Текст книги "Логика чудес. Осмысление событий редких, очень редких и редких до невозможности"

Но есть ли у нас основания предполагать такую простую пропорциональность? Если распределение озер хорошо моделируется с использованием математики безмасштабных сетей и соответствует распределению соединений, исходящих из каждой вершины, тогда нашу оценку можно считать обоснованной. Математика говорит, что если безмасштабная сеть оказывается хорошей моделью для распределения ширины озер, то так эту ширину и следует рассчитывать. Прямо сейчас мы можем не беспокоиться о том, действительно ли эта модель описывает распределение озер. Раз мы сами придумали Страну ста миллионов озер, просто договоримся, что так оно и есть.

Рассмотрим сеть знакомств. Предположим, каждый человек в такой сети имеет в среднем 150 знакомых. Сколько знакомых можно ожидать у человека, заведомо имеющего больше этого числа знакомств? Наше плавание к дальнему берегу озера соответствует в этом случае достижению конца списка знакомств такого человека. Таким образом, мы предполагаем, что в дополнение к уже известным нам 150 знакомым у него есть еще 150, а всего 300. А если мы знаем, что у кого-то больше 500 знакомых, можем предположить, что у него – или у нее – по меньшей мере еще 500.

Даже при использовании модели безмасштабной сети есть один параметр, который мы еще не учитывали: в случае личных отношений коэффициент пропорциональности может не быть равен 1, в отличие от примера с нашими воображаемыми озерами. Он может быть больше или меньше, смотря по тому, как именно мы построили распределение.

Возьмем другой пример: исследования показывают, что в сети знакомых, вступающих в сексуальную связь, – при учете лишь гетеросексуальных контактов, – этот коэффициент ближе к двум, а может быть, и немного больше. Правда, получение точных данных затрудняется тем фактом, что мужчины в среднем сообщают о семи половых партнерах, а женщины – всего о четырех. Это число должно быть одинаковым для обоих полов; вероятно, мужчины его преувеличивают, а женщины – преуменьшают. Также можно отметить, что в выборку были включены проститутки и «эротоманы», и это могло исказить результаты опроса – но лишь в ограниченной мере, так как по данным исследований большое различие в ответах порождается реальными когнитивными искажениями у обоих полов[97]97
  Newman (2010).


[Закрыть].

В любом случае установлено, что и для мужчин, и для женщин значение коэффициента составляет около 2. Следовательно, если мы знаем, что у некоторого человека было по меньшей мере четыре половых партнера, можно предположить, что их у него было еще восемь. Отметим, что это всего лишь ожидаемое значение; суммарное число действительно может быть равно четырем, но может достигать и десяти или более: утверждается просто, что среднее число дополнительных партнеров равно восьми. А если мы знаем, что у кого-то было не меньше десяти партнеров, то у этого человека (в среднем) их было приблизительно на двадцать больше. Интересно, что, если мы исключим из рассмотрения проституток и страдающих (или наслаждающихся) нимфоманией или сатириазом, коэффициент пропорциональности в сети партнеров, вступающих в сексуальную связь, падает приблизительно до 1.

Такие коэффициенты пропорциональности характерны для безмасштабных сетей и могут быть равны любому положительному числу. Назовем коэффициент пропорциональности для некоторой безмасштабной сети фактором Мандельброта этой сети. Таким образом, у любой безмасштабной сети есть фактор Мандельброта, и это число определяет основные характеристики этой сети. Математики обычно используют для описания сетей не коэффициенты пропорциональности, а степенные показатели, потому что с ними легче производить вычисления[98]98
  Чаще всего используется показатель Парето; см. Adamic and Huberman (2002); Simonovits (2015); Newman (2005); Diamond and Saez (2011).


[Закрыть]. Но мы оставим свой коэффициент пропорциональности, чтобы не забираться в высшую математику.

Все это касается не только безмасштабных сетей, но и всех типов масштабной инвариантности – например, земель или озер. Чем выше фактор Мандельброта земельного участка или озера, тем большее расстояние нам предстоит преодолеть, чтобы добраться до его противоположного края, и мы должны быть к этому готовы.

