Чего мы не знаем о революциях

Как бы то ни было, различные теории революции вносят важ­ный вклад в наше понимание этого наиболее сложного макроис-торического феномена, расширяют область ограниченного, «спе­цифического невежества». В заключение этой гла­вы я предлагаю обсудить пять загадок, или парадоксов, которые должны быть решены будущими теоретиками в этой области.

1. Первая касается возникновения революции. Различные тео­рии дают нам понимание многочисленных факторов и сил, ос­новных и побочных детерминант, необходимых и достаточных условий, облегчающих и затрудняющих обстоятельств и ситуа­ций, от которых зависит результат. Одни факторы (силы) отно­сятся к человеческому поведению, мотивациям, намерениям, эмоциям и идеям; другие — к социальному и культурному кон­тексту; третьи — к экономическим интересам и политическим возможностям. Ясно, что революции происходят лишь тогда, когда все эти факторы (или их часть) появляются в определенном уни­кальном соотношении. Что представляет собой та взрывчатая смесь, то специфическое сочетание, тот синдром, который дол­жен появиться в данное время и в данном месте, чтобы произо­шла революция? Этого мы не знаем.

2. Вторая загадка касается революционной мобилизации. По­чему массы людей вдруг преодолевают барьер апатии, пассивнос­ти, инерции, подчинения и решают сражаться за свои интересы и идеалы? Чем объяснить взрыв обязательств, участия, активнос­ти и неповиновения, которые наблюдаются при возникновении революций? Может быть, были преодолены некоторые пороги непереносимого крушения надежд, что привело к спонтанным действиям? Как определить эти пороги, ведь в одни времена люди способны терпеть гораздо большее давление и лишения, чем в другие? Этого мы тоже не знаем.

3. Еще одна загадка связана с революционным наследием. Что налагают предыдущие революции (успешные или неудачные) на последующие? Являются ли революции отдельными эпизодами со своей собственной, всякий раз заново возникающей уникаль­ной причинностью? А может быть, они подчиняются циклам, формируя широкомасштабную историческую последовательность, в которой предыдущие революционные попытки, победы или поражения оказывают сильное влияние на более поздние попыт­ки? Где может находиться общая причинность, лежащая в основе ряда революционных прорывов? И этого мы также не знаем.

4. Четвертая загадка касается результатов революции. Рево­люции, особенно успешные, создают героические мифы; их достижения преувеличиваются, а потери игнорируются. Но потом эйфория проходит, становятся очевидными побочные негатив­ные последствия, «эффекты бумеранга», человеческие жертвы. Очень скоро, например, рухнул миф о русской революции, кото­рая принесла нищету, угнетение, варварство, смерть. Крах ком­мунизма в конце XX в. окончательно доказал, что цель, пресле­довавшаяся этой революцией, с самого начала была ошибочной. Благодаря недавней «ревизионистской» историографии, распался героический миф о Великой французской революции, иронически названной «такой славной, но такой варварской». Почему результат револю­ций иногда так сильно отличается от того, о чем мечтали револю­ционеры? Почему они «в конце концов превращают в прах идеа­лы, которые вызвали их к жизни?». Неизбежна ли эта логика? И опять нам это не известно.

5. Последняя загадка связана с предсказуемостью революций. Большинство исследователей сходятся во мнении, что ни одну из известных революций нельзя было предсказать. Как отмечает Крэйн Бринтон, «настоящая революция всегда неожиданна». Ришард Капучински размышляет над иранской революцией: «Планировался путч или дворцовый переворот, но не революция. Ее взрыв, момент взрыва, застал врасплох всех, даже тех, кто желал ее. Все были ошеломлены спонтанностью ее неожиданно­го появления и тем, как она уничтожала все на своем пути». В конце 80-х годов исследователи революции должны были признать еще одну неудачу в предсказаниях. По словам Жана Киркпатрика, «коллапс коммунизма был фантастическим сюр­призом... В современной истории не было большей неожидан­ности, чем скорость и всеобщность, с которой пали коммунисти­ческие режимы в Восточной Европе и в самом социалистическом отечестве — Советском Союзе». Почему так случилось? Вероятно, здесь сказывается ограниченность эпистемологичес-ких (теоретико-познавательных) возможностей: сложность исто­рических событий подобного масштаба, отсутствие информации, надежных математических моделей и т.д. «Нет особых оснований полагать, будто сегодня кто-либо обладает знаниями, достаточ­ными для того, чтобы применить формальные методы диагнос­тики к современному обществу и определить, произойдет рево­люция в ближайшее время или нет».

«Изучение революций во многом подобно изучению земле­трясений. Когда они происходят, ученые стараются извлечь смысл из множества собранных данных и построить теории для того,

чтобы предсказать следующее. Постепенно мы начинаем лучше понимать их, но каждое новое землетрясение вновь удивляет нас. Так же и наше знание революций, как и знание землетрясений, все еще ограничено. Мы можем детально проанализировать их, перечислить некоторые благоприятные для них условия, но по­нять, что в точности они собой представляют, нам еще только предстоит».

Однако правомерно предположить существование и более фундаментальных онтологических причин. Наверное, в этой об­ласти прогнозы не просто трудны, а невозможны в принципе. Во-первых, революционные события зависят от действий мно­жества индивидов. Это итог совокупности миллиардов индиви­дуальных решений, каждое из которых принимается конкретным человеком, с уникальной биографией, в контексте специфичес­кой социальной ситуации, непредсказуемым в своих поступках. Иначе говоря, на макрошкале, похоже, преобладают условия, опи­сываемые в естественных науках как «хаос», и потому любые кон­кретные предсказания оказываются невероятно сложными.

