Эффективность систем глобального мониторинга рисков социально-политической дестабилизации: опыт систематического анализа

Таблица 9. Корреляция между индексом С 1РР за фиксированный год п со средними значениями агрегированного индекса социально-политической дестабилизации за следующие пять лет

Год	r	p
2010/2011-2015	0,266	< 0,001
2011/2012-2016	0,230	0,001

Индекс неустойчивых государств (Fragile States Index)

Индекс неустойчивых государств (Fragile States Index, FSI; не путать с Индексом неустойчивости государств [State Fragility Index, SFI], см. выше) - это проект по оценке "хрупкости" государств, разработанный командой Фонда мира (The Fund for Peace), который охватывает 178 государств и выходит ежегодно по настоящее время. Впервые индекс опубликован в 2006 году (Fund for Peace, 2017, 2019a, 2019b).

Авторы отмечают, что достоинством индекса является его множественный подход к оценке "хрупкости" государств. Для составления индекса авторы применяют собственный подход - Conflict Assessment System Tool (CAST), который совмещает в себе качественный экспертный анализ, количественный анализ и контент-анализ. Индекс составляется в несколько этапов:

1) Контент-анализ: каждый из индикаторов, входящих в перечень CAST, разбивается на субиндикаторы, для которых применяется поиск в медиа через булевские поисковые фразы (Boolean search phrases). Это делается для исследования важности каждого из субиндикаторов для данной страны.

2) Количественный анализ: авторы используют существующие базы данных (World Bank, World Health Organization и т. д.) для анализа значимости индикаторов CAST. Данные приводятся к единой шкале и масштабируются. Тенденции, обнаруженные в результате количественного анализа, затем сравниваются с результатами контент-анализа.

3) Качественный экспертный анализ: на данном этапе группа экспертов дает оценку каждой из 178 стран, сравнивая показатели этого года с предыдущим. Из- за разности подходов, которые применяют эксперты, данный этап старается "ухватить" годовой тренд, который может быть не столь заметен по итогам количественного анализа, который оценивает большие временные периоды.

4) Данные, полученные в результате трех этапов, описанных выше, затем совмещаются и взаимодополняются. Итоговые значения индекса FSI для каждой страны считаются на этом этапе. Наконец, эксперты проводят окончательный обзор для универсализации показателей по всем странам. Более наглядно процесс создания итогового индекса можно увидеть на следующем рисунке (см. рис. 7).

1)

Рис. 7. Этапы создания индекса FSI (источник: Fund for Peace, 2017: 5; 2019a: 32)

Далее следует упомянуть индикаторы, использующиеся для составления индекса FSI:

Индикаторы "сплоченности" (cohesion) (Fund for Peace, 2019a: 34):

1) Индикатор безопасности (The Security Apparatus indicator).

2) Индикатор элитного раскола (The Factionalized Elites indicator).

3) Индикатор группового недовольства (The Group Grievances indicator). Индикаторы политики (Fund for Peace, 2019a: 38):

1) Индикатор государственной легитимности (The State Legitimacy indicator).

2) Индикатор государственной службы (The Public Service indicator).

3) Индикатор прав человека и верховенства права (The Human Rights and Law indicator).

Экономические индикаторы (Fund for Peace, 2019a: 36):

1) Индикатор экономического спада (Economic decline indicator) .

2) Индикатор неравномерности развития (Uneven Development indicator).

3) Индикатор эмиграции и утечки мозгов (The Human Flight and Brain Drain indicator).

Социальные индикаторы (Fund for Peace, 2019a: 40):

1) Индикатор демографического давления (The Demographic Pressures indicator).

2) Индикатор беженства (Refugees and IDPs).

Предиктивные способности индекса

Оценим теперь предиктивную способность данного индекса. Напомним, что для этого мы применяем метод парной пирсоновской корреляции, коррелируя индекс FSI со значениями интегрального индекса дестабилизации (domestk 9) базы данных CNTS (Banks, Wilson, 2019; подробное описание данного индекса см. выше), который мы используем как индикатор общего уровня социально-политической дестабилизации в стране. Так как мы хотим узнать именно предиктивную силу FSI, мы коррелируем значение индекса по странам в год n со значениями интегрального индекса социально-политической дестабилизации CNTS по странам в год n + 1. Результаты анализа выглядят следующим образом (см. табл. 10).

Таблица ю. Парная корреляция между индексами FSI на год n и значениями агрегированного индекса социально-политической дестабилизации CNTS в следующем году

Год	r	p
2006/2007	0,249	0,003
2007/2008	0,348	< 0,001
2008/2009	0,375	< 0,001
2009/2010	0,326	< 0,001
2010/2011	0,119	0,119
2011/2012	0,221	0,004
2012/2013	0,276	0,001
2013/2014	0,241	0,001
2014/2015	0,309	0,000
2015/2016	0,185	0,015
2016/2017	0,183	0,015
2017/2018	0,187	0,012

Мы видим уже знакомую картину: до Арабской весны индекс имеет достаточно высокую предиктивную силу (сопоставимую с той, что мы могли видеть выше для Индекса политической нестабильности PII и Индекса неустойчивости государств SFI); как и все остальные индексы, Индекс неустойчивых государств FSI демонстрирует наихудшую предиктивную способность при использовании оценок 2010 года в качестве предикторов уровня дестабилизации в 2011 году. Таким образом, и Индексу неустойчивых государств FSI не удалось спрогнозировать в 2010 году, где именно будет наблюдаться наиболее сильная социально-политическая дестабилизация в 2011 г. (о возможных причинах систематического падения предиктивной способности всех индексов накануне Арабской весны мы уже писали выше). Как и у всех остальных индексов, после Арабской весны предиктивная сила FSI снова начинает расти, но так же, как и у них, она не выходит на уровень периода, предшествовавшего фазовому переходу 2011 года (о причинах этого мы тоже уже писали выше).

Рассмотрим подробнее графики за следующие годы: 2007/2008, 2008/2009 и 2014/2015 (см. рис. 8-10).



