Tiên đoán ứng xử của các hệ thống kỹ thuật-xã hội

Khả năng có thể tiếp cận được các dữ liệu mới và những tiến bộ trong lý thuyết và mô hình hóa các mạng phức tạp cung cấp một khung khổ tích hợp đưa chúng ta gần hơn đến việc đạt được khả năng tiên đoán về ứng xử của các hệ thống kỹ thuật-xã hội.

Chúng ta sống trong một thế giới ngày càng được liên kết của các hệ thống kỹ thuật-xã hội, trong đó những kết cấu hạ tầng bao gồn nhiều tầng công nghệ khác biệt hoạt động với nhau bên trong  hợp phần xã hội thúc đẩy việc sử dụng và sự phát triển của chúng. Các thí dụ là Internet, World Wide Web, các công nghệ truyền thông WiFi, và những kết cấu hạ tầng giao thông và lưu động. Bản chất đa thang độ (multi-scale) và tính phức tạp của các mạng này là các nét đặc trưng cốt yếu trong việc hiểu và quản lý các mạng. Khả năng có thể tiếp cận được các dữ liệu mới và những tiến bộ trong lý thuyết và mô hình hóa các mạng phức tạp cung cấp một khung khổ tích hợp đưa chúng ta gần hơn đến việc đạt được khả năng tiên đoán về ứng xử của các hệ thống kỹ thuật-xã hội.

Các hệ thống kỹ thuật-xã hội hiện đại bao gồm những kết cấu hạ tầng vật lý quy mô lớn (như các hệ thống giao thông và mạng lưới phân phối điện) được nhúng trong một mạng lưới dày đặc của những kết cấu hạ tầng truyền thông và tính toán mà động học và sự tiến hóa của chúng được ứng xử con người xác định và thúc đẩy. Để tiên đoán ứng xử của các hệ thống như vậy, cần bắt đầu với sự mô tả toán học của các hình mẫu được tìm thấy trong dữ liệu thế giới thực. Những mô tả này tạo thành cơ sở của các mô hình mà có thể được dùng để đoán trước các xu hướng, để đánh giá các rủi ro, và cuối cùng để quản lý các sự kiện tương lai. Nếu được nạp dữ liệu đúng, những cách tiếp cận mô hình hóa máy tính có thể cung cấp mức độ được đòi hỏi của tính có thể tiên đoán theo những sự điều chỉnh rất phức tạp. Thí dụ thành công nhất là dự báo thời tiết, trong đó những kết cấu hạ tầng siêu máy tính tinh vi được dùng để tích hợp dữ liệu hiện thời và các thư viện khổng lồ của các hình mẫu thời tiết lịch sử vào những mô phỏng tính toán quy mô lớn. Tuy chúng ta thường phàn nàn về độ chính xác của những dự báo thời tiết, chúng ta phải ghi nhớ rằng các mô hình thời tiết số trị và những dự báo cho phép chúng ta dự đoán quỹ đạo và độ mạnh của các trận bão, các cơn dông tố, và các sự cố thời tiết nghiêm trọng khác và, trong nhiều trường hợp, để cứu hàng ngàn sinh mạng bằng đoán trước và chuẩn bị cho các sự kiện này. 

