Поле цифровой дидактики - Вклад [ru]

Участник:KryuchkovSR

2026-01-16T07:20:09Z

KryuchkovSR:

{{UserMGPU
|Description=Ученик 3-го курса бакалавриата по направлению 38.03.05 Бизнес-информатика
Московского городского педагогического университета (МГПУ)
|Field_of_knowledge=Математика, Искусственный интеллект, Спорт, Алгебра
|similar_concepts=Аналитика, Экономика, Финансы
|Environment=SQL, Deepseek, Qwen, VSCode
|Position=Бакалавриат
|Profile=Математика, Информатика, Экономика
|PedDirection=Нет
|Community=МГПУ
|Виды_спорта=Киберспорт, Волейбол, Футбол
|Working_On=Эксперименты с моделью Urban Suite - Economic Disparity
}}
----
См. - [[Участник:KryuchkovSR/Wolf-Sheep]] 
См. - [[Эксперименты с моделью Urban Suite - Economic Disparity]]
----

[[Категория:UserMGPU]]
[[Категория:АБП-231]]

Эксперименты с моделью Urban Suite - Economic Disparity

2026-01-14T02:00:36Z

KryuchkovSR: /* ЭКСПЕРИМЕНТ 2 */

== ОПИСАНИЕ МОДЕЛИ ==
{{#ask: [[Economic Disparity]] | ?Description }}

Модель '''Urban Suite - [[Economic Disparity]]''' представляет упрощённую городскую экономическую систему, где агенты с различным социально-экономическим статусом конкурируют за землю в городском пространстве. Модель исследует процессы пространственной сегрегации и формирования экономического неравенства в городской среде. В модели есть фиксированные рабочие места (серые квадраты), распределённые по городской территории. Агенты стремятся минимизировать расстояние до ближайшего места работы.

<netlogo model="EconomicDisparity_ru" />

== ЭКСПЕРИМЕНТ 1 ==
Автор - [[Участник:ZatsepinNA|ZatsepinNA]]

;Гипотеза:
: Изменение весов "rich-quality-priority" и "poor-price-priority" приведёт к разным типам городской сегрегации и уровням неравенства.

{{#widget:Google Spreadsheet
|key=e/2PACX-1vRk7VOFaWAlxN0ytKMtkbgJWSbMGHpp86nC7RAXRDBPfWr69qe54OfgwWHSubyuRTEHHRGYGnBvxWXs
|width=800
|height=400
}}

'''Цель эксперимента:'''
Исследовать, как изменение приоритетов агентов (богатых и бедных) влияет на структуру городского пространства. В частности, нас интересует, как веса параметров rich-quality-priority (насколько богатые ценят качество района) и poor-price-priority (насколько бедные чувствительны к цене) определяют:

* уровень пространственной сегрегации (измеряется [[индекс Дункана|индексом Дункана]] ),
* степень неравенства в распределении полезности (измеряется [[коэффициент Джини|коэффициентом Джини]]),
* среднее расстояние между представителями двух групп,
* разницу в средней полезности между богатыми и бедными.

'''Настройки NetLogo'''
<syntaxhighlight lang="lisp">
;; ========== КОД ДЛЯ ЭКСПЕРИМЕНТОВ ==========

;; Индекс Дункана
to-report duncan-index
let total-rich count rich
let total-poor count poor
if total-rich = 0 or total-poor = 0 [ report 0 ]
let seg-sum 0
ask patches [
let p-rich count rich-here / total-rich
let p-poor count poor-here / total-poor
set seg-sum seg-sum + abs(p-rich - p-poor)
]
report seg-sum / 2
end

;; Среднее расстояние между богатыми и бедными
to-report avg-distance-rich-poor
if count rich = 0 or count poor = 0 [ report 0 ]
let distances []
ask rich [
let closest-poor min [distance myself] of poor
set distances lput closest-poor distances
]
report mean distances
end

to-report utility-diff
let rich-utils [utility-r] of rich with [utility-r > 0]
let poor-utils [utility-p] of poor with [utility-p > 0]
if (length rich-utils = 0 or length poor-utils = 0) [ report 0 ]
let avg-rich mean rich-utils
let avg-poor mean poor-utils
report abs(avg-rich - avg-poor)
end

to-report gini-coefficient [ values ]
if length values <= 1 [ report 0 ]
let valid-values filter [ x -> x > 0 ] values
if length valid-values <= 1 [ report 0 ]
let avg-val mean valid-values
if avg-val = 0 [ report 0 ] ; защита от деления на 0
let sorted sort valid-values
let n length sorted
let gini-sum 0
let cumsum 0
foreach sorted [ val ->
set cumsum cumsum + val
set gini-sum gini-sum + (cumsum - val / 2) / n / avg-val
]
report 1 - gini-sum / n
end

;; Создать CSV файл
to create-csv [exp-name]
let path (word "C:/Users/User/Desktop/" exp-name ".csv")
file-open path
file-print "run,ticks,rich_count,poor_count,duncan_index,avg_distance,utility_diff,gini_coefficient"
file-close
end

to write-line [exp-name]
let path (word "C:/Users/User/Desktop/" exp-name ".csv")

;; Берём только агентов с ненулевой полезностью
let rich-utils [utility-r] of rich with [utility-r > 0]
let poor-utils [utility-p] of poor with [utility-p > 0]
let all-utils sentence rich-utils poor-utils

;; Если нет данных — ставим 0
let gini-val ifelse-value (length all-utils > 1) [
gini-coefficient all-utils
] [ 0 ]

file-open path
file-print (word
run-number ","
ticks ","
count rich ","
count poor ","
duncan-index ","
avg-distance-rich-poor ","
utility-diff ","
gini-val
)
file-close
end

;; Процедура для одного прогона
to run-single-run [exp-name rich-val poor-val]
set rich-quality-priority rich-val
set poor-price-priority poor-val
setup
repeat 2000 [
go
]
write-line exp-name
end

;; Процедура для 30 прогонов
to run-experiment [exp-name rich-val poor-val]
set experiment-name exp-name
create-csv exp-name
set run-number 0
repeat 30 [
set run-number run-number + 1
run-single-run exp-name rich-val poor-val
print (word "Прогон " run-number " из 30 завершен.")
]
print (word "Эксперимент " exp-name " ЗАВЕРШЕН!")
end

;; === КНОПКИ ИНТЕРФЕЙСА ===

to experiment-1
run-experiment "exp1_08_05" 0.8 0.5
end

to experiment-2
run-experiment "exp2_02_05" 0.2 0.5
end

to experiment-3
run-experiment "exp3_05_08" 0.5 0.8
end

to experiment-4
run-experiment "exp4_05_02" 0.5 0.2
end
</syntaxhighlight>

Для реализации эксперимента в исходный код модели были добавлены следующие процедуры:
* [[duncan-index]] — для расчёта индекса сегрегации,
* avg-distance-rich-poor — для измерения среднего расстояния между богатыми и бедными,
* utility-diff — для вычисления разницы в средней полезности между группами,
* [[gini-coefficient]] — для оценки уровня неравенства,
* run-experiment — для автоматического запуска 30 прогонов каждого сценария и записи результатов в [[CSV]]-файл.

Каждый прогон выполняется в течение 2000 тиков, после чего фиксируются итоговые значения метрик. Данная модификация позволила собрать репрезентативный датасет для сравнения сценариев.

[[Файл:Графики.jpg|600px|центр]]

Эксперимент проводился при четырёх комбинациях параметров rich-quality-priority и poor-price-priority, фиксированных системных настройках (residents-per-job = 100, number-of-tests = 30, max-jobs = 10, death-rate = 4, poor-per-step = 5, rich-per-step = 5) и на протяжении 2000 тиков. Данные были собраны для 30 независимых повторов на каждый сценарий.

====Анализ графиков (Шаг 1–4)====

На каждом графике:
*Ось X: сценарий (A, B, C, D)
*Ось Y(слева): значение индекса Дункана
*Ось Y(справа): значение коэффициента Джини
*Коробки (box plot) — показывают распределение результатов (медиана, IQR)
*Точки — отдельные прогоны (30 на сценарий)
=== Шаг 1 эксперимента (Сценарий A: rich=0.8, poor=0.5) ===
'''Duncan Index:''' медиана ≈ 0.272, IQR [0.271–0.273]

'''[[Gini Coefficient]]:''' медиана ≈ 0.836, IQR [0.835–0.837]

Богатые сильно ценят качество, бедные умеренно чувствительны к цене.
Это приводит к наибольшей сегрегации — богатые концентрируются в высококачественных районах, вытесняя бедных в периферийные зоны. Неравенство также высоко, но не максимальное — бедные всё ещё получают некоторую полезность.

==== Вывод для Шага 1 ====

При высоком приоритете качества у богатых сегрегация достигает максимума. Город разделяется на «богатые» и «бедные» районы. Альтернативные стратегии (например, снижение требований богатых) могут уменьшить поляризацию.

=== Шаг 2 эксперимента (Сценарий B: rich=0.2, poor=0.5) ===
'''Duncan Index:''' медиана ≈ 0.271, IQR [0.270–0.272]

'''Gini Coefficient:''' медиана ≈ 0.837, IQR [0.836–0.838]

Богатые почти не обращают внимания на качество, бедные умеренно чувствительны к цене.
Сегрегация немного снижается, но неравенство остаётся высоким. Это говорит о том, что рассеивание богатых по городу не устраняет неравенство — бедные всё ещё ограничены ценой.

'''Вывод для Шага 2'''

Снижение требований богатых к качеству уменьшает пространственную сегрегацию, но не влияет на социальное неравенство. Цена остаётся ключевым фактором, определяющим доступ к ресурсам.

=== Шаг 3 эксперимента (Сценарий C: rich=0.5, poor=0.8) ===
'''Duncan Index:''' медиана ≈ 0.271, IQR [0.270–0.272]

'''Gini Coefficient:''' медиана ≈ 0.840, IQR [0.839–0.841]

Богатые умеренно ценят качество, бедные очень чувствительны к цене.
Сегрегация остаётся на среднем уровне, но неравенство растёт — бедные вынуждены жить в самых дешёвых районах, что усиливает разрыв в полезности.

'''Вывод для Шага 3'''

Высокая чувствительность бедных к цене усиливает неравенство, даже если богатые не требуют высокого качества. Это показывает, что экономическая политика, направленная на снижение ценовой чувствительности бедных, может быть эффективнее, чем регулирование поведения богатых.

=== Шаг 4 эксперимента (Сценарий D: rich=0.5, poor=0.2) ===
'''[[Duncan Index]]:''' медиана ≈ 0.270, IQR [0.269–0.271]

'''[[Gini Coefficient]]:''' медиана ≈ 0.841, IQR [0.840–0.842]

Богатые умеренно ценят качество, бедные почти не реагируют на цену.
Сегрегация минимальна — группы смешиваются. Однако неравенство достигает максимума — бедные теперь живут в хороших районах, но их полезность всё ещё ниже, чем у богатых.

'''Вывод для Шага 4'''

При снижении ценовой чувствительности бедных сегрегация исчезает, но неравенство растёт. Это означает, что смешанные районы не равны справедливым — если бедные не получают дополнительных ресурсов, они будут жить рядом с богатыми, но оставаться менее выгодными.

===Главный вывод===
Изменение приоритетов агентов напрямую формирует структуру городского пространства. Богатые, которые сильно ценят качество, создают элитные анклавы, вытесняя бедных в периферийные районы. Бедные, чувствительные к цене, усиливают сегрегацию, выбирая самые дешёвые зоны. Однако если бедные перестают реагировать на цену, сегрегация исчезает — но неравенство растёт, потому что они получают выгоду, но всё ещё отстают от богатых.

Это означает, что:

* [[Сегрегация]] — результат рационального выбора, а не случайности: агенты оптимизируют свою полезность на основе приоритетов.
* Цена — более мощный фактор, чем качество: снижение ценовой чувствительности бедных сильнее влияет на сегрегацию, чем требования богатых.
* Смешанные районы ≠ справедливость: даже при отсутствии пространственного разделения неравенство может быть выше, если бедные не получают дополнительных ресурсов.

В реальном мире это объясняет, почему программы доступного жилья или субсидий могут снижать сегрегацию, но не гарантируют социального равенства — для этого нужны дополнительные механизмы перераспределения выгоды.

===Заключение===
Модель городской сегрегации демонстрирует, что пространственное разделение богатых и бедных — не следствие дискриминации или предвзятости, а естественный результат экономических предпочтений агентов. Когда богатые максимизируют качество, а бедные — минимизируют цену, город автоматически разделяется. Но если изменить эти приоритеты (например, через политику доступности), можно достичь более смешанной структуры.

Этот вывод имеет прямое отношение к современной урбанистике, социальной политике и планированию городов. Он показывает, что для создания справедливых городов недостаточно просто «смешивать» группы — необходимо менять условия, при которых бедные принимают решения, чтобы они могли конкурировать на равных, не теряя в полезности.

== ЭКСПЕРИМЕНТ 2 ==
--[[Участник:KryuchkovSR|KryuchkovSR]] ([[Обсуждение участника:KryuchkovSR|обсуждение]]) 22:58, 25 декабря 2025 (MSK)

'''Гипотеза:''' увеличение веса значения ''"death-rate"'' приводит к падению средней цены жилья ''"mean(price)"'' в общем и "mean(price) только в заселённых районах".

{{#widget:Google Spreadsheet
|key=e/2PACX-1vSjSsZDm8SQd9HXDPxlaCx4b5aY-1Jdt456JB9XK8Xy4w4OtPXfAlu3-Wp4mUS2OkWERCIRhSwZlXu0
|width=800
|height=400
}}

'''Цель эксперимента:'''
Исследовать, как частота смертей влияет на среднюю цену в городе в общем, а также в местах, которые уже заселены, а не просто находятся на карте и пустуют.

'''Условия эксперимента:'''

1. death-rate = 4, 7, 10, 13.

2. rich-per-step = 5, poor-per-step = 5.

3. Остальные поля по умолчанию.

4. Шагов: 2000.

'''Настройки эксперимента в NetLogo'''

[[Файл:Эксперимент.png|600px]]

В данном эксперименте я получаю данные сразу для всех 4 значений death-rate (4, 7, 10, 13), а также получаю:
* '''mean [price] of patches''' - средний уровень цен по всему пространству
* '''mean [price] of patches with [any? turtles-here]''' - средний уровень цен только в заселённых районах

'''Понятия, используемые при описании шагов эксперимента:''' 
'''Тренд (trend line)''' 
Тренд (trend line)— это прямая это линия, показывающая, как растёт (или падает) цена с каждым шагом модели.

'''Коэффициент детерминации (R², «r-квадрат»)''' 
Коэффициент детерминации (R², «r-квадрат»)
— это число от 0 до 1, которое показывает, насколько хорошо тренд описывает реальные данные.

R² ≈ 1 → данные лежат почти точно на линии → высокая предсказуемость, стабильная система. 
R² ≈ 0 → данные разбросаны хаотично → низкая предсказуемость, нестабильная система.

=== Шаг 1 эксперимента (death-rate = 4): ===
''"mean price"'' = 4: медиана ≈ 45.7, r² = 0.942 
''"mean price lived area"'' = 4: медиана ≈ 50.7, r² = 0.164

[[Файл:Bp4.png|450px]] [[Файл:Bplive4.png|450px]]

При низкой смертности система стабильно развивается: общая средняя цена растёт медленно, но уверенно. Средняя цена на заселённых участках растёт ещё медленнее — это говорит о том, что агенты (особенно богатые) активно «выбирают» и «поднимают» цены в своих районах, но общее пространство (включая пустые зоны) растёт быстрее.

[[Файл:CodapMP4.png|450px]]
[[Файл:CodapMP4live.png|450px]]

==== Вывод для Шага 1: ====
При низкой смертности система стабильна, но сегрегирована: богатые агенты создают «горячие точки» высоких цен, в то время как общая средняя цена растёт за счёт расширения рынка. Это подтверждает, что низкая смертность позволяет агентам формировать устойчивые «элитные» районы, повышая локальную цену, но не влияя сильно на общую динамику.

=== Шаг 2 эксперимента (death-rate = 7): ===
mean price = 7: медиана ≈ 43.8, r² = 0.929 
mean price lived area = 7: медиана ≈ 60.9, r² = 0.152

[[Файл:MP7.png|450px]]
[[Файл:MP7live.png|450px]]

При средней смертности общий рост цен замедляется, но цена на заселённых участках растёт быстрее — это ''парадокс''! 

'''Объяснение:''' при большей смертности агенты живут короче → меньше времени на «закрепление» в районе → больше перемещений → более частое «обновление» цен в новых местах. Это создаёт эффект «прыжков» цен в новых районах, что увеличивает среднюю цену на заселённых участках, но не влияет на общую среднюю цену (так как много пустых зон).

[[Файл:CodapMP7.png|450px]]
[[Файл:CodapMP7live.png|450px]]

==== Вывод для Шага 2: ====
При средней смертности наблюдается интересный эффект: общая средняя цена растёт медленнее, но цена на заселённых участках — быстрее. Это связано с повышенной мобильностью агентов — они чаще меняют место жительства, «поднимая» цены в новых районах. Это означает, что смертность не снижает цену, а перераспределяет её по городу, создавая временные «горячие точки».

=== Шаг 3 эксперимента (death-rate = 10): ===
mean price = 10: медиана ≈ 44.2, r² = 0.909 
mean price lived area = 10: медиана ≈ 62.5, r² = 0.172

[[Файл:MP10.png|450px]]
[[Файл:MP10lived.png|450px]]

При высокой смертности картина схожа с предыдущим сценарием, но разрыв между общей ценой и ценой на заселённых участках ещё больше. Это значит, что агенты всё ещё активно «выбирают» дорогие районы, но их жизнь короче → они не успевают «прижиться» → цены в их районах растут быстро, но не стабильно. Низкий r² для lived area подтверждает высокую волатильность.

[[Файл:CodapMP10.png|450px]]
[[Файл:CodapMP10live.png|450px]]

==== Вывод для Шага 3: ====
При высокой смертности цена на заселённых участках достигает максимума (медиана ~62.3), хотя общая средняя цена растёт медленно. Это говорит о том, что агенты, несмотря на короткую жизнь, продолжают выбирать самые дорогие районы, создавая локальные «пузыри» высоких цен. Однако из-за частой смены места жительства эти пузыри нестабильны — что подтверждается низким r².

=== Шаг 4 эксперимента (death-rate = 13): ===
mean price = 13: медиана ≈ 43, r² = 0.821 
mean price lived area = 13: медиана ≈ 64.8, r² = 0.097

[[Файл:MP13.png|450px]]
[[Файл:MP13lived.png|450px]]

При очень высокой смертности общая цена почти не растёт (r² = 0.821 — худший показатель среди всех сценариев). Но цена на заселённых участках — самая высокая (медиана ~64.8) и растёт быстрее всего (+0.003 * step). При этом r² = 0.097 — самый низкий из всех, что означает максимальную нестабильность.

Агенты, живущие очень недолго, не успевают «освоиться» в районе, но при этом выбирают самые дорогие места — возможно, из-за алгоритма выбора (rich-utility), который не учитывает смертность. В результате получается разброс цен: агенты платят высокую цену, умирают — и следующие агенты снова выбирают те же дорогие места.

[[Файл:13.png|450px]]
[[Файл:CodapMP13live.png|450px]]

==== Вывод для Шага 4: ====
При очень высокой смертности цена на заселённых участках достигает пика (~64.8), но система становится максимально нестабильной (r² = 0.097). Это означает, что агенты продолжают выбирать дорогие районы, несмотря на короткую жизнь, создавая кратковременные «цены-пузыри». Общая средняя цена почти не растёт — потому что большинство патчей остаются пустыми. Это подтверждает, что смертность не снижает цену, а усиливает её локализацию и волатильность.

=== Главный вывод ===
Гипотеза — ''не подтвердилась'', а скорее в каком-то плане наоборот была опровергнута, с ростом смертности цена на заселённых участках растёт, а общая средняя цена скорее стабилизируется, чем значительно снижается.

Гипотеза о том, что «смертность снижает цены», оказалась слишком упрощённой: 
* cмертность влияет не на уровень цен, а на их распределение и стабильность.
* цены на заселённых участках растут с ростом смертности, потому что агенты продолжают выбирать дорогие районы.
* система становится всё менее предсказуемой — что может быть даже более важным выводом, чем сама гипотеза.

==== Что показали данные? ====
* ''Общая средняя цена'' (mean price) почти не меняется при росте ''death-rate'':
death-rate = 4 → ~45.7 
death-rate = 13 → ~43 
Разница менее 5%, что может быть статистически незначимо

* ''Средняя цена на заселённых участках'' (mean price lived area) растёт с увеличением смертности: 
death-rate = 4 → ~50.7 
death-rate = 13 → ~64.8 
Рост на 28% - значимым эффект, что может свидетельствовать, что в заселённых районах медианная цена сильно растёт с увеличением смертности.

== ЭКСПЕРИМЕНТ 3 ==
--[[Участник:ZhiltsovES|ZhiltsovES]] ([[Обсуждение участника:ZhiltsovES|обсуждение]])

'''Гипотеза:''' Распределение рабочих мест в дорогих районах создаёт дополнительное преимущество для богатых и увеличивает социальное неравенство

Эксперименты с моделью Urban Suite - Economic Disparity

2026-01-14T01:53:46Z

KryuchkovSR: /* Шаг 1 эксперимента (death-rate = 4): */

== ОПИСАНИЕ МОДЕЛИ ==
{{#ask: [[Economic Disparity]] | ?Description }}

Модель '''Urban Suite - [[Economic Disparity]]''' представляет упрощённую городскую экономическую систему, где агенты с различным социально-экономическим статусом конкурируют за землю в городском пространстве. Модель исследует процессы пространственной сегрегации и формирования экономического неравенства в городской среде. В модели есть фиксированные рабочие места (серые квадраты), распределённые по городской территории. Агенты стремятся минимизировать расстояние до ближайшего места работы.

<netlogo model="EconomicDisparity_ru" />

== ЭКСПЕРИМЕНТ 1 ==
Автор - [[Участник:ZatsepinNA|ZatsepinNA]]

;Гипотеза:
: Изменение весов "rich-quality-priority" и "poor-price-priority" приведёт к разным типам городской сегрегации и уровням неравенства.

{{#widget:Google Spreadsheet
|key=e/2PACX-1vRk7VOFaWAlxN0ytKMtkbgJWSbMGHpp86nC7RAXRDBPfWr69qe54OfgwWHSubyuRTEHHRGYGnBvxWXs
|width=800
|height=400
}}

'''Цель эксперимента:'''
Исследовать, как изменение приоритетов агентов (богатых и бедных) влияет на структуру городского пространства. В частности, нас интересует, как веса параметров rich-quality-priority (насколько богатые ценят качество района) и poor-price-priority (насколько бедные чувствительны к цене) определяют:

* уровень пространственной сегрегации (измеряется [[индекс Дункана|индексом Дункана]] ),
* степень неравенства в распределении полезности (измеряется [[коэффициент Джини|коэффициентом Джини]]),
* среднее расстояние между представителями двух групп,
* разницу в средней полезности между богатыми и бедными.

'''Настройки NetLogo'''
<syntaxhighlight lang="lisp">
;; ========== КОД ДЛЯ ЭКСПЕРИМЕНТОВ ==========

;; Индекс Дункана
to-report duncan-index
let total-rich count rich
let total-poor count poor
if total-rich = 0 or total-poor = 0 [ report 0 ]
let seg-sum 0
ask patches [
let p-rich count rich-here / total-rich
let p-poor count poor-here / total-poor
set seg-sum seg-sum + abs(p-rich - p-poor)
]
report seg-sum / 2
end

;; Среднее расстояние между богатыми и бедными
to-report avg-distance-rich-poor
if count rich = 0 or count poor = 0 [ report 0 ]
let distances []
ask rich [
let closest-poor min [distance myself] of poor
set distances lput closest-poor distances
]
report mean distances
end

to-report utility-diff
let rich-utils [utility-r] of rich with [utility-r > 0]
let poor-utils [utility-p] of poor with [utility-p > 0]
if (length rich-utils = 0 or length poor-utils = 0) [ report 0 ]
let avg-rich mean rich-utils
let avg-poor mean poor-utils
report abs(avg-rich - avg-poor)
end

to-report gini-coefficient [ values ]
if length values <= 1 [ report 0 ]
let valid-values filter [ x -> x > 0 ] values
if length valid-values <= 1 [ report 0 ]
let avg-val mean valid-values
if avg-val = 0 [ report 0 ] ; защита от деления на 0
let sorted sort valid-values
let n length sorted
let gini-sum 0
let cumsum 0
foreach sorted [ val ->
set cumsum cumsum + val
set gini-sum gini-sum + (cumsum - val / 2) / n / avg-val
]
report 1 - gini-sum / n
end

;; Создать CSV файл
to create-csv [exp-name]
let path (word "C:/Users/User/Desktop/" exp-name ".csv")
file-open path
file-print "run,ticks,rich_count,poor_count,duncan_index,avg_distance,utility_diff,gini_coefficient"
file-close
end

to write-line [exp-name]
let path (word "C:/Users/User/Desktop/" exp-name ".csv")

;; Берём только агентов с ненулевой полезностью
let rich-utils [utility-r] of rich with [utility-r > 0]
let poor-utils [utility-p] of poor with [utility-p > 0]
let all-utils sentence rich-utils poor-utils

;; Если нет данных — ставим 0
let gini-val ifelse-value (length all-utils > 1) [
gini-coefficient all-utils
] [ 0 ]

file-open path
file-print (word
run-number ","
ticks ","
count rich ","
count poor ","
duncan-index ","
avg-distance-rich-poor ","
utility-diff ","
gini-val
)
file-close
end

;; Процедура для одного прогона
to run-single-run [exp-name rich-val poor-val]
set rich-quality-priority rich-val
set poor-price-priority poor-val
setup
repeat 2000 [
go
]
write-line exp-name
end

;; Процедура для 30 прогонов
to run-experiment [exp-name rich-val poor-val]
set experiment-name exp-name
create-csv exp-name
set run-number 0
repeat 30 [
set run-number run-number + 1
run-single-run exp-name rich-val poor-val
print (word "Прогон " run-number " из 30 завершен.")
]
print (word "Эксперимент " exp-name " ЗАВЕРШЕН!")
end

;; === КНОПКИ ИНТЕРФЕЙСА ===

to experiment-1
run-experiment "exp1_08_05" 0.8 0.5
end

to experiment-2
run-experiment "exp2_02_05" 0.2 0.5
end

to experiment-3
run-experiment "exp3_05_08" 0.5 0.8
end

to experiment-4
run-experiment "exp4_05_02" 0.5 0.2
end
</syntaxhighlight>

Для реализации эксперимента в исходный код модели были добавлены следующие процедуры:
* [[duncan-index]] — для расчёта индекса сегрегации,
* avg-distance-rich-poor — для измерения среднего расстояния между богатыми и бедными,
* utility-diff — для вычисления разницы в средней полезности между группами,
* [[gini-coefficient]] — для оценки уровня неравенства,
* run-experiment — для автоматического запуска 30 прогонов каждого сценария и записи результатов в [[CSV]]-файл.

Каждый прогон выполняется в течение 2000 тиков, после чего фиксируются итоговые значения метрик. Данная модификация позволила собрать репрезентативный датасет для сравнения сценариев.

[[Файл:Графики.jpg|600px|центр]]

Эксперимент проводился при четырёх комбинациях параметров rich-quality-priority и poor-price-priority, фиксированных системных настройках (residents-per-job = 100, number-of-tests = 30, max-jobs = 10, death-rate = 4, poor-per-step = 5, rich-per-step = 5) и на протяжении 2000 тиков. Данные были собраны для 30 независимых повторов на каждый сценарий.

====Анализ графиков (Шаг 1–4)====

На каждом графике:
*Ось X: сценарий (A, B, C, D)
*Ось Y(слева): значение индекса Дункана
*Ось Y(справа): значение коэффициента Джини
*Коробки (box plot) — показывают распределение результатов (медиана, IQR)
*Точки — отдельные прогоны (30 на сценарий)
=== Шаг 1 эксперимента (Сценарий A: rich=0.8, poor=0.5) ===
'''Duncan Index:''' медиана ≈ 0.272, IQR [0.271–0.273]

'''[[Gini Coefficient]]:''' медиана ≈ 0.836, IQR [0.835–0.837]

Богатые сильно ценят качество, бедные умеренно чувствительны к цене.
Это приводит к наибольшей сегрегации — богатые концентрируются в высококачественных районах, вытесняя бедных в периферийные зоны. Неравенство также высоко, но не максимальное — бедные всё ещё получают некоторую полезность.

==== Вывод для Шага 1 ====

При высоком приоритете качества у богатых сегрегация достигает максимума. Город разделяется на «богатые» и «бедные» районы. Альтернативные стратегии (например, снижение требований богатых) могут уменьшить поляризацию.

=== Шаг 2 эксперимента (Сценарий B: rich=0.2, poor=0.5) ===
'''Duncan Index:''' медиана ≈ 0.271, IQR [0.270–0.272]

'''Gini Coefficient:''' медиана ≈ 0.837, IQR [0.836–0.838]

Богатые почти не обращают внимания на качество, бедные умеренно чувствительны к цене.
Сегрегация немного снижается, но неравенство остаётся высоким. Это говорит о том, что рассеивание богатых по городу не устраняет неравенство — бедные всё ещё ограничены ценой.

'''Вывод для Шага 2'''

Снижение требований богатых к качеству уменьшает пространственную сегрегацию, но не влияет на социальное неравенство. Цена остаётся ключевым фактором, определяющим доступ к ресурсам.

