А. А. Давыдов
СИСТЕМНЫЙ ПОДХОД
в социологии НОВЫЕ НАПРАВЛЕНИЯ, ТЕОРИИ И МЕТОДЫ АНАЛИЗА СОЦИАЛЬНЫХ СИСТЕМ
МОСКВА
ББК 60.5 87.1 87.6
Давыдов Андрей Александрович Системный подход в социологии: новые направления, теории и методы анализа социальных систем. — М.: КомКнига, 2005 — 328 с. ISBN 5-484-00103-Х Монография посвящена применению общей теории систем в социологии. Рассматриваются новые направления, теории и методы анализа социальных систем. Представлены новые законы функционирования социальных систем. Приводятся примеры использования современных методов анализа для объяснения и прогнозирования различных социальных процессов в России. Монография предназначена для социологов, специалистов в области теории социальных систем, исследователей-практиков, занимающихся анализом и прогнозированием социальных явлений и процессов.
Текст опубликован в авторской редакции.
Издательство «КомКнша». 117312. г. Москва, пр-т бО-лсги» и » ™ р я , у. Подписано к печати 27 04 2005 г Формат 60x90/16 Печ л. 20,5 Зак. № 55 Отпечатано в ООО «ЛЕНАНД» 117312, г.Москва, пр-т 60-летия Октября, д ПА, стр И
ISBN 5-484-00103-Х
© А. А. Давыдов, 2005 © КомКнига, 2005
НАУЧНАЯ И УЧЕБНАЯ ЛИТЕРАТУРА E-mail:
[email protected] Каталог изданий в Интернете:
http://URSS.ru Тел /факс: 7 (095) 135-42-16 URSS Тел /факс: 7 (095) 135-42^16
2843 ID 24426
Оглавление Введение
5
Глава 1. Новые направления в анализе социальных систем
6
§ 1. Internet Data Analysis (Анализ данных в Интернете)
6
§2. Computational Sociology (Компьютационная социология)
20
§ 3. Data Mining (Добыча знаний)
35
§4. Quantum Computing (Квантовые вычисления)
48
§ 5. Социогепетика
60
Глава 2. Новые теории социальных систем
67
§ 1. Системное определение понятия «общество»
67
§ 2. Теория социологических алгоритмов
83
§ 3. Теория «социальных фрагментов» — общая социологическая теория Глава 3. Новые методы анализа социальных систем
103 119
§ 1 . Фрактальный анализ социальных процессов
119
§ 2. Вейвлет-апализ социальных процессов
135
§ 3. «Нейронные» сети для выявления факторной структуры социальных систем
155
§ 4. Логические методы анализа социальных систем
171
§5. «Мягкие» вычисления субъективных вероятностей
185
§ 6. Метод каузальной атрибуции в анализе социальных систем
197
§7. Субъективные числа в анализе социальных систем
201
§8. Интервальные числа в анализе социальных систем
218
§ 9. Простые числа в анализе социальных систем
224
§ 10. Анализ кумулятивных одномерных частотных распределений § 11. Многомерный статистический анализ множества одномерных частотных распределений § 12. Кватернионы в анализе социальных триад
238 252 263
Оглавление Глава 4. Системный анализ современного состояния России
271
§ 1. Распадется ли Россия в XXI веке?
271
§ 2. Место России в иерархии стран мира
284
§ 3. Россия ближе к США или Китаю?....
293
§ 4. Россия и США: снова гонка за лидером?
311
Заключение
323
Об авторе
324
Введение Системный подход является основой Systems Science (наука о системах) — современной научной дисциплины, созданной во второй половине XX в., основанной на общей теории систем, системных методологических принципах, широком использовании эмпирических данных конкретных научных дисциплин, математике и компьютерном моделировании, ориентированной на конкретные практические приложения в сфере управления1. В рамках теории социальных систем, как части общей теории систем, используют множество новых направлений, теорий и методов анализа, которые пока крайне редко используются в социологии. Вместе с тем, имеются основания полагать, что данные направления и методы анализа будут определять развитие теории социальных систем в социологии в ближайшие годы. В этой связи, в данной монографии рассмотрены некоторые новые направления, теории и методы анализа социальных систем, приводятся некоторые новые эмпирические результаты, а также рассматриваются некоторые традиционные методы, которые практически не используются в социологии, несмотря на их очевидную пользу. Данная монография не является справочником или учебником, задача автора была значительно скромнее — привлечь внимание российских социологов к возможностям системного подхода в социологии, и, в частности, к некоторым новым направлениям, теориям и методам анализа социальных систем. В связи с большим количеством объемных зарубежных монографий, посвященных данным направлениям и методам анализа, автор излагал материал достаточно кратко и в общем виде. Для более детального ознакомления с изложенным в данной монографии материалом, заинтересованный читатель может обратиться к соответствующей современной научной литературе, список которой приведен в конце каждого раздела. Системный подход и системные закономерности используются для анализа и прогнозирования некоторых аспектов будущего России. Материалы данной монографии отражают направления исследований, которые осуществляются автором в группе «Анализ социальных систем» в Институте социологии РАН.
Давыдов А. А. Системный подход в социологии: законы социальных систем. М : УРСС, 2004.
Глава1 Новые направления в анализе социальных систем § 1. Internet Data Analysis Интернет — это большая, сложная, информационная социотехническая система, не имеющая географических границ, где электронная информация представлена в виде большого количества Web-данных (Webстраницы, мультимедиа, гипертекст, ЗБ-изображения и т. д.). Данная сеть имеет следующую инженерную реализацию: домены, Web-страницы, провайдеры, пользователи с IP-адресами, поисковые информационные системы, линии коммуникации и т. д. Сеть Интернет работает непрерывно 24 часа в сутки, семь дней в неделю на протяжении более 10 лет и имеет огромный объем информации, который постоянно пополняется и изменяется. Так например, информационно-поисковая система Google в 2004 г. осуществляла поиск среди 4 285 199 774 Web-страпиц Интернет. В данной социотехнической системе значительную роль играют механизмы самоорганизации пользователей. Количество пользователей Интернет в мире постоянно растет и к 2005 г. приблизилось к 1 млрд человек [1]. Развитие Интернета способствовало появлению новых терминов, в частности, CyberSociety (киберобщество) [2] — сообщество взаимодействующих пользователей Интернет, CyberSpace (киберпространство) [3, 4] — 3D (трехмерное) многопользовательское пространство электронной информации, Cyber City (кибергород) [4] — 3D (трехмерное) многопользовательское подпространство в CyberSpace, Alfa World (альфа мир) [4] — многопользовательский виртуальный мир, где люди, представленные как электронные образы, могут встречаться и взаимодействовать, виртуальная реальность и т. д. Получили развитие новые Интернет-дисциплины, например, кибергеография, киберправо, электронная торговля и маркетинг, киберсоциология, киберпсихология, киберспорт и т. д. В связи с огромным объемом информации имеющейся и циркулирующей в сети Интернет и большим количеством пользователей и взаимодействий между ними, разрабатывается специализированное программное обеспечение для визуализации сети Интернет [5], системы Data Mining (добыча знаний) [6] для эмпирического анализа Web-данных, разрабатываются новые методы эмпирического анализа и языки моделирования, например, язык моделирования VRML (Virtual Reality Modeling Language)
Новые направления в анализе социальных систем
7
[7], который позволяет моделировать 3D многопользовательские виртуальные миры и проводить имитационные компьютерные эксперименты. Многочисленные международные и национальные организации, например, Cooperative Association for Internet Data Analysis (САША) [8], собирают статистику по Интернет (количество и содержание Web-страниц, частота обращения пользователей к конкретным Web-страницам в течение дня, педели, месяца, года) [9], проводят Интернет-опросы пользователей, изучают сообщества пользователей в сети Интернет и другие аспекты Интернет. Традиционно, в социологии изучают влияние Интернета на различные социальные явления и процессы, общество в целом, отношение населения к Интернет, а также различные социальные характеристики (пол, возраст, доход, образование и т. д.) пользователей Интернет, интересы, ценности, участие в интернет-форумах, использование e-mail, интернеткоммерции, изучаются сообщества в CyberSpace [3] и т. д. Для этого используют как стандартные опросы общественного мнения по месту жительства и телефонные опросы, в рамках которых задают вопросы об использовании респондентом Интернет, так и Интернет-опросы и анализ чатов. В этой связи отметим, что в теоретической социологии в последние годы получила распространение теория сетевого общества М. Кастельса [10], однако, она разработана на основе гуманитарной парадигмы в социологии [11], что существенно ограничивает ее прогностические возможности и практические применения. Национальный научный фонд США готовит, один раз в два года, доклад конгрессу США о развитии Интернет в США [12], в котором приводятся обширные эмпирические данные о роли Интернет в различных сферах жизни американцев и страны в целом. В России исследуют российских пользователей Интернет, например, monitoring.ru [13], осуществляет мониторинговый опрос российских пользователей сети Интернет. Специалисты общей теории систем обычно решают следующие задачи при изучении Интернет, а именно, какие уже известные и новые общесистемные законы и закономерности наблюдаются в Интернет, разработка новых методов системного анализа и моделирования в Интернет, разработка практических управленческих решений по управлению информацией, знаниями, поведением пользователей и другими аспектами в Интернет. Поскольку теория социальных систем является частью Systems Science (наука о системах) [14] то при системном подходе в социологии также решаются данные задачи. В данном разделе приведены некоторые методы изучения Интернет и некоторые общесистемные закономерности Интернет. Для изучения расстояний в Интернет разрабатываются Web-metrics (Web-метрики) [15]. Напомним, что метрика — это функция для измерения расстояния, которая удовлетворяет следующим трем условиям.
Глава 1
p(a,b)>0, p(a,b) = p(b,a), p{a, b) + p(b, c) > p(a, c), где p— расстояние, a,b,c — объекты (пользователи, сайты, провайдеры и т. д.). Существует множество различных Web-метрик [15]. Перечислим некоторые из них. Географическое расстояние между пользователями Интернет (в километрах), IP-путь, количество IP-адресов, которое проходит сообщение от одного пользователя Интернет к другому, AS-путь, количество Интернет—сервис провайдеров (Internet Service Providers), которое проходит сообщение от одного пользователя к другому, медиана прохождения сигнала между клиентом и сервером и обратно RTT (Round Trip Time) в миллисекундах. На рис. 1.1—1.2 представлены два визуальных 3Dобраза части Интернет (63 661 узла и 63 630 связей) созданные на основе метрики RTT (Round Trip Time) в 2002 г. [5]. Для измерения расстояний в Интернет используют также Bandwithmetrics (метрики скорости обмена) [8], которые основаны на измерении переданных байтов в единицу времени. При Web контент-анализе HTML документов в Интернет используют различные лингвистические метрики [6]. Для измерения диаметра Интернет (верхняя грань расстояний в графе) [16] используют следующую метрику. Количество кликов (нажатий клавиши мыши), чтобы от одного случайно выбранного HTML документа в Интернет, перейти к другому случайно выбранному HTML документу через систему ссылок. Эмпирически выявлено [16], что p ( a , 6 ) = 0,35 + 2,061og(7V),
Новые направления в анализе социальных систем где N — количество документов в Интернет, a, b — документы, р — 8
среднее расстояние. В 1999 г. в Интернете было N = 8xlO HTML документов, тогда р{а,Ъ}= 19, т. е. чтобы от одного случайно выбранного документа в Интернет, перейти к другому случайно выбранному документу, требуется, в среднем, 19 кликов (нажатий клавиши мыши). Полученный результат объясняют [16] фрактальной размерностью сети Интернет, действием закона Ципфа и наличием в Интернет Small Worlds (маленьких миров), описание которых дано ниже. Геометрия Интернет. На рис. 1.3-1.4 представлены две разные проекции 3D-o6pa3a части CyberSpace (535 102 узла и 601 678 связей) в гиперболическом пространстве [5]. Более подробно с многочисленными и разнообразными визуальными 3D и 2В-образами CyberSpace можно ознакомиться на сайте [5] или в Atlas of Cyberspace [17]. Напомним, что гиперболическое пространство (пространство Лобачевского) — это геометрическое пространство постоянной отрицательной кривизны, т. е. геометрия внутри шара. Автор [18] уже высказывал предположение, что некоторые части социального пространства можно описать с помощью геометрии Лобачевского. Как следует из рис. 1.3—1.4, данная гипотеза получила практическое воплощение при визуализации Интернет. Рост Интернет. Установлено [9, 19], что количество пользователей Интернет увеличивается с течением времени по экспоненциальной
10
Глава 1
зависимости (1), т. е. здесь проявляется известный общесистемный закон экспоненциального роста [14], который действует в любых системах, в том числе и социальных. По данным ООН [20] автор вычислил средний ежегодный темп прироста числа пользователей Интернет в мире за период 1990—2002 гг. Оказалось, что каждый год число пользователей Интернет в мире увеличивалось, в среднем, в 1,59 + 0,07 раза, что с 95 % вероятностью заключено в доверительном интервале 1,435-1,749 раза. В полученный 95 % доверительный интервал попадает «золотая» пропорция, численно равная 1,618. Известно, что «золотая» пропорция соответствует режиму развития новых системных свойств в системе, в частности, развитию свойства целостности [14]. Из общей теории систем [цит. по: 14] известно, что жизненный цикл инноваций в системах описывается, в целом, логистической зависимостью, следовательно имеются основания предполагать, что с течением времени рост числа пользователей Интернет будет изменяться по логистической зависимости и по окончании жизненного цикла доля пользующихся Интернет, возможно будет составлять около 94 % населения мира, а 6 % населения мира не будут пользоваться Интернет, что следует из модульной теории социума (МТС) [21, 22]. На рис. 1.5 представлена построенная автором с помощью пакета SPSS логистическая регрессия у = 1п(йо) + (1п(^)хг), где у — доля пользователей Интернет в мире, t — календарные моменты времени, Ьо = 94 , t\ = 0,6118. Для построения логистической регрессии использовались данные ООН за период 1990-2002 гг. [20]. На основе построенной логистической модели был сделан прогноз, который следует рассматривать как одну из возможных научных гипотез. Из рис. 1.5 следует, что в ближайшее десятилетие может наблюдаться «взрывной» рост доли пользователей Интернет в мире и, возможно, уже к 2020 г. доля пользователей Интернет в мире достигнет «естественного потолка», предсказываемого МТС — 94 % от численности населения мира. В этой связи также отметим, что в построенной логистической регрессии параметр Ь, = 0,6118, что близко к «золотой» пропорции 0,618 (относительная погрешность составила 1 %). Таким образом, в данном процессе «золотая» пропорция выступает в качестве константы роста, что хорошо согласуется с общей теорией систем [пит. по: 14]. Закон Меткалфа. Согласно закону Меткалфа [цит. по: 12], ценность (полезность) сети возрастает пропорционально квадрату числа ее пользователей. Данный закон справедлив для компьютерных и телефонных се-
Новые направления в анализе социальных систем
11
тей, Social Network (социальных сетей). Данный закон называют «сетевым эффектом», поскольку он справедлив для различных сетей.
Закон Ципфа. Напомним, что закон Ципфа (1) впервые был выявлен в социальной географии при изучении упорядоченных по убыванию численностях населения городов [цит. по: 14]. В настоящее время он активно используется в общей теории систем, при изучении социальных систем [14], в частности, при изучении Интернет [23]. (1) где Р(г) — размер члена последовательности; г — ранг члена убывающей числовой последовательности; К — масштабный коэффициент, зависящий от масштаба используемых чисел; -q — показатель Ципфа. Проведенные исследования [23] показали, что для различных показателей Интернет величина показателя Ципфа изменяется довольно значительно, что, в частности, обусловлено ограниченностью данных, которые были доступны исследователям. Чтобы читатель понимал, какие объемы информации приходится анализировать, приведем только один пример. Для вычисления значения показателя Ципфа по количеству Web-страниц было использовано 48 254 554 Web-страниц [23]. В табл. 1.1 представлены некоторые из полученных результатов.
Глава 1
12
Таблица 1.1 Значение показателя Ципфа Показатель Интернет
-я
Источник цитирования
Количество Web-страниц Количество Web-страниц Количество Web-страниц на серверах Alexa и Infoseek Домены
2,91
[23] [16]
Выходящие связи Входящие связи Общее число связей
1,45 1,647;1,853, 1,775; 1,909 0,81 1,46 2,98 1,60
[19] [23] [23] [23] [23]
В целом, многочисленные эмпирические результаты [16,19, 23] показывают, что в Интернет наблюдается общесистемный закон Ципфа и значения показателя Ципфа для виртуальных систем часто соответствуют значениям показателя Ципфа для реальных социальных систем [23]. Фрактальный анализ Интернет. Напомним, что фрактальный анализ позволяет измерять самоподобие и сложность («изломанность») изображений и фигур (подробнее о фрактальном анализе см. раздел данной книги «Фрактальный анализ социальных процессов»). Величина фрактальной размерности (2) соответствует сложности («изломашюсти») изображения или фигуры. (2) где D — фрактальная размерность; п — число самоподобных частей, возникающих при увеличении линейных размеров исходной фигуры в г раз. На рис. 1.6-1.7 представлены изображения для одного из Cyber City [4] в два разных момента времени и их фрактальные размерности. Фрактальная размерность для Cyber City в декабре 1996 г. оказалась следующей: D = 1,4. Фрактальная размерность для Cyber City в феврале 1998 г. оказалась следующей: D = 1,65. Полученные результаты показали, что рост Cyber City происходит по тем же фрактальным закономерностям, что и рост реальных городов [4]. Кроме того, полученные значения фрактальных размерностей соответствуют значениям фрактальной размерности для природных и социальных систем (см. раздел данной книги «Фрактальный анализ социальных процессов»).
Новые направления в анализе социальных систем
13
Графовые закономерности. Теория графов широко используется при изучении Интернет, в частности, такие числовые характеристики графов, как число вершин (узлов), ребер (связей) и их производные, например, отношение количества связей к числу вершин, отношение количества входящих ориентированных ребер к выходящим ребрам из узла и т. д., диаметр графа (верхняя грань расстояний в графе), количество подграфов и т. д. Кроме этого используются разнообразные топологические (качественные) характеристики графов. При использовании теории графов и методов анализа графов к данным Интернет, существует техническая проблема, а именно, размеры графов оказываются слишком большими для визуализации и анализа, пример тому — ЗБ-граф на рис. 1.3-1.4, состоящий из 535 102 узлов и 601 678 связей или графы части Интернет [5], на рис. 1.8-1.10.
14
Глава 1
Однако, исследования показывают, что сеть Интернет состоит из Small Worlds (маленьких миров) [24, 25], под которыми понимают подграфы, состоящие из 6 тесно связанных между собой пользователей или Webстраниц и которые являются промежуточными между регулярными и случайными графами. Данные графы характерны для биологических и социальных систем [25]. Полученные результаты хорошо согласуются с понятием bitermedity (промежуточность) [26], которое автор ввел для описания базового состояния функционирования социальных систем между порядком и хаосом. Анализ Web-страниц. Web-страница — это информационная электронная система, которая обладает сложной структурой: гипертекст, числа, видео, звук, ЗО-графика, фотографии, ссылки на другие Web-страницы и т. д. Для анализа Web-страниц используют различные показатели, например, количество HTML страниц на сайте, размер Web-страницы в байтах, URLs, принадлежность Web-страницы (персональная, организации, коммерческая и т. д.), ключевые слова, частота ссылок на данную Web-страницу, частота посещаемости пользователями Интернет данной Web-страницы в какой-либо период времени и т. д. Для анализа Webстраниц в Интернет используют компьютерные автоматические системы Web-Mining [6], например, Paessler Site Inspector [27], которые включают в себя разнообразные методы анализа, например, коптент-апализ ключевых слов, фотографий, таблиц, анализ ссылок и т. д. Для анализа и классификации Web-страниц используют разнообразные статистические ме-
Новые направления в анализе социальных систем
15
тоды. В качестве иллюстрации на рис. 1.11 представлена линейная зависимость между количеством Web-страниц и общим количеством связей для 150 стран мира за 1999 г. [цит. по: 23], где у — общее количество связей, х — количество Web-страниц. Поскольку числа имели большой масштаб, то для удобства восприятия оси у и х представлены в логарифмическом масштабе.
В свою очередь, количество Web-страниц в стране зависит от ВВП (валового внутреннего продукта) на 74 % [23]. Из формулы, представленной на рис. 1.11, следует, что коэффициент пропорциональности £ = 1,5128, что попадает в интервал пропорций 1,237-2,236, который наиболее часто встречается в реальных социальных системах [21, 28]. Пользователи Интернет. Пользователей Интернет изучают многочисленные международные и национальные государственные, коммерческие, академические и иные организации. Поисковые информационные системы, например, AltaVista, Google, Rambler, Яндекс собирают почасовую ежедневную статистику количества посетителей, частоту посещения сайтов, чатов и т. д., Интернет-статистику собирают Интернет-магазины, Рг-агентства и т. д. В результате имеется огромное количество эмпирических данных в динамике, все содержательные аспекты которых невозможно рассмотреть в данном разделе, поэтому рассмотрим только некоторые результаты по России, в частности, на поисково-информационной системе Rambler [29]. Данная поисковая система ежедневно обрабатывает более
16
Глава 1
1,1 млн запросов и собирает статистику количества пользователей, посещаемости сайтов, географического местоположения пользователей и т. д., которые обновляются каждые 30 минут. В январе 2004 г. наиболее посещаемыми были следующие сайты, которые в проекте Руметрика [29] называют «большой двадцаткой» (сайты даны в алфавитном порядке). Afisha.ru (Все развлечения Москвы и Петербурга), Aport.ru (Поисковая система принадлежит РОЛ), Auto.ru (Любая информация об автомобилях), Bankreferatov.ru (Банк рефератов), Club.MP3search.ru (Террабайт музыки в МРЗ), Dialup.mtu.ru (Интернет-провайдер МТУ), Gazeta.ru (Первая газета российского Интернета), Gismeteo (Погода от ФОБОС и МзпМейкерс), GolodTNT.ru (Сайт телепроекта ГОЛОД на канале ТНТ), Hotbox.ru (Бесплатная почта), iXBT.com (Статьи, новости компьютерной тематики), KM.ru (Мультипортал), Lenta.ru (Крупнейший информационный ресурс Рунета), Mail.ru (Первая бесплатная электронная почта Рунета), Rambler.ru (Информационно-поисковая система), Rbc.ru (Информационный портал РосБизнесКонсалтинг), Referat.ru (Рефераты и сочинения, принадлежит ROL), SoftSearch.ru (Поиск программ, драйверов, скриптов, обоев). В целом, мотивация и поведение пользователей в Рунет (русскоязычная часть Интернет) определяются общесистемным оптимизационным принципом минимакса, т. е. при минимуме усилий, времени, материальных затрат и т. д., получение максимального объема информации по интересующей тематике, которая, в значительной мере, определяется молодежной спецификой пользователей Рунет: рефераты, развлечения, музыка, новости и т. д., а также передача информации с помощью электронной почты и общение в чатах. За период 28.06.2004 — 04.07.2004 посетители Rambler из России составляли 62,8 %. Полученная величина близка к «золотой» пропорции (61,8 : 38,2) — одной из общесистемных констант самоорганизации в различных системах [14], которая в модульной теории социума (МТС) [21, 22] отражает определенный режим функционирования социальных систем и соответствует свойству целостности системы. В июне 2004 г. 22 % посетителей Rambler интересовались компьютерами и Интернет, 14 % — бизнесом, 8 % — развлечениями, 7 % — путешествиями и транспортом, 5 % — музыкой, а 44 % посетителей интересовали другие темы. Таким образом, «Ядро» пользователей по интересам составило 56 %, а «Периферия» — 44 %. Полученная величина соответствует известному из модульной теории социума (МТС) [22] режиму функционирования социальных систем, для которого характерно распределение частей равное 55,3 :44,7. На рис. 1.12 представлено распределение количества посетителей Rambler по времени суток на 8.07.2004 г. Функция распределения количества посетителей Rambler по времени суток, представленная на рис. 1.12, может быть приближенно описана
Новые направления в анализе социальных систем
17
нормальным распределением, биномиальным распределением, распределением Коши или какой-либо другой похожей функцией. Данные функции соответствуют известной общесистемной закономерности [14], наблюдаемой в социальных системах, в частности, при изучении жизненного цикла товаров, услуг, организаций, транспортных, миграционных и иных потоков в течение суток, недели, месяца, подъеме и спаде интереса общества к какому-либо социальному явлению с течением времени и т. д. В табл. 1.2 представлено распределение количества посетителей поисковой системы Rambler (Top 100) по числу просмотров страниц на 8.07.2004 г.
Из табл. 1.2 следует, что, в среднем за период 01.07.2004 - 08.07.2004, 55,6 % посетителей наиболее часто просматривали 1 страницу и 3-5 страниц, а 44,4 % посетителей просматривали другое количество страниц. Полученная величина соответствует известному из модульной теории социума (МТС) [21, 22] режиму функционирования социальных систем, для которого характерно распределение частей равное 55,3 : 44,7.
18
Глава 1 Таблица 1.2.
Распределение количества посетителей по числу просмотров страниц Количество просмотров страниц
Число посетителей Среднее за 7 дней (01.07.200408.07.2004)
Сегодня
Вчера
1
21 220
62 312
47 885
2
11 089
32 414
23 799
3-5
16 065
50 856
35 251
6-10
8717
34 421
22 874
11-20
3 887
20 397
13 483
21-50
951
8 196
5 480
51-100
48
861
574
>100
6
135
77
Исследования пользователей Интернет в России, например, проведенные monitoring.ru [13] в 2001 г., также показывают известные общесистемные законы [14] среди пользователей Интернет, которые, в частности, описаны в модульной теории социума (МТС) [21, 22]. Например, средний темп прироста численности пользователей Интернет в России составляет около 1,6 («золотая» пропорция), для 61,1 % «ядра» пользователей, наибольший интерес в Интернет представляют новости. 61,5 % активных пользователей выходят в Интернет из дома. Данная величина близка (с учетом ошибок выборки и измерений), как к «золотой» пропорции 61,8:38,2 = 1,618, так и к общесистемной закономерности интервала пропорций 1,237-2,236 между целым и большей частью в социальных системах [28]. У 5 % активной аудитории Интернета нет компьютера и телефона в личном пользовании. Для сравнения, общесистемная константа меньшинств в социальных системах составляет 5,6% [14, 21]. Подобные примеры наличия известных общесистемных закономерностей [14], например убывающих числовых последовательностей [30] в сообществах пользователей Интернет можно без труда продолжить, обратившись к статистике посетителей, которую собирают поисковые информационные системы, PR-агенства, специализирующиеся на контент-анализе информации в Интернет, результатам опросов пользователей Интернет в различных странах мира или к банку данных Cooperative Association for Internet Data Analysis (САША) [8]. В этой связи отметим, что на основе модульной тео-
Новые направления в анализе социальных систем
19
рии социума (МТС) [21,22], автор совместно с А. Н. Чураковым разработал компьютерную экспертно-диагностическую систему МАКС (версия 3.1) [22], с помощью которой можно в автоматическом режиме анализировать любые множества одномерных частотных распределений, в том числе и относящихся к Интернет и выявлять общесистемные структурно-функциональные закономерности, проводить имитационные компьютерные эксперименты и осуществлять диагностику. В заключение отметим следующее. Между виртуальными и реальными социальными системами действует общесистемный принцип подобия, поэтому в Интернет наблюдаются известные общесистемные законы, характерные для стадии роста сложных систем, которые находятся в самоорганизованном состоянии Intermedity (промежуточности) между порядком и хаосом. Данный факт может быть использован для выявления новых закономерностей строения и функционирования Интернет, надежного прогнозирования и разработки научно обоснованных управленческих рекомендаций. Имеются основания предполагать, что в ближайшие 10 лет исследования Интернет будут интенсивно развиваться.
Литература 1. http://www.un.org. 2. Jones S. CyberSociety: Computer-Mediated Communication and Community. L.: Sage Publ, 1994. 3. Smith M., KollockP. Communities in Cyberspace. N. Y.: Routledge, 1998. 4. http://www.geog.ucl.ac.uk/~nshiode/vcgis98/alpha.html. 5. http://www.cybergeography.org. 6. Chakrabarti S. Mining the Web: Analysis of Hypertext and Semi Structured Data. L.: Morgan Kaufmann, 2002. 7. http://www.sdsc.edu/vrml. 8. http://www.caida.org. 9. Pastor-Satorras R., Vespignani A. Evolution and Structure of the Internet. Cambridge: Cambridge University Press, 2004. 10. Castells M. The Information Age. N. Y.: Free Press, 1997. 11. Давыдов А. Социология как метапарадигмальная наука // Социол. исслед. 1992. № 9. С. 85-87. 12. Science and engineering indicators. Wash.: Nat. science board, Gov. print., 2000, 2002. 13. http://www.monitoring.ru. 14. Давыдов А. А. Системный подход в социологии: законы социальных систем. М.: УРСС, 2004. 15. Sterne J. Web Metrics: Proven Methods for Measuring Web Site Success. N. Y: Wiley, 2002.
20
Глава 1
16. Albert R., Jeong К, BarabasiA. 1999 Diameter of the World-Wide Web // Nature, 1999, 401. P. 130. 17. Dodge M., Kitchin R. Atlas of Cyberspace. N. Y.: Addison-Wesley, 2001. 18. Давыдов А. А. Геометрия социального пространства: постановка проблемы // Социол. исслед. 1996. № 8. С. 96-98. 19. НиЪегтапВ., AdamicL. Growth dynamics of the World-Wide Web//Nature, 1999, 401. P. 131. 20. Human Development Report. 2002. N. Y., Oxford: Oxford University Press, 2002. 21. Давыдов А. А. Модульный анализ и конструирование социума. М.: ИСАН, 1994. 22. Давыдов А. А., Чураков А. Н. Модульный анализ и моделирование социума. М.: ИСАН, 2000. 23. http://www.casa.ucl.ac.uk/naru/. 24. Watts D. Small Worlds. Princeton: Princeton University Press, 1999. 25. Adamic L. The Small World Web (http://www.hpl.hp.com/research/idl/). 26. DavydovA. Intermedity — Basic State of Social Systems?//Systems Research, 1993. V. 10. P. 81-84. 27. http://www.paessler.com. 28. Давыдов А. А., Чураков А. Н. О соотношении целого и большей части в социуме // Системные исследования. Ежегодник. 1998. Ч. 2. М.: УРСС, 2000. С. 44-53. 29. http://www.rambler.ru. 30. Давыдов А. А. Убывающие числовые последовательности в социологии: факты, объяснения, прогнозы // Социол. исслед. 2001. № 7. С. 113-119.
§ 2 . Computational Sociology В последние годы за рубежом быстрыми темпами развивается computational sociology (компьютационная социология) — вычислительная или компьютерная социология [1], которая обладает новыми и полезными возможностями для решения социологических теоретических, эмпирических и практических задач. Изданы многочисленные монографии, например [2-5], существуют специализированные журналы Journal of Artificial Societies and Social Simulation, Social Science Computer Review, действуют международные ассоциации Social Science Computing Association (SSCA), European Social Simulation Association (ESSA), проводятся конференции, посвященные компьютерной социологии [6], во многих зарубежных университетах, например, Гарварда (США), Массачусетса (США), Мичигана (США), Риверсайда (США), Карнеги Мелоуна (США), Айовы (США), Пенсильвании (США), Оксфорда (Великобритания), Манчестера (Великобритания), Суррея (Великобритания), Гумбольта (Германия), Гамбурга (Германия), Рима (Италия), Цюриха (Швейцария), Гропипгена (Нидерланды), Порто (Португалия) на кафедрах социологии, social
Новые направления в анализе социальных систем
21
computer science (социальной компьютерной науки), computer science (компьютерной науки) существует спецкурс или специализация — компьютерная социология. Вместе с тем, большинству российских социологов компьютерная социология пока мало известна, что с точки зрения автора, препятствует развитию российской социологии. Данное обстоятельство побудило автора сделать краткий, предназначенный для предварительного ознакомления и понимания неподготовленным читателем, обзор основ, терминов, некоторых важных содержательных результатов, проблем и перспектив развития компьютерной социологии. Методика составления обзора была следующей. Поскольку за рубежом в высокоразвитых странах мира компьютерная социология достаточно широко представлена в Internet, то с помощью поисковой системы AltaVista в Internet был осуществлен поиск по ключевым словам «computational sociology», «computer simulation in sociology», «computational models in sociology» и т. д. В результате проведенного поиска были выявлены основные монографии, научные журналы, статьи, авторы, наиболее употребительные термины, модели и другие аспекты компьютерной социологии. После этого было изучено содержание основных монографий и научных статей, имеющихся в Internet в открытом доступе. Список литературы в данном разделе отражает, в целом, развитие компьютерной социологии за рубежом к 2004 г. Основы компьютерной социологии Компьютерная социология была создана для разработки и проверки социологических теорий, измерения различных социальных явлений, выявления принципов, законов и закономерностей строения и функционирования различных социальных явлений, процессов, социальных систем, прогнозирования социальных явлений и процессов, разработки рекомендаций по управлению различными социальными явлениями, процессами, социальными системами с использованием компьютерных моделей, предназначенных для проведения computer simulation (имитационного компьютерного моделирования) [1—5]. В целом, компьютерная социология основывается на принципе компьютерного моделирования — одном из основных методологических принципов общей теории систем. Компьютерная социология располагается «между» теоретической и эмпирической социологией [1], являясь при этом разделом Social Computer Science (социальной компьютерной науки), которая, в свою очередь, является разделом Computer Science (компьютерной науки) [2-5]. Теоретическим базисом компьютерной социологии являются классические и современные социологические теории, компьютерные социологические теории, теории математической социологии, достижения Computer Science (компьютерной науки) и ее раздела Social Computer Science (социальной компьютерной науки), Neurocomputer Science (нейрокомпьютерной науки),
22
Глава 1
Systems Science (науки о системах или системологии), Cognitive Science (науки о знаниях) и других современных дисциплин, в частности, в компьютерной социологии используются общая теория систем, теории мирсистемы, регионов, организаций, городов, теории игр, самоорганизации, фракталов, детерминированного хаоса, сложности, когнитивных систем, клеточных автоматов, «нейронных сетей» и т. д. Основным методом описания, анализа, объяснения и прогнозирования в компьютерной социологии является computer simulation (имитационное компьютерное моделирование), которое рассматривается как теоретический эксперимент, позволяющий получить новое знание. Кроме того, в компьютерной социологии программирование компьютерных моделей также рассматривается как специфический метод исследования. Компьютерные модели в компьютерной социологии можно подразделить на три класса. Первый класс — компьютерные модели, основанные на какой-либо классической или компьютерной социологической теории, второй класс — компьютерные модели, основанные на предварительном эмпирическом анализе собранных данных, без связи с какой-либо теорией, третий класс — компьютерные модели из других областей знания, например, клеточные автоматы [7], «нейронные» сети [8], модели детерминированного хаоса, сложности [9] и т. д. Для разработки компьютерных моделей используются три подхода, а именно, программирование компьютерной модели, используя различные языки программирования, например, C++, DELPHI, LISP, PROLOG, языки моделирования Smalltalk [цит. по: 10], Tel и Тк [цит. по: 10], MIMOSE [цит. по: 11] и х д., использование специализированных стандартных компьютерных «оболочек» для построения компьютерных моделей и проведения имитационного моделирования, например язык программирования и среда моделирования SWARM [12], CORMAS [цит. по: 11], SDML [цит. по: 10], использование средств имитационного моделирования, включенных в стандартные математические компьютерные системы, например, MATLAB (версия 6.5), МАТНЕМАПСА (версия 4.2) [7] и т. д., а также многочисленные специализированные компьютерные системы для построения и обучения «нейронных» сетей и проведения моделирования, например, NeuroSolution, NeuroShell, BrainMaker. Компьютерная социология предъявляет новые требования к социологическим теоретическим понятиям и теориям, в частности, конструктивность, под которой понимается возможность практической реализации теоретического понятия или целой теории с помощью какого-либо языка программирования в реально функционирующей компьютерной системе. В этой связи отметим, что главным теоретическим понятием компьютерной социологии является понятие Artificial Society (искусственное общество) [3], которое представляет собой реально функционирующую компь-
Новые направления в анализе социальных систем
23
ютерную систему, состоящую из одной или нескольких компьютерных моделей для проведения имитационного компьютерного моделирования. Таким образом, в отличие от традициошнах классических социологических теорий, существующих в форме текстов, или математических социологических теорий, существующих в виде аксиом, математических формул и теорем, в компьютерной социологии теория — это реально функционирующая компьютерная система. В последние годы в компьютерной социологии произошел переход от моделей «факторов», основанных на принципе социологического реализма и парадигме Equation-Based Modeling, включающей разнообразные математические численные модели, например, системы дифференциальных уравнений, описывающих взаимодействие между социальными явлениями (факторами), к парадигме Multi-Agent-Based Simulation [11,12-21], модели которой базируются на принципе социологического номинализма и локальной детерминации, а также следующих постулатах. Artificial Society (искусственное общество) является multiagent systems (MAS). В качестве «агента» может выступать индивид, организация и т. д., что в целом близко к традиционно используемому в теоретической социологии понятию «acton). Каждый «агент» имеет возможность принимать индивидуальные решения и действия, имеет неполную информацию или возможности и способности к решению проблемы и, таким образом, имеет ограниченную точку зрения, не имеется никакого глобального управления, «агенты» относительно автономны и децентрализованы, взаимодействия между «агентами» параллельны и асинхронны. Наиболее известными компьютерными моделями MultiAgent-Based Simulation являются клеточные автоматы [7]. В Институте Complex systems Santa Fe (США) разработан язык программирования и среда моделирования SWARM [12], которые предназначены для Multi-Agent Simulation. Модели Multi-Agent-Based Simulation и их разновидности MultiAgent-Based Social Simulations (MABSS) [3, 11, 12—21], включают модели эмерджентного (неожиданного) возникновения макро социальных структур из индивидуальных взаимодействий, групповой динамики, в частности, сетей взаимодействующих пользователей Internet, возникновения норм, порядка, разрешения социальных дилемм, влияние макро этических и религиозных норм на индивидуальное поведение, возникновения конфликтов в социальных системах и т. д.
Содержательные результаты компьютерной социологии Скажем сразу, что перечислить все многочисленные содержательные результаты, полученные в компьютерной социологии, не позволяет ограниченный размер раздела. Поэтому автор сосредоточил внимание только па некоторых результатах, которые, с точки зрения автора, имеют обобщающее и фундаментальное значение для социологии и теории социаль-
24
Глава 1
пых систем, а множество интересных, но частных содержательных результатов автор не упоминал в данной обзорной статье. Верификация классических социологических теорий. Одной из задач компьютерной социологии является верификация некоторых положений классических социологических теорий [22], например, структурно-фупкционалыюй теории Т. Парсонса, теории солидарности Э. Дюркгейма, символического интеракционизма, теории коммуникативного действия Н. Лумана, теорий рационального выбора, обмена, конфликтов, которые поддаются проверке в результате имитационного компьютерного моделирования. Проведенные многочисленные компьютерные имитационные эксперименты, например, [2, 5, 9, 11, 16, 17, 19, 20, 22-32] показали, что многие проанализированные положения вышеперечисленных классических социологических теорий являются ошибочными и представляют собой социологические мифы [9]. Полученные результаты компьютерного моделирования подтверждают известное высказывание В. Парето [цит. по: 33], «история науки сводится к истории ошибок компетентных людей». Компьютерные социологические теории. К настоящему моменту времени существуют компьютерные социологические теории [2, 5, 9, 11, 16, 17, 19, 20, 22—32] социальной структуры, солидарности, капитализма, социокультурной эволюции Западной Европы, военных конфликтов, этических норм, религиозной веры, доверия, рационального выбора, ответов респондентов, переходных периодов в социальных системах и т. д. Данные компьютерные социологические теории реализованы в действующих компьютерных системах, например, в SDML, GeoSim, FEARLUS, Ascape, Cormas, Madkit, SeSam, основанных, как на парадигмах Equation-Based Modeling, так и Multi-Agent-Based Simulation, в частности, моделях «нейронных» сетей, клеточных автоматов, различных логических и эвристических правилах, в частности, правилах fuzzy logic («нечеткой» логики), rough set («грубых» множеств) и т. д. Главное достоинство данных компьютерных социологических теорий в том, что они позволили получить принципиально новое теоретическое знание, выявить новые социальные феномены и механизмы их возникновения, осуществлять измерение ранее неизвестных социальных свойств и отношений. Например, в результате компьютерного моделирования [31] было установлено, что высокая мера равенства акторов в социальных системах приводит к сложной динамике социальной системы, напротив, чем выше мера неравенства акторов в социальной системе, тем проще динамика социальной системы. Также был экспериментально выявлен парадокс демократических реформ [31], который состоит в том, что демократические реформы с наибольшей вероятностью приводят к неэффективным государствам.
