Методы моделирования процессов управления стадным поведением в социально-экономических системах
Определена актуальность выявления и обобщения закономерностей и особенностей методов моделирования процессов управления стадным поведением в социально-экономических системах. Проведен анализ методов моделирования процессов управления стадным поведением в экономических системах для выбора адекватного...
Збережено в:
| Опубліковано в: : | Економіка промисловості |
|---|---|
| Дата: | 2020 |
| Автор: | |
| Формат: | Стаття |
| Мова: | Українська |
| Опубліковано: |
Інститут економіки промисловості НАН України
2020
|
| Теми: | |
| Онлайн доступ: | https://nasplib.isofts.kiev.ua/handle/123456789/167839 |
| Теги: |
Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
|
| Назва журналу: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Цитувати: | Методы моделирования процессов управления стадным поведением в социально-экономических системах / С.С. Турлакова // Економіка промисловості. — 2020. — № 1 (89). — С. 98–121. — Бібліогр.: 50 назв. — рос. |
Репозитарії
Digital Library of Periodicals of National Academy of Sciences of Ukraine| _version_ | 1859468614283821056 |
|---|---|
| author | Турлакова, С.С. |
| author_facet | Турлакова, С.С. |
| citation_txt | Методы моделирования процессов управления стадным поведением в социально-экономических системах / С.С. Турлакова // Економіка промисловості. — 2020. — № 1 (89). — С. 98–121. — Бібліогр.: 50 назв. — рос. |
| collection | DSpace DC |
| container_title | Економіка промисловості |
| description | Определена актуальность выявления и обобщения закономерностей и особенностей методов моделирования процессов управления стадным поведением в социально-экономических системах. Проведен анализ методов моделирования процессов управления стадным поведением в экономических системах для выбора адекватного инструмента построения моделей управления стадностью.Рассмотренные модели, используемые для исследования процессов проявления стадности в различных системах управления, учитывают наличие собственных (состояний) агентов «мнений», изменение мнений под влиянием других членов систем управления, различную значимость мнений (влиятельности, доверия) одних агентов для других, степень подверженности агентов влиянию, существование косвенного влияния, «лидеров мнений», порога чувствительности к изменению мнения окружающих. Некоторые из моделей учитывают локализацию групп, наличие специфических социальных норм, факторы«социальной корреляции», внешние факторы влияния, лавинообразные эффекты (каскады), активность агентов, возможность образования группировок и коалиций, неполную и/или асимметричную информированность агентов, взаимную информированность (рефлексию) агентов. Приведенные модели в рамках выделенных характеристик моделируемых систем управления позволяют достаточно полно представить предметную область и описать поведение агентов. Однако не существует универсальной модели, описывающей стадное поведение в социально-экономических системах. Применение рассмотренных моделей для эффективного управления процессами проявления стадного поведения в социально-экономических системах требует адаптации для систем, в рамках которых они будут использоваться.Для моделирования стадного поведения в социально-экономических системах ключевыми параметрами являются размер группы, в которой функционируют агенты, характер структуры системы управления (наличие иерархии подчиненности агентов или ее отсутствие), характер процессов принятия решений агентами (статический, динамический), детерминированность и наличие стохастических компонент в структуре рефлексивных характеристик агентов, опосредующих их выбор. Учет перечисленных параметров в выборе инструментов моделирования проявлений стадного поведения в социально-экономических системах позволит эффективно управлять стадностью в рамках исследуемых систем.
Визначено актуальність виявлення й узагальнення закономірностей і особливостей методів моделювання управління процесами стадної поведінки в соціально-економічних системах. Проаналізовано методи моделювання процесів управління стадною поведінкою в економічних системах для вибору адекватного інструментарію побудови моделей управління стадністю.Розглянуто моделі, які використовуються для дослідження процесів прояву стадності в різних системах управління та враховують наявність власних (станів) агентів «думок», зміну думок під впливом інших членів систем управління, різну значимість думок (впливовості, довіри) одних агентів для інших, ступінь схильності агентів до впливу, існування непрямого впливу, «лідерів думок», порогу чутливості до зміни думки оточуючих. Деякі з моделей ураховують локалізацію груп, наявність специфічних соціальних норм, чинники «соціальної кореляції», зовнішні чинники впливу, лавиноподібні ефекти (каскади), активність агентів, можливість утворення угрупувань і коаліцій, неповну та / або асиметричну інформованість агентів, взаємну інформованість (рефлексію) агентів. Наведені моделі в рамках виокремлених характеристик змодельованих систем управління дозволяють досить повно представити предметну сферу й описати поведінку агентів. Однак не існує універсальної моделі, яка описує стадну поведінку в соціально-економічних системах. Застосування розглянутих моделей для ефективного управління процесами прояву стадної поведінки в соціально-економічних системах потребує адаптації для систем, у рамках яких вони використовуватимуться.Для моделювання стадної поведінки в соціально-економічних системах ключовими параметрами є розмір групи, в якій функціонують агенти, характер структури системи управління (наявність ієрархії підпорядкованості агентів або її відсутність), характер процесів прийняття рішень агентами (статичний, динамічний), детермінованість і наявність стохастичних компонент у структурі рефлексивних характеристик агентів, які опосередковують їх вибір. Урахування перелічених параметрів при виборі інструментів моделювання проявів стадної поведінки в соціально-економічних системах дозволить ефективно управляти стадністю в рамках досліджуваних системи.
The relevance of identifying and generalizing patterns and features of modeling methods for managing herd behavior in social and economic systems is determined. The analysis of methods of modeling the management of herd behavior in economic systems is analyzed to select an adequate tool for building models of management of herd.The models, used for studying the processes of herd behavior in different control systems, have a number of properties that take into account the presence of own (states) agents of "opinions", change of opinions under the influence of other members of management systems, a different significance of some agents’ opinions (influence, trust) for others, the degree of agents’ exposure to influence, the existence of indirect influence, the existence of «opinion leaders», the presence of a threshold of sensitivity to change the others’ opinion. Some of models take into account the localization of groups, the presence of specific social norms, factors of «social correlation», the existence of external factors of influence, avalanche effects (cascades), the activity of agents, the possibility of forming groups and coalitions, incomplete and / or asymmetric awareness of agents, informed agents. It is defined that the models, presented in the framework of distinguished characteristics of simulated control systems, make it possible to fully represent the subject area and describe the agents’ behavior. However, there is no universal model, describing herd behavior in social and economic systems. The use of these models to effectively manage the processes of herd behavior in social and economic systems requires adaptation to the systems, within which they will be used.For modeling herd behavior in social and economic systems, key parameters are the size of the group, in which agents are functioning, the nature of the control system structure (presence or absence of agent subordination), the nature of agents' decision-making processes (static, dynamic), determinism, and the presence of stochastic components in the structure of agents’ reflexive characteristics that mediate their selection. Given the consideration to abovementioned parameters in the choice of tools for modeling the displaying of herd behavior in social and economic systems will allow to effectively manage the herd within certain parameters of the system. Perspective directions of research are outlined.
|
| first_indexed | 2025-11-24T06:41:34Z |
| format | Article |
| fulltext |
–––––––––––––––––––––––––– Економіка промисловості Economy of Industry –––––––––––––––––––––––––––––––
98 ISSN 1562-109X Econ. promisl.
2020, № 1 (89)
УДК 658.3 doi: http://doi.org/10.15407/econindustry2020.01.98
Турлакова Светлана Сергеевна,
канд. экон. наук, доцент
Институт экономки промышленности НАН Украины
ул. Марии Капнист, 2, г. Киев, 03057, Украина
E-mail: svetlana.turlakova@gmail.com
https://orcid.org/0000-0002-3954-8503
МЕТОДЫ МОДЕЛИРОВАНИЯ ПРОЦЕССОВ УПРАВЛЕНИЯ СТАДНЫМ
ПОВЕДЕНИЕМ В СОЦИАЛЬНО-ЭКОНОМИЧЕСКИХ СИСТЕМАХ
Определена актуальность выявления и обобщения закономерностей и особенностей
методов моделирования процессов управления стадным поведением в социально-экономи-
ческих системах. Проведен анализ методов моделирования процессов управления стадным
поведением в экономических системах для выбора адекватного инструмента построения
моделей управления стадностью.
Рассмотренные модели, используемые для исследования процессов проявления стад-
ности в различных системах управления, учитывают наличие собственных (состояний)
агентов «мнений», изменение мнений под влиянием других членов систем управления,
различную значимость мнений (влиятельности, доверия) одних агентов для других, степень
подверженности агентов влиянию, существование косвенного влияния, «лидеров мнений»,
порога чувствительности к изменению мнения окружающих. Некоторые из моделей учи-
тывают локализацию групп, наличие специфических социальных норм, факторы «социаль-
ной корреляции», внешние факторы влияния, лавинообразные эффекты (каскады), актив-
ность агентов, возможность образования группировок и коалиций, неполную и/или асим-
метричную информированность агентов, взаимную информированность (рефлексию) аген-
тов. Приведенные модели в рамках выделенных характеристик моделируемых систем
управления позволяют достаточно полно представить предметную область и описать пове-
дение агентов. Однако не существует универсальной модели, описывающей стадное пове-
дение в социально-экономических системах. Применение рассмотренных моделей для эф-
фективного управления процессами проявления стадного поведения в социально-экономи-
ческих системах требует адаптации для систем, в рамках которых они будут использовать-
ся.
Для моделирования стадного поведения в социально-экономических системах ключе-
выми параметрами являются размер группы, в которой функционируют агенты, характер
структуры системы управления (наличие иерархии подчиненности агентов или ее отсут-
ствие), характер процессов принятия решений агентами (статический, динамический), де-
терминированность и наличие стохастических компонент в структуре рефлексивных ха-
рактеристик агентов, опосредующих их выбор. Учет перечисленных параметров в выборе
инструментов моделирования проявлений стадного поведения в социально-экономических
системах позволит эффективно управлять стадностью в рамках исследуемых систем.
Ключевые слова: математическая модель, моделирование, стадное поведение,
социально-экономическая система, агент, информированность, рефлексия, управление.
JEL: C02, C52, C53, P00
Исследование иррациональных про-
явлений агентов в процессе принятия ре-
шений является мейнстримом современной
экономической науки. Особенно актуаль-
ным направление исследований становится
в условиях перехода к четвертой промыш-
ленной революции, когда в процессах при-
нятия решений возрастает роль информа-
ции, в том числе цифровой, открыт доступ
к использованию Big Data, различных си-
© С.С. Турлакова, 2020
–––––––––––––––––––––––––– Економіка промисловості Экономика промышленности ––––––––––––––––––––––
ISSN 1562-109X Econ. promisl. 99
2020, № 1 (89)
стем поддержки принятия решений, сети
Inernet и т.д. В октябре 2017 г. Р. Таллер
получил Нобелевскую премию за вклад в
исследование поведенческой экономики, в
основе которой лежит теория перспектив
Д. Канемана и А. Тверски (Kahneman,
Tversky, 1979). Теория перспектив опира-
ется на факты отклонения поведения лица,
принимающего решение (ЛПР), от посту-
лата рациональности, плацдармом для раз-
вития которой явилась работа нобелевско-
го лауреата М. Алле (Алле, 1994). Ученый
поставил под сомнение тот факт, что на
практике в процессе принятия решений
субъекты всегда руководствуются рацио-
нальными мотивами поведения. Аналогич-
но, в работе Р. Таллера (Thaler, 2015) речь
идет о влиянии на выбор и, как следствие,
на результат принятия решений экономи-
ческими агентами рефлексивных характе-
ристик. При этом доказано, что учет реф-
лексивных характеристик агентов в про-
цессе принятия решений является опреде-
ляющим в поведении агентов. Процесс и
результат принятия решений напрямую
зависят от информированности субъектов,
их компетентности относительно предмет-
ной области, где наблюдается стадное по-
ведение, а также внутренних (намерения
ЛПР) и внешних (институциональные нор-
мы, обычаи) интенций. Кроме того, важ-
ными являются полнота и достоверность
информации, которой располагают субъек-
ты принятия решений. Некомпетентность
экономических агентов, нежелание прини-
мать самостоятельные решения, недомоти-
вированность, незаинтересованность, сабо-
таж, неподчинение, желание не отличаться
от толпы, чтобы спрятать свое мнение, –
все это может стать причинами подража-
ния действиям других агентов, т.е. прояв-
лений стадного поведения.
В случае отсутствия для принятия
решений достаточного количества инфор-
мации или возможности ее самостоятель-
ной обработки решения, принимаемые
агентами, могут основываться на наблюда-
емых ими решениях или представлениях
других агентов. Свойство агентов, которое
проявляется в ориентации на подражание
более авторитетным и/или другим подоб-
ным субъектам в процессе принятия реше-
ний, определяется как стадное поведение
(Турлакова, 2017).