=== Шаг 3 эксперимента (Сценарий C: rich=0.5, poor=0.8) ===
'''Duncan Index:''' медиана ≈ 0.271, IQR [0.270–0.272]

'''Gini Coefficient:''' медиана ≈ 0.840, IQR [0.839–0.841]

Богатые умеренно ценят качество, бедные очень чувствительны к цене.
Сегрегация остаётся на среднем уровне, но неравенство растёт — бедные вынуждены жить в самых дешёвых районах, что усиливает разрыв в полезности.

'''Вывод для Шага 3'''

Высокая чувствительность бедных к цене усиливает неравенство, даже если богатые не требуют высокого качества. Это показывает, что экономическая политика, направленная на снижение ценовой чувствительности бедных, может быть эффективнее, чем регулирование поведения богатых.

=== Шаг 4 эксперимента (Сценарий D: rich=0.5, poor=0.2) ===
'''[[Duncan Index]]:''' медиана ≈ 0.270, IQR [0.269–0.271]

'''[[Gini Coefficient]]:''' медиана ≈ 0.841, IQR [0.840–0.842]

Богатые умеренно ценят качество, бедные почти не реагируют на цену.
Сегрегация минимальна — группы смешиваются. Однако неравенство достигает максимума — бедные теперь живут в хороших районах, но их полезность всё ещё ниже, чем у богатых.

'''Вывод для Шага 4'''

При снижении ценовой чувствительности бедных сегрегация исчезает, но неравенство растёт. Это означает, что смешанные районы не равны справедливым — если бедные не получают дополнительных ресурсов, они будут жить рядом с богатыми, но оставаться менее выгодными.

===Главный вывод===
Изменение приоритетов агентов напрямую формирует структуру городского пространства. Богатые, которые сильно ценят качество, создают элитные анклавы, вытесняя бедных в периферийные районы. Бедные, чувствительные к цене, усиливают сегрегацию, выбирая самые дешёвые зоны. Однако если бедные перестают реагировать на цену, сегрегация исчезает — но неравенство растёт, потому что они получают выгоду, но всё ещё отстают от богатых.

Это означает, что:

* [[Сегрегация]] — результат рационального выбора, а не случайности: агенты оптимизируют свою полезность на основе приоритетов.
* Цена — более мощный фактор, чем качество: снижение ценовой чувствительности бедных сильнее влияет на сегрегацию, чем требования богатых.
* Смешанные районы ≠ справедливость: даже при отсутствии пространственного разделения неравенство может быть выше, если бедные не получают дополнительных ресурсов.

В реальном мире это объясняет, почему программы доступного жилья или субсидий могут снижать сегрегацию, но не гарантируют социального равенства — для этого нужны дополнительные механизмы перераспределения выгоды.

===Заключение===
Модель городской сегрегации демонстрирует, что пространственное разделение богатых и бедных — не следствие дискриминации или предвзятости, а естественный результат экономических предпочтений агентов. Когда богатые максимизируют качество, а бедные — минимизируют цену, город автоматически разделяется. Но если изменить эти приоритеты (например, через политику доступности), можно достичь более смешанной структуры.

Этот вывод имеет прямое отношение к современной урбанистике, социальной политике и планированию городов. Он показывает, что для создания справедливых городов недостаточно просто «смешивать» группы — необходимо менять условия, при которых бедные принимают решения, чтобы они могли конкурировать на равных, не теряя в полезности.

== ЭКСПЕРИМЕНТ 2 ==
--[[Участник:KryuchkovSR|KryuchkovSR]] ([[Обсуждение участника:KryuchkovSR|обсуждение]]) 22:58, 25 декабря 2025 (MSK)

'''Гипотеза:''' увеличение веса значения ''"death-rate"'' приводит к падению средней цены жилья ''"mean(price)"'' в общем и "mean(price) только в заселённых районах".

{{#widget:Google Spreadsheet
|key=e/2PACX-1vSjSsZDm8SQd9HXDPxlaCx4b5aY-1Jdt456JB9XK8Xy4w4OtPXfAlu3-Wp4mUS2OkWERCIRhSwZlXu0
|width=800
|height=400
}}

'''Цель эксперимента:'''
Исследовать, как частота смертей влияет на среднюю цену в городе в общем, а также в местах, которые уже заселены, а не просто находятся на карте и пустуют.

'''Условия эксперимента:'''

1. death-rate = 4, 7, 10, 13.

2. rich-per-step = 5, poor-per-step = 5.

3. Остальные поля по умолчанию.

4. Шагов: 2000.

'''Настройки эксперимента в NetLogo'''

[[Файл:Эксперимент.png|600px]]

В данном эксперименте я получаю данные сразу для всех 4 значений death-rate (4, 7, 10, 13), а также получаю:
* '''mean [price] of patches''' - средний уровень цен по всему пространству
* '''mean [price] of patches with [any? turtles-here]''' - средний уровень цен только в заселённых районах

'''Коэффициент детерминации (R², «r-квадрат»)''' 
Коэффициент детерминации (R², «r-квадрат»)
— это число от 0 до 1, которое показывает, насколько хорошо тренд описывает реальные данные.

R² ≈ 1 → данные лежат почти точно на линии → высокая предсказуемость, стабильная система. 
R² ≈ 0 → данные разбросаны хаотично → низкая предсказуемость, нестабильная система.

=== Шаг 1 эксперимента (death-rate = 4): ===
''"mean price"'' = 4: медиана ≈ 45.7 r² = 0.942 
''"mean price lived area"'' = 4: медиана ≈ 50.7 r² = 0.164

[[Файл:Bp4.png|450px]] [[Файл:Bplive4.png|450px]]

При низкой смертности система стабильно развивается: общая средняя цена растёт медленно, но уверенно. Средняя цена на заселённых участках растёт ещё медленнее — это говорит о том, что агенты (особенно богатые) активно «выбирают» и «поднимают» цены в своих районах, но общее пространство (включая пустые зоны) растёт быстрее.

[[Файл:CodapMP4.png|450px]]
[[Файл:CodapMP4live.png|450px]]

==== Вывод для Шага 1: ====
При низкой смертности система стабильна, но сегрегирована: богатые агенты создают «горячие точки» высоких цен, в то время как общая средняя цена растёт за счёт расширения рынка. Это подтверждает, что низкая смертность позволяет агентам формировать устойчивые «элитные» районы, повышая локальную цену, но не влияя сильно на общую динамику.

=== Шаг 2 эксперимента (death-rate = 7): ===
mean price = 7: медиана ≈ 43.8 
mean price lived area = 7: медиана ≈ 60.9

[[Файл:MP7.png|450px]]
[[Файл:MP7live.png|450px]]

При средней смертности общий рост цен замедляется, но цена на заселённых участках растёт быстрее — это ''парадокс''! 

'''Объяснение:''' при большей смертности агенты живут короче → меньше времени на «закрепление» в районе → больше перемещений → более частое «обновление» цен в новых местах. Это создаёт эффект «прыжков» цен в новых районах, что увеличивает среднюю цену на заселённых участках, но не влияет на общую среднюю цену (так как много пустых зон).

[[Файл:CodapMP7.png|450px]]
[[Файл:CodapMP7live.png|450px]]

==== Вывод для Шага 2: ====
При средней смертности наблюдается интересный эффект: общая средняя цена растёт медленнее, но цена на заселённых участках — быстрее. Это связано с повышенной мобильностью агентов — они чаще меняют место жительства, «поднимая» цены в новых районах. Это означает, что смертность не снижает цену, а перераспределяет её по городу, создавая временные «горячие точки».

=== Шаг 3 эксперимента (death-rate = 10): ===
mean price = 10: медиана ≈ 44.2 
mean price lived area = 10: медиана ≈ 62.5

[[Файл:MP10.png|450px]]
[[Файл:MP10lived.png|450px]]

При высокой смертности картина схожа с предыдущим сценарием, но разрыв между общей ценой и ценой на заселённых участках ещё больше. Это значит, что агенты всё ещё активно «выбирают» дорогие районы, но их жизнь короче → они не успевают «прижиться» → цены в их районах растут быстро, но не стабильно. Низкий r² для lived area подтверждает высокую волатильность.

[[Файл:CodapMP10.png|450px]]
[[Файл:CodapMP10live.png|450px]]

==== Вывод для Шага 3: ====
При высокой смертности цена на заселённых участках достигает максимума (медиана ~62.3), хотя общая средняя цена растёт медленно. Это говорит о том, что агенты, несмотря на короткую жизнь, продолжают выбирать самые дорогие районы, создавая локальные «пузыри» высоких цен. Однако из-за частой смены места жительства эти пузыри нестабильны — что подтверждается низким r².

=== Шаг 4 эксперимента (death-rate = 13): ===
mean price = 13: медиана ≈ 43 
mean price lived area = 13: медиана ≈ 64.8

[[Файл:MP13.png|450px]]
[[Файл:MP13lived.png|450px]]

При очень высокой смертности общая цена почти не растёт (r² = 0.821 — худший показатель среди всех сценариев). Но цена на заселённых участках — самая высокая (медиана ~64.8) и растёт быстрее всего (+0.003 * step). При этом r² = 0.097 — самый низкий из всех, что означает максимальную нестабильность.

Агенты, живущие очень недолго, не успевают «освоиться» в районе, но при этом выбирают самые дорогие места — возможно, из-за алгоритма выбора (rich-utility), который не учитывает смертность. В результате получается разброс цен: агенты платят высокую цену, умирают — и следующие агенты снова выбирают те же дорогие места.

[[Файл:13.png|450px]]
[[Файл:CodapMP13live.png|450px]]

==== Вывод для Шага 4: ====
При очень высокой смертности цена на заселённых участках достигает пика (~64.8), но система становится максимально нестабильной (r² = 0.097). Это означает, что агенты продолжают выбирать дорогие районы, несмотря на короткую жизнь, создавая кратковременные «цены-пузыри». Общая средняя цена почти не растёт — потому что большинство патчей остаются пустыми. Это подтверждает, что смертность не снижает цену, а усиливает её локализацию и волатильность.

=== Главный вывод ===
Гипотеза — ''не подтвердилась'', а скорее в каком-то плане наоборот была опровергнута, с ростом смертности цена на заселённых участках растёт, а общая средняя цена скорее стабилизируется, чем значительно снижается.

Гипотеза о том, что «смертность снижает цены», оказалась слишком упрощённой: 
* cмертность влияет не на уровень цен, а на их распределение и стабильность.
* цены на заселённых участках растут с ростом смертности, потому что агенты продолжают выбирать дорогие районы.
* система становится всё менее предсказуемой — что может быть даже более важным выводом, чем сама гипотеза.

==== Что показали данные? ====
* ''Общая средняя цена'' (mean price) почти не меняется при росте ''death-rate'':
death-rate = 4 → ~45.7 
death-rate = 13 → ~43 
Разница менее 5%, что может быть статистически незначимо

* ''Средняя цена на заселённых участках'' (mean price lived area) растёт с увеличением смертности: 
death-rate = 4 → ~50.7 
death-rate = 13 → ~64.8 
Рост на 28% - значимым эффект, что может свидетельствовать, что в заселённых районах медианная цена сильно растёт с увеличением смертности.

== ЭКСПЕРИМЕНТ 3 ==
--[[Участник:ZhiltsovES|ZhiltsovES]] ([[Обсуждение участника:ZhiltsovES|обсуждение]])

'''Гипотеза:''' Распределение рабочих мест в дорогих районах создаёт дополнительное преимущество для богатых и увеличивает социальное неравенство

Эксперименты с моделью Urban Suite - Economic Disparity

2026-01-14T01:51:44Z

KryuchkovSR: /* ЭКСПЕРИМЕНТ 2 */

== ОПИСАНИЕ МОДЕЛИ ==
{{#ask: [[Economic Disparity]] | ?Description }}

Модель '''Urban Suite - [[Economic Disparity]]''' представляет упрощённую городскую экономическую систему, где агенты с различным социально-экономическим статусом конкурируют за землю в городском пространстве. Модель исследует процессы пространственной сегрегации и формирования экономического неравенства в городской среде. В модели есть фиксированные рабочие места (серые квадраты), распределённые по городской территории. Агенты стремятся минимизировать расстояние до ближайшего места работы.

<netlogo model="EconomicDisparity_ru" />

== ЭКСПЕРИМЕНТ 1 ==
Автор - [[Участник:ZatsepinNA|ZatsepinNA]]

;Гипотеза:
: Изменение весов "rich-quality-priority" и "poor-price-priority" приведёт к разным типам городской сегрегации и уровням неравенства.

{{#widget:Google Spreadsheet
|key=e/2PACX-1vRk7VOFaWAlxN0ytKMtkbgJWSbMGHpp86nC7RAXRDBPfWr69qe54OfgwWHSubyuRTEHHRGYGnBvxWXs
|width=800
|height=400
}}

'''Цель эксперимента:'''
Исследовать, как изменение приоритетов агентов (богатых и бедных) влияет на структуру городского пространства. В частности, нас интересует, как веса параметров rich-quality-priority (насколько богатые ценят качество района) и poor-price-priority (насколько бедные чувствительны к цене) определяют:

* уровень пространственной сегрегации (измеряется [[индекс Дункана|индексом Дункана]] ),
* степень неравенства в распределении полезности (измеряется [[коэффициент Джини|коэффициентом Джини]]),
* среднее расстояние между представителями двух групп,
* разницу в средней полезности между богатыми и бедными.

'''Настройки NetLogo'''
<syntaxhighlight lang="lisp">
;; ========== КОД ДЛЯ ЭКСПЕРИМЕНТОВ ==========

;; Индекс Дункана
to-report duncan-index
let total-rich count rich
let total-poor count poor
if total-rich = 0 or total-poor = 0 [ report 0 ]
let seg-sum 0
ask patches [
let p-rich count rich-here / total-rich
let p-poor count poor-here / total-poor
set seg-sum seg-sum + abs(p-rich - p-poor)
]
report seg-sum / 2
end

;; Среднее расстояние между богатыми и бедными
to-report avg-distance-rich-poor
if count rich = 0 or count poor = 0 [ report 0 ]
let distances []
ask rich [
let closest-poor min [distance myself] of poor
set distances lput closest-poor distances
]
report mean distances
end

to-report utility-diff
let rich-utils [utility-r] of rich with [utility-r > 0]
let poor-utils [utility-p] of poor with [utility-p > 0]
if (length rich-utils = 0 or length poor-utils = 0) [ report 0 ]
let avg-rich mean rich-utils
let avg-poor mean poor-utils
report abs(avg-rich - avg-poor)
end

to-report gini-coefficient [ values ]
if length values <= 1 [ report 0 ]
let valid-values filter [ x -> x > 0 ] values
if length valid-values <= 1 [ report 0 ]
let avg-val mean valid-values
if avg-val = 0 [ report 0 ] ; защита от деления на 0
let sorted sort valid-values
let n length sorted
let gini-sum 0
let cumsum 0
foreach sorted [ val ->
set cumsum cumsum + val
set gini-sum gini-sum + (cumsum - val / 2) / n / avg-val
]
report 1 - gini-sum / n
end

;; Создать CSV файл
to create-csv [exp-name]
let path (word "C:/Users/User/Desktop/" exp-name ".csv")
file-open path
file-print "run,ticks,rich_count,poor_count,duncan_index,avg_distance,utility_diff,gini_coefficient"
file-close
end

to write-line [exp-name]
let path (word "C:/Users/User/Desktop/" exp-name ".csv")

;; Берём только агентов с ненулевой полезностью
let rich-utils [utility-r] of rich with [utility-r > 0]
let poor-utils [utility-p] of poor with [utility-p > 0]
let all-utils sentence rich-utils poor-utils

;; Если нет данных — ставим 0
let gini-val ifelse-value (length all-utils > 1) [
gini-coefficient all-utils
] [ 0 ]

file-open path
file-print (word
run-number ","
ticks ","
count rich ","
count poor ","
duncan-index ","
avg-distance-rich-poor ","
utility-diff ","
gini-val
)
file-close
end

;; Процедура для одного прогона
to run-single-run [exp-name rich-val poor-val]
set rich-quality-priority rich-val
set poor-price-priority poor-val
setup
repeat 2000 [
go
]
write-line exp-name
end

;; Процедура для 30 прогонов
to run-experiment [exp-name rich-val poor-val]
set experiment-name exp-name
create-csv exp-name
set run-number 0
repeat 30 [
set run-number run-number + 1
run-single-run exp-name rich-val poor-val
print (word "Прогон " run-number " из 30 завершен.")
]
print (word "Эксперимент " exp-name " ЗАВЕРШЕН!")
end

;; === КНОПКИ ИНТЕРФЕЙСА ===

to experiment-1
run-experiment "exp1_08_05" 0.8 0.5
end

to experiment-2
run-experiment "exp2_02_05" 0.2 0.5
end

to experiment-3
run-experiment "exp3_05_08" 0.5 0.8
end

to experiment-4
run-experiment "exp4_05_02" 0.5 0.2
end
</syntaxhighlight>

Для реализации эксперимента в исходный код модели были добавлены следующие процедуры:
* [[duncan-index]] — для расчёта индекса сегрегации,
* avg-distance-rich-poor — для измерения среднего расстояния между богатыми и бедными,
* utility-diff — для вычисления разницы в средней полезности между группами,
* [[gini-coefficient]] — для оценки уровня неравенства,
* run-experiment — для автоматического запуска 30 прогонов каждого сценария и записи результатов в [[CSV]]-файл.

Каждый прогон выполняется в течение 2000 тиков, после чего фиксируются итоговые значения метрик. Данная модификация позволила собрать репрезентативный датасет для сравнения сценариев.

[[Файл:Графики.jpg|600px|центр]]

Эксперимент проводился при четырёх комбинациях параметров rich-quality-priority и poor-price-priority, фиксированных системных настройках (residents-per-job = 100, number-of-tests = 30, max-jobs = 10, death-rate = 4, poor-per-step = 5, rich-per-step = 5) и на протяжении 2000 тиков. Данные были собраны для 30 независимых повторов на каждый сценарий.

====Анализ графиков (Шаг 1–4)====

На каждом графике:
*Ось X: сценарий (A, B, C, D)
*Ось Y(слева): значение индекса Дункана
*Ось Y(справа): значение коэффициента Джини
*Коробки (box plot) — показывают распределение результатов (медиана, IQR)
*Точки — отдельные прогоны (30 на сценарий)
=== Шаг 1 эксперимента (Сценарий A: rich=0.8, poor=0.5) ===
'''Duncan Index:''' медиана ≈ 0.272, IQR [0.271–0.273]

'''[[Gini Coefficient]]:''' медиана ≈ 0.836, IQR [0.835–0.837]

Богатые сильно ценят качество, бедные умеренно чувствительны к цене.
Это приводит к наибольшей сегрегации — богатые концентрируются в высококачественных районах, вытесняя бедных в периферийные зоны. Неравенство также высоко, но не максимальное — бедные всё ещё получают некоторую полезность.

==== Вывод для Шага 1 ====

При высоком приоритете качества у богатых сегрегация достигает максимума. Город разделяется на «богатые» и «бедные» районы. Альтернативные стратегии (например, снижение требований богатых) могут уменьшить поляризацию.

=== Шаг 2 эксперимента (Сценарий B: rich=0.2, poor=0.5) ===
'''Duncan Index:''' медиана ≈ 0.271, IQR [0.270–0.272]

'''Gini Coefficient:''' медиана ≈ 0.837, IQR [0.836–0.838]

Богатые почти не обращают внимания на качество, бедные умеренно чувствительны к цене.
Сегрегация немного снижается, но неравенство остаётся высоким. Это говорит о том, что рассеивание богатых по городу не устраняет неравенство — бедные всё ещё ограничены ценой.

'''Вывод для Шага 2'''

Снижение требований богатых к качеству уменьшает пространственную сегрегацию, но не влияет на социальное неравенство. Цена остаётся ключевым фактором, определяющим доступ к ресурсам.

=== Шаг 3 эксперимента (Сценарий C: rich=0.5, poor=0.8) ===
'''Duncan Index:''' медиана ≈ 0.271, IQR [0.270–0.272]

'''Gini Coefficient:''' медиана ≈ 0.840, IQR [0.839–0.841]

Богатые умеренно ценят качество, бедные очень чувствительны к цене.
Сегрегация остаётся на среднем уровне, но неравенство растёт — бедные вынуждены жить в самых дешёвых районах, что усиливает разрыв в полезности.

'''Вывод для Шага 3'''

Высокая чувствительность бедных к цене усиливает неравенство, даже если богатые не требуют высокого качества. Это показывает, что экономическая политика, направленная на снижение ценовой чувствительности бедных, может быть эффективнее, чем регулирование поведения богатых.

=== Шаг 4 эксперимента (Сценарий D: rich=0.5, poor=0.2) ===
'''[[Duncan Index]]:''' медиана ≈ 0.270, IQR [0.269–0.271]

'''[[Gini Coefficient]]:''' медиана ≈ 0.841, IQR [0.840–0.842]

Богатые умеренно ценят качество, бедные почти не реагируют на цену.
Сегрегация минимальна — группы смешиваются. Однако неравенство достигает максимума — бедные теперь живут в хороших районах, но их полезность всё ещё ниже, чем у богатых.

'''Вывод для Шага 4'''

При снижении ценовой чувствительности бедных сегрегация исчезает, но неравенство растёт. Это означает, что смешанные районы не равны справедливым — если бедные не получают дополнительных ресурсов, они будут жить рядом с богатыми, но оставаться менее выгодными.

===Главный вывод===
Изменение приоритетов агентов напрямую формирует структуру городского пространства. Богатые, которые сильно ценят качество, создают элитные анклавы, вытесняя бедных в периферийные районы. Бедные, чувствительные к цене, усиливают сегрегацию, выбирая самые дешёвые зоны. Однако если бедные перестают реагировать на цену, сегрегация исчезает — но неравенство растёт, потому что они получают выгоду, но всё ещё отстают от богатых.

Это означает, что:

* [[Сегрегация]] — результат рационального выбора, а не случайности: агенты оптимизируют свою полезность на основе приоритетов.
* Цена — более мощный фактор, чем качество: снижение ценовой чувствительности бедных сильнее влияет на сегрегацию, чем требования богатых.
* Смешанные районы ≠ справедливость: даже при отсутствии пространственного разделения неравенство может быть выше, если бедные не получают дополнительных ресурсов.

В реальном мире это объясняет, почему программы доступного жилья или субсидий могут снижать сегрегацию, но не гарантируют социального равенства — для этого нужны дополнительные механизмы перераспределения выгоды.

===Заключение===
Модель городской сегрегации демонстрирует, что пространственное разделение богатых и бедных — не следствие дискриминации или предвзятости, а естественный результат экономических предпочтений агентов. Когда богатые максимизируют качество, а бедные — минимизируют цену, город автоматически разделяется. Но если изменить эти приоритеты (например, через политику доступности), можно достичь более смешанной структуры.

Этот вывод имеет прямое отношение к современной урбанистике, социальной политике и планированию городов. Он показывает, что для создания справедливых городов недостаточно просто «смешивать» группы — необходимо менять условия, при которых бедные принимают решения, чтобы они могли конкурировать на равных, не теряя в полезности.

== ЭКСПЕРИМЕНТ 2 ==
--[[Участник:KryuchkovSR|KryuchkovSR]] ([[Обсуждение участника:KryuchkovSR|обсуждение]]) 22:58, 25 декабря 2025 (MSK)

'''Гипотеза:''' увеличение веса значения ''"death-rate"'' приводит к падению средней цены жилья ''"mean(price)"'' в общем и "mean(price) только в заселённых районах".

{{#widget:Google Spreadsheet
|key=e/2PACX-1vSjSsZDm8SQd9HXDPxlaCx4b5aY-1Jdt456JB9XK8Xy4w4OtPXfAlu3-Wp4mUS2OkWERCIRhSwZlXu0
|width=800
|height=400
}}

'''Цель эксперимента:'''
Исследовать, как частота смертей влияет на среднюю цену в городе в общем, а также в местах, которые уже заселены, а не просто находятся на карте и пустуют.

'''Условия эксперимента:'''

1. death-rate = 4, 7, 10, 13.

2. rich-per-step = 5, poor-per-step = 5.

3. Остальные поля по умолчанию.

4. Шагов: 2000.

'''Настройки эксперимента в NetLogo'''

[[Файл:Эксперимент.png|600px]]

В данном эксперименте я получаю данные сразу для всех 4 значений death-rate (4, 7, 10, 13), а также получаю:
* '''mean [price] of patches''' - средний уровень цен по всему пространству
* '''mean [price] of patches with [any? turtles-here]''' - средний уровень цен только в заселённых районах

'''Коэффициент детерминации (R², «r-квадрат»)''' 
Коэффициент детерминации (R², «r-квадрат»)
— это число от 0 до 1, которое показывает, насколько хорошо тренд описывает реальные данные.

R² ≈ 1 → данные лежат почти точно на линии → высокая предсказуемость, стабильная система. 
R² ≈ 0 → данные разбросаны хаотично → низкая предсказуемость, нестабильная система.

=== Шаг 1 эксперимента (death-rate = 4): ===
''"mean price"'' = 4: медиана ≈ 45.7 
''"mean price lived area"'' = 4: медиана ≈ 50.7

[[Файл:Bp4.png|450px]] [[Файл:Bplive4.png|450px]]

При низкой смертности система стабильно развивается: общая средняя цена растёт медленно, но уверенно. Средняя цена на заселённых участках растёт ещё медленнее — это говорит о том, что агенты (особенно богатые) активно «выбирают» и «поднимают» цены в своих районах, но общее пространство (включая пустые зоны) растёт быстрее.

[[Файл:CodapMP4.png|450px]]
[[Файл:CodapMP4live.png|450px]]

==== Вывод для Шага 1: ====
При низкой смертности система стабильна, но сегрегирована: богатые агенты создают «горячие точки» высоких цен, в то время как общая средняя цена растёт за счёт расширения рынка. Это подтверждает, что низкая смертность позволяет агентам формировать устойчивые «элитные» районы, повышая локальную цену, но не влияя сильно на общую динамику.

=== Шаг 2 эксперимента (death-rate = 7): ===
mean price = 7: медиана ≈ 43.8 
mean price lived area = 7: медиана ≈ 60.9

[[Файл:MP7.png|450px]]
[[Файл:MP7live.png|450px]]

При средней смертности общий рост цен замедляется, но цена на заселённых участках растёт быстрее — это ''парадокс''! 

'''Объяснение:''' при большей смертности агенты живут короче → меньше времени на «закрепление» в районе → больше перемещений → более частое «обновление» цен в новых местах. Это создаёт эффект «прыжков» цен в новых районах, что увеличивает среднюю цену на заселённых участках, но не влияет на общую среднюю цену (так как много пустых зон).

[[Файл:CodapMP7.png|450px]]
[[Файл:CodapMP7live.png|450px]]

==== Вывод для Шага 2: ====
При средней смертности наблюдается интересный эффект: общая средняя цена растёт медленнее, но цена на заселённых участках — быстрее. Это связано с повышенной мобильностью агентов — они чаще меняют место жительства, «поднимая» цены в новых районах. Это означает, что смертность не снижает цену, а перераспределяет её по городу, создавая временные «горячие точки».

=== Шаг 3 эксперимента (death-rate = 10): ===
mean price = 10: медиана ≈ 44.2 
mean price lived area = 10: медиана ≈ 62.5

[[Файл:MP10.png|450px]]
[[Файл:MP10lived.png|450px]]

При высокой смертности картина схожа с предыдущим сценарием, но разрыв между общей ценой и ценой на заселённых участках ещё больше. Это значит, что агенты всё ещё активно «выбирают» дорогие районы, но их жизнь короче → они не успевают «прижиться» → цены в их районах растут быстро, но не стабильно. Низкий r² для lived area подтверждает высокую волатильность.

[[Файл:CodapMP10.png|450px]]
[[Файл:CodapMP10live.png|450px]]

==== Вывод для Шага 3: ====
При высокой смертности цена на заселённых участках достигает максимума (медиана ~62.3), хотя общая средняя цена растёт медленно. Это говорит о том, что агенты, несмотря на короткую жизнь, продолжают выбирать самые дорогие районы, создавая локальные «пузыри» высоких цен. Однако из-за частой смены места жительства эти пузыри нестабильны — что подтверждается низким r².

=== Шаг 4 эксперимента (death-rate = 13): ===
mean price = 13: медиана ≈ 43 
mean price lived area = 13: медиана ≈ 64.8

[[Файл:MP13.png|450px]]
[[Файл:MP13lived.png|450px]]

При очень высокой смертности общая цена почти не растёт (r² = 0.821 — худший показатель среди всех сценариев). Но цена на заселённых участках — самая высокая (медиана ~64.8) и растёт быстрее всего (+0.003 * step). При этом r² = 0.097 — самый низкий из всех, что означает максимальную нестабильность.

Агенты, живущие очень недолго, не успевают «освоиться» в районе, но при этом выбирают самые дорогие места — возможно, из-за алгоритма выбора (rich-utility), который не учитывает смертность. В результате получается разброс цен: агенты платят высокую цену, умирают — и следующие агенты снова выбирают те же дорогие места.

[[Файл:13.png|450px]]
[[Файл:CodapMP13live.png|450px]]

==== Вывод для Шага 4: ====
При очень высокой смертности цена на заселённых участках достигает пика (~64.8), но система становится максимально нестабильной (r² = 0.097). Это означает, что агенты продолжают выбирать дорогие районы, несмотря на короткую жизнь, создавая кратковременные «цены-пузыри». Общая средняя цена почти не растёт — потому что большинство патчей остаются пустыми. Это подтверждает, что смертность не снижает цену, а усиливает её локализацию и волатильность.

=== Главный вывод ===
Гипотеза — ''не подтвердилась'', а скорее в каком-то плане наоборот была опровергнута, с ростом смертности цена на заселённых участках растёт, а общая средняя цена скорее стабилизируется, чем значительно снижается.

