Обсуждение:Wealth Distribution

Экспериментальные датасеты NetLogo

Эксперимент 29 ноября 2025

Мы получили набор данных из модели Wealth Distribution - BehaviorSpace со следующими условиями:

["num-grain-grown" 4]
["percent-best-land" 5 10 15 20]
["metabolism-max" 10 15 20]
["max-vision" 4 5 6 7 8 9 10]
["num-people" 400]
["grain-growth-interval" 2]
["life-expectancy-min" 30]
["life-expectancy-max" 70]

В эксперименте собирались следующие метрики:

ticks
count turtles
count turtles with [color = red]
count turtles with [color = green]
count turtles with [color = blue]
gini-index-reserve / num-people
gini-index-reserve

Результаты

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

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

Malena Buzdugan 11:04, 13 декабря 2025 (MSK)

Показывает, как неравенство растёт или стабилизируется во времени. В типичных моделях типа Sugarscape коэффициент Джини быстро растёт в начале (разрыв между «богатыми» и «бедными»), затем стабилизируется.

Сравнение неравенства по max-vision

Malena Buzdugan 11:04, 13 декабря 2025 (MSK)

Чем выше max-vision (способность видеть ресурсы), тем ниже коэффициент Джини — то есть, неравенство уменьшается. Это говорит о том, что доступ к информации (в данном случае — возможность видеть ресурсы) способствует более равному распределению богатства.

График: Динамика численности красных агентов

--Kate (обсуждение) 23:07, 21 декабря 2025 (MSK)

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

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

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

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

Вывод

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

График: Распределение значений max-vision

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

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

Вывод:

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

Эксперимент 07 декабря 2025 (480 runs)

	Description	KeyDescripions
NetLogo Wealth Distribution 07122025	Датасет выращен при помощи агентов модели NetLogo Wealth Distribution	"run number", percent.best.land - процент лучших земель metabolism.max (уровень метаболизма) max.vision - способности черепах (видение) grain.growth.interval gini - коэффициент Джини (неравенство)

Мы получили набор данных из модели Wealth Distribution - BehaviorSpace со следующими условиями:

["num-grain-grown" 5]
["percent-best-land" 5 10 15 20]
["metabolism-max" 10 15]
["max-vision" 4 6 8 10 12 14]
["num-people" 300]
["grain-growth-interval" 1 2 3 4 5 6 7 8 9 10]
["life-expectancy-min" 30]
["life-expectancy-max" 80]

В эксперименте собирались следующие метрики:

ticks
count turtles
gini-index-reserve / num-people

При этом данные собирались только в конце прогона - 500 ticks

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

Результаты

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

Процесс обработки в R

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

data_clean <- read.csv(url)

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

• boxplot

# Формула: зависимая_переменная ~ независимая_переменная
model_vision <- lm(gini ~ max.vision, data = data_clean)
summary(model_vision)

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

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

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

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

Визуализация эксперимента

--Григорий Глаголенко (обсуждение) 00:05, 22 декабря 2025 (MSK)

Boxplot

	Description
Boxplot	Boxplot (диаграмма размаха, ящик с усами) — это графический метод визуализации распределения количественных данных через их квартили. Этот тип диаграммы позволяет быстро оценить центральную тенденцию, вариабельность и асимметрию данных, а также выявить аномальные значения (выбросы). Boxplot показывает сразу 5 ключевых статистик (минимум, Q1, медиана, Q3, максимум) + выбросы.

Сравнение медиан: медианы (горизонтальные линии) для разных групп довольно близки друг к другу, что говорит о том, что средний уровень неравенства примерно одинаков при разных значениях параметра.

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

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

Multi-set bar chart

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

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

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

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

Визуализация эксперимента

--Хлебова Екатерина (обсуждение)

Parallel coordinates

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

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

Анализ паттернов:

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

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

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

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

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

Параметры для Parallel coordinates

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

Bumpchart

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

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

Ключевые паттерны:

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

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

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

- 2 место: vision=12

- 3 место: vision=8

- 4 место: vision=10

- 5 место: vision=6

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

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

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

Параметры Bumpchart

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

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