Поле цифровой дидактики - Вклад [ru]

Обсуждение:Как провести регрессионный анализ

2025-12-27T00:35:08Z

OlesyaPirozhkova:

== 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 ==
--[[Участник:Григорий Глаголенко|Григорий Глаголенко]] ([[Обсуждение участника:Григорий Глаголенко|обсуждение]]) 23:13, 21 декабря 2025 (MSK)

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

== Дополнение с датасетом про еду ==

--[[Участник:Евгения Будянская|Евгения Будянская]] ([[Обсуждение участника:Евгения Будянская|обсуждение]]) 15:28, 8 декабря 2025 (MSK)

https://corgis-edu.github.io/corgis/csv/food/

Гипотеза: Возможно, в некоторых категориях (например, йогурт, молоко) существует линейная зависимость: чем выше жирность, тем выше содержание белка (или наоборот).

[[Файл:График про еду.png|650px]]

Is the mean of Data.Protein ≠ 0 ?

N = 5000, t = 72,7, P < 0.0001
sample mean = 8,53, 95% CI = [8,303, 8,763]
s = 8,302, SE = 0,1174, df = 5000, α = 0,05, t* = 1,96

Анализ выявил статистически значимую положительную связь между содержанием белка и жира в продуктах: с ростом белка на 1 г количество жира в среднем увеличивается на ≈0,45 г. Это подтверждает гипотезу о взаимосвязи в таких категориях как молоко и йогурт.

Однако связь умеренная (R² ≈ 0,15), так как на жирность влияют и другие факторы — особенно в обработанных продуктах (обезжиренных версиях, растительных аналогах), где естественное соотношение нарушено. Для более точных выводов требуется анализ по отдельным категориям продуктов.

== Дополнение с датасетом про стрельбу в полиции ==

--[[Участник:Губайдуллина Алина|Губайдуллина Алина]] ([[Обсуждение участника:Губайдуллина Алина|обсуждение]]) 17:31, 8 декабря 2025 (MSK)

https://corgis-edu.github.io/corgis/csv/police_shootings/

Гипотеза: Средний возраст жертв полицейской стрельбы менялся с течением времени (с 2015 по 2016 год)

[[Файл:Screenshot 305.png]]

Is the mean of Person.Age ≠ 0 ?

N = 5000, t = 167, P < 0.0001
sample mean = 35,3, 95% CI = [34,85, 35,68]
s = 14,95, SE = 0,2115, df = 5000, α = 0,05, t* = 1,96

Наши данные показывают, что средний возраст жертв полицейской стрельбы в 2016 году статистически значимо отличался от среднего возраста в 2015 году (β = X, p = Y). Это может указывать на изменение демографического профиля жертв за этот период.

Регрессионный анализ выявил статистически значимую связь между годом инцидента и возрастом жертвы (t = 167, p < 0.0001). Уравнение регрессии показало, что с каждым годом средний возраст жертв снижался на [b₁] лет. Таким образом, в данных наблюдается значимый тренд к омоложению людей, вовлеченных в инциденты со стрельбой полиции, в период с 2015 по 2016 год.

== Дополнение с датасетом про ингредиенты ==

--[[Участник:Демина Валерия|Демина Валерия]] ([[Обсуждение участника:Демина Валерия|обсуждение]]) 01:25, 9 декабря 2025 (MSK)

https://corgis-edu.github.io/corgis/csv/ingredients/

Гипотеза: Общее содержание сахара является значимым предиктором общего количества углеводов в пищевых продуктах.

[[Файл:Ingridient.png]]

Is the mean of Data.Sugar Total ≠ 0 ?

N = 2332, t = 30,9, P < 0.0001
sample mean = 11,1, 95% CI = [10,4, 11,81]
s = 17,34, SE = 0,3591, df = 2330, α = 0,05, t* = 1,96

Анализ подтвердил гипотезу о существовании статистически значимой положительной линейной зависимости между содержанием сахара и общим количеством углеводов в исследуемых пищевых продуктах.

Коэффициент регрессии β₁ = 0.869 показывает, что при увеличении содержания сахара на 1 г/100 г продукта, общее содержание углеводов увеличивается в среднем на 0.87 г.

R² = 0.842 означает, что 84.2% вариации общего содержания углеводов объясняется вариацией содержания сахара. Это указывает на очень хорошую предсказательную силу модели.

== Дополнение с датасетом про землетрясения ==
--[[Участник:Дамдинова Кристина|Дамдинова Кристина]] ([[Обсуждение участника:Дамдинова Кристина|обсуждение]]) 11:07, 9 декабря 2025 (MSK)

https://corgis-edu.github.io/corgis/csv/earthquakes/

Гипотеза: Возможно, существует зависимость между глубиной эпицентра землетрясения и его магнитудой: чем глубже происходит сейсмическое событие, тем выше его магнитуда (или наоборот).

[[Файл:Землетрясения.png|700px]]

Is the mean of impact.magnitude ≠ 0 ?

N = 5000, t = 93,3, P < 0.0001
sample mean = 1,49, 95% CI = [1,461, 1,523]
s = 1,131, SE = 0,01599, df = 5000, α = 0,05, t* = 1,96

Исходя из анализа данных, мы получаем обратную связь между глубиной эпицентра и магнитудой землетрясения: с увеличением глубины на 1 км магнитуда в среднем снижается примерно на ≈0,01–0,02 балла. Это частично подтверждает гипотезу, но в обратном направлении: более глубокие землетрясения в среднем оказываются слабее (в пределах данных с магнитудой ≈1,49).

Однако связь крайне слабая (R² < 0,05), так как на магнитуду влияют множество других факторов — тип тектонического разлома, регион, энергия высвобождения.

== Дополнение с датасетом про выпускников ==

--[[Участник:OlesyaPirozhkova|Олеся Пирожкова]] ([[Обсуждение участника:OlesyaPirozhkova|обсуждение]]) 03:35, 27 декабря 2025 (MSK)

https://corgis-edu.github.io/corgis/csv/graduates/

Гипотеза: Чем больше выпускников с магистерской степенью, тем выше средняя зарплата.

[[Файл:Скриншот 27-12-2025 033155.jpg]]

Is the mean of Education.Degrees.Masters ≠ 0 ?

N = 517, t = 9,85, P < 0.0001
sample mean = 56300, 95% CI = [45090, 67540]
s = 129900, SE = 5714, df = 516, α = 0,05, t* = 1,96

* Вывод: Результаты анализа подтверждают, что существует статистически значимая положительная связь между количеством выпускников с магистерской степенью и их средней зарплатой. Значение t-статистики (9,85) и p-value (<0,0001) указывают на высокую надёжность этой связи. Среднее количество магистров составляет 56 300 человек, причём с 95% уверенностью можно утверждать, что истинное значение лежит между 45 090 и 67 540. Таким образом, специальности с большим числом магистров демонстрируют более высокий уровень доходов, что подтверждает гипотезу о влиянии высшего образования на заработную плату.
* Однако корреляция не доказывает причинно-следственную связь — возможны влияния сторонних факторов (престиж профессии, отраслевые особенности). Для уточнения рекомендуется расширить анализ с включением дополнительных переменных.

Файл:Скриншот 27-12-2025 033155.jpg

2025-12-27T00:32:27Z

OlesyaPirozhkova:

Обсуждение:Практическое задание по анализу временных рядов

2025-12-27T00:12:41Z

OlesyaPirozhkova: /* Эксперимент с моделью Segregation */

== Пример постановки эксперимента с моделью Segregation ==

Это пример постановки эксперимента
--[[Участник:Patarakin|Patarakin]] ([[Обсуждение участника:Patarakin|обсуждение]]) 09:16, 15 ноября 2025 (MSK)

Условия эксперимента:
# Плотность - 60%
# Таких же как я - 30, 40, 60 %

Time unhappy
0 300
1 161
2 99
3 62
4 38
5 28
6 18
7 11
8 5
9 2
10 2
11 0

=== [[BehaviorSpace]] Experiment ===
* https://raw.githubusercontent.com/patarakin/stat-data/ee3ff311001c6097690360309525529610f4cda1/datasets/csv/Segregation_experiment1.csv

== Пример постановки эксперимента с моделью Segregation ==

=== Сбор данных с модели Segregation ===

--[[Участник:Kate|Kate]] ([[Обсуждение участника:Kate|обсуждение]]) 09:41, 15 ноября 2025 (MSK)

Условия эксперимента:
# Плотность - 95%
# Таких же как я - 70%

https://docs.google.com/spreadsheets/d/18ETlNj_PdpHHS31PXFFE3xKZz2Fi-4xkqeDgUYEfN_M/edit?usp=sharing

{{#widget:Google Spreadsheet
|key=e/2PACX-1vSo0qbkxN8XqMumIM8MZSb57Y4pZMJAmU48njjO_RIMshxYr9yrusvEOBAElT_EUhQJO7kNBqSRlQpI
|width=500
|height=400
}}

=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:

[[Файл:2025-11-29 01-51-38.png|600px]]

=== Далее визуализируем в RawGraph ===
[[Файл:Viz V.png|600px]]

=== Визуализация графиков в RawGraph по модели Economic Disparity(общий датасет)===
Для начала построим диаграммы рассеивания в CODAP:

[[Файл:2025-11-29 02-27-40.png|600px]]

далее в RawGraph:

[[Файл:Ch1.png|600px]]

[[Файл:Ch2.png|600px]]

== Эксперимент с моделью Segregation ==

--[[Участник:PanshinaZina|PanshinaZina]] ([[Обсуждение участника:PanshinaZina|обсуждение]]) 09:46, 15 ноября 2025 (MSK)

=== Сбор данных с модели Segregation ===
# Плотность - 80%
# Таких же как я - 75%

* https://docs.google.com/spreadsheets/d/1gqjZmHA2w2oBaCHlDiRIz5QzEY5BlxX4zDUVXYMCFQ4/edit?gid=0#gid=0

{{#widget:Google Spreadsheet
|key=e/2PACX-1vTSVYEuoG3mfbZfxAGOGWz6q81-JAnIk69BaD4ih-HayiSjrkdICgjlrUMMgYiecxOuyN56YDQq9oF4
|width=500
|height=400
}}

=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:

[[Файл:Codap seg.png|600px]]

Затем построим графики в RawGraph:

[[Файл:Segregation.png|800px]]

На всех графиках наблюдается общая тенденция к снижению числа несчастливых агентов со временем, что соответствует ожидаемому поведению модели сегрегации. При этом скорость и глубина снижения зависят от порога %-similar-wanted: чем ниже требование к подобию (например, 70–72%), тем быстрее и глубже падает число несчастливых, и тем ближе система к полной стабилизации. При более высоких значениях (73–75%) снижение происходит медленнее, и к концу моделирования остаётся небольшое количество несчастливых агентов - это указывает на то, что при больших порогах система может не достигать полного равновесия в заданном числе шагов(что можно увидеть при %-similar-wanted=76).

=== Визуализация графиков в RawGraph по модели Economic Disparity(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:
[[Файл:CODAP ED.png|800px]]

Затем построим графики в RawGraph:

[[Файл:Poor.png|450px]]
[[Файл:Rich.png|450px]]

На полученных графиках мы видим, что чем выше poor-price-priority или rich-quality-priority, тем больше медианное расстояние до работы — это означает, что ориентация бедных на цену и богатых на качество заставляет их выбирать более удалённое место жительство от рабочего места. При снижении этих приоритетов расстояния сокращаются.

== Эксперимент с моделью Segregation ==

--[[Участник:Malena Buzdugan|Malena Buzdugan]] ([[Обсуждение участника:Malena Buzdugan|обсуждение]]) 09:46, 15 ноября 2025 (MSK)

Условия эксперимента:
# Плотность - 80%
# Таких же как я - 50 %

* https://docs.google.com/spreadsheets/d/1Jl5Iat5UvbL5uxol7NzrbJQx7-P_xriS/edit?usp=drive_link&ouid=109987093236244455563&rtpof=true&sd=true

{{#widget:Google Spreadsheet
|key=e/2PACX-1vTPXipXc9ARNYMvQwyHByVmfBmYOsK7G-XRaORt0RZzBQkUeaOVeYcLOVNvCyFtgQ
|width=500
|height=400
}}

=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:

[[Файл:Photo 2025-12-02 13-05-26.jpg|600px]]

=== Далее визуализируем в RawGraph ===
[[Файл:Ааа.png|600px]]
[[Файл:Viz (1.png|600px]]

== Эксперимент с моделью Segregation ==
--[[Участник:DolzhenkovaPV|DolzhenkovaPV]] ([[Обсуждение участника:DolzhenkovaPV|обсуждение]]) 10:08, 24 ноября 2025 (MSK)
*
https://docs.google.com/spreadsheets/d/1VrDX2kuHOzh_HSqERhOXEwUPWtgMEYZyevcI-Lhu8HY/edit?usp=sharing

Условия эксперимента:
# Плотность - 81%
# Таких же как я - 70 %
{{#widget:Google Spreadsheet

|key=e/2PACX-1vTSVYEuoG3mfbZfxAGOGWz6q81-JAnIk69BaD4ih-HayiSjrkdICgjlrUMMgYiecxOuyN56YDQq9oF4
|width=500
|height=400
}}
=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
[[Файл:2025-11-24 09-52-33.png|600px]]

[[Файл:2025-11-24_10-02-54.png|600px]]

== Эксперимент с моделью Segregation ==

--[[Участник:KryuchkovSR|KryuchkovSR]] ([[Обсуждение участника:KryuchkovSR|обсуждение]]) 00:30, 21 ноября 2025 (MSK)

Условия эксперимента:
# Плотность - 95%
# Таких же как я - 65%

*
https://docs.google.com/spreadsheets/d/1gDmKr_UHjpUr5_iR231LlJfVgPMGoHWBdWZI7qigleQ/edit?usp=sharing

{{#widget:Google Spreadsheet
|key=e/2PACX-1vSWXDB_TI-khaobFIf9fXM4zKHx-QBCRcGXbo9afY9tcJttAXEV5EO_j4i0FejKGso38QavLQX43u0z
|width=500
|height=400
}}
=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:
[[Файл:Happy unhappy.png|550px]]

Затем построим графики в RawGraph:
[[Файл:Raw happy.png|700px]]

На всех графиках наблюдается общая тенденция к снижению числа несчастливых агентов со временем, что соответствует ожидаемому поведению модели сегрегации.

== Эксперимент с моделью Segregation ==

--[[Участник:GavrikovVI843|GavrikovVI843]] ([[Обсуждение участника:GavrikovVI843|обсуждение]]) 02:13, 21 ноября 2025 (MSK)

Условия эксперимента:
# Плотность - 83%
# Таких же как я - 83%

*
https://docs.google.com/spreadsheets/d/1Dh_tpGTeNvnSlkdC_UntJwu7G3P6gnVrFi9GWnTEGsw/edit?usp=sharing
{{#widget:Google Spreadsheet
|key=e/2PACX-1vQ-ILv2Q-LJdW11qXQr6tM5sMmHv02Tw5osEWV415-u1I2do17O9biGpPvUZ1bDYCLQzYc7izEEkNv8
}}

=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:
[[Файл:Graphs analyse.png|650px]]

Затем построим графики в RawGraph:
[[Файл:Happy.png|650px]]

== Эксперимент с моделью Segregation ==
--[[Участник:Григорий Глаголенко|Григорий Глаголенко]] ([[Обсуждение участника:Григорий Глаголенко|обсуждение]]) 23:09, 21 декабря 2025 (MSK)

Условия эксперимента:
# Плотность - 88%
# Таких же как я - 88 %
* https://docs.google.com/spreadsheets/d/1KCua6-shAaeD164v4ifRZh_Ez1ZU6aTZFvm54xb8Ce4/edit?gid=0#gid=0

{{#widget:Google Spreadsheet
|key=e/2PACX-1vTPXipXc9ARNYMvQwyHByVmfBmYOsK7G-XRaORt0RZzBQkUeaOVeYcLOVNvCyFtgQ
|width=500
|height=400
}}

=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:
[[Файл:Снимок экрана 2025-11-29 014538.png| 600px]]

===Затем построим графики в RawGraph===
[[Файл:GG2.png|800px]]

=== Визуализация графиков в RawGraph по модели Economic Disparity(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:
[[Файл:GG3.png|800]]

Затем построим графики в RawGraph:
[[Файл:Viz (1).png|800px]]

== Эксперимент с моделью Segregation ==
'''Хлебова Екатерина, гр. АБП-231'''

Условия эксперимента:
# Плотность - 84%
# Таких же как я - 63%

* https://docs.google.com/spreadsheets/d/1pdLtG43iF32Rs9Z2s5ju2wnlG2ecnbMy1wdeQ296n60/edit?usp=sharing
{{#widget:Google Spreadsheet
|key=e/2PACX-1vRS39czJLsMKifssDW8tsGwRz_cIN-6_tgljBkzjCjIh5bH1qr2YZoEjlZu4Mkene8rxFQqA_LSuuPr
|width=500
|height=400
}}

=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:
[[Файл:Segregation experiment.jpg|600px]]

Затем построим графики в RawGraph:
[[Файл:Хлебова ЕМ.png|800px]]

== Эксперимент с моделью Segregation ==

--[[Участник:Евгения Будянская|Евгения Будянская]] ([[Обсуждение участника:Евгения Будянская|обсуждение]]) 21:28, 8 декабря 2025 (MSK)

Условия эксперимента:
# Плотность - 96%
# Таких же как я - 64%

*
https://docs.google.com/spreadsheets/d/1tw4X7ycnG31bSNJsV_xGkZo3OP_IIaVSUFyWJuTp6yg/edit?usp=sharing

{{#widget:Google Spreadsheet
|key=e/2PACX-1vRVHoEZqhOt04Vipn_5Tv1VO06faXuW13tow8W3S7JPdQdiE7vTdViAfXa4eCm_LQgxg6wIHr32Nrz4
|width=500
|height=400
}}
=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:

[[Файл:Dig1.png|550px]]

Затем построим графики в RawGraph:

[[Файл:V666.png|700px]]

Результаты моделирования подтверждают теоретическое предположение: на всех кривых прослеживается общая тенденция к снижению доли несчастливых агентов со временем, что является закономерным итогом процесса, заложенного в модель сегрегации.