Новые направления в анализе социальных систем
25
Модели Global World (глобальный мир). Дашше компьютерные модели берут свое начало с классической модели Дж. Форрестера, разработанной для глобального моделирования мира в целом и основанной на парадигме Equation-Based Modeling [цит. по: 11]. Наиболее известными глобальными компьютерными моделями данной парадигмы являются World2, WorkB, WTM (World Integrated Model), LAWM (Latin American World Model), WIOM (World Input-Output Model), FUGI Model (FUture of Global Interdependence), SIM/GDP (System of Integrated Models/Global Development Processes), RW-m (Regional World-Hi), IWM (Integrated World Model), SARUM (Systems Analysis Research Unit Model) и ее разновидности, например, EFS (International Futures Simulation) [цит. по: 34]. В данных моделях исследуются механизмы возникновения и динамики глобализации, неравенства регионов мира, миграции, урбанизации, демографической, экономической, социокультурной динамики развития человечества и т. д. В рамках данного направления используются и более простые компьютерные модели, в частности, компьютерные геоинформационные системы, например, GeoSim, предназначенные для имитационного моделирования явлений, приуроченных к географическому пространству, например, моделирования военных конфликтов [32]. В последние годы в имитационном моделировании Global World начинают применяться модели парадигмы Multi-Agent-Based Simulations (MABS) [3, 35] в интеграции с геоинформационными моделями [36]. Главный фундаментальный вывод использования компьютерных моделей Global World состоит в следующем. Традиционная классическая социология оказалась недостаточно теоретически и эмпирически подготовленной для изучения глобального мира, что отмечают многие исследователи, например И. Уоллерстайи [37], разработавший теорию мир-системы [38]. Напротив, компьютерная социология предлагает плодотворные компьютерные модели для изучения глобального мира, позволяющие получить множество принципиально новых теоретических и эмпирических результатов, способствующих развитию современной макро социологии, а результаты моделирования используются в практике ООН. Модели Small Worlds (маленькие миры). Данные компьютерные модели относятся к имитации возникновения и изменения социальных явлений в системах, состоящих из небольших подсистем. Наиболее известными компьютерными моделями Small Worlds [39,40] являются имитационные модели Social Networks (социальных сетей), клеточные автоматы, модель Изинга, которая является разновидностью модели клеточных автоматов с наличием глобального порога функционирования и которая предназначена для имитации образования подгрупп в социальных сетях. Программирование моделей Small Worlds осуществляется с помощью различных языков программирования, например, для программирования модели Изинга используют специальный язык и среду имитационного моделирования Moduleco [41].
26
Глава 1
Среди множества содержательных результатов имитационного моделирования Small Worlds, например, закономерностей образования подгрупп, механизмов бифуркации в социальных группах и т. д., важных для развития современной микро социологии, отметим следующий результат. Установлено, что некоторые социальные феномены обладают свойством масштабной инвариантности, т. е. они не зависят от размера социальной группы и сети в целом. Таким образом, Морено, разработавший социометрическую теорию, был частично прав полагая, что изучая малые социальные группы можно приблизиться к пониманию механизмов социальных феноменов в больших социальных группах и в обществе в целом. Однако, в общем, отношения между локальной динамикой подгрупп и глобальной динамикой сети в целом зависят от структуры всей сети. Модели организаций. К настоящему моменту времени наибольшее применение компьютерная социология получила в Computational Organization Theory (компьютерной теории организаций) [42], в частности, многие компьютерные модели, например, основанные на парадигме Multi-Agent-Based Social Simulations (MABSS) [18, 21], моделируют поведение индивидов в организациях, выявлены многие закономерности организаций, поведения и сознания членов организаций, существуют успешные прогнозы функционирования организаций, результаты компьютерного моделирования с успехом используются в практике управления организациями. С многочисленными конкретными содержательными результатами данного направления исследований можно ознакомиться в журнале Computational and Mathematical Organization Theory. Компьютерные модели организаций уже стали использоваться в коммерческих компьютерных системах DSS (поддержки принятия управленческих решений) [43], с основами которых можно ознакомиться в журнале Decision Support Systems, с демо-версиями некоторых компьютерных систем DSS можно ознакомиться в Internet. В настоящее время многие крупнейшие компании мира используют в своей работе системы DSS. «Нейронные» сети. Исследование моделей «нейронных» сетей в компьютерной социологии [8], показывает следующее. Множество нелинейно взаимосвязанных и параллельно функционирующих нейронов, которые можно содержательно интерпретировать как индивидов, группы индивидов, организации, страны или регионы мира, непосредственно ненаблюдаемые социальные «факторы» и т. д., каждый из которых имеет определенных уровень активации, позволяют точно описывать и успешно прогнозировать различные социальные явления, процессы и социальные системы. Соответствующие многочисленные подтверждающие примеры можно найти в научной литературе, посвященной использованию «нейронных» сетей в социальных науках [8], например, моделирование рели-
Новые направления в анализе социальных систем
27
гиозной веры с помощью моделей «нейронных» сетей [44]. Процесс обучения «нейронных» сетей хорошо имитирует процессы адаптации и оптимизации в сложных социальных системах. Также отметим одну полезную особенность «нейронных» сетей, а именно, они позволяют описывать, моделировать и прогнозировать любые эмпирические данные: количественные, качественные и данные смешанной природы, часть из которых является количественными, а часть качественными. Клеточные автоматы. Фундаментальные методологические результаты компьютерного моделирования различных социальных систем с помощью клеточных автоматов [45] состоят в следующем. Во-первых, небольшое количество логических детерминистских законов, примененных к множеству взаимосвязанных элементов, порождают сложную, хаотическую и непредсказуемую пространственную и количественную динамику согласованного коллективного поведения. Принципиально не существует аналитической формулы, с помощью которой можно было бы предсказать, за сколько временных «шагов» клеточный автомат достигнет финального состояния, какую он будет иметь пространственную конфигурацию и т. д. Единственный метод изучения поведения клеточного автомата — компьютерная реализация автомата от начального до финального состояния. Во-вторых, наблюдая за пространственными и количественными закономерностями динамики множества элементов, практически невозможно выявить простые логические детерминистские законы, которые лежат в основе функционирования автомата. В третьих, некоторые пространственные конфигурации элементов не могут быть порождены в процессе функционирования клеточного автомата, а могут быть только изначально заданы. В четвертых, существуют правила, которые независимо от начального состояния автомата приводят к определенным структурам, например стационарным (устойчивым) структурам. Данные результаты имеют фундаментальное значение для социологии, поскольку они накладывают определенные методологические ограничения на принципы и методы познания законов строения и функционирования поведения индивидов и функционирования социальных систем. Модели детерминированного хаоса. Результаты использования моделей детерминированного хаоса [46] показывают следующее. Рекуррентное соотношение, которое детерминировашю связывает предыдущее состояние системы с ее последующим состоянием, с помощью параметра самоорганизации, может обуславливать сложную и хаотическую динамику системы при некоторых численных значениях параметра самоорганизации. В частности, простой детерминистский закон может порождать хаотичную последовательность кризисов в социальных системах. Иными словами, за кажущейся хаотичной и непредсказуемой повторяемостью социальных кризисов может лежать один простой детерминистский закон.
28
Глава 1
Модели самоорганизованной критичности. Использование компьютерных моделей самоорганизованной критичности [47] показывает следующее. В социальных системах, находящихся в состоянии самоорганизованной критичности, наблюдается слабая зависимость между всеми элементами социальной системы. При этом социальные системы функционируют около границ оптимального функционирования и при незначительных внешних и (или) внутренних воздействиях, система уходит из зоны оптимума и в ней может неожиданно возникнуть лавинообразный процесс, захватывающий все или большее количество элементов системы. Данные результаты хорошо объясняют и прогнозируют неожиданное возникновение массовых волнений, забастовок, революций, распада империй, государств и т. д. Содержательные результаты, полученные с помощью компьютерных моделей детерминированного хаоса и самоорганизованной критичности [9, 46, 47], которые основаны на теории самоорганизации, одном из разделов общей теории систем, показывают, что закономерности динамики сложных социальных систем похожи на закономерности динамики природных систем. Здесь проявляется фундаментальный онтологический общесистемный принцип «Разные причины — похожие следствия», который имеет большое теоретическое и эмпирическое значение для социологии. Кроме того, полученные результаты показывают, что традиционное дистанцирование классической социологии от достижений в области общей теории систем, естественных и технических наук вряд ли можно признать плодотворным для развития современной социологии.
Проблемы компьютерной социологии Теоретические проблемы. Практика разработки компьютерных моделей показала, что многие классические социологические теории и теоретические понятия социологии не отвечают критерию конструктивности, принятому в компьютерной социологии, поскольку в них используются неоперациональные понятия, нечеткие и неопределенные термины, смысл которых постоянно меняется в ходе рассуждения, метафизические выражения, которые не обозначая ничего точного, могут одновременно обозначать все что угодно, понятия с эмоциональным содержанием, в теориях отсутствует связь между принципами, законами и эмпирическими фактами, существует пренебрежение критерием точности эмпирической проверки теории, гипотез и прогнозов и т. д. Поэтому трудно, а иногда и невозможно разработать реально функционирующую компьютерную модель на основе какой-либо классической социологической теории. Кроме того, как уже было отмечено выше, многие теоретические положения классических социологических теорий являются ошибочными. Таким образом, классические социологические теории, в большинстве случаев, не явля-
Новые направления в анализе социальных систем
29
ются плодотворным теоретическим и понятийным базисом для компьютерной социологии. Для решения данной проблемы в компьютерной социологии используют гибридные компьютерные модели, в которых одновременно применяются отдельные элементы классических социологических теоретических моделей, эмпирических моделей и моделей из других областей знания, что приводит к терминологической мультипарадигмальности компьютерной социологии. Методологические проблемы. Методологические проблемы компьютерной социологии являются общими и достаточно хорошо известными проблемами теорий компьютерного имитационного моделирования [48] и социального компьютерного моделирования [2—5, 49], в частности, проблема выбора адекватного языка программирования и моделирования, оптимальных алгоритмов, быстрого построения и тестирования модели, оптимизации проведения имитационных экспериментов, интерпретации полученных содержательных результатов, особенно в случае, когда эмпирическая проверка результатов моделирования затруднена или невозможна по принципиальным соображениям. В компьютерной социологии уделяется значительное внимание фундаментальной проблеме [10,31, 50,51], в какой мере результаты имитационного моделирования соответствуют действительным механизмам изучаемого социального явления, в частности, получаемые результаты являются копией действительности, правдоподобной гипотезой или компьютерным артефактом. В рамках обсуждения данной проблемы рассматриваются философские, теоретические, методологические, эмпирические и другие аспекты, в частности, критерии позитивизма, реализма, конвенционализма, интерпретивизма, выдвигаются различные новые критерии компьютивизма, что способствует более корректной интерпретации получаемых результатов. Практика имитационного моделирования, например [10, 32], показывает, что, вероятно, не существует «лучшей» модели, удовлетворяющей множеству различных критериев, пригодной для решения предельно широкого круга задач социологии и для каждого класса задач необходимо применять различные модели. Перспективным подходом при разработке компьютерных социологических моделей также является параллельное программирование, которое в отличие от традиционных языков последовательного программирования позволяет значительно ускорить время вычислений и дает другие преимущества для проведения имитационных компьютерных экспериментов, особенно с моделями «нейронных» сетей, клеточными автоматами и другими компьютерными моделями, требующих параллельных и асинхронных вычислений. Разрабатываются также так называемые социологические алгоритмы, например, социокультурные алгоритмы [52]. Другой методологической проблемой является проблема синтеза компьютерных моделей [53], например, моделей диффузии
30
Глава 1
и Social Networks (социальных сетей) [54] для имитационного моделирования динамики Social Networks. Проблемой также является сравнение результатов, получаемых с помощью различных компьютерных моделей [55], например, моделей военных конфликтов GeoSim и FEARLUS [32], клеточных автоматов, «нейронных» сетей и генетических алгоритмов [31], что необходимо для более обоснованного подтверждения содержательных результатов. Перспективы в решении данных проблем специалисты [56-58] связывают с разработкой систем Artificial Social Intelligence (искусственный социальный интеллект) и развитием социологической теории. Эмпирические проблемы. Несмотря на то, что в эмпирической социологии проводится множество эмпирических исследований, большинство из них являются описательными и не вскрывают причинно-следственных отношений, например, подавляющее число вопросов в опросах общественного мнения отражает только следствия (субъективные отношения), а не причины и механизмы [27]. Не все важные количественные параметры и (или) логические и эвристические правила, необходимые для разработки компьютерных моделей, можно эмпирически выявить и измерить. Во многих эмпирических исследованиях наблюдается недостаточная стандартизация, повторяемость, сосредоточенность па детальном изучении небольшого количества фундаментальных социальных факторов, взаимодействий, явлений, процессов и т. д., что препятствует выявлению закономерностей и законов в разнообразных социальных явлениях и процессах, необходимых для построения компьютерных моделей. Для решения данных проблем в компьютерной социологии используется следующая методология. Сначала с помощью компьютерной модели измеряются значения неизвестных параметров или закономерностей, которые затем используются в этой же или другой компьютерной модели для проведения имитационных экспериментов. Компьютеры. Использование имитационных компьютерных моделей в компьютерной социологии показало, что большинство социальных систем являются сложными [9, 53], причем здесь речь идет не о количестве элементов и связей в социальной системе и сложности ее прогнозирования, а в более принципиальном смысле. Сложность выражается в том, что социальную систему можно описать только с помощью такого же по сложности описания, а более простые описания являются неполными и в силу этого неадекватными. Иными словами, минимальное количество параметров в компьютерной модели для описания сложных социальных систем может быть равно количеству параметров в самой социальной системе. В этой связи возникают технические проблемы увеличения быстродействия компьютеров для проведения имитационного моделирования сложных больших социальных систем в приемлемое время. Прогресс в решении данной про-
Новые направления в анализе социальных систем
31
блемы специалисты [56-58] связывают с разработкой систем Artificial Social Intelligence (искусственный социальный интеллект). В целом, зарубежные специалисты по компьютерной социологии хороню знают существующие проблемы своей дисциплины и предпринимают согласованные, активные и довольно успешные разнообразные действия по их решению. Artificial Social Intelligence (ASI) — будущее компьютерной социологии Artificial Social Intelligence (искусственный социальный интеллект) [56—58] — это компьютерная система, в которой общество, организации, индивиды представлены как интеллектуальные «агенты», обладающие знаниями, эмоциями и способные к самообучению. В настоящее время системами Artificial Intelligence (искусственного интеллекта) оснащаются традиционные компьютерные модели Social Networks (социальных сетей) [59], клеточных автоматов [60], «нейронных» сетей [61]. В проекте Construct (Conflict resolution and structural change: social theory as a 'construction manual' for adaptive multiagent systems) [62] предполагается использовать Distributed Artificial Intelligence (распределенный искусственный интеллект), парадигму Multi-Agent-Based Social Simulations (MABSS) [3], для верификации теорий прагматизма (Мида, Дьюи, Джеймса, Пирса), символического интеракционизма (Блумера, Страуса), интеракционистской микросоциологии Гофмана. Специалисты связывают перспективы развития компьютерной социологии с разработкой систем ASI, в которых должны быть предусмотрены пять основных подсистем, а именно, подсистема «Data mining» для автоматического извлечения закономерностей из эмпирических данных и результатов имитационного моделирования, подсистема «Social computing» для автоматического проведения имитационных компьютерных экспериментов, подсистема «Sociological Theory and models base», включающая в себя компьютерные социологические теории, компьютерные модели и содержательные результаты, подсистема «Artificial Intelligence» (искусственный интеллект) для автоматического построения и проверки моделей, проведения имитационных экспериментов, выдвижения гипотез, разработки социологических теорий. Для разработки систем ASI предполагается использовать содержательные результаты, полученные в рамках компьютерной социологии, новые языки программирования искусственного интеллекта, параллельное программирование, генетическое программирование, новые алгоритмы, предназначенные для affective computing (эмоциональных вычислений), использование суперкомпьютера Cray, использование transputers (транспьютеров), нейрокомпьютеров или специальных нейронных плат, которые представля-
Глава 1
32
IOT собой многопроцессорные компьютеры, при этом каждый процессор может работать параллельно и независимо от других процессоров, что дает значительное увеличение производительности компьютера, по сравнению с традиционными компьютерами последовательной обработки информации, и позволяет эффективно реализовывать модели Multi-Agent-Based Social Simulation для компьютерной имитации Artificial Societies (искусственных обществ), состоящих из иптеллекгулыгых «агентов». Представленный краткий обзор развития компьютерной социологии за рубежом, дает основание полагать, что компьюгерная социология способна принести значительную научную и практическую пользу социологии и обществу и ее ждет перспективное будущее.
Литература 1. HummonN.R, FamroT.J. The Emergence of Computational Sociology//The Journal of Mathematical Sociology. 1995. V. 20. № 2-3. P. 79-89. 2. Simulating Societies: The Computer Simulation of Social Phenomena / editors N. Gilbert, J. Doran, London: UCL Press, 1994. 3. Artificial Societies: The Computer Simulation of Social Life/ editors N. Gilbert, R. Conte. London: UCL Press, 1995. 4. Simulating Social Phenomena / editors R. Conte, R. Hegselmann. Berlin: SpringerVerlag, 1997. 5. Gilbert N., Troitzsch K. Simulation for the Social Scientist. Buckingham, UK: Open Univ Press, 1999. 6. Workshop on Computational Sociology 13-15 February 1998. TU Hamburg-Harburg (Germany), 1998. 7. GaylordR., Lou D'AndriaL. Simulating Society — A Mathematica Toolkit for Modeling Socioeconomic Behavior. New York: Springer-Verlag, 1998. 8. Garson G Neural Networks: An Introductory Guide for Social Scientists. N. C: North Carolina Publ., 1998. 9. Raymond E., Horsfall S., LeeM. Chaos, Complexity and Sociology: Myths, Models, and Theories. London: Sage Publ., 1997. 10. Reschke С Evolutionary Perspectives on Simulations of Social Systems // Journal of Artificial Societies and Social Simulation. 2001. V. 4. № 4. 11. Sawyer R. Artificial Societies: Multi agent systems and the micro-macro link in sociological theory// Sociological Methods and Research. 2003. V. 31. № 3. P. 325-363. 12. MinarN., Burkhart R., Langton C, Askenazi M. The Swarm Simulation System: A Toolkit for Building Multi-Agent Simulations. Santa Fe Institute, 1996. (http://www. santafe.edu/projects/swarm). 13. AxelrodR. The Complexity of Cooperation: Agent-based Models of Competition and Collaboration. Princeton: Princeton University Press, 1998. 14. FerberJ. Multi-Agent Systems: Towards a Collective Intelligence. Reading, MA: Addison-Wesley, 1998.
Новые направления в анализе социальных систем
33
15. TessierC, ChaudronL., MutterH. Conflicting agents. Conflict Management in Multi-Agent Systems. N. Y.: Kluwer Academic Publishers, 2000. 16. Multi-Agent-Based Simulation/ editors S. Moss., P. Davidsson, Berlin: SpringerVerlag,2001. 17. Moss S., Sawyer R. K., ConteR., Edmonds B. Sociology and social theory in agent based social simulation: A symposium // Computational and Mathematical Organization Theory. 2001. V. 7. № 3. P, 183-205. 18. Multiagent systems, Artifical Societies and simulated organizations. V. 2. (Social Order in Multiagent Systems), N. Y.: Kluver Academ. Publ.,2001. 19. MacyM., Wilier R. From factors to actors: Computational Sociology and AgentBased Modeling //Annual Review of Sociology. 2002. V. 28 P. 143-166. 20. GottsK, PolhillJ., Law A. Agent-based simulation in the study of social dilemmas //Artificial Intelligence Review. 2003. V. 19. № 1. P. 3-92. 21. Multiagent systems, Artifical Societies and simulated organizations. V. 6. (Reputation in Artificial Societies), N. Y: Kluver Academ. Publ., 2002. 22. Hanneman R. Simulation Modeling and Theoretical Analysis in Sociology // Sociological Perspectives. 1995. V. 38. № 4. P. 457-462. 23. LeikR., Meeker B. Computer Simulation for Exploring Theories: Models of Interpersonal Cooperation and Competition// Sociological Perspectives. 1995. V. 38 № 4. P. 463^82. 24. Michael M., SkvoretzJ. The Evolution of Trust and Cooperation Between Strangers: A Computational Model. // American Sociological Review. 1998. V. 63. № 5. P. 638-660. 25. Patrick D., Fararo T. The Problem of Solidarity: Theories and Models. Amsterdam: Gordon and Breach, 1998. 26. Hanneman R., Collins R., Mordt G. Discovering Theory Dynamics by Computer Simulation: Experiments on State Legitimacy and Imperialist Capitalism // Sociological Methodology. 1995. V. 25. P. 1^6. 27. Dijkstra W., Draisma S., Van der Zouwen J. Simulating response behavior in sociological survey interviews//The Journal Mathematical Sociology. 1995. V. 20. № 2-3. P. 127-145. 28. Nomura T. Generation of Relation between Individuals Using a Stochastic Automaton and the Theory of Change of Attitudes // Complexity and Diversity. Berlin: Springer-Verlag, 1997. P. 61-63. 29. Takahashi N. The emergence of generalized Exchange //American Journal of Sociology. 2000. V. 105. P. 1105-1134. 30. Kron T. Luhmann modelliert. Ansatze zur Simulation von Kommunikationssystemen. Berlin: Leske & Budrich, 2002. 31. Kluver J., Sioica C, Schmidt J. Formal models, social theory and computer simulations: some methodological reflections. // Journal for Social Simulation and Artificial Societies. 2003. V. 6. № 2. 32. Cioffi-RevillaC, Nicholas Gotts N. Comparative analysis of agent-based social simulations: GeoSim and FEARLUS models // Journal of Artificial Societies and Social Simulation. 2003. V. 6. №. 4.
34
Глава 1
33. Allais M. La science economique d'aujordiiui et les faits // Revue des Deux Mondes, juin 1990. P. 54-74. 34. http://www.inta.gatech.edu/peter/globmod/ 35. Alberts D., Czerwinski T. Complexity, Global Politics and National Security. Washington: National Defense University, 1996. 36. Gimblett R. Integrating Geographic Information Systems and Agent-Based Modeling Techniques for Simulating Social and Ecological Processes. Oxford: Oxford University Press, 2001. 37. Wallerstain I. Unthinking Social Science: The Limits of Nineteenth-Centure Paradigms. Cambridge: Polity Press, 1991. 38. Wallerstein I. The Modern World System. V. 1-Ш. N. Y.: Plenum Press, 1974-1989. 39. Watts D. Small Worlds. Princeton: Princeton University Press, 1999. 40. Skvoretz J. Complexity Theory and Models for Social Networks // Complexity. 2002. V. 8. №. 1. P. 47-55. 41. Phan D. Small Worlds and Phase Transition in Agent Based Models with Binary Choices // 4 workshop Agent Based System, Montpellier, April, 28-30,2003. 42. Computational Modeling of Behavior in Organizations: The Third Scientific Discipline /edtitors D. Ilgen., С Hulin, Washington: American Psychological Association, 2000. 43. Daniel J. Decision Support Systems: Concepts and Resources for Managers. N. Y.: Greenwood Publishing Group, 2002. 44. Bainbridge W. Neural Network Models of Religious Belief// Sociological Perspectives. 1995. V. 38. № 4. P. 483-496. 45. Social Sience Microsimulation / eds. K. G Troitzsch, U. Mueller, N. Gilbert, J. Doran. Heidelberg: Springer, 1996. 46. KielL, Elliott E. Chaos Theory in the Social Sciences: Foundations and Applications. Michigan: University of Michigan Press, 1996. 47. BakP. How Nature Works: The Science of Self-Organised Criticality. N. Y: Copernicus Press, 1996. 48. Banks J. Handbook of Simulation: Principles, Methodology, Advances, Applications and Practice. New York, John Wiley and Sons, 1998. 49. Ballot G, Weisbuch G. Applications of simulation to social sciences. Oxford: HERMES Science Publishing Ltd, 2000. 50. ByrneD. Simulation — A Way Forward?// Sociological Research Online. 1997. V. 2. №. 2. (http://www.socresonline.org.uk/socresonline/). 51. Halfpenny P. Situating Simulation in Sociology//Sociological Research Online. 1997. V. 2. №. 3. (http://www.socresonline.org.Uk/socresonline/2/3/9.html). 52. KluverJ., Schmidt J. Historical evolution and mathematical models: a sociocultural algorithm // Journal of Mathematical Sociology. 2003. V. 27. № 1. P. 53-83. 53. Goldspink C. Modelling Social Systems as Complex: Towards a Social Simulation Meta-Model // Journal of Artificial Societies and Social Simulation. 2000. V. 3. № 2.
Новые направления в анализе социальных систем
35
54. Young P. Diffusion in Social Networks. Center on Social and Economic Dynamics, Working Paper № 2, Brookings Institution, 1999. 55. Hales D., RouchierJ., Edmonds B. Model-to-Model Analysis//Journal of Artificial Societies and Social Simulation. 2003. V. 6. № 4. 56. Socionics: Its Contributions to the Scalability of Complex Social Systems / editors K. Fischer, M. Florian, Berlin: Springer, 2003. 57. BainbridgeW., Brent E., CarleyK., HeiseD., MacyM., MarkovskyB., SkvoretzJ. Artificial social intelligence //Annual Review of Sociology. 1994. V. 20. P. 407-436. 58. Car ley K. Artificial Intelligence Within Sociology. // Sociological Methods and Research. 1996. V. 25. № 1. P. 3-30. 59. Yu В., Venkatraman M., Singh M. An adaptive social network for information access: theoretical and experimental results // Applied Artificial Intelligence. 2003. V. 17. № 1 . P. 21-38. 60. Hassan Y., Tazaki E. An adaptive behaviorin cellular automata using Rough set theory//Applied Artificial Intelligence. 2003. V. 17. № 2. P. 155-175. 61. HonavarV., UhrL. Artificial Intelligence and Neural Networks: Steps Toward Principled Integration. N. Y.: Academic Press, 1994. 62. The Construct project. Funded by the German Research Council (DFG) (grant BR609/11-1) and part of the Priority Program «Socionics — Researching and modeling of artificial sociality» (Germany).
§3. Data Mining В последние годы за рубежом для анализа данных широко используют системы Data Mining (добыча знаний) [1—9], предназначенные для автоматического выявления закономерностей в данных, построения классификаций и прогнозирования, Intelligent Data Analisys (интеллектуального анализа данных) [10]. Широкое использование систем Data Mining обусловлено следующими причинами. Большие объемы разнородной информации, в частности в Интернет, поступающие в режиме реального времени в крупные информационно-аналитические центры, маркетинговые компании, PR-агепства, корпоративные компьютерные базы данных, наличие больших и постоянно пополняемых компьютерных архивов данных, в частности, данных мониторингов и панельных исследований общественного мнения, анализ которых — ежедневная потоковая процедура. Требование быстрого проведения анализа пользователями, для которых анализ дашшх не профессия и не самоцель, а средство для принятия обоснованных управленческих решений и прогнозов. Практический опыт показывает, что в подавляющем большинстве случаев компьютерные системы Data Mining быстрее и глубже анализируют большие объемы информации по сравнению с человеком, обладающим математической подготовкой и навыками анализа данных. Использование систем Data Mining приносит ощутимую экономи-
J6
Глава 1
ческую прибыль. Вместе с тем, российские социологи относительно редко используют системы Data Mining при анализе эмпирических данных, отчасти потому, что недостаточно информированы о возможностях систем Data Mining. В этой связи представляется целесообразным сделать краткий, предназначенный для предварительного ознакомления, обзор методологии, методов и систем Data Mining, который может помочь российским социологам в эмпирическом анализе социологических данных. За рубежом методологии и системам Data Mining посвящено большое количество публикаций. Так, в англоязычном Интернете в мае 2004 г. имелось более одного миллиона сайтов, посвященных Data Mining. В Интернетмагазине «Amazon» [11] в мае 2004 г. имелось в продаже 35 950 энциклопедий, монографий, учебников, справочных пособий по Data Mining, к многим из которых прилагался SD-ROM с соответствующим программным обеспечением. В зарубежных Университетах на кафедрах Computer Science (компьютерной науки) существуют специальности «Анализ данных» и «ГГ» (информационные технологии). В рамках данных специальностей преподается курс «Data Mining». По Data Mining издаются международные специализированные журналы, например, Data Mining and Knowledge Discovery, Knowledge and Information Systems. По Data Mining проводятся ежегодные международные конгрессы, конференции и симпозиумы, например, International Conference on Knowledge Discovery and Data Mining. На международной конференции IEEE International Conference on Data Mining (2003) [12] на ниже перечисленных секциях рассматривались следующие аспекты Data Mining. • Основы Data Mining. • Data Mining и алгоритмы машинного обучения, методы традиционного анализа (классификация и кластерный анализ, регрессия, статистическое моделирование, ассоциативный анализ и т. д.) и методы нетрадиционного анализа (фрактальный анализ, вейвлет-анализ и т. д.). • Data Mining текстов, полуструктурированных данных, пространственных, временных и Web-данных. • Data Mining потоковых данных. • Распознавание образов и трендовый анализ. • Данные и представление знаний для Data Mining. • Языки запросов и пользовательские интерфейсы для знаний. • Сложность, эффективность и простота выводов в Data Mining. • Предварительная обработка данных (сокращение размерности данных, отбор и трансформация данных, заполнение пропущенных значений). • Data Mining вторичного анализа. • Методы Data Mining для больших объемов информации.
Новые направления в анализе социальных систем
37
• «Мягкие» вычисления («нейронные» сети, нечеткая логика, эволюционные вычисления, «грубые» множества и неопределенное управление). • Интеграция Data Warehousing (систем хранения данных), OLAP (Online Analytical Processing) и Data Mining. • Взаимодействие человек — компьютер и визуализация Data Mining. • Высокоскоростные, параллельные, распределенные системы Data Mining. • Оценка качества и сравнения результатов Data Mining. • Приложения Data Mining в различных областях знания. За рубежом используется множество систем Data Mining, с Web-адресами некоторых из них можно ознакомиться на сайтах [13, 14], где можно найти описание систем, примеры эффективности данных систем, демонстрационные версии и другую справочную литературу. Компьютерные системы Data Mining разрабатывают такие корпорации-гиганты, как Microsoft, IBM, Фуджицу, Oracle и т. д. Например, IBM [15] предлагает семейство Data Mining DB2 Intelligent Miner, корпорация Oracle [16] предлагает семейство Oracle Data Mining, корпорация Фуджицу [17] предлагает систему GhostMiner Developer. Системы Data Mining разрабатывают компании, специализирующиеся на разработке компьютерных систем для анализа данных, например, SPSS, SAS, STATISTICA и т. д. В частности, известная социологам компания SPSS [18] предлагает семейства систем Data Mining: AnswerTree, LexiQuest Mine, Clementine; компания SAS [19] предлагает системы Enterprise Miner, Text Miner; компания StatSoft [20] предлагает семейство систем STATISTICA Data Miner, STATISTICA QC Miner, STATISTICA Text Miner; компания Megaputer Intelligence [21] предлагает семейство систем Data Mining, в частности, Poly Analyst, TextAnalyst, WebAnalyst. Системы Data Mining разрабатывают множество компаний, специализирующихся на разработке систем Data Mining, например компания Salford Systems [22] предлагает системы CART, MARS, HotSpotDetector, TreeNet, которые победили в Кубке KDD 2000 (Knowledge Discovery and Data Mining), среди 170 участников и получили в 2003 г. награду Стэнфордского Университета (США) за точность прогнозирования. Системы Data Mining разрабатывают научные коллективы на кафедрах Computer Science (компьютерной науки) в зарубежных университетах, а также отдельные специалисты. Так, например, специалисты Data Mining Institute [23] при университете Wisconsin Madison (США) сотрудничают с Data Mining Group корпорации Microsoft и разработали системы Data Mining для классификации, основанные на методологии «нейронных сетей» — support vector machine (SVM): SSVM, PSVM, NSVM, LPSVM, ASVM, LSVM, NDC.
38
Глава 1
Разработка систем Data Mining происходит следующим образом. Разработчики системы Data Mining (специалисты в данной содержательной области, в области анализа данных, информационных технологий, программисты), тщательно изучают научную литературу, посвященную методам для анализа данного класса содержательных задач и стараются максимально полно запрограммировать методы анализа из данного класса и формальные критерии селекции моделей, хорошо зарекомендовавшие себя на практике. При этом разработчики стараются учесть все лучшее, что уже реализовано в других системах Data Mining и максимально автоматизировать процесс анализа, что позволяет осуществлять десятки тысяч аналитических процедур с данными за короткое время. При разработке системы разработчики основываются на промышленном стандарте CRISPDM (CRoss Industry Standard Process for Data Mining) [24] процесса использования системы Data Mining. На рис. 1.13 представлена схема взаимодействия стадий CRISP-DM.
