3.2.2. Моделирование механизма явления вместо формальной статистической фотографии.
Остановимся подробнее на тезисе о ключевом характере второго этапа. Утверждается, что адекватность и соответственно эффективность модели будут решающим образом зависеть от того, насколько глубоко и профессионально был проведен анализ реальной сущности изучаемого ярления при формировании априорной информации (т. е. в рамках второго этапа). Другими словами, при вероятностно-статистическом моделировании и, в частности, на этапе формирования априорной информации о физической природе реального механизма преобразования входных показателей в выходные (результирующие) какая-то часть этого механизма остается скрытой от исследователя (именно об этой части принято в соответствии с обиходной кибернетической терминологией говорить как о терном ящике»). Чем большее профессиональное знание механизма исследуемого явления продемонстрирует исследователь, тем меньше будет доля «черного ящика» в общей логической схеме моделирования и тем работоспособнее и точнее будет построенная модель. Вероятностностатистическое моделирование, полностью основанное на логике «черного ящика», позволяет получить исследователю лишь как бы мгновенную статистическую, фотографию анализируемого явления, в общем случае непригодную, например,
для целей прогнозирования. Напротив, моделирование, опирающееся на глубокий профессиональный анализ природы изучаемого явления, позволяет в значительной мере теоретически обосновать общий вид конструируемой модели, что дает основание к ее широкому и правомерному использованию в прогнозных расчетах. Поясним это на примере из § 6.1.
Пусть целью нашего исследования является лаконичное (параметризованное с помощью модели) описание функции плотности анализируемой случайной величины (заработной платы наугад выбранного из общей генеральной совокупности работника) по исходным данным, представленным случайной выборкой работников 
объема 
Игнорируя экономические закономерности формирования искомого закона распределения, т. е. руководствуясь формальным подходом наилучшей мгновенной статистической фотографии, мы должны были бы запастись достаточно богатым классом модельных плотностей (например, классом кривых Пирсона [39], как это и делалось, в частности, в [17]), и, перебирая эти модели (с одновременной статистической оценкой участвующих в их записи параметров методами, описанными в гл. 8), найти такую функцию плотности, которая наилучшим в определенном смысле образом (например, в смысле критерия «хи-квадрат» Пирсона, см. § 11.1) аппроксимирует поведение имеющейся у нас эмпирической плотности (см. изображение соответствующей гистограммы на рис. 6.1). На этом пути в результате расширения запаса гипотетичных модельных плотностей можйо добиться очень высокой точности аппроксимации, вплоть до повторения модельной функцией неожиданных провалов гистограммы, подобных тем, которые мы имеем на 14-м и 15-м интервалах группирования на рис. 6.1. Однако, поступая таким образом, мы добиваемся лишь кажущегося хорошего результата, в чем легко можно убедиться, попробовав применить выявленный модельный закон к описанию эмпирической плотности, построенной по другой выборке, извлеченной из той же самой совокупности. В подавляющем большинстве случаев выявленная ранее модельная плотность оказывается непригодной для описания распределительных закономерностей, наблюдаемых в другой выборке. Следовательно, для этой выборки нужно строить другую модель, а значит, и само моделирование практически теряет смысл, так как главное назначение модели — распространение закономерностей, подмеченных в выборке,
на всю генеральную совокупность (что и является основой решения задач планирования, прогноза, диагностики).
В качестве альтернативного рассмотрим подход, предусматривающий тщательный предмодельный профессиональный анализ локальных закономерностей, в соответствии с которыми формируется закон распределения заработной платы. Эти закономерности (мультипликативный характер редукции труда, принцип оплаты по труду, постоянство относительного варьирования заработной платы при переходе от работников одной категории сложности труда к другой и т. п., см. [2]) позволяют уже на следующем, третьем этапе моделирования теоретически (т. е. без апелляции к имеющейся у нас эмпирической функции плотности) обосновать выбор класса моделей, в пределах которого мы должны оставаться при подборе искомой модельной плотности. В рассмотренном примере таким классом был класс логарифмически-нормальных распределений (см. п. 6.1.6). После этого мы переходим к статистическому оцениванию параметров, участвующих в записи законов этого класса, т. е. переходим к четвертому этапу.
Модель, полученная таким образом, как правило, несколько хуже (по формальным критериям), чем предыдущая, аппроксимирует эмпирическую плотность, построенную по данной конкретной выборке. Однако в отличие от модели, полученной в результате формальной статистической подгонки экспериментальных данных под одну из теоретических кривых, она остается устойчивой, инвариантной по отношению к смене выборок, т. е. она одинаково хорошо может описывать характер распределения, наблюдаемого в различных выборках из одной и той же генеральной совокупности. А если все-таки моделирование, идущее от более или менее бесспорных (быть может, частично подтвержденных экспериментом) исходных предпосылок о физической природе изучаемого явления, дает результаты, плохо согласующиеся с реальной действительностью? Причина этого (при условии аккуратного проведения третьего и четвертого этапов) одна: плохое соблюдение на практике всех (или части) принятых при моделировании в качестве априорных допущений исходных предпосылок. Оценка же этого явления может быть двоякой: если заложенные в основание модели исходные допущения признаются специалистами объективными закономерностями, в соответствии с которыми должен функционировать механизм исследуемого явления, то следует искать и устранять причины,
приведшие к нарушению этих закономерностей; если же принятые допущения были результатом вынужденного упрощения на самом деле плохо различимого механизма, то следует усовершенствовать эти допущения, что приведет, естественно, и к изменению модели. В рассмотренном примере интерпретация временного рассогласования модели и действительности относилась как раз к первому типу. Проведенные сопоставления модельных и экспериментальных данных по распределению заработной платы работников за ряд лет (1956-1972 гг., см [2]) четко обозначили период их резкого рассогласования (1960-1963 гг.). Однако по мере удаления этого периода в прошлое прослеживается явная тенденция к сближению модельных и реальных данных. Более внимательный анализ показал, что момент резкого рассогласования следовал непосредственно за весьма существенным директивным вмешательством в существующие тарифные условия, вмешательством, которое, как показал дальнейший ход развития, плохо согласовывалось с целым рядом объективных экономических закономерностей. И факт, что в дальнейшем мы наблюдаем сближение модельных и реальных данных, говорит лишь о том, что эти объективные экономические закономерности постепенно все более сказывались на характере распределения, все более «выступали на поверхность», отвоевывая себе те или иные правовые формы!
Примеры неформального (с раскрытием механизма явления) моделирования, к сожалению, не слишком многочисленны (см. [45], [2] и др.).
