Методы анализа и обработки данных - реферат. Методы обработки и анализа данных

Эмпирические данные, полученные в ходе социологического исследования, еще не позволяют сделать верные выводы, обнаружить закономерности и тенденции, проверить выдвинутые программой исследования гипотезы. Полученную первичную социологическую информацию следует обобщить, проанализировать и научно интегрировать. Иными словами, необходимо применить методы анализа и обработки эмпирических данных.

В социологии под методами анализа и обработки социологической информации понимают способы преобразования эмпирических данных, полученных в ходе социологического исследования. Преобразование производится с целью сделать данные обозримыми, компактными и пригодными для содержательного анализа, проверки исследовательских гипотез и интерпретации. Хотя невозможно провести достаточно четкую границу между методами анализа и методами обработки, под первыми обычно понимают более сложные процедуры преобразования данных, которые переплетаются с интерпретацией, а под вторыми – в основном рутинные, механические процедуры преобразования полученной информации.

Между тем анализ и обработка социологической информации как целостное образование составляет этап эмпирического социологического исследования, в ходе которого с помощью логико-содержательных процедур и математико-статистических методов на основе первичных данных раскрываются связи исследуемых переменных.

С определенной долей условности методы обработки информации можно разделить на первичные и вторичные. Для первичных методов обработки исходной информацией служат данные, полученные в ходе эмпирического исследования, т. е. так называемая «первичная информация»: ответы респондентов, оценки экспертов, данные наблюдения и пр. Примерами таких методов являются группировка, табулирование, расчет многомерных распределений признаков, классификация и др.

Вторичные методы обработки используют, как правило, для данных первичной обработки, т. е. это методы получения показателей, рассчитываемых по частотам, сгруппированным данным и кластерам (средних величин, мер рассеяния, связей, показателей значимости и т. д.). К методам вторичной обработки можно также отнести методы графического представления данных, исходной информацией для которых служат проценты, таблицы, индексы.

Методы анализа и обработки социологической информации могут быть разделены также на универсальные, которые пригодны для анализа большинства видов информации, и специальные, пригодные лишь для анализа данных, представленных в специальном виде информации (например, анализ социометрических данных или контент-анализ текстов).

С точки зрения использования технических средств выделяют два вида обработки социологической информации: ручную и машинную (с использованием средств вычислительной техники). Ручную обработку используют в основном в качестве первичной при небольших массивах информации (от нескольких десятков до сотни анкет), а также при относительно простых алгоритмах ее анализа. Вторичную обработку информации проводят с помощью микрокалькулятора или другой вычислительной техники. Примером социологических исследований, в которых часто используется ручная обработка, являются пилотажные, экспертные и социометрические опросы.

Однако основным средством анализа и обработки данных в настоящее время являются персональные компьютеры, на которых осуществляется первичная и большинство видов вторичной обработки и анализа социологической информации. При этом анализ и обработка социологической информации на ПК проводятся, как правило, посредством специально разрабатываемых машинных программ, реализующих методы анализа и обработки социологических данных. Эти программы обычно оформляются в виде специальных наборов программ или так называемых пакетов прикладных программ анализа социологической информации. В крупных социологических центрах анализ и обработка социологической информации наряду с пакетами прикладных программ опираются на архивы и банки социологических данных, позволяющих не только хранить необходимую информацию, но и эффективно использовать ее при осуществлении вторичного анализа социологических данных.

В этом разделе указывается способ обработки эмпирической информации (ручной или машинный); содержание работы по подготовке информации к обработке (контроль качества заполнения анкет, ручная кодировка ответов на открытые вопросы, редакция анкет, контроль на логическую непротиво­речивость и т.п.); объем подготовительной работы и примерные затраты на ее выполнение.

Собранные в эмпирическом исследовании факты получили в социологии на­звание данных. Понятия «социологические данные» и «эмпирические данные» в учебниках и словарях, как правило, специально не определяются и обычно счи­таются синонимами. Такого рода понятия считаются чем-то само собой разумею­щимся, привычным, знакомым для каж­дого профессионального социолога. Эм­ пирические данные появляются только на определенном этапе - после проведения полевого обследования (массового сбора информации на объектах).

С социологическими данными можно производить следующие операции: 1) подготавливать их для обработки; шифровать, кодировать и т.д.; 2) обраба­тывать (вручную или с помощью компьютера); табулировать, рассчитывать многомерные распределения признаков, классифицировать и т.д.; 3) анали­зировать; 4) интерпретировать.

Этап анализа данных - комплекс процедур, составляющих стадии пре­образования данных. В качестве основных выделяются: этап подготовки к сбору и анализу информации; оперативный этап первичной обработки дан-

ных, проверки надежности информации, формирования описательных дан­ных, их интерпретации; результирующий этап обобщения данных анализа и реализации прикладной функции. На каждом этапе решаются относитель­но самостоятельные задачи. Вместе с тем ход анализа в исследовании от­личается достаточно высокой гибкостью. Наряду с общей и установленной последовательностью этапов складываются определенная цикличность и итеративность ряда процедур, возникает необходимость возврата к прежним этапам. Так, в ходе интерпретации полученных показателей и проверки ги­потез для уточнения (объяснения) формируются новые подмассивы дан­ных, изменяются или строятся новые гипотезы и показатели. Соответствен­но, представленные в схемах этапы и процедуры анализа задают лишь об­щее направление цикла анализа данных.

Анализ данных представляет собою своеобразную «вершину» всей проце­дуры социологического исследования, ее результатом, ради которого все, собственно, и проделывается. Методы анализа данных описываются в соот­ветствии с разрабатываемой методикой сбора информации. Указываются такие универсальные процедуры анализа, как получение первичных (линей­ных) распределений ответов на вопросы анкеты; двойные (парные) связи между изучаемыми признаками (переменными); коэффициенты связи, ко­торые будут получены на ЭВМ.

Рис. 6. Анализ данных - наиболее важная часть социологического исследования

Анализ данных - основной вид работ социологического исследования, направленный на выявление устойчивых, существенных свойств, тенденции изучаемого объекта; включает выделение и расчет показателей, обоснование и доказательство гипотез, построение выводов исследования. На его основе поддерживается логическая стройность, последовательность, обоснованность всех процедур исследования.

Основное назначение анализа данных: зафиксировать информацию об изу­чаемом объекте в виде признаков, определить ее надежность, выработать объективные и субъективно-оценочные характеристики и показатели иссле­дуемого процесса, обосновать и проверить гипотезы, обобщить результаты ис­следования, установить направления и формы их практического применения.

Основные нормативные требования: руководящая роль теоретических тре­бований, методологических принципов; концептуальная взаимосвязь всех этапов анализа с программой исследования, обеспечение полноты, надеж­ности информации и продедур достоверности результатов исследования; си­стематизация, сжатие и более полное выражение информации за счет исполь­зования на всех этапах анализа логических, математико-статистических и ин­формационных методов, эффективных процедур, современных технических средств; итеративность процесса анализа, повышение уровня обоснованно­сти информации на каждом следующем этапе исследования; всемерное ис­пользование компетенции специалистов, развитие творческой инициативы исполнителей.