Предположим на минуту, что доходы (по меньшей мере по-настоящему большие) масштабно-инвариантны. Допустим, мы знаем, что годовой доход некой госпожи Счастливцевой составляет не меньше $1 млн, но точная сумма нам неизвестна. Если фактор Мандельброта для крупных доходов равен 2, то можно предположить, что наша состоятельная знакомая получает $2 млн дополнительного дохода, то есть всего $3 млн. Однако следует помнить, что речь тут идет о предполагаемых суммах. Возможно, г-жа Счастливцева действительно зарабатывает всего $1 млн в год, а может быть, все $10 млн или даже больше. А если мы знаем, что господин Богатей имеет доход не менее $10 млн, мы можем предположить, что его доход может составлять около $30 млн, опять же с широким возможным разбросом.

Тут я должен попросить извинения у Вильфредо Парето, формулу которого я назвал в главе 5 похожей на произведение шарлатана. На самом деле та формула, которую Парето использовал в попытке описать распределение доходов, однозначно определяет фактор Мандельброта (хотя преобразование оказывается на практике весьма сложным). Я отмечал, что, в отличие от логнормального распределения, формула Парето не связана сколько-нибудь осмысленным образом с другими достижениями математики и представляет собой чисто искусственное построение. Если бы во времена Парето были известны безмасштабные сети, эта оценка была бы совершенно несправедливой. Тем не менее формула Парето работает мучительно плохо в приложении к доходам ниже среднего, так что, возможно, нам не следует вовсе отказываться от такой суровой оценки, хотя Парето, сам того не зная, и предугадал науку о безмасштабных сетях.

Однако для доходов чрезвычайно высоких формула Парето дает лучшее приближение, чем логнормальное распределение, о котором мы весьма подробно говорили в главе 5. Средние и низкие доходы хорошо моделируются логнормальной кривой, и даже доходы сравнительно высокие с хорошей точностью можно считать распределенными логнормально, но с необычайно высокими доходами дело обстоит иначе. Это явление заставляет предположить, что, хотя доходы по большей части относятся к миру Тихонии, высокие доходы существуют по законам Диконии.

Американский экономист Эдвард Пол Лейзир предложил удивительное объяснение этого явления[99]99
  Lazear (1997).


[Закрыть]. Чрезвычайно высокие доходы, утверждал он, определяются совершенно другими факторами, нежели доходы более низкие. Генеральный директор крупной фирмы зарабатывает $10 млн в год не потому, что он приносит фирме такую высокую прибыль. Его зарплата устанавливается на столь высоком уровне, чтобы стимулировать конкуренцию среди сотрудников высшего эшелона – потому что один из них, возможно, в один прекрасный день станет новым генеральным директором, – и это побуждает их работать с максимальной отдачей. Таким образом, генеральный директор получает свою астрономическую зарплату не потому, что лично ее заработал, и даже не потому, что лично мотивирует других работников, а в качестве награды за победу в соревновании за положение вожака стаи. Если высокая зарплата гендиректора действительно мотивирует нижестоящих сотрудников, это делает ее целесообразной с точки зрения акционеров, даже если сам директор мало что делает в интересах фирмы, – хотя благодаря тем качествам, которые потребовались ему для достижения этой должности, он, скорее всего, все равно служит на благо компании.

Даже если Лейзир прав и генеральным директорам назначают такие большие зарплаты, чтобы стимулировать конкуренцию среди руководителей чуть более низкого эшелона, вероятно, существует и еще одна сила, поднимающая эти зарплаты до столь астрономических уровней. Как мы видели в предыдущей главе, одна только экстремально обостренная конкуренция легко может создать диконские условия. Конкуренция, порожденная несколько более высокими зарплатами генеральных директоров, может привести к появлению еще более высоких зарплат генеральных директоров, что порождает еще более острую конкуренцию, которая приводит к еще большему увеличению зарплат. В то же время зарплаты большинства работников устанавливаются законами Тихонии и, следовательно, подчиняются логнормальному распределению, а зарплаты высшего руководства, определенные законами Диконии, регулируются масштабной инвариантностью. Возможно, именно этим соображением руководствовались швейцарские избиратели на референдуме в ноябре 2013 года, когда провалили законопроект об ограничении зарплат руководящих работников[100]100
  О швейцарском референдуме см., например, http://www.wsj. com/articles/SB10001424052702304011304579217863967104606.