== Эксперимент с моделью Sergegation ==
--[[Участник:Губайдуллина Алина|Губайдуллина Алина]] ([[Обсуждение участника:Губайдуллина Алина|обсуждение]]) 23:10, 8 декабря 2025 (MSK)

Условия эксперимента:

1. Плотность - 92%

2. Таких же как я - 79%

https://docs.google.com/spreadsheets/d/1g9T9165heBCoUtpesHFcIddSF68hZaAAWxfcZsQUmiw/edit?usp=sharing

{{#widget:Google Spreadsheet
|key=e/2PACX-1vRkSLeEY2TYJnI2ObN502g5r1PKGYmXzcyR4LdaY5D42kSs_LSO5IxIhreGxal_jPghjSYcUK9BSVOU
|width=500
|height=400
}}

=== Визуализация графиков в RawGraph по модели Sergegation (общий датасет) ===

Построим диаграммы рассеивания в CODAP:

[[Файл:Диаграммы.png]]

Построим графики в RawGraph:

[[Файл:Графикиии.png]]

== Эксперимент с моделью Segregation ==

--[[Участник:Демина Валерия|Демина Валерия]] ([[Обсуждение участника:Демина Валерия|обсуждение]]) 11:34, 9 декабря 2025 (MSK)

Условия эксперимента:
# Плотность - 99%
# Таких же как я - 19%

*
https://docs.google.com/spreadsheets/d/1RVYnlLvSdyDtDooe4mh-T0cSPFVDePH2zywlokQ1V34/edit?usp=sharing

{{#widget:Google Spreadsheet
|key=e/2PACX-1vQ2Eji-Josjnm2wBSKXuvkNHL6KMIOAbfVV-BnroT5yzl0ZDcMb_nLQ9vrFTCUqzTglSWFr35JYN_Hr
|width=500
|height=400
}}
=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:

[[Файл:Grafic.png]]

Затем построим графики в RawGraph:

[[Файл:111.png]]

Результаты моделирования подтверждают теоретическое предположение: на всех кривых прослеживается общая тенденция к снижению доли несчастливых агентов со временем, что является закономерным итогом процесса, заложенного в модель сегрегации.

== Эксперимент с моделью Segregation ==

--[[Участник:Дамдинова Кристина|Дамдинова Кристина]] ([[Обсуждение участника:Дамдинова Кристина|обсуждение]]) 12:38, 9 декабря 2025 (MSK)

Условия эксперимента:
# Плотность - 91%
# Таких же как я - 59%

*
https://docs.google.com/spreadsheets/d/1LN5JDLVOwUvy4e5urHivpIrDHr5cg6x2ELrqEpVkDic/edit?gid=1093335053#gid=1093335053

{{#widget:Google Spreadsheet
|key=e/2PACX-1vTtj8mx3YlVlgDJkE3eo681lK7O-yWJ-WnLySGH9wyrFZ6E8tNMUed0f-VSYqxbU7K3fOPpSGOZvuTi
|width=500
|height=400
}}
=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===

Начнём с построения диаграммы рассеивания в CODAP:

[[Файл:Damdi nothappy.png|600px]]

После построим графики в RawGraph:

[[Файл:Rowhappy damdinova.png|700px]]

Вывод:
Результаты моделирования соответствуют теоретическому ожиданию: на всех графиках наблюдается устойчивая тенденция к уменьшению доли несчастливых агентов с течением времени. Это является естественным следствием механизмов, заложенных в модель сегрегации.

== Эксперимент с моделью Segregation ==
--[[Участник:ZatsepinNA|ZatsepinNA]] ([[Обсуждение участника:ZatsepinNA|обсуждение]]) 00:00, 26 декабря 2025 (MSK)
Условия эксперимента:
# Плотность - 84%
# Таких же как я - 75%
https://docs.google.com/spreadsheets/d/e/2PACX-1vQZpKxbgrmU3cqtiT3B94E2iodLiqhmZcSN2omG3u6iLpvNgBIPzXl1yb9jxzX1Lcq8Q5ihTlvPWiMI/pubhtml
{{#widget:Google Spreadsheet
|key=e/2PACX-1vQZpKxbgrmU3cqtiT3B94E2iodLiqhmZcSN2omG3u6iLpvNgBIPzXl1yb9jxzX1Lcq8Q5ihTlvPWiMI
|width=500
|height=400
}}
=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
Начнём с построения диаграммы рассеивания в CODAP:
[[Файл:Zatsepin unhappy.jpg|600px]]

После построим графики в RawGraph:
[[Файл:Vizzzzz.png|600px]]

Вывод:
Результаты моделирования подтверждают теоретическое предположение: на всех кривых прослеживается общая тенденция к снижению доли несчастливых агентов со временем, что является закономерным итогом процесса, заложенного в модель сегрегаци

== Эксперимент с моделью Segregation ==

--[[Участник:OlesyaPirozhkova|Олеся Пирожкова]] ([[Обсуждение участника:OlesyaPirozhkova|обсуждение]]) 03:12, 27 декабря 2025 (MSK)

Условия эксперимента:
# Плотность - 83%
# Таких же как я - 61%

*
https://docs.google.com/spreadsheets/d/1ArXktXRpKr9C3hhkHkGTjl0CxxW_bK_V4C5Be3Z0sHk/edit?usp=sharing

{{#widget:Google Spreadsheet
|key=e/2PACX-1vRVHoEZqhOt04Vipn_5Tv1VO06faXuW13tow8W3S7JPdQdiE7vTdViAfXa4eCm_LQgxg6wIHr32Nrz4
|width=500
|height=400
}}
=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:

[[Файл:Скриншот 27-12-2025 023841.jpg]]

Затем построим графики в RawGraph:

[[Файл:Ыв.jpg]]

Результаты моделирования подтверждают теоретическое предположение: на всех кривых независимо от начальных условий наблюдается общая тенденция к снижению доли несчастливых агентов со временем. Это снижение является закономерным и ожидаемым итогом социального процесса, заложенного в модель сегрегации.

Обсуждение:Практическое задание по анализу временных рядов

2025-12-26T23:59:34Z

OlesyaPirozhkova: /* Эксперимент с моделью Segregation */

== Пример постановки эксперимента с моделью Segregation ==

Это пример постановки эксперимента
--[[Участник:Patarakin|Patarakin]] ([[Обсуждение участника:Patarakin|обсуждение]]) 09:16, 15 ноября 2025 (MSK)

Условия эксперимента:
# Плотность - 60%
# Таких же как я - 30, 40, 60 %

Time unhappy
0 300
1 161
2 99
3 62
4 38
5 28
6 18
7 11
8 5
9 2
10 2
11 0

=== [[BehaviorSpace]] Experiment ===
* https://raw.githubusercontent.com/patarakin/stat-data/ee3ff311001c6097690360309525529610f4cda1/datasets/csv/Segregation_experiment1.csv

== Пример постановки эксперимента с моделью Segregation ==

=== Сбор данных с модели Segregation ===

--[[Участник:Kate|Kate]] ([[Обсуждение участника:Kate|обсуждение]]) 09:41, 15 ноября 2025 (MSK)

Условия эксперимента:
# Плотность - 95%
# Таких же как я - 70%

https://docs.google.com/spreadsheets/d/18ETlNj_PdpHHS31PXFFE3xKZz2Fi-4xkqeDgUYEfN_M/edit?usp=sharing

{{#widget:Google Spreadsheet
|key=e/2PACX-1vSo0qbkxN8XqMumIM8MZSb57Y4pZMJAmU48njjO_RIMshxYr9yrusvEOBAElT_EUhQJO7kNBqSRlQpI
|width=500
|height=400
}}

=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:

[[Файл:2025-11-29 01-51-38.png|600px]]

=== Далее визуализируем в RawGraph ===
[[Файл:Viz V.png|600px]]

=== Визуализация графиков в RawGraph по модели Economic Disparity(общий датасет)===
Для начала построим диаграммы рассеивания в CODAP:

[[Файл:2025-11-29 02-27-40.png|600px]]

далее в RawGraph:

[[Файл:Ch1.png|600px]]

[[Файл:Ch2.png|600px]]

== Эксперимент с моделью Segregation ==

--[[Участник:PanshinaZina|PanshinaZina]] ([[Обсуждение участника:PanshinaZina|обсуждение]]) 09:46, 15 ноября 2025 (MSK)

=== Сбор данных с модели Segregation ===
# Плотность - 80%
# Таких же как я - 75%

* https://docs.google.com/spreadsheets/d/1gqjZmHA2w2oBaCHlDiRIz5QzEY5BlxX4zDUVXYMCFQ4/edit?gid=0#gid=0

{{#widget:Google Spreadsheet
|key=e/2PACX-1vTSVYEuoG3mfbZfxAGOGWz6q81-JAnIk69BaD4ih-HayiSjrkdICgjlrUMMgYiecxOuyN56YDQq9oF4
|width=500
|height=400
}}

=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:

[[Файл:Codap seg.png|600px]]

Затем построим графики в RawGraph:

[[Файл:Segregation.png|800px]]

На всех графиках наблюдается общая тенденция к снижению числа несчастливых агентов со временем, что соответствует ожидаемому поведению модели сегрегации. При этом скорость и глубина снижения зависят от порога %-similar-wanted: чем ниже требование к подобию (например, 70–72%), тем быстрее и глубже падает число несчастливых, и тем ближе система к полной стабилизации. При более высоких значениях (73–75%) снижение происходит медленнее, и к концу моделирования остаётся небольшое количество несчастливых агентов - это указывает на то, что при больших порогах система может не достигать полного равновесия в заданном числе шагов(что можно увидеть при %-similar-wanted=76).

=== Визуализация графиков в RawGraph по модели Economic Disparity(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:
[[Файл:CODAP ED.png|800px]]

Затем построим графики в RawGraph:

[[Файл:Poor.png|450px]]
[[Файл:Rich.png|450px]]

На полученных графиках мы видим, что чем выше poor-price-priority или rich-quality-priority, тем больше медианное расстояние до работы — это означает, что ориентация бедных на цену и богатых на качество заставляет их выбирать более удалённое место жительство от рабочего места. При снижении этих приоритетов расстояния сокращаются.

== Эксперимент с моделью Segregation ==

--[[Участник:Malena Buzdugan|Malena Buzdugan]] ([[Обсуждение участника:Malena Buzdugan|обсуждение]]) 09:46, 15 ноября 2025 (MSK)

Условия эксперимента:
# Плотность - 80%
# Таких же как я - 50 %

* https://docs.google.com/spreadsheets/d/1Jl5Iat5UvbL5uxol7NzrbJQx7-P_xriS/edit?usp=drive_link&ouid=109987093236244455563&rtpof=true&sd=true

{{#widget:Google Spreadsheet
|key=e/2PACX-1vTPXipXc9ARNYMvQwyHByVmfBmYOsK7G-XRaORt0RZzBQkUeaOVeYcLOVNvCyFtgQ
|width=500
|height=400
}}

=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:

[[Файл:Photo 2025-12-02 13-05-26.jpg|600px]]

=== Далее визуализируем в RawGraph ===
[[Файл:Ааа.png|600px]]
[[Файл:Viz (1.png|600px]]

== Эксперимент с моделью Segregation ==
--[[Участник:DolzhenkovaPV|DolzhenkovaPV]] ([[Обсуждение участника:DolzhenkovaPV|обсуждение]]) 10:08, 24 ноября 2025 (MSK)
*
https://docs.google.com/spreadsheets/d/1VrDX2kuHOzh_HSqERhOXEwUPWtgMEYZyevcI-Lhu8HY/edit?usp=sharing

Условия эксперимента:
# Плотность - 81%
# Таких же как я - 70 %
{{#widget:Google Spreadsheet

|key=e/2PACX-1vTSVYEuoG3mfbZfxAGOGWz6q81-JAnIk69BaD4ih-HayiSjrkdICgjlrUMMgYiecxOuyN56YDQq9oF4
|width=500
|height=400
}}
=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
[[Файл:2025-11-24 09-52-33.png|600px]]

[[Файл:2025-11-24_10-02-54.png|600px]]

== Эксперимент с моделью Segregation ==

--[[Участник:KryuchkovSR|KryuchkovSR]] ([[Обсуждение участника:KryuchkovSR|обсуждение]]) 00:30, 21 ноября 2025 (MSK)

Условия эксперимента:
# Плотность - 95%
# Таких же как я - 65%

*
https://docs.google.com/spreadsheets/d/1gDmKr_UHjpUr5_iR231LlJfVgPMGoHWBdWZI7qigleQ/edit?usp=sharing

{{#widget:Google Spreadsheet
|key=e/2PACX-1vSWXDB_TI-khaobFIf9fXM4zKHx-QBCRcGXbo9afY9tcJttAXEV5EO_j4i0FejKGso38QavLQX43u0z
|width=500
|height=400
}}
=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:
[[Файл:Happy unhappy.png|550px]]

Затем построим графики в RawGraph:
[[Файл:Raw happy.png|700px]]

На всех графиках наблюдается общая тенденция к снижению числа несчастливых агентов со временем, что соответствует ожидаемому поведению модели сегрегации.

== Эксперимент с моделью Segregation ==

--[[Участник:GavrikovVI843|GavrikovVI843]] ([[Обсуждение участника:GavrikovVI843|обсуждение]]) 02:13, 21 ноября 2025 (MSK)

Условия эксперимента:
# Плотность - 83%
# Таких же как я - 83%

*
https://docs.google.com/spreadsheets/d/1Dh_tpGTeNvnSlkdC_UntJwu7G3P6gnVrFi9GWnTEGsw/edit?usp=sharing
{{#widget:Google Spreadsheet
|key=e/2PACX-1vQ-ILv2Q-LJdW11qXQr6tM5sMmHv02Tw5osEWV415-u1I2do17O9biGpPvUZ1bDYCLQzYc7izEEkNv8
}}

=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:
[[Файл:Graphs analyse.png|650px]]

Затем построим графики в RawGraph:
[[Файл:Happy.png|650px]]

== Эксперимент с моделью Segregation ==
--[[Участник:Григорий Глаголенко|Григорий Глаголенко]] ([[Обсуждение участника:Григорий Глаголенко|обсуждение]]) 23:09, 21 декабря 2025 (MSK)

Условия эксперимента:
# Плотность - 88%
# Таких же как я - 88 %
* https://docs.google.com/spreadsheets/d/1KCua6-shAaeD164v4ifRZh_Ez1ZU6aTZFvm54xb8Ce4/edit?gid=0#gid=0

{{#widget:Google Spreadsheet
|key=e/2PACX-1vTPXipXc9ARNYMvQwyHByVmfBmYOsK7G-XRaORt0RZzBQkUeaOVeYcLOVNvCyFtgQ
|width=500
|height=400
}}

=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:
[[Файл:Снимок экрана 2025-11-29 014538.png| 600px]]

===Затем построим графики в RawGraph===
[[Файл:GG2.png|800px]]

=== Визуализация графиков в RawGraph по модели Economic Disparity(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:
[[Файл:GG3.png|800]]

Затем построим графики в RawGraph:
[[Файл:Viz (1).png|800px]]

== Эксперимент с моделью Segregation ==
'''Хлебова Екатерина, гр. АБП-231'''

Условия эксперимента:
# Плотность - 84%
# Таких же как я - 63%

* https://docs.google.com/spreadsheets/d/1pdLtG43iF32Rs9Z2s5ju2wnlG2ecnbMy1wdeQ296n60/edit?usp=sharing
{{#widget:Google Spreadsheet
|key=e/2PACX-1vRS39czJLsMKifssDW8tsGwRz_cIN-6_tgljBkzjCjIh5bH1qr2YZoEjlZu4Mkene8rxFQqA_LSuuPr
|width=500
|height=400
}}

=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:
[[Файл:Segregation experiment.jpg|600px]]

Затем построим графики в RawGraph:
[[Файл:Хлебова ЕМ.png|800px]]

== Эксперимент с моделью Segregation ==

--[[Участник:Евгения Будянская|Евгения Будянская]] ([[Обсуждение участника:Евгения Будянская|обсуждение]]) 21:28, 8 декабря 2025 (MSK)

Условия эксперимента:
# Плотность - 96%
# Таких же как я - 64%

*
https://docs.google.com/spreadsheets/d/1tw4X7ycnG31bSNJsV_xGkZo3OP_IIaVSUFyWJuTp6yg/edit?usp=sharing

{{#widget:Google Spreadsheet
|key=e/2PACX-1vRVHoEZqhOt04Vipn_5Tv1VO06faXuW13tow8W3S7JPdQdiE7vTdViAfXa4eCm_LQgxg6wIHr32Nrz4
|width=500
|height=400
}}
=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:

[[Файл:Dig1.png|550px]]

Затем построим графики в RawGraph:

[[Файл:V666.png|700px]]

Результаты моделирования подтверждают теоретическое предположение: на всех кривых прослеживается общая тенденция к снижению доли несчастливых агентов со временем, что является закономерным итогом процесса, заложенного в модель сегрегации.

== Эксперимент с моделью Sergegation ==
--[[Участник:Губайдуллина Алина|Губайдуллина Алина]] ([[Обсуждение участника:Губайдуллина Алина|обсуждение]]) 23:10, 8 декабря 2025 (MSK)

Условия эксперимента:

1. Плотность - 92%

2. Таких же как я - 79%

https://docs.google.com/spreadsheets/d/1g9T9165heBCoUtpesHFcIddSF68hZaAAWxfcZsQUmiw/edit?usp=sharing

{{#widget:Google Spreadsheet
|key=e/2PACX-1vRkSLeEY2TYJnI2ObN502g5r1PKGYmXzcyR4LdaY5D42kSs_LSO5IxIhreGxal_jPghjSYcUK9BSVOU
|width=500
|height=400
}}

=== Визуализация графиков в RawGraph по модели Sergegation (общий датасет) ===

Построим диаграммы рассеивания в CODAP:

[[Файл:Диаграммы.png]]

Построим графики в RawGraph:

[[Файл:Графикиии.png]]

== Эксперимент с моделью Segregation ==

--[[Участник:Демина Валерия|Демина Валерия]] ([[Обсуждение участника:Демина Валерия|обсуждение]]) 11:34, 9 декабря 2025 (MSK)

Условия эксперимента:
# Плотность - 99%
# Таких же как я - 19%

*
https://docs.google.com/spreadsheets/d/1RVYnlLvSdyDtDooe4mh-T0cSPFVDePH2zywlokQ1V34/edit?usp=sharing

{{#widget:Google Spreadsheet
|key=e/2PACX-1vQ2Eji-Josjnm2wBSKXuvkNHL6KMIOAbfVV-BnroT5yzl0ZDcMb_nLQ9vrFTCUqzTglSWFr35JYN_Hr
|width=500
|height=400
}}
=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:

[[Файл:Grafic.png]]

Затем построим графики в RawGraph:

[[Файл:111.png]]

Результаты моделирования подтверждают теоретическое предположение: на всех кривых прослеживается общая тенденция к снижению доли несчастливых агентов со временем, что является закономерным итогом процесса, заложенного в модель сегрегации.

