# Системная динамика MIT: как моделировать инерцию и сложные системы Источник: https://www.youtube.com/watch?v=K1ThW9V0Ctc Канал: MIT OpenCourseWare Опубликовано: 20.10.2026 --- Если вы строите модель и пытаетесь объяснить её поведение интуитивно, с вероятностью 99% вы ошибаетесь. В системной динамике истинные причины рыночных пузырей и транспортных коллапсов скрыты за биологическими задержками и инерцией человеческого восприятия, которые невозможно просчитать «на глаз». Профессор MIT Хазир Рахмандад объясняет, как превратить моделирование из упражнения со статистикой в мощный инструмент консалтинга, способный предсказывать долгосрочные последствия управленческих решений. ## 🎓 Системная динамика: от учебной теории к профессиональному моделированию [[JUMP:00:13]] Первая сессия курса 15.879 «System Dynamics Research Seminar» в MIT посвящена переходу от базовых концепций к уровню профессионального исследователя или консультанта [0:13]. Ведущий семинара, Хажир Рахмандад, подчеркивает, что этот курс — лишь одна из четырех итераций программы, которая сменяется каждые два года [0:26]. Основная задача данного семестра — восполнить критический пробел между знаниями, полученными на вводных курсах по системной динамике, и навыками, необходимыми для реализации серьезных проектов в реальном мире [0:44]. ### Структура и методология семинара [[JUMP:03:01]] Обучение построено по принципу «hands-on» — максимальное погружение в практику моделирования [03:16]. Каждое трехчасовое занятие делится на два ключевых блока: 1. **Разбор и критика моделей.** Студенты заранее загружают свои наработки в общее облако, после чего преподаватель случайным образом выбирает несколько работ для публичного анализа [06:28]. Процесс коллективного поиска ошибок и возможностей для улучшения — центральный элемент обучения [06:56]. 2. **Архитектурное проектирование.** Вторая, меньшая часть занятия отводится под обсуждение задачи на следующую неделю [07:12]. Здесь определяются высокоуровневые архитектурные решения, чтобы студенты не оставались один на один с концептуальными сложностями при переходе к детальному моделированию [07:28]. Ранее в разговоре Хажир упоминал, что такой формат позволяет не только текущим студентам, но и будущим слушателям OpenCourseWare калибровать свои навыки, сравнивая собственные решения с критикой в классе [09:04]. Процесс моделирования здесь рассматривается как итеративный: постепенное добавление блоков, их осмысление и последующее расширение системы [23:42]. ### Спектр применения моделей: от консультаций до прогнозирования [[JUMP:11:59]] Системная динамика не является монолитным инструментом; она охватывает широкий спектр типов моделей в зависимости от целей проекта [11:59]. Хажир Рахмандад выделяет несколько ключевых категорий использования: * **Процессное консультирование (Process Consultation).** Модели выступают в роли «артефактов», помогающих стейкхолдерам прийти к общему пониманию сложной проблемы [13:20]. Здесь целью является не столько точный прогноз, сколько выявление ментальных моделей и сближение позиций участников группы [14:02]. * **Теоретические инсайты.** Это упрощенные модели, часто встречающиеся в академических журналах по менеджменту [14:41]. Они не претендуют на эмпирическую точность в конкретном случае, но помогают осознать механизмы, которые человеческий мозг не способен просчитать самостоятельно [14:57]. * **Прогнозирование и поддержка решений.** Для задач с долгосрочным горизонтом планирования (например, моделирование динамики COVID-19) требуются высокодетализированные и калиброванные системы [16:36]. Если краткосрочные прогнозы эффективнее делать методами машинного обучения, то для понимания долгосрочных петель обратной связи системная динамика незаменима [17:14]. * **Специфическая поддержка инвестиций.