P.S. к предыдущему посту.
Только что появилась информация, подтверждающая сделанный в посте прогноз

Профессор Австралийского Университета Квинсленда Сюэ Ли, признанный специалист по Big Data, названный Financial Review «Самым влиятельным специалистом Австралии по Big Data», объявил свой прогноз предстоящих выборов в США на основе собственного оригинального подхода анализа Big Data социальных сетей.

Прогноз профессора Сюэ Ли основан на анализе сообщений в Twitter по 17 темам, важным для избирателей (от внешней политики до охраны окружающей среды). Прогноз считается в реальном масштабе времени и публикуется онлайн.

Не подменяйте больных здоровыми

Теория сложных сетей (это сети, в которых связи между элементами не являются ни регулярными, ни чисто случайными), с одной стороны, продолжает поражать парадоксальностью своих прикладных выводов.

А с другой – подбрасывает нам все более убедительные доказательства того, что она описывает единый механизм развития всего на свете.

Примером парадоксальности новых выводов теории сложных сетей может служить новое исследование Тило Гросса «Complex networks: Don't call in sick».

В этой работе делается попытка доказать, что главным акселератором распространения эпидемий в современном обществе является ошибочная практика замены заболевших сотрудников на их рабочих местах их здоровыми коллегами.

Что же до примеров вездесущести теории сложных сетей, то вот фундаментальное исследование – «Hidden geometric correlations in real multiplex networks».

В нем математически описан единый механизм т.н. «геометрических корреляций» (функциональных связей) между элементами многослойных сетей (мультиплексов), в результате чего мультиплекс системы не являются продуктом случайных комбинаций отдельных сетевых уровней.

Понимаю, что звучит совсем заумно (

Но если упростить до бытового языка, - получится, что самые разнообразные системы (от синаптической сети червяка C. Elegans и генетической сети мухи Дрозофилы, до транспортных сетей, Интернета и человеческого мозга) могут быть описаны единым математическим аппаратом гиперболической геометрии и свойством «геометрической корреляции» многослойных сетей.

Намного понятней вам, наверное, не стало. Так что придется потом написать про это подробней.

А пока, желающие хотя бы въехать в тему сложных сетей могут начать с простой и интересно написанной статьи «Сети для всего на свете»

Интересно, кто больше врет – хакеры, спецслужбы или политики?

1) Про то, что «американские военные хакеры проникли в энергетическую систему России, телекоммуникационные сети и «системы командования» Кремля в целях подготовки атаки секретным кибероружием в случае необходимости»,

—- слышали, наверное, ВСЕ.

2) О том, что: (1) подобные операции военные и спецслужбы США уже неоднократно проводили, и что (2) об этом уже не раз рассказывали ушедшие в отставку компетентные профи, типа бывшего начальника Агентства национальной безопасности США адмирала Майка Роджерса,

—- знают уже ДАЛЕКО НЕ ВСЕ (и те, кто не в курсе могут прочесть здесь ).

3) Однако о том, что последние устрашающие, но не подтвержденные никакими фактами заявления и утечки от спецслужб США, тем не менее, - вовсе не «театр абсурда» в исполнении ответственных лиц, а вполне продуманная, давно известная и уже десятилетиями активно используемая «стратегия сдерживания»,

—- пишут СОВСЕМ НЕМНОГИЕ

«Речь идет о системе сдерживания, как в случае с ядерным конфликтом: об ответном ударе сообщают для исключения конфликта, а не для его провоцирования. Никто не заинтересован в обмене кибер-ударами — именно для этого Москве объявлено предупреждение: вмешаетесь в выборы — "отключим газ"»

4) И наконец, имхо, НИКТО пока что не рассказал о том, что известная группа американских хакеров The Shadow Brokers, объявившая о похищении ею у Агентства национальной безопасности США списка серверов, уже взломанных АНБ США (в числе которых, якобы, уже есть серверы телеком и энерго-инфраструктуры России),

—- заявила, что история с устрашающими заявлениями и утечками от спецслужб США – это чистая правда, НО это вовсе не часть американской «стратегии сдерживания», а подготовка операции американских спецслужб по фальсификации итогов предстоящих президентских выборов в США.

