Usage of models based on quantitative risk theory for support of decision-making on counteraction of destructive social technologies

Tikhanychev Oleg Vasilyevich ORCID: 0000-0003-4759-2931 PhD in Technical Science Deputy Head of Department in the Office of Advanced Development, Technoserv Group  111395, Russia, Moscow, Yunosti str., 13 tow65@yandex.ru Other publications by this author

Введение

Несмотря на непрерывное развитие вооружения и совершенствование способов его применения, в рамках межгосударственного противостояния в последнее время наблюдается смещение акцентов от прямого вооруженного противоборства к использованию методов «гибридных» действий, «прокси-войн» (proxy war) и применению «мягкой силы» (soft power). Примером последнего может служить применение деструктивных социальных технологий так называемых «цветных революций». И любое государство, пытающееся защитить себя, должно обладать возможностями противодействия подобным методам противоборства.

Но, как показывает практика, в извечном противодействии «меча и щита», в настоящее время выигрывает нападение, как часто случается при изобретении нового оружия: сейчас разработано значительное количество методов дестабилизации социальной системы государства-противника ^[2-4], и намного меньшее количество методов защиты ^[5].

Основная проблема в данном аспекте представляется в том, что в настоящее время организация «цветных» и «цветочных» революций и противодействие деструктивным воздействиям решается на уровне интуитивном, логико-аналитическом, когда точные математические методы и реализующие их современные информационные технологии используются преимущественно при обработке статистики и визуализации информации ^[6-8]. Итог такого состояния: абсолютно непредсказуемые результаты планируемых действий, даже осуществляемых в, казалось бы, похожих условиях – от относительно бескровной «жасминовой» революции 2011 года в Тунисе, до кровавой и бессмысленной резни в соседней с ним Ливии. Анализ показывает, что для обеспечения организации эффективных действий необходимо в процессе выработки решений иметь возможность получения объективных оценок последствий их реализации, основанных на математических методах прогнозирования, например, моделировании. Учитывая это, предлагается сформулировать постановку задачи разработки модели, которая, пусть и в общем виде, позволит оценивать риски применения социальных технологий дестабилизации и эффективность мер противодействия им.

1.Модель прогнозирования поведения на основе теории рисков

Итак, прогнозирование последствий принимаемых решений является неотъемлемой частью цикла управления. В настоящее время существует и используется в практике управления достаточно обширный перечень методов прогнозирования. Но большинство из них достаточно сложны для реализации при прогнозировании поведения таких систем, как человеческое общество. Дело даже не в масштабе, крупные распределённые модели больших систем давно и успешно реализуются, как показывает опыт проекта LES (Living Earth Simulator). Проблема совсем в другом – в чрезвычайно низкой степени формализации моделируемых процессов ^[9,10].

В итоге, для прогнозирования последствий реализации социальных технологий межгосударственного противоборства используется лишь небольшая часть существующих математических методов. В первую очередь это экспертные методы, основанные на субъективном подходе, и упрощённые логико-вероятностные модели.

Один из возможных подходов к разрешению подобной ситуации – использование укрупнённых математических моделей, реализующих только основные составляющие моделируемого процесса.

Анализ особенностей предметной области показывает, что математическое описание процессов, реализуемых в рамках организации разнообразных «майданов», служащих основой деструктивных социальных действий, может быть получено на основе оценки основных составляющих информационного противоборства и силовых протестных действий, а именно – процессов выбора личной альтернативы поведения каждым участвующим в процессе индивидуумом, лавирующим между ожидаемой полезностью результата с одной стороны, возможными потерями и затратами на его достижение с другой. Для формализованного описания подобного подхода, как показывает практика работы в смежных областях, может успешно использоваться модель на основе теории рисков.

Эмпирически, эффективность предлагаемого математического аппарата подтверждается тем, что похожие модели уже реализованы в виде программных средств коммерческого назначения: в системе оценки банковских рисков CAPM (Capital Asset Pricing Model) и других аналогичных системах, в компонентах автоматизированных систем управления рисками ERM (Enterprise risk management). Практика подтверждает эффективность их применения ^[11,12].

