для поступления есть у всех.

* '''Распределение и сегрегация:''' Наблюдается сильнейшая сегрегация по качеству. Доля богатых студентов в школах с высокой успеваемостью взлетает до ~27.6%. Школы с низкой успеваемостью почти опустели (~5.5%).

* '''Итоговая успеваемость:''' Разрыв в результатах достигает максимума (2.578). Однако важно отметить, что средний результат бедных студентов становится положительным (0.153), а общая средняя успеваемость системы — самой высокой (1.442).

* '''Механизм:''' Богатые семьи активно используют свои ресурсы для занятия мест в лучших школах. Это создает "элитные" кластеры, но также освобождает места в школах среднего уровня для бедных студентов, повышая их средний результат.

Стратегия активного выбора по качеству приводит к системе с "эффективной, но неравной" сегрегацией. Она максимизирует общие показатели успеваемости системы, но ценой глубокого социального расслоения внутри нее.

=== Общий вывод и интерпретация ===

# '''Гипотеза о влиянии стратегии выбора подтвердилась.''' Изменение параметра Alpha (чувствительности богатых к качеству) кардинально меняет структуру образовательной системы, подтверждая, что поведение элит является ключевым драйвером неравенства.
# '''Выявлена ключевая нелинейность.''' Наибольший разрыв в результатах (Average Achievement) возникает не при максимальной, а при умеренной и высокой чувствительности (Alpha=0.5 и 0.9). Однако причины этого различны: при Alpha=0.5 — из-за выталкивания бедных в худшие школы, а при Alpha=0.9 — из-за концентрации богатых в лучших.
# '''Обнаружен парадокс доступности и сегрегации.''' Самая справедливая система с точки зрения доступа и низкого разрыва (Alpha=0.1) показывает наихудшие общие академические результаты. И наоборот, система с сильной сегрегацией (Alpha=0.9) демонстрирует наивысшую среднюю успеваемость по всем студентам.
# Определены три режима работы системы:
#* Режим "Социальной справедливости" (Alpha=0.1): Высокий охват, низкое неравенство, низкие средние результаты.
# Режим "Нестабильной конкуренции" (Alpha=0.5): Снижение доступности, максимальный рост неравенства, поляризация результатов.
# Режим "Эффективной сегрегации" (Alpha=0.9): Высокий охват, максимальное социальное расслоение, наивысшие средние результаты системы.

== Заключение ==

Эксперимент наглядно демонстрирует глубокую дилемму образовательной политики. Стремление к равенству (низкий Alpha) и стремление к высоким академическим стандартам (высокий Alpha) находятся в объективном противоречии в условиях, когда семьи обладают свободой выбора и неравными ресурсами.

Файл:TS.jpg

2025-12-27T07:54:35Z

Хлебова Екатерина:

Эксперименты с моделью School Choice ABM

2025-12-27T07:35:24Z

Хлебова Екатерина:

Модель исследует эффекты реформы образования в Чили (2010 г.) — системы «светофоров», которая предоставляет родителям простой цветовой сигнал о качестве школы.

{{#ask: [[School Choice ABM]] | ?Description }}

== Основные принципы модели ==
В модели два типа агентов: школы и студенты. Агенты размещены на плоскости и не перемещаются.

=== Агенты-студенты ===
* Имеют доход, распределённый по закону Парето
* Учатся в школе 10 лет, затем выпускаются
* Ежегодно появляются новые студенты в случайных локациях
* Визуализация: связь (link) с выбранной школой

=== Агенты-школы ===
* Имеют уровень успеваемости (achievement), распределённый по нормальному закону
* Могут быть государственными или частными
* Частные школы доступны только для студентов с высоким доходом

=== Ключевые механизмы ===
==== Процесс выбора школы ====
* Без выбора: студент назначается в ближайшую школу
* С выбором (with-school-choice):
* Богатые студенты максимизируют функцию полезности: <math>U = a^\alpha \times d^{(1-\alpha)}</math>, где:
** <math>a</math> — достижения школы,
** <math>d</math> — относительная близость,
** <math>\alpha</math> — вес качества (0–1)
** Бедные студенты выбирают ближайшую школу

==== Политика «светофоров» ====
При `traffic-lights? = ON` бедные студенты видят цветовой сигнал:
* 🟢 Зелёный — высокая успеваемость
* 🟡 Жёлтый — средняя
* 🔴 Красный — низкая
Богатые студенты обладают полной информацией (точное значение achievement)

==== Финансовые ограничения ====
Доступность школы определяется условием:
<math>\text{income} - \text{distance} \times \text{school-transportation-cost} \geq 0</math>
Даже бесплатная школа может быть недоступна из-за транспортных расходов.

== Данные и показатели модели ==

=== Настраиваемые параметры модели ===
* '''number-of-schools''' — количество школ в системе. Определяет плотность образовательной инфраструктуры.
* '''initial-students''' — начальное количество студентов. Задаёт размер популяции для исследования.
* '''high-income-percentage''' — процент студентов с высоким доходом. Ключевой параметр для изучения социально-экономического неравенства.
* '''alpha''' — вес качества школы в функции полезности для богатых семей (от 0 до 1). Определяет, насколько они готовы жертвовать близостью ради качества.
* '''with-school-choice?''' — логический переключатель. Включает (true) или выключает (false) возможность свободного выбора школы.
* '''traffic-lights?''' — логический переключатель политики «светофоров». При true бедные семьи видят цветовой сигнал о качестве школы.
* '''school-transportation-cost''' — стоимость одной единицы расстояния при поездке в школу. Влияет на доступность образования для бедных семей.

=== Графики и их значения ===

'''График "% of students enrolled"'''
Показывает долю студентов, обучающихся в школах разного уровня качества, и процент тех, кто остался вне системы. Зелёная, жёлтая и красная линии отображают студентов в школах с высоким, средним и низким achievement. Чёрная линия (Unenrolled) показывает процент детей, не поступивших ни в одну школу.

'''График "Income distribution of students"'''
Отображает распределение доходов среди всех студентов. Обычно имеет вид кривой с длинным правым «хвостом», что характерно для распределения Парето. Показывает, какая доля населения является бедной, средней или богатой.

'''График "Achievement distrib schools"'''
Показывает распределение уровня успеваемости (achievement) среди всех школ в системе. Обычно соответствует нормальному распределению, позволяя увидеть, сколько школ являются отличными, средними или слабыми.

== Использование в образовании ==
=== В курсе социально-экономической статистики ===
Модель служит лабораторией для изучения:
* Как индивидуальные решения создают системные эффекты (сегрегацию)
* Роли информационной асимметрии в неравенстве
* Влияния государственной политики на справедливость

== Статистические закономерности ==
=== Распределения ===
* Доходы студентов: закон Парето — большинство бедны, немногие богаты
* Качество школ: нормальное распределение (<math>\mu = 5</math>, <math>\sigma = 1</math>)

=== Измерение сегрегации ===
Коэффициент сегрегации:
<math>S = \frac{1}{2} \sum_{i=1}^{n} \left| \frac{H_i}{H} - \frac{L_i}{L} \right|</math>
где <math>H_i, L_i</math> — богатые и бедные в школе <math>i</math>, <math>H, L</math> — их общее число

=== Анализ влияния политики «светофоров» ===
Переключатель `traffic-lights?` позволяет оценить, как упрощённая информация влияет на выбор бедных семей

=== [[Регрессионный анализ]] ===

На основе данных, полученных при запусках модели, можно построить регрессионную модель для оценки влияния различных факторов на качество выбираемой школы:

<math>\text{achievement}_i = \beta_0 + \beta_1 \times \text{income}_i + \beta_2 \times \text{distance}_i + \beta_3 \times \text{choice}_i + \varepsilon_i</math>

'''Обозначения:'''
* <math>\text{achievement}_i</math> — уровень успеваемости (качество) школы, куда поступил ученик <math>i</math>
* <math>\text{income}_i</math> — доход семьи этого ученика
* <math>\text{distance}_i</math> — расстояние от его дома до выбранной школы
* <math>\text{choice}_i</math> — признак (0 или 1), показывающий, разрешён ли в этом сценарии выбор школы
* <math>\varepsilon_i</math> — случайная компонента, неучтённые факторы

'''Интерпретация коэффициентов:'''
* <math>\beta_1</math> — «премия за доход». Показывает, на сколько пунктов в среднем увеличивается качество школы при росте дохода семьи на одну единицу. Положительное и значимое значение этого коэффициента свидетельствует о наличии социально-экономического неравенства в доступе к образованию.
* <math>\beta_2</math> — отражает влияние расстояния. Ожидается, что он будет отрицательным, так как семьи, как правило, предпочитают более близкие школы.
* <math>\beta_3</math> — показывает общий эффект от введения возможности выбора школы на качество получаемого учениками образования.

= Эксперимент №1: Влияние транспортных расходов на образовательную сегрегацию и доступность =

'''Гипотеза:''' Увеличение стоимости транспортных расходов (`school-transportation-cost`) отрицательно влияет на доступ к образованию для низкодоходных студентов и усиливает образовательную сегрегацию в модели школьного выбора.

'''Цель эксперимента:''' Исследовать, как транспортные расходы влияют на динамику образовательного неравенства между двумя группами:
* Низкодоходные студенты — особенно чувствительны к транспортным расходам
* Высокодоходные студенты — могут позволить себе дальние поездки в лучшие школы

Мы хотим понять: при каких транспортных расходах система образования становится полностью недоступной для бедных семей, и как это влияет на общую сегрегацию?

== Методология и настройки модели ==

'''Модель:''' Агентная модель школьного выбора (School Choice ABM)

'''Источник:'''
[http://ccl.northwestern.edu/netlogo/community/School_Choice_ABM.nlogo School Choice ABM, Northwestern University]

'''Ссылка на исследование:''' Diego A. Díaz, Ana María Jiménez & Cristián Larroulet (2019) An agent-based model of school choice with information asymmetries, Journal of Simulation, DOI: 10.1080/17477778.2019.1679674

'''Фиксированные параметры (одинаковы для всех прогонов):'''

{| class="wikitable"
|-
! Параметр !! Значение !! Обоснование
|-
| '''number-of-schools''' || 50 || 1 школа на 20 студентов
|-
| '''initial-students''' || 1050 || 210 богатых (20%), 840 бедных (80%)
|-
| '''high-income-percentage''' || 20% || Реалистичное социальное неравенство
|-
| '''alpha''' || 0.9 || Богатые выбирают преимущественно по качеству
|-
| '''with-school-choice?''' || true || Система с выбором школы
|-
| '''traffic-lights?''' || false || Без информационной помощи
|}

'''Исследуемый (независимый) параметр:'''
* '''school-transportation-cost''': 1, 50, 100 (низкая, средняя, высокая стоимость)

=== Протокол эксперимента: ===
# Для каждого из трёх значений параметра '''school-transportation-cost''' (1, 50, 100) был выполнен один прогон модели.
# Данные для анализа были взяты из временного отрезка, когда система уже достигла относительной стабильности — с 110-го по 131-й год моделирования.
# В рамках этого периода анализировались два ключевых показателя:
#* Процент поступивших студентов по категориям школ (высокая, средняя, низкая успеваемость) и процент неучащихся.
#* Средняя успеваемость для всех студентов, а также отдельно для групп с высоким и низким доходом.

== Данные и результаты ==

=== Динамика зачисления студентов (%) ===

Следующие данные показывают, как транспортные расходы влияют на возможность получения образования:

* https://docs.google.com/spreadsheets/d/1Xog969ELwDjsTqBReAFYu01sUWOWzBegIUK47VXwpZg/edit?gid=1780246218#gid=1780246218

Данные о распределении студентов по школам разного уровня качества в зависимости от транспортных расходов:

{{#widget:Google Spreadsheet
|key=e/2PACX-1vS5HyrAFRIwByOTWoH3z_ZHnxdwL5HIKvSaG7T_0dgYsdFlLnnnIQt7l_IDrn-2-mlgNAVHBpTXbNY8
|width=100%
|height=400
}}

'''Ключевые наблюдения по графикам зачисления:'''

{| class="wikitable"
|-
! TransportCost !! Unenrolled (Не учатся) !! High Achievement !! Medium Achievement !! Low Achievement !! Вывод
|-
| '''1''' || ~0% || ~22% || ~62% || ~15% || '''Все учатся''', система доступна
|-
| '''50''' || ~63% || ~9% || ~25% || ~3% || '''Большинство не учатся''', сильное ограничение доступа
|-
| '''100''' || ~87% || ~2.5% || ~9% || ~1% || '''Система почти недоступна''', образование становится элитарным
|}

* % of students enrolled из CODAP:
[[Файл:% of students enrolled.jpg]]

=== Динамика средней успеваемости (Average Achievement) ===

Следующие данные показывают динамику средней успеваемости при разных транспортных расходах:

* https://docs.google.com/spreadsheets/d/1INX7UAnXJlJ2GBZi0itq_CGVQS1fNk5-ubfD_w-28oM/edit?usp=sharing

Данные о средней успеваемости разных групп студентов в зависимости от транспортных расходов:

{{#widget:Google Spreadsheet
|key=e/2PACX-1vQd5o8gpR0YWbbdHeNnMZNTJaUFP_RBO-gJFC8oduybf5q6yIc3DSQqTQ6XhunyEMXZa_YYi5ATg-ee
|width=100%
|height=400
}}

'''Таблица средних значений успеваемости (за период 110-132 шаги):'''

{| class="wikitable"
|-
! TransportCost !! Все студенты !! High-income !! Low-income !! Разрыв (High - Low)
|-
| '''1''' || 0.25 || 1.94 || -0.18 || '''2.12''' (максимальный разрыв)
|-
| '''50''' || 0.39 || 0.7 || -0.15 || '''0.85''' (разрыв уменьшается)
|-
| '''100''' || 0.18 || 0.3 || 0.1 || '''0.2''' (все показатели низкие)
|}

* Average Achievement of Students из RAWGraphs:
[[Файл:Average Achievement of Students.jpg]]

== Анализ результатов по шагам ==

=== Шаг 1: school-transportation-cost = 1 (низкая стоимость) ===

* '''Доступность:''' 100% студентов зачислены в школы.
* '''Сегрегация:''' Наблюдается '''максимальное неравенство'''. Высокодоходные студенты (20% населения) концентрируются в лучших школах (средняя успеваемость ~1.94), в то время как низкодоходные (80%) остаются в слабых школах (успеваемость отрицательная).
* '''Механизм:''' При нулевых транспортных издержках богатые семьи свободно выбирают лучшие школы по всему городу, создавая "супер-сегрегацию".

Низкие транспортные расходы не гарантируют равенства. Напротив, они позволяют состоятельным агентам монополизировать лучшие образовательные ресурсы, усиливая разрыв.

=== Шаг 2: school-transportation-cost = 50 (средняя стоимость) ===

* '''Доступность:''' Катастрофическое падение - '''~63% студентов не могут поступить''' вообще.
* '''Сегрегация (парадокс):''' '''Разрыв в успеваемости между группами сокращается'''. Успеваемость богатых падает (с ~1.94 до 0.6-0.93), а бедных - растёт (с отрицательной до 0.32).
* '''Механизм:''' Высокие транспортные издержки ограничивают мобильность богатых семей. Они реже ездят в отдалённые "топовые" школы, часть качественных мест становится доступнее для локальных (в том числе бедных) студентов. Однако плата - массовое исключение из системы.
Умеренные транспортные расходы могут снизить сегрегацию "внутри" системы, но ценой '''колоссального сокращения общего доступа''' к образованию.

=== Шаг 3: school-transportation-cost = 100 (высокая стоимость) ===

* '''Доступность:''' '''Кризис доступности - ~87% не учатся'''. Образование становится элитарной услугой.
* '''Сегрегация:''' Все показатели успеваемости падают. Система де-факто перестаёт работать как массовая. Неравенство сохраняется, но в условиях "общей бедности" результатов.
* '''Механизм:''' Экстремальные издержки блокируют выбор школы для всех. Система регрессирует к модели "строго по месту жительства", но с огромными потерями в общем качестве.
Высокие транспортные расходы разрушают систему массового образования. Сегрегация принимает форму '''исключения большинства из системы''', а не дифференциации внутри неё.

== Общий вывод и интерпретация ==

1. '''Гипотеза подтвердилась, но с важным уточнением:''' Увеличение транспортных расходов действительно резко снижает доступ к образованию для бедных (рост <code>Unenrolled</code> с 0% до 87%). Однако влияние на '''внутрисистемную сегрегацию''' (разрыв в успеваемости) оказалось '''нелинейным''':
* Максимальная сегрегация наблюдалась при самых низких расходах (cost=1).
* Сегрегация уменьшалась при средних расходах (cost=50), но за счёт катастрофического падения доступности.

2. '''Ключевая дилемма политики:''' Существует '''трудный компромисс (trade-off)''' между:
* Доступностью (охватом населения образованием)
* Снижением сегрегации (разрывов в качестве между группами)
* Общим качеством системы

3. '''Три режима работы системы:'''
* Режим "свободного рынка" (cost=1): Высокий доступ, максимальная сегрегация, высокое качество для элиты.
* Режим "ограниченной мобильности" (cost=50): Низкий доступ, меньшая сегрегация, среднее качество.
* Режим "коллапса" (cost=100): Крайне низкий доступ, система перестаёт быть массовой.

== Заключение ==

Эксперимент наглядно демонстрирует, что '''транспортные расходы являются критическим фактором образовательного неравенства''', но их влияние сложно и нелинейно. Простое снижение или увеличение этих расходов без учёта институционального контекста может приводить к непредвиденным последствиям.

= Эксперимент №2: Влияние стратегии выбора школы на образовательный разрыв =

'''Гипотеза:''' Если богатые семьи при выборе школы в первую очередь смотрят на её качество, а не на близость к дому, то неравенство в образовании между богатыми и бедными детьми усиливается.

'''Цель эксперимента:''' Исследовать, как стратегия выбора школы, основанная на приоритете качества обучения над близостью к дому со стороны богатых семей, влияет на динамику образовательного неравенства между двумя группами:
* Высокодоходные семьи — могут позволить себе выбирать школу по качеству, игнорируя транспортные расходы.
* Низкодоходные студенты — ограничены в выборе из-за стоимости транспорта и близости.

Мы хотим понять: Ведет ли активный поиск лучших школ богатыми семьями к большему расслоению и неравенству в образовании?

== Методология и настройки модели ==

'''Модель:''' Агентная модель школьного выбора (School Choice ABM)

'''Источник:'''
[http://ccl.northwestern.edu/netlogo/community/School_Choice_ABM.nlogo School Choice ABM, Northwestern University]

'''Ссылка на исследование:''' Diego A. Díaz, Ana María Jiménez & Cristián Larroulet (2019) An agent-based model of school choice with information asymmetries, Journal of Simulation, DOI: 10.1080/17477778.2019.1679674

'''Фиксированные параметры (одинаковы для всех прогонов):'''

{| class="wikitable"
|-
! Параметр !! Значение !! Обоснование
|-
| '''number-of-schools''' || 30 || 1 школа на 10 студентов (умеренная плотность)
|-
| '''initial-students''' || 300 || 60 богатых (20%), 240 бедных (80%)
|-
| '''high-income-percentage''' || 20% || Реалистичное социальное неравенство (правило Парето 80/20)
|-
| '''school-transportation-cost''' || 10 || Стандартная стоимость транспорта
|-
| '''with-school-choice?''' || true || Исследуем систему со свободным выбором школы
|}

'''Исследуемый (независимый) параметр:'''

* '''alpha''' (чувствительность к качеству школы для богатых семей): 0.1, 0.5, 0.9

'''Протокол эксперимента:'''

1. Базовая проверка гипотезы

Мы смоделировали три основные стратегии, которыми могут руководствоваться богатые семьи при выборе школы, чтобы увидеть, как каждая из них формирует образовательное неравенство.

* Вариант А (alpha=0.1): Богатые выбирают школы в основном по близости к дому. Это консервативный сценарий, где их поведение мало отличается от выбора бедных семей, вынужденных опираться на доступность.

* Вариант В (alpha=0.5): Смешанная стратегия. Богатые балансируют между качеством школы и её расположением. Этот сценарий наиболее реалистичен и отражает компромисс, который делают многие семьи в реальном мире.

* Вариант С (alpha=0.9): Богатые выбирают в основном по качеству, активно используя свои ресурсы для попадания в лучшие учебные заведения. Это сценарий, максимизирующий личную выгоду и потенциально ведущий к сильному расслоению.

2. Процедура сбора данных

Данные фиксировались на 110-м году моделирования, когда система выходила на стабильное состояние.

4. Ключевые метрики

Для анализа результатов мы фокусируемся на четырёх индикаторах:

* '''Среднее качество образования''' для богатых и бедных по отдельности.

* '''Разрыв в качестве''' (разность между средним качеством для богатых и для бедных) — главный показатель неравенства в результатах.

* '''Уровень сегрегации (индекс Дункана)''' — показывает, насколько сильно школы разделены по социальному признаку.

* '''Процент неучтённых студентов''' — выявляет, есть ли в системе ученики, вообще оставшиеся без места в школе.

== Данные и результаты ==

=== Динамика зачисления студентов (%) ===

Следующие данные показывают, как чувствительность к качеству школы для богатых семей влияет на возможность получения образования:

* https://docs.google.com/spreadsheets/d/1xWmCR_HzGBeTRMX_PRVJXkSFCn1yI9mMM2dDc3TkO3s/edit?usp=sharing

Данные о распределении студентов по школам разного уровня качества в зависимости от выбора качественных школ для богатых семей:

{{#widget:Google Spreadsheet
|key=e/2PACX-1vS0hMje48kGkuERmCuLfo7qQjmO8Xycw4miXLtM5flc1FYSZM1cDtII42zTn7DrYU_axUJX4VAHxhDd
|width=100%
|height=400
}}

'''Ключевые наблюдения по графикам зачисления:'''

{| class="wikitable"
|-
! Alpha !! Unenrolled (Не учатся) !! High Achievement !! Medium Achievement !! Low Achievement !! Вывод
|-
| '''0.1''' || ~0.75% || ~9.6% || ~78.1% || ~13.3% || Минимальное исключение, система доступна всем. Преобладание в средних школах.
|-
| '''0.5''' || ~1.31% || ~3.3% || ~80.2% || ~13.9% || Умеренное исключение, парадоксально низкая доля в лучших школах.
|-
| '''0.9''' || ~0.07% || ~27.6% || ~66.8% || ~5.5% || Практически полный охват, но сильная сегрегация. Богатые концентрируются в лучших школах.
|}

* % of students enrolled:

[[Файл:Таблица2...jpg]]

=== Динамика средней успеваемости (Average Achievement) ===

Следующие данные показывают динамику средней успеваемости при чувствительности к качеству школы для богатых семей:

* https://docs.google.com/spreadsheets/d/1fKbZxBubRZxB9Jo7vGOekblvL7XMfL7e78dZYBmjuek/edit?usp=sharing

Данные о средней успеваемости разных групп студентов в зависимости от чувствительности к качеству школы для богатых семей:

{{#widget:Google Spreadsheet
|key=e/2PACX-1vT2AcPlD-NzpCnR-ZfsCHq6TRbcy5jd6WyOuL-PHkEXDEPFR-_RSXr31OxwtfG7SQESUTzOHvGUqjFu
|width=100%
|height=400
}}

'''Таблица средних значений успеваемости (за период 110-132 шаги):'''

{| class="wikitable"
|-
! Alpha !! Все студенты (среднее) !! High-income !! Low-income !! Разрыв (High - Low)
|-
| '''0.1''' || 0.095 || 0.392 || -0.201 || '''0.593'''
|-
| '''0.5''' || 0.826 || 2.004 || -0.352 || '''2.356'''
|-
| '''0.9''' || 1.442 || 2.731 || 0.153 || '''2.578''' (максимальный разрыв)
|}

* Average Achievement of Students из RAWGraphs:
[[Файл:222.jpg]]

== Анализ результатов по шагам ==

=== Шаг 1: Alpha = 0.1 (низкая чувствительность к качеству)) ===

* '''Доступность:''' Максимальный охват. Доля не учащихся (Unenrolled) составляет всего ~0.75%, что говорит о высокой доступности системы для всех.

* '''Распределение и сегрегация:''' Подавляющее большинство студентов (более 78%) учатся в школах со средним уровнем успеваемости (Medium Achievement). Доля студентов, обучающихся в школах с высокой успеваемостью, относительно невелика для всех групп.

* '''Итоговая успеваемость:''' Разрыв в средних результатах между группами с высоким и низким доходом минимален (0.593). Богатые семьи, выбирая по близости, не концентрируются в лучших школах, что предотвращает сильное расслоение по успеваемости.

* '''Механизм:''' При низкой чувствительности к качеству поведение богатых семей почти не отличается от поведения бедных. Система работает по принципу "по месту жительства", что обеспечивает равный доступ, но не максимизирует общие академические результаты.

Стратегия выбора по близости создает наиболее справедливую систему с высоким охватом, однако она не стимулирует конкуренцию за качество и приводит к усреднению результатов.

=== Шаг 2: Alpha = 0.5 (умеренная чувствительность к качеству) ===

* '''Доступность:''' Доступность несколько снижается. Процент не учащихся возрастает до ~1.31%, что может указывать на начало конкуренции за места.

* '''Распределение и сегрегация:''' Наблюдается парадоксальная ситуация: доля богатых студентов в школах с высокой успеваемостью падает до ~3.3%, в то время как доля в средних школах растет до ~80.2%. Это может свидетельствовать о "перегруппировке" или высокой конкуренции за лучшие места.

* '''Итоговая успеваемость:''' Происходит резкий рост неравенства. Средняя успеваемость богатых студентов резко возрастает (2.004), а бедных — падает (-0.352), что приводит к значительному разрыву (2.356).

* '''Механизм:''' Богатые семьи начинают балансировать между качеством и доступностью. Эта "смешанная стратегия" приводит к их уходу из худших школ и активной конкуренции за хорошие, что выталкивает бедных студентов в школы с низкими результатами.

Умеренная чувствительность запускает механизм "соревновательной сегрегации". Она создает наибольший разрыв в результатах, показывая, что даже частичный уход богатых от принципа "по месту жительства" может резко усилить образовательное неравенство.

=== Шаг 3: Alpha = 0.9 (высокая чувствительность к качеству) ===

* '''Доступность:''' Охват системы остается почти полным. Ресурсы для поступления есть у всех.

* '''Распределение и сегрегация:''' Наблюдается сильнейшая сегрегация по качеству. Доля богатых студентов в школах с высокой успеваемостью взлетает до ~27.6%. Школы с низкой успеваемостью почти опустели (~5.5%).

* '''Итоговая успеваемость:''' Разрыв в результатах достигает максимума (2.578). Однако важно отметить, что средний результат бедных студентов становится положительным (0.153), а общая средняя успеваемость системы — самой высокой (1.442).

* '''Механизм:''' Богатые семьи активно используют свои ресурсы для занятия мест в лучших школах. Это создает "элитные" кластеры, но также освобождает места в школах среднего уровня для бедных студентов, повышая их средний результат.

Стратегия активного выбора по качеству приводит к системе с "эффективной, но неравной" сегрегацией. Она максимизирует общие показатели успеваемости системы, но ценой глубокого социального расслоения внутри нее.