Во-вторых, мобилизация и координация революционных дей­ствий требуют сильных лидеров, обладающих талантом, опреде­ленным положением и харизмой, что в значительной степени является генетической тайной.

В-третьих, феномен революции включает в себя многообраз­ные процессы (рост недовольства, озлобленности, мобилизацию масс, реакцию элиты, давление внешних сил — и это еще далеко не все). И хотя каждый из них можно теоретически рассчитать и в известной мере даже угадать, тем не менее их конкретная уни­кальная комбинация, пересечение в определенный исторический момент приводит к возникновению нового феномена, не объяс­нимого в рамках отдельной теории.

В-четвертых, в приложении к революционным социальным изменениям обычная логика осмысления и самоуничтожающего пророчества отчасти порочна. Если теория способна предсказать революцию, то само предсказание будет подвигать к действию защитников старого режима, у которых на данный момент будет еще достаточно сил, чтобы не допустить ее победы. Отсюда сле­дует парадоксальный вывод: теория революции бессмысленна, ибо если она способна предсказать, то предсказания будут опровер­гаться, если же не способна, то это вовсе не теория. Самое боль­шее, что мы можем ожидать от так называемых «теорий револю­ций», это интерпретации свершившихся событий, что само по себе уже будет большим интеллектуальным успехом.

Литература

1. Арнольд В.И. Теория катастроф. М., 1990

2. Бенвенисте Г. Овладение политикой планирования. М.: Прогресс, 1994

3. Кузьмин С.А. Социальные системы: опыт структурного анализа. М., Наука, 1996

4. Липсет С.М. Сравнительный анализ социальных условий, необходимых для становления демократии // Международный журнал социальных наук, 1993. № 3

5. Переходы и катастрофы. М.: МГУ, 1994

6. Плотинский Ю.М. Анализ риска социальных реформ. Материалы II Международной Кондратьевской конференции. М., 1996

7. Тернер Дж. Структура социологической теории. М., 1985

8. Хайек Ф.А. Пагубная самонадеянность. Ошибки социализма. М., 1993

9. Кончанин Т. Л., Подопригора С.Я., Яременко С.И. Социология. Ростов н/Д: Феникс, 2001. гл. 21

10. Социология. Учебное пособие. Под ред. Тадевосяна Э.В. – М.: Знание, 1995, гл 6.

11. Штомпка П. Социология социальных изменений.

Лекция 14. Современные теории структурной динамики

План

1. Модели теории катастроф

2. Синергетика и теория хаоса.

3. Базовые понятия синергетики, бифуркация в историческом процессе.

4. Дссипативные структуры И. Пригожина

1. Модели теории катастроф.

В начале 70-х годов стал популярен термин "катастрофа", обоз­начающий скачкообразные изменения, возникающие при плав­ных изменениях значений параметров. В популярных изданиях теория катастоф рекламировалась как переворот в математике, сравнимый с изобретением дифференциального исчисления. За по­следние 25 лет появились сотни публикаций, в которых теория катастроф успешно применялась в естествознании и технике. Опуб­ликованы также работы, в которых модели теории катастроф при­менялись в экономике, психологии, лингвистике, социологии.

После периода эйфории, вызванного широкой саморекламой, появились более трезвые оценки применимости теории катаст­роф. Более того, выяснилось, что многие серьезные результаты были получены до провозглашения новой теории.

Один из ведущих российских математиков В.И.Арнольд от­мечает, что обоснованность теории катастроф существенно зави­сит от обоснованности исходных посылок. "Например, в теории хлопков упругих конструкций и в теории опрокидывания кораб­лей предсказания теории полностью подтверждаются экспери­ментом. С другой стороны, в биологии, психологии и социаль­ных науках (скажем, в приложениях к теории поведения биржевых игроков или к изучению нервных болезней) как ис­ходные предпосылки, так и выводы имеют скорее эвристическое значение".

Чаще всего неприятным сюрпризом для наблюдателя оказы­вается ситуация, в которой небольшие, постепенные изменения параметров ведут к неожиданно резкому, обвальному изменению поведения системы. Рассмотрим основные положения теории ка­тастроф на качественном уровне, опуская математические дета­ли.

Одной из наиболее популярных моделей теории катастроф является катастрофа "сборка", изображенная на рис. 11.1.

Здесь наглядно продемонст­рированы качественные осо­бенности катастрофического поведения систем. По осям а и b откложены значения незави­симых переменных, \ а по оси х — зависимой. Возможным положениям системы соответ­ствует поверхность катастроф. Проекция этой поверхности на плоскость (а, Ь) дает бифурка­ционную кривую (бифуркация от лат. bifurcus — раздвоен­ный).

Предположим, что непрерывному изменению значений пара­метров а и b на рис. 11.1 соответствует движение по кривой RT. В точке T происходит катастрофа — система скачком переходит с верхнего листа на нижний в точку P.

Отметим, что каждому значению параметров а и b внутри бифуркационной кривой соответствуют два различных состоя­ния системы (бимодальность). На поверхности катастроф можно наблюдать явление гистерезиса, когда поведение системы суще­ственно зависит от предыстории процесса. Например, при изме-

нении состояния системы вдоль кривой RT происходит скачок с верхнего листа на нижний — из точки T в точку P. Но при движении вдоль кривой PQ скачок с нижнего листа на верхний произойдет не в точке P, а в точке Q.

