Давыдов А.А. Конкурентные преимущества системной социологии
Подождите немного. Документ загружается.
211
СПИСОК ЛИТЕРАТУРЫ
1. http://www.ncess.ac.uk
2. http://ess.si.umich.edu/index.htm
3. Давыдов А.А. Системная социология. М.: Эдиториал УРСС, 2006.
4. Давыдов А.А. Системная социология: введение в анализ динамики социума.
М.: Эдиториал УРСС, 2007.
5. Kuhns P., Crew А. Blogosphere: Best of Blogs. N.Y.: Que, 2006.
6. Keren M. Blogosphere: The New Political Arena. N.Y.: Lexington Books, 2006.
7. Barlow A. The Rise of the Blogosphere. N.Y.: Praeger Publishers, 2007.
8. Gurak L., Antonijevic S., Johnson L., Ratliff C., Reyman J. Introduction: Weblogs,
Rhetoric, Community and Culture.(http://blog.lib.umn.edu/blogosphere).
9. Пособие для блоггеров. (http://www.rsf.org)
10. http://www.ibm.com/blogs/zz/en/guidelines.html
11. http://www.sifry.com/alerts/archives/000493.html
12. http://www.blogpulse.com
13. http://blogs.yandex.ru
14. http://www.datablog.net/data_blog_opinion/index.html
15. http://www.pewinternet.org
16. http://www2006.org/programme
17. http://www.internetmathematics.org
18. Давыдов А.А. Системный подход в социологии: новые направления, теории
и методы
анализа социальных систем. М.: Эдиториал УРСС, 2005.
19. Bargiela A., Pedrycz W. Granular Computing: An Introduction. N.Y.:Springer,
2002.
20. Pedrycz W. Granular Computing: An Emerging Paradigm. Heidelberg.: Physica-
Verlag Heidelberg, 2001.
21. Lin T., Yao Y., Zadeh L. Data Mining, Rough Sets and Granular Computing.
Heidelberg.: Physica-Verlag Heidelberg, 2002.
22. http://www.cs.sjsu.edu/~grc/grc2007/index.php
23. Slezak D., Yao J., Peters J. Rough Sets, Fuzzy Sets, Data Mining and Granular
Computing: 10th International Conference (RSFDGrC 2005). N.Y.: Springer,
2005.
24. Rutkowski L. New Soft Computing Techniques for System Modeling, Pattern
Classification and Image Processing. N.Y.:Springer Verlag, 2004.
212
25. Tanaka K., Niimura T. An Introduction to Fuzzy Logic for Practical Applications.
N.Y.: Springer-Verlag, 1996.
26. Pawlak Z. Drawing conclusions from data - the rough set way//Int. J. Intell.
Systems. 2001, Vol. 16, № 1, C. 3-11.
27. Duntsh I., Gunter G. Roughian: Rough information analysis//Int. J. Intell.
Systems. 2001, Vol. 16, № 1, C. 121-147.
28. Молодцов Д.А. Теория мягких множеств. М.: Едиториал УРСС, 2004.
29. Shafer G. Perspectives on the theory and practice of belief
functions//International Journal of Approximate Reasoning, 1990, V. 3, P. 1-40.
30. Wang H., Smarandache F., Zhang Y., Sunderraman R. Interval Neutrosophic
Sets and Logic: Theory and Applications in Computing. Arizona.: Hexis, 2005.
31. Zadeh L. Toward a theory of fuzzy information granulation and its centrality in
human reasoning and fuzzy logic// Fuzzy Sets and Systems. 1997, V. 90, P.111 -
127.
32. http://www.visualcomplexity.com
33. Chen С. Information Visualization: Beyond the Horizon. N.Y.: Springer, 2006.
34. http://www.palgrave-journals.com/ivs/index.html
35. http://conferences.computer.org/vast/vast2007
36. http://vis.computer.org/vis2007
37. Thomas J., Cook K. Illuminating the Path: The Research and Development
Agenda for Visual Analytics. National Visualization and Analytics Centre. 2005.
(http://nvac.pnl.gov/agenda.stm)
38. http://www.pages.drexel.edu/~cc345/.
39. http://in-spire.pnl.gov
40. http://nvac.pnl.gov
41. Чураков А.Н. Компьютерный контент-анализ. М.: ИСАН, 1996.
