Рус Eng Cn Перевести страницу на:  
Please select your language to translate the article


You can just close the window to don't translate
Библиотека
ваш профиль

Вернуться к содержанию

Вопросы безопасности
Правильная ссылка на статью:

Использование моделей на основе численной теории риска для поддержки принятия решений по противодействию деструктивным социальным технологиям

Тиханычев Олег Васильевич

ORCID: 0000-0003-4759-2931

кандидат технических наук

заместитель начальника отдела управления перспективных разработок, ГК "Техносерв"

111395, Россия, г. Москва, ул. Юности, 13

Tikhanychev Oleg Vasilyevich

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
Другие публикации этого автора
 

 

DOI:

10.25136/2409-7543.2020.1.30628

Дата направления статьи в редакцию:

26-08-2019


Дата публикации:

17-03-2020


Аннотация: Объектом исследования является процесс межгосударственного противоборства, основанного на методах и технологиях «мягкой силы». Предмет исследования – моделирование личных рисков участников социально-политических процессов, обеспечивающие противодействие социальным технологиям дестабилизации общества. Обзорная статья посвящена противодействию деструктивным технологиям, используемых при межгосударственном противоборстве в рамках «мягкой силы». Для количественного обоснования содержания методов противодействия предложено использовать геометрическую интерпретацию вероятностно-стоимостной модели рисков, используемую в технике и экономике. И, на подсознательном уровне, применяемой при принятии решений каждым отдельным индивидом. В статье использованы общенаучные методы анализа и синтеза. Проведенная на основе анализа формализация предметной области позволила описать, в общем виде, модель рисков при принятии конкретным индивидуумом решений на участие в протестных действиях. С использованием указанных методов проведен анализ поведенческих составляющих модели, а также возможность воздействия на поведение потенциальных участников протестов через модификацию этих составляющих. Сделаны выводы о возможности осуществления некоторых вариантов такого воздействия. Таким образом, в статье сформулирована постановка задачи по разработке модели учёта рисков для оценки методов противодействия технологиям «мягкой силы»


Ключевые слова:

межгосударственное противоборство, непрямые методы противоборства, мягкая сила, методы социальной инженерии, математическое моделирование, оценка рисков, скрытая идентификация, модель рисков, количественное выражение риска, применение теории рисков

Abstract: The object of this research is the process of intergovernmental opposition based on the methods and techniques of “soft power”. The subject of this research is the modeling of personal risks of the participants of sociopolitical processes that ensure counteraction to social destabilization technologies. The article is dedicated to counteraction of destructive technologies implemented in intergovernmental opposition within the framework of “soft power”. For quantitative substantiation of the content of counteraction methods, it is proposed to apply geometrical interpretation of probability-value risk model used in technology and economics, as well as in decision-making on the subconscious level by each individual. The conducted formalization of subject area allowed describing the risk model of making decisions by a specific individual regarding the participation in protect actions. Using the methods of analysis and synthesis, the author examines the behavioral components of the model, as well as its possible effect on the behavior of potential participants of protests through modification of these components. The conclusions are made on possibility of realization of some variations of such effect. Thus, the article targets the development of model of addressing the risks to evaluate the methods of countering “soft power” techniques.


Keywords:

inter-state confrontation, indirect confrontation methods, soft power, social engineering methods, mathematical modeling, risk assessment, hidden identification, risk model, quantitative expression of risk, application of risk theory

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.