Căn cứ vào thành công đã đạt được về dự báo thời tiết trong hàng thập kỷ, vì sao chúng ta lại không đạt được thành công cũng như thế về tiên đoán định lượng của hình mẫu không-thời gian hay các tác động của đại dịch tiếp theo trong thập kỷ tới bằng kết nối hàng tỷ người từ Trung Quốc và Ấn Độ trên sự tăng trưởng và ổn định Internet? Sự khác biệt cơ bản là, dự báo các hiện tượng trong các hệ thống kỹ thuật-xã hội bắt đầu với sự hiểu biết hạn chế của chúng ta về xã hội và ứng xử hơn là với các quy luật vật lý điều chỉnh các chất lỏng và khí. Nói cách khác, tuy có thể tạo ra các bức ảnh vệ tinh về sự nhiễu loạn khí quyển, chúng ta vẫn chưa có hiểu biết định lượng, quy mô lớn toàn cầu về sự chuyển động của con người, sự tiến triển của cảm nhận rủi ro trong một quần thể dân cư, hay khuynh hướng để chấp nhận các ứng xử xã hội nhất định. Tuy vậy, trong những năm gần đây, đã có sự tiến bộ khổng lồ về thu thập dữ liệu, sự phát triển các công cụ tin học mới, và sự gia tăng khả năng tính toán. Một dòng dữ liệu định lượng khổng lồ kết hợp các khía cạnh nhân khẩu học và khía cạnh ứng xử của xã hội với chất nền hạ tầng đang trở nên sẵn có (1–6). Tương tự như cái đã xảy ra trong vật lý học, cuối cùng chúng ta ở vào vị trí để chuyển từ sự phân tích về “nguyên tử xã hội” hay “các phân tử xã hội” (tức là các nhóm xã hội nhỏ) sang sự phân tích định lượng về các trạng thái tổng hợp (aggregate state) xã hội, như được các nhà khoa học xã hội đã mường tượng vào đầu của thế kỷ trước (7). Ở đây, tôi nói đến “các trạng thái tổng hợp xã hội” như các hệ thống xã hội quy mô lớn bao gồm hàng triệu cá nhân mà có thể được mô tả đặc trưng theo không gian (địa lý và xã hội) và thời gian. Sự dịch chuyển từ việc nghiên cứu một số nhỏ các yếu tố sang nghiên cứu về ứng xử của các tổng hợp quy mô lớn (large-scale aggregate) là tương đương với sự dịch chuyển từ vật lý nguyên tử và phân tử sang vật lý vật chất. Sự hiểu về cùng các nguyên tố được tập hợp ra sao với số lượng lớn có thể gây ra các ứng xử vĩ mô và động học khác nhau, phù hợp với các lực khác nhau và các nguyên tố đang hoạt động, mở ra con đường cho những cách tiếp cận tính toán định lượng và khả năng tiên đoán. Thế mà đồng thời, việc nghiên cứu các trạng thái tổng hợp xã hội đặt chúng ta trước tất cả những thách thức đã đối mặt rồi trong vật lý học vật chất, từ sự nhiễu loạn đến ứng xử đa-thang độ.

