Мангейм Дж.Б., Рич р.К. Политология. Методы исследования. М., 1997 Процесс моделирования

Математическое моделирование предполагает исследовательскую стратегию, несколько отличающуюся от стратегий тех основных форм политологического исследования, которые описаны нами в других главах, поскольку оно основывается одновременно как на индукции, так и на дедукции. Сейчас мы обсудим общий процесс построения модели, в суммарном виде изображенной на рис.

Первый шаг при построении модели – индуктивный: это отбор наблюдений, относящихся к тому процессу, который предстоит моделировать. Грубую аналогию этому шагу можно усмотреть в отборе переменных и исходной совокупности при проверке гипотезы, с той только разницей, что последняя операция обычно более формализована. Один из возможных путей представления такого начального шага состоит в формулировке проблемы, т.е. в принятии решения относительно того, что следует принимать во внимание, а чем можно пренебречь.

Это очень важно в отношении последующих мер, поскольку в том случае, если изучаемый процесс слишком сложен для методов, доступных исследователю, или если исследователь станет изучать некорректно определенные переменные, то работа по моделированию не слишком продвинется. Успех в поиске интересной, нетривиальной, неизученной и при этом решаемой проблемы зависит от сочетания различных факторов – удачи, интуиции и личного опыта исследователя; этот поиск подобен поиску интересной теории в том виде, как он был описан в гл. 2. Моделирование обычно предполагает меньшее число переменных, нежели проверка гипотезы: последняя оперирует простыми процессами (например, линейной регрессией), относящимися к большому числу переменных, тогда как в моделях используются сложные процессы, относящиеся к малому числу переменных.

Второй шаг заключается в переходе от определения проблемы к собственно построению неформальной модели. Неформальная модель – это набор таких инструментов, которые способны объяснить отобранные нами наблюдения, но при этом определены недостаточно строго и нельзя с точностью проверить степень их логической взаимоувязанности. К примеру, если объектом моделирования является гонка вооружений (см. пример 1), то неформальная модель могла бы выглядеть следующим образом: «Гонка вооружений происходит потому, что государства боятся вооружений, имеющихся у других государств; пределы ее ограничены стоимостью вооружений». Это утверждение сообщает нам нечто о механизмах, движущих гонку вооружений, но для окончательного варианта модели оно недостаточно специфицировано.

На этой стадии большинство разработчиков моделей рассматривают целый ряд наборов неформальных допущений, способных объяснить одни и те же данные; тем самым они рассматривают несколько потенциальных моделей и пытаются решить, какая из них лучше всего отображает изучаемую проблему. Иначе говоря, разработчик модели старается найти различные способы установления логического соответствия между моделью и реальным миром. Это критический момент в процессе моделирования. Если лежащая в основе модели неформальная теория несостоятельна, то ее не спасет никакое количество изощренных математических приемов.

Приобретя определенный опыт в моделировании, исследователь обычно переходит от неформальных моделей к поиску среди существующих формальных моделей такой, которая бы наиболее адекватно подходила к его наблюдениям. Формальная модель отличается от неформальной тем, что все допущения в ней сформулированы в математической форме. Существующие модели на самом деле представляют собой вполне конкретные наборы приемов, и, поскольку они уже кем-то изучались, возможные выводы из их исходных посылок уже известны, что придает определенное направление и дальнейшим разработкам.

Вместо того чтобы иметь дело с произвольным набором неформальных допущений, опытный разработчик будет стремиться рассуждать в терминах «игра с нулевой суммой», «игра «дилемма заключенного»«, «разностное уравнение первой степени», «модель Даунса» и других хорошо отработанных моделей. Опытный разработчик использует отработанные модели для того, чтобы от рассуждений типа «Для решения этой задачи необходимо иметь некоторое количество мелких металлических резцов, расположенных в ряд на плоскости и способных при возвратно-поступательном движении разрушать клеточную структуру древесины» перейти к рассуждениям типа «Здесь требуется пила».

Третий шаг – это перевод неформальной модели в математическую модель. Такой перевод включает в себярассмотрение словесного описания неформальной модели и поиск подходящей математической структуры, способной отобразить те же самые идеи и процессы. Это, по всей видимости, самый сложный этап во всем процессе моделирования. Именно здесь могут вкрасться многочисленные ошибки и двусмысленности, поскольку в любом процессе перевода содержание одновременно и теряется, и расширяется.

