flávia f. feitosa [email protected] ser 301 – análise espacial de dados geográficos...
TRANSCRIPT
Flávia F. [email protected]
SER 301 – SER 301 – Análise Espacial de Dados GeográficosAnálise Espacial de Dados Geográficos
Introdução à Modelagem Introdução à Modelagem e Simulação Computacionale Simulação Computacional
Rede Hidrográfica
Rede Estradas
Pistas de pouso
São Félix do Xingu
Tucumã e Ourilândia
Altamira
Uruará
Canopus
VilaCentral
Taboca
Sudoeste
Rede Hidrográfica
Rede Estradas
Pistas de pouso
São Félix do Xingu
Tucumã e Ourilândia
Altamira
Uruará
Canopus
VilaCentral
Taboca
Sudoeste
Tucumã
Sudoeste
Ladeira Vermelha
Minerasul
Carapanã
Belém
São Félix
Araguaína
AltamiraVila Canopus
Nereu
Tancredo Neves
Taboca
Vila dos Crentes
Porto Estrela
Vila Central
Pontalina
Vila Caboclo
Primavera
Redenção
Metrópole Cidades Cidades Setores Localidades>50.000 hab <50.000 hab Urbanos
Tucumã
Sudoeste
Ladeira Vermelha
Minerasul
Carapanã
Belém
São Félix
Araguaína
AltamiraVila Canopus
Nereu
Tancredo Neves
Taboca
Vila dos Crentes
Porto Estrela
Vila Central
Pontalina
Vila Caboclo
Primavera
Redenção
Metrópole Cidades Cidades Setores Localidades>50.000 hab <50.000 hab Urbanos
ModelosModelos
Representações simplificadas de um objeto, estrutura, ideia ou Representações simplificadas de um objeto, estrutura, ideia ou sistema. Estas representações atendem a algum sistema. Estas representações atendem a algum propósitopropósito!!!!!!São menores, menos detalhados, menos complexos, ou tudo isso junto…São menores, menos detalhados, menos complexos, ou tudo isso junto…Podem ser estáticos ou dinâmicos…Podem ser estáticos ou dinâmicos…
Yi = 0 + Xi 1
Um mapa é um modelo? Um mapa é um modelo? Representação simplificada de um estado do sistema
de interesse.
Mas é estático! E os processos?Em busca de uma “Cartografia de Processos”…
Modelos de Simulação Modelos de Simulação (Computacional)(Computacional)
Inclui a representação de determinados Inclui a representação de determinados processos/comportamentos do sistema de interesseprocessos/comportamentos do sistema de interesse
Propósito de compreender melhor o comportamento Propósito de compreender melhor o comportamento do sistema ao longo do tempo, explicar padrões que do sistema ao longo do tempo, explicar padrões que
observamos na realidade, dinâmicas não-lineares, observamos na realidade, dinâmicas não-lineares, retroalimentação do sistema…retroalimentação do sistema…
Como comportamentos individuais geram Como comportamentos individuais geram padrões “macro” no nosso mundo... padrões “macro” no nosso mundo...
Um exemplo simples de simulação… Um exemplo simples de simulação…
Bird FlockingBird FlockingoModelo baseado em
interações “bottom-up”
o Nenhuma autoridade central
o Cada pássaro reage ao seu vizinho
Bird FlockingBird Flocking Reynolds Model (1987) – Três regrasReynolds Model (1987) – Três regras
www.red3d.com/cwr/boids/
Coesão: movimento em direção à posição média dos vizinhos/colegas.
Separação: movimento buscando evitar aglomeração com outros colegas
Alinhamento: manutenção da direção média dos vizinhos.
Bird FlockingBird Flocking Reynolds Model (1987)Reynolds Model (1987)
http://ccl.northwestern.edu/netlogo/models/Flocking
Complex SystemsComplex Systems
Systems composed of interconnected parts that as a whole exhibit one or more properties not obvious from the properties of the individual parts.
“A Complex System is an entity, coherent in some recognizabe way but whose elements, interactions and dynamics generate structures and admit surprise and novelty that cannot be defined a priori”
(Batty and Torrens, 2005: 745)
Complex SystemsComplex Systems
Complicated vs. Complex
EmergenceSmall number of rules applied locally among many individuals can generate complex global patterns
Self-organization No centralized authority
Complex SystemsComplex Systems
Non-linearityGenerate unexpected and counter-intuitive global patterns that cannot be understood as a simple sum of the parts. Invalidates simple extrapolation.