Библиография
1. Mumford A. Proxy Warfare. Cambrige : Polity Press Publ., 2013. 180 p.
2. Gene Sharp. From Dictatorship to Democracy. The Albert Einstein Institution, 1993. Электронная публикация: Центр гуманитарных технологий. — 10.08.2009. URL: https://gtmarket.ru/laboratory/expertize/3200 (дата обращения 12.12.2019).
3. Sharp Gene. The Politics of Nonviolent Action. Boston, MA: Porter Sargent. 1973. 902 р.
4. Peter Aekerman, Christopher Kruegler. Strategic Nonviolent Conflict: The Dynamics of People Power in the Twentieth Century: Praeger Publishers, 1994. 359 р.
5. Sharp Gene, Bruce Jenkins. The Anti-Coup. The Albert Einstein Institution. Boston, MA: 02115-1801. ISBN 1-880813-11-4
6. Малицкий К.Т. Показатели безопасности и напряженности социально-политической обстановки, программные средства их визуализации // Вопросы безопасности. 2018. № 2. С. 13-31. DOI: 10.25136/2409-7543.2018.2.25494
7. Шульц В.Л., Кульба В.В., Шелков А.Б., Чернов И.В. Диагностика и сценарный анализ внешних угроз региональной безопасности. // Национальная безопасность / nota bene. 2014. № 5. C. 626-664. DOI: 10.7256/2073-8560.2014.5.1306.
8. Шумов В.В. Государственная и общественная безопасность: Моделирование и прогнозирование. М.: ЛЕНАНД, 2016. – 144 с.
9. Kalman D. Elementary Mathematical Models: Order Aplenty and a Glimpse of Chaos. The Mathematical Association of America, 1998.-361 p. ISBN: 0883857073
10. Diaz M. Petri Nets: Fundamental Models, Verification and Applications. Wiley, 2009.-656 p.
11. Математические и инструментальные методы в современных экономических исследованиях: Монография / Под редакцией М.В. Грачевой и Е.А. Тумановой. — М.: Экономический факультет МГУ имени М.В. Ломоносова, 2018. — 232 с.
12. Inmon W., Linstedt D. Data Architecture: A Primer for the Data Scientist. Morgan Kaufmann Publ., 2014. 378 p.
13. Тиханычев О.В., Тиханычева Е.О. Некоторые аспекты моделирования этносоциальных процессов. Научно-теоретический труд. М.: Эдитус. 2016. – 70 с.
14. Гаврилов К. А. О конструировании понятия «риск» в социологии // Социология 4М. 2007. №24. С. 60-79
15. Парсон Т. О структуре социального действия. М.: Академический проект, 2000 – 880 с. ISBN 5-8291-0016-9
16. Гадденс Э. Судьба, риск и безопасность // Thesis.-1994.-№5. – С. 107-134.
17. Тиханычев О.В., Тиханычева Е.О. Модель социальных рисков в информационном обществе // Sociologie cloveka. 2017. № 1. С. 19-22.
18. Тиханычев О.В. — О прикладном использовании модели рисков // Вопросы безопасности. 2019. № 2. С. 42 - 51. DOI: 10.25136/2409-7543.2019.2.27633
19. Covello V.T., Mumpower J. Risk Analysis and Risk Management: An Historical Perspective // Risk Analysis. 1985. Vol. 5. No. 2. P. 103–120
20. Абчук В.А., Матвейчук Ф.А., Томашевский Л.П. Справочник по исследованию операций. М.: Воениздат. 1979.-368 с.
21. Вентцель Е.С. Исследование операций: задачи, принципы, методология. М.: Наука, 1988. - 208 с.
22. Tikhanychev O.V. Modelling in Decision-Making Support Systems. Monograph. Moscow: Editus Publ. 2017. - 76 p.
23. В Дании планируют запретить головные уборы, закрывающие лицо // Российская газета. Сайт RG.ru. URL: https://rg.ru/2018/02/06/v-danii-predlozhili-zapretit-golovnye-ubory-zakryvaiushchie-lico.html (дата обращения 29.03.2018).
24. Манойло А.В. Модели «мягкой силы» сетевых террористических организаций (на примере Исламского государства, Аль-Кайды, Талибана и Братьев мусульман) // Геополитический журнал. 2016. №2(14). С.37-46.
25. Манойло А.В. Информационный фактор цветных революций и современных технологий демонтажа политических режимов // Интернет-политика. - 2015. - №8.-С.61-67.
26. Бартош А.А. Стратегии информационной войны // Национальная безопасность / nota bene. 2016. № 4. С.485-499
27. Бартош А.А. Модель адаптивного применения силы в цветных революциях // Проблемы национальной стратегии. 2014. № 6. С. 113-126.
28. Хмель О.С. «Цветные технологии» и риски для государственности: украинский опыт // Проблемы национальной стратегии. М.: Российский институт стратегических исследований. 2016. №6 (39). С.35-41.
29. Бартош А.А. Трансформация современных конфликтов // Вопросы безопасности. 2018. № 1. С. 1-18. DOI: 10.25136/2409-7543.2018.1.22294
30. Williamson Murray and Peter R. Mansoor, eds., Hybrid Warfare: Fighting Complex Opponents from the Ancient World to the Present, Cambridge University Press, Cambridge, 2012
31. Alex Deep, “Hybrid War: Old Concept, New Techniques” Small Wars Journal, 2 March 2015, http://smallwarsjournal.com/jrnl/art/hybrid-war-old-concept-new-techniques (дата обращения 15.01.2017).
32. Бартош А.А. Модель гибридной войны // Военная мысль. 2019. №5, С.6-23.
References
1. Mumford A. Proxy Warfare. Cambrige : Polity Press Publ., 2013. 180 p.
