GenderDeSegregationSchooll

Описание модели	Модель воспроизводит изменения в проценте женщин-учителей в гимназиях федеральной земли Рейнланд-Пфальц в Германии с 1950 по 1989 год. Она начинается с данных о количестве мужчин и женщин-учителей в этих школах в 1950 году и отображает их на карте Рейнланд-Пфальца
Область знаний	Педагогика, Социология, Образование
Веб-страница - ссылка на модель	https://github.com/ChumakovOA/Econometric
Видео запись
Разработчики
Среды и средства, в которых реализована модель	NetLogo
Диаграмма модели
Описание полей данных, которые модель порождает	; numbers of male and female teachers and pupils in these schools in 1950 Название "ADENAU" 6.929 50.382 101 47 2 3 "AHRWEIPJ" 7.091 50.535 262 0 12 1 "AHRWEIU" 7.097 50.542 0 307 1 18
Модель создана студентами?	Да

GenderDeSegregationSchool

Каждый шаг модели соответствует изменению от года к году. В интерфейсе отображается текущее распределение процента женщин-учителей (гистограмма), а также временной ряд для выбранной школы.

Аннотация

В данном проекте исследуется динамика гендерного состава учителей в гимназиях федеральной земли Рейнланд-Пфальц (Германия) в период с 1950 по 1989 год. С помощью агентной модели, реализованной в NetLogo, воспроизводятся эмпирические данные о проценте женщин-учителей.

Цель работы

Количественно оценить влияние параметров κ (чувствительность к текущему гендерному составу) и δ (нарушение равных возможностей) на динамику гендерной сегрегации в школах.

Модель

<embed src="https://github.com/ChumakovOA/Econometric/raw/refs/heads/main/Gender_Schools_Model.nlogox"

      width="800" height="600">

Скачать модель

GitHub: ссылка на модель

Исходные данные

Данные о школах (названия, координаты, количество учителей) хранятся внутри модели и не требуют внешнего файла.

Правила модели

1. Все учителя, покидающие свои должности, заменяются мужчинами и женщинами с вероятностью, определяемой формулой:

   P(женщина) = ν(t) × δ × exp(κ × ξ), где ξ — текущий процент женщин в школе.

2. Мужчины остаются на своих должностях в два раза дольше, чем женщины; продолжительность работы распределена нормально с параметрами μ = 30 для мужчин и μ = 15 для женщин, при стандартном отклонении σ = 5.
3. Параметры κ и δ варьируются между запусками симуляции (задаются через слайдеры в интерфейсе).
4. Параметр ν(t) автоматически подбирается так, чтобы при δ = 1 средняя вероятность найма женщины составляла 0.5.

Параметры модели

Параметр	Описание	Диапазон	Значение по умолчанию
κ	Чувствительность вероятности найма к текущему проценту женщин	-2 … 2	0
δ	Нарушение равных возможностей (δ>1 — в пользу женщин, δ<1 — в пользу мужчин)	0.6 … 1.4	1
μ (мужчины)	Средняя продолжительность карьеры мужчин	30 (фикс)	30
μ (женщины)	Средняя продолжительность карьеры женщин	15 (фикс)	15
σ	Стандартное отклонение продолжительности карьеры	5 (фикс)	5

Визуализация

• Школы — кружки на карте. Цвет меняется от красного (0% женщин) до синего (100% женщин)
• Учителя-мужчины — синие квадраты
• Учителя-женщины — красные круги

Рабочие гипотезы

Гипотеза 1. Влияние чувствительности κ

• H₀: κ = 0. Вероятность найма женщины не зависит от текущего процента женщин в школе. Гендерный состав школы не влияет на решение при найме нового учителя.
• H₁: κ > 0. Существует положительная зависимость: чем выше текущий процент женщин в школе, тем выше вероятность найма новой женщины. Это создаёт эффект «снежного кома» и усиливает гендерную сегрегацию.