42. http://datamining.typepad.com/data_mining/graphs/index.html
43. http://www.observatoire-presidentielle.fr/?pageid=3
44. Malsch T., Schlieder C., Kiefer P., Lübcke M., Perschke R., Schmitt M., Stein K.
Communication Between Process and Structure: Modelling and Simulating
Message Reference Networks with COM/TE//Journal of Artificial Societies and
Social Simulation. 2007, Vol. 10, № 1. (http://jasss.soc.surrey.ac.uk/10/1/9.html)
45. Viegas F. B. Bloggers' expectations of privacy and accountability: An initial
survey//Journal of Computer-Mediated Communication. 2005, Vol. 10, №3.
(http://jcmc.indiana.edu/vol10/issue3/viegas.html)
213
46. Li D. Why Do You Blog: A Uses-and-gratifications Inquiry into Bloggers'
Motivations. 2005. (http://blogresearch.com/ref.htm)
47. http://www.technorati.com/weblog/2005/10/52.html
48. Maslow A.H. Motivation and Personality. N.Y.: Harper & Row, 1954.
49. Давыдов А.А. Системный подход в социологии: законы социальных систем.
М.: Эдиторил УРСС, 2004.
50. Захаров П. Народ-блогоносец//Компьютера, №27-28, 01.08.2007.
(http://www.computerra.ru/2007/695/327726/)
51. Blanchard А. Blogs as Virtual Communities: Identifying a Sense of Community in
the Julie/Julia Project. (http://blog.lib.umn.edu/blogosphere).
52. Bouchard T., McGue Jr. Genetic and Environmental Influences on Human
Psychological Differences//J. Neurobiology. 2003, Vol. 54, P. 4-45.
53. http://www.amd.com
54. Давыдов А.А. Теория "социальных фрагментов" - общая социологическая
теория?//Социол. исслед. 2004, №8, С. 131-138.
214
ГРАНУЛЯРНАЯ ТЕОРИЯ КЛАССОВОЙ СТРУКТУРЫ ОБЩЕСТВА
18
Введение
Классовая структура общества является одним из фундаментальных
понятий социологии, которое имеет важное практическое значение для
современного российского общества, поскольку в выступлении Президента РФ
В.В.Путина на Госсовете РФ (2008 г.) была поставлена управленческая задача
увеличения в России доли среднего класса до 60%-70%. Вместе с тем,
существуют различные точки зрения [1-5], по каким признакам выделять
социальный класс, сколько классов в обществе, какова численность социальных
классов и т.д. В этой связи актуальной является задача разработки новой общей
теории классовой структуры общества. В рамках системной социологии [6-7],
автором разработана новая гранулярная теория классовой структуры общества. В
данном разделе изложены основы гранулярной теории классовой структуры
общества, результаты ее эмпирической верификации, разработанные на основе
теории компьютерные модели и примеры использования разработанной теории
для анализа классовой структуры современного российского общества.
Методология разработки теории
В соответствии с методологическими принципами системной социологии [6-
7] разработка гранулярной теории классовой структуры общества осуществлялась
на основе системного подхода, в частности, принципа междисциплинарности. Был
проведен анализ классических и современных социологических теорий классовой
структуры [1-5], например, К.Маркса, М.Вебера, П.Сорокина, Т.Парсонса,
Р.Мертона, Р.Дарендорфа, Э.Гидденса, П.Бурдье и т.д. Изучались
познавательные возможности теорий системной социологии [8-9] и теорий из
других научных дисциплин, в частности, психологии. Необходимость изучения
психологических теорий вытекала из того обстоятельства, что существуют
многочисленные эмпирические данные о влиянии психологических факторов на
18
Автор выражает признательность сотрудникам Института социологии РАН д.филос.н., профессору
В.А.Ядову и д.социол.н. М.Ф.Чернышу за полезные критические замечания, высказанные ими при
обсуждении данного раздела.
215
классовую структуру, например, о влиянии значения IQ (индекса
интеллектуальности) индивидов на классовую структуру американского общества
[10]. Изучались возможности современных направлений Computer Science
(компьютерной науки) [11]. Проводился содержательный анализ некоторых
результатов эмпирических исследований из ISMF Catalogue of International Social
Mobility Data [12], посвященных классовой структуре различных обществ.
Использовалось компьютерное моделирование с помощью экспертно-
диагностической системы MAKC [13]. В результате проведенных исследований
автором была разработана гранулярная теория классовой структуры общества,
основы которой представлены ниже.
Основы теории
Гранулярная теория классовой структуры общества базируется на
социологических теориях социальных классов [1-5], классической психологической
теории иерархии потребностей А.Маслоу [14], теориях системной социологии [6-
7], в частности, теории обратной связи и модульной теории социума (МТС) [8,13] и
Granular Computing (гранулярных вычислениях) [15-32].