Основными преимуществами подобной модели можно считать:

- относительную простоту и апробированность математического аппарата;

- простоту выделения участвующих в процессе групп агентов, например, активные участники протестов, сочувствующие, равнодушные и противодействующие группы;

- возможность оперирования усреднёнными параметрами оценок для выделенных групп взаимодействующих агентов (целевых групп).

В обобщённой форме, в контексте современных социологических и социально-психологических теорий риска: натуралистических, функциональных или институциональных, модель строится относительно рассуждений типового моделируемого актора о соотношении стоимости и полезности результата, основанных на объективном и субъективном влиянии фактора рисков при принятии решения ^[13]. Определяются эти факторы тем, что любой человек, принимая решение, логически, а при возможности и численно, оценивает риск последствий своих действий, как в случае успеха, так и неуспешного окончания. И, хотя некоторые исследователи предполагают калькулируемость риска только в рамках натуралистической модели ^[14], на самом деле, основываясь на известной схеме «единичного акта» Парсона ^[15,16], можно утверждать, что оценки формируются в любом случае. Если не численные, в явном виде, то хотя бы на качественном уровне. А последние тоже определяются на основе вычислений, пусть даже подсознательно, в форме сравнительных логических операций.

Для получения прогнозов указанных оценок предлагается использовать математическую модель на основе аппарата теории рисков ^[17-19]. Согласно положениям этой теории, при принятии решения, каждый индивид руководствуется степенью риска, возникающего при выполнении действия. При этом он, чаще всего на подсознательном уровне, использует математический аппарат минимизации ошибок, которые в теории вероятностей делятся на ошибки первого и второго рода ^[20,21]. С использованием подобной эвентуальной модели, каждый конкретный индивид пытается минимизировать величину ожидаемого риска R по двум направлениям: снижение угрозы потери возможной «прибыли» (ошибки первого рода) и минимизации вероятных «убытков» (ошибки второго рода). Разумеется, целенаправленная деятельность индивида не описывается каким-то одним событием, я являет собой череду событий разной сложности. Но для событий, объединённых единой целью можно сформулировать единую стратегию, реализацию которой также можно описать с применением модели на основе теории рисков.

В формальном выражении, данная модель описывается следующей функцией:

R = С₁₂ (1 - P(H₁₂)) + C₂₁P(H₂₁) → min.

Понятия P(H₂₁), P(H₁₂), C₂₁, C₁₂ в модели рисков могут меняться в зависимости от условий решаемой задачи. В рамках описания модели социальных рисков, они будут принимать следующий физический смысл:

С₁₂ – ожидаемая «полезная стоимость» результата предпринимаемых действий;

Р(Н₁₂) – вероятность того, что стратегия действий выбрана правильно и событие будет завершено с положительным для рискующего результатом;

С₂₁ – потери, возникающие в результате срыва или необоснованного принятия решения на действие;

Р(Н₂₁) – вероятность неверного выбора стратегии, приводящей к отрицательному результату действий.

Приведённая зависимость отражает оценку рисков в логической форме. Для получения численных оценок необходимо описать зависимость в форме математической модели. В наиболее часто встречающейся ситуации, когда решения Р(Н₁₂) и Р(Н₂₁) несовместны и составляют полную группу событий, получаем, что Р(Н₁₂) = 1 - P(H₂₁). Тогда:

R = C₁₂P(H₂₁) + C₂₁P(H₂₁).

В графическом виде вариант модели рисков, сформированной относительно вероятности неуспеха Р(Н₂₁) для случая полной группы событий, может быть описан так, как представлено на рисунке 1.

Подобное графоаналитическое представление процесса принятия решения может быть достаточно просто реализовано в форме математической модели и обеспечивает наглядное представление тенденций формирования оценок рисков в зависимости от изменения влияющих на них факторов.

Рис.1. Графическая интерпретация моделирования оценки рисков

Так, например, повышение стоимости С₂₁ «задирает» в модели прямую рисков вверх (рис.1), повышая ожидаемое суммарное значение риска R₀ до уровня R₁. Изменение вероятностей Р(Н₁₂) или Р(Н₂₁) сдвигает точку принятия решения на графике влево (P-) или вправо (P+), меняя относительное значение риска до R₂ или R₃ соответственно.