=== Общий вывод и интерпретация ===

# '''Гипотеза о влиянии стратегии выбора подтвердилась.''' Изменение параметра Alpha (чувствительности богатых к качеству) кардинально меняет структуру образовательной системы, подтверждая, что поведение элит является ключевым драйвером неравенства.
# '''Выявлена ключевая нелинейность.''' Наибольший разрыв в результатах (Average Achievement) возникает не при максимальной, а при умеренной и высокой чувствительности (Alpha=0.5 и 0.9). Однако причины этого различны: при Alpha=0.5 — из-за выталкивания бедных в худшие школы, а при Alpha=0.9 — из-за концентрации богатых в лучших.
# '''Обнаружен парадокс доступности и сегрегации.''' Самая справедливая система с точки зрения доступа и низкого разрыва (Alpha=0.1) показывает наихудшие общие академические результаты. И наоборот, система с сильной сегрегацией (Alpha=0.9) демонстрирует наивысшую среднюю успеваемость по всем студентам.
# Определены три режима работы системы:
#* Режим "Социальной справедливости" (Alpha=0.1): Высокий охват, низкое неравенство, низкие средние результаты.
# Режим "Нестабильной конкуренции" (Alpha=0.5): Снижение доступности, максимальный рост неравенства, поляризация результатов.
# Режим "Эффективной сегрегации" (Alpha=0.9): Высокий охват, максимальное социальное расслоение, наивысшие средние результаты системы.

== Заключение ==

Эксперимент наглядно демонстрирует глубокую дилемму образовательной политики. Стремление к равенству (низкий Alpha) и стремление к высоким академическим стандартам (высокий Alpha) находятся в объективном противоречии в условиях, когда семьи обладают свободой выбора и неравными ресурсами.

Участник:Хлебова Екатерина

2025-12-22T14:20:48Z

Хлебова Екатерина:

Участник:Хлебова Екатерина

2025-12-22T14:20:21Z

Хлебова Екатерина:

Участник:Хлебова Екатерина

2025-12-22T14:15:46Z

Хлебова Екатерина:

Обсуждение:Wealth Distribution

2025-12-22T14:15:15Z

Хлебова Екатерина:

== Экспериментальные датасеты NetLogo ==

=== [[Эксперимент]] 29 ноября 2025 ===
Мы получили набор данных из модели [[Wealth Distribution]] - BehaviorSpace со следующими условиями:
["num-grain-grown" 4]
["percent-best-land" 5 10 15 20]
["metabolism-max" 10 15 20]
["max-vision" 4 5 6 7 8 9 10]
["num-people" 400]
["grain-growth-interval" 2]
["life-expectancy-min" 30]
["life-expectancy-max" 70]

В эксперименте собирались следующие метрики:
ticks
count turtles
count turtles with [color = red]
count turtles with [color = green]
count turtles with [color = blue]
gini-index-reserve / num-people
gini-index-reserve

; Результаты
* https://raw.githubusercontent.com/patarakin/stat-data/refs/heads/main/datasets/csv/Wealth%20Distribution%20experiment_29-table.csv

''' График изменения неравенства во времени (gini-index-reserve по ticks)'''

[[Участник:Malena Buzdugan|Malena Buzdugan]] 11:04, 13 декабря 2025 (MSK)
[[Файл:Viz (2).png|600px|центр]]
Показывает, как неравенство растёт или стабилизируется во времени. В типичных моделях типа Sugarscape коэффициент Джини быстро растёт в начале (разрыв между «богатыми» и «бедными»), затем стабилизируется.

'''Сравнение неравенства по max-vision'''

[[Участник:Malena Buzdugan|Malena Buzdugan]] 11:04, 13 декабря 2025 (MSK)
[[Файл:Viz (3).png|600px|центр]]
Чем выше max-vision (способность видеть ресурсы), тем ниже коэффициент Джини — то есть, неравенство уменьшается. Это говорит о том, что доступ к информации (в данном случае — возможность видеть ресурсы) способствует более равному распределению богатства.

===График: Динамика численности красных агентов===
--[[Участник:Kate|Kate]] ([[Обсуждение участника:Kate|обсуждение]]) 23:07, 21 декабря 2025 (MSK)
[[Файл:ГрафикWealth.jpg|600px|мини]]

''Что показывает'': это Streamgraph (потоковый график), который показывает, как меняется количество агентов, окрашенных в красный цвет, в течение симуляции. Цвета слоев (красный, розовый, белый) соответствуют разным значениям параметра max-vision (4, 5, 6). Цифры внутри областей — это значения max-vision.

''О чём говорит:''
Общая тенденция: количество красных агентов в целом растет в начале симуляции, а затем стабилизируется или даже немного снижается. Это говорит о том, что красный цвет, обозначающий агентов с определенным статусом (например, "богатые" или "активные"), вначале доминирует, но потом доля красных агентов перестает расти.

''Сравнение по max-vision:''
max-vision = 6 (темно-красный): эта группа имеет самую большую площадь под кривой. Это значит, что при более широком "поле зрения" (max-vision=6) агенты чаще становятся "красными". Возможно, они лучше находят ресурсы или взаимодействуют с другими агентами.
max-vision = 5 (розовый): промежуточное положение.
max-vision = 4 (белый/светло-серый): наименьшая площадь. Агенты с ограниченным полем зрения реже становятся "красными".

Резкое падение индекса Джини около шага 160 совпадает с резким падением численности всех групп красных агентов. Это подтверждает гипотезу: именно "красные" агенты были главными "богачами", и их массовая гибель привела к падению неравенства.

'''Вывод'''

Параметр max-vision напрямую влияет на то, насколько успешно агенты могут достичь "красного" статуса. Чем дальше видят агенты, тем больше их становится в этой группе. Резкое падение численности красных агентов коррелирует с обвалом неравенства, что говорит о том, что именно эта группа была источником неравенства.

'''График: Распределение значений max-vision'''

[[Файл:ГрафикПчелы.png|600px|мини]]

''Что показывает:'' это Beeswarm plot (пчелиный рой), где по горизонтальной оси отложены значения параметра max-vision (4, 5, 6), а по вертикальной — значения gini-index-reserve / num-people. Каждая точка — это одно наблюдение (один шаг симуляции).

''О чём говорит:''
Точки четко разделены на три кластера по значению max-vision. Это хорошо визуализирует, что данные сгруппированы по этому параметру.
В каждом кластере точки плотно сгруппированы, что говорит о том, что в пределах одного значения max-vision показатель (например, Джини) имеет схожее распределение. Видно, что кластер max-vision = 6 (красный) смещен вправо, а max-vision = 4 (голубой) — влево. Если по вертикали отложен индекс Джини, это означает, что при max-vision = 6 неравенство выше, чем при max-vision = 4.

'''Вывод:'''

Этот график наглядно демонстрирует, что параметр max-vision является ключевым фактором, определяющим поведение модели. Разные значения этого параметра приводят к принципиально разным результатам (разному уровню неравенства или доле красных агентов). Он позволяет сравнить "центры тяжести" распределений для разных экспериментов.

=== [[Эксперимент]] 07 декабря 2025 (480 runs) ===

{{#ask: [[NetLogo Wealth Distribution 07122025]] | ?Description | ?KeyDescripions }}

Мы получили набор данных из модели [[Wealth Distribution]] - BehaviorSpace со следующими условиями:
["num-grain-grown" 5]
["percent-best-land" 5 10 15 20]
["metabolism-max" 10 15]
["max-vision" 4 6 8 10 12 14]
["num-people" 300]
["grain-growth-interval" 1 2 3 4 5 6 7 8 9 10]
["life-expectancy-min" 30]
["life-expectancy-max" 80]

В эксперименте собирались следующие метрики:
ticks
count turtles
gini-index-reserve / num-people

При этом данные собирались только в конце прогона - 500 ticks

Мы хотели исследовать влияние способностей людей '''max-vision''' на неравномерность распределения богатства - [[коэффициент Джини]] '''gini-index-reserve / num-people'''

; Результаты
* https://raw.githubusercontent.com/patarakin/stat-data/refs/heads/main/datasets/csv/Wealth%20Distribution%20experiment_07_12table.csv
* https://raw.githubusercontent.com/patarakin/stat-data/refs/heads/main/datasets/csv/data_model_07_12.csv

== Процесс обработки в R ==

<syntaxhighlight lang="R" line>

url <- "https://raw.githubusercontent.com/patarakin/stat-data/refs/heads/main/datasets/csv/data_model_07_12.csv"

data_clean <- read.csv(url)

boxplot(gini ~ max.vision, data = data_clean,
main = "Влияние дальности видения на коэффициент Джини",
xlab = "Дальность видения (max.vision)",
ylab = "Коэффициент Джини",
col = "lightblue")

</syntaxhighlight>

* [[boxplot]]
[[Файл:Boxplot r.png|450px]]

<syntaxhighlight lang="R" line>
# Формула: зависимая_переменная ~ независимая_переменная
model_vision <- lm(gini ~ max.vision, data = data_clean)
summary(model_vision)

</syntaxhighlight>

Call:
lm(formula = gini ~ max.vision, data = data_clean)

bResiduals:
Min 1Q Median 3Q Max
-0.052899 -0.012218 0.002057 0.011398 0.047757

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 0.2348489 0.0022385 104.915 < 2e-16 ***
max.vision -0.0009564 0.0002325 -4.113 4.6e-05 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 0.0174 on 478 degrees of freedom
Multiple R-squared: 0.03418, Adjusted R-squared: 0.03216
F-statistic: 16.92 on 1 and 478 DF, p-value: 4.601e-05

==Визуализация эксперимента==

--[[Участник:Григорий Глаголенко|Григорий Глаголенко]] ([[Обсуждение участника:Григорий Глаголенко|обсуждение]]) 00:05, 22 декабря 2025 (MSK)

=== Boxplot ===
{{#ask: [[Boxplot]] | ?Description }}

[[Файл:Боксплот.png|300px]
<br clear=all />
''Сравнение медиан:'' медианы (горизонтальные линии) для разных групп довольно близки друг к другу, что говорит о том, что средний уровень неравенства примерно одинаков при разных значениях параметра.

''Разброс данных:'' заметно, что высота ящиков (IQR) и длина усов различаются. Это означает, что разброс (дисперсия) значений индекса Джини меняется в зависимости от параметра. Например, группа с параметром 4 имеет более широкий IQR, чем группа с параметром 6, что указывает на большую вариативность результатов в первой группе.

''Наличие выбросов:'' в каждой группе есть множество выбросов (точки). Это может указывать на то, что модель иногда выдает экстремально высокие или низкие значения неравенства, независимо от параметра.

=== Multi-set bar chart ===

[[Файл:Multi-set bar chart2.png|300px]]
<br clear=all />

''Доминирование "богатых" (red):'' в подавляющем большинстве экспериментов (более 80% от общего числа count turtles) агенты находятся в состоянии red. Это означает, что модель стабильно приводит к ситуации, где большинство ресурсов сосредоточено в руках небольшой группы "богатых" агентов.

''Малочисленность "бедных" (blue):'' количество агентов с цветом red крайне мало (обычно менее 5-7% от общего числа). Это указывает на то, что крайняя нищета или полное обнищание (исчезновение) затрагивает лишь небольшую часть популяции.

''Среднее состояние (green) — промежуточное:'' группа green занимает промежуточное положение по численности (около 10-15%). Это говорит о том, что есть определенная прослойка "среднего класса", но она значительно меньше, чем "богатые".

''Устойчивость к параметрам:'' как видно из графика Multi-set bar chart, соотношение между цветами практически не меняется при изменении ключевого параметра max-vision. Это свидетельствует о том, что наблюдаемое неравенство является фундаментальной чертой модели, а не следствием конкретного значения этого параметра. Модель стабильно воспроизводит эту структуру распределения независимо от того, насколько далеко могут видеть агенты.

==Визуализация эксперимента==

--[[Участник:Хлебова Екатерина|Хлебова Екатерина]] ([[Обсуждение участника:Хлебова Екатерина|обсуждение]])

=== Parallel coordinates ===

[[Файл:PC.png|мини]]

Данный параллельный координатный график отображает многомерный анализ модели распределения богатства. Каждая линия на графике представляет одну симуляцию (одну комбинацию параметров), а вертикальные оси соответствуют пяти параметрам модели: процент лучших земель (percent.best.land), максимальный метаболизм (metabolism.max), радиус видимости агентов (max.vision), интервал восстановления зерна (grain.growth.interval) и итоговый коэффициент Джини (gini). Все линии имеют серый цвет, что позволяет оценить общие тенденции и кластеры без цветового кодирования.

График позволяет выявить комплексные взаимосвязи между параметрами модели. Наиболее выраженные паттерны наблюдаются на оси max.vision — заметно, что линии, соответствующие высоким значениям коэффициента Джини (верхняя часть последней оси), чаще проходят через высокие значения радиуса видимости (10-14). Также наблюдается кластеризация на оси grain.growth.interval: многие линии сходятся в районе средних значений (4-7), что соответствует наиболее частым сценариям модели.

'''Анализ паттернов:'''

# '''Высокое неравенство''' (значения gini > 0.25): ассоциируется с комбинациями, где max.vision ≥ 10 и grain.growth.interval между 4 и 7.
# '''Низкое неравенство''' (значения gini < 0.20): чаще встречается при низком max.vision (4-6) в сочетании с экстремальными значениями grain.growth.interval (1-2 или 9-10).
# '''Роль других параметров:''' percent.best.land и metabolism.max показывают более равномерное распределение линий, что указывает на их меньшую детерминирующую роль по сравнению с max.vision.

'''Особенности распределения на оси grain.growth.interval:''' на этой оси наблюдается наибольшая концентрация линий в диапазоне 4-7. Такое сгущение объясняется тем, что средние значения интервала восстановления ресурсов (4-7 тактов) создают оптимальные условия для формирования неравенства. При очень быстром восстановлении (1-2) ресурсы доступны всем агентам равномерно, что снижает преимущество более "зрячих" агентов. При очень медленном восстановлении (9-10) ресурсов становится настолько мало, что даже агенты с высоким зрением не могут накопить существенное преимущество. Именно средние значения позволяют агентам с высоким max.vision эффективно монополизировать ресурсы и создать устойчивое неравенство.

'''Плотность линий как индикатор вероятности:''' высокая плотность линий в определённых диапазонах grain.growth.interval указывает на то, что эти значения параметра наиболее часто приводят к реалистичным сценариям в модели. Экстремальные значения (1-2 и 9-10) имеют значительно меньше линий, что соответствует менее вероятным или менее устойчивым конфигурациям системы.

Подтверждается базовый принцип модели — агенты с большей "видимостью" получают систематическое преимущество. Интересный инсайт: максимальное неравенство возникает не при самой быстрой доступности ресурсов (grain.growth.interval = 1), а при средней скорости восстановления, создавая условия для устойчивого накопления преимущества.

'''Вывод:''' экономическое неравенство в модели Wealth Distribution формируется под комплексным влиянием параметров, где ключевую роль играет доступ к информации (max.vision), а динамика ресурсов (grain.growth.interval) выступает как модулирующий фактор. Серый цвет всех линий подчеркивает плотность распределения комбинаций параметров и позволяет увидеть, какие траектории чаще всего приводят к разным уровням неравенства.

{| class="wikitable"
|+ Параметры для Parallel coordinates
! Параметр !! Диапазон значений !! Описание
|-
| percent.best.land || 5-20 || Процент лучших земель (ресурсов) в экономике
|-
| metabolism.max || 10-15 || Максимальный метаболизм агентов (потребление зерна за такт)
|-
| max.vision || 4-14 || Радиус видимости агентов для поиска ресурсов
|-
| grain.growth.interval || 1-10 || Интервал восстановления зерна на участках
|-
| gini || 0.18-0.27 || Коэффициент Джини (уровень экономического неравенства)
|}

=== Bumpchart ===

[[Файл:BC.png|мини]]

Bumpchart демонстрирует изменение ранга влиятельности разных уровней зрения агентов (max.vision) на экономическое неравенство в зависимости от интервала восстановления ресурсов (grain.growth.interval). По горизонтальной оси отложены значения grain.growth.interval (1-10), по вертикальной — ранги от 1 (самое сильное влияние) до 6 (самое слабое влияние). Каждая цветная линия представляет один уровень max.vision (4, 6, 8, 10, 12, 14).

График показывает, как "важность" разных типов агентов меняется при изменении скорости экономического обновления.

'''Ключевые паттерны:'''

# Стабильное доминирование высокого зрения: Линия max.vision=14 (тёмная) почти всегда занимает высшие ранги (1-2 позиции), что означает, что агенты с максимальным зрением оказывают наибольшее влияние на неравенство практически при всех скоростях восстановления ресурсов.
# Динамика средних значений зрения: Линии max.vision=10 и 12 демонстрируют интересную динамику:
## При очень быстром восстановлении (interval 1-2) они занимают средние позиции
## При interval 3-7 поднимаются в топ-3
## При interval 8-10 снова опускаются
# Низкое зрение — стабильно слабое влияние: Линии max.vision=4 и 6 почти всегда находятся в нижней части графика (ранги 5-6), подтверждая, что агенты с ограниченным зрением мало влияют на формирование неравенства.
# Критический перелом при interval=3: На графике виден резкий "перелом" большинства линий при grain.growth.interval=3. Это указывает на пороговое значение, после которого влияние зрения на неравенство качественно меняется.
# Сходимость при экстремальных значениях: При interval=1 (очень быстрый рост) и interval=10 (очень медленный рост) линии сближаются, что означает выравнивание влияния разных типов агентов в экстремальных экономических условиях.

'''Интерпретация ранжирования:''' Чем выше расположена линия на графике, тем сильнее агенты с данным уровнем зрения влияют на итоговое неравенство. Например, при interval=5:

- 1 место: vision=14 (самое сильное влияние)

- 2 место: vision=12

- 3 место: vision=8

- 4 место: vision=10

- 5 место: vision=6

- 6 место: vision=4 (самое слабое влияние)

'''Сравнение с предыдущими анализами:''' Bumpchart подтверждает выводы из Parallel coordinates и Beeswarm plot о ключевой роли max.vision, но добавляет важный нюанс — показывает не абсолютное значение влияния, а относительное ранжирование. График демонстрирует, что даже при изменении экономических условий (grain.growth.interval) иерархия влияния по зрению в целом сохраняется.

'''Вывод:''' Bumpchart наглядно показывает, что параметр max.vision является системообразующим фактором неравенства в модели. Агенты с высоким зрением (10-14) стабильно доминируют в формировании неравенства при большинстве экономических условий, в то время как влияние агентов с низким зрением минимально. Однако график также выявляет нелинейность: при экстремальных значениях grain.growth.interval (1 и 10) различия в влиянии сглаживаются, что соответствует экономической интуиции — в условиях кризиса или сверхбыстрого роста индивидуальные преимущества становятся менее значимыми.

{| class="wikitable"
|+ Параметры Bumpchart
! Ось/Элемент !! Параметр !! Объяснение
|-
| X-Axis || grain.growth.interval || Интервал восстановления ресурсов (1-10 тактов)
|-
| Y-Axis || Ранг влияния || Позиция от 1 (самое сильное влияние) до 6 (самое слабое)
|-
| Lines || max.vision || Уровень зрения агентов: 4, 6, 8, 10, 12, 14
|-
| Цвет линий || max.vision || Разные оттенки синего для разных уровней зрения
|}

'''Методология ранжирования:''' Для каждого значения grain.growth.interval рассчитывается средний коэффициент Джини для каждого уровня max.vision, затем эти средние значения ранжируются от наибольшего к наименьшему. Высокий ранг = высокое среднее gini = сильное влияние на неравенство.

Обсуждение:Wealth Distribution

2025-12-22T14:08:53Z

Хлебова Екатерина:

== Экспериментальные датасеты NetLogo ==

=== [[Эксперимент]] 29 ноября 2025 ===
Мы получили набор данных из модели [[Wealth Distribution]] - BehaviorSpace со следующими условиями:
["num-grain-grown" 4]
["percent-best-land" 5 10 15 20]
["metabolism-max" 10 15 20]
["max-vision" 4 5 6 7 8 9 10]
["num-people" 400]
["grain-growth-interval" 2]
["life-expectancy-min" 30]
["life-expectancy-max" 70]

В эксперименте собирались следующие метрики:
ticks
count turtles
count turtles with [color = red]
count turtles with [color = green]
count turtles with [color = blue]
gini-index-reserve / num-people
gini-index-reserve

; Результаты
* https://raw.githubusercontent.com/patarakin/stat-data/refs/heads/main/datasets/csv/Wealth%20Distribution%20experiment_29-table.csv

''' График изменения неравенства во времени (gini-index-reserve по ticks)'''

[[Участник:Malena Buzdugan|Malena Buzdugan]] 11:04, 13 декабря 2025 (MSK)
[[Файл:Viz (2).png|600px|центр]]
Показывает, как неравенство растёт или стабилизируется во времени. В типичных моделях типа Sugarscape коэффициент Джини быстро растёт в начале (разрыв между «богатыми» и «бедными»), затем стабилизируется.

'''Сравнение неравенства по max-vision'''

[[Участник:Malena Buzdugan|Malena Buzdugan]] 11:04, 13 декабря 2025 (MSK)
[[Файл:Viz (3).png|600px|центр]]
Чем выше max-vision (способность видеть ресурсы), тем ниже коэффициент Джини — то есть, неравенство уменьшается. Это говорит о том, что доступ к информации (в данном случае — возможность видеть ресурсы) способствует более равному распределению богатства.

===График: Динамика численности красных агентов===
--[[Участник:Kate|Kate]] ([[Обсуждение участника:Kate|обсуждение]]) 23:07, 21 декабря 2025 (MSK)
[[Файл:ГрафикWealth.jpg|600px|мини]]

''Что показывает'': это Streamgraph (потоковый график), который показывает, как меняется количество агентов, окрашенных в красный цвет, в течение симуляции. Цвета слоев (красный, розовый, белый) соответствуют разным значениям параметра max-vision (4, 5, 6). Цифры внутри областей — это значения max-vision.

''О чём говорит:''
Общая тенденция: количество красных агентов в целом растет в начале симуляции, а затем стабилизируется или даже немного снижается. Это говорит о том, что красный цвет, обозначающий агентов с определенным статусом (например, "богатые" или "активные"), вначале доминирует, но потом доля красных агентов перестает расти.

''Сравнение по max-vision:''
max-vision = 6 (темно-красный): эта группа имеет самую большую площадь под кривой. Это значит, что при более широком "поле зрения" (max-vision=6) агенты чаще становятся "красными". Возможно, они лучше находят ресурсы или взаимодействуют с другими агентами.
max-vision = 5 (розовый): промежуточное положение.
max-vision = 4 (белый/светло-серый): наименьшая площадь. Агенты с ограниченным полем зрения реже становятся "красными".

Резкое падение индекса Джини около шага 160 совпадает с резким падением численности всех групп красных агентов. Это подтверждает гипотезу: именно "красные" агенты были главными "богачами", и их массовая гибель привела к падению неравенства.

'''Вывод'''

Параметр max-vision напрямую влияет на то, насколько успешно агенты могут достичь "красного" статуса. Чем дальше видят агенты, тем больше их становится в этой группе. Резкое падение численности красных агентов коррелирует с обвалом неравенства, что говорит о том, что именно эта группа была источником неравенства.

'''График: Распределение значений max-vision'''

[[Файл:ГрафикПчелы.png|600px|мини]]

''Что показывает:'' это Beeswarm plot (пчелиный рой), где по горизонтальной оси отложены значения параметра max-vision (4, 5, 6), а по вертикальной — значения gini-index-reserve / num-people. Каждая точка — это одно наблюдение (один шаг симуляции).

''О чём говорит:''
Точки четко разделены на три кластера по значению max-vision. Это хорошо визуализирует, что данные сгруппированы по этому параметру.
В каждом кластере точки плотно сгруппированы, что говорит о том, что в пределах одного значения max-vision показатель (например, Джини) имеет схожее распределение. Видно, что кластер max-vision = 6 (красный) смещен вправо, а max-vision = 4 (голубой) — влево. Если по вертикали отложен индекс Джини, это означает, что при max-vision = 6 неравенство выше, чем при max-vision = 4.

'''Вывод:'''

Этот график наглядно демонстрирует, что параметр max-vision является ключевым фактором, определяющим поведение модели. Разные значения этого параметра приводят к принципиально разным результатам (разному уровню неравенства или доле красных агентов). Он позволяет сравнить "центры тяжести" распределений для разных экспериментов.

=== [[Эксперимент]] 07 декабря 2025 (480 runs) ===

{{#ask: [[NetLogo Wealth Distribution 07122025]] | ?Description | ?KeyDescripions }}

Мы получили набор данных из модели [[Wealth Distribution]] - BehaviorSpace со следующими условиями:
["num-grain-grown" 5]
["percent-best-land" 5 10 15 20]
["metabolism-max" 10 15]
["max-vision" 4 6 8 10 12 14]
["num-people" 300]
["grain-growth-interval" 1 2 3 4 5 6 7 8 9 10]
["life-expectancy-min" 30]
["life-expectancy-max" 80]

В эксперименте собирались следующие метрики:
ticks
count turtles
gini-index-reserve / num-people

При этом данные собирались только в конце прогона - 500 ticks

Мы хотели исследовать влияние способностей людей '''max-vision''' на неравномерность распределения богатства - [[коэффициент Джини]] '''gini-index-reserve / num-people'''

; Результаты
* https://raw.githubusercontent.com/patarakin/stat-data/refs/heads/main/datasets/csv/Wealth%20Distribution%20experiment_07_12table.csv
* https://raw.githubusercontent.com/patarakin/stat-data/refs/heads/main/datasets/csv/data_model_07_12.csv

== Процесс обработки в R ==

<syntaxhighlight lang="R" line>

url <- "https://raw.githubusercontent.com/patarakin/stat-data/refs/heads/main/datasets/csv/data_model_07_12.csv"

data_clean <- read.csv(url)

boxplot(gini ~ max.vision, data = data_clean,
main = "Влияние дальности видения на коэффициент Джини",
xlab = "Дальность видения (max.vision)",
ylab = "Коэффициент Джини",
col = "lightblue")

</syntaxhighlight>

* [[boxplot]]
[[Файл:Boxplot r.png|450px]]

<syntaxhighlight lang="R" line>
# Формула: зависимая_переменная ~ независимая_переменная
model_vision <- lm(gini ~ max.vision, data = data_clean)
summary(model_vision)

</syntaxhighlight>

Call:
lm(formula = gini ~ max.vision, data = data_clean)

bResiduals:
Min 1Q Median 3Q Max
-0.052899 -0.012218 0.002057 0.011398 0.047757

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 0.2348489 0.0022385 104.915 < 2e-16 ***
max.vision -0.0009564 0.0002325 -4.113 4.6e-05 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 0.0174 on 478 degrees of freedom
Multiple R-squared: 0.03418, Adjusted R-squared: 0.03216
F-statistic: 16.92 on 1 and 478 DF, p-value: 4.601e-05

==Визуализация эксперимента==

--[[Участник:Григорий Глаголенко|Григорий Глаголенко]] ([[Обсуждение участника:Григорий Глаголенко|обсуждение]]) 00:05, 22 декабря 2025 (MSK)

=== Boxplot ===
{{#ask: [[Boxplot]] | ?Description }}

[[Файл:Боксплот.png|300px]
<br clear=all />
''Сравнение медиан:'' медианы (горизонтальные линии) для разных групп довольно близки друг к другу, что говорит о том, что средний уровень неравенства примерно одинаков при разных значениях параметра.

''Разброс данных:'' заметно, что высота ящиков (IQR) и длина усов различаются. Это означает, что разброс (дисперсия) значений индекса Джини меняется в зависимости от параметра. Например, группа с параметром 4 имеет более широкий IQR, чем группа с параметром 6, что указывает на большую вариативность результатов в первой группе.

''Наличие выбросов:'' в каждой группе есть множество выбросов (точки). Это может указывать на то, что модель иногда выдает экстремально высокие или низкие значения неравенства, независимо от параметра.

=== Multi-set bar chart ===

[[Файл:Multi-set bar chart2.png|300px]]
<br clear=all />

''Доминирование "богатых" (red):'' в подавляющем большинстве экспериментов (более 80% от общего числа count turtles) агенты находятся в состоянии red. Это означает, что модель стабильно приводит к ситуации, где большинство ресурсов сосредоточено в руках небольшой группы "богатых" агентов.

