Вы находитесь на странице: 1из 324

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 объясне-
ния и прогнозирования различных социальных процессов в России.
Монография предназначена для социологов, специалистов в области те-
ории 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: URSS@URSS.ru 2843 ID 24426
Каталог изданий в Интернете:
http://URSS.ru
Тел /факс: 7 (095) 135-42-16
URSS Тел /факс: 7 (095) 135-42^16
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 103

Глава 3. Новые методы анализа социальных систем 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 238
§ 11. Многомерный статистический анализ множества
одномерных частотных распределений 252
§ 12. Кватернионы в анализе социальных триад 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 систе-


мах) — 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, ориен-
тированной на конкретные практические приложения в сфере управле-
ния1. В рамках теории социальных систем, как части общей теории сис-
тем, используют множество новых направлений, теорий и методов анали-
за, 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 неко-
торые новые направления, теории и методы анализа социальных систем,
приводятся некоторые новые эмпирические результаты, а также рассмат-
риваются некоторые традиционные методы, которые практически не ис-
пользуются в социологии, несмотря на их очевидную пользу.
Данная монография не является справочником или учебником, задача
автора была значительно скромнее — привлечь внимание российских со-
циологов к возможностям системного подхода в социологии, и, в частно-
сти, к некоторым новым направлениям, теориям и методам анализа соци-
альных 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 озна-
комления с изложенным в данной монографии материалом, заинтересо-
ванный читатель может обратиться к соответствующей современной на-
учной 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 исследова-
ний, которые осуществляются автором в группе «Анализ социальных сис-
тем» 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 социотехниче-
ская система, не имеющая географических границ, где электронная ин-
формация представлена в виде большого количества Web-данных (Web-
страницы, мультимедиа, гипертекст, ЗБ-изображения и т. д.). Данная сеть
имеет следующую инженерную реализацию: домены, Web-страницы, про-
вайдеры, пользователи с IP-адресами, поисковые информационные систе-
мы, 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 изменя-
ется. 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 меха-
низмы 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 ча-
стности, CyberSociety (киберобщество) [2] — сообщество взаимодейст-
вующих пользователей Интернет, CyberSpace (киберпространство) [3, 4] —
3D (трехмерное) многопользовательское пространство электронной ин-
формации, Cyber City (кибергород) [4] — 3D (трехмерное) многопользова-
тельское подпространство в CyberSpace, Alfa World (альфа мир) [4] — мно-
гопользовательский виртуальный мир, где люди, представленные как
электронные образы, могут встречаться и взаимодействовать, виртуальная
реальность и т. д. Получили развитие новые Интернет-дисциплины, на-
пример, кибергеография, киберправо, электронная торговля и маркетинг,
киберсоциология, киберпсихология, киберспорт и т. д.
В связи с огромным объемом информации имеющейся и циркули-
рующей в сети Интернет и большим количеством пользователей и взаимо-
действий между ними, разрабатывается специализированное программное
обеспечение для визуализации сети Интернет [5], системы Data Mining
(добыча знаний) [6] для эмпирического анализа Web-данных, разрабаты-
ваются 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 вирту-


альные миры и проводить имитационные компьютерные эксперименты.
Многочисленные международные и национальные организации, напри-
мер, Cooperative Association for Internet Data Analysis (САША) [8], соби-
рают статистику по Интернет (количество и содержание Web-страниц,
частота обращения пользователей к конкретным Web-страницам в тече-
ние дня, педели, месяца, года) [9], проводят Интернет-опросы пользова-
телей, изучают сообщества пользователей в сети Интернет и другие ас-
пекты Интернет.
Традиционно, в социологии изучают влияние Интернета на различ-
ные социальные явления и процессы, общество в целом, отношение насе-
ления 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, интернет-
коммерции, изучаются сообщества в CyberSpace [3] и т. д. Для этого ис-
пользуют как стандартные опросы общественного мнения по месту жи-
тельства и телефонные опросы, в рамках которых задают вопросы об ис-
пользовании 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 социо-
логии [11], что существенно ограничивает ее прогностические возможно-
сти и практические применения.
Национальный научный фонд США готовит, один раз в два года, док-
лад конгрессу США о развитии Интернет в США [12], в котором приво-
дятся обширные эмпирические данные о роли Интернет в различных сфе-
рах жизни американцев и страны в целом. В России исследуют россий-
ских 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 общесис-
темные законы и закономерности наблюдаются в Интернет, разработка но-
вых методов системного анализа и моделирования в Интернет, разработка
практических управленческих решений по управлению информацией, зна-
ниями, поведением пользователей и другими аспектами в Интернет. По-
скольку 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 измере-
ния 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 не-
которые из них. Географическое расстояние между пользователями Ин-
тернет (в километрах), IP-путь, количество IP-адресов, которое проходит
сообщение от одного пользователя Интернет к другому, AS-путь, количе-
ство Интернет—сервис провайдеров (Internet Service Providers), которое
проходит сообщение от одного пользователя к другому, медиана прохож-
дения сигнала между клиентом и сервером и обратно RTT (Round Trip
Time) в миллисекундах. На рис. 1.1—1.2 представлены два визуальных 3D-
образа 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 Bandwith-
metrics (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 кла-
виши мыши), чтобы от одного случайно выбранного HTML документа в
Интернет, перейти к другому случайно выбранному HTML документу че-
рез 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 доку-
ментов, тогда р{а,Ъ}= 19, т. е. чтобы от одного случайно выбранного
документа в Интернет, перейти к другому случайно выбранному докумен-
ту, требуется, в среднем, 19 кликов (нажатий клавиши мыши). Получен-
ный 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 про-
екции 3D-o6pa3a части CyberSpace (535 102 узла и 601 678 связей) в ги-
перболическом пространстве [5]. Более подробно с многочисленными и
разнообразными визуальными 3D и 2В-образами CyberSpace можно озна-
комиться на сайте [5] или в Atlas of Cyberspace [17]. Напомним, что гипер-
болическое пространство (пространство Лобачевского) — это геометриче-
ское 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 прак-
тическое воплощение при визуализации Интернет.
Рост Интернет. Установлено [9, 19], что количество пользовате-
лей 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 пе-
риод 1990—2002 гг. Оказалось, что каждый год число пользователей Ин-
тернет 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» про-
порция, численно равная 1,618. Известно, что «золотая» пропорция со-
ответствует режиму развития новых системных свойств в системе, в ча-
стности, развитию свойства целостности [14]. Из общей теории систем
[цит. по: 14] известно, что жизненный цикл инноваций в системах опи-
сывается, в целом, логистической зависимостью, следовательно имеются
основания предполагать, что с течением времени рост числа пользовате-
лей 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 помо-
щью 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, воз-
можно, уже к 2020 г. доля пользователей Интернет в мире достигнет «есте-
ственного потолка», предсказываемого МТС — 94 % от численности насе-
ления 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 про-
цессе «золотая» пропорция выступает в качестве константы роста, что хо-
рошо согласуется с общей теорией систем [пит. по: 14].

Закон Меткалфа. Согласно закону Меткалфа [цит. по: 12], ценность


(полезность) сети возрастает пропорционально квадрату числа ее пользо-
вателей. 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 чис-
ленностях 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 используе-
мых чисел;
-q — показатель Ципфа.
Проведенные исследования [23] показали, что для различных показа-
телей Интернет величина показателя Ципфа изменяется довольно значи-
тельно, 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.
12 Глава 1

Таблица 1.1
Значение показателя Ципфа
Источник
Показатель Интернет -я цитирования
Количество Web-страниц 2,91 [23]
Количество Web-страниц 1,45 [16]
Количество Web-страниц 1,647;1,853,
[19]
на серверах Alexa и Infoseek 1,775; 1,909
Домены 0,81 [23]
Выходящие связи 1,46 [23]
Входящие связи 2,98 [23]
Общее число связей 1,60 [23]

В целом, многочисленные эмпирические результаты [16,19, 23] пока-


зывают, что в Интернет наблюдается общесистемный закон Ципфа и зна-
чения показателя Ципфа для виртуальных систем часто соответствуют
значениям показателя Ципфа для реальных социальных систем [23].
Фрактальный анализ Интернет. Напомним, что фрактальный ана-
лиз позволяет измерять самоподобие и сложность («изломанность») изо-
бражений и фигур (подробнее о фрактальном анализе см. раздел данной
книги «Фрактальный анализ социальных процессов»). Величина фрак-
тальной размерности (2) соответствует сложности («изломашюсти») изо-
бражения или фигуры.

(2)

где
D — фрактальная размерность;
п — число самоподобных частей, возникающих при увеличении ли-
нейных 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 ре-
альных городов [4]. Кроме того, полученные значения фрактальных раз-
мерностей соответствуют значениям фрактальной размерности для при-
родных 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, от-
ношение количества связей к числу вершин, отношение количества входя-
щих 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 ана-
лиза графов к данным Интернет, существует техническая проблема, а имен-
но, размеры графов оказываются слишком большими для визуализации и
анализа, пример тому — ЗБ-граф на рис. 1.3-1.4, состоящий из 535 102 уз-
лов 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 подгра-
фы, состоящие из 6 тесно связанных между собой пользователей или Web-
страниц и которые являются промежуточными между регулярными и слу-
чайными графами. Данные графы характерны для биологических и соци-
альных систем [25]. Полученные результаты хорошо согласуются с поня-
тием bitermedity (промежуточность) [26], которое автор ввел для описания
базового состояния функционирования социальных систем между поряд-
ком и хаосом.

Анализ Web-страниц. Web-страница — это информационная элек-


тронная система, которая обладает сложной структурой: гипертекст, чис-
ла, видео, звук, ЗО-графика, фотографии, ссылки на другие Web-страни-
цы 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, организа-
ции, 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 Web-
страниц в Интернет используют компьютерные автоматические системы
Web-Mining [6], например, Paessler Site Inspector [27], которые включают
в себя разнообразные методы анализа, например, коптент-апализ ключе-
вых слов, фотографий, таблиц, анализ ссылок и т. д. Для анализа и клас-
сификации Web-страниц используют разнообразные статистические ме-
Новые направления в анализе социальных систем 15

тоды. В качестве иллюстрации на рис. 1.11 представлена линейная зави-


симость 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 лога-
рифмическом масштабе.

В свою очередь, количество Web-страниц в стране зависит от ВВП


(валового внутреннего продукта) на 74 % [23]. Из формулы, представ-
ленной 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 много-
численные международные и национальные государственные, коммерче-
ские, академические и иные организации. Поисковые информационные
системы, например, AltaVista, Google, Rambler, Яндекс собирают почасо-
вую 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 эмпириче-
ских данных в динамике, все содержательные аспекты которых невозмож-
но 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, посе-


щаемости сайтов, географического местоположения пользователей и т. д.,
которые обновляются каждые 30 минут. В январе 2004 г. наиболее посе-
щаемыми были следующие сайты, которые в проекте Руметрика [29] на-
зывают «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 (Бес-
платная почта), iXBT.com (Статьи, новости компьютерной тематики),
KM.ru (Мультипортал), Lenta.ru (Крупнейший информационный ресурс
Рунета), Mail.ru (Первая бесплатная электронная почта Рунета), Ramb-
ler.ru (Информационно-поисковая система), Rbc.ru (Информационный
портал РосБизнесКонсалтинг), Referat.ru (Рефераты и сочинения, при-
надлежит ROL), SoftSearch.ru (Поиск программ, драйверов, скриптов,
обоев). В целом, мотивация и поведение пользователей в Рунет (русскоя-
зычная часть Интернет) определяются общесистемным оптимизацион-
ным принципом минимакса, т. е. при минимуме усилий, времени, мате-
риальных 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 элек-
тронной почты и общение в чатах.
За период 28.06.2004 — 04.07.2004 посетители Rambler из России со-
ставляли 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 из-
вестному из модульной теории социума (МТС) [22] режиму функциони-
рования социальных систем, для которого характерно распределение
частей равное 55,3 :44,7. На рис. 1.12 представлено распределение ко-
личества 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, распреде-


лением Коши или какой-либо другой похожей функцией. Данные функции
соответствуют известной общесистемной закономерности [14], наблюдае-
мой в социальных системах, в частности, при изучении жизненного цикла
товаров, услуг, организаций, транспортных, миграционных и иных пото-
ков 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 по-
исковой 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 стра-
ниц, а 44,4 % посетителей просматривали другое количество страниц. По-
лученная величина соответствует известному из модульной теории со-
циума (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

Число посетителей
Количество
просмотров Среднее за 7 дней
страниц Сегодня Вчера (01.07.2004-
08.07.2004)
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, прове-


денные monitoring.ru [13] в 2001 г., также показывают известные общесис-
темные 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, наи-
больший 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 про-
порций 1,237-2,236 между целым и большей частью в социальных сис-
темах [28]. У 5 % активной аудитории Интернета нет компьютера и теле-
фона в личном пользовании. Для сравнения, общесистемная константа
меньшинств в социальных системах составляет 5,6% [14, 21]. Подобные
примеры наличия известных общесистемных закономерностей [14], на-
пример убывающих числовых последовательностей [30] в сообществах
пользователей Интернет можно без труда продолжить, обратившись к ста-
тистике посетителей, которую собирают поисковые информационные сис-
темы, 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-функ-
циональные закономерности, проводить имитационные компьютерные
эксперименты и осуществлять диагностику.
В заключение отметим следующее. Между виртуальными и реальны-
ми социальными системами действует общесистемный принцип подобия,
поэтому в Интернет наблюдаются известные общесистемные законы, ха-
рактерные для стадии роста сложных систем, которые находятся в само-
организованном состоянии Intermedity (промежуточности) между поряд-
ком и хаосом. Данный факт может быть использован для выявления новых
закономерностей строения и функционирования Интернет, надежного
прогнозирования и разработки научно обоснованных управленческих ре-
комендаций. 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. Cam-
bridge: 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 социу-
ме // 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: фак-
ты, объяснения, прогнозы // Социол. исслед. 2001. № 7. С. 113-119.

§ 2 . Computational Sociology
В последние годы за рубежом быстрыми темпами развивается
computational sociology (компьютационная социология) — вычислитель-
ная или компьютерная социология [1], которая обладает новыми и полез-
ными возможностями для решения социологических теоретических, эм-
пирических 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 Associati-
on (SSCA), European Social Simulation Association (ESSA), проводятся
конференции, посвященные компьютерной социологии [6], во многих за-
рубежных университетах, например, Гарварда (США), Массачусетса
(США), Мичигана (США), Риверсайда (США), Карнеги Мелоуна (США),
Айовы (США), Пенсильвании (США), Оксфорда (Великобритания), Ман-
честера (Великобритания), Суррея (Великобритания), Гумбольта (Герма-
ния), Гамбурга (Германия), Рима (Италия), Цюриха (Швейцария), Гропип-
гена (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 — компь-
ютерная 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 осуще-
ствлен поиск по ключевым словам «computational sociology», «computer
simulation in sociology», «computational models in sociology» и т. д. В ре-
зультате проведенного поиска были выявлены основные монографии, на-
учные журналы, статьи, авторы, наиболее употребительные термины, мо-
дели и другие аспекты компьютерной социологии. После этого было изу-
чено содержание основных монографий и научных статей, имеющихся в
Internet в открытом доступе. Список литературы в данном разделе отража-
ет, 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, вы-
явления принципов, законов и закономерностей строения и функциониро-
вания различных социальных явлений, процессов, социальных систем,
прогнозирования социальных явлений и процессов, разработки рекомен-
даций по управлению различными социальными явлениями, процессами,
социальными системами с использованием компьютерных моделей, пред-
назначенных для проведения computer simulation (имитационного компь-
ютерного моделирования) [1—5]. В целом, компьютерная социология ос-
новывается на принципе компьютерного моделирования — одном из ос-
новных методологических принципов общей теории систем.
Компьютерная социология располагается «между» теоретической и
эмпирической социологией [1], являясь при этом разделом Social Compu-
ter Science (социальной компьютерной науки), которая, в свою очередь,
является разделом Computer Science (компьютерной науки) [2-5]. Теоре-
тическим 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 ком-
пьютерной социологии используются общая теория систем, теории мир-
системы, 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 прогнозирова-
ния в компьютерной социологии является computer simulation (имитаци-
онное компьютерное моделирование), которое рассматривается как теоре-
тический 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 подразде-
лить 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, напри-
мер, клеточные автоматы [7], «нейронные» сети [8], модели детерминиро-
ванного 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 ком-
пьютерных «оболочек» для построения компьютерных моделей и прове-
дения имитационного моделирования, например язык программирования
и среда моделирования SWARM [12], CORMAS [цит. по: 11], SDML
[цит. по: 10], использование средств имитационного моделирования, вклю-
ченных 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 по-
строения и обучения «нейронных» сетей и проведения моделирования,
например, NeuroSolution, NeuroShell, BrainMaker.
Компьютерная социология предъявляет новые требования к социоло-
гическим теоретическим понятиям и теориям, в частности, конструктив-
ность, 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 компьютер-
ной социологии является понятие Artificial Society (искусственное обще-
ство) [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 социологиче-
ских теорий, существующих в форме текстов, или математических социо-
логических теорий, существующих в виде аксиом, математических фор-
мул и теорем, в компьютерной социологии теория — это реально функ-
ционирующая 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 матема-
тические численные модели, например, системы дифференциальных урав-
нений, описывающих взаимодействие между социальными явлениями (фак-
торами), к парадигме Multi-Agent-Based Simulation [11,12-21], модели кото-
рой базируются на принципе социологического номинализма и локальной
детерминации, а также следующих постулатах. Artificial Society (искусст-
венное общество) является multiagent systems (MAS). В качестве «агента»
может выступать индивид, организация и т. д., что в целом близко к тради-
ционно используемому в теоретической социологии понятию «acton). Каж-
дый «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 авто-
номны и децентрализованы, взаимодействия между «агентами» параллель-
ны и асинхронны. Наиболее известными компьютерными моделями Multi-
Agent-Based Simulation являются клеточные автоматы [7]. В Институте
Complex systems Santa Fe (США) разработан язык программирования и сре-
да моделирования SWARM [12], которые предназначены для Multi-Agent
Simulation. Модели Multi-Agent-Based Simulation и их разновидности Multi-
Agent-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, по-
рядка, разрешения социальных дилемм, влияние макро этических и религи-
озных 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 огра-
ниченный размер раздела. Поэтому автор сосредоточил внимание только
па некоторых результатах, которые, с точки зрения автора, имеют обоб-
щающее и фундаментальное значение для социологии и теории социаль-
24 Глава 1

пых систем, а множество интересных, но частных содержательных резуль-


татов автор не упоминал в данной обзорной статье.
Верификация классических социологических теорий. Одной из
задач компьютерной социологии является верификация некоторых поло-
жений классических социологических теорий [22], например, структур-
но-фупкционалыюй теории Т. Парсонса, теории солидарности Э. Дюрк-
гейма, символического интеракционизма, теории коммуникативного
действия Н. Лумана, теорий рационального выбора, обмена, конфликтов,
которые поддаются проверке в результате имитационного компьютерно-
го моделирования. Проведенные многочисленные компьютерные имита-
ционные эксперименты, например, [2, 5, 9, 11, 16, 17, 19, 20, 22-32] по-
казали, что многие проанализированные положения вышеперечисленных
классических социологических теорий являются ошибочными и пред-
ставляют собой социологические мифы [9]. Полученные результаты
компьютерного моделирования подтверждают известное высказывание
В. Парето [цит. по: 33], «история науки сводится к истории ошибок ком-
петентных 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, эти-
ческих норм, религиозной веры, доверия, рационального выбора, ответов
респондентов, переходных периодов в социальных системах и т. д. Дан-
ные 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 «ней-
ронных» сетей, клеточных автоматов, различных логических и эвристиче-
ских правилах, в частности, правилах fuzzy logic («нечеткой» логики),
rough set («грубых» множеств) и т. д. Главное достоинство данных компь-
ютерных 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 со-
циальной системе, тем проще динамика социальной системы. Также был
экспериментально выявлен парадокс демократических реформ [31], кото-
рый состоит в том, что демократические реформы с наибольшей вероят-
ностью приводят к неэффективным государствам.
Новые направления в анализе социальных систем 25

Модели Global World (глобальный мир). Дашше компьютерные моде-


ли берут свое начало с классической модели Дж. Форрестера, разработан-
ной для глобального моделирования мира в целом и основанной на пара-
дигме Equation-Based Modeling [цит. по: 11]. Наиболее известными глобаль-
ными 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 Interde-
pendence), SIM/GDP (System of Integrated Models/Global Development Proc-
esses), 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 исследуют-
ся механизмы возникновения и динамики глобализации, неравенства регио-
нов мира, миграции, урбанизации, демографической, экономической, со-
циокультурной динамики развития человечества и т. д. В рамках данного
направления используются и более простые компьютерные модели, в част-
ности, компьютерные геоинформационные системы, например, GeoSim,
предназначенные для имитационного моделирования явлений, приурочен-
ных к географическому пространству, например, моделирования военных
конфликтов [32]. В последние годы в имитационном моделировании Global
World начинают применяться модели парадигмы Multi-Agent-Based Simula-
tions (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 прин-
ципиально новых теоретических и эмпирических результатов, способст-
вующих развитию современной макро социологии, а результаты моделиро-
вания используются в практике ООН.
Модели Small Worlds (маленькие миры). Данные компьютерные моде-
ли относятся к имитации возникновения и изменения социальных явлений в
системах, состоящих из небольших подсистем. Наиболее известными ком-
пьютерными моделями Small Worlds [39,40] являются имитационные моде-
ли Social Networks (социальных сетей), клеточные автоматы, модель Изинга,
которая является разновидностью модели клеточных автоматов с наличием
глобального порога функционирования и которая предназначена для имита-
ции образования подгрупп в социальных сетях. Программирование моделей
Small Worlds осуществляется с помощью различных языков программиро-
вания, например, для программирования модели Изинга используют специ-
альный язык и среду имитационного моделирования Moduleco [41].
26 Глава 1

Среди множества содержательных результатов имитационного моде-


лирования Small Worlds, например, закономерностей образования под-
групп, 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 социо-
метрическую теорию, был частично прав полагая, что изучая малые соци-
альные группы можно приблизиться к пониманию механизмов социаль-
ных 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 Organi-
zation Theory (компьютерной теории организаций) [42], в частности,
многие компьютерные модели, например, основанные на парадигме
Multi-Agent-Based Social Simulations (MABSS) [18, 21], моделируют по-
ведение индивидов в организациях, выявлены многие закономерности
организаций, поведения и сознания членов организаций, существуют
успешные прогнозы функционирования организаций, результаты ком-
пьютерного моделирования с успехом используются в практике управле-
ния организациями. С многочисленными конкретными содержательны-
ми результатами данного направления исследований можно ознакомить-
ся в журнале Computational and Mathematical Organization Theory. Ком-
пьютерные модели организаций уже стали использоваться в коммерче-
ских компьютерных системах DSS (поддержки принятия управленче-
ских 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 нели-
нейно взаимосвязанных и параллельно функционирующих нейронов, ко-
торые можно содержательно интерпретировать как индивидов, группы
индивидов, организации, страны или регионы мира, непосредственно не-
наблюдаемые 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 «ней-
ронных» сетей в социальных науках [8], например, моделирование рели-
Новые направления в анализе социальных систем 27

гиозной веры с помощью моделей «нейронных» сетей [44]. Процесс обу-


чения «нейронных» сетей хорошо имитирует процессы адаптации и опти-
мизации в сложных социальных системах. Также отметим одну полезную
особенность «нейронных» сетей, а именно, они позволяют описывать,
моделировать и прогнозировать любые эмпирические данные: количест-
венные, 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 коли-
чество логических детерминистских законов, примененных к множеству
взаимосвязанных элементов, порождают сложную, хаотическую и непредска-
зуемую пространственную и количественную динамику согласованного кол-
лективного поведения. Принципиально не существует аналитической форму-
лы, 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 на-
чального до финального состояния. Во-вторых, наблюдая за пространствен-
ными и количественными закономерностями динамики множества элементов,
практически невозможно выявить простые логические детерминистские за-
коны, которые лежат в основе функционирования автомата. В третьих, неко-
торые 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 наклады-
вают определенные методологические ограничения на принципы и методы
познания законов строения и функционирования поведения индивидов и
функционирования социальных систем.

Модели детерминированного хаоса. Результаты использования мо-


делей детерминированного хаоса [46] показывают следующее. Рекуррент-
ное соотношение, которое детерминировашю связывает предыдущее со-
стояние системы с ее последующим состоянием, с помощью параметра
самоорганизации, может обуславливать сложную и хаотическую динами-
ку системы при некоторых численных значениях параметра самооргани-
зации. 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 компь-


ютерных моделей самоорганизованной критичности [47] показывает сле-
дующее. В социальных системах, находящихся в состоянии самооргани-
зованной критичности, наблюдается слабая зависимость между всеми
элементами социальной системы. При этом социальные системы функ-
ционируют около границ оптимального функционирования и при незначи-
тельных 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 воз-
никновение массовых волнений, забастовок, революций, распада импе-
рий, 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 разде-
лов общей теории систем, показывают, что закономерности динамики
сложных социальных систем похожи на закономерности динамики при-
родных систем. Здесь проявляется фундаментальный онтологический об-
щесистемный принцип «Разные причины — похожие следствия», который
имеет большое теоретическое и эмпирическое значение для социологии.
Кроме того, полученные результаты показывают, что традиционное дис-
танцирование 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 мо-
делей показала, что многие классические социологические теории и тео-
ретические 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 выра-
жения, которые не обозначая ничего точного, могут одновременно обозна-
чать все что угодно, понятия с эмоциональным содержанием, в теориях
отсутствует связь между принципами, законами и эмпирическими факта-
ми, существует пренебрежение критерием точности эмпирической про-
верки теории, гипотез и прогнозов и т. д. Поэтому трудно, а иногда и не-
возможно разработать реально функционирующую компьютерную модель
на основе какой-либо классической социологической теории. Кроме того,
как уже было отмечено выше, многие теоретические положения классиче-
ских 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 компью-


терной социологии. Для решения данной проблемы в компьютерной со-
циологии используют гибридные компьютерные модели, в которых одно-
временно применяются отдельные элементы классических социологиче-
ских теоретических моделей, эмпирических моделей и моделей из других
областей знания, что приводит к терминологической мультипарадигмаль-
ности компьютерной социологии.

Методологические проблемы. Методологические проблемы компь-


ютерной социологии являются общими и достаточно хорошо известными
проблемами теорий компьютерного имитационного моделирования [48] и
социального компьютерного моделирования [2—5, 49], в частности, про-
блема 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 эмпи-
рическая проверка результатов моделирования затруднена или невозможна
по принципиальным соображениям.

В компьютерной социологии уделяется значительное внимание фунда-


ментальной проблеме [10,31, 50,51], в какой мере результаты имитационного
моделирования соответствуют действительным механизмам изучаемого со-
циального явления, в частности, получаемые результаты являются копией
действительности, правдоподобной гипотезой или компьютерным артефак-
том. В рамках обсуждения данной проблемы рассматриваются философские,
теоретические, методологические, эмпирические и другие аспекты, в частно-
сти, критерии позитивизма, реализма, конвенционализма, интерпретивизма,
выдвигаются различные новые критерии компьютивизма, что способствует
более корректной интерпретации получаемых результатов. Практика имита-
ционного моделирования, например [10, 32], показывает, что, вероятно, не
существует «лучшей» модели, удовлетворяющей множеству различных кри-
териев, пригодной для решения предельно широкого круга задач социологии
и для каждого класса задач необходимо применять различные модели. Пер-
спективным подходом при разработке компьютерных социологических моде-
лей также является параллельное программирование, которое в отличие от
традиционных языков последовательного программирования позволяет зна-
чительно ускорить время вычислений и дает другие преимущества для про-
ведения имитационных компьютерных экспериментов, особенно с моделями
«нейронных» сетей, клеточными автоматами и другими компьютерными мо-
делями, требующих параллельных и асинхронных вычислений. Разрабаты-
ваются также так называемые социологические алгоритмы, например, социо-
культурные 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 бо-
лее 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 со-


циологии проводится множество эмпирических исследований, большин-
ство из них являются описательными и не вскрывают причинно-след-
ственных отношений, например, подавляющее число вопросов в опросах
общественного мнения отражает только следствия (субъективные отноше-
ния), а не причины и механизмы [27]. Не все важные количественные па-
раметры и (или) логические и эвристические правила, необходимые для
разработки компьютерных моделей, можно эмпирически выявить и изме-
рить. Во многих эмпирических исследованиях наблюдается недостаточная
стандартизация, повторяемость, сосредоточенность па детальном изуче-
нии небольшого количества фундаментальных социальных факторов,
взаимодействий, явлений, процессов и т. д., что препятствует выявлению
закономерностей и законов в разнообразных социальных явлениях и про-
цессах, необходимых для построения компьютерных моделей. Для реше-
ния данных проблем в компьютерной социологии используется следую-
щая 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 элемен-
тов и связей в социальной системе и сложности ее прогнозирования, а в
более принципиальном смысле. Сложность выражается в том, что социаль-
ную 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 свя-
зи возникают технические проблемы увеличения быстродействия компью-
теров 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 хо-
роню знают существующие проблемы своей дисциплины и предпринима-
ют согласованные, активные и довольно успешные разнообразные дейст-
вия 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) оснащают-
ся традиционные компьютерные модели Social Networks (социальных
сетей) [59], клеточных автоматов [60], «нейронных» сетей [61]. В проек-
те Construct (Conflict resolution and structural change: social theory as a
'construction manual' for adaptive multiagent systems) [62] предполагает-
ся использовать Distributed Artificial Intelligence (распределенный ис-
кусственный интеллект), парадигму Multi-Agent-Based Social Simulati-
ons (MABSS) [3], для верификации теорий прагматизма (Мида, Дьюи,
Джеймса, Пирса), символического интеракционизма (Блумера, Страуса),
интеракционистской микросоциологии Гофмана.
Специалисты связывают перспективы развития компьютерной социо-
логии с разработкой систем ASI, в которых должны быть предусмотрены
пять основных подсистем, а именно, подсистема «Data mining» для авто-
матического извлечения закономерностей из эмпирических данных и ре-
зультатов имитационного моделирования, подсистема «Social computing»
для автоматического проведения имитационных компьютерных экспери-
ментов, подсистема «Sociological Theory and models base», включающая в
себя компьютерные социологические теории, компьютерные модели и
содержательные результаты, подсистема «Artificial Intelligence» (искусст-
венный интеллект) для автоматического построения и проверки моделей,
проведения имитационных экспериментов, выдвижения гипотез, разра-
ботки социологических теорий.
Для разработки систем ASI предполагается использовать содержатель-
ные результаты, полученные в рамках компьютерной социологии, новые
языки программирования искусственного интеллекта, параллельное про-
граммирование, генетическое программирование, новые алгоритмы, пред-
назначенные для affective computing (эмоциональных вычислений), исполь-
зование суперкомпьютера Cray, использование transputers (транспьютеров),
нейрокомпьютеров или специальных нейронных плат, которые представля-
32 Глава 1

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 Si-
mulation 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 спо-
собна принести значительную научную и практическую пользу социоло-
гии 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: Springer-
Verlag, 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-Har-
burg (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, Mod-
els, 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 socio-
logical theory// Sociological Methods and Research. 2003. V. 31. № 3. P. 325-363.
12. MinarN., Burkhart R., Langton C, Askenazi M. The Swarm Simulation Sys-
tem: 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: Springer-
Verlag,2001.
17. Moss S., Sawyer R. K., ConteR., Edmonds B. Sociology and social theory in agent
based social simulation: A symposium // Computational and Mathematical Organi-
zation 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 Agent-
Based Modeling //Annual Review of Sociology. 2002. V. 28 P. 143-166.
20. GottsK, PolhillJ., Law A. Agent-based simulation in the study of social dilem-
mas //Artificial Intelligence Review. 2003. V. 19. № 1. P. 3-92.
21. Multiagent systems, Artifical Societies and simulated organizations. V. 6. (Reputa-
tion in Artificial Societies), N. Y: Kluver Academ. Publ., 2002.
22. Hanneman R. Simulation Modeling and Theoretical Analysis in Sociology // So-
ciological Perspectives. 1995. V. 38. № 4. P. 457-462.
23. LeikR., Meeker B. Computer Simulation for Exploring Theories: Models of Inter-
personal Cooperation and Competition// Sociological Perspectives. 1995. V. 38
№ 4. P. 463^82.
24. Michael M., SkvoretzJ. The Evolution of Trust and Cooperation Between Strang-
ers: 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. Amster-
dam: Gordon and Breach, 1998.
26. Hanneman R., Collins R., Mordt G. Discovering Theory Dynamics by Computer
Simulation: Experiments on State Legitimacy and Imperialist Capitalism // Socio-
logical Methodology. 1995. V. 25. P. 1^6.
27. Dijkstra W., Draisma S., Van der Zouwen J. Simulating response behavior in socio-
logical 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 So-
ciology. 2000. V. 105. P. 1105-1134.
30. Kron T. Luhmann modelliert. Ansatze zur Simulation von Kommunikationssyste-
men. Berlin: Leske & Budrich, 2002.
31. Kluver J., Sioica C, Schmidt J. Formal models, social theory and computer simula-
tions: some methodological reflections. // Journal for Social Simulation and Artifi-
cial 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. Wash-
ington: National Defense University, 1996.
36. Gimblett R. Integrating Geographic Information Systems and Agent-Based Model-
ing Techniques for Simulating Social and Ecological Processes. Oxford: Oxford
University Press, 2001.
37. Wallerstain I. Unthinking Social Science: The Limits of Nineteenth-Centure Para-
digms. 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 Dis-
cipline /edtitors D. Ilgen., С Hulin, Washington: American Psychological Associa-
tion, 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 Perspec-
tives. 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 Applica-
tions. Michigan: University of Michigan Press, 1996.
47. BakP. How Nature Works: The Science of Self-Organised Criticality. N. Y: Co-
pernicus Press, 1996.
48. Banks J. Handbook of Simulation: Principles, Methodology, Advances, Applica-
tions and Practice. New York, John Wiley and Sons, 1998.
49. Ballot G, Weisbuch G. Applications of simulation to social sciences. Oxford: HER-
MES 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 so-
ciocultural algorithm // Journal of Mathematical Sociology. 2003. V. 27. № 1.
P. 53-83.
53. Goldspink C. Modelling Social Systems as Complex: Towards a Social Simula-
tion 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 Artifi-
cial 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 ac-
cess: 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 использу-
ют системы Data Mining (добыча знаний) [1—9], предназначенные для ав-
томатического выявления закономерностей в данных, построения класси-
фикаций и прогнозирования, Intelligent Data Analisys (интеллектуального
анализа данных) [10]. Широкое использование систем Data Mining обу-
словлено следующими причинами. Большие объемы разнородной инфор-
мации, в частности в Интернет, поступающие в режиме реального време-
ни в крупные информационно-аналитические центры, маркетинговые
компании, PR-агепства, корпоративные компьютерные базы данных, нали-
чие больших и постоянно пополняемых компьютерных архивов данных, в
частности, данных мониторингов и панельных исследований общественно-
го 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 управ-
ленческих решений и прогнозов. Практический опыт показывает, что в по-
давляющем большинстве случаев компьютерные системы Data Mining бы-
стрее 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, отчас-
ти 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 социоло-
гам в эмпирическом анализе социологических данных.
За рубежом методологии и системам Data Mining посвящено большое
количество публикаций. Так, в англоязычном Интернете в мае 2004 г. име-
лось более одного миллиона сайтов, посвященных Data Mining. В Интернет-
магазине «Amazon» [11] в мае 2004 г. имелось в продаже 35 950 энциклопе-
дий, монографий, учебников, справочных пособий по Data Mining, к мно-
гим из которых прилагался SD-ROM с соответствующим программным
обеспечением.
В зарубежных Университетах на кафедрах Computer Science (компью-
терной науки) существуют специальности «Анализ данных» и «ГГ» (инфор-
мационные технологии). В рамках данных специальностей преподается курс
«Data Mining». По Data Mining издаются международные специализирован-
ные журналы, например, Data Mining and Knowledge Discovery, Knowledge
and Information Systems. По Data Mining проводятся ежегодные международ-
ные конгрессы, конференции и симпозиумы, например, International Conferen-
ce on Knowledge Discovery and Data Mining. На международной конференции
IEEE International Conference on Data Mining (2003) [12] на ниже перечислен-
ных секциях рассматривались следующие аспекты Data Mining.
• Основы Data Mining.
• Data Mining и алгоритмы машинного обучения, методы традиционного
анализа (классификация и кластерный анализ, регрессия, статистиче-
ское моделирование, ассоциативный анализ и т. д.) и методы нетради-
ционного анализа (фрактальный анализ, вейвлет-анализ и т. д.).
• Data Mining текстов, полуструктурированных данных, пространст-
венных, 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, эволюцион-


ные вычисления, «грубые» множества и неопределенное управление).
• Интеграция Data Warehousing (систем хранения данных), OLAP (On-
line 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-адре-
сами некоторых из них можно ознакомиться на сайтах [13, 14], где можно
найти описание систем, примеры эффективности данных систем, демон-
страционные версии и другую справочную литературу.
Компьютерные системы Data Mining разрабатывают такие корпора-
ции-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, Lexi-
Quest 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, специали-
зирующихся 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 Стэн-
фордского Университета (США) за точность прогнозирования.
Системы Data Mining разрабатывают научные коллективы на кафед-
рах 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 се-
тей» — support vector machine (SVM): SSVM, PSVM, NSVM, LPSVM,
ASVM, LSVM, NDC.
38 Глава 1

Разработка систем Data Mining происходит следующим образом. Раз-


работчики системы Data Mining (специалисты в данной содержательной
области, в области анализа данных, информационных технологий, про-
граммисты), тщательно изучают научную литературу, посвященную мето-
дам для анализа данного класса содержательных задач и стараются мак-
симально 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 автомати-
зировать процесс анализа, что позволяет осуществлять десятки тысяч ана-
литических процедур с данными за короткое время. При разработке сис-
темы разработчики основываются на промышленном стандарте CRISP-
DM (CRoss Industry Standard Process for Data Mining) [24] процесса ис-
пользования системы Data Mining. На рис. 1.13 представлена схема взаи-
модействия стадий CRISP-DM.

