Добавил:
ivanov666
Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз:
Предмет:
Файл:Эмпирические социологические исследования социальной реальности. Монография
.pdf
Глава 4
101
Таблица 5. Избирательная мощь и выборные показатели США
Штат
Количество голосов
индикатор 537
(Игра 50 штатов)
Нью-Йорк
Калифорния / Пенсильвания
Иллинойс
Огайо
Техас
Мичиган
Массачусетс/Нью-Джерси
Северная Каролина
Индиана / Миссури
Джорджия и др.
Алабама и др.
Флорида и др.
Мэриленд / Вашингтон
Арканзас и др.
Колорадо и др.
Мэн
Аризона и др.
Делавар и т. д
45
32
27
25
24
20
16
14
13
12
11
10
9
8
6
5
4
3
47,490,49
32,440,66
27,32 0,52
25,97 0,61
24,64 0,56
20,49 0,43
14,76 0,46
13,48 0,42
12,94 0,45
11,82 0,35
11,24 0,31
9,90 0,27
8,79 0,37
7,84 0,18
5,90 0,26
4,75 0,17
3,85 0,12
2,88 0,13
Мы пытались несколько лет назад применить теорию игр к социологическому исследованию, но проекты потерпели неудачу из-за недопонимания между одним из авторов монографии и исследователемсоциологом относительно теоретической модели, разработанной последним.
4.6. Теория хаоса и ее применение в социологии
Теория хаоса, которая по сути является физической теорией, связан-
ной с нелинейной динамикой, «позволяет понять и изучить многие неопределенности, нелинейности и непредсказуемые аспекты поведения
социальных систем» [Elliott, Kiel 1995: 1]. Нелинейная динамика изучает
эволюцию во времени нелинейных систем. Последние могут характеризоваться периодами линейных и нелинейных взаимодействий. В некоторые периоды времени поведение может быть определено как линейная непрерывность. Однако в другие периоды зависимости между переменными могут изменяться, вызывая серьезные структурные или
Глава 4
102
поведенческие изменения. Эти серьезные изменения от одного качественного поведения к другому называют «раздвоениями».
Поведение нелинейных систем проявляется в трех различных мате-
матических типах: стабильный – с математическим балансом или фик-
сированной точкой; колеблющийся – от одной к другой математической
точки стабильным, гладким и периодическим способом; хаотичный – с
кажущимся случайным, непериодическим поведением, без определенной формы. Однако хаотическое поведение на самом деле не является
случайным, поскольку оно может быть получено через довольно детерминированное уравнение. Это утверждение является основным в изучении хаотического поведения. Отсюда следует, что хаотические системы
чувствительны к исходным условиям. Характерным для этих выражений является обращение к графическим изображениям (графическим
проекциям данных). Эти изображения показывают тот факт, что нелинейные системы имеют видный порядок, известный как аттрактор
(attractor), в котором математические точки, описывающие поведение
системы, упорядочиваются в определенной форме и структуре.
Изучение аттракторов во временном ряду показывает, что каждый из
описанных выше способов поведения создает аттрактор особой формы.
Режимы устойчивого равновесия создают точечный аттрактор, в ко-
тором данные рисуются из одной точки на изображении. При стабильном периодическом колебании создается круговое изображение или
граничный цикл, когда данные перемещаются назад и вперед между
фиксированными точками. Хаотический режим создает множество уникальных форм, называемых странными аттракторами (strange
attractors). Форма этих аттракторов не зависит от предыдущих проек-
ций. Другими словами, даже когда числовые данные, описывающие хаотический режим, кажутся хаотичными, их геометрическое представление создает уникально упорядоченные формы. И поскольку хаотические
режимы работают в пределах определенных параметров, в хаосе есть
некоторая стабильность. Так сказать, хаотическое поведение является
глобально стабильным и локально нестабильным [Elliott, Kiel 1995: 1–7].
Модели хаотического поведения использовались для отслеживания
динамики общественного мнения во время выборов в США.
Глава 4
103
Например: динамика изменения общественного мнения по отношению к кандидатам в президенты от Демократической партии во время
первичных выборов 1984 года набирает обороты. Когда кандидаты показывают хорошие результаты, их шансы на победу возрастают. Когда
кандидаты выступают плохо, граждане ставят соответственно меньшие
шансы на победу в номинации. Однако построение вероятностных оценок не следует регулярному циклу. Это значительно сложнее – настолько сложно, что лучше всего представить его хаосом. Хаос включает в себя детерминированную структуру в нелинейном динамическом процессе. Используются три метода: фазовый портрет, позволяющий
выявлять систематические структуры данных в виде временных рядов;
корреляционный интеграл для определения размерности странного аттрактора и показатель Ляпунова для определения типа аттрактора.