Вопросам стадного поведения в эко-
номических системах и аспектам модели-
рования стадности посвящены работы та-
ких авторов, как Д. Шарфстейн (Scharfs-
tein, 1990), С. Бикчандани (Bikhchandani,
Hirshleifer, Welch, 1998), М. Грановет-
тер (Granovetter, 1978), А. Банержи (Bane-
rjee, 1992; Banerjee, Kooi, Venturino, 2017),
Д. Акерлоф (Akerlof, 1970), Д. Бернхейм
(Bernheim, 1994), А. Алета, Ю. Морено
(Aleta, Moreno, 2019), Г.-Я. Зонг (Zhong, Li,
Jiang, Li, Tao, 2018), В. Ванг (Wang, Guo,
Sun, 2019), Д. Губанов, Д. Новиков,
А. Чхартишвили (Gubanov, Novikov,
Chhartishvili, 2011), П. Краснощеков (Крас-
нощеков, 1994), М. Вороновицкий (Воро-
новицкий, 2010; Вороновицкий, 2013),
В. Бреер (Бреер, 2014a; Бреер, 2014b),
Р. Лепа (Лепа, Шкарлет, Лысенко, 2012),
С. Солодухин (Солодухин, 2017), В. Данич
(Даніч, 2013) и др. Однако при моделиро-
вании процессов управления стадным по-
ведением возникает необходимость учета
многих факторов, имеющих место в реаль-
ных социально-экономических системах,
которые не всегда рассматриваются иссле-
дователями. Эти факторы и свойства обу-
словлены характеристиками и потребно-
стями агентов (управляющих и подверга-
ющихся управлению), характером их взаи-
модействия, свойствами самой социально-
экономической системы. Среди таких
свойств и характеристик в (Bernheim, 1994)
выделяют: наличие собственных мнений
агентов; изменение мнений под влиянием
других членов социально-экономической
системы; различную значимость мнений
(влиятельности, доверия) одних агентов
для других; различную степень подвер-
женности агентов влиянию (конформизм,
устойчивость мнений); существование кос-
венного влияния в цепочке социальных
контактов и уменьшение такого влияния с
увеличением «расстояния»; существование
–––––––––––––––––––––––––– Економіка промисловості Economy of Industry –––––––––––––––––––––––––––––––
100 ISSN 1562-109X Econ. promisl.
2020, № 1 (89)
«лидеров мнений», формализацию индек-
сов влияния; существование порога чув-
ствительности к изменению мнения окру-
жающих; локализацию групп («по интере-
сам», с близкими мнениями); наличие со-
циальных норм; учет факторов «социаль-
ной корреляции» (общих для групп аген-
тов); существование (обычно менее значи-
мых) внешних факторов влияния (реклама,
маркетинговые акции) и, соответственно,
внешних агентов (средства массовой ин-
формации, производители товаров и т.п.);
наличие стадий – характерных этапов ди-
намики мнений членов социальной сети;
лавинообразные эффекты (каскады), фор-
мализацию условий их возникновения и
свойств распространения; воздействие
структурных свойств исследуемых систем
на динамику мнений; активность (целена-
правленное поведение) агентов; возмож-
ность образования группировок, коалиций;
неполную и/или асимметричную информи-
рованность агентов; взаимную информиро-
ванность (рефлексию) агентов; игровое
взаимодействие агентов; оптимизацию ин-
формационных воздействий; информаци-
онное управление. В настоящий момент
исследования ученых, посвященные моде-
лированию стадного поведения в системах
различной природы, в некоторой степени
носят фрагментарный характер и не учи-
тывают всех факторов, которые оказывают
влияние на агентов в социально-эконо-
мических системах. В связи с этим методы
моделирования процессов управления
стадным поведением в социально-эконо-
мических системах требуют более подроб-
ного изучения и анализа для выявления и
обобщения закономерностей в целях даль-
нейшего использования в рамках соответ-
ствующих систем управления.
Целью статьи является анализ мето-
дов моделирования процессов управления
стадным поведением в экономических си-
стемах для выбора адекватного инструмен-
тария построения моделей управления
стадностью.
Перечисленные эффекты и свойства
находят отражение в моделях, описываю-
щих реальные социально-экономические
системы, в которых наблюдаются проявле-
ния стадного поведения агентов. В зависи-
мости от особенностей проявления стадно-
го поведения различаются подходы к мо-
делированию стадного поведения агентов
и, соответственно, процессов управления
стадным поведением.
Часто для описания стадного поведе-
ния ученые используют модели, построен-
ные на основе правил теории вероятности.
При этом стадность в таких моделях реали-
зуется путем организации связей между
агентами с помощью сигналов. Так, в рабо-
те (Краснощеков, 1994) рассматривается
простейшая математическая модель пове-
дения коллектива с использованием теории
вероятностей. В ее основе лежит гипотеза о
том, что индивидуум, принимая решение
по тому или иному вопросу, руководству-
ется как своим личным отношением, так и
отношением к этому вопросу окружающих
его субъектов (коллектива). При этом ав-
тор учитывает, что индивидууму предстоит
решать в сущности одну проблему: перей-
ти ему в некоторое состояние или нет. Для
построения математической модели пове-
дения такого агента П. Краснощеков вво-
дит количественные оценки его отношения
к данному состоянию. В простейшем слу-
чае предлагаются две такие оценки: личное
(априорное) отношение к j-му состоянию,
которое определяется числом 0≤a
j
≤1 и вы-
ражает вероятность того, что индивидуум
готов находиться в этом состоянии, и фи-
нальное (апостериорное) отношение,
сформированное после получения инфор-
мации о поведении коллектива, которое
определяется числом P
j
и выражает веро-
ятность того, что индивидуум пришел в
данное состояние. Ученый отмечает, что
модель поведения должна учитывать как
абсолютно зависимых, так и абсолютно
независимых индивидуумов в коллективе
(Краснощеков, 1994). Для этого вводится
количественная характеристика индивиду-
ума 0≤μj≤1, которая выражает степень его
независимости от состояния коллектива.
–––––––––––––––––––––––––– Економіка промисловості Экономика промышленности ––––––––––––––––––––––
ISSN 1562-109X Econ. promisl. 101
2020, № 1 (89)
При этом считается, что μj=0 означает аб-
солютную зависимость, а μj=1 – абсолют-
ную независимость. Содержательная суть
модели выражается в том, что каждый
субъект, определив так или иначе долю
членов коллектива, находящихся в данном
состоянии, приходит сам в это состояние с
вероятностью Pj. При этом вероятность Pj
является средневзвешенной величиной
между априорной вероятностью и долей
остальных членов коллектива, пришедших
в данное состояние. Таким образом, для
определения финальных вероятностей воз-
можного поведения членов коллектива со-
ставляется система N линейных уравнений
с N неизвестными.
Среди преимуществ изложенного
подхода к формализации коллективного
поведения следует отметить простоту мо-
дели и ее решение с использованием дина-
мической компоненты. Кроме того, модель
позволяет учитывать зависимых и незави-
симых агентов управления. Однако состоя-
ния агентов определяются только мерой
степени их зависимости от состояния кол-
лектива, не учитываются другие индивиду-
альные характеристики. Кроме того, не
учитывается возможность управления со-
стоянием агентов. В связи с этим модель
трудно применима для решения задач
управления стадным поведением в эконо-
мических системах.
М. Вороновицкий (2010) для модели-
рования стадного поведения использует
пример Беккера, в котором рассмотрен па-
радоксальный эффект, когда выбор потре-
бителей сосредоточивается на одном из
двух одинаковых по всем характеристикам
товаров (ресторанов). В работе (Вороно-
вицкий, 2010) исследован случай, когда
выбор участников происходит последова-
тельно и делается только один раз. Пред-
положено, что для всех потребителей су-
ществует одна и та же априорная вероят-
ность предпочтения одного из двух това-
ров (ресторанов) и априорная вероятность
рациональности потребителя. Каждый
участник знает о выборе, сделанном его
предшественниками, и для выбора исполь-
зует байесовскую стратегию. Автор иссле-
дует коллективный выбор при большой
длине последовательности и различном
количестве предшественников, о выборе
которых знает каждый участник. Показано,
что в случае, когда участник знает о выбо-
ре только одного предшественника, эффект
примера Беккера (стадное поведение) от-
сутствует, но если ему известен выбор всех
его предшественников, может возникнуть
стадное поведение.
Модель достаточно интересна и поз-
воляет учитывать выбор предшествующих
агентов управления в процессе принятия
решений, однако, аналогично предыдущей
модели, не отражает других индивидуаль-
ных характеристик агентов, которые важ-
ны в процессе принятия решений и управ-
ления стадным поведением агентов. В свя-
зи с этим только отдельные элементы рас-
смотренной модели могут быть использо-
ваны в процессе моделирования управле-
ния стадным поведением в социально-эко-
номических системах.
В публикации (Bikhchandani, Hirsh-
leifer, Welch, 1998) для описания стадного
поведения предложено использование так
называемых урновых моделей, а также ин-
формационный каскад, суть которого за-
ключается том, что если на рынке частная
информация отдельных игроков не являет-
ся публично доступной, то это может вести
к стадному поведению. Экономические
агенты, действуя на основе своей частной
информации и публичной информации от-
носительно поведения других, могут пойти
в неправильном направлении, хотя коллек-
тивно, все вместе, они обладают достаточ-
ной информацией, чтобы идти туда, куда
надо. Каскад развивается с большей веро-
ятностью, если в самом начале большее
количество людей совершили одинаковое
действие (например, купили акции), пусть
даже все из них действовали исключитель-
но на основе своей частной информации и
эти действия оказались одинаковыми со-
вершенно случайно. Еще больше может
усилить каскад действие человека, который
считается гуру. Таким образом, под ин-
–––––––––––––––––––––––––– Економіка промисловості Economy of Industry –––––––––––––––––––––––––––––––
102 ISSN 1562-109X Econ. promisl.
2020, № 1 (89)
формационным каскадом понимается такое
поведение индивида, когда он принимает
решения не только на основе информации,
которой располагает сам, но и учитывает
то, как поступают другие. Формальная мо-
дель информационного каскада подразуме-
вает, что индивиды принимают решения
последовательно, то есть один за другим,
при этом каждый последующий видит, что
сделали все предыдущие, но не знает их
истинных предпочтений. Данная модель
показывает, что в некоторых ситуациях
стадное поведение может быть оптималь-
ным. Здесь получение информации являет-
ся затратным, а наблюдение поведения
других людей – это довольно дешевый
способ ее получения, чем и пользуются
участники рынка.
В модели, предложенной Д. Шарфс-
тейном (Scharfstein, 1990), управляющие
деньгами принимают инвестиционные ре-
шения, думая о том, что этим они посыла-
ют рынку сигнал о своей квалификации.
Действия менеджеров, которые принимают
«правильные» решения, должны быть оди-
наковы. Того, кто действует в противоход
мнению основной массы, скорее признают
управляющим с низкой квалификацией.
В модели А. Банержи (Banerjee, 1992)
каждый человек обладает приватной ин-
формацией по какому-либо вопросу (но он
не уверен, что она правильная), также мо-
жет наблюдать действия других, и инфор-
мация, получаемая через это наблюдение,
имеет такую же ценность. Люди могут
наблюдать действия других людей, но не
знают их мнение и логику мышления и в
принятии собственного решения руковод-
ствуются действиями основной массы.
Таким образом, в моделях принятия
решений Д. Шарфстейна и А. Банержи к
основным причинам стадного поведения
относится то, что ЛПР считает, что полу-
чает важную информацию из наблюдений
поведения других участников, а также то,
что ЛПР в процессе принятия решений не
учитывает свою собственную информа-
цию.
В работе (Бреер, 2014a) представлена
классификация математических моделей
конформного поведения как частного слу-
чая моделей социального взаимодействия.
Среди математического аппарата, приме-
няемого для описания моделей социально-
го поведения, выделены: теория вероятнос-
тей (неигровые модели (Краснощеков,
1994)), дифференциальные уравнения, тео-
рия устойчивости, теория игр и др. (Бреер,
2014a; Myerson, 2001). При этом отмечает-
ся, что согласно моделям конформного по-
ведения (Akerlof, 1970; Bernheim, 1994) ин-
дивидуальное поведение агентов во мно-
гом мотивируется социальными фактора-
ми, среди которых желание престижа, ува-
жения, популярности, быть принятым в
различные социальные группы. Парамет-
рами таких моделей выступают автоном-
ность агентов и их зависимость от коллек-
тива, и рассматриваются различные случаи
соотношения между этими факторами
(Краснощеков, 1994). В моделях подража-
тельного поведения согласно классифика-
ции М. Бреера (2014a) агенты получают
информацию, наблюдая за действиями
остальных, и поэтому намереваются ими-
тировать тех, кто, по общему мнению,
лучше информирован или более эффекти-
вен (Axelrod, Tesfatsion, 2006).
Еще одной разновидностью моделей
поведения, которые могут быть применены
для описания стадного поведения групп
агентов, являются модели с порогами, в
том числе с линейными (англ. Linear
Threshold Model). При этом поведение
агентов моделируются с использованием
теории графов и их взаимодействия пред-
ставляются в виде некоторой сети. Агент –
узел сети (вершина графа) – может нахо-
диться в активном и неактивном состояни-
ях, причем возможен переход только из
неактивного состояния в активное. В моде-
ли (Granovetter, 1978) агент i испытывает
влияние ijw каждого своего j-го соседа в
сети так, что выполняется условие
iсоседзелjаактивный ijw 1 , и становится ак-
тивным в зависимости от выбранного им
–––––––––––––––––––––––––– Економіка промисловості Экономика промышленности ––––––––––––––––––––––
ISSN 1562-109X Econ. promisl. 103
2020, № 1 (89)
порога 10;i . В некоторых моделях
значение фиксируется одинаковым для
всех агентов (Kempe, Kleinberg, Tardos,
2003), в других выбирается случайно со-
гласно некоторому вероятностному рас-
пределению (Morris, 2000). Индивидуаль-
ные различия обусловливаются опытом
агента, его убежденностью, личностными
чертами, воздействием средств информа-
ции, воспринимаемыми затрата-
ми (Valente, 1995). Условие активации
представляется следующим образом:
iсоседзелjаактивный iijw .
Модели независимых каскадов (англ.
