© 2015 г.
И.П. ЛЕБЕДЕВА
МЯГКИЕ МОДЕЛИ КАК ФОРМА МАТЕМАТИЗАЦИИ СОЦИОЛОГИЧЕСКОГО ЗНАНИЯ
ЛЕБЕДЕВА Ирина Павловна - доктор педагогических наук, профессор Пермского национального исследовательского университета (E-mail: kafmos2011@yandex.ru).
Аннотация. Рассматриваются перспективы математизации социологического знания на основе использования мягких моделей как приближенного описания класса жестких моделей. Они соотносятся с задачами эмпирической и теоретической социологии, определяющей разные уровни представления знания. Предлагается классификация мягких стохастических моделей, учитывающая степень эвристично-сти математического моделирования социальных систем. На основе комплексного исследования дан анализ взаимосвязей алкоголизма с различными характеристиками социальной адаптации. Структурирование мягких и жестких моделей позволяет обозначить механизмы движения от эмпирического к теоретическому знанию в процессе математического моделирования.
Ключевые слова: социологическое знание • математическая модель • мягкая модель • жесткая модель • статистические методы
Постановка проблемы. Слабая формализуемость социальных процессов часто вынуждает использовать только простейшую форму математизации социологического знания, предполагающую количественный анализ и формулировку качественно значимых целей. Однако перспективы развития социологии связаны не только с описанием явлений общественной жизни, но и их объяснением и прогнозируемостью. Отсюда возникает потребность в применении более сложной формы математизации социологического знания - специальных моделей. Являясь гомоморфными образами объективной реальности, модели упрощают ее и представляют в виде ряда абстракций, определяемых теорией, в рамках которой затем интерпретируются модели. Их локальный характер неизбежно сужает круг задач, для решения которых они предназначены. В силу большой неопределенности функционирования социальных процессов может показаться спорной целесообразность использования математических (или статистических) моделей даже для решения специфических частных задач. Действительно, для получения адекватных, достаточно точных и хорошо интерпретируемых моделей необходимы количественные показатели, удовлетворяющие математическим предпосылкам, выполнение которых предусматривается при построении статистических моделей.
Формирование полноценной системы показателей обусловлено использованием научной основы в процессе постановки комплексных социальных задач, расширяющих сферу социологических исследований. С одной стороны, они соотносятся с конкретными ситуациями и рассматриваются в рамках эмпирической социологии. С другой -их междисциплинарный характер позволяет глубже проникнуть в суть явлений и процессов. Применение типичных для социального исследования неэкспериментальных данных актуализирует проблему обоснования отношений между ними. Понимание их сути в значительной мере определяется исходными содержательными идеями и концепциями и предполагает не только выявление типа причинно-следственной связи, но и характера взаимодействия причины и следствия. Поэтому необходимо изучение изменений явлений и процессов, т.е. исследование их параметров в динамике, в частности, с течением времени. Для социальных явлений важно определить направленность таких изменений. В этой связи особое значение приобретают математические
модели как аналитическая форма представления причинных отношений, на основе которых можно осуществлять прогнозы и принимать управленческие решения.
Совокупность результатов решения таких задач требует обобщения и систематизации с тем, чтобы определить роль полученного эмпирического знания в развитии конкретной социологической теории. Формирование соответствующих обобщенных доказательно выстроенных концептуальных схем, основанных на эмпирических данных, предполагает универсальность построенных моделей, которые могут быть использованы для решения широкого класса задач. Очевидно, эти схемы будут уже относиться к теоретической социологии, реализуя глубокую по своей природе ее взаимосвязь с эмпирической социологией. Для теоретической социологии представляют интерес не величины оцененных параметров модели, имеющей локальный характер, а фиксируемые с ее помощью тенденции.
О понятии "мягкая модель". Учитывая потребности развития социологии, связанные с обогащением ее методологического и методического, в частности, математического аппарата, целесообразно выделение жестких и мягких моделей. Интерпретация жестких моделей осуществляется на математическом языке, а мягкие модели интерпретируются качественно и отражают тенденции в функционировании социальных процессов. Если построен целый класс жестких моделей, которые применимы к идеализированным ситуациям, то на их основе можно получить мягкую модель, приближенно описывающую общую тенденцию. Тогда полученные мягкие модели являются научно обоснованными и практически полезными. Они служат приближенным описанием класса жестких моделей. Понятия "мягкая" и "жесткая" модель предложены для аналитических моделей [Арнольд, 1997], обладающих высокой формализацией описаний и применяемых для моделирования хорошо изученных закономерностей функционирования систем в стационарных условиях (в малой степени подверженных влиянию случайных воздействий).
