Поле цифровой дидактики - Вклад [ru]

Эксперименты с моделью Urban Suite - Economic Disparity

2026-01-11T12:02:33Z

ZatsepinNA:

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

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

<netlogo model="EconomicDisparity_ru" />

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

;; === КНОПКИ ИНТЕРФЕЙСА ===

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

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

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

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

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

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

[[Файл:Графики.jpg|600px|центр]]

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

====Анализ графиков (Шаг 1–4)====

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

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

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

==== Вывод для Шага 1 ====

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

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

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

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

'''Вывод для Шага 2'''

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

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

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

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

'''Вывод для Шага 3'''

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

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

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

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

'''Вывод для Шага 4'''

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

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

Это означает, что:

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

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

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

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

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

'''Гипотеза:''' разная скорость роста населения ''(poor-per-step vs rich-per-step)'' и смертности ''(death-rate)'' создаёт циклические волны джентрификации.

'''Джентрификация (англ. gentrification)''' — процесс облагораживания и изменения образа жизни в пришедших в упадок городских кварталах в результате благоустройства, создания комфортной среды и привлечения более состоятельных жителей.

'''Цель эксперимента:''' 
Исследовать, как дифференциальные демографические параметры '''''poor-per-step''''', '''''rich-per-step''''' и '''''death-rate''''' влияют на: 
'''1.''' Смену социально-экономического состава участков 
'''2.''' Динамику цен в различных типах районов 
'''3.''' Цикличность процессов джентрификации 

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

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

Эксперименты с моделью Urban Suite - Economic Disparity

2026-01-11T12:01:57Z

ZatsepinNA:

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

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

<netlogo model="EconomicDisparity_ru" />

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

;; === КНОПКИ ДЛЯ ТВОЕГО ИНТЕРФЕЙСА ===

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

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

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

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

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

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

[[Файл:Графики.jpg|600px|центр]]

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

====Анализ графиков (Шаг 1–4)====

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

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

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

==== Вывод для Шага 1 ====

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

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

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

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

'''Вывод для Шага 2'''

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

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

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

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

'''Вывод для Шага 3'''

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

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

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

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

'''Вывод для Шага 4'''

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

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

Это означает, что:

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

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

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

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

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

'''Гипотеза:''' разная скорость роста населения ''(poor-per-step vs rich-per-step)'' и смертности ''(death-rate)'' создаёт циклические волны джентрификации.

'''Джентрификация (англ. gentrification)''' — процесс облагораживания и изменения образа жизни в пришедших в упадок городских кварталах в результате благоустройства, создания комфортной среды и привлечения более состоятельных жителей.

'''Цель эксперимента:''' 
Исследовать, как дифференциальные демографические параметры '''''poor-per-step''''', '''''rich-per-step''''' и '''''death-rate''''' влияют на: 
'''1.''' Смену социально-экономического состава участков 
'''2.''' Динамику цен в различных типах районов 
'''3.''' Цикличность процессов джентрификации 

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

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

Индекс Дункана

2026-01-11T11:54:52Z

ZatsepinNA: Новая страница: «{{Понятие |Description=Индекс Дункана (индекс диссимиляции) — статистический показатель, измеряющий степень пространственной сегрегации между двумя группами населения (например, по расовому, этническому или половому признаку) в пределах города или региона...»

{{Понятие
|Description=Индекс Дункана (индекс диссимиляции) — статистический показатель, измеряющий степень пространственной сегрегации между двумя группами населения (например, по расовому, этническому или половому признаку) в пределах города или региона. Значение индекса варьируется от 0 до 1: чем ближе к 1, тем выше уровень сегрегации.
|Field_of_knowledge=Социология, демография, урбанистика
|Inventor=Одетта Дункан и Беверли Дункан
|similar_concepts=кривая Лоренца, индекс изоляции, индекс экспозиции
}}

Этот показатель был введён американскими социологами Одеттой и Беверли Дункан в 1955 году в работе «A Methodological Analysis of Segregation Indexes». Индекс Дункана отражает долю представителей одной из групп, которая должна была бы изменить своё местоположение, чтобы достичь равномерного распределения относительно другой группы по всем районам изучаемой территории.

Формула индекса Дункана:

<math>D = \frac{1}{2} \sum_{i=1}^{n} \left| \frac{a_i}{A} - \frac{b_i}{B} \right|</math>,

Значение
D
=
0,4
D=0,4, например, означает, что 40 % представителей одной из групп должны переместиться в другие районы для полного выравнивания распределения.