** В случаях крупных сделок или судебных разбирательств, где цена ошибки измеряется миллионами долларов, оправдано создание сложных моделей стоимостью в сотни тысяч долларов [18:10]. В рамках данного курса фокус сосредоточен на моделях малого и среднего размера [20:36]. Они достаточно детальны, чтобы давать стратегические инсайты, но при этом остаются обозримыми для глубокого понимания структуры обратных связей [21:30]. ## 🧭 Процесс и архитектура системного моделирования [[JUMP:25:15]] Системная динамика — это не только техническое построение уравнений, но и искусство управления ожиданиями и структурирования неопределенности. Процесс перехода от ментальных моделей стейкхолдеров к работающей симуляции требует соблюдения четкой методологии, которая начинается задолго до написания первой строки кода. ### Метод «Momentum Policies» (Политики импульса) [[JUMP:25:15]] При работе с прагматичными заказчиками важно зафиксировать их текущие убеждения еще до начала моделирования. Этот метод называется «Momentum Policies» (политики импульса). Стейкхолдеры всегда приходят с определенными априорными представлениями о том, какое решение будет «правильным» [25:28]. Хазир Рахмандад подчеркивает необходимость формализовать эту стартовую позицию по нескольким причинам. Во-первых, это дает моделеру понимание того, какие именно структуры должны быть отражены в модели, чтобы она могла адекватно проанализировать предлагаемые заказчиком стратегии [25:54]. Во-вторых, процесс моделирования неизбежно меняет мышление людей. Через несколько месяцев работы выводы могут казаться очевидными, и заказчики могут забыть, с чего они начинали [27:15]. «Политики импульса» служат той самой «вешкой в земле», которая позволяет наглядно продемонстрировать, как далеко продвинулось стратегическое видение команды и какую ценность добавил проект к их пониманию проблемы [26:21]. Это критически важно для доверия, так как люди редко доверяют «черным ящикам», предпочитая постепенную трансформацию собственного мышления в ходе участия в разработке [27:01]. ### Важность итеративного процесса моделирования [[JUMP:28:20]] Построение модели — это путь, состоящий из малых, осознанных шагов. Начинающим исследователям рекомендуется брать «простейший кусок», который они в состоянии смоделировать, понимать его поведение и только потом двигаться дальше [28:33]. Попытка включить все переменные сразу — верный способ создать «громоздкого зверя», который рухнет под собственным весом и не сможет ничего донести до аудитории [34:58]. Итерация включает в себя обязательный этап анализа, который Рахмандад называет самым недооцененным элементом процесса [29:27]. * **Моделирование:** добавление структуры, которую вы в состоянии контролировать [28:46]. * **Анализ:** глубокое понимание того, почему модель ведет себя именно так [29:40]. Без этого шага невозможно генерировать инсайты для других. * **Расширение:** добавление новых уровней сложности только после того, как предыдущие механизмы стали прозрачными [29:15]. Профессор отмечает, что даже опытные специалисты часто присылают работы с моделями, которые они сами до конца не понимают [29:40]. Исправление этого подхода позволяет моделеру сразу оказаться впереди 70–80% коллег по качеству генерируемых выводов [29:58]. ### Определение проблемы и архитектурный выбор [[JUMP:33:12]] Нечеткое определение проблемы — одна из главных причин провала проектов [33:12]. Фокус на конкретной проблеме является фильтром, который диктует, какие переменные войдут в модель, насколько детальной она будет и какие данные потребуются [34:04]. Рахмандад выделяет три подхода к определению проблемы: 1. **Reference Mode (Ориентир на поведение):** Использование исторических графиков поведения системы (например, стагнация прибыли после роста) для построения гипотез о механизмах [35:39]. 2. **Mechanism driven (Ориентир на механизмы):** Исследование специфических структур, таких как конкуренция двух акторов или эффект «сарафанного радио» (модель Басса), для понимания их долгосрочных последствий [37:12]. 