В принципе существует еще один уровень анализа и измерения движения форм социальной среды: выкристаллизовавшиеся в ней квазиобъекты, первые два из которых были показаны пока для примера в социальных картах. В ряде случаев эти «пульсирующие» образования были получены нами при исследовании оценок солидарности людей относительно эффективности принятых публично решений, материалов газеты, апеллирующих к властям, групп по присвоению рекламы товаров повседневного спроса. Они также получены при анализе профессиональной ориентации населения, отношения его к окружающему страну мировому сообществу и освещению жизни стран мира в информационном ряду. Это некие постоянно «горящие, вспыхивающие и гаснущие» в пространственно-временной фигуре социума аппликации деятельности и сознания. Именно эти квазиобъекты требуют от социологии свого изучения: измерения времени и условий существования, плотности своих характеристик при тех или иных экономических условиях обмена деятельностями. Однако представлять их надо по ходу изложения.

Уже в процессе реализации таганрогского проекта перед исследовательской группой остро стояла проблема статистического и математического аппарата, интегрирующего полученные данные. В общем данные проекта насчитывали около 12 млн частот социальных фактов и событий, которые невозможно было осмыслить, если не «сжать» информацию на один, а то и два порядка. Дальнейшая работа резко увеличила информационное поле. В базах данных, положенных в основу анализа, это поле частот в 5 раз объемнее.

Выше мы вывели инструмент анализа и синтеза на авансцену изложения на живых статистических примерах («Теория мертва, мой друг, но вечно зеленеет древо жизни», – говорит дух познания авторитетному профессору). Однако же, поступая и в дальнейшем таким же образом, мы остановимся здесь на методах, применявшихся в исследовании, для краткого обзора-резюме, облегчающего понимание дальнейшего описания.

В статистике широко апробированы применяемые нами методы. Наиболее сильным из них для исследований пилотажного типа на начальной стадии выступает комбинаторный метод группировки, когда из «связанных» признаков составляются новые. Сродни ему и метод логической классификации и кластерный анализ, широко применявшийся нами все эти годы для переструктурирования исходных данных наших объектов. После получения новых интегрированных признаков, качественных и количественных, начинается обычно традиционный дисперсионный (или энтропийный) анализ[35]. Трудность их применения долгое время была связана с отсутствием мощной вычислительной техники и статистического аппарата для быстрой работы с огромными базами данных и поиском взаимосвязей. Речь шла о диалоговом режиме работы с базами данных из нескольких сотен исследований.

В 1978 г. наметился было прорыв в этой области благодаря применению «DA-системы» С. В. Чеснокова на машинах типа PDP-11[36] в Институте Системных исследований, но наше сотрудничество было прервано негативной позицией сотрудников, ставивших в этом институте промежуточную визу на решениях. Для анализа мнгогомиллионного поля частот нужна была «машинно-математическая драга», выясняющая и проявляющая силу связей в матрицах признаков параллельно и одновременно с выводом данных на экран дисплея. Такой подход, отсекающий все лишнее, был реализован в методе формализации серии логических выводов, о котором мы вкратце сказали выше. Поясним его простоту и очевидность.

Анализируя двумерную матрицу частот, исследователь работает в понятиях «больше» – «меньше», рассматривая нормированное отклонение признака в градациях «подлежащего» от так же нормированного его значения в «сказуемом» по выборке в целом. Сила отклонения рассматривается, анализируется, оценивается, гипотеза выдвигается или отвергается. Это написано во многих учебных пособиях[37].

Безумна затея – оценивать значимость отклонений по каждой клетке в десятках тысяч таблиц, проверяя то, что важно называется «гипотезой», а по-нашему – просто очередной логический вывод типа «больше» – «меньше». Все это может сделать компьютер, рассмотрев, сравнив, оценив, проставив знак с математической достоверностью. Если отклонение незначимо, программа проставляет в этой клетке знак «±», если частота в таблице непредставительна, программа ставит «·». Так, в табл. 1.7 мы сразу видим дифференциацию возрастных групп по включенности в политико-идеологический и информационный процессы и тут же полную их индифферентность в отклонении их оценок аккумуляции информации органами власти от средних по массиву. Дифференциация оценок в классовом и образовательном срезе и там и там очевидна. Мы сразу видим и лес и деревья.

Коэффициенты сопряженности, основанные на критерии «хи-квадрат» имеют в анализе другие функции. Они показывают общую связь признаков, когда мы меряем сопряженность разных подсистем. Но не детали. Это хорошо видно на измерении взаимной связи связи в «активности» и «информированности»[38].

Мы видим, что в первой из таблиц 3x3, где приводятся данные о распределении уровня знаний о «косыгинской» реформе у всего населения города, наибольший коэффициент взаимной сопряженности («хи-квадрат» составляет здесь 350,998). Однако, как только мы исключаем из анализа треть населения, не использующую никаких источников информации об экономической жизни города и не знающую ни одного элемента информации об экономической реформе на предприятиях, мы получаем в несколько раз меньшее значение «хи-квадрата»: 88,813, а отсюда и соответствующие коэффициенты сопряженности. В то же время перепады в долях процентов в 3 – 4 раза (!) от среднего значимы. Они говорят о прямой взаимозависимости знаний о происходящих экономических событиях и производственной и информационной активности. Здесь анализ, основанный на «хи-квадрате», может помочь только в интерпретации показателей энтропии. Она резко возрастает из-за расширения масштабов общности и концентрации массы населения или в области отчуждения от происходящего процесса, или в активной зоне происходящего. На предприятиях Ташкента энтропия по заполненным клеткам 0,738. Две клетки не выпадают. Нельзя быть высокоактивным в определенной области и мало знать об этой области. И наоборот: быть малоактивным и много знать[39]. Перед нами информационно-деятельностный синдром, точно такой же, кстати, как и в случае информационного приема (табл. 1.12). Ведь осознание объективных информационных потребностей – та же информированность на уровне рефлексии собственной деятельности. Но и там коэффициенты на основе «хи-квадрат» «зашкаливаются», и в плотной, и в разреженной аудитории и показывают одно и в плавно принимаемом, и в судорожно выхватываемом потоках сведений (табл. 1.13).

Между тем все три коэффициента и показатели энтропии работают вместе с оценками силы отклонений и дают достаточно надежную для аргументации картину[40]. Кроме того, здесь возникает фундаментальное предположение, косвенно подтверждаемое падением и возрастанием значений энтропии среди незанятого в народном хозяйстве населения города и среди двух типов производственных общностей (переходящих на новую систему работы и работающих по старой). Дело в том, что энтропия – линейная функция и ее значения, показывая своего рода меру рассеяния данного континуума предметностей по массе населения, позволяют предполагать, что метрика социального пространства ограничена функциональным горизонтом общностей. И чем меньше общность, тем меньше значение энтропии (при прочих равных условиях пронизывания систем деятельности формами силовых линий социальных институтов). Это предположение нуждается в соответствующей экспериментальной проверке.