Independent Cascade Model) в работе (Bern-
heim, 1994) относятся к категории моделей
так называемых «систем взаимодействую-
щих частиц» (англ. Interacting Particle Sys-
tems). Агент определяется аналогично вы-
шеописанной модели. Когда агент i стано-
вится активным в некоторый момент вре-
мени (Goldenberg, Libai, Muller, 2001), он
получает шанс активировать на следу-
ющем шаге каждого из своих соседей j с
вероятностью jip (причем j могут пытать-
ся независимо активировать и другие аген-
ты). В статье (Kempe, Kleinberg, Tardos,
2003) предлагается обобщить модель с ли-
нейным порогом и модель независимых
каскадов и показывается их эквивалент-
ность. В отличие от приведенных выше
моделей, рассматриваемая модель учиты-
вает индивидуальные характеристики аген-
тов управления в процессе принятия реше-
ний и проявления стадного поведения, что,
безусловно, является ее преимуществом.
Однако она не дает ответы на вопросы о
конкретных механизмах управления стад-
ным поведением агентов и поэтому требует
усовершенствования для возможности ис-
пользования в процессе управления стад-
ным поведением в конкретных системах.
Модели критической массы также
являются одним из направлений исследо-
вания стадного поведения, в рамках кото-
рого: агенты осуществляют дискретный
(бинарный) выбор; поведение агентов
можно описать одной целевой функцией
(агенты гомогенны в предпочтениях);
функция полезности агента относительно
той или иной альтернативы возрастает с
увеличением доли других агентов (его
окружения), сделавших такой же выбор.
Основополагающими работами по моделям
критической массы являются публикации
Т. Шеллинга (1960) и М. Грановеттера
(1978). За свои исследования Т. Шеллинг в
2005 г. получил Нобелевскую премию по
экономике, а его книга (Shelling, 1960) во-
шла в сотню «самых влиятельных» науч-
ных работ второй половины ХХ в. Анало-
гично, в работе (Bikhchandani, Hirshleifer,
Welch, 1998) представлены модели крити-
ческой массы, где семьи принимают реше-
ния о выборе района для проживания в за-
висимости от предпочтений к своему
окружению (соседям). Авторы рассматри-
вают модель пространственного соседства
(spatial proximity model), в которой анали-
зируется поведение двух групп агентов,
различающихся по одному из таких при-
знаков, как раса, пол, возраст, доход, язык,
религия и т.д. Агенты, в зависимости от
личных предпочтений, могут жить в окру-
жении агентов противоположной группы
или перемещаться в то место, где агенты
своей группы представлены в большей
пропорции. При этом в качестве основных
параметров модели выделены:
количество других агентов в окруже-
нии агента. При этом окружение определя-
ется как заранее заданное количество аген-
тов по обе стороны от него;
минимальная доля соседей с таким
же признаком в окружении и общее соот-
ношение агентов с таким же признаком и
отличным от такого;
заданные правила перемещения аген-
тов и начальное распределение агентов (по
прямой или на плоскости в двумерном ва-
рианте моделей).
В результате исследования модели с
помощью имитационного моделирования
Т. Шеллинг установил, что равновесие в
рамках модели существует в случае нали-
чия минимального процента соседей с та-
ким же признаком, равным 5/9, и оно гра-
фически может быть изображено в виде
кластеров. При этом автор отмечает, что
–––––––––––––––––––––––––– Економіка промисловості Economy of Industry –––––––––––––––––––––––––––––––
104 ISSN 1562-109X Econ. promisl.
2020, № 1 (89)
таких равновесий много и они представля-
ют собой структуру с регулярным пере-
менным составом в 2,5 и более агентов с
одинаковым признаком. Т. Шеллинг дока-
зал, что уменьшение размера значимого
для агента окружения соседями не меняет
структуру равновесия и регулярные кла-
стеры из определенного числа агентов. При
изменении общего соотношения агентов в
равновесии вместо чередующихся класте-
ров возникает так называемая сегрегация,
т.е. агенты, которых меньшинство, обра-
зуют малое количество кластеров либо
один большой. При изменении правил пе-
ремещения (ограничении расстояния, на
которое могут передвигаться агенты), раз-
мер кластеров уменьшается, а их количе-
ство возрастает.
В модели ограниченного окружения
(англ. bounded-neighborhood model) важно
не конкретное место, а сообщество, в кото-
ром агенту комфортно находиться. При
этом для каждого агента важна доля «сво-
их», находящихся в его окружении. Под
окружением понимается не количество со-
седей, а значительно большее количество
агентов в некоторой области (100-200), что
позволяет заменить дискретное описание
функциями распределения. Так, в модели
рассматривается поведение двух групп
агентов, которые различаются по одному
из признаков аналогично модели простран-
ственного соседства. Агент определенной
группы может находиться в окружении,
где доля агентов противоположной группы
не превышает его верхнего уровня толе-
рантности (характерного для этого агента
порога). Таким образом, объектом иссле-
дования в рамках модели ограниченного
окружения выступают функции распреде-
ления порогов толерантности агентов раз-
ных типов. В зависимости от начальных
условий и вида кривых распределения ис-
следуется динамика процесса перехода
окружения в состояние равновесия, при
котором плотность агентов определенного
типа не меняется. Если доля агентов про-
тивоположной группы не превышает поро-
га рассматриваемого агента, то он продол-
жает находиться в этом окружении, в про-
тивном случае он его покидает. При благо-
приятных обстоятельствах для агента он
может вернуться в это окружение обратно.
Таким образом, агент может сделать толь-
ко двоичный выбор в отличие от модели
пространственного соседства, где в рамках
стратегии агенты могли перемещаться
вдоль прямой или на плоскости. Динамика
процесса зависит также от относительной
скорости реакции агентов разных групп на
изменение общего знания, которым явля-
ется информация о пропорции двух групп в
своем окружении.
Т. Шеллинг показал, что в рассмат-
риваемой модели существует несколько
положений равновесия, в которые система
«опрокидывается» (англ. «tipping») при по-
вышении плотности агентов определенно-
го типа некоторого критического значения.
В работе (Granovetter, 1978) автор обобщил
и развил модель ограниченного окружения
в рамках коллективного поведения (посе-
щение семинаров на факультетах в универ-
ситетах, волейбольных матчей, неосторож-
ный переход улицы, подхватывание апло-
дисментов), ухудшения окружения в рай-
оне проживания, сегрегации, при решениях
суда без предварительного разбиратель-
ства, потере доверия банкам, голосованиях,
политических революциях, переходе на
летнее время.
Еще одной разновидностью моделей,
описывающих процессы распространения
эпидемий, схожие с процессами проявле-
ния стадного поведения в системах раз-
личной природы, являются модели проса-
чивания (англ. percolation) и заражения
(англ. contagion), механизмы описания ко-
торых схожи с пороговыми моделями и
моделями критической массы. Кроме того,
модели просачивания и заражения пред-
ставляют популярный способ изучения
распространения информации (инноваций)
в различных социально-экономических си-
стемах.
Классическая модель распростране-
ния эпидемии основана на следующем
цикле заболевания носителя: первоначаль-
–––––––––––––––––––––––––– Економіка промисловості Экономика промышленности ––––––––––––––––––––––
ISSN 1562-109X Econ. promisl. 105
2020, № 1 (89)
но человек восприимчив к заболеванию
(англ. susceptible); если он входит в кон-
такт с инфицированным, то заражается
(англ. infected & infectious) с некоторой ве-
роятностью . Впоследствии через неко-
торый период времени человек становится
здоровым, приобретая иммунитет, или
умирает (англ. recovered/removed). Имму-
нитет со временем снижается, и человек
снова становится восприимчивым к болез-
ни (англ. susceptible).
В модели SIR (по первым буквам
трех этапов цикла заболевания) (Hodgson,
2003) выздоровевший становится невос-
приимчивым к болезни: RIS . Соот-
ветственно общество представляется тремя
группами: )t(S – численность группы лю-
дей, еще не инфицированных или воспри-
имчивых к болезни в момент времени t;
)t(I – численность группы инфицирован-
ных людей; )t(R – численность группы
выздоровевших людей. Общая численность
группы представляется как N = const =
= S(t) + I(t) + R(t). Тогда динамика в группе
представляется следующим образом:
)t(I)t(S)t(I
N
)t(S
N
dt
)t(dS
, т.е.
каждый из инфицированных в единицу
времени, контактируя с восприимчивыми к
болезни, заражает их с вероятностью ;
)t(I
dt
)t(dR
, инфицированные выздорав-
ливают через средний период времени
1
;
соответственно: )t(I)t(I)t(S
dt
)t(dI
.
Существуют и другие аналогичные
более сложные модели, в частности со-
гласно модели SIRS выздоровевший стано-
вится восприимчивым к болезни через не-
которое время. Простейший пример ситуа-
ции, где такая модель является естествен-
ной, – это заболевание гриппом. Другой
пример – распространение информации в
социальной сети (Bernheim, 1994). Блогер
(человек, который ведет блог – сетевой
дневник) может прочитать блог друга (вос-
приимчив), посвященный некоторой теме,
а затем может и сам написать об этой теме
(инфицирован) и позже вернуться к ней
(восприимчив). Для социальных сетей
ключевым показателем является «эпиде-
мический порог» c – критическая вероят-
ность заражения соседа, при превышении
которой «инфекция» распространяется по
всей сети. Эпидемический порог зависит от
свойств графа социальной сети, например:
количества вершин, распределения связей,
коэффициента кластеризации. Поэтому
распространение инфекции сильно зависит
от выбранной модели представления графа
сети. Если социальную сеть представить
случайным графом, то инфекция с вероят-
ностью заражения выше порога экспонен-
циально быстро размножается
c
;
инфекция с вероятностью заражения ниже
порога экспоненциально быстро «вымира-
ет».
Однако данная модель применима не
к любым системам распространения. Ана-
лиз распространения компьютерных виру-
сов в безмасштабных сетях показал, что в
них эпидемический порог отсутствует –
эпидемия охватит всю сеть, если возникнет
инфекция. А в блогосфере, как отмечено в
публикации (Bernheim, 1994), многие об-
суждаемые темы могут распространяться
без возникновения эпидемий, поэтому по-
рог все же отличен от нуля, следовательно,
нужна или более адекватная модель систе-
мы со степенным распределением (т.е.
необходимо учесть более «тонкие» свой-
ства таких систем, например, коэффициент
кластеризации), или надо модифицировать
модель передачи инфекции (т.е. ослаблять
вероятность заражения с увеличением «ди-
станции от инициатора»).
Рассмотренные модели просачивания
и заражения интересны и достаточно полно
описывают процессы проявления стадного
поведения. В целом их элементы могут
быть взяты в качестве основ и быть адап-
тированы к экономическим процессам.
Так, например, иммунитет может рассмат-
риваться как логическое/рациональное
–––––––––––––––––––––––––– Економіка промисловості Economy of Industry –––––––––––––––––––––––––––––––
106 ISSN 1562-109X Econ. promisl.
2020, № 1 (89)
обоснование выбора, заражение − как
стадное поведение, время выздоровления
можно интерпретировать как время поиска
информации и поиска решения и т.д. Од-
нако модели требуют соответствующей
адаптации для решения задач управления
стадным поведением в социально-экономи-
ческих системах соответственно структуре
системы, количеству агентов в группе и
т.д.
Модели диффузии инноваций (Grano-
vetter, 1978; Kearns, Siddharth, Montfort,
2006; Leskovec, Adamic, Huberman, 2005)
отражают динамику процесса распростра-
нения изменений в системах различной
природы аналогично процессам распро-
странения информации в процессе прояв-
ления стадного поведения в социально-эко-
номических системах.
Традиционно модели диффузии ин-
новаций представляются S-образной кри-
вой. Такая кривая – характеристика по сути
любого инфекционного процесса, процесса
научения, диффузии инноваций. На ней
различают следующие стадии: новаторы
(innovators, начинающие первыми воспри-
нимать и использовать нововведение);
ранние последователи (early adopters,
начинающие воспринимать и использовать
нововведение вскоре после его появления);
раннее большинство (early majority, вос-
принимающие нововведение после новато-
ров и ранних последователей, но раньше
большинства других агентов); позднее
большинство (late majority, воспринимаю-
щие нововведение после широкого его
распространения); поздние последователи
(late adopters, воспринимают последними).
Зачастую небольшие изменения в состоя-
ниях вершин сетей, описывающих систему,
могут привести к каскадным (лавинообраз-
ным) изменениям. При этом такие измене-
ния могут быть локальными, затрагиваю-
щим окружение инициатора, и глобальны-
ми, ограниченным только размером всей
системы. Эмпирическому изучению влия-
ния «из уст в уста», или «сарафанного ра-
дио», посвящены работы (Kearns, Sidd-
harth, Montfort, 2006; Leskovec, Adamic,
Huberman, 2005), однако в них детально не
рассмотрена структура систем.
