CC BY
77
УДК 378.37.01:007
Г. О. Ярыгин, О. Н. Ярыгин
Вестник СПбГУ. Сер. 6. 2012. Вып. 4
СИСТЕМНОЕ МЫШЛЕНИЕ И КОМПЕТЕНТНОСТЬ В АНАЛИТИЧЕСКОЙ ДЕЯТЕЛЬНОСТИ ПОЛИТОЛОГА1
В книге «Французы. Размышления о судьбе народа» экс-президент Франции (с 1974 по 1981 г.) В. Жискар-д'Эстен с сожалением отмечает невнимание французов к компетентности и профессионализму: «В этом одно из объяснений того, почему наши достижения сильно отличаются от достижений американского общества, для которого поиск компетентных людей является одной из первоочередных задач» [1, с. 212].
В системе высшего образования России и многих стран Запада декларирован и широко внедряется компетентностный подход к подготовке будущих исследователей и специалистов, устанавливающий формирование профессиональной компетентности в качестве цели образования. Необходимой составляющей компетентности современного политолога и международника должно быть умение и стремление моделировать исследуемые ситуации. При этом особое внимание следует обращать на недетерминированный и динамический характер социально-политических систем, в которых возникают многофакторные и многокритериальные задачи. Для рассмотрения множества возможных сценариев развития событий, с одной стороны, и анализа причин возникновения конфликтов, с другой стороны, оказываются недостаточными традиционные методы анализа, применяемые отдельными или коллективными аналитиками. Даже обладание обширной и актуальной информацией, обеспечиваемой современными технологиями связи, не позволяет своевременно правильно оценить ту или иную ситуацию и принять адекватное решение.
Формирование компетентности в аналитической деятельности связано не только с накоплением знаний (декларативных и процедурных, эксплицитных и имплицитных), но и с созданием системы ментальных моделей, интегрирующей приобретаемые знания [2]. При этом следует учитывать, что по мере повышения компетентности индивида и по мере усложнения объектов его аналитической деятельности система ментальных моделей должна претерпевать изменения как за счет создания новых, так и за счет преодоления устаревших ментальных моделей явлений реального мира. Такие неадекватные ментальные модели, названные нобелевским лауреатом Д. Канеманом ложными эвристиками, возникают в процессе работы с относительно простыми системами и создают препятствия для понимания явлений в сложных системах.
В настоящей работе мы рассмотрим такие компоненты процесса формирования компетентности политолога, как освоение методов моделирования, с одной стороны, и предотвращение необоснованного переноса ментальных моделей с простых систем на сложные — с другой.
1 Работа выполнена в рамках государственного задания № 461201 «Методология аналитической деятельности управления».
© Г. О. Ярыгин, О. Н. Ярыгин, 2012
129
Многими исследователями моделирование в политологии и международных отношениях рассматривается как методология исследования [3-5 и др.]. Тем не менее приходится признать, что в программах высшего образования для будущих политологов и международников изучению дисциплин, связанных с моделированием сложных социально-политических систем (в особенности с компьютерным моделированием), отводится недостаточно внимания и времени. В исследовательских работах политологов и международников используются различные виды моделирования, начиная с традиционных математических методов статистики и теории игр и заканчивая метафорическим моделированием [6] и имитационным моделированием социально-экономических [7-9], экологических [10] и глобальных систем [11-12]. В качестве инструментов моделирования представляются методы математического моделирования (кластерный анализ и другие статистические методы, метод анализа иерархий (AHP — Analytic Hierarchy Process), системная динамика), причем описываются модели, построенные с использованием современных программных систем, таких как Expert Choice, PowerSim [3-4; 13-14], а также моделирующих интернет-ресурсов CASCON, EUgenue [14; 3]. CASCON (http://web.mit.edu/cascon/) представляет собой компьютеризированную систему анализа конфликта и поддержки принятия решений, основанную на исторических данных, предназначенную для поддержания как памяти, так и воображения. CASCON основан на исследованиях локальных конфликтов и способов их предотвращения в Массачусетском технологическом институте, проводимых под руководством профессора Л. Блумфилда.
