Опубликовано 22 июля 2020, 16:36

Эпидемиологические модели помогли объяснить динамику массовых беспорядков

Эпидемиологические модели помогли объяснить динамику массовых беспорядков

© Ivan Alvarado/Reuters

Исследователи из Университета Адольфо Ибаньеса и Университетского колледжа Лондона создали математическую модель, которая описывает динамику массовых беспорядков и бунтов в Чили. Она основана на эпидемиологических моделях и физике хаоса. Статья об открытии опубликована в журнале Chaos.

В 2019 году по всему Чили прокатилась волна протестов, которые нарушили повседневный распорядок жизни многих граждан. Такие общественные волнения становятся все более распространенными, поэтому очень важно научиться предсказывать их, чтобы смягчить последствия и уберечь мирных жителей.

Чтобы создать предсказательную модель, авторы новой работы использовали эпидемиологические математические модели, история которых насчитывает уже более ста лет. Этот метод уже использовался в 1970-х годах для понимания динамики беспорядков, произошедших в американских городах десятилетием ранее.

Однако авторы нового исследование решили усовершенствовать этот подход. За основу они взяли модель SIR, которая используется для анализа распространения инфекционных заболеваний. Этот метод разделяет популяцию на восприимчивых, заразных и выздоровевших особей. Затем авторы применили инструменты физики хаоса и показали, что динамика процесса может контролироваться внешней силой.

Ученые обнаружили, что при введении внешней силы в модель ее динамика становится очень сильно зависима от начального количества потенциальных и активных бунтовщиков. Тем не менее такая усовершенствованная модель оказалась достаточно точной в описании распространения беспорядков.

По словам исследователей, с одной стороны, довольно удивительно, что эпидемиологические модели способны описать распространение бунтов. С другой стороны, у этих процессов есть похожие черты в плане динамики. Авторы смогли проверить свою модель на открытых данных и показали, что она описывает их лучше более ранних алгоритмов. Теперь ученые планируют увеличить количество данных для анализа и улучшить точность своей модели.

Понравился материал? Добавьте Indicator.Ru в «Мои источники» Яндекс.Новостей и читайте нас чаще.