Стадия перевода может таить в себе две опасности. Во-первых, неформальные модели имеют тенденцию быть неоднозначными, и обычно существует несколько способов перевода неформальной модели в математическую, но при этом альтернативные математические модели могут иметь совершенно различный смысл. На самом деле это одна из главных причин, изначально толкающих нас к применению математических моделей: язык математики лишен двусмысленностей и более точен, чем естественный язык, он позволяет исследовать скрытый смысл тончайших различий в формулировках, который плохо доступен исследованию посредством естественного языка.

Вторая возможная опасность заключается в добавлении к неформальной модели тех имплицитных допущений, которые сопутствуют использованию конкретных математических методов. Это оказывается особенно существенным в тех случаях, где задействованы статистические методики и дифференциальное исчисление. Важнейшие формулы теории вероятности и дифференциального и интегрального исчисления опираются на несколько простых допущений, которые чрезвычайно полезны с математической точки зрения, но совсем необязательно соответствуют условиям политической и социальной жизни. Эти допущения в общих чертах соответствуют тому, что мы наблюдаем в мире природных явлений (и поэтому дифференциальное исчисление оказалось столь пригодным для моделирования самых различных природных процессов), но в том, что касается социального поведения, они отнюдь не всегда могут быть в равной степени применимы. Даже если некоторая конкретная модель была изначально рассчитана на отображение социальных ситуаций, тем не менее, надо постоянно учитывать наличие в ней имплицитных допущений и обращаться с ними с осторожностью.

Перевод неформальной модели на язык математики – это еще один элемент в моделировании, где важную роль играют личный опыт разработчика и его способность к взвешенным оценкам. Во многих случаях можно сэкономить массу времени и усилий, делая определенные допущения, позволяющие легче оперировать с моделью на стадии ее математической обработки; в других случаях те же самые допущения могут вызвать значительное отклонение модели от исходной неформальной теории. В процессе моделирования приходится считаться с обеими этими сторонами перевода. Особенности математической модели могут подвести исследователя к подгонке под нее некоторых допущений неформальной теории. С другой стороны, если неформальная теория выглядит осмысленно, а математическая модель – нет, то следует испробовать какую-то иную математическую версию данной модели.

Например, если мы примем в качестве допущения, что причина, по. которой люди участвуют в голосовании, заключается в возможности оказать какое-то воздействие на результаты выборов посредством нарушения потенциальной случайной связи, а математический анализ показывает, что вероятность случайной связи настолько мала, что большинство избирателей в большинстве выборов только из-за этого голосовать не стали бы, то факт, что люди все-таки приходят на избирательные участки, означает, что мы, возможно, недооценили какие-то другие причины участия в голосовании, например чувство гражданской ответственности или желание выразить свое мнение. С другой стороны, наше математическое определение случайной связи, возможно, чересчур строго; может быть, люди рассматривают вероятность того, что в итоге выборов разрыв между кандидатами не превысит 1% общего числа голосов, как более чем случайную связь.

Следующий этап – этап математической обработки формальной модели – является решающим в математическом моделировании. Именно здесь применяется весь арсенал математических методов – логических, алгебраических, геометрических, дифференциальных, вероятностных, компьютерных – для формального вывода нетривиальных следствий из исходных допущений модели. На стадии математической обработки мы обычно – вне зависимости от сути задачи – имеем дело с чистыми абстракциями и используем одинаковые математические средства, идет ли речь о гонке вооружений или о подпрыгивании мяча. Этот этап представляет собой дедуктивное ядро моделирования, заключающееся в поиске нетривиальных и непредвиденных выводов из правдоподобных допущений.

Полученные выводы проходят через еще один процесс перевода – на сей раз с языка математики обратно на естественный язык. Предосторожности, упомянутые нами в связи с переводом на язык формальной модели, сохраняют свое значение и здесь: ведь перевод с неизбежностью влечет за собой потерю и добавление какой-то информации и каких-то допущений. Этот заключительный перевод может оказаться едва ли не самым трудным этапом в процессе моделирования – как часто, глядя на ряд уравнений или графов, задаешься вопросом: «Что же это все может означать?» Хотя разработчик модели в целом заинтересован в получении вполне определенного результата, имеющего вполне определенный реальный смысл, но моделирование нередко порождает и неожиданные результаты, которые могут быть даже более интересными, нежели изначально ожидавшиеся. Литература по моделированию полна примеров того, как исследователь, взяв модель, разработанную кем-то другим, получил из нее интересные, не предвиденные ее автором результаты. Например, феномен «циклического голосования» (т.е. ситуации, когда три или четыре предложения голосуются по принципу простого большинства и при этом ни одно из них не может перевесить все остальные в случае попарного голосования) был известен как математический курьез с XVIII столетия. И только в 50-х годах нашего века стало ясным его значение; это произошло после того, как Кеннет Эрроу применил его в своей «теореме невозможности», демонстрирующей существование некоторых фундаментальных противоречий во всех демократических избирательных системах.