Из участников гонки в рамках Демократической партии в 1984 году
еще в начале осталось три: сенаторы Уолтер Мондейл, Гэри Харт и лидер
афроамериканцев —Джесси Джексон. Постепенно и Джексон значительно
отстает, графически показано Макбернеттом [McBurnett 1995]. И, в конце
концов, осталось побороться двоим – Мондейлу и Харту. Наконец, номинация выиграна Мондейлом, но сами президентские выборы выигрываются
представителем Республиканской партии – Рональдом Рейганом. Комбинируя результаты этих президентских выборов с приведенным выше
примером, Коллегия выборщиков США отдает 525 голосов за Рейгана
(второй срок) и только 13 голосов за Мондейла – 10 в Миннесоте и 3 в Федеральном округе Колумбия – столица Вашингтон [World Almanac
1990: 308].
Данные наблюдений показывают, что динамика голосов, поданных за
двух кандидатов в каждом штате, варьируется так, что один или другой
кандидат получает большинство, то есть графики колеблются. Модель,
которая описывает эту динамику, представлена следующим образом:
(25)
,
(26)
,
где
показывает разницу в процентах голосов, полученных Мондей-
лом за период (t+1, t), постоянная,
отражает уровень сложности в
избирательной кампании за Мондейла,
измеряет угрозу, с которой
Глава 4
104
сталкивается Мондейл из-за успеха Харта на первичных выборах. Анало-
гичными являются значения
для Харта. Система урав-
нений обрабатывается, и получается единственное уравнение, напри-
мер, для Мондейла:
и аналогично для Харта.
Здесь , ,
. Это трехпараметрическое уравнение регрессии. Они
оцениваются по методу наименьших квадратов, и для обоих кандидатов
получены следующие результаты (табл. 6).
Таблица 6. Оценки параметров динамической
модели второго ряда
Кандидат
Мондейл
Харт
0,57
0,35
-0,1020
0,4304
-0,4188
-0,2937
Из этих уравнений, по формуле квадратного уравнения, извлекаются
решения, которые показывают тип диаграммы движения голосов. Решения принимаются через:
(27) , =
.
Когда соответствующие значения и в таблице заменены, можно
увидеть, что корни этого уравнения являются действительными, по-
скольку значение подкорня положительное: = 0,7; = –0,6. Для кон-
кретных решений линия с течением времени демонстрирует устойчивое
длительное колебательное движение. Фазовый портрет используется
для определения самого колебания, что помогает обнаружить присутствие странного аттрактора среди, казалось бы, хаотичных линий данных о выборах. Если фазовый портрет представляет собой двумерное
сечение многомерного странного аттрактора с положительным показателем Ляпунова, то время является хаотическим.
Размеры странного аттрактора должны быть дробными, а не целыми. Для их определения используется корреляционный интеграл С(r).
Пусть представляет точку в фазовом пространстве с координатой,
заданной упорядоченным n-штрихом {
. На основе этого
упорядоченного n-штриха выбирается начальная точка x и рассчитыва-
Глава 4
105
ются все расстояния |
| из всех остальных N – 1 точек в ряду. Эти
расстояния упорядочены по разным значениям радиуса r от точки
в
фазовом пространстве. Процесс повторяется для всех значений i. Тогда
корреляционный интеграл определяется как:
(28)
.
является функцией Хевисайда, для которой (х) = 0, когда х < 0 и
(х) = 1, при х0. Функция Хевисайда играет роль подставляемой пере-
менной, позволяя подсчитывать точки, лежащие внутри радиуса r. С(r)
колеблется от 1/
до 1.
Несмотря на сходство названий, интеграл корреляции не имеет ничего общего с коэффициентом корреляции, известным статистике. Измерение корреляции представляет собой количественное описание степени отклонения близких точек от фазового пространства, тогда как коэффициент корреляции определяет направление и силу зависимости
двух разностных переменных в линейной зависимости.
Размерность аттрактора определяется наклоном d на In С(r) относительно In r в заданном диапазоне r. Связь устанавливается с:
(29)
Наклон d оценивается через уравнение регрессии. Для данных Мондейла его значение составляет примерно 3,58. Следовательно, динамика
управляется нелинейным процессом, временной ряд имеет фрактальную структуру и может быть хаотическим.
Следующее после 3,58 цельное значение – 4, показывает максимальное количество переменных, которые необходимы для моделирования
поведения системы.
Показатель Ляпунова измеряет степень орбитальной сходимости
или расширения в динамической системе. Положительный показатель
показывает проходимость и хаос, а отрицательный показатель показы-
вает сходимость и устойчивость. Если ошибка измерения
, ее
можно представить в виде: . Тогда
– показатель Ляпунова. Если < 0, ближние
начальные условия сходятся экспоненциально быстро. Это ситуация со
стабильным ограниченным циклом с помехами. Если = 0, то динамика
Глава 4
106
стабильна – циклы равновесные. И если > 0, то ближние начальные
условия расходятся экспоненциально и движение хаотично.
