Математические методы в социологии: общая характеристика

Использование математических методов в процессе проведения научного исследования позволяет достичь следующих целей.

Во-первых, применение математики побуждает исследователя четко сформулировать свои представления об изучаемом объекте. Правда, обусловленная сложностью социальных явлений неоднозначность соответствующей конкретизации приводит к необходимости комплексного использования нескольких методов, умелого сравнения интерпретации соответствующих результатов и т.д. Это, с одной стороны, конечно, усложняет анализ. Но, с другой стороны, та же комплексность позволяет обогатить наши представления о реальности. Каждый подход отражает лишь какую-то одну ее грань. И только восприятие всех граней одновременно позволяет увидеть явление во всей его полноте.

Во-вторых, использование математических методов позволяет четко выдержать абстрагирование от неисчислимого количества реальных свойств изучаемых объектов, не дает уйти в сторону от принятого исследователем понимания изучаемого явления. Конечно, в этом обстоятельстве тоже можно усмотреть и негативный аспект: любой формализм, как бы хорош он ни был, обедняет действительность; и вполне возможно, что, абстрагировавшись от чего-то, мы придем к неверным выводам из-за того, что то, от чего мы отвлекаемся, чего не принимаем в расчет, на самом деле является самым главным моментом, определяющим наше явление. Но подобных нелепостей можно избежать, если творчески, умело применять математику. Квалифицированное использование математического аппарата позволяет превратить рассматриваемую возможность последовательного абстрагирования от реальности в действенное средство помощи социологу. Ведь без использования формализма человек, к сожалению, слишком часто сбивается с единой логики рассуждения, непроизвольно подменяет одно понимание изучаемого явления другим и, естественно, в результате приходит к неверным выводам, сам того не замечая

В-третьих, с помощью математики можно получить содержательные выводы, не лежащие "на поверхности", за счет расширения круга используемых логических умозаключений. Математика по существу и предоставляет социологу возможность пользоваться всеми теми интеллектуальными достижениями, которые накопило человечество при изучении именно таких-то объектов (т.е. объектов, удовлетворяющих рассматриваемым формальным свойствам; объектов - элементов МС) и именно при таком-то понимании интересующего нас явления (т.е. при адекватности заложенной в методе модели характеру этого явления).

В-четвертых, не лежащие на поверхности выводы могут быть получены за счет создания возможности анализа огромных массивов информации (с которыми обычно и имеет дело социолог), учета огромного количества факторов (определяющих практически любое общественное явление). Этот аргумент "в защиту" математики обычно бывает наиболее понятным. Но указанную возможность создает не столько использование собственно математических методов, сколько применение ЭВМ (которое, однако, невозможно без применения математических алгоритмов), что само по себе для нас менее интересно: речь идет о чисто "количественной" помощи социологу, просто о более быстром проведении каких-то операций. А говоря о математическом анализе данных, нам хотелось бы в первую очередь затронуть "качественную" сторону исследовательского процесса: нас интересует, какую модель реальности мы используем, в какой степени она отражает наши представления о ней и т.д.

О необход-ти использования в С математиче­ских методов говорили многие исследов-ли, начиная с Конта, Кетле, Парето. Однако долгое время это сводилось к изуч-ю разного вида вероятностных распредел-ий и расчету простей­ших их параметров. Совершенствовались сами представл-я о распределениях.

Росс-ая наука вполне отвечала тогдашнему мировому ур. Появились работы, не потерявшие своей акт-ти до на­ших дней.

Так, в раб А.Г.Ковалевского были изложены осн-е идеи, положившие начало совр-ой теории выборки.

Начало активного внедрения математики в запад С приходится на 20-е гг. и связано с бурным развитием опросов больших сов-тей людей. Возникла задача разработки тео­ретически состоят-ых способов сбора и ан-за инфо-ции.Но именно в эти годы свертываются эмпир-ие исслед-я в СССР, так что к периоду их возрожд-я в конце 50-х совет­ским социологам пришлось поначалу осваивать заруб-ый опыт. К тому времени на Западе в обл развития математ-их методов в С произошли радик-ые сдвиги.

