МОДЕЛИРОВАНИЕ ДИНАМИКИ СОЦИАЛЬНЫХ ПРОТЕСТОВ: ИГРЫ СРЕДНЕГО ПОЛЯ И ОБРАТНЫЕ ЗАДАЧИ

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

В последние годы во всём мире наблюдается рост социальной напряжённости общества, который проявляется в виде социальных протестов. Понимание динамики уличных протестов и изучение факторов, которые могут повлиять на их возникновение, продолжительность, а также интенсивность, принципиально важно для стабильного и устойчивого развития общества. Одним из подходов к построению различных сценариев социальной динамики является использование концепции игр среднего поля. В работе предложена совмещённая математическая модель на основе теории игр среднего поля и модели социальных протестов, основанной на динамических системах, представлены численные результаты решения обратной задачи на базе статистических данных социального движения во Франции в 2018–2019 гг.

Об авторах

А. И. Глухов

Институт математики имени С.Л. Соболева Cибирского отделения РАН

Email: a.glukhov@alumni.nsu.ru
Новосибирск

М. А. Шишленин

Институт математики имени С.Л. Соболева Cибирского отделения РАН

Email: m.a.shishlenin@mail.ru
Новосибирск

Н. В. Трусов

Федеральный исследовательский центр “Информатика и управление” РАН

Email: trunick.10.96@gmail.com
Москва

Список литературы

  1. World Protests: a Study of Key Protest Issues in the 21st Century / I. Ortiz, S. Burke, M. Berrada, H. Cort´es. — Cham : Palgrave Macmillan Cham, 2022. — 185 p.
  2. Why do Romanians take to the streets? A spatial analysis of Romania’s 2016–2017 protests / A.S. Nicula, M.S. Stoica, E.M. Birsanuc, T.C. Man // Romanian J. Political Sci. — 2020. — V. 19, № 2. — P. 201–202.
  3. Schussman, A. Process and protest: accounting for individual protest participation / A. Schussman, S.A. Soule // Social Forces. — 2005. — V. 84, № 2. — P. 1083–1108.
  4. Jetten, J. How economic inequality fuels the rise and persistence of the yellow vest movement / J. Jetten, F. Mols, H.P. Selvanathan // Intern. Review of Social Psychology. — 2020. — V. 33, № 1. — P. 2.
  5. Dynamical modelling of street protests using the Yellow Vest Movement and Khabarovsk as case studies / A. Alsulami, A. Glukhov, M. Shishlenin, S. Petrovskii // Scientific Reports. — 2022. — V. 12, № 1. — Art. 20447.
  6. Petrovskii, S. Understanding street protests: from a mathematical model to protest management / S. Petrovskii, M. Shishlenin, A. Glukhov // PLoS ONE. — 2025. — V. 20, № 4. — Art. e0319837.
  7. A numerical algorithm for inverse problem from partial boundary measurement arising from mean field game problem / Y.T. Chow, S.W. Fung, S. Liu [et al.] // Inverse Problems. — 2023. — V. 39, № 1. — Art. 014001.
  8. Mean-field limits for entropic multi-population dynamical systems / S. Almi, C. D’Eramo, M. Morandotti, F. Solombrino // Milan J. Math. — 2023. — V. 91, № 1. — P. 175–212.
  9. Liu, H. Inverse problems for mean field games / H. Liu, C. Mou, S. Zhang // Inverse Problems. — 2023. — V. 39, № 8. — Art. 085003.
  10. Cannarsa, P. Existence and uniqueness for mean field games with state constraints / P. Cannarsa, R. Capuani // Springer INdAM Series. — 2018. — V. 28. — P. 49–71.
  11. Gu´eant, O. An existence and uniqueness result for mean field games with congestion effect on graphs / O. Gu´eant // Applied Mathematics and Optimization. — 2015. — V. 72, № 2 — P. 291–303.
  12. Klibanov, M.V. On the mean field games system with lateral Cauchy data via Carleman estimates / M.V. Klibanov, J. Li, H. Liu // J. Inverse Ill-Posed Problems. — 2024. — V. 32, № 2. — P. 277–295.
  13. Klibanov, M.V. Lipschitz stability estimate and uniqueness in the retrospective analysis for the Mean Field Games system via two Carleman estimates / M.V. Klibanov, Y. Averboukh // SIAM J. on Mathematical Analysis. — 2024. — V. 56, № 1. — P. 616–636.
  14. Berestycki, H. A model of riots dynamics: shocks, diffusion and thresholds / H. Berestycki, J-P. Nadal, N. Rod´ıguez // Networks & Heterogeneous Media. — 2015. — V. 10, № 3. — P. 443–475.
  15. Lasry, J.-M. Mean field games / J.-M. Lasry, P.-L. Lions // Japanese J. Math. — 2007. — V. 2, № 1. — P. 229–260.
  16. Huang, M. The NCE (mean field) principle with locality dependent cost interactions / M. Huang, P.E. Caines, R.P. Malham´e // IEEE Trans. Automat. Control. — 2010. — V. 55, № 12. — P. 2799– 2805.
  17. Bauso, D. Opinion dynamics and stubbornness via multipopulation mean-field games / D. Bauso, D.R. Pesenti, M. Tolotti // J. Optim. Theory Appl. — 2016. — V. 170, № 1. — P. 266–293.
  18. Kolokoltsov, V.N. Mean field game model of corruption / V.N. Kolokoltsov, O. Malafeyev // Dynamic Games and Applications. — 2017. — V. 7, № 1. — P. 34–47.
  19. Shananin, A. The household behavior modeling based on mean field games approach / A. Shananin, N. Trusov // Lobachevskii J. Math. — 2021. — V. 42, № 7. — P. 1738–1752.
  20. A trading execution model based on mean field games and optimal control / L. Fatone, F. Mariani, M.C. Recchioni, F. Zirilli // Appl. Math. — 2014. — V. 5, № 19. — P. 3091–3116.
  21. Lapin, A. Numerical solution of a parabolic optimal control problem arising in economics and management / A. Lapin, S. Zhang, S. Lapin // Appl. Math. Comput. — 2019. — V. 361. — P. 715–729.
  22. Zhang, S. Modeling and computation of mean field equilibria in producers’ game with emission permits trading / S. Zhang, X. Wang, A. Shanain // Commun. Nonlin. Sci. Numer. Simul. — 2016. — V. 37. — P. 238–248.
  23. Trusov, N.V. Numerical study of the stock market crises based on mean field games approach / N.V. Trusov // J. Inverse Ill-Posed Problems. — 2021. — V. 29, № 6. — P. 849–865.
  24. Lachapelle, A. Computation of mean field equilibria in economics / A. Lachapelle, J. Salomon, G. Turinici / Mathematical Models and Methods in Applied Sciences. — 2010. — V. 20, № 04. — P. 567–588.
  25. Bensoussan, A. Mean Field Games and Mean Field Type Control Theory / A. Bensoussan, J. Frehse, P. Yam. — New York : Springer, 2013. — 128 p.
  26. Kabanikhin, S.I. Quasi-solution in inverse coefficient problems / S.I. Kabanikhin, M.A. Shishlenin // J. Inverse Ill-Posed Problems. — 2008. — V. 16, № 7. — P. 705–713.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© Российская академия наук, 2025

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».