ГЛАВА 29

ОПИОИДЫ, НЕРАВЕНСТВО И СМИРЕНИЕ

Все сложно; если бы это было не так, жизнь, поэзия и все остальное было бы скучным.

Уоллес Стивенс

Итак, мы успешно добрались до заключительной главы, в которой применим многомодельное мышление к анализу двух важных политических проблем — эпидемии опиоидов и экономического неравенства. Мы покажем, как использование нескольких моделей помогает лучше их осмыслить и объяснить, почему обе так трудно поддаются решению. Мы также попробуем разобраться, как (особенно в случае опиоидов) эксперты могли бы использовать многомодельный подход, чтобы предвидеть кризис до его наступления. Наш анализ эпидемии опиоидов носит поверхностный характер и служит только в качестве эталонной схемы применения многомодельного подхода в процессе анализа предложенного курса действий или мероприятия. Мы не собираем данные и не калибруем модели, а, скорее, применяем их на качественном уровне, чтобы глубже вникнуть в суть происходящего.

Однако наш анализ экономического неравенства более детальный и теснее связан с академической литературой. Он представляет другую сторону многомодельного мышления, где мы активно задействуем широкий круг моделей. В обоих случаях многомодельное мышление делает нас осведомленнее и мудрее. Глава заканчивается кратким рассуждением о необходимости смирения. Модели могут сделать нас мудрее, но сложные системы по определению трудно прогнозировать и осмысливать, а значит, ошибки неизбежны. Но мы можем учиться на них, чтобы стать еще мудрее.

МНОГОМОДЕЛЬНОЕ МЫШЛЕНИЕ И ЭПИДЕМИЯ ОПИОИДОВ

Для того чтобы вы могли составить представление о масштабе эпидемии опиоидов, приведем некоторые данные. Согласно одной из оценок, в 2015 году в штате Массачусетс более 4 процентов населения старше 11 лет страдали расстройством, связанным с употреблением опиоидов. В 2016 году в масштабах страны врачи выписали более 200 миллионов рецептов на опиоиды, от 10 до 12 миллионов человек злоупотребляли опиоидами, более чем двум миллионам человек был поставлен диагноз «расстройство, связанное с употреблением опиоидов», и более 30 000 человек умерли от связанных с опиоидами причин.

Основная причина выдачи такого количества рецептов состояла в эффективности опиоидных препаратов: они облегчают боль. Учитывая, что 100 миллионов американцев испытывают хроническую боль, у опиоидов был огромный потенциальный рынок. Безусловно, опасность возникновения зависимости от опиоидов существовала. Для того чтобы понять, как опиоиды были одобрены и как возникла эпидемия, мы используем четыре модели для получения важных интуитивных выводов относительно того, как разразился кризис.

Первая модель, модель многорукого бандита, объясняет, почему опиоиды были одобрены к применению. При получении разрешения на лекарственный препарат фармацевтическая компания проводит клинические испытания, чтобы продемонстрировать эффективность препарата и отсутствие вредных побочных эффектов. Мы можем смоделировать клинические испытания в виде задачи о многоруком бандите, в которой одна рука соответствует назначению нового лекарства, а другая — назначению плацебо или существующего лекарства.

В случае любого лекарственного препарата вероятность привыкания вызывает беспокойство. Испытания показали, что в зависимость от опиоидов по­пало немного пациентов (менее одного процента), что позволило одобрить препараты. Однако испытания не учли того, что врачи будут выписывать рецепты на более длительный срок, иногда на месяц. Чем дольше человек принимает опиоиды, тем выше вероятность развития зависимости. Фактический уровень зависимости от опиоидов превысил 2,5 процента для пациентов, принимавших препараты более длительное время. Представленная во врезке модель Маркова показывает, как повышение уровня с 1 до 2,5 процента может впятеро увеличить равновесное количество пациентов, попавших в зависимость от опиоидов.