Макбернетт вычисляет данные президентской кампании по показа-
телю Ляпунова и определяет, что его значение 0,3852 стабилизиру-
ется еще в 50 наблюдениях. В конце концов, он утверждает, что процесс
изменения общественного мнения, выраженный числом голосов, поданных за кандидата в президенты, а также оценками вероятности того,
что тот или иной кандидат победит, является нелинейным и хаотичным. Таким образом, ясно, что обычные способы прогнозирования исхода гонки не дадут хороших результатов, поскольку они основаны на линейных предположениях. Количество переменных (уравнений), необходимых для моделирования процесса этого изменения также
определяется. Кроме того, показатель Ляпунова объясняет, почему прогнозы результатов гонки лучше за более короткое время до ее окончания, чем в начале [McBurnett 1995: 169–181; 187–189; 192].
Наконец, сделаем следующее замечание. Применение методов нелинейного анализа в социологии оправдано, особенно в цитируемых работах, известной теорией «рационального выбора». Например, согласно
А. Шютцу, цитируемому Х. Гарфинкле, основные положения этой теории
определяются следующим образом:
«Рациональный выбор возможен, если действующий обладает достаточными знаниями о цели, которая должна быть достигнута, а также о
различных средствах, подходящих для ее достижения. Но эта предпосылка подразумевает:
1. Знание места цели, которая будет реализована в рамках планов
действующего, которые он также должен знать.
2. Знание взаимосвязи этой цели с другими целями и ее совместимо-
сти или несовместимости с ними.
3. Знание желаемых или нежелательных последствий, которые могут
возникнуть как побочный продукт достижения основной цели.
4. Знание различных последовательных средств, которые технически
или даже онтологически приемлемы для достижения этой цели, независимо от того, контролирует ли субъект все или несколько из этих элементов.
Глава 4
107
5. Знание взаимодействия между этими средствами и другими целями, принадлежащими к другим рядам средств, включая все их вторичные и побочные эффекты.
6. Знания о доступности этих средств для действующего, подбирая
средства, которые находятся в пределах его досягаемости и которые он
способен и, вероятно, может активировать.
Вышеуказанные пункты никоим образом не исчерпывают сложный
анализ, который должен быть сделан, чтобы разрушить статический характер концепции рационального выбора при столкновении с действием.
Осложнения значительно возрастают, когда рассматриваемое действие
является социальным ... В этом случае следующие факторы становятся дополнительными факторами для расчета действующего: во-первых, правильная или неправильная интерпретация его действия другими. Вовторых, реакция окружающих и их мотивация. В-третьих, все описанные
выше элементы значимости от (1) до (6), которые действующий правильно или неправильно приписывает своим партнерам. В-четвертых, все ка-
тегории – близость и чуждость, близость и анонимность, личность и тип,
которые мы нашли в классификации организации социального мира» (в
[Garfinkle 1993: 91–92]).
Однако эта теория была оспорена рядом исследователей. «Теория,
основанная на рациональном действии, – пишет Дж. Коулмен, – имеет
тот же провал на уровне индивидуума (рассматривается как система),
как теория, которая начинается с социетальных целей или социальных
норм, на уровне социальной системы» [Coleman 1994: 292]. Мартин Шубик в цитированной выше классической работе предупреждает о возможном «иррациональном уклоне к «рациональности» [Shubik 1965: 10].
Другой американский автор, Колин Камерер, отмечает, что основоположники применения теории игр в социальных науках и экономике –
Джон фон Нейман и Оскар Моргенштерн – основали свою работу на том,
что рациональные игроки играют против других, кого они знают, что они
рациональны. Однако в более поздней работе теоретики игр менее осведомлены о том, к чему они стремятся или что рекомендуют. «В одной из
крайностей, – пишет Камерер, – анализы с высокой степенью математичности предполагают требования к рациональности, которые люди или
Глава 4
108
компании вряд ли будут удовлетворять в своих повседневных решениях,
потому что они недостаточно умны. С другой стороны, адаптивные и эволюционные подходы используют очень простые модели (...), где игроки
могут не понимать, что они играют вообще. Когда теория игр стремится
описать поведение, она часто действует с тревожно слабым отношением к
внимательному теоретизированию» [Camerer 1998: 160].
Описанные методы, как видно из примеров, обсуждаемых в этом разделе, связаны с анализом данных эмпирических исследований, особенно
применительно к апостериорному моделированию, упомянутому выше.
Однако в априорном моделировании это не обязательно. Эмпирические
исследования могут быть заменены работой с компьютером на чрезвычайно ограниченном массиве данных (компьютерное моделирование). Тогда, например, типологический образец может быть наиболее полезным.
