В 2019 году глобальные протесты охватили 31 страну мира. Либеральный американский канал CNN, который аккуратно и тщательно в течение всего года мониторит эти манифестации, приводит карту глобальных протестов этого года, на которой розовым «протестным» цветом обозначены 25 стран мира.
Среди них – Франция, Испания, Великобритания, Украина, Сербия, Албания, Черногория, Россия, Ирак, Ливан, Гонконг, Индонезия, Египет, Алжир, Судан, Зимбабве, Либерия, Гвинея, Венесуэла, Бразилия, Боливия, Эквадор, Чили и Перу. Агентство Bloomberg добавляет к этому списку Нидерланды, Индонезию, Колумбию, Эфиопию, Уганду и Малави.
Одновременные протесты в десятках странах мира можно трактовать как совпадение, а также как проявление цикличности мирового исторического процесса. Однако есть все основания в этом усомниться, если обратить внимание на тот факт, что все протесты направлены на подрыв геополитических позиций России и Китая.
3 ноября известный американский публицист, старший научный сотрудник Института Ближнего Востока Национального университета Сингапура и содиректор Института фан-культуры Вюрцбургского университета Джеймс Дорси опубликовал на своем личном сайте статью под неприкрыто угрожающим названием «Global protests: Russia and China risk ending up on the wrong side of history» («Глобальные протесты: Россия и Китай рискуют оказаться на неправильной стороне истории»).
Единственный аргумент Дорси в пользу своего тезиса о том, что «Россия и Китай рискуют оказаться на неправильной стороне истории», - именно обрушившаяся в этом году на более чем 30 стран мира лавина «глобальных протестов». Риск оказаться «на неправильной стороне истории» для России состоит в том, что, по мнению Дорси, она нацелена на «предотвращение и/или противодействие народным восстаниям на Ближнем Востоке, регионе, охваченном конфликтами и войнами». КНР же угрожает тревожная ситуация в Центральной Азии, мусульманском анклаве Синцзян, а также возможные протесты в Лаосе и Камбодже. Публикацию Дорси перепечатали многие западные издания, что дает основание рассматривать ее как программный месседж мировых глобалистов и либералов.
Что же представляют из себя эти самые «народные восстания», которые, как пишет Дорси, якобы несут в себе угрозу для России и Китая?
Системный признак так называемых «глобальных протестов», рекламируемых каналом CNN и профессором Дорси как «народные восстания» против коррупции, авторитаризма и социального неравенства, это то, что они начинались и начинаются по самым различным, как правило, социально-экономическим причинам, а затем проходят под антиправительственными лозунгами. Это классика государственных переворотов, управляемых извне. Организационной основой протестов служат Интернет и социальные сети. Поддержку им оказывают либеральные западные издания. Общая черта почти всех «глобальных протестов» – их направленность против «реакционного национализма» и политических лидеров, отстаивающих национальные ценности.
Тот факт, что масштабные социальные протесты, направленные на свержение правящих режимов стран-мишеней, стали возможными только благодаря вмешательству извне, достаточно хорошо известен. Мониторинг протестных настроений ведется в ведущих аналитических центрах Запада и Востока, которые предоставляют свою аналитику в распоряжение спецслужб и параполитических структур.
Одним из самых востребованных методов прогнозирования социальных протестов на сегодняшний день является многоагентное моделирование.
«Многоагентное моделирование» — род военной игры, которая разворачивается на мощных компьютерах, сталкивая бесчисленное множество индивидуальных агентов друг с другом в симуляции сложных систем. В отличие от других систем компьютерного моделирования, которыми, например, пользуются ученые-климатологи, многоагентное моделирование допускает, чтобы отдельные игроки вели себя эгоистично и, что важнее всего, учились на собственных ошибках и корректировали свои действия — именно так, как это делают отдельные участники экосистемы или вечной внутриклеточной битвы в человеческих телах» – так описывает этот метод сотрудник Института Сложности Санта-Фе Стефани Форрест.
Многоагентное моделирование протестов используют продвинутые компьютерные модели общества для разработки альтернативных вариантов типа «что если». Сценарий «заселен» множеством агентов. Каждый агент является автономной подпрограммой, она максимально «очеловеченным» образом связана с другими агентами, и по-своему реагирует на текущую социальную ситуацию, переключаясь между несколькими режимами поведения.
Смысл таких моделей в том, чтобы избежать описания человеческой деятельности «сверху вниз» при помощи фиксированных уравнений, как это принято в таких областях, как экономика и эпидемиология. Здесь же события моделируются «снизу вверх», через взаимодействие многих людей, что приводит к правдоподобию, сопоставимому с реальностью, а также дает уровень спонтанности, сымитировать который иными способами практически невозможно.