Значения индекса риска политической дестабилизации FSI, рассчитанные в 2007 году

Рис. 8. Корреляция между индексом РБ! за 2007 год и значениями агрегированного индекса социально-политической дестабилизации СЫТБ за 2008 год

Рис. 9. Корреляция между индексом РБ! за 2008 год и значениями агрегированного индекса социально-политической дестабилизации СЫТБ за 2009 год



Рис. 10. Корреляция между индексом FSI за 2014 год и значениями агрегированного индекса социально-политической дестабилизации CNTS за 2015 год (источник: Banks, Wilson, 2019; Fund for Peace, 2019)

Стоит обратить внимание на то, что здесь эффект порогового значения индекса выражен достаточно сильно - значение индекса ББ 1, превышающее 65 пунктов, говорит уже о действительно высоком риске дестабилизации в стране. Можно отметить и второй пороговый уровень в районе 100 пунктов, превышение которого маркирует крайне высокий риск дестабилизации. В то же самое время значение индекса ББ 1 ниже 60 может рассматриваться в качестве достаточно сильного индикатора очень низкого риска дестабилизации.

Теперь рассмотрим предиктивную способность индекса ББ 1 на три года. Для этого зафиксируем значение ББ 1 на год п и рассчитаем коэффициенты пирсоновской корреляции между данным значением и средними значениями интегрального индекса СМТБ за годы п + 1, п + 2 и п + 3. Полученные нами при этом результаты выглядят следующим образом (см. табл. 11).

Таблица п. Корреляция между индексом ББ! на год п со средними значениями агрегированного индекса социально-политической дестабилизации за следующие три года

Год	Г	р
2006/2007-2009	0,381	< 0,001
2007/2008-2010	0,420	< 0,001
2008/2009-2011	0,273	< 0,001
2009/2010-2012	0,242	0,001
2010/2011-2013	0,259	0,001
2011/2012-2014	0,248	0,001
2012/2013-2015	0,286	<0,001
2013/2014-2016	0,233	0,002
2014/2015-2017	0,194	0,010
2015/2016-2018	0,242	0,001

И снова мы наблюдаем уже достаточно знакомую картину. До попадания аномалии 2011 года в горизонт прогнозирования индекс очень хорошо предсказывает средний уровень дестабилизации в ближайшие три года (существенно лучше, чем в ближайший год). В 2008-2009 годах прогностическая способность индекса очень значительно (почти в два раза) падает в связи с попаданием в зону прогнозирования аномалии 2011 года. Отметим, что последующее восстановление трехлетней прогностической способности выражено в данном случае довольно слабо, хотя все-таки значения индекса ББ 1 за 2015 год предсказали средний уровень нестабильности в последующие три года значительно лучше, чем актуальный уровень дестабилизации в следующем году (аналогичную закономерность мы наблюдали выше и применительно к индексу ББ 1).

Рассмотрим теперь предиктивную способность индекса ББ 1 на пять лет. Для этого фиксируем значение ББ 1 на год п и рассчитаем коэффициенты пирсоновской корреляции между данным значением и средними значениями интегрального индекса СМТБ за годы п + 1, п + 2, п + 3, п + 4 и п + 5. Полученные нами при этом результаты выглядят следующим образом (см. табл. 12).

Таблица и. Корреляция между индексом ББ! за фиксированный год п со средними значениями агрегированного индекса социально-политической дестабилизации за следующие пять лет

Год	r	p
2006/2007-2011	0,347	< 0,001
2007/2008-2012	0,301	< 0,001
2008/2009-2013	0,296	< 0,001
2009/2010-2014	0,256	0,001
2010/2011-2015	0,262	0,001
2011/2012-2016	0,232	0,002
2012/2013-2017	0,221	0,003
2013/2014-2018	0,237	0,001

Итак, уже в 2006 году пятилетний прогноз оказывается заметно менее точным, чем трехлетний в связи с попаданием в горизонт прогнозирования аномалии 2011 года. В дальнейшем данная прогностическая способность продолжает достаточно монотонно снижаться, что, как мы помним, по всей видимости, может объясняться описанным выше эффектом глобального фазового перехода Мир-Системы в качественно новое состояние с появлением новых закономерностей, не учитываемых системами, разработанными до Арабской весны.

Сравнение предсказательной способности различных индексов социально-политической дестабилизации

Рассмотрим сравнительную таблицу показателей корреляции и значимости различных индексов (табл. 13). Для контроля в последней колонке таблицы 13 приведем силу корреляции для того варианта, как если бы мы для прогнозирования уровня дестабилизации в тех или иных странах в следующем году использовали актуальные значения интегрального индекса СМТБ за этот год. Например, число 0,677 в таблице 13 в последней колонке по строке 2007/2008 означает, что коэффициент корреляции Пирсона (г) между актуальным уровнем дестабилизации (измеренным через интегральный индекс CNTS), рассчитанным в 2007 году, и актуальным уровнем дестабилизации (измеренным через интегральный индекс CNTS), наблюдавшимся в 2008 году, составляет 0,677 (и, таким образом, предиктивная сила прогноза, исходящего из допущения, что уровень дестабилизации в странах в 2008 году будет пропорционален актуальному уровню дестабилизации в этих странах в 2007 году, составила бы 0,677).

Таблица 13. Корреляция (г) между значениями различных индексов за год п и значениями агрегированного индекса социально-политической дестабилизации CNTS в следующем году

Годы	FSI	CIFP	PII	SFI	CNTS
2006/2007	0,249*	--	--	0,216*	0,646**
2007/2008	0,348**	--	0,348**	0,366*	0,677**
2008/2009	0,375**	--	--	0,404**	0,554**
2009/2010	0,326**	--	--	0,370**	0,581**
2010/2011	0,119	0,133	< 0,001	0,095	0,303**
2011/2012	0,221*	0,228*	0,157*	0,248*	0,486**
2012/2013	0,276**	0,271**	--	0,297**	0,593**
2013/2014	0,241**	--	--	0,261*	0,811**
2014/2015	0,309**	--	--	0,362**	0,824**
2015/2016	0,185*	--	--	0,196*	0,631**
2016/2017	0,183*	--	--	0,205*	0,979**
2017/2018	0,187*	--	--	0,218*	0,661**