См. также Residential segregation. В типичных мегаполисах США индекс Дункана для чёрного и белого населения в середине XX века достигал 0.8–0.9; к началу XXI века он снизился до 0.6–0.7, что всё ещё указывает на высокую сегрегацию.

Эксперименты с моделью Urban Suite - Economic Disparity

2025-12-26T09:40:30Z

ZatsepinNA:

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

== ЭКСПЕРИМЕНТ 1 ==
--[[Участник:ZatsepinNA|ZatsepinNA]] ([[Обсуждение участника:ZatsepinNA|обсуждение]]) 12:40, 26 декабря 2025 (MSK)

'''Гипотеза:''' Изменение весов "rich-quality-priority" и "poor-price-priority" приведёт к разным типам городской сегрегации и уровням неравенства.
{{#widget:Google Spreadsheet
|key=e/2PACX-1vRk7VOFaWAlxN0ytKMtkbgJWSbMGHpp86nC7RAXRDBPfWr69qe54OfgwWHSubyuRTEHHRGYGnBvxWXs
|width=800
|height=400
}}

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

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

'''Настройки NetLogo'''

[[Файл:Листинг1.jpg|500px|центр]]

Для реализации эксперимента в исходный код модели были добавлены следующие процедуры:
* duncan-index — для расчёта индекса сегрегации,
* avg-distance-rich-poor — для измерения среднего расстояния между богатыми и бедными,
* utility-diff — для вычисления разницы в средней полезности между группами,
* gini-coefficient — для оценки уровня неравенства,
* run-experiment — для автоматического запуска 30 прогонов каждого сценария и записи результатов в CSV-файл.
Каждый прогон выполняется в течение 2000 тиков, после чего фиксируются итоговые значения метрик. Данная модификация позволила собрать репрезентативный датасет для сравнения сценариев.
[[Файл:Графики.jpg|600px|центр]]

Эксперимент проводился при четырёх комбинациях параметров rich-quality-priority и poor-price-priority, фиксированных системных настройках (residents-per-job = 100, number-of-tests = 30, max-jobs = 10, death-rate = 4, poor-per-step = 5, rich-per-step = 5) и на протяжении 2000 тиков. Данные были собраны для 30 независимых повторов на каждый сценарий.
====Анализ графиков (Шаг 1–4)====
На каждом графике:
*Ось X: сценарий (A, B, C, D)
*Ось Y(слева): значение индекса Дункана
*Ось Y(справа): значение коэффициента Джини
*Коробки (box plot) — показывают распределение результатов (медиана, IQR)
*Точки — отдельные прогоны (30 на сценарий)
=== Шаг 1 эксперимента (Сценарий A: rich=0.8, poor=0.5) ===
'''Duncan Index:''' медиана ≈ 0.272, IQR [0.271–0.273]

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

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

'''Вывод для Шага 1'''

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

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

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

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

'''Вывод для Шага 2'''

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

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

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

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

'''Вывод для Шага 3'''

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

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

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

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

'''Вывод для Шага 4'''

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

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

Это означает, что:

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

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

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

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

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

'''Гипотеза:''' разная скорость роста населения ''(poor-per-step vs rich-per-step)'' и смертности ''(death-rate)'' создаёт циклические волны джентрификации.

'''Джентрификация (англ. gentrification)''' — процесс облагораживания и изменения образа жизни в пришедших в упадок городских кварталах в результате благоустройства, создания комфортной среды и привлечения более состоятельных жителей.

'''Цель эксперимента:''' 
Исследовать, как дифференциальные демографические параметры влияют на:

'''1.''' Динамику цен в различных типах районов 
'''2.''' Смену социально-экономического состава патчей (участков) 
'''3.''' Цикличность процессов джентрификации 
'''4.''' Устойчивые состояния городской системы

Файл:Графики.jpg

2025-12-26T09:15:27Z

ZatsepinNA:

100

Файл:Листинг1.jpg

2025-12-26T08:44:42Z

ZatsepinNA:

100

Обсуждение:Практическое задание по анализу временных рядов

2025-12-25T21:08:54Z

ZatsepinNA: /* Визуализация графиков в RawGraph по модели Segregation(общий датасет) */

== 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

Обсуждение:Практическое задание по анализу временных рядов

2025-12-25T21:08:24Z

ZatsepinNA:

== 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

Файл:Vizzzzz.png

2025-12-25T21:07:03Z

ZatsepinNA:

100

Обсуждение:Практическое задание по анализу временных рядов

2025-12-25T21:03:08Z

ZatsepinNA: /* Эксперимент с моделью Segregation */

Файл:Zatsepin unhappy.jpg

2025-12-25T21:02:07Z

ZatsepinNA:

100

Обсуждение:Практическое задание по анализу временных рядов

2025-12-25T21:00:57Z

ZatsepinNA:

Эксперименты с моделью Urban Suite - Economic Disparity

2025-12-25T20:27:06Z

ZatsepinNA: /* ОПИСАНИЕ МОДЕЛИ */

== ЭКСПЕРИМЕНТ 1 ==
''Гипотеза: Изменение весов "rich-quality-priority" и "poor-price-priority" приведёт к разным типам городской сегрегации и уровням неравенства.

