§ 3.1. СЕТЕВОЙ ПОДХОД В СОЦИАЛЬНЫХ НАУКАХ: БАЗОВЫЕ ПОНЯТИЯ И ПРИНЦИПЫ

Методологию сетевого анализа на сегодняшний день едва ли можно отнести к основным инструментам прикладных исследований в отечественной политологии. Более распространенными оказались проверенные методики опросов общественного мнения, статистические методы анализа данных, контент-анализ и т.п. Так, например, большинство учебников по использованию прикладных методик исследований сделаны по образцу известной работы Дж. Б. Мангейма и Р. К. Рича и не содержат описания методов сетевого анализа [Мангейм]. Однако эти традиционные, проверенные временем инструменты зачастую «паcуют» перед лицом изменившейся реальности. Так, например, победа Барака Обамы над Хиллари Клинтон на демократических праймериз в 2008 нельзя было спрогнозировать, опираясь исключительно на традиционные методы политологического анализа [Быков, Интернет-технологии в избирательной кампании Барака Обамы]. Проблема заключается в том, что современный этап развития общества характеризуется массированным внедрением различных форм сетевой организации и самоорганизации в социальную структуру и политический процесс. Особенно ярко данная тенденция проявляется в области современных массовых коммуникаций, где наиболее заметным явлением последних лет стали, так называемые, социальные сети (Facebook, Twitter, Вконтакте и т. п.). Именно поэтому возникла острая необходимость в дополнении арсенала исследовательских методов и, таким образом, на сцене появилась более адекватная современным формам общественно-политической жизни методология сетевого анализа. И надо отметить, что в последние годы появились несколько работ, в которых сетевому методу уделяется определенное внимание [Ахременко; Градосельская; Попова].

Сетевой анализ завоевал относительную популярность лишь в последние два десятилетия. Однако история сетевых исследований в социальных науках насчитывает значительно более давний срок. Если связывать возникновение сетевого метода с деятельностью Я. Л. Морено и его методом социометрии, который он практиковал для изучения малых групп, то тогда приблизительным рубежом начала сетевых исследований можно считать 30-е гг. прошлого столетия [Морено]. Так или иначе, в развитии сетевого подхода можно выделить два этапа: академический (до начала 90-х гг. прошлого столетия) и современный (после).

На первом этапе сетевыми исследованиями занималась небольшая группа социологов, психологов и политологов. Издавались два журнала: «Connections» и «Social Network». В 1978 г. была создана Международная ассоциация исследователей в области социального сетевого анализа (International Network for Social Network Analysis — INSNA) [Градосельская, с. 8-9]. Один из основателей этой ассоциации Джеймс Барнс в еще в 1954 г. дал одно из первых определений социальным сетям [Barnes]. В частности он писал: «Каждый человек... находится в соприкосновении с каким-то числом других людей, из которых одни находятся в непосредственном отношении друг с другом, а другие — нет. Соответственно каждый человек имеет определенный круг друзей, и эти друзья в свою очередь имеют собственных друзей. Некоторые из друзей одного человека знают друг друга, другие — нет. Я нашел удобным говорить о такого рода социальных полях как о сетях. Под этим мне видится система точек, некоторые из которых соединены между собой. Точками этой системы являются люди... и линии соединения этих точек указывают, какие люди взаимодействуют друг с другом» [Цит. по: Веселкин, с. 127].

В то время исследования в этой области были не известны широким кругам общественности и даже в научных кругах идеи сетевого подхода оставались в тени таких мощных научно-исследовательских программ, как структурный функционализм или неомарксизм. Вместе с тем, современные исследователи теоретических истоков сетевого анализа в социальных науках выделяют особенную роль структурной антропологии и социологии малых групп для развития данной исследовательской парадигмы (рис. 1) [Scott]. Таким образом, сетевой подход находился в тени, но развивался вместе и благодаря более популярным теориям. При этом, отличительной особенностью сетевого подхода стало то обстоятельство, что именно в нем широкое применение получил математический аппарат теории графов. В отличие от более известных общесоциологических подходов, использовавших для анализа и прогноза социальной динамики традиционные статистические методы, основанные на теории вероятности и математической статистике, сетевой подход преимущественно базируется на методах дискретной математики.