4.7. Применение компьютерного моделирования
Компьютерное моделирование также выводится как набор специаль-
ных методов для изучения данных исследований. Как указывает английский автор Н. Гилберт, «компьютерное моделирование – это не просто новый метод, добавляемый к руке исследователя-социолога, но и
новый способ мышления об обществе, особенно о социальных процессах. Обычные методы испытывают определенные трудности при изучении социальной динамики и проверке теорий социальных процессов.
Последние достижения в области компьютерных технологий впервые
позволяют проводить сложные моделирования, что вызывает растущий
интерес к возможностям теоретических и методологических достижений в области моделирования в социальных науках» [Gilbert 1997: 1].
Гилберт указывает на общие примеры компьютерного моделирования,
из которых выбраны только три.
1. Микросимуляция. Он используется для изучения последствий из-
менений социальной политики в совокупности. Например, последствия
изменения социальных льгот и налогов на жилье.
Глава 4
109
Данные взяты из случайной выборки из нескольких тысяч домашних
хозяйств в какой-то момент времени. Затем имитируется эффект одного
года на каждое из этих домашних хозяйств. Например, каждый из членов семьи станет на год старше. Будут происходить самые разные события в жизни каждого из них, причем с разной вероятностью. Например,
существует определенная вероятность забеременеть для каждой женщины в возрасте от 16 до 25 лет, тогда как для мужчины такая вероятность, очевидно, равна 0. После имитации демографических изменений
в течение года были сделаны соответствующие изменения в доходах и
расходах (например, люди, которые уходят на пенсию, теряют свою заработную плату, но получают пенсию). Также можно имитировать распад и формирование новых домашних хозяйств. После расчета эффектов
одного года моделирование переходит к следующему, основанному на
полученных результатах.
В конце каждого имитируемого года представлены агрегированные
статистические данные о выборке, такие как относительные доли входящих и выходящих из рабочей силы или общие расходы на социальные
выгоды, чтобы предсказать, что будет иметь место для всей генеральной совокупности. Таким образом, можно сделать прогнозы на долгие
годы на уровне общества, основанном на моделировании поведения отдельных домашних хозяйств. Таким образом, микросимуляция показывает, как одноуровневое поведение – национальный налог и социальные
расходы – можно моделировать путем моделирования домохозяйств
нижнего уровня для анализа [Gilbert 1997: 7–8].
2. Клеточные автоматы. Эти методы были использованы для целей
теории социального воздействия. Обычно оно определяется как изменение субъективных чувств, мотивов, эмоций и убеждений одного человека
в результате действий других людей. Считается, что социальное воздействие пропорционально произведению власти (статус, убеждение, привлекательность и т. д.), непосредственности (например, близость к месту и
времени) и количеству людей, влияющих на человека. Компьютерное моделирование использовалось для изучения взаимного влияния социального воздействия на взаимодействующие группы населения.
Глава 4
110
Давайте представим, что население составляет несколько сотен или
тысяч человек, и мы знаем их отношение к трем различиям и независимым проблемам. Предположим, что 60% населения разделяют взгляды
большинства по каждому вопросу, а остальные 40% придерживаются
противоположного мнения, но эти отношения распределены среди
населения совершенно произвольно, без корреляции между взглядами
людей на эти три проблемы. Предположим далее, что люди различаются
по своему влиянию также произвольно. Затем можно построить модель
клеточных автоматов, в которой каждая ячейка будет представлять одну личность, и с использованием самых современных правил, которые
включают принцип динамического социального воздействия. Поэтому,
если сумма влияний на определенного человека в одном направлении
превышает сумму влияний в другом направлении, этот человек соответствующим образом меняет свое отношение. Затем мы можем наблюдать,
что происходит, когда люди влияют на своих соседей, а они, в свою очередь, влияют на них.
Во-первых, вместо того, чтобы подчиняться комбинированному вли-
янию мнения большинства, меньшинство выживает, хотя и с низким
процентом сторонников. Хотя люди постоянно меняют свою принадлежность в результате социального воздействия, в конце концов, всегда
есть меньшинство с более или менее постоянными числами.
Во-вторых, распределение установок меняется от изначально произ-
вольного к пространственно сгруппированному. Люди с одинаковым
отношением группируются вместе, влияя друг на друга, чтобы оставаться с активной позицией. Именно группировка удерживает меньшинства
от вымирания, поскольку только ячейки на краях скоплений сильно
подвержены другому отношению.
В-третьих, хотя изменения в отношении к этим трем вопросам смоделированы как полностью независимые на индивидуальном уровне, эти
проблемы становятся коррелированными на совокупном уровне. Это связано с тем, что по мере развития симуляции развиваются кластеры единомышленников. Эти кластеры различны для каждого из трех вопросов, но,
поскольку человек из одного кластера с большей вероятностью будет
Соседние файлы в предмете [НЕСОРТИРОВАННОЕ]