CC BY
38
УДК 303.732.4 ББК 60.524.224.56 Л 86
Е.В. Луценко, В.Е. Коржаков
Системно-когнитивный анализ в социологии российского региона
(Рецензирована)
Аннотация:
В статье освещаются возможности системно-когнитивного анализа для формирования обобщенных образов общественного сознания различных социальных групп населения региона с учетом их целей, ценностей, мотиваций и этнической принадлежности, динамики предметной области и региональных особенностей, сравнения этих образов друг с другом, нахождения сходства и различий (противоречий) между ними, определения коалиций социальных групп, сходных по характеристикам их группового сознания, и выявления антагонистических коалиций.
Ключевые слова:
Социальная группа, системно-когнитивный анализ, информационный портрет, социологические исследования, интеллектуальные информационные технологии.
Реальная жизнь российского региона полна разнообразных противоречий, обусловленных внутренними и внешними причинами, т.е. как процессами развития самого региона, как относительно автономной системы, так и его местом в качестве подсистемы в общей системе социальных отношений общества [1, 9].
Степень адекватности отражения регионального социума в социологических исследованиях во многом обуславливается корректностью и качеством методологии, методики и техники социологических исследований, уровнем их организации и применяемой технологией, программой социологического исследования, статистическим и социометрическим инструментарием, средствами обеспечения репрезентативности исследуемой выборки, возможностями взвешивания (ремонта) данных, исключения артефактов и шума и т.д.
Однако необходимо отметить, что в настоящее время социологические исследования, как правило, ограничиваются получением и интерпретацией абсолютных процентных распределений ответов респондентов на вопросы по всей выборке; реже используются условные процентные распределения ответов в различных группах респондентов, и практически никогда условные процентные распределения, т.е. ответы в группах, не сравниваются ни друг с другом, ни с абсолютным распределением по всей выборке, которое в соответствии с нормативным подходом в социологических исследованиях можно обоснованно принять за норму или базу для сравнения.
Рассмотрим наглядный пример. Допустим, руководство решило выяснить, влияет ли состояние алкогольного опьянения водителей на риск совершения ими дорожно-транспортного происшествия (ДТП) и его тяжесть, и, если влияет, то каким образом. С этой целью было проведено специальное социологическое исследование с объемом выборки 1000 респондентов, которое дало результаты, приведенные в таблице 1.
Таблица 1 - РАСПРЕДЕЛЕНИЕ РЕСПОНДЕНТОВ, ОБЛАДАЮЩИХ
РАЗЛИЧНЫМИ ПРИЗ »НАКА МИ, ПО КАТЕГОРИЯМ
Ко д 1 Наименование признака Трезвый Без ДТП 882 С ДТП Сумма 900
Без тяжких последствий С тяжкими последствиями
15 3
2 В сост.алкогольного опьянения 93 2 5 100
Всего: 975 17 8 1000
Для классификации водителей по категориям сконструируем порядковую классификационную шкалу, на которой определены отношения "больше", "меньше", т.е. между градациями существуют эти отношения, но не определена единица измерения и начало отсчета (это потребовало бы количественного определения степени тяжести ДТП, например в единицах стоимости страховых выплат КАСКО или ОСАГО [7, 8]). В качестве описательной шкалы используем порядковую шкалу с двумя
альтернативными дихотомическим градациями: "трезвый", "в состоянии алкогольного опьянения".
Из таблицы 1 согласно формулам (1) получаем таблицу процентных распределений (таблица 3):
W М W м
N-I ;N -I N;*-И N
» - 1 г - 1 г - 1 1 - 1
В таблице 2 показано, как в таблице 1 расположены некоторые из перечисленных переменных.
Таблица 2 - ПОЯСНЕНИЯ К О БОЗНАЧЕНИЯМ В ВЫРАЖЕНИЯХ (1)
Ко д 1 Наименование признака Трезвый Без ДТП С ДТП Сумма N
Без тяжких последствий С тяжкими последствиями
N.
2 В сост.алкогольного опьянения
Всего: N N
ПО ГРУППАМ-ОБОБЩ] ЕННЫМ КАТЕГОРИЯМ (КЛАССАМ)
С ДТП
Без Без тяжких С тяжкими По все
Код Наименование признака ДТП последствий последствиями выборк
1 Трезвый 90,46 88,24 37,50 90,00
2 В сост. алкогольного опьянения 9,54 11,76 62,50 10,00
Всего: 100,00 100,00 100,00 100,00
Из таблицы 3 мы видим, что 10,00% водителей, отобранных случайным образом в день проведения социологического исследования, оказались в состоянии алкогольного опьянения. Чтобы дать аналитическую интерпретацию результатам исследования, сделать из него выводы и сформулировать на его основе рекомендации, необходима дополнительная информация о том, какой процент водителей оказался в состоянии алкогольного опьянения в различных группах. Из таблицы 3 мы видим, что таковых:
- в группе водителей, не совершивших ДТП, оказались 9,54%;
- в группе совершивших ДТП без тяжких последствий - 11,76%;
- в случаях ДТП, повлекших особо тяжкие последствия - 62,50%.