Далее исследователю нужно вернуться назад к первоначальным стадиям моделирования, с тем чтобы внести в модель определенные уточнения. Соответствуют ли полученные выводы тому, что от модели ожидалось изначально? Имеют ли эти выводы смысл в свете эмпирических наблюдений? Если да, то можно ли усовершенствовать модель так, чтобы получить и другие нетривиальные выводы? Можно ли ее сделать более общей? Можно ли получить те же выводы при более простом наборе исходных допущений? Если модель не несет в себе реального смысла, то, что было неверным – формальная модель или же исходная концептуализация? А может быть, какие-то имплицитные допущения помешали правильному переводу с языка неформальной теории на математический язык? В процессе моделирования эти вопросы следует держать в уме постоянно. К формальному сравнению и уточнению модели можно возвращаться много раз, прежде чем станет возможной эмпирическая проверка, которая выступает в качестве окончательного этапа моделирования, необходимого для установления степени обоснованности модели.

Эмпирическая проверка бывает нужна не всегда: в некоторых случаях исходные предположения описывают процесс исчерпывающим образом (это относится, например, к правилам избирательной процедуры), и выводы модели в проверке не нуждаются. Но обычно исходные допущения содержат факторы, в теоретической разработке модели полностью не специфицированные и нуждающиеся в оценке с опорой на фактические данные. Поскольку реально все модели социальных процессов предполагают значительный элемент случайности, эмпирические тесты помогают установить также и предсказательную силу модели. Проверка модели включает в себя те же самые этапы операционализации, измерения и статистического анализа, которые обсуждались нами в других главах, хотя для проверки математической модели нередко требуется определенная адаптация стандартных статистических методик.

ЗАЧЕМ НУЖНЫ МОДЕЛИ? Как указывалось выше, существует множество причин, в силу которых политологи прибегают к использованию математических моделей. Однако у данного метода есть и недостатки и преимущества. Моделирование – это процесс упрощения и дедуктивного вывода. Упрощение влечет за собой потерю информации о событии. Дедуктивный вывод зачастую включает в себя сложную математическую обработку, которая, по крайней мере на первых порах, затрудняет работу с моделью. Поэтому в отношении моделирования возникает резонный вопрос: а для чего нужны все эти сложности?

Первая причина, побуждающая нас к моделированию политического поведения, состоит в том, что модель помогает формализовать происходящие в обществе события. Дело в том, что политическая жизнь достаточно регулярна, для того чтобы упрощенная неформальная модель ее могла принести определенную пользу. Большая часть того, что случается в области политики, как правило, не является совсем уж неожиданным – на самом деле наличие элемента неожиданности указывает на то, что у нас имеются априорные представления о том, как могут развиваться события, и мы в состоянии осознать факт неожиданного поворота дел. Значит, у нас в мозгу имеются своего рода ментальные модели функционирования политических систем, даже если мы ни разу не пытались выразить их эксплицитно. Математические модели как раз и помогают эксплицировать подобные неформальные модели.

В качестве примера ментальной модели можно привести следующий. Предположим, что на предстоящих президентских выборах один из кандидатов набирает 95% всех голосов. Очевидно, что это никак не противоречит ни конституции, ни устоявшимся избирательным процедурам. Однако мы будем склонны рассматривать такой факт как крайне маловероятный в силу целого ряда причин. Во-первых, мы допускаем, что со стороны каждой партии наберется достаточное число избирателей, чтобы свести к минимуму возможность чисто случайного результата голосования. Во-вторых, мы исходим из того, что ни одна партия не станет выставлять столь непопулярного кандидата, чтобы он мог собрать лишь 5% голосов. В-третьих, мы полагаем, что подсчет голосов производится без подтасовок. Можно было бы перечислять и далее, но суть в том, что относительно политической системы США у нас имеется целый ряд исходных допущений, в свете которых разбиение голосов на 5 и 95% представляется нам малоправдоподобным.