Программа анализа данных является составной частью программы социо­логического исследования. Ее ведущие задачи: определение вида и состава необходимой информации, определение способов, средств ее регистрации, измерения, обработки и преобразования, обеспечение надежности данных, определение форм интерпретации, обобщение данных, установление спосо­бов практического применения результатов исследования.

Измерение - это приписывание, согласно определенным правилам, чис­ловых значений объектам, их признакам в виде эмпирических индикаторов и математических символов. С его помощью дается количественная и каче­ственная оценка свойств, признаков объекта. Оно может быть рассмотрено как построение математической модели определенной эмпирической систе­мы. Процедура измерения включает три основных этапа: выделение изме­ряемых величин из всего набора возможных величин, характеризующих объект; нахождение эталона; соотнесение эталона с измеряемой величиной и получение соответствующей числовой характеристики.

Важным инструментом измерения выступают в социологии измерительные шкалы. Измерительная шкала - основной инструмент социального измере­ния, в качестве эталона служит средством фиксации той или иной совокуп­ности значений, интересующих исследователя. Шкала устанавливает опреде­ленную последовательность индикаторов. Она является средством анализа статистического материала. В ходе измерения с ее помощью качественно раз­нородные данные приводятся к сопоставимым количественным показателям. В зависимости от характера измеряемых признаков и задач их анализа исполь­зуются различные шкалы: номинальная (для классификации объектов, их признаков), порядковая (для сравнения интенсивности проявления призна­ка по возрастанию и убыванию), интервальная (для анализа интенсивности свойств объектов, выраженных величинами, разбитыми на равные интерва­лы), шкала отношений (для отражения отношений пропорции).

Методы обработки и анализа числовых данных представлены большим многообразием и включают в себя как классические методы элементарной математики (методы приближенных вычислений, комбинаторики, алгебраические методы и др.), так и методы, оформившиеся в результате развития отрасли системно-кибернетических исследований. Следует сразу оговориться, что по предмету анализа (тому, что стоит за числами) эти методы различаются существенно, а вот, что касается формального аппарата, то в целом он универсален для всей математики. Речь не идет о том, что авторы не видят различий между формализмом методов дифференциального исчисления и методов комбинаторики. Речь идет о другом - о том, что ни один из методов обработки числовых данных при анализе сложных систем не является самодостаточным.

Семантическая компонента формальной системы, используемой для представления данных, полученных в результате процедур принципиально различного типа, обычно остается вне поля зрения аналитика вплоть до завершения цикла аналитической обработки, когда привлекается модель интерпретации результатов. Но, в то же время, именно семантическая компонента определяет саму схему обработки данных (содержание метода) .

В рамках рассмотрения методов обработки и анализа числовых данных мы не будем рассматривать математические процедуры и операции, традиционно используемые для обработки результатов инструментальных измерений. Наше внимание будет сосредоточено на проблемах обработки численных данных, полученных в результате проведения опроса экспертов, поскольку этот класс данных отличается отсутствием возможности аналитическим путем оценить точность полученных данных. В числе таких методов следует выделить два класса:

методы экспертных оценок;

метод решающих матриц.

Методы экспертных оценок представляют собой еще одну разновидность способов привлечения опыта и знаний экспертов для решения задач управления и анализа сложных систем. Метод экспертных оценок представлен множеством модификаций, и, по мнению некоторых авторов, является более широким классом, нежели такие классы методов, как мозговые атаки, методы типа Дельфи и иные, основанные на опросе мнений экспертов. Но авторы этой книги считают иначе - не стоит смешивать различные виды классификаций: классификацию по способу активизации мышления, классификацию по источнику знаний и классификацию по способу обработки полученных данных.

По причине такого смешения и возникла путаница - методы экспертных оценок по источнику знаний равноценны методам коллективной генерации идей, методам типа Дельфи и методам опроса экспертов, по способу обработки - включает перечисленные методы, а к классу методов активизации мышления вообще никак не относится. Заметим, что в данном случае мы сосредоточим внимание на способе обработки данных, полученных в ходе экспертных опросов, на методах анализа экспертных оценок .

Рассматривая возможность использования экспертных оценок, обычно исходят из того, что неизвестная характеристика исследуемого явления может трактоваться как случайная величина, знаниями о законе распределения которой располагает специалист-эксперт. Также предполагается, что эксперт в силах оценить достоверность и значимость того или иного события, происходящего в системе. То есть, применительно к группе экспертов, считается, что истинное значение исследуемой характеристики находится внутри диапазона экспертных оценок, полученных от группы, и что в результате обобщения мнений экспертов может быть получена достоверная оценка.

Однако это не всегда так, поскольку все зависит от первоначального объема знаний о системе и степени изученности проблемы. Если знания экспертов в данной предметной области достаточно обширны, для того, чтобы полагать группу экспертов «хорошим измерителем», тогда, действительно, предположение об адекватности коллективной оценки небеспочвенно. Но если такой уверенности нет, многие приемы обработки данных экспертных опросов оказываются не только неэффективны, но и вредны. Организатор опроса должен сознавать, в какой из перечисленных ситуаций он пребывает . В зависимости от этого, внимание может концентрироваться на «случайных выбросах», как элементе нового знания, которое стоит рассматривать, как вероятно плодотворный подход (коль скоро общепринятые теории не дают желаемого результата).

Надо сказать, что должность эксперта не является экзотической для государственного устройства России. Так, мало кто из опрошенных нами сотрудников информационно-аналитических подразделений смог расшифровать хорошо известное по школьному курсу русской литературы словосочетание «коллежский асессор». Каково же было их удивление, когда они узнали, что на самом деле оно соответствует современной должности «эксперт коллегии», «научный консультант»!

Обычно, когда речь идет о применении экспертных оценок, рассматривается целый комплекс проблем, так или иначе связанных с этой процедурой, при этом рассматривают:

Процедуры формирования экспертных групп (это и требования к квалификации экспертов, их психологическим характеристикам, размерам групп, и вопросы тренировки экспертов);

Формы проведения экспертного опроса (способы проведения анкетирования, интервьюирования, смешанные формы) и методики организации опроса (создание психологической мотивации, методики анкетирования, применения методов активизации мышления);

Подходы к оцениванию результатов (ранжирование, нормирование, различные виды упорядочения, включая методы предпочтений, попарных сравнений и др.) и методы обработки экспертных оценок;

Способы определения согласованности мнений экспертов, достоверности экспертных оценок (например, статистические методы оценки дисперсии, оценки вероятности для заданного диапазонаизменений оценок, оценки ранговой корреляции, коэффициента конкордации и иные);

Методы повышения согласованности оценок путем применения соответствующих способов обработки результатов экспертного опроса.

Пункты 1 и 2 данного перечня отчасти рассмотрены в подразделе, посвященном методам активизации мышления, и в большей степени относятся к проблемам организационного плана. Здесь же наш интерес будет сосредоточен на проблемах, перечисленных в пунктах 3‑5.

Существенный интерес с точки зрения механизмов обработки экспертных оценок представляет проблема выбора вида шкал, используемых в ходе опроса. Выделяются следующие классы шкал :

шкалы равномерные и неравномерные;

шкалы абсолютные и нормированные;

шкалы дискретные и непрерывные;

шкалы одноуровневые и иерархические;

шкалы измерений и отношений;

шкалы одномерные и многомерные.