* 0,001 < p < 0,05; ** < 0,001

В целом наиболее высокая предиктивная способность из всех рассмотренных индексов прослеживается у Индекса неустойчивости государств (State Fragility Index, SFI), который уже в течение более чем десяти лет систематически демонстрирует более высокую корреляцию между своими прогнозами и актуальными уровнями дестабилизации в последующие годы. И это притом что индекс рассчитывается очень небольшим коллективом исследователей, использующим достаточно простую (но строгую) прозрачную методику и открытые данные (Marshall, Elzinga-Marshall, 2018). Однако данный индекс систематически обладает более высокой предиктивной способностью, чем Индекс неустойчивых государств (Fragile States Index, SFI), разрабатываемый заметно более крупным коллективом с использованием несравненно более сложной (но при этом совершенно недостаточно прозрачной) методики: она включает в себя контент-анализ 45-50 миллионов статей и докладов в год или неформализованный качественный анализ поцессов в каждой из 178 рейтингуемых индексом стран (Fund for Peace, 2017: 5; 2019a: 32). В связи с этим работу в данной области рассчитывающего Индекс неустойчивости государствам SFI Центра системного мира (Center for Systemic Peace) нельзя не признать несравненно более эффективной, чем деятельность готовящего Индекс неустойчивых государств FSI Фонда мира (The Fund for Peace).

Особо же обращает на себя внимание то обстоятельство, что прогноз, построенный на допущении о том, что уровень дестабилизации в каждой данной стране в следующем году будет пропорционален актуальному уровню дестабилизации в этом году, оказывается во всех случаях обладающим большей прогностической силой, чем прогнозы на базе любого из рассмотренных нами индексов Отметим, что систематически большую корреляцию со значением уровня актуальной дестабилизации в году n + 1 демонстрируют (по сравнению с другими индексами) значения Глобального индекса мира (Global Peace Index, GPI) (Institute for Economics and Peace, 2019), что связано как раз с тем уже отмечавшимся выше обстоятельством, что данный индекс дает оценку не риска социальнополитической дестабилизации в той или иной стране, а актуального уровня политической нестабильности в ней..

Тем не менее, рискнем утверждать, что до Арабской весны, рассмотренные нами индексы работали не так уж и плохо. Действительно, с одной стороны, казалось бы, уже для этого периода более точный прогноз уровня политической нестабильности можно было получить, просто предположив, что в следующем году уровень социально-политической дестабилизации будет примерно таким же, как и в этом году. Например, Индекс политической нестабильности (PII) Аналитического отдела журнала "Экономист" свою наивысшую предиктивную силу продемонстрировал в 2007 году, когда значения этого индекса в 2007 году неплохо коррелировали с актуальным уровнем дестабилизации в тех или иных странах в 2008 г. (г = 0,348, p < 0,001). Однако, если бы мы сделали в 2007 году прогноз на 2008 год, просто предположив, что в 2008 году уровень политической нестабильности будет примерно таким же, как и в 2007-м, мы бы получили заметно более высокую корреляцию (г = 0,677, p < 0,001).

Сравним диаграмму рассеивания для этой корреляции (см. рис. 11) с диаграммой рассеивания для корреляции между значениями индекса риска политической дестабилизации PII, рассчитанным в 2007 году, и актуальным уровнем дестабилизации (измеренным через интегральный индекс нестабильности CNTS), наблюдавшимся в 2008 году (см. рис. 11 и 12).

Рис. 11. Корреляция между актуальным уровнем дестабилизации (измеренным через интегральный индекс СЫТБ), рассчитанным в 2007 году, и актуальным уровнем дестабилизации (измеренным через интегральный индекс СЫТБ), наблюдавшимся в 2008 году (г = 0,677, р < 0,001)



Рис. 12. Корреляция между значениями индекса риска политической дестабилизации PII, рассчитанным в 2007 году, и актуальным уровнем дестабилизации (измеренным через интегральный индекс CNTS), наблюдавшимся в 2008 году

(r = 0,348, p < 0,001)

Как мы видим, высокие значения актуальной дестабилизации в 2007 году служили лучшим предиктором высокой дестабилизации в 2008 году, чем высокие значения Индекса политической нестабильности в 2007 году, однако низкие значения Индекса политической нестабильности служили лучшим предиктором низкого уровня политической дестабилизации.

Это можно показать и несколько более формально. Действительно, при дихотомизации мы получаем следующую картину (см. табл. 14 и 15).

Таблица 14. Корреляция между дихотомизированным индексом PII за 2007 год и дихотомизированным интегральным индексом CNTS за 2008 год

	Дихотомизированный агрегированный индекс дестабилизации CNTS на 2008 год	Итого
	0 = низкий уровень дестабилизации (< 1000)	1 = высокий уровень дестабилизации (> 1000)
Дихотомизиро- ванный Индекс политической нестабильности PII на 2007 год	о = низкие значения индекса (< 3)	41 100,0%	0 0,0%	41 100%
	1 = высокие значения индекса (> 3)	94 78,3%	2б 21,7%	120 100%
Итого	135	2б	161

Примечание: r = 0,257, p = 0,001; y = 1,0, p < 0,001.

Таблица 15. Корреляция между дихотомизированным индексом СЫТБ за 2007 год и дихотомизированным индексом СЫТБ за 2008 год

	Дихотомизированный агрегированный индекс CNTS на 2008 год	Итого
	0 = низкий уровень дестабилизации (< 1000)	1 = высокий уровень дестабилизации (> 1000)
Дихотомизированный агрегированный индекс дестабилизации CNTS на 2007 год	о = низкий уровень дестабилизации (< 1000)	165 92,2%	14 7,8%	179
	1 = высокий уровень дестабилизации (> 1000)	6 33,3%	12 66,7%	18
Итого	171	26	197

Примечание: r = 0,501, p < 0,001; y = 0,919, p < 0,001.

Итак, низкие значения Индекса политической нестабильности в 2007 году реально позволяли отобрать страны с действительно низкими рисками социально-политической дестабилизации с заметно большей точностью, чем это можно было сделать, опираясь только на низкие значения интегрального индекса актуальной дестабилизации CNTS. При этом формально об этом свидетельствуют более высокие значения гамма-коэффициента, говорящие о том, что хотя бы в одном направлении Индекс политической нестабильности давал лучшую предикцию, чем CNTS.

Близкие результаты мы получаем и при анализе предиктивной способности Индекса государственной неустойчивости SFI за 2008 год (см. рис. 13 и 14).