Гипотеза о том, что «смертность снижает цены», оказалась слишком упрощённой: 
* cмертность влияет не на уровень цен, а на их распределение и стабильность.
* цены на заселённых участках растут с ростом смертности, потому что агенты продолжают выбирать дорогие районы.
* система становится всё менее предсказуемой — что может быть даже более важным выводом, чем сама гипотеза.

==== Что показали данные? ====
* ''Общая средняя цена'' (mean price) почти не меняется при росте ''death-rate'':
death-rate = 4 → ~45.7 
death-rate = 13 → ~43 
Разница менее 5%, что может быть статистически незначимо

* ''Средняя цена на заселённых участках'' (mean price lived area) растёт с увеличением смертности: 
death-rate = 4 → ~50.7 
death-rate = 13 → ~64.8 
Рост на 28% - значимым эффект, что может свидетельствовать, что в заселённых районах медианная цена сильно растёт с увеличением смертности.

== ЭКСПЕРИМЕНТ 3 ==
--[[Участник:ZhiltsovES|ZhiltsovES]] ([[Обсуждение участника:ZhiltsovES|обсуждение]])

'''Гипотеза:''' Распределение рабочих мест в дорогих районах создаёт дополнительное преимущество для богатых и увеличивает социальное неравенство

Эксперименты с моделью Urban Suite - Economic Disparity

2026-01-14T01:47:40Z

KryuchkovSR: /* Что показали данные? */

== ОПИСАНИЕ МОДЕЛИ ==
{{#ask: [[Economic Disparity]] | ?Description }}

Модель '''Urban Suite - [[Economic Disparity]]''' представляет упрощённую городскую экономическую систему, где агенты с различным социально-экономическим статусом конкурируют за землю в городском пространстве. Модель исследует процессы пространственной сегрегации и формирования экономического неравенства в городской среде. В модели есть фиксированные рабочие места (серые квадраты), распределённые по городской территории. Агенты стремятся минимизировать расстояние до ближайшего места работы.

<netlogo model="EconomicDisparity_ru" />

== ЭКСПЕРИМЕНТ 1 ==
Автор - [[Участник:ZatsepinNA|ZatsepinNA]]

;Гипотеза:
: Изменение весов "rich-quality-priority" и "poor-price-priority" приведёт к разным типам городской сегрегации и уровням неравенства.

{{#widget:Google Spreadsheet
|key=e/2PACX-1vRk7VOFaWAlxN0ytKMtkbgJWSbMGHpp86nC7RAXRDBPfWr69qe54OfgwWHSubyuRTEHHRGYGnBvxWXs
|width=800
|height=400
}}

'''Цель эксперимента:'''
Исследовать, как изменение приоритетов агентов (богатых и бедных) влияет на структуру городского пространства. В частности, нас интересует, как веса параметров rich-quality-priority (насколько богатые ценят качество района) и poor-price-priority (насколько бедные чувствительны к цене) определяют:

* уровень пространственной сегрегации (измеряется [[индекс Дункана|индексом Дункана]] ),
* степень неравенства в распределении полезности (измеряется [[коэффициент Джини|коэффициентом Джини]]),
* среднее расстояние между представителями двух групп,
* разницу в средней полезности между богатыми и бедными.

'''Настройки NetLogo'''
<syntaxhighlight lang="lisp">
;; ========== КОД ДЛЯ ЭКСПЕРИМЕНТОВ ==========

;; Индекс Дункана
to-report duncan-index
let total-rich count rich
let total-poor count poor
if total-rich = 0 or total-poor = 0 [ report 0 ]
let seg-sum 0
ask patches [
let p-rich count rich-here / total-rich
let p-poor count poor-here / total-poor
set seg-sum seg-sum + abs(p-rich - p-poor)
]
report seg-sum / 2
end

;; Среднее расстояние между богатыми и бедными
to-report avg-distance-rich-poor
if count rich = 0 or count poor = 0 [ report 0 ]
let distances []
ask rich [
let closest-poor min [distance myself] of poor
set distances lput closest-poor distances
]
report mean distances
end

to-report utility-diff
let rich-utils [utility-r] of rich with [utility-r > 0]
let poor-utils [utility-p] of poor with [utility-p > 0]
if (length rich-utils = 0 or length poor-utils = 0) [ report 0 ]
let avg-rich mean rich-utils
let avg-poor mean poor-utils
report abs(avg-rich - avg-poor)
end

to-report gini-coefficient [ values ]
if length values <= 1 [ report 0 ]
let valid-values filter [ x -> x > 0 ] values
if length valid-values <= 1 [ report 0 ]
let avg-val mean valid-values
if avg-val = 0 [ report 0 ] ; защита от деления на 0
let sorted sort valid-values
let n length sorted
let gini-sum 0
let cumsum 0
foreach sorted [ val ->
set cumsum cumsum + val
set gini-sum gini-sum + (cumsum - val / 2) / n / avg-val
]
report 1 - gini-sum / n
end

;; Создать CSV файл
to create-csv [exp-name]
let path (word "C:/Users/User/Desktop/" exp-name ".csv")
file-open path
file-print "run,ticks,rich_count,poor_count,duncan_index,avg_distance,utility_diff,gini_coefficient"
file-close
end

to write-line [exp-name]
let path (word "C:/Users/User/Desktop/" exp-name ".csv")

;; Берём только агентов с ненулевой полезностью
let rich-utils [utility-r] of rich with [utility-r > 0]
let poor-utils [utility-p] of poor with [utility-p > 0]
let all-utils sentence rich-utils poor-utils

;; Если нет данных — ставим 0
let gini-val ifelse-value (length all-utils > 1) [
gini-coefficient all-utils
] [ 0 ]

file-open path
file-print (word
run-number ","
ticks ","
count rich ","
count poor ","
duncan-index ","
avg-distance-rich-poor ","
utility-diff ","
gini-val
)
file-close
end

;; Процедура для одного прогона
to run-single-run [exp-name rich-val poor-val]
set rich-quality-priority rich-val
set poor-price-priority poor-val
setup
repeat 2000 [
go
]
write-line exp-name
end

;; Процедура для 30 прогонов
to run-experiment [exp-name rich-val poor-val]
set experiment-name exp-name
create-csv exp-name
set run-number 0
repeat 30 [
set run-number run-number + 1
run-single-run exp-name rich-val poor-val
print (word "Прогон " run-number " из 30 завершен.")
]
print (word "Эксперимент " exp-name " ЗАВЕРШЕН!")
end

;; === КНОПКИ ИНТЕРФЕЙСА ===

to experiment-1
run-experiment "exp1_08_05" 0.8 0.5
end

to experiment-2
run-experiment "exp2_02_05" 0.2 0.5
end

to experiment-3
run-experiment "exp3_05_08" 0.5 0.8
end

to experiment-4
run-experiment "exp4_05_02" 0.5 0.2
end
</syntaxhighlight>

Для реализации эксперимента в исходный код модели были добавлены следующие процедуры:
* [[duncan-index]] — для расчёта индекса сегрегации,
* avg-distance-rich-poor — для измерения среднего расстояния между богатыми и бедными,
* utility-diff — для вычисления разницы в средней полезности между группами,
* [[gini-coefficient]] — для оценки уровня неравенства,
* run-experiment — для автоматического запуска 30 прогонов каждого сценария и записи результатов в [[CSV]]-файл.

Каждый прогон выполняется в течение 2000 тиков, после чего фиксируются итоговые значения метрик. Данная модификация позволила собрать репрезентативный датасет для сравнения сценариев.

[[Файл:Графики.jpg|600px|центр]]

Эксперимент проводился при четырёх комбинациях параметров rich-quality-priority и poor-price-priority, фиксированных системных настройках (residents-per-job = 100, number-of-tests = 30, max-jobs = 10, death-rate = 4, poor-per-step = 5, rich-per-step = 5) и на протяжении 2000 тиков. Данные были собраны для 30 независимых повторов на каждый сценарий.

====Анализ графиков (Шаг 1–4)====

На каждом графике:
*Ось X: сценарий (A, B, C, D)
*Ось Y(слева): значение индекса Дункана
*Ось Y(справа): значение коэффициента Джини
*Коробки (box plot) — показывают распределение результатов (медиана, IQR)
*Точки — отдельные прогоны (30 на сценарий)
=== Шаг 1 эксперимента (Сценарий A: rich=0.8, poor=0.5) ===
'''Duncan Index:''' медиана ≈ 0.272, IQR [0.271–0.273]

'''[[Gini Coefficient]]:''' медиана ≈ 0.836, IQR [0.835–0.837]

Богатые сильно ценят качество, бедные умеренно чувствительны к цене.
Это приводит к наибольшей сегрегации — богатые концентрируются в высококачественных районах, вытесняя бедных в периферийные зоны. Неравенство также высоко, но не максимальное — бедные всё ещё получают некоторую полезность.

==== Вывод для Шага 1 ====

При высоком приоритете качества у богатых сегрегация достигает максимума. Город разделяется на «богатые» и «бедные» районы. Альтернативные стратегии (например, снижение требований богатых) могут уменьшить поляризацию.

=== Шаг 2 эксперимента (Сценарий B: rich=0.2, poor=0.5) ===
'''Duncan Index:''' медиана ≈ 0.271, IQR [0.270–0.272]

'''Gini Coefficient:''' медиана ≈ 0.837, IQR [0.836–0.838]

Богатые почти не обращают внимания на качество, бедные умеренно чувствительны к цене.
Сегрегация немного снижается, но неравенство остаётся высоким. Это говорит о том, что рассеивание богатых по городу не устраняет неравенство — бедные всё ещё ограничены ценой.

'''Вывод для Шага 2'''

Снижение требований богатых к качеству уменьшает пространственную сегрегацию, но не влияет на социальное неравенство. Цена остаётся ключевым фактором, определяющим доступ к ресурсам.

=== Шаг 3 эксперимента (Сценарий C: rich=0.5, poor=0.8) ===
'''Duncan Index:''' медиана ≈ 0.271, IQR [0.270–0.272]

'''Gini Coefficient:''' медиана ≈ 0.840, IQR [0.839–0.841]

Богатые умеренно ценят качество, бедные очень чувствительны к цене.
Сегрегация остаётся на среднем уровне, но неравенство растёт — бедные вынуждены жить в самых дешёвых районах, что усиливает разрыв в полезности.

'''Вывод для Шага 3'''

Высокая чувствительность бедных к цене усиливает неравенство, даже если богатые не требуют высокого качества. Это показывает, что экономическая политика, направленная на снижение ценовой чувствительности бедных, может быть эффективнее, чем регулирование поведения богатых.

=== Шаг 4 эксперимента (Сценарий D: rich=0.5, poor=0.2) ===
'''[[Duncan Index]]:''' медиана ≈ 0.270, IQR [0.269–0.271]

'''[[Gini Coefficient]]:''' медиана ≈ 0.841, IQR [0.840–0.842]

Богатые умеренно ценят качество, бедные почти не реагируют на цену.
Сегрегация минимальна — группы смешиваются. Однако неравенство достигает максимума — бедные теперь живут в хороших районах, но их полезность всё ещё ниже, чем у богатых.

'''Вывод для Шага 4'''

При снижении ценовой чувствительности бедных сегрегация исчезает, но неравенство растёт. Это означает, что смешанные районы не равны справедливым — если бедные не получают дополнительных ресурсов, они будут жить рядом с богатыми, но оставаться менее выгодными.

===Главный вывод===
Изменение приоритетов агентов напрямую формирует структуру городского пространства. Богатые, которые сильно ценят качество, создают элитные анклавы, вытесняя бедных в периферийные районы. Бедные, чувствительные к цене, усиливают сегрегацию, выбирая самые дешёвые зоны. Однако если бедные перестают реагировать на цену, сегрегация исчезает — но неравенство растёт, потому что они получают выгоду, но всё ещё отстают от богатых.

Это означает, что:

* [[Сегрегация]] — результат рационального выбора, а не случайности: агенты оптимизируют свою полезность на основе приоритетов.
* Цена — более мощный фактор, чем качество: снижение ценовой чувствительности бедных сильнее влияет на сегрегацию, чем требования богатых.
* Смешанные районы ≠ справедливость: даже при отсутствии пространственного разделения неравенство может быть выше, если бедные не получают дополнительных ресурсов.

В реальном мире это объясняет, почему программы доступного жилья или субсидий могут снижать сегрегацию, но не гарантируют социального равенства — для этого нужны дополнительные механизмы перераспределения выгоды.

===Заключение===
Модель городской сегрегации демонстрирует, что пространственное разделение богатых и бедных — не следствие дискриминации или предвзятости, а естественный результат экономических предпочтений агентов. Когда богатые максимизируют качество, а бедные — минимизируют цену, город автоматически разделяется. Но если изменить эти приоритеты (например, через политику доступности), можно достичь более смешанной структуры.

Этот вывод имеет прямое отношение к современной урбанистике, социальной политике и планированию городов. Он показывает, что для создания справедливых городов недостаточно просто «смешивать» группы — необходимо менять условия, при которых бедные принимают решения, чтобы они могли конкурировать на равных, не теряя в полезности.

== ЭКСПЕРИМЕНТ 2 ==
--[[Участник:KryuchkovSR|KryuchkovSR]] ([[Обсуждение участника:KryuchkovSR|обсуждение]]) 22:58, 25 декабря 2025 (MSK)

'''Гипотеза:''' увеличение веса значения ''"death-rate"'' приводит к падению средней цены жилья ''"mean(price)"'' в общем и "mean(price) только в заселённых районах".

{{#widget:Google Spreadsheet
|key=e/2PACX-1vSjSsZDm8SQd9HXDPxlaCx4b5aY-1Jdt456JB9XK8Xy4w4OtPXfAlu3-Wp4mUS2OkWERCIRhSwZlXu0
|width=800
|height=400
}}

'''Цель эксперимента:'''
Исследовать, как частота смертей влияет на среднюю цену в городе в общем, а также в местах, которые уже заселены, а не просто находятся на карте и пустуют.

'''Условия эксперимента:'''

1. death-rate = 4, 7, 10, 13.

2. rich-per-step = 5, poor-per-step = 5.

3. Остальные поля по умолчанию.

4. Шагов: 2000.

'''Настройки эксперимента в NetLogo'''

[[Файл:Эксперимент.png|600px]]

В данном эксперименте я получаю данные сразу для всех 4 значений death-rate (4, 7, 10, 13), а также получаю:
* '''mean [price] of patches''' - средний уровень цен по всему пространству
* '''mean [price] of patches with [any? turtles-here]''' - средний уровень цен только в заселённых районах

=== Шаг 1 эксперимента (death-rate = 4): ===
''"mean price"'' = 4: медиана ≈ 45.7 
''"mean price lived area"'' = 4: медиана ≈ 50.7

[[Файл:Bp4.png|450px]] [[Файл:Bplive4.png|450px]]

При низкой смертности система стабильно развивается: общая средняя цена растёт медленно, но уверенно. Средняя цена на заселённых участках растёт ещё медленнее — это говорит о том, что агенты (особенно богатые) активно «выбирают» и «поднимают» цены в своих районах, но общее пространство (включая пустые зоны) растёт быстрее.

[[Файл:CodapMP4.png|450px]]
[[Файл:CodapMP4live.png|450px]]

==== Вывод для Шага 1: ====
При низкой смертности система стабильна, но сегрегирована: богатые агенты создают «горячие точки» высоких цен, в то время как общая средняя цена растёт за счёт расширения рынка. Это подтверждает, что низкая смертность позволяет агентам формировать устойчивые «элитные» районы, повышая локальную цену, но не влияя сильно на общую динамику.

=== Шаг 2 эксперимента (death-rate = 7): ===
mean price = 7: медиана ≈ 43.8 
mean price lived area = 7: медиана ≈ 60.9

[[Файл:MP7.png|450px]]
[[Файл:MP7live.png|450px]]

При средней смертности общий рост цен замедляется, но цена на заселённых участках растёт быстрее — это ''парадокс''! 

'''Объяснение:''' при большей смертности агенты живут короче → меньше времени на «закрепление» в районе → больше перемещений → более частое «обновление» цен в новых местах. Это создаёт эффект «прыжков» цен в новых районах, что увеличивает среднюю цену на заселённых участках, но не влияет на общую среднюю цену (так как много пустых зон).

[[Файл:CodapMP7.png|450px]]
[[Файл:CodapMP7live.png|450px]]

==== Вывод для Шага 2: ====
При средней смертности наблюдается интересный эффект: общая средняя цена растёт медленнее, но цена на заселённых участках — быстрее. Это связано с повышенной мобильностью агентов — они чаще меняют место жительства, «поднимая» цены в новых районах. Это означает, что смертность не снижает цену, а перераспределяет её по городу, создавая временные «горячие точки».

=== Шаг 3 эксперимента (death-rate = 10): ===
mean price = 10: медиана ≈ 44.2 
mean price lived area = 10: медиана ≈ 62.5

[[Файл:MP10.png|450px]]
[[Файл:MP10lived.png|450px]]

При высокой смертности картина схожа с предыдущим сценарием, но разрыв между общей ценой и ценой на заселённых участках ещё больше. Это значит, что агенты всё ещё активно «выбирают» дорогие районы, но их жизнь короче → они не успевают «прижиться» → цены в их районах растут быстро, но не стабильно. Низкий r² для lived area подтверждает высокую волатильность.

[[Файл:CodapMP10.png|450px]]
[[Файл:CodapMP10live.png|450px]]

==== Вывод для Шага 3: ====
При высокой смертности цена на заселённых участках достигает максимума (медиана ~62.3), хотя общая средняя цена растёт медленно. Это говорит о том, что агенты, несмотря на короткую жизнь, продолжают выбирать самые дорогие районы, создавая локальные «пузыри» высоких цен. Однако из-за частой смены места жительства эти пузыри нестабильны — что подтверждается низким r².

=== Шаг 4 эксперимента (death-rate = 13): ===
mean price = 13: медиана ≈ 43 
mean price lived area = 13: медиана ≈ 64.8

[[Файл:MP13.png|450px]]
[[Файл:MP13lived.png|450px]]

При очень высокой смертности общая цена почти не растёт (r² = 0.821 — худший показатель среди всех сценариев). Но цена на заселённых участках — самая высокая (медиана ~64.8) и растёт быстрее всего (+0.003 * step). При этом r² = 0.097 — самый низкий из всех, что означает максимальную нестабильность.

Агенты, живущие очень недолго, не успевают «освоиться» в районе, но при этом выбирают самые дорогие места — возможно, из-за алгоритма выбора (rich-utility), который не учитывает смертность. В результате получается разброс цен: агенты платят высокую цену, умирают — и следующие агенты снова выбирают те же дорогие места.

[[Файл:13.png|450px]]
[[Файл:CodapMP13live.png|450px]]

==== Вывод для Шага 4: ====
При очень высокой смертности цена на заселённых участках достигает пика (~64.8), но система становится максимально нестабильной (r² = 0.097). Это означает, что агенты продолжают выбирать дорогие районы, несмотря на короткую жизнь, создавая кратковременные «цены-пузыри». Общая средняя цена почти не растёт — потому что большинство патчей остаются пустыми. Это подтверждает, что смертность не снижает цену, а усиливает её локализацию и волатильность.

=== Главный вывод ===
Гипотеза — ''не подтвердилась'', а скорее в каком-то плане наоборот была опровергнута, с ростом смертности цена на заселённых участках растёт, а общая средняя цена скорее стабилизируется, чем значительно снижается.

Гипотеза о том, что «смертность снижает цены», оказалась слишком упрощённой: 
* cмертность влияет не на уровень цен, а на их распределение и стабильность.
* цены на заселённых участках растут с ростом смертности, потому что агенты продолжают выбирать дорогие районы.
* система становится всё менее предсказуемой — что может быть даже более важным выводом, чем сама гипотеза.

==== Что показали данные? ====
* ''Общая средняя цена'' (mean price) почти не меняется при росте ''death-rate'':
death-rate = 4 → ~45.7 
death-rate = 13 → ~43 
Разница менее 5%, что может быть статистически незначимо

* ''Средняя цена на заселённых участках'' (mean price lived area) растёт с увеличением смертности: 
death-rate = 4 → ~50.7 
death-rate = 13 → ~64.8 
Рост на 28% - значимым эффект, что может свидетельствовать, что в заселённых районах медианная цена сильно растёт с увеличением смертности.

== ЭКСПЕРИМЕНТ 3 ==
--[[Участник:ZhiltsovES|ZhiltsovES]] ([[Обсуждение участника:ZhiltsovES|обсуждение]])

'''Гипотеза:''' Распределение рабочих мест в дорогих районах создаёт дополнительное преимущество для богатых и увеличивает социальное неравенство

Эксперименты с моделью Urban Suite - Economic Disparity

2026-01-14T01:45:10Z

KryuchkovSR: /* Шаг 2 эксперимента (death-rate = 7): */

== ОПИСАНИЕ МОДЕЛИ ==
{{#ask: [[Economic Disparity]] | ?Description }}

Модель '''Urban Suite - [[Economic Disparity]]''' представляет упрощённую городскую экономическую систему, где агенты с различным социально-экономическим статусом конкурируют за землю в городском пространстве. Модель исследует процессы пространственной сегрегации и формирования экономического неравенства в городской среде. В модели есть фиксированные рабочие места (серые квадраты), распределённые по городской территории. Агенты стремятся минимизировать расстояние до ближайшего места работы.

<netlogo model="EconomicDisparity_ru" />

== ЭКСПЕРИМЕНТ 1 ==
Автор - [[Участник:ZatsepinNA|ZatsepinNA]]

;Гипотеза:
: Изменение весов "rich-quality-priority" и "poor-price-priority" приведёт к разным типам городской сегрегации и уровням неравенства.

{{#widget:Google Spreadsheet
|key=e/2PACX-1vRk7VOFaWAlxN0ytKMtkbgJWSbMGHpp86nC7RAXRDBPfWr69qe54OfgwWHSubyuRTEHHRGYGnBvxWXs
|width=800
|height=400
}}

'''Цель эксперимента:'''
Исследовать, как изменение приоритетов агентов (богатых и бедных) влияет на структуру городского пространства. В частности, нас интересует, как веса параметров rich-quality-priority (насколько богатые ценят качество района) и poor-price-priority (насколько бедные чувствительны к цене) определяют:

* уровень пространственной сегрегации (измеряется [[индекс Дункана|индексом Дункана]] ),
* степень неравенства в распределении полезности (измеряется [[коэффициент Джини|коэффициентом Джини]]),
* среднее расстояние между представителями двух групп,
* разницу в средней полезности между богатыми и бедными.

'''Настройки NetLogo'''
<syntaxhighlight lang="lisp">
;; ========== КОД ДЛЯ ЭКСПЕРИМЕНТОВ ==========

;; Индекс Дункана
to-report duncan-index
let total-rich count rich
let total-poor count poor
if total-rich = 0 or total-poor = 0 [ report 0 ]
let seg-sum 0
ask patches [
let p-rich count rich-here / total-rich
let p-poor count poor-here / total-poor
set seg-sum seg-sum + abs(p-rich - p-poor)
]
report seg-sum / 2
end

;; Среднее расстояние между богатыми и бедными
to-report avg-distance-rich-poor
if count rich = 0 or count poor = 0 [ report 0 ]
let distances []
ask rich [
let closest-poor min [distance myself] of poor
set distances lput closest-poor distances
]
report mean distances
end

to-report utility-diff
let rich-utils [utility-r] of rich with [utility-r > 0]
let poor-utils [utility-p] of poor with [utility-p > 0]
if (length rich-utils = 0 or length poor-utils = 0) [ report 0 ]
let avg-rich mean rich-utils
let avg-poor mean poor-utils
report abs(avg-rich - avg-poor)
end

to-report gini-coefficient [ values ]
if length values <= 1 [ report 0 ]
let valid-values filter [ x -> x > 0 ] values
if length valid-values <= 1 [ report 0 ]
let avg-val mean valid-values
if avg-val = 0 [ report 0 ] ; защита от деления на 0
let sorted sort valid-values
let n length sorted
let gini-sum 0
let cumsum 0
foreach sorted [ val ->
set cumsum cumsum + val
set gini-sum gini-sum + (cumsum - val / 2) / n / avg-val
]
report 1 - gini-sum / n
end

;; Создать CSV файл
to create-csv [exp-name]
let path (word "C:/Users/User/Desktop/" exp-name ".csv")
file-open path
file-print "run,ticks,rich_count,poor_count,duncan_index,avg_distance,utility_diff,gini_coefficient"
file-close
end

to write-line [exp-name]
let path (word "C:/Users/User/Desktop/" exp-name ".csv")

;; Берём только агентов с ненулевой полезностью
let rich-utils [utility-r] of rich with [utility-r > 0]
let poor-utils [utility-p] of poor with [utility-p > 0]
let all-utils sentence rich-utils poor-utils

;; Если нет данных — ставим 0
let gini-val ifelse-value (length all-utils > 1) [
gini-coefficient all-utils
] [ 0 ]

file-open path
file-print (word
run-number ","
ticks ","
count rich ","
count poor ","
duncan-index ","
avg-distance-rich-poor ","
utility-diff ","
gini-val
)
file-close
end

;; Процедура для одного прогона
to run-single-run [exp-name rich-val poor-val]
set rich-quality-priority rich-val
set poor-price-priority poor-val
setup
repeat 2000 [
go
]
write-line exp-name
end

;; Процедура для 30 прогонов
to run-experiment [exp-name rich-val poor-val]
set experiment-name exp-name
create-csv exp-name
set run-number 0
repeat 30 [
set run-number run-number + 1
run-single-run exp-name rich-val poor-val
print (word "Прогон " run-number " из 30 завершен.")
]
print (word "Эксперимент " exp-name " ЗАВЕРШЕН!")
end

;; === КНОПКИ ИНТЕРФЕЙСА ===

to experiment-1
run-experiment "exp1_08_05" 0.8 0.5
end

to experiment-2
run-experiment "exp2_02_05" 0.2 0.5
end

to experiment-3
run-experiment "exp3_05_08" 0.5 0.8
end

to experiment-4
run-experiment "exp4_05_02" 0.5 0.2
end
</syntaxhighlight>

Для реализации эксперимента в исходный код модели были добавлены следующие процедуры:
* [[duncan-index]] — для расчёта индекса сегрегации,
* avg-distance-rich-poor — для измерения среднего расстояния между богатыми и бедными,
* utility-diff — для вычисления разницы в средней полезности между группами,
* [[gini-coefficient]] — для оценки уровня неравенства,
* run-experiment — для автоматического запуска 30 прогонов каждого сценария и записи результатов в [[CSV]]-файл.

Каждый прогон выполняется в течение 2000 тиков, после чего фиксируются итоговые значения метрик. Данная модификация позволила собрать репрезентативный датасет для сравнения сценариев.

[[Файл:Графики.jpg|600px|центр]]

Эксперимент проводился при четырёх комбинациях параметров rich-quality-priority и poor-price-priority, фиксированных системных настройках (residents-per-job = 100, number-of-tests = 30, max-jobs = 10, death-rate = 4, poor-per-step = 5, rich-per-step = 5) и на протяжении 2000 тиков. Данные были собраны для 30 независимых повторов на каждый сценарий.

====Анализ графиков (Шаг 1–4)====

На каждом графике:
*Ось X: сценарий (A, B, C, D)
*Ось Y(слева): значение индекса Дункана
*Ось Y(справа): значение коэффициента Джини
*Коробки (box plot) — показывают распределение результатов (медиана, IQR)
*Точки — отдельные прогоны (30 на сценарий)
=== Шаг 1 эксперимента (Сценарий A: rich=0.8, poor=0.5) ===
'''Duncan Index:''' медиана ≈ 0.272, IQR [0.271–0.273]

'''[[Gini Coefficient]]:''' медиана ≈ 0.836, IQR [0.835–0.837]

Богатые сильно ценят качество, бедные умеренно чувствительны к цене.
Это приводит к наибольшей сегрегации — богатые концентрируются в высококачественных районах, вытесняя бедных в периферийные зоны. Неравенство также высоко, но не максимальное — бедные всё ещё получают некоторую полезность.

==== Вывод для Шага 1 ====

При высоком приоритете качества у богатых сегрегация достигает максимума. Город разделяется на «богатые» и «бедные» районы. Альтернативные стратегии (например, снижение требований богатых) могут уменьшить поляризацию.

=== Шаг 2 эксперимента (Сценарий B: rich=0.2, poor=0.5) ===
'''Duncan Index:''' медиана ≈ 0.271, IQR [0.270–0.272]

'''Gini Coefficient:''' медиана ≈ 0.837, IQR [0.836–0.838]

Богатые почти не обращают внимания на качество, бедные умеренно чувствительны к цене.
Сегрегация немного снижается, но неравенство остаётся высоким. Это говорит о том, что рассеивание богатых по городу не устраняет неравенство — бедные всё ещё ограничены ценой.

'''Вывод для Шага 2'''

Снижение требований богатых к качеству уменьшает пространственную сегрегацию, но не влияет на социальное неравенство. Цена остаётся ключевым фактором, определяющим доступ к ресурсам.

=== Шаг 3 эксперимента (Сценарий C: rich=0.5, poor=0.8) ===
'''Duncan Index:''' медиана ≈ 0.271, IQR [0.270–0.272]

'''Gini Coefficient:''' медиана ≈ 0.840, IQR [0.839–0.841]

Богатые умеренно ценят качество, бедные очень чувствительны к цене.
Сегрегация остаётся на среднем уровне, но неравенство растёт — бедные вынуждены жить в самых дешёвых районах, что усиливает разрыв в полезности.

'''Вывод для Шага 3'''

Высокая чувствительность бедных к цене усиливает неравенство, даже если богатые не требуют высокого качества. Это показывает, что экономическая политика, направленная на снижение ценовой чувствительности бедных, может быть эффективнее, чем регулирование поведения богатых.