Равномерные шкалы представляют собой такой вид шкал, для которых расстояние (модуль метрики) между любой парой ближайших терминов является постоянным, это условие должно выполняться и для пространственной интерпретации шкалы.

Неравномерные шкалы представляют собой такой вид шкал, для которых либо геометрическое расстояние, либо расстояние измеренное в пространстве признаков (модуль метрики) между соседними двумя терминами не является постоянным в рамках шкалы. Используются тогда, когда некий интервал значений представляет особый интерес для исследователя, для чего число терминов в этом интервале увеличивается, либо производится смена масштаба отображения (что редко обходится без введения новых терминов или их квантификаторов).

Абсолютные шкалы - это шкалы, на которых в качестве терминов выступают конкретные значения абсолютных величин. Чаще всего такие шкалы используются при отображении результатов, полученных на выборках равного объема, либо для протоколирования оценок экспертов.

Нормированные шкалы - это шкалы, на которых расстояние между соседними терминами измеряется в долях или кратно (в разах) некоторой величине, то есть, эти шкалы выражаются в относительных единицах. В качестве «нормы» может быть взят объем конкретной выборки (при сопоставлении частотно-рангового распределения выборок разного объема), максимальное значение некоторой величины и иные величины, относительно которых могут выполняться операции сравнения. Например, в качестве величины, относительно которой может быть нормирована некая шкала, иногда рассматривают и значение наименьшей величины - в этом случае расстояние между терминами этой шкалы будет по модулю равно этой величине.

Применение дискретных шкал основано на установлении соответствия между некоторым фиксированным множеством терминов-оценок и совокупностью численных показателей, подлежащих дальнейшей обработке. Такой подход позволяет сократить разброс характеристик к необходимому уровню разнообразия и стандартизировать тезаурус. Существует ряд ограничений на мощность множества терминов, связанных с тем, что чрезмерное разрастание этого множества ухудшает восприятие шкалы из-за усложнения процедуры различения смежных терминов экспертом. В ряде случаев это может привести к снижению темпов работы экспертов, возникновению стрессовых ситуаций в ходе опроса, вызванных сложностью идентификации термина с оценкой эксперта. Другой крайностью является излишняя терминологическая бедность шкалы, приводящая к снижению точности оценки. Разрешению этой проблемы отчасти может способствовать использование иерархических шкал.

Непрерывные шкалы получили особое распространение в системах анкетирования, реализованных на базе ЭВМ, однако используются и на традиционных носителях. Данная разновидность шкал отличается тем, что для оценивания используется пространственная интерпретация шкалы, в виде некоторого непрерывного интервала, заданного двумя терминами, используемыми для обозначения верхней и нижней границы диапазона (этот диапазон ставится в соответствие шкале оценок заданной инструментальной точности). Этим снимается проблема «терминологического» стресса, однако возникает проблема точности установления экспертом пространственной координаты, соответствующей его субъективной оценке. В случаях, когда перед экспертом стоит задача ранжирования оценок, такой вид шкал может оказаться менее удобен, поскольку отсутствие явной маркировки осложняет решение задачи сравнения.

Одноуровневые или плоские (flat) шкалы предполагают размещение всего множества терминов в рамках одного диапазона без введения элементов иерархического упорядочения. Этот вид шкал наиболее распространен, и по своей сути представляет собой разновидность одноуровневой классификации. Применение такого вида шкал является оправданным при малом количестве терминов, выражающих субъективную оценку эксперта, однако по мере роста мощности множества терминов, точность результатов начинает снижаться. Для непрерывных шкал одноуровневое представление является наиболее естественным.

Иерархические шкалы представляют собой интерпретацию иерархической классификации, в которой разделение на классы осуществляется на основе критерия принадлежности к некоторому диапазону. Использование иерархических шкал позволяет улучшить различимость терминов, упорядочить их и обеспечить их согласование с тезаурусом пользователя. Попадая в тот или иной диапазон, заданный термином (или парой терминов) более высокого уровня в иерархической классификации, эксперт получает возможность уточнить его на более низком (детальном) уровне. За счет использования такого подхода компенсируются недостатки дискретных одноуровневых шкал, снимается «терминологический» стресс и повышается инструментальная точность измерения. В сочетании с непрерывными шкалами, как правило, не применяются. Наиболее распространены при проведении опроса с помощью ЭВМ.

Шкалы измерений предназначены для протоколирования субъективных оценок экспертами некоторых величин и позволяют сформулировать мнение о значении или диапазоне значений некоторой величины в абсолютных терминах.

Шкалы отношений отличаются тем, что предназначены для протоколирования субъективных оценок экспертами отношений порядка, причинно-следственных отношений и иных. Данная разновидность шкал оперирует относительными терминами. Наиболее распространены они при решении задач с высокой неопределенностью.

Одномерные шкалы применяются в тех случаях, когда свойства объекта/процесса достаточно полно могут быть выражены в одномерном пространстве признаков. При этом одномерная шкала может быть как дискретной, так и непрерывной.

Многомерные шкалы применяются, если свойства объекта/процесса не могут быть адекватно выражены в одномерном пространстве признаков (такое, например, бывает в случае, когда одним термином описывается некое комплексное явление, характеризующееся большим разбросом несвязанных между собой параметров). Нередко используются так называемые номографические шкалы, для которых характерно выделение на шкале, построенной в некоторой системе координат, кривых или поверхностей, для которых выполняется некоторое условие (функциональная зависимость), связывающее параметры, отложенные по координатным осям. Номографические шкалы позволяют оценить область пространства, в которой находится некоторая группа решений задачи или, наоборот, выдвинуть гипотезу о принадлежности априори неизвестной функциональной зависимости некоторому классу. Для представления многомерных шкал часто используются различные двухмерные отображения объемных тел, выступающих в качестве метафоры многомерного пространства. Однако, в силу действия ограничений пространственного мышления человека, в случае необходимости отображения многомерной шкалы с количеством параметров, превышающим три, как правило, используются связные развертки таких тел или совокупность связных (по одному или двум параметрам) двухмерных или трехмерных шкал.

Приведенная классификация шкал позволяет осмыслить ранее введенное понятие метрики или меры близости, поскольку использование шкал дает возможность перейти от абстрактного к предметному мышлению, благодаря возможности пространственной интерпретации терминов. Следует заметить, что переход от абстрактного мышления к предметному является одним из мощнейших инструментов активизации мышления , такие переходы на некоторых этапах анализа обеспечивают возможность априорной верификации гипотез (без проведения эксперимента). В явном виде представленное пространство признаков позволяет выбрать класс метрик, пригодных для сравнения экспертных оценок, и методов их анализа.

В зависимости от типа геометрической интерпретации пространства могут использоваться различные методы упорядочения, сравнения, вычисления среднего значения и так далее. Пространства признаков могут быть векторными (с учетом направления), скалярными, неметризованными, евклидовыми, сферическими и иными - в зависимости от выбора для выполнения перечисленных операций используется различный математический аппарат. Наиболее распространенными видами геометрической интерпретации пространства признаков являются так называемые евклидовы векторные пространства, в которых определены операции сложения и умножения на действительные числа, а также операция скалярного произведения, что позволяет вводить метрику для определения расстояний, длин векторов и решения иных задач. Характерно, что такие системы могут быть переведены в ортонормированный базис, что позволяет воспользоваться привычными приемами тригонометрических вычислений.