Серьезный перелом произошел в начале 90-х гг. Вероятно, это произошло в результате влияния нескольких факторов. Во-первых, нельзя не отметить, что резкое ускорение развитию сетевого подхода придало появление и широкое распространения интернета, который стал наглядным примером развития научных исследований в области построения телекоммуникационных сетей. Интернет, с одной стороны, стал прикладным продуктом в области теории сетей, а с другой стороны, способствовал резкому усилению интереса к этой теме не только среди «физиков», но и среди «лириков», то есть ученых гуманитарного профиля.

 

Р и с у н о к 1. Сетевой анализ в социальных науках

[Scott., p. 8]


 

Во-вторых, немаловажную роль также оказали процессы глобализации, которые способствовали формированию сетевых структур в индустрии научного производства. Повышение мобильности научных работников было стимулировано пониманием важности слабых связей и социальных сетей. Разумеется, личный житейский опыт оказывает серьезное влияние на научные воззрения носителей теоретических знаний. Пожизненная работа в одном и том же научно-образовательном центре стала чем-то исключительным, из ряда вон выходящим. Нормой жизни научных работников стали стажировки, поездки на научные конференции, совместные исследовательские проекты и т. п. При этом, мобильность научных кадров приводит не к разрушению научно-образовательных структур, а наоборот — к их укреплению. Кажущийся парадокс полностью соответствует выводам сетевой теории, которая описывает силу того или иного узла в сети через количество и качество его связей. Научные связи и обмены повысили значение одних узлов за счет падения других, соответственно те научные центры, которые не поддерживают научной мобильности и не создают адекватных условий для развития научных исследований у себя, оказываются в положении доноров.

Наконец, в-третьих, нельзя не упомянуть, что в руках ученых оказались специальные инструменты для проведения сетевых исследований. Наряду с программным обеспечением для проведения статистической обработки данных традиционных социальных исследований (SPSS, Statistica, MS Exel и т. п.) стали доступными дополнительные компьютерные программы специально приспособленные для сетевого анализа (Pajek, SocNet, StOCNET, UciNet и т. п.). Этот факт также способствовал развитию исследований в этой области.

Именно поэтому в последние двадцать лет ведущими университетами и издательствами мира уделяется огромное внимание методике и теоретическим основам сетевых исследований. Среди множества работ нам хотелось бы выделить такие работы, как «Социальный сетевой анализ: справочник», «Модели и методы социального сетевого анализа», «Методы исследования в социальном сетевом анализе», «Социальный сетевой анализ: методы и применения», «Сети: Введение» и др. [Freeman, White, Romney; Models and Methods in Social Network Analysis; Newman, Networks: An Introduction; Newman, Leicht; Scott; Wasserman, Faust]

Остановимся на базовых принципах и методологических положениях сетевого подхода. Во-первых, следует выделить два нередуцируемых понятия, которые является родовыми приметами любого сетевого исследования. Это понятия узел и связь. Узлами в политике выступают политические áкторы, которые в зависимости от уровня и задач исследования могут быть представлены, как в виде отдельных индивидов, так и в виде формальных организаций или неформальных групп. Между узлами существуют определенные отношения или связи. Совокупность узлов и связей между ними формируют сеть, которая структурирует политические отношения. Вот, как об этом пишет немецкий исследователь Р. Хойслинг: «составными частями сети – абстрактно говоря – являются узлы и отношения. Несколько узлов, вступающих в отношения, образуют сеть. В общественных науках узлы, как правило, обозначают действователей, то есть людей, группы, организации или другие социальные структуры. Отношения же можно символически изобразить в виде каналов, через которые могут протекать различные виды социальной активности (например, дружеское общение, меновая торговля и/или решения власти) участвующих в ней действователей (узловые точки)» [Хойслинг, с. 36].