В работе Постона и Стюарта с помощью теории катастроф ис­следуется динамика нарушений режима в тюрьме Гартри в тече­ние 1972 г.. Используя факторный анализ, авторы выделили два основных фактора, влияющих на беспорядки: напряженность (чувство разочарования и безысходности, бедственное положение); разобщенность (взаимное отчуждение, отсутствие общения, раз­биение на два лагеря).

Анализ показал, что с ростом напряженности повышается вероятность волнений, а увеличение разобщенности связано с характером волнений — они становятся более вне­запными и яростными.

Авторы считают, что динамика системы соот­ветствует модели катаст­рофы "сборка". Из рис. 11.2 видно, что при низ­ких значениях разобщен­ности система стремится к устойчивому положе­нию умеренного волне­ния, но при высоком уровне разобщенности она меняет свое по­ложение скачком с нижнего листа на верхний и обратно.

Рассмотрим модель принятия решения о внедрении конкретно­го новшества. Предположим, что инновация принимается фир­мой, если оценка прибыли, полученной от внедрения новшества, высокая, и отвергается при низкой оценке прибыли. Если оцен­ка принимает промежуточное значение, то новинка может быть как отвергнута, так и принята. В последнем случае фирма соби­рает дополнительную информацию о новинке с тем, чтобы точ­нее оценить будущую прибыль. Для решения этой задачи T. Олива (T. Oliva) предлагает использовать модель катастрофы "сборка".

Спроецируем поверхность катастроф на плоскость XY (рис. 11.4)

Каждой точке вне за­штрихованной области со­ответствует только одно ре­шение. Каждой точке внутри заштрихованной об­ласти соответствуют два значения зависимой пере­менной Z — какое именно, зависит от предыстории. Вертикальная прямая пере­секает поверхность катаст­роф в трех точках, но про­межуточное значение Z считается недопустимым (см. разд. 3).

Если руководство фир­мы было готово принять нововве­дение в точке T (см. рис. 11.3), то, двигаясь вдоль оси X (снижая оценку прибыли, допустим, до 1 млн рублей), фирма все равно го­това внедрить новинку. Если фир­ма отвергла новинку в точке А, то, перейдя в точку В и увеличив оценку прибыли до 1 млн рублей, как и в точке S, фирма тем не ме­нее не меняет решения — дейст­вует инерция установки, клише.

Перейдем из точки В в точку M — оценка прибыли возрастет до 1,2 млн рублей. Далее небольшое изменение оценки до 1,21 млн рублей приводит к резкой смене решения — инновация при­нимается.

Отметим, что при высокой степени информированности (Y велико) и увеличении параметра X скачков не происходит, сис­тема функционирует плавно.

Рассмотрим в этой модели петлю гистерезиса (A, M, T, R, А). В данном случае явление гистерезиса (или запаздывания) объ­ясняется инерционным восприятием менеджеров. Хресто­матийный пример гистерезиса в оптическом восприятии приве­ден ниже.

В верхнем ряду четвертое слева изображение воспринимает­ся с равной вероятностью как фигура девушки и как мужское

Бистабильность восприятия

лицо. Распознавание изображений внутри "клюва", выделенно­го штриховой линией, зависит от направления просмотра соот­ветствующего ряда — слева направо или справа налево. Поэкс­периментировав с рисунком, читатель может познакомиться с особенностями бистабильного восприятия — явления, которое может быть описано моделью катастрофы "сборка".

Одно из основных понятий современной нелинейной науки — бифуркация. В математике под бифуркацией понимают измене­ние числа или устойчивости решений определенного типа для модели, описывающей систему при изменении управляющих па­раметров. В точке бифуркации система как бы дела­ет выбор, который определяет ее дальнейшую эволюцию. Понятие бифуркации описывает процесс перехода постепенных количественных изменений управляющих параметров в качест­венное изменение состояния системы.

Столь емкий термин не мог не завоевать популярность в об­щественных науках. Так, Лотман считает, что целесообразно рас­смотреть два типа социальных процессов. В первом типе соци­альных процессов события носят внеличностный характер, так как участники процесса практически лишены права выбора. Мож­но сказать, что люди играют роль частиц в броуновском движе­нии гигантских социальных процессов (развитие общественных формаций, классовые, национальные движения). Второй тип со­циальных процессов связан с событиями, которые совершаются через сознание людей и с помощью этого сознания. "Человек оказывается перед возможностью выбора поведения и неизменно соотносит свои действия с образом дели, представлением о результатах". Таким образом, там, где социальный про­цесс предстает как множество альтернатив, выбор между кото­рыми осуществляется интеллектом и волей человека, необходим поиск новых и более сложных форм и моделей причинности.

Опираясь на идеи синергетики, Ю. Лотман предлагает рас­сматривать социальный процесс как многофакторный поток. "Ко­гда достигается точка бифуркации, движение как бы останавли­вается в раздумье перед выбором пути". Из этой точки может выходить несколько равновероятностных устойчивых траекто­рий развития. В этом моменте социального процесса люди име­ют возможность осуществлять выбор. "Как бы ни были бессиль­ны при нормальном течении истории эти факторы, они оказываются решающими в момент, когда система задумалась перед выбором. Но вмешавшись в общий ход процесса, они сразу же придают его изменениям необратимый характер".

Архаические символы — конденсато­ры тысячелетнего опыта человечества: замкнутые фигуры — круг, треугольник, квадрат — символизируют высшие надчеловеческие силы; крест, перекресток уже в санскрите означал выбор, судьбу, человеческие начала: разум и совесть. Перепутье предос­тавляет выбор идущему".