После того, как некоторым способом (анкетирование, опрос по системе Дельфи, мозговой штурм и т. п.) была получена совокупность экспертных оценок по некоторой проблеме, от этапа сбора данных методом экспертных оценок переходят к процедуре обработки и оценивания результатов . Здесь большую роль играет то, каким образом на этапе составления анкеты или логической схемы опроса было организовано пространство признаков, соответствовала ли система шкал задачам, решаемым в ходе опроса, существует ли возможность сопоставить полученные результаты и вывести по ответам экспертов некую закономерность. Мы не случайно вновь упомянули шкалы и пространство признаков: очевидно, что одно дело обрабатывать величины дискретные, а другое - непрерывные, или, что решение задачи меньшей размерности проще, чем решение задачи большой размерности, в которой трудно выделить логически независимые блоки.

Для решения задачи обработки и анализа экспертных оценок широко используются как общие математические и статистические методы, так и специфические методы - такие, как:

методы ранжирования и гиперупорядочения;

методы попарных сравнений;

метод отбрасывания альтернатив;

алгоритмы отыскания медианы и иные.

Важную группу методов образуют методы математической обработки результатов измерений 76:

методы отбраковки результатов аномальных измерений;

методы оценки ошибок и погрешностей;

методы обработки неравноточных измерений;

метод наименьших квадратов;

методы корреляционного анализа.

При обработке индивидуальных экспертных оценок обычно применяется метод согласования оценок , имеющий массу вариантов реализации, различающихся способами, при помощи которых из индивидуальных оценок получается обобщенная. Для этого в качестве оценки могут использоваться усредненная вероятность, средневзвешенное значение вероятности (когда учитываются также и веса, приписываемые оценке каждого эксперта) - вплоть до специальных методов оценки измерения и повышения коэффициентов согласованности (конкордации или коэффициентов непротиворечивости) мнений экспертов. Кроме того, еще на этапе формирования экспертной группы могут применяться методы, основанные на отборе экспертов с высоким коэффициентом согласованности мнений.

Существенную роль в обработке числовых данных - именно к этому типу преобразовывается большинство терминов, используемых для обозначения точек в пространстве признаков - играют методы, основанные на преобразовании типов шкал. К числу таких преобразований могут быть отнесены преобразования дискретной шкалы в непрерывную, абсолютной - в нормированную и иные. Такие методы могут применяться как до, так и после выполнения процедуры ранжирования (например, до построения частотно-рангового распределения оценок и группирования экспертов по степени согласованности ответов на поставленные вопросы).

В качестве одного из методов повышения согласованности экспертных оценок применяют метод Дельфи.

Метод решающих матриц , идея которого была предложена Г.С. Поспеловым, относится к еще одному классу методов - к методам организации сложных экспертиз. Идея метода заключается в управлении процессом синтеза нового знания в ходе многоэтапного экспертного опроса. Это достигается за счет стратифицированного (послойного) рассмотрения проблемы по уровням, относящимся к различным этапам ее решения. Для научных исследований рассматриваются слои, соответствующие этапам фундаментальных научно-исследовательских работ, прикладных научно-исследовательских работ, опытно-конструкторских работ и подпроблем. Для решения проблем управленческой деятельности эти слои могут быть иными, например, следующими: методологический, организационный, технологический слои и слой подпроблем.

На начальном этапе в результате проведения экспертного опроса в общей (глобальной) проблеме выделяются подпроблемы (направления), сумма весов которых (полученных опять же в результате опроса) равна ста процентам. Количество столбцов матрицы определяется числом подпроблем или направлений работы, строки же соответствуют слоям. В каждом слое некоторому направлению ставится в соответствие одно мероприятие, преимущественно нацеленное на решение той или иной задачи в сфере методологического, организационного или технологического обеспечения решения подпроблемы (перечень мероприятий также получают в ходе очередного тура экспертного опроса). Однако, поскольку любое мероприятие дает помимо основного результата еще и ряд косвенных, постольку в ходе следующего тура эксперты оценивают относительный вклад предшествующих мероприятий в проведение последующих (сумма весов дуг входящих в элемент более высокого уровня со стороны элементов более низкого уровня также должна быть равна ста процентам). В результате пересчета весов каждого элемента решающей матрицы могут быть аналитически исчислены коэффициенты важности мероприятий. Соответственно, неопределенность снижается поэтапно, и те данные, которые не могли быть получены методом прямого экспертного опроса, становятся доступными, благодаря разбиению исходной неопределенности на меньшие фрагменты, не требующие от эксперта стратегического мышления.

В завершение этой главы отметим, что ни одна сложная реальная задача, стоящая перед коллективом аналитиков, не может быть решена исключительно за счет применения какой-то одной неизменной совокупности процедур. Чаще всего, новый проект становится в том числе и вкладом в методологическое, технологическое и организационное обеспечение аналитической деятельности. Это и не удивительно - достаточно обратиться к реальным примерам масштабных проектов, чтобы убедиться в этом и понять причины, по которым так происходит.

Пример организации процесса комплексного перспективного моделирования приведен в Приложении 1 к этой книге . Данный пример иллюстрирует то, каким образом в 1996-98 годах специалистами ВВС США проводилось формирование перспективного плана развития ВВС на период до 2025 года в контексте оценки альтернатив развития мировой ситуации. Многие пункты подготовленного в результате этой работы отчета сегодня подтверждаются реальным развитием мировой ситуации.

В этой главе мы попытались вчерне, без прорисовки деталей, обозначить контуры методологии информационно-аналитической деятельности. К сожалению, штрихи, которыми мы пытались очертить эти контуры, оказались слишком крупными - многих проблем, существующих в этой области, нам даже вскользь затронуть не удалось… Это вызвано многообразием методов аналитической деятельности и ограниченностью объема данной книги. Еще одним фактором сдерживания явилась ограниченная применимость ряда специфических методов и методик.

Однако авторы надеются, что им удалось главное - пробудить интерес к аналитике и ее методам, а также показать, что в сущности, ничего особенно сложного и недоступного пониманию в аналитике нет - все определяется уровнем изложения. Этот раздел, как это ни странно, совершенно не содержит формул... Плохо ли это? - Для кого-то - да, для кого-то - нет. Формулы чаще всего требуются тем, кому еще не удалось выйти на тот уровень, на котором требуется практическая аналитика, вернее ее результаты. Но уж, коль скоро вышел на него, то знания столь высокой степени детализации могут оказаться и бесполезными, более того, их может оказаться мало. А управлять аналитиками нужно, причем весьма квалифицированно - иначе шансов получить от них именно то, что требуется, очень мало.

Неслучайно, что авторами книги особый упор был сделан на методы системно-кибернетических исследований - идеи, изначально заложенные в эту отрасль научного знания, оказались настолько плодотворны, что у них оказалось большое число последователей в других отраслях. Таким образом, системно-кибернетическая отрасль стала тем ядром, вокруг которого в настоящее время сформировалось множество школ аналитической мысли. Мы считаем, что крайне опасно оставаться в плену какой-то одной группы дисциплин - будь то естественнонаучные, технические или гуманитарные дисциплины. Следует видеть, сколь тесно переплетаются различные дисциплины, как только речь заходит об аналитике.

