Таким образом, достижение оптимума требует сочетания очень благоприятных стартовых условий и очень длительного горизонта планирования. В реальной действительности трудно надеяться, что такое сочетание будет часто реализовываться.

Второй способ достичь оптимального распределения инвестиций в политику – перейти к модели полной рациональности акторов, сняв всякие ограничения на их вычислительные возможности. В этом случае каждый актор должен быть способен рассчитать не только все варианты своей индивидуальной политической стратегии при фиксированных стратегиях других игроков; необходим расчет всех возможных комбинаций политических стратегий для всех участников на длительный период времени. Проблематичность такой возможности очевидна; даже в рамках вычислительного эксперимента, производимого с помощью современного компьютера, ее реализация связана с определенными трудностями. При этом с ростом числа акторов сложность вычислительной задачи будет возрастать на порядки.

Таким образом, в рамках принятых допущений система не находит реалистичных путей к оптимальному распределению политических стратегий. Два возможных решения этой проблемы подсказывает нам все та же неоинституциональная теория. Первым ответом может быть создание иерархии, или установление вертикального социального контракта. Вторым ответом может быть некоторая форма горизонтального договора. Обе возможности принципиально реализуемы в рамках основ предложенного формального дизайна, – при изменении, разумеется, некоторых характеристик поведения акторов и даже – особенно для «иерархического» решения – топологии модели. Авторы рассчитывают представить математическое воплощение этих сценариев в ближайшее время.

Ахременко А.С., Петров А.П. Политические институты, эффективность и депривация: математическая модель перераспределения политического влияния // Полис. – М., 2012. – № 6. – С. 81–100.

Олсон М. Возвышение и упадок народов. Экономический рост, стагфляция, социальный склероз. – Новосибирск: ЭКОР, 1998. – 432 c.

Acemoglu D., Egorov G., Sonin K. Political model of social evolution // PNAS: Proceedings of the National Academy of Sciences of the United States of America. – 2011. – 5 p. – Mode of access:(Дата обращения: 14.05.13.)

Coates D., Heckelman J. Interest groups and investment: a further test of the Olson hypothesis // Public choice. – N.Y., 2003. – Vol. 117, N 3/4. – P. 333–340.

Fiorina M. Formal models in political science // American journal of political science. – Blooming-ton, 1975. – Vol. 19, N 1. – P. 133–159.

Дискуссия о единстве или множественности органона научного познания, развернувшаяся на страницах ежегодника «МЕТОД», демонстрирует многие важные аспекты как применения математики и семиотики к изучению социального, так и развития этих наук в их познавательном потенциале. В этой статье мы обратимся к более техническим вопросам использования одной из ветвей математики – статистики – в прикладных исследованиях в области социальных наук (с акцентом на политологических изысканиях, обусловленным интересами и опытом авторов). Заметим, однако, что прикладная статистика не есть в чистом виде раздел математики, поскольку требует от специалиста не только и не столько способности формулировать и доказывать некоторые утверждения в форме теорем и даже не способности применять конкретные теоремы к решению отдельных задач, сколько готовности сочетать знание математических основ статистики с личным исследовательским опытом, эвристическим потенциалом тех или иных математических операций, а также пониманием природы и особенностей имеющихся эмпирических данных и характера решаемой исследовательской задачи. Важнейшим этапом применения статистики в исследовательской практике оказывается интерпретация результатов, которая едва ли может предопределяться реализованными математическими операциями. В этой связи очевидно, что успешное применение методов прикладной статистики требует дополнение сугубо математических операций над данными методами семиотики для дальнейшего совершенствования интерпретационного потенциала получаемых в ходе обработки данных результатов.

Собственно, в самом выражении «обработка данных» заложена некоторая предумышленная осторожность: мы избегаем говорить об анализе данных – процессе намного более глубоком и выходящем далеко за рамки вычислительных операций, совершаемых либо вручную, либо с использованием специализированных компьютерных средств. Специалисты-статистики порой говорят о том, что анализ данных – это не наука, а искусство, требующее большого исследовательского опыта. Возможно, обозначение анализа как сферы искусства является следствием разъединения статистики (и шире – математики) и семиотики; их сочетание же в рамках исследовательской практики позволило бы вернуть анализ данных в поле науки. Подобные попытки, однако, предпринимаются чрезвычайно редко и представлены в периферийных для современной статистики журналах [Martynenko, 2003]. Этот факт лишь подчеркивает большую дистанцию, на которой расположились по нелепому стечению обстоятельств статистика и семиотика, и указывает на перспективность их сближения.

Решение обозначенной задачи, однако, осложняется нехваткой конкретных методик и техник, доступных для использования прикладными статистиками в рамках современной семиотики. По этой причине мы не ставим перед собой задачу какого бы то ни было синтеза этих областей знания как элементов органона (или различных органонов?), ограничиваясь демонстрацией широкого потенциала применения методов статистики для решения разнообразных задач в области социальных наук.

Современным исследователям доступно большое количество количественных и качественных данных. Они включают в себя межстрановые показатели, электоральную статистику, данные социологических опросов, психологических тестов, обследований организаций, тексты, экспертные оценки и др. В эмпирических политологических исследованиях для выявления характера и структуры взаимосвязей социальных явлений распространено применение методов математической статистики и эконометрики.

Все методы прикладной статистики могут быть разделены на два класса: описательных и моделирующих причинно-следственные связи явлений и процессов [King, Keohane, Verba, 1994, р. 7–8]. Спектр задач, которые они позволяют решить, довольно широк: от выявления зависимостей между признаками, которыми описываются некоторые объекты, классификации этих объектов, конструирования индексов до измерения латентных категорий и моделирования причинно-следственных связей и динамики процессов. Инструментарий многомерного статистического анализа и эконометрики предлагает большое количество методов разной степени сложности для решения таких задач, каждый из которых имеет определенные границы применимости, обусловленные совокупностью модельных допущений. Для выбора метода, адекватного сформулированной задаче, необходимо получить первичное представление о поведении изучаемых признаков, а в случае необходимости предварительно их концептуализировать, операционализировать и измерить.