''Малочисленность "бедных" (blue):'' количество агентов с цветом red крайне мало (обычно менее 5-7% от общего числа). Это указывает на то, что крайняя нищета или полное обнищание (исчезновение) затрагивает лишь небольшую часть популяции.

''Среднее состояние (green) — промежуточное:'' группа green занимает промежуточное положение по численности (около 10-15%). Это говорит о том, что есть определенная прослойка "среднего класса", но она значительно меньше, чем "богатые".

''Устойчивость к параметрам:'' как видно из графика Multi-set bar chart, соотношение между цветами практически не меняется при изменении ключевого параметра max-vision. Это свидетельствует о том, что наблюдаемое неравенство является фундаментальной чертой модели, а не следствием конкретного значения этого параметра. Модель стабильно воспроизводит эту структуру распределения независимо от того, насколько далеко могут видеть агенты.

==Визуализация эксперимента==

--[[Участник:Хлебова Екатерина|Хлебова Екатерина]] ([[Обсуждение участника:Хлебова Екатерина|обсуждение]])

=== Parallel coordinates ===

[[Файл:PC.png|мини]]

Данный параллельный координатный график отображает многомерный анализ модели распределения богатства. Каждая линия на графике представляет одну симуляцию (одну комбинацию параметров), а вертикальные оси соответствуют пяти параметрам модели: процент лучших земель (percent.best.land), максимальный метаболизм (metabolism.max), радиус видимости агентов (max.vision), интервал восстановления зерна (grain.growth.interval) и итоговый коэффициент Джини (gini). Все линии имеют серый цвет, что позволяет оценить общие тенденции и кластеры без цветового кодирования.

График позволяет выявить комплексные взаимосвязи между параметрами модели. Наиболее выраженные паттерны наблюдаются на оси max.vision — заметно, что линии, соответствующие высоким значениям коэффициента Джини (верхняя часть последней оси), чаще проходят через высокие значения радиуса видимости (10-14). Также наблюдается кластеризация на оси grain.growth.interval: многие линии сходятся в районе средних значений (4-7), что соответствует наиболее частым сценариям модели.

'''Анализ паттернов:'''

# '''Высокое неравенство''' (значения gini > 0.25): ассоциируется с комбинациями, где max.vision ≥ 10 и grain.growth.interval между 4 и 7.
# '''Низкое неравенство''' (значения gini < 0.20): чаще встречается при низком max.vision (4-6) в сочетании с экстремальными значениями grain.growth.interval (1-2 или 9-10).
# '''Роль других параметров:''' percent.best.land и metabolism.max показывают более равномерное распределение линий, что указывает на их меньшую детерминирующую роль по сравнению с max.vision.

'''Особенности распределения на оси grain.growth.interval:''' на этой оси наблюдается наибольшая концентрация линий в диапазоне 4-7. Такое сгущение объясняется тем, что средние значения интервала восстановления ресурсов (4-7 тактов) создают оптимальные условия для формирования неравенства. При очень быстром восстановлении (1-2) ресурсы доступны всем агентам равномерно, что снижает преимущество более "зрячих" агентов. При очень медленном восстановлении (9-10) ресурсов становится настолько мало, что даже агенты с высоким зрением не могут накопить существенное преимущество. Именно средние значения позволяют агентам с высоким max.vision эффективно монополизировать ресурсы и создать устойчивое неравенство.

'''Плотность линий как индикатор вероятности:''' высокая плотность линий в определённых диапазонах grain.growth.interval указывает на то, что эти значения параметра наиболее часто приводят к реалистичным сценариям в модели. Экстремальные значения (1-2 и 9-10) имеют значительно меньше линий, что соответствует менее вероятным или менее устойчивым конфигурациям системы.

Подтверждается базовый принцип модели — агенты с большей "видимостью" получают систематическое преимущество. Интересный инсайт: максимальное неравенство возникает не при самой быстрой доступности ресурсов (grain.growth.interval = 1), а при средней скорости восстановления, создавая условия для устойчивого накопления преимущества.

'''Вывод:''' экономическое неравенство в модели Wealth Distribution формируется под комплексным влиянием параметров, где ключевую роль играет доступ к информации (max.vision), а динамика ресурсов (grain.growth.interval) выступает как модулирующий фактор. Серый цвет всех линий подчеркивает плотность распределения комбинаций параметров и позволяет увидеть, какие траектории чаще всего приводят к разным уровням неравенства.

{| class="wikitable"
|+ Параметры для Parallel coordinates
! Параметр !! Диапазон значений !! Описание
|-
| percent.best.land || 5-20 || Процент лучших земель (ресурсов) в экономике
|-
| metabolism.max || 10-15 || Максимальный метаболизм агентов (потребление зерна за такт)
|-
| max.vision || 4-14 || Радиус видимости агентов для поиска ресурсов
|-
| grain.growth.interval || 1-10 || Интервал восстановления зерна на участках
|-
| gini || 0.18-0.27 || Коэффициент Джини (уровень экономического неравенства)
|}

=== Bumpchart ===

[[Файл:BC.png|мини]]

Bumpchart демонстрирует изменение ранга влиятельности разных уровней зрения агентов (max.vision) на экономическое неравенство в зависимости от интервала восстановления ресурсов (grain.growth.interval). По горизонтальной оси отложены значения grain.growth.interval (1-10), по вертикальной — ранги от 1 (самое сильное влияние) до 6 (самое слабое влияние). Каждая цветная линия представляет один уровень max.vision (4, 6, 8, 10, 12, 14).

График показывает, как "важность" разных типов агентов меняется при изменении скорости экономического обновления.

'''Ключевые паттерны:'''

# Стабильное доминирование высокого зрения: Линия max.vision=14 (тёмная) почти всегда занимает высшие ранги (1-2 позиции), что означает, что агенты с максимальным зрением оказывают наибольшее влияние на неравенство практически при всех скоростях восстановления ресурсов.
# Динамика средних значений зрения: Линии max.vision=10 и 12 демонстрируют интересную динамику:
## При очень быстром восстановлении (interval 1-2) они занимают средние позиции
## При interval 3-7 поднимаются в топ-3
## При interval 8-10 снова опускаются
# Низкое зрение — стабильно слабое влияние: Линии max.vision=4 и 6 почти всегда находятся в нижней части графика (ранги 5-6), подтверждая, что агенты с ограниченным зрением мало влияют на формирование неравенства.
# Критический перелом при interval=3: На графике виден резкий "перелом" большинства линий при grain.growth.interval=3. Это указывает на пороговое значение, после которого влияние зрения на неравенство качественно меняется.
# Сходимость при экстремальных значениях: При interval=1 (очень быстрый рост) и interval=10 (очень медленный рост) линии сближаются, что означает выравнивание влияния разных типов агентов в экстремальных экономических условиях.

'''Интерпретация ранжирования:''' Чем выше расположена линия на графике, тем сильнее агенты с данным уровнем зрения влияют на итоговое неравенство. Например, при interval=5:
- 1 место: vision=14 (самое сильное влияние)
- 2 место: vision=12
- 3 место: vision=10
- 4 место: vision=8
- 5 место: vision=6
- 6 место: vision=4 (самое слабое влияние)

'''Сравнение с предыдущими анализами:''' Bumpchart подтверждает выводы из Parallel coordinates и Beeswarm plot о ключевой роли max.vision, но добавляет важный нюанс — показывает не абсолютное значение влияния, а относительное ранжирование. График демонстрирует, что даже при изменении экономических условий (grain.growth.interval) иерархия влияния по зрению в целом сохраняется.

'''Вывод:''' Bumpchart наглядно показывает, что параметр max.vision является системообразующим фактором неравенства в модели. Агенты с высоким зрением (10-14) стабильно доминируют в формировании неравенства при большинстве экономических условий, в то время как влияние агентов с низким зрением минимально. Однако график также выявляет нелинейность: при экстремальных значениях grain.growth.interval (1 и 10) различия в влиянии сглаживаются, что соответствует экономической интуиции — в условиях кризиса или сверхбыстрого роста индивидуальные преимущества становятся менее значимыми.

{| class="wikitable"
|+ Параметры Bumpchart
! Ось/Элемент !! Параметр !! Объяснение
|-
| X-Axis || grain.growth.interval || Интервал восстановления ресурсов (1-10 тактов)
|-
| Y-Axis || Ранг влияния || Позиция от 1 (самое сильное влияние) до 6 (самое слабое)
|-
| Lines || max.vision || Уровень зрения агентов: 4, 6, 8, 10, 12, 14
|-
| Цвет линий || max.vision || Разные цвета для разных уровней зрения
|}

'''Методология ранжирования:''' Для каждого значения grain.growth.interval рассчитывается средний коэффициент Джини для каждого уровня max.vision, затем эти средние значения ранжируются от наибольшего к наименьшему. Высокий ранг = высокое среднее gini = сильное влияние на неравенство.

Файл:BC.png

2025-12-22T14:03:12Z

Хлебова Екатерина:

Обсуждение:Wealth Distribution

2025-12-22T13:44:22Z

Хлебова Екатерина:

Обсуждение:Wealth Distribution

2025-12-22T13:43:16Z

Хлебова Екатерина: /* Визуализация эксперимента */

Участник:Хлебова Екатерина

2025-12-22T13:40:33Z

Хлебова Екатерина:

{{UserMGPU
|Field_of_knowledge=Экономика, Искусственный интеллект, Иностранный язык
|similar_concepts=Экономика, Искуственный интеллект
|Environment=Python, PostgreSQL, Java, Qwen
|Position=Бакалавриат
|PedDirection=Нет
|Working_On=Участник:KhlebovaEkaterina, Обсуждение:Как провести регрессионный анализ (Обсуждение:Как провести регрессионный анализ) (Обсуждение:Как провести регрессионный анализ (Обсуждение:Как_провести_регрессионный_анализ)), Обсуждение:Практическое задание по анализу временных рядов (Обсуждение:Практическое задание по анализу временных рядов) (Обсуждение:Практическое задание по анализу временных рядов (Обсуждение:Практическое_задание_по_анализу_временных_рядов)), KhlebovaPirozhkova/School Choice ABM, Wealth Distribution
}}
----
[[Категория:UserMGPU]]
[[Категория:АБП-231]]

Задание 1 - https://digida.mgpu.ru/index.php/Участник:KhlebovaEkaterina

Файл:PC.png

2025-12-22T13:39:54Z

Хлебова Екатерина: Хлебова Екатерина загрузил новую версию Файл:PC.png

Обсуждение:Wealth Distribution

2025-12-22T13:38:08Z

Хлебова Екатерина:

Обсуждение:Wealth Distribution

2025-12-22T13:36:25Z

Хлебова Екатерина:

Файл:PC.png

2025-12-22T13:32:11Z

Хлебова Екатерина:

Участник:Хлебова Екатерина

2025-12-17T17:38:01Z

Хлебова Екатерина:

Участник:Хлебова Екатерина

2025-12-17T17:35:37Z

Хлебова Екатерина:

Участник:Хлебова Екатерина

2025-12-17T17:33:43Z

Хлебова Екатерина:

{{UserMGPU
|Field_of_knowledge=Экономика, Искусственный интеллект, Иностранный язык
|similar_concepts=Экономика, Искуственный интеллект
|Environment=Python, PostgreSQL, Java, Qwen
|Position=Бакалавриат
|PedDirection=Нет
|Working_On=KhlebovaPirozhkova/School Choice ABM
}}
----
[[Категория:UserMGPU]]
[[Категория:АБП-231]]

Задание 1 - https://digida.mgpu.ru/index.php/Участник:KhlebovaEkaterina

Обсуждение:Эксперименты с моделью School Choice ABM

2025-12-17T17:07:22Z

Хлебова Екатерина:

= Эксперимент №1: Влияние транспортных расходов на образовательную сегрегацию и доступность =

'''Гипотеза:''' Увеличение стоимости транспортных расходов (`school-transportation-cost`) отрицательно влияет на доступ к образованию для низкодоходных студентов и усиливает образовательную сегрегацию в модели школьного выбора.

'''Цель эксперимента:''' Исследовать, как транспортные расходы влияют на динамику образовательного неравенства между двумя группами:
* Низкодоходные студенты — особенно чувствительны к транспортным расходам
* Высокодоходные студенты — могут позволить себе дальние поездки в лучшие школы

Мы хотим понять: при каких транспортных расходах система образования становится полностью недоступной для бедных семей, и как это влияет на общую сегрегацию?

== Методология и настройки модели ==

'''Модель:''' Агентная модель школьного выбора (School Choice ABM)

'''Источник:'''
[http://ccl.northwestern.edu/netlogo/community/School_Choice_ABM.nlogo School Choice ABM, Northwestern University]

'''Ссылка на исследование:''' Diego A. Díaz, Ana María Jiménez & Cristián Larroulet (2019) An agent-based model of school choice with information asymmetries, Journal of Simulation, DOI: 10.1080/17477778.2019.1679674

'''Фиксированные параметры (одинаковы для всех прогонов):'''

{| class="wikitable"
|-
! Параметр !! Значение !! Обоснование
|-
| '''number-of-schools''' || 50 || 1 школа на 20 студентов
|-
| '''initial-students''' || 1050 || 210 богатых (20%), 840 бедных (80%)
|-
| '''high-income-percentage''' || 20% || Реалистичное социальное неравенство
|-
| '''alpha''' || 0.9 || Богатые выбирают преимущественно по качеству
|-
| '''with-school-choice?''' || true || Система с выбором школы
|-
| '''traffic-lights?''' || false || Без информационной помощи
|}

'''Исследуемый (независимый) параметр:'''
* '''school-transportation-cost''': 1, 50, 100 (низкая, средняя, высокая стоимость)

'''Протокол эксперимента:'''

1. Для каждого из трёх значений параметра '''school-transportation-cost''' (1, 50, 100) был выполнен один прогон модели.

2. Данные для анализа были взяты из временного отрезка, когда система уже достигла относительной стабильности — с 110-го по 131-й год моделирования.

3. В рамках этого периода анализировались два ключевых показателя:

- Процент поступивших студентов по категориям школ (высокая, средняя, низкая успеваемость) и процент неучащихся.

- Средняя успеваемость для всех студентов, а также отдельно для групп с высоким и низким доходом.

== Данные и результаты ==

=== Динамика зачисления студентов (%) ===

Следующие данные показывают, как транспортные расходы влияют на возможность получения образования:

* https://docs.google.com/spreadsheets/d/1Xog969ELwDjsTqBReAFYu01sUWOWzBegIUK47VXwpZg/edit?gid=1780246218#gid=1780246218

Данные о распределении студентов по школам разного уровня качества в зависимости от транспортных расходов:

{{#widget:Google Spreadsheet
|key=e/2PACX-1vS5HyrAFRIwByOTWoH3z_ZHnxdwL5HIKvSaG7T_0dgYsdFlLnnnIQt7l_IDrn-2-mlgNAVHBpTXbNY8
|width=100%
|height=400
}}

'''Ключевые наблюдения по графикам зачисления:'''

{| class="wikitable"
|-
! TransportCost !! Unenrolled (Не учатся) !! High Achievement !! Medium Achievement !! Low Achievement !! Вывод
|-
| '''1''' || ~0% || ~22% || ~62% || ~15% || '''Все учатся''', система доступна
|-
| '''50''' || ~63% || ~9% || ~25% || ~3% || '''Большинство не учатся''', сильное ограничение доступа
|-
| '''100''' || ~87% || ~2.5% || ~9% || ~1% || '''Система почти недоступна''', образование становится элитарным
|}

* % of students enrolled из CODAP:
[[Файл:% of students enrolled.jpg]]

=== Динамика средней успеваемости (Average Achievement) ===

Следующие данные показывают динамику средней успеваемости при разных транспортных расходах:

* https://docs.google.com/spreadsheets/d/1INX7UAnXJlJ2GBZi0itq_CGVQS1fNk5-ubfD_w-28oM/edit?usp=sharing

Данные о средней успеваемости разных групп студентов в зависимости от транспортных расходов:

{{#widget:Google Spreadsheet
|key=e/2PACX-1vQd5o8gpR0YWbbdHeNnMZNTJaUFP_RBO-gJFC8oduybf5q6yIc3DSQqTQ6XhunyEMXZa_YYi5ATg-ee
|width=100%
|height=400
}}

'''Таблица средних значений успеваемости (за период 110-132 шаги):'''

{| class="wikitable"
|-
! TransportCost !! Все студенты !! High-income !! Low-income !! Разрыв (High - Low)
|-
| '''1''' || 0.25 || 1.94 || -0.18 || '''2.12''' (максимальный разрыв)
|-
| '''50''' || 0.39 || 0.7 || -0.15 || '''0.85''' (разрыв уменьшается)
|-
| '''100''' || 0.18 || 0.3 || 0.1 || '''0.2''' (все показатели низкие)
|}

* Average Achievement of Students из RAWGraphs:
[[Файл:Average Achievement of Students.jpg]]

== Анализ результатов по шагам ==

=== Шаг 1: school-transportation-cost = 1 (низкая стоимость) ===

* '''Доступность:''' 100% студентов зачислены в школы.
* '''Сегрегация:''' Наблюдается '''максимальное неравенство'''. Высокодоходные студенты (20% населения) концентрируются в лучших школах (средняя успеваемость ~1.94), в то время как низкодоходные (80%) остаются в слабых школах (успеваемость отрицательная).
* '''Механизм:''' При нулевых транспортных издержках богатые семьи свободно выбирают лучшие школы по всему городу, создавая "супер-сегрегацию".

Низкие транспортные расходы не гарантируют равенства. Напротив, они позволяют состоятельным агентам монополизировать лучшие образовательные ресурсы, усиливая разрыв.

=== Шаг 2: school-transportation-cost = 50 (средняя стоимость) ===

* '''Доступность:''' Катастрофическое падение - '''~63% студентов не могут поступить''' вообще.
* '''Сегрегация (парадокс):''' '''Разрыв в успеваемости между группами сокращается'''. Успеваемость богатых падает (с ~1.94 до 0.6-0.93), а бедных - растёт (с отрицательной до 0.32).
* '''Механизм:''' Высокие транспортные издержки ограничивают мобильность богатых семей. Они реже ездят в отдалённые "топовые" школы, часть качественных мест становится доступнее для локальных (в том числе бедных) студентов. Однако плата - массовое исключение из системы.
Умеренные транспортные расходы могут снизить сегрегацию "внутри" системы, но ценой '''колоссального сокращения общего доступа''' к образованию.

=== Шаг 3: school-transportation-cost = 100 (высокая стоимость) ===

* '''Доступность:''' '''Кризис доступности - ~87% не учатся'''. Образование становится элитарной услугой.
* '''Сегрегация:''' Все показатели успеваемости падают. Система де-факто перестаёт работать как массовая. Неравенство сохраняется, но в условиях "общей бедности" результатов.
* '''Механизм:''' Экстремальные издержки блокируют выбор школы для всех. Система регрессирует к модели "строго по месту жительства", но с огромными потерями в общем качестве.
Высокие транспортные расходы разрушают систему массового образования. Сегрегация принимает форму '''исключения большинства из системы''', а не дифференциации внутри неё.

== Общий вывод и интерпретация ==

1. '''Гипотеза подтвердилась, но с важным уточнением:''' Увеличение транспортных расходов действительно резко снижает доступ к образованию для бедных (рост <code>Unenrolled</code> с 0% до 87%). Однако влияние на '''внутрисистемную сегрегацию''' (разрыв в успеваемости) оказалось '''нелинейным''':
* Максимальная сегрегация наблюдалась при самых низких расходах (cost=1).
* Сегрегация уменьшалась при средних расходах (cost=50), но за счёт катастрофического падения доступности.

2. '''Ключевая дилемма политики:''' Существует '''трудный компромисс (trade-off)''' между:
* Доступностью (охватом населения образованием)
* Снижением сегрегации (разрывов в качестве между группами)
* Общим качеством системы

3. '''Три режима работы системы:'''
* Режим "свободного рынка" (cost=1): Высокий доступ, максимальная сегрегация, высокое качество для элиты.
* Режим "ограниченной мобильности" (cost=50): Низкий доступ, меньшая сегрегация, среднее качество.
* Режим "коллапса" (cost=100): Крайне низкий доступ, система перестаёт быть массовой.

== Заключение ==

Эксперимент наглядно демонстрирует, что '''транспортные расходы являются критическим фактором образовательного неравенства''', но их влияние сложно и нелинейно. Простое снижение или увеличение этих расходов без учёта институционального контекста может приводить к непредвиденным последствиям.

[[Категория:Агентное моделирование]]
[[Категория:Образовательная политика]]
[[Категория:Социальное неравенство]]
[[Категория:NetLogo]]
[[Категория:Эксперимент]]

Обсуждение:Эксперименты с моделью School Choice ABM

2025-12-17T17:04:48Z

Хлебова Екатерина:

= Эксперимент №1: Влияние транспортных расходов на образовательную сегрегацию и доступность =

'''Гипотеза:''' Увеличение стоимости транспортных расходов (`school-transportation-cost`) отрицательно влияет на доступ к образованию для низкодоходных студентов и усиливает образовательную сегрегацию в модели школьного выбора.

'''Цель эксперимента:''' Исследовать, как транспортные расходы влияют на динамику образовательного неравенства между двумя группами:
* Низкодоходные студенты — особенно чувствительны к транспортным расходам
* Высокодоходные студенты — могут позволить себе дальние поездки в лучшие школы

Мы хотим понять: при каких транспортных расходах система образования становится полностью недоступной для бедных семей, и как это влияет на общую сегрегацию?

== Методология и настройки модели ==

'''Модель:''' Агентная модель школьного выбора (School Choice ABM)

'''Источник:'''
[http://ccl.northwestern.edu/netlogo/community/School_Choice_ABM.nlogo School Choice ABM, Northwestern University]

'''Ссылка на исследование:''' Diego A. Díaz, Ana María Jiménez & Cristián Larroulet (2019) An agent-based model of school choice with information asymmetries, Journal of Simulation, DOI: 10.1080/17477778.2019.1679674

'''Фиксированные параметры (одинаковы для всех прогонов):'''

{| class="wikitable"
|-
! Параметр !! Значение !! Обоснование
|-
| '''number-of-schools''' || 50 || 1 школа на 20 студентов
|-
| '''initial-students''' || 1050 || 210 богатых (20%), 840 бедных (80%)
|-
| '''high-income-percentage''' || 20% || Реалистичное социальное неравенство
|-
| '''alpha''' || 0.9 || Богатые выбирают преимущественно по качеству
|-
| '''with-school-choice?''' || true || Система с выбором школы
|-
| '''traffic-lights?''' || false || Без информационной помощи
|}

'''Исследуемый (независимый) параметр:'''
* '''school-transportation-cost''': 1, 50, 100 (низкая, средняя, высокая стоимость)

'''Протокол эксперимента:'''

1. Для каждого из трёх значений параметра '''school-transportation-cost''' (1, 50, 100) был выполнен один прогон модели.

2. Данные для анализа были взяты из временного отрезка, когда система уже достигла относительной стабильности — с 110-го по 131-й год моделирования.

3. В рамках этого периода анализировались два ключевых показателя:

- Процент поступивших студентов по категориям школ (высокая, средняя, низкая успеваемость) и процент неучащихся.

- Средняя успеваемость для всех студентов, а также отдельно для групп с высоким и низким доходом.

== Данные и результаты ==

=== Динамика зачисления студентов (%) ===

Следующие данные показывают, как транспортные расходы влияют на возможность получения образования:

* https://docs.google.com/spreadsheets/d/1Xog969ELwDjsTqBReAFYu01sUWOWzBegIUK47VXwpZg/edit?gid=1780246218#gid=1780246218

Данные о распределении студентов по школам разного уровня качества в зависимости от транспортных расходов:

{{#widget:Google Spreadsheet
|key=e/2PACX-1vS5HyrAFRIwByOTWoH3z_ZHnxdwL5HIKvSaG7T_0dgYsdFlLnnnIQt7l_IDrn-2-mlgNAVHBpTXbNY8
|width=100%
|height=400
}}

'''Ключевые наблюдения по графикам зачисления:'''

{| class="wikitable"
|-
! TransportCost !! Unenrolled (Не учатся) !! High Achievement !! Medium Achievement !! Low Achievement !! Вывод
|-
| '''1''' || ~0% || ~22% || ~62% || ~15% || '''Все учатся''', система доступна
|-
| '''50''' || ~63% || ~9% || ~25% || ~3% || '''Большинство не учатся''', сильное ограничение доступа
|-
| '''100''' || ~87% || ~2.5% || ~9% || ~1% || '''Система почти недоступна''', образование становится элитарным
|}

* % of students enrolled из CODAP:
[[Файл:% of students enrolled.jpg]]

=== Динамика средней успеваемости (Average Achievement) ===

Следующие данные показывают динамику средней успеваемости при разных транспортных расходах:

* https://docs.google.com/spreadsheets/d/1INX7UAnXJlJ2GBZi0itq_CGVQS1fNk5-ubfD_w-28oM/edit?usp=sharing

Данные о средней успеваемости разных групп студентов в зависимости от транспортных расходов:

{{#widget:Google Spreadsheet
|key=e/2PACX-1vQd5o8gpR0YWbbdHeNnMZNTJaUFP_RBO-gJFC8oduybf5q6yIc3DSQqTQ6XhunyEMXZa_YYi5ATg-ee
|width=100%
|height=400
}}

'''Таблица средних значений успеваемости (за период 110-132 шаги):'''

{| class="wikitable"
|-
! TransportCost !! Все студенты !! High-income !! Low-income !! Разрыв (High - Low)
|-
| '''1''' || 0.25 || 1.94 || -0.18 || '''2.12''' (максимальный разрыв)
|-
| '''50''' || 0.39 || 0.7 || -0.15 || '''0.85''' (разрыв уменьшается)
|-
| '''100''' || 0.18 || 0.3 || 0.1 || '''0.2''' (все показатели низкие)
|}

* Average Achievement of Students из RAWGraphs:
[[Файл:Average Achievement of Students.jpg]]

== Анализ результатов по шагам ==

=== Шаг 1: school-transportation-cost = 1 (низкая стоимость) ===

* '''Доступность:''' 100% студентов зачислены в школы.
* '''Сегрегация:''' Наблюдается '''максимальное неравенство'''. Высокодоходные студенты (20% населения) концентрируются в лучших школах (средняя успеваемость ~1.94), в то время как низкодоходные (80%) остаются в слабых школах (успеваемость отрицательная).
* '''Механизм:''' При нулевых транспортных издержках богатые семьи свободно выбирают лучшие школы по всему городу, создавая "супер-сегрегацию".
* '''Вывод:''' Низкие транспортные расходы не гарантируют равенства. Напротив, они позволяют состоятельным агентам монополизировать лучшие образовательные ресурсы, усиливая разрыв.

=== Шаг 2: school-transportation-cost = 50 (средняя стоимость) ===

* '''Доступность:''' Катастрофическое падение - '''~63% студентов не могут поступить''' вообще.
* '''Сегрегация (парадокс):''' '''Разрыв в успеваемости между группами сокращается'''. Успеваемость богатых падает (с ~1.94 до 0.6-0.93), а бедных - растёт (с отрицательной до 0.32).
* '''Механизм:''' Высокие транспортные издержки ограничивают мобильность богатых семей. Они реже ездят в отдалённые "топовые" школы, часть качественных мест становится доступнее для локальных (в том числе бедных) студентов. Однако плата - массовое исключение из системы.
* '''Вывод:''' Умеренные транспортные расходы могут снизить сегрегацию "внутри" системы, но ценой '''колоссального сокращения общего доступа''' к образованию.