Однако приведенные примеры являются единичными и лишь подчеркивают необходимость внедрения новых методов и инструментов в образовательный и исследовательский политологические процессы.
Прежде чем продолжить рассмотрение методов моделирования применяемых в политологии, представим укрупненную классификацию исследуемых систем по признакам детерминированности и динамичности.
Табпица 1. Классификация исследуемых систем
Системы (модели) Статические Динамические
Детерминированные Все внешние факторы и параметры воздействий на систему определены и постоянны. Система поддается математическому моделированию. Сложность: высокая размерность, нелинейность, многокритериальность. Часть внешних параметров или все являются известными функциями от времени. Состояние системы в каждый следующий момент зависит от состояния в предшествующие моменты. Сложность: высокая размерность, нелинейность, многокритериальность, обратные связи, задержки реакций элементов, дискретность и непрерывность времени.
130
Недетермини- Часть или все параметры Сочетание многочисленных
рованные определены случайными стохастических
величинами. Элементы процессов с эмпирическими законами
системы могут быть описаны распределения,
неточно, с использованием нелинейная динамика сложных петель
лингвистических переменных. обратной связи,
Не определена относительная необратимость изменений (бифуркации),
важность критериев. стохастические временные задержки.
Недоопределена структура
системы.
Из таблицы 1 видно, что действительно сложными и непосильными для математического моделирования оказываются динамические недетерминированные системы, каковыми и являются социально-политические системы, рассматриваемые в политологии. Такая категоризация систем позволяет прояснить само понимание сложности системы и выделить область применения системной динамики и имитационного моделирования. При всей относительности деления систем (и их моделей) на сложные и не являющиеся таковыми можно выявить отличительные черты сложных систем и, следовательно, определить, какие научные дисциплины и методы требуется изучать для их компетентного исследования.
В работе «Политология. Методы исследования» в разделе, посвященном выбору адекватных методов исследования, Дж. Б. Мангейм и Р. К. Рич указывают, что «следует выбрать метод или сочетание методов, которые позволили бы задать те конкретные вопросы (измерить конкретные переменные), которые нас интересуют, и сделать это необходимо в соответствии с процедурой операционализации» [5, с. 30].
Основой методологии моделирования становится системный подход к исследованию явлений реального мира, в рамках которого аналитическая деятельность представляется как единство анализа-синтеза, интегрирующего все знания о явлении в виде его системной модели. Тенденция исследовать системы как нечто целое, а не как конгломерат частей, соответствует тенденции современной науки не изолировать исследуемые явления в узко ограниченном контексте, а изучать прежде всего взаимодействия и исследовать все больше и больше различных аспектов природы. Системное исследование необходимо становится междисциплинарным, представляющим коллективную исследовательскую деятельность, в результате чего происходит синтез научного знания.
Системная динамика как методология исследования сложных систем
Современная системная динамика является развитием системного подхода, получившего широкое распространение в исследованиях сложно структурированных явлений и объектов в различных областях деятельности. Дж. Форрестер подчеркивает: «Системный подход может быть ключом к системной динамике. Опасность исходит от людей, полагающих, что на системном подходе все и заканчивается. Системный подход только делает ум более "чувствительным", обращая наше внимание на жизнь систем. Некоторые люди убеждены, что они многое узнали именно на стадии системного подхода. Но они прошли, быть может, только 5 процентов пути к пониманию системы. Остальные 95 процентов — это структурирование системно-динамических моделей
131
и проведение на этих моделях вычислительных экспериментов. Только вычислительный эксперимент может обнаружить существующую несогласованность в наших умственных моделях. Системный подход может быть первым шагом к пониманию динамики сложных проблем, но этого не достаточно» [15].
Для эффективной аналитической деятельности в области недетерминированных динамических систем, как видно из таблицы 1, требуется владение такими теоретическими дисциплинами, которые характеризуются не столько изощренным математическим аппаратом, сколько новой методологией в изучении явлений. Таковой методологией становится системная динамика.