Данный подход не случайно возник в наше время. По мне­нию Лотмана, он связан не только с современным состоянием естествознания, но и со спецификой переживаемой нами эпохи: время итогов, время "концов"— заканчивается XX век, тысячеле­тие. Подведение исторических итогов неизбежно связано с во­просом: куда идешь? История — взгляд на прошлое из будуще­го, взгляд на произошедшее с точки зрения какого-то представления о "норме", "законе", "коде" — о том, что возво­дит происшествие в ранг исторического факта и заставляет вос­принимать события как имеющие смысл.

Слишком частое и вольное использование термина "бифурка­ция" политологами и историками не одобряют представители бо­лее точных, естественных наук. "В изученных физических, хи­мических и биологических системах точек бифуркации не так уж много. Типичным является устойчивое состояние, устойчивое развитие". Однако не следует забывать, что социальные систе­мы от природных отличает прежде всего то, что эти системы яв­ляются когнитивными, способными делать осознанный выбор.

Интересный пример бифуркационной диаграммы историчес­кого процесса приводит Г.Г.Малинецкий. Он полагает, что теория развития цивилизаций Тойнби может быть проиллюст­рирована моделью.

По оси ординат откла­дываются реальные дохо­ды на душу населения, а по оси абсцисс — время. Пусть с течением време­ни вследствие изменения климата и экологии уро­жайность зерновых пада­ет. Недостаток продоволь­ствия ведет к росту социальной напряженно­сти. Разрастается кризис, и общество подходит к точке бифуркации (точка X₁). Ответить на "вызов истории" можно двумя способами. Первый способ — уменьшение потребностей, жесткий курс по отношению к соседям (нижняя ветвь. Второй способ — колонизация заморских тер­риторий, находящихся на более низкой стадии развития. Следую­щий выбор (точка ^₂) связан с решением либо стать торговой дер­жавой, либо перейти к прямому управлению колониями.

2. Синергетика и теория хаоса

В 80-е годы все большее внимание исследователей привлека­ет проблема самоорганизации, перехода от хаоса к порядку. Не­мецкий ученый Г. Хакен назвал теорию самоорганизации синер­гетикой (теория совместного действия). Синергетика изучает такие взаимодействия элементов системы, которые приводят к возникновению пространственных, временных или пространст­венно-временных структур в макроскопических масштабах. Осо­бое внимание уделяется структурам, возникающим в процессе самоорганизации.

Г. Хакен отмечает, что синергетика как междисциплинарная наука связана с различными областями физики, химии, биологии, кибернетики. "С более общих позиций можно считать, что и теория динамических систем, и синергетика занимаются изучением временной эволюции систем. В частности, математи­ки, работающие в теории бифуркаций, отмечают, что в центре внимания синергетики (по крайней мере в современном виде) находятся качественные изменения в динамическом (или ста­тическом) поведении системы, в частности при бифуркациях. Наконец, синергетику можно рассматривать как часть общего системного анализа, поскольку и в синергетике, и в системном анализе основной интерес представляют общие принципы, ле­жащие в основе функционирования системы".

Таким образом, теория катастроф, системная динамика, тео­рия диссипативных структур "самоорганизовались" в новую меж­дисциплинарную науку — синергетику. Г.Р. Иваницкий считает, что термин "синергетика" мало что поясняет и лучше говорить о "динамических процессах и нелинейных системах, приводящих к хаотизации движения или, наоборот, к его упорядочению и по­явлению пространственно-временных структур.

Наряду с теорией относительности, квантовой физикой теория хаоса оказывает все более заметное влияние на парадигмы обще­ствоведения. Высказывается надежда, что теория хаоса послужит углублению взаимопонимания между представителями естествен­ных и гуманитарных наук.

Рассмотрим основные понятия синергетики, используемые для изучения поведения нелинейных систем. Система находится в состоянии хаоса, если:

• при любых начальных условиях траектории движения ста­новятся апериодическими;

• при сколь угодно близких начальных условиях две траекто­рии со временем станут различными.

Столь высокая чувствительность к начальным условиям ве­дет к невозможности прогнозирования поведения системы, что является одной из важнейших характеристик хаоса. Режим на­зывается хаотическим, если расстояние между любыми двумя точками, первоначально сколь угодно малое, экспоненциально возрастает со временем.

В древние времена хаосом называли неупорядоченную, бес­форменную массу, из которой возникло все сущее. Какая-либо форма, структура может возникнуть из хаоса благодаря внеш­ним целенаправленным воздействиям или под действием сил самоорганизации. "Самоорганизацией называется возникно­вение упорядоченных структур и форм движения из перво-

начально неупорядоченных, нерегулируемых форм движения без специальных, упорядочивающих внешних воздействий".

Множество точек, к которым притягиваются траектории ди­намических систем, называется аттрактором. Математики считают, что при качественном анализе поведения динамических систем внимание следует сосредоточить не на переходных процес­сах, а на установившихся режимах. Математическим образом таких режимов и являются аттракторы. Для устойчивых равно­весных систем аттракторами чаще всего является либо точка, тогда переменные не меняются во времени, либо цикл, тогда сис­тема испытывает периодические колебания.

Если система находится в неустойчивом состоянии, то ее траектории могут притягиваться к странному аттрактору. Стран­ный аттрактор в некоторых случаях похож на клубок траекто­рий, напоминающих две склеенные друг с другом ленты. Если наблюдать за поведением точки, характеризующей состоя­ние системы, на экране дисплея, то можно увидеть, что точка "бегает" по аттрактору, случайно (хаотично) подается то на ле­вую, то на правую ленту.

