Overview of agent-based models featured in issue 22 of JASSS
Table of contents
Share
Metrics
Overview of agent-based models featured in issue 22 of JASSS
Annotation
PII
S207751800007983-0-1
DOI
10.18254/S207751800007983-0
Publication type
Article
Статус публикации
Published
Authors
Tatiana Konkova 
Affiliation: Cemi RAS
Address: Russian Federation, Moscow
Abstract

The article provides an overview of agent-based models presented in the fourth issue of JASSS for 2019. The most interesting, from the point of view of the author, models are considered in more detail and brief descriptions of other publications are given.

Keywords
agent-based modeling, immigration model, population mobility, geosimulation model, sensitivity analysis, Schelling model, taxonomy, Sugarscape
Received
03.12.2019
Date of publication
19.12.2019
Number of characters
27771
Number of purchasers
6
Views
80
Readers community rating
0.0 (0 votes)
Cite Download pdf

To download PDF you should sign in

1

Общая динамика национальной идентичности и иммиграции: роли мобильности и демократии. В работе рассматривается динамика идентичности и иммиграции в условиях, когда политические решения в отношении иммиграции принимаются мажоритарным демократическим процессом, а местоположение является эндогенным. В статье описывается агентная модель, которая позволила объяснить следующие факты: когда отдельным лицам не разрешается выбирать свое собственное местоположение, количество иммигрантов в населении близко к оптимальному и ассимиляция работает хорошо. Напротив, когда людям разрешено перемещаться, образуются группы различных типов населения. Это имеет следующие последствия: ассимиляция становится более трудной из-за образования закрытых сообществ, и, следовательно, самобытность местного населения может выжить только в том случае, если большой уровень иммиграции поддерживается лицами, защищенными от ее последствий. Даже в последнем случае могут произойти временные всплески антииммиграционной политики. Эти результаты следует понимать в недавнем контексте положительных результатов выборов так называемых популистских движений в западных странах.

2 В модели рассматривается страна, которая представлена сеткой n×n. Есть два типа лиц, тип 1 – местное население и лица типа 2 - иммигранты. В любой момент каждая ячейка сетки может быть занята индивидуумом типа i∈ {1,2}, и в этом случае клетка находится в состоянии i, или она может быть пустой, в этом случае это состояние 0.
3 Для любого H∈N+ H-окрестность местоположения - множество местоположений, которые находятся на расстоянии H от этого местоположения. Иными словами, для местоположения в координатах (i, j) его H-окрестность представляет собой множество местоположений (i ', j'), таких, что ∣i−i′∣ + ∣j−j′∣ = H (не учитывая периодические граничные условия). Для всех моделей использовался соответствующий размер окрестности H≥1.
4

Рисунок 1. Самые светлые серые клетки - окрестность 1 черного местоположения. Темно-серые клетки - это окрестность 2. Самые темные серые клетки - это окрестность 3.

5 У людей есть возможность жить в данном месте L. Пусть n1 будет числом жителей типа 1 в 1-H-окрестностях L. Пусть n2 будет числом жителей типа 2 в 1- H-окрестности L. И, наконец, пусть n0 - количество пустых мест в 1-H-окрестностях L. У индивидуума типа i в местоположении L есть полезность.
6

7 где tki ∈R - цель в типе k∈ {0,1,2} для жителей типа i∈ {0,1,2}. Также у индивидов есть цель с точки зрения количества типов в окрестности их местоположения. По мере удаления от этой цели полезность уменьшается.
8 Динамика модели определяется четырьмя возможными событиями, которые происходят в непрерывном времени: смерть, рождение, перемещение и иммиграция. Описываются они следующим образом.
9 Смерть. Любой человек умирает со скоростью μ. Когда человек умирает, то клетка, в которой он находился до своей смерти, переходит в состояние 0. В данной модели не учитываются возрастные категории, и уровень смертности коренных жителей и иммигрантов считается равным.
10 Рождение. Любой человек в местоположении L может родить другого человека со скоростью ν. Это рождение происходит, если в стране существует хотя бы одно свободное место l. В этом случае одна из пустых локаций рисуется случайно. l изменяет состояния по следующим правилам.
11
  • Если человек, родивший ребенка (в месте L), относится к типу 1, его ребенок относится к типу 1, и l переходит в состояние 1.
  • Если родивший житель имеет тип 2, то тип его ребенка зависит от населения в окрестностях от 0 до H окрестности L. Пусть n1 (соответственно n2) будет числом жителей типа 1 (соответственно типа 2) в этой окрестности L. Вероятность того, что ребенок относится к типу 1, является функцией взвешенной (с весом α) пропорцией n1 индивидов, .
12