Мы видим сходную картину - высокие значения актуальной дестабилизации в 2008 году служили лучшим предиктором высокой дестабилизации в 2009 году, чем высокие значения Индекса государственной неустойчивости в 2008 году, однако низкие значения Индекса государственной неустойчивости служили лучшим предиктором низкого уровня политической дестабилизации.

Покажем это снова несколько более формально. При дихотомизации мы на этот раз получаем следующую картину (см. табл. 16 и 17).

Таблица 16. Корреляция между дихотомизированным индексом БР! за 2008 год и дихотомизированным интегральным индексом СЫТБ за 2009 год

	Дихотомизированный агрегированный индекс дестабилизации СЫТБ на 2009 год	Итого
	0 = низкий уровень дестабилизации (< 1000)	1 = высокий уровень дестабилизации (> 1000)
Дихотомизиро- ванный Индекс государственной неустойчивости БР! на 2008 год	о = низкие значения индекса (< б)	б 9 100%	9 0%	б 9 100%
	1 = высокие значения индекса (> б)	б 5 б 7,7%	31 32,3%	9б 100%
Итого	134	31	1б 5

Примечание: г = 0,408, р < 0,001; у = 1,0, р < 0,001.

Таблица 17. Корреляция между дихотомизированным индексом СЫТБ за 2008 год и дихотомизированным индексом СЫТБ за 2009 год

	Дихотомизированный агрегированный индекс дестабилизации СЫТБ на 2009 год	Итого
	0 = низкий уровень дестабилизации (< 350)	1 = высокий уровень дестабилизации (> 350)
Дихотомизированный агрегированный индекс дестабилизации СЫТБ на 2008 год	0 = низкий уровень дестабилизации (< 1000)	158 92,5%	13 7,б%	171 100%
	1 = высокий уровень дестабилизации (> 1000)	9 33,3%	18 бб,7%	27 100%
Итого	1б 7 84,3%	31 15,7%	198 100%

Примечание: г = 0,558, р < 0,001; у = 0,921, р < 0,001.

Рис. 13. Корреляция между индексом SFI за 2008 год и значениями агрегированного индекса социально-политической дестабилизации ОМТБ за 2009 год (г = 0,404, р < 0,001)



Рис. 14. Корреляция между актуальным уровнем дестабилизации (измеренным через интегральный индекс СЫТБ), рассчитанным в 2008 году, и актуальным уровнем дестабилизации (измеренным через интегральный индекс СЫТБ), наблюдавшимся в 2009 году (г = 0,554, р < 0,001)

Итак, низкие значения Индекса государственной неустойчивости в 2008 году реально позволяли отобрать страны с реально низкими рисками социально-политической дестабилизации с заметно большей точностью, чем это можно было сделать, опираясь только на низкие значения интегрального индекса актуальной дестабилизации CNTS. Формально об этом свидетельствуют более высокие значения гамма-коэффициента, говорящие о том, что хотя бы в одном направлении Индекс государственной неустойчивости давал лучшую предикцию, чем CNTS.

В целом можно сказать, что до Арабской весны рассмотренные нами индексы все-таки некоторую полезную функцию выполняли, позволяя идентифицировать не столько страны с высоким риском дестабилизации, сколько страны с особо низкими рисками такого рода. Определенная польза здесь была, так как очень низкие значения этих индексов служили своего рода гарантией, что, по крайней мере, в ближайшее время никакой серьезной дестабилизации в данной стране можно не ждать (что могло быть достаточно небесполезным, скажем, при принятии инвестиционных решений). При этом точность идентификации стран с особо низкими рисками дестабилизации у рассмотренных нами индексов была несколько выше, чем у простого экстраполяционного прогноза, основанного на допущении, что во всех странах, где социально-политическая дестабилизация отсутствовала в этом году, она будет отсутствовать и в следующем году.

Однако в 2010 году все индексы дают очень серьезный сбой (см., напр., рис. 15).

Рис. 15. Корреляция между значениями индекса риска политической дестабилизации PII, рассчитанного в 2010 году, и актуальным уровнем дестабилизации (измеренным через интегральный индекс CNTS), наблюдавшимся в 2011 году (г < 0,001, p = 0,999)

Высокие значения индексов не только оказываются не очень хорошими предикторами высокой степени актуальной дестабилизации в 2011 году, но и низкие значения индексов - плохими предикторами низкой степени актуальной дестабилизации - откровенно высокие уровни социально-политической дестабилизации в 2011 году наблюдаются и во многих государствах, которым "политические рейтинговые агентства" в 2010 г. присваивали откровенно низкие индексы рисков дестабилизации.

В итоге, как мы могли видеть выше в таблице 13, все индексы в 2010/2011 годах демонстрируют крайне низкие статистически незначимые корреляции между ожидаемыми и наблюдаемыми уровнями дестабилизации, что нельзя не связать с аномальной во многих отношениях волной 2011 года, запущенной событиями Арабской весны (Коротаев, Исаев, Шишкина, 2016; Коротаев, Шишкина, Исаев, 2016; Коротаев, Мещерина и др., 2016, 2017; Коротаев, Романов, Медведев, 2019; Akaev et al., 2017; Korotayev, Meshcherina, Shishkina, 2018).

Примечательно, что в 2010/2011 годах очень сильно падает и предиктивная способность простого экстраполяционного прогноза (исходящего из допущения, что уровень дестабилизации в следующем году будет пропорционален уровню дестабилизации этого года). Тем не менее в отличие от индексов, его предиктивная способность остается статистически значимой.

Как было показано выше несколькими способами, после 2011 года предиктивная способность индексов до некоторой степени восстанавливается, вновь оказывается статистически значимой, но на уровень, предшествующий Арабской весне, так и не выходит. Это подтверждает выводы наших предыдущих работ о том, что Арабская весна в 2011 году выступила в качестве триггера глобального фазового перехода, в результате которого Мир-Система пришла в качественно новое состояние, в рамках которого стали наблюдаться некоторые новые закономерности, не учитываемые системами, разработанными до Арабской весны (Гринин и др., 2015; Коротаев, Исаев, Шишкина, 2016; Коротаев, Шишкина, Исаев, 2016; Коротаев, Ме- щерина и др., 2016, 2017; Коротаев, Шишкина, Лухманова, 2017; Коротаев, Романов, Медведев, 2019; Akaev et al., 2017; Grinin, Korotayev, 2012, 2016; Korotayev, Meshche- rina, Shishkina, 2018).