2. Gene Sharp. From Dictatorship to Democracy. The Albert Einstein Institution, 1993. Elektronnaya publikatsiya: Tsentr gumanitarnykh tekhnologii. — 10.08.2009. URL: https://gtmarket.ru/laboratory/expertize/3200 (data obrashcheniya 12.12.2019).
3. Sharp Gene. The Politics of Nonviolent Action. Boston, MA: Porter Sargent. 1973. 902 r.
4. Peter Aekerman, Christopher Kruegler. Strategic Nonviolent Conflict: The Dynamics of People Power in the Twentieth Century: Praeger Publishers, 1994. 359 r.
5. Sharp Gene, Bruce Jenkins. The Anti-Coup. The Albert Einstein Institution. Boston, MA: 02115-1801. ISBN 1-880813-11-4
6. Malitskii K.T. Pokazateli bezopasnosti i napryazhennosti sotsial'no-politicheskoi obstanovki, programmnye sredstva ikh vizualizatsii // Voprosy bezopasnosti. 2018. № 2. S. 13-31. DOI: 10.25136/2409-7543.2018.2.25494
7. Shul'ts V.L., Kul'ba V.V., Shelkov A.B., Chernov I.V. Diagnostika i stsenarnyi analiz vneshnikh ugroz regional'noi bezopasnosti. // Natsional'naya bezopasnost' / nota bene. 2014. № 5. C. 626-664. DOI: 10.7256/2073-8560.2014.5.1306.
8. Shumov V.V. Gosudarstvennaya i obshchestvennaya bezopasnost': Modelirovanie i prognozirovanie. M.: LENAND, 2016. – 144 s.
9. Kalman D. Elementary Mathematical Models: Order Aplenty and a Glimpse of Chaos. The Mathematical Association of America, 1998.-361 p. ISBN: 0883857073
10. Diaz M. Petri Nets: Fundamental Models, Verification and Applications. Wiley, 2009.-656 p.
11. Matematicheskie i instrumental'nye metody v sovremennykh ekonomicheskikh issledovaniyakh: Monografiya / Pod redaktsiei M.V. Grachevoi i E.A. Tumanovoi. — M.: Ekonomicheskii fakul'tet MGU imeni M.V. Lomonosova, 2018. — 232 s.
12. Inmon W., Linstedt D. Data Architecture: A Primer for the Data Scientist. Morgan Kaufmann Publ., 2014. 378 p.
13. Tikhanychev O.V., Tikhanycheva E.O. Nekotorye aspekty modelirovaniya etnosotsial'nykh protsessov. Nauchno-teoreticheskii trud. M.: Editus. 2016. – 70 s.
14. Gavrilov K. A. O konstruirovanii ponyatiya «risk» v sotsiologii // Sotsiologiya 4M. 2007. №24. S. 60-79
15. Parson T. O strukture sotsial'nogo deistviya. M.: Akademicheskii proekt, 2000 – 880 s. ISBN 5-8291-0016-9
16. Gaddens E. Sud'ba, risk i bezopasnost' // Thesis.-1994.-№5. – S. 107-134.
17. Tikhanychev O.V., Tikhanycheva E.O. Model' sotsial'nykh riskov v informatsionnom obshchestve // Sociologie cloveka. 2017. № 1. S. 19-22.
18. Tikhanychev O.V. — O prikladnom ispol'zovanii modeli riskov // Voprosy bezopasnosti. 2019. № 2. S. 42 - 51. DOI: 10.25136/2409-7543.2019.2.27633
19. Covello V.T., Mumpower J. Risk Analysis and Risk Management: An Historical Perspective // Risk Analysis. 1985. Vol. 5. No. 2. P. 103–120
20. Abchuk V.A., Matveichuk F.A., Tomashevskii L.P. Spravochnik po issledovaniyu operatsii. M.: Voenizdat. 1979.-368 s.
21. Venttsel' E.S. Issledovanie operatsii: zadachi, printsipy, metodologiya. M.: Nauka, 1988. - 208 s.
22. Tikhanychev O.V. Modelling in Decision-Making Support Systems. Monograph. Moscow: Editus Publ. 2017. - 76 p.
23. V Danii planiruyut zapretit' golovnye ubory, zakryvayushchie litso // Rossiiskaya gazeta. Sait RG.ru. URL: https://rg.ru/2018/02/06/v-danii-predlozhili-zapretit-golovnye-ubory-zakryvaiushchie-lico.html (data obrashcheniya 29.03.2018).
24. Manoilo A.V. Modeli «myagkoi sily» setevykh terroristicheskikh organizatsii (na primere Islamskogo gosudarstva, Al'-Kaidy, Talibana i Brat'ev musul'man) // Geopoliticheskii zhurnal. 2016. №2(14). S.37-46.
25. Manoilo A.V. Informatsionnyi faktor tsvetnykh revolyutsii i sovremennykh tekhnologii demontazha politicheskikh rezhimov // Internet-politika. - 2015. - №8.-S.61-67.
26. Bartosh A.A. Strategii informatsionnoi voiny // Natsional'naya bezopasnost' / nota bene. 2016. № 4. S.485-499
27. Bartosh A.A. Model' adaptivnogo primeneniya sily v tsvetnykh revolyutsiyakh // Problemy natsional'noi strategii. 2014. № 6. S. 113-126.
28. Khmel' O.S. «Tsvetnye tekhnologii» i riski dlya gosudarstvennosti: ukrainskii opyt // Problemy natsional'noi strategii. M.: Rossiiskii institut strategicheskikh issledovanii. 2016. №6 (39). S.35-41.
29. Bartosh A.A. Transformatsiya sovremennykh konfliktov // Voprosy bezopasnosti. 2018. № 1. S. 1-18. DOI: 10.25136/2409-7543.2018.1.22294
30. Williamson Murray and Peter R. Mansoor, eds., Hybrid Warfare: Fighting Complex Opponents from the Ancient World to the Present, Cambridge University Press, Cambridge, 2012
31. Alex Deep, “Hybrid War: Old Concept, New Techniques” Small Wars Journal, 2 March 2015, http://smallwarsjournal.com/jrnl/art/hybrid-war-old-concept-new-techniques (data obrashcheniya 15.01.2017).
32. Bartosh A.A. Model' gibridnoi voiny // Voennaya mysl'. 2019. №5, S.6-23.