Стрелки на рис. 1.13 указывают наиболее важные и частые зависимо-


сти между стадиями, где каждая стадия CRISP-DM содержит определен-
ные 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, комбинато-
рика, математическая логика и т. д.), методы Artificial Intelligence (искусст-
венного интеллекта), в частности, методы рассуждений на примерах, веро-
Новые направления в анализе социальных систем 39

ятностные умозаключения и т. д., методы из Neurocomputer Science (нейро-


компьютерной науки), в частности, «нейронные» сети, методы из Computer
Science (компьютерной науки), Systems Science (науки о системах), Cogniti-
ve Science (наука о знаниях) и других научных дисциплин. Так, например, в
системе GhostMiner Developer [17] компании Фуджицу, используются сле-
дующие методы для классификации: IncNet Neural Network, FSM Neurofuz-
zy System, SSV Decision Tree, Similarity-based system kNN, Support Vector
Machine (SVM). Для кластеризации используются методы Dendrogram Clus-
terizer 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 Gra-
dient Boosted Trees, Ensembles of Neural Networks, Automatic Feature Selec-
tion, 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 ана-
лиза 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, интеллектуаль-
ные методы заполнения пропущенных значений, восемь методов выбора
наилучшего структурного дерева, используются методы многократных де-
ревьев, «комитета» экспертов, будстрап-агрегации, имеется встроенный
язык программирования для введения новых моделей и критериев, под-
стройки 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 пере-
менными, строить надежные классификации, давать точные прогнозы.
Если говорить в общем, то система Data Mining — это компьютерная
система для автоматического интеллектуального выявления закономерно-
стей в эмпирических данных, классификации и прогнозирования. Вводи-
мые данные и выявленные закономерности могут быть количественными,
40 Глава 1

качественными и данными смешанной природы (количественно-качест-


венные), выраженные в виде слов естественного языка, структурных диа-
грамм, 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 прогнозиро-
вания. 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 сис-
темами в Data Warehousing (системы хранения данных). Самостоятельные
системы Data Mining поддерживают форматы различных пакетов. Так, на-
пример, система CART [22] поддерживает более чем 70 форматов файлов,
включая форматы файлов SAS, SPSS, Microsoft Excel, Lotus и т. д., что обес-
печивает интеграцию дашюй системы с другими компьютерными система-
ми. 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 классифика-
цию 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. Особен-
ность 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 изло-
жены на понятном неподготовленному пользователю языке. К системам
Data Mining прилагается объемное руководство пользователя, где детально
изложены методы анализа, критерии селекции моделей, алгоритмы обра-
ботки и прогнозирования, многочисленные учебные примеры, справочная
литература и т. д. Данные руководства, кроме своего прямого назначения,
являются хорошим учебником для самостоятельного образования в облас-
ти эмпирического анализа данных.
Традиционно выделяют следующие основания для классификации сис-
тем 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 — Web-
данные [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 (ки-
беробщества) [31] и CyberSpace (киберпространства) [32] при изучении по-
ведения пользователей Интернет. Во-вторых, содержательные методы ана-
лиза — формальные методы анализа в Data Mining. Содержательные мето-
ды — методы, основанные на какой-либо содержательной теории, где зада-
ются все важные содержательные показатели и функции, которые отражают
действительный механизм явления или процесса. В данных методах содер-
жатся теоретически обоснованные классы формул или уравнений, теорети-
чески осмысленные коэффициенты и т. д. Примером содержательных мето-
дов являются системы Data Mining предназначенные для анализа Social
Networks (социальных сетей), пространственных данных (данных, приуро-
ченных 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 про-
цесса, оперируют с удобными аппроксимирующими функциями и т. д.
Примером формальных методов являются многочисленные методы класси-
фикации, структурного анализа, методы статистического анализа и прогно-
зирования 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, алго-
ритмы анализа и прогнозирования, классы методов, селекции моделей,
заполнение пропусков в данных, трансформация данных и т. д. раз и на-
всегда жестко заданы. Второй подкласс — некоторые процедуры выпол-
няет система Artificial Intelligence (искуственного интеллекта) [1, 33, 34], в
результате чего система Data Mining может самообучаться, например, «за-
поминать» удачные решения, самостоятельно генерировать новые ре-
шающие правила по выбору и селекции моделей кластеризации и прогно-
зирования и т. д. Искусственный интеллект используется в системах Data
Mining также следующим образом. Во-первых, методы искусственного ин-
теллекта [1], основанные на темпоральной (временной) логике, пороговой
логике, Memory-Based Reasoning (рассуждения на образцах «памяти»), мето-
дах традукции (умозаключения от частного к частному), абдукции, нечетких
42 Глава 1

выводов и т. д. используются для селекции моделей, выявления закономер-


ностей, обобщения данных, классификации, прогнозирования и т. д. Во-вто-
рых, 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 сфор-
мулировать запрос па естественном языке, а система Artificial Intelligence
обратится к базе данных или базам данных, запустит работу соответствую-
щего 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 не-
сколькими распределенными системами Data Mining, которые работают от-
носительно 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 ко-
личестве классов методов, алгоритмов селекции моделей, уровне автома-
тизации и удобства использования, «интеллектуальности» системы, на-
строенности на конкретные задачи и базы данных клиента и т. д., что со-
ответственно, отражается на цене системы. Так, например, стоимость сис-
темы Data Mining, относящейся к классу High-end, может составлять бо-
лее $100 000.
Ниже представлено неформальное и поверхностное описание некото-
рых 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 за-
кономерностей 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 ин-
формационные системы Staffware, InConcert, MQSeries, ERP, CRM, которые
позволяют вводить, сохранять и анализировать данные в виде графов.
В системах Data Mining, предназначенных для анализа текстов, ис-
пользуются следующие аналитические процедуры. Подсчет частоты
встречаемости Web-страниц, предложений, словосочетаний, слов в тек-
стовых документах, построение различных индексов, оценка подобия тек-
стовых документов, создание карт текстов в SVD измерении, выявление
Новые направления в анализе социальных систем 43

зависимостей между документами и фрагментами текстов, анализ семан-


тических отношений, классификация, в частности, кластерный анализ
типа ЕМ и k-Means текстов (документов), различные методы прогнозиро-
вания характеристик текстов (документов). В данных системах преду-
смотрена интеграция с другими системами Data Mining, например, Text-
Miner 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 Ме-
gaputer Intelligence [21] полностью интегрирована с системами Data Mi-
ning семейства PolyAnalyst. Относительно производительности систем Da-
ta Mining, предназначенных для анализа текстов, можно привести сле-
дующий пример. LexiQuest Mine компании SPSS [18] может проанализи-
ровать 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 стати-
стического анализа и прогнозирования временных рядов, представляющих
собой количественные или качественные значения в разные моменты вре-
мени, 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 ря-
дов (авторегрессия, метод Бокса—Дженкинса, ARIMA, спектральный ана-
лиз, кепстральный анализ, вейвлет-апализ, фрактальный анализ и т. д.), осу-
ществляется подбор моделей на данных, которые не были использованы в
анализе (обучающей выборке). На данном этапе осуществляется также авто-
матическое 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 мо-
жет добавляться случайный «шум» для устойчивого выбора модели прогно-
зирования. По результатам анализа пользователь получает прогноз по дан-
ному временному ряду. Прогноз обычно дается по одному наиболее точно-
му и устойчивому к погрешностям методу и (или) усреднению прогнозов
различных методов. Для усреднения используются мода, медиана, взвешен-
ные средние и другие методы. Если временных рядов несколько, то наряду с
вышеописанными процедурами, система Data Mining анализирует зависи-
мости 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] ком-
пании 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, кроссвали-
дизации и тестирования обученной «нейронной» сети. Конструктор в авто-
матическом режиме может осуществить «сжатие» входных данных с помо-
щью 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 обуче-
ния «нейронной» сети, например, класс прямого или обратного распростра-
нения ошибки, алгоритм «отжига», генетический алгоритм и т. д. и осуще-
ствит классификацию данных или прогнозирование. Во многих системах
Data Mining, основанных на «нейронных» сетях, имеется встроенный язык
программирования, который позволяет пользователю самостоятельно про-
граммировать новые классы архитектуры сети, алгоритмы обучения, реали-
зовать 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. Отме-
тим 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. Во-
вторых, они решают широкий класс задач классификации и прогнозиро-
вания с помощью одной и той же методологии и модели сети. В третьих,
количество «входов» и «выходов» (зависимых и независимых перемен-
ных) может быть любым, в отличие, например, от регрессионного анализа
и дискриминантного анализа, где зависимая переменная может быть толь-
ко одна. В четвертых, многочисленные эксперименты показывают, что
системы Data Mining, основанные на «нейронных» сетях, позволяют да-
вать более точные результаты классификации и прогнозирования по срав-
нению 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 срав-
нение 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, осно-
ванные 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 последова-
тельной обработки информации могут занимать неприемлемо продолжи-
тельное 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 ком-
пьютеры, при этом каждый процессор может работать параллельно и не-
зависимо от других процессоров, что дает значительное увеличение про-
изводительности вычислений.
Для сравнения систем Data Mining используют множество критериев,
например, стоимость системы, содержательные и технические возможно-
сти системы, удобство и простота использования системы, уровень авто-
матизации, 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, DataCrun-
cher, 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-сер-
вер, Database и т. д.), используемые методы (деревья решений, «нейрон-
ные» сети, регрессии, классификации и т. д.), возможности ввода и вывода
данных, удобство применения (манипуляции с данными, создание и се-
лекция моделей и т. д.), возможности визуализации, методы автоматиза-
ции моделирования. Результаты сравнения показали, что лучшими систе-
мами являлись Intelligent Miner for Data (IBM), Clementine (SPSS), Enter-
prise Miner (SAS), Darwin (Thinking Machines, Corp.), Pattern Recognition
Workbench (Unica Technologies, Inc.). Результаты сравнения также показа-
ли, 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 ком-
пании, например, Elder Research, Inc. [40], которые специализируются на
46 Глава 1

оказании консалтинговых услуг по выбору систем Data Mining дня корпо-


раций, информационно-аналитических центров и т. д.
В заключение данного обзора отметим следующее. Data Mining за ру-
бежом — это развитая современная индустрия анализа данных или инду-
стриальный «интеллектуальный» анализ данных, который развивается в
сторону повышения производительности, автоматизации и «интеллекту-
альности» 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 зарубеж-
ными системами Data Mining, основанными на «нейронных» сетях и мно-
гомерных статистических методах, изучение и практическое использова-
ние некоторых демонстрационных версий зарубежных систем Data
Mining, а также опыт работы с традиционными пакетами для анализа дан-
ных, 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 кото-
рых 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 це-
лостно, 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. Ox-
ford: 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 Kauf-
mann, 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 Visu-
alization 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 Bioinformat-
ics. 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 Neth-
erlands (http://www.liacs.nl/~ida99).
11. http://www.amazon.com.
12. http://www.cs.uvm.edu/~xwu/icdm-03.html.
13. http://www.the-data-mine.com.
14. http://www.willyancey.com/data-mining.htm.
15. http://www.ibm.com.
16. http://wwworacle.com.
17. http://www.fudjitsu.com.
18. http://www. spss.com.
19. http://www. sas.com.
20. http://www. statsoft.com.
21. http://www.megaputer.com.
22. http://www.salford-systems.com.
23. http://www.cs.wisc.edu/dmi.
24. http://www.crisp-dm.org.
25. http://www.microsoft.com.
26. http://www.angoss.com.
27. http://www. Neurosolutions.com.
28. http://www.gr-fx.com.
29. 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.: Wi-
ley-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 Intel-
ligence). Berlin: Springer-Verlag, 2000.
34. KandelA., LastM., Bunke H. Data Mining and Computational Intelligence (Stud-
ies 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 rea-


soning, 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 прогнозиро-
вания социальных систем // Тезисы II Международной конференции «Цикли-
ческие 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), психоло-
гии, биоинформатике, теории игр и т. д. для анализа систем начали ис-
пользовать Quantum Computing (квантовые вычисления), основанные на
принципах квантовой механики. В частности, квантовую механику ис-
пользуют для изучения общества [1], Индивидуального [2—5] и Коллек-
тивного Сознания [6], разработки квантовой теории информации [7, 8],
квантовых вычислений [9-12], квантового компьютера [8-12], разрабаты-
ваются компьютерные модели квантовых клеточных автоматов [13] и
квантовых нейронных сетей [14], с помощью которых осуществляется
принципиально новый и плодотворный анализ и моделирование различ-
ных 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 пер-
спективном квантовом направлении в анализе различных систем.
С содержанием научных работ, посвященных квантовой информацион-
ной пауке, квантовым вычислениям и квантовому моделированию, кванто-
вым моделям Индивидуального и Коллективного Сознания и т. д. можно
подробно ознакомиться в материалах международных конференций Quan-
tum 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 орга-


низаций, 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 Кэм-
бриджа (Великобритания), Математического Института Университета Окс-
форда (Великобритания) и т. д.
На основе квантового подхода в данном разделе рассмотрены кванто-
вый 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 социо-
логии, однако в социологии существуют различные представления о социаль-
ной реальности [18-22], которые различаются уровнем рассмотрения, напри-
мер, рассмотрение на уровне генетики (социобиология), уровне фактов пове-
дения и сознания индивида, обусловленных процессом социализации и при-
жизненным опытом индивида (социологический номинализм или микро со-
циология), уровне общества, коллективных фактов поведения и сознания,
продуктов материальной и духовной совместной деятельности людей, несво-
димых 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 социаль-
ную реальность на основе системного подхода в социологии [16], в частно-
сти, опираясь на естественно-научную парадигму в социологии [23]. Напом-
ним, что в соответствии с принципом системности, существует зависимость
каждого элемента, части, свойства и отношения от его места и функций внут-
ри 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 социаль-
ных 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; цело-
го, частей, уровней и элементов; прошлого, настоящего и будущего; структу-
ры, 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 исполь-
зуется в социологии [16,20].
Обращение автора к квантовой механике было обусловлено следую-
щими обстоятельствами. К настоящему моменту времени накоплено мно-
жество эмпирических фактов, которые не поддаются объяснению в рамках
существующих гуманитарных социологических теорий. Например, неко-
торые российские индивиды, незнакомые с результатами опросов общест-
венного 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] (сни-
жение негативных социальных явлений в регионе примерно на 10%, если
число практикующих медитацию по методу ТМ-Сидхи составляет при-
мерно кореш, квадратный от числа проживающих в регионе). При высокой
активности геомагнитного поля Земли возрастает количество преступле-
ний, 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 географи-
ческом пространстве при отсутствии явного и непосредственного взаимо-
действия 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], голо-
графического информационного поля Е. Ласло [цит. по: 6] и т. д., чтобы
объяснить многочисленные твердо установленные экспериментальные
факты. Например, экспериментальные приборные наблюдения с исполь-
зованием ЭЭГ (электроэнцефаллограммы) [27] показывают, что существу-
ет когерентность (согласованность) электрической активности мозга ин-
дивидов, находящихся на отдаленном расстоянии друг от друга в геогра-
фическом 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 своди-
мая к сумме индивидуальных сознаний членов группы. Коллективное
Сознание существует для каждого уровня социальной организации (семья,
социальная общность, город, нация, мир в целом). Между индивидуаль-
ным сознанием и Коллективным Сознанием существуют прямая и обрат-
ная 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 аргу-
менты рассматривать базовый, глубинный уровень социальной реальности с
•точки зрения квантовой механики. Кроме того, представление о том, что ви-
димый мир обманчив, а за ним лежит ненаблюдаемая «невооруженным гла-
зом» истинная реальность, является одним из старейших постулатов методо-
логии науки [30]. В этой связи отметим, что данную точку зрения высказыва-
ли 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 ис-
пользованием ЭЭГ (электроэнцефаллографов) [27, 32] показывают, что
мода частотного спектра квантового уровня социальной реальности, веро-
ятно, соответствует частоте 7—8 Гц. В квантовой системе социальной ре-
альности существуют дискретные энергетические квантовые уровни.
Имеются основания [16] предполагать, что на квантовом уровне социаль-
ной реальности могуг наблюдаться собственные колебания с периодами от
нескольких миллисекунд до десятков тысяч лет, квантовые энергетиче-
ские уровни, переход между которыми осуществляется «скачком». Не ис-
ключено, что геометрия квантового уровня социальной реальности может
быть описана Римановой геометрией неоднородного типа [16].
Многочисленные экспериментальные приборные наблюдения с ис-
пользованием ЭЭГ (электроэнцефаллограммы) [27] показывают, что уста-
новка экранов не снижает когерентность электрической активности мозга
индивидов, находящихся на отдаленном расстоянии друг от друга и ис-
пользующих техники медитации. Таким образом, квантовый уровень со-
циальной реальности неявно и слабо взаимодействует с физической ре-
альностью. Согласно современным космологическим расчетам [33, 34],
обычной, видимой нами материи, из которой состоят звезды и межзвезд-
ный 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 при-
боров. На долю «темной» материи приходится 29 ± 4 %, а на долю «тем-
ной» энергии приходится 66 ± 6 % массы Вселенной. Предположительно,
«темная» материя и энергия состоят из гипотетических элементарных час-
тиц WIMPs (Слабо Взаимодействующих Массивных Частиц), которые
практически не взаимодействуют с привычной нам материей и которые
были теоретически предсказаны в теории суперсимметрии. Каждую се-
кунду нас, возможно, пронизывает примерно 1014 этих гипотетических
52 Глава 1

частиц. Также не исключено, что «темная» материя и энергия могут со-


стоять 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 (согласо-
ванность) 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 предполо-
жение, что «темная» энергия, состоящая из космических аксионов, может
являться тем, что буддисты называют Чистым Сознанием или Космиче-
ским 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 происхо-
дит скрытый энерго-информационпый обмен между индивидами и груп-
пами индивидов, между индивидами и Природой.
Рассмотрев некоторые известные экспериментальные факты и гипоте-
зы, в целом, можно предположить следующее. Квантовый уровень социаль-
ной реальности — квантовая система с бесконечным числом степеней сво-
боды — квантовое поле, мода частотного спектра которого приходится на
частоту 7-8 Гц. Данная квантовая система может состоять из гипотети-
ческих элементарных частиц WIMPs или космических аксионов, которая
обеспечивает скрытое энерго-информационное взаимодействие между ин-
дивидами, 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 соз-
нания индивидов на микро и макроуровнях социальной реальности.

Методы изучения квантового уровня


социальной реальности
К настоящему моменту времени существуют четыре подхода к изуче-
нию квантовых систем. Первый подход основан на использовании физи-
ческих приборных методов. Второй подход основан на техниках медита-
ции [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 психофарма-
кологии, 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 кван-
товыми системами может быть осуществлено с помощью лазерного излу-
чения отдельных квантовых битов (кубитов) в квантовой системе, благо-
даря которому, за счет квантовых корреляций, изменяется уровень коге-
рентности квантовой системы и волновые функции [7, 8, 11,12].
Подход к изучению квантового уровня социальной реальности
на основе медитации. Медитация — сосредоточение, посредством ко-
торого достигается «просветление» («нирвана» или «сатори»), т. е. воз-
никновение трансперсонального (Чистого) сознания. К настоящему мо-
менту времени накоплено множество эмпирических фактов [25—27, 36,
37], относящихся к так называемому трансперсональному сознанию,
возникающему в процессе использования техник медитации. Так, на-
пример, 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, Шума-
новскому резонансу в полости Земля-ионосфера и частотным спектрам
других космофизических факторов [38—41]. В состоянии трансперсоиаль-
ного (измененного) сознания [42, 43] наблюдаются хорошее настроение
(спокойствие, умиротворенность), ощущение единства с окружением: то,
что древние называли союзом микрокосма (человека) с макрокосмом (все-
ленная), осознание принципиального единства и взаимозависимости всего
сущего, непередаваемость словами ощущений, изменение пространствен-
но-временных соотношений, обострившееся восприятие реальности и
смысла окружающего, парадоксальность, т. е. принятие вещей, которые
кажутся парадоксальными обыденному сознанию. В состоянии транспер-
сонального сознания мир воспринимается как взаимодействие света и
пространства; как единое поле энергии, где нет ни наблюдаемого, ни на-
блюдающего, ни наблюдения; происходит одновременное восприятие объ-
екта 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 субъектив-
ные ощущения, возникающие при медитации, соответствуют современно-
му квантово-механическому представлению о физической реальности
[31]. В этой связи отметим, что согласно представлениям древних индий-
цев, 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 пред-
ставления древних индийцев об атмане и древних китайцев о Дао, в це-
лом, также соответствуют современной квантовой механике [31]. В этой
связи отметим, что побочным действием совместной медитации группы
людей является снижение числа негативных социальных явлений в регио-
не [25, 26], т. е. медитация может выступать как ментальное управленче-
ское 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 про-
исходит отождествление с квантовым уровнем социальной реальности, в
частности, можно пережить страдания всех солдат, которые погибли на
полях сражений с начала истории человечества, происходит отождествле-
ние с мыслями и чувствами какой-либо социальной группы, парода или
человечества в целом. То, что это не является галлюцинацией, свидетель-
ствуют следующие факты. Характеристики электрической активности
мозга, фиксируемые ЭЭГ после приема психотропных препаратов или
специальных техник, в целом, соответствуют характеристикам электриче-
ской активности мозга при медитации [37]. При измененных состояниях
сознания может наблюдаться отождествление с динамической структурой
молекул и атомов, межатомных связей, электромагнитных сил и субатом-
ных 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], показы-
вают, что с помощью гипноза возможно актуализировать состояния подсозна-
ния, 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 плодотвор-
ному 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 мето-
дов управления поведением и сознанием больших групп индивидов.

Когерентность — декогерентность квантового уровня


социальной реальности
Э. Дюркгейм [47] с позиций рассогласования Коллективного Созна-
ния 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) Кол-
лективного Сознания, которое представляет собой квантовую систему, в
частности, снижение уровня когерентности — декогерентность (рассогла-
сование по площади и времени характеристик квантовой системы), приво-
дит к социальной напряженности, преступности, военным конфликтам и
другим негативным социальным явлениям. Иными словами, декогерент-
ность квантового уровня социальной реальности может являться глубин-
ной 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 респон-
дента, в частности, классические модели Терстоупа, Люка, Кумбса, Лай-
керта, Лазарсфельда [48—50], психофизические модели Стивенса [51, 52],
модели когнитивной психологии [53-55] и психологической теории при-
нятия решений [56], современные компьютерные модели, например [57].
Однако, в опросах общественного мнения наблюдается ряд фактов, кото-
рые трудно объяснить в рамках существующих моделей. В частности,
возможность некоторых респондентов, незнакомых с результатами опро-
сов общественного мнения, знать распределение ответов в генеральной
совокупности [24], получение зрительной и иной информации, минуя ор-
ганы чувств, напрямую в мозг [58] и т. д. Квантовый подход позволяет
учесть данные факты, поэтому на основе квантового подхода автор разра-
ботал квантовую модель ответа респондента.
Поскольку социологи пока не изучают квантовую механику, кванто-
вую теорию информации и т. д. [12], то вначале дадим необходимые опре-
деления, которые являются интерпретацией кваытово-механических поня-
тий, применительно к квантовой модели ответа респондента.

Базовые состояния величины (X). Градации какого-либо вопроса


анкеты или интервью.

Волновая функция (суперпозиция базовых состояний). Одновре-


менное присутствие в социальной системе всех возможных состояний, т. е.

Р(Х) = р,+р2+... + Рп,

где рх, р2,---, Р„ —вероятности градаций величины X.


J56 Глава 1

Отметим, что принцип суперпозиции широко используется в общей


теории систем, поскольку в сложных системах, состоящих из множества
разнородных подсистем, каждая подсистема может находиться в различ-
ных 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 подсис-
тем, могут одновременно наблюдаться взаимоисключающие состояния.
Одномерные частотные распределения ответов респондентов на взаимо-
исключающие градации вопроса анкеты или интервью в опросах общест-
венного мнения — очевидный пример суперпозиции.
Редукция (коллапс) волновой функции. Выделение какого-либо ба-
зового состояния из волновой функции. На уровне индивида редукция вол-
новой 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. Ку-
бит 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 каж-
дую градацию можно представить как кубит, где базовое состояние 1 —
есть ответ на данную градацию, базовое состояние 0 — нет ответа на дан-
ную 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 состоя-
ний 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, од-
номерное частотное распределение или множество одномерных частотных
распределений ответов респондентов можно описать как п кубитов, кор-
релированных 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 телепорта-
ция возможна за счет квантовых корреляций, запутанных (entangled) со-
стояний, между кубитами, а также нелокальных мгновенных взаимодейст-
вий между отдаленными друг от друга областями квантовой системы (тео-
рема 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 предста-
вить как редукцию волновой функции следующим образом. Каждый респон-
дент связан, за счет квантовых корреляций, с квантовым уровнем социаль-
ной реальности, поэтому он использует распределение вероятностей (волно-
вую функцию) ответов в генеральной совокупности или какой-либо соци-
альной группе при ответе. Данное положение соответствует голографиче-
ской модели сознания индивида [28, 29], согласно которой индивиды имеют
всю информацию о реальности в целом по принципу голограммы и кванто-
во-механическим моделям сознания человека [2-5]. Респондент действует на
бессознательном уровне как генератор случайных чисел, т. е. исходя из соот-
ветствующего распределения вероятностей ответов в генеральной совокуп-
ности, «разыгрывает» случайную величину (ответ на вопрос анкеты или ин-
тервью), т. е. дает один ответ. Данный механизм «разыгрывания» случайной
величины лежит в основе одной из классических моделей ответа респонден-
та в математической психологии, которую называют «случайный выбор»
(random choise) [цит. по: 48] и которая имеет экспериментальные подтвер-
ждения в когнитивной психологии [56]. Если у респондента не сформирова-
но 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 од-
ному 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 ком-
пьютерном моделировании модель статистических испытаний или метод
Монте-Карло [59]. Напомним, что метод Монте-Карло позволяет на осно-
ве заданного распределения вероятностей с помощью генератора случай-
ных чисел генерировать случайные числа («разыгрывать» случайную ве-
личину) и проводить различные вычислительные эксперименты. Метод
статистических испытаний может являться компьютерной реализацией
квантовой модели ответа респондента. В этой связи отметим, что вероят-
ность выбора градации респондентом можно получить не только по ре-
зультатам уже проведенного большого опроса общественного мнения, но
и по результатам пилотажного исследования небольшой выборки респон-
58 Глава 1

дентов, специального экспертного опроса [24], известных общесистемных


закономерностей [16] или исходя из какой-либо теории, например модуль-
ной теории социума (МТС) [60, 61].
В заключение рассмотрения квантового подхода к анализу социаль-
ных систем отметим следующее. О. Конт, когда использовал понятие «со-
циальная физика», сам того не подозревая, или может быть, очень прозор-
ливо, был близок к истине, о чем свидетельствуют представленные в на-
стоящем разделе некоторые возможности и перспективы квантового под-
хода 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 компью-
терных 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. Cam-
bridge: 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: Birk-
hauser 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 ней-
ропсихологии. 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, Criti-
cisms, and Reconstructions. N. Y: Blackwell Publishers, 2003.
20. НемировскийВ. Г., НевиркоД.Д., Грииюев С. В. Социология: классические и по-
стнеклассические 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 pro-
gramme. 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 quan-
tum 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 ак-
тивности 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: Con-
sciousness, 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 fly-
ing // 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.
60 Глава 1

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 созна-
ния: 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 Pros-
pects. 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 информа-
ции //Ментальная репрезентация: динамика и структура. М.: Изд-во «Инсти-
тут 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 socio-
logical 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 альтерна-
тивном 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 ге-
нетики человека [1—6], в частности, реализуется международная програм-
ма «Геном человека», получили развитие такие разделы генетики, как со-
циогенетика [7, 8], психогенетика [9,10], геногеография [11], генетическая
Новые направления в анализе социальных систем 61

история человечества [12], генетика поведения человека [13], популяци-


онная генетика человека, медицинская генетика, генная инженерия и т. д.
В результате проведенных исследований с помощью молекулярно-гене-
тических методов анализа генома человека и близнецового метода (монози-
готпые близнецы, которые имеют одинаковую структуру ДНК, но с рожде-
ния воспитывались в разных семьях) были установлены следующие факты.
IQ (коэффициент интеллектуальности) [6], гомосексуализм [6, 14], наркома-
ния [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] обу-
словлены, в значительной мере, наследственностью. В целом, имеющиеся
эмпирические данные [1-18] позволяют выдвинуть гипотезу, что доля влия-
ния наследственности па многие виды поведения и свойства личности ин-
дивидов может составлять, в среднем, около 60 %.
Приведем несколько примеров использования эмпирических резуль-
татов социогенетики для объяснения некоторых социальных явлений, ко-
торые 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, совре-
менная 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 од-
нополых браков в некоторых странах мира. Пример с гомосексуализмом
также показывает, что существование некоторых фактов поведения, ста-
бильно наблюдающихся па всем протяжении человеческой истории и не
зависящих от социальных условий (культуры, экономики, религии, полити-
ческого режима и т. д.) могут быть обусловлены генетически.
Э. Дюркгейм, в своей ставшей классической работе «Самоубийство: со-
циологический этюд», рассматривал суицид с точки зрения влияния социаль-
ных 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 домини-
рующим ценностям, в частности, для «Запада» более характерна ориента-
ция па новизну, риск, а для «Востока» — ориентация на традиции, стабиль-
ность и спокойствие. Данные социогенетики [18] свидетельствуют, что ин-
дивиды, 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 силь-
ные 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. Распро-
страненность разных аллелей D4DR разная в разных этнических группах, в
частности, аллель с 7 повторами часто встречается в Америке (48 %) и го-
раздо реже в Южной и Восточной Азии (менее 2 %) [18].
В социологии исследование социальной структуры, в частности, вы-
явление социальных факторов, которые обуславливают положение инди-
вида в обществе — одна из традиционных тем, которой посвящено мно-
жество социологических монографий. В фундаментальном исследовании
Р. Херштейпа и Ч. Мюррея [20], изучалось влияние значений IQ (коэффи-
циента интеллектулыюсти) па положение индивида в социальной струк-
туре 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, пре-
имущественно, не социальными факторами. В данном исследовании было
установлено, что значение коэффициента IQ в наибольшей мере, по срав-
нению 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 го-
ворить грубо, то Маркс отводил доминирующую роль базису (экономи-
ке), 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 эмпи-
рически установлено, что между средним значением IQ в стране и ВВП
(валовым внутренним продуктом) па душу населения существует вели-
чина корреляции, значение которой равно 0,757, т. е. коэффициент де-
терминации 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, по-
чему некоторые страны мира богаты, в то время как другие бедны. В част-
ности, 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 зна-
чение коэффициента интеллектуальности населения страны в наибольшей
мере определяет уровень экономического развития страны и долгосрочные
и краткосрочные темпы ее экономического роста. Полученный эмпириче-
ский результат не подтверждает, как теорию Маркса о доминирующей роли
«базиса» (экономики), так и теорию М. Вебера о доминирующей роли «над-
стройки» (Протестантской этики) в экономическом развитии страны.
Автор по данным Р. Линна и Т. Ванхенена [22] выявил также зависи-
мость 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 демо-
кратии в стране равен R1 = 0,548. Это означает, что среднее значение ко-
эффициента интеллектуальности населения примерно на 55 % определяет
уровень демократии в стране, т. е. чем выше среднее значение IQ населе-
ния, тем выше уровень демократии.
Затем автор выявил силу связи между ВВП на душу населения и уров-
нем демократии в стране с помощью однофакторного дисперсионного ана-
лиза. 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 обуславлива-
ет среднее значение IQ населения, который в свою очередь, в значитель-
ной мере определяет значение ВВП на душу населения и уровень демо-
кратии 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 положи-
тельную роль в становлении и развитии социологии как самостоятельной
научной дисциплины, однако, вместе с тем, привел к известным ограниче-
ниям в объяснении многих социальных явлений и процессов, поскольку
«за бортом» оказались генетика, психология и другие научные дисципли-
ны, чьи результаты являются важными для целостного и адекватного опи-
сания многих социальных явлений и процессов. Автор полагает, что со-
64 Глава 1

временная социология не может дальше продолжать политику «отгоражи-


вания» от достижений других научных дисциплин, поскольку данная по-
литика уже привела теоретическую социологию к схоластике [24, с. 125] и
существенно снизила ее научную и практическую значимость [25]. С точ-
ки зрения автора, традиционный основополагающий принцип социологии
приводит, преимущественно, к бесполезной борьбе за «чистоту» социоло-
гии, а не к целостному объяснению действительных механизмов социаль-
ных явлений и процессов. С точки зрения автора, которая обстоятельно
изложена в [26], более эффективным основополагающим принципом со-
временной 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, взаимо-
действия 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 объяс-
нения социальных явлений и процессов необходимо привлекать данные
других научных дисциплин.