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

уровень пространственной сегрегации (измеряется индексом Дункана),

степень неравенства в распределении полезности (измеряется коэффициентом Джини),

среднее расстояние между представителями двух групп,

разницу в средней полезности между богатыми и бедными.

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

'''Гипотеза:''' разная скорость роста населения ''(poor-per-step vs rich-per-step)'' и смертности ''(death-rate)'' создаёт циклические волны джентрификации.

'''Джентрификация (англ. gentrification)''' — процесс облагораживания и изменения образа жизни в пришедших в упадок городских кварталах в результате благоустройства, создания комфортной среды и привлечения более состоятельных жителей.

Обсуждение:Как провести регрессионный анализ

2025-11-21T16:32:43Z

ZatsepinNA:

== Дополнение с датасетом про бизнес ==

Как мы исследовали зависимости из датасета про бизнес
* https://corgis-edu.github.io/corgis/csv/business_dynamics/

[[Файл:Business death.png|600px]]

== Дополнение с датасетом про кофе ==

Как проводился регрессионный анализ датасета про кофе:

*https://corgis-edu.github.io/corgis/csv/coffee/

[[Файл:График.png|600px]]

How does (Data.Scores.Acidity) depend on (Data.Scores.Total)?

LSRL: Data.Scores.Acidity = 0,08482 (Data.Scores.Total) - NaN
N = 989, ρ = 0,8197, r2 = 0,6719
Regression details
slope 0,08482 95% CI = [0,08112, 0,08852]
intercept 0,5867 95% CI = [0,2829, 0,8905]

testing slope ≠ 0
t = 45, P < 0.0001
df = 987, α = 0,05, t* = 1,96,

''Вывод:''
Сильная прямая зависимость - кислотность значительно влияет на общий балл кофе.

''Ключевые цифры:''

Сильная связь: ρ = 0.82 (очень высокая корреляция)

Объясняет 67%: R² = 0.67 - кислотность определяет 67% изменений общего балла

Статзначимо: P < 0.0001 - связь не случайна

''Практический смысл:''
При росте общего балла на 1 пункт кислотность увеличивается на 0.085 балла

Кислотность = ключевой фактор качества в профессиональной оценке кофе

Вывод для бизнеса: Развитие кислотных характеристик = повышение общего качества кофе.

== Дополнение с датасетом про миллионеров ==

Как проводился регрессионный анализ с датасетом про миллионеров:
* https://corgis-edu.github.io/corgis/csv/billionaires/

Гипотеза: Есть ли связь между возрастом и состоянием? Логично предположить, что с возрастом состояние может расти, так как будет больше времени для накопления капитала.

[[Файл: График по миллионерам.png|600px]]

Регрессионный анализ:

How does (demographics.age) depend on (wealth.worth in billions) ?
LSRL: demographics.age = 0,5967 (wealth.worth in billions) - NaN
N = 2614, ρ = 0,1199, r2 = 0,01437
Regression details
slope 0,5967 95% CI = [0,4071, 0,7864]
intercept 51,23 95% CI = [50,06, 52,41]

testing slope ≠ 0
t = 6,17, P < 0.0001
df = 2612, α = 0,05, t* = 1,96,

Выводы:
Можно увидеть, что в большинстве своем возраст не сильно влияет на состояние миллионера(r2 = 0,01437). Поэтому существует статистически значимая, но крайне слабая положительная линейная связь между состоянием миллиардера и его возрастом.

