class: center, middle, inverse, title-slide .title[ # 涌现秩序：社会科学中的复杂性 ] .subtitle[ ## 社会学概论——第11讲 ] .author[ ### 李代 ] .institute[ ### 中国政法大学社会学院 ] .date[ ### 2024-11-12 ] --- class: center, middle, inverse <!-- background-image: url("images/cool.png") --> # 涌现秩序：社会科学中的复杂性 ## 复杂性 ## 研究案例 credit: Scott E. Page & Andrea Jones-Rooy --- # 复杂性 ## 复杂性（complexity） “整体大于部分之和。” Between Ordered and Random (BOAR) <img src="image/boar.png" width="70%" /> --- # 复杂性 ## 复杂性（complexity） Difficult to Explain, Evolve, Engineer, Predict (DEEEP) <img src="image/birds.png" width="60%" /> --- # 复杂性 ## 复杂性（complexity） Difficult to Explain, Evolve, Engineer, Predict (DEEEP) <img src="image/eye.jpg" width="60%" /> --- # 复杂性 ## 复杂性（complexity） Difficult to Explain, Evolve, Engineer, Predict (DEEEP) <img src="image/detroit.png" width="60%" /> --- # 复杂性 ## 复杂性（complexity） Difficult to Explain, Evolve, Engineer, Predict (DEEEP) <img src="image/stock.png" width="60%" /> --- # 复杂性 ## 复杂系统 Diverse, Interdependent, Networked, Adaptive (DINA) <img src="image/diverse.jpg" width="60%" /> --- # 复杂性 ## 复杂系统 Diverse, Interdependent, Networked, Adaptive (DINA) <img src="image/interdependent.png" width="60%" /> --- # 复杂性 ## 复杂系统 Diverse, Interdependent, Networked, Adaptive (DINA) <img src="image/networked.png" width="60%" /> --- # 复杂性 ## 复杂系统 Diverse, Interdependent, Networked, Adaptive (DINA) <img src="image/adaptive.png" width="60%" /> --- # 复杂性 ## 涌现/突生（emergence） 在宏观层面发生的现象，不能还原为任何微观元素自身的性质。它源自各元素的性质及其间的关系。 涌现/突生现象是可以由复杂系统产生的一种结果。 《致命的自负》哈耶克 《GEB》侯世达 --- class: center, middle, inverse <!-- background-image: url("images/cool.png") --> # 研究案例 --- # 研究案例 ## Schelling's segregation model 如果邻居不理想，我就想搬家。 <img src="image/suburb.jpg" width="60%" /> --- # 研究案例 ## 模型 .pull-left[ 满意度： `\(\frac{5}{7}\)` 搬家阈值： `\(x\)` 如果满意度低于 `\(x\)`，就随机搬到另外一个空白的格子。 ] .pull-right[ <img src="image/grid.png" width="60%" /> ] --- # 研究案例 ## 模拟 .pull-left[ 搬家阈值：0.6 [代码:Bogumił Kamiński](https://www.r-bloggers.com/2012/04/animating-schellings-segregation-model/) ] .pull-right[ <img src="image/animation6.gif" width="100%" /> ] --- # 研究案例 ## LOTB `\(N\)` : 一些玩家 `\(S\)`: 玩家中的一部分人 `\(V\)`: 价值函数 最后上车价值 Last on the Bus Value (LOTB)： 如果你是最后上车的人，你带来的价值多大 $$ LOTB(i) = V(N) - V(N-i) $$ --- # 研究案例 ## LOTB 例如：4个人搬一个沙发，3个人搬不动一个沙发。搬完沙发可集体获得100块钱报酬。 V(3人) = 0 V(4人) = 100 对于4个人中的任何一个第i人，都有： LOTB(i) = 100 --- # 研究案例 ## Shapley value 考虑所有 `\(N!\)` 种对 `\(N\)` 个玩家进行排列的可能性。 对于每个玩家来说，平均来说，加入时带来的边际价值是多少？ 例如：有3个人，一个人会说中文，2个人会说英文。共同完成一项工作，需要至少会英文和中文的各一。总共给30块钱。 <img src="image/shapley.png" width="100%" /> --- # 研究案例 ## Shapley value 我们发现： 三个人的Shapley value相加，正好等于总共的报酬。 所以：可以根据Shapley value决定报酬。 --- # 研究案例 ## Shapley-Shubik index 假设政党投票，一个党的人投票一样。候选人在全部票数中获得超过半数者取胜。取胜得取值 `\(V = 1\)` ，否则 `\(V = 0\)` 。 有4个党，分别有3、2、1、1个成员（票）。每个政党的权力有多大？ --- # 研究案例 ## Shapley-Shubik index 总共有4个政党，就有 `\(4!\)` 种排列。按照 Shapley value的方式进行罗列，我们发现： A第二或者第三个投票的时候能决定谁赢，而第1或第4个投票不能，所以取值为 `\(\frac{1}{2}\)` B如果跟着A第二或者跟着C、D第三个投票的时候能决定谁赢，而其他情况不能，所以取值为 `\(\frac{1}{6}\)` C如果跟着A第二或者跟着B、D第三个投票的时候能决定谁赢，而其他情况不能，所以取值为 `\(\frac{1}{6}\)` D跟C一样。 --- # 研究案例 ## Shapley-Shubik index <img src="image/shubik.png" width="100%" />