Khai phá thực tế và các mạng đại diện
Mức của dòng thông tin liên quan đến các hệ thống kỹ thuật-xã hội không chỉ do những tiến bộ về năng lực “nghiền số” (numer crunching) của các bộ xử lý máy tính hiện đại. Những sự nhìn thấu vào bản chất của các liên kết với nhau giữa người dân và công nghệ và sự tan biến của các ranh giới giữa các hoạt động xã hội thế giới-cyber [thế giới-điều khiển, thế giới-máy tính] và thế giới-thực của chúng ta đang làm thay đổi tính có thể tiếp cận của chúng ta đối với dữ liệu, dẫn đến “sự khai phá-thực tế reality-mining,” mà được định nghĩa như sưu tập của các dữ liệu môi trường được máy cảm biến, những dữ liệu đó liên quan đến ứng xử xã hội của con người (2). Thí dụ hàng đầu về sự liên kết người dân/công nghệ có thể thấy trong phân tích về sự chuyển động con người. Trong quá khứ, các cách tiếp cận đến các tương tác và chuyển động con người đã chủ yếu dựa vào dữ liệu điều tra dân số và khảo sát, mà thường là không đầy đủ và/hoặc bị hạn chế đối với một bối cảnh cụ thể. Bất chấp những tiến bộ trong nghiên cứu về vận tải người (8, 9), sự thiếu dữ liệu này đã cản trở việc xây dựng một khung khổ chung về chuyển động con người dựa vào các nguyên lý động học ở mức cá nhân với khả năng vượt qua các thang độ không gian, từ các cộng đồng nhỏ đến các khu vực đô thị lớn và các nước, theo một góc nhìn từ dưới lên. Tuy vậy, trong một công trình tiên phong, Brockmann et al. (4) đã cho thấy rằng các trang Web được nhiều người ưa chuộng về theo dõi [sự di chuyển của] đồng tiền (như trang http://en.eurobilltracker.com và www.wheresgeorge.com) thu thập một số lượng rất lớn các bản ghi về sự phân tán tiền mà có thể được dùng như một đại diện (proxy) cho sự chuyển động con người. Công trình này đã mở đường cho việc khai thác chung của các dữ liệu proxy cho tương tác và chuyển động con người (10). Tương tự, các điện thoại di động hiện đại và các máy trợ giúp cá nhân (personal assistant) kỹ thuật số kết hợp các công nghệ tinh vi như Bluetooth, Hệ thống Định vị Toàn cầu (GPS), và WiFi, liên tục tạo ra các dấu vết chi tiết về các hoạt động thường ngày của chúng ta (2, 11). Thí dụ, trong một nghiên cứu mới đây, Gonzalez et al. (6) đã sử dụng số liệu điện thoại để theo dõi chuyển động của 100.000 người trong thời gian 6 tháng. Hơn nữa, bây giờ là có thể để sử dụng các cảm biến (sensor) và các thẻ (tag) mà chúng tạo ra dữ liệu ở thang độ vi mô của từng tương tác (1, 2).

Tuy buộc chúng ta đối mặt với các vấn đề đạo đức và riêng tư nghiêm trọng, các loại dữ liệu này và chi phí được giảm đi của việc xử lý, tiếp cận và truyền thông tin trên các hệ thống kỹ thuật-xã hội đang làm thay đổi sự hiểu biết của chúng ta về một dải rộng của các hiện tượng (12–17). Động học không gian của các bệnh lây nhiễm con người được xác định bởi sự chuyển động của các cá nhân mang bệnh đến các quần thể dân cư chưa bị nhiễm bệnh trước đây. Tương tự, sự di dân và sự chuyển động con người làm trung gian cho nhiều xâm lấn-sinh học (bio-invasion), được định nhĩa như việc đưa các sinh vật chưa được biết trước đây vào các hệ sinh thái. Sự tiến hóa của các ngôn ngữ và các phương ngữ cũng được dẫn dắt bởi sự pha trộn dân cư và sự hợp nhất và/hoặc sự cô lập của các cộng đồng. Cuối cùng, sự chuyển động hàng ngày của những con người trong không gian Internet xác định sự khai thác và tàn phá thông tin của chúng ta.

Tư duy mạng
Internet và các thế giới ảo là các mạng mà chúng ta duyệt và khám phá mỗi ngày (17–19). Các mô hình tương tác-con người dựa vào các mạng xã hội mà trong đó các nút (node) tượng trưng cho các tác nhân tương tác riêng lẻ và các liên kết (link) là các tương tác tiềm năng (20). Các mô hình chuyển động, sinh thái học, và dịch tễ học dựa vào các mạng siêu-dân cư (meta-population) bao gồm toàn thể các quần thể dân cư được liên kết bởi những trao đổi giữa các nhóm cá nhân (21). Nhiều công trình đã cho thấy rằng hầu hết các mạng thế giới-thực thể hiện động học tự-tổ chức (tức là, chúng trở nên phức tạp hơn theo thời gian mà không có sự can thiệp của các lực bên ngoài) và rất không đồng nhất về mặt thống kê; các đặc tính này là các dấu xác nhận phẩm chất điển hình của các hệ thống phức tạp (22–24). Các phân bố thống kê khác nhau đặc trưng cho các mạng này (bao gồm các xác suất của sự kết nối nút và cường độ của các liên kết kết nối) thường có đuôi-nặng và bị lệch, và chúng thay đổi qua nhiều bậc độ lớn (25). Thách thức trước nhất do các mạng phức tạp đưa ra, vì thế, ở tại tính kiên kết (interconnectedness) (các mạng của các mạng) và bản chất đa-thang bậc (multi-scale) của chúng. Hình 1 mô tả ba mạng làm thí dụ cho sự chuyển động con người ở các thang độ khác nhau, trải từ di chuyển hàng không xuyên-châu lục đến sự chuyển động bên trong đô thị giữa các trạm phát sóng điện thoại di động. Lý tưởng ra để đưa ra các tiên đoán về các quá trình được dẫn dắt bởi sự chuyển động con người, chúng ta cần tích hợp các dữ liệu này, với các độ kết hạt (granularity) trải rộng của nó (từ vài trăm mét và vài giờ đến hàng ngàn kilomet và nhiều ngày), vào một mạng khổng lồ đa-thang bậc.