В целом теория распространения но-
вовведений (англ. diffusion theory) рассмат-
ривает распространение (диффузию) ново-
введений (инноваций) в социальной систе-
ме. Исследователи предпринимают попыт-
ку объяснить, какие условия увеличивают /
уменьшают вероятность принятия новов-
ведения агентами, с какой скоростью ново-
введения распространяются. К основным
понятиям в данной сфере относятся следу-
ющие: диффузия – процесс, посредством
которого нововведение распространяется
по коммуникационным каналам во време-
ни и в пространстве среди членов социаль-
ной системы; нововведение – идея, мнение,
технология (метод), продукт или любой
другой объект, воспринимаемый агентом
как новый; коммуникация – процесс, по-
средством которого участники создают и
обмениваются информацией друг с другом
для достижения взаимного понимания и
трансляции нововведений. Нововведения
привносятся в социальную систему аген-
тами изменений (gatekeepers), а затем по-
степенно принимаются многими агентами,
которые передают информацию о нововве-
дении друг другу. Межличностные контак-
ты агентов и средства массовой информа-
ции (коммуникационные источники)
предоставляют информацию о ново-
введении (по коммуникационным каналам)
и влияют на установки, диспозиции, пред-
ставления и, в конечном итоге, на решения
агентов о принятии нововведения. От при-
нятия инновации для агентов и социальной
системы возникают позитивные или нега-
тивные последствия (желаемые / нежелае-
мые, прямые или косвенные, предвиденные
или непредвиденные). На процесс распро-
странения нововведений воздействуют ха-
рактеристики агентов, нововведения и
природа системы. Для исследования рас-
пространения нововведений применяются
методы сетевого анализа, наблюдения и
эксперименты, анализ ECCO (англ. Episod-
ic Communication Channels in Organization)
и др. При этом многие математические мо-
–––––––––––––––––––––––––– Економіка промисловості Экономика промышленности ––––––––––––––––––––––
ISSN 1562-109X Econ. promisl. 107
2020, № 1 (89)
дели, например описанные в работе (Gran-
ovetter, 1978), не требуют введения в явном
виде предположения о наличии лидеров
мнений или каких-то «особенных» инди-
видов для формирования S-образной кри-
вой диффузии инноваций.
В публикации (Watts, Dodds, 2007)
определена роль лидеров в распростране-
нии нововведений в простой модели соци-
ального влияния (насколько изменения
мнений лидеров приводят к крупным кас-
кадным изменениям мнений в системе).
Как оказалось, в большинстве случаев ли-
деры лишь умеренно «важнее» обычных
агентов (за исключением некоторых случа-
ев): фактически к возникновению больших
каскадов приводит влияние одних легко
поддающихся влиянию агентов на других,
столь же легко поддающихся влиянию.
Этот факт объясняется тем, что в модели
линейного порога (Watts, Dodds, 2007)
агент i должен принять бинарное решение
относительно некоторой проблемы. Веро-
ятность того, что i-й агент предпочтет аль-
тернативу СВ (вместо альтернативы CA),
увеличивается с количеством других аген-
тов, выбравших CB (как известно из соци-
альной психологии, хотя здесь и исключа-
ется, например, «реактивное сопротивле-
ние»). Правило порога следующее:
1
1
i i
i i
, если r
P принять CB ,
, если r
где i – порог; ir – доля агентов, выбрав-
ших альтернативу CB.
Дополнительно к правилу влияния
одних агентов на решения других необхо-
димо знать сеть влияния (кто из агентов на
кого влияет). Авторы предполагают, что i-й
агент в популяции размером N влияет на ni
других, выбираемых случайно агентов.
Число ni берется из распределения влияния
p(n) и означает влияние i-го агента на ni
других относительно данной проблемы. В
этой сети влияния все агенты могут (прямо
или косвенно) влиять друг на друга. Лиде-
ры мнений определяются как агенты, вхо-
дящие в верхний дециль распределения
влияния p(n). При этом в начальной стадии
агенты не активны (имеют состояние 0) за
исключением одного случайно выбранного
так называемого активного инициатора i
(лидера мнений), имеющего состояние 1. В
динамике этот инициатор может активиро-
вать соседей далее по цепочке, инициируя
каскад. Если большое количество ранних
последователей – агентов, непосредственно
связанных в рамках сети с инициатором,
связаны между собой, то может возникнуть
глобальный каскад, хотя в целом такие по-
следователи могут составлять небольшую
часть всей популяции. Для сравнения
среднего размера каскада, инициируемого
лидером мнений, и среднего размера кас-
када, инициируемого обычным агентом, в
публикации (Watts, Dodds, 2007) представ-
лена серия экспериментов.
Необходимо отметить, что средний
порог одинаково влияет на способность
инициировать каскад и лидера мнений, и
обычного агента, поэтому относительное
сравнение их значимости не зависит от .
Размер каскадов, генерируемых одиноч-
ными инициаторами, сильно зависит от
«средней плотности» сети navg: если это
значение мало, то многие агенты уязвимы,
но сеть недостаточно плотна для распро-
странения, и, в конечном итоге, активиру-
ется только небольшая часть сети; если же
значение navg велико, то сеть сильно связа-
на, то для активации агентам требуется
большое количество уже активированных
соседей, т.е. небольшое количество иници-
аторов не приведет к образованию гло-
бального каскада. Только средний интер-
вал (так называемое «окно каскадов») мо-
жет привести к образованию глобальных
каскадов. В этом промежутке и лидеры, и
обычные агенты могут инициировать кас-
кады. Таким образом, способность агента
инициировать каскад зависит скорее от
глобальной структуры сети, нежели от
персональной степени влияния агента. Ес-
ли в сети в принципе могут возникать кас-
кады, то любой агент может их иницииро-
вать, если нет − то никто. Данное утвер-
ждение не зависит от значения порога, так
–––––––––––––––––––––––––– Економіка промисловості Economy of Industry –––––––––––––––––––––––––––––––
108 ISSN 1562-109X Econ. promisl.
2020, № 1 (89)
как последнее просто одинаково сдвинет
«окно каскада» и для лидеров, и для обыч-
ных агентов.
Как показали эксперименты, лидеры
инициируют каскады, размеры которых
ненамного больше размеров каскадов,
инициируемых обычными агентами, за ис-
ключением узких границ «окна каскадов»,
в пределах которых лидеры существенно
значимее, чем обычные агенты. С другой
стороны, лидеры могут сыграть ключевую
роль в инициировании глобальных каска-
дов в качестве образующих критическую
массу ранних последователей. Если сеть
имеет низкую плотность (navg примерно
равно нижней границе «окна каскадов»), то
ранние последователи в среднем более
влиятельны (т.е. ni > navg), но если сеть
имеет высокую плотность (navg у верхней
границы «окна каскадов»), то ранние по-
следователи в среднем менее влиятельны
(т.е. ni < navg). Объясняется это тем, что
агенты с высоким влиянием (у которых
велико ni) менее уязвимы, но при актива-
ции потенциально способны активировать
больше других агентов. Однако, несмотря
на то что ранние последователи являются
более влиятельными, чем в среднем агенты
всей сети, они не являются лидерами мне-
ний (не всегда достаточно влиятельны для
генерации глобальных каскадов) (Watts,
Dodds, 2007).
Вариации модели диффузии иннова-
ций (Watts, Dodds, 2007) с разными пред-
положениями о межперсональном влиянии
и структуре сети влияния дают различную
динамику формирования мнения, но, тем
не менее, общие выводы остаются почти
теми же. В целом модели диффузии инно-
ваций достаточно хорошо описывают про-
цессы проявления стадного поведения
агентами управления и получили широкое
распространение для решения соответству-
ющих задач в различных системах уп-
равления, но для применения в экономи-
ческих системах требуют адаптации к со-
ответствующим условиям функционирова-
ния систем в контексте учета размеров
групп, характера структуры системы
управления (наличие иерархии подчинен-
ности агентов или ее отсутствие), процес-
сов принятия решений агентами (статиче-
ский, динамический) и др.
Модели сетевой автокорреляции по-
добно моделям диффузии инноваций учи-
тывают влияние агентов друг на друга в
групповом поведении. В работе (Friedkin,
1984) рассматривается детерминированный
дискретно-временной линейный процесс, в
котором установки (англ. attitude) агента
изменяются под влиянием других агентов:
1t ty Wy , где y – вектор установок во вре-
мени t; W – матрица влияний. Эта модель
обобщена в работе (Friedkin, Johnson,
1990): в нее включена матрица независи-
мых переменных и вектор ее регрессион-
ных коэффициентов. В работе (Leenders,
2002) особое внимание уделено описанию
матрицы влияния W ( ijw – значение влия-
ния j-го агента на i-го). Если обозначить
через ijaA матрицу смежности в со-
циальной сети, тогда матрица влияния
может определяться, например, сле-
дующим образом: а) 1ij ij ijw a / ( a ) ; б)
ij j ij i k ikw r a / ( r r a ) , влиятельность j-го
агента определяется количеством име-
ющихся у него ресурсов jr .
Авторы работы (Васин, Красноще-
ков, Морозов, 2008) для описания процес-
сов стадности предлагают модель подра-
жательного поведения, в которой у каждо-
го из агентов возможно одно из двух дей-
ствий (так называемый бинарный выбор).
Каждый агент характеризуется априорной
вероятностью выбора того или иного дей-
ствия, склонностью прислушиваться к
мнению других агентов (какие действия
планируют выбрать они) и матрицей влия-
ний аналогично рассмотренной выше мо-
дели сетевой автокорреляции. Апостери-
орная вероятность выбора агентом опреде-
ленного действия вычисляется аналитиче-
ски по формуле полной вероятности, что
дает возможность исследовать многочис-
ленные хорошо интерпретируемые содер-
–––––––––––––––––––––––––– Економіка промисловості Экономика промышленности ––––––––––––––––––––––
ISSN 1562-109X Econ. promisl. 109
2020, № 1 (89)
жательно случаи принятия агентами реше-
ний под влиянием окружения. К положи-
тельным чертам приведенной модели мож-
но отнести учет фактора времени в процес-
се анализа проявления стадного поведения,
однако рассмотренная модель сетевой ав-
токорреляции не учитывает индивидуаль-
ные характеристики агентов при принятии
решений, что затрудняет их применение в
управлении стадным поведением.
В работе (Zhang, Gatica-Perez, Bengio,
Roy, 2005) на основе цепей Маркова пред-
ставлена модель, в которой изучается вли-
яние в команде (группе агентов). Модель
является динамической байесовой сетью
(англ. Dynamic Bayesian Network – DBN) с
двухуровневой структурой: уровнем инди-
видов (моделируются действия каждого
агента) и уровнем группы (моделируются
действия группы в целом). Всего имеются
N агентов, i-й агент в момент времени t
находится в состоянии i
tS , вероятность ко-
торого i i
t tP(O S ) зависит от предыдущего
состояния агента и состояния команды, и
предпринимает действие i
tO с условной
вероятностью i i
t tP(O S ) . Команда в каж-
дый момент времени t находится в неко-
тором состоянии G
tS , вероятность которого
1G N
t t tP( S S ,...,S ) зависит от состояний всех
агентов. Таким образом, для N агентов ве-
роятность того, что в некоторый момент
времени t они будут находиться в совокуп-
ном состоянии S и предпримут совокупное
действие O, равна
1
1 1 1
1 1 1 1 2 1
N N T T T N
i i i G N i i G
t t t t t t t t
i i t t t i
P( S ,O ) P( S ) P( O S ) P( S S ,...,S ) P( S S S )
.
В модели предлагается ввести неко-
торую переменную Q, определяющую
состояние группы, и предполагается, что
она не зависит от состояний других аген-
тов и при значении Q=i состояние груп-
пы
G
tS зависит только от состояния i-го
агента
i
tS . 1G N
t t tP( S S ,...,S ) записывают как
1 1
N NG i G i
t t i t ti i
P( Q i )P( S S ) P(S S )
,
где i – влияние i-го агента на состояние
группы.
Описанная двухуровневая модель
влияния тесно связана с рядом других мо-
делей: Mixed-memory Markov Model
(MMM) (Saul, Jordan, 1999), Coupled Hid-
den Markov Models (CHMM) (Oliver, Ro-
sario, Pentland, 1998), модели влияния и
деревьев динамических систем (англ.
DST – Dynamical Systems Trees) (Howard,
Jebara, 2003). MMM декомпозирует слож-
ную модель (например, марковскую мо-
дель к-го порядка). В CHMM моделируется
взаимодействие нескольких цепей Маркова
прямой связью текущего состояния одного
потока с предыдущими состояниями всех
других потоков, однако такая модель
сложна, поэтому для проведения соответ-
ствующих вычислений ее упрощают.
Предлагаемая в работе (Howard, Jebara,
2003) модель расширяет эти модели, ис-
пользуя переменную уровня группы, кото-
рая позволяет моделировать влияние меж-
ду всеми агентами и командой и дополни-
тельно устанавливает динамику каждого
агента от состояния команды. Деревья ди-
намических систем имеют структуру, ко-
торая моделирует интерактивные процессы
через скрытые цепи Маркова. Есть два раз-
личия между DST и рассмотренной моде-
лью (Zhang, Gatica-Perez, Bengio, Roy,
2005). Во-первых, в DST родитель имеет
собственную цепочку Маркова, в то время
как в данной модели текущее состояние
команды прямо не зависит от ее предыду-
щего состояния (т.е. действие группы – это
агрегированное действие агентов). Во-
вторых, в модели (Zhang, Gatica-Perez,
Bengio, Roy, 2005) команда влияет на аген-
тов и агенты влияют на команду. Авторы
выдвигают гипотезу о том, что предложен-
ный ими подход к многоуровневому влия-
нию послужит средством анализа социаль-
ной динамики для выявления шаблонов
возникающего группового поведения.
–––––––––––––––––––––––––– Економіка промисловості Economy of Industry –––––––––––––––––––––––––––––––
110 ISSN 1562-109X Econ. promisl.
2020, № 1 (89)
Следует отметить, что модели на ос-
нове цепей Маркова достаточно полно
описывают процессы проявления стадного
поведения, однако для использования в
управлении стадным поведением в соци-
ально-экономических системах требуют
доработки в плане учета других рефлек-
сивных проявлений агентов управления
кроме подражания в процессе проявления
стадного поведения.