В ходе дальнейшего рассмотрения аналитики, как комплексной научной дисциплины, мы сконцентрируем внимание на организационных и технологических аспектах аналитической деятельности.

Несмотря на довольно обширную отечественную литературу по различным проблемам научной деятельности, число работ, специально посвященных методологии аналитической работы в научных исследованиях, бизнесе и других сферах деятельности, относительно невелико.

Среди них можно отметить следующие работы: Рузавин Г.И. Методология научного исследования. М.:ЮНИТИ, 1999; Гроза П.И. Организация и методика проведения научно-исследовательских работ.- М.,1988; Дорожкин А.М. Научный поиск как постановка и решение проблем -Нижний Новгород, 1995; Мерзон Л.С. Проблемы научного факта.- Ленинград, 1972; Варшавский К.М. Организация труда научных работников - М.:Экономика, 1975; Кара-Мурза С.Г. Проблемы организации научных исследований - М.: Наука, 1981; На пути к теории научного знания - М.:Наука, 1984; Волкова В.Н.. Денисов А.А. Основы теории систем и системного анализа,- С.-Петербург: изд-во СПбГТУ, 1997 и др.

Более обширна литература, посвященная отдельным аспектам и этапам научного поиска. К ней относятся работы В.Ф.Беркова, В.Е.Никифорова, И.Г.Герасимова, Е.С.Жарикова, А.А.Ивина, Е.А.Режабека, В.С.Степина, В.А.Лекторского и др.

Сбор и анализ данных – это своеобразный диалог между миром людей, институтов, процессов и исследователями. Предпосылками выбора того или иного метода анализа являются характер самих данных, тот теоретический подход, в рамках которого работает исследователь при их сборе («статистический» или «гуманитарный»).

В несколько упрощенной форме эти два подхода можно представить следующим образом.

Статистический подход.

В рамках этого подхода исследователь исходит из посылки, что массовые явления имеют статистический характер, т.е. если изучить достаточно большое количество проявлений изучаемого социального явления, то само явление будет познано. Индивид в этом случае выступает как представитель некоторой общности, носитель информации о социальном феномене. Индивиды взаимозаменяемы, и их индивидуальные особенности как таковые не представляют особого интереса.

Здесь необходимо провести разделение между первичными и вторичными данными. К данным первичного типа относят те, что были получены непосредственно самими исследователем, тогда как вторичные данные являются результатом обработки данных исследований, сделанных в прошлом. Самым важным аргументом против использования вторичных данных является то, что они ограничивают свободу и возможности ученого, поскольку они были получены для целей другого исследования. Действительно, для исследователя, работающего с вторичными данными очень трудно выйти за рамки той системы, которая была сконструирована до него, и для которой эти данные были собраны и обработаны. Однако иногда вторичные данные имеют значительные преимущества перед первичными: доступность и низкую цену. В ряде случаев у исследователя не может быть иной альтернативы, кроме как использовать именно вторичные данные. Например, мы не можем разработать вопросник по отношению к Карибскому кризису и отправиться с ним в 1962 г., непосредственно наблюдать за коллизией Пражской весны 1968 г., зафиксировать живую реакцию современников этих событий. Однако мы можем проанализировать данные прошлых лет. В этих случаях основным источником получения вторичных данных для нас будут отчёты органов государственной статистики, результаты проводившихся опросов общественного мнения, например, данные службы Гэллапа в США, Евробарометра в Европе, ВЦИОМ в России и т.д. Источником такой информации могут выступать даже публикации в газетах.

Решив, какого типа данные – первичные или вторичные будут использованы в исследовании, и, собрав эти данные, учёный может перейти непосредственно к процессу анализа. Анализируя полученные данные, исследователь пытается ответить на вопросы «Что это такое?», «Почему это происходит?», «Как много этого?» и т.д. Для получения ответов на эти и другие вопросы необходимо построить некую модель, в которой будут отображены взаимоотношения и взаимосвязи между изучаемыми явлениями, процессами и объектами. Рассмотрим далее, какие именно модели могут быть построены для исследования политических процессов.

Одномерная модель. Это самая простая модель с одной переменной. Целью ее построения является получение ответа на относительно простые вопросы «Сколько?» и «Что это?». Например, сколько избирателей проголосовало за данную партию? Что представляет собой электорат определенного кандидата? Ответы на эти вопросы дают одномерное распределение значений признака. Для изучения такой переменной, как электоральный выбор, достаточно подсчитать количество проголосовавших за ту или иную партию или кандидата и представить эти значения в виде процентного распределения. Это же относиться и к переменным, измеренным по номинальным шкалам («К какой религии Вы себя относите?», «Укажите свою профессию» и т.д.). Обычно, если мы измеряем переменную по количественной или интервальной шкале, знания одномерного распределения значений признака бывает недостаточно, тем более, что возможностей анализа для таких переменных несравненно больше, чем для номинальных. Исследователя интересуют некоторые меры, которые на языке математической статистики называются мерами центральных тенденций. К ним относятся среднее или типичное значение признака, а также меры разброса значений признака вокруг их средней величины. Например, анализ дохода может включать расчет среднего дохода и процентного значения людей, имеющих доход выше и ниже средней величины.

Бинарная модель. Суть данной модели заключается в предположении, что две переменные А и В связаны между собой. Таким образом, можно построить несколько моделей: А является причиной В, В является причиной А, А и В взаимовлияют друг на друга, А и В находятся под влиянием третьей переменной. Во всех этих случаях используются следующие методы анализа: таблица взаимной сопряженности признаков, корреляционный анализ.

Таблица взаимной сопряженности признаков строится для изучения взаимосвязей между переменными.

Таблица. Электораты избирательных объединений по итогам выборов в Думу в 1999 г (%) 23

Данная таблица, например, устанавливает связь между возрастом и голосованием за партии на выборах в Государственную Думу в 1999 г. Таблица построена таким образом, чтобы можно было проследить разницу в возрастной структуре электората различных партий.

На первый взгляд, очевидна следующая тенденция: молодые избиратели чаще, чем представители других возрастных групп, голосуют за партии демократической направленности, а пожилые – за партии левого толка. Однако подобный вывод не может служить прямым статистическим подтверждением выдвигаемых исследователем гипотез. Эти прикидки «на глазок» в лучшем случае грубы. В более сложных ситуациях такой анализ часто ненадежен. Установить степень соответствия гипотезы с данными помогает такой статистический метод как корреляционный анализ, направленный на измерение и изучение взаимосвязей между двумя переменными.

Методы корреляционного анализа позволяют дать ответ на весьма важные вопросы, возникающие при изучении взаимосвязей между переменными. Например, влияют ли и, если влияют, то до какой степени, изменения значений одной переменной (независимой переменной) на изменения значений другой (зависимой переменной)? Какова форма и направленность выявленной связи? Является ли выявленная связь характеристикой всей совокупности, а не только выборки?

В результате можно построить несколько объяснительных схем.

