Везде
Кластеризация агентов в модели сегрегации населения
Оглавление
Аннотация Оценить Содержание публикации
Библиография Комментарии
Поделиться
QR
Метрика
Кластеризация агентов в модели сегрегации населения
Аннотация
Код статьи
S207751800012764-9-1
DOI
10.18254/S207751800012764-9
Тип публикации
Статья
Статус публикации
Опубликовано
Авторы
Акопов Андраник Сумбатович 
ORCID: 0000-0003-0627-3037
Должность: главный научный сотрудник
Аффилиация: ЦЭМИ РАН
Адрес: Российская Федерация, Москва
Бекларян Армен Левонович
ORCID: 0000-0001-5141-5140
Аффилиация: Национальный исследовательский университет «Высшая школа экономики»
Адрес: Российская Федерация, Москва
Бекларян Левон Андреевич
Аффилиация: ЦЭМИ РАН
Адрес: Российская Федерация, Москва
Белоусов Федор Анатольевич
Аффилиация: ЦЭМИ РАН
Адрес: Российская Федерация, Москва
Хачатрян Нерсес Карленович
Должность:  Заместитель директора института по научной работе
Аффилиация: ЦЭМИ РАН
Адрес: Российская Федерация, Москва
Выпуск
Том 15 Выпуск 4
Аннотация

В данной статье представлена имитационная агент-ориентированная модель сегрегации населения, в рамках которой, реализован механизм сложного многочастичного взаимодействия между внешними и местными агентами (коренными жителями), влияющие, в частности, на темпы ассимиляции. Для модели сегрегации населения предложен алгоритм нечёткой кластеризации, позволяющий формировать рабочие места с учетом компактного размещения агентов-индивидуумов и их множественных характеристик. Исследованы эффекты сегрегации населения при различных сценарных условиях, влияющие на популяционную динамику и другие важные характеристики рассматриваемого искусственного сообщества.

Ключевые слова
модель сегрегации населения, агентное моделирование, кластерный анализ, эффекты сегрегации, нечёткая кластеризация, эконометрический анализ
Источник финансирования
Исследование выполнено при финансовой поддержке РФФИ в рамках научного проекта № 20-01-00002
Классификатор
Получено
24.10.2020
Дата публикации
06.12.2020
Всего подписок
16
Всего просмотров
2238
Оценка читателей
0.0 (0 голосов)
Цитировать Скачать pdf
Доступ к дополнительным сервисам
Дополнительные сервисы только на эту статью
Преимущества сервисов
100 руб. / 1.0 SU
Дополнительные сервисы на все выпуски за 2020 год
Преимущества сервисов
1200 руб. / 24.0 SU
1