Можно выделить неск-ко направл-й развития математичес­ких методов.

• Одно было связано с проблемой измер-я в С и, в частности, с разработкой измерит-ых проц-р в опро­сах, ан-зом особенностей социологич-их данных и т.д.

• Другое- разработка методов ан-за данных. Его развитие определялось потребностями не т-ко С, но и ряда др наук (психологии, медицины, геоло­гии). Оно отвечало стремлению найти способы поиска стати­стических закономерностей в тех случаях, когда исходные данные не удовлетворяют строгим требованиям математиче­ской статистики.

• Третье направл-е в развитии матем-их методов, предназначенных для реш-я социолог-их за­дач, было связано с методами моделирования социальных явлений.

Первые попытки примен-я матем-их методов в отеч-ой С были сделаны новосибирскими учеными из Института экономики и организации промышленного произв-ва (ИЭиОПП) и Института математики (ИМ) Сибирского отдел-я АН СССР, создавшими к началу 70-х гг. подлинную шк матем-ой С, существующую до настоящ времени. Первенство новосибирцев не случайно. Оно явилось следстви­ем созд-я академгородков и обеспеч-я тесных контактов м\у представителями разных профессий.

Одна из первых в СССР комплексных разработок в области ан-за данных представлена в сборнике, изданном по инициати­ве Т.И.Заславской и Н.Г.Загоруйко. Его авторы предложили интересную систематизацию методов распознавания образов, «при­вязанную» к потребностям С, а также неск-ко ориги­нальных алгоритмов классиф-ии и поиска эффект-ой сис­темы признаков. Исслед-я с успехом были продолжены далее.

Решение задач в этой области достигается с помощью извест­ных алгоритмов типа AID (Automatic Interaction Detector), направ­л-х на поиск взаимодействий. Эти алгоритмы очень часто ис­польз-ся в запад С и содержатся, в частности, в пакете SPSS. Алгоритмы AID позволяют искать сочетания значений рас­сматр-мых признаков, детерминирующие определенное «пове­д-е» респондента.

Группа сотрудников ИЭ и ОПП, руководимая Ф.М.Бородкиным, затем Б.Г. Миркиным, предложила ряд оригин-ых алго­ритмов ан-за номинальных и порядковых данных, дающих воз­можность решать задачи факторизации признаков и классиф-ии объектов.

Алгоритмы основаны на представлении каждого рассматриваемого признака в виде матрицы близостей м\у объ­ектами. Подход дает более адекватные рез-ты, чем другие из­вестные способы реш-я соответствующих задач.Позже там же были разра­ботаны методы ан-за таблиц сопряженности, существенно до­полняющие традиционные приемы: возможность учета данных, отвечающих неальтернативным (многозначным) признакам; основанными на методе случайного моделир-я спо­соб проверки устойчивости стр-ры таблицы, алгоритм ее кла­стерного ан-за и т.д.

«Визитной карточкой» лаборатории матем-ой С ЦЭМИ, явл-ся разраб-ка соц-но-экон-их моделей предпочтений, соц-ых интересов, субъективной полезности. Рассматривались пред­почтения в сфере свободного времени и трудового повед-я. Бы­ли разработаны методы построения ф-ций полезности. На основе опросов некоторых групп респ-тов удалось восстано­вить стр-ру их предпочтений относит-но соц-ых благ, труда, свободного времени.

Большое вним-е уделялось исслед-ю влияния со-ых факторов на вид экон-их моделей. Оказалось, что включение в модель таких факторов м\т привести к сильному изменению ее св-в. Так, в модели с переменной стр-рой на­сел-я рыночное равновесие станов-ся неустойчивым. По су­ществу, тем самым доказыв-ся невозможность чисто рыночно­го регулирования упомянутой стр-ры.