Все подобные допущения упрощают действительность. Мы не знаем, каково точное число избирателей, да нам это и не надо – мы просто знаем, что оно очень велико. Мы не знаем, какие конкретно особенности кандидата делают его приемлемым для одних избирателей и неприемлемым для других, но мы исходим из того, что совсем уж непопулярные кандидаты не будут выдвинуты на голосование. Мало у кого есть личный опыт в деле подсчета голосов, достаточный для того, чтобы знать, честно ли проводятся выборы, но весь опыт прошлого дает основания считать, что фальсификации на выборах места не имеют. Поскольку эти допущения не столь уж часто приводят нас к неверным выводам, мы можем использовать эту модель политической системы для неформального прогнозирования будущего. В действительности те случаи, когда какой-либо кандидат получает 95% голосов, вызывают у населения сильное недоверие, иногда вплоть до требований о расследовании, так что наша модель отчасти определяет также поступки и отношения людей.

Другой причиной применения математического моделирования является необходимость эксплицитно описать механизмы, объясняющие наши неформальные прогнозы. Несмотря на то, что все индивиды знают, чего можно, а чего нельзя ожидать от данной политической системы, они зачастую не в состоянии определить точно, почему и что конкретно они от нее ожидают. Формальная модель как раз и помогает преодолеть чересчур свободные формулировки допущений неформальной модели и дать точный, а подчас и поддающийся проверке прогноз.

Вышеприведенный пример выводится из модели Даунса, которую мы будем рассматривать ниже в данной главе. Формальная модель Даунса предсказывает, что любая политическая партия в условиях альтернативных выборов будет выбирать своих кандидатов и платформу так, чтобы привлечь с их помощью как можно большее число избирателей. Это и некоторые дополнительные соображения приводят нас к заключению, что существует тенденция, в соответствии с которой политические партии должны получить на выборах примерно равное число голосов; именно такой исход обыкновенно и наблюдается на выборах в США. Таким образом, данная формальная модель предсказала не только то, что исход с распределением голосов в соотношении 95:5 является маловероятным, но и то, что ожидаемым будет распределение в соотношении 50:50, в пользу чего было приведено определенное обоснование.

Порой, кажется, что математические модели всего лишь подтверждают и так очевидные вещи. На самом деле это неотъемлемая особенность любых моделей постольку, поскольку от них ожидается, что они в той или иной степени должны воспроизводить все происходящее в каждодневной политической реальности. Однако люди, как правило, очень смутно представляют себе, что такое «очевидное». Рассмотрение ряда противоречащих друг другу афоризмов («волк волка чует издалека» и «крайности сходятся», «с глаз долой – из сердца вон» и «чем дальше с глаз, тем ближе к сердцу» и т.п.) убеждает нас в том, что здравый смысл часто оказывается правильным именно потому, что он настолько расплывчат, что попросту не может быть неверным.

Строгость формальных моделей, напротив, означает как раз то, что они могут быть неверными, и в результате у модели «спортивные показатели» могут быть подчас хуже, чем у более неоднозначного здравого смысла. Однако это вовсе не слабость, а, наоборот, достоинство моделирования, ибо допущения и прогнозы модели оказываются достаточно точными, чтобы их можно было проверить, а также указать, в каком месте и как произошла возможная ошибка. Та модель, которая устояла против целого ряда попыток ее искажения, вполне вероятно, и в будущем будет давать правильные прогнозы. Модель же, которая раз за разом дает неверные предсказания, видимо, должна быть устранена из рассмотрения.

Короче говоря, модель бывает полезной только в том случае, если в принципе, возможно, продемонстрировать ее ошибочность. Если невозможно показать, что модель неверна, то невозможно также доказать, что она верна, а отсюда следует вывод о бесполезности такой модели. Неформальная интуитивная модель, позволяющая уходить от всевозможных ошибок, может быть большим тактическим подспорьем на переговорах, но она бессильна помочь нам яснее понять механизм политического поведения.

Третьим преимуществом формальных моделей, но сравнению с голой интуицией или даже с тщательно обоснованной аргументацией на естественном языке является их способность систематически оперировать с сущностями более высокого уровня сложности. Естественные языки (подобно английскому) возникли как средства общения, а не как средства логического вывода. Математика, напротив, изначально была задумана как средство логического вывода и систематического оперирования понятиями. И опыт показал, что математика в этом отношении – очень полезное орудие. Политологи со своей стороны только сейчас начинают осознавать, что может дать моделирование для более углубленного понимания политического поведения, а в ряде случаев должны были развиться целые отрасли математики (самый заметный пример –теория игр), прежде чем обществоведы смогли увидеть нечто общее в разрозненных типах социального поведения. Математическое моделирование социального поведения насчитывает не более 20 лет от роду, и пока нет оснований считать, что оно уже достигло пределов своего развития.