Напомним, что в соответствии с теорией иерархии потребностей А.Маслоу
[14], существуют пять групп потребностей, а именно, физиологические
потребности, потребности безопасности (в защите, в свободе от страха, тревоги и
хаоса, потребность в структуре, порядке, законе и т.д.), потребности в социальных
связях (идентификации, принадлежности к социальной группе и т.д.), потребности
в самоуважении (достижении, репутации
, престиже, статусе, признании и т.д.),
потребности самоактуализации (потребности в самореализации,
самоосуществлении и т.д.). Данные группы потребностей образуют иерархию, т.е.
удовлетворение потребностей идет от «низших» потребностей к «высшим».
Постулат теории. Между социальными классами и важностью
потребностей определенного иерархического уровня существует соответствие.
Данный постулат имеет эмпирические подтверждения [18; 19,c.393]. На
рис. 1
представлена иерархия потребностей А.Маслоу [14], детализированная D.Krech,
R.Cruthfield, E.Ballachey [цит. по 19,с.131], и ее соответствие с социальными
классами в гранулярной теории социальных классов.
216
Рис.1
Примечание: форма кривых функций важности потребностей - это теоретическое первое
приближение, которое может быть уточнено в результате эмпирических исследований. Цифры
2,3,4 - иерархические уровни социальных классов, которые даны без словесного обозначения,
поскольку их обозначение зависит от принятой социологической теории классов
Теоретическая модель, представленная на рис. 1, объясняет факт
существования вертикальной восходящей социальной мобильности, как
стремление индивидов максимально реализовать потребности самоактуализации,
поскольку каждый выше иерархически расположенный социальный класс
располагает большими возможностями для реализации данной группы
потребностей. Модель также объясняет факт привлекательности высшего класса
для индивидов из низших классов, поскольку высший класс имеет максимальные
возможности для самоактуализации. Модель хорошо объясняет известные
проблемы адаптации и факты поведения индивидов, попавших в высший класс из
217
низшего класса [20]. Объяснение заключается в несоответствии доминирующих
потребностей индивидов из низших классов и доминирующих потребностей
индивидов из высшего класса.
Из теории иерархии потребностей А.Маслоу [14] и принятого постулата
разработанной теории вытекает, что в обществе могут существовать пять
социальных классов. Какие это классы? Например, согласно распространенной
теоретической модели социальных классов W. Thompson и J. Hickey [2], в
современном индустриальном обществе существуют Upper class (высший класс),
Upper middle class (высший средний класс), Lower middle class (низший средний
класс), Working class (рабочий класс), Lower class (низший класс). Или, исходя из
других социологических теорий [5], Upper class (высший класс), Upper middle class
(высший средний класс), Middle middle class («серединный» средний класс), Lower
middle class («нижний» средний класс), Lower class (низший класс). Какие
конкретные пять социальных классов будут выделены - решается с помощью
Granular Computing (гранулярных вычислений) [15-32].
Granular Computing - это разработанная в Computer Science (компьютерной
науке) и Systems Science современная парадигма, методология и методика
информационного анализа неочевидно структурированных динамических систем
(«нечетко» структурированных систем), т.е. систем, части (подсистемы) в которых
не имеют четко и однозначно фиксированных границ. (см. раздел «Блогосфера»).
Компьютерная реализация некоторых аспектов Granular Computing представлена
в
модулях Fuzzy Logic Toolbox и Neural Network Toolbox, которые могут быть
использованы как отдельно, так и совместно, в среде имитационного
моделирования Simulink пакета Matlab (версия 6.5 и выше) [33], а также в
«нейронных» сетях класса CANFIS (Co-Active Neuro-Fuzzy Inference System),
реализованных в пакете «NeuroSolutions» (версия 5.0) [34]. В целом, гранулярные
вычисления позволяют дать множественное многоуровневое «нечеткое» описание
и объяснение неочевидно структурированных иерархических систем. Если
опираться на теорию «нечеткой
» информационной грануляции (TFIG) Л.Заде [32],
то тогда можно дать следующие определения гранулярной классовой структуры
общества.
Определение гранулярной классовой структуры общества. Классовая
структура общества – иерархическое «нечеткое» множество социальных гранул.
Социальный класс - «нечеткое» множество индивидов, которые являются
социальной гранулой. Объединение индивидов в гранулу определяется исходя из
218
вероятности сходства индивидов, «близости» индивидов и т.д., например, по
доходу, образованию, ценностям, стилю жизни и т.д. Социальные показатели
принадлежности индивида к социальному классу обладают двумя
характеристиками, а именно, глобальностью и локальностью. Глобальность –
вероятность принадлежности индивидов к социальным классам в целом.
Локальность – вероятность принадлежности индивидов к конкретному
социальному классу.
