Нарративная экономика. Новая наука о влиянии вирусных историй на экономические события - Роберт Шиллер
Одним из «вечных» вызовов является разграничение причинно-следственной связи и корреляции. Как отличить нарративы, связанные с экономическим поведением лишь потому, что они о нем повествуют, от нарративов, провоцирующих изменения экономического поведения? (22).
Исследователи-экономисты сталкиваются с теми же трудностями, что и теоретики литературы, которые пытались перечислить все основные сюжеты и определить, что делает те или иные истории столь популярными (см. главу 2). В ходу всегда множество популярных историй, и классифицировать их весьма непросто. Литературоведы сосредоточивают свое внимание на деталях, которые кажутся знакомыми и привычными просто потому, что с описанными в них событиями мы сталкиваемся в повседневной жизни. Ученым приходится, кроме того, учитывать изменение набора самих историй, которое происходит с течением времени.
К счастью, исследования в области семантики и семиотики не стоят на месте. Например, при выполнении машинного перевода компьютер способен выбрать значение слова с учетом контекста и соседних слов. Пользователь спрашивает: «Какая река Южной Африки самая длинная?» – и Siri дает прямой устный ответ: Самая длинная река Южной Африки – Оранжевая река». Такие системы поиска в последние годы хорошо себя зарекомендовали по всему миру.
Однако может потребоваться еще немало времени для того, чтобы такие системы смыслового поиска научились подобно человеческому мозгу понимать суть нарративов. В то же время исследователи могут, как и прежде, при изучении нарративов применять метод количественной оценки, задействовав для этого научных ассистентов, перед которыми ставится конкретная задача – читать нарративы и с учетом силы их эмоционального воздействия классифицировать и оценивать их. Последние достижения в области психологии, нейробиологии и искусственного интеллекта также помогут нам лучше понять структуру нарративной экономики. Такие ресурсы, как alexability.com (Alexandria), alpha-sense.com, prattle.co и quid.com, уже начинают предлагать услуги интеллектуального поиска по документам, находящимся в открытом доступе, и медиаресурсам, что могло бы помочь структурировать информацию о повторяющихся нарративах.
По мере усовершенствования методик исследовательской работы и накопления большего объема данных, полученных из социальных сетей, текстовый анализ будет становиться все более значимой составляющей экономических исследований. Вероятно, это позволит нам выйти за рамки моделей зависимости потребления от уровня дохода 1930-х годов и мультипликаторов Кейнса, которые по сей день сохраняют свою актуальность, и приблизиться к пониманию всех прочих факторов, определяющих ход экономических процессов. Кроме того, мы сможем лучше понять суть преднамеренных махинаций и лжи, с которыми сталкивались прежде, и разработать экономический курс, принимая во внимание существующие нарративы.
Мы должны стремиться к лучшему пониманию шаблонов человеческого мышления, которые люди применяют, рассуждая о силах, которые провоцируют рост экономики в отдельные периоды и застой – в другие, под влиянием которых экономика переживает времена творческого подъема и, наоборот, упадка, периоды сострадания и участия и периоды демонстративного потребления и саморекламы, периоды стремительного развития и периоды регресса. Я надеюсь, что эта книга подтверждает: приблизиться к пониманию человеческой реальности, стоящей за крупными экономическими событиями, не отказываясь от столь ценных для нас твердой научной базы и системного анализа, все-таки возможно.
Приложение
Применение эпидемических моделей в области экономических нарративов
Эпидемиология как раздел медицины получила наибольшее развитие в ХХ веке. Важнейшим достижением этой научной дисциплины стало создание теории математического моделирования эпидемий, пролившей свет на вопрос о влиянии эпидемий на ход экономических событий. Эту теорию мы можем применить также при создании моделей распространения экономических нарративов.
Теоретическое обоснование механизма распространения заболеваний
Теория математического моделирования эпидемий болезней была впервые предложена в 1927 году шотландскими биохимиком Уильямом Огилви Кермаком и врачом Андерсеном Греем Маккендриком. Она ознаменовала собой революцию в сфере медицины, создав реальную базу для понимания динамики распространения инфекционных заболеваний.
В соответствии с разработанной ими простейшей моделью, популяция делилась на три группы: восприимчивые, инфицированные и выздоровевшие. Поэтому данная модель получила название «модель SIR» или «камерная модель». S в данном случае – это процент представителей популяции, которые восприимчивы к инфекции, ранее с конкретной болезнью не сталкивались и потенциально могут ею заразиться; I – процент заразившихся представителей популяции, способных заразить других и активно распространяющих инфекцию; R – процент выздоровевших представителей популяции, которые уже переболели и приобрели иммунитет и больше не могут заразиться или распространять болезнь. Случаи болезни, завершившиеся смертью, исходная модель не учитывала. В сумме перечисленные выше процентные показатели составляли 100 % (то есть 100 % = S + I + R), а численность популяции считалась постоянной величиной.
Согласно теории математического моделирования эпидемий Кермака – Маккендрика в масштабах тщательно перемешанной популяции, численность которой считается постоянной, скорость прироста числа заражений в ходе эпидемии болезни равна разности произведения показателя интенсивности заражения с, доли восприимчивого населения S и инфицированного I и произведения показателя интенсивности выздоровления r и доли инфицированного населения I. Каждый раз, когда восприимчивый человек встречает инфицированного, может произойти заражение. Когда численность популяции велика, заражения практически неизбежны. Частота таких встреч на определенном временном отрезке зависит от количества в популяции пар «восприимчивый-инфицированный», которое можно рассчитать, умножив показатели S и I (1). Состоящая из трех уравнений модель SIR Кермака – Маккендрика выглядит следующим образом:
dS/dt = – cSI
dI/dt = cSI – rI
dR/dt = rI
Алгебраического решения эта модель не имеет, возможны лишь приближенные расчеты (2).
Подобные уравнения также встречаются в химии, где они называются кинетическими уравнениями или последовательными химическими реакциями (3).
В модели, которая применялась в этой книге, коэффициент заразности равен произведению постоянного показателя интенсивности заражений c и меняющейся с течением времени доли восприимчивых людей S. Показатель интенсивности выздоровления r неизменен. Если мы разделим обе части второго уравнения на показатель доли зараженных людей I, мы увидим, что второе уравнение представляет собой не что иное, как утверждение о том, что скорость увеличения доли зараженного населения равна разности между коэффициентом заразности cS и скорости выздоровления (или забывания) r. Такой вывод вполне логичен: для того чтобы эпидемия нарастала, люди должны заражаться быстрее, чем выздоравливают, и резонно предположить, что коэффициент заражения будет зависеть от того, какова доля населения, восприимчивого к инфекции.
Рис А.1. Теоретическая оценка путей распространения эпидемии согласно модели SIR Кермака – Маккендрика для показателей I0 = 0,0001 %, c = 0,5, r = 0,05.
Толстые линии отражают процент инфицированного