Hình 1. Các tính chất đa-thang độ của các mạng chuyển động. Bên trái, chúng tôi giới thiệu hàm phân bố xác suất P(s) cho lưu lượng, được đo bằng số các cá nhân di chuyển, trên bất cứ chuyến nối tiếp cho trước nào, của ba mạng khác biệt: (A) mạng hàng không châu lục Mỹ, (B) mạng hàng không đi lại hàng ngày gữa các quận ở Mỹ (county commuting), và (C) sự chuyển động giữa các trạm phát sóng điện thoại di động trong một khu vực đô thị lớn. Trong mọi trường hợp các hàm phân bố bị lệch (skewed) cao độ và trải từ ba đến bảy bậc độ lớn. Bên phải, chúng tôi giới thiệu minh họa về mạng hàng không châu lục Mỹ (D) và mạng commuting (E) giữa các vùng điều tra dân số chính. Thang màu từ vàng cho đến đỏ sẫm biểu hiện độ lớn dòng lưu lượng theo thang logarith. Mạng hàng không chủ yếu do các chuyến nối tiếp tầm dài tạo thành như so với trật tự giống ô lưới của mạng commuting. Lưu lượng trung bình hàng ngày của mạng commuting có độ lớn hơn lưu lượng tương ứng của mạng hàng không một bậc (10 lần).

Như thế, tính phức tạp của các hệ thống kỹ thuật-xã hội đòi hỏi một tư duy “mạng”. Sự mô tả quy mô lớn của sự lan truyền bệnh truyền nhiễm cho một thí dụ đơn giản. Sự lan truyền của đại dịch hạch trong thế kỷ thứ 14 (the Black Death-Thảm họa Đen) (26) đã chủ yếu là một hiện tượng khuếch tán không gian. Những nghiên cứu lịch sử đã xác lập rằng sự lan truyền bệnh tuân theo một hình mẫu đơn giản mà có thể mô tả một cách thỏa đáng về mặt toán học bên trong khung khổ của các phương trình vi phân liên tục với các số hạng mô tả sự khuếch tán. Như đã được đoán trước trong năm 1933 (27), tác động quy mô lớn và về mặt địa lý của các bệnh lây nhiễm [như bệnh dịch SARS (28) hay cúm heo hiện thời] lên các quần thể dân cư trong thế giới hiện đại chủ yếu là do di chuyển bằng hàng không thương mại. Một bệnh dịch bắt đầu ở Đông Nam Á sẽ nhanh chóng đến Bắc Mỹ và Châu Âu (Hình 2). Bức tranh này, vì thế, không thể được mô tả đơn giản bằng các hiện tượng khuếch tán; đúng hơn, nó phải hợp nhất cấu trúc không gian của các mạng giao thông hiện đại. Thí dụ, chính bản chất đuôi-nặng (heavy-tailed, hay flat-tailed đuôi-bẹt, tức là theo phân bố scale-free) của mạng giao thông hàng không là cái giải thích vì sao riêng những sự hạn chế đi lại là không hữu hiệu trong kiềm chế bệnh dịch trừ phi tốc độ chuyển động được giảm ít nhất một bậc độ lớn [1 bậc ~ 10 lần] (29–31).

