<<
>>

Ивент-анализ

Ивент-анализ: создание метода

Ивент-анализ (от англ, event — событие) как метод исследований по­литической науки зародился в 1960-х гг. Первое системное изложение его методологии и инструментария содержится в работах американ­ского ученого Ч.

Маклеланда, которого можно считать отцом-основателем данного исследовательского направления. На сегодняшний день ивент-анализ остается одним из наиболее актуальных методов эмпирической политологии, его инструментарий продолжает расши­ряться и дополняться в XXI столетии.

Ивент-анализ сформировался целиком в рамках политической на­уки, точнее, в рамках ее направления, связанного с изучением между­народных отношений. Это само по себе примечательно, так как большинство методов, используемых в политическом анализе и прогнозировании, являются междисциплинарными и были «адаптированы» политологией к своим потребностям.

Ивент-анализ принадлежит к группе количественных методов изу­чения политической реальности. Его суть состоит в систематическом формализованном представлении интеракций между субъектами поли­тики в рамках определенной шкалы (как правило, отражающей состо­яния конфликтности/мирных процессов). Информационной базой его являются сообщения СМИ: преимущественно газет и информационных агентств. Ближайший «родственник» ивент-анализа — контент-анализ: оба метода осуществляют количественный анализ текстов, хотя и разными способами. В этом плане необходимо ясно понимать, что объектом ивент-анализа являются не сами события, а сообщения о со­бытиях.

Рождение ивент-анализа не случайно приходится на середину 1960-х гг. К этому времени в западной (прежде всего американской) политичес­кой науке уже прочно утвердилась бихевиористская парадигма: большинство исследований опирались на формализованный эмпирической материал, активно использовалась статистика и т.д. В этом плане сфера международных отношений находилась как бы в положении «отстаю­щего», здесь до сих пор доминировали традиционные методы: истори­ческий анализ, традиционный анализ текстов.

Это связано с тем, что ос­новные источники количественных данных политической науки — результаты социологических опросов, электоральная и социально-эко­номическая статистика — генерируются на внутригосударственном, а не на межгосударственном уровне. Сложная внешнеполитическая ситу­ация — «холодная война» и гонка вооружений, нестабильность в Ближ­невосточном регионе и т.д. — требовала активного внедрения более со­временных методов анализа и прогнозирования.

Таким образом, развитие ивент-анализа стало, с одной стороны, ответом на объективные политические вызовы эпохи, с другой — находи­лось целиком в русле тенденций развития эмпирической политологии того времени.

Процесс создания «данных о событиях» (Event Data)

Процедуры ивент-анализа можно условно отнести к двум большим фазам:

• формализованное представление сообщений о событиях в соответствии с определенной кодировочной схемой, или процесс создания «данных о событиях» (Event Data);

• использование баз данных о событиях для получения содержа­тельных гипотез и выводов относительно изучаемых политических процессов, построение и тестирование моделей. На этой стадии в со­временной политической науке используется очень широкий набор статистических техник и математических подходов: факторный, дис­криминантный, кластер-анализ, метрика Левенштейна, не говоря уже о корреляционном анализе и множественной регрессии. Ниже мы рассмотрим многие из них на конкретных примерах.

Нередко к собственно ивент-анализу относят только первую фазу, однако это не вполне верно: создание событийных баз данных — не более чем процесс структурирования информационного массива, ко­торый сам по себе может обеспечить лишь самые примитивные обоб­щения. Аналитическая составляющая возникает при «стыковке» дан­ных ивент-анализа с математико-статистическими подходами.

Процесс создания «данных о событиях» включает четыре основ­ные составляющие, а именно:

• выбор информационного обеспечения;

• разработку системы кодирования (или адаптацию уже существующей системы);

• выбор способа кодирования: машинный или ручной.

В первом случае необходима разработка и перевод на язык программирования специальных словарей, во втором — подготовка кодировщиков. Сле­дует отметить, что с 1990-х гг. машинное кодирование почти полно­стью вытесняет ручное;

• формирование базы данных.

Графически процесс создания базы событийных данных можно представить следующим образом:

Не случайно между этапами (1) выбора источников информации и (2) разработки копировочной системы существует обратная связь (двойная стрелка): они в значительной степени зависят друг от друга, на чем мы еще остановимся.