Введение

Моделирование эффектов пространственной сегрегации населения является весьма актуальным направлением в области вычислительной социологии, направленным на изучение механизмов формирования обособленных сообществ, разделенных по принципу схожести характеристик их индивидуумов (например, по расовым, социальным, гендерным и другим признакам).
2 Наиболее важные работы в данной области представлены моделями ограниченного соседства [1, 8, 12] и толерантного порогового поведения [4, 11], в которых изучается принятие индивидуальных решений по выбору мест наиболее комфортных для проживания с точки зрения ближайшего окружения. Так, например, модель Шеллинга [12], как правило, используется для изучения поведения однородных этнических групп. В подобных моделях человек отдает предпочтение тому месту проживания, в котором его соседями будут люди той же этнической принадлежности, и в результате формируются обособленные районы (гетто). Модель Грановеттера [11] исследует поведение людей с учетом уровня пороговой толерантности, под которым понимается максимально допустимое количество индивидуумов в ближайшем окружении с отличными характеристиками (например, с иным социальным статусом), которое является приемлемым с точки зрения соседства. В работе [4] показана эквивалентность модели ограниченного соседства Шеллинга [12] и модели порогового поведения Грановеттера [11]. В работе [1] предложен подход к построению агент-ориентированных моделей ограниченного соседства и выполнен кластерный анализ для двух групп агентов со своими индивидуальными характеристиками. 
3 Отметим, что сегрегация существенно влияет на скорость адаптации и ассимиляции мигрантов [9]. Так, например, формирование языковых навыков (т. е. уровень владения местным языком) и темпы социальной интеграции существенно зависят от степени сегрегации (т. е. количества контактов между мигрантами и коренными жителями), что в свою очередь влияет на возможность получения качественного образования в стране пребывания и возможности социальной интеграции. Увеличение темпов ассимиляции мигрантов позволяет в перспективе существенно увеличить численность населения с преобладающей долей людей, идентифицирующих себя в качестве коренных жителей.
4 Для изучения популяционной динамики искусственных сообществ с существенно отличающимися паттернами поведения индивидуумов, разработана агент-ориентированная имитационная модель «кочевников и землепашцев» [2], в которой условные «землепашцы» создают продукт (ресурс) используя свои навыки, а условные «кочевники» потребляют этот ресурс, который отбирают у землепашцев и других кочевников. При определенных условиях и значениях параметров среды обитания агентов возможно доминирование «кочевников» и вырождение популяции «землепашцев». Для исследования популяционной динамики сообществ с более сложными паттернами поведения была разработана агент-ориентированная имитационная модель взаимодействия мигрантов и коренных жителей [5], в которой агенты-мигранты создают ресурсы с наименьшим уровнем отдачи, а агенты-коренные жители воспроизводят рабочие места, обеспечивающие больший вклад в уровень личного благосостояния и экономический рост в целом.
5 Основываясь на ранее разработанных моделях популяционной динамики мигрантов и коренных жителей [5], предлагается новый подход, учитывающий процесс естественной сегрегации населения, обусловленный выбором агентами-индивидуумами рабочих мест наиболее релевантных их уровню квалификации и обеспечивающих при этом необходимый уровень личного комфорта. Отличительной особенностью предлагаемого здесь подхода, является то, что государство может «фокусировано» формировать «низкопродуктивные» и «высокопродуктивные» рабочие места в областях с преобладающим внешним (мигранты) и местным (коренные жители) населением, соответственно. При этом характеристики подобных кластеров определяются с использованием процедуры нечёткой кластеризации [7], учитывающей индивидуальные характеристики агентов (например, трудоспособный возраст, заинтересованность в получении рабочего места и др.). В результате формируются устойчивые кластеры пространственного размещения агентов. Возникающая при этом сегрегация существенно влияет на скорость ассимиляции внешних агентов, общую численность населения и динамику ВВП.
6 Данная статья посвящена разработке алгоритма нечёткой кластеризации для предложенной агент-ориентированной модели сегрегации населения, относящейся к классу моделей ограниченного соседства, в которой имеются два типа взаимодействующих агентов: внешние (мигранты) и местные агенты (коренные жители), с собственными правилами принятия решений о выборе наиболее предпочтительных мест проживания. Разработанная модель реализована в системе AnyLogic, поддерживающей методы агентного имитационного моделирования [2], и агрегирована с предложенным алгоритмом нечёткой кластеризации, предназначенным для «фокусированного» формирования рабочих мест в областях компактного размещения агентов и с учетом их индивидуальных характеристик (например, трудоспособного возраста, состояния поиска работы).
7