Исследователь не может достоверно установить, повлиял ли выбор газеты на формирование партийных предпочтений или уже устоявшиеся партийные предпочтения заставили людей выбрать определенные газеты.

Возможен и такой случай, когда две переменные находятся под влиянием третьей, неизвестной переменой. Однако эта связь уже выходит за рамки бинарного анализа и становится предметом множественного анализа.

Множественный анализ. При включении в систему трех и более переменных величин исследователь может обогатить анализ построением таких моделей как регрессионная, интерактивная, путевая и многофакторная.

Базовое положение регрессионной модели состоит в том, что две или более переменные, называемые «независимыми», оказывают совокупное влияние на «зависимую» переменную. Более того, регрессионная модель позволяет отделить влияние каждой независимой переменной друг от друга и определить силу этого влияния. Допустим, мы хотим узнать, какие переменные влияют на выбор партии. Для этого необходимо построить модель, включающую ряд независимых переменных. Например, на выбор партии могут влиять принадлежность к социальной группе и религия.

Таким образом, при построении данной модели можно оперировать следующим регрессионным уравнением:

Выбор партии = Социальная группа + Религия.

Однако показатели «социальная группа» и «религия» могут находиться под влиянием другой переменной, например, возраста. Тогда исследователю необходимо обратиться к процедуре контролирования или интерактивной модели , в которую включается целая цепочка взаимодействий: возраст взаимодействует с принадлежностью к социальной группе и религии в их влиянии на выбор партии. В 60-х гг. Батлер и Стокс, например, показали, что в младших возрастных когортах принадлежность к социальной группе оказывается более значимым, чем в других возрастных категориях, а религия - в старших.

Данные такого рода могут быть проанализированы благодаря добавлению к стандартной регрессионной модели процедуры контролирования.

Регрессионная модель может быть полезна для поверки различных исследовательских гипотез, но на практике и она зачастую не отражает всю сложность объективного мира, всю цепочку причин и взаимосвязей. В этом случае используют модели путевого анализа , илипат-анализа, который выстраивает цепочку прямых и непрямых воздействий одной переменной на другую. Рассмотрим в качестве примера психологическую идентификацию с партией и одобрение ее политики. Очевидно, что одобрение политики партии повышает общую партийную идентификацию, но вполне возможен и обратный случай. У большинства людей (здесь имеется в виду ситуация, характерная для развитых либеральных демократий) приверженность к партии формируется задолго до того, как они поймут и осознают ее политическую платформу. Таким образом, наблюдается некий поток противоположных взаимодействий, направление которых бывает трудно определить. Тем не менее, это можно сделать с помощью путевого анализа, эмпирическим путем выстраивающим цепочку причинности.

Еще один метод, применяемый в рамках множественного анализа – это многофакторный анализ . Суть многофакторного анализа состоит в ответе на вопрос, не находится ли система переменных, связанных между собой, в зависимости от двух (или более двух) базовых скрытых факторов. Следовательно, целью многофакторного анализа является обнаружение скрытых факторов. Традиционно в политических исследованиях выделяется несколько скрытых факторов, или как их еще называют, расколов, лежащих в основе многих явлений и процессов, например, раскол на «левых» и «правых» по отношению к политическим установкам, а также противоречия, структурирующиеся по осям «жесткий-мягкий» и «либеральный-авторитарный».

Применяя многофакторный анализ, можно построить следующую модель:

Построенная модель выделяет только два фактора и соответственно две группы переменных, испытывающих на себе их прямое воздействие. В реальной ситуации, конечно, возможно существование большего числа значимых факторов. Включение или исключение переменных из подгрупп необходимо производить исходя из так называемого веса фактора, т.е. его влияния на определенную группу переменных.

Анализ временных рядов. Многие социальные и политические процессы и события случаются не единожды, а повторяются. Протекание многих политических процессов может быть растянуто на годы, десятилетия и даже столетия. Исследования, изучающие такие процессы и события, называют трендовыми, или панельными. Основным методом в этом случае выступает анализ временных рядов. Временные ряды – это комплекс наблюдений, в которых одна и та же переменная измеряется повторно через определенные интервалы. В политических исследованиях анализ временных рядов чаще всего применяется для прогнозирования поддержки партий (особенно правительственных). При этом исследователи исходят из комбинации различных факторов, например, экономических условий (безработица, инфляция, уровень жизни и т.п.) и кризисных событий (вооруженные конфликты, забастовки, правительственные и парламентские кризисы и др.).

Модель, соответствующая целям анализа временных рядов, выглядит следующим образом:

Основной метод, применяемый при анализе временных рядов – это построение регрессионного уравнения, где в качестве независимых переменных выступают показатели, измеренные на разных временных этапах.

Все описанные выше методы и варианты анализа, относящиеся к так называемой статистической парадигме, получили широкое распространение в исследованиях политических процессов благодаря двум большим достижениям, которые внесли революционные изменения в исследования политических процессов. Первое относится к проведению выборочных исследований для предсказания результатов выборов в США. Начиная с 1824 г. и до 1936 г., исследования проводились в русле определённой традиции, когда в опросах участвовало достаточно большое число респондентов. Дж. Гэллап нарушил эту традицию. Итогом стало во-первых, слом монополии правительства на количественную информацию и, во-вторых, резкое снижение затрат при сборе исходных политических данных. Отныне статистика перестала быть «официальной». Второе достижение относится к 50-ым годам, когда стало возможным использование компьютерных технологий для статистического анализа данных.

Эти изменения коснулись, в первую очередь, исследований, связанных с изучением поведения, установок и мнений граждан. В результате произошедших перемен произошло значительное расширение объекта и предмета политических исследований. Если раньше ученые изучали в основном политические институты и высшую политическую элиту с помощью относительно примитивных количественных методов, то теперь, благодаря использованию новых технологий сбора и анализа данных, политическая наука обогатилась исследованиями массового политического поведении граждан и элиты среднего уровня 24 .

Гуманитарный подход.

Сторонники этого подхода считают, что с помощью жестко формализованных методов анализа нельзя заглянуть в глубину явлений и процессов. Индивид неповторим. Он - не проявление явления, а само явление. Политические акторы рассматриваются как сознательные существа, формирующие политический мир так же, как и он формирует их. Поэтому наиболее адекватными для изучения политических процессов являются так называемые качественные методы, используя которые исследователь ищет ответы на вопросы «Что это? Зачем это? Откуда это? Каковы причины этого?»

Выделение статистического и гуманитарного подходов основано на существовании в научном мире двух точек зрения относительно изучения реальности – позитивизма и релятивизма. Использование количественных методов базируется на позитивистских традициях. Эти традиции предполагают изучение политических процессов на основе эмпирических наблюдений и проверяемой теории. Именно поэтому позитивисты уделяют столь значительное внимание операционализации теоретических концептов, т.е. переводу теоретических понятий в наблюдаемые и измеряемые индикаторы.

Критики позитивизма доказывают, что внешней реальности не существует. Есть только социально конструируемая реальность, в которой сознательные индивиды сами интерпретируют свое поведение и поведение других, наделяют свои действия субъективными смыслами. В этом процессе люди не являются пассивными элементами, а выступают как активные действующие лица в оценке смысла своих и чужих действий. Они формируют мир так же, как и он формирует их. Это означает, что объяснение мира в целом и политических процессов, в частности, должно исходить из описания и понимания людей как сознательных и социальных акторов. Их мотивации, опыт и субъективные интерпретации - важные составляющие компоненты причинной цепочки событий. Задачи подобного анализа решаются при помощи качественных методов.