Марковские модели получили широ-
кое распространение в моделях информа-
ционного влияния, которые, по сути, опи-
сывают информационное управление в
группах. Модели информационного влия-
ния дают возможность исследовать зави-
симость поведения субъекта от его инфор-
мированности и, следовательно, от инфор-
мационных воздействий. Имея модель ин-
формационного влияния, можно ставить и
решать задачу информационного управле-
ния – какими должны быть информацион-
ные воздействия (с точки зрения управля-
ющего субъекта), чтобы добиться требуе-
мого поведения от управляемых агентов.
В публикации (Губанов, Новиков,
Чхартишвили, 2009a) рассматривается ин-
формационное влияние агентов на форми-
рование мнений друг друга в социальных
сетях. Структура сети описывается с по-
мощью введенных понятий, таких как: со-
общество (множество агентов, которые не
подвергаются влиянию агентов вне его);
группа (сообщество агентов, в котором
каждый агент влияет или подвергается
влиянию каждого другого агента группы
прямо или косвенно); спутник (агент, не
оказывающий влияния ни на одну из
групп). Предполагается, что в каждой груп-
пе хотя бы один агент хоть сколько-нибудь
доверяет своему мнению. Как оказывается,
тогда в конечном итоге мнения спутников
определяются мнением групп, а внутри
групп мнения агентов сходятся и равны. В
такой социальной сети рассматривается
задача информационного управления – из-
менение мнений небольшого множества
ключевых агентов в сети таким образом,
что в результате распространения измене-
ния мнений формируются требуемые мне-
ния участников сети. Также ставится и
анализируется вытекающая из нее теорети-
ко-игровая задача информационного про-
тивоборства нескольких игроков в сети.
Агенты, входящие в социальную сеть, опи-
сываются множеством N. Агенты в сети
влияют друг на друга, и степень влияния
задается матрицей прямого влияния t раз-
мерности nхn, где 0ijt обозначает степень
доверия i-го агента j-му (влияния j-го на i-
го). Поскольку матрица t стохастическая,
для рассматриваемой модели применимы
результаты исследования цепей Маркова.
Если i-й агент доверяет j-му, a j-й доверяет
k-му, то это означает следующее: к-й агент
косвенно влияет на i-го. Это соображение
побуждает ученых к поиску ответа на во-
прос о том, кто в итоге формирует мнение
в социальной сети.
У каждого агента в начальный мо-
мент времени имеется мнение по опреде-
ленному вопросу. Мнение всех агентов се-
ти отражает вектор-столбец мнений b раз-
мерности n. Агенты в социальной сети вза-
имодействуют, обмениваясь мнениями.
Этот обмен приводит к тому, что мнение
каждого агента меняется в соответствии с
мнениями агентов, которым данный агент
доверяет:
j
)k(
iij
)k(
i btb 1 , где индекс k
означает момент времени. В векторной за-
писи первое измененное мнение агентов
равно произведению матрицы непосред-
ственного доверия на вектор начальных
мнений: b(1) = tb. Если обмен мнениями
продолжается и далее, то вектор мнений
агентов становится равным b(2) = t2b, b(3) =
t3b и т.д. В конечном итоге их мнения схо-
дятся к результирующему мнению
n
n
B limt
, т.е. итоговое мнение B = Tb, где
n
n
T limt
. Тогда, во-первых, в каждой из
групп сети итоговые мнения агентов сов-
падают; во-вторых, итоговые мнения спут-
ников полностью определяются мнением
одной или нескольких групп (Губанов, Но-
виков, Чхартишвили, 2009а).
–––––––––––––––––––––––––– Економіка промисловості Экономика промышленности ––––––––––––––––––––––
ISSN 1562-109X Econ. promisl. 111
2020, № 1 (89)
Имея «основное уравнение» B = Tb,
связывающее начальные и итоговые мне-
ния агентов, можно ставить и решать зада-
чу управления-воздействия на агентов со-
циальной сети с целью формирования тре-
буемых мнений. Управляющему органу –
центру – известна матрица влияния, а
управляющее (информационное) воздейст-
вие заключается в изменении центром
начальных мнений агентов путем «добав-
ления» вектора управлений u. Содержа-
тельно управление заключается в измене-
нии начального мнения i-го агента с ib на
Ni,Uu,ub iiii . Тогда итоговые мне-
ния Ви будут определяться следующим
уравнением: )ub(TBu , где
Ni
iUUu , т.е. результирующее мне-
ние агента является суммой его «невоз-
мущенного» результирующего мнения и
изменений, вызванных управляющими
воздействиями.
Целевой функцией центра (критерий
эффективности управления) является
функция )u(c)B(H)u,B( uu , где
)(H – «доход» центра, зависящий от ито-
говых мнений агентов, )(c – затраты на
осуществление управляющих воздействий.
При этом от предпочтений центра, завися-
щих от действий агентов, можно перейти к
его предпочтениям, зависящим от инфор-
мированности или мнений агентов, так как
в рамках теории рефлексивных игр счита-
ется, что действия субъектов определяют-
ся их информированностью. Тогда зада-
ча управления заключается в выборе до-
пустимого вектора управлений, максими-
зирующего критерий эффективности:
( B ,u ) max
u
u U
. Примеры решения
сформулированной задачи приведены в
работе (Губанов, Новиков, Чхартишвили,
2009a).
Поскольку воздействовать на мнения
спутников не имеет смысла, можно априо-
ри (имея только матрицу доверия) сказать,
на каких агентов должно быть нацелено
информационное воздействие. В частнос-
ти, для этого перспективным пред-
ставляется анализ «индексов влияния».
Также в рамках информационного управ-
ления целесообразно решение задач выра-
ботки оптимальной последовательности
информационных воздействий, решение
задач управляемости, решение обратной
задачи определения множества управляю-
щих воздействий и решение задач инфор-
мационного противоборства.
Авторы (Губанов, Новиков, Чхар-
тишвили, 2009b; Gubanov, Novikov, Chhar-
tishvili, 2011) отмечают, что возможности
влияния одних членов социальной сети на
других существенно зависят от репутации
первых. При этом репутация – это создав-
шееся общее мнение о достоинствах или
недостатках кого-либо, чего-либо, обще-
ственная оценка. Репутацию можно рас-
сматривать, во-первых, как ожидаемую
(другими агентами) степень соответствия
деятельности агента нормам – какого пове-
дения от него ожидают остальные (Нови-
ков, 2008); во-вторых, как «весомость»
мнения агента, определяемую предшеству-
ющей оправдываемостью его суждений
и/или эффективностью его деятельности.
Репутация оправдывается и, как правило,
возрастает, если не противоречащий нор-
мам выбор агента (его суждения, действия
и т.п.) совпадает с тем, чего от него ожи-
дают остальные и/или с тем, что остальные
впоследствии считают нормой (например,
эффективной деятельностью). Репутация
может и снижаться, например, при наруше-
нии субъектом принятых в сообществе
норм поведения, принятии неэффективных
решений и т.д. Работа (Губанов, Новиков,
Чхартишвили, 2009b) посвящена модели-
рованию динамики репутации членов соци-
альной сети и исследованию роли репута-
ции в осуществлении информационных
воздействий. Также обсуждаются теорети-
ко-игровые модели информационного про-
тивоборства, анализируются подходы к
построению моделей стратегической и ин-
формационной рефлексии агентов.
–––––––––––––––––––––––––– Економіка промисловості Economy of Industry –––––––––––––––––––––––––––––––
112 ISSN 1562-109X Econ. promisl.
2020, № 1 (89)
Таким образом, рассмотренные моде-
ли информационного влияния и управле-
ния в целом могут быть успешно примене-
ны при изучении процессов управления
стадным поведением в экономических сис-
темах. Однако ограничениями для приме-
нения моделей информационного влияния
в управлении процессами проявления стад-
ного поведения является отсутствие учета
индивидуальных рефлексивных характе-
ристик агентов и необходимость адаптации
модели к условиям функционирования
конкретных систем управления.
Модели информационного влияния
часто используются среди специалистов,
моделирующих социальные группы, и по-
лучили широкое распространение в теории
многоагентных систем (Новиков, 2008;
Агаев, Чеботарев, 2009; Jackson, 2008).
Многоагентный подход к моделированию
стадного поведения (Jackson, 2008) заклю-
чается в представлении компонентов моде-
лируемой системы в виде отдельных, отно-
сительно независимых объектов – интел-
лектуальных агентов, каждый из которых
имеет свои цели и задачи. Агенты имеют
возможность взаимодействовать друг с
другом и окружающей средой, обмени-
ваться информацией для достижения об-
щих целей. Каждый агент обладает соб-
ственными вычислительными ресурсами и
действует параллельно во времени с дру-
гими агентами. Есть еще одна, аналогичная
многоагентному, агент-центрированная ме-
тодология моделирования стадного пове-
дения. Подобно многоагентному подходу
здесь толпа моделируется «снизу», от от-
дельного агента. При этом каждый из аген-
тов может быть в индивидуальном порядке
наделен целым рядом индивидуальных ха-
рактеристик, а для толпы в целом прини-
маются во внимание коллективные эмоции
(например, спокойствие, взбудоражен-
ность, паника). В соответствии с этими па-
раметрами агенты оценивают информацию
и ведут себя по-разному. Каждый агент
может быть запрограммирован на действия
в определенном ключе. Отличием от
предыдущего описанного подхода к моде-
лированию является задание характеристик
«стада» в таких моделях. Модели, рассмат-
риваемые в рамках данного подхода, с уче-
том ограничений для применения в управ-
лении стадным поведением в социально-
экономических системах описаны выше и
его недостатком является необходимость
учета рефлексивных составляющих про-
цессов принятия решений агентами и тре-
бует проведения дополнительных исследо-
ваний.
Еще одним подходом к моделирова-
нию стадного поведения является исполь-
зование клеточного автомата. Клеточный
автомат (Schiff, 2007) состоит из набора
объектов (агентов), обычно образующих
регулярную решетку. Состояние отдельно
взятого агента в каждый дискретный мо-
мент времени характеризуется некоторой
переменной. Рассматриваемые состояния
объекта синхронно изменяются через дис-
кретные интервалы времени в соответ-
ствии с неизменными локальными вероят-
ностными правилами, которые могут зави-
сеть от состояния переменных, описываю-
щих ближайших соседних агентов в
окрестности данного агента, а также, воз-
можно, от состояния самого агента. Так, в
работе (Goldenberg, Libai, Muller, 2001) мо-
делируется эффект «из уст в уста» в рас-
пространении информации в социальных
сетях с использованием вероятностного
клеточного автомата. При описании про-
цессов распространения информации соци-
альная сеть рассматривается как сложная
адаптивная система, состоящая из большо-
го количества агентов, взаимодействие
между которыми приводит к масштабному,
коллективному поведению, которое трудно
предсказать и анализировать. В модели
каждый агент в большой сети относится к
одной персональной сети, агенты в кото-
рой связаны сильными (стабильными и по-
стоянными) связями. Агент также имеет
слабые связи с агентами из других персо-
нальных сетей. Вероятность того, что ин-
формированный агент повлияет по сильной
связи на неинформированного агента (т.е.
–––––––––––––––––––––––––– Економіка промисловості Экономика промышленности ––––––––––––––––––––––
ISSN 1562-109X Econ. promisl. 113
2020, № 1 (89)
последний станет информированным) в
данный период времени равна s , а по
слабой – w s w( ) . Также неинформи-
рованные агенты в данный момент време-
ни с вероятностью (которая меньше ве-
роятности, достигаемой посредством эф-
фекта «из уст в уста») становятся инфор-
мированными благодаря рекламе и другим
маркетинговым приемам.
Итак, в момент времени t неинфор-
мированный агент, имеющий m силь-
ных связей с информированными аген-
тами из его персональной сети и j сла-
бых связей с информированными аген-
тами из других персональных сетей,
станет информированным с вероятностью
1 1 1 1j m
w sp( t ) ( ( )( ) ( ) ) .
Авторы (Goldenberg, Libai, Muller,
2001) предлагают использовать вероят-
ностный клеточный автомат со следующим
алгоритмом:
1) первоначально все агенты не ин-
формированы (значение 0);
2) в начальный момент времени аген-
ты становятся информированными благо-
даря рекламе, поскольку распространение
информации способом «из уст в уста» тре-
бует наличия информированных агентов.
Для каждого агента датчиком случайных
чисел генерируется случайное число U
(0<U<1), которое сравнивается с вероят-
ностью p(t) реализации информированно-
сти. Если U<p(t), то агент станет информи-
рованным (значение 1);
3) в следующие моменты времени
подключается эффект «из уст в уста»
(сильные и слабые связи). Опять-таки, если
U<p(t), то агент станет информированным
(значение 1);
4) процесс повторяется, пока 95%
агентов не станут информированными.
Для имитационного эксперимента за-
даны следующие параметры: размер каж-
дой персональной сети, количество слабых
связей для каждого агента, вероятность s ,
вероятность w и . Оказалось, что хотя
вероятность распространения по слабым
связям ниже, влияние слабых связей на
скорость распространения информации,
как минимум, такое же, как и сильных. В
начальной фазе (англ. early informed)
большее влияние в информировании аген-
тов имеет реклама (в дальнейшем ее роль
незначительна). В следующей фазе (англ.
middle informed) информация распростра-
няется в персональных сетях благодаря
сильным связям; по мере того как инфор-
мированных агентов в таких сетях стано-
вится больше, эффект сильных связей
ослабляется и возрастает роль слабых свя-
зей в активации новых сетей. При увеличе-
нии размера персональной сети роль силь-
ных связей увеличивается, а слабых –
уменьшается. При увеличении количества
слабых связей эффект от сильных связей
снижается, а от слабых – увеличивается.