== Эксперимент с моделью Segregation ==

--[[Участник:Дамдинова Кристина|Дамдинова Кристина]] ([[Обсуждение участника:Дамдинова Кристина|обсуждение]]) 12:38, 9 декабря 2025 (MSK)

Условия эксперимента:
# Плотность - 91%
# Таких же как я - 59%

*
https://docs.google.com/spreadsheets/d/1LN5JDLVOwUvy4e5urHivpIrDHr5cg6x2ELrqEpVkDic/edit?gid=1093335053#gid=1093335053

{{#widget:Google Spreadsheet
|key=e/2PACX-1vTtj8mx3YlVlgDJkE3eo681lK7O-yWJ-WnLySGH9wyrFZ6E8tNMUed0f-VSYqxbU7K3fOPpSGOZvuTi
|width=500
|height=400
}}
=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===

Начнём с построения диаграммы рассеивания в CODAP:

[[Файл:Damdi nothappy.png|600px]]

После построим графики в RawGraph:

[[Файл:Rowhappy damdinova.png|700px]]

Вывод:
Результаты моделирования соответствуют теоретическому ожиданию: на всех графиках наблюдается устойчивая тенденция к уменьшению доли несчастливых агентов с течением времени. Это является естественным следствием механизмов, заложенных в модель сегрегации.

== Эксперимент с моделью Segregation ==
--[[Участник:ZatsepinNA|ZatsepinNA]] ([[Обсуждение участника:ZatsepinNA|обсуждение]]) 00:00, 26 декабря 2025 (MSK)
Условия эксперимента:
# Плотность - 84%
# Таких же как я - 75%
https://docs.google.com/spreadsheets/d/e/2PACX-1vQZpKxbgrmU3cqtiT3B94E2iodLiqhmZcSN2omG3u6iLpvNgBIPzXl1yb9jxzX1Lcq8Q5ihTlvPWiMI/pubhtml
{{#widget:Google Spreadsheet
|key=e/2PACX-1vQZpKxbgrmU3cqtiT3B94E2iodLiqhmZcSN2omG3u6iLpvNgBIPzXl1yb9jxzX1Lcq8Q5ihTlvPWiMI
|width=500
|height=400
}}
=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
Начнём с построения диаграммы рассеивания в CODAP:
[[Файл:Zatsepin unhappy.jpg|600px]]

После построим графики в RawGraph:
[[Файл:Vizzzzz.png|600px]]

Вывод:
Результаты моделирования подтверждают теоретическое предположение: на всех кривых прослеживается общая тенденция к снижению доли несчастливых агентов со временем, что является закономерным итогом процесса, заложенного в модель сегрегаци

== Эксперимент с моделью Segregation ==

--[[Участник:OlesyaPiozhkova|OlesyaPiozhkova]] ([[Обсуждение участника:OlesyaPiozhkova|обсуждение]]) 00:10, 26 декабря 2025 (MSK)

Условия эксперимента:
# Плотность - 83%
# Таких же как я - 61%

*
https://docs.google.com/spreadsheets/d/1ArXktXRpKr9C3hhkHkGTjl0CxxW_bK_V4C5Be3Z0sHk/edit?usp=sharing

{{#widget:Google Spreadsheet
|key=e/2PACX-1vRVHoEZqhOt04Vipn_5Tv1VO06faXuW13tow8W3S7JPdQdiE7vTdViAfXa4eCm_LQgxg6wIHr32Nrz4
|width=500
|height=400
}}
=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:

[[Файл:Скриншот 27-12-2025 023841.jpg]]

Затем построим графики в RawGraph:

[[Файл:Ыв.jpg]]

Результаты моделирования подтверждают теоретическое предположение: на всех кривых независимо от начальных условий наблюдается общая тенденция к снижению доли несчастливых агентов со временем. Это снижение является закономерным и ожидаемым итогом социального процесса, заложенного в модель сегрегации.

Обсуждение:Практическое задание по анализу временных рядов

2025-12-26T23:57:48Z

OlesyaPirozhkova: /* Эксперимент с моделью Segregation */

== Пример постановки эксперимента с моделью Segregation ==

Это пример постановки эксперимента
--[[Участник:Patarakin|Patarakin]] ([[Обсуждение участника:Patarakin|обсуждение]]) 09:16, 15 ноября 2025 (MSK)

Условия эксперимента:
# Плотность - 60%
# Таких же как я - 30, 40, 60 %

Time unhappy
0 300
1 161
2 99
3 62
4 38
5 28
6 18
7 11
8 5
9 2
10 2
11 0

=== [[BehaviorSpace]] Experiment ===
* https://raw.githubusercontent.com/patarakin/stat-data/ee3ff311001c6097690360309525529610f4cda1/datasets/csv/Segregation_experiment1.csv

== Пример постановки эксперимента с моделью Segregation ==

=== Сбор данных с модели Segregation ===

--[[Участник:Kate|Kate]] ([[Обсуждение участника:Kate|обсуждение]]) 09:41, 15 ноября 2025 (MSK)

Условия эксперимента:
# Плотность - 95%
# Таких же как я - 70%

https://docs.google.com/spreadsheets/d/18ETlNj_PdpHHS31PXFFE3xKZz2Fi-4xkqeDgUYEfN_M/edit?usp=sharing

{{#widget:Google Spreadsheet
|key=e/2PACX-1vSo0qbkxN8XqMumIM8MZSb57Y4pZMJAmU48njjO_RIMshxYr9yrusvEOBAElT_EUhQJO7kNBqSRlQpI
|width=500
|height=400
}}

=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:

[[Файл:2025-11-29 01-51-38.png|600px]]

=== Далее визуализируем в RawGraph ===
[[Файл:Viz V.png|600px]]

=== Визуализация графиков в RawGraph по модели Economic Disparity(общий датасет)===
Для начала построим диаграммы рассеивания в CODAP:

[[Файл:2025-11-29 02-27-40.png|600px]]

далее в RawGraph:

[[Файл:Ch1.png|600px]]

[[Файл:Ch2.png|600px]]

== Эксперимент с моделью Segregation ==

--[[Участник:PanshinaZina|PanshinaZina]] ([[Обсуждение участника:PanshinaZina|обсуждение]]) 09:46, 15 ноября 2025 (MSK)

=== Сбор данных с модели Segregation ===
# Плотность - 80%
# Таких же как я - 75%

* https://docs.google.com/spreadsheets/d/1gqjZmHA2w2oBaCHlDiRIz5QzEY5BlxX4zDUVXYMCFQ4/edit?gid=0#gid=0

{{#widget:Google Spreadsheet
|key=e/2PACX-1vTSVYEuoG3mfbZfxAGOGWz6q81-JAnIk69BaD4ih-HayiSjrkdICgjlrUMMgYiecxOuyN56YDQq9oF4
|width=500
|height=400
}}

=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:

[[Файл:Codap seg.png|600px]]

Затем построим графики в RawGraph:

[[Файл:Segregation.png|800px]]

На всех графиках наблюдается общая тенденция к снижению числа несчастливых агентов со временем, что соответствует ожидаемому поведению модели сегрегации. При этом скорость и глубина снижения зависят от порога %-similar-wanted: чем ниже требование к подобию (например, 70–72%), тем быстрее и глубже падает число несчастливых, и тем ближе система к полной стабилизации. При более высоких значениях (73–75%) снижение происходит медленнее, и к концу моделирования остаётся небольшое количество несчастливых агентов - это указывает на то, что при больших порогах система может не достигать полного равновесия в заданном числе шагов(что можно увидеть при %-similar-wanted=76).

=== Визуализация графиков в RawGraph по модели Economic Disparity(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:
[[Файл:CODAP ED.png|800px]]

Затем построим графики в RawGraph:

[[Файл:Poor.png|450px]]
[[Файл:Rich.png|450px]]

На полученных графиках мы видим, что чем выше poor-price-priority или rich-quality-priority, тем больше медианное расстояние до работы — это означает, что ориентация бедных на цену и богатых на качество заставляет их выбирать более удалённое место жительство от рабочего места. При снижении этих приоритетов расстояния сокращаются.

== Эксперимент с моделью Segregation ==

--[[Участник:Malena Buzdugan|Malena Buzdugan]] ([[Обсуждение участника:Malena Buzdugan|обсуждение]]) 09:46, 15 ноября 2025 (MSK)

Условия эксперимента:
# Плотность - 80%
# Таких же как я - 50 %

* https://docs.google.com/spreadsheets/d/1Jl5Iat5UvbL5uxol7NzrbJQx7-P_xriS/edit?usp=drive_link&ouid=109987093236244455563&rtpof=true&sd=true

{{#widget:Google Spreadsheet
|key=e/2PACX-1vTPXipXc9ARNYMvQwyHByVmfBmYOsK7G-XRaORt0RZzBQkUeaOVeYcLOVNvCyFtgQ
|width=500
|height=400
}}

=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:

[[Файл:Photo 2025-12-02 13-05-26.jpg|600px]]

=== Далее визуализируем в RawGraph ===
[[Файл:Ааа.png|600px]]
[[Файл:Viz (1.png|600px]]

== Эксперимент с моделью Segregation ==
--[[Участник:DolzhenkovaPV|DolzhenkovaPV]] ([[Обсуждение участника:DolzhenkovaPV|обсуждение]]) 10:08, 24 ноября 2025 (MSK)
*
https://docs.google.com/spreadsheets/d/1VrDX2kuHOzh_HSqERhOXEwUPWtgMEYZyevcI-Lhu8HY/edit?usp=sharing

Условия эксперимента:
# Плотность - 81%
# Таких же как я - 70 %
{{#widget:Google Spreadsheet

|key=e/2PACX-1vTSVYEuoG3mfbZfxAGOGWz6q81-JAnIk69BaD4ih-HayiSjrkdICgjlrUMMgYiecxOuyN56YDQq9oF4
|width=500
|height=400
}}
=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
[[Файл:2025-11-24 09-52-33.png|600px]]

[[Файл:2025-11-24_10-02-54.png|600px]]

== Эксперимент с моделью Segregation ==

--[[Участник:KryuchkovSR|KryuchkovSR]] ([[Обсуждение участника:KryuchkovSR|обсуждение]]) 00:30, 21 ноября 2025 (MSK)

Условия эксперимента:
# Плотность - 95%
# Таких же как я - 65%

*
https://docs.google.com/spreadsheets/d/1gDmKr_UHjpUr5_iR231LlJfVgPMGoHWBdWZI7qigleQ/edit?usp=sharing

{{#widget:Google Spreadsheet
|key=e/2PACX-1vSWXDB_TI-khaobFIf9fXM4zKHx-QBCRcGXbo9afY9tcJttAXEV5EO_j4i0FejKGso38QavLQX43u0z
|width=500
|height=400
}}
=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:
[[Файл:Happy unhappy.png|550px]]

Затем построим графики в RawGraph:
[[Файл:Raw happy.png|700px]]

На всех графиках наблюдается общая тенденция к снижению числа несчастливых агентов со временем, что соответствует ожидаемому поведению модели сегрегации.

== Эксперимент с моделью Segregation ==

--[[Участник:GavrikovVI843|GavrikovVI843]] ([[Обсуждение участника:GavrikovVI843|обсуждение]]) 02:13, 21 ноября 2025 (MSK)

Условия эксперимента:
# Плотность - 83%
# Таких же как я - 83%

*
https://docs.google.com/spreadsheets/d/1Dh_tpGTeNvnSlkdC_UntJwu7G3P6gnVrFi9GWnTEGsw/edit?usp=sharing
{{#widget:Google Spreadsheet
|key=e/2PACX-1vQ-ILv2Q-LJdW11qXQr6tM5sMmHv02Tw5osEWV415-u1I2do17O9biGpPvUZ1bDYCLQzYc7izEEkNv8
}}

=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:
[[Файл:Graphs analyse.png|650px]]

Затем построим графики в RawGraph:
[[Файл:Happy.png|650px]]

== Эксперимент с моделью Segregation ==
--[[Участник:Григорий Глаголенко|Григорий Глаголенко]] ([[Обсуждение участника:Григорий Глаголенко|обсуждение]]) 23:09, 21 декабря 2025 (MSK)

Условия эксперимента:
# Плотность - 88%
# Таких же как я - 88 %
* https://docs.google.com/spreadsheets/d/1KCua6-shAaeD164v4ifRZh_Ez1ZU6aTZFvm54xb8Ce4/edit?gid=0#gid=0

{{#widget:Google Spreadsheet
|key=e/2PACX-1vTPXipXc9ARNYMvQwyHByVmfBmYOsK7G-XRaORt0RZzBQkUeaOVeYcLOVNvCyFtgQ
|width=500
|height=400
}}

=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:
[[Файл:Снимок экрана 2025-11-29 014538.png| 600px]]

===Затем построим графики в RawGraph===
[[Файл:GG2.png|800px]]

=== Визуализация графиков в RawGraph по модели Economic Disparity(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:
[[Файл:GG3.png|800]]

Затем построим графики в RawGraph:
[[Файл:Viz (1).png|800px]]

== Эксперимент с моделью Segregation ==
'''Хлебова Екатерина, гр. АБП-231'''

Условия эксперимента:
# Плотность - 84%
# Таких же как я - 63%

* https://docs.google.com/spreadsheets/d/1pdLtG43iF32Rs9Z2s5ju2wnlG2ecnbMy1wdeQ296n60/edit?usp=sharing
{{#widget:Google Spreadsheet
|key=e/2PACX-1vRS39czJLsMKifssDW8tsGwRz_cIN-6_tgljBkzjCjIh5bH1qr2YZoEjlZu4Mkene8rxFQqA_LSuuPr
|width=500
|height=400
}}

=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:
[[Файл:Segregation experiment.jpg|600px]]

Затем построим графики в RawGraph:
[[Файл:Хлебова ЕМ.png|800px]]

== Эксперимент с моделью Segregation ==

--[[Участник:Евгения Будянская|Евгения Будянская]] ([[Обсуждение участника:Евгения Будянская|обсуждение]]) 21:28, 8 декабря 2025 (MSK)

Условия эксперимента:
# Плотность - 96%
# Таких же как я - 64%

*
https://docs.google.com/spreadsheets/d/1tw4X7ycnG31bSNJsV_xGkZo3OP_IIaVSUFyWJuTp6yg/edit?usp=sharing

{{#widget:Google Spreadsheet
|key=e/2PACX-1vRVHoEZqhOt04Vipn_5Tv1VO06faXuW13tow8W3S7JPdQdiE7vTdViAfXa4eCm_LQgxg6wIHr32Nrz4
|width=500
|height=400
}}
=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:

[[Файл:Dig1.png|550px]]

Затем построим графики в RawGraph:

[[Файл:V666.png|700px]]

Результаты моделирования подтверждают теоретическое предположение: на всех кривых прослеживается общая тенденция к снижению доли несчастливых агентов со временем, что является закономерным итогом процесса, заложенного в модель сегрегации.

== Эксперимент с моделью Sergegation ==
--[[Участник:Губайдуллина Алина|Губайдуллина Алина]] ([[Обсуждение участника:Губайдуллина Алина|обсуждение]]) 23:10, 8 декабря 2025 (MSK)

Условия эксперимента:

1. Плотность - 92%

2. Таких же как я - 79%

https://docs.google.com/spreadsheets/d/1g9T9165heBCoUtpesHFcIddSF68hZaAAWxfcZsQUmiw/edit?usp=sharing

{{#widget:Google Spreadsheet
|key=e/2PACX-1vRkSLeEY2TYJnI2ObN502g5r1PKGYmXzcyR4LdaY5D42kSs_LSO5IxIhreGxal_jPghjSYcUK9BSVOU
|width=500
|height=400
}}

=== Визуализация графиков в RawGraph по модели Sergegation (общий датасет) ===

Построим диаграммы рассеивания в CODAP:

[[Файл:Диаграммы.png]]

Построим графики в RawGraph:

[[Файл:Графикиии.png]]

== Эксперимент с моделью Segregation ==

--[[Участник:Демина Валерия|Демина Валерия]] ([[Обсуждение участника:Демина Валерия|обсуждение]]) 11:34, 9 декабря 2025 (MSK)

Условия эксперимента:
# Плотность - 99%
# Таких же как я - 19%

*
https://docs.google.com/spreadsheets/d/1RVYnlLvSdyDtDooe4mh-T0cSPFVDePH2zywlokQ1V34/edit?usp=sharing

{{#widget:Google Spreadsheet
|key=e/2PACX-1vQ2Eji-Josjnm2wBSKXuvkNHL6KMIOAbfVV-BnroT5yzl0ZDcMb_nLQ9vrFTCUqzTglSWFr35JYN_Hr
|width=500
|height=400
}}
=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:

[[Файл:Grafic.png]]

Затем построим графики в RawGraph:

[[Файл:111.png]]

Результаты моделирования подтверждают теоретическое предположение: на всех кривых прослеживается общая тенденция к снижению доли несчастливых агентов со временем, что является закономерным итогом процесса, заложенного в модель сегрегации.