Если строго следовать традиционному основополагающему принципу


социологии, то выше представленные эмпирические результаты не явля-
ются социологическими и их следует игнорировать. Однако, данное ре-
Новые направления в анализе социальных систем 65

шение обрекает социолога на такие социологические объяснения значе-


ний ВВП, уровня демократии в стране и взаимосвязи между ними, кото-
рые не являются доминирующими. Очевидно, что для практических при-
ложений данный подход нельзя признать правомерным. Напротив, при
использовании принципа системности здесь не возникает проблем, по-
скольку 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 неко-
торых идей Ламарка, а именно, наследуемости приобретенных признаков
[30], которое называют эпигенетическим наследованием [28]. Новый при-
знак может возникнуть через образование регулирующих комплексов бе-
лок/ДНК/РНК, модификацию хроматина, или изменения в ДНК соматиче-
ских клеток и затем передаться потомству [30]. Если данные факты полу-
чат дальнейшее подтверждение, и эпигенетическое наследование у чело-
века существует, то тогда прижизненная социальная информация индиви-
дов может наследоваться посредством генов. Это может объяснить, с точ-
ки 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 ос-
новополагающий принцип социологии, согласно которому социальное рож-
дается из социального, явно недостаточен для полного объяснения многих
социальных явлений и процессов и, особенно, для практических приложе-
ний. 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, име-
ются основания предполагать, что дальнейшее развитие социогенетики из-
менит 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 Behav-
ior. 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 об-
щей биологии. 2000. Т. 120. № 3. С. 227-240.
13. КурочкинЛ. И. Генетика поведения и нейрогенетика и их становление в Рос-
сии // 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 пси-
хологии. 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 Ameri-
can 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. ис-
след. 2004. № 2. С. 12-23.
28. Jablonka E., Lamb M. Epigenetic Inheritance and Evolution: The Lamarckian Di-
mension. Oxford: Oxford University Press, 1995.
29. Cmun Э., Линдли Р., Бланден Р. 2002. Что, если Ламарк прав? Иммуногенети-
ка 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 суще-
ствуют разнообразные определения понятия «общество», основанные на
различных принципах и теориях, в частности, социологическом номина-
лизме или социологическом реализме, структурном функционализме, сим-
волическом интеракциопизме, этнометодологии и т. д. Многие социологи,
например, Н. Луман [1], Ю. Н. Давыдов [2], отмечают трудности концептуа-
лизации 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 «общест-
во», из-за его многозначности, абстрактного характера и трудностей исполь-
зования в практике.
С точки зрения автора, которая основана на проведенном анализе по-
нятия «общество» по доступным зарубежным и отечественным социоло-
гическим энциклопедиям, словарям, учебникам, работам классиков со-
циологии, современным научным публикациям, существующие трудности
использования понятия «общество» в социологии вытекают из того об-
стоятельства, что понятие «общество» заимствовано социологией из соци-
альной философии и до настоящего времени во многом базируется па он-
тологических и гносеологических принципах социальной философии.
Вследствие этого, многие определения понятия «общество» выступают в
качестве некоторого качественного «ярлычка», который мало приспособ-
лен для конкретного эмпирического изучения. Кроме того, различные ис-
следователи, исходя из какой-либо социологической теории, выделяют
только отдельные аспекты общества, что явно недостаточно для целостно-
го 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, Евро-
пейского 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 госу-


дарств — 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 нацио-
нальным государством, а только затем с «Общей Европой», а 44 % граж-
дан идентифицировали себя только с национальным государством — чле-
ном ЕС [6]. Другими примерами новых социальных реалий являются
взаимодействующие пользователи сети Internet, которых называют кибе-
робществом [7], мировое сообщество в рамках ООН.
В последние годы быстрыми темпами развивается computational socio-
logy (компьютационная социология) — вычислительная или компьютерная
социология [8, 9] (см. раздел данной книги «Computational Sociology»). На-
помним, что в компьютерной социологии используются многие методоло-
гические принципы общей теории систем, достижения Neurocomputer Sci-
ence (нейрокомпьютерной науки), в частности, «нейронные» сети [10], раз-
рабатываются и используются различные компьютерные информационно-
аналитические 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. Ком-
пьютерная социология предъявляет новые требования к социологическим
теоретическим понятиям, в частности, конструктивность определения, под
которой понимается возможность практической реализации данного опре-
деления 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 конструктивны-
ми, поскольку не позволяют разработать адекватно функционирующую
компьютерную систему, описывающую общество.
Автор полагает, и на то есть теоретические, эмпирические и практи-
ческие аргументы [12, 13], что понятие «общество» следует определять и
эмпирически изучать с точки зрения общей теории систем, поскольку об-
щая теория систем является наддисциплинарной научной теорией, соз-
данной для теоретического и эмпирического изучения всех логически
мыслимых систем (физических, биологических, психологических, соци-
альных, 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 дис-
циплин, математике и компьютерном моделировании, ориентированную
на конкретные практические приложения в сфере управления. Основы
общей теории систем обстоятельно изложены в большом количестве мо-
нографий, начиная с классических работ Л. фон Берталанфи [14] и А. Бог-
данова [15], в монографиях 1970-х гг., оказавших заметное влияние на
становление общей теории систем в СССР [16-18], и заканчивая совре-
менными монографиями, например [19, 20], в материалах различных меж-
дународных конференций [21], многочисленных статьях, например, в еже-
годнике «Системные исследования», который издает Институт системного
анализа РАН, в журналах «International Journal of Systems Science», «Sys-
tems 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 ор-
ганизмом, многие социологи, например, Т. Парсонс [22], Н. Лумап [23],
для описания общества используют главное понятие общей теории сис-
тем — «система» и некоторые методологические принципы общей тео-
рии систем, К. Бейли [24] предпринял попытку синтеза общей теории
систем и социологии, И. В. Прангишвили [20] рассматривал общесис-
темные 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 тео-
рия 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 чело-
века, низводя его до пассивного «элемента» системы, однако если вни-
мательно 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 об-
щей 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 ком-
пьютерной социологии.
Исходя из принципов общей теории систем и критерия конструктив-
ности, принятого в компьютерной социологии, можно дать следующее
новое определение понятия «общество», которое обобщает различные
социологические определения понятия «общество» и которое следует рас-
сматривать 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 раз-
нородных взаимосвязанных элементов и подсистем, свойств и отно-
шений, созданной индивидами на основе механизма обратной связи,
целью которой является реализация экстремальных принципов в жиз-
недеятельности индивидов с помощью законов, действующих в опре-
деленных границах.
Дадим пояснения терминов, включенных в данное определение, кото-
рые необходимы для конкретизации и раскрытия содержания данного опре-
деления, постановки теоретических и эмпирических задач, требующих ре-
шения, и дальнейшего составления списка объектов, свойств и отношений
для программирования, выбора языка программирования, разработки соот-
ветствующих алгоритмов и решения других специальных задач практиче-
ской разработки компьютерной системы, описывающей общество. У чита-
теля 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 предваритель-
ный теоретический этап работы с определением, предшествующий прак-
тической разработке компьютерной системы в компьютерной социологии
[9, 12]. Во-вторых, данное определение понятия «общество» можно рас-
сматривать, 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 раз-
личных типов систем, например, открытые — закрытые, простые — слож-
ные, устойчивые-неустойчивые, живые, адаптивные, информационные,
самоорганизующиеся, с «памятью» и т. д. В этой связи отметим, что в об-
щей теории систем тип системы — это не просто словесный «ярлычок», а
соответствующий набор количественных и качественных показателей,
между которыми существуют определенные зависимости[18], что позво-
ляет эмпирически выявлять и изучать различные типы систем. Ниже ис-
пользуются некоторые типы систем, которые характеризуют системопо-
рождающие факторы возникновения и существования общества, некото-
рые 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» позво-
ляют утверждать, что люди принадлежат к биологическому виду Homo
Новые теории социальных систем 71

sapiens, геном которого на 99 % похож на геном шимпанзе [26]. У представи-


телей данных биологических видов существуют моменты рождения и смер-
ти, 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 это-
логии (науки о коллективном поведении животных) [28] свидетельствуют,
что у биологических видов, ведущих коллективный образ жизни, сущест-
вуют врожденные, генетически обусловленные потребности во взаимодей-
ствии с себе подобными, принадлежности к себе подобным, координации и
субординации среди подобных себе, кооперации и конкуренции, а также
генетически обусловленный уровень интеллектуальных и иных способно-
стей 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 существо-
вания различных социальных систем и т. д. обусловлены вполне определен-
ными социальными причинами. В общей теории систем существует гипотеза,
имеющая теоретическое и эмпирическое обоснование, согласно которой про-
порция 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 дан-
ные показывают, что в поведении индивидов соотношение влияния врожден-
ных и социально приобретенных свойств и отношений приближенно соответ-
ствует «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 гене-
тическими факторами и примерно на 40 % обусловлены факторами социаль-
ными. В этой связи имеются теоретические и эмпирические основания вы-
двинуть гипотезу, согласно которой соотношение влияния системопорож-
дающих биологических и социальных факторов, обуславливающих возник-
новение 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 на-


зываемых нуклеарных систем [38], в которых существуют координацион-
ный центр и нелинейная согласованность функционирования подсистем и
элементов. Эмпирические исследования автора [39, 40] показывают, что
общество функционирует в специфическом системном состоянии «Inter-
medity» (промежуточности) [41] между порядком и хаосом, вследствие
чего для общества характерно свойство самоорганизованной критичности
[39] и режим детерминированного хаоса [40]. Свойство самоорганизован-
ной критичности проявляется, в частности, в том, что незначительное
влияние каких-либо внутренних и (или) внешних факторов может привес-
ти к реакции лавинообразного типа, которая может оказывать влияние на
все элементы и подсистемы общества. Для режима детерминированного
хаоса характерна нестационарная структура динамики, наличие глобаль-
ной квазипериодичности в динамике, фракталыюеть (самоподобие) ло-
кальных фрагментов динамики на разных временных масштабах и т. д.
Таким образом, имеются эмпирические основания утверждать, что обще-
ство принадлежит к типу систем, находящихся в состоянии «Intermedity».

Элементы. В истории социологии [42] в качестве элементов общества


рассматривали индивидов, социальные группы, общности, продукты мате-
риальной и духовной деятельности людей (социальные институты, нормы,
обычаи, традиции, ценности, смыслы и т. д.), виды действий и взаимодейст-
вий 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 назы-
вают далее неделимую, в рамках данного исследования, единицу системно-
го анализа, которая в свою очередь, может быть системой, состоящей из
подсистем. Данное положение общей теории систем позволяет осуществить
системный синтез традиционно существующего в социологии противопос-
тавления микро и макросоциологии. Кроме того, с точки зрения общей тео-
рии систем, элементами социальной системы являются все вышеперечис-
ленные 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 скепти-
чески относятся к выделению данных подсистем общества. Так, например,
И. Уоллерстайн [5, с. 25] отмечает, что «Святая троица — политика, эко-
номика, 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 «Пе-
риферию», которые различаются не только по уровню экономического,
политического, социокультурного и технологического развития, но и дру-
гим 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], по-
скольку реально существующие социальные системы функционируют как
единое целое, в которых выделение подсистем осуществляется не по тради-
ционным 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 количествен-
ному отношению между размерами частей поставлен в соответствие опре-
деленный режим функционирования данной подсистемы. В МТС социаль-
ная система может состоять, как из двух «социальных модулей», так и из
5000 и большего количества «социальных модулей», в зависимости от дета-
лизации 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. Вы-
деление необходимого количества «социальных модулей» осуществляется,
в частности, по результатам компьютерного моделирования с помощью раз-
работанной А. Н. Чураковым и автором данной статьи компьютерной экс-
пертпо-диагностической системы МАКС [12].
Свойства. Свойства могут быть общесистемными, например, свойст-
ва целостности [32], сложности, связности, избыточности, разнообразия,
изменчивости и т. д., а также предметными. В этой связи необходимо от-
метить одно важное обстоятельство. В общей теории систем для измере-
ния системных свойств разработано множество количественных индексов,
что позволяет измерять выраженность данных свойств в обществе. С точ-
ки зрения общей теории систем, основным системным свойством общест-
ва является свойство целостности, под которой в общей теории систем
понимают выделенность системы из более общей системы, эффект неад-
дитивности (целое не равно сумме частей), зависимость каждого элемен-
та, 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 про-
шлого состояния системы и ожидаемого будущего, первичную неразде-
ленность количественных и качественных, объективных и субъективных
факторов в системе. По результатам эмпирических исследований, прове-
денных автором в рамках модульной теории социума (МТС) [12, 39], а
также на основании общей теории систем, имеются основания предпола-
гать, что общесистемному свойству целостности социальной системы со-
ответствует пропорция 1,618, известная в науке и искусстве как «золотая»
пропорция. К предметным свойствам можно отнести субъективную само-
идентификацию индивидов с конкретным обществом, которая зависит от
факта рождения индивида в определенном государстве и процесса социа-
лизации, субъективных предпочтений индивидов в зрелом возрасте, на-
пример, 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 трудоспособно-
го населения занята в сельскохозяйственном секторе. Индустриальное
общество — наибольшая численность трудоспособного населения занята
в промышленном производстве. Постиндустриальное общество — наи-
большая численность трудоспособного населения занята в сервисе, в ча-
стности, если в производстве информации, то информационное общество.
По свойствам политического режима выделяют демократическое или то-
талитарное общество. По свойствам доминирующей религии в обществе
выделяют исламское общество, христианское общество и т. д., по возмож-
ностям самореализации индивидов — «общество равных возможностей»,
по значимости сферы потребления — «общество потребления», по доми-
нированию юридического права в жизнедеятельности индивидов — пра-
вовое 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 це-
лым и частями [46], а также предметные отношения, например, субъек-
тивные 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 сис-
темных 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 результа-


тов 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, закреплен-
ные 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 субъ-
ективного психологического образа общества — представления об обще-
стве, которое зависит от функционирования общества и оказывает влия-
ние на поведение индивида, которое может привести к изменениям в
функционировании общества. Например, в результате принятия государ-
ственных 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 наи-
меньшего времени Ферма, наименьшего действия Мопертыои, принцип
Гамильтона. В биологии экстремальные принципы известны как принцип
максимальной простоты, принцип оптимальной конструкции, принцип вы-
живания, принцип оптимальной жизненной стратегии и т. д. [31,47]. В пси-
хологии известен принцип гедонизма, согласно которому люди стремятся
максимизировать положительные эмоции и минимизировать эмоции отри-
цательные. В экономике, теории принятия решений, теории игр использует-
ся принцип максимина — максимум достижений при минимуме затрат, рис-
ка, времени. В социологии [48] также используются экстремальные прин-
ципы, как стремление максимизировать положительные социальные явле-
ния и минимизировать явления отрицательные, в рамках определенных ог-
раничений, за счет изменения элементов, связей, свойств и отношений в
обществе. Стремление к минимизации детской смертности, бедности, забо-
леваемости, безработицы, преступности и стремление к максимуму средней
ожидаемой продолжительности жизни, грамотности населения, равнопра-
вию женщин, демократии, эффективности работы правительства, человече-
ского развития — вот некоторые цели из глобальной международной про-
граммы ООН Millenium Development Goals (цели тысячелетия для челове-
чества) [45], в которой участвуют государства — члены ООН.
76 Глава 2

Т. Парсопс [22] под обществом понимал такой тип социальной систе-


мы, среди любого универсума социальных систем, который достигает само-
го высокого уровня самодостаточности как система по отношению к своему
окружению. Нетрудно заметить, что у Т. Парсонса речь идет именно о реа-
лизации экстремального принципа. Р. Коллинз [49, с. 81] отмечает, что зт-
нометодологическая теория полагает, что превращение повседневной жизни
в рутину — это основной социальный процесс и что люди изо всех сил ста-
раются ситуационно сглаживать и избегать любых неурядиц. Нетрудно за-
метить, что в основе данного процесса также лежит экстремальный прин-
цип «наименьшего действия», согласно которому действия в системе проис-
ходят при минимуме энергии, поскольку рутина — это привычные, повто-
ряющиеся, простые действия, требующие минимума физического и психо-
логического напряжения. Избегание неурядиц также можно рассматривать
как минимизацию физического и психологического напряжения.
Различные социальные утопии идеального общества, например, ком-
мунистическое общество К. Маркса, также можно рассматривать как реа-
лизацию экстремальных принципов в распределении благ, ощущении сча-
стья, свободы, справедливости и т. д.
Законы. Законы могут быть общесистемными [19, 25, 39, 50] и пред-
метными [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 ви-
де юридических норм (традиции, обычаи и т. д.), не зависящими от времени
и географического расположения общества и приуроченными к определен-
ному периоду времени и территориальным границам и т. д. Например, в об-
щей 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 элемен-
тов в большей части в зависимости от типа частотного распределения эле-
ментов в системе [46, 52], законы самоорганизации [25]. Например, наблю-
дения показывают, что при внедрении инноваций в организациях возникает
противодействие инновациям. Также известно, что при внешней угрозе воз-
растает степень сплоченности членов социальной общности. Эти и подоб-
ные им социальные законы на уровне социальных групп и стран мира, явля-
ются проявлением общесистемного закона [50], согласно которому при
внешнем воздействии на активную систему, которое уводит систему от на-
чального 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 людь-


ми, тем больше они будут отождествлять себя с некоей группой и тем боль-
шее давление они будут чувствовать в направлении подчинения локальным
образцам поведения и веры при условии равенства их сил и отсутствия кон-
куренции в борьбе за скудные ресурсы. С известными количественными за-
конами социальных систем заинтересованный читатель может более под-
робно ознакомиться в монографии автора [53].
Границы. В социологии в качестве временных границ общества вы-
деляют стадии или эпохи исторического процесса, например, первобытно-
общинное общество, средневековое общество, общество Нового времени,
современное общество, общество эпохи Возрождения, Просвещения, Мо-
дерна, 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 об-
ществу — 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 традицион-
ным, поскольку только в рамках национального государства пока осуще-
ствляется 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 дан-
ные опросов общественного мнения, полученных в рамках национальных
государств (стран мира). В качестве территориальных границ используют-
ся также географические границы регионов мира, например, африканское
общество, азиатское общество, европейское общество, и т. д., а также гео-
графические области внутри регионов мира, например, западноевропей-
ское общество [56]. Для мир-системы И. Уоллерстайна [44] территориаль-
ными границами являются границы планеты Земля. Вопрос о территори-
альных географических границах общества важен еще и потому, что на
функционирование общества оказывают влияние факторы природной ок-
ружающей 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 чис-
ленности членов общества. Если за численность членов общества прини-
мается 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 существо-


вания общества, является трудным и дискуссионным. Так, например,
П. А. Сорокин [62] полагал, что необходимо, как минимум, два взаимо-
действующих индивида, и тогда это будет простейший вид общества. Од-
нако, с точки зрения социальной психологии, между двумя взаимодейст-
вующими индивидами могут возникнуть только межличностные, соци-
ально-психологические отношения, а не общественные отношения в их
современном понимании. Имеющиеся исторические данные не позволяют
точно определить численность жителей древнегреческого города-государ-
ства (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 мини-
мальный порог численности взаимодействующих индивидов, при котором
возникает и существует общество, составит около 700 человек (количест-
во человек, имеющих ватиканское гражданство в настоящее время). Если
подходить к определению минимальной численности индивидов, доста-
точной для возникновения общества, с точки зрения математической ста-
тистики, сведя данную задачу к определению объема выборки, репрезен-
тирующей бесконечную генеральную совокупность по какому—либо дихо-
томическому признаку с распределением долей 50 : 50, что соответствует
максимальной дисперсии, то тогда с 99 % вероятностью минимальная чис-
ленность 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 сис-
тем уже выявлена показательная функция между количеством элементов на
различных уровнях иерархии системы, которая наблюдается как в природ-
ных [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 Фиббо-
наччи [30], который в общей теории систем отождествляется с критически-
ми уровнями развития целостной системы, описывается показательной
функцией, с начальным членом 2 (минимальная численность индивидов,
необходимая для взаимодействия), то тогда фрагмент ряда Фиббоначчи бу-
дет 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 извест-
ных законах социальных систем [53], практике расчетов объема выборки
для проведения опросов обществешюго мнения [66], численности граждан
города-государства Ватикан, то можно выдвинуть гипотезу, согласно кото-
рой 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 вы-
деляют подсистемы, которые называют «Восток» и «Запад» или восточное
общество и западное общества, имеющие различия в доминирующих свойст-
вах и отношениях [67]. Для определения границ общества также используют
стадии или состояния функционирования общества, которые характеризуют-
ся 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 использова-
нии 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 грани-
цы общества и определенная численность членов данного общества.
Предложенное определение понятия «общество» и конкретизация со-
держащихся в нем терминов, позволяют выдвигать новые плодотворные
эмпирически проверяемые гипотезы и ставить перспективные теоретиче-
ские, эмпирические и практические задачи в рамках компьютерной социо-
логии, 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 закономер-
ностей, функционирующей в режиме обратной связи; иерархических мно-
жеств системных единиц с изменяемыми в процессе оптимизационного
функционирования количеством системных единиц, их свойствами и отно-
шениями. В какой мере признаки общества, используемые автором в дан-
ном определении и пояснения терминов, а также предварительный перечень
компонентов возможной компьютерной системы, являются необходимыми и
достаточными для разработки компьютерной системы? Для решения дан-
ных 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 сис-
темы, по результатам которых изменяется компьютерная система и данный
процесс продолжается до тех пор, пока не будут выявлены основные содер-
жательные закономерности, т. е. программирование компьютерной системы
выступает в качестве метода исследования. Разработшшая с помощью дан-
J30 Глава 2

ной методологии и адекватно функционирующая компьютерная система


может быть и будет являться современным, социологическим компьютер-
ным «определением» понятия «общество»?
В заключение автор предлагает своеобразное воспоминание о буду-
щем 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 отдель-
ные аспекты общества. О. Конт [69, с. 8] также считал, что «основной ха-
рактер позитивной философии выражается в признании всех явлений под-
чиненными неизменным, естественным законам, открытие и сведение
числа которых до минимума и составляет цель всех наших усилий». Одна-
ко многие социологи, например Р. Коллинс [49], полагают, что современ-
ная теоретическая социология превратилась в специфический интеллекту-
альный дискурс, который далек от познавательной и практической функ-
ций научной дисциплины, поскольку в современной социологии произо-
шел постмодернистский отказ от методологической программы О. Конта,
в частности, отказ от эмпирического выявления законов общества. В це-
лом, современная социология в значительной мере игнорирует цели и за-
дачи, 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 пу-
ти 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 кон-
цептуальных 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» // Со-
циол. исслед. 2003. № 8. С. 3-12.
5. Wallerstain I. Unthinking Social Science: The Limits of Nineteenth-Centure Para-
digms. 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 ком-
пьютерных систем в социологии. Автореф. канд. социол. наук. М.: МГИМО
МИД РФ, 1998.
10. Осовский С. Нейронные сети для обработки информации. М.: Финансы и ста-
тистика, 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 исследова-
ния. Ежегодник. М.: Наука, 1983. С. 61-85.
14. Bertalanffy L. von. General System Theory: Foundation, Development, Applica-
tions. 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 Международ-
ной 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 об-
щей 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 Ameri-
can life. N. Y: N. Y Publ., 1994.
30. Коробко В. И. Золотая пропорция: Некоторые философские проблемы гармо-
нии. 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 возрас-
тном кризисе 20-24 года // Социально-политическая идентификация в усло-
виях 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 Sys-
tems // 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 социу-
ме //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 мате-
матической 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 от-
носительно 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 Москов-
ского морфоструктурного узла и ее последствия // Известия РАН. Серия Гео-
графическая. 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: фак-
ты, 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 (компыотацион-
ной социологии) — вычислительной или компьютерной социологии [1]
(см. раздел данной книги «Computational Sociology»), является выявление
и анализ социологических алгоритмов и их использование в компьютер-
ных алгоритмах для построения компьютерных моделей социальных яв-
лений и процессов [2]. Неформально, алгоритм — это точное предписа-
ние, которое задает последовательность преобразования исходных данных
в конечный результат. Более строгое определение алгоритма с использова-
нием машины Тьюринга заинтересованный читатель может найти в [3].
В настоящее время в компыотационной социологии используют три
класса компьютерных алгоритмов. Первый класс — компьютерные алгорит-
мы, основанные на положениях классических и компьютационных социоло-
гических теорий [цит. по: 1], которые выражены в одной или нескольких ма-
тематических 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 общест-
венного мнения [13] и т. д. Поскольку многие положения классических со-
циологических 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 ис-
следования), то в компыотационной социологии активно используют компь-
ютерные алгоритмы из других научных дисциплин.
Второй класс компьютерных алгоритмов — алгоритмы, которые за-
имствованы компьютациошюй социологией из других научных дисцип-
лин. Например, алгоритмы, заимствованные из Neurocomputer Science
(пейрокомпьютерной науки) — генетические алгоритмы, эволюционные
алгоритмы, алгоритмы эволюционных стратегий [14, 15], алгоритмы гене-
тического программирования [16—18], алгоритмы Soft Computing («мяг-
ких» вычислений) [19—26] и множество других алгоритмов [27, 28]; алго-
ритмы, заимствованные из Cognitive Science (когнитивной науки), в част-
ности, 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, последова-
тельные и параллельные алгоритмы, многоуровневые алгоритмы, комби-
наторные, оптимизационные и другие алгоритмы.
Третий класс компьютерных алгоритмов — гибридные алгоритмы, кото-
рые 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 Pro-
gramming (социальное программирование) [36], которые основаны на систе-
мах 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 ведущи-
мися научными дискуссиям [46-52] об адекватности различных компью-
Новые теории социальных систем 85

терных алгоритмов социальным явлениям и процессам, назрела настоя-


тельная потребность в обобщении имеющегося практического опыта и
разработки теории социологических алгоритмов, которую можно было бы
использовать для адекватного выбора или программирования компьютер-
ных 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 ин-
дивидами, группами индивидов, государствами, группами государств, ми-
ровым сообществом.
Дадим определения социологического алгоритма, его свойств и клас-
сов. Это необходимо сделать потому, что по сравнению с определением
алгоритма и его свойств в теории алгоритмов [53, с. 270] и в практике про-
граммирования [33, с. 31], социологический алгоритм имеет некоторые
новые содержательные свойства.
Определение 1. Социологический алгоритм — это однозначно опреде-
ленная совокупность предписаний (конечная последовательность точно опре-
деленных действий), приводящих к достижению результата (решению по-
ставленной социальной задачи). В этой связи необходимо подчеркнуть, что в
отличие от теории алгоритмов, где все предписания подразумеваются элемен-
тарными, т. е. при их выполнении «нам придется только механически следо-
вать предписаниям, как если бы мы были роботами: от нас не требуется ни
понимания, ни искусства, ни изобретательности» [53, с. 270], социологиче-
ский 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 па-


раметрами: 1) совокупность возможных исходных данных, 2) совокуп-
ность возможных результатов, 3) совокупность возможных промежуточ-
ных результатов, 4) правило начала, 5) правило непосредственной перера-
ботки, 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 ожи-


даемого будущего, управление, социальная технология, методология, ме-
тодика, процедура и т. д. С точки зрения общей социологической теории
«социальных фрагментов» [55] каждый социологический алгоритм явля-
ется «социальным фрагментом» и основан на одном или нескольких со-
держательных принципах. Например, генетические алгоритмы, эволюци-
онные алгоритмы, алгоритмы эволюционных стратегий [14, 15], основаны
на принципах теории эволюции Ч. Дарвина, а именно «выживает наиболее
приспособленный», «победитель получает все». Многочисленные эмпи-
рические исследования [56] показывают, что данные биологические эво-
люционные 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 алго-
ритм — алгоритм, выполнение которого задается путем вызова его из
другого социологического алгоритма, основного по отношению к вызы-
ваемому. 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 жиз-
ни (жизненного пути), можно рассматривать как вспомогательные алго-
ритмы.

Определение 4. Если социологический алгоритм приводит к безре-


зультатной 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 алго-
ритм, который позволяет решать, в пределе, бесконечное число однотип-
ных социальных задач, а также частота использования алгоритма, количе-
ство индивидов, групп индивидов, государств, которые используют дан-
ный алгоритм, длительность использования данного алгоритма. В этой
связи отметим, что формирование и закрепление массового социологиче-
ского алгоритма в обществе может быть реализовано с помощью различ-
ных алгоритмов. Например, в результате неоднократного решения инди-
видом, группой индивидов, государством однотипных социальных задач
происходит естественная селекция алгоритмов, селекция может осущест-
вляться в результате положительных подкреплений и наказаний при нау-
чении, копировании алгоритмов в процессе социализации, сформирован-
ного 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 алго-
ритм, который обеспечивает достижение результата (решение социальной
задачи) при минимуме времени, финансовых, людских, организационных
затрат, минимуме количества и сложности промежуточных действий, ми-
нимизации побочных негативных эффектов и т. д. В этой связи отметим, что
массовый социологический алгоритм не обязательно может быть эффектив-
ным. Так, например, известен принцип ограниченной рациональности [57],
согласно которому в силу ограниченности знаний, времени и т. д. люди наи-
более часто выбирают не эффективный алгоритм решения сложных органи-
зационных проблем, а только удовлетворительный.
Определение 8. Полезный социологический алгоритм — это алгоритм,
реализация которого приносит пользу индивиду, группе индивидов, органи-
зации, государству, мировому сообществу. Мера полезности социологиче-
ского алгоритма — количество индивидов, которым реализация данного
алгоритма принесла экономическую, политическую, духов1гую и иную
пользу, сохранила здоровье и жизнь. Автор понимает полезность социоло-
гического 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 раз-
вития человечества) [60] и т. д. Соответственно, вредный социологический
алгоритм — это алгоритм, реализация которого приносит вред (ущерб) ин-
дивиду, группе индивидов, организации, государству, мировому сообществу.
Мера вреда социологического алгоритма — количество индивидов, которым
реализация данного алгоритма принесла экономический, правовой, нравст-
венный и иной вред (ущерб), привела к потере здоровья или смерти инди-
видов. 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 социо-
логических алгоритмов, выделяя соответствующие сочетания подмножеств
возможных исходных данных, результатов, правил начала, непосредствен-
ной переработки и т. д. Например, если исходить из выделения правил не-
посредственной 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 соответст-
вующих «вычислениях». Например, Digital Computing (числовые вычисле-
ния), Symbolic Computing (символьные вычисления) [63], Neuro Computing
(нейровычисления) [64, 65], Soft Computing («мягкие» вычисления) [19-26,
30], Affective Computing (эмоциональные вычисления) [66], Context Compu-
ting (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 рассмат-
ривать анализ алгоритмов так, как это принято в Computer Science (компью-
терной пауке) [33], а кратко рассмотрит некоторые классы алгоритмов пове-
дения индивида, группы индивидов, организаций, государства, группы го-
сударств, обращая внимание только на содержательные принципы, которые
лежат в основе данных классов алгоритмов и выдвинет ряд количественных
гипотез о соотношении различных классов алгоритмов в жизнедеятельно-
сти индивидов и общества.
Класс явных социологических алгоритмов — закрепленные в нормах
юридического права, заповедях религии, обычаях, обрядах, ритуалах, тра-
дициях, рутинных практиках и т. д. общеизвестные предписания по дос-
тижению результата при решении социальных задач. В целом, можно ска-
зать, что явные алгоритмы целенаправленно разработаны людьми, кото-
рые 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 ин-
тересны в силу их очевидности.
Класс латентных социологических алгоритмов — алгоритмы, кото-
рые неизвестны и (или) слабо поддаются управленческим воздействиям
людей. Примером алгоритма из данного класса является социокультурный
алгоритм, предложенный Дж. Клювером и Дж. Шмидтом [9], который ос-
нован на переходе социальных систем от одного аттрактора (притягиваю-
щего режима функционирования), к другому аттрактору. Автор, на основе
модульной теории социума (МТС) [4], которая реализована в компьютер-
ной экспертно-диагностической системе МАКС (версия 3.1) [5] и вейвлет-
анализе [73] различных социальных процессов эмпирически выявил неко-
торые алгоритмы детерминированного хаоса при переходе социальных
систем между пороговыми режимами функционирования. Из теории и
практики управления организациями и государствами известно, что реин-
жениринг [74] организации или быстрые реформы в обществе (алгоритм
«скачка») сначала неизбежно приводят к ухудшению эффективности
функционирования социальной системы, а только затем приводят к увели-
чению эффективности. Имеются основания предполагать, что латентные
Новые теории социальных систем 89

социологические алгоритмы имеются или реализуются в любой социаль-


ной системе. Данное предположение хорошо объясняет многие факты раз-
вития цивилизаций, отмеченные Тойнби [75], положение теории общества
риска У Бека [62], согласно которому общество неизбежно генерирует
риски, возникновение военных и иных конфликтов, наличие преступно-
сти, самоубийств и других негативных явлений, присутствующих на всем
протяжении существования человеческой цивилизации, модель револю-
ций и контрреволюций в истории России А. Янова [76], представления
Р. В. Рывкиной [77] о постсоветском государстве как генераторе конфлик-
тов, ставшее крылатым выражение В. С. Черномырдина «хотели как луч-
ше, а получилось как всегда» и т. д. В целом, можно сказать, что латент-
ные алгоритмы действуют относительно независимо от целенаправленной
и сознательной деятельности людей. В этой связи отметим, что для социо-
логии наибольший интерес представляют именно латентные алгоритмы,
поэтому рассмотрим их более подробно.
Латентные алгоритмы могут быть изначально заданными или возни-
кать при сочетании определенных условий. Изначально заданные латент-
ные социологические алгоритмы напоминают «мину замедленного дейст-
вия», 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 стадиально-
сти развития систем, принятый в общей теории систем [79], согласно кото-
рому каждая система в своем развитии последовательно проходит стадии
(фазы), которые образно называют «рождение», «детство», «зрелость»,
«старость», «смерть», то тогда можно предположить, что в любой социаль-
ной системе существует изначально заданный латентный алгоритм само-
уничтожения. Например, известно [80], что для большинства экономиче-
ских организаций продолжительность жизни меньше 20 лет. Примером
действия латентного социологического алгоритма при сочетании опреде-
ленных условий могут являться некоторые положения теории солидарно-
сти Э. Дюркгейма [цит. по: 7], согласно которым интенсивное сфокусиро-
ванное взаимодействие порождает моральную солидарность и неизбежно
приводит к подчиненности групповым символам, предельным случаем ко-
торой 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 сле-
дующее: «хотя социологические трактаты всегда учены, переполнены
длинными примечаниями и подходящими цитатами, у меня остается впе-
чатление, что они часто подменяют теоретическую деятельность. Они во-
влекают теорию в круг неразрешимых философских проблем и легко пре-
вращаются в схоластические трактаты, теряющие из виду цель всякой
90 Глава 2

теории: объяснять, как работает социальный мир». Теория социологиче-


ских 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 об-
ществе составляет примерно 76 %, а примерно 24 % приходится на долю
латентных социологических алгоритмов. С точки зрения МТС, данное со-
отношение долей соответствует режиму баланса функций развития и сохра-
нения общества. Так ли это на самом деле — перспективная исследователь-
ская эмпирическая задача в рамках теории социологических алгоритмов.
Класс индивидуальных алгоритмов — алгоритмы которые использует
индивид для решения своих индивидуальных задач в обществе. Опыт пока-
зывает, что индивид может использовать множество различных индивиду-
альных алгоритмов, исходя из особенностей класса задач, своих анатомиче-
ских, физиологических, психологических и иных свойств, знаний, умений и
навыков, приобретенных в результате социализации, социальных возмож-
ностей, обусловленных местом индивида в социальной структуре общества,
культурными особенностями конкретного общества и т. д. Кроме того, ин-
дивид может параллельно реализовывать несколько алгоритмов. Приведем
несколько примеров индивидуальных алгоритмов. Индивид может исполь-
зовать 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, кули-
нарным блюдам, напиткам и т. д. В индивидуальных видах спорта массовым
алгоритмом является алгоритм, основанный на принципах индивидуализма,
а именно, «каждый против каждого», «побеждает сильнейший», «победи-
тель получает все», «быть лучше всех» и т. д. К индивидуальным алгорит-
мам относятся алгоритмы, основанные на принципах эгоизма или альтру-
изма. Не все индивидуальные алгоритмы могут осознаваться индивидом.
Например, известны так называемые «люди — счетчики» [82, с. 22], кото-
рые способны в уме на бессознательном уровне быстро совершать ариф-
метические операции с большими числами. Предполагается, что в этом
случае индивиды могут использовать квантовые алгоритмы [82], приме-
ром которого является алгоритм Гровера [цит. по: 68]. На основе психоло-
гических теорий потребностей [58], имеющихся экспериментальных дан-
ных [58] и модульной теории социума (МТС) [4, 5] можно выдвинуть ги-
потезу, согласно которой доля индивидуальных алгоритмов в жизни чело-
века, основанных на принципе сохранения составляет 61,8 %, а доля ин-
дивидуальных алгоритмов, основанных па принципе развития составляет
38,2 %. С точки зрения МТС [4, 5], данное соотношение долей соответст-
вует свойству целостности системы. Так ли это на самом деле — перепек-
Новые теории социальных систем 91