Странные аттракторы чувствительны к начальным данным. Если выбрать две близкие точки, лежащие на аттракторе, и про­анализировать, как будет меняться расстояние между ними с течением времени r(t), то оказывается, что возможны разные варианты:

Таким образом, у странного аттрактора две близкие траекто­рии со временем перестанут быть близкими. Это означает, что как бы точно ни измерялись начальные данные, ошибка со временем станет большой и, следовательно, поведение системы на больших временных интервалах спрогнозировать нельзя. Это явление бы­ло названо эффектом бабочки. История бабочки, случайно за­давленной во время сафари участником путешествия на машине времени, описана в блестящем рассказе P. Бредбери "

Сценарий хаотизации

Странные аттракторы описал метеоролог Лоренц в 1963 г., мо­делируя задачи прогноза погоды. Из наличия эффекта бабочки вы­текает практическая невозможность прогноза погоды: если необ­ходимо предсказать погоду на 1-2 месяца вперед с погрешностью D, то начальные данные должны быть известны с погрешностью DxIO.

Переход системы в режим странного аттрактора означает, что в ней наблюдаются сложные непериодические колебания, которые очень чувствительны к незначительным изменениям начальных условий. Такой режим может быть назван хаотическим.

Исследование экологических моделей привело ученых к экс­периментальному открытию каскадов удвоений периода. Уни­версальность этого явления доказал M. Фейгенбаум (1978).

3. Диссипативные структуры И. Пригожина

В теории диссипативных структур, развиваемой И. Пригожиным и его школой, первоначально изучались процессы самоорга­низации в физико-химических системах. До работ Приго­жина в естествознании в основном изучались равновесные структуры, которые можно рассматривать как результат стати­стической компенсации активности микроскопических элемен­тов (молекул, атомов).

Если систему с равновесной структурой изолировать от внеш­ней среды, то ввиду инертности данная равновесная структура может существовать бесконечно долго. Однако в биологичес­ких и социальных системах ситуация, как правило, другая: сис­тема незамкнута, открыта и, более того, существует потому, что она открыта, питается потоками вещества, энергии, инфор­мации, поступающими из внешнего мира. В открытых систе­мах случайные флуктуации "пытаются" вывести систему из рав­новесного состояния. В реальных системах незначительные флуктуации, как правило, подавляются, и система остается ста­бильной. Если же силы, действующие на систему, становятся достаточно большими и вынуждают ее достаточно далеко уйти от положения равновесия, то состояние системы становится не­устойчивым. Некоторые флуктуации могут не затухать, а уси­ливаться и завладевать всей системой. В результате действия положительной обратной связи флуктуации усиливаются и мо­гут привести к разрушению существующей структуры и пере­ходу в новое состояние. Причем возможен переход и на более высокий уровень упорядоченности, называемый диссипативной структурой. Возникает явление самоорганизации.

Исследуя динамику сильно неравновесных систем, И. Приго­жий приходит к следующим выводам: "Когда система, эволюцио­нируя, достигает точки бифуркации, детерминистическое описа­ние становится непригодным. Флуктуация вынуждает систему выбрать ту ветвь, по которой будет происходить дальнейшая эво­люция системы. Переход через бифуркацию — такой же случай­ный процесс, как бросание монеты. Существование неустойчиво­сти можно рассматривать как результат флуктуации, которая сначала была локализована в малой части системы, а затем рас-пространилась и привела к новому макроскопическому состоя­нию".

Известный американский футуролог О.Тоффлер отмечает, что пригожинская парадигма особенно ин­тересна тем, что она акцентирует внимание на аспектах реально­сти, наиболее характерных для современной стадии ускоренных социальных изменений: разупорядоченности, неустойчивости, разнообразии, неравновесности, нелинейных соотношениях, в ко­торых малый сигнал на входе может вызвать сколь угодно силь­ный отклик на выходе, и темпоральности — повышенной чувст­вительности к ходу времени".

Принципы, разработанные Пригожиным для анализа химичес­ких процессов, были распространены на широкий класс явле­ний в физике, молекулярной биологии, процессов эволюции в биологии, а затем и социологии. Так, в. описан про­цесс самоорганизации у термитов — построение термитника. Предполагается, что первая стадия — основание термитника — является результатом беспорядочного поведения термитов. Тер­миты приносят и беспорядочно разбрасывают комочки земли. Каждый комочек пропитывается гормоном, привлекающим дру­гих термитов. Случайным образом в этом процессе возникает флуктуация —- несколько большая концентрация комочков земли в окрестности некоторой точки. Повышенная концентрация гор­монов привлекает к этой точке большее число термитов. Про­цесс концентрации термитов усиливается благодаря положитель­ной обратной связи. Постепенно возникают "опоры" термитника.

Процесс построения термитника — яркий пример явления самоорганизации, возникновения сложной структуры в хаотичес­кой среде благодаря флуктуации. В настоящее время в естест­венных науках ведется активное исследование явлений, связан­ных с возникновением структур, самоорганизацией в простейших нелинейных средах. Делаются попытки выявить прообразы по­явления организации и в более сложных, в частности социаль­ных, системах. Ученые ведут исследования простейших моде­лей, анализ которых не может заменить изучение сложных социальных процессов, но может дать исследователям полезную подсказку, помочь подметить скрытые закономерности, сформу­лировать плодотворные гипотезы.

Хаос в эволюции.