Была расширена модель подражательного повед-я Рашевского. В нее были доп-но включены факторы, связанные с наличием у респ-та некоторого «внутреннего стандарта» и влиянием на его установку СМИ. По­строена динамическая модель измен-я установки. В той же ла­боратории разработана модель О как кибернетической системы; создан метод изуч-я сложных статистических систем,предложена математико-вероятностная схема ан-за стр-ры зависимостей м/у переменными.

М.С.Косолапов разработал типологию шкал, позволяющую адекватно интерпретировать исходные данные и эффект-но вы­бирать методы их ан-за. О.В. Лакутиным был предложен ряд подходов к осуществл-ю оцифровки и сравн-ю разл-х парных коэффициентов связи. Г.Г.Татарова анализир-ла раз­ные стратегии работы социолога и сформулир-ла рекоменда­ции по провед-ю типологического ан-за.

К.Д.Аргунова показала, наск-ко эффект-но м\т изучаться феномен двуязычия с помощью номинального регрес­сионного ан-за. И.Н.Рысков построил типологию национ-­но-административных территорий, применив оригинальный алго­ритм классиф-ии. Г.Г. Татарова построила типологию время­препровождения рабочих промышленности.

Конечно, не могли быть оставлены в стороне проблемы выбор­ки в социолог-ом исслед-ии. В 90-е гг. руководимая М.С.Косолаповым группа сотрудников ИСАН совместно с вы­дающимся спец-том в обл выборочных методов Л.Кишем создала первую в России надежную общероссийскую выборку, основ-ую на от­боре хоз-в.

A.А.Давыдов разрабатывал уже проблематику системного ан-за соц-ых процессов, что принесло интересные рез-ы, напр, в расчетах оптим-ого состава Вооруженных Сил, в системе сравнит-ых показателей уровня соц-ой на­пряженности по регионам России. В. А.Шведовским развива­лись методы моделирования соц-ых явлений и т.д.

В ленинградской социолог-ой шк с 60-х гг. интенсивную работу в обл изме­р-я социолог-их показателей. Аналогичной проблематикой занимался Б.3. Докторов. В частности, он предложил значит-ые и новые для советской С расчеты надежности поч­тового опроса. В.С.Магуну с помощью факторного и путевого ан-за удалось получить нетривиальные рез-ты в исслед-ях по проекту «Саморегуляция и прогнозир-е соц-го повед-я личности» и в других направл-ях.

B.Т.Перекрест предложил оригинальный метод многомерного шкалирования и, на его базе, подход к осуществлению нелинейно­го типологического ан-за. Сотрудничество группы ленинград­ских социологов с этим исследователем (в конце 70-х — нач 80-х гг.) принесло ощутимый эффект в построении детерминационых моделей повед-я инженеров-проектировщиков и в разра­б-ке типологич-их стр-р различных соц-ых процессов.

Интереснейшие рез-ты удалось получить в нач 90-х гг, Г.А.Сатарову, который путем многомерного шкалирования вы­явил стр-ры полит-их предпочтений россиян, а также стр-ру полит-их группировок Верховного Совета СССР. А его коллега Ю.А.Качанов на основе примен-я психологич-их тестов с помощью кластерного ан-за выделил различные типологические группы по критерию «имперского сознания».

Институционапизация описываемого направл-я в отечествен­ной С связана с рядом заметных явл-й. Состоялись три общесоюзные конференции, посвященные методам социолог-их исслед-й, — в 1967, 1978, 1989 гг. В серед 80-х гг. в рамках Советской социолог-ой ассоциации был создан осо­бый исследовательский комитет (в течение неск-ких лет его председателем был В.Г.Андреенков, с 1989г. сопредседателями явл-ся Ю.Н. Гаврилец и Ю.Н.Толстова). Под эгидой комите­та с середины 80-х гг. в Москве (в ЦЭМИ и ИСАНе) работает се­минар по математическим методам в С.

С 1991 г. под эгидой ИСРосАН и ЦЭМИ в Москве под редак­цией В.А.Ядова начал издаваться журнал «Социология: 4М (ме­тодология, методика, математическое моделир-е)», специаль­но посвященный методам социолог-их исслед-й.