Одной из первых успешных моделей многоагентного моделирования был «Шугарскейп» (Sugarscape), разработанный экономистами Робертом Акстеллом (Robert Axtell) из Университета Джорджа Мейсона в Фэйрфаксе, штат Вирджиния и Джошуа Эпштейном (Joshua Epstein) из Нью-Йоркского университета. Они моделировали социальные явления на обычных настольных компьютерах и максимально упростили схему, сведя ее к набору простых агентов, которые перемещались по сетке в поисках условного «сахара», который в одних местах находился в изобилии, а в других практически отсутствовал. Несмотря на свою простоту, «Шугарскейп» положил начало намного более сложным моделям группового поведения в таких направлениях как, например, «миграция, соперничество и сегрегация отдельных районов».
В 90-е годы была разработана система анализа и моделирования транспорта «Трансимз» (Transims), разработанная Кристофером Барретом и его коллегами в Национальной лаборатории в Лос-Аламосе (штат Нью-Мехико). В отличие от традиционных моделей дорожного движения, использовавших уравнения для описания массового перемещения транспортных средств аналогично перемещению жидкости, «Transims» моделировал каждый автомобиль и его водителя отдельно в виде агента, передвигающегося по городской дорожной сети.
Многоагентное моделирование дало серьезный результат в эпидемиологии.
Во время вспышки вируса Эбола в 2014 году в Западной Африке группа «Вирджиния Тек» (Virginia Tech) использовала многоагентную модель, чтобы помочь военным США определить оптимальные места для полевых госпиталей. Планировщикам было необходимо знать, где инфицированность достигнет пика, когда смогут прибыть мобильные части, как далеко и как быстро пациентов можно будет переправлять в больницы по заведомо плохим дорогам региона — а также множество других проблем, которые невозможно учесть в уравнениях традиционных моделей.
В другом случае лаборатория Эпштейна Нью-Йоркского университета моделировала потенциальные вспышки вируса Зика, который распространяется комарами и вызывает необратимые врожденные дефекты. Группа разработала модель с восемью с половиной миллионами агентов — по числу жителей Нью-Йорка. В результате стало возможным не только предсказать худший сценарий эпидемии (его эпидемиологи могли вычислить и из уравнений), но и определить самые «горячие точки».
В экономике агентное моделирование может стать мощным инструментом для понимания глобальной бедности, как считает экономист Всемирного банка в Вашингтоне, округ Колумбия, Стефан Аллегат.
С повсеместным распространением интернета и социальных сетей многоагентное моделирование стало применяться для форкастинга социальных протестов. Сегодня многоагентное моделирование является мощным инструментом исследования процессов эволюции сложных социальных систем.
Одним из ведущих американских экспертов по моделированию социальных протестов является Гизем Коркмаз, адъюнкт-профессор в отделе социальной аналитики и анализа решений (SDAD) Института и Инициативы Биокомплексности Университета Вирджинии. Она является главным исследователем проекта Minerva 2016 года под названием «Динамика общих знаний в социальных сетях: экспериментальный подход». Она также является сотрудником двух проектов в рамках программ DARPA: компьютерного моделирования социального поведения в Интернете (SocialSim) и социальных наук следующего поколения. Во время исследовательской работы в научной лаборатории сетевой динамики и моделирования она участвовала в проекте EMBERS в рамках программы IARPA (Агентство перспективных исследовательских проектов разведки) с открытым исходным кодом. Она разработала сетевые и статистические модели, которые используют множество источников данных, таких как социальные сети, включая Twitter, новости/блоги, для прогнозирования критических общественных событий (протестов, забастовок) и результатов выборов в целевых странах Латинской Америки.
В 2016 году Гизем Коркмаз опубликовала на сайте Национального центра биотехнологической информации (National Center for Biotechnology Information) совместный с группой авторов (Jose Cadena, Chris J. Kuhlman, Achla Marathe, Anil Vullikanti, Naren Ramakrishnan) доклад «Multi-Source Models for Civil Unrest Forecasting» («Многоагентные модели форкастинга гражданских беспорядков»).
В докладе говорится, что «гражданские беспорядки (акции протеста, забастовки и «захваты») варьируются от небольших ненасильственных акций протеста, направленных на решение конкретных проблем, до событий, которые превращаются в массовые беспорядки. Обнаружение и прогнозирование этих событий представляет ключевой интерес для социологов и политиков, поскольку они могут привести к значительным социальным и культурным изменениям».
Авторы исследования занимались прогнозированием гражданских беспорядков в шести странах Латинской Америки на ежедневной основе, с ноября 2012 года по август 2014 года, используя «многочисленные источники данных, которые отражают социальные, политические и экономические условия, в которых происходят гражданские волнения».
Сообщается также, что это «первая модель прогнозирования социальных волнений, которая объединяет несколько соответствующих источников данных и исследует относительную ценность различных источников данных».