Процесс кодирования в самом общем виде представляет собой перевод вербального сообщения о событии в формализованный ряд данных в соответствии с определенным форматом. «Базовым» для ивент-анализа выступает формат, предложенный Маклеландом. В соответствии с ним любое политическое событие может быть представ­лено через четыре составляющие:

• Время (time) наступления события — дата или более точное вре­мя. Ответ на вопрос — когда?

• Субъект или инициатор политического действия (source). Ответ на вопрос — кто?

• Объект (target) политического действия. Ответ на вопрос — ко­му? (кого?)

• Собственно политическое действие (activity). Ответ на вопрос — что сделал?

Существуют и более сложные форматы представления событий (сооб­щений о событиях). Еще один американский исследователь, также известный методолог ивент-анализа, Э. Азар вводит в эту схему пятую состав­ляющую — предмет взаимодейстьия (issue; ответ на вопрос — по какому поводу?). Некоторые исследователи вводят составляющие, отражающие контекст события. Мы же будем отталкиваться от формата Маклеланда как наиболее простого и ясного с точки зрения учебных задач.

Формат кодирования событий в значительной мере определяет на­бор источников информации. Так, в современном ивент-анализе наибо­лее распространенной практикой является использование сообщений мировых и, в меньшей степени, региональных информационных агентств.

Нетрудно заметить, что большинство заголовков новостных лент информагентств изначально стоится в формате ивент-анализа (на­пример, «Сегодня президент Буш объявил улътиматум Ираку»: дата — субъект — действие — объект). Достоинством этого источника инфор­мации является минимум интерпретационных наслоений по сравнению с другими СМИ. Кроме того, его данные изначально существуют в электронном виде и доступны как в сети Интернет, так и по специаль­ной электронной подписке. Поэтому к 1990-м гг. информационные агентства как источник информации для ивент-анализа полностью вы­теснили международно-ориентированные печатные СМИ. В 1960— 1970-х гт. многие б азы данных создавались на материалах газеты «NY Times» и «Times of Londo»

При конкретном выборе источников для формирования базы данных перед исследователем встает целый ряд вопросов: использовать ли несколько источников и как согласовывать их информацию, если между ними есть противоречия? использовать ли материалы только мировых информационных агентств или также региональных? как «стыковывать» их между собой? Универсальных рекомендаций здесь нет: все зависит от целей исследования и конкретного формата кодировочной системы.

Процесс кодирования данных

Наиболее просто (по существу, автоматически) кодируется временная составляющая события — дата. Если событие произошло 2 июля 2003 г., оно получит код 030702. Также весьма несложно кодируются объекты и субъекты событий. В их качестве могут выступать государства, полити­ческие партии, транснациональные компании, несистемные игроки (например, партизанские движения) — вообще все явно идентифицируемые участники политического процесса. Большинство уже созданных баз данных ориентировано на государства как центральных акторов международного политического процесса, что вполне объяснимо. Государствам присваиваются стандартные трехбуквенные аббревиатуры. Так, Россия обозначается как RUS, Ирак — IRQ, Кувейт — KUW и т.д.

Наиболее «тонкая» частъ кодирования событий — кодирование действий, которое придает особую специфику ивент-анализу.

Каждое политическое действие входит в определенный класс (подкласс) действий, каждый класс действий имеет свое фиксированное место в не­кой шкале, отражающей состояние отношений между акторами. На­иболее распространенный признак построения такой шкалы — уровень конфликтности (или, наоборот, «мирной» составляющей) в том или ином действии или классе действий.

Поясним все это на примере самой первой систематически разра­ботанной Ч. Маклеландом кодировочной системы ивент-анализа — WEIS (World Event Interaction Survey). WEIS относит всю совокупность действий к 63 подклассам, агрегируемым в 22 класса. Кодировочный номер класса соответствует уровню «конфликтного поведе­ния», содержащегося в том или ином действии. Например, классы с наиболее высоким числовым значением включают демонстрацию и применение военной силы, с наиболее низким числовым значени­ем — заключение межгосударственных альянсов. Таким образом, ко­дирование действий в ивент-анализе выводит на порядковый уровень измерения. Например, известно, что в классе действий «Отказ» («Reject», №11 в WEIS) меньше уровень конфликтности, чем в классе «Угроза» («Threat», № 17 в WEIS).

