Сигнал и шум. Почему одни прогнозы сбываются, а другие – нет бесплатное чтение

В этой книге рассказывается о работе с информацией, о технологиях и научном прогрессе. О конкуренции, свободных рынках и эволюции идей. О том, что делает нас умнее любого компьютера, и о человеческих ошибках. О том, как мы постепенно, шаг за шагом, учимся воспринимать объективный мир и почему иногда делаем шаги назад.

Эта книга – о предсказаниях и прогнозах, оказывающихся в точке пересечения всех этих идей, и о том, почему одни из них сбываются, а другие – нет. Я надеюсь, что благодаря ей мы сможем немного лучше разобраться в том, как планировать свое будущее, и (возможно) будем реже повторять прежние ошибки.

Чем больше информации, тем больше проблем

По сути, революция в области информационных технологий совершилась благодаря печатному прессу, а вовсе не микрочипу. Изобретение Иоганна Гутенберга, сделанное им в 1440 г., позволило информации стать доступной широким массам людей, а возникший в результате этого взрыв новых идей привел к неожиданным последствиям и непредсказуемым эффектам. В том числе и к начавшейся в 1775 г. промышленной революции{1}, в результате которой цивилизация достаточно быстро перешла от состояния практически полного отсутствия научного или экономического прогресса к привычным для нашего времени и происходящим с огромной скоростью переменам. Изобретение печатного пресса способствовало развитию событий, которые в конечном итоге привели к эпохе Просвещения в Европе и основанию республики в Америке.

Однако появление печатного пресса способствовало еще и развязыванию священных религиозных войн, которые не прекращались на протяжении столетий. Как только человечество поверило в то, что оно способно предсказывать и даже выбирать собственную судьбу, началась самая кровавая эпоха в истории человечества{2}.

Книги существовали и до Гутенберга, однако их мало изготавливали и мало читали. Они выступали, скорее, в роли предмета роскоши для благородных семейств и создавались переписчиками, способными одновременно делать лишь одну копию{3}. Ставка за копирование манускрипта составляла примерно один флорин (золотая монета, стоимость которой на сегодняшний день эквивалентна примерно 200 долл. США) за пять страниц{4}, то есть производство книги, подобной той, что вы читаете сейчас, могло обойтись примерно в 20 тыс. долл. Зачастую в книгах содержалось немало ошибок, поскольку при копировании их число увеличивалось и они видоизменялись с каждой новой версией книги.

Все это невероятно усложняло процесс накопления знаний. Требовались поистине героические усилия, чтобы объем знаний не начал уменьшаться, поскольку книги часто приходили в негодность быстрее, чем их успевали воспроизводить. До нашего времени дошли лишь разные издания Библии, а также небольшое количество канонических текстов Платона и Аристотеля. Однако целые пласты человеческого знания и мудрости утрачены в веках{5}, поскольку не были зафиксированы в письменном виде.

Погоня за знанием казалась почти бесполезной, если не напрасной, с самого начала. Как сказано в прекрасных строках Экклезиаста, нет «ничего нового под солнцем» – не потому, что все уже открыто, но еще и потому, что все, что мы знаем, будет забыто{6}.

Печатный пресс изменил эту ситуацию бесповоротно, раз и навсегда. Почти моментально затраты на создание книги снизились примерно в 300 раз{7}. Книга, стоимость изготовления которой совсем незадолго до этого составляла 20 тыс. долл. (в нынешних ценах), теперь могла стоить всего 70 долл. Печатные прессы из Германии быстро распространились по всей Европе, и к 1470 г. они уже были в Риме, Севилье, Париже и Базеле, а еще через 10 лет – почти во всех остальных крупных европейских городах{8}. Производство книг стало увеличиваться в геометрической прогрессии и выросло в течение первых 100 лет после изобретения печатного пресса почти в 30 раз{9}. Хранилище человеческого знания стало увеличиваться в размерах, и довольно быстро (рис. В. 1).

Однако в тот период, как и в первые годы существования Всемирной паутины, качество информации было довольно неоднозначным. Хотя появление печатного станка сразу же принесло свою пользу, скажем, позволив изготавливать более качественные географические карты{10}, список изданных бестселлеров моментально возглавили еретические религиозные и псевдонаучные тексты{11}. Ошибки воспроизводились в массовых масштабах, например в так называемой «Греховной Библии», содержавшей чуть ли не самую злосчастную ошибку в истории, одна из заповедей звучала как «прелюбодействуй»{12}. Кроме того, доступ к огромному количеству новых идей порождал смятение в умах. Объем информации рос значительно быстрее, чем понимание людьми того, что с ней делать, или их способность отличить верную информацию от неверной{13}. Как ни парадоксально, но результатом увеличения объема общедоступного знания стал рост изоляции между нациями и конфессиями. Обладая слишком большим объемом информации, мы инстинктивно склонны относиться к ней избирательно, отбирать то, что нам нравится, и игнорировать все остальное, превращая в союзников тех, кто разделяет наше мнение, и относясь ко всем остальным как к врагам.

Рис. В. 1. Производство книг в Европе

С наибольшим энтузиазмом восприняли печатный станок те, кто использовал его, чтобы проповедовать свои взгляды. «95 тезисов» (Ninety-five Theses) Мартина Лютера сами по себе были не настолько радикальными, близкие изложенным в книге идеи обсуждались до этого множество раз. По мнению Элизабет Эйзенштейн, на этот раз революционный элемент состоял в том, что «тезисы Лютера не остались приколоченными к церковной двери»{14}. Вместо этого они были размножены как минимум 300 тыс. раз с помощью печатного станка Гутенберга{15} – невероятно большим тиражом даже по современным стандартам.

Раскол, возникший в результате протестантской Реформации Лютера, вскоре вверг Европу в войну. В период с 1524 по 1648 г. произошли Крестьянская война в Германии, Шмалькальденская война, Нидерландская революция, Тридцатилетняя война, религиозные войны во Франции, ирландские конфедеративные войны, гражданские войны в Шотландии и Англии – причем многие из них одновременно. Не стоит забывать и об испанской инквизиции, деятельность которой началась в 1480 г., или о войне Священной Лиги 1508–1516 гг., хотя они были в меньшей степени связаны с распространением протестантизма. В ходе одной лишь Тридцатилетней войны погибло не менее трети населения Германии{16}, и XVII век мог по степени своей кровавости сравниться разве что с началом века XX{17}.

Однако даже в этих условиях печатный станок постепенно способствовал развитию науки и образования. Галилей начал делиться своими (просмотренными цензурой) идеями, а Шекспир – публиковать свои пьесы.

Пьесы Шекспира, как и многих других авторов, часто обращаются к теме судьбы. Особый их трагизм связан с разрывом между тем, чего могли бы достичь персонажи, и тем, что может уготовить им судьба. Во времена Шекспира идея контроля своей судьбы казалась вполне естественной частью человеческого сознания, однако понимания, как это можно сделать, не было. Напротив, тот, кто хотел испытать свою судьбу, обычно находил лишь смерть{18}.

Наиболее ярко эти идеи нашли свое отражение в пьесе «Юлий Цезарь». В первой половине пьесы Цезарь получает всевозможные предупредительные сигналы, которые сам называет «знамениями»{19} («остерегись ид мартовских»), о том, что его коронация превратится в бойню. Разумеется, Цезарь игнорирует эти знаки, гордо настаивая на том, что они указывают на смерть кого-то другого, или же трактует эти знаки в высшей степени избирательно. А затем Цезаря убивают.

«Но ведь по-своему толкуют люди явленья, смысла их не понимая», – предупреждает нас Шекспир устами Цицерона – и это вполне хороший совет любому человеку, стремящемуся разобраться с недавно обретенным обилием информации. Отличить сигнал от шума не всегда просто. Зачастую данные рассказывают нам именно ту историю, которую мы хотим услышать, и обычно мы уверены, что у истории должен быть счастливый конец.

И все же, если трагедия «Юлий Цезарь» и была посвящена древней идее предсказания, связанной с фатализмом, гаданием и суеверием, в ней прозвучала и более современная и значительно более радикальная мысль о том, что мы должны интерпретировать эти знаки так, чтобы получать какие-нибудь преимущества. «Порой своей судьбою люди правят. Не звезды, милый Брут, а сами мы виновны в том, что сделались рабами», – говорит Кассий, надеясь убедить Брута принять участие в заговоре против Цезаря.

Идея человека – хозяина своей судьбы – быстро набрала популярность. Слова предсказание (prediction) и прогноз (forecast) в наши дни используются чуть ли не как синонимы, однако во времена Шекспира они обозначали разные вещи. Предсказаниями занимались прорицатели, а прогноз напоминал идеи Кассия.

Слово прогноз (forecast) в английском языке имеет германские корни{20}, а слово predict (предсказывать) пришло из латыни{21}. Прогнозирование отражало скорее новый мирской протестантский взгляд на мир, приземленность, а не ту отрешенность от мира сего, что была характерна для Священной Римской империи. Создание прогноза обычно предполагало работу в условиях неопределенности. Оно основывалось на благоразумии, мудрости и трудолюбии и больше напоминало процесс, который мы в наши дни часто связываем с понятием предвидения{22}.

Теологические последствия этой идеи достаточно сложны{23}. Однако они не были довольно значимыми для тех, кто надеялся обрести благо в земном мире. Эти качества оставались тесно сплетены с протестантской рабочей этикой, которую Макс Вебер воспринимал как основу зарождения капитализма и промышленной революции{24}. Подобное определение прогнозирования непосредственно связано с понятием прогресса. Вся информация, содержавшаяся в массе книг, должна была помочь так планировать свою жизнь, чтобы получить прибыль.

Протестанты, пережившие столетия священных войн, учились использовать накопленное ими знание с целью изменения общества. Промышленная революция началась в протестантских странах и в странах со свободной прессой, в которых и религиозные, и научные идеи могли распространяться без оглядки на цензуру{25}.

Важность промышленной революции сложно переоценить. На протяжении практически всей человеческой истории экономический рост составлял около 0,1 % в год. Этого было достаточно для обеспечения постепенного прироста населения, но не для роста уровня жизни на душу населения{26}. А затем внезапно, почти на пустом месте возник прогресс (рис. В. 2). Экономический рост начал происходить значительно быстрее, чем темпы роста населения (так продолжается и по сей день, если не обращать внимания на краткосрочный глобальный финансовый кризис){27}.

Как оказалось, взрывообразный рост информации, возникший благодаря появлению печатного станка, принес нам массу хорошего. Однако для того, чтобы все это благо реализовалось, потребовалось 330 лет – и миллионы погибших на полях сражений по всей Европе.

Парадокс продуктивности

Всякий раз, когда информационный рост происходит быстрее, чем развивается наше понимание того, как именно обрабатывать получаемые данные, нас поджидает опасность. Последние 40 лет человеческой истории показывают, что для превращения информации в полезное знание может потребоваться немалое время и что если мы не будем достаточно осторожны, то легко сможем сделать шаг назад.

Понятие «информационная эпоха» вряд ли можно считать таким уж новым. Оно получило определенное распространение уже в конце 1970‑х годов. Другой похожий термин – «компьютерная эра» – использовался даже несколько раньше, примерно с 1970 г.{28}. В то время компьютеры уже начали более широко применяться в лабораториях и других научных учреждениях, хотя еще и не стали привычным предметом бытовой техники. В этот раз нам не понадобились 300 лет для того, чтобы рост в области информационных технологий начал приносить человеческому обществу весомые преимущества. Однако нам все равно потребовалось от 20 до 30 лет.

1970‑е гг. были (выражаясь словами Пола Кругмана[1]) «звездным часом множества теорий, созданных вокруг невероятно небольших объемов данных». Мы начали использовать компьютеры для создания моделей мира, однако нам потребовалось время, чтобы понять, насколько неточными и основанными на предположениях они были. Мы не сразу осознали, что точность, на которую способны компьютеры, не может заменить правильность прогнозов. В эту эпоху мы выдвигали множество смелых предположений в целом ряде областей, начиная от экономики и заканчивая эпидемиологией, и очень часто эти предположения оказывались ошибочными. Например, в 1971 г. было заявлено о том, что в течение следующего десятилетия мы научимся достаточно точно предсказывать землетрясения{29}, однако прошло 40 лет, а мы так и не приблизились к решению этой проблемы.

На самом деле компьютерный бум 1970‑х и 1980‑х гг. привел к временному снижению экономической и научной производительности. Экономисты назвали это «парадоксом продуктивности». «Влияние компьютерной эпохи можно было увидеть во всем, за исключением статистики продуктивности», – писал экономист Роберт Солоу в 1987 г.{30}. В период между 1969 и 1982 гг. Соединенные Штаты столкнулись с четырьмя явными рецессиями{31}. Конец 1980‑х гг. был более сильным периодом в экономическом плане для США, но не для многих других стран мира.

Научный прогресс значительно сложнее поддается оценке, чем экономический{32}. Однако одним из его индикаторов может служить количество выданных патентов, особенно в области инвестиций в исследовательскую деятельность. Если после внедрения нового изобретения происходит снижение цен на тот или иной продукт, то это значит, что мы мудро используем имеющуюся информацию и успешно превращаем ее в знание. Если же цены начинают расти, это дает основания считать, что мы видим сигналы в шуме и напрасно тратим время, двигаясь в неверном направлении.

В 1960‑х гг. в Соединенных Штатах было потрачено около 1,5 млн долл. (с учетом инфляции{33}) на каждую патентную заявку{34}, поданную американским изобретателем. Однако на заре информационной эпохи эта цифра скорее росла, а не снижалась, а пиковое значение, достигнутое в 1986 г., составило примерно 3 млн долл. (рис. В. 3){35}.

Рис. В. 3. Расходы на научно-исследовательскую работу, необходимые для подачи заявки на патент

По мере того как мы начали более реалистично оценивать пользу от применения новых технологий, ситуация стала вновь улучшаться в 1990‑е гг. Мы реже оказывались в тупиковых ситуациях; компьютеры сделали нашу повседневную жизнь лучше и стали помогать нашей экономике. Зачастую то, что выглядело прогрессивным в будущем, в скором времени приводило к регрессу. То, что кажется предсказуемым в долгосрочной перспективе, способно нарушить наши самые продуманные планы в настоящем.

Обещания и подводные камни «Больших данных»

В наши времена модным стал термин «Большие данные»[2]. По расчетам компании IBM, мы ежедневно создаем 2,5 квинтильона байтов данных, а 90 % информации, имеющейся в нашем распоряжении, было получено за последние два года{36}.

Этот экспоненциальный рост информации, как и компьютеры в 1970‑е гг., порой представляется нам лекарством от всех болезней. Крис Андерсон, редактор журнала Wired, писал в 2008 г., что сам по себе огромный объем данных способен заменить собой теорию и даже научный метод{37}.

Книга, которую я написал, стои́т на стороне науки и технологии, и я считаю подобную позицию вполне оптимистичной. Однако следует помнить, что мы склонны допускать массу ошибок. Цифры сами по себе не умеют говорить. Именно мы говорим за них. Мы наполняем их смыслом. Как и Цезарь, мы можем трактовать их в свою пользу, что порой уводит нас слишком далеко от объективной реальности.

Управляемые данными предсказания способны обеспечить нам успех – или привести к неудаче. Шансы на неудачу возрастают, когда мы отрицаем собственную роль в процессе. Перед тем как потребовать большего от данных, мы должны потребовать больше от себя.

Если вы знаете мою предысторию, то такая точка зрения может показаться вам довольно странной. Многие слышали о том, что я умею работать с данными и статистически их обрабатывать. Я использую имеющуюся информацию для создания довольно успешных прогнозов. В 2003 г., когда мне уже порядком надоело консультировать клиентов, я занялся созданием системы, получившей название PECOTA, цель которой состояла в предсказании результатов игроков Главной бейсбольной Лиги. Она имела целый ряд инноваций (например, ее прогнозы носили вероятностный характер, и в них указывался диапазон возможных исходов для каждого игрока). Сравнив наши результаты с соответствующими результатами конкурирующих систем, мы обнаружили, что смогли их переиграть. В 2008 г. я создал веб-сайт FiveThirtyEight, призванный предсказать результаты надвигавшихся выборов. Прогнозы FiveThirtyEight правильно назвали победителя президентского голосования в 49 из 50 штатов, а также победителей голосования в 35 штатах по итогам выборов в Сенат.

После выборов со мной связалось несколько издателей, желавших заработать на издании пользовавшихся успехом книг типа «Moneyball» и «Фрикономика»[3] (в которых были приведены истории «ботаников», завоевавших мир). Они хотели, чтобы и в моей книге рассказывалось бы о чем-то подобном, то есть о предсказаниях, основанных на данных в различных областях, начиная от бейсбола и заканчивая финансами и национальной безопасностью.

Однако, пообщавшись в течение четырех лет более чем с сотней экспертов в десятке областей, прочитав сотни журнальных статей и книг и пропутешествовав в ходе своего расследования от Лас-Вегаса до Копенгагена, я постепенно понял, что предсказания в условиях эры Больших данных оказываются не особенно успешными. Мне же повезло сразу на нескольких уровнях: во-первых, из-за того, что я достиг успеха, несмотря на огромное количество сделанных ошибок (о которых я поговорю позднее), и, во-вторых, из-за того, что я правильно выбирал свои битвы.

Бейсбол, например, – уникальный, исключительный случай. Можно сказать, что это особенно яркое и открывающее нам глаза исключение, и в книге объясняется, почему это так и почему через десяток лет после выхода «Moneyball» фанаты статистики и скауты сотрудничают между собой в условиях, близких к полной гармонии.

В книге приведены и некоторые другие примеры, вселяющие в нас надежду. Один из них – прогнозирование погоды, требующее и человеческих суждений, и компьютерных мощностей. Метеорологи имеют довольно плохую репутацию, однако им удалось достичь заметного прогресса в работе: они способны предсказать место появления центра урагана в три раза точнее, чем четверть века назад. Кроме этого, мне довелось встречаться с игроками в покер и людьми, делавшими ставки на спортивные события и переигрывавшими Лас-Вегас. Встречался я и с программистами, создавшими для компании IBM компьютер Deep Blue, который смог обыграть чемпиона мира по шахматам.

Однако все эти примеры прогресса в области прогнозирования с лихвой уравновешиваются массой примеров неудач.

Если бы мне нужно было назвать единственную определяющую черту американцев – то, что делает нас исключительными, – я бы назвал веру в идею Кассия, в то, что мы сами контролируем собственную судьбу. Наша страна была создана на заре промышленной революции религиозными бунтарями, считавшими, что свободный поток идей помогает распространять не только религиозные, но и научные и коммерческие убеждения. Значительная доля наших сильных и слабых черт – нашей изобретательности и нашего трудолюбия, нашего высокомерия и нашего нетерпения – проистекает из непоколебимой веры в идею о том, что мы сами выбираем собственный путь.

Однако новое тысячелетие началось для американцев отвратительно. Мы не ожидали атак 11 сентября. Основная проблема заключалась в нежелании увидеть информацию. Как и в случае с нападением на Перл-Харбор шестью десятилетиями ранее, у нас имелись все сигналы. Однако мы не сопоставили одни сигналы с другими. При отсутствии достойной теории о поведении террористов мы оказались слепы к данным, а атаки оказались для нас «неизвестным неизвестным».

Немало неудачных предсказаний было связано и с недавним глобальным финансовым кризисом. Наша наивная вера в модели и неспособность понять, насколько сильно они полагаются на довольно хрупкие предположения, уже привела к разрушительным результатам. Кроме этого, я обнаружил, что даже в более рутинных условиях мы неспособны спрогнозировать рецессии более чем за несколько месяцев – и совсем не потому, что не стараемся этого сделать.

Несмотря на значительный прогресс в контроле уровня инфляции, можно сказать, что во всех остальных важных вопросах творцы нашей экономической политики действуют вслепую.

Модели прогнозирования, опубликованные политологами в преддверии президентских выборов 2000 г., предсказали убедительную победу Ала Гора, причем с большим перевесом{38}.

Однако выборы выиграл Джордж У. Буш. Неверные прогнозы такого рода вряд ли можно считать аномальными – они довольно типичны для политических предсказаний. Многолетнее исследование, проведенное Филипом Э. Тэтлоком из Пенсильванского университета, показало, что даже после того, как политологи заявляли о полной невозможности определенного политического события, оно тем не менее происходило примерно в 15 % случаев (при этом результаты политологов зачастую оказываются лучше, чем выводы аналитиков, мелькающих в телевизионных шоу).

В последнее время, как и в 1970‑х гг., предпринимался ряд попыток предсказать землетрясения, в основном с помощью математических методов, предполагающих управление данными.

Однако в результате некоторые предсказанные землетрясения так и не произошли, но были другие, к которым мы не смогли подготовиться. Конструкция ядерного реактора в Фукусиме предусматривала возможность выдерживать землетрясение магнитудой 8,6 балла, отчасти потому, что некоторые сейсмологи посчитали, что более сильные землетрясения просто невозможны. Однако в марте 2011 г. произошло самое ужасное в истории Японии землетрясение магнитудой 9,1 балла.

Существует целый ряд научных дисциплин, в которых предсказания часто оказываются неверными, и порой это обходится обществу очень дорого. Достаточно рассмотреть отрасль биомедицинских исследований. В 2005 г. уроженец Афин, медицинский исследователь по имени Джон П. Иоаннидис опубликовал довольно противоречивую работу под названием «Почему самые широко публикуемые выводы исследований неверны»{39}.

В работе изучались выводы, полученные другими исследователями, точнее, были приведены описания различных медицинских гипотез, выдвинутых в рамках лабораторных экспериментов. По мнению автора, большинство этих выводов показало бы свою несостоятельность в условиях реального мира. Не так давно компания Bayer Laboratories подтвердила гипотезу Иоаннидиса. При проведении собственных экспериментов компании не удалось повторить около двух третей результатов, о которых сообщалось в медицинских журналах{40}.

Большие данные действительно приведут к прогрессу, но лишь со временем. Насколько быстро это произойдет, и возможен ли дальнейший регресс, будет зависеть от нас самих.

Почему нас шокирует будущее

С биологической точки зрения мы не очень сильно отличаемся от своих предков. Однако некоторые из сильных сторон каменного века превратились в условиях информационной эпохи в слабости.

У людей довольно мало естественных защитных механизмов. Мы относительно медлительны и не особенно сильны. У нас нет когтей, клыков или брони. Мы не можем плевать ядом или маскироваться. Мы не умеем летать. Вместо всего этого мы выживаем благодаря своим мозгам. Мы способны быстро мыслить. Мы умеем находить закономерности и легко реагировать на появляющиеся возможности и возникающие угрозы.

«Эта потребность в поиске закономерностей проявляется у людей значительно сильнее, чем у других животных», – рассказал мне Томассо Поджио, специалист по неврологии из Массачусетского технологического института, изучающий, как наш головной мозг обрабатывает информацию. «Узнавание объектов в сложных ситуациях предполагает определенную степень обобщения. Новорожденный ребенок способен узнавать очертания лиц. И это не индивидуальный навык, а способность, приобретенная нами в ходе эволюции».

По словам Поджио, проблема состоит в том, что эти эволюционные инстинкты иногда заставляют нас видеть закономерности там, где их нет. «Люди постоянно находят закономерности в случайном шуме», – считает Поджио.

Человеческий мозг – невероятно интересная вещь; по некоторым данным, он способен хранить до трех терабайтов информации{41}. Однако этот огромный объем представляет собой около одной миллионной от той информации, которая, по данным IBM, производится в мире каждый день. Поэтому мы должны быть в высшей степени избирательны по отношению к информации, которую нам нужно помнить.

Элвин Тоффлер, автор вышедшей в 1970 г. книги «Шок будущего» (Alvin Toffler «Future Shock»)[4], предсказал некоторые последствия того, что он называл «информационной перегрузкой». По его мнению, лучший защитный механизм состоит в том, чтобы упрощать мир в соответствии со своими предубеждениями, хотя сам по себе мир становится все более разнообразным и комплексным{42}.

Наши биологические инстинкты не всегда хорошо адаптируются к современному обществу, переполненному информацией. И пока мы не начнем активно изучать собственные предубеждения, польза от дополнительной информации будет ничтожной или даже превратится во вред.

Информационная перегрузка, возникшая после рождения печатного пресса, привела к росту сектантства. Теперь все различные религиозные идеи можно было тестировать с помощью большего объема информации, с большей убежденностью, с бо́льшим количеством «доказательств» – и со значительно меньшей терпимостью к иным мнениям. То же самое явление разворачивается в наши дни. Разделение по политическим партиям в США начало активно развиваться примерно тогда же, когда Тоффлер написал «Шок будущего», и его темпы ускорились с появлением интернета{43}.

Подобные партийные убеждения могут легко нарушить справедливость утверждения о том, что чем больше информации, тем ближе мы становимся к истине. Недавнее исследование, проведенное журналом Nature, показало, что чем больше информации о глобальном потеплении получали рьяные приверженцы той или иной партии, тем меньше они соглашались со своими оппонентами{44}.

Кроме этого, даже при том, что объем информации ежедневно увеличивается на 2,5 квинтильона байт, с объемом полезной информации ситуация совершенно иная. Основная масса ежедневного прироста представляет собой обычный шум, растущий быстрее сигнала. У нас есть масса гипотез, требующих тестирования, и куча информационных массивов для тестирования – однако объем той информации, которую можно считать объективной истиной, остается практически неизменным.

Печатный пресс изменил наш способ совершать ошибки. Более редкими стали обычные ошибки переписчиков. Однако, если ошибка возникала, она могла воспроизводиться множество раз, как произошло с «Греховной Библией».

Этим свойством отличаются сложные системы типа Всемирной паутины. Возможно, они дают сбой не так часто, как более простые системы, но если этот сбой происходит, он оказывается в высшей степени значительным. Капитализм и интернет – две системы, невероятно эффективные с точки зрения пропаганды, позволяют плохим идеям распространяться точно в такой же степени, что и хорошим. Плохие идеи могут вызвать непропорционально сильный эффект. В преддверии финансового кризиса система была настолько искаженной, что любое недостаточно точное предположение в моделях, созданных кредитными рейтинговыми агентствами, сыграло огромную роль в кризисе всей глобальной финансовой системы.

Один из путей решения этой проблемы состоит в регулировании. Однако я подозреваю, что это – всего лишь попытка отказаться от того, чтобы обратиться за ответами внутрь самих себя. Нам нужно остановиться и признать, что у нас, у людей, есть проблема с предсказаниями. Мы любим заниматься ими, но не очень хорошо умеем это делать.

Что можно сказать о предсказании

Предсказание можно считать одновременно и основной проблемой этой книги, и основным ее решением.

Предсказания – это неотъемлемая часть нашей жизни. Каждый раз, когда мы выбираем маршрут движения на работу, размышляем о том, стоит ли идти на второе свидание или нужно ли отложить некоторую сумму на черный день, мы делаем прогноз о том, как будут развиваться события в нашем будущем и каким образом наши планы повлияют на вероятность позитивного исхода.

Тщательного осмысливания требуют решения далеко не всех этих повседневных вопросов; мы можем выделить на принятие каждого решения лишь ограниченное время. Тем не менее в течение дня каждый из нас делает множество предсказаний, вне зависимости от того, отдает ли он себе в этом отчет.

Именно по этой причине данная книга рассматривает предсказание как некий общечеловеческий опыт, а не функцию, которую реализует избранная группа экспертов или практиков. Конечно, всегда забавно потешаться над экспертами, когда их предсказания не сбываются. Однако нам не стоит слишком уж злорадствовать. Заявлять о том, что наши собственные предсказания ничуть не хуже, чем предсказания экспертов, – значит налагать на себя проклятие неоправданной похвалы.

При этом стоит отметить, что предсказания играют достаточно важную роль в науке.

Кому-то из вас может показаться дискомфортной мысль, на которую я намекал выше и которую теперь хочу высказать максимально прямо: мы никогда не сможем создавать идеально объективные предсказания. Они всегда будут искажены вследствие нашей субъективной точки зрения.

Однако эта книга категорически против нигилистической точки зрения, согласно которой объективной истины не существует. Скорее, она утверждает, что убеждение в наличии объективной истины – и приверженность ее достижению – представляет собой первое необходимое условие для создания качественного предсказания. Следующее, что должен признать любой прогнозист, – это тот факт, что его картина мира неидеальна.

Предсказание важно, поскольку оно позволяет соединить субъективную и объективную реальности. Эту точку зрения разделял философ науки Карл Поппер{45}. Для него гипотеза не считалась научной, когда ее нельзя было сфальсифицировать – иными словами, когда ее можно было протестировать в реальном мире путем прогнозирования.

В то же время мы должны понять, что далеко не все наши идеи могут или даже должны подвергнуться проверке. В экономике гораздо проще протестировать прогноз уровня безработицы, чем делать заявления об эффективности расходов на стимулирование бизнеса. В политических науках мы можем тестировать модели, использующиеся для предсказания исхода выборов, но, допустим, верификация теории о том, как могут повлиять изменения в политических учреждениях на общую политику, может занять десятилетия.

Я не хочу идти так же далеко, как Поппер, и утверждать, что эти теории – ненаучны или что в них отсутствует какая-либо ценность. Однако тот факт, что лишь немногие из теорий, которые мы можем проверить, показывают довольно плохие результаты, должен приводить нас к мысли о том, что многие из идей, которые мы не тестировали, могут также оказаться неверными. Вне всякого сомнения, мы живем с иллюзиями, которых даже не понимаем.

Однако нам есть куда двигаться. Возможное решение покоится не на довольно сырых политических идеях – особенно с учетом того, что я рассматриваю нашу нынешнюю политическую систему как значительную часть проблемы. Скорее, решение требует изменения нашего отношения.

Это новое отношение воплощается в так называемой теореме Байеса, о которой я расскажу в главе 8. Эта теорема, по сути, выглядит как математическая формула, но в реальности она представляет собой нечто гораздо более масштабное. Она предполагает, что мы должны думать о своих идеях (и том, как их проверять) иначе. Мы должны почувствовать себя более комфортно в условиях вероятности и неопределенности. Мы должны тщательнее размышлять о предположениях и убеждениях, с которыми связана проблема.

Данная книга делится примерно на две половины. Первые семь глав посвящены диагностике проблемы предсказания, а последние шесть – изучению и применению теоремы Байеса.

Каждая глава ориентирована на освещение конкретного вопроса и описывает его с определенной степенью глубины. Не буду отрицать, что эта книга достаточно детальна – отчасти потому, что в деталях часто кроется дьявол, а отчасти из-за моей убежденности в том, что достаточная степень погружения в предмет позволит понять его несоизмеримо лучше, чем короткое резюме.

Выбранная мной тематика связана с наличием обширной общедоступной информации. Известны примеры того, как прогнозисты создавали предсказания, основанные на закрытой информации (например, в случаях, когда компании используют данные о своих покупателях для прогнозирования спроса на новый продукт). Я же предпочитаю рассказывать о тех объектах, в отношении которых можно не верить мне на слово, а самостоятельно проверить результаты.

Короткая дорожная карта

В этой книге вы найдете много примеров из различных областей знаний (естественных и общественных наук), а также из спорта и азартных игр. В ней приведены как сравнительно прямолинейные примеры, в которых проще всего провести различие между успешным и неудачным предсказанием, так и другие, требующие чуть больше мастерства.

В главах 1–3 рассмотрены случаи неудачного предсказания в таких вопросах, как недавний финансовый кризис, успехи в бейсболе и в области политики, показано, где одни подходы сработали хорошо, а другие – нет. Их цель состоит в том, чтобы заставить вас задуматься о некоторых самых фундаментальных вопросах, лежащих в основе проблемы предсказания. Каким образом можем мы применить свои суждения в отношении данных, не поддаваясь при этом предубеждениям? В каких условиях рыночная конкуренция позволяет сделать лучшие прогнозы и за счет чего она способна их ухудшить? Каким образом мы можем сочетать необходимость использования знания прошлого как руководства к действию с признанием того, что будущее может быть совершенно иным?

В главах 4–7 основное внимание уделено динамическим системам: поведению земной атмосферы, влияющему на формирование той или иной погоды; движению тектонических плит планеты, способному вызвать землетрясения; комплексным взаимодействиям между людьми, влияющим на поведение американской экономики, а также распространению инфекционных заболеваний. Эти системы изучаются некоторыми из наших лучших ученых. Однако прогнозировать процессы, протекающие в динамических системах, достаточно сложно, и предсказания в этих областях далеко не всегда оказываются верными.

Главы 8–10 обращаются к решениям: сначала мы познакомим вас с человеком, делающим ставки на исходы спортивных мероприятий и применяющим теорему Байеса более умело, чем многие экономисты или ученые, а затем поговорим о двух видах спорта – о шахматах и покере.

Спорт и игры, подчиняющиеся четко определенным правилам, представляют собой отличную лабораторию для тестирования наших прогностических навыков. Они помогают нам лучше понимать смысл случайности и неопределенности, а также учат тому, как превращать информацию в знание.

Однако теорема Байеса может применяться и к значительно более важным проблемам. В главах 11–13 рассмотрены три примера: глобальное потепление, терроризм и пузыри на финансовых рынках. Эти проблемы достаточно важны и сложны для прогнозистов и общества в целом. Однако если мы решим принять брошенный нам вызов, то сможем сделать нашу страну, нашу экономику и нашу планету немного безопаснее.

Мир прошел долгий путь со времени изобретения печатного пресса. Информация перестала быть дефицитным продуктом; теперь ее у нас невероятно много, и мы не всегда знаем, что с ней делать. Однако по-настоящему полезной можно считать сравнительно небольшую ее часть. Мы воспринимаем ее избирательно, субъективно и не придаем значения возникающим в результате искажениям. Мы думаем, что нам нужна информация, хотя на самом деле нам нужно знание.

Сигнал – это правда. А шум – это то, что отвлекает нас от правды. Эта книга расскажет вам и о сигналах, и о шумах.

Наступило 23 октября 2008 г. Фондовый рынок находился в состоянии свободного падения, обвалившись за предшествующие пять недель почти на 30 %. Некогда уважаемая компания Lehman Brothers оказалась банкротом. Кредитные рынки практически перестали работать. Дома в Лас-Вегасе потеряли 40 % от своей стоимости{46}. Безработица подскочила до невероятно высокого уровня. Сотни миллиардов долларов, находившихся в распоряжении обанкротившихся финансовых фирм, моментально исчезли. Уровень доверия к правительству оказался самым низким за весь период его оценок{47}. А через две недели должны были состояться президентские выборы.

Конгресс, работа которого в обычных условиях затихала перед выборами, развил лихорадочную деятельность. Рассматриваемые в нем законопроекты о помощи финансовым организациям обещали стать непопулярными{48}, и Конгрессу нужно было создать впечатление, что все те, кто вел себя «неправильно», будут наказаны. Комитет США по надзору приказал главам трех основных агентств, занимавшихся составлением кредитных рейтингов, – Standard&Poor’s (S&P), Moody’s и Fitch Ratings – дать показания на парламентских слушаниях. Рейтинговые агентства были обвинены в неверной оценке вероятности того, что триллионы долларов в ценных бумагах, обеспеченных закладными, попадут под дефолт. Мягко говоря, возникло впечатление, что они оказались скомпрометированными.

Худшее из возможных предсказаний

Кризис конца 2000‑х гг. часто воспринимают как провал, поражение наших политических и финансовых учреждений. Очевидно, что это действительно было огромным поражением с экономической точки зрения. Даже в 2011 г., через четыре года после официального начала Великой рецессии, американская экономика работала на уровне в 800 млрд долл. ниже своего производственного потенциала{49}.

Однако я убежден, что правильнее оценивать финансовый кризис как провал в оценке состояния экономики или катастрофическую ошибку предсказания. Проблемы с прогнозами носили широкомасштабный характер, возникали практически на каждом шагу до, во время и после кризиса и вовлекали в себя массу участников – от ипотечных брокеров до Белого дома.

И самое страшное заключается в том, что «провалившиеся» предсказания обычно имеют много общих черт. Мы ориентируемся на сигналы, рассказывающие не о реально существующем мире, а о том, что мы хотим видеть. Мы игнорируем риски, которые сложнее всего измерить, даже когда они представляют собой величайшие угрозы нашему благосостоянию. Мы создаем приблизительное представление о мире, значительно более грубое, чем наше восприятие. Мы ненавидим неопределенность, даже когда она является неотъемлемой частью проблемы, которую мы пытаемся решить. Если мы хотим добраться до истинной причины финансового кризиса, нам следует начать с выявления самого «провального» предсказания, которое и привело ко всем последующим ошибкам.

Рейтинговые агентства давали рейтинг AAA (обычно зарезервированный для горстки наиболее платежеспособных стран и отлично управляемых компаний нашего мира) тысячам ценных бумаг, обеспеченных закладными, – финансовым инструментам, позволявшим инвесторам делать ставку на вероятность того, что кто-то не сможет расплатиться по закладной на свой дом.

Рейтинги, выпускавшиеся этими компаниями, были, по сути дела, предсказаниями, то есть расчетами вероятности того, что часть долга подвергнется дефолту{50}. Например, компания Standard&Poor’s озвучивала инвесторам, что рейтинг AAA у особенно сложного типа ценных бумаг, называемых облигациями, обеспеченных долговыми обязательствами (CDO)[5], означает, что невозможность выплаты по ним в течение следующих пяти лет составляет всего 0,12 %, или 1 шанс из 850{51}. По сути, это делало подобный инструмент столь же безопасным, как и корпоративные облигации[6] с рейтингом AAA{52}, и более безопасным, чем казначейские обязательства США (по мнению S&P){53}. Рейтинговые агентства будто забыли о существовании колоколообразных кривых распределения вероятности.

В реальности, судя по внутренним данным S&P, дефолту подверглось 28 % CDO с рейтингом AAA{54} (по некоторым независимым оценкам, этот показатель был еще выше{55}). Это значит, что реальные показатели дефолта для CDO оказались более чем в 200 раз выше, чем предсказывала S&P (рис. 1.1){56}.

Рис. 1.1. Предсказанные и реальные пятилетние уровни дефолта для траншей CDO c рейтингом AAA

Пожалуй, это пример чуть ли не самого серьезного провала, который только можно сделать в области предсказаний, – триллионы долларов в инвестициях, считавшихся почти полностью безопасными, обернулись чем-то диаметрально противоположным. Представьте себе, что прогноз погоды обещает вам +25 °С и солнце, а на вас внезапно обрушивается метель. Если вы сделаете неудачное предсказание, у вас есть несколько вариантов его последующего объяснения. Первый – обвинить внешние обстоятельства – то, что мы часто называем «невезением». Иногда это разумно и даже правильно. Когда Национальная служба погоды говорит о том, что вероятность безоблачной погоды составляет 90 %, а на улице начинается дождь, испортивший вам проведение турнира по гольфу, ее не стоит в этом винить. Исторические данные за многие десятилетия свидетельствуют, что когда Служба погоды говорит, что вероятность дождя составляет 1 к 10, то в долгосрочной перспективе дождь действительно идет всего в 10 % случаев[7].

Однако подобное объяснение внушает куда меньше доверия, когда у человека, делающего прогноз, за плечами нет истории успешных предсказаний и когда масштаб его ошибки значительно больше. В таких случаях проблема чаще связана с моделью мира, созданной прогнозистом, а не с миром как таковым.

В случае с CDO рейтинговые агентства вообще не имели никакой истории, на которую можно было бы опираться, – это были новые и мало кому знакомые ценные бумаги, а показатели уровня дефолта, заявленные S&P, основывались не на исторических данных, а на предположениях, вытекающих из неправильной статистической модели. При этом масштаб ошибок был огромным: на практике шансы на дефолт у CDO с рейтингом AAA оказались в 200 раз выше, чем в теории.

Правильное решение для рейтинговых агентств заключалось в том, чтобы признать ошибочность используемых моделей. Однако на слушаниях в Конгрессе они попытались снять с себя ответственность и заявили, что им просто не повезло. Они обвинили в случившемся внешние непредвиденные обстоятельства, а именно пузырь на жилищном рынке.

«S&P была не единственной компанией, которая внезапно столкнулась с резким падением на рынках жилья и ипотек», – сообщил Конгрессу в октябре того же года Девен Шарма, глава Standard&Poor’s{57}. «Почти никто – ни домовладельцы, ни финансовые учреждения, ни рейтинговые агентства, ни регуляторы, ни инвесторы – не мог предвидеть, что ждет их впереди».

Никто не мог предвидеть, что ждет их впереди. Если вы не можете заявить о своей невиновности, говорите о невежестве – зачастую это становится самой первой версией защиты в случае неудачного прогноза{58}. Однако заявление Шармы оказалось ложью, вполне типичной для слушаний в Конгрессе. Помните «У меня не было сексуальных отношений с этой женщиной» или «Я никогда не использовал стероиды»?[8]

Что же касается пузыря на жилищном рынке, то следует отметить тот факт, что очень многие замечали его развитие – и говорили об этом задолго до того, как он лопнул. Роберт Шиллер, экономист из Йеля, заметил начало развития пузыря еще в 2000 г., написав об этом в книге «Иррациональное изобилие» (Robert J. Shiller. «Irrational Exuberance»){59}. Дин Бейкер, экономист из Центра по экономическим и политическим исследованиям, писал о пузыре в августе 2002 г.{60}. Корреспондент журнала Economist, известный своей степенной прозой, говорил о «крупнейшем пузыре в истории» уже в июне 2005 г.{61}. Пол Кругман, экономист и лауреат Нобелевской премии, писал о пузыре и его неминуемом крахе в августе 2005 г.{62}. «Происходившее полностью вписывалось в систему, – рассказывал мне впоследствии Кругман. – Крах на рынке жилья не был черным лебедем. Он был настоящим слоном в посудной лавке».

Озабоченность проявляли и обычные американцы. Количество поисков в Google по запросу «housing bubble» («пузырь на жилищном рынке») выросло с января 2004 г. по лето 2005 г. примерно в 10 раз{63}. Наибольший интерес к этому термину проявляли в штатах типа Калифорнии, где наблюдался самый значительный рост цен на жилье{64} и где, по всей видимости, могло произойти самое значительное их падение. В сущности, существование пузыря на удивление широко обсуждалось. И если выражение «пузырь на жилищном рынке» появлялось в 2001 г. всего в восьми новостных сообщениях{65}, то к 2005 г. уже в 3447. Пузырь на жилищном рынке обсуждался в заслуживающих уважения газетах и периодических изданиях примерно десять раз в день{66}.

И тем не менее рейтинговые агентства, работа которых заключается в оценке риска на финансовых рынках, утверждали, что они ничего не заметили. И то обстоятельство, что они считали это своей лучшей линией защиты, многое говорит о том, что проблемы с их предсказаниями значительно глубже, чем мы могли бы предположить.

«Не думаю, что они хотели, чтобы музыка перестала играть»

Ни один из известных мне экономистов и инвесторов, с которыми я беседовал перед написанием этой главы, не высказывал теплых чувств по отношению к рейтинговым агентствам. Однако при объяснении причин неудачи рейтингов – алчность или невежество? – мнения моих собеседников разделились.

Возможно, Джулса Кролла можно считать одним из самых авторитетных специалистов в данном вопросе, поскольку он сам управляет рейтинговым агентством. В 2011 г., когда я встретился с ним в нью-йоркском офисе его компании Kroll Bond Ratings (основанной в 2009 г.), она как раз выпустила в свет свой первый рейтинг, связанный с ипотекой для строителей гигантского торгового центра в Арлингтоне, штат Виргиния.

Кролл видит основную причину ошибок рейтинговых агентств в отсутствии «надзора». Достаточно иронично слышать это слово от Кролла, который, перед тем как заняться рейтингами, управлял умеренно известной (и невероятно прибыльной) компанией Kroll, выступавшей в роли своеобразного детективного агентства, расследовавшего случаи корпоративного мошенничества. Эти люди знали, как найти преступников, например, однажды им удалось выловить похитителей одного миллиардера и владельца хеджевого фонда после того, как те воспользовались его кредитной картой, чтобы купить себе пиццу{67}. На момент нашей встречи Кроллу было 69 лет, однако его инстинкты ищейки остались столь же сильными, что и в прошлом, – и они пробудились, как только он занялся изучением деятельности рейтинговых агентств.

«Надзор – это термин, который можно рассматривать как своего рода искусство в рейтинговой отрасли, – сказал мне Кролл. – Суть его заключается в том, что вы постоянно информируете инвесторов о том, что видите. Каждый месяц вы получаете tape[9] – информацию о событиях типа дефолтов по закладным или досрочном их погашении, – короче, массу данных. По сути, это своеобразная система раннего оповещения: становятся ли дела лучше или хуже? И весь мир ждет, что вы будете держать его в курсе».

Иными словами, рейтинговые агентства должны были одними из первых обнаружить проблемы на жилищном рынке, так как обладали значительно более полной информацией, чем кто-либо еще: они знали, удается ли тысячам заемщиков вовремя делать выплаты по закладным. Однако вплоть до 2007 г., пока проблемы не проявились в полный рост, а уровень неплатежей не вырос почти в два раза, агентства не понижали рейтинг множества ценных бумаг, обеспеченных закладными{68}.

«Они отнюдь не дураки, – сказал мне Кролл. – Они все знали. Я думаю, что они просто не хотели, чтобы эта музыка перестала играть».

Kroll Bond Ratings – одна из десяти зарегистрированных NRSRO[10], то есть признанных в национальном масштабе статистических рейтинговых организаций, получивших от Комиссии по ценным бумагам и биржам право оценивать долговые ценные бумаги. Однако Moody’s, S&P и Fitch – трое из множества игроков – имели почти всю долю рынка; S&P и Moody’s независимо друг от друга оценивали почти 97 % CDO, выпускавшихся до финансового коллапса{69}.

Одна из причин, по которым S&P и Moody’s пользовались подобным доминирующим присутствием на рынке, состоит в том, что они слишком долго были «членами клуба». Иными словами, они представляют собой часть узаконенной олигополии; доступ же в эту отрасль ограничивается правительством.

Кроме этого, получение одобрения со стороны S&P и Moody’s часто требуют внутренние правила крупных пенсионных фондов{70}: примерно в двух третях случаев{71} в правилах прямо указано, что перед тем, как пенсионный фонд купит ту или иную ценную бумагу, она должна пройти оценку S&P, Moody’s или обеих компаний{72}.

S&P и Moody’s воспользовались преимуществом своего избранного статуса, чтобы получить исключительно высокую прибыль, несмотря на то что на них часто работали люди, не нашедшие себе места на Уолл-стрит[11].

Доходы Moody’s{73} от составления так называемых рейтингов структурированного финансирования увеличились за период между 1997 и 2007 гг. более чем на 800 %. В годы роста пузыря именно эти продукты были основными для агентства при работе в индустрии рейтингов{74}. Они обеспечили Moody’s в тот период на жилищном рынке самую высокую маржу прибыли по сравнению с любой компанией из списка S&P 500, причем в течение пяти лет подряд{75}. (В 2010 г., даже после того как пузырь лопнул и проблемы с рейтинговыми агентствами стали очевидными, Moody’s умудрялось зарабатывать прибыль на уровне 25 %{76}.)

Огромная прибыль, возникавшая вследствие появления на рынке все новых CDO, а также отсутствие возможности у инвесторов проверить правильность составляемых рейтингов, пока не станет слишком поздно, не давали агентствам стимулов соревноваться за качество продукта. Генеральный директор Moody’s Рэймонд Макдэниел недвусмысленно дал понять правлению компании, что качество рейтингов – это наименьший по важности фактор, определяющий прибыль компании{77}.

Все было гораздо проще. Рейтинговые агентства получали деньги от компаний, выпускавших CDO, за включение в рейтинг – чем больше CDO, тем больше прибыли.

Появилась возможность создавать практически неограниченное количество CDO путем комбинирования различных типов закладных, а когда это становилось совсем скучным, различные типы CDO комбинировались в ценные бумаги, производные друг от друга. Рейтинговые агентства редко упускали возможность оценить новую издаваемую ценную бумагу. Проведенное позднее правительственное расследование обнаружило переписку между двумя высшими руководителями Moody’s, в которой один из участников заявлял, что ценные бумаги могли бы «выпускать и коровы», но Moody’s все равно произвело бы их оценку{78}. В некоторых случаях рейтинговые агентства шли еще дальше и подстрекали эмитентов долговых бумаг манипулировать рейтингами. Заявив о стремлении к большей прозрачности{79}, S&P снабдило эмитентов копиями своих программ для составления рейтингов. Это позволяло эмитентам с легкостью определять, сколько «плохих» закладных они могли бы включать в состав ценной бумаги, не рискуя при этом снижением рейтинга{80}.

Таким образом, возможность возникновения пузыря на жилищном рынке и его последующего краха представляла явную угрозу для локомотива рейтинговых агентств, несущегося вперед на всех парах. Но люди обладают удивительной способностью игнорировать риски, угрожающие их жизненным интересам, – как будто благодаря этому риски исчезнут. Поэтому нетрудно предположить, что заявление Девена Шармы не так уж и неправдоподобно – не исключено, что рейтинговые агентства действительно не увидели пузыря на жилищном рынке, хотя его увидели все остальные.

Однако на самом деле рейтинговые агентства вполне реально рассматривали возможность возникновения пузыря на жилищном рынке. Но они решили, что он не будет серьезной проблемой. В меморандуме, предоставленном мне представителем S&P Кэтрин Мэтис, в деталях описаны проведенные S&P в 2005 г. расчеты, имитирующие ситуацию, при которой цены на жилье по всей стране снизились бы на 20 % (что не так сильно отличается от сокращения цен на жилье на 30 %, которое наблюдалось в период между 2006 и 2008 гг.). В заключительной части меморандума было отмечено, что используемые в S&P модели вполне адекватно «оценивали риск падения» и что ценные бумаги с высоким рейтингом смогут «пережить падение на жилищном рынке без ущерба для своего кредитного рейтинга»{81}.

В некотором смысле такой подход вызывает еще большее беспокойство, чем ситуация, при которой рейтинговые агентства просто упустили бы из виду пузырь на жилищном рынке. В этой книге мы поговорим об опасности «неизвестного неизвестного» – то есть рисков, о которых мы даже не осведомлены. Возможно, хуже них могут быть только риски, которые мы ошибочно считаем контролируемыми[12]. В этих случаях мы не только обманываем сами себя, но и можем заразить своей фальшивой уверенностью других. Что касается рейтинговых агентств, то этот обман позволил инфицировать всю финансовую систему.

«Основное различие между предметом, который может испортиться, и предметом, который испортиться не может, состоит в том, что предмет, который не может испортиться, невозможно починить, если он все-таки испортился», – писал Дуглас Адамс в одной из книг серии «Автостопом по Галактике»{82}.

Но как же так получилось, что модели, используемые рейтинговыми агентствами, обладавшие всеми атрибутами научной точности, настолько плохо описывали реальность?

В чем ошиблись рейтинговые агентства

Чтобы найти источник проблемы, нам нужно копнуть немного глубже. Для поиска ответа потребуется более подробно разобраться в том, каким образом структурируются финансовые инструменты типа CDO. Кроме того, нам нужно понять, в чем заключается различие между неопределенностью и риском.

CDO представляют собой набор закладных, разделенных по пулам или «траншам», часть из них, как предполагается, довольно рискованные, другие же считаются достаточно безопасными. Мой друг Анил Кашьяп, преподающий курс по вопросам финансовых кризисов студентам Чикагского университета, придумал довольно упрощенный пример CDO. Именно его я и использую для объяснения.

Представьте себе, что у вас имеется набор из пяти закладных, и у каждой из них, по вашему предположению, вероятность дефолта, то есть вероятность невыполнения обязательств, составляет 5 %. Вы можете создать целый ряд ставок, основанных на состоянии каждой из этих закладных, причем каждая из ставок может быть более рискованной, чем предыдущая.

Самая безопасная ставка, которую я назову «Альфа», принесет вам деньги во всех случаях, кроме одного: когда дефолту подвергнутся все пять закладных. Самая рискованная – «Эпсилон» – лишает вас денег, если дефолту подвергается любая из закладных. Все остальные варианты могут считаться промежуточными.

Почему инвестор может предпочесть сделать ставку на Эпсилон, а не Альфу? Ответ прост: потому что Эпсилон, с учетом высокой степени рискованности, будет стоить значительно дешевле. Однако, если вы – инвестор, склонный избегать риска (как, например, пенсионный фонд), и ваши внутренние правила не позволяют вам инвестировать в ценные бумаги с низким рейтингом, вы выберете вариант Альфа – ставку, рейтинг которой, само собой разумеется, будет равен AAA.

Альфа состоит из пяти закладных, каждая из которых имеет вероятность дефолта лишь 5 %. Вы потеряете свою ставку только тогда, когда все пять закладных подвергнутся дефолту. Насколько велик риск этого события?

На самом деле, это довольно непростой вопрос, и именно в нем и кроется главная проблема. Вы получите различные ответы в зависимости от того, какие предположения и допущения будете использовать. Если ваши предположения неверны, то ваша модель может оказаться совершенно неправильной.

Одно из предположений заключается в том, что все закладные не зависят друг от друга. В рамках данного сценария ваши риски хорошо диверсифицированы: если плотник в Кливленде не сможет рассчитаться по своей закладной, то это не окажет никакого влияния на действия стоматолога из Денвера.

При таком сценарии риск потери вашей ставки будет исключительно мал. С математической точки зрения он равен 5 % в пятой степени, то есть 1 шанс из 3,2 млн. Если взять в качестве аналогии игру в кости, то дефолту соответствует самая неудачная комбинация «один-один» для двух кубиков. И именно эта чудесная степень диверсификации и позволяла рейтинговым агентствам утверждать, что в случае объединения в общий пул подобная группа субстандартных ипотечных кредитов (каждый из которых имел в среднем кредитный рейтинг на уровне B+{83}, то есть предполагал{84} более чем 20 %-ную вероятность дефолта{85}) практически не имела шансов на дефолт.

Другая крайность: предполагается, что закладные не являются полностью независимыми друг от друга, а ведут себя совершенно одинаково. Иными словами, дефолту подвергнутся либо все пять закладных, либо ни одна из них. Вместо того чтобы «бросать кубик» пять раз и изучать каждый исход, мы делаем ставку на один исход. У вас имеется вероятность в 5 %, что вам выпадет комбинация «один-один» и все закладные подвергнутся дефолту – иными словами, ваша ставка станет в 160 000 раз более рискованной, чем вы предполагали изначально{86} (табл. 1.1).

Таблица 1.1. Упрощенная структура CDO

Какое из этих предположений окажется наиболее верным, зависит от экономических условий. Если экономика и жилищный рынок находятся в хорошем состоянии, то первый сценарий – пять закладных не имеют между собой ничего общего – может считаться вполне разумным предположением. В реальной жизни вполне допустимо ожидать наступления отдельных дефолтов – заемщик может потерять работу или получить слишком большой счет за хирургическую операцию. Однако риск дефолта одного заемщика практически не связан с рисками других.

Но давайте вместо этого предположим, что на рынке присутствует некий общий фактор, от которого зависит судьба всех домовладельцев. Например, на жилищном рынке возник огромный пузырь, заставляющий цены на дома вырасти на 80 % без какого-либо значительного улучшения фундаментальных экономических показателей. У вас возникает проблема: если один заемщик оказывается в состоянии дефолта, то с подобными проблемами могут столкнуться и все остальные. Риск потери вашей ставки возрастает многократно.

Именно этот последний сценарий и начал разыгрываться в Соединенных Штатах в 2007 г. (чуть позже в этой главе я расскажу о развитии пузыря на жилищном рынке более детально). Однако рейтинговые агентства сделали ставку на свое прежнее предположение об отсутствии корреляции между рисками. Хотя неоднозначность этого предположения описывалась в научной литературе{87} и о ней говорили некоторые бдительные сотрудники рейтинговых агентств{88} задолго до того, как пузырь на жилищном рынке лопнул, рейтинговые агентства практически ничего не сделали для исправления ситуации.

Например, Moody’s в течение некоторого периода времени производило косметические корректировки своей модели{89}, в частности повысило вероятность дефолта ценных бумаг с рейтингом AAA до 50 %. Это могло показаться вполне разумным – неужели буфера в 50 % недостаточно для того, чтобы сгладить все шероховатости в наших предположениях?

Все было бы хорошо, если бы вероятность ошибки в прогнозах изменялась бы линейно и рассчитывалась арифметически. Однако «леверидж», или инвестиции за счет долговых обязательств, значительно увеличивают вероятность неточного прогноза, что приводит к возникновению массы нелинейных ошибок. По сути, 50 %-ная корректировка, сделанная Moody’s, напоминала ситуацию, при которой вы используете солнцезащитный крем и утверждаете, что он способен защитить вас от поражения при ядерном взрыве. Иными словами, решение проблемы такого масштаба оказалось совершенно неадекватным. И дело не в том, что риск дефолта в 50 % был слишком низким, – с таким же успехом они могли недооценить его на 500 или 5000 %. Практика показала, что вероятность дефолта оказалась в 200 раз больше, чем заявляли рейтинговые агентства, – иными словами, их модель ошиблась на 20 000 %.

В более широком смысле проблема рейтинговых агентств состояла в их неспособности или нежелании разобраться в различии между риском и неопределенностью.

Риск, как впервые отметил экономист Фрэнк Х. Найт в 1921 г.{90}, предполагает, что его можно оценить. Предположим, вы планируете выиграть партию в покер при условии, что ваш оппонент не соберет так называемый «дырявый стрит» (то есть в его распоряжении до какого-то момента есть все карты для формирования комбинации «стрит», кроме одной недостающей в центре последовательности[13]). Шансы на то, что на столе окажется нужная карта, составляют точно 1 из 11{91}. Это и есть оценка риска. Конечно, такие ситуации всегда неприятны, однако вы, по крайней мере, знаете вероятность ее возникновения и можете это спланировать заранее. В долгосрочной перспективе вы сможете обыграть своих оппонентов, делающих отчаянные ставки на слишком малую вероятность благоприятного для них события.

Неопределенность же представляет собой риск, который сложно измерить. У вас может иметься некоторое расплывчатое представление о возможных неприятностях. Вы даже способны четко представить, в чем они заключаются. Однако вы не знаете ни сколько их, ни когда они могут проявиться. Ваша предварительная оценка вероятности может отличиться от истинной в 100 или даже 1000 раз; вы просто не можете произвести расчеты более точно. Это и есть неопределенность. Риск выступает смазкой для колес локомотива экономики свободного рынка; неопределенность заставляет их тормозить.

Алхимические действия рейтинговых агентств были направлены на то, чтобы превратить неопределенность в нечто, напоминающее рассчитываемые риски. Они брали никому не известные ценные бумаги с высокой степенью системной неопределенности и заявляли о своей способности дать количественную оценку их рисков. Помимо этого, из всех возможных заключений и выводов они выбирали вывод о том, что такие инвестиции практически безрисковые.

Огромное количество инвесторов ошибочно считало эти заключения правильными, и мало кто из них имел план действий на случай, если что-то пойдет не так.

Тем не менее, хотя рейтинговые агентства и несут значительную ответственность за финансовый кризис, они были не единственными, кто допустил ошибки. История финансового кризиса как результата неудачного предсказания может быть рассказана в трех актах.

Акт I. Пузырь на жилищном рынке

Исторически так сложилось, что жилье в Америке никогда не считалось привлекательной инвестицией. В сущности, если верить индексу, разработанному Робертом Шиллером и его коллегой Карлом Кейсом, рыночная цена американского дома в долгосрочной перспективе практически не росла. После корректировок на уровень инфляции инвестиция в размере 10 тыс. долл., сделанная в жилье в 1896 г., могла стоить в 1996 г. около 10,6 тыс. долл. Возврат на инвестиции составил за столетие меньше, чем обычно приносит фондовый рынок за один год{92}.

Однако если инвестиции в жилье и не были прибыльными, то они, по крайней мере, оставались безопасными. До начала 2000‑х гг. самое значительное изменение в ценах на дома в Америке произошло в годы, последовавшие сразу после Второй мировой войны, когда цены выросли примерно на 60 % от уровня 1942 г. (прежнего исторического максимума).

Отметим, что жилищный бум 1950‑х гг. не имел почти ничего общего с пузырем на жилищном рынке 2000‑х. Понять, почему в 2000‑х гг. возникла столь масштабная проблема, помогает довольно простое сравнение.

Для послевоенных лет было характерно значительное изменение стандартов жизни. Американцы вышли из военных времен, имея свободные средства{93}, и внезапно оказались в эпохе процветания. Возник огромный спрос на большие дома. За период с 1940 по 1960 г. доля домовладельцев подскочила с 44 до 62 %{94}, при этом основной рост происходил в пригородах{95}. Кроме того, жилищный бум сопровождался беби-бумом: население США увеличивалось примерно на 20 % за каждое десятилетие после войны, что почти в два раза больше показателя роста 2000‑х. То есть количество домовладельцев возрастало в каждое десятилетие примерно на 80 % – что даже превышало рост цен на жилье.

Рис. 1.2. Индекс Кейса – Шиллера, цены на жилье в США; 1890–006 гг.

Напротив, в 2000‑х гг. доля домовладений выросла совсем ненамного – пик находился примерно на уровне 69 % в 2005 г., а десятью годами ранее рост составлял 65 %{96}. Те немногие американцы, которые к тому времени не приобрели дома, уже не могли позволить себе это сделать. Процентиля[14] доходов домохозяйств, равного 40, увеличенного на величину 15 % инфляции в период между 2000 и 2006 гг.{97}, оказалось недостаточно для покрытия инфляции, не говоря уже о новых домах.

Вместо этого жилищный бум был раздут искусственным образом как за счет спекулянтов, желавших активизировать рынок, так и за счет все более сомнительных займов, выдававшихся все менее платежеспособным потребителям. Для 2000‑х гг. характерны рекордно низкие уровни темпов роста сбережений; в некоторые годы этот показатель составлял чуть более 1 %. При этом получить ипотеку было проще, чем когда-либо ранее{98}. Цены практически утратили связь с реальными показателями спроса и предложения, а кредиторы, брокеры и рейтинговые агентства – получавшие от продажи каждого дома прибыль в том или ином виде – стремились сохранить сложившийся порядок вещей.

Хотя в Соединенных Штатах никогда ранее не возникали подобные пузыри на жилищном рынке, их наблюдали в других странах. И результаты во всех случаях оказались разрушительными. Шиллер, изучавший данные за несколько столетий по многим странам от Нидерландов до Норвегии, обнаружил, что вслед за ростом цен на недвижимость до недопустимых высот неминуемо следовал крах{99}. Печально известный пузырь на рынке недвижимости Японии в начале 1990‑х гг. особенно похож на недавний пузырь на жилищном рынке США. Цена коммерческой недвижимости в Японии выросла за десятилетний период между 1981 и 1991 гг. примерно на 76 %, а затем снизилась на 31 % в течение следующих пяти лет, что очень напоминает траекторию изменения цен на дома в США во время и после пузыря{100} (рис. 1.3).

Шиллер открыл и еще одну важную особенность, связанную с развитием пузыря: ожидания людей, покупавших дома, касающиеся того, что могут принести им эти инвестиции, были совершенно нереалистичны. Исследование, проведенное Кейсом и Шиллером в 2003 г., показало, что домовладельцы ожидали, что их объекты собственности будут расти в цене примерно на 13 % в год{101}. В реальности за более чем столетний период с 1896 по 1996 г.{102} (о котором я уже упоминал выше) продажная цена домов выросла всего на 6 % после поправки на инфляцию, то есть примерно на 0,06 % в год.

Этих домовладельцев, возможно, стоило бы простить за чрезмерное доверие к жилищному рынку. Идея пузыря на жилищном рынке настолько сильно укоренилась в популярной культуре, что в 2005 г. появились (с интервалом в 10 дней) две независимые телевизионные программы – одна под названием Flip This House, а вторая – Flip That House.

Желание быть не хуже остальных захватило даже тех покупателей домов, которые не рассчитывали на высокий возврат на свои инвестиции. «Я еще помню, как 20 лет назад на дороге в Сакраменто не было пробок, – рассказывал мне Джордж Акерлоф, коллега Шиллера, офис которого в Калифорнийском университете в Беркли находится в эпицентре зоны резкого снижения цен на жилье. – А теперь пробки возникают на доброй половине пути. Логика людей была проста – если я не куплю дом сейчас, то через пять лет заплачу ту же сумму за дом, расположенный на 15 километров дальше».

Рис. 1.3. Пузырь на рынке коммерческой недвижимости в Японии (1981–001 гг.) и на рынке жилья в США (1996–011 гг.)

Какой бы логикой ни руководствовались домовладельцы, условия ухудшались с каждым месяцем. К концу 2007 г. появились явные признаки возникновения проблемы: цены на дома снизились в течение года на семнадцати из двадцати крупнейших рынков{103}. Еще более зловещим признаком было резкое сокращение количества выданных разрешений на строительство жилья (ведущего индикатора спроса на жилье). Их количество упало на 50 % от пикового значения{104}. Тем временем кредиторы, наконец-то заметившие последствия чрезмерно сниженных стандартов на рынке субстандартного кредитования, изъявляли все меньше желания выдавать новые займы. К концу 2007 г. количество случаев потери права выкупа удвоилось{105}.

Первым инстинктивным желанием законодателей было вновь надуть пузырь. Чарли Крист, губернатор штата Флорида (который значительно сильнее многих других пострадал от происходившего), предложил выдавать кредит в 10 тыс. долл. каждому покупателю нового дома{106}. В феврале 2008 г. Конгресс США принял еще более серьезный законопроект, значительно расширивший возможности кредитования компаниям Fannie Mae и Freddie Mac в надежде, что это подстегнет продажи домов{107}. Однако цены на жилье продолжали неумолимо снижаться, упав в течение 2008 г. еще на 20 %.

Акт II. Леверидж, леверидж, леверидж

Немногие экономисты своевременно увидели раздувающийся пузырь на жилищном рынке, и очень мало кто из них смог оценить последствия коллапса цен на жилье для экономики в целом. В декабре 2007 г. экономисты из группы экспертов-прогнозистов, созванной Wall Street Journal, предсказали, что вероятность рецессии в следующем году составляет лишь 38 %.

Это заключение было в высшей степени примечательным, поскольку, как показали более поздние данные, экономика в тот период уже находилась в рецессии. Экономисты из другой группы экспертов (Survey of Professional Forecasters) полагали, что вероятность экономического бедствия (на уровне, соответствовавшем реально произошедшему впоследствии) составляет менее чем 1 из 500{108}.

Экономисты не обратили внимания на два существенных фактора. Первый был связан с эффектом влияния падения цен на жилье на финансы среднего американца. По состоянию на 2007 г. у американцев из среднего класса{109} в дома было вложено свыше 65 % капитала{110}. В ином случае они бы просто становились беднее – а жилье как вид капитала можно было использовать как некое подобие банкомата{111}. Денежные же остатки обычной американской семьи, не относящиеся к потребительскому сектору, – сбережения, акции, пенсионные накопления, наличность и капитал, связанный с небольшим бизнесом – уменьшились в среднем на 14 %{112} между 2001 и 2007 гг.{113}. После того как коллапс пузыря на жилищном рынке лишил американцев из среднего класса почти всего жилищного капитала, они обнаружили, что оказались куда в более худшей ситуации, чем несколькими годами ранее.

Снижение расходов на потребление, возникающее в результате более реалистичного восприятия потребителями своих финансов (экономисты называют это эффектом богатства (wealth effect)), оценивается специалистами на уровне от 1,5{114} до 3,5 % ВВП{115} в год, что потенциально достаточно для перехода среднего роста в рецессию. Однако мелкая рецессия – это одно, а глобальный финансовый кризис – совсем другое. И чтобы объяснить, почему пузырь на жилищном рынке его запустил, одного лишь эффекта богатства явно недостаточно.

В реальности рынок жилья представляет собой довольно незначительную часть финансовой системы. В 2007 г. общий объем продаж домов в Соединенных Штатах составлял около 1,7 трлн долл. – ничего особенного по сравнению с 40 трлн долл. ежегодного оборота на рынке акций. При этом, невзирая на то что происходило вокруг, Уолл-стрит делала ставки на жилье, причем с невиданной агрессивностью. В 2007 г. общий объем торговли ценными бумагами, обеспеченными закладными, составлял примерно 80 трлн долл.{116}. Это значило, что на каждый доллар, который кто-то хотел получить по закладной, Уолл-стрит делала ставки на уровне 50 долл.{117}.

Рис. 1.4. Зависимость продажи жилья от ставок на ценные бумаги, обеспеченные закладными

Теперь мы начинаем понимать, как же возник финансовый кризис: ставки покупателей домов были умножены на 50. Проблему можно выразить одним словом – леверидж.

Если вы берете в долг 20 долл., чтобы сделать ставку на победу Redskins над Cowboys, то это ставка, обеспеченная левериджем[15]. Аналогично, левериджем считается ситуация, при которой вы заимствуете деньги, чтобы рассчитаться по ипотеке, или когда вы занимаете деньги, чтобы сделать ставку на ценные бумаги, обеспеченные закладными.

В 2007 г. компания Lehman Brothers имела долю заемных средств на уровне 33 к 1{118}, иными словами, из каждых 33 долл., которые компания имела в открытых финансовых позициях, ей принадлежал всего 1 долл. Это означало, что при снижении стоимости портфеля всего на 3–4 % Lehman Brothers имела бы отрицательный собственный капитал[16] и в принципе могла бы объявить себя банкротом{119}.

Lehman была не единственной компанией с высоким левериджем – доля заемных средств у других крупных банков США составляла примерно 1 к 30 и стабильно повышалась в годы, предшествовавшие финансовому кризису{120}. Хотя исторические данные о доле заемных средств у американских банков достаточно разрознены, проведенный Банком Англии анализ британских банков позволяет понять, что общая доля левериджа в системе была в 2007 г. близка к историческому максимуму, скорее даже беспрецедентно высокой{121}.

Однако что особенно отличало Lehman Brothers, так это ненасытный аппетит к ценным бумагам, обеспеченным закладными. В 2007 г. она держала 85 млрд долл. в ценных бумагах, обеспеченных закладными. Эта сумма в четыре раза превышает величину капитала самой компании, иными словами, снижения их ценности на 25 % вполне достаточно для того, чтобы компания обанкротилась{122}.

В обычных условиях инвесторы проявили бы крайнюю осторожность при покупке подобных активов – или как минимум внимательно хеджировали бы свои ставки.

«Если вы находитесь на рынке и кто-то пытается продать вам что-то, чего вы не понимаете, – сказал мне Джордж Акерлоф, – то думайте, что вам собираются “продать лимон“[17]».

Акерлоф посвятил этому вопросу знаменитую работу под названием «Рынок лимонов»{123}, принесшую ему Нобелевскую премию. Он показал, что на рынке, пораженном асимметрией информации, качество товаров будет снижаться, доминировать же будут мошенничающие продавцы, пытающиеся облапошить доверчивых или отчаявшихся покупателей.

Представьте себе, что к вам на улице подходит незнакомец и предлагает купить его подержанную машину. Он показывает вам данные оценки стоимости машины, однако не разрешает совершить пробную поездку. Показалось бы вам это подозрительным? Главная проблема в данном случае состоит в том, что незнакомец знает о машине – ее истории ремонтов и реальном пробеге – значительно больше, чем вы сами. Здравомыслящие покупатели будут избегать сделок на подобном рынке любой ценой. Это случай неопределенности, берущей верх над риском. Вы знаете, что вам нужно потребовать от него скидку – однако вам сложно понять, какой конкретно она должна быть. И чем меньшую цену он готов вам предложить, тем больше вы будете убеждаться в том, что это слишком хорошо, чтобы быть правдой. В данном случае просто невозможна такая вещь, как справедливая цена.

Но теперь представьте, что за незнакомца, продающего вам машину, готов поручиться кто-то заслуживающий доверия – ваш близкий друг или бывший партнер по бизнесу. Теперь ситуация начинает выглядеть иначе. Именно эту роль сыграли рейтинговые агентства. Они поручились за ценные бумаги, обеспеченные закладными, наделили их рейтингом AAA и помогли создать для них рынок, который в иных условиях просто не существовал бы. Рынок полагался на них, как Дебби Даунер, однако они вели себя, скорее, как Роберт Дауни-младший[18].

Особенно опасным было поведение Lehman Brothers. На встрече с инвесторами в марте 2007 г. финансовый директор компании Кристофер О’Мейра заявил, что недавняя «икота» на рынках его совершенно не заботит и что Lehman надеется заняться «донным промыслом», покупая ценные бумаги у других игроков, преждевременно закрывавших свои позиции{124}. Он объяснил, что качество кредита на рынке закладных оставалось «очень сильным» – a подобное заключение можно было сделать только в том случае, когда вы смотрите на высокий рейтинг ценных бумаг, а не на низкое качество их обеспечения. Lehman «купила лимон».

Через год, когда пузырь на жилищном рынке начал лопаться, Lehman сделала отчаянную попытку закрыть свои позиции. Однако, учитывая умопомрачительные премии, которые требовали инвесторы за кредитные дефолтные свопы, то есть инвестиции, оплата по которым происходит в случае дефолта, и которые, соответственно, считаются основной страховкой на случай его возникновения, величину падения снизили всего на 20 %{125}. Этого оказалось слишком мало, и это произошло слишком поздно, и Lehman завила о банкротстве 14 сентября 2008 г.

Антракт. Смятение как проявление алчности

О том, в какой последовательности происходили события после объявления о банкротстве Lehman, можно было бы написать целую книгу (и, более того, на эту тему уже существует несколько отличных книг типа «Too Big to Fail»[19]). Пока нам достаточно вспомнить, что даже после смерти финансовая компания может преследовать экономику, угрожая ей своими невыполненными обязательствами. Тот факт, что Lehman Brothers больше не могла расплатиться по своим проигрышным ставкам, означал, что у кого-то еще внезапно возникла огромная дыра в портфеле. Проблемы этих людей, в свою очередь, могли повлиять на другие компании, и этот эффект мог распространиться по нарастающей по всей финансовой системе. Инвесторы и заемщики, обеспокоенные случившимся, но не до конца понимавшие, кто, кому и сколько должен, теряли способность отличать платежеспособные компании от зомби. Они отказывались предоставлять деньги под любые проценты, не позволяя эффективно работать даже здоровым компаниям.

Именно по этой причине правительства – за счет средств налогоплательщиков и утраты своей популярности – иногда помогают финансовым компаниям, оказавшимся в сложной ситуации. Однако Федеральная резервная система, спасшая компании Bear Stearns и AIG, вопреки ожиданиям инвесторов приняла решение не оказывать помощь Lehman Brothers, и поэтому на следующее утро индекс Доу-Джонса упал на 500 пунктов сразу же после открытия биржи.

До сих пор не вполне понятно, почему правительство помогло Bear Stearns и AIG, но решило не спасать Lehman. Одно из объяснений – безответственное поведение Lehman, загнавшее ее в настолько глубокую финансовую яму, что правительство не было уверено в том, чего именно оно сможет добиться в этом случае и какой ценой. И, конечно же, правительство не хотело обменивать свои «хорошие» деньги на чужие «плохие» долги{126}.

Ларри Саммерс, занимавший на момент нашей встречи в Белом доме в декабре 2009 г. пост директора Национального экономического совета{127}, сказал мне, что в случае спасения Lehman Brothers исход для правительства Соединенных Штатов стал бы не намного лучше. А при избыточности левериджа в системе боль была бы неминуемой в любом случае. «Это оказалось своего рода пророчеством, опровергавшим само себя, – говорил мне Саммерс о финансовом кризисе. – Все активно пользовались левериджем, но в этом случае система становится достаточно хрупкой, а для самоуспокоенности нет никаких серьезных оснований».

«Lehman можно было сравнить с горящей сигаретой в сухом лесу, – продолжил он немного позднее. – Если бы не случилось этого, то вполне вероятно, что случилось бы что-то еще».

Саммерс воспринимает американскую экономику как последовательность петель обратной связи. Одним из простых видов обратной связи является тот, что возникает между спросом и предложением. Представьте, у вас есть киоск по продаже газировки{128}. Вы снижаете цены, и у вас начинают расти продажи; стоит вам поднять цену, и продажи упадут. Но если вы зарабатываете много денег благодаря тому, что на улице царит жара, а ваш киоск – единственный во всем квартале, можете не сомневаться: какой-нибудь неравнодушный паренек откроет свой киоск на соседней улице и начнет конкурировать с вами по цене.

Спрос и предложение представляют собой пример отрицательной обратной связи: если цены идут вверх, продажи падают. Несмотря на свое название, отрицательная обратная связь является благом для рыночной экономики. Представьте себе, что справедливым было бы обратное утверждение и с ростом цен продажи бы росли. Вы повышаете цену на газировку с 25 центов до 2,5 долл. – однако вместо снижения продажи удваиваются{129}. Вы повышаете цену с 2,5 до 25 долл., но они вновь удваиваются. Со временем вы начинаете брать за стакан газировки 46 тыс. долл. – то есть среднюю сумму годового личного дохода в США, – и все 300 млн американцев выстраиваются за ним в очередь.

Описанная выше ситуация может считаться примером положительной обратной связи. И хотя поначалу она может вам и приглянуться, вы вскоре обнаружите, что производством и продажей газировки занялись буквально все в стране. Не осталось никого, кто изготавливал бы видеоигры, которые вы хотели бы купить за счет своей прибыли.

Обычно, с точки зрения Саммерса, отрицательная обратная связь доминирует в американской экономике, ведя себя подобно термостату, предотвращая скатывание в рецессию или перегрев. Саммерс считает, что одним из самых важных примеров обратной связи является то состояние, которое возникает при необходимости выбирать между тем, что он называет страхом и алчностью. Одни инвесторы не любят рисковать, а другие обожают это делать, однако их действия, обусловленные соответствующими предпочтениями, уравновешивают друг друга: если цена на акции падает вследствие ухудшения финансового положения компании, то опасающийся инвестор продает акции алчному и стремящемуся заняться данным промыслом.

Однако алчность и страх представляют собой достаточно волатильные качества, и баланс между ними может оказаться нарушенным. Когда в системе становится слишком много алчности, появляется пузырь. Когда же в ней в изобилии присутствует страх, на рынке возникает паника.

В обычных условиях мы извлекаем пользу, прислушиваясь к советам друзей и соседей, которых просим высказать свое мнение перед принятием решения. Однако когда их суждение искажено, то искаженным будет и наше. Так, люди склонны оценивать цены на дома, сравнивая их между собой{130}: если дом с тремя спальнями в новом микрорайоне города продается за 400 тыс. долл., то цена на старый дом на соседней улице на уровне 350 тыс. долл. вдруг начинает казаться невероятно низкой. В такой ситуации повышение цены на один из домов может привести к тому, что другие дома будут казаться более привлекательными.

Или, скажем, вы хотите приобрести другой тип активов – ценные бумаги, обеспеченные закладными. Оценить его еще сложнее. Однако чем больше инвесторов их покупает – и чем выше их оценивают рейтинговые агентства, – тем больше вы верите в них как в безопасные и имеющие смысл инвестиции. Так возникает положительная обратная связь – и потенциал для развития пузыря.

В определенное время на рынке начала править бал отрицательная обратная связь – осталось не так много американцев, которые имели бы возможность приобретать дома по существовавшим на тот момент ценам. Более того, многие американцы, уже купившие дома, фактически не могли себе их позволить и вскоре перестали платить по закладным. Однако это произошло уже после того, как были сделаны ставки на триллионы долларов с высокой степенью левериджа. Иными словами, обратное движение стало уже невозможно без существенного ущерба для экономики. И все это произошло в результате уверенности в том, что все люди, покупающие эти активы, не могут ошибаться.

«У нас было слишком много алчности и слишком мало страха, – сказал мне Саммерс в 2009 г. – А теперь у нас слишком много страха и слишком мало алчности».

Акт III. И вновь все как обычно

Как только пузырь на жилищном рынке лопнул, алчные инвесторы испугались неопределенности, поджидавшей их за каждым углом. Процесс распутывания финансового кризиса, то есть выяснения, кто, сколько и кому должен, может приводить к длительному «похмелью» в экономике. Экономисты Кармен Рейнхарт и Кеннет Рогофф, изучившие огромные пласты финансовой истории при написании книги «На этот раз все будет иначе. Восемь столетий финансового безрассудства» (Carmen Reinhart and Kenneth Rogoff «This Time Is Different: Eight Centuries of Financial Folly»), обнаружили, что финансовые кризисы обычно приводят к росту безработицы, сохраняющемуся в течение четырех-шести лет{131}. Другое исследование, проведенное Рейнхарт и посвященное недавним финансовым кризисам, показало, что 10 из последних 15 стран, переживших кризис, никогда не возвращались к докризисному уровню безработицы{132}. Такое положение дел совсем не похоже на нормальные рецессии, после которых обычно наблюдается рост выше среднего в течение примерно года{133} по мере того, как экономика возвращается к среднему значению и ситуация с рабочими местами нормализуется. Однако, несмотря на всю важность этого вопроса, многие экономические модели не проводят различия между финансовой системой и другими областями экономики.

Белому дому следовало бы прислушаться к уроку истории, преподанному Рейнхарт и Рогоффом. Прошло совсем немного времени, и администрации пришлось держать ответ за свои неверные предсказания.

В январе 2009 г., когда Барак Обама готовился принять присягу, пришедшая в Белый дом команда экономистов, возглавляемая Саммерсом и Кристиной Ромер, председателем Совета экономических консультантов, получила задание подготовить план широкомасштабного пакета стимулирующих мер, позволявших снизить недостаток спроса у частных и корпоративных потребителей. По мнению Ромер, бюджет проекта должен был составить 1,2 трлн долл.{134}. Со временем эта сумма была снижена до 800 млрд долл. после возражений со стороны политической команды Белого дома (полагавшей, что ей будет сложно убедить Конгресс выделить триллион долларов).

Чтобы помочь убедить Конгресс и всю страну в необходимости стимулирующих мер, Ромер совместно с коллегами подготовила меморандум{135}, в котором была показана глубина кризиса и последствия стимулирующих мер, направленных на его преодоление. В меморандуме был представлен график, демонстрирующий, как мог бы развиваться уровень безработицы при наличии стимулирующего пакета и без него. По мнению авторов меморандума, уровень безработицы, составлявший 7,3 % по данным на декабрь 2008 г., мог достичь пика на уровне около 9 % в начале 2010 г. Однако при наличии стимулирующих мер безработица не превысила бы значения 8 % и могла бы начать снижаться не позднее июля 2009 г.

Конгресс одобрил пакет стимулирующих мер в феврале 2009 г. Однако безработица продолжала расти – до 9,5 % в июле, а затем и до пикового значения на уровне 10,1 % в октябре 2009 г. Это было значительно хуже, чем ожидал Белый дом даже в рамках сценария «без стимулирования». Консервативные блогеры насмешливо обновляли график Ромер, добавляя к чересчур оптимистичным прогнозам реальный уровень безработицы (рис. 1.5).

Рис. 1.5. Экономические прогнозы уровня безработицы, представленные Белым домом, январь 2009 г.

Источники: Bureau of Labor Statistics*; Белый дом.

* Bureau of Labor Statistics (Бюро трудовой статистики) – подразделение Министерства труда США, ответственное за обработку и распространение статистических материалов по вопросам труда и занятости.

Рассматривая один и тот же график, люди приходили к совершенно разным выводам. Пол Кругман, с самого начала считавший бюджет стимулирующего пакета слишком маленьким{136}, видит в нем подтверждение того, что Белый дом значительно недооценил падение спроса. «Тот факт, что безработица не особенно снизилась даже в условиях стимулирования, означал, что нам придется пройти через чертовски сильный шок после финансового кризиса», – рассказал он мне. Разумеется, при этом другие экономисты воспринимали график как свидетельство полной неудачи пакета стимулирующих мер{137}.

Белый дом может уподобиться S&P и сказать в свою защиту то, что «все сделали одну и ту же ошибку». Его прогнозы во многом соответствовали тому, что говорили в то время независимые экономисты{138}. При этом экономическая статистика в тот период существенно недооценила масштаб кризиса{139}. Результаты первых расчетов правительства, доступные Ромер и Саммерсу на момент предложения этой идеи Конгрессу, показывали, что ВВП сократился осенью 2008 г. на 3,8 %{140}. На самом деле финансовый кризис отъел у экономики кусок в два раза больше. Реальное значение снижения ВВП приближалось к 9 %{141}, то есть страна была примерно на 200 млрд долл. беднее, чем поначалу считало правительство.

Возможно, еще более непростительная ошибка Белого дома состояла в создании столь детального прогноза и в неспособности подготовить общественность к тому, что он может оказаться неверным. Никакой экономист, как в Белом доме, так и за его пределами, не мог бы с должной точностью предсказать, как будут изменяться основные экономические индикаторы типа уровня безработицы (более детально мы обсудим макроэкономические прогнозы в главе 6). Неопределенность в прогнозах уровня безработицы{142}, создававшихся во время рецессии, исторически составляла плюс-минус 2 %{143}. Поэтому, даже если Белый дом полагал, что наиболее вероятное значение уровня безработицы составит примерно 8 %, в реальности она могла легко подскочить до двузначной цифры (или же, напротив, снизиться до 6 %).

Существует значительная неопределенность и в оценке эффективности стимулирующих расходов такого рода. Расчеты эффекта мультипликатора, то есть того, какой вклад в рост вносит каждый доллар стимулирующего пакета, значительно отличаются от исследования к исследованию{144}. Некоторые ученые заявляют, что 1 долл. стимулирующего пакета приведет к росту ВВП на 4 долл., а другие считают, что возврат составит лишь 60 центов на 1 долл. Когда вы накладываете значительную неопределенность, присущую измерениям эффективности стимулирующих мер, на значительную неопределенность, присущую макроэкономическим прогнозам любого рода, есть все шансы на то, что ваше предсказание не сбудется.

Что общего между всеми неудачными прогнозами

Финансовый кризис сопровождался как минимум четырьмя крупными неудачами прогнозирования.

• Сам факт образования пузыря на жилищном рынке говорит о том, что прогноз был плохим. Домовладельцы и инвесторы полагали, что рост цен означает, что стоимость домов будет продолжать увеличиваться, хотя на самом деле это должно было навести их на мысль о снижении цен в дальнейшем.

• Рейтинговые агентства и банки типа Lehman Brothers не смогли понять, насколько рискованны ценные бумаги, обеспеченные закладными. Вопреки их предположениям, сделанным на слушаниях в Конгрессе, проблема была не в том, что рейтинговые агентства не смогли увидеть пузырь на жилищном рынке. Скорее, в их модели прогнозирования были заложены ошибочные допущения, основанные на ложной уверенности в том, что риск, связанный с коллапсом на жилищном рынке, достаточно мал.

• Практически никто не смог представить себе, что кризис на рынке жилья станет спусковым крючком глобального финансового кризиса. Однако это произошло – в результате высокой доли левериджа на рынке, при которой на каждый доллар, который средний американец хотел вложить в новый дом, приходилось до 50 долл., инвестированных в производные бумаги.

• И, наконец, непосредственно после финансового кризиса никто не был способен предсказать масштаб финансовых проблем, которые он может вызвать. Экономисты и политики не прислушались к выводу Рейнхарт и Рогоффа о том, что финансовые кризисы обычно приводят к очень глубоким и долгосрочным рецессиям.

У всех этих проблем, связанных с прогнозами, имеется общая черта. В каждом случае при оценке данных люди игнорировали важную часть контекста:

• вера домовладельцев в то, что цены на жилье не упадут, проистекала из того факта, что в недавнем прошлом никакого значительного снижения цен на жилье в США не происходило. Однако никогда прежде не было и столь масштабного роста этих цен;

• доверие банков к способности Moody’s и S&P оценивать ценные бумаги, обеспеченные закладными, могло быть основано на том факте, что агентства достаточно профессионально оценивали другие типы финансовых активов. Однако рейтинговые агентства никогда прежде не оценивали столь новые и сложные ценные бумаги, как кредитные дефолтные опционы;

• вера экономистов в способность финансовой системы выдержать кризис на жилищном рынке могла быть связана с тем, что колебания цен на жилье в прошлом не оказывали существенного влияния на финансовую систему. Однако финансовая система никогда прежде не использовала так много заемных средств и уж точно не создавала так много производных инструментов на жилищном рынке;

• вера политиков в способность экономики быстро восстановиться после финансового кризиса могла быть связана с их опытом недавних рецессий, большинство из которых заканчивалось быстрым «V-образным» восстановлением. Однако эти рецессии прежде не были вызваны финансовыми кризисами, а природа этих кризисов достаточно уникальна.

Для описания проблемы подобного типа существует специальный технический термин. В случае значительных ошибок в прогнозировании специалисты обычно говорят о том, что «данные находятся за пределами выборки». И обычно следы именно этой проблемы можно найти на местах подобных «преступлений».

Что означает этот термин? Объяснить его суть нам поможет простой пример.

За пределами выборки – за пределами мышления, или Формула неудачного предсказания

Представьте себе, что вы – очень хороший водитель. Так о себе думают почти все водители{145}, но вы можете это доказать – за 30 лет водительского стажа (то есть совершив 20 тыс. поездок) вы пару раз легко наехали на бордюры.

Помимо этого, вы не злоупотребляете алкоголем и уж точно никогда не садитесь за руль пьяным. Однако как-то раз вы расслабляетесь на рождественской вечеринке в офисе. Не так давно умер ваш хороший друг, и вы находитесь в состоянии стресса. Один коктейль водка-тоник превращается в 12. Вы сильно пьяны. Что лучше сделать – поехать домой, сев за руль, или же вызвать такси?

Ответ кажется очевидным – взять такси. И отменить утреннюю встречу.

Рис. 1.6. Аккуратность и точность

Однако вы начинаете руководствоваться иной логикой. Прежде вы уже совершили 20 тыс. поездок, и лишь в двух из них произошли незначительные инциденты. Иными словами, вы спокойно добрались до места назначения в 19 998 случаях. Кажется, что все свидетельствует о том, что вы способны благополучно доехать до дома. А если у вас есть столь убедительные шансы на успех, зачем напрягать себя вызовом такси?

Разумеется, проблема состоит в том, что ни в одной из этих 20 тыс. поездок вы не находились в состоянии столь сильного опьянения. Размер вашей выборки для оценки успеха при вождении в нетрезвом состоянии равен не 20 тыс., а 0, и вы не сможете использовать свой прежний опыт для предсказания риска аварии в будущем. Это – типичный пример проблемы, связанной с ошибкой выборки.

Хотя может показаться, что избежать подобной ошибки легко, рейтинговые агентства ее допустили. Проделанный Moody’s расчет корреляции между различными ипотечными ценными бумагами на основании данных из прошлого был неверен – особенно принимая во внимание тот факт, что компания учитывала данные о ценах на жилье в США, начиная с 1980‑х гг.{146}. Однако в период с 1980‑х до середины 2000‑х гг. цены были стабильными или росли. В подобных обстоятельствах предположение о том, что закладная одного домовладельца мало связана с закладной другого, было достаточно точным. При этом ничто в данных из прошлого не могло показать, что произойдет, когда начнут снижаться цены на все дома. Коллапс на жилищном рынке оказался событием, находившимся за пределами выборки, поэтому созданная модель не могла применяться для оценки риска в этих условиях.

Ошибки, которые мы совершили, – и чему они учат

Разумеется, сотрудники Moody’s не были такими уж беспомощными. Они могли бы дать куда более правдоподобные оценки, расширив горизонт ви́дения. Соединенные Штаты никогда ранее не испытывали подобного краха на жилищном рынке – однако он происходил в других странах и приводил к плачевным результатам. Возможно, если бы экономисты Moody’s посмотрели, как изменились ставки в Японии после развития пузыря на рынке недвижимости, то смогли бы более реалистично представить себе всю опасность ценных бумаг, обеспеченных закладными, – и не дали бы им рейтинга AAA.

Однако большинство из тех, кто составляет прогнозы, как правило, избегает проблем, находящихся за пределами выборки. Расширяя выборку и включая в нее события, отделенные от нас пространством и временем, мы часто сталкиваемся с примерами того, что изучаемые связи выглядят совсем не так, как мы привыкли видеть. Наша собственная модель начинает казаться куда более слабой и смотрится уже куда менее впечатляюще при ее презентации (в статье в журнале или посте в блоге). Мы вынуждены признать, что знаем о мире значительно меньше, чем нам казалось. И наши личные и профессиональные стимулы почти всегда препятствуют подобному расширению выборки.

Мы забываем – или сознательно игнорируем – тот факт, что наши модели представляют собой упрощение мира. Мы считаем, что любая допускаемая нами ошибка будет находиться в разумных пределах. Однако в комплексных системах ошибки измеряются не в процентах, а в разах. S&P и Moody’s недооценили величину риска, связанного с CDO, в 200 раз. Экономисты считали, вероятность именно такой рецессии, которая произошла в реальности, составляла лишь 1 к 500.

Как я уже писал во введении, один из самых широко распространенных рисков, с которыми мы сталкиваемся в информационную эпоху, состоит в следующем: несмотря на увеличение объема знания в мире, разрыв между тем, что мы знаем, и тем, о чем мы думаем, что знаем, постоянно расширяется. Этот синдром часто связан с тем обстоятельством, что прогнозы, кажущиеся нам невероятно точными, на самом деле не являются таковыми. Moody’s провела расчеты с точностью до второго знака после запятой – однако они были невероятно далеки от реальности. Это все равно, что заявлять, что вы умеете хорошо стрелять, потому что ваши пули всегда оказываются в одних и тех же местах – хотя и невероятно далеко от центра мишени (рис. 1.6).

Финансовые кризисы, как и большинство других неудачных предсказаний, возникают как раз вследствие подобного фальшивого ощущения доверия. Аккуратные прогнозы притворяются точными, заставляя кое-кого из нас попасться на удочку и удвоить свои ставки. И в тот самый момент, когда нам кажется, что мы смогли преодолеть все основные недостатки своих суждений, ступор может наступить даже в такой сильной экономике, как американская.

Для многих людей выражение «политический прогноз» практически стало синонимом телевизионной программы McLaughlin Group, политического круглого стола, транслируемого по воскресеньям с 1982 г. (и примерно с того же времени пародируемого в юмористическом шоу Saturday Night Live). Ведет эту программу Джон Маклафлин, сварливый восьмидесятилетний человек, предпринимавший в 1970 г. неудачную попытку стать сенатором США. Он воспринимает политические прогнозы как своего рода спорт. В течение получаса в передаче обсуждаются четыре-пять тем, при этом сам Маклафлин настойчиво требует, чтобы участники программы отвечали на совершенно различные вопросы – от политики Австралии до перспектив поиска внеземного разума.

В конце каждого выпуска McLaughlin Group наступает время рубрики «Прогнозы», в которой каждому участнику дается несколько секунд, чтобы выразить мнение по тому или иному актуальному вопросу. Иногда они имеют возможность выбрать тему самостоятельно и поделиться своим мнением о чем-то, весьма далеком от политики. В других же случаях Маклафлин устраивает им своего рода неожиданный экзамен, на котором участники должны дать так называемые вынужденные прогнозы и ответить на один конкретный вопрос.

На некоторые вопросы Маклафлина – например, назвать следующего претендента на место в Верховном суде из нескольких достойных кандидатов – сложно ответить. На другие намного проще. Например, в выходные перед президентскими выборами 2008 г. Маклафлин спросил у участников, кто одержит верх – Джон Маккейн или Барак Обама?{147}.

Казалось, что ответ на этот вопрос не заслуживает длительного размышления. Барак Обама опережал Джона Маккейна практически в каждом национальном опросе, проводимом после 15 сентября 2008 г., когда банкротство Lehman Brothers привело к одному из самых сильных спадов в экономике со времен Великой депрессии. Также Обама вел по результатам опросов почти в каждом колеблющемся штате: Огайо, Флориде, Пенсильвании и Нью-Гемпшире – и даже в тех нескольких штатах, где демократы обычно не выигрывают, таких как Колорадо и Виргиния. Статистические модели, наподобие той, что я разработал для FiveThirtyEight, показывали, что шансы Обамы на победу в выборах превышают 95 %. Букмекерские конторы были менее конкретны, однако все равно оценивали шансы Обамы как 7 против 1{148}.

Однако первый участник дискуссии, Пэт Бьюкенен, уклонился от ответа. «В этот уик-энд свое слово скажут неопределившиеся», – заметил он, вызвав смех остальных участников круглого стола. Другой гость, Кларенс Пейдж из газеты Chicago Tribune, сказал, что данные кандидатов слишком «близки друг к другу, чтобы делать ставки». Моника Кроули из Fox News была упрямее и заявила, что Маккейн выиграет с перевесом «в пол-очка». И лишь Элеанор Клифт из Newsweek констатировала очевидное мнение и предсказала победу Обамы и Байдена.

