Сторонники метода симуляций возлагают на него большие надежды, видя в нем способ преодолеть недостатки экономической науки. Некоторые авторы считают, что «конструирование искусственных систем делает возможным новую методологию научного исследования»30, что «симуляция — это третий путь для науки»31, позволяющий «по-новому мыслить общество»32.
Метод компьютерных симуляций позволяет моделировать системы любой сложности и отслеживать их эволюцию во времени. Его распространение неразрывно связано с бурным прогрессом компьютерной техники. Компьютер дает возможность вычислять динамическую траекторию системы, причем со временем эффективность вычислений растет, а затраты на их проведение падают. Именно поэтому метод симуляций довольно быстро распространился среди исследователей в качестве нового перспективного инструмента анализа.
По нашему мнению, метод компьютерных симуляций открывает возможности для экспериментирования в общественных науках, включая экономику. Экономисты обретают доступ к большому массиву данных, получаемых в результате проведения симуляционных «прогонок».
Раньше единственным источником данных о динамике реальной экономической системы служили эмпирические наблюдения, с которыми помимо их теоретической нагруженное™ были сопряжены погрешность измерений и различные неточности. Не было возможности «повернуть время вспять» и увидеть, какой была бы динамика системы при изменении тех или иных условий. Единственность источника данных о социально-экономическом мире позволяет нам в лучшем случае выявить корреляционную зависимость между наблюдаемыми историческими данными, однако мы не можем дать точный ответ на ключевой вопрос экономической науки: «Почему?».
Метод симуляций открывает экономистам новый источник данных, правда иного рода. Это данные, генерируемые компьютерной программой, которая симулирует взаимодействие и развитие моделируемой системы, то есть экономики в целом или определенной ее части, такой, как отрасль или рынок. Программа позволяет проследить эволюцию системы от начального момента до любого требуемого периода в будущем. Для этого в программу закладываются правила перехода системы в следующее состояние, причем состояние системы в любой момент времени характеризуется состоянием всех ее элементов, в том числе и на высоком системном уровне.
Не имея прямой связи с действительностью, эти данные тем не менее крайне ценны для исследователя, поскольку позволяют реализовать определенные требования, предъявляемые к экономической модели. Ключевое их значение состоит в возможности выявлять на их основе структуры и механизмы, управляющие течением наблюдаемых событий в экономических системах, что является главной задачей науки с точки зрения философии критического реализма.
Если признать, что наблюдаемые эмпирические данные — результат одной реализации внутренних структур и механизмов, то получение выводов о самих этих механизмах с использованием исключительно эмпирических данных не представляется возможным. Впрочем, следует согласиться с точкой зрения Н. А. Макашевой и признать, что «компьютерные симуляции сами по себе не позволяют исследовать структуры, они лишь воспроизводят взаимодействие агентов и дают результат, который может служить „подсказкой" для исследователя структур»33. Однако само существование такой «подсказки» до недавнего времени было невозможно, и это — несомненная заслуга метода симуляций.
Кроме того, как отмечают Т. Бреннер и Й. Мурман, симуляции могут предоставить исследователю данные об объектах, наблюдение которых в действительности затруднительно, либо решить проблему недостатка данных34.
Отметим, что данные такого рода получены не дедуктивным, но и не индуктивным путем. Сам смысл симуляций предопределяет то, что оба метода построения умозаключений, индукция и дедукция, должны быть объединены на методологическом уровне. Р. Аксельрод так описывает симуляционный метод: «Подобно дедукции, мы начинаем с набора явно заданных предпосылок, но в отличие от дедукции не доказываем теорем. Вместо этого симуляция создает данные, которые можно анализировать индуктивно. Однако в отличие от данных, полученных с помощью обычной индукции, данные, полученные симуляционным путем, сгенерированы по строго специфицированным правилам... Если индукция может быть использована для выяснения закономерностей в данных, а дедукция — для выведения следствий из предпосылок, то симуляционное моделирование работает на интуицию»35.
Построение выводов из симуляций таким способом обосновано также тем, что «человек способен блестяще справиться с задачей выявления тех или иных тенденций, но в силу своих ограниченных возможностей не справляется с проведением логических мысленных экспериментов о возможных будущих состояниях системы»36. Симуляции в этом контексте способны служить обоснованием для мысленных экспериментов, позволяя понять, что было бы, если бы определенные характеристики системы изменились.
Помимо объяснительной силы метод симуляций претендует и на определенную предсказательную силу. Хотя, следуя Лоусону, можно считать, что «предсказание событий обычно является недостижимым» и «в любом случае не требуется для успеха экономики как науки»37, изучающей системы такого уровня сложности, существует и противоположная позиция. Так, по словам Д. С. Чернавского, современная наука может предсказать, какие именно состояния сложной системы возможны в будущем: наука может оценить вероятность различных вариантов, но не может дать однозначный ответ о том, какое конкретное состояние будет реализовано.
