Termine immer mittwochs, 14:00-17:30 (pktl)

Seminar SE 2 st.Uni Klagenfurt: 814.005 und TU Wien: 187.234

Mathematische Modellbildung und Simulation

Ökonometrische, systemdynamische, Input-Output Modelle sowie agent-based systems

http://peter.fleissner.org/MathMod/web.htm

Peter Fleissnerfleissner@arrakis.es

Termine immer mittwochs, 14:00-17:30 (pktl)

• 1. Block Mittwoch 6. Okt 2010, 14:00 bis 16:00 Uhr Vorbspr. im SR 4a• 2. Block: Mittwoch, 20.10.2010 14:00 bis 17:30 im SR 4a• 3. Block: Mittwoch, 3.11.2010 14:00 bis 17:30 im SR 4a• 4. Block: Mittwoch, 17.11.2010 14:00 bis 17:30 im SR 4c• 5. Block: Mittwoch, 1.12.2010 14:00 bis 17:30 im SR 6• 6. Block: Mittwoch, 15.12.2010 14:00 bis 17:30 im SR 4a• 7. Block: Mittwoch, 12.01.2011 14:00 bis 17:30 im SR 4a• 8. Block: Mittwoch, 26.01.2011 14:00 bis 17:30 Prüfung im SR 6

Alle Termine finden am IFF, Schottenfeldgasse 29, 1070 Wien, entweder im Seminarraum 3 oder 6 statt.

Inhalt des Seminars (optional)

Teil 1 • Grundzüge der mathematischen Modellierung (Sozialkybernetik)• Modellierungspraxis mit dem Softwarepaket STELLA anhand kleiner Projekte

Teil 2 • Datensammlung/Parameterschätzung (Ökonometrie; neuronale Netze)• Praktische Übungen anhand ökonometrischer Modelle

Teil 3• Grundzüge der Input-Output-Analyse, Mehrebenenökonomie • Anwendungen auf volkswirtschaftliche Modelle, Stoffstromrechnung

Teil 4• Agent-based modelling• Praktische Beispiele

Abschluss• Prüfung

websites

Allgemeineshttps://campus.uni-klu.ac.at/studien/lvkarte.jsp?sprache_nr=35&rlvkey=66132

Laufende Ereignisse, Skripten, Terminehttp://peter.fleissner.org/MathMod/web.htm

Meine persönliche websitehttp://members.chello.at/gre/fleissner/default.htm

Fachgebiete/Projektvorschläge der TeilnehmerInnen (2010)

• Stefan: Sozök, Soziologie, Polwiss; Biomasse-Handel• Irene: Sozök, Publizistik, Kommw Polwiss: mit Alexander_R und Johannes:

Pensionsmodell• Alexander_R: Soziologie, Diss Sozök: Pensionsmodell• Markus: Physik, Diss Sozök Modellierung Materialflüsse: Urbane

Transportmodelle• Peter: Techn Math: mit Andrea Kommunikationsnetzwerke• Johannes: Wirtschaftsinformatik: Pensionsmodell• Alexander_H: Soziologie: Pensionsmodell• Nikolaus: ??• Andrea: Kommunikationsnetzwerke• Julian: Inst f Elektrische Anlagen + Boku Energiewirtschaft: Biomasse-Handel

Projekt A: Pensionsmodell Österreich

Johannes Chalupa, Alexander Hansy, Irene Pallua, Alexander Remesch

Forschungsfragen

• Pensionssicherung in Österreich in verschiedene Szenarien möglich?

• Armutsgefährdung von PensionsbezieherInnen in diesen Szenarien unterschiedlich?

Agenten & Merkmale

• Alle Personen in Österreich– Alter & Geschlecht– Bundesland– Erwerbsstatus (berufstätig/nicht berufstätig)

• Berufstätig sind alle Lohn- bzw. EinkommensbezieherInnen• Nicht berufstätig sind Pensionisten, Arbeitslose, Personen in

Ausbildung (ohne steuerrechtliches Einkommen) – zur Errechnung der Beitragsdauer

– Pensionsstatus (pensioniert/nicht pensioniert)– Beamtenstatus

• Sterben aus!• Höhere Pension, anderer Einkommensverlauf!