Оказалось, что в моделях этого типа также возможны хаотичес­кие состояния. Как утверждается, хаотические колебания могут воз­никнуть в период замены старого уклада на новый. Возникнове­ние нестабильности может интерпретироваться как случайный по­иск равновесного состояния системой, оказавшейся в ситуации, когда растущие возможности не могут быть реализованы в рам­ках существующей ниши. Данная модель демонстрирует чередо­вание режимов порядка и хаоса. В период быстрого экономичес­кого роста многие компании консолидируются, интегрируются. Корпорации работают как часы, подчиняясь эффективному цен­трализованному управлению. В стадии насыщения под давлением инноваций экономическая система попадает в полосу хаоса.

Модели, построенные на основе понятия "порядок через флуктуации", будут способствовать бо­лее точной формулировке "сложного взаимодействия между ин­дивидуальным и коллективным аспектами поведения". Модели такого типа "открывают перед нами неустойчивый мир, в кото­ром малые причины порождают большие следствия, но мир этот не произволен. Напротив, причины усиления малых событий —

вполне «законный» предмет рационального анализа... Если флук­туация становится неуправляемой, это еще не означает, что мы не можем локализовать причины неустойчивости, вызванные уси­лением флуктуации".

В состоянии хаоса поведение системы непредсказуемо. Точнее, нельзя предсказать конкретное состояние, проследить заданную траекторию на длительном временном интервале. Однако веро­ятностные, усредненные характеристики могут быть спрогнозированы.

В качестве примера рассмотрим наклонный желоб, по кото­рому течет вода. Если бросить в него разноцветные песчинки, то они стройными рядами поплывут вниз. Попробуем положить в желоб несколько камней. Спокойное течение сменится турбулент­ным. Траектории песчинок, определяемые завихрениями и во­доворотами, станут трудно прогнозируемыми. Две в начале близ­кие песчинки к концу пути могут оказаться далеко друг от друга. Однако интегральные характеристики системы (например, ко­личество жидкости, вытекающей из желоба в единицу времени) могут вести себя достаточно устойчиво.

Странный аттрактор, определяющий хаотическое поведение системы, часто занимает ограниченную область фазового про­странства. Поэтому, хотя траектории разбегаются с экспоненци­альной скоростью, убежать за границы странного аттрактора они не могут. Следовательно, определение границ области хаоса мо­жет позволить получить оценки поведения системы. Можно ли управлять подобными системами? Не только можно, но и нуж­но. Чувствительность такой системы позволяет вывести ее из хаотического состояния с помощью очень малых, но точных и своевременных воздействий.

Обязана ли социальная система притягиваться к странному ат­трактору? Нет. Управляющие воздействия, введение дополнитель­ных ограничений могут позволить избежать хаотических состояний.

Отметим, что далеко не все теоретики считают, что хаоса следу­ет избегать. Верящие в животворную силу хаоса, наоборот, полага­ют, что чем он окажется обширнее, глубже, тем более эффектив­ный порядок смогут породить творческие силы самоорганизации.

Литература

1. Арнольд В.И. Теория катастроф. М., 1990

2. Давыдов А.А., Чураков А.Н., Модульный анализ и моделирование социума. М., 2000

4. Ельчанинов М.С. Социальная синергетика и катастрофы в России в эпоху модерна. М.: 2002

5. Князева Е.И., Курдюмов С.П. Законы эволюции и самоорганизации сложных систем. М., 1996

6. Лотман Ю. Клио на распутье // Наше наследие. 1988. № 5

8. Малинецкий Г.Т. Хаос. Структуры. Вычислительный эксперимент: Введение в нелинейную динамику. М.: Наука, 1997

9. Моисеев Н.Н., Расставание с простотой. М., «Аграф», 1998

10. Плотинский Ю. М. Модели социальных процессов. М.: Логос. 2001

11. Пригожин И., Стенгерс И. Порядок из хаоса: Новый диалог с природой. М., 1986

12. Синергетическая парадигма. Многообразие навыков и подходов. М., 2000

13. Хакен Г. Синергетика. М., 1985

Лекция 15. Формальные модели социальных процессов

План

1. Роль иконологического моделирования. Модель гонки вооружения Ричардсона.

2. Модель Даунса.

3. Модель «дилемма заключенного».

4. 4. Модели ожидаемой полезности и оптимизации.

Рассматривая методологию иконологического моделирования остановимся на исследовании компьютерных моделей сложных систем и современных методах визуализации информации. В предлагаемой методологии роль формальных ме­тодов анализа социальных процессов кардинально пересмотрена, что обусловлено ориентацией данной методологии в первую оче­редь на социологов — исследователей, преподавателей, студен­тов. Исследователь должны самостоятельно формализовывать содер­жательные модели и проводить исследования на компьютерных моделях многофакторных нелинейных систем. Методология иконологического моделирования позволяет социологам перейти от "жестких" математических моделей к изучению значительно бо­лее реалистичных "мягких" моделей. Как справедливо отмечает академик В.И. Арнольд, в социальных науках конкретный вид взаимосвязей часто неизвестен, поэтому необходимо исследова­ние поведения систем для целого класса функций.

Исследователь социолог получает возможность самостоятельно проводить по­строение и изучение модели. Помощь математика и программиста необязательна. От пользователя не требуется владение сложным математическим аппаратом и языками программирования. Методо­логия ориентирована на исследование моделей с помощью вычисли­тельных экспериментов и получение качественных оценок.