=== Шаг 4 эксперимента (Сценарий D: rich=0.5, poor=0.2) ===
'''[[Duncan Index]]:''' медиана ≈ 0.270, IQR [0.269–0.271]

'''[[Gini Coefficient]]:''' медиана ≈ 0.841, IQR [0.840–0.842]

Богатые умеренно ценят качество, бедные почти не реагируют на цену.
Сегрегация минимальна — группы смешиваются. Однако неравенство достигает максимума — бедные теперь живут в хороших районах, но их полезность всё ещё ниже, чем у богатых.

'''Вывод для Шага 4'''

При снижении ценовой чувствительности бедных сегрегация исчезает, но неравенство растёт. Это означает, что смешанные районы не равны справедливым — если бедные не получают дополнительных ресурсов, они будут жить рядом с богатыми, но оставаться менее выгодными.

===Главный вывод===
Изменение приоритетов агентов напрямую формирует структуру городского пространства. Богатые, которые сильно ценят качество, создают элитные анклавы, вытесняя бедных в периферийные районы. Бедные, чувствительные к цене, усиливают сегрегацию, выбирая самые дешёвые зоны. Однако если бедные перестают реагировать на цену, сегрегация исчезает — но неравенство растёт, потому что они получают выгоду, но всё ещё отстают от богатых.

Это означает, что:

* [[Сегрегация]] — результат рационального выбора, а не случайности: агенты оптимизируют свою полезность на основе приоритетов.
* Цена — более мощный фактор, чем качество: снижение ценовой чувствительности бедных сильнее влияет на сегрегацию, чем требования богатых.
* Смешанные районы ≠ справедливость: даже при отсутствии пространственного разделения неравенство может быть выше, если бедные не получают дополнительных ресурсов.

В реальном мире это объясняет, почему программы доступного жилья или субсидий могут снижать сегрегацию, но не гарантируют социального равенства — для этого нужны дополнительные механизмы перераспределения выгоды.

===Заключение===
Модель городской сегрегации демонстрирует, что пространственное разделение богатых и бедных — не следствие дискриминации или предвзятости, а естественный результат экономических предпочтений агентов. Когда богатые максимизируют качество, а бедные — минимизируют цену, город автоматически разделяется. Но если изменить эти приоритеты (например, через политику доступности), можно достичь более смешанной структуры.

Этот вывод имеет прямое отношение к современной урбанистике, социальной политике и планированию городов. Он показывает, что для создания справедливых городов недостаточно просто «смешивать» группы — необходимо менять условия, при которых бедные принимают решения, чтобы они могли конкурировать на равных, не теряя в полезности.

== ЭКСПЕРИМЕНТ 2 ==
--[[Участник:KryuchkovSR|KryuchkovSR]] ([[Обсуждение участника:KryuchkovSR|обсуждение]]) 22:58, 25 декабря 2025 (MSK)

'''Гипотеза:''' увеличение веса значения ''"death-rate"'' приводит к падению средней цены жилья ''"mean(price)"'' в общем и "mean(price) только в заселённых районах".

{{#widget:Google Spreadsheet
|key=e/2PACX-1vSjSsZDm8SQd9HXDPxlaCx4b5aY-1Jdt456JB9XK8Xy4w4OtPXfAlu3-Wp4mUS2OkWERCIRhSwZlXu0
|width=800
|height=400
}}

'''Цель эксперимента:'''
Исследовать, как частота смертей влияет на среднюю цену в городе в общем, а также в местах, которые уже заселены, а не просто находятся на карте и пустуют.

'''Условия эксперимента:'''

1. death-rate = 4, 7, 10, 13.

2. rich-per-step = 5, poor-per-step = 5.

3. Остальные поля по умолчанию.

4. Шагов: 2000.

'''Настройки эксперимента в NetLogo'''

[[Файл:Эксперимент.png|600px]]

В данном эксперименте я получаю данные сразу для всех 4 значений death-rate (4, 7, 10, 13), а также получаю:
* '''mean [price] of patches''' - средний уровень цен по всему пространству
* '''mean [price] of patches with [any? turtles-here]''' - средний уровень цен только в заселённых районах

=== Шаг 1 эксперимента (death-rate = 4): ===
''"mean price"'' = 4: медиана ≈ 45.7 
''"mean price lived area"'' = 4: медиана ≈ 50.7

[[Файл:Bp4.png|450px]] [[Файл:Bplive4.png|450px]]

При низкой смертности система стабильно развивается: общая средняя цена растёт медленно, но уверенно. Средняя цена на заселённых участках растёт ещё медленнее — это говорит о том, что агенты (особенно богатые) активно «выбирают» и «поднимают» цены в своих районах, но общее пространство (включая пустые зоны) растёт быстрее.

[[Файл:CodapMP4.png|450px]]
[[Файл:CodapMP4live.png|450px]]

==== Вывод для Шага 1: ====
При низкой смертности система стабильна, но сегрегирована: богатые агенты создают «горячие точки» высоких цен, в то время как общая средняя цена растёт за счёт расширения рынка. Это подтверждает, что низкая смертность позволяет агентам формировать устойчивые «элитные» районы, повышая локальную цену, но не влияя сильно на общую динамику.

=== Шаг 2 эксперимента (death-rate = 7): ===
mean price = 7: медиана ≈ 43.8 
mean price lived area = 7: медиана ≈ 60.9

[[Файл:MP7.png|450px]]
[[Файл:MP7live.png|450px]]

При средней смертности общий рост цен замедляется, но цена на заселённых участках растёт быстрее — это ''парадокс''! 

'''Объяснение:''' при большей смертности агенты живут короче → меньше времени на «закрепление» в районе → больше перемещений → более частое «обновление» цен в новых местах. Это создаёт эффект «прыжков» цен в новых районах, что увеличивает среднюю цену на заселённых участках, но не влияет на общую среднюю цену (так как много пустых зон).

[[Файл:CodapMP7.png|450px]]
[[Файл:CodapMP7live.png|450px]]

==== Вывод для Шага 2: ====
При средней смертности наблюдается интересный эффект: общая средняя цена растёт медленнее, но цена на заселённых участках — быстрее. Это связано с повышенной мобильностью агентов — они чаще меняют место жительства, «поднимая» цены в новых районах. Это означает, что смертность не снижает цену, а перераспределяет её по городу, создавая временные «горячие точки».

=== Шаг 3 эксперимента (death-rate = 10): ===
mean price = 10: медиана ≈ 44.2 
mean price lived area = 10: медиана ≈ 62.5

[[Файл:MP10.png|450px]]
[[Файл:MP10lived.png|450px]]

При высокой смертности картина схожа с предыдущим сценарием, но разрыв между общей ценой и ценой на заселённых участках ещё больше. Это значит, что агенты всё ещё активно «выбирают» дорогие районы, но их жизнь короче → они не успевают «прижиться» → цены в их районах растут быстро, но не стабильно. Низкий r² для lived area подтверждает высокую волатильность.

[[Файл:CodapMP10.png|450px]]
[[Файл:CodapMP10live.png|450px]]

==== Вывод для Шага 3: ====
При высокой смертности цена на заселённых участках достигает максимума (медиана ~62.3), хотя общая средняя цена растёт медленно. Это говорит о том, что агенты, несмотря на короткую жизнь, продолжают выбирать самые дорогие районы, создавая локальные «пузыри» высоких цен. Однако из-за частой смены места жительства эти пузыри нестабильны — что подтверждается низким r².

=== Шаг 4 эксперимента (death-rate = 13): ===
mean price = 13: медиана ≈ 43 
mean price lived area = 13: медиана ≈ 64.8

[[Файл:MP13.png|450px]]
[[Файл:MP13lived.png|450px]]

При очень высокой смертности общая цена почти не растёт (r² = 0.821 — худший показатель среди всех сценариев). Но цена на заселённых участках — самая высокая (медиана ~64.8) и растёт быстрее всего (+0.003 * step). При этом r² = 0.097 — самый низкий из всех, что означает максимальную нестабильность.

Агенты, живущие очень недолго, не успевают «освоиться» в районе, но при этом выбирают самые дорогие места — возможно, из-за алгоритма выбора (rich-utility), который не учитывает смертность. В результате получается разброс цен: агенты платят высокую цену, умирают — и следующие агенты снова выбирают те же дорогие места.

[[Файл:13.png|450px]]
[[Файл:CodapMP13live.png|450px]]

==== Вывод для Шага 4: ====
При очень высокой смертности цена на заселённых участках достигает пика (~64.8), но система становится максимально нестабильной (r² = 0.097). Это означает, что агенты продолжают выбирать дорогие районы, несмотря на короткую жизнь, создавая кратковременные «цены-пузыри». Общая средняя цена почти не растёт — потому что большинство патчей остаются пустыми. Это подтверждает, что смертность не снижает цену, а усиливает её локализацию и волатильность.

=== Главный вывод ===
Гипотеза — ''не подтвердилась'', а скорее в каком-то плане наоборот была опровергнута, с ростом смертности цена на заселённых участках растёт, а общая средняя цена скорее стабилизируется, чем значительно снижается.

Гипотеза о том, что «смертность снижает цены», оказалась слишком упрощённой: 
* cмертность влияет не на уровень цен, а на их распределение и стабильность.
* цены на заселённых участках растут с ростом смертности, потому что агенты продолжают выбирать дорогие районы.
* система становится всё менее предсказуемой — что может быть даже более важным выводом, чем сама гипотеза.

==== Что показали данные? ====
* Общая средняя цена (mean price) почти не меняется при росте death-rate:
death-rate = 4 → ~45.7 
death-rate = 13 → ~43 
Разница менее 5%, что может быть статистически незначимо

Средняя цена на заселённых участках (mean price lived area) растёт с увеличением смертности:
death-rate = 4 → ~50.7
death-rate = 13 → ~64.8
Рост на 28% - значимым эффект, что может свидетельствовать, что в заселённых районах медианная цена сильно растёт с увеличением смертности.

== ЭКСПЕРИМЕНТ 3 ==
--[[Участник:ZhiltsovES|ZhiltsovES]] ([[Обсуждение участника:ZhiltsovES|обсуждение]])

'''Гипотеза:''' Распределение рабочих мест в дорогих районах создаёт дополнительное преимущество для богатых и увеличивает социальное неравенство

Эксперименты с моделью Urban Suite - Economic Disparity

2026-01-14T01:44:34Z

KryuchkovSR: /* Шаг 1 эксперимента (death-rate = 4): */

== ОПИСАНИЕ МОДЕЛИ ==
{{#ask: [[Economic Disparity]] | ?Description }}

Модель '''Urban Suite - [[Economic Disparity]]''' представляет упрощённую городскую экономическую систему, где агенты с различным социально-экономическим статусом конкурируют за землю в городском пространстве. Модель исследует процессы пространственной сегрегации и формирования экономического неравенства в городской среде. В модели есть фиксированные рабочие места (серые квадраты), распределённые по городской территории. Агенты стремятся минимизировать расстояние до ближайшего места работы.

<netlogo model="EconomicDisparity_ru" />

== ЭКСПЕРИМЕНТ 1 ==
Автор - [[Участник:ZatsepinNA|ZatsepinNA]]

;Гипотеза:
: Изменение весов "rich-quality-priority" и "poor-price-priority" приведёт к разным типам городской сегрегации и уровням неравенства.

{{#widget:Google Spreadsheet
|key=e/2PACX-1vRk7VOFaWAlxN0ytKMtkbgJWSbMGHpp86nC7RAXRDBPfWr69qe54OfgwWHSubyuRTEHHRGYGnBvxWXs
|width=800
|height=400
}}

'''Цель эксперимента:'''
Исследовать, как изменение приоритетов агентов (богатых и бедных) влияет на структуру городского пространства. В частности, нас интересует, как веса параметров rich-quality-priority (насколько богатые ценят качество района) и poor-price-priority (насколько бедные чувствительны к цене) определяют:

* уровень пространственной сегрегации (измеряется [[индекс Дункана|индексом Дункана]] ),
* степень неравенства в распределении полезности (измеряется [[коэффициент Джини|коэффициентом Джини]]),
* среднее расстояние между представителями двух групп,
* разницу в средней полезности между богатыми и бедными.

'''Настройки NetLogo'''
<syntaxhighlight lang="lisp">
;; ========== КОД ДЛЯ ЭКСПЕРИМЕНТОВ ==========

;; Индекс Дункана
to-report duncan-index
let total-rich count rich
let total-poor count poor
if total-rich = 0 or total-poor = 0 [ report 0 ]
let seg-sum 0
ask patches [
let p-rich count rich-here / total-rich
let p-poor count poor-here / total-poor
set seg-sum seg-sum + abs(p-rich - p-poor)
]
report seg-sum / 2
end

;; Среднее расстояние между богатыми и бедными
to-report avg-distance-rich-poor
if count rich = 0 or count poor = 0 [ report 0 ]
let distances []
ask rich [
let closest-poor min [distance myself] of poor
set distances lput closest-poor distances
]
report mean distances
end

to-report utility-diff
let rich-utils [utility-r] of rich with [utility-r > 0]
let poor-utils [utility-p] of poor with [utility-p > 0]
if (length rich-utils = 0 or length poor-utils = 0) [ report 0 ]
let avg-rich mean rich-utils
let avg-poor mean poor-utils
report abs(avg-rich - avg-poor)
end

to-report gini-coefficient [ values ]
if length values <= 1 [ report 0 ]
let valid-values filter [ x -> x > 0 ] values
if length valid-values <= 1 [ report 0 ]
let avg-val mean valid-values
if avg-val = 0 [ report 0 ] ; защита от деления на 0
let sorted sort valid-values
let n length sorted
let gini-sum 0
let cumsum 0
foreach sorted [ val ->
set cumsum cumsum + val
set gini-sum gini-sum + (cumsum - val / 2) / n / avg-val
]
report 1 - gini-sum / n
end

;; Создать CSV файл
to create-csv [exp-name]
let path (word "C:/Users/User/Desktop/" exp-name ".csv")
file-open path
file-print "run,ticks,rich_count,poor_count,duncan_index,avg_distance,utility_diff,gini_coefficient"
file-close
end

to write-line [exp-name]
let path (word "C:/Users/User/Desktop/" exp-name ".csv")

;; Берём только агентов с ненулевой полезностью
let rich-utils [utility-r] of rich with [utility-r > 0]
let poor-utils [utility-p] of poor with [utility-p > 0]
let all-utils sentence rich-utils poor-utils

;; Если нет данных — ставим 0
let gini-val ifelse-value (length all-utils > 1) [
gini-coefficient all-utils
] [ 0 ]

file-open path
file-print (word
run-number ","
ticks ","
count rich ","
count poor ","
duncan-index ","
avg-distance-rich-poor ","
utility-diff ","
gini-val
)
file-close
end

;; Процедура для одного прогона
to run-single-run [exp-name rich-val poor-val]
set rich-quality-priority rich-val
set poor-price-priority poor-val
setup
repeat 2000 [
go
]
write-line exp-name
end

;; Процедура для 30 прогонов
to run-experiment [exp-name rich-val poor-val]
set experiment-name exp-name
create-csv exp-name
set run-number 0
repeat 30 [
set run-number run-number + 1
run-single-run exp-name rich-val poor-val
print (word "Прогон " run-number " из 30 завершен.")
]
print (word "Эксперимент " exp-name " ЗАВЕРШЕН!")
end

;; === КНОПКИ ИНТЕРФЕЙСА ===

to experiment-1
run-experiment "exp1_08_05" 0.8 0.5
end

to experiment-2
run-experiment "exp2_02_05" 0.2 0.5
end

to experiment-3
run-experiment "exp3_05_08" 0.5 0.8
end

to experiment-4
run-experiment "exp4_05_02" 0.5 0.2
end
</syntaxhighlight>

Для реализации эксперимента в исходный код модели были добавлены следующие процедуры:
* [[duncan-index]] — для расчёта индекса сегрегации,
* avg-distance-rich-poor — для измерения среднего расстояния между богатыми и бедными,
* utility-diff — для вычисления разницы в средней полезности между группами,
* [[gini-coefficient]] — для оценки уровня неравенства,
* run-experiment — для автоматического запуска 30 прогонов каждого сценария и записи результатов в [[CSV]]-файл.

Каждый прогон выполняется в течение 2000 тиков, после чего фиксируются итоговые значения метрик. Данная модификация позволила собрать репрезентативный датасет для сравнения сценариев.

[[Файл:Графики.jpg|600px|центр]]

Эксперимент проводился при четырёх комбинациях параметров rich-quality-priority и poor-price-priority, фиксированных системных настройках (residents-per-job = 100, number-of-tests = 30, max-jobs = 10, death-rate = 4, poor-per-step = 5, rich-per-step = 5) и на протяжении 2000 тиков. Данные были собраны для 30 независимых повторов на каждый сценарий.

====Анализ графиков (Шаг 1–4)====

На каждом графике:
*Ось X: сценарий (A, B, C, D)
*Ось Y(слева): значение индекса Дункана
*Ось Y(справа): значение коэффициента Джини
*Коробки (box plot) — показывают распределение результатов (медиана, IQR)
*Точки — отдельные прогоны (30 на сценарий)
=== Шаг 1 эксперимента (Сценарий A: rich=0.8, poor=0.5) ===
'''Duncan Index:''' медиана ≈ 0.272, IQR [0.271–0.273]

'''[[Gini Coefficient]]:''' медиана ≈ 0.836, IQR [0.835–0.837]

Богатые сильно ценят качество, бедные умеренно чувствительны к цене.
Это приводит к наибольшей сегрегации — богатые концентрируются в высококачественных районах, вытесняя бедных в периферийные зоны. Неравенство также высоко, но не максимальное — бедные всё ещё получают некоторую полезность.

==== Вывод для Шага 1 ====

При высоком приоритете качества у богатых сегрегация достигает максимума. Город разделяется на «богатые» и «бедные» районы. Альтернативные стратегии (например, снижение требований богатых) могут уменьшить поляризацию.

=== Шаг 2 эксперимента (Сценарий B: rich=0.2, poor=0.5) ===
'''Duncan Index:''' медиана ≈ 0.271, IQR [0.270–0.272]

'''Gini Coefficient:''' медиана ≈ 0.837, IQR [0.836–0.838]

Богатые почти не обращают внимания на качество, бедные умеренно чувствительны к цене.
Сегрегация немного снижается, но неравенство остаётся высоким. Это говорит о том, что рассеивание богатых по городу не устраняет неравенство — бедные всё ещё ограничены ценой.

'''Вывод для Шага 2'''

Снижение требований богатых к качеству уменьшает пространственную сегрегацию, но не влияет на социальное неравенство. Цена остаётся ключевым фактором, определяющим доступ к ресурсам.

=== Шаг 3 эксперимента (Сценарий C: rich=0.5, poor=0.8) ===
'''Duncan Index:''' медиана ≈ 0.271, IQR [0.270–0.272]

'''Gini Coefficient:''' медиана ≈ 0.840, IQR [0.839–0.841]

Богатые умеренно ценят качество, бедные очень чувствительны к цене.
Сегрегация остаётся на среднем уровне, но неравенство растёт — бедные вынуждены жить в самых дешёвых районах, что усиливает разрыв в полезности.

'''Вывод для Шага 3'''

Высокая чувствительность бедных к цене усиливает неравенство, даже если богатые не требуют высокого качества. Это показывает, что экономическая политика, направленная на снижение ценовой чувствительности бедных, может быть эффективнее, чем регулирование поведения богатых.

=== Шаг 4 эксперимента (Сценарий D: rich=0.5, poor=0.2) ===
'''[[Duncan Index]]:''' медиана ≈ 0.270, IQR [0.269–0.271]

'''[[Gini Coefficient]]:''' медиана ≈ 0.841, IQR [0.840–0.842]

Богатые умеренно ценят качество, бедные почти не реагируют на цену.
Сегрегация минимальна — группы смешиваются. Однако неравенство достигает максимума — бедные теперь живут в хороших районах, но их полезность всё ещё ниже, чем у богатых.

'''Вывод для Шага 4'''

При снижении ценовой чувствительности бедных сегрегация исчезает, но неравенство растёт. Это означает, что смешанные районы не равны справедливым — если бедные не получают дополнительных ресурсов, они будут жить рядом с богатыми, но оставаться менее выгодными.

===Главный вывод===
Изменение приоритетов агентов напрямую формирует структуру городского пространства. Богатые, которые сильно ценят качество, создают элитные анклавы, вытесняя бедных в периферийные районы. Бедные, чувствительные к цене, усиливают сегрегацию, выбирая самые дешёвые зоны. Однако если бедные перестают реагировать на цену, сегрегация исчезает — но неравенство растёт, потому что они получают выгоду, но всё ещё отстают от богатых.

Это означает, что:

* [[Сегрегация]] — результат рационального выбора, а не случайности: агенты оптимизируют свою полезность на основе приоритетов.
* Цена — более мощный фактор, чем качество: снижение ценовой чувствительности бедных сильнее влияет на сегрегацию, чем требования богатых.
* Смешанные районы ≠ справедливость: даже при отсутствии пространственного разделения неравенство может быть выше, если бедные не получают дополнительных ресурсов.

В реальном мире это объясняет, почему программы доступного жилья или субсидий могут снижать сегрегацию, но не гарантируют социального равенства — для этого нужны дополнительные механизмы перераспределения выгоды.

===Заключение===
Модель городской сегрегации демонстрирует, что пространственное разделение богатых и бедных — не следствие дискриминации или предвзятости, а естественный результат экономических предпочтений агентов. Когда богатые максимизируют качество, а бедные — минимизируют цену, город автоматически разделяется. Но если изменить эти приоритеты (например, через политику доступности), можно достичь более смешанной структуры.

Этот вывод имеет прямое отношение к современной урбанистике, социальной политике и планированию городов. Он показывает, что для создания справедливых городов недостаточно просто «смешивать» группы — необходимо менять условия, при которых бедные принимают решения, чтобы они могли конкурировать на равных, не теряя в полезности.

== ЭКСПЕРИМЕНТ 2 ==
--[[Участник:KryuchkovSR|KryuchkovSR]] ([[Обсуждение участника:KryuchkovSR|обсуждение]]) 22:58, 25 декабря 2025 (MSK)

'''Гипотеза:''' увеличение веса значения ''"death-rate"'' приводит к падению средней цены жилья ''"mean(price)"'' в общем и "mean(price) только в заселённых районах".

{{#widget:Google Spreadsheet
|key=e/2PACX-1vSjSsZDm8SQd9HXDPxlaCx4b5aY-1Jdt456JB9XK8Xy4w4OtPXfAlu3-Wp4mUS2OkWERCIRhSwZlXu0
|width=800
|height=400
}}

'''Цель эксперимента:'''
Исследовать, как частота смертей влияет на среднюю цену в городе в общем, а также в местах, которые уже заселены, а не просто находятся на карте и пустуют.

'''Условия эксперимента:'''

1. death-rate = 4, 7, 10, 13.

2. rich-per-step = 5, poor-per-step = 5.

3. Остальные поля по умолчанию.

4. Шагов: 2000.

'''Настройки эксперимента в NetLogo'''

[[Файл:Эксперимент.png|600px]]

В данном эксперименте я получаю данные сразу для всех 4 значений death-rate (4, 7, 10, 13), а также получаю:
* '''mean [price] of patches''' - средний уровень цен по всему пространству
* '''mean [price] of patches with [any? turtles-here]''' - средний уровень цен только в заселённых районах

=== Шаг 1 эксперимента (death-rate = 4): ===
''"mean price"'' = 4: медиана ≈ 45.7 
''"mean price lived area"'' = 4: медиана ≈ 50.7

[[Файл:Bp4.png|450px]] [[Файл:Bplive4.png|450px]]

При низкой смертности система стабильно развивается: общая средняя цена растёт медленно, но уверенно. Средняя цена на заселённых участках растёт ещё медленнее — это говорит о том, что агенты (особенно богатые) активно «выбирают» и «поднимают» цены в своих районах, но общее пространство (включая пустые зоны) растёт быстрее.

[[Файл:CodapMP4.png|450px]]
[[Файл:CodapMP4live.png|450px]]

==== Вывод для Шага 1: ====
При низкой смертности система стабильна, но сегрегирована: богатые агенты создают «горячие точки» высоких цен, в то время как общая средняя цена растёт за счёт расширения рынка. Это подтверждает, что низкая смертность позволяет агентам формировать устойчивые «элитные» районы, повышая локальную цену, но не влияя сильно на общую динамику.

=== Шаг 2 эксперимента (death-rate = 7): ===
mean price = 7: медиана ≈ 43.8 
mean price lived area = 7: медиана ≈ 60.9

[[Файл:MP7.png|280px]]
[[Файл:MP7live.png|280px]]

При средней смертности общий рост цен замедляется, но цена на заселённых участках растёт быстрее — это ''парадокс''! 

'''Объяснение:''' при большей смертности агенты живут короче → меньше времени на «закрепление» в районе → больше перемещений → более частое «обновление» цен в новых местах. Это создаёт эффект «прыжков» цен в новых районах, что увеличивает среднюю цену на заселённых участках, но не влияет на общую среднюю цену (так как много пустых зон).

[[Файл:CodapMP7.png|280px]]
[[Файл:CodapMP7live.png|280px]]

==== Вывод для Шага 2: ====
При средней смертности наблюдается интересный эффект: общая средняя цена растёт медленнее, но цена на заселённых участках — быстрее. Это связано с повышенной мобильностью агентов — они чаще меняют место жительства, «поднимая» цены в новых районах. Это означает, что смертность не снижает цену, а перераспределяет её по городу, создавая временные «горячие точки».

=== Шаг 3 эксперимента (death-rate = 10): ===
mean price = 10: медиана ≈ 44.2 
mean price lived area = 10: медиана ≈ 62.5

[[Файл:MP10.png|450px]]
[[Файл:MP10lived.png|450px]]

При высокой смертности картина схожа с предыдущим сценарием, но разрыв между общей ценой и ценой на заселённых участках ещё больше. Это значит, что агенты всё ещё активно «выбирают» дорогие районы, но их жизнь короче → они не успевают «прижиться» → цены в их районах растут быстро, но не стабильно. Низкий r² для lived area подтверждает высокую волатильность.

[[Файл:CodapMP10.png|450px]]
[[Файл:CodapMP10live.png|450px]]

==== Вывод для Шага 3: ====
При высокой смертности цена на заселённых участках достигает максимума (медиана ~62.3), хотя общая средняя цена растёт медленно. Это говорит о том, что агенты, несмотря на короткую жизнь, продолжают выбирать самые дорогие районы, создавая локальные «пузыри» высоких цен. Однако из-за частой смены места жительства эти пузыри нестабильны — что подтверждается низким r².

=== Шаг 4 эксперимента (death-rate = 13): ===
mean price = 13: медиана ≈ 43 
mean price lived area = 13: медиана ≈ 64.8

[[Файл:MP13.png|450px]]
[[Файл:MP13lived.png|450px]]

При очень высокой смертности общая цена почти не растёт (r² = 0.821 — худший показатель среди всех сценариев). Но цена на заселённых участках — самая высокая (медиана ~64.8) и растёт быстрее всего (+0.003 * step). При этом r² = 0.097 — самый низкий из всех, что означает максимальную нестабильность.

Агенты, живущие очень недолго, не успевают «освоиться» в районе, но при этом выбирают самые дорогие места — возможно, из-за алгоритма выбора (rich-utility), который не учитывает смертность. В результате получается разброс цен: агенты платят высокую цену, умирают — и следующие агенты снова выбирают те же дорогие места.

[[Файл:13.png|450px]]
[[Файл:CodapMP13live.png|450px]]

==== Вывод для Шага 4: ====
При очень высокой смертности цена на заселённых участках достигает пика (~64.8), но система становится максимально нестабильной (r² = 0.097). Это означает, что агенты продолжают выбирать дорогие районы, несмотря на короткую жизнь, создавая кратковременные «цены-пузыри». Общая средняя цена почти не растёт — потому что большинство патчей остаются пустыми. Это подтверждает, что смертность не снижает цену, а усиливает её локализацию и волатильность.

=== Главный вывод ===
Гипотеза — ''не подтвердилась'', а скорее в каком-то плане наоборот была опровергнута, с ростом смертности цена на заселённых участках растёт, а общая средняя цена скорее стабилизируется, чем значительно снижается.

Гипотеза о том, что «смертность снижает цены», оказалась слишком упрощённой: 
* cмертность влияет не на уровень цен, а на их распределение и стабильность.
* цены на заселённых участках растут с ростом смертности, потому что агенты продолжают выбирать дорогие районы.
* система становится всё менее предсказуемой — что может быть даже более важным выводом, чем сама гипотеза.

==== Что показали данные? ====
* Общая средняя цена (mean price) почти не меняется при росте death-rate:
death-rate = 4 → ~45.7 
death-rate = 13 → ~43 
Разница менее 5%, что может быть статистически незначимо

Средняя цена на заселённых участках (mean price lived area) растёт с увеличением смертности:
death-rate = 4 → ~50.7
death-rate = 13 → ~64.8
Рост на 28% - значимым эффект, что может свидетельствовать, что в заселённых районах медианная цена сильно растёт с увеличением смертности.

== ЭКСПЕРИМЕНТ 3 ==
--[[Участник:ZhiltsovES|ZhiltsovES]] ([[Обсуждение участника:ZhiltsovES|обсуждение]])

'''Гипотеза:''' Распределение рабочих мест в дорогих районах создаёт дополнительное преимущество для богатых и увеличивает социальное неравенство

Эксперименты с моделью Urban Suite - Economic Disparity

2026-01-14T01:43:44Z

KryuchkovSR: /* Шаг 3 эксперимента (death-rate = 10): */

== ОПИСАНИЕ МОДЕЛИ ==
{{#ask: [[Economic Disparity]] | ?Description }}

Модель '''Urban Suite - [[Economic Disparity]]''' представляет упрощённую городскую экономическую систему, где агенты с различным социально-экономическим статусом конкурируют за землю в городском пространстве. Модель исследует процессы пространственной сегрегации и формирования экономического неравенства в городской среде. В модели есть фиксированные рабочие места (серые квадраты), распределённые по городской территории. Агенты стремятся минимизировать расстояние до ближайшего места работы.