– Einkommen aus selbständiger oder unselbständiger Arbeit bzw. aus Pensionsbezug

Hilfstabellen

• Einkommensverlauf nach Bundesland, Geschlecht und Beamtenstatus*

• Fertilitätsrate nach Bundesland, Alter + Sexualproportion• Sterbetafel nach Bundesland, Alter und Geschlecht• Wahrscheinlichkeit für Pensionsantritt nach Alter, Geschlecht und

Beamtenstatus (?)• Absolute Zuwanderung und Abwanderung ins bzw. aus dem

Ausland nach Bundesland, Alter und Geschlecht• Wahrscheinlichkeit arbeitslos zu werden nach Bundesland, Alter

und Geschlecht*• Wahrscheinlichkeit für den Eintritt ins Erwerbsleben nach

Bundesland, Alter und Geschlecht*

* Kann aus den Bevölkerungsdaten errechnet werden!

Externe Einflussfaktoren

• Indikatoren für die generelle Wirtschaftslage– Arbeitslosenrate– BIP (zur Errechnung der Einkommensentwicklung)

• Szenarien– Politische Eingriffe (z.B. Pensionskürzungen,

Kinderbetreuungszeiten)

Datenquellen

• Statistik Austria– Integrierte Lohn- und Einkommenssteuerstatistik– Mikrozensus– Demografische Daten + Tafeln

• Ausgangsjahr: ~2006

Offene Fragen

• Warum agentenbasiert?– Erwerbsbiografien?– Regelbasierte vs. wahrscheinlichkeitsbasierte

Entscheidungen

Projekt B: KommunikationsnetzwerkAndrea und Peter

Mobility features: trip daten 1 x pro min, mobility range, zeit bis wiederbesuch, standzeiten, startzeit, endzeit, 2 Monate

1st app: Handovers2nd app: Opportunistic networks

Mobility Modeling for Wireless Networking

• Basically, simulation area with moving entities• Agent-based simulation

• Mobility model defines the movement of people (pedestrians and cars)

– based on mobility features extracted from real world GPS data

– example features: mobility range, time between revisits, pause time

• 1st application: cell structure to investigate handovers between access points (APs)– Handover: mobile device (e.g., laptop) moves out of an AP's range and establishes

connection to another AP

• 2nd application: connections between nodes that are in the transmission range of each other

– Opportunistic networks: ad-hoc networks for data dissemination– Investigate connection opportunities (e.g., contact durations)

Projekt C: Urbanes Transportmodell

Route assignment including fast transit lanes

(Markus HEINZ)

classical four-step transportation model

trip generation

trip distribution

modal split

route assignment

Wien – urbane Flächen auf Zählbezirksebene

A

C

B

E

D

2km

3km

3km

2km

2km

G

F

Gesucht: kürzeste Weglänge (A-B-G oder A-F-G) von jedem zu jedem Knoten

H

I

Einbau von „fast transit routes“ (Autobahn, Schnellstraße, U-Bahn, S-Bahn)Annahme: jener Wege, welcher die kürzeste Zeit benötigt, wird gewählt (dazu sind Geschwindigkeitsangaben notwendig)Gesucht: sich daraus ergebende Weglängen von und zu jedem Knoten

Autobahn

Beispiel

Benötigte Informationen:• Netzwerk für Wien (Knoten und Kanten), jeweils für Fußgänger, motorisiertem Individualverkehr (fast transit lanes = Autobahn und Schnellstrassen), öffentlicher Personenverkehr (fast transit lanes = U-Bahn und S-Bahn)• Entfernungen der jeweiligen Verbindungen• Durchschnittsgeschwindigkeiten (im Netzwerk und auf den fast transit lanes), danach Umrechnung der Wegdistanzen in Wegzeiten• Algorithmus zur Bestimmung von kürzesten Entfernungen (Weglängen oder Zeiten) in Netzwerken

Erwartetes Ergebnis:Matrix der Wegdistanzen von und zu jedem Knoten, jeweils für Fußgänger, motorisiertem Individualverkehr und öffentlichem Personenverkehr