Path-dependenceHighly affected by past states
AdaptationAdapt to unexpected changes in its environment (e.g. avoiding obstacles)
What are complex adaptive systems?What are complex adaptive systems?
Traditional Modelling ApproachesTraditional Modelling Approaches
Statistical modeling, Classical optimization, System dynamics modeling…o Top-down viewo Linearo Correlationo Cause and effect reasoningo Often assume homogeneityo Some are statico Seeks to find some equilibrium representing the “solution” to the problem
Simulation models Are “run” rather than “solved”
Autômatos CelularesAutômatos Celulareso Objetos Computacionais, geralmente chamados de “células”o Situados no tempo e espaçoo Caracterizados por “estados”o Os processos para a mudança de estado de cada célula são geralmente articulados como regras simples, chamadas de “regras de transição”.
Nos modelos mais clássicos, como no “Jogo da Vida” de Conway, o estado de cada célula muda em função do estado das células vizinhas
Autômatos CelularesAutômatos CelularesObjetos “fixos” no espaço!
Mudanças de Estado não envolvem movimentos.
Já a noção de AGENTES introduz a ideia de objetos móveis, e um pouco mais…
Agent-Based ModellingAgent-Based ModellingAnother Alternative to traditional modeling paradigms
What is an Agent?
o Independent component (e.g. software object) o Do not have fixed locationo Have a state and behavioral ruleso Behavioral rules determine movements, interactions and
changes in the agent’s state o The behavior can range from primitive reactive decision
rules to complex adaptive intelligence.o They may represent a real world actor (family,
government, …)
Agent-Based ModellingAgent-Based ModellingAGENTS
o Capability to make independent decisionso They are usually unique, i.e., different from each other in
such characteristics as size, location, resource reserves, and history
o Act and interact with one another as well as the environment in which they exist according to some purpose.
The simplest agent-based model structureA L
Agent-Based ModellingAgent-Based Modelling
Goal
Environment
Representations
Communication
ActionPerception
Communication
Gilbert, 2003
Agent-Based ModellingAgent-Based Modelling
Isento da limitação da tratabilidade matemática.
Ao invés de descrever um sistema apenas com variáveis que representam o estado do sistema como um todo, modelamos seus componentes individualmente
Agent-Based ModellingAgent-Based Modelling
Útil para a representação de sistemas compostos por agentes autônomos, que interagem entre si e com o ambiente, diferem um do outro no espaço e tempo e apresentam comportamentos que são importantes para como o sistema funciona.
Trata múltiplos níveis de um problema: do local ao global, do individual ao coletivo
EXEMPLOS???
Agents are…Agents are…Identifiable and self-contained
Autonomous– Exercises control over its own actions
Reactive– Responds to changes in its environment
Goal-oriented– Does not simply act in response to the environment
Mobile– Able to transport themselves
Agents are…Agents are…
Situated– Living in an environment with which interacts with other agents
Communicative/Socially aware– Communicates with other agents
Adaptive / Learning /Flexible– Changes its behavior based on its previous experience– Actions are not scripted
Temporally continuous– Continuously running process
Types of ABMTypes of ABMMinimalist Models
o Based on a set of idealized assumptionso Abstract and artificialo Exploratory laboratories in which assumptions can be testedo Ex: Schelling, Sugarscape Model
Decision Support Modelso Descriptive and realistico Usually large-scale applicationso Designed to answer policy questionso Include real data to calibrate and to compare simulation outputso Ex: MASUS (Multi-Agent Simulator for Urban Segregation)
(Macal e North, 2005)
A Minimalist Model A Minimalist Model Schelling’s Model of SegregationSchelling’s Model of SegregationSegregation is an outcome of individual choices
But high levels of segregation mean that people are prejudiced?
Schelling’s Model of SegregationSchelling’s Model of Segregation
Schelling (1971) demonstrates a theory to explain the persistence of racial segregation in an environment of growing tolerance
If individuals will tolerate racial diversity, but will not tolerate being in a minority in their locality, segregation will still be the equilibrium situation
Schelling’s Model of SegregationSchelling’s Model of Segregation
< 1/3
Micro-level rules of the game
Stay if at least a third of neighbors are “kin”
Move to random location otherwise
Tolerance values above 30%: formation of ghettos
http://ccl.northwestern.edu/netlogo/models/Segregation
Schelling’s Model of SegregationSchelling’s Model of Segregation
O Ciclo da ModelagemO Ciclo da Modelagem
O Ciclo da ModelagemO Ciclo da ModelagemDefinir o propósito do
modelo, as questões que buscamos responder
O Ciclo da ModelagemO Ciclo da ModelagemSegregação é um resultado
da intolerância das famílias em relação à presença de outros grupos sociais?