<netlogo model="EconomicDisparity_ru" />

== ЭКСПЕРИМЕНТ 1 ==
Автор - [[Участник:ZatsepinNA|ZatsepinNA]]

;Гипотеза:
: Изменение весов "rich-quality-priority" и "poor-price-priority" приведёт к разным типам городской сегрегации и уровням неравенства.

{{#widget:Google Spreadsheet
|key=e/2PACX-1vRk7VOFaWAlxN0ytKMtkbgJWSbMGHpp86nC7RAXRDBPfWr69qe54OfgwWHSubyuRTEHHRGYGnBvxWXs
|width=800
|height=400
}}

'''Цель эксперимента:'''
Исследовать, как изменение приоритетов агентов (богатых и бедных) влияет на структуру городского пространства. В частности, нас интересует, как веса параметров rich-quality-priority (насколько богатые ценят качество района) и poor-price-priority (насколько бедные чувствительны к цене) определяют:

* уровень пространственной сегрегации (измеряется [[индекс Дункана|индексом Дункана]] ),
* степень неравенства в распределении полезности (измеряется [[коэффициент Джини|коэффициентом Джини]]),
* среднее расстояние между представителями двух групп,
* разницу в средней полезности между богатыми и бедными.

'''Настройки NetLogo'''
<syntaxhighlight lang="lisp">
;; ========== КОД ДЛЯ ЭКСПЕРИМЕНТОВ ==========

;; Индекс Дункана
to-report duncan-index
let total-rich count rich
let total-poor count poor
if total-rich = 0 or total-poor = 0 [ report 0 ]
let seg-sum 0
ask patches [
let p-rich count rich-here / total-rich
let p-poor count poor-here / total-poor
set seg-sum seg-sum + abs(p-rich - p-poor)
]
report seg-sum / 2
end

;; Среднее расстояние между богатыми и бедными
to-report avg-distance-rich-poor
if count rich = 0 or count poor = 0 [ report 0 ]
let distances []
ask rich [
let closest-poor min [distance myself] of poor
set distances lput closest-poor distances
]
report mean distances
end

to-report utility-diff
let rich-utils [utility-r] of rich with [utility-r > 0]
let poor-utils [utility-p] of poor with [utility-p > 0]
if (length rich-utils = 0 or length poor-utils = 0) [ report 0 ]
let avg-rich mean rich-utils
let avg-poor mean poor-utils
report abs(avg-rich - avg-poor)
end

to-report gini-coefficient [ values ]
if length values <= 1 [ report 0 ]
let valid-values filter [ x -> x > 0 ] values
if length valid-values <= 1 [ report 0 ]
let avg-val mean valid-values
if avg-val = 0 [ report 0 ] ; защита от деления на 0
let sorted sort valid-values
let n length sorted
let gini-sum 0
let cumsum 0
foreach sorted [ val ->
set cumsum cumsum + val
set gini-sum gini-sum + (cumsum - val / 2) / n / avg-val
]
report 1 - gini-sum / n
end

;; Создать CSV файл
to create-csv [exp-name]
let path (word "C:/Users/User/Desktop/" exp-name ".csv")
file-open path
file-print "run,ticks,rich_count,poor_count,duncan_index,avg_distance,utility_diff,gini_coefficient"
file-close
end

to write-line [exp-name]
let path (word "C:/Users/User/Desktop/" exp-name ".csv")

;; Берём только агентов с ненулевой полезностью
let rich-utils [utility-r] of rich with [utility-r > 0]
let poor-utils [utility-p] of poor with [utility-p > 0]
let all-utils sentence rich-utils poor-utils

;; Если нет данных — ставим 0
let gini-val ifelse-value (length all-utils > 1) [
gini-coefficient all-utils
] [ 0 ]

file-open path
file-print (word
run-number ","
ticks ","
count rich ","
count poor ","
duncan-index ","
avg-distance-rich-poor ","
utility-diff ","
gini-val
)
file-close
end

;; Процедура для одного прогона
to run-single-run [exp-name rich-val poor-val]
set rich-quality-priority rich-val
set poor-price-priority poor-val
setup
repeat 2000 [
go
]
write-line exp-name
end

;; Процедура для 30 прогонов
to run-experiment [exp-name rich-val poor-val]
set experiment-name exp-name
create-csv exp-name
set run-number 0
repeat 30 [
set run-number run-number + 1
run-single-run exp-name rich-val poor-val
print (word "Прогон " run-number " из 30 завершен.")
]
print (word "Эксперимент " exp-name " ЗАВЕРШЕН!")
end

;; === КНОПКИ ИНТЕРФЕЙСА ===

to experiment-1
run-experiment "exp1_08_05" 0.8 0.5
end

to experiment-2
run-experiment "exp2_02_05" 0.2 0.5
end

to experiment-3
run-experiment "exp3_05_08" 0.5 0.8
end

to experiment-4
run-experiment "exp4_05_02" 0.5 0.2
end
</syntaxhighlight>

Для реализации эксперимента в исходный код модели были добавлены следующие процедуры:
* [[duncan-index]] — для расчёта индекса сегрегации,
* avg-distance-rich-poor — для измерения среднего расстояния между богатыми и бедными,
* utility-diff — для вычисления разницы в средней полезности между группами,
* [[gini-coefficient]] — для оценки уровня неравенства,
* run-experiment — для автоматического запуска 30 прогонов каждого сценария и записи результатов в [[CSV]]-файл.

Каждый прогон выполняется в течение 2000 тиков, после чего фиксируются итоговые значения метрик. Данная модификация позволила собрать репрезентативный датасет для сравнения сценариев.

[[Файл:Графики.jpg|600px|центр]]

Эксперимент проводился при четырёх комбинациях параметров rich-quality-priority и poor-price-priority, фиксированных системных настройках (residents-per-job = 100, number-of-tests = 30, max-jobs = 10, death-rate = 4, poor-per-step = 5, rich-per-step = 5) и на протяжении 2000 тиков. Данные были собраны для 30 независимых повторов на каждый сценарий.

====Анализ графиков (Шаг 1–4)====

На каждом графике:
*Ось X: сценарий (A, B, C, D)
*Ось Y(слева): значение индекса Дункана
*Ось Y(справа): значение коэффициента Джини
*Коробки (box plot) — показывают распределение результатов (медиана, IQR)
*Точки — отдельные прогоны (30 на сценарий)
=== Шаг 1 эксперимента (Сценарий A: rich=0.8, poor=0.5) ===
'''Duncan Index:''' медиана ≈ 0.272, IQR [0.271–0.273]

'''[[Gini Coefficient]]:''' медиана ≈ 0.836, IQR [0.835–0.837]

Богатые сильно ценят качество, бедные умеренно чувствительны к цене.
Это приводит к наибольшей сегрегации — богатые концентрируются в высококачественных районах, вытесняя бедных в периферийные зоны. Неравенство также высоко, но не максимальное — бедные всё ещё получают некоторую полезность.

==== Вывод для Шага 1 ====

При высоком приоритете качества у богатых сегрегация достигает максимума. Город разделяется на «богатые» и «бедные» районы. Альтернативные стратегии (например, снижение требований богатых) могут уменьшить поляризацию.

=== Шаг 2 эксперимента (Сценарий B: rich=0.2, poor=0.5) ===
'''Duncan Index:''' медиана ≈ 0.271, IQR [0.270–0.272]

'''Gini Coefficient:''' медиана ≈ 0.837, IQR [0.836–0.838]

Богатые почти не обращают внимания на качество, бедные умеренно чувствительны к цене.
Сегрегация немного снижается, но неравенство остаётся высоким. Это говорит о том, что рассеивание богатых по городу не устраняет неравенство — бедные всё ещё ограничены ценой.

'''Вывод для Шага 2'''

Снижение требований богатых к качеству уменьшает пространственную сегрегацию, но не влияет на социальное неравенство. Цена остаётся ключевым фактором, определяющим доступ к ресурсам.

=== Шаг 3 эксперимента (Сценарий C: rich=0.5, poor=0.8) ===
'''Duncan Index:''' медиана ≈ 0.271, IQR [0.270–0.272]

'''Gini Coefficient:''' медиана ≈ 0.840, IQR [0.839–0.841]

Богатые умеренно ценят качество, бедные очень чувствительны к цене.
Сегрегация остаётся на среднем уровне, но неравенство растёт — бедные вынуждены жить в самых дешёвых районах, что усиливает разрыв в полезности.

'''Вывод для Шага 3'''

Высокая чувствительность бедных к цене усиливает неравенство, даже если богатые не требуют высокого качества. Это показывает, что экономическая политика, направленная на снижение ценовой чувствительности бедных, может быть эффективнее, чем регулирование поведения богатых.

=== Шаг 4 эксперимента (Сценарий D: rich=0.5, poor=0.2) ===
'''[[Duncan Index]]:''' медиана ≈ 0.270, IQR [0.269–0.271]

'''[[Gini Coefficient]]:''' медиана ≈ 0.841, IQR [0.840–0.842]

Богатые умеренно ценят качество, бедные почти не реагируют на цену.
Сегрегация минимальна — группы смешиваются. Однако неравенство достигает максимума — бедные теперь живут в хороших районах, но их полезность всё ещё ниже, чем у богатых.

'''Вывод для Шага 4'''

При снижении ценовой чувствительности бедных сегрегация исчезает, но неравенство растёт. Это означает, что смешанные районы не равны справедливым — если бедные не получают дополнительных ресурсов, они будут жить рядом с богатыми, но оставаться менее выгодными.

===Главный вывод===
Изменение приоритетов агентов напрямую формирует структуру городского пространства. Богатые, которые сильно ценят качество, создают элитные анклавы, вытесняя бедных в периферийные районы. Бедные, чувствительные к цене, усиливают сегрегацию, выбирая самые дешёвые зоны. Однако если бедные перестают реагировать на цену, сегрегация исчезает — но неравенство растёт, потому что они получают выгоду, но всё ещё отстают от богатых.

Это означает, что:

* [[Сегрегация]] — результат рационального выбора, а не случайности: агенты оптимизируют свою полезность на основе приоритетов.
* Цена — более мощный фактор, чем качество: снижение ценовой чувствительности бедных сильнее влияет на сегрегацию, чем требования богатых.
* Смешанные районы ≠ справедливость: даже при отсутствии пространственного разделения неравенство может быть выше, если бедные не получают дополнительных ресурсов.

В реальном мире это объясняет, почему программы доступного жилья или субсидий могут снижать сегрегацию, но не гарантируют социального равенства — для этого нужны дополнительные механизмы перераспределения выгоды.

===Заключение===
Модель городской сегрегации демонстрирует, что пространственное разделение богатых и бедных — не следствие дискриминации или предвзятости, а естественный результат экономических предпочтений агентов. Когда богатые максимизируют качество, а бедные — минимизируют цену, город автоматически разделяется. Но если изменить эти приоритеты (например, через политику доступности), можно достичь более смешанной структуры.

Этот вывод имеет прямое отношение к современной урбанистике, социальной политике и планированию городов. Он показывает, что для создания справедливых городов недостаточно просто «смешивать» группы — необходимо менять условия, при которых бедные принимают решения, чтобы они могли конкурировать на равных, не теряя в полезности.

== ЭКСПЕРИМЕНТ 2 ==
--[[Участник:KryuchkovSR|KryuchkovSR]] ([[Обсуждение участника:KryuchkovSR|обсуждение]]) 22:58, 25 декабря 2025 (MSK)

'''Гипотеза:''' увеличение веса значения ''"death-rate"'' приводит к падению средней цены жилья ''"mean(price)"'' в общем и "mean(price) только в заселённых районах".

{{#widget:Google Spreadsheet
|key=e/2PACX-1vSjSsZDm8SQd9HXDPxlaCx4b5aY-1Jdt456JB9XK8Xy4w4OtPXfAlu3-Wp4mUS2OkWERCIRhSwZlXu0
|width=800
|height=400
}}

'''Цель эксперимента:'''
Исследовать, как частота смертей влияет на среднюю цену в городе в общем, а также в местах, которые уже заселены, а не просто находятся на карте и пустуют.

'''Условия эксперимента:'''

1. death-rate = 4, 7, 10, 13.

2. rich-per-step = 5, poor-per-step = 5.

3. Остальные поля по умолчанию.

4. Шагов: 2000.

'''Настройки эксперимента в NetLogo'''

[[Файл:Эксперимент.png|600px]]

В данном эксперименте я получаю данные сразу для всех 4 значений death-rate (4, 7, 10, 13), а также получаю:
* '''mean [price] of patches''' - средний уровень цен по всему пространству
* '''mean [price] of patches with [any? turtles-here]''' - средний уровень цен только в заселённых районах

=== Шаг 1 эксперимента (death-rate = 4): ===
''"mean price"'' = 4: медиана ≈ 45.7 
''"mean price lived area"'' = 4: медиана ≈ 50.7

[[Файл:Bp4.png|280px]] [[Файл:Bplive4.png|280px]]

При низкой смертности система стабильно развивается: общая средняя цена растёт медленно, но уверенно. Средняя цена на заселённых участках растёт ещё медленнее — это говорит о том, что агенты (особенно богатые) активно «выбирают» и «поднимают» цены в своих районах, но общее пространство (включая пустые зоны) растёт быстрее.

[[Файл:CodapMP4.png|280px]]
[[Файл:CodapMP4live.png|280px]]

==== Вывод для Шага 1: ====
При низкой смертности система стабильна, но сегрегирована: богатые агенты создают «горячие точки» высоких цен, в то время как общая средняя цена растёт за счёт расширения рынка. Это подтверждает, что низкая смертность позволяет агентам формировать устойчивые «элитные» районы, повышая локальную цену, но не влияя сильно на общую динамику.

=== Шаг 2 эксперимента (death-rate = 7): ===
mean price = 7: медиана ≈ 43.8 
mean price lived area = 7: медиана ≈ 60.9

[[Файл:MP7.png|280px]]
[[Файл:MP7live.png|280px]]

При средней смертности общий рост цен замедляется, но цена на заселённых участках растёт быстрее — это ''парадокс''! 

'''Объяснение:''' при большей смертности агенты живут короче → меньше времени на «закрепление» в районе → больше перемещений → более частое «обновление» цен в новых местах. Это создаёт эффект «прыжков» цен в новых районах, что увеличивает среднюю цену на заселённых участках, но не влияет на общую среднюю цену (так как много пустых зон).

[[Файл:CodapMP7.png|280px]]
[[Файл:CodapMP7live.png|280px]]

==== Вывод для Шага 2: ====
При средней смертности наблюдается интересный эффект: общая средняя цена растёт медленнее, но цена на заселённых участках — быстрее. Это связано с повышенной мобильностью агентов — они чаще меняют место жительства, «поднимая» цены в новых районах. Это означает, что смертность не снижает цену, а перераспределяет её по городу, создавая временные «горячие точки».

=== Шаг 3 эксперимента (death-rate = 10): ===
mean price = 10: медиана ≈ 44.2 
mean price lived area = 10: медиана ≈ 62.5

[[Файл:MP10.png|450px]]
[[Файл:MP10lived.png|450px]]

При высокой смертности картина схожа с предыдущим сценарием, но разрыв между общей ценой и ценой на заселённых участках ещё больше. Это значит, что агенты всё ещё активно «выбирают» дорогие районы, но их жизнь короче → они не успевают «прижиться» → цены в их районах растут быстро, но не стабильно. Низкий r² для lived area подтверждает высокую волатильность.

[[Файл:CodapMP10.png|450px]]
[[Файл:CodapMP10live.png|450px]]

==== Вывод для Шага 3: ====
При высокой смертности цена на заселённых участках достигает максимума (медиана ~62.3), хотя общая средняя цена растёт медленно. Это говорит о том, что агенты, несмотря на короткую жизнь, продолжают выбирать самые дорогие районы, создавая локальные «пузыри» высоких цен. Однако из-за частой смены места жительства эти пузыри нестабильны — что подтверждается низким r².

=== Шаг 4 эксперимента (death-rate = 13): ===
mean price = 13: медиана ≈ 43 
mean price lived area = 13: медиана ≈ 64.8

[[Файл:MP13.png|450px]]
[[Файл:MP13lived.png|450px]]

При очень высокой смертности общая цена почти не растёт (r² = 0.821 — худший показатель среди всех сценариев). Но цена на заселённых участках — самая высокая (медиана ~64.8) и растёт быстрее всего (+0.003 * step). При этом r² = 0.097 — самый низкий из всех, что означает максимальную нестабильность.

Агенты, живущие очень недолго, не успевают «освоиться» в районе, но при этом выбирают самые дорогие места — возможно, из-за алгоритма выбора (rich-utility), который не учитывает смертность. В результате получается разброс цен: агенты платят высокую цену, умирают — и следующие агенты снова выбирают те же дорогие места.

[[Файл:13.png|450px]]
[[Файл:CodapMP13live.png|450px]]

==== Вывод для Шага 4: ====
При очень высокой смертности цена на заселённых участках достигает пика (~64.8), но система становится максимально нестабильной (r² = 0.097). Это означает, что агенты продолжают выбирать дорогие районы, несмотря на короткую жизнь, создавая кратковременные «цены-пузыри». Общая средняя цена почти не растёт — потому что большинство патчей остаются пустыми. Это подтверждает, что смертность не снижает цену, а усиливает её локализацию и волатильность.

=== Главный вывод ===
Гипотеза — ''не подтвердилась'', а скорее в каком-то плане наоборот была опровергнута, с ростом смертности цена на заселённых участках растёт, а общая средняя цена скорее стабилизируется, чем значительно снижается.

Гипотеза о том, что «смертность снижает цены», оказалась слишком упрощённой: 
* cмертность влияет не на уровень цен, а на их распределение и стабильность.
* цены на заселённых участках растут с ростом смертности, потому что агенты продолжают выбирать дорогие районы.
* система становится всё менее предсказуемой — что может быть даже более важным выводом, чем сама гипотеза.

==== Что показали данные? ====
* Общая средняя цена (mean price) почти не меняется при росте death-rate:
death-rate = 4 → ~45.7 
death-rate = 13 → ~43 
Разница менее 5%, что может быть статистически незначимо

Средняя цена на заселённых участках (mean price lived area) растёт с увеличением смертности:
death-rate = 4 → ~50.7
death-rate = 13 → ~64.8
Рост на 28% - значимым эффект, что может свидетельствовать, что в заселённых районах медианная цена сильно растёт с увеличением смертности.

== ЭКСПЕРИМЕНТ 3 ==
--[[Участник:ZhiltsovES|ZhiltsovES]] ([[Обсуждение участника:ZhiltsovES|обсуждение]])

'''Гипотеза:''' Распределение рабочих мест в дорогих районах создаёт дополнительное преимущество для богатых и увеличивает социальное неравенство

Эксперименты с моделью Urban Suite - Economic Disparity

2026-01-14T01:42:53Z

KryuchkovSR: /* Шаг 4 эксперимента (death-rate = 13): */

== ОПИСАНИЕ МОДЕЛИ ==
{{#ask: [[Economic Disparity]] | ?Description }}

Модель '''Urban Suite - [[Economic Disparity]]''' представляет упрощённую городскую экономическую систему, где агенты с различным социально-экономическим статусом конкурируют за землю в городском пространстве. Модель исследует процессы пространственной сегрегации и формирования экономического неравенства в городской среде. В модели есть фиксированные рабочие места (серые квадраты), распределённые по городской территории. Агенты стремятся минимизировать расстояние до ближайшего места работы.

<netlogo model="EconomicDisparity_ru" />

== ЭКСПЕРИМЕНТ 1 ==
Автор - [[Участник:ZatsepinNA|ZatsepinNA]]

;Гипотеза:
: Изменение весов "rich-quality-priority" и "poor-price-priority" приведёт к разным типам городской сегрегации и уровням неравенства.

{{#widget:Google Spreadsheet
|key=e/2PACX-1vRk7VOFaWAlxN0ytKMtkbgJWSbMGHpp86nC7RAXRDBPfWr69qe54OfgwWHSubyuRTEHHRGYGnBvxWXs
|width=800
|height=400
}}

'''Цель эксперимента:'''
Исследовать, как изменение приоритетов агентов (богатых и бедных) влияет на структуру городского пространства. В частности, нас интересует, как веса параметров rich-quality-priority (насколько богатые ценят качество района) и poor-price-priority (насколько бедные чувствительны к цене) определяют:

* уровень пространственной сегрегации (измеряется [[индекс Дункана|индексом Дункана]] ),
* степень неравенства в распределении полезности (измеряется [[коэффициент Джини|коэффициентом Джини]]),
* среднее расстояние между представителями двух групп,
* разницу в средней полезности между богатыми и бедными.

'''Настройки NetLogo'''
<syntaxhighlight lang="lisp">
;; ========== КОД ДЛЯ ЭКСПЕРИМЕНТОВ ==========

;; Индекс Дункана
to-report duncan-index
let total-rich count rich
let total-poor count poor
if total-rich = 0 or total-poor = 0 [ report 0 ]
let seg-sum 0
ask patches [
let p-rich count rich-here / total-rich
let p-poor count poor-here / total-poor
set seg-sum seg-sum + abs(p-rich - p-poor)
]
report seg-sum / 2
end

;; Среднее расстояние между богатыми и бедными
to-report avg-distance-rich-poor
if count rich = 0 or count poor = 0 [ report 0 ]
let distances []
ask rich [
let closest-poor min [distance myself] of poor
set distances lput closest-poor distances
]
report mean distances
end

to-report utility-diff
let rich-utils [utility-r] of rich with [utility-r > 0]
let poor-utils [utility-p] of poor with [utility-p > 0]
if (length rich-utils = 0 or length poor-utils = 0) [ report 0 ]
let avg-rich mean rich-utils
let avg-poor mean poor-utils
report abs(avg-rich - avg-poor)
end

to-report gini-coefficient [ values ]
if length values <= 1 [ report 0 ]
let valid-values filter [ x -> x > 0 ] values
if length valid-values <= 1 [ report 0 ]
let avg-val mean valid-values
if avg-val = 0 [ report 0 ] ; защита от деления на 0
let sorted sort valid-values
let n length sorted
let gini-sum 0
let cumsum 0
foreach sorted [ val ->
set cumsum cumsum + val
set gini-sum gini-sum + (cumsum - val / 2) / n / avg-val
]
report 1 - gini-sum / n
end

;; Создать CSV файл
to create-csv [exp-name]
let path (word "C:/Users/User/Desktop/" exp-name ".csv")
file-open path
file-print "run,ticks,rich_count,poor_count,duncan_index,avg_distance,utility_diff,gini_coefficient"
file-close
end

to write-line [exp-name]
let path (word "C:/Users/User/Desktop/" exp-name ".csv")

;; Берём только агентов с ненулевой полезностью
let rich-utils [utility-r] of rich with [utility-r > 0]
let poor-utils [utility-p] of poor with [utility-p > 0]
let all-utils sentence rich-utils poor-utils

;; Если нет данных — ставим 0
let gini-val ifelse-value (length all-utils > 1) [
gini-coefficient all-utils
] [ 0 ]

file-open path
file-print (word
run-number ","
ticks ","
count rich ","
count poor ","
duncan-index ","
avg-distance-rich-poor ","
utility-diff ","
gini-val
)
file-close
end

;; Процедура для одного прогона
to run-single-run [exp-name rich-val poor-val]
set rich-quality-priority rich-val
set poor-price-priority poor-val
setup
repeat 2000 [
go
]
write-line exp-name
end

;; Процедура для 30 прогонов
to run-experiment [exp-name rich-val poor-val]
set experiment-name exp-name
create-csv exp-name
set run-number 0
repeat 30 [
set run-number run-number + 1
run-single-run exp-name rich-val poor-val
print (word "Прогон " run-number " из 30 завершен.")
]
print (word "Эксперимент " exp-name " ЗАВЕРШЕН!")
end

;; === КНОПКИ ИНТЕРФЕЙСА ===

to experiment-1
run-experiment "exp1_08_05" 0.8 0.5
end

to experiment-2
run-experiment "exp2_02_05" 0.2 0.5
end

to experiment-3
run-experiment "exp3_05_08" 0.5 0.8
end

to experiment-4
run-experiment "exp4_05_02" 0.5 0.2
end
</syntaxhighlight>

Для реализации эксперимента в исходный код модели были добавлены следующие процедуры:
* [[duncan-index]] — для расчёта индекса сегрегации,
* avg-distance-rich-poor — для измерения среднего расстояния между богатыми и бедными,
* utility-diff — для вычисления разницы в средней полезности между группами,
* [[gini-coefficient]] — для оценки уровня неравенства,
* run-experiment — для автоматического запуска 30 прогонов каждого сценария и записи результатов в [[CSV]]-файл.

Каждый прогон выполняется в течение 2000 тиков, после чего фиксируются итоговые значения метрик. Данная модификация позволила собрать репрезентативный датасет для сравнения сценариев.

[[Файл:Графики.jpg|600px|центр]]

Эксперимент проводился при четырёх комбинациях параметров rich-quality-priority и poor-price-priority, фиксированных системных настройках (residents-per-job = 100, number-of-tests = 30, max-jobs = 10, death-rate = 4, poor-per-step = 5, rich-per-step = 5) и на протяжении 2000 тиков. Данные были собраны для 30 независимых повторов на каждый сценарий.

====Анализ графиков (Шаг 1–4)====

На каждом графике:
*Ось X: сценарий (A, B, C, D)
*Ось Y(слева): значение индекса Дункана
*Ось Y(справа): значение коэффициента Джини
*Коробки (box plot) — показывают распределение результатов (медиана, IQR)
*Точки — отдельные прогоны (30 на сценарий)
=== Шаг 1 эксперимента (Сценарий A: rich=0.8, poor=0.5) ===
'''Duncan Index:''' медиана ≈ 0.272, IQR [0.271–0.273]

'''[[Gini Coefficient]]:''' медиана ≈ 0.836, IQR [0.835–0.837]

Богатые сильно ценят качество, бедные умеренно чувствительны к цене.
Это приводит к наибольшей сегрегации — богатые концентрируются в высококачественных районах, вытесняя бедных в периферийные зоны. Неравенство также высоко, но не максимальное — бедные всё ещё получают некоторую полезность.

==== Вывод для Шага 1 ====

При высоком приоритете качества у богатых сегрегация достигает максимума. Город разделяется на «богатые» и «бедные» районы. Альтернативные стратегии (например, снижение требований богатых) могут уменьшить поляризацию.

=== Шаг 2 эксперимента (Сценарий B: rich=0.2, poor=0.5) ===
'''Duncan Index:''' медиана ≈ 0.271, IQR [0.270–0.272]

'''Gini Coefficient:''' медиана ≈ 0.837, IQR [0.836–0.838]

Богатые почти не обращают внимания на качество, бедные умеренно чувствительны к цене.
Сегрегация немного снижается, но неравенство остаётся высоким. Это говорит о том, что рассеивание богатых по городу не устраняет неравенство — бедные всё ещё ограничены ценой.

'''Вывод для Шага 2'''

Снижение требований богатых к качеству уменьшает пространственную сегрегацию, но не влияет на социальное неравенство. Цена остаётся ключевым фактором, определяющим доступ к ресурсам.

=== Шаг 3 эксперимента (Сценарий C: rich=0.5, poor=0.8) ===
'''Duncan Index:''' медиана ≈ 0.271, IQR [0.270–0.272]

'''Gini Coefficient:''' медиана ≈ 0.840, IQR [0.839–0.841]

Богатые умеренно ценят качество, бедные очень чувствительны к цене.
Сегрегация остаётся на среднем уровне, но неравенство растёт — бедные вынуждены жить в самых дешёвых районах, что усиливает разрыв в полезности.

'''Вывод для Шага 3'''

Высокая чувствительность бедных к цене усиливает неравенство, даже если богатые не требуют высокого качества. Это показывает, что экономическая политика, направленная на снижение ценовой чувствительности бедных, может быть эффективнее, чем регулирование поведения богатых.

=== Шаг 4 эксперимента (Сценарий D: rich=0.5, poor=0.2) ===
'''[[Duncan Index]]:''' медиана ≈ 0.270, IQR [0.269–0.271]

'''[[Gini Coefficient]]:''' медиана ≈ 0.841, IQR [0.840–0.842]

Богатые умеренно ценят качество, бедные почти не реагируют на цену.
Сегрегация минимальна — группы смешиваются. Однако неравенство достигает максимума — бедные теперь живут в хороших районах, но их полезность всё ещё ниже, чем у богатых.

'''Вывод для Шага 4'''

При снижении ценовой чувствительности бедных сегрегация исчезает, но неравенство растёт. Это означает, что смешанные районы не равны справедливым — если бедные не получают дополнительных ресурсов, они будут жить рядом с богатыми, но оставаться менее выгодными.

===Главный вывод===
Изменение приоритетов агентов напрямую формирует структуру городского пространства. Богатые, которые сильно ценят качество, создают элитные анклавы, вытесняя бедных в периферийные районы. Бедные, чувствительные к цене, усиливают сегрегацию, выбирая самые дешёвые зоны. Однако если бедные перестают реагировать на цену, сегрегация исчезает — но неравенство растёт, потому что они получают выгоду, но всё ещё отстают от богатых.

Это означает, что:

* [[Сегрегация]] — результат рационального выбора, а не случайности: агенты оптимизируют свою полезность на основе приоритетов.
* Цена — более мощный фактор, чем качество: снижение ценовой чувствительности бедных сильнее влияет на сегрегацию, чем требования богатых.
* Смешанные районы ≠ справедливость: даже при отсутствии пространственного разделения неравенство может быть выше, если бедные не получают дополнительных ресурсов.