Zusammenfassung

public transportation Vienna

source: www.wienerlinien.at

public transportation Vienna

source: www.wienerlinien.at

distance [m]

driving time [min]

speed [km/h]

average speed [km/h]

subway Linie U1 : Reumannplatz - Leopoldau 14541 26 33,56Linie U2 : Aspernstraße - Karlsplatz 12531 24 31,33Linie U3: Simmering - Ottakring 13402 25 32,16Linie U4: Heiligenstadt-Hütteldorf 16361 29 33,85Linie U6: Siebenhirten-Florisdorf 17347 34 30,61 32,25

tram Linie 1 : Prater Hauptallee to Stefan-Fadinger-Platz 10376 44 14,15Linie 2 : Ottakringer Straße/Erdbrustgasse - Friedrich-Engels-Platz 11999 47 15,32Linie 6 : Zentralfriedhof 3.Tor - Burggasse, Stadthalle 12218 43 17,05Linie 26 : Aspern, Oberdorfstraße - Strebersdorf, Edmund-Hawranek-Platz14677 47 18,74Linie D : Südbahnhof - Beethovengang 9961 42 14,23Linie O : Praterstern - Raxstraße, Rudolfshügelgasse 8202 33 14,91 15,80

bus Linie 1A : Schottentor - Stubentor 1775 11 9,68Linie 10A : Niederhofstraße - Heiligenstadt 11568 40 17,35Linie 14A : Reumannplatz - Neubaugasse 4443 19 14,03Linie 39A : Agnesgasse - Jägerstraße 7875 24 19,69Linie 77A : Rennweg - Gärtnerstraße 8503 26 19,62 17,08

railway Linie S1 : Liesing - Leopoldau 23610 43 32,94Linie S3 : Meidling - Strebersdorf 17030 32 31,93Linie S7 : Floridsdorf - Zentralfriedhof 14000 22 38,18Linie S8 : Floridsdorf - Hütteldorf 23000 37 37,30Linie S45 : Hütteldorf - Handelskai 17000 26 39,23 35,49

personal transportation Vienna

source: mobility in cities database, 2001, UITP (International Association of Public Transport)

subway 32,25 km/hrailway 35,49 km/htram 15,80 km/hbus 17,08 km/h

public transportation Vienna:rail modes

road mode

for the project used velocities:

public transportation

average speeds for Vienna:

fast transit lanes (subway, railway):slow transit lanes (bus, tram):

motorized individual transportation

fast transit lanes (motorway):

slow transit lanes:

ca. 33 km/hca. 17 km/hstill open

still open

Average speed on the road network 28,00 km/h 24/7, across the entire road network - including motorways

Average public transport speed 27,00 km/h only public transportAverage public transport speed (road modes) 19,00 km/h bus, minibus, trolleybusAverage public transport speed (rail modes) 28,70 km/h tramway, light rail, metro,

suburban & regional railways

cell network Vienna101 102 103 104 105 106 107 201 202 203 204 205 206 207 208 209 210

101 0 1 1 0 0 0 1 0 0 0 1 1 0 0 0 0 0102 1 0 1 0 0 0 0 0 0 0 0 1 0 0 0 0 0103 1 1 0 1 0 0 1 0 0 0 0 0 0 0 0 0 0104 0 0 1 0 1 1 1 0 0 0 0 0 0 0 0 0 0105 0 0 0 1 0 1 1 0 0 1 1 0 0 0 0 0 0106 0 0 0 1 1 0 1 0 0 0 0 0 0 0 0 0 0107 1 0 1 1 1 1 0 0 0 1 1 0 0 0 0 0 0201 0 0 0 0 0 0 0 0 1 0 0 1 1 1 0 1 0202 0 0 0 0 0 0 0 1 0 1 1 1 0 0 0 0 0203 0 0 0 0 1 0 1 0 1 0 1 0 0 0 0 0 0204 1 0 0 0 1 0 1 0 1 1 0 1 0 0 0 0 0205 1 1 0 0 0 0 0 1 1 0 1 0 1 0 0 0 0206 0 0 0 0 0 0 0 1 0 0 0 1 0 1 1 1 0207 0 0 0 0 0 0 0 1 0 0 0 0 1 0 0 1 0208 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 1 1209 0 0 0 0 0 0 0 1 0 0 0 0 1 1 1 0 0210 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0