Модели, которые использовались для прогнозирования социальных протестов, содержат «предикторы, извлеченные из социальных сетей (Twitter и блоги) и новостных источников, в дополнение к количеству запросов к Tor, широко используемой сети анонимности». Также использовались базы данных о политических событиях и курсам валютного обмена по каждой стране. Модели прогнозирования оценивались с использованием отчета так называемого «отчета золотого стандарта» (Gold Standard Report – GSR), то есть базы данных о гражданских беспорядках в исследуемых странах в отчетный период, который был составлен «независимой группой ученых-социологов и экспертов в данной области», как сообщают авторы доклада.
При расчетах были использованы модели логистической регрессии с помощью метода Lasso (Least Absolute Shrinkage and Selection Operator).
Важным атрибутом для прогнозирующих моделей этого типа является снижения числа переменных из потенциально большого их набора.
Анализ тысяч событий, связанных с гражданскими беспорядками, показывает, что число функций, которые выбирает Лассо-регрессия, составляет лишь небольшую часть от общего набора функций; в диапазоне от 2 до 119 из первоначальных почти 3 тысяч. Функции, которые остаются после снижения их числа регрессией Лассо, «дают представление о характере событий, связанных с гражданскими беспорядками, и имеют потенциал для предоставления действенной информации планировщикам политики».
В качестве источников (агентов) использовались социальные сети и новости, которые, по мнению авторов доклада, «более информативны, чем другие источники данных, включая базы данных о политических событиях, и повышают эффективность прогнозирования». Однако, как отмечают авторы доклада, социальные сети увеличивают разброс результирующих показателей.
Облако слов в словаре гражданских волнений, используемом для фильтрации твиттера, новостей и блогов, включает в себя слова, относящиеся к протесту: «gobierno» (правительство), «estudiantes» (студенты), ключевые фразы («salir a la calle» (выходят на улицы)), ключевые игроки конкретной страны («Henrique Capriles»).
Многоагентный подход позволяет избежать ограничений, которые возникают при использовании одного источника, например, твиттера. Если единственный источник данных становится недоступным, неясно, могут ли быть или как быстро модели будут адаптированы к новым альтернативным источникам, говорится в докладе. Кроме того, события гражданских беспорядков – это сложные процессы, которые нельзя полностью охарактеризовать, рассматривая один информационный канал. Объединение различных типов показателей гражданских волнений, таких как социальные сети, политические блоги и личные блоги, источники новостей и показатели экономической эффективности, создает более информированный и надежный сигнал, который может прогнозировать события гражданских беспорядков.
В другой работе («Forecasting Social Unrest Using Activity Cascades» - «Прогнозирование социальных волнений с использованием каскадов активности») тот же коллектив авторов (Jose Cadena, Gizem Korkmaz, Chris J. Kuhlman, Achla Marathe, Naren Ramakrishnan, Anil Vullikant) из Института биоинформатики Virginia Tech (Блэксбург, штат Вирджиния, США) представил модель прогнозирования протестных событий, которая использует каскады активности в твиттере для предсказания возникновения протестов в трех странах Латинской Америки: Бразилии, Мексике и Венесуэле. Эта модель основана на предположении, что появление такого каскада активности является предшественником или суррогатом реального протестного события, которое произойдет «на земле».
Сообщается, что модель каскадов активности обладает хорошей прогностической силой для моделирования гражданских беспорядков, а также поддается строгому анализу.
Результаты исследования показывают, что очень маленький набор критических пользователей имеет решающее значение для возникновения каскада активности, а их неучастие вызывает разрушение каскада активности. С другой стороны, если большая часть рядовых пользователей не участвует, каскад также не может возникнуть.
Таким образом, для существования каскада требуется «разумная доля» рядовых пользователей, а также несколько критически важных пользователей. Поскольку большие каскады не очень распространены, их возникновение сигнализирует о резонансном событии. Авторы исследования пишут, что метод каскадов активности позволяет предсказывать события типа «черных лебедей», например «Бразильскую весну».
Составлен словарь из 614 слов, связанных с протестами (например, «марш», «бунт», «забастовка», «организация», «демократия», «конфликт», «революция», «криминализация»), 192 ключевых фразы (например, «право на труд», «марча пор ла пас») и 105 ключевых игроков в конкретной стране (важные общественные деятели, политические партии, профсоюзы), которые используются в качестве ключевых слов. Изложена методика расчета минимального числа критических пользователей, удаление которых приводит к распаду каскада.
Финансирование рецензируемых работ американских экспертов осуществлялось IARPA – Агентством передовых исследований в сфере разведки, находящимся в подчинении у Директора национальной разведки США.
Дэн Браха, профессор Университета Массачусетса в Дартмуте, сотрудничающего с Институтом сложных систем Новой Англии (NECSI) в Кембридже (штат Массачусетс), считает, что экзогенные социальные и экономические предпосылки и причины недостаточны для объяснения интенсивной социальной нестабильности, и что эффекты «заражения» и эндогенные процессы положительной обратной связи могут дать ключ к решению этой проблемы.
Окончание следует
Владимир Прохватилов, старший научный сотрудник Академии военных наук
Заглавное фото: commondreams.org