В реальном мире это объясняет, почему программы доступного жилья или субсидий могут снижать сегрегацию, но не гарантируют социального равенства — для этого нужны дополнительные механизмы перераспределения выгоды.

===Заключение===
Модель городской сегрегации демонстрирует, что пространственное разделение богатых и бедных — не следствие дискриминации или предвзятости, а естественный результат экономических предпочтений агентов. Когда богатые максимизируют качество, а бедные — минимизируют цену, город автоматически разделяется. Но если изменить эти приоритеты (например, через политику доступности), можно достичь более смешанной структуры.

Этот вывод имеет прямое отношение к современной урбанистике, социальной политике и планированию городов. Он показывает, что для создания справедливых городов недостаточно просто «смешивать» группы — необходимо менять условия, при которых бедные принимают решения, чтобы они могли конкурировать на равных, не теряя в полезности.

== ЭКСПЕРИМЕНТ 2 ==
--[[Участник:KryuchkovSR|KryuchkovSR]] ([[Обсуждение участника:KryuchkovSR|обсуждение]]) 22:58, 25 декабря 2025 (MSK)

'''Гипотеза:''' увеличение веса значения ''"death-rate"'' приводит к падению средней цены жилья ''"mean(price)"'' в общем и "mean(price) только в заселённых районах".

{{#widget:Google Spreadsheet
|key=e/2PACX-1vSjSsZDm8SQd9HXDPxlaCx4b5aY-1Jdt456JB9XK8Xy4w4OtPXfAlu3-Wp4mUS2OkWERCIRhSwZlXu0
|width=800
|height=400
}}

'''Цель эксперимента:'''
Исследовать, как частота смертей влияет на среднюю цену в городе в общем, а также в местах, которые уже заселены, а не просто находятся на карте и пустуют.

'''Условия эксперимента:'''

1. death-rate = 4, 7, 10, 13.

2. rich-per-step = 5, poor-per-step = 5.

3. Остальные поля по умолчанию.

4. Шагов: 2000.

'''Настройки эксперимента в NetLogo'''

[[Файл:Эксперимент.png|600px]]

В данном эксперименте я получаю данные сразу для всех 4 значений death-rate (4, 7, 10, 13), а также получаю:
* '''mean [price] of patches''' - средний уровень цен по всему пространству
* '''mean [price] of patches with [any? turtles-here]''' - средний уровень цен только в заселённых районах

=== Шаг 1 эксперимента (death-rate = 4): ===
''"mean price"'' = 4: медиана ≈ 45.7 
''"mean price lived area"'' = 4: медиана ≈ 50.7

[[Файл:Bp4.png|280px]] [[Файл:Bplive4.png|280px]]

При низкой смертности система стабильно развивается: общая средняя цена растёт медленно, но уверенно. Средняя цена на заселённых участках растёт ещё медленнее — это говорит о том, что агенты (особенно богатые) активно «выбирают» и «поднимают» цены в своих районах, но общее пространство (включая пустые зоны) растёт быстрее.

[[Файл:CodapMP4.png|280px]]
[[Файл:CodapMP4live.png|280px]]

==== Вывод для Шага 1: ====
При низкой смертности система стабильна, но сегрегирована: богатые агенты создают «горячие точки» высоких цен, в то время как общая средняя цена растёт за счёт расширения рынка. Это подтверждает, что низкая смертность позволяет агентам формировать устойчивые «элитные» районы, повышая локальную цену, но не влияя сильно на общую динамику.

=== Шаг 2 эксперимента (death-rate = 7): ===
mean price = 7: медиана ≈ 43.8 
mean price lived area = 7: медиана ≈ 60.9

[[Файл:MP7.png|280px]]
[[Файл:MP7live.png|280px]]

При средней смертности общий рост цен замедляется, но цена на заселённых участках растёт быстрее — это ''парадокс''! 

'''Объяснение:''' при большей смертности агенты живут короче → меньше времени на «закрепление» в районе → больше перемещений → более частое «обновление» цен в новых местах. Это создаёт эффект «прыжков» цен в новых районах, что увеличивает среднюю цену на заселённых участках, но не влияет на общую среднюю цену (так как много пустых зон).

[[Файл:CodapMP7.png|280px]]
[[Файл:CodapMP7live.png|280px]]

==== Вывод для Шага 2: ====
При средней смертности наблюдается интересный эффект: общая средняя цена растёт медленнее, но цена на заселённых участках — быстрее. Это связано с повышенной мобильностью агентов — они чаще меняют место жительства, «поднимая» цены в новых районах. Это означает, что смертность не снижает цену, а перераспределяет её по городу, создавая временные «горячие точки».

=== Шаг 3 эксперимента (death-rate = 10): ===
mean price = 10: медиана ≈ 44.2 
mean price lived area = 10: медиана ≈ 62.5

[[Файл:MP10.png|280px]]
[[Файл:MP10lived.png|280px]]

При высокой смертности картина схожа с предыдущим сценарием, но разрыв между общей ценой и ценой на заселённых участках ещё больше. Это значит, что агенты всё ещё активно «выбирают» дорогие районы, но их жизнь короче → они не успевают «прижиться» → цены в их районах растут быстро, но не стабильно. Низкий r² для lived area подтверждает высокую волатильность.

[[Файл:CodapMP10.png|280px]]
[[Файл:CodapMP10live.png|280px]]

==== Вывод для Шага 3: ====
При высокой смертности цена на заселённых участках достигает максимума (медиана ~62.3), хотя общая средняя цена растёт медленно. Это говорит о том, что агенты, несмотря на короткую жизнь, продолжают выбирать самые дорогие районы, создавая локальные «пузыри» высоких цен. Однако из-за частой смены места жительства эти пузыри нестабильны — что подтверждается низким r².

=== Шаг 4 эксперимента (death-rate = 13): ===
mean price = 13: медиана ≈ 43 
mean price lived area = 13: медиана ≈ 64.8

[[Файл:MP13.png|450px]]
[[Файл:MP13lived.png|450px]]

При очень высокой смертности общая цена почти не растёт (r² = 0.821 — худший показатель среди всех сценариев). Но цена на заселённых участках — самая высокая (медиана ~64.8) и растёт быстрее всего (+0.003 * step). При этом r² = 0.097 — самый низкий из всех, что означает максимальную нестабильность.

Агенты, живущие очень недолго, не успевают «освоиться» в районе, но при этом выбирают самые дорогие места — возможно, из-за алгоритма выбора (rich-utility), который не учитывает смертность. В результате получается разброс цен: агенты платят высокую цену, умирают — и следующие агенты снова выбирают те же дорогие места.

[[Файл:13.png|450px]]
[[Файл:CodapMP13live.png|450px]]

==== Вывод для Шага 4: ====
При очень высокой смертности цена на заселённых участках достигает пика (~64.8), но система становится максимально нестабильной (r² = 0.097). Это означает, что агенты продолжают выбирать дорогие районы, несмотря на короткую жизнь, создавая кратковременные «цены-пузыри». Общая средняя цена почти не растёт — потому что большинство патчей остаются пустыми. Это подтверждает, что смертность не снижает цену, а усиливает её локализацию и волатильность.

=== Главный вывод ===
Гипотеза — ''не подтвердилась'', а скорее в каком-то плане наоборот была опровергнута, с ростом смертности цена на заселённых участках растёт, а общая средняя цена скорее стабилизируется, чем значительно снижается.

Гипотеза о том, что «смертность снижает цены», оказалась слишком упрощённой: 
* cмертность влияет не на уровень цен, а на их распределение и стабильность.
* цены на заселённых участках растут с ростом смертности, потому что агенты продолжают выбирать дорогие районы.
* система становится всё менее предсказуемой — что может быть даже более важным выводом, чем сама гипотеза.

==== Что показали данные? ====
* Общая средняя цена (mean price) почти не меняется при росте death-rate:
death-rate = 4 → ~45.7 
death-rate = 13 → ~43 
Разница менее 5%, что может быть статистически незначимо

Средняя цена на заселённых участках (mean price lived area) растёт с увеличением смертности:
death-rate = 4 → ~50.7
death-rate = 13 → ~64.8
Рост на 28% - значимым эффект, что может свидетельствовать, что в заселённых районах медианная цена сильно растёт с увеличением смертности.

== ЭКСПЕРИМЕНТ 3 ==
--[[Участник:ZhiltsovES|ZhiltsovES]] ([[Обсуждение участника:ZhiltsovES|обсуждение]])

'''Гипотеза:''' Распределение рабочих мест в дорогих районах создаёт дополнительное преимущество для богатых и увеличивает социальное неравенство

Эксперименты с моделью Urban Suite - Economic Disparity

2026-01-14T01:36:18Z

KryuchkovSR: /* ЭКСПЕРИМЕНТ 2 */

== ОПИСАНИЕ МОДЕЛИ ==
{{#ask: [[Economic Disparity]] | ?Description }}

Модель '''Urban Suite - [[Economic Disparity]]''' представляет упрощённую городскую экономическую систему, где агенты с различным социально-экономическим статусом конкурируют за землю в городском пространстве. Модель исследует процессы пространственной сегрегации и формирования экономического неравенства в городской среде. В модели есть фиксированные рабочие места (серые квадраты), распределённые по городской территории. Агенты стремятся минимизировать расстояние до ближайшего места работы.

<netlogo model="EconomicDisparity_ru" />

== ЭКСПЕРИМЕНТ 1 ==
Автор - [[Участник:ZatsepinNA|ZatsepinNA]]

;Гипотеза:
: Изменение весов "rich-quality-priority" и "poor-price-priority" приведёт к разным типам городской сегрегации и уровням неравенства.

{{#widget:Google Spreadsheet
|key=e/2PACX-1vRk7VOFaWAlxN0ytKMtkbgJWSbMGHpp86nC7RAXRDBPfWr69qe54OfgwWHSubyuRTEHHRGYGnBvxWXs
|width=800
|height=400
}}

'''Цель эксперимента:'''
Исследовать, как изменение приоритетов агентов (богатых и бедных) влияет на структуру городского пространства. В частности, нас интересует, как веса параметров rich-quality-priority (насколько богатые ценят качество района) и poor-price-priority (насколько бедные чувствительны к цене) определяют:

* уровень пространственной сегрегации (измеряется [[индекс Дункана|индексом Дункана]] ),
* степень неравенства в распределении полезности (измеряется [[коэффициент Джини|коэффициентом Джини]]),
* среднее расстояние между представителями двух групп,
* разницу в средней полезности между богатыми и бедными.

'''Настройки NetLogo'''
<syntaxhighlight lang="lisp">
;; ========== КОД ДЛЯ ЭКСПЕРИМЕНТОВ ==========

;; Индекс Дункана
to-report duncan-index
let total-rich count rich
let total-poor count poor
if total-rich = 0 or total-poor = 0 [ report 0 ]
let seg-sum 0
ask patches [
let p-rich count rich-here / total-rich
let p-poor count poor-here / total-poor
set seg-sum seg-sum + abs(p-rich - p-poor)
]
report seg-sum / 2
end

;; Среднее расстояние между богатыми и бедными
to-report avg-distance-rich-poor
if count rich = 0 or count poor = 0 [ report 0 ]
let distances []
ask rich [
let closest-poor min [distance myself] of poor
set distances lput closest-poor distances
]
report mean distances
end

to-report utility-diff
let rich-utils [utility-r] of rich with [utility-r > 0]
let poor-utils [utility-p] of poor with [utility-p > 0]
if (length rich-utils = 0 or length poor-utils = 0) [ report 0 ]
let avg-rich mean rich-utils
let avg-poor mean poor-utils
report abs(avg-rich - avg-poor)
end

to-report gini-coefficient [ values ]
if length values <= 1 [ report 0 ]
let valid-values filter [ x -> x > 0 ] values
if length valid-values <= 1 [ report 0 ]
let avg-val mean valid-values
if avg-val = 0 [ report 0 ] ; защита от деления на 0
let sorted sort valid-values
let n length sorted
let gini-sum 0
let cumsum 0
foreach sorted [ val ->
set cumsum cumsum + val
set gini-sum gini-sum + (cumsum - val / 2) / n / avg-val
]
report 1 - gini-sum / n
end

;; Создать CSV файл
to create-csv [exp-name]
let path (word "C:/Users/User/Desktop/" exp-name ".csv")
file-open path
file-print "run,ticks,rich_count,poor_count,duncan_index,avg_distance,utility_diff,gini_coefficient"
file-close
end

to write-line [exp-name]
let path (word "C:/Users/User/Desktop/" exp-name ".csv")

;; Берём только агентов с ненулевой полезностью
let rich-utils [utility-r] of rich with [utility-r > 0]
let poor-utils [utility-p] of poor with [utility-p > 0]
let all-utils sentence rich-utils poor-utils

;; Если нет данных — ставим 0
let gini-val ifelse-value (length all-utils > 1) [
gini-coefficient all-utils
] [ 0 ]

file-open path
file-print (word
run-number ","
ticks ","
count rich ","
count poor ","
duncan-index ","
avg-distance-rich-poor ","
utility-diff ","
gini-val
)
file-close
end

;; Процедура для одного прогона
to run-single-run [exp-name rich-val poor-val]
set rich-quality-priority rich-val
set poor-price-priority poor-val
setup
repeat 2000 [
go
]
write-line exp-name
end

;; Процедура для 30 прогонов
to run-experiment [exp-name rich-val poor-val]
set experiment-name exp-name
create-csv exp-name
set run-number 0
repeat 30 [
set run-number run-number + 1
run-single-run exp-name rich-val poor-val
print (word "Прогон " run-number " из 30 завершен.")
]
print (word "Эксперимент " exp-name " ЗАВЕРШЕН!")
end

;; === КНОПКИ ИНТЕРФЕЙСА ===

to experiment-1
run-experiment "exp1_08_05" 0.8 0.5
end

to experiment-2
run-experiment "exp2_02_05" 0.2 0.5
end

to experiment-3
run-experiment "exp3_05_08" 0.5 0.8
end

to experiment-4
run-experiment "exp4_05_02" 0.5 0.2
end
</syntaxhighlight>

Для реализации эксперимента в исходный код модели были добавлены следующие процедуры:
* [[duncan-index]] — для расчёта индекса сегрегации,
* avg-distance-rich-poor — для измерения среднего расстояния между богатыми и бедными,
* utility-diff — для вычисления разницы в средней полезности между группами,
* [[gini-coefficient]] — для оценки уровня неравенства,
* run-experiment — для автоматического запуска 30 прогонов каждого сценария и записи результатов в [[CSV]]-файл.

Каждый прогон выполняется в течение 2000 тиков, после чего фиксируются итоговые значения метрик. Данная модификация позволила собрать репрезентативный датасет для сравнения сценариев.

[[Файл:Графики.jpg|600px|центр]]

Эксперимент проводился при четырёх комбинациях параметров rich-quality-priority и poor-price-priority, фиксированных системных настройках (residents-per-job = 100, number-of-tests = 30, max-jobs = 10, death-rate = 4, poor-per-step = 5, rich-per-step = 5) и на протяжении 2000 тиков. Данные были собраны для 30 независимых повторов на каждый сценарий.

====Анализ графиков (Шаг 1–4)====

На каждом графике:
*Ось X: сценарий (A, B, C, D)
*Ось Y(слева): значение индекса Дункана
*Ось Y(справа): значение коэффициента Джини
*Коробки (box plot) — показывают распределение результатов (медиана, IQR)
*Точки — отдельные прогоны (30 на сценарий)
=== Шаг 1 эксперимента (Сценарий A: rich=0.8, poor=0.5) ===
'''Duncan Index:''' медиана ≈ 0.272, IQR [0.271–0.273]

'''[[Gini Coefficient]]:''' медиана ≈ 0.836, IQR [0.835–0.837]

Богатые сильно ценят качество, бедные умеренно чувствительны к цене.
Это приводит к наибольшей сегрегации — богатые концентрируются в высококачественных районах, вытесняя бедных в периферийные зоны. Неравенство также высоко, но не максимальное — бедные всё ещё получают некоторую полезность.

==== Вывод для Шага 1 ====

При высоком приоритете качества у богатых сегрегация достигает максимума. Город разделяется на «богатые» и «бедные» районы. Альтернативные стратегии (например, снижение требований богатых) могут уменьшить поляризацию.

=== Шаг 2 эксперимента (Сценарий B: rich=0.2, poor=0.5) ===
'''Duncan Index:''' медиана ≈ 0.271, IQR [0.270–0.272]

'''Gini Coefficient:''' медиана ≈ 0.837, IQR [0.836–0.838]

Богатые почти не обращают внимания на качество, бедные умеренно чувствительны к цене.
Сегрегация немного снижается, но неравенство остаётся высоким. Это говорит о том, что рассеивание богатых по городу не устраняет неравенство — бедные всё ещё ограничены ценой.

'''Вывод для Шага 2'''

Снижение требований богатых к качеству уменьшает пространственную сегрегацию, но не влияет на социальное неравенство. Цена остаётся ключевым фактором, определяющим доступ к ресурсам.

=== Шаг 3 эксперимента (Сценарий C: rich=0.5, poor=0.8) ===
'''Duncan Index:''' медиана ≈ 0.271, IQR [0.270–0.272]

'''Gini Coefficient:''' медиана ≈ 0.840, IQR [0.839–0.841]

Богатые умеренно ценят качество, бедные очень чувствительны к цене.
Сегрегация остаётся на среднем уровне, но неравенство растёт — бедные вынуждены жить в самых дешёвых районах, что усиливает разрыв в полезности.

'''Вывод для Шага 3'''

Высокая чувствительность бедных к цене усиливает неравенство, даже если богатые не требуют высокого качества. Это показывает, что экономическая политика, направленная на снижение ценовой чувствительности бедных, может быть эффективнее, чем регулирование поведения богатых.

=== Шаг 4 эксперимента (Сценарий D: rich=0.5, poor=0.2) ===
'''[[Duncan Index]]:''' медиана ≈ 0.270, IQR [0.269–0.271]

'''[[Gini Coefficient]]:''' медиана ≈ 0.841, IQR [0.840–0.842]

Богатые умеренно ценят качество, бедные почти не реагируют на цену.
Сегрегация минимальна — группы смешиваются. Однако неравенство достигает максимума — бедные теперь живут в хороших районах, но их полезность всё ещё ниже, чем у богатых.

'''Вывод для Шага 4'''

При снижении ценовой чувствительности бедных сегрегация исчезает, но неравенство растёт. Это означает, что смешанные районы не равны справедливым — если бедные не получают дополнительных ресурсов, они будут жить рядом с богатыми, но оставаться менее выгодными.

===Главный вывод===
Изменение приоритетов агентов напрямую формирует структуру городского пространства. Богатые, которые сильно ценят качество, создают элитные анклавы, вытесняя бедных в периферийные районы. Бедные, чувствительные к цене, усиливают сегрегацию, выбирая самые дешёвые зоны. Однако если бедные перестают реагировать на цену, сегрегация исчезает — но неравенство растёт, потому что они получают выгоду, но всё ещё отстают от богатых.

Это означает, что:

* [[Сегрегация]] — результат рационального выбора, а не случайности: агенты оптимизируют свою полезность на основе приоритетов.
* Цена — более мощный фактор, чем качество: снижение ценовой чувствительности бедных сильнее влияет на сегрегацию, чем требования богатых.
* Смешанные районы ≠ справедливость: даже при отсутствии пространственного разделения неравенство может быть выше, если бедные не получают дополнительных ресурсов.

В реальном мире это объясняет, почему программы доступного жилья или субсидий могут снижать сегрегацию, но не гарантируют социального равенства — для этого нужны дополнительные механизмы перераспределения выгоды.

===Заключение===
Модель городской сегрегации демонстрирует, что пространственное разделение богатых и бедных — не следствие дискриминации или предвзятости, а естественный результат экономических предпочтений агентов. Когда богатые максимизируют качество, а бедные — минимизируют цену, город автоматически разделяется. Но если изменить эти приоритеты (например, через политику доступности), можно достичь более смешанной структуры.

Этот вывод имеет прямое отношение к современной урбанистике, социальной политике и планированию городов. Он показывает, что для создания справедливых городов недостаточно просто «смешивать» группы — необходимо менять условия, при которых бедные принимают решения, чтобы они могли конкурировать на равных, не теряя в полезности.

== ЭКСПЕРИМЕНТ 2 ==
--[[Участник:KryuchkovSR|KryuchkovSR]] ([[Обсуждение участника:KryuchkovSR|обсуждение]]) 22:58, 25 декабря 2025 (MSK)

'''Гипотеза:''' увеличение веса значения ''"death-rate"'' приводит к падению средней цены жилья ''"mean(price)"'' в общем и "mean(price) только в заселённых районах".

{{#widget:Google Spreadsheet
|key=e/2PACX-1vSjSsZDm8SQd9HXDPxlaCx4b5aY-1Jdt456JB9XK8Xy4w4OtPXfAlu3-Wp4mUS2OkWERCIRhSwZlXu0
|width=800
|height=400
}}

'''Цель эксперимента:'''
Исследовать, как частота смертей влияет на среднюю цену в городе в общем, а также в местах, которые уже заселены, а не просто находятся на карте и пустуют.

'''Условия эксперимента:'''

1. death-rate = 4, 7, 10, 13.

2. rich-per-step = 5, poor-per-step = 5.

3. Остальные поля по умолчанию.

4. Шагов: 2000.

'''Настройки эксперимента в NetLogo'''

[[Файл:Эксперимент.png|600px]]

В данном эксперименте я получаю данные сразу для всех 4 значений death-rate (4, 7, 10, 13), а также получаю:
* '''mean [price] of patches''' - средний уровень цен по всему пространству
* '''mean [price] of patches with [any? turtles-here]''' - средний уровень цен только в заселённых районах

=== Шаг 1 эксперимента (death-rate = 4): ===
''"mean price"'' = 4: медиана ≈ 45.7 
''"mean price lived area"'' = 4: медиана ≈ 50.7

[[Файл:Bp4.png|280px]] [[Файл:Bplive4.png|280px]]

При низкой смертности система стабильно развивается: общая средняя цена растёт медленно, но уверенно. Средняя цена на заселённых участках растёт ещё медленнее — это говорит о том, что агенты (особенно богатые) активно «выбирают» и «поднимают» цены в своих районах, но общее пространство (включая пустые зоны) растёт быстрее.

[[Файл:CodapMP4.png|280px]]
[[Файл:CodapMP4live.png|280px]]

==== Вывод для Шага 1: ====
При низкой смертности система стабильна, но сегрегирована: богатые агенты создают «горячие точки» высоких цен, в то время как общая средняя цена растёт за счёт расширения рынка. Это подтверждает, что низкая смертность позволяет агентам формировать устойчивые «элитные» районы, повышая локальную цену, но не влияя сильно на общую динамику.

=== Шаг 2 эксперимента (death-rate = 7): ===
mean price = 7: медиана ≈ 43.8 
mean price lived area = 7: медиана ≈ 60.9

[[Файл:MP7.png|280px]]
[[Файл:MP7live.png|280px]]

При средней смертности общий рост цен замедляется, но цена на заселённых участках растёт быстрее — это ''парадокс''! 

'''Объяснение:''' при большей смертности агенты живут короче → меньше времени на «закрепление» в районе → больше перемещений → более частое «обновление» цен в новых местах. Это создаёт эффект «прыжков» цен в новых районах, что увеличивает среднюю цену на заселённых участках, но не влияет на общую среднюю цену (так как много пустых зон).

[[Файл:CodapMP7.png|280px]]
[[Файл:CodapMP7live.png|280px]]

==== Вывод для Шага 2: ====
При средней смертности наблюдается интересный эффект: общая средняя цена растёт медленнее, но цена на заселённых участках — быстрее. Это связано с повышенной мобильностью агентов — они чаще меняют место жительства, «поднимая» цены в новых районах. Это означает, что смертность не снижает цену, а перераспределяет её по городу, создавая временные «горячие точки».

=== Шаг 3 эксперимента (death-rate = 10): ===
mean price = 10: медиана ≈ 44.2 
mean price lived area = 10: медиана ≈ 62.5

[[Файл:MP10.png|280px]]
[[Файл:MP10lived.png|280px]]

При высокой смертности картина схожа с предыдущим сценарием, но разрыв между общей ценой и ценой на заселённых участках ещё больше. Это значит, что агенты всё ещё активно «выбирают» дорогие районы, но их жизнь короче → они не успевают «прижиться» → цены в их районах растут быстро, но не стабильно. Низкий r² для lived area подтверждает высокую волатильность.

[[Файл:CodapMP10.png|280px]]
[[Файл:CodapMP10live.png|280px]]

==== Вывод для Шага 3: ====
При высокой смертности цена на заселённых участках достигает максимума (медиана ~62.3), хотя общая средняя цена растёт медленно. Это говорит о том, что агенты, несмотря на короткую жизнь, продолжают выбирать самые дорогие районы, создавая локальные «пузыри» высоких цен. Однако из-за частой смены места жительства эти пузыри нестабильны — что подтверждается низким r².

=== Шаг 4 эксперимента (death-rate = 13): ===
mean price = 13: медиана ≈ 43 
mean price lived area = 13: медиана ≈ 64.8

[[Файл:MP13.png|280px]]
[[Файл:MP13lived.png|280px]]

При очень высокой смертности общая цена почти не растёт (r² = 0.821 — худший показатель среди всех сценариев). Но цена на заселённых участках — самая высокая (медиана ~64.8) и растёт быстрее всего (+0.003 * step). При этом r² = 0.097 — самый низкий из всех, что означает максимальную нестабильность.

Агенты, живущие очень недолго, не успевают «освоиться» в районе, но при этом выбирают самые дорогие места — возможно, из-за алгоритма выбора (rich-utility), который не учитывает смертность. В результате получается разброс цен: агенты платят высокую цену, умирают — и следующие агенты снова выбирают те же дорогие места.

[[Файл:13.png|280px]]
[[Файл:CodapMP13live.png|280px]]

==== Вывод для Шага 4: ====
При очень высокой смертности цена на заселённых участках достигает пика (~64.8), но система становится максимально нестабильной (r² = 0.097). Это означает, что агенты продолжают выбирать дорогие районы, несмотря на короткую жизнь, создавая кратковременные «цены-пузыри». Общая средняя цена почти не растёт — потому что большинство патчей остаются пустыми. Это подтверждает, что смертность не снижает цену, а усиливает её локализацию и волатильность.

=== Главный вывод ===
Гипотеза — ''не подтвердилась'', а скорее в каком-то плане наоборот была опровергнута, с ростом смертности цена на заселённых участках растёт, а общая средняя цена скорее стабилизируется, чем значительно снижается.

Гипотеза о том, что «смертность снижает цены», оказалась слишком упрощённой: 
* cмертность влияет не на уровень цен, а на их распределение и стабильность.
* цены на заселённых участках растут с ростом смертности, потому что агенты продолжают выбирать дорогие районы.
* система становится всё менее предсказуемой — что может быть даже более важным выводом, чем сама гипотеза.

==== Что показали данные? ====
* Общая средняя цена (mean price) почти не меняется при росте death-rate:
death-rate = 4 → ~45.7 
death-rate = 13 → ~43 
Разница менее 5%, что может быть статистически незначимо

Средняя цена на заселённых участках (mean price lived area) растёт с увеличением смертности:
death-rate = 4 → ~50.7
death-rate = 13 → ~64.8
Рост на 28% - значимым эффект, что может свидетельствовать, что в заселённых районах медианная цена сильно растёт с увеличением смертности.

== ЭКСПЕРИМЕНТ 3 ==
--[[Участник:ZhiltsovES|ZhiltsovES]] ([[Обсуждение участника:ZhiltsovES|обсуждение]])

'''Гипотеза:''' Распределение рабочих мест в дорогих районах создаёт дополнительное преимущество для богатых и увеличивает социальное неравенство

Эксперименты с моделью Urban Suite - Economic Disparity

2026-01-13T23:07:03Z

KryuchkovSR: /* ЭКСПЕРИМЕНТ 2 */

== ОПИСАНИЕ МОДЕЛИ ==
{{#ask: [[Economic Disparity]] | ?Description }}

Модель '''Urban Suite - [[Economic Disparity]]''' представляет упрощённую городскую экономическую систему, где агенты с различным социально-экономическим статусом конкурируют за землю в городском пространстве. Модель исследует процессы пространственной сегрегации и формирования экономического неравенства в городской среде. В модели есть фиксированные рабочие места (серые квадраты), распределённые по городской территории. Агенты стремятся минимизировать расстояние до ближайшего места работы.

<netlogo model="EconomicDisparity_ru" />

== ЭКСПЕРИМЕНТ 1 ==
Автор - [[Участник:ZatsepinNA|ZatsepinNA]]

;Гипотеза:
: Изменение весов "rich-quality-priority" и "poor-price-priority" приведёт к разным типам городской сегрегации и уровням неравенства.

{{#widget:Google Spreadsheet
|key=e/2PACX-1vRk7VOFaWAlxN0ytKMtkbgJWSbMGHpp86nC7RAXRDBPfWr69qe54OfgwWHSubyuRTEHHRGYGnBvxWXs
|width=800
|height=400
}}

'''Цель эксперимента:'''
Исследовать, как изменение приоритетов агентов (богатых и бедных) влияет на структуру городского пространства. В частности, нас интересует, как веса параметров rich-quality-priority (насколько богатые ценят качество района) и poor-price-priority (насколько бедные чувствительны к цене) определяют:

* уровень пространственной сегрегации (измеряется [[индекс Дункана|индексом Дункана]] ),
* степень неравенства в распределении полезности (измеряется [[коэффициент Джини|коэффициентом Джини]]),
* среднее расстояние между представителями двух групп,
* разницу в средней полезности между богатыми и бедными.