250x250 matrix

distances in meter

cell network Vienna

250x250 matrix distances in kilometer

101 102 103 104 105 106 107 201 202 203 204 205 206 207 208 209 210101 0,000 0,380 0,772 0,000 0,000 0,000 0,325 0,000 0,000 0,000 1,061 1,135 0,000 0,000 0,000 0,000 0,000102 0,380 0,000 0,934 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,988 0,000 0,000 0,000 0,000 0,000103 0,772 0,934 0,000 1,002 0,000 0,000 0,797 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000104 0,000 0,000 1,002 0,000 0,918 0,634 0,773 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000105 0,000 0,000 0,000 0,918 0,000 0,407 0,682 0,000 0,000 0,804 0,922 0,000 0,000 0,000 0,000 0,000 0,000106 0,000 0,000 0,000 0,634 0,407 0,000 0,328 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000107 0,325 0,000 0,797 0,773 0,682 0,328 0,000 0,000 0,000 1,362 1,110 0,000 0,000 0,000 0,000 0,000 0,000201 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,746 0,000 0,000 1,423 2,353 0,875 0,000 1,570 0,000202 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,746 0,000 0,902 0,796 0,929 0,000 0,000 0,000 0,000 0,000203 0,000 0,000 0,000 0,000 0,804 0,000 1,362 0,000 0,902 0,000 0,690 0,000 0,000 0,000 0,000 0,000 0,000204 1,061 0,000 0,000 0,000 0,922 0,000 1,110 0,000 0,796 0,690 0,000 0,507 0,000 0,000 0,000 0,000 0,000205 1,135 0,988 0,000 0,000 0,000 0,000 0,000 1,423 0,929 0,000 0,507 0,000 1,765 0,000 0,000 0,000 0,000206 0,000 0,000 0,000 0,000 0,000 0,000 0,000 2,353 0,000 0,000 0,000 1,765 0,000 1,520 2,958 1,336 0,000207 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,875 0,000 0,000 0,000 0,000 1,520 0,000 0,000 0,791 0,000208 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 2,958 0,000 0,000 3,574 2,556209 0,000 0,000 0,000 0,000 0,000 0,000 0,000 1,570 0,000 0,000 0,000 0,000 1,336 0,791 3,574 0,000 0,000210 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 2,556 0,000 0,000

possible algorithms and next steps

Dijkstra-algorithm: calculation of shortest path in graphs between a vertex and every other vertex with nonnegative edges weights

Bellman-Ford-algorithm: calculation of shortest path in graphs between a vertex and every other vertex with also negative edges weights

next steps: • implementation of algorithm• provide data import and calculate distances through network• build networks for fast transit lanes and convert distances to times• calculate distances in networks including fast transit lines using shortest times

Projekt C: Urbanes TransportmodellMarkus

Route assignment including fast transit lanes

(Markus HEINZ)

classical four-step transportation model

trip generation

trip distribution

modal split

route assignment

Wien – urbane Flächen auf Zählbezirksebene

A

C

B

E

D

2km

3km

3km

2km

2km

G

F

Gesucht: kürzeste Weglänge (A-B-G oder A-F-G) von jedem zu jedem Knoten

H

I

Einbau von „fast transit routes“ (Autobahn, Schnellstraße, U-Bahn, S-Bahn)Annahme: jener Wege, welcher die kürzeste Zeit benötigt, wird gewählt (dazu sind Geschwindigkeitsangaben notwendig)Gesucht: sich daraus ergebende Weglängen von und zu jedem Knoten

Autobahn

Beispiel

Benötigte Informationen:• Netzwerk für Wien (Knoten und Kanten), jeweils für Fußgänger, motorisiertem Individualverkehr (fast transit lanes = Autobahn und Schnellstrassen), öffentlicher Personenverkehr (fast transit lanes = U-Bahn und S-Bahn)• Entfernungen der jeweiligen Verbindungen• Durchschnittsgeschwindigkeiten (im Netzwerk und auf den fast transit lanes), danach Umrechnung der Wegdistanzen in Wegzeiten• Algorithmus zur Bestimmung von kürzesten Entfernungen (Weglängen oder Zeiten) in Netzwerken