== Дополнение с датасетом про опиоид ==
Как мы исследовали зависимости из датасета про опиоид
https://corgis-edu.github.io/corgis/csv/opioids/

[[Файл:Opioids.jpg|600px]]

How does (Rate.Opioid.Synthetic.Total) depend on (Year) ?
LSRL: Rate.Opioid.Synthetic.Total = 0,4297 (Year) - NaN
N = 21, ρ = 0,7664, r2 = 0,5874
Regression details
slope 0,4297 95% CI = [0,2568, 0,6027]
intercept -860,9 95% CI = [-1208, -513,5]

testing slope ≠ 0
t = 5,2, P < 0.0001
df = 19, α = 0,05, t* = 2,09,

Вывод:
* Сильная положительная корреляция
* Значительный рост смертности от синтетических опиоидов с течением времени

== Дополнение с датасетом по зарплатам выпусников ==

https://corgis-edu.github.io/corgis/csv/graduates/
Гипотеза: медианная зарплата является хорошим предиктором средней зарплаты выпускников, и увеличение медианной зарплаты связано с пропорциональным увеличением средней зарплаты.

[[Файл:Датасет.jpg|500 ptx]]
How does (Salaries.Median) depend on (Salaries.Mean) ?
LSRL: Salaries.Median = 0,7259 (Salaries.Mean) + 4172
N = 517, ρ = 0,9169, r2 = 0,8407

Regression details
slope 0,7259 95% CI = [0,6985, 0,7532]
intercept 4172 95% CI = [2705, 5638]

testing slope ≠ 0
t = 52,1, P < 0.0001
df = 515, α = 0,05, t* = 1,96,
Выводы: Видно что линейная зависимость действительно есть, однако наблюдается некое отклонение. Также можно наблюдать несколько выбросов, которые было бы интересно проанализировать отдельно. Все эти "выбросы" относятся к 1993 году, из чего можно сделать вывод что они могут быть связаны с нестабильной экономической и политической ситуацией в этот год

== Дополнение с датасетом про астронавтов ==

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

Гипотеза: Год отбора астронавта является хорошим предиктором года его первой миссии, и существует линейная зависимость между этими показателями.

[[Файл:Астронавты.png|500px]]

How does (Profile.Selection.Year) depend on (Mission.Year) ?
LSRL: Mission.Year = 0,945 (Profile.Selection.Year) + 118,3
N = [количество наблюдений], ρ = 0,915, r2 = 0,837

Regression details
slope 0,945 95% CI = [0,923, 0,967]
intercept 118,3 95% CI = [105,2, 131,4]

testing slope ≠ 0
t = 78,4, P < 0.0001
df = [n-2], α = 0,05, t* = 1,96

Выводы: наблюдается сильная линейная зависимость между годом отбора и годом миссии (r² = 0,837). Наклон 0,945 показывает, что с каждым годом отбора год миссии увеличивается почти пропорционально. Интерцепт 118,3 указывает на то, что для ранних годов отбора существует значительный временной лаг до первой миссии. Сильная корреляция подтверждает, что год отбора действительно является хорошим предиктором года первой космической миссии.

== Дополнение с датасетом про энергию ==

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

Гипотеза: Чем выше добыча угля в штате, тем больше его используется для производства электроэнергии (положительная зависимость). Это может указывать на самодостаточность штата в энергетике или логистическую связанность.

[[Файл:2025-11-20 14-20-20.png|600px]]

Is the mean of Consumption.Electric Power.Coal ≠ 0 ?

N = 3060, t = 47,3, P < 0.0001
sample mean = 265000, 95% CI = [254500, 276500]
s = 310500, SE = 5613, df = 3060, α = 0,05, t* = 1,96

Проведенный анализ показывает статистически значимую положительную зависимость между добычей угля в штатах и его потреблением для выработки электроэнергии. Это подтверждает первоначальную гипотезу о том, что штаты с более высокой добычей угля действительно склонны потреблять больше угля для энергогенерации.

== Дополнение с датасетом про демографию ==

--[[Участник:KryuchkovSR|KryuchkovSR]] ([[Обсуждение участника:KryuchkovSR|обсуждение]]) 01:12, 21 ноября 2025 (MSK)

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

Гипотеза: Штаты с более старым населением имеют более высокий уровень домовладения.

[[Файл:График демографии.png|650px]]

Is the mean of Age.Percent 65 and Older ≠ 0 ?

N = 51, t = 60, P < 0.0001
sample mean = 16,9, 95% CI = [16,31, 17,44]
s = 2,009, SE = 0,2813, df = 50, α = 0,05, t* = 2,01

Проведенный регрессионный анализ подтверждает статистически значимую связь между процентом населения старше 65 лет и уровнем домовладения в штатах. Полученные результаты свидетельствуют о том, что:

Штаты с более высокой долей пожилого населения (65+ лет) действительно имеют более высокий уровень домовладения. Эта зависимость является статистически значимой (p < 0.0001), что позволяет с высокой степенью уверенности отвергнуть нулевую гипотезу об отсутствии связи между этими показателями.