То же правило порядкового измерения распространяется и на под­классы. Так, уже названный класс «Угроза» в WEIS содержит четыре подкласса:

171 угроза, не предполагающая применения санкций;

172 угроза, предполагающая применение невоенных санкций;

173 угроза, предполагающая применение военных санкций;

174 ультиматум — угроза, предполагающая применение военных санк­ций в ограниченное время.

Нетрудно заметить, что уровень конфликтности поведения в клас­се идет по возрастающей от подкласса к подклассу, что отражается в возрастании цифрового кода. Это классическая порядковая шкала: из­вестно, что в действии 173 («угроза, предполагающая применение во­енных санкций») больше выражен признак «конфликтность», чем в действии 171 («угроза, не предполагающая применения санкций»), и меньше, чем в действии 174 («ультиматум») — 171 < 173 < 174.

В то же время неизвестно, насколько признак выражен больше, так как у нас нет четкой единицы измерения признака «конфликтность». Соответственно, шкала не интервальная.

Широко используются шкалы, трансформирующие значения ко­дов в интервальные величины. Например, известная шкала Гольдштейна позволяет работать с кодировками WE1S на интервальном уровне. Некоторые примеры приведены в таблице:

Класс в WEIS Код WEIS Значение по шкале Гольдштейна
«Похвала» (политическому курсу, лидеру и т.д.) 41 3,4
Обещание политической поддержки 51 4,5
Ультиматум 174 6,9
Военное вмешательство 223 10,0

Разумеется, шкала Гольдштейна небесспорна, как небесспорна бы­ла бы любая другая шкала, — объективного интервала для признака «конфликтность в международных отношениях», видимо, не существует в принципе. Однако необходимость перевода кодов ивент-анализа в интервальные величины очевидна, так как именно это позволяет использовать в работе с событийными данными сложные статистические методы. К тому же данная шкала является хорошим инструментом визуализации событийной информации. Ниже приводится график, от­ражающий действия Ирака в отношении Ирана с 1979 по 1997 г. (отрицательные величины характеризуют более высокий уровень конфликтности). В частности, четко видны стадия ирано-иракской войны и период иракского вторжения в Кувейт.

Кроме «односторонней» картины действий одного актора в отно­шении другого можно получить и визуальное представление о взаи­модействии субъектов политики. Ниже приводится схема, демонст­рирующая развитие палестино-израильского конфликта с 1982 по 1992 г. Опятъ же четко видны «провалы», связанные с интифадой.

Однако чисто визуальной верификации данных практически все­гда бывает недостаточно. Любые СМИ — втом числе информагентства — дают погрешность, связанную с той или иной политической ан­гажированностью (если не прямое искажение фактов, то умолчание одних событий и «выпячивание» других). Соответственно, необходи­мо тестирование созданных баз данных с использованием независи­мых (по возможности объективных и непременно взятых из иных ис­точников) индикаторов.

Базы данных ивент-анализа

Кроме уже названной системы WEIS, на сегодняшний день существует целый комплекс баз данных ивент-анализа, который непре­рывно дополняется новыми исследовательскими разработками. По мнению известного современного методолога ивент-анализа, про­фессора Канзасского университета Ф. Шродта, все базы данных можно подразделить на две большие группы. Первую группу со­ставляют базы субъектно-ориентированные, т.е. ориентированные на акторов международных политических процессов. Они включа­ют информацию о взаимодействии определенного набора акторов на протяжении определенного периода времени (например, государства, расположенные и имеющие интересы на Ближнем Востоке с 1970 по 1990 г.). Вторая группа баз данных — назовем ее проблем­но-ориентированной — концентрируется на событиях, вовлеченных в конкретный исторический инцидент. Как правило, это крупный конфликт, например война в Персидском заливе.

«Классическими» представителями первой группы — субъектно­ориентированных баз данных и систем кодирования — являются WEIS, а также COPDAB и CREON.

База данных WEIS была охарактеризована выше. Следует лишь от­метить, что она и в настоящее время используется достаточно актив­но многими исследователями.

Система COPDAB (расшифровывается как Conflict and Peace Data Bank) связана с именем известного исследователя Э. Азара. Основные ее отличия от WE1S следующие:

• использование региональных источников за пределами Европы и Северной Америки;

• использование 16-классовой системы кодирования, изначально «привязанной» к интервальной шкале «конфликт—сотрудничество»;

• классификация событий по 8 типам, например: военные, дипло­матические, символические, культурные и т.д.