Стрелки на рис. 1.13 указывают наиболее важные и частые зависимости между стадиями, где каждая стадия CRISP-DM содержит определенные стандарты. Внешние стрелки на рис. 1.13 показывают циклический характер процесса работы Data Mining. В системах Data Mining используются практически все математические методы анализа данных (статистика, геометрия, теория графов, комбинаторика, математическая логика и т. д.), методы Artificial Intelligence (искусственного интеллекта), в частности, методы рассуждений на примерах, веро-
Новые направления в анализе социальных систем
39
ятностные умозаключения и т. д., методы из Neurocomputer Science (нейрокомпьютерной науки), в частности, «нейронные» сети, методы из Computer Science (компьютерной науки), Systems Science (науки о системах), Cognitive Science (наука о знаниях) и других научных дисциплин. Так, например, в системе GhostMiner Developer [17] компании Фуджицу, используются следующие методы для классификации: IncNet Neural Network, FSM Neurofuzzy System, SSV Decision Tree, Similarity-based system kNN, Support Vector Machine (SVM). Для кластеризации используются методы Dendrogram Clusterizer и SV Clusterizer. Для визуализации и «сжатия» данных используются многомерное шкалирование и факторный анализ. В системе Enterprise Miner [19], компании SAS, используются следующие классы методов анализа и прогнозирования: decision trees, neural networks, autoneural networks, memory-based reasoning, линейная и логистическая регрессия, кластерный анализ, анализ ассоциаций, анализ временных рядов и ряд других методов. В системе STATTSTICA Data Miner [20] используются следующие методы: Support Vector Machines, EM Clustering, Classification & Regression Trees, Generalized Additive Models, Independent Component Analysis, Stochastic Gradient Boosted Trees, Ensembles of Neural Networks, Automatic Feature Selection, MARSplines, CHAID Trees, Nearest Neighbor Methods, Association Rules. Для разработки системы Data Mining приглашают экспертов, которые прекрасно разбираются в методах анализа и имеют большую практику анализа данных. Эвристические алгоритмы работы экспертов и их критерии селекции моделей и прогнозов также программируются в системе Data Mining. Так, например, в системе CART (Classification and Regression Trees) компании Salford Systems [22] при построении иерархических деревьев структур, используются многократные автоматические процедуры проверки валидности решений, адаптивные множественные штрафы, интеллектуальные методы заполнения пропущенных значений, восемь методов выбора наилучшего структурного дерева, используются методы многократных деревьев, «комитета» экспертов, будстрап-агрегации, имеется встроенный язык программирования для введения новых моделей и критериев, подстройки системы к специфике конкретной содержательной задачи. Разработанная система тщательно тестируется на большом количестве контрольных примеров на различных базах данных. Поэтому системы Data Mining позволяют даже неподготовленному пользователю быстро извлечь много новой и полезной информации из собранных эмпирических данных, в автоматическом режиме осуществлять поиск зависимостей между переменными, строить надежные классификации, давать точные прогнозы. Если говорить в общем, то система Data Mining — это компьютерная система для автоматического интеллектуального выявления закономерностей в эмпирических данных, классификации и прогнозирования. Вводимые данные и выявленные закономерности могут быть количественными,
40
Глава 1
качественными и данными смешанной природы (количественно-качественные), выраженные в виде слов естественного языка, структурных диаграмм, цифр, математических формул, логических высказываний «если, то...» и т. д. Как, правило, система Data Mining работает в автоматическом или полуавтоматическом режиме, содержит множество классов методов, множество критериев селекции моделей и наиболее значимых зависимых переменных (предикторов), часто используется метод полного перебора вариантов, автоматическое заполнение пропусков в данных, редукция (сжатие) данных, трансформация данных, добавление «шума» (случайной ошибки в данные) для робастпого (устойчивого) оценивания и прогнозирования. Имеется возможность для пользователя добавлять свои собственные методы анализа и критерии селекции посредством программирования — так называемые Data Mining с открытой архитектурой. Системы Data Mining являются как самостоятельными системами, так и встроенными системами в Data Warehousing (системы хранения данных). Самостоятельные системы Data Mining поддерживают форматы различных пакетов. Так, например, система CART [22] поддерживает более чем 70 форматов файлов, включая форматы файлов SAS, SPSS, Microsoft Excel, Lotus и т. д., что обеспечивает интеграцию дашюй системы с другими компьютерными системами. Среди систем Data Mining, интегрированных в Data Warehousing, можно отметить следующие системы. Компания Microsoft [25] предлагает Data Mining, встроенную в SQL Server 2000, которая осуществляет классификацию и кластерный анализ. Среди данного класса систем Data Mining можно назвать системы ANGOSS Knowledge Excelerator [26] и NeuroSolution [27], которые встраиваются в Microsoft Excel, системы ANGOSS Knowledge Access [26] и GrafFx [28], которые встраиваются в Microsoft Access. Особенность систем Data Mining, интегрированных в Data Warehousing состоит в том, что они могут работать с метаданными (данными о данных) [29, 30], осуществлять вторичный анализ данных и т. д. Результаты работы систем Data Mining являются наглядными и изложены на понятном неподготовленному пользователю языке. К системам Data Mining прилагается объемное руководство пользователя, где детально изложены методы анализа, критерии селекции моделей, алгоритмы обработки и прогнозирования, многочисленные учебные примеры, справочная литература и т. д. Данные руководства, кроме своего прямого назначения, являются хорошим учебником для самостоятельного образования в области эмпирического анализа данных. Традиционно выделяют следующие основания для классификации систем Data Mining. Во-первых, вид данных, некоторые из которых приведены выше при рассмотрении секций ШЕЕ International Conference on Data Mining (2003). Развитие Интернета породило новый вид данных — Webданные [6], а именно, гипертекстовые и мультимедийные данные, количест-
Новые направления в анализе социальных систем
41
во «кликов» — нажатий «мыши» пользователем, частота обращения к сайту и переключения между сайтами, частота использования Интернет, время сеанса в Интернет, количество пользователей, обменивающихся мнениями на форумах и т. д., что широко используется для изучения CyberSociety (киберобщества) [31] и CyberSpace (киберпространства) [32] при изучении поведения пользователей Интернет. Во-вторых, содержательные методы анализа — формальные методы анализа в Data Mining. Содержательные методы — методы, основанные на какой-либо содержательной теории, где задаются все важные содержательные показатели и функции, которые отражают действительный механизм явления или процесса. В данных методах содержатся теоретически обоснованные классы формул или уравнений, теоретически осмысленные коэффициенты и т. д. Примером содержательных методов являются системы Data Mining предназначенные для анализа Social Networks (социальных сетей), пространственных данных (данных, приуроченных к компьютерной геоинформационной карте), анализа текстов, где эмпирические показатели соответствуют теоретическим и содержательным традициям, характерным для этого вида данных. Формальные методы — методы, которые не отражают действительный механизм явления или процесса, оперируют с удобными аппроксимирующими функциями и т. д. Примером формальных методов являются многочисленные методы классификации, структурного анализа, методы статистического анализа и прогнозирования временных рядов, «нейронные» сети и т. д. В третьих, степень автоматизации процедур анализа и прогнозирования. Здесь выделяют два подкласса, а именно, полные автоматы, работающие в автоматическом режиме без участия пользователя и частичные автоматы, где на некоторых этапах анализа и прогнозирования пользователь выступает в качестве эксперта, т. е. в системе Data Mining присутствует подсистема DSS (Decision Support System — система поддержки принятия решения). В четвертых, степень «интеллектуальности» системы Data Mining. Здесь обычно выделяют два подкласса. Первый подкласс — методы, алгоритмы анализа и прогнозирования, классы методов, селекции моделей, заполнение пропусков в данных, трансформация данных и т. д. раз и навсегда жестко заданы. Второй подкласс — некоторые процедуры выполняет система Artificial Intelligence (искуственного интеллекта) [1, 33, 34], в результате чего система Data Mining может самообучаться, например, «запоминать» удачные решения, самостоятельно генерировать новые решающие правила по выбору и селекции моделей кластеризации и прогнозирования и т. д. Искусственный интеллект используется в системах Data Mining также следующим образом. Во-первых, методы искусственного интеллекта [1], основанные на темпоральной (временной) логике, пороговой логике, Memory-Based Reasoning (рассуждения на образцах «памяти»), методах традукции (умозаключения от частного к частному), абдукции, нечетких
42
Глава 1
выводов и т. д. используются для селекции моделей, выявления закономерностей, обобщения данных, классификации, прогнозирования и т. д. Во-вторых, система Artificial Intelligence управляет анализом и выводом данных, который осуществляется какими либо стандартными пакетами, например, для статистического анализа, анализа GIS (геоинформационной системы), пакетом «нейронных» сетей и т. д. От пользователя требуется только сформулировать запрос па естественном языке, а система Artificial Intelligence обратится к базе данных или базам данных, запустит работу соответствующего пакета и метода (методов), проанализирует полученные результаты и сделает вывод на естественном языке, понятном пользователю. В-третьих, система Artificial Intelligence используется для интеграции и управления несколькими распределенными системами Data Mining, которые работают относительно независимо друг от друга, параллельно и асинхронно на одной базе данных или на нескольких базах данных. В пятых, сложность системы Data Mining, которая выражается в количестве классов методов, алгоритмов селекции моделей, уровне автоматизации и удобства использования, «интеллектуальности» системы, настроенности на конкретные задачи и базы данных клиента и т. д., что соответственно, отражается на цене системы. Так, например, стоимость системы Data Mining, относящейся к классу High-end, может составлять более $100 000. Ниже представлено неформальное и поверхностное описание некоторых классов систем Data Mining, которые иллюстрируют методологию систем Data Mining и используемые в них методы анализа. В системах Data Mining, предназначенных для анализа Social Networks (социальных сетей), которые представляют собой графы взаимодействий, используются методы probabilistic relational models (PRMs), Bayesian logic programs (BLPs), first-order Bayesian classifiers, relational probability trees (RPTs), inductive logic programming (ILP) и методы social network analysis, разработанные специально для статистического анализа Social Networks [35, 36]. Примерами Data Mining данного класса являются PROXIMITY, NetMiner, AGNA [35, 36], предназначенные для автоматического поиска закономерностей в графах. В системе MiSoN (Mining Social Networks) [36] строятся и сравниваются социограммы, анализируются отношения между индивидами и группами индивидов в статике и динамике, используя информационные системы Staffware, InConcert, MQSeries, ERP, CRM, которые позволяют вводить, сохранять и анализировать данные в виде графов. В системах Data Mining, предназначенных для анализа текстов, используются следующие аналитические процедуры. Подсчет частоты встречаемости Web-страниц, предложений, словосочетаний, слов в текстовых документах, построение различных индексов, оценка подобия текстовых документов, создание карт текстов в SVD измерении, выявление
Новые направления в анализе социальных систем
43
зависимостей между документами и фрагментами текстов, анализ семантических отношений, классификация, в частности, кластерный анализ типа ЕМ и k-Means текстов (документов), различные методы прогнозирования характеристик текстов (документов). В данных системах предусмотрена интеграция с другими системами Data Mining, например, TextMiner компании SAS [19] полностью интегрирован с Enterprise Miner этой же компании; STATISTICA Text Miner компании StatSoft [20] полностью интегрирована с STATISTICA Data Miner; PolyAnalyst Text компании Меgaputer Intelligence [21] полностью интегрирована с системами Data Mining семейства PolyAnalyst. Относительно производительности систем Data Mining, предназначенных для анализа текстов, можно привести следующий пример. LexiQuest Mine компании SPSS [18] может проанализировать больше чем один гигабайт, или 250 000 страниц текста в час, т. е. более 4 000 страниц текста в минуту. В системах Data Mining, предназначенных для автоматического статистического анализа и прогнозирования временных рядов, представляющих собой количественные или качественные значения в разные моменты времени, система предварительно тестирует исходные данные по различным критериям на предмет однородности временного ряда, определения класса временного ряда, определения временного периода прогнозирования и т. д. По результатам тестирования автоматически определяется необходимость и методы заполнения пропусков в данных, трансформации (преобразования) данных, происходит исключение из дальнейшего анализа части данных для тестирования модели, ретропрогноза (прогноза назад), выбирается один или несколько методов анализа из более чем 40 методов анализа временных рядов (авторегрессия, метод Бокса—Дженкинса, ARIMA, спектральный анализ, кепстральный анализ, вейвлет-апализ, фрактальный анализ и т. д.), осуществляется подбор моделей на данных, которые не были использованы в анализе (обучающей выборке). На данном этапе осуществляется также автоматическое заполнение пропусков в данных с помопр>ю различных методов и оценка смещения в результате заполнения пропусков, система принимает решение о допустимой трансформации (преобразовании) данных, например логарифмировании, исключении «выбросов» в данных и т. д. К данным может добавляться случайный «шум» для устойчивого выбора модели прогнозирования. По результатам анализа пользователь получает прогноз по данному временному ряду. Прогноз обычно дается по одному наиболее точному и устойчивому к погрешностям методу и (или) усреднению прогнозов различных методов. Для усреднения используются мода, медиана, взвешенные средние и другие методы. Если временных рядов несколько, то наряду с вышеописанными процедурами, система Data Mining анализирует зависимости между данными временными рядами с помощью различных методов (кросс-спектральный анализ, фрактальный анализ и т. д.), находит законо-
44
Глава 1
мерности и использует их при прогнозировании одного или нескольких временных рядов. Примером подобной системы является Autobox [37] компании Automatic Forecasting Systems. В системах Data Mining, основанных па автомагическом конструкторе «нейронных» сетей, например, в пакете STATISTICA Neural Networks [20], предназначенных для классификации и прогнозирования, от пользователя требуется только указать переменные, которые являются «входом» системы (входные нейроны) или в статистической терминологии — независимые переменные, выход системы (выходные нейроны) или в статистической терминологии — зависимые переменные, данные для обучения, кроссвалидизации и тестирования обученной «нейронной» сети. Конструктор в автоматическом режиме может осуществить «сжатие» входных данных с помощью факторного анализа, подберет класс «нейронной» сети из множества возможных классов, например, Multilayer perceptrons (MLPs), Generalized feedforward, Modular feedforward, Jordan and Elman networks, Hopfield network, RBF/GRNN/PNN networks, SOFM, CANFIS, SVM и т. д., определит количество скрытых слоев и количество нейронов в каждом скрытом слое, передаточные функции и функции активации каждого нейрона, интервал времени запаздывания активации «нейронов» и т. д., выберет класс обучения «нейронной» сети, например, класс прямого или обратного распространения ошибки, алгоритм «отжига», генетический алгоритм и т. д. и осуществит классификацию данных или прогнозирование. Во многих системах Data Mining, основанных на «нейронных» сетях, имеется встроенный язык программирования, который позволяет пользователю самостоятельно программировать новые классы архитектуры сети, алгоритмы обучения, реализовать автоматическое прогнозирование в режиме реального времени и т. д. Примером такой системы является NeuroSolution (версия 4.21) компании NeuroDimension Inc. [27], которая интегрирована в Microsoft Excel. Отметим несколько полезных особенностей «нейронных» сетей. Во-первых, они позволяют анализировать и прогнозировать любые эмпирические данные: количественные, качественные и данные смешанной природы, часть из которых является количественными, а часть качественными. Вовторых, они решают широкий класс задач классификации и прогнозирования с помощью одной и той же методологии и модели сети. В третьих, количество «входов» и «выходов» (зависимых и независимых переменных) может быть любым, в отличие, например, от регрессионного анализа и дискриминантного анализа, где зависимая переменная может быть только одна. В четвертых, многочисленные эксперименты показывают, что системы Data Mining, основанные на «нейронных» сетях, позволяют давать более точные результаты классификации и прогнозирования по сравнению с многомерными статистическими методами анализа (пошаговая регрессия, дискриминантный анализ, кластерный анализ, анализ времен-
Новые направления в анализе социальных систем
45
ных рядов и т. д.). Так, например, в работе [38] было осуществлено сравнение точности прогнозов банкротства банков с помощью трех методов, а именно, множественного пошагового дискриминантного анализа, оценок экспертов и Data Mining на основе «нейронной» сети. Наилучший процент правильного предсказания (83 %) банкротств банков на новых данных показала «нейронная» сеть. Поэтому в последние годы в практике анализа данных получили широкое распространение системы Data Mining, основанные на «нейронных» сетях. Вместе с тем, мощные индустриальные системы Data Mining, основанные на «нейронных» сетях, предъявляют повышенные требования к производительности компьютера, а результаты обучения «нейронных» сетей на традициошшх компьютерах последовательной обработки информации могут занимать неприемлемо продолжительное время. В этой связи мощные индустриальные системы Data Mining, основанные на «нейронных» сетях, работают на transputers (транспьютерах), нейрокомпьютерах или при использовании специальных нейронных плат, которые представляют собой многопроцессорные компьютеры, при этом каждый процессор может работать параллельно и независимо от других процессоров, что дает значительное увеличение производительности вычислений. Для сравнения систем Data Mining используют множество критериев, например, стоимость системы, содержательные и технические возможности системы, удобство и простота использования системы, уровень автоматизации, скорость вычислений, точность классификаций и прогнозов, прибыль от использования системы, количество зарегистрированных пользователей системы и т. д. Например, Дж. Элдер и Д. Эбботт [39] в 1998 г. сравнивали системы Data Mining: Clementine, Darwin, DataCruncher, Enterprise Miner, GainSmarts, Intelligent Miner, MineSet, Model 1, ModelQuest, PRW, CART, NeuroShell2, OLPARS, Scenario, See5, S-Plus, WizWhy по следующим критериям. Платформа (Windows, Unix, NT-сервер, Database и т. д.), используемые методы (деревья решений, «нейронные» сети, регрессии, классификации и т. д.), возможности ввода и вывода данных, удобство применения (манипуляции с данными, создание и селекция моделей и т. д.), возможности визуализации, методы автоматизации моделирования. Результаты сравнения показали, что лучшими системами являлись Intelligent Miner for Data (IBM), Clementine (SPSS), Enterprise Miner (SAS), Darwin (Thinking Machines, Corp.), Pattern Recognition Workbench (Unica Technologies, Inc.). Результаты сравнения также показали, что каждая из систем имеет свои достоинства и недостатки, поэтому выбор «лучшей» системы Data Mining для конкретного пользователя — это многокритериальная оптимизация, которую должен осуществлять опытный эксперт. Поэтому за рубежом существуют консалтинговые компании, например, Elder Research, Inc. [40], которые специализируются на
Глава 1
46
оказании консалтинговых услуг по выбору систем Data Mining дня корпораций, информационно-аналитических центров и т. д. В заключение данного обзора отметим следующее. Data Mining за рубежом — это развитая современная индустрия анализа данных или индустриальный «интеллектуальный» анализ данных, который развивается в сторону повышения производительности, автоматизации и «интеллектуальности» в анализе данных. Участие автора в разработке отечественных систем Data Mining, а именно, МАКС [41], ALEX [41], КСЕНИЯ [42], КОНТЕНТ-АНАЛИЗ ПРО [43], регулярная работа с некоторыми зарубежными системами Data Mining, основанными на «нейронных» сетях и многомерных статистических методах, изучение и практическое использование некоторых демонстрационных версий зарубежных систем Data Mining, а также опыт работы с традиционными пакетами для анализа данных, например, SPSS, STATISTICA, MATLAB, показывает следующее. Для решения большинства задач, встречающихся при анализе данных в эмпирической социологии, можно найти и применить од1гу или несколько систем Data Mining или их демонстрационные версии, с помощью которых даже недостаточно владеющий сложными методами анализа данных социолог, может быстро и легко проанализировать эмпирические данные, выявить имеющиеся закономерности в данных, сделать плодотворные содержательные выводы и разработать надежные и точные прогнозы. Без Data Mining трудно осуществлять анализ социальных систем, поскольку из принципа системности [44] вытекает, что систему следует изучать целостно, а социальные системы являются большими, сложными системами, функционирование которых изменяется с течением времени, для анализа социальных систем требуется большой объем информации.
Литература 1. Klosgen W., Zytkow J. Handbook of Data Mining and Knowledge Discovery. Oxford: Univers. Press, 2002. 2. Westphal C, Blaxton T. Data Mining Solutions: Methods and Tools for Solving Real-World Problems. "N. Y.: John Wiley & Sons, 1998. 3. Han J., Kamber M. Data Mining: Concepts and Techniques. N. Y.: Morgan Kaufmann, 2000. 4. Hand D., Mannila H, Smyth P. Principles of Data Mining (Adaptive Computation and Machine Learning), Massacusets: MIT Press, 2001. 5. Kantardzic M. Data Mining: Concepts, Models, Methods and Algorithms. N. Y: IEEE, 2002. 6. Chakrabarti S. Mining the Web: Analysis of Hypertext and Semi Structured Data. L.: Morgan Kaufinann, 2002. 7. Soukup Т., Davidson I. Visual Data Mining: Techniques and Tools for Data Visualization and Mining. N. Y: John Wiley & Sons, 2002.
Новые направления в анализе социальных систем
47
8. Mitra S., Acharya Т. Data Mining: Multimedia, Soft Computing and Bioinformatics. N. Y.: John Wiley & Sons, 2003. 9. Berry M. Survey of Text Mining: Clustering, Classification, and Retrieval. Berlin: Springer-Verlag, 2003. 10. The Third Symposium on Intelligent Data Analysis. 1999, Amsterdam, The Netherlands (http://www.liacs.nl/~ida99). 11. http://www.amazon.com. 12. 13. 14. 15. 16. 17. 18. 19. 20. 21. 22. 23. 24. 25. 26. 27. 28. 29.
http://www.cs.uvm.edu/~xwu/icdm-03.html. http://www.the-data-mine.com. http://www.willyancey.com/data-mining.htm. http://www.ibm.com. http://wwworacle.com. http://www.fudjitsu.com. http://www. spss.com. http://www. sas.com. http://www. statsoft.com. http://www.megaputer.com. http://www.salford-systems.com. http://www.cs.wisc.edu/dmi. http://www.crisp-dm.org. http://www.microsoft.com. http://www.angoss.com. http://www. Neurosolutions.com. http://www.gr-fx.com. Tannenbaum A. Metadata Solutions: Using Metamodels, Repositories, XML, and Enterprise Portals to Generate Information on Demand. N. Y.: Addison-Wesley. 2001. 30. Chen Z. Data Mining and Uncertain Reasoning: An Integrated Approach. N. Y.: Wiley-Interscience, 2001. 31. Jones S. CyberSociety: Computer-Mediated Communication and Community. L.: Sage Publ., 1994. 32. Smith M., KollockP. Communities in Cyberspace. N. Y.: Routledge, 1998. 33. Zaki M, Но С Large-Scale Parallel Data Mining (Lecture Notes in Artificial Intelligence). Berlin: Springer-Verlag, 2000. 34. KandelA., LastM., Bunke H. Data Mining and Computational Intelligence (Studies in Fuzziness and Soft Computing. V. 68). Berlin: Physica Verlag, 2001. 35. Jensen D., Neville J. Data Mining in Social Networks. (http://kdl.cs.umass.edu/people/jensen/papers/nas02.pdf). 36. WilM., van der Aalst, SongM. Mining Social Networks: Uncovering Interaction Patterns in Business Processes, (http://psim.tm.tue.nl/staff/wvdaalst/). 37. http://www.autobox.com.
48
Глава 1
38. HongkyuJ., IngooK, Hoonyoung L. Bankruptcy prediction using case-based reasoning, neural networks and discriminant analysis // Expert Syst. Appl. 1997. V. 13. № 2 . P. 97-108. 39. Elder J., Abbott D. A Comparison of Leading Data Mining Tools. (http://www.datamininglab.com/pubs/kdd98). 40. http://www.datamininglab.com. 41. Давыдов А. А., ЧураковА.Н. Модульный анализ и моделирование социума. М.: ИСАИ, 2000. 42. Давыдов А., Игнатов А. КСЕНИЯ — компьютерная система для прогнозирования социальных систем // Тезисы II Международной конференции «Циклические процессы в природе и обществе». Ставрополь, 1994. 43. Чураков А. Н. Методология и методика разработки компьютерных систем в социологии. Автореф. канд. дисс. М.: МГИМО (У) МИД РФ, 1998. 44. Давыдов А. А. Системный подход в социологии: законы социальных систем. М.: УРСС, 2004.
§ 4. Quantum Computing В последние годы в Computer Science (компьютерной науке), Systems Science (науке о системах), Cognitive Science (науке о знаниях), психологии, биоинформатике, теории игр и т. д. для анализа систем начали использовать Quantum Computing (квантовые вычисления), основанные на принципах квантовой механики. В частности, квантовую механику используют для изучения общества [1], Индивидуального [2—5] и Коллективного Сознания [6], разработки квантовой теории информации [7, 8], квантовых вычислений [9-12], квантового компьютера [8-12], разрабатываются компьютерные модели квантовых клеточных автоматов [13] и квантовых нейронных сетей [14], с помощью которых осуществляется принципиально новый и плодотворный анализ и моделирование различных нефизических систем. Скажем сразу, что в данном разделе речь идет не о вульгарном физикализме в социологии, который едко высмеивал еще П. Сорокин [15], а об общесистемных принципах и закономерностях [16] которые действуют на уровне Индивида, Общества и Природы и о перспективном квантовом направлении в анализе различных систем. С содержанием научных работ, посвященных квантовой информационной пауке, квантовым вычислениям и квантовому моделированию, квантовым моделям Индивидуального и Коллективного Сознания и т. д. можно подробно ознакомиться в материалах международных конференций Quantum Mind 2001-2003: Consciousness, Quantum Physics and the Brain. Tucson, Arizona (США) [5], где данные направления рассматривались известными физиками, биофизиками, специалистами в области Neurocomputer Science (нейрокомпьютерной науки), психологии, математики и т. д., например,
Новые направления в анализе социальных систем
49
К. Прибрамом [17], Р. Пенроузом [4], из всемирно известных научных организаций, например, лаборатории экспериментальной физики Университета Беркли (США), департамента физики Гарвардского Университета (США), департамента физики Массачусетского технологического института (США), Центра квантовой информационной физики Йельского Университета (США), Института теоретической физики Штутгарта (Германия), Международного института биофизики (Германия), Департамента физики Университета Кэмбриджа (Великобритания), Математического Института Университета Оксфорда (Великобритания) и т. д. На основе квантового подхода в данном разделе рассмотрены квантовый уровень социальной реальности, методы изучения квантового уровня социальной реальности, приложения квантового подхода к объяснению некоторых негативных социальных явлений и квантовая модель ответа респондента в опросах общественного мнения.
Квантовый уровень социальной реальности Понятие социальной реальности является фундаментальным для социологии, однако в социологии существуют различные представления о социальной реальности [18-22], которые различаются уровнем рассмотрения, например, рассмотрение на уровне генетики (социобиология), уровне фактов поведения и сознания индивида, обусловленных процессом социализации и прижизненным опытом индивида (социологический номинализм или микро социология), уровне общества, коллективных фактов поведения и сознания, продуктов материальной и духовной совместной деятельности людей, несводимых к индивиду (социологический реализм или макро социология). В этой связи актуальным является изучение базового, глубинного уровня социальной реальности, который бы лежал в основе различных уровней и представлений о социальной реальности. В отличие от социальных философов и социологов [18, 19, 21, 22], которые рассматривали социальную реальность, основываясь па гуманитарной парадигме в социологии [23], автор рассматривал социальную реальность на основе системного подхода в социологии [16], в частности, опираясь на естественно-научную парадигму в социологии [23]. Напомним, что в соответствии с принципом системности, существует зависимость каждого элемента, части, свойства и отношения от его места и функций внутри системы; каждая часть системы является системой, а исследуемая система является частью более общей системы; поведение системы есть результат взаимодействия всех элементов и уровней системы, влияния других социальных систем и окружающей среды, а также прошлого состояния системы и ожидаемого будущего. В системе существует первичная неразделенность субъекта и объекта; количества и качества; материального и идеального; целого, частей, уровней и элементов; прошлого, настоящего и будущего; структуры, функций, информации и энергии. Из принципа системности, в частности,
50
Глава 1
вытекает, что при изучении социальной реальности необходимо использовать теории и эмпирические данные других научных дисциплин, что уже используется в социологии [16,20]. Обращение автора к квантовой механике было обусловлено следующими обстоятельствами. К настоящему моменту времени накоплено множество эмпирических фактов, которые не поддаются объяснению в рамках существующих гуманитарных социологических теорий. Например, некоторые российские индивиды, незнакомые с результатами опросов общественного мнения, дают правильное предсказание распределения ответов респондентов в опросах общественного мнения не только для России в целом, но и для США [24]. Наблюдается эффект Махариши [25, 26] (снижение негативных социальных явлений в регионе примерно на 10%, если число практикующих медитацию по методу ТМ-Сидхи составляет примерно кореш, квадратный от числа проживающих в регионе). При высокой активности геомагнитного поля Земли возрастает количество преступлений, самоубийств и других негативных социальных явлений [цит. по: 16], почему происходит резкая и неожиданная синхронизация фактов сознания и поведения индивидов, значительно удаленных друг от друга в географическом пространстве при отсутствии явного и непосредственного взаимодействия между ними [27] и т. д. Для описания Индивидуального [2-5] и Коллективного Сознания (Бессознательного) [6], Общества в целом [1] уже используют квантовую механику, например, существуют голографическая модель сознания К. Прибрама [17], квантово-механическая модель сознания Р. Пенроуза [4], субквантового голодвижепия (голографической Вселенной) Д. Бома и Б. Хили [28, 29], параллельных квантовых Вселенных Эверетта [12], голографического информационного поля Е. Ласло [цит. по: 6] и т. д., чтобы объяснить многочисленные твердо установленные экспериментальные факты. Например, экспериментальные приборные наблюдения с использованием ЭЭГ (электроэнцефаллограммы) [27] показывают, что существует когерентность (согласованность) электрической активности мозга индивидов, находящихся на отдаленном расстоянии друг от друга в географическом пространстве и использующих техники медитации. Напомним, что понятие «Коллективное Сознание», ввели в западную психологию в XIX в. Г. Фехнер, У Джеймс и К. Юнг, а в социологию — Э. Дюркгейм. Согласно современным представлениям [26], Коллективное Сознание — это некоторая целостная система сознания социальной группы, не сводимая к сумме индивидуальных сознаний членов группы. Коллективное Сознание существует для каждого уровня социальной организации (семья, социальная общность, город, нация, мир в целом). Между индивидуальным сознанием и Коллективным Сознанием существуют прямая и обратная связь. Для описания Коллективного Сознания уже используют кванто-
Новые направления в анализе социальных систем
51
вую механику [6], в частности, теория поля Сознания Человечества Е. Ласло [цит. по: 6], основана на квантово-вакуумных взаимодействиях. Таким образом, имелись весомые теоретические и эмпирические аргументы рассматривать базовый, глубинный уровень социальной реальности с •точки зрения квантовой механики. Кроме того, представление о том, что видимый мир обманчив, а за ним лежит ненаблюдаемая «невооруженным глазом» истинная реальность, является одним из старейших постулатов методологии науки [30]. В этой связи отметим, что данную точку зрения высказывали еще древнегреческие, древнекитайские и древнеиндийские философы, представлеюм которых были похожи на современное кваптово-механическое представление о физической реальности [31]. В этой связи можно сказать, что квантовый уровень социальной реальности описывает базовую, глубинную, ненаблюдаемую «невооруженным глазом», социальную реальность. Многочисленные экспериментальные приборные наблюдения с использованием ЭЭГ (электроэнцефаллографов) [27, 32] показывают, что мода частотного спектра квантового уровня социальной реальности, вероятно, соответствует частоте 7—8 Гц. В квантовой системе социальной реальности существуют дискретные энергетические квантовые уровни. Имеются основания [16] предполагать, что на квантовом уровне социальной реальности могуг наблюдаться собственные колебания с периодами от нескольких миллисекунд до десятков тысяч лет, квантовые энергетические уровни, переход между которыми осуществляется «скачком». Не исключено, что геометрия квантового уровня социальной реальности может быть описана Римановой геометрией неоднородного типа [16]. Многочисленные экспериментальные приборные наблюдения с использованием ЭЭГ (электроэнцефаллограммы) [27] показывают, что установка экранов не снижает когерентность электрической активности мозга индивидов, находящихся на отдаленном расстоянии друг от друга и использующих техники медитации. Таким образом, квантовый уровень социальной реальности неявно и слабо взаимодействует с физической реальностью. Согласно современным космологическим расчетам [33, 34], обычной, видимой нами материи, из которой состоят звезды и межзвездный газ, во Вселенной всего около 4 % ± 1 %, а космическое пространство в основном заполнено так называемыми «темными» материей и энергией, которые не наблюдаются с помощью современных астрофизических приборов. На долю «темной» материи приходится 29 ± 4 %, а на долю «темной» энергии приходится 66 ± 6 % массы Вселенной. Предположительно, «темная» материя и энергия состоят из гипотетических элементарных частиц WIMPs (Слабо Взаимодействующих Массивных Частиц), которые практически не взаимодействуют с привычной нам материей и которые были теоретически предсказаны в теории суперсимметрии. Каждую секунду нас, возможно, пронизывает примерно 1014 этих гипотетических
52
Глава 1
частиц. Также не исключено, что «темная» материя и энергия могут состоять из космических аксионов, соединяющих в себе гравитационные и электромагнитные свойства, которые возникли в результате Большого Взрыва и которые образуют конденсат Бозе—Эйнштейна (пятое состояние вещества) — квантовую среду, обладающую рядом необычных свойств, в частности, атомы теряют свою самостоятельность и начинают вести себя, словно один гигантский атом, т. е. наблюдается когерентность (согласованность) квантовой среды. За получение конденсата Бозе—Эйнштейна, Э. Корнелл, К. Вейман и В. Кеттерле получили Нобелевскую премию по физике за 2001 г. Существование космических аксионов было предсказано в Grand Unification Theory (Великой Теории Объединения). Некоторые авторы, например Р. Руквист [35], высказывают предположение, что «темная» энергия, состоящая из космических аксионов, может являться тем, что буддисты называют Чистым Сознанием или Космическим Сознанием. Если это так, то тогда частью Космического Сознания может являться Коллективное Сознание, физическую основу которого составляет «темная» энергия, состоящая из гипотетических элементарных частиц WIMPs или космических аксионов, с помощью которых происходит скрытый энерго-информационпый обмен между индивидами и группами индивидов, между индивидами и Природой. Рассмотрев некоторые известные экспериментальные факты и гипотезы, в целом, можно предположить следующее. Квантовый уровень социальной реальности — квантовая система с бесконечным числом степеней свободы — квантовое поле, мода частотного спектра которого приходится на частоту 7-8 Гц. Данная квантовая система может состоять из гипотетических элементарных частиц WIMPs или космических аксионов, которая обеспечивает скрытое энерго-информационное взаимодействие между индивидами, группами индивидов и Природой. В данной квантовой системе хранится и изменяется квантовая информация о наблюдаемых социальных явлениях и процессах. Когерентность (декогерентность) квантового уровня социальной реальности обуславливает наблюдаемые факты поведения и сознания индивидов на микро и макроуровнях социальной реальности.
Методы изучения квантового уровня социальной реальности К настоящему моменту времени существуют четыре подхода к изучению квантовых систем. Первый подход основан на использовании физических приборных методов. Второй подход основан на техниках медитации [25, 26]. По мнению физика Ф. Капры [31], данные два подхода не противоречат, а взаимодополняют друг друга, поскольку их результаты, в целом, соответствуют друг другу. Третий подход основан на психофармакологии, а четвертый — на использовании гипноза.
Новые направления в анализе социальных систем
53
Подход к изучению квантового уровня социальной реальности на основе физических приборных методов. Физическое управление квантовыми системами может быть осуществлено с помощью лазерного излучения отдельных квантовых битов (кубитов) в квантовой системе, благодаря которому, за счет квантовых корреляций, изменяется уровень когерентности квантовой системы и волновые функции [7, 8, 11,12]. Подход к изучению квантового уровня социальной реальности на основе медитации. Медитация — сосредоточение, посредством которого достигается «просветление» («нирвана» или «сатори»), т. е. возникновение трансперсонального (Чистого) сознания. К настоящему моменту времени накоплено множество эмпирических фактов [25—27, 36, 37], относящихся к так называемому трансперсональному сознанию, возникающему в процессе использования техник медитации. Так, например, при трансцептепдентной медитации возникает когерентность частотных характеристик электрической деятельности полушарий мозга человека, увеличивается электрическая активность правого полушария, ответственного за интуитивное мышление. Возникает когерентность частотных характеристик электрической деятельности полушарий мозга участников медитации независимо от географического расстояния на частотах альфа (8-12 Гц) и бета (16-20 Гц) [27, 40], т. е. на тех частотных характеристиках деятельности мозга человека, которые соответствуют частотному спектру, характерному для геомагнитной активности, Шумановскому резонансу в полости Земля-ионосфера и частотным спектрам других космофизических факторов [38—41]. В состоянии трансперсоиального (измененного) сознания [42, 43] наблюдаются хорошее настроение (спокойствие, умиротворенность), ощущение единства с окружением: то, что древние называли союзом микрокосма (человека) с макрокосмом (вселенная), осознание принципиального единства и взаимозависимости всего сущего, непередаваемость словами ощущений, изменение пространственно-временных соотношений, обострившееся восприятие реальности и смысла окружающего, парадоксальность, т. е. принятие вещей, которые кажутся парадоксальными обыденному сознанию. В состоянии трансперсонального сознания мир воспринимается как взаимодействие света и пространства; как единое поле энергии, где нет ни наблюдаемого, ни наблюдающего, ни наблюдения; происходит одновременное восприятие объекта и его субатомной структуры, воспринимается не только звук, но и зрительный образ звуковых воли; возникает ощущение приобщенности к чему-то великому, красивому, доброму и истинному. Данные субъективные ощущения, возникающие при медитации, соответствуют современному квантово-механическому представлению о физической реальности [31]. В этой связи отметим, что согласно представлениям древних индийцев, существует атман, который невидим, неизречен, неуловим, непости-
54
Глава 1
жим, неуказуем, он суть знания, он то, в чем растворяется видимый мир, он беспристрастен, милостив и недвойственен [44, с. 246]. Данные представления древних индийцев об атмане и древних китайцев о Дао, в целом, также соответствуют современной квантовой механике [31]. В этой связи отметим, что побочным действием совместной медитации группы людей является снижение числа негативных социальных явлений в регионе [25, 26], т. е. медитация может выступать как ментальное управленческое воздействие на квантовый уровень социальной реальности. Подход к изучению квантового уровня социальной реальности на основе психофармакологии и специальных процедур. Эксперименты С. Гроффа [45], показывают, что в состоянии измененного сознания происходит отождествление с квантовым уровнем социальной реальности, в частности, можно пережить страдания всех солдат, которые погибли на полях сражений с начала истории человечества, происходит отождествление с мыслями и чувствами какой-либо социальной группы, парода или человечества в целом. То, что это не является галлюцинацией, свидетельствуют следующие факты. Характеристики электрической активности мозга, фиксируемые ЭЭГ после приема психотропных препаратов или специальных техник, в целом, соответствуют характеристикам электрической активности мозга при медитации [37]. При измененных состояниях сознания может наблюдаться отождествление с динамической структурой молекул и атомов, межатомных связей, электромагнитных сил и субатомных частиц, при этом, возникающие образы соответствуют современным физическим представлениям о квантовой реальности [31]. Подход к изучению квантового уровня социальной реальности на основе гипноза. Многочисленные исследования, например [37, 46], показывают, что с помощью гипноза возможно актуализировать состояния подсознания, которые соответствуют квантовому уровню социальной реальности. Дальнейшее изучение квантового уровня социальной реальности представляется, с точки зрения автора, весьма перспективным, поскольку может способствовать принципиально новому, глубинному и плодотворному пониманию социальной реальности, разработке и использованию нетрадиционных для эмпирической социологии эффективных методов сбора информации и анализа социальной реальности и, в конечном итоге, может привести к разработке принципиально новых и эффективных методов управления поведением и сознанием больших групп индивидов.
Когерентность — декогерентность квантового уровня социальной реальности Э. Дюркгейм [47] с позиций рассогласования Коллективного Сознания объяснял число самоубийств в разных социальных общностях. С точ-
Новые направления в анализе социальных систем
55
ки зрения квантового уровня социальной реальности, объяснение фактов суицида, замеченных Э. Дюркгеймом, может быть следующим. В ряде работ [6, 25, 26] высказывается предположение, что поведение индивидов в обществе определяется уровнем когерентности (согласованности) Коллективного Сознания, которое представляет собой квантовую систему, в частности, снижение уровня когерентности — декогерентность (рассогласование по площади и времени характеристик квантовой системы), приводит к социальной напряженности, преступности, военным конфликтам и другим негативным социальным явлениям. Иными словами, декогерентность квантового уровня социальной реальности может являться глубинной причиной негативных социальных явлений, в частности, самоубийств. Так ли это на самом деле — перспективная исследовательская задача при квантовом подходе к анализу социальных систем.
Квантовая модель ответа респондента В настоящее время имеются разнообразные модели ответа респондента, в частности, классические модели Терстоупа, Люка, Кумбса, Лайкерта, Лазарсфельда [48—50], психофизические модели Стивенса [51, 52], модели когнитивной психологии [53-55] и психологической теории принятия решений [56], современные компьютерные модели, например [57]. Однако, в опросах общественного мнения наблюдается ряд фактов, которые трудно объяснить в рамках существующих моделей. В частности, возможность некоторых респондентов, незнакомых с результатами опросов общественного мнения, знать распределение ответов в генеральной совокупности [24], получение зрительной и иной информации, минуя органы чувств, напрямую в мозг [58] и т. д. Квантовый подход позволяет учесть данные факты, поэтому на основе квантового подхода автор разработал квантовую модель ответа респондента. Поскольку социологи пока не изучают квантовую механику, квантовую теорию информации и т. д. [12], то вначале дадим необходимые определения, которые являются интерпретацией кваытово-механических понятий, применительно к квантовой модели ответа респондента. Базовые состояния величины (X). Градации какого-либо вопроса анкеты или интервью. Волновая функция (суперпозиция базовых состояний). Одновременное присутствие в социальной системе всех возможных состояний, т. е.
Р(Х) = р,+р2+... + Рп, где рх, р2,---, Р„ —вероятности градаций величины X.
Глава 1
J56
Отметим, что принцип суперпозиции широко используется в общей теории систем, поскольку в сложных системах, состоящих из множества разнородных подсистем, каждая подсистема может находиться в различных состояниях и при целостном анализе данной системы неадекватна логическая операция «ИЛИ», а более адекватной является логическая операция «И», т. е. в сложной, целостной системе, состоящей из подсистем, могут одновременно наблюдаться взаимоисключающие состояния. Одномерные частотные распределения ответов респондентов на взаимоисключающие градации вопроса анкеты или интервью в опросах общественного мнения — очевидный пример суперпозиции. Редукция (коллапс) волновой функции. Выделение какого-либо базового состояния из волновой функции. На уровне индивида редукция волновой функции соответствует выбору респондентом одной градации ответа. Кубит (q-бит). Квантовый бит, который может находиться в одном из двух состояний, например, 0 и 1, или в суперпозиции этих состояний. Кубит описывается комплексными числами в Гильбертовом пространстве. (1) где у/ — волновая функция; q , с 2 — комплексные числа, причем
;
0,1 — базовые состояния q-бита. В одномерном частотном распределении ответов респондентов каждую градацию можно представить как кубит, где базовое состояние 1 — есть ответ на данную градацию, базовое состояние 0 — нет ответа на данную градацию. Гильбертово пространство состояний квантовой системы из п кубитов имеет размерность, равную 2". Это означает, что система описывается суперпозицией из 2" базовых состояний. При воздействии на какой-либо кубит, могут одновременно изменяться все 2" базовых состояний за счет квантовых корреляций между кубитами. Этот феномен носит название квантового параллелизма и обуславливает скорость квантовых вычислений. Каждая волновая функция содержит п кубитов, где п — количество базовых состояний. Два или более кубитов могут находиться в запутанном (entangled) коррелированном состоянии. Таким образом, одномерное частотное распределение или множество одномерных частотных распределений ответов респондентов можно описать как п кубитов, коррелированных между собой. Квантовая телепортация. Квантовой телепортацией [12] называют передачу из одной точки пространства в другую точку пространства некото-
Новые направления в анализе социальных систем
57
рого квантового состояния с помощью ЭПР-пары (парадокс Эйнштейна— Подольского—Розена), т. е. измерение, проведенное над одним из кубитов, определяет результат измерения над вторым кубитом, которое проводится в тот же момент времени в другой точке пространства. Квантовая телепортация возможна за счет квантовых корреляций, запутанных (entangled) состояний, между кубитами, а также нелокальных мгновенных взаимодействий между отдаленными друг от друга областями квантовой системы (теорема Белла). Теорема Белла хорошо согласуется с принципом системности, из которого, в частности, вытекает, что в системе «все связано со всем». Ответ респондента в опросах общественного мнения, можно представить как редукцию волновой функции следующим образом. Каждый респондент связан, за счет квантовых корреляций, с квантовым уровнем социальной реальности, поэтому он использует распределение вероятностей (волновую функцию) ответов в генеральной совокупности или какой-либо социальной группе при ответе. Данное положение соответствует голографической модели сознания индивида [28, 29], согласно которой индивиды имеют всю информацию о реальности в целом по принципу голограммы и квантово-механическим моделям сознания человека [2-5]. Респондент действует на бессознательном уровне как генератор случайных чисел, т. е. исходя из соответствующего распределения вероятностей ответов в генеральной совокупности, «разыгрывает» случайную величину (ответ на вопрос анкеты или интервью), т. е. дает один ответ. Данный механизм «разыгрывания» случайной величины лежит в основе одной из классических моделей ответа респондента в математической психологии, которую называют «случайный выбор» (random choise) [цит. по: 48] и которая имеет экспериментальные подтверждения в когнитивной психологии [56]. Если у респондента не сформировано мнение до проведения опроса и респондент формирует мнение в момент опроса, то благодаря квантовой корреляции мгновенно изменяется волновая функция в генеральной совокупности. Данный механизм соответствует одному из фундаментальных принципов общей теории систем [16], согласно которому между элементом и целым существуют прямые и обратные связи. В математической статистике известна и широко используется в компьютерном моделировании модель статистических испытаний или метод Монте-Карло [59]. Напомним, что метод Монте-Карло позволяет на основе заданного распределения вероятностей с помощью генератора случайных чисел генерировать случайные числа («разыгрывать» случайную величину) и проводить различные вычислительные эксперименты. Метод статистических испытаний может являться компьютерной реализацией квантовой модели ответа респондента. В этой связи отметим, что вероятность выбора градации респондентом можно получить не только по результатам уже проведенного большого опроса общественного мнения, но и по результатам пилотажного исследования небольшой выборки респон-
Глава 1
58
дентов, специального экспертного опроса [24], известных общесистемных закономерностей [16] или исходя из какой-либо теории, например модульной теории социума (МТС) [60, 61]. В заключение рассмотрения квантового подхода к анализу социальных систем отметим следующее. О. Конт, когда использовал понятие «социальная физика», сам того не подозревая, или может быть, очень прозорливо, был близок к истине, о чем свидетельствуют представленные в настоящем разделе некоторые возможности и перспективы квантового подхода к анализу социальных систем.
Литература 1. DanahZ., Ian M. The Quantum Society: Mind, Physics and New Social Vision. N. Y: William Morrow and Company, Inc., 1994. 2. Harris E., Walker P. The Physics of Consciousness: The Quantum Mind and the Meaning of Life. N. Y.: Perseus Publishing, 2000. 3. John R. G, Dune B. J. On quantum mechanics of consciousness with application to anomalous phenomena // Found, of physics. 1986. № 8. P. 721-772. 4. ПенроузР. Тени разума. В поисках науки о сознании. М.: Институт компьютерных исследований, 2003. 5. http://www.consciousness.arizona.edu/quantum-mind2. 6. Grandpierre A. The Physics of Collective Consciousness//The Journal of general Evolution. 1997. V. 48. P. 23-56. 7. Nielsen M., Chuangl. Quantum Computation and Quantum Information. Cambridge: Cambridge University Press, 2000. 8. Валиев К. А. Квантовая информатика: компьютеры, связь и криптография // Вестник РАН. 2000. Т. 70. № 8. С. 688-695. 9. PittengerA. An Introduction to Quantum Computing Algorithms. Boston: Birkhauser Boston, 1999. 10. Китаев А., ШеньА,, Вялый М. Классические и квантовые вычисления. М.: МЦНМО, 1999. 11. Hirvensalo M. Quantum Computing. Berlin: Springer-Verlag, 2001. 12. Менский М. Б. Квантовая механика: новые эксперименты, новые приложения и новые формулировки старых вопросов // Успехи физических наук. 2000. Т. 170. № 6 . С. 631-648. 13. http://www.atips.ca/projects/qcadesigner. 14. Квантовые нейронные сети. Материалы рабочего совещания. М.: Изд-во МИФИ, 2001. 15. Сорокин П. Система социологии. М.: Наука, 1993. Т. 1. 16. Давыдов А. А. Системный подход в социологии: законы социальных систем. М.: УРСС, 2004. 17. ПрибрамК. Языки мозга. Экспериментальные парадоксы и принципы нейропсихологии. М.: Прогресс, 1975.