Путь в дальний космос будет не таким, как предлагает Илон Маск, и не в те сроки

Всем, кто хочет разобраться, насколько реалистичен план Илона Маска организовать полет на Марс до 2024 г, рекомендую прочесть статью И.М.Моисеева «Инженерный взгляд на марсианское садоводство»

После того, как Илон Маск в сентябре представил свой проект создания базы на Марсе, одни эксперты его категорически разносят, а другие – не менее категорически хвалят.

На фоне всей этой противоречивой разноголосицы, статья И.М.Моисеева – просто замечательная: только по делу, структурировано, аргументировано, профессионально.

Если совсем коротко, то автор статьи называет 3 группы факторов, каждая из которых по отдельности ставит под большое сомнение намерение Маска высадить человека на Марс в 2024 г.

1я группа факторов – техническая. Для каждого из этапов полета (от выхода на околоземную орбиту до возвращения на Землю) существую неразрешимые на сегодняшний день проблемы. Со временем они будут решены, но рассчитывать на их решение до 2024 г., по крайней мере, излишне самонадеянно.

2я группа факторов – финансовая. У Маска нет и десятой доли средств, необходимых для реализации проекта. А на вопрос, откуда возьмутся средства, Маск пока только отшучивается.

3я группа факторов – смысловая – убивает любые надежды на решение вопросов первых двух групп. Совершенно непонятно зачем и кому нужен этот проект.

Итоговое заключение автора статьи стоит того, чтобы его привести полностью.

«Проект Маска – демонстрация чрезмерной самонадеянности человека, представлений о том, что в угоду ему в будущем перестанут действовать законы физики и правила математики. Этого не случится, движение в космос будет поэтапным и медленным. Энтузиастам придется потерпеть».

Розовый фламинго по имени Трамп

Наперекор прогнозам, это произошло – выборы выиграл Трамп.

О трех главных выводах из произошедшего я написал здесь на 2 мин. чтения.

А если на полминуты, то так.

—- Первый вывод: выигрыш Трампа – это Розовый фламинго для России.

Поскольку:

(1) это потенциально катастрофическое по последствиям для России событие,

(2) которое российское руководство допускало,

(3) но своими действиями лишь помогало ему свершиться.

—- Второй вывод: электоральный процесс иррационален

—- Третий вывод: технологии пока бессильны против человеческой иррациональности

Вот в итоге и получается -

для России в новом мире Розовых фламинго президентство Трампа лишь добавит непредсказуемости, иррациональности и корысти, наживающейся на первом и втором.

Не собирался больше писать в этом канале про президентские выборы в США.

Однако, полученный в ходе анализа результатов вывод показался мне столь интересным (и не буду скрывать – приятным), что умолчать о нем не cмог 😊

Этот вывод таков.

(1) Аллан Лихтмэн оказался единственным из всех авторитетных прогнозистов, кто уверенно предсказал победу Трампа еще в сентябре.

(2) Прогнозная методика Аллана Лихтмэна включает в себя 13 вопросов, на которые нужно ответить «да» или «нет». Если в результате ответов получится 6 или более «нет», то кандидат от правящей партии проиграет выборы.

(3) Пять «нет» получаются для президентской компании 2016, более или менее, очевидным образом и не вызывают споров или сомнений у других экспертов.


(4) Решающим фактором (шестым «нет»), по мнению Лихтмэна, стало участие в выборах кандидата от Либертарианской партии Гэри Джонсона. Вопрос звучит так - Third party: There is no significant third party or independent campaign (Третий кандидат: Нет значимого кандидата 3ей партии или независимого кандидата). Лихтмэн заявил – НЕТ есть такой кандидат, и это Гэри Джонсон. Так получилось шестое «нет».

(5) На деле так оно и оказалось – участие Гэри Джонсона решило исход выборов. Вот, например, как победу Трампа во Флориде обеспечило участие Гэри Джонсона

(6) А теперь возвращаемся к моей сентябрьской статье «Эффект Ленина-Трампа». В ней, со ссылкой на исследовательскую модель, говорилось:

—- что победа Трампа на отборочном этапе, в значительной степени, зависела от числа кандидатов – чем их больше, тем выше шансы выиграть у Трампа.

