Политика в цифрах

Интервью

Математические и статистические методы количественного анализа информации являются неотъемлемыми инструментами политического анализа в США – на родине такой академической дисциплины, как политическая наука. В то же время в России количественный подход к политическому анализу еще не столь широко распространен. В этом интервью Джон Фримен, бывший президент секции методологии политики Американской Ассоциации политических наук, рассказывает об использовании количественных методов для оценки вероятности вооруженных конфликтов.

Интервью

Математические и статистические методы количественного анализа информации являются неотъемлемыми инструментами политического анализа в США – на родине такой академической дисциплины, как политическая наука. В то же время в России количественный подход к политическому анализу еще не столь широко распространен. В этом интервью Джон Фримен, бывший президент секции методологии политики Американской Ассоциации политических наук, рассказывает об использовании количественных методов для оценки вероятности вооруженных конфликтов. Профессор Фримен фокусирует свои исследования на разработке технологии прогнозирования конфликтов на Ближнем Востоке, в Южной и Восточной Азии. Разве это не прекрасная возможность узнать о новых методах проведения исследований и интерпретации информации?

Джон Фримен, заслуженный профессор политических наук Университета Штата Миннесота.

Интервьюер: Мария Просвирякова, РСМД.

Джон Фримен, заслуженный
профессор политических наук
Университета Штата
Миннесота

Современный мир представляет собой пороховую бочку – конфликты с применением силы постоянно вспыхивают в различных его частях. Тем не менее возможно предсказать вероятность вооруженного конфликта и попытаться предотвратить его. Когда я говорю «предсказать», я имею в виду не просто обоснованное предположение, а реальную науку, стоящую за предсказанием, – математику. Профессор Фримен, какой количественный метод можно использовать для предсказания вооруженных конфликтов?

Это будет зависеть от того, хотите ли вы изучать начальный момент конфликта, то есть момент его возникновения, или же саму динамику конфликта. Существует много новых работ, принадлежащих специалистам в Норвегии и повсюду в мире, в которых используются динамические модели расчета момента возникновения конфликта. Речь идет о моделях, использующих количественные данные, которые были получены в результате подсчета, а не ранжирования. Что касается динамики конфликта, то я бы рекомендовал использовать Байесовский вектор авторегрессии и ивент-анализ данных.

Байесовский вектор авторегрессии (БВАР)

Байесовский вектор авторегрессии используется для определения взаимозависимости между временными рядами (т.е. как изменения одной переменной на определенном промежутке времени могут быть взаимосвязаны с изменениями другой переменной на этом же промежутке времени). Динамика военных расходов государств-наций может служить в качестве примера таких временных рядов. Байесовский вектор авторегрессии может быть использован для измерения интенсивности конфликта, позволяя оценкам параметров меняться с течением времени. Этот подход может быть полезен и для определения природы этого изменения.

Теорема Байеса

Эта теорема позволяет рассчитать, как новая информация соотносится с предыдущим знанием о предмете.

Ивент-анализ данных

Ивент-анализ данных – это метод изучения событий, который помогает осмыслить их посредством методов статистического анализа. Например, он позволяет проследить динамику отношений между странами с течением времени, определить уровень сотрудничества и конфликта. Ивент-анализ данных предлагает научную интерпретацию мировых явлений.

Информация для ивент-анализа легко доступна из таких источников, как официальные документы, газеты, телевидение и Интернет. Для работы с этой информацией необходимо разработать схему кодирования. Например, отрицательные значения соответствуют конфликтному поведению государств (угрозы, военные столкновения), положительные – сотрудничеству (экономическая помощь, согласие). Затем схема кодирования должна быть заложена в специализированную компьютерную программу, например, TABARI. Программа оперативно кодирует всю загруженную в нее информацию, превращая качественную информацию в количественную (т.е. события в конкретные цифры). Как только кодирование будет закончено, готовые результаты можно использовать для статистического анализа.

На что стоит обратить особое внимание при использовании этих моделей для анализа вероятности вооруженного конфликта, скажем, между Ираном и Израилем?

Мне кажется, что в случае взаимодействия между Ираном и Израилем можно было бы использовать анализ событийных данных (закодированных компьютером текстовых данных) с моделями в виде систем одновременных уравнений. Этот метод использовался для анализа израильско-палестинского конфликта рядом авторов «Journal of Conflict Resolution»; (Журнал по урегулированию конфликтов) в последние три–четыре года.

В эти модели очень важно инкорпорировать элемент синхронности. Необходимо иметь модель в виде системы одновременных уравнений, поскольку на действия иранцев в отношении израильтян последние отвечают таким образом, что провоцируют будущее поведение иранцев по отношению к ним, и наоборот. Это естественная синхронность, которая должна быть отражена в модели.

Модель в виде системы одновременных уравнений

Модель представляет собой систему стохастических (вероятностных) дифференциальных уравнений, в которой уравнения совместно определяют развитие отдельных переменных, так как одна и та же переменная появляется более чем в одном уравнении. Другими словами, эти уравнения взаимодействуют между собой.

Как в этом случае можно определить зависимые и независимые переменные?