И наконец, преимуществом математического моделирования является также то, что оно позволяет различным научным дисциплинам обмениваться своими исследовательскими средствами и приемами. Тому можно привести много примеров: в моделях, используемых в политологии, задействованы не только основные математические средства, но и масса методик, заимствованных из эконометрики, социологии и биологии. Опросное исследование – представляющее собой, по сути дела, сложную математическую модель распределения общественного мнения между различными группами населения – является широко распространенным методом, используемым в большинстве социальных наук. Заимствование происходит и в обратном направлении: специалисты по системотехнике, разрабатывая крупные компьютерные модели глобальных социально-демографических процессов, для уточнения политических аспектов были вынуждены обратиться к политологическим моделям, а совсем недавно математики, работающие над новой теорией хаотического поведения, обнаружили, что модель Ричардсона гонки вооружений (см. пример 1) поддается весьма продуктивному анализу с применением методов вышеупомянутой теории. Подобным же образом и теория игр была изначально разработана экономистами и политологами для анализа явления конкуренции и лишь впоследствии превратилась в раздел чистой математики.

Помимо стимулирования междисциплинарного обмена методами и идеями, математические модели полезны также тем, что позволяют увидеть глубинную однородность явлений, которые на первый взгляд не имеют между собой ничего общего. Следующий пример, сам по себе довольно тривиальный, наглядно демонстрирует такой тип обобщения.

Представим себе нехитрую игру, в которой два игрока по очереди берут со стола фишки, пронумерованные от 1 до 9:

1    2    3    4    5    6    7    8    9

Выигрывает тот, кто первым наберет фишек на сумму, равную 15. Играя в эту игру, вы, несомненно, обнаружите, что в ней есть свои приемы – в частности, в порядке защитного приема вы можете забирать со стола именно те фишки, которые нужны второму игроку для получения окончательной суммы, – однако общая стратегия игры, по-видимому, не совсем очевидна. Чтобы обобщить игру, перепишем номера фишек следующим образом:

Заметим, что в такой записи каждая строка, столбец и диагональ в сумме дает желаемый исход – 15. Таким образом, для успешной игры нужно выбрать какой-то один из этих рядов чисел. В такой форме игра выглядит уже очень знакомо: это «крестики-нолики», в которые умеет играть любой пятилетний ребенок. После того как мы представили игру в упорядоченном виде, то, что сначала нам казалось незнакомым, теперь стало выглядеть вполне узнаваемо, так что мы получили возможность использовать в новом контексте издавна известное нам решение.

Это упражнение – конечно, в более сложных формах и применительно к более значимым задачам – весьма характерно для процесса нахождения общих черт с использованием математических моделей. Известно множество случаев, когда математическая модель, разработанная изначально в расчете на одну какую-то проблему, оказывалась равным образом применимой и к другим проблемам. К примеру, модель Ричардсона гонки вооружений может быть использована для изучения не только международной гонки вооружений, но и динамики роста предвыборных расходов соперничающих политических партий или процесса взвинчивания участниками аукциона цены на «лакомый» товар. Игра «дилемма заключенного» применима не только к примеру позиционной войны (см. ниже), но и к случаю «войны цен» между двумя бензозаправочными станциями, а также к случаю принятия государством решения о необходимости разработки нового вида оружия. Разновидность игры «дилемма заключенного» под названием «цыпленок» берет свое начало от игр юных головорезов, носившихся в разбитых колымагах по заброшенным дорогам Калифорнийской пустыни; она теперь применяется к изучению политики ядерного сдерживания в условиях угрозы термоядерной войны. Перечислять примеры можно было бы до бесконечности; для нас, однако, существенно, что большинство хороших математических моделей находят применения, далеко выходящие за рамки тех проблем, ради которых они первоначально разрабатывались.

Итак, математические модели имеют четыре потенциальных преимущества по сравнению с естественно-языковыми моделями. Во-первых, они упорядочивают те ментальные модели, которыми мы обычно пользуемся. Во-вторых, они лишены неточности и неоднозначности. В-третьих, математическая запись в отличие от естественно-языковых выражений позволяет оперировать на очень высоком уровне дедуктивной сложности. И, наконец, математические модели способствуют нахождению общих решений для проблем, кажущихся на первый взгляд разнородными.