После 2011 года восстановилась предиктивная сила не только индексов, но и простого экстраполяционного прогноза, при этом у последнего (в отличие от первых) она не просто восстановилась, но и заметно выросла. В результате предиктивная сила простого экстраполяционного прогноза стала превосходить предиктивную силу "научно разработанных" индексов не только по коэффициенту корреляции Пирсона, но и по гамма-коэффициенту. Таким образом, существующие системы прогнозирования рисков социально-политической дестабилизации утратили последние "конкуретные преимущества" перед методом простой экстраполяции. Все это, конечно же, говорит о необходимости разработки нового поколения систем прогнозирования рисков социально-политической дестабилизации.

Отметим одну из причин снижения предиктивной силы индексов в последние два десятилетия. Дело в том, что во всех рассмотренных нами индексах большой вес в качестве предикторов социально-политической дестабилизации имеет низкий ВВП на душу населения и другие показатели экономической слаборазвито- сти. Однако, как было показано в ряде работ последних лет (Boehmer, Daube, 2013; Enders, Hoover, Sandler, 2016; Коротаев, Билюга, Шишкина, 2016, 2017а, 2017б; Коро- таев, Гринин и др., 2017: 48-109; Коротаев, Васькин, Билюга, 2017; Васькин, Цирель, Коротаев, 2018; Korotayev, Bilyuga, Shishkina, 2018; Korotayev et al., 2018; Korotayev, Vaskin, Tsirel, 2020), только перевороты и попытки переворотов однозначно отрицательно коррелируют с подушевым ВВП. Все же остальные проявления социально-политической дестабилизации (массовые беспорядки, политические убийства, репрессии, теракты, политические забастовки и антиправительственные демонстрации) демонстрируют, как это предполагали еще М. Олсон (Olson, 1963) и С. Хантингтон (Huntington, 1968), криволинейную зависимость - в экономически слабо- и среднеразвитых странах экономический рост в тенденции сопровождается значимым усилением их интенсивности и только после прохождения определенной зоны перегиба дальнейший экономический рост начинает сопровождаться значимым ослаблением этой интенсивности. При этом применительно к таким индексам, как политические забастовки, массовые беспорядки и антиправительственные демонстрации, мы имеем дело с такой асимметрией рассматриваемой криволинейной зависимости, когда положительная корреляция между ВВП и нестабильностью для более бедных стран оказывается заметно более сильной, чем отрицательная корреляция для более богатых стран. Особенно сильно эта асимметрия оказывается выраженной для такого важнейшего индекса социально-политической дестабилизации, как интенсивность антиправительственных демонстраций. Для этого индикатора прослеживается ярко выраженная левосторонняя асимметрия - очень сильная положительная корреляция между подушевым ВВП и интенсивностью антиправительственных демонстраций для слабо- и среднеразвитых стран (см. рис. 16) сочетается с крайне слабой отрицательной корреляцией для стран высокоразвитых.

При этом было показано, "что особенно сильный рост глобальной интенсивности после 2010 года прослеживается для тех типов социально-политической дестабилизации, для которых характерна более выраженная положительная корреляция между их интенсивностью и подушевым ВВП. Для тех же типов социально-политической дестабилизации, для которых в большей степени характерна отрицательная корреляция (для средне- и высокоразвитых стран), а положительная корреляция (для слаборазвитых стран) выражена слабее или отсутствует вообще, рост интенсивности либо был менее выразительным, чем для первой группы, либо отсутствовал, либо даже был отрицательнымОтметим прежде всего что тренд к снижению глобального числа переворотов, наметившийся в 1990-е - 2000-е годы в тесной связи с разработкой региональными организациями Африки и Латинской Америке все более эффективных механизмов предотвращения переворотов и их делигити- мизации (см., например: Cowell, 2011; Vandeginste, 2013; Wobig, 2015), продолжился и в 2010-е годы (Коротаев, Мещерина и др., 2016: 45-46)." (Коротаев, Мещерина и др., 2016: 62). В результате в 2010-е годы рост социально-политической дестабилизации в экономически высоко- и в особенности среднеразвитых странах оказался во многом более выраженным, чем в странах слаборазвитых (см., например:



Рис. 16. Корреляция между ВВП на душу населения для стран с доходом до 20 тыс. долларов США по ППС и интенсивностью антиправительственных демонстраций на соответствующий год, 1960-2014 гг. (диаграмма рассеивания с логарифмической шкалой по оси абсцисс и наложенным контуром логарифмической регрессии)17 (источник: Коротаев, Васькин, Билюга, 2017: 25, рис. 13)

Во многом это объясняет значительное снижение после 2010 года прогностической способности рассмотренных нами индексов, созданных во многом с опорой на вроде бы правдоподобное представление о том, что чем менее страна развита экономически, тем с большей вероятностью там можно ждать дестабилизации. Средние значения интенсивности антиправительственных демонстраций для децилей.

Отметим также, что общей особенностью всех рассматриваемых в данной статье индексов - является "одномерность" измеряемой величины. Каждый из них по-своему формализует категорию социально-политических рисков. Однако социально-политическая нестабильность может принимать различные формы и не всегда они связаны с процессами и явлениями, которые пытаются измерить анализируемые индексы.

Важной чертой всех рассматриваемых индексов является модель расчета, основанная на экспертных оценках или весах анализируемых показателей. Это повышает возможности их интерпретации и объяснения передаточных механизмов нестабильности (т. е. можно выделить влияние отдельных факторов), однако ограничивает возможности по учету нелинейных эффектов, связанных с нарушением равновесия в системах, когда существующие известные и оцененные передаточные механизмы перестают работать. Поэтому последнее время все большее значение приобретает не конструирование индекса дестабилизации на основе экспертных оценок, а моделирование нестабильности при помощи более сложных алгоритмов, таких, например, как "деревья решений" или кластерный анализ временных рядов. Такой подход позволяет искать паттерны в данных высокой размерности и выбирать переменные, исходя из количественных критериев в рамках модели, что стало возможным благодаря накоплению большого объема эмпирических данных и применению в политологии методов, разработанных в рамках других дисциплин.