Сегодня мы наблюдаем две противоположные тенденции в данной проблематике.

С одной стор, снижение профессионального уровня много­численных массовых обследований, причины которого многооб­разны. Это и появление малоподготовленных коммерческих стр-р, занятых опросами насел-я, и понятное стремление ускорить публикации в динамическом О, так что не доста­ет времени на филигранную их шлифовку.

С другой стор, благодаря упомянутым выше семинарам и наличию профессион-го журнала «4М», а также развитию нормального социолог-го образов-я перспективы россий­ской математической С в наш компьютерный век ско­рее всего благоприятны.

Итак, главной задачей анализа данных является сжатие собранной эмпирической информации, направленное на "вычленение" скрытых в ней статистических (т.е. имеющих место "в среднем") закономерностей. Примерно так же формулируется и основная задача математической статистики. Ее методы направлены на изучение именно статистических закономерностей. Разработанные в рамках этой науки приемы позволяют выявлять "средние" тенденции, "заложенные " в исходных данных. Именно это, в первую очередь, обусловливает необходимость обращения социолога к математической статистике. Но имеются и другие причины.

Вспомним еще об одной очень остро стоящей практически перед любым исследователем-социологом проблеме - проблеме соотнесения выборки и генеральной совокупности, проблеме построения репрезентативной выборочной совокупности. Будем считать, что она в общих чертах знакома читателю 23.

Вряд ли можно подвергнуть сомнению то, что при изучении статистических закономерностей социолога практически всегда интересует задача перенесения полученных им результатов с той совокупности объектов, которая непосредственно была обследована (с выборки) на более широкую совокупность (генеральную). Это делает использование математической статистики еще более привлекательным для социолога: ведь с помощью соответствующих подходов можно осуществлять анализ выборочных данных именно с намерением обобщения получаемых результатов на соответствующую генеральную совокупность.

Таким образом, основные задачи математической статистики вполне адекватны задачам, которые ставит перед собой социолог. Естественно, что при решении социологических задач мы должны активно использовать все полезные для нас достижения современной науки, в том числе и математической статистики. Однако, как мы отмечали выше, при использовании соответствующих подходов в социологии и других науках, опирающихся на изучение эмпирических данных, возникают серьезные проблемы. И для того, чтобы разобраться в том, что из области математической статистики мы можем, а что не можем использовать, надо более четко понять, с какими объектами она имеет дело, и в соответствующем ракурсе более детально проанализировать, какие задачи она решает. Перейдем к более подробному обсуждению того, какие задачи позволяет решать математическая статистика и какое отношение эти задачи могут иметь к потребностям социолога.

SPSS (Statistical Package for the Social Sciences —cтатистический пакет для социальных наук) —компьютерная программа для статистической обработки данных, предназначенная для проведения прикладных исследований в социальных науках.

Овладение приемами работы с такой программой, как SPSS требует предварительных познаний в области статистики. Здесь мы коротко остановимся на некоторых основных понятиях, с которыми непременно должен быть знаком пользователь, если он хочет использовать SPSS. В первую очередь сюда относятся предварительные оценки, которые выполняются перед проведением любого статистического теста: классификация переменных по статистическим шкалам, проверка наличия нормального распределения и выделение независимых и зависимых выборок. В следующих разделах представлено описание наиболее часто проводимой процедуры проверки гипотезы о среднем значении и рассматривается значение вероятности ошибки р. Завершает главу обзор методов статистической обработки с указанием глав, в которых они будут рассматриваться в этой книге.

В большинстве случаев перед применением статистического теста ставится вопрос: каков характер заданных условий? В частности, необходимо выяснить следующие моменты:

К какой статистической шкале относится данная переменная?

Если речь идёт о переменных с интервальной шкалой, то подчиняются ли они закону нормального распределения?

Являются ли сравниваемые выборки зависимыми или независимыми?