тивная исследовательская эмпирическая задача в рамках теории социоло-


гических алгоритмов.
Класс групповых алгоритмов — алгоритмы, которые используют
группы индивидов для решения групповых задач. Закрепленные в нормах
юридического права процедуры проведения различных голосований, вы-
боров, референдумов и т. д., а также юридически закрепленный принцип
«большинства» при принятии группового решения — пример явных груп-
повых 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 — самооргани-
зующееся образование иерархических властных структур в любых груп-
пах индивидов, организаций, государств.
Класс национальных алгоритмов — это однозначно определенная кон-
кретным обществом (культурой, юридическим правом, традициями и т. д.)
совокупность предписаний по преобразованию исходных данных в резуль-
тат. 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, ос-
нованный на принципе «государство важнее индивида», т. е. экономиче-
ский, 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 государ-
ственного управления являлся авторитарный алгоритм решения задач об-
щества. 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 алго-
ритм решения социальных задач индивидами, группами индивидов, госу-
дарством, который основан на принципе силы: «кто сильнее, тот и прав», а
также массовые алгоритмы, основанные па вере в другого человека, в об-
щество, в идеал [85, с. 8]. Российским алгоритмом успеха являлся алго-
ритм, основанный на принципах везения, родственных и дружеских свя-
зей, «не подмажешь, не поедешь» и т. д. Большое количество примеров
массовых житейских российских социологических алгоритмов дают пого-
ворки 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 ос-
нован 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 сле-
дующий алгоритм. Совокупность возможных исходных данных выража-
ется в различных качественных и количественных показателях, в частно-
сти, данных официальной и ведомственной статистики, результатах опро-
сов экспертов, общественного мнения и т. д. Правило непосредственной
переработки — увеличивать или не уменьшать значения показателей,
имеющих позитивное значение для общества и уменьшать или не увели-
чивать значения показателей, имеющих негативное значение для общест-
ва. Значения каких показателей увеличивать, а каких уменьшать, на сколь-
ко увеличивать (уменьшать) и с помощью каких управленческих алгорит-
мов, 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 ста-
тистической службой и ведомствами, проведение опросов экспертов, оп-
росов общественного мнения и т. д. Менее массовым социологическим
государственным алгоритмом является алгоритм «скачка», когда происхо-
дит резкое и быстрое изменение общества, например, в результате рево-
люции, 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. Вероят-
ностные алгоритмы используются в «нейронных» сетях [27, 28], системах
Artificial Intelligence (искусственного интеллекта) [29, 30], экспертных
системах [31]. Известными алгоритмами данного класса являются алго-
ритмы Soft Computing («мягкого» вычисления) [19—25], которые исполь-
зуются в «нейронных» сетях [20—22].
Класс самоорганизующихся алгоритмов характеризуется тем, что алго-
ритм 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. Напри-
мер, 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 потреб-
ности и достичь успеха в жизни. В некоторых самоорганизую1цихся алгорит-
мах конечный результат может быть изначально не задан, а формироваться в
результате действия алгоритма, например, с помощью вспомогательных алго-
ритмов полного перебора возможных вариантов, «хаотических» проб, сорти-
ровки вариантов по их значимости и т. д. Данные самоорганизующиеся алго-
ритмы индивиды используют для поиска смысла жизни, своего предназначе-
ния в мире и т. д., государства используют данный алгоритм дня поиска своей
роли в мировом сообществе и т. д. Имитационным аналогом самоорганизую-
щихся социологических алгоритмов является компьютерный алгоритм само-
организующихся 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 управленче-
ской практике используют различные алгоритмы управления [74, 92, 93].
Например, алгоритмы системного управления, основанные на принципе
системности («все и сразу»), в частности, Total Quality Management (то-
тальное управление качеством), «реинженирипг» (изменение организации
«скачком»). В этой связи отметим, что на начальном этапе «реинженирин-
га» неизбежно резко падают производственные и экономические показа-
тели 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, эко-
номического, организационного, социального) в организации. Алгоритм
кайзен [цит. по: 94, с. 25] — непрерывные постепенные улучшения, алго-
ритм целевого управления, который основан па принципах детальной пред-
варительной 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 алго-
ритмах 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, специ-


фичные для каждой задачи. Практика показывает, что, в большинстве слу-
чаев, проблемы, стоящие перед индивидом, группой индивидов, организа-
цией, государством, являются неразрешимыми алгоритмическими про-
блемами, поскольку разные индивиды, организации, государства исполь-
зуют разные массовые социологические алгоритмы для получения одного
и того же результата. Компьютерные эксперименты с клеточными автома-
тами [97] в которых использовались различные алгоритмы социальных
взаимодействий и имитировалось возникновение социальных структур,
также показывают, что многие социальные проблемы являются неразре-
шимыми алгоритмическими проблемами.
Исторические данные показывают, что в человеческом обществе всегда
наблюдались случаи нарушения законов (преступность), самоубийства, мла-
денческая смертность до одного года. История также показывает, что, на-
пример, с преступностью боролись с помощью различных управленческих
алгоритмов, однако пока не наблюдалось случая, чтобы число зарегистриро-
ванных преступлений в какой-либо стране мира на протяжении одного года
равнялось бы нулю. Значит ли это, что не существует управленческий со-
циологический алгоритм снижения до пуля числа зарегистрированных пре-
ступлений на уровне общества в целом в течение одного года? Или такой
алгоритм существует, но он неизвестен или неприменим по каким-либо ог-
раничениям. Поскольку пока никто конструктивно не доказал и не опроверг
возможность существования соответствующего социологического управлен-
ческого алгоритма, то не исключено, что данная и, аналогичные ей пробле-
мы, 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 со-
циологического знания. В этой связи отметим, что если использовать извест-
ные компьютерные алгоритмы, например, обучения «нейронных» сетей, то
легко решить задачу существования данного компьютерного алгоритма, од-
нако, очевидно, что это будет только формальным компьютерным решением,
слабо связанным с реальной управленческой практикой.
Одной из главных задач теории социологических алгоритмов являет-
ся сравнение алгоритмов по их эффективности. Для решения данной зада-
чи можно использовать исторические данные, управленческую практику,
специальные эксперименты, теорию алгоритмов, перевод социологиче-
ских алгоритмов в компьютерные алгоритмы и проведение имитационных
экспериментов. На практике, сравнение эффективности социологических
алгоритмов обычно осуществляется на конкретной задаче из определенно-
го класса социальных задач на основе опыта или компьютерного имита-
ционного моделирования. Кратко рассмотрим результаты сравнения неко-
торых классов алгоритмов по их эффективности на основе опыта решения
Новые теории социальных систем 95

задачи увеличения значения различных социальных, политических, эко-


номических, 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 челове-
ческого развития). Опыт реализации данной программы показывает, что
Норвегия, Швеция, Канада, Бельгия, Австралия, США, Исландия, Голлан-
дия, Япония и Финляндия, имеющие наиболее высокие значения Human
Development Index в 2000-2002 гг., использовали классы социологических
алгоритмов, основанных на следующих принципах: системности, разви-
тия, «государство и индивид важны в равной мере», демократии, самоор-
ганизации, 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, использо-
вали классы алгоритмов, основанных на других принципах: алгоритм «се-
ребряной» пули, пассивной адаптации, сохранения, «государство важнее
индивида», биологической эволюции, авторитаризме. В этой связи отме-
тим, 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 ал-
горитмов показывает, что между классами социологических алгоритмов
существует когерентность (согласованность) [55], частным случаем кото-
рой является комплементарность.
В целом, теория алгоритмов [96] и многочисленные компьютерные
имитационные эксперименты показывают, что эффективный социологи-
ческий алгоритм — это комбинация различных алгоритмов и их парал-
лельное функционирование. Яркими примерами здесь являются комбина-
ция алгоритмов, основанных на Neuro Computing (нейровычислениях) и
Soft Computing («мягких» вычислениях), реализованных в «нейронных»
сетях [19-22, 26], комбинация SWARM алгоритмов и картезианских гене-
тических алгоритмов в Social Programming (социальном программирова-
нии) [36], комбинация Digital Computing (числовых вычислений), Symbolic
Computing (символьных вычислений), Context Computing (контекстуаль-
ных вычислений) и иных «вычислений» в системах Artificial Social
Intelligence (искусственный социальный интеллект) [цит. по: 1].
Рассмотрим теперь возможности теории социологических алгорит-
мов для решения некоторых задач. В социологии существует проблема
описания Homo sociologicus (человека социологического) [98] и его отли-
чий 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 социаль-
ных 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 кри-
зиса 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 про-
анализировал 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 ана-
лиза, а также рассмотренных выше классов явных и латентных социоло-
гических 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 про-
исходит не абсолютная максимизация значений положительных для инди-
вида показателей (эмоции, чувства, смыслы, материальные и духовные
продукты и т. д.) и минимизации значений отрицательных показателей, а
только оптимальная экстремальность в пределах объективно существую-
щих или, воображаемых индивидом, ограничений.
Возможно, читатель не согласится с таким, якобы переалгоритмизи-
рованным, представлением о Homo sociologicus, однако эксперименталь-
ные данные — главный аргумент истины в науке, показывают, что даже
при решении творческих задач с помощью интуиции, индивиды исполь-
зуют определенные субъективные алгоритмы [105]. Кроме того, опыт по-
казывает, 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 ав-
тор считает нужным сделать необходимое уточнение. Р. Пенроуз [106]
Новые теории социальных систем 97

приводит убедительные аргументы в пользу тезиса, что сознание индиви-


да 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 ал-
горитмов. На основе проведенного анализа, а также на основе модульной
теории социума (МТС) [4, 5] можно выдвинуть гипотезу, что доля неалго-
ритмизированных задач в жизни Homo sociologicus может составлять все-
го около 6 %. С учетом гипотез, выдвинутых выше при рассмотрении
класса индивидуальных алгоритмов, можно предположить, что доля ин-
дивидуальных 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 — пер-
спективная исследовательская эмпирическая задача в рамках теории со-
циологических алгоритмов.
В теории социологических алгоритмов важную роль играет понятие
основного социологического алгоритма (См. определение 3). На основе
рассмотрения в данной статье некоторых классов социологических алго-
ритмов, можно полагать, что основной социологический алгоритм осно-
ван на системном синтезе гуманитарной, естественно-научной и матема-
тической парадигм в социологии [107] и системном представлении об об-
ществе [54], представляя собой комбинацию и параллельное многоуров-
невое функционирование вспомогательных алгоритмов сохранения и раз-
вития, индивидуальных и коллективных алгоритмов, где основным прави-
лом переработки исходных данных в результат является контекстуальное
(зависимое от других людей, организаций, норм, символов и т. д.) полез-
ное и оптимальное «вычисление», где «вычислительные» операции зави-
сят от содержательных свойств исходных данных и результата, психоло-
гических и социальных характеристик субъектов, производящих «вычис-
ления» и происходит «запоминание» эффективных алгоритмов. Данное
«вычисление» автор обозначил как Sociological Computing (социологиче-
ское «вычисление»), которое включает в себя, как частные случаи, раз-
личные классы «вычислений», использующиеся в социологических ком-
пьютерных алгоритмах, которые были рассмотрены выше. В этой связи
отметим, что социология, особенно эмпирическая, часто являлась «потре-
бителем» 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 принци-
пы биологической эволюции Ч. Дарвина реализованы в генетических ал-
горитмах, эволюционных алгоритмах, алгоритмах эволюционных страте-
гий [14, 15], которые используются в социологии [49-52]. Теория социо-
логических алгоритмов позволяет предложить новые принципы и компь-
98 Глава 2

ютериые алгоритмы, которые могут оказаться полезными и для других


научных дисциплин, поскольку для решения некоторых классов задач [10],
социологические алгоритмы, основанные на Sociological Computing (со-
циологическом «вычислении») представляются более эффективными, по
сравнению с природными, в частности, биологическими алгоритмами. В
этой связи отметим, что в последние годы для «интеллектуального» ана-
лиза эмпирических данных широко используются компьютерные системы
Data Mining (извлечение знаний) [108-110], основанные на различных
алгоритмах [111]. Не вызывает сомнения, что социологические компью-
терные алгоритмы, основанные на Sociological Computing (социологиче-
ском «вычислении»), могут быть с успехом использованы в системах Data
Mining.
В заключение данной статьи отметим, что представленная теория со-
циологических 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, язы-
ков 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. Amster-
dam: Gordon and Breach, 1998.
8. Kron T. Luhmann modelliert. Ansatze zur Simulation von Kommunikationssyste-
men. Berlin: Leske & Budrich, 2002.
9. KliiverJ., Schmidt J. Historical evolution and mathematical models: a sociocul-
tural algorithm // Journal of Mathematical Sociology. 2003. V. 27. № 1. P. 53-83.
10. Reynolds R. G. Cultural algorithms: Theory and applications // New Ideas in Optimiza-
tion (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 Strang-
ers: 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 Inter-
personal 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 socio-
logical 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-Ver-
lag, 2002.
18. KozaR., KeaneM., StreeterM., Mydlowec W. Genetic Programming IV: Routine Hu-
man-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 Net-
works, and Fuzzy Logic Models. M.: MIT Press, 2001.
22. Круглое В. В., Дли М. А., Голупов Р. Ю. Нечеткая логика и искусственные ней-
ронные 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 Clas-
sification and Image Processing. Berlin: Springer-Verlag, 2004.
26. Herrera F., Verdegay J. Genetic Algorithms and Soft Computing. Berlin: Springer-
Verlag, 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 ста-
тистика, 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 So-
cieties 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 Adap-
tive 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 Sci-
ence Computer Review. 2002. V. 20. № 1. P. 43-57.
52. KluverJ., Stoica C, Schmidt J. Formal models, social theory and computer simula-
tions: some methodological reflections // Journal for Social Simulation and Artifi-
cial Societies. 2003. V. 6. № 2.
53. Клини С. Математическая логика. М.: УРСС, 2005.
54. Давыдов А. А. К вопросу об определении понятия «общество» // Социол. ис-
след. 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 // Вест-
ник РАН. 2000, т. 70. № 1. С. 54-62.
65. PalS., SkowronA., PolkowskiL. Rough-Neuro-Computing. Berlin: Springer-Ver-
lag, 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: Birk-
hauser 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 // Соци-
ол. 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, Applica-
tions. 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 Рос-


сии) / Под общ. ред. И. Г. Дубова. М., 1997.
85. Абульханова К. А. Российский менталитет: кросс-культурный и типологиче-
ский 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 трансформи-
рующаяся. М.: ИСАИ, 2003.
91. http://www.statsoft.com.
92. Рюли Э., Шмидт С. Исследование стратегических процессов в организа-
ции //Проблемы теории и практики управления. 2000. № 5. С. 99-107.
93. Шрайэгг Г. Тенденции и перспективы развития стратегического менеджмен-
та // 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. Do-
ran, Heidelberg: Springer, 1996.
98. Dahrendorf R. Homo sociologicus. Berlin: Westdeutscher Verlag, 1977.
99. Радаев В. В. Еще раз о предмете экономической социологии // Социол. ис-
след. 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: Rout-
ledge, 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 компью-
терных 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. Ox-
ford: 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 пара-
дигм с помощью компьютерных моделей. Многое из того, о чем было напи-
сано двенадцать лет назад, получило теоретическое, эмпирическое и прак-
тическое развитие. В Институте социологии РАН автор завершил разработ-
ку модульной теории социума (МТС) [2], которая основана па теории соци-
альных систем, одном из разделов общей теории систем, синтезе гумани-
тарной, естественно-научной и математической парадигм и которая реали-
зована в компьютерной экспертно-диагностической системе МАКС. В ре-
зультате многочисленных эмпирических исследований, например, [3-8],
автором были выявлены новые принципы, законы и закономерности соци-
альных систем [9]. За рубежом быстрыми темпами развивается компьютер-
ная 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, по-
требность в которой также актуальна для социологии, как и двенадцать лет
назад. В данной статье представлена разработанная автором общая социо-
логическая 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 не-
линейность, количественные и качественные свойства, факты поведения и
сознания, микро и макроуровень, разные культуры в различных странах и
регионах мира и наличие культурных универсалий, творческая актив-
ность, свобода воли индивидов и подчинение индивидов общеобязатель-
ным юридическим, нравственным и другим нормам общества, различные
закономерности строения и динамики различных социальных систем, го-
сударств и регионов мира в разные периоды времени и т. д.
104 Глава 2

Постулат фрагментарности. Наблюдения и теоретическая мульти-


парадигмалыюсть социологии [1, 11] показывают, что общество неодно-
родно и в нем существуют фрагменты, в которых наблюдается определен-
ный 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 социо-
логическая 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 эм-
пирической социологии, поскольку в зависимости от целей, задач, уровня
развития теоретической и эмпирической социологии, возможностей со-
циолога 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 государст-
вам, ограничен имеющимися эмпирическими данными и включает в себя
только фрагмент из разнообразных свойств и отношений, наблюдаемых в
обществе.

Постулат иерархической структуры фрагментов. В каждом фраг-


менте общества существуют принципы, законы и социальные явления, ко-
торые образуют «иерархию», а именно, на «верхнем» иерархическом уров-
не существует небольшое количество принципов. На следующем «нижеле-
жащем» уровне располагаются законы, которых больше, чем принципов. На
последнем иерархическом уровне располагается все многообразие социаль-
ных явлений, количество которых больше, чем законов. Данный постулат
вытекает из общенаучного онтологического принципа иерархических уров-
ней реальности [12, 13] и общей теории систем [14-17], которая показыва-
ет, что данная иерархия наблюдается в различных системах: социальных,
физических, биологических, технических, абстрактных и других систе-
мах, 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 тео-


рии. Данный постулат вытекает из общенаучных методологических прин-
ципов 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 теорети-
ческая модель, предназначенная для теоретического и эмпирического опи-
сания, объяснения и прогнозирования разнообразия и фрагментарности
общества. Онтологическая составляющая данной модели состоит в том,
что она отражает фундаментальное онтологическое свойство разнообра-
зия общества и иерархическую структуру фрагментов общества. Гносео-
логическая 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 социо-
логического исследования.
Каждый «социальный фрагмент» состоит из трех иерархических
уровней, а именно, уровня принципов, уровня законов и уровня социаль-
ных 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, матема-
тической, системной парадигм в социологии [1, 9]. Соответственно, зако-
ны 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 фун-
даментальные 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 детер-
минация. Внутренняя детерминация действует внутри одного «социального
фрагмента» и ее можно подразделить па индуктивную, дедуктивную и тра-
дуктивную [18] детерминацию. Индуктивная детерминация — социальные
явления определяют законы, а законы определяют принципы. Дедуктивная
детерминация — принципы определяют законы, а законы определяют соци-
альные явления. Традуктивная детерминация — принципы определяют
принципы, законы определяют законы, социальные явления определяют
социальные явления. Внешняя детерминация — принципы, законы, соци-
ального явления одного «социального фрагмента» обуславливают принци-
пы, законы, социальные явления других «социальных фрагментов».
Между принципами и законами, между законами и социальными явле-
ниями внутри одного «социального фрагмента» и между «социальными
фрагментами» существует определенная мера когерентности (согласован-
ности). Когерентность, в широком смысле [12], включает в себя принципы
соответствия, подобия, дополнительности, комплементарности, синхрони-
зацию 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 зако-
нами и принципами в одном «социальном фрагменте». Внешняя когерент-
ность — согласованность между количественными и качественными харак-
теристиками принципов, законов и социальных явлений в двух или более
«социальных фрагментах». Внешняя когерентность проявляется в различ-
ных 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 измене-
ние «социальных фрагментов» с течением времени. При этом в «социаль-
ном фрагменте» с течением времени могут меняться (полностью или час-
тично) дискретно и (или) непрерывно количество и содержание социаль-
ных 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 фраг-
мент-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 фрагменты-
коллажи» можно подразделить на два класса. Первый класс, назовем его
«Conglomerate» (англ. — соединение) характеризуется тем, что в нем отсут-
ствует детерминация между принципами, законами и социальными явле-
ниями между фрагментами. Структура одного из возможных «социальных
фрагментов-коллажей» класса «Conglomerate» представлена на рис. 2.2.

Социаль-
ное
явление

Второй класс «социального фрагмента-коллажа». Между принципа-


ми, законами и социальными явлениями двух или более «социальных
фрагментов» существует детерминация, в результате чего образуется об-
щий «социальный фрагмент», который является «сплавом» исходных «со-
циальных фрагментов», не сводим ни к одному из исходных «социальных
фрагментов» и не выводим из них, поскольку он обладает новыми свойст-
вами. Обозначим второй класс термином «Fusion» (англ. — сплав). На
рис. 2.3 схематически представлен один из возможных «социальных фраг-
ментов-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 — тео-
рии 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, за-
конов и принципов, то в зависимости от выделения конкретных содержа-
тельных и (или) количественных характеристик, можно выделить множе-
ство различных классов «социальных фрагментов». Основываясь на [1, 9],
автор полагает, что фундаментальными классами «социальных фрагмен-
тов» являются четыре класса, а именно, классы, основанные на математи-
ческой, гуманитарной, естественно-научной и системной парадигмах в
социологии.
Класс «социальных фрагментов», основанный на математиче-
ской парадигме. В данном фундаментальном классе «социальных фраг-
ментов» локальные классы определяются исходя из принятой социоло-
гом 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 тео-
рии 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 пе-
речисления «социальных фрагментов».
Класс «социальных фрагментов», основанный на гуманитарной
парадигме. В данном фундаментальном классе «социальных фрагментов»
локальные классы определяются исходя из социального содержания прин-
ципов, 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, объекти-


визма и субъективизма, количества и качества, детерминизма и индетерми-
низма, классы, основанные на сферах общества, размере социальной общ-
ности и т. д. В качестве иллюстрации «социальных фрагментов» из данного
класса приведем несколько содержательных примеров.
Международный «социальный фрагмент» — «социальный фраг-
мент», в котором действуют международные принципы «Декларации ты-
сячелетия» ООН [21]: Свобода, Равенство, Солидарность, Терпимость,
Уважение к природе, Общая обязанность. Данные принципы обуславли-
вают множество международных правовых, экономических, социокуль-
турных и иных законов, которые, в свою очередь, обуславливают множе-
ство социальных явлений (международных решений и действий госу-
дарств — членов ООН).
Российский «социальный фрагмент» — социальный фрагмент, в ко-
тором действуют следующие принципы [22]. В идеологической сфере —
коммунитарность (доминирование коллективных ценностей, приоритет
МЫ над Я, соборность). В политической сфере — принцип унитарно-
централизованного государства. В экономической сфере — принцип раз-
даточной (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 собы-
тиях, опросах общественного мнения, данных российской и международ-
ной 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 государст-
венных «социальных фрагмента» — «СССР — социалистическое общест-
во», который отражал декларируемые государством социалистические
принципы, законы и социальные явления и «СССР — тоталитарное обще-
ство», который отражал реально действующие в СССР принципы, законы
и социальные явления тоталитаризма. Два данных «социальных фрагмен-
та» 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 комплементар-
ное сочетание следующих принципов организационной культуры. Формы
участия персонала в принятии решений и разделении прибылей, индивидуа-
лизм — коллективизм, мужественность — женственность. Данные принци-
пы проявляются в различных законах управления, поведения персонала, дей-
ствий организации и, соответственно, в различных социальных явлениях.
110 Глава 2

Групповой «социальный фрагмент» — принятые в преступном сооб-


ществе принципы воровской морали, законы и социальные явления про-
тивоправного поведения и сознания индивидов.
Индивидуальный «социальный фрагмент» — «социальный фраг-
мент», в котором действуют принципы, принятые индивидом, например,
«человек человеку волк», «после нас хоть потоп», «спешите делать Доб-
ро», «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 — множе-
ство религиозных законов (заповедей), социальные явления — множество
фактов религиозного поведения (соблюдения обрядов) и фактов религиоз-
ного сознания индивидов.
Класс «социальных фрагментов», основанный на естественно-науч-
ной парадигме. В данном фундаментальном классе «социальных фрагмен-
тов» локальные классы определяются исходя из принятых социологом есте-
ственно-научных принципов и законов, действующих в обществе. В этой
связи напомним, что естественно-научная парадигма в социологии включа-
ет сониобиологию, географическое направление, в рамках данной парадиг-
мы 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 есте-
ственного отбора Ч. Дарвина и который широко используется в социал-
дарвинизме (социологические теории Г. Спенсера, Л. Гумшювича, А. Смол-
ла и других авторов) [пит. по: 11]. Принцип — естественный отбор (выжива-
ние наиболее приспособленных), законы — законы борьбы за существова-
ние, социальные явления — множество непосредственно наблюдаемых про-
явлений данных законов, в частности, физическое устранение конкурентов,
захват чужой собственности и территорий, банкротство неэффективных
(плохо приспособленных) компаний, рост числа самоубийств (гибель наиме-
нее приспособленных индивидов) при ухудшении условий жизнедеятельно-
сти в результате социально-экономических кризисов в обществе, прекраще-
ние существования слабых государств и империй в результате военных кон-
фликтов и (или) неблагоприятных внутренних факторов.

Класс «социальных фрагментов», основанный на системной па-


радигме. В данном фундаментальном классе «социальных фрагментов»
локальные классы определяются исходя из общей теории систем и ее раз-
дела, теории социальных систем. Например, в общей теории систем [14,
Новые теории социальных систем 111

15, 17] выделяют различные классы систем, а именно, открытые — закры-


тые, простые — сложные, устойчивые-неустойчивые и т. д. В теории со-
циальных систем [9] выделяют экономические, политические, демографи-
ческие, социокультурные, военные (армия), территориальные (города, се-
ла) и иные классы социальных систем.
Напомним, что системный «социальный фрагмент» — это «социаль-
ный фрагмент», в котором действуют глобальный принцип системности
[14], множество локальных системных принципов [9], законы — множест-
во общесистемных законов [9], социальные явления — множество фактов
поведения и сознания индивидов, состояний и режимов функционирова-
ния 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 элемен-
тов и уровней системы, влияния других социальных систем и окружаю-
щей среды, а также прошлого состояния системы и ожидаемого будущего.
Имеются теоретические и эмпирические основания [9] полагать, что гло-
бальный принцип системности имеет фундаментальное значение для тео-
рии «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, кото-
рый, 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 физи-
ческих 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 опти-
мальной конструкции, принцип выживания, принцип оптимальной жизнен-
ной стратегии и т. д. [25, 26]. В психологии известен принцип гедонизма,
согласно которому люди стремятся максимизировать положительные эмо-
ции и минимизировать эмоции отрицательные. В экономике, теории приня-
тия 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 отрица-
тельные, в рамках определенных ограничений, за счет изменения элемен-
тов, связей, свойств и отношений в обществе.
112 Глава 2

Локальный экстремальный принцип проявляется в различных обще-


системных [9] и социологических [28] законах. В качестве иллюстрации
приведем несколько примеров из различных областей социологии. Эмпи-
рически установлено [6], что упорядоченные убывающие числовые по-
следовательности различных социальных показателей (распределение ре-
зультатов выборов, доходов, численности населения городов и т. д.) опи-
сываются общесистемным законом «экспоненциального распада» (экспо-
ненциальной функцией), при этом многие экспоненциальные кривые яв-
ляются так называемой брахистохроной, т. е. кривой наискорейшего спус-
ка. Нетрудно заметить, что в данном примере множество различных соци-
альных явлений описывается общесистемным законом «экспоненциально-
го распада», который в свою очередь, является проявлением экстремаль-
ного принципа наименьшего времени Ферма.
Р. Коллинз [29, с. 81] отмечает, что этнометодологическая теория пола-
гает, что превращение повседневной жизни в рутину — это основной соци-
альный процесс и что люди изо всех сил стараются ситуационно сглаживать
и избегать любых неурядиц. Нетрудно заметить, что в основе данного про-
цесса, который наблюдается на уровне различных индивидов, групп инди-
видов, организаций и т. д., также лежит экстремальный принцип «наимень-
шего действия», согласно которому действия в системе происходят при ми-
нимуме энергии, поскольку рутина — это привычные, повторяющиеся, про-
стые действия, требующие минимума физического и психологического на-
пряжения. Избегание неурядиц также можно рассматривать как минимиза-
цию 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 дейст-
вием экстремального принципа [26].
Экстремальный принцип действует и при формировании субъектив-
ного психического образа у индивида, например, субъективного образа
общества. Это вытекает из известного психологического закона прегнапт-
ности, 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. Фестинге-
ра [цит. по: 32, с. 199] показала, что индивиды стремятся восстановить
когнитивный баланс (внутреннюю когерентность) с помощью экстре-
мального принципа экономии усилий.
Различные социальные утопии идеального общества, например, ком-
мунистическое общество К. Маркса, также можно рассматривать как pea-
Новые теории социальных систем 113

лизацию экстремального принципа в распределении благ, ощущении сча-


стья, свободы, справедливости и т. д.
С известными системным законами общества заинтересованный чита-
тель может ознакомиться в монографии автора [9]. Отметим, что в систем-
ном «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, пока-
зывают, что с помощью введенной автором теоретической модели «соци-
альный фрагмент» и его фундаментальных и локальных классов, потенци-
ально можно описать все существующие, или предполагаемые социоло-
гом, 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 соци-
альные явления могут быть описаны с помощью математической, гумани-
тарной, 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 социаль-
ных явлений в «социальном фрагменте», целей и задач социолога, а также
других факторов. Вместе с тем, очевидно, что одновременное использова-
ние всех парадигм, если это допустимо по теоретическим и (или) эмпириче-
ским соображениям, позволяет более полно описать «социальный фраг-
мент». Для выделения «социальных фрагментов» можно использовать раз-
личные критерии, вытекающие из используемой социологом парадигмы.
Например, если использовать математическую и естественно-научные па-
радигмы, 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 фрагмен-
та», 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» социоло-
га. 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 объяс-


няющим фактором является мера когерентности. В этой связи отметим, что
во многих классических социологических теориях [11], например, Т. Парсон-
са, мере согласованности (несогласованности) также придается доминирую-
щая роль в объяснении строения и динамики общества. Приведем несколько
объясняющих примеров. Конфликт в обществе, в организации, подсистеме
общества — это несоответствие между принципами, законами и социальны-
ми явлениями внутри «социального фрагмента» или между «социальными
фрагментами». В частности, понятие аномии, введенное Э. Дюркгеймом —
это несогласованность между индивидуальными «социальными фрагмента-
ми» и государственным «социальным фрагментом»; глобализация — повы-
шение меры когерентности между государственными или индивидуальными
«социальными фрагментами», адаптация мигрантов к новым условиям жиз-
ни — изменение индивидуального «социального фрагмента» таким образом,
чтобы он был когерентен (согласован) с новым государственным «социаль-
ным фрагментом». В целом, имеются теоретические и эмпирические осно-
вания [9, 11] полагать, что главной причиной возникновения, изменения,
стабильности и исчезновения «социальных фрагментов» в обществе являют-
ся 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 прин-
ципом экстремальности, а именно, при экономии усилий, наименьшем
времени, наименьших изменений и т. д. Более редко наблюдаются измене-
ния «социального фрагмента» в сторону максимально удаленного «соци-
ального фрагмента», что также можно объяснить с помощью экстремаль-
ного принципа, а именно, стремления к максимуму, например, разнообра-
зия между «социальными фрагментами».

