Teacher Satisfaction (model)

Описание модели	Модель удовлетворённости учителей — агентно-ориентированная симуляция рынка труда преподавателей в городской системе образования. Учителя выбирают работу по зарплате, качеству школы и расстоянию, их удовлетворённость (0-1) определяет текучесть кадров. Модель показывает стратификацию: хорошие школы заполнены (satisfaction 0.9), плохие пустеют (satisfaction 0.2), безработица минимальна.
Область знаний	Социология, Экономика, Образование
Веб-страница - ссылка на модель
Видео запись
Разработчики	Участник:Patarakin
Среды и средства, в которых реализована модель	NetLogo
Диаграмма модели
Описание полей данных, которые модель порождает	Средняя удовлетворенность учителей (mean-satisfaction-all): меняется от 0 до 1 Текучесть кадров (teacher-turnover-rate): доля уходящих в год Вакансии в школах (mean-school-vacancy-rate): напряженность рынка Неравенство удовлетворенности (satisfaction-inequality): разброс по школам Безработица (unemployment-rate): учителя без работы
Модель создана студентами?	Нет

Параметры модели

Вы можете менять входные параметры для понимания влияния на выходы:

Параметр	Описание	Диапазон	Смысл
academic-mobility-radius	Как далеко готов ехать учитель	5–50 км	Низкое значение = люди предпочитают близко; высокое = готовы далеко
Satisfaction_threshold	Минимум удовлетворенности, ниже которого уходят	0.1–0.9	Низкое = требовательные учителя; высокое = терпеливые
Base_Salary	Базовая зарплата	1000–3000 руб. (условно)	Выше зарплата = больше удовлетворенность
Sch_Quality_Variation	Вариабельность качества между школами	0.05–0.5	Выше = больше разброс между "хорошими" и "плохими" школами

Эксперименты с BehaviorSpace

	Description
BehaviorSpace	Специальная отдельная программа, встроенная в среду агентного моделирования NetLogo и предназначенная для постановки экспериментов. BehaviorSpace - это программный инструмент, интегрированный с NetLogo, который позволяет проводить эксперименты с моделями.

Как это работает:

1. Определите параметры для варьирования
2. * Какие переменные менять (например, academic-mobility-radius от 5 до 50 с шагом 5)
   • Сколько значений тестировать
3. Определите, что записывать**
   • Какие переменные выходов интересуют вас (mean-satisfaction-all, teacher-turnover-rate и т.д.)
   • На каком тике снимать данные (конец симуляции, каждый тик, и т.д.)
4. Запустите эксперимент
5. Получите CSV с результатами**
   • Строка = один запуск модели
   • Столбцы = входные параметры + выходные метрики

Например, создаем датасет TS_Mobil_Satisf.csv

Категория	Столбцы	Что это
Входные параметры	academic-mobility-radius, Satisfaction_threshold	Что мы контролировали в эксперименте
Выходные метрики	total-teachers, teacher-turnover-rate, mean-school-vacancy-rate, satisfaction-inequality, mean-satisfaction-poor-schools, mean-satisfaction-good-schools, unemployment-rate, mean-satisfaction-all	Что произошло в модели при этих параметрах

1. Запустили модель Teacher Satisfaction в NetLogo через BehaviorSpace
2. Изменяли academic-mobility-radius (мобильность учителей) — ключевой параметр
3. Зафиксировали другие параметры (Satisfaction_threshold = 0.1)
4. Собрали выходные данные в CSV
5. Очистили и отредактировали (удалили первые 6 строк)
6. Выложили на GitHub для открытого использования

Датасеты на GitHub

Многофакторный анализ

• https://raw.githubusercontent.com/patarakin/stat-data/refs/heads/main/datasets/csv/TS_Factors.csv - (5000 строк)
• https://raw.githubusercontent.com/patarakin/stat-data/01de7127de7909037d0e30908afa607539669bdd/datasets/csv/TS_Factors2.csv - 25000 строк

Мобильность и удовлетворенность - TS_Mobil_Satisf.csv

• https://raw.githubusercontent.com/patarakin/stat-data/refs/heads/main/datasets/csv/TS_Mobil_Satisf.csv

TS_S_Quality.csv

• https://raw.githubusercontent.com/patarakin/stat-data/refs/heads/main/datasets/csv/TS_S_Quality.csv

TS_Salary.csv

• https://raw.githubusercontent.com/patarakin/stat-data/refs/heads/main/datasets/csv/TS_Salary.csv