O Ciclo da ModelagemO Ciclo da Modelagem
Segregação é um resultado da intolerância das famílias em relação à presença de outros grupos sociais?
Todo modelo é uma representação simplificada que serve a um propósito.
A simplificação é importante para que se construa uma compreensão gradual do problema.
O propósito, que pode ser traduzido através de uma pergunta, serve como um filtro para que se decida o que incluir/ignorar em um modelo.
O Ciclo da ModelagemO Ciclo da ModelagemFormular
hipóteses/premissas a partir de nosso
conhecimento preliminar sobre como o sistema
funciona(Teorias)
O Ciclo da ModelagemO Ciclo da ModelagemSe as famílias toleram a diversidade racial, mas não
toleram ser a minoria em sua vizinhança, a situação de
equilíbrio ainda apresentará altos níveis de segregação.
O Ciclo da ModelagemO Ciclo da Modelagem
Quais fatores tem forte influência sobre o fenômeno de interesse?
Estes fatores são independentes ou interagem entre si?
São afetados por outros fatores importantes?
Momento de combinar conhecimentos, uma fase de “brainstorming”
Gráficos, Diagramas, etc. são bem vindos!!!
Formulação do ModeloFormulação do Modelo
Comunicar o modelo nas suas diversas fases é importante!
Leva a novas discussões e reformulação do modelo
MODELO COMO UM OBJETO MEDIADOR
Supressão do modelo como ‘produto’
Foco no PROCESSO DE CONSTRUÇÃO do modelo
Modelo de Simulação Computacional = Laboratório
1.Processo de construção deste laboratório (contínuo)
2.Design, uso e interpretação dos experimentos
O Ciclo da ModelagemO Ciclo da Modelagem
Quais elementos/interações a serem considerados?
Como serão representados?
Autômatos? Agentes? Escolher escalas,
entidades, variáveis, processos e parâmetros
do modelo
Formulação do ModeloFormulação do Modelo
É hora de pensar nos detalhes do modelo
o Ideias representadas em palavras, diagramas deverão ser traduzidas em algoritmos, equações, etc.
oA formulação serve, inicialmente, para que possamos pensar explicitamente sobre todas as partes do modelo, identificar todas as decisões que precisamos tomar.
O Ciclo da ModelagemO Ciclo da Modelagem
O Ciclo da ModelagemO Ciclo da Modelagem
A implementação permite-nos explorar, de maneira lógica e rigorosa, as consequências de nossas premissas.
Implementar um modelo não é difícil, mas fazer ciência com ele sim!!!
PlataformasPlataformasTerraME (INPE/UFOP) http://www.terrame.org
NetLogo Northwestern's Center for Connected Learning and Computer-Based Modeling
http://ccl.northwestern.edu/netlogo/
Repast (University of Chicago)
http://repast.sourceforge.net/
Elementos do NetLogoElementos do NetLogoTurtles: Agentes. Podem ser diferenciados em diferentes
tipos (breeds) Patches: Células regulares que representam o espaço
Links: Conectam agentes (turtles) e permitem representar relações em rede.
Observer: Pode ser entendido como um controlador do modelo e suas visualizações. Por exemplo, é o observador que “cria” agentes e gerencia variáveis globais.
O Ciclo da ModelagemO Ciclo da Modelagem
Verificação, Comparação com Dados Reais,
Simulação de Cenários, Análises de
Sensibilidade
Lembrete Importante!Lembrete Importante!MODELOS NÃO SÃO BOLAS DE CRISTAL !!!!
“We may need to consider abandoning the dream of long-term prediction”
Helen Couclelis, CAMUSS 2012
Modelos capturam apenas o que é PADRÃO, ou seja, o que é típico, estável, regular,
recorrente, repetitivo, PREVISÍVEL.