Вероятности перехода из одного состояния в другое только приближенно откалиброваны с учетом данных. Мы используем эту модель для получения интуитивного представления о том, как относительно небольшой уровень зависимости может привести к существенному увеличению количества зависимых людей. Поэкспериментировав с моделью, мы обнаружим, что при снижении вероятности выхода из состояния зависимости и повышении вероятности перехода из состояния отсутствия боли в состояние приема опиоидов доля людей, попавших в зависимость от опиоидных препаратов, может резко увеличиться. Например, если во второй модели снизить переход от отсутствия боли к зависимости до 1 процента, доля попавших в зависимость достигнет 35 процентов. Одним из последствий модельного мышления такого типа стало то, что некоторые поставщики медицинских услуг, такие как «Голубой крест», начали ограничивать количество препаратов, которые может выписывать врач. Кроме того, в ряде штатов, в том числе в Мичигане, приняли законы, ограничивающие количество препаратов в одном рецепте.

Наша третья модель основана на системной динамике и, так же как и модель Маркова, исходит из того, что есть люди, не испытывающие боли, люди, принимающие опиоиды, и люди, больше не испытывающие боли. Однако вместо того чтобы записывать вероятности перехода между этими состояниями, данная модель отображает поток от состояния боли к приему опиоидов и отсутствию боли. Более сложные модели системной динамики могут включать поставщиков других наркотиков и допускать переход от приема опиоидов к употреблению героина. Кроме того, более подробная модель может включать разнородные типы потенциальных потребителей. Следовательно, она может учитывать тот факт, что люди, страдающие от тревожности и депрессии, с большей вероятностью попадут в зависимость от опиоидов .

Последняя модель, которую мы формально не описываем, использует сети социальных связей для объяснения того, почему карты потребления опиоидов на душу населения демонстрируют наличие кластеризации в сельской местности. Из анализа правил квадратного корня мы узнали, что в более мелких совокупностях должна иметь место более высокая вариация. (Вспомните пример, в котором рассказывалось, что небольшие школы показывают лучшие и худшие результаты.) Более высокий уровень употребления опиоидов в сельских районах может также объясняться тем, что врачи выписывают сельским пациентам рецепты на более длительный период ввиду отсутствия поблизости аптек. Если оставить в стороне эти объяснения, то кластеризация превышает уровень, который мог бы сформироваться случайно.

Кластеризация может возникнуть, если люди дают или продают опиоиды соседям. В отличие от подержанной мебели, которую люди продают, размещая объявления, опиоиды чаще всего продаются через личные связи. Модель продажи опиоидов подразумевает сеть социальных связей членов семьи и их друзей, в рамках которой люди распространяют опиоиды. Такая модель позволяет обнаружить локальные кластеры людей, злоупотребляющих опиоидами, на основе данных .

МНОЖЕСТВО МОДЕЛЕЙ НЕРАВЕНСТВА

Наш последний пример применения многомодельного подхода довольно глубоко раскрывает причины экономического неравенства. Мы фокусируемся на этой теме по трем причинам. Во-первых, неравенство — одна из самых актуальных политических проблем современности. Доход и богатство соотносятся с процветанием человека. У людей с более высоким доходом крепче здоровье, выше продолжительность жизни и уровень счастья. Среди тех, кто находится в нижней части шкалы распределения доходов, более высокий уровень насильственных смертей, разводов, психических заболеваний и тревожности . Не следует путать корреляцию с каузацией: существенная часть корреляции объясняется тем фактом, что более здоровые и счастливые люди зарабатывают больше. Тем не менее практически все исследования указывают на связь между доходом и процветанием. Никто не стремится быть беднее. Во-вторых, есть масса моделей неравенства, составленных экономистами, социологами, политологами и даже физиками и биологами, которые использовали для их разработки разные инструменты. В-третьих, мы располагаем большим объемом данных о доходе и богатстве внутри страны и за ее пределами. Кроме того, у нас есть данные как за нынешний период, так и временные ряды, охватывающие столетия.

Сначала мы кратко опишем некоторые эмпирические закономерности. Во-первых, во всех странах во все времена распределение доходов имело вытянутый хвост, то есть в нем много малообеспеченных людей и небольшой процент состоятельных. В прошлом распределение доходов соответствовало логнормальному распределению или распределению Парето. В последнее время более подробные данные показывают, что хвост такого распределения длиннее хвоста логнормального распределения, хотя и не достигает длины хвоста степенного распределения. В распределении богатства наблюдается аналогичный перекос.