Một khía cạnh cốt yếu khác của tư duy mạng hiện đại là sự tự-tổ chức động gây ra các hình mẫu hạ tầng quy mô lớn không phụ thuộc vào việc con người lập kế hoạch và thiết kế kỹ thuật cho hệ thống. Thí dụ hàng đầu về một hệ thống động tự-tổ chức có thể là Internet, nhưng hầu hết các hạ tầng giao thông, các hệ thống đường và giao thông, các mạng cung ứng, và các mạng lưới phân phối điện cũng là các mạng động gia tăng. Xây dựng đường sá, chẳng hạn, hiển nhiên là được lập kế hoạch, và không ngạc nhiên rằng những cân nhắc về tối ưu hóa chi phí, hiệu quả, và tính hữu dụng cho biết nỗ lực lập kế hoạch. Như một hệ quả, nói chung chúng ta có thể kỳ vọng các mạng đường bộ thể hiện mức độ quy củ cao. Thế mà kinh nghiệm hàng ngày gợi ý rằng không phải thế, đặc biệt trong các thị trấn đã lớn lên trong một thời gian dài. Vì lý do này, các nhà nghiên cứu đã lập ra các mô hình hình thành-đường đơn giản (32) thử thâu tóm sự căng thẳng giữa ý niệm về tính tối ưu gây cảm hứng cho các nhà lập quy hoạch và tầm nhìn thời gian và không gian hạn chế cái cho biết các quyết định của họ. Tuy nhiên, thách thức lớn nhất trong cung cấp một mô tả toàn thể của các mạng đa-thang độ là sự cần thiết trong việc đồng thời giải quyết nhiều thang độ thời gian và khoảng cách. Ứng xử động của hệ thống cuối cùng ở bất cứ thang độ nào là sản phẩm của các sự kiện xảy ra ở tất cả các thang độ. Một tác nhân đơn độc truyền một bệnh hay một nút đơn độc của Internet mà có hỏng, hiển nhiên không bị tác động bởi bản tính đa-thang độ của mạng, hệt như các phân tử đơn độc không quan tâm đến bản tính đa-thang độ của các chất lỏng chảy rối loạn. Tuy vậy, ứng xử động tập thể và khả năng của chúng ta để tiến hành các phân tích toán học và/hoặc tính toán về các hệ thống kỹ thuật-xã hội bị ràng buộc (bị kiềm chế) bởi đặc trưng đa-thang độ của hệ thống. Trong ngữ cảnh của các mạng và các hệ thống kỹ thuật-xã hội, thách thức đa-thang độ khiến nó xuất hiện bây giờ bởi vì sự sẵn có của các bộ dữ liệu quy mô lớn. Như thế, chúng ta phải phát triển các hình thức luận và những kỹ thuật phù hợp, như các nhà nghiên cứu khảo sát các hệ thống vật lý đa-thang độ (các chất lỏng, chất rắn, phân bổ vật chất trong vũ trụ, vân vân) đã làm trong quá khứ (33). Để đạt sự hiểu một cách giải tích của các hệ thống kỹ thuật-xã hội và tiếp cận chúng về mặt tính toán, chúng ta phải tìm ra các chiến lược khác nhau để đối phó với ứng xử động và/hoặc các phương trình mà chúng hoạt động tại các thang độ đặc trưng rất khác nhau nhưng vẫn ảnh hưởng đến nhau. Các phương pháp như vậy cuối cùng sẽ cho phép xác định các cách tiếp cận tính toán phân lớp (tầng) trong đó các giả thiết mô hình hóa và các độ kết hạt (granularity) khác nhau có thể được dùng một cách nhất quán trong ngữ cảnh của một khung khổ đa-thang độ chung.