Результаты процедуры рецензирования статьи

В связи с политикой двойного слепого рецензирования личность рецензента не раскрывается.
Со списком рецензентов издательства можно ознакомиться здесь.

Предмет исследования – способы принятия решений в области противодействия деструктивным социальным технологиям на основе численной теории риска.

Методология исследования основана на сочетании теоретического (теория рисков) и модельного подходов с применением методов анализа, моделирования, обобщения, сравнения, синтеза.

Актуальность исследования определяется широким распространением деструктивных социальных технологий в современном нестабильном мире и, соответственно, необходимостью изучения и проектирования условий противодействия, в том числе способов принятия решений на основе численной теории риска.

Научная новизна связана с разработкой автором модели и полученными выводами о том, что переход от субъективных оценок к количественным прогнозам, основанным на данных моделирования, обеспечит более эффективную реализацию конкретных действий. При этом необходимо бороться не только со следствиями, субъектами действий, но с глобальными причинами их возникновения, что в условиях непрерывного возрастания роли невоенных мер межгосударственного противоборства и высокого уровня их опасности является важным и необходимым фактором обеспечения глобальной и национальной безопасности.

Статья написана русским литературным языком. Стиль изложения научный.

Структура рукописи включает следующие разделы: Введение (развитие вооружения и совершенствование способов его применения, смещение акцентов от прямого вооруженного противоборства к использованию методов «гибридных» действий, «прокси-войн» (proxy war) и применению «мягкой силы» (soft power), применение деструктивных социальных технологий, «цветных революций», методы дестабилизации социальной системы государства-противника, методы защиты, организация «цветных» и «цветочных» революций, процесс выработки решений и получение объективных оценок последствий их реализации, основанных на математических методах прогнозирования), 1. Модель прогнозирования поведения на основе теории рисков (цикл управления, методы прогнозирования, проект LES (Living Earth Simulator), низкая степень формализации моделируемых процессов, экспертные методы, упрощённые логико-вероятностные модели, использование укрупнённых математических моделей, анализ особенностей предметной области, математическое описание процессов, выбор личной альтернативы поведения, преимущества модели, современные социологические и социально-психологические теории риска, схема «единичного акта» Парсона, математическая модель на основе аппарата теории рисков, математический аппарат минимизации ошибок, снижение угрозы потери возможной «прибыли» (ошибки первого рода) и минимизации вероятных «убытков» (ошибки второго рода), функция R, понятия P ( H 21 ), P ( H 12 ), C 21 , C 12, получение численных оценок, графоаналитическое представление процесса принятия решения), 2. Основные факторы, учитываемые в модели (оценка возможности регулирования социальных процессов, повышение неотвратимости наказания и снижение ожидаемой «прибыли» от противоправных действий, возможность интерпретации результатов, возможность получения исходных данных, функция желательности Харрингтона, стандартные отметки на шкале желательности, борьба в области высоких технологий, парирование противодействия идентификации, биометрическая идентификация, системы идентификации личности компании NEC (Nippon Electric Corporation), методы «потоковой» идентификации с использованием BigData, обеспечение безопасности сотрудников правопорядка), 3. Перспективы применения модели на основе теории рисков (для прогнозирование рисков деструктивных антиобщественных воздействий и оценка вариантов противодействия, основные методы противодействия деструктивным действиям – повышение личной вероятности неуспеха деструктивных действий, выстраивание логичных отношений с протестующими, гуманизация общества), Заключение (выводы), Библиография.

