- •Федеральное агентство по образованию
- •Тематика лекций
- •Лекция 1. Системный и когнитивный аспекты методологии моделирования
- •2. Основные понятия системного анализа.
- •3. Системный подход в социологии и биологии. Самовоспроизводство социальных систем.
- •Классификация методологических подходов
- •Методология мягких систем (ммс)
- •Этапы системного исследования. Внедрение результатов системного анализа.
- •2.Методология исследования "мягких" систем п. Чекленда
- •3. Этапы системного исследования. Внедрение результатов системного анализа.
- •1. Особенности когнитологии как междисциплинарной дисциплины.
- •Когнитивные карты и их роль в анализе социальных проблем.
- •Когнитивный стиль, его роль в подборе кадров.
- •2. Когнитивные карты и их роль в анализе социальных проблем.
- •1. Особенности понимания и запоминания:
- •2. Концепции знания:
- •3. Социально-психологические черты личности:
- •4. Когнитивные аспекты использования метафор
- •Литература
- •Лекция 4. Роль моделирования в социологии
- •2. Типология моделей и схема их взаимосвязи
- •3. Визуализация и качественные методы моделирования
- •4. Модели и системы
- •2. Основные формы социальных процессов
- •3. Эволюционные процессы
- •Общая основа эволюционистской теории
- •4. Объяснение социальных процессов
- •1. Развитие циклических представлений.
- •2. Жизненный цикл цивилизаций.
- •3. Многообразие моделей жизненного цикла.
- •2. Многообразие моделей жизненного цикла.
- •3. Жизненный цикл этноса.
- •Лекция 7. Моделирование социально-политических процессов.
- •1. Социальные движения как фактор социальных изменений
- •Определение социальных движений
- •Социальные движения и современность
- •Типы социальных движений
- •Литература
- •Природа периодичности. Космические теории цикличности.
- •Волны и жизненные циклы.
- •Циркуляция элит в. Парето.
- •2. Волны Кондратьева
- •3. Циклы борьбы за мировое лидерство
- •4. Волновые процессы в политической сфере
- •2. Полувековые циклы в социокультурной эволюции
- •4. Феномен моды как проблема изменчивости.
- •2. Основные источники нововведений.
- •Модели диффузии инноваций и логистического роста
- •Кризисы в социальной системе
- •Реформы в социальных системах.
- •Модели модернизации.
- •2. Реформы в социальных системах
- •4. Теории модернизации, старые и новые.
- •Концепция модернизации
- •Механизмы модернизации
- •2. Революции — пик социальных изменений
- •Современная концепция революции
- •3. Основные теории революции
- •Чего мы не знаем о революциях
- •2. Синергетика и теория хаоса
- •3. Диссипативные структуры и. Пригожина
- •1. Модель гонка вооружений (модель Ричардсона)
- •2. Модель сотрудничества и борьбы за существование.
- •3. Модель Даунса
- •4. Модели ожидаемой полезности и оптимизации.
- •Литература
- •Саморганизующиеся системы.
- •2. Синергетика как наука о самоорганизации сложных систем любого типа.
- •4. Бифуркационная модель развития
- •Литература
- •1. Американская модель
- •2. Германская модель
- •3. Шведская модель
- •4. Французская модель
- •5. Китайская модель
- •Методологические подходы современных российских экономистов к исследованию социально-экономических процессов
- •1. Процессы глобализации и компьютерное моделирование.
- •2. Глобализация, устойчивое развитие и безопасность: системно-синергетический подход.
- •3. Синергетика как метод обоснования идеологии глобализма
- •2. Глобализация, устойчивое развитие и безопасность: системно-синергетический подход
- •3. Синергетика как метод обоснования идеологии глобализма
- •Литература
3. Диссипативные структуры и. Пригожина
В теории диссипативных структур, развиваемой И. Пригожиным и его школой, первоначально изучались процессы самоорганизации в физико-химических системах . До работ Пригожина в естествознании в основном изучались равновесные структуры, которые можно рассматривать как результат статистической компенсации активности микроскопических элементов (молекул, атомов).