Все проценты рассчитаны от общего количества респондентов, относящихся к этой группе, которое принято за 100%.
Если проанализировать, как меняется процент нетрезвых водителей от группы к группе в нашей порядковой шкале, то видна закономерность: чем большая доля водителей группы находится в состоянии алкогольного опьянения, тем тяжелее последствия ДТП в этой группе. Это уже позволяет говорить о том, что в результате проведенного социологического исследования был выявлен эмпирический закон, означающий, что состояние опьянения является фактором риска совершения ДТП.
Это "если" весьма знаменательно, т.к. большинство статистических программных систем, используемых в социологических исследованиях, прежде всего таких традиционных как SPSS и STATISTICA, просто не позволяют выявлять и исследовать эмпирические законы и ничего не остается как возложить эту работу на аналитика, который вручную анализирует полученные процентные распределения и пытается найти и сформулировать эти законы. Стоит ли говорить о том, что в реальных социологических исследованиях размерности процентных распределений и их количество таково, что вручную провести их анализ просто нереально.
Таким образом, для того, чтобы глубокий анализ характерных особенностей общественного сознания различных социальных групп регионального населения стал возможен и осуществим в реальной практике
социологических исследований, необходим научно-обоснованный метод, оснащенный соответствующим программным инструментарием и методикой его применения, который бы обеспечивал не только формирование условных процентных распределений ответов респондентов различных групп на вопросы анкеты, но и автоматизированное сравнение этих процентных распределений друг с другом и с абсолютным распределением по всей выборке, такой метод и программный инструментарий неизвестны широким кругам исследователей-социологов и на практике им недоступен, т.е. как бы отсутствует.
К сказанному необходимо добавить, что при исследовании таблицы 3, чтобы понять, что означают проценты в условном распределении, аналитик постоянно сравнивает их со значениями по тем же признакам в безусловном или абсолютном распределении (распределении по всей выборке), который используется в качестве базы для сравнения в соответствии с нормативным подходом. Фактически при разработке аналитической содержательной интерпретации он непрерывно производит математические операции, но не в количественном виде, а лишь в качественном: а именно он берет отношения значений в условном распределении к соответствующему в безусловном (2):
Я = р (2)
Если выполнить эту операцию над таблицей 3 получим таблицу 4:
Таблица 4 - ОТНОШЕНИЯ УСЛОВНЫХ ПРОЦЕНТНЫХ РАСПРЕДЕЛЕНИЙ К АБСОЛЮТНОМУ (ОТНОСИТЕЛЬНЫЕ ПРЕВЫШЕНИЯ В ГРУППАХ ПО
ОТНОШЕНИЮ КО ВСЕЙ ВЫБОРКЕ)
Ко д 1 Наименование признака Трезвый Без ДТП 1,02 8 С ДТП
Без тяжких последстви й С тяжкими последствиям и
0,342 0,052
2 В сост.алкогольного опьянения 0,79 8 5,691 7,761
В этой таблице каждое число уже представляет собой результат сравнения значений из условного и безусловного процентного распределений, т.е. эта работа выполнена за аналитика программной системой. Аналитику остается лишь посмотреть больше или меньше 1 эти числа и насколько больше или меньше:
- если число Яу > 1, то это означает, что ьй признак у респондентов j-й группы встречается чаще, чем в среднем по всей выборке, и, следовательно, обнаружение этого признака несет некоторое положительное количество
информации о принадлежности обладающего им респондента к этой категории;
- если число Rij < 1, то это означает, что ьй признак у респондентов j-й группы встречается реже, чем в среднем по всей выборке, и, следовательно, обнаружение этого признака несет некоторое отрицательное количество информации о принадлежности обладающего им респондента к этой категории, т.е. несет информацию о непринадлежности к ней;
- если же число Rij = 1, то это означает, что ьй признак у респондентов j-й группы встречается с той же вероятностью, что и в среднем по всей выборке, и, следовательно, обнаружение этого признака не несет никакой информации о принадлежности или непринадлежности обладающего им респондента к этой категории.
Эти выводы мы сделали на качественном уровне. Но возникает вопрос, а можно ли как-то количественно оценить это количество информации, которое мы получаем из факта наблюдения признака о принадлежности респондента к категориям? Положительный ответ на этот вопрос дает семантическая мера информации Харкевича (3):
P
Iij = Lo§2 P (3)
Pi
Если подставить в выражение (3) значения Pij и Pi из (1), то получим выражение (4), которое позволяет непосредственно из таблицы 1 рассчитать таблицу 5:
NijN
Iij = Log 2 —1— (4)
j N,N,
Таблица 5 - КОЛИЧЕСТВО ИНФОРМАЦИИ В ПРИЗНАКЕ
О ПРИНАДЛЕЖНОСТИ РЕСПОНДЕНТА К С ►БОБЩЕННОИ КАТЕГОРИИ
Ко д 1 Наименование признака Трезвый Без ДТП 0,040 С ДТП
Без тяжких последстви й С тяжкими последствиям и
-1,548 -4,270
2 В сост.алкогольного опьянения 0,326 2,509 2,956
Из этой таблицы 5 видно, что:
- признак "трезвый" несет положительное количество информации о том, что водитель не совершит ДТП, и соответственно отрицательное, что совершит, причем видно, что если все же ДТП будет совершено, то скорее всего без тяжких последствий;
- признак "В сост. алкогольного опьянения" несет отрицательное количество информации о том, что водитель не совершит ДТП, и соответственно положительное, что совершит, причем видно, что скорее будет совершено ДТП с тяжкими последствиями.