Erwartetes Ergebnis:Matrix der Wegdistanzen von und zu jedem Knoten, jeweils für Fußgänger, motorisiertem Individualverkehr und öffentlichem Personenverkehr

Zusammenfassung

Projekt D: Biomasse-Handelmit Stefan und Julian

Einflussgrößen: Preise für Palmöl, keine nachhaltige Produktion, SD Modell

Background: Cycle of Change

„the world“§x“?+*

Reflection = Portraying and Designing the world

~$}[%

Reifying the concepts

°^^‚#*

.:->>|

Reification Interaction

Diff

usio

n

Background: Cycle of Change

– Refers to human/e practice, striving for survival– More than mere cognition– Perception always guided by human interest– Dialectics of portraying/mirroring and

inventing/designing and changing the world („Widerspiegelungstheory“)

– Cooperative evaluation/selection/decision processes

– Implementation of results into practice

Background: Cycle of Change

„the world“§x“?+*

~$}[% Reification/C

odification°^^‚#*

.:->>|

Reification Reflection

Diff

usio

n

Reflecting = Portraying and Designing

Vorformen von Widerspiegelungs- und Vergegenständlichungsprozessen

• Beispiel 1: Sonne und Stein

„die Welt“

Allgemeine Wechselwirkung:Physikalische FormenVier fundamentale Kräfte (Interaktionen)•Gravitation •Elektromagnetismus •Schwache Wechselwirkung•Starke Wechselwirkung.

Abbildung und Entwurf der Welt

http://fotowelt.chip.de/k/landschaft-natur/fluesse-seen/gefrorener_see/492535/

Vorformen von Widerspiegelungs- und Vergegenständlichungsprozessen

• Beispiel 2: Zufrieren eines Sees

Vorformen von Widerspiegelungs- und Vergegenständlichungsprozessen

• Beispiel 3: Belousov-Zhabotinsky-Reaktion• Ein Gemisch aus Kaliumbromat und Apfelsäure

beginnt bei einer bestimmten Umwelttemperatur zu blinken

• Beispiel 4:• Pflanzen, die im • Frühjahr blühen

• usw, usw…

http://en.wikipedia.org/wiki/File:Bzr_fotos.jpg

Mathemathic codification 0: Definition equations

Main element: “variable” with an associated quality/dimension and a certain quantity

Types of definition equations:

A: A new variable of same dimension is constructed by other variables of the same dimension, but different quantitiesExample: Circumference of a triangle is equal to the sum of the length of the three sides.

B: A new variable of new dimension is constructed by other variables of the same dimension, but different quantities Example: Area of a rectangle is the product of its length and width.

C: A new variable of new dimension is constructed by other variables of the different dimension and different quantities. wirExample: Labour is force times distance, turnover equals unit price times volumes.

Although definition equations look simple, their identification was a cumbersome and erroneous process (like “energy” or “force”)

Mathemathic codification 1: Static Balance Equation

conservation laws; e.g. input-output-tables, national accounting schemes

l1

l3

l2

l4r1

r2

r3

L = R

L := l1 + l2 + l3 + l4 R := r1 + r2 + r3

„Only the unequal becomes equal“

„Equal quantities must consist of unequal qualities“

„Unequal quantities of equal qualities sum up to a quantity of equal quality“

Mathemathic codification 2: Dynamic Balance Equation

inventory equation, dynamic population balance, capital accumulation, dynamic accounting schemes

x(t)

t -> t +t

x(t+t) = x(t) + x(t, t+1)

The only qualitative difference between left and right: Position in time

reality is constructed by „stocks“ and „flows“

Basis for the mirroring of dynamic processes (difference and/or differential equations)

x(t, t+1)

x(t+t)

Mathemathic codification 3: Behavioral equations

cause-effect-schemes; e.g. multi-variate Blalock-model, econometric equations, neural networks

x1

y

x2

y(t) = f [ x1(t), x2(t),…]

Modifications:

• linear

• nonlinear

• stochastic

• delays

• Feedback ->

y

xy

x

y

x

D

D

D

+

-

Causal Loop Diagrams

Positive feedback: exponential growth

Negative feedback: goal seeking, oscillations (D)

wages

Demand for higher wages

prices

cost pressure

discrepancy

Target value State value

reaction

D

Examples:

Input-Output-Model Econometric model

D

D

Combined Example: Input-Output and Econometric ModelBMWF (Ed.) Mikroelektronik - Anwendungen, Verbreitung und Auswirkungen am Beispiel Österreichs, Wien 1981

Mathematical Simulation Models:Paradigm Shifts and Reification

Cybernetics 0. Order Cybernetics 1. Order Cybernetics 2. Order

linear nonlinear nonlinear

static dynamic dynamic

unidirectional feedback feedback

aggregated aggregated individuals (variable numbers of agents)

deterministic deterministic/non- essential randomness

essential randomness/changing prob distributions

very abstract less abstract more realistic

Mathematical Simulation Models:Paradigm Shifts and Reification

Cybernetics 0. Order Cybernetics 1. Order Cybernetics 2. Order

linear nonlinear nonlinear

static dynamic dynamic

unidirectional feedback feedback

aggregated aggregated individuals (variable numbers of agents)

deterministic deterministic/non- essential randomness

essential randomness/changing prob distributions

very abstract less abstract more realistic

How to treat Randomness?

Zero Order Cybernetics First Order Cybernetics Second Order Cybernetics

Randomness essential

No randomness

Randomness non-essential

Statistical laws of nature (H. Hörz)

In econometrics/ regression analysis treated as residual or error term

Equation y = y + e

Randomness in Regression Analysis

y(x)

x

y

e

y

How to treat Randomness?

Zero Order Cybernetics First Order Cybernetics Second Order Cybernetics

Randomness essential

No randomness

Randomness non-essential

Statistical laws of nature (H. Hörz):

In econometrics/ regression analysis treated as residual or error term

forecast ydeterministic part

.

e residualstochastic part

„true“ y

y

How to treat Randomness?

Zero Order Cybernetics First Order Cybernetics Second Order Cybernetics

Randomness essential

Emergence of stable structures by changing the properties of randomness (prob. distr. variable)

No randomness

Randomness non-essential

Statistical laws of nature (H. Hörz):

In econometrics/ regression analysis treated as residual or error term

„true“ y

.

forecast ydeterministic part

y

e residualstochastic part

„true“ y

Austrian Pension Schemes in Comparison

CreationOf Individuals

SocialInsurancePensionschemes

Dem

ogra

phic

dat

a an

dSc

cial

sta

tistic

sIn

divi

dual

cas

es

Amou

nt/t

ype

of p

ensi

on

Private pension schemes Am

ount

of

pens

ion

HTML-files

Transitiondiagram

Status 0 neither employed not retired Status 1 blue collarStatus 2 white collarStatus 11 blue collar ret by invalidityStatus 12 blue collar ret by ageStatus 21 white collar ret by invalidity Status 22 white collar ret by age

0

2

deadbirth

1

11

12

21

22

abroad

8100

8150

8200

8250

8300

8350

8400

8450

8500

8550

8600

2003 2008 2013 2018 2023 2028 2033 2038 2043 2048

Total Population Austria 2003-2050

Yellow line: life expectancy up to 90 yrs by 2050

50

52

54

56

58

60

62

2003 2008 2013 2018 2023 2028 2033 2038 2043 2048

Retirement Age(Invalidity) White Collar Workers, male

How to treat Randomness?

Zero Order Cybernetics First Order Cybernetics Second Order Cybernetics

Randomness essential

Emergence of stable structures by changing the properties of randomness (prob. distr. variable)

No randomness

Randomness non-essential

Statistical laws of nature (H. Hörz):

In econometrics/ regression analysis treated as residual or error term

„true“ y

.

forecast ydeterministic part

y

e residualstochastic part

„true“ y

Einstein’s explanation of Brownian motion

• The big particle can be considered as a dust particle while the smaller particles can be considered as molecules of a gas.