Если систему с равновесной структурой изолировать от внешней среды, то ввиду инертности данная равновесная структура может существовать бесконечно долго. Однако в биологических и социальных системах ситуация, как правило, другая: система незамкнута, открыта и, более того, существует потому, что она открыта, питается потоками вещества, энергии, информации, поступающими из внешнего мира. В открытых системах случайные флуктуации "пытаются" вывести систему из равновесного состояния. В реальных системах незначительные флуктуации, как правило, подавляются, и система остается стабильной. Если же силы, действующие на систему, становятся достаточно большими и вынуждают ее достаточно далеко уйти от положения равновесия, то состояние системы становится неустойчивым. Некоторые флуктуации могут не затухать, а усиливаться и завладевать всей системой. В результате действия положительной обратной связи флуктуации усиливаются и могут привести к разрушению существующей структуры и переходу в новое состояние. Причем возможен переход и на более высокий уровень упорядоченности, называемый диссипативной структурой. Возникает явление самоорганизации.
Исследуя динамику сильно неравновесных систем, И. Пригожий приходит к следующим выводам: "Когда система, эволюционируя, достигает точки бифуркации, детерминистическое описание становится непригодным. Флуктуация вынуждает систему выбрать ту ветвь, по которой будет происходить дальнейшая эволюция системы. Переход через бифуркацию — такой же случайный процесс, как бросание монеты. Существование неустойчивости можно рассматривать как результат флуктуации, которая сначала была локализована в малой части системы, а затем рас-пространилась и привела к новому макроскопическому состоянию" .
Известный американский футуролог О.Тоффлер отмечает, что пригожинская парадигма особенно интересна тем, что она акцентирует внимание на аспектах реальности, наиболее характерных для современной стадии ускоренных социальных изменений: разупорядоченности, неустойчивости, разнообразии, неравновесности, нелинейных соотношениях, в которых малый сигнал на входе может вызвать сколь угодно сильный отклик на выходе, и темпоральности — повышенной чувствительности к ходу времени" .
Принципы, разработанные Пригожиным для анализа химических процессов, были распространены на широкий класс явлений в физике, молекулярной биологии, процессов эволюции в биологии, а затем и социологии. Так, в . описан процесс самоорганизации у термитов — построение термитника. Предполагается, что первая стадия — основание термитника — является результатом беспорядочного поведения термитов. Термиты приносят и беспорядочно разбрасывают комочки земли. Каждый комочек пропитывается гормоном, привлекающим других термитов. Случайным образом в этом процессе возникает флуктуация —- несколько большая концентрация комочков земли в окрестности некоторой точки. Повышенная концентрация гормонов привлекает к этой точке большее число термитов. Процесс концентрации термитов усиливается благодаря положительной обратной связи. Постепенно возникают "опоры" термитника.
Процесс построения термитника — яркий пример явления самоорганизации, возникновения сложной структуры в хаотической среде благодаря флуктуации. В настоящее время в естественных науках ведется активное исследование явлений, связанных с возникновением структур, самоорганизацией в простейших нелинейных средах. Делаются попытки выявить прообразы появления организации и в более сложных, в частности социальных, системах. Ученые ведут исследования простейших моделей, анализ которых не может заменить изучение сложных социальных процессов, но может дать исследователям полезную подсказку, помочь подметить скрытые закономерности, сформулировать плодотворные гипотезы.
Хаос в эволюции.
Оказалось, что в моделях этого типа также возможны хаотические состояния. Как утверждается, хаотические колебания могут возникнуть в период замены старого уклада на новый. Возникновение нестабильности может интерпретироваться как случайный поиск равновесного состояния системой, оказавшейся в ситуации, когда растущие возможности не могут быть реализованы в рамках существующей ниши. Данная модель демонстрирует чередование режимов порядка и хаоса. В период быстрого экономического роста многие компании консолидируются, интегрируются. Корпорации работают как часы, подчиняясь эффективному централизованному управлению. В стадии насыщения под давлением инноваций экономическая система попадает в полосу хаоса.
Модели, построенные на основе понятия "порядок через флуктуации", будут способствовать более точной формулировке "сложного взаимодействия между индивидуальным и коллективным аспектами поведения". Модели такого типа "открывают перед нами неустойчивый мир, в котором малые причины порождают большие следствия, но мир этот не произволен. Напротив, причины усиления малых событий —
вполне «законный» предмет рационального анализа... Если флуктуация становится неуправляемой, это еще не означает, что мы не можем локализовать причины неустойчивости, вызванные усилением флуктуации".
В состоянии хаоса поведение системы непредсказуемо. Точнее, нельзя предсказать конкретное состояние, проследить заданную траекторию на длительном временном интервале. Однако вероятностные, усредненные характеристики могут быть спрогнозированы .