В следующий вторник Обама стал избранным президентом. Он получил 365 голосов выборщиков против 173, отданных за Джона Маккейна, – результат, практически совпавший с предсказанным на основании опросов и статистических моделей. Хотя это и не убедительная историческая победа, все равно это был не тот случай, когда трудно предсказать результаты выборов – Обама обогнал Джона Маккейна почти на десять миллионов голосов. И казалось бы, что всем, кто делал противоположные прогнозы, следует объясниться.

Однако через неделю, когда те же участники McLaughlin Group собрались снова{149}, ничего подобного не произошло. Они обсуждали статистические нюансы победы Обамы, его выбор Рама Эмануэля в качестве главы администрации и его отношения с президентом России Дмитрием Медведевым. Никто не упомянул о неудачных прогнозах, сделанных на национальном телевидении, невзирая на массу свидетельств обратного. Скорее, участники передачи попытались сделать вид, что исход был полностью непредсказуемым. Кроули сказала, что это был «необычный год» и что Маккейн провел ужасную предвыборную кампанию, забыв упомянуть, что сама хотела сделать ставку на этого кандидата неделей ранее.

Специалистов по прогнозированию редко стоит судить по одному-единственному прогнозу, но в данном случае можно сделать исключение. За неделю до выборов единственная правдоподобная гипотеза, позволявшая поверить в победу Маккейна на выборах, заключалась в массивном всплеске расовой враждебности по отношению к Обаме, почему-то не замеченной в ходе опросов{150}. Однако подобную гипотезу не высказал ни один из экспертов. Вместо этого они, казалось, существовали в альтернативной вселенной, в которой не проводятся опросы, отсутствует коллапс экономики, а президент Буш все еще более популярен, чем Маккейн, рейтинг которого стремительно падает.

Тем не менее я решил проверить, не был ли данный случай аномальным. Насколько вообще умеют предсказывать участники дискуссии McLaughlin Group – люди, получающие деньги за свои разговоры о политике?

Я оценил достоверность примерно 1000 прогнозов, сделанных в последней рубрике шоу как самим Маклафлином, так и участниками его передачи. Около четверти из них или были слишком расплывчатыми, что не позволяло их анализировать, или касались событий в отдаленном будущем. Все остальные я оценивал по пятибалльной шкале, варьировавшейся в диапазоне от абсолютно ошибочных до полностью точных.

С таким же успехом участники шоу могли бы подбрасывать монетку. 338 их прогнозов были неточными – либо полностью, либо в значительной степени. Точно такое же количество – 338 – оказалось верными полностью или в значительной степени{151} (табл. 2.1).

Таблица 2.1. Анализ прогнозов, высказанных в телевизионной программе McLaughlin Group{152}

Кроме этого, ни одного из участников дискуссии – даже Клифта с его точным прогнозом итогов выборов 2008 г. – нельзя было выделить как лучшего среди остальных. Я рассчитал для каждого участника показатель, отражавший долю их личных верных индивидуальных прогнозов. Наиболее часто принимающие участие в обсуждении – Клифт, Бьюкенен, покойный Тони Блэнкли и сам Маклафлин – получили почти одинаковую оценку от 49 до 52 %, что означало, что они могли с равным успехом дать как верный, так и неверный прогноз{153}. Иными словами, их политическое чутье оказалось на уровне любительского джазового квартета, состоящего из парикмахеров.

Разумеется, программа McLaughlin Group в большей или меньшей степени задумана как своеобразное фарсовое развлечение для политических наркоманов. Это – своего рода пережиток прежней эры, такой же как программа Crossfire на канале CNN, в которой либералы и консерваторы бесконечно ругались друг с другом. Нынешняя, камерная эра не особо отличается от прежней, за исключением лишь того, что либералы и консерваторы вещают на своих кабельных каналах, а в качестве демилитаризованной демаркационной зоны между ними находятся Food Network или Golf Channel[21]. Подобная расстановка сил повышает рейтинги, однако далеко не всегда обеспечивает более надежный анализ.

Но что можно сказать о тех, кому платят за правильность и тщательность исследований, а не просто за количество высказываемых мнений? Можно ли считать, что качество прогнозов политологов или аналитиков из вашингтонских мозговых центров выше?

Действительно ли политологи лучше «экспертов»?

Распад Советского Союза и некоторых других стран Восточного блока происходил невероятно высокими темпами и, учитывая все обстоятельства, довольно упорядоченным образом[22].

12 июня 1987 г. Рональд Рейган, стоявший перед Бранденбургскими воротами, призвал Михаила Горбачева разрушить Берлинскую стену. И тогда его слова казались не менее дерзкими, чем обязательство Джона Ф. Кеннеди отправить человека на Луну. Рейган оказался лучшим пророком: стена рухнула менее чем через два года.

16 ноября 1988 г. парламент республики Эстония, государства размером со штат Мэн, заявил о суверенитете Эстонии, то есть о ее независимости от всемогущего СССР. Менее чем через три года Горбачеву удалось отразить попытку переворота со стороны сторонников жесткой линии в Москве, а затем советский флаг был в последний раз спущен перед Кремлем; Эстония и другие советские республики вскоре стали независимыми государствами.

Если постфактум падение советской империи и кажется вполне предсказуемым, то предвидеть его не мог практически ни один ведущий политолог. Те немногие, кто говорил о возможности распада этого государства, подвергались насмешкам{154}. Но если политологи не могли предсказать падение Советского Союза – возможно, самого важного события в истории конца XX в., – то какой вообще от них прок?

Филип Тэтлок, преподаватель психологии и политологии, работавший в то время в Калифорнийском университете в Беркли{155}, задавал себе именно такие вопросы. В период распада СССР он организовал амбициозный и беспрецедентный проект. Начиная с 1987 г. Тэтлок принялся собирать прогнозы, сделанные обширной группой экспертов из научных кругов и правительства по широкому кругу вопросов внутренней политики, экономики и международных отношений{156}.

Тэтлок обнаружил, что политическим экспертам было довольно сложно предвидеть развал СССР, поскольку для понимания происходившего в стране нужно было связать воедино различные наборы аргументов. Сами эти идеи и аргументы не содержали ничего особенно противоречивого, однако они исходили от представителей разных политических направлений{157}, и ученые, бывшие сторонниками одного идеологического лагеря, вряд ли могли так легко пользоваться аргументацией оппонентов.

С одной стороны, непосредственно от Горбачева зависело довольно много, и его желание реформ было искренним. Если бы вместо того, чтобы заняться политикой, он предпочел стать бухгалтером или поэтом, то Советский Союз мог бы просуществовать еще несколько лет. Либералы симпатизировали Горбачеву. Консерваторы же мало верили ему, а некоторые из них считали его разговоры о гласности простым позерством.

С другой стороны, критика коммунизма консерваторами была скорее инстинктивной. Они раньше остальных поняли, что экономика СССР разваливается, а жизнь среднего гражданина становится все более сложной. Уже в 1990 г. ЦРУ рассчитало – причем неверно{158}, – что ВВП Советского Союза примерно в два раза меньше, чем в США{159} (в расчете на душу населения, что сопоставимо с уровнем демократических в настоящее время государств типа Южной Кореи и Португалии). Однако недавно проведенные исследования показали, что советская экономика, ослабленная длительной войной в Афганистане и невниманием центрального правительства к целому ряду социальных проблем, была примерно на 1 трлн долл. беднее, чем думало ЦРУ, и сворачивалась почти на 5 % в год с инфляцией, темпы которой описывались двузначными цифрами.

Если связать эти два фактора воедино, то коллапс Советского Союза было бы легко предвидеть. Обеспечив гласность прессы, открыв рынки и дав гражданам больше демократических прав, Горбачев, по сути, наделил их механизмом, катализирующим смену режима. А благодаря обветшавшему состоянию экономики страны люди с радостью воспользовались представленной возможностью. Центр оказался слишком слаб, чтобы удержать контроль, и дело было не в том, что эстонцы к тому времени устали от русских. Русские и сами устали от эстонцев, поскольку республики-сателлиты вносили в развитие советской экономики значительно меньше, чем получали из Москвы в виде субсидий{160}.

Как только к концу 1989 г. в Восточной Европе начали сыпаться костяшки домино – Чехословакия, Польша, Румыния, Болгария, Венгрия и Восточная Германия, – Горбачев, да и кто-либо еще вряд ли смогли бы что-то сделать, чтобы предотвратить этот процесс. Многие советские ученые осознавали отдельные части проблемы, однако мало кто из экспертов мог собрать все кусочки головоломки воедино, и практически никто не был способен предсказать внезапный коллапс СССР.

Тэтлок, вдохновленный примером с Советским Союзом, начал проводить опросы экспертов и в других областях. Например, он просил их поделиться мнением и дать прогнозы, касающиеся Войны в Заливе, пузыря на рынке недвижимости в Японии, потенциального отделения Квебека от Канады и практически каждого из других важных событий 1980‑х и 1990‑х гг.

Была ли неспособность предсказать коллапс Советского Союза исключением, и заслуживает ли своих лавров «экспертный» политический анализ? Исследования Филипа Тэтлока, проводившиеся свыше 15 лет, были опубликованы в 2005 г. в книге «Знания экспертов: Насколько мы можем им верить?» (Philip E. Tetlock «Expert Political Judgement: How good is it?»).

Выводы Тэтлока оказались убийственными. Эксперты в рамках его опросов – вне зависимости от их рода занятий, опыта или отрасли знаний – демонстрировали ничуть не лучшие результаты, чем можно получить при обычном гадании. Более того, они предсказывали будущие политические события хуже, чем даже рудиментарные статистические методы. Они были слишком самоуверенны, оценивая их вероятность: около 15 % событий, которые, по их мнению, не имели ни малейшего шанса на возникновение, все же реализовывались, а еще 25 % событий, в возникновении которых эксперты были полностью уверены, так и не произошли{161}. И не имело значения, какие это были события: касались ли они экономики, внутренней политики или международных дел, суждения экспертов оказались одинаково ошибочными по всем вопросам.

Чтобы делать более верные прогнозы, нужно стать лисой

Хотя в среднем результаты экспертов оказались довольно плохими, Тэтлок обнаружил, что некоторым из них эта работа удавалась лучше, чем остальным. Среди проигравших оказались те эксперты, чьи предсказания чаще всего цитировались в СМИ. Тэтлок установил, что чем больше интервью прессе давал эксперт, тем хуже были его предсказания.

Другая же подгруппа экспертов показывала сравнительно более хорошие результаты. Тэтлок, получивший образование психолога, очень интересовался когнитивным стилем экспертов – тем, как они размышляют о мире. Поэтому он видоизменил несколько вопросов в личностных тестах и задал их всем экспертам.

Основываясь на полученных ответах, Тэтлок смог классифицировать всех экспертов в соответствии с определенной шкалой, распределив их между так называемыми ежами и лисами. Разделение на эти две группы напрямую связано с названием эссе Исайи Берлина о русском писателе Льве Толстом. Берлин, в свою очередь, позаимствовал его из строки, приписываемой греческому поэту Архилоху: «Лис знает много секретов, а еж – один, но самый главный».

Если вы не фанат Толстого или цветистой прозы, то вам совершенно не обязательно читать эссе Берлина. Однако основная его идея заключается в том, что писателей и мыслителей можно разделить на две большие категории.

• «Ежи» – это те люди, которые верят в Большие Идеи или управляющие миром принципы. «Ежи» приравнивают их к законам физики, универсальным для каждого вида взаимоотношений в обществе. Можно вспомнить Карла Маркса и идею классовой борьбы или Зигмунда Фрейда и идею бессознательного. Или же Малкольма Гладуэлла и теорию «переломного момента».

• «Лисы» же, напротив, верят во множество мелких идей и предлагают разнообразные подходы к решению проблем. Они более терпимы к нюансам, неопределенности, сложности и противоречивым мнениям. Если «ежи» – это охотники, всегда ищущие большую добычу, то «лисы» – это собиратели.

«Лисы», как обнаружил Тэтлок, умеют предсказывать значительно лучше, чем «ежи». Например, они гораздо лучше оценили перспективы Советского Союза. Вместо того чтобы воспринимать СССР исключительно в идеологических понятиях, как «империю зла» или как сравнительно успешный (и, возможно, даже выступающий образцом для подражания) пример марксистской экономической системы, они видели то, что было на самом деле, – все более дисфункционализирующую страну, стоявшую на грани распада. Если прогнозы «ежей» были немногим лучше, чем вероятностный шанс, то прогнозы «лис» показывали, что у них есть определенные способности к предсказаниям (табл. 2.2).

Таблица 2.2. Различия между «лисами» и «ежами»

Почему из «ежей» получаются хорошие гости телешоу

Я встретился с Тэтлоком за обедом в гостинице «Дюран», приятном и освещенном зимним солнцем заведении, расположенном рядом с общежитием Беркли. Вполне естественно, Тэтлок напоминал типичную «лису»: он говорил мягким голосом и часто замолкал на 20 или 30 секунд перед тем, как дать на мои вопросы максимально выверенный ответ.

«Что стимулирует людей, демонстрирующих свой интеллект на публике? – спросил меня Тэтлок. – Есть целый ряд ученых, предпочитающих сохранять анонимность. Но есть и другие, желающие выступать на публике, высказывать смелые теории и оценивать значительные события в понятиях вероятности. Разумеется, такой подход естественным образом привлекает к ним внимание».

Иными словами, смелые предсказания в стиле «ежа» с большей вероятностью приведут вас на телевидение. Возьмем пример Дика Морриса, бывшего советника Билла Клинтона, работающего в настоящее время комментатором на канале Fox News. Моррис – это классический «еж», и, по всей видимости, его стратегия состоит в том, чтобы при любом удобном случае выступать с шумным предсказанием. В 2005 г. Моррис заявил, что действия Джорджа У. Буша по преодолению последствий урагана «Катрина» помогут ему обрести прежние позиции во взаимоотношениях с общественностью{162}. Накануне выборов 2008 г. он предсказал, что Барак Обама выиграет в Теннесси и Арканзасе{163}. В 2010 г. Моррис предсказал, что республиканцы легко получат сотню мест в Палате представителей США{164}. В 2011 г. он заявил, что Дональду Трампу стоит выдвинуть свою кандидатуру на президентских выборах от республиканской партии и что у него «чертовски высокие» шансы на выигрыш{165}.

Все эти предсказания оказались абсолютно неверными. «Катрина» стала началом конца Буша, а не его возрождения. Обама проиграл в Теннесси и Арканзасе с разгромным счетом – фактически это были единственные штаты, в которых его результаты были хуже, чем у Джона Керри четырьмя годами ранее. Республиканцам повезло в ноябре 2010 г., однако они получили 69 мест, а не 100. Трамп официально отказался от президентских амбиций всего через две недели после настойчивых призывов Морриса.

Однако Моррис умеет быстро вставать на ноги и снова продолжает заниматься маркетингом самого себя – он, как и прежде, регулярно появляется в программах Fox News и даже смог продать свою книгу сотням тысяч людей.

«Лисам» же порой бывает непросто вписаться в отдельные типы культур, таких как телевидение, бизнес и политика. Их убеждение в том, что многие проблемы сложно предсказать и что мы должны принимать во внимание большую степень неопределенности в жизни, может ошибочно приниматься за отсутствие у них уверенности в себе. Их плюралистический подход может быть столь же ошибочно принят за отсутствие убежденности. Широко известна фраза Гарри Трумэна, потребовавшего представить ему «сделанного одной рукой экономиста»[23], после того как «лисы» в его администрации никак не могли дать ему однозначный ответ на вопрос.

При этом оказывается, что «лисы» могут делать более качественные предсказания. Они быстрее других понимают, насколько данные могут быть искажены шумом, и они в меньшей степени склонны гоняться за фальшивыми сигналами. Они больше знают о том, что они не знают.

Если вам нужен врач, способный оценить ваше физическое состояние, или инвестиционный консультант, помогающий максимизировать величину пенсионных накоплений, то вам стоит довериться «лисе». Возможно, он даст менее радужные прогнозы относительно своих способностей, но уж точно будет лучше понимать, что происходит на самом деле.

Почему политические предсказания обычно оказываются неудачными

«Лисье» восприятие происходящего может оказаться особенно важным, когда речь заходит о предсказаниях в области политики. Существует целый ряд ловушек, в которые чаще всего попадают «ежи», а «лисы» с присущей им осторожностью – нет.

Одна из них – партийная идеология. Моррис, несмотря на то что ранее был советником Билла Клинтона, позиционирует себя как республиканец и занимается сбором средств для кандидатов от этой партии. И его консервативные взгляды вполне соответствуют взглядам его работодателя, Fox News. Однако и у либералов нет иммунитета против того, чтобы стать «ежами». Изучая правильность прогнозов, сделанных участниками McLaughlin Group, я обнаружил, что Элеанор Клифт, обычно выступающая как самый либеральный участник этого шоу, почти никогда не выдвигала предположений о более предпочтительном для республиканцев варианте. Возможно, это и помогло ей в предсказании результата выборов 2008 г., но в долгосрочной перспективе она не была более точной, чем ее консервативные оппоненты.

Научные эксперты, деятельность которых изучал Тэтлок, могут страдать от той же проблемы. В сущности, неполные знания могут стать опасной вещью в руках «ежа» с докторской степенью. Один из самых примечательных выводов Тэтлока звучал так: если с приобретением нового опыта у «лис» улучшаются способности к предсказанию, то для «ежей» справедливо обратное – по мере приобретения дополнительных знаний результативность их прогнозов, скорее, ухудшается. Тэтлок верит, что чем больше фактов узнают «ежи», тем больше у них появляется возможностей манипулировать с этими фактами с целью подтверждения их предубеждений. Это чем-то напоминает ситуацию, когда вы помещаете ипохондрика в темную комнату с доступом в интернет. Чем больше времени вы ему дадите, тем больше информации будет у него в распоряжении и тем более страшный диагноз он себе поставит (в подобных ситуациях ему будет легко принять обычную простуду за бубонную чуму).

Но, хотя Тэтлок и обнаружил, что самые плохие предсказания исходили от «ежей» с правого и левого флангов, он также заметил, что «лисы» из разных политических групп были менее подвержены подобным проявлениям{166}. «Лисы» могут иметь свои идеальные представления о том, каким должен быть мир. Однако они в большей степени способны при анализе отделить свои представления о том, как мир может выглядеть в ближайшем будущем, от того, как выглядит мир в реальности.

Напротив, «ежам» сложнее отстраниться от своих глубинных интересов при проведении анализа. По словам Тэтлока, вместо этого они создают «расплывчатую смесь из сваленных в одну кучу фактов и значений параметров». Они с большим предубеждением относятся к свидетельствам, обращая внимание лишь на то, что хотят увидеть, а не то, что есть в реальности.

Вы можете использовать тест Тэтлока для диагностики того, относитесь ли вы к «ежам». Иными словами, улучшаются ли ваши прогнозы, если у вас появляется доступ к большей информации? Теоретически дополнительная информация должна служить попутным ветром, когда вы делаете предсказания, – вы можете всегда игнорировать информацию, если она кажется вам не особенно полезной. Однако «ежи» часто загоняют себя в угол собственными действиями.

Рассмотрим, что показали результаты опроса группы политических инсайдеров, проведенного журналом National Journal, в котором выяснялось мнение примерно 180 политиков, политических консультантов, социологов и других ученых. Опрос проводился отдельно для представителей демократической и республиканской партий, однако обеим группам задавались одни и те же вопросы. Можно сказать, что участники этой группы, вне зависимости от политических пристрастий, – подлинные «ежи». Политические деятели гордятся своими боевыми шрамами и видят себя участниками вечной битвы с оппонентами на коктейльной вечеринке.

За несколько дней до промежуточных выборов 2010 г. National Journal спросил участников группы о том, удастся ли демократам сохранить контроль и над Конгрессом, и над Сенатом{167}. По обоим вопросам имелось почти стопроцентное согласие – демократы могли сохранить Сенат, однако республиканцам было вполне по силам взять контроль над Конгрессом (участники опроса оказались правы в обоих предположениях). Как демократические, так и республиканские инсайдеры пришли к почти полному согласию в вопросе о том, сколько дополнительных мест получат республиканцы в Конгрессе; эксперты демократов говорили о 47, а республиканцы предсказывали 53. Разницу можно считать относительно незначительной с учетом того, что в Конгрессе 435 мест.

Однако кроме этого National Journal попросил участников опроса предсказать исход одиннадцати отдельных событий: выборов в Сенат, Конгресс и на пост губернатора. И здесь выявились куда более значительные различия. Мнения разделились по вопросам результатов выборов в Сенат в Неваде, Иллинойсе и Пенсильвании, выборов губернатора во Флориде и крайне важных выборов в Конгресс в Айове. В целом участники опроса – республиканцы – ожидали, что демократы выиграют в 1 из 11 гонок, а демократы – что выиграют в 6 из 11 (реальный исход достаточно предсказуемым образом оказался посередине – демократы выиграли 3 из 11 кампаний, о которых спрашивал National Journal){168}.

Очевидно, что свою роль здесь сыграла партийная принадлежность: демократы и республиканцы поддерживали своих. Однако только этого недостаточно, чтобы объяснить необычные расхождения в том, как участники опроса отвечали на различные типы вопросов. Когда их, к примеру, спрашивали о шансах республиканцев в общем, то между полученными ответами почти не было различий. Однако они проявлялись, когда задавались вопросы о конкретных выборах – и такие вопросы заставляли партийные различия выплыть на поверхность{169}.

Чрезмерный объем информации в руках «ежа» может оказаться для него злом. Вопрос о том, как много мест могли бы отобрать республиканцы у демократов, выглядит общим (пока вы не принимаетесь изучать детали всех 435 выборных кампаний). Напротив, когда участников опроса спрашивали о конкретной кампании, например о выборах в Сенат в Неваде, то оказывалось, что они располагают разной информацией о ней (и результаты опросов, и новости о ходе кампании, и слухи, и собственные мысли о кандидатах). Иногда они даже знали лично или самих кандидатов, или людей, работавших на них.

«Ежи», имеющие в своем распоряжении много информации, начинают выстраивать сюжеты более приглаженные и идеальные, чем реальный мир. В придуманных ими историях имеются союзники и враги, победители и проигравшие, победы и поражения в жестоких битвах – и обычно хеппи-энд для команды, к которой принадлежит «еж». Черт побери, наш кандидат, отстающий от своего соперника на 10 %, все равно выиграет, поскольку я знаю и его, и избирателей в его штате. А еще я слышал, как пресс-секретарь кандидата говорил о том, что разрыв сокращается, и видел его новый прекрасный рекламный ролик…

Создавая такие сюжеты, мы можем утратить способность к критическому осмыслению имеющихся фактов. Обычно выборы представляют собой конкуренцию различных повествований. Что бы вы ни думали в 2008 г. о Бараке Обаме, Саре Пейлин, Джоне Маккейне или Хиллари Клинтон, у каждого из них имелась убедительная история жизни – повествования о ходе кампании (типа «Game Change») читаются как отлично написанные бестселлеры. Кандидаты кампании 2012 г. были менее привлекательными, однако все равно смогли представить аудитории обычный ансамбль драматических клише от трагедии (Герман Кейн?) до фарса (Рик Перри).

Порой в таких повествованиях можно запутаться. Политика может быть особенно уязвимой к плохим предсказаниям из-за присущих ей человеческих элементов: наличие качественного выбора заставляет нас включать сильные чувства. Это не значит, что хорошее предсказание политического события требует от вас полной бесстрастности. Но это не значит и то, что отстраненный подход «лис» всегда будет приносить свои дивиденды.

«Лисий» подход к прогнозированию

Идея FiveThirtyEight[24] возникла у меня в зале ожидания международного аэропорта имени Луи Армстронга в Новом Орлеане в феврале 2008 г., где я ждал объявления на посадку на задержанный рейс. По какой-то причине, возможно, свою роль в этом сыграла порция мартини, мне вдруг показалось очевидным, что кто-то должен создать сайт, на котором оценивались бы шансы Хиллари Клинтон и Барака Обамы (жестко конкурировавших на тот момент в борьбе за пост кандидата от демократической партии) против Джона Маккейна.

При этом мой интерес к электоральной политике возник несколько раньше – и был скорее результатом разочарования, а не привязанности к политическому процессу. В 2006 г. я тщательно наблюдал за попыткой Конгресса запретить интернет-покер (бывший на тот момент одним из основных источников моего дохода). Я нашел анализ политических событий даже более интересным, чем анализ спорта (качество которого значительно улучшилось благодаря так называемой «Революции Moneyball»).

Во время подготовки к предварительным выборам я обнаружил, что все чаще и чаще смотрю политические телевизионные программы, в основном на каналах MSNBC, CNN и Fox News. Как правило, освещение событий было довольно скучным и бессодержательным. Несмотря на то что выборы должны были состояться через несколько месяцев, многие комментаторы говорили о неизбежности победы Клинтон и игнорировали неопределенность, присущую подобным ранним этапам выборной кампании. Слишком много внимания уделялось полу Клинтон и расе Обамы{170}. Некоторые комментаторы пытались навязчиво определить, удалось ли тому или иному кандидату «выиграть день», произнеся успешную фразу на пресс-конференции или переманив на свою сторону одного из не особо известных сенаторов (притом что это не волновало 99 % избирателей).

Политические новости, и особенно важные и действительно влияющие на кампанию, появляются нерегулярно. Однако новости создаются каждый день. Зачастую это всего лишь «наполнитель», упакованный в форме историй, призванных скрыть незначительность информации[25]. Часто это приводит не только к утрате сигнала, но и к усилению шума. Если в каком-то штате проводится некое количество опросов, показывающих верховенство республиканцев, то нет ничего интересного в том, что вы скажете то же самое, что говорят все остальные. Если же результаты вашего опроса покажут, что верх начинают брать демократы, вам обеспечено место в заголовках новостей – несмотря на то что ваш опрос представляет собой всего лишь информационный выброс и не может предсказать исход с должной степенью точности.

Иными словами, планка, установленная в конкурентной борьбе, казалась достаточно низкой. Любой человек мог произвести впечатление гения, занявшись самыми простыми базовыми исследованиями того, что действительно обладает предсказуемостной способностью в политической кампании. Поэтому я начал вести блог на сайте Daily Kos, рассказывая о детальном и управляемом данными анализе таких вопросов, как опросы или данные по сбору средств кандидатами. Я выяснил, какие опросы показывали в прошлом самые точные результаты и насколько победа в одном штате – к примеру, Айове – могла привести к изменению расстановки сил в другом. Мои статьи быстро стали популярными, хотя чаще всего комментарии читателей сайтов, подобных Daily Kos, носят качественный (и довольно предвзятый) характер. В марте 2008 г. я начал выставлять аналитические данные на собственном сайте (FiveThirtyEight), где размещались прогнозы, касающиеся различных выборных кампаний.

Поначалу модель прогнозирования FiveThirtyEight была довольно простой – по сути, она брала среднее значение из результатов всех опросов и рассчитывала вес каждого опроса в зависимости от его соответствия последующим событиям. Затем она стала более изощренной, однако при этом всегда соблюдались три довольно широких принципа (которые можно назвать «лисьими»).

Принцип 1. Учитывайте вероятностность события

Почти все публикуемые мной прогнозы, как в политике, так и в других областях, являются вероятностными.

Вместо того чтобы «выплеснуть» одну цифру и утверждать, что я точно знаю, что произойдет далее, я показываю диапазон возможных результатов. Например, 2 ноября 2010 г. мой прогноз о возможном количестве мест республиканцев в Конгрессе США выглядел так, как показано на рис. 2.1.

Предполагалось, что наиболее вероятное количество мест, которое наберут республиканцы, находилось в диапазоне, перекрывающем почти половину всех возможных вариантов, – от 45 до 65 (в реальности они получили 63 места). Однако также имелась возможность выигрыша республиканцами 70 или 80 мест – но уж точно не предсказанной Диком Моррисом сотни. И существовала вероятность того, что демократы удержат достаточно мест для сохранения контроля над Конгрессом.

Рис. 2.1. Прогноз количества мест республиканцев в Конгрессе США на 2 ноября 2010 г. от FiveThirtyEight

Широкий разброс исходов выборов отражал неопределенность, присущую реальному миру. Прогноз был создан на основе индивидуальных прогнозов для каждого из 435 мест в Конгрессе – и в большинстве кампаний разрыв межу конкурировавшими кандидатами был минимальным. В результате судьба 77 мест в Конгрессе определялась разрывом голосов менее чем в 10 %{171}. Если бы демократы обогнали собственные прогнозы в самых конкурентных регионах всего на пару процентов, то смогли бы легко удержать за собой Конгресс. Если бы то же самое смогли сделать республиканцы, то превратили бы свою победу в невероятный триумф. Небольшие колебания политических течений могли бы привести к существенно иному результату; поэтому было бы глупо сводить описание происходящего к точной цифре.

Этот вероятностный принцип также сохраняется в случаях, когда я прогнозирую, чем завершатся отдельные кампании. Например, насколько велика вероятность выигрыша кандидата, если он, по итогам опросов, опережает конкурента на пять пунктов? Именно такие вопросы и призваны решать модели типа FiveThirtyEight.

Ответ на подобный вопрос в значительной степени зависит от типа гонки, в которую вовлечен кандидат. Чем ниже уровень выборов, тем более волатильными становятся результаты: данные опросов на предвыборной гонке в Конгресс менее точны, чем данные опросов при выборах в Сенат, а те, в свою очередь, менее точны, чем опросы перед выборами президента. Также считается, что, в целом опросы в ходе предварительных партийных выборов (праймериз) значительно менее точны, чем опросы в ходе общих выборов. Во время праймериз Демократической партии в 2008 г. средняя величина ошибки в данных опроса составляла около восьми пунктов – значительно больше, чем подразумевается при оценке ее погрешности. Проблема опросов в ходе республиканских праймериз 2012 г. была еще масштабнее{172}. Фактически во многих важных штатах – включая Айову, Южную Каролину, Флориду, Мичиган, Вашингтон, Колорадо, Огайо, Алабаму и Миссисипи – кандидат, лидировавший в ходе опросов за неделю до выборов, проигрывал гонку.

Однако опросы становятся более точными по мере приближения дня выборов. В табл. 2.3 представлены некоторые результаты, полученные с использованием упрощенной версии модели прогнозирования FiveThirtyEight для выборов в Сенат, использовавшей данные за период с 1998 по 2008 г. В модели рассчитывалась вероятность выигрыша кандидата на основе значения средней величины его опережения в ходе опросов. Допустим, кандидат в Сенат, имевший пятипроцентное опережение, выигрывал гонку в 95 % случаев – это было почти гарантировано, хотя пресса часто называла предвыборную гонку «непредсказуемой». Напротив, в случае преимущества в пять пунктов за год до выборов, шансы на победу составляют лишь 59 % – чуть лучше, чем при гадании с помощью подбрасывания монетки.

В подобных условиях ценность моделей типа FiveThirtyEight становится очевидной. Нет никаких проблем с тем, чтобы посмотреть на цифры, увидеть, что некий кандидат ведет по данным некоторых или всех опросов, и понять, что он является фаворитом (за некоторыми исключениями это предположение будет правильным). Гораздо сложнее понять, в какой мере он выступает фаворитом. Наши мозги, приученные находить закономерности, всегда пытаются найти в данных сигнал, хотя, на самом деле, вместо этого нам следует оценивать степень шума.

Таблица 2.3. Вероятность победы кандидата на выборах в Сенат, основанная на среднем показателе опережения в ходе опросов

Я привык именно к такому стилю мышления, а предпосылкой для него является опыт, приобретенный, когда я имел дело с двумя дисциплинами – спортом и покером, в которых вы, так или иначе, сталкиваетесь со всеми вариантами развития событий. Сыграв достаточное количество партий в покер, вы получаете некоторое количество комбинаций ройял-флэш. Стоит вам сыграть еще, и вы окажетесь в ситуации, когда у вас на руках будет фулл-хаус, а ройял-флэш придет вашему сопернику. В спорте, особенно бейсболе, также возникают события с низкой вероятностью. Так, команда Boston Red Sox не смогла выйти в плей-офф в 2011 г., несмотря на то что в какой-то момент ее шансы на это составляли 99,7 %{173}, – хотя лично я не стал бы спорить с человеком, считающим, что в случае Red Sox или Chicago Cubs обычные законы вероятности просто не работают.

Такое отсутствие определенности часто расстраивает политиков и политических обозревателей. В 2010 г. один конгрессмен-демократ позвонил мне за несколько недель до выборов. Он представлял довольно благополучный для демократической партии район на западном побережье.

Тем не менее, принимая во внимание, насколько хорошо шли в том году дела у республиканцев, он беспокоился, что может потерять свое место. Он хотел знать, насколько велика доля неопределенности в нашем прогнозе. При округлении наши цифры говорили ему о том, что вероятность его победы составляет 100 %… Однако что значили эти 100 % на самом деле – 99 % или 99,99 %, или же 99,9999 %? В первом случае, когда шансы проигрыша оценивались как 1 к 100 000, он был готов пожертвовать собранными на его кампанию средствами и передать их другим кандидатам, баллотировавшимся в более уязвимых районах. Однако он не был готов так поступить, если шансы на его проигрыш составляли 1 к 100.

Представители политических партий могут неправильно интерпретировать роль неопределенности в прогнозе; они относятся к ней как к своего рода страховке или возможному оправданию в случае, если предсказание оказывается неверным. Но дело заключается совсем в другом. Если вы прогнозируете, что некий конгрессмен будет выигрывать в 90 % случаев, то это также означает, что ему будет суждено проиграть в 10 % случаев{174}. Отличительный признак хорошего прогноза заключается в том, что каждая из этих вероятностей может реализоваться в долгосрочной перспективе.

«Ежи» Тэтлока очень плохо понимают суть этих вероятностей. Когда вы говорите, что вероятность того, что какое-то событие произойдет, составляет 90 %, то за этими словами имеется вполне конкретный и объективный смысл. Однако наши мозги превращают его в нечто более субъективное. Выводы психологов Даниэла Канемана и Амоса Тверски показывают, что такие субъективные оценки не всегда соответствуют реальности. У людей могут возникнуть проблемы при оценке различия между вероятностью благополучного приземления самолета, составляющей 90 %, и вероятностью в 99 % или даже в 99,9999 %. Хотя совершенно очевидно, что от этого напрямую зависит, стоит ли нам бронировать билет на самолет.

При наличии должной практики наша оценка может стать лучше. «Ежей» Тэтлока отличала высокая степень упрямства и неготовность учиться на своих ошибках. Признание присущей реальному миру неопределенности в прогнозах вынудило бы их признать неправильность своих теорий, касающихся должного поведения мира, а это – последнее, чего хотелось бы приверженцу той или иной идеологии.

Принцип 2. Сегодняшний ваш прогноз – это первый прогноз из тех, что еще будут в вашей жизни

Еще одно заблуждение состоит в том, что хороший прогноз не следует изменять. Разумеется, если ваш прогноз резко изменяется день ото дня, это не говорит ни о чем хорошем. Либо у вас плохая модель, либо вы пытаетесь предсказать непредсказуемые события. В 2012 г., когда я опубликовал прогнозы республиканских праймериз в каждом из штатов на основании одних лишь данных опросов, вероятности победы различных кандидатов существенно менялись каждый раз после появления результатов очередного опроса.

Когда исход более предсказуем – как, например, в случае общих выборов на последних этапах гонки, – прогнозы обычно выглядят более стабильными. После выборов 2008 г. я часто слышал, что многие люди, вовлеченные в этот процесс, обращались к сайту FiveThirtyEight, чтобы просто успокоиться[26]. К окончанию президентской гонки каждый день из различных штатов поступают данные 30–40 опросов, и результаты некоторых из них неминуемо выпадут за пределы обычной ошибки. Кандидаты, стратеги и телевизионные комментаторы, заинтересованные в том, чтобы сделать гонку более интригующей, чем она есть, будут обращать внимание на подобные необычные цифры, однако расчеты с использованием модели FiveThirtyEight показали, что они редко на чем-либо сказываются.

Самое правильное из того, что вы можете сделать, это создать лучший из возможных на сегодняшний день прогнозов – вне зависимости от того, что вы говорили на прошлой неделе, в прошлом месяце или прошлом году. Появление новых прогнозов не означает, что старый прогноз просто исчезает (в идеале, вы должны сохранить его и позволить другим людям оценить, насколько хорошо вы проделали свою работу в течение всего периода предсказания события). Но если у вас есть основания считать, что вчерашний прогноз был неверным, то держаться за него нет никакого смысла. «Когда меняются факты, меняется и мое мнение, – говорил знаменитый экономист Джон Мейнард Кейнс. – А у вас разве не так, сэр?»

Некоторым людям не нравится подобный тип корректирования курса, и они ошибочно принимают его за признак слабости. Им кажется, что в таких действиях присутствует некий элемент мошенничества, как будто вы вместо научного анализа пытаетесь определить направление ветра с помощью поднятого вверх пальца{175}.

Критики обычно полагают, явно или косвенно, что политика в чем-то сходна с физикой или биологией, в которых соблюдаются фундаментальные законы, познаваемые по своей природе. (Кстати, один из наиболее часто критикующих меня людей – профессор нейробиологии из Принстона{176}.) Если же придерживаться подобных взглядов, то новая информация не имеет особенного значения; выборы должны двигаться по предсказуемой орбите, как комета, направляющаяся в сторону Земли.

Однако, в отличие от физики или биологии, прогнозирование на выборах напоминает, скорее, покер: мы можем наблюдать за поведением оппонента и улавливать те или иные подсказки, но мы не видим его карт. Пытаясь выкачать как можно больше из имеющейся ограниченной информации, мы должны быть готовы изменить свой прогноз по мере получения более новых и более качественных сведений. Неспособность изменить свой прогноз вследствие излишнего стыда говорит лишь об отсутствии у нас должной смелости.

Принцип 3. Ищите консенсус

Каждый «еж» представляет себе, как он создает смелый, дерзкий и нестандартный прогноз, радикально отличающийся от точки зрения, основанной на консенсусе.

Коллеги над ним смеются, и даже их золотые ретриверы начинают смотреть на него недоуменно. Однако затем предсказание вдруг оказывается глубоким, точным и несомненно правильным. Через два дня рассказ о нем появляется на первой полосе Wall Street Journal, а он сам – смелый и решительный первопроходец – сидит в гостевом кресле на шоу Джея Лино.

Время от времени делать такие прогнозы вполне нормально и правильно. Консенсус между экспертами может быть ошибкой – человек, который осмеливался бы предсказать коллапс Советского Союза, заслуживал бы огромной благодарности. Однако выступить с таким фантастическим сценарием довольно сложно. Хотя «лисы», и в том числе я сам, считают себя нонконформистами, мы все равно начинаем нервничать всякий раз, когда наши прогнозы радикально отличаются от творений конкурентов.

Существует довольно много свидетельств тому, что совокупные, или групповые, прогнозы являются более точными, чем индивидуальные (для разных дисциплин значения показателя могут находиться между 15 и 20 %). И это не всегда означает, что групповые прогнозы хороши (чуть позже в книге мы детально рассмотрим этот вопрос). Но это значит, что вы можете извлечь определенную пользу от изучения проблемы с разных точек зрения.

«“Лисы” часто прокручивают в голове то, на что способна лишь группа “ежей”», – рассказал мне Тэтлок. Он имеет в виду, что «лисы» выработали у себя способность имитировать процесс консенсуса. Вместо того чтобы задавать вопросы целой группе экспертов, они постоянно задают вопросы сами себе. Зачастую это означает, что они объединяют различные виды информации – так обычно делает группа людей с различными идеями об окружающем мире, – а не относятся к каждому факту как Святому Граалю (например, в прогнозах FiveThirtyEight часто совмещаются данные опросов с информацией о состоянии экономики, демографических сведений о штате и т. д.). Составители прогнозов, которым не удается следовать рекомендациям Тэтлока, часто вынуждены платить за это высокую цену.

Остерегайтесь чудодейственных прогнозов

В преддверии выборов 2000 г. экономист Дуглас Хиббс опубликовал модель прогнозирования и заявил, что при ее использовании можно невероятно точно предсказывать итоги президентских выборов, учитывая всего лишь две переменных. Одна из них была связана с экономическим ростом, а вторая – с военными потерями{177}. Хиббс сделал ряд смелых заявлений в стиле «ежа». Он сказал, что рейтинг одобрения деятельности президента (исторически считавшийся надежным индикатором возможности переизбрания) никак не улучшал его прогнозы. Не имели значения ни уровень инфляции, ни уровень безработицы. Не важны были и личности кандидатов – партия могла выдвинуть как идеолога типа Джорджа Макговерна, так и центриста и героя войны наподобие Дуайта Д. Эйхенхауэра. Хиббс утверждал, что вместо всех этих показателей главным критерием выступает довольно туманная экономическая переменная, названная им «реальным располагаемым доходом на душу населения».

Какие результаты показала эта модель? Она предсказала убедительную победу Ала Гора с перевесом в девять пунктов. Однако выборы после пересчета голосов во Флориде выиграл Джордж У. Буш. Гор доказал свою популярность, однако из модели следовало, что результат будет совершенно иным. Согласно ей, вероятность тех событий, которые произошли на самом деле, составляла лишь 1 к 80{178}.

Аналогичный подход был использован и в некоторых других моделях. Их создатели утверждали, что смогли свести столь сложный вопрос как президентские выборы, к формуле с двумя переменными (как ни странно, никто из авторов не использовал одни и те же две переменные). Некоторые из них показали еще более неточные результаты, чем метод Хиббса. В 2000 г. одна из этих моделей предсказала победу для Гора с перевесом в 19 пунктов, а шансы на реальный исход составили, согласно ей, всего один к миллиарду{179}.

Такие модели стали популярными после выборов 1988 г., когда казалось, что фундаментальные показатели на стороне Джорджа Х. У. Буша – экономика пребывала в хорошем состоянии, а уровень популярности республиканского предшественника Буша, Рональда Рейгана, был достаточно высоким, – однако результаты опросов говорили о предпочтении Майкла Дукакиса до последних дней гонки{180}. В конечном счете, Буш одержал легкую победу.

Поскольку эти модели были доступны широкой публике для изучения, их последующие результаты оказались не менее плачевными. В среднем в ходе пяти президентских выборов после 1992 г. типичная модель, основанная на «фундаментальных факторах», – то есть модель, игнорирующая результаты опросов и заявляющая, что способна определить поведение избирателей без их учета, – ошибалась в величине разрыва между основными кандидатами почти на семь пунктов{181}. Модели, основанные на «лисьем» подходе, то есть совмещавшие экономические данные с данными опросов и других источников информации, показали более надежные результаты.

Взвешивайте качественную информацию

Все эти чудодейственные модели прогнозирования провалились, даже несмотря на то что они были количественными и основывались на опубликованной экономической статистике. К количественным относятся и некоторые из самых неудачных прогнозов, описанных мной в этой книге. Например, модели рейтинговых агентств, которые должны быть точными и использовать управляемые данные[27], оценивали вероятность дефолта, учитывая невыполненные обязательства. Эти модели были неверными и опасными, поскольку основывались на довольно своекорыстном допущении, заключавшемся в том, что риск дефолта для различных закладных не зависит друг от друга, но это предположение не имело никакого смысла при образовании пузырей на рынках жилья и кредитов. Сразу скажу, что я предпочитаю при создании своих прогнозов именно количественный подход. При этом «ежи» берут любую информацию и используют ее для подкрепления своих предубеждений, а «лисы», умеющие взвешивать различные типы информации, могут извлечь немалую пользу из сочетания качественных и количественных факторов.

Очень мало найдется политических аналитиков, имеющих такое большое количество свидетельств успеха, как дружная команда, управляющая Cook Political Report. Эта группа, созданная в 1984 г. гениальным Чарли Куком, круглолицым уроженцем Луизианы, почти неизвестна за пределами вашингтонских политических кругов. Однако истинные любители политики годами полагаются на прогнозы Кука, и у них редко возникают основания испытать разочарование.

Кук и его команда работают над реализацией одной конкретной миссии – предсказать исход выборов в США, в частности в Конгресс. Это значит, что они выдают прогнозы для всех 435 избирательных кампаний в Конгресс США, а также примерно для 35 кампаний по выборам в Сенат США, проходящих раз в два года.

Предсказание исхода выборов в Сенат или губернаторских выборов – процесс сравнительно простой. Обычно кандидаты достаточно хорошо известны избирателям, а самые важные кампании привлекают широкое внимание и оцениваются многими уважаемыми аналитиками. В этих обстоятельствах представляется довольно сложным предложить более хороший метод объединения результатов опросов, наподобие предложенного мной в модели FiveThirtyEight.

Однако выборы в Конгресс – это совсем иное дело. Кандидаты часто появляются практически из ниоткуда – то могут быть члены городских собраний или владельцы небольших бизнесов, решившие попробовать себя в национальной политике. В некоторых случаях они почти неизвестны избирателям еще за несколько дней перед выборами. При этом избирательные участки размещаются буквально в каждом уголке страны, что сопровождается проявлением огромного количества демографических особенностей. Зачастую опросы на избирательных участках в Конгресс не происходят, а даже если это и бывает, то крайне несистемно и запутанно{182}.

Но это не значит, что у аналитиков типа Кука нет вообще никакой информации. На самом деле ее можно найти в изобилии: помимо результатов опросов имеются и демографические сводки по району, и информация о том, как его избиратели голосовали на прошедших выборах. Существуют данные и об общих тенденциях и склонностях к предпочтению той или иной партии по всей стране (в том числе рейтинги одобрения тех или иных кандидатов в президенты). Есть информация и о том, сколько собрано средств, так как об этом партии должны подавать детальную отчетность в Федеральную избирательную комиссию.

Другие типы информации носят более качественный характер, но тем не менее могут быть потенциально полезными. Может ли кандидат считаться хорошим оратором? Насколько пересекается его платформа с особенностями избирательного района? Какой тип рекламных роликов он использует? Политическая кампания представляет собой, по сути, небольшой бизнес, и важный вопрос состоит в том, насколько хорошо кандидат управляет людьми.

Разумеется, если бы вы были «ежом», не умеющим тщательно взвешивать информацию, она бы вся показалась вам лишь источником дополнительных проблем. Однако компания Cook Political имеет немалый опыт в создании прогнозов, а ее прогнозы довольно часто оказываются правильными.

Cook Political оценивает предвыборные кампании по семибалльной шкале, начиная от «Солидного преимущества республиканцев» (это означает, что данную кампанию почти гарантированно выиграет республиканский кандидат) до «Солидного преимущества демократов» (с обратным исходом). За период между 1998 и 2010 гг. кампании, отнесенные Cook к группе «Солидное преимущество республиканцев», действительно были выиграны республиканскими кандидатами 1205 раз из 1207 – то есть более чем в 99 % случаев. Аналогично, кампании, которые они отнесли к группе «Солидное преимущество демократов», были выиграны демократами в 1226 из 1229 случаев.

Большинство кампаний, которые Cook относит к группам «Солидного преимущества», происходят в районах, где одна и та же партия каждый год выигрывает со значительным перевесом, – их исход несложно предсказать. Однако Cook Political удается добиваться отличных результатов даже тогда, когда в ходе кампаний прогнозирование результатов требует значительно более серьезных навыков. Например, кампании, которые можно было назвать «склоняющимися» в сторону республиканских кандидатов, были выиграны республиканцами примерно в 95 % случаев. Аналогичным образом, «склоняющаяся» в сторону демократов кампания приводила к выигрышу демократов в 92 % случаев{183}. Более того, Cook удается спрогнозировать правильный результат даже тогда, когда он расходится с такими количественными индикаторами, как опросы{184}.

Я посетил офис Cook Political в Вашингтоне в сентябре 2010 г., примерно за пять недель до ноябрьских выборов, и провел несколько часов в обществе Дэвида Вассермана, кудрявого мужчины в возрасте за 30, отвечающего в компании за прогнозы, касающиеся выборов в Конгресс.

Самое уникальное свойство принятого у Cook процесса связано с интервью кандидатов. Во время предвыборных кампаний дверь на пятый этаж комплекса «Уотергейт», где располагаются офисы Cook, буквально не закрывается. Кандидаты приезжают туда на часовые беседы в промежутках между мероприятиями по сбору денег и стратегическими совещаниями. В день моего визита у Вассермана было назначено три таких интервью. Он предложил мне принять участие в одном из них – с республиканским кандидатом по имени Дэн Капанке.

Капанке надеялся обойти своего основного конкурента – демократа Рона Кайнда – в третьем избирательном районе штата Висконсин, представляя несколько небольших поселений в юго-западной части штата. Cook Political оценивал состояние в этом районе как «Возможную победу демократов». Это означало, что они дают Капанке лишь небольшие шансы на победу и размышляют о переводе района в более сильную категорию – «Предпочтение демократам». Капанке, сенатор штата, управлял небольшой компанией, производившей вспомогательное оборудование для сельского хозяйства. По виду и манерам он напоминал школьного учителя физкультуры. У него был сильный местный акцент: когда он произносил название местной бейсбольной команды La Crosse Loggers, я никак не мог разобрать, говорит ли он о «logger» (дровосеках) или «lager» (пиве). Стоит отметить, что для бейсбольного клуба из Висконсина в принципе подходили оба названия. В то же самое время прямота помогала ему компенсировать недостаток очарования – и он раз за разом получал свое место в сенате штата в районе, который обычно голосовал за демократов{185}.

Вассерман использует в интервью подход профессионального игрока в покер. Он держит каменное лицо и ведет себя безупречно с профессиональной точки зрения, однако подспудно пытается вызывать у кандидата напряжение, позволяющее больше о нем узнать.

«Моя базовая техника, – говорил он, – состоит в том, чтобы сформировать комфортные и дружеские отношения с кандидатом в самом начале интервью, в основном заставляя их рассказывать о том, откуда они родом. Затем я пытаюсь задать более нацеленный вопрос. Назовите тот вопрос, по которому вы не согласны с лидерами своей партии. Цель состоит не в том, чтобы дать им раскрыться, а в том, чтобы лучше почувствовать их стиль и подход».

Интервью с Капанке следовало тому же шаблону. Тот факт, что Вассерман знает кучу нюансов и деталей политической географии, заставляет его казаться местным уроженцем, и Капанке был счастлив поговорить об особенностях своего района – о том, как много голосов избирателей ему нужно выиграть в Ла-Кросс, чтобы компенсировать потерю в О-Клер. Однако он начал запинаться после серии вопросов, связанных с обвинением в том, что он использовал переданные ему лоббистами средства на покупку нового освещения для стадиона «Loggers»{186}.

Это была мелочь; Капанке не обвиняли ни в измене жене, ни в махинациях с налогами. Однако этого было достаточно для того, чтобы убедить Вассермана изменить рейтинг{187}. Капанке действительно проиграл выборы в ноябре того года, отстав от лидера примерно на 9500 голосов, хотя республиканцы в целом выиграли выборы в большинстве подобных районов на Среднем Западе.

Это происходит не так уже часто; Вассерман обычно сохраняет тот же рейтинг после интервью. Несмотря на то что он пытается получить как можно больше новой информации из кандидатов, часто та оказывается не настолько важной, чтобы заставить его изменить мнение.

Подход Вассермана работает, поскольку он способен оценить полученные сведения, не поддаваясь очарованию сидящего перед ним кандидата. Многие менее способные аналитики могли бы чрезмерно открыться перед людьми, пытающимися их очаровать или обмануть, или какими-то еще путями потерялись бы в рассказах о кампании. Или же они могли влюбиться в собственное представление о том, как будет вести себя кандидат в ходе интервью, и полностью игнорировать всю другую информацию, связанную с кампанией.

Вместо этого Вассерман рассматривает все в более широком политическом контексте. Отличный кандидат от демократической партии, умело отвечающий на вопросы в ходе интервью, может не иметь никаких шансов в районе, где республиканец обычно побеждает с опережением на 20 пунктов.

Так для чего вообще тратить время на интервью с кандидатами? Чаще всего Вассерман ищет так называемые красные флаги. Например, конгрессмен-демократ Эрик Масса (который позднее был вынужден с позором уйти из Конгресса после обвинений в сексуальных домогательствах к сотруднику-мужчине) постоянно пытал Вассермана о том, сколько тому лет. Психолог Пол Меель называет такие случаи «примером сломанной ноги» – то есть ситуациями, в которых нечто становится настолько заметным, что будет глупо не принимать это во внимание{188}.

Способность улавливать подобные сигналы несколько раз в год помогает Вассерману улучшить прогнозы по тем или иным кампаниям. Он способен взвешивать информацию, получаемую в ходе интервью, без чрезмерного внимания к ней (что могло бы привести к ухудшению прогнозов). Не так важно, какая количественная или качественная информация к вам поступает, – гораздо важнее, каким образом вы ее используете.

Быть объективным непросто

В этой книге я очень тщательно подхожу к использованию понятий объективное и субъективное. Порой слово объективное ассоциируется с количественным, но это не всегда так. Напротив, оно означает способность не ограничиваться нашими личными предубеждениями и изучать истинное положение дел с той или иной проблемой{189}.

Абсолютная объективность всегда желательна, но недостижима в этом мире. Создавая прогноз, мы можем выбирать любой из множества различных методов. Некоторые из них, например опросы, основываются исключительно на количественных переменных, а другие подходы (например, подход Вассермана) могут принимать во внимание и качественные факторы. Однако все они приводят к принятию решений и выдвижению предположений специалистом по прогнозированию.

Везде, где имеется человеческое суждение, возможно и появление предубеждений. Чтобы стать более объективным, нам стоит признавать влияние, которое имеют наши предположения на прогнозы, и критически к ним относиться. И это может оказаться особенно сложным (особенно если учитывать наши собственные идеологические убеждения и сложности процесса создания связного повествования из данных) в областях с высоким уровнем шумов.

Поэтому вам придется принять на вооружение привычки некоторых ученых, которых можно увидеть в телевизионных передачах. Вам нужно научиться выражать – и оценивать количественным образом – неопределенность своих предсказаний. Вам понадобится корректировать свой прогноз по мере изменения фактов и обстоятельств. От вас потребуется признать необходимость видеть мир с разных точек зрения. Чем больше вы захотите это делать, тем легче вам будет оценивать огромные массивы информации без искажений и злоупотреблений.

Короче говоря, вам нужно научиться думать как «лиса». Прогнозист-«лиса» признает ограниченность человеческого суждения в попытках предсказания развития мира. И знание об этой ограниченности помогает ему создавать больше правильных предсказаний.

Настроение игроков бейсбольной команды Red Sox было отвратительным. Они только что вернулись из Нью-Йорка, где проиграли все три игры серии ненавистным соперникам – команде Yankees, что лишило их всех шансов на выигрыш титула чемпионов Восточного отделения Американской лиги[28] в 2009 г.

Если учитывать, что в рамках официальных соревнований оставалось всего лишь семь игр, команда Red Sox была практически уверена, что сможет выйти в плей-офф, получив доступ в него от руководства Американской лиги[29]. Однако ни команда, ни ее руководители не хотели завершать сезон подобным образом. Хотя статистические исследования и показывают, что успешное или неуспешное завершение официального периода соревнований никак не сказывается на результатах команд в плей-офф{190}, игроки Red Sox почувствовали, что это не их год.

Я направлялся в Фенвей-парк[30], чтобы поговорить со звездой Red Sox – игроком второй базы[31] Дастином Педройя. Он был одним из моих самых любимых бейсболистов еще с 2006 г., когда PECOTA (система прогнозирования, разработанная мной для организации Baseball Prospectus) предсказала, что он станет одним из лучших игроков в бейсбол. Предсказание PECOTA противоречило мнению многих скаутов, считавших Педройю «недостаточно развитым физически»{191}, критиковавших его за неправильную осанку и слишком широкий замах битой и приходивших к выводу, что он будет довольно посредственным игроком. Если PECOTA оценивала в 2006 г. Педройю как четвертого в списке потенциальных звезд бейсбола{192}, то издание Baseball America, традиционно уделяющее большое внимание точке зрения скаутов, поместило его на 77‑е место. И подобное отношение к этому игроку было распространено достаточно широко{193}. Взять хотя бы отчет Кита Лоу из ESPN[32]{194}, составленный в самом начале карьеры Педройи:

Дастин Педройя не обладает ни силой, ни той скоростью удара, которые позволили бы ему оказаться в основной лиге, и ему недостает мощности. Если его показатель результативности (хит[33]) будет на уровне 0,260, то он сможет оказаться полезным, и, возможно, у него появится какое-то будущее в роли запасного игрока на внутреннем поле – если только он перестанет постоянно перебегать на третью базу и ловить там мячи.

Лоу опубликовал этот комментарий 12 мая 2007 г. На тот момент показатель результативности Педройи составлял 0,247, и на его счету был лишь один хоумран[34]{195}. По правде говоря, я тоже начал утрачивать веру; внимательно понаблюдав за тем, как Педройя «выходит к бите», я начал думать, что он слишком переоценен[35].

Однако, будто пытаясь доказать неправоту тех, кто в нем сомневался, Педройя начал творить чудеса. В течение следующих 15 игр он достиг невероятного показателя – 0,472, в результате его среднее значение, снизившееся до 0,158 в апреле, поднялось до 0,336.

В июле, через два месяца после отчета Лоу, Педройя вошел в состав «Звездной команды» Американской лиги. В октябре он помог Red Sox стать победителями ежегодного чемпионата – World Series[36] – во второй раз с 1918 г. В ноябре того же года он был назван «Новичком года». А в следующем сезоне 24-летний Педройя получил награду «Самый ценный игрок» как лучший в Американской лиге. Теперь он уже был не запасным игроком, а суперзвездой. Скауты серьезно его недооценили.

Я отправился в Фенвей, поскольку хотел понять, что же заставило Педройю так измениться. Я подготовил целый список вопросов, а Red Sox выдала мне пресс-карту и обеспечила доступ на поле. Я знал, что это будет непросто. Игровое поле основной лиги – это настоящее святилище для игроков и уж точно не лучшее место для проведения интервью. Игроки Red Sox после неудачных игр были напряженными и раздраженными.

Я стал наблюдать за тренировавшимся на поле Педройей. Он ловил мячи Кевина Юкилиса, неповоротливого игрока третьей базы, и перебрасывал их новому подающему – игроку первой базы Кейси Кочману. Мне стало ясно, что в нем что-то изменилось. Движения Педройи были точными, в отличие от Юкилиса и Кочмана, внимание которых казалось рассеянным. Но главное отличие проявлялось в его отношении к происходившему – Педройя раздраженно бросал мяч по всему внутреннему полю и выглядел недовольным отсутствием сосредоточенности на игре у своих товарищей по команде.

Прошло примерно 15 минут, тренировка закончилась, и Red Sox уступила внутреннее поле своим соперникам – команде Toronto Blue Jays. Я стоял около первой базы, в паре метров от дагаут[37] Red Sox, и Педройя прошел прямо мимо меня. Скауты были правы, когда говорили о его осанке. Официальный рост Педройи – около 178 сантиметров (примерно, как и мой), однако он казался на несколько сантиметров ниже. Скауты были правы, и когда отмечали его совершенно не атлетическое сложение. В свои 25 лет Педройя уже начал заметно лысеть, и на его груди было практически столько же волос, что и на голове, а из-под майки выступало заметное брюшко. Встретив его на улице, вы могли бы принять его за сотрудника видеопроката.

Педройя прошел в дагаут и сел там на скамейку в одиночестве. Это показалось мне идеальным моментом, чтобы начать разговор, поэтому я собрался с силами и подошел:

«Привет, Дастин, у вас найдется минутка?»

Педройя подозрительно смотрел на меня в течение пары секунд, а затем заявил – максимально снисходительно и выделяя каждое слово: «Нет. Не найдется. Я готовлюсь к серьезной игре».

Я несколько минут побродил по полю, пытаясь утешить оскорбленное самолюбие, а затем направился в ложу для прессы, чтобы понаблюдать за игрой.

На следующий день, после того как действие моих «верительных грамот» истекло, я вернулся в Нью-Йорк и отправил своего друга Дэвида Лаурилу, моего бывшего коллегу по Baseball Prospectus и опытного интервьюера, с разведывательной миссией. Я хотел понять, сможем ли мы вытащить из Педройи что-нибудь полезное. Педройя был не особенно разговорчив, однако подарил Лаурилу отличную фразу для цитирования. «Знаете что? Меня нисколько не беспокоят цифры и статистика, – заметил он в беседе с Лаурилой. – Все, что меня интересует, – это победы и поражения. Все остальное не важно».

Педройя научился использовать в разговоре подобные клише после того, как когда-то решил отойти от политики, чем и вызвал немалые проблемы на свою голову. Это произошло, когда он назвал свой родной город Вудленд, штат Калифорния, «свалкой»{196}. «Можете так и написать, – сказал Педройя репортеру журнала Boston. – Мне это по фигу».

Ему было по фигу. Я понял, что если бы Педройя относился к жизни как-то иначе, то стал бы думать о том, что напишут о нем скауты в своих отчетах, и никогда не смог бы пробиться в основную лигу.

Создание системы прогнозирования для бейсбола

Сколько я себя помню, я всегда был фанатом бейсбола и бейсбольной статистики. Когда мне было шесть лет, команда из моего города – Detroit Tigers – выиграла World Series в 1984 г. Будучи маленьким математическим вундеркиндом, я очень интересовался цифрами, связанными с игрой. В семилетнем возрасте я купил свою первую бейсбольную карточку, в 10 – прочитал первый выпуск Elias Baseball Analyst, а в 12 лет начал создавать свои собственные статистические таблицы (довольно странные – по моим данным выходило, что не полностью проявивший себя игрок Red Sox Тим Найринг был чуть ли не лучшим по итогам нескольких игр).

Мой интерес достиг своего пика в 2002 г. В это время Майкл Льюис напряженно работал над книгой «Moneyball», которой было суждено вскоре стать национальным бестселлером. В этой книге приводилась хроника жизни команды Oakland Athletics и рассказывалось о ее умеющим использовать статистические данные менеджере Билли Бине.

Примерно в то же время на должность консультанта Red Sox был приглашен Билл Джеймс, который 25 годами ранее открыл эру «Sabermetric»[38], начав публиковать альманах под названием «Bill James Baseball Abstract». Нездоровая одержимость бейсбольной статистикой внезапно оказалась чем-то бо́льшим, чем простое хобби, – и как только я это понял, то сразу же принялся искать новую работу.

В течение двух лет после окончания колледжа я жил в Чикаго и работал консультантом по трансфертному ценообразованию в бухгалтерской компании KPMG. Работа довольно неплохая. Мои начальники и коллеги оказались дружелюбными и профессиональными, зарплата вполне достойной, и я чувствовал себя в безопасности.

Однако мое личное представление о по-настоящему вдохновляющей работе заключалось отнюдь не в том, чтобы рассказывать клиентам, как устанавливать цены на фабрике по производству телефонов в Малайзии, чтобы снизить размер налогов, или отправляться в шесть часов утра на самолет в Сен-Луи, чтобы оценить качество контрактов, использовавшихся в работе горнодобывающей компанией.

В этой работе было слишком мало риска, она оказалась чересчур разумной и рутинной для неугомонного 24-летнего человека, и мне стало скучно как никогда. Однако одно из ее преимуществ состояло в том, что у меня оставалась куча свободного времени. Поэтому в свое свободное время я начал создавать разноцветную таблицу, заполняя ее бейсбольной статистикой. Впоследствии именно она легла в основу PECOTA.

Во время учебы в колледже я также начал читать ежегодник «Baseball Prospectus», основанный в 1996 г. Гэри Хакебеем. Этот рыжий человек с неимоверными запасами энергии и сарказма пригласил на работу команду авторов новостной группы newsgroup rec.sport.baseball (бывшей в первые годы интернета авангардом статистического анализа спорта). Хакебей почуял возможность, которую предоставлял в то время рынок: Билл Джеймс перестал публиковать свои Abstracts в 1988 г., а большинство продуктов, призванных его заменить, либо были недостаточно хороши, либо прекратили свое существование во время длительных забастовок бейсболистов в 1994–1995 гг. Первый выпуск «Baseball Prospectus», опубликованный в 1996 г., распечатывался на лазерном принтере, из него по ошибке исчезла вся информация о клубе St. Louis Cardinals, и продано было всего 75 экземпляров. Однако у «Baseball Prospectus» быстро появились свои поклонники, а продажи начали расти в геометрической прогрессии практически каждый год.

«Baseball Prospectus» был настоящей сладостной мечтой любого фаната статистики. В нем собиралось неимоверное количество цифр, не только по игрокам основной лиги, но и по потенциальным игрокам, игравшим во второстепенных командах.

Тексты в бюллетене порой носили эзотерический характер, там часто упоминались герои мультсериала «Симпсоны», допускались шутки о полузабытых порнофильмах 1980‑х гг. и даже саркастические оценки нелюбимых издателем менеджеров различных команд.

Однако самыми важными публикациями этого издания были предсказания о том, как будет играть каждый игрок в следующем сезоне. Для этого Хакебей использовал созданную им самим систему под названием Vladimir. Казалось, что она будет следующим шагом в начатой Джеймсом революции.

Хорошая система бейсбольных прогнозов должна выполнять три основные задачи.

1. Принимать во внимание текущий статус статистики игрока.

2. Разделять навыки и удачу.

3. Понимать, каким образом изменяется результативность игрока по мере его взросления – эта закономерность известна под названием кривой старения.

Первая задача сравнительно проста. Бейсбольные соревнования, наиболее уникальные из основных американских видов спорта, всегда проводились на полях с нестандартными размерами. Среднему игроку значительно проще показывать хорошие результаты в уютном квадратном Фенвей-парке (контуры которого заданы компактными улицами Новой Англии), чем на напоминающем пещеру стадионе «Доджер», окруженном огромными парковками. Наблюдая за тем, как ведут себя игроки при игре дома и в гостях, мы можем рассчитать так называемый фактор парка, позволяющий учитывать степень сложности, с которой сталкивается игрок. Например, Фред Линн, основной игрок Red Sox в 1970‑е гг., добивался результата 0,347 во время игр в Фенвей-парке, но его результат на любом другом стадионе был равен лишь 0,264. Аналогичным образом, наблюдая за результатами игроков после перехода из Национальной лиги в Американскую лигу, мы можем довольно четко сказать, какая лига лучше, и оценить силу конкурентной позиции игрока.

Самый масштабный набор данных в мире

Решить вторую задачу – то есть разделить навыки и удачу – намного сложнее. Бейсбол выстроен таким образом, что в краткосрочной перспективе удача играет большую роль – даже лучшие команды проигрывают до трети матчей, и даже лучшие подающие не могут добраться до базы каждые три раза из пяти. Иногда удача не позволяет распознать подлинный уровень навыков игрока даже за целый год. Во время любого сезона бьющий, объективный результат которого 0,275, с вероятностью 10 % может добиться результата 0,300 и, соответственно, с той же вероятностью иметь результат 0,250. И это зависит только от одной лишь удачи{197}.

Хорошо продуманная система прогнозирования может оценить, какие статистические показатели сильнее зависят от удачи. Например, среднее количество попаданий битой по мячу более подвержено влиянию ошибок, чем количество хоумранов. Это особенно важно для питчеров[39], статистика которых невероятно непоследовательна. Если вы хотите предсказать, насколько успешной будет игра питчера, то вам стоит смотреть на количество страйкаутов[40] и уолков[41], а не на данные о его выигрышах и проигрышах в предыдущем сезоне, поскольку первый набор статистических данных выглядит более последовательным от года к году.

Как и при разработке любого прогноза, цель в данном случае состоит в выявлении основополагающей причины – выбивание в аут не позволяет отбивающим игрокам команды соперника добраться до базы, что, в свою очередь, не дает им получить дополнительные очки, а значит – и выиграть матч. Однако чем глубже вы копаете, тем больше шума окажется в системе: результаты питчера определяются не только качеством его ударов, но и факторами, которые он не в состоянии контролировать. Так, отличный питчер команды Seattle Mariners Феликс Эрнандес имел по итогам 2009 г. показатель выигрышей и поражений на уровне 19:5, а в 2010 г. этот показатель был 13:12 – и не потому, что Эрнандес плохо делал свою работу, а потому, что у Mariners’ в 2010 г. был на редкость неудачный состав подающих.

Подобные случаи происходят довольно часто, и если вы уделите изучению данных достаточно времени, то сможете найти их и сами. Пожалуй, именно бейсбол предлагает самый объемный массив данных в мире – практически все, происходившее на игровых полях основной лиги в течение последних 140 лет, скрупулезно и точно записывалось, а в крупных лигах играют сотни спортсменов. При этом, хотя бейсбол и считается командной игрой, матч строится в соответствии с четкой процедурой: питчеры по очереди сменяют друг друга, подающие «выходят к бите» один за другим. Поэтому игроки в значительной степени сами несут ответственность за свою личную статистику[42]. В игре возникает сравнительно немного проблем, связанных с чем-то комплексным и нелинейным. В ней просто выявить причинно-следственные связи.

Это значительно упрощает жизнь человеку, занимающемуся прогнозами в мире бейсбола. Гипотезы обычно можно проверить эмпирическим путем, что позволяет подтвердить или опровергнуть их с высокой степенью статистической достоверности. Что же касается прогнозирования в таких областях, как экономика или политика, где данные появляются значительно реже, – президентские выборы происходят один раз в четыре года, и нет возможности получать сотни новых данных ежегодно – вы не можете похвастаться столь же высокой степенью точности, и ваши прогнозы могут оказаться неверными значительно чаще.

Берегитесь – кривая старения!

Однако все, о чем шла речь выше, основывалось на предположении, что способности игрока не меняются год от года – и если бы мы только могли отделить сигнал от шума, то узнали бы все, что нам нужно. Но в реальной жизни навыки бейсболиста постоянно изменяются, и в этом кроется немалая проблема.

Изучив статистику по нескольким тысячам игроков, Джеймс обнаружил, что игра типичного из них{198} год от года совершенствуется до тех пор, пока его возраст не приблизится к отметке примерно в 30 лет, а начиная примерно с этого возраста навыки обычно начинают атрофироваться, что особенно заметно проявляется примерно к 35 годам{199}. И этот факт позволил Джеймсу сделать одно из самых значительных своих открытий – выявить кривую старения.

Гимнастки-олимпийки достигают пика своей карьеры в подростковом возрасте, поэты – после 30 лет; шахматисты – после 30{200}; экономисты – после 40{201}, а средний возраст CEO компаний из списка Fortune 500 равен 55 годам{202}. Игрок в бейсбол, как обнаружил Джеймс, достигает своего спортивного пика в возрасте 27 лет. У 60 % игроков из списка, включающего 50 самых известных бейсболистов, отмеченных наградами в период между 1985 и 2009 гг., возраст колебался в интервале между 25 и 29 годами, а возраст 20 % из них составлял ровно 27 лет. Именно в этом возрасте, судя по всему, возникает идеальное соотношение между физической и умственной формой, необходимой для игры (рис. 3.1).

Рис. 3.1. Кривая старения для подающего

Осознание этого факта – существование кривой старения – могло бы стать невероятно ценным для любой команды, ознакомившейся с работой Джеймса. В соответствии с принятыми правилами бейсболист не может стать профессиональным игроком, не связанным контрактом, до достаточно поздних этапов своей карьеры. Он получает право на этот статус, отыграв не менее шести полных сезонов в основной лиге (до этого момента он находится под полным контролем своего первого клуба и не может требовать у него полной оплаты по рыночным ставкам).

Поскольку типичный новичок оказывается в крупных лигах в возрасте 23 или 24 лет, он не может стать свободным игроком до 30-летнего возраста – то есть до того периода, когда пик его результативности уже минует. Команды платили многим профессиональным игрокам большие суммы в расчете на то, что они смогут оставаться столь же производительными, что и в возрасте до 30 лет; в реальности же их результаты обычно ухудшались, а поскольку контракты в главной бейсбольной лиге имеют определенные гарантии, у команды были связаны руки.

Однако кривая старения Джеймса рисовала слишком гладкую картину. Разумеется, средний игрок достигает пика в возрасте 27 лет. Но, как скажет вам любой человек, внимательно изучавший в детстве обратные стороны бейсбольных карточек, игроки стареют с разной скоростью. Боб Хорнер, третий бейсмен команды Atlanta Braves в 1980‑е гг., получил награду «Новичок года» в возрасте 20 лет и вошел в команду «Всех звезд», когда ему было 24 года; в то время многие считали, что он точно попадет в Зал бейсбольной славы. Однако к 30 годам, вследствие череды травм и неудачного перехода в команду Yakult Swallows японской лиги, он полностью покинул мир профессионального бейсбола. С другой стороны, великий Эдгар Мартинез из Seattle Mariners не имел постоянного контракта в крупных лигах до 27 лет. Однако ему все равно удалось пережить период расцвета своей спортивной карьеры, хотя и достаточно поздно – после 30 лет: и даже в 40 лет он возглавлял список лиги по количеству RBI[43].

Хотя случаи с Хорнером и Мартинезом и могут считаться исключением из правила, крайне редко уровень игры других бейсболистов изменяется в точном соответствии с гладкой траекторией кривой старения; скорее, нормой для них оказывается периодически нарушаемое равновесие взлетов и падений.

Реальные кривые старения наполнены шумом – причем значительным (рис. 3.2). В среднем они могут выглядеть довольно гладкими. Однако среднее подобно семье, имеющей 1,7 ребенка, – это всего лишь статистическая абстракция. Возможно, полагал Гэри Хакебей, в шуме есть сигнал, который не учитывала кривая Джеймса. Возможно, у игроков на сложных с точки зрения физических сил позициях навыки пропадают быстрее, чем у других. А возможно, карьера игроков, обладающих более атлетическим сложением, продолжительнее, чем у игроков, имеющих лишь один-два сильно развитых навыка.

Рис. 3.2. Вид кривых старения, на которых отражаются шумы, для различных подающих

На основе системы Хакебея была выдвинута гипотеза, согласно которой имеется 26 различных видов кривых старения, причем каждый из них применим к разным типам игроков{203}. Если Хакебей был прав, то появлялась возможность оценить, какая кривая в большей степени подходит для каждого игрока, и тем самым предсказать, как будет развиваться его карьера. Если кривая старения игрока была похожа на соответствующую кривую Боба Хорнера, то можно было бы ожидать, что пик его карьеры придется на более ранний возраст, а затем наступит раннее угасание. Если же его кривая больше напоминала кривую Мартинеза, то лучшие сезоны этого бейсболиста наступят в более зрелом возрасте.

Хотя системе Vladimir Хакебея и удалось сделать ряд правильных прогнозов, в целом она все же была ненамного более точной, чем медленные и устойчивые прогнозы Джеймса{204}, согласно которым одна и та же кривая старения применялась к каждому игроку. Отчасти проблема заключалась в том, что число 26 для количества категорий Хакебея было выбрано случайным образом, а для того, чтобы определить, к какой группе относится игрок, требовалось скорее искусство, а не наука.

Но, чтобы войти в число элитных игроков в бейсбол, человек должен обладать широким диапазоном физических и ментальных навыков: мышечной памятью, физической силой, координацией между глазами и руками, скоростью удара битой, распознаванием направления полета мяча и силой воли, позволяющей сохранять концентрацию даже в сложные для команды периоды. Понятие о существовании различных видов кривых старения, вытекающее из созданных системой Vladimir, казалось, более точно отражало всю сложность, присущую человеческой природе.

При разработке PECOTA я попытался заимствовать некоторые элементы у Хакебея, а некоторые – у Билла Джеймса. В выпуске Baseball Abstract за 1986 г. Джеймс представил так называемые оценки подобия, которые (как и предполагает их название) были призваны выявить статистическое подобие между статистикой карьеры любых двух игроков основной лиги. Концепция была сравнительно простой. Для начала каждому из двух игроков присваивалось по 1000 баллов, а затем при наличии между игроками различий по тому или иному параметру соответствующие баллы вычитались{205}. У игроков с высокой степенью подобия итоговый балл мог составлять 950 или даже 975, однако в других случаях расхождения накапливались достаточно быстро.

Оценки подобия могут оказаться невероятно полезными любому человеку с хорошим знанием истории бейсбола. Вместо того чтобы изучать статистику игрока в вакууме, специалисты могут оценить исторический контекст происходящего. Например, статистические результаты Педройи до достижения им возраста 25 лет были идентичны результатам Рода Кэрью, великого игрока из Панамы, возглавлявшего Minnesota Twins в 1970‑х, или результатам Чарли Герингера, звезде команды Tigers времен Великой депрессии. Оценки подобия Джеймса позволяют проводить ретроспективный анализ, предоставляя возможность оценивать прошлые события. Например, с его помощью можно проанализировать, насколько игрок заслуживает, чтобы его приняли в Зал славы.

Если вы считали, что ваш любимый игрок действительно заслуживает это, и могли увидеть, что это удалось 9 из 10 игрокам с идентичной статистикой, то у вас были все шансы верить в успех.

Но можно ли использовать оценки подобия и для предсказания? Например, если мы могли выявить сотню игроков, наиболее сопоставимых с Педройей по возрастным критериям, то в какой степени результаты этих игроков за всю карьеру могли подсказать нам, как будет развиваться карьера Педройи?

Меня заинтересовала эта идея, и так, понемногу, PECOTA начала свое существование в те долгие дни, которые я проводил в KPMG в 2002 г. Она приобрела форму гигантской и разноцветной электронной таблицы Excel. Этот выбор был довольно случайным, поскольку именно Excel был одним из моих основных рабочих инструментов в KPMG (каждый раз, когда мимо моего стола проходил кто-то из начальников, он предполагал, что я усердно тружусь над какой-то особенно сложной моделью для одного из наших клиентов{206}).

Постепенно, отнимая пару часов от работы и по нескольку часов от сна, я смог разработать базу данных, включавшую более чем 10 000 позиций «игрок – сезон» (я учел каждый сезон основной лиги, начиная со времен Второй мировой войны{207}). Кроме этого, я разработал алгоритм, позволяющий сравнивать любого игрока с другим. Алгоритм был чуть более сложным, чем алгоритм Джеймса, и предполагалось, что он сможет в полной мере воспользоваться изобилием данных, присущих бейсболу. В нем был заложен иной метод сравнения набора игроков, метод, называемый на техническом языке метод ближайшего соседа[44]. Также он учитывал более широкий набор факторов, включая рост и вес игрока, которые обычно принимаются во внимание лишь скаутами.

Как и система Хакебея, PECOTA предполагала, что различные типы игроков могут стареть по-разному. Однако я не стремился сопоставить игру каждого бейсболиста с одной из 26 кривых развития; более того, сопоставление происходило естественным образом с помощью поиска похожих игроков где-то далеко в статистической галактике бейсбола.

Если, допустим, обнаруживалось, что очень многие игроки, статистические параметры игры которых сопоставимы с данными Дастина Педройи, становились сильными игроками основной лиги, то это давало основания надеяться на успех и самого Педройи.

Однако чаще всего мне не удавалось найти однозначно сопоставимые результаты; пути игроков, имевших одинаковую статистику в определенные периоды их карьеры, могли значительно расходиться после этого. Я уже упоминал, что по оценкам подобия, созданным Джеймсом, Педройя был идентичен Чарли Гейгеру и Роду Кэрью, двум игрокам, имевшим долгую и яркую карьеру и попавшим в конце концов в Зал славы. Однако статистика Педройи за этот период была также идентична статистическим данным Хосе Видро, ничем не примечательного игрока второй базы команды Montreal Expos.

Еще сильнее различия могут проявляться у игроков низших лиг[45]. В 2009 г. среди игроков, которые выявила PECOTA для сопоставления с Джейсоном Хейвардом, 19-летним кандидатом на позицию в команде Atlanta Braves, можно было найти и участника Зала славы, и жертву убийства. Чиппер Джонс, один из близких по показателям к Хейварду игроков, был примером первого варианта. Это один из величайших игроков Atlanta Braves за все времена, он отыграл с клубом 17 сезонов, и его показатель результативности за всю карьеру в среднем составил 0,304. Он принес команде более 450 хоумранов. С другой стороны, система выдала мне имя Дернелла Стенсона, многообещающего молодого человека, чьи показатели были также идентичны цифрам Хейварда. В 2003 г. после одной из тренировочных игр в Аризоне неизвестные связали его, а потом застрелили, угнав при этом его внедорожник. Судя по всему, произошел случайный акт насилия.

Все сопоставимые с Хейвардом игроки были крупными, сильными спортсменами; они обладали множеством талантов, имели отличные задатки и демонстрировали развитие навыков при играх в небольших лигах. Однако судьба их сложилась совершенно по-разному. Инновационный характер PECOTA был призван признать этот факт: система выдавала диапазон возможных исходов для каждого игрока, основанный на прецедентах с сопоставимыми игроками. По сути, это были наилучший, наихудший и наиболее вероятный сценарий. Но нужно помнить, что каждый раз при попытках предсказать развитие человека нам придется сталкиваться с бесконечным диапазоном возможных исходов.

Пока что для Хейварда все складывалось ни шатко ни валко. После удачного для него 2009 г., когда он был назван «Игроком года в низшей лиге», Хейвард дебютировал в команде Braves в 2010 г. и обеспечил своей команде восемь хоумранов в первых 30 играх в основной лиге. После этого он вошел в состав «Звездной команды», превзойдя все ожидания. Однако сезон 2011 г. оказался для него более сложным, и его результат не превысил 0,227. Хорошая система статистического прогнозирования позволяет сохранять оптимизм даже после выступления Хейварда в сезоне 2011 г. – все его показатели были, по сути, теми же, если не считать результативности ударов по мячу, а этот показатель зависит от удачи значительно больше, чем другие.

Но может ли статистика сказать вам все, что вы хотите узнать об игроке? Десять лет назад эта тема была одной из самых обсуждаемых в мире бейсбола.

Можем ли мы все ужиться?

Довольно поверхностное, но распространенное мнение о книге «Moneyball» состоит в том, что это рассказ о конфликте между двумя конкурирующими группами – «статистиками» и «скаутами». Каждая из них полагалась при оценке результативности игроков на свою собственную парадигму (разумеется, статистики полагались на статистические методы, скауты – на «инструменты»).

В 2003 г., когда книга «Moneyball» была впервые опубликована, читатели Майкла Льюиса вполне могли оценить, насколько враждебными были отношения между двумя группами (нужно сказать, что и сама книга подливала масла в огонь). Когда я в том же году посетил ежегодное «Зимнее собрание» специалистов по бейсболу в гостинице Marriott в Новом Орлеане, мне показалось, что я вновь вернулся в школу. В одном углу можно было увидеть скаутов, которые, подобно буйволам в оазисе, цедили виски и обменивались историями о холодной войне, сгрудившись у стойки бара в гостинице. Часто они уходили в гостиничные номера и принимались за переговоры. Эти люди навсегда связали себя с миром бейсбола. Им было уже за 40, а то и за 50, многие из них были в прошлом спортсменами, которые внесли свой вклад в игру и теперь постепенно продвигались вверх в организационной иерархии.

В другом углу располагались «ботаники» – ребята в возрасте 20–30 лет, вооруженные ноутбуками и цветными распечатками. Они ходили кругами по холлу и пытались уговорить кого-нибудь из профессионалов старой школы взять их на работу. Между двумя лагерями практически не происходило никакого общения, и каждая сторона считала другую слишком высокомерной и косной.

Возможно, подлинный источник конфликта состоял в том, что представители старой школы воспринимали молодежь как угрозу своей работе, способную лишить скаутов значительной доли заработка. «Сейчас существует невероятно сильная конкуренция, – рассказывал Эдди Бейн, директор по скаутингу команды Anaheim Angels на круглом столе в рамках одной конференции, посвященной “Moneyball”{208}. – Некоторые из наших старых коллег теряют работу, которую, по нашему мнению, они должны были сохранить. Возможно, что сокращение штатов вызвано денежными проблемами. Однако мы связываем происходящее с влиянием разных компьютерных штук, и это нас возмущает».

До конца неизвестно, как много команд в реальности урезало бюджеты на скаутинг. Одной из них была Toronto Blue Jays, и она заплатила за это высокую цену, перенеся череду неудач в 2002–2005 гг. Однако уреза́ние бюджета было вынужденной мерой, вызванной спецификой работы корпоративного спонсора команды, компании Rogers Communications. Та пыталась противостоять ослаблению канадского доллара, поэтому случившееся отнюдь не было прихотью генерального менеджера компании, ученика Бина по имени Дж. П. Риккарди.

После публикации «Moneyball» прошло десять лет, и пламя прежней борьбы давно потухло. Успех Red Sox, выигравшей в 2004 г. титул чемпиона ежегодного чемпионата США по бейсболу впервые за 68 лет, был основан на подходе, уделявшем внимание как статистике, так и скаутингу. Команды, которые в 2003 г. можно было назвать исключительно «скаутинговыми» (например, команда St. Louis Cardinals), приняли на вооружение более аналитический подход и являются сейчас одними из лидеров в области спортивных инноваций. Команды со «статистическим» уклоном, такие как Oakland A’s, значительно увеличили свои скаутинговые бюджеты{209}.

Экономическая рецессия, продолжавшаяся с 2007 по 2009 г., способствовала дальнейшему развитию аналитических методов. Хотя бейсбол довольно хорошо перенес рецессию, внезапно буквально все прониклись идеями «Moneyball» и начали пытаться оптимизировать свои возможности в условиях ограниченных бюджетов{210}. На рынке не было дефицита в дешевой рабочей силе среди статистиков. Выпускники Гарварда и Йеля, специализировавшиеся на экономике и вычислительной технике, которые незадолго до этого времени планировали работать в инвестиционном банке и получать по 400 тыс. долл. в год, теперь с радостью отправлялись в Тампу или Кливленд и круглосуточно работали за десятую часть от этой суммы. Зарплата «компьютерного ботаника» в 40 тыс. долл. казалась куда лучшей инвестицией, чем 40 млн долл., выплачиваемых свободному агенту[46], прежние выдающиеся результаты которого постепенно снижались до средних.

Однако случившееся не было свидетельством безоговорочной победы статистиков. Если им и удалось доказать свою ценность, то это же удалось и скаутам.

PECOTA против скаутов – победа остается за скаутами

Изначально название PECOTA представляло собой аббревиатуру, расшифровывавшуюся как Эмпирическое сравнение питчеров и тестовый алгоритм оптимизации (Pitcher Empirical Comparison and Optimization Test Algorithm). Кроме того, эта аббревиатура повторяла имя Билла Пекоты, довольно среднего игрока внутреннего поля[47] команды Kansas City Royals, игравшего в 1980‑х гг. и доставившего немало неприятностей моей любимой команде Detroit Tigers[48].

Поначалу программа должна была оценивать результативность питчеров, а не подающих. Предсказать этот параметр невероятно сложно, поэтому после пары лет экспериментов с системой под названием WFG Baseball Prospectus оставил попытки и начал публиковать пустые поля для своих прогнозов по этой группе игроков. Я почуял возможность и показал PECOTA Хакебею. К моему удивлению, система понравилась и ему, и сотрудникам Baseball Prospectus; они предложили мне выкупить PECOTA в обмен на долю в Baseball Prospectus и при условии, что я создам аналогичную систему для бьющих (хитеров){211}. Я это сделал, и зимой 2003 г. в Baseball Prospectus был опубликован первый ряд прогнозов PECOTA.

По окончании сезона 2003 г. мы обнаружили, что PECOTA сработала немного лучше, чем другие коммерческие системы прогнозирования{212}. Фактически ежегодно с 2003 по 2008 г. наша система была не хуже конкурентов. Это демонстрировалось по итогам тестов – как наших, так и сторонних{213}. При этом нам удавалось показывать более четкие результаты, чем те, что использовались букмекерами в Вегасе{214}. Несколько успешных прогнозов помогли существенно укрепить репутацию системы. Например, в 2007 г. PECOTA предсказала, что Chicago White Sox – всего за два года до выигрыша титула в чемпионате – обеспечит себе по итогам сезона лишь 72 победы. Этот прогноз чикагских СМИ и руководство White Sox пытались опротестовать{215}. Однако он оказался правдивым – сезон для White Sox завершился именно так: 72 победы против 90 поражений.

Но уже к 2009 г. другие системы начали догонять, а то и опережать прогнозы PECOTA. Подобно тому как я заимствовал некоторые элементы системы у Джеймса и Хакебея, другие исследователи заимствовали ряд инноваций у PECOTA и добавляли к ним какие-то свои идеи. Некоторые из этих систем оказались очень хорошими. Если вы попытаетесь проранжировать лучшие прогнозы года по тому, насколько хорошо они предсказывали результаты игроков основной лиги, то разница между результатами лучших систем не будет превышать долей процента{216}.

Меня давно интересовала и еще одна цель, с которой можно использовать PECOTA, – прогнозирование результатов игроков низшей лиги, таких как Педройя. Это значительно сложнее. А поскольку в то время очень мало систем разрабатывалось с подобной целью, единственным реальным конкурентом были скауты.

В 2006 г. я впервые опубликовал список 100 лучших потенциальных игроков, по версии PECOTA, а также сравнил его со списком, созданным на основе работы скаутов и опубликованным в это же время в Baseball America. Игроки в списке PECOTA были проранжированы по величине возможного вклада в результат в течение следующих шести сезонов после вхождения в состав команд высшей лиги{217}.

Сезон 2011 г. стал шестым годом после публикации прогнозов, поэтому я мог провести корректное сравнение прогнозов и реальности. Хотя игроки в этом списке были сравнительно молодыми, данные давали довольно четкое представление о том, удалось ли им стать звездами, либо же они просидели основную часть сезонов на скамейке запасных или вообще покинули мир большого спорта.

По данным моего списка, Педройя оказался на четвертом месте в списке потенциальных звезд. Это был не единственный успешный прогноз PECOTA. Система дала высокую оценку Иену Кинслеру, который вообще отсутствовал в списке Baseball America; в реальности он вошел в состав двух команд «Всех звезд» и стал одним из ведущих нападавших команды Texas Rangers. PECOTA высоко оценила и Мэтта Кемпа, суперзвезду команды Dodgers, который в 2011 г. получил редкую награду – бейсбольную Тройную корону[49] (оценка, данная ему Baseball America, была значительно ниже моей).

Но доводилось ли вам слышать о Жоэле Гузмане? Дональде Мерфи? Йосемиро Пети? Возможно, нет, если только вы не подлинный фанатик бейсбола. PECOTA же посчитала этих игроков достаточно перспективными.

Свои упущения были и у Baseball America – скауты проявляли чрезмерный оптимизм в отношении Брэндона Вуда, Ластингса Милледжа и Марка Роджерса. Однако были и успешные прогнозы. Так, Baseball America отметила питчера Red Sox Йона Лестера, шорт-стопа[50] Rockies Троя Туловицки и аутфилдера[51] Baltimore Orioles Ника Маркакиса, все они имели довольно скромные статистические результаты в низшей лиге и вообще не были включены в список PECOTA.

Для статистического сравнения систем имеется достаточно большой объем данных. В частности, мы можем посмотреть на количество побед игроков в составе команд в каждом списке – например, на показательWARP[52]{218}. Этот показатель призван оценить, какой вклад вносит игрок любыми действиями: хитингом, питчингом и ловлей.

В течение 2011 г. игроки из списка PECOTA обеспечили 546 побед своим командам высшей лиги (рис. 3.3). Однако игроки из списка Baseball America показали еще более высокие результаты, обеспечив 630 побед. Хотя суждение скаутов иногда бывает искаженным, в данном случае оно оказалось полезным – их прогнозы оказались на 15 % лучше тех, что были сделаны на основе одной лишь статистики. Хотя такое различие может показаться не очень значительным, однако это не так. Бейсбольные команды готовы платить по 4 млн долл. за каждую удачную находку на рынке спортсменов-профессионалов, не связанных контрактом{219}. Таким образом, скауты обошли нас за этот период примерно на 336 млн долл.[53].

Рис. 3.3. Достижения кандидатов из списков 100 лучших потенциальных игроков, составленных в 2006 г. системой PECOTA и Baseball America, к 2011 г.

Предубеждения скаутов и статистиков

Конечно, было бы здорово, если бы список PECOTA оказался более точным, чем тот, что был составлен на основе мнений скаутов, но я не ожидал, что так может произойти. Через некоторое время после их публикации я написал{220}:

«Несмотря на то что мне было бы интересно взглянуть на противостояние скаутов и статистиков под новым углом, я не жду, что ранжирование, выполненное системой PECOTA, будет столь же точным, как рейтинги… создаваемые Baseball America».

Исходным «сырьем» для любой системы ранжирования служит информация – а если у вас была возможность изучить и скаутинговую, и статистическую информацию, значит, вы получили больше такого «сырья». Единственная возможность для чисто статистического подхода переиграть смешанный заключается в том, что вызываемые смешанным подходом предубеждения порой оказываются настолько сильными, что перевешивают преимущества.

Иными словами, скауты используют смешанный подход. Они имеют доступ к широкой информации, не ограничивающейся статистикой. И скауты, и PECOTA могут без проблем изучать личные достижения, или ERA[54] игрока; не имеющая предубеждений система типа PECOTA может немного лучше отсеивать какую-то часть шумов из этих данных и выдавать их в более правильном контексте. Однако скауты имеют доступ к огромным массивам информации, о которой PECOTA не имеет ни малейшего представления. Допустим, вместо того чтобы гадать о том, насколько велика сила броска питчера, они могут просто достать лазерный радар и замерить скорость мяча или же использовать секундомер, чтобы оценить, насколько быстро он перебегает с базы на базу.

Этот тип информации позволяет нам сделать еще один шаг в сторону глубинных причин того, что мы пытаемся предсказать. В низших лигах питчеры даже со слабой силой броска могут нащупать успешную зону; большинство противостоящих ему подающих довольно неумелы, поэтому он вполне может их переиграть. В высших лигах, где отбивающие способны парировать мяч, летящий со скоростью до 120 км/ч, шансы таких питчеров невелики. PECOTA может быть дезинформирована подобными данными, но это никогда не произойдет с умелым скаутом. И наоборот, скаут может выявлять игроков, обладающих талантом на уровне высшей лиги, для развития которых может потребоваться время.

Нужно, впрочем, отметить, что каждый раз, когда в процесс вовлекается человеческое суждение, возникает и потенциал для предубеждения. Как мы видели в главе 2, увеличение объема информации способно лишь ухудшить ситуацию для тех, кто неправильно относится к прогнозам и пытается навязать свою точку зрения на то, как устроен мир, вместо того чтобы попытаться познать истину.

Возможно, в эре, предшествовавшей «Moneyball», эти предубеждения играли на руку скаутам. Они могли уделять больше внимания эстетике игры, чем таланту игрока. Если свежие списки Baseball America можно считать очень хорошими, то списки начала 1990-х{221} были переполнены огромным количеством несбывшихся прогнозов – достаточно вспомнить таких превозносившихся игроков, как Тодд Ван Поппел, Рубен Ривера и Браен Тейлор, которым так и не удалось добиться серьезных результатов.

Однако свои предубеждения могут иметься и у статистиков. Одним из самых пагубных может считаться предположение о том, что все, что не поддается количественной оценке, не имеет большого значения. Например, в бейсболе измерять результативность защиты всегда было намного сложнее, чем эффективность броска или отбития мяча. В середине 1990‑х команда Oakland A’s не обращала особого внимания на защиту, и ее деятельность во внешнем поле направлялась довольно медлительными и неуклюжими игроками типа Матта Стрейерса, который, однако, мог считаться прирожденным подающим. По мере улучшения анализа действий защиты стало очевидным, что плохая защита команды стоила ей от восьми до десяти побед за сезон{222}. Это не позволяло им занимать достойные позиции в чемпионате вне зависимости от статистики удачных ударов по мячу. Бин уловил суть проблемы, и его новые и успешные команды имеют сравнительно хорошую защиту.

Подобные слепые места могут привести к еще бо́льшим проблемам, когда речь заходит о прогнозировании результатов игроков низшей лиги. Когда мы говорим об игроке высшей лиги, главный вопрос состоит в том, сможет ли он показывать такие же хорошие результаты, как в прошлом. Самые толковые системы статистического прогнозирования могут выявить восходящий или нисходящий тренд величиной всего в несколько процентных пунктов{223}. Однако если вы просто предположите, что игрок покажет примерно те же результаты, что и в два предшествовавших сезона, то несильно ошибетесь.