При усилении рекламы эффект от сильных
связей немного увеличивается, а от сла-
бых – уменьшается.
Следует отметить, что применение
клеточных автоматов получило широкое
распространение в моделировании пове-
дения толпы людей в различных условиях.
При этом моделирование стадного поведе-
ния людей основано на применении алго-
ритмов выбора шага с заданной вероятно-
стью. Так, Д. Хелбинг, И. Фаркас и Т. Ви-
шек создали математическую модель пове-
дения панической толпы (Helbing, Farkas,
Vicsek, 2000). Причем в модели обыгрыва-
лись разные варианты – появление на пути
такой толпы суженных участков коридора,
колонн и других препятствий. Учитыва-
лись такие факторы, как стремление людей
удаляться от стен и других людей, обхо-
дить упавших, хаотично двигаться, искать
выход самостоятельно и бессознательно
следовать за другими, повинуясь стадному
чувству. Так, например, в комнате с двумя
выходами очень мало людей, которые не
будут повиноваться стадному инстинкту и
не будут ломиться в одну дверь. На основе
такого моделирования ученые пришли к
выводу, что одно из решений, которое по-
может справиться с панической толпой,
будет строительство небольших барьеров
напротив выхода. Такие барьеры будут
способствовать рассеиванию толпы, а не
–––––––––––––––––––––––––– Економіка промисловості Economy of Industry –––––––––––––––––––––––––––––––
114 ISSN 1562-109X Econ. promisl.
2020, № 1 (89)
создавать давку, и тем самым снизят коли-
чество нелепых смертей. В данном случае
появление на пути толпы препятствий
можно рассматривать как попытку управ-
ления поведением. Полученные результаты
экспериментов можно интерпретировать и
использовать применительно к стадному
поведению агентов в экономических систе-
мах.
Д. Егоров (2006) использует клеточ-
ный автомат как базовую модель рефлек-
сивных финансовых процессов на рынках
ценных бумаг. Исследование выполнено с
точки зрения построения адекватного ана-
лога рефлексивного финансового процесса
среди моделей теории самоорганизации.
Таким аналогом в работе представлено мо-
дельное уравнение распространения тепла
в нелинейной среде с горением. Здесь ажи-
отажный спрос растет как степенная функ-
ция от совокупного «перегрева» оценки
той или иной ценной бумаги всеми участ-
никами торгов («стадное чувство»). Приве-
денное дискретное отображение позволяет
моделировать условия запуска рефлексив-
ного фондового процесса. Возможны два
принципиально различных рефлексивных
источника нестабильности фондового рын-
ка: случайные флуктуации и целенаправ-
ленная спекулятивная деятельность. Оба
этих процесса могут быть отражены пред-
ложенным клеточным автоматом: случай-
ные флуктуации моделируются тем или
иным начальным неравновесным распре-
делением Т; спекуляции моделируются за-
данием возможности для некоторых участ-
ников (клеток автомата) изменять Т неза-
висимо от закона функционирования авто-
мата. Такое численное моделирование про-
ведено с использованием пакетов MathCad
и Pascal-Delphi. В отличие от случайных
флуктуаций, целенаправленная спекуля-
тивная деятельность (когда ряд игроков по
предварительному сговору понижают / по-
вышают цену неких ценных бумаг, чтобы
запустить рефлексивный процесс, а затем
скупить / продать их на волне ажиотажа)
моделируется системой допущением для
некоторых участников N(j) изменять неко-
торые Т(x) независимо от закона функцио-
нирования модели: это дает возможность
держать повышенные значения для неко-
торых Т(x) неопределенно долго.
К положительным чертам модели
следует отнести учет информированности
агентов управления в процессе проявления
стадного поведения, однако она не учиты-
вает других индивидуальных характери-
стик агентов управления, таких как интен-
циональная направленность, компетент-
ность, склонность подражать, принадлеж-
ность к лидерам мнений, в связи с чем тре-
бует доработки для использования в кон-
кретных системах.
Выводы. Рассмотренные модели, ис-
пользуемые для исследования процессов
проявления стадности в различных систе-
мах управления, учитывают наличие собст-
венных (состояний) агентов, изменение
мнений под влиянием других членов сис-
тем управления, различную значимость
мнений (влиятельности, доверия) одних
агентов для других, степень подверженнос-
ти агентов влиянию, существование кос-
венного влияния, «лидеров мнений», поро-
га чувствительности к изменению мнения
окружающих. Некоторые из моделей учи-
тывают локализацию групп, наличие спе-
цифических социальных норм, факторы
«социальной корреляции», внешние факто-
ры влияния, лавинообразные эффекты
(каскады), активность агентов, возмож-
ность образования группировок и коали-
ций, неполную и/или асимметричную ин-
формированность, взаимную информиро-
ванность (рефлексию) агентов.
Приведенные модели в рамках выде-
ленных характеристик моделируемых си-
стем управления позволяют достаточно
полно представить предметную область и
описать поведение агентов. Однако анализ
показал, что не существует универсальной
модели, описывающей стадное поведение в
социально-экономических системах. При-
менение рассмотренных моделей для эф-
фективного управления процессами прояв-
ления стадного поведения в социально-эко-
номических системах требует адаптации
для систем, в рамках которых они будут
использоваться. Для моделирования стад-
–––––––––––––––––––––––––– Економіка промисловості Экономика промышленности ––––––––––––––––––––––
ISSN 1562-109X Econ. promisl. 115
2020, № 1 (89)
ного поведения в социально-экономичес-
ких системах ключевыми параметрами яв-
ляются размер группы, в которой функци-
онируют агенты, характер структуры си-
стемы управления (наличие иерархии под-
чиненности агентов или ее отсутствие),
характер процессов принятия решений
агентами (статический, динамический),
детерминированность и наличие стохасти-
ческих компонент в структуре рефлексив-
ных характеристик агентов, опосредующих
их выбор и др. Учет перечисленных пара-
метров в выборе инструментов моделиро-
вания проявлений стадного поведения в
социально-экономических системах позво-
лит эффективно управлять стадностью в
рамках исследуемых систем.
Перспективным направлением даль-
нейшего исследования является сужение
предметной области для построения моде-
лей рефлексивного управления стадным
поведением на предприятиях.
Литература
Агаев Р. П., Чеботарев П. Ю. (2009). Со-
гласование характеристик в много-
агентных системах и спектры лапласов-
ских матриц орграфов. Автоматика и
телемеханика. № 3. С. 136-151.
Алле М. (1994). Поведение рационального
человека: критика постулатов и аксиом
американской школы. THESIS. Т. 5.
С. 217-241.
Бреер В.В. (2014a). Модели конформного
поведения. Ч.1. От философии к мате-
матическим моделям. Control Sciences.
№ 1. С. 2-13.
Бреер В.В. (2014b). Модели конформного
поведения. Ч.2. Математические моде-
ли. Control Sciences. № 2. С. 2-17.
Васин А.А., Краснощеков П.С., Морозов В.В.
(2008). Исследование операций. М.: Изд-
во Академия. 464 с.
Вороновицкий М.М. (2010). Стадное пове-
дение при байесовском выборе и линей-
ной последовательности взаимодей-
ствия. Экономика и математические
методы. № 46 (1). C. 92-103.
Вороновицкий М.М. (2013). Модель стад-
ного поведения клиентов банка. Эконо-
мика и математические методы.
№ 49 (1). C. 73-87.
Губанов Д. А., Новиков Д. А., Чхартишви-
ли А. Г. (2009а). Модели информацион-
ного влияния и информационного уп-
равления в социальных сетях. Проблемы
управления. № 5. С. 28-35.
Губанов Д. А., Новиков Д. А., Чхартишви-
ли А. Г. (2009b). Модели репутации и
информационного управления в соци-
альных сетях. Математическая теория
игр и ее приложения. Т. 1. Вып. 2. С. 14-
37.
Gubanov D.A., Novikov D.A., Chkhartishvili
A.G. (2011). Informational influence and
informational control models in social net-
works. Autom Remote Control. 72.
P. 1557-1567, doi: https://doi.org/10.1134/
S0005117911070216
Даніч В.М. (2013). Валютна паніка, ажіо-
таж та їх вплив на діяльність підпри-
ємств. Бізнес Інформ. № 6. С. 8-13.
Егоров Д. Г. (2006). Моделирование про-
цессов самоорганизации финансовых
систем. Финансы и кредит. № 36. С. 19-
25.
Краснощеков П. С. (1994). Некоторые ре-
зультаты математического моделирова-
ния одного механизма коллективного
поведения. Социология: методология,
методы, математическое моделирова-
ние (4М). № 3-4. C. 65-83.
Лепа Р.Н., Шкарлет С.Н., Лысенко Ю.Г. и
др. (2012). Рефлексивные процессы в
экономике: концепции, модели, приклад-
ные аспекты: моногр.: Р.Н. Лепа (заг.
ред.). Донецк: АПЕКС. Т. 1. 560 с.
Новиков Д.А. (2008). Математические мо-
дели формирования и функционирования
команд. М.: Физматлит. 184 с.
Солодухин С.В. (2017). Основные предпо-
сылки построения моделей стадного по-
ведения во внешней и внутренней среде
предприятий. Проблеми системного
підходу в економіці. № 4(60). С. 181-186.
Турлакова С.С. (2017). Инструменты ре-
флексивного управления стадным пове-
дением агентов на предприятиях. Уп-
равління економікою: теорія та прак-
–––––––––––––––––––––––––– Економіка промисловості Economy of Industry –––––––––––––––––––––––––––––––
116 ISSN 1562-109X Econ. promisl.
2020, № 1 (89)
тика: зб. наук. пр. К: ІЕП НАН України.
С. 133-149.
Akerlof G. (1970). The Market for «Lemons»:
Quality Uncertainty and the Market Mech-
anism. Quarterly Journal of Economics.
№ 3 (84). P. 488-500.
Aleta A., Moreno Y. (2019). The dynamics of
collective social behavior in a crowd con-
trolled game. EPJ Data Sci. № 8(22). doi:
https://doi.org/10.1140/epjds/s13688-019-
0200-1
Axelrod R., Tesfatsion L. (2006). A Guide for
Newcomers to AgentBased Modelling in
the Social Sciences. Handbook of Compu-
tational Economics. № 2. Р. 1647-59. Ox-
ford: Elsevier.
Banerjee A. (1992). A Simple Model of Herd
Behavior. Quarterly Journal of Economics.
1992. № 3 (107). Р. 797-817. doi:
http://dx.doi.org/10.2307/2118364
Banerjee M., Kooi B.W., Venturino E. (2017).
An Ecoepidemic Model with Prey Herd
Behavior and Predator Feeding Saturation
Response on Both Healthy and Diseased
Prey Math. Model. Nat. Phenom. № 12 (2).
Р. 133-161. doi: https://doi.org/10.1051/
mmnp/201712208
Bernheim D. (1994). A Theory of Conformity.
Journal of Political Economy. Vol. 102.
Iss. 5, р. 841-77.
Bikhchandani S., Hirshleifer D., Welch I.
(1998). Learning from the Behavior of
Others: Conformity, Fads, and Informa-
tional Cascades. Journal of Economic Per-
spectives. № 3(12). P. 151-170.
Friedkin N. E. (1984). Structural Cohesion
and Equivalence Explanations of Social
Homogeneity. Sociological Methods and
Research. № 3(12), р. 235-261. doi:
http://dx.doi.org/10.1177/00491241840120
03001
Friedkin N. E., Johnson E. C. (1990). Social
Influence and Opinions. Journal of Mathe-
matical Sociology. № 3-4 (15). P. 193-205.
doi: http://dx.doi.org/10.1080/002225 0X.
1990.9990069
Goldenberg J., Libai B., Muller E. (2001).
Talk of the Network: A Complex Systems
Look at the Underlying Process of Word-
of-Mouth. Marketing Letters. № 2. P. 11-
34.
Granovetter M. (1978). Threshold Models of
Collective Behavior. American Journal of
Sociology. № 6 (83). Р. 489-515. doi:
http://dx.doi.org/10.1086/226707
Helbing D., Farkas I., Vicsek T. (2000). Simu-
lating dynamical features of escape panic.
Nature. № 407 (6803). P. 487-490. doi:
http://dx.doi.org/10.1038/35035023
Hodgson G.M. (2003). The hidden persuaders:
institutions and individuals in economic
theory. Cambridge Journal of Economics.
№ 2(27). Р. 159-175. doi: http://dx.doi.org/
10.1093/cje/27.2.159
Howard A., Jebara T. (2003). Dynamical Sys-
tems Trees. Uncertainty in Artificial Intel-
ligence. P. 260-267.
Jackson M. (2008). Social and Economic
Networks. Princeton: Princeton University
Press. 648 p.
Kahneman D., Tversky А. (1979). Prospect
theory: an analysis of decisions under risk.
Econometrica. № 2(47), Р. 263-291. doi:
http://dx.doi.org/10.2307/1914185
Kearns M., Siddharth S., Montfort N. (2006).
An Experimental Study of the Coloring
Problem on Human Subject Networks.
Science. № 313. P. 824-827. doi:
http://dx.doi.org/10.1126/science.1127207
Kempe D., Kleinberg J., Tardos E. (2003).
Maximizing the Spread of Influence
through a Social Network. Proceedings of
the 9-th ACM SIGKDD International Con-
ference on Knowledge Discovery and Data
Mining. P. 137-146.