Наиболее характерное отличие базы данных CREON (The Compa­rative Research on the Events of Nations Data Set) состоит в том, что тра­диционный формат кодирования дополняется обширным набором пе­ременных, имеющих отношение к контексту события (в частности, принимаются в расчет другие события, связанные с кодируемым). Та­кой подход обусловлен тем, что CREON делает акцент на процедурах принятия решений акторами на международной арене. В рамках этой системы делается попытка проанализировать не только результаты по­литических действий, выражающиеся в тех или иных событиях, но Собственно политический процесс.

Характерными представителями второй группы баз данных явля­ются BCOW и CASCON.

Кодировочная система BCOW (The Behavioral Correlates of War Data Set) разработана в 1987 г. Она включает кодированные данные по 45 крупным международным кризисам с 1816 г. Центральный вопрос, который поставили разработчики этой базы данных, состоял в следу­ющем: в силу каких причин часть кризисов заканчивается развязыва­нием войны, а часть — нет? Такая постановка вопроса хорошо харак­теризует разницу между субъектно- и проблемно-ориентированными базами данных ивент-анализа.

Собственно, кодировочная система BCOW основывается на схеме WEIS, но при этом существенно увеличивает количество категорий (до 100) и проводит более четкую грань между действиями экономи­ческого, военного и вербального характера. К тому же BCOW — одна из наиболее разнообразных баз данных с точки зрения информационного обеспечения, что во многом обусловлено широтой хронологиче­ского охвата событий. Кроме новостных источников используются мемуары, хроники, архивные исторические документы.

Кодировочная система CASCON (The Computer-Aided System for the Analysis of Local Conflicts) по своим базовым установкам напоми­нает BCOW — она также нацелена на анализ конфликтов. Однако во внимание здесь принимаются не только международные, но и внут­ренние конфликты в более узком хронологическом срезе: берется только период после Второй мировой войны. CASCON отличает так­же более системно-теоретический подход. Авторы проекта исходят из насчитывающей 6 стадий схемы развития любого конфликта — от инициирования к урегулированию, — которая влияет на характер ко­дирования событий. Как и CREON, CASCON учитывает не только собственно события, но и внешние факторы, оказывающие на них влияние. В целом это достаточно мощный аналитический инструмент как для сопоставления уже произошедших конфликтов, так и для сравнения текущих конфликтов с историческими их предшественниками. Система полностью компьютеризирована.

Использование статистических и математических методов для анализа со­бытийной информации

Математические и статистические подходы с целью получения более глубоких и содержательных выводов на основе анализа информации о событиях особенно широко сегодня используются в американской по­литической науке. Проводимые в университетах США исследования очень разнообразны по своей методологии. Мы кратко охарактеризуем подходы, иллюстрирующие широту применения данных, собранных в рамках ивент-анализа.

Наиболее простой и традиционной методикой, применяемой для изучения событийной информации, является корреляционный анализ. Разумеется, для его использования необходимы данные, преобразо­ванные до интервального уровня.

Используя корреляционный анализ, можно осуществлять поисковые исследования и проверять гипотезы. Например, в одном из любопытных исследований Ф. Шродта с помощью корреляционного анализа рассма­тривается взаимосвязь между поставками оружия одного государства другому и степенью влияния страны-поставщика на политический курс страны-получателя. В качестве исходных данных берутся:

• объемы поставок оружия (в денежном выражении) со стороны (1) США и (2) СССР нескольким странам Ближнего Востока;

• уровень конфликтности/сотрудничества во взаимоотношениях (1) США и (2) СССР со странами Ближнего Востока (измерялся на основе событийной информации, собранной в рамках базы данных COPDAB).

Переменная «степень влияния» была операционализирована через уровень корреляционных связей между двумя указанными выше пе­ременными. Исследование проводилось в сравнительном ключе; од­на из типичных картин динамики взаимосвязи переменных до и по­сле факта поставки оружия (для СССР и США соответственно) приводится ниже. По одной оси координатной сетки отложен уровень взаимосвязи (значение коэффициента корреляции), по другой — время (10 лет до и 10 лет после заключения сделки, 0 по оси Х соответствует моменту продажи вооружений).