Однако бейсбол уникальным образом отличается от других основных профессиональных видов спорта – у него невероятно разветвленная система команд низшей лиги. Если у Национальной футбольной лиги официально вообще нет низшей лиги, а в состав низшей лиги NBA[55] входят всего несколько команд, то в бейсболе их 240 – по восемь для каждой родительской команды из высшей лиги. Кроме этого, если баскетболисты или футболисты могут стать видными профессионалами сразу же после колледжа или даже старших классов школы, то в бейсболе подобный мгновенный рост проявляется крайне редко. Даже самые талантливые игроки чаще всего играют в течение какого-то времени в Billings, Bakersfield или Binghamton перед тем, как перейти в команды основных лиг.

Довольно сложно предсказывать результаты этих игроков, поскольку мы надеемся, что они со временем смогут сделать что-то, на что пока не способны, – показывать хорошие результаты, играя в высших лигах. Можно легко представить себе, что уникальный по своему потенциалу игрок типа Брюса Харпера, лучшего подающего в стране, играющего в школьной лиге, попросту не выжил бы в противостоянии с питчером высшей лиги. Для игры на новом уровне ему нужно подрасти, стать сильнее, умнее и дисциплинированнее – а все это требует определенной комбинации упорного труда и удачи. Представьте себе, что вы заходите в обычный школьный класс, несколько дней наблюдаете за учащимися, а потом вас просят предсказать, кто из них станет успешным врачом, юристом и предпринимателем, а кто будет вынужден всю жизнь сводить концы с концами. Думаю, что вы изучили бы их оценки и посмотрели на то, у кого из них больше друзей, но в целом любые ваши выводы будут высосаны из пальца.

Тем не менее от многих скаутов-любителей (и любой статистической системы, имитирующей их действия) ожидается именно это. Хотя некоторые бейсболисты приходят в команды после колледжей, кое-кто попадает в них и во время учебы в школе, а процесс скаутинга начинается, когда те еще находятся в подростковом возрасте. Как и в любой другой группе молодых людей, в них будут играть гормоны и юношеский задор. Тела их продолжают расти и развиваться, а сами они постоянно подвергаются искушениям, связанным с выпивкой и влечением к противоположному полу. Только представьте себе, что вам нужно доверить весь свой бизнес кучке 19-летних парней.

Не только «Пять инструментов»[56]

Как писал Льюис в книге «Moneyball», Билли Бин был одним из тех игроков, кто имел потрясающий талант, но не смог этого понять; впервые попав в серьезную команду в 1980 г., он сыграл в высшей лиге всего 148 игр, а его средний результат за карьеру составил 0,219. Тем не менее Бин все равно попал в Зал славы, в отличие от других потенциальных кандидатов – типа Джона Сандерса, работающего в настоящее время скаутом для Los Angeles Dodgers.

Сандерсу удалось сыграть в серьезном матче, но лишь однажды, как это произошло и с Мунлайтом Грэмом, героем фильма «Поле его мечты» («Field of Dreams»). 13 апреля 1965 г., когда Сандерсу было 19 лет, команда Kansas City Athletics использовала его в качестве пинчраннера[57] в седьмом иннинге[58] игры против Detroit Tigers. Сандерсу не удалось сделать ничего особенного – последние два подающих внезапно покинули поле, и его заменили перед началом следующего иннинга{224}. Больше ему так и не довелось сыграть в высшей лиге.

Сандерс был достаточно талантлив. В годы учебы в школе в Небраске он входил в состав «звездной» команды по американскому футболу (1963), команды штата по баскетболу (1964), а также стал золотым призером в соревнованиях штата по метанию диска{225}. Возможно, что бейсбол даже не был его любимым видом спорта. Однако ему удавалось играть достаточно хорошо, и после выпуска из школы летом 1964 г. он получил, кроме диплома, и профессиональный контракт с командой A’s.

Однако дальнейшему развитию Сандерса помешало правило «Bonus Baby». До появления в 1965 г. новых правил формирования команд высшей лиги все игроки-любители были свободными спортсменами, и команды могли платить им любую сумму, которую бы только захотели.

Чтобы не позволить самым богатым командам перехватывать всех перспективных игроков, правило налагало серьезное ограничение – игроки, получившие значительную сумму при подписании контракта, должны были провести первые два профессиональных сезона в составе команды высшей лиги, даже если не были готовы при этом играть на соответствующем уровне{226}.

Это правило стало настоящим наказанием для блестящих новичков типа Сандерса. Большинство игроков, попавших под действие правила, были вынуждены почти все время сидеть на скамейке запасных и крайне редко выходили на поле в матчах высшей лиги.

Им не позволялось играть и приобретать опыт в то самое время, когда это было им более всего необходимо. Кроме того, им редко удавалось найти сочувствие у болельщиков и других членов команды, не понимавших, почему 19-летнему парню, сидящему на скамейке запасных, платят такие большие деньги. Хотя некоторым игрокам из команды Bonus Babies, например Сэнди Коуфаксу и Хармону Килбрю, удалось, завершив карьеру, попасть в Зал славы, многие другие талантливые игроки той эры так и не смогли сыграть в полную силу.

История Сандерса, возможно, лучшего спортсмена-любителя в штате Небраска, заслужившего упоминания в Baseball Encyclopedia, обеспечивает ему уникальное по своей глубине понимание души молодых игроков. Мне удалось поговорить с ним по телефону в момент, когда он направлялся из Северной Каролины в Джорджию, чтобы посмотреть матч одной из дочерних команд клуба Braves.

Если бы я встретил Сандерса на «Зимней встрече» 2003 г., проходившей в Новом Орлеане, то отнес бы его к группе «спортсменов». После завершения своей (недолгой) игровой карьеры он посвятил жизнь спорту. Однако сам Сандерс никогда не воспринимал игру как противостояние спортсменов и статистиков.

«Я люблю считать, – рассказал он мне. – Я всегда наслаждался статистическими выкладками еще в те дни, когда мы использовали калькуляторы или даже счеты».

Сандерс рассказал мне историю, которая произошла с ним: «Один из скаутов как-то сказал мне: “Давайте признаемся сами себе. Что мы делаем сразу после приезда на стадион? Мы идем в пресс-центр и получаем там статистику. Что в этом плохого? Именно так нам и надо работать”».

В реальности статистика была частью бейсбола с самого начала. Первые результаты матчей в газете с пятью категориями статистических данных для каждого игрока – количеством переходов, ударов, создания положений «вне игры», удачных передач и ошибок – были опубликованы Генри Чедвиком в 1859 г.{227}, за 12 лет до создания первой профессиональной лиги (1871). Многие споры в эпоху «Moneyball» были связаны не с тем, нужно ли использовать статистику, а с тем, какие именно данные следует принимать в расчет.

Например, такой показатель, как коэффициент попаданий на базу (OBP), которым на протяжении многих лет оперировали аналитики типа Джеймса, больше коррелирует с количеством пробежек, приносящих компании очки (а следовательно, и с выигрышами игр), чем среднее количество попаданий битой по мячу. Однако этот вывод очень долго не признавался представителями традиционных взглядов в этой сфере{228}.

Подобные споры обычно разворачивались на территории статистиков. Тот факт, что OBP содержит более полезную информацию, чем среднее количество попаданий по мячу, или что ERA питчера представляет собой более справедливый индикатор его успеха, чем соотношение побед и поражений, – это такие же научные факты, как тот, что Земля вращается вокруг Солнца. Разумеется, статистики были однозначно правы в своем отношении к этому показателю. Однако наличие сильного выигрышного аргумента заставило статистиков почивать на лаврах и слишком пренебрежительно относиться к другим, не столь очевидным разногласиям.

Чем дальше вы отходите от основных показателей – то есть чем больше вы пытаетесь предсказать, а не измерить результаты игрока, – тем менее полезной может оказаться статистика. Статистическая обработка показателей игроков более продвинутых уровней низшей лиги (таких как Double-A и Triple-A) позволяла делать прогнозы с почти той же степенью точности, что и для спортсменов высшей лиги.

Однако статистическая обработка данных участников, играющих на более низких уровнях низшей лиги, становится менее надежной, а цифры, полученные для игроков, учащихся в колледжах или школах, практически не имеют ценности с точки зрения предсказаний.

Традиционная альтернатива статистике, которой пользуются скауты, называется «Пять инструментов»: способность нанести особенно сильный удар, средняя результативность попаданий, скорость, сила рук и диапазон защиты. Этот список вызывал и вызывает изрядную критику. Так, в нем совершенно не учитывается так называемая Plate discipline, которая включает в себя уолки и страйкауты. Применение «Пяти инструментов» иногда приводит к тому, что создается обманчивое впечатление их одинаковой важности. В то же время в реальности возможность сделать по-настоящему сильный удар значительно важнее силы рук для игроков всех игровых позиций, кроме шорт-стопа и кэтчера[59].

Есть также основания считать, что «Пять инструментов» сами по себе не способны сказать нам слишком много. По мере того как игрок продвигается вверх по лестнице низшей лиги, эти инструменты должны все чаще отражаться в его статистике – либо ему не будет суждено двинуться еще выше. На самом деле некоторые из категорий как раз и являются статистикой – так, «средняя доля удачных ударов» представляет собой результат арифметического расчета; «способность нанести мощный удар» определяется количеством хоумранов и ударов, после которых бэттер успешно достигает второй базы. Если скаут говорит вам, что определенный игрок оценивается в 70 баллов по 80-балльной скаутинговой шкале с точки зрения потенциальной мощности удара, однако ему не удается сделать десять хоумранов в год для команды Altoona Curve, то сильно ли вы будете верить словам этого скаута?

Сандерс, подлинный ветеран спортивной индустрии, достаточно скептично относится к тому вниманию, которое уделяется «Пяти инструментам». «Влияние этого набора инструментов очевидно для всех. Они показывают, что некий игрок быстро бегает, хорошо бросает и все такое. Скауты могут прийти на стадион и увидеть все своими глазами, – рассказывал он мне. – Я думаю, что вопрос состоит в следующем – используются ли навыки достаточно эффективным образом для того, чтобы игроки выиграли матч? Превращаются ли результаты применения инструментов в полезные навыки? Разумеется, мы можем быстро понять, насколько велика скорость владения битой. Но если человек с высокой скоростью работы с битой не верит в себя, то от этого навыка нет никакой пользы».

Сандерс фокусируется скорее не на физических инструментах, а на более полезных для игры навыках. Та мера, в которой эти навыки могут быть переданы другим игрокам, зависит от того, что он называет ментальной панелью инструментов игрока. Ментальные инструменты часто развиваются медленнее, чем физические. Жена Сандерса, занимающаяся обучением детей с особыми потребностями, рассказала ему об исследовании, согласно которому большинство людей остается в ментальном подростковом возрасте примерно до 24 лет{229}. До наступления этого возраста Сандерс готов давать игроку определенное послабление, если замечает сигналы, свидетельствующие о развитии их ментальных инструментов. Но после достижения этого возраста ему нужны результаты. Интересно отметить, что 24 года – это примерно тот возраст, когда игрок оказывается в команде группы Double-A и его результаты становятся более предсказуемыми с точки зрения статистики.

У Сандерса нет никакого формального определения того, что именно должна включать ментальная панель инструментов игрока, однако в ходе нашего с ним разговора мне удалось выявить пять различных интеллектуальных и психологических способностей, которые, по мнению Сандерса, помогают предсказать успех на уровне высшей лиги.

• Готовность и преданность своему делу. Бейсбол не похож ни на какие другие профессиональные виды спорта, игры в которые происходят шесть или семь раз в неделю. Бейсболист не может «настроиться» на игровой день, как это делает футболист или баскетболист; он должен быть готов к работе на профессиональном уровне каждый день. Иными словами, ему необходим определенный уровень дисциплины. Сандерс любит приходить на стадион до начала матча, поскольку считает, что может лучше понять игрока во время предыгровых ритуалов, чем во время самой игры. Например, совершенно очевидно, что в тот сентябрьский вечер в Фенвей-парке Педройя был более сконцентрированным на игре, чем его коллеги. У него был свой метод подготовки, и он предпочитал не отвлекаться ни на что постороннее, в том числе и на какого-то неизвестного ему репортера, желавшего взять интервью.

• Концентрация и сосредоточенность. Хотя эти категории и связаны с готовностью, они имеет отношение к манере, в которой игрок ведет себя во время игры. Бейсбол представляет собой спорт, основанный на рефлексах. У подающего имеется примерно три десятых секунды, чтобы решить, в какую сторону закрутить мяч{230}; а игрок на внутреннем поле должен быстро реагировать на движение мяча сразу же после касания биты. «Если игрок не наполнен энергией, то я даже не знаю, что из него может получиться, – говорит Сандерс. – Я хочу, чтобы шорт-стоп, средний игрок на внутреннем поле, умел концентрировался при каждом ударе, а это умение не отражается в статистике».

• Конкурентоспособность и уверенность в себе. Хотя тот факт, что любой профессиональный спортсмен будет естественным конкурентом для других, и кажется само собой разумеющимся, бейсболисты должны преодолеть сомнения в себе и другие психологические препятствия на ранних этапах своей карьеры. Сегодня они – короли школы, а завтра уже колесят в автобусах между Каннаполисом и Гринсборо, читая в интернете статьи о своих неудачах сразу же после окончания игр. Видя, как талантливый игрок не выкладывается на полную, Сандерс постоянно задается вопросом: «Не пропадает ли желание игрока добиться успеха под действием неудач? Готов ли он потерпеть поражение? Имеется ли у него достаточно желания преуспеть для того, чтобы преодолеть страх неудачи?»

• Управление стрессом и принятие ситуации. В мире бейсбола даже лучшие подающие время от времени допускают ошибки, и каждый игрок так или иначе «спотыкается и падает» в течение сезона. Способность справиться с этой неудачей требует умения забывать и некоторой доли чувства юмора. Одна из излюбленных техник скаутинга Сандерса состоит в наблюдении за реакцией игрока после сложной или неудачной игры. «Я люблю наблюдать за подающим, когда он промахивается при броске. Для зрителей это кажется ужасным, но я радуюсь, видя улыбку на его лице. Потому что в следующий раз – бам! – он отправит мяч на расстояние в четыреста футов!» Эти навыки обретают особую важность, как только игрок попадает в высшую лигу, а значит, становится объектом пристального внимания со стороны болельщиков и СМИ.

• Адаптивность и обучаемость. Насколько эффективно может игрок обработать новую информацию во время игры? Слушает ли он советы тренеров? Как он адаптируется к изменениям жизненной ситуации? Что происходит, когда он переходит в другую команду или когда его просят поиграть на незнакомой позиции? Путь между любительскими и главными лигами редко бывает прямым, даже для самых потенциально талантливых игроков, поэтому ментальный подход великого игрока не может быть слишком жестким. «Игроки, добившиеся успеха в этой игре, – это люди, которые, поворачивая за угол здания, не просто срезают угол, а совершают еще и разворот на месте, – замечает Сандерс. – Это своего рода контролируемая интенсивность».

Разумеется, подобные навыки необходимы и представителям многих других профессий, о которых мечтают люди. Некоторые из них даже могут быть особенно важными для прогнозистов – особенно тот, который Сандерс называет адаптивностью. Как вы реагируете на новую информацию, когда она к вам поступает? Если вы слишком нервничаете и чрезмерно активно реагируете на изменение обстоятельств или, напротив, не желаете отказаться от своих привычных представлений, когда этого требуют объективные свидетельства, то дело неминуемо закончится плохими прогнозами.

При этом мало найдется таких профессий, в которых столь высок уровень конкуренции, как в бейсболе. Из многих тысяч профессиональных бейсболистов и сотен тысяч любителей лишь 750 человек могут играть в командах главных лиг в любой момент времени, а из них лишь несколько десятков войдет в «Звездную команду». Работа Сандерса состоит в поиске тех исключительных людей, которые не подчиняются законам вероятности. Его работа ненамного проще работы самих игроков, и он почти каждый день своей жизни проводит в пути (несмотря на то что ему уже почти 70).

Однако именно Сандерс обеспечивает команду Dodgers самой ценной информацией – информацией, которой нет у других.

«Информация» как новое название игры

Билли Бин, главный герой «Moneyball», считает неустанный сбор информации главным секретом хорошего скаутинга. «Кого мы называем хорошим скаутом? Того, кто способен раздобыть информацию, которую не могут найти остальные, – рассказывал он мне. – Познакомиться с парнем. Познакомиться с его семьей. Это лишь два из множества остальных действий, которые вы должны предпринять, чтобы больше узнать об этом человеке».

Бин знает, о чем говорит. Во многом успех его команды стал результатом хорошей статистической оценки игроков команды. Однако не менее важным для успеха был и скаутинг игроков-любителей. Мигель Техада, Джейсон Джамби, Барри Зито, Тим Ху, Эрик Чавес – иными словами, большинство звезд команды в начале 2000‑х годов (периода, описанного в «Moneyball») – были найдены клубом и получили в нем должное развитие.

Бин рассказал мне, что бюджет команды на скаутинг в наши дни выше, чем когда-либо прежде. Более того, по его словам, руководство команды увеличило его именно благодаря увлечению статистическим анализом. Как мы уже говорили выше, бейсболисты не могут приобрести статус свободного агента – профессионала, не связанного контрактом, – до конца полного шестого сезона, то есть до тех пор, пока им не исполняется по меньшей мере 30 лет.

Как показал проведенный Биллом Джеймсом анализ кривых старения, зачастую клубы тратят на свободных агентов слишком много денег – причем тогда, когда их лучшие годы уже оказываются позади.

Однако у этой медали есть и другая сторона – игрок может быть чрезвычайно полезным для клуба и до того, как ему исполнится 30 лет. Более того, экономика бейсбола структурирована таким образом, что более молодые игроки с хорошим потенциалом могут быть куплены за довольно небольшие деньги{231}.

Если рассматривать бейсбольную команду как любой другой бизнес, то есть с точки зрения прибыли и убытков, то почти вся ценность в нем создается в процессах скаутинга и дальнейшего развития. Если система прогнозирования в команде исключительно хороша, то команда может себе позволить платить по 10 млн долл. в год игроку, истинная ценность которого составляет 12 млн долл. Однако если скаутинг выстроен в команде по-настоящему хорошо, то появляется возможность найти хорошего игрока, которому можно платить всего 400 тыс. долл. И именно таким образом и строится конкуренция на небольшом рынке типа Окленда.

Поэтому не приходится говорить, что команде A’s недостает уважения к роли, которую в ней играют скауты. Более того, Бин четко дает понять, что, принимая решение о приглашении игрока в команду, менеджеры не стесняются изучать его психический склад.

Организация до сих пор в значительной степени верит в тщательный анализ. Однако тщательность и дисциплина проявляются в том, как организация обрабатывает ту информацию, что у нее имеется, а не в том, чтобы объявлять те или иные типы информации ненужными или неприменимыми.

«Пропорция объективного и субъективного анализа определяется в различных организациях по-разному, – пояснил мне Бин. – С нашей точки зрения, мы вынуждены принимать объективные решения, а не полагаться на свои чувства. Если мы, живущие в Окленде, примем правильное решение, основываясь на эмоциях, то лично я буду считать это случайностью. И мы просто не можем позволить себе принимать случайные решения и надеяться, что нам повезет. Если бы мы играли в блек-джек, у нас было бы шесть очков, а у дилера четыре, то мы точно знали бы, что для выигрыша нам понадобятся дополнительные карты».

Как мы заметили в главе 2, чтобы составить хороший прогноз, нам не стоит ограничиваться одной лишь количественной информацией. Скорее, мы должны уметь хорошо и правильно взвешивать информацию. В этом и состоит суть философии Бина – собрать максимально возможный объем информации, а затем очень тщательно и дисциплинированно проанализировать ее.

Лакмусовой бумажкой, позволяющей понять, насколько вы компетентны как прогнозист, является изменение качества ваших прогнозов: становятся ли ваши предсказания лучше при увеличении объема информации? Если же они становятся хуже, то можно сказать, что у вас имеются некоторые плохие привычки (как у политологов, прогнозы которых изучал Фил Тэтлок). Если Кандидат А имеет результат 0,300 с 20 хоумранами и раздает в свободные дни еду бездомным, а Кандидат B имеет результат 0,300 с 20 хоумранами, но при этом тусуется в свободное время в ночных клубах и употребляет кокаин, вы не сможете дать количественную оценку различиям между ними. Однако можете не сомневаться, что хороший прогнозист обязательно примет эту информацию к сведению.

Как показывает практика, преобразовать качественную информацию в количественную вполне реально[60]. Фактически скауты оценивают игроков по четкой цифровой шкале, варьирующейся от 20 до 80 в каждой категории. Нет никаких препятствий к тому, чтобы включить ее в статистическую модель вместе со средним количеством удачных попаданий битой по мячу{232} и посмотреть, повышает ли это качество прогноза. Некоторые команды, например Cardinals, уже это делают.

На самом деле грань между статистикой и скаутингом, а также качественной и количественной информацией в бейсболе стала довольно расплывчатой. Взять, например, внедрение Pitch f/x – системы трехмерных камер, которые сейчас уже установлены на каждом стадионе высшей лиги. Эти камеры способны измерять не только скорость полета мяча (это можно было сделать и раньше при помощью лазерных устройств), но и степень его колебаний в горизонтальной и вертикальной плоскостях, когда он подлетает к конечной цели. Например, мы можем, воспользовавшись статистикой, сказать, что Зак Грейнке, питчер из Milwaukee Brewers, ставший в 2009 г. лучшим молодым питчером в своей лиге, имеет лучшую скользящую подачу (слайдер) в бейсболе{233} или что Мариано Ривера действительно отбивает самые закрученные и быстро летящие мячи так хорошо, как говорят легенды{234}. Традиционно все эти вопросы считались вотчиной скаутинга; теперь же они представляют собой еще одну переменную, которую можно добавить в систему прогнозирования.

Мы совсем недалеки от того времени, когда в нашем распоряжении будет иметься трехмерная запись всего, что происходит на бейсбольном поле. Вскоре мы сможем в точности измерить, насколько высоко готов подпрыгнуть Джейкоби Эллсбери, чтобы поймать летящий над его головой мяч. Мы будем знать, насколько быстро Ичиро Сузуки бежит от одной базы к другой, или с какой скоростью Ядир Модина успевает перебросить мяч на вторую базу.

Эта новая технология неспособна будет убить скаутинг, как это не удалось и «Moneyball». Скорее, мы станем уделять больше внимания вещам, которым еще сложнее дать количественную оценку и в которых такая информация, как, допустим, ментальные способности игрока, оказывается еще более эксклюзивной. Но толковые скауты, к числу которых относится и Сандерс, уже находятся впереди.

Почему предрекали, что Педройю постигнет неудача…

Но почему же скауты так сильно ошибались, когда высказывали предположения о том, как будет развиваться спортивная карьера Дастина Педройи?

Мнения скаутов, основанные на базовой информации о нем, совпадали. Все знали, что Педройя был в среднем неплохим подающим, что он довольно толково ведет себя на поле и что его ментальные способности довольно «нестандартны». Все знали, что он обладает длинным свингом; что его защита стабильна, но в ней нет ничего выдающегося; что бегает он со скоростью не выше средней; что он – коротышка, обладающий не самым лучшим телосложением.

Однако это был довольно специфический набор качеств для молодого игрока, и многие скауты не знали, что с ним можно сделать. «При оценке игрока скауты примерно представляют, что хотят увидеть, – рассказал мне Сандерс. – Прототипы и стандарты. А Дастин во многом им противоречил, начиная с роста и фигуры».

Когда мы не можем вставить квадратный колышек в круглое отверстие, то часто виним колышек, хотя порой неспособность решить задачу связана с чрезмерной негибкостью нашего мышления. Прежде всего, мы инстинктивно пытаемся отнести информацию к той или иной категории. И обычно у нас имеется сравнительно небольшое количество категорий, поскольку тогда их проще отслеживать (достаточно вспомнить о том, как бюро переписи США делит людей из сотен этнических групп на шесть расовых категорий или о том, как критики относят тысячи музыкантов к представителям нескольких музыкальных жанров).

Чаще всего это может сработать. Однако когда у нас возникает проблема с категоризацией какого-то объекта, то мы часто не обращаем на него внимания или неправильно его оцениваем. Именно по этой причине Бин предпочитает избегать решений, основанных на том, что он «чувствует нутром». Слишком сильно полагаясь на первые впечатления, он рискует упустить из виду потенциально ценных молодых игроков – а с учетом бюджета команды он просто не может себе этого позволить.

Система, подобная PECOTA, позволяющая осуществлять поиск среди тысяч игроков и находить среди них людей с одинаковыми профилями, имеет более строгий способ категоризации игроков. Этот способ позволяет оценивать навыки людей, подобных Педройе, в более правильном контексте.

Поиск с помощью PECOTA позволил найти несколько интересных прецедентов. Оказалось, к примеру, что приземистость Педройи может быть предпочтительной характеристикой, с учетом других его навыков.

В бейсболе принято считать зоной страйка расстояние от плеч игрока до его коленей. Чем ниже спортсмен, тем меньше размер цели у питчера. Игрок типа Педройи, умеющий хорошо работать битой, может извлечь из подобной ситуации немало пользы.

Кроме этого, невысокий рост и близость к полю могут стать отличной характеристикой для защиты игрока второй зоны. Эта позиция на поле требует особой ловкости и кошачьих рефлексов, помогающих поймать мячи, только что изо всех сил отправленные в полет ударом биты. Из истории бейсбола мы знаем, что многие лучшие игроки второй зоны были невысокими. Из 17 участников Зала славы лишь двое – Нэп Ладжойе и Ранн Сандберг – имели рост выше 180 см{235}. Рост Джо Моргана (возможно, величайшего игрока второй базы всех времен) составлял чуть больше 170 см.

Скауты отлично делают свою работу, однако в этом случае они слишком быстро и со слишком высокой степенью предубеждения отнесли игрока к определенной категории. Маленький рост Педройи был в каком-то смысле его сильной чертой.

Тем не менее никто не может ничего гарантировать. Из прогноза PECOTA не следовало, что успех Педройи – очевидный факт, речь шла о том, что у него есть определенные шансы. Скауты считали, что шансов, скорее, у него недостаточно. Отличие, однако, состояло в том, что команда Red Sox верила в Дастина Педройю. И, к счастью для команды, в себя верил и сам Педройя.

…и как он выиграл вопреки всем прогнозам

Я познакомился с Биллом Джеймсом на встрече консультантов на фестивале, организованном журналом New Yorker, в октябре 2009 г. После официальной части началась угарная вечеринка, и этот человек сильно выделялся из толпы модников. Он был облачен в невероятно яркий свитер и сабо, которые казались на пару размеров больше, чем нужно. Пока все остальные участники вечеринки пытались добиться внимания Сьюзен Сарандон, мы устроились в баре и некоторое время поболтали{236}.

В Red Sox обязанности Джеймса достаточно разнообразны – и довольно конфиденциальны (в рамках официальной беседы он всячески воздерживался от деталей). После того как он в течение четверти века изучал бейсбол со стороны, можно было сказать, что в зрелом возрасте он несколько смягчился. Теперь спорт казался ему чем-то иным, чем в годы, когда он был внутри процесса; по словам Джеймса, он быстрее других распознает ментальные аспекты игры.

«В 80‑е годы я писал много чего, что потом оказалось неверным, – рассказывал он мне. – Одно из первых изменений было связано с тем, что у меня появились дети. Я знаю, что это клише, однако, когда у вас появляется свой ребенок, вы начинаете понимать, что и каждый человек вокруг вас – это тоже чей-то ребенок. И это – совершенно иной взгляд на людей. Пока вы растете, то воспринимаете всех этих людей как персонажей телешоу или видеоигр или героев на бейсбольных карточках – вы даже не задумываетесь, что все они – люди, которые делают лучшее из того, на что способны».

Я был поряжен, насколько были похожи комментарии Джеймса на те, что я слышал от Бина и Сандерса, хотя все эти люди смотрели на спорт под совершенно разными углами. Так, если бы вы положили рядом записи моих разговоров с Джеймсом, Бином и Сандерсом, то вряд ли могли бы понять, какая из них относится к конкретному собеседнику (если не принимать во внимание то, что разговоры с Джеймсом были на порядок забавнее). Джеймс признаёт, что скауты Red Sox имеют определенную ценность для клуба, и проводит параллель между своей и их миссией. В бейсболе успех измеряется довольно определенным образом – соотношением показателей W и L (выигрышей и проигрышей), – поэтому найти общую точку для соприкосновения достаточно несложно. Если повышение объема информации делает ваши предсказания хуже, то вам следует заняться чем-то другим, и уж точно вы не будете пожизненно заняты в McLaughlin Group.

«На определенном уровне и я, и скауты воспринимаем бейсбол одинаково, – рассказывал мне Джеймс. – Возможно, это можно сравнить с ситуацией, когда люди с крайне правыми и крайне левыми взглядами начинают говорить, по сути, об одном и том же. Скауты хотят увидеть то же, что пытаюсь увидеть я».

В 2004 г. Джеймс помогал Red Sox отбирать новых игроков. Он написал довольно положительный отчет о Педройе, однако порекомендовал команде взять кого-то другого. Тем не менее ему было приятно и то, что Педройя все же попал в команду, и то, что его результаты заставляли прежних критиков выглядеть идиотами.

Однако в самом начале карьеры Педройи было несколько моментов, когда даже самые большие его фанаты начали в нем сомневаться. Педройю пригласили для участия в играх высшей лиги в августе 2006 г. Он сыграл в 31 матче, однако его показатель попадания по мячу составил всего 0,198, и он всего шесть раз смог выбить мяч за пределы базы. Это никого не обеспокоило; Red Sox, в несколько непривычной для себя манере уже выбыла из соревнований в рамках плей-офф в последние недели сезона, и внимание всей Новой Англии переключалось на Celtics и Patriots. Однако в следующем году, когда Педройе уже была доверена вторая база, он начал сезон столь же медленно – после первого месяца игр его результат составил 0,172.

В этот момент Педройю уже могли бы выгнать из такой команды, как Cubs, до недавних времен славившейся своим довольно бессистемным процессом принятия решений. Во многих клубах каждое действие вызывает мощную и порой чрезмерную прямо противоположную реакцию. Однако Red Sox следует более дисциплинированному и систематическому подходу. И когда менеджеры Red Sox внимательно посмотрели на происходившее с Педройей в тот момент сезона, то, по словам Джеймса, они увидели кое-что, что им понравилось. Педройя не просто промахивался по мячу – он активно взаимодействовал с ним. И активность этого взаимодействия должна была рано или поздно привести к появлению какой-то новой тенденции.

«У каждого из нас возникает момент, когда мы теряем доверие к данным, – сказал мне Джеймс. – Возможно, вы это знаете и сами, но если вы посмотрите на данные предыдущего года, когда результат Дастина составил где-то около 0,180, то соотношение ударов и промахов у него находилось на уровне примерно 8–9 %. Это происходило именно в те весенние месяцы, когда ему было сложнее всего. Такой результат вполне закономерен – если вы замахиваетесь так же сильно, как он, то вы никогда в жизни не сможете обеспечить хороший контакт и показать результат выше 0,180».

Руководители команды Red Sox принимали решение о том, чтобы Педройя оставался в команде, не без сомнений. Они продолжали наблюдать за ним, чтобы понять, удается ли ему делать то, что приносило ему успех на любительском уровне. Если бы они решили оставить Педройю на скамейке запасных, то принятие его потребовало бы ничуть не меньших раздумий, чем решение о том, чтобы выпустить его на поле. Они не позволяли данным диктовать решения без рассмотрения более широкого контекста происходящего.

По словам Джеймса, единственное, что их беспокоило, было связано с тем, не начнет ли сам Педройя сомневаться в себе. И такой поворот событий был вполне вероятен для любого другого игрока, но только не Педройи, не переживающего ни из-за дураков, ни из-за критиков.

«К счастью, Дастин по-настоящему упрямый человек. Если бы он слушал всех этих людей, то почувствовал бы себя униженным, и это бы его просто уничтожило. Он же никого не слушал. Он копал свою яму, он отрабатывал замахи, и, в конечном итоге, все повернулось так, как он хотел».

Педройя обладает тем, что Джон Сандерс называет «памятью главной лиги», то есть быстро забывает то, что становится прошлым. Его не беспокоят отдельные неудачи, потому что он совершенно уверен в том, что играет правильно, а в долгосрочной перспективе значение имеет лишь это.

И он крайне нетерпим ко всему, что отвлекает его от работы. И становится не самым приятным в общении человеком, но именно это и дает ему возможность играть на второй базе за бостонскую команду Red Sox, а это – единственное, о чем заботится Педройя.

«Наши сильные и слабые стороны всегда взаимосвязаны, порой не самым явным образом, – сказал мне Джеймс. – Педройя смог превратить в силу то, что у других игроков является слабостью».

Реальные уроки «Moneyball»

«Как сказал Майкл Льюис, споры окончены», – заявил Билли Бин, когда мы с ним обсуждали «Moneyball». В течение какого-то времени «Moneyball» представлял немалую угрозу для людей, имеющих отношение к игре. Казалось, что на кон поставлена их работа и уровень жизни. Однако новая жизнь так и не наступила – компьютеры не стали полноценной заменой скаутам. В действительности спрос на знание о том, какое будущее ждет различные категории бейсболистов (знание, получаемое либо из отчетов скаутов, либо из статистических систем типа PECOTA), все же значительно превышает предложение. Каждый раз, когда команда размышляет над тем, кого брать в состав, кого обменять на другого игрока или сколько заплатить за свободных игроков, на кону стоят миллионы долларов – и исход будущего чемпионата. И чтобы принять правильные решения, команды все активнее используют все имеющиеся в их распоряжении инструменты.

Информационная революция внесла существенный вклад в мир бейсбола, при том что во многих других областях ее результаты оказались значительно более скромными. И причина тому – присущая бейсболу уникальная комбинация быстро развивающихся техник, хорошо сбалансированной системы стимулов, жесткой конкуренции и наличия огромных массивов данных.

Но это не делает жизнь Бина легче. В разговоре со мной он выразил изрядную озабоченность тем обстоятельством, что другие команды смогли скопировать лучшие трюки A’s. Например, немногие команды в наши дни не понимают всей важности OBP[61] или пренебрегают ролью защиты – но при этом у большинства из них, как и прежде, гораздо больше денег, чем у A’s.

В таких высококонкурентных областях, как спорт, лучшие прогнозисты должны постоянно использовать новые методы. Нет ничего сложного в том, чтобы поставить себе цель «пользоваться неэффективностью рынка».

Вот почему эта книга обходит стороной быстрые и легкие решения, но и не приводит план поиска примеров такой неэффективности. Они не позволят вам понять, действительно ли вам удалось нащупать что-то свежее и интересное, или же вы забрели в тупик. Маловероятно, что вы натолкнетесь на идею, которую никто другой не обдумывал. А еще сложнее – на хорошую идею, – и даже когда вы на нее натолкнетесь, пройдет совсем немного времени, и ее кто-нибудь скопирует.

Вот почему эта книга не рассказывает о быстрых решениях, в основе которых лежат лишь небольшие корректировки, дающие возможность предсказывать будущее лучше конкурентов. Хорошие специалисты в области инноваций обычно обдумывают ситуацию и масштабно, и в деталях. Порой новые идеи можно найти именно в деталях и тонкостях проблемы, на которые не обращают внимания другие. А порой их можно найти, когда вы начинаете совершенно абстрактно и философски размышлять о том, почему мир устроен определенным образом и возможна ли альтернатива для доминирующей парадигмы. Но подобное мышление сложно обрести в тех условиях, в которых живут 99 % из нас. Привычные для нашей обычной жизни способы мыслить категориями и делать приблизительные выкладки порой приводят к тому, что мы упускаем из виду информацию, способную обеспечить нам конкурентное преимущество.

Главное, что здесь можно сделать, – это развивать инструменты и привычки, помогающие вам чаще находить идеи и информацию в нужном месте, и оттачивать навыки, необходимые как при поражениях, так и в победах.

Это сложная задача. Однако бейсбол остается необычайно плодородной почвой для множества новаторов. С момента дебюта PECOTA прошло десять лет, но после нее никакая другая столь же новаторская система так и не была создана. Однако наверняка появится кто-то, способный по-умному распорядиться данными Pitch f/x или же понять, каким образом совмещать количественные и качественные оценки результативности игрока. Все это обязательно произойдет, и произойдет быстрее, чем мы думаем, – возможно, уже тогда, когда будет печататься тираж этой книги.

«Сейчас в игру вступают люди с невероятно высокими интеллектуальными и творческими способностями, – рассказывал мне Бин. – Если бы я хотел получить свою работу десятью годами позже, то не дошел бы даже до стадии собеседования».

Moneyball умер; да здравствует Moneyball.

Во вторник 23 августа 2005 г. самолет-разведчик ВВС США уловил признаки атмосферных возмущений над Багамами{237}. Члены экипажа наблюдали «несколько небольших воздушных вихрей», вращавшихся против часовой стрелки и перемещающихся с востока на запад – от просторов Атлантического океана в сторону США. Подобное изменение в движении ветра было сложно выявить на основании данных спутников или наземного наблюдения, однако постепенно все больше экипажей грузовых лайнеров стали докладывать о нем. Национальный Центр слежения за ураганами (NHC) посчитал, что собрал достаточно свидетельств, чтобы охарактеризовать это явление как тропический циклон, получивший название «Тропическая депрессия 12»[62]. Это был «коварный» шторм, способный как развиться в нечто более серьезное, так и просто исчезнуть без следа. Примерно половина всех тропических депрессий в Атлантическом бассейне со временем перерастает в ураганы{238}.

Однако эта депрессия быстро набирала силу, и уже днем в среду на основе компьютерных расчетов в соответствии с одной из моделей Центр слежения за ураганами прогнозировал двойной удар по побережью Соединенных Штатов: один ударит по побережью южной Флориды, а второй может принять форму «циклона, движущегося в направлении к Новому Орлеану»{239}. Но шторм набрал достаточно силы, чтобы стать ураганом, и ему было присвоено имя «Катрина»{240}.

«Катрина» сначала пронеслась над территорией к северу от Майами, а через несколько часов обрушилась на национальный парк Эверглейдс во Флориде в виде урагана категории 1. Но этот ураган продолжался не так долго, чтобы угрожать множеству жизней, но не был и настолько длительным, чтобы растерять свою энергию. Напротив, «Катрина» набирала силу в теплых водах Мексиканского залива. Уже через несколько часов утром в субботу прогноз стал менее благоприятным: «Катрина» превратилась в ураган категории 3 и имела немалые шансы стать ураганом категории 5. Ее прогнозируемая траектория постепенно смещалась в западном направлении, в сторону от Пэнхэндла[63] во Флориде к Миссисипи и Луизиане. Теперь все компьютерные модели предрекали одно и то же: шторм начал угрожать Новому Орлеану{241}.

«Насколько я помню, после удара “Катрины” я участвовал в пяти слушаниях в Конгрессе», – рассказывал Макс Мэйфилд, бывший директором Центра в тот период, когда этот ураган достиг побережья. Во время нашей беседы я попросил его вспомнить, когда он впервые осознал весь масштаб угрозы. «Один из конгрессменов спросил меня, когда я впервые начал беспокоиться о Новом Орлеане, а я ответил ему “Шестьдесят лет назад”».

Сильный ураган, обрушивающийся на Новый Орлеан, – самый страшный кошмарный сон любого синоптика. В городе имелись идеальные условия, позволяющие привести к разрушениям и массовой гибели людей. С одной стороны, географическое положение – Новый Орлеан скорее не граничит с Мексиканским заливом, а утопает в нем. Основная масса горожан проживала в помещениях, расположенных ниже уровня моря, и полагалась на устаревшую систему дамб и природных барьеров, которые постепенно смывались морем{242}. С другой стороны, существует проблема, связанная с определенным типом культуры жителей Нового Орлеана. Они многое делают хорошо, но есть две вещи, которые они с гордостью отказываются делать: они никогда не двигаются быстро и не особо доверяют властям. В противном случае это просто был бы не Новый Орлеан. И, конечно, если бы не эти обстоятельства, город куда лучше подготовился бы к встрече с «Катриной», поскольку именно на эти обстоятельства стоит обратить внимание, когда возникает угроза урагана.

Национальный Центр слежения за ураганами уточнил свой прогноз, касающийся «Катрины»; ему удалось рассчитать возможность удара по городу почти за пять дней до разрушения дамб. Центр посчитал, что развитие ситуации по достаточно кошмарному сценарию вполне вероятно, причем уже через 48 часов. 20 или 30 лет назад столь заблаговременное предупреждение вряд ли было возможным, и в итоге удалось бы эвакуировать значительно меньше людей. Прогноз Центра и постоянные улучшения качества прогнозирования погоды за последние десятилетия, вне всякого сомнения, помогли спасти множество жизней.

Однако к прогнозам центра прислушались далеко не все. Примерно 80 тысяч жителей Нового Орлеана{243} – почти пятая часть населения города в то время – не смогли эвакуироваться, и 1600 из них погибли. Опросы выживших показали, что около двух третей из них не думали, что шторм будет настолько сильным{244}. Другие были в замешательстве от того, как осуществлялась эвакуация. Мэр города Рэй Нейгин ждал почти 24 часа, прежде чем объявил об обязательной эвакуации, несмотря на обращения Мэйфилда и других официальных лиц. Тем не менее некоторые жители – бедные, пожилые или не имевшие доступа к новостям – не могли покинуть город, даже если бы и захотели.

Прогнозирование погоды – одна из историй успеха, о которых рассказывает книга. Именно в этой области человек и машина способны объединить усилия, чтобы понять всю сложность окружающей природы, а то и предвидеть ее поведение. Однако тот факт, что мы можем порой предсказать поведение природы, совсем не означает, что мы можем его изменить. Кроме того, прогноз не имеет никакого смысла, если его никто не хочет слушать. История «Катрины» – это история человеческой изобретательности и человеческих ошибок.

Прогноз погоды от суперкомпьютера

Суперкомпьютеры лаборатории Национального центра атмосферных исследований (NCAR), расположенного в Булдере, штат Колорадо, создают, по сути, свою собственную погоду. Они сильно нагреваются и излучают тепловую энергию – 77 трлн вычислений, которые ежесекундно делает суперкомпьютер IBM Bluefire, вызывают значительное потепление. Они создают ветер – поскольку у страны должна всегда оставаться способность прогнозировать погоду, компьютеры нужно охлаждать, и поэтому вокруг компьютеров установлено несколько мощных вентиляторов высокого давления, постоянно обдувающих их потоком кислорода. Они настолько шумные, что в комплект спецодежды сотрудников ввели стандартные средства защиты слуха.

Bluefire разделен на 11 секций высотой примерно по 2,5 м и шириной около 50 см, по бокам каждой из которых тянется ярко-зеленый шлейф. Сзади эти шкафы напоминают типичный суперкомпьютер, каким мы его себе представляем – масса переплетенных кабелей и синих огоньков, мерцающих в «мозге» машины. Спереди же по форме и размерам они напоминают портативные туалеты, а сходство лишь усиливается благодаря двери с серебряной ручкой.

Я говорю об этом доктору Ричарду Лофту, директору NCAR по технологическому развитию, контролирующему работу суперкомпьютерной лаборатории. Метеорологи привыкли к подобному юмору. Ларри Дэвид в своем шоу Curb Your Enthusiasm («Умерь свой энтузиазм») уверяет, что метеорологи иногда предсказывают дождь, когда его не ожидается, просто для того, чтобы занять лучшие места на поле для гольфа{245}. Политические рекламные ролики часто используют погодные метафоры для атаки на своих оппонентов{246}, заявляя, к примеру, что оппоненты переменчивы, как мнение метеорологических центров. Большинство людей полагает, что специалисты по прогнозированию погоды плохо делают свою работу.

Крайне забавно разглядывать ряды жужжащих компьютеров и думать: неужели все это бесполезно? Неужели все эти сложные устройства придуманы, чтобы предсказывать? И неужели, несмотря на всю свою сложность, они так и не могут сказать нам, будет ли завтра дождь?

Лофт не удивлялся моим вопросам. Увеличение мощности компьютеров никоим образом не улучшило качество прогнозирования землетрясений или процессов в экономике. Однако в метеорологии наметился значительный и даже примечательный прогресс. И во многом он был вызван именно ростом мощности суперкомпьютеров Лофта.

Очень короткая история прогнозирования погоды

«Позвольте мне отклониться от обычного повествования, – сказал мне Лофт, сидя в своем офисе. Оказалось, что он обладает чувством юмора – необычным и неординарным, чем-то напоминавшим героя сериала “Офис” Двайта Шрута[64]. По его словам, с самых древних времен человек пытался предсказать поведение окружавшей его среды. – Вы едете в каньон Чако или Стоунхендж и понимаете, что люди каким-то образом поняли, что могут предвидеть наступление и самого короткого, и самого длинного дня в году. Движение Луны по небу предсказуемо. Однако есть вещи, предсказать которые древним людям было не под силу: внезапное нападение хищного зверя, наводнение или гроза».

В наши дни мы принимаем как данность то, что можем прогнозировать местность, на которую через несколько дней обрушится ураган, однако метеорология довольно поздно развилась в успешную науку. На протяжении столетий в этой области почти не было никакого прогресса. Вавилоняне, знаменитые астрономы, создавали прообразы прогнозов и фиксировали их на каменных табличках уже более 6000 лет назад{247}. Однако в конечном итоге они сдавались на волю бога дождей Нингирса. Аристотель написал трактат о метеорологии{248} и даже выдвинул несколько интересных догадок, однако в целом эта часть его деятельности была довольно слабой. Лишь в последние 50 лет, когда существенно выросла мощность вычислительных машин, появилась возможность для реального прогресса.

О метеорологической сводке не стоит думать как о метафизическом упражнении, однако сама идея предсказания погоды заставляет нас задуматься о старых спорах на тему предначертания и свободной воли. «Написано ли все до нас или мы сами пишем свою историю? – спросил Лофт. – Это была основная проблема для человеческих существ. И в реальности существовало две школы мыслителей. Одна из них была связана со св. Августином и кальвинизмом», – продолжил он, имея в виду людей, веривших в предначертание. Согласно этой философии, люди способны предсказывать предстоящие события, однако они не могут ничего сделать для того, чтобы их изменить. Все происходит в соответствии с божьим планом. «Это направление противоречит идеям иезуитов и Фомы Аквинского о том, что у нас имеется свобода воли. И вопрос состоит, в конечном итоге, в том, считаем ли мы мир предсказуемым или непредсказуемым».

Дискуссии о предсказуемости в том или ином виде обрели новую жизнь во времена Возрождения и промышленной революции. Из механики Исаака Ньютона, казалось бы, следовало, что во Вселенной, упорядоченной и предсказуемой, все подчиняется сравнительно простым физическим законам. Идеи научного, технического и экономического прогресса, которые в предыдущие столетия никто не мог принять как данность, обрели жизнь. Многие стали верить, что человечество способно научиться управлять собственной судьбой. Предначертание сменилось новой идеей – идеей научного детерминизма.

Эта идея приобретала множество форм, но мало кто способствовал ее развитию так же сильно, как французский астроном и математик Пьер-Симон Лаплас. В 1814 г. Лаплас выдвинул постулат, впоследствии ставший известным под названием «Демон Лапласа»:

Мы можем рассматривать настоящее состояние Вселенной как следствие его прошлого и причину его будущего. Интеллект, который был бы способен в каждый определенный момент времени познать все силы, приводящие природу в движение, и положение всех элементов, из которых она состоит, и если бы этот интеллект был бы достаточно сильным, чтобы проанализировать все эти данные, он смог бы объять единым законом и движения величайших тел во Вселенной, и движения крошечных атомов; для этого интеллекта ничто больше не казалось бы неопределенным, а будущее, как и прошлое, оказывалось бы прямо перед его глазами, подобно настоящему{249}.

Учитывая, что в настоящее время мы прекрасно информированы обо всех условиях («положение всех элементов, из которых состоит природа») и хорошо знаем законы, управляющие Вселенной («все силы, приводящие природу в движение»), у нас появляется возможность делать идеальные предсказания («будущее, как и прошлое, оказывается прямо перед нашими глазами, подобно настоящему»). Движение каждой частицы во Вселенной может казаться нам столь же предсказуемым, как движение шаров на бильярдном столе. Возможно, полагал Лаплас, подобная задача окажется людям не под силу. Однако если бы мы были достаточно умны (и если бы имели необходимое количество мощных компьютеров), то мы могли бы предсказывать погоду и многие другие события – и обнаружить в конце концов, что природа совершенна.

Идея Демона Лапласа казалась противоречивой на протяжении всего своего двухсотлетнего существования.

Против точки зрения детерминистов выступали сторонники вероятностного подхода, верившие, что условия Вселенной познаваемы лишь с некоей долей неопределенности[65]. Подобный пробабилизм представлял собой поначалу исключительно эпистемологическую парадигму – согласно ей существуют ограничения на взаимодействия человека и природы. Совсем недавно, благодаря открытиям в области квантовой механики, ученые и философы задались вопросом, а не ведет ли себя сама Вселенная вероятностным образом.

При ближайшем рассмотрении частицы, которые стремился выявить Лаплас, начинают вести себя подобно волнам: возникает впечатление, что они не занимают никакого постоянного положения. Как можно предсказать, в каком направлении будет двигаться объект, если вы даже не знаете, где именно он находится? Разумеется, это невозможно. И именно эта мысль и заложена в основу знаменитого принципа неопределенности, разработанного физиком-теоретиком Вернером Гейзенбергом{250}. Физики трактуют принцип неопределенности по-разному, однако он, по сути, утверждает, что постулат Лапласа не может быть верен в буквальном смысле. Идеальные предсказания невозможны, если природа сама по себе развивается случайным образом.

К счастью, для изучения погоды нам не нужна квантовая механика. Погодные изменения происходят на молекулярном (а не атомном) уровне, и сами молекулы слишком велики для того, чтобы на них оказывала какое-то значимое влияние квантовая физика. Более того, мы уже довольно давно поняли, что изменения погоды вполне подчиняются законам химии и ньютоновской физики.

А что касается обновленной версии Демона Лапласа, то можно сказать следующее. Если мы знаем положение каждой молекулы в земной атмосфере (такое утверждение куда более скромное, чем стремление к знанию местоположения каждого атома во Вселенной), то можем ли мы создавать идеальные прогнозы погоды? Или же в погоде тоже изначально заложен некий элемент случайности?

Матрица

Мы уже давно умеем делать прогнозы погоды на основе чисто статистических наблюдений. Насколько велика вероятность того, что завтра пойдет дождь, с учетом того, что он шел сегодня? Метеоролог мог бы изучить все такие случаи, связанные с дождями, собранные в его базе данных, и дать ответ на этот вопрос. Или же он мог бы изучить долгосрочные средние значения и сказать нам о том, что в марте в Лондоне дождь идет примерно 35 % времени{251}.

Проблема состоит в том, что предсказания такого рода не особенно полезны – они недостаточно точны для того, чтобы порекомендовать вам взять с собой с утра зонтик, не говоря уже о прогнозировании движения урагана. Поэтому метеорологи пошли по иному пути. Вместо статистической модели они хотели создать живую и дышащую модель, имитирующую физические процессы, которые управляют погодой.

Однако наша способность делать прогнозы погоды на основе расчетов куда слабее, чем наше теоретическое понимание. Мы знаем, какие уравнения надо решить, и примерно представляем себе верные ответы, однако нам недостаточно быстродействия для того, чтобы произвести расчеты для каждой молекулы в земной атмосфере. Вместо этого нам приходится заниматься аппроксимацией.

Самый интуитивно понятный метод для этого случая – упрощение проблемы за счет разбиения атмосферы на конечное количество наборов пикселей – метеорологи часто называют такую систему матрицей, решеткой или сеткой. По данным Лофта, первые заслуживающие внимания попытки работы в этом направлении были сделаны в 1916 г. Льюисом Фраем Ричардсоном, знаменитым британским физиком. Ричардсон хотел определить погоду над Северной Германией в определенное время – в 13 ч 20 мая 1910 г. Строго говоря, это нельзя назвать предсказанием, поскольку этот день уже прошел. Однако в распоряжении Ричардсона имелось много данных – о температуре, атмосферном давлении и скорости ветра, – собранных германским правительством. И у него было достаточно времени, поскольку он служил медиком-добровольцем и оставался без дел в перерывах между артиллерийскими канонадами. Поэтому Ричардсон разбил территорию Германии на ряд двумерных секторов размерами по три градуса широты (около 340 км) на три градуса долготы (рис. 4.1). Затем он приступил к работе, пытаясь решить химические уравнения, определявшие погоду в каждом секторе, и то, каким образом они влияют на погоду в соседних.

К сожалению, эксперимент Ричардсона бесславное провалился{252} – он «предсказал» серьезный рост атмосферного давления, в реальности же в тот день это не наблюдалось. Однако Ричардсон тем не менее опубликовал свои результаты. Этот метод определенно казался правильным методом предсказания погоды – Ричардсон считал, что следует не полагаться на грубые статистические приближения, а выявить некие основные принципы и воспользоваться глубоким теоретическим пониманием поведения системы.

Рис. 4.1. Матрица Ричардсона – прообраз современной системы прогнозирования погоды

Проблема состояла в том, что метод Ричардсона требовал выполнения огромного объема работы. Для решения поставленных им задач были нужны компьютеры. Как вы увидите в главе 9, компьютеры не каждую из поставленных им задач могут выполнить и далеко не всегда служат панацеей в процессе предсказания. Однако компьютеры идеальны с точки зрения вычислений – то есть быстрого и точного многократного повторения одних и тех же арифметических задач. Они отлично подходят для решения шахматных задач, подчиняющихся довольно простым правилам, но сложных с точки зрения вычислений. Сходные задачи имеются и в области метеорологии.

Первый компьютерный прогноз погоды создал в 1950 г. математик Джон фон Нейман, который использовал для этого машину, способную осуществлять порядка 5000 вычислений в секунду{253}. Расчет происходил намного быстрее, чем мог сделать Ричардсон с карандашом и листом бумаги на французском деревенском поле. Тем не менее прогноз оказался неудачным, и его результаты оказались не намного точнее обычной случайной догадки.

Со временем, к середине 1960‑х гг., компьютеры начали демонстрировать определенные навыки в прогнозировании погоды. Так, Bluefire, выдающий результаты примерно в 15 миллиардов раз быстрее, чем первый компьютерный прогноз (и, возможно, в квадрильон раз быстрее, чем Ричардсон), дает нам куда более осмысленные результаты благодаря скорости вычислений.

Прогнозы погоды в наши дни значительно чаще бывают верными, чем 15 или 20 лет назад. Однако, если скорость вычислений в последние десятилетия увеличивалась по экспоненте, прогресс в точности прогнозов погоды был хотя и стабильным, но медленным.

Можно назвать две основные причины сложившейся ситуации. Первая связана с тем, что мир имеет не одно и не два измерения. Самый надежный способ повысить правильность прогноза погоды – то есть на один шаг приблизиться к пониманию поведения каждой молекулы – состоит в уменьшении размера сетки, используемой для отображения атмосферы. Сектора Ричардсона имели размер 340 на 340 км, обеспечивая в лучшем случае слишком масштабный взгляд на планету (в квадрат 340 на 340 км² можно почти полностью вместить Нью-Йорк и Бостон – города, в которых может быть совершенно разная погода). Предположим, вы хотите в два раза уменьшить площадь секторов, до 170 на 170 км. Благодаря этому ваш прогноз станет более точным, но при этом увеличится количество уравнений, которые вам надо решить. В реальности количество уравнений вырастет не в два, а в четыре раза, поскольку вы уменьшаете масштаб и по длине, и по ширине. Иными словами, для того чтобы решить такую задачу, вам нужно примерно в 4 раза увеличить вычислительную мощность.

Однако вам нужно учитывать не только эти два измерения. В верхних слоях атмосферы могут проявляться одни закономерности, а в нижних слоях, над океанами и у поверхности Земли – совершенно иные. В трехмерной вселенной двукратное увеличение разрешения нашей сетки потребует восьмикратного повышения вычислительной мощности. Кроме этого, имеется и четвертое измерение – время. Если метеорологическая модель статична, в ней нет никакого толка – самое главное для нас состоит в том, чтобы знать, как меняется погода в каждый момент времени. Шторм движется со скоростью примерно 40 миль в час – если размеры вашей сетки составляют 40×40×40, то вы можете отслеживать его движение, собирая наблюдения каждый час. Однако если вы уменьшите размер сетки до 20×20×20, то шторм будет перемещаться из ячейки в ячейку каждые полчаса. Это значит, что вам нужно уменьшить в два раза и временной интервал, то есть вам потребуется в 16 раз больше вычислительных мощностей, чем изначально.

Но если бы эта проблема оказалась единственной, то ее вполне можно было бы решить. Хотя вам нужно, грубо говоря, в 16 раз увеличить вычислительную мощность, чтобы удвоить разрешение прогноза погоды, сама вычислительная мощность растет по экспоненте, удваиваясь примерно каждые два года{254}. Это значит, что вам нужно подождать всего восемь лет, и тогда ваш прогноз станет в два раза точнее; интересно, что NCAR обновляет свои суперкомпьютеры примерно с такой же частотой.

Предположим, что вам удалось разобраться с законами динамики движения жидкостей, которым подчиняются погодные системы. Они в целом следуют ньютоновским законам. Вам не будет особенно мешать и принцип неопределенности, интересный для физиков. Вы получили доступ к компьютерному шедевру типа Bluefire. Вы наняли Ричарда Лофта для проектирования и тестирования компьютерных программ. Что же еще может пойти не так в этом случае?

Почему теория хаоса так напоминает безумие

Итак, с чем может быть связана очередная ваша проблема? С теорией хаоса. Возможно, вам доводилось слышать выражение «взмах крыльев бабочки в Бразилии может привести к торнадо в Техасе». Изначально это было частью заглавия научной работы{255}, представленной в 1972 г. преподавателем Массачусетского технологического института Эдвардом Лоренцем, который начинал свою карьеру как метеоролог. Теория хаоса применима в отношении систем, для которых справедливы два утверждения:

1) системы динамичны, что означает, что поведение системы в один момент времени влияет на ее поведение в будущем;

2) системы нелинейны, иными словами, в них поддерживаются скорее экспоненциальные, а не аддитивные связи.

Динамические системы доставляют специалистам по прогнозированию немало проблем. Примером может служить описанный в главе 6 факт, свидетельствующий о том, что американская экономика постоянно вызывает цепную реакцию событий, что и является одной из причин, по которым ее развитие так сложно предсказать. Развитие при этом остается нелинейным: ценные бумаги, обеспеченные закладными, стимулировавшие начало финансового кризиса, были разработаны таким образом, что небольшие изменения в макроэкономических условиях значительно повышали риск дефолта по ним.

Совмещая все эти параметры, вы получаете на выходе настоящую неразбериху. Сам Лоренц не понимал, насколько масштабны эти проблемы, до тех пор пока (следуя той же традиции, что и Александр Флеминг и пенициллин{256} или команда «Нью-Йорк Никс» и баскетболист Джереми Лин) он не сделал свое открытие, причем совершенно случайно.

Лоренц и его команда разрабатывали программу прогнозирования погоды на одном из первых компьютеров, известном как Royal McBee LGP-30{257}. Исследователи полагали, что все идет как надо, но лишь до тех пор, пока компьютеры не начали выдавать совершенно бессмысленные результаты.

Они начали еще раз анализировать, почему так получается, что, вводя в точности те же самые, как они считали, данные, после запуска программы на выходе в качестве результата они получают в одном случае – чистое небо над Канзасом, а в другом – сведения о надвигавшемся шторме.

После нескольких недель, проведенных за проверкой оборудования и программ, Лоренц и его команда поняли, что исходные данные не были в точности одинаковыми: один из техников не вводил в систему цифры после третьего знака после запятой. Например, вместо того чтобы вводить в одно из полей сетки значение атмосферного давления, равное 29,5168, в расчетах использовалось число 29,517. Неужели вся разница возникла именно из-за этого?

Лоренц понял, что это действительно так. Один из основных постулатов теории хаоса гласит, что небольшое изменение в начальных условиях – бабочка машет крыльями в Бразилии – может привести к масштабному и неожиданному развитию последующих событий – торнадо в Техасе.

Это не значит, что поведение системы случайно, как можно было бы считать, увидев слово «хаос». Более того, теория хаоса отнюдь не является проявлением одного из следствий знаменитого Закона Мерфи («если что-то может пойти не так, оно обязательно пойдет не так»). Это всего лишь значит, что поведение систем определенного типа достаточно сложно предсказать.

Проблема возникает тогда, когда наши данные не совсем точны (или неточны наши предположения, как в случае ценных бумаг, обеспеченных закладными). Представьте себе, что мы должны были сложить вместе 5 и 5, однако неправильно взяли второе число. Вместо того чтобы сложить 5 и 5, мы сложили 5 и 6. Это получим 11, хотя правильный ответ равен 10. Мы ошибемся, но ненамного: сложение, как линейное действие, умеет прощать. Куда хуже будут обстоять дела в том случае, когда мы возводим число в степень. Если вместо того, чтобы рассчитать значение 5⁵, равное 3215, мы рассчитаем 5⁶, то получим в результате 15 625. И это уже серьезная ошибка – мы промахнулись на 500 %.

Значимость подобных неточностей существенно возрастает, когда речь идет о динамическом процессе, при котором результат вычислений одного этапа становится входящими данными следующего. Например, предположим, что нам нужно рассчитать, чему будет равно пять в шестой степени, а затем возвести полученное значение в пятую степень. Если мы допустим ту же ошибку, что и выше, и заменим вторую цифру 5 на 6, то ошибка в окончательном результате увеличится примерно в 3000 раз{258}. Влияние небольшой и, на первый взгляд, тривиальной ошибки становится все больше и больше.

Изменения погоды представляют собой проявление динамической системы, а уравнения, описывающие движение атмосферных газов и жидкостей, нелинейны (чаще всего это дифференциальные уравнения){259}. Таким образом, теория хаоса явным образом применима к прогнозированию погоды, а следовательно, наши прогнозы оказываются в высшей степени уязвимы к неточностям в исходных данных.

Иногда эти неточности возникают в результате человеческой ошибки. Еще бо́льшая фундаментальная проблема состоит в том, что мы можем наблюдать за окружающим нас миром лишь с определенной степенью точности. Ни один термометр не идеален, и ошибка в его показаниях в третьем или даже четвертом знаке после запятой может оказать огромное влияние на прогноз.

На рис. 4.2 показаны результаты, полученные после 50 запусков программ, моделирующих прогноз погоды для Франции и Германии на сочельник 1999 г. Все модели используют одни и те же программы и основаны на одних и тех же предположениях о поведении погоды. Фактически эти модели являются детерминистическими: в них заложено допущение, что если мы в полной мере знаем все изначальные параметры, то можем создать идеальный прогноз. Однако небольшие различия во входных параметрах способны привести к огромным отличиям в результатах, полученных на выходе. В Европейском центре метеорологических прогнозов пытались принять во внимание эти ошибки. В одном из процессов имитационного моделирования закладывалось условие, что атмосферное давление в Ганновере подвергалось лишь незначительным колебаниям. В другом менялись характеристики ветра в Штутгарте, причем на долю процента. Однако даже таких небольших изменений может быть достаточно для того, чтобы в одних прогнозах говорилось об урагане в Париже, а в других – о тихом зимнем вечере.

Рис. 4.2. Результаты расчетов прогноза погоды с немного различающимися начальными условиями

Именно такие модели и используют для создания современных прогнозов погоды. Небольшие изменения, сознательно добавляемые в модель для имитации неопределенности в качестве данных, превращают детерминистический прогноз в вероятностный. Допустим, если ваш местный метеоролог говорит о том, что вероятность дождя на следующий день составляет 40 %, это можно понимать и так, что результаты расчетов используемых им моделей в 40 % случаев говорят о том, что ожидается предштормовое состояние, а в 60 % случаев – при использовании лишь незначительно измененных начальных параметров – результат противоположный.

Но на практике все не так просто. Программы, которые метеорологи используют для прогнозирования погоды, довольно хороши, но не идеальны. Прогнозы, которые вы слышите постоянно, представляют собой комбинацию компьютерных расчетов и человеческого суждения. Порой люди способны улучшить компьютерные прогнозы, а порой – ухудшить их.

Важность ви́дения

Здание World Weather Building – довольно уродливое сооружение в стиле 1970‑х гг., выкрашенное в цвет ириски и расположенное в Кэмп-Спрингз, штат Мэриленд, примерно в 20 минутах езды от Вашингтона.

Здесь находится штаб-квартира NOAA (National Oceanic and Atmospheric Administration – Национального управления по исследованию океанов и атмосферы) – материнской организации Национальной службы погоды (National Weather Service, NWS), входящей в состав правительственных служб{260}. В отличие от зданий NCAR в Булдере, расположенных в живописном уголке Скалистых гор, это здание заставляет думать исключительно о бюрократии.

Изначально Служба погоды была организована в 1879 г. в структуре военного ведомства Соединенных Штатов президентом Улиссом С. Грантом. Отчасти это было связано с убежденностью президента Гранта в том, что только культура, основанная на военной дисциплине, обеспечит должный уровень точности прогнозирования{261}, а отчасти с тем, что это предприятие выглядело настолько безнадежным, что заниматься им имело смысл лишь во время военных действий, когда вы пробуете все, что угодно, для достижения военного перевеса.

Широкая публика заинтересовалась вопросами прогнозирования погоды после знаменитой «Школьной метели» (Schoolhouse Blizzard). В сравнительно теплый день 12 января 1888 г. на Великих Равнинах температура воздуха упала за несколько часов почти на 30 °, и вдруг началась ослепляющая метель{262}. Сотни детей, вышедших из школы, попали в эту снежную бурю по дороге домой и умерли от переохлаждения. Несмотря на неточность ранних прогнозов погоды, все надеялись, что эта служба поможет хоть как-то предупредить о столь значительных колебаниях температуры. Соответственно, Национальная служба погоды была переведена в структуру департамента сельского хозяйства и начала заниматься более мирными делами[66].

История происхождения Службы погоды до сих пор проявляется в культуре организации. Специалисты по прогнозированию погоды работают в ней круглыми сутками за довольно скромную оплату{263} и воспринимают себя важными государственными служащими. Метеорологи, с которыми я встретился в Кэмп-Спрингз, были настоящими патриотами, редко упускавшими возможность напомнить мне о важности прогнозов погоды для работы сельскохозяйственных ферм, небольших бизнесов, авиакомпаний, энергетического сектора, воинских подразделений, сектора общественных услуг, площадок для гольфа, организации пикников и экскурсий для школьников – прогнозов, которые можно было бы получить за копейки. (NWS удается работать с бюджетом, составляющим всего 900 млн долл. в год{264}, то есть примерно 3 долл. на каждого гражданина США. И это несмотря на то что погода напрямую влияет примерно на 20 % экономики страны{265}.)

Одним из тех метеорологов, с которыми мне удалось встретиться, был Джим Хоук – директор центра гидрометеорологического прогнозирования NWS. Хоук проработал в этой области около 35 лет, занимаясь и вычислительной стороной процесса (он помогал выстраивать компьютерные модели, которые используют его прогнозисты), и операционной (создавая эти прогнозы и сообщая их широкой публике). И, благодаря этому, он достаточно хорошо представляет себе, как взаимодействуют люди и машины в мире метеорологии.

Так что же конкретно люди могут делать лучше, чем компьютеры, способные обрабатывать данные со скоростью 77 терафлоп[67]? Они обладают ви́дением. Хоук отвел меня на этаж прогнозирования, заставленный рабочими станциями, около каждой из которых видела табличка с пояснением типа «военно-морской центр прогнозов» или «центр прогнозов на национальном уровне». Каждая станция управлялась одним-двумя метеорологами, а рядом с каждым из них имелась целая армада жидкокристаллических мониторов с полноцветными картами всевозможных типов погодных данных для каждого уголка страны.

Прогнозисты работали тихо и быстро, с точностью, о которой, наверное, и мечтал Грант{266}.

Некоторые из прогнозистов рисовали на этих картах световыми указками, тщательно корректируя контуры температурных градиентов, созданных компьютерными моделями, – 25 миль к западу в сторону дельты Миссисипи, 50 миль к северу в направлении озера Эри. Постепенно, шаг за шагом они приводили карты к желанному платоническому идеалу.

Прогнозисты отлично представляют себе недостатки компьютерных моделей. Это возникает неминуемо, поскольку, как следует из теории хаоса, даже самая тривиальная ошибка в модели может привести к значительным последствиям. Возможно, компьютер оказывается слишком консервативным при прогнозировании ночных дождей в Сиэтле, когда над заливом Пьюджет-Саунд образуется зона низкого давления. Возможно, он не знает, что при одном направлении ветра туман в национальном парке Акадия в Мэйне рассеивается к восходу солнца, при другом – может остаться до середины дня.

Подобные вещи прогнозисты понимают со временем, учась обходить недостатки модели, наподобие того как опытный игрок в пул привыкает обходить слепые зоны бильярдного стола в местном баре.

Уникальным ресурсом этих прогнозистов было и остается их умение видеть. Этот инструмент важен в любой дисциплине – визуальное изучение графика, показывающего взаимодействие между двумя переменными, часто оказывается более быстрым и более надежным способом выявить странные искажения данных, чем статистический тест. Это также одна из тех областей, в которых компьютеры сильно отстают от человеческого мозга. Стоит немного изменить последовательность букв – как в случае технологии CAPTCHA[68], часто использующейся для противостояния спаму в качестве средства защиты паролей (рис. 4.3), – и даже самые «толковые» компьютеры начинают смущаться. Они воспринимают информацию слишком буквально. Они неспособны распознать закономерность, подвергшуюся даже небольшой манипуляции. Люди же, в силу эволюционной необходимости, обладают мощными визуальными способностями. Они быстро отсеивают любые искажения закономерностей и могут распознать такие абстрактные вещи, как закономерности и организация, то есть то, что оказывается особенно важным в различных типах погодных систем.

Рис. 4.3. Пример теста CAPTCHA

На самом деле, в старые времена, когда метеорологические компьютеры были еще не особенно полезными, прогнозирование погоды представляло собой почти полностью визуальный процесс. Вместо дисплеев в офисах стояли столы с подсветкой, на которых лежали карты. Метеорологи корректировали рисунки на картах с помощью мелков или цветных карандашей. Хотя последняя доска с подсветкой была отправлена в отставку уже много лет назад, дух этого метода живет и в наши дни.

По словам Хоука, самые квалифицированные синоптики-прогнозисты должны обладать способностью думать визуально и абстрактно, но в то же самое время им необходимо разбираться с огромными массивами информации, которой снабжает их компьютер. Более того, они должны понимать динамическую и нелинейную природу изучаемой ими системы. Это непростая задача, требующая тщательного использования и правого, и левого полушарий. Многие из прогнозистов могли бы стать хорошими инженерами или программистами с куда большей зарплатой, однако они сознательно решают стать метеорологами.

NWS постоянно отслеживает два типа данных: первый показывает, насколько хорошо компьютеры справляются в одиночку, а второй оценивает долю человеческого вклада. Судя по статистическим данным, люди способны улучшить правильность компьютерных прогнозов выпадения осадков примерно на 25 %{267}, а прогнозов погоды – примерно на 10 %{268}.

Более того, согласно Хоуку, эти сравнительные данные практически не менялись со временем: какой бы прогресс ни происходил в компьютерных технологиях, люди-прогнозисты могут еще лучше повысить их ценность. Ви́дение стоит дорогого.

Вероятность погибнуть от удара молнии становится все меньше

Когда Хоук только начинал начал свою карьеру в середине 1970‑х, анекдоты о синоптиках были недалеки от истины. Например, в прогнозах погоды NWS, сделанных за три дня, максимальное отклонение от прогнозируемой температуры достигало примерно 6 ° F (рис. 4.4). Это ненамного лучше, чем в случае составления прогноза на основе обычного изучения таблицы долгосрочных средних значений. Однако партнерство между человеком и машиной способно принести немалые дивиденды. В наши дни средняя величина ошибки составляет примерно 3,5 ° F – иными словами, она стала примерно наполовину меньше. Также синоптикам удается значительно лучше предсказывать аномальные погодные явления.

Рис. 4.4. Ошибка в определении среднемесячной максимальной температуры в прогнозах NWS

Какова вероятность получить смертельный удар молнии? На самом деле, значение этого показателя не постоянная величина, которая зависит, например, от вероятности того, будете ли вы на улице в момент возникновения молнии. В 1940 г. вероятность смерти жителя Америки от удара молнии в определенный год составляла примерно 1 из 400 000{269}. В наши дни вероятность этого события равна всего 1 из 11 000 000 (то есть ее величина снизилась почти в 30 раз). Отчасти это связано с изменением образа жизни (всё больше работы в наши дни производится в домах) и улучшением коммуникации в области технологий и здравоохранения, но также это связано и с тем, что прогнозы погоды становятся более точными.

Возможно, самые впечатляющие успехи были достигнуты в предсказании ураганов. Всего 25 лет назад, когда Национальный центр по ураганам попытался дать предварительный прогноз местонахождения территории, по которой в ближайшие три дня ударит ураган, диапазон ошибки составлял в среднем 560 км{270}. Это слишком много. Нарисуйте, допустим, окружность с радиусом 560 км вокруг Нового Орлеана, и она покроет все точки от Хьюстона, штат Техас, до Таллахасси, штат Флорида (рис. 4.5). Эвакуировать людей с такой большой территории просто невозможно.

Рис. 4.5. Улучшение качества прогнозирования поведения ураганов

В наши дни величина погрешности равна примерно сотне миль, то есть наша окружность охватит лишь юго-восток Луизианы и южную границу Миссисипи. Время от времени ураганы будут выбиваться за пределы этой зоны, но теперь в большинстве случаев нам имеет смысл обращать внимание на заметно меньшую по площади зону, эвакуировать жителей из которой можно за 72 часа. Для сравнения, в 1985 г. такую же степень точности обеспечивали лишь прогнозы, созданные менее чем за 24 часа до события. Это значит, что теперь у нас есть еще дополнительно двое суток до удара урагана – а как мы увидим позже, при эвакуации города типа Нового Орлеана критически важным оказывается каждый час[69].

Службе погоды еще не удалось избавиться от Демона Лапласа, однако вполне можно полагать, что она заслуживает большего признания, чем принято считать. Наука прогнозирования погоды довольно успешно развивается, несмотря на все проблемы, связанные с особенностями метеорологических условий. В этой книге вы неоднократно увидите, что при составлении прогнозов это является скорее исключением, чем правилом (так что приберегите свои шутки для экономистов).

Усилия Национальной службы погоды часто недооценивают. Она сталкивается с жесткой конкуренцией со стороны частных компаний{271}, работающих в совершенно иных условиях. В отличие от всех других игроков, Служба погоды должна предоставлять свои данные моделирования бесплатно всем желающим (большинство других стран с хорошими погодными бюро продают лицензии или взимают плату за использование своих данных). Частные компании типа AccuWeather и Weather Channel могут затем использовать их как основу для развития собственных продуктов и их коммерческого распространения. Подавляющее большинство потребителей получают прогнозы от одного из частных поставщиков; трафик сайта телеканала Weather Channel (Weather.com) примерно в десять раз превышает трафик Weather.gov{272}.

В целом я большой сторонник конкуренции на свободном рынке или конкуренции между государственными и частными компаниями. Во многом именно благодаря конкуренции бейсбол активно развивался и смог лучше совмещать знания скаутов и статистиков при прогнозировании развития игроков.

Как видите, в бейсболе идея конкуренции более ясна – сколько мячей ты выиграл (или же соотношение выигранных и проигранных мячей). В прогнозировании погоды ситуация несколько более сложная, а перед частными и государственными прогнозистами стояли разные задачи.

Что делает прогноз хорошим?

«Разумеется, ученого-исследователя не казнят на месте за просмотр Weather Channel, однако многие из них делают это за закрытыми дверями», – рассказал мне доктор Брюс Роуз, приветливый научный руководитель и вице-президент Weather Channel (TWC).

По словам Роуза, у него не было намерения утверждать, что прогнозы TWC лучше правительственных, они просто были другими – в большей степени ориентированными на нужды типичного потребителя.

«Модели обычно не оцениваются по тому, насколько хорошо они предсказывают те или иные практически важные параметры погоды, – продолжает он. – Для жителей Нью-Йорка на самом деле важно, что ожидает их на улице – залитые водой мостовые после ливня или снеговой покров толщиной 10 см{273}. С точки зрения потребителя, различие огромно, а вот для ученых это не всегда интересно».

На самом деле, значительная доля времени доктора Роуза уделяется прагматичным и даже отчасти банальным проблемам, связанным с тем, как потребители интерпретируют его прогнозы. Например, он задается вопросом, как разработать алгоритмы, позволяющие исходные данные о погоде выразить понятно. Что может означать выражение очень холодно? А вероятность порывистого ветра? Где проходит различие между переменной облачностью и преимущественно пасмурной погодой? Weather Channel должна в этом хорошо разбираться, а Роузу приходится создавать формальные правила, поскольку компания выпускает настолько много прогнозов, что способ их подачи необходимо разрабатывать чуть ли не для каждого случая.

Иногда необходимость адаптировать прогноз к потребностям клиента может принимать комические формы. На протяжении многих лет Weather Channel показывал дождь на своих радарных картах зеленым цветом (иногда сопровождаемым желтыми и красными участками, обозначавшими особенно сильные штормы). В какой-то момент в 2001 г. кому-то из отдела маркетинга пришла в голову гениальная идея выкрасить дождь в синий цвет – что показалось тогда разумным и напоминало естественный цвет воды. Довольно быстро на Weather Channel обрушился вал телефонных звонков разгневанных, а порой и напуганных потребителей: некоторые из них ошибочно приняли синие облака за прежде неизвестный вид осадков (плазменные облака? радиоактивные выбросы?). «Кто-то даже посчитал это последствием ядерного взрыва, – рассказал мне доктор Роуз. – Люди писали нам: “Вы многие годы говорили нам о том, что дождь имеет зеленый цвет, а теперь он оказался синим? Это что еще за выкрутасы?”»

Но, несмотря на все эти анекдотические истории, Weather Channel относится к метеорологии очень серьезно. По крайней мере, в теории, и есть основания думать, что эта компания способна сделать более качественный прогноз, чем правительство. В конце концов, Weather Channel, использует все исходные данные, полученные из правительственных источников, в качестве отправной точки, а затем учитывает и всю ту ценную информацию, которую они в состоянии получить своими силами.

Вопрос заключается в следующем: какой прогноз считать «лучшим»? Я бы сказал просто – лучшим является самый точный прогноз. Однако я знаю о нескольких конкурирующих между собой идеях в области прогнозирования погоды.

В известном эссе 1993 г.{274}, написанном Алланом Мерфи (работавшим в то время метеорологом в Университете штата Орегон), утверждалось, что в сообществе прогнозистов погоды имеются целых три определения качества прогноза. Мерфи не утверждал, что то или иное определение лучше остальных; скорее, он пытался начать более открытое и честное их обсуждение. Версии этих определений могут применяться почти в любой области, где нужны прогнозы или предсказания.

Первый (и, возможно, самый очевидный) способ оценки прогноза, писал Мерфи, связан с тем, что он сам называл «качеством», но, пожалуй, его лучше определить как правильность. Иными словами, оценивается ответ на вопрос, соответствовала ли реальная погода прогнозу?

Второй способ обозначен словом «последовательность», но я считаю, что в данном случае чаще подходит слово честность. Даже если прогноз оказался достаточно точным, был ли это лучший прогноз, на который способен прогнозист в то время? Отражал ли он самые наилучшие из имевшихся суждений и модифицировали ли его каким-либо образом перед тем, как представить публике?

И, наконец, Мерфи говорил об экономической ценности прогноза. Способствовал ли он принятию общественностью и политиками более правильных решений?

Проведенное Мерфи различие между правильностью и честностью не сразу очевидно, однако крайне важно. Когда созданный мной прогноз оказывается неверным, я часто спрашиваю себя, был ли это лучший вариант прогноза, который я мог бы дать с учетом имевшихся у меня на тот момент данных. Иногда я считаю, что этак: мой мыслительный процесс оказался верным, я провел все необходимые исследования, выстроил хорошую модель и точно указал, какая доля неопределенности присутствует в прогнозе. В других же случаях я обнаруживал, что мне не нравится моя собственная работа. Иногда я слишком быстро отказывался от ключевых элементов исследования. Иногда я переоценивал степень предсказуемости проблемы. Иногда у меня возникали какие-то другие предубеждения или неверные стимулы.

Я не хочу сказать, что вы должны ругать себя всякий раз, когда ваш прогноз оказывается неверным. Напротив, признаком того, что вы делаете хороший прогноз, является то, что вы полностью принимаете то, как развиваются события, понимая, что не все из них вы можете непосредственно контролировать. Однако у вас всегда есть возможность спросить себя о том, какие цели вы имели, принимая свое решение.

В долгосрочной перспективе заявленные Мерфи цели правильности и честности должны сходиться друг с другом, когда у нас имеются правильные стимулы. Однако так бывает не всегда. Например, не исключено, что политических комментаторов из McLaughlin Group больше волновало желание казаться толковыми на экране телевизора, чем создание правильных предсказаний. Возможно, что они вели себя вполне рационально. Однако если они сознательно делали плохие прогнозы, поскольку хотели произвести приятное впечатление на представителей той или иной партии, или же хотели вновь оказаться на шоу, то можно считать, что они провалили тест Мерфи на честность.

Третий критерий Мерфи – экономическая ценность прогноза – способен запутать нас еще сильнее. Разумеется, мы вполне можем согласиться с доктором Роузом в том, что прогнозы для городов могут заслуживать большего внимания – допустим, если температура воздуха находится около точки замерзания и осадки могут принять форму дождя, льда или снега, каждый из которых может по-разному влиять на безопасность и транспортировку жителей.

Однако это, скорее, связано с тем, на чем Weather Channel концентрирует свои ресурсы и чему уделяет основное внимание. Это не значит, что иногда под сомнение ставится правильность или честность прогноза. Многие газеты стремятся к тому, чтобы каждая опубликованная в них статья была точной и честной, однако им все равно необходимо принимать решение о том, какие материалы поместить на первую полосу. Weather Channel должен принимать аналогичные решения, и экономическое влияние прогноза – это вполне разумная основа для них.

Впрочем, бывают времена, когда цели начинают конфликтовать между собой и коммерческий успех оказывается важнее правильности.

Когда конкуренция приводит к тому, что прогнозы становятся хуже

Существуют два основных теста, которые должен пройти любой прогноз погоды, чтобы доказать свою состоятельность.

1. Он должен оказаться лучше, чем тот, что следует из так называемого метеорологами постоянства: то есть из предположения о том, что завтра (и в последующие дни) погода будет такой же, как и сегодня.

2. Он должен оказаться лучше, чем тот, что следует из климатологии, то есть лучше прогноза, сделанного на основе анализа долгосрочных исторических средних климатических условий на конкретную дату в конкретном месте.

Эти методы были доступны нашим предкам задолго до того, как на сцене появились Ричардсон, Лоренц и суперкомпьютер Bluefire; если мы не можем улучшить их результаты, то все дорогостоящие вычислительные мощности просто не выполняют свою работу.

У нас есть масса данных о том, какой была погода в прошлом, начиная еще со времен Второй мировой войны. Например, я могу зайти на сайт Wunderground.com и узнать, что в 13 января 1978 г. в 7 часов утра в Лэнсинге, штат Мичиган, – в день и час моего рождения – температура была равна –8 °С, шел небольшой снег и дул северо-восточный ветер{275}. Однако сравнительно немного людей занималось сбором данных о прогнозах погоды из прошлого. Ожидался ли в то утро в Лэнсинге снег? Это был один из тех немногих элементов информации, который можно было бы рассчитывать найти в интернете, но его там нет.

В 2002 г. предприниматель по имени Эрик Флер, выпускник факультета вычислительной техники Университета штата Огайо, работавший на MCI, перевернул все с ног на голову. Он попросту стал собирать данные о прогнозах, выпущенных NWS, Weather Channel и AccuWeather, чтобы понять, какая модель прогноза более точна – правительственная или частная. Сначала он занялся этим исключительно для самообразования – он проводил своего рода широкомасштабный научный проект, – однако это увлечение довольно быстро превратилось в прибыльный бизнес с названием ForecastWatch.com, в рамках которого данные переупаковываются в модернизированные по заказам пользователей отчеты для клиентов, начиная от трейдеров на энергетическом рынке (для которых изменение температуры на долю градуса приравнивается к десяткам тысяч долларов) и заканчивая учеными.

Флер обнаружил, что явного победителя выявить не удается. Его данные показывали, что AccuWeather чуть лучше других удаются прогнозы по осадкам, Weather Channel – прогнозы по температуре, а прогнозы правительства достаточно точны во всем остальном. То есть в целом все прогнозы были достаточно хороши.

Но чем больше оказывался период прогнозирования, тем менее точными становились прогнозы (рис. 4.6). Допустим, прогнозы, создаваемые за восемь дней, достаточно хороши с точки зрения постоянства, однако не намного лучше климатологических.

А если интервал прогнозирования составляет девять и более дней, все профессиональные прогнозы оказывались стабильно хуже климатологических данных.

Лофт рассказывал мне, что в тех случаях, когда период прогнозирования даже немного превышает неделю, теория хаоса начинает брать верх над всем остальным, и динамическая память атмосферы полностью стирается. Хотя приведенная ниже аналогия вряд ли может считаться совершенно точной, она помогает нам подумать об атмосфере как о трассе для гонок NASCAR, в которой различные погодные системы представлены отдельными автомобилями. После первой пары десятков кругов по трассе и при условии знания стартового порядка машин мы можем сделать довольно неплохое предсказание порядка, в котором они будут проезжать мимо нас. Наши предсказания не будут идеальными: на них повлияют и неожиданные поломки, и пит-стопы, и заглохшие моторы, – но наш прогноз будет значительно лучше случайно выбранной последовательности.

Рис. 4.6. Сравнение прогнозов максимальной температуры{276}

Вскоре, однако, более быстрые автомобили начнут опережать более медленные, и через какое-то время ситуация станет непредсказуемой. Может получиться и так, что машина, занимающая второе место, будет ехать рядом с машиной, которая занимает 16‑е место (обгоняя ее почти на круг), и с машиной, находящейся на 28‑м месте (которую она один раз уже обогнала и которую собирается обогнать еще раз). Все то, что мы знали о начальных условиях гонки, теперь не имеет для нас никакой ценности. Аналогично, если в атмосфере достаточно долго циркулировали воздушные потоки, погодные параметры настолько слабо будут напоминать о своих начальных значениях, что исходные модели теряют любой смысл.

Тем не менее открытие Флера поднимает пару тревожных вопросов. Одно дело, если в долгосрочных прогнозах (после семи или восьми дней) компьютерные модели демонстрируют, в сущности, нулевые результаты. На самом же деле они показывают негативный результат. Он оказывается хуже, чем мы с вами могли бы получить, сидя дома и изучая таблицы долгосрочных погодных явлений. Как такое может быть? Возможно, это связано с тем, что в компьютерные программы заложена слишком высокая чувствительность к естественно возникающей обратной связи в погодной системе. Они начинают сами создавать обратную связь. И теперь дело не ограничивается тем, что сигнал подавляется шумом, дело в том, что сам шум начинает многократно усиливаться.

Стоит задаться еще более масштабным вопросом: почему, если эти долгосрочные прогнозы так плохи, их продолжают публиковать Weather Channel (10-дневные прогнозы) и AccuWeather (сайт, поднимающий планку до 15-дневного прогноза)?

Доктор Роуз считает, что серьезного вреда в этом нет; даже прогноз, основанный исключительно на климатологии, может тем не менее представлять некий интерес для потребителей.

Когда дело заходит о коммерческом прогнозировании погоды, статистическая реальность правильности перестает быть самым главным условием. Скорее, ценность в глазах потребителей возникает благодаря ощущению правильности.

Например, коммерческие синоптики редко предсказывают, что вероятность дождя составляет именно 50 %. С точки зрения потребителей, это может свидетельствовать об определенной нерешительности и желании избежать конкретики{277}. Вместо этого они бросают монетку и округляют цифру до 60 или 40 %, хотя это делает прогнозы менее точными и менее честными{278}.

Флер также обнаружил еще один вопиющий пример фальсификации цифр, описывающий, пожалуй, один из самых главных секретов в прогнозной отрасли. Большинство коммерческих прогнозов погоды искажено, и, возможно, сознательно. В частности, прогнозы чаще говорят об осадках, чем они выпадают на самом деле{279}. Метеорологи называют это «сдвигом в сторону осадков»». Чем дальше вы отклоняетесь от исходных данных, предоставленных правительством, и чем больше потребителей изучают ваши прогнозы, тем сильнее становятся искажения. Прогнозы «добавляют ценность», уменьшая при этом правильность.

Как понять, что ваш прогноз неверен

Один из самых важных тестов любого прогноза – и я бы даже сказал, что самый важный{280}, – носит название калибровки. Насколько часто сбывались ваши прогнозы о том, что вероятность выпадения осадков составляет 40 %? Если в долгосрочной перспективе дождь действительно шел примерно в 40 % случаев, это значит, что ваши прогнозы хорошо откалиброваны. Если на самом деле дождь шел в 20 или 60 % случаев, о хорошей калибровке говорить не приходится.

Во многих областях добиться хорошей калибровки непросто. Для ее применения требуется, чтобы вы думали в понятиях вероятности, а это не очень хорошо получается у большинства из нас (включая и большинство «экспертов»-прогнозистов). По сути, такой подход предполагает борьбу с чрезмерной уверенностью в себе, которая в немалых дозах присутствует у большинства прогнозистов. Помимо этого, оценка предполагает изучение большого объема данных, то есть сотен созданных прогнозов[70].

Метеорологи вполне соответствуют этому стандарту. Они ежедневно прогнозируют температуру и вероятность дождя и других осадков в сотнях городов. В течение любого года они создают десятки тысяч прогнозов.

Подобная высокая частота прогнозов невероятно полезна не только в тех случаях, когда мы хотим оценить прогноз, но также и для самих прогнозистов – они будут получать заметную обратную связь, если делают что-то не так, а следовательно, и изменить свой курс. Например, некоторым компьютерным моделям свойственно проявлять небольшое искажение{281} – они прогнозируют дождь чаще, чем тот идет на самом деле. Однако как только вам становится известно об этом искажении, вы можете его скорректировать. Аналогичным образом вы можете довольно быстро понять, что ваши прогнозы чересчур оптимистичны.

Оказалось, что прогнозы Национальной службы погоды на удивление хорошо откалиброваны{282} (рис. 4.7). Когда в ее прогнозе говорится, что вероятность дождя составляет 20 %, он действительно идет в 20 % случаев. Эта служба хорошо воспользовалась обратной связью, и ее прогнозы достаточно точны и честны.

Рис. 4.7. Оценка калибровки прогнозов Национальной службы погоды – расхождение между прогнозируемым и реальным выпадением осадков

Метеорологи Weather Channel немного лукавят, но при определенных условиях. Например, исторически сложилось так, что, когда они говорят о том, что вероятность дождя – 20 %, в реальности в эти дни дождь идет лишь в 5 % случаев{283}. Это делается сознательно, и Weather Channel даже согласен это признать. Все дело в экономических стимулах.

Люди замечают один тип ошибки – неспособность предсказать дождь – значительно чаще, чем другой – ложную тревогу. Если дождь начинается, когда не должен, они проклинают синоптиков за то, что им приходится отменять пикник, а неожиданный солнечный день воспринимается ими как приятный сюрприз. С научной точки зрения это не очень хорошо, однако как призналась мне доктор Роуз из Weather Channel: «Если бы прогноз был объективным и обладал нулевым искажением с точки зрения частоты и осадков, у нас возникли бы немалые проблемы».

При этом Weather Channel – достаточно консервативная организация (многие зрители даже ошибочно принимают ее за правительственную), и чаще всего она умело соответствует этой роли. Прогнозируемый ею «сдвиг в сторону осадков» ограничен небольшим преувеличением вероятности дождя даже в случае, когда его возникновение почти нереально – например, они говорят о 20 %-ной вероятности, когда ее реальное значение составляет 5 или 10 %. Таким образом она пытается обезопасить себя на всякий неблагоприятный случай. Во всех остальных случаях ее прогнозы хорошо откалиброваны (рис. 4.8). Когда ее сотрудники говорят, например, о 70 %-ной вероятности дождя, этим данным можно верить.

Рис. 4.8. Оценка калибровки прогнозов Weather Channel – расхождение между прогнозируемым и реальным выпадением осадков

Но когда речь заходит о прогнозах погоды на местных телевизионных каналах, можно и голову потерять. Здесь искажение начинает проявляться в полную силу, и правильность и честность страдают сильнее всего.

Канзас-Сити можно считать отличным рынком для прогнозов погоды – тут бывает и палящее жаркое лето, и холодные зимы, торнадо и засухи, а кроме этого, он достаточно велик, и в нем ведется трансляция всех основных кабельных каналов. Житель города по имени Дж. Д. Эгглстон начал отслеживать содержание прогнозов погоды на местных каналах, желая помочь своей дочери-пятикласснице с выполнением домашнего задания. Он посчитал этот анализ крайне интересным делом и занимался им в течение семи месяцев, публикуя результаты своего исследования в блоге Freakonomics{284}.

Телевизионные синоптики обычно не уделяют особого внимания правильности. Напротив, их прогнозы были значительно хуже, чем прогнозы Национальной службы погоды, которые они могли бы бесплатно брать с сайта и транслировать в своих программах. Помимо всего прочего, они были ужасно откалиброваны. Согласно исследованию Эгглстона, в тех случаях, когда метеоролог из Канзас-Сити говорил о том, вероятность дождя составляет 100 %, обещанный дождь так и не начинался в трети случаев (рис. 4.9).

Рис. 4.9. Оценка калибровки прогнозов, передаваемых на местном ТВ-канале, – расхождение между прогнозируемым и реальным выпадением осадков

Синоптики даже не считали нужным за это извиняться. «Точность не входит в число критериев при найме метеорологов на работу. Главное – это не правильность прогноза, а то, как она презентуется», – сказал один из них Эгглстону. «Правильность не особенно важна для зрителей», – говорил другой. Судя по всему, они относятся к своей работе как к милому развлечению: кого волнует небольшое изменение прогноза – «сдвиг в сторону осадков», – если оно идет на пользу телекомпании? А поскольку публика в любом случае не думает, что наши прогнозы достаточно хороши, к чему нам беспокоиться из-за точности?

Эта логика начинает напоминать замкнутый круг. Синоптики на телевидении говорят, что им нет нужды делать точные прогнозы, поскольку, по их мнению, зрители все равно им не поверят. Однако у публики нет оснований им верить, поскольку их прогнозы неточны.

Проблема становится куда более масштабной, когда возникает некое не терпящее отлагательств событие – например, ураган «Катрина». Очень многие американцы получают информацию о погоде из местных источников{285}, а не напрямую от Центра прогнозирования ураганов, поэтому они все равно будут надеяться, что люди с телевизионных каналов станут снабжать их точной информацией. При условии взаимного недоверия между синоптиками и общественностью последняя никогда не будет слушать, даже когда это оказывается самым важным.

Конус хаоса

Макс Мэйфилд сообщил Конгрессу, что он готовился к тому, что ураган, подобный «Катрине», может обрушиться на Новый Орлеан, почти всю свою 60-летнюю жизнь{286}. Мэйфилд вырос в жестких погодных условиях – в Оклахоме, сердце «Аллеи Торнадо» – и начал свою карьеру в области прогнозирования в Военно-воздушных силах, где люди серьезно относятся к риску и создают настоящие боевые планы для противостояния неблагоприятным погодным условиям. Ему потребовалось немало времени, чтобы понять, насколько сложно для Национального центра слежения за ураганами доносить свои прогнозы до широкой публики.

«После урагана “Хьюго” в 1989 г., – вспоминал Мэйфилд, растягивая слова, как истинный уроженец Оклахомы, – я беседовал с ученым из Университета штата Флорида, изучающим проблемы поведения людей. По его словам, люди не реагируют на предупреждения об ураганах. Я почувствовал себя оскорбленным этим замечанием – разумеется, они это делают. Однако впоследствии я понял, что он абсолютно прав. Люди не реагируют на одну лишь фразу “предупреждение об урагане”. Они внимательно относятся к тому, что слышат от местных властей. Вам наверняка бы не понравилось, если бы синоптик или телевизионный диктор принимал решения о том, когда открывать убежища или менять схему дорожного движения».