3. **Policy driven (Ориентир на политику):** Ответ на конкретные вопросы заказчика «Что если мы сделаем X вместо Y?» [39:43]. Этот путь наиболее привлекателен для клиентов, но сложен для новичков из-за неопределенности в выборе уровня детализации [40:49]. Архитектурный выбор также включает установку временного горизонта [44:15] и границ модели (что внутри системы, а что — внешние факторы) [42:09]. Если каждое решение о включении переменной опирается на разные определения проблемы, это сигнал о необходимости сузить фокус [43:34]. ### Уровни агрегации: точность против простоты [[JUMP:44:47]] Выбор уровня детализации — это баланс между концептуальной ясностью и операционной точностью. Системные динамики обычно придерживаются эвристики: «чем агрегированнее, тем лучше» [45:01]. Высокая агрегация позволяет быстрее получать обратную связь, упрощает анализ петель обратной связи и делает модель понятной для стейкхолдеров [45:14]. Однако существуют веские аргументы в пользу детализации (дизагрегации): * **Наличие данных:** Если есть качественные данные на уровне индивидов или секторов, агрегация приведет к потере статистической мощности [48:29]. * **Внутренняя консистентность:** Иногда пропуск деталей, например механизмов ценообразования, делает модель логически нестабильной [47:18]. * **Рычаги управления:** Лицам, принимающим решения, часто нужны переменные на том уровне детализации, с которым они работают ежедневно [47:48]. Таким образом, агрегация — это не догма, а сознательный выбор, продиктованный балансом между широтой границ модели и глубиной проработки конкретных механизмов [49:10]. ## 🧠 Аналитическое управление моделью и выбор структуры [[JUMP:55:50]] Процесс системного моделирования часто сталкивается с проблемой «пустого экрана», когда исследователь не знает, с чего начать или как развивать структуру [53:40]. Хажир Рахмандад подчеркивает, что ключом к успеху является итеративный подход: добавление небольших фрагментов (chunks), их тщательный анализ и обязательная проверка гипотез через разрыв связей [53:53]. Анализ — это не просто наблюдение за графиками, а строгий процесс, занимающий до 50% времени всего проекта [1:00:49]. ### Методы анализа: гипотеза и причинно-следственная трассировка [[JUMP:55:50]] Когда модель демонстрирует определенное поведение — например, осцилляции или экспоненциальный рост — исследователь должен объяснить его причину [56:02]. Однако Рахмандад предупреждает: попытка угадать причину «на глаз», просто глядя на структуру, в 99% случаев приводит к ошибке [56:33]. Вместо этого предлагается метод **причинно-следственной трассировки (causal tracing)** [56:47]: 1. **Двойной клик на переменной**: Исследователь выбирает ключевой показатель (например, объем продаж) и изучает факторы, которые на него влияют напрямую [57:01]. 2. **Поиск ведущего драйвера**: Среди нескольких драйверов обычно выделяется один, чей график поведения наиболее схож с итоговым поведением системы [57:13]. 3. **Движение назад по цепи**: Процесс повторяется для выбранного драйвера, пока исследователь не придет к одному из двух результатов: либо он обнаружит экзогенный вход (внешний шок), либо замкнет цепочку, обнаружив петлю обратной связи [57:39]. Именно найденная петля обратной связи становится основной гипотезой [57:52]. Ранее в обсуждении упоминалась важность итеративного процесса, но на этом этапе анализ переходит к фазе экспериментальной проверки [58:17]. ### Проверка гипотез через разрыв структуры [[JUMP:58:33]] Сформулированная гипотеза — это лишь предположение о том, что «петля А вызывает поведение Б» [58:33]. Чтобы доказать это научно, необходимо **разрушить (disrupt) эту петлю**, не затрагивая при этом остальную структуру системы [58:47]. Если после разрыва связи целевое поведение исчезает или радикально меняется, это служит весомым доказательством в пользу гипотезы [59:02]. Для прагматичного моделиста такая проверка является достаточным основанием, чтобы двигаться дальше [59:16]. В противном случае необходимо возвращаться к трассировке и искать иные пути влияния, которые были упущены [59:29]. После того как основные режимы поведения объяснены, проводится финальный стресс-тест: * Изменение всех параметров модели (в Vensim это делается одной кнопкой) на 10% [59:56]. * Предсказание направления изменений (вырастет ли прибыль при росте параметра X?) до