Schelling segregation: математика упередженості

Налаштування моделі: сітка, типи, вакансії

Модель Шеллінга розміщує агентів двох (або більше) типів на 2D-сітці (спочатку — шахівниця). Частка клітин лишається порожньою, щоб дозволити переміщення. Кожен агент займає рівно одну клітину, і кожен агент має фіксований тип — не складніше за мітку; модель навмисно прибирає всі економічні чи особисті деталі, щоб ізолювати ефект одного механізму.

Функція задоволеності та поріг схожості

Кожен агент оцінює власну задоволеність, дивлячись на зайнятих сусідів Мура (до 8 навколишніх клітин) і обчислюючи частку тих, що мають той самий тип:

Ключовий і контрінтуїтивний параметр — τ, поріг. Зауважте, що насправді кодує τ = 0.3: агент цілком щасливий у районі, який на 70% відрізняється від нього — це толерантна перевага, далека від вимоги однорідного оточення. Оригінальне прозріння Шеллінга саме в тому, що цей м'який, толерантний поріг усе одно достатній, щоб породити майже повну сегрегацію, коли динаміка запускається.

Динаміка переміщень

Щотіку симуляції незадоволені агенти намагаються переселитися:

Є два поширені варіанти: випадкове переселення (переїзд у першу задовільну вакантну клітину) і оптимізуюче переселення (переїзд у вакантну клітину, що максимізує схожість, або найближчу, яка задовольняє τ). Обидва варіанти сходяться до сегрегованих рівноваг, але оптимізуючий сходиться швидше й дає чіткіші межі кластерів.

Точки перелому: чому 30% дає 70%+ сегрегації

Математика того, чому м'який поріг дає сильну сегрегацію, зводиться до петлі позитивного зворотного зв'язку. Розгляньте змішаний район поблизу межі толерантності. Коли один агент типу-меншини виїжджає (бо опустився трохи нижче τ), локальний склад трохи зсувається в бік більшості. Це знижує показник схожості наступного сусіда типу-меншини ще більше — виштовхуючи більше агентів нижче τ, провокуючи більше переїздів, ще сильніше зсуваючи склад. Район "перелітає" зі змішаного в однорідний каскадом, що виходить з-під контролю, хоча кожен окремий крок вимагав лише перетину доволі поблажливого порогу.

Головний математичний урок: немає пропорційності між силою індивідуальної переваги й колективним результатом. Це характерна ознака динаміки точок перелому, знайдена в різних соціальних системах — від порогових моделей колективної поведінки Ґрановеттера до фінансового зараження — де маленька локальна зміна може перетнути критичну точку й викликати каскад до цілком іншого макростану.

Вимірювання сегрегації: індекс несхожості

Щоб кількісно відстежувати сегрегацію під час симуляції, стандартна зведена статистика — індекс несхожості D, запозичений з міської соціології:

D має інтуїтивну інтерпретацію: це мінімальна частка населення однієї групи, яку довелося б перемістити, щоб досягти рівномірного розподілу по всіх клітинах. Реальні американські мегаполіси історично мали значення D = 0.6-0.8 для сегрегації чорні-білі — напрочуд близько до того, що спрощена іграшкова модель Шеллінга дає лише з τ ≈ 0.3-0.5 і випадкового переселення.

Що модель пояснює, а що ні

Модель Шеллінга навмисно мінімальна — жодного доходу, дискримінаційних інституцій, історії redlining чи насильства. Ця мінімальність — суть: вона ізолює один механізм (м'яка перевага до схожості + локальне переселення) і доводить, що лише цей механізм достатній для сильної сегрегації. Модель не стверджує, що це єдиний механізм, що діє в реальних містах, і не виправдовує дискримінаційну житлову політику — вона демонструє нижню межу того, наскільки мало індивідуального упередження потрібне для вражаючого колективного результату.

Політичний висновок моделі так само важливий: оскільки сегрегація тут — колективно емерджентна рівновага, а не просто сума індивідуально екстремальних переваг, її подолання вимагає втручання на системному рівні (відкрита житлова політика, інтегроване розподілення шкіл, навмисний змішаний за доходом розвиток) — маленькі, індивідуально раціональні вибори самі по собі не розвернуть динаміку точки перелому, коли вона вже зафіксувалась.