== Эксперимент с моделью Segregation ==

--[[Участник:Дамдинова Кристина|Дамдинова Кристина]] ([[Обсуждение участника:Дамдинова Кристина|обсуждение]]) 12:38, 9 декабря 2025 (MSK)

Условия эксперимента:
# Плотность - 91%
# Таких же как я - 59%

*
https://docs.google.com/spreadsheets/d/1LN5JDLVOwUvy4e5urHivpIrDHr5cg6x2ELrqEpVkDic/edit?gid=1093335053#gid=1093335053

{{#widget:Google Spreadsheet
|key=e/2PACX-1vTtj8mx3YlVlgDJkE3eo681lK7O-yWJ-WnLySGH9wyrFZ6E8tNMUed0f-VSYqxbU7K3fOPpSGOZvuTi
|width=500
|height=400
}}
=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===

Начнём с построения диаграммы рассеивания в CODAP:

[[Файл:Damdi nothappy.png|600px]]

После построим графики в RawGraph:

[[Файл:Rowhappy damdinova.png|700px]]

Вывод:
Результаты моделирования соответствуют теоретическому ожиданию: на всех графиках наблюдается устойчивая тенденция к уменьшению доли несчастливых агентов с течением времени. Это является естественным следствием механизмов, заложенных в модель сегрегации.

== Эксперимент с моделью Segregation ==
--[[Участник:ZatsepinNA|ZatsepinNA]] ([[Обсуждение участника:ZatsepinNA|обсуждение]]) 00:00, 26 декабря 2025 (MSK)
Условия эксперимента:
# Плотность - 84%
# Таких же как я - 75%
https://docs.google.com/spreadsheets/d/e/2PACX-1vQZpKxbgrmU3cqtiT3B94E2iodLiqhmZcSN2omG3u6iLpvNgBIPzXl1yb9jxzX1Lcq8Q5ihTlvPWiMI/pubhtml
{{#widget:Google Spreadsheet
|key=e/2PACX-1vQZpKxbgrmU3cqtiT3B94E2iodLiqhmZcSN2omG3u6iLpvNgBIPzXl1yb9jxzX1Lcq8Q5ihTlvPWiMI
|width=500
|height=400
}}
=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
Начнём с построения диаграммы рассеивания в CODAP:
[[Файл:Zatsepin unhappy.jpg|600px]]

После построим графики в RawGraph:
[[Файл:Vizzzzz.png|600px]]

Вывод:
Результаты моделирования подтверждают теоретическое предположение: на всех кривых прослеживается общая тенденция к снижению доли несчастливых агентов со временем, что является закономерным итогом процесса, заложенного в модель сегрегаци

== Эксперимент с моделью Segregation ==

Пирожкова Олеся

Условия эксперимента:
# Плотность - 83%
# Таких же как я - 61%

*
https://docs.google.com/spreadsheets/d/1ArXktXRpKr9C3hhkHkGTjl0CxxW_bK_V4C5Be3Z0sHk/edit?usp=sharing

{{#widget:Google Spreadsheet
|key=e/2PACX-1vRVHoEZqhOt04Vipn_5Tv1VO06faXuW13tow8W3S7JPdQdiE7vTdViAfXa4eCm_LQgxg6wIHr32Nrz4
|width=500
|height=400
}}
=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:

[[Файл:Скриншот 27-12-2025 023841.jpg]]

Затем построим графики в RawGraph:

[[Файл:Ыв.jpg]]

Результаты моделирования подтверждают теоретическое предположение: на всех кривых независимо от начальных условий наблюдается общая тенденция к снижению доли несчастливых агентов со временем. Это снижение является закономерным и ожидаемым итогом социального процесса, заложенного в модель сегрегации.

Файл:Ыв.jpg

2025-12-26T23:52:04Z

OlesyaPirozhkova:

Участник:OlesyaPirozhkova

2025-12-26T23:43:58Z

OlesyaPirozhkova:

{{UserMGPU
|Description=Студент МГПУ
|Field_of_knowledge=Математика, Информатика, Экономика, Искусственный интеллект
|similar_concepts=Экономика
|Environment=Python, PostgreSQL, Qwen
|Position=Бакалавриат
|Profile=Математика, Информатика
|PedDirection=Нет
|Community=MGPU
|Виды_спорта=Волейбол
}}
----
[[Категория:UserMGPU]]
[[Категория:АБП-231]]

Участник:OlesyaPirozhkova

2025-12-26T23:43:24Z

OlesyaPirozhkova:

{{UserMGPU
|Field_of_knowledge=Математика, Информатика, Экономика, Искусственный интеллект
|similar_concepts=Экономика
|Environment=Python, PostgreSQL, Qwen
|Position=Бакалавриат
|Profile=Математика, Информатика
|PedDirection=Нет
|Community=MGPU
|Виды_спорта=Волейбол
}}
----
[[Категория:UserMGPU]]
[[Категория:АБП-231]]

Файл:Скриншот 27-12-2025 023841.jpg

2025-12-26T23:39:43Z

OlesyaPirozhkova:

Обсуждение:Практическое задание по анализу временных рядов

2025-12-26T23:36:30Z

OlesyaPirozhkova:

Обсуждение участника:OlesyaPirozhkova

2025-12-26T23:15:50Z

OlesyaPirozhkova: Новая страница: «=== 1. Формула для богатства агента: === [math]\displaystyle{ W_i(t+1) = W_i(t) + X_i(t) - Y_i(t) }[/math] Эта формула описывает, как изменяется богатство агента i за один шаг времени. === 2. Функция плотности экспоненциального распределения: === [math]\displaystyle{ f(w) = \lambda e^{-\lambda w} }[/math] Формула...»

=== 1. Формула для богатства агента: ===

[math]\displaystyle{ W_i(t+1) = W_i(t) + X_i(t) - Y_i(t) }[/math]

Эта формула описывает, как изменяется богатство агента i за один шаг времени.

=== 2. Функция плотности экспоненциального распределения: ===

[math]\displaystyle{ f(w) = \lambda e^{-\lambda w} }[/math]

Формула показывает, к какому распределению стремится богатство после множества итераций.

=== 3. Выборочное среднее (средний уровень богатства): ===

[math]\displaystyle{ \bar{w}(t) = \frac{1}{N}\sum_{i=1}^{N} w_i(t) }[/math]

Это пример вычисления основной описательной статистики — среднего арифметического.

=== 4. Коэффициент Джини (мера неравенства): ===

[math]\displaystyle{ G(t) = \frac{1}{2N^2\bar{w}(t)}\sum_{i=1}^{N}\sum_{j=1}^{N}|w_i(t) - w_j(t)| }[/math]

Более сложная формула, использующая двойную сумму для расчета статистики неравенства.

=== 5. Условная формула для правила обмена: ===

[math]\displaystyle{ w_i(t+1) = \begin{cases} w_i(t) - 1 + \delta_{i,j}(t) & \text{если } w_i(t) \gt 0 \\ w_i(t) + \delta_{i,j}(t) & \text{если } w_i(t) = 0 \end{cases} }[/math]

Пример использования среды cases для описания разных сценариев в рамках одной модели.

Эксперименты с моделью School Choice ABM

2025-12-26T23:00:26Z

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

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

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

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

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

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

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

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

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

== Данные и показатели модели ==

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

=== Графики и их значения ===

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

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

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

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

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

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

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

=== [[Регрессионный анализ]] ===

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

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

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

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

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

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

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

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

== Методология и настройки модели ==

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

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

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

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

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

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

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

== Данные и результаты ==

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

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

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

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

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

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

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

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

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

Следующие данные показывают динамику средней успеваемости при разных транспортных расходах:

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

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

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

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

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

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

== Анализ результатов по шагам ==

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

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

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

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

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

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

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

== Общий вывод и интерпретация ==

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

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

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

== Заключение ==

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

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

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

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

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

== Методология и настройки модели ==

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

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

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

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

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

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

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

'''Протокол эксперимента:'''

1. Базовая проверка гипотезы

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

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

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

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

2. Процедура сбора данных

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

4. Ключевые метрики

Для анализа результатов мы фокусируемся на четырёх индикаторах:

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

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

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

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

== Данные и результаты ==

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

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

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

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

[[Файл:Шщ.jpg]]

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

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

* % of students enrolled:

[[Файл:Таблица2...jpg]]

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

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

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

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

[[Файл:Куке.jpg]]

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

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

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

== Анализ результатов по шагам ==

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

=== Общий вывод и интерпретация ===

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

== Заключение ==

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

Эксперименты с моделью School Choice ABM

2025-12-26T22:57:44Z

OlesyaPirozhkova: /* Динамика средней успеваемости (Average Achievement) */

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

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

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

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

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

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

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

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

== Данные и показатели модели ==

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

=== Графики и их значения ===

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

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

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

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

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

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

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

=== [[Регрессионный анализ]] ===

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

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

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

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

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

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

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

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

== Методология и настройки модели ==

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

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

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

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

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

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

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

== Данные и результаты ==

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

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

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

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

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

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

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

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

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

Следующие данные показывают динамику средней успеваемости при разных транспортных расходах:

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

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

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

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

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

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

== Анализ результатов по шагам ==

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

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

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

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

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

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

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

== Общий вывод и интерпретация ==

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

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

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

== Заключение ==

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

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

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

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

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

== Методология и настройки модели ==

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

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

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

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

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

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

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

'''Протокол эксперимента:'''

1. Базовая проверка гипотезы

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

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

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

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

2. Процедура сбора данных

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

4. Ключевые метрики

Для анализа результатов мы фокусируемся на четырёх индикаторах:

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

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

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

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

== Данные и результаты ==

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

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

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

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

[[Файл:Шщ.jpg]]

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

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

* % of students enrolled:

[[Файл:Таблица2...jpg]]

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

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

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

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

[[Файл:Куке.jpg]]

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

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

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

== Анализ результатов по шагам ==

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

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

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

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

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

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

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

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

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

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

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

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

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

* '''Доступность:''' Охват системы остается почти полным (~99.93% не учащихся). Ресурсы для поступления есть у всех.

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

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

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

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

=== Общий вывод и интерпретация ===

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

== Заключение ==

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

Эксперименты с моделью School Choice ABM

2025-12-26T22:54:11Z

OlesyaPirozhkova: /* Динамика зачисления студентов (%) */

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

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

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

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

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

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

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

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

== Данные и показатели модели ==

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

=== Графики и их значения ===

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

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

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

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

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

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

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

=== [[Регрессионный анализ]] ===

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

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

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

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

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

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

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

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

== Методология и настройки модели ==

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

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

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

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

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

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

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

== Данные и результаты ==

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

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

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

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

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

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

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

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

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

Следующие данные показывают динамику средней успеваемости при разных транспортных расходах:

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

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

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

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

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

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

== Анализ результатов по шагам ==

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

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

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

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

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

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

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

== Общий вывод и интерпретация ==

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

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

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

== Заключение ==

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

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

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

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

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

== Методология и настройки модели ==

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

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

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

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

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

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

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

'''Протокол эксперимента:'''

1. Базовая проверка гипотезы

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

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

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

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

2. Процедура сбора данных

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

4. Ключевые метрики

Для анализа результатов мы фокусируемся на четырёх индикаторах:

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

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

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

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

== Данные и результаты ==

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

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

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

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

[[Файл:Шщ.jpg]]

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

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

* % of students enrolled:

[[Файл:Таблица2...jpg]]

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

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

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

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

[[Файл:Куке.jpg]]

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

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

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

== Анализ результатов по шагам ==

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

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

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

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

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

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

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

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

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

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

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

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

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

* '''Доступность:''' Охват системы остается почти полным (~99.93% не учащихся). Ресурсы для поступления есть у всех.

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

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

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

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

=== Общий вывод и интерпретация ===

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

== Заключение ==

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

Файл:Шщ.jpg

2025-12-26T22:53:54Z

OlesyaPirozhkova:

Эксперименты с моделью School Choice ABM

2025-12-26T22:52:07Z

OlesyaPirozhkova: /* Динамика зачисления студентов (%) */

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

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

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

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

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

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

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

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

== Данные и показатели модели ==

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

=== Графики и их значения ===

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

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

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

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

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

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

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

=== [[Регрессионный анализ]] ===

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

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

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

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

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

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

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

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

== Методология и настройки модели ==

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

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

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

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

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

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

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

== Данные и результаты ==

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

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

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

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

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

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

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

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

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

Следующие данные показывают динамику средней успеваемости при разных транспортных расходах:

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

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

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

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

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

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

== Анализ результатов по шагам ==

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

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

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

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

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

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

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

== Общий вывод и интерпретация ==

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

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

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

== Заключение ==

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

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

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

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

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

== Методология и настройки модели ==

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

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

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

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

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

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

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

'''Протокол эксперимента:'''

1. Базовая проверка гипотезы

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

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

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

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

2. Процедура сбора данных

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

4. Ключевые метрики

Для анализа результатов мы фокусируемся на четырёх индикаторах:

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

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

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

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

== Данные и результаты ==

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

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

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

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

[[Файл:Таблица1..jpg]]

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

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

* % of students enrolled:

[[Файл:Таблица2...jpg]]

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

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

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

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

[[Файл:Куке.jpg]]

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

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

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

== Анализ результатов по шагам ==

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

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

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

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

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

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

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

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

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

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

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

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

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

* '''Доступность:''' Охват системы остается почти полным (~99.93% не учащихся). Ресурсы для поступления есть у всех.

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

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

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

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

=== Общий вывод и интерпретация ===

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

== Заключение ==

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

Эксперименты с моделью School Choice ABM

2025-12-26T22:50:26Z

OlesyaPirozhkova: /* Методология и настройки модели */

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

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

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

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

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

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

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

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

== Данные и показатели модели ==

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

=== Графики и их значения ===

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

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

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

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

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

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

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

=== [[Регрессионный анализ]] ===

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

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

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

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

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

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

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

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

== Методология и настройки модели ==

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

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

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

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

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

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

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

== Данные и результаты ==

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

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

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

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

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

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

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

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

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

Следующие данные показывают динамику средней успеваемости при разных транспортных расходах:

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

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

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

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

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

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

== Анализ результатов по шагам ==

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

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

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

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

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

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

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

== Общий вывод и интерпретация ==

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

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

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

== Заключение ==

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

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

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

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

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

== Методология и настройки модели ==

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

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

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

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

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

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

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

'''Протокол эксперимента:'''

1. Базовая проверка гипотезы

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

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

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

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

2. Процедура сбора данных

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

4. Ключевые метрики

Для анализа результатов мы фокусируемся на четырёх индикаторах:

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

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

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

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

== Данные и результаты ==

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

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

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

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

[[Файл:Таблица1..jpg]]

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

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

* % of students enrolled:

[[Файл:Таблица2...jpg]]

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

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

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

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

[[Файл:Куке.jpg]]

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

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

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

== Анализ результатов по шагам ==

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

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

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

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

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

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

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

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

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

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

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

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

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

* '''Доступность:''' Охват системы остается почти полным (~99.93% не учащихся). Ресурсы для поступления есть у всех.

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

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

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

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

=== Общий вывод и интерпретация ===

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

== Заключение ==

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

Эксперименты с моделью School Choice ABM

2025-12-26T22:48:30Z

OlesyaPirozhkova: /* Методология и настройки модели */

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

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

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

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

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

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

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

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

== Данные и показатели модели ==

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

=== Графики и их значения ===

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

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

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

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

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

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

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

=== [[Регрессионный анализ]] ===

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

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

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

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

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

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

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

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

== Методология и настройки модели ==

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

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

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

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

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

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

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

== Данные и результаты ==

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

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

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

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

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

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

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

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

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

Следующие данные показывают динамику средней успеваемости при разных транспортных расходах:

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

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

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

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

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

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

== Анализ результатов по шагам ==

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

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

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

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

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

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

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

== Общий вывод и интерпретация ==

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

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

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

== Заключение ==

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

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

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

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

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

== Методология и настройки модели ==

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

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

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

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

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

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

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

'''Протокол эксперимента:'''

1. Базовая проверка гипотезы

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

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

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

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

2. Процедура сбора данных

Данные фиксировались на 100-м году моделирования, когда система выходила на стабильное состояние.

4. Ключевые метрики

Для анализа результатов мы фокусируемся на четырёх индикаторах:

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

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

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

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

== Данные и результаты ==

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

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

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

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

[[Файл:Таблица1..jpg]]

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

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

* % of students enrolled:

[[Файл:Таблица2...jpg]]

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

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

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

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

[[Файл:Куке.jpg]]

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

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

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

== Анализ результатов по шагам ==

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

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

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

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

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

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

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

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

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

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

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

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

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

* '''Доступность:''' Охват системы остается почти полным (~99.93% не учащихся). Ресурсы для поступления есть у всех.

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

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

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

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

=== Общий вывод и интерпретация ===

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

== Заключение ==

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

Эксперименты с моделью School Choice ABM

2025-12-26T22:46:32Z

OlesyaPirozhkova: /* Эксперимент №2: Влияние стратегии выбора школы на образовательный разрыв */

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

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

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

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

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

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

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

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

== Данные и показатели модели ==

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

=== Графики и их значения ===

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

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

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

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

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

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

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

=== [[Регрессионный анализ]] ===

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

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

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

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

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

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

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

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

== Методология и настройки модели ==

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

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

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

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

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

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

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

== Данные и результаты ==

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

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

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

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

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

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

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

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

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

Следующие данные показывают динамику средней успеваемости при разных транспортных расходах:

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

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

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

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

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

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

== Анализ результатов по шагам ==

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

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

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

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

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

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

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

== Общий вывод и интерпретация ==

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

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

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

== Заключение ==

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

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

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

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

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

== Методология и настройки модели ==

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

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

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

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

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

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

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

'''Вспомогательный параметр для проверки политики:'''

* '''traffic-lights?''' (false/true) — наличие программ поддержки для бедных семей

'''Протокол эксперимента:'''

1. Базовая проверка гипотезы

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

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

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

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

2. Процедура сбора данных

Данные фиксировались на 100-м году моделирования, когда система выходила на стабильное состояние.

4. Ключевые метрики

Для анализа результатов мы фокусируемся на четырёх индикаторах:

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

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

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

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

== Данные и результаты ==

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

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

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

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

[[Файл:Таблица1..jpg]]

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

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

* % of students enrolled:

[[Файл:Таблица2...jpg]]

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

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

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

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

[[Файл:Куке.jpg]]

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

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

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

== Анализ результатов по шагам ==

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

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

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

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

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

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

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

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

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

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

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

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

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

* '''Доступность:''' Охват системы остается почти полным (~99.93% не учащихся). Ресурсы для поступления есть у всех.