Внешние свойства социальных классов - отношения между
социальными классами, например, борьба, сотрудничество, кооперация,
конкуренция и т.д.
Контекстуальные свойства - выполнение эквивалентных функций в
обществе, уровень управления обществом и т.д.
Грануляция социальных классов. В гранулярной теории социальных
классов процесс грануляции состоит в следующем. А.Маслоу [14] объединял пять
иерархических групп потребностей в две более общие иерархические группы, а
именно, growth needs («высшие» потребности) и deficiency needs («низшие»
потребности), что является примером грануляцией потребностей. В соответствии
с постулатом гранулярной теории социальных классов, данная грануляция
соответствует двум обобщенным социальным классам, которые можно условно
назвать обобщенным «низшим» социальным классом и обобщенным «высшим»
социальным классом. На рисунке 2 схематически представлена данная
грануляция
с прямыми и обратными связями между потребностями и
социальными классами. Доминирующие прямые и обратные связи показаны
«толстыми» линиями.
Рис. 2
Взаимодействие между двумя обобщенными социальными классами и двумя
обобщенными группами потребностей
Социальный класс Потребности
"Высший"
"Низший"
"Высшие"
"Низшие"
Примечание: стрелка эквивалентна записи
219
Поскольку очевидно, что пять групп потребностей и, соответственно, пять
социальных классов, можно объединить в 2,3,4 группы, то комбинации различных
объединений и будут являться грануляцией. Но, в отличие от классического
иерархического кластерного анализа, который реализован, например, в пакете
SPSS, социальный класс - это «нечеткое» множество и кластеризацию здесь
необходимо осуществлять с помощью «нечетких» методов кластеризации,
например, Fuzzy C-Means, Fuzzy Double Clustering и т.д.
Для определения количества элементов в гранулах (социальных классах),
автор использовал модульную теорию социума (МТС) [8,13]. Напомним, что в МТС
распределение количества элементов по частям целого соответствует
определенному режиму функционирования социальной системы. Автор провел
ряд компьютерных вычислительных экспериментов с помощью компьютерной
экспертно-диагностической системы МАКС (версия 3.0) [13], в которой
реализована МТС. По результатам компьютерных экспериментов и сравнения
полученных результатов моделирования с некоторыми эмпирическими [5] и
теоретическими [35] исследованиями, автор остановился на следующей модели
гранулярной численности социальных классов, которая соответствует
современному индустриальному обществу, находящемуся в состоянии системной
целостности. В таблице 1 представлена одна из возможных грануляций
социальных классов в обществе.
Таблица 1
Одна из
возможных грануляций социальных классов
Уровень
грануляции
социальных
классов
Социальные классы Численность социального класса,%
2 Lower class (низший класс)
Upper class (высший класс)
38.2
61.8
3 Lower class (низший класс)
Middle class (средний класс)
Upper class (высший класс)
30.9
50.0
19.1
4* Lower class (низший класс)
Working class (рабочий класс)
Middle class (средний класс)
Upper class (высший класс)
17.1
27.6
44.7
10.6
5 Lower class (низший класс)
Working class (рабочий класс)
Lower middle class (низший средний
класс),
Upper middle class (высший
средний класс),
Upper class (высший класс)
16.0
25.9
42
16.0
6.1
*Примечание: представлена одна из возможных грануляций для четырех социальных
классов
220
Результаты, представленные в таблице 1, основаны на использовании
одной из общесистемных фундаментальных структурных констант, а именно, так
называемой «золотой» пропорции, численно равной 1.618, которая имеет
солидное теоретическое и эмпирическое обоснование в различных научных
дисциплинах, в частности, в системной социологии [7-8]. В соответствии с Soft
Computing, значения, представленные в таблице 1, следует интерпретировать, как
«центр» нечеткого множества, а отклонения от данного «центра» - влияние
множества внешних и внутренних факторов на классовую структуру. В качестве
наглядной иллюстрации на рис. 3 представлена «нечеткая» принадлежность к
трем социальным классам, а именно, низшему, среднему и высшему,
смоделированная автором с помощью генератора случайных чисел из пакета
Microsoft Excel. Характеристики модельных распределений были следующими:
нормальное распределение, стандартное отклонение -3, случайное рассеивание -
1, количество случайных чисел для каждого социального класса - 3000. Средняя
численность низшего класса - 31%, среднего класса - 50%, высшего класса - 19%.
Рис.3
"Нечеткая" численность трех социальных классов
50% - "центр" численности среднего класса
31% - "центр" численности низшего класса
19% - "центр" численности высшего класса
10 15 20 25 30 35 40 45 50 55 60
Численность,%
Вероятность принадлежности,%