—- и что победа в финале выборов также увеличивается при увеличении числа кандидатов.

Т.о. итоговый вывод таков.

Итоги президентских выборов в США в 2016 году могут служить очередным практическим подтверждением существования «Эффекта Ленина-Трампа»

Как и обещал в посте от 5го ноября, начинаю рассказывать про Теорию сложных сетей (ТСС).

Но сначала поясню, зачем это вам вообще нужно – тратить свое драгоценное время на какую-то там теорию.

Во-первых, ТСС - это одна из самых перспективных (если ни самая перспективная) тем науки и технологий ближайшего будущего.

Еще 5 лет назад я назвал это направление «Теорией относительности XXI века», потому что:

—- в этом веке становится ясно, что «мир – это сеть», по принципам которой функционирует все живое (на уровне клеток) и все мыслящее (от мозга до социумов);

—- междисциплинарные исследования математиков, физиков, химиков, биологов, физиологов, антропологов и социологов, объединяемых этим направлением, могут фундаментально изменить наши представления о мире так, как в XX веке это сделала Теория относительности;

—- как и Теория относительности, ТСС не только теория (в смысле теоретических основ), но и смена многих парадигм – от философской до технологической, что, в частности, кардинально влияет на прикладные технологические тренды ближайшего будущего.

Во-вторых, ТСС остается одним из самых «неизвестных» направлений развития современной науки и технологий.

Это справедливо для всего мира. Но для России это справедливо в квадрате.


—- Гугл дает всего 3 ссылки на запрос "теория сложных сетей" в русском сегменте за последний месяц.

—- Яндекс дает около дюжины правильных ссылок (из 32 ссылок в выдаче есть, хоть и релевантные запросу, но прошлогодние и позапрошлогодние) и 2 результата при поиске в блогах. Сами понимаете, - это, практически, ничто. Т.е. тема практически неизвестна.

Резюмируя, можно сказать так.

ТСС – очень перспективная и крайне малоизвестная в России тема, имеющая колоссальное прикладное значение.

Продолжение следует

Успеть! Но не за секунду, а за 24 часа

Вчера канал «Технологии, медиа и общество» рассказал об интересной статье признанного гуру ИИ Эндрю Ына, в которой тот сформулировал простую формулу, определяющую круг первоочередных задач для ИИ.

«Если человек может выполнить некоторую задачу в уме за секунду, в ближайшее время эта задача будет автоматизирована с помощью ИИ».

Формула, конечно, правильная (кто бы спорил с Эндрю Ыном). Но не полная, т.к. определяет лишь ОЧЕВИДНЫЕ и ВЕРОЯТНЫЕ прикладные задачи для ИИ.

Ну а поскольку на этом канале пишется про НЕ ОЧЕВИДНЫЕ, но ВЕРОЯТНЫЕ вещи, приведу лишь один, самый свежий пример новой прикладной задачи для ИИ, никак не подпадающей под условие Эндрю Ына.

Эту задачу не только невозможно решить человеку за секунду. Ее люди пока вообще не научились продуктивно решать в течение суток.

Речь идет о задаче поиска пропавших людей в течение первых 24 часов после пропажи.
Хотя эта задача в последние годы, с появлением отряда «Лиза-Алерт», стала известна и в России, но в развитых странах запада она давно несравненно более широко известна. Например, в Британии существуют такие структуры, как государственное бюро UK Missing People Bureau и благотворительный фонд Missing People charity, с хорошим финансированием и современной технологической оснащенностью.

Но! Тысячи людей, по-прежнему, не удается найти или опознать среди найденных.

И вот только что запущен проект «Прожектор» (Searchlight), цель которого найти качественно более мощное и совершенное решение задачи поиска пропавших с помощью ИИ IBM Watson.