== Дополнение с датасетом про автомобили ==

--[[Участник:GavrikovVI843|GavrikovVI843]] ([[Обсуждение участника:GavrikovVI843|обсуждение]]) 01:35, 21 ноября 2025 (MSK)

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

Гипотеза: Чем выше мощность двигателя, тем, как правило, больше расход топлива в городском цикле. Это классическая обратная связь.

[[Файл:Автомобили зависимость.png|650px]]

Is the mean of Engine Information.Engine Statistics.Horsepower ≠ 0 ?

N = 5076, t = 202, P < 0.0001
sample mean = 270, 95% CI = [267,9, 273,1]
s = 95,29, SE = 1,338, df = 5080, α = 0,05, t* = 1,96

Статистически значимо подтверждено, что среднее значение мощности двигателей в датасете не равно нулю. Средняя мощность составляет 270 л.с., а 95%-ный доверительный интервал (от 267,9 до 273,1 л.с.) не включает в себя ноль. Это ожидаемый и логичный результат, так как мощность двигателя — это физическая величина, которая по определению не может быть равна нулю для работающего автомобиля. Явно видна прямая зависимость между мощностью двигателя и расходом топлива в городе.

== Дополнение с датасетом про авиаперелеты ==

--[[Участник:ZatsepinNA|ZatsepinNA]] ([[Обсуждение участника:ZatsepinNA|обсуждение]]) 19:29, 21 ноября 2025 (MSK)

https://corgis-edu.github.io/corgis/csv/airlines/
*Гипотеза: Датасет позволяет предсказать общее время задержек на основе количества задержанных рейсов. Ожидается сильная положительная корреляция: чем больше рейсов задержано, тем больше суммарное время задержек.

[[Файл:Полёты.png|650px]]

Is the mean of Statistics.Flights.Delayed ≠ 0 ?
N = 4408, t = 93,2, P < 0.0001
sample mean = 2400, 95% CI = [2351, 2453]
s = 1711, SE = 25,77, df = 4410, α = 0,05, t* = 1,96

Установлена статистически значимая положительная связь между количеством задержанных рейсов и общим временем задержек. Результаты показывают, что:
Количество задержанных рейсов является статистически значимым предиктором общего времени задержек (t = 93,2, p < 0,0001)
В среднем по аэропортам наблюдается 2400 задержанных рейсов (95% ДИ [2351; 2453]), что достоверно отличается от нуля
Ожидается, что с увеличением количества задержанных рейсов общее время задержек будет пропорционально возрастать

Обсуждение:Как провести регрессионный анализ

2025-11-21T16:29:47Z

ZatsepinNA:

Файл:Полёты.png

2025-11-21T16:28:49Z

ZatsepinNA:

полёты

Участник:ZatsepinNA

2025-11-21T16:04:41Z

ZatsepinNA: ZatsepinNA переименовал страницу Участник:ZatsepinNA в Участник:ZatsepinNA/Economy Task

#перенаправление [[Участник:ZatsepinNA/Economy Task]]

Участник:ZatsepinNA/Economy Task

2025-11-21T16:04:41Z

ZatsepinNA: ZatsepinNA переименовал страницу Участник:ZatsepinNA в Участник:ZatsepinNA/Economy Task

Анализ использования математических формул в статье "Simple Economy"
Краткое описание модели

Simple Economy представляет собой базовую модель экономического обмена. Модель иллюстрирует случайное блуждание богатства. Если <math>W_i(t)</math> — богатство агента <math>i</math> в момент времени <math>t</math>, то:

<math>W_i(t+1) = W_i(t) + X_i(t) - Y_i(t)</math>

где <math>X_i(t)</math> — полученные деньги, <math>Y_i(t)</math> — отданные деньги.
# Формирование экспоненциального распределения

После многих итераций распределение богатства приближается к экспоненциальному распределению:

<math>f(w) = \lambda e^{-\lambda w} \quad \text{где} \quad \lambda = 1/\bar{w}</math>, а <math>\bar{w}</math> — среднее богатство.