Leenders R. (2002). The Specification of
Weight Structures in Network Autocorre-
lation Models of Social Influence. URL:
http://ideas.repec.org/p/dgr/rugsom/02b09.
html (Дата обращения 7.02.2020).
Leskovec J., Adamic L., Huberman B. (2005).
The Dynamics of Viral Marketing. URL:
http://arxiv.org/abs/physics/0509039 (Дата
обращения 22.01.2020).
Morris S. (2000). Contagion II. The Review of
Economic Studies. № 1(67). P. 57-78.
Myerson R. (2001). Game theory: analysis of
conflict. Cambridge–Massachusetts–Lon-
don: Harvard University Press. 600 p.
–––––––––––––––––––––––––– Економіка промисловості Экономика промышленности ––––––––––––––––––––––
ISSN 1562-109X Econ. promisl. 117
2020, № 1 (89)
Oliver N., Rosario B., Pentland A. (1998).
Graphical Models for Recognizing Human
Interactions. Proceedings of International
Conference on Neural Information and
Processing Systems (NIPS). P. 924-930.
Saul L. K., Jordan M. I. (1999). Mixed Memo-
ry Markov Models: Decomposing Complex
Stochastic Processes as Mixtures of Simpler
Ones. Machine Learning. № 37 (1). P. 75-
87.
Scharfstein D. (1990). Herd Behavior and In-
vestment. American Economic Review.
1990. № 80 (3). P. 465-469.
Schiff J. L. (2007). Cellular Automata: A Dis-
crete View of the World. NY: Wiley. 272 р.
Shelling T. (1960). The strategy of conflict.
Oxford: Oxford Univ. Press. 309 р.
Thaler R.H. (2015). Misbehaving: The Mak-
ing of Behavioral Economics. In R.H. Tha-
ler, & W.W. Norton J. (Eds.). New York.
415 р.
Valente T. (1995). Network Models of the Dif-
fusion of Innovations. Cresskill, NJ: Hamp-
ton Press, 192 р.
Wang W., Guo L., Sun R. (2019). Rational herd
behavior in online learning: Insights from
MOOC. Computers in Human Behavior.
№ 92. P. 660-669. doi: https://doi.org/10.
1016/j.chb.2017.10.009
Watts D., Dodds P. (2007). Influentials, Net-
works, and Public Opinion Formation.
Journal of Consumer Research. № 34.
P. 441-458. doi: http://dx.doi.org/10.1086/
518527
Zhang D., Gatica-Perez D., Bengio S., Roy D.
(2005). Learning Influence among Interact-
ing Markov Chains. Neural Information
Processing Systems (NIPS). P. 132-141.
Zhong G.-Y., Li J.-C., Jiang G.J., Li H.-F.,
Tao H.-M. (2018). The time delay restrain-
ing the herd behavior with Bayesian ap-
proach. Physica A: Statistical Mechanics
and its Applications. № 507. P. 335-346.
doi: https://doi.org/10.1016/j.physa.2018.0
5.024
References
Agaev, R. P., & Chebotarev, P. Yu. (2009).
Coordination of characteristics in multia-
gent systems and spectra of Laplace matri-
ces of digraphs. Automation and teleme-
chanics, 3, pp. 136-151 [in Russian].
Alle, M. (1994). The behavior of a rational
person: criticism of the postulates and axi-
oms of the American school. THESIS, 5,
pp. 217-241 [in Russian].
Breer, V.V. (2014a). Conformal behavior
models. Part 1. From philosophy to math-
ematical models. Control Sciences, 1,
pp. 2-13 [in Russian].
Breer, V.V. (2014b). Conformal behavior
models. Part 2. Mathematical models. Con-
trol Sciences, 2, pp. 2-17 [in Russian].
Vasin, A.A., & Krasnoshekov, P. S., & Moro-
zov, V.V. (2008). Operations research.
Moskow: Akademiya [in Russian].
Voronovitsky, М.М. (2010). Herd behavior
with Bayesian choice and a linear sequence
of interaction. Economics and mathema-
tical methods, 46(1), pp. 92-103 [in Rus-
sian].
Voronovitsky, М.М. (2013). Model of herd
behavior of bank customers. Economics
and mathematical methods, 49(1), pp. 73-
87 [in Russian].
Gubanov, D.A., Novikov, D.A. & Chhartish-
vili, A.G. (2009a). Models of information
influence and information management in
social networks. Management issues, 5,
pp. 28-35 [in Russian].
Gubanov, D.A., Novikov, D.A. & Chhartish-
vili, A.G. (2009b). Models of reputation
and information management in social net-
works. Mathematical game theory and its
applications, Vol. 1, Iss. 2, 14-37 [in
Russian].
Gubanov, D.A., Novikov, D.A., & Chhartish-
vili, A.G. (2011). Informational influence
and informational control models in social
networks. Autom Remote Control, 72,
pp. 1557-1567. doi: https://doi.org/10.
1134/S0005117911070216
Danich, V.M. (2013). Currency panics, excite-
ment and excitement on the issue of busi-
ness. Business Inform, 6, pp. 8-13 [in
Ukrainian].
Yegorov, D.G. (2006). Modeling the process-
es of self-organization of financial systems.
Finance and credit, 36, pp. 19-25 [in
Russian].
–––––––––––––––––––––––––– Економіка промисловості Economy of Industry –––––––––––––––––––––––––––––––
118 ISSN 1562-109X Econ. promisl.
2020, № 1 (89)
Krasnoshekov, P.S. (1994). Some results of
mathematical modeling of one mechanism
of collective behavior. Sociology: metho-
dology, methods, mathematical modeling
(4M), 3-4, pp. 65-83 [in Russian].
Lepa, R.N., Shkarlet, S.N. & Lysenko, Y.G. et
al. (2012). Reflexive processes in the econ-
omy: concepts, models, applied aspects.
Vol. 1. In. R.N. Lepa (Ed.). Doneck:
APEKS [in Russian].
Novikov, D.A. (2008). Mathematical models
of the formation and functioning of teams.
M.: Fizmatlit [in Russian].
Soloduhin, S.V. (2017). The main prerequi-
sites for the construction of herd behavior
models in the external and internal envi-
ronment of enterprises. Problems of sys-
temic approach to economy, 4(60),
pp. 181-186 [in Russian].
Turlakova, S.S. (2017). Tools for reflexive
management of herd behavior of agents at
enterprises. Management of the economy:
theory and practice. (pp. 133-149). Kyiv:
IIE of NASU [in Russian].
Akerlof, G. (1970). The Market for «Le-
mons»: Quality Uncertainty and the Market
Mechanism. Quarterly Journal of Econo-
mics, 3(84), pp. 488-500.
Aleta, A. & Moreno, Y. (2019). The dynamics
of collective social behavior in a crowd
controlled game. EPJ Data Sci, 8(22). doi:
https://doi.org/10.1140/epjds/s13688-019-
0200-1
Axelrod, R. &Tesfatsion, L.A. (2006). Guide
for Newcomers to AgentBased Modelling
in the Social Sciences. Handbook of Com-
putational Economics. Oxford: Elsevier, 2,
pp. 1647-59.
Banerjee, A.A. (1992). Simple Model of Herd
Behavior. Quarterly Journal of Economics,
3(107), pp. 797-817. doi: http://dx.doi.org/
10.2307/2118364
Banerjee, M., Kooi, B.W., & Venturino, E.
(2017). An Ecoepidemic Model with Prey
Herd Behavior and Predator Feeding Satu-
ration Response on Both Healthy and Dis-
eased Prey Math. Model. Nat. Phenom, 12
(2), pp. 133-161. doi: https://doi.org/10.
1051/mmnp/201712208
Bernheim, D.A. (1994). Theory of Confor-
mity. Journal of Political Economy,
102(5), pp. 841-877.
Bikhchandani, S., Hirshleifer, D., & Welch, I.
(1998). Learning from the Behavior of
Others: Conformity, Fads, and Informati-
onal Cascades. Journal of Economic Pers-
pectives, 3(12), pp. 51-170.
Friedkin, N.E. (1984). Structural Cohesion
and Equivalence Explanations of Social
Homogeneity. Sociological Methods and
Research, 3(12), рр. 235-261. doi:
http://dx.doi.
org/10.1177/0049124184012003001
Friedkin, N.E. & Johnson, E.C. (1990). Social
Influence and Opinions. Journal of Mathe-
matical Sociology, 3-4 (15). рр. 193-205.
doi: http://dx.doi.org/10.1080/0022250X.
1990.9990069
Goldenberg, J., Libai, B., & Muller, E. (2001).
Talk of the Network: A Complex Systems
Look at the Underlying Process of Word-
of-Mouth. Marketing Letters, 2, pp. 11-34.
Granovetter, M. (1978). Threshold Models of
Collective Behavior. American Journal of
Sociology, 6 (83), pp. 489-515. doi:
http://dx.doi.org/10.1086/226707
Helbing, D., Farkas, I., & Vicsek, T. (2000).
Simulating dynamical features of escape
panic. Nature, 407 (6803). pp. 487-490.
doi: http://dx.doi.org/10.1038/35035023
Hodgson, G.M. (2003). The hidden persua-
ders: institutions and individuals in econo-
mic theory. Cambridge Journal of Econo-
mics, 2(27), pp. 159-175. doi: http://dx.doi.
org/10.1093/cje/27.2.159
Howard, A. & Jebara, T. (2003). Dynamical
Systems Trees. Uncertainty in Artificial In-
telligence, pp. 260-267.
Jackson, M. (2008). Social and Economic Net-
works. Princeton: Princeton University Press.
Kahneman, D., & Tversky, А. (1979). Pros-
pect theory: an analysis of decisions under
risk. Econometrica, 2(47), рр. 263-291.
doi: http://dx.doi.org/10.2307/1914185
Kearns, M., Siddharth, S. & Montfort, N.
(2006). An Experimental Study of the Col-
oring Problem on Human Subject Net-
works. Science, 313, pp. 824-827. doi:
http://dx.doi.org/10.1126/science.1127207
–––––––––––––––––––––––––– Економіка промисловості Экономика промышленности ––––––––––––––––––––––
ISSN 1562-109X Econ. promisl. 119
2020, № 1 (89)
Kempe, D., Kleinberg, J., & Tardos, E. (2003).
Maximizing the Spread of Influence
through a Social Network. Proceedings of
the 9-th ACM SIGKDD International Con-
ference on Knowledge Discovery and Data
Mining, pp. 137-146.
Leenders, R. The Specification of Weight
Structures in Network Autocorrelation Mo-
dels of Social Influence (2020, February).
Retrieved from http://ideas.repec.org/p/
dgr/rugsom/02b09.html.
Leskovec, J., Adamic, L. & Huberman, B.
(2005). The Dynamics of Viral Marketing
(2020, January). Retrieved from
http://arxiv.org/abs/physics/0509039.
Morris, S. (2000). Contagion II The Review of
Economic Studies, 1(67), рр. 57-78.
Myerson, R. (2001). Game theory: analysis of
conflict. Cambridge–Massachusetts–Lon-
don: Harvard University Press.
Oliver, N., Rosario, B., & Pentland, A. (1998).
Graphical Models for Recognizing Human
Interactions. Proceedings of International
Conference on Neural Information and
Processing Systems (NIPS), pp. 924-930.
Saul, L.K., & Jordan, M.I. (1999). Mixed
Memory Markov Models: Decomposing
Complex Stochastic Processes as Mixtures
of Simpler Ones. Machine Learning,
37 (1), рр. 75-87.
Scharfstein, D. (1990). Herd Behavior and In-
vestment. American Economic Review,
80(3), pp. 465-469.
Schiff, J.L. (2007). Cellular Automata: A Dis-
crete View of the World. NY: Wiley.
Shelling, T. (1960). The strategy of conflict.
Oxford: Oxford Univ. Press.
Thaler, R.H. (2015). Misbehaving: The Mak-
ing of Behavioral Economics. In R.H. Tha-
ler, & W.W. Norton J. (Eds.). New York.
Valente, T. (1995). Network Models of the
Diffusion of Innovations. Cresskill, NJ:
Hampton Press.
Wang, W., Guo, L. & Sun, R. (2019). Rational
herd behavior in online learning: Insights
from MOOC. Computers in Human Behav-
ior, 92, pp. 660-669. doi: https://doi.
org/10.1016/j.chb.2017.10.009
Watts, D., & Dodds, P. (2007). Influentials,
Networks, and Public Opinion Formation.
Journal of Consumer Research, 34,
рр. 441-458. doi: http://dx.doi.org/10.1086/
518527
Zhang, D., Gatica-Perez, D., Bengio, S., &
Roy, D. (2005). Learning Influence among
Interacting Markov Chains. Neural Infor-
mation Processing Systems (NIPS),
pp. 132-141.
Zhong, G.-Y., Li, J.-C., Jiang, G.J., Li, H.-F.
& Tao, H.-M. (2018). The time delay re-
straining the herd behavior with Bayesian
approach. Physica A: Statistical Mechanics
and its Applications, 507, pp. 335–346. doi:
https://doi.org/10.1016/j.physa.2018.05.024
Світлана Сергіївна Турлакова,
канд. екон. наук, доцент
Інститут економіки промисловості НАН України
вул. М. Капніст, 2, м. Київ, 03057, Україна
E-mail: svetlana.turlakova@gmail.com
https://orcid.org/0000-0002-3954-8503
МЕТОДИ МОДЕЛЮВАННЯ ПРОЦЕСІВ УПРАВЛІННЯ СТАДНОЮ
ПОВЕДІНКОЮ В СОЦІАЛЬНО-ЕКОНОМІЧНИХ СИСТЕМАХ
Визначено актуальність виявлення й узагальнення закономірностей і особливостей
методів моделювання управління процесами стадної поведінки в соціально-економічних
системах. Проаналізовано методи моделювання процесів управління стадною поведінкою в
економічних системах для вибору адекватного інструментарію побудови моделей управ-
ління стадністю.