Во-вторых, в наиболее развитых странах уровень неравенства в распределении доходов и богатства, как бы он ни измерялся, в последние десятилетия рос. Нынешний уровень неравенства в распределении доходов и богатства в США приближается к уровню позолоченного века. Поскольку изменения во всем распределении обнаружить сложно, мы, в соответствии с принятыми соглашениями, опишем их с учетом доли дохода, которая приходится на верхнюю часть хвоста распределения. На рис. 29.1 показано, как 0,1 процента самых богатых людей увеличили свою долю дохода. Доля дохода 0,1 процента самых богатых семей постепенно сокращалась вплоть до 1950 года, а затем стабилизировалась на уровне 4 процентов и оставалась такой примерно до 1980 года, после чего начала стремительно расти. В 2018 году доля совокупного богатства этих суперсостоятельных людей составляла 10 процентов.

В-третьих, в мировом масштабе количество людей, живущих в условиях нищеты, резко сократилось. Между этими противоположными тенденциями нет логического противоречия. Быстрый рост доходов в бедных странах сокращает различия между странами и с избытком компенсирует рост неравенства внутри стран. Наша модель группового отбора обеспечивала аналогичные результаты. Рост количества альтруистических сообществ превосходил склонность к эгоизму в пределах каждого сообщества.

Неравенство обусловлено множеством взаимосвязанных причин. Экономические факторы, социологические тенденции, применение политической власти и бремя истории — все это усиливает неравенство. В связи с этим, как подчеркивает Стивен Дурлауф, мы не должны пытаться объяснить уровни или тенденции формирования неравенства с помощью одного уравнения. Не следует также выстраивать политику в соответствии с этим уравнением . Необходимо придерживаться более гибкого подхода. Процесс концентрации богатства и дохода в руках 1 или 0,1 процента самых состоятельных людей может не иметь отношения к факторам, удерживающим 20 процентов бедных людей в порочном круге нищеты. Для того чтобы понять различные причины, следует использовать множество моделей.

Сначала опишем модели, объясняющие изменение распределения дохода. Доход поступает из четырех источников: заработная плата, доход от бизнеса, доход от капитала и прирост капитала. Относительный размер доли этих источников зависит от уровня дохода. Люди с низким уровнем дохода получают мало дохода от прироста капитала или дохода на капитал. Многие люди с высоким уровнем дохода получают значительный доход из каждого источника — заработной платы, бизнеса и капитала.

Наша первая модель расширяет производственную модель Кобба-Дугласа, поскольку включает два типа труда: квалифицированный и неквалифицированный. Оплата труда определенного типа зависит от относительного предложения труда этого типа и от технологии . Модель объясняет наблюдающееся в последнее время усиление неравенства с учетом спроса и предложения. В 1950-х годах развитие промышленного производства обусловило повышение спроса на неквалифицированных работников. При этом рост численности студентов колледжей, отчасти обусловленный Законом о правах военнослужащих, увеличил предложение квалифицированных работников. В 1980-х годах уменьшение стимулов к получению высшего образования замедлило увеличение числа выпускников колледжей, а последующий приток иммигрантов с низким уровнем образования увеличил численность малоквалифицированных работников. В то же время технический прогресс (появление автоматизированного производства и переход к цифровой экономике) повысил относительную ценность квалифицированных работников, которую отображал рост их заработной платы.

Временные ряды данных о среднем доходе по уровням образования согласуются с этой моделью достаточно хорошо, поэтому многие экономисты используют ее для формирования политики. Модель отстаивает расширение доступа к образованию, поскольку это способствует снижению заработной платы квалифицированных работников и сокращению неравенства. Модель хорошо объясняет общие тенденции, но не может объяснить роста вариации в пределах каждой категории доходов.

Следующая модель, модель положительной обратной связи, может объяснить рост вариации в рамках профессий. Она фокусируется на хвосте распределения, в частности на предпринимателях. В 2011 году предприниматели составляли 70 процентов от 400 самых богатых людей в США . Модель предполагает, что технологии (в особенности интернет и смартфоны) сделали нас гораздо связаннее и более подверженными влиянию выбора других . Человек, покупающий беспроводные стереодинамики, может прочитать в интернете отзывы и выбрать лучший из десятков вариантов. В прошлом же у человека в основном был единственный вариант выбора в местном магазине. Теперь же человек, вывихнувший колено, может найти в интернете имя врача своего любимого спортсмена. Такое поведение создает положительную обратную связь и усиливает неравенство. Мы смоделируем экономический выбор под влиянием социальной среды, применив модель предпочтительного присоединения для описания модели, связывающей положительную обратную связь с талантом.