Некоторые выводы можно сделать на основе чисто визуального ана­лиза приведенной схемы. Так, взаимозависимость политических курсов страны-поставщика и страны-получателя имеет тенденцию к росту в примерно трехлетний период до момента поставки оружия. Это связано с интенсивным переговорным процессом, который всегда предшествует заключению крупных сделок подобного рода. Другой интересный момент: уровень взаимосвязи политических курсов СССР и государств — импортеров советского оружия выше по сравнению с амери­канским случаем. Это, вероятно, определяется большим удельным ве­сом политико-идеологических соображений в принятии решений о поставке оружия в советском случае по сравнению с американским.

Одна из главных проблем, связанных с использованием корреля­ционного анализа в исследованиях международных отношений на ба­зе событийной информации, — нелинейность большинства процес­сов в международной политике. Данная проблема в полной мере относится и к традиционному линейному методу поиска зависимос­тей — множественной регрессии. Поэтому по-настоящему эффектив­но работающих моделей, созданных на базе регрессионного анализа событийной информации, совсем немного.

Вернемся к одному из вопросов, типичных для проблемно-ориен­тированных баз данных ивент-анализа: в силу каких причин один кризис ведет к войне, а другой разрешается мирным путем? Прежде всего необходимо понять, можно ли четко разбить общую совокупность событийных последовательностей на два кластера: кластер по­следовательностей, ведущих к войне, и кластер последовательностей, ведущих к миру. Если найдем такие два кластера, то получим не толь­ко классификационный, но и эффективный прогностический инст­румент. Взяв некую новую последовательность событий, даже и неза­вершенную (происходящую в настоящее время), мы могли бы вычислить близость этой событийной цепи к математическому цент­ру одного и другого кластера и определить тенденцию (мирную или военную) развития процесса.

Однако другой возникающий здесь серьезный вопрос — каким об­разом сравнивать близость (удаленность) событийных цепей? — имеет большое значение с точки зрения такой крупной проблемы, как ис­пользование формализованных методов в проведении аналогий между несколькими удаленными в пространстве и/или времени последова­тельностями событий. До недавнего времени корректность аналогий была вопросом сугубо качественных исследований, однако появление баз событийных данных позволяет поставить его уже в иной, количественной плоскости: как количественно определить «расстояние» (в том понимании этого термина, которое свойственно кластер-анализу) от одной событийной цепи до другой? Один из подходов к его решению заключается в использовании для этого метрики, разработанной рос­сийским математиком В.И. Левенштейном. Метрика Левенштейна позволяет сопоставлять последовательности данных применительно к самым разным сферам — от задач филологии (буквенные и фонетичес­кие последовательности) до компьютерного распознавания речи.

В несколько упрощенном виде эта техника состоит в следующем. Расстояние Левенштейна между двумя последовательностями являет­ся суммой «весов» операций, необходимых для превращения одной последовательности в другую. Такое превращение производится с по­мощью трех типов операций:

• вставка элемента в последовательность;

• удаление элемента последовательности;

• замена элемента одной последовательности элементом другой последовательности.

Например, чтобы превратить последовательность букв слова «мо­локо» в последовательность букв слова «сметана», мы должны выпол­нить следующие операции:

• заменить м на с - солоко;

• заменить о на и- смлоко;

• заменить л на с - смеоко;

• заменить о на т - сметко;

• заменить к на а — сметао;

• заменить о на н — сметан;

• вставить а — сметана.

В случае превращения слова «сметана» в слово «молоко» вместо последней операции вставки у нас возникла бы операция удаления (удалить а).

Ключевая задача состоит в том, чтобы определить «вес» каждой операции. Очевидно, что операции, устраняющие более существенные различия, должны иметь больший вес по сравнению с операция­ми, устраняющими менее существенные различия. Если продолжить лингвистические аналогии, то увидим, что при заимствовании слов одним языком у другого гласные фонемы будут чаще меняться, чем согласные (русское «донор» от латинского «donare»). При изменении же согласных более вероятно изменение, к примеру, латинского с на русское ц или к, но никак не на ді или н.

Применительно к ивент-анализу можно обоснованно предполо­жить, что замена элемента последовательности действий, обозна­ченной «ультиматум» (код WEIS 174), на элемент, обозначенный «обещание политической поддержки» (51), отражает гораздо более существенные различия по сравнению с заменой того же «ультима­тума» на «военное вмешательство» (223). Соответственно, операция по замене элемента в первом случае должна весить гораздо больше, чем во втором.