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

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

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

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

=== Общий вывод и интерпретация ===

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

== Заключение ==

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

Эксперименты с моделью School Choice ABM

2025-12-26T22:45:21Z

OlesyaPirozhkova:

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

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

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

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

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

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

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

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

== Данные и показатели модели ==

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

=== Графики и их значения ===

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

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

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

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

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

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

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

=== [[Регрессионный анализ]] ===

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

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

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

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

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

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

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

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

== Методология и настройки модели ==

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

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

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

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

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

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

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

== Данные и результаты ==

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

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

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

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

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

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

{| class="wikitable"
|-
! TransportCost !! Unenrolled (Не учатся) !! High Achievement !! Medium Achievement !! Low Achievement !! Вывод
|-
| '''1''' || ~0% || ~22% || ~62% || ~15% || '''Все учатся''', система доступна
|-
| '''50''' || ~63% || ~9% || ~25% || ~3% || '''Большинство не учатся''', сильное ограничение доступа
|-
| '''100''' || ~87% || ~2.5% || ~9% || ~1% || '''Система почти недоступна''', образование становится элитарным
|}

* % of students enrolled из CODAP:
[[Файл:% of students enrolled.jpg]]

=== Динамика средней успеваемости (Average Achievement) ===

Следующие данные показывают динамику средней успеваемости при разных транспортных расходах:

* https://docs.google.com/spreadsheets/d/1INX7UAnXJlJ2GBZi0itq_CGVQS1fNk5-ubfD_w-28oM/edit?usp=sharing

Данные о средней успеваемости разных групп студентов в зависимости от транспортных расходов:

{{#widget:Google Spreadsheet
|key=e/2PACX-1vQd5o8gpR0YWbbdHeNnMZNTJaUFP_RBO-gJFC8oduybf5q6yIc3DSQqTQ6XhunyEMXZa_YYi5ATg-ee
|width=100%
|height=400
}}

'''Таблица средних значений успеваемости (за период 110-132 шаги):'''

{| class="wikitable"
|-
! TransportCost !! Все студенты !! High-income !! Low-income !! Разрыв (High - Low)
|-
| '''1''' || 0.25 || 1.94 || -0.18 || '''2.12''' (максимальный разрыв)
|-
| '''50''' || 0.39 || 0.7 || -0.15 || '''0.85''' (разрыв уменьшается)
|-
| '''100''' || 0.18 || 0.3 || 0.1 || '''0.2''' (все показатели низкие)
|}

* Average Achievement of Students из RAWGraphs:
[[Файл:Average Achievement of Students.jpg]]

== Анализ результатов по шагам ==

=== Шаг 1: school-transportation-cost = 1 (низкая стоимость) ===

* '''Доступность:''' 100% студентов зачислены в школы.
* '''Сегрегация:''' Наблюдается '''максимальное неравенство'''. Высокодоходные студенты (20% населения) концентрируются в лучших школах (средняя успеваемость ~1.94), в то время как низкодоходные (80%) остаются в слабых школах (успеваемость отрицательная).
* '''Механизм:''' При нулевых транспортных издержках богатые семьи свободно выбирают лучшие школы по всему городу, создавая "супер-сегрегацию".

Низкие транспортные расходы не гарантируют равенства. Напротив, они позволяют состоятельным агентам монополизировать лучшие образовательные ресурсы, усиливая разрыв.

=== Шаг 2: school-transportation-cost = 50 (средняя стоимость) ===

* '''Доступность:''' Катастрофическое падение - '''~63% студентов не могут поступить''' вообще.
* '''Сегрегация (парадокс):''' '''Разрыв в успеваемости между группами сокращается'''. Успеваемость богатых падает (с ~1.94 до 0.6-0.93), а бедных - растёт (с отрицательной до 0.32).
* '''Механизм:''' Высокие транспортные издержки ограничивают мобильность богатых семей. Они реже ездят в отдалённые "топовые" школы, часть качественных мест становится доступнее для локальных (в том числе бедных) студентов. Однако плата - массовое исключение из системы.
Умеренные транспортные расходы могут снизить сегрегацию "внутри" системы, но ценой '''колоссального сокращения общего доступа''' к образованию.

=== Шаг 3: school-transportation-cost = 100 (высокая стоимость) ===

* '''Доступность:''' '''Кризис доступности - ~87% не учатся'''. Образование становится элитарной услугой.
* '''Сегрегация:''' Все показатели успеваемости падают. Система де-факто перестаёт работать как массовая. Неравенство сохраняется, но в условиях "общей бедности" результатов.
* '''Механизм:''' Экстремальные издержки блокируют выбор школы для всех. Система регрессирует к модели "строго по месту жительства", но с огромными потерями в общем качестве.
Высокие транспортные расходы разрушают систему массового образования. Сегрегация принимает форму '''исключения большинства из системы''', а не дифференциации внутри неё.

== Общий вывод и интерпретация ==

1. '''Гипотеза подтвердилась, но с важным уточнением:''' Увеличение транспортных расходов действительно резко снижает доступ к образованию для бедных (рост <code>Unenrolled</code> с 0% до 87%). Однако влияние на '''внутрисистемную сегрегацию''' (разрыв в успеваемости) оказалось '''нелинейным''':
* Максимальная сегрегация наблюдалась при самых низких расходах (cost=1).
* Сегрегация уменьшалась при средних расходах (cost=50), но за счёт катастрофического падения доступности.

2. '''Ключевая дилемма политики:''' Существует '''трудный компромисс (trade-off)''' между:
* Доступностью (охватом населения образованием)
* Снижением сегрегации (разрывов в качестве между группами)
* Общим качеством системы

3. '''Три режима работы системы:'''
* Режим "свободного рынка" (cost=1): Высокий доступ, максимальная сегрегация, высокое качество для элиты.
* Режим "ограниченной мобильности" (cost=50): Низкий доступ, меньшая сегрегация, среднее качество.
* Режим "коллапса" (cost=100): Крайне низкий доступ, система перестаёт быть массовой.

== Заключение ==

Эксперимент наглядно демонстрирует, что '''транспортные расходы являются критическим фактором образовательного неравенства''', но их влияние сложно и нелинейно. Простое снижение или увеличение этих расходов без учёта институционального контекста может приводить к непредвиденным последствиям.

= Эксперимент №2: Влияние стратегии выбора школы на образовательный разрыв =

'''Гипотеза:''' Если богатые семьи при выборе школы в первую очередь смотрят на её качество, а не на близость к дому, то неравенство в образовании между богатыми и бедными детьми усиливается.

'''Цель эксперимента:''' Исследовать, как стратегия выбора школы, основанная на приоритете качества обучения над близостью к дому со стороны богатых семей, влияет на динамику образовательного неравенства между двумя группами:
* Низкодоходные семьи — могут позволить себе выбирать школу по качеству, игнорируя транспортные расходы.
* Высокодоходные студенты — ограничены в выборе из-за стоимости транспорта и близости.

Мы хотим понять: Ведет ли активный поиск лучших школ богатыми семьями к большему расслоению и неравенству в образовании?

== Методология и настройки модели ==

'''Модель:''' Агентная модель школьного выбора (School Choice ABM)

'''Источник:'''
[http://ccl.northwestern.edu/netlogo/community/School_Choice_ABM.nlogo School Choice ABM, Northwestern University]

'''Ссылка на исследование:''' Diego A. Díaz, Ana María Jiménez & Cristián Larroulet (2019) An agent-based model of school choice with information asymmetries, Journal of Simulation, DOI: 10.1080/17477778.2019.1679674

'''Фиксированные параметры (одинаковы для всех прогонов):'''

{| class="wikitable"
|-
! Параметр !! Значение !! Обоснование
|-
| '''number-of-schools''' || 30 || 1 школа на 10 студентов (умеренная плотность)
|-
| '''initial-students''' || 300 || 60 богатых (20%), 240 бедных (80%)
|-
| '''high-income-percentage''' || 20% || Реалистичное социальное неравенство (правило Парето 80/20)
|-
| '''school-transportation-cost''' || 10 || Стандартная стоимость транспорта
|-
| '''with-school-choice?''' || true || Исследуем систему со свободным выбором школы
|}

'''Исследуемый (независимый) параметр:'''

* '''alpha''' (чувствительность к качеству школы для богатых семей): 0.1, 0.5, 0.9

'''Вспомогательный параметр для проверки политики:'''

* '''traffic-lights?''' (false/true) — наличие программ поддержки для бедных семей

'''Протокол эксперимента:'''

1. Базовая проверка гипотезы

Мы смоделировали три основные стратегии, которыми могут руководствоваться богатые семьи при выборе школы, чтобы увидеть, как каждая из них формирует образовательное неравенство.

* Вариант А (alpha=0.1): Богатые выбирают школы в основном по близости к дому. Это консервативный сценарий, где их поведение мало отличается от выбора бедных семей, вынужденных опираться на доступность.

* Вариант В (alpha=0.5): Смешанная стратегия. Богатые балансируют между качеством школы и её расположением. Этот сценарий наиболее реалистичен и отражает компромисс, который делают многие семьи в реальном мире.

* Вариант С (alpha=0.9): Богатые выбирают в основном по качеству, активно используя свои ресурсы для попадания в лучшие учебные заведения. Это сценарий, максимизирующий личную выгоду и потенциально ведущий к сильному расслоению.

2. Процедура сбора данных

Данные фиксировались на 100-м году моделирования, когда система выходила на стабильное состояние.

4. Ключевые метрики

Для анализа результатов мы фокусируемся на четырёх индикаторах:

* '''Среднее качество образования''' для богатых и бедных по отдельности.

* '''Разрыв в качестве''' (разность между средним качеством для богатых и для бедных) — главный показатель неравенства в результатах.

* '''Уровень сегрегации (индекс Дункана)''' — показывает, насколько сильно школы разделены по социальному признаку.

* '''Процент неучтённых студентов''' — выявляет, есть ли в системе ученики, вообще оставшиеся без места в школе.

== Данные и результаты ==

=== Динамика зачисления студентов (%) ===

Следующие данные показывают, как чувствительность к качеству школы для богатых семей влияют на возможность получения образования:

* https://docs.google.com/spreadsheets/d/1xWmCR_HzGBeTRMX_PRVJXkSFCn1yI9mMM2dDc3TkO3s/edit?usp=sharing

Данные о распределении студентов по школам разного уровня качества в зависимости от выбора качественных школ для богатых семей:

[[Файл:Таблица1..jpg]]

'''Ключевые наблюдения по графикам зачисления:'''

{| class="wikitable"
|-
! Alpha !! Unenrolled (Не учатся) !! High Achievement !! Medium Achievement !! Low Achievement !! Вывод
|-
| '''0.1''' || ~0.75% || ~9.6% || ~78.1% || ~13.3% || Минимальное исключение, система доступна всем. Преобладание в средних школах.
|-
| '''0.5''' || ~1.31% || ~3.3% || ~80.2% || ~13.9% || Умеренное исключение, парадоксально низкая доля в лучших школах.
|-
| '''0.9''' || ~0.07% || ~27.6% || ~66.8% || ~5.5% || Практически полный охват, но сильная сегрегация. Богатые концентрируются в лучших школах.
|}

* % of students enrolled:

[[Файл:Таблица2...jpg]]

=== Динамика средней успеваемости (Average Achievement) ===

Следующие данные показывают динамику средней успеваемости при чувствительности к качеству школы для богатых семей:

* https://docs.google.com/spreadsheets/d/1fKbZxBubRZxB9Jo7vGOekblvL7XMfL7e78dZYBmjuek/edit?usp=sharing

Данные о средней успеваемости разных групп студентов в зависимости от транспортных расходов:

[[Файл:Куке.jpg]]

'''Таблица средних значений успеваемости (за период 110-132 шаги):'''

{| class="wikitable"
|-
! Alpha !! Все студенты (среднее) !! High-income !! Low-income !! Разрыв (High - Low)
|-
| '''0.1''' || 0.095 || 0.392 || -0.201 || '''0.593'''
|-
| '''0.5''' || 0.826 || 2.004 || -0.352 || '''2.356'''
|-
| '''0.9''' || 1.442 || 2.731 || 0.153 || '''2.578''' (максимальный разрыв)
|}

* Average Achievement of Students из RAWGraphs:
[[Файл:222.jpg]]

== Анализ результатов по шагам ==

=== Шаг 1: Alpha = 0.1 (низкая чувствительность к качеству)) ===

* '''Доступность:''' Максимальный охват. Доля не учащихся (Unenrolled) составляет всего ~0.75%, что говорит о высокой доступности системы для всех.

* '''Распределение и сегрегация:''' Подавляющее большинство студентов (более 78%) учатся в школах со средним уровнем успеваемости (Medium Achievement). Доля студентов, обучающихся в школах с высокой успеваемостью, относительно невелика для всех групп.

* '''Итоговая успеваемость:''' Разрыв в средних результатах между группами с высоким и низким доходом минимален (0.593). Богатые семьи, выбирая по близости, не концентрируются в лучших школах, что предотвращает сильное расслоение по успеваемости.

* '''Механизм:''' При низкой чувствительности к качеству поведение богатых семей почти не отличается от поведения бедных. Система работает по принципу "по месту жительства", что обеспечивает равный доступ, но не максимизирует общие академические результаты.

Стратегия выбора по близости создает наиболее справедливую систему с высоким охватом, однако она не стимулирует конкуренцию за качество и приводит к усреднению результатов.

=== Шаг 2: Alpha = 0.5 (умеренная чувствительность к качеству) ===

* '''Доступность:''' Доступность несколько снижается. Процент не учащихся возрастает до ~1.31%, что может указывать на начало конкуренции за места.

* '''Распределение и сегрегация:''' Наблюдается парадоксальная ситуация: доля богатых студентов в школах с высокой успеваемостью падает до ~3.3%, в то время как доля в средних школах растет до ~80.2%. Это может свидетельствовать о "перегруппировке" или высокой конкуренции за лучшие места.

* '''Итоговая успеваемость:''' Происходит резкий рост неравенства. Средняя успеваемость богатых студентов резко возрастает (2.004), а бедных — падает (-0.352), что приводит к значительному разрыву (2.356).

* '''Механизм:''' Богатые семьи начинают балансировать между качеством и доступностью. Эта "смешанная стратегия" приводит к их уходу из худших школ и активной конкуренции за хорошие, что выталкивает бедных студентов в школы с низкими результатами.

Умеренная чувствительность запускает механизм "соревновательной сегрегации". Она создает наибольший разрыв в результатах, показывая, что даже частичный уход богатых от принципа "по месту жительства" может резко усилить образовательное неравенство.

=== Шаг 3: Alpha = 0.9 (высокая чувствительность к качеству) ===

* '''Доступность:''' Охват системы остается почти полным (~99.93% не учащихся). Ресурсы для поступления есть у всех.

* '''Распределение и сегрегация:''' Наблюдается сильнейшая сегрегация по качеству. Доля богатых студентов в школах с высокой успеваемостью взлетает до ~27.6%. Школы с низкой успеваемостью почти опустели (~5.5%).

* '''Итоговая успеваемость:''' Разрыв в результатах достигает максимума (2.578). Однако важно отметить, что средний результат бедных студентов становится положительным (0.153), а общая средняя успеваемость системы — самой высокой (1.442).

* '''Механизм:''' Богатые семьи активно используют свои ресурсы для занятия мест в лучших школах. Это создает "элитные" кластеры, но также освобождает места в школах среднего уровня для бедных студентов, повышая их средний результат.

Стратегия активного выбора по качеству приводит к системе с "эффективной, но неравной" сегрегацией. Она максимизирует общие показатели успеваемости системы, но ценой глубокого социального расслоения внутри нее.

=== Общий вывод и интерпретация ===

# '''Гипотеза о влиянии стратегии выбора подтвердилась.''' Изменение параметра Alpha (чувствительности богатых к качеству) кардинально меняет структуру образовательной системы, подтверждая, что поведение элит является ключевым драйвером неравенства.
# '''Выявлена ключевая нелинейность.''' Наибольший разрыв в результатах (Average Achievement) возникает не при максимальной, а при умеренной и высокой чувствительности (Alpha=0.5 и 0.9). Однако причины этого различны: при Alpha=0.5 — из-за выталкивания бедных в худшие школы, а при Alpha=0.9 — из-за концентрации богатых в лучших.
# '''Обнаружен парадокс доступности и сегрегации.''' Самая справедливая система с точки зрения доступа и низкого разрыва (Alpha=0.1) показывает наихудшие общие академические результаты. И наоборот, система с сильной сегрегацией (Alpha=0.9) демонстрирует наивысшую среднюю успеваемость по всем студентам.
# Определены три режима работы системы:
#* Режим "Социальной справедливости" (Alpha=0.1): Высокий охват, низкое неравенство, низкие средние результаты.
# Режим "Нестабильной конкуренции" (Alpha=0.5): Снижение доступности, максимальный рост неравенства, поляризация результатов.
# Режим "Эффективной сегрегации" (Alpha=0.9): Высокий охват, максимальное социальное расслоение, наивысшие средние результаты системы.

== Заключение ==

Эксперимент наглядно демонстрирует глубокую дилемму образовательной политики. Стремление к равенству (низкий Alpha) и стремление к высоким академическим стандартам (высокий Alpha) находятся в объективном противоречии в условиях, когда семьи обладают свободой выбора и неравными ресурсами.

Файл:222.jpg

2025-12-26T22:44:12Z

OlesyaPirozhkova:

Обсуждение:Эксперименты с моделью School Choice ABM

2025-12-26T09:03:19Z

OlesyaPirozhkova:

= Эксперимент №1: Влияние транспортных расходов на образовательную сегрегацию и доступность =

'''Гипотеза:''' Увеличение стоимости транспортных расходов (`school-transportation-cost`) отрицательно влияет на доступ к образованию для низкодоходных студентов и усиливает образовательную сегрегацию в модели школьного выбора.

'''Цель эксперимента:''' Исследовать, как транспортные расходы влияют на динамику образовательного неравенства между двумя группами:
* Низкодоходные студенты — особенно чувствительны к транспортным расходам
* Высокодоходные студенты — могут позволить себе дальние поездки в лучшие школы

Мы хотим понять: при каких транспортных расходах система образования становится полностью недоступной для бедных семей, и как это влияет на общую сегрегацию?