Другие авторы предлагают использовать термин «сеть» для «обозначения наблюдаемых образцов социальных отношений между индивидуальными единицами анализа» [Аберкромби, Хилл, Тернер, с. 420]. Этими единицами анализа могут выступать, как отдельные индивиды, так и группы индивидов, организации, целые страны и т. п. Образцами отношений, подвергаемых исследованию, также могут выступать самые разные социальные отношения: дружба, родство, влияние, экономические отношения и т. п. Подобный подход дает исследователям возможность высвечивать «структуру реально существующих социальных отношений, являясь, таким образом, полезным исследовательским инструментом... Некоторые аналитики идут дальше и утверждают, что именно образцы социальных отношений между индивидами и составляют социальную структуру» [Там же, с. 420].

Наиболее важными для прикладных исследований являются отношения или связи между узлами, так как именно они характеризуют место роль того или иного узла в сети. Более того, описание структуры сети при помощи методов визуализации, и в частности картографирования, дает исследователям объективную картину реальности. Таким образом, изучение отношений между узлами приобретает критически важное значение. Сюда входят такие параметры, как сила (количество взаимодействий) и направленность связей (влияние). В зависимости от потребностей и точности исследования определяются критически важные параметры параметров связи. Для одних исследований направленность связи практически не имеет значения, для других — это очень важно, так как позволяет предсказывать, например, пути распространения политической информации, если исследование относится к теме политических коммуникаций и анализу устройства бюрократических и административных структур. В качестве примера приведена схема коммуникаций в полицейском участке (рис. 2). Пример основан на иллюстрации из книги Ф. С. Робертса [Робертс, с. 35].

 

Р и с у н о к 2. Сеть коммуникаций подразделения полицейской службы


 

Поскольку узлы и отношения между ними являются предметом изучения математической теории графов, постольку в обиход исследователей, использующих сетевой метод, широко вошли такие понятия, как вершина и ребро. Собственно, любая социальная сеть с точки зрения этой теории является графом, то есть комбинацией конечного числа вершин и ребер. Вот как об этом пишут отечественные исследователи Д. А. Губанов, Д. А. Новиков и А. Г. Чхартишвили: «Формально социальная сеть представляет собой граф G(N, E), в котором N = {1, 2, … , n} — конечное множество вершин (агентов) и E — множество ребер, отражающих взаимодействие агентов» [Губанов, Новиков, Чхартишвили, с. 4]. Подобная формализация должна способствовать научной строгости и призвана освободить политические исследования от политической ангажированности и предвзятости.

С точки зрения математики социальные сети предстают в виде графов. Графы в этом случае выступают совокупностями множеств узлов (вершин) и связей (ребер) между ними. В специальной литературе по дискретной математике широко распространен термин «орграф» (организованный граф), который является графом с направленным влиянием, то есть таким, где одни узлы оказывают одностороннее влияние на других или испытывают взаимное влияние друг на друга. В случае, если влияние оказывается в одну сторону, то это обозначают стрелочкой в одну сторону, а если влияние двухстороннее, то это обозначают либо стрелочками в обоих направлениях, либо линией без стрелочек. Таким образом, представленную выше в качестве примера сеть коммуникаций внутри полицейского участка, как и любой другой бюрократический орган, можно представить в виде графа, а точнее в виде орграфа. В нашем случае он будет выглядеть так, как показано на рисунке ниже (рис. 3).

Практическое использование орграфов нашло применение в первую очередь при решение транспортных проблем. Собственно, первая задача, над решением которой задумались математики и которая дала толчок развитию дискретной математики, была связана с загадкой Кенигсбергских мостов. В этой задаче фигурировали семь мостов Кенигсберга, через которые надо было пройти, при этом не пересекая один и тот же мост дважды [Харари]. Именно поэтому важнейшей характеристикой орграфов выступает достижимость, то есть принципиальная возможность попасть из одной вершины в другой.