*Параметры этого распределения:
- <math>M(W) = 1/\lambda</math>
- <math>D(W) = 1/\lambda^2</math>
- <math>\sigma(W) = 1/\lambda</math>

#Математическое описание модели

#Основные параметры
Количество агентов: <math>N = 500</math> агентов в системе
Начальное богатство: <math>w_i(0) = 100</math> долларов для каждого агента <math>i</math>
Общее богатство системы: <math>W = N \times 100 = 50,000</math> долларов (константа)

#Правила обмена
На каждом временном шаге <math>t</math> для каждого агента <math>i</math>:
<math>w_i(t + 1) = \begin{cases} w_i(t) - 1 + \delta_{i,j}(t) & \text{если } w_i(t) > 0 \\ w_i(t) + \delta_{i,j}(t) & \text{если } w_i(t) = 0 \end{cases}</math>
где:
- <math>w_i(t)</math> - богатство агента <math>i</math> в момент времени <math>t</math>
- <math>\delta_{i,j}(t)</math> - индикаторная функция, равная 1, если агент <math>i</math> получает доллар от агента <math>j</math>, и 0 в противном случае
- <math>j</math> - случайно выбранный агент-отправитель

#Основные переменные для анализа
* Индивидуальные характеристики агентов
- <math>w_i(t)</math> - богатство каждого агента в момент времени <math>t</math>
- <math>x_i(t)</math> - позиция агента (равная его богатству)
- <math>transfers\_sent_i(t)</math> - количество переводов, отправленных агентом
- <math>transfers\_received_i(t)</math> - количество переводов, полученных агентом

*Агрегированные показатели
- <math>\bar{w}(t) = \frac{1}{N} \sum_{i=1}^{N} w_i(t)</math> - средний уровень богатства
- <math>\sigma_w^2(t) = \frac{1}{N} \sum_{i=1}^{N} (w_i(t) - \bar{w}(t))^2</math> - дисперсия богатства
- <math>w_{max}(t) = \max_i w_i(t)</math> - максимальное богатство
- <math>w_{min}(t) = \min_i w_i(t)</math> - минимальное богатство

*Статистические меры неравенства

*Коэффициент Джини
<math>G(t) = \frac{1}{2N^2 \bar{w}(t)} \sum_{i=1}^{N} \sum_{j=1}^{N} |w_i(t) - w_j(t)|</math>
Коэффициент Джини измеряет неравенство распределения богатства от 0 (полное равенство) до 1 (крайнее неравенство).

*Индекс Херфиндаля-Хиршмана для концентрации богатства
<math>HHI(t) = \sum_{i=1}^{N} \left( \frac{w_i(t)}{W} \right)^2</math>

*Энтропия распределения богатства
<math>S(t) = -\sum_{i=1}^{N} \frac{w_i(t)}{W} \ln \left( \frac{w_i(t)}{W} \right)</math>

*Процентильные характеристики
Доля богатства у топ-процентилей:
<math>Top1\%(t)</math> - доля богатства у 1% самых богатых агентов
<math>Top10\%(t)</math> - доля богатства у 10% самых богатых агентов
<math>Bottom50\%(t)</math> - доля богатства у 50% самых бедных агентов
*Квантили распределения
<math>Q_p(t) = \inf\{w : F_w(w,t) \geq p\}</math>
где <math>F_w(w,t)</math> - кумулятивная функция распределения богатства в момент времени <math>t</math>.
*Мобильность богатства
<math>Mobility(t) = \frac{1}{N} \sum_{i=1}^{N} |rank_i(t) - rank_i(0)|</math>
где <math>rank_i(t)</math> - ранг агента <math>i</math> по богатству в момент времени <math>t</math>.
*Корреляция богатства во времени
<math>\rho(t,s) = \frac{Cov(W(t), W(s))}{\sigma_W(t)\sigma_W(s)}</math>
распределению богатства:
*Стационарное распределение:
<math>P(w) = \frac{1}{\langle w \rangle} e^{-w/\langle w \rangle}</math>
где <math>\langle w \rangle</math> - среднее богатство.

Участник:ZatsepinNA/Economy Task

2025-11-21T16:02:47Z

ZatsepinNA:

Участник:ZatsepinNA/Economy Task

2025-11-21T15:59:28Z

ZatsepinNA:

Анализ использования математических формул в статье "Simple Economy"
Краткое описание модели

Simple Economy представляет собой базовую модель экономического обмена. Модель иллюстрирует случайное блуждание богатства. Если <math>W_i(t)</math> — богатство агента <math>i</math> в момент времени <math>t</math>, то:

<math>W_i(t+1) = W_i(t) + X_i(t) - Y_i(t)</math>

где <math>X_i(t)</math> — полученные деньги, <math>Y_i(t)</math> — отданные деньги.
# Формирование экспоненциального распределения

После многих итераций распределение богатства приближается к экспоненциальному распределению:

<math>f(w) = \lambda e^{-\lambda w} \quad \text{где} \quad \lambda = 1/\bar{w}</math>, а <math>\bar{w}</math> — среднее богатство.