== Методология и настройки модели ==

'''Модель:''' Агентная модель школьного выбора (School Choice ABM)

'''Источник:'''
[http://ccl.northwestern.edu/netlogo/community/School_Choice_ABM.nlogo School Choice ABM, Northwestern University]

'''Ссылка на исследование:''' Diego A. Díaz, Ana María Jiménez & Cristián Larroulet (2019) An agent-based model of school choice with information asymmetries, Journal of Simulation, DOI: 10.1080/17477778.2019.1679674

'''Фиксированные параметры (одинаковы для всех прогонов):'''

{| class="wikitable"
|-
! Параметр !! Значение !! Обоснование
|-
| '''number-of-schools''' || 50 || 1 школа на 20 студентов
|-
| '''initial-students''' || 1050 || 210 богатых (20%), 840 бедных (80%)
|-
| '''high-income-percentage''' || 20% || Реалистичное социальное неравенство
|-
| '''alpha''' || 0.9 || Богатые выбирают преимущественно по качеству
|-
| '''with-school-choice?''' || true || Система с выбором школы
|-
| '''traffic-lights?''' || false || Без информационной помощи
|}

'''Исследуемый (независимый) параметр:'''
* '''school-transportation-cost''': 1, 50, 100 (низкая, средняя, высокая стоимость)

'''Протокол эксперимента:'''

1. Для каждого из трёх значений параметра '''school-transportation-cost''' (1, 50, 100) был выполнен один прогон модели.

2. Данные для анализа были взяты из временного отрезка, когда система уже достигла относительной стабильности — с 110-го по 131-й год моделирования.

3. В рамках этого периода анализировались два ключевых показателя:

- Процент поступивших студентов по категориям школ (высокая, средняя, низкая успеваемость) и процент неучащихся.

- Средняя успеваемость для всех студентов, а также отдельно для групп с высоким и низким доходом.

== Данные и результаты ==

=== Динамика зачисления студентов (%) ===

Следующие данные показывают, как транспортные расходы влияют на возможность получения образования:

* https://docs.google.com/spreadsheets/d/1Xog969ELwDjsTqBReAFYu01sUWOWzBegIUK47VXwpZg/edit?gid=1780246218#gid=1780246218

Данные о распределении студентов по школам разного уровня качества в зависимости от транспортных расходов:

{{#widget:Google Spreadsheet
|key=e/2PACX-1vS5HyrAFRIwByOTWoH3z_ZHnxdwL5HIKvSaG7T_0dgYsdFlLnnnIQt7l_IDrn-2-mlgNAVHBpTXbNY8
|width=100%
|height=400
}}

'''Ключевые наблюдения по графикам зачисления:'''

{| class="wikitable"
|-
! TransportCost !! Unenrolled (Не учатся) !! High Achievement !! Medium Achievement !! Low Achievement !! Вывод
|-
| '''1''' || ~0% || ~22% || ~62% || ~15% || '''Все учатся''', система доступна
|-
| '''50''' || ~63% || ~9% || ~25% || ~3% || '''Большинство не учатся''', сильное ограничение доступа
|-
| '''100''' || ~87% || ~2.5% || ~9% || ~1% || '''Система почти недоступна''', образование становится элитарным
|}

* % of students enrolled из CODAP:
[[Файл:% of students enrolled.jpg]]

=== Динамика средней успеваемости (Average Achievement) ===

Следующие данные показывают динамику средней успеваемости при разных транспортных расходах:

* https://docs.google.com/spreadsheets/d/1INX7UAnXJlJ2GBZi0itq_CGVQS1fNk5-ubfD_w-28oM/edit?usp=sharing

Данные о средней успеваемости разных групп студентов в зависимости от транспортных расходов:

{{#widget:Google Spreadsheet
|key=e/2PACX-1vQd5o8gpR0YWbbdHeNnMZNTJaUFP_RBO-gJFC8oduybf5q6yIc3DSQqTQ6XhunyEMXZa_YYi5ATg-ee
|width=100%
|height=400
}}

'''Таблица средних значений успеваемости (за период 110-132 шаги):'''

{| class="wikitable"
|-
! TransportCost !! Все студенты !! High-income !! Low-income !! Разрыв (High - Low)
|-
| '''1''' || 0.25 || 1.94 || -0.18 || '''2.12''' (максимальный разрыв)
|-
| '''50''' || 0.39 || 0.7 || -0.15 || '''0.85''' (разрыв уменьшается)
|-
| '''100''' || 0.18 || 0.3 || 0.1 || '''0.2''' (все показатели низкие)
|}

* Average Achievement of Students из RAWGraphs:
[[Файл:Average Achievement of Students.jpg]]

== Анализ результатов по шагам ==

=== Шаг 1: school-transportation-cost = 1 (низкая стоимость) ===

* '''Доступность:''' 100% студентов зачислены в школы.
* '''Сегрегация:''' Наблюдается '''максимальное неравенство'''. Высокодоходные студенты (20% населения) концентрируются в лучших школах (средняя успеваемость ~1.94), в то время как низкодоходные (80%) остаются в слабых школах (успеваемость отрицательная).
* '''Механизм:''' При нулевых транспортных издержках богатые семьи свободно выбирают лучшие школы по всему городу, создавая "супер-сегрегацию".

Низкие транспортные расходы не гарантируют равенства. Напротив, они позволяют состоятельным агентам монополизировать лучшие образовательные ресурсы, усиливая разрыв.

=== Шаг 2: school-transportation-cost = 50 (средняя стоимость) ===

* '''Доступность:''' Катастрофическое падение - '''~63% студентов не могут поступить''' вообще.
* '''Сегрегация (парадокс):''' '''Разрыв в успеваемости между группами сокращается'''. Успеваемость богатых падает (с ~1.94 до 0.6-0.93), а бедных - растёт (с отрицательной до 0.32).
* '''Механизм:''' Высокие транспортные издержки ограничивают мобильность богатых семей. Они реже ездят в отдалённые "топовые" школы, часть качественных мест становится доступнее для локальных (в том числе бедных) студентов. Однако плата - массовое исключение из системы.
Умеренные транспортные расходы могут снизить сегрегацию "внутри" системы, но ценой '''колоссального сокращения общего доступа''' к образованию.

=== Шаг 3: school-transportation-cost = 100 (высокая стоимость) ===

* '''Доступность:''' '''Кризис доступности - ~87% не учатся'''. Образование становится элитарной услугой.
* '''Сегрегация:''' Все показатели успеваемости падают. Система де-факто перестаёт работать как массовая. Неравенство сохраняется, но в условиях "общей бедности" результатов.
* '''Механизм:''' Экстремальные издержки блокируют выбор школы для всех. Система регрессирует к модели "строго по месту жительства", но с огромными потерями в общем качестве.
Высокие транспортные расходы разрушают систему массового образования. Сегрегация принимает форму '''исключения большинства из системы''', а не дифференциации внутри неё.

== Общий вывод и интерпретация ==

1. '''Гипотеза подтвердилась, но с важным уточнением:''' Увеличение транспортных расходов действительно резко снижает доступ к образованию для бедных (рост <code>Unenrolled</code> с 0% до 87%). Однако влияние на '''внутрисистемную сегрегацию''' (разрыв в успеваемости) оказалось '''нелинейным''':
* Максимальная сегрегация наблюдалась при самых низких расходах (cost=1).
* Сегрегация уменьшалась при средних расходах (cost=50), но за счёт катастрофического падения доступности.

2. '''Ключевая дилемма политики:''' Существует '''трудный компромисс (trade-off)''' между:
* Доступностью (охватом населения образованием)
* Снижением сегрегации (разрывов в качестве между группами)
* Общим качеством системы

3. '''Три режима работы системы:'''
* Режим "свободного рынка" (cost=1): Высокий доступ, максимальная сегрегация, высокое качество для элиты.
* Режим "ограниченной мобильности" (cost=50): Низкий доступ, меньшая сегрегация, среднее качество.
* Режим "коллапса" (cost=100): Крайне низкий доступ, система перестаёт быть массовой.

== Заключение ==

Эксперимент наглядно демонстрирует, что '''транспортные расходы являются критическим фактором образовательного неравенства''', но их влияние сложно и нелинейно. Простое снижение или увеличение этих расходов без учёта институционального контекста может приводить к непредвиденным последствиям.

= Эксперимент №2: Влияние стратегии выбора школы на образовательный разрыв =

'''Гипотеза:''' Если богатые семьи при выборе школы в первую очередь смотрят на её качество, а не на близость к дому, то неравенство в образовании между богатыми и бедными детьми усиливается.

'''Цель эксперимента:''' Исследовать, как стратегия выбора школы, основанная на приоритете качества обучения над близостью к дому со стороны богатых семей, влияет на динамику образовательного неравенства между двумя группами:
* Низкодоходные семьи — могут позволить себе выбирать школу по качеству, игнорируя транспортные расходы.
* Высокодоходные студенты — ограничены в выборе из-за стоимости транспорта и близости.

Мы хотим понять: Ведет ли активный поиск лучших школ богатыми семьями к большему расслоению и неравенству в образовании?

== Методология и настройки модели ==

'''Модель:''' Агентная модель школьного выбора (School Choice ABM)

'''Источник:'''
[http://ccl.northwestern.edu/netlogo/community/School_Choice_ABM.nlogo School Choice ABM, Northwestern University]

'''Ссылка на исследование:''' Diego A. Díaz, Ana María Jiménez & Cristián Larroulet (2019) An agent-based model of school choice with information asymmetries, Journal of Simulation, DOI: 10.1080/17477778.2019.1679674

'''Фиксированные параметры (одинаковы для всех прогонов):'''

{| class="wikitable"
|-
! Параметр !! Значение !! Обоснование
|-
| '''number-of-schools''' || 30 || 1 школа на 10 студентов (умеренная плотность)
|-
| '''initial-students''' || 300 || 60 богатых (20%), 240 бедных (80%)
|-
| '''high-income-percentage''' || 20% || Реалистичное социальное неравенство (правило Парето 80/20)
|-
| '''school-transportation-cost''' || 10 || Стандартная стоимость транспорта
|-
| '''with-school-choice?''' || true || Исследуем систему со свободным выбором школы
|}

'''Исследуемый (независимый) параметр:'''

* '''alpha''' (чувствительность к качеству школы для богатых семей): 0.1, 0.5, 0.9

'''Вспомогательный параметр для проверки политики:'''

* '''traffic-lights?''' (false/true) — наличие программ поддержки для бедных семей

'''Протокол эксперимента:'''

1. Базовая проверка гипотезы

Мы смоделировали три основные стратегии, которыми могут руководствоваться богатые семьи при выборе школы, чтобы увидеть, как каждая из них формирует образовательное неравенство.

* Вариант А (alpha=0.1): Богатые выбирают школы в основном по близости к дому. Это консервативный сценарий, где их поведение мало отличается от выбора бедных семей, вынужденных опираться на доступность.

* Вариант В (alpha=0.5): Смешанная стратегия. Богатые балансируют между качеством школы и её расположением. Этот сценарий наиболее реалистичен и отражает компромисс, который делают многие семьи в реальном мире.

* Вариант С (alpha=0.9): Богатые выбирают в основном по качеству, активно используя свои ресурсы для попадания в лучшие учебные заведения. Это сценарий, максимизирующий личную выгоду и потенциально ведущий к сильному расслоению.

2. Процедура сбора данных

Данные фиксировались на 100-м году моделирования, когда система выходила на стабильное состояние.

4. Ключевые метрики

Для анализа результатов мы фокусируемся на четырёх индикаторах:

* '''Среднее качество образования''' для богатых и бедных по отдельности.

* '''Разрыв в качестве''' (разность между средним качеством для богатых и для бедных) — главный показатель неравенства в результатах.

* '''Уровень сегрегации (индекс Дункана)''' — показывает, насколько сильно школы разделены по социальному признаку.

* '''Процент неучтённых студентов''' — выявляет, есть ли в системе ученики, вообще оставшиеся без места в школе.

== Данные и результаты ==

=== Динамика зачисления студентов (%) ===

Следующие данные показывают, как чувствительность к качеству школы для богатых семей влияют на возможность получения образования:

* https://docs.google.com/spreadsheets/d/1xWmCR_HzGBeTRMX_PRVJXkSFCn1yI9mMM2dDc3TkO3s/edit?usp=sharing

Данные о распределении студентов по школам разного уровня качества в зависимости от выбора качественных школ для богатых семей:

[[Файл:Таблица1..jpg]]

'''Ключевые наблюдения по графикам зачисления:'''

{| class="wikitable"
|-
! Alpha !! Unenrolled (Не учатся) !! High Achievement !! Medium Achievement !! Low Achievement !! Вывод
|-
| '''0.1''' || ~0.75% || ~9.6% || ~78.1% || ~13.3% || Минимальное исключение, система доступна всем. Преобладание в средних школах.
|-
| '''0.5''' || ~1.31% || ~3.3% || ~80.2% || ~13.9% || Умеренное исключение, парадоксально низкая доля в лучших школах.
|-
| '''0.9''' || ~0.07% || ~27.6% || ~66.8% || ~5.5% || Практически полный охват, но сильная сегрегация. Богатые концентрируются в лучших школах.
|}

* % of students enrolled:

[[Файл:Таблица2...jpg]]

=== Динамика средней успеваемости (Average Achievement) ===

Следующие данные показывают динамику средней успеваемости при чувствительности к качеству школы для богатых семей:

* https://docs.google.com/spreadsheets/d/1fKbZxBubRZxB9Jo7vGOekblvL7XMfL7e78dZYBmjuek/edit?usp=sharing

Данные о средней успеваемости разных групп студентов в зависимости от транспортных расходов:

[[Файл:Куке.jpg]]

'''Таблица средних значений успеваемости (за период 110-132 шаги):'''

{| class="wikitable"
|-
! Alpha !! Все студенты (среднее) !! High-income !! Low-income !! Разрыв (High - Low)
|-
| '''0.1''' || 0.095 || 0.392 || -0.201 || '''0.593'''
|-
| '''0.5''' || 0.826 || 2.004 || -0.352 || '''2.356'''
|-
| '''0.9''' || 1.442 || 2.731 || 0.153 || '''2.578''' (максимальный разрыв)
|}

* Average Achievement of Students из RAWGraphs:
[[Файл:Апррвр.jpg]]

== Анализ результатов по шагам ==

=== Шаг 1: Alpha = 0.1 (низкая чувствительность к качеству)) ===

* '''Доступность:''' Максимальный охват. Доля не учащихся (Unenrolled) составляет всего ~0.75%, что говорит о высокой доступности системы для всех.

* '''Распределение и сегрегация:''' Подавляющее большинство студентов (более 78%) учатся в школах со средним уровнем успеваемости (Medium Achievement). Доля студентов, обучающихся в школах с высокой успеваемостью, относительно невелика для всех групп.

* '''Итоговая успеваемость:''' Разрыв в средних результатах между группами с высоким и низким доходом минимален (0.593). Богатые семьи, выбирая по близости, не концентрируются в лучших школах, что предотвращает сильное расслоение по успеваемости.

* '''Механизм:''' При низкой чувствительности к качеству поведение богатых семей почти не отличается от поведения бедных. Система работает по принципу "по месту жительства", что обеспечивает равный доступ, но не максимизирует общие академические результаты.

Стратегия выбора по близости создает наиболее справедливую систему с высоким охватом, однако она не стимулирует конкуренцию за качество и приводит к усреднению результатов.

=== Шаг 2: Alpha = 0.5 (умеренная чувствительность к качеству) ===

* '''Доступность:''' Доступность несколько снижается. Процент не учащихся возрастает до ~1.31%, что может указывать на начало конкуренции за места.

* '''Распределение и сегрегация:''' Наблюдается парадоксальная ситуация: доля богатых студентов в школах с высокой успеваемостью падает до ~3.3%, в то время как доля в средних школах растет до ~80.2%. Это может свидетельствовать о "перегруппировке" или высокой конкуренции за лучшие места.

* '''Итоговая успеваемость:''' Происходит резкий рост неравенства. Средняя успеваемость богатых студентов резко возрастает (2.004), а бедных — падает (-0.352), что приводит к значительному разрыву (2.356).

* '''Механизм:''' Богатые семьи начинают балансировать между качеством и доступностью. Эта "смешанная стратегия" приводит к их уходу из худших школ и активной конкуренции за хорошие, что выталкивает бедных студентов в школы с низкими результатами.

Умеренная чувствительность запускает механизм "соревновательной сегрегации". Она создает наибольший разрыв в результатах, показывая, что даже частичный уход богатых от принципа "по месту жительства" может резко усилить образовательное неравенство.

=== Шаг 3: Alpha = 0.9 (высокая чувствительность к качеству) ===

* '''Доступность:''' Охват системы остается почти полным (~99.93% не учащихся). Ресурсы для поступления есть у всех.

* '''Распределение и сегрегация:''' Наблюдается сильнейшая сегрегация по качеству. Доля богатых студентов в школах с высокой успеваемостью взлетает до ~27.6%. Школы с низкой успеваемостью почти опустели (~5.5%).

* '''Итоговая успеваемость:''' Разрыв в результатах достигает максимума (2.578). Однако важно отметить, что средний результат бедных студентов становится положительным (0.153), а общая средняя успеваемость системы — самой высокой (1.442).

* '''Механизм:''' Богатые семьи активно используют свои ресурсы для занятия мест в лучших школах. Это создает "элитные" кластеры, но также освобождает места в школах среднего уровня для бедных студентов, повышая их средний результат.

Стратегия активного выбора по качеству приводит к системе с "эффективной, но неравной" сегрегацией. Она максимизирует общие показатели успеваемости системы, но ценой глубокого социального расслоения внутри нее.

== Общий вывод и интерпретация ==

1. '''Гипотеза о влиянии стратегии выбора подтвердилась.''' Изменение параметра Alpha (чувствительности богатых к качеству) кардинально меняет структуру образовательной системы, подтверждая, что поведение элит является ключевым драйвером неравенства.

2. '''Выявлена ключевая нелинейность.''' Наибольший разрыв в результатах (Average Achievement) возникает не при максимальной, а при умеренной и высокой чувствительности (Alpha=0.5 и 0.9). Однако причины этого различны: при Alpha=0.5 — из-за выталкивания бедных в худшие школы, а при Alpha=0.9 — из-за концентрации богатых в лучших.