Возможности теории «социальных фрагментов»


Предложенная теория «социальных фрагментов» основана на термино-
логическом аппарате и классификации, которые потенциально позволяют
полно описать различные фрагменты общества и само общество в целом.
Предложенная теория «социальных фрагментов» позволяет легко и не-
противоречиво осуществить синтез классических и современных социологи-
ческих теорий следующим образом. Как уже было отмечено в [1, 9], все со-
циологические 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 социо-


логическую теорию можно рассматривать как «социальный фрагмент», кото-
рый описывает соответствующий фрагмент общества и отличается от других
«социальных фрагментов» (социологических теорий) локальными принципа-
ми, законами и описываемыми социальными явлениями. Например, многие
классические социологические теории [11] основаны на сочетании двух
принципов, а именно, социологическом номинализме и объективности; со-
циологическом номинализме и субъективности; социологическом реализме и
объективности; социологическом реализме и субъективности. Современные
социологические теории также основаны на некоторых локальных принци-
пах, например, гендерная теория [33] основана на принципе неравенства по-
лов 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 «со-
циальными фрагментами» в «социальном фрагменте-коллаже», который це-
лостно описывает общество.
Предложенная теория «социальных фрагментов» позволяет теоретиче-
ски решать различные проблемы социологии. Например, Ж. Т. Тощенко [36]
выделил кентавр-проблему в общественном сознании. Напомним, что кен-
тавр-проблема состоит в следующем. Один и тот-же человек или одни и те же
люди одновременно придерживаются взаимоисключающих установок, ори-
ентации и т. д. С точки зрения теории «социальных фрагментов» теоретиче-
ское решение кентавр-проблемы следующее. В зависимости от социальной
ситуации индивид активизирует различные индивидуальные «социальные
фрагменты» на основе принципа экстремальности, чтобы максимально повы-
сить внутреннюю и (или) внешнюю когерентность (согласованность). В ре-
зультате объединения различных «социальных» фрагментов образуется инди-
видуальный «социальный фрагмент-коллаж», который одновременно содер-
жит в себе взаимоисключающие принципы, индивидуальные законы и соот-
ветствующие им эмпирически наблюдаемые факты поведения и сознания.
Предложенная теория «социальных фрагментов» изначально плани-
ровалась автором таким образом, чтобы ее можно было использовать в
эмпирических исследованиях и в компьютерных системах. Например, ав-
тор совместно с А. Н. Чураковым [7] с помощью компьютерной эксперт-
но-диагностической системы МАКС методом полного перебора устано-
вил, 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 монито-
ринга 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 ком-
пьютерной системы МАКС было установлено, что данные математиче-
ские 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 исполь-
зована для предсказания ранее неизвестных социальных явлений, законов
и принципов. Например, если в «социальном фрагменте» действует обще-
системный принцип симметрии, то тогда в данном «социальном фрагмен-
те» обязательно будут действовать общесистемные законы сохранения и
будет наблюдаться неизменность некоторых социальных явлений с тече-
нием времени. Данное теоретическое предсказание позволило автору эм-
пирически выявить так называемые социальные «константы» [37], что
позволило затем довольно точно прогнозировать результаты выборов в
Государственную Думу РФ [6], соотношение самоубийств мужчин и жен-
щин [38], оптимальный уровень неравенства доходов в мире [39], безрабо-
тицы [40], доли преступников в обществе [41] и других устойчивых па
длительном периоде времени социальных явлений [8, 30].
Автор выделил локальный системный экстремальный принцип, из ко-
торого, 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 (промежу-
точности) [3], согласно которому между порядком и хаосом в социальных
системах наблюдается третье, специфическое состояние.
Предложенная общая социологическая теория «социальных фраг-
ментов» позволяет выдвигать перспективные теоретические и эмпириче-
ски проверяемые гипотезы. Например, из общей теории систем [31] из-
вестно, 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 социаль-
ных [30]. В этой связи имеются основания выдвинуть гипотезу, что неко-
торые 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 прак-
тике социального управления, проведения рекламных и PR-акций и т. д., в
частности, для создания и изменения «социальных фрагментов» с помо-
щью управленческих воздействий на уровень когерентности внутри «со-
циальных 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 социу-
ме // Системные исследования. Ежегодник. 1998. Ч. 2. М.: УРСС, 2000. С. 44-53.
6. Давыдов А. А. Убывающие числовые последовательности в социологии: фак-
ты, объяснения, прогнозы // Социол. исслед. 2001. № 7. С. 113—119.
7. Давыдов А. А., Чураков А. Н. Системный подход к анализу данных монито-
ринга 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, Applica-
tions. London, 1971.
15. Клир Док. Наука о системах: новое измерение науки//Системные исследова-
ния. 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 де-
ревьев. Новосибирск.: Наука, 1994.
21. http://www. un.org.
22. Кирдина С. Г. Институциональные матрицы и развитие России. М.: ТЕИС, 2000.
23. Hofstede G. Cultures and Organizations. N. Y.: McGraw-Hill, 1996.
24. Давыдов А. А. К вопросу об определении понятия «общество» // Соци-
ол. исслед. 2004. № 2. С. 12-23.
25. Фурсова П. В., ЛевичА. П., Алексеев В. Л. Экстремальные принципы в математи-
ческой 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. Collins R. Theoretical Sociology. San Diego: Harcourt Brace Jovanovich, 1988.
29. Коллинз Р. Социология: наука или антинаука? // THESIS. 1994. № 4. С. 71-97.
30. Давыдов А. А. Модульный анализ и конструирование социума. М.: ИСАН, 1994.
31. Коробко В. И. Золотая пропорция: Некоторые философские проблемы гармо-
нии. М.: АСВ, 2000.
32. Паповян С. С. Математические методы в социальной психологии. М.: Наука,
1983.
33. Здравомыслова Е., ТемкинаА. Социология тендерных отношений и тендер-
ный подход в социологии //Социол. исслед. 2000. № И. С. 15-23.
34. Beck U. Risk Society. Toward a New Modernity. London: Sage Publ., 1992.
35. CastellsM. The Information Age. N. Y.: Free Press, 1997.
36. ТощенкоЖ. Кентавр-проблема как особый случай парадоксальности общест-
венного сознания //Вопросы философии. 2002. № 6. С. 29-38.
37. Давыдов А. Константы в социальных системах // Вестник РАН. 1993. № 8 .
С. 733-736.
38. Давыдов А. Самоубийства, пол и золотое сечение// Социол. исслед. 1991.
№ 5. С. 99-102.
39. Давыдов А. Неравенство доходов: макросистемное объяснение// Социол. ис-
след. 1994. № 5 . С. 47-51.
40. Давыдов А. Оптимальный уровень безработицы в СССР. // Социол. исслед.
1990. № 12. С. 3 7 ^ 2 .
41. Ли Д. А. Уголовно-статистический учет: структурно-функциональные зако-
номерности. М.: Русский мир, 1998.
Глава 3

Новые методы анализа


социальных систем

§ 1. Фрактальный анализ социальных процессов


Наблюдения показывают; что в строении и функционировании социаль-
ных систем наблюдается общесистемное свойство самоподобия [1], т. е. со-
циальные системы более или менее одинаково устроены в широком диапа-
зоне пространственных, временных или количественных масштабов, что
обусловлено некоторой мерой масштабной симметрии в социальных систе-
мах. Поэтому малые фрагменты социальной системы могут быть подобны
целой системе. Пример — репрезентативная выборка в опросах обществен-
ного мнения, по которой можно довольно точно измерить некоторые харак-
теристики генеральной совокупности. Многочисленные эмпирические ис-
следования [2] также показывают, что в социологии часто наблюдаются убы-
вающие числовые последовательности, приближенно описываемые геомет-
рическими прогрессиями и степенными функциями, которые являются са-
моподобными [3]. Для анализа самоподобия используют фрактальный ана-
лиз [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 при-
ближенно самоподобными, в эмпирической социологии фрактальный анализ
практически не используется, что, с точки зрения автора, ограничивает воз-
можности анализа социальных процессов в социологии. В этой связи, в дан-
ном 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 на-
зывает структуру, состоящую из частей, которые в каком-то смысле подоб-
ны 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 регулярны-
ми. Если во фрактале наблюдается некоторая мера случайности, то такие
фракталы называют случайными. Наблюдения показывают, что самоподо-
бие 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] — неод-
нородные фракталы, для описания которых требуется не одно значение фрак-
тальной размерности, а спектр фрактальных размерностей, самоафинные
фракталы — фракталы с деформацией, в которых может отсутствовать подо-
бие 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 обознача-
ет меру «изломагаюсти» (сложности) фигуры.

где
D — фрактальная размерность;
и — число самоподобных частей, возникающих при увеличении ли-
нейных размеров исходной фигуры в г раз.
Например, увеличим квадрат, удвоив его сторону. Увеличенный квад-
рат можно разрезать на четыре копии исходного квадрата. Если утроить
сторону квадрата, то увеличенный квадрат можно разрезать на девять ко-
пий. Следовательно, по формуле (1) фрактальная размерность квадрата
равна 2. Для фигур с изломанной границей, фрактальная размерность бу-
дет дробным числом. Например, фрактальная размерность береговой ли-
нии 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 цен-
тральную 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 мате-


матической литературе такие множества принято называть дисконтинуу-
мами 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 вычис-
ления фрактальной размерности часто используется для описания возник-
новения 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 обо-
значать наличие военных действий, а цифра 0 — отсутствие военных дей-
ствий. Для полученной последовательности нулей и единиц может быть
измерена величина фрактальной размерности.
В целом, образование регулярных фракталов осуществляется повто-
рением 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, посколь-
ку регулярный фрактал является аттрактором — притягивающим режимом
динамики системы. Например, известный регулярный фрактал — салфет-
ка Серпинского [17, с. 37, 38] может быть получен из любой исходной фи-
гуры 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 исход-
ной 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 размер-
ность М равна сумме фрактальных размерностей множеств М1 и М2 •
В настоящее время фрактальный анализ представляет собой обшир-
ное направление в анализе временных рядов, в частности, в пакете
FracLab [14] реализовано множество различных вариантов фрактального и
мультифрактального анализа: различные процедуры измерения фракталь-
ной 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 на-
стоящему моменту времени известно, что закон Херста выполняется для сто-
ка 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 пока-
зано [5], что возможные значения показателя Херста лежат в диапазоне
0 < Н < 1 и их можно использовать в качестве классификационного пара-
метра 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 тенден-
цию к возрастанию или убыванию. При Н = 0,5 имеет место случай, со-
ответствующий классу стационарных случайных процессов.
Для статистического объяснения закона Херста [21] используют рас-
смотренные А. Н. Колмогоровым случайные процессы с дисперсией
DXt = t2H, t>0, 0<Я<1, где Н — показатель Херста, t — время,
которые Колмогоров назвал спиралями Виннера. Если DXt = t2H , то дан-
ный случайный процесс является фрактальным броуновским движением с
бесконечной «памятью». При 0,5 < Н < 1 фрактальный шум называют
«черным» шумом. Его спектральная плотность имеет неограниченный пик
на нулевой частоте. В целом, было замечено [13], что чем ближе значение
Н —> 1, тем менее «изломанным» является временной ряд и тем длиннее
«память» у данного временного ряда.
Для самоаффинных кривых между фрактальной размерностью по
Мандельброту (1) и формулой Херста (2) существует простая зависимость
(3) [5, с. 187].
D = 2-H, (3)
где
D — фрактальная размерность;
2 — топологическая размерность плоскости;
Н— показатель Херста.
Новые методы анализа социальных систем 123

Зависимость (3) справедлива, когда структура кривой, описывающей


фрактальную функцию, исследуется с высоким разрешением: размеры
клеток, покрывающих кривую, малы по сравнению с длиной временного
ряда и диапазоном изменения функции.
В целом, можно сказать, что формула Херста (2) является показате-
лем фрактального статистического самоподобия процесса, выступая свя-
зующим звеном между теорией фракталов и статистической теорией не-
линейных динамических систем с длинной «памятью».

Фрактальный анализ социальных процессов


В анализе социальных процессов фрактальный анализ может быть
использован для измерения фрактальной размерности ( D ) социального
процесса, а именно, меры его самоподобия, «изломанности», сложности,
мультифрактального спектра и т. д., что позволяет получить новую ин-
формацию, полезную для понимания механизмов и возможностей моде-
лирования и прогнозирования динамики данного социального процесса.
С помощью пакета FRACTAN [15] автор проанализировал динамику
курса рубля по отношению к доллару США, устанавливаемого Централь-
ным Банком России, за период январь 1998 — май 2004 гг. [22], представ-
ленную на рис. 3.1. Выбор данного экономического показателя для фрак-
тального анализа был обусловлен его важностью для жизни граждан Рос-
сии и для России в целом, а также наличием большого количества наблю-
дений (1604 момента времени) за период январь 1998 - май 2004 гг.
124 Глава 3

На рис. 3.2 представлены значения показателя Херста и фрактальной


размерности для данного временного ряда.

При автоматически найденной оптимальной задержке (сегментации вре-


менного ряда) равной 42, показатель Херста равен Н = 0,9667 + 0,1080, по-
казатель фрактальной размерности равен D = 1,0333 ± 0,1080 . Полученное
значение показателя Херста свидетельствует, что у динамики курса рубля
по отношению к доллару США «длинная память». В этой связи отме-
тим, что если анализировать не все 1604 наблюдения, а, например,
только с 500 по 1604 моменты времени, то значение показателя Херста
и фрактальной размерности изменится незначительно, а именно,
Я
500-1б04 = 1,1084 ±0,1025 , Dm_im = 0,8916 + 0,1025 . Аналогично и для
других фрагментов динамики, что свидетельствует о фрактальном са-
моподобии различных фрагментов данного временного ряда. Получен-
ное значение показателя Херста показывает, что данный процесс отно-
сится к классу персистентных, т. е. сохраняющих в будущем тенден-
цию к возрастанию.
На рис. 3.3 представлена корреляционная размерность и размерность
фазового пространства для данного временного ряда (1604 наблюдения)
при автоматически найденной оптимальной задержке, равной 42.
Корреляционная размерность для курса рубля по отношению к дол-
лару США равна 1,415, размерность фазового пространства равна 3,
Новые методы анализа социальных систем 125

корреляционная энтропия равна 0,089 при размерности фазового про-


странства > 4 . Корреляционная размерность вычисляется с помощью
корреляционного интеграла и обозначает вероятность посещения траек-
торией различных областей аттрактора (притягивающая область для тра-
екторий из окрестных областей) в фазовом пространстве. Размерность
фазового пространства определяет количество информации, необходи-
мое 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 количест-
венной 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 ха-
рактеристик и их содержательным смыслом можно более подробно озна-
комиться в [15, 17].

Для сравнения, корреляционная размерность для гауссового «шума»


равна 9,743, размерность фазового пространства равна 15. Корреляцион-
ная размерность для обобщенного Броуновского движения равна 2,541,
размерность фазового пространства равна 7. Вычисление производилось
126 Глава 3

автором с помощью модельных генераторов, реализованных в пакете


FRACTAN [15]. Сравнение показывает, что динамика курса рубля по от-
ношению 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 по-
мощью процедуры регуляризации, методом автоматического подбора
ядра и дробления временного ряда, с использованием метода наимень-
ших 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 вре-
мени через каждые двадцать лет. Заинтересованный читатель может
обратиться к работе П. Сорокина [23] в которой подробно излагается
объяснение данных социокультурных категорий и методика их подсче-
та. Выбор некоторых данных опросов общественного мнения в России
и Западной Европе (табл. 3.2-3.3) был обусловлен стремлением про-
анализировать 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.


Новые методы анализа социальных систем 127

Таблица 3.2
Фрактальная размерность данных мониторинга опросов
общественного мнения ВЦИОМ (1994-2001 гг.)

Показатель Фрактальная размерность (D)


Доверие В. Жириновскому 2,0674
Градация «Экономические ре-
1,9279
формы нужно прекратить»
Градация «Все не так плохо и
1,7154
можно жить»
Градация «Терпеть наше бедствен-
1,6689
ное положение уже невозможно»
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.)

Вопрос Фрактальная размерность (D)


Доля очень счастливых 2,1537
Доля полностью удовлетворенных
1,6603
жизнью
Доля респондентов, считающих,
что следующий год будет хуже, 1,4721
чем предыдущий
Примечание. Источник цитирования [25], количество моментов времени — 24.

Таблица 3.4
Фрактальная размерность различных социальных процессов
Период времени Фрактальная Источник
Социальный процесс (количество размерность цитиро-
моментов времени) (D) вания
Количество крупных 1971-1998 гг.
1,706 [26]
авиакатастроф в мире (20 моментов времени)
Доля участвующих в
1950-1996 гг.
выборах в Парламент 1,6603 [27]
(24 момента времени)
Великобритании
128 Глава 3

Окончание табл. 3.4

Период времени Фрактальная Источник


Социальный процесс (количество размерность цитиро-
моментов времени) (D) вания
Эмиграция из Запад- 1900-1937 гг.
1,5916 [28]
ной Европы (38 моментов времени)
Доля безработных в 1929-1994 гг.
1,5240 [29, 30]
США (30 моментов времени)
Количество выданных 1942-1988 гг.
1,5096 [31]
патентов в Швейцарии (47 моментов времени)
Доля американцев,
одобрявших деятель- 1981-1987 гг.
1,4960 [32]
ность Р. Рейгана на (73 момента времени)
посту Президента США
Количество легальных
1986-1996 гг.
абортов в Великобри- 1,4387 [27]
(11 моментов времени)
тании
Число зарегистриро-
1942-1988 гг.
ванных преступлений в 1,3951 [33]
(47 моментов времени)
Японии
Общая численность
вооруженных сил в
1961-1987 гг.
странах OECD (24 1,3891 [34]
страны Западной Ев- (27 моментов времени)
ропы)
Число осужденных в 1942-1988 гг.
1,3029 [33]
Японии (47 моментов времени)
Число зарегистриро-
1977-1996 гг.
ванных преступлений в 1,2291 [35]
(20 моментов времени)
СССР и России
Число незаконнорож- 1945-1986 гг.
1,1471 [36]
денных в Бельгии (42 момента времени)
Количество само-
1990-1997 гг.
убийств в Великобри- 1,0062 [27]
(8 моментов времени)
тании

По значениям фрактальной размерности (-D), представленным в


табл. 3.1-3.4, было вычислено среднее значение фрактальной размерно-
сти ID\ . Результаты представлены в табл. 3.5.
Новые методы анализа социальных систем 129

Таблица 3.5
Статистики для среднего значения фрактальной размерности ( D )

Статистики Std. Error


Значение Mean 1,535430 4.84E-02
фрактальной 95% Confidence Lower Bound 1,435886
размерности interval for Mean upper Bound
1,634973
5% Trimmed Mean 1,529697
Median 1,509600
Variance 6.332E-02
Std. Deviation ,251635
Minimum 1,0062
Maximum 2,1537
Range 1,1475
Interquartile Range ,265200
Skewness ,520 ,448
Kurtosis 1,079 ,872

Из табл. 3.5 следует, что в проанализированных социальных процес-


сах значение фрактальной размерности (Z)) наблюдалось в интервале
1,0062<D<2,1537. Полученный результат свидетельствует, что проана-
лизированные социальные процессы существенно различаются по «изло-
манности» (сложности). Здесь проявляется один из общесистемных прин-
ципов параллельной множественности, из которого, в частности, вытекает,
что в сложных системах одновременно протекает множество различных
процессов.
Из табл. 3.5 также следует, что с 95 % вероятностью среднее значение
фрактальной размерности ш) заключено в интервале 1,436<D< 1,635,
медиана распределения проанализированных фрактальных размерностей
равна М (Z)) = 1,51. Для сравнения, фрактальная размерность различных
факторов окружающей природной среды заключена в интервале
1,4<7)<2,0 [5, с. 231], в частности, фрактальная размерность береговой
линии Норвегии равна 1,52, Броуновской модели случайного блуждания —
1,5, топографических профилей Земли — 1,5 [4, 8]. Полученные результаты
показывают, что фрактальные размерности (£)) некоторых факторов при-
родной среды и проанализированных социальных процессов хорошо согла-
суются между собой, что может быть объяснено наличием общесистемных
фрактальных закономерностей [3], действующих в природных и социаль-
ных системах.
130 Глава 3

Для проведения мультифрактального анализа был использован пакет


FracLab [14], в частности, вычислительные процедуры из раздела «ID sig-
nals Multifractal Spectra». Для оценки мультифрактального спектра исполь-
зовалась процедура Large Deviation Spectrum по значениям экспоненты
Гельдера (а). Данный вид анализа показывает, как вероятность обнару-
жения точки аттрактора (притягивающая область для траекторий из окре-
стных областей) в сигнале, изменяется в зависимости от масштаба. Были
проанализированы социальные процессы, представленные в табл. 3.1—3.4.
На рис. 3.4-3.6 представлены некоторые из полученных мультифракталь-
ных спектров, которые демонстрируют различия мультифрактальных
структур проанализированных социальных процессов.
В целом, проведенный мультифрактальный анализ показал, что в со-
циальных процессах, представленных в табл. 3.1—3.4, наблюдается свой-
ство мультифрактальности. Это означает, что в проанализированных про-
цессах существуют глубинные уровни функционирования каскадного типа
[37]. В этой связи отметим, что в природной среде также наблюдается
свойство мультифрактальности [10]. Наблюдаемый факт наличия муль-
тифрактальности в природных и социальных системах может быть обу-
словлен общесистемным принципом самоподобия, действующим в раз-
личных системах [3, 37, 38].
Новые методы анализа социальных систем 131
132 Глава 3

Если временной ряд обладает строгим свойством самоподобия, как ре-


гулярный фрактал, то фрактальный анализ позволяет по одной точке (мо-
менту времени) временного ряда найти аттрактор (притягивающий режим
функционирования системы) и восстановить все промежуточные значения
временного ряда. Но поскольку в социальных процессах наблюдается при-
ближенное самоподобие и имеет место мультифрактальность, то для вос-
становления аттрактора требуется не менее трех точек (моментов времени).
В качестве иллюстрации данной возможности фрактального анализа рас-
смотрим следующий пример. На рис. 3.7 представлена динамика доли дове-
ряющих Г.Явлинскому гражданами России за период 1994-2001 гг. (всего
44 момента времени) [24]. Напомним, что в мониторинге ВЦИОМ [24] за-
дают так называемый открытый вопрос «Назовите 5-6 политических деяте-
лей России, которые вызывают у Вас наибольшее доверие».

60

Рис. 3.7. Динамика доли доверяющих Г. Явлинскому


гражданами России (1994-2001 гг.)

Для выявления возможного аттрактора (притягивающего режима) из


данных, представленных па рис. 3.7, были выбраны четыре момента вре-
мени, а именно, первый момент времени — 9 % доверяющих, 20-й момент
времени — 14 % доверяющих, 30-й момент времени — 17 % доверяющих,
44 момент времени — 6 % доверяющих. Для выявления аттрактора была
использована детерминированная процедура IFS (Iterated Function System)
из пакета FracLab [14]. Процедура IFS — это набор комплексных функций,
Новые методы анализа социальных систем 133

которые позволяют интерполировать фрактальную кривую по выбранным


моментам времени с помощью изменения значений небольшого количест-
ва управляющих параметров. Количество итераций — 5000, количество
управляющих параметров — 3. В результате проведешюго численного
моделирования была подобрана фрактальная кривая — аттрактор, который
в целом адекватно показывает притягивающий режим для данных, пред-
ставленных на рис. 3.7. Значения найденных управляющих параметров
были следующими. Сх = 0,7, С 2 = 0,3, С 3 = 0,1. Выявленный аттрактор
представлен на рис. 3.8.

Таким образом, по четырем моментам времени с помощью трех


управляющих параметров удалось восстановить притягивающий режим
для значений временного ряда, состоящего из 44 моментов времени. По-
лученные результаты моделирования позволяют предположить, что в ди-
намике доли доверяющих Г. Явлинскому может иметься аттрактор — при-
тягивающий режим функционирования, который является фракталом и
определяется тремя управляющими параметрами (факторами). Проверка
данной гипотезы — предмет последующих эмпирических исследований.
В заключение данного раздела отметим следующее. Основатель со-
циологии О. Конт [39, с. 8] считал, что «Наша подлинная задача состоит
134 Глава 3

в том, чтобы тщательно анализировать условия, в которых происходят


явления, и связать их друг с другом естественными отношениями после-
довательности и подобия». Фрактальный анализ социальных процессов
позволяет решить данную задачу. Результаты проведенного фрактально-
го анализа показывают, что динамика социальных процессов обладает
свойством мультифрактальности. В проанализированных социальных
процессах значение фрактальной размерности (£)) наблюдалось в ин-
тервале 1,0062 < D < 2,1537. С 95 % вероятностью среднее значение фрак-
тальной размерности ID ) для социальных процессов может быть заключено

в интервале 1,436 <D< 1,635, медиана распределения проанализированных


фрактальных размерностей равна М = 1,51. Полученные результат показы-
вают, что некоторые фрактальные характеристики являются общими для при-
родных и социальных систем. Данный факт может быть обусловлен общесис-
темным принципом самоподобия, действующим в различных системах.

Литература
1. Давыдов А. А. Модульный анализ и конструирование социума. М.: ИСАН, 1994.
2. Давыдов А. А. Убывающие числовые последовательности в социологии: фак-
ты, объяснения, прогнозы // Социол. исслед. 2001. № 7. С. 113-119.
3. Шредер М. Фракталы, хаос, степенные законы. М, И.: РХД, 2001.
4. Mandelbrot В. The Fractal Geometry of Nature. N. Y: Freeman, 1983.
5. ФедерЕ. Фракталы. М.: Мир, 1991.
6. Кроновер Р. Фракталы и хаос в динамических системах. М.: Постмаркет, 2000.
7. Falconer К Fractal Geometry: Mathematical Foundations and Applications. N. Y: Hal-
sted Press, 2003.
8. Turcotte D. Fractals and chaos in geology and geophysics. N. Y: Cambridge Uni-
ver. Press, 1992.
9. Васильев Л. Н. Фрактальность и самоподобие природных пространственных
структур // Известия РАН. Серия Географическая. 1992. № 5. С. 36-40.
10. Васильев Л. Н. Мультифрактальность природной среды // Известия РАН. Се-
рия Географическая. 1998. № 4. С. 25-41.
11. Уэлстид С. Фракталы и вейвлеты для сжатия изображений в действии. М.: Три-
умф, 2003.
12. Peters E. Fractal Market Analysis: Applying Chaos Theory to Investment and Eco-
nomics. N. Y: John Wiley & Sons, 1994.
13. Peters E. Chaos and Order in the Capital Markets. N. Y: John Wiley & Sons, 1996.
14. http://www.irccyn.ec-nantes.ft/hebergement/FracLab.
15. http://impb.psn.ru/~sychyov.
16. HarteD. Multiftactals: Theory and Applications. L.: Chapman & Hall, 2001.
Новые методы анализа социальных систем 135

17. Божокин С. В. Паршин Д. А. Фракталы и мультифракталы. М.: УРСС, 2001.


18. Flake G. The Computational Beauty of Nature: Computer Explorations of Fractals,
Chaos, Complex Systems and Adaptation. M.: MIT Press, 2000.
19. http://www.eclectasy.com/Fractal-Explorer.
20. Васильев Л. И., Мандыч А. Ф. Самоорганизованная критичность в атмосфер-
ных осадках // Известия РАН, Серия Географическая. 2000. № 1. С. 40-52.
21. Найденов В. К, Кожевникова И. А. Эффект Херста в геофизике//Природа.
2000. № 1. С. 3-12.
22. http://www.finmarket.ru.
23. SorokinP. Social and Cultural Dynamics. V. 1—4. N. Y: American book company,
1934-1941.
24. База данных ВЦИОМ.
25. The Mannheim Eurobarometer Trend File: 1970-1999 / Ed. E. Scholz, H. Schmitt.
Mannheim, 2001.
26. Civil Aviation Statistics of the World. N. Y. ICAO, 1990-2001.
27. Annual Abstract of Statistics 1999. London, 2000.
28. Урланис Б. Ц. Избранное. М.: Мысль, 1985.
29. Historical Statistics of the United States. V. 1. Washington, 1975.
30. Statistical Abstract of the United States 2000. Washington, 2001.
31. Statistisches Jahrbuch der Schweiz. Basel, 1988.
32. Gallup Report. 1987. № 264.
33. Japan Statistical Yearbook. Tokyo, 1989.
34. Labour Force Statistics. 1967-1987. Paris, 1989.
35. ЛиД.А. Уголовно-статистический учет: структурно-функциональные зако-
номерности. М.: Русский мир, 1998.
36. Annuaire statistique de laBelgique. Bruxelles, 1989.
37. Riedi R. Introductions to Multifractals: Multifractal Processes.
(http://www.stat.rice.edu/~riedi/cv_abs_irame.html).
38. Давыдов А. А. Системный подход в социологии: законы социальных систем.
М.: УРСС, 2004.
39. Копт О. Курс положительной философии. СПб.: Посредник, 1899-1900. Т. 1.

§ 2. Вейвлет-анализ социальных процессов


Одной из фундаментальных задач социологии является изучение со-
циальной динамики [1, 2]. Вместе с тем, наблюдения показывают, что ди-
намика социальных процессов обладает следующими свойствами. Перио-
ды колебаний значений количественных социальных показателей нерегу-
лярны, в динамике существуют одиночные и нерегулярные «всплески» —
резкое изменение значений количественных показателей в некоторые мо-
менты времени, в разные периоды времени наблюдаются различные зако-
136 Глава 3 .

номерности социальных процессов, в частности, за периодами более или


менее регулярной динамики следуют периоды хаотических колебаний.
Данные свойства затрудняют анализ социальных процессов, в частности,
существуют трудности точного выявления моментов возникновения цик-
лов (повторяемостей), их длительности и т. д.
В последние годы для анализа процессов с вышеперечисленными
свойствами был разработан вейвлет-аиализ [3, 4], который использует-
ся для декомпозиции, «сжатия» и восстановления сигналов и изобра-
жений, выделения сигнала из «шума» и т. д., в технических науках,
естествознании, в экономике вейвлет-анализ используется для анализа
динамики биржевых индексов, курсов валют. Главное отличительное и
полезное для анализа социальных процессов свойство вейвлет-анализа
состоит в следующем. В отличие от традиционно используемого в
спектральном анализе временных рядов Фурье-разложения и различ-
ных методов спектрального анализа с выделением спектральных
«окон» — например, «окон» Тьюки—Хемминга, Бартлета и т. д., неко-
торые из которых реализованы в широко известном социологам пакете
SPSS для проведения спектрального анализа временных рядов, вейв-
лет-анализ позволяет разложить частотный спектр по времени и обна-
ружить моменты времени, когда возникают и исчезают различные цик-
лы в динамике, произвести декомпозицию временного ряда на уровни
и выявить детали динамики каждого уровня, выявить частотные осо-
бенности временного ряда, которые предшествуют во времени неожи-
данным и одиночным «всплескам» в динамике и т. д. Иными словами,
при использовании традиционного спектрального анализа временных
рядов социолог может зафиксировать различные циклы (повторяемо-
сти), которые наблюдаются во всем анализируемом временном ряде и
сделать неправильный теоретический вывод, что данные циклы при-
сутствуют с самого начала возникновения временного ряда. Напротив,
вейвлет-анализ позволяет эмпирически проверить, действительно ли
данные циклы присутствуют с самого начала возникновения временно-
го ряда и если нет, то в какой момент времени они возникают и если
заканчиваются, то в какой момент времени.
Слово «вейвлет» означает «маленькая волна». Вейвлеты — это класс
новых математических функций, некоторые из которых носят имя их соз-
дателей, например, вейвлеты Хаара, Добеши, Морле, Мейера, другие
имеют специальные названия, например, вейвлет «мексиканская шляпа»
(сомбреро). Многие вейвлеты, например, вейвлет Добеши, в зависимости
от значения параметра порядка, генерирует семейство функций, которые
располагаются между ступенчатыми и синусоидальными функциями.
Вейвлеты выступают в качестве базовых опорных функций, поскольку на
основании значений их вейвлет-коэффициентов, можно произвести де-
Новые методы анализа социальных систем 137

композицию (вейвлет-преобразование) временного ряда на уровни, кото-


рые различаются частотным спектром динамики, осуществить трешол-
динг — пороговый анализ, «сжатие» временного ряда, «шумоподавле-
ние», в частности, синтезирование (восстановление) сигнала из «шума»,
осуществить нелинейный регрессионный анализ «зашумленного» вре-
менного ряда, моделирование временного ряда, использовать различные
частотные фильтры, вейвлет-пакетное разложение и другие специальные
процедуры. С математическими основами вейвлет-анализа заинтересо-
ванный читатель может более подробно ознакомиться в монографии
К. Чуй [3], с методами вейвлет-анализа и их реализацией в известных ма-
тематических пакетах MATLAB (версия 6.5), MatCAD (2001), Mathematica
(версия 4.2), можно ознакомиться в [4]. На Интернет-сайте консультаци-
онного центра MATLAB компании SoftLine [5] в открытом доступе нахо-
дится «Руководство пользователя для модуля Wavelet Toolbox» пакета
MATLAB (версия 6.5), которое содержит более девятисот страниц деталь-
ного описания разнообразных процедур вейвлет-анализа, формул, алго-
ритмов, правил интерпретации полученных результатов и примеров его
использования.
В качестве одного из примеров применения вейвлет-анализа к соци-
альным процессам, ниже представлены полученные автором результаты
анализа динамики доли респондентов за период 1994-2001 гг., считаю-
щих, что «Терпеть наше бедственное положение уже невозможно»2 из во-
проса мониторинга Всероссийского Центра изучения общественного мне-
ния (ВЦИОМ) [6]. За данный период времени было проведено 44 опроса
общественного мнения, репрезентирующих население России. Вейвлет-
анализ был осуществлен с помощью модуля Wavelet Toolbox из пакета
MATLAB (версия 6.5) по данным 44 моментам времени. Скажем сразу, что
вейвлет-анализ представляет собой новое и достаточно обширное направ-
ление в анализе сигналов, включающее в себя множество методов и спе-
циальных процедур, которые невозможно изложить в краткой статье, по-
этому автор сосредоточил внимание только на некоторых содержательных
аспектах вейвлет-анализа, полезных для изучения социальных процессов,
сопровождая специфические термины, принятые в вейвлет-анализе, крат-
кими комментариями. На рис. 3.9 представлена полная декомпозиция
(вейвлет-преобразование) динамики доли респондентов, выбравших гра-
дацию ответа «Терпеть наше бедственное положение уже невозможно»,
где ось 7 обозначает долю ответивших респондентов на данную градацию,
а ось X— моменты времени. Временной ряд долей ответов респондентов

Как вы считаете, какое из приведенных ниже высказываний более соответствует сло-


жившейся ситуации? Возможные ответы: «Все не так плохо и можно жить», «Жить трудно,
но можно терпеть», «терпеть наше бедственное положение уже невозможно», «Затрудняюсь
ответить».
138 Глава 3

на данную градацию представлен на рис. 3.9 (график s), где цифра 5 обо-
значает сентябрь 1994 г., цифра 40 — сентябрь 2000 г. Декомпозиция дан-
ного временного ряда осуществлялась в автоматическом режиме. В каче-
стве базовой функции декомпозиции использовался вейвлет Добеши по-
рядка 1, т. е. максимально приближенным к классу дискретных ступенча-
тых функций.

dl,...,d5 — фильтры высокочастотных компонент временного ряда,


которые показывают детали динамики на выделенных уровнях, причем
dt — наиболее близкая аппроксимация (приближение) к исходному
временному ряду, a ds — максимально далекое приближение, которое
показывает детали основной тенденции высокочастотных компонент
временного ряда. Чтобы читатель лучше ориентировался в иерархии
высокочастотных фильтров d1,...,d5 и низкочастотных фильтров
Новые методы анализа социальных систем 139

al,...,a5 на каждом уровне декомпозиции, слева на странице схемати-


чески представлено их соотношение, где s — сигнал (исходный вре-
менной ряд). В этой связи отметим, что низкочастотные фильтры
au...,a5 отражают глобальную информацию о временном ряде, а высо-
кочастотные фильтры dx,...,d5 отражают скрытые, детальные особен-
ности временного ряда, которые часто оказываются полезными при
краткосрочном и среднесрочном прогнозировании социальных процес-
сов, в частности, для предсказания резких «выбросов» в динамике вре-
менного ряда.

Из рис. 3.9 ясно видно, в какие моменты времени возникают и исче-


зают различные циклы, а также какова их длительность. а 5 — основная
тенденция низкочастотных компонентов динамики, из которой видно, что
проанализированный временной ряд на 5, глубинном уровне декомпози-
ции, имеет два режима функционирования, которые различаются значе-
ниями долей опрошенных. Первый режим — примерно 40 % респонден-
тов, второй режим — примерно 32 % респондентов, ответивших на града-
цию «Терпеть наше бедственное положение уже невозможно». Из рис. 3.9
и графика а5 следует, что переход с первого режима функционирования
на второй режим функционирования произошел примерно в 32-й момент
времени, что соответствует маю 1999 г. В этой связи особо отметим, что
выявленный с помощью вейвлет-анализа момент времени перехода с од-
ного режима функционирования на другой режим функционирования
практически невозможно заметить, если просто рассматривать график s
исходного временного ряда на рис. 3.9.
Для сравнения, на рис. 3.10 представлена полная декомпозиция по
пяти уровням, в качестве базовой функции декомпозиции использовался
также вейвлет Добеши, но с параметром порядка 4, т. е. более приближен-
ным к классу непрерывных синусоидальных функций.
В этой связи отметим, что выбор вейвлет-функции для анализа соци-
альных процессов можно осуществлять исходя из анализа графика исход-
ного временного ряда, сравнивая характер динамики данного ряда с об-
разцами вейвлетов из демонстрационной библиотеки модуля «Wavelet
Toolbox» пакета MATLAB (версия 6.5). Выбор вейвлет-функции можно
осуществить на основе социологической теории, например, пороговой
теории социальных процессов [7] или теории колебаний социокультурной
динамики [1], а также с помощью аналитических критериев, в частности,
анализа коэффициентов автокорреляции остатков, FFT спектра остаточ-
ных частот, специально реализованных для этой цели в модуле Wavelet
Toolbox. Однако, также полезно проанализировать временной ряд с помо-
щью различных вейвлетов, поскольку каждый вейвлет имеет характерные
особенности во времени и частоте, что позволяет полнее выявить различ-
140 Глава 3

ные свойства анализируемого временного ряда. Опыт автора также пока-


зывает, что полезно проводить вейвлет-анализ с различными значениями
порядка вейвлета, для лучшего выявления особенностей в анализируемом
временном ряде.

Более подробная информация о полной декомпозиции данного вре-


менного ряда по пяти уровням представлена на рис. 3.11, где в качестве
базового вейвлета использовался вейвлет Добеши порядка 3 и вейвлет-
спектрограмма частот по каждому из пяти выделенных уровней в различ-
ные моменты времени. Польза вейвлет-спектрограммы состоит в том, что
с помощью цветовой гаммы можно отчетливо увидеть, как колебания того
или иного временного масштаба изменяются со временем на каждом
уровне декомпозиции. В частности, если цветовая линия на каком либо
уровне пе меняет цвет на всем протяжении временного ряда, то данная
частотная закономерность присутствует па всем интервале временного
Новые методы анализа социальных систем 141

ряда. Здесь ясно видно, когда возникают циклы, их длительность и час-


тотные особенности в каждый момент времени.