Речь идет о создании средств и инструментов анализа информации из многих несовместимых баз данных (от уличного наблюдения и транспорта, до трафика, автозаправок и погоды), способных уже к 2018 вдвое повысить эффективность кампаний поиска людей в течение самых критичных первых 24 часов после их пропажи.

Подобная технология сегодня используется для целей спецслужб США американской компанией Palantir. Однако там основные «мозги» при анализе информации пока что остаются человеческими – профильные эксперты. Тогда как в проекте Searchlight главная роль отводится «мозгам» IBM Watson.

Идея проекта Searchlight вчера стала одним из победителей международного конкурса «Do It Day 2016», ежегодно собирающего самых крутых брендов и самые светлые мозги мира для поиска наиболее актуальных, но пока не решенных задач. Эдакий однодневный брейнсторминг с привлечением маркетинговых супер-возможностей.

Так что теперь к решению с помощью ИИ IBM Watson таких далеко не односекундных задач, как диагностика рака, добавится и задача поиска пропавших в течение первых 24 часов.

Обращение к читателям (в особенности, к подключившимся к каналу сегодня)

Заранее прошу извинить, что отвлекаю!

Но уж очень хочется понять, что происходит с каналом.

Только что я сходил почистить снег вокруг дома (живу на даче).

За полтора часа, пока чистил снег, число подписчиков канала увеличилось больше чем на треть 😊

Кому я обязан этим взрывом популярности к, возможно, интересному, но абсолютно малоизвестному каналу?

Если кто-нибудь может помочь это прояснить, напишите пожалуйста мне на @Karelovs

Может мне дворником нужно устроиться для продвижения канала? 😊

ВСЕМ НАПИСАВШИМ МНЕ - БОЛЬШУЩЕЕ СПАСИБО!
Огромный респект Экономическому журналу https://telegram.me/econmag и его читателям!
Такому доверию читателей можно только позавидовать (белой завистью))
Есть чему учиться и к чему стремиться 😊

Продолжение про теорию сложных сетей (ТСС) – чем она занимается

Сверхзадача этого поста – за 5 мин познакомить с вопросом, изложить который менее чем за 3 часа считается невозможным.

Причина этого – в междисциплинарности ТСС. В этой области работают математики, физики, химики, биологи, физиологи, антропологи, социологи, ITшники и много кто еще.

У каждого своя терминология и свой подход. По этому поводу шутят:

—- выскажет, скажем, социолог новую идею в области ТСС;

—- психолог идею исправит, - ведь социология для него всего лишь прикладная психология;

—- биолог идею еще исправит, - ведь психология для него всего лишь прикладная биология;

—- химик идею опять исправит, - ведь биология для него всего лишь прикладная химия;

—- физик идею исправит, - ведь химия для него всего лишь прикладная физика (и как же здорово быть на вершине всех наук!)

—- последним приходит математик и (как лесник в анекдоте, выгнавший и нас, и немцев) отметает идею, т.к. видит в ней математический изъян, а мнения всех других наук он в гробу видал

Но все же решение поставленной сверхзадачи есть. И его предложил известный японский исследователь ТСС Hiroki Sayama.

Он изобразил основные объекты исследований ТСС в конкретном году в виде облака ключевых слов, прозвучавших на всех профильных конференциях по ТСС в этом году.

Размер букв каждого ключевого слова соответствует текущей популярности термина в этом году - т.е. сколько раз это слово использовалось в докладах в течение текущего года.

Цвет шрифта каждого ключевого слова показывает тренд изменения его популярности – т.е. как сильно выросла (или упала) популярность термина в сравнении с предыдущим годом:

—- чем «ТЕПЛЕЕ» цвет шрифта (ближе к красной границе спектра – помните, «Каждый Охотник Желает Знать …), тем больше ПОВЫСИЛАСЬ популярность этого термина по сравнению с предыдущим годом;

—- чем «ХОЛОДНЕЕ» цвет шрифта (ближе к фиолетовой границе спектра), тем больше УПАЛА популярность этого термина по сравнению с предыдущим годом.

На нижеследующей диаграмме (в следующем посте) показаны облака ключевых терминов ТСС этого и прошлого годов, представленные в конце августа Hiroki Sayama на симпозиуме NetecoSympo в Японии.