Под руководством Мэйфилда Национальный центр по слежению за ураганами начал обращать значительно больше внимания на то, как он представлял свои прогнозы. В отличие от сайтов большинства правительственных учреждений, которые выглядят так, будто не обновлялись с первых дней существования интернета, центр уделяет огромное внимание дизайну своих продуктов и создает множество ярких и привлекательных графиков, позволяющих точно и интуитивно уловить информацию по разнообразным параметрам, начиная от скорости ветра и заканчивая силой возможного шторма.

Также Центр слежения за ураганами немало заботится о том, как представлять неопределенность в своих прогнозах. «Неопределенность – это фундаментальный компонент предсказания погоды, – сказал Мэйфилд. – Никакой прогноз не будет полным без описания этой неопределенности в той или иной форме». Вместо того чтобы показывать линию для предсказанной траектории урагана, их графики изображают конус неопределенности. «Некоторые люди называют его конусом хаоса», – рассказывает Мэйфилд. Конус показывает диапазон территории, где, вероятнее всего, приземлится глаз урагана{287}. Но Мэйфилда волнует то обстоятельство, что даже этого недостаточно. Такие важные проблемы, как внезапное наводнение (которое порой бывает чуть ли не опаснее самого урагана), может произойти далеко от центра шторма и значительно позже снижения пиковой скорости ветра. Ни один человек в Нью-Йорке не умер от последствий урагана «Ирен» в 2011 г., несмотря на массовый ажиотаж на тему урагана в СМИ, однако три человека погибли в результате наводнения в имеющем выход к морю Вермонте{288} после того, как телевизионщики выключили свои камеры.

Обычно Центр слежения за ураганами не издает руководств и указаний для местных официальных лиц, например, о способах проведения эвакуации жителей города. Вместо этого данная функция передается 122 местным офисам Национальной службы погоды, которые общаются с губернаторами и мэрами, шерифами и полицейским начальством. Официальная версия – местные власти смогут лучше понимать культуру и людей, с которыми им приходится сотрудничать. После разговора с Мэйфилдом я понял, что неофициальная причина состоит в том, что Центр хочет сохранить свою миссию максимально ясной. Он, и только он, издает прогнозы об ураганах, и ему важно, чтобы эти прогнозы были максимально точными и честными и исключали возможность появления любых потенциальных отвлечений от основной темы.

Однако такой подход – оставаться в стороне – не мог сработать в условиях Нового Орлеана. Мэйфилду было нужно поднять телефонную трубку.

Решения об эвакуации непросты отчасти и потому, что сама по себе эвакуация может оказаться смертельно опасной. Так, автобус с пациентами, эвакуированными из одной из больниц во время другого шторма 2005 г. (урагана «Рита»), попал в аварию и сгорел при выезде из Хьюстона, и в результате погибло 23 пожилых пассажира{289}. «Иметь дело с этими местными начальниками непросто, – говорит Мэйфилд. – Они смотрят на вероятностную информацию и превращают ее в решение. Идти или не идти. Да или нет. Они должны взять вероятностное решение и превратить его в нечто более конкретное».

В данном случае необходимость эвакуации была очевидной, однако сообщение никак не могло достигнуть адресата.

«У нас работал молодой человек по имени Мэттью Грин. Исключительный молодой человек с научной степенью в области метеорологии. Он координировал предупреждения местным властям. Его мать жила в Новом Орлеане. По какой-то причине она решила не покидать город. И вот представьте себе парня, который знает все об ураганах и управлении в кризисных ситуациях и даже не может эвакуировать собственную мать».

Поэтому Центр принялся обзванивать местных официальных лиц по всему побережью. В субботу 27 августа – после того, как прогноз ухудшился, но за два дня до того, как «Катрина» нанесла удар, – Мэйфилд разговаривал с губернатором штата Миссисипи Хейли Барбур, которая тут же распорядилась об обязательной эвакуации из самых уязвимых районов штата{290}, и губернатором штата Луизиана Кэтлин Бланко, объявившей чрезвычайное положение. Бланко сообщила Мэйфилду, что ему стоит позвонить Рэю Нэйджину, мэру Нового Орлеана, который реагировал на происходившее значительно медленнее.

Нэйджин пропустил звонок от Мэйфилда, однако перезвонил ему сам. «Не помню в точности, что я говорил, – рассказывал мне Мэйфилд. – За эти два-три дня мы общались с кучей людей. Однако я абсолютно уверен, что сказал ему о том, что ему нужно принять жесткое решение, потому что на кону стоят жизни многих людей». Мэйфилд посоветовал Нэйджину издать приказ об обязательной эвакуации, и сделать это максимально быстро.

Вместо этого Нэйджин издал документ о добровольной эвакуации. В его администрации царило настроение в духе «все в порядке», но лишь приказ об обязательной эвакуации мог помочь людям почувствовать всю силу угрозы{291}. Без проведения обязательной эвакуации большинство жителей Нового Орлеана просто не могло бы выжить, когда на город в 1965 г. обрушился ураган «Бетси». Те, кто пережил это бедствие, сформировали определенный иммунитет. «Если мне удалось выжить после “Бетси”, я смогу выжить и в следующий раз. Мы умеем справляться с ураганами», – рассказывал позднее официальным лицам пожилой житель города, решивший остаться{292}. Реакция такого рода была вполне типичной. Исследования последствий «Катрины» и других ураганов показали, что человек, переживший один ураган, с меньшей охотой будет эвакуироваться при угрозе нового урагана{293}.

Причины, по которым Нэйджин запоздал с изданием приказа об эвакуации, остаются предметом споров – по одной из версий, он беспокоился из-за того, что владельцы гостиниц могут подать иск против властей, обвинив их в нарушении нормального хода работы{294}. Как бы то ни было, он не объявлял об обязательной эвакуации до 11 часов утра воскресенья{295}. К этому моменту жители, не получившие четких указаний, уже находились в изрядном смятении. Одно из исследований показало, что примерно треть жителей, отказавшихся от эвакуации, не услышали приказа от властей. Еще одна треть услышала его, но посчитала, что в нем нет ясных инструкций{296}. Опросы людей, переживших стихийные бедствия, не всегда надежны – людям сложно выразить, почему они вели себя определенным образом в условиях серьезного эмоционального стресса{297}, и лишь некоторая доля населения всегда скажет о том, что не слышала приказа об эвакуации, даже если он выпущен достаточно рано и повторен несколько раз. Однако в данном случае Нэйджин нес прямую ответственность за значительную часть возникшего смятения.

Разумеется, всегда найдется, кого винить в проблемах, вызванных приходом «Катрины», – в дополнение к Нэйджину можно упомянуть и о роли FEMA[71]. Можно говорить о разной степени доверия к различным источникам – большинство людей эвакуировалось отчасти вследствие точного прогноза, сделанного Центром по слежению за ураганами. Если бы в результате урагана «Бетси» в 1965 г. до того, как появились более надежные прогнозы ураганов, были затоплены дамбы, то количество смертей в итоге могло бы оказаться значительно выше, чем после «Катрины».

Однако урок, который вытекает из опыта с «Катриной», состоит в том, что правильность – это лучшая политика для прогнозиста. С точки зрения прогнозов желание поставить политические соображения, личную славу или экономическое благосостояние выше истины прогноза можно считать настоящим смертным грехом. Иногда это делается с добрыми намерениями, однако всегда приводит к ухудшению прогноза. Центр по слежению за ураганами прикладывает огромные усилия, чтобы не позволять подобным обстоятельствам ставить под сомнение его прогнозы. И, возможно, не случайным является и тот факт, что в противовес всем примерам неудачных прогнозов, приведенных в этой книге, их собственные прогнозы улучшились на 350 % только за последние 25 лет.

«Роль прогнозиста состоит в создании наилучшего из возможных прогнозов», – говорит Мэйфилд. Все очень просто – однако прогнозисты во множестве областей раз за разом делают все не так.

Прохладным апрельским воскресным вечером 2009 г. жители итальянского города Л’Акуила, уже собиравшиеся отправиться ко сну, вдруг почувствовали пару толчков, каждый из которых ощущался немного сильнее, чем те, что вызывает проходящий где-то вдалеке грузовой поезд. Первый из них, который зарегистрировали около 11 часов вечера по местному времени, имел силу 3,9 балла по шкале магнитуд[72] – этого было достаточно, чтобы пощекотать жителям нервы и сдвинуть с места кое-какую мебель, но не более. Второй оказался еще более слабым, магнитудой 3,5 балла, а его силы не хватило бы даже для того, чтобы разбудить крепко спящего человека.

Однако жители Л’Акуилы, расположенной у подножия Апеннинских гор и известной своими лыжными курортами и средневековыми стенами, находились в нервном напряжении: в тот период они ощущали подобные землетрясения чуть ли не постоянно. Воскресные толчки были седьмым и восьмым из них с магнитудой не менее 3 баллов за последнюю неделю. Небольшие землетрясения вполне естественны для этой местности, однако обычно они наблюдаются намного реже – примерно одно в два-три месяца. В этот раз землетрясения происходили чуть ли не в 100 раз чаще.

Жители города Сульмоны, расположенного у подножия одной из соседних гор, совсем незадолго до этого пережили аналогичные страхи, связанные с землетрясениями. Инженер по имени Джанпаоло Джулиани, работавший в итальянском национальном Институте ядерной физики, заявил о том, что ему удалось выявить необычно высокую концентрацию радона в этом регионе. Он предположил, что подобный факт может являться предвестником землетрясения, поэтому Джулиани не поленился сообщить мэру Сульмоны о том, что землетрясение затронет их город в полдень 29 марта. Мэр, впечатленный этим предсказанием, приказал направить в город грузовики с громкоговорителями, чтобы предупредить жителей о надвигающейся угрозе{298}.

Однако в назначенный день землетрясения в Сульмоне так и не было. И так как предсказание не сбылось, местные власти обвинили Джулиани в procurato allarme (паникерстве), по сути, напоминавшем крики о пожаре в переполненном театре. Он был вынужден убрать свои предсказания из интернета, чтобы не раздувать панику в будущем.

Власти Л’Акуилы сообщили жителям, что им не стоит беспокоиться из-за «роя мелких землетрясений»[73]. По словам заместителя руководителя Департамента гражданской обороны Италии Бернардо де Бернардиниса{299}, «рой землетрясений» позволил «сбросить энергию» и уменьшил шансы на крупное землетрясение. Он согласился с репортером, бравшим у него интервью, в том, что им стоит расслабиться и насладиться бокалом вина{300}; де Бернардинис порекомендовал отличный сорт местного вина монтепульчиано.

Однако сильное землетрясение магнитудой 6,3 балла в Л’Акуилe все же произошло. Оно началось в 3:32 утра по местному времени в понедельник. Дома сотрясались до основания, крыши сносило, мебель разбивалась в щепки. Во время землетрясения погибло более 300 жителей, без крыши над головой осталось 65 тыс. человек, а общая величина связанных с ним убытков составила свыше 16 млрд долл.{301}.

Что мы делаем, если наши устои пошатнулись

Л’Акуиле следовало бы лучше подготовиться к землетрясению. Этот город находится неподалеку от особенно опасного типа разлома земной коры, известного как зона субдукции[74], где Африканская плита, одна из восьми основных тектонических плит, покрывающих поверхность Земли, немного проскальзывает вниз, медленно и неминуемо оказываясь под Евразийской. Первое значительное землетрясение в этом районе было зафиксировано в 1315 г., а затем землетрясения вновь происходили в 1349, 1452, 1461, 1501, 1646, 1703 и 1706 гг.{302}; во время самого серьезного из них, в 1786 г., погибло свыше 5000 человек. Каждый раз город восстанавливался и вновь заселялся (часто по прямому указанию папы){303}.

С тех пор Л’Акуила испытывала судьбу на протяжении более чем двух столетий. Землетрясение 1958 г. было довольно слабым, магнитудой 5 баллов{304}, и о нем вспоминали лишь самые старые жители города. Землетрясение 2009 г. оказалось значительно более мощным. Магнитуда оценивается по логарифмической шкале; ее возрастание по шкале на 1 балл соответствует увеличению выброса энергии в 32 раза. Таким образом, землетрясение 2009 г. магнитудой 6,3 балла было в 75 раз более мощным, чем землетрясение 1958 г. И оно было примерно в 3000 раз сильнее колебаний-предвестников, которые Л’Акуила испытала чуть раньше тем же вечером.

При этом, хотя землетрясение 2009 г. и было серьезным, по итальянским стандартам, его вряд ли можно было считать чем-то значительным в глобальном масштабе. Землетрясение, разрушившее Японию в 2011 г., имело магнитуду 9,0 или 9,1 балла, то есть почти в 11 тыс. раз более мощным. А крупнейшее землетрясение, зафиксированное со времен начала надежных расчетов и обрушившееся на Чили в 1960 г., имело магнитуду 9,5 балла, то есть было почти в 60 тыс. раз сильнее, чем землетрясение в Л’Акуиле.

Почему же тогда Л’Акуила – довольно зажиточный город в богатой, промышленно развитой стране – подверглась столь значительным разрушениям? Одна из причин – геологическое строение местности: Л’Акуила располагается на древнем озерном пласте, усиливающем любые колебания Земли. На таком же пласте построен Мехико-Сити{305}, и во время землетрясения 1985 г., эпицентр которого находился на удалении 200 миль, в городе погибло 10 тыс. жителей.

Однако основная причина проста и заключается в том, что жители города были благодушны и слишком спокойно относились к сейсмической угрозе, находившейся всего в 15 км ниже уровня земли. В городе не было ничего, что хоть как-то демонстрировало бы надлежащий уровень готовности к землетрясениям{306}: ни норм на строительство, ни запасов предметов первой необходимости, ни тренировок населения. В результате землетрясения разрушились не только столетние здания, но и множество новых, в том числе крыло госпиталя, выстроенного не далее как в 2000 г. Даже небольшое заблаговременное предостережение могло бы спасти огромное количество жизней.

Но можно ли считать предостережением заявление Джанпаоло Джулиани? В итальянских таблоидах его изображали как настоящего подвижника и мученика. Этот человек с мягким голосом и растрепанными волосами, часто одевавшийся в форму местной футбольной команды, играл роль скромного государственного служащего или рассеянного профессора, открытия которого были проигнорированы научным истеблишментом. Он заявил, что предупредил о землетрясении в Л’Акуиле всех своих друзей и членов семьи и что полиция не дозволила ему рассказать об этом остальным. Также он потребовал, чтобы власти принесли извинения – не ему лично, а жителям Л’Акуилы.

Стоит помнить, что на самом деле Джулиани не предсказывал землетрясения. Его прогноз был вполне конкретным – риску подвергалась Сульмона, а не Л’Акуила, а само землетрясение должно было произойти в марте, а не в апреле. По сути, он даже сообщил местной газете о том, что опасность миновала. «Если говорить просто, – заявил он, прежде чем пуститься в бессвязные рассуждения о лунных циклах, – система Земля – Луна оказалась на уровне перигелия… минимального расстояния от Земли и на одной линии с планетой Венера… думаю, что могу успокоить моих соотечественников, поскольку «рой землетрясений» будет уменьшаться с конца марта»{307}.

Перигелий с планетой Венера? Газ радон? Что общего у всего этого с землетрясением? А что можно сказать о неудачном предсказании Джулиани относительно Сульмоны? Казалось, что все это не имеет никакого значения. Когда случается катастрофа, мы принимаемся искать сигнал в шуме – мы ищем хоть какое-то объяснение окружающего нас хаоса и пытаемся вновь навести порядок в мире. И лучшим, что было в нашем распоряжении в тот момент, оказались путаные объяснения Джулиани.

Никакой другой тип катастрофы не разрушает наше ощущение порядка так, как землетрясения. Они буквально потрясают нас до самого основания. Если ураганы спускаются на нас с небес и иногда даже ассоциируются с Божьей волей[75], то землетрясения возникают глубоко под землей и порой воспринимаются как знаки гнева Бога{308}, его безразличия{309} или даже отсутствия (Лиссабонское землетрясение 1755 г. стало одной из искр, из которых разгорелось пламя светской философии{310}). И если ураганы – равно как и наводнения, торнадо и извержения вулканов – часто можно предсказывать заранее, усилия множества ученых на протяжении столетий так и не дали нам надежного инструмента для предсказания землетрясений.

Волшебные жабы и поиск Святого Грааля

Город Пасадена, штат Калифорния, уже давно считается мировым эпицентром исследований в области землетрясений. Именно там находится Калифорнийский технологический институт, в котором Чарльз Рихтер разработал в 1935 г. свою знаменитую логарифмическую шкалу. Также там располагается один из офисов Службы геологии, геодезии и картографии США (USGS), в котором работает большое количество специалистов по исследованию землетрясений. Я поехал туда в сентябре 2009 г., чтобы встретиться с доктором Сьюзен Хоф, одной из ведущих сейсмологов USGS и автором ряда книг по вопросу предсказания землетрясений. Она с немалым подозрением изучила телевизионные интервью Джулиани, а затем написала яркую редакторскую статью в газете New York Times{311}, где раскритиковала как самого Джулиани, так и внимание, которое ему уделялось.

По мнению, высказанному Хоф, успех Джулиани был результатом совпадения. «Все услышали о предсказаниях Джулиани только потому, что оно смогло выплыть на поверхность, – писала она. – Но я знаю массу других [неверных] предсказаний, о которых широкая публика никогда не слышала». Если в мире есть сотни людей, пытающихся обратить внимание на свои прогнозы, и при этом ежегодно происходят сотни землетрясений, то кому-то неминуемо удастся попасть со своим прогнозом в цель.

Теории Джулиани о радоне и лунных циклах неоднократно изучались{312}, однако, по мнению признанных сейсмологов, данные теории не могут использоваться для достоверного предсказывания землетрясений. Джулиани просто повезло, как везет обезьянке, которой удается напечатать на машинке текст пьесы Шекспира, или осьминогу, успешно предсказавшему результаты Кубка мира по футболу.

Офис Хоф в USGS располагается в тихом уголке университетского кампуса, где количество эвкалиптовых деревьев намного превышает количество находящихся в этом районе студентов. Во время нашей встречи Хоф выглядела немного уставшей от странствий – она только что вернулась из Турции, где изучала систему разломов коры при землетрясениях. Эта женщина с мягкими манерами, темными глазами и вьющимися волосами общается в устало-скептическом тоне. «А какова ваша основная работа?» – озадачила она меня вопросом уже через несколько минут после знакомства.

В какой-то момент во время разговора она взяла со стола небольшой глобус, наподобие тех, что продаются в сувенирных лавках аэропортов, и провела указательным пальцем линию в направлении востока и юго-востока, начав с Японского моря.

«Самые разрушительные землетрясения концентрируются в этом поясе – от южного Китая до Греции, – объяснила Хоф. – Это довольно сложная зона – в ней располагается множество зданий с довольно уязвимой конструкцией. Крупное землетрясение где-нибудь под Тегераном может убить миллион человек».

Фактически почти все самые ужасные землетрясения в современной истории (рис. 5.1) произошли на отмеченном Хоф пути, проходящем через колыбель цивилизации на Ближнем Востоке и некоторые самые густонаселенные регионы на планете, включая Китай и Индию. Эти регионы, часто бедные и перенаселенные, порой просто не имеют возможности подготовиться даже к одной катастрофе в 300 лет. Однако, если землетрясения в них все же происходят, последствия бывают катастрофическими, а количество жертв измеряется сотнями тысяч[76].

Рис. 5.1. Расположение мест, где произошли землетрясения с наибольшим количеством жертв, начиная с 1900 г. Размер кругов соответствует количеству жертв. Источник: USGS

Во время землетрясений погибает больше людей, чем при ураганах{313}, несмотря на то что происходят они значительно реже{314}. Возможно, это связано с тем, что обычно не удается сделать достаточно точные предсказания их времени и места. Если в наши дни точность предсказания места зарождения урагана в три и более раз выше, чем 25 лет назад, то наука прогнозирования землетрясений почти не развилась с IX в. н. э., когда японцы впервые заявили о возможности предсказывать землетрясения, основываясь на изучении поведения сомов{315} (в различные периоды времени сообщалось также о необычном поведении коров, свиней, угрей, крыс, попугаев, чаек, черепах, золотых рыбок и змей в преддверии землетрясений).

Чудаков типа Джулиани до сих пор принимают всерьез, причем не только в итальянских таблоидах{316}. Калифорнийский Центр по предсказаниям землетрясений ежегодно получает сотни неожиданных прогнозов землетрясений, большинство из которых, по словам представителя агентства, «описывает странное поведение домашних питомцев, интуицию, ноющие кости тети Агаты или другие таинственные знаки и предзнаменования, которые ученые просто не понимают»{317}. При этом некоторые публикации в научной прессе сложно отличить от средневекового японского фольклора. В одной из работ 2010 г.{318}, опубликованной в сравнительно престижном журнале Journal of Zoology, сообщалось о том, что жабы в пруду, расположенном в 80 км от Л’Акуилы, перестали квакать за пять дней до крупного землетрясения{319}. Примечательно, что, по мнению авторов, это было достаточным свидетельством того, что жабы способны предсказывать землетрясения.

Именно такие исследования больше всего и огорчают Хоф. «Если оглянуться назад, скажем, в 1970‑е, то можно увидеть, как у людей появлялась какая-то идея, которая вселяла в них оптимизм, но потом, когда проходило лет десять, и этот метод отвергался, – рассказывала она мне. – Через десять лет у вас появлялся очередной новый метод, а еще через десять лет отказывались и от него. Большинство ведущих ученых занимаются поисками Святого Грааля, который, возможно, вообще не существует».

Опровергнуть версии Джулиани, связанные с влиянием Венеры или со способностями жаб, очень легко, но есть ли у нас хоть какой-то другой способ предсказать землетрясение? Что можно сказать о «рое мелких землетрясений» в окрестностях Л’Акуилы перед Большим Ударом? Было ли это простым совпадением? Сейсмологическое сообщество известно своим консерватизмом. Например, оно довольно медленно принимало теорию тектоники плит{320} – широко распространенного в настоящее время мнения о том, что основной причиной землетрясений служит смещение континентальных плит Земли. Идея была предложена еще в 1912 г., однако ученые согласились с ней лишь в 1960‑е. Может быть, скепсис Хоф уже превратился в цинизм?

Официальная позиция USGS еще более эмпатична – согласно ей, землетрясения невозможно предсказать. «Ни USGS, ни представителям Калифорнийского института, а также никаким другим ученым никогда не удавалось предсказать значительное землетрясение, – утверждается на сайте организации{321}. – Неизвестно, как это делать, и мы не ожидаем, что будем знать, как это делать, в обозримом будущем».

Действительно ли предсказывать землетрясения невозможно? Эта книга рассказывает о предсказаниях, а не занимается предсказаниями, однако сейчас я хочу выступить с заявлением – я прогнозирую, что в следующем году в Японии будет больше землетрясений, чем в Нью-Джерси. Я также предсказываю, что в какой-то момент в течение следующей сотни лет серьезное землетрясение произойдет где-то в Калифорнии{322}.

Мы вместе с USGS играем в семантические игры. Понятия «предсказание» и «прогноз» по-разному используются в различных областях человеческой деятельности; в некоторых случаях они могут считаться синонимами, а в других между ними проводится четкое различие. Вряд ли найдется отрасль науки, более чувствительная к этому различию, чем сейсмология.

1. Предсказание – это конкретное и детальное заявление о том, когда и где ударит землетрясение: 28 июня в Киото, Япония, произойдет сильное землетрясение.

2. Прогноз же представляет собой вероятностное заявление, обычно рассматривающие возможность события в течение более длительного периода: вероятность землетрясения в Южной Калифорнии в ближайшие 30 лет составляет 60 %.

Официальная позиция USGS состоит в том, что землетрясения невозможно предсказать. Однако их можно спрогнозировать.

Что мы знаем о том, как часто и какими бывают землетрясения

При внимательном изучении сайта USGS вы найдете там множество инструментов, помогающих прогнозировать землетрясения. Один из них позволяет вам ввести широту и долготу для любой точки на территории США, после чего он выдаст вам долгосрочную вероятность землетрясения в ней{323}.

Из данных, приведенных в табл. 5.1, можно увидеть, какова вероятность землетрясений в нескольких крупных городах США, по данным USGS. Мы знаем, что Калифорния сейсмически активна; по расчетам USGS, землетрясение с магнитудой 6,8 балла или выше будет происходить в районе Сан-Франциско примерно каждые 35 лет. Многие также знают, что множество землетрясений происходило и на Аляске – в 1964 г. в районе Анкориджа произошло второе по величине из известных нам землетрясений с магнитудой 9,4 балла.

Таблица 5.1. Частота сильных (магнитуда ≥ 6,75 балла) землетрясений в пределах 80-километрового радиуса от некоторых городов США

Но доводилось ли вам слышать о Чарльстоне, штат Южная Каролина? Это тоже сейсмически активная зона; в 1886 г. там произошло землетрясение магнитудой 7,3 балла. USGS считает, что в этом районе крупное землетрясение будет происходить примерно 1 раз в 600 лет. Если же вы живете в Сиэтле, то вам стоит подготовить план действий на случай землетрясения; по мнению USGS, опасность землетрясения в нем выше, чем во многих частях Калифорнии. Возможно, такой план не потребуется жителям Денвера, находящегося на безопасном расстоянии от границ континентов.

На сайте USGS можно найти довольно много конкретной и удобной для анализа информации. Это может показаться странным для организации, утверждающей невозможность предсказания землетрясений. Однако прогнозы USGS основаны на широко используемом сейсмологическом инструменте, именуемом законом Гутенберга – Рихтера. Теория, созданная Чарльзом Рихтером и его коллегой из Калифорнийского технологического института Бено Гутенбергом в 1944 г., основана на эмпирической статистике землетрясений. Согласно ей, существует сравнительно простая связь между магнитудой землетрясения и частотой его возникновения.

Сравнив частоту землетрясений с их магнитудами, можно обнаружить, что количество землетрясений снижается по мере роста магнитуды. Если катастрофических землетрясений довольно мало, то незначительных землетрясений – буквально миллионы: ежегодно в мире происходит примерно 1,3 млн землетрясений с магнитудой от 2,0 до 2,9 балла{324}. Большинство из них остается незамеченными, как людьми, так и сейсмометрами{325}. Однако в наши дни приборы улавливают почти все землетрясения с магнитудой 4,5 балла и выше (хотя не всегда точно оценивают их местоположение). На рис. 5.2а показана экспоненциальная зависимость частоты землетрясений от их магнитуды, основанная на фактической статистике землетрясений с января 1964 г.{326} по март 2012 г.{327}.

Рис. 5.2а. Зависимость частоты землетрясений в год от их магнитуды по всему миру, январь 1964 г. – март 2012 г.

Однако если немного изменить этот график, то можно выявить потрясающую закономерность. На графике, приведенном на рис. 5.2б, по вертикальной оси показана частота землетрясений с различными магнитудами в логарифмическом масштабе[77]. Теперь линия на графике становится почти ровной. Подобный вид графика характерен для так называемого степенного распределения, и именно эту связь удалось установить Рихтеру и Гутенбергу.

Рис. 5.2б. Зависимость частоты землетрясений в год от их магнитуды по всему миру, январь 1964 г. – март 2012 г.; логарифмическая шкала

Данные, соответствующие этому распределению, обладают очень полезным свойством – вы можете спрогнозировать некоторое количество масштабных явлений на основе менее значительных, и наоборот. Что касается землетрясений, то оказалось, что при каждом повышении магнитуды на один пункт частота землетрясений снижается примерно в 10 раз. Например, землетрясения с магнитудой 6 баллов возникают в десять раз чаще, чем с магнитудой 7 баллов, и в 100 раз чаще, чем с магнитудой 8 баллов.

Более того, соответствие закону Гутенберга – Рихтера наблюдается как в отдельных регионах, так и по всей планете. Предположим, к примеру, что мы хотим составить прогноз землетрясений для иранской столицы Тегерана. К счастью, с момента начала сейсмологических замеров в этом регионе не было никаких катастрофических землетрясений. Однако за период между 1960 и 2009 гг. в окрестности города произошло около 15 землетрясений с магнитудой от 5,0 до 5,9 балла{328}. Иными словами, в среднем одно подобное землетрясение происходит раз в три года. Согласно выводам Гутенберга и Рихтера, это значит, что в Тегеране примерно раз в 30 лет может произойти землетрясение с магнитудой, величина которой находится между значениями 6,0 и 6,9 балла.

Также из этого следует, что раз в 300 лет в районе Тегерана может произойти землетрясение с магнитудой от 7 баллов. Именно такого землетрясения боится Сьюзен Хоф. Землетрясение магнитудой 7 баллов на Гаити, случившееся в 2010 г. и погубившее 316 тыс. человек{329}, продемонстрировало апокалиптические последствия подобных событий для развивающегося мира. Многие из проблем Ирана аналогичны проблемам Гаити – бедность, низкий контроль над соблюдением строительных норм, политическая коррупция{330}, – однако плотность населения в Иране значительно выше. По расчетам USGS, с учетом показателей общей смертности в стране, в случае катастрофического подземного толчка может погибнуть от 15 до 30 % населения Тегерана{331}. Поскольку в ареале Тегерана живет около 13 млн человек, количество жертв может составить от 2 до 3 млн.

Из того факта, что частота землетрясений и их магнитуда подчиняются закону Гутенберга – Рихтера, вовсе не следует, что мы можем узнать, когда именно произойдет землетрясение (также не следует, что в Тегеране «неминуемо» случится землетрясение, если только другое землетрясение не произошло там совсем недавно). У таких стран, как Иран и Гаити, нет возможности реализовывать планы действий в отношении события, происходящего раз в 300 лет. Прогнозы землетрясений, созданные на основе закона Гутенберга – Рихтера, дают лишь общее руководство по оценке степени угрозы в том или ином регионе. Прогнозы погоды, основанные лишь на исторической статистике (в марте в Лондоне дождь идет 35 % времени), не всегда превращаются в применимые на практике знания (брать ли мне с собой зонт или нет?). В геологии временны́е срезы охватывают века или даже тысячелетия; а срок человеческой жизни измеряется не секундами, а годами.

Искушение сейсмологов

На самом деле сейсмологи заинтересованы иметь то, что Сьюзен Хоф называет «Святым Граалем» сейсмологии, – прогнозы, связанные со временем, согласно которым вероятность землетрясения не считается равномерно распределенной во времени. Даже те из них, кто скептично относится к возможности делать подобные прогнозы, признают, что в распределении землетрясений по времени присутствуют определенные закономерности. А самая очевидная из них – наличие повторных сейсмических ударов (также называемых афтершоками).

После крупных землетрясений почти всегда возникают десятки или даже тысячи афтершоков (после землетрясения 2011 г. в Японии ученые насчитали не менее 1200). Эти афтершоки следуют довольно предсказуемой тенденции{332}. Они возникают значительно чаще сразу же после землетрясения, чем через несколько дней после него, и значительно чаще, чем через несколько недель.

Однако знание этого обстоятельства не особенно помогает нам, когда речь заходит о спасении человеческих жизней. Прежде всего потому, что афтершоки, по определению, всегда слабее изначального землетрясения. Обычно, если какой-то разлом земной коры вызывает достаточно мощное землетрясение, количество афтершоков будет небольшим, и на какой-то момент в регионе воцарится спокойствие. Однако так происходит не всегда. Например, невероятно сильное землетрясение, произошедшее в районе Нью-Мадридского геологического разлома на границе штатов Миссури и Теннесси 16 декабря 1811 г. и оцененное сейсмологами в 8,2 балла, произошло всего через шесть часов после другого удара примерно той же силы. Но на этом дело не закончилось – после землетрясений 16 декабря произошло еще одно землетрясение силой 8,1 балла (23 января), а затем еще одно, даже более мощное – силой 8,3 балла (7 февраля). Какие из них можно было бы считать предвестниками, а какие – афтершоком? Любая версия будет в данном случае бессмысленной.

Разумеется, главный вопрос состоит в том, способны ли мы предсказать землетрясения заранее и можем ли мы отличить предвестника от афтершока? И когда мы смотрим на данные по распределению землетрясений во времени и пространстве, у нас появляется искушение предположить, что в шуме может иметься какой-то сигнал.

Например, на рис. 5.3a показано распределение землетрясений, произошедших вблизи Л’Акуилы{333} за период с 2006 г. до момента возникновения землетрясения 2009 г. магнитудой 6,3 балла{334}. На графике кружками, за исключением большого черного круга (относящегося к основному землетрясению), отмечены время и магнитуда других землетрясений, произошедших ранее. В случае Л’Акуилы ситуация представляется довольно ясной. Непосредственно перед ударом 2009 г. в регионе произошел целый ряд землетрясений силой до 4 баллов – что было значительно выше прежнего уровня сейсмической активности.

Рис. 5.3а. Соотношение между землетрясениями, произошедшими вблизи Л’Акуилы (Италия) за период с 1 января 2006 г. по 6 апреля 2009 г., и их магнитудами

Менее очевидной представляется ситуация с землетрясением 2011 г., произошедшим в Японии. На графике, сделанном для региона Тохоку (рис. 5.3б), мы прежде всего видим, что эта местность сейсмически более активна, чем окрестности Л’Акуилы в Италии. Однако можно ли выявить на нем какие-то закономерности в распределении землетрясений по времени? Судя по всему, да; например, выделяется группа землетрясений силой от 5,5 до 7 баллов, произошедших в середине 2008 г. Однако они не сопровождались более масштабным землетрясением. При этом заметен особенно крупный предварительный толчок силой 7,5 балла (9 марта 2011 г.), случившийся примерно за 50 часов до землетрясения магнитудой 9,1 балла в Тохоку{335}.

Рис. 5.3б. Соотношение между землетрясениями, произошедшими вблизи Тохоку (Япония) за период с 1 января 2006 г. по 11 марта 2011 г., и их магнитудами

Однако заметные предвестники возникают лишь у половины значительных землетрясений{336}. На Гаити их не было (рис. 5.3в). К сожалению, в большинстве карибских регионов имеется недостаточно инструментов для проведения замеров, поэтому у нас нет данных о землетрясениях магнитудой 2 и 3 балла, однако сейсмометры в США и других регионах способны уловить колебания на уровне 4 баллов и больше. Последний раз землетрясение магнитудой 4 балла в этом регионе зарегистрировано в 2005 г., то есть за пять лет до 7-балльного землетрясения 2010 г. Иными словами, не было никаких предупреждающих сигналов.

Еще сильнее ситуацию усложняют ложные сигналы – периоды повышенной сейсмической активности, не завершающиеся значительными толчками. Сейсмологи отлично помнят целый ряд небольших землетрясений, произошедших около города Рино, штат Невада, в начале 2008 г.

Рис. 5.3 в. Соотношение между землетрясениями, произошедшими вблизи Леогана (Гаити) за период с 1 января 2000 г. по 12 января 2010 г., и их магнитудами

«Рой землетрясений» в Рино напоминает тот, что наблюдался в Л’Акуиле в 2009 г. Однако он так и не привел ни к чему значительному; самое значительное землетрясение в серии имело магнитуду 5,0 (рис. 5.3 г).

Рис. 5.3 г. Соотношение между землетрясениями, произошедшими вблизи Рино, штат Невада, за период с 1 января 2006 г. по 31 декабря 2011 г., и их магнитудами

И это всего лишь часть того невообразимого массива данных, с которым работают сейсмологи. Он ввергает их в мучительное состояние: с одной стороны, этот массив не случаен, а с другой – недостаточно предсказуем. Возможно, мы могли бы хоть как-то продвинуться вперед в области прогнозирования землетрясений, даже если и не получится делать точные предсказания. Однако все прежние попытки предсказать землетрясения почти всегда завершались полной неудачей.

Парад неудачных прогнозов

Изданная в 2009 г. книга Сьюзен Хоф «Предсказывая непредсказуемое: волнующая всех наука о предсказаниях землетрясений» (Hough S. «Predicting Unpredictable: Tumultuous Science of Earthquake Prediction») представляет собой своеобразную историю попыток предсказать землетрясения, и, судя по всему, они оказались ненамного успешнее, чем прогнозы политических экспертов, о которых писал Фил Тетлок в своем исследовании.

В общем, в этой области в целом особый прогресс не наблюдается, однако можно увидеть много ложных сигналов.

Лима, Перу

Один из самых печально известных случаев неудачных прогнозов связан с Брайаном Брэди, получившим докторскую степень в МТИ и работавшим в Колорадском горном училище. По его расчетам, в 1981 г. в районе столицы Перу Лимы должно было произойти землетрясение магнитудой 9,2 балла – одно из крупнейших за всю историю наблюдений{337}. Поначалу его предсказание получило определенную поддержку в сейсмологическом сообществе – ее ранняя версия была создана в сотрудничестве с ученым из USGS. Однако затем Брэди начал включать в нее множество новых элементов – от анализа горных пород, которые он исследовал в годы занятий горным делом, до теории относительности Эйнштейна. По мере того как теория становилась все более сложной, коллеги начали все чаще говорить ему о том, что перестают понимать ее суть{338}: то есть, мягко говоря, что он сошел с ума. В какой-то момент Брэди предсказал, что землетрясение магнитудой 9,2 балла будет лишь первым в ряду землетрясений в Перу, а кульминацией станет рекордное землетрясение в августе 1981 г. магнитудой 9,9 балла{339}.

Предсказание просочилось в перуанские СМИ и изрядно напугало население; казавшийся серьезным американский ученый был убежден, что столица страны скоро окажется в руинах. Их тревога лишь усилилась после новостей о том, что перуанский Красный Крест в рамках подготовки к возможному бедствию затребовал 100 тыс. мешков для захоронения трупов. Снизился наплыв туристов, и упали цены на недвижимость{340}. Со временем правительство США отправило в Перу группу ученых и дипломатов с целью успокоить нервы жителей. Новость о том, что в 1981 г. Большое Перуанское землетрясение так и не произошло (равно как и небольшое), попала на первые страницы многих газет.

Паркфилд, штат Калифорния

Несмотря на то что история в Лиме наглядно показала, что ложные тревоги оказывают значительное психологическое и экономическое влияние на население, сейсмологи продолжили поиски святого Грааля. Если Брэди можно было назвать одиноким волком, то известны и другие случаи, когда предсказание землетрясения получало более явную поддержку со стороны USGS и широкого сейсмологического сообщества. Однако и среди них трудно найти примеры удачных предсказаний.

Одной из самых активно изучаемых сейсмических зон в мире является Паркфилд, штат Калифорния, располагающийся вдоль разлома Сан-Андреас (в районе, ограниченном Фресно и Бейкерсфилдом). В течение довольно длительного времени с интервалами примерно в 22 года, то есть в 1857, 1881, 1901, 1922, 1934 и 1966 гг., в Паркфилде возникали землетрясения. В одном из научных исследований, профинансированном USGS{341}, был описан тренд и дан прогноз, что с вероятностью в 95 % в период между 1983 и 1993 гг. (а скорее всего, в 1988 г.) в этом районе произойдет очередное землетрясение. Однако в реальности более-менее заметное землетрясение произошло в Паркфилде лишь в 2004 г., что явно не соответствовало предсказанию.

Помимо того что предсказание землетрясений в Паркфилде было ошибочным, оно усилило популярное заблуждение о том, что эти события происходят через равные промежутки времени и что региону «суждено» пережить землетрясение, если оно не наблюдалось там в течение какого-то времени в прошлом. Землетрясения возникают в результате роста напряжения вдоль линий разлома. Напряжение нарастает, пока не происходит выброс наподобие того, как из гейзера выбивается струя горячей воды. Затем напряжение спадает, и процесс начинается с самого начала.

Однако система разломов довольно сложна – регионы, подобные Калифорнии, имеют множество разломов, и каждый из них обладает собственными особенностями и спецификой. В результате землетрясения может произойти частичное снижение напряжения на одном участке разлома, но оно может передаться соседним или даже отдаленным уголкам того же разлома{342}. Более того, напряжение на разломе сложно зафиксировать напрямую до тех пор, пока не произойдет землетрясение.

То есть если в Сан-Франциско в соответствии с прогнозом значительное землетрясение происходит каждые 35 лет, из этого вовсе не следует, что такие события распределяются равномерно (например, в 1900, 1935, 1970 гг.). Правильнее предположить, что вероятность ежегодных землетрясений составляет 1 из 35, и что это соотношение не будет особенно сильно меняться со временем вне зависимости от того, сколько времени прошло с предыдущего.

Пустыня Мохаве, штат Калифорния

Казалось, что после фиаско Брэди и Паркфилда интерес к попыткам предсказывать землетрясения утихнет. Однако он вернулся в 2000‑х гг. с удвоенной силой, и произошло это благодаря появлению методов прогнозирования, основанных на статистике.

Один из таких методов активно выдвигался Владимиром Кейлисом-Бороком, родившимся в России, математиком и геофизиком, который, несмотря на то, что ему уже далеко за 80, до сих пор преподает в Калифорнийском университете. Кейлис-Борок многое сделал для развития теории формирования землетрясений. Впервые его взгляды стали известны широкой публике после того, как в 1986 г., во время встречи на высшем уровне в Рейкьявике с Михаилом Горбачевым, президенту Рейгану передали лист бумаги с предсказанием сильного землетрясения, которое должно будет произойти в течение ближайших пяти лет в Соединенных Штатах. Позднее многие согласились с тем, что речь шла о землетрясении в Лома-Приета, обрушившемся на Сан-Франциско в 1989 г.{343}.

В 2004 г. Кейлис-Борок со своей командой заявил о том, что им удалось достичь «значительного прогресса» в предсказании землетрясений{344}. Выявляя закономерности при изучении слабых землетрясений в заданном регионе, исследователи могли, по их собственным словам, предсказывать более значительные. Для этого Кейлис-Борок использовал достаточно сложные и туманные методы{345}. Каждое из землетрясений, имевших место в прошлом, описывалось серией из восьми уравнений, применявшихся для различных комбинаций времени и пространства. Однако, по словам команды, этот метод позволил достаточно точно предсказать землетрясения 2003 г. в Сан-Симеоне, штат Калифорния, и на острове Хоккайдо в Японии.

Остается не до конца понятным, действительно ли исследователи выступили с публичными и заблаговременными заявлениями о землетрясениях в Сан-Симеоне и на Хоккайдо{346}; поиск по текстам газетных статей за 2003 г. через систему Lexis-Nexis не привел к каким-либо результатам{347}. При оценке успеха того или иного метода прогнозирования крайне важно разделять сами предсказания и последующие рассказы о них; предсказание прошлого представляет собой явный оксюморон, и очевидно, что его не стоит относить к примерам успеха{348}.

Однако к январю 2004 г. Кейлис-Борок довольно громко заявил о другом своем предсказании: в течение следующих девяти месяцев землетрясение магнитудой не менее 6,4 балла должно было произойти в пустыне Мохаве в Южной Калифорнии{349}. Это заявление привлекло всеобщее внимание: Кейлису-Бороку были посвящены статьи в журнале Discover, газете Los Angeles Times и примерно в десятке других значимых изданий. Ему позвонили из офиса губернатора Шварценеггера; власти собрали чрезвычайное заседание. Даже знаменитые своим скепсисом сотрудники USGS были готовы уделить этой информации внимание; на сайте института было написано, что «работа команды Кейлиса-Борока основывается на вполне разумном подходе к исследованиям в области предсказания землетрясений»{350}.

Однако крупного землетрясения в пустыне Мохаве не произошло ни в тот год, ни в последующее десятилетие. Команда Кейлиса-Борока продолжала выступать со своими предсказаниями землетрясений в Калифорнии, Италии и Японии, но без особого успеха: проведенный в 2010 г. анализ показал, что прогнозы оказались точными лишь в трех случаях, а в 23 были ошибочными{351}.

Суматра, Индонезия

Но в предсказаниях землетрясений встречаются ошибки и иного рода: прогнозируется, что в каком-то регионе землетрясение заданной магнитуды маловероятно или невозможно, – а затем оно вдруг происходит. Дэвид Боумэн, бывший ученик Кейлиса-Борока, возглавляющий в настоящее время департамент геологических наук в Университете штата Калифорния в Фуллертоне, удвоил свои усилия по предсказанию землетрясений после землетрясения 2004 г. на Суматре – ужасающего бедствия с магнитудой 9,2 балла, приведшего к возникновению цунами и гибели 230 тыс. человек.

Методика Боумэна (как и Кейлиса-Борока) базировалась на серьезном математическом аппарате и использовала землетрясения средней силы для предсказаний более значительных{352}. Однако это был более элегантный и амбициозный подход. Боумэн предложил теорию, в рамках которой попытался дать количественную оценку величине напряжения в различных точках в системе разломов. В отличие от подхода Кейлиса-Борока, метод Боумэна позволял предсказывать вероятность землетрясения в любой части разлома. Таким образом, он мог предсказать не только где может произойти землетрясение, но и те участки земной поверхности, где его возникновение было бы маловероятным.

Поначалу Боумэн и его команда достигли определенного успеха; его метод позволил выявить зону риска на Суматре, в эпицентре которой в марте 2005 г. произошел серьезный афтершок с измеренной магнитудой 8,6 балла. Однако в научной работе, которую он опубликовал в 2006 г., было высказано предположение, что риск землетрясений в другой части разлома, в Индийском океане недалеко от индонезийской провинции Бенкулу особенно мал{353}. Но уже через год, в сентябре 2007 г., целый ряд землетрясений произошел именно в этой области, причем магнитуда самого сильного из них достигала 8,5 балла. К счастью, землетрясения произошли достаточно далеко от берега и привели к незначительным жертвам. Однако они оказались разрушительными для теории Боумэна.

Между молотом и наковальней

После того как его модель потерпела фиаско, в 2007 г. Боумэн поступил так, как редко делают прогнозисты. Вместо того чтобы возложить всю вину на неудачу (его модель допускала некоторую возможность землетрясения около Бенкулу, однако незначительную), он еще раз изучил ее и решил, что его подход к предсказанию землетрясений был фундаментально ошибочным, – после чего сдался.

«Я – несостоявшийся прогнозист, – рассказывал мне Боумэн в 2010 г. – Я совершил смелый и глупый поступок – выступил с предсказанием, которое можно проверить. Именно это, в принципе, мы и должны делать, но, когда предсказания оказываются ошибочными, это приносит боль».

Идея Боумэна заключалась в том, чтобы выделить основополагающие причины землетрясений – и на их основе формулировать прогнозы. В сущности, он хотел понять, каким образом изменяется и распространяется напряжение во всей системе. В основе его подхода лежала теория хаоса.

Сама по себе теория хаоса – это демон, которого можно приручить. И это удалось, хотя бы частично, сделать синоптикам. Они гораздо лучше понимают, что происходит в атмосфере, чем сейсмологи – в земной коре. В большей или меньшей степени они представляют себе, как работает погода на молекулярном уровне.

У сейсмологов нет такого преимущества. «Анализировать климатические системы просто, – размышлял Боумэн. – Если они хотят увидеть, что происходит в атмосфере, им нужно просто посмотреть наверх. Мы же смотрим на лежащий под ногами камень. Большинство событий происходит на глубине 15 м под землей. Если отвлечься от того, что показывают в фантастических фильмах, у нас нет никакой надежды туда попасть. Это – фундаментальная проблема. Нет такого способа, используя который можно было бы напрямую измерить напряжение».

Не обладая теоретическим пониманием, подобным тому, что есть у синоптиков, сейсмологи вынуждены полагаться исключительно на статистические методы предсказания землетрясения. Вы можете ввести статистическую переменную под названием «напряжение» в свою модель, как попытался сделать Боумэн. Однако, поскольку величину этой переменной невозможно измерить напрямую, она может быть выражена исключительно в виде математической функции от параметров прошлых землетрясений. Боумэн полагает, что исключительно статистические подходы подобного рода, с большой долей вероятности, не сработают. «Набор данных содержит огромную долю шума, – полагает он. – При тестировании гипотез мы просто не можем получить статистически значимые результаты».

Процесс, происходящий в системах, основанных на данных с большой долей шума и на не до конца разработанной теории (а таковыми являются предсказания землетрясений или отдельные области экономики и политики), состоит из двух этапов. Сначала люди начинают ошибочно принимать шум за сигнал. После этого возникший шум заполняет журналы, блоги и новости ложными сигналами, подрывающими научное развитие и мешающими нам понимать, как на самом деле работает система.

Оверфиттинг: самая важная научная проблема, о которой вы никогда не слышали

Когда статистики ошибаются и принимают шумы за сигнал, они называют это оверфиттингом[78]. Представьте себе, что вы – мелкий уголовник, а я – ваш босс. Я поручаю вам найти хороший метод подбора цифровых комбинаций для цифровых замков, аналогичных тем, что можно найти в школьных шкафчиках (возможно, мы хотим стащить у школьников деньги, припасенные на обед). Я хочу, чтобы вы нашли способ, позволяющий с высокой вероятностью подобрать нужную комбинацию замков в любое время и в любом месте. Для практики я даю вам три замка – красный, черный и синий.

Поэкспериментировав с замками в течение нескольких дней, вы возвращаетесь ко мне и рассказываете, что смогли найти ошибкоустойчивое решение. По вашим словам, если замок красный, то правильная комбинация – 27–12–31. Если он черный, то нужно использовать цифры 44–14–19, а если синий – 10–3–32.

На все это я могу сказать только то, что вы не справились с заданием. Очевидно, что вы вычислили, как открыть эти три конкретных замка. Однако вы ничего не сделали для создания теории, позволяющей открывать замки, когда комбинация неизвестна нам заранее. Допустим, я бы хотел узнать, можно ли открывать эти замки с помощью скрепки из хорошей стали или же следует воспользоваться каким-то присущим им механическим дефектом. Даже если бы это вам не удалось, вы могли бы найти какой-то обходной маневр – например, какие-то цифры, которые появляются в комбинациях чаще других. Вы же дали мне слишком конкретное решение для общей проблемы. Это и есть оверфиттинг, и он способен привести к ухудшению любых прогнозов.

Название оверфиттинг (оverfitting) связано с тем, что статистические модели «подстраиваются, подгоняются» (fit) под прошлые наблюдения. Степень подгонки может быть слишком общей. И такое явление называется «андерфиттингом» (underfitting). При андерфиттинге вы захватываете меньшую часть сигнала по сравнению с максимально возможной. Либо же модель может обладать свойством оверфиттинга, иными словами, ваши данные содержат слишком много шума, что не позволяет четко выявить структуру, лежащую в их основе. На практике второй тип ошибки встречается намного чаще.

Чтобы понять, как это работает, давайте использовать допущение, которого в реальной жизни не бывает почти никогда. Мы будем точно знать, как должны выглядеть реальные данные. На графике на рис. 5.4 изображена гладкая параболическая кривая с максимумом посередине. Такой кривой можно описывать любые интересные для нас данные из реального мира. Например, как мы уже видели в главе 3, именно такая кривая довольно четко описывает изменение результативности бейсболистов с увеличением возраста, поскольку они значительно более результативны в середине своей карьеры, чем в конце или начале.

Рис. 5.4. Истинное распределение данных

Однако мы не можем наблюдать эту зависимость напрямую. Вместо этого мы имеем набор отдельных точек, характеризующих данные, на базе которых мы должны найти закономерность. Кроме этого, на эти точки данных влияет масса своеобразных обстоятельств – иными словами, у нас имеются и сигнал, и некоторый шум.

На график я нанес 100 точек данных, представленных в виде кругов и треугольников. Этого должно быть достаточно для выявления сигнала даже с учетом шума. Хотя в данных и присутствует некая доля случайности, вполне понятно, что они в целом следуют нашей кривой.

Но что произойдет, если объем данных, имеющийся в нашем распоряжении, окажется более ограниченным (как обычно и происходит в реальной жизни)? Очевидно, что это приведет к увеличению ошибки. На графике, приведенном на рис. 5.5a, показаны примерно 25 точек из сотни. Каким образом вы могли бы теперь соединить эти точки?

Рис. 5.5а. Ограниченная выборка данных

Рис. 5.5б. Хорошо подобранная модель

Разумеется, зная, как должна выглядеть подлинная тенденция, вы будете склонны соединять точки в виде некоторой кривой. На практике моделирование таких данных с помощью простого математического инструмента, известного как квадратное уравнение, действительно помогает выявить связь, очень похожую на истинную (рис. 5.5б).

В ситуациях, когда мы не знаем, какими должны быть наши данные, но хотим, чтобы они соответствовали «платоническому идеалу», мы часто склонны проявлять жадность. На рис. 5.5в отражен результат такого поведения – модель с оверфиттингом. При создании этого графика была разработана комплексная функция{354}, которая отыскивает каждую из отдаленных точек данных. При попытке «увязать» их между собой значение функции колеблется (довольно невероятным образом) вверх и вниз. И в результате мы еще больше удаляемся от понимания истинной связи, и прогнозы, которые мы делаем, становятся еще менее качественными.

Казалось бы, что избежать подобной ошибки легко, но только в том случае, если бы мы были всемогущи и всегда представляли себе структуру данных. Однако почти всегда в реальных условиях нам приходится действовать по индукции[79], находя структуру на основе имеющихся данных. Скорее всего, в вашей модели будет проявляться оверфиттинг, когда объем данных ограничен, сами данные засорены шумом, а ваше понимание фундаментальных связей достаточно слабо. И эти обстоятельства принимаются во внимание при прогнозировании землетрясений.

Когда мы не знаем об истинной связи или не хотим об этом знать, у нас появляется множество причин, по которым мы будем склоняться к оверфиттингу. Одна из них состоит в том, что модель с оверфиттингом будет лучше соответствовать результатам большинства статистических тестов, используемых прогнозистами. Например, довольно часто встречается тест, который оценивает разброс данных в модели. Судя по его результатам, модель с оверфиттингом (см. рис. 5.5в) позволяет объяснить 85 % дисперсии. И благодаря этому она выглядит «лучше», чем модель с хорошей степенью подгонки (см. рис. 5.5б), объясняющая лишь 56 %. Однако, по сути, модель с оверфиттингом обеспечивает такие высокие результаты за счет своеобразного обмана – она скорее принимает во внимание шум, а не сигнал. То есть на самом деле она обладает меньшей степенью достоверности при объяснении событий в реальном мире{355}.

Рис. 5.5 в. Модель с оверфиттингом

Несмотря на всю очевидность приведенного выше объяснения, многие прогнозисты полностью игнорируют эту проблему. Значительное количество статистических методов, имеющихся в распоряжении исследователей, позволяет им вести себя подобно ребенку, пытающемуся увидеть в формах облаков изображения зверей (это занятие, безусловно, очень интересное, но совершенно ненаучное)[80]. Математик Джон фон Нейман говорил об этой проблеме так: «Кривую с четырьмя параметрами я могу подогнать под слона, а с пятью – я заставлю слона махать хоботом»{356}.

Оверфиттинг представляет собой двойную проблему: он помогает нашей модели лучше выглядеть на бумаге, однако в действительности показывать худшие результаты. И из-за второй проблемы модель с оверфиттингом, применяемая для создания реальных прогнозов, в какой-то момент сильно нас подведет. А первая проблема будет создавать для нашей модели слишком впечатляющий образ (опять же до поры). Она будет считаться очень точной и заслуживающей доверия, подлинным шагом вперед по сравнению с прежними техниками. Это даст возможность опубликовать ее в научных изданиях, вытеснив с рынка другие модели, показывающие более честную картину. Но если модель включает в себя шум, у нее есть немалый потенциал для того, чтобы повредить научным результатам.

Как вы, возможно, уже догадались, модель прогнозирования землетрясений Кейлиса-Борока обладала огромным оверфиттингом. В ней использовался невероятно сложный набор уравнений, примененных к данным с большой долей шумов. За это пришлось заплатить свою цену – из 23 прогнозов, сделанных на ее основе, лишь три оказались верными. Дэвид Боумэн признал, что в созданной им модели имелись аналогичные проблемы, и вовремя перестал над ней работать.

Должен сразу сказать, что эти ошибки, как правило, представляют собой вполне искренние заблуждения. Если воспользоваться названием другой книги, то они отражают нашу склонность быть одураченными случайностью[81]. Особенности нашей модели могут казаться нам вполне объяснимыми и допустимыми. Мы даже можем, в полной мере этого не осознавая, работать в обратном направлении и создавать убедительно звучащие теории, позволяющие рационализировать нашу точку зрения и тем самым дурачить и самих себя, и своих друзей с коллегами. Майкл Бабяк, много писавший об этой проблеме{357}, характеризует дилемму следующим образом: «В научной работе мы стараемся выстроить баланс между любопытством и скепсисом».

И любопытство часто берет над нами верх.

Применялась ли в Японии модель с оверфиттингом?

Наша склонность ошибочно принимать шум за сигнал способна время от времени приводить к вполне печальным последствиям в реальной жизни. Япония, несмотря на высокую степень сейсмической активности в регионе, оказалась практически неготовой к разрушительному землетрясению 2011 г. Ядерный реактор в Фукусиме был способен выдержать землетрясения магнитудой до 8,6 балла{358}, но никак не 9,1 балла. Археологические находки позволяют предположить, что в прежние времена высота цунами могла достигать 40 м{359} (что и произошло после землетрясения 2011 г.), однако эти случаи были, по всей видимости, забыты или проигнорированы.

Землетрясения магнитудой 9,1 балла происходят в мире в высшей степени редко – никто не может предсказать такое сильное землетрясение с точностью до десятилетия, не говоря уже о конкретной дате. Однако если говорить о Японии, то некоторые ученые и специалисты по широкомасштабному планированию предпочли полностью проигнорировать такую возможность, что может свидетельствовать о присутствии оверфиттинга.

На рис. 5.6a представлено соотношение частоты повторения исторически достоверных землетрясений и их магнитуд с эпицентром в Японии{360}. При построении графика учитывались все данные, за исключением землетрясения магнитудой 9,1 балла, произошедшего 11 марта. Как видно из рисунка, они образуют практически линейную группу; именно такое соотношение и следует из расчетов по методу Гутенберга и Рихтера. Однако при значении магнитуды около 7,5 балла на графике возникает перегиб. С 1964 г. в регионе не было землетрясений магнитудой более 8 баллов, и поэтому изменение наклона кривой кажется вполне оправданным.

Рис. 5.6а. Соотношение между средней годовой частотой землетрясений и их магнитудами; Япония (регион Тохоку), период с 1 января 1964 г. по 10 марта 2011 г.

Каким же образом соединять точки? Если вы решите следовать методу Гутенберга – Рихтера, игнорируя перегиб на графике, то у вас получится прямая линия, как приведено на рис. 5.6б. Но можно использовать и метод, который сейсмологи называют характеристическим соответствием (characteristic fit) (рис. 5.6в). Этот метод предполагает, что исторически достоверные данные о частоте повторения землетрясений в этой области могут в полной мере использоваться для создания объективной картины. В конкретном случае это может означать, что вы посчитали перегиб в имеющихся исторических данных реальным. Иными словами, предположили наличие какой-то веской причины, по которой землетрясения магнитудой выше 7,6 балла в этом регионе маловероятны.

Рис. 5.6б. Соотношение между средней годовой частотой землетрясений и их магнитудами; метод Гутенберга – Рихтера; Япония (регион Тохоку), период с 1 января 1964 г. по 10 марта 2011 г.

Рис. 5.6 в. Соотношение между средней годовой частотой землетрясений и их магнитудами; метод характеристического соответствия; Япония (регион Тохоку), период с 1 января 1964 г. по 10 марта 2011 г.

И это еще один пример того случая, когда кажущийся безобидным выбор допущения приводит к радикально разным выводам – в данной ситуации о вероятности землетрясения магнитудой 9 баллов в этой части Японии. Если оценивать имеющиеся данные, основываясь на методе характеристического соответствия, то можно сделать вывод, что землетрясения такой силы там практически невозможны: согласно этому методу подобные события могли возникать лишь каждые 13 тыс. лет. Однако оценка по методу Гутенберга – Рихтера показывает, что такие землетрясения могли происходить каждые 300 лет. Иными словами, подобные события возникают редко, но вряд ли их можно считать невозможными. Связанный с ними риск довольно значителен, и такой богатой стране, как Япония, вполне по силам к нему подготовиться{361}.

Характеристическое соответствие достаточно хорошо описывало те землетрясения, что происходили в районе Тохоку за наблюдаемый период. Однако, как мы уже успели видеть, подобный тип сопоставления не всегда хорош. Иногда он сопровождается возникновением модели с оверфиттингом и в этом случае лишь усложняет работу по выявлению истины. В данном случае модель с оверфиттингом привела к значительной недооценке вероятности катастрофического землетрясения в данном районе страны.

Проблема метода характеристического соответствия состоит в том, что он полагается на невероятно слабый сигнал. Как я уже упоминал, до землетрясения в Тохоку в этом регионе за последние 45 лет не происходило ни одного землетрясения магнитудой 8 баллов и выше. Однако заметим для начала, такие события вообще происходят редко. Согласно закону закон Гутенберга – Рихтера землетрясения такого масштаба в этой области могли возникать лишь примерно один раз в 30 лет{362}. Так что нет ничего особенного в том, что событие, которое происходит примерно раз в 30 лет, может не произойти в течение какого-либо 45-летнего периода{363}. Такое просто случается, так же как и у отличного бейсболиста с рекордными показателями может быть плохой день. Кроме того, в этой области Японии было довольно немного землетрясений с магнитудами величиной порядка 7 баллов. В случаях когда подобные землетрясения происходили в других частях мира, они почти всегда были предвестниками более масштабных событий. Почему же ученые считали, что случай Тохоку можно считать особенным?

На самом деле, сейсмологи как в Японии, так и за ее пределами нашли для этой ситуации логическое обоснование. Они предположили, что особенности состава морского дна в этом регионе (плотность и низкая температура воды) могут препятствовать возникновению масштабных землетрясений{364}. Некоторые сейсмологи обратили внимание на тот факт, что до 2004 г. ни в одном регионе с подобным типом морского дна не происходило землетрясения магнитудой 9 баллов.

Однако такой вывод аналогичен утверждению, что ни один из жителей Пенсильвании не сможет выиграть джекпот в лотерею только потому, что этого не происходило за последние три недели. Землетрясения магнитудой 9 баллов, как и выигрыш в лотерею, происходят достаточно редко. Фактически до 2004 г. в мире было зафиксировано всего три таких землетрясения. Очевидно, что этих данных недостаточно для каких-то конкретных выводов о тех обстоятельствах, при которых подобные события могут или не могут произойти. Японский пример неудачного предсказания был не первым. Сходные заявления делались относительно Суматры{365}, в то время как там происходило множество землетрясений магнитудой в 7 баллов{366}, но не более. Но затем в декабре 2004 г. на Суматре произошло гигантское землетрясение магнитудой 9,2 балла{367}.

Закон Гутенберга – Рихтера не позволял точно предсказать дату землетрясения на Суматре или в Японии, однако допускал возможность их возникновения{368}. И до сих пор его положения работают, в то время как огромное количество других тщательных попыток предсказания землетрясений потерпели неудачу.

Что ограничивает наши знания о землетрясениях

Серьезные землетрясения последних лет заставляют сейсмологов переосмысливать вопрос о возможном верхнем значении их магнитуды. Если посмотреть на рис. 5.2б, где отражены все землетрясения с 1964 г. (включая землетрясения на Суматре и Тохоку), то мы видим почти прямую линию, проходящую через все точки данных. Если бы мы такой график построили 10 лет назад, на нем можно было бы найти больше перегибов – подобных тому, что мы наблюдаем на рис. 5.6a. Из этого следует, что реально происходило чуть меньше мегаземлетрясений, чем предсказывал закон Гутенберга – Рихтера, однако в последние годы мы наверстываем упущенное.

Поскольку землетрясения магнитудой 9 баллов происходят крайне редко, нам потребуются столетия, чтобы узнать реальное значение их частоты. Еще больше времени ноебходимо для того, чтобы понять, может ли произойти землетрясение магнитудой выше 9,5 балла. В разговоре со мной Хоф заявила о том, что география системы разломов может накладывать некоторые фундаментальные ограничения на масштаб землетрясений. По ее словам, в случае соединения самой крупной непрерывной последовательности разломов в мире – начиная от Терра Дель Фуэго на южной оконечности Южной Америки и заканчивая разломами на Алеутских островах, возможным стало бы и землетрясение с магнитудой 10 баллов. Однако наверняка это узнать практически невозможно.

Но даже если бы у нас имелись надежные сейсмологические записи за тысячу лет, не факт, что это бы сильно нам помогло. Не исключено, что у предсказуемости землетрясений есть свои естественные границы.

Землетрясение представляет собой комплексный по своей природе процесс. Теория сложности, разработанная покойным физиком Пером Баком и другими учеными, отличается от теории хаоса, хотя их часто объединяют. Согласно этой теории, даже самые простые вещи могут вести себя странным и таинственным образом при взаимодействии друг с другом.

Бак любил приводить пример с горкой песка на пляже. Если бросить на нее еще одну песчинку (а что может быть проще, чем песчинка?), то это может привести к одному из трех последствий. В зависимости от формы и размеров горка песка может остаться почти неизменной. Либо же с нее, после того как на нее упадет песчинка, каскадом сползут другие песчинки, скатившись до самой земли. Либо же может произойти нечто совершенно иное – если горка песка слишком неустойчива, то дополнительная песчинка способна дестабилизировать всю систему и привести к возникновению своеобразной песчаной лавины. Сходным свойством обладают и комплексные системы. Значительные периоды кажущегося застоя сменяется внезапными и катастрофическими динамичными процессами. Эти процессы в буквальном смысле не будут случайными, но они настолько сложны, что вы можете предсказать их возникновение только до определенного уровня понимания.

Красота шума

Тем не менее если вы будете рассматривать комплексный процесс с достаточно большого расстояния, то увидите в нем порядок и красоту. В этой книге я порой вольно обхожусь с понятиями «сигнал» и «шум», однако изначально эти термины появились в электротехнике. Инженеры выделяют несколько разных типов шума. Все они достаточно случайны, но при этом следуют определенным типам вероятностного распределения. Если вы послушаете настоящий «белый шум», создаваемый случайными всплесками звука над обычным распределением частот, то он покажется вам свистящим и довольно грубым. Другой тип шума, связанный с комплексными системами и называемый броуновским шумом, кажется более успокаивающим и чем-то напоминает звук падающей воды{369}.

Те же тектонические силы, которые создали линии разлома под поверхностью земли, позволили возникнуть потрясающим по своей красоте горам, плодородным долинам и живописным берегам рек и морей. Это значит, что люди, скорее всего, так и не перестанут жить в этих районах, несмотря на сейсмическую угрозу.

Суд над наукой

История с землетрясением в Л’Акуиле имела ироничный финал: в 2011 г. группа из семи ученых и правительственных чиновников предстала перед судом по обвинению в непредумышленном убийстве{370}. Прокуроры из Л’Акуилы утверждали, что подсудимые не обеспечили адекватного уведомления жителей об опасности значительного бедствия после целого «роя мелких землетрясений».

Очевидно, что этот суд был достаточно смехотворным. Но можно ли считать, что ученые могли лучше сделать свою работу? Вероятно. Существуют достаточно четкие доказательства того, что риск значительного землетрясения существенно (порой в 100–500 раз{371}) повышается после роя мелких. Тем не менее риск все же был крайне мал. Большинство «роев землетрясений» не приводит к возникновению серьезных последствий. Но было бы не совсем правильно предположить, что проблем нет и не может возникнуть и что жители могут расслабиться и выпить бокал вина.

В основе этой книги лежит убеждение в том, что первый долг любого прогнозиста состоит в сохранении верности истине. Политика в широком смысле этого слова порой может встать у него на пути.

Сейсмологическое сообщество до сих пор остается напуганным неудачными предсказаниями в Лиме и Паркфилде и тем, что ему приходится противостоять сильным противникам типа Джулиани. Это лишает ученых стимулов к работе и отвлекает от главной миссии. Плохие и безответственные прогнозы могут заменить собой хорошие.

Возможно, что Хоф права, утверждая, что мы никогда не сможем обрести святой Грааль в предсказании землетрясений. Даже если отдельные сейсмологи и ведут себя достаточно ответственно, мы тем не менее вынуждены оценивать коллективный исход этой научной дисциплины, а следовательно, все тысячи гипотез предсказуемости землетрясений. Имеющиеся на настоящий момент данные показывают, что большинство этих гипотез оказались неудачными и что какие-либо универсальные подходы к предсказанию землетрясений, по всей видимости, не работают.

Пока что можно вполне смело сказать, что если мы раз за разом используем один и тот же метод с небольшими корректировками, то это приводит к тем же самым результатам. Но история науки имеет массу примечательных страниц. Наука часто сталкивается с «непредсказуемыми» прорывами. Одна из областей, в которых сейсмологи смогли добиться определенного прогресса, связана с краткосрочными прогнозами землетрясений, что вполне могло бы помочь жителям Л’Акуилы.

Помимо закона Гутенберга – Рихтера, знание о том, что значительные землетрясения почти всегда приводят к появлению афтершоков, получило широкое признание в этой дисциплине. Некоторые сейсмологи, с которыми я общался, например Джон Рандл из Калифорнийского университета в Дэвисе и Том Йордан из Университета Южной Калифорнии, концентрируются на изучении этих краткосрочных прогнозов и убеждают других, что информация о содержимом таких прогнозов должна доноситься до публики ясно и в полном объеме.

Например, исследования Йордана показывают, что иногда афтершоки движутся в предсказуемом географическом направлении вдоль линии разлома. При движении в направлении населенных пунктов они могут представлять потенциальную угрозу для жизни и имущества даже при снижении магнитуды. Например, землетрясение магнитудой 5,8 балла в Крастчерче, Новая Зеландия, в 2011 г., когда погибло 185 человек, было афтершоком землетрясения в 7 баллов, возникшего в сентябре 2010 г. в отдаленном районе страны{372}. Когда речь заходит об афтершоках, у нас появляется значительно больше сигналов, поэтому концентрироваться на их изучении вполне естественно.

Кроме того, не стоит на месте и технология. Довольно многообещающими представляются недавние попытки NASA и Рандла измерить напряжение разлома с помощью систем дистанционного зондирования GPS-спутников{373}. Хотя в результате этих усилий пока что получены довольно грубые данные, в будущем они смогут обеспечить сейсмологов бо́льшим объемом данных и приблизить их к пониманию первопричин землетрясений.

Со временем эти методы приведут к определенной степени прогресса. Если на протяжении тысячелетий мы не могли говорить о сколь-нибудь значимом успехе в деле предсказания землетрясений, то стоит вспомнить, что то же самое мы говорили и о прогнозах погоды всего 40 лет назад. Возможно, что благодаря лучшему пониманию теории сложности – достаточно новой научной области – мы сможем прийти к заключению о том, что землетрясения не так уж и непредсказуемы.

Как бы то ни было, нам еще предстоит столкнуться с большим количеством неудачных предсказаний. Но, когда память о них ослабнет, мы вновь увидим, что на горизонте брезжит сигнал. И мы в своем стремлении к прогнозированию вновь направимся в его сторону, даже если это – всего лишь мираж.

Политические опросы общественного мнения всегда содержат в себе элемент допуска на ошибку, и мы всегда ожидаем, что в них присутствует некая неопределенность. Однако экономические прогнозы чаще всего ограничиваются одной-единственной цифрой. В следующем месяце будет создано 150 тыс. рабочих мест. ВВП вырастет в следующем году на 3 %. Цена нефти достигнет 120 долл. за баррель.

Подобные высказывания создают впечатление, что прогнозы невероятно точны.

Заголовки в экономической прессе, выражающие удивление любым незначительным отклонением от прогноза, часто выглядят следующим образом:

Неожиданный скачок уровня безработицы до 9,2 % наносит удар рынкам – Denver Post, 9 июля 2011 г.{374}.

Но если вы прочитаете сам текст этой статьи, то увидите, что неожиданным оказался рост до уровня 9,2 %, а не 9,1 %, как предсказывали экономисты{375}. Если одной десятой процента достаточно для того, чтобы об этом писали в заголовках, может показаться, что в обычных условиях эти прогнозы крайне надежны.

На самом же деле экономические прогнозы представляют собой в лучшем случае инструменты, редко способные предсказать переломные события в экономике более чем за несколько месяцев. Стоит отметить, что некоторые из этих прогнозов не смогли «предсказать» рецессию даже после ее начала: большинство экономистов не считало, что экономика находится в условиях рецессии, ни в 1990, ни в 2001, ни в 2007 гг. и признало это лишь постфактум{376}.

Предсказание поведения американской экономики, такой большой и сложной по своей сути, – непростая задача. Разрыв между тем, что показывают прогнозы, и тем, как они воспринимаются, довольно значителен.

Некоторые специалисты по экономическому прогнозированию не хотели бы, чтобы вы об этом знали. Как и специалисты по прогнозированию в других дисциплинах, они воспринимают неопределенность как врага, угрожающего их репутации. Они не оценивают ее с должной степенью четкости и не выдвигают предположений, которые способны, с одной стороны, снизить долю неопределенности в их моделях, а с другой – каким-либо способом улучшить их предсказания в реальном мире. И это приводит к тому, что мы остаемся не готовыми к реальным бедствиям.

Почему важно сообщать о неопределенности

В апреле 1997 г. река Ред-Ривер затопила город Гранд Форкс, штат Северная Дакота, вода перелилась через дамбы и проникла в город примерно на 3 км[82]{377}.

Хотя до человеческих жертв не дошло, почти все население города – около 50 тыс. человек – было эвакуировано, затраты на расчистку последствий наводнения составили миллиарды долларов{378}, а 75 % домов в городе оказались разрушенными или требовали серьезного ремонта{379}.

В отличие от ураганов и землетрясений, наводнения в Гранд Форкс могло не быть. Конструкции, предназначенные для защиты от наводнения, можно было укрепить с помощью мешков с песком{380}. И также существовала возможность направить поток воды в ненаселенные области – на фермерские поля, а не на школы, церкви и жилые дома.

Жители Гранд Форкс были осведомлены об угрозе наводнения за несколько месяцев. Той зимой на Великих Равнинах выпало невероятно много снега. Национальная служба погоды, предвидя возможные последствия его таяния, выпустила прогноз, согласно которому высота воды в Ред-Ривер могла подняться до 15 м – значения, близкого к рекордному.

Существовала одна небольшая проблема. Дамбы в Гранд Форкс были построены таким образом, что могли выдержать поток воды высотой до 15,5 м, поэтому даже небольшая ошибка в прогнозе могла оказаться роковой (рис. 6.1).

Однако реально уровень воды поднялся до 16,5 м. Конечно, прогноз Службы погоды в любом случае не мог быть идеальным, и ошибка в 1,5 м в прогнозе, сделанном за два месяца до прихода большой воды, кажется вполне разумной – по крайней мере, с точки зрения исторических данных. Величина предельной погрешности, рассчитанная статистически, в прошлом составляла ±2,7 м. Это означало, что вероятность того, что вода перельется через дамбу, составляла примерно 35 %{381}.

Рис. 6.1. Предсказанное значение уровня воды с учетом предельной погрешности{382}

Главная проблема состояла в том, что Служба погоды не сообщила широкой общественности о том, что в прогнозе присутствует неопределенность. В нем подчеркивалось лишь, что вода поднимется на 15 м. Позднее прогнозисты сообщили, что боялись ситуации, при которых общественность утратила бы доверие к прогнозам, если бы в них была подчеркнута хоть какая-то неопределенность.

В результате, вместо того чтобы лучше подготовиться к этому событию, а то и полностью избежать наводнения, укрепив и увеличив высоту дамбы и перенаправив водный поток, предоставленные сами себе жители поверили в то, что им не о чем беспокоиться (мало кто из них даже купил страховку на случай наводнения{383}). Предсказание о том, что уровень воды поднимется на 15 м, высказанное без каких-либо оговорок, давало основание считать, что высота потока будет именно такой и что высоты дамбы в 15,5 м будет вполне достаточно, чтобы обеспечить безопасность. Некоторые студенты даже восприняли цифру в 15 м как максимум возможного подъема уровня воды{384}.

Известна старая шутка – «статистик утонул, переходя через реку, средняя глубина которой составляла лишь один метр». В рамках прогнозной модели Службы погоды уровень воды поднимался в среднем на 15 м, однако даже небольшое его превышение могло привести к затоплению.

Как мы видели в главе 4, Национальная служба погоды со временем признала важность информирования о неопределенности в своих прогнозах, что делает их гораздо более точными и честными. Однако подобное отношение редко встречается у других прогнозистов – особенно тех, кто рассказывает о возможном движении экономики в том или ином направлении.

Рациональны ли экономисты?

Теперь давайте посмотрим, что произошло в ноябре 2007 г. До официального начала Великой рецессии оставался всего месяц. Уже были видны явные признаки проблемы на жилищном рынке – количество вынужденных выкупов недвижимости удвоилось{385}, а компания Countrywide, крупный кредитор на ипотечном рынке, оказалась на грани банкротства{386}. Не менее тревожные знаки были заметны и на кредитных рынках{387}.

Тем не менее экономисты в рамках ежеквартального опроса профессиональных прогнозистов Survey of Professional Forecasters (SPF), проводимого Федеральным резервным банком Филадельфии, считали будущую рецессию относительно маловероятной. Более того, они ожидали, что в 2008 г. экономика будет расти на уровне чуть меньше среднего уровня в 2,4 %, и, конечно, не предполагали возможности рецессии, столь сильной, как случилось в реальности.

Опрос SPF уникален в том смысле, что в ходе него экономистов просят максимально широко описать возможный диапазон направлений, по которым будет двигаться экономика. Как я уже неоднократно подчеркивал в этой книге, вероятностное изучение последствий представляет собой важнейшую часть научного прогноза. Если бы я попросил вас предсказать результат выбрасывания пары кубиков, то ваш точный ответ представлял бы собой не единственное число, а перечисление возможных вариантов и их сравнительную вероятность, как это проиллюстрировано на рис. 6.2. Хотя у вас будет выпадать число 7 гораздо чаще, чем любое другое, с точки зрения прогноза оно не имеет никаких преимуществ перед цифрой 2 или 12, при условии, что каждое число выпадает с вероятностью, которую вы присваиваете ему в долгосрочной перспективе.

Рис. 6.2. Прогнозируемое распределение вероятностей: сумма чисел на двух кубиках

Рис. 6.3. Прогнозируемое распределение вероятности роста реального ВВП США в 2008 г. Источник: SPF, ноябрь 2007 г.

Нечто подобное просят сделать и экономистов в рамках опроса SPF, когда они прогнозируют величину ВВП и других переменных. Например, их просят оценить вероятность того, что значение ВВП окажется между 2 и 3 % или же между 3 и 4 %. Вот как выглядели, по результатам их опроса, значения ВВП в ноябре 2007 г. (рис. 6.3).

Как упоминалось выше, экономисты в рамках этого опроса думали, что прирост ВВП по итогам 2008 г. составит примерно 2,4 %, то есть окажется чуть ниже уровня долгосрочного тренда. Этот прогноз оказался невероятно плохим. На самом деле, после того как ударил финансовый кризис, ВВП снизился на 3,3 %. Но что еще хуже: экономисты очень доверяли своим плохим прогнозам. По их мнению, вероятность снижения величины ВВП в 2008 г. составляла лишь 3 %{388}. А вероятность спада в экономике на уровне 2 % или более (что и произошло чуть позже) составляла, по их мнению, лишь 1 из 500{389}.

На самом деле экономисты уже давно демонстрируют слишком высокую степень доверия к своим способностям предсказывать направление развития экономики. На рис. 6.4 приведены данные о прогнозах роста ВВП, взятые из результатов опроса SPF за 18-летний период между 1993 и 2010 гг.{390}. Горизонтальными линиями на рисунке отмечены интервалы прогнозирования в 90 %, указанные экономистами.

Рис. 6.4. Прогнозы ВВП: 90 %-ные интервалы прогнозирования и реальные показатели

Интервал прогнозирования представляет собой диапазон наиболее вероятных вариантов значений роста ВВП в рамках прогноза и чем-то напоминает величину ошибки при политических опросах. Допустим, предполагается, что интервал прогнозирования, равный 90 %, должен покрывать 90 % всех возможных реальных вариантов. Вне этого интервала остаются лишь 10 % нестандартных случаев в хвостовых концах распределения. Если бы прогнозы экономистов были настолько точными, как заявляли они сами, то можно было бы ожидать, что реальная величина ВВП будет находиться в рамках указанных ими интервалов прогнозирования в 9 или в 10 случаях, или во всех случаях, за исключением двух, за 18 лет.

Реальная величина ВВП выпадала за пределы прогнозов экономистов шесть раз за 18 лет, или примерно в одной трети случаев. Авторы еще одного исследования, анализировавшие цифры, полученные начиная с самых первых опросов SPF в 1968 г., продемонстрировали, что ситуация с прогнозами экономистов еще хуже: реальный показатель ВВП не попадает в интервал прогнозирования почти в половине случаев{391}. Не стоит считать, что экономистам просто не повезло{392} – на самом деле они фундаментально переоценили степень надежности своих прогнозов.

На самом деле, когда группа экономистов дает вам свой прогноз по ВВП, истинный интервал прогнозирования в 90 %, основанный на соответствии этих прогнозов реальности{393}, а не на заявляемой самими экономистами степени точности, захватывает примерно 6,4 пункта ВВП (что эквивалентно ошибке в ±3,2 %)[83].

Иными словами, когда вы слышите в новостях, что ВВП вырастет в следующем году на 2,5 %, это может с тем же успехом означать и невероятный рост на 5,7 %, и падение на 0,7 %, то есть достаточно серьезную рецессию. До сих пор экономисты не смогли придумать ничего лучше, и нет особенных свидетельств тому, что качество их прогнозов улучшается. Старая шутка об экономистах, выявивших девять из последних шести рецессий, имеет под собой вполне реальную основу. В течение 1990‑х годов экономисты смогли заранее предсказать лишь две из 60 рецессий{394}.

В этом смысле экономисты не уникальны. Результат такого рода можно считать либо следствием того, что эксперты не умеют давать честное описание неопределенности в своих прогнозах, либо следствием того, что они не очень заинтересованы это делать. Такая же чрезмерная уверенность в достоверности прогнозов наблюдается и во множестве других областей, в том числе в медицинских исследованиях, политических науках, финансах и психологии. Судя по всему, она применяется и тогда, когда мы, создавая прогноз, основываемся на своих суждениях (а именно так делали политологи – гости Фила Тэтлока) или когда мы используем для этого статистическую модель (как в случае неудачных прогнозов землетрясений, описанных в главе 5).

Однако, в отличие от представителей других профессий, подобные ошибки экономистов могут считаться непростительными. В первую очередь их прогнозы не просто слишком самоуверенны, но и плохо применимы в условиях реального мира. Ошибка в прогнозах реального значения ВВП может приводить к существенным экономическим последствиям. Кроме того, организованные усилия по предсказанию значения таких переменных, как ВВП, проводятся уже много лет, начиная с опроса, проведенного Ливингстоном в 1946 г. Эти результаты хорошо задокументированы и имеются в бесплатном доступе. Получение обратной связи от того, как проявили себя наши прогнозы в реальности, – это единственный и, возможно, самый важный способ их улучшить.

Предсказатели в мире экономики получают больше обратной связи, чем представители большинства других профессий. Однако они предпочитают вести себя крайне самоуверенно и не желают исправлять собственные искажения.

Но разве экономика – это не дисциплина, изучающая рациональность поведения? Разумеется, вы можете ожидать, что представитель какой-то другой профессии, например антрополог, может допустить искажения при создании прогнозов, но не экономист. Возможно, именно с этим отчасти и связана проблема экономических прогнозов. Экономисты хорошо разбираются в вопросах рациональности. Это означает, что они хорошо понимают, как работает система стимулов. И если они делают искаженные прогнозы, то, возможно, это является признаком того, что у них недостаточно стимулов для создания хороших.

«Никто даже не представляет себе…»

Принимая во внимание такие результаты работы экономистов в области создания прогнозов, мне очень захотелось найти кого-нибудь из них, кто мог бы признать, насколько сложна его работа и насколько легко любой прогноз может оказаться неверным. И мне удалось найти такого человека – Яна Хациуса, главного экономиста компании Goldman Sachs.

Хациус может, по крайней мере, смело утверждать, что его прогнозы в последние годы были более надежными, чем у его конкурентов. В ноябре 2007 г., пока большинство экономистов все еще думало, что рецессия любого рода маловероятна, Хациус опубликовал провокационное письмо под названием «Долги с рычагом, или Почему дефолт на ипотечном рынке так важен». В письме предупреждалось о возможном развитии такого сценария, при котором миллионы домовладельцев могли оказаться неплатежеспособными. Это могло, в свою очередь, вызвать эффект домино на кредитных и финансовых рынках, привести к триллионным убыткам и очень жесткой рецессии. Примерно такой сценарий и был реализован. Хациус и его команда отозвались критически и о возможности чудесного послекризисного восстановления. В феврале 2009 г., через месяц после принятия закона о пакете стимулирующих финансовых мер и заявлении Белого дома о возможности снизить безработицу до уровня в 7,8 % к концу 2009 г., Хациус спрогнозировал рост безработицы до 9,5 %{395} (что оказалось довольно близко к реальному значению – 9,9 %).

Хациус, мягкий почти до меланхолии немец, занимающий должность главного экономиста Goldman Sachs с 2005 г.{396}, через восемь лет после начала работы в компании вызывает уважение даже у тех, кто скептически относится к большим банкам.

«[Ян] очень хорош, – рассказывал мне Пол Кругман. – Я надеюсь, что присущее Ллойду Бланкфейну злорадство не отразится на Яне и его людях». Кроме того, Хациус на удивление спокойно относится к своей способности предсказывать направление развития экономики США.

«Никто даже не представляет себе, – рассказывал он мне на встрече в офисе Goldman со стеклянными стенами, расположенном на Уэст-стрит в Нью-Йорке, – насколько сложно прогнозировать цикл бизнеса. Понимание сути такого комплексного процесса, как экономика, – это невероятно сложный процесс».

С точки зрения Хациуса, у людей, занимающихся экономическими прогнозами, имеются три фундаментальные проблемы. Во-первых, очень сложно выявить причинно-следственные связи на основании анализа одной лишь экономической статистики. Во-вторых, экономика постоянно меняется, поэтому объяснения экономического поведения, подходящие для одного цикла бизнеса, могут быть неприменимы для другого. И, в-третьих, плохи не только сами прогнозы экономистов, но и данные, с которыми им приходится работать.

Корреляция без причинно-следственной зависимости

Ежегодно правительство рассчитывает около 45 тыс. экономических показателей{397}, а в частных источниках отслеживается не менее 4 млн данных{398}. Многие экономисты поддаются искушению закинуть все эти данные в блендер и заявить о том, что возникающая в результате каша представляет собой образец высокой кухни. С момента окончания Второй мировой войны в стране было всего 11 рецессий{399}. Если у вас есть статистическая модель, которая призвана объяснить 11 реальных событий, но должна выбирать для этого исходные данные из 4 млн входных параметров, многие из выявленных вами связей будут ложными (это еще один классический пример оверфиттинга – ошибочного принятия шума за сигнал – проблема в предсказании землетрясений, описанная в главе 5).

Только представьте себе, насколько креативным нужно быть, когда набор экономических переменных, имеющихся в вашем распоряжении, представляет собой перечень толщиной с телефонный справочник. Например, когда-то основным показателем экономического развития считался победитель Суперкубка по американскому футболу. Начиная с Суперкубка I, состоявшегося в 1967 г. и заканчивая Суперкубком XXXI в 1997 г., рост фондового рынка до конца года{400} составлял в среднем 14 %, если кубок выигрывала команда из Национальной футбольной лиги (NFL){401}. Если же выигрывала команда из Американской футбольной лиги (AFL), то рынок падал почти на 10 %.

До 1997 г. этот индикатор достаточно точно «предсказывал» направление развития фондового рынка в 28 из 31 случаев. Однако стандартный тест статистической значимости показывает{402}, что вероятность того, что экономический рост является следствием спортивного результата, составляет лишь 1 к 4 700 000.

Разумеется, это было всего лишь совпадением, и со временем индикатор начал давать сбои. В 1998 г. Суперкубок выиграла команда Denver Broncos из Американской футбольной лиги. Очевидно, что это можно было считать плохим знамением. Однако вместо того, чтобы упасть, фондовый рынок вырос на 28 % на фоне бума доткомов. В 2008 г. команда New York Giants из NFL обыграла в финале благодаря потрясающему маневру Дэвида Туре команду New England Patriots из AFL. Но даже Туре не смог предотвратить коллапса пузыря на жилищном рынке, заставившего рынок рухнуть на 35 %. Фактически с 1998 г. фондовый рынок вел себя на 10 % лучше, когда Суперкубок выигрывала команда из AFL, то есть показывал результат, строго противоположный тому, что прогнозировал индикатор.

Каким же образом этот индикатор, невзирая на всю свою статистическую невероятность, мог, как казалось, предсказывать будущее? Это происходило по той же самой причине, по которой, несмотря на крайне небольшие шансы выигрыша в лотерею Powerball (1 шанс из 195 000 000{403}), кто-то выигрывает джекпот каждые несколько недель. Шансы любого участника лотереи минимальны, но, поскольку ежемесячно продаются миллионы билетов, кому-то обязательно везет.

Точно так же, учитывая, что в мире оцениваются миллионы статистических показателей, может случиться, что некоторые из них очень хорошо коррелируют с ценами на акции, показателем ВВП или уровнем безработицы. Если не победитель Суперкубка, то, допустим, им может стать показатель поголовья кур в Уганде. Однако эта связь будет не более чем результатом совпадения.

Хотя экономисты не принимают индикатор Суперкубок всерьез, они вполне способны убедить самих себя в том, что другие типы переменных, имеющих хотя бы какой-то экономический смысл, могут считаться «опережающими индикаторами», предсказывающими рецессию или рост экономики за несколько месяцев. Одна фирма, занимающаяся прогнозами, с гордостью заявляла, что использует в своей работе 400 переменных{404}, то есть гораздо больше, чем те два или три десятка, в которых, по словам Хациуса, содержится основной экономический смысл[84].

Другие авторы прогнозов полагают, что предсказательной силой обладают такие довольно туманные показатели, как отношение количества заказов к объему выставленных счетов у компаний – производителей полупроводниковых материалов и изделий{405}. С учетом огромного количества экономических переменных, из которых можно выбирать, при желании всегда найдется нечто, достаточно четко описывающее шум из прошлого.

Значительно сложнее найти что-то, что позволяет выявить сигнал. Переменные, которые служат «опережающими индикаторами» в одном экономическом цикле, часто превращаются в «запаздывающие» в другом. Из семи так называемых опережающих индикаторов, описанных в 2003 г. в статье в журнале Inc.{406} и четко предсказавших рецессии 1990 и 2001 гг., лишь два – цены на жилье и количество нанятых временных сотрудников – позволили с должной степенью точности предсказать рецессию 2007 г. Другие же, такие как объемы коммерческого кредитования, начали снижаться лишь в течение года после начала рецессии.

Свои проблемы есть и у вполне уважаемого показателя – индекса ведущих экономических показателей, представляющего собой совокупность 10 экономических индикаторов, публикуемых организацией Conference Board. Обычно его значение начинало снижаться за пару месяцев до наступления рецессий. Однако столь же часто индикатор подает ложные сигналы. Самый печальный случай произошел в 2004 г., когда значение индикатора резко снижалось в течение трех месяцев подряд{407}, сигнализируя о рецессии, но экономика продолжала расти на уровне 6 %. Некоторые исследователи даже пришли к выводу, что индекс опережающих индикаторов не имеет предсказательной силы при использовании в режиме реального времени{408}.

«На самом деле, мало что обладает настоящей предсказательной силой, – рассказывал мне Хациус, – а объяснить, что является результатом корреляции, а что – результатом причинно-следственной связи, невероятно сложно».

Многие из вас слышали выражение «совпадение еще не означает наличие причинно-следственной зависимости». Сам факт, что переменные имеют между собой некую статистическую корреляцию, еще не означает, что одна из них влияет на другую. Цифры продаж мороженого и показатели по количеству лесных пожаров коррелируют между собой, потому что они обычно описывают происходящее в жаркие летние месяцы. Однако причинно-следственной зависимости здесь нет. Нельзя сказать, что, покупая мороженое, вы провоцируете начало лесного пожара где-нибудь в Монтане.

Но, хотя эту концепцию легко выразить словами, ее сложно применять на практике, особенно когда речь заходит о понимании причинно-следственных связей в экономике. Допустим, заметил Хациус, что уровень безработицы обычно воспринимается как запаздывающий индикатор, что иногда справедливо. После наступления рецессии компании отказываются принимать на работу новых сотрудников до тех пор, пока будущее не покажется более стабильным и радужным. Для того чтобы все уволенные вернулись на работу, также потребуется немалое время. Однако уровень безработицы может одновременно выступать и в качестве опережающего индикатора для потребительского спроса, поскольку у безработных снижается способность покупать товары и услуги во время рецессии. Экономика может оказаться внутри порочного цикла – компании не нанимают людей, пока не видят роста потребительского спроса, однако сам потребительский спрос достаточно низок, поскольку компании не занимаются наймом, и потребители не могут позволить себе купить их продукцию.

Столь же непростой переменной выступает уровень доверия со стороны потребителей. Иногда потребители оказываются первыми, кто улавливает предупреждающие сигналы в экономике. Они же могут оказаться среди последних, кто замечает признаки выздоровления. Люди часто считают, что экономика находится в рецессии, даже через многие месяцы после того, как технически она считается завершенной.

Поэтому экономисты много спорят о том, может ли уровень доверия со стороны потребителей считаться опережающим или запаздывающим индикатором{409}, и ответ на этот вопрос может зависеть от этапа, на котором находится экономика. Более того, поскольку степень доверия со стороны потребителей влияет на их поведение, отношения между ожиданиями от экономики и реальность могут оказывать друг на друга постоянное корректирующее воздействие.

Принцип экономической неопределенности

Возможно, что самый проблематичный пример подобных петель обратной связи возникает между экономическими прогнозами и экономической политикой. Если, например, прогнозируется, что экономика скоро окажется в состоянии рецессии, правительство и Федеральная резервная система предпримут шаги по снижению риска или, по крайней мере, по смягчению ситуации. Таким образом, часть проблемы состоит в том, что прогнозистам такого типа, как Хациус, приходится предсказывать не только экономические, но и политические решения. А это может стать настоящей проблемой в стране, где уровень одобрения деятельности Конгресса составляет около 10 %.

Проблема может оказаться еще более глубокой. Как указал в 1976 г. экономист и лауреат Нобелевской премии Роберт Лукас{410}, данные из прошлого, на которых основана экономическая модель, отчасти влияют на политические решения в настоящем. Таким образом, порой недостаточно знать, что делают нынешние политики. Иногда нам приходится выяснять, как выглядела финансовая и налоговая политика во времена администрации Никсона. Сходная доктрина, известная как закон Гудхарда (названная так в честь предложившего ее преподавателя Лондонской школы экономики{411}), гласит, что, когда люди, отвечающие за политику, начинают активно использовать какую-то переменную, она способна потерять свою значимость в качестве экономического индикатора. Допустим, если правительство предпринимает шаги по искусственной накачке цен на жилье, цены могут вырасти, но уже не будут считаться хорошим показателем оценки общего экономического здоровья.

С точки зрения логики мы можем дойти до крайности и предположить, что такая ситуация чем-то напоминает действие эффекта наблюдателя (часто ошибочно принимаемого за сходную концепцию принципа неопределенности Гейзенберга). Как только мы начинаем что-то измерять, поведение измеряемого объекта меняется вследствие наших действий. Большинство статистических моделей построено на утверждении о том, что независимые и зависимые переменные, а также входные и выходные значения могут быть отделены друг от друга{412}. Но когда речь заходит об экономике, все они перемешиваются в одном котле и представляют собой единое кипящее варево.

Постоянно меняющаяся экономика

Даже если экономисты могли бы решить все эти проблемы, им все равно пришлось бы противостоять движущейся мишени. И американская, и мировая экономики находятся в состоянии постоянного развития, и связи между различными экономическими переменными способны со временем измениться.

Например, история показывает наличие достаточно сильной корреляции между ростом ВВП и числом рабочих мест. Экономисты называют эту связь законом Оукена[85]. Во время периода Длинного бума с 1947 по 1999 г. значение показателя роста занятости{413} составляло обычно примерно половину от величины роста ВВП. Если ВВП в течение года вырастал на 4 %, количество рабочих мест увеличивалось примерно на 2 %.