Рисунок 2. Вероятность того, что ребенок с родителем типа 2 относится к типу 1, в зависимости от соотношения лиц типа 1 в районе, где он родился. Простая: α = 1, пунктирная: α = 2, точками: α = 0,5.

13 Переезд. Любой человек в местоположении L имеет возможность переехать в другое место со скоростью m. Этот шаг происходит, если в стране существует хотя бы одно свободное место l. В этом случае одна пустая локация рисуется случайно. Перемещение в местоположение l принимается, если полезность, которую человек получает от жизни в l, строго больше, чем полезность, которую он получает от жизни в L.
14 Иммиграция. В любое время миграция может осуществляться со скоростью e при условии, что в стране существует хотя бы одно свободное место. Допуск этой иммиграции в страну осуществляется демократическим процессом. Каждый индивидуум типа 1, скажем, в локации L, голосует в зависимости от состояний локаций в окрестностях от 1 до H группы L. Пусть n1 (соответственно n2) будет числом индивидуумов типа 1 (соответственно типа 2) в этом районе. Рассматриваемый индивид голосует за иммиграцию, если n1 + n2> 0 и . Иммиграция принимается, если большинство избирателей проголосуют за иммиграцию. В этом случае одно пустое место случайным образом рисуется равномерно, и иммигрант типа 2 обосновывается в этом месте. В данной статье подразумевается следующая модель голосования: люди ожидают, что иммиграция может повлиять на них только в том случае, если она когда-либо предполагает прибытие иммигранта в их окрестности. Если соотношение индивидуумов типа 2 по соседству является низким по сравнению с их оптимальным соотношением, они предпочли бы, чтобы к ним приближался индивидуум типа 2, а не индивидуум типа 1. Предполагается, что количество иммигрантов, подающих заявки на въезд в страну, е, является постоянным. Иными словами, косвенно предполагается, что моделируемая страна всегда одинаково привлекательна для иммигрантов и что только фактические решения, принятые местными жителями, оказывают влияние на фактический уровень иммиграции.
15 Результаты моделирования показали, что когда голосование проводится на глобальном уровне, это приводит к вероятному исчезновению национальной идентичности. Если голосование проводится на местном уровне, то исчезновение национальной идентичности маловероятно, но население иммигрантов гораздо более многочисленное, чем того желает местное население. Причина такой динамики заключается в том, что, когда отдельным лицам разрешается перемещаться, образуются кластеры разных типов населения со следующими последствиями. Во-первых, ассимиляция становится более сложной из-за образования замкнутых сообществ. Затем, когда голосование носит глобальный характер, демократический процесс при голосовании большинства приводит к присутствию небольшого иммигрантского населения, которого недостаточно для того, чтобы при ассимиляции сохранилась национальная идентичность. Альтернативно, когда голосование является локальным, доля населения, не имеющего контакта с иммигрантами, формирует популярную поддержку иммиграции, которая достигает уровней, намного превышающих ее оптимальный уровень. Эта многочисленная иммигрантская популяция может поддерживать самобытность даже при низком коэффициенте ассимиляции. В этой последней конфигурации можно наблюдать некоторые временные всплески антииммиграционной поддержки со стороны большинства.
16