Агентная модель сегрегации населения

Предлагаемая модель сегрегации агентов относится к классу агент-ориентированных моделей с дискретным пространственным размещением агентов-индивидуумов. Размерность подобного пространства 100 x 100 клеток, что позволяет разместить в нем не более 10000 агентов. При этом клетки дискретного пространства относятся к одному из следующих типов:
8
  • содержат рабочие места с высокой производительностью, именуемые условно «высокопродуктивными», которые стремятся занять местные агенты, являющиеся коренными жителями;
  • содержат рабочие места с низкой производительностью, именуемые условно «низкопродуктивными», на которые ориентируются внешние агенты;
  • не содержат рабочих мест, то есть являются свободными от ресурсов, в результате агенты, занимающие подобные клетки, являются безработными и не могут увеличивать уровень своего личного комфорта, осуществляя вклад в экономический рост.
9 Каждый агент-индивидуум находится в одном из следующих ключевых состояний:
10
  • стационарное состояние, сохраняющееся при условии, что уровень личного комфорта (благосостояния) выше некоторого порогового уровня. Находясь в данном состоянии, агент не меняет своего местоположения в дискретном пространстве;
  • состояние поиска рабочего места, если уровень его личного комфорта ниже порогового уровня. В случае успешного нахождения агентом незанятого рабочего места, агент перемещается в соответствующую ячейку, достигает необходимый пороговый уровень личного комфорта и переходит в стационарное состояние;
  • состояние поиска партнера, если уровень его личного комфорта выше порогового уровня и данный агент не состоит в браке. В случае успешного нахождения агентом партнера, между данной парой агентов образуется устойчивая связь в форме брака. При этом изменение местоположений агентов, заключивших брачный союз (перемещение агентов друг к другу) реализуется с заданной вероятностью;
  • состояние готовности к рождению детей, если уровень его личного комфорта выше порогового уровня и данный агент состоит в браке;
  • состояние рождения ребенка, переход к которому осуществляется с вероятностью, значение которой зависит от множественных характеристик (например, возраста, количества уже имеющихся детей и др.);
  • состояние полной ассимиляции, переход к которому осуществляется только у внешних агентов по истечении некоторого времени (времени ассимиляции), необходимого для адаптации и интеграции (которое в свою очередь зависит от языковых навыков, уровня образования и других характеристик агента).
  • состояние смерти, обусловленное естественными причинами.
11 На рис. 1. показана карта состояний (диаграмма) агентов-индивидуумов.
12