2. Основные факторы противодействия деструктивным технологиям, учитываемые в модели

Применение подобных моделей позволяет использовать аппарат теории рисков для оценки возможности регулирования социальных процессов. С учётом того, что вероятности Р(Н₁₂) и Р(Н₂₁) в большинстве ситуаций составляют полную группу событий, для управления обществом через риски или их ожидания, как очевидно из модели (рис.1), может быть использовано несколько основных вариантов:

- повышение неотвратимости наказания за счёт увеличения вероятности Р(Н₂₁) при одновременном, что не менее важно, снижении вероятности Р(Н₁₂);

- ужесточение наказания за противоправные действия С₂₁.

- снижение вероятности получения «прибыли» при осуществлении противоправных действий Р(Н₁₂) и снижение ожидаемой стоимости (полезности), получаемой в результате успеха С₁₂ до значения, не превышающего затрат на её достижение.

Анализ этих подходов показывает, что в современном гуманизированном обществе, основным решением может быть именно повышение неотвратимости наказания и снижение ожидаемой «прибыли» от противоправных действий. Именно для выработки рекомендаций по реализации этих мер может быть использована численная модель рисков.

Качество любой модели, кроме обязательной адекватности используемого математического аппарата прогнозируемой системе или процессу, определяется также интерпретируемостью результатов и возможностью получения исходных данных.

Возможность интерпретации результатов для геометрических моделей обеспечивается самой их структурой, наглядностью представления данных в графическом виде (рисунок 1).

Возможность получения исходных данных для моделирования может быть обеспечена за счёт решения ряда взаимоувязанных задач:

- разделение населения на группы по признакам поведения относительно отношения к протестам;

- вычисление конкретных значений показателей стоимостей и вероятностей;

- учёт особенностей моделирования различных групп населения.

Важность этих задач трудно переоценить, учитывая, что одной из основных проблем использования математических моделей в процессе поддержки принятия решений является оперативное обеспечение их актуальными исходными данными ^[22].

Первая задача с точки зрения построения модели является самой простой: высокая точность разделения не требуется, а с необходимой для моделирования точностью процентное отношение групп может быть получено на основании результатов обработки статистики и учёта общественного мнения. Дифференциация населения по группам позволяет реализовать избирательные методы работы с ними, которые, по определению, эффективнее нецелевых. Как показывает анализ опыта всевозможных «цветных» и «цветочных» революций, работать необходимо, в первую очередь, с активными слоями населения, которые являются движущей силой социальных процессов. Соответственно, именно эту группу и необходимо в первую очередь изучать в рамках модели риска. Остальные группы служат «фоном» модели, обеспечивающим работу с целевыми группами.

Вторая задача может быть решена различными методами, наиболее простым и надёжным из которых представляется применение экспертных оценок, формализуемых с использованием количественно-качественной шкалы. Например, с использованием Д-функции желательности Харрингтона, которая была разработана на основании результатов наблюдений за реальными решениями экспериментаторов и обладает такими свойствами как непрерывность, монотонность и гладкость. Кроме того, эта функция хорошо передает тот факт, что в областях желательностей, близких к 0 и 1, «чувствительность» ее существенно ниже, чем в средней зоне. В этом случае Д-функции желательности Харрингтона может быть задана уравнением:

d = exp[-exp(-y)].

Стандартные отметки на шкале желательности приведены в таблице рисунока 2.

Таким образом, если принять за граничные значения критериев достижения цели значения по оси Y: 0,8; 0,63; 0,37; 0,2 округлив данные значения до 0,8; 0,6; 0,4; 0,2, а по оси X указать вербальные значения степени достижения цели, получаем искомый набор оценок (рисунок 2).

Рис.2. Функция достаточности - желательности Харрингтона и соотношение вербальных и числовых значений критериев достижения цели

Заблаговременное получение экспертных оценок для модели рисков позволит провести все необходимые мероприятия для обеспечения их точности: формирование представительной выборки экспертов, проверку согласованности и отбраковку аномальных результатов и т.п.

Аналогичным способом могут быть сформированы и стоимостные оценки рисков.