В нашем случает с графом «G» из вершины «A» принципиально невозможно достигнуть вершины «H» и «J», коммуникация с которыми возможно только посредством вершины E. Другими словами, постовые полицейские могут получить сообщение от своего капитана только тогда, когда они вступят в связь с дежурным сержантом. Другой параметр орграфов связан именно с этим обстоятельством. Поскольку постовые могут общаться с сержантом, постольку граф «G» остается соединимым графом.

 

Р и с у н о к 3. Граф «G», формализующий сеть коммуникаций подразделения полицейской службы


 

Соединимость и достижимость выступают составными частями важнейшей характеристики любого графа и соответственно любой социальной сети — связности. Связность графа характеризует то, насколько хорошо вершины связаны между собой, то есть, можно ли к примеру, из любой из них связаться с другой любой из них. В идеальном случае из любого узла сети можно попасть (пусть не на прямую) в любой другой узел.

Далее, важнейшей характеристикой графа является его плотность. Этот параметр характеризует граф с точки зрения того, связаны ли узлы между собой напрямую. Поэтому максимально плотный граф обладает максимально возможной связностью. Вместе с тем граф может распадаться на несколько плотно «сцепленных» между собой клик (кланов или облаков) вершин. При этом плотность всего графа будет относительно высокой, а вот его связность — нет.

Социальные сети в реальном мире имеют тенденцию к формированию в них групп, сильно связанных между собой, которые можно назвать кланами или кликами. В соответствующей специальной литературе этот эффект получил название эффекта кластеризации. Попадая в такой кластер индивид неизбежно знакомится и заводит связи с остальными членами клана. Так, например, происходит когда люди переезжают в другой дом, меняют профессию или обретают семью. Данный эффект намного превышает простую статистическую вероятность, что делает анализ социальных сетей весьма нетривиальной задачей.

Более того, в процессе применения сетевого анализа в социальных науках исследователи пришли к заключению, что большое значение играет такое понятие, как центральность. Это понятие применяется к как к сетям в целом, так и к отдельным вершинам. Наибольшую ценность в социальных науках имеет понятие промежуточной центральности (англ. Betweeness centrality — И. Б.) или центральности как посредничества. Как пишет Г. В. Градосельская, «главную идею этого подхода можно сформулировать следующим образом: áктор тем более централен, чем больше количество других áкторов между которыми он находится (чем больше маршрутов он контролирует)» [Градосельская, с. 69].

 

Т а б л и ц а 4. Матрица смежности графа «G»

 

A

B

C

D

E

F

G

H

J

Итого:

A

0

1

1

1

1

0

0

0

0

4

B

1

0

1

1

1

0

0

0

0

4

C

1

1

0

1

1

0

0

0

0

4

D

0

1

1

0

0

1

1

0

0

4

E

0

1

1

0

0

0

0

0

0

2

F

0

0

0

1

0

0

0

0

0

1

G

0

0

0

1

0

0

0

0

0

1

H

0

0

0

0

1

0

0

0

0

1

J

0

0

0

0

1

0

0

0

0

1

Итого:

2

4

4

5

5

1

1

0

0

44

 

Для того проиллюстрировать понятие центральности и особенно понятие промежуточной центральности вернемся к нашему примеру с сетью коммуникаций в полицейском участке, то есть к графу «G». Любую сеть и соответственно любой граф можно представить в виде матрицы смежности связей межу узлами сети (ребер между вершинами). В таблице ниже представлена матрица смежности графа «G», где в рядах таблицы отмечены положительные связи узла с другим узлом (наличие связи обозначается как 1, отсутствие — как 0). В данном случае положительная связь означает возможность отправить сигнал другому узлу. В столбцах отмечены обратные связи, то есть возможность получения сигнала от других. Полученные таким образом данные можно подвергать любым математическим манипуляциям, доступным в соответствующих разделах теории множеств, теории графов и дискретной математики.