3. '''Обнаружен парадокс доступности и сегрегации.''' Самая справедливая система с точки зрения доступа и низкого разрыва (Alpha=0.1) показывает наихудшие общие академические результаты. И наоборот, система с сильной сегрегацией (Alpha=0.9) демонстрирует наивысшую среднюю успеваемость по всем студентам.

4. Определены три режима работы системы:

* Режим "Социальной справедливости" (Alpha=0.1): Высокий охват, низкое неравенство, низкие средние результаты.

* Режим "Нестабильной конкуренции" (Alpha=0.5): Снижение доступности, максимальный рост неравенства, поляризация результатов.

* Режим "Эффективной сегрегации" (Alpha=0.9): Высокий охват, максимальное социальное расслоение, наивысшие средние результаты системы.

== Заключение ==

Эксперимент наглядно демонстрирует глубокую дилемму образовательной политики. Стремление к равенству (низкий Alpha) и стремление к высоким академическим стандартам (высокий Alpha) находятся в объективном противоречии в условиях, когда семьи обладают свободой выбора и неравными ресурсами.

Обсуждение:Эксперименты с моделью School Choice ABM

2025-12-26T08:50:49Z

OlesyaPirozhkova:

Файл:Апррвр.jpg

2025-12-26T08:50:32Z

OlesyaPirozhkova:

Файл:Куке.jpg

2025-12-26T08:49:12Z

OlesyaPirozhkova:

уц

Файл:Ыке.jpg

2025-12-26T08:44:04Z

OlesyaPirozhkova:

Обсуждение:Эксперименты с моделью School Choice ABM

2025-12-26T08:03:08Z

OlesyaPirozhkova: /* Данные и результаты */

Обсуждение:Эксперименты с моделью School Choice ABM

2025-12-26T08:02:46Z

OlesyaPirozhkova: /* Данные и результаты */

Файл:Таблица2...jpg

2025-12-26T08:01:23Z

OlesyaPirozhkova:

Обсуждение:Эксперименты с моделью School Choice ABM

2025-12-26T06:47:40Z

OlesyaPirozhkova: /* Эксперимент №1: Влияние стратегии выбора школы на образовательный разрыв */

Обсуждение:Эксперименты с моделью School Choice ABM

2025-12-26T06:36:50Z

OlesyaPirozhkova: /* Данные и результаты */

Файл:Таблица1..jpg

2025-12-26T06:34:34Z

OlesyaPirozhkova:

данные из таблицы

Обсуждение:Эксперименты с моделью School Choice ABM

2025-12-26T06:23:32Z

OlesyaPirozhkova: /* Динамика зачисления студентов (%) */

Обсуждение:Эксперименты с моделью School Choice ABM

2025-12-25T23:59:58Z

OlesyaPirozhkova: /* Динамика зачисления студентов (%) */

Обсуждение:Эксперименты с моделью School Choice ABM

2025-12-25T23:54:20Z

OlesyaPirozhkova:

Обсуждение:Эксперименты с моделью School Choice ABM

2025-12-25T22:02:46Z

OlesyaPirozhkova: /* Методология и настройки модели */

Обсуждение:Эксперименты с моделью School Choice ABM

2025-12-25T21:49:34Z

OlesyaPirozhkova:

= Эксперимент №1: Влияние транспортных расходов на образовательную сегрегацию и доступность =

'''Гипотеза:''' Увеличение стоимости транспортных расходов (`school-transportation-cost`) отрицательно влияет на доступ к образованию для низкодоходных студентов и усиливает образовательную сегрегацию в модели школьного выбора.

'''Цель эксперимента:''' Исследовать, как транспортные расходы влияют на динамику образовательного неравенства между двумя группами:
* Низкодоходные студенты — особенно чувствительны к транспортным расходам
* Высокодоходные студенты — могут позволить себе дальние поездки в лучшие школы

Мы хотим понять: при каких транспортных расходах система образования становится полностью недоступной для бедных семей, и как это влияет на общую сегрегацию?

== Методология и настройки модели ==

'''Модель:''' Агентная модель школьного выбора (School Choice ABM)

'''Источник:'''
[http://ccl.northwestern.edu/netlogo/community/School_Choice_ABM.nlogo School Choice ABM, Northwestern University]

'''Ссылка на исследование:''' Diego A. Díaz, Ana María Jiménez & Cristián Larroulet (2019) An agent-based model of school choice with information asymmetries, Journal of Simulation, DOI: 10.1080/17477778.2019.1679674

'''Фиксированные параметры (одинаковы для всех прогонов):'''

{| class="wikitable"
|-
! Параметр !! Значение !! Обоснование
|-
| '''number-of-schools''' || 50 || 1 школа на 20 студентов
|-
| '''initial-students''' || 1050 || 210 богатых (20%), 840 бедных (80%)
|-
| '''high-income-percentage''' || 20% || Реалистичное социальное неравенство
|-
| '''alpha''' || 0.9 || Богатые выбирают преимущественно по качеству
|-
| '''with-school-choice?''' || true || Система с выбором школы
|-
| '''traffic-lights?''' || false || Без информационной помощи
|}

'''Исследуемый (независимый) параметр:'''
* '''school-transportation-cost''': 1, 50, 100 (низкая, средняя, высокая стоимость)

'''Протокол эксперимента:'''

1. Для каждого из трёх значений параметра '''school-transportation-cost''' (1, 50, 100) был выполнен один прогон модели.

2. Данные для анализа были взяты из временного отрезка, когда система уже достигла относительной стабильности — с 110-го по 131-й год моделирования.

3. В рамках этого периода анализировались два ключевых показателя:

- Процент поступивших студентов по категориям школ (высокая, средняя, низкая успеваемость) и процент неучащихся.

- Средняя успеваемость для всех студентов, а также отдельно для групп с высоким и низким доходом.

== Данные и результаты ==

=== Динамика зачисления студентов (%) ===

Следующие данные показывают, как транспортные расходы влияют на возможность получения образования:

* https://docs.google.com/spreadsheets/d/1Xog969ELwDjsTqBReAFYu01sUWOWzBegIUK47VXwpZg/edit?gid=1780246218#gid=1780246218

Данные о распределении студентов по школам разного уровня качества в зависимости от транспортных расходов:

{{#widget:Google Spreadsheet
|key=e/2PACX-1vS5HyrAFRIwByOTWoH3z_ZHnxdwL5HIKvSaG7T_0dgYsdFlLnnnIQt7l_IDrn-2-mlgNAVHBpTXbNY8
|width=100%
|height=400
}}

'''Ключевые наблюдения по графикам зачисления:'''

{| class="wikitable"
|-
! TransportCost !! Unenrolled (Не учатся) !! High Achievement !! Medium Achievement !! Low Achievement !! Вывод
|-
| '''1''' || ~0% || ~22% || ~62% || ~15% || '''Все учатся''', система доступна
|-
| '''50''' || ~63% || ~9% || ~25% || ~3% || '''Большинство не учатся''', сильное ограничение доступа
|-
| '''100''' || ~87% || ~2.5% || ~9% || ~1% || '''Система почти недоступна''', образование становится элитарным
|}

* % of students enrolled из CODAP:
[[Файл:% of students enrolled.jpg]]

=== Динамика средней успеваемости (Average Achievement) ===

Следующие данные показывают динамику средней успеваемости при разных транспортных расходах:

* https://docs.google.com/spreadsheets/d/1INX7UAnXJlJ2GBZi0itq_CGVQS1fNk5-ubfD_w-28oM/edit?usp=sharing

Данные о средней успеваемости разных групп студентов в зависимости от транспортных расходов:

{{#widget:Google Spreadsheet
|key=e/2PACX-1vQd5o8gpR0YWbbdHeNnMZNTJaUFP_RBO-gJFC8oduybf5q6yIc3DSQqTQ6XhunyEMXZa_YYi5ATg-ee
|width=100%
|height=400
}}

'''Таблица средних значений успеваемости (за период 110-132 шаги):'''

{| class="wikitable"
|-
! TransportCost !! Все студенты !! High-income !! Low-income !! Разрыв (High - Low)
|-
| '''1''' || 0.25 || 1.94 || -0.18 || '''2.12''' (максимальный разрыв)
|-
| '''50''' || 0.39 || 0.7 || -0.15 || '''0.85''' (разрыв уменьшается)
|-
| '''100''' || 0.18 || 0.3 || 0.1 || '''0.2''' (все показатели низкие)
|}

* Average Achievement of Students из RAWGraphs:
[[Файл:Average Achievement of Students.jpg]]

== Анализ результатов по шагам ==

=== Шаг 1: school-transportation-cost = 1 (низкая стоимость) ===

* '''Доступность:''' 100% студентов зачислены в школы.
* '''Сегрегация:''' Наблюдается '''максимальное неравенство'''. Высокодоходные студенты (20% населения) концентрируются в лучших школах (средняя успеваемость ~1.94), в то время как низкодоходные (80%) остаются в слабых школах (успеваемость отрицательная).
* '''Механизм:''' При нулевых транспортных издержках богатые семьи свободно выбирают лучшие школы по всему городу, создавая "супер-сегрегацию".

Низкие транспортные расходы не гарантируют равенства. Напротив, они позволяют состоятельным агентам монополизировать лучшие образовательные ресурсы, усиливая разрыв.

=== Шаг 2: school-transportation-cost = 50 (средняя стоимость) ===

* '''Доступность:''' Катастрофическое падение - '''~63% студентов не могут поступить''' вообще.
* '''Сегрегация (парадокс):''' '''Разрыв в успеваемости между группами сокращается'''. Успеваемость богатых падает (с ~1.94 до 0.6-0.93), а бедных - растёт (с отрицательной до 0.32).
* '''Механизм:''' Высокие транспортные издержки ограничивают мобильность богатых семей. Они реже ездят в отдалённые "топовые" школы, часть качественных мест становится доступнее для локальных (в том числе бедных) студентов. Однако плата - массовое исключение из системы.
Умеренные транспортные расходы могут снизить сегрегацию "внутри" системы, но ценой '''колоссального сокращения общего доступа''' к образованию.

=== Шаг 3: school-transportation-cost = 100 (высокая стоимость) ===

* '''Доступность:''' '''Кризис доступности - ~87% не учатся'''. Образование становится элитарной услугой.
* '''Сегрегация:''' Все показатели успеваемости падают. Система де-факто перестаёт работать как массовая. Неравенство сохраняется, но в условиях "общей бедности" результатов.
* '''Механизм:''' Экстремальные издержки блокируют выбор школы для всех. Система регрессирует к модели "строго по месту жительства", но с огромными потерями в общем качестве.
Высокие транспортные расходы разрушают систему массового образования. Сегрегация принимает форму '''исключения большинства из системы''', а не дифференциации внутри неё.

== Общий вывод и интерпретация ==

1. '''Гипотеза подтвердилась, но с важным уточнением:''' Увеличение транспортных расходов действительно резко снижает доступ к образованию для бедных (рост <code>Unenrolled</code> с 0% до 87%). Однако влияние на '''внутрисистемную сегрегацию''' (разрыв в успеваемости) оказалось '''нелинейным''':
* Максимальная сегрегация наблюдалась при самых низких расходах (cost=1).
* Сегрегация уменьшалась при средних расходах (cost=50), но за счёт катастрофического падения доступности.

2. '''Ключевая дилемма политики:''' Существует '''трудный компромисс (trade-off)''' между:
* Доступностью (охватом населения образованием)
* Снижением сегрегации (разрывов в качестве между группами)
* Общим качеством системы

3. '''Три режима работы системы:'''
* Режим "свободного рынка" (cost=1): Высокий доступ, максимальная сегрегация, высокое качество для элиты.
* Режим "ограниченной мобильности" (cost=50): Низкий доступ, меньшая сегрегация, среднее качество.
* Режим "коллапса" (cost=100): Крайне низкий доступ, система перестаёт быть массовой.

== Заключение ==

Эксперимент наглядно демонстрирует, что '''транспортные расходы являются критическим фактором образовательного неравенства''', но их влияние сложно и нелинейно. Простое снижение или увеличение этих расходов без учёта институционального контекста может приводить к непредвиденным последствиям.

= Эксперимент №1: Влияние стратегии выбора школы на образовательный разрыв =

'''Гипотеза:''' Если богатые семьи при выборе школы в первую очередь смотрят на её качество, а не на близость к дому, то неравенство в образовании между богатыми и бедными детьми усиливается.

'''Цель эксперимента:''' Исследовать, как стратегия выбора школы, основанная на приоритете качества обучения над близостью к дому со стороны богатых семей, влияет на динамику образовательного неравенства между двумя группами:
* Низкодоходные семьи — могут позволить себе выбирать школу по качеству, игнорируя транспортные расходы.
* Высокодоходные студенты — ограничены в выборе из-за стоимости транспорта и близости.

Мы хотим понять: Ведет ли активный поиск лучших школ богатыми семьями к большему расслоению и неравенству в образовании?

== Методология и настройки модели ==

'''Модель:''' Агентная модель школьного выбора (School Choice ABM)

'''Источник:'''
[http://ccl.northwestern.edu/netlogo/community/School_Choice_ABM.nlogo School Choice ABM, Northwestern University]

'''Ссылка на исследование:''' Diego A. Díaz, Ana María Jiménez & Cristián Larroulet (2019) An agent-based model of school choice with information asymmetries, Journal of Simulation, DOI: 10.1080/17477778.2019.1679674

'''Фиксированные параметры (одинаковы для всех прогонов):'''

{| class="wikitable"
|-
! Параметр !! Значение !! Обоснование
|-
| '''number-of-schools''' || 30 || 1 школа на 10 студентов (умеренная плотность)
|-
| '''initial-students''' || 300 || 60 богатых (20%), 240 бедных (80%)
|-
| '''high-income-percentage''' || 20% || Реалистичное социальное неравенство (правило Парето 80/20)
|-
| '''school-transportation-cost''' || 10 || Стандартная стоимость транспорта
|-
| '''with-school-choice?''' || true || Исследуем систему со свободным выбором школы
|}

'''Исследуемый (независимый) параметр:'''

* '''alpha''' (чувствительность к качеству школы для богатых семей): 0.1, 0.5, 0.9

'''Вспомогательный параметр для проверки политики:'''

* '''traffic-lights?''' (false/true) — наличие программ поддержки для бедных семей

'''Протокол эксперимента:'''

1. Базовая проверка гипотезы

Мы смоделировали три основные стратегии, которыми могут руководствоваться богатые семьи при выборе школы, чтобы увидеть, как каждая из них формирует образовательное неравенство.

* Вариант А (alpha=0.1): Богатые выбирают школы в основном по близости к дому. Это консервативный сценарий, где их поведение мало отличается от выбора бедных семей, вынужденных опираться на доступность.

* Вариант В (alpha=0.5): Смешанная стратегия. Богатые балансируют между качеством школы и её расположением. Этот сценарий наиболее реалистичен и отражает компромисс, который делают многие семьи в реальном мире.

* Вариант С (alpha=0.9): Богатые выбирают в основном по качеству, активно используя свои ресурсы для попадания в лучшие учебные заведения. Это сценарий, максимизирующий личную выгоду и потенциально ведущий к сильному расслоению.

2. Проверка политики вмешательства

Чтобы изучить возможность смягчения негативных последствий, мы проверили сценарий с внешним регулированием.

* Вариант D (alpha=0.9 + traffic-lights?=true): Здесь богатые также стремятся к лучшему качеству, но в систему встроены «светофоры» — механизм, резервирующий часть мест в хороших школах для талантливых учеников из бедных семей. Это позволяет проверить, может ли целевая социальная политика снизить сегрегацию даже при эгоистичном поведении элиты.

3. Процедура сбора данных

Для обеспечения надёжности результатов каждый из четырёх сценариев был запущен 5 раз. Это позволяет учесть влияние случайных факторов (например, исходное распределение талантов) и получить устойчивые средние значения. Данные фиксировались на 100-м году моделирования, когда система выходила на стабильное состояние и краткосрочные флуктуации не искажали картину.

4. Ключевые метрики

Для анализа результатов мы фокусируемся на четырёх индикаторах:

* '''Среднее качество образования''' для богатых и бедных по отдельности.

* '''Разрыв в качестве''' (разность между средним качеством для богатых и для бедных) — главный показатель неравенства в результатах.

* '''Уровень сегрегации (индекс Дункана)''' — показывает, насколько сильно школы разделены по социальному признаку.

* '''Процент неучтённых студентов''' — выявляет, есть ли в системе ученики, вообще оставшиеся без места в школе.

== Данные и результаты ==

=== Динамика зачисления студентов (%) ===

Следующие данные показывают, как транспортные расходы влияют на возможность получения образования:

* https://docs.google.com/spreadsheets/d/1Xog969ELwDjsTqBReAFYu01sUWOWzBegIUK47VXwpZg/edit?gid=1780246218#gid=1780246218

Данные о распределении студентов по школам разного уровня качества в зависимости от транспортных расходов:

{{#widget:Google Spreadsheet
|key=e/2PACX-1vS5HyrAFRIwByOTWoH3z_ZHnxdwL5HIKvSaG7T_0dgYsdFlLnnnIQt7l_IDrn-2-mlgNAVHBpTXbNY8
|width=100%
|height=400
}}

'''Ключевые наблюдения по графикам зачисления:'''

{| class="wikitable"
|-
! TransportCost !! Unenrolled (Не учатся) !! High Achievement !! Medium Achievement !! Low Achievement !! Вывод
|-
| '''1''' || ~0% || ~22% || ~62% || ~15% || '''Все учатся''', система доступна
|-
| '''50''' || ~63% || ~9% || ~25% || ~3% || '''Большинство не учатся''', сильное ограничение доступа
|-
| '''100''' || ~87% || ~2.5% || ~9% || ~1% || '''Система почти недоступна''', образование становится элитарным
|}

* % of students enrolled из CODAP:
[[Файл:% of students enrolled.jpg]]

Обсуждение:Эксперименты с моделью School Choice ABM

2025-12-25T20:56:32Z

OlesyaPirozhkova:

Обсуждение:Эксперименты с моделью School Choice ABM

2025-12-25T19:56:37Z

OlesyaPirozhkova:

Обсуждение:Ethnocentrism (model)

2025-12-18T19:00:19Z

OlesyaPirozhkova:

== ЭКСПЕРИМЕНТ 1 ==
''Гипотеза:'' увеличение стоимости помощи отрицательно влияет на численность альтруистов (CC) и положительно — на численность эгоистов (DD) в модели этноцентризма

{{#widget:Google Spreadsheet
|key=e/2PACX-1vRPGwF9cVIGNCXtJwJXeOw5P8TOl6iZzkRc_zuXvce8g6AetmAtWeTE-HtVRlvPzHbdt_2Fjf-yVY4k
|width=800
|height=400
}}
https://docs.google.com/spreadsheets/d/e/2PACX-1vRPGwF9cVIGNCXtJwJXeOw5P8TOl6iZzkRc_zuXvce8g6AetmAtWeTE-HtVRlvPzHbdt_2Fjf-yVY4k/pubhtml

'''Цель эксперимента:'''
Исследовать, как стоимость помощи (cost-of-giving) влияет на эволюционную динамику двух крайних стратегий:

CC (Альтруисты) — помогают всем, несмотря на цвет.