Статистические модели, применимые для изучения массовых явлений любой природы (в частности, и детерминированных процессов) можно считать жесткими, если они имеют высокую статистическую точность, достижение которой предполагает выполнение определенных математических предпосылок в процессе использования конкретного метода построения модели по выборочным данным. Это позволяет применять жесткие модели для прогнозирования изменений зависимой переменной при соответствующих вариациях независимой переменной. Однако даже "жесткую модель всегда надлежит исследовать на структурную устойчивость полученных при ее изучении результатов по отношению к малым изменениям модели (делающим ее мягкой)" [Арнольд, 1997]. Мягкая статистическая модель, следуя указанной выше трактовке, возникает при наличии класса жестких моделей и служит его приближенным описанием при обнаружении общих тенденций взаимосвязи зависимых и независимых переменных.
При использовании статистических моделей (в частности, регрессионных) в социальном исследовании возникают проблемы: невыполнение некоторых математических предпосылок (например, условий гомоскедастичности и некоррелированности возмущений для разных наблюдений в процессе построения классической линейной модели регрессии методом наименьших квадратов); невозможность соотнесения мягкой модели с соответствующим классом жестких моделей.
В первом случае оценки регрессионной модели по выборке не будут являться наиболее эффективными. Тогда построенную модель нельзя считать жесткой, позволяющей интерпретировать величины коэффициентов регрессии. Учитывая степень нарушения математических предпосылок, возможно лишь рассмотрение общих тенденций. Или можно использовать другие методы, например, обобщенный метод наименьших квадратов или методы, позволяющие устранить невыполнимость определенных предпосылок. Построенную затем математическую модель можно рассматривать как жесткую.
Таким образом, будем различать мягкие модели, учитывая способы их получения: приближенное описание класса жестких моделей; построение мягкой модели как следствие нарушения математических предпосылок, которые могут быть устранены либо не могут быть устранены. Кроме того, целесообразно различать научно-обосно-
ванные и необоснованные мягкие модели, что определяет их теоретическую и практическую ценность.Очевидно, что научно-обоснованными могут быть мягкие модели, полученные только первым способом. И, следовательно, их в принципе имеет смысл рассматривать как форму математизации социологического знания.
Предпосылки использования мягких моделей как формы математизации социологического знания. Возникает вопрос: "При каких условиях мягкая модель может рассматриваться как форма математизации социологического знания?" Для ответа на него необходимо учитывать методы эмпирической и теоретической социологии. В первой могут быть рассмотрены всевозможные варианты мягких моделей, если они практически полезны и позволяют получить новую информацию об исследуемом явлении. С позиции теоретической социологии такие модели, во-первых, должны быть научно обоснованными (т.е. они выступают как приближенное описание класса жестких моделей); во-вторых, - универсальными, применимыми к достаточно широкому классу социальных явлений и процессов. В первом случае важное значение имеет обоснование причинных отношений. Сохранение направленности взаимодействия причины и следствия при любых вариациях мягких моделей может служить обоснованием истинности причинных отношений. Во втором случае, необходимо очертить границы применения мягких моделей, определяемые однородностью выборки по отношению к существенным параметрам для данного исследования.
Ориентируясь на структуру социологического знания, представляется перспективной его математизация на основе иерархической комбинации мягких и жестких моделей в виде последовательности этапов комплексного статистического анализа эмпирических данных. Эти этапы отражают возникновение причинно-следственных связей для фиксированной совокупности состояний системы с учетом ее предыдущих состояний и целенаправленного воздействия специфических факторов. Интеграция мягких и жестких моделей определяется задачами исследования, при решении которых нельзя не иметь в виду, что объективно присущая социальным процессам неопределенность функционирования может усиливаться благодаря использованию неадекватных способов исследования причинности.
При построении моделей стремятся к их простоте, это упрощает их интерпретацию и делает удобными для практического применения. Наиболее простыми являются линейные модели, которые, как правило на небольшом ограниченном участке изменения независимых переменных могут приближенно заменять нелинейную модель. Отсюда противоречие: ограниченность описания социальной реальности с помощью л
Для дальнейшего прочтения статьи необходимо приобрести полный текст. Статьи высылаются в формате PDF на указанную при оплате почту. Время доставки составляет менее 10 минут. Стоимость одной статьи — 150 рублей.