Hình 2. Cây xâm lấn bệnh dịch nhận được từ các mô phỏng một đại dịch xuất phát ở Hà Nội, Việt Nam. Các nút nhận diện 3200 quần thể dân cư khắp thế giới, và các liên kết có hướng cho biết con đường theo đó dịch bệnh đã chuyển từ một nhóm dân cư sang nhóm khác. Màu từ đỏ thẫm đến xanh thẫm phù hợp với thứ tự thời gian của sự xâm lấn dịch bệnh. Các mô phỏng nhận được với bệnh dịch toàn cầu và mô hình chuyển động từ (38).

Tận dụng lợi thế của các mạng đa thang độ
Sự hiểu biết về các đặc trưng mạng mở ra con đường cho sự tìm ra và sự hiểu các quy luật thống kê và động học mới điều chỉnh các hệ thống hạ tầng lớn gắn với các hệ thống xã hội. Hơn nữa, tính kết nối hàng loạt của các quần thể dân cư được phân tán về mặt không gian và tính phức tạp và tính không đồng đều mạnh của các mạng đa-thang độ là chìa khóa cho việc xây dựng các mô hình tính toán ngay từ đầu (ab-initio), trong đó ứng xử của hệ thống có thể được hiểu từ góc nhìn dưới-lên (bottom-up), ngược với các chiến lược trường-trung bình (mean-field) hay trên xuống (top-down) truyền thống. Điều này xảy ra trong một mảng rộng bối cảnh trải từ quy hoạch đô thị (34) đến mô hình hóa dịch bệnh (35–38). Các thí dụ đáng chú ý là các dự án TRANSIM và EPISIMS (35), trong đó các mô hình dựa vào tác nhân (agent-based), bao gồm hàng triệu cá nhân, được dùng để mô phỏng động học và lưu lượng của toàn bộ các thành phố và sự lan truyền của các tác nhân sinh học, một cách tương ứng. 

Trong một số trường hợp, sự hiểu về các mạng phức tạp cung cấp những cách tiếp cận ngược với trực giác và đáng ngạc nhiên cho việc thiết kế và quản lý các hệ thống kỹ thuật-xã hội phức tạp. Thí dụ, trong các mạng lưới điện và các mạng chuyển tải dòng chảy khác, sự hỏng của một nút hay của một tuyến đơn độc có thể kích một hiệu ứng domino (“hỏng như thác-cascading failure”), trong đó sự quá tải do tái phân bổ luồng chảy có thể gây ra một sự hỏng toàn mạng. Bằng tận dụng lợi thế của tính không đồng nhất của dòng chảy được chuyển trên các link (liên kết) của các mạng đa-thang độ, A. E. Motter (39) đã kiến nghị một cơ chế bảo vệ thích nghi mà thực sự dựa trên việc bỏ đi một số nút nhất định để gây ra các hỏng hóc chủ ý. Tuy cơ chế này có vẻ ngược với trực giác, sự hỏng hóc có chủ ý của các nút được chọn một cách thích hợp không khuếch đại quá trình thác đổ và, ngược lại, lại có khả năng giảm nhẹ thiệt hại cuối cùng. Nói cách khác, bây giờ chúng ta có thể cung cấp một lý do căn bản cho sự hiểu về sự nổi lên của các điểm lật (tipping point) và các tính chất phi tuyến mà thường làm nền cho các đặc trưng lý thú nhất của ứng xử của một hệ thống kỹ thuật-xã hội.