=== Шаг 3: school-transportation-cost = 100 (высокая стоимость) ===

* '''Доступность:''' '''Кризис доступности - ~87% не учатся'''. Образование становится элитарной услугой.
* '''Сегрегация:''' Все показатели успеваемости падают. Система де-факто перестаёт работать как массовая. Неравенство сохраняется, но в условиях "общей бедности" результатов.
* '''Механизм:''' Экстремальные издержки блокируют выбор школы для всех. Система регрессирует к модели "строго по месту жительства", но с огромными потерями в общем качестве.
* '''Вывод:''' Высокие транспортные расходы разрушают систему массового образования. Сегрегация принимает форму '''исключения большинства из системы''', а не дифференциации внутри неё.

== Общий вывод и интерпретация ==

1. '''Гипотеза подтвердилась, но с важным уточнением:''' Увеличение транспортных расходов действительно резко снижает доступ к образованию для бедных (рост <code>Unenrolled</code> с 0% до 87%). Однако влияние на '''внутрисистемную сегрегацию''' (разрыв в успеваемости) оказалось '''нелинейным''':
* Максимальная сегрегация наблюдалась при самых низких расходах (cost=1).
* Сегрегация уменьшалась при средних расходах (cost=50), но за счёт катастрофического падения доступности.

2. '''Ключевая дилемма политики:''' Существует '''трудный компромисс (trade-off)''' между:
* Доступностью (охватом населения образованием)
* Снижением сегрегации (разрывов в качестве между группами)
* Общим качеством системы

3. '''Три режима работы системы:'''
* Режим "свободного рынка" (cost=1): Высокий доступ, максимальная сегрегация, высокое качество для элиты.
* Режим "ограниченной мобильности" (cost=50): Низкий доступ, меньшая сегрегация, среднее качество.
* Режим "коллапса" (cost=100): Крайне низкий доступ, система перестаёт быть массовой.

== Заключение ==

Эксперимент наглядно демонстрирует, что '''транспортные расходы являются критическим фактором образовательного неравенства''', но их влияние сложно и нелинейно. Простое снижение или увеличение этих расходов без учёта институционального контекста может приводить к непредвиденным последствиям.

[[Категория:Агентное моделирование]]
[[Категория:Образовательная политика]]
[[Категория:Социальное неравенство]]
[[Категория:NetLogo]]
[[Категория:Эксперимент]]

Обсуждение:Эксперименты с моделью School Choice ABM

2025-12-17T17:00:37Z

Хлебова Екатерина:

= Эксперимент №1: Влияние транспортных расходов на образовательную сегрегацию и доступность =

'''Гипотеза:''' Увеличение стоимости транспортных расходов (`school-transportation-cost`) отрицательно влияет на доступ к образованию для низкодоходных студентов и усиливает образовательную сегрегацию в модели школьного выбора.

'''Цель эксперимента:''' Исследовать, как транспортные расходы влияют на динамику образовательного неравенства между двумя группами:
* Низкодоходные студенты — особенно чувствительны к транспортным расходам
* Высокодоходные студенты — могут позволить себе дальние поездки в лучшие школы

Мы хотим понять: при каких транспортных расходах система образования становится полностью недоступной для бедных семей, и как это влияет на общую сегрегацию?

== Методология и настройки модели ==

'''Модель:''' Агентная модель школьного выбора (School Choice ABM)

'''Источник:'''
[http://ccl.northwestern.edu/netlogo/community/School_Choice_ABM.nlogo School Choice ABM, Northwestern University]

'''Ссылка на исследование:''' Diego A. Díaz, Ana María Jiménez & Cristián Larroulet (2019) An agent-based model of school choice with information asymmetries, Journal of Simulation, DOI: 10.1080/17477778.2019.1679674

'''Фиксированные параметры (одинаковы для всех прогонов):'''

{| class="wikitable"
|-
! Параметр !! Значение !! Обоснование
|-
| '''number-of-schools''' || 50 || 1 школа на 20 студентов
|-
| '''initial-students''' || 1050 || 210 богатых (20%), 840 бедных (80%)
|-
| '''high-income-percentage''' || 20% || Реалистичное социальное неравенство
|-
| '''alpha''' || 0.9 || Богатые выбирают преимущественно по качеству
|-
| '''with-school-choice?''' || true || Система с выбором школы
|-
| '''traffic-lights?''' || false || Без информационной помощи
|}

'''Исследуемый (независимый) параметр:'''
* '''school-transportation-cost''': 1, 50, 100 (низкая, средняя, высокая стоимость)

'''Протокол эксперимента:'''

1. Для каждого из трёх значений параметра '''school-transportation-cost''' (1, 50, 100) был выполнен один прогон модели.

2. Данные для анализа были взяты из временного отрезка, когда система уже достигла относительной стабильности — с 110-го по 131-й год моделирования.

3. В рамках этого периода анализировались два ключевых показателя:

- Процент поступивших студентов по категориям школ (высокая, средняя, низкая успеваемость) и процент неучащихся.

- Средняя успеваемость для всех студентов, а также отдельно для групп с высоким и низким доходом.

== Данные и результаты ==

=== Динамика зачисления студентов (%) ===

Следующие данные показывают, как транспортные расходы влияют на возможность получения образования:

* https://docs.google.com/spreadsheets/d/1Xog969ELwDjsTqBReAFYu01sUWOWzBegIUK47VXwpZg/edit?gid=1780246218#gid=1780246218

Данные о распределении студентов по школам разного уровня качества в зависимости от транспортных расходов:

{{#widget:Google Spreadsheet
|key=2PACX-1vS5HyrAFRIwByOTWoH3z_ZHnxdwL5HIKvSaG7T_0dgYsdFlLnnnIQt7l_IDrn-2-mlgNAVHBpTXbNY8
|width=100%
|height=400
}}

'''Ключевые наблюдения по графикам зачисления:'''

{| class="wikitable"
|-
! TransportCost !! Unenrolled (Не учатся) !! High Achievement !! Medium Achievement !! Low Achievement !! Вывод
|-
| '''1''' || ~0% || ~22% || ~62% || ~15% || '''Все учатся''', система доступна
|-
| '''50''' || ~63% || ~9% || ~25% || ~3% || '''Большинство не учатся''', сильное ограничение доступа
|-
| '''100''' || ~87% || ~2.5% || ~9% || ~1% || '''Система почти недоступна''', образование становится элитарным
|}

* % of students enrolled из CODAP:
[[Файл:% of students enrolled.jpg]]

=== Динамика средней успеваемости (Average Achievement) ===

Следующие данные показывают динамику средней успеваемости при разных транспортных расходах:

* https://docs.google.com/spreadsheets/d/1INX7UAnXJlJ2GBZi0itq_CGVQS1fNk5-ubfD_w-28oM/edit?usp=sharing

{{#widget:Google Spreadsheet
|key=2PACX-1vQd5o8gpR0YWbbdHeNnMZNTJaUFP_RBO-gJFC8oduybf5q6yIc3DSQqTQ6XhunyEMXZa_YYi5ATg-ee
|gid=1878724720
|width=100%
|height=400
}}

'''Таблица средних значений успеваемости (за период 110-132 шаги):'''

{| class="wikitable"
|-
! TransportCost !! Все студенты !! High-income !! Low-income !! Разрыв (High - Low)
|-
| '''1''' || 0.25 || 1.94 || -0.18 || '''2.12''' (максимальный разрыв)
|-
| '''50''' || 0.39 || 0.7 || -0.15 || '''0.85''' (разрыв уменьшается)
|-
| '''100''' || 0.18 || 0.3 || 0.1 || '''0.2''' (все показатели низкие)
|}

* Average Achievement of Students из RAWGraphs:
[[Файл:Average Achievement of Students.jpg]]

== Анализ результатов по шагам ==

=== Шаг 1: school-transportation-cost = 1 (низкая стоимость) ===

* '''Доступность:''' 100% студентов зачислены в школы.
* '''Сегрегация:''' Наблюдается '''максимальное неравенство'''. Высокодоходные студенты (20% населения) концентрируются в лучших школах (средняя успеваемость ~1.94), в то время как низкодоходные (80%) остаются в слабых школах (успеваемость отрицательная).
* '''Механизм:''' При нулевых транспортных издержках богатые семьи свободно выбирают лучшие школы по всему городу, создавая "супер-сегрегацию".
* '''Вывод:''' Низкие транспортные расходы не гарантируют равенства. Напротив, они позволяют состоятельным агентам монополизировать лучшие образовательные ресурсы, усиливая разрыв.

=== Шаг 2: school-transportation-cost = 50 (средняя стоимость) ===

* '''Доступность:''' Катастрофическое падение - '''~63% студентов не могут поступить''' вообще.
* '''Сегрегация (парадокс):''' '''Разрыв в успеваемости между группами сокращается'''. Успеваемость богатых падает (с ~1.94 до 0.6-0.93), а бедных - растёт (с отрицательной до 0.32).
* '''Механизм:''' Высокие транспортные издержки ограничивают мобильность богатых семей. Они реже ездят в отдалённые "топовые" школы, часть качественных мест становится доступнее для локальных (в том числе бедных) студентов. Однако плата - массовое исключение из системы.
* '''Вывод:''' Умеренные транспортные расходы могут снизить сегрегацию "внутри" системы, но ценой '''колоссального сокращения общего доступа''' к образованию.

=== Шаг 3: school-transportation-cost = 100 (высокая стоимость) ===

* '''Доступность:''' '''Кризис доступности - ~87% не учатся'''. Образование становится элитарной услугой.
* '''Сегрегация:''' Все показатели успеваемости падают. Система де-факто перестаёт работать как массовая. Неравенство сохраняется, но в условиях "общей бедности" результатов.
* '''Механизм:''' Экстремальные издержки блокируют выбор школы для всех. Система регрессирует к модели "строго по месту жительства", но с огромными потерями в общем качестве.
* '''Вывод:''' Высокие транспортные расходы разрушают систему массового образования. Сегрегация принимает форму '''исключения большинства из системы''', а не дифференциации внутри неё.

== Общий вывод и интерпретация ==

1. '''Гипотеза подтвердилась, но с важным уточнением:''' Увеличение транспортных расходов действительно резко снижает доступ к образованию для бедных (рост <code>Unenrolled</code> с 0% до 87%). Однако влияние на '''внутрисистемную сегрегацию''' (разрыв в успеваемости) оказалось '''нелинейным''':
* Максимальная сегрегация наблюдалась при самых низких расходах (cost=1).
* Сегрегация уменьшалась при средних расходах (cost=50), но за счёт катастрофического падения доступности.

2. '''Ключевая дилемма политики:''' Существует '''трудный компромисс (trade-off)''' между:
* Доступностью (охватом населения образованием)
* Снижением сегрегации (разрывов в качестве между группами)
* Общим качеством системы

3. '''Три режима работы системы:'''
* Режим "свободного рынка" (cost=1): Высокий доступ, максимальная сегрегация, высокое качество для элиты.
* Режим "ограниченной мобильности" (cost=50): Низкий доступ, меньшая сегрегация, среднее качество.
* Режим "коллапса" (cost=100): Крайне низкий доступ, система перестаёт быть массовой.

== Заключение ==

Эксперимент наглядно демонстрирует, что '''транспортные расходы являются критическим фактором образовательного неравенства''', но их влияние сложно и нелинейно. Простое снижение или увеличение этих расходов без учёта институционального контекста может приводить к непредвиденным последствиям.

[[Категория:Агентное моделирование]]
[[Категория:Образовательная политика]]
[[Категория:Социальное неравенство]]
[[Категория:NetLogo]]
[[Категория:Эксперимент]]

Обсуждение:Эксперименты с моделью School Choice ABM

2025-12-17T16:59:05Z

Хлебова Екатерина:

= Эксперимент №1: Влияние транспортных расходов на образовательную сегрегацию и доступность =

'''Гипотеза:''' Увеличение стоимости транспортных расходов (`school-transportation-cost`) отрицательно влияет на доступ к образованию для низкодоходных студентов и усиливает образовательную сегрегацию в модели школьного выбора.

'''Цель эксперимента:''' Исследовать, как транспортные расходы влияют на динамику образовательного неравенства между двумя группами:
* Низкодоходные студенты — особенно чувствительны к транспортным расходам
* Высокодоходные студенты — могут позволить себе дальние поездки в лучшие школы

Мы хотим понять: при каких транспортных расходах система образования становится полностью недоступной для бедных семей, и как это влияет на общую сегрегацию?

== Методология и настройки модели ==

'''Модель:''' Агентная модель школьного выбора (School Choice ABM)

'''Источник:'''
[http://ccl.northwestern.edu/netlogo/community/School_Choice_ABM.nlogo School Choice ABM, Northwestern University]

'''Ссылка на исследование:''' Diego A. Díaz, Ana María Jiménez & Cristián Larroulet (2019) An agent-based model of school choice with information asymmetries, Journal of Simulation, DOI: 10.1080/17477778.2019.1679674

'''Фиксированные параметры (одинаковы для всех прогонов):'''

{| class="wikitable"
|-
! Параметр !! Значение !! Обоснование
|-
| '''number-of-schools''' || 50 || 1 школа на 20 студентов
|-
| '''initial-students''' || 1050 || 210 богатых (20%), 840 бедных (80%)
|-
| '''high-income-percentage''' || 20% || Реалистичное социальное неравенство
|-
| '''alpha''' || 0.9 || Богатые выбирают преимущественно по качеству
|-
| '''with-school-choice?''' || true || Система с выбором школы
|-
| '''traffic-lights?''' || false || Без информационной помощи
|}

'''Исследуемый (независимый) параметр:'''
* '''school-transportation-cost''': 1, 50, 100 (низкая, средняя, высокая стоимость)

'''Протокол эксперимента:'''

1. Для каждого из трёх значений параметра '''school-transportation-cost''' (1, 50, 100) был выполнен один прогон модели.

2. Данные для анализа были взяты из временного отрезка, когда система уже достигла относительной стабильности — с 110-го по 131-й год моделирования.

3. В рамках этого периода анализировались два ключевых показателя:

- Процент поступивших студентов по категориям школ (высокая, средняя, низкая успеваемость) и процент неучащихся.

- Средняя успеваемость для всех студентов, а также отдельно для групп с высоким и низким доходом.

== Данные и результаты ==

=== Динамика зачисления студентов (%) ===

Следующие данные показывают, как транспортные расходы влияют на возможность получения образования:

* https://docs.google.com/spreadsheets/d/1Xog969ELwDjsTqBReAFYu01sUWOWzBegIUK47VXwpZg/edit?gid=1780246218#gid=1780246218

Данные о распределении студентов по школам разного уровня качества в зависимости от транспортных расходов:

{{#widget:Google Spreadsheet
|key=2PACX-1vS5HyrAFRIwByOTWoH3z_ZHnxdwL5HIKvSaG7T_0dgYsdFlLnnnIQt7l_IDrn-2-mlgNAVHBpTXbNY8
|width=100%
|height=400
}}

'''Ключевые наблюдения по графикам зачисления:'''

{| class="wikitable"
|-
! TransportCost !! Unenrolled (Не учатся) !! High Achievement !! Medium Achievement !! Low Achievement !! Вывод
|-
| '''1''' || ~0% || ~22% || ~62% || ~15% || '''Все учатся''', система доступна
|-
| '''50''' || ~63% || ~9% || ~25% || ~3% || '''Большинство не учатся''', сильное ограничение доступа
|-
| '''100''' || ~87% || ~2.5% || ~9% || ~1% || '''Система почти недоступна''', образование становится элитарным
|}

* % of students enrolled из CODAP:
[[Файл:% of students enrolled.jpg]]

=== Динамика средней успеваемости (Average Achievement) ===

Следующие данные показывают динамику средней успеваемости при разных транспортных расходах:

* https://docs.google.com/spreadsheets/d/1INX7UAnXJlJ2GBZi0itq_CGVQS1fNk5-ubfD_w-28oM/edit?usp=sharing

{{#widget:Google Spreadsheet
|key=2PACX-1vQd5o8gpR0YWbbdHeNnMZNTJaUFP_RBO-gJFC8oduybf5q6yIc3DSQqTQ6XhunyEMXZa_YYi5ATg-ee
|gid=1878724720
|width=100%
|height=400
}}

'''Таблица средних значений успеваемости (за период 110-132 шаги):'''

{| class="wikitable"
|-
! TransportCost !! Все студенты !! High-income !! Low-income !! Разрыв (High - Low)
|-
| '''1''' || 0.25 || 1.94 || -0.18 || '''2.12''' (максимальный разрыв)
|-
| '''50''' || 0.26 - 0.39 || 0.7 || -0.15 || '''0.85''' (разрыв уменьшается)
|-
| '''100''' || 0.18 || 0.3 || 0.1 || '''0.2''' (все показатели низкие)
|}

* Average Achievement of Students из RAWGraphs:
[[Файл:Average Achievement of Students.jpg]]

== Анализ результатов по шагам ==

=== Шаг 1: school-transportation-cost = 1 (низкая стоимость) ===

* '''Доступность:''' 100% студентов зачислены в школы.
* '''Сегрегация:''' Наблюдается '''максимальное неравенство'''. Высокодоходные студенты (20% населения) концентрируются в лучших школах (средняя успеваемость ~1.94), в то время как низкодоходные (80%) остаются в слабых школах (успеваемость отрицательная).
* '''Механизм:''' При нулевых транспортных издержках богатые семьи свободно выбирают лучшие школы по всему городу, создавая "супер-сегрегацию".
* '''Вывод:''' Низкие транспортные расходы не гарантируют равенства. Напротив, они позволяют состоятельным агентам монополизировать лучшие образовательные ресурсы, усиливая разрыв.

=== Шаг 2: school-transportation-cost = 50 (средняя стоимость) ===

* '''Доступность:''' Катастрофическое падение - '''~63% студентов не могут поступить''' вообще.
* '''Сегрегация (парадокс):''' '''Разрыв в успеваемости между группами сокращается'''. Успеваемость богатых падает (с ~1.94 до 0.6-0.93), а бедных - растёт (с отрицательной до 0.32).
* '''Механизм:''' Высокие транспортные издержки ограничивают мобильность богатых семей. Они реже ездят в отдалённые "топовые" школы, часть качественных мест становится доступнее для локальных (в том числе бедных) студентов. Однако плата - массовое исключение из системы.
* '''Вывод:''' Умеренные транспортные расходы могут снизить сегрегацию "внутри" системы, но ценой '''колоссального сокращения общего доступа''' к образованию.

=== Шаг 3: school-transportation-cost = 100 (высокая стоимость) ===

* '''Доступность:''' '''Кризис доступности - ~87% не учатся'''. Образование становится элитарной услугой.
* '''Сегрегация:''' Все показатели успеваемости падают. Система де-факто перестаёт работать как массовая. Неравенство сохраняется, но в условиях "общей бедности" результатов.
* '''Механизм:''' Экстремальные издержки блокируют выбор школы для всех. Система регрессирует к модели "строго по месту жительства", но с огромными потерями в общем качестве.
* '''Вывод:''' Высокие транспортные расходы разрушают систему массового образования. Сегрегация принимает форму '''исключения большинства из системы''', а не дифференциации внутри неё.

== Общий вывод и интерпретация ==

1. '''Гипотеза подтвердилась, но с важным уточнением:''' Увеличение транспортных расходов действительно резко снижает доступ к образованию для бедных (рост <code>Unenrolled</code> с 0% до 87%). Однако влияние на '''внутрисистемную сегрегацию''' (разрыв в успеваемости) оказалось '''нелинейным''':
* Максимальная сегрегация наблюдалась при самых низких расходах (cost=1).
* Сегрегация уменьшалась при средних расходах (cost=50), но за счёт катастрофического падения доступности.

2. '''Ключевая дилемма политики:''' Существует '''трудный компромисс (trade-off)''' между:
* Доступностью (охватом населения образованием)
* Снижением сегрегации (разрывов в качестве между группами)
* Общим качеством системы

3. '''Три режима работы системы:'''
* Режим "свободного рынка" (cost=1): Высокий доступ, максимальная сегрегация, высокое качество для элиты.
* Режим "ограниченной мобильности" (cost=50): Низкий доступ, меньшая сегрегация, среднее качество.
* Режим "коллапса" (cost=100): Крайне низкий доступ, система перестаёт быть массовой.

== Заключение ==

Эксперимент наглядно демонстрирует, что '''транспортные расходы являются критическим фактором образовательного неравенства''', но их влияние сложно и нелинейно. Простое снижение или увеличение этих расходов без учёта институционального контекста может приводить к непредвиденным последствиям.

[[Категория:Агентное моделирование]]
[[Категория:Образовательная политика]]
[[Категория:Социальное неравенство]]
[[Категория:NetLogo]]
[[Категория:Эксперимент]]

Обсуждение:Эксперименты с моделью School Choice ABM

2025-12-17T16:49:01Z

Хлебова Екатерина:

= Эксперимент №1: Влияние транспортных расходов на образовательную сегрегацию и доступность =

'''Гипотеза:''' Увеличение стоимости транспортных расходов (`school-transportation-cost`) отрицательно влияет на доступ к образованию для низкодоходных студентов и усиливает образовательную сегрегацию в модели школьного выбора.

'''Цель эксперимента:''' Исследовать, как транспортные расходы влияют на динамику образовательного неравенства между двумя группами:
* Низкодоходные студенты — особенно чувствительны к транспортным расходам
* Высокодоходные студенты — могут позволить себе дальние поездки в лучшие школы

Мы хотим понять: при каких транспортных расходах система образования становится полностью недоступной для бедных семей, и как это влияет на общую сегрегацию?

== Методология и настройки модели ==

'''Модель:''' Агентная модель школьного выбора (School Choice ABM)

'''Источник:'''
[http://ccl.northwestern.edu/netlogo/community/School_Choice_ABM.nlogo School Choice ABM, Northwestern University]

'''Ссылка на исследование:''' Diego A. Díaz, Ana María Jiménez & Cristián Larroulet (2019) An agent-based model of school choice with information asymmetries, Journal of Simulation, DOI: 10.1080/17477778.2019.1679674

'''Фиксированные параметры (одинаковы для всех прогонов):'''

{| class="wikitable"
|-
! Параметр !! Значение !! Обоснование
|-
| '''number-of-schools''' || 50 || 1 школа на 20 студентов
|-
| '''initial-students''' || 1050 || 210 богатых (20%), 840 бедных (80%)
|-
| '''high-income-percentage''' || 20% || Реалистичное социальное неравенство
|-
| '''alpha''' || 0.9 || Богатые выбирают преимущественно по качеству
|-
| '''with-school-choice?''' || true || Система с выбором школы
|-
| '''traffic-lights?''' || false || Без информационной помощи
|}

'''Исследуемый (независимый) параметр:'''
* '''school-transportation-cost''': 1, 50, 100 (низкая, средняя, высокая стоимость)

'''Протокол эксперимента:'''

1. Для каждого из трёх значений параметра '''school-transportation-cost''' (1, 50, 100) был выполнен один прогон модели.

2. Данные для анализа были взяты из временного отрезка, когда система уже достигла относительной стабильности — с 110-го по 131-й год моделирования.

3. В рамках этого периода анализировались два ключевых показателя:

- Процент поступивших студентов по категориям школ (высокая, средняя, низкая успеваемость) и процент неучащихся.

- Средняя успеваемость для всех студентов, а также отдельно для групп с высоким и низким доходом.

== Данные и результаты ==

=== Динамика зачисления студентов (%) ===

Следующие данные показывают, как транспортные расходы влияют на возможность получения образования:

* https://docs.google.com/spreadsheets/d/1Xog969ELwDjsTqBReAFYu01sUWOWzBegIUK47VXwpZg/edit?gid=1780246218#gid=1780246218

Данные о распределении студентов по школам разного уровня качества в зависимости от транспортных расходов:

{{#widget:Google Spreadsheet
|key=2PACX-1vS5HyrAFRIwByOTWoH3z_ZHnxdwL5HIKvSaG7T_0dgYsdFlLnnnIQt7l_IDrn-2-mlgNAVHBpTXbNY8
|width=100%
|height=400
}}

'''Ключевые наблюдения по графикам зачисления:'''

{| class="wikitable"
|-
! TransportCost !! Unenrolled (Не учатся) !! High Achievement !! Medium Achievement !! Low Achievement !! Вывод
|-
| '''1''' || ~0% || ~22% || ~62% || ~15% || '''Все учатся''', система доступна
|-
| '''50''' || ~63% || ~9% || ~25% || ~3% || '''Большинство не учатся''', сильное ограничение доступа
|-
| '''100''' || ~87% || ~2.5% || ~9% || ~1% || '''Система почти недоступна''', образование становится элитарным
|}

* % of students enrolled из CODAP:
[[Файл:% of students enrolled.jpg]]

=== Динамика средней успеваемости (Average Achievement) ===

Следующие данные показывают динамику средней успеваемости при разных транспортных расходах:

* https://docs.google.com/spreadsheets/d/1INX7UAnXJlJ2GBZi0itq_CGVQS1fNk5-ubfD_w-28oM/edit?usp=sharing

{{#widget:Google Spreadsheet
|key=2PACX-1vQd5o8gpR0YWbbdHeNnMZNTJaUFP_RBO-gJFC8oduybf5q6yIc3DSQqTQ6XhunyEMXZa_YYi5ATg-ee
|gid=1878724720
|width=100%
|height=400
}}

'''Таблица средних значений успеваемости (за период 110-132 шаги):'''

{| class="wikitable"
|-
! TransportCost !! Все студенты !! High-income !! Low-income !! Разрыв (High - Low)
|-
| '''1''' || 0.25 - 0.30 || ~1.94 || -0.16 до -0.23 || '''~2.1 - 2.2''' (максимальный разрыв)
|-
| '''50''' || 0.26 - 0.42 || 0.60 - 0.93 || -0.09 до +0.32 || '''~0.3 - 0.9''' (разрыв уменьшается)
|-
| '''100''' || 0.04 - 0.31 || 0.17 - 0.49 || -0.12 до +0.21 || '''~0.3 - 0.6''' (все показатели низкие)
|}

* Average Achievement of Students из RAWGraphs:
[[Файл:Average Achievement of Students.jpg]]

== Анализ результатов по шагам ==

=== Шаг 1: school-transportation-cost = 1 (низкая стоимость) ===

* '''Доступность:''' 100% студентов зачислены в школы.
* '''Сегрегация:''' Наблюдается '''максимальное неравенство'''. Высокодоходные студенты (20% населения) концентрируются в лучших школах (средняя успеваемость ~1.94), в то время как низкодоходные (80%) остаются в слабых школах (успеваемость отрицательная).
* '''Механизм:''' При нулевых транспортных издержках богатые семьи свободно выбирают лучшие школы по всему городу, создавая "супер-сегрегацию".
* '''Вывод:''' Низкие транспортные расходы не гарантируют равенства. Напротив, они позволяют состоятельным агентам монополизировать лучшие образовательные ресурсы, усиливая разрыв.

=== Шаг 2: school-transportation-cost = 50 (средняя стоимость) ===

* '''Доступность:''' Катастрофическое падение - '''~63% студентов не могут поступить''' вообще.
* '''Сегрегация (парадокс):''' '''Разрыв в успеваемости между группами сокращается'''. Успеваемость богатых падает (с ~1.94 до 0.6-0.93), а бедных - растёт (с отрицательной до 0.32).
* '''Механизм:''' Высокие транспортные издержки ограничивают мобильность богатых семей. Они реже ездят в отдалённые "топовые" школы, часть качественных мест становится доступнее для локальных (в том числе бедных) студентов. Однако плата - массовое исключение из системы.
* '''Вывод:''' Умеренные транспортные расходы могут снизить сегрегацию "внутри" системы, но ценой '''колоссального сокращения общего доступа''' к образованию.

=== Шаг 3: school-transportation-cost = 100 (высокая стоимость) ===

* '''Доступность:''' '''Кризис доступности - ~87% не учатся'''. Образование становится элитарной услугой.
* '''Сегрегация:''' Все показатели успеваемости падают. Система де-факто перестаёт работать как массовая. Неравенство сохраняется, но в условиях "общей бедности" результатов.
* '''Механизм:''' Экстремальные издержки блокируют выбор школы для всех. Система регрессирует к модели "строго по месту жительства", но с огромными потерями в общем качестве.
* '''Вывод:''' Высокие транспортные расходы разрушают систему массового образования. Сегрегация принимает форму '''исключения большинства из системы''', а не дифференциации внутри неё.