Futuro é uma mistura entre “padrão” e “ruído”
Duas sugestões de leitura sobre o assunto:oBatty, M; Torrens, P (2005) Modelling and Prediction in a Complex World. Futures, v.37, n.7, p.745-766.oCouclelis, H. (2005) "Where has the future gone?" Rethinking the role of integrated land-use models in spatial planning. Environment and Planning A, v. 37, p. 1353-1371.
O Ciclo da ModelagemO Ciclo da Modelagem
O Ciclo da ModelagemO Ciclo da Modelagem
É um processo iterativo!!!
Nossos modelos podem ser sempre melhorados de alguma forma: -São muito simples ou muito complexos-Podemos nos dar conta de que estamos fazendo as perguntas erradas…-O ciclo não precisa ser seguido inteiramente de maneira contínua, “loops” menores são desejáveis
Protocolo ODD Protocolo ODD (Overview, Design, Details)(Overview, Design, Details)
Estrutura útil na formulação, descrição e comunicação dos modelosEstrutura útil na formulação, descrição e comunicação dos modelos
Grimm, V., Berger, U., Bastiansen, F., Eliassen, S., Ginot, V., Giske, J., John, G.-C., Grand, T., Heinz, S. K., Huse, G., Huth, A., Jepsen, J. U. & al., E. (2006) A standard protocol for describing individual-based and agent-based models. Ecological Modelling 198: 115-126.
Grimm, V., Berger, U., DeAngelis, D. L., Polhill, J. G., Giske, J. & Railsback, S. F. (2010) The ODD protocol: a review and first update. Ecological Modelling 221: 2760-2768.
Elements of the ODD Protocol
1. Overview1. OverviewPropósito
o Que sistema estamos modelando? o O que estamos querendo aprender com isso?
Entidades, Variáveis e Escalaso Tipos de entidades: um ou mais tipos de agentes,
o ambiente onde agentes vivem e interagem (geralmente composto por unidades locais – células), ambiente “global”.
o Variáveis que caracterizam cada uma dessas entidades (estáticas ou dinâmicas)
1. Overview1. Overview
Entidades, Variáveis e Escalaso Escala temporal: resolução e extensão temporalo Escala espacial: resolução espacial
Process Overview and Scheduleo Estrutura dinâmica do modeloo Quais os processos que modificam as variáveis
que caracterizam as entidades do modelo? o Em que ordem estes processos ocorrem?
2. Design Concepts2. Design ConceptsPrincípios Básicos
o Conceitos, teorias, hipóteses, etc… o Como estes princípios estão incorporados no modelo?
Emergênciao Quais são as saídas e resultados importantes do modelo?
Quais deles emergem do mecanismo de representação do comportamento dos agentes?
Adaptaçãoo Quais comportamentos adaptativos possuem os agentes?
Como eles respondem a mudanças?
2. Design Concepts2. Design ConceptsObjetivos
o Quais são os objetivos a serem alcançados pelos agentes? Como o alcance destes objetivos pode ser mensurado (exemplo: “fitness” em ecologia, “utilidade” em economia)? Quais elementos de sucesso futuro estão presentes nesta medida (ex. sobrevivência durante o próximo ciclo, lucros, etc. )
Aprendizagem/Prediçãoo Os agentes mudam seu comportamento em consequência
de sua experiência?o Os agentes são capazes de prever condições futuras no seu
processo de adaptação? Como?o Como essa predição simulada utiliza mecanismos como
memória e aprendizagem?
2. Design Concepts2. Design ConceptsSensibilidade/Apreensão
o Quais variáveis ambientais e dos agentes são apreendidas pelos agentes e consideradas em seu comportamento.
o Quais os mecanismos de apreensão são modeladas explicitamente, existem incertezas neste processo?
Interaçãoo Como os agentes interagem? Eles interagem diretamente
uns com os outros ou esta interação é mediada?
Estocasticidadeo Como são os processos estocásticos (baseados em números
pseudo-aleatórios) utilizados no modelo e por quê?
2. Design Concepts2. Design ConceptsColetivos
o Agregação de agentes que afetam o estado ou comportamento dos indivíduos.
o Coletivos são representados no modelo? Como?
Observaçãoo Quais saídas do modelo são utilizadas para observar as
dinâmicas simuladas? o Que tipo de saída/medida é necessária para testar o modelo
e resolver o problema para o qual o modelo foi desenvolvido?
3. Details3. DetailsInicialização
o Condições iniciais da simulaçãoo Quantos agentes? Quais os valores iniciais das
variáveis?