Новые направления в анализе социальных систем
59
18. SchmittE, Gesler W. Socializing Metaphysics: The Nature of Social Reality. N. Y.: Rowman & Littlefield, 2003. 19. Koepsell D., Moss L. John Searle's Ideas About Social Reality: Extensions, Criticisms, and Reconstructions. N. Y: Blackwell Publishers, 2003. 20. НемировскийВ. Г., НевиркоД.Д., Грииюев С. В. Социология: классические и постнеклассические подходы к анализу социальной реальности. М.: РГГУ, 2003. 21. SearleJ. The Construction of Social Reality. New York: Free Press, 1995. 22. SchutzA., NatansonM., Breda H. The Problem of Social Reality. N. Y: Kluwer Academic Publishers, 1982. 23. Давыдов А. Социология как метапарадигмальная наука // Социол. исслед. 1992. № 9 . С. 85-87. 24. Давыдов А. А. Экспертные оценки дает респондент// Социол. исслед. 1989. № 5. С. 80-85. 25. The Maharishi effect. Creating coherence in world consciousness: Promoting positive and evolutionary trends throught the world. Fairfield, Maharishi Univ. Press., 1991. 26. Scientific research on Maharishis Transcendental meditation and Tm-sidhi programme. V. 1-4, Amsterdam: Maharishi Univ. Press., 1989. 27. Travis F. Т., Orme-Johnson D. W. Field model of consciousness: EEG coherence changes as indicators of field effects // Neuroscince. 1989. V. 49. № 3^4. P. 203-211. 28. Bohm D. Wholeness and Implicate Order. London: Routledge and Paul Kegan, 1980. 29. Bohm D., HileyB. The Undivided Universe (An ontological interpretation of quantum theory). London: Routledge, 1993. 30. Cmenun В. С. Теоретическое знание. М.: Прогресс-Традиция, 2000. 31. Капра Ф. Дао физики. СПб.: Орис, 1994. 32. Михайлова Г. А. Возможный биофизический механизм влияния солнечной активности на центральную нервную систему человека//Биофизика. 2001. Т. 46. № 5. С. 922-926. 33. Смольников А. А. Темная материя во Вселенной //Природа. 2001. № 7. С. 10-19. 34. Livio M. The Dark Universe : Matter, Energy and Gravity. Cambridge: Cambridge University Press, 2004. 35. RuquistR. A Dark Matter Model of Consciousness //Quantum Mind 2003: Consciousness, Quantum Physics and the Brain (http://www.consciousness.arizona.edu/quantum-mind2). 36. Travis F. Т., Orme-Johnson D. W. EEG coherence and power during yogic flying // Inter. J. Neuroscince. 1990. V. 54. № 1. P. 1-12. 37. Свидерская Н. Е. В поисках нейрофизиологических критериев измененных состояний сознания // Журнал высшей нервной деятельности. 2002. Т. 52. № 5 . С. 517-531. 38. Биофизика. 1992. Т. 37. №№ 3, 4. 39. Биофизика. 1995. Т. 40. №№ 4, 5. 40. Биофизика. 1998. Т. 43. №№ 4, 5. 41. Биофизика. 2001. Т. 46. № 5.
Глава 1
60
42. Измененные состояния сознания (сводный реферат)//РЖ. Общественные науки за рубежом. Философия. 1991. № 5. С. 147-172. 43. Кучеренко В. В., Петренко В. Ф., РоссохинА.В. Измененные состояния сознания: психологический анализ // Психология сознания. СПб., 2001. С. 403-411. 44. Из Мандуки-упанишады // Древнеиндийская философия. М.: Мысль, 1972. С. 246-247. 45. Грофф С. Путешествие в поисках себя. М.: Изд-во Трансперс. Ин-та, 1994. 46. Tart С. Т., Psychedelic Experiences Associated with a Novel Hypnotic Procedure, Mutual Hypnosis // Altered States of Consciousness / ed. С. Т. Tart, New York: John Wiley and Sons, 1969. P. 291-308. 47. Дюркгейм Э. Самоубийство: Социологический этюд. СПб., 1912. 48. LamingD. Mathematical Psychology. L.: Academic Press, 1973. 49. Паповян С. С. Математические методы в социальной психологии. М.: Наука, 1983. 50. Толстова Ю. Н. Измерение в социологии. М.: Инфра-М, 2000. 51. Stevens S. Psychophysics: Introduction to Its Perceptual, Neural and Social Prospects. N. Y.: Transaction Publishers, 1986. 52. WegenerB. Social Attitudes and Psychophysical Measurement. N. Y: Lea, 1981. 53. StembergR. Cognitive Psychology. N. Y: Wadsworth Publishing Company, 2002. 54. Ребеко Т. А. Ментальная репрезентация как формат хранения информации //Ментальная репрезентация: динамика и структура. М.: Изд-во «Институт психологии РАН», 1998. С. 25-55. 55. ht(p://wA^w2.psy.uq.edu.au/CogPsych/Noetica/OpenForurnIssue6/mtroduction.html. 56. Козелецкий Ю. Психологическая теория решений. М.: Прогресс, 1979. 57. Dijkstra W., Draisma S., Van der Zouwen J. Simulating response behavior in sociological survey interviews//The Journal Mathematical Sociology. 1995. V. 20. №2-3. P. 127-145. 58. Бехтерева Н. П., Ложникова Н. Ю., Данько С. Г. О так называемом альтернативном зрении или феномене прямого видения // Физиология человека. 2002. Т. 28. № 1.С. 23-34. 59. Соболь И. М. Численные методы Монте-Карло. М.: Наука, 1973. 60. Давыдов А. А. Модульный анализ и конструирование социума. М.: ИСЛН, 1996. 61. Давыдов А. А., ЧураковА.Н. Модульный анализ и моделирование социума. М.: ИСАИ, 2000.
§ 5 . Социогенетика В последние годы быстрыми темпами развиваются исследования генетики человека [1—6], в частности, реализуется международная программа «Геном человека», получили развитие такие разделы генетики, как социогенетика [7, 8], психогенетика [9,10], геногеография [11], генетическая
Новые направления в анализе социальных систем
61
история человечества [12], генетика поведения человека [13], популяционная генетика человека, медицинская генетика, генная инженерия и т. д. В результате проведенных исследований с помощью молекулярно-генетических методов анализа генома человека и близнецового метода (монозиготпые близнецы, которые имеют одинаковую структуру ДНК, но с рождения воспитывались в разных семьях) были установлены следующие факты. IQ (коэффициент интеллектуальности) [6], гомосексуализм [6, 14], наркомания [6], алкоголизм [6], агрессивность [15], типы нервной системы человека [10], некоторые психические заболевания [6], некоторые виды преступного поведения [6, 16], сообразительность, склонность к риску, к новизне [17, 18], к отрицательным эмоциям [18], уровень тревожности, депрессивности, смелости [18], оптимизм [18], готовность к согласию или конфронтации [18] и некоторые другие базовые личностные свойства индивидов, измеряемые с помощью теста MMPI (Minnesota Multiphasic Personality Inventory) [6] обусловлены, в значительной мере, наследственностью. В целом, имеющиеся эмпирические данные [1-18] позволяют выдвинуть гипотезу, что доля влияния наследственности па многие виды поведения и свойства личности индивидов может составлять, в среднем, около 60 %. Приведем несколько примеров использования эмпирических результатов социогенетики для объяснения некоторых социальных явлений, которые традиционно объяснялись только исходя из влияния социальных факторов, а влияние наследственности не учитывалось. В СССР гомосексуализм относили к уголовным преступлениям и в уголовном кодексе имелась соответствующая статья. Вместе с тем, современная генетика [13, 14] окончательно установила, что ген гомосексуализма локализован в Х-хромосоме и обуславливает соответствующее строение одного из отделов головного мозга человека. Данные современной генетики, относящиеся к гомосексуализму, привели к официальному разрешению однополых браков в некоторых странах мира. Пример с гомосексуализмом также показывает, что существование некоторых фактов поведения, стабильно наблюдающихся па всем протяжении человеческой истории и не зависящих от социальных условий (культуры, экономики, религии, политического режима и т. д.) могут быть обусловлены генетически. Э. Дюркгейм, в своей ставшей классической работе «Самоубийство: социологический этюд», рассматривал суицид с точки зрения влияния социальных факторов. Однако, данные социогенетики [18] показывают, что у людей, пытавшихся совершить самоубийство, найден низкий уровень производных серотопина в спинномозговой жидкости и высокий уровень депрессивности. Низкий уровень серотонина и высокий уровень депрессивности примерно на 70-90 % обусловлены изменением алелыюго (альтернативного) состояния гена, кодирующего транспортер серотонина (ТС). Участок гена, кодирующего ТС, содержит 16 повторяющихся последовательностей из 21-22 нуклеотидов.
62
Глава 1
Давно замечено, что социокультурные подсистемы социума, которые обобщенно называют «Запад» и «Восток» [19], различаются по доминирующим ценностям, в частности, для «Запада» более характерна ориентация па новизну, риск, а для «Востока» — ориентация на традиции, стабильность и спокойствие. Данные социогенетики [18] свидетельствуют, что индивиды, носители разных аллелей D4DR, отличаются чувствительностью рецептора к дофамину — чем длиннее вставка, тем ниже чувствительность рецептора к дофамину. Тем, у кого обе хромосомы содержат «длинные» аллели (кодирующие менее чувствительный рецептор), нужны более сильные внешние сигналы для того, чтобы комфортно себя чувствовать. Этим людям нужны большие дозы дофамина, чтобы рецепторы среагировали на него. Чем «длиннее» ген, тем больше его носители склонны к поиску новых впечатлений и риску в различных сферах жизнедеятельности, в частности, в сфере работы и досуга, выборе экстремальных видов спорта и т. д. Распространенность разных аллелей D4DR разная в разных этнических группах, в частности, аллель с 7 повторами часто встречается в Америке (48 %) и гораздо реже в Южной и Восточной Азии (менее 2 %) [18]. В социологии исследование социальной структуры, в частности, выявление социальных факторов, которые обуславливают положение индивида в обществе — одна из традиционных тем, которой посвящено множество социологических монографий. В фундаментальном исследовании Р. Херштейпа и Ч. Мюррея [20], изучалось влияние значений IQ (коэффициента интеллектулыюсти) па положение индивида в социальной структуре американского общества. Известно, что значение IQ примерно на 60 % обусловлено наследственностью [6], в частности, изменение в IGF2R гене влияет на показатель интеллекта [6], значения IQ мало изменяется в зависимости от возраста индивида, т. е. значения IQ обусловлены, преимущественно, не социальными факторами. В данном исследовании было установлено, что значение коэффициента IQ в наибольшей мере, по сравнению с социальными факторами, обуславливает положение индивидов в социальной структуре американского общества. В классической социологии можно выделить две конкурирующие теории социального развития [21], а именно, Маркса и Вебера. Если говорить грубо, то Маркс отводил доминирующую роль базису (экономике), а Вебер отводил доминирующую роль надстройке (Протестантской этике). В фундаментальном исследовании Р. Линна и Т. Ванхенена [22], где изучалось влияние значения IQ (коэффициента интеллектуальности) населения на экономические показатели в 185 странах мира, было эмпирически установлено, что между средним значением IQ в стране и ВВП (валовым внутренним продуктом) па душу населения существует величина корреляции, значение которой равно 0,757, т. е. коэффициент детерминации равен 57 %.
Новые направления в анализе социальных систем
63
Р. Линн и Т. Ванхенен [22] также эмпирически проверили ряд наиболее известных теорий, выдвинутых за последние 250 лет, где объясняется, почему некоторые страны мира богаты, в то время как другие бедны. В частности, они эмпирически проверили теорию «Протестантской этики» М. Вебера, теорию модернизации, неолиберальную экономическую теорию, теорию климата, географическую теорию, теорию зависимости бедных стран, ряд психологических теорий и установили следующее. Среднее значение коэффициента интеллектуальности населения страны в наибольшей мере определяет уровень экономического развития страны и долгосрочные и краткосрочные темпы ее экономического роста. Полученный эмпирический результат не подтверждает, как теорию Маркса о доминирующей роли «базиса» (экономики), так и теорию М. Вебера о доминирующей роли «надстройки» (Протестантской этики) в экономическом развитии страны. Автор по данным Р. Линна и Т. Ванхенена [22] выявил также зависимость между средним значением коэффициента IQ и уровнем демократии в стране по данным ООН [23]. Всего было проанализировано 140 стран мира. Однофакторный дисперсионный анализ показал, что коэффициент детерминации между средним значением IQ населения и уровнем демократии в стране равен R1 = 0,548. Это означает, что среднее значение коэффициента интеллектуальности населения примерно на 55 % определяет уровень демократии в стране, т. е. чем выше среднее значение IQ населения, тем выше уровень демократии. Затем автор выявил силу связи между ВВП на душу населения и уровнем демократии в стране с помощью однофакторного дисперсионного анализа. На рис. 1.14 представлены коэффициенты детерминации (значения R2, умноженные на 100 %) между наследственностью (генетикой), средним значением IQ, ВВП на душу населения и уровнем демократии в стране. Из рис. 1.14 следует, что генетика в значительной мере обуславливает среднее значение IQ населения, который в свою очередь, в значительной мере определяет значение ВВП на душу населения и уровень демократии в стране, а также объясняет зависимость между ВВП и уровнем демократии. Рассмотрим полученные результаты с точки зрения традиционного основополагающего принципа социологии, согласно которому социальное рождается из социального, т. е. любое социальное явление или процесс обусловлены социальными причинами. Данный принцип сыграл положительную роль в становлении и развитии социологии как самостоятельной научной дисциплины, однако, вместе с тем, привел к известным ограничениям в объяснении многих социальных явлений и процессов, поскольку «за бортом» оказались генетика, психология и другие научные дисциплины, чьи результаты являются важными для целостного и адекватного описания многих социальных явлений и процессов. Автор полагает, что со-
64
Глава 1
временная социология не может дальше продолжать политику «отгораживания» от достижений других научных дисциплин, поскольку данная политика уже привела теоретическую социологию к схоластике [24, с. 125] и существенно снизила ее научную и практическую значимость [25]. С точки зрения автора, традиционный основополагающий принцип социологии приводит, преимущественно, к бесполезной борьбе за «чистоту» социологии, а не к целостному объяснению действительных механизмов социальных явлений и процессов. С точки зрения автора, которая обстоятельно изложена в [26], более эффективным основополагающим принципом современной социологии может являться принцип системности, согласно которому существует зависимость каждого элемента, части, свойства и отношения от его места и функций внутри системы; каждая часть системы является системой, а исследуемая система является частью более общей системы; поведение системы есть результат свойств элементов, взаимодействия всех элементов и уровней системы, влияния других социальных систем и окружающей среды, а также прошлого состояния системы и ожидаемого будущего. Из принципа системности вытекает, что для объяснения социальных явлений и процессов необходимо привлекать данные других научных дисциплин.
Если строго следовать традиционному основополагающему принципу социологии, то выше представленные эмпирические результаты не являются социологическими и их следует игнорировать. Однако, данное ре-
Новые направления в анализе социальных систем
65
шение обрекает социолога на такие социологические объяснения значений ВВП, уровня демократии в стране и взаимосвязи между ними, которые не являются доминирующими. Очевидно, что для практических приложений данный подход нельзя признать правомерным. Напротив, при использовании принципа системности здесь не возникает проблем, поскольку полученные эмпирические результаты полностью соответствуют принципу системности, а также системному представлению об обществе, как био-социальной системе [27] (см. раздел данной книги «Системное определение понятия «общество»»). В последние годы появились некоторые эмпирические факты [28-30] молекулярной биологии, которые могут свидетельствовать в пользу некоторых идей Ламарка, а именно, наследуемости приобретенных признаков [30], которое называют эпигенетическим наследованием [28]. Новый признак может возникнуть через образование регулирующих комплексов белок/ДНК/РНК, модификацию хроматина, или изменения в ДНК соматических клеток и затем передаться потомству [30]. Если данные факты получат дальнейшее подтверждение, и эпигенетическое наследование у человека существует, то тогда прижизненная социальная информация индивидов может наследоваться посредством генов. Это может объяснить, с точки зрения молекулярной генетики, воспроизводимость и устойчивость в популяции человека определенных социальных явлений. В заключение раздела сформулируем три вывода, которые следуют из представленных эмпирических результатов. Во-первых, традиционный основополагающий принцип социологии, согласно которому социальное рождается из социального, явно недостаточен для полного объяснения многих социальных явлений и процессов и, особенно, для практических приложений. Во-вторых, более адекватным для объяснения социальных явлений и процессов является принцип системности, исходя из которого необходимо учитывать влияние всех реально действующих факторов. В-третьих, имеются основания предполагать, что дальнейшее развитие социогенетики изменит наши традиционные представления о многих, прежде считавшихся только социально обусловленными, явлениях в обществе. Литература 1. Киселев Л. Л. Геном человека и биология XXI века//Вестник РАН. 2000. Т. 70. № 5. С. 412-424. 2. Pope G The Biological Bases of Human Behavior. N. Y.: Allyn & Bacon, 1999. 3. Clark W., Grunstein M. Are We Hardwired?: The Role of Genes in Human Behavior. Oxford: Oxford University Press, 2000. 4. Ehrlich P. Human Natures: Genes, Cultures and the Human Prospect. N. Y.: Island Press, 2000. 5. Carey G. Human Genetics for the Social Studies. London: Sage Publ., 2002.
66
Глава 1
6. Genetics and Human Behaviour: The ethical context. London: Nuffield Council on Bioethics, 2002. 7. Сох В., Lightfoot C. Sociogenetic Perspectives on Internalization. N. Y.: Lea, 1997. 8. EliasK, Dunning E., Goudsblom J., MennellS., JephcottE. The Civilizing Process: Sociogenetic and Psychogenetic Investigations. N. Y.: Blackwell Publishers, 2000. 9. Griscom С Psychogenetics: The Force of Heredity. N. Y: Light Institute Press, 2000. 10. Равич-Щербо И. В. Психогенетика. М.: Аспект Пресс, 2003. 11. Генофонд и геногеография народонаселения / Под ред. Ю. Г. Рычкова. Т. 1. Генофонд населения России и сопредельных стран. СПб.: Наука, 2000. 12. Тетушкин Е. Я. Хронология эволюционной истории человека//Журнал общей биологии. 2000. Т. 120. № 3. С. 227-240. 13. КурочкинЛ. И. Генетика поведения и нейрогенетика и их становление в России // Генетика. 2004. Т. 40. № 6. С. 725-732. 14. Homer D. Science of Desire: The Gay Gene and the biology of behavior. N. Y: Touchstone, 1995. 15. Алфимова Н. В., Трубников В. И. Психогенетика агрессивности//Вопросы психологии. 2000. № 6. С. 97-105. 16. BotkinJ. R., McMahon W.M., Francis L. P. Genetics and criminality: The potencial misuse of scientific information in court. Washington: Am. Psychol. Assoc, 1999. 17. Siervogel R. M., Czerwinski S., TowneB. Heritability of Personality factors in healthy adults //Arner. J. Med. Genet. 2000. V. 96. № 4. P. 511. 18. Боринская С. А., Рогаев Е. И. Гены и поведение // Химия и жизнь. 2000. № 3. С. 14-19. 19. Кирдшш С. Г. Институциональные матрицы и развитие России. М.: ТЕИС, 2000. 20. Herstein R., Murrey Ch. The bell curve: Intelligence and class-structure in American life. N. Y: N. Y. Publ., 1994. 21. Штомпка Т. Социология социальных изменений. М.: Аспект Пресс, 1996. 22. Lynn R., Vanhanen Т. IQ and the Wealth of Nations. Westport: Praeger, 2002. 23. Human Development Report. 2002. N. Y, Oxford: Oxford University Press, 2002. 24. Тернер Дж. Аналитическое теоретизирование // THESIS, 1994. № 4. С. 119-158. 25. Коллинз Р. Социология: наука или антинаука? // THESIS, 1994. № 4. С. 71-97. 26. Давыдов А. А. Системный подход в социологии: законы социальных систем. М.:УРСС,2004. 27. Давыдов А. А. К вопросу об определении понятия «общество» // Социол. исслед. 2004. № 2. С. 12-23. 28. Jablonka E., Lamb M. Epigenetic Inheritance and Evolution: The Lamarckian Dimension. Oxford: Oxford University Press, 1995. 29. Cmun Э., Линдли Р., Бланден Р. 2002. Что, если Ламарк прав? Иммуногенетика и эволюция. М.: Мир, 2002. 30. Животовский Л. А. Наследование приобретенных признаков: Ламарк был прав // Химия и жизнь. 2003. № 4. С. 22-26.
Глава 2 Новые теории социальных систем § 1. Системное определение понятия «общество» Социология является наукой об обществе, однако, в социологии существуют разнообразные определения понятия «общество», основанные на различных принципах и теориях, в частности, социологическом номинализме или социологическом реализме, структурном функционализме, символическом интеракциопизме, этнометодологии и т. д. Многие социологи, например, Н. Луман [1], Ю. Н. Давыдов [2], отмечают трудности концептуализации данного понятия, А. Гидденс [3], полагает, что понятие «общество» недостаточно изучено в социологии, А. О. Бороноев и П. И. Смирнов [4] отмечают логические противоречия в различных определениях понятия «общество», а некоторые исследователи, например, И. Уоллерстайн [5], скептически относятся к познавательным возможностям понятия «общество», из-за его многозначности, абстрактного характера и трудностей использования в практике. С точки зрения автора, которая основана на проведенном анализе понятия «общество» по доступным зарубежным и отечественным социологическим энциклопедиям, словарям, учебникам, работам классиков социологии, современным научным публикациям, существующие трудности использования понятия «общество» в социологии вытекают из того обстоятельства, что понятие «общество» заимствовано социологией из социальной философии и до настоящего времени во многом базируется па онтологических и гносеологических принципах социальной философии. Вследствие этого, многие определения понятия «общество» выступают в качестве некоторого качественного «ярлычка», который мало приспособлен для конкретного эмпирического изучения. Кроме того, различные исследователи, исходя из какой-либо социологической теории, выделяют только отдельные аспекты общества, что явно недостаточно для целостного теоретического и эмпирического изучения общества. Вследствие этого возникают трудности концептуализации и операционализации данного понятия, теоретического и, особенно, эмпирического изучения общества, в частности, при изучении новых социальных реалий. Например, Европейского Сообщества (ЕС), своеобразного региона-государства, имеющего общую валюту, Парламент, Суд, в скором времени — Конституцию, нор-
68
Глава 2
мы и решения которых доминируют над юридическими нормами государств — членов ЕС, свободное перемещение людей внутри ЕС, при этом граждане ЕС говорят на различных национальных языках, в 2001 г. только 3 % граждан государств — членов ЕС идентифицировали себя с «Общей Европой», 44 % граждан идентифицировали себя прежде всего с национальным государством, а только затем с «Общей Европой», а 44 % граждан идентифицировали себя только с национальным государством — членом ЕС [6]. Другими примерами новых социальных реалий являются взаимодействующие пользователи сети Internet, которых называют киберобществом [7], мировое сообщество в рамках ООН. В последние годы быстрыми темпами развивается computational sociology (компьютационная социология) — вычислительная или компьютерная социология [8, 9] (см. раздел данной книги «Computational Sociology»). Напомним, что в компьютерной социологии используются многие методологические принципы общей теории систем, достижения Neurocomputer Science (нейрокомпьютерной науки), в частности, «нейронные» сети [10], разрабатываются и используются различные компьютерные информационноаналитические технологии [11], многие из которых базируются на системах искусственного интеллекта, специализированные компьютерные системы [12], с помощью которых осуществляется компьютерное моделирование, теоретический и эмпирический анализ различных социальных систем. Компьютерная социология предъявляет новые требования к социологическим теоретическим понятиям, в частности, конструктивность определения, под которой понимается возможность практической реализации данного определения с помощью какого-либо языка программирования и использования его в реально фушщионирующей компьютерной системе. С точки зрения компьютерной социологии, существующие традиционные социологические определения понятия «общество» являются недостаточно конструктивными, поскольку не позволяют разработать адекватно функционирующую компьютерную систему, описывающую общество. Автор полагает, и на то есть теоретические, эмпирические и практические аргументы [12, 13], что понятие «общество» следует определять и эмпирически изучать с точки зрения общей теории систем, поскольку общая теория систем является наддисциплинарной научной теорией, созданной для теоретического и эмпирического изучения всех логически мыслимых систем (физических, биологических, психологических, социальных, технических, абстрактных и т. д.), вследствие чего она обладает значительно большими теоретическими и эмпирическими возможностями по сравнению с социальной философией и отдельными социологическими теориями. Напомним, что общая теория систем является теоретической основой Systems Science (пауки о системах) [13], которая представляет собой новую современную научную дисциплину, созданную во второй
Новые теории социальных систем
69
половине XX в., основанную на системных методологических принципах, широком использовании эмпирических дашшх конкретных научных дисциплин, математике и компьютерном моделировании, ориентированную на конкретные практические приложения в сфере управления. Основы общей теории систем обстоятельно изложены в большом количестве монографий, начиная с классических работ Л. фон Берталанфи [14] и А. Богданова [15], в монографиях 1970-х гг., оказавших заметное влияние на становление общей теории систем в СССР [16-18], и заканчивая современными монографиями, например [19, 20], в материалах различных международных конференций [21], многочисленных статьях, например, в ежегоднике «Системные исследования», который издает Институт системного анализа РАН, в журналах «International Journal of Systems Science», «Systems Research», «Systems Practice», «System Dynamics Review», «Journal of Social and Evolutionary systems». Общая теория систем уже использовалась в социологии, например, ее отдельные методологические принципы использовал еще Г. Спенсер, когда отмечал общесистемные закономерности между обществом и организмом, многие социологи, например, Т. Парсонс [22], Н. Лумап [23], для описания общества используют главное понятие общей теории систем — «система» и некоторые методологические принципы общей теории систем, К. Бейли [24] предпринял попытку синтеза общей теории систем и социологии, И. В. Прангишвили [20] рассматривал общесистемные закономерности в обществе, В. В. Василькова [25] использовала теорию самоорганизации, один из разделов общей теории систем, для анализа общества, однако заметного влияния на социологию общая теория систем пока не оказала. Традиционная критика системного подхода в социологии состоит в том, что системный подход якобы недостаточно учитывает субъективность, творческую активность и свободу воли человека, низводя его до пассивного «элемента» системы, однако если внимательно ознакомиться с современными направлениям и достижениям в общей теории систем, то легко заметить, что это совсем не так. Автор полагает, что теоретический и, особенно, эмпирический потенциал общей теории систем пока не раскрыт социологией в полной мере, поэтому в данной статье предпринята еще одна попытка рассмотреть понятие «общество» с точки зрения общей теории систем, с целью эффективного теоретического и эмпирического использования данного понятия в компьютерной социологии. Исходя из принципов общей теории систем и критерия конструктивности, принятого в компьютерной социологии, можно дать следующее новое определение понятия «общество», которое обобщает различные социологические определения понятия «общество» и которое следует рассматривать не как окончательное, а как предмет для дискуссии и поста-
^70
Глава 2
новки перспективных теоретических и эмпирических исследовательских задач в компьютерной социологии. Общество — это определенный тип системы, состоящей из разнородных взаимосвязанных элементов и подсистем, свойств и отношений, созданной индивидами на основе механизма обратной связи, целью которой является реализация экстремальных принципов в жизнедеятельности индивидов с помощью законов, действующих в определенных границах. Дадим пояснения терминов, включенных в данное определение, которые необходимы для конкретизации и раскрытия содержания данного определения, постановки теоретических и эмпирических задач, требующих решения, и дальнейшего составления списка объектов, свойств и отношений для программирования, выбора языка программирования, разработки соответствующих алгоритмов и решения других специальных задач практической разработки компьютерной системы, описывающей общество. У читателя может возникнуть обманчивое впечатление, что нижеизложенные пояснения терминов представляют собой реферативное изложение основ общей теории систем и многочисленных научных фактов, относящихся к обществу, однако это не так. Во-первых, это необходимый предварительный теоретический этап работы с определением, предшествующий практической разработке компьютерной системы в компьютерной социологии [9, 12]. Во-вторых, данное определение понятия «общество» можно рассматривать, с точки зрения компьютерной гипертекстовой технологии, как гипертекстовое определение понятия «общество», когда каждый термин в определении можно последовательно конкретизировать. Тип системы. Общая теория систем предлагает широкий выбор различных типов систем, например, открытые — закрытые, простые — сложные, устойчивые-неустойчивые, живые, адаптивные, информационные, самоорганизующиеся, с «памятью» и т. д. В этой связи отметим, что в общей теории систем тип системы — это не просто словесный «ярлычок», а соответствующий набор количественных и качественных показателей, между которыми существуют определенные зависимости[18], что позволяет эмпирически выявлять и изучать различные типы систем. Ниже используются некоторые типы систем, которые характеризуют системопорождающие факторы возникновения и существования общества, некоторые свойства его строения и динамики. Данные современной науки свидетельствуют, что системопорождающие факторы возникновения и существования общества можно подразделить на две группы, а именно, биологические и социальные. Результаты, полученные в рамках реализации международной программы «Геном человека» позволяют утверждать, что люди принадлежат к биологическому виду Homo
Новые теории социальных систем
71
sapiens, геном которого на 99 % похож на геном шимпанзе [26]. У представителей данных биологических видов существуют моменты рождения и смерти, два пола, генетические врожденные поведенческие реакции, например, самосохранение, выделение и защита собственной территории, забота о потомстве, лидерство, агрессия, страх и т. д. Биологический вид Homo sapiens принадлежит к биологическим видам, ведущим коллективный образ жизни. Современные данные популяционной генетики человека [27] и этологии (науки о коллективном поведении животных) [28] свидетельствуют, что у биологических видов, ведущих коллективный образ жизни, существуют врожденные, генетически обусловленные потребности во взаимодействии с себе подобными, принадлежности к себе подобным, координации и субординации среди подобных себе, кооперации и конкуренции, а также генетически обусловленный уровень интеллектуальных и иных способностей для удовлетворения данных потребностей. Например, установлено [29], что распределение индивидов в социальной структуре США зависит от значения коэффициента интеллектуальности (IQ), который в значительной мере обусловлен врожденными генетическими факторами. Вместе с тем, язык, письменность, научные и иные знания, юридические нормы, традиции, обычаи, смыслы и т. д., возникновение, изменение и прекращение существования различных социальных систем и т. д. обусловлены вполне определенными социальными причинами. В общей теории систем существует гипотеза, имеющая теоретическое и эмпирическое обоснование, согласно которой пропорция 1.618, известная в науке и искусстве как «золотая» пропорция [30,31], является одной из количественных констант, соответствующей системному свойству целостности системы [32, 33]. Многочисленные эмпирические данные показывают, что в поведении индивидов соотношение влияния врожденных и социально приобретенных свойств и отношений приближенно соответствует «золотой» пропорции (см. раздел данной книги «Социогенетика»). Так, например, коэффициент интеллектуальности (IQ) [34], агрессивное поведение людей [35], сообразительность и склонность к риску [36], некоторые виды преступного поведения [37], воспроизводство основных психологических типов личности в популяции человека, примерно на 60 % обусловлены генетическими факторами и примерно на 40 % обусловлены факторами социальными. В этой связи имеются теоретические и эмпирические основания выдвинуть гипотезу, согласно которой соотношение влияния системопорождающих биологических и социальных факторов, обуславливающих возникновение и существование общества, соответствует «золотой» пропорции. Проверка данной гипотезы может быть осуществлена на основе сравнения популяций, сходных по генотипу, но различных по социальным факторам, например, ГДР и ФРГ, Северная и Южная Корея и т. д. В целом, приведенные факты современной науки неопровержимо свидетельствуют, что общество является био-социалыюй системой.
72
Глава 2
Наблюдения показывают, что общество принадлежит к типу так называемых нуклеарных систем [38], в которых существуют координационный центр и нелинейная согласованность функционирования подсистем и элементов. Эмпирические исследования автора [39, 40] показывают, что общество функционирует в специфическом системном состоянии «Intermedity» (промежуточности) [41] между порядком и хаосом, вследствие чего для общества характерно свойство самоорганизованной критичности [39] и режим детерминированного хаоса [40]. Свойство самоорганизованной критичности проявляется, в частности, в том, что незначительное влияние каких-либо внутренних и (или) внешних факторов может привести к реакции лавинообразного типа, которая может оказывать влияние на все элементы и подсистемы общества. Для режима детерминированного хаоса характерна нестационарная структура динамики, наличие глобальной квазипериодичности в динамике, фракталыюеть (самоподобие) локальных фрагментов динамики на разных временных масштабах и т. д. Таким образом, имеются эмпирические основания утверждать, что общество принадлежит к типу систем, находящихся в состоянии «Intermedity». Элементы. В истории социологии [42] в качестве элементов общества рассматривали индивидов, социальные группы, общности, продукты материальной и духовной деятельности людей (социальные институты, нормы, обычаи, традиции, ценности, смыслы и т. д.), виды действий и взаимодействий индивидов, факты поведения или сознания индивидов и т. д., а также такие надиндивидуальные целостности, как коллективные представления, народ, государство и т. д. В общей теории систем элементом обычно называют далее неделимую, в рамках данного исследования, единицу системного анализа, которая в свою очередь, может быть системой, состоящей из подсистем. Данное положение общей теории систем позволяет осуществить системный синтез традиционно существующего в социологии противопоставления микро и макросоциологии. Кроме того, с точки зрения общей теории систем, элементами социальной системы являются все вышеперечисленные традиционно выделяемые в социологии элементы, поскольку они необходимы для существования общества как системы. Данное положение общей теории систем используется в модульной теории социума (МТС) [12, 39, 43], которую автор развивает на основе общей теории систем в рамках компьютерной социологии в Институте социологии РАН. Подсистемы. В социологии в качестве подсистем общества наиболее часто выделяют три подсистемы: культуру, экономику и политику и реже — четыре или большее количество подсистем. Однако многие авторы скептически относятся к выделению данных подсистем общества. Так, например, И. Уоллерстайн [5, с. 25] отмечает, что «Святая троица — политика, экономика, социокультура — сегодня не имеет ни интеллектуальной, ни эв-
Новые теории социальных систем
73
ристической ценности. Зная как действительно «трудится» современный мир, мы должны признать, что это нонсенс». В этой связи И. Уоллерстайн [44] в мир-системе выделяет две подсистемы, а именно, «Центр» и «Периферию», которые различаются не только по уровню экономического, политического, социокультурного и технологического развития, но и другим показателям. В ООН традиционно измеряют уровень человеческого развития в странах мира и на уровне мира в целом с помощью специального индекса (Human Development Index) [45]. В этой связи отметим, что в общей теории систем разграничение наук, в том числе общественных наук, на экономику, политику, право, культуру, демографию и т. д. признается в значительной мере условным [13], поскольку реально существующие социальные системы функционируют как единое целое, в которых выделение подсистем осуществляется не по традиционным предметным критериям, а по системным критериям, например режимам функционирования подсистем [12]. В модульной теории социума (МТС) [12, 39], далее неделимой универсальной подсистемой социальной системы является так называемый «социальный модуль», который состоит из элементов, сгруппированных не менее чем в две части, где количественному отношению между размерами частей поставлен в соответствие определенный режим функционирования данной подсистемы. В МТС социальная система может состоять, как из двух «социальных модулей», так и из 5000 и большего количества «социальных модулей», в зависимости от детализации рассмотрения социальной системы, а также наличия эмпирических данных. При этом в МТС существуют два подхода к выделению количества «социальных модулей» — теоретический и аналитический, которые могут не соответствовать традиционно выделяемым подсистемам общества. Выделение необходимого количества «социальных модулей» осуществляется, в частности, по результатам компьютерного моделирования с помощью разработанной А. Н. Чураковым и автором данной статьи компьютерной экспертпо-диагностической системы МАКС [12]. Свойства. Свойства могут быть общесистемными, например, свойства целостности [32], сложности, связности, избыточности, разнообразия, изменчивости и т. д., а также предметными. В этой связи необходимо отметить одно важное обстоятельство. В общей теории систем для измерения системных свойств разработано множество количественных индексов, что позволяет измерять выраженность данных свойств в обществе. С точки зрения общей теории систем, основным системным свойством общества является свойство целостности, под которой в общей теории систем понимают выделенность системы из более общей системы, эффект неаддитивности (целое не равно сумме частей), зависимость каждого элемента, части, свойства и отношения от его места и функций внутри системы, функционирование системы рассматривается как итоговый результат ак-
74
Глава 2
тивности и взаимодействия всех элементов, подсистем и уровней системы, влияния других социальных систем и окружающей среды, а также прошлого состояния системы и ожидаемого будущего, первичную неразделенность количественных и качественных, объективных и субъективных факторов в системе. По результатам эмпирических исследований, проведенных автором в рамках модульной теории социума (МТС) [12, 39], а также на основании общей теории систем, имеются основания предполагать, что общесистемному свойству целостности социальной системы соответствует пропорция 1,618, известная в науке и искусстве как «золотая» пропорция. К предметным свойствам можно отнести субъективную самоидентификацию индивидов с конкретным обществом, которая зависит от факта рождения индивида в определенном государстве и процесса социализации, субъективных предпочтений индивидов в зрелом возрасте, например, индивид может себя считать гражданином мира. К предметным свойствам относится также наибольшая численность трудоспособного населения, занятая в какой-либо отрасли хозяйства. По данному свойству выделяют аграрное общество — наибольшая численность трудоспособного населения занята в сельскохозяйственном секторе. Индустриальное общество — наибольшая численность трудоспособного населения занята в промышленном производстве. Постиндустриальное общество — наибольшая численность трудоспособного населения занята в сервисе, в частности, если в производстве информации, то информационное общество. По свойствам политического режима выделяют демократическое или тоталитарное общество. По свойствам доминирующей религии в обществе выделяют исламское общество, христианское общество и т. д., по возможностям самореализации индивидов — «общество равных возможностей», по значимости сферы потребления — «общество потребления», по доминированию юридического права в жизнедеятельности индивидов — правовое общество и т. д. Отношения. Отношения могут быть общесистемными, например, отношения координации и субординации, кооперации и конкуренции, количественные отношения между частями системы [12, 39], между целым и частями [46], а также предметные отношения, например, субъективные отношения индивидов к обществу, объективные отношения внутри общества — рабовладельческое общество, феодальное общество, капиталистическое общество, социалистическое общество, гражданское общество и т. д. Отметим, что в общей теории систем для измерения системных отношений разработано множество количественных индексов, что позволяет измерять выраженность данных отношений в обществе. Механизм обратной связи. Наблюдения показывают, что основным механизмом функционирования общества является общесистемный меха-
Новые теории социальных систем
75
низм обратной связи, согласно которому существует воздействие результатов функционирования системы на характер этого функционирования, включая элементы, связи, свойства и отношения и их изменения. Иными словами, общество является результатом взаимодействия индивидов и оказывает обратное влияние на взаимодействие индивидов. Очевидным примером данного механизма являются юридические нормы, закрепленные в Конституции, гражданском и уголовном законодательстве, которые сначала создаются членами общества, а затем оказывают влияние на их жизнедеятельность и на жизнедеятельность следующих поколений. Тоже самое относится к обычаям, традициям и т. д. На индивидуальном уровне механизм обратной связи проявляется в формировании у индивида субъективного психологического образа общества — представления об обществе, которое зависит от функционирования общества и оказывает влияние на поведение индивида, которое может привести к изменениям в функционировании общества. Например, в результате принятия государственных решений отдельными членами общества, участия в выборах, референдумах, соблюдении (несоблюдении) юридических норм и т. д. Экстремальные принципы. С точки зрения автора, основной целью общества является реализация экстремальных принципов. Экстремальные принципы, т. е. максимизация и (или) минимизация численности элементов, значений свойств и отношений в системе, являются общесистемными и присущи любой системе. Например, в физических и механических системах экстремальные принципы известны как принцип экономии, принципы наименьшего времени Ферма, наименьшего действия Мопертыои, принцип Гамильтона. В биологии экстремальные принципы известны как принцип максимальной простоты, принцип оптимальной конструкции, принцип выживания, принцип оптимальной жизненной стратегии и т. д. [31,47]. В психологии известен принцип гедонизма, согласно которому люди стремятся максимизировать положительные эмоции и минимизировать эмоции отрицательные. В экономике, теории принятия решений, теории игр используется принцип максимина — максимум достижений при минимуме затрат, риска, времени. В социологии [48] также используются экстремальные принципы, как стремление максимизировать положительные социальные явления и минимизировать явления отрицательные, в рамках определенных ограничений, за счет изменения элементов, связей, свойств и отношений в обществе. Стремление к минимизации детской смертности, бедности, заболеваемости, безработицы, преступности и стремление к максимуму средней ожидаемой продолжительности жизни, грамотности населения, равноправию женщин, демократии, эффективности работы правительства, человеческого развития — вот некоторые цели из глобальной международной программы ООН Millenium Development Goals (цели тысячелетия для человечества) [45], в которой участвуют государства — члены ООН.
76
Глава 2
Т. Парсопс [22] под обществом понимал такой тип социальной системы, среди любого универсума социальных систем, который достигает самого высокого уровня самодостаточности как система по отношению к своему окружению. Нетрудно заметить, что у Т. Парсонса речь идет именно о реализации экстремального принципа. Р. Коллинз [49, с. 81] отмечает, что зтнометодологическая теория полагает, что превращение повседневной жизни в рутину — это основной социальный процесс и что люди изо всех сил стараются ситуационно сглаживать и избегать любых неурядиц. Нетрудно заметить, что в основе данного процесса также лежит экстремальный принцип «наименьшего действия», согласно которому действия в системе происходят при минимуме энергии, поскольку рутина — это привычные, повторяющиеся, простые действия, требующие минимума физического и психологического напряжения. Избегание неурядиц также можно рассматривать как минимизацию физического и психологического напряжения. Различные социальные утопии идеального общества, например, коммунистическое общество К. Маркса, также можно рассматривать как реализацию экстремальных принципов в распределении благ, ощущении счастья, свободы, справедливости и т. д. Законы. Законы могут быть общесистемными [19, 25, 39, 50] и предметными [51], количественными и качественными, оформленными в виде юридических норм национального и международного права (Конституция, уголовное и гражданское законодательство и т. д.) и не оформленными в виде юридических норм (традиции, обычаи и т. д.), не зависящими от времени и географического расположения общества и приуроченными к определенному периоду времени и территориальным границам и т. д. Например, в общей теории систем известны общесистемные законы зависимости между величиной системы и средней продолжительностью ее жизненного цикла; между величиной системы и ее связностью и вероятностью устойчивости системы, между сложностью структуры системы и поведением системы [12, с. 64]; законы отношения общего числа элементов в системе к числу элементов в большей части в зависимости от типа частотного распределения элементов в системе [46, 52], законы самоорганизации [25]. Например, наблюдения показывают, что при внедрении инноваций в организациях возникает противодействие инновациям. Также известно, что при внешней угрозе возрастает степень сплоченности членов социальной общности. Эти и подобные им социальные законы на уровне социальных групп и стран мира, являются проявлением общесистемного закона [50], согласно которому при внешнем воздействии на активную систему, которое уводит систему от начального состояния, в системе происходит изменение активности элементов и (или) их числешюсти, изменение свойств и отношений таким образом, чтобы противодействовать внешнему воздействию. Р. Коллинз [51] называет ряд известных социологических законов, например, следующий [49, с. 72].