== Общий вывод и интерпретация ==

1. '''Гипотеза подтвердилась, но с важным уточнением:''' Увеличение транспортных расходов действительно резко снижает доступ к образованию для бедных (рост <code>Unenrolled</code> с 0% до 87%). Однако влияние на '''внутрисистемную сегрегацию''' (разрыв в успеваемости) оказалось '''нелинейным''':
* Максимальная сегрегация наблюдалась при самых низких расходах (cost=1).
* Сегрегация уменьшалась при средних расходах (cost=50), но за счёт катастрофического падения доступности.

2. '''Ключевая дилемма политики:''' Существует '''трудный компромисс (trade-off)''' между:
* Доступностью (охватом населения образованием)
* Снижением сегрегации (разрывов в качестве между группами)
* Общим качеством системы

3. '''Три режима работы системы:'''
* Режим "свободного рынка" (cost=1): Высокий доступ, максимальная сегрегация, высокое качество для элиты.
* Режим "ограниченной мобильности" (cost=50): Низкий доступ, меньшая сегрегация, среднее качество.
* Режим "коллапса" (cost=100): Крайне низкий доступ, система перестаёт быть массовой.

== Заключение ==

Эксперимент наглядно демонстрирует, что '''транспортные расходы являются критическим фактором образовательного неравенства''', но их влияние сложно и нелинейно. Простое снижение или увеличение этих расходов без учёта институционального контекста может приводить к непредвиденным последствиям.

[[Категория:Агентное моделирование]]
[[Категория:Образовательная политика]]
[[Категория:Социальное неравенство]]
[[Категория:NetLogo]]
[[Категория:Эксперимент]]

Обсуждение:Эксперименты с моделью School Choice ABM

2025-12-17T16:47:14Z

Хлебова Екатерина:

= Эксперимент №1: Влияние транспортных расходов на образовательную сегрегацию и доступность =

'''Гипотеза:''' Увеличение стоимости транспортных расходов (`school-transportation-cost`) отрицательно влияет на доступ к образованию для низкодоходных студентов и усиливает образовательную сегрегацию в модели школьного выбора.

'''Цель эксперимента:''' Исследовать, как транспортные расходы влияют на динамику образовательного неравенства между двумя группами:
* Низкодоходные студенты — особенно чувствительны к транспортным расходам
* Высокодоходные студенты — могут позволить себе дальние поездки в лучшие школы

Мы хотим понять: при каких транспортных расходах система образования становится полностью недоступной для бедных семей, и как это влияет на общую сегрегацию?

== Методология и настройки модели ==

'''Модель:''' Агентная модель школьного выбора (School Choice ABM)

'''Источник:'''
[http://ccl.northwestern.edu/netlogo/community/School_Choice_ABM.nlogo School Choice ABM, Northwestern University]

'''Ссылка на исследование:''' Diego A. Díaz, Ana María Jiménez & Cristián Larroulet (2019) An agent-based model of school choice with information asymmetries, Journal of Simulation, DOI: 10.1080/17477778.2019.1679674

'''Фиксированные параметры (одинаковы для всех прогонов):'''

{| class="wikitable"
|-
! Параметр !! Значение !! Обоснование
|-
| '''number-of-schools''' || 50 || 1 школа на 20 студентов
|-
| '''initial-students''' || 1050 || 210 богатых (20%), 840 бедных (80%)
|-
| '''high-income-percentage''' || 20% || Реалистичное социальное неравенство
|-
| '''alpha''' || 0.9 || Богатые выбирают преимущественно по качеству
|-
| '''with-school-choice?''' || true || Система с выбором школы
|-
| '''traffic-lights?''' || false || Без информационной помощи
|}

'''Исследуемый (независимый) параметр:'''
* '''school-transportation-cost''': 1, 50, 100 (низкая, средняя, высокая стоимость)

'''Протокол эксперимента:'''

1. Для каждого из трёх значений параметра '''school-transportation-cost''' (1, 50, 100) был выполнен один прогон модели.

2. Данные для анализа были взяты из временного отрезка, когда система уже достигла относительной стабильности — с 110-го по 131-й год моделирования.

3. В рамках этого периода анализировались два ключевых показателя:

- Процент поступивших студентов по категориям школ (высокая, средняя, низкая успеваемость) и процент неучащихся.

- Средняя успеваемость для всех студентов, а также отдельно для групп с высоким и низким доходом.

== Данные и результаты ==

=== Динамика зачисления студентов (%) ===

Следующие данные показывают, как транспортные расходы влияют на возможность получения образования:

* https://docs.google.com/spreadsheets/d/1Xog969ELwDjsTqBReAFYu01sUWOWzBegIUK47VXwpZg/edit?gid=1780246218#gid=1780246218

Данные о распределении студентов по школам разного уровня качества в зависимости от транспортных расходов:

{{#widget:Google Spreadsheet
|key=2PACX-1vS5HyrAFRIwByOTWoH3z_ZHnxdwL5HIKvSaG7T_0dgYsdFlLnnnIQt7l_IDrn-2-mlgNAVHBpTXbNY8
|width=100%
|height=400
}}

'''Ключевые наблюдения по графикам зачисления:'''

{| class="wikitable"
|-
! TransportCost !! Unenrolled (Не учатся) !! High Achievement !! Medium Achievement !! Low Achievement !! Вывод
|-
| '''1''' || ~0% || ~22% || ~62% || ~15% || '''Все учатся''', система доступна
|-
| '''50''' || ~63% || ~9% || ~25% || ~3% || '''Большинство не учатся''', сильное ограничение доступа
|-
| '''100''' || ~87% || ~2.5% || ~9% || ~1% || '''Система почти недоступна''', образование становится элитарным
|}

=== Динамика средней успеваемости (Average Achievement) ===

Следующие данные показывают динамику средней успеваемости при разных транспортных расходах:

* https://docs.google.com/spreadsheets/d/1INX7UAnXJlJ2GBZi0itq_CGVQS1fNk5-ubfD_w-28oM/edit?usp=sharing

{{#widget:Google Spreadsheet
|key=2PACX-1vQd5o8gpR0YWbbdHeNnMZNTJaUFP_RBO-gJFC8oduybf5q6yIc3DSQqTQ6XhunyEMXZa_YYi5ATg-ee
|gid=1878724720
|width=100%
|height=400
}}

'''Таблица средних значений успеваемости (за период 110-132 шаги):'''

{| class="wikitable"
|-
! TransportCost !! Все студенты !! High-income !! Low-income !! Разрыв (High - Low)
|-
| '''1''' || 0.25 - 0.30 || ~1.94 || -0.16 до -0.23 || '''~2.1 - 2.2''' (максимальный разрыв)
|-
| '''50''' || 0.26 - 0.42 || 0.60 - 0.93 || -0.09 до +0.32 || '''~0.3 - 0.9''' (разрыв уменьшается)
|-
| '''100''' || 0.04 - 0.31 || 0.17 - 0.49 || -0.12 до +0.21 || '''~0.3 - 0.6''' (все показатели низкие)
|}

== Анализ результатов по шагам ==

=== Шаг 1: school-transportation-cost = 1 (низкая стоимость) ===

* '''Доступность:''' 100% студентов зачислены в школы.
* '''Сегрегация:''' Наблюдается '''максимальное неравенство'''. Высокодоходные студенты (20% населения) концентрируются в лучших школах (средняя успеваемость ~1.94), в то время как низкодоходные (80%) остаются в слабых школах (успеваемость отрицательная).
* '''Механизм:''' При нулевых транспортных издержках богатые семьи свободно выбирают лучшие школы по всему городу, создавая "супер-сегрегацию".
* '''Вывод:''' Низкие транспортные расходы не гарантируют равенства. Напротив, они позволяют состоятельным агентам монополизировать лучшие образовательные ресурсы, усиливая разрыв.

=== Шаг 2: school-transportation-cost = 50 (средняя стоимость) ===

* '''Доступность:''' Катастрофическое падение - '''~63% студентов не могут поступить''' вообще.
* '''Сегрегация (парадокс):''' '''Разрыв в успеваемости между группами сокращается'''. Успеваемость богатых падает (с ~1.94 до 0.6-0.93), а бедных - растёт (с отрицательной до 0.32).
* '''Механизм:''' Высокие транспортные издержки ограничивают мобильность богатых семей. Они реже ездят в отдалённые "топовые" школы, часть качественных мест становится доступнее для локальных (в том числе бедных) студентов. Однако плата - массовое исключение из системы.
* '''Вывод:''' Умеренные транспортные расходы могут снизить сегрегацию "внутри" системы, но ценой '''колоссального сокращения общего доступа''' к образованию.

=== Шаг 3: school-transportation-cost = 100 (высокая стоимость) ===

* '''Доступность:''' '''Кризис доступности - ~87% не учатся'''. Образование становится элитарной услугой.
* '''Сегрегация:''' Все показатели успеваемости падают. Система де-факто перестаёт работать как массовая. Неравенство сохраняется, но в условиях "общей бедности" результатов.
* '''Механизм:''' Экстремальные издержки блокируют выбор школы для всех. Система регрессирует к модели "строго по месту жительства", но с огромными потерями в общем качестве.
* '''Вывод:''' Высокие транспортные расходы разрушают систему массового образования. Сегрегация принимает форму '''исключения большинства из системы''', а не дифференциации внутри неё.

=== Графики ===
* % of students enrolled из CODAP:
[[Файл:% of students enrolled.jpg]]

* Average Achievement of Students из RAWGraphs:
[[Файл:Average Achievement of Students.jpg]]

== Общий вывод и интерпретация ==

1. '''Гипотеза подтвердилась, но с важным уточнением:''' Увеличение транспортных расходов действительно резко снижает доступ к образованию для бедных (рост <code>Unenrolled</code> с 0% до 87%). Однако влияние на '''внутрисистемную сегрегацию''' (разрыв в успеваемости) оказалось '''нелинейным''':
* Максимальная сегрегация наблюдалась при самых низких расходах (cost=1).
* Сегрегация уменьшалась при средних расходах (cost=50), но за счёт катастрофического падения доступности.

2. '''Ключевая дилемма политики:''' Существует '''трудный компромисс (trade-off)''' между:
* Доступностью (охватом населения образованием)
* Снижением сегрегации (разрывов в качестве между группами)
* Общим качеством системы

3. '''Три режима работы системы:'''
* Режим "свободного рынка" (cost=1): Высокий доступ, максимальная сегрегация, высокое качество для элиты.
* Режим "ограниченной мобильности" (cost=50): Низкий доступ, меньшая сегрегация, среднее качество.
* Режим "коллапса" (cost=100): Крайне низкий доступ, система перестаёт быть массовой.

== Заключение ==

Эксперимент наглядно демонстрирует, что '''транспортные расходы являются критическим фактором образовательного неравенства''', но их влияние сложно и нелинейно. Простое снижение или увеличение этих расходов без учёта институционального контекста может приводить к непредвиденным последствиям.

[[Категория:Агентное моделирование]]
[[Категория:Образовательная политика]]
[[Категория:Социальное неравенство]]
[[Категория:NetLogo]]
[[Категория:Эксперимент]]

Файл:Average Achievement of Students.jpg

2025-12-17T16:46:56Z

Хлебова Екатерина:

Обсуждение:Эксперименты с моделью School Choice ABM

2025-12-17T16:43:42Z

Хлебова Екатерина:

= Эксперимент №1: Влияние транспортных расходов на образовательную сегрегацию и доступность =

'''Гипотеза:''' Увеличение стоимости транспортных расходов (`school-transportation-cost`) отрицательно влияет на доступ к образованию для низкодоходных студентов и усиливает образовательную сегрегацию в модели школьного выбора.

'''Цель эксперимента:''' Исследовать, как транспортные расходы влияют на динамику образовательного неравенства между двумя группами:
* Низкодоходные студенты — особенно чувствительны к транспортным расходам
* Высокодоходные студенты — могут позволить себе дальние поездки в лучшие школы

Мы хотим понять: при каких транспортных расходах система образования становится полностью недоступной для бедных семей, и как это влияет на общую сегрегацию?

== Методология и настройки модели ==

'''Модель:''' Агентная модель школьного выбора (School Choice ABM)

'''Источник:'''
[http://ccl.northwestern.edu/netlogo/community/School_Choice_ABM.nlogo School Choice ABM, Northwestern University]

'''Ссылка на исследование:''' Diego A. Díaz, Ana María Jiménez & Cristián Larroulet (2019) An agent-based model of school choice with information asymmetries, Journal of Simulation, DOI: 10.1080/17477778.2019.1679674

'''Фиксированные параметры (одинаковы для всех прогонов):'''

{| class="wikitable"
|-
! Параметр !! Значение !! Обоснование
|-
| '''number-of-schools''' || 50 || 1 школа на 20 студентов
|-
| '''initial-students''' || 1050 || 210 богатых (20%), 840 бедных (80%)
|-
| '''high-income-percentage''' || 20% || Реалистичное социальное неравенство
|-
| '''alpha''' || 0.9 || Богатые выбирают преимущественно по качеству
|-
| '''with-school-choice?''' || true || Система с выбором школы
|-
| '''traffic-lights?''' || false || Без информационной помощи
|}

'''Исследуемый (независимый) параметр:'''
* '''school-transportation-cost''': 1, 50, 100 (низкая, средняя, высокая стоимость)

'''Протокол эксперимента:'''

1. Для каждого из трёх значений параметра '''school-transportation-cost''' (1, 50, 100) был выполнен один прогон модели.

2. Данные для анализа были взяты из временного отрезка, когда система уже достигла относительной стабильности — с 110-го по 131-й год моделирования.

3. В рамках этого периода анализировались два ключевых показателя:

- Процент поступивших студентов по категориям школ (высокая, средняя, низкая успеваемость) и процент неучащихся.

- Средняя успеваемость для всех студентов, а также отдельно для групп с высоким и низким доходом.

== Данные и результаты ==

=== Динамика зачисления студентов (%) ===

Следующие данные показывают, как транспортные расходы влияют на возможность получения образования:

* https://docs.google.com/spreadsheets/d/1Xog969ELwDjsTqBReAFYu01sUWOWzBegIUK47VXwpZg/edit?gid=1780246218#gid=1780246218

Данные о распределении студентов по школам разного уровня качества в зависимости от транспортных расходов:

{{#widget:Google Spreadsheet
|key=2PACX-1vS5HyrAFRIwByOTWoH3z_ZHnxdwL5HIKvSaG7T_0dgYsdFlLnnnIQt7l_IDrn-2-mlgNAVHBpTXbNY8
|width=100%
|height=400
}}

'''Ключевые наблюдения по графикам зачисления:'''

{| class="wikitable"
|-
! TransportCost !! Unenrolled (Не учатся) !! High Achievement !! Medium Achievement !! Low Achievement !! Вывод
|-
| '''1''' || ~0% || ~22% || ~62% || ~15% || '''Все учатся''', система доступна
|-
| '''50''' || ~63% || ~9% || ~25% || ~3% || '''Большинство не учатся''', сильное ограничение доступа
|-
| '''100''' || ~87% || ~2.5% || ~9% || ~1% || '''Система почти недоступна''', образование становится элитарным
|}

=== Динамика средней успеваемости (Average Achievement) ===

Следующие данные показывают динамику средней успеваемости при разных транспортных расходах:

* https://docs.google.com/spreadsheets/d/1INX7UAnXJlJ2GBZi0itq_CGVQS1fNk5-ubfD_w-28oM/edit?usp=sharing

{{#widget:Google Spreadsheet
|key=2PACX-1vQd5o8gpR0YWbbdHeNnMZNTJaUFP_RBO-gJFC8oduybf5q6yIc3DSQqTQ6XhunyEMXZa_YYi5ATg-ee
|gid=1878724720
|width=100%
|height=400
}}

'''Таблица средних значений успеваемости (за период 110-132 шаги):'''

{| class="wikitable"
|-
! TransportCost !! Все студенты !! High-income !! Low-income !! Разрыв (High - Low)
|-
| '''1''' || 0.25 - 0.30 || ~1.94 || -0.16 до -0.23 || '''~2.1 - 2.2''' (максимальный разрыв)
|-
| '''50''' || 0.26 - 0.42 || 0.60 - 0.93 || -0.09 до +0.32 || '''~0.3 - 0.9''' (разрыв уменьшается)
|-
| '''100''' || 0.04 - 0.31 || 0.17 - 0.49 || -0.12 до +0.21 || '''~0.3 - 0.6''' (все показатели низкие)
|}

== Анализ результатов по шагам ==

=== Шаг 1: school-transportation-cost = 1 (низкая стоимость) ===

* '''Доступность:''' 100% студентов зачислены в школы.
* '''Сегрегация:''' Наблюдается '''максимальное неравенство'''. Высокодоходные студенты (20% населения) концентрируются в лучших школах (средняя успеваемость ~1.94), в то время как низкодоходные (80%) остаются в слабых школах (успеваемость отрицательная).
* '''Механизм:''' При нулевых транспортных издержках богатые семьи свободно выбирают лучшие школы по всему городу, создавая "супер-сегрегацию".
* '''Вывод:''' Низкие транспортные расходы не гарантируют равенства. Напротив, они позволяют состоятельным агентам монополизировать лучшие образовательные ресурсы, усиливая разрыв.

=== Шаг 2: school-transportation-cost = 50 (средняя стоимость) ===

* '''Доступность:''' Катастрофическое падение - '''~63% студентов не могут поступить''' вообще.
* '''Сегрегация (парадокс):''' '''Разрыв в успеваемости между группами сокращается'''. Успеваемость богатых падает (с ~1.94 до 0.6-0.93), а бедных - растёт (с отрицательной до 0.32).
* '''Механизм:''' Высокие транспортные издержки ограничивают мобильность богатых семей. Они реже ездят в отдалённые "топовые" школы, часть качественных мест становится доступнее для локальных (в том числе бедных) студентов. Однако плата - массовое исключение из системы.
* '''Вывод:''' Умеренные транспортные расходы могут снизить сегрегацию "внутри" системы, но ценой '''колоссального сокращения общего доступа''' к образованию.

=== Шаг 3: school-transportation-cost = 100 (высокая стоимость) ===

* '''Доступность:''' '''Кризис доступности - ~87% не учатся'''. Образование становится элитарной услугой.
* '''Сегрегация:''' Все показатели успеваемости падают. Система де-факто перестаёт работать как массовая. Неравенство сохраняется, но в условиях "общей бедности" результатов.
* '''Механизм:''' Экстремальные издержки блокируют выбор школы для всех. Система регрессирует к модели "строго по месту жительства", но с огромными потерями в общем качестве.
* '''Вывод:''' Высокие транспортные расходы разрушают систему массового образования. Сегрегация принимает форму '''исключения большинства из системы''', а не дифференциации внутри неё.

=== Графики ===
* % of students enrolled из CODAP:
<gallery>
% of students enrolled.jpg|% of students enrolled
</gallery>
* Average Achievement of Students из RAWGraphs:
<gallery>
Average Achievement of Students
</gallery>

== Общий вывод и интерпретация ==

1. '''Гипотеза подтвердилась, но с важным уточнением:''' Увеличение транспортных расходов действительно резко снижает доступ к образованию для бедных (рост <code>Unenrolled</code> с 0% до 87%). Однако влияние на '''внутрисистемную сегрегацию''' (разрыв в успеваемости) оказалось '''нелинейным''':
* Максимальная сегрегация наблюдалась при самых низких расходах (cost=1).
* Сегрегация уменьшалась при средних расходах (cost=50), но за счёт катастрофического падения доступности.

2. '''Ключевая дилемма политики:''' Существует '''трудный компромисс (trade-off)''' между:
* Доступностью (охватом населения образованием)
* Снижением сегрегации (разрывов в качестве между группами)
* Общим качеством системы

3. '''Три режима работы системы:'''
* Режим "свободного рынка" (cost=1): Высокий доступ, максимальная сегрегация, высокое качество для элиты.
* Режим "ограниченной мобильности" (cost=50): Низкий доступ, меньшая сегрегация, среднее качество.
* Режим "коллапса" (cost=100): Крайне низкий доступ, система перестаёт быть массовой.

== Заключение ==

Эксперимент наглядно демонстрирует, что '''транспортные расходы являются критическим фактором образовательного неравенства''', но их влияние сложно и нелинейно. Простое снижение или увеличение этих расходов без учёта институционального контекста может приводить к непредвиденным последствиям.

[[Категория:Агентное моделирование]]
[[Категория:Образовательная политика]]
[[Категория:Социальное неравенство]]
[[Категория:NetLogo]]
[[Категория:Эксперимент]]

Обсуждение:Эксперименты с моделью School Choice ABM

2025-12-17T16:33:21Z

Хлебова Екатерина:

= Эксперимент №1: Влияние транспортных расходов на образовательную сегрегацию и доступность =

'''Гипотеза:''' Увеличение стоимости транспортных расходов (`school-transportation-cost`) отрицательно влияет на доступ к образованию для низкодоходных студентов и усиливает образовательную сегрегацию в модели школьного выбора.

'''Цель эксперимента:''' Исследовать, как транспортные расходы влияют на динамику образовательного неравенства между двумя группами:
* Низкодоходные студенты — особенно чувствительны к транспортным расходам
* Высокодоходные студенты — могут позволить себе дальние поездки в лучшие школы

Мы хотим понять: при каких транспортных расходах система образования становится полностью недоступной для бедных семей, и как это влияет на общую сегрегацию?

== Методология и настройки модели ==

'''Модель:''' Агентная модель школьного выбора (School Choice ABM)

'''Источник:'''
[http://ccl.northwestern.edu/netlogo/community/School_Choice_ABM.nlogo School Choice ABM, Northwestern University]

'''Ссылка на исследование:''' Diego A. Díaz, Ana María Jiménez & Cristián Larroulet (2019) An agent-based model of school choice with information asymmetries, Journal of Simulation, DOI: 10.1080/17477778.2019.1679674

'''Фиксированные параметры (одинаковы для всех прогонов):'''

{| class="wikitable"
|-
! Параметр !! Значение !! Обоснование
|-
| '''number-of-schools''' || 50 || 1 школа на 20 студентов
|-
| '''initial-students''' || 1050 || 210 богатых (20%), 840 бедных (80%)
|-
| '''high-income-percentage''' || 20% || Реалистичное социальное неравенство
|-
| '''alpha''' || 0.9 || Богатые выбирают преимущественно по качеству
|-
| '''with-school-choice?''' || true || Система с выбором школы
|-
| '''traffic-lights?''' || false || Без информационной помощи
|}

'''Исследуемый (независимый) параметр:'''
* '''school-transportation-cost''': 1, 50, 100 (низкая, средняя, высокая стоимость)

'''Протокол эксперимента:'''

1. Для каждого из трёх значений параметра '''school-transportation-cost''' (1, 50, 100) был выполнен один прогон модели.

2. Данные для анализа были взяты из временного отрезка, когда система уже достигла относительной стабильности — с 110-го по 131-й год моделирования.

3. В рамках этого периода анализировались два ключевых показателя:

- Процент поступивших студентов по категориям школ (высокая, средняя, низкая успеваемость) и процент неучащихся.

- Средняя успеваемость для всех студентов, а также отдельно для групп с высоким и низким доходом.

== Данные и результаты ==

=== Динамика зачисления студентов (%) ===

Следующие данные показывают, как транспортные расходы влияют на возможность получения образования:

* https://docs.google.com/spreadsheets/d/1Xog969ELwDjsTqBReAFYu01sUWOWzBegIUK47VXwpZg/edit?gid=1780246218#gid=1780246218

{{#widget:Google Spreadsheet
|key=2PACX-1vQd5o8gpR0YWbbdHeNnMZNTJaUFP_RBO-gJFC8oduybf5q6yIc3DSQqTQ6XhunyEMXZa_YYi5ATg-ee
|width=100%
|height=400
}}

'''Ключевые наблюдения по графикам зачисления:'''

{| class="wikitable"
|-
! TransportCost !! Unenrolled (Не учатся) !! High Achievement !! Medium Achievement !! Low Achievement !! Вывод
|-
| '''1''' || ~0% || ~22% || ~62% || ~15% || '''Все учатся''', система доступна
|-
| '''50''' || ~63% || ~9% || ~25% || ~3% || '''Большинство не учатся''', сильное ограничение доступа
|-
| '''100''' || ~87% || ~2.5% || ~9% || ~1% || '''Система почти недоступна''', образование становится элитарным
|}

=== Динамика средней успеваемости (Average Achievement) ===

Следующие данные показывают динамику средней успеваемости при разных транспортных расходах:

* https://docs.google.com/spreadsheets/d/1INX7UAnXJlJ2GBZi0itq_CGVQS1fNk5-ubfD_w-28oM/edit?usp=sharing

{{#widget:Google Spreadsheet
|key=2PACX-1vQd5o8gpR0YWbbdHeNnMZNTJaUFP_RBO-gJFC8oduybf5q6yIc3DSQqTQ6XhunyEMXZa_YYi5ATg-ee
|gid=1878724720
|width=100%
|height=400
}}

'''Таблица средних значений успеваемости (за период 110-132 шаги):'''

{| class="wikitable"
|-
! TransportCost !! Все студенты !! High-income !! Low-income !! Разрыв (High - Low)
|-
| '''1''' || 0.25 - 0.30 || ~1.94 || -0.16 до -0.23 || '''~2.1 - 2.2''' (максимальный разрыв)
|-
| '''50''' || 0.26 - 0.42 || 0.60 - 0.93 || -0.09 до +0.32 || '''~0.3 - 0.9''' (разрыв уменьшается)
|-
| '''100''' || 0.04 - 0.31 || 0.17 - 0.49 || -0.12 до +0.21 || '''~0.3 - 0.6''' (все показатели низкие)
|}

== Анализ результатов по шагам ==

=== Шаг 1: school-transportation-cost = 1 (низкая стоимость) ===

* '''Доступность:''' 100% студентов зачислены в школы.
* '''Сегрегация:''' Наблюдается '''максимальное неравенство'''. Высокодоходные студенты (20% населения) концентрируются в лучших школах (средняя успеваемость ~1.94), в то время как низкодоходные (80%) остаются в слабых школах (успеваемость отрицательная).
* '''Механизм:''' При нулевых транспортных издержках богатые семьи свободно выбирают лучшие школы по всему городу, создавая "супер-сегрегацию".
* '''Вывод:''' Низкие транспортные расходы не гарантируют равенства. Напротив, они позволяют состоятельным агентам монополизировать лучшие образовательные ресурсы, усиливая разрыв.

=== Шаг 2: school-transportation-cost = 50 (средняя стоимость) ===

* '''Доступность:''' Катастрофическое падение - '''~63% студентов не могут поступить''' вообще.
* '''Сегрегация (парадокс):''' '''Разрыв в успеваемости между группами сокращается'''. Успеваемость богатых падает (с ~1.94 до 0.6-0.93), а бедных - растёт (с отрицательной до 0.32).
* '''Механизм:''' Высокие транспортные издержки ограничивают мобильность богатых семей. Они реже ездят в отдалённые "топовые" школы, часть качественных мест становится доступнее для локальных (в том числе бедных) студентов. Однако плата - массовое исключение из системы.
* '''Вывод:''' Умеренные транспортные расходы могут снизить сегрегацию "внутри" системы, но ценой '''колоссального сокращения общего доступа''' к образованию.