запуска симуляции [1:00:09]. * Если предсказания не совпадают с результатами, интуиция моделиста о системе еще не до конца сформирована [1:00:37]. ### Проблема агрегации и концептуальных наложений [[JUMP:1:01:50]] Выбор уровня агрегации — одна из самых сложных архитектурных задач, так как неверное решение трудно отменить из-за «ловушки невозвратных затрат» [1:02:18]. Ранее кратко затрагивалась архитектура модели, но здесь Рахмандад подчеркивает риск **несбалансированности** [1:05:58]. Распространенный пример: эпидемиологические модели, которые отслеживают перемещение каждого отдельного человека в городе, но при этом игнорируют психологический фактор восприятия риска, который может изменить динамику заражений на порядок [1:05:19]. В таком случае детальность модели бесполезна, так как огромная вычислительная мощность тратится на маржинальные детали, пока критические факторы обратной связи упущены [1:06:13]. Для борьбы с этим рекомендуется использовать **принцип MECE** (mutually exclusive, collectively exhaustive — взаимно исключающие, совместно исчерпывающие) [1:10:21]: * Переменные не должны пересекаться концептуально (например, не стоит вводить одновременно «мораль», «удовлетворенность работой» и «мотивацию», если они описывают одно и то же состояние) [1:07:52]. * Запасы (Stocks) должны быть четко разделены: один и тот же человек или предмет не может находиться в двух запасах одновременно [1:10:36]. Если исследователь сомневается, подходит ли агрегированный уровень для решения задачи, Рахмандад предлагает построить «игрушечную» модель (toy model) на индивидуальном уровне, чтобы проверить, совпадают ли её макро-результаты с упрощенными уравнениями [1:11:59]. ### Библиотека «молекул» и отказ от инноваций в формулах [[JUMP:1:13:23]] При написании уравнений Рахмандад дает неожиданный совет: **не изобретайте велосипед** [1:13:36]. Сообщество системной динамики за десятилетия выработало стандартные формулировки для типичных задач. Использование «молекул» (термин Джима Хайнса) позволяет избежать логических ошибок и ускорить работу [1:14:18]. Эти молекулы организованы иерархически: * В основе лежит простой запас (Stock) [1:14:31]. * От него строятся более сложные структуры: пропорциональное разделение (proportional split), сокращение разрыва (closing the gap), потоки опыта (experience coflows) [1:14:43]. Понимание этой генеалогии формул (например, что «сглаживание первого порядка» является родителем для более сложных «потоков опыта») позволяет моделисту строить прозрачные и надежные системы, опираясь на проверенную методологическую базу [1:15:09]. ## 🧠 Дисциплина формулировок и динамика пузырей [[JUMP:1:13:36]] Во второй половине лекции фокус смещается с общей архитектуры на микроуровень моделирования — то, как именно записываются уравнения и структурируется логика внутри системы. Профессор Хазир Рахмандад подчеркивает, что качественная модель — это не та, где параметры подогнаны под график, а та, где каждое уравнение отражает реальные физические или поведенческие механизмы [1:21:44]. ### Использование «молекул» и правило трёх [[JUMP:1:13:36]] Одной из центральных концепций курса является использование «молекул» — стандартных, проверенных временем формулировок для типовых процессов [1:15:23]. Вместо того чтобы каждый раз изобретать велосипед, моделисту предлагается оперировать готовыми блоками, имеющими предсказуемое поведение. Основные принципы работы с «молекулами»: * **Идентификация входов и выходов:** Каждый блок должен иметь четко определенные границы — что он получает из остальной модели и что отдает [1:16:04]. * **Предсказание поведения:** Прежде чем вставлять «молекулу» в сложную систему, необходимо протестировать её реакцию на стандартные импульсы: скачок, рампу или осцилляцию [1:16:33]. * **Отказ от излишних инноваций:** Рахмандад иронично замечает, что за весь семестр студентам разрешено «инновационное» (новое) уравнение не более одного раза; всё остальное должно базироваться на существующих структурах [1:17:29]. По-настоящему новые формулировки в системной динамике — это событие, достойное отдельной научной публикации [1:17:56]. Для поддержания прозрачности логики вводится «правило трёх»: в одном уравнении не должно быть более трех входных переменных [1:20:09]. Это позволяет избежать создания «черных ящиков», которые невозможно объяснить заказчику или диагностировать при возникновении ошибок [1:20:34]. Также рекомендуется минимизировать использование дискретных функций типа `if/then/else`, так как они создают разрывы, затрудняющие анализ динамики [1:21:00]. ### Проверка размерностей и ловушка «подгонки» [[JUMP:1:21:29]] Простейшим, но самым мощным инструментом контроля качества формулировок является проверка консистентности единиц измерения [1:21:29]. Если левая часть уравнения измеряется в «долларах в год», а правая — в «лошадях», модель логически ошибочна, какими бы красивыми ни были графики на выходе. Хазир предостерегает от самой опасной ошибки новичков — **погони за желаемым поведением** (chasing a desired behavior) [1:22:01]. Часто исследователи пытаются заставить модель соответствовать историческим данным (reference mode), просто манипулируя параметрами или добавляя случайные структуры, чтобы «кривая совпала» [1:22:29]. * Это ведет к созданию избыточно сложных систем, которые сам автор перестает понимать [1:22:55]. * Вместо слепого поиска в пространстве параметров (blind search) необходимо добиваться нужного поведения через понимание внутренней структуры [1:23:34]. Если модель не выдает нужный результат, нужно проследить причинно-следственные связи, а не «выкручивать ручки» наугад. ### Рынок породистых лошадей: анатомия пузыря [[JUMP:1:25:28]] Практическое применение этих принципов рассматривается на классическом кейсе Джона Стермана — рынке чистокровных скаковых лошадей [1:25:56]. Этот рынок демонстрирует классический цикл «бум-крах», характерный для спекулятивных активов. Ключевые механизмы модели [1:27:47]: 1. **Биологические задержки:** Предложение не может вырасти мгновенно из-за времени, необходимого на разведение и выращивание жеребца до рыночного возраста [1:28:20]. 2. **Формирование ожиданий:** Рост цен порождает ожидания дальнейшего роста, что превращает лошадь из животного в финансовый актив [1:28:46]. Инвесторы начинают рассчитывать на прирост капитала (capital gains), а не только на призовые от гонок [1:29:00]. 3. **Статусное потребление:** Для сверхбогатых людей владение элитной лошадью становится вопросом престижа [1:29:28]. Это создает петлю положительной обратной связи: чем выше цена, тем выше статусность, тем больше спрос [1:29:44]. Ранее в разговоре лектор упоминал важность итеративного моделирования, и здесь это проявляется в выборе аудитории: модель для социологического журнала будет фокусироваться на качественных петлях и долгосрочных циклах для построения теории [1:35:08], в то время как модель для инвестора потребует глубокой агрегации, учета процентных ставок и внешних шоков [1:36:19]. ## 🧠 Источники инерции и выбор фондов (Stocks) [[JUMP:1:40:14]] В системной динамике переход от концептуальных схем к количественному моделированию начинается с идентификации «источников инерции» — фундаментальных процессов, которые создают задержки и определяют временные горизонты системы [1:41:27]. Хажир Рахмандад подчеркивает, что выбор фондов (накопителей) — это не просто перечисление существующих объектов, а архитектурное решение, зависящее от аудитории и целей исследования [1:42:20]. ### Определение источников инерции [[JUMP:1:40:34]] Процесс моделирования начинается с выявления высокоуровневых факторов, которые мешают системе мгновенно реагировать на изменения. В контексте рынка породистых лошадей (который ранее обсуждался как пример спекулятивного пузыря) участники семинара выделяют несколько типов инерции: * **Биологические процессы:** Задержка между решением о разведении и моментом, когда лошадь физически готова к выходу на рынок (maturity delay) [1:40:48]. Это включает беременность кобыл и период роста жеребят [1:41:42]. * **Восприятие и психология:** Инерция в обновлении ожиданий относительно изменения