N.B. Перфекционисту Хироки не хватило 7 цветов радуги, и он добавил восьмой – «серый» для обозначения «совсем-совсем холодного цвета», отмечающего термины с максимально крутым падением популярности.

На чтение этого поста вы потратили, примерно, 1 минуту. И если теперь потратите еще 4 мин на изучение следующей ниже диаграммы, то имеете хорошие шансы всего за 5 мин понять, чем сейчас занимается одна из самых перспективных дисциплин, и какие здесь тематические тренды.

По-моему, очень достойное и крайне эффективное расходование вашего времени.

Текущая популярность основных тем ТСС в 2015 и 2016 гг., а также тренды изменения популярности тем от года к году (источник: 13th NetEco Symposium 2016, H. Sayama)

ЧЕМ ОТЛИЧАЮТСЯ НОВОСТИ С ПЕРЕДНЕГО КРАЯ ОТ НОВОСТЕЙ ИЗ-ЗА ПЕРЕДНЕГО КРАЯ

Да примерно тем же, чем отличается взгляд с видимого нам склона бугра от взгляда из-за бугра.

Этот канал задумывался НЕ для аннотирования новостей с переднего края хайтека. Такие каналы (интересные и полезные) в Телеграме уже есть. Кроме того, об этом пишут 99,99% всех медиа.

Этот канал задумывался для освещения вопросов из-за переднего края хайтека, т.е. как бы взгляд из-за бугра - из ближайшего будущего, когда видимый нам сегодня передний край будет уже пройден. А там, за передним краем:

1) во-первых, точка зрения на многие актуальные для сегодня события может довольно сильно отличаться;

2) во-вторых, много важных вопросов, которые сегодня, даже для находящихся на переднем крае хайтека экспертов, либо вообще не видны, либо видны, но не актуальны с точки зрения прагматики (бизнеса, внимания аудитории и т.п.).

Проиллюстрировать 1е из названных двух отличий можно на примере взаимосвязи широкого внедрения ИИ для автоматизации «умственной работы» и рынка труда и профессий.

—- 99,99% медиа источников обсуждают в этой связи проблему грядущего вытеснения умными машинами людей, роста безработицы и полного лишения людей места во многих сегодняшних профессиях (например, водителей).

—- А при попытке взглянуть на этот вопрос «из-за бугра», выявляется совсем иная и неожиданная точка зрения: люди пока что побеждают умных машин в борьбе за свои рабочие места, и главные проблемы здесь в ином – как мотивировать людей передать умным машинам свою работу, как при этом изменить законодательство и т.д.

Для иллюстрации 2го из названных отличий возьмем пример возникновения индустрии дронов.

—- В вестях с переднего края пишется про колоссальный рост рынков самих дронов и «дроновых услуг», про чарующее и манящее разнообразие этих услуг в скором будущем, про то, что дроны изменят сегодняшние представления о бизнесе.

—- А при попытке взглянуть на этот вопрос «из-за бугра», появляется, например, такая страшно интересная история, как возможность перехода к самоорганизующейся системе управления трафиком дронов.

Т.е. оказывается, что в новом мире дронов, эти дроны, скорее всего, будут летать без какой-либо человеческой системы управления воздушным трафиком. И это уже исследуется НАССА. Более того, эта система, скорее всего, будет не только самоуправляющей, но и эволюционирующей – т.е. как бы живой.

И это уже вовсю исследуется с помощью аппарата комплексных систем и комплексных сетей, про которые я так люблю писать на этом канале.

Надеюсь, приведенные примеры позволяют лучше понять, чем взгляд с видимого нам склона бугра может отличаться от взгляда из-за бугра. А заодно и сориентироваться, стоит ли вам впредь тратить свое драгоценное время на эту иззабугорщину.

Вчера мне прислали фото с проходящей в Берлине конференции NetApp Insight – Fujitsu рассказывает о 4ёх волнах, образующих одну побольше, называемую «Цифровизация» (что это значит, читайте дальше)

ВОЛНЫ ГАСЯТ ВОЛНЫ

Развитие технологий, как и в целом развитие человечества, происходит волнообразно – подъем-спуск, одна волна сменяет другую.