Рисунок 1. Диаграмма состояний агентов-индивидуумов.
13 Отметим, что состояние ассимиляции (рис. 1) допустимо только для внешних агентов. В случае ассимиляции такие агенты удаляются из собственной (внешней) популяции и возникают в популяции коренного населения. Перейдем к краткому формальному описанию данной модели.
14
  • T – набор временных моментов (по годам), T – общее количество временных моментов; t0∈T , tT∈T – начальные и конечные моменты времени, tk∈T , k=0,...,T – все индексы моментов времени;
  • I={1,2,...,|I|} – набор индексов местных агентов (коренного населения), где I – общее количество местных агентов;
  • I~={1,2,...,|I~|} – набор индексов внешних агентов, где I~ – общее количество внешних агентов;
  • si(tk)∈{0,1,...,5,6} – возможные состояния i -ого (i∈I∪I~) агента в момент времени tk (tk∈T) : 1 – статичное (неподвижное) состояние, 2 – состояние поиска рабочего места («высокопродуктивного» или «низкопродуктивного» ресурса в зависимости от типа агента), 3 – состояние поиска партнера (для создания семьи), 4 – состояние готовности к рождению детей (при наличии партнера и достаточном уровне комфорта), 5 – состояние рождения ребёнка, 6 – состояние полной ассимиляции и трансформации внешнего агента в местного агента (только для внешних агентов), 0 – уничтожение агента (по естественным причинам);
  • ci(tk) – уровень личного комфорта i -ого (i∈I∪I~) агента в момент времени tk (tk∈T) , повышаемый при наличии у агента рабочего места и уменьшаемый при его отсутствии;
  • c_ i  – минимально необходимый уровень личного комфорта i -ого (i∈I∪I~) агента, при котором он может не работать и не находиться в состоянии поиска работы;
  • c- i  – максимально возможный уровень личного комфорта i -ого (i∈I∪I~) агента;
  • ai(tk) – возраст i -ого (i∈I∪I~) агента в момент времени tk (tk∈T) ;
  • a_i* – минимальный возраст i -ого (i∈I∪I~) агента, при котором он начинает искать работу;
  • a-i* – пенсионный возраст i -ого (i∈I∪I~) агента (не превышающий среднюю продолжительность жизни);
  • a_ i  – минимальный возраст i -ого (i∈I∪I~) агента, при котором он вступает в брак и рожает детей;
  • a- i  – максимальный возраст i -ого (i∈I∪I~) агента, при котором они прекращают вступать в брак и рожать детей;
  • a^ i  – средняя продолжительность жизни i -ого (i∈I∪I~) агента;
  • mi(tk)∈{0,1} – признак того, что i -ый (i∈I∪I~) агент состоит в браке в момент времени tk (tk∈T) : 0 – не состоит в браке, 1 – состоит в браке;
  • pi(tk) – вероятность того, что i -ый (i∈I∪I~) агент, будет заводить ребёнка в момент времени tk (tk∈T) , при условии выполнения ряда ограничений (по возрасту, уровню личного комфорта и др.):
pi(tk)=ϕ1-eoiγ(tk)⋅aiλ(tk) , где oi(tk) – общее число детей у i -ого (i∈I∪I~) агента к моменту времени tk (tk∈T) , γi , λi – коэффициенты значимости количества уже имеющихся детей и собственного возраста при принятии решения о рождения нового ребёнка: γi+λi=1 , ϕ – поправочный коэффициент, ϕ=1 , если данный агент состоит в браке, ϕ=0.01 , если данный агент не состоит в браке;
  • h – случайная величина, равномерно распределенная на отрезке [0,1] ;
  • τ~i(tk) – время, прошедшее с момента прибытия в популяцию i -ого (i∈I~) внешнего агента к моменту времени tk (tk∈T) ;
  • H – множество ячеек (дискретного пространства), содержащих «высокопродуктивные» рабочие места, на которые ориентированы местные агенты;
  • L – множество ячеек, содержащих «низкопродуктивные рабочие места, на которые ориентированы внешние агенты;
  • F – множество ячеек, свободных от ресурсов (т. е. не имеющие рабочих мест);
  • Ni(ξk),ξk∈T набор ячеек являющихся соседними для i -ого (i∈I~) внешнего агента в момент времени ξk ;
  • {xi(tk),yi(tk)} – координаты (строка и столбец) i -ого (i∈I∪I~) агента в момент времени tk (tk∈T) ;
  • li(tk) – уровень владения языком i -ого (i∈I∪I~) агента в момент времени tk , где li(tk) фиксировано при (i∈I) , а при (i∈I~) зависит от количества контактов между данным внешним и местными агентами к моменту времени tk :