В качестве примера рассмотрим наклонный желоб, по которому течет вода. Если бросить в него разноцветные песчинки, то они стройными рядами поплывут вниз. Попробуем положить в желоб несколько камней. Спокойное течение сменится турбулентным. Траектории песчинок, определяемые завихрениями и водоворотами, станут трудно прогнозируемыми. Две в начале близкие песчинки к концу пути могут оказаться далеко друг от друга. Однако интегральные характеристики системы (например, количество жидкости, вытекающей из желоба в единицу времени) могут вести себя достаточно устойчиво.
Странный аттрактор, определяющий хаотическое поведение системы, часто занимает ограниченную область фазового пространства. Поэтому, хотя траектории разбегаются с экспоненциальной скоростью, убежать за границы странного аттрактора они не могут. Следовательно, определение границ области хаоса может позволить получить оценки поведения системы. Можно ли управлять подобными системами? Не только можно, но и нужно. Чувствительность такой системы позволяет вывести ее из хаотического состояния с помощью очень малых, но точных и своевременных воздействий .
Обязана ли социальная система притягиваться к странному аттрактору? Нет. Управляющие воздействия, введение дополнительных ограничений могут позволить избежать хаотических состояний.
Отметим, что далеко не все теоретики считают, что хаоса следует избегать. Верящие в животворную силу хаоса, наоборот, полагают, что чем он окажется обширнее, глубже, тем более эффективный порядок смогут породить творческие силы самоорганизации.
Литература
1. Арнольд В.И. Теория катастроф. М., 1990
2. Давыдов А.А., Чураков А.Н., Модульный анализ и моделирование социума. М., 2000
4. Ельчанинов М.С. Социальная синергетика и катастрофы в России в эпоху модерна. М.: 2002
5. Князева Е.И., Курдюмов С.П. Законы эволюции и самоорганизации сложных систем. М., 1996
6. Лотман Ю. Клио на распутье // Наше наследие. 1988. № 5
8. Малинецкий Г.Т. Хаос. Структуры. Вычислительный эксперимент: Введение в нелинейную динамику. М.: Наука, 1997
9. Моисеев Н.Н., Расставание с простотой. М., «Аграф», 1998
10. Плотинский Ю. М. Модели социальных процессов. М.: Логос. 2001
11. Пригожин И., Стенгерс И. Порядок из хаоса: Новый диалог с природой. М., 1986
12. Синергетическая парадигма. Многообразие навыков и подходов. М., 2000
13. Хакен Г. Синергетика. М., 1985
Лекция 15. Формальные модели социальных процессов
План
-
Роль иконологического моделирования. Модель гонки вооружения Ричардсона.
-
Модель Даунса.
-
Модель «дилемма заключенного».
-
4. Модели ожидаемой полезности и оптимизации.
Рассматривая методологию иконологического моделирования остановимся на исследовании компьютерных моделей сложных систем и современных методах визуализации информации. В предлагаемой методологии роль формальных методов анализа социальных процессов кардинально пересмотрена, что обусловлено ориентацией данной методологии в первую очередь на социологов — исследователей, преподавателей, студентов. Исследователь должны самостоятельно формализовывать содержательные модели и проводить исследования на компьютерных моделях многофакторных нелинейных систем. Методология иконологического моделирования позволяет социологам перейти от "жестких" математических моделей к изучению значительно более реалистичных "мягких" моделей. Как справедливо отмечает академик В.И. Арнольд, в социальных науках конкретный вид взаимосвязей часто неизвестен, поэтому необходимо исследование поведения систем для целого класса функций .
Исследователь социолог получает возможность самостоятельно проводить построение и изучение модели. Помощь математика и программиста необязательна. От пользователя не требуется владение сложным математическим аппаратом и языками программирования. Методология ориентирована на исследование моделей с помощью вычислительных экспериментов и получение качественных оценок .
Ключевую роль в исследовании должно играть доверие социолога к получаемым результатам. Обеспечить необходимый уровень доверия позволит использование стандартного и распространенного программного обеспечения (в данном случае электронных таблиц Excel). Социолог имеет возможность проверить буквально каждый шаг вычислений. Процесс компьютерной имита-
ции находится под полным контролем пользователя. В любом месте процесс вычислений можно прервать, скорректировать модель и продолжить моделирование дальше.
Эксперименты с моделью позволяют выявить неожиданные эффекты, сгенерировать новые гипотезы, обеспечить описание и понимание социальных явлений, недоступное в других языках научных исследований. Так, с помощью компьютерных экспериментов удается выявить возможные формы пространственной и временной самоорганизации, условия возникновения социальных структур, проанализировать эволюцию систем правил.