Текст включает два рисунка, одну таблицу. Точку в заголовке названии рисунка 2 следует удалить. Дублирование сведений (стандартные отметки на шкале желательности функции Харрингтона) в таблице 1 и на рисунке 2 излишне.

Содержание в целом соответствует названию. Однако в формулировке заголовка, возможно следует более конкретно отразить сущность предмета исследования – противодействие деструктивным социальным технологиям «цветных» / «цветочных» революций. Желательно также расширить базу аргументации теоретических положений, в том числе привести эмпирические доказательства эффективности предлагаемой модели (которая в целом, как справедливо отмечает автор в заключении, представляется известной).

Библиография включает 33 источника отечественных и зарубежных авторов – монографии, научные статьи, Интернет-ресурсы. Библиографические описания некоторых источников нуждаются в корректировке в соответствии с ГОСТ и требованиями редакции, например:
1. Mumford A. Proxy Warfare. Cambrige : Polity Press Publ., 2013. 180 p.
2. Джин Шарп. От диктатуры к демократии. Концептуальные основы освобождения. МИессто издания ??? : Институт им. А. Энштейна, 2010. 72 с.
3. Gene S. The Politics of Nonviolent Action. Boston, MA : Porter Sargent. 1973. ??? р.
4. Peter Aekerman, Christopher Kruegler. Strategic Nonviolent Conflict. Место издания (на языке оригинала) ??? : Praeger, 1994. ??? р.
6. Малицкий К.Т. Показатели безопасности и напряженности социально-политической обстановки, программные средства их визуализации // Вопросы безопасности. 2018. № 2.С. 13–31.
21. В Дании планируют запретить головные уборы, закрывающие лицо. URL: https://rg.ru/2018/02/06/v-danii-predlozhili-zapretit-golovnye-ubory-zakryvaiushchie-lico.html (дата обращения: 29.03.2018).
25. Tikhanychev O. V. Methodology of formalization of phenomena under analysis as a potential problem of information-oriented society // Paradigmata poznani. 2016. № 2. Р. 17–20.
Возможно излишнее самоцитирование (Тиханычев О. В., Тиханычева Е. О.)

Апелляция к оппонентам (Mumford A., Шарп Д., Aekerman P., Малицкий К. Т., Шульц В. Л., Кульба В. В., Шелков А. Б., Чернов И. В., Шумов В. В., Kalman D., Diaz M., Гаврилов К. А., Парсон Т., Гадденс Э., Абчук В. А., Матвейчук Ф. А., Томашевский Л. П., Вентцель Е. С., Манойло А. В., Бартош А. А., Хмель О. С., Covello V. T., Mumpower J., Deep A. И др.) имеет место.

Замечен ряд опечаток: [2,3,4] – [2–4]; [6,7,8] – [6–8]; [15,16,17] – [15–17]; а средства собственной разработки. Доступ к которым обеспечивался через систему «рекомендаций» и собственные алгоритмы шифрования – а средства собственной разработки, доступ к которым обеспечивался через систему «рекомендаций» и собственные алгоритмы шифрования; что по типу используемой информации идентификация делится на: - идентификацию с ключом - идентификация по физическим принципам; что по типу используемой информации идентификация делится на: - идентификацию с ключом; - идентификация по физическим принципам; которая может быть разработана на основе сформулированной постановки задачи. они становятся более обоснованными – которая может быть разработана на основе сформулированной постановки задачи, они становятся более обоснованными.

В целом рукопись соответствует основным требованиям, предъявляемым к научным статьям. Материал представляет интерес для читательской аудитории и после доработки может быть опубликован в журнале «Вопросы безопасности» (рубрика «Научно-техническое обеспечение национальной безопасности»).