Thách thức hắc búa nhất
Tuy nhiều vấn đề khái niệm cơ bản vẫn chưa được giải quyết, chướng ngại chính cản đường trong việc xác định các giới hạn căn bản của tính có thể tiên đoán cho các hệ thống kỹ thuật-xã hội là tính nhạy (sensitivity) và sự phụ thuộc của chúng vào ứng xử thích nghi xã hội. Khi không có một sức ép (stress) lên hệ thống, hệ thống đến một trạng thái dừng (stationary) mà trong đó sự phản hồi giữa ứng xử xã hội và hạ tầng vật lý xác định các chi tiết về ứng xử mạng và quá trình động được quan tâm diễn ra như thế nào. Chúng ta có thể hình dung việc dùng dữ liệu trạng thái dừng để dự báo ứng xử hệ thống dưới các điều kiện “bình thường”. Tuy nhiên, trong trường hợp của các sự kiện thảm họa (thí dụ, sự đổ vỡ của trật tự xã hội trong các tình trạnh khẩn cấp như đại dịch hay các tai họa thiên nhiên lớn), ứng xử của các hệ thống kỹ thuật-xã hội bị đưa ra khỏi cân bằng vào địa hạt chưa từng biết. 

Giải quyết các vấn đề này đòi hỏi phải tìm cách giải quyết ba thách thức khoa học lớn. Thứ nhất là thu thập dữ liệu quy mô lớn về lan truyền thông tin và các phản ứng xã hội mà chúng xảy ra trong các giai đoạn khủng hoảng. Hiện nay việc này không nằm ngoài tầm với, thông qua các cơ sở dữ liệu truyền thông quy mô lớn (như điện thoại di động, các bản ghi vết (log) Twitter, và các công cụ Web xã hội) hoạt động tại thời điểm của tai họa cụ thể hay các sự kiện khủng hoảng. Thách thức thứ hai là việc lập các mô hình hình thức làm cho có thể để định lượng ảnh hưởng của cảm nhận rủi ro và sự nhận thức các hiện tượng của các cá nhân về cấu trúc và động học của mạng kỹ thuật-xã hội. Thách thức thứ ba liên quan đến triển khai các hạ tầng giám sát có khả năng thông báo (cấp thông tin) cho các mô hình tính toán theo thời gian thực. Các hệ thống phức tạp và lý thuyết mạng, sinh học toán học, thống kê học, vật lý học thống kê phi cân bằng, và khoa học máy tính tất cả đều đóng một vai trò then chốt trong nỗ lực để thỏa mãn các thách thức này. Tuy một cách tiếp cận được tích hợp như vậy có thể vẫn ở tuổi thơ ấu của mình, bây giờ có vẻ là có thể để hình dung về sự tạo ra các hạ tầng tính toán tiên đoán mà sẽ giúp chúng ta thiết kế các hệ thống phân phối năng lượng tốt hơn, quy hoạch các thành phố không có (tắc nghẽn) giao thông, lường trước những đòi hỏi của tính kết nối Internet, hay quản lý việc triển khai các nguồn lực trong các tình trạng khẩn cấp về sức khỏe.
———–
Predicting the Behavior of Techno-Social Systems, Science, Vol. 325, 24 July 2009, pp. 425-428
*Center for Complex Networks and Systems Research, School of Informatics and Computing, and Pervasive Technology Institute, Indiana University, Bloomington, IN 47408, USA; and Institute for Scientific Interchange, Turin, Italy. E-mail: [email protected]