Эта связь существует до сих пор – чем выше экономический рост, тем лучше для людей, ищущих работу. Однако, судя по всему, изменилась ее динамика. После каждой из последней пары рецессий создавалось значительно меньше новых рабочих мест, чем могло бы быть в годы Длинного бума. Например, в течение года после одобрения стимулирующего пакета ВВП рос достаточно быстро, что должно было позволить создать, как это следует из закона Оукена, около 2 млн рабочих мест{414}. На практике количество рабочих мест снизилось на 3,5 млн.

Экономисты часто спорят о том, что значит это изменение. Самая пессимистическая интерпретация, которую поддерживают такие экономисты, как Джеффри Сакс из Колумбийского университета, состоит в том, что эта закономерность отражает серьезные культурные проблемы в американской экономике. К их числу относят рост конкуренции со стороны других стран, дисбаланс между производственным и сервисным секторами экономики, стареющее население, сокращающийся средний класс и рост национального долга. В соответствии с этой теорией США вошли в новую и нездоровую реальность, и проблемы могут стать еще глубже, если не произойдут фундаментальные изменения. «Мы недооцениваем влияние глобальных изменений на события в США, – рассказывал мне Сакс. – Уступка большого количества рабочих мест Китаю и другим растущим рынкам нанесла огромный удар по экономике страны». И еще один важный вопрос: можно ли считать, что высокая волатильность 2000‑х более точно описывает условия экономики в долгосрочной перспективе? Возможно, что годы Длинного бума были всего лишь исключением. В те времена экономика находилась в рецессии лишь 15 % времени, однако этот показатель вырос более чем в два раза – до 36 % – с 1900 по 1945 г.{415}.

Хотя большинство экономистов верит в то, что в результате стабилизации цикла деловой активности[86] был достигнут определенный прогресс, можно считать, что нам просто повезло и мы смогли избежать более серьезных проблем.

Это мнение особенно справедливо для периода между 1983 и 2006 гг. – частью Длинного бума, которую иногда называют эпохой Великого успокоения (Great Moderation), когда экономика находилась в рецессии лишь 3 % времени. Однако значительная часть роста обеспечивалась за счет масштабного увеличения государственного и потребительского долга, а также за счет пузырей с различными видами активов. Ни у какой развитой экономики просто нет объективной возможности расти такими темпами, как во времена Великого успокоения. Если в 1980‑е гг. прирост экономики Японии ежегодно составлял 5 %, то сейчас она растет в лучшем случае на 1 % в год{416}.

Возможно, это и стало одной из причин, из-за которых прогнозисты и политики оказались застигнутыми врасплох столь глубокой рецессией 2007 г. Они не только не могли предсказать события масштабов Великой депрессии[87], но иногда и калибровали свои прогнозы по параметрам эпохи Великого успокоения, которая с исторической точки зрения была лишь исключением.

Не отбрасывайте имеющиеся данные

Федеральный комитет по операциям на открытом рынке[88], отвечающий за определение процентной ставки в стране, должен по закону предоставлять макроэкономические прогнозы Конгрессу не менее двух раз в год. К концу 2007 г. этот комитет в каком-то смысле опережал события. Его прогноз роста ВВП был чуть более «медвежьим»[89], чем прогнозы, создававшиеся в частном секторе, что заставило организацию четыре раза понижать процентную ставку до конца года.

Тем не менее в протоколе комитета, выпущенном в конце октября 2007 г., термин «рецессия» вообще не использовался для описания экономической ситуации{417}. Федеральный комитет очень внимательно следит за своим языком и возможностью рецессии, поэтому были использованы фразы типа «риски, связанные со снижением оборотов». Однако он не делал ставку на рецессию, и его прогноз все еще предполагал экономический рост. Мало было факторов, которые указывали бы на то, что комитет в принципе рассматривал возможность рецессии (особенно в тех масштабах, в которых рецессия произошла в реальности).

Отчасти причина этого может быть связана с тем, что комитет, оценивая правильность своих прогнозов, полагался на данные, полученные со времен Великого успокоения. В частности, он уделял серьезное внимание научной работе, в которой изучалась эффективность экономических прогнозов за период с 1986 по 2006 г.{418}. Однако проблема этих лет состояла в том, что экономическая нестабильность в тот период была крайне мала: в 1990–1991 гг. и в 2001 г. произошли лишь две слабые рецессии. «Связывая текущую неопределенность с данными, полученными начиная с середины 1980‑х гг., – предупреждали авторы работы, – мы предполагаем, что спокойные условия Великого успокоения будут существовать и далее». Это было невероятно смелое предположение. Отчасти Федеральный комитет пришел к выводу о невозможности серьезной рецессии в 2007 г. из-за того, что предпочел игнорировать годы, в которые бушевала жестокая рецессии.

Прогнозист не должен игнорировать любые данные, особенно когда изучает редкие события, такие как рецессии или президентские выборы. В подобных случаях, в принципе, исходных данных немного. Игнорирование каких-либо из них часто свидетельствует либо о том, что прогнозист слишком уверен в себе, либо о том, что его модель обладает значительным оверфиттингом. Иными словами, он делает акцент на самопрезентацию, а не на точность прогноза.

В этом конкретном случае было не так очевидно, что экономистам удалось улучшить свои прогнозы дальнейшего развития цикла деловой активности. На рис. 6.5а представлены данные прогнозируемого уровня роста ВВП, взятые из опросов SPF, и его реальные значения за период с 1968 по 1985 г., которые Федеральный комитет мог принять во внимание, но предпочел отбросить. Как видно из рисунка, для этого периода характерна значительная экономическая нестабильность, как, например, происходило и во времена направляемой инфляцией рецессии середины 1970‑х и начала 1980‑х. Тем не менее эти результаты нельзя считать обескураживающими для прогнозистов, поскольку предсказанные и реальные параметры обладают достаточно сильной корреляцией.

Рис. 6.5а. Соотношение между прогнозируемыми и фактическими значениями ВВП, США, 1968–985 гг.

Однако если посмотреть на аналогичные данные за период с 1986 по 2006 г. (рис. 6.5б), то мы увидим совсем другую картину. Большинство точек попало в узкий диапазон от 2 до 5 %, и расположены они достаточно близко друг от друга. Так как в этот период значения ВВП изменялись не намного, средняя ошибка прогнозирования была меньше, чем в предыдущем периоде[90]. Тем не менее прогнозы не смогли уловить признаки умеренной рецессии ни в 1990 и 1991 гг., ни в 2001 г. В сущности, корреляция между прогнозируемыми и фактическими значениями практически отсутствовала. Это позволяет нам сделать вывод, что экономисты так и не научились предсказывать поведение экономики. Скорее, на какое-то время, когда экономика развивалась довольно слабо, их работа стала временно легче (как легче работа синоптика в предсказуемом Гонолулу по сравнению с работой в довольно непредсказуемом Буффало).

Рис. 6.5б. Соотношение между прогнозируемыми и фактическими значениями ВВП, США, 1986–006 гг.

Исследователи отбрасывают некоторые данные еще и потому, что, по их мнению, в экономике происходят те или иные фундаментальные изменения. В какой-то степени эта точка зрения оправдана. Американская экономика постоянно развивается, и периодически в ней действительно происходят структурные изменения (не так давно, например, произошел переход от экономики, определяемой промышленным производством, к экономике, определяемой сервисным сектором). Это не бейсбол, где правила игры никогда не меняются.

Проблема такого подхода в том, что вы никогда не знаете, когда возникает следующее изменение парадигмы, приведет ли оно к повышению или ослаблению волатильности, к усилению или ослаблению экономики. Нет никакого смысла использовать экономическую модель, предполагающую отсутствие значительных изменений, однако предсказание важных поворотных точек – довольно непростая работа.

Экономические данные переполнены шумом

Третья значительная проблема экономических прогнозов связана с тем, что исходные данные довольно плохи. Выше я уже упоминал, что в экономических прогнозах приводятся выводы, но редко упоминается о границах сделанных допущений. Возможно, экономистам кажется, что это способно пошатнуть их позиции как профессионалов. «Почему они не делятся информацией о допустимых интервалах? Возможно, им просто стыдно и неудобно», – говорил мне Хациус.

Однако неопределенность связана не только с экономическими прогнозами, но и с экономическими переменными. Большинство наборов экономических данных обычно пересматривается, и этот процесс может происходить через месяцы или даже годы после их первой публикации. Корректировки могут быть огромными{419}. Печальную известность приобрели сделанные правительством расчеты роста ВВП в последнем квартале 2008 г. Если поначалу говорилось о «незначительном» его снижении на уровне 3,8 %, то теперь принято считать, что экономика упала почти на 9 %. Если бы экономисты из Белого дома знали о реальных размерах экономической дыры, то, возможно, потребовали бы более серьезных стимулирующих мер в январе 2009 г. или же поняли, насколько глубокими оказались проблемы, и попытались бы создать более долгосрочное решение, а не предложили набор быстрых «заплаток».

Серьезные ошибки такого рода встречаются достаточно часто. За период 1965–2009 гг. изначальные расчеты квартального ВВП, сделанные правительством, были со временем пересмотрены в среднем на 1,7 пункта{420}. И это – среднее значение. Диапазон возможных изменений в каждом значении ежеквартального ВВП может оказаться еще выше, а величина ошибки в изначальных расчетах ежеквартального изменения ВВП равна ±4,3 %{421}. Это значит, что экономика может подняться после рецессии, даже если правительство изначально не заявляло о росте выше среднего, или наоборот. Например, поначалу правительство могло заявить, что экономика выросла на 4,2 % в четвертом квартале 1977 г., а затем изменить это значение на –0,1 %{422}.

Так что можно лишь посочувствовать тем, кто делает экономические прогнозы{423}. Довольно сложно понять, в каком направлении реально движется экономика. Однако задача усложняется еще сильнее, если вы для начала не знаете, где находитесь именно сейчас.

Бабочка машет крыльями в Бразилии, и кто-то в Техасе теряет работу

Сложная задача, которая стоит перед экономистами, вполне сравнима с той, с которой сталкиваются синоптики. По сути, им приходится решать две аналогичные фундаментальные проблемы.

Прежде всего, экономика, как и атмосфера, – это динамическая система. Каждый ее элемент влияет на все остальные, и система находится в бесконечном движении. В метеорологии это движение проявляется буквально, поскольку изменение погоды описывается в рамках теории хаоса – можно предположить, что взмах крыльев бабочки в Бразилии каким-то образом способен привести к торнадо в Техасе. Но, с определенной степенью допущения, можно сказать, что цунами в Японии или забастовка грузчиков в Лонг-Бич могут повлиять на то, найдет ли работу какой-нибудь житель Техаса.

Во-вторых, в прогнозах погоды начальные условия исходно точно не определены. Вероятностное выражение прогноза погоды («вероятность дождя – 75 %») возникает не вследствие случайности, присущей погоде. Скорее, это вызвано предположением метеорологов о том, что они используют неточные инструменты для оценки начальных условий и что поведение погоды (как следует из теории хаоса) в высшей степени чувствительно к изменениям начальных условий. Сходным образом, в экономическом прогнозировании качество исходных первичных данных также часто бывает достаточно плохим.

Однако в этой книге мы много говорим об успехах метеорологов. Очень многие прогнозы, начиная от траекторий ураганов и заканчивая изменением температуры в течение дня, стали значительно лучше, чем те, что были 10 или 20 лет назад. Это произошло благодаря повышению вычислительных мощностей, улучшению качественных методов сбора данных и старомодному упорному труду.

Но этого нельзя сказать об экономическом анализе. Любая иллюзия о том, что экономические прогнозы стали лучше, разбивается вдребезги о те ужасные ошибки, которые допустили экономисты перед последним финансовым кризисом{424}.

Хотя некоторые проблемы в работе метеорологов и напоминают проблемы экономистов – особенно когда мы говорим о динамической системе с неопределенными начальными условиями, – на стороне метеорологов выступает наука. Физика и химия явлений, подобных торнадо, довольно просты. Это не значит, что торнадо легко предсказывать. Однако у метеорологов имеется глубокое фундаментальное понимание и причин возникновения торнадо, и того, что заставляет их исчезать.

Экономика более пластична. Хотя экономисты и обладают достаточно четким пониманием основных систем, управляющих экономикой, причины и следствия часто пересекаются друг с другом, особенно во время раздувания пузырей или паники, когда система подвержена воздействию петель обратной связи, непосредственно влияющих на поведение человека.

Тем не менее, даже если разделить причины и следствия сложно, предпринимать такие попытки лучше, чем сдаваться. Давайте еще раз взглянем на то, что написал Хациус 15 ноября 2007 г.:

«Возможные убытки на рынке закладных представляют значительно бо́льшую угрозу для макроэкономики, чем принято считать… макроэкономические последствия могут быть значительными. Если инвесторы, использовавшие леверидж, столкнутся с совокупными убытками в 200 [млрд долл.], им придется компенсировать их объемом заимствований на сумму 2 трлн долл… Это будет серьезный шок… И легко представить, как он может привести к значительной рецессии или длительному периоду слабого роста».

По словам Хациуса, потребители пользовались слишком большим кредитом, чтобы заплатить за дома, стоимость которых из-за пузыря на жилищном рынке стала для большинства из них недоступной. Многие перестали платить по ипотеке, а это могло привести к еще более значительным потерям. Степень левериджа в системе могла бы лишь усилить эту проблему, парализуя кредитный рынок, да и всю систему финансовых услуг в целом. Шок может быть достаточно серьезным и подтолкнуть к возникновению сильной рецессии.

Именно это и произошло, когда разразился финансовый кризис. Прогноз Хациуса оказался не просто верным: в нем были правильно указаны причины кризиса и дано объяснение как причин, так и возможных последствий происходившего. Сам Хациус называет эту цепочку причинно-следственных событий «историей». И хотя эта история об экономике и управляется данными, ее корни лежат во вполне реальном мире.

Напротив, если вы будете рассматривать экономику как набор переменных и уравнений, не принимая во внимание ее фундаментальную структуру, то почти гарантированно ошибетесь и примете шум за сигнал, ошибочно заставив себя (и доверчивых инвесторов) думать, что вы создаете хороший прогноз, хотя на самом деле это не так. Давайте посмотрим, что произошло с одним из конкурентов Хациуса – компанией ECRI.

В сентябре 2011 г. ECRI говорила о почти гарантированной глубокой рецессии.

«Политики ничего не могут сделать для исправления ситуации, – утверждалось в заявлении компании{425}. – Если вы думаете, что происходящее сейчас – это плохое состояние экономики, то считайте, что вы еще ничего не видели». В интервью управляющий директор компании Лакшман Ахутхан предположил, что рецессия может начаться прямо сейчас, если уже не началась{426}. Компания обосновала свое заключение следующим образом:

«Наше мнение об угрозе рецессии основано не на одном или двух опережающих индексах, а на десятке специализированных показателей, в том числе долговременных основных показателях США… за которыми следует снижение еженедельных основных показателей и других, более коротких опережающих индексов. По сути, большинство надежных прогнозных индикаторов ведет себя так, как если бы мы находились на пороге полноценной рецессии»{427}.

Это заключение написано на профессиональном языке, однако ему недостает реальной экономической сути. Это – повествование о данных, как будто данные сами по себе способны вызвать рецессию, а не об экономике. Но компания ECRI гордится таким подходом. В 2004 г. в документе, адресованном клиентам, ее руководители писали: «Так же, как вам, чтобы ездить на автомобиле не нужно точно знать, как работает его двигатель, вам не нужно понимать все тонкости экономики для того, чтобы пользоваться сделанными нами выводами»{428}.

Подобные заявления становятся все более распространенными в эпоху Больших данных{429}. Кому нужна теория, когда у вас так много информации? Однако подобная точка зрения категорически неверна в области прогнозов, особенно экономических, где данные наполнены шумом. Статистические выкладки кажутся куда более убедительными, если они подкреплены теорией или хотя бы сопровождаются глубоким размышлением об их фундаментальной основе. Разумеется, в сентябре 2011 г. имелись причины для экономического пессимизма{430} – например, долговой кризис, разворачивавшийся в Европе, – однако ECRI даже не смотрела в сторону этих событий. Вместо этого она варила суп из случайных переменных, принимая совпадение за причинно-следственную зависимость{431}.

Следует отметить, что после прогноза ECRI в экономике действительно возникла поворотная точка – однако она была позитивной. Показатель S&P 500 набрал 21 % за пять месяцев после того, как после ECRI заявила о возможной рецессии{432}, а рост ВВП составил в последнем квартале 2011 г. неплохие 3 % вместо того, чтобы упасть в результате рецессии. ECRI пустилась в объяснения о том, что воздействие позитивных факторов усилилось в 2012 г., что невозможно было предсказать изначально{433}.

Когда предвзятые прогнозы оказываются рациональными

Если вам действительно нужен экономический прогноз, то лучше всего обращаться к средним или обобщенным прогнозам, чем к прогнозам отдельных экономистов. Мое исследование обзоров профессиональных прогнозистов в сфере экономики SPF показало, что обобщенные прогнозы примерно на 20 % точнее, чем индивидуальные, предсказывают величину ВВП, на 10 % – уровень безработицы и на 30 % – уровень инфляции{434}. Эта особенность – групповые прогнозы переигрывают индивидуальные – проявлялась почти в любой области, где проводились подобные исследования.

И хотя идея о том, что обобщенные прогнозы оказываются лучше индивидуальных, может считаться важной с эмпирической точки зрения, порой она используется как отговорка, препятствующая улучшению прогнозов. Обобщенный прогноз создается из отдельных; и если они улучшаются, то улучшается и групповой результат. Более того, даже обобщенные экономические прогнозы оказываются достаточно плохими с точки зрения работы в реальном времени, так что в этом вопросе есть над чем работать.

Большинство экономистов высказывает свои суждения при создании прогноза с определенными условиями, а не делятся результатами статистической модели как таковой. С учетом того, насколько сильно данные забиты шумом, это имеет смысл. Исследование Стивена К. Макнесса, бывшего вице-президента Федерального резервного банка Бостона, показало, что корректировки методов статистических прогнозов, связанные с теми или иными суждениями, позволяют повысить точность прогнозов примерно на 15 %{435}. Идея о том, что статистическая модель будет способна «решить» проблему экономического прогнозирования, была довольно расплывчатой в 1970‑е и 1980‑е гг., когда компьютеры только начинали получать широкое распространение. Однако, как и в других областях (например, при предсказании землетрясений), улучшение технологий не компенсировало недостатка теоретического понимания экономики. По сути, компьютеры дали экономистам лишь более быстрые и продвинутые способы ошибочно принимать шум за сигнал. Модели, прежде казавшиеся многообещающими, в тот или иной момент терпели поражение и отправлялись в мусорное ведро{436}.

Свою роль в развитии искажений играют и человеческие суждения. Вы можете создать прогноз, который волшебным образом станет соответствовать вашим экономическим стимулам или политическим убеждениям. Вы можете возгордиться и не захотите изменить его, даже когда этого потребуют факты и обстоятельства. «Я думаю, что у людей есть одна тенденция, которой стоит активно противостоять, – сказал мне Хациус, – она заключается в том, что человек воспринимает информационный поток таким, каким он хочет его видеть». Но есть ли экономисты, которым удается лучше других управлять этим компромиссом? Можно ли считать, что экономист, правильно предсказавший рецессию в прошлом, сможет предсказать и будущую? На этот вопрос есть интересный ответ.

Когда мы, чтобы оценить умение прогнозировать, применили статистические методы анализа к данным SPF, результат оказался в целом негативным{437}.

Иными словами, при изучении результатов мы не можем сделать вывод о том, что некоторые экономисты обычно создают более хорошие прогнозы, чем остальные. Однако изучение прогнозов другой группы экспертов – от компаний «голубых фишек» (Blue Chip Economic Survey) – позволило получить более позитивные результаты{438}. Разумеется, в экономическом прогнозировании велика доля удачи: экономисты, которые последовательно защищают «медвежью» или «бычью» точку зрения, время от времени гарантированно будут правы. Однако исследования мнения экспертов «голубых фишек» показали, что некоторым из них действительно удается создавать лучшие прогнозы на долгосрочную перспективу.

В чем состоит разница между двумя опросами? Опрос SPF проводится анонимно: каждый экономист получает случайный номер, не меняющийся от опроса к опросу, однако у читателей нет никакой возможности понять, кто скрывается за тем или иным номером. В рамках опроса «голубых фишек» прогноз каждого участника подкрепляется его именем и репутацией.

Если рядом с прогнозом стоит ваше имя, это может привести к изменению структуры ваших стимулов. Допустим, вы работаете на малоизвестную компанию. В этом случае для вас может иметь смысл создавать достаточно дикие прогнозы – пусть они и не будут сбываться достаточно часто, но в случае успеха вам гарантировано должное внимание. С другой стороны, сотрудники компаний типа Goldman Sachs должны вести себя более консервативно, для того чтобы оставаться в рамках консенсуса.

Именно это и было выявлено в результате исследования прогнозов Blue Chip{439} – довольно заметное явление под названием «искажения из соображений рациональности»{440}. Чем менее известно ваше имя, тем меньше вы можете потерять, принимая на себя риски, связанные с прогнозами. Даже если вы знаете, что вы немного лукавите в своем прогнозе, для вас может иметь смысл попытаться сделать большую ставку. С другой стороны, если у вас уже имеется серьезная репутация, вы, возможно, не захотите слишком отклоняться от общей точки зрения, даже в том случае, когда, по вашему мнению, это следует из имеющихся данных.

Каждое из этих опасений, связанных с вашей репутацией, способно отвлечь вас от основной цели – создания наиболее честных и точных прогнозов. Несмотря на довольно незначительные различия, исторические данные по анонимным участникам SPF показывают, что им удавалось немного лучше предсказывать показатели ВВП и безработицы, чем участникам экспертов из «голубых фишек», заботящихся о своей репутации{441}.

Преодоление искажений

Если оказалось, что создавать плохие прогнозы рационально, то можно предположить, что у таких прогнозов есть свой рынок и есть потребители, способствующие их развитию. Подобно тому как в политике существует целая группа экспертов, делающих карьеру на том, что они предлагают довольно дикие идеи аудиториям, состоящим из представителей той или иной партии, в экономике также имеются свои «медведи», «быки» и прочие участники, которые всегда захотят прислушаться к вашим выводам. Иногда экономические прогнозы напрямую связаны с политическими целями (расчеты показывают, что экономические прогнозы, созданные Белым домом, исторически были одними из самых неточных{442}, вне зависимости от того, кто занимал пост президента – демократ или республиканец).

Однако, когда речь заходит об экономическом прогнозировании, ставки значительно повышаются. Как отметил Роберт Лукас, линия между экономическим прогнозированием и экономической политикой достаточно размыта. Плохой прогноз способен ухудшить ситуацию в реальной экономике.

Впрочем, можно надеяться, что процесс экономического прогнозирования значительно улучшится в дальнейшем за счет использования новых технологических усовершенствований. Например, поисковый трафик Google может уже сейчас служить опережающим индикатором для ряда экономических показателей, таких как уровень безработицы.

«Давайте рассуждать: показатель запросов, связанных со страховками на случай потери работы, может служить хорошим индикатором, предсказывающим уровень безработицы, а тот, в свою очередь, хорошим индикатором, предсказывающим уровень экономической активности», – рассказывал мне главный экономист Google Хэл Вариан во время моего визита в головной офис Google в Маунтин-Вью, штат Калифорния.

«Мы можем предсказать рост количества таких страховок заранее. Если вы работаете в компании, в которой начинают ходить слухи о сокращении штатов в ближайшем будущем, сотрудники начинают создавать поисковые запросы типа “Где находится ближайший офис бюро занятости”, “как подавать заявление на бирже труда” и т. д. Так что это вполне может рассматриваться как некий опережающий индикатор». Тем не менее история прогнозирования в экономике и других областях показывает, что технологические усовершенствования не приносят особой пользы, если они компенсируются человеческими предубеждениями. У нас нет серьезных оснований считать, что экономическое прогнозирование не подвержено влиянию таких предубеждений. Например, прогнозисты, по всей видимости, ничему не научились на опыте с Великой рецессией. Если посмотреть на прогнозы роста ВВП, сделанные участниками SPF в ноябре 2011 г. (рис. 6.6), то мы увидим, как проявляется та же самоуверенность, что и в 2007 г. Экономические сценарии, как позитивные, так и негативные, создаются с невероятной лихостью, никак не учитывающей степень исторической правильности прежних прогнозов{443}.

Рис. 6.6. Прогнозируемое распределение вероятностей: реальный рост ВВП США (2012 г.) и исторические ошибки прогнозирования (по данным SPF, ноябрь 2011 г.)

Если мы захотим снизить влияние таких искажений – а мы никогда не сможем избавиться от них полностью, – то у нас имеются два фундаментальных альтернативных способа. Первый связан с предложением точных экономических прогнозов, а второй – со снижением спроса на неточные или слишком самоуверенные прогнозы. Робин Хэнсон, экономист Университета Джорджа Мэйсона, относится к серьезным защитникам первого подхода. Мы встретились с ним за обедом в одном из его любимых марокканских ресторанов в Северной Виргинии. Робину уже за 50, но выглядит он значительно моложе (несмотря на довольно большую лысину). Он склонен к эксцентричным поступкам. Так, он планирует, что после смерти его голова будет заморожена в криогенной камере{444}. Кроме этого, он поддерживает идею системы, которую сам называет «футархией» (futarchy), при которой решения политических вопросов принимаются не политиками, а по итогам работы рынков предсказаний{445}. Совершенно очевидно: этот человек не боится бросить вызов общепринятым точкам зрения.

«Я думаю, что самый интересный вопрос состоит в том, как мало усилий мы в реальности прикладываем к прогнозированию даже тех вещей, которые, по нашим словам, для нас крайне важны, – сказал мне Хэнсон, как только нам принесли обед. – В школах MBA часто рисуется образ менеджера как автора великих решений – человека, принимающего решения “по науке”. У него есть электронные таблицы, статистика, и он умеет взвешивать различные варианты. Однако на практике менеджмент значительно сильнее связан с управлением коалициями, поддерживающими тот или иной проект. В случае если вы создали коалицию, а затем в самый последний момент прогнозы начинают меняться, вы же не отбрасываете проект в сторону?»

«Судя по всему, в сборе данных о качестве исторических прогнозов не заинтересованы даже академические ученые, – добавил он позже. – Возможно, они не видят в этом смысла? Куда более фундаментальная проблема состоит в том, что в нашем обществе есть спрос на экспертов, но нет спроса на точные прогнозы». В качестве решения этой проблемы Хэнсон пропагандируют идею создания рынков предсказания – систем, в которых вы можете делать ставки на определенный экономический или политический исход, например, вступит ли Израиль в войну с Ираном или насколько вырастет глобальная температура вследствие климатических изменений. Его точка зрения в данном вопросе достаточно проста: возникающие при этом методе финансовые риски заставляют нас быть более точными и не пытаться хорошо выглядеть в глазах других.

Мы еще вернемся к идее рынков предсказаний в главе 11. Разумеется, она не является панацеей, особенно если мы допустим ошибку и предположим, что эта система никогда не может ошибаться сама по себе. Однако, по словам Хэнсона, она способна улучшить, хотя бы отчасти, систему стимулирования экспертов.

Эта система может применяться, например, для оценки макроэкономических переменных типа величины ВВП или уровня безработицы. Уже сейчас имеется довольно много прямых и косвенных способов делать ставки на величину показателей инфляции, процентных ставок и цены на товары, но пока что не создано сколь-нибудь важного рынка для оценок ВВП.

У таких рынков может найтись своя аудитория. Не так давно четко проявлялась корреляция между ценами на акции и макроэкономическими рисками{446}, поэтому в данном случае они могут выступать в качестве своеобразного инструмента хеджирования. Эти рынки смогут также предоставлять информацию в режиме реального времени политикам, выступая, по сути, инструментом постоянного обновления прогнозов по ВВП. Если добавить в систему несколько вариантов ответа – скажем, ставки на то, что ВВП вырастет на 5 % и снизится на 2 %, – это позволит наказать слишком самоуверенных прогнозистов и обеспечит более надежные расчеты неопределенностей, присущих прогнозированию экономики.

На осуществление другого решения, связанного со спросом, потребуется значительно больше времени. В сущности, оно предполагает, что мы должны стать лучше в качестве потребителей прогнозов. В контексте экономического прогнозирования это может означать, что нам следует отвернуться от шарлатанов с их «черными ящиками», набитыми случайными комбинациями опережающих индикаторов, и обратиться в сторону людей типа Яна Хациуса, рассказывающих о сути экономических явлений. Также из этого может следовать вывод о том, что необходимо уделять больше внимания уровню шума в экономических показателях и прогнозах. Возможно, нам надо потребовать, чтобы в расчетах ВВП указывались пределы их точности, так же как это происходит в опросах на политические темы.

В более общем смысле это означает, что мы должны признать следующее. Объем доверия, который мы выражаем к тому или иному прогнозу, еще не говорит о его правильности. Напротив, между этими качествами может иметься обратная зависимость. Самая главная опасность – как в экономике, так и в других областях – возникает, когда мы препятствуем прогнозистам, желающим максимально полно и детально описать риски, присущие окружающему нас миру.

Грипп обрушивался на Форт-Дикс[91] каждый год, как по часам. Он стал своеобразным обрядом посвящения. Большинство солдат разъезжалось на Рождество по домам, расположенным по всей территории Соединенных Штатов. Возвращались же они на базу сытыми, хорошо отдохнувшими, но при этом «прихватывали» и переносили любые вирусы, которые только могли найтись в их родных городах. Если где-то в стране царил грипп, то обычно он «прибывал» вместе с ними. В казарме трудно уединиться. Если даже один солдат заболевал гриппом, обстановка казармы становилась чуть ли не идеальным условием для переноса болезни.

Такое положение дел обычно не вызывало особого беспокойства – десятки миллионов американцев ежегодно заболевают гриппом в январе-феврале. И очень малое количество заболевших умирает от этой болезни. Исключением не были и молодые мужчины, такие как Дэвид Льюис, 19-летний рядовой из Уэст-Эшли, штат Массачусетс, который вернулся в Форт-Дикс после отпуска. Поэтому Льюис, хотя и чувствовал себя хуже других новобранцев и мог остаться в казарме, решил не отставать от товарищей и отправился в 80-километровый переход через покрытые снегом равнины центральной части штата Нью-Джерси. Он совсем не хотел, чтобы небольшая лихорадка ему помешала. На дворе стоял 1976 г. – год 200-летия основания страны, которая так нуждалась в порядке и дисциплине после Уотергейта и Вьетнама{447}.

Но Льюис так и не вернулся в казарму. Пройдя 20 км после начала марш-броска, он потерял сознание, а затем был объявлен умершим. Вскрытие показало, что легкие Льюиса наполнены кровью. Он умер от воспаления легких – типичного осложнения, вызванного гриппом, которое, однако, редко приводит к смерти здоровых и молодых людей.

Медики Форт-Дикс к тому времени уже были обеспокоены ситуацией на базе. Несмотря на то что у нескольких сотен солдат, заболевших гриппом той зимой, был выявлен штамм A/Victoria (распространенный и сравнительно безопасный вирус, путешествовавший в том году по всему миру{448}), им пришлось столкнуться и с более тяжелыми случаями заболеваний, такими как у Льюиса, пострадавшего от другой, малоизвестной и, по всей видимости, гораздо более опасной разновидности гриппа. Образцы крови Льюиса были отправлены Центр по контролю за заболеваниями (Center for Disease Control – CDC), который находится в Атланте, для дальнейшего исследования.

Через две недели CDC удалось распознать этот таинственный вирус. Это была не новая разновидность, а скорее, пугающий призрак прошлых эпидемий – вирус инфлюэнцы типа H1N1, более часто известный под названием «свиной грипп». Именно он вызывал самую страшную пандемию в современной истории – «испанку» 1918–1920 гг., во время которой заболело 30 % населения планеты и умерло 50 млн человек, в том числе 675 тыс. в Соединенных Штатах{449}. Это открытие взволновало все эпидемиологическое сообщество страны, причем не только с научной точки зрения, не последнюю роль сыграло и суеверие. Эпидемия 1918 г. также началась на военной базе Форт-Райли в Канзасе, где солдаты готовились к вступлению в Первую мировую войну{450}. Более того, в то время существовало убеждение – основанное на довольно хлипких научных свидетельствах, – что серьезная эпидемия гриппа проявляется примерно каждые 10 лет{451}. Всплески гриппа наблюдались в 1938, 1947, 1957 и 1968 гг.{452}; поэтому в 1976 г. мир готовился к новой пандемии.

Вскоре появились и пугающие предсказания. Проблема была связана не с текущей вспышкой, к тому времени как CDC удалось выявить штамм N1H1, сезон гриппа уже почти исчерпал себя. Однако ученые опасались, что следующей зимой может произойти нечто куда более страшное. Как писал в газете New York Times один видный врач{453}, на практике никогда не было случая, чтобы новый штамм гриппа не смог бы вытеснить своих конкурентов и не стать глобальным гегемоном. Иными словами, достаточно слабый штамм A/Victoria не имел никаких шансов выстоять в борьбе против своего опасного и изобретательного соперника. Если бы в мире начала развиваться эпидемия, хотя бы отдаленно похожая на события 1918 г., то можно было бы ожидать самых страшных последствий. По оценкам Ф. Дэвида Мэтьюса, советника по вопросам здравоохранения президента Джеральда Форда, в результате могло бы умереть до 1 млн американцев, значительно больше, чем в 1918 г.{454}.

Президент Форд оказался в затруднительном положении. Перед тем как начать изготавливать вакцины в промышленных масштабах, как это происходит и в индустрии моды, требуется по крайней мере шесть месяцев для того, чтобы понять, какая вакцина будет самой популярной в следующем сезоне. Формула немного меняется каждый год. Если создавать вакцину против H1N1 необходимо – особенно в количествах, достаточных для спасения всей страны, – работу нужно было начинать немедленно. Между тем Форд старался изменить общественное мнение, считавшее его медленно соображающим и неуверенным в себе. Это впечатление усиливалось с каждым уик-эндом благодаря талантливым пародиям актера Чеви Чейза, выходившим на канале NBC в новом популярном шоу под названием «Saturday Night Live». Поэтому Форд решил сделать решительный шаг и попросил Конгресс заказать около 200 млн доз вакцины и запустить программу массовой вакцинации. Программ такого масштаба у страны не было со времен, когда Йонас Солк разработал вакцину от полиомиелита в 1950‑е гг.

Пресса очень скептически отнеслась к новой программе массовой вакцинации, назвав происходившее азартной игрой{455}. Однако Форд понимал, что это игра между деньгами и жизнями и что он сам находится на правильной стороне. Подавляющее большинство обеих палат Конгресса одобрило его планы, на реализацию которых требовалось 180 млн долл.{456}.

Тем не менее к лету начали появляться серьезные сомнения, касающиеся планов правительства. Хотя лето обычно не сезон для гриппа в США{457}, в Южном полушарии была зима, время, когда грипп обычно достигает пика. И нигде, от Окленда до Аргентины, не было следов H1N1; напротив, вновь стал доминировать умеренный и привычный штамм A/Victoria. По сути, две сотни заболевших в Форт-Дикс стали единственными подтвержденными случаями возникновения H1N1 в мире, а рядовой Льюис – единственной жертвой. На программу обрушился нескончаемый поток критики – буквально со всех сторон. Ее критиковали и помощник директора CDC{458}, и Всемирная Организация Здравоохранения{459}, и престижный британский медицинский журнал Lancet{460}, и редакторы New York Times, охарактеризовавшие угрозу H1N1 как «ложную тревогу»{461}. Ни одна другая западная страна не призвала принять столь же решительные меры, как это сделали США.

Вместо того чтобы признаться в том, что угроза оказалась переоцененной, администрация Форда решила нанести ответный удар. Она подготовила серию довольно пугающих объявлений и запустила их в регулярную ротацию на национальных телевизионных каналах{462}. В одном ролике высмеивалась наивность людей, отказывавшихся от прививки. Сначала герой, изображавший довольно типичного американца, говорил: «Я самый здоровый 55-летний человек, которого вам только доводилось видеть, – я играю в гольф каждые выходные!» – а в следующем кадре он уже лежал на смертном одре. В другом хриплый женский голос повествовал о том, как вирус передавался от одного человека другому, причем так, что у зрителей возникали ассоциации с заболеванием, передававшимся половым путем: «Мать Бетти передала его водителю такси… и одной из тех очаровательных стюардесс… а та передала его своей подруге Дотти, у который случился сердечный приступ, и она умерла».

Эти довольно манерные ролики были призваны донести до зрителей очень серьезное сообщение – американцам нужно было бояться, и бояться очень сильно. Страна заглотнула наживку. Однако страх проявился скорее по отношению к вакцине, чем к самой болезни. На протяжении всей американской истории сама мысль о том, что правительство тыкает иголки в руки жителям, всегда вызывала серьезное беспокойство. Однако на этот раз причины для общественного беспокойства были куда более серьезными. В августе того же года под давлением компаний – изготовителей лекарств Конгресс и Белый дом согласились освободить их от юридической ответственности в случае производственных дефектов. Общественность восприняла это как вотум недоверия. Казалось, что правительство торопится выпустить в свет вакцину, которая не была протестирована в течение времени, необходимого для полного исследования. Проведенные тем летом опросы показали, что лишь около 50 % американцев планировали сделать прививку, и это значение оказалось очень далеким от той цели – вакцинации 80 % населения, поставленной правительством{463}.

Волнение достигло апогея только в октябре, когда началась программа вакцинации. 11 октября появился отчет из Питтсбурга о том, что три пенсионера умерли вскоре после прививки. То же самое произошло с двумя стариками в Оклахома-Сити, а потом еще с одним в Форт-Лодердейле{464}. На самом деле ничто не свидетельствовало о том, что эти смерти были связаны с вакцинацией – в конце концов, пожилые люди умирают каждый день{465}. Однако в тех условиях, когда люди проявляли беспокойство по поводу правительственной программы вакцинации и при этом плохо разбирались в тех статистических данных, что узнавали из СМИ{466}, каждая смерть человека, сделавшего прививку, становилась поводом для тревоги. Даже журналист Уолтер Кронкайт, человек, которому верило большинство американцев, отказался от своей привычной сдержанности и призвал СМИ успокоиться, однако безрезультатно. Клиники в Питтсбурге и многих других городах были закрыты{467}.

К концу осени возникла еще одна проблема, куда более серьезная. Около 500 пациентов, получивших прививку, начали испытывать симптомы редкого неврологического расстройства, известного как синдром Гийена – Барре (аутоиммунного расстройства, способного вызвать паралич). На этот раз статистические данные выглядели гораздо более убедительными – обычная заболеваемость синдромом Гийена – Барре в популяции – примерно один случай на 1 млн человек{468}. Показатель для населения, получившего прививку, был в 10 раз выше – 500 случаев на 50 млн человек. Хотя ученые и не были до конца уверены в причинах, вызывавших синдром, но наиболее правдоподобным виновником были названы производственные дефекты, связанные с лихорадочным графиком работ{469}. Медицинское сообщество пришло к единому мнению{470}: эта программа вакцинации должна быть закрыта навсегда, и правительство наконец сделало это 16 декабря.

В конце концов всплеск H1N1 в Форт-Дикс оказался полностью изолирован; в стране больше не выявили ни одного подтвержденного случая заболевания{471}. При этом смертность от обычного штамма A/Victoria зимой 1976/77 г. оказалась чуть ниже среднего значения{472}. По сути, ситуацию можно было описать выражением «много шума из ничего».

Эта история, вскоре получившая название «фиаско свиного гриппа», оказалась катастрофической для президента Форда. В ноябре того же года он проиграл очередные выборы демократу Джимми Картеру{473}. Производители лекарств были освобождены от какой-либо юридической ответственности, в связи с чем граждане обратились в суд против правительства Соединенных Штатов, выдвинув иски на общую сумму 2,6 млрд долл.{474}. Казалось, что каждая местная газета опубликовала статью о бедной официантке или школьном учителе, который исполнил свой долг и сделал прививку, после чего пострадал от синдрома Гийена – Барре. Количество американцев, готовых получить прививку от гриппа, снизилось примерно до 1 млн человек{475}, что могло привести к смертельной угрозе для страны, если бы на нее в 1978 или 1979 гг. обрушился более серьезный штамм гриппа{476}.

Действия президента Форда в этой ситуации были безответственными сразу на нескольких уровнях. Для начала он выстроил прямые параллели с событиями 1918 г., тем самым выступив против мнения медицинских экспертов (считавших, что вероятность столь неблагоприятного исхода составляет всего от 2 до 35 %){477}.

Тем не менее до сих пор осталось неясным, что способствовало исчезновению H1N1 – столь же внезапному, как и его появление. Прогнозы, сделанные в отношении этого штамма, имели значительно больше шансов сбыться, когда он вернулся примерно 33 года спустя. Поначалу, после первых признаков возвращения H1N1 в 2009 г., ученые не обратили на него внимания, а затем, как только он проявил себя достаточно серьезно, они значительно переоценили угрозу.

Фиаско свиного гриппа, часть вторая?

Важную роль в распространении вируса играют птицы, особенно дикие морские птицы типа альбатросов, чаек, уток, лебедей и гусей, которые переносят его гены с одного континента на другой, но редко сами заболевают. Они передают его другим биологическим видам – особенно свиньям и одомашненным птицам, таким как куры{478}, которые живут в большей близости к человеку. Куры могут заболеть гриппом, но обычно достаточно хорошо с ним справляются, выживают и передают своим хозяевам. Свиньям это удается еще лучше, поскольку они восприимчивы и к человеческим, и к птичьим заболеваниям (не говоря уже о своих собственных). По сути, они могут представлять собой своеобразный «сосуд», в котором различные штаммы вируса могут смешиваться и мутировать вместе{479}.

Таким образом, идеальным инкубатором для свиного гриппа будет регион, в котором соблюдаются три условия.

1. Люди и свиньи живут в тесной близости друг к другу, то есть свинина в этом регионе является одним из основных продуктов питания.

2. Местность должна находиться вблизи от океана, что создает условия для осуществления контакта между свиньями и мореплавающими птицами.

3. Большая вероятность, что это регион одной из развивающихся стран, где из-за бедности более низкий уровень гигиены и санитарии, что позволяет вирусам животных легче передаваться людям.

Эти три условия почти идеально описывают такие страны Юго-Восточной Азии, как Китай, Индонезия, Таиланд и Вьетнам (в одном только Китае живет почти половина всего мирового поголовья свиней{480}). Данные страны часто становятся местом зарождения различных штаммов гриппа, вызывающих заболевания животных и потенциально способных привести к глобальной пандемии[92]. Поэтому они уже давно стали объектом пристального внимания медицинского сообщества, особенно в последние годы, когда усилился страх появления очередного штамма вируса. В течение ряда лет в Восточной Азии вызревал штамм H5N1, известный как «птичий грипп», различные мутации которого могут привести к невероятно опасным последствиям.

Однако опасный регион не ограничивается Азией. Например, в мексиканском штате Веракрус условия для распространения гриппа столь же благоприятны. Веракрус располагается на берегу Мексиканского залива, а сама Мексика – развивающаяся страна, в кулинарных традициях которой делается большой акцент на свинине{481}. Именно в штате Веракрус, в регионе, на которой обращало внимание крайне мало ученых{482}, и начался всплеск H1N1 2009 г.{483}.

К концу апреля 2009 г. ученые начали получить огромное количество данных о заболеваниях свиным гриппом в штате Веракрус и других частях Мексики. В некоторых отчетах приводилась цифра о 1900 случаях заболевания H1N1 в Мексике и порядка 150 смертельных исходов. Соотношение этих двух цифр, известное как «смертность», казалось очень высоким: от этого гриппа умерло около 8 % заразившихся людей, что превышало показатели для эпидемии «испанки»{484}.

Более того, многие из умерших были сравнительно молодыми и здоровыми взрослыми людьми (что часто считается еще одной характеристикой серьезной проблемы). Вирусу удавалось успешно репродуцироваться. Случаи заболевания были выявлены в Канаде, Испании, Великобритании, Израиле, Новой Зеландии, Германии, Нидерландах, Швейцарии и Ирландии (помимо Мексики и Соединенных Штатов){485}.

Внезапно показалось, что именно H1N1– а не H5N1– и есть тот враг, появления которого ученые боялись все эти годы. Мехико оказался фактически закрыт на карантин; европейские страны порекомендовали своим гражданам не ездить в Мексику или США. Фондовые рынки в Гонконге и Сингапуре (странах, особенно обеспокоенных пандемией гриппа) испытали резкое падение{486}.

Однако вскоре опасения поутихли. Хотя свиной грипп и распространялся в США невероятно быстро – начиная с 20 подтвержденных случаев 26 апреля до 2618 уже 15 днями позже{487}, в большинстве случаев заболевание протекало достаточно умеренно. В США было подтверждено всего три смертельных исхода, то есть показатель смертности был вполне сопоставим с таковым при заболевании обычным гриппом. Уже через неделю после того, как всем казалось, что свиной грипп обладает безграничным разрушительным потенциалом, CDC порекомендовала вновь открыть закрытые школы.

Однако болезнь продолжала распространяться по всему миру, и к июню 2009 г. ВОЗ присвоила ей шестой уровень, то есть самый высокий уровень угрозы. Ученые боялись, что болезнь будет распространяться в тех же масштабах, что и эпидемия «испанки» 1918 г., которая поначалу была достаточно умеренной, однако ее вторая и третья волны оказались смертельно опасными (рис. 7.1). К августу настроение жителей США вновь сменилось на пессимистичное. Власти страны начали описывать «вполне правдоподобный сценарий», при котором до половины населения страны могло быть инфицировано свиным гриппом, а около 90 тыс. американцев могло умереть{488}.

Рис. 7.1. Смертность в результате вспышек заболеваний вирусом H1N1 в 1918–919 гг.

Однако эти прогнозы оказались необоснованными. В конце концов правительство США сообщило о том, что в 2009 г. штаммом H1N1 оказалось инфицировано около 50 млн американцев, то есть не половина, а примерно одна шестая часть населения страны, и что от болезни умерло 11 тыс. человек{489}. Штамм H1N1 оказался на удивление умеренным, и смертность составила всего 0,02 %. Фактически от гриппа в 2009–2010 гг. умерло чуть меньше людей, чем в любой другой год{490}. Конечно, эта ошибка в данных была не столь эпической, как в 1976 г., однако прогнозы оказались неудачными от начала и до конца.

Нет никаких гарантий, что прогнозы распространения гриппа будут лучше в следующий раз. Грипп и другие инфекционные заболевания обладают рядом свойств, вследствие которых их распространение очень сложно предсказать.

Опасность экстраполяции

Экстраполяция является одним из основных методов прогнозирования, порой слишком простым. В сущности, это предположение о том, что текущая тенденция будет развиваться и в будущем, причем до бесконечности. Некоторые самые известные неудачные предсказания были сделаны именно вследствие слишком вольного обращения с подобным предположением.

Например, на рубеже XX в. многие градостроители были обеспокоены увеличением использования конных экипажей, следствием использования которых было загрязнение улиц конским навозом. Один из авторов газеты Times of London предсказывал, что если в 1894 г. улицы Лондона, фигурально выражаясь, погрязли по колено в навозе, то к 1940‑м гг. они окажутся погребенными под трехметровой толщей этой субстанции{491}. К счастью, примерно через 10 лет после публикации этой статьи Генри Форд начал производить первые прототипы автомобиля «Модели Т», и подобного кризиса удалось избежать.

Экстраполяция также стала виновником и некоторых других неудачных предсказаний, связанных с ростом населения. Возможно, самые первые серьезные усилия по предсказанию роста населения в мире были предприняты английским экономистом сэром Уильямом Петти в 1682 г.{492}. В то время статистика населения была не особенно доступна, и Петти выполнил большую инновационную работу, чтобы рассчитать (достаточно точно), что темп роста населения в XVII в. был довольно медленным. Однако затем он совершенно неверно предположил, что события в будущем станут развиваться точно такими же темпами, и, согласно его прогнозам, глобальное население планеты в 2012 г. должно было составить всего чуть более 700 млн человек{493}.

Через сто лет началась промышленная революция, и население начало расти значительно быстрее. В реальности количество жителей планеты, перевалившее за 7 млрд в конце 2011 г.{494}, примерно в 10 раз больше, чем следовало из прогнозов Петти.

В 1968 г. была издана достаточно противоречивая книга «Демографическая бомба» (Paul Ehrlich «Population Bomb»), написанная биологом из Стэнфорда Полом Р. Эрлихом и его женой, Анной Эрлих. В ней была допущена противоположная ошибка. Авторы этой книги совершенно ошибочно предположили, что от голода в 1970‑е гг. умрут сотни миллионов людей{495}. Неудача этого предсказания была вызвана огромным количеством причин, в том числе и склонностью Эрлихов концентрироваться на самых страшных сценариях, чтобы привлечь внимание к своей точке зрения. Однако одна значительная проблема состояла в том, что они предполагали сохранение высокого уровня рождаемости, присущего эре свободной любви 1960‑х гг., и в будущем. С их точки зрения, это означало появление все большего и большего количества голодных ртов[93].

«В процессе написания “Демографической бомбы” я предполагал, что интерес людей к сексу и детям настолько силен, что изменить размер семьи будет сложно, – рассказывал мне Пол Эрлих в коротком интервью, – но затем мы поняли, что, если относиться к женщинам достойно и предоставить им достаточно возможностей для работы, показатель рождаемости начинает снижаться». Другие ученые, не склонные к подобным упрощениям, поняли это уже тогда. Прогнозы роста населения, изданные ООН в 1960‑е и 1970‑е гг., в целом достаточно точно показали, чему будет равна численность населения планеты через 30 или 40 лет{496}.

Экстраполяция приводит к одной из самых значительных проблем при исследовании как роста населения, так и распространения болезней, когда изучаемый показатель увеличивается по экспоненте. В начале 1980‑х гг. совокупное количество случаев заболевания СПИДом, диагностированных в США, росло в геометрической прогрессии{497}: в 1980 г. было 99 случаев, в 1981 г. – 434, а к 1984 г. оно достигло 11 148. Эти цифры можно нанести на график, как сделали некоторые ученые в то время{498}, и попытаться его экстраполировать, чтобы выявить закономерность. В этом случае можно было бы сделать прогноз о том, что количество случаев СПИДа, диагностированных в США, могло бы вырасти к 1995 г. до 270 тыс. Довольно неутешительный прогноз, однако на самом деле все стало гораздо хуже: к 1985 г. СПИДом заболело около 560 тыс. человек, то есть примерно в два раза больше (рис. 7.2).

Рис. 7.2. Общее количество случаев заболевания СПИДом, диагностированных в США: реальное до 1984 г. и экстраполированное до 1995 г.

Возможно, однако, что с точки зрения статистики точные прогнозы, основанные на экстраполяции по экспоненциальной шкале, вообще нельзя делать. Даже корректная версия этого метода{499}, учитывающая предел погрешности, показывает, что количество случаев заболевания СПИДом в 1995 г. могло колебаться в пределах от 35 тыс. до 1,8 млн. Этот диапазон слишком широк, чтобы дать какую-то разумную основу для прогноза.

Почему оказались неудачными предсказания, касающиеся эпидемии гриппа в 2009 г.

Хотя статистические методы, используемые эпидемиологами при анализе вспышек гриппа, не так просты, как в описанных выше примерах, при их использовании все равно приходится сталкиваться с проблемой экстраполяции. Это связано с тем, что обычно имеется только небольшое количество потенциально сомнительных базовых точек данных.

Одной из самых полезных переменных при прогнозировании распространения болезни является так называемое репродуктивное число, обычно обозначаемое R0. Значение R0 показывает, какое количество неинфицированных людей потенциально могут заразиться от единственного инфицированного человека. Например, значение R0, равное 4, означает, что – при отсутствии вакцин или других средств защиты – заболевший человек передаст болезнь еще четырем людям до того момента, как выздоровеет (или умрет).

Теоретически любая болезнь с R0 > 1 распространится со временем (при отсутствии вакцин и карантинов) на все население. Однако порой значение R0 бывало обманчивым: оно приближалось к 3 для «испанки», к 6 для оспы и к 15 для кори. В случае малярии, одной из самых смертельно опасных болезней в истории цивилизации, до сих пор отвечающей примерно за 10 % смертей в некоторых уголках мира, значение этого показателя может достигать сотен{500} (табл. 7.1).

Таблица 7.1. Медианные значения[94] R0 для различных заболеваний{501}

Проблема состоит в невозможности сформулировать надежные расчеты R0 до тех пор, пока болезнь не распространится по всему сообществу и пока у вас не появится достаточно времени для тщательного изучения статистики. Поэтому эпидемиологи вынуждены делать экстраполяции, основываясь на ранних и немногих данных. Измерить на ранних этапах другой ключевой статистический показатель заболеваемости, смертность, может быть столь же сложно. Мы сталкиваемся с ситуацией «Уловки-22»; болезнь невозможно точно предсказать без этой информации, однако надежные количественные расчеты чаще всего оказываются невозможными, пока болезнь не наберет обороты.

Данные о первых вспышках инфекционных заболеваний часто бывают искаженными. Например, приведенные выше цифры о первых поставленных диагнозах СПИДа в США стали доступными лишь через несколько лет после заражений. Но даже скорректированные статистические данные не позволили улучшить качество прогнозов. Однако если бы мы были вынуждены положиться на данные, реально доступные ученым в то время{502}, то результаты могли оказаться еще хуже. Это связано с тем, что в первые годы своего развития СПИД плохо воспринимался и вызывал чувство стыда как у пациентов, так и у врачей{503}. Множество странных синдромов с симптомами, напоминавшими СПИД, оставались без диагноза или диагностировались неправильно – иногда причиной смерти считались другие инфекции, вызываемые СПИДом. Лишь многие годы спустя, когда врачи начали заново открывать старые истории болезней, им удалось лучше оценить развитие СПИДа в первые годы.

Неточные данные также послужили причиной плохих прогнозов распространения свиного гриппа в 2009 г. Смертность, связанная с H1N1, была, по всей видимости, достаточно высокой в Мексике, однако оказалась невероятно низкой в США. Хотя отчасти это было связано с различиями в эффективности здравоохранения в каждой стране, значительная часть различий представляла собой на самом деле статистическую иллюзию.

Само понятие смертности представляет собой простое отношение количества смертельных случаев, вызванных болезнью, к количеству случаев заболеваний. Однако оба элемента этого соотношения вызывают целый ряд вопросов. С одной стороны, в Мексике имелась тенденция относить к жертвам H1N1 людей, умерших от других форм гриппа или вообще других болезней. Лабораторные тесты показали, что не менее четверти смертей, ранее связывавшихся с действием вируса H1N1, в реальности не имели никаких черт, присущих гриппу. С другой стороны, в ряде случаев данные о заболеваниях, вызванных вирусом H1N1, передавались не в полном объеме. В таких развивающихся странах, как Мексика, не развиты ни такая сложная система отчетов, как в Соединенных Штатах, ни культура посещения врача при первых признаках заболевания{504}. Факт быстрого распространения заболевания после того, как оно оказалось на территории США, заставляет предположить, что в Мексике имелись десятки, а то и десятки тысяч заболевших, о которых не было известно властям.

Фактически вирус H1N1 мог циркулировать по южной и центральной Мексике на протяжении ряда месяцев, пока на него не обратила внимание медицинская общественность (занятая в то время поисками следов птичьего гриппа в Азии). Отчеты о вспышке респираторного заболевания появились сначала в небольшом городке Ла Глория, штат Веракрус, в начале марта 2009 г., после того как гриппом заболело большинство жителей, однако поначалу мексиканские власти полагали, что это вызвано более привычным штаммом вируса под названием H3N2{505}.

Напротив, свиной грипп был навязчивым объектом множества публикаций в СМИ с момента его появления на территории США. Только несколько случаев могло бы остаться без внимания. Так как в США используются более высокие стандарты отчетности, показатель смертности там был более надежным и позволял исключить некоторые плохие сценарии из дальнейшего рассмотрения – но лишь до тех пор, пока не оказалось слишком поздно отказываться от некоторых пугающих прогнозов, ставших доступными широкой публике.

Самореализующиеся и самоотменяющиеся предсказания

Во многих случаях, связанных с предсказаниями деятельности человека, сам факт создания предсказания может повлиять на поведение людей. Иногда, как и в экономике, эти изменения в поведении могут повлиять и на результат прогноза, либо аннулировав его, либо, напротив, повысив его точность. Прогнозы, касающиеся гриппа и других инфекционных заболеваний, затрагивают обе стороны этой проблемы. Случай, при котором предсказание приводит к событиям, его подтверждающим, называется самореализующимся предсказанием или самоисполняющимся пророчеством. Примером его может служить выпуск результатов политического опроса в гонке с множеством кандидатов, например, первичные выборы на президентский пост.

В таких случаях избиратели могут из тактических соображений поддержать кандидата, потенциально способного выиграть (а не растратить зря свой голос), и раскрученные результаты опроса часто лучше всего показывают, какому кандидату это по силам. Например, на последних этапах политической гонки республиканцев в Айове в 2012 г. канал CNN выпустил результаты опроса, показывавшие, что Рик Санторум может рассчитывать на 16 % голосов, а не на 10 %, как это было раньше{506}. Этот опрос выбивался из общего ряда – другие исследования общественного мнения не показывали, что Санторум набирает обороты, даже после выпуска опроса CNN{507}. Тем не менее благодаря опросу Санторум получил значительную и позитивную поддержку СМИ, и некоторые избиратели, ранее поддерживавшие кандидатуры других, близких по идеологическим взглядам кандидатов типа Мишель Бахманн и Рика Перри, перешли на его сторону. Через некоторое время опрос сделал свое дело, Санторум выиграл в Айове, а Бахманн и Перри остались далеко позади.

Более тонкие примеры этого подхода можно найти в таких областях, как дизайн и развлечения, где компании, в сущности, соревнуются друг с другом в том, что смогут предугадать вкусы потребителей. Но они также способны влиять на потребителей определенным образом через толковые маркетинговые планы. Что касается моды, то специалисты в этой области пытаются угадать, какие цвета будут популярными в следующем сезоне{508} – это нужно делать заранее, примерно за год, поскольку именно такой срок требуется для переналадки производственных линий.

Допустим, группа влиятельных модельеров решит, что в следующем году популярным будет коричневый цвет, и начнет выпускать большое количество одежды коричневого цвета. Если модели и знаменитости начнут носить коричневое, а в каталогах и витринах магазинов будет преобладать одежда коричневых тонов, то велики шансы на то, что публика последует за этой тенденцией. Однако в данном случае она просто реагирует на маркетинг коричневого цвета, а не выражает какое-либо глубинное предпочтение к нему. Дизайнер может показаться настоящим провидцем, угадавшим цвет, хотя, если бы он выбрал белый, черный или лавандовый, произошло бы примерно то же самое{509}.

Заболевания и другие медицинские обстоятельства также могут обладать свойствами самореализации. Когда те или иные медицинские аспекты широко обсуждаются в СМИ, люди чаще начинают находить у себя соответствующие симптомы, а врачи чаще диагностируют ту или иную болезнь. Наиболее известный пример такого случая, наблюдаемый в последние годы, связан с аутизмом.

Если вы сравните количество детей, которым поставлен диагноз «аутизм»{510}, с частотой использования термина аутизм в американских газетах{511}, то обнаружите почти идеальное соответствие по модели «один-к-одному» (рис. 7.3), причем оба значения в недавние годы выросли. И хотя аутизм не всегда воспринимается как заболевание, можно провести определенные параллели с гриппом. «Мы наблюдаем поразительное явление. Для заболеваний, не имеющих четкого механизма возникновения, новости сами по себе начинают способствовать появлению все новых случаев постановки такого диагноза», – рассказал мне доктор Алекс Озонофф из гарвардской Школы здравоохранения. Озонофф серьезно изучал математику и довольно свободно разбирается в вопросе управляемых данных, однако сейчас он в основном концентрируется на использовании тщательного статистического анализа при исследовании гриппа и других инфекционных заболеваний. «Мы раз за разом обнаруживаем, что чем чаще люди думают и обсуждают конкретный диагноз или болезнь, тем чаще его начинают ставить, и корреляция доходит почти до 100 %».

Рис. 7.3. Аутизм: освещение в СМИ и количество поставленных диагнозов, 1992–008 гг.

Озонофф полагает, что именно это явление может отвечать за ту скорость, с которой свиной грипп распространился по США в 2009 г. Хотя болезнь и распространялась достаточно быстро, резкий статистический прирост мог быть отчасти связан с тем, что люди сообщали врачам о симптомах, которые прежде игнорировали.

Если бы доктора решили производить расчеты темпа распространения болезни среди населения, то количество официально объявленных случаев привело бы к искаженной статистике. Чем-то это напоминает ситуацию со статистикой преступности. Предположим, что полиция сообщает об увеличении количества ограблений в каком-то районе. Связано ли это с тем, что полицейские усилили бдительность и стали раскрывать больше преступлений, чем раньше, или же им стало проще сообщать об этом?[95] А может быть, этот район действительно стал более опасным? Подобные проблемы очень сложны для любого, кто хочет делать прогнозы заболеваемости гриппом на ранних стадиях.

Самоотменяющиеся предсказания

Самоотменяющееся предсказание относится к противоположным случаям, при которых факт появления предсказания приводит к прекращению развития ситуации. Интересным примером здесь могут служить системы GPS-навигации, обретающие все бо́льшую популярность. Через Манхэттен проходят две основные трассы в направлении с юга на север – Вест-Сайдское шоссе, идущее вдоль реки Гудзон, и скоростная магистраль ФДР-Драйв на восточной стороне острова. В зависимости от конечной точки водитель не всегда может отдать предпочтение определенной трассе. Однако его GPS-система сама укажет, по какой дороге ехать, учитывая степень их загруженности: система, по сути, предсказывает, какой путь выбрать, чтобы быстрее добраться до точки назначения. Проблема возникает, когда много водителей пользуется одной и той же системой: совершенно внезапно дорога становится перегруженной машинами, и прежде «более быстрая» трасса превращается в более медленную. Уже есть ряд теоретических{512} и эмпирических{513} свидетельств того, что это стало проблемой на некоторых часто используемых трассах в Нью-Йорке, Бостоне и Лондоне и что такие системы иногда могут оказаться контрпродуктивными.

Это качество предсказаний порой может представлять проблему и с точки зрения правильности предсказаний, касающихся гриппа, поскольку их цель, хотя бы отчасти, состоит в повышении общей осведомленности о болезни и, таким образом, изменения поведения в обществе. Самым эффективным прогнозом в отношении гриппа может считаться тот, которому не удается сбыться, поскольку он мотивирует людей на более здоровый выбор.

Простота без изощренности

Финский ученый Ханна Кокко предпочитает использовать статистическую или прогнозную модель рисования карт{514}. Модель должна содержать достаточно деталей, чтобы быть полезной и честно отображать фундаментальную картину: наверняка вы не захотите упустить из внимания крупные города, рельефные реки, высокие горные массивы и главные дороги.

Однако чрезмерное количество деталей иногда может запутать путешественника, а порой и сбить его с пути. Как было отмечено в главе 5, эти проблемы носят не только эстетический характер.

Без необходимости усложненные модели способны оставить в системе больше шумов, чем сигналов, и в результате плохо воспроизводят лежащую в основе структуру, тем самым ухудшая качество прогнозов.

Но какой объем деталей считать недостаточным или, напротив, чрезмерным? Чтобы изучить картографию и научиться сочетать элементы искусства и науки, присущие ей, может уйти целая жизнь. Возможно, говорить о выстраивании модели как о форме искусства – это уже чересчур, но что-то правильное в идее есть.

Однако в идеале на вопросы, подобные тому, что задала Кокко, можно дать эмпирический ответ. Работает ли модель? Если нет, то, возможно, нам стоит изучить ее с другой степенью детализации. В эпидемиологии традиционные модели, используемые докторами, довольно просты – и не работают так, как хотелось бы.

Самое базовое математическое описание инфекционного заболевания называется SIR-моделью (рис. 7.4). В этой модели, сформулированной в 1927 г.{515}, принято следующее допущение: существуют три «состояния», в одном из которых любой человек может находиться в каждый момент времени. S (susceptible) означает восприимчивые к болезни, I (infectiousill) – заразившиеся, a R (recovery) – выздоровевшие после болезни. В рамках этой модели переход от одного состояния к другому происходит всегда в одном направлении – от S к I и затем к R. Вакцинация выступает своего рода «короткой дорожкой»[96], позволяющей человеку перейти от S к R без перенесения заболевания. Математика этой модели сравнительно проста и сводится к ряду дифференциальных уравнений, которые можно решить на ноутбуке за несколько секунд.

Рис. 7.4. Схематическое изображение SIR-модели

Проблема состоит в том, что для нормальной работы модели требуется сделать множество предположений, и некоторые из них на практике выглядят не вполне реалистично. В частности, в модели заложено предположение, что все участники той или иной популяции ведут себя одинаковым образом: то есть они в равной степени подвержены болезням, имеют одинаковый доступ к вакцинации и пересекаются друг с другом случайным образом. Нет никаких различий с точки зрения расы, пола, возраста, религии или сексуальной ориентации, и все ведут себя более-менее одинаково.

Парадокс ВИЧ в Сан-Франциско

Увидеть недостатки этих допущений проще всего при изучении болезней, передающихся половым путем. В конце 1990‑х и начале 2000‑х гг. был заметен сильный рост незащищенного секса в гомосексуальном сообществе Сан-Франциско{516}, опустошенном пандемией ВИЧ/СПИД двумя десятилетиями ранее. Некоторые исследователи видели причину этого в увеличении темпов потребления наркотиков, особенно кристального метамфетамина, который наиболее часто вызывает более рискованное сексуальное поведение. Другие обращали внимание на повышение эффективности антиретровирусной терапии – коктейлей из различных лекарственных средств, способных продлить жизнь ВИЧ-инфицированных пациентов на многие годы или десятилетия. В результате геи перестали воспринимать диагноз ВИЧ как смертельный приговор. Другие теории концентрировались на поколенческих закономерностях – молодое поколение геев начало воспринимать Сан-Франциско 1980‑х гг. с его эпидемией СПИДа как древнюю историю{517}.

Единственное заключение, с которым соглашались эксперты, состояло в том, что при увеличении случаев незащищенного секса должно было увеличиться и количество случаев заражения ВИЧ{518}. Однако этого не случилось, хотя наблюдался рост других заболеваний, передающихся половым путем. В частности, наблюдался всплеск (с девяти случаев в 1998 г. до 502 в 2004 г.{519}) количества вновь поставленных диагнозов «сифилис» среди мужчин, занимавшихся сексом с другими мужчинами (MSM){520}, притом что в 90‑е гг. эти болезни почти исчезли в Сан-Франциско. Выросло и количество заболеваний гонореей. Однако, как ни парадоксально, количество новых случаев ВИЧ не увеличилось. В 2004 г., когда заболеваемость сифилисом достигла самого высокого уровня за многие годы наблюдений, количество диагнозов ВИЧ упало до минимального значения с начала эпидемии СПИДа (рис. 7.5). С точки зрения исследователей, это казалось очень странным: сифилис и ВИЧ в обычных условиях обладают достаточно высокой статистической корреляцией. Кроме этого, между ними имеется причинно-следственная связь, поскольку наличие одной болезни может сделать вас более уязвимым к приобретению второй{521}.

Рис. 7.5. Изменение количества вновь поставленных диагнозов ВИЧ и сифилиса, геи, Сан-Франциско, 1998–004 гг.

Как оказалось, решение парадокса заключалось в том, что геи начали активнее использовать так называемый серосортинг, иными словами, они выбирали половых партнеров с тем же статусом ВИЧ, что и у них. Не до конца понятно, как им удавалось это организовать, однако этот факт был задокументирован детальными поведенческими исследованиями, проведенными в Сан-Франциско{522}, Сиднее{523}, Лондоне и других городах с большими популяциями геев. Возможно, что положительную роль сыграли и кампании в области здравоохранения – часть из них переключилась с идеи борьбы с «усталостью от презервативов» на «обсуждаемую безопасность». Также не исключено и влияние интернета, заменившего бары в качестве лучшего места для поиска половых партнеров. В интернете существуют другие нормы по разглашению информации: многие мужчины указывают в профилях на специализированных сайтах свой статус ВИЧ, а кроме того, в интернете проще задавать интимные вопросы (и получать честные ответы), чем на танцполе{524}.

В чем бы ни состояла причина, было ясно, что это специфическое и локализованное поведение не вполне соответствует простым моделям заболевания – к счастью, в данном случае это означало, что прогнозы исследователей в отношении ВИЧ оказались слишком пугающими. Модели, основанные на различных состояниях, предполагают, что у каждого человека имеется свой уровень восприимчивости к болезни. Это допущение не работает столь же точно в случае болезней, требующих более близкого контакта, или в случаях, когда уровень риска является асимметричным для различных групп населения. Иными словами, вы не можете зайти в продуктовый магазин и выйти из него зараженным ВИЧ.

Почему не сработали модели в Форт-Дикс

Однако даже в случае более простых заболеваний компартментальные модели[97] могут оказаться неприменимыми из-за слишком общих и нестрогих допущений, заложенных в них. Рассмотрим, например, корь.

Корь – это первая болезнь, которую (вследствие ее простоты) начинают изучать будущие эпидемиологи в рамках программы PhD[98]. «Корь представляет собой удобную модель для изучения системы инфекционного заболевания, – утверждает Марк Липсиц, коллега Озоноффа по Гарварду. – Она одномерна. Ее можно выявить с помощью анализа крови, у нее имеется лишь один штамм, и у всех заболевших проявляются одни и те же симптомы. Переболев ею, вы не заразитесь второй раз». Если бы нужно было назвать единственную болезнь, идеально описываемую SIR-моделью, то специалисты выбрали бы корь.

Однако в 1980‑х и начале 1990‑х гг. в Чикаго был зафиксирован ряд необычно тяжелых всплесков кори, которые эпидемиологи не могли предсказать. В соответствии с традиционной моделью, прививки имелись у такого количества жителей города, которого должно было быть достаточного для формирования так называемого коллективного иммунитета – своего рода биологического эквивалента брандмауэра, благодаря которому болезнь не имеет возможности развиваться и затухает сама собой. Однако в отдельные годы на протяжении 1980‑х корью заболевало не менее 1000 жителей города – в основном маленькие дети. Проблема показалась настолько тревожной, что власти приказали медсестрам ходить от двери к двери и делать жителям прививки{525}.

Доктор Роберт Даум, педиатр и специалист по инфекционным заболеваниям, работавший в нескольких больницах Чикагского университета, серьезно изучил эти всплески кори. Даум – настоящий идеал врача. У него глубокий голос, огромная борода и потрясающее чувство юмора. Незадолго до встречи со мной в Чикаго Даум вернулся с Гаити, где вместе с коллегами помогал преодолевать последствия землетрясения 2010 г.

Чикаго, в котором я прожил 13 лет, – это город пригородов. Зачастую пригороды бывают достаточно сегрегированы либо по расовому составу, либо по социально-экономическим признакам. Даум обнаружил, что население пригородов также различалось по отношению к прививкам. Небогатые афроамериканцы, жившие в районах типа Саус-Сайд, неохотно разрешали прививать своих детей вакциной MMR (против кори, свинки и краснухи). Непривитые дети вместе ходили в школу, вместе играли, кашляя и чихая друг на друга. Их поведение отвергало одно из предположений модели SAR о так называемом случайном смешивании, согласно которому любые два человека имеют одинаковый шанс вступить в контакт друг с другом. И понятно было, что эти дети как раз и явились распространителями кори.

Именно это явление неслучайного перемешивания и стало причиной «фиаско свиного гриппа» в 1976 г., когда ученые посчитали H1N1 угрозой национального масштаба на основании нескольких случаев заболевания в Форт-Дикс. Штамм свиного гриппа – известный в наши дни под названием A/New Jersey/76 – казался столь угрожающим отчасти потому, что быстро распространился по военной базе: в течение от двух до трех недель было диагностировано 230 подтвержденных случаев{526}. Это дало ученым основание предположить, что у болезни имеется крайне высокое репродуктивное число R0, близкое к 3, что было сопоставимо со значением R0 для пандемии «испанки» 1918 г.

Однако воинское подразделение можно считать средой, предрасположенной к заболеваниям. Солдаты находятся в нетипично тесном контакте друг с другом, в условиях, где им приходится делиться едой и постельными принадлежностями и сложно уединиться. Более того, они часто выполняют тяжелые физические упражнения, которые временно истощают иммунную систему, а социальные нормы в армии предполагают, что вы должны заниматься делом, даже если больны. Таким образом, для передачи инфекционного заболевания появляется множество возможностей, и оно начинает распространяться значительно быстрее.

Последующее изучение{527} событий в Форт-Дикс показало, что бурное распространение заболевания было вызвано этими особыми факторами, а не его вирулентностью. Форт-Дикс нельзя было считать аналогом какого-нибудь американского пригорода. Сам по себе штамм A/New Jersey/76 не был таким уж опасным. Значение R0 для него составляло всего 1,2, то есть было примерно таким же, как у обычного сезонного гриппа. Если бы дело происходило не на военной базе (или в другом месте с похожими условиями, типа тюрьмы или университетского общежития), то болезнь не распространилась бы так широко. В сущности, грипп в Форт-Дикс исчез сам по себе, после того как на базе не осталось инфицированных людей.

Фиаско, связанное с A/New Jersey/76, – как и парадокс в отношении ВИЧ/сифилиса в Сан-Франциско или всплески кори в Чикаго в 1980‑е гг. – способно многое сказать об ограничениях моделей, основанных на слишком упрощенных допущениях. Конечно же, я не хочу сказать, что вам всегда стоит предпочитать сложные модели простым; как мы уже видели в других главах этой книги, сложные модели так же успешно могут завести людей в тупик. А поскольку сложные модели часто дают нам более точные (хотя и не обязательно правильные) ответы, они способны слишком повысить самоуверенность исследователя и заставить его ошибочно считать себя отличным прогнозистом.

Тем не менее, хотя и можно считать плюсом модели ее простоту, она должна быть хотя бы изощренно простой{528}. Модели типа SIR, хотя и полезны для понимания болезни, слишком туповаты для того, чтобы помочь нам предсказать ее дальнейшее развитие.

Система имитационного моделирования Sim[99] в действии

Прогнозы погоды представляют собой один из немногих примеров сравнительно сложных моделей, в рамках которых качество предсказаний смогло значительно улучшиться. Для этого потребовались десятилетия работы, однако после создания системы, способной физически имитировать атмосферу, метеорологи получили возможность делать нечто большее, чем использовать исключительно статистические подходы к предсказаниям погоды.

Все больше и больше профессионалов пытается применять аналогичный подход к предсказанию развития болезней на основе агентного моделирования[100]. Я побывал в Питтсбургском университете и встретился с исследователями, находящимися на передовом крае разработки этой методики. Для названия своей модели команда использует аббревиатуру FRED, которая расшифровывается как «основа реконструкции динамики эпидемий» (framework for reconstruction of epidemic dynamics). Одновременно это имя является своеобразной данью уважения уроженцу Питтсбурга Фреду Роджерсу, бывшему ведущему детского телевизионного шоу «Mister Rogers’ Neighborhood».

Питтсбург, как и Чикаго, – это город, состоящий из пригородов. Размышляя о болезни, исследователи постоянно апеллируют к ним, и поэтому FRED представляет собой своеобразный аналог Питтсбурга – СимПиттсбург (SimPittsburgh) – невероятно детальную имитационную модель, в которой каждый человек представлен «агентом», имеющим семью, сеть социальных контактов, место жительства и набор убеждений и манер поведения, соответствующих его социально-экономическому статусу.

Доктор Джон Грефенстетте, один из ученых питтсбургской команды, прожил в этом городе значительную часть своей жизни, однако до сих пор говорит с заметным иностранным акцентом. Он рассказал мне, как организована работа FRED: «Школы, офисы и больницы размещены в этой модели так же, как в реальном городе. У жителей нашей системы имеются вполне реальные проблемы при записи детей в школы; они не всегда ходят в самую ближнюю – а кроме того, некоторые школы слишком малы, в то время как другие огромны. Это чем-то напоминает игру SimCity». Доктор Грефенстетте и его любезный коллега доктор Шон Браун показали мне некоторые результаты имитационного моделирования, полученные с использованием FRED, на которых волны болезней, раскрашенные разным цветом, распространялись по районам СимПиттсбурга, СимВашингтона или СимФиладельфии. Однако при этом FRED – это серьезный бизнес. Модели такого рода не ищут легких путей, в них должны быть представлены практически все жители города, графства или штата.

Некоторые модели, основанные на агентах, пытаются даже имитировать всю страну или весь мир. Как и погодные модели, они требуют проведения огромного количества расчетов, а следовательно, использования суперкомпьютеров. Естественно, что при проведении расчетов такого рода необходимо правильно учесть демографические данные (это вполне можно сделать, используя результаты переписи населения). Однако модели также должны принимать во внимание куда менее предсказуемое человеческое поведение. Например, насколько велика вероятность того, что 26-летняя мать-одиночка-латиноамериканка пойдет делать прививку? Вы можете провести опрос и спросить ее – основанные на агентах модели довольно сильно полагаются на данные опросов. Однако люди на удивление часто лгут (или забывают), когда речь идет об их действиях, связанных с охраной здоровья: так, они заявляют, что моют руки{529} или используют презервативы{530} гораздо чаще, чем это происходит в реальности.

По словам доктора Грефенстетте, одно довольно устоявшееся правило заключается в следующем: люди готовы принимать участие в неудобных, но ведущих к оздоровлению действиях, таких как вакцинации, если они связаны с достаточно высоким, по их мнению, риском заболеть. Жительница СимПиттсбурга получит прививку от гриппа, если будет считать риск свиного гриппа серьезным. Однако как изменится ее представление о происходящем, если заболеет ее сосед или даже ребенок? Что, если в местных новостях постоянно рассказывают случаи, связанные с гриппом? Самореализующиеся и самоотменяющиеся свойства предсказания заболеваний играют огромную роль в этих моделях с использованием агентов. Поскольку они динамичны и позволяют поведению агента меняться со временем, то в какой-то момент дают возможность получить ответы и на заданные мной чуть выше вопросы.

Можно посмотреть и на работу доктора Даума и его команды из Чикагского университета, которые строят модели, основанные на агентах, для изучения распространения опасного заболевания под названием MRSA[101] -инфекции. Вызывающие ее стафилококки устойчивы к антибиотикам, и в результате обычные ссадины, порезы и синяки могут стать опасными для жизни, а порой привести к неизлечимому заболеванию. MRSA-инфекция – это сложное заболевание с множеством путей распространения: через объятия, открытые раны или через пот или кровь. Порой они могут задерживаться на различных поверхностях, таких как столешницы или полотенца. Часто следы MRSA можно найти в раздевалках, в которых спортсмены обмениваются снаряжением; всплески MRSA время от времени фиксируются у членов футбольных команд разного уровня – от школьных до профессиональных. Задача усложняется еще и потому, что многие люди являются носителями бактерии MRSA, но не заболевают и не страдают от присущих болезни симптомов.

Предпринимая попытку смоделировать действие MRSA, Даум и его коллеги задают себе примерно такие вопросы: люди какого типа используют пластыри, если они получили ссадину или порез? Насколько распространены объятия среди представителей разных культур? Какая доля жителей пригорода сидела в тюрьмах (где стафилококковые инфекции встречаются чаще обычного)?

Используя традиционные модели, даже нельзя рассчитывать на то, чтобы учитывать ответы на подобные вопросы, но модели, основанные на агентах, могут, по крайней мере, предложить нам шанс получить точные прогнозы. Однако командам из Питтсбурга и Чикаго приходится принимать во внимание множество довольно разнообразных переменных. И это необходимо делать всякий раз, когда вы пытаетесь оценивать поведение каждого жителя большой популяции. Работа часто заставляет их изучать вопросы когнитивной психологии, поведенческой экономики, этнографии и даже антропологии: модели, основанные на агентах, используются для изучения ВИЧ-инфекции в различных сообществах – от жителей джунглей Папуа – Новой Гвинеи{531} до завсегдатаев гей-баров Амстердама{532}. И в этом случае нужны довольно глубокие знания местных обычаев и привычек.

Учитывая вышесказанное, стоит заметить: агентное моделирование – исключительно смелое занятие, и в группах, работающих в этой области, часто собраны звезды из лучших и ярчайших представителей различных дисциплин. Однако даже при наличии всей этой интеллектуальной элиты их усилия часто подрываются нехваткой данных. «Даже в случае H1N1 довольно сложно получить детальные географические данные о том, кто, когда и где заболел, – жалуется Грефенстетте. – И вы не поверите, насколько сложно получать данные о всплесках болезни, имевших место в прошлом».

Во время разговора с участниками команд в Чикаго и Питтсбурге я иногда вспоминаю о красивых новых торговых центрах в Китае. Центрах, в которых есть невероятные интерьеры – римские колонны, американские горки и венецианские каналы, – но нет посетителей или магазинов-арендаторов. Исследователи из обеих команд уже пришли к некоторым невероятно полезным и действенным заключениям. Например, доктор Грефенстетте вычислил, что закрытие школ может приводить к неблагоприятным последствиям, если происходит слишком быстро или слишком ненадолго, а команда из Чикагского университета пришла к выводу, что необычно большое количество случаев заболеваний MRSA-инфекцией в центральной части Чикаго было вызвано перемещением людей в окружную тюрьму Кук и из нее. Однако по большей части модели заточены под создание прогнозов на будущее и готовы использовать данные, которых еще нет.

Модели, основанные на методах агентного моделирования, в отличие от методов, используемых при создании прогноза погоды, которые могут уточняться ежедневно, сложно протестировать. Вспышки серьезных заболеваний возникают не так уж часто. И даже хорошие модели могут пасть жертвой собственного успеха из-за присущего им свойства самоотмены. В данном случае правильное предсказание будущего способно изменить ход событий: будущее станет значительно более благоприятным. Представьте себе, что модель говорит о том, что некое действие – например, закрытие школ в одном графстве – может оказаться очень эффективным. И это действие срабатывает! Распространение болезни в условиях реального мира замедляется. Но это же заставляет модель выглядеть в ретроспективе слишком пессимистичной.

Именно поэтому команды из Питтсбурга и Чикаго не решаются использовать свои модели для создания конкретных предсказаний. Другие ученые были менее осторожны в преддверии всплеска свиного гриппа 2009 г., и кое-кто выдал достаточно плохие предсказания{533}, иногда значительно недооценивая масштабы распространения гриппа.

В настоящее время работа команд ограничена в основном тем, что коллега доктора Даума Чип Масал называет «моделирование для глубокого понимания». Иными словами, агентное моделирование может помочь нам проводить эксперименты, позволяющие больше узнать об инфекционном заболевании, но пока что маловероятно, что они помогут предсказать их всплеск.

Что делать, когда прогнозы неутешительны

Итак, оказалось, что две последние и значительные волны страхов, вызванных гриппом в Соединенных Штатах, оказались достаточно беспочвенными. В 1976 г. не наблюдался всплеск заболеваний, вызванных вирусом N1H1, за исключением случаев в Форт-Дикс, а программа массовой вакцинации президента Форда начала казаться чрезмерной. В обоих случаях прогнозы правительства относительно масштабов вспышки заболевания были достаточно неточными.

Но при этом нет никакой гарантии, что ошибка не повторится в следующий раз, когда придет грипп. Адаптировавшийся к человеческому организму штамм птичьего гриппа H5N1 мог убить сотни миллионов людей. Он распространялся так же легко, как и H1N1 версии 2009 г., однако его расчетная смертность была вполне сопоставима с версией 1918 г., и могло бы погибнуть 1,4 млн американцев. Имеются также потенциальные угрозы со стороны других вирусов, например вируса атипичной пневмонии SARS и даже оспы, уничтоженной в мире к 1977 г., но которая теоретически может вновь оказаться среди нас (например, в виде биологического оружия, примененного террористами) и способна убить миллионы. По определению, самые серьезные эпидемии могут прогрессировать крайне быстро. В 2009 г. штамму H1N1 потребовалось около недели, чтобы из болезни, не замечаемой медицинским сообществом, превратиться в болезнь, потенциально способную убить миллионы людей.

Эпидемиологи, с которыми я общался перед написанием этой главы, – в отличие от своих коллег в других областях – отлично представляют себе ограничения, присущие их моделям. «Было бы глупо заниматься предсказаниями, основываясь на трех точках данных, – сказал мне Марк Липсиц, имея в виду пандемии гриппа в 1918, 1957 и 1968 гг. – Все, что вы можете сделать, – это распланировать различные сценарии». Если вы не можете создать хороший прогноз, то будет крайне неправильным притворяться, что это вам под силу. Я подозреваю, что эпидемиологи и другие представители медицинского сообщества понимают это благодаря своей приверженности клятве Гиппократа. Primum non nocere – Прежде всего не навреди.

Представители медицинской профессии выполнили большое количество работ, касающихся правильного и неправильного использования статистических моделей и надлежащей роли прогнозов{534}. Я не хочу сказать, что прогнозы экономистов (в отличие от прогнозов эпидемиологов) не основаны ни на чем. Однако вследствие довольно тесной связи медицины с вопросами жизни и смерти врачи склонны к осторожности. В области их деятельности глупые модели способны привести к смерти людей. И знание этого факта обладает отличным отрезвляющим эффектом.

Кое-что стоит сказать и об идее «моделирования для глубокого понимания» Чипа Масала. Философия этой книги состоит в том, что предсказание – это средство, а не цель. К примеру, оно играет крайне важную роль при тестировании гипотез, а значит, и в развитии науки в целом{535}.

Когда-то статистик Джордж Э. П. Бокс написал: «Все модели неправильны, но некоторые модели полезны»{536}. Он имел в виду, что все модели представляют собой упрощение Вселенной, как и должно быть. Еще один ученый, математик, сказал: «Лучшая модель кошки – это кошка»{537}. Все остальное предполагает, что мы исключаем какие-то детали. Степень уместности каждой детали будет зависеть от проблемы, которую мы пытаемся решить, и от того, насколько точный ответ нам требуется.

Статистические модели – не единственные инструменты, которые мы используем для созданий аппроксимаций, позволяющих получить какое-либо представление о Вселенной. Например, язык представляет собой тип модели или аппроксимацию, которую мы используем для общения друг с другом. В каждом языке есть слова, не имеющие прямых аналогов в других, хотя все они пытаются объяснить одну и ту же Вселенную. Свой специализированный язык есть и в технических областях деятельности. Для вас и для меня цвет обложки этой книги – желтый, а графический дизайнер будет использовать более специфический термин, например Pantone 107.

Но, как писал Бокс, модели могут быть полезны. Мне представляется, что работа, которую проделывают команды из Чикаго или Питтсбурга со своими имитационными моделями, в высшей степени полезна. Понимание того, что думают о вакцинации различные этнические группы, как передается болезнь в разных районах города или как реагируют люди на сообщения о гриппе, важно само по себе.

Хорошая модель может оказаться полезной даже в случае неудачи. «Нужно принимать за данность, что каждый создаваемый нами прогноз неверен, – рассказал мне Озонофф. – Так что дело состоит в том, насколько именно он неверен, что делать, когда он неверен, и как минимизировать связанные с ним убытки».

Самое главное – это помнить, что модель представляет собой инструмент, помогающий нам понимать всю сложность окружающего мира, а не заменяет собой этот мир. И это важно не только когда мы создаем предсказания. Некоторые нейробиологи, такие как Томассо Поджио из МТИ, считают, что создание серии аппроксимаций – это основной способ, который используют наши мозги для обработки информации.

Вот почему, если мы хотим улучшить свои прогнозы, нам так важно научиться понимать себя и то, как мы искажаем и интерпретируем получаемые сигналы. Первая половина этой книги была во многом связана с описанием тех случаев, где аппроксимации служат нам хорошую службу, а где подводят нас. Оставшаяся часть книги посвящена тому, как понемногу делать их лучше.

Харалабос «Боб» Вулгарис, человек, для которого держать пари на результат спортивных состязаний стало профессией, живет в районе Голливудских холмов в Лос-Анджелесе в блестящем модернистском доме из металла и стекла и с бассейном на заднем дворе, доме, чем-то напоминающем картины Дэвида Хокни. Каждый вечер с ноября по июнь он проводит, наблюдая одновременно за пятью матчами Национальной баскетбольной ассоциации (НБА). Для этого он приобрел пять плоских телеэкранов Samsung (пожалуй, таких нет и у ребят из телекомпании DirecTV). Когда ему нужно немного отдохнуть, он едет в свой кондоминиум в Палмс-плейс в Лас-Вегасе, а когда ему нужно отдохнуть как следует – на сафари в Африку. В неудачный для него год Боб зарабатывает миллионы долларов, а в хороший – в три или четыре раза больше.

Боб искренне наслаждается некоторыми атрибутами роскошной жизни. Однако он совсем не похож на стереотипного азартного игрока в выходном костюме, нервно жующего сигару. Он не зависит ни от подсказок инсайдеров, ни от подкупленных судей, ни от других хитростей, позволяющих сделать удачную ставку. Нет у него и никакой «системы». Хотя он и использует компьютерное моделирование, но никогда не полагается только на него.

Успешным его делает тот метод, при помощи которого он анализирует информацию. Боб не просто выискивает некие шаблоны. Напротив, он совмещает свое знание статистики с пониманием особенностей баскетбола, выявляя осмысленные связи в имеющихся данных.

Для этого требуется много и упорно трудиться, а иногда – и проявить немалое мужество. Чтобы достигнуть того положения, что у него есть, Бобу потребовалось играть по-крупному и с хорошим расчетом.

Вулгарис вырос в Виннипеге, штат Манитоба, городе, расположенном в 145 км к северу от границы Миннесоты, в котором живут трудолюбивые, но холодные люди. Его отец когда-то был достаточно богат – его капитал на пике карьеры составлял примерно 3 млн долл., – однако он растратил их на азартные игры. Когда Бобу исполнилось 12 лет, его отец полностью обанкротился. А к 16 годам Боб понял, что, если он хочет выбраться из Виннипега, ему нужно получить хорошее образование, за которое платить придется ему самому. Поэтому в годы учебы в университете штата Манитоба он пытался заработать денег везде, где только мог.

Летом он отправлялся далеко на север в Британскую Колумбию и собирал там орехи, залезая на деревья. В те времена за каждое дерево платили по 7 центов. А когда он учился в школе, ему приходилось работать грузчиком в порту, перетаскивая сумки жителей Виннипега, направлявшихся в Торонто, Миннеаполис или еще дальше.

Со временем Вулгарис скопил достаточно средств и выкупил долю в компании, занимавшейся перевозкой грузов в аэропорту, а вскоре стал ее единственным владельцем. К 1999 г., когда он учился в старших классах колледжа, его капитал составлял уже около 80 тыс. долл.

Однако эта сумма, по мнению Вулгариса, была не такой уж и большой – ему доводилось видеть, как его отец выигрывал и проигрывал куда бо́льшие деньги. А перспективы работы для специалиста по философии из Университета штата Манитоба были не особенно многообещающими. Он пытался найти способ изменить свою жизнь, когда ему попалось на глаза объявление, мимо которого просто невозможно было пройти.

В тот год команда Los Angeles Lakers наняла на работу тренером дерзкого и критически настроенного Фила Джексона, который перед этим выиграл с командой Chicago Bulls шесть чемпионатов. В Lakers играло немало своих талантливых спортсменов: центральный нападающий, рослый Шакил О’Нил был на пике своих способностей, а 20-летний защитник Коби Брайант, закончивший школу лишь четырьмя годами ранее, активно обретал свою уникальную форму. Связка О’Нила и Брайанта считалась классической формулой успеха в НБА, особенно под руководством такого сильного тренера, как Джексон, который мог справляться с их невероятно раздутым эго.

При этом общественное мнение было не на стороне Lakers. Команда так и не смогла войти в ритм в предыдущем году. Сезон 1998/99 г. оказался для нее крайне неудачным. Она сменила трех тренеров подряд, итоговый счет поражений и побед составил 31:19, а после второго раунда плей-офф команда выбыла из дальнейшего соревнования, четыре раза подряд проиграв команде San Antonio Spurs. О’Нил и Брайант постоянно враждовали. Так, О’Нил крайне ревниво относился к тому, что Брайант, находившийся еще в том возрасте, когда официально нельзя пить спиртное, был готов занять его место в рейтинге популярности, а майки с его номером продавались в спортивных магазинах Лос-Анджелеса куда активнее, чем майки с номером самого О’Нила{538}. В те времена Западная Конференция[103] обладала немалой силой. В ее состав входили такие сплоченные и опытные команды, как San Antonio и Portland, и пошли слухи, что Lakers еще «недостаточно созрела», чтобы справиться с ними.

Когда Lakers проиграли команде Portland в третьей игре регулярного сезона (во время игры O’Нил даже утратил свое обычное хладнокровие и был удален с поля), казалось, что все самые пессимистичные прогнозы экспертов и комментаторов начинают сбываться. Даже газета Los Angeles Times из родного для Lakers города поставила ее всего лишь на седьмое место в списке команд НБА{539} и изрядно отчитала букмекеров из Вегаса за слишком оптимистичный прогноз шансов команды на выигрыш титула НБА (1 к 4).

Уже через пару недель после начала регулярного сезона 1999/2000 г. букмекеры Лас-Вегаса начали поддаваться скепсису. Они понизили ставки на победу Lakers до 6½ к 1. В результате любой человек, который был готов поспорить с мнением большинства, мог заработать неплохие деньги. Вулгарис никогда особенно не верил в общепринятое мнение – во многом тот стиль жизни, что он имеет сейчас, стал возможен именно благодаря недостаткам коллективного мышления, – и происходившее казалось ему настоящим безумием. Авторы колонок в газетах и букмекеры делали слишком высокую ставку на небольшую выборку данных, игнорируя более полную картину и окружавший ее контекст.

По мнению Вулгариса, Lakers играли не так уж плохо. Команда уже одержала победу в пяти из первых семи матчей, несмотря на жесткое расписание, притирку к новому тренеру и проблему с травмой Брайанта, повредившего запястье перед началом сезона и еще не выходившего на поле после этого. СМИ сфокусировались на довольно неудачном сезоне 1998/99 г., прерывавшемся то забастовкой, то сменой тренера, игнорируя при этом рекордный результат 61:21, достигнутый при нормальных обстоятельствах в сезоне 1997/98 г. Вулгарис смотрел многие игры Lakers – ему нравилось то, что Джексон делал с клубом. Поэтому он поставил 80 тыс. долл. – все свои накопления за вычетом небольшой суммы, оставленной на питание и обучение, – на то, что Lakers выиграют чемпионат НБА. Выигрыш этой ставки принес бы ему полмиллиона долларов. А потеря заставила бы вернуться к работе в аэропорту по две смены в день.

Поначалу казалось, что природное чутье не обмануло Вулгариса. Начиная с этого момента в сезоне, Lakers выиграли 52 из остававшейся им 71 игры, в том числе 19, 16 и 11 игр подряд. Итоговый результат побед и поражений, составивший 67:15, оказался одним из лучших рекордов регулярного сезона в истории НБА. Однако в плей-офф ситуация изменилась: команды Западной Конференции сражались как звери, и даже высокая доля игр на домашнем поле – награда за выдающийся сезон – не особо способствовала тому, чтобы Lakers выиграли четыре серии игр кряду.

Игроки из Лос-Анджелеса пережили настоящий испуг, сражаясь против команды Sacramento Kings в первом круге плей-офф, а затем легко одержали победу над командой из Финикса[104] в полуфинале матчей Западной Конференции. Однако в следующем круге им противостояла Portland Trail Blazers – зрелая команда, во главе которой стоял бывший коллега Майкла Джордана – и бывший ученик Джексона – Скотти Пиппен. Выиграть у Portland было бы непросто – хотя команде и недоставало таланта Lakers, ее упрямство и физический стиль игры зачастую выбивали соперников из привычного ритма{540}.

Lakers довольно легко выиграли первую игру в серии «best-of-seven»[105], однако затем начались настоящие американские горки. Команда провалила вторую игру в Лос-Анджелесе, уступив в третьем тайме команде Portland 20 очков{541} и проиграв со счетом 106:177 (это было самое позорное поражение за весь сезон){542}.