Описательный (дескриптивный) анализ

Этот вид анализа включает описательное представление отдельных переменных. К нему относятся создание частотной таблицы, вычисление статистических характеристик или графическое представление. Частотные таблицы строятся для переменных, относящихся к номинальной шкале и для порядковых переменных, имеющих не слишком много категорий.Для переменных относящихся к номинальной шкале нельзя вычислить никаких значимых статистических характеристик. Наиболее часто для порядковых переменных и переменных, относящихся к интервальной шкале, но не подчиняющихся нормальному распределению, вычисляются медианы и оба квартиля; при небольшом числе категорий можно использовать вариант для концентрированных данных.Для переменных, относящихся к интервальной шкале и подчиняющихся нормальному распределению, чаще всего вычисляется среднее значение и стандартное отклонение пли стандартная ошибка. Однако следует выбрать только одну из этих двух характеристик разброса. Для переменных, относящихся ко всем статистическим шкалам, можно построить большое разнообразных графиков, на которых представлены частоты, средние значения или другие характеристики.

Аналитическая статистика

Практически любой статистический анализ наряду с чисто описательными операциями включает те или иные аналитические методы (тесты значимости), при применении которых в конечном счете определяется вероятности ошибки р (см. раздел 5.6.).

Большая группа тестов служит для выяснения того, различаются ли две или более различных выборки по своим средним значениям или медианам. При этом учитывается разница между независимыми выборками (разные наблюдения) и зависимыми выборками (разные переменные; см. раздел 5.4.). В зависимости количества выборок (две или более), от того, зависимы ли выборки или нет, относятся ли переменные к интервальной или порядковой шкале, подчиняются ли нормальному распределению — применяются специализированные тесты.

Очень часто встречается ситуация, когда сравниваются различные группы наблюдений или значений переменных, относящихся к номинальной шкале. В этом случае строятся таблицы сопряженности. Другая группа тестов касается исследования связей между двумя переменными, то есть выявления корреляций и восстановления регрессий

Кроме этих довольно простых статистических методов существуют также более сложные методы многомерного анализа, в которых обычно одновременно используется очень много переменных. К примеру, если требуется свести большое количество переменных к меньшему количеству "пучков переменных", называемых факторами, то проводится факторный анали з. Если же наша цель, противоположна — объединить заданные наблюдения, образовав из них кластеры, то применяется кластерный анализ.

В определенной группе многомерных тестов вводится различие между зависимой переменной, называемой также целевой и несколькими независимыми переменными (переменными влияния или прогнозирования).

При мультиномиальной логистической регрессии и порядковой регрессии могут также использоваться ковариации, относящиеся к интервальной шкале.

Независимые переменные, относящиеся к номинальной шкале, при двоичной логистической регрессии, дискриминантном анализе и многозначном регрессионном анализе должны быть дихотомическими либо раскладываться на набор дихотомических переменных. Логит-логарифмические линейные модели рассматриваются не в этой книге, а во втором томе, посвященном методам исследования рынка и общественного мнения.

Кроме упомянутых здесь, существует еще несколько методов анализа, например, пробит-анализ или анализ надежности; об их назначении можно узнать из соответствующих глав.

Коэффициенты корреляции До сих пор мы выясняли лишь сам факт существования статистической зависимости между двумя признаками. Далее мы попробуем выяснить, какие заключения можно сделать о силе или слабости этой зависимости, а также о ее виде и направленности. Критерии количественной оценки зависимости между переменными называются коэффициентами корреляции или мерами связанности. Две переменные коррелируют между собой положительно, если между ними существует прямое, однонаправленное соотношение. При однонаправленном соотношении малые значения одной переменной соответствуют малым значениям другой переменной, большие значения — большим. Две переменные коррелируют между собой отрицательно, если между ними существует обратное, разнонаправленное соотношение. При разнонаправленном соотношении малые значения одной переменной соответствуют большим значениям другой переменной и наоборот. Значения коэффициентов корреляции всегда лежат в диапазоне от -1 до +1.В качестве коэффициента корреляции между переменными, принадлежащими порядковой шкале применяется коэффициент Спирмена, а для переменных, принадлежащих к интервальной шкале — коэффициент корреляции Пирсона (момент произведений). При этом следует учесть, что каждую дихотомическую переменную, то есть переменную, принадлежащую к номинальной шкале и имеющую две категории, можно рассматривать как порядковую.