Хотя модель положительной обратной связи не согласуется с временным рядом данных столь же точно, как в случае предыдущей технологической модели, мы можем обратиться к экспериментам, чтобы понять, как обратная связь способствует усилению неравенства. Вспомните музыкальные лабораторные эксперименты, описанные в . Студенты колледжей выбирали и загружали музыку при двух вариантах условий эксперимента. В первом варианте студенты не знали, какие песни скачивают другие. Эти условия описывают мир до наступления эпохи интернета. Во втором варианте студенты видели, сколько загрузок приходится на каждую песню. В варианте без социальной информации ни одна песня не получила более двухсот загрузок и только одна песня получила меньше тридцати загрузок. Когда участники эксперимента видели данные о скачиваниях, одна песня получила более трехсот загрузок и более половины песен меньше тридцати загрузок. Информация и влияние социальной среды усиливают эффект Матфея. Богатые становятся еще богаче, а бедные — относительно беднее.

Эту же логику можно применить к экономике в целом . Вероятность усиления неравенства в результате формирования положительной обратной связи через сети социальных контактов отчасти зависит от характера того, что покупают люди. Товары, не имеющие веса, такие как загрузки фильмов или музыки, веб-приложения и некоторые технологии, поддаются быстрому, чуть ли не мгновенному масштабированию. Тракторы, автомобили и стиральные машины невозможно скопировать, кликнув на иконке. Следовательно, тогда как новое приложение для смартфона можно масштабировать при малых или нулевых затратах капитала, в случае популярного автомобиля это невозможно. В качестве иллюстрации приведем пример. В мае 2015 года компания Volvo объявила о выпуске седана S60 в Южной Каролине, а в сентябре начала строительство завода, рассчитывая, что первые автомобили сойдут с конвейера в конце 2018 года.

Наша следующая модель использует модель пространственного голосования для объяснения роста оплаты труда CEO, который не зависит от социальных факторов. В 2012 году средний доход CEO компаний из списка Fortune 500 превышал 10 миллионов долларов, что примерно в 300 раз больше среднего заработка работника. Для сравнения: в 1996 году зарплата CEO была всего в 25 раз больше средней заработной платы работника. В других странах CEO зарабатывают гораздо меньше. Скажем, в Японии примерно в 10 раз больше среднего работника. В Канаде и во всех странах Европы зарплата CEO примерно в 20 раз превышает среднюю заработную плату работника.

В большинстве компаний заработок CEO устанавливает комитет по оплате труда, состоящий из членов совета директоров. Этот заработок включает заработную плату, бонусы и фондовые опционы. Как правило, люди, определяющие оплату труда CEO — это другие CEO, которые заинтересованы в высоком заработке коллег, поскольку это повысит их собственный заработок. Мы можем использовать пространственную модель для представления предпочтений членов комитета по оплате труда. Согласно пространственной модели, заработная плата будет установлена на уровне предпочтений медианного участника голосования. Различия в оплате труда CEO по странам можно объяснить составом советов директоров и комитетов по оплате труда. В Германии в совет директоров входят работники, и они предпочитают, чтобы CEO получали меньше.

Эта модель объясняет рост оплаты труда CEO с учетом предпочтений совета директоров относительно ее размера. Здесь мы можем вернуться к множеству моделей ценности. Вполне возможно, предпочтения членов комитета по оплате труда могут зависеть от модельного мышления, основанного на данных. С другой стороны, они могут быть социально сконструированными или являться частью тщательно продуманной практики взаимной поддержки, когда CEO фактически голосуют за повышение оплаты труда друг друга.

Наша следующая модель неравенства в распределении доходов взята из бестселлера Тома Пикетти Capital in the Twenty-First Century. Это даже не модель, а скорее подмеченная тенденция, что доходность капитала превышает темпы прироста капитала. Когда это происходит, доля дохода, которую получают люди с высоким уровнем дохода за счет доходности капитала, со временем увеличивается. Построив более сложные версии моделей роста из , можно продемонстрировать, что доходность капитала всегда должна превышать темпы роста экономики в целом. В долгосрочном периоде рост экономики может составлять менее 2–3 процентов, тогда как доходность капитала может вдвое превышать этот показатель.

