Taxonomía de estructuras de comunidades en grandes redes

La caracterización de la estructura de la comunidad de las redes complejas

Andrea Lancichinetti, Mikko Kivelä, Jari Saramäki, Santo Fortunato
Publicado: 12 de agosto de 2010 | http://dx.doi.org/10.1371/journal.pone.0011976

Resumen

Trasfondo

La estructura de la comunidad es una de las propiedades fundamentales de las redes complejas y desempeña un papel crucial en su topología y función. Mientras que una cantidad impresionante de trabajo se ha hecho sobre la cuestión de la detección de la comunidad, muy poca atención se ha dedicado hasta ahora a la investigación de las comunidades en las redes reales.

Metodología / Principales conclusiones

Se presenta un análisis empírico sistemático de las propiedades estadísticas de las comunidades en la información general, la comunicación, tecnológicos, biológicos, y las redes sociales. Nos encontramos con que la organización mesoscópica de las redes de la misma categoría es notablemente similar. Esto se refleja en varias características de la estructura de la comunidad, que pueden ser utilizados como "huellas dactilares" de categorías específicas de la red. Mientras que las distribuciones de tamaño de la comunidad son siempre amplio, ciertas categorías de redes consisten principalmente en las comunidades en forma de árbol, mientras que otros tienen módulos más densos. ruta longitudes medias dentro de las comunidades inicialmente crecen logarítmicamente con el tamaño de la comunidad, pero se satura el crecimiento se ralentiza o para las comunidades más grandes que un tamaño característico. Este comportamiento está relacionado con la presencia de los centros dentro de las comunidades, cuyas funciones difieren entre categorías. También la inserción comunitaria de nodos, medido en términos de la fracción de enlaces dentro de sus comunidades, tiene una distribución característica para cada categoría.

Conclusiones / Importancia

Nuestros resultados, verificados por el uso de dos métodos de detección comunidad fundamentalmente diferentes, permiten una clasificación de las redes reales y allanan el camino a un modelado realista de la evolución de redes '.

Introducción

La moderna ciencia de los sistemas complejos ha experimentado un avance significativo después del descubrimiento de que la representación gráfica de este tipo de sistemas, a pesar de su simplicidad, revela un conjunto de características cruciales que son suficientes para revelar sus propiedades, función y evolución mecanismos estructurales generales [1] - [ 8]. Que representa un sistema complejo como un grafo que significa convertir las unidades elementales del sistema en los nodos, mientras que los enlaces entre nodos indican sus interacciones o relaciones mutuas. Muchas redes complejas se caracterizan por una amplia distribución del número de vecinos de un nodo, es decir, su grado. Esto es responsable de las propiedades peculiares tales como alta robustez frente a fallos aleatorios [9] y la ausencia de un umbral para la propagación de epidemias [10].

Otra característica importante de las redes complejas está representado por su estructura mesoscopic, caracterizado por la presencia de grupos de nodos, denominados comunidades o módulos, con una alta densidad de enlaces entre los nodos de un mismo grupo y una relativamente baja densidad de enlaces entre los nodos de diferentes grupos [11] - [14]. Esta organización compartimental de las redes es muy común en los sistemas de origen diverso. Ya se comentó en la década de 1960 que una estructura modular jerárquica es necesario para la robustez y estabilidad de los sistemas complejos, y les da una ventaja evolutiva [15].

La exploración de las comunidades de la red es importante por tres razones principales: 1) para revelar organización de la red a un nivel grueso, lo que puede ayudar a formular mecanismos realistas para su génesis y evolución; 2) para entender mejor los procesos dinámicos que tienen lugar en la red (por ejemplo, los procesos de innovación y epidemias), que pueden verse afectados considerablemente por la estructura modular del grafo de difusión; 3) para descubrir relaciones entre los nodos que no son aparentes mediante la inspección de la gráfica como un todo y que por lo general se pueden atribuir a la función del sistema.

Por lo tanto, no es sorprendente que los últimos años han sido testigos de una explosión de investigación sobre la estructura de la comunidad en los grafos. El problema principal, por supuesto, es la forma de detectar las comunidades, en primer lugar, y este es el punto esencial empujón por parte de la mayoría de los artículos sobre el tema que han aparecido en la literatura. Un gran número de métodos y técnicas se han diseñado, pero la comunidad científica todavía no ha acordado cuáles son los métodos más fiables y cuando un método deben o no deben ser adoptadas. Esto es debido al hecho de que está mal definida el concepto de comunidad. Dado que la atención se ha centrado en el desarrollo del método, muy poco se ha hecho hasta ahora para abordar una cuestión fundamental de este esfuerzo: ¿qué comunidades en redes reales parecen? Esto es lo que vamos a tratar de evaluar en este documento.

Investigaciones anteriores han demostrado que a través de una amplia gama de redes, la distribución de tamaños de la comunidad es amplio, con muchas pequeñas comunidades que coexisten con algunos otros mucho más grandes [12], [16] - [19]. La cola de la distribución puede ser a menudo bastante bien equipado por una ley de potencia. Leskovec et al. [20] han llevado a cabo una investigación exhaustiva de la calidad de las comunidades en las redes reales, medido por la puntuación de la conductancia [21]. Encontraron que la conductancia más bajo, lo que indica módulos bien definidos, se alcanza a las comunidades de un tamaño característico de los nodos, mientras que las comunidades mucho más grandes son más "mezclarse" con el resto de la red. Por esta razón se sugiere que la organización mesoscopic de redes puede tener una estructura de núcleo-periferia, donde la periferia se compone de pequeñas comunidades bien definidas y el núcleo comprende módulos más grandes, que están conectados más densamente entre sí y por lo tanto más difícil de detectar. Guimerá y Amaral han propuesto una clasificación de los nodos basados ​​en sus roles dentro de las comunidades [22].

Sin embargo, las propiedades fundamentales de las comunidades en las redes reales siguen siendo en su mayoría desconocidos. El descubrimiento de estas propiedades es el objetivo principal de este trabajo. Con este fin, hemos realizado un extenso análisis estadístico de la estructura de la comunidad de muchas redes reales de la naturaleza, la sociedad y la tecnología. La principal conclusión es que las comunidades se caracterizan por rasgos distintivos, que son comunes para las redes de la misma clase, pero que difieren de una clase a otra. Cabe destacar que dicha caracterización es independiente del método específico adoptado para encontrar las comunidades.

Métodos

Como nuestro objetivo es estudiar las características estadísticas de las comunidades, es necesario emplear conjuntos de datos en las redes grandes que contienen un gran número de comunidades de tamaño variable. Nuestros conjuntos de datos contienen los nodos, con excepción de las redes de interacción de proteínas (PIN), donde los más grandes conjuntos de datos disponibles son del orden de los nodos.

La Tabla 1 enumera los conjuntos de datos de red que hemos utilizado, junto con algunas estadísticas básicas. La mayoría de ellos han sido descargados de la red grande de conjunto de datos de la colección de Stanford (http://snap.stanford.edu/data/). Algunas redes están dirigidas originalmente (por ejemplo, el grafo de la web), pero los hemos tratado como no dirigida. Para más detalles sobre todas las redes se pueden encontrar en el Apéndice S1.


Table 1. Lista de datos de red usadas para el análisis


En general, hemos tenido en cuenta cinco categorías de redes:

• Redes de comunicación. Esta clase comprende la red de correo electrónico de una gran institución europea de investigación, y un conjunto de relaciones entre los usuarios de Wikipedia que se comunican a través de sus páginas de discusión. Tenga en cuenta que en los dos casos, la comunicación no es necesariamente personal, sino que implica, por ejemplo, correos electrónicos en masa, y por lo tanto estas redes no se puede considerar como redes sociales.
• Internet. Aquí tenemos dos mapas de Internet a nivel de sistemas autónomos (AS) (es decir, los nodos son grupos de enrutadores administrados por una sola entidad), producidas por los dos principales proyectos que exploran la topología de Internet: CAIDA (http: // www .caida.org /) y diez centavos (http://www.netdimes.org/).
• Redes de información. Esta clase incluye una red cita de pre-impresiones en línea en www.arxiv.org, una red de co-compra de los artículos vendidos por www.amazon.com y dos muestras de la gráfica Web, uno en representación de la berkeley.edu dominios y stanford.edu ( web-BS), y el otro fue lanzado por Google (web-G).
• Redes biológicas. Esta clase contiene los conjuntos de interacciones entre proteínas de tres organismos: mosca de la fruta (Drosophila melanogaster), levadura (Saccharomyces cerevisiae) y el hombre (Homo sapiens).
• Redes sociales. Aquí hemos considerado cuatro conjuntos de datos: una red de relaciones de amistad entre los usuarios de la comunidad en línea LiveJournal (www.livejournal.com); el conjunto de las relaciones de confianza entre los usuarios del sitio epinions.com opinión de los consumidores; la red de amistad de los usuarios del slashdot.org; la red de los usuarios de friedship www.last.fm.

El problema de la elección de un método para la detección de las comunidades es muy delicada. En primer lugar, se necesitan algoritmos muy eficiente, debido a que las redes que estudiamos son grandes. Este requisito excluye la mayoría de los métodos existentes. En segundo lugar, como se mencionó anteriormente, no existe un acuerdo común sobre un método de detección de la comunidad para todo uso. Esto se debe a la ausencia de una definición compartida de la comunidad, que se justifica por la naturaleza del problema en sí. En consecuencia, existe también la arbitrariedad en la definición de los procedimientos de ensayo fiables para los algoritmos. Sin embargo, existe un amplio consenso sobre la definición de comunidad originalmente introducido en un artículo de Condon y Karp [23]. La idea es que una red tiene comunidades si la probabilidad de que dos nodos de una misma comunidad están conectados excede la probabilidad de que los nodos de diferentes comunidades están conectados. Este concepto de comunidad se ha implementado para crear clases de grafos de referencia con las comunidades, tales como los introducidos por Girvan y Newman [11] y los grafos diseñados recientemente por Lancichinetti et al. [24], que integran al índice de referencia Girvan y Newman con distribuciones realistas de grado y el tamaño de la comunidad (LFR referencia). Investigaciones recientes indican que algunos algoritmos funcionan muy bien en el punto de referencia LFR [25]. En particular, el método introducido por Infomap Rosvall y Bergstrom [26] tiene una destacada actuación, y también es rápido y por lo tanto adecuado para grandes redes. Sin embargo, como todos los métodos de detección comunidad tiene su propio "sabor" y la preferencia hacia el etiquetado de determinados tipos de estructura de las comunidades, depender de un solo método no es suficiente si las conclusiones generales sobre la estructura de la comunidad deben ser presentados. Por lo tanto hemos verificado de forma cruzada los resultados obtenidos por Infomap con los producidos por un algoritmo muy diferente, la etiqueta de Propagación Método (LPM), propuesto por Leung et al. [27]. Este último ha demostrado ser fiable en el punto de referencia LFR y también es lo suficientemente rápido para manejar los sistemas más grandes de nuestra colección. Las descripciones detalladas de Infomap y la LPM se dan en el Apéndice S1. Aquí acabamos de señalar las profundas diferencias entre las dos técnicas. Infomap es un método de optimización global, que tiene como objetivo optimizar una función que expresa la calidad de la longitud del código de un paseo aleatorio de longitud infinita que tiene lugar en el grafo. El LPM es un método local, donde los nodos se atribuyen a la misma comunidad donde la mayoría de sus vecinos son. Las particiones obtenidos por ambos métodos para la misma red están en diferente general. Sin embargo, las características estadísticas generales de la estructura de la comunidad no parecen depender mucho de los detalles de las particiones. En lo que sigue, sólo se presentaron los resultados Infomap; para LPM, véase el Apéndice S1.