li~(tk)=∑ξk=t0tk∑i=1Icontactsi~i(ξk) , ξk∈T , contactsi~i(ξk)=1,если{xi(tk),yi(tk)}∈Ni~(ξk),0,если{xi(tk),yi(tk)}∉Ni~(ξk), i∈I,i~∈I~ ,
  • ς~i(tk),tk∈T время ассимиляции i -ого (i∈I~) внешнего агента (т. е. время необходимое на переход агента в популяцию коренного населения), зависящее от языковых навыков (суммарного числа контактов с местным населением):
ς~i(tk)=A~11+li(tk) , где A~ общее число лет необходимых для ассимиляции при отсутствии возможности развития языковых навыков (достаточно большое число).
15 С учетом, представленных выше обозначений, правила перехода к новым состояниям для i -ого агента в момент времени tk (tk∈T) будут следующими:
16 si(tk)=0,еслиai(tk-1)>a^ i ,1,есливыполняетсяI,2,есливыполняетсяII,3,есливыполняетсяIII,4,есливыполняетсяIV,5,есливыполняетсяV,6,еслиτ~i(tk-1)>ς~i(tk),i∈I~,
17 I. sitk-1=2 и ci(tk)≥c_ i  или sitk-1∈3,4,5 и ai(tk)≥a- i  ,
18 II. sitk-1=1 и citk<c_ i и a_i*≤ai(tk)≤ a-i* или sitk-1∈4,5 и citk<c_ i и a_i*≤ai(tk)≤ a-i* ,
19 III. sitk-1=1 и citk≥c_ i и a_i≤aitk≤ a-i и mi(tk)=0 ,
20 IV. sitk-1∈1,3 и citk≥c_ i и a_i≤aitk≤ a-i и mi(tk)=1 ,
21 V. sitk-1=4 и h≤pi(tk) ,
22 Общая численность агентов (численность «коренного» населения) с учетом имеющихся местных агентов di(tk) и ранее ассимилированных агентов di~*(tk) в момент времени tk (tk∈T):
23 P(tk)=∑i=1Idi(tk)+∑i~=1I~di~*(tk) ,
24 i∈I , i~∈I~ , tk∈T .
25 где di(tk)=1,еслиsi(tk)≠0,0,еслиsi(tk)=0, di~*(tk)=1,еслиsi~(tk)=6,0,еслиsi~(tk)≠6,
26 Число агентов, занимающих «высокопродуктивные» ресурсы G(tk) и «низкопродуктивные» G~(tk) рабочие места в момент времени tk (tk∈T):
27 G(tk)=∑i=1Igi(tk) , G~(tk)=∑i~=1I~gi~(tk) , i∈I , i~∈I~ , tk∈T ,
28 Где gi(tk)=1,если{xi(tk),yi(tk)}∈H,0,если{xi(tk),yi(tk)}∉H, gi~(tk)=1,если{xi~(tk),yi~(tk)}∈L,0,если{xi~(tk),yi~(tk)}∉L,
29 Для оценки динамики объема выпуска можно воспользоваться допущением о линейности производственной функции.
30 Объем выпуска, создаваемого местными и внешними агентами, занимающими «высокопродуктивные» и «низкопродуктивные» рабочие места в момент времени tk (tk∈T) :
31 V(tk)=π⋅α⋅G(tk)+π~⋅α~⋅G~(tk)-W(tk)-U(tk) , где
32
  • {α,α~} – коэффициенты производственной отдачи (соотношение выпуска к используемым ресурсам) от «высокопродуктивных» и «низкопродуктивных» рабочих мест соответственно, α≫α~ ;
  • {π,π~} – средняя добавленная стоимость единицы продукции (объем выпуска в денежном выражении) в «высокопродуктивных» и «низкопродуктивных» отраслях экономики соответственно, π≫π~ ;
  • {W(tk),U(tk)} – затраты на пенсионное обеспечение и выплаты пособий по безработице, вычисляемые с учетом численности агентов, достигших пенсионного возраста, и количества безработных агентов трудоспособного возраста.
33 Для оценки уровня сегрегации в данной работе используется подход, на основе индекса сегрегации Дункана [10] (DSI), который позволяет оценить степень равномерности пространственного распределения популяции агентов, состоящих из двух различных классов (например, местные агенты и внешние агенты). Если значение индекса DSI равно 0, это означает, что популяция равномерно распределена в пространстве, и, 1 означает что популяция полностью сегрегирована.
34 Индекс сегрегации Дункана для рассматриваемой системы, описывающей популяционную динамику местных и внешних агентов в момент времени tk(tk∈T):
35 DSI(tk)=12∑j=1Jnj(tk)I-n~j(tk)I~ ,где
36
  • J={1,2,...,|J|} – набор индексов окрестностей типа «Мурово соседство» (когда соседями считаются агенты, располагающиеся в 8 соседних ячейках) размерностью 3 x 3 ячейки, где J – общее количество оцениваемых окрестностей в дискретном пространстве размещения агентов;
  • nj(tk),j∈J,tk∈T – количество местных агентов (агентов первого типа), расположенных в j -ой окрестности;
  • n~j(tk),j∈J,tk∈T – количество внешних агентов (агентов второго типа), расположенных в j -ой окрестности.
37 Предложенная имитационная модель сегрегации населения (1)-(8) реализована в системе AnyLogic (рис. 2).
38