Несколько другая схема рассуждения применима к операциям вставки и удаления. Логично предположить, что вставка и удаление широко распространенных в международной практике действий (на­пример, двусторонних консультаций по определенному вопросу) должны обладать меньшим весом, чем вставка и удаление редких со­бытий (объявления войны или заключения рамочного межгосударственного договора о сотрудничестве).

Определение конкретной «стоимости» операций вставки и удале­ния — более простая задача по сравнению с определением весов для операций замены. Это связано с тем, что частота того или иного по­литического действия может быть легко посчитана, если мы распола­гаем большими массивами событийной информации за длительный период времени (а мы ими располагаем — в виде многочисленных имеющихся баз данных). Гораздо сложнее избежать умозрительности в определении весов операций замены. А ведь нужно не просто ска­зать, что стоимость операции в одном случае больше, в другом мень­ше (как в указанном выше простейшем примере), требуется указать точный вес в интервальном выражении.

Для решения этой проблемы применяются сложные техники, в ча­стности метод нейронных сетей, который мы будем разбирать несколь­ко позже. Так, в одном из исследований в компьютер были введены последовательности событийных кодов BCOW, разбитые на две кате­гории: «военные кризисы» и «невоенные кризисы». Задачей обучения сети стало нахождение весов, продуцирующих малые расстояния вну­три одной категории и большие расстояния между последовательнос­тями из разных категорий.

Одной из наиболее практически значимых задач, которые могут быть решены с использованием событийной информации, является задача предупреждения политических катаклизмов. В американской политической науке Early Warning — «раннее предупреждение» — фактически сформировалось как самостоятельное направление, тра­диционно привлекающее внимание специалистов и лиц, принимаю­щих решения.

Учитывая специфику событийной информации, наиболее логич­ным методом диагностики предкризисного состояния, на первый взгляд, является анализ временных рядов. Временными рядами назы­вают данные, представленные в виде последовательностей измере­ний, упорядоченных б неслучайные моменты времени. Иными сло­вами, для исследователя важно, что изменения значений переменной происходят б фиксированные промежутки времени. Та­кой подход вполне соответствует природе событийной информации б политических исследованиях. Отображенные выше (см. с. 242) на схеме изменения конфликтности б поведении Ирана по отношению к Ираку с 1979 по 1997 г. — типичный временной ряд данных.

В общем виде методы анализа временных рядов базируются на формальном описании ряда, т.е. подборе соответствующей математи­ческой функции. Двумя основными компонентами ряда являются се­зонность и тренд. Тренд представляет собой общую систематическую линейную или нелинейную компоненту, которая может изменяться во времени. Сезонная составляющая — это периодически повторяю­щаяся компонента. Ниже схематично показана сезонная динамика с восходящим трендом.

В экономике методы анализа временных рядов являются эффек­тивным прогностическим инструментом. Формально описав сезон­ность и тренд, мы сможем экстраполировать динамику колебания признака и предсказать будущие значения временного ряда по насто­ящим и прошлым значениям.

Однако существует ряд причин, делающих весьма проблематич­ным использование методов анализа временных рядов для предсказа­ния политических кризисов. К ним относятся прежде всего:

• отсутствие (или слабая распространенность) сезонности в процес­сах перехода от стабильности к кризису (и в политических процессах в целом). В экономике цикличность процессов широко распространена в связи с вполне рационально объяснимой динамикой спроса — напри­мер, в августе спрос на путевки в дома отдыха средней полосы России будет выше, чем в ноябре. В политике проявления сезонности эпизо­дичны: один из немногих примеров — колебания активности политиче­ских партий в зависимости от близости даты выборов;

• слабая «плавность» перехода в политических процессах одного состояния в другое, особенно это касается наступления состояний кризиса. Как правило (и об этом свидетельствуют событийные дан­ные ивент-анализа), политический кризис представляет собой скач­кообразное изменение, которому в математике в наибольшей мере соответствует логистическая кривая типа:

В то время как статистический инструментарий анализа времен­ных рядов при выявлении тренда базируется на приведении описания ряда к монотонной (устойчиво возрастающей или устойчиво убываю­щей) линейной функции.

Названные причины побуждают исследователей искать альтернативные методы прогнозирования политических кризисов. Одним из таковых стал кластер-анализ, достаточно широко используемый в ивент-анализе.