Новые теории социальных систем
77
Чем более длительно, интенсивно и замкнуто взаимодействие между людьми, тем больше они будут отождествлять себя с некоей группой и тем большее давление они будут чувствовать в направлении подчинения локальным образцам поведения и веры при условии равенства их сил и отсутствия конкуренции в борьбе за скудные ресурсы. С известными количественными законами социальных систем заинтересованный читатель может более подробно ознакомиться в монографии автора [53]. Границы. В социологии в качестве временных границ общества выделяют стадии или эпохи исторического процесса, например, первобытнообщинное общество, средневековое общество, общество Нового времени, современное общество, общество эпохи Возрождения, Просвещения, Модерна, Постмодерна, а также более короткие периоды времени. В качестве территориальных границ общества выделяют границы древнегреческого города — государства (полиса), например, К. Поппер [54] к закрытому обществу относит древнюю Спарту, а к открытому обществу — древние Афины. В качестве границ общества рассматриваются, явно или неявно, территориальные границы национального государства, например, российское, американское, японское и т. д. общества. В этой связи отметим, что для эмпирической социологии изучение общества в границах национального государства (страны мира) является традиционным, поскольку только в рамках национального государства пока осуществляется регулярный сбор большого объема социальной статистической информации и проведение опросов общественного мнения. Европейское сообщество (ЕС), ООН, организации [55] проводящие международные опросы общественного мнения, обобщают статистические данные и данные опросов общественного мнения, полученных в рамках национальных государств (стран мира). В качестве территориальных границ используются также географические границы регионов мира, например, африканское общество, азиатское общество, европейское общество, и т. д., а также географические области внутри регионов мира, например, западноевропейское общество [56]. Для мир-системы И. Уоллерстайна [44] территориальными границами являются границы планеты Земля. Вопрос о территориальных географических границах общества важен еще и потому, что на функционирование общества оказывают влияние факторы природной окружающей среды, в частности, блоковое строение земной коры [57, 58], солнечная активность [59-61], геомагнитная активность [39, с. 144-150], особенности климата, наличие природных ресурсов и т. д. Для определения границ общества важным является вопрос о численности членов общества. Если за численность членов общества принимается численность народонаселения мира, то тогда речь может идти о мировом обществе или «мир-системе», которая возникла, по мнению И. Уоллерстайна [44], около 1500 г. Вопрос о границе минимальной чис-
78
Глава 2
ленности членов общества, достаточной для возникновения и существования общества, является трудным и дискуссионным. Так, например, П. А. Сорокин [62] полагал, что необходимо, как минимум, два взаимодействующих индивида, и тогда это будет простейший вид общества. Однако, с точки зрения социальной психологии, между двумя взаимодействующими индивидами могут возникнуть только межличностные, социально-психологические отношения, а не общественные отношения в их современном понимании. Имеющиеся исторические данные не позволяют точно определить численность жителей древнегреческого города-государства (полиса) в момент его возникновения, в границах которого Платон и Аристотель [цит. по: 2] рассматривали общество. Если в качестве минимального современного общества рассматривать самое минимальное в мире государство-город Ватикан, то тогда минимальный порог численности взаимодействующих индивидов, при котором возникает и существует общество, составит около 700 человек (количество человек, имеющих ватиканское гражданство в настоящее время). Если подходить к определению минимальной численности индивидов, достаточной для возникновения общества, с точки зрения математической статистики, сведя данную задачу к определению объема выборки, репрезентирующей бесконечную генеральную совокупность по какому—либо дихотомическому признаку с распределением долей 50 : 50, что соответствует максимальной дисперсии, то тогда с 99 % вероятностью минимальная численность индивидов, достаточная для возникновения общества, может составлять не менее 600 человек [63, с. 69]. Общая теория систем позволяет выдвинуть гипотезу о минимальной численности взаимосвязанных индивидов, поскольку в общей теории систем уже выявлена показательная функция между количеством элементов на различных уровнях иерархии системы, которая наблюдается как в природных [64], так и социальных системах [65] и соответствует критическим уровням развития систем, когда возникают новые свойства и отношения в системе. Если для решения поставленной задачи использовать ряд Фиббоначчи [30], который в общей теории систем отождествляется с критическими уровнями развития целостной системы, описывается показательной функцией, с начальным членом 2 (минимальная численность индивидов, необходимая для взаимодействия), то тогда фрагмент ряда Фиббоначчи будет выглядеть следующим образом: 2, 3, 5, 8,13, 21, 34, 55, 89,144,233, 377, 610, 987, 1597, 2584,... С точки зрения автора, которая основана на известных законах социальных систем [53], практике расчетов объема выборки для проведения опросов обществешюго мнения [66], численности граждан города-государства Ватикан, то можно выдвинуть гипотезу, согласно которой минимальная численность взаимодействующих индивидов, достаточная для возникновения общества, составляет не менее 610 человек.
Новые теории социальных систем
79
Для определения границ общества используют определенный набор свойств и отношений, общий для национальных государств, разнесенных в географическом пространстве. Например, в культурологии традиционно выделяют подсистемы, которые называют «Восток» и «Запад» или восточное общество и западное общества, имеющие различия в доминирующих свойствах и отношениях [67]. Для определения границ общества также используют стадии или состояния функционирования общества, которые характеризуются определенным набором свойств и отношений. Например, О. Конт выделял теологическое, метафизическое, позитивное общества В качестве стадий выделяют нормально функционирующее общество и общество, находящееся в кризисе, переходном периоде [68]. В качестве состояний выделяют также состояния войны или мира и т. д. В этой связи отметим, что при использовании в качестве границ только определенного набора свойств и отношений, а также стадий или состояний функционирования общества, здесь, в скрытом виде, также присутствуют определенные пространственно-временные границы общества и определенная численность членов данного общества. Предложенное определение понятия «общество» и конкретизация содержащихся в нем терминов, позволяют выдвигать новые плодотворные эмпирически проверяемые гипотезы и ставить перспективные теоретические, эмпирические и практические задачи в рамках компьютерной социологии, например, следующие. Исходя из вышеизложенных фактов, имеются основания полагать, что компьютерная система, описывающая общество, может состоять из многоуровневой геоинформационной гипертекстовой карты мира, изменяющейся в течение длительного периода времени; базы знаний, состоящей из известных свойств, отношений, законов и закономерностей, функционирующей в режиме обратной связи; иерархических множеств системных единиц с изменяемыми в процессе оптимизационного функционирования количеством системных единиц, их свойствами и отношениями. В какой мере признаки общества, используемые автором в данном определении и пояснения терминов, а также предварительный перечень компонентов возможной компьютерной системы, являются необходимыми и достаточными для разработки компьютерной системы? Для решения данных задач целесообразно воспользоваться разработанной А. Н. Чураковым [9] методологией Social Software Engineering (инженерия социологического программного обеспечения). Напомним, что методология Social Software Engineering представляет собой итеративную процедуру, когда происходит программирование компьютерной системы, затем проводятся эмпирические исследования и компьютерные эксперименты с использованием данной системы, по результатам которых изменяется компьютерная система и данный процесс продолжается до тех пор, пока не будут выявлены основные содержательные закономерности, т. е. программирование компьютерной системы выступает в качестве метода исследования. Разработшшая с помощью дан-
Глава 2
J30
ной методологии и адекватно функционирующая компьютерная система может быть и будет являться современным, социологическим компьютерным «определением» понятия «общество»? В заключение автор предлагает своеобразное воспоминание о будущем социологии. Основатель социологии О. Конт полагал, что социология является наукой об обществе в целом, однако, современная социология эмпирически изучает, преимущественно, не общество в целом, а отдельные аспекты общества. О. Конт [69, с. 8] также считал, что «основной характер позитивной философии выражается в признании всех явлений подчиненными неизменным, естественным законам, открытие и сведение числа которых до минимума и составляет цель всех наших усилий». Однако многие социологи, например Р. Коллинс [49], полагают, что современная теоретическая социология превратилась в специфический интеллектуальный дискурс, который далек от познавательной и практической функций научной дисциплины, поскольку в современной социологии произошел постмодернистский отказ от методологической программы О. Конта, в частности, отказ от эмпирического выявления законов общества. В целом, современная социология в значительной мере игнорирует цели и задачи, поставленные основоположником социологии, что, с точки зрения автора, препятствует плодотворному развитию социологии и снижает ее практическую значимость. Может быть социологическое компьютерное «определение» понятия «общество», основанное на общей теории систем и практически реализованное в действующей компьютерной системе с помощью средств компьютерной социологии, будет первым шагом на пути к будущей социологии, которая в полной мере реализует цели и задачи, поставленные основоположником социологии О. Контом?
Литература 1. ЛуманН. Понятие общества//Проблемы теоретической социологии. СПб., 1994. С. 25-54. 2. Давыдов Ю. Н. Определяя «общество»: от истории понятия к уточнению концептуальных границ // Электронный журнал «Социологический форум». Т. 1. № 1. http://www.sociology.ru/foruin/98. 3. Гидделс Э. Девять тезисов о будущем социологии // ТЕЗИС (теория и история экономических и социальных институтов и систем). М., 1993. № 1. С. 57—82. 4. Бороноев А. О., Смирнов П. И. О понятиях «общество» и «социальное» // Социол. исслед. 2003. № 8. С. 3-12. 5. Wallerstain I. Unthinking Social Science: The Limits of Nineteenth-Centure Paradigms. Cambridge: Polity Press, 1991. 6. Eurobarometer: Public Opinion in the European Union. Report № 56. 2001. 7. Jones S. CyberSociety: Computer-Mediated Communication and Community. L. Sage Publ., 1994.
Новые теории социальных систем
81
8. Ниттоп N. P., Fararo Т. J. The Emergence of Computational Sociology // The Journal of Mathematical Sociology. 1995. V. 20. № 2-3. P. 79-89. 9. Чураков А. Н. Методологические и методические проблемы разработки компьютерных систем в социологии. Автореф. канд. социол. наук. М.: МГИМО МИД РФ, 1998. 10. Осовский С. Нейронные сети для обработки информации. М.: Финансы и статистика, 2002. 11. Чураков А. Н. Информационное общество и эмпирическая социология // Социол. исслед. 1998. № 1.С. 35-44. 12. Давыдов А. А., Чураков А. Н. Модульный анализ и моделирование социума. М.: ИСАИ, 2000. 13. Клир Док. Наука о системах: новое измерение науки // Системные исследования. Ежегодник. М.: Наука, 1983. С. 61-85. 14. Bertalanffy L. von. General System Theory: Foundation, Development, Applications. London, 1971. 15. Богданов А. А. Всеобщая организационная наука. Т. 1-2. СПб, М., 1913-1917. 16. Блауберг И. В., Юдин Э. Г. Становление и сущность системного подхода. М.: Наука, 1973. 17. Садовский В. Н. Основы общей теории систем. М.: Наука, 1974. 18. Уемов А. И. Системный подход и общая теория систем. М.: Мысль, 1978. 19. ChecklandP. Systems Thinking, Systems Practice: A 30-Year Retrospective. N. Y.: John Wiley and Sons, 1999. 20. Прангишвили И. В. Системный подход и общесистемные закономерности. М.:СИНТЕГ, 2000. 21. Анализ систем на пороге XXI века: теория и практика. Материалы Международной конференции. Москва, 27-29 февраля 1996 г. Т. 1-4, М.: Интеллект, 1996. 22. Parsons Т. The Social System. N. Y: Freepress, 1951. 23. LuhmannN. Soziale Systeme: Grundris einer allgemeine Theorie. Frankfurt a. M., 1984. 24. Baily K. D. Sociology and the new systems theory: toward a theoretical synthesis. N. Y: New York Press, 1994. 25. Василькова В. В. Порядок и хаос в социальных системах. СПб.: Академия, 1999. 26. Тетушкин Е. Я. Хронология эволюционной истории человека // Журнал общей биологии. 2000. Т. 120. № 3. С. 227-240. 27. Генофонд и геногеография народонаселения / Под ред. Ю. Г. Рычкова. Т 1. Генофонд населения России и сопредельных стран. СПб.: Наука, 2000. 28. Мак-Фарленд Д. Поведение животных: Психобиология, этология и эволюция. М.: Мир, 1988. 29. Herstein R., Murrey Ch. The bell curve: Intelligence and class-structure in American life. N. Y: N. Y Publ., 1994. 30. Коробко В. И. Золотая пропорция: Некоторые философские проблемы гармонии. М.: АСВ, 2000.
82
Глава 2
31. Радюк М. С. О биологической сущности золотого сечения // Журнал общей биологии. 2001. Т. 62. № 5. С. 403^09. 32. Целостность социальных систем / Под ред. А. А. Давыдова, М.: ИСАИ, 1991. 33. Давыдов А. А. Константы в социальных системах//Вестник РАН. 1993. № 8. С. 733-736. 34. Мирошниченко Е. В. К соотношению биологического и социального в возрастном кризисе 20-24 года // Социально-политическая идентификация в условиях перестройки. М.: ИСАН, 1991. С. 65-71. 35. Алфимова Н. В., Трубников В. И. Психогене^ика агрессивности // Вопросы психологии. 2000. № 6. С. 97-105. 36. Siervogel R. M., Czerwinski S., TowneB. Heritability of Personality factors in healthy adults //Amer. J. Med. Genet. 2000. V. 96. № 4. P. 511. 37. Botkin J. R, McMahon W. M., Francis L. P. Genetics and criminality: The potencial misuse of scientific information in court. Washington: Am. Psychol. Assoc, 1999. 38. Арманд А. Д. Иерархия информационных структур мира // Вестник РАН. 2001. Т. 71. № 9. С. 797-806. 39. Давыдов А. А. Модульный анализ и конструирование социума. М.: ИСАН, 1994. 40. Давыдов А. А. Вейвлет-анализ социальных процессов // Социол. исслед. 2003. №11. С. 97-103. 41. DavidovA. Intermedity — Basic State of Social Systems?// Systems Research. 1993. V. 10. P. 81-84. 42. История теоретической социологии / Под ред. Ю. Н. Давыдова. М.: Наука, 1995-2002. Т. 1-5. 43. Davidov A. The Theory of Harmony of Proportions and Functions in Social Systems // Systems Research. 1992. V. 9. P. 19-25. 44. Wallerstein I. The Modern World System. V. 1-Ш. N. Y: Plenum Press, 1974-1989. 45. Human Development Report. 2002. N. Y., Oxford: Oxford University Press, 2002. 46. Давыдов А. А., ЧураковА. Н. О соотношении целого и большей части в социуме //Системные исследования. Ежегодник. 1998. Ч. 2, М.: УРСС, 2000. С. 44-53. 47. Фурсова П. В., Левин А. П., Алексеев В. Л. Экстремальные принципы в математической биологии//Успехи современной биологии. 2003. Т. 123. № 2 . С. 115-137. 48. Давыдов А. Математическая теория максимума и минимума для социологии // Тезисы Первого Всероссийского социологического конгресса «Социология и общество». СПб., 2000. С. 537. 49. Коллинз Р. Социология: наука или антинаука? // THESIS. 1994. № 4. С. 71-97. 50. Кацура А. В. Научное познание и системные закономерности // Системные исследования. Ежегодник. М.: Наука, 1985. С. 305-324. 51. Collins R. Theoretical Sociology. San Diego: Harcourt Brace Jovanovich, 1988. 52. Чураков А. Н. О специфике модальных групп в частотных распределениях // Социология 4М. 1999. № 1. С. 179-198. 53. Давыдов А. А. Системный подход в социологии: законы социальных систем. М.: УРСС, 2004.
Новые теории социальных систем
83
54. Popper К. R. The Open Society and Its Enemies. London. 1945. 55. http://www. Gallup Intemational.com. 56. Sorvkin P. Social and Cultural Dynamics. V. 1—4. N. Y.: American book company, 1934-1941. 57. Жидков М. П., Лихачева Э. А., Трифонов В. Г. Оценка положения городов относительно активных разломов на Русской равнине // Известия РАН. Серия Географическая. 1999. № 2. С. 51-57. 58. Гласко М. П., Ранцман Е. Я. Мелкоблоковая структура земной коры Московского морфоструктурного узла и ее последствия // Известия РАН. Серия Географическая. 2000. № 5. С. 31^40. 59. Биофизика. 1992. Т. 37 №№ 3, 4. 60. Биофизика. 1995. Т. 40 №№ 4, 5. 61. Биофизика. 1998. Т. 43 №№> 4, 5. 62. Сорокин П. А. Система социологии. М., 1993. Т. 1. 63. Зайцев Г. Н. Методика биометрических расчетов. М.: Наука, 1973. 64. Жирмунский А. В., Кузьмин В. И. Критические уровни развития природных систем. Л.: Наука, 1990. 65. Давыдов А. А. Убывающие числовые последовательности в социологии: факты, объяснения, прогнозы // Социол. исслед. 2001. № 7. С. 113-119. 66. Давыдов А. А. Объем выборки // Социол. исслед. 1988. № 6. С. 83-90. 67. Кирдина С. Г. Институциональные матрицы и развитие России. М.: ТЕИС, 2000. 68. Давыдов А. А. Социальная информатика: переходные периоды в социальных системах // Системные исследования. Ежегодник. М.: Наука, 1997. С. 123-130. 69. Конт О. Курс положительной философии. СПб.: Посредник, 1899-1900. Т. 1.
§ 2. Теория социологических алгоритмов Одной из центральных задач computational sociology (компыотационной социологии) — вычислительной или компьютерной социологии [1] (см. раздел данной книги «Computational Sociology»), является выявление и анализ социологических алгоритмов и их использование в компьютерных алгоритмах для построения компьютерных моделей социальных явлений и процессов [2]. Неформально, алгоритм — это точное предписание, которое задает последовательность преобразования исходных данных в конечный результат. Более строгое определение алгоритма с использованием машины Тьюринга заинтересованный читатель может найти в [3]. В настоящее время в компыотационной социологии используют три класса компьютерных алгоритмов. Первый класс — компьютерные алгоритмы, основанные на положениях классических и компьютационных социологических теорий [цит. по: 1], которые выражены в одной или нескольких математических формулах и (или) логических высказываниях типа «если, то».
J34
Глава 2
Примерами компьютерных алгоритмов данного класса являются модульная теория социума (МТС) [4, 5], разработанная автором и реализованная А. Н. Чураковым [5] в компьютерной экспертно-диагпостической системе МАКС, реализованные в компьютерных алгоритмах некоторые положения теории символического интеракционизма [6], солидарности Э. Дюркгейма [7], коммуникативного действия Н. Думала [8], социокультурной эволюции [9], эволюции культуры [10], доверия и сотрудничества [11], кооперации и соревнования [12], формирования ответов респондентов в опросах общественного мнения [13] и т. д. Поскольку многие положения классических социологических теорий не предназначены для использования в компьютерных алгоритмах, некоторые положения классических социологических теорий не соответствуют действительности и являются социологическими мифами [них по: 1], а многочисленные эмпирические социологические исследования, по мнению Д. Хайса [2] и автора данной статьи, не в полной мере отвечают требованиям computer oriented research (компьютерно ориентированного исследования), то в компыотационной социологии активно используют компьютерные алгоритмы из других научных дисциплин. Второй класс компьютерных алгоритмов — алгоритмы, которые заимствованы компьютациошюй социологией из других научных дисциплин. Например, алгоритмы, заимствованные из Neurocomputer Science (пейрокомпьютерной науки) — генетические алгоритмы, эволюционные алгоритмы, алгоритмы эволюционных стратегий [14, 15], алгоритмы генетического программирования [16—18], алгоритмы Soft Computing («мягких» вычислений) [19—26] и множество других алгоритмов [27, 28]; алгоритмы, заимствованные из Cognitive Science (когнитивной науки), в частности, алгоритмы Artificial Intelligence (искусственного интеллекта) [29, 30] и экспертных систем [31]; используются алгоритмы из теории игр [32], алгоритмы, заимствованные из Computer Science (компьютерной науки) [33, 34] — детерминированные и вероятностные алгоритмы, последовательные и параллельные алгоритмы, многоуровневые алгоритмы, комбинаторные, оптимизационные и другие алгоритмы. Третий класс компьютерных алгоритмов — гибридные алгоритмы, которые включают в себя некоторые положения классических социологических теорий, социологических компьютационных теорий и алгоритмы из других научных дисциплин. В рамках данного класса в последние годы развиваются концепции Social Computing (социальное «вычисление») [35] и Social Programming (социальное программирование) [36], которые основаны на системах программирования SWARM[37], Moduleco [38], MIMOSA [39], CORMAS [40], Repast [41], LSD [42], Ascape [43], MadKit [44], SDML [45] и т. д. В связи с широким использованием в компыотационной социологии компьютерных алгоритмов из различных научных дисциплин и ведущимися научными дискуссиям [46-52] об адекватности различных компью-
Новые теории социальных систем
85
терных алгоритмов социальным явлениям и процессам, назрела настоятельная потребность в обобщении имеющегося практического опыта и разработки теории социологических алгоритмов, которую можно было бы использовать для адекватного выбора или программирования компьютерных алгоритмов. В данной статье представлена разработанная автором теория социологических алгоритмов.
Основы теории социологических алгоритмов С точки зрения теории алгоритмов [53] и системного представления об обществе [54], социологические алгоритмы обеспечивают быстроту, надежность, простоту и предсказуемость решения социальных задач индивидами, группами индивидов, государствами, группами государств, мировым сообществом. Дадим определения социологического алгоритма, его свойств и классов. Это необходимо сделать потому, что по сравнению с определением алгоритма и его свойств в теории алгоритмов [53, с. 270] и в практике программирования [33, с. 31], социологический алгоритм имеет некоторые новые содержательные свойства. Определение 1. Социологический алгоритм — это однозначно определенная совокупность предписаний (конечная последовательность точно определенных действий), приводящих к достижению результата (решению поставленной социальной задачи). В этой связи необходимо подчеркнуть, что в отличие от теории алгоритмов, где все предписания подразумеваются элементарными, т. е. при их выполнении «нам придется только механически следовать предписаниям, как если бы мы были роботами: от нас не требуется ни понимания, ни искусства, ни изобретательности» [53, с. 270], социологический алгоритм — более общее понятие, которое включает в себя, как частный случай, понятие алгоритма из теории алгоритмов. С точки зрения системного представления об обществе [54], предписания могут зависеть от активности индивида, взаимодействия всех индивидов, частей и уровней социальной системы, влияния других социальных систем и окружающей среды, а также прошлого состояния социальной системы и ожидаемого будущего. Определение 2. Социологический алгоритм описывается семью параметрами: 1) совокупность возможных исходных данных, 2) совокупность возможных результатов, 3) совокупность возможных промежуточных результатов, 4) правило начала, 5) правило непосредственной переработки, 6) правило окончания, 7) правило извлечения результата. Из определений 1-2 вытекает, что социологический алгоритм — это общее понятие, которое лежит в основе многих теоретических понятий, используемых в социологии, например, правила поведения, стратегия, план, стереотипное поведение, рутинная практика, программа действий,
86
Глава 2
проект, образ жизни, сценарий развития, жизненный путь, модель ожидаемого будущего, управление, социальная технология, методология, методика, процедура и т. д. С точки зрения общей социологической теории «социальных фрагментов» [55] каждый социологический алгоритм является «социальным фрагментом» и основан на одном или нескольких содержательных принципах. Например, генетические алгоритмы, эволюционные алгоритмы, алгоритмы эволюционных стратегий [14, 15], основаны на принципах теории эволюции Ч. Дарвина, а именно «выживает наиболее приспособленный», «победитель получает все». Многочисленные эмпирические исследования [56] показывают, что данные биологические эволюционные принципы хорошо имитируют многие социальные процессы в экономике, политике, культуре, демографии и т. д. Определение 3. Основной социологический алгоритм — алгоритм, в котором есть предписание вызова вспомогательного социологического алгоритма. Соответственно, вспомогательный социологический алгоритм — алгоритм, выполнение которого задается путем вызова его из другого социологического алгоритма, основного по отношению к вызываемому. Например, жизнь индивида или общества от момента рождения до момента естественной смерти можно интерпретировать как основной социологический алгоритм, а алгоритмы, которые используют индивид или общество для решения различных социальных задач в течение жизни (жизненного пути), можно рассматривать как вспомогательные алгоритмы. Определение 4. Если социологический алгоритм приводит к безрезультатной остановке или не заканчивается вовсе, является недопустимым с точки зрения различных социальных и природных ограничений, то такой алгоритм будем называть неприменимым к исходным данным. Определение 5. Массовый социологический алгоритм — это алгоритм, который позволяет решать, в пределе, бесконечное число однотипных социальных задач, а также частота использования алгоритма, количество индивидов, групп индивидов, государств, которые используют данный алгоритм, длительность использования данного алгоритма. В этой связи отметим, что формирование и закрепление массового социологического алгоритма в обществе может быть реализовано с помощью различных алгоритмов. Например, в результате неоднократного решения индивидом, группой индивидов, государством однотипных социальных задач происходит естественная селекция алгоритмов, селекция может осуществляться в результате положительных подкреплений и наказаний при научении, копировании алгоритмов в процессе социализации, сформированного на основе чужих ошибок запрете на использование неприменимых алгоритмов и т. д.
Новые теории социальных систем
87
Определение 6. Сложность социологического алгоритма — время работы алгоритма, количество и сложность промежуточных действий, трудность использования алгоритма в практике, в частности, трудность реализации социологического алгоритма в компьютерный алгоритм. Определение 7. Эффективный социологический алгоритм — это алгоритм, который обеспечивает достижение результата (решение социальной задачи) при минимуме времени, финансовых, людских, организационных затрат, минимуме количества и сложности промежуточных действий, минимизации побочных негативных эффектов и т. д. В этой связи отметим, что массовый социологический алгоритм не обязательно может быть эффективным. Так, например, известен принцип ограниченной рациональности [57], согласно которому в силу ограниченности знаний, времени и т. д. люди наиболее часто выбирают не эффективный алгоритм решения сложных организационных проблем, а только удовлетворительный. Определение 8. Полезный социологический алгоритм — это алгоритм, реализация которого приносит пользу индивиду, группе индивидов, организации, государству, мировому сообществу. Мера полезности социологического алгоритма — количество индивидов, которым реализация данного алгоритма принесла экономическую, политическую, духов1гую и иную пользу, сохранила здоровье и жизнь. Автор понимает полезность социологического алгоритма в широком смысле, который включает в себя теории полезности, гедонизма [цит. по: 58], различные социально-философские концепции всеобщего Блага из различных социальных утопий, принципы «Декларации тысячелетия» ООН [59], Свобода, Равенство, Солидарность, Терпимость, Уважение к природе, Общая обязанность, конкретные цели программы ООН Millenium Development Goals (цели тысячелетия для развития человечества) [60] и т. д. Соответственно, вредный социологический алгоритм — это алгоритм, реализация которого приносит вред (ущерб) индивиду, группе индивидов, организации, государству, мировому сообществу. Мера вреда социологического алгоритма — количество индивидов, которым реализация данного алгоритма принесла экономический, правовой, нравственный и иной вред (ущерб), привела к потере здоровья или смерти индивидов. Автор понимает вред социологического алгоритма также в широком смысле, который включает в себя понятие стресса в концепции Селье [61], понятие риска в концепции общества риска У Бека [62] и т. д. Исходя из определений 2-8 можно выделить различные классы социологических алгоритмов, выделяя соответствующие сочетания подмножеств возможных исходных данных, результатов, правил начала, непосредственной переработки и т. д. Например, если исходить из выделения правил непосредственной переработки, которые в Computer Science (компьютерной науке) называют computing («вычисление») [33] и практики использования
88
Глава 2
компьютерных алгоритмов в компьютационной социологии [1], то тогда можно выделить различные классы алгоритмов, основанных на соответствующих «вычислениях». Например, Digital Computing (числовые вычисления), Symbolic Computing (символьные вычисления) [63], Neuro Computing (нейровычисления) [64, 65], Soft Computing («мягкие» вычисления) [19-26, 30], Affective Computing (эмоциональные вычисления) [66], Context Computing (контекстуальные вычисления) [67], Quantum Computing (квантовые вычисления) [68-70], Deep Computing («глубокие» вычисления) [71], Parallel Computing [72] (параллельные вычисления) и т. д. Автор не будет рассматривать анализ алгоритмов так, как это принято в Computer Science (компьютерной пауке) [33], а кратко рассмотрит некоторые классы алгоритмов поведения индивида, группы индивидов, организаций, государства, группы государств, обращая внимание только на содержательные принципы, которые лежат в основе данных классов алгоритмов и выдвинет ряд количественных гипотез о соотношении различных классов алгоритмов в жизнедеятельности индивидов и общества. Класс явных социологических алгоритмов — закрепленные в нормах юридического права, заповедях религии, обычаях, обрядах, ритуалах, традициях, рутинных практиках и т. д. общеизвестные предписания по достижению результата при решении социальных задач. В целом, можно сказать, что явные алгоритмы целенаправленно разработаны людьми, которые их знают и могут их использовать или используют в практической деятельности. Несмотря на то, что явные социологические алгоритмы многочисленны, их постоянно используют индивиды, группы индивидов, государства и мировое сообщество, для социологии они обычно мало интересны в силу их очевидности. Класс латентных социологических алгоритмов — алгоритмы, которые неизвестны и (или) слабо поддаются управленческим воздействиям людей. Примером алгоритма из данного класса является социокультурный алгоритм, предложенный Дж. Клювером и Дж. Шмидтом [9], который основан на переходе социальных систем от одного аттрактора (притягивающего режима функционирования), к другому аттрактору. Автор, на основе модульной теории социума (МТС) [4], которая реализована в компьютерной экспертно-диагностической системе МАКС (версия 3.1) [5] и вейвлетанализе [73] различных социальных процессов эмпирически выявил некоторые алгоритмы детерминированного хаоса при переходе социальных систем между пороговыми режимами функционирования. Из теории и практики управления организациями и государствами известно, что реинжениринг [74] организации или быстрые реформы в обществе (алгоритм «скачка») сначала неизбежно приводят к ухудшению эффективности функционирования социальной системы, а только затем приводят к увеличению эффективности. Имеются основания предполагать, что латентные
Новые теории социальных систем
89
социологические алгоритмы имеются или реализуются в любой социальной системе. Данное предположение хорошо объясняет многие факты развития цивилизаций, отмеченные Тойнби [75], положение теории общества риска У Бека [62], согласно которому общество неизбежно генерирует риски, возникновение военных и иных конфликтов, наличие преступности, самоубийств и других негативных явлений, присутствующих на всем протяжении существования человеческой цивилизации, модель революций и контрреволюций в истории России А. Янова [76], представления Р. В. Рывкиной [77] о постсоветском государстве как генераторе конфликтов, ставшее крылатым выражение В. С. Черномырдина «хотели как лучше, а получилось как всегда» и т. д. В целом, можно сказать, что латентные алгоритмы действуют относительно независимо от целенаправленной и сознательной деятельности людей. В этой связи отметим, что для социологии наибольший интерес представляют именно латентные алгоритмы, поэтому рассмотрим их более подробно. Латентные алгоритмы могут быть изначально заданными или возникать при сочетании определенных условий. Изначально заданные латентные социологические алгоритмы напоминают «мину замедленного действия», начало реализации которых начинается в заранее заданный момент времени. Например, если встать на точку зрения Тойнби [75], Шпенглера [78], и многих других авторов, а также использовать принцип стадиальности развития систем, принятый в общей теории систем [79], согласно которому каждая система в своем развитии последовательно проходит стадии (фазы), которые образно называют «рождение», «детство», «зрелость», «старость», «смерть», то тогда можно предположить, что в любой социальной системе существует изначально заданный латентный алгоритм самоуничтожения. Например, известно [80], что для большинства экономических организаций продолжительность жизни меньше 20 лет. Примером действия латентного социологического алгоритма при сочетании определенных условий могут являться некоторые положения теории солидарности Э. Дюркгейма [цит. по: 7], согласно которым интенсивное сфокусированное взаимодействие порождает моральную солидарность и неизбежно приводит к подчиненности групповым символам, предельным случаем которой является конформизм — бездумное следование групповым нормам. Краткое рассмотрение классов явных и латентных социологических алгоритмов позволяет сделать небольшое промежуточное заключение. Автор разделяет мнение Дж. Тернера [81, с. 125] который отмечал следующее: «хотя социологические трактаты всегда учены, переполнены длинными примечаниями и подходящими цитатами, у меня остается впечатление, что они часто подменяют теоретическую деятельность. Они вовлекают теорию в круг неразрешимых философских проблем и легко превращаются в схоластические трактаты, теряющие из виду цель всякой
90
Глава 2
теории: объяснять, как работает социальный мир». Теория социологических алгоритмов дает однозначный ответ — социальный мир работает алгоритмически. На основе модульной теории социума (МТС) [4, 5] можно выдвинуть гипотезу, согласно которой доля явных социологических алгоритмов в обществе составляет примерно 76 %, а примерно 24 % приходится на долю латентных социологических алгоритмов. С точки зрения МТС, данное соотношение долей соответствует режиму баланса функций развития и сохранения общества. Так ли это на самом деле — перспективная исследовательская эмпирическая задача в рамках теории социологических алгоритмов. Класс индивидуальных алгоритмов — алгоритмы которые использует индивид для решения своих индивидуальных задач в обществе. Опыт показывает, что индивид может использовать множество различных индивидуальных алгоритмов, исходя из особенностей класса задач, своих анатомических, физиологических, психологических и иных свойств, знаний, умений и навыков, приобретенных в результате социализации, социальных возможностей, обусловленных местом индивида в социальной структуре общества, культурными особенностями конкретного общества и т. д. Кроме того, индивид может параллельно реализовывать несколько алгоритмов. Приведем несколько примеров индивидуальных алгоритмов. Индивид может использовать алгоритм сложения чисел столбиком, алгоритмы полного перебора вариантов, алгоритм «хаотических проб» некоторых вариантов, алгоритмы сортировки вариантов по их значимости или похожести, алгоритм цикла при возвращении к привычному образу жизни, любимым занятиям, кулинарным блюдам, напиткам и т. д. В индивидуальных видах спорта массовым алгоритмом является алгоритм, основанный на принципах индивидуализма, а именно, «каждый против каждого», «побеждает сильнейший», «победитель получает все», «быть лучше всех» и т. д. К индивидуальным алгоритмам относятся алгоритмы, основанные на принципах эгоизма или альтруизма. Не все индивидуальные алгоритмы могут осознаваться индивидом. Например, известны так называемые «люди — счетчики» [82, с. 22], которые способны в уме на бессознательном уровне быстро совершать арифметические операции с большими числами. Предполагается, что в этом случае индивиды могут использовать квантовые алгоритмы [82], примером которого является алгоритм Гровера [цит. по: 68]. На основе психологических теорий потребностей [58], имеющихся экспериментальных данных [58] и модульной теории социума (МТС) [4, 5] можно выдвинуть гипотезу, согласно которой доля индивидуальных алгоритмов в жизни человека, основанных на принципе сохранения составляет 61,8 %, а доля индивидуальных алгоритмов, основанных па принципе развития составляет 38,2 %. С точки зрения МТС [4, 5], данное соотношение долей соответствует свойству целостности системы. Так ли это на самом деле — перепек-
Новые теории социальных систем
91
тивная исследовательская эмпирическая задача в рамках теории социологических алгоритмов. Класс групповых алгоритмов — алгоритмы, которые используют группы индивидов для решения групповых задач. Закрепленные в нормах юридического права процедуры проведения различных голосований, выборов, референдумов и т. д., а также юридически закрепленный принцип «большинства» при принятии группового решения — пример явных групповых социологических алгоритмов. В командных видах спорта массовым групповым социологическим алгоритмом является алгоритм, основанный на принципах коллективизма, а именно, «один за всех и все за одного», «побеждают (проигрывают) все», «все получают поровну», «быть как все». Пример группового массового латентного алгоритма — самоорганизующееся образование иерархических властных структур в любых группах индивидов, организаций, государств. Класс национальных алгоритмов — это однозначно определенная конкретным обществом (культурой, юридическим правом, традициями и т. д.) совокупность предписаний по преобразованию исходных данных в результат. Так, например, эмпирические исследования [пит. по: 58, с. 671, 672], проведенные в рамках теории каузальной атрибуции, показывают, что в Греции и Японии алгоритмы успешной деятельности основываются на принципе терпения, в Индии — на принципах тактичности и сплоченности, в Южной Африке — на принципах старания и академических знаний. Многочисленные исследования, например [83—86], показывают, что для российского государства массовым алгоритмом являлся алгоритм, основанный на принципе «государство важнее индивида», т. е. экономический, индустриальный и военный рост России всегда имел приоритет над правами и свободами граждан России, а граждане России относились к государству патерналистически. При этом массовым алгоритмом государственного управления являлся авторитарный алгоритм решения задач общества. Массовым социологическим алгоритмом поведения россиян на протяжении длительного периода времени являлся алгоритм, основанный на принципе коллективизма («один за всех и все за одного», «побеждают (проигрывают) все», «все получают поровну», «быть как все» и т. д. Среди российских социологических алгоритмов выделим также массовый алгоритм решения социальных задач индивидами, группами индивидов, государством, который основан на принципе силы: «кто сильнее, тот и прав», а также массовые алгоритмы, основанные па вере в другого человека, в общество, в идеал [85, с. 8]. Российским алгоритмом успеха являлся алгоритм, основанный на принципах везения, родственных и дружеских связей, «не подмажешь, не поедешь» и т. д. Большое количество примеров массовых житейских российских социологических алгоритмов дают поговорки и пословицы русского народа [87, 88]. В целом, имеются основания
92
Глава 2
полагать, что массовым российским социологическим алгоритмом, для большинства решения социальных задач, является алгоритм, который основан на принципах сохранения, принципе «пока гром не грянет, мужик не перекрестится» и который можно классифицировать, как пассивный адаптивный алгоритм [27]. Также имеются основания [86] полагать, что данный массовый социологический российский алгоритм относится к классу латентных социологических алгоритмов. Класс государственных алгоритмов — алгоритмы которые использует государство для решения задач общества. Наблюдения показывают, что массовым государственным социологическим алгоритмом является следующий алгоритм. Совокупность возможных исходных данных выражается в различных качественных и количественных показателях, в частности, данных официальной и ведомственной статистики, результатах опросов экспертов, общественного мнения и т. д. Правило непосредственной переработки — увеличивать или не уменьшать значения показателей, имеющих позитивное значение для общества и уменьшать или не увеличивать значения показателей, имеющих негативное значение для общества. Значения каких показателей увеличивать, а каких уменьшать, на сколько увеличивать (уменьшать) и с помощью каких управленческих алгоритмов, зависит от места государства в иерархии стран мира [89, с. 133-147], факторов окружающей среды, в частности, наличия природных ресурсов, геополитических факторов, социокультурных факторов, экономической, политической, демографической и т. д. ситуации в государстве. Правило извлечения результата — сбор статистических данных национальной статистической службой и ведомствами, проведение опросов экспертов, опросов общественного мнения и т. д. Менее массовым социологическим государственным алгоритмом является алгоритм «скачка», когда происходит резкое и быстрое изменение общества, например, в результате революции, социально-экономических реформ и т. д. Класс вероятностных алгоритмов основан на принципе вероятности достижения результата, вероятностном использовании промежуточных действий, вероятностном характере исходных данных. Автор [90], изучая продолжительность военных периодов в истории России установил, что здесь может иметь место реализация вероятностного алгоритма. Вероятностные алгоритмы используются в «нейронных» сетях [27, 28], системах Artificial Intelligence (искусственного интеллекта) [29, 30], экспертных системах [31]. Известными алгоритмами данного класса являются алгоритмы Soft Computing («мягкого» вычисления) [19—25], которые используются в «нейронных» сетях [20—22]. Класс самоорганизующихся алгоритмов характеризуется тем, что алгоритм заранее не задал, а образуется в результате решения задачи. Некоторые самоорганизующиеся алгоритмы основаны на системном принципе эквифи-
Новые теории социальных систем
93
нальности [79], согласно которому независимо от начального состояния и промежуточных действий достигается решение поставленной задачи. Например, известна римская пословица (предписание) «Все дороги ведут в Рим». Многие россияне из провинции действуют по такому же предписанию, когда приезжают в Москву, чтобы максимально полно удовлетворить свои потребности и достичь успеха в жизни. В некоторых самоорганизую1цихся алгоритмах конечный результат может быть изначально не задан, а формироваться в результате действия алгоритма, например, с помощью вспомогательных алгоритмов полного перебора возможных вариантов, «хаотических» проб, сортировки вариантов по их значимости и т. д. Данные самоорганизующиеся алгоритмы индивиды используют для поиска смысла жизни, своего предназначения в мире и т. д., государства используют данный алгоритм дня поиска своей роли в мировом сообществе и т. д. Имитационным аналогом самоорганизующихся социологических алгоритмов является компьютерный алгоритм самоорганизующихся карт SOM Кохонена [27], использующийся в «нейронных сетях», алгоритмы автоматического конструирования «нейронных» сетей [91], алгоритмы генетического программирования [16-18], алгоритмы Artificial Intelligence (искусственного интеллекта) [29,30]. Класс управленческих социологических алгоритмов. В управленческой практике используют различные алгоритмы управления [74, 92, 93]. Например, алгоритмы системного управления, основанные на принципе системности («все и сразу»), в частности, Total Quality Management (тотальное управление качеством), «реинженирипг» (изменение организации «скачком»). В этой связи отметим, что на начальном этапе «реинжениринга» неизбежно резко падают производственные и экономические показатели организации, существенно снижается «качество трудовой жизни» персонала, однако затем, показатели эффективности организации резко возрастают. Алгоритм «серебряной пули», когда происходит точечное и локальное изменение какого-либо одного аспекта (технологического, экономического, организационного, социального) в организации. Алгоритм кайзен [цит. по: 94, с. 25] — непрерывные постепенные улучшения, алгоритм целевого управления, который основан па принципах детальной предварительной постановки целей, алгоритм Харта [92], который в большей степени ориентирован на процесс, а не на предварительную постановку целей и организационных, экономических, социально-психологических мероприятий, эволюционные алгоритмы, алгоритмы «скачка» и т. д. Многие из данных управленческих алгоритмов реализованы в компьютерных алгоритмах систем DSS (поддержки принятия управленческих решений) [95]. В теории алгоритмов [96] выделяют неразрешимые алгоритмические проблемы, под которыми понимают проблемы, в которых не существует алгоритм для решения бесконечной серии однотипных единичных задач. Установление алгоритмической неразрешимости проблемы показывает,
94
Глава 2
что доя решения задач из данного класса требуются алгоритмы, специфичные для каждой задачи. Практика показывает, что, в большинстве случаев, проблемы, стоящие перед индивидом, группой индивидов, организацией, государством, являются неразрешимыми алгоритмическими проблемами, поскольку разные индивиды, организации, государства используют разные массовые социологические алгоритмы для получения одного и того же результата. Компьютерные эксперименты с клеточными автоматами [97] в которых использовались различные алгоритмы социальных взаимодействий и имитировалось возникновение социальных структур, также показывают, что многие социальные проблемы являются неразрешимыми алгоритмическими проблемами. Исторические данные показывают, что в человеческом обществе всегда наблюдались случаи нарушения законов (преступность), самоубийства, младенческая смертность до одного года. История также показывает, что, например, с преступностью боролись с помощью различных управленческих алгоритмов, однако пока не наблюдалось случая, чтобы число зарегистрированных преступлений в какой-либо стране мира на протяжении одного года равнялось бы нулю. Значит ли это, что не существует управленческий социологический алгоритм снижения до пуля числа зарегистрированных преступлений на уровне общества в целом в течение одного года? Или такой алгоритм существует, но он неизвестен или неприменим по каким-либо ограничениям. Поскольку пока никто конструктивно не доказал и не опроверг возможность существования соответствующего социологического управленческого алгоритма, то не исключено, что данная и, аналогичные ей проблемы, являются неразрешимыми в смысле теоремы Геделя [цит. по: 53], т. е. гипотеза о существовании данного социологического управленческого алгоритма может быть верна, но недоказуема в рамках существующего социологического знания. В этой связи отметим, что если использовать известные компьютерные алгоритмы, например, обучения «нейронных» сетей, то легко решить задачу существования данного компьютерного алгоритма, однако, очевидно, что это будет только формальным компьютерным решением, слабо связанным с реальной управленческой практикой. Одной из главных задач теории социологических алгоритмов является сравнение алгоритмов по их эффективности. Для решения данной задачи можно использовать исторические данные, управленческую практику, специальные эксперименты, теорию алгоритмов, перевод социологических алгоритмов в компьютерные алгоритмы и проведение имитационных экспериментов. На практике, сравнение эффективности социологических алгоритмов обычно осуществляется на конкретной задаче из определенного класса социальных задач на основе опыта или компьютерного имитационного моделирования. Кратко рассмотрим результаты сравнения некоторых классов алгоритмов по их эффективности на основе опыта решения
Новые теории социальных систем
95
задачи увеличения значения различных социальных, политических, экономических, технологических, демографических и других показателей в глобальной международной программе ООН Millenium Development Goals (цели тысячелетия для развития человечества) [60], в которой участвуют государства — члены ООН. Напомним, что в данной программе одним из основных показателей является Human Development Index (индекс человеческого развития). Опыт реализации данной программы показывает, что Норвегия, Швеция, Канада, Бельгия, Австралия, США, Исландия, Голландия, Япония и Финляндия, имеющие наиболее высокие значения Human Development Index в 2000-2002 гг., использовали классы социологических алгоритмов, основанных на следующих принципах: системности, развития, «государство и индивид важны в равной мере», демократии, самоорганизации, эволюции культуры. Напротив, Чад, Гвинея-Бисау, Эфиопия, Буркина Фассо, Мозамбик, Бурунди, Нигер и Сьерра Леоне, занимающие последние места в мире по значению Human Development Index, использовали классы алгоритмов, основанных на других принципах: алгоритм «серебряной» пули, пассивной адаптации, сохранения, «государство важнее индивида», биологической эволюции, авторитаризме. В этой связи отметим, что по значению Human Development Index в 2000-2002 гг. Россия занимала 60-е место в мире, в значительной мере, с точки зрения автора, потому, что массовым российским социологическим алгоритмом является пассивный адаптивный алгоритм, основанный на принципах сохранения. Приведенный пример сравнения эффективности социологических алгоритмов показывает, что между классами социологических алгоритмов существует когерентность (согласованность) [55], частным случаем которой является комплементарность. В целом, теория алгоритмов [96] и многочисленные компьютерные имитационные эксперименты показывают, что эффективный социологический алгоритм — это комбинация различных алгоритмов и их параллельное функционирование. Яркими примерами здесь являются комбинация алгоритмов, основанных на Neuro Computing (нейровычислениях) и Soft Computing («мягких» вычислениях), реализованных в «нейронных» сетях [19-22, 26], комбинация SWARM алгоритмов и картезианских генетических алгоритмов в Social Programming (социальном программировании) [36], комбинация Digital Computing (числовых вычислений), Symbolic Computing (символьных вычислений), Context Computing (контекстуальных вычислений) и иных «вычислений» в системах Artificial Social Intelligence (искусственный социальный интеллект) [цит. по: 1]. Рассмотрим теперь возможности теории социологических алгоритмов для решения некоторых задач. В социологии существует проблема описания Homo sociologicus (человека социологического) [98] и его отличий от Homo economicus (человека экономического) [99], Homo politicus
96
Глава 2
(человека политического) и т. д. По существу, здесь речь идет о различии массовых алгоритмов решения индивидами различных классов социальных задач. Эмпирическое решение данной проблемы затруднено тем, что в различных обществах в разные периоды времени классы задач могут быть весьма различными, например, в период социально-экономического кризиса и стабильного состояния общества, в состоянии войны или мира, классы задач для удовлетворения разнообразных потребностей индивида могут быть разнообразными, а индивиды неодинаковы по полу, возрасту, социальному положению и другим признакам, они могут параллельно реализовывать несколько различных алгоритмов. Поэтому для решения различных задач разными индивидами в разных социальных ситуациях (работа, семья, досуг и т. д.) требуются различные алгоритмы. Кроме того, индивид может осуществлять сознательный или бессознательный выбор алгоритма, исходя из объективных или субъективных представлений об эффективности данного алгоритма. Для выявления массовых алгоритмов Homo sociologicus автор проанализировал известные теории мотивации и деятельности [58], теории коллективного поведения [100], теории организационного поведения [101], электорального поведения [102], теории поведения потребителей [103], теории принятия решений [104] и т. д. На основе проведенного анализа, а также рассмотренных выше классов явных и латентных социологических алгоритмов общества, можно выдвинуть следующий тезис. Тезис. При решении большинства задач Homo sociologicus (человек социологический) действует как алгоритмически устроенный человек, реализующий простые детерминистские алгоритмы, основанные на принципе оптимальной экстремальности, в алгоритмически устроенном обществе. Принцип оптимальной экстремальности выражается в том, что происходит не абсолютная максимизация значений положительных для индивида показателей (эмоции, чувства, смыслы, материальные и духовные продукты и т. д.) и минимизации значений отрицательных показателей, а только оптимальная экстремальность в пределах объективно существующих или, воображаемых индивидом, ограничений. Возможно, читатель не согласится с таким, якобы переалгоритмизированным, представлением о Homo sociologicus, однако экспериментальные данные — главный аргумент истины в науке, показывают, что даже при решении творческих задач с помощью интуиции, индивиды используют определенные субъективные алгоритмы [105]. Кроме того, опыт показывает, что индивиды действительно редко действуют по принципу «пойди туда, не знаю куда, принеси то, не знаю что», кроме того, не все алгоритмы своего поведения индивид может осознавать. В этой связи автор считает нужным сделать необходимое уточнение. Р. Пенроуз [106]
Новые теории социальных систем
97
приводит убедительные аргументы в пользу тезиса, что сознание индивида нельзя описать алгоритмически, однако он основывается на понятии алгоритма из теории алгоритмов, которое, как было отмечено в пояснении к определению 1, является только частным случаем социологических алгоритмов. На основе проведенного анализа, а также на основе модульной теории социума (МТС) [4, 5] можно выдвинуть гипотезу, что доля неалгоритмизированных задач в жизни Homo sociologicus может составлять всего около 6 %. С учетом гипотез, выдвинутых выше при рассмотрении класса индивидуальных алгоритмов, можно предположить, что доля индивидуальных адаптивных алгоритмов в жизнедеятельности Homo sociologicus, основанных на принципе сохранения, составляет 61,8 %, а доля индивидуальных самоорганизующихся алгоритмов, осповшшых на принципе развития, составляет 38,2 %. Так ли это на самом деле — перспективная исследовательская эмпирическая задача в рамках теории социологических алгоритмов. В теории социологических алгоритмов важную роль играет понятие основного социологического алгоритма (См. определение 3). На основе рассмотрения в данной статье некоторых классов социологических алгоритмов, можно полагать, что основной социологический алгоритм основан на системном синтезе гуманитарной, естественно-научной и математической парадигм в социологии [107] и системном представлении об обществе [54], представляя собой комбинацию и параллельное многоуровневое функционирование вспомогательных алгоритмов сохранения и развития, индивидуальных и коллективных алгоритмов, где основным правилом переработки исходных данных в результат является контекстуальное (зависимое от других людей, организаций, норм, символов и т. д.) полезное и оптимальное «вычисление», где «вычислительные» операции зависят от содержательных свойств исходных данных и результата, психологических и социальных характеристик субъектов, производящих «вычисления» и происходит «запоминание» эффективных алгоритмов. Данное «вычисление» автор обозначил как Sociological Computing (социологическое «вычисление»), которое включает в себя, как частные случаи, различные классы «вычислений», использующиеся в социологических компьютерных алгоритмах, которые были рассмотрены выше. В этой связи отметим, что социология, особенно эмпирическая, часто являлась «потребителем» идей и методов из других научных дисциплин, например, еще Г. Спенсер использовал принцип естественного отбора Ч. Дарвина для объяснения социальных явлений и процессов. В настоящее время принципы биологической эволюции Ч. Дарвина реализованы в генетических алгоритмах, эволюционных алгоритмах, алгоритмах эволюционных стратегий [14, 15], которые используются в социологии [49-52]. Теория социологических алгоритмов позволяет предложить новые принципы и компь-
Глава 2
98
ютериые алгоритмы, которые могут оказаться полезными и для других научных дисциплин, поскольку для решения некоторых классов задач [10], социологические алгоритмы, основанные на Sociological Computing (социологическом «вычислении») представляются более эффективными, по сравнению с природными, в частности, биологическими алгоритмами. В этой связи отметим, что в последние годы для «интеллектуального» анализа эмпирических данных широко используются компьютерные системы Data Mining (извлечение знаний) [108-110], основанные на различных алгоритмах [111]. Не вызывает сомнения, что социологические компьютерные алгоритмы, основанные на Sociological Computing (социологическом «вычислении»), могут быть с успехом использованы в системах Data Mining. В заключение данной статьи отметим, что представленная теория социологических алгоритмов позволяет решить фундаментальную задачу, которую поставил основоположник социологии О. Конт [112, с. 8] «Наша подлинная задача состоит в том, чтобы тщательно анализировать условия, в которых происходят явления, и связать их друг с другом естественными отношениями последовательности и подобия».