Качественные методы – это общее название широкого спектра техник сбора и анализа информации, таких как, включенное наблюдение (открытое и скрытое), интенсивное интервьюирование (глубинные индивидуальное и групповые интервью) и т.д.

Качественные методы играют большую, хотя и не всегда признаваемую роль в исследовании политических процессов. Эти методы применимы в тех случаях, когда целью исследования является изучение субъективного опыта людей и тех смыслов, которые они вкладывают в свои действия. Интенсивное интервьюирование, например, позволяет людям свободно выражать свое мнение на том языке, на котором они привыкли ежедневно общаться, предлагать собственные интерпретации событий. Свободное протекание общения позволяет понять логику аргументов и ту цепочку ассоциаций, которые привели участников к определенному типу поведения. Объяснение событий включает понимание и интерпретацию, а не описание общих законов массового поведения. Наконец, качественные методы привлекают определенное внимание к контекстуальным аспектам событий, помещая установки и поведение респондентов в контекст их индивидуальной биографии и более широкого социального окружения. Таким образом, качественные методы привлекают внимание к смыслам, процессу и контексту протекания событий.

Традиционно качественные методы применяются при изучении процесса вовлечения в политику, способов формирования элит, иерархической структуры, властных отношений, смыслов и сюжета политического процесса. Интенсивные интервью, например, проводились с активистами групп давления, для изучения политических сообществ (Грант и Марш, Миллс, Смит). Внутренняя политика партий также изучалась с помощью интервьюирования партийных функционеров и членов представительных органов власти (Сэйд, Уайтли). Качественные методы находят довольно широкое применение при изучении политики муниципальных органов власти в Британии (Деарлов, Гифорд, Лоундес и Стокер) и США (Джонс и Батчелор, Стоун). В меньшей степени качественные методы используются в исследованиях, касающихся центрального правительства, причиной чему, скорее всего, является большая закрытость «высокой» политики.

Сферой, в которой качественные методы практически отсутствуют, является область электоральных исследований. Здесь основным методом получения информации являются национальные выборочные опросы, дополняемые в последнее время панельными опросами, проводимыми после выборов. Однако и в эту сферу стали проникать качественные методы, использование которых подкрепляется тем аргументом, что электоральные исследования, проводимые на основе использования количественных методов, не обогащают наши знания пониманием мотивов и факторов политического поведения.

Статистический и гуманитарный подходы часто противопоставляют друг другу. Приверженцы качественных методов критикуют сторонников статистического подхода, выдвигая целый набор замечаний, претензий и даже обвинений. Исследователям, которые отдают предпочтение количественным методам, ставится в вину то, что они уделяют слишком большое внимание статистическим процедурам. При этом, якобы, остается в стороне понимание сущности изучаемых явлений и процессов, причинной цепочки событий.

Утверждается также, что сторонники количественных методов неверно представляют предмет своего исследования. Элементарная ошибка в конструировании выборки может повлечь за собой ошибки сбора и искажения выводов. Например, исследователи общественного мнения в России зачастую обращаются только к европейским русским. Правительственная, или так называемая официальная статистика, на которую опираются исследователи, может искажать реальную ситуацию. Респонденты могут говорить неправду, чтобы скрыть свое смущение, не высказывать социально неодобряемое мнение или суждение.

Сторонников количественных методов упрекают также в слишком узкой сфокусированности на предмете исследования, сравнивают эти методы ярким фонарём, который тёмной ночью высвечивает лишь незначительную часть действительности. Этот аргумент иллюстрируется, в частности, вопросниками с фиксированным веером возможных ответов, которые могут, по мнению критиков, существенно ограничить респондентов в праве высказать собственное мнение. Следовательно, при «жестких», формализованных опросах нельзя проникнуть в тонкую материю мотивов и смыслов поведения и действий опрашиваемых.

В свою очередь и качественные методы подвергаются критике, разумеется, со стороны приверженцев количественных методов. За исходные и истинные утверждения предлагается принять следующее. Количественные методы являются репрезентативными и верифицируемыми. Статистический анализ превращает исследовательские выводы в нечто, не подвергающееся сомнению. Результаты, полученные по итогам одного исследования, могут распространяться на большие совокупности явлений с большой долей определенности. И, наконец, количественные исследования дают «твердые» научные доказательства. В то же время считается, что качественные методы обладают серьезными недостатками, среди которых отмечаются следующие. Во-первых, нерепрезентативность выборки, сформированной для исследования. Во-вторых, возможность искажения мнения опрашиваемого из-за тесного контакта с ним интервьюера. В третьих, сложность анализа и интерпретации полученной информации, вытекающая из субъективного характера самих данных. В четвертых, невозможность создания на базе собранных данных обобщающей теории. Соответственно, качественные исследования являются нетипичными. Выводы, полученные при их использовании считаются частичными и подкрепленными лишь впечатлениями. В целом работы этого направлении нельзя относить к строго научным.

В этом споре не может быть победителя. Следует признать, что и качественные и количественные методы имеют свои ограничения. Поэтому самый важный вывод, вытекающий из рассмотрения двух концепций, заключается в том, что выбор подходов или баланс их сочетания должен обуславливаться целями исследованиями, исследовательскими задачами, исследовательской ситуацией. Это означает, что необходимо иметь в виду следующее. Так как статистический и гуманитарный подходы предполагают использование различных методов сбора и интерпретации информации, то применять их надо к различным типам исходных данных, а корректный конечный результат можно получить только при корректной постановке задачи.

Монополией на истину не обладают ни сторонники количественных методов, ни их оппоненты из лагеря приверженцев гуманитарных подходов. Грубейшей ошибкой будет возведение в абсолют любого подхода, претендующего на универсальность. Мир слишком сложен и многомерен, чтобы его можно было познать, пользуясь только одним, пусть даже очень тонким и совершенным инструментом, и мастерство исследователя состоит в овладении и в умении творчески применять весь инструментарий, наработанный научным сообществом.

1 Питерс Б.Г. Политические институты: вчера и сегодня// Политическая наука: новые направления. Под ред. Гудина Р., Клингемана Х.-Д. М., 1999. С. 219.

2 В российской политической науке отсутствуют термины, адекватно передающие смысл словосочетанияpublicadministration. Чаще всего его переводят как государственное и муниципальное управление. Принимая во внимание имеющиеся терминологические затруднения, мы сочли необходимым использовать в тексте пособия английское словосочетание.

3 Rhoder R.A.W. The Institutional Approach // Theory and Methods in Political Science. Ed. by Marsh D., Stoker G. Houndmills et al., 1997. P. 50.

4 Питерс Б.Г. Политические институты: вчера и сегодня// Политическая наука: новые направления. Под ред. Гудина Р., Клингемана Х.-Д. М., 1999. С. 220.

5 Истон Д. Политическая наука в Соединенных Штатах: прошлое и настоящее.// Современная сравнительная политология. Хрестоматия. Под ред. Голосова Г.В., Галкиной Л.А. М., 1997.С.13-14.