Resultados

Comenzamos el análisis por discutir brevemente la distribución de tamaños de la comunidad (Fig. 1). Vemos que, como era de esperar, para cada sistema hay una amplia gama de tamaños de la comunidad, que abarca varios órdenes de magnitud para los sistemas más grandes. Esto está de acuerdo con estudios anteriores [12], [16] - [19]. Las formas generales de las distribuciones son sistemas similares a través de la misma clase. Las distribuciones de las redes biológicas muestran las diferencias más grandes, que, sin embargo, es probable que el resultado de ruido como las redes son más pequeñas. Para las redes biológicas, el análisis realizado con el LPM muestra ligeramente diferentes distribuciones, así superpuestos (véase el Apéndice S1).

Figura 1. Distribución de tamaños de la comunidad.
Todas las distribuciones son amplios, y similar para los sistemas de la misma categoría. Los puntos de datos son promedios dentro de contenedores logarítmicas del tamaño del módulo.




A continuación, nos dirigimos a la topología de las comunidades, y estudiamos la densidad de enlace de las comunidades y su dependencia del tamaño de la comunidad. La densidad de enlace de un subgrafo se define como la fracción de enlaces existentes a posibles enlaces,  donde  es el número de sus enlaces internos y su tamaño se mide en los nodos. Aquí, utilizamos la densidad de enlace a escala , que también equivale aproximadamente al grado promedio interna de nodos en la comunidad. Hemos elegido esta medida, ya que señala claramente la naturaleza de subgrafos. Para los árboles, siempre hay  enlaces, y por lo tanto . Por otro lado, para cliques completo  y por lo tanto .

La Figura 2 muestra el promedio de las densidades escalados de enlaces  como función del tamaño de la comunidad para diferentes redes. Las líneas discontinuas indican los casos límite (). Vemos que las densidades de enlace en las redes de comunicación e Internet son muy cerca del límite inferior, lo que significa que sus comunidades son en forma de árbol y contienen pocos o ningún bucle. En las redes de comunicación, la densidad de enlace reducido no depende del tamaño de la comunidad, mientras que en los grafos de grandes comunidades de Internet parecen algo más densa. Redes en estas dos clases son los más escasa en nuestra colección, como su muy pequeño grado medio indica que en general no son mucho más densos que los árboles (ver Tabla 1). Cabe señalar que, en general, la vista intuitiva en las comunidades es que son "denso" en comparación con el resto de la red. Sin embargo, como los métodos aplicados aquí producen particiones, las comunidades de una red en forma de árbol son también necesariamente árbol similar. Contrariamente a lo anterior, las redes de información mucho más denso revelan una imagen diferente, donde las comunidades son bastante objetos densos, con la densidad de escala creciente con s. Especialmente en la red de Amazon, las comunidades con  son casi camarillas. Las redes sociales muestran aún otro patrón: la densidad de escalado de los módulos crece bastante regularmente con el tamaño, aproximadamente como una ley de potencia. Comunidades en las redes sociales son en su mayoría muy lejos de los dos casos límite: son más densos que los árboles, pero mucho más escasa que camarillas, con la excepción de las pequeñas comunidades que aparecen más árbol similar. Por último, las redes biológicas se caracterizan por dos regímenes: para , las comunidades son muy similares a árboles; para valores más grandes de s la densidad escalada aumenta con s. En la Figura 3 se ilustran las comunidades características de las clases de red.

Figura 2. Densidad escalada de enlaces de las comunidades como una función del tamaño de la comunidad.
Las redes de comunicación e Internet consisten esencialmente de las comunidades de árboles similares, mientras que las comunidades de redes sociales e información son mucho más denso. Pequeños módulos en redes biológicas son a menudo árbol similar, mientras que los módulos de mayor tamaño son más densos. Los puntos de datos son promedios dentro de contenedores logarítmicas del tamaño del módulo s.


Figura 3. Ejemplos visualizada de las comunidades en las redes de diferentes clases.
Las redes de comunicación (a: correo electrónico, b: Wiki Discusión) contienen comunidades muy dispersas con cubos en forma de estrella. Estos centros dan lugar a muy bajo longitudes de camino más corto dentro de las comunidades (ver Fig. 2). cubos parecidos a estrellas también están presentes en las comunidades de Internet (C: Dimes, d: Caida), que son relativamente escasas también. La comunidad CAIDA muestra una estructura de "estrellas fusionado" bastante típico de estas redes (véase el Apéndice S1). Por el contrario, las redes de información contienen densas comunidades hasta grandes camarillas (e: Amazon, f: Web-BS). En las redes biológicas, cuanto mayor sea la comunidad, menos del árbol-como es (g: D. melanogaster, h: H. sapiens). Por último, las comunidades en las redes sociales aparecen en promedio bastante homogénea (i: Slashdot, j: Epinions).



La compacidad de las comunidades se puede medir utilizando la longitud del camino más corto promedio dentro de cada comunidad. Higo. 4 muestra los valores medios de en función del tamaño de la comunidad. Para todas las redes, las longitudes medias camino más corto son muy pequeñas, con la excepción de las redes sociales. Curiosamente, todas las parcelas revelan el mismo patrón básico, con independencia de la clase de red. Para las comunidades muy pequeñas, crece aproximadamente como el logaritmo del tamaño de la comunidad (indicado por la línea de puntos), que es la propiedad "mundo pequeño" se observa típicamente en redes complejas [28]. Llamamos a estos módulos microcomunidades. Para los tamaños del orden de, sin embargo, el aumento de repente se vuelve menos pronunciada, y varias curvas de alcanzar una meseta. Los módulos con nodos son macrocommunidades. La estabilización de la longitud del camino más corto medio en macrocommunidades se puede atribuir a la presencia de nodos con alto grado, es decir, cubos, que hacen caminos geodésicos en promedio corto. Hacemos notar que, dado que la mayoría de nuestros sistemas tienen grado distribuciones amplias, más cortas longitudes de paso son muy cortos [29], pero la brusca transición que observamos es inesperada y aparece como una característica completamente nueva.

Figura 4. El camino más corto promedios de duración dentro de las comunidades como una función del tamaño de la comunidad.
Después de un régimen inicial logarítmica "mundo pequeño" (línea de trazos en diagonal), el camino más corto promedio crece mucho más lento o se satura para las comunidades con nodos (línea punteada vertical). Los puntos de datos son promedios dentro de contenedores logarítmicas de tamaño del módulo.


Para las redes de comunicación, hay una meseta con  para . A medida que estas comunidades son en forma de árbol, esto indica que tienen una estructura semejante a una estrella donde la mayoría de los nodos están conectados a un concentrador central única y por lo tanto es igual a dos su distancia. Para las redes de Internet, la presencia conjunta de baja densidad y baja distancias también significa que los cubos dominan la estructura - aquí, estructuras "-combinado de la estrella" que consta de dos o más ejes que comparten muchos de sus vecinos fueron observados (véase la figura 3d.). Esta estructura garantiza una comunicación eficiente entre las unidades de los sistemas. Por el contrario, la información, social, y redes biológicas tener una densidad más alta y por lo tanto sus longitudes de trayectoria cortas son debido tanto a la densidad y la presencia de concentradores. Hubs juegan un papel menor en las redes sociales, ya que las longitudes medias camino más corto siguen aumentando poco a poco también para grandes.

La imagen de arriba se ve corroborada por la Fig. 5, que muestra la relación entre la máxima observada grado interna en la comunidad de nodos  y   como una función del tamaño s de la comunidad. Esta relación es igual a la unidad, si cualquier nodo está conectado a todos los otros nodos de su comunidad, y por lo tanto se cuantifica el predominio de los mayores centros dentro de las comunidades. Para las redes de comunicación,  es cercano a la unidad, incluso para los s grandes, de acuerdo con las observaciones anteriores sobre las comunidades en forma de estrella. Para Internet, esta cantidad disminuye con un poco, ya que las comunidades pueden contener varios concentradores que no se conectan a todos los demás nodos. En las redes de información, hay algunas diferencias. En los grafos Web, las comunidades más grandes contienen nodos de conexión (casi) toda la comunidad. A medida que la densidad de borde en estas comunidades es alta, puede haber varios de estos nodos - en una pandilla, todos los nodos tienen grado . Para las redes biológicas y sociales, hay una tendencia a la baja. Sobre todo en las redes sociales, hay pocas o ninguna centros dominantes en grandes comunidades. Estamos observación de que el acuerdo entre las curvas de la figura. 5 es más cualitativo que cuantitativo (sobre todo para las redes sociales y biológicas), en desacuerdo con otras firmas. Esto se debe a las parcelas se refieren a las propiedades de una clase muy restringido de nodos "extremales", es decir, de los centros de la comunidad. Por lo tanto, por una parte, el ruido de las curvas es más grande. Por otro lado, los métodos de detección de la comunidad tienen diferentes maneras de tratar a los centros: mientras que los métodos generalmente tienden a ponerlos "dentro de" comunidades, otros (como Infomap) de vez en cuando les ponen "entre" comunidades.

Figura 5. La máxima observada grado interno de nodos como una función del tamaño de la comunidad.
Esta cantidad es igual a uno si cualquier nodo está vinculado a todos los demás nodos de su comunidad, y por lo tanto cuantifica el predominio de los centros dentro de las comunidades.