=== Шаг 3: school-transportation-cost = 100 (высокая стоимость) ===

* '''Доступность:''' '''Кризис доступности - ~87% не учатся'''. Образование становится элитарной услугой.
* '''Сегрегация:''' Все показатели успеваемости падают. Система де-факто перестаёт работать как массовая. Неравенство сохраняется, но в условиях "общей бедности" результатов.
* '''Механизм:''' Экстремальные издержки блокируют выбор школы для всех. Система регрессирует к модели "строго по месту жительства", но с огромными потерями в общем качестве.
* '''Вывод:''' Высокие транспортные расходы разрушают систему массового образования. Сегрегация принимает форму '''исключения большинства из системы''', а не дифференциации внутри неё.

=== Графики ===
* % of students enrolled из CODAP:

* Average Achievement of Students из RAWGraphs:
[[Файл:Average Achievement of Students|мини]]

== Общий вывод и интерпретация ==

1. '''Гипотеза подтвердилась, но с важным уточнением:''' Увеличение транспортных расходов действительно резко снижает доступ к образованию для бедных (рост <code>Unenrolled</code> с 0% до 87%). Однако влияние на '''внутрисистемную сегрегацию''' (разрыв в успеваемости) оказалось '''нелинейным''':
* Максимальная сегрегация наблюдалась при самых низких расходах (cost=1).
* Сегрегация уменьшалась при средних расходах (cost=50), но за счёт катастрофического падения доступности.

2. '''Ключевая дилемма политики:''' Существует '''трудный компромисс (trade-off)''' между:
* Доступностью (охватом населения образованием)
* Снижением сегрегации (разрывов в качестве между группами)
* Общим качеством системы

3. '''Три режима работы системы:'''
* Режим "свободного рынка" (cost=1): Высокий доступ, максимальная сегрегация, высокое качество для элиты.
* Режим "ограниченной мобильности" (cost=50): Низкий доступ, меньшая сегрегация, среднее качество.
* Режим "коллапса" (cost=100): Крайне низкий доступ, система перестаёт быть массовой.

== Заключение ==

Эксперимент наглядно демонстрирует, что '''транспортные расходы являются критическим фактором образовательного неравенства''', но их влияние сложно и нелинейно. Простое снижение или увеличение этих расходов без учёта институционального контекста может приводить к непредвиденным последствиям.

[[Категория:Агентное моделирование]]
[[Категория:Образовательная политика]]
[[Категория:Социальное неравенство]]
[[Категория:NetLogo]]
[[Категория:Эксперимент]]

Обсуждение:Эксперименты с моделью School Choice ABM

2025-12-17T16:20:49Z

Хлебова Екатерина:

= Эксперимент №1: Влияние транспортных расходов на образовательную сегрегацию и доступность =

'''Гипотеза:''' Увеличение стоимости транспортных расходов (`school-transportation-cost`) отрицательно влияет на доступ к образованию для низкодоходных студентов и усиливает образовательную сегрегацию в модели школьного выбора.

'''Цель эксперимента:''' Исследовать, как транспортные расходы влияют на динамику образовательного неравенства между двумя группами:
* Низкодоходные студенты — особенно чувствительны к транспортным расходам
* Высокодоходные студенты — могут позволить себе дальние поездки в лучшие школы

Мы хотим понять: при каких транспортных расходах система образования становится полностью недоступной для бедных семей, и как это влияет на общую сегрегацию?

== Методология и настройки модели ==

'''Модель:''' Агентная модель школьного выбора (School Choice ABM)

'''Источник:'''
[http://ccl.northwestern.edu/netlogo/community/School_Choice_ABM.nlogo School Choice ABM, Northwestern University]

'''Ссылка на исследование:''' Diego A. Díaz, Ana María Jiménez & Cristián Larroulet (2019) An agent-based model of school choice with information asymmetries, Journal of Simulation, DOI: 10.1080/17477778.2019.1679674

'''Фиксированные параметры (одинаковы для всех прогонов):'''

{| class="wikitable"
|-
! Параметр !! Значение !! Обоснование
|-
| '''number-of-schools''' || 50 || 1 школа на 20 студентов
|-
| '''initial-students''' || 1050 || 210 богатых (20%), 840 бедных (80%)
|-
| '''high-income-percentage''' || 20% || Реалистичное социальное неравенство
|-
| '''alpha''' || 0.9 || Богатые выбирают преимущественно по качеству
|-
| '''with-school-choice?''' || true || Система с выбором школы
|-
| '''traffic-lights?''' || false || Без информационной помощи
|}

'''Исследуемый (независимый) параметр:'''
* '''school-transportation-cost''': 1, 50, 100 (низкая, средняя, высокая стоимость)

'''Протокол эксперимента:'''

1. Для каждого из трёх значений параметра '''school-transportation-cost''' (1, 50, 100) был выполнен один прогон модели.

2. Данные для анализа были взяты из временного отрезка, когда система уже достигла относительной стабильности — с 110-го по 131-й год моделирования.

3. В рамках этого периода анализировались два ключевых показателя:

- Процент поступивших студентов по категориям школ (высокая, средняя, низкая успеваемость) и процент неучащихся.

- Средняя успеваемость для всех студентов, а также отдельно для групп с высоким и низким доходом.

== Данные и результаты ==

=== Динамика зачисления студентов (%) ===

Следующие данные показывают, как транспортные расходы влияют на возможность получения образования:

* https://docs.google.com/spreadsheets/d/1INX7UAnXJlJ2GBZi0itq_CGVQS1fNk5-ubfD_w-28oM/edit?usp=sharing

{{#widget:Google Spreadsheet
|key=2PACX-1vQd5o8gpR0YWbbdHeNnMZNTJaUFP_RBO-gJFC8oduybf5q6yIc3DSQqTQ6XhunyEMXZa_YYi5ATg-ee
|width=100%
|height=500
}}

'''Ключевые наблюдения по графикам зачисления:'''

{| class="wikitable"
|-
! TransportCost !! Unenrolled (Не учатся) !! High Achievement !! Medium Achievement !! Low Achievement !! Вывод
|-
| '''1''' || ~0% || ~22% || ~62% || ~15% || '''Все учатся''', система доступна
|-
| '''50''' || ~63% || ~9% || ~25% || ~3% || '''Большинство не учатся''', сильное ограничение доступа
|-
| '''100''' || ~87% || ~2.5% || ~9% || ~1% || '''Система почти недоступна''', образование становится элитарным
|}

=== Динамика средней успеваемости (Average Achievement) ===

Следующие данные показывают динамику средней успеваемости при разных транспортных расходах:

* https://docs.google.com/spreadsheets/d/1INX7UAnXJlJ2GBZi0itq_CGVQS1fNk5-ubfD_w-28oM/edit?usp=sharing

{{#widget:Google Spreadsheet
|key=[2PACX-1vQd5o8gpR0YWbbdHeNnMZNTJaUFP_RBO-gJFC8oduybf5q6yIc3DSQqTQ6XhunyEMXZa_YYi5ATg-ee]
|width=100%
|height=500
}}

'''Таблица средних значений успеваемости (за период 110-132 шаги):'''

{| class="wikitable"
|-
! TransportCost !! Все студенты !! High-income !! Low-income !! Разрыв (High - Low)
|-
| '''1''' || 0.25 - 0.30 || ~1.94 || -0.16 до -0.23 || '''~2.1 - 2.2''' (максимальный разрыв)
|-
| '''50''' || 0.26 - 0.42 || 0.60 - 0.93 || -0.09 до +0.32 || '''~0.3 - 0.9''' (разрыв уменьшается)
|-
| '''100''' || 0.04 - 0.31 || 0.17 - 0.49 || -0.12 до +0.21 || '''~0.3 - 0.6''' (все показатели низкие)
|}

== Анализ результатов по шагам ==

=== Шаг 1: school-transportation-cost = 1 (низкая стоимость) ===

* '''Доступность:''' 100% студентов зачислены в школы.
* '''Сегрегация:''' Наблюдается '''максимальное неравенство'''. Высокодоходные студенты (20% населения) концентрируются в лучших школах (средняя успеваемость ~1.94), в то время как низкодоходные (80%) остаются в слабых школах (успеваемость отрицательная).
* '''Механизм:''' При нулевых транспортных издержках богатые семьи свободно выбирают лучшие школы по всему городу, создавая "супер-сегрегацию".
* '''Вывод:''' Низкие транспортные расходы не гарантируют равенства. Напротив, они позволяют состоятельным агентам монополизировать лучшие образовательные ресурсы, усиливая разрыв.

=== Шаг 2: school-transportation-cost = 50 (средняя стоимость) ===

* '''Доступность:''' Катастрофическое падение - '''~63% студентов не могут поступить''' вообще.
* '''Сегрегация (парадокс):''' '''Разрыв в успеваемости между группами сокращается'''. Успеваемость богатых падает (с ~1.94 до 0.6-0.93), а бедных - растёт (с отрицательной до 0.32).
* '''Механизм:''' Высокие транспортные издержки ограничивают мобильность богатых семей. Они реже ездят в отдалённые "топовые" школы, часть качественных мест становится доступнее для локальных (в том числе бедных) студентов. Однако плата - массовое исключение из системы.
* '''Вывод:''' Умеренные транспортные расходы могут снизить сегрегацию "внутри" системы, но ценой '''колоссального сокращения общего доступа''' к образованию.

=== Шаг 3: school-transportation-cost = 100 (высокая стоимость) ===

* '''Доступность:''' '''Кризис доступности - ~87% не учатся'''. Образование становится элитарной услугой.
* '''Сегрегация:''' Все показатели успеваемости падают. Система де-факто перестаёт работать как массовая. Неравенство сохраняется, но в условиях "общей бедности" результатов.
* '''Механизм:''' Экстремальные издержки блокируют выбор школы для всех. Система регрессирует к модели "строго по месту жительства", но с огромными потерями в общем качестве.
* '''Вывод:''' Высокие транспортные расходы разрушают систему массового образования. Сегрегация принимает форму '''исключения большинства из системы''', а не дифференциации внутри неё.

=== Графики ===
% of students enrolled из CODAP:
[[Файл:% of students enrolled.jpg|мини]]

Average Achievement of Students из RAWGraphs:
[[Файл:Average Achievement of Students|обрамить]]

== Общий вывод и интерпретация ==

1. '''Гипотеза подтвердилась, но с важным уточнением:''' Увеличение транспортных расходов действительно резко снижает доступ к образованию для бедных (рост <code>Unenrolled</code> с 0% до 87%). Однако влияние на '''внутрисистемную сегрегацию''' (разрыв в успеваемости) оказалось '''нелинейным''':
* Максимальная сегрегация наблюдалась при самых низких расходах (cost=1).
* Сегрегация уменьшалась при средних расходах (cost=50), но за счёт катастрофического падения доступности.

2. '''Ключевая дилемма политики:''' Существует '''трудный компромисс (trade-off)''' между:
* Доступностью (охватом населения образованием)
* Снижением сегрегации (разрывов в качестве между группами)
* Общим качеством системы

3. '''Три режима работы системы:'''
* Режим "свободного рынка" (cost=1): Высокий доступ, максимальная сегрегация, высокое качество для элиты.
* Режим "ограниченной мобильности" (cost=50): Низкий доступ, меньшая сегрегация, среднее качество.
* Режим "коллапса" (cost=100): Крайне низкий доступ, система перестаёт быть массовой.

== Заключение ==

Эксперимент наглядно демонстрирует, что '''транспортные расходы являются критическим фактором образовательного неравенства''', но их влияние сложно и нелинейно. Простое снижение или увеличение этих расходов без учёта институционального контекста может приводить к непредвиденным последствиям.

[[Категория:Агентное моделирование]]
[[Категория:Образовательная политика]]
[[Категория:Социальное неравенство]]
[[Категория:NetLogo]]
[[Категория:Эксперимент]]

Файл:Average Achievement of Students.png

2025-12-17T16:16:17Z

Хлебова Екатерина:

Average Achievement of Students

Файл:% of students enrolled.jpg

2025-12-17T16:14:15Z

Хлебова Екатерина:

% of students enrolled

Обсуждение:Эксперименты с моделью School Choice ABM

2025-12-17T16:07:30Z

Хлебова Екатерина: Новая страница: «= Эксперимент: Влияние транспортных расходов на образовательную сегрегацию и доступность = '''Гипотеза:''' Увеличение стоимости транспортных расходов (`school-transportation-cost`) отрицательно влияет на доступ к образованию для низкодоходных студентов и усиливает...»

= Эксперимент: Влияние транспортных расходов на образовательную сегрегацию и доступность =

'''Гипотеза:''' Увеличение стоимости транспортных расходов (`school-transportation-cost`) отрицательно влияет на доступ к образованию для низкодоходных студентов и усиливает образовательную сегрегацию в модели школьного выбора.

'''Цель эксперимента:''' Исследовать, как транспортные расходы влияют на динамику образовательного неравенства между двумя группами:
* Низкодоходные студенты — особенно чувствительны к транспортным расходам
* Высокодоходные студенты — могут позволить себе дальние поездки в лучшие школы

Мы хотим понять: при каких транспортных расходах система образования становится полностью недоступной для бедных семей, и как это влияет на общую сегрегацию?

== Методология и настройки модели ==

'''Модель:''' Агентная модель школьного выбора (School Choice ABM)

'''Источник:'''
[http://ccl.northwestern.edu/netlogo/community/School_Choice_ABM.nlogo School Choice ABM, Northwestern University]

'''Ссылка на исследование:''' Diego A. Díaz, Ana María Jiménez & Cristián Larroulet (2019) An agent-based model of school choice with information asymmetries, Journal of Simulation, DOI: 10.1080/17477778.2019.1679674

'''Фиксированные параметры (одинаковы для всех прогонов):'''

{| class="wikitable"
|-
! Параметр !! Значение !! Обоснование
|-
| '''number-of-schools''' || 50 || 1 школа на 20 студентов
|-
| '''initial-students''' || 1050 || 210 богатых (20%), 840 бедных (80%)
|-
| '''high-income-percentage''' || 20% || Реалистичное социальное неравенство
|-
| '''alpha''' || 0.9 || Богатые выбирают преимущественно по качеству
|-
| '''with-school-choice?''' || true || Система с выбором школы
|-
| '''traffic-lights?''' || false || Без информационной помощи
|}

'''Исследуемый (независимый) параметр:'''
* '''school-transportation-cost''': 1, 50, 100 (низкая, средняя, высокая стоимость)

'''Протокол эксперимента:'''

1. Для каждого из трёх значений параметра '''school-transportation-cost''' (1, 50, 100) был выполнен один прогон модели.

2. Данные для анализа были взяты из временного отрезка, когда система уже достигла относительной стабильности — с 110-го по 131-й год моделирования.

3. В рамках этого периода анализировались два ключевых показателя:

- Процент поступивших студентов по категориям школ (высокая, средняя, низкая успеваемость) и процент неучащихся.

- Средняя успеваемость для всех студентов, а также отдельно для групп с высоким и низким доходом.

== Данные и результаты ==

=== Динамика зачисления студентов (%) ===

Следующие данные показывают, как транспортные расходы влияют на возможность получения образования:

{{#widget:Google Spreadsheet
|key=2PACX-1vQd5o8gpR0YWbbdHeNnMZNTJaUFP_RBO-gJFC8oduybf5q6yIc3DSQqTQ6XhunyEMXZa_YYi5ATg-ee
|width=100%
|height=500
}}

Эксперименты с моделью School Choice ABM

2025-12-15T15:26:19Z

Хлебова Екатерина:

{{Model
|Description=Агентная модель, имитирующая систему школьного выбора в Чили. Исследует, как информационная асимметрия и экономическое неравенство влияют на доступ к качественному образованию.
: schools-own - enrollment achievement traffic-lights-color is-private?
: students-own - target enrolled? income years-in-school school-achievement
* http://digida.mgpu.ru/images/f/f4/School_achivements.jpg
|Field_of_knowledge=Социология, NetSci, Управление, Урбанистика, Статистика
|Website=https://ccl.northwestern.edu/netlogo/models/community/School_Choice_ABM
|Environment=NetLogo
|Student-created=Нет
}}
; Diego A. Díaz, Ana María Jiménez & Cristián Larroulet (2019) An agent-based model of school choice with information asymmetries, Journal of Simulation, DOI: 10.1080/17477778.2019.1679674

Модель исследует эффекты реформы образования в Чили (2010 г.) — системы «светофоров», которая предоставляет родителям простой цветовой сигнал о качестве школы.

== Основные принципы модели ==
В модели два типа агентов: школы и студенты. Агенты размещены на плоскости и не перемещаются.

=== Агенты-студенты ===
* Имеют доход, распределённый по закону Парето
* Учатся в школе 10 лет, затем выпускаются
* Ежегодно появляются новые студенты в случайных локациях
* Визуализация: связь (link) с выбранной школой

=== Агенты-школы ===
* Имеют уровень успеваемости (achievement), распределённый по нормальному закону
* Могут быть государственными или частными
* Частные школы доступны только для студентов с высоким доходом

=== Ключевые механизмы ===
==== Процесс выбора школы ====
* Без выбора: студент назначается в ближайшую школу
* С выбором (with-school-choice):
* Богатые студенты максимизируют функцию полезности: <math>U = a^\alpha \times d^{(1-\alpha)}</math>, где:
* <math>a</math> — достижения школы,
* <math>d</math> — относительная близость,
* <math>\alpha</math> — вес качества (0–1)
* Бедные студенты выбирают ближайшую школу

==== Политика «светофоров» ====
При `traffic-lights? = ON` бедные студенты видят цветовой сигнал:
* 🟢 Зелёный — высокая успеваемость
* 🟡 Жёлтый — средняя
* 🔴 Красный — низкая
Богатые студенты обладают полной информацией (точное значение achievement)

==== Финансовые ограничения ====
Доступность школы определяется условием:
<math>\text{income} - \text{distance} \times \text{school-transportation-cost} \geq 0</math>
Даже бесплатная школа может быть недоступна из-за транспортных расходов.

== Модель ==
<netlogo model="School_Choice_ABM" />

=== Ссылка на работу ===
: http://ccl.northwestern.edu/netlogo/community/School_Choice_ABM.nlogo
; Цитирование: Diego A. Díaz, Ana María Jiménez & Cristián Larroulet (2019) An agent-based model of school choice with information asymmetries, Journal of Simulation, DOI: 10.1080/17477778.2019.1679674

== Данные и показатели модели ==

=== Настраиваемые параметры модели ===
* '''number-of-schools''' — количество школ в системе. Определяет плотность образовательной инфраструктуры.
* '''initial-students''' — начальное количество студентов. Задаёт размер популяции для исследования.
* '''high-income-percentage''' — процент студентов с высоким доходом. Ключевой параметр для изучения социально-экономического неравенства.
* '''alpha''' — вес качества школы в функции полезности для богатых семей (от 0 до 1). Определяет, насколько они готовы жертвовать близостью ради качества.
* '''with-school-choice?''' — логический переключатель. Включает (true) или выключает (false) возможность свободного выбора школы.
* '''traffic-lights?''' — логический переключатель политики «светофоров». При true бедные семьи видят цветовой сигнал о качестве школы.
* '''school-transportation-cost''' — стоимость одной единицы расстояния при поездке в школу. Влияет на доступность образования для бедных семей.

=== Графики и их значения ===

'''График "% of students enrolled"'''
Показывает долю студентов, обучающихся в школах разного уровня качества, и процент тех, кто остался вне системы. Зелёная, жёлтая и красная линии отображают студентов в школах с высоким, средним и низким achievement. Чёрная линия (Unenrolled) показывает процент детей, не поступивших ни в одну школу.

'''График "Income distribution of students"'''
Отображает распределение доходов среди всех студентов. Обычно имеет вид кривой с длинным правым «хвостом», что характерно для распределения Парето. Показывает, какая доля населения является бедной, средней или богатой.

'''График "Achievement distrib schools"'''
Показывает распределение уровня успеваемости (achievement) среди всех школ в системе. Обычно соответствует нормальному распределению, позволяя увидеть, сколько школ являются отличными, средними или слабыми.

== Использование в образовании ==
=== В курсе социально-экономической статистики ===
Модель служит лабораторией для изучения:
* Как индивидуальные решения создают системные эффекты (сегрегацию)
* Роли информационной асимметрии в неравенстве
* Влияния государственной политики на справедливость

== Статистические закономерности ==
=== Распределения ===
* Доходы студентов: закон Парето — большинство бедны, немногие богаты
* Качество школ: нормальное распределение (<math>\mu = 5</math>, <math>\sigma = 1</math>)

=== Измерение сегрегации ===
Коэффициент сегрегации:
<math>S = \frac{1}{2} \sum_{i=1}^{n} \left| \frac{H_i}{H} - \frac{L_i}{L} \right|</math>
где <math>H_i, L_i</math> — богатые и бедные в школе <math>i</math>, <math>H, L</math> — их общее число

=== Анализ влияния политики «светофоров» ===
Переключатель `traffic-lights?` позволяет оценить, как упрощённая информация влияет на выбор бедных семей

=== [[Регрессионный анализ]] ===

На основе данных, полученных при запусках модели, можно построить регрессионную модель для оценки влияния различных факторов на качество выбираемой школы:

<math>\text{achievement}_i = \beta_0 + \beta_1 \times \text{income}_i + \beta_2 \times \text{distance}_i + \beta_3 \times \text{choice}_i + \varepsilon_i</math>

'''Обозначения:'''
* <math>\text{achievement}_i</math> — уровень успеваемости (качество) школы, куда поступил ученик <math>i</math>
* <math>\text{income}_i</math> — доход семьи этого ученика
* <math>\text{distance}_i</math> — расстояние от его дома до выбранной школы
* <math>\text{choice}_i</math> — признак (0 или 1), показывающий, разрешён ли в этом сценарии выбор школы
* <math>\varepsilon_i</math> — случайная компонента, неучтённые факторы

'''Интерпретация коэффициентов:'''
* <math>\beta_1</math> — «премия за доход». Показывает, на сколько пунктов в среднем увеличивается качество школы при росте дохода семьи на одну единицу. Положительное и значимое значение этого коэффициента свидетельствует о наличии социально-экономического неравенства в доступе к образованию.
* <math>\beta_2</math> — отражает влияние расстояния. Ожидается, что он будет отрицательным, так как семьи, как правило, предпочитают более близкие школы.
* <math>\beta_3</math> — показывает общий эффект от введения возможности выбора школы на качество получаемого учениками образования.

Эксперименты с моделью School Choice ABM

2025-12-15T15:22:13Z

Хлебова Екатерина:

{{Model
|Description=Агентная модель, имитирующая систему школьного выбора в Чили. Исследует, как информационная асимметрия и экономическое неравенство влияют на доступ к качественному образованию.
: schools-own - enrollment achievement traffic-lights-color is-private?
: students-own - target enrolled? income years-in-school school-achievement
* http://digida.mgpu.ru/images/f/f4/School_achivements.jpg
|Field_of_knowledge=Социология, NetSci, Управление, Урбанистика, Статистика
|Website=https://ccl.northwestern.edu/netlogo/models/community/School_Choice_ABM
|Environment=NetLogo
|Student-created=Нет
}}
; Diego A. Díaz, Ana María Jiménez & Cristián Larroulet (2019) An agent-based model of school choice with information asymmetries, Journal of Simulation, DOI: 10.1080/17477778.2019.1679674

Модель исследует эффекты реформы образования в Чили (2010 г.) — системы «светофоров», которая предоставляет родителям простой цветовой сигнал о качестве школы.

== Основные принципы модели ==
В модели два типа агентов: школы и студенты. Агенты размещены на плоскости и не перемещаются.

=== Агенты-студенты ===
* Имеют доход, распределённый по закону Парето
* Учатся в школе 10 лет, затем выпускаются
* Ежегодно появляются новые студенты в случайных локациях
* Визуализация: связь (link) с выбранной школой

=== Агенты-школы ===
* Имеют уровень успеваемости (achievement), распределённый по нормальному закону
* Могут быть государственными или частными
* Частные школы доступны только для студентов с высоким доходом

=== Ключевые механизмы ===
==== Процесс выбора школы ====
* Без выбора: студент назначается в ближайшую школу
* С выбором (with-school-choice):
* Богатые студенты максимизируют функцию полезности: <math>U = a^\alpha \times d^{(1-\alpha)}</math>, где:
* <math>a</math> — достижения школы,
* <math>d</math> — относительная близость,
* <math>\alpha</math> — вес качества (0–1)
* Бедные студенты выбирают ближайшую школу

==== Политика «светофоров» ====
При `traffic-lights? = ON` бедные студенты видят цветовой сигнал:
* 🟢 Зелёный — высокая успеваемость
* 🟡 Жёлтый — средняя
* 🔴 Красный — низкая
Богатые студенты обладают полной информацией (точное значение achievement)

==== Финансовые ограничения ====
Доступность школы определяется условием:
<math>\text{income} - \text{distance} \times \text{school-transportation-cost} \geq 0</math>
Даже бесплатная школа может быть недоступна из-за транспортных расходов.

== Модель ==
<netlogo model="School_Choice_ABM" />

== Данные и показатели модели ==

=== Настраиваемые параметры модели ===
* '''number-of-schools''' — количество школ в системе. Определяет плотность образовательной инфраструктуры.
* '''initial-students''' — начальное количество студентов. Задаёт размер популяции для исследования.
* '''high-income-percentage''' — процент студентов с высоким доходом. Ключевой параметр для изучения социально-экономического неравенства.
* '''alpha''' — вес качества школы в функции полезности для богатых семей (от 0 до 1). Определяет, насколько они готовы жертвовать близостью ради качества.
* '''with-school-choice?''' — логический переключатель. Включает (true) или выключает (false) возможность свободного выбора школы.
* '''traffic-lights?''' — логический переключатель политики «светофоров». При true бедные семьи видят цветовой сигнал о качестве школы.
* '''school-transportation-cost''' — стоимость одной единицы расстояния при поездке в школу. Влияет на доступность образования для бедных семей.

=== Графики и их значения ===

'''График "% of students enrolled"'''
Показывает долю студентов, обучающихся в школах разного уровня качества, и процент тех, кто остался вне системы. Зелёная, жёлтая и красная линии отображают студентов в школах с высоким, средним и низким achievement. Чёрная линия (Unenrolled) показывает процент детей, не поступивших ни в одну школу.

'''График "Income distribution of students"'''
Отображает распределение доходов среди всех студентов. Обычно имеет вид кривой с длинным правым «хвостом», что характерно для распределения Парето. Показывает, какая доля населения является бедной, средней или богатой.

'''График "Achievement distrib schools"'''
Показывает распределение уровня успеваемости (achievement) среди всех школ в системе. Обычно соответствует нормальному распределению, позволяя увидеть, сколько школ являются отличными, средними или слабыми.

=== Ссылка на работу ===
: http://ccl.northwestern.edu/netlogo/community/School_Choice_ABM.nlogo
; Цитирование: Diego A. Díaz, Ana María Jiménez & Cristián Larroulet (2019) An agent-based model of school choice with information asymmetries, Journal of Simulation, DOI: 10.1080/17477778.2019.1679674

== Использование в образовании ==
=== В курсе социально-экономической статистики ===
Модель служит лабораторией для изучения:
* Как индивидуальные решения создают системные эффекты (сегрегацию)
* Роли информационной асимметрии в неравенстве
* Влияния государственной политики на справедливость

== Статистические закономерности ==
=== Распределения ===
* Доходы студентов: закон Парето — большинство бедны, немногие богаты
* Качество школ: нормальное распределение (<math>\mu = 5</math>, <math>\sigma = 1</math>)

=== Измерение сегрегации ===
Коэффициент сегрегации:
<math>S = \frac{1}{2} \sum_{i=1}^{n} \left| \frac{H_i}{H} - \frac{L_i}{L} \right|</math>
где <math>H_i, L_i</math> — богатые и бедные в школе <math>i</math>, <math>H, L</math> — их общее число

=== Анализ влияния политики «светофоров» ===
Переключатель `traffic-lights?` позволяет оценить, как упрощённая информация влияет на выбор бедных семей

=== [[Регрессионный анализ]] ===

На основе данных, полученных при запусках модели, можно построить регрессионную модель для оценки влияния различных факторов на качество выбираемой школы:

<math>\text{achievement}_i = \beta_0 + \beta_1 \times \text{income}_i + \beta_2 \times \text{distance}_i + \beta_3 \times \text{choice}_i + \varepsilon_i</math>

'''Обозначения:'''
* <math>\text{achievement}_i</math> — уровень успеваемости (качество) школы, куда поступил ученик <math>i</math>
* <math>\text{income}_i</math> — доход семьи этого ученика
* <math>\text{distance}_i</math> — расстояние от его дома до выбранной школы
* <math>\text{choice}_i</math> — признак (0 или 1), показывающий, разрешён ли в этом сценарии выбор школы
* <math>\varepsilon_i</math> — случайная компонента, неучтённые факторы

'''Интерпретация коэффициентов:'''
* <math>\beta_1</math> — «премия за доход». Показывает, на сколько пунктов в среднем увеличивается качество школы при росте дохода семьи на одну единицу. Положительное и значимое значение этого коэффициента свидетельствует о наличии социально-экономического неравенства в доступе к образованию.
* <math>\beta_2</math> — отражает влияние расстояния. Ожидается, что он будет отрицательным, так как семьи, как правило, предпочитают более близкие школы.
* <math>\beta_3</math> — показывает общий эффект от введения возможности выбора школы на качество получаемого учениками образования.