Следовательно, будущим компетентным международникам и политологам требуется овладеть не столько математическими методами, соответствующими указанной области, сколько умением поставить задачи для математиков, владеющих этими дисциплинами. Дж. Форрестер [8; 15], Дж. Стерман [16], Д. Медоуз [11] показали эффективность системно-динамических моделей, использующих упрощенный математический аппарат, для исследования поведения сложных систем, прогнозирования их развития при тех или иных воздействиях извне или изнутри.
В работе «Системный подход и общесистемные закономерности», где рассматриваются «когнитивный, гомеостатический и синергетический подходы к решению сложных слабоструктурированных и слабоформализуемых задач различной природы и обсуждаются вопросы переноса знаний из одной области в другую», академик И. В. Пран-гишвили так описывает цель системно-динамического исследования: «...предпринята попытка получить хоть какие-нибудь убедительные ответы на некоторые жизненно важные вопросы, порождаемые природой, обществом, техникой. Люди ищут ответы на такие фундаментальные вопросы, как причины возникновения в человеческом обществе конфликтов и войн, стихийных бедствий и экологических катастроф, периодического взлета и падения государственной мощи страны, появления и исчезновения государств, различных общественных формаций и др.» [17, р. 11].
По словам одного из создателей методологии системной динамики Д. Стермана, «системная динамика — это подход имитационного моделирования, своими методами и инструментами позволяющий понять структуру и динамику сложных систем. Также системная динамика — это метод моделирования, использующийся для создания точных компьютерных моделей сложных систем для дальнейшего использования с целью проектирования более эффективной организации и политики взаимоотношений с данной системой. Вместе эти инструменты позволяют нам создавать микромиры-симуляторы, где пространство и время могут быть сжаты и замедлены так, чтобы мы могли изучить последствия наших решений, быстро освоить методы и понять структуру сложных систем, спроектировать тактики и стратегии для большего успеха» [16, р. уи].
В качестве эффективного применения системной динамики в политологических исследованиях можно привести работы А. Р. Горбунова (Институт США и Канады РАН) [13] , В. В. Солодова (МГУ) [14], Э. Р. Ожиганова (РУДН) [3-4], в которых исследуются разработки прогнозных сценариев больших индустриальных и экономических систем, антикоррупционная политика, стратегия выборной кампании. Здесь же можно указать на разработку системно-динамической модели межкультурной коммуникации между русскими и американцами, выполненную в диссертации О. А. Леонтович [18].
Метод системной динамики основывается на четырех принципах:
132
1. Динамику поведения сколь угодно сложного процесса можно свести к изменению значений некоторых «уровней», а сами изменения регулировать «потоками», увеличивающими или снижающими эти уровни.
2. Все изменения в системах обусловливаются «петлями обратных связей», представляющими собой замкнутые цепи взаимодействий. Такая цепь связывает причину исходного действия с его результатом, изменяющим окружающую среду, которая, в свою очередь, влияет на причину действия.
3. «Петли обратной связи» в системе соединяются нелинейно, вследствие чего информация об уровнях системы влияет через обратные связи на сами уровни непропорционально и трудно предсказуемо.
4. Системная динамика отражает нетривиальное поведение системы взаимодействующих уровней, потоков и обратных связей.
Пример системно-динамической модели выборной кампании, построенной в системе компьютерного моделирования STELLA, представлен на рисунке 1. Модель отражает взаимодействие таких уровней, как FINANCE и ADMINISTRATION, ELECTORAT, через потоки финансовых и административных ресурсов. Обратные связи воздействия уровней на потоки и их общего воздействия на уровень ELECTORAT отражаются дугообразными стрелками. Модель имеет укрупненный вид, так как в нее входят два модуля STAFF_1 и STAFF_2, представляющие собой подмодели и имитирующие штат первого и второго кандидатов соответственно. Количественные зависимости моделируются с помощью формул и коэффициентов, задаваемых в конверторах входных (INPUT_E) и выходных (OUTPUT_E) потоков каждого уровня.
Подобная модель позволяет включать вероятностные факторы, временные задержки, может дополняться новыми потоками и уровнями при учете новых видов ресурсов. На основе моделирования могут быть проверены различные сценарии изменения ситуаций, спрогнозировано поведение системы, которое может быть представлено в виде графиков и таблиц, что позволит принимать эффективные управленческие решения руководителю выборного штаба.
