Главная > Разное > Стохастические модели социальных процессов
<< Предыдущий параграф
Следующий параграф >>
<< Предыдущий параграф Следующий параграф >>
Макеты страниц

1.3. НЕКОТОРЫЕ ОСНОВНЫЕ ВОПРОСЫ

Как уже было сказано, аналогия с естественными науками не должна довлеть над ними. Теперь более подробно обсудим проблемы, возникающие при применении теории стохастических процессов к социальным явлениям. Отдельные из них носят чисто практический характер, другие более серьезны и затрагивают вопросы о допустимости или обоснованности предпринятых действий.

На практике наблюдалась нехватка ученых, работающих в области общественных наук и имеющих математическую подготовку, необходимую для того, чтобы внести существенный вклад в исследования. Крускал (1970) и Розенбаум (1971) нашли пути решения этой проблемы десятилетие тому назад. Однако до тех пор, пока математика для специалиста в области общественных наук не станет столь же важной, как и для инженера или химика, скорость прогресса будет ограничена. Опыт показывает, что для выпускника гуманитарного факультета приобрести знания по математике и статистике гораздо труднее, чем для выпускника технического учебного заведения овладеть основами экономики и социологии. В следующем разделе приводятся некоторые рекомендации, которые помогут читателю-нематематику извлечь определенную пользу при работе с данной книгой, но это не более чем первая помощь.

Иногда считают, что при таком большом количестве нерешенных проблем, связанных с измерениями, преждевременно, если не безрассудно, заниматься такими тонкими вопросами, как стохастическое моделирование. В физике и технике пользуются сравнительно малым числом основных шкал измерений — время, масса, электрический заряд и т. п., и существуют приборы, позволяющие измерять эти величины с большой точностью. В общественных же науках мало естественных шкал измерений и нет полного согласия относительно их применения. Проблема в общественных науках, конечно, состоит не в недостатке переменных для измерений, а в их многозначности и разнообразии. Как отобрать их, скомбинировать, суммировать — вот в чем истинные трудности. Какой бы теоретический вес этот аргумент не имел, здесь это не так уж важно. Беглый просмотр следующих страниц книги покажет, что уровень измерений, необходимый для многих наших моделей, весьма элементарен и часто состоит не более чем из простой классификации по некоторым признакам. Кроме того, как будет показано при дальнейшем обсуждении измерения социальной мобильности и текучести рабочей силы, модель является необходимой предпосылкой для определения подходящей шкалы измерения, а не наоборот.

Еще одно возражение проистекает из сложности социальных явлений. Его часто выражают высказываниями о том, что социальные ситуации слишком сложны, чтобы применять к ним математику, и что игнорирование этого факта неизбежно приведет к опасному сверхупрощению. Исходную посылку этого возражения необходимо принять. Социальные явления часто крайне сложны, и наши модели неизбежно являются упрощениями. Даже если можно допустить, что модель нужна не только для воспроизведения интересующих нас особенностей реального

процесса, решение данной проблемы остается исключительно сложным. Однако мы утверждаем, что для упрощения нет альтернативы. Основной ограничивающий фактор не математический аппарат, которым мы располагаем, а способность человеческого разума осмыслить сложную ситуацию. При построении моделей нет такого положения, последствия которого были бы выше нашего понимания. Вероятно, единственная мера предосторожности против чрезмерного упрощения состоит в том, чтобы использовать, комплекс моделей, а не одну. Каждая отдельная модель будет специальным случаем более сложной модели, которая потребуется для достижения наилучшего приближения к реальности. Выводы, общие для нескольких специальных случаев, заслуживают большего доверия, чем выводы для случаев, относящихся к одной произвольно выбранной модели. Часто стратегия, продиктованная такими соображениями, будет очевидной. Вместо того, чтобы делать «реалистичные» предположения и мириться с присущей им сложностью, мы делаем два или более «нереалистичных», но простых предположения. Где это возможно, они выбираются как крайности, между которыми должна лежать истинная ситуация. Если выводы по конкретному вопросу сходны, можно применить их к реальной ситуации, не выходя за рамки простой модели.

Наличие вычислительных машин ведет к третьему, более тонкому возражению против модельного подхода к предмету исследования. Сходная ситуация наблюдается в теории очередей, где на решение частных моделей были затрачены большие усилия. Утверждают, что с практической точки зрения результаты могут быть получены гораздо проще и быстрее с помощью имитационного моделирования на вычислительной машине. Такой же аргумент используется и применительно к общественным наукам. Если наша цель просто состоит в получении быстрого ответа в специфической ситуации, то имитационное моделирование, как правило, оказывается наилучшим методом. В прикладных общественных науках это норма, и специалист-практик в этой области найдет, что его интересы соотносятся с теми аспектами данной книги, где рассматривается построение моделей. С другой стороны, если при стохастическом моделировании нас больше интересует понимание сущности социальных явлений, то имитация на вычислительной машине менее удобна. По сути дела, в данном случае мы ищем общие решения, тогда как имитация дает нам решения лишь для частных случаев. Лаконичность и ясность простой формулы таковы, что усилия, затраченные на решение проблемы, полностью оправдываются, даже если бы мы могли довольствоваться приближением.