Таблицы сопряженности В SPSS имеется большое количество разнообразных процедур, при помощи которых можно произвести анализ связи между двумя переменными. Связь между неметрическими переменными, то есть переменными, относящимися к номинальной шкалу или к порядковой шкале с не очень большим количеством категорий, лучше всего представить в форме таблиц сопряженности. Для этой цели в SPSS реализован тест Хи-квадрат, при котором проверяется, есть ли значимое различие между наблюдаемыми и ожидаемыми частотами. Кроме того, существует возможность расчета различных мер связанности.

Регрессионный анализ

Если расчёт корреляции характеризует силу связи между двумя переменными, то регрессионный анализ служит для определения вида этой связи и дает возможность для прогнозирования значения одной (зависимой) переменной отталкиваясь от значения другой (независимой) переменной. ля проведения линейного регрессионного анализа зависимая переменная должна иметь интервальную (или порядковую) шкалу. В то же время, бинарная логистическая регрессия выявляет зависимость дихотомической переменной от некой другой переменной, относящейся к любой шкале. Те же условия применения справедливы и для пробит-анализа. Если зависимая переменная является категориальной, но имеет более двух категорий, то здесь подходящим методом будет мультиномиальная логистическая регрессия. Новшеством в 10 версии SPSS является порядковая регрессия, которую можно использовать, когда зависимые переменные относятся к порядковой шкале. И, наконец, можно анализировать и нелинейные связи между переменными, которые относятся к интервальной шкале. Для этого предназначен метод нелинейной регрессии.

Методы криволинейного приближения, весовые оценки и 2-ступенчатые наименьшие квадраты исследуют соответственно приближённость пути прохождения кривых при помощи компенсационных кривых, регрессионный анализ для изменяющейся дисперсии и проблемы из области эконометрии.

Дискриминантный анализ

С помощью дискриминантного анализа на основании некоторых признаков (независимых переменных) индивидуум может быть причислен к одной из двух (или к одной из нескольких) заданных заранее групп.

Такая постановка задачи, в особенности в случае двух заранее заданных групп, очень сильно напоминает постановку задачи для метода логистической регрессии. Ядром дискриминантного анализа является построение так называемой дискриминантной функции.

d = b₁х₁+ b₂х₂+... + b_nх_n+ а,

где x₁ и х_n — значения переменных, соответствующих рассматриваемым случаям,
константы b₁ - b_n и a — коэффициенты, которые и предстоит оценить с помощью дискриминантного анализа. Целью является определение таких коэффициентов, чтобы по значениям дискриминантной функции можно было с максимальной четкостью провести разделение по группам.

Факторный анализ это процедура, с помощью которой большое число переменных, относящихся

к имеющимся наблюдениям сводит к меньшему количеству независимых влияющих величин,

называемых факторами. При этом в один фактор объединяются переменные, сильно

коррелирующие между собой. Переменные из разных факторов слабо коррелируют между

собой. Таким образом, целью факторного анализа является нахождение таких комплексных

факторов, которые как можно более полно объясняют наблюдаемые связи между переменными,

имеющимися в наличии.

26. Предметное поле социологии риска. Классификация рисков. Подходы к оптимизации рисков в экономической и профессиональной деятельности

В последнее время в обществах все более и более осознается рискованность происходящего. И это осознание имеет место не только в связи с катастрофами на предприятиях, например ядерной энергетики, химической промышленности и транспорте, буквально поражающими воображение но и в все больше и больше в жизни общества на уровне социальных организаций, групп, индивидов. Таким образом, вся человеческая деятельность оказывается пронизанной риском.