Пространственные вопросы: расширение анализа чувствительности на начальные пространственные условия в моделях геосимуляции. Хотя имитационные модели социо-пространственных систем в целом и агент-ориентированные модели в частности представляют собой потрясающую возможность для изучения социально-пространственного поведения и тестирования различных сценариев для государственной политики. Достоверность генеративных моделей сомнительна, если их результаты не будут подтверждены в реальных условиях. Анализ чувствительности обычно включает анализ влияния стохастичности на изменчивость результатов, а также влияние небольших изменений параметров. Однако начальные пространственные условия в социально-пространственных моделях обычно не изменяются, что оставляет неисследованным влияние начальных пространственных расположений на взаимодействия агентов друг с другом, а также с их средой. В данной статье представлен метод оценки влияния изменения некоторых начальных пространственных условий на имитационные модели с использованием генератора систематических геометрических структур для создания сеток плотности, с помощью которых инициализируются модели социально-пространственного моделирования. На примере двух классических агент-ориентированных моделей (модель сегрегации Шеллинга и модель неравных обществ Sugarscape) и простого рабочего процесса с открытым исходным кодом, использующего высокопроизводительные вычисления, показывается, что влияние начальных пространственных расположений существенно для двух вышеуказанных моделей.

17 В этой работе социально-пространственные системы понимаются как группы социальных агентов, поведение которых ограничено их положением в географическом пространстве. Обычно цель моделей геосимуляции состоит в том, чтобы представлять, моделировать и объяснять динамику этих систем. Вместо этого был представлен способ выполнения анализа чувствительности к начальным пространственным условиям моделей. Когда генератор управляется своими собственными параметрами, мы можем затем связать параметры, используемые для генерации начальных пространственных условий, с изменением результатов моделирования. Цель двоякая: (i) проверить устойчивость результатов моделирования к небольшим изменениям параметров генератора и (ii) изучить нетривиальные эффекты типичных категорий геометрических структур (например, моноцентрических и полицентрических) на результаты данной модели.
18

Общий рабочий процесс представленного метода показан на рисунке 3. В дополнение к обычному протоколу (верхняя ветвь рисунка), который состоит из запуска модели μ с различными значениями ее параметров, вводится генератор сетки плотности, который зависит от его собственного набора параметров и запускает модель μ при инициализации (нижняя ветвь). Мы называем эти параметры γ-параметрами, чтобы отличать их от стандартных параметров моделей (называемых μ-параметрами). Получающиеся конфигурации могут быть сгруппированы в качественные типы пространственных образцов. Анализ чувствительности связывает различия в результатах модели с тем, как было получено пространственное распределение плотности, и с образцами плотности.

19

Рисунок 3. Общий рабочий процесс.