Еще одной общей проблемой использования рассматриваемых индексов является то, что эти индексы их авторы стремились сделать универсальными, чтобы был возможен межстрановый анализ. Но здесь возникает определенная методологическая ловушка, поскольку естественное стремление к универсальности снижает качество индекса. Дело в том, что суть индекса заключается в выделении наиболее важных факторов, влияющих на социально-политическую нестабильность, и в определении относительной значимости этих факторов (путем введения весовых коэффициентов)Обычно это делается экспертными и/или эконометрическими методами. По существу, используемые в настоящее время индексы тоже своего рода модели. Однако они достаточно субъективны, поскольку, как правило, являются результатом экспертных процедур, обобщающих мнения конкретных экспертов, а не результатом моделирования реальных процессов.. Но для разных стран как набор факторов, так и их значимость будут разные, поскольку они определяются конкретными условиями (именно это, по-видимому, является основной причиной недостаточной предсказательной способности существующих индексов).

Конкретику здесь может дать моделирование процессов дестабилизации, адаптированное к конкретной стране и конкретной ситуации. Поэтому для анализа и прогноза процессов дестабилизации целесообразно использовать специализированные прикладные логико-математические модели^, позволяющие: анализировать и моделировать процессы социально-политической дестабилизации, рассматривать различные сценарии развития дальнейших событий, оценивать эффективность мер противодействия. При этом наличие моделей не исключает использования индексов в политическом анализе, просто в этом случае изменяется логика их формирования: индексы перестают быть результатом экспертных процедур, а становятся своеобразной компактной сверткой результатов моделирования процессов социально-политической дестабилизации в конкретных ситуациях.

Заключение

В данной статье нами был дан обзор основных методологий глобального мониторинга и прогнозирования социально-политической дестабилизации и проведен систематический анализ корреляции между прогнозами дестабилизации, генерировавшимися данными системами, и актуально наблюдавшимися уровнями дестабилизации в соответствующих странах.

Показано, что наиболее высокая предиктивная способность из всех рассмотренных индексов прослеживается у Индекса неустойчивости государств (State Fragility Index, SFI), который уже в течение более чем десяти лет систематически демонстрирует более высокую корреляцию между своими прогнозами и актуальными уровнями дестабилизации в последующие годы, чем иные индексы.

Прогноз, построенный на допущении о том, что уровень дестабилизации в каждой данной стране в следующем году будет пропорционален актуальному уровню дестабилизации в этом году, оказывается во всех случаях обладающим большей прогностической силой, чем прогнозы на базе любого из рассмотренных нами индексов риска дестабилизации (по крайней мере, для случаев, когда соответствующие прогнозы были опубликованы). Вместе с тем до Арабской весны рассмотренные нами индексы все-таки выполняли некоторую полезную функцию, позволяя идентифицировать не столько страны с высоким риском дестабилизации, сколько страны с особо низкими рисками такого рода. Очень низкие значения этих индексов служили своего рода гарантией, что по крайней мере в ближайшее время никакой серьезной дестабилизации в данной стране можно не ждать (что может пригодиться, скажем, при принятии инвестиционных решений). При этом точность идентификации стран с особо низкими рисками дестабилизации у рассмотренных нами индексов была несколько выше, чем у простого экстраполяционного прогноза, основанного на допущении, что во всех странах, где социально-политическая дестабилизация отсутствовала в этом году, она будет отсутствовать и в следующем. Формально об этом свидетельствовали более высокие значения гамма-коэффициента, говорящие о том, что хотя бы в одном направлении индексы рисков дестабилизации давали лучшую предикцию, чем простой экстраполяционный прогноз.

Однако в 2010-2011 годах все индексы рисков дестабилизации дали очень серьезный сбой. Высокие значения индексов не только оказались не очень хорошими предикторами высокой степени актуальной дестабилизации, но и низкие значения индексов оказываются плохими предикторами низкой степени актуальной дестабилизации - откровенно высокие уровни социально-политической дестабилизации в 2011 году наблюдались и во многих государствах, которым "политические рейтинговые агентства" в 2010 году присваивали откровенно низкие индексы рисков дестабилизации. В итоге все индексы рисков дестабилизации в 2010/2011 годах продемонстрировали крайне низкие статистически незначимые корреляции между ожидаемыми и наблюдаемыми уровнями дестабилизации, что нельзя не связать с аномальной волной 2011 года, запущенной событиями Арабской весны.

Как показано нами несколькими способами, после 2011 г. предиктивная способность индексов до некоторой степени восстанавливается, становится вновь статистически значима, но на уровень, предшествующий Арабской весне, так и не выходит. Это подтверждает выводы наших предыдущих работ о том, что Арабская весна в 2011 г. выступила в качестве триггера глобального фазового перехода, в результате которого Мир-Система пришла в качественно новое состояние, в рамках которого стали наблюдаться некоторые новые закономерности, не учитываемые системами, разработанными до Арабской весны. После 2011 года восстановилась предиктивная сила не только индексов, но и простого экстраполяционного прогноза, при этом у последнего (в отличие от первых) она и заметно выросла. В результате предиктивная сила простого экстраполяционного прогноза стала превосходить предиктивную силу "научно разработанных" индексов не только по коэффициенту корреляции Пирсона, но и по гамма-коэффициенту. Таким образом, существующие системы прогнозирования рисков социально-политической дестабилизации утратили последние "конкуретные преимущества" перед методом простой экстраполяции.

Все это, конечно же, говорит о необходимости разработки нового поколения систем прогнозирования рисков социально-политической дестабилизации. Общей особенностью всех рассматриваемых в данной статье индексов является "одномерность" измеряемой величины, каждый из них по-своему формализует категорию социально-политических рисков. Однако социально-политическая нестабильность может принимать различные формы и оказываться связанной с процессами и явлениями, которые пытаются измерить анализируемые индексы. Продемонстрировано, что важной чертой всех рассматриваемых индексов является модель расчета, основанная на экспертных оценках или весах анализируемых показателей, что повышает возможности их интерпретации и объяснения передаточных механизмов нестабильности (т. е. можно выделить влияние отдельных факторов), однако ограничивает возможности по учету нелинейных эффектов, связанных с нарушением равновесия в системах, когда существующие известные и оцененные передаточные механизмы перестают работать.