Dados de Entradao Arquivos de dados importados ao longo das
simulações
Sub-Modelos
Outros Exemplos de Modelos Outros Exemplos de Modelos MinimalistasMinimalistas
oWealth distribution
oVirus Transmission
oClimate Change
o…
Wealth DistributionWealth Distribution Brazil ranks among the world's highest nations in the Gini
coefficient index of inequality (G = 0.55)
Source: Wikipedia
G = 0: Perfect equality (everybody has same wealth)
G = 1: Perfect inequality (all is owned by one individual)
Wealth Distribution: Gini RatioWealth Distribution: Gini Ratio
Wealth Distribution – Sugarscape ModelWealth Distribution – Sugarscape Model
“The rich get richer and the poor get poorer”
Sugarscape Model – Epstein & Axtell (1996)
Illustrates Pareto’s Law
Most of the people are poor, fewer are middle class, and very few are rich: 80/20 rule
Wealth Distribution – Sugarscape ModelWealth Distribution – Sugarscape Model
Agents
o Collect grain and eat grain to survive
o Grain accumulation = WEALTH
o Vision: high is good
o Metabolism: low is good
Movement: move to cell within vision with more grains
Replacement: Replace dead agent with random new agent
Grain grows back with rate R
Wealth Distribution – Sugarscape ModelWealth Distribution – Sugarscape ModelInitial conditions: randomly distributed
Wealth Distribution – Sugarscape ModelWealth Distribution – Sugarscape Model
Uniform random assignments of vision and metabolism still result in unequal distribution of wealth
HOW????
Wealth DistributionWealth Distribution
Non-linear distribution of wealth Resembles a power lawThe "probability" or fraction of the population f(x) that owns a small amount of wealth per person (x) is rather high, and then decreases steadily as wealth increases
PROBABILITY DENSITY FUNCTION
Pareto Distribution
Virus TransmissionVirus Transmission
Virus TransmissionVirus Transmission
http://ccl.northwestern.edu/netlogo/models/Virus
Virus TransmissionVirus TransmissionBaseline Recover > Recover <
Greenhouse EffectGreenhouse Effect
Greenhouse EffectGreenhouse Effect
http://ccl.northwestern.edu/netlogo/models/ClimateChange
Greenhouse EffectGreenhouse EffectBaseline Albedo CO2
EXERCÍCIO PARA PRÓXIMA AULA EXERCÍCIO PARA PRÓXIMA AULA (29/11)(29/11)
Selecionar um modelo minimalista e descrevê-lo Selecionar um modelo minimalista e descrevê-lo de acordo com os princípios do protocolo ODDde acordo com os princípios do protocolo ODD
Decision Support ModelsDecision Support Models
MASUS: Multi-Agent Simulator for MASUS: Multi-Agent Simulator for Urban SegregationUrban Segregation
Obstacles that Obstacles that contribute to contribute to
perpetuate povertyperpetuate poverty
Impacts of SegregationImpacts of Segregation
Policies to minimize segregation demand:Policies to minimize segregation demand: A better understanding of the dynamics of A better understanding of the dynamics of
segregation and its causal mechanismssegregation and its causal mechanisms
The Complex Nature of SegregationThe Complex Nature of Segregation
The Process Matters!The Process Matters!
Multi-Agent Simulator for Urban SegregationMulti-Agent Simulator for Urban SegregationMASUSMASUS
Scientific tool to explore alternative scenarios of segregation
Support planning actions by offering insights about the impact of policy strategies
PurposePurpose
Improve the understanding about segregation and its relation with different contextual mechanisms
MASUSMASUSMethodologicalMethodologicalStepsSteps
1. Problem analysis and objective formulation
2. Conceptual model framework
3. Theoretical specification 4. Data collection
5. Empirical parameterization
6. Programming in NetLogo
7. Verification
10. Analyses of simulated results
Next version of MASUS
Are the empirical results consistent with the theoretical specification ?
Is the program executing what is stated in the theoretical specification ?
8. Simulation experiments
9. Validation
Are the simulation outputs appropriate to represent the real target-system?
Y
NN
N
N
N
Y
Y
MASUS Conceptual ModelMASUS Conceptual Model
MASUSMASUSMethodologicalMethodologicalStepsSteps
1. Problem analysis and objective formulation
2. Conceptual model framework
3. Theoretical specification 4. Data collection
5. Empirical parameterization
6. Programming in NetLogo
7. Verification
10. Analyses of simulated results
Next version of MASUS
Are the empirical results consistent with the theoretical specification ?