20 Модель Шеллинга заключается в абстрактном рынке городского жилья, где агенты с различными характеристиками (например, красный или зеленый) знают свое окружение, оценивают свое удовлетворение с точки зрения состава окрестностей (сколько красных и зеленых?) и перемещаются, если не удовлетворены. Шеллинг (1969) показал, что даже толерантные агенты имеют тенденцию создавать отдельные структуры из-за сложности их локальных взаимодействий и эффекта снежного кома от отдельных перемещений на глобальное распределение агентов в городе. Основными параметрами этой модели являются уровень толерантности (максимальный процент агентов, отличных от эго, принятых по соседству), сфера восприятия, глобальное расслоение большинства/меньшинства и процент вакантных площадей на рынке жилья.
21 Результат модели измеряется комбинацией трех индексов сегрегации: различие, I Морана и энтропия. Индекс различия является глобальной мерой сегрегации и используется наиболее широко, хотя не учитывает локальные различия. Он соответствует минимальному проценту населения, который должен был бы переместиться в другое место, чтобы глобальная область демонстрировала равномерное распределение групп по составляющим его областям (каждая маленькая область тогда отображала бы такое же распределение, как область в целом). I Морана - это индекс пространственной сегрегации, который обозначает общую пространственную автокорреляцию группы. Он принимает положительные значения, когда группа расположена кучно (люди из группы чрезмерно представлены в окрестности) и отрицательные значения, когда группа рассредоточена в пространстве (люди из группы недостаточно представлены в окрестности). Энтропия может использоваться в качестве индикатора пространственной сегрегации, поскольку она измеряет равномерность распределения групп в пространстве. В данном случае области с более высокими значениями энтропии считаются более разобщенными, поскольку смешивание групп неравномерно по небольшим областям, тогда как низкая энтропия означает более равномерное распределение.
22 Авторы использовали специальную реализацию модели Шеллинга, как в Scala для повышения производительности, так и в NetLogo, для обеспечения визуализации динамики модели. В общем, реализации моделей Шеллинга допускают только одного агента на ячейку, и их первоначальное распределение является случайным, поэтому следует равномерному распределению по моделируемому городу. В проведенном эксперименте несколько агентов могли находиться в одной ячейке. Потенциальная плотность ячейки определяется сгенерированной сеткой плотности. Если при инициализации не достигается потенциальная плотность ячейки, в ходе симуляции в ячейку может перемещаться больше агентов, в противном случае она считается заполненной и недоступной. Индексы удовлетворенности и сегрегации рассчитываются для людей в ячейке и людей, находящихся в соседних ячейках. Модель не ограничивается изотропным квадратным городом, так как авторы ставили задачу протестировать модели с реалистичными диапазонами начальных моделей распределения плотности. Поэтому для ограничения плотности населения использовались фактические распределения европейских городов.
23 Sugarscape - это модель добычи ресурсов, которая имитирует неравное распределение богатства в гетерогенной популяции. Хотя она «предназначена для изучения взаимодействия многих вероятных социальных механизмов», в данной статье используется первая (и простейшая) версия модели, где «процессы позволяют своим агентам искать, переходить и есть ресурс («сахар»), который растет в [...] его массиве клеток ». Агенты с различными диапазонами обзора и разным метаболизмом собирают самовосстанавливающийся ресурс, неоднородно доступный в исходном ландшафте, они оседают и собирают этот ресурс, что приводит к тому, что некоторые из них выживают, а другие гибнут. Основными параметрами этой модели являются количество агентов, их минимальный и максимальный уровни ресурсов. Городскую среду Sugarscape можно использовать для моделирования того, как пространственное распределение любого типа товаров или услуг может влиять на распределение богатства среди жителей. Результат модели измеряется индексом неравенства Джини для распределения ресурсов.
24 Для Sugarscape исследуются три области параметров: общее население агентов P∈ [10; 510], минимальный начальный ресурс агента s_ ∈ [10; 100] и максимальный начальный ресурс агента s+ ∈ [110; 200]. Каждый параметр объединен в 10 значений, что дает 1000 точек параметров. Первоначальная пространственная конфигурация варьируется по 50 различным сеткам, генерируемым параметрами генератора выборки в LHS. Так как распределение плотности относится к распределению ресурсов, а не к представлению структуры города, в этом эксперименте не нужна типология плотности городов. Таким образом, полный эксперимент равняется 2 500 000 имитаций (1000 комбинаций параметров х 50 сеток плотности х 50 повторений).
25 Для модели Шеллинга также исследуются три области параметров модели: минимальная доля аналогичных агентов, требуемая в окрестности для удовлетворения агента (или уровня непереносимости) S∈ [0; 1], начальное разделение населения, полученное из доли зеленого населения, G∈ [0; 1] и доли вакансий в городе V∈ [0; 1]. Используя выборку Соболя, выбирается 1000 значений параметров и запускается 100 повторений для каждой конфигурации. Сначала использовался тот же дизайн эксперимента (50 сеток плотности), а затем рассматривались кластерные сетки, представляющие городские плотности. Выбираются 45 различных сеток среди тех, которые наиболее характерны для трех типов городской морфологии: 15 компактных сеток, 15 полицентрических сеток и 15 прерывистых сеток. Таким образом, последний эксперимент равняется 4 500 000 имитаций (1000 комбинаций параметров х 45 сеток плотности х 100 повторений).
26 Как результат была получена очень сильная чувствительность к геометрическим структурам для модели Sugarscape. Действительно, относительное расстояние между фазовыми диаграммами сеток с различной плотностью и фазовой диаграммой эталонного случая составляет от 0,09 до 2,98 со средним значением 1,52 и средним значением 1,30. Среднее расстояние выше 1 означает, что в среднем модель более чувствительна к параметрам генератора, чем к ее собственным параметрам (популяция и запас сахара) в эталонной модели. Более того, максимальное расстояние в 2,98 означает, что изменение, вызванное изменением сетки, может быть в три раза больше, чем изменение, вызванное параметрами модели. На рис. 4 показано распределение этих расстояний в пространстве параметров генератора.
27