Гипотеза 2. Нарушение равных возможностей δ

• H₀: δ = 1. При найме на замену уволившимся учителям соблюдаются равные возможности: мужчины и женщины нанимаются с одинаковой вероятностью (50/50).
• H₁: δ ≠ 1. Существует систематическое нарушение равных возможностей при найме: Если δ > 1 — нарушение в пользу женщин (женщин нанимают чаще, чем мужчин) и Если δ < 1 — нарушение в пользу мужчин (мужчин нанимают чаще, чем женщин)

Проведение экспериментов

Процедура проведения:

1. Создание нового эксперимента в BehaviorSpace с именем `GenderSegregationExperiment`
2. Настройка варьируемых параметров: κ (9 уровней) и δ (7 уровней)
3. Установка количества повторений: 20 для каждой комбинации
4. Установка временного лимита: 40 тиков (соответствует 40 годам симуляции)
5. Указание замеряемого показателя: `(total-female-all / (total-male-all + total-female-all)) * 100`
6. Запуск эксперимента в режиме Table output
7. Автоматический последовательный перебор всех 63 комбинаций параметров (9×7)
8. Сохранение результатов в CSV-файл после завершения всех 1260 прогонов

Особенности проведения:

• Для обеспечения воспроизводимости результаты не фильтровались и не обрабатывались на этапе сбора
• Все 1260 прогонов выполнены в одинаковых условиях (фиксированные параметры среды)
• Случайная вариативность обеспечивается за счёт 20 повторений для каждой комбинации
• Время выполнения эксперимента: ~15-20 минут на стандартном компьютере

Результаты экспериментов (сырые данные):

Сырые данные содержат 1260 строк, каждая строка соответствует одному завершённому прогону модели. Структура данных:

Поле	Описание	Пример
`[run number]`	Номер прогона (сквозная нумерация)	1
`kappa`	Значение чувствительности для данного прогона	2.0
`delta`	Значение нарушения равных возможностей для данного прогона	1.3
`[step]`	Временной шаг фиксации (40 = 1989 год)	40
`female_percent`	Процент женщин в 1989 году	84.7

Передача данных:

Сырые данные (CSV, 1260 строк) были переданы Екатерине Песенковой для:

• Агрегации (расчёт средних по комбинациям κ и δ)
• Статистического анализа
• Визуализации результатов (построение графиков)

Ссылки:

• Сырые данные: CSV
• Сводная таблица: CSV

Результаты

Оптимальные параметры

По результатам полного факторного эксперимента были получены следующие оптимальные параметры, максимизирующие процент женщин-учителей в 1989 году:

Параметр	Описание	Оптимальное значение
κ	Чувствительность к гендерному составу	2.0
δ	Нарушение равных возможностей	1.3
Средний процент женщин в 1989 году		84.7%

Интерпретация

• Положительное значение κ = 2.0 означает, что существует положительная обратная связь: чем больше женщин уже работает в школе, тем выше вероятность найма новой женщины. Это усиливает гендерную сегрегацию.
• Значение δ = 1.3 > 1 указывает на систематическое нарушение равных возможностей в пользу женщин при найме на замену уволившимся учителям.

Графики

1. Тепловая карта поверхности отклика:

Средний процент женщин в 1989 году для 63 комбинаций κ и δ

2. Влияние κ на процент женщин:

Зависимость среднего процента женщин от κ при различных δ

3. Влияние δ на процент женщин:

Зависимость среднего процента женщин от δ при различных κ

4. Гистограмма распределения при оптимальных параметрах (κ = 2, δ = 1.3):

20 повторений эксперимента сконцентрированы в диапазоне 82–88%, что подтверждает стабильность модели

5. Ящик с усами (boxplot) для разных κ:

С ростом κ увеличивается средний процент женщин и уменьшается разброс результатов

6. Гистограмма распределения средних значений (из experiment_summary.csv):

Распределение 63 средних значений (для всех комбинаций κ и δ). Показывает, как часто встречаются разные уровни гендерной сегрегации

Проверка гипотез

Статистический подход:

Для проверки гипотез использовался двухэтапный подход: 1. Визуальный анализ графиков поверхности отклика и зависимостей 2. Сравнение средних значений для крайних значений параметров

Методика проверки:

• Для гипотезы о κ: сравнивались средние проценты женщин при κ = 2 (максимальная чувствительность) и κ = -2 (минимальная чувствительность) при фиксированном δ = 1.3
• Для гипотезы о δ: сравнивались средние проценты женщин при δ = 1.3 (нарушение в пользу женщин) и δ = 0.7 (нарушение в пользу мужчин) при фиксированном κ = 2

Гипотеза	H₀	H₁	Сравниваемые группы	Результат
1. Влияние κ	κ = 0	κ > 0	κ = 2 vs κ = -2 (при δ = 1.3)	✅ H₀ отвергается
2. Влияние δ	δ = 1	δ ≠ 1	δ = 1.3 vs δ = 0.7 (при κ = 2)	✅ H₀ отвергается

Детальный анализ гипотезы 1 (влияние κ):

Условие (при δ = 1.3)	Средний % женщин	Стандартное отклонение	Разница
κ = -2 (отрицательная чувствительность)	45.8%	1.85	+38.9%
κ = 2 (положительная чувствительность)	84.7%	2.40

Вывод по гипотезе 1: Разница в 38.9 процентных пункта между κ = -2 и κ = 2 однозначно подтверждает, что κ > 0. Положительная обратная связь увеличивает долю женщин почти вдвое. H₀ отвергается.

Детальный анализ гипотезы 2 (влияние δ):

Условие (при κ = 2)	Средний % женщин	Стандартное отклонение	Разница
δ = 0.7 (нарушение в пользу мужчин)	63.1%	2.30	+21.6%
δ = 1.3 (нарушение в пользу женщин)	84.7%	2.40

Вывод по гипотезе 2: Разница в 21.6 процентных пункта между δ = 0.7 и δ = 1.3 подтверждает, что δ ≠ 1. Более того, оптимальное значение δ = 1.3 > 1 указывает на нарушение равных возможностей в пользу женщин. H₀ отвергается.

Сводная таблица окончательных выводов:

Параметр	Оптимальное значение	Влияние на % женщин	Статистическая значимость
κ	2.0	Увеличение с 45.8% до 84.7% (κ = -2 vs κ = 2)	Однозначно подтверждено
δ	1.3	Увеличение с 63.1% до 84.7% (δ = 0.7 vs δ = 1.3)	Однозначно подтверждено

Выводы: Обе альтернативные гипотезы получили эмпирическое подтверждение. Модель показывает, что для достижения высокого процента женщин-учителей (84.7%) необходимо одновременно наличие: 1. Положительной обратной связи при найме (κ = 2.0) 2. Систематического нарушения равных возможностей в пользу женщин (δ = 1.3)

Ограничения модели

1. Постоянная численность школ. Модель не учитывает открытие, закрытие или слияние гимназий в 1950-1989 гг. Все школы существуют на протяжении всего моделируемого периода с неизменной общей численностью учителей.
2. Отсутствие внешнего рынка труда. Учителя нанимаются только на замену уволившимся, без учёта демографических изменений, потоков молодых специалистов или конкуренции между школами за кадры.
3. Географическая изоляция школ. Школы не взаимодействуют друг с другом - решение о найме в одной школе не влияет на вероятность найма в соседней школе.
4. Два гендера. Модель оперирует бинарной гендерной категорией, что отражает структуру исторических данных, но не охватывает современные реалии.

Ссылки

• Практикум по эконометрике (syllabus)
• NetLogo: netlogo.org
• R: r-project.org
• GitHub-репозиторий проекта: Econometric

Участники

Участник	Роль	Что сделано
Олег Чумаков	Разработчик модели	Создание модели NetLogo, визуализация школ и учителей, реализация правил увольнений и наймов, добавление параметров κ, δ, ν(t), отладка кода, выгрузка на GitHub, оформление вики-страницы
Анна Махонина	Экспериментатор	Проведение экспериментов в BehaviorSpace (1260 прогонов), сбор данных, подготовка CSV-файлов, загрузка данных на GitHub
Екатерина Песенкова	Аналитик данных	Анализ данных в R, визуализация результатов (тепловая карта, графики зависимостей), проверка гипотез, интерпретация выводов, подготовка сводной таблицы