Эксперименты с моделью School Choice ABM

2025-12-15T15:17:55Z

Хлебова Екатерина:

{{Model
|Description=Агентная модель, имитирующая систему школьного выбора в Чили. Исследует, как информационная асимметрия и экономическое неравенство влияют на доступ к качественному образованию.
: schools-own - enrollment achievement traffic-lights-color is-private?
: students-own - target enrolled? income years-in-school school-achievement
* http://digida.mgpu.ru/images/f/f4/School_achivements.jpg
|Field_of_knowledge=Социология, NetSci, Управление, Урбанистика, Статистика
|Website=https://ccl.northwestern.edu/netlogo/models/community/School_Choice_ABM
|Environment=NetLogo
|Student-created=Нет
}}
; Diego A. Díaz, Ana María Jiménez & Cristián Larroulet (2019) An agent-based model of school choice with information asymmetries, Journal of Simulation, DOI: 10.1080/17477778.2019.1679674

Модель исследует эффекты реформы образования в Чили (2010 г.) — системы «светофоров», которая предоставляет родителям простой цветовой сигнал о качестве школы.

== Основные принципы модели ==
В модели два типа агентов: школы и студенты. Агенты размещены на плоскости и не перемещаются.

=== Агенты-студенты ===
* Имеют доход, распределённый по закону Парето
* Учатся в школе 10 лет, затем выпускаются
* Ежегодно появляются новые студенты в случайных локациях
* Визуализация: связь (link) с выбранной школой

=== Агенты-школы ===
* Имеют уровень успеваемости (achievement), распределённый по нормальному закону
* Могут быть государственными или частными
* Частные школы доступны только для студентов с высоким доходом

=== Ключевые механизмы ===
==== Процесс выбора школы ====
* Без выбора: студент назначается в ближайшую школу
* С выбором (with-school-choice):
* Богатые студенты максимизируют функцию полезности: <math>U = a^\alpha \times d^{(1-\alpha)}</math>, где:
* <math>a</math> — достижения школы,
* <math>d</math> — относительная близость,
* <math>\alpha</math> — вес качества (0–1)
* Бедные студенты выбирают ближайшую школу

==== Политика «светофоров» ====
При `traffic-lights? = ON` бедные студенты видят цветовой сигнал:
* 🟢 Зелёный — высокая успеваемость
* 🟡 Жёлтый — средняя
* 🔴 Красный — низкая
Богатые студенты обладают полной информацией (точное значение achievement)

==== Финансовые ограничения ====
Доступность школы определяется условием:
<math>\text{income} - \text{distance} \times \text{school-transportation-cost} \geq 0</math>
Даже бесплатная школа может быть недоступна из-за транспортных расходов.

== Модель ==
<netlogo model="School_Choice_ABM" />

=== Ссылка на работу ===
: http://ccl.northwestern.edu/netlogo/community/School_Choice_ABM.nlogo
; Цитирование: Diego A. Díaz, Ana María Jiménez & Cristián Larroulet (2019) An agent-based model of school choice with information asymmetries, Journal of Simulation, DOI: 10.1080/17477778.2019.1679674

== Использование в образовании ==
=== В курсе социально-экономической статистики ===
Модель служит лабораторией для изучения:
* Как индивидуальные решения создают системные эффекты (сегрегацию)
* Роли информационной асимметрии в неравенстве
* Влияния государственной политики на справедливость

== Статистические закономерности ==
=== Распределения ===
* Доходы студентов: закон Парето — большинство бедны, немногие богаты
* Качество школ: нормальное распределение (<math>\mu = 5</math>, <math>\sigma = 1</math>)

=== Измерение сегрегации ===
Коэффициент сегрегации:
<math>S = \frac{1}{2} \sum_{i=1}^{n} \left| \frac{H_i}{H} - \frac{L_i}{L} \right|</math>
где <math>H_i, L_i</math> — богатые и бедные в школе <math>i</math>, <math>H, L</math> — их общее число

=== Анализ влияния политики «светофоров» ===
Переключатель `traffic-lights?` позволяет оценить, как упрощённая информация влияет на выбор бедных семей

=== [[Регрессионный анализ]] ===

На основе данных, полученных при запусках модели, можно построить регрессионную модель для оценки влияния различных факторов на качество выбираемой школы:

<math>\text{achievement}_i = \beta_0 + \beta_1 \times \text{income}_i + \beta_2 \times \text{distance}_i + \beta_3 \times \text{choice}_i + \varepsilon_i</math>

'''Обозначения:'''
* <math>\text{achievement}_i</math> — уровень успеваемости (качество) школы, куда поступил ученик <math>i</math>
* <math>\text{income}_i</math> — доход семьи этого ученика
* <math>\text{distance}_i</math> — расстояние от его дома до выбранной школы
* <math>\text{choice}_i</math> — признак (0 или 1), показывающий, разрешён ли в этом сценарии выбор школы
* <math>\varepsilon_i</math> — случайная компонента, неучтённые факторы

'''Интерпретация коэффициентов:'''
* <math>\beta_1</math> — «премия за доход». Показывает, на сколько пунктов в среднем увеличивается качество школы при росте дохода семьи на одну единицу. Положительное и значимое значение этого коэффициента свидетельствует о наличии социально-экономического неравенства в доступе к образованию.
* <math>\beta_2</math> — отражает влияние расстояния. Ожидается, что он будет отрицательным, так как семьи, как правило, предпочитают более близкие школы.
* <math>\beta_3</math> — показывает общий эффект от введения возможности выбора школы на качество получаемого учениками образования.

Эксперименты с моделью School Choice ABM

2025-12-15T15:16:00Z

Хлебова Екатерина:

{{Model
|Description=Агентная модель, имитирующая систему школьного выбора в Чили. Исследует, как информационная асимметрия и экономическое неравенство влияют на доступ к качественному образованию.
: schools-own - enrollment achievement traffic-lights-color is-private?
: students-own - target enrolled? income years-in-school school-achievement
* http://digida.mgpu.ru/images/f/f4/School_achivements.jpg
|Field_of_knowledge=Социология, NetSci, Управление, Урбанистика, Статистика
|Website=https://ccl.northwestern.edu/netlogo/models/community/School_Choice_ABM
|Environment=NetLogo
|Student-created=Нет
}}
; Diego A. Díaz, Ana María Jiménez & Cristián Larroulet (2019) An agent-based model of school choice with information asymmetries, Journal of Simulation, DOI: 10.1080/17477778.2019.1679674

Модель исследует эффекты реформы образования в Чили (2010 г.) — системы «светофоров», которая предоставляет родителям простой цветовой сигнал о качестве школы.

== Основные принципы модели ==
В модели два типа агентов: школы и студенты. Агенты размещены на плоскости и не перемещаются.

=== Агенты-студенты ===
* Имеют доход, распределённый по закону Парето
* Учатся в школе 10 лет, затем выпускаются
* Ежегодно появляются новые студенты в случайных локациях
* Визуализация: связь (link) с выбранной школой

=== Агенты-школы ===
* Имеют уровень успеваемости (achievement), распределённый по нормальному закону
* Могут быть государственными или частными
* Частные школы доступны только для студентов с высоким доходом

=== Ключевые механизмы ===
==== Процесс выбора школы ====
* Без выбора: студент назначается в ближайшую школу
* С выбором (with-school-choice):
* Богатые студенты максимизируют функцию полезности: <math>U = a^\alpha \times d^{(1-\alpha)}</math>, где:
* <math>a</math> — достижения школы,
* <math>d</math> — относительная близость,
* <math>\alpha</math> — вес качества (0–1)
* Бедные студенты выбирают ближайшую школу

==== Политика «светофоров» ====
При `traffic-lights? = ON` бедные студенты видят цветовой сигнал:
* 🟢 Зелёный — высокая успеваемость
* 🟡 Жёлтый — средняя
* 🔴 Красный — низкая
Богатые студенты обладают полной информацией (точное значение achievement)

==== Финансовые ограничения ====
Доступность школы определяется условием:
<math>\text{income} - \text{distance} \times \text{school-transportation-cost} \geq 0</math>
Даже бесплатная школа может быть недоступна из-за транспортных расходов.

== Модель ==
<netlogo model="School_Choice_ABM" />

=== Ссылка на работу ===
: http://ccl.northwestern.edu/netlogo/community/School_Choice_ABM.nlogo
; Цитирование: Diego A. Díaz, Ana María Jiménez & Cristián Larroulet (2019) An agent-based model of school choice with information asymmetries, Journal of Simulation, DOI: 10.1080/17477778.2019.1679674

== Использование в образовании ==
=== В курсе социально-экономической статистики ===
Модель служит лабораторией для изучения:
* Как индивидуальные решения создают системные эффекты (сегрегацию)
* Роли информационной асимметрии в неравенстве
* Влияния государственной политики на справедливость

== Статистические закономерности ==
=== Распределения ===
* Доходы студентов: закон Парето — большинство бедны, немногие богаты
* Качество школ: нормальное распределение (<math>\mu = 5</math>, <math>\sigma = 1</math>)

=== Измерение сегрегации ===
Коэффициент сегрегации:
<math>S = \frac{1}{2} \sum_{i=1}^{n} \left| \frac{H_i}{H} - \frac{L_i}{L} \right|</math>
где <math>H_i, L_i</math> — богатые и бедные в школе <math>i</math>, <math>H, L</math> — их общее число

=== Анализ влияния политики «светофоров» ===
Переключатель `traffic-lights?` позволяет оценить, как упрощённая информация влияет на выбор бедных семей

=== [[Регрессионный анализ]] ===

На основе данных, полученных при запусках модели, можно построить регрессионную модель для оценки влияния различных факторов на качество выбираемой школы:

<math>\text{achievement}_i = \beta_0 + \beta_1 \times \text{income}_i + \beta_2 \times \text{distance}_i + \beta_3 \times \text{choice}_i + \varepsilon_i</math>

**Обозначения:**
* <math>\text{achievement}_i</math> — уровень успеваемости (качество) школы, куда поступил ученик <math>i</math>
* <math>\text{income}_i</math> — доход семьи этого ученика
* <math>\text{distance}_i</math> — расстояние от его дома до выбранной школы
* <math>\text{choice}_i</math> — признак (0 или 1), показывающий, разрешён ли в этом сценарии выбор школы
* <math>\varepsilon_i</math> — случайная компонента, неучтённые факторы

**Интерпретация коэффициентов:**
* <math>\beta_1</math> — **«премия за доход»**. Показывает, на сколько пунктов в среднем увеличивается качество школы при росте дохода семьи на одну единицу. Положительное и значимое значение этого коэффициента свидетельствует о наличии социально-экономического неравенства в доступе к образованию.
* <math>\beta_2</math> — отражает влияние расстояния. Ожидается, что он будет отрицательным, так как семьи, как правило, предпочитают более близкие школы.
* <math>\beta_3</math> — показывает общий эффект от введения возможности выбора школы на качество получаемого учениками образования.

Эксперименты с моделью School Choice ABM

2025-12-15T15:11:08Z

Хлебова Екатерина:

KhlebovaEkaterina/Project

2025-12-15T14:52:48Z

Хлебова Екатерина: Хлебова Екатерина переименовал страницу KhlebovaEkaterina/Project в KhlebovaPirozhkova/School Choice ABM

#перенаправление [[KhlebovaPirozhkova/School Choice ABM]]

Эксперименты с моделью School Choice ABM

2025-12-15T14:52:48Z

Хлебова Екатерина: Хлебова Екатерина переименовал страницу KhlebovaEkaterina/Project в KhlebovaPirozhkova/School Choice ABM

{{Model
|Description=Модель "School Choice ABM" показывает, как семьи выбирают школы в системе, похожей на чилийскую. В этой системе есть разные школы: государственные (бесплатные) и частные (платные). Модель позволяет увидеть, как выбор семьи влияет на то, кто в какой школе учится.
: schools-own - enrollment achievement traffic-lights-color is-private?
: students-own - target enrolled? income years-in-school school-achievement
Школы и ученики расположены на карте, и у каждого есть свои характеристики. Например, у школ есть качество обучения (achievement), а у учеников — уровень дохода семьи.

http://digida.mgpu.ru/images/f/f4/School_achivements.jpg
|Field_of_knowledge=Социология, NetSci, Управление, Урбанистика, Статистика
|Website=https://ccl.northwestern.edu/netlogo/models/community/School_Choice_ABM
|Environment=NetLogo
|Student-created=Нет
}}
;

Эта компьютерная модель помогает понять, как работает система школьного образования в Чили. В 2010 году там ввели специальную систему подсказок для родителей — «светофоры». Эти светофоры показывают цветом, хорошая школа или нет: зелёный — хорошая, жёлтый — средняя, красный — плохая.

[[Модель]] показывает два типа «героев»:

- Школы — расположены в разных местах города, у каждой свой уровень качества

- Ученики — живут в разных районах, у каждой семьи свой доход

Интересно, что школы и ученики не перемещаются по карте — они остаются на своих местах. Ученики ходят в школу 10 лет, потом «выпускаются», а на их место приходят новые.

Как устроена модель?
Деньги и качество: кто что может себе позволить
Ученики из богатых семей могут выбирать любые школы, даже платные частные

Ученики из бедных семей часто выбирают ближайшую школу, потому что далёкую не могут себе позволить — дорого ездить

Качество школ разное: есть очень хорошие, средние и плохие

Как семьи выбирают школу?
Есть два режима в модели:

1. Без выбора школы — всех отправляют в ближайшую школу, как по прописке.

2. С выбором школы — здесь начинается интересное:

Богатые семьи смотрят и на качество школы, и на то, как далеко она находится

Бедные семьи часто выбирают просто ближайшую школу, потому что:

Не знают, какие школы хорошие

Не могут позволить себе дорогу в далёкую школу

Что дают «светофоры»?
Когда включают систему светофоров, даже бедные семьи видят:

🟢 Зелёный — можно смело выбирать, школа хорошая

🟡 Жёлтый — школа нормальная, средняя

🔴 Красный — лучше поискать другую школу

Но богатые семьи всё равно имеют преимущество — они знают точные цифры качества школы, а не просто цвет.

== Модель ==
<netlogo model="School_Choice_ABM" />

=== Ссылка на работу ===
: http://ccl.northwestern.edu/netlogo/community/School_Choice_ABM.nlogo
; Авторы: Diego A. Díaz, Ana María Jiménez & Cristián Larroulet (2019) An agent-based model of school choice with information asymmetries, Journal of Simulation, DOI: 10.1080/17477778.2019.1679674

== Как используют эту модель в учёбе ==

На курсах по статистике и экономике

Эта модель — как лабораторный эксперимент. Она помогает понять:

Почему дети из богатых и бедных семей часто учатся в разных школах?

Как простая подсказка (светофор) может помочь бедным семьям сделать лучший выбор?

Что происходит, когда у всех есть право выбирать школу, но не у всех есть для этого одинаковые возможности?

Что можно изменить в модели?
В модели есть «кнопки», которые можно настраивать:

Сколько процентов богатых семей в городе

Насколько для богатых семей важно качество школы по сравнению с близостью

Включены светофоры или нет

Сколько стоит проезд до школы

Что показывает модель на практике?
Как богатые и бедные по-разному выбирают школы
Богатые семьи используют специальную формулу для выбора:

text
Полезность = (Качество школы)^α × (Близость к дому)^(1-α)
Где α — насколько важно качество. Если α = 0.9, значит качество важнее близости.

Бедные семьи часто просто идут в ближайшую школу, потому что:

Дорого ездить далеко

Нет информации о качестве школ

Проблема доступности
Даже бесплатная государственная школа может быть недоступна, если:

text
Доход семьи - (Расстояние × Стоимость проезда) < 0
То есть если семья слишком бедная, она не может позволить себе даже дорогу до школы.

Что можно измерить с помощью модели?
Простое наблюдение за графиками
В модели есть несколько графиков, которые показывают:

1. Кто в каких школах учится:

Сколько процентов учеников в хороших школах

Сколько в средних

Сколько в плохих

Сколько вообще не учатся

2. Разрыв между богатыми и бедными:

Среднее качество школ, где учатся богатые

Среднее качество школ, где учатся бедные

Разница между этими показателями

Измерение неравенства
Можно посчитать коэффициент сегрегации — насколько сильно разделены богатые и бедные ученики по разным школам:

text
S = ½ × Σ |(Богатые в школе/Все богатые) - (Бедные в школе/Все бедные)|
Если S = 0 — полное смешение, если S = 1 — полное разделение.

Влияние светофоров
Когда включают светофоры:

Бедные семьи начинают избегать красных (плохих) школ

Больше бедных учеников попадает в жёлтые и зелёные школы

Но разрыв с богатыми всё равно остаётся

Пример исследования с помощью модели
Вопрос для исследования
«Помогают ли светофоры уменьшить неравенство в образовании?»

Как проводить эксперимент
Запустить модель без светофоров

Посмотреть, какой разрыв между богатыми и бедными

Записать, сколько бедных в хороших школах

Запустить модель со светофорами

Сравнить те же показатели

Увидеть, изменилось ли что-то

Сделать выводы

Если разрыв уменьшился — светофоры помогают

Если нет — нужны другие меры

Что обычно показывает модель
Без светофоров: Бедные часто попадают в плохие школы случайно

Со светофорами: Бедные реже выбирают плохие школы

Но: Богатые всё равно учатся в лучших школах, чем бедные

Почему эта модель важна?
Для понимания реального мира
Модель объясняет:

Почему в одном городе могут быть «элитные» и «проблемные» школы

Как информация о качестве школ может изменить выбор семей

Почему даже при равных правах на выбор результат бывает разным

Для принятия решений
Политики и управленцы могут использовать такие модели, чтобы:

Понимать последствия своих решений

Тестировать новые идеи (как светофоры в Чили)

Находить способы уменьшить неравенство

Как работать с моделью: простые шаги
Скачайте и откройте модель в программе NetLogo

Нажмите Setup — создастся город со школами и учениками

Поэкспериментируйте:

Включите/выключите выбор школ

Включите/выключите светофоры

Измените процент богатых семей

Наблюдайте за графиками — как меняется ситуация

Сделайте выводы — что помогает, а что нет

Главные выводы модели
Право выбора ≠ равные возможности — даже если все могут выбирать школу, у богатых получается лучше

Информация помогает, но не решает всё — светофоры улучшают ситуацию, но не устраняют неравенство полностью

Деньги решают — если семья не может позволить себе дорогу до хорошей школы, право выбора для неё ничего не значит

Небольшие изменения могут иметь большие последствия — простая система цветовых подсказок меняет поведение тысяч семей

Эта модель — отличный инструмент, чтобы понять сложные социальные процессы через простые компьютерные эксперименты. Она показывает, как индивидуальные решения многих людей создают общие закономерности в обществе.

Эксперименты с моделью School Choice ABM

2025-12-15T14:51:32Z

Хлебова Екатерина: Новая страница: «{{Model |Description=Модель "School Choice ABM" показывает, как семьи выбирают школы в системе, похожей на чилийскую. В этой системе есть разные школы: государственные (бесплатные) и частные (платные). Модель позволяет увидеть, как выбор семьи влияет на то, кто в какой школ...»

Обсуждение:Практическое задание по анализу временных рядов

2025-12-06T12:41:49Z

Хлебова Екатерина:

== Пример постановки эксперимента с моделью Segregation ==

Это пример постановки эксперимента
--[[Участник:Patarakin|Patarakin]] ([[Обсуждение участника:Patarakin|обсуждение]]) 09:16, 15 ноября 2025 (MSK)

Условия эксперимента:
# Плотность - 60%
# Таких же как я - 30, 40, 60 %

Time unhappy
0 300
1 161
2 99
3 62
4 38
5 28
6 18
7 11
8 5
9 2
10 2
11 0

=== [[BehaviorSpace]] Experiment ===
* https://raw.githubusercontent.com/patarakin/stat-data/ee3ff311001c6097690360309525529610f4cda1/datasets/csv/Segregation_experiment1.csv

== Пример постановки эксперимента с моделью Segregation ==

=== Сбор данных с модели Segregation ===

--[[Участник:Kate|Kate]] ([[Обсуждение участника:Kate|обсуждение]]) 09:41, 15 ноября 2025 (MSK)

Условия эксперимента:
# Плотность - 95%
# Таких же как я - 70%

https://docs.google.com/spreadsheets/d/18ETlNj_PdpHHS31PXFFE3xKZz2Fi-4xkqeDgUYEfN_M/edit?usp=sharing

{{#widget:Google Spreadsheet
|key=e/2PACX-1vSo0qbkxN8XqMumIM8MZSb57Y4pZMJAmU48njjO_RIMshxYr9yrusvEOBAElT_EUhQJO7kNBqSRlQpI
|width=500
|height=400
}}

=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:

[[Файл:2025-11-29 01-51-38.png|600px]]

=== Далее визуализируем в RawGraph ===
[[Файл:Viz V.png|600px]]

=== Визуализация графиков в RawGraph по модели Economic Disparity(общий датасет)===
Для начала построим диаграммы рассеивания в CODAP:

[[Файл:2025-11-29 02-27-40.png|600px]]

далее в RawGraph:

[[Файл:Ch1.png|600px]]

[[Файл:Ch2.png|600px]]

== Эксперимент с моделью Segregation ==

--[[Участник:PanshinaZina|PanshinaZina]] ([[Обсуждение участника:PanshinaZina|обсуждение]]) 09:46, 15 ноября 2025 (MSK)

=== Сбор данных с модели Segregation ===
# Плотность - 80%
# Таких же как я - 75%

* https://docs.google.com/spreadsheets/d/1gqjZmHA2w2oBaCHlDiRIz5QzEY5BlxX4zDUVXYMCFQ4/edit?gid=0#gid=0

{{#widget:Google Spreadsheet
|key=e/2PACX-1vTSVYEuoG3mfbZfxAGOGWz6q81-JAnIk69BaD4ih-HayiSjrkdICgjlrUMMgYiecxOuyN56YDQq9oF4
|width=500
|height=400
}}

=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:

[[Файл:Codap seg.png|600px]]

Затем построим графики в RawGraph:

[[Файл:Segregation.png|800px]]

На всех графиках наблюдается общая тенденция к снижению числа несчастливых агентов со временем, что соответствует ожидаемому поведению модели сегрегации. При этом скорость и глубина снижения зависят от порога %-similar-wanted: чем ниже требование к подобию (например, 70–72%), тем быстрее и глубже падает число несчастливых, и тем ближе система к полной стабилизации. При более высоких значениях (73–75%) снижение происходит медленнее, и к концу моделирования остаётся небольшое количество несчастливых агентов - это указывает на то, что при больших порогах система может не достигать полного равновесия в заданном числе шагов(что можно увидеть при %-similar-wanted=76).

=== Визуализация графиков в RawGraph по модели Economic Disparity(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:
[[Файл:CODAP ED.png|800px]]

Затем построим графики в RawGraph:

[[Файл:Poor.png|450px]]
[[Файл:Rich.png|450px]]

На полученных графиках мы видим, что чем выше poor-price-priority или rich-quality-priority, тем больше медианное расстояние до работы — это означает, что ориентация бедных на цену и богатых на качество заставляет их выбирать более удалённое место жительство от рабочего места. При снижении этих приоритетов расстояния сокращаются.

== Эксперимент с моделью Segregation ==

--[[Участник:Malena Buzdugan|Malena Buzdugan]] ([[Обсуждение участника:Malena Buzdugan|обсуждение]]) 09:46, 15 ноября 2025 (MSK)

Условия эксперимента:
# Плотность - 80%
# Таких же как я - 50 %

* https://docs.google.com/spreadsheets/d/1Jl5Iat5UvbL5uxol7NzrbJQx7-P_xriS/edit?usp=drive_link&ouid=109987093236244455563&rtpof=true&sd=true

{{#widget:Google Spreadsheet
|key=e/2PACX-1vTPXipXc9ARNYMvQwyHByVmfBmYOsK7G-XRaORt0RZzBQkUeaOVeYcLOVNvCyFtgQ
|width=500
|height=400
}}

=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:

[[Файл:Photo 2025-12-02 13-05-26.jpg|600px]]

=== Далее визуализируем в RawGraph ===
[[Файл:Ааа.png|600px]]
[[Файл:Viz (1.png|600px]]

== Эксперимент с моделью Segregation ==
--[[Участник:DolzhenkovaPV|DolzhenkovaPV]] ([[Обсуждение участника:DolzhenkovaPV|обсуждение]]) 10:08, 24 ноября 2025 (MSK)
*
https://docs.google.com/spreadsheets/d/1VrDX2kuHOzh_HSqERhOXEwUPWtgMEYZyevcI-Lhu8HY/edit?usp=sharing

Условия эксперимента:
# Плотность - 81%
# Таких же как я - 70 %
{{#widget:Google Spreadsheet

|key=e/2PACX-1vTSVYEuoG3mfbZfxAGOGWz6q81-JAnIk69BaD4ih-HayiSjrkdICgjlrUMMgYiecxOuyN56YDQq9oF4
|width=500
|height=400
}}
=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
[[Файл:2025-11-24 09-52-33.png|600px]]

[[Файл:2025-11-24_10-02-54.png|600px]]

== Эксперимент с моделью Segregation ==

--[[Участник:KryuchkovSR|KryuchkovSR]] ([[Обсуждение участника:KryuchkovSR|обсуждение]]) 00:30, 21 ноября 2025 (MSK)

Условия эксперимента:
# Плотность - 95%
# Таких же как я - 65%

*
https://docs.google.com/spreadsheets/d/1gDmKr_UHjpUr5_iR231LlJfVgPMGoHWBdWZI7qigleQ/edit?usp=sharing

{{#widget:Google Spreadsheet
|key=e/2PACX-1vSWXDB_TI-khaobFIf9fXM4zKHx-QBCRcGXbo9afY9tcJttAXEV5EO_j4i0FejKGso38QavLQX43u0z
|width=500
|height=400
}}
=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:
[[Файл:Happy unhappy.png|550px]]

Затем построим графики в RawGraph:
[[Файл:Raw happy.png|700px]]

На всех графиках наблюдается общая тенденция к снижению числа несчастливых агентов со временем, что соответствует ожидаемому поведению модели сегрегации.