Из этого следует, что в экономике, где работники получают заработную плату, а капиталисты — рентный доход, доля капитала, которая приходится на капиталистов, увеличивается. А если более формально, то темпы прироста капитала зависят от трех показателей: нормы потребления, ставки налогообложения и доходности капитала. Потребление зависит от уровня капитала. Человек с небольшим капиталом потребляет существенную долю своего дохода. Человек, владеющий значительным объемом капитала, потребляет небольшую долю дохода. Как формально показано в представленной ниже врезке, если сделать уровень потребления неизменным, норма потребления будет равна этой величине, деленной на уровень капитала. Следовательно, у более богатых людей норма потребления будет ниже, что повышает вероятность увеличения их чистого капитала.

Для того чтобы увидеть, как разница между этими показателями порождает неравенство, можно применить правило 72. Если изначально доход работников равен доходу капиталистов, а заработная плата растет на 2 процента, тогда как капитал на 6 процентов, то через тридцать шесть лет заработная плата удвоится, а доход от капитала увеличится в 8 раз. За семьдесят два года капиталисты получат доход, в шестьдесят четыре раза превышающий доход работников.

Пикетти применяет эту модель для объяснения долгосрочных тенденций формирования неравенства в распределении доходов и богатства. Она очень хорошо согласуется с данными о ситуации во Франции и Англии за три столетия, а кроме того, проливает свет на закономерности формирования неравенства в США и Европе за прошедшее столетие. В частности, в Европе две мировые войны разрушили акционерный капитал, сгладив распределение дохода и капитала. Одна из причин столь высокой согласованности модели с данными — то, что в ней опущены два эффекта, которые сводят друг друга на нет. Исключив из рассмотрения предпринимателей, модель недооценивает неравенство. Предполагая, что все последующие поколения капиталистов делают разумные инвестиции (хотя это не так), модель переоценивает вклад накопления капитала в усиление неравенства. Формирование нового и потеря старого класса богатых людей не обязательно должны уравновешиваться. Более детальная модель учитывала бы переход в класс богатых и выход из него.

Если оставить в стороне эту оговорку, то данная модель позволяет сделать вывод, что пока увеличивается капитал, капиталисты получают все большую долю экономического пирога. Продолжив применять правило 72, мы обнаружим, что со временем доход капиталистов существенно превзойдет доход работников. У проблемы накопления капитала есть простое решение: ввести налог на богатство (что может быть политически невозможно). В качестве альтернативы можно дождаться войны или революции, чтобы силой перераспределить богатство, или технологических прорывов, в результате которых сформируется новая совокупность богатых капиталистов.

В следующих двух моделях основное внимание уделяется социологическим факторам. Обе модели имеют серьезное эмпирическое обоснование. Первая объясняет рост неравенства в связи с ассортативностью (неслучайным выбором парт­неров). Доход семьи зависит от заработка обоих супругов. Если человек с низким уровнем доходов вступает в брак с человеком с высоким уровнем доходов, то такой брак способствует выравниванию распределения доходов. Если люди с высоким уровнем доходов вступают в брак с людьми с высоким уровнем доходов, разрыв в доходах будет увеличиваться. Большинство людей женятся в таком возрасте, когда точно определить, какие доходы будут у потенциального партнера на протяжении жизни, невозможно. Но люди все же знают уровень образования и общее состояние здоровья потенциальных партнеров, а также получают сигналы об их амбициях. Практика показывает, что по мере того как мужчины и женщины становятся образованнее и обеспеченнее (вспомните модель технологий и человеческого капитала), они выбирают спутников жизни с более высоким уровнем образования.

Усиление неравенства обусловлено следующими факторами. Во-первых, все больше женщин получают высшее образование. Во-вторых, относительный уровень дохода растет вместе с уровнем образования. В-третьих, образованные мужчины и женщины предпочитают образованных партнеров. Из всего этого следует, что семьи с двумя образованными супругами с большей вероятностью имеют два высоких дохода, что способствует усилению неравенства доходов на уровне домохозяйств. Эта логика безупречна. Вопрос только в том, каков масштаб эффекта .