Is the program executing what is stated in the theoretical specification ?
8. Simulation experiments
9. Validation
Are the simulation outputs appropriate to represent the real target-system?
Y
NN
N
N
N
Y
Y
São José dos Campos, BrazilSão José dos Campos, Brazil
São Paulo StateStudy Area
City of São José dos Campos
MASUS: Process ScheduleMASUS: Process Schedule
Decision-making sub-modelDecision-making sub-model
ALTERNATIVESALTERNATIVES• Not Move
• Move within the same neighborhood
• Move to the same type of neighborhood (n alternatives)
• Move to a different type of neighborhood (m alternatives)
Higher probability to choose alternative with higher Higher probability to choose alternative with higher utilityutility
Decision-making sub-modelDecision-making sub-model
Nesting Structure of the ModelNesting Structure of the Model
NMNL: Affluent HouseholdsNMNL: Affluent HouseholdsLevel Choice Variable Coef. Std. err.
1st MoveAge of the household head -0.040*** 0.011
Renter 2.542*** 0.425
Renter * household income -9.4(10-5) -7.5(10-5)
2nd
Move within the same neigh. Constant -2.532 *** 0.693
Move to the same type
of neighborhood
Constant -2.464 *** 0.855
Type A neighborhood 0.477 0.661
Type B neighborhood 0.062 0.495
Kids * Type A -0.368 0.636
Move to another
type of neighborhood
Constant -3.457 *** 1.053
Type A neighborhood -0.256 0.732
Type B neighborhood 1.760 *** 0.709
Kids * Type A 1.49 ** 0.784
3rd Generic
variables
Land price/ income -0.084 0.053
Real estate offers 1.4(10-3) *** 5.1(10-4)
Distance from orig. neighborhood -4.9(10-5) ** 2.5(10-5)
Distance to CBD 2.3(10-5) 2.9(10-5)
Prop. of high-income families 0.960 ** 0.503
MASUS: Process ScheduleMASUS: Process Schedule
MASUSMASUSMethodologicalMethodologicalStepsSteps
1. Problem analysis and objective formulation
2. Conceptual model framework
3. Theoretical specification 4. Data collection
5. Empirical parameterization
6. Programming in NetLogo
7. Verification
10. Analyses of simulated results
Next version of MASUS
Are the empirical results consistent with the theoretical specification ?
Is the program executing what is stated in the theoretical specification ?
8. Simulation experiments
9. Validation
Are the simulation outputs appropriate to represent the real target-system?
Y
NN
N
N
N
Y
Y
Operational ModelOperational Model
MASUSMASUSMethodologicalMethodologicalStepsSteps
1. Problem analysis and objective formulation
2. Conceptual model framework
3. Theoretical specification 4. Data collection
5. Empirical parameterization
6. Programming in NetLogo
7. Verification
10. Analyses of simulated results
Next version of MASUS
Are the empirical results consistent with the theoretical specification ?
Is the program executing what is stated in the theoretical specification ?
8. Simulation experiments
9. Validation
Are the simulation outputs appropriate to represent the real target-system?
Y
NN
N
N
N
Y
Y
Simulation ExperimentsSimulation Experiments
Comparing simulation outputs with Comparing simulation outputs with empirical dataempirical data
Testing theoretical issuesTesting theoretical issues
Testing anti-segregation policy strategiesTesting anti-segregation policy strategies
Comparison with Empirical DataComparison with Empirical Data
Initial condition: São José dos Campos in Initial condition: São José dos Campos in 19911991• Import GIS layers (households, environment)Import GIS layers (households, environment)
• Set parametersSet parameters
Run 9 annual cyclesRun 9 annual cycles
Compare simulated results with real data Compare simulated results with real data (year 2000)(year 2000)
Comparison with Empirical DataComparison with Empirical DataDissimilarity Index (local scale)
Initial State (1991)
Simulated Data (1991-2000)
Real Data (2000)
0.54
0.31
0.15
0.51
0.30
0.19
0.51
0.30
0.19
Comparison with Empirical DataComparison with Empirical DataIsolation Poor Households (local scale)
Initial State (1991)
Real Data (2000)
0.54 0.51 0.51
Simulated Data (1991-2000)
Comparison with Empirical DataComparison with Empirical DataIsolation Affluent Households (local scale)
Initial State (1991)
Real Data (2000)
0.15 0.19 0.19
Simulated Data (1991-2000)
Testing a theoryTesting a theory
How does inequality affect segregation? How does inequality affect segregation? Relation between both phenomena has caused controversy
in scientific debates
Experiment Compare 3 scenarios 1991-2000
Scenario 1: Previous run (baseline)Scenario 2: Decreasing inequalityScenario 3: Increasing inequality
Testing a theoryTesting a theory
Inequality (Gini) Proportion Poor HH Proportion Affluent HH
Scenario 1 (Original) Scenario 2 (Low-Ineq.) Scenario 3 (High-Ineq.)