'''Настройки NetLogo'''
<syntaxhighlight lang="lisp">
;; ========== КОД ДЛЯ ЭКСПЕРИМЕНТОВ ==========

;; Индекс Дункана
to-report duncan-index
let total-rich count rich
let total-poor count poor
if total-rich = 0 or total-poor = 0 [ report 0 ]
let seg-sum 0
ask patches [
let p-rich count rich-here / total-rich
let p-poor count poor-here / total-poor
set seg-sum seg-sum + abs(p-rich - p-poor)
]
report seg-sum / 2
end

;; Среднее расстояние между богатыми и бедными
to-report avg-distance-rich-poor
if count rich = 0 or count poor = 0 [ report 0 ]
let distances []
ask rich [
let closest-poor min [distance myself] of poor
set distances lput closest-poor distances
]
report mean distances
end

to-report utility-diff
let rich-utils [utility-r] of rich with [utility-r > 0]
let poor-utils [utility-p] of poor with [utility-p > 0]
if (length rich-utils = 0 or length poor-utils = 0) [ report 0 ]
let avg-rich mean rich-utils
let avg-poor mean poor-utils
report abs(avg-rich - avg-poor)
end

to-report gini-coefficient [ values ]
if length values <= 1 [ report 0 ]
let valid-values filter [ x -> x > 0 ] values
if length valid-values <= 1 [ report 0 ]
let avg-val mean valid-values
if avg-val = 0 [ report 0 ] ; защита от деления на 0
let sorted sort valid-values
let n length sorted
let gini-sum 0
let cumsum 0
foreach sorted [ val ->
set cumsum cumsum + val
set gini-sum gini-sum + (cumsum - val / 2) / n / avg-val
]
report 1 - gini-sum / n
end

;; Создать CSV файл
to create-csv [exp-name]
let path (word "C:/Users/User/Desktop/" exp-name ".csv")
file-open path
file-print "run,ticks,rich_count,poor_count,duncan_index,avg_distance,utility_diff,gini_coefficient"
file-close
end

to write-line [exp-name]
let path (word "C:/Users/User/Desktop/" exp-name ".csv")

;; Берём только агентов с ненулевой полезностью
let rich-utils [utility-r] of rich with [utility-r > 0]
let poor-utils [utility-p] of poor with [utility-p > 0]
let all-utils sentence rich-utils poor-utils

;; Если нет данных — ставим 0
let gini-val ifelse-value (length all-utils > 1) [
gini-coefficient all-utils
] [ 0 ]

file-open path
file-print (word
run-number ","
ticks ","
count rich ","
count poor ","
duncan-index ","
avg-distance-rich-poor ","
utility-diff ","
gini-val
)
file-close
end

;; Процедура для одного прогона
to run-single-run [exp-name rich-val poor-val]
set rich-quality-priority rich-val
set poor-price-priority poor-val
setup
repeat 2000 [
go
]
write-line exp-name
end

;; Процедура для 30 прогонов
to run-experiment [exp-name rich-val poor-val]
set experiment-name exp-name
create-csv exp-name
set run-number 0
repeat 30 [
set run-number run-number + 1
run-single-run exp-name rich-val poor-val
print (word "Прогон " run-number " из 30 завершен.")
]
print (word "Эксперимент " exp-name " ЗАВЕРШЕН!")
end

;; === КНОПКИ ИНТЕРФЕЙСА ===

to experiment-1
run-experiment "exp1_08_05" 0.8 0.5
end

to experiment-2
run-experiment "exp2_02_05" 0.2 0.5
end

to experiment-3
run-experiment "exp3_05_08" 0.5 0.8
end

to experiment-4
run-experiment "exp4_05_02" 0.5 0.2
end
</syntaxhighlight>

Для реализации эксперимента в исходный код модели были добавлены следующие процедуры:
* [[duncan-index]] — для расчёта индекса сегрегации,
* avg-distance-rich-poor — для измерения среднего расстояния между богатыми и бедными,
* utility-diff — для вычисления разницы в средней полезности между группами,
* [[gini-coefficient]] — для оценки уровня неравенства,
* run-experiment — для автоматического запуска 30 прогонов каждого сценария и записи результатов в [[CSV]]-файл.

Каждый прогон выполняется в течение 2000 тиков, после чего фиксируются итоговые значения метрик. Данная модификация позволила собрать репрезентативный датасет для сравнения сценариев.

[[Файл:Графики.jpg|600px|центр]]

Эксперимент проводился при четырёх комбинациях параметров rich-quality-priority и poor-price-priority, фиксированных системных настройках (residents-per-job = 100, number-of-tests = 30, max-jobs = 10, death-rate = 4, poor-per-step = 5, rich-per-step = 5) и на протяжении 2000 тиков. Данные были собраны для 30 независимых повторов на каждый сценарий.

====Анализ графиков (Шаг 1–4)====

На каждом графике:
*Ось X: сценарий (A, B, C, D)
*Ось Y(слева): значение индекса Дункана
*Ось Y(справа): значение коэффициента Джини
*Коробки (box plot) — показывают распределение результатов (медиана, IQR)
*Точки — отдельные прогоны (30 на сценарий)
=== Шаг 1 эксперимента (Сценарий A: rich=0.8, poor=0.5) ===
'''Duncan Index:''' медиана ≈ 0.272, IQR [0.271–0.273]

'''[[Gini Coefficient]]:''' медиана ≈ 0.836, IQR [0.835–0.837]

Богатые сильно ценят качество, бедные умеренно чувствительны к цене.
Это приводит к наибольшей сегрегации — богатые концентрируются в высококачественных районах, вытесняя бедных в периферийные зоны. Неравенство также высоко, но не максимальное — бедные всё ещё получают некоторую полезность.

==== Вывод для Шага 1 ====

При высоком приоритете качества у богатых сегрегация достигает максимума. Город разделяется на «богатые» и «бедные» районы. Альтернативные стратегии (например, снижение требований богатых) могут уменьшить поляризацию.

=== Шаг 2 эксперимента (Сценарий B: rich=0.2, poor=0.5) ===
'''Duncan Index:''' медиана ≈ 0.271, IQR [0.270–0.272]

'''Gini Coefficient:''' медиана ≈ 0.837, IQR [0.836–0.838]

Богатые почти не обращают внимания на качество, бедные умеренно чувствительны к цене.
Сегрегация немного снижается, но неравенство остаётся высоким. Это говорит о том, что рассеивание богатых по городу не устраняет неравенство — бедные всё ещё ограничены ценой.

'''Вывод для Шага 2'''

Снижение требований богатых к качеству уменьшает пространственную сегрегацию, но не влияет на социальное неравенство. Цена остаётся ключевым фактором, определяющим доступ к ресурсам.

=== Шаг 3 эксперимента (Сценарий C: rich=0.5, poor=0.8) ===
'''Duncan Index:''' медиана ≈ 0.271, IQR [0.270–0.272]

'''Gini Coefficient:''' медиана ≈ 0.840, IQR [0.839–0.841]

Богатые умеренно ценят качество, бедные очень чувствительны к цене.
Сегрегация остаётся на среднем уровне, но неравенство растёт — бедные вынуждены жить в самых дешёвых районах, что усиливает разрыв в полезности.

'''Вывод для Шага 3'''

Высокая чувствительность бедных к цене усиливает неравенство, даже если богатые не требуют высокого качества. Это показывает, что экономическая политика, направленная на снижение ценовой чувствительности бедных, может быть эффективнее, чем регулирование поведения богатых.

=== Шаг 4 эксперимента (Сценарий D: rich=0.5, poor=0.2) ===
'''[[Duncan Index]]:''' медиана ≈ 0.270, IQR [0.269–0.271]

'''[[Gini Coefficient]]:''' медиана ≈ 0.841, IQR [0.840–0.842]

Богатые умеренно ценят качество, бедные почти не реагируют на цену.
Сегрегация минимальна — группы смешиваются. Однако неравенство достигает максимума — бедные теперь живут в хороших районах, но их полезность всё ещё ниже, чем у богатых.

'''Вывод для Шага 4'''

При снижении ценовой чувствительности бедных сегрегация исчезает, но неравенство растёт. Это означает, что смешанные районы не равны справедливым — если бедные не получают дополнительных ресурсов, они будут жить рядом с богатыми, но оставаться менее выгодными.

===Главный вывод===
Изменение приоритетов агентов напрямую формирует структуру городского пространства. Богатые, которые сильно ценят качество, создают элитные анклавы, вытесняя бедных в периферийные районы. Бедные, чувствительные к цене, усиливают сегрегацию, выбирая самые дешёвые зоны. Однако если бедные перестают реагировать на цену, сегрегация исчезает — но неравенство растёт, потому что они получают выгоду, но всё ещё отстают от богатых.

Это означает, что:

* [[Сегрегация]] — результат рационального выбора, а не случайности: агенты оптимизируют свою полезность на основе приоритетов.
* Цена — более мощный фактор, чем качество: снижение ценовой чувствительности бедных сильнее влияет на сегрегацию, чем требования богатых.
* Смешанные районы ≠ справедливость: даже при отсутствии пространственного разделения неравенство может быть выше, если бедные не получают дополнительных ресурсов.

В реальном мире это объясняет, почему программы доступного жилья или субсидий могут снижать сегрегацию, но не гарантируют социального равенства — для этого нужны дополнительные механизмы перераспределения выгоды.

===Заключение===
Модель городской сегрегации демонстрирует, что пространственное разделение богатых и бедных — не следствие дискриминации или предвзятости, а естественный результат экономических предпочтений агентов. Когда богатые максимизируют качество, а бедные — минимизируют цену, город автоматически разделяется. Но если изменить эти приоритеты (например, через политику доступности), можно достичь более смешанной структуры.

Этот вывод имеет прямое отношение к современной урбанистике, социальной политике и планированию городов. Он показывает, что для создания справедливых городов недостаточно просто «смешивать» группы — необходимо менять условия, при которых бедные принимают решения, чтобы они могли конкурировать на равных, не теряя в полезности.

== ЭКСПЕРИМЕНТ 2 ==
--[[Участник:KryuchkovSR|KryuchkovSR]] ([[Обсуждение участника:KryuchkovSR|обсуждение]]) 22:58, 25 декабря 2025 (MSK)

'''Гипотеза:''' увеличение веса значения ''"death-rate"'' приводит к падению средней цены жилья ''"mean(price)"'' в общем и "mean(price) только в заселённых районах".

{{#widget:Google Spreadsheet
|key=e/2PACX-1vSjSsZDm8SQd9HXDPxlaCx4b5aY-1Jdt456JB9XK8Xy4w4OtPXfAlu3-Wp4mUS2OkWERCIRhSwZlXu0
|width=800
|height=400
}}

'''Цель эксперимента:'''
Исследовать, как частота смертей влияет на среднюю цену в городе в общем, а также в местах, которые уже заселены, а не просто находятся на карте и пустуют.

'''Условия эксперимента:'''

1. death-rate = 4, 7, 10, 13.

2. rich-per-step = 5, poor-per-step = 5.

3. Остальные поля по умолчанию.

4. Шагов: 2000.

'''Настройки эксперимента в NetLogo'''

[[Файл:Эксперимент.png|600px]]

В данном эксперименте я получаю данные сразу для всех 4 значений death-rate (4, 7, 10, 13), а также получаю:
* '''mean [price] of patches''' - средний уровень цен по всему пространству
* '''mean [price] of patches with [any? turtles-here]''' - средний уровень цен только в заселённых районах

=== '''Шаг 1 эксперимента (death-rate = 4):''' ===
''"mean price"'' = 4: медиана ≈ 45.7 
''"mean price lived area"'' = 4: медиана ≈ 50.7

[[Файл:Bp4.png|280px]] [[Файл:Bplive4.png|280px]]

При низкой смертности система стабильно развивается: общая средняя цена растёт медленно, но уверенно. Средняя цена на заселённых участках растёт ещё медленнее — это говорит о том, что агенты (особенно богатые) активно «выбирают» и «поднимают» цены в своих районах, но общее пространство (включая пустые зоны) растёт быстрее.

[[Файл:CodapMP4.png|280px]]
[[Файл:CodapMP4live.png|280px]]

==== '''Вывод для Шага 1:''' ====
При низкой смертности система стабильна, но сегрегирована: богатые агенты создают «горячие точки» высоких цен, в то время как общая средняя цена растёт за счёт расширения рынка. Это подтверждает, что низкая смертность позволяет агентам формировать устойчивые «элитные» районы, повышая локальную цену, но не влияя сильно на общую динамику.

=== '''Шаг 2 эксперимента (death-rate = 7):''' ===
mean price = 7: медиана ≈ 43.8 
mean price lived area = 7: медиана ≈ 60.9

[[Файл:MP7.png|280px]]
[[Файл:MP7live.png|280px]]

При средней смертности общий рост цен замедляется, но цена на заселённых участках растёт быстрее — это ''парадокс''! 

'''Объяснение:''' при большей смертности агенты живут короче → меньше времени на «закрепление» в районе → больше перемещений → более частое «обновление» цен в новых местах. Это создаёт эффект «прыжков» цен в новых районах, что увеличивает среднюю цену на заселённых участках, но не влияет на общую среднюю цену (так как много пустых зон).

[[Файл:CodapMP7.png|280px]]
[[Файл:CodapMP7live.png|280px]]

==== '''Вывод для Шага 2:''' ====
При средней смертности наблюдается интересный эффект: общая средняя цена растёт медленнее, но цена на заселённых участках — быстрее. Это связано с повышенной мобильностью агентов — они чаще меняют место жительства, «поднимая» цены в новых районах. Это означает, что смертность не снижает цену, а перераспределяет её по городу, создавая временные «горячие точки».

=== '''Шаг 3 эксперимента (death-rate = 10):''' ===
mean price = 10: медиана ≈ 44.2 
mean price lived area = 10: медиана ≈ 62.5

[[Файл:MP10.png|280px]]
[[Файл:MP10lived.png|280px]]

При высокой смертности картина схожа с предыдущим сценарием, но разрыв между общей ценой и ценой на заселённых участках ещё больше. Это значит, что агенты всё ещё активно «выбирают» дорогие районы, но их жизнь короче → они не успевают «прижиться» → цены в их районах растут быстро, но не стабильно. Низкий r² для lived area подтверждает высокую волатильность.

[[Файл:CodapMP10.png|280px]]
[[Файл:CodapMP10live.png|280px]]

==== '''Вывод для Шага 3:''' ====
При высокой смертности цена на заселённых участках достигает максимума (медиана ~62.3), хотя общая средняя цена растёт медленно. Это говорит о том, что агенты, несмотря на короткую жизнь, продолжают выбирать самые дорогие районы, создавая локальные «пузыри» высоких цен. Однако из-за частой смены места жительства эти пузыри нестабильны — что подтверждается низким r².

=== '''Шаг 4 эксперимента (death-rate = 13):''' ===
mean price = 13: медиана ≈ 43 
mean price lived area = 13: медиана ≈ 64.8

[[Файл:MP13.png|280px]]
[[Файл:MP13lived.png|280px]]

При очень высокой смертности общая цена почти не растёт (r² = 0.821 — худший показатель среди всех сценариев). Но цена на заселённых участках — самая высокая (медиана ~64.8) и растёт быстрее всего (+0.003 * step). При этом r² = 0.097 — самый низкий из всех, что означает максимальную нестабильность.

Агенты, живущие очень недолго, не успевают «освоиться» в районе, но при этом выбирают самые дорогие места — возможно, из-за алгоритма выбора (rich-utility), который не учитывает смертность. В результате получается разброс цен: агенты платят высокую цену, умирают — и следующие агенты снова выбирают те же дорогие места.

[[Файл:13.png|280px]]
[[Файл:CodapMP13live.png|280px]]

==== '''Вывод для Шага 4:''' ====
При очень высокой смертности цена на заселённых участках достигает пика (~64.8), но система становится максимально нестабильной (r² = 0.097). Это означает, что агенты продолжают выбирать дорогие районы, несмотря на короткую жизнь, создавая кратковременные «цены-пузыри». Общая средняя цена почти не растёт — потому что большинство патчей остаются пустыми. Это подтверждает, что смертность не снижает цену, а усиливает её локализацию и волатильность.

=== '''Главный вывод''' ===
Гипотеза — ''не подтвердилась'', а скорее в каком-то плане наоборот была опровергнута, с ростом смертности цена на заселённых участках растёт, а общая средняя цена скорее стабилизируется, чем значительно снижается.

Гипотеза о том, что «смертность снижает цены», оказалась слишком упрощённой: 
* cмертность влияет не на уровень цен, а на их распределение и стабильность.
* цены на заселённых участках растут с ростом смертности, потому что агенты продолжают выбирать дорогие районы.
* система становится всё менее предсказуемой — что может быть даже более важным выводом, чем сама гипотеза.

==== '''Что показали данные?''' ====
* Общая средняя цена (mean price) почти не меняется при росте death-rate:
death-rate = 4 → ~45.7 
death-rate = 13 → ~43 
Разница менее 5%, что может быть статистически незначимо

Средняя цена на заселённых участках (mean price lived area) растёт с увеличением смертности:
death-rate = 4 → ~50.7
death-rate = 13 → ~64.8
Рост на 28% - значимым эффект, что может свидетельствовать, что в заселённых районах медианная цена сильно растёт с увеличением смертности.

== ЭКСПЕРИМЕНТ 3 ==
--[[Участник:ZhiltsovES|ZhiltsovES]] ([[Обсуждение участника:ZhiltsovES|обсуждение]])

'''Гипотеза:''' Распределение рабочих мест в дорогих районах создаёт дополнительное преимущество для богатых и увеличивает социальное неравенство

Файл:13.png

2026-01-13T22:49:49Z

KryuchkovSR:

MP13

Файл:CodapMP13live.png

2026-01-13T22:44:09Z

KryuchkovSR:

Файл:CodapMP13.png

2026-01-13T22:42:30Z

KryuchkovSR:

Файл:MP13lived.png

2026-01-13T22:38:10Z

KryuchkovSR:

Файл:MP13.png

2026-01-13T22:37:55Z

KryuchkovSR:

Эксперименты с моделью Urban Suite - Economic Disparity

2026-01-13T22:35:22Z

KryuchkovSR: /* ЭКСПЕРИМЕНТ 2 */

== ОПИСАНИЕ МОДЕЛИ ==
{{#ask: [[Economic Disparity]] | ?Description }}

Модель '''Urban Suite - [[Economic Disparity]]''' представляет упрощённую городскую экономическую систему, где агенты с различным социально-экономическим статусом конкурируют за землю в городском пространстве. Модель исследует процессы пространственной сегрегации и формирования экономического неравенства в городской среде. В модели есть фиксированные рабочие места (серые квадраты), распределённые по городской территории. Агенты стремятся минимизировать расстояние до ближайшего места работы.

<netlogo model="EconomicDisparity_ru" />

== ЭКСПЕРИМЕНТ 1 ==
Автор - [[Участник:ZatsepinNA|ZatsepinNA]]

;Гипотеза:
: Изменение весов "rich-quality-priority" и "poor-price-priority" приведёт к разным типам городской сегрегации и уровням неравенства.

{{#widget:Google Spreadsheet
|key=e/2PACX-1vRk7VOFaWAlxN0ytKMtkbgJWSbMGHpp86nC7RAXRDBPfWr69qe54OfgwWHSubyuRTEHHRGYGnBvxWXs
|width=800
|height=400
}}

'''Цель эксперимента:'''
Исследовать, как изменение приоритетов агентов (богатых и бедных) влияет на структуру городского пространства. В частности, нас интересует, как веса параметров rich-quality-priority (насколько богатые ценят качество района) и poor-price-priority (насколько бедные чувствительны к цене) определяют:

* уровень пространственной сегрегации (измеряется [[индекс Дункана|индексом Дункана]] ),
* степень неравенства в распределении полезности (измеряется [[коэффициент Джини|коэффициентом Джини]]),
* среднее расстояние между представителями двух групп,
* разницу в средней полезности между богатыми и бедными.

'''Настройки NetLogo'''
<syntaxhighlight lang="lisp">
;; ========== КОД ДЛЯ ЭКСПЕРИМЕНТОВ ==========

;; Индекс Дункана
to-report duncan-index
let total-rich count rich
let total-poor count poor
if total-rich = 0 or total-poor = 0 [ report 0 ]
let seg-sum 0
ask patches [
let p-rich count rich-here / total-rich
let p-poor count poor-here / total-poor
set seg-sum seg-sum + abs(p-rich - p-poor)
]
report seg-sum / 2
end

;; Среднее расстояние между богатыми и бедными
to-report avg-distance-rich-poor
if count rich = 0 or count poor = 0 [ report 0 ]
let distances []
ask rich [
let closest-poor min [distance myself] of poor
set distances lput closest-poor distances
]
report mean distances
end

to-report utility-diff
let rich-utils [utility-r] of rich with [utility-r > 0]
let poor-utils [utility-p] of poor with [utility-p > 0]
if (length rich-utils = 0 or length poor-utils = 0) [ report 0 ]
let avg-rich mean rich-utils
let avg-poor mean poor-utils
report abs(avg-rich - avg-poor)
end

to-report gini-coefficient [ values ]
if length values <= 1 [ report 0 ]
let valid-values filter [ x -> x > 0 ] values
if length valid-values <= 1 [ report 0 ]
let avg-val mean valid-values
if avg-val = 0 [ report 0 ] ; защита от деления на 0
let sorted sort valid-values
let n length sorted
let gini-sum 0
let cumsum 0
foreach sorted [ val ->
set cumsum cumsum + val
set gini-sum gini-sum + (cumsum - val / 2) / n / avg-val
]
report 1 - gini-sum / n
end

;; Создать CSV файл
to create-csv [exp-name]
let path (word "C:/Users/User/Desktop/" exp-name ".csv")
file-open path
file-print "run,ticks,rich_count,poor_count,duncan_index,avg_distance,utility_diff,gini_coefficient"
file-close
end

to write-line [exp-name]
let path (word "C:/Users/User/Desktop/" exp-name ".csv")

;; Берём только агентов с ненулевой полезностью
let rich-utils [utility-r] of rich with [utility-r > 0]
let poor-utils [utility-p] of poor with [utility-p > 0]
let all-utils sentence rich-utils poor-utils

;; Если нет данных — ставим 0
let gini-val ifelse-value (length all-utils > 1) [
gini-coefficient all-utils
] [ 0 ]

file-open path
file-print (word
run-number ","
ticks ","
count rich ","
count poor ","
duncan-index ","
avg-distance-rich-poor ","
utility-diff ","
gini-val
)
file-close
end

;; Процедура для одного прогона
to run-single-run [exp-name rich-val poor-val]
set rich-quality-priority rich-val
set poor-price-priority poor-val
setup
repeat 2000 [
go
]
write-line exp-name
end

;; Процедура для 30 прогонов
to run-experiment [exp-name rich-val poor-val]
set experiment-name exp-name
create-csv exp-name
set run-number 0
repeat 30 [
set run-number run-number + 1
run-single-run exp-name rich-val poor-val
print (word "Прогон " run-number " из 30 завершен.")
]
print (word "Эксперимент " exp-name " ЗАВЕРШЕН!")
end

;; === КНОПКИ ИНТЕРФЕЙСА ===

to experiment-1
run-experiment "exp1_08_05" 0.8 0.5
end

to experiment-2
run-experiment "exp2_02_05" 0.2 0.5
end

to experiment-3
run-experiment "exp3_05_08" 0.5 0.8
end

to experiment-4
run-experiment "exp4_05_02" 0.5 0.2
end
</syntaxhighlight>

Для реализации эксперимента в исходный код модели были добавлены следующие процедуры:
* [[duncan-index]] — для расчёта индекса сегрегации,
* avg-distance-rich-poor — для измерения среднего расстояния между богатыми и бедными,
* utility-diff — для вычисления разницы в средней полезности между группами,
* [[gini-coefficient]] — для оценки уровня неравенства,
* run-experiment — для автоматического запуска 30 прогонов каждого сценария и записи результатов в [[CSV]]-файл.

Каждый прогон выполняется в течение 2000 тиков, после чего фиксируются итоговые значения метрик. Данная модификация позволила собрать репрезентативный датасет для сравнения сценариев.

[[Файл:Графики.jpg|600px|центр]]

Эксперимент проводился при четырёх комбинациях параметров rich-quality-priority и poor-price-priority, фиксированных системных настройках (residents-per-job = 100, number-of-tests = 30, max-jobs = 10, death-rate = 4, poor-per-step = 5, rich-per-step = 5) и на протяжении 2000 тиков. Данные были собраны для 30 независимых повторов на каждый сценарий.

====Анализ графиков (Шаг 1–4)====

На каждом графике:
*Ось X: сценарий (A, B, C, D)
*Ось Y(слева): значение индекса Дункана
*Ось Y(справа): значение коэффициента Джини
*Коробки (box plot) — показывают распределение результатов (медиана, IQR)
*Точки — отдельные прогоны (30 на сценарий)
=== Шаг 1 эксперимента (Сценарий A: rich=0.8, poor=0.5) ===
'''Duncan Index:''' медиана ≈ 0.272, IQR [0.271–0.273]

'''[[Gini Coefficient]]:''' медиана ≈ 0.836, IQR [0.835–0.837]

Богатые сильно ценят качество, бедные умеренно чувствительны к цене.
Это приводит к наибольшей сегрегации — богатые концентрируются в высококачественных районах, вытесняя бедных в периферийные зоны. Неравенство также высоко, но не максимальное — бедные всё ещё получают некоторую полезность.

==== Вывод для Шага 1 ====

При высоком приоритете качества у богатых сегрегация достигает максимума. Город разделяется на «богатые» и «бедные» районы. Альтернативные стратегии (например, снижение требований богатых) могут уменьшить поляризацию.

=== Шаг 2 эксперимента (Сценарий B: rich=0.2, poor=0.5) ===
'''Duncan Index:''' медиана ≈ 0.271, IQR [0.270–0.272]

'''Gini Coefficient:''' медиана ≈ 0.837, IQR [0.836–0.838]

Богатые почти не обращают внимания на качество, бедные умеренно чувствительны к цене.
Сегрегация немного снижается, но неравенство остаётся высоким. Это говорит о том, что рассеивание богатых по городу не устраняет неравенство — бедные всё ещё ограничены ценой.

'''Вывод для Шага 2'''

Снижение требований богатых к качеству уменьшает пространственную сегрегацию, но не влияет на социальное неравенство. Цена остаётся ключевым фактором, определяющим доступ к ресурсам.

=== Шаг 3 эксперимента (Сценарий C: rich=0.5, poor=0.8) ===
'''Duncan Index:''' медиана ≈ 0.271, IQR [0.270–0.272]

'''Gini Coefficient:''' медиана ≈ 0.840, IQR [0.839–0.841]

Богатые умеренно ценят качество, бедные очень чувствительны к цене.
Сегрегация остаётся на среднем уровне, но неравенство растёт — бедные вынуждены жить в самых дешёвых районах, что усиливает разрыв в полезности.

'''Вывод для Шага 3'''

Высокая чувствительность бедных к цене усиливает неравенство, даже если богатые не требуют высокого качества. Это показывает, что экономическая политика, направленная на снижение ценовой чувствительности бедных, может быть эффективнее, чем регулирование поведения богатых.

=== Шаг 4 эксперимента (Сценарий D: rich=0.5, poor=0.2) ===
'''[[Duncan Index]]:''' медиана ≈ 0.270, IQR [0.269–0.271]

'''[[Gini Coefficient]]:''' медиана ≈ 0.841, IQR [0.840–0.842]

Богатые умеренно ценят качество, бедные почти не реагируют на цену.
Сегрегация минимальна — группы смешиваются. Однако неравенство достигает максимума — бедные теперь живут в хороших районах, но их полезность всё ещё ниже, чем у богатых.

'''Вывод для Шага 4'''

При снижении ценовой чувствительности бедных сегрегация исчезает, но неравенство растёт. Это означает, что смешанные районы не равны справедливым — если бедные не получают дополнительных ресурсов, они будут жить рядом с богатыми, но оставаться менее выгодными.

===Главный вывод===
Изменение приоритетов агентов напрямую формирует структуру городского пространства. Богатые, которые сильно ценят качество, создают элитные анклавы, вытесняя бедных в периферийные районы. Бедные, чувствительные к цене, усиливают сегрегацию, выбирая самые дешёвые зоны. Однако если бедные перестают реагировать на цену, сегрегация исчезает — но неравенство растёт, потому что они получают выгоду, но всё ещё отстают от богатых.

Это означает, что:

* [[Сегрегация]] — результат рационального выбора, а не случайности: агенты оптимизируют свою полезность на основе приоритетов.
* Цена — более мощный фактор, чем качество: снижение ценовой чувствительности бедных сильнее влияет на сегрегацию, чем требования богатых.
* Смешанные районы ≠ справедливость: даже при отсутствии пространственного разделения неравенство может быть выше, если бедные не получают дополнительных ресурсов.

В реальном мире это объясняет, почему программы доступного жилья или субсидий могут снижать сегрегацию, но не гарантируют социального равенства — для этого нужны дополнительные механизмы перераспределения выгоды.

===Заключение===
Модель городской сегрегации демонстрирует, что пространственное разделение богатых и бедных — не следствие дискриминации или предвзятости, а естественный результат экономических предпочтений агентов. Когда богатые максимизируют качество, а бедные — минимизируют цену, город автоматически разделяется. Но если изменить эти приоритеты (например, через политику доступности), можно достичь более смешанной структуры.

Этот вывод имеет прямое отношение к современной урбанистике, социальной политике и планированию городов. Он показывает, что для создания справедливых городов недостаточно просто «смешивать» группы — необходимо менять условия, при которых бедные принимают решения, чтобы они могли конкурировать на равных, не теряя в полезности.