Рисунок 2. Агентная модель сегрегации населения в AnyLogic.
39

Алгоритм нечёткой кластеризации для формирования новых рабочих мест

Для реализации ключевого сценария по «фокусированному» формированию новых рабочих мест в окрестностях компактного проживания местных и внешних агентов наиболее трудоспособного возраста и заинтересованных, при этом, в работе, был разработан специальный алгоритм нечёткой кластеризации, позволяющий определять оптимальные характеристики кластеров (например, координаты центроидов, количество и др.). Особенностью подобного алгоритма является принятие во внимание множественных характеристик агентов, влияющих на их принадлежность к кластерам, в частности, следующие: расстояния Уорда между агентами (учитывающие препятствия в виде агентов другого типа), текущие состояния агентов, соответствующих состоянию поиска работы, характеристики трудоспособности агентов (оставшийся период до наступления пенсионного возраста) и др. Подобные факторы имеют собственные веса, значения которых влияют на значения элементов матрицы принадлежности каждого из агентов-индивидуумов к соответствующему кластеру. При этом, оптимальное количество кластеров, в которых должны быть сформированы новые рабочие места двух типов («высокопродуктивные» и «низкопродуктивные») вычисляются с использованием критерия компактности. Предлагаемый алгоритм представлен на рис. 3.
40

Рисунок 3. Алгоритм нечёткой кластеризации для формирования рабочих мест.

41

Кластеризация агентов и эффекты сегрегации

На рис. 4. представлена пространственная кластеризация агентов-индивидуумов, выполненная с использованием разработанной имитационной модели сегрегации населения для двух сценариев:
42
  • Сценарий 1. Формирование рабочих мест на основе нечёткой кластеризации. Данный сценарий предполагает, что новые рабочие места создаются «фокусировано» с использованием алгоритма нечёткой кластеризации (рис. 3), учитывающим компактное размещение агентов и их индивидуальные характеристики.
  • Сценарий 2. Равномерное формирование множественных рабочих мест. Данный сценарий предполагает, что новые рабочие места создаются равномерно на всем дискретном пространстве существования агентов.
43

Рисунок 4. Кластеризация агентов в модели сегрегации населения.
44 На рис. 5 – 7 представлены результаты имитационного моделирования (индекс сегрегации DSI, динамика численности коренного и ассимилированного населения, темпы изменения ВВП) для рассматриваемых сценариев формирования новых рабочих мест на период 2021 – 2100 г.
45

Рисунок 5. Индекс сегрегации Дункана (DSI).
46

Рисунок 6. Численность коренного и ассимилированного населения.
47

Рисунок 7. Темп роста ВВП.
48 Как следует из рис. 5 – 7, менее затратное (для государства) «фокусированное» формирование рабочих мест на основе нечёткой кластеризации приводит к увеличению уровня сегрегации населения (наблюдаются более высокие значения индекса DSI), увеличению численности населения в среднесрочной перспективе и значительному сокращению в долгосрочной (рис. 6), а также некоторому увеличению темпов роста ВВП (рис. 7). Таким образом, стратегия создания рабочих мест в местах компактного проживания местных и внешних агентов оправдывает себя только на относительно коротких временных интервалах (20 – 30 лет), однако она приводит к росту сегрегации, снижению общего количества взаимодействий между местными и внешними агентами, и, как следствие, негативно влияет на темпы ассимиляции и интеграции внешних индивидуумов. В результате, в долгосрочной перспективе наблюдается эффект «обвала» численности коренного и ассимилированного населения (рис. 6).
49