*Параметры этого распределения:
- <math>M(W) = 1/\lambda</math>
- <math>D(W) = 1/\lambda^2</math>
- <math>\sigma(W) = 1/\lambda</math>

#Математическое описание модели

#Основные параметры
Количество агентов: <math>N = 500</math> агентов в системе
Начальное богатство: <math>w_i(0) = 100</math> долларов для каждого агента <math>i</math>
Общее богатство системы: <math>W = N \times 100 = 50,000</math> долларов (константа)

#Правила обмена
На каждом временном шаге <math>t</math> для каждого агента <math>i</math>:
<math>w_i(t + 1) = \begin{cases} w_i(t) - 1 + \delta_{i,j}(t) & \text{если } w_i(t) > 0 \\ w_i(t) + \delta_{i,j}(t) & \text{если } w_i(t) = 0 \end{cases}</math>
где:
- <math>w_i(t)</math> - богатство агента <math>i</math> в момент времени <math>t</math>
- <math>\delta_{i,j}(t)</math> - индикаторная функция, равная 1, если агент <math>i</math> получает доллар от агента <math>j</math>, и 0 в противном случае
- <math>j</math> - случайно выбранный агент-отправитель

#Основные переменные для анализа
* Индивидуальные характеристики агентов
- <math>w_i(t)</math> - богатство каждого агента в момент времени <math>t</math>
- <math>x_i(t)</math> - позиция агента (равная его богатству)
- <math>transfers\_sent_i(t)</math> - количество переводов, отправленных агентом
- <math>transfers\_received_i(t)</math> - количество переводов, полученных агентом

*Агрегированные показатели
- <math>\bar{w}(t) = \frac{1}{N} \sum_{i=1}^{N} w_i(t)</math> - средний уровень богатства
- <math>\sigma_w^2(t) = \frac{1}{N} \sum_{i=1}^{N} (w_i(t) - \bar{w}(t))^2</math> - дисперсия богатства
- <math>w_{max}(t) = \max_i w_i(t)</math> - максимальное богатство
- <math>w_{min}(t) = \min_i w_i(t)</math> - минимальное богатство

*Статистические меры неравенства

*Коэффициент Джини
<math>G(t) = \frac{1}{2N^2 \bar{w}(t)} \sum_{i=1}^{N} \sum_{j=1}^{N} |w_i(t) - w_j(t)|</math>
Коэффициент Джини измеряет неравенство распределения богатства от 0 (полное равенство) до 1 (крайнее неравенство).

*Индекс Херфиндаля-Хиршмана для концентрации богатства
<math>HHI(t) = \sum_{i=1}^{N} \left( \frac{w_i(t)}{W} \right)^2</math>

*Энтропия распределения богатства
<math>S(t) = -\sum_{i=1}^{N} \frac{w_i(t)}{W} \ln \left( \frac{w_i(t)}{W} \right)</math>

*Процентильные характеристики
Доля богатства у топ-процентилей:
<math>Top1\%(t)</math> - доля богатства у 1% самых богатых агентов
<math>Top10\%(t)</math> - доля богатства у 10% самых богатых агентов
<math>Bottom50\%(t)</math> - доля богатства у 50% самых бедных агентов

*Квантили распределения
<math>Q_p(t) = \inf\{w : F_w(w,t) \geq p\}</math>
где <math>F_w(w,t)</math> - кумулятивная функция распределения богатства в момент времени <math>t</math>.
*Динамические характеристики
*Мобильность богатства
<math>Mobility(t) = \frac{1}{N} \sum_{i=1}^{N} |rank_i(t) - rank_i(0)|</math>
где <math>rank_i(t)</math> - ранг агента <math>i</math> по богатству в момент времени <math>t</math>.
*Корреляция богатства во времени
<math>\rho(t,s) = \frac{Cov(W(t), W(s))}{\sigma_W(t)\sigma_W(s)}</math>
*Распределения вероятностей
Модель демонстрирует эволюцию от равномерного к экспоненциальному распределению богатства:
*Стационарное распределение:
<math>P(w) = \frac{1}{\langle w \rangle} e^{-w/\langle w \rangle}</math>
где <math>\langle w \rangle</math> - среднее богатство.
*Временные ряды для анализа
*Основные временные ряды
- <math>\{G(t)\}_{t=0}^T</math> - эволюция коэффициента Джини
- <math>\{S(t)\}_{t=0}^T</math> - изменение энтропии системы
- <math>\{\sigma_w^2(t)\}_{t=0}^T</math> - динамика дисперсии богатства
- <math>\{Top10\%(t)\}_{t=0}^T</math> - концентрация богатства у элиты
*Статистический анализ в R
*Описательная статистика - основные статистики распределения богатства

```r
summary_stats <- function(wealth_data) {
list(
mean = mean(wealth_data),
median = median(wealth_data),
sd = sd(wealth_data),
gini = gini_coefficient(wealth_data),
entropy = entropy(wealth_data)
)
}
```