Veamos próxima a echar un vistazo más de cerca a la relación entre los nodos individuales y estructura de la comunidad. Aquí, la propiedad más natural para investigar es el grado interno , que indica el número de vecinos de un nodo en su comunidad. Medimos la incrustación de un nodo en su comunidad con la relación , que caracteriza el grado en que el vecindario del nodo pertenece a la misma comunidad que el propio nodo. La distribución de probabilidad de la relación de arraigo de todos los nodos de sus respectivas redes se muestra en la Fig. 6. Uno directamente puede suponer que, en promedio, el arraigo de nodos sería bastante grande, y una fracción sustancial de sus vecinos deben residir dentro de sus respectivas comunidades. Sin embargo, la Fig. La figura 6 muestra un patrón más complejo, donde los valores  más pequeños de no son nada raro. Todas nuestras redes se caracterizan por una fracción sustancial de los nodos que son totalmente interna a sus comunidades, es decir, que no tienen enlaces a fuera de su comunidad y por lo tanto . Estos corresponden a los puntos de datos más a la derecha en cada parcela, y tales nodos normalmente ascienden a más del 50% todos los nodos. Estos nodos tienen en su mayoría un bajo grado (por ejemplo, los grados-uno nodos conectados a hubs en las redes de comunicación). Redes en la misma clase siguen esencialmente un patrón muy similar. Las redes de comunicación e Internet tienen perfiles muy similares a futuro, donde la distribución tiene un pico alrededor de . Las redes de información, en cambio, tienen un perfil bastante diferente, con un incremento suave inicial de llegar a una meseta en alrededor . Las redes biológicas, a pesar de la inevitable ruido, también muestran una imagen consistente a través de conjuntos de datos. Ellos se asemejan algo a las redes de comunicación y de Internet, con una subida inicial hasta que , seguido de un lento descenso para los valores más grandes. Las redes sociales tienen una distribución bastante plana en toda la gama, con pequeñas variaciones de un sistema a otro. Esto significa que hay muchos nodos con la mayor parte de sus vecinos fuera de su comunidad. La mayoría de las técnicas de detección de la comunidad, incluidos los que hemos adoptado, tienden a asignar a cada nodo de la comunidad, que contiene la mayor fracción de sus vecinos. Esto implica que si un nodo tiene sólo unos pocos vecinos dentro de su propia comunidad, que tendrá aún menos vecinos dentro de otras comunidades individuales. Dichos nodos actúan como "intermediarios" entre muchos módulos diferentes, y se comparten entre muchas comunidades en lugar de pertenecer a una única comunidad. Por lo tanto, sería más correcto para asignarlos a más de una comunidad. La superposición de las comunidades son conocidos por ser muy comunes en las redes sociales, y se han introducido técnicas especializadas para su detección [16], [30] - [35].

Figura 6. Distribución de probabilidad para ISA , la fracción de los vecinos de un nodo que pertenece a su propia comunidad.
Redes en la misma clase presentan un comportamiento similar.



En el Apéndice S1 se investigan otras propiedades estadísticas de las comunidades.

Discusión

Desde el advenimiento de la ciencia de las redes complejas, su atención se ha desplazado desde la comprensión de la aparición y la importancia de las características a nivel de sistema para mesoscopic propiedades de las redes. Estos se manifiestan en las comunidades, es decir subgraphs densamente conectada. Las comunidades son ubicuos en las redes y por lo general juegan un papel importante en la función de un sistema complejo - módulos en las redes de interacción proteína-se refieren a funciones biológicas específicas, y las comunidades en las redes sociales representan el nivel fundamental de la organización en una sociedad. El doble problema de definir formalmente y detectar con precisión las comunidades ha atraído hasta ahora la mayor parte de la atención, a costa de una falta de comprensión de las propiedades estructurales fundamentales de las comunidades. Nuestro objetivo en este trabajo ha sido el de descubrir algunas de estas propiedades.

Nuestros resultados indican que las comunidades detectados en las redes de la misma pantalla clase características estructurales sorprendentemente similares. Esto es notable, ya que algunas clases son muy amplio y comprenden sistemas de diferente origen (por ejemplo, la clase de redes de información, que incluye grafos de citación, co-compra y la Web). El resultado se verifica mediante dos métodos de detección de la comunidad que son diferentes tanto partición-basan, pero se basan en principios completamente diferentes. De acuerdo con los resultados anteriores, las distribuciones de tamaño de la comunidad son amplios para todos los sistemas que hemos estudiado. densidades de enlace dentro de las comunidades dependen en gran medida de la clase de red. La longitud media de camino más corto muestra un comportamiento similar en todas las clases, en un principio aumentará de manera logarítmica en función del tamaño de la comunidad (microcomunidades) y luego la ralentización o la saturación de las comunidades de tamaño  (macrocommunities). En combinación con nuestros resultados en la densidad de enlace en las comunidades, el comportamiento de las longitudes de trayectoria revela un cuadro donde los nodos de alto grado son muy dominantes en las comunidades de ciertas clases (de comunicación, Internet) y juega un papel menos importante en la conectividad de los demás, especialmente redes sociales. Esta imagen se ve corroborada por el análisis de los grados internos en la comunidad máximas de nodos. Por último, también la distribución de probabilidad de la fracción de los enlaces internos para los nodos muestra una firma clara para cada una de las clases consideradas.

Las firmas que hemos encontrado son una especie de identificación de la red, y podrían utilizarse tanto para clasificar otros sistemas e identificar nuevas clases de red. Por otra parte, podrían convertirse en elementos esenciales de los modelos de red, con la ventaja de las descripciones más precisas de las redes reales y las predicciones de su evolución.

Aunque nuestros resultados se han obtenido utilizando dos métodos diferentes, sus méritos generales de validez alguna discusión. A medida que el concepto de "comunidad" es mal definido, todos los métodos para la detección de las comunidades se basa en una interpretación específica del concepto. Además, las filosofías subyacentes de los métodos pueden diferir en gran medida. Métodos que requieren que las comunidades son "local" muy densa, como camarilla percolación [16], detectaría sólo unas pocas comunidades en las redes de comunicación e Internet, ya que no tienen en cuenta los árboles o estrellas como comunidades - sin embargo, este resultado sería coherente para las redes de la misma clase. Por otra parte, es evidente que los métodos basados ​​en particiones descuidar el hecho de que los nodos pueden participar en múltiples comunidades. Sin embargo, vale la pena señalar que cualquiera que sea el método utilizado, las comunidades resultantes son subgrafos reales de la red en estudio, es decir, sus bloques de construcción. Por lo tanto sus propiedades estadísticas reflejan la organización mesoscópicas de las redes, y nuestros resultados indican que esta organización es similar dentro de las clases de redes.

Un artículo muy reciente [36] ha llegado a una conclusión similar con un enfoque totalmente diferente, donde las taxonomías de redes se construyeron sobre la base de firmas derivadas de la modularidad de Newman y Girvan.

Referencias

Brexit: Londres sigue siendo central en directorios enlazados europeos

La ciencia de las redes muestra de Londres está en el corazón de la élite corporativa del mundo
Muchas ciudades del Reino Unido son fundamentales, pero pueden sufrir con Brexit, sostiene Frank Takes

LSE Business Review




En este artículo de blog, investigamos la posición del Reino Unido dentro de la red de poder corporativo global. Las empresas no son actores individuales del mercado, pero por lo general están incrustados en densas redes de poder y control, por ejemplo basado en la propiedad o directivas entrelazadas. El grupo de investigación de la red corporativa CORPNET de la Universidad de Ámsterdam estudia estas redes como parte de un programa de investigación de cinco años financiado por el Consejo Europeo de Investigación (ERC). La idea general detrás de enfoque llamado "ciencia de las redes" del grupo es que mediante el estudio de un sistema de interacción (la economía global) en lugar de simples sumas y los promedios de los individuos de los sistemas (actividad económica y el comportamiento de las empresas / países), obtenemos nuevos conocimientos en el sistema considerado.

Posición del Reino Unido y Londres

A principios de 2016, nuestro grupo de investigación estudió la organización de la élite corporativa global desde una perspectiva de red. Estamos visualizar las relaciones entre las ciudades de todo el mundo en función de si las empresas en estas ciudades estaban involucrados en los enclavamientos de mesa: Compartimos directores de alto nivel entre las empresas. Para aprender más sobre el cuerpo sustancial de literatura sobre las causas y consecuencias de los enclavamientos, ver la excelente revisión del artículo de Mark Mizruchi.

Obtenemos una denominada red de ciudades conectadas firmemente que consiste en 24.747 ciudades (los nodos), conectados a través de los lazos 874,810 placa de bloqueo distintos (los durmientes). El centro estricto de esta red, que consiste en el 409 (1.65 por ciento) la mayoría de las ciudades bien conectadas en todo el mundo, se muestra en la figura 1. En esta figura, un nodo (objeto) representa una ciudad, el color de un objeto se corresponde al país, y el tamaño de un nodo se basa en cómo el centro de este nodo es con respecto a los otros nodos, basado en la estructura de la red. Intermediación centralidad es una métrica de red que indica la frecuencia con un nodo está en un camino más corto entre otros nodos. Mide la posición de corretaje de ese nodo, en nuestra red de ciudad correspondiente a la contribución de una ciudad a la conexión de otras ciudades en todo el mundo.

Figura 1: El centro de la red de la ciudad basado en directorios enlazados. color de nodo corresponde a otro de la ciudad, tamaño de los ganglios es proporcional al valor de intermediación centralidad de la ciudad.



Es evidente que Londres tiene, con mucho, la posición más dominante en esta red. A nivel mundial, Londres juega un papel crucial en la conexión de la élite corporativa global a través de cortas longitudes de trayectoria. Por otra parte, observamos que, en general, hay un gran número de ciudades británicas (aunque sea como resultado de la posición del centro de Londres) presente en el centro de esta red. Más específicamente, a pesar de que solamente 723 (2,9 por ciento) de las ciudades de la red global de 24.747 ciudades se encuentran en el Reino Unido, 69 (16,9 por ciento) de las ciudades en el pequeño centro de 409 ciudades es británico. Esto demuestra cómo, en promedio, las ciudades del Reino Unido son casi seis veces más dominante en el centro de la red de ciudades de un país promedio.

El Reino Unido, y en particular, de Londres, es de hecho el núcleo de élite corporativa del mundo. Londres no es sólo un controlador de acceso a través del cual el Reino Unido está conectada con el resto del mundo, pero también se conecta élite corporativa del continente europeo, por ejemplo, a los Estados Unidos, el Oriente y los antiguos países de la Commonwealth británica. Durante la campaña Brexit, a menudo se argumenta que, en general, la ciudad fue en gran medida a favor de permanecer en la UE (véase, por ejemplo, esta encuesta por CSFI). Por el contrario, los defensores Brexit afirmaron que Gran Bretaña es un país bien desarrollado y globalmente integrada que puede sostenerse por sí mismo dentro de la economía mundial, sin la necesidad de la Unión Europea. Sin embargo, en comparación con Europa, ¿cómo está dividida propio Reino Unido en sí mismo? ¿Qué efecto tiene una estructura corporativa bien organizado y conectado?