Анализ модельных зависимостей

Далее, проводится укрупненный эконометрический анализ результатов имитационного моделирования, для выявления ключевых взаимосвязей между метриками конечного состояния исследуемой системы (т. е. индексом сегрегации, численностью населения, темпом роста ВВП) и значениями управляющих параметров модели (например, способом формирования новых рабочих мест, долей прибывающих внешних агентов, пороговыми значениями уровней личного комфорта и др.). Для проведения подобного эконометрического анализа были проведены вариационные эксперименты в AnyLogic (около 10000 прогонов модели) с предварительным отбором ключевых управляющих параметров, существенно влияющих на значения целевых функционалов системы. В результате были сформированы необходимые панельные данные. При этом, при построении регрессионных моделей, описывающих усредненную динамику предложенной агентной модели сегрегации населения, применялись известные методы проверки на стационарность, гетероскедастичность и др. В результате была построена следующая регрессионная модель:
50 DSI_INDEX=1.0397515004-0.000827364892577*METHOD-0.89586714543*SHARE_O+0.00312027255209*SHARE_E+9.68046875011e-05*P_AGE-0.000798458444922*CL1+0.00183620625098*CL2-6.81313069332e-05*LT1-0.00187561979355*LT2+7.41679234382e-05*MA1+0.000693304451563*MA2-3.63119726558e-06*LR,
51 POPULATION=300.778645833+0.5146484375*METHOD+2.15820312499*SHARE_O+1.94986979167*SHARE_E+0.0315429687503*P_AGE-30.6657226563*CL1-0.08154296875*CL2+13.3243652344*LT1+0.079443359375*LT2-5.55791015625*MA1+0.15419921875*MA2-0.00102539062504*LRR,
52 OUTPUT_RATE=0.2229393715-0.22597614786*METHOD+4.06776115772*SHARE_O+0.286246833154*SHARE_E-0.0193241977882*P_AGE-0.0397916032208*CL1+0.0426369121837*CL2+0.0192603966312*LT1+0.00819425494038*LT2+0.039008646455*MA1-0.0321575095882*MA2-0.00832012116099*LR.
53 Здесь,
54
  • DSI_INDEX – индекс сегрегации Дункана (DSI);
  • POPULATION – численность коренного и ассимилированного населения;
  • OUTPUT_RATE – темп роста ВВП;
  • METHOD – метод формирования рабочих мест (0 - на основе нечёткой кластеризации, 1 – равномерно);
  • SHARE_O – доля новых агентов прибывающих в популяцию от общего числа ранее прибывших внешних агентов (% в год);
  • SHARE_E – доля затрат на образование и интеграцию (в % от ВВП на 1 обучающегося);
  • P_AGE – пенсионный возраст (лет);
  • CL1, CL2 – пороговый уровень личного комфорта для местных и внешних агентов, соответственно (баллов);
  • MA1, MA2 – минимальный возраст вступления в брак и рождения детей для местных и внешних агентов, соответственно (лет);
  • LT1, LT2 – продолжительность жизни местных и внешних агентов, соответственно (лет);
  • LR – продолжительность существования рабочих мест (лет).
55 Значения R2 для регрессионных уравнений (10)-(12) следующие: 0.89, 0.98 и 0.55, соответственно. Регрессионная модель (10)–(12) может быть использована для поиска наилучших альтернатив, в частности, при принятии решений по стратегии формирования рабочих мест и пространственного распределения агентов-индивидуумов, посредством интеграции такой модели с ранее разработанным параллельным генетическим алгоритмом вещественного кодирования [6].
56