Следует отметить, что построение системно-динамической модели социально-политической системы, даже без ее компьютерной реализации, само по себе значительно углубляет понимание составляющих ее элементов и подсистем, логики их взаимодействия и делает возможным прогнозирование эмерджентных свойств, проявляющихся в виде «чрезвычайных ситуаций».
Здесь обратим внимание на такой важный вид имитационного моделирования, как «деловые игры». В этом случае реальная ситуация моделируется командой участников, «имитирующих» действия элементов и подсистем исследуемого явления. Среди них могут быть отмечены следующие: моделирование деятельности международных организаций или же национальных (как отечественных, так и зарубежных) политических процессов — выборов глав государств и парламентских структур. Данная практика широко распространена в высших учебных заведениях.
Второй важной характеристикой сложной системы, как отмечено выше, является ее недетерминированность. Традиционно недетерминированные данные формализуются с помощью вероятностных методов, однако не всегда недетерминированные данные имеют вероятностную природу. В стремлении получить модель, которая доступна традиционным аппаратам математической статистики, постановщики задачи обычно настолько упрощают модель реальной системы, что получаемое решение представляет
133
щрит ЕЬЕСТСЖАТ ОИТРиТ
Рис. 1. Упрощенная системно-динамическая модель выборов, отражающая взаимовлияние финансовых и административных ресурсов
только технический интерес, но не отражает адекватно свойств исследуемого объекта или процесса. Все более широкое распространение в менеджменте, экономике и технических системах получает нечетко-логический вывод [19]. Важная особенность нечетко-логических моделей — возможность описания правил на естественном человеческом языке. Нечетко-логические модели предоставляют возможность оперировать нечеткими входными данными, например, результатами социологических опросов; формализовать критерии, оценки и сравнения, например, понятия «большинство», «возможно», «преимущественно» и т. д.; проводить качественную оценку как входных данных, так и выходных результатов, учитывая не только значения параметров, но и их степень истинности. Системы компьютерного нечетко-логического моделирования, применяемые для исследования недетерминированных социально-экономических систем, могут применяться в политологии.
СиЫСак фирмы HyperLogic является одной из мощнейших экспертных систем на основе нечеткой логики. Пакет содержит интерактивную оболочку для разработки нечетких экспертных систем и систем управления, позволяет создавать собственные прикладные экспертные системы (существует «университетская» версия пакета — CubiQuick); используется для создания моделей различных экономических, политических, биржевых ситуаций. Система FuziCalc — электронная таблица с нечеткими полями, позволяющая делать быстрые оценки при неточных данных без накопления погрешности; применяется в современных ситуационных центрах для принятия ключевых политических решений и моделирования кризисных ситуаций.
134
Пройдя цепочку «системный анализ-синтез — системная динамика — принятие решений в условиях неопределенности (нечетко-логический вывод)», мы подошли ко второй проблеме формирования компетентности в аналитической деятельности — преодолению ложных эвристик. Остановимся на наиболее распространенной и наименее поддающейся устранению эвристике линейности, применимой при исследовании простых систем и недопустимой при исследовании сложных социально-политических систем.
Под эвристикой линейности имеется в виду традиционное представление о причинно-следственных зависимостях в системе, характеризующихся предшествованием причины последовательности событий и временной последовательности воздействий.
Нелинейность сложных систем подразумевает не только и не столько то, что они описываются математическими моделями, содержащими нелинейные уравнения или неравенства, но в основном то, что изменение этих систем происходит разнонаправленно и недетерминированно. Нелинейность может возникать из-за наличия обратных связей. Эвристика линейности состоит в устойчивом представлении, что следствие наступает после причины и что реакция системы пропорциональна воздействию на систему. Для преодоления эвристики линейности недостаточно согласиться с принципом римского права «после не значит вследствие» (post hoc non est propter hoc), необходимо проследить возникновение петель обратных связей в структуре рассматриваемой сложной системы. По Дж. Форрестеру «система с обратной связью существует там, где окружающая среда приводит к принятию решения, вызывающего действие, которое само влияет на окружающую среду и, значит, на дальнейшие решения» [8, р. 18]. Говоря о таких системах, Дж. Форрестер подчеркивает, что это как раз тот случай, когда «мы начинаем понимать, что взаимодействие между компонентами системы может иметь большее значение, чем сами компоненты» [8, р. 18].