● (по этому поводу)● Немецкий социолог У. Бек ввел в научный обиход термин <общество риска>, который используется и сегодня. Он говорит, что важнейшую роль в актуализации проблемы риска сыграли процессы научно-технического развития. Его стремительные темпы повлекли за собой помимо позитивных, целый ряд негативных последствий, которые наряду с возникшим сознанием бескрайности человеческих возможностей создают угрозу природе и самому человеческому существованию. Растет опасность, что эти процессы пойдут в неверном направлении, что увеличится нагрузка на общество, вызванная проведением научных экспериментов и использованием новых технологий. Это создает необходимость наблюдения, например, за ядерной энергетикой, вооружениями, использованием вредных химических соединений.

Например, в настоящее время из сырья, добываемого человечеством, используется всего лишь 1%. Остальные 99% в виде отходов в искаженном, чуждом природе виде возвращается в среду, загрязняя ее. При этом объем промышленной продукции на планете удваивается каждые 8 - 10 лет. В виду необходимости денежных поступлений многие экономически слабо развитые страны становятся свалками отходов, что, в конечном счете, отравляет и среду обитания их соседей.

Понятие <риск> в науке стало употребляться с начала XVIII в ека в экономических теориях предпринимательства. Со второй половины XIX -начала XX века в связи с накоплением знаний о вероятностном характере ряда общественных, технических и природных процессов риск попадает в поле зрения и других наук, и, прежде всего, прикладной математики. Первоначально эти знания были использованы для выработки юридических норм и правил, регулирующих практику страхования, биржевых сделок.

С 1921 года после выхода в свет книги Ф. Найта <Риск, неопределенность и прибыль> к статистической трактовке риска добавились экономические исследования, а сама тема стала обращать на себя внимание все большего количества ученых различных специальностей и прочно вошла в науку. Особую актуальность проблема риска приобрела после Второй мировой войны в связи с бурным научно-техническим развитием общества: на повестку дня вставало все больше и больше вопросов, касающихся использования новых технологий и технических образцов. На первом этапе эти вопросы решались в соответствии с уже установившейся традицией - путем расчета вероятностей благоприятных и неблагоприятных событий (в частности вероятностей отказов), а также подсчета и сравнения выгод и издержек в случае их наступления. При этом практически не учитывались ценностные ориентации людей, каким-либо образом связанных с данной техникой (производством).

К началу 60-х годов XX в. риск становится объектом междисциплинарных исследований. Например, для изучения сбоев в человеко-машинных системах используются не только технические и профильные естественные, но и психологические и медицинские науки. Психологи говорят, что человека страшат не те или иные объективные обстоятельства, а связанные с ними субъективные представления о вреде и пользе, т.е. они предложили учитывать психологические факторы при оценке риска. В 70-х годах ученые начинают проводить исследования для установления связи различных рисков с социальными проблемами: такими как забастовки, общественные движения, удовлетворенность жизнью и др.

Сегодня проблема риска разрабатывается во многих областях знания: в экономике, психологии, истории, социологии, в юридических науках, политологии, в целом ряде естественных и технических наук.

В экономике риск отождествляется с возможным материальным ущербом, связанным с реализацией хозяйственного, технического, организационного решения, с авариями, стихийными бедствиями, банкротством, инфляцией.

Под политическим риском понимается <вероятность нежелательных последствий возможных политических и других решений, связанных с политическими событиями, способными принести тот или иной ущерб их участникам в реализации их интересов. Чаще всего о политическом риске говорят в ситуациях, когда при принятии решений, касающихся, например, международного бизнеса, требуется учитывать негативное влияние факторов, связанных с нестабильностью внутриполитической обстановки, правящего режима или правительства, с политическими беспорядками.

В одном из многочисленных подходов в рамках психологической науки риск рассматривается как ситуативная характеристика деятельности, которая включает неопределенность исхода и возможные неблагоприятные последствия в случае неуспеха. А вот еще одна психологическая трактовка:

Дата добавления: 2015-07-16