Заключение

В данной статье представлена разработанная агентная имитационная модель сегрегации населения (рис. 2), учитывающая сложные многочастичные взаимодействия агентов как между собой, так и с внешней средой. В частности, примером подобных многочастичных взаимодействий, реализованных в данной модели, являются контакты между местными и внешними агентами, влияющими на развитие языковых навыков и темпы ассимиляции последних. Кроме того, агенты-индивидуумы взаимодействуют друг с другом, конкурируя за рабочие места и при поиске партнера для заключения брака и рождения детей. Предложенная имитационная модель реализована как многопараметрическая система с набором различных управляющих параметров, в частности, таких как, способ формирования новых рабочих мест (на основе нечёткой кластеризации или равномерно), уровни личного комфорта местных и внешних агентов и др.
57 Предложен новый алгоритм нечеткой кластеризации (рис. 3), предназначенный для «фокусированного» формирования рабочих мест с учетом компактного пространственного расположения агентов и их множественных характеристик (например, расстояний между агентами, характеристик трудоспособного возраста и состояния поиска работы и др.). Применение стратегии формирования рабочих мест на основе алгоритма нечеткой кластеризации в модели, существенно влияет на уровень сегрегации агентов (рис. 4 – 5), обеспечивает достижение положительных эффектов в среднесрочной перспективе и приводит к негативным последствиям в долгосрочной (рис. 6 – 7).
58 С помощью разработанной имитационной модели сегрегации населения (реализованной в AnyLogic) проведены вариационные эксперименты и выполнен эконометрический (регрессионный) анализ для выявления взаимосвязей между метриками конечного состояния системы (например, индексом сегрегации DSI, численностью населения и др.) и значениями управляющих параметров. В результате, построена регрессионная модель, описывающая усредненную динамику предложенной агентной модели сегрегации населения, которая может быть использована в дальнейшем для поиска наилучших альтернатив при принятии решений по стратегии формирования рабочих мест и пространственного распределения агентов-индивидуумов посредством интеграции такой модели с параллельным генетическим алгоритмом вещественного кодирования.

Библиография

1. Акопов А.С., Бекларян А.Л. Кластеризация агентов в модели ограниченного соседства // Искусственные общества. 2020, T. 15, № 3 URL: https://artsoc.jes.su/s207751800011151-5-1/ DOI: 10.18254/S207751800011151-5.

2. Акопов А.С., Хачатрян Н.К. Агентное моделирование: учебно-методическое пособие. ЦЭМИ РАН, 2016.

3. Белоусов Ф.А. Модель сообществ с двумя способами воспроизводства продукта (модель "кочевников" и "землепашцев"). Экономика и математические методы. // Экономика и математические методы. 2017, Т. 53, № 3.

4. Бреер В.В. Модели толерантного порогового поведения (от Т. Шеллинга –к М. Грановеттеру) // Проблемы управления. 2016, № 1

5. Макаров В.Л., Бахтизин А.Р., Бекларян Г.Л., Акопов А.С., Ровенская Е.А., Стрелковский Н.В. Агентное моделирование популяционной динамики двух взаимодействующих сообществ: мигрантов и коренных жителей // Экономика и математические методы. 2020, Т. 56, № 2

6. Akopov A.S., Beklaryan L.A., Beklaryan A.L. Cluster-Based Optimization of an Evacuation Process Using a Parallel Bi-Objective Real-Coded Genetic Algorithm // Cybernetics and Information Technologies. 2020, Vol. 20, No. 3.

7. Beklaryan A.L., Akopov A.S. Simulation of Agent-rescuer Behaviour in Emergency Based on Modified Fuzzy Clustering, in: AAMAS'16: Proceedings of the 2016 International Conference on Autonomous Agents & Multiagent Systems. Richland: International Foundation for Autonomous Agents and Multiagent Systems, 2016. pp. 1275-1276.

8. Dodson A., Elliot A.J. Schelling’s Bounded Neighbourhood Model: A systematic investigation. PhD thesis, University of York, 2014.

9. Dudley D.O., Lieberson S. Ethnic Segregation and Assimilation // American Journal of Sociology, vol. 64, no. 4, 1959

10. Duncan O., Duncan B. A methodolodical analysis of segregation indexes // American sociological review. 1955, Vol. 20

11. Granovetter M. Threshold Models of Collective Behavior // AJS. 1978, Vol. 83, No. 6.

12. Schelling T.C. Dynamic models of segregation. // The Journal of Mathematical Sociology. 1971. 1 (2): 143–186.

Комментарии

Сообщения не найдены

Написать отзыв
Перевести