Рисунок 4. Относительные расстояния фазовых диаграмм по начальным пространственным сеткам, описанным их параметрами генератора. Относительное расстояние как функция параметров генератора α (сила преимущественного присоединения) и β (сила диффузионного процесса).

28 На рисунке 8 показаны расстояния между фазовыми диаграммами в зависимости от параметров генератора и морфологических компонентов для модели Шеллинга, аналогично модели Sugarscape. Эта версия модели Шеллинга кажется менее чувствительной к сеткам плотности, чем модель Sugarscape, так как здесь не был получен большой диапазон значений. Тем не менее, были получены измерения в диапазоне от 0 до 0,85 с евклидовым расстоянием, что характерно для значительной чувствительности к пространству.
29

Рисунок 5. Относительные расстояния фазовых диаграмм до эталона по сеткам для модели Шеллинга. Каждая точка соответствует пространственной конфигурации, а цвет показывает относительное расстояние до одной из фазовых диаграмм. Слева - в пространстве параметров генератора, справа - в уменьшенном морфологическом пространстве.

30 Результатом экспериментов стала разработка метода анализа чувствительности результатов моделирования к исходной пространственной конфигурации. Это было реализовано с помощью пространственного генератора, выход которого используется в качестве входных данных для имитационной модели. Данный подход был применен к двум классическим моделям: Schelling и Sugarscape. С помощью эксперимента Шеллинга было обнаружено, что различные морфологии городов оказывают влияние на модели взаимодействия, и что полицентрические и прерывистые города систематически кажутся более сегрегированными, чем компактные, с точки зрения различий и индекса энтропии. С помощью Sugarscape было показано, что модель более чувствительна к пространству, чем к другим параметрам в эталонной реализации NetLogo, как в качественном, так и в количественном отношении: амплитуда изменений в сетках плотности больше, чем амплитуда в каждой фазовой диаграмме, и поведение фазовой диаграммы качественно различно в разных областях морфологического пространства.
31 Планирование у агентов в динамике мнений: таксономия и сравнение с использованием обобщенных моделей Модели динамики мнений являются важной областью изучения в сообществе агентного моделирования. Элементы планирования агентов в существующих моделях динамики мнений различны, но в значительной степени неоправданны и лишь минимально объяснены. Кроме того, предыдущие исследования о влиянии планирования недостаточны, отчасти из-за отсутствия общей таксономии, с которой можно обсуждать и сравнивать графики. В статье представлена таксономия Синхронность, Тип актора, Масштаб (SAS), целью которой является предоставление общего лексикона для планирования агентов в моделях динамики мнений. Он демонстрируется с использованием обобщенной модели многократного усреднения (GRAM) и обобщенной модели ограниченной достоверности (GBCM). Приведены существенные различия в результатах модели с различными графиками, а также результаты преднамеренного смещения модели с использованием только изменения графика. Авторы призывают разработчиков моделей динамики мнений четко заявить о своем выборе графика и обосновать этот выбор на основе реальных социальных явлений.
32 Таксономия SAS является кратким методом сообщения о расписании модели динамики мнений. Компоненты должны быть представлены в порядке, как показано в сводной таблице в таблице 1. Синхронность говорит о том, постоянно ли обновляются состояния при действии агентов, и имеет два варианта: синхронный и асинхронный. Тип актора относится к направлению влияния и имеет четыре варианта: цель, источник, группа и смешанный. Шкала относится к числу акторов, выбранных для каждой роли за временной шаг, и имеет 2 параметра (или 4, если тип актора смешанный).
33 Таблица 1.
34 В контексте таксономии SAS основным действующим лицом в модели динамики мнений является субъект, выбранный для действия. В агентных моделях это агент или группа агентов, которые выполняют код напрямую. В ходе этого действия основные участники могут быть в паре с другими агентами. Агент в паре таким образом - вторичный актор. В модели, явно не закодированной как агент-ориентированная модель, первичный субъект неявно идентифицируется как выполняющий какое-то действие с помощью математической формулировки.