[Закрыть]. Вероятно, избиратели увидели в этом законопроекте попытку ниспровергнуть законы Диконии и решили, что его принятие было такой же глупостью, как принятие закона о снижении температуры кипения воды.

В начале этой книги, когда мы впервые столкнулись с мирами Тихонии и Диконии, мы использовали распределение Гаусса для описания Тихонии и распределение Коши для описания Диконии. На илл. 5 мы сравнили графики этих двух распределений и увидели, что кривая Гаусса приближается к оси x гораздо быстрее, чем кривая Коши, что «хвост» распределения Коши гораздо толще, чем у распределения Гаусса, и что кривая Коши тоньше и острее в середине.

С вашего разрешения я еще раз воспроизведу здесь илл. 5, чтобы ваша книга не слишком растрепалась от постоянного перелистывания взад и вперед (илл. 21). Выше мы отмечали, что радикальное различие между Тихонией и Диконией есть следствие небольшого, как кажется, математического различия между двумя распределениями. Вам, возможно, приходил в голову следующий вопрос: если нам удалось создать настолько разные миры на основе двух просто описываемых математических кривых, то почему бы не построить третью кривую, лежащую где-то между первыми двумя, чтобы создать мир, свойства которого будут промежуточными между распределениями Гаусса и Коши? Если такая мысль действительно вас посещала, значит, вы хорошо чувствуете математическое мышление. На самом деле все распределения, описывающие связи между вершинами безмасштабных сетей, оказываются где-то между Гауссом и Коши. Если Тихония характеризуется распределением Гаусса, а Дикония – распределением Коши, то масштабно-инвариантные математические объекты находятся где-то в промежутке между этими двумя случаями.

Чем меньше фактор Мандельброта безмасштабной сети, тем более распределение связей между ее вершинами приближается к распределению Гаусса. Другими словами, малые значения фактора Мандельброта соответствуют более тихим сетям. Тем не менее безмасштабная сеть никогда не бывает настолько тихой, чтобы стать предсказуемой; она всегда остается хаотичной. Тихая безмасштабная сеть описывает сравнительно тихий хаос. Верно и обратное: чем больше фактор Мандельброта сети, тем ближе распределение связей между ее вершинами оказывается к распределению Коши. Это означает, что в более диких сетях узлы крупнее, чем в более тихих.

Илл. 21. Сравнение распределений Гаусса и Коши

(График Йожефа Бенце)

Переход между распределениями Гаусса и Коши становится особенно интересным, если попытаться выяснить, имеет ли промежуточное распределение стандартное отклонение. Из того, о чем мы говорили раньше, мы помним, что у распределения Гаусса есть стандартное отклонение, а у распределения Коши его нет. Математически доказано, что у масштабно-инвариантных распределений, фактор Мандельброта которых меньше 1, есть хорошо определенное стандартное отклонение, а те, фактор Мандельброта которых больше или равен 1, его не имеют[101]101
  Для читателей, более искушенных в математике, уточним, что фактор Мандельброта, равный 1, соответствует показателю Парето, равному 2.


[Закрыть]. Это показывает, что весь диапазон от тихого до дикого действительно занимают безмасштабные сети. Тем не менее всякая безмасштабная сеть хаотична.

В главе 7, которая называлась «Математика непредсказуемого», я дал очень узкое определение хаоса и отметил, что существуют объекты даже более хаотичные, чем те, которые удовлетворяют нашему определению хаоса. То же можно сказать и о безмасштабных сетях. Если, например, число соединений, исходящих из каждой вершины, определяет наша снайпер Фиби, то сеть уже не будет ни безмасштабной, ни хаотической в смысле нашего определения. Получится нечто гораздо более беспорядочное. Как мы увидим в дальнейшем, в реальном мире существуют сети, не относящиеся к безмасштабным и гораздо более хаотические, чем те, которые к этому разряду относятся.