Detección de comunidades

Para responder a la pregunta antes mencionada, vamos a volver "consultar" a la red, y tratar de derivar las comunidades de la red de la ciudad basado en enclavamientos de mesa. Identificamos grupos de nodos (ciudades) que están más estrechamente relacionados entre sí, que con el resto de la red. La detección de comunidades es un método bien conocido en el campo de la ciencia de red que permite a uno encontrar estos grupos densamente conectadas de nodos de la red, basada sólo en la estructura de la red, por lo que sin ningún conocimiento previo en lugar de conexiones de la red. Aquí se utiliza la maximización de la modularidad utilizando el método de Lovaina, una técnica bien conocida de computacionalmente eficiente para encontrar comunidades que, mediante el canje de los nodos entre las comunidades, trata de optimizar el valor modularidad que indica la calidad de la división de la red en las comunidades. Si utilizamos este algoritmo en la mencionada red de la ciudad global y enfoque en Europa, tenemos la división de las ciudades en las comunidades como lo indican los colores en la Figura 2.

Figura 2: La parte europea de la red de ciudades globales. Los colores corresponden a las comunidades. Los lazos se han omitido para facilitar la lectura de la figura.




A partir de la Figura 2, se puede observar que un número de comunidades que abarcan varios países se encuentran por el algoritmo: existe una comunidad de Alemania, Suiza, Austria, Hungría y los países ex yugoslavos, una comunidad de ciudades en los países "Benelux" (Bélgica , países Bajos, Luxemburgo), una comunidad de países del sur de Europa, entre ellos Francia, España e Italia (pero no Portugal, que está más fuertemente conectada a Brasil y América Latina, no se visualizó aquí). La República Checa y Eslovaquia forman una comunidad muy unida, y también lo hacen los países escandinavos, a excepción de Finlandia, que aparentemente está más estrechamente conectada en una comunidad con Estonia. ciudades de Polonia no pertenecen claramente a ninguna comunidad en particular, y se mezclan entre las comunidades en torno a Rusia, Alemania y Escandinavia. Interesante y digno de notar aquí es que no hay información sobre la geografía de Europa se puso en el algoritmo de detección de la comunidad. Los resultados se derivan exclusivamente de la estructura de la élite corporativa a través de los enclavamientos de mesa.

Volviendo al Reino Unido; En la Figura 2 vemos cómo las ciudades británica parece estar en una comunidad junto con Irlanda, aparentemente posando en su conjunto. Cabe señalar que una parte justa de los enclavamientos de mesa también se produce entre las empresas dentro de las ciudades, lo que resulta en los denominados libre bucles en las redes. En particular, Londres tiene una fuerte auto-loop extraordinaria, ya que la ciudad cuenta con un gran número de empresas que se entrelazan entre sí, creando un lazo que es más fuerte que cualquier otro lazo. Una forma de mirar estas libre bucles es decir que de alguna manera indican la estructura de poder interna de una ciudad. Curiosamente, si en la red de ciudades globales que la búsqueda de las comunidades en la red con estas libre bucles, la comunidad empresarial británica se deshace en un total de 19 comunidades separadas, como se muestra en la Figura 3, la separación de Londres desde el resto del Reino Unido. Las comunidades resultantes tienen un carácter regional clara, y ya no son tan bien conectadas como estaban con poder integrador de Londres. Esto sugiere que puede haber consecuencias considerables para la conexión internacional de ciertas regiones del Reino Unido, si el Brexit alguna manera dar lugar a una separación particular de estas regiones de la ciudad.

Figura 3: La parte británica de la red de ciudades globales. Los colores corresponden a las comunidades que se encuentran sin el poder integrador de Londres.

Observaciones finales

Sobre la base de estos resultados, se podría decir que internamente, el Reino Unido es quizás tan dividida como la propia Unión Europea, es decir, no puede querer a sobreestimar su unidad. Al menos está fuertemente orientado regionalmente la élite corporativa en el propio Reino Unido, aunque eclipsado por el poder integrador de la ciudad. Por supuesto, queda por ver cuáles son las consecuencias precisas de un Brexit en un sistema corporativo tales como la considerada en esta entrada del blog. No obstante, dada la posición clave de Londres y el Reino Unido en la red global, es probable que los cambios locales en la estructura corporativa de las empresas en el Reino Unido pueden influir significativamente en el Reino Unido, así como el sistema global en su conjunto, teniendo en cuenta la dominante la posición de, en particular, la ciudad de Londres.

Aparte de los resultados obtenidos anteriormente para el Reino Unido, esperamos que esta entrada del blog corta proporciona una cierta penetración en cómo la ciencia de la red es capaz de revelar patrones que no son directamente visibles desde el estudio de los datos de los objetos mismos, pero son evidentes en la perspectiva de la red.

♣♣♣

Notas:

• Esta entrada de blog apareció originalmente en CORPNET, y se basa en el autor de Where is the global corporate elite? A large-scale network study of local and nonlocal interlocking directorates, en coautoría con E. M. Heemskerk, J. García-Bernardo y M. J. Huijzer. Próxima en Sociologica de 2016.
• El puesto le da los puntos de vista de sus autores y no representan la posición de LSE Business Review o la London School of Economics.
• Crédito de la imagen del día: CorpNet
• Antes de comentar, por favor lea nuestra política de comentarios

Casarse con primos: Las redes genéticas que enmarcan nuestras redes sociales

Todo el mundo en la Tierra es en realidad su primo

Escrito por Tim Urban - Quartz



Este artículo apareció originalmente en Wait But Why

Tengo una abuela viva, mi abuela paterna, que tiene 89: Nana.
Visité a Nana recientemente y pasé por las actividades habituales- hablar sobre mí mismo en voz alta, arreglar su "máquina rota" por no minimizar la ventana del navegador de Internet, que me digan "andá despacio Timothy y andá por el carril de la izquierda, a pesar de que el cambio de sentido estaba a una media milla por delante. Pero también he utilizado la visita como una oportunidad de hacer algo que no he hecho lo suficiente en mi vida, hacerle preguntas acerca de nuestra familia.
Yo no te conozco, pero casi puedo garantizar que vos no les hacés a tus abuelos o padres (mayores) las suficientes preguntas sobre sus vidas y las vidas de sus padres. Estamos todos muy absortos en nosotros mismos, y en estas circunstancias, se nos olvida que se preocupan por el contexto de la vida que estamos tan inmersos. Podemos usar Google para aprender cualquier cosa que queramos sobre la historia del mundo y de la historia de nuestro país, pero nuestro propia historia -que personal que realmente debe saber bastante bien sólo se podrá acceder haciendo preguntas.

Durante mi visita, Nana refirió a sí misma como "el último de los mohicanos", queriendo decir básicamente que todo el mundo que pasó por su vida estaba muerto-su marido, sus hermanos, primos y amigos se habían ido todos. Además de eso es el hecho más deprimente de todos los tiempos, sino que también fue una llamada de atención discordante que un tesoro de información rica y detallada sobre el pasado de mi familia existe en uno y sólo un lugar-con sus 89 años de edad, el cerebro vital y si seguía alrededor vivita y coleando, la mayor parte de esa información se perdería para siempre.
Así que en esta visita, empecé a hacer preguntas.
Ella estaba molesta.
Sin embargo, sólo se tarda un par de minutos para ella a sumergirse en la narración, y me pasó los siguientes tres horas charlando como locos.

He aprendido más de lo que había sabido sobre su infancia. Yo sabía que ella y mi abuelo habían crecido durante la Gran Depresión, pero nunca supe los increíbles detalles, cosas como que ella veía a una madre y sus hijos siendo arrojados a la acera por el locatario y dejados allí a morir de hambre y congelarse hasta que cada vecino en la cuadra le acercó una o dos monedas pese a su propia situación empobrecida por lo que la mujer podría alquilar una habitación por un mes más.
Aprendí un montón de mis cuatro bisabuelos paternos de nuevo, que había conocido la información básica acerca de ellos, pero fueron los detalles que por primera vez les hizo la gente real. Tres de ellos crecieron en malos orfanatos-La cuarta que había quedad en New York todo lo que sabía de Letonia en su adolescencia y se alistó en un solo barco para cruzar a través del Atlántico, llegando a Nueva York para trabajar en una fábrica.
Yo incluso para la primera vez que había escuchado historias acerca de la abuela de mi abuela, que vino por separado de Letonia y vivió con la familia durante sus últimos años y al parecer tenía una personalidad dura. Afortunadamente, ella murió en 1941, pocos meses antes de que ella se hubiera enterado de que sus cuatro hijos (que a diferencia de su madre y su hermana, se quedaron en Letonia porque tenían una próspera empresa familiar allí) fueron asesinados en el Holocausto.
Yo sabía nada de esto. ¿Cómo me acaba de aprender ahora que cuatro hermanos de mi bisabuela murieron en el Holocausto? Y ahora que, por primera vez, sé que mis cuatro bisabuelos paternos y tatarabuela como personas reales y complejos con personalidades distintas, no puedo creer que haya pasado la vida hasta ahora satisfecha con saber casi nada acerca de ellos. Especialmente ya que es su especial orfanato / fábrica de explotación / Gran Depresión lucha que ha llevado a mi vida ridículamente agradable.

Y tan feliz como yo soy el que al menos arañado la superficie de aprendizaje que estas personas estaban, ahora estoy triste por todas estas otras personas grises:

(WaitButWhy.com)

Todo esto se ha conseguido hizo pensar acerca de la genealogía y lo fascinante que es como un concepto. ¿Qué pasa si sigo mi árbol que se extiende hacia arriba y arriba y arriba? ¿Qué es exactamente una cuarta primo, y cuántos de ellos tengo, y donde están todos ellos en este momento? Lo extraño es que a un chico en el 2300, que soy uno de los-anticuados buscando tipos muy altos en su árbol genealógico a la altura de cientos de otros?

El pasado: el cono de ancestro

Así que vamos a empezar con el pasado, y ver lo que ocurre si siguen subiendo el árbol familiar, o lo que yo llamo el Cono antepasado:

(WaitButWhy.com)

Se puede ver que las cosas se ponen agitado bastante rápidamente cuando usted comienza a moverse hacia atrás en las generaciones. La fila superior es el grupo de 128 personas de sus quinto tatarabuelos, o bisabuelos de sus abuelos abuelos. Lo que me parece sorprendente es cuán recientemente en el tiempo que tenía un gran número de tales antepasados. Estimar una generación media a los 25-30 años, la mayoría de esas personas eran de su edad actual en torno a 1800-1825. Así que el mundo de principios del siglo 19 contenía 128 extraños al azar seguir con su vida, cada uno de cuyos genes constituye el 1 / 128ª de lo que son hoy en día.
Que eran todos ellos? Lo que los países tenían que viven? ¿Qué es lo que todos lo hacen con sus vidas? Lo tragedias tuvieron que soportar y cuáles fueron sus mayores triunfos? ¿Cuáles fueron los 254 padres e hijos relaciones en este diagrama como? ¿Cuál de las 252 relaciones en-ley por encima estaban cerca y amoroso, y que estaban enojados y polémico?
La cosa más loca para mí es que este diagrama, que sólo representa los últimos 200 años de sus antepasados, de 127 relaciones románticas, cada uno implicado al menos un momento crítico el sexo, y la mayoría de ellos probablemente relacionados con profundo amor. Usted es el producto de 127 romances, sólo en los últimos 200 años solamente.