Прекрасной иллюстрацией управления сложной системой служит аналогия, связанная с управлением такой сложной системой, как «автомобиль — водитель — инструктор — дорога», проводимая Дж. Форрестером в «Индустриальной динамике»: «Цепь информации и управления идет от руля к машине, улице, глазам, рукам водителя и обратно к рулю. Мы принимаем эту комплексную систему без размышлений. Рассмотрим, однако, эффект небольших изменений в структуре системы и запаздываний во времени. Предположим, что у водителя глаза завязаны, и он управляет машиной по командам сидящего рядом инструктора. Результирующее запаздывание информации на несколько секунд и некоторое дополнительное ее искажение из-за включения голоса и слуха между зрительным восприятием наблюдателя и сознанием водителя должны привести к беспорядочному управлению автомашиной. Еще беспорядочней оно будет, если водитель с завязанными глазами получает команды от инструктора, который ведет наблюдение через заднее стекло машины, и располагает информацией лишь об уже пройденном пути» [8, р. 19].
Именно так проявляется нелинейность взаимодействия с временной задержкой, присущая большинству производственных, экономических и социальных сложных систем. В любой системе с обратной связью для принятия решения используется доступная информация о прошедшем как основание для будущих действий. В динамических системах существует два вида обратных связей — положительная (усиливающая — Reenforsing) и отрицательная (уравновешивающая — Balancing). В петле положительной обратной связи цепь причина-следствие замыкается, так что увеличение следствия
135
приводит к увеличению причины. При отрицательной обратной связи увеличение следствия ведет к уменьшению входного воздействия.
На рисунке 2 представлена диаграмма влияния элементов динамической системы, отражающей взаимодействие выделенных компонентов, обеспечивающих изменения населения некоторой страны. Петли обратной связи возникают между такими параметрами, как «численность населения» и «уровень рождаемости», «численность населения» и «уровень смертности», доступность работы («отношение численности населения к числу рабочих мест») и «иммиграция». Причем если первая петля ^1) представляет положительную обратную связь, то вторая и третья — отрицательную.
Действительно, чем выше численность населения, тем выше среднее число рождений за год («уровень рождаемости»), а чем выше «уровень рождаемости», тем выше численность населения. Такой прирост населения компенсируется уравновешивающими (балансирующими) обратными связями с показателями смертности, иммиграции, эмиграции, доступностью жилья. Причем петли обратной связи могут иметь свою сложную внутреннюю структуру. Например, «иммиграция» увеличивает численность населения, за счет этого возрастает отношение численности к количеству имеющихся рабочих мест, которое отрицательно сказывается на «привлекательности» страны для трудовой иммиграции, а это и снижает саму иммиграцию. Таким образом, возникает петля отрицательной обратной связи B4.
Другой вид нелинейности представляется непропорциональностью причин и следствий. Обычное представление о большом изменении выходного параметра в ответ на большое изменение входного воздействия и меньшее изменение в ответ на меньшее входное воздействие в сложных системах с взаимодействующими обратными связями может нарушаться. Особенно ярко это свойство проявляется при переходе граничных условий некоторыми параметрами системы. В социальных системах незначительное ухудшение условий жизни может послужить «последней каплей», приводящей к социальному взрыву.
Уровень Ж рождаемости
Уровень смертности
Эмиграция
Рис. 2. Диаграмма влияния элементов динамической системы «Население»
136
Рассмотренные виды нелинейности могут взаимодействовать, образуя нелинейную обратную связь, т. е. обратную связь, в которой воздействия причины на следствие и следствия на причину оказываются непропорциональными.