Масштабно-инвариантный мир хаотичен по самой своей природе, так что ему определенно нет места в Тихонии. Как мы видели, масштабная инвариантность бывает свойственна не только сетям, но и облакам, снежинкам, кротовым ходам, папоротнику, готической архитектуре, финансовым рынкам и многим другим природным и социальным явлениям. По сравнению с Тихонией масштабно-инвариантный мир хаотичен, непредсказуем и экстремален, даже в самой «тихой» своей форме, а именно в ситуациях, в которых фактор Мандельброта близок к 0. В то же время самые «дикие» формы масштабной инвариантности, с фактором Мандельброта, равным 2 или даже больше того, представляют собой сравнительно тихие формы Диконии. По меньшей мере в них действует некий руководящий принцип – масштабная инвариантность.

Масштабно-инвариантному миру присуща своего рода умеренная или тихая дикость: в нем уже не действуют законы Тихонии, но и полноценная дикость Диконии до некоторой степени сдерживается организующим принципом. Более того, и в этом тихо-диком мире есть части более тихие и более дикие. В более тихих частях фактор Мандельброта меньше 1, в то время как у более диких, в которых этот фактор больше 1, даже нет стандартного отклонения. Если фактор Мандельброта α меньше 1, то, по мере того как мы исследуем связи некой вершины, потом – связи всех вершин, соединенных с первой, потом – связи каждой новой вершины и так далее, доля известных нам вершин растет и асимптотически приближается к 100 %. Чем меньше значение α, тем быстрее наше знание о сети приближается к стопроцентному.

Если α = 1, наше знание о данной вершине остается постоянным: доля неизвестных нам связей остается приблизительно неизменной, и число открытых новых вершин приблизительно равно числу вершин уже исследованных.

Если α > 1, то чем больше связей какой-либо вершины мы исследуем, тем больше становится доля еще не исследованных вершин. Доля известных нам соединений падает и асимптотически приближается к 0 %, потому что у вершины обнаруживаются все новые и новые связанные вершины, по большей части нам неизвестные, причем быстрее, чем мы успеваем их исследовать. Чем больше значение α, тем быстрее доля известного нам приближается к 0 %.

Фактор Мандельброта – очень изящная математическая концепция. Теоретически он представляет собой точную меру «дикости» той или иной сети. К сожалению, рассчитать этот фактор для каждой конкретной сети очень трудно, потому что это вычисление требует огромного объема данных, а в реально встречающихся сетях данные могут быть неточными и противоречивыми. Тем не менее некоторые исследователи берутся за решение этой задачи, и в нескольких недавних научных работах описываются попытки оценки фактора Мандельброта для безмасштабных сетей реального мира. В большинстве таких статей приводятся оценки какого-нибудь другого параметра сети, который можно использовать для определения фактора Мандельброта.

Некоторые из этих результатов представлены в верхней части таблицы 1 на с. 198. Поскольку реальные значения фактора Мандельброта невозможно привести с высокой точностью, я не даю никаких конкретных численных оценок. Вместо этого я разбил сети на три группы: те, у которых фактор Мандельброта существенно меньше 1 (слабо хаотичные), те, у которых он близок к 1 (пограничное состояние с точки зрения наличия или отсутствия стандартного отклонения), и те, у которых этот фактор существенно превышает 1 (следовательно, у них даже в теории не существует стандартного отклонения). Так как оценки приблизительны, принадлежность сетей к этим группам не следует считать абсолютно точной. Тем не менее эта таблица дает хорошее представление о степени дикости хаоса в различных областях.

В нижней части таблицы я перечислил несколько явлений, не относящихся к сетям, но имеющим приблизительно масштабно-инвариантное распределение, – как это было с озерами в начале этой главы. Эти примеры показывают, что масштабная инвариантность проявляется не только в структуре сетей и завораживающих геометрических свойствах фракталов, но и во многих других формах. Из таблицы можно увидеть, насколько хаотичными могут быть некоторые явления в биологии, социальных взаимодействиях, технике и экономике. Например, биологическая пищевая цепочка не относится к Тихонии, но тем не менее обладает очень слабой хаотичностью. Сеть сексуальных связей находится в противоположном конце спектра. Она даже более хаотична, чем могло бы предположить большинство людей, – хотя, если исключить из рассмотрения случаи проституции, а также сатириаза и нимфомании, оставшаяся сеть хорошо укладывается во вторую группу, что соответствует достаточно высокому уровню хаотичности.