== Эксперимент с моделью Segregation ==

--[[Участник:GavrikovVI843|GavrikovVI843]] ([[Обсуждение участника:GavrikovVI843|обсуждение]]) 02:13, 21 ноября 2025 (MSK)

Условия эксперимента:
# Плотность - 83%
# Таких же как я - 83%

*
https://docs.google.com/spreadsheets/d/1Dh_tpGTeNvnSlkdC_UntJwu7G3P6gnVrFi9GWnTEGsw/edit?usp=sharing
{{#widget:Google Spreadsheet
|key=e/2PACX-1vQ-ILv2Q-LJdW11qXQr6tM5sMmHv02Tw5osEWV415-u1I2do17O9biGpPvUZ1bDYCLQzYc7izEEkNv8
}}

=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:
[[Файл:Graphs analyse.png|650px]]

Затем построим графики в RawGraph:
[[Файл:Happy.png|650px]]

== Эксперимент с моделью Segregation ==
Условия эксперимента:
# Плотность - 88%
# Таких же как я - 88 %
* https://docs.google.com/spreadsheets/d/1KCua6-shAaeD164v4ifRZh_Ez1ZU6aTZFvm54xb8Ce4/edit?gid=0#gid=0

{{#widget:Google Spreadsheet
|key=e/2PACX-1vTPXipXc9ARNYMvQwyHByVmfBmYOsK7G-XRaORt0RZzBQkUeaOVeYcLOVNvCyFtgQ
|width=500
|height=400
}}

=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:
[[Файл:Снимок экрана 2025-11-29 014538.png| 600px]]

Затем построим графики в RawGraph:
[[Файл:GG2.png|800px]]

=== Визуализация графиков в RawGraph по модели Economic Disparity(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:
[[Файл:GG3.png|800]]

Затем построим графики в RawGraph:
[[Файл:Viz (1).png|800px]]

== Эксперимент с моделью Segregation ==
'''Хлебова Екатерина, гр. АБП-231'''

Условия эксперимента:
# Плотность - 84%
# Таких же как я - 63%

* https://docs.google.com/spreadsheets/d/1pdLtG43iF32Rs9Z2s5ju2wnlG2ecnbMy1wdeQ296n60/edit?usp=sharing
{{#widget:Google Spreadsheet
|key=e/2PACX-1vRS39czJLsMKifssDW8tsGwRz_cIN-6_tgljBkzjCjIh5bH1qr2YZoEjlZu4Mkene8rxFQqA_LSuuPr
|width=500
|height=400
}}

=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:
[[Файл:Segregation experiment.jpg|600px]]

Затем построим графики в RawGraph:
[[Файл:Хлебова ЕМ.png|800px]]

Обсуждение:Практическое задание по анализу временных рядов

2025-12-06T12:35:24Z

Хлебова Екатерина:

== Пример постановки эксперимента с моделью Segregation ==

Это пример постановки эксперимента
--[[Участник:Patarakin|Patarakin]] ([[Обсуждение участника:Patarakin|обсуждение]]) 09:16, 15 ноября 2025 (MSK)

Условия эксперимента:
# Плотность - 60%
# Таких же как я - 30, 40, 60 %

Time unhappy
0 300
1 161
2 99
3 62
4 38
5 28
6 18
7 11
8 5
9 2
10 2
11 0

=== [[BehaviorSpace]] Experiment ===
* https://raw.githubusercontent.com/patarakin/stat-data/ee3ff311001c6097690360309525529610f4cda1/datasets/csv/Segregation_experiment1.csv

== Пример постановки эксперимента с моделью Segregation ==

=== Сбор данных с модели Segregation ===

--[[Участник:Kate|Kate]] ([[Обсуждение участника:Kate|обсуждение]]) 09:41, 15 ноября 2025 (MSK)

Условия эксперимента:
# Плотность - 95%
# Таких же как я - 70%

https://docs.google.com/spreadsheets/d/18ETlNj_PdpHHS31PXFFE3xKZz2Fi-4xkqeDgUYEfN_M/edit?usp=sharing

{{#widget:Google Spreadsheet
|key=e/2PACX-1vSo0qbkxN8XqMumIM8MZSb57Y4pZMJAmU48njjO_RIMshxYr9yrusvEOBAElT_EUhQJO7kNBqSRlQpI
|width=500
|height=400
}}

=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:

[[Файл:2025-11-29 01-51-38.png|600px]]

=== Далее визуализируем в RawGraph ===
[[Файл:Viz V.png|600px]]

=== Визуализация графиков в RawGraph по модели Economic Disparity(общий датасет)===
Для начала построим диаграммы рассеивания в CODAP:

[[Файл:2025-11-29 02-27-40.png|600px]]

далее в RawGraph:

[[Файл:Ch1.png|600px]]

[[Файл:Ch2.png|600px]]

== Эксперимент с моделью Segregation ==

--[[Участник:PanshinaZina|PanshinaZina]] ([[Обсуждение участника:PanshinaZina|обсуждение]]) 09:46, 15 ноября 2025 (MSK)

=== Сбор данных с модели Segregation ===
# Плотность - 80%
# Таких же как я - 75%

* https://docs.google.com/spreadsheets/d/1gqjZmHA2w2oBaCHlDiRIz5QzEY5BlxX4zDUVXYMCFQ4/edit?gid=0#gid=0

{{#widget:Google Spreadsheet
|key=e/2PACX-1vTSVYEuoG3mfbZfxAGOGWz6q81-JAnIk69BaD4ih-HayiSjrkdICgjlrUMMgYiecxOuyN56YDQq9oF4
|width=500
|height=400
}}

=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:

[[Файл:Codap seg.png|600px]]

Затем построим графики в RawGraph:

[[Файл:Segregation.png|800px]]

На всех графиках наблюдается общая тенденция к снижению числа несчастливых агентов со временем, что соответствует ожидаемому поведению модели сегрегации. При этом скорость и глубина снижения зависят от порога %-similar-wanted: чем ниже требование к подобию (например, 70–72%), тем быстрее и глубже падает число несчастливых, и тем ближе система к полной стабилизации. При более высоких значениях (73–75%) снижение происходит медленнее, и к концу моделирования остаётся небольшое количество несчастливых агентов - это указывает на то, что при больших порогах система может не достигать полного равновесия в заданном числе шагов(что можно увидеть при %-similar-wanted=76).

=== Визуализация графиков в RawGraph по модели Economic Disparity(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:
[[Файл:CODAP ED.png|800px]]

Затем построим графики в RawGraph:

[[Файл:Poor.png|450px]]
[[Файл:Rich.png|450px]]

На полученных графиках мы видим, что чем выше poor-price-priority или rich-quality-priority, тем больше медианное расстояние до работы — это означает, что ориентация бедных на цену и богатых на качество заставляет их выбирать более удалённое место жительство от рабочего места. При снижении этих приоритетов расстояния сокращаются.

== Эксперимент с моделью Segregation ==

--[[Участник:Malena Buzdugan|Malena Buzdugan]] ([[Обсуждение участника:Malena Buzdugan|обсуждение]]) 09:46, 15 ноября 2025 (MSK)

Условия эксперимента:
# Плотность - 80%
# Таких же как я - 50 %

* https://docs.google.com/spreadsheets/d/1Jl5Iat5UvbL5uxol7NzrbJQx7-P_xriS/edit?usp=drive_link&ouid=109987093236244455563&rtpof=true&sd=true

{{#widget:Google Spreadsheet
|key=e/2PACX-1vTPXipXc9ARNYMvQwyHByVmfBmYOsK7G-XRaORt0RZzBQkUeaOVeYcLOVNvCyFtgQ
|width=500
|height=400
}}

=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:

[[Файл:Photo 2025-12-02 13-05-26.jpg|600px]]

=== Далее визуализируем в RawGraph ===
[[Файл:Ааа.png|600px]]
[[Файл:Viz (1.png|600px]]

== Эксперимент с моделью Segregation ==
--[[Участник:DolzhenkovaPV|DolzhenkovaPV]] ([[Обсуждение участника:DolzhenkovaPV|обсуждение]]) 10:08, 24 ноября 2025 (MSK)
*
https://docs.google.com/spreadsheets/d/1VrDX2kuHOzh_HSqERhOXEwUPWtgMEYZyevcI-Lhu8HY/edit?usp=sharing

Условия эксперимента:
# Плотность - 81%
# Таких же как я - 70 %
{{#widget:Google Spreadsheet

|key=e/2PACX-1vTSVYEuoG3mfbZfxAGOGWz6q81-JAnIk69BaD4ih-HayiSjrkdICgjlrUMMgYiecxOuyN56YDQq9oF4
|width=500
|height=400
}}
=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
[[Файл:2025-11-24 09-52-33.png|600px]]

[[Файл:2025-11-24_10-02-54.png|600px]]

== Эксперимент с моделью Segregation ==

--[[Участник:KryuchkovSR|KryuchkovSR]] ([[Обсуждение участника:KryuchkovSR|обсуждение]]) 00:30, 21 ноября 2025 (MSK)

Условия эксперимента:
# Плотность - 95%
# Таких же как я - 65%

*
https://docs.google.com/spreadsheets/d/1gDmKr_UHjpUr5_iR231LlJfVgPMGoHWBdWZI7qigleQ/edit?usp=sharing

{{#widget:Google Spreadsheet
|key=e/2PACX-1vSWXDB_TI-khaobFIf9fXM4zKHx-QBCRcGXbo9afY9tcJttAXEV5EO_j4i0FejKGso38QavLQX43u0z
|width=500
|height=400
}}
=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:
[[Файл:Happy unhappy.png|550px]]

Затем построим графики в RawGraph:
[[Файл:Raw happy.png|700px]]

На всех графиках наблюдается общая тенденция к снижению числа несчастливых агентов со временем, что соответствует ожидаемому поведению модели сегрегации.

== Эксперимент с моделью Segregation ==

--[[Участник:GavrikovVI843|GavrikovVI843]] ([[Обсуждение участника:GavrikovVI843|обсуждение]]) 02:13, 21 ноября 2025 (MSK)

Условия эксперимента:
# Плотность - 83%
# Таких же как я - 83%

*
https://docs.google.com/spreadsheets/d/1Dh_tpGTeNvnSlkdC_UntJwu7G3P6gnVrFi9GWnTEGsw/edit?usp=sharing
{{#widget:Google Spreadsheet
|key=e/2PACX-1vQ-ILv2Q-LJdW11qXQr6tM5sMmHv02Tw5osEWV415-u1I2do17O9biGpPvUZ1bDYCLQzYc7izEEkNv8
}}

=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:
[[Файл:Graphs analyse.png|650px]]

Затем построим графики в RawGraph:
[[Файл:Happy.png|650px]]

== Эксперимент с моделью Segregation ==
Условия эксперимента:
# Плотность - 88%
# Таких же как я - 88 %
* https://docs.google.com/spreadsheets/d/1KCua6-shAaeD164v4ifRZh_Ez1ZU6aTZFvm54xb8Ce4/edit?gid=0#gid=0

{{#widget:Google Spreadsheet
|key=e/2PACX-1vTPXipXc9ARNYMvQwyHByVmfBmYOsK7G-XRaORt0RZzBQkUeaOVeYcLOVNvCyFtgQ
|width=500
|height=400
}}

=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:
[[Файл:Снимок экрана 2025-11-29 014538.png| 600px]]

Затем построим графики в RawGraph:
[[Файл:GG2.png|800px]]

=== Визуализация графиков в RawGraph по модели Economic Disparity(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:
[[Файл:GG3.png|800]]

Затем построим графики в RawGraph:
[[Файл:Viz (1).png|800px]]

== Эксперимент с моделью Segregation ==

Условия эксперимента:
# Плотность - 84%
# Таких же как я - 63%
Условия эксперимента:
# Плотность - 84%
# Таких же как я - 63%

* https://docs.google.com/spreadsheets/d/1pdLtG43iF32Rs9Z2s5ju2wnlG2ecnbMy1wdeQ296n60/edit?usp=sharing
{{#widget:Google Spreadsheet
|key=e/2PACX-1vTPXipXc9ARNYMvQwyHByVmfBmYOsK7G-XRaORt0RZzBQkUeaOVeYcLOVNvCyFtgQ
|width=500
|height=400
}}

=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:
[[Файл:Segregation experiment.jpg|600px]]

Затем построим графики в RawGraph:
[[Файл:Хлебова ЕМ.png|800px]]

Обсуждение:Практическое задание по анализу временных рядов

2025-12-06T12:33:14Z

Хлебова Екатерина:

== Пример постановки эксперимента с моделью Segregation ==

Это пример постановки эксперимента
--[[Участник:Patarakin|Patarakin]] ([[Обсуждение участника:Patarakin|обсуждение]]) 09:16, 15 ноября 2025 (MSK)

Условия эксперимента:
# Плотность - 60%
# Таких же как я - 30, 40, 60 %

Time unhappy
0 300
1 161
2 99
3 62
4 38
5 28
6 18
7 11
8 5
9 2
10 2
11 0

=== [[BehaviorSpace]] Experiment ===
* https://raw.githubusercontent.com/patarakin/stat-data/ee3ff311001c6097690360309525529610f4cda1/datasets/csv/Segregation_experiment1.csv

== Пример постановки эксперимента с моделью Segregation ==

=== Сбор данных с модели Segregation ===

--[[Участник:Kate|Kate]] ([[Обсуждение участника:Kate|обсуждение]]) 09:41, 15 ноября 2025 (MSK)

Условия эксперимента:
# Плотность - 95%
# Таких же как я - 70%

https://docs.google.com/spreadsheets/d/18ETlNj_PdpHHS31PXFFE3xKZz2Fi-4xkqeDgUYEfN_M/edit?usp=sharing

{{#widget:Google Spreadsheet
|key=e/2PACX-1vSo0qbkxN8XqMumIM8MZSb57Y4pZMJAmU48njjO_RIMshxYr9yrusvEOBAElT_EUhQJO7kNBqSRlQpI
|width=500
|height=400
}}

=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:

[[Файл:2025-11-29 01-51-38.png|600px]]

=== Далее визуализируем в RawGraph ===
[[Файл:Viz V.png|600px]]

=== Визуализация графиков в RawGraph по модели Economic Disparity(общий датасет)===
Для начала построим диаграммы рассеивания в CODAP:

[[Файл:2025-11-29 02-27-40.png|600px]]

далее в RawGraph:

[[Файл:Ch1.png|600px]]

[[Файл:Ch2.png|600px]]

== Эксперимент с моделью Segregation ==

--[[Участник:PanshinaZina|PanshinaZina]] ([[Обсуждение участника:PanshinaZina|обсуждение]]) 09:46, 15 ноября 2025 (MSK)

=== Сбор данных с модели Segregation ===
# Плотность - 80%
# Таких же как я - 75%

* https://docs.google.com/spreadsheets/d/1gqjZmHA2w2oBaCHlDiRIz5QzEY5BlxX4zDUVXYMCFQ4/edit?gid=0#gid=0

{{#widget:Google Spreadsheet
|key=e/2PACX-1vTSVYEuoG3mfbZfxAGOGWz6q81-JAnIk69BaD4ih-HayiSjrkdICgjlrUMMgYiecxOuyN56YDQq9oF4
|width=500
|height=400
}}

=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:

[[Файл:Codap seg.png|600px]]

Затем построим графики в RawGraph:

[[Файл:Segregation.png|800px]]

На всех графиках наблюдается общая тенденция к снижению числа несчастливых агентов со временем, что соответствует ожидаемому поведению модели сегрегации. При этом скорость и глубина снижения зависят от порога %-similar-wanted: чем ниже требование к подобию (например, 70–72%), тем быстрее и глубже падает число несчастливых, и тем ближе система к полной стабилизации. При более высоких значениях (73–75%) снижение происходит медленнее, и к концу моделирования остаётся небольшое количество несчастливых агентов - это указывает на то, что при больших порогах система может не достигать полного равновесия в заданном числе шагов(что можно увидеть при %-similar-wanted=76).

=== Визуализация графиков в RawGraph по модели Economic Disparity(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:
[[Файл:CODAP ED.png|800px]]

Затем построим графики в RawGraph:

[[Файл:Poor.png|450px]]
[[Файл:Rich.png|450px]]

На полученных графиках мы видим, что чем выше poor-price-priority или rich-quality-priority, тем больше медианное расстояние до работы — это означает, что ориентация бедных на цену и богатых на качество заставляет их выбирать более удалённое место жительство от рабочего места. При снижении этих приоритетов расстояния сокращаются.

== Эксперимент с моделью Segregation ==

--[[Участник:Malena Buzdugan|Malena Buzdugan]] ([[Обсуждение участника:Malena Buzdugan|обсуждение]]) 09:46, 15 ноября 2025 (MSK)

Условия эксперимента:
# Плотность - 80%
# Таких же как я - 50 %

* https://docs.google.com/spreadsheets/d/1Jl5Iat5UvbL5uxol7NzrbJQx7-P_xriS/edit?usp=drive_link&ouid=109987093236244455563&rtpof=true&sd=true

{{#widget:Google Spreadsheet
|key=e/2PACX-1vTPXipXc9ARNYMvQwyHByVmfBmYOsK7G-XRaORt0RZzBQkUeaOVeYcLOVNvCyFtgQ
|width=500
|height=400
}}

=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:

[[Файл:Photo 2025-12-02 13-05-26.jpg|600px]]

=== Далее визуализируем в RawGraph ===
[[Файл:Ааа.png|600px]]
[[Файл:Viz (1.png|600px]]

== Эксперимент с моделью Segregation ==
--[[Участник:DolzhenkovaPV|DolzhenkovaPV]] ([[Обсуждение участника:DolzhenkovaPV|обсуждение]]) 10:08, 24 ноября 2025 (MSK)
*
https://docs.google.com/spreadsheets/d/1VrDX2kuHOzh_HSqERhOXEwUPWtgMEYZyevcI-Lhu8HY/edit?usp=sharing

Условия эксперимента:
# Плотность - 81%
# Таких же как я - 70 %
{{#widget:Google Spreadsheet

|key=e/2PACX-1vTSVYEuoG3mfbZfxAGOGWz6q81-JAnIk69BaD4ih-HayiSjrkdICgjlrUMMgYiecxOuyN56YDQq9oF4
|width=500
|height=400
}}
=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
[[Файл:2025-11-24 09-52-33.png|600px]]

[[Файл:2025-11-24_10-02-54.png|600px]]

== Эксперимент с моделью Segregation ==

--[[Участник:KryuchkovSR|KryuchkovSR]] ([[Обсуждение участника:KryuchkovSR|обсуждение]]) 00:30, 21 ноября 2025 (MSK)

Условия эксперимента:
# Плотность - 95%
# Таких же как я - 65%

*
https://docs.google.com/spreadsheets/d/1gDmKr_UHjpUr5_iR231LlJfVgPMGoHWBdWZI7qigleQ/edit?usp=sharing

{{#widget:Google Spreadsheet
|key=e/2PACX-1vSWXDB_TI-khaobFIf9fXM4zKHx-QBCRcGXbo9afY9tcJttAXEV5EO_j4i0FejKGso38QavLQX43u0z
|width=500
|height=400
}}
=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:
[[Файл:Happy unhappy.png|550px]]

Затем построим графики в RawGraph:
[[Файл:Raw happy.png|700px]]

На всех графиках наблюдается общая тенденция к снижению числа несчастливых агентов со временем, что соответствует ожидаемому поведению модели сегрегации.

== Эксперимент с моделью Segregation ==

--[[Участник:GavrikovVI843|GavrikovVI843]] ([[Обсуждение участника:GavrikovVI843|обсуждение]]) 02:13, 21 ноября 2025 (MSK)

Условия эксперимента:
# Плотность - 83%
# Таких же как я - 83%

*
https://docs.google.com/spreadsheets/d/1Dh_tpGTeNvnSlkdC_UntJwu7G3P6gnVrFi9GWnTEGsw/edit?usp=sharing
{{#widget:Google Spreadsheet
|key=e/2PACX-1vQ-ILv2Q-LJdW11qXQr6tM5sMmHv02Tw5osEWV415-u1I2do17O9biGpPvUZ1bDYCLQzYc7izEEkNv8
}}

=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:
[[Файл:Graphs analyse.png|650px]]

Затем построим графики в RawGraph:
[[Файл:Happy.png|650px]]

== Эксперимент с моделью Segregation ==
Условия эксперимента:
# Плотность - 88%
# Таких же как я - 88 %
* https://docs.google.com/spreadsheets/d/1KCua6-shAaeD164v4ifRZh_Ez1ZU6aTZFvm54xb8Ce4/edit?gid=0#gid=0

{{#widget:Google Spreadsheet
|key=e/2PACX-1vTPXipXc9ARNYMvQwyHByVmfBmYOsK7G-XRaORt0RZzBQkUeaOVeYcLOVNvCyFtgQ
|width=500
|height=400
}}

=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:
[[Файл:Снимок экрана 2025-11-29 014538.png| 600px]]

Затем построим графики в RawGraph:
[[Файл:GG2.png|800px]]

=== Визуализация графиков в RawGraph по модели Economic Disparity(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:
[[Файл:GG3.png|800]]

Затем построим графики в RawGraph:
[[Файл:Viz (1).png|800px]]

== Эксперимент с моделью Segregation ==

Условия эксперимента:
# Плотность - 84%
# Таких же как я - 63%
Условия эксперимента:
# Плотность - 84%
# Таких же как я - 63%

https://docs.google.com/spreadsheets/d/1pdLtG43iF32Rs9Z2s5ju2wnlG2ecnbMy1wdeQ296n60/edit?usp=sharing

=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:
[[Файл:Segregation experiment.jpg|600px]]

Затем построим графики в RawGraph:
[[Файл:Хлебова ЕМ.png|800px]]

Файл:Хлебова ЕМ.png

2025-12-06T12:14:24Z

Хлебова Екатерина:

RAWGraphs

Файл:Segregation experiment.jpg

2025-12-06T12:13:25Z

Хлебова Екатерина:

Segregation_experiment

Участник:KhlebovaEkaterina/Wolf-Sheep

2025-11-19T12:30:44Z

Хлебова Екатерина: Новая страница: «=== Wolf-Sheep Predation === {{#ask: Wolf-Sheep Predation | ?Description }} <netlogo model="Wolf_Sheep_Predation" />»

=== Wolf-Sheep Predation ===
{{#ask: [[Wolf-Sheep Predation]] | ?Description }}

<netlogo model="Wolf_Sheep_Predation" />

Обсуждение:Как провести регрессионный анализ

2025-11-19T12:22:50Z

Хлебова Екатерина: /* Дополнение с датасетом про астронавтов */

== Дополнение с датасетом про бизнес ==

Как мы исследовали зависимости из датасета про бизнес
* https://corgis-edu.github.io/corgis/csv/business_dynamics/

[[Файл:Business death.png|600px]]

== Дополнение с датасетом про кофе ==

Как проводился регрессионный анализ датасета про кофе:

*https://corgis-edu.github.io/corgis/csv/coffee/

[[Файл:График.png|600px]]

How does (Data.Scores.Acidity) depend on (Data.Scores.Total)?

LSRL: Data.Scores.Acidity = 0,08482 (Data.Scores.Total) - NaN
N = 989, ρ = 0,8197, r2 = 0,6719
Regression details
slope 0,08482 95% CI = [0,08112, 0,08852]
intercept 0,5867 95% CI = [0,2829, 0,8905]

testing slope ≠ 0
t = 45, P < 0.0001
df = 987, α = 0,05, t* = 1,96,

''Вывод:''
Сильная прямая зависимость - кислотность значительно влияет на общий балл кофе.

''Ключевые цифры:''

Сильная связь: ρ = 0.82 (очень высокая корреляция)

Объясняет 67%: R² = 0.67 - кислотность определяет 67% изменений общего балла

Статзначимо: P < 0.0001 - связь не случайна

''Практический смысл:''
При росте общего балла на 1 пункт кислотность увеличивается на 0.085 балла

Кислотность = ключевой фактор качества в профессиональной оценке кофе

Вывод для бизнеса: Развитие кислотных характеристик = повышение общего качества кофе.

== Дополнение с датасетом про миллионеров ==

Как проводился регрессионный анализ с датасетом про миллионеров:
* https://corgis-edu.github.io/corgis/csv/billionaires/

Гипотеза: Есть ли связь между возрастом и состоянием? Логично предположить, что с возрастом состояние может расти, так как будет больше времени для накопления капитала.

[[Файл: График по миллионерам.png|600px]]

Регрессионный анализ:

How does (demographics.age) depend on (wealth.worth in billions) ?
LSRL: demographics.age = 0,5967 (wealth.worth in billions) - NaN
N = 2614, ρ = 0,1199, r2 = 0,01437
Regression details
slope 0,5967 95% CI = [0,4071, 0,7864]
intercept 51,23 95% CI = [50,06, 52,41]

testing slope ≠ 0
t = 6,17, P < 0.0001
df = 2612, α = 0,05, t* = 1,96,

Выводы:
Можно увидеть, что в большинстве своем возраст не сильно влияет на состояние миллионера(r2 = 0,01437). Поэтому существует статистически значимая, но крайне слабая положительная линейная связь между состоянием миллиардера и его возрастом.

== Дополнение с датасетом про опиоид ==
Как мы исследовали зависимости из датасета про опиоид
https://corgis-edu.github.io/corgis/csv/opioids/

[[Файл:Opioids.jpg|600px]]

How does (Rate.Opioid.Synthetic.Total) depend on (Year) ?
LSRL: Rate.Opioid.Synthetic.Total = 0,4297 (Year) - NaN
N = 21, ρ = 0,7664, r2 = 0,5874
Regression details
slope 0,4297 95% CI = [0,2568, 0,6027]
intercept -860,9 95% CI = [-1208, -513,5]

testing slope ≠ 0
t = 5,2, P < 0.0001
df = 19, α = 0,05, t* = 2,09,

Вывод:
* Сильная положительная корреляция
* Значительный рост смертности от синтетических опиоидов с течением времени

== Дополнение с датасетом по зарплатам выпусников ==

https://corgis-edu.github.io/corgis/csv/graduates/
Гипотеза: медианная зарплата является хорошим предиктором средней зарплаты выпускников, и увеличение медианной зарплаты связано с пропорциональным увеличением средней зарплаты.

[[Файл:Датасет.jpg|500 ptx]]
How does (Salaries.Median) depend on (Salaries.Mean) ?
LSRL: Salaries.Median = 0,7259 (Salaries.Mean) + 4172
N = 517, ρ = 0,9169, r2 = 0,8407

Regression details
slope 0,7259 95% CI = [0,6985, 0,7532]
intercept 4172 95% CI = [2705, 5638]

testing slope ≠ 0
t = 52,1, P < 0.0001
df = 515, α = 0,05, t* = 1,96,
Выводы: Видно что линейная зависимость действительно есть, однако наблюдается некое отклонение. Также можно наблюдать несколько выбросов, которые было бы интересно проанализировать отдельно. Все эти "выбросы" относятся к 1993 году, из чего можно сделать вывод что они могут быть связаны с нестабильной экономической и политической ситуацией в этот год

== Дополнение с датасетом про астронавтов ==

https://corgis-edu.github.io/corgis/csv/astronauts/

Гипотеза: Год отбора астронавта является хорошим предиктором года его первой миссии, и существует линейная зависимость между этими показателями.

[[Файл:Астронавты.png|500px]]

How does (Profile.Selection.Year) depend on (Mission.Year) ?
LSRL: Mission.Year = 0,945 (Profile.Selection.Year) + 118,3
N = [количество наблюдений], ρ = 0,915, r2 = 0,837

Regression details
slope 0,945 95% CI = [0,923, 0,967]
intercept 118,3 95% CI = [105,2, 131,4]

testing slope ≠ 0
t = 78,4, P < 0.0001
df = [n-2], α = 0,05, t* = 1,96

Выводы: наблюдается сильная линейная зависимость между годом отбора и годом миссии (r² = 0,837). Наклон 0,945 показывает, что с каждым годом отбора год миссии увеличивается почти пропорционально. Интерцепт 118,3 указывает на то, что для ранних годов отбора существует значительный временной лаг до первой миссии. Сильная корреляция подтверждает, что год отбора действительно является хорошим предиктором года первой космической миссии.