Чтобы отказаться от эвристики линейности и тем самым преодолеть один из барьеров аналитической деятельности политолога, требуется не только выявить указанные нелинейности в исследуемой системе, но и установить основные причины и параметры нелинейностей, а именно:
— структуру системы и взаимовлияние элементов;
— запаздывания, происходящие при передаче информации, ее обработке и принятии решений;
— усиление, происходящее, когда действия оказываются более сильными (слабыми), чем это следует из принятой информации.
Именно эти задачи позволяет решить системная динамика, представленная выше как методолгия моделирования социально-политических систем.
Т. Саати (Йельский университет) предложил несколько отличающийся способ исследования возникающих «сетевых структур» причинно-следственных связей. Разработанный им аналитический сетевой процесс (ANP — Analitic Network Process) как развитие аналитического иерархического процесса (AHP — Analytic Hierarchy Process), становится одним из инструментов преодоления нелинейности сложных систем [20-21]. Описывая необходимость разработки и совершенствования метода анализа иерархий (как принято переводить AHP, что если не искажает, то, по меньшей мере, сужает его понимание), Т. Саати пишет: «Существует два известных способа анализа причин и следствий. Первый основан на применении традиционной дедуктивной логики, где вывод результата осуществляется на основе предположений. Это — последовательный линейный подход, позволяющий получить множество отдельных заключений, после чего возникает проблема их непротиворечивого обобщения. Решение этой проблемы требует воображения и опыта, так как логика мало нам говорит или не говорит ничего о том, как на основе различных заключений получить некий интегрированный результат. Другим способом является холистический подход, в котором все рассматриваемые факторы и критерии объединяются в иерархию или в сетевую структуру, допускающую наличие зависимостей между элементами. Все возможные результаты, которые можно вообразить, соединяются в таких структурах, а затем суждения и логика используются для оценки степеней относительного влияния элементов, на основе которых выводится обобщенный результат» [20, с. 15]. В той же работе Т. Саати подчеркивает нелинейность исследуемых явлений: «Может оказаться так, что некоторый фактор с невысокой степенью влияния, определенной логическим путем, будет обладать существенным кумулятивным влиянием из-за его косвенных взаимодействий с другими важными факторами» [20, с. 15]. Затронув уже знакомые структурные признаки, Т. Саати указывает на вытекающую из них нелинейность, приводящую к нарушению или даже исключению возможности применения традиционного логического анализа к сложным системам. К сожалению, сетевой аналитический процесс не получил широкого распространения в российских исследованиях социально-экономических процессов.
Д. Дернер описывает причинно-следственные сети в терминах GRASCAM-процесса (General Recursive Analytic Synthetic Constellation Amplification — Общее рекурсивное аналитически-синтетическое структурное усиление). Отметим, что красивый термин
137
«constellation», означающий «созвездие», приходится переводить скромно звучащим, но эквивалентным в данном контексте словом «структура», что и передает главное свойство группы звезд, не связанных ничем, кроме нашего представления, т. е. ментальной модели. Процесс GRASCAM ведет к обогащению и дифференциации ментальных моделей. На его основе строится сеть причинно-следственных связей. Степень разработки сети причинно-следственных связей для управления системой становится основой для объяснения различий в поведении управляемой сложной системы.
Объединить описанные научные подходы в исследовании сложных нелинейных систем позволяет «сценарный подход» к развитию ситуаций в сложных системах в ответ на те или иные изменения внешней среды и самой системы, описываемый Д. Дер-нером в «Логике неудачи» [22]. Одним из методов реализации и оценки структурных знаний о динамической системе является причинная диаграмма. Такие диаграммы используются в системной динамике на этапе концептуального моделирования и позволяют сначала описать факторы, влияющие на поведение системы и их взаимовлияние. Таким образом, можно заключить, что преодоление эвристики линейности обеспечивается использованием системной динамики в сочетании со сценарным подходом на этапе концептуального моделирования и с аналитическим сетевым процессом на этапе математического моделирования динамических систем со сложной структурой.
Выводы
Социально-политические системы являются существенно недетерминированными и существенно динамическими системами.
Моделирование является необходимым компонентом компетентности международника и политолога, исследующего социально-политические системы.
