Сложные системы в экономике и социальных науках

Применение идей теории сложных систем к экономике и социальным наукам формирует новую парадигму — «сложностная экономика» — в противовес традиционным равновесным моделям. Эта парадигма лучше объясняет экономические кризисы, неравенство и инновационные скачки.

Сложностная экономика (Complexity Economics)

Традиционная неоклассическая экономика: агенты рациональны и однородны, рынки стремятся к равновесию, прогноз — описание отклонений вокруг равновесия. Эта картина удобна математически, но плохо объясняет кризисы, неравенство и инновации.

Сложностная экономика (У.Брайан Артур, SFI, 1994–2020): агенты с ограниченной рациональностью (bounded rationality, Саймон). Гетерогенные стратегии: фундаменталисты, технари, трендфоллоэры. Адаптивные ожидания (не рациональные). Экономика = постоянно эволюционирующая экосистема, а не механизм в равновесии.

Эксперимент SFI (Санта-Фе): ABM фондового рынка (Palmer et al., 1994): 100 трейдеров-агентов с разными стратегиями торгуют акциями. Стратегии эволюционируют через генетический алгоритм (лучшие стратегии выживают). Результаты: технические трейдеры (chartists) сосуществуют с фундаменталистами; волатильность «кластеризуется»; пузыри возникают спонтанно. Воспроизводит реальный рынок лучше DSGE-моделей.

Финансовые рынки как сложные системы

Стилизованные факты рынков (Cont, 2001): 11 устойчивых статистических свойств, не объясняемых гипотезой эффективного рынка:

Тяжёлые хвосты доходностей: P(|r| > x) ~ x^{−α}, α ≈ 3 (закон «кубического хвоста»)
Кластеризация волатильности (GARCH-эффект): большие колебания следуют за большими
Отсутствие автокорреляции доходностей, но сильная автокорреляция |rₜ| и rₜ²
Долгая память волатильности: ACF(|rₜ|) убывает как t^{−β}, β ≈ 0.2

Эти факты воспроизводят ABM-модели, но не стандартные DSGE.

Флэш-краши: 6 мая 2010 — индекс Dow Jones упал на 1000 пунктов за 36 минут и почти полностью восстановился. Причина: каскадный сбой в системе алгоритмической торговли — эффект сложной системы. Алгоритмы, реагирующие на движение цен, создали самоусиливающуюся петлю обратной связи.

Системный риск и «слишком связанные, чтобы упасть»: Сеть межбанковских связей — безмасштабная. Банкротство хаба (Lehman Brothers, 2008) → каскадные дефолты. Миф о диверсификации: риск рос с ростом взаимосвязанности (парадокс Мэя для финансов).

Экономика сетей и рыночные платформы

Сетевые эффекты: ценность сети для пользователя растёт с числом пользователей. Метакалф: V ~ n². Facebook, Uber, Amazon извлекают ценность из сетевых эффектов.

Критическая масса: ниже порога пользователей → сеть не жизнеспособна. Выше → экспоненциальный рост. Объясняет «winner-takes-all»: сеть с чуть большей долей рынка получает ещё больше пользователей → монополия.

Двусторонние рынки: платформа связывает два типа агентов (покупатели+продавцы на Amazon, разработчики+пользователи iOS/Android). Ценообразование сложное: часто одну сторону субсидируют (WhatsApp бесплатен, монетизация через рекламу другой «стороны»).

Городская сложность и масштабные законы

Масштабные законы городов (Бетенкур, Уэст, 2007): для N > 100 тысяч городов мира, W ~ N^β:

β > 1 (суперлинейное): зарплаты (β=1.15), патенты/инновации (β=1.27), ВВП (β=1.13), преступность (β=1.16), болезни (β=1.23)
β < 1 (субинтенсивное): длина дорог (β=0.83), число заправок (β=0.77), потребление электроэнергии (β=0.87)

Интерпретация: большие города экономят на инфраструктуре (β<1 — экономика масштаба) и генерируют диспропорционально больше инноваций и проблем (β>1 — «ускорение жизни»). Механизм: плотность взаимодействий растёт суперлинейно с числом жителей.

Скорость жизни в городах: темп ходьбы пешеходов (Bornstein & Bornstein, 1976): увеличивается пропорционально log(N). Частота пульса мегаполиса ускоряется с размером.

Численный пример: масштабный закон городов России

Данные по 15 крупнейшим городам России (2023): Москва (12.6M), Санкт-Петербург (5.6M), ... Новосибирск (1.6M). ВРП на душу vs численность: OLS в log-log → β ≈ 1.12 (R² = 0.82). Москва производит в 1.12^{1.93} ≈ 1.24 раза больше ВРП на душу, чем ожидалось бы линейно из разницы с Петербургом.

Задание: Соберите данные о 20 крупнейших городах вашей страны (численность, ВВП, число патентов, длина дорог). (1) Постройте log-log scatter plots для каждого показателя vs численность. (2) Оцените β через OLS. (3) Проверьте гипотезу суперлинейности (t-тест: β=1 vs β>1). (4) Используйте NetworkX: смоделируйте межгородскую торговую сеть (рёбра = товарооборот). Вычислите betweenness centrality — какой город наиболее «центральный»?