В последующем изложении иконологическое моделирование, делающее акцент на визуализации решений и экспериментировании с моделью, будет соседствовать с традиционными подходами к исследованию поведения систем. Некоторые математические результаты, полученные при изучении достаточно простых систем, могут оказаться полезными для углубления понимания качественных особенностей поведения более сложных систем, с которыми приходится иметь дело при решении практических проблем.
Предложенная методология может быть использована не только в научных исследованиях, но и в преподавании различных дисциплин на социологических факультетах. Учебное компьютерное моделирование дает возможность существенно углубить понимание таких сложных социальных процессов, как эволюция, кооперация, самоорганизация, конкуренция, обучение, подражание и т.д. Использование визуализации, игровых форм, безусловно, обогатит традиционные формы изложения материала. Отметим, что при данном подходе снимается проблема мотивации студентов — многие модели можно считать просто упражнениями по освоению современных электронных таблиц, а каждый студент становится создателем своего собственного знания.
Применение специализированных пакетов на данном этапе нецелесообразно, так как у пользователя снижается уровень доверия к результатам, получаемым из "черного ящика". К тому же специализированные пакеты не всегда могут обеспечить уровень гибкости, необходимый для исследования "мягких" моделей. Конечно, социолог может нуждаться в наборе дополнительных программных средств для решения конкретных задач, но они должна быть оформлены в виде системы общедоступных программных модулей (СПМ), состоящей из совокупности достаточно простых макросов.
Иконологическое моделирование не предполагает традиционных методов освоения математических знаний. Математические понятия и утверждения используются только как генеративные метафоры, позволяющие по новому увидеть изучаемые явления, сформулировать нетривиальные гипотезы о поведении рассматриваемых процессов.
Предложенный инструментарий должен постепенно стать органической частью социологического знания. Это создаст необходимые условия для синтеза социологии, информатики и математики, выводящего социальные науки на качественно новый уровень.
Как указывалось выше, существует множество причин, в силу которых политологи прибегают к использованию математических моделей. Однако у данного метода есть и недостатки и преимущества. Моделирование – это процесс упрощения и дедуктивного вывода. Упрощение влечет за собой потерю информации о событии. Дедуктивный вывод зачастую включает в себя сложную математическую обработку, которая, по крайней мере на первых порах, затрудняет работу с моделью. Поэтому в отношении моделирования возникает резонный вопрос: а для чего нужны все эти сложности?
Первая причина, побуждающая нас к моделированию политического поведения, состоит в том, что модель помогает формализовать происходящие в обществе события. Дело в том, что политическая жизнь достаточно регулярна, для того чтобы упрощенная неформальная модель ее могла принести определенную пользу. Большая часть того, что случается в области политики, как правило, не является совсем уж неожиданным – на самом деле наличие элемента неожиданности указывает на то, что у нас имеются априорные представления о том, как могут развиваться события, и мы в состоянии осознать факт неожиданного поворота дел. Значит, у нас в мозгу имеются своего рода ментальные модели функционирования политических систем, даже если мы ни разу не пытались выразить их эксплицитно. Математические модели как раз и помогают эксплицировать подобные неформальные модели.
В качестве примера ментальной модели можно привести следующий. Предположим, что на предстоящих президентских выборах один из кандидатов набирает 95% всех голосов. Очевидно, что это никак не противоречит ни конституции, ни устоявшимся избирательным процедурам. Однако мы будем склонны рассматривать такой факт как крайне маловероятный в силу целого ряда причин. Во-первых, мы допускаем, что со стороны каждой партии наберется достаточное число избирателей, чтобы свести к минимуму возможность чисто случайного результата голосования. Во-вторых, мы исходим из того, что ни одна партия не станет выставлять столь непопулярного кандидата, чтобы он мог собрать лишь 5% голосов. В-третьих, мы полагаем, что подсчет голосов производится без подтасовок. Можно было бы перечислять и далее, но суть в том, что относительно политической системы США у нас имеется целый ряд исходных допущений, в свете которых разбиение голосов на 5 и 95% представляется нам малоправдоподобным.