Системная динамика является методологией моделирования социально-политических систем.
Ввиду недостаточности аналитических методов и отсутствия адекватных математических моделей для эффективного изучения сложных систем необходимо применение современных компьютерных систем имитационного моделирования.
Современными дисциплинами преодоления неопределенности исследуемых систем должны стать системная динамика, метод анализа сетей, нечеткая логика. При этом особое внимание следует уделять компьютерным системам, реализующим методы указанных дисциплин в виде специализированных программных продуктов.
Имитационное моделирование с помощью таких компьютерных систем, как STELLA или iThink, обеспечивает исследователя социально-политических систем инструментом, позволяющим реализовать указанную методологию исследования.
Литература
1. Жискар-дЭстен В. Французы: размышления о судьбе народа. М.: Ладомир, 2004. 256 с.
2. Ярыгин А. Н., Ярыгин О. Н. Дискретная математика как инструмент формирования интеллектуальной компетентности. М.: МГУПП, 2011. 360 с.
3. Ожиганов Э. Н., Слизовский Д. Е. Теория и практика политического и стратегического анализа: учеб. пособие. М.: РУДН, 2008. 148 с.
4. Ожиганов Э. Н. Моделирование и анализ политических процессов. М.: РУДН, 2009. 189 с.
5. Мангейм Дж. Б., Рич Р. К. Политология. Методы исследования. М.: Весь Мир, 1997. 544 с.
138
6. Каслова А. А. Метафорическое моделирование президентских выборов в России и США (2000 г.): дис. ... канд. филол. наук. Екатеринбург: Уральский государственный педагогический университет, 2003. 208 с.
7. Путилов В. А., Горохов А. В. Системная динамика регионального развития. Мурманск: Па-зори, 2002. 306 с.
8. Форрестер Дж. Основы кибернетики предприятия (Индустриальная динамика). М.: Прогресс, 1971. 340 с.
9. Ярыгин О. Н. Имитационное моделирование производственной деятельности предприятия. Тольятти: Изд-во ТГУ, 2011. 138 с.
10. Ford A. Modeling the Environment: An Introduction to System Dynamics Modeling of Environmental Systems. Washington: Island Press, 2009. 380 p.
11. Медоуз Д. Пределы роста. 30 лет спустя. М.: ИКЦ «Академкнига», 2007. 342 с.
12. Форрестер Дж. Мировая динамика. СПб.: Terra Fantastica, 2003. 379 с.
13. Горбунов А. Системная динамика: моделирование принятия стратегических и оперативных решений (метод функции капитального класса) // Бизнес-информатика. № 2 (04). 2008. С. 25-34.
14. Солодов В. В. Имитационное моделирование механизмов государственной антикоррупционной политики // Государственное управление. Электронный вестник. Вып. 28. Сентябрь 2011 г. URL: http://e-journal.spa.msu.ru/28_2011Solodov.html
15. Forrester J. System dynamics — a personal view of the first fifty years // System Dynamics Review. 2007. Vol. 23. P. 345-358.
16. Sterman J. Business dynamics: systems thinking and modeling for a complex world. New York: McGraw Hill, 2000. 952 p.
17. Прангишвили И. В. Системный подход и общесистемные закономерности. М.: СИНТЕГ, 2000. 528 с.
18. Леонтович О. А. Системно-динамичская модель межкультурной коммуникации между русскими и американцами: дис. ... д-ра филол. наук. Волгорад, 2002.
19. Carlsson C., Fedrizzi M., Fuller R. Fuzzy Logic in Management. Series: International Series in Operations Research & Management Science. Vol. 66. Springer, 2004. 296 p.
20. Саати Т. Принятие решений при зависимостях и обратных связях: аналитические сети. М.: ЛКИ, 2008. 360 с.
21. Saaty T., Begicevic N. The scope of human values and human activities in decision making // Applied Soft Computing. 2010. N 10. P. 963 -974.
22. Дернер Д. Логика неудачи. М.: Смысл, 1997. 256 с.
Статья поступила в редакцию 7 июня 2012 г.
139