DD (Эгоисты) — никому не помогают.
Мы хотим понять: при каких условиях альтруизм выживает, а при каких его вытесняют эгоисты?

'''Настройки Netlogo'''

Для получения датасета представленная модель была загружена в Netlogo. После этого в настройках Пространства поведения были выставлены следующие значения:
[[Файл:Photo 2025-12-13 10-02-57.jpg|мини|центр]]

Эксперимент проводился при разных значениях cost-of-giving, фиксированных параметрах (mutation-rate=0.005, death-rate=0.1, immigrants-per-day=1, initial-PTR=0.12) и на протяжении 500 шагов.
Данные были собраны для нескольких повторов

[[Файл:Exp1.png|800px|центр]]

====Анализ графиков (Шаг 1–4)====
На каждом графике:

Ось X: номер шага симуляции (от 0 до ~600).

Ось Y(слева): количество агентов СС.

Ось Y(справа): количество агентов DD.

Фиолетовые точки (DD) — эгоисты.

Красные точки (CC) — альтруисты.

Также приведено линейное уравнение регрессии и коэффициент детерминации r².

===Шаг 1 эксперимента (стоимость помощи 0.001)===
CC (Альтруисты): растут быстро, достигают пика около 1000 агентов, затем стабилизируются.

DD (Эгоисты): растут медленнее, дотягивают лишь до 100 агентов

Уравнение для CC: CC = 2.22 * шаг + 69, r² = 0.78 — сильная линейная зависимость.

'''Вывод для Шага 1''': при низкой стоимости помощи альтруизм доминирует. Эгоисты растут медленнее, потому что они не получают выгоды от помощи, но и не тратят ресурсы. Однако при низкой стоимости помощи помощь выгодна, поэтому альтруисты процветают.

===Шаг 2 эксперимента (стоимость помощи 0.01)===
CC (Альтруисты): растут также быстро, как и во время первого эксперимента.

DD (Эгоисты): продолжают расти, становятся конкурентоспособными.

Уравнение для CC: CC1 = 2.3 * шаг + 97, r² = 0.794 — ещё более сильная корреляция, но это может быть связано с тем, что стоимость помощи немного выше, и альтруисты «выживают» дольше.

'''Вывод для Шага 2''': По мере роста стоимости помощи альтруизм становится менее выгодным. Эгоисты, которые не платят за помощь, начинают догонять альтруистов. Это говорит о том, что даже небольшое увеличение стоимости помощи может изменить баланс сил.

===Шаг 3 эксперимента (стоимость помощи 0.02)===
CC (Альтруисты): сильно снижаются, почти исчезают к концу.

DD (Эгоисты): быстро растут, становятся доминирующими.

Уравнение для CC2: CC2 = 0.003 * шаг + 3.8, r² = 0.039 — очень слабая корреляция, что означает, что альтруисты больше не растут линейно — их популяция колеблется и падает.

'''Вывод для Шага 3''': при высокой стоимости помощи альтруизм практически исчезает. Эгоисты становятся доминирующими — они не тратят ресурсы, поэтому их шанс выжить выше.

===Шаг 4 эксперимента (стоимость помощи 0.05)===
CC (Альтруисты): Минимальное количество, почти нулевое.

DD (Эгоисты): доминируют, особенно к концу.

Уравнение для CC3: CC3 = 0.004 * шаг + 3.8, r² = 0.043 — аналогично Шагу 3, альтруисты не имеют значимого роста.

'''Вывод для Шага 4''': при очень высокой стоимости помощи альтруизм исчезает полностью. Эгоисты становятся доминирующими — они не тратят ресурсы, поэтому при высокой стоимости помощи они выигрывают.

===Главный вывод===
Альтруизм (CC) является эволюционно устойчивой стратегией только при очень низкой стоимости помощи. Как только помощь становится дороже, альтруисты начинают проигрывать, потому что они теряют ресурсы, не получая обратной выгоды. Эгоисты (DD), которые не тратят ресурсы на помощь, начинают доминировать.

Это означает, что:

Альтруизм требует «дешёвой» кооперации — если помощь стоит слишком дорого, она становится невыгодной.
Эгоизм — стратегия выживания в условиях дефицита ресурсов — он не тратит, поэтому всегда имеет шанс выжить.
В реальном мире это объясняет, почему в кризисных ситуациях люди становятся более эгоистичными — помощь становится слишком дорогой.
Общественно значимые последствия
Этот эксперимент показывает, что альтруизм — это не просто «добро», а экономически выгодная стратегия, которая работает только при определённых условиях.

===Заключение===
Модель «Ethnocentrism» демонстрирует, что альтруизм может эволюционировать только в условиях, когда помощь дешёвая и выгодная. Как только стоимость помощи растёт, альтруисты начинают проигрывать, и их вытесняют эгоисты.
Этот вывод имеет прямое отношение к современным социальным, политическим и экономическим процессам. Он показывает, что для поддержания альтруизма в обществе необходимо создавать условия, при которых помощь не является экономически обременительной.

== ЭКСПЕРИМЕНТ 2 ==
Исследуемый датасет
https://docs.google.com/spreadsheets/d/1OWRXQsVH1XQbvr71JSQY0YK72PP1hkQ-dmm7y_Snhjg/edit?usp=sharing

{{#widget:Google Spreadsheet
|key=e/2PACX-1vSftAub9NCWOHHhvqgyyRxggOke0nwn1QNNoOskMe1wTBLSfQsuxWCDnYHEfy1GtPH17l6sjr7rKR4a
|width=800
|height=400
}}

''Гипотеза: при увеличении потока иммигрантов доля этноцентристов в популяции растёт, а доля альтруистов — падает.''

Для проверки гипотезы мною был выбран независимый параметр immigrants-per-day — уровень иммиграции, который принимал значения 0, 1, 2, 3, 4, 5

Был получен датасет, состоящий из 500 шагов для каждого значения immigrants-per-day. На его основе была построена диаграмма bar chart:
[[Файл:Эмигранты.png|600px]]
<br clear=all />

====Анализ====
; 0 иммигрантов в день - однородный мир без внешнего влияния
Когда в систему не поступают новые агенты, все стратегии ведут себя не так, как предсказывает классическая модель.
Оказалось, что ни одна стратегия не доминирует. Наоборот — все они почти равномерно распределены:

* Альтруисты: ~24.6%
* Эгоисты: ~24.8%
* Этноцентристы: ~24.6%
* Предатели: ~26.1%

Это означает, что в полностью замкнутой и стабильной среде никакая стратегия не имеет явного эволюционного преимущества. [[Альтруизм]] не выигрывает, потому что нет постоянного давления, которое бы «отсеивало» эксплуататоров. [[Система]] находится в состоянии неустойчивого равновесия, где все типы выживают примерно в равной степени.

; 1 иммигрант в день: появляется «чужак» — запускается механизм отбора
: Уже при самом минимальном уровне иммиграции картина резко меняется.
: Появление даже одного «чужого» агента в день нарушает баланс и запускает процесс естественного отбора стратегий.

Этноцентристы резко вырываются вперёд — их доля прыгает до 67.7%.
Альтруисты и эгоисты теряют позиции — их доли падают до 17.7% и 11.6% соответственно.
Предатели, кооперирующиеся только с «чужаками», почти исчезают (3%), потому что их поведение невыгодно.
Таким образом, иммиграция становится катализатором возникновения групповой идентичности. Этноцентризм оказывается самой устойчивой стратегией: помогать «своим» и игнорировать «чужих» — это эффективная защита от эксплуатации.

; 2 иммигранта в день: пик этноцентризма
При двух иммигрантах в день система достигает максимальной поляризации:

Этноцентристы: 79.6% — абсолютное доминирование
Альтруисты: падают до всего 8.6%.
Эгоисты: ~8.2%
Предатели: остаются на уровне ~3.6%.

Этот результат полностью подтверждает гипотезу: чем выше (но умеренный) уровень иммиграции, тем сильнее выигрывает стратегия «мы vs они». Альтруизм, предполагающий кооперацию со всеми без исключения, становится уязвимым — его «подставляют» чужаки, которые не отвечают взаимностью.

; 3–5 иммигрантов в день: нестабильность и колебания
Но дальше — неожиданный поворот. При высоком уровне иммиграции (3–5 агентов в день) система перестаёт вести себя предсказуемо.

Доля этноцентристов снижается (от 70.8% при 3 до 66.7% при 5).
Альтруисты, наоборот, внезапно растут — до 18–19% (почти вдвое выше, чем при 2 иммигрантах).
Предатели тоже немного увеличивают свою долю (до ~6% при 5 иммигрантах).
Это может означать одно из двух:

Высокая иммиграция дестабилизирует систему: постоянное обновление популяции не даёт установиться чёткому равновесию.
Альтруисты находят нишу: при очень высокой плотности «чужаков» иногда выгоднее кооперироваться со всеми, потому что «своих» становится слишком мало, чтобы на них полагаться.
В любом случае, гипотеза перестаёт работать монотонно: рост иммиграции не приводит к дальнейшему усилению этноцентризма, а, наоборот, ослабляет его.

====Вывод====

[[Эксперимент]] частично подтвердил гипотезу, но также выявил важное уточнение:

Небольшая иммиграция действительно запускает механизм этноцентризма и подавляет альтруизм.
Однако при высоком уровне иммиграции система теряет стабильность, и доминирование этноцентристов ослабевает.

Это говорит о том, что [[этноцентризм]] — не универсальный ответ на любую миграцию, а адаптация к умеренной угрозе "извне". Когда угроза становится слишком большой, социальная структура начинает «расплываться», и менее избирательные стратегии (в том числе альтруизм) могут снова получать шанс на выживание.

Таким образом, модель показывает: групповая идентичность — это не просто реакция на «чужаков», а хрупкое равновесие, которое требует определённых условий для устойчивости.

''Соответственно, начальная гипотеза не подтверждается в полной мере.''

== ЭКСПЕРИМЕНТ 3 ==
--[[Участник:PanshinaZina|PanshinaZina]] ([[Обсуждение участника:PanshinaZina|обсуждение]]) 19:36, 12 декабря 2025 (MSK)

'''Цель эксперимента:'''
Исследовать, как частота мутаций (mutation-rate) влияет на эволюцию эгоцентризма в модели Ethnocentrism. Конкретно — как mutation-rate влияет на:

1. Уровень этноцентрического поведения (consist-ethno-agg-percent).

2. Стабильность и предсказуемость результатов (дисперсию).

'''Условия эксперимента:'''

1. mutation-rate = 0.001, 0.005, 0.01, 0.02.

2. Остальные поля по умолчанию.

3. Повторы: 5.

4. Шагов: 500.
=== Датасет эксперимента ===
Ссылка на гугл таблицу с датасетом
* https://docs.google.com/spreadsheets/d/1hJQUTLBYmOVuxGkWBpzJO3vrN0f6mDw3JLvvYlefMSU/edit?usp=sharing

{{#widget:Google Spreadsheet
|key=e/2PACX-1vTE34zXRfs1CacDFFEokCo1pxXMCd4w6MUXu51gsXlTjh7pUgnA3IrsnOlXI7fIJ1PBynni0-X9PJ7X
|width=800
|height=400
}}
=== Построение графика распределения ===
Загрузим наш датасет на RAWGraph, где построим boxplot(ящик с усами), который покажет медиану, размах и выбросы для каждой группы.

[[Файл:Boxplot.png| 600px]]

Мы видим, что по '''медианам''' четко видна убывающая тенденция:

mutation-rate = 0.001: медиана ~0.707

mutation-rate = 0.005: медиана ~0.701

mutation-rate = 0.01: медиана ~0.674

mutation-rate = 0.02: медиана ~0.625

'''По IQR (размах):'''

Группа 0.001 имеет самый широкий IQR — это указывает на высокую дисперсию.
Группы 0.01 и 0.02 имеют очень узкий IQR — низкая дисперсия, результаты стабильны.

'''[[Выброс]]ы:'''

{{#ask: [[Выброс]] | ?Description }}

В группе 0.001 много выбросов, особенно в нижней части — это подтверждает [[бимодальность]] (некоторые запуски "проваливаются").
В группах 0.01 и 0.02 практически нет выбросов — система быстро сходится к одному состоянию.

=== Вывод по [[Boxplot]] ===
{{#ask: [[Boxplot]] | ?Description }}

При низкой мутации (0.001) система может либо успешно эволюционировать (высокий ethno_percent), либо "застревать" (низкий ethno_percent). При высокой мутации (0.01, 0.02) система стабильно, но слабо эволюционирует.

=== Построение графика Beeswarm ===
Построим в RAWGraph график Beeswarm(датасет тот же), чтобы посмотреть поведение модели на данном графике.

[[Файл:Beeswarm ethnocentrism.png| 600px]]

'''Что показывает:'''

Все индивидуальные точки (run'ы) — не только сводная статистика, но и каждое наблюдение.

'''Ключевые наблюдения:'''

''Группа mutation-rate = 0.001 (самый светлый цвет)''

Широкое распределение: Точки разбросаны по всему диапазону значений ethno_percent — от очень низких (~0.4) до очень высоких (~0.8). Высокая дисперсия: Большое количество точек рассеяно по всему графику, что указывает на нестабильность системы при низкой мутации.
Бимодальность - видно два кластера:

Один кластер — в нижней части графика (низкий ethno_percent, ~0.4–0.5). Это "неудачные" запуски, где система "застряла".

Другой кластер — в верхней части (высокий ethno_percent, ~0.7–0.8). Это "успешные" запуски, где эгоцентризм доминирует.

''Группа mutation-rate = 0.005 (средний светло-голубой цвет)''

Уже распределение: Точки уже не так сильно рассеяны, как при 0.001.
Меньше "провалов": Количество точек в нижней части графика (низкий ethno_percent) меньше, чем при 0.001.
Сохраняется высокий уровень: Много точек все еще находятся в верхней части графика (высокий ethno_percent).

''Группы mutation-rate = 0.01 и 0.02 (темно-синие точки)''

Очень узкое распределение: Точки плотно сгруппированы в узком диапазоне значений ethno_percent — примерно от 0.5 до 0.65.
Нет "провалов": Почти нет точек в самом низу графика.
Нет "побед": Почти нет точек в самом верху графика (высокий ethno_percent > 0.7).
Низкая дисперсия: Все точки скучены в одном месте, что указывает на высокую стабильность системы при высокой мутации.

=== Выводы по Beeswarm Plot ===
Этот график подтверждает и дополняет выводы из Boxplot. Он показывает, что бимодальность при mutation-rate = 0.001 — системная особенность динамики модели при низкой мутационной нагрузке.
При mutation-rate ≥ 0.01 система теряет способность к "большому прорыву" (достижению очень высокого ethno_percent), но зато становится предсказуемой.
=== Заключение ===
В ходе анализа было установлено, что частота мутаций оказывает значительное влияние на эволюцию этноцентризма. Оба графика — Boxplot и Beeswarm Plot — демонстрируют четкую тенденцию: с ростом mutation-rate средний уровень этноцентризма стабильно снижается. Критический порог, после которого этноцентризм перестает доминировать, лежит между 0.005 и 0.01.

Более детальный анализ Beeswarm Plot позволил выявить важную особенность: при самой низкой мутации (0.001) система проявляет бимодальное поведение — она может либо успешно эволюционировать (достигать высокого ethno_percent), либо "провалиться" (оставаться на низком уровне). Это указывает на высокую чувствительность системы к начальным условиям при низкой мутации.

В то же время, при высокой мутации (0.01, 0.02) система становится стабильной, но предсказуемо слабой — этноцентризм не успевает развиться, и система быстро стабилизируется на низком уровне.

Таким образом, оптимальный уровень мутации для эволюции этноцентризма — это низкий уровень (0.001 или 0.005), который позволяет системе "экспериментировать", но не разрушает устойчивые стратегии.

Обсуждение:Ethnocentrism (model)

2025-12-18T18:59:45Z

OlesyaPirozhkova:

Qwen

2025-09-06T08:46:21Z

OlesyaPirozhkova:

{{DigitalTool
|Description=Qwen — семейство больших языковых моделей, разработанных компанией Alibaba Cloud.
|distant_collab=Нет
|Language_Ru_Eng=English
|AI=Да
}}

Участник:OlesyaPirozhkova

2025-09-06T08:02:30Z

OlesyaPirozhkova:

{{UserMGPU
|Field_of_knowledge=Экономика
|similar_concepts=Экономика
|Environment=Python, PostgreSQL, Qwen
|PedDirection=Нет
}}
----
[[Категория:UserMGPU]]
[[Категория:АБП-231]]

Участник:OlesyaPirozhkova

2025-09-06T07:59:35Z

OlesyaPirozhkova:

{{UserMGPU
|Field_of_knowledge=Экономика
|similar_concepts=Экономика
|Environment=Python, PostgreSQL
|PedDirection=Нет
}}
----
[[Категория:UserMGPU]]
[[Категория:АБП-231]]

Участник:OlesyaPirozhkova

2025-09-06T07:47:18Z

OlesyaPirozhkova:

{{UserMGPU
|Field_of_knowledge=Экономика
|similar_concepts=Экономика
|PedDirection=Нет
}}
----
[[Категория:UserMGPU]]
[[Категория:АБП-231]]

Участник:OlesyaPirozhkova

2025-09-06T07:40:08Z

OlesyaPirozhkova: Новая страница: «---- Категория:UserMGPU Категория:АБП-231»

----
[[Категория:UserMGPU]]
[[Категория:АБП-231]]