Muy bien, estoy nervioso por esto, pero voy a tomar una grieta en volver incluso ULTERIORES

(WaitButWhy.com)

Está bien que quedó completamente fuera de control. En este diagrama se va solamente cinco generaciones más atrás que la de arriba y mira la locura que se llevó a cabo.
Los seres humanos en 4096 la sección superior son sus great10 abuelos. La mayoría de ellos eran de su edad en la segunda mitad de la década de 1600, al igual que la Ilustración se va consiguiendo en Europa.
Se puede ver por qué no es realmente tan impresionante cuando alguien le dice que son descendientes de la famosa imagen que vivió hace unos cien años. Mira cuántas personas estás descendiente de sólo unos 300 años atrás! Dentro de esa sección superior, es probable que haya algunos derechos, además de algunos campesinos, académicos, guerreros, pintores, prostitutas, asesinos, locos, y cualquier otro tipo de persona que existía en aquel entonces.

Por último, mira de cerca a esa sección superior y cuenta de que en realidad se puede ver diminutos 4096 personas distintas de allí y darse cuenta de que si tocas sólo uno de ellos a partir de ahí, no existiría en la actualidad. Venga.
También se le puede darse cuenta de que hay algo que no tiene sentido acerca de la forma en que estos números se enfoca para arriba exponencial-estamos en el 4096 que se remonta tres siglos, y continuar a ese ritmo, nuestro número ancestro es la siguiente:

(WaitButWhy.com)

Eso te pone en 68 mil millones de antepasados ​​alrededor de 1100 DC. La razón de que es problemático es que la población mundial es la siguiente:

(WaitButWhy.com)

Entonces, ¿cómo se explica esto?
Con un concepto llamado colapso pedigrí, que es lo que sucede cuando las personas terminan con un compañero que es algo o muy estrechamente relacionado con ellos. Así, por ejemplo, si dos primos tenían un niño, ese niño sería sólo tienen seis bisabuelos, no ocho. O, para decirlo de otra manera, hay ocho puntos bisabuelo llenas de árboles genealógicos de ese niño, pero dos de los puntos son duplicados de otros dos spots publicitarios

(WaitButWhy.com)

Antes de que una mueca de dolor, absorber este hecho: según el profesor de antropología de Rutgers Robin Fox, el 80% de todos los matrimonios en la historia han sido entre primos segundos o más.
La razón de esto es que la mayor parte de la historia humana, las personas pasaron la mayor parte de su vida en el mismo radio de cinco millas, y las otras personas en la misma área tendían a ser familia inmediata y extendida. Para alejarse de su familia extendida en el cortejo, los hombres tendrían que caminar más de cinco millas de distancia, que después de un largo día de caza que simplemente no tiene ganas de hacer.
En el mundo occidental, esto es en gran parte un fenómeno del pasado, pero en muchas partes del mundo, esto sigue siendo una práctica -por ejemplo común, en la mayor parte de Oriente Medio y el Norte de África, más del 50% de los matrimonios de hoy en día son entre primos segundos o más cercanos.
Así que ese grupo de personas por encima de 4.096? Un número de esos puntos son, sin duda, duplicados, es decir, el número real de personas distintas es probablemente un poco más bajo, y para alguien hace varios miles de años, el número de antepasados ​​10ª generación que tendrían sería mucho menor que 4.096.
A causa de colapso pedigrí, si extendida que su manera de árbol de familia, camino de vuelta, que comenzaría a reducirse, lo que resulta en una forma de diamante:

(WaitButWhy.com)

La punta del cono antepasado más amplia sucede para la mayoría de nosotros alrededor de 1200 dC, cuando nuestro árbol genealógico está cerca de la población mundial total en el momento. A partir de ese momento, el colapso pedigrí se convierte en un factor más fuerte que el multiplicador x2 normal hacia arriba, y el árbol converge hacia el interior.

El presente: tus parientes vivos

Así que en este frenesí de la procreación todos somos parte de, lo que es el trato con nuestra relación con las otras personas en la Tierra hoy en día?
La manera más simple de pensar en ello es que cada extraño en el mundo es un primo suyo, y la única pregunta es cómo un primo lejano que son. El grado de primo (primera, segunda, etc.) es sólo una forma de referirse a la distancia que tiene que volver antes de llegar a un ancestro común. Para primos hermanos, sólo tiene que volver dos generaciones para golpear a sus abuelos comunes. Para primos segundos, usted tiene que volver tres generaciones a sus bisabuelos comunes. Para quintos primos, tendría que volver seis generaciones, hasta que llegue a su par común de grandes-grande-grande-grande-abuelos.
Dado que una gran cantidad de gente se confunde acerca de las definiciones primo, hice un pequeño gráfico que ilustra lo que es un primo segundo.

(WaitButWhy.com)

Así que darse cuenta de que para usted y su prima segunda, A) su padre es un primo hermano de su padre, B) que tiene los abuelos que son hermanos, y C) sus padres son sus bisabuelos comunes. Para primos terceros, todo sólo sube un nivel, sus padres son primos segundos, tus abuelos son primos hermanos, sus bisabuelos son hermanos, y usted tiene un par común de grandes-bisabuelos.
(Para todo el asunto "una / dos veces eliminado", se trata de estar en diferentes generaciones, por lo que el hijo de su prima segunda Es el segundo primo quitado una vez, porque es una generación lejos de ti, primo hermano de su abuelo es su primer primo quitado dos veces. Una segunda, tercera o cuarta primo recta debe estar en el mismo nivel de generación.)
El número de primos que tienes crece exponencialmente como el grado de la distancia aumenta. Es posible que tenga un pequeño número de primos hermanos, pero es probable que tenga cientos de primos terceros, miles de quintos primos, y más de un millón primos octavo.
Porque me dieron un poco obsesionado con este concepto mientras se hace este post, me decidí a enrollar las mangas y empollón di cuenta de una fórmula para esto:

(n-1) 2d nd

-donde n es el número promedio de hijos que se tenía por una familia y d es el grado de primo desea encontrar el número total de (una explicación de esta fórmula se encuentra en la parte inferior del poste). (P. S. Estoy encantada con mi mismo en este momento.)
Así que para saber cuántos primos tercer tendrías (d = 3) si su familia promedio que tiene dos hijos por pareja (n = 2), sería (2-1) 23 * 23 = 64.
El número de cuarto primos que tendría (d = 4) si su familia un promedio de tres hijos por pareja (n = 3) sería (3-1) 24 * 34 = 2592.
Usando esta fórmula en sí mismo es difícil, porque no se sabe n, el número medio de hijos de su familia extendida está teniendo-pero se puede conseguir un estadio de béisbol general para el número con número medio de su nación de hijos por familia estadística. He calculado algunos ejemplos a continuación:

(WaitButWhy.com)

Lo más interesante para mí es que estos números suben de manera exponencial que tomando el promedio mundial para el número de hijos por familia (2.36), se puede utilizar la fórmula para calcular que si la cría se mezclaron de manera uniforme en todas las culturas y naciones, la relación de pariente más distante que usted tendría en la Tierra sería un primo 15to.
Sin embargo, dado que la cría no se mezcla de manera uniforme y es en cambio contenía en su mayoría dentro de los países y culturas, la persona más lejana dentro de su cultura o etnia es probablemente más cerca que un primo 15 de, mientras que la relación más lejana que tiene en la Tierra es probable que sea por lo que un primo 50a.
En cualquier caso, usted tiene cientos si no miles de primos tercero y cuarto, y es probable que estés amigos con algunos de ellos sin darse cuenta, que incluso podría estar saliendo uno de ellos.
La otra manera de ver esto es desde la parte superior hacia abajo y ver la rapidez con la distancia de relación aumentan a medida que las generaciones se mueven hacia abajo mientras usted y su hermano creció en la misma casa, sus hijos serán primos que podría o no ser amigos y sus nietos podrían apenas se conocen entre sí. Cuando se trata de su y bisnietos de su hermano, lo más probable es que no puedas conocer, y sus tatarabuelos nietos podría ser mejores amigos entre sí y nunca se dará cuenta de que sus tatarabuelos abuelos eran hermanos.
Un buen ejemplo de este fenómeno:

(WaitButWhy.com)

El futuro: tu cono descendiente

Tal vez usted no tiene hijos, o tal vez sus hijos no va a tener hijos. Pero salvo estas posibilidades, es muy probable que llegar a ser ya sea el gran patriarca o matriarca de un cono Descendiente que con el tiempo hará que una parte considerable de la raza humana. En su primer par de cientos de años, antes de la expansión en los miles, podría ser algo como esto:

(WaitButWhy.com)

Vamos a echar un vistazo más de cerca a uno de los cientos de gran-gran-gran-gran-bisnietos:

(WaitButWhy.com)

Poco Telia, nacido a la vuelta del año 2300, es tanto un misterio para usted como sus antepasados ​​desde principios de 1800 hasta arriba. Ella debe la vida a usted, y en algún lugar de su personalidad es un rasgo o dos de los suyos, pero esa es la medida de su conexión.

La fiesta terminó

Ahora lo que va de este post, que ha llegado a disfrutar de aparecer como la persona clave en todos los árboles genealógicos que hemos dibujado. Usted ha sido el niño que miles de romances han alineado perfectamente juntos para producir. Usted ha sido el centro de una gran familia con los anillos de hermanos y primos que le rodean. Y ahora, usted es el gran fundador de un gran cono de descendientes.
Pero todo lo que tiene que hacer es cambiar la perspectiva, y de pronto tu eres uno de los 10 mil descendientes de algún individuo del siglo 17; eres la segunda, o tercera, o cuarta primo (que es raro pensar en sí mismo como simplemente al azar prima segunda de alguien); y para Telia, no eres gran patriarca o matriarca, estás en una figura diminuta palo increíblemente al azar en lo alto de su antepasado Cono y ya está borrosa debido a Tim no puede encontrar la manera de exportar imágenes de alta resolución de Pixelmator incluso aunque trató de un montón de cosas diferentes:

(WaitButWhy.com)

La mayoría de esas personas en la línea superior están vivos hoy en día, y no tiene idea de que está de pie allí en la línea superior de Telia con usted, ese tipo que trabaja en la tienda de café podría ser su tatara-tatara-tatara-tatara-abuelo demasiado , los dos sólo dos de sus cientos de sin nombre, antepasados ​​olvidados.