Знание того, как устроен этот волновой процесс, позволяет понимать и предсказывать, какие появятся новые технологии и когда они сменят предыдущие.

Есть три гигантские (по времени) волны Олвина Тоффлера. Третья из них еще только начнется лет через 10, а вторая называется Индустриальная волна.

Она состоит из 5 больших волн с периодом 50-60 лет. Это волны Кондратьева-Шумпетера-Фримона-Перез, знаменующие технологические революции. Последняя из больших волн называется Эпоха информационно-телекоммуникационных технологий (последняя четверть XX – первая четверть XXI вв.).

Эта большая волна состоит из малых волн: «Малые волны хардвера», «Малые волны софтвера» и т.д.

Обо всем этом я подробно писал здесь еще 5 лет назад. Рекомендую прочесть (примерно 3мин.).

С тех пор образовались «малые волны» новых типов. Например, «Малые волны цифровизации» (от Интернета до ИИ и роботов), про которые и рассказывал вчера представитель Fujitsu (см. предыдущий пост).

Желающим узнать подробней о том, что внутри малых волн, рекомендую прочесть Fujitsu Technology and Service Vision 2016.

А тем, кто хотел бы поподробней прочесть о технологических революциях (инициирующих новые большие волны не только в IT), рекомендую:

—- The Fourth Industrial Revolution: what it means, how to respond – общий взгляд с «холма» Всемирного экономического форума.

—- The Next Industrial Revolution - конкретный взгляд с позиций производства (среди прочего, удивитесь, что в 1800 г. треть мирового производства приходилась на Китай, на Индию - 20%, Россию - 5.6%, Англию – 4.3%)

—- The Coming Fifth Industrial Revolution - конкретный взгляд с позиций логистики (тоже не мало интересного)

ОТКРЫТ 1й ЗАКОН КАРШЕРИНГА

Данный закон, как и любой закон физики, выражается уравнением (например, уравнение Эйнштейна E=MC2). Это уравнение устанавливает функциональную зависимость шерабилити - доли индивидуальных поездок, переводимых на каршеринг – от 2х параметров: максимально допустимое увеличение времени поездки и максимально допустимое время ожидания машины.

Численное же значение шерабилити для конкретного города вычисляется на основе пространственно-временной плотности городских поездок. Она измеряеется числом поездок, инициированных за 1 час из района площадью в 1 кв. километр, и зависит от моря параметров: число жителей, площадь и планировка города, месторасположение района, организация движения, число такси и т.д. и т.п.). Потому для разных городов эта плотность сильно разнится (например, в Нью-Йорке - 344, а в Вене - меньше 1).

Смоделировать все это море параметров для 4х городов (Нью Йорк, Сан Франциско, Сингапур и Вена) оказалось возможным лишь при использовании аппарата комплексных сетей.

Исследователи построили пространственно-временную многоуровневую сеть (сеть из двумерных пространственных сетей, описывающих множество временных уровней) – см. диаграмму 1 (в следующем посте).

А потом отобразили на этой сети всю имеющуюся базу данных из 156 млн. поездок такси (множество черных точек, образующих маршруты поездок на двумерном уровне сети – см диаграмму 2)

Среди прочего, исследование показало, что в Нью Йорке можно перевести на каршеринг все индивидуальные поездки, а в Вене – до 85%.

Этим постом я начинаю рассказ о том, как с помощью комплексных сетей можно решать нерешаемые доселе задачи. И как междисциплинарные исследования комплексных систем (состоящих из комплексных сетей) меняют самые фундаментальные представления о возможностях физико-математического описания сложнейших техно-гуманитарных систем.

Ну а в качестве 1го примера таких систем взята область «Жизнь города и его населения». Не слабая такая системка, состоящая из миллионов аспектов, для большинства из которых есть тысячи неразрешенных задач.