Социологи калибруют эту модель, разделяя людей на пять категорий по уровню образования: без образования, среднее образование, неоконченное высшее образование, высшее образование и аспирантура. А затем подсчитывают средний уровень доходов по каждому уровню образования и сопоставляют эти данные с количеством браков между каждой парой уровней образования, что дает приближенную оценку влияния ассортативного выбора партнеров.

Если бы браки носили случайный, а не ассортативный характер, уровень неравенства в распределении доходов был бы гораздо ниже. В ходе одного исследования было установлено, что уровень неравенства, выраженный через коэффициент Джини (общепринятый показатель неравенства), снизился бы на 25 процентов .

Наша следующая модель анализирует перемещения между категориями доходов с помощью модели Маркова. Она классифицирует людей (или домохозяйства) по уровню доходов: высокий, выше среднего, ниже среднего и низкий. Каждая категория содержит одну четверть распределения. Мы можем оценить вероятности перехода между категориями за определенный период времени (это может быть год, десятилетие или поколение), чтобы определить уровень социальной мобильности.

При отсутствии связи между доходами разных поколений доход ребенка родителя с высоким уровнем доходов с равной вероятностью принадлежал бы к одной из четырех категорий, то есть все вероятности перехода составляли бы . В предельном случае отсутствия мобильности все вероятности перехода, расположенные по диагонали, были бы равны 1. Эмпирические оценки показывают, что реальность находится между этими двумя крайностями.

Далее проведем такой эксперимент: случайным образом выберем 100 семей с низким и высоким уровнем доходов, а затем вычислим распределение вероятностей по доходам следующих поколений. На основе приведенных во врезке вероятностей можно сделать вывод, что у детей родителей с высоким доходом вероятность принадлежности к категории высокого дохода составит 60 процентов, а к категории низкого дохода — всего 5 процентов. У внуков людей с высоким доходом вероятность попасть в категорию высокого дохода равна 43 процента, а низкого дохода — 10 процентов .

Модель динамики доходов также служит в качестве точки отсчета для оценки причин мобильности доходов. Мы можем использовать линейную модель для определения дохода ребенка в зависимости от уровня богатства, доходов и талантов его родителей (при наличии соответствующих данных). Модель Пикетти дала бы положительный коэффициент в контексте богатства родителей. Модель, учитывающая фактор таланта, обеспечила бы положительный коэффициент в контексте способностей родителей при наличии корреляции между способностями родителей и способностями детей.

Обратите внимание, что для определения коэффициента в контексте родительского дохода необходимы данные о доходе каждого ребенка и каждого родителя. В распоряжении ученых есть данные об индивидуальном уровне доходов только за два прошедших десятилетия. В книге Грегори Кларка The Son Also Rises, опубликованной в 2014 году, найдено оригинальное решение проблемы отсутствия данных: автор полагается на фамилии. Он подсчитывает средний доход всех людей с фамилией, скажем, Тэтчер, в 1888 году, и сравнивает полученный результат со средним доходом людей с фамилией Тэтчер в 1917 году. Тридцатилетний интервал соответствует длительности трудовой жизни. Кларк обнаружил значительную корреляцию между средним уровнем доходов по фамилиям, что указывает на отсутствие мобильности доходов.

Модель такого типа позволяет определить расовые различия в межпоколенческих перемещениях. Афроамериканцы демонстрируют менее высокую устойчивость уровня богатства в верхней части шкалы распределения доходов и более высокую устойчивость в нижней части шкалы распределения доходов. Богатый афроамериканец с меньшей вероятностью будет иметь богатых детей, а бедный афроамериканец с большей вероятностью будет иметь бедных детей .

В основе нашей последней модели лежит влияние района проживания. В модели сохраняющегося неравенства, разработанной Стивеном Дурлауфом, используется эмпирическая закономерность, отражающая сегрегацию людей по такому признаку, как категория доходов — другими словами, люди с высоким доходом живут в тех же районах, что и другие люди с высоким уровнем доходов, а люди с низким уровнем доходов живут по соседству с людьми с низким уровнем доходов. Сегрегация по признаку дохода порождает экономические, социологические и психологические экстерналии, снижающие уровень социальной мобильности. В данной модели доход людей зависит от их способностей, расходов на образование и эффектов перелива.

Параметр образования отражает государственные расходы на образование, которые, как показывает опыт, соотносятся с уровнем доходов: в местах проживания обеспеченных людей на образование выделяется больше средств, чем в местах проживания людей с низким уровнем доходов, что приводит к тому, что в богатых районах дети получают более качественное образование и более высокий доход.