Все подобные допущения упрощают действительность. Мы не знаем, каково точное число избирателей, да нам это и не надо – мы просто знаем, что оно очень велико. Мы не знаем, какие конкретно особенности кандидата делают его приемлемым для одних избирателей и неприемлемым для других, но мы исходим из того, что совсем уж непопулярные кандидаты не будут выдвинуты на голосование. Мало у кого есть личный опыт в деле подсчета голосов, достаточный для того, чтобы знать, честно ли проводятся выборы, но весь опыт прошлого дает основания считать, что фальсификации на выборах места не имеют2. Поскольку эти допущения не столь уж часто приводят нас к неверным выводам, мы можем использовать эту модель политической системы для неформального прогнозирования будущего. В действительности те случаи, когда какой-либо кандидат получает 95% голосов, вызывают у населения сильное недоверие, иногда вплоть до требований о расследовании, так что наша модель отчасти определяет также поступки и отношения людей.
Другой причиной применения математического моделирования является необходимость эксплицитно описать механизмы, объясняющие наши неформальные прогнозы. Несмотря на то, что все индивиды знают, чего можно, а чего нельзя ожидать от данной политической системы, они зачастую не в состоянии определить точно, почему и что конкретно они от нее ожидают. Формальная модель как раз и помогает преодолеть чересчур свободные формулировки допущений неформальной модели и дать точный, а подчас и поддающийся проверке прогноз.
Вышеприведенный пример выводится из модели Даунса. Формальная модель Даунса предсказывает, что любая политическая партия в условиях альтернативных выборов будет выбирать своих кандидатов и платформу так, чтобы привлечь с их помощью как можно большее число избирателей. Это и некоторые дополнительные соображения приводят нас к заключению, что существует тенденция, в соответствии с которой политические партии должны получить на выборах примерно равное число голосов; именно такой исход обыкновенно и наблюдается на выборах в США. Таким образом, данная формальная модель предсказала не только то, что исход с распределением голосов в соотношении 95:5 является маловероятным, но и то, что ожидаемым будет распределение в соотношении 50:50, в пользу чего было приведено определенное обоснование.
Порой, кажется, что математические модели всего лишь подтверждают и так очевидные вещи. На самом деле это неотъемлемая особенность любых моделей постольку, поскольку от них ожидается, что они в той или иной степени должны воспроизводить все происходящее в каждодневной политической реальности. Однако люди, как правило, очень смутно представляют себе, что такое “очевидное”. Рассмотрение ряда противоречащих друг другу афоризмов (“волк волка чует издалека” и “крайности сходятся”, “с глаз долой – из сердца вон” и “чем дальше с глаз, тем ближе к сердцу” и т.п.) убеждает нас в том, что здравый смысл часто оказывается правильным именно потому, что он настолько расплывчат, что попросту не может быть неверным.
Строгость формальных моделей, напротив, означает как раз то, что они могут быть неверными, и в результате у модели “спортивные показатели” могут быть подчас хуже, чем у более неоднозначного здравого смысла. Однако это вовсе не слабость, а, наоборот, достоинство моделирования, ибо допущения и прогнозы модели оказываются достаточно точными, чтобы их можно было проверить, а также указать, в каком месте и как произошла возможная ошибка. Та модель, которая устояла против целого ряда попыток ее искажения, вполне вероятно, и в будущем будет давать правильные прогнозы. Модель же, которая раз за разом дает неверные предсказания, видимо, должна быть устранена из рассмотрения.
Короче говоря, модель бывает полезной только в том случае, если в принципе, возможно, продемонстрировать ее ошибочность. Если невозможно показать, что модель неверна, то невозможно также доказать, что она верна, а отсюда следует вывод о бесполезности такой модели. Неформальная интуитивная модель, позволяющая уходить от всевозможных ошибок, может быть большим тактическим подспорьем на переговорах, но она бессильна помочь нам яснее понять механизм политического поведения.
Третьим преимуществом формальных моделей, но сравнению с голой интуицией или даже с тщательно обоснованной аргументацией на естественном языке является их способность систематически оперировать с сущностями более высокого уровня сложности. Естественные языки (подобно английскому) возникли как средства общения, а не как средства логического вывода. Математика, напротив, изначально была задумана как средство логического вывода и систематического оперирования понятиями. И опыт показал, что математика в этом отношении – очень полезное орудие. Политологи со своей стороны только сейчас начинают осознавать, что может дать моделирование для более углубленного понимания политического поведения, а в ряде случаев должны были развиться целые отрасли математики (самый заметный пример – теория игр), прежде чем обществоведы смогли увидеть нечто общее в разрозненных типах социального поведения. Математическое моделирование социального поведения насчитывает не более 20 лет от роду, и пока нет оснований считать, что оно уже достигло пределов своего развития.