На рис. 3.12 представлена аппроксимация (приближение) исходного


временного ряда для вейвлета Добеши порядка 1, что ближе к классу сту-
пенчатых функций. Из рис. 3.12 следует, что аппроксимация исходного
временного ряда достаточно точная. На рис. 3.12 также представлено раз-
личными столбиками значение коэффициентов вейвлет-преобразования,
которые наглядно показывают особенности частотных спектров в различ-
ные моменты времени по каждому уровню. Чем длиннее вертикальная
полоска, тем больше значение коэффициента для данного момента време-
ни и уровня декомпозиции.
142 Глава 3

С помощью некоторых процедур вейвлет-анадиза выше был проана-


лизирован только один временной ряд значений долей ответов респонден-
тов, ответивших «Терпеть паше бедственное положение уже невозможно»,
однако нетрудно провести вейвлет-апализ различных фрагментов данного
временного ряда, динамики других долей ответов респондентов на дан-
ный вопрос мониторинга ВЦИОМ и выявить их сходства и различия по
каждому уровню декомпозиции, выявить числовые значения пороговых
уровней функционирования, моменты времени перехода с одного режима
функционирования на другой режим функционирования, можно также
сравнить динамику ответов респондентов на разные вопросы мониторинга
и решить ряд других важных теоретических и практических задач изуче-
ния общественного мнения.
Новые методы анализа социальных систем 143

Вейвлет-анализ может быть использован для проверки социологиче-


ских теорий. Так, например, исходя из различных теорий безработицы, с
кратким обзором некоторых из них и эмпирическими результатами по
разным странам мира можно ознакомиться в [8], следует, что уровень без-
работицы примерно равный 6 % является оптимумом для нормально
функционирующей экономической подсистемы. Для проверки данного
теоретического положения автором был использован вейвлет-анализ ди-
намики доли безработных в США за период 1929-1994 гг. [9, 10] с помо-
щью базового вейвлета Добеши порядка 1. На рис. 3.13 представлены по-
лученные результаты, в частности, цветовая гамма значений коэффициен-
тов декомпозициии деталей на каждом из четырех выделенных уровней,
которая наглядно показывает частотные особенности данного временного
ряда в каждый момент времени.
144 Глава 3

Из верхнего графика на рис. 3.13 следует, что действительно, на


четвертом (глубинном) уровне декомпозиции существуют два режима
функционирования экономической подсистемы США. Первый режим —
примерно 9 % безработных, который наблюдается на интервале време-
ни, в который попадает «Великая депрессия» в частности, ее пик,
(1932-1934 гг.), когда доля безработных составляла более 20 % и второй
режим — примерно 6 % безработных, который наблюдался в период
нормального функционирования экономической подсистемы США. Та-
ким образом, известное теоретическое положение, согласно которому
доля безработных в 6 % является «нормой» для экономической подсис-
темы, находящейся в стадии нормального функционирования, получило
на примере США эмпирическое подтверждение. Кроме того, был най-
ден верхний порог доли безработных, приближение к которому и, тем
более, его превышение, может свидетельствовать о нарастании небла-
гоприятных тенденций. Полученные результаты демонстрируют прак-
тическую пользу применения вейвлет-анализа для диагностики функ-
ционирования различных социальных систем.
При изучении динамики доверия граждан политическим деятелям
страны с помощью опросов общественного мнения, обычно возникает
сложная методическая и теоретическая проблема выявления глубинных,
устойчивых на протяжении длительного периода времени, значений уров-
ня доверия политическим деятелям. Вейвлет-анализ позволяет легко ре-
шить данную проблему. На рис. 3.14 представлены глубинные уровни до-
верия В. Жириновскому, Г. Зюганову, Г. Явлинскому (фамилии политиче-
ских деятелей России даны в алфавитном порядке) населением России,
вычисленные с помощью базового вейвлета Добеши порядка 1 на 5 (глу-
бшшом) уровне декомпозиции по данным мониторинга общественного
мнения ВЦИОМ [6] за период 1994—2001 гг. Напомним, в мониторинге
ВЦИОМ задают так называемый открытый вопрос «Назовите 5-6 полити-
ческих деятелей России, которые вызывают у Вас наибольшее доверие».
На графиках рис. 3.14 ось X отображает 44 момента времени (44 опроса
общественного мнения).
Полученные результаты достаточно ясно показывают значения двух
глубинных ступенчатых уровней доверия В. Жириновскому, Г. Зюганову,
Г. Явлинскому населением России, а также тенденции перехода с одного
глубинного уровня доверия на другой глубинный уровень для данных по-
литических деятелей России на периоде 1994-2001 гг.
Вейвлет-апализ может быть использован для уточнения различных
теоретических периодизаций социальной динамики и выявления зако-
номерностей социальных процессов. Приведем несколько примеров,
свидетельствующих об эффективности вейвлет-анализа для решения
данных задач. Существует распространенное мнение, что рост пре-
Новые методы анализа социальных систем 145

ступности в России связан с начавшейся в 1985 г. «перестройкой» в


СССР. Для эмпирической проверки данного утверждения был приме-
нен вейвлет-анализ к динамике числа зарегистрированных преступле-
ний в СССР и России за период 1977-1996 гг. [цит. по: 11]. Результаты
вейвлет-анализа с использованием вейвлета Добеши порядка 3 для че-
тырех уровней декомпозиции представлены на рис. 3.15, где график s
показывает исходный временной ряд числа зарегистрированных пре-
ступлений.
146 Глава 3

Из рис. 3.15 (график а5) следует, что глубинная тенденция роста чис-
ла зарегистрированных преступлений возникла не с началом «перестрой-
ки» в СССР, которую традиционно датируют 1985 г., а в 1981 г., на четыре
года раньше.
С помощью вейвлет-анализа автором была проанализирована дина-
мика некоторых социокультурных категорий из базы данных П. Сороки-
на [1]. Напомним, что база данных П. Сорокина является самой продол-
жительной, по периоду наблюдений, базой данных социальных процес-
сов в мире и представляет собой временные ряды различных социаль-
ных процессов за период 580 г. до н. э. - 1920 г. н. э., т. е. за 2500 лет, по
Западной Европе, с интервалом в двадцать лет. Была проанализирована
динамика следующих социокультурных категорий, выделенных П. Соро-
киным, а именно, три «Первых» принципа познания — «Идеализм»,
Новые методы анализа социальных систем 147

«Индетерминизм», «Реализм», а также этические принципы «Этика люб-


ви» и «Этика принципов». Заинтересованный читатель может обратиться
к работе П. Сорокина [1] в которой подробно излагается объяснение ис-
пользованных для вейвлет-аиализа социокультурных категорий и методи-
ка их измерения. Выбор данных социокультурных категорий П. Сорокина
для вейвлет-анализа был обусловлен минимальным количеством пропус-
ков в данных по этим категориям на периоде 580 г. до н. э. - 1920 г. н. э.
Процедура выявления вейвлет-закономерностей была следующей. Ис-
пользовался базовый вейвлет Добеши порядка 1, который наиболее бли-
зок к классу ступенчатых функций. Выбор данного вейвлета был обу-
словлен следующими теоретическими и практическими соображениями.
Во-первых, выделение одного, двух или трех ступеней во временном
ряде легко содержательно интерпретировать, как ступенчатые режимы
функционирования социальной системы. Кроме того, обоснованное вы-
явление численных значений ступеней во временном ряде представляет
собой трудную методическую и теоретическую задачу, а с помощью
вейвлет-анализа численные значения ступеней легко измерить. Во-вто-
рых, в социологии для описания социальных процессов используются
пороговые модели [7], которые показали свою эмпирическую адекват-
ность. В модульной теории социума (МТС) [12, 13], которую автор раз-
вивает в Институте социологии РАН и которая основана на общей тео-
рии систем, пороговый принцип лежит в основе выделения режимов
функционирования социальных систем. В третьих, для практики важно
знать численные значения порогов во временном ряде для правильной
диагностики состояния социальной системы. Количество уровней де-
композиции временного ряда выявлялись в автоматическом режиме.
Проведенный вейвлет-анализ показал, что для проанализированных социо-
культурных категорий оптимальное количество уровней декомпозиции со-
ставило 6, на последнем (глубишюм) уровне декомпозиции наблюдаются
два ступенчатых режима функционирования. В качестве примера декомпо-
зиции динамики социокультурной категории «Идеализм» па рис. 3.16 пред-
ставлены результаты дискретного вейвлет-анализа с использованием базо-
вого вейвлета Добеши порядка 1, а па рис. 3.17 вейвлет-спекгрограмма не-
прерывного вейвлет-преобразования. На рис. 3.16-3.17 по оси X цифра 20
обозначает временной интервал 220-200 гг. до н. э., а цифра 120 временной
интервал 1800-1820 гг. н. э., всего 125 моментов времени, график s обозна-
чает исходный временной ряд.
Из рис. 3.16 вытекает, что переход динамики социокультурной кате-
гории «Идеализм» с одного глубинного ступенчатого уровня функциони-
рования на другой ступенчатый уровень произошел в 62 момент времени,
что соответствует периоду 640-660 гг. нашей эры. Полученный результат
уточняет некоторые аспекты периодизации социокультурной динамики,
148 Глава 3

предложенной П. Сорокиным [1]. На рис. 3.17 представлена вейвлет-спек-


трограмма динамики социокультурной категории «Идеализм».

Вейвлет-спектрограмма отображается на плоскости с помощью цве-


товой гаммы, как поверхность в трехмерном пространстве (амплитуда
вейвлет-преобразовапия, временной масштаб и временная локализация).
На вейвлет-спектрограмме изолиниями отображено изменение амплитуд
вейвлет-преобразования на разных временных масштабах и в разные мо-
менты времени. Вейвлет-спектр можно интерпретировать как распределе-
ние плотности энергии сигнала во времени. Кроме того, отображены ли-
нии локальных экстремумов, соединяющие экстремумы каждой детали
поверхности и четко показывающие структуру данной поверхности,
т. е. тенденции изменения частотного спектра во времени. На вейвлет-
спектрограмме рис. 3.17 видно, что энергия сигнала неравномерно рас-
пределена по временным масштабам, что свидетельствует о «выделепно-
Новые методы анализа социальных систем 149

сти» некоторых масштабов. Под масштабом в вейвлет-аиализе понимается


расширение (сжатие) временного ряда, которое, увеличивает (уменьшает)
количество деталей сигнала при различных масштабах анализа. Нагляд-
ным аналогом масштабирования является географическая карта, при
больших масштабах па карте видны глобальные закономерности рельефа,
а при уменьшении масштаба карты можно различить детали рельефа. На
вейвлет-спектрограмме рис. 3.17 просматривается свойство асимптотиче-
ской фрактальности (самоподобия в «среднем») частотного спектра вре-
менного ряда в разные периоды времени, которое характерно для систем,
функционирующих в режиме детерминированного хаоса [14—16]. Свойст-
во «выделепности» масштабов и фрактальности просматривается также в
динамике социокультурной категории «Этика любви», вейвлет-спектро-
грамма которой представлена на рис. 3.18.
150 Глава 3

Полученные результаты, представленные на рис. 3.17-3.18, хорошо


согласуются с выдвинутой ранее автором [17, 12] гипотезой, согласно ко-
торой социальные системы функционируют в специфическом состоянии
Intermedity («промежуточности») между порядком и хаосом, в так назы-
ваемом состоянии самоорганизованной критичности, в результате чего в
динамике социальных систем наблюдаются особенности, характерные для
режима детерминированного хаоса [14—16], в частности, неоднородность
частотного спектра во времени, чередование периодов с хаотическими
колебаниями и периодов с более или менее регулярной динамикой, асим-
птотическое фрактальное подобие различных фрагментов динамики, на-
личие резких «выбросов» в динамике и т. д.
С помощью вейвлет-анализа автором были также проанализированы
некоторые социальные процессы различной длительности, наблюдавшие-
Новые методы анализа социальных систем 151

ся в XX в. по различным странам мира и группе стран в различные перио-


ды времени. Разные социальные показатели по содержанию, длительно-
сти, по различным странам мира, в различные периоды времени и по дру-
гим различиям выбирались автором специально, чтобы более надежно
выявить общие закономерности социальной динамики. В этой связи отме-
тим, что выбранные для анализа социальные процессы включали основ-
ные формальные классы социальной динамики [18], а именно, социальные
процессы, приближенно описываемые степенными, экспоненциальными,
логарифмическими, логистическими и колебательными функциями, про-
цессы с резкими «выбросами», хаотической динамикой и т. д. Методика
вейвлет-анализа была аналогична методике, которая применялась выше
для анализа социокультурных категорий из базы данных П. Сорокина, а
именно, использовался вейвлет Добеши порядка 1, который наиболее бли-
зок к классу ступенчатых функций. В табл. 3.1 представлены некоторые из
полученных результатов, которые упорядочены в зависимости от длины
временного ряда. Это сделано для того, чтобы наглядно продемонстриро-
вать зависимость между длиной временного ряда и оптимальным количе-
ством уровней декомпозиции временного ряда.
Таблица 3.1
Результаты вейвлет-анализа некоторых социальных процессов в XX в.
Количество Источник
Социальный
Период времени уровней де- цитиро-
процесс
композиции вания
Доля американцев,
одобряющих деятель- 1981-1987 гг.
6 [19]
ность Президента (73 момента времени)
США Р. Рейгана,%
Число осужденных в 1942-1988 гг.
5 [20]
Японии (47 моментов времени)
Количество выданных 1930-1986 гг.
5 [21]
патентов в Швейцарии (47 моментов времени)
Доля ответов граждан
России «Экономиче- 1994-2001 гг.
5 [6]
ские реформы нужно (44 момента времени)
прекратить»,%
Доля ответов граждан
1994-2001 гг.
России «Все не так 5 [6]
(44 момента времени)
плохо и можно жить»,%
Количество незаконно- 1945-1986 гг.
рожденных в Бельгии 5 [22]
(42 момента времени)
152 Глава 3

Окончание табл. 3.1

Количество Источник
Социальный
Период времени уровней де- цитиро-
процесс вания
композиции
Эмиграция из Запад- 1900-1937 гг.
5 [23]
ной Европы (тыс. чел.) (38 моментов времени)
Общая численность
вооруженных сил в 1961-1987 гг.
4 [24]
странах OECD (24 стра- (27 моментов времени)
ны Западной Европы)
Доля ответов граждан
Западной Европы 1973-1999 гг.
4 [25]
«Полностью удовле- (24 момента времени)
творен жизнью»,%
Число зарегистриро-
1977-1996 гг. [цит. по:
ванных преступлений 4
(20 моментов времени) 11]
в СССР и России
Число самоубийств в 1990-1997 гг.
3 [26]
Великобритании (8 моментов времени)
Доля граждан России,
считающих, «Сле-
1996-2001 гг.
дующий год для Рос- 2 [27]
(6 моментов времени)
сии будет лучше, чем
предыдущий год»

Из табл. 3.1 следует, что в интервале 6-73 моментов времени количество


оптимальных уровней декомпозиции временного ряда составляет от двух до
шести, при этом наблюдается экспоненциальная зависимость между числом
уровней оптимальной декомпозиции и длиной временного ряда. С учетом
результатов, полученных выше при анализе социокультурных категорий
П. Сорокина, данная зависимость выражается формулой у = 1,0933е°'7506:<:,
при уровне аппроксимации (приближения) R2 = 0,9645, т. е. 96,5 % для ин-
тервала моментов времени от 6 до 125. Какая зависимость будет наблюдаться
при учете большего количества учитываемых моментов времени, т. е. длины
временного ряда и содержательно других социальных процессов — задача
последующих исследований. Однако, отметим, что количество уровней де-
композиции зависит, как от длины временного ряда, так и от частотно-
временных особенностей ряда, в частности, меры его фрактальности (само-
подобия), симметричности, которое, например, наблюдается на вейвлет-
спектрограмме динамики доли американцев, одобряющих деятельность
Президента США Р. Рейгана [19], представленной на рис. 3.19.
Новые методы анализа социальных систем 153

С целью выявления общесистемных закономерностей в динамике со-


циальных процессов, автором был проведен углубленный вейвлет-апализ
динамики вышеперечисленных социокультурных категорий из базы дан-
ных П. Сорокина [1], социальных процессов, представленных в табл. 3.1, а
также некоторых ответов респондентов из мониторинга ВЦИОМ общест-
венного мнения населения России за период 1994-2001 гг. [6], ответов
респондентов из мониторинга общественного мнения Eurobarometer насе-
ления Западной Европы за период 1973-1999 гг. [25], некоторых статисти-
ческих социальных показателей по США за период 1840-1999 гг. [9, 10].
Полученные результаты показали, что выявленные закономерности соци-
альных процессов похожи на некоторые закономерности различных при-
родных процессов [16, 28], в частности, общим для данных процессов
154 Глава 3

является нестационарная структура временного ряда, эволюционирующие


во времени частоты, наличие глобальной квазипериодичности, мультиф-
ракталыюсть (множественное самоподобие) локальных периодичностей
на разных временных масштабах, неизменность некоторых структурных
закономерностей при изменении длины временного ряда и т. д. С точки
зрения общей теории систем [29] наблюдаемое подобие функционирова-
ния социальных и природных процессов может быть обусловлено тем об-
стоятельством, что проанализированные природные и социальные систе-
мы функционировали в одном и том же системном режиме детерминиро-
ванного хаоса [12, 14-17]. В силу того, что проанализированные социаль-
ные процессы функционировали в режиме детерминированного хаоса, в
них, в большей или меньшей мере, наблюдались некоторые известные
системные закономерности, предшествующие резким изменениям («вы-
бросы», «спады») во временном ряде, переходам системы с одного глу-
бинного уровня функционирования на другой глубинный уровень. В част-
ности, наблюдалось «затишье перед бурей», определенная форма частот-
ного спектра и другие частотные «предвестники», наблюдаемые, напри-
мер, в сейсмической активности [30], которая принадлежит к классу про-
цессов детерминированного хаоса [28]. Более детальное изучение и клас-
сификация наблюдаемых частотных «предвестников» резких изменений в
социальных процессах с помощью вейвлет-анализа — перспективная за-
дача для дальнейших исследований.
В заключение статьи отметим следующее. Использование вейвлет-
анализа представляется важным для социологии, поскольку вейвлет-
анализ позволяет более адекватно анализировать социальную динамику,
предоставляя социологу много новой, полезной и наглядной информации
о динамике социальных процессов.

Литература
1. SorokinP. Social and Cultural Dynamics. V. 1-4. N. Y.: American book company,
1934-1941.
2. Штомпка Т. Социология социальных изменений. М.: Аспект Пресс, 1996.
3. Чуй К. Введение в вэйвлеты. М.: Мир, 2001.
4. Дьяконов В. П. Вейвлеты. От теории к практике. М.: Солон, 2002.
5. http://www. matlab.ru.
6. База данных ВЦИОМ.
7. Granovetter M. Threshold Models of Diffusion and Collective Behavior.//J. of
Mathematical Sociology. 1983. V. 9. № 1. P. 165-179.
8. Давыдов А. Оптимальный уровень безработицы в СССР. // Социол. исслед.
1990. № 12. С. 37-42.
9. Historical Statistics of the United States. V. 1. Washington, 1975.
10. Statistical Abstract of the United States 2000. Washington, 2001.
Новые методы анализа социальных систем 155

11. Ли Д. А. Уголовно-статистический учет: структурно-функциональные зако-


номерности. М.: Русский мир, 1998.
12. Давыдов А. А. Модульный анализ и конструирование социума. М.: ИСАН, 1994.
13. Давыдов А. А., ЧураковА.Н. Модульный анализ и моделирование социума.
М.: ИСАН, 2000.
14. Шустер Г. Детерминированный хаос: введение. М.: Мир, 1988.
15. Кроновер Р. Фракталы и хаос в динамических системах. М.: Постмаркет, 2000.
16. Астафьева Н. М. Вейвлет-анализ: основы теории и примеры применения //
Успехи физических наук. 1996. Т. 166. № 11. С. 1145—1170.
17. DavidovA. Intermedity — Basic State of Social Systems?// Systems Research.
1993. V. 10. P. 81-84.
18. Плотинский Ю. М. Теоретические и эмпирические модели социальных про-
цессов. М.: Логос, 1998.
19. Gallup Report. 1987. № 264.
20. Japan Statistical Yearbook. Tokyo, 1989.
21. Statistisches Jahrbuch der Schweiz. Basel, 1988.
22. Armuaire statistique de la Belgique. Braxelles, 1989.
23. УрланисБ. Ц. Избранное. М.: Мысль, 1985.
24. Labour Force Statistics. 1967-1987. Paris, 1989.
25. The Mannheim Eurobarometer Trend File: 1970-1999 / Ed. E. Scholz, H. Schmitt.
Mannheim, 2001.
26. Annual Abstract of Statistics. London, 2000.
27. http://www. fom.ru.
28. Wavelet Analysis and Its Applications. V. 2, San-Diego, Academ. Press, 1992.
29. Bertalanffy L. von. General System Theory: Foundation, Development, Applica-
tions. London, 1971.
30. Рикитаке Т. Предсказание землетрясений. М.: Мир, 1979.

§ 3. «Нейронные» сети для выявления


факторной структуры социальных систем
В последние годы для аппроксимации (приближения) функций, клас-
сификации, распознавания образов, прогнозирования и решения других
задач широко используют «нейронные» сети. Существует множество мо-
нографий, учебников, справочных руководств, например [1—8], где приво-
дятся основы теории «нейронных» сетей, различные классы «нейронных»
сетей, алгоритмы их обучения, сравнение различных архитектур сетей и
алгоритмов обучения, примеры эффективности использования «нейрон-
ных» сетей, компьютерной реализации «нейронных» сетей и т. д. Также
существует множество специализированных компьютерных систем «ней-
156 Глава 3

ронных» сетей, например, BrainMaker, NeuroShell, NeuroSolutions, с демо-


версиями которых можно ознакомиться в Интернете, «нейронные» сети
используются в системах Data Mining and Knowledge Discovery (добыча
знаний). Во многих информационно-аналитических центрах постоянно
используют «нейронные» сети для анализа информации. В целом, за ру-
бежом «нейронные» сети являются компьютерной моделью Neurocomputer
Science (нейрокомпьютерной пауки), имеющей свою теорию, основанную
на доказательстве математических теорем и компьютерных вычислитель-
ных экспериментах. В зарубежных Университетах на факультетах Compu-
ter Science (компьютерной науки) существует специальность Neurocompu-
ter Engineering, в рамках которых изучают NeuroComputing (нейровычис-
ления) — теорию и практику построения, обучения и использования
«нейронных» сетей.
Широкое распространение «нейронных» сетей было обусловлено
следующими обстоятельствами. «Нейронные» сети позволяют более точ-
но, по сравнению со стандартными математическими и статистическими
методами, осуществлять распознавание образов, классификацию и про-
гнозирование. Они могут классифицировать и прогнозировать любые
данные: количественные, качественные и данные смешанной природы,
часть из которых является количественными, а часть качественными. За-
висимых и независимых переменных в «нейронной» сети может быть
множество, в отличие, например, от регрессионного анализа, где зависи-
мая переменная может быть только одна, что существенно расширяет воз-
можности анализа информации. Хотя формальный математический аппа-
рат построения и обучения «нейронных» сетей является довольно слож-
ным, от пользователя не требуется специальных математических знаний
для использования «нейронной» сети, поскольку многие современные
«нейронные» сети, например, STATISTICA Neural Networks [9], Alyuda Fo-
recaster XL [10], Neuro Builder [11] и т. д., работают в автоматическом ре-
жиме. В частности, автоматический конструктор «нейронных» сетей Neu-
ro Builder [11] генерирует около 1000 различных архитектур сети и затем
выбирает из них оптимальную архитектуру сети.
В зарубежной социологии, в рамках Computational Sociology, исполь-
зуют «нейронные» сети, как компьютерную модель социальных явлений
или процессов [12], например, религиозной веры [13]. Вместе с тем, в со-
циологии относительно редко используют «нейронные» сети как компью-
терную модель структуры социальных систем. Традиционное возражение
против использования «нейронных» сетей в социологии состоит в сле-
дующем. «Нейронная» сеть является так называемым «черным ящиком»,
который может точно классифицировать и прогнозировать данные, но но-
вой содержательной информации об изучаемом явлении или процессе
дать не может, поскольку «нейронная» сеть предназначена для формаль-
Новые методы анализа социальных систем 157

ной аппроксимации (приближения) эмпирических данных. Однако, с точ-


ки зрения автора, которая базируется на практике работы с «нейронными»
сетями, «нейронные» сети являются адекватной содержательной компью-
терной моделью структуры социальных систем и позволяют по известным
Входным и выходным «нейронам» выявить неизвестную структуру соци-
альной системы.
В данном разделе рассматриваются теоретические и эмпирические
возможности «нейронных» сетей в выявлении ненаблюдаемой структуры
социальных систем. Поскольку многие отечественные социологи недоста-
точно знакомы с теорией и практикой использования «нейронных» сетей,
то автор по ходу изложения будет давать необходимые разъяснительные
комментарии.

Основы использования «нейронных» сетей для


выявления неизвестной структуры социальных систем
В теории социальных систем, которая базируется на общей теории
систем [14], структура системы — это множество взаимосвязанных эле-
ментов, расположенных на т иерархических уровнях, где т = \,2,...
При этом, структура социальной системы может быть двух типов. Пер-
вый тип — структура строения, которая описывает элементы социальной
системы, например, индивидов. Второй тип — факторная структура, ко-
торая описывает взаимодействие системообразующих факторов, дейст-
вующих в системе. Под данное определение структуры социальной сис-
темы попадает структура «нейронной» сети. В качестве иллюстрации на
рис. 3.20 представлена одна из самых простых архитектур «нейронной»
сети прямого распространения (без обратных связей) с одним скрытым
слоем. Рисунок заимствован автором из [5].
158 Глава 3

Если использовать более привычную социологам статистическую


терминологию, принятую в регрессионном анализе, то входной слой
(входные «нейроны») — независимые переменные, выходной слой (вы-
ходные «нейроны») — зависимые переменные.
Между структурой социальных систем и структурой «нейронных»
систем существуют сходства. В соответствии с предельно общим опре-
делением системы, принятым в общей теории систем [14], система —
это множество взаимосвязанных элементов. Под данное определение
попадают как социальные системы, так и «нейронные» сети, поскольку
«нейронная» сеть является множеством взаимосвязанных «нейронов»
(элементов), что хорошо видно на рис. 3.20. В общей теории систем [14]
одним из постулатов является зависимость функционирования системы
от ее структуры, аналогично и в теории «нейронных» сетей. В социаль-
ной системе все связано со всем за счет прямых и обратных связей, в
«нейронной» сети можно реализовать аналогичную архитектуру. Каж-
дый элемент в социальной системе и «нейрон» в «нейронной» сети об-
ладает некоторым уровнем активации. В социальных системах обычно
наблюдаются нелинейные взаимодействия между элементами, в «ней-
ронных» сетях также используются нелинейные зависимости между
«нейронами», в частности, в социальных системах часто наблюдаются
логистические зависимости и в «нейронных» сетях часто используют
данную нелинейную зависимость [5]. В социальных системах можно
выделить «вход» и (или) «выход» системы, аналогично и в «нейронных»
сетях. В социальных системах существуют иерархические уровни, со-
стоящие из множества элементов, аналогично в «нейронных» сетях су-
ществуют так называемые «скрытые» слои, состоящие из множества
«нейронов». В социальных системах и «нейронных» сетях происходит
одновременная параллельная обработка информации.
Если структура социальной системы известна, то данную структуру
можно описать с помощью соответствующей структуры «нейронной» се-
ти. Например, если социальная система состоит, допустим, из 100 инди-
видов и отсутствует иерархическая структура, что соответствует классу
социальных систем с одним скрытым слоем, то количество «нейронов»
будет 100. Если в социальной системе имеются, допустим, два иерархиче-
ских уровня, на первом уровне имеется 100 индивидов (подчиненные), а
на втором уровне имеется 10 индивидов (руководители), то данная струк-
тура легко задается в «нейронной» сети. В целом, существующие много-
численные основные классы архитектуры «нейронной» позволяют опи-
сать множество возможных социальных структур. Кроме того, поскольку
современные нейропакеты обладают открытой архитектурой, т. е. имеют
встроенный язык программирования, с помощью которого пользователь
может самостоятельно запрограммировать любую структуру «нейронной»
Новые методы анализа социальных систем 159

сети (количество «нейронов», скрытых слоев, вид нелинейной функции


взаимодействия между «нейронами» и т. д.), то можно построить структу-
ру «нейронной» сети, которая будет соответствовать известной структуре
анализируемой социальной системы.
В настоящее время существует несколько десятков базовых архитек-
тур «нейронной» сети с наличием или отсутствием обратных связей,
«контекстуальными» «нейронами» и т. д. [2, 3, 5]. Между «нейронами»
может задаваться множество различных зависимостей, например, в моду-
ле Neural Network пакета MATLAB (версия 6.5) [6] имеется 12 классов
различных нелинейных передаточных функций, которые могут использо-
ваться для построения «нейронной» сети. Также имеется несколько десят-
ков функций активации каждого «нейрона» и его ответной реакции. В це-
лом, «нейронные» сети предоставляют обширные возможности для моде-
лирования структур социальных систем.
Для выявления неизвестной факторной структуры социальной сис-
темы требуется выбрать такую архитектуру «нейронной» сети, которая
бы точно аппроксимировала (приближала) значения известных входных
и выходных нейронов, подбирая значения весовых коэффициентов «ней-
ронов» в скрытом слое (слоях). Для этой цели в Neurocomputer Science
[2, 3, 6, 8] используют множество алгоритмов обучения «нейронных»
сетей, число которых составляет несколько десятков. Для конкретного
решения поставленной задачи можно использовать три содержательные
модели.
Модель минимальной структуры факторов. Данная модель выте-
кает из старейшего фундаментального принципа естествознания, согласно
которому Природа во всех своих проявлениях стремится к экономии. Дан-
ный принцип действует и в социальных системах (см. раздел данной кни-
ги «Системное определение понятия «общество»). Исходя из данного
принципа следует выбрать максимально простую нейронную сеть из мно-
жества возможных «нейронных» сетей, которые дают одинаковые резуль-
таты. В теории «нейронных» сетей [5, с. 59] приводятся следующие оцен-
ки для минимальной «нейронной» сети (1-4).

(1)

где
т — размерность выходного сигнала;
N — число элементов обучающей выборки;
и — размерность входного сигнала;
L,,— количество синаптических весов.
160 Глава 3

(2)

где L — число «нейронов» в двухслойной сети.

(3)

(4)

Из (2-4) вытекает, что структура «нейронной» сети зависит от раз-


мерности данных, т. е. чем больше размерность входного и выходного сиг-
нала, тем сложнее структура «нейронной» сети.
Если исходить из социологической теории минимального универсу-
ма, развиваемой В. Г. Немировским [15] и его учениками, то тогда ми-
нимальное количество элементов «нейронной» сети может быть равно
двум, минимальное количество скрытых слоев — три. Если исходить из
того, что на мнение респондентов оказывают влияние две группы факто-
ров, внешние (социальные) и внутренние (психологические свойства
личности и т. д.), то тогда минимальное количество скрытых слоев будет
равно двум, что соответствует двум группам факторов. В каждом слое
количество нейронов может соответствовать количеству (внешних) или
внутренних факторов, минимальное количество нейронов на каждом
уровне — 1.
В целом, можно сказать, что минимальная структура социальной
системы может быть следующей: 1 «нейрон» в одном скрытом слое.
При данном содержательном подходе минимальную структуру «ней-
ронной» сети можно интерпретировать как скрытую (ненаблюдаемую)
минимальную структуру социальной системы, в частности, минималь-
ное количество «нейронов» интерпретировать как количество ненаблю-
даемых факторов, действующих в социальной системе. Данный подход
используется в автоматических конструкторах «нейронных» сетей [16],
где поиск оптимальной структуры «нейронной» сети начинается с ми-
нимальной структуры, а затем на каждом шаге итерации происходит
усложнение структуры (увеличивается количество нейронов и «скры-
тых» уровней) до тех пор, пока аппроксимация значений выходных
«нейронов» не достигнет заданной точности приближения. В этой связи
отметим, что использование переборных алгоритмов требует слишком
большого времени для больших объемов информации и поэтому во
многих автоматических конструкторах «нейронных» сетей перебор на-
чинают с некоторой оптимальной структуры.
Новые методы анализа социальных систем 161

Модель оптимальной факторной структуры. При использовании


факторного анализа и многомерного шкалирования для эмпирического
анализа социологических данных оптимальное количество ненаблюдае-
мых факторов обычно не превышает семи, а наиболее часто принимается
значение равное 2-4 [17]. В теории «нейронных» сетей [5, с. 58] известно
следующее утверждение. Для любого множества пар входных-выходных
векторов произвольной размерности {(Xk>Yk), к = 1,...,N}существует
двухслойная однородная «нейронная» сеть с последовательными связями,
с сигмоидальными передаточными функциями и с конечным числом ней-
к
ронов, которая для каждого входного вектора Х , формирует соответст-
k
вующий ему вектор Y . Из данного утверждения вытекает, что данная
структура «нейронной» сети является оптимальной, т. е. позволяет одина-
ково хорошо решать различные задачи, в частности, аппроксимации (при-
ближения) функций, классификации и распознавания образов. Теорема
Хехт-Нильсена [цит. по: 7] доказывает представимость функции многих
переменных достаточно общего вида с помощью двухслойной нейронной
сети с прямыми полными связями с п нейронами входного слоя, (2и + 1)
нейронами скрытого слоя с заранее известными ограниченными функ-
циями активации (например, сигмоидальными) и m нейронами выходного
слоя с неизвестными функциями активации, что также используется для
построения оптимальной архитектуры «нейронной» сети. В этой связи
отметим, что исходя из общей теории систем [14] два скрытых слоя можно
отождествить с наличием в системе двух групп факторов, а именно, внеш-
них и внутренних. В частности, при анализе одномерных частотных рас-
пределений ответов респондентов в опросах общественного мнения од-
ним скрытым слоем может быть фактор «Множество социальных ситуа-
ций», в которых находятся респонденты, а другим фактором — «Множе-
ство индивидуальных различий респондентов», например психологиче-
ские и иные типы респондентов.
Модель оптимальной факторной структуры может быть конкретизи-
рована для решения конкретных задач. Так, например, известно [2, 3, 5],
что наиболее «быстрыми» для обучения являются «нейронные» сети клас-
са RBF (Radial basis function), для прогнозирования динамических процес-
сов лучше использовать рекуррентные «нейронные» сети, например,
TLRN (Time lagged recurrent networks) и т. д. При использовании данного
критерия, структуру «нейронной» сети можно интерпретировать как
скрытую (ненаблюдаемую) факторную структуру, эффективную для ре-
шения конкретной задачи, стоящей перед социальной системой.
Модель максимальной структуры факторов. Здесь предполагается,
что в системе действует множество факторов и отсутствует иерархическая
структура в системе. Тогда выделяется один скрытый уровень, а количест-
162 Глава 3

во «нейронов» выбирают максимальным (сколько позволяет используе-


мый нейропакет). Теоретическим основанием данного подхода является
теорема Funahachi [цит. по: 5, с. 101], согласно которой бесконечно боль-
шая «нейронная» сеть с единственным скрытым слоем способна аппрок-
симировать любую непрерывную функцию.
Для вычислительной реализации поставленной задачи можно исполь-
зовать различные стратегии, которые определяются наличием соответст-
вующих нейропакетов и производительностью компьютера. Если исполь-
зовать профессиональные индустриальные системы «нейронных» сетей и
соответствующий мощный компьютер, транспьютер (распределенный
компьютер со множеством процессоров, которые работают параллельно),
специальный нейрокомпьютер или компьютер со специальной нейропла-
той, то для решения поставленной задачи для небольшого количества
входных нейронов можно использовать алгоритм полного перебора струк-
тур или «ограниченного сверху» перебора, начиная с минимальной струк-
туры с помощью наиболее эффективного генетического алгоритма обуче-
ния «нейронной» сети. По результатам обучения выбирается та мини-
мальная структура, которая наиболее точно аппроксимирует известные
выходные «нейроны». Можно использовать многошаговые процедуры,
например, когда на первом шаге с помощью вейвлет-анализа (см. раздел
данной книги «Вейвлет-анализ социальных процессов») определяется
количество скрытых уровней в динамике системы, а на втором шаге ис-
пользуется алгоритм полного перебора вариантов. В этой связи отметим,
что в Neurocomputer Engineering предварительный анализ данных — необ-
ходимый этап перед конструированием «нейронной» сети, например, в
MATLAB [18] существуют, пакеты, которые позволяют провести фрак-
тальный анализ, вейвлет-анализ, стандартный статистический анализ вре-
менных рядов, а затем построить «нейронную» сеть.
Если имеется стандартный автоматический конструктор «нейрон-
ных» сетей, то с его помощью можно быстро выявить оптимальное ко-
личество «нейронов» и скрытых слоев, а на втором шаге методом полно-
го перебора находится минимальная структура. Можно на первом шаге
использовать «ограниченный сверху» алгоритм перебора с использова-
нием наиболее быстрого алгоритма обучения, а на втором шаге выбран-
ная структура «нейронной» сети конкретизируется на предмет мини-
мального количества «нейронов» с помощью более эффективного, но
медленного генетического алгоритма обучения. В этой связи отметим,
что выбор минимальной структуры «нейронной» сети при максимальной
аппроксимации исходных данных — стандартная оптимизационная вы-
числительная задача, для решения которой в теории и практике
Neurocomputer Science (нейрокомпьютерной науки) существует множе-
ство подходов и вычислительных методов [16].
Новые методы анализа социальных систем 163

Примеры использования базовых архитектур


«нейронной» сети для выявления неизвестных
факторов в социальных системах
В данном исследовании автор поставил следующую частную задачу.
По известным входным и выходным «нейронам», с помощью методов
NeuroComputing (нейровычислений), требуется выявить базовую архитек-
туру «нейронной» сети, которая бы соответствовала неизвестной фактор-
ной структуре исследуемой социальной системы.
Для проверки возможности выявления скрытой факторной структуры с
помощью базовых архитектур «нейронных» сетей автор с помощью генера-
тора случайных чисел сгенерировал 100 равномерно распределенных слу-
чайных чисел в интервале 1-10. Поскольку в данной последовательности
случайных чисел отсутствует скрытая факторная структура, т. е. каждое
случайное число независимо от остальных случайных чисел, то «нейрон-
ная» сеть должна показать отсутствие факторной структуры. Для проверки
был использован автоматический конструктор «нейронных» сетей Alyuda
Forecaster XL [10]. В качестве входных «нейронов» выступали порядковые
номера последовательности случайных чисел, выходные «нейроны» —
случайные числа. Alyuda Forecaster XL показал, что при 28 скрытых «ней-
ронах» аппроксимация данной случайной последовательности неудовле-
творительная. Таким образом, автоматический конструктор подтвердил,
что в данной случайной последовательности отсутствует минимальная
факторная структура. Для более точного вывода автор также проанализи-
ровал данную случайную последовательность с помощью «нейронной»
сети класса RBF (Radial basis function) с использованием самого быстрого
алгоритма обучения, из пакета Neurosolutions [19]. Количество эпох обу-
чения — 6100. Выбор данного класса архитектуры «нейронной» сети был
обусловлен тем обстоятельством, что сеть класса RBF обучается макси-
мально быстро. Проведенные вычисления при £ = 1,..., 100, где £ — ко-
личество «нейронов» в одном скрытом слое, показали, что величина ап-
проксимации ( г ) — коэффициент корреляции Пирсона при L = 10 соста-
вил г = 0,426, при £ = 3 0 составил г = 0,414, а при £ = 1 0 0 составил
г = 0,44. Таким образом, с увеличением количества «нейронов» в скры-
том слое величина аппроксимации данных значительно пе увеличивается
и является неудовлетворительной. Таким образом, сеть класса RBF также
показала отсутствие скрытой факторной структуры в данной последова-
тельности случайных чисел. В этой связи отметим, что из теории «ней-
ронных» сетей [4] известно следующее. При увеличении количества «ней-
ронов» в скрытом слое (слоях) и при увеличении эпох обучения можно
точно аппроксимировать любую последовательность, однако количество
«нейронов» будет очень большим, что соответствует механизму образова-
164 Глава 3

ния случайных чисел. В целом, проведенные вычислительные экспери-


менты показали, что «нейронная» сеть может правильно установить факт
отсутствия скрытой факторной структуры в данных.
В качестве второго тестового примера проанализируем динамику
числа авиакатастроф в мире, повлекших человеческие жертвы, представ-
ленную в табл. 3.2.