Имеются основания предполагать, что пандемия коронавирусной инфекции СОУЮ-19 может привести к дополнительному снижению прогностической способности рассмотренных нами индексов. Действительно, нельзя исключать, что в 2020-2022 годы Мир-Система применительно к динамике социально-политической дестабилизации испытает еще один фазовый переход, сопоставимый с уже упоминавшимся фазовым переходом 2011 года. На момент завершения написания этой статьи, к началу мая 2020 года, коронавирусная пандемия парадоксальным образом привела к снижению интенсивности социально-политической дестабилизации во многих странах. Затихли протесты в Ираке, ЛиванеВпрочем, уже в мае 2020 г. они возобновились. Организация запрещена в РФ., Алжире, Иране, Гонконге, в некоторых европейских странах, палестино-израильское противостояние, боевые действия в Сирии; даже ИГИЛ 21 13 марта 2020 г. рекомендовал своим последователям временно воздержаться от совершения терактов в Европе, названной в официальной директиве террористической организации "землей эпидемии" (Harper, 2020). Однако запущенный коронавирусной пандемией глобальный экономический кризис (который имеет более глубокие причины [см., например: Grinin, Korotayev, 2018] и по отношению к которому пандемия выступила прежде всего в качестве триггера) может привести к новому глобальному усилению социально-политической дестабилизации с существенным изменением ее внутренней структуры, т. е. именно к новому фазовому переходу, сопоставимому с фазовым переходом 2011 года. При этом, как и в прошлый раз (Коротаев, Шишкина, Исаев, 2016; Ortmans et al., 2017), этот фазовый переход может произойти c заметным лагом относительно самого экономического (и тем более эпидемиологического) кризиса.

Литература

1. Акаева Б.А., Коротаев А.В., Исаев Л.М., Шишкина А.Р. (ред.). (2013). Системный мониторинг глобальных и региональных рисков. Вып. 5: Центральная Азия: новые вызовы. М.: Ленанд, URSS.

2. Васькин И.А., Цирель С.В., Коротаев А.В. (2018). Экономический рост, образование и терроризм: опыт количественного анализа // Социологический журнал. Т. 24. № 2. C. 28-65.

3. Гринин Л.Е., Коротаев А.В. (2009). Урбанизация и политическая нестабильность: к разработке математических моделей политических процессов // Полис. Политические исследования. № 4. С. 34-52.

4. Гринин Л.Е., Коротаев А.В., Исаев Л.М., Шишкина А.Р. (2014). Риски дестабилизации в контексте нарастающей неопределенности в "афразийской" зоне // Системный мониторинг глобальных и региональных рисков. Т. 5. С. 4-10. Гринин Л.Е., Коротаев А.В., Исаев Л.М., Шишкина А. Р (2015). Реконфигурация Мир-Системы и усиление рисков политической нестабильности // Системный мониторинг глобальных и региональных рисков. Т. 6. С. 4-19.

5. Исаев Л.М., Коротаев А.В. (2014а). Египетский переворот 2013 года: опыт эконометрического анализа // Азия и Африка сегодня. № 2. С. 14-20.

6. Исаев Л.М., Коротаев А.В. (20146). Политическая география современного Египта: опыт количественного анализа // Азия и Африка сегодня. № 9. С. 5-13.

7. Коротаев А.В., Билюга С.Э., Шишкина А. Р (2016). ВВП на душу населения, уровень протестной активности и тип режима: опыт количественного анализа // Сравнительная политика. Т. 7. № 4. С. 72-94.

8. Коротаев А.В., Билюга С.Э., Шишкина А. Р (2017а). ВВП на душу населения, интенсивность антиправительственных демонстраций и уровень образования: кросс-национальный анализ // Полития: Анализ. Хроника. Прогноз. № 1. С. 127-143.

9. Коротаев А.В., Билюга С.Э., Шишкина А. Р (20176). Экономический рост и социально-политическая дестабилизация: опыт глобального анализа // Полис. Политические исследования. № 2. С. 155-169.

10. Коротаев А., Васькин И., Билюга С. (2017). Гипотеза Олсона-Хантингтона о криволинейной зависимости между уровнем экономического развития и социальнополитической дестабилизацией: опыт количественного анализа // Социологическое обозрение. Т. 16. № 1. С. 9-49.

11. Коротаев А., Васькин И., Романов Д. (2019). Демократия и терроризм: новый взгляд на старую проблему // Социологическое обозрение. Т. 18. № 3. С. 9-48.

12. Коротаев А.В., Гринин Л.Е., Исаев Л.М., Зинькина Ю.В., Васькин И.А., Билюга С.Э., Слинько Е.В., Мещерина К.В. (2017). Дестабилизация: глобальные, национальные, природные факторы и механизмы. М.: Учитель.

13. Коротаев А.В., Зинькина Ю.В. (2011). Египетская революция 2011 г. Структурнодемографический анализ // Азия и Африка сегодня. № 6. С. 10-16. № 7. С. 15-21.

14. Коротаев А.В., Исаев Л.М. (2015). Политическая география современного Египта // Полис. Политические исследования. № 2. С. 117-136.

15. Коротаев А.В., Исаев Л.М., Васильев А.М. (2015). Количественный анализ революционной волны 2013-2014 гг. // Социологические исследования. № 8. С. 119-127.

16. Коротаев А.В., Исаев Л.М., Руденко М.А. (2015). Формирование афразийской зоны нестабильности // Восток. Афро-Азиатские общества: история и современность. № 2. С. 88-99.

17. Коротаев А.В., Исаев Л.М., Шишкина А. Р (2016). Арабская весна как квазисупер- критическое явление? // Системный мониторинг глобальных и региональных рисков. Т. 7. С. 127-156.

18. Коротаев А.В., Мещерина К.В., Исаев Л.М., Искосков А.С., Куликова Е.Д., Делья- нов В. Г., Херн У.Д. (2016). Арабская весна как триггер глобальной социальнополитической дестабилизации: опыт систематического анализа // Системный мониторинг глобальных и региональных рисков. Т. 7. С. 22-126.

19. Коротаев А.В., Мещерина К.В., Куликова Е.Д., Дельянов В.Г. (2017). Арабская весна и ее глобальное эхо: количественный анализ // Сравнительная политика. Т. 8. № 4. С. 113-126.

20. Коротаев А. В, Романов Д.М., Медведев И. A. (2019). Эхо Арабской весны в Восточной Европе: опыт количественного анализа // Социологическое обозрение Т. 18. № 1. С. 56-106.