Есть два ответа на этот вопрос. Первый заключается в том, что (и это именно то, что делает большинство американских экспертов) необходимо очень внимательно изучить вербальные аргументы сторон, пытаясь вычленить из них отчетливо выраженные причинные или причинно-следственные связи. Второй ответ состоит в том, что иногда мы используем формализованные математические модели, которые дают нам зависимые (предполагаемое следствие) или независимые (предполагаемая причина) переменные. Поэтому данная математическая модель скажет нам, что представляют собой независимые и зависимые переменные; и затем они перейдут таким образом в статистическую модель.

Американский национальный научный фонд финансирует так называемый «EITM Project» (Эмпирические импликации теоретических моделей), цель которого наладить сотрудничество экспертов, работающих с математическими моделями наподобие теории игр, с экспертами, занимающимися статистической проверкой.

Еще пара коротких замечаний. Я думаю, здесь важно, чтобы также учитывалась возможность синхронности, потому что иногда четких независимых и зависимых переменных не существует. Например, в случаях, подобных конфликту между иранцами и израильтянами, отсутствуют четкие независимые переменные – это на самом деле система одновременных уравнений. Они обе – зависимые, обе – эндогенные. Таким образом, модель, которая анализирует действия лишь одной стороны конфликта (скажем, учитывает только как действия Ирана влияют на поведение Израиля, не принимая во внимание то, что действия Израиля также влияют на поведение Ирана), просто не будет отражать реальную картину событий и не сможет описать логику процесса.

Какое программное обеспечение может быть использовано для количественного анализа?

Мы обычно обучаем пользоваться STATA. Это программное обеспечение наиболее часто используется в США. Но специалисты в нашей дисциплине, которые выполняют наиболее сложную работу, сейчас пользуются R. Есть еще ряд специализированных компьютерных программ для таких вещей, как создание выборки для моделей Монте-Карло марковской цепи, которые используют WinBUGS, а также некоторые другие более высокостилизованные пакеты статистических компьютерных программ наподобие C++ и др.

Программе STATA в американских университетах обычно обучают студентов магистратуры и аспирантуры; R используют более продвинутые пользователи, и более специализированная работа осуществляется с помощью передовых программ типа WinBUGS.

Модель Монте-Карло марковской цепи

Марковская цепь – это последовательность случайных событий, характеризующаяся тем, что каждое будущее событие зависит только от текущего состояния процесса, а не от прошлого. Метод Монте-Карло позволяет создать определенную последовательность событий, моделирующую тот или иной процесс. Например, этот метод использовался для изучения временного ряда насилия в иракском конфликте с целью доказать, что нарастание насилия может происходить одновременно с такими важными событиями в государственном строительстве, как демократические выборы.

Какие ошибки возможны при проведении количественного анализа?

Думаю, одна из них, над которой я больше всего работал, – спецификация неопределенности, что означает незнание истинной функциональной формы отношений. Существует масса специалистов, которые занимаются проблемами типа ошибочности измерений. Это еще одна серьезная проблема. Предложение более совершенных измерений для идей типа демократии – очень важный проект.

С какими вызовами исследователь сталкивается при использовании смешанных методов, и можно ли или нужно ли объединять методы исследований?

Я бы сказал, что все используют смешанные методы исследований. Каждый отдельно взятый эксперт изучает качественную информацию (новости, события, интервью) и использует качественное обоснование не только для того, чтобы сформулировать свою модель, но и для интерпретации результатов. Но некоторые специалисты делают это в неявной форме и несистематически – в противоположность тем, кто делает это открыто. Думаю, что специалисты, которые делают это лучше всех, – это те, кто используют методы байесовской статистики. Они гораздо более точно выражают свои мысли и убеждения в научных работах. Такие ученые, как Джефф Гилл из Вашингтонского Университета в Сент-Луисе, – это действительно ведущие ученые, которые пытаются быть открытыми в своих подходах и используют байесовские методы, позволяющие сделать смешение качественно-количественных методов более ясным и понятным всем, кто читает их работы.

Фото: contaspublicas.org

Что должен помнить исследователь, когда он интерпретирует количественные данные? Как лучше всего их интерпретировать?

Суть в том, чтобы как можно конкретнее и четче излагать свои предположения и при этом быть абсолютно честным относительно точности этих предположений. Это как раз то, что представляет собой байесовский элемент в более систематизированном виде.
Сегодня также необходимо доказывать в гораздо большей степени, чем раньше, что ваши результаты устойчивы к изменениям условий и методов. Двадцать пять лет назад в Соединенных Штатах вы могли всего лишь сделать анализ и опубликовать его. А сегодня, когда вы посылаете что-то на оценку независимым экспертам в США, люди хотят видеть, что результаты вашего анализа сохраняются и тогда, когда вы меняете методы исследования, меняете функциональную форму.

Таким образом, интерпретация означает, что вы реально должны заботиться об устойчивости ваших результатов к различным условиям и демонстрировать эту устойчивость.

Как лучше всего представить результаты количественного анализа?

Думаю, что визуальная презентация получает сегодня все большее распространение и становится более полезной. Большие таблицы с результатами количественного анализа охватить и понять все сложнее. Поэтому специалисты разрабатывают очень важные методы представления результатов анализа в виде цифр и диаграмм. В ближайшие годы визуализация выйдет на передний план, и фактически она уже выходит.

Господин Фримен, большое Вам спасибо за интервью.