Третья задача осложняется тем, что при описании модели и интерпретации результатов моделирования необходимо учесть ряд специфических факторов, характерных для течения социальных процессов в обществе. В рамках этой проблемы, следует учитывать разные цели воздействия на группы населения, например:

- для активной части протестующих необходимо принуждение к отказу от целевых действий;

- сомневающихся убедить не поддерживать протесты;

- пассивное большинство необходимо убеждать в стабильности власти и правильности действий силовиков. Одновременно показывая, что действия в неправильном направлении могут иметь неприятные последствия.

В рамках таких действий, моделируемые факторы могут оказывать различное влияние на разные группы населения, но их формальное описание в модели будет аналогичным. В то же время, различие может возникать при интерпретации результатов моделирования, что определяется разными целевыми установками групп – участников событий. Соответственно, различия в интерпретации требуют учёта в мерах по реализации результатов прогнозирования.

Во-первых, при реализации указанных мер следует учесть, что величина личных рисков оценивается каждым индивидуумом приоритетно. А все риски для государства и общества – через их преломление на угрозы для себя и своей семьи. Последнее определяется тем, что большинство людей редко в процессе оценки рисков ориентируются на дальнюю перспективу, так как прогнозировать на длительный период в условиях постоянных изменений обстановки проблематично. Чаще они ориентируются на риски в ближайшем будущем по времени и в пространстве. Исходя из этого, можно сделать вывод о том, что необходимо точечное «адресное» воздействие на краткосрочные интересы каждого человека, готового к протестным действиям. А в первую очередь – на наиболее активных членов протестных групп и их руководство.

При подготовке исходных данных для моделирования следует учесть один важный фактор: в многочисленных руководствах по организации «ненасильственных действий» достаточно много места уделяется обеспечению безопасности их участников. Не из заботы о них, разумеется, а для сохранения протестного потенциала. Основные рекомендации – скрывать своё участие и принадлежность к данным процессам. Как при общении в сетях, так и физически, при участии в акциях протеста. Более того, как показал опыт организации протестных действий в Барселоне в 2019 году, их участники для коммуникации использовали не дискредитировавшие себя сотрудничеством с силами правопорядка социальные сети, а средства собственной разработки, доступ к которым обеспечивался через систему «рекомендаций» и собственные алгоритмы шифрования. Разумеется, подобные действия будут создавать проблемы при реализации мер, разрабатываемых с использованием предлагаемой модели противодействия, снижая вероятность Р(Н₁₂), их необходимо учитывать и парировать ^[23]. С учётом того, что борьба переходит в область высоких технологий – парировать так же технологично.

Обеспечить парирование противодействия идентификации, то есть, в терминах предлагаемой модели повышение вероятности Р(Н₂₁), возможно через выполнение ряда технологических мер, в первую очередь – по идентификации каждого из участников протестного процесса.

Напомним, что по типу используемой информации идентификация делится на:

- идентификацию с ключом;

- идентификацию по физическим принципам.

В первом случае идентификация проводится по условному ключу, например, электронной карте или паролю. Во втором используются устойчивые физические признаки идентифицируемого объекта.

Как показывает практика, первый способ идентификации может быть использован, в основном, для организации входа в инфокоммуникационные сети. И то, они в современных условиях могут достаточно просто обходиться, и не обеспечивают надёжного противодействия угрозам, исходящим от социальных технологий. Для физической идентификации участников протестных мероприятий способ идентификации ключом практически не применим.

Исходя из этого, в подавляющем большинстве случаев, потребуется проводить не аутентификацию, а именно идентификацию по физическим принципам, причём независимую от пользователя.

Современные технологии вполне позволяют осуществлять подобные процессы в динамическом режиме. Технически, для этого могут использоваться статические и динамические подходы.

Статические способы, основаны на уникальных свойствах, данных человек от рождения и неотъемлемых от него. Например, на физиологических показателях: геометрии и термограмме лица, характеристикам ДНК, запахам, геометрии ладони или папиллярном узоре пальцев.

Динамические методы основаны на поведенческих характеристиках личности. Эти особенности характерны для подсознательных движений при воспроизведении каких-либо действий: скорости и тембра речи, подписи, динамики клавиатурного набора и т.п. основа использования динамических подходов – постоянно обновляемые статистические данные.