Tài liệu tham khảo và chú thích
1. D. Lazer et al., Science 323, 721 (2009).
2. A. Pentland, trong The Global Information Technology Report 2008-2009 (World Economic Forum, Geneva, 2009), p. 75.
3. J. P. Onnela et al., Proc. Natl. Acad. Sci. U.S.A. 104, 7332 (2007).
4. D. Brockmann, L. Hufnagel, T. Geisel, Nature 439, 462 (2006).
5. D. J. Watts, Nature 445, 489 (2007).
6. M. C. Gonzalez, C. A. Hidalgo, A.-L. Barabasi, Nature 453, 779 (2008).
7. G. A. Lundberg, M. Lawsing, Am. Sociol. Rev. 2, 318 (1937).
8. S. Erlander, N. F. Stewart, The Gravity Model in Transportation Analysis (VSP, Utrecht, Netherlands, 1990).
9. J. de Dios Ortuzar, L. G. Willumsen, Modelling Transport (Wiley, New York, 2001).
10. D. Brockmann, F. Theis, Pervasive Comput. 7, 28 (2008).
11. F. Giannotti, D. Pedretti, Mobility Data, Mining and Privacy (Springer, Berlin, 2008).
12. S. Riley, Science 316, 1298 (2007).
13. C. Viboud et al., Science 312, 447 (2006); published online 29 March 2006 (10.1126/science.1125237).
14. L. Hufnagel, D. Brockmann, T. Geisel, Proc. Natl. Acad. Sci. U.S.A. 101, 15124 (2004).
15. V. Colizza et al., Proc. Natl. Acad. Sci. U.S.A. 103, 2015 (2006).
16. G. M. Ruiz et al., Nature 408, 49 (2000).
17. B. A. Huberman, L. Adamic, Lecture Notes in Physics (Springer, Heidelberg, Germany, 2003).
18. R. Pastor-Satorras, A. Vespignani, Evolution and Structure of the Internet (Cambridge Univ. Press, Cambridge, 2004).
19. M. E. Crovella, B. Krishnamurthy, Internet Measurements: Infrastructure, Traffic and Applications (Wiley, Chichester, UK, 2006).
20. S. Wasserman, K. Faust, Social Network Analysis (Cambridge Univ. Press, Cambridge, 1994).
21. I. A. Hanski, O. E. Gaggiotti, Ecology, Genetics and Evolution of Metapopulations (Academic Press, San Diego, CA, 2004).
22. A.-L. Barábasi, R. Albert, Science 286, 509 (1999).
23. M. E. J. Newman, SIAM Rev. 45, 167 (2003).
24. A. Barrat, M. Barthelemy, A. Vespignani, Dynamical Processes on Complex Networks (Cambridge Univ. Press, Cambridge, 2008).
25. A. Barrat et al., Proc. Natl. Acad. Sci. U.S.A. 101, 3747 (2004).
26. J. D. Murray, Mathematical Biology (Springer, New York, 1993).
27. A. Massey, Epidemiology in Relation to Air Travel (H. K. Lewis, London, 1933).
28. J. S. M. Peiris, K. Y. Yuen, K. Stohr, N. Engl. J. Med. 349, 2431 (2003).
29. T. D. Hollingsworth, N. M. Ferguson, R. M. Anderson, Nat. Med. 12, 497 (2006).
30. J. M. Epstein et al., PLoS One 2, e401 (2007).
31. V. Colizza, A. Vespignani, J. Theor. Biol. 251, 450 (2008).
32. M. Barthelemy, A. Flammini, Phys. Rev. Lett. 100, 138702 (2008).
33. G. I. Pavliotis, A. M. Stuart, Multiscale Methods: Averaging and Homogenization (Springer, Heidelberg, Germany, 2008).
34. M. Batty, Science 319, 769 (2008).
35. S. Eubank et al., Nature 429, 180 (2004).
36. N. M. Ferguson et al., Nature 442, 448 (2006).
37. T. C. Germann et al., Proc. Natl. Acad. Sci. U.S.A. 103, 5935 (2006).
38. V. Colizza et al., PLoS Med. 4, e95 (2007).
39. A. E. Motter, Phys. Rev. Lett. 93, 098701 (2004).
40. Tôi cảm ơn V. Colizza, D. Balcan, B. Goncalves, M. Gonzalez, và H. Hu vì sự giúp đỡ với các hình và M. Gonzalez vì dữ liệu được dùng trong Hình 1C. Tôi được hỗ trợ một phần bởi NIH, NSF, the Defense Threat Reduction Agency, the Lilly Endowment Foundation, và the Future Emerging Technologies các dự án Epiwork và Dynanets.