 

Т а б л и ц а 5. Общее количество связей вершин графа «G»

Вершина

Прямых связей

Обратных

связей

Итого

A

4

2

6

B

4

4

8

C

4

4

8

D

4

5

9

E

2

5

7

F

1

1

2

G

1

1

2

H

1

0

1

J

1

0

1

 

Подсчитаем теперь общее количество связей (и прямых, и обратных) для каждой вершины (табл. 5). Из этой таблицы хорошо видно, что вершина «D» обладает самым большим количеством связей в графе. Прекрасно видно, что в соответствие с критерием промежуточной и исходя из сетевого подхода, вершина «A», то есть руководитель полицейского участка на самом деле находится на периферии сети коммуникаций полицейского участка. Фактически важнейшим структурным звеном данной организации является диспетчер, на котором замыкаются почти все связи. Можно легко представить ситуацию, когда, находящийся в центре событий диспетчер, путем торможения или ускорения передачи сообщений приведет к тому, что руководитель подразделения не сможет в соответствующее время принять правильное решение и тем самым лишится совей позиции. Именно поэтому, в России так распространена бюрократическая практика размещения «своих» людей на ключевых постах. Однако при этом дизайн бюрократических структур осуществляется не на научных методах с использованием сетевого подхода, а на интуитивных озарениях с результатом близким к описанным в книге С. Паркинсона «Законы Паркинсона» [Паркинсон].

Наш пример также достаточно удобен для иллюстрации характеристики плотности. В графе «G» насчитывается 9 вершин и 44 связи, то есть 4,88 связи на одну вершину. Мы можем сделать вывод, что граф «G» довольно плотный. В нем нет изолированных вершин, не имеющих ни одной связи с другими. Однако, вызывает беспокойство положение вершин «F», «G», «H», и «J» (и особенно последних двух), которые могут потерять связь с основной частью графа. Кроме того, мы можем вычислить коэффициент плотности для данной сети. Он вычисляется по следующей формуле [Градосельская, с. 67]:

 

Плотность = L / N *(N — 1)

 

Где L — это общее количество связей, а N — общее количество узлов.

 

В нашем случае мы имеем 44 существующих связи из 72 максимально возможных. Соответствующий коэффициент плотности графа «G» составляет 0,61 или 61%. Используя эту формулу можно сравнить плотности разных сетей.

В соответствии с основными характеристиками сетей можно делать различные классификации сетей. В соответствии с показателем связности можно говорить о сетях трех видов:

- несвязанные;

- связанные слабо;

- связанные сильно.

Оперируя показателем плотности также можно выделить три группы сетей:

- высокой плотности;

- средней плотности;

- низкой плотности.

С точки зрения показателя централизованности, можно выделить сети централизованные, многополярные (с несколькими центрами) и децентрализованные (без выраженных центров). Чаще всего социальные сети тяготеют к той или иной форме централизации, что выражается, например, в феномене экономического расслоения, когда мировая экономика фактически распалась на три круга: центральную зону, полупериферию и периферию.

Надо отметить, что классификация сетей зависит не только от конфигурации их связей, но и от вероятностной природы осуществления этих связей. Дело в том, что в реальности политические áкторы принимают решения руководствуясь различного рода предпочтениями между различными вариантами поведения. При этом, они взвешивают вероятность реализации того или иного сценария в результате собственного поведения и поведения других игроков. Таким образом, некоторые виды сетей предстают не в виде абсолютно детерминированных путей, как это, например, имеет место с транспортными сетями или четко очерченными и соблюдаемыми юридическими нормами, а в виде стохастических или вероятностных коллективных действий. В связи с этим, мы можем выделить сети с фиксированными связями и с вероятностными.