Необходимо отметить два различных смысла, в которых в настоящее время употребляется термин «имитационное моделирование». Выше мы говорили об имитационном моделировании индивидуального поведения. Для стохастической модели это включает определение каждого отдельного изменения состояний согласно данной реализации случайных событий, как это предписано вероятностными характеристиками модели. С помощью такого приема мы генерируем искусственные данные на индивидуальной основе именно такого типа, который можно наблюдать на практике. Некоторые авторы термин «имитация» используют

также применительно к вычислению ожидаемых значений случайных переменных в данной модели. Такие расчеты говорят нам о том, как вела бы себя в среднем модель, если бы она действовала, и в этом смысле можно говорить об имитации процессов. Подобные вычисления не дают никакой информации о стохастическом поведении системы.

При изучении социальных явлений методы имитационного моделирования, особенно последнего типа, широко применялись Форрестером и его коллегами в Массачусетском технологическом институте. Их работы по промышленной динамике, динамике развития городов и динамике глобального развития хорошо известны. Одна из основных целей этих работ состояла в том, чтобы лучше понять поведение очень сложных систем. Наш подход представляет собой дополнение к их подходу, хотя и менее претенциозен в том смысле, что он направлен на получение тех же результатов с помощью математического анализа.

Главное возражение против широкого применения стохастического моделирования особенно поддерживалось социологами и экономистами, которые считают, что многие применяемые модели лишены реального социального и экономического содержания. Например, в экономике они хотели бы найти модель, объясняющую межотраслевое распределение в форме «закона пропорционального действия». Этот закон несостоятелен, так как он не выполняется для тех экономических показателей, которые, как считают экономисты, влияют на размер отрасли. «Слишком многое из того, что относится к этому вопросу», — утверждают они, — «свалено в одну кучу в стохастической компоненте модели». Это равносильно отказу от поиска правильного объяснения, каким образом экономические факторы взаимодействуют в реальном мире. В этом аргументе, конечно, есть смысл, но он до некоторой степени приводит к неправильному пониманию целей стохастического моделирования. Это очень похоже на физика, объясняющего, что в элементарных книгах по теории вероятностей при анализе экспериментов с бросанием монеты не учитывается турбулентность или вязкость воздуха, момент вращения, сообщенный монете, или характер поверхности, на Которую она падает. Все эти факторы имеют отношение к эксперименту в том смысле, что они влияют на результат. Однако характер их взаимодействия и влияния на результат таковы, что ни один из них не имеет Предсказуемого значения. Следовательно, распределение результатов можно описать с помощью одного параметра — вероятности выпадения орла, — в некотором смысле суммирующего совместное действие всех причинных факторов. Если заранее известно, что значение переменной может быть предсказано, то эта переменная обязательно должна быть представлена в модели таким образом, чтобы ее действие могло быть определено количественно. Другими словами, переменная должна быть включена в ту часть модели, которая содержит «ошибки», если очевидно, что действие этой переменной не может быть освобождено от влияния многих других факторов, известных или неизвестных. Рост фирмы несомненно зависит от нормы процента, иностранной конкуренции, уровня безработицы, валютного курса и множества других факторов, но действие каждого из них в отдельности часто невозможно определить. Однако с точки зрения описания агрегированного поведения

совсем не надо добиваться, чтобы такие переменные были представ» лены в модели в явной форме. Это не исключает, конечно, мучения раздельного действия таких переменных на индивидуальном уровне. Указанные два подхода взаимно дополняют друг друга.

Это положение можно рассмотреть несколько иначе. Хорошо известно, что хаотическое поведение на одном уровне дает упорядоченное поведение на агрегированном уровне. Последнее создает основу для применения теории вероятностей. В равной степени справедливо и то, что действие детерминированных процессов может привести к явно случайным эффектам. Хорошим примером является генерирование псевдослучайных чисел в вычислительной машине. Последовательность цифр полностью определена математической формулой, но чтобы установить, откуда взялась эта формула, потребовались бы довольно длинные ряды цифр. Для практических целей годятся относительно короткие ряды, но они содержат пренебрежимо малое количество информации о законе их генерирования. Аналогично изучать аспекты человеческого или организационного поведения как случайные процессы — это не то же самое, что сказать — не существует причин, определяющих это поведение. Мы просто признаем, что наши данные слишком ограничены, чтобы можно было надеяться выражать количественно индивидуальные эффекты всех причин.

<< Предыдущий параграф Следующий параграф >>
Оглавление