Conclusiones

• Ahora me siento especial e importante y también me siento irrelevantes y sin sentido.
• Escribiendo esto realmente ha golpeado la opinión de que los seres humanos son principalmente un contenedor temporal para sus genes. En 150 años, todos los 7,100,000,000 personas hoy vivas morirán, pero todos nuestros genes va a estar muy bien, viviendo en otras personas.
• Después de que el primer punto de concluir, estaba al borde de si sentirme bien o mal por todo esto. Entonces, me deprimí para la mierda con el segundo punto. Sin embargo, para tirarle a mi ego abatido un hueso, voy a considerar una idea interesante, que mis descendientes podrían no necesitar hacer sus preguntas Nana para aprender acerca de mi vida y llegar a conocerme un poco en la tecnología cambia todo. En 100 años, mi gran-bisnieto podría ser capaz de tirar fácilmente todo tipo de información / fotos / videos y aprender todo lo que él quiera, que estoy seguro que no habrá nada porque la última cosa que va a estar pensando en cómo su gran-bisabuelo era. ¡La puta madre!.
• En cualquier caso, por ahora, no hay realmente sólo una buena manera de aprender acerca de dónde viene-así que empiece a preguntar.

Soñar crea redes sociales también

Las redes sociales de los sueños


Kelly Bulkeley, Ph.D.
Autor de “Big Dreams: The Science of Dreaming and the Origins of Religion,” Oxford University Press, 2016.
Huffington Post


Las tecnologías digitales nos han dado nuevas formas de relacionarse y de seguimiento, medir, y reflexionar sobre nuestra vida social. Los seres humanos han sido siempre los animales sociales, como dijo Aristóteles hace mucho tiempo, pero ahora somos animales sociales con los teléfonos inteligentes, correo electrónico, Facebook, Tumblr y Twitter. No es sólo que estas herramientas y plataformas amplían considerablemente la gama de nuestras interacciones sociales - que hacen - pero lo más importante que nos permiten observar estas interacciones con el tiempo en el detalle de grano fino y analizarlas para la visión personal.



Un desarrollo inusual pero prometedor en esta área es el uso de análisis de redes sociales en el estudio de los sueños. A pesar de su contenido de vez en cuando y de otro mundo extraño, sueños de la gente ofrecen una fuente sorprendentemente precisa de la información acerca de sus preocupaciones más importantes emocionales en la vida de vigilia, incluyendo sus relaciones con otras personas.

Richard Schweickert, profesor de psicología en la Universidad de Purdue, ha realizado un trabajo pionero en demostrar la validez de la aplicación de las últimas herramientas de análisis de redes sociales para soñar contenido. Schweickert (con la ayuda de William G. Domhoff) analizó los diarios de sueños largos de tres participantes, 2 mujeres y un hombre. Se identificó a todos los personajes que aparecían en los sueños y crearon mapas de "redes de afiliación" para indicar con qué frecuencia aparecen los distintos caracteres en los mismos sueños juntos.

Sus resultados mostraron que las tres series de sueño tenía un no-aleatorio "estructura de mundo pequeño", lo que significa que ciertos personajes aparecieron juntos en los sueños con mucha más frecuencia de lo que se predijo por pura casualidad.

La investigación de Schweickert es más que otra pieza de evidencia que apoya la idea de que los sueños están estructurados de manera significativa los fenómenos psicológicos, sin sentido neuronal no sólo al azar desde el cerebro de sueño-podrido. Sus hallazgos arrojan nueva luz sobre la naturaleza profundamente social de los sueños humanos, demostrando que los sueños pueden ser un espejo que puede ser valiosa revelando las personas que nos importan más.

Por ejemplo, el participante conocido como "Merri" soñó con más frecuencia de su hermana recién fallecido que de cualquier persona viva en su actual vida de vigilia. Esto sugiere que soñamos con personas que son especialmente significativas, no necesariamente las personas con las que pasa la mayor parte del tiempo.

Schweickert notado también que otro de los participantes tenían muchos sueños de los miembros de la familia y de los compañeros de trabajo, pero rara vez los sueños incluyendo a personas de esas dos esferas de su vida. Este participante fue un taxónomo de insectos de profesión, lo que llevó a especular que Schweickert "tal vez su estilo cognitivo es centrarse"; esto podría dar cuenta de las categorías mutuamente excluyentes de la interacción social en sus sueños.

Lo más interesante de estos resultados es que abren la puerta a las investigaciones más sofisticadas y más profundo. ¿Cuáles son las comunidades interrelacionadas de las personas que soñamos la mayoría de las veces? ¿Cuál de nuestros personajes del sueño servir como mediadores de conexión diferentes comunidades? ¿Qué ocurre cuando los personajes que conocemos personalmente aparecen en los mismos sueños que las celebridades que realmente nunca hemos conocido (por ejemplo, actores, músicos, deportistas)? ¿Cuáles son los "lobos solitarios" de nuestra vida de sueño, las personas que sólo aparecen por sí mismos y nunca con otros personajes? ¿Cómo las redes sociales de sueños se refieren a otros aspectos del contenido del sueño, tales como emociones, colores y configuraciones? Qué sólo soñamos con algunas personas en situaciones felices y otras personas sólo en escenarios aterradores?

La tecnología necesaria para responder a estas preguntas está emergiendo rápidamente. Mejor que contar amigos de Facebook o seguidores en Twitter, el gran datos de los sueños ofrece una valiosa fuente de conocimiento honesta, precisa en la intrincada red de relaciones sociales que dan forma a nuestras vidas.

¿La topología de las redes financieras puede evitar crisis?

¿La topología puede evitar otra crisis financiera?
Las nuevas regulaciones están aplicando la ciencia a la red de reestructurar las finanzas globales.

Por Bob Henderson - Nautilus
ILUSTRACIONES DE HANNAH K. Lee


Kevin Bacon podría habernos salvado de la crisis financiera de 2008? Probablemente no. Pero la ciencia de las redes detrás de los seis grados de Kevin Bacon solo así puede tener.

De acuerdo con el famoso dicho, todos los actores de la película se separa de Kevin Bacon por seis grados de separación o menos, al pasar de la co-estrella de co-estrella (en realidad la mayoría son separados de tocino por sólo tres grados). Actores forman una red "mundo pequeño", lo que significa que se necesita un número sorprendentemente pequeño de conexiones para llegar desde cualquiera de los miembros de cualquier otro. redes de mundo pequeño naturales y artificiales de todo tipo son muy comunes: La red de energía eléctrica del oeste de los Estados Unidos, la red neuronal de los gusanos nematodos C. elegans, el Internet, las redes de proteínas y genes en la biología, en las citas científicas papeles, y la mayoría de las redes sociales son pequeñas.



La mayoría de estas pequeñas redes utilizan hubs, o nodos con un número especialmente grande de enlaces a otros nodos. Kevin Bacon es un cubo, porque fue protagonista de muchas películas. La neurona RMG en el diminuto cerebro C. elegans 'es también un centro y coordina sus comportamientos sociales (como son). Hubs hacen pequeños mundos pequeños mediante el suministro de accesos directos entre los nodos de otro modo distantes. Y eso puede ser una cosa muy buena.

Después de que la Ley de Desregulación de 1978 Airline eliminando gradualmente el control del gobierno, por ejemplo, las líneas aéreas se trasladaron a concentrador y radios de enrutamiento de vuelo. Tarifas bajaron y los asientos ocupados aumentaron de 50 a 85 por ciento del total. Cuando las ferreterías Lowe de cambiar a un sistema de distribución hub-and-spoke en los "principios de los 90-mediante la creación de una 30-campo de fútbol-gran centro para servir a cada costos centenar de sus tiendas-cortó de distribución entre el 40 y el 50 por ciento.

A menos que seas un aficionado de las finanzas, apuesto a que usted no ha oído la expresión "topología" y "crisis financiera de 2008" en la misma frase.

Esta eficacia proviene de la forma en pequeñas redes consolidar las operaciones complejas. Los enlaces pueden ser caros de construir y mantener, y redes pequeñas tienen menos de ellos. Las redes basadas en ejes y radios también son simples y robustos frente a fallos de nodos al azar-como la mayoría de los nodos no no son cubos y por lo tanto tan crucial para el funcionamiento de la red.

Lo que nos lleva de nuevo a Kevin Bacon y 2008. Se podría pensar que, si estuviera diseñando una red muy importante, como, por ejemplo, el sistema financiero mundial, que querría usar una red de mundo pequeño, con una muy pequeña número de ejes. Eso no es, sin embargo, lo que nuestras redes financieras se veía como hasta-recientemente.

La categoría de "especialista" parece estar arraigado profundamente tanto en la historia de la evolución y el desarrollo de la sociedad moderna. Homo sapiens es, a su manera, un especialista: Estamos más notable para nuestros grandes cerebros y la ... Leer más



 En 2013, el entonces Vice-Presidente de la Reserva Federal, Janet Yellen, mostró lo que parecía ser una bola enmarañada de hilo a una sala llena de economists1:



El mercado más grande del mundo: Un mapa del mercado de CDS. Cada punto representa un banco u otra institución financiera (que sólo les llamaremos bancos). Los puntos azules son compradores netos de permutas de riesgo de crédito, los rojos son los vendedores. Las líneas representan los cuales los bancos han intercambiado entre sí. El valor nocional total de los contratos de derivados OTC a nivel mundial, según el Banco de Pagos Internacionales 'estimación más reciente, es de $ 493 billones de dólares. Como referencia, el PIB mundial en 2015 fue de $ 77,9 billones de dólares, de acuerdo con el Banco Mundial. Janet L. Yellen

La cifra de aspecto desordenado representaba la red mercado de CDS (CDS), y parecía demasiados cables embutida en un cajón demasiado pequeño. Los resultados de enredo de la forma en que los bancos han comercializado tradicionalmente los cuales uno al otro, llamado OTC para "over-the-counter": directamente, libremente, siempre que, sin embargo, y así lo deseaban. Es la forma en la mayoría de los derivados se han comprado y vendido desde la década de 1970, cuando un auge en los derivados de ellos el mayor mercado del mundo hecho. Hoy en día, mucho más dinero fluye a través del sistema financiero del comercio de derivados que de todos los mercados de acciones y bonos del mundo combined.2,3,4

Yellen no estuvo de acuerdo con su bola de ovillos de hilo. Si la red se reconfigura CDS a una forma hub-and-spoke, Yellen dijo, sería más seguro, y esto ha sido, de hecho, una idea central de la regulación financiera posterior a la crisis. La eficiencia y la simplicidad de Kevin Bacon y de Lowe hardware se está imponiendo en el comercio mundial de derivados.