Литература 1. Давыдов A. A. Computational sociology: обзор зарубежного опыта // Социол. исслед. 2005. № 1. 2. Heise D. Sociological Algorithms-preface // Journal of Mathematical Sociology. 1995. V. 20. № 2-3. P. 73-77. 3. Хонкрофт Док., Мотвани Р., Ульман Дж. Введение в теорию автоматов, языков и вычислений. М.: Вильяме, 2002. 4. Давыдов А. А. Модульный анализ и конструирование социума. М.: ИСАН, 1994. 5. Давыдов А. А., ЧураковА. Н. Модульный анализ и моделирование социума. М.: ИСАН, 2000. 6. Schneider A., Heise D. Simulating Symbolic Interaction // Journal of Mathematical Sociology. 1995. V. 20. № 2-3. P. 271-287. 7. PatrickD., Fararo T. The Problem of Solidarity: Theories and Models. Amsterdam: Gordon and Breach, 1998. 8. Kron T. Luhmann modelliert. Ansatze zur Simulation von Kommunikationssystemen. Berlin: Leske & Budrich, 2002. 9. KliiverJ., Schmidt J. Historical evolution and mathematical models: a sociocultural algorithm // Journal of Mathematical Sociology. 2003. V. 27. № 1. P. 53-83. 10. Reynolds R. G. Cultural algorithms: Theory and applications // New Ideas in Optimization (D. Corne, M. Dorigo, F. Glover, eds.). London: McGraw-Hill, 1999. P. 367-377. 11. Michael M., SkvoretzJ. The Evolution of Trust and Cooperation Between Strangers: A Computational Model. // American Sociological Review. 1998. V. 63. № 5. P. 638-660.
Новые теории социальных систем
99
12. LeikR., Meeker В. Computer Simulation for Exploring Theories: Models of Interpersonal Cooperation and Competition// Sociological Perspectives. 1995. V. 38 № 4. P. 463^82. 13. Dijkstra W., Draisma S., Van der Zouwen J. Simulating response behavior in sociological survey interviews//The Journal Mathematical Sociology. 1995. V. 20. № 2-3. P. 127-145. 14. Назаров А. В., Лоскутов А. И. Нейросетевые алгоритмы прогнозирования и оптимизации систем. СПб.: Наука и техника, 2003. 15. MitchellM. An Introduction to Genetic Algorithms:Complex Adaptive Systems. Massachusets: MIT Press, 1998. 16. GENETIC PROGRAMMING V. 1-6. Boston: Kluwer Academic Publishers, 1998-2003. 17. PoliR., Langdon W. Foundations of Genetic Programming. Berlin: Springer-Verlag, 2002. 18. KozaR., KeaneM., StreeterM., Mydlowec W. Genetic Programming IV: Routine Human-Competitive Machine Intelligence. Boston: Kluwer Academic Publishers, 2003. 19. YagerR., Zadeh L. Fuzzy Sets, Neural Networks and Soft Computing. N. Y.: Thomson Learning, 1994. 20. JangJ., SunC, MizutaniE. Neuro-Fuzzy and Soft Computing. N. Y.: Prentice Hall, 1997. 21. Kecman V. Learning and Soft Computing: Support Vector Machines, Neural Networks, and Fuzzy Logic Models. M.: MIT Press, 2001. 22. Круглое В. В., Дли М. А., Голупов Р. Ю. Нечеткая логика и искусственные нейронные сети. М.: Физматпит, 2001. 23. AlievR. Soft Computing and Its Applications. N. Y: World Scientific Pub Co, 2001. 24. Hoffmann E, Roy R., BenitezJ., Advances in Soft Computing: Engineering Design and Manufacturing. Berlin: Springer-Verlag, 2003. 25. Rutkowski L. New Soft Computing Techniques for System Modeling, Pattern Classification and Image Processing. Berlin: Springer-Verlag, 2004. 26. Herrera F., Verdegay J. Genetic Algorithms and Soft Computing. Berlin: SpringerVerlag, 1996. 27. Principe J., Euliano N., Lefebvre W. Neural and Adaptive Systems: Fundamentals Through Simulations. N. Y: John Wiley & Sons, 2000. 28. Осовский С. Нейронные сети для обработки информации. М.: Финансы и статистика, 2002. 29. Люгер Дж. Искусственный интеллект: стратегии и методы решения сложных проблем. М.: Вильяме, 2003. 30. KonarA. Artificial Intelligence and Soft Computing: Behavioral and Cognitive Modeling of the Human Brain. L.: CRC Press, 1999. 31. Джексон П. Введение в экспертные системы. М.: Вильяме, 2001. 32. Canty M. Resolving Conflicts with Mathematica: Algorithms for Two-Person Games. N. Y: Academic Press, 2003.
100
Глава 2
33. Кормен Т., Лейзерсон Ч., Ривест Р. Алгоритмы: построение и анализ. М.: МЦНМО, 2001. 34. Migdalas A., Purdahs M., VarbrandP. Multilevel Optimization: Algorithms and Applications. N. Y: Kluwer Academic Publishers, 1998. 35. ICSC 2001 (Germany International Conference on Social Computing), October 1-3, 2001, Bremen: University of Bremen, 2001. 36. Voss M, Social Programming using Functional SWARM Optimization. (http://citeseer.nj.nec.com/voss03social.html). 37. http://www.swarm.org. 3 8. http://www-eco.enst-bretagne.fr/~phan/moduleco. 39. http://www.mimosasoftware.com. 40. http://cormas.cirad.fr. 41. http://repast.sourceforge.net. 42. http://www.dcs.warwick.ac.uk/research/modelling/hi/principles/lsd.html. 43. Parker M. What is Ascape and Why Should You Care? // Journal of Artificial Societies and Social Simulation. 2001. V. 4. № 1, (http://www.soc.surrey.ac.Uk/JASSS/4/l/5.html). 44. http://www.madkit.org. 45. http://sdml.cfpm.org. 46. Belew R. K. Evolution, Learning and Culture: Computational Metaphors for Adaptive Search // Complex Systems. 1990. V. 4. № 1. P. 11-49. 47. ByrneD. Simulation — A Way Forward?// Sociological Research Online. 1997. V. 2. №. 2. (http://www.socresonline.org.uk/socresonline/). 48. Halfpenny P. Situating Simulation in Sociology // Sociological Research Online. 1997. V. 2. №. 3. (http://www.socresonlme.org.Uk/socresonline/2/3/9.html). 49. Chattoe E. Just How (Un)realistic are Evolutionary Algorithms as Representations of Social Processes? // Journal of Artificial Societies and Social Simulation. 1998. V. 1. №. 3 (http://www.soc.surrey.ac.Uk/JASSS/l/3/2.html). 50. Reschke С Evolutionary Perspectives on Simulations of Social Systems // Journal of Artificial Societies and Social Simulation. 2001. V. 4. № 4. 51. MorettiS. Computer Simulation in Sociology: What Contribution? // Social Science Computer Review. 2002. V. 20. № 1. P. 43-57. 52. KluverJ., Stoica C, Schmidt J. Formal models, social theory and computer simulations: some methodological reflections // Journal for Social Simulation and Artificial Societies. 2003. V. 6. № 2. 53. Клини С. Математическая логика. М.: УРСС, 2005. 54. Давыдов А. А. К вопросу об определении понятия «общество» // Социол. исслед. 2004. № 2. С. 12-24. 55. Давыдов А. А. Теория социальных «фрагментов» — общая социологическая теория? // Социол. исслед. 2004. № 8. С. 131-138. 56. Garson G. D. Neural Networks: An Introductory Guide for Social Scientists. N. C: North Carolina Publ., 1998.
Новые теории социальных систем
101
57. Gigerencer С, Selten R. Bounded Rationality. The Adaptive Toolbox. Cambridge, Massachusetts: The MIT Press, 2001. 58. ХеккаузенХ. Мотивация и деятельность. СПб.: Питер, 2003. 59. http://www. un.org. 60. Human Development Report. 2002. Oxford: Oxford University Press, 2002. 61. СелъеГ. Стресс без дистресса. М.: Знание, 1982. 62. Beck U. Risk Society. Toward a New Modernity. London: Sage Publ., 1992. 63. Mueller R., Page R. Symbolic Computing With Lisp and Prolog. N. Y.: John Wiley & Sons, 1988. 64. Шумский С. А. Нейрокомпьютинг: состязание с человеческим мозгом // Вестник РАН. 2000, т. 70. № 1. С. 54-62. 65. PalS., SkowronA., PolkowskiL. Rough-Neuro-Computing. Berlin: Springer-Verlag, 2003. 66. PicardR. Affective Computing. Massachusets: МГТ Press, 1997. 67. Moran Т., Dourish P. Context-Aware Computing. L.: Lawrence Erlbaum Assoc., 2002. 68. PittengerA. An Introduction to Quantum Computing Algorithms. Boston: Birkhauser Boston, 1999. 69. Китаев А., ШеньА., Вялый М. Классические и квантовые вычисления. М.: МЦНМО, 1999. 70. Hirvensalo M. Quantum Computing. Berlin: Springer-Verlag, 2001. 71. http://www. IBM. com. 72. Grama A., Kumar A., Gupta A. An Introduction to Parallel Computing: Design and Analysis of Algorithms. N. Y.: Pearson Addison Wesley, 2003. 73. Давыдов А. А. Вейвлет-анализ социальных процессов // Социол. исслед. 2003. №11. С. 117-123. 74. Рюэгг-Штюрм Й. Новая системная теория и внутрифирменные изменения // Проблемы теории и практики управления. 1998. № 5. С. 72-79. 75. ToynbeeA. A Study of History. 12 Vols. London: Oxford University Press, 1934-1961. 76. YanovA. The Russian Challenge and the Year 2000. L.: Blackwell Publishers, 1987. 77. Рывкина Р. В. Постсоветское государство как генератор конфликтов // Социол. исслед. 1999. № 5. С. 12-20. 78. Шпепглер О. Закат Европы: очерки морфологии мировой истории. Т. 1-2. М.: Айрис-Пресс, 2003. 79. Bertalanffy L. von. General System Theory: Foundation, Development, Applications. London, 1971. 80. Arie de Geus. The Living Company. Boston: Harvard Business School Press, 1997. 81. ТернерДж. Аналитическое теоретизирование //THESIS. 1994.№4.C. 119-158. 82. Пенроуз Р. Новый ум короля. О компьютерном мышлении и законах физики. М.: УРСС, 2005. 83. Советский простой человек: Опыт социального портрета на рубеже 90-х. / Под ред. Ю. Левады. М.: ВЦИОМ, 1993.
102
Глава 2
84. Ментальность россиян (Специфика сознания больших групп населения России) / Под общ. ред. И. Г. Дубова. М., 1997. 85. Абульханова К. А. Российский менталитет: кросс-культурный и типологический подходы // Российский менталитет: вопросы психологической теории и практики. М.: Изд-во «Институт психологии РАН», 1997. С. 7-38. 86. Кирдина С. Г. Институциональные матрицы и развитие России. М.: ТЕИС, 2000. 87. Даль В. Пословицы русского народа. М.: Изд-во художественной литературы, 1957. 88. Фелицына В. П., Прохоров Ю. Е. Русские пословицы, поговорки и крылатые выражения. М.: Русский язык, 1979. 89. Wallerstein I. The Modern World Systems. V. 1, N. Y.: Academic Press, 1974. 90. Давыдов А. А. Будет ли Россия воевать в XXI веке? // Россия трансформирующаяся. М.: ИСАИ, 2003. 91. http://www.statsoft.com. 92. Рюли Э., Шмидт С. Исследование стратегических процессов в организации //Проблемы теории и практики управления. 2000. № 5. С. 99-107. 93. Шрайэгг Г. Тенденции и перспективы развития стратегического менеджмента // Проблемы теории и практики управления. 2000. № 5. С. 99-107. 94. Дойль П. Маркетинг, ориентированный на стоимость. М.: Питер, 2001. 95. Daniel J. Decision Support Systems: Concepts and Resources for Managers. N. Y.: Greenwood Publishing Group, 2002. 96. Atallah M. Algorithms and Theory of Computation Handbook. N. Y: CRC Press, 1998. 97. Social Sience Microsimulation / eds. K. G Troitzsch, U. Mueller, N. Gilbert, J. Doran, Heidelberg: Springer, 1996. 98. Dahrendorf R. Homo sociologicus. Berlin: Westdeutscher Verlag, 1977. 99. Радаев В. В. Еще раз о предмете экономической социологии // Социол. исслед. 2002. № 7. С. 3-14. 100. SmelserN. Theory of Collective Behaviour. N. Y: Routledge, 1999. 101. Singh N. Organisational Behaviour: Concepts, Theory and Practices.N. Y: Deep & Deep Publications, 2002. 102. Broughton D., NapelH. Religion and Mass Electoral Behaviour in Europe. N. Y: Routledge, 2001. 103. ЭнджепДж., БюкуотР., MimuapdП. Поведение потребителей. СПб.: Питер, 1999. 104. Козелецкий Ю. Психологическая теория решений. М.: Прогресс, 1979. 105. Пономарев Я. А. Психология творчества. М.: Наука, 1976. 106. ПенроузР. Тени разума. В поисках науки о сознании. М.: Институт компьютерных исследований, 2003. 107. Давыдов А. А. Социология как метапарадигмальная наука//Социол. исслед. 1992. № 9. С. 85-87. 108. Klosgen W., ZytkowJ. Handbook of Data Mining and Knowledge Discovery. Oxford: Univers. Press, 2002. 109. http://www.salford-systems.com.
Новые теории социальных систем
ЮЗ
110. http://www.cs.uvm.edu/~xwu/icdm-03.html. 111. KantardzicM. Data Mining: Concepts, Models, Methods and Algorithms. N. Y.: IEEE, 2002. 112. Конт О. Курс положительной философии. СПб.: Посредник, 1899-1900. Т. 1.
§ 3. Теория «социальных фрагментов» — общая социологическая теория В 1992 г. автор опубликовал статью [1], в которой была предпринята попытка разработать подход к созданию общей социологической теории на основе синтеза гуманитарной, естественно-научной и математической парадигм с помощью компьютерных моделей. Многое из того, о чем было написано двенадцать лет назад, получило теоретическое, эмпирическое и практическое развитие. В Институте социологии РАН автор завершил разработку модульной теории социума (МТС) [2], которая основана па теории социальных систем, одном из разделов общей теории систем, синтезе гуманитарной, естественно-научной и математической парадигм и которая реализована в компьютерной экспертно-диагностической системе МАКС. В результате многочисленных эмпирических исследований, например, [3-8], автором были выявлены новые принципы, законы и закономерности социальных систем [9]. За рубежом быстрыми темпами развивается компьютерная социология [10], которая основана на компьютерных моделях. В целом, идеи, высказанные автором 12 лет назад, оказались верными и в результате накопленного за эти двенадцать лет теоретического и эмпирического опыта появилась возможность разработки общей социологической теории, потребность в которой также актуальна для социологии, как и двенадцать лет назад. В данной статье представлена разработанная автором общая социологическая теория «социальных фрагментов».
Постулаты теории «социальных фрагментов» Постулат разнообразия. Наблюдения показывают, что в обществе одновременно присутствуют детерминизм и случайность, непрерывность и дискретность, уникальность и повторяемость, линейность связей и нелинейность, количественные и качественные свойства, факты поведения и сознания, микро и макроуровень, разные культуры в различных странах и регионах мира и наличие культурных универсалий, творческая активность, свобода воли индивидов и подчинение индивидов общеобязательным юридическим, нравственным и другим нормам общества, различные закономерности строения и динамики различных социальных систем, государств и регионов мира в разные периоды времени и т. д.
104
Глава 2
Постулат фрагментарности. Наблюдения и теоретическая мультипарадигмалыюсть социологии [1, 11] показывают, что общество неоднородно и в нем существуют фрагменты, в которых наблюдается определенный набор разнообразных свойств и отношений. В этой связи отметим, что фрагментарность социальной реальности является одним из базовых понятий постмодернизма в социологии [цит. по: 11], однако общая социологическая теория «социальных фрагментов», предложенная автором, в отличие от теории постмодернизма, является научной теорией, поскольку она основана на общенаучных методологических принципах [12]. Кроме того, теория постмодернизма выступает только как частный случай общей социологической теории «социальных фрагментов». Отметим, что постулат фрагментарности является очевидным для эмпирической социологии, поскольку в зависимости от целей, задач, уровня развития теоретической и эмпирической социологии, возможностей социолога и других факторов, в конкретном эмпирическом исследовании социолог выделяет и изучает только определешшй фрагмент общества, например, общественное мнение, самоубийства, миграцию и т. д., который приурочен к конкретному периоду времени, государству или государствам, ограничен имеющимися эмпирическими данными и включает в себя только фрагмент из разнообразных свойств и отношений, наблюдаемых в обществе. Постулат иерархической структуры фрагментов. В каждом фрагменте общества существуют принципы, законы и социальные явления, которые образуют «иерархию», а именно, на «верхнем» иерархическом уровне существует небольшое количество принципов. На следующем «нижележащем» уровне располагаются законы, которых больше, чем принципов. На последнем иерархическом уровне располагается все многообразие социальных явлений, количество которых больше, чем законов. Данный постулат вытекает из общенаучного онтологического принципа иерархических уровней реальности [12, 13] и общей теории систем [14-17], которая показывает, что данная иерархия наблюдается в различных системах: социальных, физических, биологических, технических, абстрактных и других системах, в частности, данная иерархическая структура наблюдается па уровне индивидов, групп индивидов, организаций, стран мира, мире в целом, в демографической, экономической, политической, культурной и других подсистемах общества. Постулат возможности разработки общей социологической теории. Данный постулат вытекает из общенаучных методологических принципов науки [12, 13], методологических принципов общей теории систем [14-17], опыта разработки автором модульной теории социума (МТС) [2]. Из данного постулата, в частности, вытекает, что многочисленные социо-
Новые теории социальных систем
105
логические теории [11], если они истинны, являются частными случаями общей социологической теории.
Определение «социального фрагмента» «Социальный фрагмент» — это оптолого-гносеологическая теоретическая модель, предназначенная для теоретического и эмпирического описания, объяснения и прогнозирования разнообразия и фрагментарности общества. Онтологическая составляющая данной модели состоит в том, что она отражает фундаментальное онтологическое свойство разнообразия общества и иерархическую структуру фрагментов общества. Гносеологическая составляющая состоит в том, что «социальный фрагмент», как теоретическая модель, является средством для изучения разнообразия и фрагментарности общества и зависит от целей и задач конкретного социологического исследования. Каждый «социальный фрагмент» состоит из трех иерархических уровней, а именно, уровня принципов, уровня законов и уровня социальных явлений. В качестве наглядной иллюстрации на рис. 2.1 представлен один из примеров возможной структуры «социального фрагмента».
Принцип — фундаментальное свойство или отношение в обществе, который может вытекать из гуманитарной, естественно-научной, математической, системной парадигм в социологии [1, 9]. Соответственно, законы могут быть гуманитарными, естественно-научными, математическими или общесистемными. Закон — необходимое, существенное, устойчивое, повторяющееся отношение между социальными явлениями. Социальные явления — все то, что непосредственно проявляется или наблюдается в обществе. Можно сказать, что социальное явление — это эмпирический факт, который понимается не как в социологии, где данный термин имеет специфическое социологическое содержание, а в более общем смысле, как
106
Глава 2
он понимается в методологии науки [12]. Принципы, законы и социальные явления различаются по уровню общности, в частности, существуют фундаментальные и локальные принципы, законы и социальные явления. Размер «социального фрагмента» определим как вектор R = (р, I, s), где R — размер, р — количество принципов, / — количество законов, s — количество социальных явлений. Условимся называть элементарным «социальным фрагментом» такой «социальный фрагмент» в котором один принцип, один закон и одно социальное явление, что соответствует записи Я = (1,1,1). В «социальных фрагментах» существует впутренняя и внешняя детерминация. Внутренняя детерминация действует внутри одного «социального фрагмента» и ее можно подразделить па индуктивную, дедуктивную и традуктивную [18] детерминацию. Индуктивная детерминация — социальные явления определяют законы, а законы определяют принципы. Дедуктивная детерминация — принципы определяют законы, а законы определяют социальные явления. Традуктивная детерминация — принципы определяют принципы, законы определяют законы, социальные явления определяют социальные явления. Внешняя детерминация — принципы, законы, социального явления одного «социального фрагмента» обуславливают принципы, законы, социальные явления других «социальных фрагментов». Между принципами и законами, между законами и социальными явлениями внутри одного «социального фрагмента» и между «социальными фрагментами» существует определенная мера когерентности (согласованности). Когерентность, в широком смысле [12], включает в себя принципы соответствия, подобия, дополнительности, комплементарности, синхронизацию во времени и т. д. Когерентность, обозначим ее (АГ), может быть внутренней \Ктутр J и внешней (Кенеш ). Внутренняя когерентность — согласованность между социальными явлениями и законами, между законами и принципами в одном «социальном фрагменте». Внешняя когерентность — согласованность между количественными и качественными характеристиками принципов, законов и социальных явлений в двух или более «социальных фрагментах». Внешняя когерентность проявляется в различных законах композиции, например, законе единства противоположностей, законе гармонии (соразмерности, подобия и т. д.) частей в целом и т. д. Динамику «социального фрагмента» можно представить как изменение «социальных фрагментов» с течением времени. При этом в «социальном фрагменте» с течением времени могут меняться (полностью или частично) дискретно и (или) непрерывно количество и содержание социальных явлений, законов и принципов. Наблюдения показывают, что процесс формирования структуры «социального фрагмента» может начинаться
Новые теории социальных систем
107
либо с социальных явлений, либо с законов или принципов. Кроме того, «социальный фрагмент» может изменяться целиком и сразу, по принципу «все переходит во все». Множество «социальных фрагментов» образуют «социальный фрагмент-коллаж», в котором объединены различные «социальные фрагменты» па основе принципов и законов композиции или на основе субъективных предпочтений социолога, вытекающих из целей, задач и других факторов конкретного социологического исследования. «Социальные фрагментыколлажи» можно подразделить на два класса. Первый класс, назовем его «Conglomerate» (англ. — соединение) характеризуется тем, что в нем отсутствует детерминация между принципами, законами и социальными явлениями между фрагментами. Структура одного из возможных «социальных фрагментов-коллажей» класса «Conglomerate» представлена на рис. 2.2.
Социальное явление
Второй класс «социального фрагмента-коллажа». Между принципами, законами и социальными явлениями двух или более «социальных фрагментов» существует детерминация, в результате чего образуется общий «социальный фрагмент», который является «сплавом» исходных «социальных фрагментов», не сводим ни к одному из исходных «социальных фрагментов» и не выводим из них, поскольку он обладает новыми свойствами. Обозначим второй класс термином «Fusion» (англ. — сплав). На рис. 2.3 схематически представлен один из возможных «социальных фрагментов-коллажей» класса «Fusion». Если «социальный фрагмент» состоит одновременно из двух классов «социальных фрагментов-коллажей», а именно классов «Conglomerate» и «Fusion», то такой «социальный фрагмент» обозначим как «социальный фрагмент-суперколлаж». С точки зрения общей теории систем, в частности, ее раздела — теории иерархических систем [19], каждый «социальный фрагмент» является иерархической системой. Таким образом, «социальный фрагмент» — это
108
Глава 2
онтолого-гносеологическая теоретическая модель, которая является системой, состоящей из трех взаимосвязанных иерархических уровней, а именно, уровня принципов, законов и социальных явлений.
Классификация «социальных фрагментов» Поскольку основными характеристиками каждого «социального фрагмента» являются количество и содержание социальных явлений, законов и принципов, то в зависимости от выделения конкретных содержательных и (или) количественных характеристик, можно выделить множество различных классов «социальных фрагментов». Основываясь на [1, 9], автор полагает, что фундаментальными классами «социальных фрагментов» являются четыре класса, а именно, классы, основанные на математической, гуманитарной, естественно-научной и системной парадигмах в социологии. Класс «социальных фрагментов», основанный на математической парадигме. В данном фундаментальном классе «социальных фрагментов» локальные классы определяются исходя из принятой социологом математической модели. Например, с точки зрения теории графов [20], структура на рис. 2.1 представляет собой граф, который называется однокорневым деревом с тремя ярусами (уровнями). С точки зрения теории графов [20], любые структуры «социальных фрагментов» являются г-корневыми деревьями с и-ярусами, для которых доказан ряд теорем, которые можно использовать для математической классификации и перечисления «социальных фрагментов». Класс «социальных фрагментов», основанный на гуманитарной парадигме. В данном фундаментальном классе «социальных фрагментов» локальные классы определяются исходя из социального содержания принципов, законов и социальных явлений, выделяемых социологом. Например, в теоретической социологии [11] выделяют классы, основанные на принци-
Новые теории социальных систем
109
пах социологического реализма и социологического номинализма, объективизма и субъективизма, количества и качества, детерминизма и индетерминизма, классы, основанные на сферах общества, размере социальной общности и т. д. В качестве иллюстрации «социальных фрагментов» из данного класса приведем несколько содержательных примеров. Международный «социальный фрагмент» — «социальный фрагмент», в котором действуют международные принципы «Декларации тысячелетия» ООН [21]: Свобода, Равенство, Солидарность, Терпимость, Уважение к природе, Общая обязанность. Данные принципы обуславливают множество международных правовых, экономических, социокультурных и иных законов, которые, в свою очередь, обуславливают множество социальных явлений (международных решений и действий государств — членов ООН). Российский «социальный фрагмент» — социальный фрагмент, в котором действуют следующие принципы [22]. В идеологической сфере — коммунитарность (доминирование коллективных ценностей, приоритет МЫ над Я, соборность). В политической сфере — принцип унитарноцентрализованного государства. В экономической сфере — принцип раздаточной (нерыночной) экономики. Данные принципы обуславливали множество законов поведения и сознания россиян и российского общества в целом, социальные явления — множество фактов поведения и сознания россиян и российского общества, представленных в исторических событиях, опросах общественного мнения, данных российской и международной статистики и т. д. По мнению С. Г. Кирдиной [22], между данными принципами существует комплементарность, одно из частных свойств когерентности (согласованности). В СССР во времена И. Сталина можно было выделить два государственных «социальных фрагмента» — «СССР — социалистическое общество», который отражал декларируемые государством социалистические принципы, законы и социальные явления и «СССР — тоталитарное общество», который отражал реально действующие в СССР принципы, законы и социальные явления тоталитаризма. Два данных «социальных фрагмента» образовывали «социальный фрагмент-коллаж» класса «Conglomerate», в котором действовал экстремальный принцип максимизации различий между фрагментами. Организационно-культурный «социальный фрагмент» — «социальный фрагмент», в котором, согласно Г. Хофстеду [23], действует комплементарное сочетание следующих принципов организационной культуры. Формы участия персонала в принятии решений и разделении прибылей, индивидуализм — коллективизм, мужественность — женственность. Данные принципы проявляются в различных законах управления, поведения персонала, действий организации и, соответственно, в различных социальных явлениях.