–––––––––––––––––––––––––– Економіка промисловості Economy of Industry –––––––––––––––––––––––––––––––
120 ISSN 1562-109X Econ. promisl.
2020, № 1 (89)
Розглянуто моделі, які використовуються для дослідження процесів прояву стадності
в різних системах управління та враховують наявність власних (станів) агентів «думок»,
зміну думок під впливом інших членів систем управління, різну значимість думок (впливо-
вості, довіри) одних агентів для інших, ступінь схильності агентів до впливу, існування не-
прямого впливу, «лідерів думок», порогу чутливості до зміни думки оточуючих. Деякі з
моделей ураховують локалізацію груп, наявність специфічних соціальних норм, чинники
«соціальної кореляції», зовнішні чинники впливу, лавиноподібні ефекти (каскади), актив-
ність агентів, можливість утворення угрупувань і коаліцій, неповну та / або асиметричну
інформованість агентів, взаємну інформованість (рефлексію) агентів. Наведені моделі в
рамках виокремлених характеристик змодельованих систем управління дозволяють досить
повно представити предметну сферу й описати поведінку агентів. Однак не існує універса-
льної моделі, яка описує стадну поведінку в соціально-економічних системах. Застосування
розглянутих моделей для ефективного управління процесами прояву стадної поведінки в
соціально-економічних системах потребує адаптації для систем, у рамках яких вони вико-
ристовуватимуться.
Для моделювання стадної поведінки в соціально-економічних системах ключовими па-
раметрами є розмір групи, в якій функціонують агенти, характер структури системи управ-
ління (наявність ієрархії підпорядкованості агентів або її відсутність), характер процесів
прийняття рішень агентами (статичний, динамічний), детермінованість і наявність стохасти-
чних компонент у структурі рефлексивних характеристик агентів, які опосередковують їх
вибір. Урахування перелічених параметрів при виборі інструментів моделювання проявів
стадної поведінки в соціально-економічних системах дозволить ефективно управляти стадні-
стю в рамках досліджуваних системи.
Ключові слова: математична модель, моделювання, стадна поведінка, соціально-еко-
номічна система, агент, інформованість, рефлексія, управління.
JEL: C02, C52, C53, P00
Svetlana S. Turlakova,
PhD in Economics
Institute of Industrial Economics of the NAS of Ukraine
2 Maria Kapnist Street, Kyiv, 03057, Ukraine
E-mail: svetlana.turlakova@gmail.com
https://orcid.org/0000-0002-3954-8503
METHODS FOR MODELING THE PROCESSES OF MANAGEMENT
OF HERD BEHAVIOR IN SOCIAL AND ECONOMIC SYSTEMS
The relevance of identifying and generalizing patterns and features of modeling methods for
managing herd behavior in social and economic systems is determined. The analysis of methods
of modeling the management of herd behavior in economic systems is analyzed to select an ade-
quate tool for building models of management of herd.
The models, used for studying the processes of herd behavior in different control systems,
have a number of properties that take into account the presence of own (states) agents of "opin-
ions", change of opinions under the influence of other members of management systems, a differ-
ent significance of some agents’ opinions (influence, trust) for others, the degree of agents’ expo-
sure to influence, the existence of indirect influence, the existence of «opinion leaders», the pres-
ence of a threshold of sensitivity to change the others’ opinion. Some of models take into account
the localization of groups, the presence of specific social norms, factors of «social correlation»,
the existence of external factors of influence, avalanche effects (cascades), the activity of agents,
–––––––––––––––––––––––––– Економіка промисловості Экономика промышленности ––––––––––––––––––––––
ISSN 1562-109X Econ. promisl. 121
2020, № 1 (89)
the possibility of forming groups and coalitions, incomplete and / or asymmetric awareness of
agents, informed agents. It is defined that the models, presented in the framework of distinguished
characteristics of simulated control systems, make it possible to fully represent the subject area
and describe the agents’ behavior. However, there is no universal model, describing herd behavior
in social and economic systems. The use of these models to effectively manage the processes of
herd behavior in social and economic systems requires adaptation to the systems, within which
they will be used.
For modeling herd behavior in social and economic systems, key parameters are the size of
the group, in which agents are functioning, the nature of the control system structure (presence or
absence of agent subordination), the nature of agents' decision-making processes (static, dynam-
ic), determinism, and the presence of stochastic components in the structure of agents’ reflexive
characteristics that mediate their selection. Given the consideration to abovementioned parameters
in the choice of tools for modeling the displaying of herd behavior in social and economic sys-
tems will allow to effectively manage the herd within certain parameters of the system. Perspec-
tive directions of research are outlined.
Keywords: mathematical model, modeling, herd behavior, social and economic system,
agent, awareness, reflection, management.
JEL: C02, C52, C53, P00
Формат цитирования:
Турлакова С. С. (2020). Методы моделирования процессов управления стадным пове-
дением в социально-экономических системах. Экономика промышленности. 1(89). С. 98-
121. doi: http://doi.org/10.15407/econindustry2020.01.098
Turlakova, S. (2020). Methods for modeling the processes of management of herd behavior
in social and economic systems. Econ. promisl., 1(89), рр. 98-121 doi: http://doi.org/10.15407/
econindustry2020.01.098
Представлена в редакцию 13.02.2020 г.
|
| id | nasplib_isofts_kiev_ua-123456789-167839 |
| institution | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| issn | 1562-109Х |
| language | Ukrainian |
| last_indexed | 2025-11-24T06:41:34Z |
| publishDate | 2020 |
| publisher | Інститут економіки промисловості НАН України |
| record_format | dspace |
| spelling | Турлакова, С.С. 2020-04-10T15:53:54Z 2020-04-10T15:53:54Z 2020 Методы моделирования процессов управления стадным поведением в социально-экономических системах / С.С. Турлакова // Економіка промисловості. — 2020. — № 1 (89). — С. 98–121. — Бібліогр.: 50 назв. — рос. 1562-109Х DOI: doi.org/10.15407/econindustry2020.01.98 JEL: C02, C52, C53, P00 https://nasplib.isofts.kiev.ua/handle/123456789/167839 658.3 Определена актуальность выявления и обобщения закономерностей и особенностей методов моделирования процессов управления стадным поведением в социально-экономических системах. Проведен анализ методов моделирования процессов управления стадным поведением в экономических системах для выбора адекватного инструмента построения моделей управления стадностью.Рассмотренные модели, используемые для исследования процессов проявления стадности в различных системах управления, учитывают наличие собственных (состояний) агентов «мнений», изменение мнений под влиянием других членов систем управления, различную значимость мнений (влиятельности, доверия) одних агентов для других, степень подверженности агентов влиянию, существование косвенного влияния, «лидеров мнений», порога чувствительности к изменению мнения окружающих. Некоторые из моделей учитывают локализацию групп, наличие специфических социальных норм, факторы«социальной корреляции», внешние факторы влияния, лавинообразные эффекты (каскады), активность агентов, возможность образования группировок и коалиций, неполную и/или асимметричную информированность агентов, взаимную информированность (рефлексию) агентов. Приведенные модели в рамках выделенных характеристик моделируемых систем управления позволяют достаточно полно представить предметную область и описать поведение агентов. Однако не существует универсальной модели, описывающей стадное поведение в социально-экономических системах. Применение рассмотренных моделей для эффективного управления процессами проявления стадного поведения в социально-экономических системах требует адаптации для систем, в рамках которых они будут использоваться.Для моделирования стадного поведения в социально-экономических системах ключевыми параметрами являются размер группы, в которой функционируют агенты, характер структуры системы управления (наличие иерархии подчиненности агентов или ее отсутствие), характер процессов принятия решений агентами (статический, динамический), детерминированность и наличие стохастических компонент в структуре рефлексивных характеристик агентов, опосредующих их выбор. Учет перечисленных параметров в выборе инструментов моделирования проявлений стадного поведения в социально-экономических системах позволит эффективно управлять стадностью в рамках исследуемых систем. Визначено актуальність виявлення й узагальнення закономірностей і особливостей методів моделювання управління процесами стадної поведінки в соціально-економічних системах. Проаналізовано методи моделювання процесів управління стадною поведінкою в економічних системах для вибору адекватного інструментарію побудови моделей управління стадністю.Розглянуто моделі, які використовуються для дослідження процесів прояву стадності в різних системах управління та враховують наявність власних (станів) агентів «думок», зміну думок під впливом інших членів систем управління, різну значимість думок (впливовості, довіри) одних агентів для інших, ступінь схильності агентів до впливу, існування непрямого впливу, «лідерів думок», порогу чутливості до зміни думки оточуючих. Деякі з моделей ураховують локалізацію груп, наявність специфічних соціальних норм, чинники «соціальної кореляції», зовнішні чинники впливу, лавиноподібні ефекти (каскади), активність агентів, можливість утворення угрупувань і коаліцій, неповну та / або асиметричну інформованість агентів, взаємну інформованість (рефлексію) агентів. Наведені моделі в рамках виокремлених характеристик змодельованих систем управління дозволяють досить повно представити предметну сферу й описати поведінку агентів. Однак не існує універсальної моделі, яка описує стадну поведінку в соціально-економічних системах. Застосування розглянутих моделей для ефективного управління процесами прояву стадної поведінки в соціально-економічних системах потребує адаптації для систем, у рамках яких вони використовуватимуться.Для моделювання стадної поведінки в соціально-економічних системах ключовими параметрами є розмір групи, в якій функціонують агенти, характер структури системи управління (наявність ієрархії підпорядкованості агентів або її відсутність), характер процесів прийняття рішень агентами (статичний, динамічний), детермінованість і наявність стохастичних компонент у структурі рефлексивних характеристик агентів, які опосередковують їх вибір. Урахування перелічених параметрів при виборі інструментів моделювання проявів стадної поведінки в соціально-економічних системах дозволить ефективно управляти стадністю в рамках досліджуваних системи. The relevance of identifying and generalizing patterns and features of modeling methods for managing herd behavior in social and economic systems is determined. The analysis of methods of modeling the management of herd behavior in economic systems is analyzed to select an adequate tool for building models of management of herd.The models, used for studying the processes of herd behavior in different control systems, have a number of properties that take into account the presence of own (states) agents of "opinions", change of opinions under the influence of other members of management systems, a different significance of some agents’ opinions (influence, trust) for others, the degree of agents’ exposure to influence, the existence of indirect influence, the existence of «opinion leaders», the presence of a threshold of sensitivity to change the others’ opinion. Some of models take into account the localization of groups, the presence of specific social norms, factors of «social correlation», the existence of external factors of influence, avalanche effects (cascades), the activity of agents, the possibility of forming groups and coalitions, incomplete and / or asymmetric awareness of agents, informed agents. It is defined that the models, presented in the framework of distinguished characteristics of simulated control systems, make it possible to fully represent the subject area and describe the agents’ behavior. However, there is no universal model, describing herd behavior in social and economic systems. The use of these models to effectively manage the processes of herd behavior in social and economic systems requires adaptation to the systems, within which they will be used.For modeling herd behavior in social and economic systems, key parameters are the size of the group, in which agents are functioning, the nature of the control system structure (presence or absence of agent subordination), the nature of agents' decision-making processes (static, dynamic), determinism, and the presence of stochastic components in the structure of agents’ reflexive characteristics that mediate their selection. Given the consideration to abovementioned parameters in the choice of tools for modeling the displaying of herd behavior in social and economic systems will allow to effectively manage the herd within certain parameters of the system. Perspective directions of research are outlined. uk Інститут економіки промисловості НАН України Економіка промисловості Аналітичні огляди Методы моделирования процессов управления стадным поведением в социально-экономических системах Методи моделювання процесів управління стадною поведінкою в соціально- економічних системах Methods for modeling the processes of management of herd behavior in social and economic systems Article published earlier |
| spellingShingle | Методы моделирования процессов управления стадным поведением в социально-экономических системах Турлакова, С.С. Аналітичні огляди |
| title | Методы моделирования процессов управления стадным поведением в социально-экономических системах |
| title_alt | Методи моделювання процесів управління стадною поведінкою в соціально- економічних системах Methods for modeling the processes of management of herd behavior in social and economic systems |
| title_full | Методы моделирования процессов управления стадным поведением в социально-экономических системах |
| title_fullStr | Методы моделирования процессов управления стадным поведением в социально-экономических системах |
| title_full_unstemmed | Методы моделирования процессов управления стадным поведением в социально-экономических системах |
| title_short | Методы моделирования процессов управления стадным поведением в социально-экономических системах |
| title_sort | методы моделирования процессов управления стадным поведением в социально-экономических системах |
| topic | Аналітичні огляди |
| topic_facet | Аналітичні огляди |
| url | https://nasplib.isofts.kiev.ua/handle/123456789/167839 |
| work_keys_str_mv | AT turlakovass metodymodelirovaniâprocessovupravleniâstadnympovedeniemvsocialʹnoékonomičeskihsistemah AT turlakovass metodimodelûvannâprocesívupravlínnâstadnoûpovedínkoûvsocíalʹnoekonomíčnihsistemah AT turlakovass methodsformodelingtheprocessesofmanagementofherdbehaviorinsocialandeconomicsystems |