Пример использования кластер-анализа — исследование динамики политического поведения государств-акторов в Ближневосточном ре­гионе с 1979 по 1995 г. В качестве государств, имеющих политическое присутствие в регионе, взяты Египет, Израиль, Палестина, Иордания, Ливан, Сирия, США и СССР (Россия). Соответственно, эмпиричес­кую базу составили данные об уровне конфликтности / сотрудничества в действиях каждого актора в отношении каждого другого. Исклю­чение составили действия США в отношении СССР и действия СССР в отношении США, так как их интеракции были связаны со многими иными факторами, кроме собственно ситуации в Ближневосточном регионе. Изменения в уровне конфликтности фиксировались с месяч­ным временным интервалом. Таким образом, исследование базирует­ся на данных о поведении 54 пар государств за 192 месяца. Данные за­фиксированы в таблице:

Особый интерес представляет подход к кластеризации событий­ной информации. В исследовании, нацеленном на поиск индикато­ров политического кризиса, очевидное значение имеет временная со­ставляющая, тогда как традиционные методы кластер-анализа ее не учитывают. Выход был найден: кластеризация проводилась отдельно по каждому из 4-месячных блоков данных, т.е. в качестве переменных в компьютер вносились данные по четырем последовательно идущим месяцам (например, первый блок — с июня 1979 г. по сентябри 1979 г.), всего 216 случаев для каждого блока (54x4).

Оригинальность гипотезы исследования состояла в том, что инди­катором предкризисной фазы явилось резкое изменение плотности кластера, которую в упрощенном виде можно представить как сумму всех внутрикластерных расстояний. Для того чтобы проверить эту гипотезу, на подготовительной стадии исследования была также сформулирована качественная (сделанная с помощью методов содержательного анализа) периодизация развития ситуации в регионе, со­держащая семь стадий:

Обозначение Период Число месяцев Характеристика
Кэмп-Дэвид (Camp David) июнь 1979 - май 1982 35 Период до израильского вторжения в Ливан в 1982 г.
Ливан (Lebanon) июнь 1982 - май 1985 36 Израильское вторжение в Ливан
Таба (Taba) июнь 1985 — ноябрь 1987 30 С момента вывода изра­ильских войск на юг до начала интифады
Интифада (Intifada) декабрь 1987 — июль 1990 32 Палестинская интифада
Кувейт (Kuwait) август 1990 —

октябрь 1991

15 Иракское вторжение в Кувейт до начала мад­ридских переговоров
Мадрид (Madrid) ноябрь 1991 — август 1993 22 Мадридские мирные пе­реговоры
Осло (Oslo) сентябрь 1993 — июнь 1995 22 Мирные переговоры в Осло

Вопрос заключался в том, существует ли «привязка» изменения плотности кластера во времени к предложенной периодизации. Ниже приводится схема, где сетка периодизации наложена на график дина­мики плотности.

Накануне перехода системы в следующую фазу виден резкий рост плотности кластера, за которым следует резкий спад, совпадающий с переходом. Единственная стадия из семи, где этот критерий не рабо­тает, — кувейтская.

Естественно, изменение плотности кластера во времени не являет­ся «абсолютным барометром». Так, существенный недостаток мето­дики состоит в том, что невозможно предугадать характер приближа­ющегося изменения. В то же время данное исследование является примером интересного и весьма нетривиального метода работы с событийной информацией.

В данном исследовании мерой близости выступала метрика \ -Г.

<< | >>
Источник: Ахременко А.С.. Политический анализ и прогнозирование. 2006

Еще по теме Ивент-анализ:

  1. Ивент-анализ
  2. Ивент-анализ
  3. ВНЕШНИЙ АНАЛИЗ И АНАЛИЗ ПОКУПАТЕЛЕЙ
  4. Технико-экономический анализ строительного проекта и анализ обеспечения по запрашиваемому строительному кредиту
  5. 58 МЕТОДЫ ПОЛИТИЧЕСКОГО АНАЛИЗА
  6. SWOT-анализ
  7. Структура и отличительные черты общих методов политического анализа
  8. Анализ внешней среды
  9. Методы политического анализа
  10. АНАЛИЗ ПОЛИТИЧЕСКИЙ
  11. 5.4. SWOT – анализ
  12. ПОЛИТИЧЕСКИЙ АНАЛИЗ
  13. СТРАТЕГИЧЕСКИЙ АНАЛИЗ
  14. Анализ
  15. Анализ инвестиций