Ключевую роль в исследовании должно играть доверие соци­олога к получаемым результатам. Обеспечить необходимый уро­вень доверия позволит использование стандартного и распростра­ненного программного обеспечения (в данном случае электрон­ных таблиц Excel). Социолог имеет возможность проверить бук­вально каждый шаг вычислений. Процесс компьютерной имита-

ции находится под полным контролем пользователя. В любом месте процесс вычислений можно прервать, скорректировать мо­дель и продолжить моделирование дальше.

Эксперименты с моделью позволяют выявить неожиданные эффекты, сгенерировать новые гипотезы, обеспечить описание и понимание социальных явлений, недоступное в других языках научных исследований. Так, с помощью компьютерных экспери­ментов удается выявить возможные формы пространственной и временной самоорганизации, условия возникновения социальных структур, проанализировать эволюцию систем правил.

В последующем изложении иконологическое моделирование, делающее акцент на визуализации решений и экспериментиро­вании с моделью, будет соседствовать с традиционными подходами к исследованию поведения систем. Некоторые математичес­кие результаты, полученные при изучении достаточно простых систем, могут оказаться полезными для углубления понимания качественных особенностей поведения более сложных систем, с которыми приходится иметь дело при решении практических проблем.

Предложенная методология может быть использована не только в научных исследованиях, но и в преподавании различ­ных дисциплин на социологических факультетах. Учебное ком­пьютерное моделирование дает возможность существенно углу­бить понимание таких сложных социальных процессов, как эво­люция, кооперация, самоорганизация, конкуренция, обучение, подражание и т.д. Использование визуализации, игровых форм, безусловно, обогатит традиционные формы изложения матери­ала. Отметим, что при данном подходе снимается проблема мо­тивации студентов — многие модели можно считать просто уп­ражнениями по освоению современных электронных таблиц, а каждый студент становится создателем своего собственного зна­ния.

Применение специализированных пакетов на данном этапе нецелесообразно, так как у пользователя снижается уровень до­верия к результатам, получаемым из "черного ящика". К тому же специализированные пакеты не всегда могут обеспечить уро­вень гибкости, необходимый для исследования "мягких" моде­лей. Конечно, социолог может нуждаться в наборе дополнитель­ных программных средств для решения конкретных задач, но они должна быть оформлены в виде системы общедоступных программных модулей (СПМ), состоящей из совокупности дос­таточно простых макросов.

Иконологическое моделирование не предполагает традицион­ных методов освоения математических знаний. Математические понятия и утверждения используются только как генеративные метафоры, позволяющие по новому увидеть изучаемые явления, сформулировать нетривиальные гипотезы о поведении рассмат­риваемых процессов.

Предложенный инструментарий должен постепенно стать органической частью социологического знания. Это создаст необ­ходимые условия для синтеза социологии, информатики и мате­матики, выводящего социальные науки на качественно новый уровень.

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

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

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

Все подобные допущения упрощают действительность. Мы не знаем, каково точное число избирателей, да нам это и не надо – мы просто знаем, что оно очень велико. Мы не знаем, какие конкретно особенности кандидата делают его приемлемым для одних избирателей и неприемлемым для других, но мы исходим из того, что совсем уж непопулярные кандидаты не будут выдвинуты на голосование. Мало у кого есть личный опыт в деле подсчета голосов, достаточный для того, чтобы знать, честно ли проводятся выборы, но весь опыт прошлого дает основания считать, что фальсификации на выборах места не имеют2. Поскольку эти допущения не столь уж часто приводят нас к неверным выводам, мы можем использовать эту модель политической системы для неформального прогнозирования будущего. В действительности те случаи, когда какой-либо кандидат получает 95% голосов, вызывают у населения сильное недоверие, иногда вплоть до требований о расследовании, так что наша модель отчасти определяет также поступки и отношения людей.

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

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

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

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

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

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

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

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

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

1 2 3 4 5 6 7 8 9

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

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

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

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

1. Модель гонка вооружений (модель Ричардсона)

В 1918 г. английский метеоролог Льюис Ф. Ричардсон, служивший на фронте санитаром, вернулся с первой мировой войны потрясенный размерами виденных им разрушений и насилия. Он был преисполнен решимости применить свои недюжинные математические способности и новейшие научные знания к изучению феномена войны. Поскольку первой мировой войне предшествовала гонка вооружений, Ричардсон обратился к рассмотрению этого явления. Благодаря своим занятиям физикой он был хорошо знаком с дифференциальным исчислением, используемым при моделировании динамических процессов. Гонка вооружений, рассуждал он, тоже является динамическим процессом и может быть приблизительно описана с помощью математической модели.

Испробовав десятки сложных математических формул, Ричардсон, в конце концов, остановился на относительно простой модели, учитывающей действие всего лишь трех факторов. Первый из них состоит в том, что государство Х ощущает наличие военной угрозы со стороны противника – государства Y. Чем большим количеством вооружений располагает Y, тем больше вооружений захочет приобрести X в ответ на воспринимаемую им угрозу. Однако в то же самое время государство Х вынуждено решать и насущные социальные задачи, и не может перевести всю свою экономику на рельсы военного производства. Следовательно, чем большим количеством вооружений располагает X, тем меньше дополнительных вооружений оно сможет приобрести из-за существующего бремени расходов. И, наконец, по рассуждению Ричардсона, существуют и прошлые обиды, влияющие на общий уровень вооружений. Та же самая логика, которая применима к государству X, действует и в отношении государства Y, для которого составляется сходное уравнение.

Красота модели Ричардсона заключается в ее автономности: если вам известны значения коэффициентов и уровни вооружений государств Х и Y в одном каком-то году, вы можете с помощью этой модели предсказать величину уровня вооружений в любом последующем году. Это придает модели способность – во всяком случае, в теории – прогнозировать будущее, и Ричардсон надеялся, что если политики смогут предсказывать приближение войны, то они смогут научиться и предотвращать ее.