Следующая игра происходила на стадионе Роуз-Гарден в Портленде. К третьему тайму Lakers смогли собраться после того, как проигрывали по итогам первого 13 очков. Брайант совершил в последние секунды тайма великолепный бросок, закрепивший победу с перевесом в 2 очка{543}. В следующей игре команда вновь смогла нарушить законы гравитации, преодолев отставание на 11 очков после того, как О’Нил, обычно плохо исполнявший штрафные броски, смог забить 9 мячей во всех представившихся ему попытках{544}. Проиграв по итогам серии со счетом 1:3, команда Trail Blazers, по хвастливому замечанию Джексона, «начала стучаться в двери ада»{545}.

Однако в пятой игре, происходившей в «Стейплз-Сентер» в Лос-Анджелесе, игроки Lakers опять не смогли взять игру в свои руки. Из 79 бросков удачными оказались лишь 30, и команда проиграла со счетом 88:96. В шестой игре, снова происходившей в Портленде, она потеряла темп и так и не смогла настроиться на нужный лад, и Blazers успешно победили со счетом 103:93. Решающим должен была стать седьмой матч в Лос-Анджелесе.

Для тех, кто делал ставки, самым разумным в такой ситуации было бы подстраховаться. Например, Вулгарис мог поставить 200 тыс. долл. на то, что команда Portland (ставки на которую принимались с коэффициентом 3 к 2) выиграет седьмой матч. Это гарантировало бы ему прибыль. В случае выигрыша Blazers он заработал бы значительно больше, чем потерял на начальной ставке в 80 тыс. долл., и остался бы с весомой суммой в 220 тыс. долл.{546}. Если бы выиграли Lakers, его первоначальная ставка все равно бы сыграла. Да, он потерял бы вторую поставленную сумму, однако чистый итог от двух ставок составил бы 320 тыс. долл.[106].

Конечно, это значительно меньше, чем полмиллиона, но все равно неплохо.

Но возникла одна небольшая проблема: у Вулгариса не было 200 тыс. долл. Более того, он не знал ни одного человека, который мог бы одолжить ему такую сумму (по крайней мере, среди тех, кому можно было бы доверять). Он был всего-навсего 23-летним грузчиком в аэропорту, проживавшим в Виннипеге в подвале дома своего брата. Так что на карту он поставил практически все.

В самом начале игры его шансы были не особенно хорошими. Игроки Blazers преследовали O’Нила при каждой возможности. Они поняли, что могут либо вынудить его бросать с линии штрафного броска с совершенно не гарантированным результатом, либо провоцировать его нарушать правила. К середине второго тайма эта стратегия сработала – O’Нил получил три фола и не смог совершить ни одного удачного броска с поля.

Затем игроки Portland пошли в атаку, которая завершилась 3-очковым броском Пиппена. Он не только принес команде перевес в 16 очков, но и заставил загудеть весь зал «Стейплз-Сентра»{547}. К этому моменту шансы Вулгариса упали до нуля. Случаи, чтобы команда в том положении, в котором тогда оказалась Lakers{548}, – c отставанием в 16 очков за две минуты до конца третьего тайма – смогла бы выиграть, были крайне редки; шансы на выигрыш составляли примерно 1 из 15{549}, и казалось, что ставка Вулгариса – и мечта выбраться из Виннипега – обречена на провал{550}. Однако в четвертом тайме внезапно проявилась слабая сторона жесткого стиля игры Portland. Игроки команды устали, и им уже не хватало сил и адреналина. Lakers играли перед своей публикой, а как считают физиологи, это часто способствует выбросу тестостерона в самые нужные для игроков моменты{551}. Кроме этого, Lakers была более молодой командой, способной быстрее восстанавливать запасы энергии.

Внезапно игроки Portland перестали попадать в корзину. В четвертом тайме они не смогли увеличить счет в течение целых шести минут, а Lakers начали набирать темп. Сначала разрыв сократился до 6 очков, потом до 5, потом до 4, и, наконец, Брайан Шоу сравнял счет с помощью 3-очкового броска за четыре минуты до конца тайма. После этого Брайант вколотил еще два 3-очковых мяча, обеспечив своей команде перевес. Хотя в последние несколько минут игроки Portland вновь стали чаще бросать мяч в кольцо, было уже слишком поздно. Lakers показали свое преимущество, продемонстрировав целый ряд комбинаций, идеально разыгранных тандемом своих суперзвезд – Брайантом и O’Нилом.

Еще через две недели Lakers эффектно расправились с командой Indiana Pacers и выиграли свой первый титул чемпиона НБА со времен эры Мэджика Джонсона. Грузчик Боб оказался на полпути к тому, чтобы стать миллионером.

Насколько хорошо думают азартные игроки

Откуда Вулгарис мог узнать, что его ставка на Lakers выиграет? Конечно же, это было ему неизвестно.

Успешные игроки – а также успешные прогнозисты любого рода – не рассчитывают на то, что в дальнейшем их ожидают беспроигрышные ставки, а сами они будут иметь дело только с безукоризненными теориями или пользоваться результатами невероятно точных измерений. Все это – иллюзии простака, которого искушает собственная чрезмерная уверенность в себе. Напротив, успешные игроки рассматривают будущее как крупицы вероятностей, растущих и снижающихся, подобно тикеру на фондовом рынке, в ответ на каждый новый элемент информации. Когда проведенные ими расчеты показывают, что вероятность выиграть значительно превышает вероятность проиграть, они могут сделать ставку.

Например, когда Вулгарис сделал ставку, предполагалось, что вероятность выиграть титул НБА командой Lakers составляет 13 %. Вулгарис не считал, что вероятность победы – 100 % или даже 50 %, он просто был уверен, что в реальности она выше 13 %. Возможно, он допускал, что ее значение даже превышает 25 %. И если расчет Вулгариса был верным, ставка теоретически могла принести ему прибыль на уровне 70 тыс. долл. (табл. 8.1).

Таблица 8.1. Оценка Вулгарисом возможных последствий ставки на LAKERS

Если будущее для прогнозиста имеет разные оттенки серого, то настоящее рассматривается только в черно-белых красках (рис. 8.1). Теоретическая прибыль Боба (70 тыс. долл.) оценивалась с учетом 25 %-ной вероятности выиграть 520 тыс. долл. и 75 %-ной вероятности проиграть 80 тыс. долл. В долгосрочной перспективе победы и поражения взаимно сведутся на нет. Для хорошего прогнозиста будущее и прошлое больше похожи друг на друга, чем каждое из них похоже на настоящее – поскольку все будущие события могут быть выражены через значения их долгосрочных вероятностей. Однако в данном случае речь шла об одной ставке. Вулгарису необходимо было получить достаточно большой перевес (и у него имелось немало причин считать, что букмекеры недооценивали Lakers). Ему потребовался и недюжинный ум, чтобы понять это.

Рис. 8.1. Мир глазами успешного азартного игрока

Теперь, когда Вулгарис заработал достаточно денег, он может позволить себе работать с меньшим напряжением. В настоящее время он делает по три-четыре ставки на регулярные матчи в рамках чемпионата НБА. Хотя эти ставки невероятно велики по любым нормальным стандартам, они малы по сравнению с его капиталом – настолько малы, что он может вести себя по отношению к их исходу довольно индифферентно. Вечером, когда я пришел к нему в гости, он, не моргнув глазом, воспринял новость о том, что команда Utah Jazz выпустила на поле высокого и агрессивного украинского игрока Кирилла Фесенко – а это значило, что команда, скорее всего, выиграет матч, а Вулгарис потеряет свою ставку в 30 тыс. долл.

Самый большой секрет Вулгариса состоит в том, что у него нет большого секрета. Вместо этого у него имеется тысяча небольших секретов, квантов информации, которые он рассматривает в конкретный момент времени. Например, у него есть программа, позволяющая рассчитать исход каждой игры. Однако он полагается на ее выводы либо в тех случаях, когда считает, что у него есть серьезный перевес, либо когда ее выводы подкрепляются другой информацией. Он смотрит почти каждую игру НБА – иногда вживую, иногда в записи – и формирует собственное мнение о том, какие команды играют в полную силу, а какие нет. Он даже создал некое подобие аналитической службы, наняв ассистентов для создания графиков перемещений каждого игрока в каждой игре. Результаты этой работы обеспечивают ему преимущество, которого нет у многих команд НБА.

Он следит за тем, что пишут в Twitter десятки игроков НБА, и анализирует каждое 140-символьное сообщение. Игрок, пишущий о том, что он собирается зайти в ночной клуб, может хуже проявить себя в игре в следующий день. Вулгарис обращает много внимания на то, что говорят тренеры на пресс-конференции, и на слова, которые они используют: например, если тренер говорит, что ждет от команды «умелой защиты» или хочет, чтобы она играла «в хороший классический баскетбол», это может означать, что тренер хочет замедлить темп игры.

Все, за чем наблюдает Вулгарис, может показаться тривиальным большинству людей. В каком-то смысле так оно и есть – большие и очевидные перевесы будут замечены другими азартными игроками, а следовательно, это отразится на ставках. Поэтому ему нужно копнуть немножко глубже.

Например, в конце сезона 2002 г. Вулгарис заметил, что счет, с которым оканчивались игры с участием команды Cleveland Cavaliers, постоянно не соответствовал прогнозам. Стоит сказать, что в баскетболе принимают два вида ставок: на разницу в очках и на общий счет, то есть на количество очков, заработанных обеими командами. Внимательно проследив за ходом пары игр, он быстро выявил причину: Рики Дэвис, довольно эгоистичный разыгрывающий защитник команды, должен был стать в конце года профессионалом, не связанным контрактом, и поэтому он делал все, что только мог, чтобы улучшить свою статистику и повысить свою цену на рынке. Он отчаянно помогал нападавшим Cavaliers создать как можно больше возможностей зарабатывать очки и результативные подачи. Было совсем не важно, хороший это баскетбол или нет, – Cavaliers практически не имели шансов выйти в плей-офф{552}. Часто или нет, но соперники Cavaliers, которые находились в столь же плачевном положении и хотели взять реванш, заключали с ними негласное соглашение. Обе команды переставали обращать внимание на защиту и принимались обмениваться результативными бросками в корзину, пытаясь улучшить статистику друг друга{553}. В последние три недели сезона в играх с участием Cavaliers средний результат внезапно вырос с 192 очков за игру до 207{554}. Конечно, никто не мог гарантировать, что ставка на то, что счет окажется выше среднего, была беспроигрышной – гарантировать вообще нельзя ничего, – однако подобная ставка могла оказаться достаточно прибыльной.

Закономерности такого рода иногда кажутся очевидными в ретроспективе. Разумеется, итог игр Cavaliers должен был быть выше, поскольку им не оставалось ничего другого, кроме как улучшать статистику нападений. Однако и этот факт часто ускользает от внимания азартных игроков, которые слишком ограниченно понимают статистику и не учитывают контекст. Даже если команда заработала больше очков, чем ожидалось, в течение одной-двух или трех-четырех игр, то это обычно ничего не значит. Сезон игр НБА очень продолжительный: каждая из 30 команд играет по 82 игры, и поэтому подобные случаи наблюдаются почти постоянно{555}. Но не стоит слишком сильно на это рассчитывать. Причина возникновения таких результатов не имеет ничего общего с вероятностью. Букмекеры тоже замечают возникновение таких закономерностей, и это отражается на размере ставок, которые они предлагают рынку. И порой эти ставки выглядят так, что игроку стоит сделать ставку на противоположный исход.

Поэтому Вулгарис не просто выявляет закономерности – сделать это в любой среде с большими массивами данных несложно; именно так и поступают посредственные азартные игроки. Самое главное – это понять, что представляет собой данная закономерность – шум или сигнал.

Но, хотя я и не могу поделиться с вами каким-либо основным и единственным доводом, на основании которого Вулгарис делает или не делает ставку, его решения направляются определенным типом мыслительного процесса, называемого рассуждениями Байеса.

Невероятное наследие Томаса Байеса

Томас Байес был английским священником, родившимся то ли в 1701, то ли в 1702 г. О жизни его известно довольно мало, хотя он подарил свое имя целому направлению в статистике и, возможно, самой знаменитой ее теореме. Неясно даже, как выглядел Байес на самом деле, его портрет, который часто приводят в энциклопедиях, может принадлежать другому лицу{556}.

Нам известно, что Байес, скорее всего, родился в зажиточной семье, проживавшей в юго-восточном английском графстве Хартфордшир. Он был вынужден отправиться в далекое путешествие и поступил в Эдинбургский университет, поскольку принадлежал к церкви нонконформистов, а не англиканской и ему был закрыт доступ в учебные заведения типа Оксфорда и Кембриджа{557}.

Тем не менее Байес был все равно избран членом Королевского научного общества, несмотря на незначительное количество публикаций. Там он обычно выполнял роль своего рода внутреннего критика или был посредником в ходе интеллектуальных дебатов. Одной из работ, которые ученые приписывают Байесу (несмотря на ее публикацию под псевдонимом Джон Нун{558}), является трактат под названием «Божественная доброта»{559}. В этом трактате Байес рассматривал извечный теологический вопрос о том, как могут существовать в мире страдания и зло, несмотря на безграничную доброту Господа. В сущности, ответ Байеса на этот вопрос состоит в том, что мы ошибочно принимаем наше собственное несовершенство за несовершенство Бога, чей замысел в отношении нашей Вселенной мы не можем понять в полной мере. В письме другому теологу Байес писал «довольно странно… для человека, видящего лишь нижнюю часть шкалы, говорить о всеобъемлющем поражении счастья в мире»{560}.

Более знаменитая работа Байеса «Очерки к решению проблемы доктрины шансов»{561} была опубликована только после его смерти и после того, как была представлена вниманию Королевского общества в 1763 г. другом Байеса по имени Ричард Прайс. В работе рассматривался вопрос о том, как мы формулируем вероятностные представления о мире, сталкиваясь с новыми данными.

В описании эссе Байеса Прайс приводит пример человека, попадающего в наш мир (например, Адама или человека из платоновской пещеры) и впервые наблюдающего восход солнца. Поначалу он не знает, обычное ли это событие или из ряда вон выходящее. Однако он видит восход солнца каждый последующий день и начинает все сильнее верить, что это – постоянное свойство природы. Постепенно, основываясь лишь на этой, в чистом виде статистической форме взаимодействия с природой, он присваивает своему прогнозу о том, что солнце вновь встанет на следующий день, вероятность, максимально близкую (хотя и никогда не достигающую) к 100 %.

Суть идеи Байеса и Прайса состоит не в том, что мир всегда оценивается в вероятностях или степенях неопределенности. Байес верил в небесное совершенство; он также выступал сторонником взглядов Исаака Ньютона, согласно которым природа следует регулярным и предсказуемым законам. Скорее, Байес говорил – с математической и философской точек зрения – о том, как нам следует изучать Вселенную. Мы учимся новым представлениям о ней с помощью аппроксимаций, оказываясь ближе и ближе к истине по мере того, как мы собираем все больше свидетельств.

Это заключение прямо противоположно более скептичной точке зрения шотландского философа Дэвида Юма{562}, который считал, что, поскольку мы не можем быть уверены в том, что солнце взойдет, наш прогноз относительно этого события не может считаться более рациональным, чем обратное заключение{563}. Напротив, байесовская точка зрения рассматривает рациональность как вероятностное событие. По сути, Байес и Прайс говорят Юму: не обвиняйте природу, поскольку вы слишком глупы, чтобы ее понять, и если вы вылезете из своей скептической раковины и сделаете прогнозы ее поведения, то, возможно, сможете приблизиться к истине.

Вероятность и прогресс

Стоит отметить, насколько это утверждение напоминает слова Байеса, приведенные в трактате «Божественная доброта» («Divine Benevolence»), где утверждалось, что нам не стоит относить собственное несовершенство на ошибки Бога. Однако в философии Байеса, по сути, нет ничего религиозного{564}.

Нужно отметить, что самое точное математическое выражение того, что в наши дни считается теоремой Байеса, было разработано человеком, который с высокой долей вероятности был атеистом{565}, – французским математиком и астрономом Пьером-Симоном Лапласом.

Лаплас, как вы, возможно, помните из главы 4, был ярким представителем человека, стоящего на позициях научного детерминизма. Он считал, что мы могли бы идеально спрогнозировать нашу Вселенную, если бы знали положение каждой частицы в ней и могли бы достаточно быстро рассчитать ее движение. Так почему же Лаплас так увлекся теорией, основанной на вероятности?

Причина заключается в разрыве между совершенством природы и нашим человеческим несовершенством в измерении и понимании ее. Лапласа изрядно расстраивали астрономические наблюдения, свидетельствовавшие об аномалиях в орбитах Юпитера и Сатурн – по их предсказаниям, Юпитер должен был врезаться в Солнце, а Сатурн – вылететь за края Солнечной системы{566}.

Разумеется, эти предсказания были в корне неверными, Лаплас посвятил значительную часть своей жизни тому, чтобы более точно определить орбиты этих планет{567}. Уточнения, которые внес Лаплас, были основаны на вероятностных заключениях{568}, а не на результатах более точных измерений, поскольку инструменты того времени (например, телескопы) были достаточно грубыми. Лаплас начал рассматривать вероятность как срединную точку между невежеством и знанием. Ему казалось очевидным, что для достижения научного прогресса важно уделять вопросам вероятности значительно больше внимания{569}.

Таким образом, Байес и Лаплас уже в XVIII в. отлично понимали, что существует некая тонкая связь между вероятностью, предсказанием и научным прогрессом. И это было еще в тот период, когда человечество только начало сталкиваться с взрывообразным ростом объемов информации, ставшим возможным благодаря изобретению печатного пресса несколькими столетиями ранее и способствовавшим развитию устойчивого научного, технического и экономического прогресса. Эта связь крайне важна – как для предсказания орбит планет, так и для угадывания победителя в матче с участием Lakers. Как мы увидим ниже, наука зашла в тупик позже, когда в XX в. начала доминировать иная статистическая парадигма, лишившая предсказание былой значимости и пытавшаяся рассматривать неопределенность как результат несовершенства наших измерений, а не как ошибку наших суждений.

Простая математика теоремы Байеса

Если философская подоплека теоремы Байеса удивительно глубока, то ее математика потрясающе проста. В своей базовой форме это всего лишь алгебраическое выражение с тремя известными переменными и одной неизвестной. Однако эта простая формула способна привести к инсайтам в предсказаниях.

Теорема Байеса прямо связана с условной вероятностью. Иными словами, она позволяет рассчитать вероятность какой-либо теории или гипотезы, если произойдет какое-либо событие. Представьте себе, что вы живете с партнером и, вернувшись домой из командировки, обнаруживаете незнакомую пару нижнего белья в своем гардеробе. Возможно, вы зададитесь вопросом: какова вероятность того, что ваш партнер вас обманывает? Условие состоит в том, вы найдете белье; гипотеза состоит в том, что вы заинтересованы оценить вероятность того, что вас обманывают. Хотите – верьте, хотите – нет, но теорема Байеса способна дать вам ответ на вопрос такого рода – при условии того, что вы знаете (или хотите оценить) три качества.

• Прежде всего вы должны оценить вероятность появления белья как условие правильности гипотезы – то есть при условии того, что вам изменяют.

Для решения этой проблемы давайте предположим, что вы женщина, а ваш партнер – мужчина, а предметом спора выступает пара трусиков. Если он вам изменяет, то несложно представить себе, как в ваш гардероб могли попасть чужие трусики. Но, даже если (или даже особенно в том случае если) он вам изменяет, вы можете ожидать, что он ведет себя достаточно осторожно. Давайте скажем, что вероятность появления трусиков при условии того, что он вас обманывает, составляет 50 %.

• Во-вторых, вы должны оценить вероятность появления белья при условии того, что гипотеза неверна.

Если муж вам не изменяет, должны быть другие, более невинные объяснения появления трусиков в вашем гардеробе. Некоторые из них могут оказаться довольно неприятными (например, это могли бы быть его собственные трусики). Возможно, что его багаж был по ошибке перепутан с чужим. Возможно, что в его доме по каким-то причинам вполне невинно заночевала какая-то ваша подруга, которой вы доверяете. Трусики могли бы быть подарком вам, который он забыл упаковать. Ни одна из этих теорий не лишена изъянов, хотя порой объяснения в стиле «мое домашнее задание съела собака» действительно оказываются правдой. Вы оцениваете их совокупную вероятность в 5 %.

• Третье и самое важное, что вам нужно, – это то, что байесовцы называют априорной вероятностью (или просто априори). Как вы оценивали вероятность его измены до того, как нашли белье? Разумеется, вам сложно сохранять объективность оценки сейчас, после того как эти трусики появились в поле вашего зрения (в идеале вы оцениваете эту вероятность до того, как начинаете изучать свидетельства). Но иногда оценивать вероятность подобных событий можно эмпирически. Например, в ряде исследований было показано, что в течение любого случайным образом взятого года своим супругам изменяет около 4 % женатых партнеров{570}, так что мы возьмем эту цифру за априорную вероятность.

Если вы произвели оценку всех этих значений, то можете применить теорему Байеса для оценки апостериорной вероятности[107]. Именно в этой цифре мы и заинтересованы больше всего – насколько велика вероятность того, что нам изменяют, при условии что мы нашли чужое белье?

Расчет и простая алгебраическая формула, позволяющая его сделать, приведены в табл. 8.2.

Таблица 8.2. Пример расчета вероятности измены по теореме Байеса

Оказывается, что вероятность измены все равно достаточно мала – 29 %. Это может показаться нелогичным: разве трусики не являются достаточно весомой уликой? Возможно, такой результат связан с тем, что вы использовали слишком низкое априорное значение вероятности его измены.

Хотя у невиновного человека может быть значительно меньше вариантов разумных объяснений появления трусиков, чем у виновного, вы изначально посчитали его невиновным, и это оказало большое влияние на результат расчета по уравнению.

Когда мы априорно в чем-то уверены, мы можем проявить удивительную гибкость даже при появлении новых свидетельств. Одним из классических примеров таких ситуаций является выявление рака груди у женщин в возрасте старше 40 лет. К счастью, вероятность, что у женщины в возрасте после 40 лет разовьется рак груди, довольно невелика и составляет примерно 1,4 %{571}. Однако чему равна вероятность положительного результата на ее маммограмме?

Исследования показывают, что даже если у женщины нет рака, то маммограмма ошибочно покажет его наличие в 10 % случаев{572}. С другой стороны, если у нее есть рак, маммограмма выявит его примерно в 75 % случаев{573}. Увидев эту статистику, вы можете решить, что положительный результат маммограммы означает, что все очень плохо. Однако расчет по теореме Байеса с использованием этих цифр позволяет сделать иное заключение: вероятность наличия рака груди у женщины в возрасте за 40 при условии, что у нее положительная маммограмма, все еще составляет примерно 10 %. В данном случае такой результат расчета по уравнению обусловлен тем, что довольно немного молодых женщин имеют рак груди. Именно поэтому многие врачи рекомендуют женщинам не начинать регулярно делать маммограммы до 50-летнего возраста, после достижения которого априорная вероятность рака груди значительно увеличивается{574}.

Проблемы такого рода, вне всякого сомнения, сложны. Во время недавно проводимого исследования статистической грамотности американцев им приводили этот пример с раком груди. И оказалось, что всего 3 % из них смогли правильно рассчитать значения вероятности{575}. Иногда, немного замедлившись и попробовав визуализировать эту проблему (как показано на рис. 8.2), мы можем легко проверить реальностью свои неточные аппроксимации. Визуализация помогает нам легче увидеть общую картину – поскольку рак груди встречается у молодых женщин крайне редко, сам факт положительного результата маммограммы еще ни о чем не говорит.

Рис. 8.2. Графическое изображение исходных данных для теоремы Байеса на примере с маммограммой

Однако мы обычно склонны ориентироваться на самую новую или самую доступную информацию, и общая картина начинает теряться. Умные игроки вроде Боба Вулгариса научились умело пользоваться подобными недостатками нашего мышления. Вулгарис сделал выгодную ставку на Lakers отчасти потому, что букмекеры уделили слишком много внимания нескольким первым играм Lakers и изменили ставки на выигрыш командой титула с 4 к 1 до 65 к 1. Однако на самом деле команда играла ничуть не хуже, чем могла играть хорошая команда в случае травмы одного из ее звездных игроков. Теорема Байеса требует от нас более внимательно продумывать проблемы такого рода. Она может оказаться крайне полезной для выявления случаев, когда наши аппроксимации, основанные на чутье, оказываются слишком грубыми.

Но я не хочу сказать, что наши априорные ожидания всегда доминируют над новыми свидетельствами или что теорема Байеса всегда приводит к нелогичным, на первый взгляд, результатам. Иногда новые свидетельства оказываются настолько значимыми для нас, что перевешивают все остальное, и мы можем практически моментально изменить свое мнение и стать полностью уверенными в событии, вероятность которого считали почти нулевой.

Давайте рассмотрим более мрачный пример – атаки 11 сентября. Большинство из нас, проснувшись в тот день утром, присваивало практически нулевое значение вероятности того, что террористы примутся разбивать самолеты о небоскребы на Манхэттене. Однако мы признали очевидную возможность террористической атаки после того, как первый самолет врезался во Всемирный торговый центр. И у нас исчезли любые сомнения в том, что на нас было произведено нападение, после того как самолет врезался во вторую башню. Теорема Байеса способна отобразить этот результат.

Допустим, до столкновения первого самолета с башней наши расчеты вероятности террористической атаки на высотные здания Манхэттена составляли лишь 1 шанс из 20 тыс., или 0,005 %. Однако мы также должны были считать достаточно низкой вероятность ситуации, при которой самолет столкнулся бы с башней Всемирного торгового центра по ошибке. Эта цифра может быть рассчитана эмпирически. За период длительностью 25 тыс. дней до событий 11 сентября, в течение которых осуществлялись полеты над Манхэттеном, произошло всего два подобных случая{576}: столкновение с Эмпайр-стейт-билдинг в 1945 г. и с башней на Уолл-стрит, 40, в 1946 г. Следовательно, возможность подобного инцидента составляла примерно 1 шанс из 12 500 в любой случайный день. Если по этим цифрам сделать расчеты с использованием теоремы Байеса (табл. 8.3a), то вероятность террористической атаки повышалась с 0,005 до 38 % в момент столкновения первого самолета со зданием.

Таблица 8.3а. Пример расчета вероятности террористической атаки по теореме Байеса

Однако идея, заложенная в теорему Байеса, заключается в том, что мы не корректируем свои расчеты вероятности только один раз. Мы делаем это постоянно по мере появления новых свидетельств. Таким образом, наша апостериорная вероятность террористической атаки после столкновения первого самолета, равная 38 %, становится нашей априорной возможностью столкновения со вторым.

И если вы еще раз проведете расчеты после столкновения второго самолета с башней Всемирного торгового центра, то увидите, что вероятность террористической атаки 99,99 % сменяется почти полной уверенностью в этом событии. Один несчастный случай в яркий солнечный день в Нью-Йорке был крайне маловероятен, но второй практически не мог не произойти (табл. 8.3б), как мы внезапно и с огромным ужасом поняли.

Таблица 8.3б. Пример расчета вероятности террористической атаки по теореме Байеса

Я сознательно выбрал в качестве примеров довольно сложные случаи – террористические атаки, рак, супружеская измена, – поскольку хочу продемонстрировать масштаб проблем, к решению которых может быть применено байесовское мышление. Теорема Байеса – это не волшебная формула. В ее самой простой формуле, которую мы приводим в этой книге, используются простые арифметические действия по сложению, вычитанию, делению и умножению. Но для того, чтобы она дала нам полезный результат, мы должны снабдить ее информацией, в частности нашими расчетами априорных вероятностей.

Однако теорема Байеса заставляет нас думать о вероятности событий, происходящих в мире, даже когда речь заходит о вопросах, которые мы не хотели бы считать проявлением случайности. Она не требует, чтобы мы воспринимали мир как внутренне, метафизически неопределенный: Лаплас считал, что все, начиная от орбит планет и заканчивая движением мельчайших молекул, управляется упорядоченными ньютоновскими правилами. И тем не менее он сыграл важную роль в развитии теоремы Байеса. Скорее можно сказать, что эта теорема связана с эпистемологической неопределенностью – границами наших знаний.

Проблема ложноположительного срабатывания[108]

Когда мы не можем думать подобно истинным байесовцам, ложноположительное срабатывание начинает представлять собой проблему не только для маммографии, но и для всей науки. В введении я упомянул работу врача-исследователя Джона П. А. Иоаннидиса. В 2005 г. Иоаннидис опубликовал влиятельный труд под названием «Почему самые широко публикуемые выводы исследований неверны»{577}, в котором процитировал множество статистических и теоретических аргументов, подтверждавших, что (как и следует из названия) большинство гипотез, признанных истинными в медицине и большинстве других научных профессий, являются, по сути, ложными.

Гипотеза Иоаннидиса, как мы уже сказали, кажется одной из немногих истинных. Так, сотрудники компании Bayer Laboratories обнаружили, что не могут повторить в ходе собственных экспериментов до двух третей положительных заключений, опубликованных в медицинских журналах{578}. Еще один способ проверить правдивость выводов исследования состоит в том, чтобы понять, насколько точными являются результаты предсказаний в реальном мире, И, как мы видим на множестве примеров, приведенных в этой книге, часто выводы не выдерживают испытание реальностью. Судя по всему, частота появления неудачных предсказаний во множестве областей, от сейсмологии до политических наук, оказывается невероятно высокой.

«За последние 20 лет благодаря геометрическому росту доступной информации, развитию геномики и других технологий мы получили возможность измерять миллионы и миллионы потенциально интересных переменных, – рассказал мне Иоаннидис. – Можно ожидать, что мы сможем использовать эту информацию для того, чтобы заставить предсказания работать на нас. Я не говорю, что мы не достигли никакого прогресса. Принимая во внимание наличие миллионов научных работ, признать это было бы крайне стыдно. Однако совершенно очевидно, что мы не сделали миллионов открытий. Большинство работ не вносят реального вклада в развитие знания».

Вот почему наши предсказания могут оказаться более подверженными неудаче в эру Больших данных. С экспоненциальным ростом объема доступной информации по той же экспоненте растет и количество гипотез, требующих изучения. Например, правительство США в настоящее время публикует сведения о 45 тыс. экономических статистических показателей. Если вы захотите протестировать связи между всеми комбинациями из пар этих показателей – есть ли, допустим, причинно-следственная связь между ставкой банковского кредитования и уровнем безработицы в Алабаме? – то вам потребуется протестировать не меньше миллиарда гипотез[109]. Однако количество осмысленных связей в данных, говорящих о наличии причинно-следственной связи, а не о корреляции, и позволяющих протестировать то, каким образом мир работает по-настоящему, на много порядков ниже. Истина не растет теми же темпами, что и информация; по сути, в мире сейчас не больше истины, чем было до появления интернета или печатного пресса. Основная часть данных – всего лишь шум, так же как основная часть Вселенной заполнена вакуумом.

Тем не менее, как мы знаем из теоремы Байеса, в случаях, когда реальная вероятность возникновения какой-либо болезни в популяции низка (рак груди у молодых женщин; истина в море данных), ложноположительное срабатывание может доминировать в результатах, если только мы не будем достаточно внимательны и осторожны. На рис. 8.3 представлено графическое отображение этой картины. Так, 80 % истинных научных гипотез вполне справедливо признаются истинными, а около 90 % неверных гипотез совершенно справедливо отвергаются. Тем не менее, поскольку истинные открытия возникают крайне редко, оказывается, что около двух третей выводов, которые мы считаем правильными, на самом деле оказываются ложными!

Рис. 8.3. Графическое отображение ложноположительного срабатывания

К сожалению, как выяснил Иоаннидис, состояние опубликованных исследований в большинстве областей, по которым проводилось статистическое тестирование, напоминает ту картину, что можно увидеть на рис. 8.3[110].

Почему же доля ошибок так велика? До определенной степени вся данная книга представляет собой ответ на этот вопрос. Причин можно назвать много: отчасти они связаны с нашими психологическими предубеждениями, отчасти – с распространенными методологическими ошибками, а отчасти – с неправильно выстроенными стимулами.

Однако основная проблема лежит в том, что тип статистического мышления, который используют различные исследователи, является ошибочным по своей сути.

Когда статистика отклонилась от принципов Байеса

Английский статистик и биолог по имени Рональд Эймлер (Р. A.) Фишер был, возможно, основным интеллектуальным соперником Томаса Байеса, несмотря на то что он родился в 1890 г., почти через 120 лет после его смерти. Он проявил себя еще более яркой личностью, чем Байес, и таким же олицетворением английской интеллектуальной традиции своего времени, каким в наши дни стал Кристофер Хитченс. Он был миловидным, но неопрятно одетым человеком{579}, постоянно курил трубку или сигареты и вел непрекращающийся бой с реальными и вымышленными соперниками.

Посредственный лектор, но в то же время проницательный писатель, обладавший чутьем к драматическим сюжетам, он оставался отличным и востребованным собеседником за обедом. Интересы Фишера были невероятно широкими. Один из лучших биологов и генетиков своего времени, но при этом беззастенчивый сторонник элитизма, он искренне оплакивал тот факт, что у представителей бедных классов имелось значительно больше потомства, чем у интеллектуалов{580} (сам Фишер, следуя собственным убеждениям, с осознанием собственного долга дал жизнь восьмерым отпрыскам).

Возможно, Фишер в большей степени, чем кто-либо еще, отвечает за то, какими статистическими методами мы широко пользуемся в настоящее время. Он разработал терминологию проверки статистической значимости и значительную часть соответствующей методологии. Он не относился к числу больших поклонников Байеса и Лапласа, но именно он впервые использовал термин «байесовский» (Bayesian) в опубликованной статье, причем довольно уничижительным образом{581}, а в другой статье утверждал, что теория Байеса «должна быть полностью отвергнута»{582}.

Фишер и его современники не видели проблемы в формуле, называемой теоремой Байеса, как таковой, поскольку это обычное математическое выражение. Скорее, они беспокоились о том, как следует ее применять. В частности, у них вызывало вопросы понятие байесовского априорного значения{583}. Оно казалось им слишком субъективным: мы должны заранее предусмотреть, насколько вероятным мы считаем какое-то событие, прежде чем пуститься в эксперименты? Не противоречит ли это понятиям объективной науки?

Поэтому Фишер и его современники решили разработать набор статистических методов, которые, как они надеялись, освободят нас от любого возможного негативного влияния предубеждений и искажений. Это направление статистики обычно называется «фреквентизм» (frequentism), хотя также его называют «фишеровской статистикой» (в противовес байесовской){584}.

Идея фреквентизма состоит в том, что неопределенность в статистической проблеме возникает исключительно из-за того, что сбор данных производится на выборке, а не на всей популяции. Это имеет вполне разумные основания, когда мы изучаем, допустим, результаты политических опросов. Например, при проведении опросов в Калифорнии выборка составляет всего 800 человек, а не 8 млн, которые придут голосовать на очередных выборах, в результате возникает так называемая ошибка выборки. Величина ошибки, которую вы видите в описании политических опросов, измеряет именно это – насколько велика вероятность ошибки из-за того, что вы опрашиваете 800 представителей популяции из 8 млн? Методы фреквентистов как раз и призваны дать этому параметру количественную оценку.

Однако даже в контексте политических выборов ошибки выборки не всегда позволяют рассказать всю историю. В течение короткого интервала между конференцией демократической партии в Айове и первичными выборами демократической партии в Нью-Гемпшире в 2008 г. в последнем штате было опрошено около 15 тыс. человек{585} – невероятно много для столь небольшого штата, притом что предел погрешности теоретически составлял ±0,8 %. Однако реальная ошибка оказалась в 10 раз выше: Хиллари Клинтон выиграла выборы в штате с перевесом в 3 %, хотя, по данным опросов, уступала Бараку Обаме 8 %. Ошибка выборки – единственный тип ошибки, которому фреквентисты дают право на существование, – была, пожалуй, меньшей из проблем, возникшей при проведении опросов в Нью-Гемпшире.

Кроме того, некоторые организации, занимающиеся опросами, стабильно демонстрируют искажение в сторону той или иной партии{586}. С тем же успехом они могли бы опросить все 200 млн взрослых американцев и все равно получить неверные результаты. Байес разобрался с этими проблемами уже 250 лет назад. Если вы используете искаженный инструмент, то не важно, как много измерений вы произведете, вы неправильно сформулировали цель.

По сути, фреквентистский подход к статистике пытается изо всех сил утвердиться в мысли о том, что частая причина неверных предсказаний – это человеческая ошибка. Этот подход рассматривает неопределенность как нечто, присущее эксперименту, а не нашей способности понимать реальный мир. Фреквентистский метод также предполагает, что чем больше данных мы собираем, тем меньше становится ошибка. Со временем она приблизится к нулю. Таким образом, наличие данных считается необходимым и достаточным для решения любой проблемы. Многие из куда более проблемных вопросов предсказания, описанных в этой книге, связаны с областями, в которых полезные данные встречаются крайне редко, и порой их сбор действительно является важным и ценным делом. Однако неправильное использование этого метода вряд ли поставит вас на верный путь к статистическому совершенству. Как заметил Иоаннидис, эра Больших данных лишь ухудшает проблемы ложных позитивных выводов в исследовательской литературе.

Фреквентистский метод нельзя считать особенно объективным ни в теории, ни на практике. Напротив, он полагается на целый ряд предположений. Например, обычно предполагается, что неопределенность в измерении следует колоколообразной кривой или нормальному распределению. Часто это предположение достаточно хорошо описывает ситуацию, но не в случае таких вещей, как колебания на фондовом рынке. Фреквентистский подход требует определения выборки, которая будет выглядеть достаточно прямолинейно, когда дело касается политического опроса, но довольно неоднородно во многих других областях практического применения.

Какую «выборку из популяции» можно было бы выбрать в случае атаки 11 сентября?

Однако еще бо́льшая проблема состоит в том, что фреквентистские методы – в своем стремлении создать безупречные статистические процедуры, которые не могут быть испорчены предубеждениями самого исследователя, – вынуждают его герметично закрываться от реального мира. Эти методы не позволяют такому исследователю изучить глубокий контекст или ущербные черты своей гипотезы, то есть то, чего требует байесовский метод в форме априорной вероятности. В результате можно увидеть, на первый взгляд, серьезные научные работы о том, как жабы могут предсказывать землетрясения{587}, или о том, как оптовые магазины типа Target стимулируют создание нетерпимости в обществе{588}. В подобных исследованиях фреквентистские тесты применяются для создания «статистически значимых» (однако, по сути, бессмысленных и даже возмутительных) выводов.

Данные без контекста бесполезны

Ближе к концу своей карьеры Фишер смягчился и даже время от времени хвалил Байеса{589}. Некоторые из методов, разработанных им за долгие годы (хотя и не самые популярные в наши дни), представляли собой, по сути, компромиссы между байесовским и фреквентистским подходами. Однако в последние годы своей жизни Фишер допустил крайне серьезный просчет, который продемонстрировал ограничения этого подхода.

Вопрос касался курения сигарет и рака легких. В 1950‑е гг. в значительном количестве исследований (в некоторых из них использовались стандартные статистические методы, а в других – байесовские){590} утверждалось, что между ними существует связь, что в наши дни никого уже не удивляет.

Фишер провел последние годы своей жизни, выступая против этих выводов. Он публиковал письма в престижных изданиях типа British Medical Journal и Nature{591}, не отрицая, впрочем, что в результатах этих исследований прослеживается довольно сильная статистическая зависимость между курением и раком легких. Однако он утверждал, что в данном случае произошла путаница между корреляцией и причинно-следственными связями, сравнивая эту ситуацию с исторической корреляцией между объемами импорта яблок и количеством браков в Англии{592}. В какой-то момент он даже утверждал, что рак легких приводит к курению, а не наоборот{593}, – по всей видимости, предполагая, что люди курят, чтобы облегчить боль в легких.

Многие научные выводы, которые в наши дни ни у кого не вызывают сомнения, когда-то могли восприниматься с большим недоверием. Иногда это было вызвано существовавшими культурными табу (как в случае заявления Галилея о том, что Земля вращается вокруг Солнца), а довольно часто тем, что просто отсутствовали данные, требующиеся для анализа проблемы. Мы, может быть, и позволили бы Фишеру сорваться с крючка, если бы к 1950 г. уже не было достаточного количества убедительных свидетельств существования связи между курением сигаретам и раком легких. Ученые, изучившие данные и свидетельства из прошлого, пришли к выводу, что на тот момент уже было множество статистических и клинических тестов, проводившихся большим количеством исследователей в разных контекстах, которые наглядно показывали причинно-следственную связь{594}. Идея быстро стала научным консенсусом.

Так почему же Фишер отвергал эту теорию? Одна из причин могла быть связана с тем, что он консультировал производителей сигарет за деньги{595}. Другая – с тем, что он сам курил всю жизнь. Фишеру нравилось казаться противоречивым и демонстрировать, что он не любит все, имеющее привкус пуританства. Короче говоря, он сам был подвержен огромному количеству «искажений».

Возможно, однако, что более значимая проблема заключается в том, как статистическая философия Фишера воспринимает мир. Она уделяет особое внимание объективной чистоте эксперимента: каждая гипотеза может быть доведена до идеального заключения, если только был собран достаточный объем данных. Однако в процессе достижения такого уровня чистоты эта теория отвергает необходимость байесовских априорных значений или любого другого вида беспорядка в контексте реального мира. Этот метод не требует и не побуждает нас задуматься о некорректности нашей гипотезы – идея о том, что сигареты вызывают рак легких, ничем не отличается от предположения о том, что жабы способны предсказывать землетрясения. Но мне кажется, что стоит сказать Фишеру спасибо за то, что он признал тот факт, что корреляция не всегда предполагает наличие причинно-следственной связи.

Однако фишеровские статистические методы никоим образом не помогают нам понять, какая корреляция предполагает наличие причинно-следственных связей, а какая нет. Так что не приходится удивляться тому, что после того, как Фишер всю жизнь думал определенным образом, он утратил способность рассказать о различии между ними.

Боб – байесовец

В байесовской картине мира предсказание представляет собой критерий, с помощью которого мы оцениваем степень прогресса. Возможно, мы никогда и не будем уверены, что знаем истину на все 100 %, однако создание корректных прогнозов представляет собой отличный способ понять, приближаемся ли мы к ней.

Сторонники взглядов Байеса особенно ценят тех, кто играет в азартные игры{596}. Байес и Лаплас, да и другие теоретики, разрабатывавшие теорию вероятности на ее раннем этапе, очень любили приводить примеры из азартных игр, чтобы пояснить свои идеи. (Хотя Байес, по всей видимости, сам не увлекался этим занятием{597}, он вращался в кругах, где часто играли на деньги в карты и бильярд.) Игрок делает предсказания (хорошо), и он делает предсказания, предполагающие расчет вероятностей (отлично), а когда он готов поставить деньги на свои предсказания (еще лучше), он делится своими убеждениями о мире с остальными. Наиболее практичное определение байесовского априори может представлять собой вероятность события, на которые вы хотите сделать свою ставку[111].

Боб Вулгарис представляет собой особенно ярко выраженный байесовский тип азартного игрока. Ему нравятся ставки на баскетбол как раз потому, что они дают ему возможность протестировать самого себя и правильность своих теорий. «Представьте себе, что вы управляете спортивной командой и набираете себе игроков, – сказал он мне ближе к концу интервью. – Вы не всегда понимаете, было ли ваше решение правильным или нет. В моем же случае я знаю – в конце дня или в конце сезона, – оказался ли я прав или нет, поскольку я либо теряю деньги, либо их выигрываю. Это довольно хорошее подтверждение теории». Вулгарис впитывает так много информации о баскетболе, как только может, поскольку практически любой факт способен изменить его расчеты вероятности. Профессиональный игрок на спортивных событиях такого типа, как Вулгарис, будет размещать ставки только в том случае, если считает, что вероятность выигрыша не меньше 54 %. Этого вполне достаточно для покрытия комиссионных, которые букмекеры взимают с выигрышных ставок, и риска, связанного с этим действием. При всех своих навыках и упорном труде – Вулгарис считается одним из лучших азартных игроков в мире в наши дни – он угадывает результаты правильно лишь примерно в 57 % случаев. Добиться более высокого результата исключительно сложно.

Таким образом, вся разница связана с незначительным объемом информации, позволяющим Вулгарису увеличить вероятность с 53 до 56 %. Именно на эту небольшую прибыль и живут игроки, проводящие время как за покерным столом, так и на фондовом рынке. Предложенное Фишером понятие статистической значимости, слишком вольно отсекающее те или иные факты вне зависимости от контекста[112] для определения уровня «значительности»{598}, несколько грубовато для людей, делающих ставки на спорт.

Это не значит, что Вулгарис избегает создавать гипотезы на основе данных, которые показывает ему статистика (проблема подхода Фишера к тестированию гипотез состоит не в их существовании, а в том, как Фишер рекомендует их тестировать){599}. В сущности, это критически важно для того, что делает Вулгарис. Статистические закономерности видны во всем, и рано или поздно они отражаются на ставках. Вопрос состоит в том, представляют ли они собой сигнал или шум. Гипотезы Вулгариса сформированы с учетом его знаний о баскетболе, поэтому он может увидеть разницу быстрее и точнее.

Подход Вулгариса к ставкам на баскетбол представляет собой один из чистейших примеров научного метода, который только можно найти (табл. 8.4). Он изучает мир и задает вопросы: почему команда Cleveland Cavaliers так часто получает больше очков, чем предполагалось? Затем он собирает информацию о проблеме и формулирует гипотезу: команда делает это потому, что у Рики Дэвиса заканчивается контракт и он хочет играть в быстром темпе, чтобы его личная статистика стала выглядеть лучше. Четкая граница между тем, что делает Вулгарис, и тем, что делают физики или биологи, состоит в том, что он делает ставки на результат собственных предсказаний, а ученые надеются на подтверждение своих предсказаний путем экспериментов.

Если Вулгарису удается создать достаточно сильную гипотезу о том, что он видит в данных, он делает более агрессивные ставки. Предположим, например, что Вулгарис обращает внимание на ремарку тренера команды Denver Nuggets о том, что он хочет «устроить хорошее шоу» для фанатов. Возможно, это досужая болтовня, но не исключено, что команда будет играть в более быстром темпе, чтобы повысить зрелищность и заставить аудиторию покупать больше билетов на матчи. Если эта гипотеза верна, то Вулгарис может ожидать, что Nuggets будет выигрывать 70 % времени, в отличие от статистических 50 %. Как следует из теоремы Байеса, чем выше убежденность Вулгариса в правильности его гипотезы, тем быстрее он может начинать делать прибыльные ставки на игры Nuggets. Он может начать это делать, изучив, как проходили пары игр с участием команды, и поняв, выдерживает ли его теория испытание практикой. Причем он начнет делать это раньше, чем на данную закономерность обратят внимание букмекеры в Лас-Вегасе и изменят ставки. И, напротив, он позволяет себе не отвлекаться на статистические закономерности, такие как медленный старт Lakers в 1999 г., в котором нет никакого глубокого смысла, но который другие игроки могут ошибочно принять за сигнал.

Таблица 8.4. Научный метод, используемый Вулгарисом{600}

Байесовский путь к снижению неправоты

Но какими можно считать расчеты вероятностей, которые делает Боб, – субъективными или объективными? Это довольно хитрый вопрос.

С эмпирической точки зрения, мы все имеем убеждения и предубеждения, основанные на комбинации нашего опыта, ценностей, знаний и, возможно, политических или профессиональных взглядов. Одна из полезных характеристик байесовской точки зрения состоит в том, что если мы явным образом признаем, что у нас имеются априорные убеждения (влияющие на то, как мы интерпретируем новые свидетельства), то сможем достаточно хорошо описать нашу реакцию на изменения в своем мире. Например, если, согласно априорному убеждению Фишера, вероятность, что курильщики заболеют раком легких, составляют всего 0,00001 %, это объясняет, почему его не могли убедить никакие свидетельства обратного. В сущности, согласно теореме Байеса, ничто не мешает вам оставаться убежденным в чем-то, что вы считаете совершенно правильным. Если, по вашему мнению, вероятность существования Бога – 100 % (или же, напротив, 0 %), то, согласно теореме Байеса, никакое количество доказательств не убедит вас в обратном.

Я не собираюсь ничего говорить о том, существует или нет что-то, во что вы можете верить с абсолютной и беспрекословной уверенностью[113]. Однако возможно, что нам нужно честно говорить об этом. Спор человека, считающего, что вероятность какого-то события составляет 0 %, с человеком, уверенным на 100 % в том, что оно произойдет, – дело бесполезное. Возможно, что именно из-за таких споров и возникало множество конфликтов, таких как религиозные войны в Европе в первые годы после появления печатного пресса.

Но у нас нет оснований предполагать, что все априорные убеждения в равной степени правильны. Однако я склонен считать, что наши убеждения никогда не будут идеально объективны, рациональны или истинны. Вместо этого мы стараемся быть менее субъективными, менее иррациональными и менее неправыми. Создание предсказаний, основанных на наших убеждениях, представляет собой лучший (а возможно, и единственный) способ протестировать самих себя. Если объективность предполагает выявление истины, вне зависимости от наших личных обстоятельств, а предсказание представляет собой лучший способ изучения того, насколько тесно связано наше личное восприятие с великой истиной, то самыми объективными из нас будут считаться те, кто выступает с самыми точными предсказаниями. Статистический метод Фишера, согласно которому объективность была возможна лишь в замкнутых рамках лабораторного эксперимента, пригоден для решения таких задач куда меньше, чем байесовский.

Фактически одно из свойств теоремы Байеса состоит в том, что наши убеждения должны сближаться друг с другом – и приближаться к истине – по мере того, как нам со временем предоставляется все больше свидетельств. На рис. 8.4 я показал в качестве примера, как три инвестора пытаются определить, находятся ли они на «бычьем» или «медвежьем» рынке.

Рис. 8.4. Сближение по методу Байеса

Сначала инвесторы имеют совершенно различные наборы убеждений. Один из них оптимистично настроен и верит, что вероятность того, что рынок «бычий», составляет 90 %. Другой склонен к «медвежьим» настроениям и считает, что шансы «бычьего» рынка равны лишь 10 %. Каждый раз, когда рынок движется вверх, настроение инвесторов становится чуть более «бычьим» по сравнению с априорным, а при каждом движении вниз происходит обратная ситуация. Однако я имитировал такую ситуацию, что, хотя ежедневные колебания и носят случайный характер, в долгосрочной перспективе рынок растет в течение 60 % времени. Несмотря на то что на этой дороге есть свои ухабы, со временем все инвесторы точным образом определяют, что находятся на «бычьем» рынке, с уверенностью почти 100 % (но не с абсолютной).

В теории наука должна работать именно таким образом. Понятие научного консенсуса довольно сложно, однако основная его идея состоит в том, что мнение научного сообщества идет по пути постепенного сближения, двигаясь в сторону истины в процессе обсуждения идей и появления новых свидетельств. Как и на фондовом рынке, эти шаги не всегда направлены вперед или их легко делать. Научное сообщество часто выступает слишком консервативно по вопросу адаптации существующих парадигм к новым свидетельствам{601}, хотя иногда наука и принимает новые данные с поразительной быстротой, напоминая человека, успевающего запрыгнуть в вагон уходящего поезда. Но если предположить, что мы все находимся в одном байесовском поезде[114], то даже неверные убеждения и ошибочные априорные предположения пересматриваются, и мы постепенно движемся в сторону истины.

Например, на наших глазах происходит изменение парадигмы в статистических методах, используемых учеными. Моя критика ошибок статистического подхода Фишера не является чем-то новым или радикальным – аналогичные аргументы уже много лет приводят знаменитые ученые из различных областей знаний, начиная от клинической психологии{602} и заканчивая политологией{603} и экологией{604}. Однако пока что фундаментальных изменений почти не видно.

Тем не менее недавно целый ряд уважаемых статистиков начал утверждать, что фреквентистскую статистику не нужно преподавать студентам младших курсов университетов{605}. В некоторых профессиональных изданиях было официально объявлено об отказе в публикации результатов исследований, основанных на гипотезе Фишера{606}. Фактически, если прочитать все написанное за последние 10 лет, то сложно найти материалы, не защищающие байесовский подход.

Боб также ставит свои деньги на Байеса. Дело не в том, что он буквальным образом применяет теорему Байеса в каждом случае. Однако его практика тестирования статистических данных в контексте гипотез и убеждений, основанная на его знаниях о баскетболе, является в чистом виде байесовской, равно как и его готовность признавать вероятностные ответы на его вопросы.

Для изменения наших учебников и традиций потребуется некоторое время. Однако теорема Байеса утверждает, что мы будет постепенно приближаться к лучшему из возможных исходов. Теорема Байеса предсказывает, что байесовцы одержат победу.

Как и многие другие, 27-летний Эдгар Аллан По, был очарован «Механическим турком» (рис. 9.1) – хитроумным изобретением, которому удалось обыграть в шахматы Наполеона Бонапарта и Бенджамина Франклина. Машина, сконструированная в Венгрии в 1770 г., то есть еще до рождения По или Соединенных Штатов Америки, была доставлена в Балтимор и Ричмонд в 1830‑е гг. после того, как в течение десятилетий собирала огромные аудитории по всей Европе. По предположил, что это – довольно сложный розыгрыш. Он считал, что за винтиками и шестеренками машины скрывался высококлассный шахматист. И именно он управлял рычагами, обеспечивая перемещение фигур по доске и кивок головой куклы в тюрбане каждый раз после того, как она делала шах оппоненту.

Рис. 9.1. Механический турок

По считают создателем детективного жанра{607}, и действительно, в некоторых своих произведениях он очень хорошо вскрывал мистификации. Тот факт, что некий человек (впоследствии оказавшийся немецким гроссмейстером Вильгельмом Шламбергером) всегда находился рядом с машиной при ее распаковке и упаковке, но всегда отсутствовал во время игры, вполне оправданно показался ему подозрительным. («Ага! – подумал По. – Он и сидит в ящике».)

Однако самые интересные и пророческие мысли, изложенные По в эссе о Механическом турке, связаны с его представлением о том, что мы теперь называем «искусственным интеллектом» (сам термин появился только через 120 лет). В эссе выражалась очень глубокая и довольно привычная для наших дней обеспокоенность тем, что «компьютеры» смогут имитировать высшие функции человека или даже превзойти их.

По признавал, насколько впечатляющим был сам факт, что машины вообще могут играть в шахматы. Едва ли кто задумывался о первом механическом компьютере, который Чарльз Бэббидж называл «вычислительной машиной», в то время, когда По делился своими мыслями. Предложенный Бэббиджем компьютер, так и не достроенный при его жизни, мог в лучшем случае рассчитывать значения некоторых элементарных функций типа логарифмических в дополнение к операциям сложения, вычитания, умножения и деления. О работе Бэббиджа По отзывался как о достаточно впечатляющей. Однако в машину вводили предсказуемые значения на входе, затем в ней крутились несколько шестеренок, и машина выдавала предсказуемые значения на выходе. Эта машина не обладала никаким интеллектом – работа, выполняемая ею, была в чистом виде механистической. С другой стороны, компьютер, который мог играть в шахматы, казался почти чудом, поскольку для хорошей игры ему нужно было делать собственные суждения. По заявлял, что если бы машины, играющие в шахматы, действительно существовали, то они должны были бы, по определению, играть безупречно – машины не допускают ошибок при вычислении. Он подчеркивал тот факт, что «Турок» не играл в шахматы идеально – машина выигрывала большинство игр, но иногда проигрывала, – как еще одно доказательство того, что это была не машина, а аппарат, находившийся под контролем человека и обладавший человеческим несовершенством.

Хотя логика По не вполне корректна, подобное почитание машин осталось с нами до сих пор. Мы воспринимаем компьютеры как удивительные изобретения, одно из самых ярких выражений человеческого гения. Согласно опросам, Билла Гейтса считают одним из наиболее уважаемых людей в Америке{608}, а Apple и Google – одними из самых значимых компаний{609}. Мы ожидаем, что компьютер будет вести себя безупречно и изыщет возможность преодолеть человеческие недостатки своих создателей.

Более того, мы считаем расчеты компьютерных программ безукоризненно точными и, возможно, даже пророческими. В 2012 г. двум британским подросткам было предъявлено обвинение в обмане инвесторов на сумму более миллиона долларов – они предлагали легковерным вкладчикам «робота» под названием MARL{610}, занимавшегося подбором акций для инвестирования. По словам подростков, робот мог производить «1 986 832 математических операций в секунду» и при этом не быть подверженным человеческим эмоциям, что якобы позволяло инвесторам удваивать вложенные ими денежные средства каждые несколько часов, следуя рекомендациям MARL, касающимся дешевых акций{611}.

Но даже когда предсказания, выданные компьютерами, не внушают нам доверия, они способны развить в нас страхи. Например, компьютеры, рассчитывающие шансы на выживание пациентов больниц, о которых иногда пишут в новостях{612}, начинают считать собратьями HAL 9000, компьютера из фильма «Космическая одиссея 2001», решившего, что он больше не нуждается в астронавтах, и пытавшегося их удушить, лишив подачи кислорода.

Поскольку мы входим в эру Больших данных, а объемы информации и вычислительной мощности растут в геометрической прогрессии, пришло время выработать более здоровое отношение к компьютерам и к тому, что они могут для нас сделать. Технология имеет свои плюсы, поскольку позволяет нам повысить эффективность работы, но не следует ждать, что машины будут думать за нас.

Рождение шахматного компьютера

Испанский инженер Леонардо Торрес де Киведо в 1912 г. изготовил версию Механического турка, которую назвал El Ajedrecista (шахматист). Хотя El Ajedrecista иногда и называют первым компьютерным игровым компьютером{613}, функциональность этого устройства была очень ограничена, в частности, он мог разыгрывать лишь позиции в эндшпиле, когда на доске оставалось всего три фигуры. (Кроме этого, у El Ajedrecista не было примечательной особенности «Турка» – кукольной головы в тюрбане.)

Отцом современного шахматного компьютера был Клод Шэннон из МТИ, математик, считающийся основоположником теории информации. В 1950 г. Шэннон опубликовал работу под названием «Программирование компьютера для игры в шахматы», где были представлены некоторые алгоритмы и техники, которые легли в основу сегодняшних шахматных программ{614}. Он также признал, что именно шахматы представляют собой столь интересную задачу, решение которой позволит тестировать мощности машин, обрабатывающих информацию.

Шэннон понимал, что игра в шахматы имеет исключительно ясную и понятную цель – мат сопернику. Более того, она следует сравнительно простому набору правил, и в шахматах отсутствует элемент удачи или случайности. И тем не менее, как знают все, кто когда-либо играл в шахматы (лично я не такой уж хороший игрок), даже простые правила по достижению простой цели еще не означают, что эта задача окажется легкой. Шахматы требуют глубокой концентрации, позволяющей выжить после пары десятков ходов, не говоря уже о том, чтобы выиграть. Шэннон воспринимал шахматы как своего рода лакмусовый тест мощности компьютеров и способностей, которые они могли бы обрести в какой-то момент.

Однако Шэннон, в отличие от своих последователей, не был склонен романтизировать идею о том, что компьютеры могут играть в шахматы так же, как люди. И он не считал неминуемой их победу над людьми на шахматном поле боя.

При этом он отмечал четыре потенциальных преимущества компьютеров, которые:

1) способны очень быстро производить расчеты;

2) не допускают ошибок, если только эти ошибки не зашиты в самой программе;

3) не ленятся и не отказываются от полного анализа происходящего или всех возможных шагов;

4) не будут играть эмоционально и слишком сильно верить в очевидно выигрышное положение, которое может быть упущено, или слишком расстраиваться в сложной ситуации, когда ее еще можно спасти.

По мнению Шэннона, компьютерам противостоят четыре явно выраженных преимущества, которыми обладают только люди, а именно:

1) гибкость и способность переключаться, решая проблему, а не следовать закодированному набору последовательностей;

2) способность к воображению;

3) способность к разумному размышлению;

4) способность обучаться.

Шэннон считал такое противостояние вполне честным. Однако оно обрело более-менее реальную форму лишь в середине 1990‑х гг., когда российский гроссмейстер Гарри Каспаров – лучший шахматист всех времен – решил выступить против одного из самых передовых компьютеров из когда-либо созданных – компьютера Deep Blue производства IBM.

До начала этого матча люди постоянно выигрывали борьбу, и казалось, что компьютерам их не догнать. Однако постепенно компьютеры взяли верх, и теперь это будет так продолжаться, пока мы живы.

Шахматы, предсказания и эвристика

В соответствии с теоремой Байеса предсказание представляет собой, по сути, тип деятельности по обработке информации: использование новых данных для тестирования гипотез об объективном мире с целью создать более истинные и более точные концепции о нем.

Шахматы можно считать неким аналогом предсказания. Игроки должны обрабатывать информацию о положении 32 фигур на доске и их возможные действия. Они используют эту информацию для разработки стратегий, позволяющих поставить своему оппоненту мат. Эти стратегии, в сущности, представляют собой различные гипотезы о том, как выиграть игру. Можно сказать, что любой человек, выигравший игру, имел лучшую гипотезу.

Шахматы обладают свойством детерминизма – в них отсутствует реальный элемент удачи. Однако теоретически это справедливо и в отношении погоды, как мы видели в главе 4. Наше знание обеих систем несовершенно. Что касается погоды, то в метеорологии значительная часть проблемы связана с тем, что у нас нет полных данных изначальных условий. Даже если мы очень хорошо представляем, по каким правилам работает погодная система, у нас нет полной информации о положении всех молекул, образующих облака, штормы и ураганы. Поэтому лучшее, что мы можем сделать, – это дать вероятностные прогнозы.

В шахматах известны все правила и имеется идеальный набор информации – количество шахматных фигур конечно, и они располагаются на доске в ясной последовательности. Однако игра все равно невероятно сложна для нас. Шахматы способны многое сказать о нашей способности обрабатывать информацию – и продемонстрировать нам некоторые лучшие стратегии принятия решений. Необходимость предсказания появляется не только потому, что мир сам по себе наполнен неопределенностью, но и потому, что его понимание находится за пределами наших способностей{615}.

Поэтому и компьютерные программы, и шахматисты допускают ряд упрощений, чтобы спрогнозировать исход игры. Мы можем называть эти упрощения «моделями», однако при изучении компьютерного программирования и процессов принятия решений чаще используется термин эвристика. Это слово происходит от того же греческого слова, что и слово «эврика»{616}. Эвристический подход к решению проблемы состоит в использовании эмпирических правил в ситуациях, когда детерминистическое решение проблемы находится вне наших практических способностей.

Эвристика – очень полезная вещь, однако она всегда приводит к возникновению искажений и слепых пятен{617}. Например, правило эвристики «Когда вы сталкиваетесь с опасным животным, то убегайте!» часто действительно представляет собой полезное руководство, но не в случаях, когда вы встречаетесь с медведем-гризли; своим движением вы можете привлечь его внимание, а затем он запросто может вас догнать (напротив, служба национальных парков рекомендует вам в случае встречи с медведем-гризли вести себя максимально тихо и спокойно и даже притворяться мертвым, если это необходимо{618}). Люди и компьютеры используют в процессе игры в шахматы разную эвристику. Игра друг против друга в таких случаях обычно сводится к тому, чтобы найти слепые пятна оппонента быстрее, чем он найдет ваши.

Неудачное предсказание Каспарова

В январе 1988 г. Гарри Каспаров, один из самых лучших шахматистов мира с 1986 г. до своего ухода на пенсию в 2005 г.{619}, предсказал, что никакая компьютерная программа не может обыграть человека на уровне гроссмейстера по шахматам по крайней мере до 2000 г.{620}. «Если какому-то гроссмейстеру сложно играть против компьютеров, – заявил он на пресс-конференции в Париже, – я буду счастлив поделиться своим советом»{621}. Но чуть позже в том же году датский гроссмейстер Бент Ларсен потерпел поражение от программы Deep Thought, созданной несколькими выпускниками Университета Карнеги – Меллон в качестве дипломной работы.

Однако Бент Ларсен – далеко не Каспаров, а когда Deep Thought попытался выступить против Каспарова в 1989 г., то потерпел решительное поражение.

Каспаров всегда уважал роль компьютерных технологий в шахматах и уже давно использовал компьютеры для улучшения своей игры. Однако он довольно скромно отозвался о способностях Deep Though и публично высказал надежду, что в один прекрасный день может появиться компьютер, который потребует от него «использовать для победы все 100 % своих способностей»{622}.

Команду программистов во главе с Фэн Сюн Сю и Мюрреем Кэмпбеллом, стоявшую за разработкой Deep Thought, со временем наняла компания IBM, и их система постепенно была преобразована в Deep Blue. Новый Deep Blue победил Каспарова в первой игре матча в Филадельфии в 1996 г., однако Каспаров восстановился и довольно легко выиграл все остальные игры матча. В следующем году, в матче-реванше, проходившем в Нью-Йорке, случилось невероятное: Гарри Каспаров, лучший шахматист в истории, которого боялись все остальные, сам испугался компьютера.

В начале было…

Игра в шахматы, как и все остальное, состоит из трех этапов: начала, середины и конца. Небольшая особенность шахмат заключается в том, что на каждом из этих этапов требуются различные интеллектуальные и эмоциональные навыки, что превращает игру в некий умственный триатлон скорости, силы и выносливости.

В начале шахматной партии центр доски пуст, а пешки, ладьи и слоны аккуратно выстроены в первых двух рядах в ожидании инструкций от своих хозяев. Возможности почти безграничны. Белые могут начать игру 20 различными способами, а черные могут ответить 20 собственными ходами, создавая 4000 возможных вариантов действий уже после первого хода.

После второго хода каждой стороны количество возможных вариантов вырастает до 71 852; после третьего – до 9 132 484. Количество вариантов действий во всей шахматной партии, сыгранной до конца, настолько велико, что даже рассчитать его – немалая проблема, однако некоторые математики оценивают его в 10 ^{10^50} степени. Это – астрономически огромные числа: как писал Диего Расскин-Гутман, «количество возможных вариантов шахматной партии превышает количество атомов во Вселенной»{623}.

Может показаться, что в начале игры, когда все фигуры еще стоят на доске, а количество возможностей безгранично, компьютеры находятся на пике своих величайших возможностей. На сайте IBM перед матчем с Каспаровым было размещено хвастливое утверждение о том, что Depp Blue способен рассчитать 200 млн позиций в секунду.

«А Гарри Каспаров, к сожалению, может рассчитать всего около трех положений в секунду», – ехидно писалось в статье{624}. Были ли у Каспарова хоть какие-то шансы?

Однако шахматным компьютерам многие годы не удавались удачные дебюты. Хотя количество возможностей и максимально, в этот момент цели выглядят наименее ясными. При наличии 10 в 10 ^{10^50} ветвей на дереве игры[115] расчет 3 или 200 млн операций в секунду будет одинаково бесплодным, если только вы не направляете свою силу в одном, четко определенном направлении.

И компьютеры, и люди должны разбить шахматную партию на три промежуточные цели: допустим, захват пешки оппонента или шах королю. В середине игры, когда фигуры начинают прямое противостояние и угрожают друг другу, возникает огромное количество подобных стратегических целей. Достижение их требует разработки определенной тактики, и правильное прогнозирование может оказать самое сильное влияние на оставшуюся часть игры. Цели первых шагов сравнительно абстрактны. Компьютерам приходится сражаться с абстрактными и открытыми проблемами, а люди формулируют эвристические правила, такие как «контроль центра доски» и «сохранение нужной организации пешек», и формулируют неограниченное количество творческих способов по их исполнению.

Более того, поскольку первые ходы более привычны для игроков, чем позиции, с которыми они могут столкнуться позже, люди могут полагаться на многолетний опыт, позволяющий выбрать лучшие ходы. Хотя теоретически белые могут выбрать для начала игры 20 ходов, более чем 98 % серьезных шахматных партий начинаются с одного из четырех лучших{625}.

Проблема людей в том, что компьютерные программы могут систематизировать это знание путем изучения статистики. Шахматные базы данных содержат результаты сотен тысяч партий, и с помощью этих данных вполне можно сделать целый ряд глубоких выводов и прогнозов. Программисты IBM изучали, насколько часто разыгрывалась каждая последовательность первых ходов и насколько сильными были игроки, их разыгрывавшие. Они считали, насколько часто каждая серия шагов приводит к победам, поражениям и ничьим для сторон{626}. Эвристика компьютера, необходимая для анализа этой статистики, позволяла, в принципе, достаточно эффективно противостоять человеческой интуиции и опыту, а то и переигрывать их. «Каспаров играет не против компьютера, а против духов гроссмейстеров прошлого», – говорилось на сайте IBM при описании баз данных Deep Blue{627}.

Таким образом, цель Каспарова в первой из шести игр матча против Deep Blue в 1997 г. состояла в том, чтобы извлечь программу из «страны баз данных» и заставить ее работать в условиях нулевой видимости». Он начал партию с довольно распространенного первого хода, переместив коня на клетку доски, известную игрокам под названием f3. Deep Blue ответил продвижением вперед слона, поставившего коня Каспарова под угрозу, – вне всякого сомнения, потому что его базы данных показали, что этот ход исторически снижал возможность выигрыша белых с 56 до 51 %[116].

Однако эти базы данных строились вокруг предположения о том, что Каспаров должен был ответить на это тем же, что делают почти все другие игроки в такой ситуации{628}, то есть отодвинуть коня назад. Вместо этого он проигнорировал угрозу, посчитал, что Deep Blue блефует{629}, и предпочел двинуть вперед одну из своих пешек, чтобы позволить своему слону контролировать центр доски.

Ход Каспарова, хотя и осмысленный со стратегической точки зрения, позволил добиться и еще одной цели. Он сделал всего три хода, а Deep Blue – всего два, однако позиция, к которой они пришли (рис. 9.2), ранее возникала в профессиональных соревнованиях всего один раз{630} из сотен тысяч игр, имеющихся в базе данных Deep Blue.

Рис. 9.2. Расположение фигур после третьего хода Каспарова в первой партии

Даже когда разыгрываются популярные шахматные ходы, количество возможных ответвлений на дереве настолько велико, что базы данных становятся бесполезными примерно после 10–15 ходов. В любой достаточно длинной шахматной партии со временем вполне может возникнуть ситуации, с которой никогда не сталкивался никто из шахматистов в истории человечества. Однако Каспаров смог «отключить» базу данных после всего лишь трех ходов. Как мы постоянно видим в этой книге, исключительно статистические подходы к прогнозированию оказываются в лучшем случае неэффективными при отсутствии достаточной выборки данных для работы. Deep Blue пришлось «думать» за себя.

Дилемма шахматиста: ширина против глубины

Середина шахматной партии (обычно называемая миттельшпиль) потенциально позволяет использовать сильные стороны компьютера. Когда у фигур есть возможность сдвинуться в центр доски, то в среднем существует около 40 возможных ходов вместо 20{631}. Это может показаться не особенно большой разницей, однако из-за того, что древо возможностей разрастается в геометрической прогрессии, количество возможных вариантов ходов быстро увеличивается. Предположим, например, что вы хотите рассчитать всего три следующих хода (точнее, по три хода ваших и вашего противника, то есть всего шесть ходов). В начале партии значение этой функции рассчитывается примерно как 20 в шестой степени – то есть существует 64 млн позиций, и это уже гигантское число. Однако в середине игры вам уже нужно рассчитать 40 в 50‑й степени комбинаций, или 4,1 млрд возможностей. Deep Blue мог бы рассчитать все эти положения всего за 20 секунд. А Каспарову для этого потребовалось бы буквально 43 года, даже без перерывов на еду, сон или туалет.

Великие игроки типа Каспарова не обманывают себя и не верят в то, что им под силу рассчитать все эти варианты. Именно это и отличает лучших игроков от любителей. В своем знаменитом исследовании шахматистов голландский психолог Адриаан де Гроот обнаружил, что любители при столкновении с шахматной проблемой часто начинают напряженно искать идеальный ход и в итоге не могут сделать ни одного{632}.

Мастера игры в шахматы, напротив, ищут хороший ход – и, по возможности, лучший ход в любой позиции, – однако они скорее прогнозируют, как этот ход изменит их положение, а не пытаются оценить любую возможность. Было бы «чистой фантазией», писал американский гроссмейстер Рейбен Файн{633}, предполагать, что люди-шахматисты заранее рассчитывают каждую позицию перед тем, как сделать 20 или 30 шагов.

Но сказать, что «идеальное – враг хорошего», просто. Если вы хотите серьезно освоить такой вид искусства как шахматы, то порой вам нужно шагнуть за пределы простой эвристики. Тем не менее мы все равно неспособны создавать идеальные решения, когда нам поступает больше информации, чем мы можем обработать в ограниченный промежуток времени. Признавая свое несовершенство, мы обретаем свободу, что позволяет нам находить лучшие решения и в шахматах, и в других областях, вовлекающих прогнозирование.

Я не хочу сказать, что таким гроссмейстерам, как Каспаров, не нужно ничего рассчитывать. Как минимум Каспаров должен разработать тактику, точную последовательность трех-пяти ходов для захвата фигуры соперника или достижения другой краткосрочной цели. Для каждого из этих ходов он должен продумать возможную реакцию оппонента – все возможные вариации – и оценить, способен ли какой-нибудь из ходов оппонента свести его тактику на нет. Также ему нужно удостовериться в том, что соперник не устроил ему никаких ловушек; если король игрока не защищен, то самая сильная позиция может привести к мату буквально за несколько ходов.

Для того чтобы научиться, на чем именно стоит сосредоточиться во время игры, необходимы и память, и опыт. Иногда для этого требуется пройти по многим ветвям дерева, но лишь на пару ходов вглубь; в других случаях шахматисты концентрируются лишь на одной ветке, но производят более глубокие расчеты. Такой тип компромисса между шириной и глубиной возникает каждый раз, когда мы сталкиваемся со сложной проблемой. Например, Министерство обороны США и ЦРУ должны решить, отслеживать ли им широкий спектр сигналов для предсказания и предотвращения возможных террористических атак или сконцентрироваться на том, что они считают наиболее вероятной угрозой. Лучшим мировым шахматистам отлично удается метапознание – осознание того, как они мыслят, – и способность откорректировать этот процесс, когда им кажется, что в их мышлении нарушен баланс.

Стратегия против тактики

До некоторой степени шахматные компьютеры развиваются в двух направлениях. Они используют эвристику для того, чтобы «обрезать» свои деревья поиска, направляя свою вычислительную мощность на самые многообещающие ветви, а не просчитывая каждую с одинаковой степенью глубины. Однако поскольку скорость обработки информации у них высока, им не нужно идти на серьезные компромиссы – они могут понемногу оценивать каждую возможность и изучать в деталях те из них, которые кажутся самыми важными.

Однако компьютерные шахматные программы не всегда могут увидеть общую картину и думать стратегически. Они хороши для расчета тактики достижения какой-то ближайшей цели, однако значительно менее успешны в определении самой значимой из них в более масштабной схеме игры.

Каспаров попытался воспользоваться слепыми пятнами в эвристике Deep Blue, вынуждая его бездумно следовать планам, которые не улучшают стратегическую позицию.

Компьютерные шахматные программы часто предпочитают краткосрочные цели, которые могут быть разделены и квантованы и для достижения которых не требуется анализировать шахматную доску как целостный организм. Классический пример искажения в работе компьютера – это его готовность принять жертвы; компьютер часто соглашается, когда хороший игрок предлагает обменять более сильную фигуру на более слабую.

Эвристическое правило «Принимать обмен, когда противник отказывается от более сильной фигуры» обычно оказывается правильным – но не всегда в случаях, когда вам противостоит игрок вроде Каспарова, готовый сознательно ослабить свою позицию. Он знает, что тактическая потеря перевешивается стратегическим преимуществом. В ходе первой игры Каспаров предложил Deep Blue на 30‑м ходу обменять ладью на слона, и, к его радости, Blue согласился[117]. Возникла позиция (рис. 9.3а), которая помогает проиллюстрировать идею слепых пятен, появляющихся вследствие отсутствия у компьютера стратегического мышления.

Рис. 9.3а. Расположение фигур после 32-го хода Каспарова в первой партии

У Каспарова и Deep Blue были свои способы упростить позицию, показанную на рис. 9.3a. Компьютер разбивал сложную проблему на отдельные элементы. Например, для Deep Blue позиция могла напоминать ситуацию, представленную на рис. 9.3б, при которой каждой фигуре присваивалось определенное значение в баллах. Если вы сложите баллы, то увидите, что Deep Blue имел преимущество над Каспаровым, эквивалентное одной пешке, что в большинстве случаев приводит к победе или ничьей{634}.

Рис. 9.3б. Поэлементная оценка позиции

Рис. 9.3 в. Целостная оценка позиции

Люди же способны в большей степени концентрироваться на самых важных элементах и видеть стратегическое целое, которое иногда представляет собой нечто большее, чем сумма частей. Для Каспарова позиция ассоциировалась с ситуацией, которая показана на рис. 9.3в, и казалась ему достаточно хорошей. Каспаров видит, что три его пешки продвигаются в направлении к недостаточно защищенному королю Deep Blue.

Королю придется уйти со своего места – и в этом случае Каспаров сможет продвинуть свои пешки до последнего ряда обороны Deep Blue и превратить их в ферзей[118] – или оказаться под угрозой мата. Кроме этого, ферзь и слон Каспарова, хотя и находятся в левом нижнем углу доски, способны практически беспрепятственно перемещаться по диагонали; тем самым они могут усилить натиск своих пешек на уязвимого короля. Каспаров пока что еще не знает, как именно будет поставлен мат королю Deep Blue, однако понимает, что при таком давлении шансы оказываются на его стороне. Сила позиции Каспарова скоро стала понятна и Deep Blue, который через 13 ходов признал свое поражение.

«В этом и заключается типичная слабость компьютера, – позднее сказал Каспаров. – Я уверен, что ему очень нравилась позиция, однако последствия были слишком глубоки для того, чтобы он мог правильно все оценить»{635}.

«Человек переиграл компьютер», – гласил заголовок статьи в New York Times{636}. На следующий день после игры газета опубликовала целых четыре статьи, посвященных ей. Однако в конце игры произошел определенный поворот, который остался без внимания комментаторов, но впоследствии изменил всю историю шахмат.

Начало конца

В финале шахматной партии, эндшпиле, количество фигур на доске значительно меньше, чем в начале, и удачные комбинации рассчитываются без особых усилий. Тем не менее на этой фазе партии необходима особая точность, поскольку реализация выигрышного положения часто требует безошибочного проведения десятков ходов. Например, в позиции, которую вы видите на рис. 9.4, белые выиграют вне зависимости от действий черных, однако для этого белые должны безукоризненно сделать 262 последовательных хода[119].

Человек почти гарантированно не сможет найти выход в ситуации, показанной на рис. 9.4. Однако у людей имеется немалая практика в управлении эндшпилями, когда для завершения партии требуется 10, 15, 20 или 25 ходов.

Рис. 9.4. Победа белых… после 262 ходов

Эндшпиль может считаться одновременно и благом, и проклятием для компьютеров. На этой стадии игры у них остается немного промежуточных тактических целей, однако компьютер может иногда не «увидеть леса за деревьями». С другой стороны, у шахматных компьютеров есть базы данных не только для дебюта партии, но и для эндшпиля. Решения имеются практически для всех позиций, в которых на доске остается шесть или меньше фигур. Почти завершена работа с позициями из семи фигур – причем некоторые решения достаточно сложны и требуют не меньше 517 ходов – однако компьютеры уже сейчас хорошо помнят, какие шаги можно считать выигрышными, проигрышными или ведущими к ничьей.

Соответственно, на этой стадии игры возникает нечто, напоминающее черную дыру – точку, преодоление которой неотвратимо перевешивает дерево игры. Тогда компьютер осмысливает все позиции, что могут быть осмыслены, и выигрывает те из них, которые должен выиграть. Абстрактные цели этой завершающей фазы шахматной партии заменяются набором конкретных: королевская пешка должна оказаться здесь, и тогда вы точно выиграете; убедите черных переместить свою ладью вот сюда, и вы добьетесь ничьей.

Поэтому у Deep Blue имелись определенные стимулы продолжать борьбу с Каспаровым в первой игре. Хотя программа и говорила ему, что эта позиция проигрышная, но даже великие игроки типа Каспарова совершают серьезные промахи примерно один раз за 75 ходов{637}. Одного неверного шага Каспарова было бы достаточно, чтобы активировать сенсоры Deep Blue и обеспечить ничейную позицию. Ситуация для компьютера была отчаянной, но не полностью безнадежной.

Однако вместо этого Deep Blue сделал кое-что странное, по крайней мере с точки зрения Каспарова. На своем 44‑м ходу Deep Blue переместил одну из своих ладей в первый ряд белых вместо более удобного хода, при котором королю Каспарова был бы поставлен шах. Ход, сделанный компьютером, казался совершенно бессмысленным. В момент, когда ему со всех сторон угрожали, компьютер, по сути, пропустил ход, что позволило Каспарову продвинуть вперед одну из своих пешек во второй ряд черных, где у нее значительно выросли шансы превратиться в ферзя. Еще более странным было то, что Deep Blue сдался уже на следующем ходу (рис. 9.5).

Рис. 9.5. Странный ход Deep Blue

«О чем думает компьютер?» – удивился Каспаров. Он привык, что Deep Blue допускает стратегические ошибки – например, он может принять обмен слон – ладья – в сложных позициях, где он просто не может думать достаточно глубоко, чтобы оценить все последствия. Однако это было нечто иное, чем тактическая ошибка в сравнительно простой позиции, то есть именно та ошибка, которую компьютеры не делают.

«Неужели компьютер может покончить с собой таким образом?» – спросил Каспаров Фредерика Фриделя, немецкого шахматного журналиста, а также своего друга и специалиста по вычислительной технике, когда они в гостинице «Плаза» анализировали, как проходила партия, после ее окончания{638}. Никакие объяснения произошедшего особенно не порадовали Каспарова.

Возможно, Deep Blue действительно «покончил с собой», поняв, что проиграет в любом случае, и не пожелал показать Каспарову, как он мог бы играть дальше? А возможно, это стало частью более замысловатой игры? Возможно, был запрограммирован отвлекающий маневр, нацеленный на то, чтобы Каспаров слишком переоценил свои эвристические способности после победы в первой партии?

Каспаров сделал то, что было для него наиболее естественно: погрузился в данные. С помощью Фриделя и компьютерной программы Fritz он выяснил, что стандартный розыгрыш позиции – перемещение черными ладьи и шах королю белых – был совершенно невыгоден для Deep Blue: он приводил к неминуемому мату, хотя для этого Каспарову пришлось бы сделать более 20 ходов.

Однако это и пугало больше всего. Каспаров предположил, что единственный способ противостоять его натиску состоял для компьютера в том, чтобы заставить его сделать мат не в 20 ходов, а за значительно большее их количество. И было похоже, что он нашел решение. Как вспоминал Фридель, Deep Blue смог рассчитать позицию до конца и просто предпочел более простой вариант завершения партии. «Возможно, он увидел мат через 20 и более ходов», – добавил Гарри, искренне довольный тем, что в результате своих расчетов пришел к правильному выводу{639}.

Однако до этого считалось, что просчитать 20 ходов вперед в такой сложной игре, как шахматы, невозможно как для людей, так и для компьютеров. По словам самого Каспарова, он искренне гордился тем, как во время одного матча в Нидерландах в 1999 г. он смог представить себе выигрышную позицию за 15 ходов{640}.

Считалось, что Deep Blue в большинстве случаев ограничивается расчетом шесть-восемь будущих ходов. Каспаров и Фридель не были полностью уверены в том, что именно происходит, однако то, что казалось сторонним наблюдателям случайной и необъяснимой ошибкой, содержало в себе, судя по всему, огромную мудрость. И после этого Каспарову уже не удалось ни разу обыграть Deep Blue.

Эдгар Аллан Каспаров

Во второй партии компьютер играл более агрессивно, не позволяя Каспарову занять выгодную позицию. Самый главный момент наступил где-то после 35-го хода. Силы сторон были примерно равны: у каждого игрока оставались ферзь, по одному слону, по две ладьи и по семь пешек. Однако Deep Blue, игравший белыми, обладал преимуществом следующего хода, а у его ферзя было много места для маневра. Положение (рис. 9.6) было не особенно угрожающим для Каспарова, однако существовала угроза угрозы – уже через несколько ходов могло проясниться, есть ли у Deep Blue шанс выиграть или же игра неминуемо движется к ничьей.

Рис. 9.6. Варианты действий Deep Blue на 36‑м ходу второй партии

Deep Blue нужно было поразмышлять над парой ходов. Он мог переместить ферзя на более угрожающую позицию; и это было бы хорошо с точки зрения тактики. Он мог обменяться пешками с белыми, открывая левый угол доски, что привело бы к созданию более открытой, элегантной и стратегически интересной позиции.

Гроссмейстеры, комментировавшие матч, ожидали, что Deep Blue воспользуется первым вариантом и продвинет вперед ферзя{641}. Этот ход казался довольно очевидным и более соответствовавшим характеру игры Deep Blue – компьютеры предпочитают сложные и требующие множества расчетов позиции. Однако после необычайно долгого «размышления» Deep Blue предпочел обмен пешками{642}.

Каспаров тут же расслабился, поскольку размен пешек делал его позицию менее напряженной. Однако чем больше он оценивал происходившее, тем меньше оно ему нравилось. Он кусал кулаки и отчаянно хватался за голову; одному из зрителей даже показалось, что в какой-то момент Каспаров заплакал{643}. Почему же Deep Blue решил не двигать своего ферзя вперед? Этот ход вряд ли можно ли считать слабым: на самом деле, его вполне мог бы совершить кто-то из соперников Каспарова из плоти и крови, таких как Анатолий Карпов.

Однако подобный ход компьютера должен был быть обусловлен тактическими «соображениями». Каспаров никак не мог понять, в чем они состояли, – если только его подозрения не оказались верными и Deep Blue не был способен предсказать 20 и более следующих ходов.

Каспаров и Deep Blue сделали еще восемь ходов. Для репортеров и экспертов, наблюдавших за игрой, стало очевидно, что у Каспарова, игравшего в обороне с самого начала, нет никаких шансов на выигрыш. Однако он все же мог бы свести игру к ничьей. Тем не менее, к немалому удивлению публики, Каспаров сдался после 45-го хода. Он решил, что компьютер не может допустить ошибку в расчетах, если он способен просчитать ситуацию на 20 ходов вперед. Он знал, что Deep Blue выиграет, – так зачем тратить энергию, когда впереди оставалось еще четыре партии?

Публика в аудитории разразилась аплодисментами{644}. Эта игра была хорошо сыграна, гораздо лучше первой. И даже если собравшимся мат, который поставил Deep Blue, казался не столь очевидным, как Каспарову, они не могли просчитать ситуацию так же глубоко, как он. Однако основные симпатии в этот раз были на стороне Deep Blue – компьютер играл как человек.

«Отличный стиль! – воскликнула чемпионка мира среди женщин Сьюзен Полгар в беседе с журналистом New York Times{645}. – Компьютер играл в стиле чемпиона типа Карпова». С ней согласился Джоэль Бенджамин, гроссмейстер, помогавший команде Deep Blue: «Это была не игра в компьютерном стиле, а настоящие шахматы!»

Каспаров быстро покинул зал, не вступая в беседу с журналистами, однако принял комментарии своих коллег-гроссмейстеров близко к сердцу.

Возможно, Deep Blue был человеком в буквальном, а не в экзистенциальном смысле. Не исключено, что, как и в случае с «Механическим турком» двумя столетиями ранее, какой-то гроссмейстер, находившийся «за сценой», тайно контролировал происходившее. Возможно, Бенджамин, сильный игрок, когда-то сыгравший вничью с Каспаровым, не просто регулировал работу Deep Blue, но и фактически вмешивался от имени компьютера в ход игры.

Столь мощные умы, какими обладают шахматные чемпионы, заточены на выявление закономерностей, и их иногда считают немного параноидальными. В ходе пресс-конференции на следующий день Каспаров обвинил IBM в обмане. Об игре компьютера он выразился словами «Марадона называл это рукой Господа»{646}, намекая на гол, который забил великий аргентинский футболист Диего Марадона в печально известном матче на Кубок мира 1986 г. с командой Англии. Запись показала, что он направил мяч в сетку ворот не головой, а левой рукой.

Марадона заявил, что он забил гол «un poco con la cabeza de Maradona y otro poco con la mano de Dios» – то есть немного воспользовался своей головой и немного – рукой Бога. Каспаров же считал, что параноидальность в поведение Deep Blue была внесена чужим интеллектом.

Две теории Каспарова относительно поведения Deep Blue были, конечно же, внутренне противоречивыми – как и концепция «Механического турка» Эдгара Аллана По. Машина играла слишком хорошо для того, чтобы казаться исключительно компьютером, – или же машина обладала интеллектом настолько масштабным, что человек не имел никакой надежды его понять.

Тем не менее его отказ продолжать вторую партию оказался ошибкой: победа Deep Blue не была полностью безоговорочной. Об этом Каспарову сказали за обедом на следующий день Фридель и Юрий Дохоян (один из самых доверенных помощников чемпиона). Разыграв с помощью компьютера Fritz ту же позицию глубокой ночью, они обнаружили последовательность, при которой после семи ходов Deep Blue был бы вынужден постоянно и безуспешно делать шах, что могло обеспечить Каспарову шанс на ничью[120]. «И это все? – сказал Каспаров, тупо уставившись на поток машин, ехавший по Пятой авеню. – Я был настолько впечатлен отличной позиционной игрой компьютера, что даже и не предполагал, что у меня есть путь к спасению»{647}.

Хотя счет матча был 1:1, доверие Каспарова к себе было глубоко подорвано. Он никогда прежде не проигрывал такие турниры; теперь же он чувствовал себя в подвешенном состоянии. Хуже того, он совершил смертный грех для любого шахматиста, сдавшись в игре, когда существовала возможность свести ее к ничьей. Это была невероятно неудобная и беспрецедентная ошибка. Журналисты и гроссмейстеры, комментировавшие матч, не могли вспомнить, когда чемпион в последний раз допускал что-то подобное.

Каспаров пришел к выводу, что он не сможет обыграть Deep Blue, используя тот мощный и угрожающий стиль игры, который и сделал его чемпионом мира. Вместо этого ему нужно было обмануть компьютер новым, осторожным и непривычным стилем, то есть, по сути, сыграть роль хакера, тестирующего программу на уязвимость. Однако первый ход Каспарова в третьей игре, хотя и оказался достаточно неожиданным и лишил Deep Blue возможности пользоваться привычными базами данных, был слишком слабым, чтобы принести что-то лучше ничьей. В четвертой и пятой партиях Каспаров вел себя лучше, и казалось, что в какой-то момент он получил перевес, однако он не смог преодолеть весомость баз данных Deep Blue, касающихся эндшпиля. В результате обе партии также закончились ничьей. Каждый из участников выиграл по одной игре, и им оставалась провести финальную встречу.

В день финальной игры Каспаров казался уставшим и несчастным; впоследствии Фридель вспоминал, что никогда прежде не видел своего друга в столь мрачном настроении. Играя черными, Каспаров выбрал так называемую защиту Каро-Канн. Она считается довольно слабой – исторически доля выигрышей черными фигурами составляет 44,7 %, – хотя и небезнадежной для хорошо знающих ее шахматистов типа Карпова. Однако Каспаров не очень хорошо разбирался в этой защите и редко использовал ее в турнирах.

Уже после нескольких шагов он начал задумываться даже над довольно простыми ходами. На седьмом ходу он допустил грубую ошибку, слишком рано предложив для обмена коня. Каспаров почти сразу же заметил свою ошибку, откинувшись в кресло и не скрывая своего неудовольствия. И уже после 12 ходов – чуть больше чем через час после начала игры – он сдался и быстро покинул зал.

Deep Blue выиграл. Но эффект от этой победы был не особенно сильным. Возможно, Каспаров просто переутомился и усугубил свое поражение, разыгрывая не самую знакомую ему комбинацию? Или же, как предположил гроссмейстер Патрик Вольф, Каспаров отказался от игры{648}, чтобы лишить победу Deep Blue должной славы? Имел ли какое-нибудь значение тот факт, что он выбрал защиту Каро-Канн, типичную для Карпова – соперника, которого он так часто побеждал?

Но все эти тонкости совсем скоро потерялись в пучине человеческого воображения. Машина взяла верх над человеком! Это напоминало ситуацию, когда компьютер HAL 9000 обрел контроль над космическим кораблем. Или момент, когда ровно на 13‑й секунде песни «Love Will Tear Us Apart» синтезатор берет верх над гитарным рифом, повергая рок-н-ролл в прах{649}.

Однако все это не было правдой. Каспаров пал жертвой человеческой хрупкости – и небольшой ошибки программного обеспечения.

Как заставить моргнуть шахматиста

Deep Blue был создан в центре имени Томаса Дж. Уотсона компании IBM – прекрасном, подковообразном здании в стиле ретро-модерн, расположенном неподалеку от полей графства Вестчестер.

В холле здания стоят копии ранних компьютеров, наподобие того, что был разработан Чарльзом Бэббиджем. И хотя здание порой и кажется немного старомодным – слишком много деревянных панелей и маленьких изолированных кабинетов, – его считают своим домом многие великие ученые, включая математика Бенуа Мандельброта, а также целый ряд лауреатов Нобелевской премии в области экономики и физики.

Я посетил центр имени Уотсона весной 2010 г., чтобы увидеться с Мюрреем Кэмпбеллом, канадцем с приятными манерами и подростковым восприятием жизни, который был одним из главных инженеров проекта еще со времен создания компьютера Deep Thought в Карнеги – Меллон (в настоящее время Кэмпбелл руководит департаментом статистического моделирования в IBM). В офисе Кэмпбелла висит огромный плакат с изображением Каспарова, угрожающе смотрящего на шахматную доску, и надписью:

Как заставить компьютер думать?

Каспаров против Deep Blue, 3–11 мая 1997 г.

В конечном итоге в игре «кто кого переглядит» первым моргнул Каспаров, а не Deep Blue, хотя причины оказались не совсем те, что ожидал Кэмпбелл со своей командой.

Deep Blue был создан с целью обыграть Каспарова, и только его. Команда пыталась предсказать, какие первые ходы будет, вероятнее всего, делать чемпион. После этого она придумывала самые сильные контратаки для любой комбинации (фактически Каспаров смог избежать этой ловушки, используя нетипичные для себя шаги в начале партии). Благодаря своим, хотя и довольно посредственным, итогам противостояния с Каспаровым в 1996 г. и результатам игр с другими шахматистами, игравшими в похожем стиле, вычислительная мощность Deep Blue удвоилась, а эвристика значительно улучшилась{650}. Кэмпбелл знал, что для того, чтобы соответствовать уровню стратегического мышления Каспарова, Deep Blue нужно более глубоко (но, возможно, более избирательно) изучать дерево вариантов. В то же время система была спроектирована с небольшим перекосом в сторону сложных позиций, что позволяло ей активнее использовать свои сильные стороны.

«Лучше всего компьютеры играют в позициях, где на доске имеется много фигур, что позволяет делать множество ходов, – рассказал мне Кэмпбелл. – Мы хотим играть в позициях, где тактика оказывается важнее стратегии. И для этого нужно совсем немногое». В этом смысле Deep Blue был более «человечным», чем любой шахматный компьютер до или после него.

Хотя теория игр не столь значима для шахмат, как для игр с неполной информацией типа покера, то очень важной становится последовательность ходов в начале партии. Даже слабый ход, который выведет оппонента из равновесия, способен отрицательно сказаться на качестве его многомесячной подготовки – или же это произойдет с вами, если оппонент найдет правильный ответ. Однако большинство компьютеров пытается играть в «идеальные» шахматы, а не варьировать свою игру, пытаясь противостоять конкретному оппоненту. Deep Blue сделал то, что делают большинство игроков-людей, – ставку на позиции, которые, по мнению Кэмпбелла, могли обеспечить весомое преимущество.

Характерная особенность или сбой?

Тем не менее в 1997 г. навыки Каспарова были насколько сильными, что научить Deep Blue выигрывать у него в шахматы можно было только с помощью программирования.

В теории создать компьютерную программу для игры в шахматы довольно просто: если поисковым алгоритмам шахматной программы предоставить возможность работать в течение неограниченного периода времени, то все 10 ^10 50 позиций могут быть решены методом перебора. «Есть довольно понятный алгоритм решения шахматных задач, – рассказал мне Кэмпбелл. – Я мог бы за полдня написать программу, позволяющую найти решение для любой позиции, если только у нее будет достаточно времени». Однако на практике, жаловался он, «для того чтобы это сделать, потребуется все время жизни нашей Вселенной».

