点击蓝字
关注我们
谢林隔离模型由美国经济学家托马斯·克罗姆比·谢林建立,揭示了种族和收入隔离背后的原理。
我们以纽约市人口的收入分布情况为例,假设人们希望周围至少有30%的邻居和自己收入差不多,如果低于30%,人们就会搬家寻找更合适的地方。那么在纽约这样的城市最终会形成什么样的人口收入分布呢?
结果1:
当人们希望身边30%的邻居和自己收入水平相当的时候:1. 每个人初始拥有了49.1%和自己收入相当的邻居;2. 有17.4%人们不满意自己的邻居的收入。
人们经过不停的搬家之后,最终都稳定下来,人们平均拥有76.3%的邻居和自己的收入水平相当,并且形成了宏观上收入水平的隔离。
结果2:
但是如果我们把隔离阈值设为80%,也就是人们希望大部分邻居(80%)同自己收入相当,是否会出现绝对隔离了?
研究发现,由于高度隔离值,人们会不停的搬家,无法产生一个均衡状态,并未形成收入的隔离。
从上面的例子中我们发现,人们宽容的允许身边有各种收入阶层的人存在(30%的收入相当的邻居),但是最终却形成了隔离;而只想和收入等级相同(80%)的邻居居住的社区却形成不了收入隔离。
在仿真模型代码编写或者人工智能具体的应用场景的实践过程中,都包含着我们对个体或群体假定。面对复杂的社会,对于无法量化的特征或者复杂的场景,我们在代码编写过程,常采用随机性来解决这种问题,如何在个体和群体、低度社会化和过度社会化之间找到平衡,同时如何把这种模式代码化,这是一个问题。算法的构建不仅是一个技术层面的编码,同时还包含了数据工程师对社会场景、个人、群体的认知与假定。因此在计算社会科学的发展路径中,算法审计是一个重要的研究方向。
作者:
刘金龙 百度公益基金会
李佳珂 中国社会科学院大学(研究生院)社工系
往期推荐:
社计未来
欢迎关注我们!
原文始发于微信公众号(社计未来):社计文库 | 谢林隔离模型与算法审计的讨论