цен [1:43:20]. Процессы восприятия часто отстают от реальности, создавая временной лаг между фактическим изменением рыночной ситуации и реакцией инвесторов [1:42:07]. * **Принятие решений:** Задержки, связанные с административными или инвестиционными процессами — от момента фиксации прибыли до решения о выходе с рынка [1:44:25]. Рахмандад отмечает, что «источник инерции» — это более абстрактное понятие, чем «фонд» [1:41:27]. Например, можно назвать «предложение породистых лошадей» источником инерции, но для моделирования этого недостаточно — нужно уточнить, имеем ли мы в виду всех лошадей, только молодняк или тех, кто уже выставлен на продажу [1:46:52]. ### Стратегия выбора фондов для специфической аудитории [[JUMP:1:49:47]] Выбор уровня агрегации фондов критически зависит от того, для кого строится модель. Если целью является публикация в теоретическом социологическом журнале, модель не должна быть перегружена деталями [1:50:13]. Для описания популяции лошадей в такой статье Рахмандад предлагает ограничиться цепочкой из двух-трех фондов: 1. **Молодняк (Juvenile):** Жеребята, которые еще не могут участвовать в скачках [1:52:49]. 2. **Скаковой возраст (Racing age):** Активные участники рынка [1:53:46]. 3. **Статус после завершения карьеры (Retirement):** Хотя этот фонд важен для биологии, для модели спекуляции им можно пренебречь, если он не влияет на цену [1:53:05]. Разделение по полу (жеребцы и кобылы) может быть избыточным для социологического исследования, если только динамика спаривания не является ключевым драйвером спекуляции [1:52:19]. Вместо создания отдельных фондов для разведения можно использовать вспомогательную переменную «доля лошадей, выделенных для воспроизводства» [1:54:29]. Если временной горизонт модели составляет 20 лет, кратковременная задержка в несколько месяцев на период беременности становится незначительной и может быть поглощена общей инерцией принятия решений [1:56:08]. ### Моделирование нематериальных активов: цена и статус [[JUMP:1:57:55]] Помимо физических объектов, фондами в системе часто становятся абстрактные величины, обладающие накопленным эффектом: * **Ожидаемая цена:** Для формирования прогнозов используются стандартные «молекулы» системной динамики, такие как функция тренда [1:58:22]. Обычно это требует двух фондов для корректного отслеживания скорости изменения цены во времени [1:58:36]. В статьях такие математические детали рекомендуется выносить в онлайн-приложения, чтобы не отвлекать читателя от основной логики [2:01:12]. * **Социальный статус:** Атрибуция ценности владения лошадью — крайне инертный процесс [1:59:28]. Рахмандад предлагает моделировать статус как отдельный фонд, который медленно меняется под влиянием рыночных сигналов [1:59:42]. * **Якорная цена и спрос:** Спрос часто моделируется через механизм «якоря и регулировки» (anchor and adjustment), где текущий уровень спроса является фондом, который постепенно подстраивается под внешние силы: рост цен или престижность владения [2:02:50]. Интересно, что «наличие денег у инвесторов» в данном случае Рахмандад предлагает не выделять в отдельный фонд [2:03:44]. Несмотря на то, что деньги физически являются фондом, на рынке элитных лошадей они редко становятся связующим ограничением (binding constraint), так как инвестиции в лошадей составляют ничтожную долю от общего капитала участников этого рынка [2:04:14]. ## 🚢 Транспортная система и эпидемиология: динамика больших городов [[JUMP:02:06:38]] Моделирование городских систем требует понимания того, как физическая инфраструктура взаимодействует с психологией жителей. Простой анализ пробок невозможен без учета «скрытых» переменных, таких как восприятие времени и социальные предпочтения. Ранее в разговоре лектор упоминал важность выбора правильных фондов (stocks) для адекватного отражения инерции системы, и транспортная модель Джона Стермана из главы 5 его учебника — идеальный полигон для применения этих знаний [02:08:27]. ### Анализ пробок: компромисс между дорогами и транзитом [[JUMP:02:06:38]] Центральная проблема транспортного