Метод симуляций может прогнозировать будущие состояния системы именно в таком вероятностном контексте. Пользуясь симуляционной моделью, нельзя с уверенностью сказать, какое конкретное состояние системы будет достигнуто, но анализ модели позволяет выделить возможные классы состояний системы и оценить вероятности пребывания в каждом состоянии, что характеризует прогнозные свойства моделирования в новом свете. Но даже в этом можно увидеть существенный прогресс методологии, который позволит «отделить само понятие прогноза от „приставшего" к нему определения „количественный"»38. Несмотря на то что, по мнению многих авторов, прогноз не является конечной целью науки, определенные возможности прогнозирования с использованием метода симуляций, безусловно, характеризуют его как современный и многообещающий научный метод.
Проблемы экономической науки носят во многом философский характер и связаны с внутренней противоречивостью и несостоятельностью позитивизма. В рамках эволюционной экономики можно преодолеть внутренние дефекты неоклассики как на методологическом, так и на теоретическом уровне.
В настоящее время доминирующую методологическую позицию в эволюционной экономике можно охарактеризовать как квазипозитивизм. Исследователи разрабатывают сложные модели действительности с целью их последующей калибровки на основании эмпирических данных. При подобном развитии эволюционной экономики существует большой риск утратить понимание сущности исследуемого явления в погоне за точностью модели, которая трактуется в свете позитивизма как соответствие данных, получаемых в результате моделирования, и наблюдаемых эмпирических данных. К сожалению, такой позитивистский критерий задает современное развитие эволюционной экономики.
Как было показано, подобное развитие способно завести эволюционную экономику в тупик. Природа сложных систем такова, что построение корректного количественного прогноза невозможно. Поэтому экономические модели должны в первую очередь быть ориентированы на выявление внутренних взаимосвязей системы, которые называются также порождающими механизмами, и только во вторую — предлагать качественный и вероятностный прогнозы.
Список литературы
1Нельсон Р., Уинтер С. Эволюционная теория экономических изменений. M.: Дело, 2002.
2 Нельсон Р., Уинтер С. Указ. соч.
3Blaug М. Ugly Currents in Modern Economics // Options Politiques. Vol. 18, No 17. 1997; Ходжсон Дж. О проблеме формализма в экономической науке // Вопросы экономики. 2006. № 3. С. 111 — 124; Lawson Т. Economics and Reality. L.: Routledge, 1997; Lawson T. Reorienting Economics. L.: Routledge, 2003.
4 Бусыгин В. 77. Возрождение эволюционной парадигмы? // Сб. работ по итогам VII Международного симпозиума по эволюционной экономике в г. Пущине М., 2007. С. 8.
5 Фридмен М. Методология позитивной экономической науки // THESIS. 1994. Т. 2, вып. 4. С. 23.
6 Там же. С. 24. ' Там же. С. 29.
8Ходжсон Дж. Экономическая теория и институты. М.: Дело, 2003. С. 76.
9 Caldwell В. Post-Keynesian methodology: an assessment // Review of Political Economy. 1989. Vol. 1. P. 44.
10 Caldwell В. Beyond Positivism: Economic Methodology in the Twentieth Century. L.: Allen & Unwin, 1982. P. 244-245.
11 В этой работе Бхаскар развивает общую философию науки, называя ее трансцендентальным реализмом, и специальную философию гуманитарных наук, называя ее критическим натурализмом. Два понятия были объединены и превратились в «критический реализм».
12 Bhaskar R. A Realist Theory of Science. L.: Verso, 1997 [1975].
13 Lawson T. Economics and Reality.
14 Lawson T. Reorienting Economics. См. также: Critical Realism in Economics: Development and Debate / S. Fleetwood (ed.). L.: Routledge, 1999.
15 См. также: Лоусон Т. Современная «экономическая теория»- в свете реализма // Вопросы экономики. 2006. № 2. С. 77—98.
16 Нельсон Р., Уинтер С. Эволюционный подход в экономической науке // Истоки. М.: Изд. дом ГУ-ВШЭ, 2006. С. 59 (.Nelson R., Winter S. Evolutionary Theorizing in Economics // Journal of Economic Perspectives. 2002. Vol. 16).
17 См., например: Utterback J. М., Abernathy W. J. A Dynamic Model of Product and Process Innovation // Omega. 1975. Vol. 3, No 6. P. 639 — 656; Klepper S., Graddy E. The evolution of new industries and the determinants of market structure // Rand Journal of Economics. 1990. Vol. 21, No 1.
18 См., например: Malerba F., Orsenigo L. Technological entry, exit and survival: an empirical analysis of patent data // Research Policy. 1999. Vol. 28, No 6. P. 643 — 660, а также: Breschi S., Malerba F., Orsenigo L. Technological Regimes and Schumpeterian Patterns of Innovation // Economic Journal. 2000. Vol. 110, No 463. P. 388-410.