А процесс обучения шахматного компьютера способу обыграть чемпиона мира часто сводится к банальному процессу проб и ошибок. Вырастет ли результативность, если мы дадим программе больше времени для работы в эндшпиле и меньше в середине игры? Есть ли хороший способ оценить, какая фигура важнее на первых ходах – конь или слон? Насколько быстро должна программа отсекать кажущиеся мертвыми ветви своего поискового дерева, даже если она знает, что в них может скрываться шанс на мат или, напротив, ловушка?

Изменяя эти параметры и наблюдая, как это повлияет на работу компьютера, Кэмпбелл провел с Deep Blue множество тестов. Однако иногда программа все равно допускала «ошибки», делая странные и неожиданные ходы. Каждый раз в подобном случае Кэмпбелл должен был задавать опытным программистам вопрос: был ли этот новый ход свойством программы – то есть моментом «эврики», показывавшим новую степень ее развития? Или же это просто был сбой?

Мой общий совет (в более широком контексте прогнозирования) для случаев, когда при использовании вашей модели вы получаете неожиданные или сложно объяснимые результаты, состоит в том, чтобы по умолчанию считать случившееся «сбоем». Ошибочно принять шум за сигнал довольно просто. А сбои способны подорвать усердную работу даже самых сильных прогнозистов.

Боб Вулгарис, ставший миллионером благодаря ставкам на баскетбол, о котором я рассказал вам в главе 8, как-то решил делать ставки на бейсбол. Созданная им модель стабильно рекомендовала делать ставки на команду Philadelphia Phillies, однако они оказывались неудачными. Оказалось, что ошибка связана с единственным неверным символом на 10 тыс. строк программного кода – помощник Вулгариса ошибочно ввел аббревиатуру домашнего стадиона Phillies (Citizens Bank Park) как P-H-l, а не P-H-I. Этой единственной строки кода хватило для искажения сигнала в программе и для того, чтобы Вулгарис сделал ставки на шум. Вулгарис был настолько потрясен этим сбоем, что полностью перестал пользоваться программой для расчета ставок в бейсболе.

Проблема Кэмпбелла заключалась в том, что Deep Blue уже давно научился играть в шахматы лучше, чем его создатели. Он мог сделать ход, который его создатели никогда бы не сделали, – и более того, они не всегда могли понять, что это: сознательное действие или сбой?

«На ранних стадиях отладки Deep Blue, когда компьютер совершал необычный ход, я мог подумать: “Что-то тут не так”, – рассказал мне Кэмпбелл. – Мы начинали копаться и вычисляли, с чем была связана проблема. Однако со временем подобные вещи происходили все реже и реже. Когда компьютер делал необычные ходы, мы разбирались с ними и понимали, что ему удалось вычислить что-то, что было бы сложно увидеть людям».

Возможно, самые знаменитые ходы в шахматной истории были сделаны шахматным вундеркиндом Бобби Фишером в так называемой Игре столетия в 1956 г. (рис. 9.7). Фишер, которому в то время было всего 13 лет, в первой партии против гроссмейстера Дональда Бирна дважды пожертвовал серьезные фигуры: в какой-то момент он отдал коня без видимой выгоды, а через несколько ходов сознательно оставил без защиты своего ферзя, предпочитая вместо этого продвинуть вперед одного из слонов. Оба хода были совершенно правильными; Фишер увидел уязвимость позиции Бирна, которая стала очевидной уже через несколько ходов. Однако мало кто из гроссмейстеров тогда или сейчас решился бы повторить ходы Фишера. Эвристика типа «никогда не разменивай своего ферзя, кроме как на другого или только в случае немедленного мата» слишком сильна, потому что она помогает игроку в 99 % случаев.

Рис. 9.7. Самые знаменитые жертвы фигур Бобби Фишера, 1956 г.

Однако, когда я повторил эту позицию на своем довольно слабом компьютере и запустил матч в программе Fritz, она повторила ходы Фишера буквально через несколько секунд. В сущности, программа посчитала ошибочными любые ходы, кроме тех, которые сделал Фишер. В поиске всех возможных ходов программа смогла выявить ситуации, когда от эвристики надо отказываться.

В этом случае не приходится говорить о наличии у компьютера «творческих способностей», позволяющих найти верный ход; вместо этого на его стороне примитивный перебор вариантов и скорость расчетов.

Но у компьютера есть и еще одно преимущество: он не позволяет собственным представления о том, как правильно играть в шахматы, мешать поиску точного хода в конкретных и определенных обстоятельствах. Игроку-человеку для выхода за пределы привычного мышления требуется немало креативности и доверия к себе. Люди дивились мастерству молодого Фишера, но, возможно, именно благодаря молодости он находил необычные ходы: в его распоряжении было все его безграничное воображение. Слепые пятна нашего мышления обычно создаем мы сами, и они лишь увеличиваются по мере нашего взросления. Свои слепые пятна есть и у компьютеров, однако они могут избежать этих ошибок воображения благодаря тому, что рассматривают и оценивают все возможные ходы без исключения.

Тем не менее в программе Deep Blue имелись свои сбои, хотя их и было не так много. Ближе к концу интервью Кэмпбелл довольно лукавым тоном заговорил об инциденте, случившемся незадолго до окончания первой партии матча 1997 г. с Каспаровым.

«В программе возник сбой, который мог заставить Каспарова неправильно оценить способности Deep Blue, – рассказал Кэмпбелл. – Однако Каспаров даже не стал рассматривать вероятность того, что это был сбой». Сбой возник на 44‑м ходу первой игры против Каспарова; программа не смогла выбрать следующий ход и обратилась к последнему средству – совершенно случайному ходу. Сбой был довольно непоследовательным и возник в момент, когда позиция компьютера уже была проигрышной. Кэмпбелл и команда исправили его на следующий день. «Мы видели нечто подобное чуть раньше, в ходе тестовой игры, и думали, что уже с этим справились, – рассказал он. – К сожалению, кое-что мы тогда упустили». Однако этот сбой сыграл Deep Blue на руку – возможно, что именно он, в конечном итоге, позволил компьютеру обыграть Каспарова. В пересказах матча Каспарова против Deep Blue считается, что проблема возникла во второй партии – когда Каспаров допустил почти беспрецедентную ошибку и отказался от продолжения игры, исходом которой могла стать ничья. Однако что заставило Каспарова совершить ошибку? Беспокойство, вызванное 44‑м ходом Deep Blue в первой игре – ходом, когда компьютер передвинул ладью без какой-либо явной цели. Каспаров предположил, что странное поведение компьютера представляет собой знак высшего интеллекта. Он даже не мог подумать о том, что случившееся оказалось результатом простого сбоя.

Несмотря на то что мы активно полагаемся на технологии XXI в., у нас до сих пор остались слепые пятна Эдгара Аллана По, касающиеся роли, которую машины играют в нашей жизни. Компьютер заставил Каспарова ошибиться, но лишь из-за неправильного кода программы.

Что компьютеры умеют делать хорошо?

Компьютеры умеют очень быстро производить расчеты. Более того, мы можем рассчитывать, что они будут делать это безупречно – не уставая, не подчиняясь эмоциям и не меняя настроения во время игры.

Но это не значит, что компьютеры всегда создают идеальные прогнозы (или даже хорошие). Эта проблема отлично описывается аббревиатурой GIGO (garbage in, garbage out, или «мусор на входе – мусор на выходе»). Если «скормить» компьютеру плохие данные или создать неправильный набор инструкций для анализа, он не сможет превратить грязь в золото. Кроме того, компьютеры довольно плохо исполняют задачи, требующие креативности и воображения, такие как разработка стратегии развития или теории о том, как работает мир.

Таким образом, компьютеры более всего полезны прогнозистам в таких областях, как прогнозирование погоды и шахматы, где система следует сравнительно простым и понятным законам, но где уравнения, управляющие системой, должны решаться по множеству раз, чтобы создать хороший прогноз. Судя по всему, компьютеры мало чем могут помочь нам в таких областях, как экономика или прогнозирования землетрясений, где причины кажутся более расплывчатыми, а данные сильнее перемешаны с шумом. В каждой из этих областей и в 1970‑х, и в 1980‑х гг. на компьютеры, ставшие доступными ученым для решения повседневных задач, возлагались большие надежды, однако до сих пор серьезный прогресс так и не достигнут.

Но между этими двумя полюсами находится множество других областей применения. Зачастую данные можно считать хорошими, но не отличными, и у нас есть некое (далеко не идеальное) понимание систем и процессов, в результате действия которых они получены. В подобных случаях существует возможность улучшить предсказания благодаря процессу, который использовали программисты Deep Blue, – применению метода проб и ошибок. Именно этот метод лежит в основе бизнес-стратегии компании, которую мы чаще всего связываем в настоящее время с Большими данными.

Когда метод проб и ошибок действительно работает

Если вы приедете в офисный комплекс Googleplex, расположенный в городе Маунтин-Вью, штат Калифорния, где я побывал в конце 2009 г., то заметите, что не всегда понимаете, когда с вами говорят серьезно, а когда шутят. Здесь царит культура, стимулирующая креативность и выражающаяся, помимо прочего, в ярких цветах, наличие волейбольных площадок и невероятных разновидностей двухколесных средств передвижения. Сотрудники Google, даже программисты и экономисты, могут быть достаточно капризными и вести себя необычным образом.

«Такие эксперименты проходят у нас все время, – сказал мне на встрече Хэл Вариан, главный экономист Google. – Нашу компанию лучше всего представлять себе как организм, нечто живое. Я уже много раз говорил о том, что нам нужно обращать внимание на то, когда этот организм оживает и может напоминать Skynet[121]. Однако мы договорились с губернатором Калифорнии, – на тот момент Арнольдом Шварценеггером, – что он придет и нам поможет». Google проводит масштабное тестирование своих поисковых и других продуктов. «В прошлом году мы провели 6000 экспериментов в области поиска и еще примерно столько же в области монетизации рекламных объявлений, – сказал мой собеседник. – Так что можно сказать, что Google проводит не менее 10 тыс. экспериментов в год». Некоторые из этих экспериментов заметны всем нам – зачастую благодаря им появляется новая продуктовая линейка. Однако большинство из них мы не отслеживаем – в ходе экспериментов логотип перемещается на несколько пикселей в сторону, или чуть-чуть меняется цвет фона в рекламе, а затем исследователи Google отслеживают, какое влияние это оказывает на количество кликов или монетизацию. Многие эксперименты охватывают всего 0,5 % пользователей Google (чаще всего охват зависит от того, насколько многообещающей кажется идея).

Когда вы вводите свой поисковый запрос в Google, то, возможно, и не знаете, что участвуете в эксперименте. Однако Google понемногу предлагает вам небольшие изменения. И результаты поисковых запросов, и порядок, в котором они появляются на странице, представляют собой предсказание компании о том, какие результаты вы посчитаете наиболее полезными.

Как можно измерить и предсказать такое качество, как «полезность», порой кажущееся нам субъективным? Если ваш запрос выглядит как лучший новый мексиканский ресторан, то означает ли он, что вы планируете поездку в Альбукерке? Или вы ищете недавно открытый мексиканский ресторан? Или то, что вам нужен мексиканский ресторан, подающий блюда в стиле Nuevo Latino? Может быть, вам стоило перефразировать свой запрос, но, раз вы этого не сделали, Google может собрать группу из 1000 человек, сделавших тот же запрос, показать им различные наборы веб-страниц, а затем попросить их оценить полезность каждого набора по шкале от 0 до 10. После этого Google будет показывать вам только ссылки на страницы, расположенные по порядку среднего рейтинга, начиная с самого высокого.

Разумеется, Google не может проводить подобное изучение каждого поискового запроса, особенно, учитывая, что количество ежедневных запросов составляет сотни миллионов. Но, как сказал мне Вариан, тестирование определенного репрезентативного набора запросов осуществляют специалисты-оценщики. Затем сотрудники компании определяют, какие статистические показатели лучше всего коррелируют с человеческими суждениями уместности и полезности вносимых изменений. Самым известным из статистических показателей Google является PageRank{651} – показатель, основанный на том, как много других веб-страниц ссылаются на ту, которая может оказаться для вас полезной. Однако PageRank – это всего лишь один из двух сотен сигналов, используемых Google{652} для аппроксимации суждений специалистов-оценщиков.

Конечно же, эта задача далеко не проста – компания использует около 200 сигналов для оценки практически безграничного набора возможных поисковых запросов. Вот почему Google уделяет так много внимания экспериментам и тестированию. Продукт, известный вам как поисковая машина Google, несмотря на все свои текущие плюсы, уже завтра может выглядеть немного иначе.

Успешной эту компанию делает способ, благодаря которому ей удается совмещать свою приверженность тестированию со свободной и креативной культурой. Сотрудники Google имеют массу стимулов, способствующих тому, чтобы делать все то, что людям удается лучше компьютеров, – придумывать огромное количество идей. Затем Google использует свои огромные массивы данных, чтобы протестировать все эти идеи. От большинства из них компания отказывается достаточно быстро, но лучшие из них выживают.

Компьютерные программы играют в шахматы именно таким образом, то есть исследуют почти все возможные варианты с определенной степенью глубины, однако концентрируют свои ресурсы на самых многообещающих направлениях. Это вполне можно считать байесовским процессом: Google всегда находится на старте, уточняя свои поисковые алгоритмы, и никогда не считает их доведенными до совершенства.

В большинстве случаев мы не можем тестировать свои идеи так же быстро, как Google, которая практически мгновенно получает обратную связь от сотен миллионов пользователей со всего мира. Нет у нас и такого же доступа к суперкомпьютеру, как у инженеров Deep Blue. Прогресс будет развиваться значительно более медленными темпами.

Тем не менее лучшим способом ускорения процесса обучения может считаться тестирование самих себя – то есть изучение того, насколько хорошо наши предсказания работают в реальном мире, а не в комфортных условиях статистической модели.

Преодоление технологических слепых пятен

Во многих случаях главное технологическое ограничение – это мы сами. Медленный и постепенный марш человеческой эволюции идет не в ногу с технологическим прогрессом – эволюция развивается тысячелетиями, а вычислительная мощность удваивается примерно каждые два года.

Для наших предков, живших в пещерах, было бы крайне полезно иметь хорошие, а то и почти гиперактивные навыки распознавания закономерностей, то есть умение за считаные доли секунды понять, вызван ли шелест листвы ветром или крадущимся медведем-гризли. В наши дни в быстро развивающемся мире, купающемся в цифрах и статистике, эти же тенденции способны принести нам немало проблем: видя случайные наборы цифр, мы начинаем искать закономерности там, где их нет (лукавые деятели рекламы и политики часто охотятся за участками нашего мозга, отвечающими за эти функции).

Однако в шахматах все закончилось хорошо. Хотя Каспаров и программисты Deep Blue воспринимали друг друга как антагонистов, они вместе дали нам новое понимание того, какую роль могут играть вычислительные мощности компьютеров и человеческая изобретательность в деле предсказания.

На самом деле лучшая шахматная партия разыгрывается сейчас не между отдельными людьми и машинами{653}. В 2005 г. сайт ChessBase.com организовал «фристайловый» шахматный турнир – игроки могли использовать в процессе игры любые компьютерные программы и просить совета через интернет. И несмотря на то что в турнире приняло участие несколько гроссмейстеров, выиграли его не сильнейшие игроки и не те, кто использовал самые продвинутые программы, а пара 20-летних любителей из Нью-Гемпшира – Стивен Крэмтон и Хакари «ЗакС» Стивен. Чтобы сделать оптимальный следующий ход, они использовали три компьютерные программы{654}. Крэмтон и Стивен победили, потому что не боялись технологий и не злоупотребляли ими. Они знали сильные и слабые стороны каждой программы и действовали скорее не как игроки, а как тренеры.

Стоит осторожно относиться к фразам типа «по мнению компьютера, Yankees выиграют ежегодный чемпионат США по бейсболу». Если эта фраза представляет собой аналог более точной фразы («исход работы компьютерной программы показывает, что Yankees выиграют ежегодный чемпионат США по бейсболу»), то эту фразу можно считать правильной. При всем богатстве информации в мире нам, безусловно, поможет наличие машин, способных делать расчеты значительно быстрее, чем мы сами.

Но если вам кажется, что прогнозист имеет в виду иное и воспринимает компьютер как чувствующее существо, а модель – как обладающую независимым мышлением, то это может означать, что он сам недостаточно глубоко задумывается о происходящем. И его искажения, предубеждения и слепые пятна обязательно проявятся в созданной им компьютерной программе.

Мы должны рассматривать технологию так, как это было всегда, – инструментом для улучшения жизни человека. Нам не стоит ни бояться технологии, ни поклоняться ей, как святыне. Никто пока не создал и, возможно, не создаст компьютер, думающий как человеческое существо{655}. Однако компьютеры сами по себе представляют отражение человеческого прогресса и человеческой изобретательности – вряд ли можно считать «искусственным интеллектом» то, что создано интеллектом человека.

В 2003 г. начался «покерный бум», то есть стал образовываться своего рода пузырь, когда количество новых и неопытных игроков росло в геометрической прогрессии и даже небольшое умение играть в покер могло обеспечить игроку большую прибыль. Можно назвать две непосредственные и связанные друг с другом причины этого явления. Первой стал выигрыш Мировой серии[122] покера 2003 г. в Лас-Вегасе 27-летним любителем, бухгалтером из Нэшвилла с многозначительным именем Крис Манимейкер. Он казался подлинным олицетворением покерного счастливчика – немного полноватый офисный работник, которому удалось благодаря нескончаемым блефам и удачным раздачам 39 долл. (плату за участие в квалификационном турнире в Сети) превратить в приз размером в 2,5 млн долл.

Телеканал ESPN использовал достижение Манимейкера для того, чтобы сделать на его основе мини-сериал из шести частей, которые регулярно повторялись вечерами в будние дни до начала бейсбольного сезона. Трансляция стала невероятно эффективной рекламой «спортивности» покера, у которого до этого момента была репутация захудалого, архаичного и пугающего занятия.

Внезапно каждый лысеющий и низкорослый бухгалтер, давно оставивший мечты стать следующим Майклом Джорданом или Дереком Джетером, смог увидеть в Манимейкере родственную душу, человека, которому удалось избавиться от скучной работы и за несколько недель превратиться из обычного любителя в победителя крупнейшего покерного турнира в мире.

Однако ESPN представил довольно выхолощенную версию реальных событий, происходивших за покерным столом. Прежде всего из-за необходимости вместить в шесть часов сериала более 40 часов игры с участием 800 человек канал показывал лишь небольшую часть сыгранных раздач. Более того, благодаря изобретению крошечной камеры, вмонтированной в игровые столы рядом с местом каждого игрока, телезрители могли видеть карты не только самого Манимейкера, но и каждого из его противников. Это создавало у них ощущение ясновидения. Разумеется, ведь покер – это довольно простая игра, если вы знаете карты своего оппонента.

Манимейкер был представлен в сериале как герой, неспособный на ошибки или неточности. Раздачи, которые, по мнению непредвзятых аналитиков, были сыграны им довольно плохо, получали в устах комментаторов эпитет «смелых», а преждевременные сбросы карт и отказ от участия в партии якобы свидетельствовал о его «проницательности». Манимейкер начинал казаться зрителям не любителем, умевшим играть в карты чуть лучше обычного человека[123]{656}, а покерным гуру, достаточно умным и хитрым для того, чтобы превратиться в игрока мирового класса чуть ли не за одну ночь.

Зрители начинали верить, что игре в покер легко научиться, на нем легко зарабатывать деньги и что это чрезвычайно динамичное действие – но ничто из этого не является правдой. Тем не менее происходившее заставило многих думать, что от жизни в стиле Криса Манимейкера их отделяет лишь перелет до Лас-Вегаса. Количество участников Мировой серии с вступительным взносом 10 тыс. долл. выросло с 839 человек (в тот год, когда Манимейкер выиграл главный приз) до 8773 тремя годами позже (рис. 10.1).

Рис. 10.1. Количество участников Мировой серии покера, 1970–2006 гг.

Одним из них был и я{657}. Некоторое время я жил великой покерной мечтой, однако затем она умерла. Я понял, что покер, как и многое другое, погряз в переплетении сигнала и шума. Годы, проведенные за игрой, научили меня отлично разбираться в том, какую роль в нашей жизни играет шанс и насколько сильные иллюзии он способен создать, когда мы стремимся понять мир и предсказать его развитие.

Начало покерной мечты

Другим катализатором покерного бума стал интернет. В какой-то форме интернет-покер существовал уже с 1998 г., однако популярность он обрел лишь в 2003 г., после того как такие компании, как Party Poker и PokerStars, начали заниматься более агрессивным маркетингом и пробиваться сквозь правовую трясину мира азартных игр в интернете. Игроки со всего мира начали играть в Сети, забыв о безопасности и законности виртуальных игровых залов. Сайты предлагали круглосуточный и непрерывный доступ к любой разновидности покера по ставкам от нескольких центов до сотен долларов. Игры шли быстрее (компьютерный чип может тасовать колоду карт значительно быстрее, чем человек, и ему не нужно платить чаевые). А кроме всего прочего, играть дома было куда приятнее, чем в старых и прокуренных залах казино.

Выше я уже говорил, что моя работа в тот период не сильно отличалась от той, чем занимался Манимейкер. Я работал экономическим консультантом по учету в бухгалтерской компании KPMG. Мой коллега предложил мне принять участие в регулярной игре, делая ставки просто ради интереса и для того, чтобы заставить нас хотя бы немного понервничать. Я приобрел некую толику опыта, регулярно вставая в четыре часа утра и совершая поездки в казино «Парящий орел» в индейской резервации в Маунт-Плезант, штат Мичиган. Особого успеха мне это не принесло, и я начал изучать возможность принимать участие в онлайн-играх. Мне попался довольно неуклюжий сайт с названием «Пасифик покер», который предлагал новым игрокам бонус в размере реальных 25 долл. в виде покерных фишек практически без каких-либо дополнительных условий{658}.

Я довольно быстро потерял первые 25 долл., однако игроки в «Пасифик покер» показались мне не намного опытнее бывших заключенных и бодрых старичков, представлявших основную аудиторию «Парящего орла». Поэтому я вложил в онлайн-казино 100 долл. собственных средств. Почти все профессиональные игроки в покер начинают свою карьеру с череды выигрышей. Те, кто начинает с проигрышей, обычно слишком сильно огорчаются и перестают играть. Я не был исключением. Мой игровой счет начал расти: сначала на 50 или 100 долл. за ночь, а потом я стал выигрывать и по 500, и даже по 1000 долл. Примерно через три месяца мой выигрыш составил примерно 5000 долл. Я начал играть ночи напролет. По утрам я вызывал такси, чтобы добраться до работы, а там я, как мог, имитировал бурную деятельность. За шесть месяцев я смог выиграть около 15 тыс. долл. Я уволился, бросив увлекательнейший мир консультирования по вопросам международного налогообложения ради того, чтобы заняться игрой в карты и работой на Baseball Prospectus. Это было настоящим освобождением; я почувствовал, что мне удалось каким-то образом взломать систему.

Я не знаю, действительно ли я был хорошим игроком с самого начала. Однако планка, установленная моими конкурентами, была достаточно низкой, а мое статистическое прошлое обеспечивало мне некоторое преимущество. Иногда покер воспринимается как исключительно психологическая игра, битва воли, в которой оппоненты пытаются просчитать друг друга и заглядывают своим противникам в «душу», пытаясь найти знаки, позволяющие понять, насколько сильные карты у тех на руках. Это присутствует в покере, особенно при высоких ставках, но далеко не в той степени, как принято считать (психологические факторы в покере проявляются чаще всего в виде самодисциплины). Скорее, покер можно считать математической игрой, зависящей от вероятностных суждений на фоне неопределенности – иными словами, для покера нужны те же самые навыки, что и для любого другого типа прогнозирования.

Как игроки в покер предсказывают раздачу

Хорошие игроки в покер не отличаются способностью предсказывать, какая карта окажется на столе следующей. Их не стоит считать ясновидящими. Только самые суеверные или параноидальные игроки верят, что порядок, в котором тасуются карты в колоде, не случаен.

Лишь самым плохим игрокам не удается удерживать в памяти основные цифры, связанные с вероятностью выпадения той или иной комбинации. Например, почти все помнят, что до момента, когда на стол выкладывается последние две карты, у игрока есть шанс собрать комбинацию флэш[124], равный 1 к 3, или что пара тузов выигрывает у пары королей примерно в 80 % случаев. Куда важнее для игроков так называемое умение «читать руку», то есть умение вычислять, какие карты могут быть на руках у оппонента и как это может повлиять на его дальнейшие решения по ходу игры.

Это довольно сложная задача, особенно в техасском холдеме[125] – самом популярном варианте игры. В холдеме карты игроков лежат рубашкой вверх, и никто не может точно знать карты своего оппонента до тех пор, пока все ставки не сделаны и кто-то не выигрывает банк. В самом начале игры у каждого из игроков может оказаться на руках одна из 1326 возможных комбинаций. Среди них может быть и волшебная пара тузов, и скромная комбинация 7 и 2, и ничто, кроме любви игрока к деньгам, не мешает ему разыгрывать одну комбинацию так, как будто у него на руках другая.

Однако игроки могут использовать свое умение «читать руку» для предсказания возможных вариантов комбинаций карт на руках у оппонента. Игроки в покер часто ведут себя так, как будто совершенно точно знают, какие именно две карты имеет их противник. Но лучшие игроки всегда выдвигают несколько гипотез, которые затем сверяют с действиями оппонента. Хороший прогноз в покере всегда основан на вероятности. По ходу игры он становится более понятным, однако обычно невозможно предсказать в точности, какая из 1326 возможных комбинаций находится на руках у вашего соперника, особенно если он достаточно профессионален и сознательно ведет себя определенным образом{659}.

В техасском холдеме настолько сложно получить достоверную информацию, что игроки начинают строить догадки о том, какие карты на руках их оппонентов, еще до начала раздачи. При игре в Сети это делается с помощью изучения данных. В вашем распоряжении имеется статистика о том, насколько расслабленно или четко, пассивно или агрессивно играл каждый оппонент в предыдущих играх. В реальных казино это осуществляется путем сравнения одних игроков с другими, а если это невозможно, то может использоваться этнический профиль игрока. Например, игроки из Швеции, Ливана и Китая имеют репутацию более агрессивных, чем игроки из Франции, Великобритании или Индии. Считается, что более молодые игроки ведут себя более расслабленно и агрессивно, чем зрелые. Считается также, что мужчины блефуют чаще женщин. Эти стереотипы, как и все остальные, не всегда оказываются правдой. Когда я играл в холдем в казино «Белладжио» в Лас-Вегасе, то лучшими игроками очень часто оказывались женщины, и отчасти это было связано с тем, что они вели себя значительно более агрессивно, чем могли предположить их противники. Однако у игроков в покер редко находится время для политкорректности. Даже если стереотип о более консервативном подходе женщин к игре оказывается неправильным в 45 % случаев, он позволяет игрокам принимать правильные решения в остальных 55 %.

После начала партии все приблизительные изначальные предположения заменяются более надежной информацией, основанной на том, как вел себя игрок в предыдущих партиях в тот же день, и на том, как он разыгрывает текущую. Этот процесс по своей природе – полностью байесовский. Каждый игрок меняет свои вероятностные оценки после каждой ставки, передаче хода (чек) и ответе на ставку (колл). Если вы сомневаетесь в практической применимости теоремы Байеса, то, возможно, вы никогда не видели, как играют в покер.

Небольшой рассказ о техасском холдеме

Правила техасского холдема легко найти в Сети или других книгах, но я хотел бы для непосвященных отметить некоторые моменты, чтобы помочь им разобраться с терминами, которые я использую далее. Эти правила довольно просты по сравнению с другими карточными играми. Однако, как и в шахматах, сравнительно простые правила создают игру с исключительной тактической и стратегической глубиной.

Партия начинается, когда каждый игрок получает две личные карты рубашкой вверх. После этого происходит раунд ставок или торговли. Помимо карт у игрока имеется еще несколько карт, которые выкладываются на стол рубашкой вниз и могут использоваться для создания комбинаций всеми игроками за столом. Каждый игрок старается собрать лучшую комбинацию из пяти карт из тех, что находятся у него в руках, и карт на столе. Общие карты выкладываются в определенной последовательности, при этом на каждом этапе игры происходит торговля. Первые три общие карты выкладываются на стол одновременно, и этот раунд раздачи называется флоп (это первый из тех цветистых терминов, которые используют игроки в покер). После раунда торговли выкладывается четвертая общая карта, называемая терн. Затем на стол выкладывается последняя общая карта (ривер), и начинается последний раунд торговли. Чаще всего к этому моменту свои карты сбрасывает большинство игроков, кроме одного. Если же нет, игроки переворачивают свои карты, после чего банк получает игрок с лучшей комбинацией.

Ранжирование покерных комбинаций выглядит следующим образом.

Стрит-флэш (K♥ Q♥ J♥ T♥ 9♥)

Каре (четыре карты одинакового номинала) (7♣ 7♥ 7♠ 7♦ 2♥)

Фулл-хаус (Q♠ Q♥ Q♠ 5♦ 5♠)

Флэш (A♠ J♠ 9♠ 4♠ 2♠)

Стрит (8♣ 7♦ 6♠ 5♦ 4♥)

Тройка (три карты одинакового номинала) (9♦ 9♠ 9♥ A♣ 2♥)

Две пары (A♥ A♠ 3♣ 3♦ 7♠)

Одна пара (K♠ K♥ 9♣ 8♣ 6♦)

Старшая карта без пары (A♣ Q♠ 8♦ 5♦ 3♠).

В случае одинаковых комбинаций банк выигрывает игрок с самой высокой картой на руках: например, флэш с тузом выигрывает у флэша, в котором самой старшей картой оказывается 9. Если же у игроков на руках имеются одинаковые пары, выигрывает тот, у кого имеется третья карта с наибольшим номиналом (кикер). Например, комбинация (8♥ 8♠ K♣ 7♥ 5♥) выигрывает у комбинации (8♥ 8♠ Q♦ 7♥ 6♠), поскольку кикером является король, а не дама.

Не так уж и проста эта покерная раздача

Предположим, вы играете партию в безлимитный холдем со ставками 5 и 10 долл. в «Белладжио»[126]. Первые несколько игроков сбросили свои карты, а у вас на руках имеется вполне достойная комбинация – пара восьмерок (8♠ 8♣). Поэтому вы повышаете ставку до 25 долл., и на нее отвечает всего один игрок, 60-летний мужчина, которого мы будем называть Юрист.

Это довольно приятный человек. В промежутках между партиями он охотно болтает, но после раздачи смолкает. О себе он рассказал, что работает партнером в юридической компании на Восточном побережье, занимающейся вопросами интеллектуальной собственности. Его вполне можно представить в рубашке-поло, периодически отправляющим своему другу сообщения о том, за сколько ударов им удалось пройти дистанцию в игре в гольф. Перед тем как переключиться на кофе во время игры, он выпил один бокал пива. Судя по всему, его совершенно не пугают ставки, по которым идет игра.

Когда Юрист только сел с нами за стол, у нас было два совершенно различных предположения о том, что он собой представляет. Первое состояло в том, что он будет немного выпендриваться во время игры, делая необоснованные шаги и блефуя, а второе – в том, что он будет использовать строгий «книжный» подход. Наши последующие наблюдения подтвердили правильность второй гипотезы. Юрист создавал впечатление довольно посредственного игрока, избегавшего катастрофических ошибок, но не проявляющего особого мастерства. Все всякого сомнения, он – не худший из игроков, однако вряд ли может стать победителем в долгосрочной перспективе. Тем не менее мы еще не играли против него достаточно долго и не уверены ни в одной из своих гипотез до конца.

Итак, что же мы знаем о картах Юриста в настоящий момент? Единственное, в чем не приходится сомневаться, так это в том, что у него нет комбинации с картами 8♠ или 8♣, поскольку эти карты – наши. К сожалению, это снижает количество начальных комбинаций всего лишь с 1326 до 1225, причем каждая из них имеет одинаковые шансы быть у него на руках.

Тем временем мы получили от Юриста дополнительную информацию – он решил ответить на нашу ставку. Это значит, что его комбинация должна быть как минимум достойной – основная часть игроков, включая Юриста, сбрасывают карты в большинстве случаев, а не поднимают ставки перед флопом. И это значит также, что у него вряд ли очень сильная комбинация типа пары тузов, поскольку он просто ответил на нашу ставку, а не поднял ее еще выше, хотя нельзя исключать, что он хитрит[127].

Мы можем приступить к формированию вероятностной байесовской оценки карт, которые могут быть на руках у Юриста. Из прошлого опыта игры с похожими на него людьми мы знаем, что у него на руках вполне могут оказаться пары типа 9♦ 9♣. Также комбинация может включать в себя туза, особенно если обе карты относятся к одной масти (например, A♥ 5♥), что дает ему возможность собрать флэш. Также у него на руках могут быть так называемые одномастные коннекторы – карты типа 6♠ 5♠, принадлежащие к одной масти, идущие по номиналу одна за другой и позволяющие собрать флэш или стрит. И, наконец, он мог ответить нам двумя старшими картами, например королем треф и бубновым валетом (K♣ J♦).

Если бы у нас было достаточно времени, мы могли бы перечислить все комбинации, которые могут быть на руках у Юриста, и привели для каждой значение вероятности от 0 до 100 %, с учетом его действий к настоящему моменту (рис. 10.2). Именно так оценивал бы его игру компьютер, способный быстро обрабатывать вероятности.

Рис. 10.2. Вероятностное изображение возможного «диапазона рук»* у партнера по игре

* «Диапазон рук» соперника, или просто «диапазон соперника», – это определенная группа рук (карточных комбинаций), которые, по вашему мнению, могут находиться у вашего оппонента в конкретной игровой ситуации. Рука (Hand) – очень широкое понятие в покере, в том числе и комбинация карт игрока или стартовые карты. Это понятие включает в себя полный розыгрыш, начиная с принудительных ставок и раздачи карт, игры на префлопе (часть раздачи, проходящая до открытия карт флопа) до шоудауна (вскрытия карт).

Матрица, подобная приведенной на рис. 10.2, слишком сложна для применения в условиях реального мира. На практике игроки обычно разбивают диапазон возможных комбинаций карт на группы, в отношении которых оппонент будет предпринимать одинаковые действия (табл. 10.1). В данном случае самой опасной для нас на данный момент выступает группа комбинаций с парой, старшей нашей пары восьмерок.

Таблица 10.1. Возможные комбинации карт на руках оппонента до флопа

К счастью, вероятность подобного развития событий мала: игроку в холдем редко удается получить такую пару карт с самого начала. Шансы получить пару с самого начала партии составляют в холдеме примерно 3 %. Однако, учитывая, что Юрист ответил на нашу ставку, нам следует обновить просчитанное значение этой вероятности – чаще всего этот игрок сбрасывает слабые карты, а следовательно, сейчас у него на руках что-то есть. По нашим расчетам, шансы на то, что у него на руках есть пара старше наших восьмерок, с учетом его прежних действий уже выросли примерно до 6 %.

В оставшихся 94 % случаях Юрист начинает игру с комбинацией карт хуже нашей. Проблема состоит лишь в том, что на столе должно появиться еще пять карт, и хотя шансов на то, что они улучшат нашу пару, довольно мало (нам потребуется одна из двух оставшихся в колоде восьмерок), Юрист может довольно легко собрать более высокую пару, стрит или флэш.

Юрист отпивает немного кофе, пока дилер выкладывает карты флопа в центре стола. Это две трефы – король и тройка, – а также девятка червей.

K♣ 9♥ 3♣

Эти карты не сделали нашу комбинацию лучше. Остается лишь надеяться, что они не улучшили и комбинацию, которая на руках у Юриста и наша пара восьмерок все равно останется самой сильной.

Поэтому мы делаем довольно скромную ставку, добавляя 35 долл. в банк, составляющий уже 65 долл. Юрист на мгновение делает паузу, а затем отвечает на нашу ставку.

Его поступок нас не удивляет, и мы приступаем к перерасчету вероятностей его комбинации. Согласно теореме Байеса, главное – размышлять в понятиях условных вероятностей. Например, если Юрист начал игру с комбинацией типа K♣ J♦, а теперь у него появилась пара королей, насколько вероятно, что он вновь ответит на нашу ставку? (Разумеется, с сильной парой на руках он вполне может это сделать, но не лучше ли для него было бы поднять ставку выше?) А что, если он начал игру с меньшей парой, например 7♥ 7♠, – насколько вероятно, что он ответит нам, а не сбросит карты? Если бы у нас было больше времени, мы могли бы изучить каждую из 1326 комбинаций и соответствующим образом пересмотреть свои расчеты (табл. 10.2).

Таблица 10.2. Возможные комбинации карт на руках оппонента на флопе

¹ Флэш-дро (Flush-draw) – четыре карты одной масти, то есть недостроенный флэш.

² Стрит-дро (Straight-draw) – четыре карты, соседствующие по рангу, то есть недостроенный стрит.

Наши реальные расчеты, которые мы делаем за столом, будут куда менее точными. Тем не менее мы можем с учетом действий Юриста дать определенные, причем довольно широкие, вероятностные характеристики диапазона возможных комбинаций у него на руках. Примерно в 30 % случаев комбинация карт Юриста собиралась с учетом флопа, и он имел пару королей или более сильную комбинацию. Это хорошие комбинации, и при отсутствии сильного внешнего давления он не стал бы их сбрасывать. Имеется также 20 %-ная вероятность, что у него на руках пара хуже, чем короли, но лучше, чем наши восьмерки. Эти комбинации переигрывают нашу, однако, если мы продолжим агрессивно повышать ставки, Юрист, скорее всего, их сбросит.

Имеется также 25 %-ная вероятность, что Юрист имеет шансы собрать стрит или флэш. На данный момент его карты значительно слабее наших, однако у него есть возможность улучшить ситуацию.

И, наконец, вероятность, что у Юриста есть пара меньше нашей или нет вообще ничего, составляет 25 %, и он продолжает делать ставки в надежде на будущий блеф. Этот вариант для нас самый предпочтительный.

Вы можете сами увидеть, насколько сложно порой принимать решения в покере. Если верны одни варианты, мы должны делать максимально агрессивные ставки. Если другие, мы должны ограничиться более осторожным подходом, а если третьи, мы должны готовиться к тому, чтобы сбросить карты.

Пока мы размышляем, принимая это отнюдь не простое решение, дилер кладет на стол идеальную для нас карту, чем ощутимо заметно улучшает нашу жизнь. Это одна из двух восьмерок, остававшихся в колоде, 8♦, и в результате у нас возникает набор из трех одинаковых карт. Единственная комбинация, при которой мы можем проиграть, возникнет, если Юрист начал игру с парой девяток или королей, получил набор из трех одинаковых карт на флопе, а затем начал играть пассивно, чтобы заманить нас в ловушку (для этого у игроков в покер есть специальный термин «слоуплей»). Но нам не стоит чрезмерно осторожничать. Какова бы ни была комбинация у Юриста, наши шансы на победу составляют примерно 98 %. Поэтому мы делаем сравнительно крупную ставку – 100 долл. при банке в 135 долл.

Юрист еще раз отвечает на нашу ставку. Если бы у него была слабая пара или несформированная комбинация, он, скорее всего, сбросил бы карты. Соответственно, у нас появляется возможность еще сильнее сузить наше представление об имеющихся у него на руках картах.

В сущности, на данном этапе у него может остаться всего 75 комбинаций из 1326. У Юриста могла бы быть пара королей, которая заставила бы нас понервничать чуть раньше, но которую мы можем побить сейчас. И если что и может нас волновать, так это, скорее, еще одна трефа, появление которой на столе могло бы обеспечить Юристу флэш (табл. 10.3).

Вместо этого последней картой оказывается довольно безвредная пятерка пик, не позволяющая завершить флэш: K♣ 9♥ 3♣ 8♦ 5♠.

Таблица 10.3. Возможные комбинации карт на руках оппонента на терне

Мы добавляем 250 долл. к банку, составляющему 335 долл., надеясь, что Юрист ответит нам, имея на руках более слабую комбинацию. Однако он внезапно возвращается к жизни. «Олл-ин!» (ставка на все деньги), – очень тихо говорит он дилеру, а затем двигает в центр стола все оставшиеся у него фишки – на сумму около 1200 долл.

Что произошло только что? Теперь мы должны протестировать свои навыки байесовского мышления. Если наш прогноз о том, какие карты у него на руках, неверен, то мы легко можем совершить ошибку ценой в 1200 долл.

Мы смотрим на стол и понимаем, что единственной рукой из 1326 случайных комбинаций, которая кажется наиболее соответствующей его игре, является комбинация 7 и 6 треф (7♣ 6♣). Это одномастный коннектор, поэтому он мог бы продолжить с ним игру перед флопом. На флопе эта рука обеспечивала ему флэш-дро с четырьмя трефами, и мы поставили слишком малую сумму для того, чтобы он отступил.

Хотя он и упустил флэш, но тем не менее стал сильнее: та же 8♦, которая превратила нашу комбинацию в «тройку», дала Юристу возможность создать стрит с любой десяткой или пятеркой. Если бы это было действительно так, то 5♠ на ривере завершала создание комбинации, способной победить нашу «тройку». И если это именно так, то становилось понятным его упрямое желание повышать ставки.

Стоит ли нам сдаться? Даже если вы никогда не играли в покер, имеет смысл на мгновение остановиться и подумать о том, что делать.

Ответ состоит в том, что вам, вполне возможно, не стоит сдаваться. На самом деле, при игре против множества игроков вам должно быть приятно, что в банк попадает все больше денег.

Решить задачу можно благодаря теореме Байеса. Справедливо, что «олл-ин» представляет собой невероятно сильный ход – он содержит значительно больше информации, чем действия Юриста до этого. Однако перед тем, как Юрист пошел «олл-ин», мы считали, что вероятность того, что на руках у него находятся именно 7 и 6 треф, крайне мала, возможно, всего 1 %, то есть одна возможная комбинация из миллиардов. И если мы не до конца уверены в том, что 7♣ 6♣ – это единственная рука, с которой он может играть, отказ от игры был бы большой ошибкой. Для того чтобы «колл[128]» был математически правильным, наша рука должна быть хорошей примерно в 35 % случаев.

На самом деле у Юриста могли бы быть и другие возможности. Так, у него на руках может быть комбинация троек или даже пятерок, которая все равно проиграет нашей паре восьмерок. Он мог бы получить две пары с рукой типа K♥ 5♥. Некоторые игроки разыгрывают таким образом пару тузов. В байесовской модели диапазона наших рук Юрист может вполне разумно предположить, что его рука лучше нашей. Достаточно хорошая, чтобы идти «олл-ин», и понятно, что он хочет забрать после розыгрыша руки как можно больше денег.

Обыграть нас могла бы и другая пара рук, помимо стрита. Если Юрист все это время медленно разыгрывал пару девяток или пару королей, то теперь он точно получит наши деньги. С другой стороны, это уравновешивается вероятностью полного блефа. Если Юрист не смог реализовать флэш-дро, то блеф – это единственный на данный момент способ выиграть банк.

Как однажды сказал Артур Конан Дойл, «если вы исключите невозможное, то, что останется, и будет правдой, сколь бы невероятной она ни казалась». Это звучит вполне логично, однако нам крайне сложно отличать невозможное от крайне маловероятного, и порой, когда мы стремимся это сделать, могут возникнуть немалые проблемы.

На этом этапе игры все руки соперников выглядят в той или иной степени маловероятными – эта раздача была достаточно необычной. Нам приходится оценивать, насколько одно невероятное событие более невероятно, чем другое, столь же невероятное, и все указывает на то, что у Юриста нет на руках комбинации 7♣ 6♣. Если бы у нас была возможность рассчитать все возможности с помощью компьютера, то значение вероятности того, что мы имеем более сильную руку, все равно составит около двух третей (табл. 10.4).

Таблица 10.4. Возможные комбинации карт на руках оппонента на ривере{660}

На практике умение оценивать вероятности для своих рук у игроков в покер различается. Опытные игроки лучше, чем 99,9 % всего населения, умеют делать сравнительно хорошие вероятностные суждения в условиях неопределенности.

Честно говоря, я не знаю никакой другой игры или интеллектуального упражнения, которое так хорошо способствовало бы развитию этих навыков. Однако, когда я опубликовал информацию об этой раздаче на Two Plus (онлайновом форуме для профессиональных игроков в покер), оценка ранжировалась от почти полной уверенности в том, что у нас имеется лучшая рука, до мнения о том, что мы почти гарантированно проиграем{661}.

Мне же представляется, что оба этих вида оценки основаны на слишком высокой степени уверенности в себе. Конечно, мы не должны вести себя так, как будто ничего не знаем о руке оппонента, но в целом наши ошибки предсказания связаны с тем, что мы считаем, что в мире гораздо больше определенности, чем на самом деле. В этом случае попытка приписать оппоненту точную руку будет означать, что нам следует сдаться, однако более полная оценка вероятностей – вкупе с немалым размером банка – дает основание предполагать, что нам нужно ответить на ставку.

Покерная рука Шредингера

Если бы такая раздача появилась на телевизионном турнире на канале ESPN, показывавшем нам руки всех игроков, то анализ комментаторов выглядел бы по-разному.

Кто-то мог предположить, что от дальнейшей борьбы обязательно следует отказаться, как это было бы в том случае, когда игрок знает, что у соперника на руках имеются 7♣ 6♣. В параллельной Вселенной, где могла бы разыгрываться та же раздача, но на руках у соперника были бы 3♥ 3♠, комментаторы сказали бы нам, как нам повезло, что в банке оказалось так много денег.

В телевизионной трансляции 2009 г. два игрока мирового класса, Том Дван и Фил Айви, разыграли раздачу, банк которой со временем превысил миллион долларов{662}. Во время игры Айви смог дождаться волшебной карты на терне, принесшей ему 5 стрит со старшей пятеркой. К сожалению, та же самая карта обеспечила Двану стрит со старшей семеркой[129], единственную из возможных на тот момент более сильных комбинаций. «Если кто-то и сможет справиться с этой проблемой, то только Фил Айви», – сказал один из комментаторов, имея в виду, что если он сбросит карты и сдастся, то это будет характеризовать его как величайшего игрока в покер. Однако отказ от продолжения борьбы стал бы признаком плохой игры. Учитывая, что на тот момент было известно Айви, а также агрессивный характер их игры с Дваном до этого, он мог рассчитывать, на 90 %-ную вероятность того, что его рука лучше. И если бы Айви не поставил на эту руку все свои фишки, то можно было бы смело сказать, что сыграл он достаточно плохо.

Телевизионные трансляции способствуют развитию популярности покера, но одновременно они формируют у многих непрофессиональных игроков ошибочные представления о том, как играть в эту игру, уделяя слишком много внимания результатам и совсем недостаточное – правильности процесса принятия решений.

«В реальности крайне редко бывает так, что игрок выигрывает состояние на одной раздаче, – рассказал мне Дван. – По крайней мере, это бывает значительно реже, чем нас убеждают профессионалы и телевизионные шоу».

Как стать непредсказуемым

В прежние времена Дван был известен многим в сети под ником durrrr – он выбрал его сознательно, поскольку посчитал, что такое имя может привести других игроков в состояние «тилта[130]» после проигрыша. Дван разместил 50 долл. на сайте Full Tilt Poker, когда ему было 17 лет, а спустя некоторое время бросил Бостонский колледж, чтобы получить возможность играть целыми днями{663}. Его мастерство росло и развивалось, и постепенно он занял место хищника высшего порядка[131] в пищевой цепочке онлайнового покера{664}. Через его руки ежемесячно протекали миллионы долларов; иногда он проигрывал, однако выигрывал он значительно чаще{665}.

Наш разговор состоялся в 2012 г. К этому времени Дван считался одним из лучших игроков в безлимитный холдем в мире{666}. В 2009 г., имея репутацию креативного, агрессивного, но прежде всего бесстрашного игрока, он бросил вызов всем игрокам в мире (исключение составил его близкий друг Фил Гэлфонд) сыграть с ним один на один на крайне привлекательных условиях. Три сильных игрока со временем приняли вызов, и Дван выиграл два из этих матчей.

Тем не менее при всей своей браваде в быту Дван довольно скромен{667}, а его подход к размышлениям о покере и мире в целом базируется на вероятностной оценке.

Ему удается извлечь прибыль потому, что его противники слишком уверены в себе. «Во многих областях нашей жизни важно оценивать вероятности, а не искать ответы “да” или “нет”, – сказал он мне. – Люди допускают серьезную ошибку при анализе многих ситуаций, от вопроса образования общества налогоплательщиков до расчетов в магазине за овощи или оценки перспективы собственного увольнения».

Дван стремится использовать эти тенденции в своих интересах, сознательно маскируя стиль игры. Если самый важный технический навык в покере состоит в том, чтобы хорошо прогнозировать диапазон возможных рук остальных игроков, то следующий за ним по важности заключается в том, чтобы сделать вашу собственную игру непредсказуемой. «Чем лучше играют ваши партнеры, тем меньше остается у вас уверенности в том, какие карты у них на руках или что они собираются делать, – говорит Дван. – И они будут изо всех сил стремиться к манипуляциям, чтобы извлечь пользу из ваших ошибочных суждений».

И хотя я никогда не стану таким игроком, как Дван, я активно пользовался похожей логикой в те дни, когда я выступал в качестве профессионального игрока в покер. В рамках привычного для середины 2000‑х гг. мягкого стиля онлайнового покера я мог зарабатывать деньги, играя в консервативный жесткий покер, однако вскоре обнаружил, что более агрессивный стиль мог принести мне еще больше. Идея состояла в том, чтобы найти слепые пятна, которые могут возникать у оппонентов при оценке моих карт.

Например, когда вы повышаете ставки перед флопом, ваш соперник может посчитать, что у вас на руках большие карты типа тузов, королей или дам. Разумеется, иногда такие карты действительно попадают к вам в руки. Однако я мог повышать ставки, даже имея на руках такие же карты, о наличии которых у Юриста мы беспокоились чуть выше, – а именно 7♣ 6♣. Я обнаружил, что часто, когда крупные карты типа короля или туза оказываются на столе, оппоненты начитают считать, что я собрал пару, и сдаются.

Однако если на столе оказывались менее значимые карты, у меня часто появлялась реальная возможность собрать пару или какую-то другую хорошую комбинацию. Иногда мне даже удавалось собрать с помощью этих карт такую почти невероятную комбинацию, как стрит, и отправить оппонентов в «тилт». Интересная особенность покера в том, что и самые лучшие, и худшие игроки играют довольно случайным образом, хотя и по разным причинам[132]. Таким образом, вы можете иногда одурачить противников и заставить их думать, что вы – слабый игрок, даже если при этом вы собираетесь забрать у них деньги.

Со временем некоторые из моих соперников уловили суть моего агрессивного стиля, но в этом не было ничего плохого. Это значило, что они не отказывались от борьбы, когда у меня на руках оказывалась «предсказуемая» пара королей, что лишь повышало прибыльность моей игры.

В сущности, блеф и агрессивная игра в покере – это не роскошь, а необходимость, в противном случае ваша игра станет слишком предсказуемой. Пять лет назад я перестал играть в покер, и за это время он стал невероятно агрессивным. Из теории игр{668}, равно как и из множества компьютерных моделей{669}, следует, что это – оптимальный подход. Ослепить оппонента картинкой открывающихся перед ним возможностей – это лучший способ усложнить ему возможность проводить расчеты вероятности.

Иногда вы можете выявить ситуации, в которых ваши интуитивные расчеты вероятностей для оппонентов будут слишком приблизительными. Как только игрок в покер начинает считать, что его оппонент никогда не будет разыгрывать определенную руку определенным образом, допустим, никогда не блефует в определенных ситуациях, именно тогда вы начинаете брать над ним верх, заставляя его запутаться между маловероятным и невозможным.

«Я совершал много действий, крайне далеких от оптимальных, однако именно они приносили мне много денег в течение довольно длительного периода времени, – рассказал мне Дван. – Только в последние несколько лет люди наконец-то начали это понимать и стали играть лучше». Главная игра Двана – безлимитный холдем – очень подходит для подобной стратегии, поскольку благодаря размеру ставок вы потенциально способны контролировать суммы денег на кону, принимая каждый раз решение. Порой решения Двана стоят не более 100 долл., другие же могут быть связаны со ставками в 10 тыс., 100 тыс. долл. или даже больше. Стоит вам несколько раз принять правильные решения при банке в миллион долларов, и все, что вы делали, стремясь заработать 100 долл., перестает иметь какое-либо значение.

Я гораздо чаще играл в холдем с лимитом, где величина повышения ставок фиксируется на каждом этапе (до недавних пор это была самая популярная игра вне турниров; десять лет назад по всей территории США проводилось не более чем два-три интересных турнира по безлимитному покеру{670}). В покере с лимитом меньше возможностей для творчества. Тем не менее, совмещая практику с теорией, я провел пару очень успешных лет, эксплуатируя свой агрессивный подход. В 2004–2005 гг. я зарабатывал на игре в покер шестизначные суммы, а совокупная прибыль за самый удачный период моей игры составила около 400 тыс. долл.

Кривая обучаемости в области предсказаний

Различие между Дваном и мной состоит в том, что, когда он бросал вызов практически любому игроку, по любым ставкам и в любое время, я находился в «верхнем среднем классе» игроков в покер, и порой мне нужно было сознательно играть с плохими игроками, чтобы оказываться фаворитом и зарабатывать деньги. К счастью, в годы покерного бума таких плохих игроков, которых часто называют «фиш»[133], было немало.

К покеру, как и к большинству других задач, требующих того или иного типа предсказания, вполне применима идея кривой обучаемости. Главная особенность этой кривой состоит в том, что это на самом деле кривая – наш прогресс при выполнении задачи не всегда линеен. Чаще всего его можно отобразить графически примерно так, как показано на рис. 10.3, и я называю эту зависимость принципом Парето в предсказаниях.

Рис. 10.3. Принцип Парето в области предсказаний

Вы видите график, по одной оси которого откладываются усилия, а по другой – правильность предсказаний. Эти оси можно назвать и иначе – допустим, опыт, с одной стороны, и умение – с другой. Однако в любом случае общая идея остается прежней. Под усилиями или опытом я понимаю сумму денег, количество времени или объем критического мышления, который вы желаете посвятить той или иной проблеме предсказания. Под правильностью или умением я понимаю то, насколько надежными окажутся предсказания в реальном мире.

Название для кривой происходит от широко известной деловой максимы, называемой «принципом Парето» или «правилом 80–20» (пример: 80 % вашей прибыли поступает от 20 % ваших клиентов{671}). В применении к покеру ее можно сформулировать примерно так: вы можете многого добиться, регулярно используя несколько базовых правил. Например, в покере вы можете значительно снизить свои потери, научившись сдаваться с плохими картами, делать ставки на лучшие и обучаясь думать о том, какие карты оказываются на руках вашего оппонента. Если вы научитесь всему этому, то вполне возможно, что в 80 % времени вы будете принимать те же решения, что лучшие игроки в покер, такие как Дван, – даже если вы потратили на изучение игры всего 20 % того времени, которое потратил он.

Это соотношение проявляется и во многих других дисциплинах, в которых предсказания жизненно необходимы. Самые важные 20 % часто обусловлены наличием правильных данных, правильной технологии и правильных стимулов. Вам нужно иметь какую-то информацию – в идеале чем больше, тем лучше, – и вам следует убедиться в том, что она обладает соответствующим уровнем качества.

Вы должны до определенной степени овладеть инструментами, используемыми в вашей профессии. Конечно, хорошо иметь высококлассную технологию, но еще более важно знать, как использовать то, что у вас есть. Нужно заботиться о том, чтобы прогнозы были «правильными» – то есть о выявлении объективной истины, – а не о том, чтобы создавать приятные или удобные для кого-то прогнозы или говорить слова, позволяющие вам пробиться на телевизионные экраны.

Затем вы сможете продвинуться еще на несколько промежуточных шагов, развивая некоторые практические методы (эвристические правила), основанные на опыте, здравом смысле и более-менее систематическом подходе, позволяющем делать прогнозы, а не строить догадки для каждого случая.

Все это совсем непросто, многим подобные вещи не удаются. Однако, с другой стороны, они не слишком сложны, и с их помощью вы можете делать прогнозы, 80 % из которых будут соответствовать уровню прогнозов от самых точных экспертов в мире.

Иногда, однако, самое главное состоит не в том, насколько хороши ваши предсказания в абсолютном смысле, а то, насколько они хороши по сравнению с прогнозами конкурентов.

В покере вы можете принимать правильные решения в 95 % случаев и все равно потерять последнюю рубашку, играя с людьми, которые делают правильные прогнозы в 99 % случаев. Аналогичным образом, для того чтобы обыграть фондовый рынок, вы должны создавать более качественные прогнозы, чем члены команды инвесторов в хороших костюмах с магистерскими степенями, полученными в университетах «Лиги плюща»[134], с зарплатами, выраженными семизначными цифрами, и имеющие в своем распоряжении самые продвинутые компьютерные системы. В подобных случаях вам придется приложить массу дополнительных усилий для победы над конкурентами.

Вскоре вы обнаружите, что отдача от усилий станет меньше. Приобретение новых знаний и опыта, мероприятия по улучшению стратегии и дополнительные переменные, которые вы включаете в свою модель прогнозирования, будут приводить лишь к незначительным улучшениям (рис. 10.4). У вас уже есть набор полезных правил – и теперь вам потребуется понять, в чем состоят исключения из них.

Рис. 10.4. Принцип Парето в области предсказаний в конкурентной среде

Однако в случае, когда в какой-либо области царит высокая конкуренция, именно такие болезненные и не всегда приносящие видимый успех усилия позволяют зарабатывать любые суммы денег. Это своего рода «водораздел», установленный конкуренцией, и ваша прибыль будет напоминать верхушку айсберга – небольшая часть конкурентных преимуществ плавает на поверхности, однако под ней скрывается огромный массив усилий, требующихся для их поддержки.

Я старался уклоняться от работы по подобной схеме. Мне повезло – я смог воспользоваться рядом преимуществ в областях, где уровень водораздела оставался достаточно низким и, чтобы достигнуть успеха, было достаточно лишь правильно применять ряд основных правил. Одна из таких областей – бейсбол в эру, предшествовавшую «Moneyball». Билли Бин смог многого добиться, поняв несколько простых вещей – например, то, что процент успешных достижений баз на поле является более хорошим показателем для оценки наступательных качеств игрока, чем процент удачных попаданий по мячу. В наши дни это понимают почти все. Если бы в области политики у FiveThirtyEight имелся десяток клонов, то мой перевес над остальными игроками был бы в лучшем случае минимальным. Однако часто я, по сути, «конкурирую» с политическими тяжеловесами типа участников McLaughlin Group, которые даже не пытаются создавать точные предсказания. То же самое происходило и в мире покера в середине 2000‑х гг. Стабильный приток новых и неопытных игроков, посмотревших телевизионные трансляции и считавших, что после этого они научились играть, позволял сохранять низкий уровень водораздела.

Очень хорошо, если вы обладаете хорошими аналитическими навыками, применяемыми в целом ряде дисциплин: в высококонкурентной среде они вам очень пригодятся. Порой вы можете заработать прибыль, занимаясь удачными предсказаниями в областях, где конкуренция уступает неправильным стимулам, плохим привычкам или слепой приверженности традиции – или благодаря тому, что в вашем распоряжении будут более качественные данные или технологии. Гораздо сложнее переигрывать других там, где все остальные правильно используют основные правила и где вы можете одурачить самого себя, считая, что у вас имеется значительный перевес.

В целом обществу нужно изрядно постараться, чтобы получать более качественные предсказания (хотя эти усилия могут потребовать значительной работы с минимальной немедленной наградой). Как минимум мы должны понимать, что создаваемые нами аппроксимации следуют ряду компромиссов. Однако если вы относитесь к предсказанию как к деловому предложению, то вам будет проще найти какое-нибудь место, где вы можете почувствовать себя большой рыбой в маленьком пруду.

Экономика покерного пузыря

Из принципа Парето следует, что в области предсказаний худшими прогнозистами окажутся те, которым не удается правильно применить даже первые 20 % усилий, причем они будут намного хуже, чем лучшие из хороших. Иными словами, даже посредственные прогнозисты оказываются ближе к вершине, чем ко дну. Я уверен, что проиграл бы кучу денег, доведись мне играть в покер против Двана. Однако я бы с радостью сыграл против него, если бы при этом мне была гарантирована игра по тем же ставкам против случайного человека с улицы – в этом случае я мог бы легко рассчитывать на компенсацию своих потерь и выигрыш еще небольшой дополнительной суммы.

Мы можем проверить эту гипотезу эмпирическим путем, изучая статистические данные по игрокам в покер. Я произвел расчеты, основываясь на данных, взятых с покерного сайта, представлявших собой случайную выборку результатов игроков в безлимитный холдем за период 2008–2009 гг. Эта статистика позволила мне рассчитать, сколько денег выигрывали или проигрывали игроки в расчете на каждую раздачу с учетом ставок{672}.

Поскольку выигрыш и проигрыш в краткосрочной перспективе во многом зависят от удачи, я применил статистическую процедуру{673}, позволявшую рассчитать величину долгосрочной прибыльности игроков. Затем я расставил игроков по уровню навыков и разбил их на десять квадрантов одинакового размера. Верхний квадрант, в который входили лучшие 10 % игроков[135], соответствовал лучшему игроку за столом из 10 участников{674}. А нижние 10 % представляли собой самую крупную «фиш».

На диаграмме (рис. 10.5a) представлены мои расчеты, показывающие, насколько опытными являются на самом деле игроки в каждом квадранте. В качестве критерия опытности используется денежная сумма, выигранная или проигранная в расчете на 100 раздач при игре в безлимитный холдем со ставками 5 и 10 долл. (блайнды). Эти цифры включают в себя деньги, выигранные и проигранные другим игрокам и казино, которое либо берет небольшую долю от каждого банка за каждым столом (так называемый рейк, или комиссия), либо взимает ежечасную оплату за работу дилера{675}.

Рис. 10.5а. Результаты расчета сумм, выигранных или проигранных в пересчете на 100 раздач в безлимитном холдеме с блайндами 5 и 10 долл.

Мой расчет показывает, что лучший игрок за столом в одной из этих игр получает, в долгосрочной перспективе, среднюю прибыль порядка 110 долл. на сотню раздач.

Это очень неплохо для онлайнового казино, где раздачи происходят достаточно быстро и на 100 раздач может потребоваться один-два часа[136]. Куда менее привлекательна ситуация в традиционном казино, где для розыгрыша такого же количества раздач требуется до четырех часов, иными словами, вы можете выиграть 25–30 долл. в час.

Но самое главное состоит в том, что худшие игроки за столом теряют деньги значительно быстрее, чем их зарабатывают лучшие. Например, мои оценки показали, что худший игрок – самая большая «фиш» – теряет более 400 долл. на сотню раздач. Этот игрок настолько плох, что ему стоило бы каждый раз сбрасывать карты и отказываться от игры – это обошлось бы ему в 150 долл. на сотню раздач.

Здесь вы видите четкое статистическое эхо правила 80–20: различие между худшими и средними игроками значительно выше, чем между средними и лучшими. Действия лучших игроков почти не отличаются друг от друга, а игроки, оказавшиеся в нижней части кривой, неправильно делают даже самые основные вещи, чудовищным образом отклоняясь от оптимальной стратегии.

В классическом покерном фильме «Шулера» («Rounders»){676} персонаж Мэтта Деймона говорит, что если вы за первые полчаса, проведенных за столом, не можете выявить «сосунка», то этот «сосунок» – вы сами. Не могу полностью с этим согласиться. Может получиться так, что за столом вообще нет «сосунков». Но можно считать, что если вы в процессе игры не можете выявить одного-двух плохих игроков, то вам стоит отказаться от игры. В покере линия между успехом и поражением довольно тонка, и очень многое может зависеть от присутствия или отсутствия за столом «фиша».

В этой описанной мной игре одна «фиш» кормила множество голодных ртов. Ее присутствие позволило другим игрокам получить около 40 долл. на 100 раздач.

Этой суммы было вполне достаточно для того, чтобы половина из них осталась в плюсе, даже после вычета комиссионных казино. Покер подчиняется теории, согласно которой нижние 10 % игроков теряют деньги достаточно быстро для того, чтобы поддерживать сравнительно большой средний класс игроков, позволяя им оставаться при своих.

Но что происходит, когда «фиш» – или «сосунок» – неминуемо вылетает из-за стола? Несколько игроков с небольшим выигрышем тут же превращаются в игроков с небольшим проигрышем (рис. 10.5б). Теперь мы можем смело считать: в долгосрочной перспективе деньги будет зарабатывать лишь самый лучший игрок за столом, да и то значительно меньше, чем прежде.

Рис. 10.5б. Результаты расчета сумм, выигранных или проигранных за 100 раздач в игре в безлимитный покер с блайндами 5 и 10 долл. после проигрыша «фиш»

Более того, когда «фиш» бросает игру, это может повлиять на оставшихся. Тот игрок, кто раньше был вторым в списке плохих игроков, теперь становится основной жертвой и будет терять деньги быстрее, чем до этого. После того как он покинет место за столом, задача остающихся игроков становится еще более сложной. Вся покерная экосистема теряет прежнюю устойчивость.

Каким же образом покеру удается оставаться столь интересным? Иногда в него играют «фиши» с бездонными карманами: по расчетам сайта PokerKingBlog.com, Ги Лалиберте, руководитель Cirque du Soleil, проиграл в 2008 г. не менее 17 млн долл. в онлайновый покер{677}, где играл по высоким ставкам против оппонентов типа Двана. Но сколько бы ни составляла эта сумма, Лалиберте – это миллиардер, играющий в покер для интеллектуального удовольствия. Для него эта сумма не значила ровным счетом ничего, как для обычного американца проигрыш нескольких сотен долларов в блек-джек.

Значительно чаще ответ состоит в том, что деньги проигрывает не один игрок– «фиш», а много игроков, занимающих по очереди свое место, теряющих несколько сотен или тысяч долларов, а затем уходящих из-за стола. В традиционных казино типа «Белладжио» такие игроки могут сесть за покерный стол после игры в кости, шоу в ночном клубе или выигрыша в турнире с небольшими ставками.

Как показывает мой собственный опыт в онлайновом покере, популяция «фиш» довольно нерегулярна и зависит от законодательной среды в различных странах, количества рекламы покерных сайтов и, возможно, даже времени года{678}. Однако в период покерного бума пул игроков рос настолько быстро, что в «фиш» не было недостатка.

Такая ситуация не могла не измениться.

Как лопнул покерный пузырь

В октябре 2006 г. Конгресс, находившийся под влиянием республиканцев и стремившийся принести голоса избирателей перед следующими выборами{679}, завершал свою работу. Оказавшись загнанным в угол массой важных дел, он пропустил довольно двусмысленный закон, известный как «Акт о незаконном применении азартных игр в интернете» (Unlawful Internet Gambling Enforcement Act (UIGEA)). Строго говоря, этот закон не делал онлайновый покер незаконным. Скорее, он был нацелен на третьи стороны, организовывавшие денежные потоки на покерных сайтах.

В соответствии с актом в покер может играть любой, но при этом он не может иметь никаких фишек. Тем временем Министерство юстиции начало преследовать компании, предлагавшие онлайновые азартные игры американцам. Дэвид Каррузерс, генеральный директор офшорного сайта BetOnSports PLC, был арестован в Далласе при пересадке с одного самолета на другой во время путешествия из Великобритании в Коста-Рику. Вскоре последовали и другие санкции.

Все это изрядно напугало многих игроков в онлайновый покер, а также и организаторов других игр. Party Poker, самый крупный на тот момент сайт для онлайн-покера, исключил для американцев возможность играть через две недели после принятия закона UIGEA; в последовавшие за этим 24 часа курс акций компании упал на 65 %{680}. Другие компании остались в бизнесе и смогли найти обходные пути, однако вносить деньги для игры и выводить выигрыши стало значительно сложнее.

Я заработал основную сумму своих денег, играя на сайте Party Poker, известном своей агрессивной рекламой и наличием большого количества неумелых игроков. В течение двухнедельного льготного периода, когда Party Poker заявил о предстоящем введении запрета, но еще не запретил американцам играть, на сайте оказалось невероятное количество игроков-фиш, и их действия порой напоминали мне сюжет книги Уильяма Голдинга «Повелитель мух» («Lord of the Flies»). Эта ситуация предоставила мне возможность получить отличный выигрыш.

Однако после того как доступ американцам на сайт Party Poker был закрыт, я переключился на более профессиональные сайты типа PokerStars. И тут же обнаружил, что перестал выигрывать. Более того, я начал проигрывать, и немало – в последние месяцы 2006 г. я проиграл около 75 тыс. долл., причем основную сумму – одним ужасным вечером. Когда я вернулся к игре в 2007 г., череда проигрышей продолжилась, и я потерял примерно 60 тыс. долл. И тогда, понимая, что я все равно теоретически могу хорошо играть, я обналичил остаток своих денег и перестал заниматься покером.

В тот момент я пришел к выводу, что произошедшее стало результатом значительных изменений в составе игроков. Многие профессиональные игроки, зарабатывавшие себе на жизнь покером, продолжили прежнее занятие, однако большинство любителей проигрались либо забрали свои деньги и ушли. Хрупкая экология покерной экономики перевернулась с ног на голову – при отсутствии слабых игроков уровень водораздела повысился, и некоторые прежние «акулы» превратились в «сосунков»{681}.

Кроме этого, даже еще до принятия нового закона моя игра начала становиться хуже или, по крайней мере, перестала улучшаться. Я будто ударился о стену, начав играть в совершенно нетворческий покер, лишенный вдохновения. Во время игры у меня стали проявляться и опасные черты профессионального игрока – ощущение избранности и необоснованной уверенности в победе – плохие привычки любителя, играющего поздно по ночам, иногда после вечеринки с друзьями.

В ретроспективе могу сказать, что для меня все сложилось оптимальным образом. У меня появилось больше свободного времени. После истории с вступлением в силу закона UIGEA я начал больше интересоваться политическим процессом, что со временем привело к созданию FiveThirtyEight. И хотя мне было неприятно потерять треть своего выигрыша, все равно это было лучше, чем потерять все. Другим игрокам, решившим продолжать, повезло значительно меньше, чем мне.

В 2011 г., в день «Черной пятницы», когда по требованию министерства многие онлайновые покерные сайты были закрыты совсем{682}, некоторые из них оказались несостоятельными, и игроки не смогли обналичить свои выигрыши.

Время от времени я думаю о том, что случилось бы со мной, если бы я продолжил играть.

Покер – вещь настолько волатильная, что теоретически игрок, способный выигрывать, может сталкиваться с периодом неудач, длящимся по нескольку месяцев или даже целый год. С другой стороны, точно так же может везти любому другому игроку – он может месяцами выигрывать, до конца не понимая, насколько плохо он играет.

Удача против навыков в покере

Удачу и навык часто противопоставляют друг другу. Однако реальная связь между ними не столь проста.

Например, мало кто из нас сомневается в том, что бейсболисты из основной лиги – очень опытные профессионалы. Не так-то легко попасть куском дерева по бейсбольному мячу, летящему со скоростью 140 км/ч, и у некоторых людей этот талант более выражен. Однако в бейсболе велика и доля удачи: вы можете ударить по мячу изо всех сил, но он все равно прилетит прямо в руки игроку второй базы команды соперников. Для того чтобы разница в навыках оказалась очевидной, требуется немало времени; порой данных, собранных за пару-тройку месяцев, недостаточно. На рис. 10.6 приведены значения среднего процента удачных ударов (AVG)[137], выполненных игроками Американской бейсбольной лиги в апреле 2011 г. (по одной оси), и этот же показатель для тех же игроков за май 2011 г.{683}. Судя по всему, между двумя наборами данных нет никакой корреляции (например, результаты игрока по имени Брендан Райан в апреле составляли 0,184, а в мае – 0,384). Тем не менее, изучая статистику за более длительный период, то есть результативность бейсболистов в течение нескольких сезонов или даже за всю их карьеру, можно увидеть, что умение попадать по мячу заметно отличается от игрока к игроку{684}.

Рис. 10.6. Средний процент удачных ударов игроков команды Американской лиги, апрель и май 2011 г.

В этом смысле покер очень похож на бейсбол. Для успеха в нем требуются и огромная удача, и отличные навыки. Антитезой покеру могла бы служить игра типа «крестиков-ноликов» (табл. 10.5). В этой игре нет элемента удачи, но и не требуются особенные навыки. Второклассник может играть в нее так же успешно, как и Билл Гейтс.

Таблица 10.5. Матрица удачи против навыков

Когда речь заходит об игроках в покер, то для того, чтобы вычислить, насколько они хороши в деле, требуется немалое время. Компонент удачи особенно силен в холдеме с лимитом – игре, в которой специализируюсь и я. Правильная стратегия этой игры предполагает, что вы станете сражаться за банк много раз, а это значит, что многое будет зависеть от вашего везения при раздаче карт. Очень хороший игрок в холдем с лимитом, где ставки растут на 100 и 200 долл. соответственно, может заработать 200 долл. за каждые 100 сыгранных партий. Однако волатильность его результатов – измеренная с помощью статистического параметра, называемого «стандартным отклонением», – будет в 16 раз выше и составит примерно 3200 долл. для каждых 100 партий{685}.

Это значит, что даже после десятков тысяч сыгранных партий хороший игрок может плестись в хвосте, а плохой – вырваться вперед.

На рис. 10.7 показаны величины потенциальных доходов и убытков игрока, смоделированные на основе описанных выше статистических параметров. Значений, приведенных на графике и демонстрирующих возможные диапазоны убытков и выигрышей игрока, достаточно, чтобы перекрывать 95 % всех возможных случаев.

Рис. 10.7. Вероятные суммы выигрышей опытного игрока в холдем с лимитом, блайнды по 100–00 долл.

После 60 тыс. раздач (примерно такое количество раздач можно сыграть в течение года, играя в казино по 40 часов в неделю) игрок может выиграть 275 тыс. долл. или потерять 35 тыс. долл. В реальности он может ходить в казино ежедневно и все равно проигрывать деньги. Вот почему иногда говорят, что покер – это сложный способ обеспечить легкую жизнь.

Разумеется, если этот игрок почему-то уверен в том, что в долгосрочной перспективе он обязательно выиграет, то у него имелись бы причины продолжать играть и дальше, невзирая на убытки. Конечно, в реальной жизни он не может это знать. Поэтому для такого игрока будет правильным рассчитывать свои шансы на победу с помощью байесовской статистики{686} и менять свои оценки качества игры в зависимости от текущих результатов и прежних ожиданий.

Если игрок честен с собой, то ему следует скептически относиться к собственному успеху, даже если он поначалу выигрывает. Априорно любой игрок должен учитывать, что обычный игрок в покер, по определению, проигрывает деньги, поскольку казино забирает часть денег себе в виде комиссионных, а остаток перераспределяется между остальными игроками{687}. Например, байесовский метод, описанный в книге Билла Чена и Джеррода Анкенмана «Математика покера» («Mathematics of Poker»), заставляет нас предположить, что даже игрок, выигравший 30 тыс. долл. в первые 10 тыс. раздач в партии в холдем с лимитом 100–200 долл., тем не менее, со значительной долей вероятности, окажется в проигрыше в долгосрочной перспективе.

Наши заблуждения, связанные с покером

Большинство игроков, как вы уже могли догадаться, не вполне честны с собой. Таким же был и я во времена существования покерного пузыря. Они часто начинают думать, что выигрыш им гарантирован, – но лишь до тех пор, пока не столкнутся с жестокой правдой.

«Многие люди, играющие в покер, считают себя фаворитами, на самом деле таковыми не являясь, – рассказал мне Дван. – У людей имеется довольно искаженное представление о покере». Другой игрок, Дарси Биллингс (разработавший компьютерную программу, способную успешно соревноваться{688} с некоторыми из лучших в мире игроков в холдем с лимитом)[138], говорит об этом еще более прямо:

«Я не знаю никакой другой игры, где люди ведут себя так самодовольно и думают, что играют как волшебники, а потом демонстрируют отвратительные результаты. В основном это связано с тем, что они не разбираются в происходящем и совершенно неоправданно считают себя богами. Если бы компьютерные программы питались человеческим высокомерием, то в мире покера у них постоянно был бы королевский обед». Разумеется, это не уникальное качество покера. Как мы увидим в главе 11, аналогичную критику можно адресовать трейдерам на Уолл-стрит, которые часто (и ошибочно) полагают, что им под силу переиграть такие рыночные показатели, как курс индекса S&P 500. В более широком смысле самоуверенность представляет собой огромную проблему в любой области, в которой учитываются предсказания.

Покер – это не игра типа рулетки, в которой результаты определяются исключительно удачей и в случае бесконечной игры деньги не смог бы заработать никто из участников. И игроки в покер не очень напоминают игроков в рулетку; скорее, это инвесторы, а не игроки в чистом виде. Согласно данным одного исследования игроков в онлайновый покер, 52 % из них имеют хотя бы степень бакалавра{689}. Этот показатель в два раза выше, чем в среднем у населения США, и в четыре раза выше уровня тех, кто покупает лотерейные билеты{690}. Большинство игроков в покер достаточно умно, чтобы знать, что некоторые на самом деле зарабатывают деньги в долгосрочной перспективе – и что именно этот факт может принести им немало проблем.

Почему мы впадаем в «тилт»

Томми Анджело начал реализовывать покерную мечту еще до того, как это стало модным. В 1990 г., когда ему было 22 года, он ушел из рок-группы, где был ударником и пианистом, для того чтобы посвятить себя покеру{691}.

«Я просто залип, – рассказывал мне Анджело во время встречи в 2012 г. – Мне понравилась идея стать профессиональным игроком в покер, когда я впервые услышал эти слова. Мне казалось безумно притягательной сама мысль не иметь постоянной работы. Мне казалось, что я способен переиграть все общество, зарабатывая деньги исключительно своим умом. Вряд ли можно было представить себе что-нибудь более привлекательное».

Однако у Анджело, как и у большинства других игроков в покер, были свои взлеты и падения – не только в результатах, но и в качестве игры. Играя на максимуме своего потенциала, он был очень хорош. Однако это удавалось ему далеко не всегда – очень часто он оказывался в состоянии «тилта».

«Я был настоящим мастером этого дела, – вспоминал Анджело в своей книге “Elements of Poker” (“Элементы покера”), говоря о том, как чрезмерно агрессивная игра приводила к утрате им ви́дения{692}. – Мне были знакомы различные виды “тилта”. Я знал, что такое “тилт”, связанный со слишком расслабленной или, напротив, со слишком жесткой игрой. Я знал, что представляет собой агрессивный “тилт” и пассивный “тилт”, знал, как его вызывают слишком высокие ставки или слишком долгие часы, проведенные за игорным столом, чрезмерная усталость и озарения, беспокойство, несправедливость и раздражение, желание отомстить, нехватка или избыток фишек, стыд, отвлечение, страх и зависть. Я знал, что такое “тилт” из-за “худшей в мире пиццы, которую мне доводилось есть”, “тилт” из-за того, что я только что поддался чужому блефу, и, конечно же, классика: “тилт” в стиле “если бы я знал” или “у меня есть только пара часов, чтобы потерять все деньги”, также известный как “тилт” саморазрушения».

Со временем Анджело понял, что при всех его навыках периодические приступы «тилта», которые обрушивались на него, мешали ему выигрывать больше. Как мы уже видели, в покере значительно проще проиграть, когда вы играете плохо, чем зарабатывать, когда вы играете хорошо. При этом игроку, способному выигрывать в долгосрочной перспективе, довольно сложно оставаться даже при своих деньгах. Вполне возможна ситуация, при которой человек, играющий на мировом уровне в 90 % случаев, окажется в проигрыше, если принимает 10 % своих решений, находясь в «тилте».

Анджело в полной мере осознал свои проблемы с «тилтом» уже после 40 лет, и тогда он стал писать об этой игре и тренировать других игроков. По своей природе Анджело достаточно проницательный человек, и то, что начиналось как стратегическая игровая сессия, часто превращалось в сессии психотерапии.

«Я тренировал множество разных людей с огромным количеством проблем, связанных с покером, – рассказывал он мне. – Проблемы проще увидеть, когда наблюдаешь за другими людьми. Например, передо мной мог сидеть такой же толковый человек, как и я сам. И я совершенно точно знал, что он заблуждается в оценке своих навыков. И я знаю, что если заблуждаются другие, то это должно быть свойственно и мне». По мнению Анжело, каждый игрок в покер время от времени оказывается в состоянии «тилта». «Если кто-то говорит мне “У меня не бывает такой проблемы”, то мой мозг сразу регистрирует это как “еще одно ошибочное мнение заблуждающегося человека”. Подобное случается все время». Когда я активно играл в покер, случаи «тилта» возникали и у меня. Я был не из тех, кто в порыве гнева крушит все вокруг себя. Я не был склонен и к тому, чтобы, впадая в «тилт», становиться безумным маньяком, пытающимся сыграть каждую раздачу (хотя мою игру с одним тузом на руках можно было бы считать достаточно дикой). Иногда я даже приструнивал себя. Однако я начинал играть механически, не думая, на протяжении длительного времени и иногда до поздней ночи: я просто отвечал на ставки и надеялся, что банк сам придет ко мне. Я полностью отказывался от попыток играть в полную силу ума.

Теперь я понимаю (не уверен, что понимал это, когда играл), какие факторы вызывали у меня «тилт». Самым главным из них было ощущение просветления. Меня не особо беспокоило, когда ко мне не шла карта, и приходилось раз за разом отказываться от розыгрыша, я понимал, что это – статистическая особенность игры. Однако, когда мне казалось, что я играю особенно хорошо, – допустим, например, я чувствовал, что точно раскусил блеф оппонента, – а он затем ловил чудесную карту на ривере и побеждал, это могло легко вогнать меня в «тилт». Он забирал себе банк в тот самый момент, когда я думал, что уже выиграл.

Оказываясь в состоянии «тилта», я мог попасть под влияние достаточно извращенной мысли – я начинал играть так плохо, что заслуживал проигрыша. Фундаментальная причина, по которой игроки в покер впадают в «тилт», состоит в частой потере сбалансированности – в краткосрочной и даже среднесрочной перспективе их результаты не особенно коррелируют с их навыками. И, конечно же, положение дел нисколько не улучшает то обстоятельство, что у игроков чаще, чем нужно, возникает нереалистичная оценка уровня своих навыков. «Мы склонны полагаться на данные, которые поддерживают нашу теорию, – сказал мне Анджело. – А теория обычно выражается словами “Я лучше чем они”».

Вне рамок представлений, ориентированных на результат

Общество в Соединенных Штатах ориентировано на результат. Если кто-то богат, знаменит или красив, мы склонны думать, что он заслуживает этого. Однако на практике эти факторы усиливают сами себя. Богатство предоставляет еще больше возможностей для того, чтобы зарабатывать деньги; известность позволяет стать более знаменитым, а изменение прически голливудской звезды может порой привести к изменению стандарта красоты.

Я не хочу, чтобы мои слова прозвучали как политическое заявление в пользу или против существующих способов перераспределения богатства или чего-нибудь подобного. Однако с эмпирической точки зрения успех определяется своеобразной комбинацией упорного труда, врожденного таланта, а также возможностей человека и среды – иными словами, определенной комбинации шума и сигнала. Жители США склонны уделять достаточно большое внимание сигналу, и, возможно, исключением будут случаи, когда дело касается их собственных проблем, и в этом случае они начинают винить во всем неудачливость. Мы можем оценивать степень успешности своих соседей размером их дома, однако не имеем ни малейшего представления о том, через какие трудности им пришлось пройти, чтобы его купить.

Когда дело касается предсказаний, мы еще сильнее ориентируемся на результаты. Инвестор, способный предсказать, в какой момент фондовый рынок достигнет дна, начинает превозноситься как гений (причем даже если он применял ошибочную статистическую модель и результат был случайно угадан). Принято считать, что спортивный менеджер, команда которого выигрывает ежегодный чемпионат США по бейсболу, более профессионален и талантлив (даже если статистический анализ показывает, что команда выиграла вопреки его действиям и решениям, а не благодаря им). И это же в полной мере относится и к покеру. Крис Манимейкер не вошел бы в историю, если бы про него говорили: «А вот какой-то невзрачный игрок, которому удалось поймать несколько удачных карт».

Иногда мы воспринимаем удачу в другом контексте, отмечая, что нам просто не повезло и наши предсказания не исполнились (хотя они изначально были плохими).

Кредитные рейтинговые агентства использовали некоторое подобие такого самоуспокоения, когда их некомпетентность сыграла свою роль в финансовом коллапсе. Однако подобно тому, как сигнал возникает в нашем восприятии чаще, чем в реальности, мы склонны уделять больше внимания успешным предсказаниям, а не навыкам, благодаря которым они возникли.

Отчасти эту проблему можно решить, более строго подходя к методам оценки предсказаний. Вопрос корректности прогноза часто может быть решен благодаря применению эмпирических методов; в некоторых областях долгосрочная перспектива наступает быстрее, чем в других. Однако другая часть решения – а иногда единственное решение для случаев, когда данные переполнены шумом, – состоит в том, чтобы сфокусироваться на процессе, а не на результатах. Если выборка предсказаний слишком захламлена шумом и не позволяет оценить качество прогнозиста, мы можем задаться вопросом, в какой степени он применяет в своей работе навыки и знания, которые, как мы знаем, хорошо коррелируют с прогнозированием успеха в долгосрочной перспективе (в каком-то смысле, мы сможем предсказывать, насколько хорошими будут его предсказания).

Игроки в покер обычно понимают это лучше, чем большинство других людей, поскольку непосредственно сталкиваются со взлетами и падениями. Игроки, применяющие высокие ставки, такие как Дван, могут в ходе одного-единственного вечера игры в покер столкнуться с волатильностью, которую иной инвестор на фондовом рынке не испытывает за всю свою жизнь. Вы можете хорошо играть и выигрывать, хорошо играть и проигрывать, плохо играть и проигрывать, плохо играть и выигрывать… каждый игрок в покер испытывал каждое из этих состояний так много раз, что отлично знает, в чем состоит разница между процессом и результатами.

Если вы пообщаетесь с лучшими игроками, то увидите, что они не считают свой успех данностью; напротив, они максимально стремятся к самосовершенствованию. «Каждый, кто считает, что стал достаточно хорош для того, чтобы разрешить основную загадку покера, может ожидать довольно серьезного падения», – полагает Дван.

Анджело при работе со своими клиентами пытается ускорить этот процесс. «Мы постоянно находимся в облаке шума, – говорит он. – Очень часто мы не видим точно, что именно происходит». В своей работе Анджело использует разнообразные и порой неожиданные методы, например, он большой сторонник медитирования. Медитацию практикуют не все его клиенты, однако главная идея таких занятий состоит в том, чтобы расширить их уровень понимания самих себя и побудить к тому, чтобы лучше осознать, что они могут контролировать, а что нет[139].

Играя в покер, мы контролируем свой процесс принятия решений, а не то, каким образом лягут карты. Если вы точно определили, что оппонент блефует, но он получает удачную карту и побеждает, вы должны не злиться, а радоваться, потому что разыграли раздачу так хорошо, как только могли. Ирония заключается в том, что, меньше фокусируясь на своих результатах, вы можете добиться большего.

Тем не менее мы – несовершенные создания, живущие в мире, наполненном неуверенностью. Если мы выступаем с предсказанием, а оно не сбывается, то мы никогда не можем быть уверенными в том, есть ли в случившемся наша вина, связано ли это с недостатками нашей модели или же нам просто не повезло. И лучшее, что может привести нас к решению, это оставаться невозмутимыми по отношению к шуму и сигналу, признавая, что и тот и другой являются неотъемлемой частью нашей Вселенной. Нам нужно научиться ценить их за то, что они собой представляют.

В 2009 г., через год после того, как финансовый кризис нанес удар по мировой экономике, на Нью-Йоркской фондовой бирже американские инвесторы ежесекундно продавали и покупали акции на 8 млн долл. В течение обычного торгового дня объем торгов мог вырасти до 185 млрд долл. (это примерно годовой ВВП Нигерии, Филиппин или Ирландии). А за весь 2009 г. объем торгов акциями составил более 46 трлн{693} долл. – в четыре раза выше, чем совокупный доход всех компаний из списка Fortune 500{694}.

Такая потрясающая скорость торговли, безусловно, явление новое. В 1950‑х гг. обычные акции американских компаний не меняли хозяина в течение приблизительно шести лет, что вполне соответствовало идее о том, что инвестиции в акции носят долгосрочный характер. К 2000‑м гг. скорость торговли акциями выросла примерно в 12 раз.

Теперь владельцы обычных акций держат их в среднем отнюдь не шесть лет: они продают их через шесть месяцев (рис. 11.1){695}. Однако в данной тенденции проявляются некоторые признаки ослабления, а объемы торговли на фондовом рынке удваиваются каждые четыре-пять лет. Возможность торговли с высокой частотой сделок привела к тому, что некоторые акции в Нью-Йорке продаются и покупаются за миллисекунды{696}.

Рис. 11.1. Средний период владения обычной акцией в США

Из курса «Экономики 101»[140] следует, что сделка рациональна только в том случае, когда обе стороны оказываются в выигрыше. Бейсбольная команда, в которой есть два хороших шорт-стопа и нет хороших питчеров, меняет одного из шорт-стопов на игрока команды, в которой, наоборот, есть несколько хороших питчеров, но показатель результативности шорт-стопа находится на уровне 0,190. Или же инвестор, готовый уйти с рынка, продает свои акции другому инвестору, который только собирается делать на нем первые шаги.

Однако на Уолл-стрит этой логике в наши дни следует крайне мало сделок. Большинство из них отражает различие мнений, то есть противоречащие друг другу прогнозы относительно будущей отдачи от акций[141]. Никогда прежде в истории человечества предсказания не создавались так быстро и не обходились так дорого.

Почему торговля акциями порой достигает определенных оборотов, остается одной из величайших тайн в области финансов{697}. Все больше и больше людей считает, что они могут создавать более верные прогнозы, чем коллективная мудрость рынка. Ведут ли эти трейдеры себя рационально? А если нет, то можем ли мы ожидать, что рынок остановится на рациональной цене?

Путешествие в Байесландию

Если вы примете идеи, которые вытекают из теоремы Байеса (как рекомендует эта книга), то будете размышлять о будущем как о наборе вероятностных убеждений или прогнозов. Каковы шансы на переизбрание Барака Обамы? Каковы шансы, что Линдси Лохан вновь будет арестована? А шансы на то, что мы обнаружим свидетельства жизни на какой-нибудь другой планете? Шансы на выигрыш Уимблдонского турнира у Рафаэля Надаля? Некоторые байесовцы утверждают{698}, что правильнее всего думать об этих вероятностях с точки зрения ставок, которые мы могли бы на них сделать. Если довести эту идею до логических пределов, то можно представить себе, как мы, жители Байесландии – страны Байеса, – ходим туда-сюда с огромными объявлениями, рекламирующими шансы при каждой из ставок (рис. 11.2).

Рис. 11.2. Объявление в стиле Байеса

Когда два человека в Байесландии проходят мимо друг друга и обнаруживают, что их прогнозы различаются, они обязаны сделать одно из двух.

Либо они приходят к согласию и пересматривают свои прогнозы таким образом, чтобы они соответствовали друг другу. Допустим, в моем объявлении написано, что вероятность выигрыша Надалем в Уимблдоне составляет 30 %, а в вашем – 50 %, в такой ситуации мы можем прийти к единой оценке вероятности этого события – 40 %.

Однако возможен и другой компромисс. Если вы больше верите в слухи о Линдси Лохан, чем я, то я, возможно, капитулирую и приму ваш прогноз как собственный.

В любом случае наша встреча заканчивается тем, что мы начинаем думать об одних и тех же цифрах, то есть пользоваться пересмотренным и, как мы надеемся, более точным прогнозом вероятности того или иного события в реальном мире.

Но иногда мы не приходим к согласию. Согласно законам нашего мира, мы должны уладить свои разногласия, сделав ставку на свои прогнозы. В стране Байеса вы всегда должны сделать выбор – прийти к консенсусу или сделать свою ставку[142]. В противном случае, с точки зрения последователя Байеса, ваше поведение нерационально. Если после нашей беседы вы все равно считаете, что ваш прогноз лучше моего, то должны с радостью сделать на него ставку, поскольку полагаете, что ваши шансы выиграть деньги велики. В противном случае вам нужно принять мой прогноз как свой собственный.

Разумеется, этот процесс будет невероятно неэффективным. Нам нужно будет создавать прогнозы относительно многих тысяч событий и записывать сотни ставок, которые мы готовы сделать в любой момент времени. В реальном мире эту функцию исполняют рынки. Они позволяют нам осуществлять сделки по согласованной цене, а не заниматься бартером и не делать ставки по каждому вопросу{699}.

Невидимая байесовская рука

В сущности, свободный рыночный капитализм и теорема Байеса являются производными одной и той же интеллектуальной традиции. Адам Смит и Томас Байес были современниками, оба учились в Шотландии, и оба находились под большим влиянием философа Дэвида Юма. «Невидимую руку» Смита можно представить себе в виде байесовского процесса, в котором цены постепенно корректируются в ответ на изменения уровня спроса и предложения, со временем достигая определенного равновесия. Либо же байесовскую логику можно представить в форме некой «невидимой руки», которая помогает нам постепенно изменять и совершенствовать свои убеждения и делать ставки в случаях, когда мы не приходим к согласию. Оба этих процесса направлены на поиск консенсуса и основаны на мудрости толпы. Из этого следует, что рынки должны быть особенно успешны в создании предсказаний.

Именно это и представляет собой фондовый рынок – набор прогнозов о будущих доходах и дивидендах компаний{700}. Я считаю, что это определение верно в основном и бóльшую часть времени. Я вполне согласен с тем, что рынки ставок могут использоваться для прогнозирования экономических переменных, таких как ВВП. Можно считать, что рынки улучшают свои предсказания по той простой причине, что заставляют нас отвечать деньгами за свои слова и создают стимулы для того, чтобы наши прогнозы становились более точными.

Согласно другой точке зрения – гипотезе эффективного рынка – при определенных условиях рынки не могут вести себя непредсказуемо. Эта точка зрения, широко принятая в экономических кругах, стала довольно непопулярной с учетом недавних пузырей и их краха на рынке (при том что некоторые из них были вполне предсказуемы). Однако эта теория значительно более надежна, чем вам может показаться.

Одна из основных мыслей этой книги заключается в том, что если мы хотим делать более точные прогнозы, то должны принять ошибочность своих суждений. И любые рынки допускают ошибки в той мере, в которой они отражают наше коллективное суждение. В реальности рынок, создающий идеальные предсказания, невозможен с точки зрения логики.

Джастин Вольферс как «полицейский» на рынке предсказаний

Если бы Байесландия существовала на самом деле, то Джастин Вольферс, ученый с длинными волосами, убранными в хвост, склонный к быстрой речи и признанный одним из лучших молодых экономистов Америки, мог бы смело занять пост начальника полиции, который выписывал бы штрафы всем, кто отказывается делать ставки на свои прогнозы. Вольферс предложил мне заключить пари на бесплатный обед после того, как я написал в своем блоге, что Рик Санторум мог бы выиграть выборы в Айове, несмотря на то что, по предсказанию Intrade (и данным моей собственной модели предсказаний), фаворитом считался Митт Ромни. Тогда я с большим удовольствием заключил пари. В итоге Санторум выиграл выборы с перевесом в несколько десятков голосов после пересчета, занявшего неделю[143]. Однако бывали и другие случаи, когда мне совсем не хотелось отвечать на подобные предложения со стороны Вольферса. А какой смысл в предсказании, если вы не готовы поставить на него деньги?

Вольферс родился в Австралии. В годы учебы в колледже он зарабатывал на жизнь, помогая букмекеру в Сиднее{701}. Теперь он живет в Филадельфии, преподает в Уортоновской школе бизнеса и пишет статьи для блога Freakonomics. Я навестил Вольферса в его доме. Он оказался великолепным хозяином, заказавшим кучу огромных сэндвичей от Sarcone для меня, моего помощника по вопросам исследований Арикии Милликан и одного из его самых талантливых студентов Дэвида Ротшильда.

