Модель Шеллінга: Невеликі Вподобання, Велика Сегрегація

Граід, два типи, одне правило

У 1971 році економіст Томас Шелінг — який пізніше поділився з 2005 нобелівською медаллю у галузі економічних наук — опублікував один із найпростіших і найбільш впливових моделей у соціальних науках. Розмістіть два типи агентів на сітці, переважно випадково, залишаючи деякі порожні клітинки. Надайте кожному агенту одну правило: перегляньте свої зайняті сусідні клітинки та якщо менше ніж певна межа k поділяється вашим типом, ви незадоволені і перемістіться до найближчої клітинки, де ви будете задоволені. Повторіть, поки всі агенти не стануть задоволеними або система не припинить змінюватися.

Несподіваний результат

Видатне відкриття Шелінга полягало в тому, що цей процес надійно створює великі, чітко розділені кластери, навіть якщо поріг k встановлено значно нижче 50% — агент, який би був повністю задоволений справді 30%-подібною, 70%-змішаною околицями, все ще опиняється десь набагато більш однорідним, ніж він коли-небудь просив, після того як усі одночасно перемістилися. Жоден окремий агент у симуляції не прагне до сегрегації; кожен агент лише шукає помірний рівень подібності навколо себе. Сильне кластерування виникає виключно з колективної взаємодії багатьох індивідуально розумних рішень.

Чому м’які переваги ускладнюються

Механізм полягає в петлі зворотного зв'язку. Коли один незадоволений агент відходить від змішаної плитки, ця плитка стає трохи одноріднішою за склад — що може змусити сусіднього іншого типу агента опуститися нижче власного порогу щастя, спонукаючи його також відійти. Кожен окремий відхід натягує локальний склад ближче до одного типу, викликаючи наступний відхід і утворюються скупчення, які снідають зовні від невеликих випадкових коливань початкового змішаного розташування. Це класичний приклад виникнення: макро-рівнева структура — великі відокремлені області — виникає з мікро-рівневих правил, які нічого не говорять про макро-закономірність.

for each unhappy agent (similar neighbours < k):
    move to nearest empty cell that satisfies k
repeat until no unhappy agents remain
    (or a maximum number of rounds is reached)

low k  (~10-20%)  → mostly stays mixed, little movement needed
mid k  (~30-50%)  → strong segregation emerges from mild preference
high k (~70%+)    → near-total, near-instant separation by type

Навчання про агрегацію, а не про упередження

Центральна думка Шеллінга була методологічною настільки, наскільки й соціологічною: ви не можете надійно робити висновки щодо індивідуальних мотивів з масового розподілу. Спостереження за сегрегованим районом не говорить вам, чи мають мешканці сильні ексклюзивні уподобання або лише найменші комфорти в межах групи — обидва можуть призвести до одного й того ж видимого результату. Це розрізнення має величезне значення для політики, оскільки проблема сегрегації, спричинена м’якими, майже універсальними мікро-уподобаннями, вимагає дуже різних втручань, ніж та, що викликана очевидною дискримінацією, хоча обидва можуть виглядати однаково ззовні.

Що модель залишає осторонь

Реальна сегрегація житла визначається набагато більше, ніж лише перевагою в межах групи — це дискримінаційні практики кредитування та історичні зони, розбіжність доходів і пряма дискримінація, які також мають документально підтверджені ролі. Модель не намагається охопити ці фактори у мінімальній моделі, але її цінність полягає в тому, що сегрегація може виникнути лише за умови помірної переваги та достатньої кількості людей, які вільно взаємодіють один з одним протягом певного періоду часу.

Мінімальний підхід Шелінга не враховує важливі фактори, такі як історичні несправедливості, дискримінаційні практики кредитування та використання зон для підтримки сегрегації. Він також ігнорує вплив соціально-економічних факторів, таких як доходи та географічне розташування, які сприяють сегрегації. Хоча модель може бути корисною для демонстрації того, що сегрегація може виникнути без упередженості, вона не є повноцінним поясненням реальних випадків.

Часті запитання

Спробуйте наживо

Усе, що вище, працює прямо у вашому браузері — відкрийте Happiness & Similar Neighbours і змінюйте параметри під час роботи. Нічого не встановлюється, нічого не завантажується на сервер, уся модель живе в одній вкладці.