Эффект перелива можно интерпретировать как социальную передачу знаний о надлежащих инструментах, которыми необходимо овладеть. В этом случае мы можем связать модель Дурлауфа с тем, как люди, живущие в богатых районах, узнают о соответствующих инструментах. Кроме того, мы можем связать эту модель с нашей сетевой моделью и феноменом силы слабых связей: люди, живущие в богатых районах, косвенно связаны с большим количеством людей, имеющих доступ к экономически ценной информации, что приводит к формированию положительной обратной связи в отношении дохода.

Кроме того, эффект перелива можно интерпретировать как социальную передачу модели поведения, такую как количество времени, выделенного на учебу или работу. Если доход содержит случайную составляющую, то каждый обитатель бедного района увидит (вполне справедливо) низкую отдачу от времени, выделенного на самосовершенствование. Вместе с тем эффект перелива может включать психологические аспекты, такие как позитивные или негативные взгляды на жизнь, ощущение безопасности или вера в себя.

В полной модели Дурлауф вычисляет равновесные уровни расходов на образование и выводит условия, при которых возникает сохраняющееся неравенство. Такое неравенство обусловлено так называемыми ловушками бедности. Людям, живущим в районах с низким уровнем доходов, не хватает образовательных ресурсов и эффектов перелива, необходимых для получения высоких доходов независимо от уровня способностей. Модель Дурлауфа позволяет объяснить огромный расовый разрыв в уровне доходов. Непропорционально большое количество афроамериканцев живут в бедных районах, поэтому могут оказаться в ловушке низких доходов из-за отсутствия необходимых ресурсов.

Рассмотренные в книге модели описывают различные причины неравенства. В какой-то мере каждая из моделей правильна, но, как мы с вами знаем, все они так или иначе неправильны. Как показывает практика, модели отличаются тем, в какой степени и какую часть вариации уровня доходов они могут объяснить. В верхней части шкалы распределения доходов эмпирические данные однозначно подтверждают правильность моделей, в основе которых лежат изменения в области технологий . Более двадцати лет Налоговое управление США отслеживало 400 самых высоких уровней дохода. В верхней части шкалы распределения доходов находятся технологии, розничная торговля и финансы — три отрасли, которые можно быстро масштабировать. Такие высокие темпы роста могут быть обусловлены рынками поисковых систем, работающими по принципу «победитель получает все» (Google), или сайтами социальных сетей (Facebook). Эти модели дают мало информации о нижней части шкалы распределения доходов. Кроме того, они предоставляют мало данных о мобильности доходов и плохо объясняют, почему оплата труда CEO в США существенно превышает этот показатель в других странах.

Для того чтобы объяснить другие особенности данных, нужны другие модели, такие как модель мобильности доходов, модель сохраняющегося неравенства Дурлауфа и модель пространственного голосования. Выстраивание диалога между разными моделями и данными обеспечивает глубокое, многогранное понимание причин неравенства. Такой подход позволяет идентифицировать множество процессов, которые его порождают и поддерживают, и увидеть, как эти процессы накладываются и пересекаются. Понимание сложности проблемы неравенства и самоусиливающихся поддерживающих его причинно-следственных факторов должно вызвать сомнения в действенности быстрых решений. Сокращение масштабов неравенства потребует согласованных усилий по нескольким направлениям.

БОЛЬШОЙ МИР

Итак, мы только что узнали, как применение ансамбля моделей позволяет объяснить многие причины неравенства в распределении доходов и эпидемии опиоидов, а также раскрывает пределы любой отдельно взятой структуры. Если бы мы были политиками, мы бы привели некоторые из этих моделей в соответствие с данными для оценки величины эффекта, а затем провели бы естественные эксперименты, которые помогли бы нам откорректировать политический курс на основании полученной информации.

Многомодельный подход можно также применить к решению целого ряда социальных проблем, таких как обращение вспять тенденции к ожирению, повышение эффективности школьного обучения, ослабление последствий изменения климата, рациональное использование водных ресурсов и улучшение международных отношений. В каждом из этих случаев включение даже одной новой модели могло бы иметь огромные последствия. Возьмем, к примеру, задачу прогнозирования финансовых кризисов. Федеральная резервная система США полагается на традиционные экономические модели, в которых используются данные национального учета инфляции, безработицы и товарно-материальных запасов. Этим данным свойственно запаздывание: они публикуются еженедельно, ежеквартально или раз в год. Кроме того, они получены в результате статистических обследований, то есть выборочного анализа экономики в целом.