планирования заключается в том, что строительство новых дорог часто приводит к парадоксальным результатам. Основной мерой перегруженности здесь выступает время в пути (travel time) [02:06:50]. Когда время в пути увеличивается, возникает «давление» с целью снизить заторы, что обычно приводит к расширению пропускной способности шоссе [02:07:03]. Однако этот процесс запускает цепочку обратных связей: * **Привлекательность вождения:** Увеличение дорожной сети делает поездки на авто более комфортными, что стимулирует людей совершать больше поездок в день и выбирать более длинные маршруты [02:07:18]. * **Кризис общественного транспорта:** Рост популярности автомобилей снижает доходы транзитных систем, что ведет к падению качества общественного транспорта и его «адекватности» [02:07:46]. * **Субурбанизация:** Доступность шоссе стимулирует расширение региона. Люди переезжают дальше от центра, что вынуждает их покупать больше машин и ещё сильнее зависеть от личного транспорта [02:08:13]. Хазир Рахмандад подчеркивает, что для мэра города, планирующего стратегию на 10–20 лет, важно видеть этот долгосрочный компромисс, в то время как для комиссара по транзиту, чей горизонт планирования составляет год, такие детали могут быть избыточны [02:10:53]. ### Источники инерции в городской среде [[JUMP:02:11:10]] Ключевым элементом моделирования являются «фонды» (stocks), которые создают задержки и определяют динамику системы на десятилетия. В ходе дискуссии участники выделили несколько критических источников инерции: 1. **Строительные задержки:** Время, необходимое для физического возведения новых дорог и развязок [02:11:52]. 2. **Социальные предпочтения:** Культурная привычка водить машину вместо использования метро [02:12:34]. На горизонте 20–30 лет эти предпочтения меняются и должны быть выделены в отдельный фонд, тогда как в краткосрочном периоде (1–5 лет) их можно считать константой [02:13:18]. 3. **Расселение населения:** Распределение людей между городскими и пригородными районами [02:14:01]. Это «эндогенный выбор», на который напрямую влияет пропускная способность шоссе [02:14:44]. Особое внимание Рахмандад уделил **воспринимаемому качеству** (perceived quality) [02:16:28]. С точки зрения физики, количество людей в поезде — это фонд, но их время пребывания там исчисляется минутами, что не дает инерции в масштабе десятилетий [02:15:48]. Настоящий драйвер системы — это накопленное восприятие того, насколько общественный транспорт чист, безопасен и экономит время по сравнению с поездкой на авто [02:18:17]. Для моделирования этого предлагается использовать «нормированное время в пути», которое агрегирует стоимость, ожидание и комфорт в единый показатель [02:18:58]. ### Эпидемиологическая модель SIR: расширение и поведенческие факторы [[JUMP:02:22:11]] Завершающая часть сессии посвящена подготовке к моделированию эпидемий на примере COVID-19. Классическая модель SIR (Susceptible-Infectious-Recovered), известная с 1920-х годов [02:22:36], расширяется тремя критическими модулями для придания ей реалистичности: * **Поведенческий отклик на риск:** Это ключевая обратная связь. Когда смертность от вируса растет, люди начинают вести себя осторожнее: остаются дома и сокращают контакты, что замедляет распространение инфекции [02:22:51]. * **Затухание иммунитета (Waning immunity):** В отличие от некоторых болезней, дающих пожизненную защиту, иммунитет к COVID-19 со временем ослабевает [02:23:04]. Это превращает поток из «Выздоровевших» обратно в «Восприимчивых», создавая циклическую динамику. * **Вакцинация:** Введение отдельного механизма, позволяющего переводить людей в защищенное состояние искусственно [02:23:30]. Рахмандад рекомендует студентам придерживаться максимального уровня агрегации (простоты), если целью является получение концептуальных выводов для политики здравоохранения, а не создание детального операционного инструмента [02:24:52]. Ранее обсуждавшееся правило ограничения входов в формулировки здесь становится критическим, чтобы модель оставалась интерпретируемой [02:25:04].