Главный недостаток заключается в предположении о том, что параметры
(доля выпускающихся молодых специалистов) и
(доля уходящих на заслуженных отдых пенсионеров) для моделируемой численности одинаковы независимо от текущего значения
(количество профессиональных математиков работоспособного возраста). На самом деле, когда число
становится большим, из-за перенасыщения рынка интеллектуального труда разумно ожидать более высокий уровень
и низкий
. Комбинируя эти факторы, можно сказать, что по мере увеличения численности
конечные
темпы её роста должны уменьшаться. Поэтому нужно как-то модифицировать модель так, чтобы темпы роста зависели от текущей численности; то есть скорость роста должна зависеть от так называемой «плотности».
Вопросы для самопроверки:
– Какие факторы могут стать причиной изменения плотности? Почему большое значение численности
может иметь высокий уровень
и/или низкий
?
Для создания нелинейной модели, чтобы спроектировать более адекватную модель, проще всего сфокусироваться на относительной величине
, показывающей долю изменения численности на общее число, то есть на темпе роста популяции за один шаг времени. Как только поймем от чего зависят темпы роста общей численности на одного человека и найдем формулу для их описания, сможем получить из этого итоговую формулу для
.
При небольших значениях
темпы роста на человека должны быть большими, можно представить себе небольшой элитарный клуб интеллектуалов с большим количеством ресурсов, доступных в его среде для поддержки дальнейшего роста численности. Однако для больших значений
дальнейшая скорость роста численности должна быть намного меньше, поскольку люди конкурируют как за идеи, так и за финансы в сфере их профессиональных интересов. Для еще больших значений
темпы роста должны быть отрицательными, это будет означать, что численность сократится. Тогда разумно предположить, что искомая величина
, как функция от
, имеет график, представленный на рисунке 1.1.
Рисунок 1.1. Темпы роста численности
в зависимости от текущего значения численности
.
Конечно, нельзя предугадать, как выглядит график
без сбора дополнительной информации. Возможно, график должен быть вогнутым или выпуклым, например. Тем не менее, это лишь первая попытка создать новую модель.
Вопросы для самопроверки:
– Постройте график темпов роста значений численности по мальтузианской модели. Чем тот график отличается от изображенного на рисунке 1.1?
Для мальтузианской модели
, поэтому тот график темпов роста представляет собой горизонтальную линию и снижения
по мере увеличения
не происходит. С другой стороны, наклонная линия рисунка 1.1 улучшенной модели приводит к формуле
, для некоторых
и
. В конечном итоге закономерность проявится яснее если записать уравнение прямой как
, где
– абсцисса точки пересечения горизонтальный оси,
– ордината пересечения вертикальной. Заметим, что
и
должны быть положительными. Через алгебраические выкладки получим новое разностное уравнение
. Эта модель обычно называется «дискретной логистической моделью» или «дискретным логистическим уравнением», хотя, к сожалению, многие модели называются также.
Параметры
и
в этой модели имеют физические и биологические интерпретации. Во-первых, если
, то
. При положительных темпах роста на душу населения население будет увеличиваться.
С другой стороны, если
, то
. При отрицательных темпах роста на душу населения численность населения будет сокращаться. Поэтому
называют несущей способностью окружающей среды, потому что она представляет собой максимальное количество особей, которые могут поддерживаться в течение длительного периода. Однако, когда население незначительно (т.е.
намного меньше, чем
), множитель
устремляется в 1. Поэтому для малых значений
модель аппроксимируется приближенными значениями
.
Другими словами,
играет роль
, в вышеописанной линейной модели. Параметр
просто отражает то, как популяция будет расти или уменьшаться в отсутствие факторов, зависящих от плотности, когда численность намного ниже предельного значения. Как правило
называют конечной внутренней скоростью роста. Термин «внутренний» относится к отсутствию внешнего воздействия, зависящего от плотности, а термин «конечный» подчеркивает тот факту, что используются временные шаги конечного размера, а не бесконечно малые временные шаги дифференциального уравнения.
Вопросы для самопроверки:
– Какие значения можно ожидать от
и
в случае, когда захотите смоделировать численность ежегодно поступающих на физико-математические факультеты омских ВУЗов?
Как вы увидите в задачах ниже, существует много способов, которыми разные авторы формируют логистические модели, в зависимости от того, смотрят ли на
или
, используют ли различные множители. Ключевым моментом, который поможет распознать нелинейную модель, является то, что и
, и
выражаются как квадратные трехчлены от
. Кроме того, эти многочлены не имеют свободного члена (т.е. члена нулевой степени). Таким образом, логистическая модель является простейшей нелинейной моделью, которую можно придумать. Как и в случае с линейной моделью, первым шагом в понимании этой модели является выбор некоторых конкретных значений для параметров
и
, а также для начальной численности
и вычисление следующих значений
. Например, выбирая
и
так, что
и
, получаем таблицу 1.5.
Таблица 1.5. Популяционные значения из нелинейной модели
– Какой смысл могут иметь популяции, значения которых не являются целыми числами?
Если измерять размер популяции в единицах, таких как тысячи или миллионы особей, то нет никаких оснований для того, чтобы популяции были целыми числами. Для некоторых видов, таких как коммерчески ценные рыбы, может быть даже целесообразно использовать единицы массы или веса, такие как тонны.
Другая причина, по которой нецелочисленные значения популяции не вызывают опасения, даже если используем поштучные единицы измерения, заключается в том, что пытаемся лишь приблизительно описать размер популяции. Нет ожидания того, что модель даст точные прогнозы. Пока числа невелики, можно просто игнорировать дробные части без значительных потерь.
В таблице 1.5 видим, что популяционное значение увеличивается до пропускной способности 10, как и ожидалось. Сначала это увеличение кажется медленным, затем оно ускоряется, а затем снова замедляется. Построение значений популяции на рисунке 1.2 показывает сигмовидную картину, которая часто появляется в данных тщательно контролируемых лабораторных экспериментов, в которых популяции увеличиваются в ограниченной среде. График показывает значения популяции, связанные сегментами линий, чтобы сделать шаблон более ясным, хотя дискретные временные шаги нашей модели действительно дают популяции только в целочисленное время. Таким образом, с интуитивной точки зрения мы добились определенного прогресса; у нас есть более реалистичная модель для описания роста населения или численности выпускников физико-математических специальностей.