== ЭКСПЕРИМЕНТ 2 ==
--[[Участник:KryuchkovSR|KryuchkovSR]] ([[Обсуждение участника:KryuchkovSR|обсуждение]]) 22:58, 25 декабря 2025 (MSK)

'''Гипотеза:''' увеличение веса значения ''"death-rate"'' приводит к падению средней цены жилья ''"mean(price)"'' в общем и "mean(price) только в заселённых районах".

{{#widget:Google Spreadsheet
|key=e/2PACX-1vSjSsZDm8SQd9HXDPxlaCx4b5aY-1Jdt456JB9XK8Xy4w4OtPXfAlu3-Wp4mUS2OkWERCIRhSwZlXu0
|width=800
|height=400
}}

'''Цель эксперимента:'''
Исследовать, как частота смертей влияет на среднюю цену в городе в общем, а также в местах, которые уже заселены, а не просто находятся на карте и пустуют.

'''Условия эксперимента:'''

1. death-rate = 4, 7, 10, 13.

2. rich-per-step = 5, poor-per-step = 5.

3. Остальные поля по умолчанию.

4. Шагов: 2000.

'''Настройки эксперимента в NetLogo'''

[[Файл:Эксперимент.png|600px]]

В данном эксперименте я получаю данные сразу для всех 4 значений death-rate (4, 7, 10, 13), а также получаю:
* '''mean [price] of patches''' - средний уровень цен по всему пространству
* '''mean [price] of patches with [any? turtles-here]''' - средний уровень цен только в заселённых районах

'''Шаг 1 эксперимента (death-rate = 4):''' 
''"mean price"'' = 4: медиана ≈ 45.7 
''"mean price lived area"'' = 4: медиана ≈ 50.7

[[Файл:Bp4.png|280px]] [[Файл:Bplive4.png|280px]]

При низкой смертности система стабильно развивается: общая средняя цена растёт медленно, но уверенно. Средняя цена на заселённых участках растёт ещё медленнее — это говорит о том, что агенты (особенно богатые) активно «выбирают» и «поднимают» цены в своих районах, но общее пространство (включая пустые зоны) растёт быстрее.

[[Файл:CodapMP4.png|280px]]
[[Файл:CodapMP4live.png|280px]]

'''Вывод для Шага 1:''' 
При низкой смертности система стабильна, но сегрегирована: богатые агенты создают «горячие точки» высоких цен, в то время как общая средняя цена растёт за счёт расширения рынка. Это подтверждает, что низкая смертность позволяет агентам формировать устойчивые «элитные» районы, повышая локальную цену, но не влияя сильно на общую динамику.

'''Шаг 2 эксперимента (death-rate = 7):''' 
mean price = 7: медиана ≈ 43.8 
mean price lived area = 7: медиана ≈ 60.9

[[Файл:MP7.png|280px]]
[[Файл:MP7live.png|280px]]

При средней смертности общий рост цен замедляется, но цена на заселённых участках растёт быстрее — это ''парадокс''! '''Объяснение:''' при большей смертности агенты живут короче → меньше времени на «закрепление» в районе → больше перемещений → более частое «обновление» цен в новых местах. Это создаёт эффект «прыжков» цен в новых районах, что увеличивает среднюю цену на заселённых участках, но не влияет на общую среднюю цену (так как много пустых зон).

[[Файл:CodapMP7.png|280px]]
[[Файл:CodapMP7live.png|280px]]

'''Вывод для Шага 2:''' 
При средней смертности наблюдается интересный эффект: общая средняя цена растёт медленнее, но цена на заселённых участках — быстрее. Это связано с повышенной мобильностью агентов — они чаще меняют место жительства, «поднимая» цены в новых районах. Это означает, что смертность не снижает цену, а перераспределяет её по городу, создавая временные «горячие точки».

'''Шаг 3 эксперимента (death-rate = 10):''' 
mean price = 10: медиана ≈ 44.2 
mean price lived area = 10: медиана ≈ 62.5

[[Файл:MP10.png|280px]]
[[Файл:MP10lived.png|280px]]

При высокой смертности картина схожа с предыдущим сценарием, но разрыв между общей ценой и ценой на заселённых участках ещё больше. Это значит, что агенты всё ещё активно «выбирают» дорогие районы, но их жизнь короче → они не успевают «прижиться» → цены в их районах растут быстро, но не стабильно. Низкий r² для lived area подтверждает высокую волатильность.

[[Файл:CodapMP10.png|280px]]
[[Файл:CodapMP10live.png|280px]]

'''Вывод для Шага 3:''' 
При высокой смертности цена на заселённых участках достигает максимума (медиана ~62.3), хотя общая средняя цена растёт медленно. Это говорит о том, что агенты, несмотря на короткую жизнь, продолжают выбирать самые дорогие районы, создавая локальные «пузыри» высоких цен. Однако из-за частой смены места жительства эти пузыри нестабильны — что подтверждается низким r².

'''Шаг 4 эксперимента (death-rate = 13):''' 
mean price = 13: медиана ≈ 43, тренд: +0.002 * step, r² = 0.821 
mean price lived area = 13: медиана ≈ 64.8, тренд: +0.003 * step, r² = 0.097
Анализ:

При очень высокой смертности общая цена почти не растёт (r² = 0.821 — худший показатель среди всех сценариев). Но цена на заселённых участках — самая высокая (медиана ~64.8) и растёт быстрее всего (+0.003 * step). При этом r² = 0.097 — самый низкий из всех, что означает максимальную нестабильность.

Это означает: агенты, живущие очень недолго, не успевают «освоиться» в районе, но при этом выбирают самые дорогие места — возможно, из-за алгоритма выбора (rich-utility), который не учитывает смертность. В результате получается «фейерверк» цен: агенты приходят, платят высокую цену, умирают — и следующие агенты снова выбирают те же дорогие места.

'''Вывод для Шага 4:''' 
При очень высокой смертности цена на заселённых участках достигает пика (~64.8), но система становится максимально нестабильной (r² = 0.097). Это означает, что агенты продолжают выбирать дорогие районы, несмотря на короткую жизнь, создавая кратковременные «цены-пузыри». Общая средняя цена почти не растёт — потому что большинство патчей остаются пустыми. Это подтверждает, что смертность не снижает цену, а усиливает её локализацию и волатильность.

Главный вывод
Гипотеза — » — не подтвердилась. Наоборот, с ростом смертности цена на заселённых участках растёт, а общая средняя цена либо растёт медленнее, либо стабилизируется.

== ЭКСПЕРИМЕНТ 3 ==
--[[Участник:ZhiltsovES|ZhiltsovES]] ([[Обсуждение участника:ZhiltsovES|обсуждение]])

'''Гипотеза:''' Распределение рабочих мест в дорогих районах создаёт дополнительное преимущество для богатых и увеличивает социальное неравенство

Файл:CodapMP10live.png

2026-01-13T22:35:05Z

KryuchkovSR:

Файл:CodapMP10.png

2026-01-13T22:34:32Z

KryuchkovSR:

Файл:MP10lived.png

2026-01-13T22:25:52Z

KryuchkovSR:

Файл:MP10.png

2026-01-13T22:25:27Z

KryuchkovSR:

Файл:CodapMP7live.png

2026-01-13T22:14:28Z

KryuchkovSR:

Файл:CodapMP7.png

2026-01-13T22:13:59Z

KryuchkovSR:

Файл:MP7live.png

2026-01-13T22:08:56Z

KryuchkovSR:

Файл:MP7.png

2026-01-13T22:08:29Z

KryuchkovSR:

Эксперименты с моделью Urban Suite - Economic Disparity

2026-01-13T21:54:39Z

KryuchkovSR: /* ЭКСПЕРИМЕНТ 2 */

Эксперименты с моделью Urban Suite - Economic Disparity

2026-01-13T21:53:33Z

KryuchkovSR: /* ЭКСПЕРИМЕНТ 2 */

Файл:CodapMP4live.png

2026-01-13T21:52:39Z

KryuchkovSR:

Файл:CodapMP4.png

2026-01-13T21:51:57Z

KryuchkovSR:

Файл:Bplive4.png

2026-01-13T21:48:41Z

KryuchkovSR:

qwe

Файл:Bp4.png

2026-01-13T21:47:13Z

KryuchkovSR:

Файл:Эксперимент.png

2026-01-13T20:34:12Z

KryuchkovSR:

настройка

Эксперименты с моделью Urban Suite - Economic Disparity

2026-01-13T20:15:57Z

KryuchkovSR: /* ЭКСПЕРИМЕНТ 2 */

Эксперименты с моделью Urban Suite - Economic Disparity

2026-01-13T20:07:03Z

KryuchkovSR: /* ЭКСПЕРИМЕНТ 2 */

Эксперименты с моделью Urban Suite - Economic Disparity

2026-01-13T19:31:42Z

KryuchkovSR: /* ЭКСПЕРИМЕНТ 2 */

Эксперименты с моделью Urban Suite - Economic Disparity

2026-01-13T19:28:03Z

KryuchkovSR: /* ЭКСПЕРИМЕНТ 2 */

Эксперименты с моделью Urban Suite - Economic Disparity

2025-12-26T20:47:00Z

KryuchkovSR: /* ЭКСПЕРИМЕНТ 2 */

Эксперименты с моделью Urban Suite - Economic Disparity

2025-12-25T21:21:46Z

KryuchkovSR:

== ОПИСАНИЕ МОДЕЛИ ==
Модель '''Urban Suite - Economic Disparity''' представляет упрощённую городскую экономическую систему, где агенты с различным социально-экономическим статусом конкурируют за землю в городском пространстве. Модель исследует процессы пространственной сегрегации и формирования экономического неравенства в городской среде. В модели есть фиксированные рабочие места (серые квадраты), распределённые по городской территории. Агенты стремятся минимизировать расстояние до ближайшего места работы.

== ЭКСПЕРИМЕНТ 1 ==
''Гипотеза: Изменение весов "rich-quality-priority" и "poor-price-priority" приведёт к разным типам городской сегрегации и уровням неравенства.

'''Цель эксперимента:'''
Исследовать, как изменение приоритетов агентов (богатых и бедных) влияет на структуру городского пространства. В частности, нас интересует, как веса параметров rich-quality-priority (насколько богатые ценят качество района) и poor-price-priority (насколько бедные чувствительны к цене) определяют:

уровень пространственной сегрегации (измеряется индексом Дункана),

степень неравенства в распределении полезности (измеряется коэффициентом Джини),

среднее расстояние между представителями двух групп,

разницу в средней полезности между богатыми и бедными.

== ЭКСПЕРИМЕНТ 2 ==
--[[Участник:KryuchkovSR|KryuchkovSR]] ([[Обсуждение участника:KryuchkovSR|обсуждение]]) 22:58, 25 декабря 2025 (MSK)

'''Гипотеза:''' разная скорость роста населения ''(poor-per-step vs rich-per-step)'' и смертности ''(death-rate)'' создаёт циклические волны джентрификации.

'''Джентрификация (англ. gentrification)''' — процесс облагораживания и изменения образа жизни в пришедших в упадок городских кварталах в результате благоустройства, создания комфортной среды и привлечения более состоятельных жителей.

'''Цель эксперимента:''' 
Исследовать, как дифференциальные демографические параметры влияют на:

'''1.''' Динамику цен в различных типах районов 
'''2.''' Смену социально-экономического состава патчей (участков) 
'''3.''' Цикличность процессов джентрификации 
'''4.''' Устойчивые состояния городской системы

Эксперименты с моделью Urban Suite - Economic Disparity

2025-12-25T20:28:30Z

KryuchkovSR:

Эксперименты с моделью Urban Suite - Economic Disparity

2025-12-25T19:58:35Z

KryuchkovSR:

== ОПИСАНИЕ МОДЕЛИ ==
Модель "Urban Suite - Economic Disparity" представляет упрощённую городскую экономическую систему, где агенты с различным социально-экономическим статусом конкурируют за землю в городском пространстве. Модель исследует процессы пространственной сегрегации и формирования экономического неравенства в городской среде. В модели есть фиксированные рабочие места (серые квадраты), распределённые по городской территории. Агенты стремятся минимизировать расстояние до ближайшего места работы.

== ЭКСПЕРИМЕНТ 2 ==
--[[Участник:KryuchkovSR|KryuchkovSR]] ([[Обсуждение участника:KryuchkovSR|обсуждение]]) 22:58, 25 декабря 2025 (MSK)

'''Гипотеза:''' разная скорость роста населения ''(poor-per-step vs rich-per-step)'' и смертности ''(death-rate)'' создаёт циклические волны джентрификации.

'''Джентрификация (англ. gentrification)''' — процесс облагораживания и изменения образа жизни в пришедших в упадок городских кварталах в результате благоустройства, создания комфортной среды и привлечения более состоятельных жителей.

Эксперименты с моделью Urban Suite - Economic Disparity

2025-12-25T14:12:28Z

KryuchkovSR:

Модель "Urban Suite - Economic Disparity" представляет упрощённую городскую экономическую систему, где агенты с различным социально-экономическим статусом конкурируют за землю в городском пространстве. Модель исследует процессы пространственной сегрегации и формирования экономического неравенства в городской среде. В модели есть фиксированные рабочие места (серые квадраты), распределённые по городской территории. Агенты стремятся минимизировать расстояние до ближайшего места работы.

== ЭКСПЕРИМЕНТ 1 ==
''Гипотеза:''

Эксперименты с моделью Urban Suite - Economic Disparity

2025-12-25T13:00:58Z

KryuchkovSR: Новая страница: «Модель "Urban Suite - Economic Disparity" представляет упрощённую городскую экономическую систему, где агенты с различным социально-экономическим статусом конкурируют за землю в городском пространстве. Модель исследует процессы пространственной сегрегации и форм...»

Участник:KryuchkovSR/Wolf-Sheep

2025-11-21T16:39:44Z

KryuchkovSR:

Датасет с волками

Гугл таблица с датасетом, где sheep_reproduce = 10
* https://docs.google.com/spreadsheets/d/1kOZVMzpX_qVWtNARx6vuyhlgzmA08CFRO-WW4Uab5AU/edit?gid=1456991554#gid=1456991554
{{#widget:Google Spreadsheet
|key=e/2PACX-1vQkW1oA6vKCaJpil0dH5s_yNpieU-pBTmfifrjA_PeR2pWRBK45yVFsBEnGe0tqeapxIAvCnzymrABp
}}

Обсуждение:Как провести регрессионный анализ

2025-11-21T16:36:35Z

KryuchkovSR: /* Дополнение с датасетом про авиаперелеты */

== 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.

== Дополнение с датасетом про энергию ==

https://corgis-edu.github.io/corgis/csv/energy/

Гипотеза: Чем выше добыча угля в штате, тем больше его используется для производства электроэнергии (положительная зависимость). Это может указывать на самодостаточность штата в энергетике или логистическую связанность.

[[Файл:2025-11-20 14-20-20.png|600px]]

Is the mean of Consumption.Electric Power.Coal ≠ 0 ?

N = 3060, t = 47,3, P < 0.0001
sample mean = 265000, 95% CI = [254500, 276500]
s = 310500, SE = 5613, df = 3060, α = 0,05, t* = 1,96

Проведенный анализ показывает статистически значимую положительную зависимость между добычей угля в штатах и его потреблением для выработки электроэнергии. Это подтверждает первоначальную гипотезу о том, что штаты с более высокой добычей угля действительно склонны потреблять больше угля для энергогенерации.

== Дополнение с датасетом про демографию ==

--[[Участник:KryuchkovSR|KryuchkovSR]] ([[Обсуждение участника:KryuchkovSR|обсуждение]]) 01:12, 21 ноября 2025 (MSK)

https://corgis-edu.github.io/corgis/csv/state_demographics/

Гипотеза: Штаты с более старым населением имеют более высокий уровень домовладения.

[[Файл:График демографии.png|650px]]

Is the mean of Age.Percent 65 and Older ≠ 0 ?

N = 51, t = 60, P < 0.0001
sample mean = 16,9, 95% CI = [16,31, 17,44]
s = 2,009, SE = 0,2813, df = 50, α = 0,05, t* = 2,01

Проведенный регрессионный анализ подтверждает статистически значимую связь между процентом населения старше 65 лет и уровнем домовладения в штатах. Полученные результаты свидетельствуют о том, что:

Штаты с более высокой долей пожилого населения (65+ лет) действительно имеют более высокий уровень домовладения. Эта зависимость является статистически значимой (p < 0.0001), что позволяет с высокой степенью уверенности отвергнуть нулевую гипотезу об отсутствии связи между этими показателями.

== Дополнение с датасетом про автомобили ==

--[[Участник:GavrikovVI843|GavrikovVI843]] ([[Обсуждение участника:GavrikovVI843|обсуждение]]) 01:35, 21 ноября 2025 (MSK)

https://corgis-edu.github.io/corgis/csv/cars/

Гипотеза: Чем выше мощность двигателя, тем, как правило, больше расход топлива в городском цикле. Это классическая обратная связь.

[[Файл:Автомобили зависимость.png|650px]]

Is the mean of Engine Information.Engine Statistics.Horsepower ≠ 0 ?

N = 5076, t = 202, P < 0.0001
sample mean = 270, 95% CI = [267,9, 273,1]
s = 95,29, SE = 1,338, df = 5080, α = 0,05, t* = 1,96

Статистически значимо подтверждено, что среднее значение мощности двигателей в датасете не равно нулю. Средняя мощность составляет 270 л.с., а 95%-ный доверительный интервал (от 267,9 до 273,1 л.с.) не включает в себя ноль. Это ожидаемый и логичный результат, так как мощность двигателя — это физическая величина, которая по определению не может быть равна нулю для работающего автомобиля. Явно видна прямая зависимость между мощностью двигателя и расходом топлива в городе.

== Дополнение с датасетом про авиаперелеты ==

--[[Участник:ZatsepinNA|ZatsepinNA]] ([[Обсуждение участника:ZatsepinNA|обсуждение]]) 19:29, 21 ноября 2025 (MSK)

https://corgis-edu.github.io/corgis/csv/airlines/
*Гипотеза: чем больше рейсов задержано, тем больше суммарное время задержек.

[[Файл:Полёты.png|650px]]

Is the mean of Statistics.Flights.Delayed ≠ 0 ?
N = 4408, t = 93,2, P < 0.0001
sample mean = 2400, 95% CI = [2351, 2453]
s = 1711, SE = 25,77, df = 4410, α = 0,05, t* = 1,96

Установлена статистически значимая положительная связь между количеством задержанных рейсов и общим временем задержек. Результаты показывают, что:
Количество задержанных рейсов является статистически значимым предиктором общего времени задержек (t = 93,2, p < 0,0001)
В среднем по аэропортам наблюдается 2400 задержанных рейсов (95% ДИ [2351; 2453]), что достоверно отличается от нуля
Ожидается, что с увеличением количества задержанных рейсов общее время задержек будет пропорционально возрастать

Обсуждение:Как провести регрессионный анализ

2025-11-21T16:33:52Z

KryuchkovSR: /* Дополнение с датасетом про авиаперелеты */

== 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.

== Дополнение с датасетом про энергию ==

https://corgis-edu.github.io/corgis/csv/energy/

Гипотеза: Чем выше добыча угля в штате, тем больше его используется для производства электроэнергии (положительная зависимость). Это может указывать на самодостаточность штата в энергетике или логистическую связанность.

[[Файл:2025-11-20 14-20-20.png|600px]]

Is the mean of Consumption.Electric Power.Coal ≠ 0 ?

N = 3060, t = 47,3, P < 0.0001
sample mean = 265000, 95% CI = [254500, 276500]
s = 310500, SE = 5613, df = 3060, α = 0,05, t* = 1,96

Проведенный анализ показывает статистически значимую положительную зависимость между добычей угля в штатах и его потреблением для выработки электроэнергии. Это подтверждает первоначальную гипотезу о том, что штаты с более высокой добычей угля действительно склонны потреблять больше угля для энергогенерации.

== Дополнение с датасетом про демографию ==

--[[Участник:KryuchkovSR|KryuchkovSR]] ([[Обсуждение участника:KryuchkovSR|обсуждение]]) 01:12, 21 ноября 2025 (MSK)

https://corgis-edu.github.io/corgis/csv/state_demographics/

Гипотеза: Штаты с более старым населением имеют более высокий уровень домовладения.

[[Файл:График демографии.png|650px]]

Is the mean of Age.Percent 65 and Older ≠ 0 ?

N = 51, t = 60, P < 0.0001
sample mean = 16,9, 95% CI = [16,31, 17,44]
s = 2,009, SE = 0,2813, df = 50, α = 0,05, t* = 2,01

Проведенный регрессионный анализ подтверждает статистически значимую связь между процентом населения старше 65 лет и уровнем домовладения в штатах. Полученные результаты свидетельствуют о том, что:

Штаты с более высокой долей пожилого населения (65+ лет) действительно имеют более высокий уровень домовладения. Эта зависимость является статистически значимой (p < 0.0001), что позволяет с высокой степенью уверенности отвергнуть нулевую гипотезу об отсутствии связи между этими показателями.

== Дополнение с датасетом про автомобили ==

--[[Участник:GavrikovVI843|GavrikovVI843]] ([[Обсуждение участника:GavrikovVI843|обсуждение]]) 01:35, 21 ноября 2025 (MSK)

https://corgis-edu.github.io/corgis/csv/cars/

Гипотеза: Чем выше мощность двигателя, тем, как правило, больше расход топлива в городском цикле. Это классическая обратная связь.

[[Файл:Автомобили зависимость.png|650px]]

Is the mean of Engine Information.Engine Statistics.Horsepower ≠ 0 ?

N = 5076, t = 202, P < 0.0001
sample mean = 270, 95% CI = [267,9, 273,1]
s = 95,29, SE = 1,338, df = 5080, α = 0,05, t* = 1,96

Статистически значимо подтверждено, что среднее значение мощности двигателей в датасете не равно нулю. Средняя мощность составляет 270 л.с., а 95%-ный доверительный интервал (от 267,9 до 273,1 л.с.) не включает в себя ноль. Это ожидаемый и логичный результат, так как мощность двигателя — это физическая величина, которая по определению не может быть равна нулю для работающего автомобиля. Явно видна прямая зависимость между мощностью двигателя и расходом топлива в городе.

== Дополнение с датасетом про авиаперелеты ==

--[[Участник:ZatsepinNA|ZatsepinNA]] ([[Обсуждение участника:ZatsepinNA|обсуждение]]) 19:29, 21 ноября 2025 (MSK)

https://corgis-edu.github.io/corgis/csv/airlines/
*Гипотеза: Датасет позволяет предсказать общее время задержек на основе количества задержанных рейсов. Ожидается сильная положительная корреляция: чем больше рейсов задержано, тем больше суммарное время задержек.

[[Файл:Полёты.png|650px]]

Is the mean of Statistics.Flights.Delayed ≠ 0 ?
N = 4408, t = 93,2, P < 0.0001
sample mean = 2400, 95% CI = [2351, 2453]
s = 1711, SE = 25,77, df = 4410, α = 0,05, t* = 1,96

Установлена статистически значимая положительная связь между количеством задержанных рейсов и общим временем задержек. Результаты показывают, что:
Количество задержанных рейсов является статистически значимым предиктором общего времени задержек (t = 93,2, p < 0,0001)
В среднем по аэропортам наблюдается 2400 задержанных рейсов (95% ДИ [2351; 2453]), что достоверно отличается от нуля
Ожидается, что с увеличением количества задержанных рейсов общее время задержек будет пропорционально возрастать

Обсуждение:Как провести регрессионный анализ

2025-11-21T16:33:19Z

KryuchkovSR: /* Дополнение с датасетом про авиаперелеты */

== 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.

== Дополнение с датасетом про энергию ==

https://corgis-edu.github.io/corgis/csv/energy/

Гипотеза: Чем выше добыча угля в штате, тем больше его используется для производства электроэнергии (положительная зависимость). Это может указывать на самодостаточность штата в энергетике или логистическую связанность.

[[Файл:2025-11-20 14-20-20.png|600px]]

Is the mean of Consumption.Electric Power.Coal ≠ 0 ?

N = 3060, t = 47,3, P < 0.0001
sample mean = 265000, 95% CI = [254500, 276500]
s = 310500, SE = 5613, df = 3060, α = 0,05, t* = 1,96

Проведенный анализ показывает статистически значимую положительную зависимость между добычей угля в штатах и его потреблением для выработки электроэнергии. Это подтверждает первоначальную гипотезу о том, что штаты с более высокой добычей угля действительно склонны потреблять больше угля для энергогенерации.

== Дополнение с датасетом про демографию ==

--[[Участник:KryuchkovSR|KryuchkovSR]] ([[Обсуждение участника:KryuchkovSR|обсуждение]]) 01:12, 21 ноября 2025 (MSK)

https://corgis-edu.github.io/corgis/csv/state_demographics/

Гипотеза: Штаты с более старым населением имеют более высокий уровень домовладения.

[[Файл:График демографии.png|650px]]

Is the mean of Age.Percent 65 and Older ≠ 0 ?

N = 51, t = 60, P < 0.0001
sample mean = 16,9, 95% CI = [16,31, 17,44]
s = 2,009, SE = 0,2813, df = 50, α = 0,05, t* = 2,01

Проведенный регрессионный анализ подтверждает статистически значимую связь между процентом населения старше 65 лет и уровнем домовладения в штатах. Полученные результаты свидетельствуют о том, что:

Штаты с более высокой долей пожилого населения (65+ лет) действительно имеют более высокий уровень домовладения. Эта зависимость является статистически значимой (p < 0.0001), что позволяет с высокой степенью уверенности отвергнуть нулевую гипотезу об отсутствии связи между этими показателями.

== Дополнение с датасетом про автомобили ==

--[[Участник:GavrikovVI843|GavrikovVI843]] ([[Обсуждение участника:GavrikovVI843|обсуждение]]) 01:35, 21 ноября 2025 (MSK)

https://corgis-edu.github.io/corgis/csv/cars/

Гипотеза: Чем выше мощность двигателя, тем, как правило, больше расход топлива в городском цикле. Это классическая обратная связь.

[[Файл:Автомобили зависимость.png|650px]]

Is the mean of Engine Information.Engine Statistics.Horsepower ≠ 0 ?

N = 5076, t = 202, P < 0.0001
sample mean = 270, 95% CI = [267,9, 273,1]
s = 95,29, SE = 1,338, df = 5080, α = 0,05, t* = 1,96

Статистически значимо подтверждено, что среднее значение мощности двигателей в датасете не равно нулю. Средняя мощность составляет 270 л.с., а 95%-ный доверительный интервал (от 267,9 до 273,1 л.с.) не включает в себя ноль. Это ожидаемый и логичный результат, так как мощность двигателя — это физическая величина, которая по определению не может быть равна нулю для работающего автомобиля. Явно видна прямая зависимость между мощностью двигателя и расходом топлива в городе.

== Дополнение с датасетом про авиаперелеты ==

--[[Участник:ZatsepinNA|ZatsepinNA]] ([[Обсуждение участника:ZatsepinNA|обсуждение]]) 19:29, 21 ноября 2025 (MSK)

https://corgis-edu.github.io/corgis/csv/airlines/
*Гипотеза: Датасет позволяет предсказать общее время задержек на основе количества задержанных рейсов. Ожидается сильная положительная корреляция: чем больше рейсов задержано, тем больше суммарное время задержек.

[[Файл:Полёты.png|650px]]

Is the mean of Statistics.Flights.Delayed ≠ 0 ?
N = 4408, t = 93,2, P < 0.0001
sample mean = 2400, 95% CI = [2351, 2453]
s = 1711, SE = 25,77, df = 4410, α = 0,05, t* = 1,96

Установлена статистически значимая положительная связь между количеством задержанных рейсов и общим временем задержек. Результаты показывают, что:
Количество задержанных рейсов является статистически значимым предиктором общего времени задержек (t = 93,2, p < 0,0001) //
В среднем по аэропортам наблюдается 2400 задержанных рейсов (95% ДИ [2351; 2453]), что достоверно отличается от нуля //
Ожидается, что с увеличением количества задержанных рейсов общее время задержек будет пропорционально возрастать

Обсуждение:Как провести регрессионный анализ

2025-11-20T22:44:36Z

KryuchkovSR: /* Дополнение с датасетом про демографию */

Обсуждение:Как провести регрессионный анализ

2025-11-20T22:12:42Z

KryuchkovSR:

Обсуждение:Практическое задание по анализу временных рядов

2025-11-20T22:03:47Z

KryuchkovSR:

== 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 ==

Это пример постановки эксперимента

--[[Участник:Kate|Kate]] ([[Обсуждение участника:Kate|обсуждение]]) 09:41, 15 ноября 2025 (MSK)

Условия эксперимента:
# Плотность - 95%
# Таких же как я - 70%
# Встроить документ в страницу - [[Google Sheets]]

*
18ETlNj_PdpHHS31PXFFE3xKZz2Fi-4xkqeDgUYEfN_M/edit?usp=sharing

== 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
}}

== Датасет как вики таблица ==

* https://raw.githubusercontent.com/patarakin/stat-data/ee3ff311001c6097690360309525529610f4cda1/datasets/csv/Segregation_experiment1.csv

== Urban_Suite_-_Economic_Disparity ==

* [[Urban_Suite_-_Economic_Disparity]]
** http://raw.githubusercontent.com/patarakin/stat-data/refs/heads/main/datasets/csv/EconomicDisparity_experiment1.csv

== Эксперимент с моделью Segregation ==

*
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={{#widget:Google Spreadsheet
|key=e/2PACX-1vTSVYEuoG3mfbZfxAGOGWz6q81-JAnIk69BaD4ih-HayiSjrkdICgjlrUMMgYiecxOuyN56YDQq9oF4
|width=500
|height=400
}}

== 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.

Файл:Raw happy.png

2025-11-20T22:01:33Z

KryuchkovSR:

raw