Dissimilarity Isolation Poor HH Isolation Affluent HH
Testing policy strategiesTesting policy strategies
Experiment Compare 3 scenarios
Scenario 1 no voucher (baseline)
Scenario 2 200 – 1700 vouchers
Scenario 3 400 – 4200 vouchers
Poverty Dispersion vs. Wealth DispersionPoverty Dispersion vs. Wealth Dispersion
Poverty Dispersion: housing vouchers to poor families
Testing policy strategiesTesting policy strategies
Scenario 1 No voucher (baseline)
Scenario 2 200 - 1700 vouchers
(2.3%)
Scenario 3 400 - 4200 vouchers
(5.8%)
Dissimilarity Isolation Poor HH
Isolation Affluent HH
2.3 - 3.5 %5.8 - 10.7%
2.3 - 1.7 %5.8 - 3.4%
2.3 - 5.7 %5.8 - 8.3 %
Testing policy strategiesTesting policy strategies
Poverty DispersionPoverty Dispersion
Demands high and continous investment to decrease Demands high and continous investment to decrease poverty isolationpoverty isolation
Poverty Dispersion vs. Wealth DispersionPoverty Dispersion vs. Wealth Dispersion
Slows down the increase in segregation, but does not Slows down the increase in segregation, but does not change the trendschange the trends
Testing policy strategiesTesting policy strategies
Poverty Dispersion vs. Wealth DispersionPoverty Dispersion vs. Wealth Dispersion
ExperimentExperiment Compare 2 scenariosCompare 2 scenarios
Scenario 1 (baseline)
Scenario 2 new areas for upper classes
Urban areas in 1991Undeveloped areas for upper classes
Wealth Dispersion: Wealth Dispersion: Incentives for constructing residential Incentives for constructing residential developments for upper classes in poor regions of the citydevelopments for upper classes in poor regions of the city
Testing policy strategiesTesting policy strategies
Scenario 1 baseline
Scenario 2 new areas for upper
classes
Dissimilarity Isolation Poor HH
Isolation Affluent HH
Testing policy strategiesTesting policy strategies
Wealth DispersionWealth Dispersion
Produces long-term outcomesProduces long-term outcomes
Poverty Dispersion vs. Wealth DispersionPoverty Dispersion vs. Wealth Dispersion
More effective at decreasing large-scale segregationMore effective at decreasing large-scale segregation
E.g. Dissimilarity 2010E.g. Dissimilarity 2010
local scale (700m): - 19%local scale (700m): - 19%
large scale (2000m): - 36%large scale (2000m): - 36%
Testing policy strategiesTesting policy strategies
Wealth DispersionWealth Dispersion
Positive changes in the spatial patterns of segregationPositive changes in the spatial patterns of segregation
Poverty Dispersion vs. Wealth DispersionPoverty Dispersion vs. Wealth Dispersion
Baseline2010
Wealth Dispersion2010
Laboratory for testing theories and policy approaches Laboratory for testing theories and policy approaches on segregationon segregation
Does Does notnot focus on making predictions focus on making predictions
Exploratory tool, framework for assembling relevant Exploratory tool, framework for assembling relevant informationinformation
Multi-Agent Simulator for Urban SegregationMulti-Agent Simulator for Urban SegregationMASUSMASUS
Um cUm contador de históriasontador de históriasModelos de simulação contam uma história
A história pode ser boa ou não…
Pode ser sobre o presente, passado ou futuro…
FERRAMENTA PARA COMPARTILHAR VISÕES, LEVANTAR DÚVIDAS, ESTRUTURAR DISCUSSÕES E DEBATES
Mas oferece uma outra maneira de examinar a situação!