Специалист по сложным системам Дж. Дойн Фармер выдвинул идею о создании второго класса моделей, основанных на данных, собираемых в интернете в режиме реального времени. Эти новые модели будут полагаться на более детальные, мгновенные данные, а значит, будут отличаться от традиционных моделей. Фармер утверждает, что они могут оказаться более эффективными, чем существующие модели. Возможно, он прав. Вместе с тем новые модели не обязательно должны быть более точными, чтобы их можно было применять в области прогнозирования и предотвращения финансовых кризисов. Учитывая тот факт, что новые модели будут использовать другие данные и исходить из других предположений, они смогут давать и другие прогнозы. А согласно теореме о прогнозе разнообразия при условии, что уровень точности новых моделей не намного ниже, в сочетании с существующими моделями они повысят качество прогнозов, что, выражаясь языком Фармера, обеспечит коллективную осведомленность политических деятелей .

Руководитель компании может выполнить аналогичную работу при принятии решений в отношении бизнеса. Он может применить множество моделей, основанных на данных, для определения свойств продуктов, выбора времени вывода продуктов на рынок, разработки системы оплаты труда, создания цепи поставок и прогнозирования продаж. Поскольку каждое из этих действий выполняется в рамках сложной системы, любая отдельно взятая модель была бы неправильной, но ансамбль моделей обеспечит более эффективный результат.

В общем, при необходимости сделать выбор, составить прогноз или решить задачу разработки, следует придерживаться многомодельного подхода. Он обеспечивает более высокие результаты, чем действия, основанные на догадках и интуиции. Вместе с тем у нас нет никаких гарантий успеха. Даже использование множества моделей не всегда позволяет выявить самую значимую логическую цепочку. Сфера интересов может быть настолько сложной, что даже ансамбли моделей могут объяснить лишь небольшую часть вариаций.

Применяя модели для помощи в проектировании, мы можем оказаться неспособными выявить полезные абстракции. Простота моделей в этих случаях может быть их уничтожением.

В условиях сложности мы можем обнаружить, что модели не отвечают задачам распространения идей, составления точных прогнозов или выбора наиболее эффективных действий. Даже наши изыскания с помощью моделей могут раскрывать мало значимой информации. В таких случаях и области применения моделей, такие как рассуждение, объяснение, прогнозирование, разработка, коммуникация, действие и исследования (REDCAPE), о которых шла речь в книге, не принесут много пользы. Тем не менее мы все равно извлекаем выгоду из рассмотрения и применения множества моделей, поскольку это позволяет выявить взаимозависимости и понять, почему сложный процесс способен расстроить наши попытки анализировать, объяснять и коммуницировать.

Таким образом, мы должны проявлять определенную степень смирения. Даже при помощи множества моделей наша способность рассуждать имеет свои пределы. Именно поэтому мы должны сохранять любознательность, продолжать разрабатывать новые модели и совершенствовать существующие. Если модель не учитывает ключевых свойств этого мира (таких как влияние социальных факторов, положительная обратная связь или когнитивные искажения), то мы должны построить другие модели, включающие эти свойства. Это позволит определить, имеют ли эти свойства значение, и если да, то какое именно. Тот факт, что все модели неправильны, не должен лишать нас присутствия духа — его следует воспринимать как стимул к созданию множества моделей, способных принести мудрость.

И последнее: мы должны получать удовольствие от этих усилий. Хотя в книге особое внимание уделяется прагматическим целям (научиться лучше мыслить, повысить эффективность работы и стать более информированными гражданами мира), она также преследует неявную цель: раскрыть красоту моделей и радость моделирования. Практика построения моделей может стать красивой игрой. Мы делаем предположения, формулируем правила, а затем играем в рамках этих правил, опирающихся также на законы логики. Благодаря своим логическим изысканиям мы совершенствуемся и становимся мудрыми. Давайте же привнесем эту мудрость в большой мир и поможем изменить его к лучшему.

Отправить