6 Напомним, что основными принципами «классического» позитивизма, сложившегося в противовес «спекулятивному» теориетизированию, были отказ от умозрительных рассуждений об обществе, создание «позитивной» социальной теории, которая должна была стать такой же доказательной и общезначимой, как и естественно-научные теории. Основными методами исследования признавались метод наблюдения, сравнительный и исторический методы, а также количественные методы. Для «классического» позитивизма был характерен органицим, что выражалось, в частности в постулировании наличия неизменных законов функционирования и развития общества, которые рассматривались как часть или продолжение природных законов. В целом представители позитивизма являлись сторонниками «классического типа научности», выступая за строгие исследователськие методы и принципиальную возможность и необходимость объективности научного познания.

7 Истон Д. Политическая наука в Соединенных Штатах: прошлое и настоящее.// Современная сравнительная политология. Хрестоматия. Под ред. Голосова Г.В., Галкиной Л.А. М., 1997.С.14.

8 Фактически бихевиоралисты выступали строгими приверженцами так называемого «классического» типа научности.

9 Истон Д. Политическая наука в Соединенных Штатах… С. 15

10 Riker W. The Ferment of the 1950s and the development of Rational Choice Theory// Contempopary Empirical Political Theory. Ed. by Manroe K.R. Berkeley et al., 1997. P. 194.

11 Easton D. The Future of the Postbehavioral Phase// Contempopary Empirical Political Theory. Ed. by Manroe K.R. Berkeley et al., 1997. P. 15.

12 Downs A. An Economic Theory of Democracy. NewYork, 1957.P. 28.

13 О теории игр на русском языке см. подробнее следующие учебные пособия: Голосов Г.В. Сравнительная политология. Новосибирск, 1995. Гл.1; Технология политической власти: Зарубежный опыт. Киев, 1994. Гл.8 (2).

14 Easton D. The Future of the Postbehavioral Phase in Political Science// Contemporary Empirical Political Theory. Ed.byMonroeK.R.Berkleyetal., 1997.

15 К. фон Бойме Политическая теория: эмпирическая политическая теория. // Политическая наука: новые направления. Под ред. Гудина Р., Клингемана Х.-Д. М., 1999. С.502.

16 Van Dijk T. Ideology: A Multidisciplinary Approach. London:Sage, 1998.P. 20.

17 Дука А.В. Политический дискурс оппозиции в современной России//Журнал социологии и социальной антропологии. 1998. Т. 1. № 1.

18 Этот процесс описывается в работе Дж.Пококка -J.Poccoc.Virtue and History. Essays on Political Thought and History, Chiefly in the Eighteen Century. Cambridge et al., 1985.

19 Easton D. The Future of the Postbehavioral Phase in Political Science// Contemporary Empirical Political Theory. Ed.byMonroeK.R.Berkleyetal., 1997.P.35.

20 У некоторых авторов дискурс понимается буквально, как речь, рассуждение, текст. М.Фуко в своей работе «Археология знаний» вводит понятия «дискурсивных практики», «дискурсивных формаций». Эти конструкты сложны для перевода и становятся понятными только в контексте всего творчества философа.

21 Мангейм Дж.Б., Рич Р.К. Политология. Методы исследования. М., 1997.

22 Влияние региональных СМИ на политическое сознание избирателей (Краткая справка по результатам исследования). – Исследовательская группа «Циркон», Автономная некоммерческая организация «Интерньюс», 15.02.2000. - Рукопись

23 Выборы-99: послесловие // Поле мнений. Дайджест результатов исследований. Фонд «Общественное мнение». Вып. 1. C. 28-32

24 Miller W.L. Quantitative Methods // Theory and Methods in Political Science. Ed. by Marsh В., Stoker G. N.Y., 1995.

Обработка данных направлена на решение следующих задач:

1) упорядочивание исходного материала, преобразование множества данных в целостную систему сведений, на основе которой возможно дальнейшее описание и объяснение изучаемых объекта и предмета;

2) обнаружение и ликвидация ошибок, недочетов, пробелов в сведени­ях; 3) выявление скрытых от непосредственного восприятия тенденций, закономерностей и связей; 4) обнаружение новых фактов, которые не ожидались и не были замечены в ходе эмпирического процесса; 5) вы­яснение уровня достоверности, надежности и точности собранных дан­ных и получение на их базе научно обоснованных результатов.

Обработка данных имеет количественный и качественный аспек­ты. Количественная обработка есть манипуляция с измеренными ха­рактеристиками изучаемого объекта (объектов), с его «объективизиро­ванными» во внешнем проявлении свойствами. Качественная обра­ботка - это способ предварительного проникновения в сущность объекта путем выявления его неизмеряемых свойств на базе количе­ственных данных.

Количественная обработка направлена в основном на формальное, внешнее изучение объекта, качественная - преимущественно на со­держательное, внутреннее его изучение. В количественном исследова­нии доминирует аналитическая составляющая познания, что отражено и в названиях количественных методов обработки эмпирического ма­териала, которые содержат категорию «анализ»: корреляционный ана­лиз, факторный анализ и т. д. Основным итогом количественной обра­ботки является упорядоченная совокупность «внешних» показателей объекта (объектов). Реализуется количественная обработка с помощью математико-статистических методов.

В качественной обработке доминирует синтетическая составляю­щая познания, причем в этом синтезе превалирует компонент объеди­нения и в меньшей степени присутствует компонент обобщения. Обоб­щение - прерогатива следующего этапа исследовательского процес­са- интерпретационного. В фазе качественной обработки данных главное заключается не в раскрытии сущности изучаемого явления, а пока лишь в соответствующем представлении сведений о нем, обеспе­чивающем дальнейшее его теоретическое изучение. Обычно результа­том качественной обработки является интегрированное представление о множестве свойств объекта или множестве объектов в форме класси­фикаций и типологий. Качественная обработка в значительной мере апеллирует к методам логики.

Противопоставление друг другу качественной и количественной обработок (а, следовательно, и соответствующих методов) довольно условно. Они составляют органичное целое. Количественный анализ без последующей качественной обработки бессмыслен, так как сам по себе он не в состоянии превратить эмпирические данные в систему зна­ний. А качественное изучение объекта без базовых количественных данных в научном познании - немыслимо. Без количественных дан­ных качественное познание - это чисто умозрительная процедура, не свойственная современной науке. В философии категории «качество» и «количество», как известно, объединяются в категории «мера». Един­ство количественного и качественного осмысления эмпирического ма­териала наглядно проступает во многих методах обработки данных: факторный и таксономический анализы, шкалирование, классифика­ция и др. Но поскольку традиционно в науке принято деление на коли­чественные и качественные характеристики, количественные и каче­ственные методы, количественные и качественные описания, примем количественные и качественные аспекты обработки данных как само­стоятельные фазы одного исследовательского этапа, которым соответ­ствуют определенные количественные и качественные методы.

Качественная обработка естественным образом выливается в опи­сание и объяснение изучаемых явлений, что составляет уже следую­щий уровень их изучения, осуществляемый на стадии интерпретации результатов. Количественная же обработка полностью относится к эта­пу обработки данных.