Таблица 1. Порядок величины фактора Мандельброта для некоторых сетей и явлений

Возможно, покажется удивительным, что факторы Мандельброта природных и человеческих сетей часто близки к 1. Стоит отметить, что принцип Парето (или правило 80/20), который я описал в главе 5, справедлив при факторе Мандельброта, равном 1 (или чуть меньше). Следовательно, имеющиеся у нас сейчас результаты лишний раз подтверждают правило 80/20 и помогают определить область его действия.

Что касается случаев, в которых фактор Мандельброта больше 1, то несколько сетей и явлений, которые мы раньше считали – исходя из веских теоретических оснований – масштабно-инвариантными, оказываются в категории феноменов еще более экстремальных. Например, область человеческих талантов справедливо отнести не к умеренно дикому миру, но к миру истинно дикому, и для ее описания мы используем распределение Коши. Талант может проявляться множеством поразительно разных образов, и диапазон талантливости конкретных людей может быть на удивление широким.

Такого же рода дикость обнаруживается в списках адресатов электронной почты; они образуют сеть даже не масштабно-инвариантную, а еще более хаотичную. Это особенно интересно, потому что из нашей таблицы видно, что сам обмен сообщениями электронной почты оказывается безмасштабным, и его фактор Мандельброта не особенно велик. Гораздо более хаотичная сеть образуется за счет адресатов, с которыми мы на самом деле не переписываемся, но которые каким-то образом оказываются в нашей адресной книге. Эта более дикая сеть не фигурирует в таблице. В число других явлений, слишком диких для классификации в этой таблице, входят масштабы лесных пожаров и численность видов птиц в Америке. Дикость их распределений оказывается выше безмасштабного уровня[102]102
  Newman (2005).


[Закрыть].

В Диконии есть сравнительно тихие – или тихо-дикие – территории, которые, в свою очередь, могут быть умеренно дикими в разной степени; этот диапазон отражается в соответствующих значениях фактора Мандельброта. Некоторые из этих территорий настолько тихи, что у соответствующих им явлений даже есть стандартное отклонение; другие могут быть настолько более дикими, что ни о каком стандартном отклонении не может быть и речи. Но у всех умеренно диких областей есть общий руководящий принцип – масштабная инвариантность.

Однако в областях по-настоящему диких не только не действуют такие основополагающие понятия статистики, как стандартное отклонение, но исчезает и масштабная инвариантность явлений. Пока что мы не знаем никакого общего руководящего принципа, который позволил бы найти хотя бы приблизительное численное выражение таких явлений. Некоторые из них достаточно хорошо моделируются распределением Коши, но само это распределение слишком дико, чтобы из него можно было получать сколько-нибудь полезные на практике предсказания.

В главе 7 мы увидели в теории хаоса луч надежды на возможность получения предсказаний. Хотя события в хаотической системе непредсказуемы, вероятность того, что некоторое определенное явление произойдет в течение заданного времени, поддается вычислению. Однако оказалось, что в вероятности появления необычных событий мало практического толку, и мы оставили надежду на получение полезных предсказаний. Тем не менее теория хаоса полезна тем, что помогает нам примириться с возможностью появления «черных лебедей» и подготавливает нашу реакцию на их возникновение. А они, вне всякого сомнения, будут возникать. Но постоянная настороженность в ожидании таких событий внесла бы полную сумятицу в нашу более или менее тихонскую повседневную жизнь. Именно поэтому эта книга посвящена не только «черным лебедям», но и чудесам всех видов. У нас за плечами накопленный за несколько тысячелетий опыт сосуществования с чудесами меньшего калибра, так что к ним мы готовы гораздо лучше, чем к «черным лебедям». Модели Тихонии и Диконии, дающие некоторое представление о принципах существования этих миров, помогают нам подготовиться к столкновению с чудесами, продолжая нашу повседневную, по большей части лишенную чудес жизнь – которую мы в основном проживаем в Тихонии, иногда на ее окраинах и лишь изредка забредая в тихо-дикие части Диконии.