21. Коротаев А.В., Слинько Е.В., Шульгин С.Г., Билюга С.Э. (2016). Промежуточные типы политических режимов и социально-политическая нестабильность: опыт количественного кросс-национального анализа // Полития: Анализ. Хроника. Прогноз. № 3. С. 31-52.

22. Коротаев А.В., Халтурина Д.А., Малков А.С., Божевольнов Ю.В., Кобзева С.В., Зинькина Ю.В. (2010). Законы истории: математическое моделирование и прогнозирование мирового и регионального развития. М.: ЛКИ/URSS.

23. Коротаев А.В., Ходунов А.С., Бурова А.Н., Малков С.Ю., Халтурина Д.А., Зинькина Ю.В. (2012). Социально-демографический анализ Арабской весны // Системный мониторинг глобальных и региональных рисков. Т. 3. С. 28-76.

24. Коротаев А.В., Шишкина А.Р., Исаев Л.М. (2016). Арабская весна как триггер глобального фазового перехода? // Полис. Политические исследования. № 3. С. 108-122.

25. Коротаев А.В., Шишкина А.Р., Лухманова З.Т. (2017). Волна глобальной социально-политической дестабилизации 2011-2015 гг.: количественный анализ // Полис. Политические исследования. 2017. № 6. С. 150-168.

26. Малков С.Ю., Коротаев А.В., Исаев Л.М., Кузьминова Е.В. (2013). О методике оценки текущего состояния и прогноза социальной нестабильности: опыт количественного анализа событий Арабской весны // Полис. Политические исследования. № 4. С. 137-162.

27. Садовничий В.А., Акаев А.А., Коротаев А.В., Малков С.Ю. (2012). Моделирование и прогнозирование мировой динамики. М.: ИСПИ РАН.

28. Ходунов А.С., Коротаев А.В. (2012). Почему вторая волна агфляции привела к волне социально-политической дестабилизации на Ближнем Востоке, а не в Латинской Америке? // Системный мониторинг глобальных и региональных рисков. Т. 3: 463-507.

29. Цирель С.В. (2012). Условия возникновения революционных ситуаций в арабских странах // Системный мониторинг глобальных и региональных рисков. Т. 3. С. 162-173.

30. Akaev A., Korotayev A., Issaev L., Zinkina J. (2017). Technological Development and Protest Waves: Arab Spring as a Trigger of the Global Phase Transition? // Technological Forecasting and Social Change. Vol. 116. P. 316-321.

31. Alesina A., Devleeschauwer A., Easterly W., Kurlat S., Wacziarg R. (2003). Fractionaliza- tion // Journal of Economic Growth. Vol. 8. № 2. P. 155-194.

32. Backer D. A., Huth P. K. (2016). The Peace and Conflict Instability Ledger: Ranking States on Future Risks. Peace and Conflict 2016. New York: Routledge. URL: http://www. start.umd.edu/publication/peace-and-conflict-instability-ledger-ranking-states-fu- ture-risks (дата доступа: 12.11.2019).

33. Banks A. S., Wilson K. А. (2019). Cross-National Time-Series Data Archive. Jerusalem: Databanks International. URL: http://www.databanksinternational.com (дата доступа: 22.11.2019).

34. Boehmer C., Daube M. (2013). The Curvilinear Effects of Economic Development on Domestic Terrorism // Peace Economics, Peace Science, and Public Policy. Vol. 19. № 3. P 359-368.

35. Chambers R. (2012). Revolutions in Development Inquiry. L.: Routledge.

36. Country Indicators for Foreign Policy (2006). Failed and Fragile States Project. Ottawa: Carleton University. URL: https://carleton.ca/cifp/wp-content/uploads/1145.pdf (дата доступа: 03.08.2019).

37. Country Indicators for Foreign Policy (2019). Failed & Fragile States. Country Ranking Table. URL: https://carleton.ca/cifp/failed-fragile-states/country-ranking-table/ (дата доступа: 03.08.2019).

38. Cowell F. (2011). Preventing Coups in Africa: Attempts at the Protection of Human Rights and Constitutions // International Journal of Human Rights. Vol. 15. № 5. P 749-764.

39. Economist Intelligence Unit (2009). Political Instability Index: Vulnerability to Social and Political Unrest. London: The Economist Group. URL: http://viewswire.eiu.com/ index.asp?layout=VWArticleVW3&article_id=874361472 (дата доступа: 01.04.2020).

40. Economist Intelligence Unit (2019). Political Instability Index. URL: http://viewswire. eiu.com/site_info.asp?info_name=social_unrest_table&page=noads&rf=0 (дата доступа: 10.06.2019).

41. Enders W., Hoover G. A., Sandler T. (2016). The Changing Nonlinear Relationship between Income and Terrorism // Journal of Conflict Resolution. Vol. 60. № 2. P 195-225.

42. Esty D., Goldstone J. A., Gurr T. R., Harff B., Levy M., Dabelko, G. D., Surko P., Unger A. N. (1998). State Failure Task Force Report: Phase II Findings // Environmental Change & Security Project Report. № 5. P 49-72.

43. Fund for Peace (2017). Fragile States Index methodology and cast framework. Washington, DC: The Fund for Peace. URL: https://fragilestatesindex.org/wp-content/up- loads/2017/05/FSI-Methodology.pdf (дата доступа: 03.08.2019).

44. Fund for Peace (2019a). Fragile States Index Annual Report 2019. Washington, DC: The Fund for Peace. URL: https://fundforpeace.org/wp-content/uploads/2019/04/9511904- fragilestatesindex.pdf (дата доступа: 03.08.2019).

45. Fund for Peace (2019b). Fragile States Index Database. Washington, DC: The Fund for Peace. URL: https://fragilestatesindex.org/excel/ (дата обращения: 11.09.2019).

46. Goldstone J. (2001). Toward a Fourth Generation of Revolutionary Theory // Annual Review of Political Science. Vol. 4. P 139-187.

47. Goldstone J. (2002). Population and Security: How Demographic Change Can Lead to Violent Conflict // Journal of International Affairs. Vol. 56. № 1. P 3-21.

48. Goldstone J. (2011a). Cross-class Coalitions and the Making of the Arab Revolts of 2011 // Swiss Political Science Review. Vol. 17. № 4. P 457-462.

...