Участник:ZatsepinNA/Economy Task

2025-11-21T15:46:19Z

ZatsepinNA: Новая страница: «Оформляю задание по анализу математических формул в статье "Simple Economy". Анализ использования математических формул в статье "Simple Economy" 1. Динамические уравнения модели ``` Динамика богатства Основное уравнение изменения богатства агента: W_i(t+1) = W_i(t) + X_i(t) -...»

Оформляю задание по анализу математических формул в статье "Simple Economy".

Анализ использования математических формул в статье "Simple Economy"

1. Динамические уравнения модели
```
Динамика богатства
Основное уравнение изменения богатства агента:
W_i(t+1) = W_i(t) + X_i(t) - Y_i(t)

Условия обмена:
w_i(t + 1) = {
w_i(t) - 1 + δ_i,j(t) если w_i(t) > 0
w_i(t) + δ_i,j(t) если w_i(t) = 0
}

### 2. **Статистические распределения**
```
== Распределение богатства ==
Экспоненциальное распределение в стационарном состоянии:
: f(w) = λe^(-λw) где λ = 1/w̄

Параметры распределения:
* Математическое ожидание: M(W) = 1/λ
* Дисперсия: D(W) = 1/λ²
* Стандартное отклонение: σ(W) = 1/λ
```

### 3. **Меры неравенства**
```
== Коэффициент Джини ==
: G(t) = (1/(2N²w̄(t))) ∑_i=1^N ∑_j=1^N |w_i(t) - w_j(t)|

== Индекс Херфиндаля-Хиршмана ==
: HHI(t) = ∑_i=1^N (w_i(t)/W)²

== Энтропия распределения ==
: S(t) = -∑_i=1^N (w_i(t)/W) ln(w_i(t)/W)
```

### 4. **Агрегированные показатели**
```
== Основные статистики ==
Среднее богатство: w̄(t) = (1/N) ∑_i=1^N w_i(t)
Дисперсия: σ_w²(t) = (1/N) ∑_i=1^N (w_i(t) - w̄(t))²
Квантили: Q_p(t) = inf{w: F_w(w,t) ≥ p}
```

### 5. **Динамические характеристики**
```
== Мобильность и корреляция ==
Мобильность богатства:
: Mobility(t) = (1/N) ∑_i=1^N |rank_i(t) - rank_i(0)|

Автокорреляция:
: ρ(t,s) = Cov(W(t), W(s))/(σ_W(t)σ_W(s))
```

## Примеры оформления формул для MediaWiki

### Описательные статистики
```
== Основные статистические показатели ==
'''Среднее арифметическое:'''
: x̄ = (1/n)∑_i=1^n x_i

'''Медиана:'''
: Med = { x_((n+1)/2) если n нечётно; (x_(n/2) + x_(n/2+1))/2 если n чётно }

'''Дисперсия:'''
: s² = (1/(n-1))∑_i=1^n (x_i - x̄)²
```

### Меры неравенства
```
== Коэффициенты неравенства ==
'''Коэффициент Джини:'''
: G = (∑_i=1^n ∑_j=1^n |x_i - x_j|)/(2n²x̄)

'''Коэффициент вариации:'''
: CV = s/x̄

'''Процентильные соотношения:'''
: P_90/10 = Q_0.9/Q_0.1
: P_75/25 = Q_0.75/Q_0.25
```

### Временные ряды
```
== Анализ динамики
'''Скользящее среднее:'''
MA_t(k) = (1/k)∑_i=0^(k-1) x_(t-i)

'''Автокорреляция:'''
: ρ(τ) = Cov(x_t, x_(t-τ))/(σ_x_t σ_x_(t-τ))
```

## Выводы по использованию формул в статье

1. **Для описания динамики модели** используются разностные уравнения
2. **Для статистического анализа** применяются формулы описательной статистики
3. **Для измерения неравенства** используются специализированные коэффициенты
4. **Для анализа распределений** применяются теоретические законы распределения
5. **Все формулы сопровождаются пояснениями** переменных и параметров

Статья демонстрирует комплексный подход к математическому описанию агентной модели с использованием статистических методов анализа.