110
Глава 2
Групповой «социальный фрагмент» — принятые в преступном сообществе принципы воровской морали, законы и социальные явления противоправного поведения и сознания индивидов. Индивидуальный «социальный фрагмент» — «социальный фрагмент», в котором действуют принципы, принятые индивидом, например, «человек человеку волк», «после нас хоть потоп», «спешите делать Добро», «человек хозяин своей судьбы», «Государство — это я», «быть как все», «если Бога нет, то все дозволено» и т. д. Индивидуальный принцип или принципы проявляются в различных законах поведения и сознания индивида, которые в свою очередь, определяют множество социальных явлений (фактов поведения и сознания индивида в обществе). Религиозный «социальный фрагмент» — «социальный фрагмент», в котором действует принцип веры в существование Бога, законы — множество религиозных законов (заповедей), социальные явления — множество фактов религиозного поведения (соблюдения обрядов) и фактов религиозного сознания индивидов. Класс «социальных фрагментов», основанный на естественно-научной парадигме. В данном фундаментальном классе «социальных фрагментов» локальные классы определяются исходя из принятых социологом естественно-научных принципов и законов, действующих в обществе. В этой связи напомним, что естественно-научная парадигма в социологии включает сониобиологию, географическое направление, в рамках данной парадигмы изучают влияние гелиофизических и иных космофизических факторов на общество и т. д. В качестве иллюстрации «социального фрагмента» из данного класса приведем один пример, который основан на принципе естественного отбора Ч. Дарвина и который широко используется в социалдарвинизме (социологические теории Г. Спенсера, Л. Гумшювича, А. Смолла и других авторов) [пит. по: 11]. Принцип — естественный отбор (выживание наиболее приспособленных), законы — законы борьбы за существование, социальные явления — множество непосредственно наблюдаемых проявлений данных законов, в частности, физическое устранение конкурентов, захват чужой собственности и территорий, банкротство неэффективных (плохо приспособленных) компаний, рост числа самоубийств (гибель наименее приспособленных индивидов) при ухудшении условий жизнедеятельности в результате социально-экономических кризисов в обществе, прекращение существования слабых государств и империй в результате военных конфликтов и (или) неблагоприятных внутренних факторов. Класс «социальных фрагментов», основанный на системной парадигме. В данном фундаментальном классе «социальных фрагментов» локальные классы определяются исходя из общей теории систем и ее раздела, теории социальных систем. Например, в общей теории систем [14,
Новые теории социальных систем
111
15, 17] выделяют различные классы систем, а именно, открытые — закрытые, простые — сложные, устойчивые-неустойчивые и т. д. В теории социальных систем [9] выделяют экономические, политические, демографические, социокультурные, военные (армия), территориальные (города, села) и иные классы социальных систем. Напомним, что системный «социальный фрагмент» — это «социальный фрагмент», в котором действуют глобальный принцип системности [14], множество локальных системных принципов [9], законы — множество общесистемных законов [9], социальные явления — множество фактов поведения и сознания индивидов, состояний и режимов функционирования общества. Согласно глобальному принципу системности существует зависимость каждого элемента, части, уровня, свойства и отношения от его места и функций внутри системы; каждый элемент и часть системы являются системой, а исследуемая система является частью более общей системы; поведение системы есть результат взаимодействия всех элементов и уровней системы, влияния других социальных систем и окружающей среды, а также прошлого состояния системы и ожидаемого будущего. Имеются теоретические и эмпирические основания [9] полагать, что глобальный принцип системности имеет фундаментальное значение для теории «социальных фрагментов», поскольку из выше данного определения «социального фрагмента» следует, что каждый «социальный фрагмент» является системой. Кроме того, само общество является системой [24]. Среди известных [9] локальных системных принципов, действующих в социальных системах, выделим локальный принцип экстремальности, который, с точки зрения автора, имеет фундаментальное значение для теории «социальных фрагментов». Принцип экстремальности — максимизация и (или) минимизация численности элементов, значений свойств и отношений в системе, является общесистемным [14] и присущ любой системе. В физических и механических системах экстремальный принцип известен как принцип экономии, принципы наименьшего времени Ферма, наименьшего действия Мопертьюи, принцип Гамильтона. В биологии экстремальный принцип известен как принцип максимальной простоты, принцип оптимальной конструкции, принцип выживания, принцип оптимальной жизненной стратегии и т. д. [25, 26]. В психологии известен принцип гедонизма, согласно которому люди стремятся максимизировать положительные эмоции и минимизировать эмоции отрицательные. В экономике, теории принятия решений, теории игр используется принцип максимина — максимум достижений при минимуме затрат, риска, времени. В социологии [27] также используется экстремальный принцип, как стремление максимизировать положительные социальные явления и минимизировать явления отрицательные, в рамках определенных ограничений, за счет изменения элементов, связей, свойств и отношений в обществе.
112
Глава 2
Локальный экстремальный принцип проявляется в различных общесистемных [9] и социологических [28] законах. В качестве иллюстрации приведем несколько примеров из различных областей социологии. Эмпирически установлено [6], что упорядоченные убывающие числовые последовательности различных социальных показателей (распределение результатов выборов, доходов, численности населения городов и т. д.) описываются общесистемным законом «экспоненциального распада» (экспоненциальной функцией), при этом многие экспоненциальные кривые являются так называемой брахистохроной, т. е. кривой наискорейшего спуска. Нетрудно заметить, что в данном примере множество различных социальных явлений описывается общесистемным законом «экспоненциального распада», который в свою очередь, является проявлением экстремального принципа наименьшего времени Ферма. Р. Коллинз [29, с. 81] отмечает, что этнометодологическая теория полагает, что превращение повседневной жизни в рутину — это основной социальный процесс и что люди изо всех сил стараются ситуационно сглаживать и избегать любых неурядиц. Нетрудно заметить, что в основе данного процесса, который наблюдается на уровне различных индивидов, групп индивидов, организаций и т. д., также лежит экстремальный принцип «наименьшего действия», согласно которому действия в системе происходят при минимуме энергии, поскольку рутина — это привычные, повторяющиеся, простые действия, требующие минимума физического и психологического напряжения. Избегание неурядиц также можно рассматривать как минимизацию физического и психологического напряжения. Многочисленные эмпирические исследования [30] показывают, что в различных эмпирических фактах наблюдается широко известная в пауке и искусстве «золотая» пропорция [31], численное значение которой равно 1,618... В свою очередь, наличие «золотой» пропорции объясняют действием экстремального принципа [26]. Экстремальный принцип действует и при формировании субъективного психического образа у индивида, например, субъективного образа общества. Это вытекает из известного психологического закона прегнаптности, экспериментально выявленного в гештальтпсихологии, согласно которому при формировании субъективного психического образа индивид бессознательно стремится к образованию наиболее устойчивой, простой и «экономной» конфигурации психического образа. Экспериментальная проверка психологической теории когнитивного диссонанса Л. Фестингера [цит. по: 32, с. 199] показала, что индивиды стремятся восстановить когнитивный баланс (внутреннюю когерентность) с помощью экстремального принципа экономии усилий. Различные социальные утопии идеального общества, например, коммунистическое общество К. Маркса, также можно рассматривать как pea-
Новые теории социальных систем
113
лизацию экстремального принципа в распределении благ, ощущении счастья, свободы, справедливости и т. д. С известными системным законами общества заинтересованный читатель может ознакомиться в монографии автора [9]. Отметим, что в системном «социальном фрагменте» доминирует дедуктивная детерминация — глобальный принцип системности определяет множество общесистемных законов, а законы определяют множество социальных явлений. Вышеперечисленные примеры различных фундаментальных классов «социальных фрагментов», основанных на различных парадигмах, показывают, что с помощью введенной автором теоретической модели «социальный фрагмент» и его фундаментальных и локальных классов, потенциально можно описать все существующие, или предполагаемые социологом, фрагменты в обществе.
Логика описания, объяснения и прогнозирования в теории «социальных фрагментов» Описание. Опыт автора [2, 6, 7, 30] показывает, что одни и те же социальные явления могут быть описаны с помощью математической, гуманитарной, естественно-научной и системной парадигм. В теории «социальных фрагментов» можно выбрать для описания «социальных фрагментов» как одну из парадигм, так и все одновременно. Выбор зависит от особенностей «социальных фрагментов», в частности, количества и содержания социальных явлений в «социальном фрагменте», целей и задач социолога, а также других факторов. Вместе с тем, очевидно, что одновременное использование всех парадигм, если это допустимо по теоретическим и (или) эмпирическим соображениям, позволяет более полно описать «социальный фрагмент». Для выделения «социальных фрагментов» можно использовать различные критерии, вытекающие из используемой социологом парадигмы. Например, если использовать математическую и естественно-научные парадигмы, то тогда критерий выделения «социального фрагмента» может быть следующим, р -> min, / -> min, s -> max, где p — количество принципов, / — количество законов, s — количество социальных явлений. Если использовать системную парадигму, где требуется целостное описание социальной системы, то тогда критерий выделения «социального фрагмента», описывающего целосигую социальную систему, будет следующим, р -> max, / -> max , s -> max. Для гуманитарной парадигмы могут быть использованы практически любые критерии, поскольку в гуманитарной парадигме допускается использование принципа «субъективизма» социолога. Поэтому в гуманитарной парадигме возможно выделение «социальных фрагментов — фантомов», которые являются результатом субъективизма социолога и не соответствуют действительности.
114
Глава 2
Объяснение. В теории «социальных фрагментов» основным объясняющим фактором является мера когерентности. В этой связи отметим, что во многих классических социологических теориях [11], например, Т. Парсонса, мере согласованности (несогласованности) также придается доминирующая роль в объяснении строения и динамики общества. Приведем несколько объясняющих примеров. Конфликт в обществе, в организации, подсистеме общества — это несоответствие между принципами, законами и социальными явлениями внутри «социального фрагмента» или между «социальными фрагментами». В частности, понятие аномии, введенное Э. Дюркгеймом — это несогласованность между индивидуальными «социальными фрагментами» и государственным «социальным фрагментом»; глобализация — повышение меры когерентности между государственными или индивидуальными «социальными фрагментами», адаптация мигрантов к новым условиям жизни — изменение индивидуального «социального фрагмента» таким образом, чтобы он был когерентен (согласован) с новым государственным «социальным фрагментом». В целом, имеются теоретические и эмпирические основания [9, 11] полагать, что главной причиной возникновения, изменения, стабильности и исчезновения «социальных фрагментов» в обществе являются стремление и действия индивидов или групп индивидов к созданию и поддержанию оптимального уровня когерентности внутри «социального фрагмента» и между «социальными фрагментами». Прогнозирование. Многочисленные наблюдения показывают, что изменения «социальных фрагментов» наиболее вероятно происходят в сторону «ближайшего» «социального фрагмента» и определяются принципом экстремальности, а именно, при экономии усилий, наименьшем времени, наименьших изменений и т. д. Более редко наблюдаются изменения «социального фрагмента» в сторону максимально удаленного «социального фрагмента», что также можно объяснить с помощью экстремального принципа, а именно, стремления к максимуму, например, разнообразия между «социальными фрагментами».
Возможности теории «социальных фрагментов» Предложенная теория «социальных фрагментов» основана на терминологическом аппарате и классификации, которые потенциально позволяют полно описать различные фрагменты общества и само общество в целом. Предложенная теория «социальных фрагментов» позволяет легко и непротиворечиво осуществить синтез классических и современных социологических теорий следующим образом. Как уже было отмечено в [1, 9], все социологические теории можно расклассифицировать по доминированию в них одной из четырех парадигм, а именно, гуманитарной, естественно-научной, математической и системной парадигм, которые различаются глобальными
Новые теории социальных систем
115
принципами и законами. Каждую парадигму и соответствующую им социологическую теорию можно рассматривать как «социальный фрагмент», который описывает соответствующий фрагмент общества и отличается от других «социальных фрагментов» (социологических теорий) локальными принципами, законами и описываемыми социальными явлениями. Например, многие классические социологические теории [11] основаны на сочетании двух принципов, а именно, социологическом номинализме и объективности; социологическом номинализме и субъективности; социологическом реализме и объективности; социологическом реализме и субъективности. Современные социологические теории также основаны на некоторых локальных принципах, например, гендерная теория [33] основана на принципе неравенства полов в обществе, теория риска У Бека [34] основана на принципе опасности общества, которое производит риски, теория сетевого общества М. Кастельса [35] основана на принципе информационной сети и т. д. Синтез состоит в том, что каждый «социальный фрагмент» когерентен (согласован) с другими «социальными фрагментами» в «социальном фрагменте-коллаже», который целостно описывает общество. Предложенная теория «социальных фрагментов» позволяет теоретически решать различные проблемы социологии. Например, Ж. Т. Тощенко [36] выделил кентавр-проблему в общественном сознании. Напомним, что кентавр-проблема состоит в следующем. Один и тот-же человек или одни и те же люди одновременно придерживаются взаимоисключающих установок, ориентации и т. д. С точки зрения теории «социальных фрагментов» теоретическое решение кентавр-проблемы следующее. В зависимости от социальной ситуации индивид активизирует различные индивидуальные «социальные фрагменты» на основе принципа экстремальности, чтобы максимально повысить внутреннюю и (или) внешнюю когерентность (согласованность). В результате объединения различных «социальных» фрагментов образуется индивидуальный «социальный фрагмент-коллаж», который одновременно содержит в себе взаимоисключающие принципы, индивидуальные законы и соответствующие им эмпирически наблюдаемые факты поведения и сознания. Предложенная теория «социальных фрагментов» изначально планировалась автором таким образом, чтобы ее можно было использовать в эмпирических исследованиях и в компьютерных системах. Например, автор совместно с А. Н. Чураковым [7] с помощью компьютерной экспертно-диагностической системы МАКС методом полного перебора установил, что в данных мониторинга общественного мнения ВЦИОМ за период 1994-2001 гг. существуют 191 169 аддитивных законов вида у = х1+х2, где у,хг,х2 — доли ответов респондентов на градации вопросов мониторинга и 5447 мультипликативных закономерностей вида у = хх х х2 х х 3 х х4 х х5,
116
Глава 2
где у, хих2, хъ х4,х5 — доли ответов респондентов на градации вопросов мониторинга. Таким образом, было выявлено два математических закона — закон аддитивности и закон мультипликативности. Далее с помощью компьютерной системы МАКС было установлено, что данные математические законы определяются двумя локальными принципами — системным принципом динамического равновесия системы общественного мнения и гуманитарным принципом неблагоприятной социально-экономической ситуации в России в данный период времени. Предложенная теория «социальных фрагментов» может быть использована для предсказания ранее неизвестных социальных явлений, законов и принципов. Например, если в «социальном фрагменте» действует общесистемный принцип симметрии, то тогда в данном «социальном фрагменте» обязательно будут действовать общесистемные законы сохранения и будет наблюдаться неизменность некоторых социальных явлений с течением времени. Данное теоретическое предсказание позволило автору эмпирически выявить так называемые социальные «константы» [37], что позволило затем довольно точно прогнозировать результаты выборов в Государственную Думу РФ [6], соотношение самоубийств мужчин и женщин [38], оптимальный уровень неравенства доходов в мире [39], безработицы [40], доли преступников в обществе [41] и других устойчивых па длительном периоде времени социальных явлений [8, 30]. Автор выделил локальный системный экстремальный принцип, из которого, в частности, вытекает закон «золотой» пропорции [26]. Затем с помощью компьютерной экспертно-диагпостической системы МАКС [2] были проанализированы различные компьютерные международные базы социальных данных, включающие множество социальных показателей. В результате проведенного поиска была выявлена «золотая» пропорция в различных социальных явлениях [30]. Эмпирические исследования автора [3, 8] показали, что в различных социальных явлениях наблюдаются законы детерминированного хаоса, самоорганизоваиной критичности. Далее было установлено, что данные законы обусловлены общесистемным принципом Intermedity (промежуточности) [3], согласно которому между порядком и хаосом в социальных системах наблюдается третье, специфическое состояние. Предложенная общая социологическая теория «социальных фрагментов» позволяет выдвигать перспективные теоретические и эмпирически проверяемые гипотезы. Например, из общей теории систем [31] известно, что некоторые числа ряда Фибоначчи (1, 2, 3, 5, 8, 13, 21, 34, 55, 89,...) соответствуют оптимальному количеству элементов на различных иерархических уровнях в целостных системах, в том числе и социальных [30]. В этой связи имеются основания выдвинуть гипотезу, что некоторые числа ряда Фибоначчи соответствуют оптимальному количеству
Новые теории социальных систем
117
принципов, законов и социальных явлений в различных «социальных фрагментах». Теория «социальных фрагментов» может быть использована в практике социального управления, проведения рекламных и PR-акций и т. д., в частности, для создания и изменения «социальных фрагментов» с помощью управленческих воздействий на уровень когерентности внутри «социальных фрагментов» и между «социальными фрагментами».
Литература 1. Давыдов А. Социология как метапарадигмальная наука // Социол. исслед. 1992. № 9. С. 85-87. 2. Давыдов А. А., Чураков А. Н. Модульный анализ и моделирование социума. М.: ИСАИ, 2000. 3. DavidovA. Intermedity — Basic State of Social Systems?// Systems Research. 1993. V. 10. P. 81-84. 4. Давыдов А. А. Социальная информатика: переходные периоды в социальных системах // Системные исследования. Ежегодник. М.: Наука, 1997. С. 123-130. 5. Давыдов А. А., Чураков А. Н. О соотношении целого и большей части в социуме // Системные исследования. Ежегодник. 1998. Ч. 2. М.: УРСС, 2000. С. 44-53. 6. Давыдов А. А. Убывающие числовые последовательности в социологии: факты, объяснения, прогнозы // Социол. исслед. 2001. № 7. С. 113—119. 7. Давыдов А. А., Чураков А. Н. Системный подход к анализу данных мониторинга общественного мнения // Социол. исслед. 2002. № 7. С. 131-138. 8. Давыдов А. А. Вейвлет-анализ социальных процессов//Социол. исслед. 2003. №11. С. 117-123. 9. Давыдов А. А. Системный подход в социологии: законы социальных систем. М.: УРСС, 2004. 10. Давыдов A. A. Computational sociology: обзор зарубежного опыта // Социол. исслед. 2005. № 1. 11. РитцерДж. Современные социологические теории. СПб.: Питер, 2002. 12. Степин В. С. Теоретическое знание. М.: Прогресс-Традиция, 2000. 13. РузавинГ.И. Научная теория: логико-методологический анализ. М.: Мысль, 1978. 14. Bertalanffy L. von. General System Theory: Foundation, Development, Applications. London, 1971. 15. Клир Док. Наука о системах: новое измерение науки//Системные исследования. Ежегодник. М.: Наука, 1983. С. 61-85. 16. ChecklandP. Systems Thinking, Systems Practice: A 30-Year Retrospective. N. Y.: John Wiley and Sons, 1999. 17. Прапгшивили И. В. Системный подход и общесистемные закономерности. М.: СИНТЕГ, 2000. 18. Философский энциклопедический словарь. М., 2000.
118
Глава 2
19. Месарович М., Мат Д., ТакахараИ. Теория иерархических многоуровневых систем. М.: Мир, 1973. 20. Евстигнеев В. А., Касьянов В. Н. Теория графов: алгоритмы обработки деревьев. Новосибирск.: Наука, 1994. 21. 22. 23. 24.
http://www. un.org. Кирдина С. Г. Институциональные матрицы и развитие России. М.: ТЕИС, 2000. Hofstede G. Cultures and Organizations. N. Y.: McGraw-Hill, 1996. Давыдов А. А. К вопросу об определении понятия «общество» // Социол. исслед. 2004. № 2. С. 12-23. 25. Фурсова П. В., ЛевичА. П., Алексеев В. Л. Экстремальные принципы в математической биологии // Успехи современной биологии. 2003. Т. 123. № 2. С. 115-137. 26. Радюк М. С. О биологической сущности золотого сечения // Журнал общей биологии. 2001. Т. 62. № 5. С. 403^09. 27. Давыдов А. Математическая теория максимума и минимума для социологии // Тезисы Первого Всероссийского социологического конгресса «Социология и общество». СПб.: 2000. С. 537. 28. 29. 30. 31. 32. 33. 34. 35. 36. 37. 38. 39. 40. 41.
Collins R. Theoretical Sociology. San Diego: Harcourt Brace Jovanovich, 1988. Коллинз Р. Социология: наука или антинаука? // THESIS. 1994. № 4. С. 71-97. Давыдов А. А. Модульный анализ и конструирование социума. М.: ИСАН, 1994. Коробко В. И. Золотая пропорция: Некоторые философские проблемы гармонии. М.: АСВ, 2000. Паповян С. С. Математические методы в социальной психологии. М.: Наука, 1983. Здравомыслова Е., ТемкинаА. Социология тендерных отношений и тендерный подход в социологии //Социол. исслед. 2000. № И. С. 15-23. Beck U. Risk Society. Toward a New Modernity. London: Sage Publ., 1992. CastellsM. The Information Age. N. Y.: Free Press, 1997. ТощенкоЖ. Кентавр-проблема как особый случай парадоксальности общественного сознания //Вопросы философии. 2002. № 6. С. 29-38. Давыдов А. Константы в социальных системах // Вестник РАН. 1993. № 8 . С. 733-736. Давыдов А. Самоубийства, пол и золотое сечение// Социол. исслед. 1991. № 5. С. 99-102. Давыдов А. Неравенство доходов: макросистемное объяснение// Социол. исслед. 1994. № 5 . С. 47-51. Давыдов А. Оптимальный уровень безработицы в СССР. // Социол. исслед. 1990. № 12. С. 3 7 ^ 2 . Ли Д. А. Уголовно-статистический учет: структурно-функциональные закономерности. М.: Русский мир, 1998.
Глава 3 Новые методы анализа социальных систем § 1. Фрактальный анализ социальных процессов Наблюдения показывают; что в строении и функционировании социальных систем наблюдается общесистемное свойство самоподобия [1], т. е. социальные системы более или менее одинаково устроены в широком диапазоне пространственных, временных или количественных масштабов, что обусловлено некоторой мерой масштабной симметрии в социальных системах. Поэтому малые фрагменты социальной системы могут быть подобны целой системе. Пример — репрезентативная выборка в опросах общественного мнения, по которой можно довольно точно измерить некоторые характеристики генеральной совокупности. Многочисленные эмпирические исследования [2] также показывают, что в социологии часто наблюдаются убывающие числовые последовательности, приближенно описываемые геометрическими прогрессиями и степенными функциями, которые являются самоподобными [3]. Для анализа самоподобия используют фрактальный анализ [3-7], в рамках которого используют формулу Херста [5]. Фрактальный анализ широко используется в естественно-научных дисциплинах [8—10], технике [11], в экономике [12, 13]. Существуют специальные пакеты для проведения фрактального анализа, например, FracLab [14], FRACTAN [15]. Однако, несмотря на то, что многие социальные процессы являются приближенно самоподобными, в эмпирической социологии фрактальный анализ практически не используется, что, с точки зрения автора, ограничивает возможности анализа социальных процессов в социологии. В этой связи, в данном разделе описываются основы фрактального анализа, формула Херста и приводятся примеры фрактального анализа социальных систем.
Основы фрактального анализа Б. Мандельброт [4] разработал фрактальную геометрию для изучения самоподобных фигур, где фракталы — геометрические объекты: линии, поверхности, пространственные тела, имеющие сильно изрезанную форму и обладающие свойством самоподобия. Б. Е. Федер [5, с. 19] фракталом называет структуру, состоящую из частей, которые в каком-то смысле подобны целому. Фрактальными самоподобными объектами являются, например,
120
Глава 3
динамика сейсмической активности, сток рек, распределение атмосферных осадков в географическом пространстве и во времени, береговые линии, горный пейзаж, облака, молнии, поверхность Луны, распределение галактик во Вселенной и множество других природных объектов [4, 5, 8, 9]. Если самоподобие выполняется точно, то такие фракталы называют регулярными. Если во фрактале наблюдается некоторая мера случайности, то такие фракталы называют случайными. Наблюдения показывают, что самоподобие в природе наблюдается обычно в среднем при увеличении масштаба, поэтому Б. Мандельброт [4] такие фракталы называет статистическими, а фрактальные размерности, полученные на каждом «шаге» при увеличении масштаба, затем усредняются. К настоящему времени выделено множество классов различных фракталов, например мультифракталы [16, 17] — неоднородные фракталы, для описания которых требуется не одно значение фрактальной размерности, а спектр фрактальных размерностей, самоафинные фракталы — фракталы с деформацией, в которых может отсутствовать подобие в каком-либо масштабе и т. д. С множеством классов фракталов можно познакомиться в [4, 16-18] или с помощью демонстрационной библиотеки пакета Fractal Explorer [19]. В Интернете имеются тысячи Web-страниц, где размещено множество рисунков красивых фрактальных объектов. Для описания фрактальных фигур Б. Мандельброт [4] ввел понятие фрактальной размерности, которая измеряется по формуле (1) и обозначает меру «изломагаюсти» (сложности) фигуры.
где D — фрактальная размерность; и — число самоподобных частей, возникающих при увеличении линейных размеров исходной фигуры в г раз. Например, увеличим квадрат, удвоив его сторону. Увеличенный квадрат можно разрезать на четыре копии исходного квадрата. Если утроить сторону квадрата, то увеличенный квадрат можно разрезать на девять копий. Следовательно, по формуле (1) фрактальная размерность квадрата равна 2. Для фигур с изломанной границей, фрактальная размерность будет дробным числом. Например, фрактальная размерность береговой линии Норвегии равна 1,52, западного побережья Англии — 1,25, речной сети США — 1,83, Броуновской модели случайного блуждания — 1,5, топографических профилей Земли — 1,5 [4, 8]. Фрактальная размерность может быть и меньше единицы. Например, возьмем отрезок прямой, удалим его центральную треть, затем удалим центральную треть каждого из двух оставшихся подотрезков и продолжим этот процесс выбрасывания средней трети до бесконечности. В результате мы
Новые методы анализа социальных систем
121
получим то, что Б. Мапдельброт называет «Канторовской пылью». В математической литературе такие множества принято называть дисконтинуумами Кантора. Фрактальная размерность для «Канторовской пыли» равна D = log 2/log 3 = 0,63093. Другие процедуры вырезания части отрезка приводят к другим фрактальным размерностям. Данная процедура вычисления фрактальной размерности часто используется для описания возникновения различных событий за какой-либо период времени, например, так анализируют распределение атмосферных осадков с течением времени [20]. В этой связи отметим, что данную процедуру легко использовать для фрактального анализа различных социальных явлений, например, каждый месяц (год) отмечается наличие военных действий, где цифра 1 будет обозначать наличие военных действий, а цифра 0 — отсутствие военных действий. Для полученной последовательности нулей и единиц может быть измерена величина фрактальной размерности. В целом, образование регулярных фракталов осуществляется повторением каких-либо простых преобразований исходных данных. При этом, даже случайное повторение одних и тех же преобразований все равно приводит к образованию одного и того же регулярного фрактала, поскольку регулярный фрактал является аттрактором — притягивающим режимом динамики системы. Например, известный регулярный фрактал — салфетка Серпинского [17, с. 37, 38] может быть получен из любой исходной фигуры и, даже из одной точки, с помощью случайных итераций, лишь бы выполнялось следующее преобразование. На каждом шаге происходит уменьшение исходной фигуры в два раза и образование трех копий исходной фигуры. Не исключено, что данный механизм образования фрактала может объяснить возникновение устойчивых социальных структур. Известно [5, с. 210] следующее эмпирическое правило для некоторых фрактальных объектов. Если множество М является произведением двух независимых фрактальных множеств М, и М2, то фрактальная размерность М равна сумме фрактальных размерностей множеств М1 и М2 • В настоящее время фрактальный анализ представляет собой обширное направление в анализе временных рядов, в частности, в пакете FracLab [14] реализовано множество различных вариантов фрактального и мультифрактального анализа: различные процедуры измерения фрактальной размерности, синтезирования, сегментации, шумоподавления и т. д.
Формула Херста Формула Херста (2) впервые была выявлена при анализе суммарного расхода воды в реке Нил за длительный период времени [цит. по: 5]. К настоящему моменту времени известно, что закон Херста выполняется для стока многих рек и других природных явлений [5, 21]. Формула Херста (2) ши-
122
Глава 3
роко используется в экономике при анализе динамики биржевых индексов, курсов валют, объемов продаж и т. д. [13], где она известна как R/S- анализ. (2) где Я — размах между max и min значениями показателя; S — среднеквадратичное отклонение; А — масштабная постоянная, зависящая от масштаба используемых чисел; N — объем выборки или время наблюдений; Н — показатель Херста. При Н и 0,7 формулу (2) называют законом Херста [21]. На основе анализа обобщенного броуновского движения было показано [5], что возможные значения показателя Херста лежат в диапазоне 0 < Н < 1 и их можно использовать в качестве классификационного параметра и прогнозирования исследуемого процесса следующим образом. Если Н < 0,5, то процесс обладает долговременной знакопеременной тенденцией и называется антиперсистептным. Если Н > 0,5 , то процесс относится к классу персистентных, т. е. сохраняющих в будущем тенденцию к возрастанию или убыванию. При Н = 0,5 имеет место случай, соответствующий классу стационарных случайных процессов. Для статистического объяснения закона Херста [21] используют рассмотренные А. Н. Колмогоровым случайные процессы с дисперсией DXt = t2H, t>0, 0 4 . Корреляционная размерность вычисляется с помощью корреляционного интеграла и обозначает вероятность посещения траекторией различных областей аттрактора (притягивающая область для траекторий из окрестных областей) в фазовом пространстве. Размерность фазового пространства определяет количество информации, необходимое для задания координат точки, принадлежащей аттрактору. Фазовое пространство — совокупность всевозможных мгновенных состояний системы. Размерность фазового пространства можно рассматривать как меру пространственной неоднородности аттрактора. Числовое значение корреляционной энтропии при данной размерности является количественной характеристикой степени хаотичности системы в вычисленном я-мерном фазовом пространстве. Чем выше значение корреляционной энтропии, тем менее предсказуема динамика системы в вычисленном и-мерном фазовом пространстве. С методикой вычисления данных характеристик и их содержательным смыслом можно более подробно ознакомиться в [15, 17].
Для сравнения, корреляционная размерность для гауссового «шума» равна 9,743, размерность фазового пространства равна 15. Корреляционная размерность для обобщенного Броуновского движения равна 2,541, размерность фазового пространства равна 7. Вычисление производилось
Глава 3
126
автором с помощью модельных генераторов, реализованных в пакете FRACTAN [15]. Сравнение показывает, что динамика курса рубля по отношению к доллару США не является случайным процессом и она проще, чем случайный процесс. В табл. 3.1—3.4 представлены значения фрактальной размерности (Z)) для различных социальных процессов, вычисленные автором с помощью встраиваемого пакета FracLab [14] в пакет MATLAB (версия 6.5). Вычисление фрактальной размерности (Z>) осуществлялось с помощью процедуры регуляризации, методом автоматического подбора ядра и дробления временного ряда, с использованием метода наименьших квадратов. Выбор динамики социокультурных характеристик П. Сорокина [23], (табл. 3.1), был обусловлен тем обстоятельством, что это самые продолжительные в социологии социальные процессы с 580 г. до и. э. по 1920 г. н. э., т. е. за 2500 лет, всего 125 моментов времени через каждые двадцать лет. Заинтересованный читатель может обратиться к работе П. Сорокина [23] в которой подробно излагается объяснение данных социокультурных категорий и методика их подсчета. Выбор некоторых данных опросов общественного мнения в России и Западной Европе (табл. 3.2-3.3) был обусловлен стремлением проанализировать временные ряды, относящиеся к сфере субъективных оценок индивидов. Выбор различных социальных процессов (табл. 3.4) был обусловлен стремлением вычислить фрактальную размерность (/)) для различных показателей, по разным странам мира в разные периоды времени, чтобы сравнить полученные результаты. Таблица 3.1 Фрактальная размерность динамики социокультурных характеристик П. Сорокина (580 г. до н. э. - 1920 г. н. э.) Социокультурная категория
Фрактальная размерность (D)
«Любовь»
1,6493
«Индетерминизм»
1,5178
«Идеализм»
1,5049
«Реализм»
1,4198
«Этика принципов»
1,3228
Примечание. Источник цитирования [23], количество моментов времени— 125.
127
Новые методы анализа социальных систем
Таблица 3.2 Фрактальная размерность данных мониторинга опросов общественного мнения ВЦИОМ (1994-2001 гг.) Фрактальная размерность (D)
Показатель Доверие В. Жириновскому
2,0674
Градация «Экономические реформы нужно прекратить»
1,9279
Градация «Все не так плохо и можно жить»
1,7154
Градация «Терпеть наше бедственное положение уже невозможно»
1,6689
Доверие Г. Зюганову
1,5117
Доверие Г. Явлинскому
1,4689
Примечание. Источник цитирования [24], количество моментов времени — 44. Таблица 3.3 Фрактальная размерность данных мониторинга опросов общественного мнения жителей Западной Европы (1973-1999 гг.) Фрактальная размерность (D)
Вопрос Доля очень счастливых
2,1537
Доля полностью удовлетворенных жизнью
1,6603
Доля респондентов, считающих, что следующий год будет хуже, чем предыдущий
1,4721
Примечание. Источник цитирования [25], количество моментов времени — 24. Таблица 3.4 Фрактальная размерность различных социальных процессов Фрактальная Источник размерность цитирования (D)
Социальный процесс
Период времени (количество моментов времени)
Количество крупных авиакатастроф в мире
1971-1998 гг. (20 моментов времени)
1,706
[26]
Доля участвующих в выборах в Парламент Великобритании
1950-1996 гг. (24 момента времени)
1,6603
[27]
Глава 3
128
Окончание табл. 3.4 Социальный процесс
Период времени (количество моментов времени)
Фрактальная Источник размерность цитирования (D)
Эмиграция из Западной Европы
1900-1937 гг. (38 моментов времени)
1,5916
[28]
Доля безработных в США
1929-1994 гг. (30 моментов времени)
1,5240
[29, 30]
Количество выданных патентов в Швейцарии
1942-1988 гг. (47 моментов времени)
1,5096
[31]
Доля американцев, одобрявших деятель1981-1987 гг. ность Р. Рейгана на (73 момента времени) посту Президента США
1,4960
[32]
Количество легальных абортов в Великобритании
1986-1996 гг. (11 моментов времени)
1,4387
[27]
Число зарегистриро1942-1988 гг. ванных преступлений в (47 моментов времени) Японии
1,3951
[33]
Общая численность вооруженных сил в странах OECD (24 страны Западной Европы)
1961-1987 гг. (27 моментов времени)
1,3891
[34]
Число осужденных в Японии
1942-1988 гг. (47 моментов времени)
1,3029
[33]
Число зарегистриро1977-1996 гг. ванных преступлений в (20 моментов времени) СССР и России
1,2291
[35]
Число незаконнорожденных в Бельгии
1945-1986 гг. (42 момента времени)
1,1471
[36]
Количество самоубийств в Великобритании
1990-1997 гг. (8 моментов времени)
1,0062
[27]
По значениям фрактальной размерности (-D), представленным в табл. 3.1-3.4, было вычислено среднее значение фрактальной размерности ID\ . Результаты представлены в табл. 3.5.
Новые методы анализа социальных систем
129 Таблица 3.5
Статистики для среднего значения фрактальной размерности ( D )
Значение фрактальной размерности
Mean 95% Confidence interval for Mean 5% Trimmed Mean Median Variance Std. Deviation Minimum Maximum Range Interquartile Range Skewness Kurtosis
Lower Bound upper Bound
Статистики 1,535430 1,435886
Std. Error 4.84E-02
1,634973 1,529697 1,509600 6.332E-02 ,251635 1,0062 2,1537 1,1475 ,265200 ,520 1,079
,448 ,872
Из табл. 3.5 следует, что в проанализированных социальных процессах значение фрактальной размерности (Z)) наблюдалось в интервале 1,00622 соответствуют субъективной значимости для индивида операций сложения и умножения субъективных вероятностей.
Сложение субъективных вероятностей (8) где wl — субъективность индивида при сложении субъективных вероятно-
стей Р(А)+ Р(В); w2 — субъективность индивида при сложении субъективных вероятно-
стей Р(А)+ Р(В). Из (8) следует, что при wx = w2 =1 формула (8) соответствует теореме сложения вероятностей совместных событий в классической теории вероятностей.
Умножение субъективных вероятностей (9) где wi — субъективность индивида при умножении субъективных вероят-
ностей Р(А) х Р(В); w2 — субъективность индивида при умножении субъективных вероят-
ностей Р(А)х Р(В). Из (9) следует, что при Wj = w2 = 1 формула (9) соответствует теореме умножения вероятностей независимых событий в классической теории вероятностей.
Новые методы анализа социальных систем
191
Если формально рассматривать (8-9), то тогда можно сказать, что значения коэффициентов w1 и w2 показывают, во сколько раз наблюдаемые субъективные вероятности отличаются от сложения вероятностей совместных событий и умножения вероятностей независимых событий классической теории вероятностей. В этой связи сложение вероятностей совместных событий и умножение вероятностей независимых событий классической теории вероятностей можно рассматривать как эталоны, с которыми сравниваются субъективные вероятности. В какой мере эмпирически обоснованы данные эталоны, заимствованные автором из Fuzzy sets [4], сказать сейчас трудно, поскольку окончательно неизвестны действительные когнитивные психологические механизмы формирования субъективных вероятностей индивидами. Однако отметим, что (8-9) имеют диагностический смысл при анализе ответов респондентов и экспертов, поскольку показывают, во сколько раз ответы экспертов отличаются от сложения вероятностей совместных событий и умножения вероятностей независимых событий классической теории вероятностей, т. е. значения коэффициентов wj и w2 можно интерпретировать, с точки зрения «мягких» вычислений, как меру аппроксимации (приближения) модели. Поскольку из психологических экспериментов [18, 20, 24—27] известно, что значения wx и w2 в (8—9) зависят от индивидуальных особенностей индивидов, содержания явлений, предъявляемых индивиду и методики предъявления явлений для оценки, то при оценке вероятности конкретного события несколькими индивидами, значения величин Wj и м>2 можно интерпретировать, в соответствии с Fuzzy sets [4], как «нечеткие» числа, представляющие собой одномерные частотные распределения вероятностей значений wx и w2. D-алгебра субъективных вероятностей и модель случайного выбора Существуют различные модели субъективных вероятностей [20, 24-27], однако в данной статье автор рассмотрит только одну из классических моделей математической психологии, а именно, модель случайного выбора [29], согласно которой индивид осуществляет выбор одной из нескольких альтернатив случайным образом. Скажем сразу, что модели случайного выбора не вполне реалистичны, однако позволяют получить численные оценки, которые затем можно использовать в диагностике ответов респондентов и экспертов, а именно, оценить, на сколько отличаются ответы респондентов и экспертов от случайного выбора. Автор с помощью генератора случайных чисел из пакета Microsoft Excel сгенерировал 6 серий по 5000 равномерно распределенных случайных
192
Глава 3
чисел в интервале 0-1, что означало равномерное и независимое друг от друга распределение субъективных вероятностей Р(А), Р(А), Р(В), Р(В), Р(С), Р(С), а затем по формулам (8-9) вычислил значения коэффициентов Wj и w2 • Цель вычислительного эксперимента состояла в том, чтобы выявить 95 % доверительный интервал для средних значений w\ и W2 при операциях сложения и умножения равномерно распределенных случайных чисел. В этой связи отметим, что статистическое вычисление 95 % доверительного интервала в «soft computing» рассматривается как один из традиционных методов «мягких» вычислений. Результаты вычислительного эксперимента представлены в табл. 3.7. Таблица 3.7 95 % доверительный интервал для средних значений w-\ и W2 Операция
Значение w\
Значение w2
Сложение
0,8 <wi 1. Каким может быть 95 % доверительный интервал для средних значений w\ и W2 и частотные распределения wx и w2 в различных опросах респондентов и экспертов — дальнейшая перспективная исследовательская задача.
D-алгебра субъективных вероятностей против нейрокомпьютерной алгебры Если читатель полагает, что формализм D-алгебры субъективных вероятностей является недостаточно «мягким» и нереалистичным, с точки зрения неметрической символьной переработки информации индивидом [18], то концепция «мягких» вычислений может предложить более «мягкий» подход, основанный на «нейронных» сетях [4, 15, 30], которые в Neurocomputer Science рассматривают как приближенную компьютер-
Новые методы анализа социальных систем
193
ную модель деятельности мозга и ментальной переработки информации человеком. Если использовать «нейронную» сеть, то тогда субъективные вероятности Р{А), Р{А), Р{В), Р{В) можно представить как входные «нейроны», а субъективные вероятности
Р(А) + Р(В),
Р(А) + Р(В),
Р{А) х Р(В), Р{А) х Р(В) как выходные «нейроны». Теория «нейронных» сетей [30, 31] гарантирует, что можно построить и обучить «нейронную» сеть так, чтобы она точно аппроксимировала значения выходных «нейронов» при любых значениях входных «нейронов». Для построения и обучения данной «нейронной» сети можно воспользоваться модулем Neural Network пакета MATLAB (версия 6.5) [17, 32] или многочисленными специализированными пакетами, например, NeuroSolution, NeuroShell, BrainMaker и т. д. При этом можно использовать «нечеткую» логику [4], алгоритмы генетического обучения [12, 15], различные классы «нейронных» сетей с различной архитектурой, а также другие возможности, предлагаемые Neurocomputer Science. Например, из (4) вытекает, что субъективные вероятности Р(А, А) и Р(В, В) описываются векторами, которые можно представить как комплексные числа на комплексной плоскости, а результат их суперпозиции (сложение, умножение или какая-либо другая операция) также будет являться вектором на данной комплексной плоскости с учетом ограничений 0 < Р(А) < 1, 0 0 на использование функции (12). Особенность функции (13) состоит в том, что здесь может нарушаться вторая аксиома метрики, а именно, р(а, b) = p(b, а) в силу объективно существующих закономерностей. Например, если взаимодействие между системами измеряется посредством финансовых, торговых, людских, транспортных и т. д. потоков, посредством количества ссылок цитирования и т. д., то встречаются случаи, когда, допустим, количество туристов из США, приезжающих в Китай, больше, чем количество туристов, приезжающих из Китая в США. В многомерном шкалировании [8, с. 125], данную объективно существующую асимметричность социальных потоков между социальными системами нивелируют следующим образом. Во-первых, используют суммарную величину взаимодействия между социальными системами, во-вторых, используют среднее расстояние
Системный анализ современного состояния России
303
в третьих, используют минимальное или максимальное расстояние из двух расстояний. В силу объективно существующих закономерностей, при использовании функции (13) может также нарушаться третья аксиома метрики, которую называют «аксиомой треугольника». Исследования в социальной географии [23, с. 466] показывают, что в (13) для географического расстояния и социального взаимодействия между населенными пунктами наиболее вероятно -0,4 < Ъ < -3,3, а в среднем, Ък—2. Исходя из исследований автора [18, 24], можно предположить, что для множества показателей социального взаимодействия в (13) наиболее вероятно -1,237 < Ъ < -2,236 , а в среднем Ъ да -1,618, что соответствует одной из фундаментальных системных констант, которая в науке и искусстве известна как «золотая» пропорция. В рамках естественно-научной парадигмы активно изучают так называемые субъективные метрики [25] — субъективные правила оценки социальных расстояний между социальными системами, на которых основываются индивиды. Несмотря на то, что субъективные оценки расстояния могут не удовлетворять аксиомам метрики 1-3, субъективные оценки социального расстояния имеют содержательный и практический смысл, поскольку на основе субъективных представлений индивиды могут оценивать социальную реальность и предпринимать соответствующие действия. Эксперименты [25] показывают, что оценка социального расстояния зависит от различных характеристик социальных систем и важности их для индивида; контекста конкретной характеристики социальной системы; масштаба чисел; удаленности во времени оцениваемого события; социально-психологических характеристик индивида; методической процедуры измерения расстояний; величина оценки меняется с течением времени и т. д. В частности, при субъективном измерении даже географических расстояний [25], оценка расстояния зависит от времени суток; известности маршрута; притягательности объектов, до которых измеряется расстояние; порядка предъявляемых географических пунктов, единиц измерения расстояния и т. д. Известно [8, с. 15], что если индивид воспринимает сравниваемые системы как целостные, то тогда он может использовать метрику Евклида. Если индивид воспринимает системы как состоящие из разнородных частей, то тогда он может использовать метрику Манхэттена (city-block) (1). Исследования автора [25] показывают, что при оценке социальных расстояний между социальными системами индивиды используют символьную стратегию, основанную на неметрических контекстуальных правилах, известные математические метрики, а также
304
Глава 4
ряд других субъективных метрических стратегий, используя точечные и многомерные числа (см. раздел данной книги «Субъективные числа в анализе социальных систем»).