На удивление оригинальная работа Ричардсона пребывала в безвестности в течение ряда десятилетий. Он продолжал свои исследования в области математизации международных отношений вплоть до самой пенсии, но работа его не получила признания ни в научных, ни в политических кругах. Ричардсон умер в 1953 г., будучи хорошо известен своими работами по математической метеорологии, но совершенно неизвестен в области политической науки.

Второе рождение работы Ричардсона наступило после того, как в конце 50-х годов ее обнаружила и стала всячески рекламировать группа социологов из Чикагского и Мичиганского университетов. Журнал “Journal of Conflict Resolution” посвятил Ричардсону целый выпуск. Были опубликованы две рукописи Ричардсона – “Статистика непримиримых распрей” и “Вооружение и отсутствие безопасности”, – и его модель стала краеугольным камнем новой области знаний – математической теории международных отношений. К началу 70-х годов модель была испробована уже сотни раз на самых разных вариантах гонки вооружений.

Модель работала! Не идеально, конечно: ведь любая гонка вооружений имеет сложный комплекс причин, совокупность которых не в состоянии охватить ни одна искусственная модель. Однако модель Ричардсона в целом эффективна в случаях краткосрочных прогнозов, и – что существенно – лучше нее не работает никакая другая автономная модель. Касается ли это противостояния между НАТО и Организацией Варшавского Договора, ближневосточного конфликта или трагической 30-летней войны в Юго-Восточной Азии, модель Ричардсона гонки вооружений всякий раз адекватно отражает основные особенности конкретного варианта гонки вооружений. При этом эмпирически обнаружилась еще одна область применения данной модели.

Одной из важнейших характеристик модели Ричардсона является стабильность. В простейшей форме стабильность определяется тем, какими – ускоренными или замедленными – темпами развивается гонка вооружений. Приведем два примера гонки вооружений: стабильной гонки вооружений между странами НАТО и ОВД и нестабильной между Ираном и Ираком; на обеих схемах размеры военных расходов приведены согласно данным ежегодников Международного института мирных исследований в Стокгольме (SIPRI). В случае нестабильной гонки вооружений, проблема предотвращения войны была, конечно, тем главным стимулом, который с самого начала подтолкнул Ричардсона к его разработкам. Оказалось, что его модель умеет очень хорошо предсказывать войну, поскольку почти всем современным войнам предшествует нестабильная гонка вооружений. Ричардсон постулировал это в своей основополагающей работе, а впоследствии это было подтверждено другими, более систематическими исследованиями. В конце 70-х годов Майкл Уоллес обнаружил, что нестабильность гонки вооружений тесно коррелирует с войной. Используя несколько более сложное, однако, основанное на Ричардсоновой модели определение гонки вооружений, Уоллес обнаружил, что из 28 серьезных международных конфликтов, сопровождавшихся гонкой вооружений в период с 1816 по 1965 г., целых 23 завершились войной. А из 71 конфликта, не вовлекавшего гонки вооружений, только три перешли в войну.

Другой иллюстрацией того же положения может служить следующий пример. В 1976 г. У. Лэдд Холлист, опираясь на модель Ричардсона и данные SIPRI о военных расходах, изучал четыре случая гонки вооружений: между СССР и США, между Индией и Пакистаном, между Ираном и Ираком и между Израилем и Египтом в период с 1948 по 1973 г. Из всех четырех случаев стабильной была только гонка СССР – США, что представляло своего рода проблему, и вот почему. Ведь гонки Индия – Пакистан и Израиль – Египет, будучи нестабильными, закончились войной, как и предсказывала модель; гонка СССР – США, будучи стабильной, не перешла в войну опять же в соответствии с предсказанием модели. Однако между Ираном и Ираком велась нестабильная гонка вооружений, а войны не было. Эта неувязка разрешилась в 1980 г., четыре года спустя после публикации статьи Холлиста, когда долго тлевший конфликт между Ираном и Ираком, наконец, разразился войной. Ирано-иракская гонка вооружений была стабильной до конца 60-х годов и лишь в 70-х годах превратилась в нестабильную, что дополнительно сужает тот период времени, когда, согласно предсказанию, могла случиться война.

Модель Ричардсона – это только один из представителей очень большого класса динамических моделей, т.е. таких, которые моделируют развитие некоторого процесса во времени. Многие из этих моделей реализуются в виде дифференциальных уравнений, а многие заимствуют математический аппарат из моделей демографического роста и других биологических процессов. Еще более сложными являются динамические компьютерные имитационные модели, которые моделируют сложные процессы с помощью больших систем уравнений, не поддающихся решению алгебраическими средствами. Объектами компьютерных имитационных моделей зачастую являются целые государства или глобальные политические и экономические системы, и эти модели все чаще используются для проигрывания сценариев типа “что будет, если…”, затрагивающих различные сюжеты внутренней и международной политики.

До недавнего времени большинство динамических моделей, изучавшихся в политологии, отражали систематические, “правильные” процессы. В последнее десятилетие значительная работа проделана по “ хаотическим моделям”, которые являются более сложными, чем модель Ричардсона и не имеют случайных компонентов, но во временном отношении генерируют поведение, которое кажется случайным. Динамический хаос может служить объяснением того, как постоянный политический процесс порождает в высшей степени нестандартное, “неправильное” поведение, например, гражданскую войну или парламентскую нестабильность.

Дата добавления: 2014-01-07