SANITIZADO: Versión de solo concentrador (hub) y rayos de radio (spoke) del mercado de crédito de default swap. Janet L. Yellen

Como consecuencia de la crisis en septiembre de 2009, los líderes del G-20 (el principal consejo económico de las naciones desarrolladas) se reunieron en Pittsburgh y actuaron para imponer networks.5 hub-and-spoke Se pusieron de acuerdo para imponer algo llamado el "mandato claro" en el mercado OTC derivado-un reglamento destinado a hacer que el sistema financiero más seguro al hacer ejes y los rayos obligatoria. El mandato consiste en someter al que todos los derivados OTC normalizados se negocian en las bolsas y el despacho de las contrapartes centrales de compensación, o PCC. PCC son simplemente empresas que se interponen entre los compradores y vendedores de derivados. En 2010, la ley Dodd-Frank codificado este requisito en los EE.UU. Otros países han seguido su ejemplo. Ahora, en contraste con el país libre para todos los que dominó el comercio derivado de antes, la mayoría de las veces, cuando el banco A quiere comprar derivado de X desde el banco B, B debe primero vender X de un punto crítico, que luego se da la vuelta y vende X a A.

Y que requisito entra en la red de CDS en el primer cuadro de los Yellen, y peina hacia fuera al cubo ordenadas, y habló de su segundo, con el PCCh en el concentrador.

Ejecución del mandato es todavía un trabajo en progreso, pero sobre todo es un hecho. derivados de tipo de interés comprenden casi el 80 por ciento del mercado OTC y ahora, debido al mandato, las ECC como CME Clearing en los EE.UU. y SwapClear de LCH Clearnet en Europa están limpiando el 70 por ciento de los derivados de tipo de interés de cada uno negocia derivados de crédito son aún week.6 más adelante, al 79 por ciento. Yellen considera que este progreso hacia lo que el sistema más seguro.

¿Pero lo es?

La idea de que la forma de una red financiera (o topología) pueden ser un factor crucial para el contagio financiero y de riesgo sistémico es relativamente nuevo, y no necesariamente obvio. De hecho, a menos que seas un aficionado de las finanzas, apuesto a que usted no ha oído la expresión "topología" y "crisis financiera de 2008" en la misma frase.

Piense de la topología como el trasfondo matemático para 2008. Al igual que existen prácticas de préstamos peligrosos, hay topologías peligrosas. Éste, por ejemplo:


EN ESPERA DE PROBLEMAS: En esta red juguete, cada cuadro representa en un banco. Las flechas entre los bancos representan deudas: Banco A Banco B debe dinero; B C debe la misma cantidad, y así sigue. Allen, F. & Gale, D. Financial contagion. Journal of Political Economy 108, 1-33 (2000)..

Los cuatro bancos en esta red (y las cantidades que se adeudan) son idénticos: Cada uno tiene la misma cantidad de capital, es decir, la misma capacidad para la pérdida antes de que se va a la quiebra. Se puede pensar en el capital como combustible de un banco: La cantidad de dinero que puede ser tomado de su tanque antes de sus engranajes se detienen.

Ahora, imagine Banco A pierde un montón de dinero, basta con que se va a la quiebra y no puede pagar la totalidad de lo que debe a B. En ese caso, B sufre una pérdida demasiado. Y si la pérdida de B es mayor que su capital, sino que también va a bajar. Si A y B juntos pierden suficiente, entonces C fallará también. Por último, una pérdida, o tener fugas, lo suficientemente grande para drenar la suma total de todo el capital que todos los bancos de la red tienen tomará todo el sistema hacia abajo.

Ahora que contrasta con lo que ocurre en la red siguiente:


INTERCONECTADO: En este modelo, una mayor conexión entre los bancos permite a la red para absorber una mayor shock. Allen, F. & Gale, D. Financial contagion. Journal of Political Economy 108, 1-33 (2000).

Los propios bancos son los mismos que antes: Todos ellos tienen el mismo capital y de la misma deuda. Lo único que ha cambiado es la topología de la red: ¿quién es el endeudamiento de quién y en qué cantidad. Esta vez todos los bancos se han extendido su endeudamiento y los préstamos alrededor, haciendo la red más conectados. Un banco, por ejemplo, tiene la misma deuda que antes, pero esta vez se debe a un tercio de los que cada uno de B, C y D.

Así que de nuevo imaginar una resortes de una fuga, por lo que una cierta cantidad de fluido drena fiscales fuera del sistema. La diferencia esta vez es que el déficit de A (la diferencia entre lo que debe y lo que puede pagar) se divide por igual entre los bancos B, C y D. Por lo tanto cada uno de B, C, y D sufre sólo un tercio de la pérdida B hizo antes. Y eso significa que A debe tener un déficit de tres veces más grande que antes de acabar con otro banco. topología más conectados de este segundo red permite absorber un choque más grande que su pariente en forma de anillo.

A grandes mercados de crédito se congelaron razón en marcha en 2008 era simplemente la confusión acerca de quién estaba expuesto a quién.

Estos ejemplos de redes de cuatro bancos provienen de un influyente artículo escrito en 2000 por los economistas Franklin Allen y Douglas Gale.7 Su modelo y el análisis era mucho más sofisticado que lo que he descrito aquí, pero que llegan a la misma conclusión: Cuanto más conectados una red financiera, más robusto es, lo que significa que se necesita un choque más grande para desencadenar una secuencia de fracasos bancarios.

Por otra parte, este pequeño modelo de cuatro banco también ilustra una característica alarmante de redes altamente conectadas. Como Allen y Gale señalaron en su papel, una pérdida suficientemente grande para drenar el patrimonio los cuatro bancos 'hará bajar la red conectada completamente con tanta seguridad como lo hará bajar la forma de anillo. La diferencia es que, mientras que la red en anillo falla un banco a la vez, el totalmente conectado falla repentinamente y todos a la vez. Esto es lo que el Banco de Inglaterra, economista jefe y director ejecutivo, Andrew Haldane, llama a la propiedad "robusta pero frágil" de networks.8 altamente conectado

De hecho, dice Haldane, la naturaleza altamente conectada de la red financiera real "sembró las semillas" de la última crisis. Pero, ¿cómo sabemos que la solución hub-and-spoke que tanto Haldane y apoyo Yellen no reduce un tipo de peligro a expensas de las consecuencias no deseadas que podría ser aún más peligroso?

Al tratarse de una cuestión de economía, no es difícil encontrar expertos que piensan que es exactamente el caso.

Me pasó a obtener Universidad de Houston, profesor de Finanzas Craig Pirrong por teléfono unos minutos después de verlo en vivo en Bloomberg TV, donde él había dicho "no" cuando se le preguntó si los PCC estaban haciendo el sistema más sonido.

"Eso es correcto, sí", dijo cuando se le recordé. "A veces me siento como si tuviera que hablar de esto al lado de una fogata con una linterna debajo de la barbilla."


PCC se supone que para reducir el riesgo de crédito mediante la reducción de la cantidad total de acreedores de exposición que los deudores de comercio de productos derivados. Imagínese, por ejemplo, que, debido a los derivados, cada banco en la red de cuatro banco en forma de anillo que nos aguarda a la siguiente antes debía $ 100 millones. A continuación, la gran exposición crediticia total del sistema sería de $ 400 millones, ya que es la cantidad total de dinero en efectivo que los acreedores tienen en riesgo. Por otro lado, si todos los bancos negocian entre sí a través de un PCC, entonces, ya que cada banco sería tanto debe el PCC $ 100 millones y se adeuda por el PCC $ 100 millones, las dos deudas se cancelarían y neta a cero. El gran riesgo de crédito total en el sistema también lo tanto, sería cero.

En los escenarios más realistas, un PCC no reducirá la exposición de crédito del sistema a cero, pero el concentrador y radio de forma que crea seguirá siendo reducirlo. Esto se hace mediante la canalización de las deudas del equipo a causa de un menor número de enlaces en la red, proporcionando una mayor oportunidad para la compensación. Esto es similar al caso de líneas aéreas, donde el enrutamiento hub-and-spoke reduce el número de rutas, proporcionando una mayor oportunidad para que los pasajeros puedan compartir vuelos. En ese caso, el beneficio es menor número de asientos vacíos. En el caso financiera, el beneficio es menor exposición crediticia. Que la exposición se estimó recientemente por el Banco de Pagos Internacionales es de $ 2.9 billones de dólares, abajo desde los $ 5 billones de dólares a finales de 2008, en parte debido a los PCC.

"Todavía estamos un poco en la edad de piedra de la cartografía de las redes financieras. Esa es la parte realmente aterradora".

-forma sencilla sus hubs-y-radios «pequeñas cantidades de conexiones y rutas, sus fácilmente inteligibles flujos-también promueve la transparencia, que a su vez reduce el riesgo. A grandes mercados de crédito se congelaron razón en marcha en 2008 era simplemente la confusión acerca de quién estaba expuesto a quién. Como profesor de Stanford y experto de las finanzas derivado Darrell Duffie me dijo, imitando la forma de pensar de los banqueros en el período previo a la desaparición de Lehman, "Gosh, si Lehman no, ¿quién más conectado a Lehman podría fallar? Y quién soy yo conectado a ese puede estar conectado a Lehman que puede fallar? Gosh, esto es realmente complicado. Creo que voy a dejar de prestar crédito ".

Cargadores, minoristas y compañías aéreas se benefician de ejes y radios por razones similares. Las compañías aéreas tienen un menor número de rutas a seguir la pista. cadenas de comida rápida tienen un tiempo más fácil localizar la fuente de la salmonela y otros contaminantes.

De hecho, dijo Duffie, sobre los reguladores '' y los políticos entusiasmo por el mandato claro, "No fue tanto que la gente estaban seguros de que se va a reducir el riesgo. Era básicamente una manera de crear una mayor transparencia, y para tener más confianza sobre los tipos de riesgo que en realidad enfrentamos ".

Los grandes bancos han servido como centros de conexiones en la red financiera, ayudando a hacer que sea pequeña. La diferencia con los PCC es que hay menos de ellos que los bancos grandes, por lo que están haciendo un mundo pequeño, incluso más pequeño. Además, las ECC tienen la virtud de hacer una y sólo una cosa: de pie entre los dos lados de los oficios. Son mucho más simple y más transparente que los bancos y, como señala Duffie, "El PCCh no puede prestar dinero a Argentina, o para desarrollos inmobiliarios en Arizona, mientras que los bancos pueden. No tiene discreción para tomar riesgos ".


Desalojados: La crisis de 2008, que provocó una ola de ejecuciones en los Estados Unidos, fue llevado en parte por la topología enmarañada de los mercados de derivados. John Moore / Getty Images


Y, sin embargo, hay quienes no están convencidos.

Cuando pongo el argumento de que los PCC no participará en los comportamientos de riesgo frente a Franklin Allen, que se muestra más escéptico de su contribución a la seguridad de Duffie, empujó hacia atrás. "No estoy de acuerdo con eso", dijo, "porque si nos fijamos en estos derivados escándalos como Nick Leeson y Barings y así sucesivamente, es muy difícil de controlar estos riesgos, por lo que cuando el fraude y las cosas están involucrados, es sólo que las cosas no ' t trabajo muy bien. A continuación, se obtiene el potencial de estas fallas catastróficas ".

punto de vista del Pirrong es que los reguladores se desplaza únicamente en torno riesgo en lugar de reducirla. "Sólo básicamente aprieta el globo en un extremo y que sólo se sale del otro", me dijo, resumiendo lo que él considera que son del mandato de compensación más preocupante disyuntiva: que entre el riesgo total de crédito (que los PCC deben reducir) y el "riesgo de liquidez" que los PCC puede en realidad aumentar.