Информационным портретом обобщенной социальной категории (класса) является список градаций описательных шкал (признаков), ранжированный в порядке убывания количества информации, содержащейся в них о принадлежности респондента, обладающего этими признаками к данной категории. Информационный портрет социальной категории представляет собой результат многопараметрической типизации, т.е. обобщения образов конкретных респондентов, описанных признаками.
Далее эти информационные портреты социальных категорий могут сравниваться друг с другом, в результате чего могут формироваться кластеры обобщенных социальных категорий, включающие наиболее сходные из них. Затем могут формироваться системы противоположных кластеров, которые называются конструктами.
Научно-обоснованный метод, обеспечивающий автоматизированное сравнение условных процентных распределений друг с другом и с абсолютным распределением, показанные на примере в данной статье, существует и оснащен широко апробированным лицензионным программным инструментарием, который кроме того обеспечивает углубленный когнитивный анализ семантической информационной модели предметной области.
Это метод системно-когнитивного анализа (СК-анализ) с универсальной автоматизированной аналитической системой "Эйдос" [2-8, 10].
На основании изложенного можно сделать следующие выводы.
Метод многопараметрической типизации, реализованный в системнокогнитивном анализе обеспечивает:
1) формирование обобщенных образов общественного сознания различных социальных групп регионального населения с учетом их целей, ценностей, мотиваций и этнической принадлежности, динамики предметной области и региональных особенностей;
2) сравнение этих образов друг с другом, нахождение сходства и различий (противоречий) между ними, определение коалиций социальных групп, сходных по характеристикам их группового сознания, и выявление антагонис- тических коалиций.
Это позволяет разрабатывать научно-обоснованные рекомендации по социальной политике региона.
Примечания:
1. Аванесов В.С. Тесты в социологических исследованиях. М., 1982.
2. Луценко Е.В. Автоматизированный системно-когнитивный анализ в управлении активными объектами (системная теория информации и ее применение в исследовании экономических, социально-психологических,
технологических и организационно-технических систем): монография. Краснодар, 2002. 605 с.
3. Луценко Е.В. Интеллектуальные информационные системы: учеб.
пособие. Краснодар, 2004. 633 с.
4. Луценко Е.В. Теоретические основы и технология адаптивного семантического анализа в поддержке принятия решений (на примере универсальной автоматизированной системы распознавания образов "ЭЙДОС-5.1"): монография. Краснодар, 1996. 280 с.
5. Луценко Е.В., Коржаков В.Е. Интеллектуализация - генеральное направление развития информационных технологий // Вестник АГУ. Майкоп, 2006. № 1. С. 242244.
6. Луценко Е.В. АСК-анализ как метод выявления когнитивных функциональных зависимостей в многомерных зашумленных фрагментированных данных // Научный журнал КубГАУ. Краснодар, 2005. № 3. Ц^: http://ej.kubagro.ru/2005/03/pdf/19.pdf
7. Луценко Е.В., Коржаков В.Е. Прогнозирование рисков автострахования КАСКО с применением системно-когнитивного анализа // Научный журнал КубГАУ. Краснодар, 2008. № 6. Ц^: http://ej.kubagro.ru/2008/06/ pdfA1.pdf
8. Луценко Е.В., Подставкин Н.А. Прогнозирование рисков ОСАГО (андерайтинг) с применением системно-когнитивного анализа // Научный журнал КубГАУ. Краснодар, 2007. № 5. Шифр Информрегистра: 0420700012\0096. ИКЬ: http://ej.kubagro.ru/2007/05/pdf/08.pdf.
9. Новикова С.С. Введение в прикладную социологию. Анкетирование. М., 2000.
10. Пат. № 2003610986 РФ. Универсальная когнитивная аналитическая система "ЭЙДОС" / Е.В. Луценко (Россия); Заяв. № 2003610510 РФ. Опубл. от 22.04.2003. 50 с.
11. Хагуров А.А. Социология российского региона: монография / под ред. В.И. Нечаева. М., 2008. 360 с.
12. Луценко Е.В., Коржаков В.Е., Мачулин А.Д. Применение технологий
искусственного интеллекта для углубленных маркетинговых исследований аудитории рекламодателей глянцевых журналов краснодарского края // Научный журнал КубГАУ. Краснодар, 2008. №05(39). Шифр Информрегистра: 0420800012\0055. Ц^:
http://ej.kubagro.ru/2008/05/pdf/03.pdf.