Источник: Scaling Law of Urban Ride Sharing
- - - - -

P.S. Приведенный в этом посте пример относился к одной из нерешенных задач одного из перспективных аспектов «Жизни города и его населения» - кашерингу.
Но это только начало. Будут и другие. Следующий - на гиперактуальную тему интеграции иммигрантов в жизнь крупных городов (какие национальности хуже всех интегрируется в жизнь разных городов мира).

Диаграмма 1. Пространственно-временная многоуровневая сеть исследования (двумерная пространственная сеть из множества временных уровней)

Диаграмма 2. Отображение на двумерном уровне сети 156 млн. поездок такси по 4ем городам: Сан Франциско, Нью Йорк, Вена и Сингапур

ЭТО НЕ РАСИЗМ. ЭТО НОВАЯ ДОКАЗАТЕЛЬНАЯ НАУКА.

Можно ли доказательным образом (evidence-based) определить, насколько неуживчив конкретный народ в качестве иммигранта, и то, насколько данный город эффективен в качестве плавильного котла народов?

Теперь, оказывается, можно.

Проблема интеграции иммигрантов чрезвычайно актуальна для всего мира. Поэтому столь интересны и актуальны результаты нового кросс-дисциплинарного исследования. С помощью аппарата комплексных сетей и Big Data исследователи смогли определить степень интегрируемости в чужую культуру у 30+ национальностей (от албанцев до вьетнамцев), а также потенциал для интеграции различных культур у 50+ самых популярных городов мира (от Амстердама до Ванкувера).

Это первое подобное исследование в мире, выводы которого строго научны и численно верифицируемы.

Исследователи определяли пространственную интеграцию иммигрантов (где живут, работают и проводят время) в 53 городах на основе анализа всех гео-локализуемых сообщений Twitter за 5 лет (2010-2015). Для каждого твитта определялись: UserID, дата, время, место и язык написания. Специальным образом отфильтровывались твитты от ботов.

Национальность иммигранта определялась с помощью языкового детектора Chromium Compact Language Detector. Все исходные данные проходили жесткую процедуру валидации.

Результаты получились страшно интересные и показательные.

См. в следующем посте диаграмму 1:

—- Наихудшая степень интегрируемости в чужую культуру у арабов. Причем арабы плохо интегрируются во всех 5 странах, где проходило исследование, - от Австралии до Малайзии.

—- Также не очень хорошо интегрируются в чужую культуру турки, филиппинцы (Tagalog) и даже французы.

—- Русские, Белорусы и Украинцы (East Slavic) хуже всего интегрируются в Канаде. Но справедливости ради надо отметить, что в Канаде вообще плохо с интеграцией

См. в следующем посте диаграмму 2:

—- Самый высокий интеграционный потенциал у городов из кластера С1 (лучший в кластере – Лондон с потенциалом 0,79 – кто бы сомневался!)

—- Самый низкий интеграционный потенциал у городов из кластера С3 (лучшие в кластере – Рим, Майами и Торонто с потенциалом 0,12)

—- Потенциал Москвы - 0,113 чуть хуже Рима, но сильно лучше Санкт Петербурга – 0,035 (оба наших города в худшем 3ем кластере; Москва ближе к началу, Питер – к концу)

—- Метафора «США – плавильный котел народов» сильно преувеличена. Лос-Анжелес и Сан Франциско – хоть и не Лондон, но вполне себе приличные «котлы народов» (по 0,52). А например, Детройт и Даллас имеют потенциал всего 0,06 и 0,07 (хуже Москвы). Чуете, чем, оказывается, высокая преступность в городах обуславливается?

—- Удивительно, но среди городов, у которых интеграционный потенциал ниже плинтуса, есть богатые и бедные города (Брюссель и Богота – по 0,011), северные и южные (Стокгольм и Сеул), да и вообще сильно разные.
Можно перефразировать Льва Толстого – каждый несчастливый для иммигрантов город несчастлив по-своему.
- - - - -
Источник: Immigrant community integration in world cities https://arxiv.org/abs/1611.01056
Приложения: 2 диаграммы

Диаграмма 1. Иммигранты с наихудшей интегрируемостью (слева) в культуру чужой страны (справа); желтым отмечено - хуже всего интегрируются арабы