Специалисты считают, что внедрение биометрических устройств безопасности в скором будущем приобретет лавинный характер. Борьба с глобальным терроризмом, интенсивное развитие мультимедийных и цифровых технологий обеспечат разработку и внедрение принципиально новых систем комплексной идентификации личности.

С использованием указанных методов может осуществляться биометрическая идентификация без согласия пользователя как при работе в сети Интернет, так и физически, в ходе контроля уличных мероприятий.

При использовании систем идентификации, следует учитывать желание участников протестов им противодействовать. Соответственно, разработчики систем опознавания должны парировать указанные действия: дублированием методов идентификации, скрытием самого факта работы системы, использованием непрямых методов идентификации (например, по излучению мобильных устройств) и т.п. Один из недавних примеров использования подобных решений: компания NEC (Nippon Electric Corporation) поставила в Москве на опытную эксплуатацию две системы идентификации личности. Первая обеспечивала получение и анализ изображений лиц в видеозаписи потока людей, вторая использовала в качестве датчиков портативные автоматические анализаторы ДНК, осуществлявшие экспресс-генетическую дактилоскопию с темпом 25 минут на одну пробу. Практика показала, что первую систему оказалось легко обмануть элементарными уловками по изменению внешности, например, надев кепку с длинным козырьком или очки. Оперативность работы второй системы оказалась недостаточной. Справедливости ради следует отметить, что в мировой практике, имеются и положительные примеры использования систем идентификации, что даёт определённую надежду на повышение эффективности мер противодействия опознаванию.

Кроме того, достаточно перспективным можно считать использование методов «потоковой» идентификации, когда, с использованием максимально возможного количества видео- и другой информации, можно отследить поведение объекта на значительном участке. И, с использованием методов BigData, отыскать в потоке нужного человека, найдя точки «входа» и «выхода», «поворотные» точки, повышающие вероятность идентификации за счёт анализа последовательности его действий. Только так может быть обеспечена эффективность достижения цели персонализации ответственности и изменения ожиданий в системе рисков с требуемой для принятия решений оперативностью ^[22].

Кроме формирования систем распознавания участников протестных действий, необходимо помнить о необходимости обеспечения безопасности сотрудников правопорядка, участвующих в их пересечении. Для них действует точно такая же система оценки рисков, которую могут использовать заинтересованные лица и организации. Достаточно вспомнить печально известный украинский сайт «Миротворец» или отечественный проект «Сканер».

Во-вторых, при интерпретации результатов моделирования следует вспомнить ещё об одном факторе. В рамках механизма оценки рисков, часто срабатывает некоторое создаваемое искусственно «смещение», определяемое методами действий разных групп общества ^[24]. Чаще всего относительно небольшие группы, оперирующие в интересах дестабилизации общества, действуя вне правового поля, намеренно и показательно создают куда большие угрозы личности, чем карательные органы государства. Делая это в совокупности с целевым воздействием на наиболее активных и публичных представителей противостоящей стороны. В результате оценка рисков также смещается в их пользу, заставляя обывателя принимать решение, соответствующее их целям. Исторических примеров этому множество: революционный террор, религиозный экстремизм и т.п. Яркий пример подобных действий – запредельная запугивающая жестокость публичных наказаний, практикуемых запрещённым в России ИГИЛ. Или внесудебные расправы разнообразных «эскадронов смерти». Ещё один, не столь радикальный, вариант смещения оценки рисков – не слишком суровое, но неотвратимое наказание от различных общественных организаций, объединяющихся в сообщества в соцсетях и выявляющих противников по тем или иным вопросам.

Часто именно такие подходы реализуются через специализированные технологии на многочисленных площадях и майданах в рамках «цветных» и «цветочных» революций.

В-третьих, при описании модели следует учесть следующий психологический аспект – принимая решение, индивидуум пользуется, как правило, не точными значениями стоимости рисков и вероятностей, которые он посчитать не в состоянии, а их оценками в собственном сознании. Соответственно, целенаправленное формирование этих оценок, один из способов противодействия деструктивным действиям. Как в части вероятностей, величины возможных потерь, так и ожидаемой полезности результата. С учётом предыдущих рассуждений – вероятностей и величины потерь и прибыли лично для каждого потенциального участника протестов.