Преимуществом математического моделирования является также то, что оно позволяет различным научным дисциплинам обмениваться своими исследовательскими средствами и приемами. Тому можно привести много примеров: в моделях, используемых в политологии, задействованы не только основные математические средства, но и масса методик, заимствованных из эконометрики, социологии и биологии. Опросное исследование – представляющее собой, по сути дела, сложную математическую модель распределения общественного мнения между различными группами населения – является широко распространенным методом, используемым в большинстве социальных наук. Заимствование происходит и в обратном направлении: специалисты по системотехнике, разрабатывая крупные компьютерные модели глобальных социально-демографических процессов, для уточнения политических аспектов были вынуждены обратиться к политологическим моделям, а совсем недавно математики, работающие над новой теорией хаотического поведения, обнаружили, что модель Ричардсона гонки вооружений поддается весьма продуктивному анализу с применением методов вышеупомянутой теории. Подобным же образом и теория игр была изначально разработана экономистами и политологами для анализа явления конкуренции и лишь впоследствии превратилась в раздел чистой математики.
Помимо стимулирования междисциплинарного обмена методами и идеями, математические модели полезны также тем, что позволяют увидеть глубинную однородность явлений, которые на первый взгляд не имеют между собой ничего общего. Следующий пример, сам по себе довольно тривиальный, наглядно демонстрирует такой тип обобщения.
Представим себе нехитрую игру, в которой два игрока по очереди берут со стола фишки, пронумерованные от 1 до 9:
1 2 3 4 5 6 7 8 9
Выигрывает тот, кто первым наберет фишек на сумму, равную 15. Играя в эту игру, вы, несомненно, обнаружите, что в ней есть свои приемы – в частности, в порядке защитного приема вы можете забирать со стола именно те фишки, которые нужны второму игроку для получения окончательной суммы, – однако общая стратегия игры, по-видимому, не совсем очевидна. Чтобы обобщить игру, перепишем номера фишек следующим образом:
4 3 8 |
9 5 1 |
2 7 6 |
Заметим, что в такой записи каждая строка, столбец и диагональ в сумме дает желаемый исход – 15. Таким образом, для успешной игры нужно выбрать какой-то один из этих рядов чисел. В такой форме игра выглядит уже очень знакомо: это “крестики-нолики”, в которые умеет играть любой пятилетний ребенок. После того как мы представили игру в упорядоченном виде, то, что сначала нам казалось незнакомым, теперь стало выглядеть вполне узнаваемо, так что мы получили возможность использовать в новом контексте издавна известное нам решение.
Это упражнение – конечно, в более сложных формах и применительно к более значимым задачам – весьма характерно для процесса нахождения общих черт с использованием математических моделей. Известно множество случаев, когда математическая модель, разработанная изначально в расчете на одну какую-то проблему, оказывалась равным образом применимой и к другим проблемам. К примеру, модель Ричардсона гонки вооружений может быть использована для изучения не только международной гонки вооружений, но и динамики роста предвыборных расходов соперничающих политических партий или процесса взвинчивания участниками аукциона цены на “лакомый” товар. Игра “дилемма заключенного” применима не только к примеру позиционной войны (см. ниже), но и к случаю “войны цен” между двумя бензозаправочными станциями, а также к случаю принятия государством решения о необходимости разработки нового вида оружия. Разновидность игры “дилемма заключенного” под названием “цыпленок” берет свое начало от игр юных головорезов, носившихся в разбитых колымагах по заброшенным дорогам Калифорнийской пустыни; она теперь применяется к изучению политики ядерного сдерживания в условиях угрозы термоядерной войны. Перечислять примеры можно было бы до бесконечности; для нас, однако, существенно, что большинство хороших математических моделей находят применения, далеко выходящие за рамки тех проблем, ради которых они первоначально разрабатывались.
Итак, математические модели имеют четыре потенциальных преимущества по сравнению с естественно-языковыми моделями. Во-первых, они упорядочивают те ментальные модели, которыми мы обычно пользуемся. Во-вторых, они лишены неточности и неоднозначности. В-третьих, математическая запись в отличие от естественно-языковых выражений позволяет оперировать на очень высоком уровне дедуктивной сложности. И, наконец, математические модели способствуют нахождению общих решений для проблем, кажущихся на первый взгляд разнородными.