• On the left is the view one would see through a microscope. • To the right is the supposed explanation for the jittering of the dust

particle

• http://galileoandeinstein.physics.virginia.edu/more_stuff/Applets/brownian/brownian.html

People leave a roomLeaving a room without panic: velocity v0 = 1 m/s. • Efficient because of good coordination• http://angel.elte.hu/~panic/pedsim/sim/No_Panic.html

Leaving a room with panic: velocity v0 = 5 m/s. • Irregular and inefficient due to arching and clogging at the bottleneck (door)• http://angel.elte.hu/~panic/pedsim/sim/Panic.html

Leaving a room with injured (Stampede): Verletzten: velocity v0 = 5 m/s. • If a critical "squeezing" force of 1600N/m is exerted, a person is injured. (The

squeezing force is measured as the sum of the magnitudes of radial forces acting on the pedestrian). Injured people block the exit.

• http://angel.elte.hu/~panic/pedsim/sim/Stampede_N0200_Fc1600.html

An asymmetrically placed column in front of the door can avoid injuries. http://angel.elte.hu/~panic/pedsim/sim/Column_5.html

Overview of outcomes

Simulation200 Persons

Escaped before t=45s

Injuredbefore t=45s

No Panic:No column,No injured

90 -

Panic:No column,no injured

65 -

Stampede:No column,Injured do not move

44 5

With column: 72 0

How to treat Randomness?

Zero Order Cybernetics First Order Cybernetics Second Order Cybernetics

Randomness essential

Emergence of stable structures by changing the properties of randomness (prob. distr. variable)

No randomness

Randomness non-essential

Statistical laws of nature (H. Hörz):

In econometrics/ regression analysis treated as residual or error term

„true“ y

. forecast ydeterministic part

y

e residualstochastic part

„true“ y

.

How to treat Randomness?

Zero Order Cybernetics First Order Cybernetics Second Order Cybernetics

Randomness essential

Emergence of stable structures by changing the properties of randomness (prob. distr. variable)

No randomness

Randomness non-essential

Statistical laws of nature (H. Hörz):

In econometrics/ regression analysis treated as residual or error term

„true“ y

.

forecast ydeterministic part

y

e residualstochastic part

„true“ y

.

How to treat Randomness?

Zero Order Cybernetics First Order Cybernetics Second Order Cybernetics

Randomness essential

Emergence of stable structures by changing the properties of randomness (prob. distr. variable)

No randomness

Randomness non-essential

Statistical laws of nature (H. Hörz):

In econometrics/ regression analysis treated as residual or error term

„true“ y

.

forecast ydeterministic part

y

e residualstochastic part

„true“ y

..

How to treat Randomness?

Zero Order Cybernetics First Order Cybernetics Second Order Cybernetics

Randomness essential

Emergence of stable structures by changing the properties of randomness (prob. distr. variable)

No randomness

Randomness non-essential

Statistical laws of nature (H. Hörz):

In econometrics/ regression analysis treated as residual or error term

„true“ y

.

forecast ydeterministic part

y

e residualstochastic part

„true“ y

How to treat Randomness?

Zero Order Cybernetics First Order Cybernetics Second Order Cybernetics

Randomness essential

Emergence of stable structures by changing the properties of randomness (prob. distr. variable)

No randomness

Randomness non-essential

Statistical laws of nature (H. Hörz):

In econometrics/ regression analysis treated as residual or error term

„true“ y

.

forecast ydeterministic part

y

e residualstochastic part

„true“ y

Example: „The blind and the lame“

Two interacting worlds …

• world A: physical world(classical mechanics)

• world B: world of information and symbols(words without meaning)

agent based models

…and two interacting agents

agent 1: the blind• Is able to

– jump– hear– Interpret sound he/she hears– And act accordingly (jump)

agent 2: the lame• Is able to

– See the width of the obstacle– Produce sound (with a trumpet) – Can link the width of the obstacle to the pitch of the sound

http://peter.fleissner.org/MathMod/springer/default.htm

agent based models

Thanks for your attention

Contact:fleissner@arrakis.es

http://transform.or.at

Economic Reality – A Complex Construction

use values, environmental issuescollective production/appropriation

exchange valuesprices ~ labor values

commodity/service markets

prices of productionlabor market

markets for money,credit, stocks, derivatives

Commodity productionof self employed

Physical basis

Public sector taxes, subventions

transfers, social insurance

Globalized economyInternational financial capital

Contemporary Capitalism market prices(observed)

Capitalism with perfect competitionand fixed capital

Information Society: information as commodity, communication as commercial service

commodificationof information

goods/services

7

6

5

4

3

2

1