Таблица 3.2
Динамика количества авиакатастроф в мире

Год Количество авиакатаст-


роф в мире
1971 32
1972 41
1973 36
1974 29
1979 31
1981 21
1982 26
1986 17
1987 26
1988 25
1989 27
1990 22
1991 25
1992 29
1993 34
1994 28
1995 26
1996 23
1997 26
1998 22
Примечание. Источник цитирования [20].
Новые методы анализа социальных систем 165

Выбор данного примера был обусловлен тем обстоятельством, что


скрытая факторная структура здесь была заранее известна, а именно, из-
вестно, что на количество авиакатастроф влияют три фактора, которые
обобщенно называют «Человеческий фактор», «Отказы техники» и «При-
рода» (окружающая среда) [20] .Таким образом, данный пример являлся
тестовым для проверки возможности с помощью «нейронной» сети вы-
вить скрытую факторную структуру во временном ряде. В этой связи осо-
бо подчеркнем, что факторный анализ и многомерное шкалирование,
предназначенные для выявления скрытой структуры, здесь неприменимы.
Для выявления скрытой факторной структуры автор использовал сле-
дующую трехшаговую процедуру. На первом шаге использовался автома-
тический конструктор «нейронной» сети Alyuda Forecaster XL [10], где в
качестве «входных» нейронов использовалась колонка «Год», а в качестве
«выходных» нейронов использовалась колонка «Количество авиакатаст-
роф в мире» из табл. 3.2. С помощью автоматического конструктора Aly-
uda Forecaster XL было установлено, что удовлетворительно аппроксими-
ровать исходные данные можно с помощью 12 «нейронов» па одном скры-
том уровне. Полученный результат выступал в качестве «верхней» грани-
цы для последующего полного перебора структур «нейронных» сетей. На
втором шаге осуществлялась «прогонка» всех базовых архитектур сети,
реализованных в пакете Neurosolutions [19]. Использовался один скрытый
слой при L = 1,...,12 , где L — количество нейронов в скрытом слое при
1000 итерациях самым быстрым методом обучения «нейронной» сети.
Полученные результаты представлены в табл. 3.3.

Таблица 3-3
Результаты аппроксимации

Количе- Архитектура «нейронной» сети


ство
«нейро-
RBF JEN RN GFF МР SOFM TLRN РСА
нов»
1 0,797 0,707 0,642 0,551 0,691 0,691 0,217 0,691
2 0,823 0,706 0,611 0,694 0,740 0,691 0,494 0,744
3 0,799 0,707 0,532 0,545 0,788 0,691 0,567 0,741
4 0,802 0,706 0,534 0,693 0,745 0,704 0,103 0,788
Примечание.
г — коэффициент корреляции Пирсона;
RBF — Radial basis function;
JEN — Jordan and Elman networks;
166 Глава 3

RN— Reccurent networks;


GFF — Generalized feedforward networks;
MP — Multilayer perceptrons;
SOFM — Self-organizing feature maps;
TLRN — Time lagged recurrent networks;
PCA — Principal component analysis networks.

Из табл. 3.3 следует, что наибольшую величину аппроксимации


(г = 0.823) при минимальном количестве «нейронов», имеет сеть RBF, а
именно, два «нейрона» аппроксимируют количество авиакатастроф в мире
в зависимости от времени. Особо отметим, что данное значение аппрок-
симации является экстремальным, а последующее увеличение количества
«нейронов» приводит к снижению меры аппроксимации. Данный факт
может служить одним из критериев адекватного выявления факторной
структуры.
На третьем шаге с помощью максимально эффективного генетиче-
ского алгоритма обучения [21] выбиралось архитектура сети, которая
при минимальном количестве «нейронов» давала максимальную величи-
ну аппроксимации «выходных» нейронов. При этом варьировалось коли-
чество «нейронов» в скрытом слое L = 1,2,3,4 для более обоснованного
решения.
В табл. 3.4 представлены результаты обучения сети RBF при
L = 1,2,3,4 с помощью генетического алгоритма. Параметры генетиче-
ского алгоритма обучения были следующими: количество эпох — 1000,
количество хромосом — 50, количество поколений — 100, вероятность
кроссовера (кроссинговера) — 0,9, вероятность мутаций — 0,01.

Таблица 3.4
Результаты обучения сети RBF
с помощью генетического алгоритма

Количество Величина аппрок-


«нейронов» симации (г)
1 0,92
2 0,884
3 0,95
4 0,837

Из табл. 3.4 следует, что три ненаблюдаемых фактора максимально


аппроксимируют количество авиакатастроф в зависимости от времени.
Новые методы анализа социальных систем 167

Полученный результат полностью согласуется с известными фактами [20],


что на количество авиакатастроф оказывают влияние три фактора, а имен-
но, «Человеческий фактор», «Отказы техники» и «Природа».
Для контроля полученного результата была снова построена «ней-
ронная» сеть класса RBF с тремя «нейронами» в одном скрытом слое по
данным из табл. 3.2, где значение количества авиакатастроф за 1998 г. не
участвовало в обучении «нейронной» сети, а использовалось для контроля
прогноза. Обучение осуществлялось с помощью генетического алгоритма,
параметры которого соответствовали параметрам, используемым на пре-
дыдущем шаге. После обучения построенная «нейронная» сеть RBF с
тремя «нейронами» на одной скрытом слое, предсказала значение количе-
ства авиакатастроф за 1998 г. равное 22,229, что при округлении до целого
числа дает значение 22. Полученное значение авиакатастроф в мире, точно
соответствует известному значению за 1998 г. из табл. 3.2. Таким образом,
имеется еще один прогностический аргумент, что найденная структура
«нейронной» сети может соответствовать ненаблюдаемой факторной
структуре, обуславливающей количество авиакатастроф в мире с течением
времени.
Рассмотрим теперь архитектуру сети RBF, схематически представ-
ленную на рис. 3.21-3.22.

Сеть RBF(Radial basis function) [3, 5] является сетью без обратных


связей, которая содержит скрытый слой радиально симметричных «скры-
тых» нейронов, которые не связаны между собой и описываются функци-
ей Гаусса (нормальным распределением). Расположение центров распре-
168 Глава 3
_ ^
делений соответствует центрам кластеров, присутствующим в исходных
данных. Выходной слой сети является линейным, т. е. влияние каждого
«нейрона» с соответствующими «весами» суммируется. Выявленная авто-
ром сеть RBF содержала 5 кластеров и три нормально распределенных
скрытых «нейрона», расстояние между центром кластера и входным век-
тором значений соответствовало метрике Евклида. Таким образом, име-
ются основания предполагать, что ненаблюдаемые факторы «Человече-
ский фактор», «Отказы техники» и «Природа», которые оказывают влия-
ние на количество авиакатастроф в мире, являются независимыми, нор-
мально распределенными факторами, влияние которых суммируется. По-
лученный результат соответствует критериям, предъявляемым к компью-
терным гипотезам в Computational Sociology и может быть проверен в по-
следующих специально организованных исследованиях с использованием
регрессионного и (или) факторного анализа. В целом, проведенные вы-
числительные эксперименты показали, что с помощью одной из базовых
архитектур «нейронной» сети можно выявить скрытую факторную струк-
туру социальной системы.
В качестве примера выявления неизвестной факторной структуры со-
циальной системы автор проанализировал также динамику доли дове-
ряющих Г. Явлинскому за период апрель 1994 г. — март 2001 г. (всего 44
момента времени) по данным ВЦИОМ [22]. В качестве контрольной точ-
ки, которая не участвовала в поиске и обучении «нейронной» сети, высту-
пало значение 3,9 % доверяющих Г. Явлинскому в апреле 2004 г. [22]. Вы-
бор данного примера был обусловлен тем обстоятельством, что для данно-
го временного ряда уже был проведен фрактальный и вейвлет-анализ
(см. разделы данной книги «Фрактальный анализ социальных процессов»
и «Вейвлет-анализ социальных процессов»), поэтому некоторые особен-
ности данного временного ряда были уже известны.
Входные «нейроны» — моменты времени, выходные «нейроны» —
доля доверяющих Г. Явлинскому. Методика выявления факторной струк-
туры была аналогичной предыдущему примеру, за исключением двух мо-
ментов. Во-первых, па втором шаге обучение при различной архитектуре
«нейронной» сети сразу начиналось с генетического алгоритма, как наи-
более эффективного для обучения. Во-вторых, выбор сети осуществлялся
также с учетом точности прогнозирования 3,9 % доверяющих Г. Явлинско-
му в апреле 2004 г., которое было заранее известно [23]. Параметры гене-
тического алгоритма были аналогичными, как и в предыдущем примере.
Проведенный анализ показал, что максимальную величину аппроксима-
ции (г = 0,84) имела минимальная сеть класса RBF с четырьмя «нейро-
нами» в одном скрытом слое, которая абсолютно точно спрогнозировала
долю доверяющих Г. Явлинскому в апреле 2004 г. Полученные результаты
для сети RBF представлены в табл. 3.5.
Новые методы анализа социальных систем 169

Таблица 3.5
Величина аппроксимации для сети RBF

Прогноз на апрель 2004 г.


Количество Величина ап-
(3,9 % доверяющих
«нейронов» проксимации (г)
Г. Явлинскому в апреле 2004 г.)
1 0,826 4,9
2 0,832 5,4
3 0,831 4,6
4 0,840 3,9
5 0,805 5,7
6 0,817 4,5

Доказательством правдоподобности выявленной структуры явл* л с я


тот факт, что построенная «нейронная» сеть абсолютно точно предсказала
долю доверяющих Г. Явлинскому в апреле 2004 г., которая составляла
3,9 %. В этой связи отметим, что «нейронные» сети с другой архитектурой
и более точно аппроксимирующие исходные данные дали ошибочные про-
гнозы. Так, например, частично-реккурентная сеть JEN (Jordan and E l i n a n
networks) с четырьмя «нейронами» предсказала значение 8,1 % для ДРЛИ
доверяющих Г. Явлинскому при уровне аппроксимации исходных даш 1 Ы Х
[г = 0,896), сеть SOFM (Self-organizing feature maps) с четырьмя «нейро-
нами», предсказала значение 8,1 % доверяющих Г. Явлинскому при уров н е
аппроксимации исходных данных (г = 0,865), сеть TLRN (Time lagg e d
recurrent networks) с четырьмя «нейронами» предсказала значение 4,6 %
доверяющих Г. Явлинскому при уровне аппроксимации исходных данных
(г = 0,847). Таким образом, для выявления факторной структуры в соци-
альных системах с помощью «нейронных» сетей целесообразно использо-
вать также контрольные наблюдения для определения устойчивости фак-
торной структуры.
В этой связи особо подчеркнем, что «нейронная» сеть обучалась п а
периоде — 1994-2001 гг.), а правильный прогноз дала на апрель 2004 г.,
т. е. через три года, что может свидетельствовать о наличии устойчивой
минимальной факторной структуры в динамике доли доверяющих
Г. Явлинскому. Данный вывод подтверждается тем обстоятельством, ^т 0
динамика доли доверяющих Г. Явлинскому обладает мультифракталЫЮ"
стью и имеет аттрактор — притягивающий режим функционирования
(см. раздел данной книги «Фрактальный анализ социальных процессов»)-
170 Глава 3

Полученные результаты позволяют предполагать, что на долю дове-


ряющих Г. Явлинскому оказывают влияние четыре независимых друг от
друга нормально распределенных фактора, влияние которых суммируется.
Полученный результат может быть проверен в последующих специально
организованных исследованиях с использованием множественного рег-
рессионного анализа или факторного анализа. В частности, напомним, что
факторный анализ позволяет выявить количество ненаблюдаемых факто-
ров, измерить меру независимости факторов, но самое главное, позволяет
дать содержательную интерпретацию ненаблюдаемым факторам.
Полученные результаты показывают, что динамика числа авиакатаст-
роф в мире описывается минимальной структурой с тремя «нейронами», а
динамика доли доверяющих Г. Явлинскому описывается с помощью четы-
рех «нейронов». Полученные результаты соответствует теории «нейрон-
ных» сетей, в частности (2-4), поскольку динамика авиакатастроф наблю-
далась 20 моментов времени, а динамика доли доверяющих Г. Явлинскому
наблюдалась 44 момента времени, т. е. размерность входных и выходных
сигналов у дашшх социальных процессов была разной. Обратим также
внимание, что в динамике числа авиакатастроф в мире и в динамике доли
доверяющих Г. Явлинскому имеется минимальная факторная структура
одного класса, а именно, RBF (Radial basis function). С точки зрения тео-
рии «нейронных» сетей [5] «нейронные» сети класса RBF являются наи-
более простыми, а отсутствие обратной связи гарантирует безусловную
устойчивость сета. Может быть поэтому они выступают в качестве устой-
чивой минимальной факторной структуры в динамике различных соци-
альных систем?
В заключение данного раздела отметим следующее. Использование
«нейронной» сети для выявления неизвестной факторной структуры в
социальных системах хорошо иллюстрирует один из методологических
принципов общей теории систем [24], согласно которому компьютерный
имитационный эксперимент — это лаборатория науки о системах. На дан-
ном методологическом принципе общей теории систем основана
Computational Sociology, в рамках которой «нейронные» сети выступают
как современное средство имитационного моделирования.

Литература
1. Bishop С. Neural Networks for Pattern Recognition. Oxford: Oxford University
Press, 1995.
2. HaykinS. Neural Networks: A Comprehensive Foundation. N. Y.: Prentice Hall,
1998.
3. Principe J., EulianoN., Lefebvre W. Neural and Adaptive Systems: Fundamentals
Through Simulations. N. Y.: John Wiley & Sons, 2000.
4. Галушкин А. И. Теория нейронных сетей. М.: ИПРЖР, 2000.
Новые методы анализа социальных систем 171

5. Круглое В. В., Дчи М. А., Голунов Р. Ю. Нечеткая логика и искусственные ней-


ронные сети. М.: Изд-во Физматлит, 2001.
6. Медведев В. С, Потемкин В. Г. Нейронные сети. MATLAB 6. М.: Диалог-
МИФИ, 2002.
7. Круглое В. В. Искусственные нейронные сети: теория и практика. М.: Горячая
Линия — Телеком, 2002.
8. Осовский С. Нейронные сети для обработки информации. М.: Финансы и ста-
тистика, 2002.
9. http://www.statsoft.com.
10. http://www.alyuda.com.
11. http://www.neuroproject.ru.
12. Garson G Neural Networks: An Introductory Guide for Social Scientists. N. C:
North Carolina Publ., 1998.
13. Bainbridge W. Neural Network Models of Religious Belief// Sociological Perspec-
tives. 1995. V. 38. № 4. P. 483-496.
14. Bertalanffy L. von. General System Theory: Foundation, Development, Applica-
tions. London, 1971.
15. НемировскийВ. Г., НевиркоД.Д., Гришаев С. В. Социология: классические и по-
стнеклассические подходы к анализу социальной реальности. М.: РГГУ, 2003.
16. VonkE., Johnson R. Automatic Generation of Neural Network Architecture Using
Evolutionary Computation. N. Y.: World Scientific Publishing, 1997.
17. Давыдов А. А. Респондент как источник информации. М.: ИСАН, 1993.
18. http://www. matlab.ru.
19. http://www. Neurosolutions.com.
20. Civil Aviation Statistics of the World. N. Y. ICAO, 1990-2001.
21. Назаров А. В., Лоскутов А. И. Нейросетевые алгоритмы прогнозирования и
оптимизации систем. СПб.: Наука и техника, 2003.
22. База данных ВЦИОМ.
23. http://www. wciom.ru.
24. КлирДж. Наука о системах: новое измерение науки // Системные исследова-
ния. Ежегодник. М.: Наука, 1983. С. 61-85.

§ 4. Логические методы анализа


социальных систем
Логические методы давно и широко используются в анализе систем
[1-4]. В связи с развитием компьютерных технологий, в частности,
Computer Science, Neurocomputer Science, в последние годы возрос инте-
рес исследователей к применению логических методов анализа систем [5,
6], которые реализованы в специализированных компьютерных системах
172 Глава 3

Data Mining, например, WizWhy [7], в «нейронных» сетях [8-11], системах


искусственного интеллекта [12-14], экспертных системах [15], которые
широко используются в управленческой практике [16]. Реализация про-
граммы «Геном человека» способствовала интересу исследователей к ло-
гико-комбинаторным методам анализа [17], которые стали широко исполь-
зоваться в анализе различных эмпирических данных не только в генетике.
Разработка подходов к созданию квантового компьютера способствовала
развитию квантовой логики [18]. В настоящее время для анализа систем
разработано и используется множество новых логик, например, квантовая
логика [18], субструктуральная логика [19], онтологическая логика [20],
различные варианты абдуктивной логики [21], темпоральной (временной)
логики [22, 23], «нечеткой» логики [8-11, 24], комбинаторных и эвристи-
ческих логик [12-14] и т. д. Кратко напомним особенности некоторых из
перечисленных логик.
Пороговая логика. Особенность пороговой логики [25] состоит в
том, что в ней задаются количественные и качественные пороги с помо-
щью различных функций, например, функции Кропекера (1).
Функция Кронекера

(1)

где и, от — числа
1 — социальное событие произошло, групповое решение принято
и т. д.
0 — социальное событие не произошло, групповое решение не при-
нято и т. д.
В настоящее время пороговая логика широко используется в «ней-
ронных» сетях [26]. Система Deep Data Diver VI.0 [27], разработанная под
руководством В. А. Дюка в Институте Информатики и Автоматизации
РАН, предназначена для поиска в разнородных данных if-then правил сле-
дующего вида:
Яу= IF (условие 1) & (условие 2) & ... & (условие N) THEN (ус-
ловие М)
Примеры условий: X - Cj, X < С2 , X > С 3 , СА<Х <С5 и т. д., где
X — какой либо параметр, С, — константы.
При оценке логических правил используются две характеристики —
точность и полнота. Точность правила Ry — это доля случаев Bj среди
случаев Л,. Полнота правила — это доля случаев Л,- среди случаев Bj .
Новые методы анализа социальных систем 173

Вычисляется также оценка уровня значимости правила. Пользователь мо-


жет изменять значения параметров допустимой ошибки правила и пара-
метра самоорганизации, в автоматическом или ручном режиме устанавли-
вать пороги для количественных переменных и т. д.
Основные характеристики системы Deep Data Diver. Нахождение
«лучших» (наиболее полных при заданной точности) if-then правил для
каждой записи базы данных, минимальные ошибки при решении задач
классификации и распознавания (имеется строгое математическое доказа-
тельство), построение и тестирование классификаторов данных на основе
if-then правил, построение «нечетких» if-then правил, построение дендро-
грамм и исследование метаструктуры множества правил.
Дополнительные характеристики системы Deep Data Diver. Линей-
ная зависимость времени работы алгоритма поиска от объема данных,
отсутствие ограничений на тип данных, работа в условиях пропусков в
данных, работа в условиях «засоренных» данных, использование приема
«данные + шум», способствующего выявлению устойчивых закономер-
ностей в данных, нахождение непериодических шаблонов сложной фор-
мы в числовых и символьных рядах, возможность распараллеливания
процесса поиска if-then правил.

Темпоральная логика. Особенность темпоральной логики [22, 23]


состоит в том, что в ней используются логические операторы «Прежде»,
«После», «Каждый раз» и т. д. Темпоральная логика используется в сис-
теме имитационного моделирования Stateflow, реализованной в пакете
MATLAB (версия 6.5) [28], в экспертных системах [23].

«Нечеткая» логика. Нечетким множеством (fuzzy set) над множе-


ством Q называется функция /л , отображающая множество Q в отре-
зок [0, 1]. Значение /л{х) интерпретируется как мера принадлежности
точки х к «нечеткому» множеству. В «нечеткой» логике [9-11, 24] ис-
пользуются вероятностные логические операторы, например, «Вероят-
ностное ИЛИ». Особенность «нечеткой» логики состоит в том, что в ней
используются различные вероятностные функции принадлежности для
логических высказываний, например, в модуле Fuzzy Logic Toolbox па-
кета MATLAB (версия 6.5) [28] используются 13 различных функций
принадлежности для «нечетких» вычислений, определенные логические
операции с «нечеткими» высказываниями и правила «нечеткого» вывода.
«Нечеткая» логика реализована в различных специализированных ком-
пьютерных системах, в частности, модуле Fuzzy Logic Toolbox пакета
MATLAB (версия 6.5) [24], в «нейронных» сетях [8-11], например в ней-
ропакете NeuroSolution (версия 4.21) [29]. В настоящее время разработа-
ны и и-мерные «нечеткие» логики, например, логика rough set («грубых»
174 Глава 3

множеств) [30], где каждому объекту ставятся в соответствие два числа,


первое число — мера принадлежности к «грубому» множеству, второе
число — уверенность в достоверности меры принадлежности. Логику
rough set [30] можно использовать в анализе эмпирических данных оп-
росов следующим образом. Одномерное частотное распределение отве-
тов респондентов на какой-либо вопрос — «нечеткое» число, доли отве-
тов на каждую градацию — мера принадлежности к «нечеткому числу»,
уверенность в достоверности полученных долей ответов респондентов
1-х, где х — доля затруднившихся ответить.
Квантовая логика. Квантовая логика [18] является вероятностной
логикой и ее особенность состоит в том, что в ней используются новые
логические операторы, в частности «Контролируемое ИЛИ», «Fanout»
(разворачивание), «Erase» (стирание). Обобщение логических операторов
«И», «Или», «Не», «Fanout» может быть осуществлено с помощью уни-
версального обратимого Тоффоли-гейта. Квантовая логика используется в
квантовых клеточных автоматах [31], предназначенных для моделирова-
ния квантовых систем.
В системах искусственного интеллекта [12-14] и экспертных систе-
мах [15] широко используются абдуктивпый и традуктивпый логические
выводы. Напомним, что метод абдукции был предложен логиком К. Пир-
сом [цит. по: 32]. Более подробно с абдукцией и яркими иллюстративными
содержательными примерами абдуктивных выводов заинтересованный
читатель может ознакомиться в учебнике Л. Г. Ионина [32]. Ниже приве-
ден один пример абдуктивного логического вывода.
Посылка. Все люди смертны.
Посылка. Сократ смертен.
Заключение. Сократ — человек.
«Подвох» примера с приведенным абдуктивным выводом состоит в
том, что, в данном случае, Сократ — кличка пса, и следовательно, данный
вывод является ложным. Иными словами, абдуктивный вывод — это гипо-
теза, которая используется для того, чтобы выявить существенные, систе-
мообразующие свойства объекта путем последующего сравнения заключе-
ния с множеством подтверждающих или опровергающих абдуктивное за-
ключение случаев. Данная процедура в системах искусственного интеллек-
та [12, 13] называется Case Based Reasoning (рассуждение на примерах) и
рассматривается как один из видов правдоподобных рассуждений.
Традукция — логическое умозаключение, в котором посылки и за-
ключения являются суждениями одинаковой общности, т. е. логический
вывод от частного к частному или от общего к общему. Здесь обычно не
устанавливают причинно-следственные связи, поскольку исследуемые
свойства и отношения могут быть сопутствующими. Наиболее известно
Новые методы анализа социальных систем 175

применение традукции к исследованию частоты встречаемости различ-


ных системных свойств в различных системах, осуществленное Уемо-
вым [3] в рамках параметрической общей теории систем. Совместно с
А. Н. Чураковым [33] автор данной книги выявил, что если в социальной
системе наблюдаются аддитивные закономерности у = xl+... + xn, то в
данной системе будут наблюдаться мультипликативные закономерности
у = хгх...ххп. Приведем еще один пример традуктивного вывода. Из
базы данных ВЦИОМ [34] за период 1994-2001 гг. выделим некоторые
градации ответов по различным вопросам, которые выбрали большинст-
во опрошенных респондентов. Ниже представлены отобранные автором
градации, которые устойчивы на периоде 1994-2001 гг.
Большинство опрошенных не вполне доверяли Правительству Рос-
сии, Государственной Думе РФ, республиканским, областным, краевым
органам власти, армии, милиции, суду, прокуратуре, средствам СМИ (пе-
чать, радио, телевидение).
Из представленных высказываний можно составить множество ком-
бинаций традуктивных выводов, комбинируя по 2, 3, ...,п высказываний.
Например, если большинство опрошенных россиян не вполне доверяют
милиции, то большинство опрошенных россиян не вполне доверяют Пра-
вительству России и наоборот. Приведенный пример показывает, что в
случае традуктивных умозаключений, можно выявить множество логиче-
ских закономерностей, содержательный анализ которых в короткие сроки
не представляется возможным. Данное обстоятельство накладывает суще-
ственное ограничение на использование систем автоматического поиска
логических закономерностей «если, то...», например системы WizWhy [7],
поскольку в данном случае действует общесистемный принцип «все свя-
зано со всем» и компьютерная система выявит слишком большое количе-
ство логических закономерностей, которые будут отражать не причинно-
следственные связи, а только логические закономерности между следст-
виями [35]. Системный подход позволяет в значительной мере решить
данную проблему, поскольку при данном подходе исследователь опирает-
ся на принцип системности [36], исходя из которого происходит теорети-
чески обоснованный отбор показателей для логического анализа социаль-
ной системы. Кроме того, уже известны некоторые системные закономер-
ности [36], которые ограничивают поиск возможных логических правил.
В настоящее время в системах системах Data Mining (см. раздел дан-
ной книги «Data Mining»), системах искусственного интеллекта [12, 13],
экспертных системах [15, 16], обычно используют не одну а, одновремен-
но, несколько различных логик для получения более обоснованных ре-
зультатов, либо одновременно используют несколько компьютерных сис-
тем, в которых реализованы различные логические системы. При этом
176 Глава 3

используют стандартный метод последовательных приближений, который


состоит в следующем. Сначала быстро выявляются достаточно грубые и
простые логические закономерности, а на последующих этапах использу-
ют более трудоемкие и точные методы для выявления более сложных ло-
гических закономерностей. В системах искусственного интеллекта [12, 13]
и экспертных системах [15], например, в среде CLIPS [37], используются
также различные логические процедуры для иерархического обобщения
найденных частных логических закономерностей.
Использование логических методов в анализе социальных систем
обусловлено трудностью измерения многих социальных явлений, а также
тем обстоятельством, что многие социальные закономерности являются
логическими по своей сути. В качестве иллюстрации приведем три при-
мера логических закономерностей, действующих в обществе.
Пример пороговой логики. Функция Кронекера (1) описывает при-
нятие групповых решений, признание собраний и выборов состоявшими-
ся, возможность вступления в брак, возможность баллотироваться на пост
Президента страны, уголовную ответственность, призыв на военную
службу, выход на пенсию с определенного возраста и множество других
социальных явлений. Данные примеры законодательно закреплены, оче-
видны и потому не представляют особого интереса для социологического
изучения. Значительно сложнее выявить предельно допустимые порого-
вые значения для функционирования социальных систем [38, 39]. (см. раз-
дел данной книги «Вейвлет-анализ социальных процессов»). Использова-
ние пороговой логики позволяет избежать известного еще древним грекам
парадокса «Куча» [40, с. 74], который возникает при использовании ин-
дуктивной логики при попытках определить общие понятия, для нашего
случая, такие понятия как «общество», «общественное мнение» и т. д.,
используя численность элементов. Напомним, что парадокс «Куча» фор-
мулируется следующим образом. Одна песчинка не есть куча песка. Если
и песчинок не есть куча песка, то и и +1 песчинка — тоже не куча. Сле-
довательно, никакое число песчинок не образуют кучи. Парадокс снимает-
ся, если применять пороговую логику, которая широко используется в сис-
темном анализе, поскольку при достижении некоторого порога численно-
сти элементов, в системе эмерджентно (неожиданно) возникают новые
свойства, несводимые к свойствам элементов.

Пример К. Поппсра [цит. по: 41, с. 218]. Если предложение товаров


недостаточно, цены фиксированы в адмшшстративном порядке, а система
санкций против нарушающих этот порядок слаба и ненадежна, то неизбеж-
ным следствием, как правило, является возникновение «черного» рынка.
Пример Р. Коллинза [42, с. 74]. Политический кризис возникает, ко-
гда государственный военный аппарат разлажен внутренним расколом
Новые методы анализа социальных систем 177

между элитами, в особенности, его поломка вероятна при военном пора-


жении и (или) при экономическом напряжении, к которому приводят дол-
говременные военные расходы, превышающие организационные возмож-
ности государства по сбору доходов.
Очевидно, что увеличение количества подобных логических законо-
мерностей является показателем прогресса социологии, как научной дис-
циплины. В Computational Sociology (см. раздел данной книги «Computa-
tional Sociology»), активно используют логические методы, в частности,
для моделирования социальных взаимодействий с помощью клеточных
автоматов, реализованных, например, в пакете Moduleco [43] или Mirek's
Cellebration (v. 4.20) [44]. Однако, в российской эмпирической социологии
наиболее часто используют стандартную вероятностную логику при ана-
лизе двумерных и многомерных таблиц сопряженности, а современные
логические методы анализа социальных систем используются явно недос-
таточно, о чем свидетельствуют научные публикации в российских социо-
логических журналах «Социологические исследования» и «Социология
4М» за период 1994-2004 гг.
В этой связи представляется целесообразным привлечь внимание
российских социологов к некоторым современным логическим методам
анализа, которые давно и успешно используются в анализе систем. В свя-
зи с наличием множества логик, которые используются для анализа сис-
тем, сложностью многих современных логик, особенно, используемых в
системах искусственного интеллекта, ниже будет приведен только один
пример логического прогнозирования. В данном примере осуществлялся
прогноз партийной принадлежности Президента США на основе системы
Data Mining «КСЕНИЯ» [45], разработанной с участием автора. Для до-
полнительной оценки надежности прогноза использовалась «нечеткая»
логика, реализованная в «нейронной» сети нейропакета NeuroSolution
(версия 4.21) [29]. Результаты выборов в 2000 г., в которых победил
Дж. Буш — республиканец [46], не участвовали в анализе, а использова-
лись в качестве контрольной точки для проверки прогноза.
В качестве эмпирических данных были взяты исторические данные
по США за период 1856-1996 гг. [46, 47]. Последовательность партий-
ной принадлежности Президентов США за данный период времени была
следующей (2).

1856 г. ... 1996 г.


DRRRRRRDRDRRRRDDRRRDDDDDRRDDRRDRRRDD, (2)
где
D — Президент США демократ;
R — Президент США республиканец.
178 Глава 3

«КСЕНИЯ»
«КСЕНИЯ» [45] основана на комбинаторной вероятностной логике
и предназначена для автоматического прогнозирования временных каче-
ственных последовательностей. Методом полного перебора вариантов
«КСЕНИЯ» находит локальные логические закономерности и выдает
обобщенный вероятностный прогноз. Для этой цели «КСЕНИЯ» строит
множество частных прогнозов и использует решающее правило вывода —
«выбор модального значения», т. е. выбор наиболее вероятного прогноза.
Для оценки вероятности прогноза в «КСЕНИИ» используются различные
эмпирические и эвристические критерии.
Для качественной последовательности (2), «КСЕНИЯ» выдала сле-
дующий прогноз. С вероятностью 75 % Президентом США в 2000 г. ста-
нет республиканец. Прогноз, полученный с помощью «КСЕНИИ» за одну
секунду в автоматическом режиме, оправдался, поскольку в 2000 г. Прези-
дентом США был избран Дж. Буш —республиканец [46].
Для получения данного прогноза «КСЕНИЯ» осуществила в автома-
тическом режиме различные виды комбинаторного анализа, результаты
которых показывают найденные логические закономерности и обосно-
вание прогноза. Некоторые из полученных результатов представлены
ниже.