35 При определении модели, построенной на основе агентной логики, существуют три основных типа акторов: 1) исходные агенты, которые влияют на других, когда они действуют, 2) целевые агенты, на которых влияют другие, когда они действуют, и 3) группы агентов, которые взаимно влияют друг на друга. Кроме того, акторы могут быть смешанного типа; например, различные «виды» агента могут действовать по-разному, или действие агента может варьироваться в зависимости от модельного состояния.
36 Чтобы продемонстрировать использование таксономии SAS и продемонстрировать потенциальные различия, которые могут возникнуть в выходных данных модели в результате отличающихся графиков, были рассмотрены две модели, обобщенные из доступных в литературе. Первая из них - модель повторного усреднения. GRAM запускалась для 1000 повторов для каждого набора параметров, начиная с набора из N = 1000 агентов, инициализированных для равномерно распределенных мнений. Считается, что они сходятся, когда диапазон мнений падает ниже 0,01.
37 Для s = 2 все три основных типа субъектов (цель, источник, группа) были исследованы с синхронностью и без нее. Эксперименты показали, что существуют различия между графиками в отношении степени смещения, демонстрируемого в смещенных моделях, и расхождений в наблюдаемых мнениях при конвергенции. Как исходные, так и целевые первичные акторы демонстрировали заметные различия в дисперсии для высоких значений μ (μ – параметр сходимости) при изменении синхронности. При всей синхронности и предвзятости исходные первичные действующие лица генерируют существенно более высокую дисперсию мнений при сближении, чем целевые или групповые первичные субъекты. Первичные действующие лица группы демонстрируют самое слабое смещение с относительно небольшой дисперсией даже при высоком μ.
38 Хотя GRAM достаточно для демонстрации различий, которые могут возникнуть в выходных данных модели в результате выбора расписания, имеет смысл представлять результаты для более сложной и более распространенной модели. Это обобщенная модель ограниченного доверия. GBCM отличается от GRAM одним ключевым способом: после инициализации наборов Sj и/или Ti они фильтруются, чтобы включать в себя только второстепенных субъектов, мнения которых находятся в пределах d от первичного субъекта, где d - порог достоверности.
39 Для s = 2 все три основных типа субъектов (цель, источник, группа) были исследованы с синхронностью и без нее. Как и в случае с GRAM, исходные акторы дают гораздо более высокую дисперсию мнений в модели при конвергенции. Кроме того, с ростом μ расположение наиболее распространенных кластеров расходится в сторону полюсов мнений. Как для целевых, так и для групповых участников, существует разница во мнениях кластеров в синхронном и асинхронном графиках. Эффекты смещения кажутся мягкими для групповых акторов, но намного сильнее для целевых акторов.
40 В результате, наиболее очевидным качественным наблюдением для GRAM и GBCM явилось то, что изменение графика взаимодействия агентов может оказать существенное влияние на наблюдаемое возникающее поведение. Это основная цель этих моделей, и она предполагает, что расписание взаимодействий должно быть более четко сформулировано и обосновано в моделях динамики мнений. Результаты этих моделей, выполненных в соответствии с различным расписанием, показывают, что изменение любого элемента расписания может значительно повлиять на возникающее поведение даже в относительно простых моделях. Существующие модели опираются главным образом на рандомизацию для упорядочения действий и выбора типа агента и синхронизацию без существенного обоснования.