Нельзя не отметить, что большую роль в развитие вероятностного подхода в сетевом анализе сыграл наш соотечественник, российский математик — А. А. Марков (1856 - 1922). Сети, состоящие из связей, осуществление которых не обладает стопроцентной вероятностью, функционируют в другом режиме, нежели чисто детерминистские сети. Однако, значительная часть математического аппарата, используемого для анализа графов может быть приспособлена для анализа вероятностных моделей [Робертс, с. 321]. Так, например, в нашем графе «G», который формально представляет сеть коммуникаций в полицейском участке, из вершины «A» можно попасть в вершину «D» пятью способами:

- A — D;

- A — B — D;

- A — C — D;

- A — C — B — D;

- A — C — E — B — D.

Разумеется, вероятность первого варианта, когда капитан напрямую позвонит диспетчеру, значительно более вероятен, чем последний, пятый вариант. Однако сам выбор делает схему вероятностной.

На основе вероятностных предпочтений участников выработки групповых решений была разработана знаменитая теорема или Парадокс Эрроу. Кеннет Эрроу, Нобелевский лауреат по экономики, сформулировал этот парадокс в 1951 г. Парадокс имеет непосредственное отношение к такой политической проблеме, как выработка коллективных решений и достижение приемлемого для большинства выбора [Эрроу].

В последние годы относительно большое распространение в научной литературе получили исследования, так называемых нейронных сетей [Ахременко]. Использование методов анализа нейронных сетей в социальных науках базируется на практическом применении некоторых базовых принципов работы человеческого мышления. Дело в том, что человеческий мозг «состоит из огромного множества простых элементов — нейронов, число которых приблизительно равняется 1011 — количеству звезд Млечного пути. Каждый нейрон связан с несколькими тысячами других нейронов с помощью нервных волокон, через которые передаются электрические импульсы. Таким образом, мозг человека содержит приблизительно 1015 взаимосвязей» [Там же, с. 267]. Кроме самого факта того, что человеческий мозг можно представить в виде графа с огромным количеством вершин, важно учесть и то обстоятельство, что, во-первых, связи между нейронами разные (например, выделяют дендриты — нервные волокна обеспечивающие входящую информацию, а также аксоны — поддерживающие исходящий сигнал), а, во-вторых, что конфигурация этих связей, как и роль отдельных узлов, еще недостаточно изучены.

Тем не менее, современных знаний в этой области уже достаточно для того, чтобы ученые приступили к созданию, так называемых, искусственных нейронных сетей. В специальной литературе называют как минимум два вида нейронных сетей. Во-первых, это слоистые сети (сети прямого распространения) — в них нейроны располагаются слоями, а каждый узел одного слоя связан с узлами следующего слоя. Во-вторых, выделяют сети полной связи, когда все узлы нейронной сети связаны между собой.

Надо отметить, что в каком-то смысле сервисы социальных сетей в Интернете напоминают искусственные нейронные сети. При этом участники выступают в роли нейронов, обладающих автономной памятью и способных учиться. Однако при этом, социальные сети в Интернете, в отличие от искусственных нейронных сетей, не могут быть отнесены к двум их разновидностям. В первом случае, с слоистыми сетями не работает принцип слоев, а во втором случае с нейронными сетями полной связи отсутствует связь всех узлов между собой. В последнем случае мы имеем дело с фрагментированными нейронными сетями.

А. С. Ахременко в своей работе приводит примеры задач, которые можно решать при помощи искусственных нейронных сетей, а также несколько случаев успешного применения искусственных нейронных сетей в политике. В частности, для прогнозирования результатов выборов президента США была поставлена задача отобрать из большого числа независимых переменных ограниченный набор факторов, оказывающих наибольшее влияние на выборов. «В результате было получено всего пять значимых факторов:

    1. уровень конкуренции при выдвижении от правящей партии;

    2. наличие существенных социальных волнений во время правления действующего президента;

    3. спад или депрессия в год выборов;

    4. значительность изменений, совершенных действующим президентом в политике;

    5. активность третьей партии в год выборов» [Ахременко, с. 276].

Нейронные сети весьма хорошо подходят для решения задач с нелинейными зависимостями ввиду своей нелинейной природы