Гуманитарная парадигма измерения социального расстояния При определении расстояния между социальными системами в рамках гуманитарной парадигмы обычно используют качественные признаки социальных систем, соответственно, расстояние — это некоторый смысловой, качественный «ярлычок», например, «духовная близость», «социальная дистанция» и т. д., которые выражаются словами, например, «близко», «далеко» и т. д. При практических приложениях в рамках гуманитарной парадигмы, социальное расстояние между социальными системами наиболее часто измеряют с помощью частного случая р(а, Ъ) = \х — у\ взвешенной метрики Минковского (5) при р = 1, где «вес» для наиболее значимого показателя w = 1, а для остальных показателей w = 0 . В качестве наиболее значимого показателя развития страны, в практике ООН используется Human Development Index (Индекс человеческого развития) [10], значения которого представлены на рис. 2. В качестве наиболее значимого показателя часто используют время достижения поставленной цели, т. е. х = t0 — начальный момент времени, у = 1\ — момент времени достижения поставленной цели. Например, расстояние от дома до работы индивиды обычно оценивают по затраченному на дорогу времени. Аналогично происходит оценка расстояния при перемещении индивидов между населенными пунктами с помощью самолета или поезда, т. е. учитывается не географическое расстояние в километрах, а время в пути. Аналогично используется время ожидания для измерения расстояния в очередях в магазине, к врачу, за справкой и т. д. При постановке государственных целей также используется время, например, достичь коммунизм к определенному моменту времени, к 2000 г. обеспечить каждую семью отдельной квартирой, увеличить ВВП (валовый внутренний продукт) в два раза за 10 лет, сократить долю бедных на определенную величину к определенному моменту времени и т. д. В истории «расстояние» между историческими событиями оценивается преимущественно по времени. В целом, выбор наиболее значимого показателя сравниваемых социальных систем зависит от целей и задач конкретного исследования, предполагаемого способа управления социальной системой, особенностей социальной системы и множества других теоретических, методических, практических и субъективных факторов. Например, при определении не-
Системный анализ современного состояния России
305
официального места спортивных команд на Олимпиаде в Афинах (2004 г.), Россия по количеству завоеванных медалей занимала второе место после США, по количеству золотых медалей — третье место, после США и Китая. В данном случае, выбор наиболее значимого показателя расстояния между Россией, США и Китаем будет зависеть от политического решения, которое очевидно будет направлено на максимальное увеличение спортивных достижений России на Олимпиаде в Афинах. В этой связи нельзя не согласиться с высказыванием М. Алле [26, с. 16] — Нобелевского лауреата по экономике, «если бы теорема Евклида затрагивала финансовые или политические интересы, то она была бы предметом самых яростных споров». Данное высказывание в полной мере относится к измерению социального расстояния между социальными системами.
Системная парадигма измерения социального расстояния При системном подходе термин «расстояние» обычно используется в случае, если социальные системы размещены в некоторой среде (пространстве), которая имеет определенные свойства строения. Если среда, в которой размещены системы, не существует или не учитывается, то обычно используются термин «различие» между системами [27]. В этом смысле, данные в табл. 4.7 показывают не расстояние между Россией, США и Китаем, а различия в некоторых показателях функционировании данных стран. При системном подходе измеряют различия между строением систем (различия по числу элементов, свойствам и отношениям), различия по функционированию систем (различия в продуктивности систем, мере адаптации к окружающей природной и социальной среде, виду социальных процессов и т. д.), расстояние по взаимодействию систем, с помощью множества функций, вытекающих из математической и естественно-научной парадигм. Некоторые из используемых метрик приведены в данном разделе. В общем, расстояние и различие социальных систем можно отобразить как комплексное число (14) и далее использовать модуль (абсолютную величину) комплексного числа в качестве обобщенной характеристики многообразия «расстояние-различие». (14) где z — комплексное число, которое характеризует «расстояние — различие»; p(a,b) — расстояние между системами аи Ь; r(a,b) — различие между системами а и Ъ.
306
Глава 4
Для измерения социального расстояния и различий между социальными системами автор предлагает использовать более общий, и более содержательно перспективный подход к измерению, который основывается на одном из фундаментальных понятий математики — понятии «преобразование» (отображение) и использовать функцию (15), которая показывает количество социальных преобразований, которое необходимо осуществить, чтобы социальную систему X точно преобразовать в социальную систему Y. (15) где / — социальное преобразование. С математической точки зрения, преобразование записывается /: X —> Y и обозначает закон, по которому каждому элементу х множества X, сопоставляется однозначно определенный элемент у множества Y. Под социальным преобразованием условимся понимать также перестановку или подстановку элементов, свойств и отношений системы, промежуточный результат (шаг) работы социологического алгоритма, смену одного состояния (режима функционирования) социальной системы другим, управленческое действие и иные промежуточные «шаги» между системой X и системой Y. Множество преобразований образуют группу преобразований, поскольку здесь выполняются групповые аксиомы, например, имеет место тождественное преобразование. Инвариантами (неизменными свойствами и отношениями) при социальных преобразованиях (территориальных, политических, экономических, демографических, правовых, военных и т. д.) для России на протяжении всей ее истории, являются, по мнению С. Г. Кирдиной [28], в идеологической сфере — коммунитарность (доминирование коллективных ценностей, приоритет МЫ над Я, соборность). В политической сфере — принцип унитарно-централизованного государства. В экономической сфере — принцип раздаточной (нерыночной) экономики. С точки зрения автора, к инвариантам России при ее различных социальных преобразованиях можно также отнести православие, как доминирующую религию, авторитаризм в государственном управлении, низкую ценность человеческой жизни и еще ряд других известных свойств российского общества, которые неизменно наблюдались в истории России и которые неоднократно упоминались в многочисленной исторической, социальнофилософской, социологической литературе. Опыт показывает, что социальные преобразования различаются по уровню общности, а именно, существуют глобальные и локальные
Системный анализ современного состояния России
307
преобразования социальных систем. Каждое глобальное преобразование может состоять из п локальных преобразований, где и =1,2,... Элементарным преобразованием условимся называть преобразование, которое нельзя представить состоящим из локальных преобразований. Если преобразуются системообразующие элементы, свойства, отношения в социальной системе, то такое преобразование будем называть системообразующим. Все иные преобразования будем называть несистемообразующими. Функция (15), в той или иной интерпретации, уже используется при анализе различных систем. Например, метрику Манхэттена (cityblock) (1) можно интерпретировать, как сумму элементарных преобразований, при которых f:X->Y. В теории кодирования и криптографии — расстояние Хэмминга [цит. по: 13] между двумя бинарными последовательностями (последовательностями из 0 и 1) — количество различающихся элементов в данных бинарных последовательностях, т. е. количество замен элементов. В теории графов [29], которая широко используется для описания и анализа систем, расстояние — длина кратчайшей простой цепи (количество ребер графа в порядке их прохождения) соединяющей вершины vt и Vj в графе G. В теории графов [29] доказано, что в связном неориентированном графе G расстояние удовлетворяет аксиомам метрики 1-3. Удобство функции (15) состоит в том, что она применима на любом уровне измерения показателей (номинальном, порядковом, интервальном, отношений) и для любой модели социальной системы. Например, если социальные системы описываются как графы, то тогда количество добавленных и удаленных вершин и ребер в одном графе, в результате которых получают два тождественных графа — расстояние между графами. Если социальные системы описываются автоматами [30], то тогда количество преобразованных правил функционирования одного автомата, при котором два автомата демонстрируют эквивалентное поведение — расстояние между автоматами. Если социальные системы описываются как тексты, то количество измененных единиц текста (букв, слов, предложений, абзацев) при которых два текста становятся тождественными — расстояние между текстами. Если при анализе систем учитываются только состояния или режимы функционирования, то тогда количество промежуточных состояний или режимов функционирования в порядке их прохождения — расстояние между социальными системами. Для географических расстояний между социальными системами, а также периодов времени между ними — расстояние это количество единиц длины или времени в порядке их прохождения, т. е. п локальных преобразований. Данные локальные
308
Глава 4
преобразования пространства и времени в теории симметрии [31] называют симметрией переноса вдоль оси переноса, что является глобальным преобразованием. Функция (15) может быть использована в опросах экспертов или респондентов, если задать прямой вопрос, направленный на выяснение мнения опрашиваемого о том, какие преобразования необходимо осуществить, чтобы достичь каких-либо целей, например, России догнать США по показателям, представленным в табл. 4.7. Субъективные ответы опрошенных можно затем классифицировать по уровню общности, частоте встречаемости и другим характеристикам названных преобразований. По функции (15) определим минимальное количество глобальных геометрических преобразований для данных из табл. 4.7. Поскольку в табл. 4.7 представлено 17 количественных показателей, то соответственно, пространство признаков является 17-мерпым метрическим пространством. Россия, США и Китай являются «точками» в данном пространстве признаков. Каждую «точку» соединим радиусом-вектором с началом координат, т. е. получим три радиус-вектора. Из векторного анализа [32] известно, что для того, чтобы отождествить два радиус-вектора в и-мерыом пространстве, необходимо осуществить два глобальных геометрических преобразования, а именно, изменить угол ) существования системы социологических алгоритмов, которые /: X —> Y, р —> 0 . Условимся, что если социологический алгоритм не существует, неизвестен, или неприменим по каким-либо причинам, то p(a, b) =. Знак бесконечности следует понимать как метафору максимально возможного далекого социального расстояния, поскольку очевидно, что все социальные системы располагаются на планете Земля, которая имеет конечный размер, момент появления биологического вида Homo Sapiens на планете Земля тоже приблизительно известен [33], т. е. удаление в прошлое не может быть бесконечным по объективным причинам. Кроме того, для многих социальных систем известны моменты времени их возникновения и исчезновения. С учетом данных пояснений,
Глава 4
310
можно сказать, что при использовании теории социологических алгоритмов и (15) при и —» оо ,
/^(Россия, США) = р(Россия, Китай) = р(Китай, США) = со.
Литература 1. Давыдов А. А. Геометрия социального пространства: постановка проблемы // Социол. исслед. 1996. № 8. С. 96-98. 2. Давыдов А. А. Социология и геометрия // Социол. исслед. 2000. № 5. С. 123—131. 3. Давыдов А. А. К измерению расстояния между социальными системами// Социол. исслед. 2001. № 4. С. 137-138. 4. Huntington S. The Clash of Civilizations and Remaking of World Order. N. Y, 1996. 5. NaisbittJ., Aburdene P. Megatrends 2000. N. Y.: New York Press, 1990. 6. Математический энциклопедический словарь. М.: Большая российская энциклопедия, 1995. 7. ДюранБ., Одеял П. Кластерный анализ. М.: Статистика, 1977. 8. Терехина А. Ю. Анализ данных методами многомерного шкалирования. М.: Наука, 1986. 9. Айвазян С. А., Бухштпабер В. М., Енюков И. С, Мешалкин Л. Д. Прикладная статистика: классификация и снижение размерности. М.: Финансы и статистика, 1989. 10. Human Development Report. 2002. N. Y, Oxford: Oxford University Press, 2002. 11. http://www.un.org. 12. Колмогоров А. Н., Фомин С. В. Элементы теории функций и функционального анализа. М.: Наука, 1989. 13. Скворцов В. А. Примеры метрических пространств. М.: МЦНМО, 2002. 14. Миркин Б. М., РозенбергГ. С, Наумова Л. Г. Словарь понятий и терминов современной фитоценологии. М.: Наука, 1989. 15. Хренников А. Ю. Неархимедов анализ и его приложения. М.: Физматлит, 2003. 16. BaoD., Chern S, Shen Z. An Introduction to Riemann-Finsler Geometry, N. Y: Springer-Verlag, 2000. 17. Shen Z. Lectures on Finsler Geometry. N. Y: World Scientific Publishers, 2001. 18. Давыдов А. А. Системный подход в социологии: законы социальных систем. М.: УРСС, 2004. 19. СмилгаВ. П. Десять историй о математиках и физиках//Природа. 1998. № 10-12. 20. Bertalanffy L. von. General System Theory: Foundation, Development, Applications. London, 1971.
Системный анализ современного состояния России
311
21. TargR., PuthoffH., May E. Direct perception of remote geographical location. N.Y.:Praeger, 1979. 22. Розенталь И. Л., Архангельская И. В. Геометрия, динамика, Вселенная. М.:УРСС, 2003. 23. Хаггегл П. География: синтез современных знаний. М.: Прогресс, 1979. 24. Давыдов А. А. Модульный анализ и конструирование социума. М.: ИСЛН, 1994. 25. Давыдов А. А. Респондент как источник информации. М.: ИСАИ, 1993. 26. АтеМ. Современная экономическая наука и факты// THESIS. 1994. Т. 2. Вып. 4. С. 11-19. 27. Давыдов А. А., Чураков А. Н. Измерение идентичности социальных систем // Социол. исслед. 1995. № 11. С. 111-119. 28. Кирдина С. Г. Институциональные матрицы и развитие России. М.: ТЕИС, 2000. 29. Харари Ф. Теория графов. М : УРСС, 2003. 30. Хонкрофт Док., Мотвани Р., Ульман Дж. Введение в теорию автоматов, языков и вычислений. М: Вильяме, 2002. 31. ВигнерЕ. Инвариантность и законы сохранения. Этюды о симметрии. М.: УРСС, 2002. 32. Лаптев Г. Ф. Элементы векторного исчисления М.: Наука, 1975. 33. Тетушкин Е. Я. Хронология эволюционной истории человека//Журнал общей биологии. 2000. Т. 120. № 3. С. 227-240.
§ 4. Россия и США: снова гонка за лидером? В СССР был популярен лозунг «Догнать и перегнать», в русле которого было актуальным сравнивать политические, военные, научно-технологические, социально-экономические и другие статистические показатели развития СССР и США. Соревнование супердержав СССР и США закончилось в конце XX в. По объективным экономическим, политическим, научно-технологическим и иным критериям [1, 2] США стали мировым лидером, а Россия, как правопреемник СССР, по различным классификациям ООН [3, 4] и Всемирного Банка [5] в настоящее время принадлежит к группе стран мира со средним уровнем развития. Так, например, в 2001 г. по производству ВВП (валового внутреннего продукта) на душу населения Россия занимала 108 место среди 208 стран мира [5] и по данному базовому экономическому показателю находилась рядом с таким странами, как Иордания, Румыния, Гватемала, Иран. По индексу ООН Human Development Index (человеческого развития) [4] в 2000 г. Россия занимала 60-е место в мире и находилась рядом с Доминиканской Республикой, Малайзией, Белизом. В этой связи перестали сравнивать показатели развития России и США. Однако, с точки зрения автора, сравнение России с мировым лидером — США имеет смысл для проведения адек-
Глава 4
312
ватной внешней и внутренней политики России, постановки стратегических целей и задач развития России на длительную перспективу. Настоящий раздел посвящен аргументам в пользу данной точки зрения. Сначала сравним некоторые базовые показатели развития России и США. Скажем сразу, что автор не рассматривал показатели супердержавы, доставшиеся России как правопреемнику СССР, в частности, «право вето» в Совете Безопасности ООН, высокий уровень ракетно-ядерного и военного потенциала, уровень развития космических исследований и т. д., а также не пошел по пути механического сравнения данных, представленных в статистических ежегодниках России [6] и США [7], а сосредоточил основное внимание на некоторых общецивилизационных показателях, которые использовались в глобальной программе ООН Millenium Development Goals (цели тысячелетия) [2, 4]. Кроме того, по мнению многих отечественных и зарубежных экспертов, например, С. Смольникова [1, с. 21] в настоящее время лидерство страны в мировой иерархии стран мира определяют не численность населения, размеры территории, обеспеченность ресурсами, а примерно па 70 % социокультурные, экономические и технологические факторы и около 30 % — военные. Данная точка зрения экспертов также была учтена в отборе показателей для сравнения России и США. В табл. 4.9 представлены некоторые отобранные показатели, показывающие различие России и США в 2000-2002 гг. Таблица 4.9 Сравнение России и США по некоторым показателям (2000-2002 гг.) Россия
США
Источник цитирования
Значение Human Development Index (человеческое развитие)
0,781
0,939
И]
Gender emproverment measure (равноправие женщин в политике, образовании, экономике)
0,450
0,757
[4]
Социальный оптимизм (доля респондентов, считающих, что следующий год будет лучше, чем предыдущий),%
31
64
[8]
ВВП (млрд USD)
251,1
9837,4
[4]
ВВП на душу населения (USD)
8377
34 142
[4,5]
Неравенство доходов (индекс Джини)
48,7
40,8
[4]
53
—
[4]
Показатель
Доля населения, живущая на 4 USD в день,%
Системный анализ современного состояния России
313
Окончание табл. 4.9 Россия
США
Источник цитирования
1520
1366
[4]
Доля расходов ВВП на оборону,%
4,0
3,1
[4]
Экспорт оружия (млрд USD)
21
54
[9]
Доля расходов ВВП на образование.%
3,5
5,4
[4]
Доля расходов ВВП на науку,%
1,1
2,5
[4]
Доля высоких технологий в экспорте,%
14
34
[4]
3397
4103
[4]
6
62,5
[4, 10]
Число пользователей Интернет (на 1000 чел. населения)
2,2
295,2
[4]
Число пользователей мобильной (сотовой) связью (на 1000 чел. населения)
22
398
[4]
Уровень демократии
7
10
[4]
Гражданские свободы
5
1*
[4]
Политические права
5
1*
[4]
60
15**
[4]
Учет мнения народа
-0,35
1,24***
[4]
Политическая стабильность
-0,41
1,18***
[4]
3,0
6,0***
[4]
Роль права и закона
-0,87
1,58***
[4]
Эффективность правительства
-0,57
1,58***
[4]
Коррупция (Graft Index)
-1,01
1,45***
[4]
Показатель Численность Вооруженных Сил (тыс. чел.)
Численность ученых и инженеров (на 1 млн населения) Доля населения, имеющая персональный компьютер в личном пользовании,%
Свобода печати
Уровень законности и порядка
Примечания. * 1 — высший балл; ** 0 — высший балл; *** — чем больше значение, тем лучше (отрицательные значения хуже).
314
Глава 4
Из табл. 4.9 вытекает, что наибольшее отставание России от США наблюдалось по показателям, которые характеризуют экономически и политически развитое информационное общество. Статистические данные также показывают, что отставание России от США происходит быстрыми темпами. Так, например, в 1990 г. по ВВП на душу населения Россия отставала от США примерно в 3 раза [цит. по: 11], а в 2000 г. уже более чем в 4 раза (см. табл. 4.9). Другой пример. На рис. 4.6 представлена динамика значения Human Development Index (человеческого развития) [4] по СССР, России и США за период 1980-2000 гг.
Из рис. 4.6 следует, что по значению Human Development Index, Россия с течением времени все больше отстает от США. Вместе с тем, из табл. 4.9 следует, что по численности Вооруженных Сил и доле расходов ВВП па оборону Россия опережала США. Однако, несмотря на то, что по численности Вооруженные Силы Российской Федерации (далее ВС РФ) в 2002 г. занимали второе место в мире [4, 9] и обладали ядерным оружием, боеготовность ВС РФ многие эксперты [12, 13] оценивают как низкую, в частности, из-за недофинансирования ВС РФ и низкого уровня моральной и военной подготовки военнослужащих. Так, например, опросы Центра Военно-социологических, психологических и правовых исследований ВС РФ показывают, что в 1996 г. считали себя готовыми для участия в боевых действиях только около 75 % офицеров и 55 % солдат. Среди офицеров готовы пожертвовать жизнью за Родину 61 % опрошенных, среди солдат — 52 %. В 1997 г. доля неудовлетворенных военной службой военнослужащих составила около 85 %, что значительно выше предельно допустимого. Для сравнения, в армиях НАТО доля неудовлетворенных военной службой только 5-15 %. Из-за недостаточного финансирования в
Системный анализ современного состояния России
315
российской армии медленно происходит модернизация военной техники и вооружений. По мнению многих отечественных и зарубежных экспертов, до 60 % российской боевой техники и вооружений в войсках устарело и израсходовало свой ресурс, происходит устаревание ракетно-ядерного потенциала России. По прогнозам, спад темпов модернизации военной техники в ВС РФ может привести к тому, что к 2010 г. доля современных вооружений в Российской армии может снизиться до 10—20 %. Соответственно, большинство личного состава не будет владеть современными способами ведения боевых операций: средствами связи и информатики, вооружений и т. д. Также снижается качество военной подготовки военнослужащих. Так, например, российские экипажи самолетов в 1994—1995 гг. имели налет в среднем 25-30 полетных часов по сравнению со стандартными 120-130 полетными часами для летчиков НАТО. Многие отечественные и зарубежные эксперты больше пе рассматривают Вооруженные Силы Российской Федерации как существенный военный фактор международного влияния России в мире, поскольку для ВС РФ затруднено проведение операций стратегического масштаба вдали от своих границ, осуществление оперативной переброски войск и военной техники для ведения крупномасштабных боевых действий в Европе и других регионах мира, успешное ведение боевых действий с современно оснащенной и обученной армией. Почему Россия делает, преимущественно, ставку на военную силу, а не на человеческое развитие, образование, науку, экономику, информационные технологии, как США? Ответ может быть следующим. У России и США различные основополагающие социокультурные принципы образа жизни, которые с точки зрения общей теории систем [14, 15] являются системообразующими элементами, определяющими строение и функционирование системы, использование соответствующих социологических алгоритмов (см. раздел данной книги «Теория социологических алгоритмов»). С точки зрения автора, для России таким основополагающим социокультурным принципом является «Сила», а для США — «Разум». Социокультурный принцип «Разум» отражает рационализм, опору па пауку, технологии, образование, экономику, право, широкие возможности для реализации талантливых и творческих индивидов во всех сферах жизнедеятельности общества, ценность человеческой жизни и другие социокультурные особенности западной цивилизации, которые отмечал еще известный русский социолог П. Сорокин [16]. Социокультурный принцип «Сила», который в России сложился исторически и действует до настоящего времени, отражает решение внутренних и внешних проблем России преимущественно с помощью военной силы, политического принуждения, авторитаризма, пренебрежения к ценности
Глава 4
316
жизни отдельного человека и социальных общностей в целом, доминировании государства над личностью и т. д. Соответственно, одним из основных мотивов поведения населения являлся страх: страх потерять жизнь, свободу, материальное и иное благополучие. Примерами реализации социокультурного принципа «Сила» являлись реформы Петра I, коллективизация и индустриализация СССР и многие другие широко известные исторические факты из истории Российской империи, СССР, Российской Федерации, например, локальная гражданская война в Чечне в настоящее время. Действием социокультурного принципа «Сила» можно объяснить тот факт, что во внешней и внутренней политике действия России часто реализовывались по известной русской поговорке «Сила есть, ума не надо». В психогепетике, которая изучает генетическую наследуемость личностных психологических характеристик в человеческой популяции, установлено, что такие психологические свойства личности, как интеллект, сообразительность, рискованность имеют высокую меру генетической наследуемости [17, 18]. Гибель населения в многочисленных войнах, которые вела Россия в своей истории, высылка талантливых деятелей науки и культуры после Октябрьской революции, репрессии во времена И. Сталина, «утечка умов» из России в настоящее время, ухудшили интеллектуальный потенциал генофонда населения России и могли привести к тому, что для России основополагающим социокультурным принципом является «Сила». В этой связи отметим, что по данным Р. Линна и Т. Ваыхенена [18] среднее значение IQ (коэффициента интеллектуальности) населения России составляет 96, а для населения США — 98. Вышерассмотренпые социокультурные и генетические особенности населения России могли повлиять па то, что Россия всегда отставала от развитых стран Запада [2, 19]. Так, например, согласно данным П. Кеннеди [19, с, 149], доля России в мировом промышленном производстве в 1750 г. составляла только 5 %, в 1800 г. — 5,6 %, в 1860 г. — 7 %, в 1900 г. — 8,8 %. Теперь рассмотрим некоторые прогнозные сценарии будущего России на первую половину XXI в. и место стратегии «гонки за лидером» в каждом прогнозном сценарии. В многочисленной российской и зарубежной научной литературе называются четыре возможных сценария будущего развития России в XXI в., а именно, военный сценарий и три мирных сценария: пессимистичный, Status quo и оптимистичный, которые кратко охарактеризованы ниже.
Военный сценарий История показывает, что возникновение военных конфликтов в социуме (мир в целом) обладает цикличностью (повторяемостью). Так, например, в социуме известны циклы между военными конфликтами
Системный анализ современного состояния России
317
продолжительностью 10-12, 20, 27-33, 42-56, 84, 100-120, 300, 500, 600, 675, 780, 810 лет [20, с. ПО]. Представляется маловероятным, что в XXI в. не проявится как минимум один из вышеперечисленных циклов военных конфликтов, поскольку цикличность — внутренне присущее системное свойство динамики социальных систем. История также показывает, что в начале нашей эры «Восток» (социокультурная часть человечества в целом) опережал «Запад» по среднедушевому доходу в 1,5-2 раза, но уже к 1800 г. «Запад» опережал «Восток» по данному показателю в 1,5—1,7 раза, в 1870 — в 3 раза, а в 1913 г. — в 5 раз [21]. Приведенные данные свидетельствуют, что «Западу» понадобилось около 700 лет, чтобы опередить «Восток» на такую же величину, как и «Восток» опережал «Запад» в начале нашей эры. Если исходить из системного принципа цикличности, который справедлив для социальных систем, то тогда в XXI в. «Восток» сравняется с «Западом». Данный прогноз хорошо согласуется с глобальным циклом изменений в человеческой цивилизации, продолжительностью примерно 1300-1500 лет, выявленный известным русским социологом П. Сорокиным [16]. Из истории известно, что глобальные изменения человеческой цивилизации всегда сопровождались войнами и военными конфликтами. Согласно прогнозам Дж. Нэсбита и П. Абурден [22], в XXI в. грядет столетие Тихого океана: возникновение некоего подобия «Римской империи» в странах Тихоокеанского региона, а к концу XXI в. «Восток» (лидеры — Китай и Япония) может доминировать над «Западом». Из истории известно, что данные глобальные изменения человеческой цивилизации обычно сопровождаются войнами. В этой связи не исключено участие России в возможном будущем «переделе» мира. Кроме того, из прогнозов С. Хантингтона [23, с. 85] вытекает, что в мире происходит снижение влияния православной локальной цивилизации, к которой принадлежит Россия, а к 2025 г. доля населения мира под политическим контролем православной локальной цивилизации может быть только около 5 %. Напротив, наибольшая доля населения мира к 2025 г. может находиться под политическим контролем западной, китайской и исламской локальных цивилизаций. В этой связи воешше конфликты наиболее вероятны между западной, исламской и китайской локальными цивилизациями, а ослабленная православная локальная цивилизация не сможет «остаться в стороне» и играть роль мирового арбитра и вынуждена будет присоединиться к одной из враждующих локальных цивилизаций. Если в будущем возможном переделе мира Россия будет военным союзником США, то, как минимум, в военной сфере Россия будет реализовывать сценарий «гонки за лидером». Если же Россия будет военным союзником Китая, то Россия вынуждена будет также реализовывать сценарий «гонки за лидером» в военной сфере, чтобы успешно вести боевые действия с войсками США и НАТО.
Глава 4
318
Мирные сценарии Пессимистичный сценарий. Происходит снижение роли ООН и Совета Безопасности на принятие решений мировым сообществом, либо происходит изменение состава постоянных членов Совета безопасности ООН, которое сложилось в результате Второй мировой войны и в настоящее время пе в полной мере отражает роль России, Германии и Японии в современной мире. В результате снижается политическая роль России, как постоянного члена СБ ООН в мировом сообществе, военнополитические союзники России, прежде всего страны СНГ, все больше ориентируются на мирового лидера США, ядерный, военный и космический потенциал России окончательно технически и морально устаревают, соответственно, продолжает снижаться военно-политическая роль России в мировом сообществе. Экономическая, политическая и нравственная ситуация в России ухудшается, качество науки, образования, технологий приходит в упадок, Россия попадает в полную зависимость по продовольствию, товарам народного потребления и технологиям от развитых стран мира, органы государственной власти в силу коррупции и непрофессионализма не способны вывести страну из кризиса, большинство населения не доверяет органам государственной власти и политическим партиям, природные ресурсы страны окажутся под полным контролем транснациональных корпораций. В результате, Россия, если она сохранится как единое государство, окажется в группе слаборазвитых стран и стратегия «гонки за лидером» станет для нее неактуальной. К сожалению, наблюдения и статистические данные показывают, что развитие России пока во многом происходит по пессимистическому сценарию. Status quo. Россия, также, как и в настоящее время, будет находиться в группе стран со средним уровнем развития. Возможно, Россия станет членом ЕС и НАТО. В сценарии Status quo ориентиром развития для России будет являться государство — лидер внутри данной группы, а пе мировой лидер — США. В данном сценарии «гонка за лидером» — США является скорее отдаленной во времени стратегической задачей, нежели задачей тактической. Похоже, что данный сценарий развития России серьезно рассматривается руководством страны, о чем могут свидетельствовать высказывания А. Илларионова, советника по экономике Президента РФ, предлагающего сначала догнать Португалию по уровню социальноэкономического развития. Напомним, что по значению Human Development Index (человеческого развития) Португалия в 2000—2001 гг. занимала 28 место в мире [4], по Gender emproverment measure (равноправие женщин в политике, образовании, экономике) занимала 20 место в мире, по ВВП на душу населения Португалия в 2001 г. занимала 51 место в мире
Системный анализ современного состояния России
319
[5]. Вместе с тем, история [2] показывает, что если в прошлом великая держава в качестве ориентира развития выбирала государство со средним уровнем развития, то у нее мало шансов снова занять одно из ведущих мест в иерархии стран мира. Так случилось с бывшим мировым лидером Португалией, а также Австрией и Венгрией после распада Австро-венгерской империи. Напротив, Англия дважды становилась мировым лидером [2], в значительной мере потому, что в качестве ориентира развития выбирала доминирующее место в иерархии стран мира. Оптимистичный сценарий. Россия снова окажется в группе высокоразвитых стран мира. Реализация оптимистического сценария может быть осуществлена с помощью трех стратегий, которые условно можно назвать «историческая», «общецивилизационная» и «евразийская». При «исторической» стратегии возвращение России в группу высокоразвитых стран и развитие России осуществляется с помощью жестких мер, которые в историческом прошлом уже использовались в России для решения аналогичной задачи, в частности, при реформах Петра I и индустриализации СССР. Это наличие «харизматического» лидера, обладающего всей полнотой власти, тоталитаризм, доминирование государства над личностью, пренебрежение человеческой жизнью и правами человека, сплоченность народа вокруг некоторых социально-политических идей и целей и т. д. При использовании «исторической» стратегии Россия неизбежно будет ориентироваться на достижения США, как мирового лидера. При общецивилизационной стратегии используются общецивилизационные тенденции [22] развития мирового сообщества для вхождения России в группу высокоразвитых стран, в частности, развитие демократии, экономики, науки, образования, внедрение информационных технологий, возрождении «художественной» жизни, усиливающемся влиянии женщин в ключевых областях, замены «века физики» «веком биологии», усилении роли талантливых индивидов во всех сферах жизни и т. д. При этом, развитие страны осуществляется на основе системного принципа целостности, а не только на основе развития одной из подсистем общества. При системном использовании общецивилизационных тенденций Россия будет ориентироваться на опыт других высокоразвитых стран и достижения США, как мирового лидера. При евразийском подходе происходит активизация некоторых полезных факторов социокультурной специфики населения России, в частности, коллективизма, принятие ограничений во имя будущего, терпения народа, приверженности глобальным социально-политическим идеям и т. д. при одновременном использовании позитивных экономических, технологических, военных и иных примеров других стран мира и мирового лидера США.
320
Глава 4
В целом, при оптимистичном сценарии развития России, роль мирового лидера США, как ориентира развития, неизбежна и значима для России. В этой связи возникает вопрос, если Россия намерена снова возвратиться в группу высокоразвитых стран мира, то какие государственные действия необходимо реализовать? С точки зрения общей теории систем [14, 15] и теории социологических алгоритмов, необходимо одновременно и параллельно улучшать качество жизни граждан и все сферы жизнедеятельности общества. Однако, в одном из последних ежегодных посланий Президента Российской Федерации Федеральному Собранию РФ и Совету Федерации РФ в качестве одной из основных целей развития России называлось увеличение ВВП (валового внутреннего продукта) в два раза, что в целом соответствует теории К. Маркса о доминирующей роли базиса над надстройкой и известным социально-политическим теориям о доминирующей роли государства над личностью в развитии. В этой связи также отметим, что статистический анализ показателей из базы данных ООН [3], некоторые из которых представлены в табл. 4.9, показывает следующее. Различные показатели связаны между собой нелинейной связью, поэтому увеличение ВВП не приводит автоматически к повышению уровня демократии [4, с. 57], социального оптимизма [8], снижению преступности [4, с. 220], уровня бедности [4, с. 157, 158]. В этой связи также отметим следующее. В фундаментальном психологическом исследовании [18], где изучалось влияние значения IQ (коэффициента интеллектуальности) населения на экономические показатели в 185 странах мира, было эмпирически установлено, что между средним значением IQ в стране и ВВП (валовым внутренним продуктом) на душу населения существует величина корреляции, значение которой равно 0,757, т. е. коэффициент детерминации равен 57 %. При этом известно, что значение коэффициента интеллектуальности примерно на 60 % обусловлено генетически, примерно па 15 % обусловлено факторами природной окружающей среды и мало изменяется в зависимости от возраста индивида, т. е. значения IQ обусловлены, преимущественно, не социальными факторами. (Подробнее о влиянии IQ на экономику и демократию см. в разделе данной книги «Социогенетика»). Из данных Р. Линна и Т. Вапхепепа [18] следует, что при среднем значении IQ для населения России, которое равно 96, ВВП на душу населения в России может быть только 14 420 USD. Для сравнения, в 2000 г. ВВП на душу населения в России составлял 8377 USD [4]. Следовательно, если за точку отсчета принять 2000 г., то среднее значение IQ населения России не позволяет удвоить ВВП на душу населения в России. В этой связи органам государственного управления России можно рассмотреть опыт Объединенных Арабских Эмиратов, где среднее значение IQ населения равно 83, что значительно ниже, чем в России, однако благодаря продаже природных ресурсов (нефти), что не требует значительных интеллек-
Системный анализ современного состояния России
321
туальных способностей всего населения, ВВП на душу населения составлял в 2000 г. 17 935 USD [4]. Однако, в Объединенных Арабских Эмиратах высокий уровень авторитаризма (по классификации ООН — 8) [4]. В этой связи можно также рассмотреть опыт Португалии, где при среднем значении IQ населения равном 95, что на один пункт ниже, чем в России, уровень демократии составлял 10 баллов (самый высокий уровень демократии), а ВВП на душу населения составлял в 2000 г. 17 290 USD [4]. Данная величина ВВП на душу населения соответствует поставленной цели удвоения ВВП России. Представленные рассуждения показывают, что задачей органов государственного управления РФ, при решении задачи удвоения ВВП, должен являться поиск природных и (или) социальных ресурсов, которые могли бы эффективно компенсировать недостаточное среднее значение коэффициента интеллектуальности населения России. Как уже было выше отмечено [1], в настоящее время лидерство страны в мировой иерархии стран мира определяют не обеспеченность ресурсами и военные факторы, а в основном, социокультурные, экономические и технологические факторы. В государственной политике России пока ставка делается, преимущественно, на экспорт природных ресурсов и военные факторы, о чем свидетельствуют некоторые данные, представленные в табл. 4.9, а также известные заявления некоторых государственных и политических деятелей России. В целом, в настоящий момент в государственной политике России пока не просматривается системная постановка стратегических целей и задач «гонки за лидером» — США. При данной политике Россия вряд ли сможет снова вернуться в группу высокоразвитых стран мира и будет, в лучшем случае, в XXI в. находиться в группе стран со средним уровнем развития. В заключение отметим следующее. Принятие и реализация стратегии «топки за лидером» — США, на этот раз преимущественно на основе системного подхода и социокультурного принципа «Разум», представляются, с точки зрения автора, актуальными и целесообразными для России, особенно в настоящее время. Аргументы в пользу данной точки зрения могут быть следующими. В последние годы Россия была сосредоточена, в основном, на «разбазаривании» и разворовывании большого наследства, доставшегося России от СССР. В результате, Россия в значительной мере утратила статус великой державы и ориентиры развития на длительную перспективу, которые бы вызывали уважение в мировом сообществе и широкую поддержку населения внутри страны. Представленные в данном разделе возможные прогнозы будущего России показывают, что стратегия «гонки за лидером» актуальна для России в благоприятных прогнозных сценариях развития. Лозунг «Догнать и перегнать Америку» уже успешно использовался в СССР и ассоциируется в массовом сознании россиян со значительными достижениями СССР. Стратегия «гонки за лидером» —
Глава 4
322
США может быть поддержана различными слоями населения и позволяет наметить конкретные и значимые цели качества жизни россиян, эффективности органов государственного управления и могущества России в целом.
Литература 1. СмольниковС. Слагаемые лидерства // Международная жизнь. 1991. № 8 . С. 13-24. 2. Modelski G. Long cycles in World Politics. London, Macmillan: Seattle: University of Washington Press, 1987. 3. http://www. un.org. 4. Human Development Report. 2002. N. Y., Oxford: Oxford University Press, 2002. 5. http://www. worldbank.org. 6. Российский статистический ежегодник. 2002. M.: Госкомстат РФ, 2002. 7. Statistical Abstract of the United States. 2002. Washington, 2002. 8. http://www. Gallup International.com. 9. http://www. sipri.org. 10. http://www. monitoring.ru. 11. Илларионов А. Бывшие союзные республики в мировой системе экономических координат // Вопросы экономики. 1992. № 4-6. С. 122-143. 12. Серебрянников В., Дерюгин Ю. Социология армии. М.: ИСПИ РАН, 1996. 13. http://www.nato.int. 14. Bertalanffy L. von. General System Theory: Foundation, Development, Applications. London, 1971. 15. Садовский В. Н. Основы общей теории систем. М.: Наука, 1974. 16. Sorokin P. Social and Cultural Dynamics. V. 1-4. N. Y.: American book company, 1934-1941. 17. Siervogel R. M., CzerwinsMS., TowneB. Heritability of Personality factors in healthy adults //Amer. J. Med. Genet. 2000. V. 96. № 4. P. 511. 18. Lynn R., Vanhanen T. IQ and the Wealth of Nations. Westport: Praeger, 2002. 19. Kennedy P. The Rise and Fall of the Great Powers. Economic Change and Military Conflict from 1500-2000. N. Y.: Random House, 1987. 20. Давыдов А. А. Модульный анализ и конструирование социума. М.: ИСАН, 1994. 21. Мелъянцев В. А. Восток и Запад во втором тысячелетии: уровни, темпы и факторы экономического развития // Восток. 1991. № 6. С. 66-81. 22. ЫашЪШХ, ЛЬмге?епе Я Mtgatrends 2000. N. Y: New York Press, 1990. 23. Huntington S. The Clash of Civilizations and Remaking of World Order. N. Y, 1996.
Заключение Автор полагает, что современная социология не может дальше продолжать традиционно сложившуюся политику «отгораживания» от достижений других научных дисциплин, прежде всего, общей теории систем и ее раздела — теории социальных систем, Computer Science, математики, генетики, психологии, биофизики и т. д., поскольку данная политика уже привела теоретическую социологию к схоластике5 и существенно снизила ее научную и практическую значимость6. Материалы, представленные в данной монографии, свидетельствуют, с точки зрения автора, что новые направления, теории и методы анализа социальных систем являются эффективным средством для описания, объяснения и прогнозирования социальных явлений и процессов, развития теории социальных систем. Не вызывает сомнения, что полученные с помощью данных методов теоретические и эмпирические результаты и, в общем, системный подход в социологии, могут существенно повысить научную и практическую значимость социологии.
5 6
Тернер Дж. Аналитическое теоретизирование// THESIS, 1994. № 4. С. 125. Коллинз Р. Социология: наука или антинаука?// THESIS, 1994. № 4. С. 71-97.
Об авторе Давыдов Андрей Александрович, доктор философских наук, главный научный сотрудник Института социологии РАН, руководитель группы «Анализ социальных систем». Действительный член Академии Наук НьюЙорка, член-корреспондент Международной Академии информационных процессов и технологий. Руководитель научно-исследовательского комитета «Теория социальных систем» Российского общества социологов.