3. Перспективы применения модели на основе теории рисков

Предлагаемая модель, после её настройки и верификации, может быть использована как для прогнозирования рисков деструктивных антиобщественных воздействий, так и для оценки вариантов противодействия им. Как и большинство средств прогнозирования, предлагаемая модель будет использоваться не для выработки оптимальных решений, а для сравнительной оценки ожидаемых результатов их реализации в процессе итерационного метода поиска решения. Оценив с её помощью их относительную вероятность и стоимость, пользователь сможет выбрать наиболее эффективные методы из перечня спланированных.

При этом, даже в наиболее общей, описательной форме, предлагаемая модель рисков уже на этапе концептуального описания позволяет выделить следующие основные методы противодействия деструктивным действиям:

- повышение личной вероятности неуспеха деструктивных действий для каждого их потенциального участника за счёт использования технологий распознавания личности и реализации на их основе мер «точечных» воздействий. В первую очередь – для организаторов процесса;

- кардинальное повышение «стоимости» неуспеха, и не столько даже самой стоимости, сколько представления о её величине для потенциальных участников событий;

- убеждение потенциальных участников конфликтов в низкой вероятности ошибки при отказе от противоправных действий и высокой плате за участие в них. И в целом, для обеспечения такой цели – перехват информационных потоков, недопущение их использования протестующими и поддерживающими их внешними силами, создание своеобразной монополии на агитацию со стороны государства. Этот аспект особенно актуален сейчас, когда основной протестов является молодежь, поколение пользователей смартфонов, метко названное в Германии «поколением опущенных голов» (Generation Kopf unten, нем.);

- выстраивание логичных отношений с протестующими. Например, недопустимость прямых уступок им, так как уступки завышают вероятность позитивных ожиданий и приводят к возрастанию требований, как показывает пример Украины 2014 года, Франции и Гонконга 2018-2019 годов и ряда других стран.

С учётом того, что, как показывает анализ современного протестного движения, в том числе реализуемого в рамках межгосударственного противоборства, оно смещается в киберпространство и высокотехнологичную сферу, необходимо обеспечить и соответствующее высокотехнологичное противодействие. В том числе, в части разработки специальных программ, создание подразделений для их использования и подготовки соответствующих специалистов. В этом процессе предлагаемая модель уверенно найдёт место для использования.

И ещё один фактор: как это ни парадоксально звучит, использование модели рисков может стать основой гуманизации общества. Произойдёт это за счёт появления возможности снижения жесткости наказания до уровня, равного стоимости возможной выгоды, при одновременно повышении вероятности их применения. Например, в части соблюдения правил дорожного движения, особенно не несущих угрозу жизни и здоровью людей. Пример – выезд на полосу для общественного транспорта. Это пример менее глобального, а скорее утилитарного использования модели рисков: для предотвращения некритично опасного движения автомобилей по выделенным полосам можно не тратиться на установку многочисленных камер наблюдения, которые не окупятся, а программно собирать данные с уже имеющихся видеорегистраторов общественного транспорта и обрабатывая их, предельно повысить вероятность наказания нарушителей. Причём именно нарушителей, реально мешающих проезду, повысив им как вероятность наказания, так и сам штраф. А на остальных можно просто не реагировать, как на некритичных нарушителей.

Заключение

С точки зрения практики, все сгенерированные с помощью модели предложения достаточно очевидны и при логическом анализе содержания социальных процессов. В то же время, с применением модели, которая может быть разработана на основе сформулированной постановки задачи, они становятся более обоснованными. Переход от субъективных оценок к количественным прогнозам, основанным на данных моделирования, обеспечит более эффективную реализацию конкретных действий.

Задача может решаться не только на прикладном уровне, описанном в статье. В любом противостоянии наиболее эффективно бороться не со следствиями, и не с субъектами действий, а с глобальными причинами их возникновения. Анализ источников формирования этих причин и их выявление – намного более сложный механизм, чем оценка поведения участников протестных движений. Но и оно может быть оценено с применением моделей на основе теории рисков: более сложных, более высокого уровня, но теоретически реализуемых. И такая возможность в условиях непрерывного возрастания роли невоенных мер межгосударственного противоборства ^[25-28] и уровня их опасности ^[28-33], является очень важным и необходимым фактором обеспечения безопасности в современном глобализированном мире.