Частота встречаемости элементов последовательности


D—42%
R — 58%

Частота перехода соседних элементов в последовательности

D R
D 7 7
R 7 14

Частота перехода двух соседних элементов в третий

D R
OR 1 6
RR 6 8
RD 4 3
DD 3 3
Новые методы анализа социальных систем 179

Частота перехода трех соседних элементов в четвертый

D R
DDR 2 4
RRR 4 4
RRD 4 2
RDR 1 2
DRD 0 1
RDD 1 2
DDR 0 3
DDD 2 1

Частота перехода четырех соседних элементов в пятый

D R
DRRR 2 2
RRRR 2 2
RRRD 3 1
RRDR 1 1
RDRD 0 1
DRDR 0 1
RDRR 0 2
RRDD 1 2
RDDR 0 2
DDRR 2 1
RDDD 1 0
DDDD 1 1
DDDR 0 1
DRRD 1 1
180 Глава 3

Прогноз по одному элементу


• По общей частоте встречаемости: прогноз — R.
• По частоте переходов соседних элементов: прогноз D, R — равнове-
роятны.
• По частоте переходов двух соседних элементов: прогноз D, R — рав-
новероятны.
• По частоте переходов трех соседних элементов: прогноз — R.
• По частоте переходов четырех соседних элементов: прогноз — R.
• Циклы последовательности серий.
Примечание. Серия — ряд одинаковых элементов, ограниченных с двух сторон
другими элементами

N серии Серия Длина цикла


1 D нет периодичности
2 RRRRRR нет периодичности
3 R нет периодичности
4 RRRR нет периодичности
5 DD нет периодичности
6 RRR 5
7 DDDDD нет периодичности
8 RR 1

Прогноз серий в дискретной последовательности


Номер 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
серии
Элемент
D R D R D R D R D R D R D R D
серии
Длина
1 6 1 1 1 4 2 3 5 2 2 2 1 3 2
серии

• Средняя длина серии = 2,4.


• Средняя длина серии D = 2,0.
• Средняя длина серии R = 2,8.

Частота переходов серий

D R
D 0 7
R 7 0
Новые методы анализа социальных систем 181

Частота переходов длин серий


1 6 4 2 3 5
1 2 1 1 0 1 0
6 1 0 0 0 0 0
4 0 0 0 1 0 0
2 1 0 0 2 1 0
3 0 0 0 1 0 1
5 0 0 0 1 0 0

Прогноз серии 4
• Наиболее вероятна следующая серия: R.
• Наиболее вероятна следующая длина серии: 2.
• Частота встречаемости двух соседних элементов последовательности.
Кол-во раз Доля, %
DR 7 19%
RR 14 39%
RD 7 19%
DD 7 19%

Частота перехода двух соседних элементов в два соседних


DR RR RD OD
DR 1 4 2 0
RR 2 4 4 4
RD 2 2 1 1
DD 1 3 0 2

Частота перехода трех соседних элементов в два следующих


DR RR RD DD
DRR 1 2 2 1
RRR 1 2 2 3
RRO 2 1 1 1
RDR 1 2 0 0
DRD 0 1 0 0
RDD 0 2 0 1
DDR 0 1 2 0
DOD 1 1 0 1
182 Глава 3

Прогноз двух элементов


• По общей частоте встречаемости: прогноз — RR.
• По частоте переходов двух элементов: прогноз — RR, RD, DD равно-
вероятны.
• По частоте переходов трех элементов: прогноз — DD.
Представленные некоторые фрагменты результатов работы «КСЕ-
НИИ» показывают преимущества специализированных компьютерных
автоматических систем Data Mining для быстрого поиска логических за-
кономерностей методом полного перебора вариантов. Однако, для боль-
ших массивов эмпирической информации, в целях сокращения продолжи-
тельности времени поиска, чаще используют различные эвристические
логические и иные правила ограничения полного перебора, например,
ограниченный перебор используется в системе WizWhy [7] при поиске
логических закономерностей вида «если, то».

«Нечеткая» логика
Для использования «нейронной» сети в нейропакете NeuroSolution
(версия 4.21) [29], последовательность (2) была преобразована. Фрагмент
преобразованной последовательности представлен в табл. 3.6.

Таблица 3.6
Фрагмент преобразованной последовательности

Порядковый номер Победил Победил


момента времени демократ республиканец
1 1 0
2 0 1
3 0 1

Для прогноза преобразованной последовательности была использована


«нейронная» сеть CANFIS Network [26], основанная на Fuzzy Logic («нечет-
кой» логике), функции принадлежности Белла, модели TSK Сугено, переда-
точной функции — SoftMaxAxon («мягком» аксоне). На рис. 3.23 представ-
лена блочная архитектура построенной «нейронной» сети.
Обучение построенной нейронной сети осуществлялось с помощью
генетического алгоритма со следующими характеристиками. Количество
эпох — 3000, размер популяции — 100, количество поколений — 150, опе-
ратор селекции — Best («лучший»), кроссовер (кроссипговер) — эвристи-
ческий, вероятность кроссовера — 0,9, мутация — Uniform, вероятность
мутации — 0,01. Обучение на преобразованной последовательности про-
Новые методы анализа социальных систем 183

должалось 11 минут. Обученная «нейронная» сеть выдала следующий


прогноз. С вероятностью 79,3 % победит республиканец. Полученный
прогноз являлся правильным, поскольку в 2000 г. Президентом США был
избран Дж. Буш — республиканец [46].

Таким образом, «КСЕНИЯ», основанная на комбинаторной вероятйо-


стной логике и «нейронная сеть», основанная на «нечеткой» логике, д#ли
правильный прогноз, причем примерно с одинаковой вероятностью, а
именно, «КСЕНИЯ» — 75 %, «нейронная» сеть — 79,3 %. Однако, «КСЕ-
НИЯ» затратила в 660 раз меньше времени, чем «нейронная» сеть, выяви-
ла логические закономерности и не предполагала специальных знаний У
пользователя, которые требовались для выбора алгоритма и параметров
обучения «нейронной» сети.
В заключение данного раздела отметим следующее. Современные Ме-
тоды логического анализа, реализованные в различных компьютерных
системах, предоставляют исследователю широкие возможности для выяв-
ления логических закономерностей, классификации и прогнозирования
социальных систем.

Литература
1. Поспелов Д. А. Логические методы анализа и синтеза схем. М.: Энергия, 1978.
2. Toda M., Шуфорд Э. Логика систем: введение в формальную теорию структу-
ры // Исследования по общей теории систем. М : Наука, 1969.
3. Уемов А. И. Системный подход и общая теория систем. М.: Мысль, 1978.
184 Глава 3

4. Pinkava ^Introduction to Logic for Systems Modelling. N. Y.: Abacus Press, 1988.
5. HuthM., RyanM. Logic in Computer Science: Modelling and Reasoning about
Systems. Cambridge: Cambridge University Press, 2004.
6. Волченков Н. Г., Попов С. В., Смирнов А. А., Фетисов А. Г. Система логиче-
ского моделирования // Известия РАН. Теория и системы управления. 2003.
№ 2 . С. 106-117.
7. http://www.wizsoft.com.
8. Yager R., Zadeh L. Fuzzy Sets, Neural Networks and Soft Computing. N. Y.: Thom-
son Learning, 1994.
9. JangJ., SunC, MizutaniE. Neuro-Fuzzy and Soft Computing. N. Y: Prentice
Hall, 1997.
10. Kecman V. Learning and Soft Computing: Support Vector Machines, Neural Net-
works, and Fuzzy Logic Models. M.: МГГ Press, 2001.
11. Круглое В. В., Дли М. А., Годунов Р. Ю. Нечеткая логика и искусственные ней-
ронные сети. М.: Физматлит, 2001.
12. Люгер Дж. Искусственный интеллект: стратегии и методы решения сложных
проблем. М.: Вильяме, 2003.
13. Ojeda-Aciego M., De Guzman L, Brewka G, PereiraM. Logics in Artificial Intel-
ligence. Berlin: Springer-Verlag Telos, 2000.
14. JudeaP. Probabilistic Reasoning in Intelligent Systems: Networks of Plausible In-
ference. N. Y: Morgan Kaufmann Publishers Inc., 1997.
15. Джексон П. Введение в экспертные системы. М.: Вильяме, 2001.
16. Daniel J. Decision Support Systems: Concepts and Resources for Managers. N. Y:
Greenwood Publishing Group, 2002.
17. ВейрБ. С. Анализ генетических данных: дискретные генетические признаки.
М.: Мир, 1995.
18. SvozilK. Quantum Logic (Discrete Mathematics and Theoretical Computer Sci-
ence). Berlin: Springer-Verlag Telos, 1999.
19. Restall G An Introduction to Substructural Logics. N. Y: Routledge, 2000.
20. Левашова Т. В., Пашкин М. П., Смирнов А. В., Шилов Н. Г. Управление онто-
логиями (базами знаний) // Известия РАН. Теория и системы управления.
2003. № 4 . С. 132-146.
21. Вагин В. Н., Загорянская А. А. Системы аргументации и абдуктивный вывод //
Известия РАН. Теория и системы управления. 2004. № 1. С. 125-137.
22. Gallon A. Temporal Logics and their Applications. London: Academic Press, 1987.
23. Еремеев А. П., Троицкий В. В. Модели представления временных зависимо-
стей в интеллектуальных системах поддержки принятия решений // Известия
РАН. Теория и системы управления. 2003. № 5. С. 75-88.
24. Тапака К,, Niimura T. An Introduction to Fuzzy Logic for Practical Applications.
N. Y: Springer-Verlag, 1996.
25. ДерпгоузосМ. Пороговая логика. М.: Мир, 1967.
26. Principe I, EulianoN., Lefebvre W. Neural and Adaptive Systems: Fundamentals
Through Simulations. N. Y: John Wiley & Sons, 2000.
Новые методы анализа социальных систем 185

27. http://datadiver.nw.ru.
28. http://www. matlab.ru.
29. http://www. Neurosolutions.com.
30. PawlakZ. Drawing conclusions ftom data — the rough set way // Int. J. Intell.
Syst. 2001. V. 16. № 1 . P. 3-11.
31. http://www.atips.ca/projects/qcadesigner.
32. Ионин Л. Г. Социология культуры: путь в новое тысячелетие. М.: Логос, 2000.
33. Давыдов А. А., Чураков А. Н. Системный подход к анализу данных монито-
ринга общественного мнения // Социол. исслед. 2002. № 7. С. 131-138.
34. База данных ВЦИОМ.
35. ДюкВ., СаможежоА. Data Mining. СПб.: Питер, 2001.
36. Давыдов А. А. Системный подход в социологии: законы социальных систем.
М.: УРСС, 2004.
37. Белов Д., Гаврилова Т., Частиков А. Разработка экспертных систем. Среда
CLIPS. M.: BHV, 2003.
38. Покосов В. В. Стабильность общества и система предельно-критических по-
казателей его развития // Социол. исслед. 1998. № 4. С. 86-93.
39. GranovetterM. Threshold Models of Diffusion and Collective Behavior//! of
Mathematical Sociology. 1983. V. 9. № 1. P. 165-179.
40. Математический энциклопедический словарь. М.: Большая российская эн-
циклопедия, 1995.
41. ЛюббеГ. Что значит: «Этому можно дать только историческое объясне-
ние»? // THESIS. 1994. Т. 2. Вып. 4. С. 213-222.
42. Коллинз Р. Социология: наука или антинаука? // THESIS. 1994. № 4. С. 71-97.
43. http://www-eco.enst-bretagne.fr/~phan/moduleco.
44. http://www.mirekw.com.
45. Давыдов А., Игнатов А. КСЕНИЯ — компьютерная система для прогнозиро-
вания социальных систем // Тезисы II Международной конференции «Цикли-
ческие процессы в природе и обществе». Ставрополь, 1994.
46. Statistical Absract of the United States. Washington, 2001.
47. Historical Statistics of the United States. V. 2, Washington, 1975.

§ 5. «Мягкие» вычисления субъективных


вероятностей

В 1991 г. по инициативе группы математиков из Университета Беркли


(США) был предложен термин «soft computing» («мягкие» вычисления)
[1—3], который объединяет Fuzzy Sets («нечеткие» множества) Л. Заде [4],
анализ «вербальных» чисел [5, 6], анализ «грубых» чисел [7, 8], анализ
«мягких» чисел [9], нейровычисления [10] основанные на «нейронных»
186 Глава 3

сетях» [4], интервальные вычисления [11], генетические алгоритмы [12],


квантовые вычисления [13], вероятностные рассуждения [14] и некоторые
другие неклассические вычисления. «Мягкие» вычисления, в отличие от
hard computing («жесткого» вычисления), терпимы к неточности, неуве-
ренности, частичной правде и приближению. Л. Заде [4] полагает, что об-
разцом подражания для «мягкого» вычисления является человеческое
мнение, а руководящий принцип «мягкого» вычисления можно сформули-
ровать следующим образом. Терпимость к неточности, неуверенности,
частичной правде и приближению позволяет достичь легкости в анализе
данных, устойчивости к ошибкам и низкой стоимости решения. В целом,
«мягкие» вычисления основаны на принципах вероятности, оптимизации,
компьютерных вычислениях и множественности, в частности, здесь ис-
пользуется не какая-либо одна математическая функция или модель, а раз-
личные семейства функций и моделей. Например, в модуле Fuzzy Logic
Toolbox пакета MATLAB (версия 6.5) [17] используются 13 различных
функций принадлежности для «нечетких» вычислений. В модуле Neural
Network пакета MATLAB (версия 6.5) [17] имеется 12 различных нели-
нейных передаточных функций, которые могут использоваться одновре-
менно для построения «нейронной» сети и т. д.
Потребность в «мягких» вычислениях была обусловлена, во-пер-
вых, ограниченностью традиционных математических методов «жестко-
го» вычисления для решения сложных, слабоструктурированных и сла-
бо формализованных задач, которые часто встречаются в практике, во-
вторых, возросшим интересом математиков к решению задач, возни-
кающих в Cognitive Science (когнитивной науке), в частности, к психоло-
гическим механизмам переработки информации человеком, в третьих,
развитием Neurocomputer Science (нейрокомпьютерпой науки) [15] и
разработкой экспертных систем, основанных па искусственном интел-
лекте (ИИ) [16]. В настоящее время «мягкие» вычисления активно при-
меняются в естественных, гуманитарных и технических дисциплинах и
широко используются в практике.
Значение «мягких» вычислений для эмпирической социологии состо-
ит в следующем. Многие задачи анализа и прогнозирования социальных
явлений, процессов, социальных систем являются сложными, слабострук-
турированными и слабоформализованными задачами. В опросах общест-
венного мнения и экспертных опросах источником информации является
респондент, психологические механизмы переработки информации у ко-
торого в большинстве случаев не соответствуют принципам «жестких»
вычислений, а в большей мере соответствуют принципам «мягких» вы-
числений [18]. Кроме того, известно [18], что разные респонденты исполь-
зуют различные субъективные когнитивные правила формирования субъ-
ективных оценок. В социологии важное значение также имеет теорема
Новые методы анализа социальных систем 187

3
Томаса [цит. по: 19, с. 80] и тот факт, что индивид является не пассивным
«элементом» социальной системы, а интеллектуальным «актором», де-
лающим вероятностные умозаключения и предсказания, что используется
в теории принятия решений [20, 21]. В теории общества риска У Бека [22]
вероятность также играет важную роль, поскольку с ее помощью можно
вычислить риск, используя актуарные вычисления [23].
Как было отмечено выше, в «мягких» вычислениях значительную
роль играет понятие вероятности, однако, многочисленные психологи-
ческие эксперименты [20, 24-27] показывают, что субъективные веро-
ятности, т. е. вероятности событий, которые дает индивид, не соответ-
ствуют классической математической теории вероятностей. В частно-
сти, субъективные стратегии сложения субъективных вероятностей за-
висят от индивидуальных особенностей индивидов, содержания явле-
ний, предъявляемых индивиду, методики предъявления явлений для
оценки и других факторов. Автор, проводя экспертные опросы по поли-
тической проблематике, обнаружил следующий эффект в оценках экс-
пертов, оценивающих вероятность противоположных событий, а имен-
но Р(А) + Р(А) Ф1, где Р(А) — вероятность наступления события А,
Р{А) — вероятность ненаступлепия события А. Наблюдаемый эффект
не соответствует классической теореме о сумме вероятностей противо-
положных событий. С точки зрения Cognitive Science [цит. по: 18] на-
блюдаемый эффект может быть обусловлен нейрофизиологической
асимметрией и последовательно-параллельным функционированием
полушарий мозга человека, в результате чего индивид может иметь два
относительно независимых и параллельно функционирующих когни-
тивных механизма оценки вероятности наступления события и его не-
наступления, что может иметь приспособительное эволюционное зна-
чение [28] для выживания индивида в изменчивой окружающей среде
[20]. Можно предложить и другое объяснение наблюдаемому эффекту,
а именно, индивид имеет один когнитивный механизм оценки, при
этом он сначала оценивает вероятность наступления события, а затем
оценивает вероятность ненаступления этого события или наоборот, не
учитывая предыдущую оценку. Какой когнитивный механизм в дейст-
вительности использует индивид — пока неизвестно. Однако, сейчас
важно лишь то, что наблюдаемый эффект позволяет расширить матема-
тическую теорию вероятностей, рассматривая классический случай
Р(А) + Р(А) = 1, только как частный случай алгебры субъективных ве-
роятностей.

3
Теорема У. Томаса (1863-1947): «Если люди определяют ситуации как реальные, они
реальны по своим последствиям».
188 Глава 3

В данном разделе представлена разработанная автором D-алгебра


субъективных вероятностей, основанная на вышеизложенных принципах
«мягких» вычислений, расширении алгебраических операций сложения и
умножения, принятых в Fuzzy sets [4] и которая соответствует эффекту
Р(А) + Р(А) Ф1, наблюдаемому в опросах индивидов и учитывает субъек-
тивность индивида. Поскольку к настоящему моменту времени оконча-
тельно не известны когнитивные психологические механизмы формиро-
вания субъективных вероятностей индивидами и данная алгебра основана
на принципах «мягких» вычислений, то ее следует рассматривать как про-
стую, удобную, правдоподобную и приближенную модель, одну из мно-
жества возможных моделей.

D-алгебра субъективных вероятностей


Введем необходимые определения, сопровождая их краткими ком-
ментариями.
Событие — социальное явление (явления) или процесс (процессы),
выделенные социологом исходя из целей и задач конкретного социологи-
ческого исследования.
Обозначим события буквами А, В, С... (1)

О < Р(А) < 1, 0 < Р(А) < 1, (2)

где
Р(А) — субъективная вероятность наступления события А;
Р(А) — субъективная вероятность ненаступления события А;
Возможны три варианта (3) результата сложения Р(А) + Р(А)

P(A) + P(A) = U, (3)

Субъективность индивида

У{ЛГА)=1-(Р(А) + Р(А)), (4)

где ^Р — величина субъективности индивида при оценке Р(А, А).


Из (4) вытекает, что если *¥,А ъ = 0 , что соответствует классической
теории вероятностей, то тогда отсутствует субъективность индивида при
Новые методы анализа социальных систем 189

оценке вероятностей Р(А) и Р(А). Если опираться на эволюционную


психологию [28], то тогда можно предположить, что величина *Р соответ-
ствует различной субъективной значимости Р(А) и Р(А) для индивида.
Абсолютная величина субъективной вероятности события

Из (5) вытекает, что субъективную вероятность Р(А, А) можно ин-


терпретировать как комплексное число в полярной системе координат на
комплексной плоскости С.
Субъективные вероятности двух событий Р(А, А) и Р(В, В) равны
тогда и только тогда, когда

(6)

В соответствии с алгеброй «вербальных» чисел [6] будем использо-


вать метрику Чебышева (7) для измерения расстояния между субъектив-
ными вероятностями двух событий Р(А, А) и Р(В, В) .

(7)

В этой связи отметим, что метрика Чебышева (7), в отличие от других


известных метрик, например, Евклида, Манхэттена, Минковского, Лоба-
чевского, Римана и т. д., позволяет наиболее просто и удобно содержа-
тельно интерпретировать величину расстояния между субъективными ве-
роятностями событий Р(А, А) и Р(В, В). Кроме того, в когнитивной пси-
хологии [цит. по: 18] данная метрика имеет эмпирическое обоснование.
Многочисленные психологические эксперименты [18, 20, 24—26, 28]
показывают, что при сложении субъективных вероятностей индивиды мо-
гут использовать как метрические правила, так и умозаключения, осно-
ванные на неметрических субъективных правилах символьной переработ-
ки информации. Отсюда вытекает, что в результате использования сим-
вольной переработки информации индивидом могут оказаться справедли-
выми различные субъективные правила «сложения» и «умножения» субъ-
ективных вероятностей, различающиеся у разных индивидов. В этой связи
для сложения и умножения субъективных вероятностей автор предлагает
190 Глава 3

использовать формальные алгебраические операции (8—9), которые явля-


ются расширением алгебраических операций сложения и умножения в
Fuzzy sets [4]. Новизна формул (8—9) состоит в том, что автор использовал
коэффициенты w, и w2, которые учитывают субъективность индивида и
придают алгебраическим операциям сложения и умножения субъективных
вероятностей необходимую «гибкость», которая характерна для «мягких»
вычислений. Если опираться на эволюционную [28] и когнитивную пси-
хологию [18], то тогда можно предположить, что значения коэффициентов
Wj и м>2 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 веро-
ятностей.

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 зна-


чения коэффициентов w1 и w2 показывают, во сколько раз наблюдаемые
субъективные вероятности отличаются от сложения вероятностей совме-
стных событий и умножения вероятностей независимых событий класси-
ческой теории вероятностей. В этой связи сложение вероятностей совме-
стных событий и умножение вероятностей независимых событий класси-
ческой теории вероятностей можно рассматривать как эталоны, с которы-
ми сравниваются субъективные вероятности. В какой мере эмпирически
обоснованы данные эталоны, заимствованные автором из Fuzzy sets [4],
сказать сейчас трудно, поскольку окончательно неизвестны действитель-
ные когнитивные психологические механизмы формирования субъектив-
ных вероятностей индивидами. Однако отметим, что (8-9) имеют диагно-
стический смысл при анализе ответов респондентов и экспертов, посколь-
ку показывают, во сколько раз ответы экспертов отличаются от сложения
вероятностей совместных событий и умножения вероятностей независи-
мых событий классической теории вероятностей, т. е. значения коэффици-
ентов wj и w2 можно интерпретировать, с точки зрения «мягких» вычис-
лений, как меру аппроксимации (приближения) модели.
Поскольку из психологических экспериментов [18, 20, 24—27] извест-
но, что значения wx и w2 в (8—9) зависят от индивидуальных особенно-
стей индивидов, содержания явлений, предъявляемых индивиду и методи-
ки предъявления явлений для оценки, то при оценке вероятности конкрет-
ного события несколькими индивидами, значения величин Wj и м>2 мож-
но интерпретировать, в соответствии с Fuzzy sets [4], как «нечеткие» чис-
ла, представляющие собой одномерные частотные распределения вероят-
ностей 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 класси-
ческих моделей математической психологии, а именно, модель случай-
ного выбора [29], согласно которой индивид осуществляет выбор одной
из нескольких альтернатив случайным образом. Скажем сразу, что моде-
ли случайного выбора не вполне реалистичны, однако позволяют полу-
чить численные оценки, которые затем можно использовать в диагно-
стике 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 ко-
эффициентов 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 распреде-
ленных случайных чисел. В этой связи отметим, что статистическое вы-
числение 95 % доверительного интервала в «soft computing» рассматри-
вается как один из традиционных методов «мягких» вычислений. Ре-
зультаты 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 <0,86 0,79 <w2 <0,86

Умножение 24,93 <wi < 30,35 18,61 <w2 <47,48

Из табл. 3.7 следует, что при операции сложения (8) равномерно рас-
пределенных случайных чисел средние значения wi и W2 меньше, чем
при операции умножения (9). Из табл. 3.7 также следует, что при операции
сложения равномерно распределенных случайных чисел средние значения
w\ < 1 и W2 < 1, а при операции умножения, наоборот, м>\ > 1 и W2 > 1.
Каким может быть 95 % доверительный интервал для средних значений
w\ и W2 и частотные распределения wx и w2 в различных опросах рес-
пондентов 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 точ-
ки зрения неметрической символьной переработки информации индиви-
дом [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 «нейрон-
ных» сетей [30, 31] гарантирует, что можно построить и обучить «ней-
ронную» сеть так, чтобы она точно аппроксимировала значения выход-
ных «нейронов» при любых значениях входных «нейронов». Для по-
строения и обучения данной «нейронной» сети можно воспользоваться
модулем Neural Network пакета MATLAB (версия 6.5) [17, 32] или мно-
гочисленными специализированными пакетами, например, NeuroSoluti-
on, NeuroShell, BrainMaker и т. д. При этом можно использовать «нечет-
кую» 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) описывают-
ся векторами, которые можно представить как комплексные числа на
комплексной плоскости, а результат их суперпозиции (сложение, умно-
жение или какая-либо другая операция) также будет являться вектором
на данной комплексной плоскости с учетом ограничений 0 < Р(А) < 1,

0<-Р(Л)<1, 0<Р(Я)<1, 0<Р(В)<1. Данное представление субъек-


тивных вероятностей Р(А, А) и Р(В, В), как векторов, соответствует
широко известным векторным моделям TODAM и CHARM [цит. по: 33,
с. 37] ментальной переработки информации индивидом, которые исполь-
зуются в математической когнитивной психологии. В пакете NeuroSoluti-
оп (версия 4.21) компании NeuroDimension Inc., с демо-версией которого
заинтересованный читатель может ознакомиться на сайте компании [34],
имеются различные классы «нейронных» сетей, которые предназначены
для аппроксимации и прогнозирования векторов, например, «нейронная»
сеть Self-organizing feature maps (SOFMs) [35], основанная на модели
Кохонена. Обученная «нейронная» сеть будет являться пейрокомпыотер-
ной алгеброй [10] субъективных вероятностей. В качестве иллюстрации
приведем следующий пример. Автор с помощью генератора случайных
чисел из пакета Microsoft Excel сгенерировал 6 серий по 100 равномерно
распределенных случайных чисел в интервале 0—1, что означало равно-
мерное и независимое друг от друга распределение субъективных веро-
ятностей Р(А), Р{А), Р(В), Р{В), Р(С), Р(С),где Р(А), Р(А), Р(В),
Р(В) выступали в качестве входных «нейронов», а Р(С) и Р(С) высту-
194 Глава 3

пали в качестве выходных «нейронов». Затем с помощью пакета


NeuroSolution (версия 4.21) [34] была построена максимально «мягкая»
нейронная сеть, а именно, CANFIS Network [36], основанная на Fuzzy
Logic («нечеткой» логике), функции принадлежности Белла, модели TSK
Сугено, SoftMaxAxon («мягком» аксоне). Теоретическим обоснованием
применения CANFIS Network являлась теорема FAT (Fuzzy Approximati-
on Theorem), доказанная Б. Коско [цит. по: 30, с. 6], согласно которой
любая математическая система может быть аппроксимирована системой,
основанной на «нечеткой» логике. На рис. 3.24 представлена блочная
архитектура построенной «нейронной» сети.

Обучение построенной нейронной сети осуществлялось с помощью


генетического алгоритма со следующими характеристиками. Количество
эпох — 3000, размер популяции — 300, количество поколений — 150, опе-
ратор селекции — Roulette («рулетка»), вероятность кроссовера — 0,9,
вероятность мутации — 0,01. После обучения «нейронная» сеть практиче-
ски точно (максимальная абсолютная ошибка составила 0,01) аппрокси-
мировала значения Р(С) и Р(С) по известным значениям Р(А), Р(А),
Р(В), Р(В).
Данный иллюстративный пример показывает, что, во-первых, «мяг-
кие» вычисления, в частности, «нечеткая» логика, «нейронная» сеть и ге-
нетический алгоритм обучения, позволяют успешно решать сложные, сла-
боструктурированные задачи, практически невыполнимые для «жестких»
Новые методы анализа социальных систем 195

вычислений, в данном случае, точное аппроксимирование случайных чи-


сел. Во-вторых, очевидно, что можно увеличивать число наблюдений, ис-
пользуя различные результаты опросов респондентов или экспертов, из-
менять классы и архитектуру сети, алгоритмы обучения, не все наблюде-
ния использовать в обучении, а оставлять часть наблюдений для тестиро-
вания «нейронной» сети, можно многократно переобучать сеть на новых
примерах и, в конечном итоге, разработать нейрокомпьютерную алгебру
субъективных вероятностей, которая будет пригодной для всех возможных
сочетаний значений Р(А), Р(А), Р(В), Р(В), Р(С), Р(С).
Какую алгебру выбрать для практического использования, D-алгеб-
ру субъективных вероятностей или нейрокомпьютерную алгебру, осно-
ванную на «нейронной» сети? С точки зрения принципов «мягких» вы-
числений, которые были рассмотрены в начале данной статьи, а также
опыта автора в разработке модели респондента как источника информа-
ции [18] и опыта работы автора с «нейронными» сетями, следует пред-
почесть D-алгебру субъективных вероятностей, поскольку она проще, не
требует дополнительных эмпирических данных, позволяет избежать ис-
пользования транспьютеров (многопроцессорных компьютеров), специ-
альных нейрокомпьютеров или дополнительных нейроплат, параллель-
ного программирования и других технических и вычислительных
трудностей, обусловленных низкой скоростью обучения «нейронных»
сетей на больших объемах эмпирической информации на традицион-
ных, даже самых мощных на настоящий момент времени, персональ-
ных компьютерах.
Главный практический вывод из D-алгебры субъективных вероятно-
стей состоит в том, что в опросах респондентов и экспертов недостаточ-
но выявлять только субъективную вероятность наступления события
Р(А), а необходимо также выявлять вероятность ненаступления события
Р(А). С точки зрения «мягких» вычислений, D-алгебру субъективных
вероятностей следует рассматривать как простую, удобную, правдоподоб-
ную и приближенную модель, на основе которой можно выдвигать плодо-
творные теоретические гипотезы, доступные эмпирической проверке. Ав-
тор надеется, что D-алгебра субъективных вероятностей может стимули-
ровать интерес социологов к моделям Cognitive Science и Neurocomputer
Science и, в целом, к «мягким» вычислениям, которые полезны при эмпи-
рическом анализе мнений респондентов и экспертов.

Литература
1. AlievR. Soft Computing and Its Applications. N. Y.: World Scientific Pub Co, 2001.
2. Hoffmann R, Roy R., Benitez J., Advances in Soft Computing: Engineering Design
and Manufacturing. N. Y: Springer-Verlag, 2003.
196 Глава 3

3. Rutkowski L. New Soft Computing Techniques for System Modeling, Pattern Clas-
sification and Image Processing. N. Y.: Springer-Verlag, 2004.
4. Yager R., Zadeh L. Fuzzy Sets, Neural Networks and Soft Computing. N. Y.: Thom-
son Learning, 1994.
5. Yang Tao. Computational verb systems: Verb numbers // Int. J. Intell. Syst. 2001.
V. 16. № 5. P. 655-678.
6. Yang Tao. Verb numbers=Computational Verbs+Numbers // Int. J. of Computa-
tional Cognition. 2003. V. 1. № 4. P. 1-30.
7. PawlakZ. Drawing conclusions from data — the rough set way // Int. J. Intell.
Syst. 2001. V. 16. № 1. P. 3-11.
8. Duntsh I, Gunter G Roughian: Rough information analysis // Int. J. Intell. Syst.
2001. V. 16. № 1 . P. 121-147.
9. Молодцов Д. А. Описание зависимостей при помощи мягких множеств // Из-
вестия РАН, Теория и системы управления. 2001. № 6. С. 137-144.
10. Величенко В. В. Интуитивные и формализованные методы в нейроматематике //
Нейрокомпьютеры: разработка, применение. 2001. № 2. С. 9-30.
11. Давыдов А. А. Интервальный анализ социальных систем // Социол. исслед.
1997. №11. С. 96-100.
12. Курейчик В. М., Родзин С. И. Эволюционные алгоритмы: генетическое про-
граммирование // Известия РАН, Теория и системы управления. 2002. № 1.
С. 127-137.
13. КитаевА., ШеньА., Вялый М. Классические и квантовые вычисления. М.:
МЦНМО, 1999.
14. JudeaP. Probabilistic Reasoning in Intelligent Systems: Networks of Plausible In-
ference. N. Y: Morgan Kauftnann Publishers Inc. 1997.
15. Осовский С. Нейронные сети для обработки информации, М.: Финансы и ста-
тистика, 2002.
16. CowellR. Probabilistic Networks and Expert Systems. N. Y: Springer-Verlag, 1999.
17. http://www. matlab.ru.
18. Давыдов А. Респондент как источник информации. М.: ИСАН, 1993.
19. Коллинз Р. Социология: наука или антинаука? // THESIS. 1994. № 4. С. 71-97.
20. Козелецкий Ю. Психологическая теория решений. М.: Прогресс, 1979.
21. Ларичев О. И. Теория и методы принятия решений. М.: Логос, 2000.
22. Beck U. Risk Society. Toward a New Modernity. London: Sage Publ., 1992.
23. Баскаков В. К, Зорина И. Г., Карташов Г. Д., Соломатина Л. Е. Актуарная
математика (элементы финансовой математики). М.: Изд-во МГТУ им. Бау-
мана, 2000.
24. Kyburg H. Studies in Subjective Probability. N. Y: Krieger Publishing Company,
1980.
25. Wright G, Ayton P. Subjective Probability. N. Y: John Wiley & Sons, 1994.
26. SpizzichinoF. Subjective Probability Models for Lifetimes. L.: CRC Pr I Lie,
2001.
Новые методы анализа социальных систем 197

27. Gigerenzer G, Hoffrage U., Kleinbolting H. Probabilistic mental models: A Brunswi-


kian theory of confidence // Psychological Review. 1991. V. 98. P. 506-528.
28. Buss D. M. Evolutionary psychology: a new paradigm for psychological science //
Psychological Inquiry. 1995. V. 6. № 1. P. 1-30.
29. Laming D. Mathematical Psychology. L.: Academic Press, 1973.
30. Круглое В. В., Дли М. А., Годунов Р. Ю. Нечеткая логика и искусственные ней-
ронные сети. М.: Изд-во Физматлит, 2001.
31. Галушкин А. И. Теория нейронных сетей. М.: ИГГРЖР, 2000.
32. Медведев В. С, Потемкин В. Г. Нейронные сети. MATLAB 6. М.: Диалог-
МИФИ, 2002.
33. Ребеко Т. А. Ментальная репрезентация как формат хранения информа-
ции // Ментальная репрезентация: динамика и структура. М.: Изд-во «Инсти-
тут психологии РАН», 1998. С. 25-55.
34. http://www. Neurosolutions.com.
35. Principe J., Euliano K, Lefebvre W. Neural and Adaptive Systems: Fundamentals
Through Simulations. N. Y.: John Wiley & Sons, 2000.
36. JangJ., SunC, MizutaniE. Neuro-Fuzzy and Soft Computing. N. Y.: Prentice
Hall, 1997.

§ 6. Метод каузальной атрибуции


в анализе социальных систем
Теория каузальной атрибуции [1-5] —развитая психологическая тео-
рия, имеющая широкие практические применения в объяснении социаль-
ных явлений, теории управления, криминологии, образовании, психотера-
пии и т. д., которая изучает субъективные правила, по которым индивиды
дают причинные объяснения (приписывают причины) различным явлени-
ям, событиям, фактам поведения индивидов и т. д. В теории каузальной
атрибуции признается, что с точки зрения научного анализа «наивные»,
неполные и ошибочные субъективные представления о причинно-след-
ственных связях окружающего мира оказывают решающее влияние на
поведение индивидов. В теории каузальной атрибуции важным является
то, что сам субъект считает правильным, независимо от того, соответству-
ет ли атрибуция объективным причинно-следственным связям, поскольку
на основании каузальной атрибуции субъект реально де