41 Агентное моделирование «зарядного поведения» водителей электромобилей В последние несколько лет все больше внимания уделяется сочетанию электромобилей (ЭМ) и возобновляемых источников энергии. Зарядка электромобилей с использованием возобновляемой энергии не только реализует их истинный потенциал в качестве чистого вида транспорта, но и позволяет заряжать ЭМ в периоды пиковых показателей производства возобновляемой энергии, что может помочь широкомасштабной интеграции возобновляемой энергии в существующую энергетическую инфраструктуру. В статье с помощью агентная модели исследуется потенциальное влияние различных видов политических вмешательств на совокупные схемы зарядки ЭМ. Политические вмешательства включают финансовые стимулы, автоматизированное умное взимание платы, информационные кампании и социальную зарядку. Было исследовано, насколько хорошо полученные схемы оплаты соответствуют производству возобновляемой энергии и насколько они влияют на удовлетворенность водителей ЭМ. В работе была использована новейшая теория психологии окружающей среды для определения поведения агента, в отличие от более ранних имитационных моделей, которые были сосредоточены только на технических и финансовых соображениях.
42 Динамика языковых меньшинств: данные агентной модели языкового контакта В этой статье обсуждается принятие подхода теории сложности для изучения динамики языковых контактов в многоязычных сообществах. Была разработана агентная модель, которая имитирует динамику общения в сообществе, где сосуществуют меньшинство и мажоритарная группа. Индивидуальный выбор языка для общения основан на ряде простых правил, полученных из обзора основной литературы по теме языкового контакта. Эти правила объединяются с различными переменными, такими как уровень экзогамии меньшинства и наличие соответствующей образовательной политики, чтобы оценить тенденции ассимиляции группы меньшинства в группу большинства. Модель подтверждена использованием фактических данных, полученных на примере носителей романского языка в кантоне Гризон, Швейцария. Данные, собранные в результате моделирования, затем анализируются с помощью методов регрессии. В работе показывается, что динамика языковых контактов на макроуровне может быть объяснена относительно простыми поведенческими моделями на микроуровне и что передача из поколения в поколение имеет решающее значение для долгосрочного выживания групп языковых меньшинств.
43 Двухслойная сеть и механизм увеличения финансового системного риска Китая Авторы изучили динамический механизм распространения системного риска в финансовых системах с двухслойной сетью и проанализировали факторы, влияющие на системный риск. Для построения двухуровневой сетевой структуры финансовой системы Китая, состоящей из межбанковского кредитования и сети перекрестного владения, был использован метод максимальной энтропии для оценки данных по межбанковским кредитам и объединены данные о перекрестном владении акциями между финансовыми учреждениями. Посредством моделирования была проанализирована нелинейная эволюция процесса «заражения» рисками. Численные результаты показали, что большая часть избыточных потерь обусловлена межбанковским кредитованием. Однако если связи в каналах перекрестного владения усиливаются, избыточные потери имеют тенденцию к увеличению. Кроме того, было обнаружено, что определенные специфические факторы, например, уровень потерь активов, потери при дефолте, общие активы, межбанковские активы и межбанковские обязательства, оказывают положительное влияние на потери, вызванные потенциальным банкротством организации. Также было обнаружено, что число банкротств может значительно увеличиться с увеличением уровня потерь активов и потери при дефолте. В результатах моделирования предлагаются определенные политические рекомендации по управлению системным риском.

References

1. Houy N. Common Dynamics of Identity and Immigration: The Roles of Mobility and Democracy // JASSS. 2019, V. 22, 4 URL: http://jasss.soc.surrey.ac.uk/22/4/4.html

2. Raimbault J., Cottineau C., Le Texier M., Le Nechet F., Reuillon R. Space Matters: Extending Sensitivity Analysis to Initial Spatial Conditions in Geosimulation Models // JASSS. 2019, V. 22, 4 URL: http://jasss.soc.surrey.ac.uk/22/4/10.html

3. Weimer C., J.O. Miller, Hill R., Hodson D. Agent Scheduling in Opinion Dynamics: A Taxonomy and Comparison Using Generalized Models // JASSS. 2019, V. 22, 4 URL: http://jasss.soc.surrey.ac.uk/22/4/5.html