Liquidez en la financiación significa el acceso a dinero en efectivo o activos fácilmente vendido por dinero en efectivo. El riesgo de liquidez es el riesgo de no tener liquidez cuando lo necesite. Los PCC podrían agravar una crisis de liquidez durante una crisis debido a la forma en que se protegen de los valores predeterminados del banco: mediante la imposición de normas rígidas que requieren los bancos para constituir un depósito no sólo contra las deudas del banco tiene para el PCC, pero en contra de las deudas que el banco podría tener potencialmente a la CCP. PCC exigen activos líquidos como garantía. Por lo tanto, la alta volatilidad de mercado o un accidente podría causar PCC para hacer llamadas de margen en grandes bancos con el fin de protegerse a sí mismos, drenando la liquidez del sistema bancario justo cuando más lo necesita. Y eso podría causar algunos bancos a dejar de pagar sus otras deudas a corto plazo, conduciéndolos a la quiebra esencialmente en sacrificio al PCC.

Pirrong también se preocupa por el impacto del mandato de compensación tendrá en los miembros de la red financiera que no comercian con derivados en absoluto. Uno de sus papeles muestra cómo los requisitos de compensación y de márgenes de las contrapartes centrales pueden reducir la cantidad de otros acreedores de los bancos-como los fondos del mercado monetario, que se prestan a los bancos a través de préstamos en lugar de derivados-recuperarse si el banco va bankrupt.9

"Desde una perspectiva sistémica", dijo Pirrong, "viendo todo el mundo, no está claro que las exposiciones se han reducido. Algunas exposiciones se han reducido, pero se han incrementado otras exposiciones. "

Duffie, con su colaborador Haoxiang Zhu, han mostrado que los PCC incluso no siempre reducir la exposición total del crédito, y puede de hecho aumentar ésta.10 Esto puede ocurrir porque no hay compensación entre los bancos beneficiosa incluso cuando comercian directamente entre sí sus oficios se generalmente resultan en deudas dirigido en ambos sentidos. Del mundo real PCC no se coloca típicamente entre todos los comercios de dos contrapartes han hecho uno con el otro, pero sólo algunos. Por lo tanto, los beneficios de compensación de una ECC a expensas de la compensación beneficia el sistema bilateral de otro modo habría tenido.

"No creo que alguien realmente había considerado esta disyuntiva entre la compensación multilateral en el PCC frente a la pérdida de la compensación bilateral fuera del PCC," Duffie me dijo acerca de la sabiduría convencional. Mientras que él cree que los reguladores estaban derecho a adoptar el mandato claro, también cree que "sus procesos de planificación probablemente no eran tan buenos, ya que no tenían el análisis para estar seguros de que esto realmente dar lugar a una reducción significativa del riesgo antes de haber comenzado ".

Esto sigue siendo parte del problema, para los que ven un problema: que la red financiera es tan grande y complejo que sólo los datos completos y el modelado de pleno derecho de la misma tienen una esperanza de decirnos si el mandato, por no hablar de otro derivado regulaciones, están haciendo realmente bien. Una exploración de la literatura económica reciente sobre el tema revela que la mayor parte se centra en los modelos de juguete que, al igual que Allen y Gale, son simplificaciones dramáticos del mundo real. Este es un primer paso necesario, ya que tienes que caminar antes de correr, y porque los datos que caracterizan a la red financiera completo no está disponible todavía.

Pero por ahora, como el colega de Duffie en Stanford, economista Mateo Jackson me dijo, "Todavía estamos un poco en la edad de piedra de mapeo de las redes financieras. Una gran cantidad de gente se da cuenta de que este es un problema y no estamos todavía equipada con las herramientas que realmente hacen un buen trabajo, así que estamos seguros de que decir que realmente tenemos bajo control ... Esa es la parte realmente aterrador ".

En realidad, la situación es aún más complicado que eso, ya que incluso una vez que todos los datos y modelos que se podría querer entrar en funcionamiento, todavía habrá compensaciones que la ciencia por sí sola no puede resolver. Como Jackson señaló, por ejemplo, "¿Qué red es óptima depende de qué tipo de descarga que está golpeando con ... Algo que podría ser muy robusto para una gran cantidad de pequeñas variaciones y luego ser una red desastrosa cuando se trata de una crisis financiera grande de una gran empresa ".

Luego está la única cosa que todos los economistas que hablé acordado era el elefante en la habitación: El riesgo de que la propia ECC falla.

La insuficiencia de hub es el talón de Aquiles de las redes de hub and spoke. Es la razón por la cual las abejas obreras enjambre de proteger a su reina, ¿por qué el biólogo Jordi Bascompte ha llamado para las especies de concentradores de redes de polinización para recibir las prioridades de conservación de alto, 11 por qué los soldados patrullan Grand Central Terminal desde el 9/11, y por qué los PCC se exigen los reguladores para recoger garantía.

PCC han fracasado en el pasado, pero sólo en pequeñas markets.12 Ahora que están en el centro del mercado más grande del mundo, Allen me dijo, "que hace que la probabilidad de una crisis debido a ese tipo de riesgo sistémico menor, pero si una crisis de que ocurriese esto sería mucho, mucho más grave ".

En otras palabras, las ECC poner todos los huevos del mercado en una canasta.

Duffie no le gusta que la metáfora ( "así que no está bien informada matemáticamente ... debido a la compensación"), y señala que el fallo de un nodo grande no es necesariamente peor que si muchos pequeños nodos fallan. Lo que es más importante, dice, es si los reguladores han hecho que la probabilidad de fallo de un PCC "suficientemente pequeña" y en segundo lugar, si "tienen un método que sea razonable para el tratamiento de un PCC en su defecto."

Duffie se detuvo por lo que pareció un momento siniestro antes de añadir:

"Ellos no tienen hasta ahora."

Eso puede sonar familiar. Básicamente se trata de la misma situación que habíamos de entrar en 2008 con respecto a los grandes bancos y otras instituciones financieras. Eso llevó a los rescates ad hoc de Bear-Stearns y AIG y el caos que rodeaba el colapso de Lehman.

Entonces, ¿hay alguna esperanza de que la ciencia red ayudará a proteger el mundo contra otra calamidad financiera? Posiblemente. Sin embargo, si la hay, será sólo con una asistencia de corolario de Mark Twain: ". Poner todos los huevos en la misma cesta y reloj que CESTA" 13




Bob Henderson estudió física, trabajó en Wall Street, y ahora es un escritor independiente centrado en la ciencia y las finanzas.

Referencias

1. Yellen, J.L. “Interconnectedness and Systemic Risk: Lesson from the Financial Crisis and Policy Implications.” Speech given at the American Economic Association/American Finance Association Joint Luncheon, San Diego (2013).

2. Triennial Central Bank Survey of foreign exchange and derivatives market activity in 2013.

3. The World Bank. Stocks traded, total value (% of GDP).

4. Sifma. Statistics and data pertaining to financial markets and the economy.

5. G20 Leaders Statement: The Pittsburgh Summit. University of Toronto (2009).

6. Financial Stability Board, OTC Market Derivatives Reforms, Tenth Progress Report on Implementation (2015).

7. Allen, F. & Gale, D. Financial contagion. Journal of Political Economy 108, 1-33 (2000).

8. Haldane, A.G. “Rethinking the Financial Network.” Speech given at the Financial Student Association, Amsterdam (2009).

9. Pirrong, C. A bill of goods: central counterparties and systemic risk. Journal of Financial Market Infrastructures 2 (2014).

10. Duffie, D. & Zhu, H. Does a central clearing counterparty reduce counterparty risk? The Review of Asset Pricing Studies 1, 74-95 (2011).

11. Olesen, J.M., Bascompte, J., Dupont, Y.L., & Jordano, P. The modularity of pollination networks. Proceedings of the National Academy of Sciences 104, 19891-19896 (2007).

12. Alloway, T. A glimpse at failed central counterparties. Ftalphaville.ft.com (2011).

13. Twain, M. Pudd’nhead Wilson Charles L. Webster & Company, New York, NY (1894).

#cacerolazo en Argentina... en vivo

Primeras imágenes de la red de hashtag y usuarios del cacerolazo antitarifario

Principales hashtags

Etiqueta escalada por centralidad de Pagerank, colores de los enlaces identifican modularidad.

Principales twitteros

Etiqueta escalada por centralidad de grado.

Que tan global sos de acuerdo a tu posicionamiento en Twitter

¿Cuán ciudadano global es usted?

Medium

En Teleport todo es sobre las ciudades y la libertad de elegir en cómo se divide su tiempo entre ellas. Después de vivir en 9 países (y 17 ciudades) tengo la curiosidad por lo que los amigos de un ciudadano global y gráficos de la ciudad realidad se vería así. Así que aquí está la mía (@keskkyla):


clic para ver una versión interactiva y seguir leyendo para obtener la suya!

¿Quieres ver la suya? Sigue leyendo …

Desde que Facebook ha cerrado el acceso de terceros al propio grafo personal, empecé a cortar junto grafos interactivos de la ciudad a partir de datos de Twitter. Esencialmente estoy buscando en el campo de texto ubicación de todos mis seguidores de Twitter que estoy siguiendo, así y tratar de identificar a sus ciudades de interés. Sólo estoy mirando a las personas que siguen unos a otros como tales relaciones tienen una mayor probabilidad de ser más significativa y sólo estoy centrado en ciudades enumeradas en el campo de ubicación, aunque la ubicación etiquetada tuits podría resultar interesante.
Aquí están dos gráficos de nuestra co-fundador Balaji S. Srinivasan por ejemplo. Ser parte de la A16Z, Stanford y la comunidad Bitcoin sin duda tiene conexión a otro nivel!



Tuve que hacer uno sin los nodos sólo para tener una idea de las geografías conectados sin todos los excesos imagen.
¿Qué piensan ustedes? ¿Estos gráficos capturan algo intrínsecamente interesante? ¿Le ven el valor de la integración de estos para nosotros perfiles Teleport en lugar de o además del mapa de ubicación actual?

https://my.teleport.org/users/silver/

¡Déjame saber lo que piensas!
Si bien no hemos integrado esta en nuestro producto, estoy feliz para generar el gráfico como un hecho aislado. Por favor Retwittear a conseguirse en la lista:

No se olvide de compartir el amor haciendo clic en el corazón al final del puesto o seguir leyendo más de Silver Keskkula.