Оказалось, однако, что Вольферс считал главным блюдом обеда меня. Вместе с Ротшильдом он изучал поведение рынков предсказаний[144] типа Intrade – своеобразной реальной версии Байесландии, где трейдеры покупают и продают акции, связанные с реальными событиями, – начиная от того, кто получит очередной «Оскар» за лучшую картину и заканчивая возможностью воздушного удара израильтян по Ирану. Политические события – особенно популярные кандидаты для ставок.

Например, одна акция может быть связана с возможностью того, что Хиллари Клинтон станет основным кандидатом от демократической партии в 2008 г. Если это предположение окажется верным, то есть Клинтон выиграет внутрипартийные выборы, то владелец акции получит дивиденд в размере 100 долл., в противном случае он не получит ничего. Однако трейдеры могут обмениваться своими акциями без каких-либо ограничений до того момента, когда станет ясен результат. Таким образом, рыночная цена акции представляет собой согласованное предсказание о возможном исходе. (На одном из рынков{702} цена акций Клинтон обрушилась до 18 долл. после того, как она проиграла выборы в Айове, затем вновь выросла до 66 долл. после выигрыша ею первичных выборов в Нью-Гемпшире, а потом начала медленно снижаться до 0, поскольку Обама стал опережать ее в избирательной кампании.) Рынки такого рода имеют довольно давние традиции, связанные с политикой, – их начало было положено еще во время президентских выборов 1892 г., когда акции Гровера Кливленда и Бенджамина Харрисона торговались в нескольких шагах от Американской фондовой биржи{703}.

«Расскажи Нейту о своем сравнительном анализе», – обратился Вольферс к Ротшильду через несколько минут после начала обеда с озорным выражением на лице. «Я провел исследование для одного научного журнала, где сравнил результаты одного неискаженного интернет-опроса с данными рынка предсказаний, убедившись, что они сопоставимы», – тут же откликнулся Ротшильд.

«Это слишком вежливо, – прервал его Вольферс. – Скажи, что ты сравнил предсказания Intrade с данными Нейта».

«И Intrade выиграл», – ответил Ротшильд.

Его научная работа, опубликованная в журнале Public Opinion Quarterly{704}, сравнивала прогнозы, сделанные мной в FiveThirtyEight за период выборного цикла 2008 г., и предсказания Intrade. Основной вывод работы заключался в том, что, хотя прогнозы FiveThirtyEight и были довольно неплохими, Intrade они удавались значительно лучше.

Преимущества (и ограничения) групповых прогнозов

Могу сказать, что не был полностью согласен с методологией, предлагавшейся в этом исследовании. Прогнозы Intrade смогли переиграть FiveThirtyEight только после того, как Вольферс и Ротшильд произвели в своей методике ряд корректировок постфактум; в противном случае выигрывал FiveThirtyEight{705}. Возможно, еще более важным является тот факт, что новый прогноз FiveThrityEight достаточно часто приводил к движению цены Intrade в том же направлении. Это могло означать, что игроки пытались использовать мои прогнозы для спекуляций (по крайней мере, до какой-то степени).

Тем не менее существуют достаточно сильные эмпирические и теоретические свидетельства, что в агрегированном изучении различных прогнозов есть свои преимущества. В целом ряде дисциплин, начиная от макроэкономического прогнозирования и заканчивая политическими опросами, простое среднее значение из нескольких прогнозов зачастую позволяет снизить ошибку прогнозирования на 15 или 20 %{706}.

Однако, перед тем как вы начнете объединять и выводить среднее из данных, вам следует учитывать три следующих обстоятельства.

Во-первых, хотя агрегированный прогноз будет, в сущности, всегда лучше, чем обычный индивидуальный прогноз, это не значит, что он обязательно будет хорошим. Например, даже агрегированные макроэкономические прогнозы слишком грубы, чтобы предсказать рецессию более чем за несколько месяцев. При этом они все же лучше прогнозов отдельных экономистов.

Во-вторых, целый ряд свидетельств показывает, что данный принцип мудрости толпы работает, когда прогнозы сначала делаются независимо и лишь затем усредняются. В рынке с реальными ставками (включая фондовый рынок) люди могут и действительно реагируют на поведение друг друга. В условиях, когда толпа начинает вести себя более динамично, групповое поведение становится более сложным.

В-третьих, хотя агрегированный прогноз и лучше типичного индивидуального, он не всегда оказывается лучше, чем лучший из индивидуальных прогнозов. Возможно, например, что где-то в мире существует фирма, анализирующая политические события настолько хорошо и точно, что нам лучше использовать именно ее данные и не смешивать их с данными менее точных коллег.

Однако при изучении результатов в долгосрочной перспективе почти всегда оказывалось так, что агрегированный прогноз оказывается лучше любого индивидуального. Можно привести такой пример. Исследование экономических индикаторов высококлассных компаний показало, что агрегированный прогноз их изменений в течение ряда лет оказывался лучше, чем прогнозы, созданные любым из 70 экономистов, входивших в состав группы экспертов{707}. Другие работы Вольферса, в которых изучались предсказания результатов футбольных игр в рамках НФЛ, показали, что основанные на консенсусе прогнозы букмекеров были на 99,5 % точнее, чем прогнозы отдельных участников{708}. И это, безусловно, распространяется и на политические опросы. Модели, в которыхк результатам одного-единственного опроса относятся, как к Святому Граалю, гораздо чаще допускают примечательные ошибки{709}. Снижение величины ошибки на 15–20 % при совмещении прогнозов может казаться не особенно впечатляющим результатом, однако ему сложно что-то противопоставить на конкурентном рынке.

Поэтому я сказал Вольферсу и Ротшильду, что готов признать принцип, лежащий в основе их заключения, хотя и не согласен с некоторыми деталями. Людям, делающим ставки на Intrade, ничто не мешает использовать прогнозы FiveThirtyEight для создания своих предсказаний, равно как и пользоваться любой другой информацией, которую они считают уместной (например, прогнозами наших конкурентов). И, разумеется, они могут неправильно интерпретировать имеющуюся у них информацию, поэтому испытывать проблемы.

Но нельзя считать прогнозы FiveThirtyEight, как и любой другой компании, совершенно безупречными. Казалось, что Вольферс разочарован тем обстоятельством, что я был готов уступить свои позиции. Если я не уверен в том, что могу победить Intrade, то почему просто не присоединиться к ним и не пользоваться их предсказаниями как своими собственными?

«Честно говоря, я удивлен вашей реакцией, – сказал он мне. – Если есть что-то, способное переигрывать всех конкурентов, то почему вы продолжаете заниматься своей работой?» На это я ответил, что, прежде всего, нахожу создание прогнозов интересным делом с интеллектуальной точки зрения – и они увеличивают трафик на мой блог.

Кроме этого, хотя я и признаю теоретические преимущества рынков предсказаний, я не уверен, что качество работы рынков такого рода, как Intrade, достаточно высоко, стандарт конкуренции на нем низок. Intrade становится все более популярным, однако он все равно остается крошечным в сравнении с фондовым рынком или Лас-Вегасом. Например, в течение нескольких недель перед «супервторником» (днем первичных выборов) в марте 2012 г. на этой площадке объем торгов составлял около 1,6 млн долл.{710}; для сравнения ежесекундный объем торгов на Нью-Йоркской фондовой бирже составляет 8 млн долл. Самая крупная прибыль, полученная каким-либо из трейдеров от ставок в «супервторник», составила около 9 тыс. долл., чего явно недостаточно для того, чтобы жить на эти деньги, не говоря уже о том, чтобы разбогатеть. Кроме того, Intrade работает в довольно «серой» правовой зоне, и большинство людей, делающих ставки на американских политиков, представляют европейские или другие страны. Иногда возникают случаи рыночной манипуляции[145]{711} или вопиюще иррационального ценообразования{712}. Кроме этого, подобные рынки не особенно успешны в агрегации информации в случае отсутствия достаточного объема весомой информации – например, в попытках предсказать исход решений Верховного суда на основании туманных намеков, которыми судьи делятся с публикой.

Могли бы FiveThirtyEight и другие хорошие политические прогнозисты обыграть Intrade, если бы эта структура полностью следовала законодательству США, а объемы торговли на ней были на порядок или два выше? Думается, что это было бы сложно. Могут ли они сделать это сейчас? Могу предположить{713}, что некоторым из нас это под силу при правильном выборе ставок{714}.

Но и в этой ситуации неудачу может потерпеть множество толковых людей, ошибочно считающих, что они способны переиграть рынок.

Истоки гипотезы эффективного рынка

В 1959 г. 21-летний студент колледжа по имени Юджин Фама, уставший изучать романские языки и творчество Вольтера, начал работать на одного преподавателя, занимавшегося прогнозами для фондового рынка{715}. Эта работа отлично ему подходила; Фама любил конкурентную борьбу, он первым из членов семьи учился в колледже, а в период обучения в католической школе Молден в Бостоне был одним из лучших спортсменов, несмотря на свой небольшой рост. Он просеивал данные результатов работы фондового рынка в прошлом, выискивая любую информацию, которая могла бы обеспечить инвестору преимущество перед другими. Зачастую ему удавалось выявлять статистические закономерности, свидетельствовавшие о высокой степени предсказуемости фондового рынка. Используя их, любой инвестор мог сколотить себе немалое состояние. На все предложения Фамы преподаватель почти всегда отвечал скептически, советуя ему не инвестировать, а подождать и посмотреть, как будет вести себя та или иная стратегия в реальном мире. Почти всегда стратегии Фамы терпели поражение.

В равной степени расстроенный и очарованный этим опытом, Фама отказался от планов стать преподавателем. Вместо этого он направился в школу бизнеса Чикагского университета, где в 1965 г. умудрился опубликовать свою докторскую диссертацию. Чем-то она напоминала уникальную работу Билла Джеймса, изучавшего бейсбольную статистику в 1980‑х. Основываясь на статистике, Фама с немалым сарказмом утверждал, что значительная часть широко распространенных убеждений о том, как ведут себя акции, представляет собой полную ерунду. Изучая результаты работы десятков взаимных фондов[146] за 10-летний период с 1950 по 1960 г., Фама обнаружил, что фонды, показывавшие отличные результаты в один год, не могли повторить этот успех в следующем году{716}. Хотя Фама и понимал, что он не способен переиграть рынок, но он при этом осознавал, что этого не может сделать никто другой.

Отличным аналитиком может считаться только тот, чья полученная выгода… стабильно превышает средний показатель для рынка. Слово «стабильно» в данном случае особенно важно, поскольку в течение любого короткого периода времени… некоторым удается получать значительно лучшие результаты, чем рынку, а результаты других будут значительно хуже.

К сожалению, судя по этому критерию, даже я, автор этой книги, вряд ли могу считаться великолепным аналитиком. Правда, есть одно небольшое утешение… великолепными аналитиками не могут называть себя и многие более опытные учреждения{717}.

Поначалу на работу Фамы, хотя ее и (в последующие годы) процитировали свыше 4000 раз{718}, обращали не больше внимания, чем на другие опубликованные дипломные работы выпускников Чикагского университета{719}. Однако она заложила основу для гипотезы эффективного рынка. Основной постулат этой теории состоит в том, что движение фондового рынка непредсказуемо лишь до определенной степени. Некоторые инвесторы неминуемо будут опережать других в течение коротких периодов времени – по аналогии с тем, что кто-то из игроков в Лас-Вегасе неминуемо выиграет в рулетку сегодня или завтра. Однако, как заявил Фама, они не могли сформулировать достаточно хорошие предсказания, позволяющие обыгрывать рынок в долгосрочной перспективе.

Результаты прошлого не способны предсказать будущее

Очень часто, изучая чужие предсказания, мы не можем признать ограничения, налагаемые небольшими размерами выборки, и ошибочно принимаем удачу за навыки. Справедливым может быть и обратное утверждение, например при изучении средней результативности бейсболистов в течение коротких периодов времени: возможно, эти игроки и обладают хорошими навыками, однако их не видно за шумом.

Что касается фондового рынка, то данные о результатах отдельных трейдеров слишком наполнены шумом, и это не позволяет сделать вывод о том, насколько они хороши на самом деле. Фраза типа «прошлые результаты не являются подтверждением будущих» появилась в рекламных брошюрах взаимных фондов не просто так.

Давайте предположим, что вы в 2007 г. хотели инвестировать во взаимный фонд, который специализируется в основном на акциях американских компаний с большой капитализацией – например, тех, что составляют промышленный индекс Доу-Джонса или S&P 500. Вы отправились в компанию E*Trade, которая предлагала буквально сотни вариантов фондов и массу разнообразной информации о них (например, данные о средней отдаче за предыдущие пять лет).

Наверняка вы обратили бы внимание на фонд типа EVTMX (Eaton Vance Dividend Builder A), результаты которого превышали среднерыночное на 10 % каждый год с 2002 по 2006 г. А если вы считали себя более смелыми, то изучили бы работы фонда JSVAX (Janus Contrarian T), который инвестировал в некоторые непопулярные акции, однако все равно смог переигрывать рынок на 9 % в год.

На самом деле между ними нет особой разницы. Посмотрев на результаты работы этих взаимных фондов в период с 2002 по 2006 г., а затем сравнив их с результатами работы за следующие пять лет – с 2007 по 2011 г., я не обнаружил практически никакой корреляции. EVTMX, самый успешный фонд в период 2002–2006 гг., показал в следующие годы довольно средние результаты. А результаты работы JSVAX оказывались в среднем на 3 % хуже среднего значения в расчете на год. Фама выявил отсутствие последовательности в результатах работы фондов даже за пределами этих пятилетних интервалов. Другие исследования выявили довольно умеренную корреляцию в работе взаимных фондов в различные годы{720}, однако эти фонды настолько сложно различить между собой (рис. 11.3){721}, что вам проще выбрать фонд с минимальными комиссионными – или вообще отказаться от работы с ними и инвестировать в рынок самостоятельно.

Рис. 11.3. Непостоянство результатов работы взаимных фондов

Страдания «чартистов»

Однако основная критика Фамы была направлена на людей, которых он называл «чартистами», – людей, заявляющих о своей способности предсказать направление движения цен на акции (Фама и сам в свое время безуспешно пытался это делать), основываясь исключительно на прошлых статистических закономерностях. Таких людей совершенно не беспокоило, имеет ли компания прибыль или не выползает из убытков. Им было не важно, продает она самолеты или гамбургеры (более вежливое название для такого рода занятий – технический анализ).

Возможно, нам стоит пожалеть бедных чартистов – отличить шум от сигнала не всегда просто. На рис. 11.4 представлены шесть графиков фондовой биржи. Четыре из них придуманы компьютером, причем в основе их создания заложено так называемое подбрасывание монетки (или, точнее, случайная последовательность из нулей и единиц)[147]. Другие два реальны и отображают подлинное движение промышленного индекса Доу-Джонса за первые 1000 торговых дней в 1970‑е и 1980‑е гг. соответственно. Можете ли вы сказать, какие графики подлинные, а какие фальшивые? Это не так-то просто (ответ приведен в сноске{722}). Инвесторы, смотревшие на подобные движения цен на акции, очень часто и ошибочно принимали шум за сигнал.

Рис. 11.4. Вымышленные и реальные графики фондовой биржи

Три формы гипотезы эффективного рынка

Изучив достаточно большой объем данных такого рода, Фама уточнил свою гипотезу, выделив три различных случая{723}, каждый из которых позволяет по-новому взглянуть на вопрос предсказуемости рынков.

Прежде всего, существует слабая форма гипотезы эффективного рынка. Согласно ей, цены на фондовом рынке не могут быть предсказаны на основании анализа одних лишь статистических закономерностей прошлого. Иными словами, техники чартистов обречены на поражение.

Средняя форма гипотезы эффективного рынка позволяет сделать следующий шаг вперед. Она утверждает, что фундаментальный анализ, то есть изучение общедоступной информации о финансовой отчетности компании, ее бизнес-моделей, макроэкономических условий и т. д., также обречен на поражение и не способен обеспечить отдачу на уровне, превышающем среднее значение по рынку.

И, наконец, существует сильная форма гипотезы эффективного рынка, согласно которой даже частная информация – инсайдерские секреты – вскоре найдет свое отражение в рыночных ценах и не сможет обеспечить отдачу выше средней. Эта версия гипотезы эффективного рынка представляет собой своего рода логическую экстремальную границу теории и не воспринимается буквально большинством сторонников теории эффективных рынков (включая самого Фаму{724}). Напротив, имеются довольно недвусмысленные свидетельства того, что инсайдеры могут обеспечить себе отдачу на уровне выше среднего. Один неприятный пример такого поведения связан с деятельностью членов Конгресса, которые зачастую получают доступ к инсайдерской информации о компании и имеют возможность лоббирования и другого влияния на судьбу компаний через законодательные акты. Прибыль на их инвестиции в ряде случаев оказывается выше средних значений рынка на 5–10 % в год{725} – этот потрясающий результат заставил бы позавидовать даже Берни Мэдоффа.

Однако что касается слабой и средней форм гипотезы, то их, пожалуй, можно считать одними из самых актуальных тем для обсуждения во всех общественных науках. Ежегодно по теме гипотезы эффективного рынка публикуется почти 900 научных работ{726}, и ее обсуждают в финансовых изданиях почти так же часто{727}, как теорию эволюции – в биологических{728}.

Гипотеза эффективного рынка иногда ошибочно принимается за оправдание излишеств, присущих работе Уолл-стрит. Может показаться, что любые действия этих парней обладают той или иной степенью рациональности. Но мало кто из истинных сторонников гипотезы эффективного рынка будет интерпретировать ее подобным образом. В своем изначальном виде теория утверждала обратное – фондовый рынок фундаментально и масштабно непредсказуем. А когда что-то по-настоящему непредсказуемо, никто: ни ваш парикмахер, ни инвестиционный банкир, зарабатывающий по 2 млн долл. в год, – неспособен постоянно его переигрывать.

Однако, несмотря на то что теория обещает быть невероятно сильной, у нее имеется ряд квалификационных условий. Самое важное состоит в том, что она относится к отдаче от операций, рассчитанной с учетом риска. Предположим, что вы следуете инвестиционной стратегии, вероятность потерпеть крах в которой составляет 10 % в течение любого года. В принципе, по сути, это глупое решение – если бы вы следовали такой стратегии в течение 20-летнего инвестиционного горизонта, шансы на то, что вы не потеряли бы в игре свои деньги, были бы равны всего 12 %. Однако если вы настолько упрямы, то заслуживаете большой прибыли. Все версии гипотезы эффективного рынка позволяют инвесторам получать отдачу выше среднего уровня при условии, что она соразмерна дополнительным рискам, которые инвесторы берут на себя.

Также важно иметь в виду, что прибыль рассчитывается за вычетом торговых издержек. Инвесторы несут издержки при каждой сделке по купле или продаже акций. Чаще всего эти издержки сравнительно невелики, они могут составлять около 0,25 % от суммы сделки{729}. Однако они аккумулируются после каждой сделки и могут стать настоящим бедствием для слишком активного трейдера. Это лишает гипотезу эффективного рынка какой-либо буферной зоны. Некоторые инвестиционные стратегии могли бы быть немного прибыльнее в мире, где трейдинг бесплатен. Однако в реальном мире трейдер должен зарабатывать достаточно большую прибыль, чтобы покрыть эти дополнительные расходы, так же как игрок в покер должен получать достаточно денег для покрытия комиссионных казино.

Статистический тест гипотезы эффективного рынка

У оппонентов гипотезы эффективного рынка есть два хороших способа ее опровергнуть. Один из них заключается в том, чтобы показать, что некоторые инвесторы стабильно переигрывают фондовый рынок. Другой, более прямой, состоит в том, чтобы показать предсказуемость отдачи.

Опровергнуть гипотезу можно было бы довольно просто, доказав, что между движениями цен на акции от одного дня к другому существует корреляция. Если фондовый рынок растет во вторник, то значит ли это, что он будет, скорее всего, расти и в среду?

Если да, то это значит, что инвестор мог бы потенциально заработать с помощью простой стратегии: покупать акции каждый день, когда рынок растет, и продавать их или открывать короткую позицию каждый раз, когда он снижается. Если транзакционные издержки инвестора достаточно невелики, он может переиграть рынок.

Предположим, что мы изучили ежедневные цены закрытия промышленного индекса Доу-Джонса за период с 1966 по 1975 г., то есть за десятилетие после публикации работы Фамы. В течение этого периода индекс двигался в одном и том же направлении на следующий день в 58 % случаев. За одним выигрышем следовал другой, а за одной потерей – вторая. Рынок менял свое направление лишь в 42 % случаев.

Такая ситуация не кажется случайной, и так оно и есть: стандартный статистический тест{730} показывает, что вероятность такой последовательности событий оценивается как 1 к 7 квинтильонам (1 шанс из 7 000 000 000 000 000). Однако статистическая значимость не всегда совпадает с практической значимостью. Инвестор не мог заработать прибыль даже на этой тенденции.

Предположим, инвестор следовал этой закономерности в течение десяти лет: за выигрышами продолжали следовать выигрыши, а за потерями – потери. Утром 2 января 1976 г. он решил инвестировать 10 тыс. долл. в индексный фонд{731}, структура которого повторяла структуру промышленного индекса Доу-Джонса. Однако он при этом не собирался оставаться пассивным инвестором. Напротив, он планировал активно использовать так называемую стратегию маниакального импульса для максимально эффективной эксплуатации закономерности. Каждый раз, когда фондовый рынок снижался по итогам дня, он вытаскивал из него свои деньги, избегая возможного продолжения снижения на следующий день. Он не возвращал деньги обратно на рынок, пока на рынке не начинался рост, и лишь затем приступал к покупкам. Он использовал эту стратегию в течение 10 лет, вплоть до последнего дня торгов 1985 г. – и тогда он обналичивал все свои активы, уверенный в том, что получит огромную прибыль.

Сколько денег могло бы оказаться у этого инвестора в конце 10-летнего периода? Если вы проигнорируете дивиденды, инфляцию и транзакционные издержки, инвестиция в 10 тыс. долл., сделанная в 1976 г., могла бы стоить десятью годами позднее около 25 тыс. долл. при использовании стратегии «маниакального импульса». В то же время инвестор, принявший на вооружение стратегию «покупать и хранить», который купил бы 2 января 1976 г. пакет акций на сумму 10 тыс. долл. и хранил их в течение 10 лет без каких-либо изменений в структуре портфеля, заработал бы по окончании 10-летнего периода всего около 18 тыс. долл. Судя по всему, «стратегия маниакального импульса» сработала! Наш инвестор, использовавший довольно примитивную стратегию, основанную на простой статистической связи между прошлыми ценами на рынке, получил бы более высокие результаты, чем в среднем по рынку, – и, судя по всему, наглядно опроверг бы гипотезу эффективного рынка.

Но есть одна тонкость. В расчетах мы игнорировали транзакционные издержки этого инвестора. А это очень важный момент. Предположим, инвестор использует эту же стратегию «маниакального импульса», однако при каждой покупке или продаже акций платит брокеру комиссию в размере 0,25 %. Поскольку стратегия этого инвестора предполагает, что покупки или продажи акций в течение этого периода будут происходить сотни раз, то эти крошечные и, на первый взгляд, копеечные затраты сведут его, фигурально выражаясь, «в могилу». Если посчитать полную сумму транзакционных издержек, то 10 тыс. долл., вложенные в стратегию «маниакального импульса», превратятся через 10 лет в 1100 долл. Иными словами, он лишится не только прибыли, но и основной суммы изначально вложенных денег (рис. 11.5). В этом случае отдача от фондового рынка была достаточно предсказуемой, но даже ее оказалось недостаточно, чтобы заработать деньги, и поэтому гипотеза эффективного рынка не подверглась критике, как и прежде.

Рис. 11.5. Изменение стоимости пакета акций с учетом и без учета транзакционных издержек

Другая уловка связана с тем, что в последующем периоде данная закономерность сменилась на обратную. В 2000‑е гг. фондовый рынок изменял направление движения примерно в 54 % случаев, то есть вел себя совсем не так, как в предыдущие десятилетия. Если бы инвестор следовал стратегии «маниакального импульса» в течение 10 лет, начиная с января 2000 г., инвестированные им средства в 10 тыс. долл. уменьшились бы к концу десятилетия до 4 тыс. долл. еще до вычета транзакционных издержек{732}. Если же включить и их в расчет, то инвестор останется к концу десятилетия всего с 141 долл., то есть потеряет почти 99 % своего капитала.

Иными словами, не пытайтесь повторить это дома. Стратегии, подобные этой, напоминают игру в «камень-ножницы-бумагу», только по очень высоким ставкам[148] и с огромными транзакционными издержками.

Значительный объем технической торговли на фондовом рынке следует этой игре в «кошки-мышки», при которой технические трейдеры просто пытаются сыграть на закономерностях поведения, присущих их конкурентам. Однако закономерности, по которым начинают торговать они сами, могут исчезнуть или даже обратиться им во вред, как только другие инвесторы поймут, в чем они состоят. В результате деньги начнут перетекать от одного трейдера к другому, однако прибыль будет расти довольно медленно, так как ее (и сумму вашей инвестиции) будут съедать транзакционные издержки.

Как обнаружили Фама и его преподаватель, это обычная ситуация, касающаяся выбора стратегий работы на фондовом рынке, которые кажутся слишком хорошими, чтобы быть правдой. Подобно историческим картинам, отражающим частоту землетрясений, данные о фондовом рынке находятся в своеобразном чистилище – с одной стороны, их нельзя считать совершенно случайными, но, с другой, нельзя считать и достаточно предсказуемыми. И ситуация усложняется еще и из-за того, что данные фондового рынка описывают не природное явление, а коллективные действия людей. Если вам даже удастся выявить закономерность, особенно кажущуюся слишком очевидной, то велики шансы, что и другие инвесторы смогут ее обнаружить, и тогда сигнал начнет исчезать или даже изменит направление на противоположное.

Эффективные рынки и иррациональный оптимизм

Более значительная проблема теории связана с устойчивым ростом цен на акции, например таким, который произошел на рынке акций технологических компаний в конце 1990‑х и начале 2000‑х гг. С конца 1998 г. до начала 2000 г. сводный индекс NASDAQ увеличился в объемах более чем в три раза перед тем, как вся прибыль (и не только она) испарилась в течение двух следующих лет (рис. 11.6).

Рис. 11.6. Изменение сводного индекса NASDAQ в период с 1990 по 2004 г.

Цены на некоторые из акций, торговавшихся на NADSAQ, были явно иррациональными. В какой-то момент во время бума доткомов доля технологических компаний составляла около 35 % от стоимости всех акций в США{733}. Это означало, что компании должны были обеспечивать более трети прибыли в негосударственном секторе. Интересно отметить, что технология сама по себе в каком-то смысле оказалась сильнее наших ожиданий. Можете ли вы представить себе, что сделал бы инвестор в 2000 г., если бы вы показали ему iPad? А потом сказали бы, что через 10 лет он сможет использовать это устройство для того, чтобы заходить в интернет на самолете, летящем на высоте 10 км, и при этом звонить через Skype[149] своей семье в Гонконг? Он потратил бы на покупку акций Apple последние деньги.

Тем не менее десятью годами позже, в 2010 г., доля технологических компаний составляла всего 7 % экономической активности{734}. На каждую компанию типа Apple приходились десятки обанкротившихся компаний типа Pets.com. Инвесторы вели себя так, как будто победить в этом соревновании могли все, а компаниям не нужно было конкурировать друг с другом. В итоге они поддались совершенно нереалистичному предположению о том, что прибыльной сможет стать вся отрасль в целом.

Тем не менее некоторые из сторонников гипотезы эффективного рынка до сих пор продолжают отвергать само понятие пузырей. В ходе довольно дружелюбного разговора со мной Фама буквально отпрянул, когда я упомянул это слово на букву «п». «Это понятие полностью утратило свой смысл, – решительно сказал он. – У пузыря всегда предсказуемый конец. Если вы не можете сказать, находитесь вы внутри пузыря или нет, то это не пузырь». Для того чтобы пузырь опровергал гипотезу эффективного рынка, он должен быть предсказуемым в режиме реального времени. Некоторые инвесторы должны выявить его в процессе развития и воспользоваться своим знанием для извлечения прибыли.

Разумеется, значительно проще определять наличие или отсутствие пузыря в ретроспективе. Однако, честно говоря, его не так уж и сложно обнаружить, и заглядывая в будущее, как делали многие экономисты во времена развития «пузыря на жилищном рынке». Некоторое представление о возможном развитии пузыря вам может дать изучение периодов, когда фондовый рынок развивается быстрее своих исторических средних значений. Из восьми случаев, когда значение S&P 500 росло в два раза быстрее долгосрочного среднего за пятилетний период{735}, в пяти случаях за ростом следовало резкое и сильное падение, такое как Великая депрессия, крах доткомов или «черный понедельник» 1987 г.{736}.

Более точный и сложный метод выявления пузырей был предложен экономистом из Йельского университета Робертом Дж. Шиллером, о пророческой работе которого о «пузыре на жилищном рынке» я рассказывал в главе 1. Шиллер широко известен благодаря своей книге «Иррациональный оптимизм»[150].

Книга, опубликованная в тот самый момент, когда значение индекса NASDAQ достигло своего исторического максимума во время роста пузыря доткомов, послужила противоядием от книг с названиями типа «Dow 36000», «Dow 40000» и «Dow 100000»{737}, утверждавшими, что цены будут расти и дальше. Шиллер же, руководствуясь фундаментальными показателями, предупреждал инвесторов о том, что акции сильно переоценены.

Теоретически цена акции формируется на основании прогнозов о будущих доходах и дивидендах компании. Хотя предсказать доходы не очень просто, вы можете изучить этот показатель за предшествовавшие периоды (в формуле Шиллера используются значения доходов за последние 10 лет) и сравнить его с ценой акции. Этот показатель, известный как P/E[151], позволяет рассчитать, что в долгосрочной перспективе рыночная цена акции обычно в 15 раз больше размера годовой прибыли компании.

В отдельных случаях бывают исключения, и иногда они вполне оправданны. Вполне оправданно, что компания в активно развивающейся отрасли (например, Facebook) может ожидать, что заработает в будущем больше, чем зарабатывала в прошлые годы. Соответственно, она заслуживает более высокого значения коэффициента P/E, чем компания в угасающей отрасли (например, Blockbuster Video). Однако Шиллер рассматривал среднее значение коэффициента P/E по всем компаниям, входившим в S&P 500.

Из теории следует, что при столь масштабном охвате различных отраслей высокое значение коэффициента P/E для компаний на растущих рынках должно уравновешиваться показателями компаний на рынках падающих, соответственно, в среднем значение общего коэффициента P/E должно быть более-менее постоянным.

Однако Шиллер установил, что дело обстоит совсем не так. В различные временные периоды значение P/E для всех компаний в списке S&P 500 изменялось от 5 (в 1921 г.) до 44 (в 2000 г., когда Шиллер опубликовал свою книгу). Шиллер обнаружил, что эти аномалии приводили к вполне предсказуемым последствиям для инвесторов. Когда значение P/E достигало 10, из этого следовало, что акции дешевы по сравнению с доходами, а реальная отдача по ним{738} составляла примерно 9 % годовых, то есть инвестиция в 10 тыс. долл. преобразовалась бы в 22 тыс. долл. через 10 лет. С другой стороны, при величине показателя P/E, равного 25, 10 тыс. долл., инвестированные в фондовый рынок, превратились бы через 10 лет в 12 тыс. долл. Когда же значение показателя становилось очень большим (30 и выше, как это наблюдалось в 1929 г. или в 2000‑х гг.), инвесторы потерпели бы убытки.

Однако из подобных закономерностей ценообразования не следовало, что получать прибыль легко, если только вы не были в высшей степени терпеливыми. Они обретали смысл лишь в долгосрочной перспективе и почти ничего не могли сказать вам о том, что будет происходить на рынке через месяц или год. Даже при попытке заглянуть на несколько лет вперед они обладают лишь ограниченной предсказательной силой. Алан Гринспэн впервые использовал фразу «иррациональный оптимизм» в декабре 1996 г. для описания акций технологических компаний{739} в момент, когда значение коэффициента P/E для рынка S&P 500 составляло 28 – не так далеко от рекордного значения, равного 33 и поставленного в 1929 г. перед «черным вторником» и Великой депрессией. Значение для NASDAQ было еще выше. Однако пик пузыря наступил только через три года. Инвестор, обладающий идеальным предвидением и вложившийся в NASDAQ в день, когда Гринспэн произнес свою речь, мог бы увеличить свое состояние почти в четыре раза, если бы вышел с рынка в оптимальное время. Но если говорить о действительно надежных предсказаниях, то следует заметить, что показатель P/E позволяет сделать их лишь с прицелом на 10 или 20 лет вперед (рис. 11.7).

Рис. 11.7. Последующее отношение цены к прибыли (P/E) и доход от акций на фондовом рынке

Когда дело касается фондового рынка, уверенным нельзя быть почти ни в чем[152]. И даже выявленная закономерность может содержать в себе определенную комбинацию сигнала и шума{740}. Тем не менее выводы Шиллера подкрепляются и внушительной теорией, и сильными эмпирическими свидетельствами, поскольку его внимание к показателю P/E связано с фундаментальными показателями фондового рынка, а следовательно, шансы на их правдоподобие достаточно велики.

Почему же цены акций могут стать предсказуемыми в долгосрочной перспективе, когда они непредсказуемы в краткосрочной? Ответ можно найти в поведении трейдеров в условиях конкурентного давления, с которым они часто сталкиваются – как со стороны других компаний, так и со стороны их собственных начальников и клиентов.

Во многом теоретическая привлекательность гипотезы эффективного рынка состоит в том, что ошибки в ценах акций (типичные байесовские убеждения) должны корректировать сами себя. Предположим, что вы заметили, что цена акций MGM Resorts International (крупной компании из игровой отрасли) увеличивается на 10 % каждую пятницу, возможно, из-за того что трейдеры подсознательно хотят растратить часть своей прибыли в казино Атлантик-Сити за выходные. В одну из пятниц цена акций MGM составляет 100 долл., и вы ожидаете, что к концу торгового дня она вырастет до 110 долл. Что вам стоит сделать? Разумеется, купить акцию в расчете на быструю прибыль. Однако, когда вы покупаете акцию, ее цена повышается. Достаточно крупная сделка{741} может сразу вызвать увеличение рыночной цены акции со 100 до 102 долл. Но даже в этих условиях вы еще можете получить прибыль, поэтому вы покупаете еще одну акцию, и ее цена на рынке повышается до 104 долл. Вы продолжаете повторять эту операцию до тех пор, пока цена акции не достигнет своего справедливого значения 110 долл. И в этой ситуации у вас уже не остается возможности для извлечения прибыли. Однако обратите внимание на то, что произошло: пытаясь выявить ценовую аномалию, вы умудрились ее уничтожить.

В реальном мире закономерности будут далеко не такими очевидными. На рынке работают миллионы трейдеров и сотни аналитиков, которые занимаются одной лишь игровой отраслью. Насколько велика вероятность, что вы будете единственным, кто заметит, что цена этой акции всегда повышается на 10 % по пятницам? Скорее всего, в реальности вас будет мучить целый ряд вопросов: достаточно ли осмысленной выглядит статистическая закономерность, будет ли она наблюдаться в дальнейшем, и окажется ли сумма полученного дохода достаточной, чтобы покрыть ваши транзакционные издержки? Кроме того, открывшуюся перед вами возможность постараются использовать и другие инвесторы. Тем не менее вся эта конкуренция означает, что рынок должен быстро адаптироваться к значительным ценовым ошибкам, а незначительные ошибки не требуют особого внимания. По крайней мере, так утверждает теория.

Однако внимание большинства трейдеров, и особенно самых активных трейдеров, фокусируется на короткую перспективу. Они используют любую возможность для извлечения прибыли. Трейдеры размышляют о том, что произойдет через день, месяц или, возможно, через год, но редко беспокоятся о том, что будет дальше. Возможно, будущее и обладает высокой степенью предсказуемости, однако их работа никак с этим не связана.

Панический страх, превращающий людей в стадо

Генри Блоджет впервые привлек внимание в 1998 г. Он несколько лет работал журналистом-фрилансером и преподавателем английского языка в Японии{742}, но затем занялся анализом акций интернет-компаний для CIBC Oppenheimer.

По мере роста интереса к этому сектору росло внимание и к аналитике Блоджета. В декабре 1998 г. он выступил с неожиданным заявлением{743}, в котором предсказал, что стоимость акций Amazon.com, оцененных в тот период в 243 долл., в течение года возрастет до 400 долл. На самом деле цена акций достигла предсказанного им значения уже через две недели{744}.

Возможно, это была особенность того времени и результат самосбывающегося пророчества: цена акций Amazon подскочила почти на 25 %{745} уже через несколько часов после выпуска в свет рекомендации Блоджета. Это заявление принесло известность Блоджету, и его взяли на работу в Merrill Lynch на должность аналитика с зарплатой в несколько миллионов долларов в год. Блоджет обладал даром{746} превращать «дух времени» рынка в связные высказывания. «По сути, инвесторы не покупают ничего, – говорил он о рынке акций интернет-компаний в 1998 г.{747}, – кроме определенного ви́дения будущего». Его манера обращаться со словами и успешная репутация привели к тому, что он начал часто появляться в телевизионных и радиопередачах.

Мнение Блоджета об акциях Amazon до сих пор представляет определенный интерес – акции, которые в 1998 г. стоили 243 долл. и которые он рекомендовал покупать, в 2011 г. уже стоили 1300 долл. (в сопоставимых ценах){748}. Блоджет призывал инвесторов платить за реальную ценность и концентрироваться на таких лидерах отрасли, как Amazon, Yahoo! и eBay. Он вполне справедливо отмечал, что большинство мелких компаний «сольется с другими, обанкротится или потихоньку исчезнет»{749}. В частной переписке он обрушивался на мелкие компании с сомнительными бизнес-стратегиями: LifeMinders, Inc., 24/7 Media и InfoSpace. И все они оказались, в конечном итоге, неудачниками, а их акции потеряли от 95 до 100 % своей стоимости.

Проблема, и немалая, состоит в том, что, несмотря на критику в личной переписке, Блоджет публично рекомендовал покупать акции компаний типа LifeMinders и даже защищал это решение в своих телевизионных выступлениях. Более того, в его рекомендациях наблюдалось определенное искажение в пользу компаний, которым Merrill Lynch предоставлял банковские услуги{750}. После того как Комиссия по ценным бумагам и биржам обвинила Блоджета в мошеннических действиях{751}, он оспорил некоторые детали дела, однако в конечном итоге договорился с Комиссией о наказании в виде штрафа на сумму 4 млн долл.{752} и пожизненного запрета на торговлю на фондовом рынке.

Блоджет знает, что любые его слова об Уолл-стрит будут встречены с изрядным скепсисом; к написанной им для журнала Slate статье о суде над Мартой Стюарт прилагалось детальное разъяснение его позиции, состоявшее из 1021 слова{753}. Тем не менее он серьезно занимался изучением работ таких экономистов, как Фама и Шиллер, и сравнением выводов ученых со своим реальным опытом инсайдера с Уолл-стрит. Он начал новую карьеру в мире журналистики – в настоящее время Блоджет занимает пост CEO успешной блогинговой империи Business Insider. Все это позволило ему сформировать довольно зрелое, хотя и отчасти утомленное ви́дение жизни аналитиков и трейдеров.

«Если поговорить со многими инвестиционными менеджерами, – рассказывал мне Блоджет, – то они на самом деле думают лишь о следующей неделе, в лучшем случае, о следующем месяце или квартале. У них отсутствует временной горизонт; все дело в том, что вы делаете прямо сейчас относительно действий конкурентов. На то, чтобы доказать свою правоту, у вас есть всего 90 дней, и если в течение этого срока вы допускаете ошибку, то клиенты вас увольняют. Вас подвергают унижению в СМИ, и все ваши результаты катятся к черту. Фундаментальные показатели вам в этом не помогут».

Предположим, что трейдер прочитал книгу Шиллера и принял ее основной постулат о том, что высокие значения показателя P/E сигнализируют о переоцененном рынке. Однако трейдера волнуют лишь следующие 90 дней. Исторически, даже когда значение показателя P/E на рынке превышает 30, что означало переоцененность рынка в два раза против обычного, шансы на крах рынка{754} в течение следующих 90 дней составляют лишь около 4 %.

Если бы у трейдера был невероятно терпеливый босс и он имел возможность смотреть на целый год вперед, то он обнаружил бы, что вероятность краха выросла примерно до 19 % (рис. 11.8). И такие же шансы имеют игроки в «русскую рулетку». Трейдер знает, что он не может играть в эту игру слишком долго, не причинив себе вреда. Однако какие у него есть альтернативы?

Рис. 11.8. Исторически достоверные значения вероятности обвала фондового рынка в течение года

Трейдер должен сделать свой ход – купить или продать акции. Затем рынок либо рухнет, либо нет. Соответственно, нам нужно рассмотреть четыре основных сценария. Прежде всего, есть два случая, когда его ставка оказывается верной.

• Трейдер покупает, а рынок растет. В этом случае дела идут как обычно. Все счастливы, когда фондовый рынок приносит деньги. Трейдер получает бонус в виде шестизначной суммы и покупает на него новый «Лексус».

• Трейдер продает, и рынок падает. Если трейдер может предвидеть крах и тот действительно происходит, то его будут считать гением, сделавшим уникальный ход. У него есть шанс получить более хорошую работу, например стать партнером хеджевого фонда. Тем не менее даже гении не всегда оказываются востребованными, когда рынок падает, а свободные средства компаний заканчиваются. Скорее всего, дело ограничится статьей с похвалами трейдеру в Wall Street Journal, соглашением о написании книги, парой приглашений на интересные конференции и т. д.

Какой из этих исходов вы предпочтете, будет зависеть в значительной степени от вашей личности. Первый вариант идеален для человека, который наслаждается жизнью Уолл-стрит и любит сливаться с толпой; второй больше подходит тому, кто любит публичное признание своих заслуг.

Возможно, совсем не случайно, что многие успешные инвесторы, описанные в книге Майкла Льюиса «Big Short»[153] и заработавшие деньги, играя против рынка ценных бумаг, обеспеченных закладными и другими инвестициями в пузыри конца 2000‑х, были в той или иной степени социальными неудачниками.

А теперь давайте посмотрим, что происходит, когда трейдер делает неправильную ставку. Здесь все намного проще.

• Трейер покупает, но рынок падает. Ничего хорошего – он теряет значительную долю своих денег, у него нет ни бонуса, ни «Лексуса». Однако, поскольку трейдер остается «в стаде», большинство его коллег допустило ту же самую ошибку. По итогам последних трех больших крахов на Уолл-стрит количество сотрудников в инвестиционных компаниях снизилось примерно на 20 %{755}. Это значит, что у трейдера имеется 80 %-ная вероятность, что он сохранит свою работу и все закончится хорошо; «Лексус» может подождать до появления следующего «бычьего» рынка.

• Трейдер продает, но рынок растет. Этот сценарий – настоящее бедствие. Трейдер не только показал результаты хуже, чем у своих коллег, – он сделал это после того, как достаточно громогласно заявил о том, что они ошибаются. Велики шансы на то, что его уволят. Его репутация испортится, ему будет сложно найти новую работу, и, скорее всего, у него значительно снизится карьерный потенциал.

Если бы этим трейдером был я, то, учитывая, что вероятность обвала составляет 20 %, никто не заставил бы меня заняться продажей. Я не стал бы продавать, даже если бы вероятность составляла 50 %. Перед тем как сделать подобный шаг, я бы пожелал получить максимум определенности и уж точно захотел бы, чтобы в тонущей лодке со мной оказались все остальные.

На самом деле крупные брокерские компании предпочитают не выделяться из толпы и продают акции только после того, как проблемы становятся очевидными{756}. В октябре 2001 г. 15 из 17 аналитиков, отслеживавших состояние компании Enron, сохранили рекомендацию «скорее, покупать» или «определенно покупать» акции{757} даже после того, как они уже потеряли 50 % своей стоимости в разгар скандала с бухгалтерской отчетностью. Даже если эти фирмы знают, что вечеринка скоро окончится, в их интересах продлить ее как можно дольше. «Мы думали, что это – восьмой иннинг, а это оказался последний, девятый», – сказал в апреле 2000 г. в интервью New York Times управляющий хедж-фондом Стэнли Друкенмиллер{758} после того, как его Quantum Fund потерял 22 % своей стоимости всего за несколько месяцев. Друкенмиллер знал, что акции технологических компаний переоценены и что их курс снизится, однако он не ожидал, что это случится так быстро.

В настоящее время на фондовом рынке большинство сделок производится с деньгами чужих людей (в случае Друкенмиллера с деньгами Джорджа Сороса). Эпоху 1990‑х и 2000‑х гг. иногда называют эпохой однодневных трейдеров. Однако с тех времен активы институциональных инвесторов, таких как взаимные, хеджевые и пенсионные фонды, росли значительно быстрее (рис. 11.9). Когда Фама еще набрасывал тезисы своей работы в 1960‑х гг., лишь около 15 % акций принадлежали институциональным, а не частным инвесторам{759}. К 2007 г. их доля выросла до 68 %{760},{761}.

Из этих статистических данных следует, что у гипотезы эффективного рынка имеется серьезная проблема: когда на кону стоят не ваши, а чужие деньги, стимулы могут измениться. Фактически при некоторых обстоятельствах вполне рациональным поступком трейдеров будет решение занимать позиции, которые приведут к потере денег их фирмами и инвесторами, если это позволит им оставаться «вместе с толпой» и снижает их шансы на увольнение{762}. Существует целый ряд весомых теоретических и эмпирических свидетельств{763} подобного стадного поведения и взаимных фондов, и других институциональных инвесторов{764}. «Ответ на вопрос, почему образуются пузыри, – сказал мне Блоджет, – состоит в том, что все заинтересованы в дальнейшем сохранении рынка».

Все, что я описывал до настоящего момента, могло бы стать результатом идеально рационального поведения отдельных участников рынка. Инвесторы отвечают с гиперрациональностью на свои карьерные стимулы, но не всегда стремятся максимизировать прибыль своих компаний от трейдинга. Одна из особенностей экономики заключается в том, что рынки в целом могут вести себя достаточно рационально, даже если многие из их участников иррациональны. Однако, напротив, иррациональное поведение на рынках может стать результатом того, что все его участники ведут себя рациональным образом в соответствии со своими стимулами. А поскольку работу большинства трейдеров оценивают на основании краткосрочных результатов, появляется возможность для возникновения пузырей со значительными колебаниями цен акций относительно долгосрочного значения – и порой эта возможность превращается в неизбежность.

Рис. 11.9. Общие капиталы индивидуальных и институциональных инвесторов, США (с поправкой на инфляцию){765}

Почему мы сбиваемся в стада

Стадный инстинкт может быть вызван более глубокими психологическими причинами. Чаще всего, принимая значимые для дальнейшей жизни решения, мы хотим, чтобы в них поучаствовали члены нашей семьи, соседи, коллеги и друзья – и даже наши конкуренты, если они изъявят такое желание.

Если, по моему прогнозу, вероятность выигрыша Рафаэля Надаля в Уимблдоне составляет 30 %, а все знакомые мне любители тенниса утверждают, что его шансы равны 50 %, то мне нужно быть очень и очень уверенным в себе, чтобы придерживаться собственного прогноза. И если только у меня нет какой-то уникальной информации или же я убежден, что потратил на изучение проблемы значительно больше времени, чем все остальные, то есть шанс, что мое упрямство приведет к потере денег.

Обычно эвристическое правило «следуй за толпой, особенно если не знаешь лучшего выхода» работает довольно хорошо. Тем не менее бывают случаи, когда мы слишком сильно верим своим соседям, подобно героям серии рекламных роликов 1980‑х гг. «Просто скажи нет»: мы делаем что-то, Потому Что Это Делают Другие. Наши действия не отменяют ошибки друг друга, что и предполагает идея мудрости толпы{766}, а скорее усиливают их, в результате чего ситуация полностью выбивается из-под контроля. Слепой ведет слепых, а в результате все падают вниз со скалы. Это явление возникает достаточно редко, однако обладает крайне разрушительной силой.

Иногда мы можем предположить, что наш сосед, действия которого заслуживают доверия, может быть еще и хорошим прогнозистом. Например, до сих пор никто не знает, чем была вызвана внезапная скупка на бирже Intrade огромного количества акций Джона Маккейна. Это событие произошло в 2008 г. при полном отсутствии каких-либо новостей. Одновременно некий трейдер начал избавляться от акций Барака Обамы по любой цене{767}. Со временем эта аномалия была скорректирована, однако потребовалось определенное время – примерно от четырех до шести часов, – прежде чем цены полностью вернулись к предыдущим значениям. Многие трейдеры были убеждены, что этот человек знает что-то, чего не знают они, – а вдруг у него есть информация о каком-то скандале, грозящем вот-вот разразиться?

Это и есть стадное поведение. Имеется немало свидетельств, что оно проявляется на рынках все чаще и чаще. Усиливается корреляция в движении цен между различными акциями и различными типами активов{768}, а это означает, что каждый понемногу инвестирует во все и пытается использовать одни и те же стратегии. В этом и состоит еще один из рисков информационной эпохи: мы так обильно делимся информацией, что наша независимость снижается. Вместо этого мы стремимся найти других людей, напоминающих нам нас самих, и хвастаемся количеством своих «френдов» и «фолловеров».

В условиях рынка цены могут время от времени следовать за советами худших из инвесторов. Именно эти люди совершают большинство сделок.

Самоуверенность и проклятие победителя

Во время лекций по экономике некоторые преподаватели, в первую очередь те, кто желает собрать себе немного денег на обед, часто проводят следующий эксперимент. Они проводят аукцион, в ходе которого учащиеся делают свои ставки, касающиеся количества монеток в банке{769}. Студент, сделавший самую высокую ставку, платит ее преподавателю и выигрывает все монетки (или эквивалентную им сумму в купюрах, если ему не нравится мелочь). Почти всегда выигравший участник обнаруживает, что заплатил за свой выигрыш слишком много. Хотя некоторые из ставок слишком малы, а другие почти правильны, чаще всего заплатить приходится тому студенту, который слишком переоценил количество монеток; то есть худший из прогнозистов забирает «приз». Такая ситуация известна как «проклятие победителя».

Похожая ситуация наблюдается и на фондовом рынке. Время от времени складывается такая ситуация, что трейдер, более других желающий купить те или иные акции, обладает каким-то уникальным знанием о них. Однако большинство трейдеров можно считать середнячками, полагающимися на одни и те же модели с практически одинаковыми наборами данных. Если они решают, что какая-то акция значительно недооценена, а их коллеги с этим не соглашаются, то чаще всего это бывает вызвано тем, что они слишком доверились своей способности делать предсказания и ошибочно принимают шум в своей модели за сигнал.

Есть довольно веские причины подозревать, что из всего множества когнитивных предубеждений, которыми страдают инвесторы, самоуверенность оказывается самой губительной. Возможно, основным выводом всей поведенческой экономики можно считать тот факт, что большинство из нас слишком самоуверенно в предсказаниях. Фондовый рынок – не исключение; проведенное Университетом Дьюка исследование финансовых директоров корпораций{770}, которых часто по умолчанию считают довольно мудрыми инвесторами, показало, что они радикально переоценивают свою способность дать прогноз цены индекса S&P 500. Их все время приводили в изумление значительные движения цен акций, несмотря на то что они знают, что фондовый рынок постоянно ведет себя непредсказуемо в течение коротких временны́х периодов.

Экономист Терренс Одеан из Калифорнийского университета разработал модель, в которой у трейдеров имелся один этот недостаток: они слишком переоценивали значимость имевшейся у них информации. Во всем остальном они вели себя совершенно рационально{771}. Одеан обнаружил, что одной только самоуверенности уже было вполне достаточно, чтобы нарушить работу в целом рационального рынка. Рынки с чрезмерно самоуверенными трейдерами будут работать с огромными торговыми оборотами, повышенной волатильностью, странными случаями корреляции в ценах акций от одного дня к другому и отдачей для активных трейдеров на уровне ниже среднего, то есть отображать все то, что мы наблюдаем в реальном мире.

Почему пузырю так сложно лопнуть

И все же из гипотезы эффективного рынка следует, что если рынок движется в сторону образования пузыря, то некоторые трейдеры будут противостоять этой тенденции, ожидая получить огромную прибыль, открывая короткие позиции по акциям. Со временем все происходит в соответствии с теорией – все пузыри лопаются. Однако порой для этого требуется немалое время.

Основной способ делать ставки против переоцененной акции состоит в том, чтобы открывать по ней короткую позицию: вы берете акции в долг по текущей цене с обещанием вернуть их в какой-то момент в будущем по цене на тот момент. Если цена акции снижается, то вы сможете на этом заработать. Проблема возникает, когда цена акции растет, и в этом случае вы оказываетесь должны больше, чем занимали изначально.

Допустим, вы взяли в долг 500 акций компании InfoSpace 2 марта 1999 г., когда они стоили по 27 долл., с обещанием вернуть их через год.

Эта операция обошлась бы вам примерно в 13 400 долл. Однако через год акции InfoSpace продавались уже по 482 долл., таким образом, вам нужно было вернуть около 240 тыс. долл. – почти в 20 раз больше изначальной величины вашей инвестиции. Хотя через некоторое время эта сделка могла бы оказаться для вас выгодной – позднее акции продавались по 1,4 долл. Но вы к тому времени уже успеете обанкротиться и с трудом сможете осуществлять новые инвестиции. В реальных условиях убытки от открытия короткой позиции по акциям могут теоретически оказаться неограниченными.

На практике инвестор, ссужающий вам акции, может потребовать их обратно в любой момент, как только посчитает, что вы можете столкнуться с кредитным риском. Однако это также значит, что он может так поступить в любое время. И это – огромная проблема, поскольку переоцененные акции часто еще сильнее растут в цене перед тем, как вернуться к более справедливому уровню. Более того, поскольку инвестор, ссужающий вам акции, знает, что вам порой придется влезть в свои сбережения, чтобы вернуть вам долг, он может заставить вас заплатить немалую процентную ставку за привилегию не возвращать долг. Для того чтобы пузырь сдулся, могут потребоваться многие месяцы и даже годы. Как сказал Джон Мейнард Кейнс, «рынок может продолжать оставаться нерациональным дольше, чем вы – платежеспособным».

Цена не всегда бывает справедливой

Порой у инвесторов возможности открывать короткие позиции по акциям может не быть. Один довольно печально известный пример, задокументированный экономистами из Чикагского университета Ричардом Талером и Оуэном Ламонтом{772}, связан с историей, когда компания 3Com решила вывести на рынок акции своего подразделения Palm, работавшего на рынке мобильной связи, в качестве независимого предложения, сохранив при этом основную часть акций Palm за собой. Соответственно, трейдеры могли инвестировать в Palm, покупая акции самой 3Com. В частности, акционеры 3Com могли гарантированно получить три акции Palm за каждые две принадлежавшие им акции 3Com. Предполагалось, что абсолютный максимум при торговле акциями Palm будет равен 2/3 цены акций 3Com.

Однако акции Palm на тот момент казались значительно более привлекательными, а сама компания 3Com, хотя и давала возможность стабильно зарабатывать деньги, имела довольно неоднозначную репутацию. Поэтому в течение нескольких месяцев акции Palm торговались по более высокой цене, чем акции 3Com. Это позволяло инвестору, вне зависимости от того, что он думал о Palm и 3Com, получать гарантированную прибыль, покупая акций 3Com и открывая короткие позиции по акциям Palm. Теоретически это казалось совершенно безрисковой сделкой{773}, примерно такой же, как возможность обменять 1 тыс. долл. на 600 фунтов стерлингов в лондонском аэропорту, а потом обменять эту сумму на 1,5 тыс. долл. после прибытия в Нью-Йорк.

Однако в реальности открытие коротких позиций по Palm оказалось крайне сложным делом. Мало кто из владельцев акций Palm был готов ссудить свои акции, и для этого у них был немалый стимул – ставка доходности могла превысить 100 % в год{774}. Эта закономерность довольно часто наблюдалась во время «пузыря доткомов»{775}. Открытие коротких позиций по акциям доткомов если и было возможным, то оказывалось невероятно дорогим занятием.

Я встретился с Талером после того, как мы оба выступили на конференции в Лас-Вегасе. Мы поели в неоправданно дорогом суши-баре и изучили происходившее на главном бульваре города. Несмотря на то что Талер – друг и коллега Фамы, он был среди самых активных исследователей дисциплины, называемой поведенческой экономикой и считавшейся «бельмом на глазу» у сторонников гипотезы эффективного рынка. Поведенческая экономика указывает на целый ряд примеров из реальной жизни, в которых трейдеры ведут себя не так благостно, как в рамках модели.

«Гипотеза эффективного рынка имеет два компонента, – рассказывал мне Талер, поглощая огромный стейк. – Один из них можно назвать правилом “никаких бесплатных обедов”, и он означает, что вы не можете просто так переиграть рынок. Относительно этого компонента у нас с Юджином Фамой нет особых расхождений во взглядах. А вот что ему не нравится, так это компонент с названием “Цена всегда верна”».

Существует немало основательных свидетельств того, что принцип «никаких бесплатных обедов», о котором упоминал Талер, действительно работает – любому инвестору крайне сложно (хотя и не буквально невозможно) переиграть рынок в долгосрочной перспективе. Теоретически привлекательные возможности могут оказаться сложными в практической реализации из-за транзакционных издержек, рисков и других ограничений на торговлю. Статистические закономерности, которые были надежными в прошлом, могут оказаться эфемерными к тому моменту, когда на них натолкнутся инвесторы.

Второе утверждение гипотезы эффективного рынка, которое Талер называет принципом «Цена всегда верна», выглядит еще более сомнительным. Ситуации, аналогичные описанному выше разрыву в цене акции Palm и 3Com, просто не могли бы возникнуть, если бы любая цена признавалась верной. Иными словами, один и тот же товар (эквивалент акции Palm) не торговался бы по разным и совершенно не похожим друг на друга ценам, как минимум одна из них должна быть неправильной.

На рынках присутствует явная асимметрия – пузыри проще обнаружить, чем взорвать. А это означает, что привычный в стране Байеса ультиматум – если вы на самом деле думаете, что рынок потерпит крах, почему бы вам не сделать на это ставку? – не всегда применим в реальном мире, где имеются ограничения на торговлю и размер капитала.

Шум на финансовых рынках

Между иррациональными и опытными трейдерами существует некий вид симбиоза, так же как при игре в покер хорошим игрокам нужна «рыба» за столом, чтобы игра приносила прибыль. В финансовой литературе такие иррациональные трейдеры известны как «шумовые трейдеры». Как писал экономист Фишер Блэк в 1986 г. в эссе с простым названием «Шум» (Fisher Black «Noise»):

«Шум делает возможной торговлю на финансовых рынках и тем самым позволяет нам наблюдать за ценами на финансовые активы. [Однако] тот же шум также заставляет рынки вести себя неэффективно… В самом общем виде шум значительно затрудняет тестирование практической или научной теории о том, как именно работают финансовые или экономические рынки. Мы вынуждены бо́льшую часть времени действовать в темноте»{776}.

Представьте себе рынок, на котором отсутствуют шумовые трейдеры. Все делают ставки, основываясь на реальной информации, то есть на сигнале. Бо́льшую часть времени цены рациональны, и рынок считается эффективным. Но если вы полагаете, что этот рынок эффективен, причем эффективен настолько, что вы просто не можете переиграть его и заработать прибыль, то для вас будет в высшей степени иррациональным заключать какие-либо сделки.

В реальности гипотеза эффективного рынка естественным образом обречена на провал. Если бы все инвесторы верили в теорию – в то, что они не могут заработать деньги на торговле, поскольку переиграть фондовый рынок невозможно, – на рынке не осталось бы ни одного участника, желающего заключить сделку, и рынок как таковой прекратил бы свое существование.

Этот парадокс напоминает мне старую шутку, популярную среди экономистов. Некий экономист видит 100-долларовую бумажку, лежащую на улице, и тянется, чтобы ее взять. «Не напрягайся, – говорит ему другой. – Если бы это были настоящие деньги, их бы кто-нибудь уже подобрал». Разумеется, если бы все думали именно так, то никто не поднимал бы с земли 100-долларовые купюры до тех пор, пока какой-нибудь наивный паренек, никогда не изучавший экономику, не прошелся бы по городу и не собрал их все. Убедившись в том, что они совершенно подлинные, он обменял бы их на новую машину.

Наиболее работоспособное решение парадокса, предложенное много лет назад лауреатом Нобелевской премии экономистом Джозефом Стиглицем и его коллегой по Стэнфорду Гроссманом{777}, позволяет некоторым инвесторам зарабатывать лишь небольшую прибыль – только сумму, позволяющую им получить адекватную компенсацию за приложенные усилия. Достигнуть такого состояния в реальном мире не так сложно. Хотя вам и может показаться спорной справедливость того факта, что аналитики по ценным бумагам на Уолл-стрит получают совокупные гонорары на уровне 75 млрд долл. в год, это меркнет при сравнении с примерно 17 трлн долл. – объемом сделок{778} на одной лишь Нью-Йоркской фондовой бирже. Так что если трейдеры переигрывают рынок хотя бы на 0,5 %, то размер их комиссий никак не скажется на огромных доходах их фирм.

Предложенное Стиглицем условие равновесия предполагает, что некоторая часть минимальной прибыли достается некоторым инвесторам. Гипотеза эффективного рынка не может быть верной в буквальном смысле. Хотя ряд исследований (такие, как мое исследование взаимных фондов на E*Trade) и показывает, что Фама был прав, считая, что никакой инвестор не может переиграть рынок, другие демонстрируют более сомнительные результаты{779}, а в некоторых из них представлены довольно ощутимые свидетельства зависимости навыков трейдинга и избыточной прибыли{780}. По всей видимости, взаимные фонды не переигрывают Уолл-стрит, поскольку следуют слишком привычной стратегии и тонут или выплывают вместе.

Однако определенные хедж-фонды (далеко не большинство) имеют шансы переиграть рынок{781}, а некоторые торговцы из элитарных компаний типа Goldman Sachs делают это почти наверняка. Судя по довольно ясным свидетельствам, хорошие навыки торговли имеются и у торговцев опционами{782}, людей, делающих ставки на вероятностные оценки того, насколько сильно изменится цена акции[154]. И, несмотря на то что большинство индивидуальных «розничных» инвесторов допускает ошибки (например, слишком часто заключает сделки) и показывает результаты хуже средних по рынку, несколько избранных трейдеров могут по праву считать себя настоящими королями{783}.

Покупайте дорого, продавайте дешево

Вам не стоит спешить и пытаться сразу же стать трейдером опционов. Легендарный инвестор Бенджамин Грэм говорил, что недостаточное знание фондового рынка – это очень опасная вещь{784}. Нужно помнить, что любой инвестор может с минимальными усилиями добиться тех же результатов, что и средний инвестор. Все, что ему нужно сделать, это купить доли в индексном фонде, структура которого повторяет структуру индекса S&P 500{785}. В этом случае его портфель будет в значительной степени напоминать средний портфель каждого второго трейдера, начиная от обладателей степени MBA Гарвардского университета и шумовых трейдеров и заканчивая управляющим хедж-фондом Джорджа Сороса. Для того чтобы отказаться от подобного предложения, вам нужно быть по-настоящему хорошим – или на редкость упрямым. На фондовом рынке царит жесточайшая конкуренция. Средний трейдер, особенно на сегодняшнем рынке, на котором происходящее определяется институциональными инвесторами, должен обладать широкими полномочиями, недюжинным интеллектом и достаточным опытом.

«Все почему-то думают, что работающий с ними менеджер взаимного фонда просто невероятно талантлив, – рассказывал мне Генри Блоджет. – Он закончил Гарвард и занимается своим делом уже 25 лет. Неужели при всем этом он недостаточно умен, чтобы переиграть рынок? Но дело в том, что таких, как он, – 10 млн и у каждого такого менеджера имеется бюджет в 50 млн долл. и компьютеры, размещенные на Нью-Йоркской фондовой бирже. И как он собирается переиграть всех остальных?» На практике большинство активных инвесторов не добиваются даже посредственных результатов. Gallup и другие организации, изучающие общественное мнение, периодически опрашивают американцев{786}, чтобы определить, когда, по их мнению, наступает хорошее время для покупки акций. Исторически между ответами и деятельностью на фондовом рынке наблюдается сильная связь – однако эта связь развивается в направлении, противоположном тому, которое могла бы диктовать осмысленная инвестиционная стратегия. Американцы склонны считать, что лучшее время для покупки акций возникает, когда значения коэффициента P/E раздуты, а акции переоценены. Самое высокое значение, зафиксированное по данным исследований Gallup, было достигнуто в январе 2000 г., когда 67 % американцев посчитали текущий период лучшим для инвестирования. Всего через два месяца началось падение NASDAQ и других фондовых индексов. И наоборот, лишь 26 % американцев посчитали хорошим временем для инвестирования в акции февраль 1990 г. – однако значение S&P 500 выросло в течение следующих десяти лет почти в четыре раза (рис. 11.10).

Рис. 11.10. Представление общественности о рынке акций и отдача от инвестиций за 10 лет

Большинству из нас приходится сражаться с этими инстинктами. «Инвесторы должны научиться делать противоположное тому, что подсказывает им инстинкт “борись или убегай”, – рассказывал мне Блоджет. – Когда рынок рушится, самое время воодушевиться и вложить в него деньги. Это самое плохое время для того, чтобы пугаться и изымать из него свои средства. Чем больше денег уходит с рынка, тем сильнее он падает. Нормальные инвесторы терпят убытки именно потому, что раз за разом делают неправильные вещи». И, по словам Блоджета, эти ошибки могут обойтись инвесторам исключительно дорого.

Предположим, что вы инвестировали 10 тыс. долл. в индекс S&P 500 в 1970 г. и планируете перевести их в деньги через 40 лет, после выхода на пенсию в 2009 г. В течение этого периода происходило много взлетов и падений. Но если вы не изымали инвестированные вами средства, то на момент выхода на пенсию ваша прибыль составила бы 63 тыс. долл. (с поправкой на инфляцию и за вычетом изначальной суммы){787}. Но если бы вы вместо этого предпочли «обезопасить себя», изымая деньги из рынка каждый раз, когда он падал более чем на 25 % от уровня предыдущего пика (и вновь размещая деньги на рынке, когда он возвращался к уровню 90 % от предыдущего максимума), то вы заработали бы всего 18 тыс. долл. прибыли – довольно жалкие 2,6 % в год{788}.

К сожалению, многие инвесторы ведут себя именно таким образом. Хуже того, они склонны делать изначальную инвестицию в моменты, когда рынок переоценен, – в этом случае им будет значительно сложнее обеспечить себе позитивную отдачу любого рода в долгосрочной перспективе.

В следующий раз, когда на рынке образуется пузырь, вы увидите сигналы, напоминающие призывно горящие огни казино: растущий курс большинства акций в новостях канала CNBC… заголовки в Wall Street Journal о рекордных показателях отдачи… реклама онлайновых брокеров, которые, как может показаться, зарабатывают целые состояния одним щелчком мышки. Отказ от покупок во время пузыря или продажи во время паники требует серьезных и сознательных усилий. Для того чтобы игнорировать мнение толпы, нужно немалое присутствие духа. В противном случае вы неминуемо будете совершать те же ошибки, что и все остальные.

Даниэль Канеман сравнивает эту проблему со знаменитой оптической иллюзией Мюллера-Лайера с двумя видами стрелок (рис. 11.11). На самом деле обе стрелки имеют одинаковую длину. Однако в одном случае концы стрелок обращены наружу, создавая впечатление расширения и безграничного потенциала. В другом – направлены внутрь, что вызывает ощущение замкнутости и ограниченности. Первый вариант аналогичен ви́дению фондового рынка инвесторами в моменты увеличения отдачи на инвестиции, а второй – после краха.

Рис. 11.11. Иллюзия Мюллера-Лайера

«Вы никак не можете заставить себя игнорировать эту иллюзию, – рассказывал мне Канеман. – Когда вы смотрите на рисунок, одна из стрелок всегда кажется длиннее другой. Однако вы можете тренироваться, чтобы научиться понимать, что эта закономерность вызывает иллюзию. В подобных ситуациях вы просто говорите себе, что не можете доверять своим впечатлениям и вам надо использовать линейку».

Остальные 10 %

Проблемы у большинства инвесторов возникают в результате действия когнитивных обходных путей – нашей эвристики. Идея о том, что если что-то растет сейчас, то оно будет расти и дальше, основана исключительно на инстинкте. Но когда дело касается фондового рынка, подобное мышление ошибочно и опасно. Еще более фундаментальная проблема может быть вызвана нашими инстинктами, связанными со стадным поведением.

Порой делать то, что делают другие, абсолютно правильное решение (или, по крайней мере, обращать на это какое-то внимание). Если вы приехали в незнакомый город и хотите выбрать ресторан, чтобы поужинать, то при прочих равных условиях наверняка выберете тот, в котором больше посетителей. Однако порой такое решение может оказаться ошибочным, и вы окажетесь в ловушке для туристов.

Аналогично, когда мы делали прогнозы в Байесландии, нам следовало обращать некоторое внимание на то, что утверждают наши близкие, и корректировать с учетом этого свое мнение, а не придерживаться упрямого и часто не основанного на реальности убеждения, что мы все знаем лучше окружающих.

Создавая свои прогнозы, я уделяю немного внимания общепринятой точке зрения, например тому, что говорят рынки типа Intrade. Но она никогда не будет для меня абсолютным ограничением.

Однако чем дальше я оказываюсь от общей точки зрения, тем сильнее должны быть имеющиеся у меня свидетельства того, что я воспринимаю происходящее правильно, а все остальные ошибаются. Мне представляется, что подобное отношение окажется вам на пользу в большинстве ситуаций. Оно предполагает, что, хотя вы и можете время от времени переигрывать рынки, вам не стоит рассчитывать на то, что вы способны делать это каждый день. Подобные мысли – явный признак чрезмерной самоуверенности.

Однако бывают и исключительные случаи. В соответствии с расчетами Фишера Блэка рынки ведут себя рационально 90 % времени. Остальные 10 % времени доминируют торговцы шумом – и все может пойти наперекосяк{789}. Другими словами, обычно рынки совершенно правы, но иногда они оказываются совершенно неправыми. Кстати, в этом и состоит еще одна причина того, почему пузыри в реальном мире лопаются с таким большим трудом.

Иногда у вас может появиться великолепная возможность открывать короткие позиции по пузырю или в условиях продолжительной паники каждые 15 или 20 лет, когда подобные события возникают в активах, с которыми вы работаете. Однако сделать на этом удачную карьеру крайне сложно, поскольку вам придется годами выжидать удобного случая.

Два рынка в одном

Некоторые теоретики полагают, что на фондовом рынке сочетаются два разных процесса{790}. Первый отслеживает сигналы, то есть это фондовый рынок 1950‑х гг., о котором мы читали в учебниках. На этом рынке превалировала долгосрочная тенденция, инвесторы заключали сравнительно мало сделок, а цены были очень хорошо привязаны к фундаментальным показателям. В такой ситуации инвесторы могли планировать вложения с целью получения средств при выходе на пенсию, а компании – наращивать капитализацию.

Но на рынке есть и другой процесс – наполненная шумом «высокоскоростная полоса», которая характеризуется импульсными сделками, позитивной отдачей, искаженными стимулами и стадным поведением. Обычно он напоминает игру в «камень-ножницы-бумагу», не приносящую никакой реальной пользы экономике – но, возможно, и не наносящей никакого серьезного вреда. По сути дела, движение в этой полосе предоставляет собой постоянную передачу денег от одних взмыленных трейдеров другим.

Однако порой оба эти процесса совмещаются. И это напоминает ситуацию, когда некий город решил провести у себя соревнования «Формулы-1», но по какой-то бюрократической ошибке забыл закрыть дороги для движения обычного транспорта. Иногда, например во времена финансового кризиса, на этих дорогах происходят значительные аварии, и обычные инвесторы оказываются под колесами.

Подобного рода двойственность, которую физик Дидье Сорнетте называет «борьбой между порядком и беспорядком»{791}, довольно распространена в сложных системах, управляемых взаимодействием множества отдельных независимых частей. Комплексные системы наподобие этих могут одновременно быть очень предсказуемыми и очень непредсказуемыми. Например, землетрясения отлично описываются несколькими простыми правилами (мы довольно хорошо представляем себе возможность землетрясения магнитудой 6,5 балла в Лос-Анджелесе в долгосрочной перспективе). При этом землетрясения, в сущности, невозможно предсказать со дня на день. Еще одна характеристика этих систем состоит в том, что они периодически проходят через довольно жесткую нелинейную фазу[155], меняясь с упорядоченного на хаотический и наоборот. Для Сорнетте и других сторонников математического взгляда на рынок периодическое образование пузырей представляется более или менее неминуемым и естественным свойством системы.

Не могу сказать, что полностью разделяю эту точку зрения. Мое ви́дение торговли на рынках (и капитализма, основанного на свободном рынке в целом) напоминает отношение Уинстона Черчилля к демократии{792}. Я полагаю, что это – худшая экономическая система из когда-либо изобретенных, но лучше у нас нет. Чаще всего рынки делают хорошую работу, но я не думаю, что мы когда-либо сможем избавиться от пузырей.

Но если нам не под силу полностью избежать стадного поведения, вызывающего появление пузырей, можем ли мы хотя бы надеяться на то, что сможем выявлять их в процессе возникновения? Предположим, что вы признаете положение Блэка о том, что рынок ведет себя иррационально 10 % времени. Можем ли мы знать, когда именно оказываемся в этой фазе? В таком случае мы могли бы надеяться получить прибыль от пузырей. Или же, если мы усмирим свою гордыню, то сможем хотя бы создать подушку безопасности, что позволит не привлекать для спасения экономики огромные средства налогоплательщиков?

Выявление пузырей не кажется мне таким уж безнадежным делом. Конечно, мы не решим эту задачу на 100 или хотя бы на 50 %, но мы точно сможем продвинуться вперед. Некоторые из пузырей, возникших в последние годы, особенно «пузырь на жилищном рынке», были заранее замечены огромным количеством людей. А тесты наподобие коэффициентов P/E Шиллера позволяли с высокой степенью надежности выявлять пузыри в прошлом.

Конечно, для решения этой проблемы можно было бы воспользоваться законодательными мерами, но оно содержит массу тонкостей. Если в некоторых случаях потребность в более четком законодательстве вполне оправдана, то ограничение на открытие коротких позиций – помогающих ослабить развитие пузырей – почти всегда будет непродуктивным.

Совершенно ясно, однако, что мы никогда не сможем выявить пузырь, если будем исходить из того, что рынки не допускают ошибок, а цена на них всегда правильна. Рынки позволяют прикрывать некоторые наши ошибки и уравновешивать наши недостатки. И, конечно же, порой мы действительно можем предсказать происходящие лучше остальных. Но нам слишком часто приходится платить за это высокую цену.

День 23 июня 1988 г. выдался на Капитолийском холме необычно жарким. Накануне температура в районе аэропорта Вашингтона превысила 37 °С. Впервые за многие десятилетия такая высокая температура была зафиксирована уже в самом начале лета{793}. Климатолог из НАСА Джеймс Хансен вытер лоб – к несчастью, система кондиционирования воздуха в зале слушаний сенатского комитета по вопросам энергетики работала из рук вон плохо[156] – и сообщил американцам о том, что им нужно готовиться к повторению подобных климатических явлений и в будущем.

Теория парникового эффекта уже была признана, и из нее вытекало, что именно из-за него наша планета нагревается{794}. Однако впервые, по словам Хансена, это стало столь явственно проявляться в температурных рекордах – с 1950‑х гг. глобальное увеличение температуры составило примерно 0,4 °C, что уже нельзя было отнести к естественным ее колебаниям. «Вероятность потепления подобного масштаба составляет около 1 %, – сообщил Хансен Конгрессу. – Поэтому мы можем с вероятностью в 99 % констатировать, что тенденция к потеплению в течение этого периода времени вполне реальна»{795}.

Хансен предсказал более частое появление тепловых воздушных волн в Вашингтоне и в других городах типа Омахи – это изменение было «достаточно сильным и могло быть замечено обычными людьми». Он предложил скорректировать и уточнить модели для будущего прогнозирования, однако, по его мнению, и температурный тренд, и причины происходящего были вполне ясны. «Пришло время прекратить болтовню, – заявил Хансен. – Существуют достаточно серьезные свидетельства реального присутствия парникового эффекта»{796}.

Поскольку после показаний Хансена минуло уже почти четверть века, пришло время изучить вопрос глобального потепления и задать те же вопросы, которые мы задавали при анализе других областей, описанных в этой книге. Настолько точными или ошибочными были предсказания до сих пор? В чем ученые соглашаются и о чем спорят? Насколько велика доля неопределенности в прогнозах и как нам нужно на это реагировать? Можно ли, в принципе, смоделировать столь сложное образование, как климатическая система? Не возникают ли у ученых, изучающих климат, те же проблемы, что и у неудачливых прогнозистов в других областях, связанные, допустим, с излишней самоуверенностью? Насколько сильно мешает политика и извращенные стимулы поиску научной истины? И может ли байесовское мышление помочь в урегулировании споров?

Для начала нам следует изучить свидетельства и сформулировать то, что можно было бы назвать здоровым скептицизмом по отношению к климатическим предсказаниям. Как вы увидите чуть ниже, подобный скептицизм ничем не напоминает тот, с которым сталкиваемся, когда читаем блоги или слушаем споры политиков на тему глобального потепления.

Шум и сигнал

Многие примеры, приведенные в этой книге, относятся к тем случаям, когда прогнозисты ошибочно принимают корреляцию за причинно-следственную связь, а шум за сигнал. Вплоть до 1997 г. принадлежность команды – победителя Суперкубка по американскому футболу к одной из лиг достаточно сильно коррелировала с направлением фондового рынка в следующем году. Однако эта связь не подкреплялась никаким заслуживавшим уважения механизмом причинно-следственных отношений, и если бы вы инвестировали свои деньги, руководствуясь только этой зависимостью, то, в конечном итоге, лишились бы последней рубашки. Индикатор, связанный с Суперкубком, давал нам фальшивый позитивный результат.

Иногда справедливым бывает и обратное. Шум способен заглушить сигнал даже в случаях, когда у вас, в сущности, нет сомнений в том, что сигнал действительно существует. Возьмем, например, взаимозависимость, которую вряд ли кто-то будет оспаривать: если вы потребляете больше калорий, то ваши шансы располнеть увеличатся. Но уверены ли вы, что столь очевидная зависимость находит свое отражение в статистических данных?

Я загрузил в программу данные по 84 странам, для которых оценка уровня полноты жителей и объем потребления калорий находятся в открытом доступе{797}. При взгляде с этой точки зрения связь между этими показателями начинает казаться совершенно неочевидной. В Южной Корее (где в рационе жителей присутствует много мяса) ежедневное потребление калорий находится на уровне примерно 3070 калорий на человека, что несколько выше среднего значения по всему миру. Однако доля полных людей в этой стране составляет всего лишь 3 %. В то же время жители тихоокеанского острова Науру ежедневно потребляют примерно столько же калорий, что и жители Южной Кореи{798}, однако полных людей там не менее 79 %. Если нанести данные по всем 84 странам на график (рис. 12.1), то мы увидим, что связь между излишним весом и потреблением калорий не совсем очевидна; по стандартным тестам, такие результаты не были бы признаны «статистически значимыми»[157].

Рис. 12.1. Соотношение среднего потребления калорий на человека в день и доли полных людей в 84 странах мира

Разумеется, увидеть подлинную связь мешает множество различных факторов. Возможно, что у жителей некоторых странах лучше генетика или они ведут более подвижный образ жизни. Кроме того, неточны и сами данные о том, как много калорий реально потребляет в день взрослый человек{799}. Однако исследователь, принимающий эти статистические свидетельства слишком буквально, может все же ошибочно отвергнуть связь между потреблением калорий и излишним весом, то есть получить ошибочный отрицательный результат.

Конечно, было бы замечательно, если бы мы могли просто импортировать данные в статистическую модель, произвести расчеты и согласиться с тем, что результат достаточно точно описывает происходящее в реальном мире. В некоторых условиях, особенно в богатых данными областях типа бейсбола, такое предположение достаточно близко к тому, чтобы считаться правильным. Но во многих других случаях неспособность понять суть причинно-следственной связи заводит нас в тупик.

У нас было множество причин сомневаться в глобальном потеплении, если бы оно не имело под собой причинно-следственной связи. Климат Земли проходит через различные фазы потепления и похолодания, которые разворачиваются на протяжении лет, десятилетий или столетий. Эти циклы начали действовать задолго до появления промышленной цивилизации. Однако любые предсказания выглядят более убедительными, если подкрепляются правильным пониманием первопричин того или иного явления. И мы хорошо понимаем первопричину глобального потепления – это парниковый эффект.

Парниковый эффект уже здесь

В 1990 г., через два года после показаний Хансена, межправительственная группа экспертов ООН по измерению климата (МГЭИК, IPCC) выпустила в свет документ, получивший название «Первый оценочный доклад». Он состоял более чем из тысячи страниц, где были представлены данные о климатических изменениях. Этот доклад готовили в течение нескольких лет сотни ученых со всего мира, он содержал массу деталей о потенциальных изменениях в температурах и экосистемах, а также описание целого ряда стратегий борьбы с негативными эффектами.

Однако при этом ученые из МГЭИК классифицировали как «абсолютно точные» всего лишь два из сделанных ими выводов. Эти выводы не полагались на сложные модели и не были связаны с конкретными предсказаниями, касающимися изменения климата. Скорее, они основывались на сравнительно простой науке, которая понятна нам уже более 150 лет и которую редко оспаривают даже люди, называющие себя климатическими скептиками[158]. Эти выводы до сих пор остаются самими важными научными заключениями о климатических изменениях.

Первый из них заключался в том, что парниковый эффект действительно существует:

На Земле присутствует естественный парниковый эффект, приводящий к тому, что климат на Земле теплее, чем он мог бы быть{800}.

Парниковый эффект представляет собой процесс, при котором определенные атмосферные газы – в основном водяной пар, диоксид углерода (CO₂), метан и озон – поглощают солнечную энергию, отраженную от поверхности Земли. Ели бы это не происходило, то около 30 % солнечной энергии отражалось бы в космическое пространство в виде инфракрасного излучения{801}, и температура на Земле была бы значительно ниже, чем она есть на самом деле: около 0 °F (или –18 °C) в среднем{802}, то есть примерно такая же, как в теплый день на поверхности Марса{803}.

Если содержание этих газов в атмосфере увеличивается, то все бо́льшая часть энергии Солнца улавливается ими и отражается обратно на поверхность Земли, что приводит к значительному повышению температур. На Венере, обладающей значительно более плотной атмосферой, которая почти полностью состоит из диоксида углерода, средняя температура составляет 460 °C{804}. Отчасти это связано с близостью Венеры к Солнцу, однако в более значительной степени вызывается парниковым эффектом{805}.

Пока что мы не рассматриваем сценарии, при которых в обозримом будущем климат Земли будет напоминать климат Венеры. Однако климат довольно чувствителен к изменениям в составе атмосферы, и человеческая цивилизация может выживать в сравнительно узком диапазоне температур. Самая холодная столица мира – монгольский Улан-Батор, где средние значения температуры составляют около –1 °C (или +30 °F) в течение года{806}; а самым теплым может считаться город Кувейт-Сити, где они достигают значения +27 °C (+81 °F){807}. Температуры могут быть выше или ниже в течение зимы или лета или в районах с разной плотностью заселения{808}, однако в планетарном масштабе эти температурные экстремумы довольно скромны. Например, на Меркурии, где практически нет защитного слоя атмосферы, температуры часто варьируются от –200 до +400 °C в течение одного дня{809}.

Второе заключение МГЭИК содержало элементарное предсказание, основанное на парниковом эффекте:

По мере увеличения концентрации парниковых газов в атмосфере повышается влияние парникового эффекта и растут глобальные температуры. Выбросы, связанные с деятельностью человека, значительно повышающие концентрацию парниковых газов в атмосфере, – диоксид углерода, метан, фреоны (CFCs) и оксид азота. Увеличение их концентрации в атмосфере усиливает парниковый эффект, приводящий к дополнительному нагреву поверхности Земли. В ответ на глобальное потепление возрастает концентрация основного парникового газа – водяного пара, что приводит к дальнейшему повышению температур.

Этот вывод МГЭИК содержит несколько различных утверждений, каждое из которых заслуживает внимания. Прежде всего, организация заявляет о росте концентрации парниковых газов в атмосфере, в том числе CO₂, в результате человеческой деятельности. Это вопрос простого наблюдения. Многие промышленные процессы, в особенности те, в которых используются ископаемые виды топлива, сопровождаются образованием CO₂ в виде побочного продукта{810}. Поскольку CO₂ остается в атмосфере надолго, его концентрация растет: со времени первого прямого анализа, проведенного в обсерватории Мауна Лоа на Гавайях в 1950 г., содержание CO₂ выросло с 315 до 390 ppm[159] по состоянию на 2011 г.{811}.

Второе заявление – «Увеличение их концентрации в атмосфере усиливает парниковый эффект, приводящий к дополнительному нагреву поверхности Земли» – представляет собой, по сути, другую формулировку первого заключения МГЭИК о реальном существовании парникового эффекта, выраженную, однако, в форме предсказания. Предсказание основано на сравнительно простых химических реакциях, которые были выявлены в лабораторных исследованиях много лет назад. Термин «парниковый эффект» был впервые предложен французским физиком Жозефом Фурье в 1824 г. Считается, что наличие этого эффекта было доказано ирландским физиком Джоном Тиндалем в 1859 г. (в том же году, когда Чарлз Дарвин опубликовал свою работу о происхождении видов){812}.

Третье утверждение – о том, что концентрация водяного пара будет также возрастать вместе с увеличением концентрации газов типа CO₂, тем самым усиливая парниковый эффект, – представляется мне довольно смелым. Именно водяной пар, а не CO₂ вносит основной вклад в парниковый эффект{813}. Если бы происходил рост концентрации только лишь CO₂, то потепление все равно бы наблюдалось, хотя и не столь заметное, как мы видим сейчас, или такое, что ученые предсказывают в будущем.

Однако согласно основному принципу термодинамики, известному как уравнение Клаузиуса – Клайперона, предложенное и доказанное в XIX в., атмосфера способна удерживать больше водяного пара при более теплых температурах. Таким образом, по мере увеличения концентрации CO₂ и других долго живущих парниковых газов, приводящих к нагреву атмосферы, будет увеличиваться и доля водяного пара, вызывая усиление от воздействия CO₂ и стимулируя дальнейшее потепление.

Это вам не бином Ньютона!

Прежде чем гипотеза будет признана, необходимы неопровержимые доказательства. Парниковая гипотеза соответствовала данному условию, и именно поэтому в первом отчете МГЭИК вывод о существовании парникового эффекта выделен из сотен других выводов как единственный, в котором ученые были совершенно уверены. Наука, изучающая парниковый эффект, казалась довольно простой и понятной уже в середине и конце XIX в., когда были изобретены электрическая лампочка и автомобиль – даже не атомная бомба, iPhone или космический шаттл. В парниковом эффекте нет ничего сложного – это не бином Ньютона.

Предсказания о том, что промышленная деятельность способна со временем стимулировать глобальное потепление, выдвигались задолго до появления МГЭИК – еще в 1897 г.{814} об этом говорил шведский химик Сванте Аррениус. Многие другие ученые доказали, что существует связь между потеплением и парниковым эффектом{815}, причем довольно очевидная, что позволяет отделить его влияние от действия природных сил.

В наши дни разговоры о парниковом эффекте считаются чуть ли не причудой. В середине 1980‑х гг. термин «парниковый эффект» встречался в книгах, написанных на английском языке, примерно в пять раз чаще{816}, чем термин «глобальное потепление». Однако использование этого термина достигло пика в начале 1990‑х гг. и с тех пор стабильно снижается. Теперь оно используется примерно в шесть раз реже, чем фраза «глобальное потепление», и в 10 раз реже более широкого термина «климатические изменения»{817}.

В первую очередь это вызвано действиями ученых-климатологов{818}, стремившихся расширить предсказательные последствия теории. Однако отказ от обсуждения того, что именно вызывает изменения, то есть парникового эффекта, приводит ко вполне предсказуемому искажению связанных с этой проблемой убеждений[160].

Например, в январе 2012 г. Wall Street Journal опубликовал редакторскую статью под названием «Не нужно паниковать из-за глобального потепления»{819}. Она была подписана группой из 16 ученых и общественных деятелей, скептически относившихся к проблеме глобального потепления. На сайте статья сопровождалась видеофильмом производства Wall Street Journal, озаглавленным следующей фразой:

Очень многие ученые не верят в то, что диоксид углерода вызывает глобальное потепление.

На самом деле между учеными имеется определенный консенсус: в сущности, никто не спорит о том, что парниковые газы вызывают глобальное потепление. Среди тех, кто «искренне верил» в теорию, был преподаватель физики из Принстона Уильям Хаппер, подписавший статью и давший интервью для фильма. «Большинство людей вроде меня верят, что промышленные выбросы приведут к потеплению», – сказал Хаппер примерно на третьей минуте видеофильма. Хаппер спорит с некоторыми предсказаниями эффектов глобального потепления, но не с его причинами.

Я не хочу утверждать, что вам стоит слепо признавать теорию при наличии противоречащих друг другу свидетельств. Правильность теории тестируется посредством предсказаний, а предсказания, сделанные учеными-климатологами, кое-что угадали, а кое-что нет. Температурные данные довольно сильно перегружены шумом. Тенденция, связанная с потеплением, может подтвердить парниковую гипотезу или же может быть вызвана циклическими факторами.

Если потепление в дальнейшем не продолжится, это либо подорвет теорию, либо будет представлять собой случай, когда шум в данных заслоняет собой сигнал. Однако даже если вы верите (в соответствии с принципами байесовского мышления), что почти все научные гипотезы должны оцениваться в вероятностных характеристиках, мы должны придавать больший вес гипотезе, подкрепляемой сильной и ясной причинно-следственной связью. Недавно обнаруженные свидетельства против теории должны приводить к снижению показателя вероятности ее правоты, однако эти свидетельства следует оценивать в контексте других наших знаний (или наших представлений о том, что знаем) о планете и ее климате.

Именно на этой основе и должен строиться здоровый скептицизм. Мы обязаны оценивать силу новых свидетельств, сравнивая их с общей силой теории, а не перемешивать между собой факты и теорию, когда мы оспариваем или защищаем ту или иную идеологию. К сожалению, такая циничная практика получает довольно широкое распространение, когда споры переходят в политическую плоскость, а сторонники разных гипотез оказываются в противодействующих партиях.

Три типа климатического скептицизма

Сложно представить себе менее удачно выбранное место и время проведения конференции по вопросам глобального климата, чем Копенгаген в декабре. Тем не менее ООН в 2009 г. выбрала именно этот вариант. В период зимнего солнцестояния дни в городе короткие и темные, возможно, за весь день солнце нормально светит не больше четырех часов, температура довольно низкая, а со стороны Орезунда, узкого пролива, отделяющего Данию от Швеции, налетают порывы ветра.

Хуже того, в стране довольно дорогое пиво. Высокие налоги на алкоголь и множество других товаров в Дании позволяют финансировать инфраструктуру, основанную на «зеленых» технологиях, на уровне, уникальном в масштабах всего мира. Дания потребляет не больше энергии, чем в конце 1960‑х гг.{820}. Отчасти это достигается благодаря экологичным технологиям, а отчасти – низким приростом населения (потребление энергии в США примерно удвоилось за тот же период{821}). Ее пример показывает, что в целях энергосбережения нас может ожидать холодное, темное и довольно затратное будущее.

Поэтому не приходится удивляться тому обстоятельству, что настроение, царившее в копенгагенском Bella Center, варьировалось от скептицизма до полноценного цинизма. Я отправился на эту конференцию в наивном ожидании услышать научные споры по вопросу глобального потепления. Вместо этого я столкнулся с политическим противостоянием и демонстраций разногласий, которые казались неразрешимыми.

Делегаты из Тувалу, крошечного островного государства, расположенного в Тихом океане и считавшегося одним из самых уязвимых стран в случае повышения уровня моря, блуждали по комнатам, громко протестуя против (как им казалось) совершенно неправильных методов снижения концентрации парниковых газов. А крупные страны, отвечающие за подавляющее большинство выбросов парниковых газов, никак не могли прийти к соглашению.

Президент Обама приехал на конференцию с пустыми руками. Он растратил значительную часть своего политического капитала на принятие законопроекта о здравоохранении и связанного с ним пакета стимулирующих мер. Такие страны, как Китай, Индия и Бразилия, казавшиеся (вследствие своих географических особенностей) более уязвимыми к влиянию климатических изменений, чем США, возражали против принятия на себя обязательств, способных затормозить их экономический рост. Однако у них не было полной уверенности в том, какая позиция более верна. Не до конца была понятна позиция России, страны с холодным климатом и избытком природного топлива. Не до конца была понятна и позиция Канады, также холодной страны с избытком энергетических ресурсов. Казалось маловероятным, что она сможет предложить какое-либо решение, для реализации которого у США не хватило бы силы воли{822}. Некое подобие коалиции образовали самые богатые страны Европы совместно с Австралией, Японией и множеством самых бедных стран мира из Африки и Тихоокеанского региона{823}. Однако глобальное потепление представляет собой проблему, в которой наука, в отличие от политики, не носит локального характера.

CO₂ быстро обращается вокруг планеты – выбросы от дизельного грузовика в Циндао со временем повлияют на климат в Кито. Следовательно, для достижения цели – снижения выбросов – требуется почти безоговорочное согласие всех стран-участниц, только в этом случае она будут успешно реализована. Но, казалось, что для того, чтобы прийти к согласию, потребуются годы, если не десятилетия.

Во время конференции мне удалось поговорить с некоторыми учеными. Одним из них был Ричард Руд, спокойный человек из Северной Каролины, некогда руководивший группой ученых в НАСА, а теперь преподающий курс климатической политики студентам Мичиганского университета.

«Работая в НАСА, я понял, что в ракетостроении используются сравнительно простые физические правила для решения комплексных проблем, – рассказал мне Руд. – Научная часть сравнительно проста. Другие части – методы развития политики или соответствие требованиям здравоохранения – связаны со сравнительно более сложными проблемами, поскольку в них отсутствует четко определенный механизм причинно-следственной связи».

Наш разговор с Рудом постоянно прерывался объявлениями по системе громкой связи Bella Center. «Мы не пришли к консенсусу. Поэтому я вновь откладываю рассмотрение этого вопроса», – произнесла женщина с сильным французским акцентом, старательно пытавшаяся говорить на английском. Услышав это, Руд рассказал мне о трех типах скептицизма, часто присутствующих в разговорах о будущем климата.

Первый тип скептицизма проистекает из собственной выгоды. За один лишь 2011 г. отрасль по производству ископаемого топлива потратила на лоббирование около 300 млн долл. (примерно в два раза больше, чем пятью годами ранее)[161]{824}. Ряд ученых, изучающих изменение климата, с которыми я впоследствии общался при написании этой главы, использовали для описания деятельности лоббистов своеобразный заговорщический язык. Однако нет никаких оснований подозревать заговор в случаях, когда достаточно объяснения, основанного на рациональной собственной выгоде: у этих компаний есть достаточные финансовые стимулы к сохранению нынешнего положения вещей, и их право на это защищено Первой поправкой. Однако нам не стоит путать их мнение с попыткой сделать точные предсказания.

Второй тип скептицизма связан с желанием спорить. В любом спорном вопросе некоторые люди предпочитают придерживаться мнения большинства, а некоторая незначительная группа находит выгоду в том, чтобы занимать позицию преследуемых аутсайдеров. Данный тип скептицизма особенно заметно проявляется в климатологии, где данные переполнены шумом, а предсказания сложно оценить на практике.

И это особенно типично для Соединенных Штатов, страны, славящейся независимостью мышления. «Если вы присмотритесь к спорам вокруг климата, озоновой дыры или курения сигарет, то всегда найдете какое-нибудь сообщество людей, скептически относящихся к научным результатам», – сообщил мне Руд.

Но важнее всего научный скептицизм. «В каком-либо научном сообществе всегда имеются обоснованные сомнения, касающиеся того или иного аспекта науки, – сказал Руд. – На каком-то уровне, если мы действительно хотим двигаться вперед, нам стоит уважать самые разные точки зрения».

Прогнозист критикует прогнозы глобального потепления

В климатологии здоровый скептицизм направлен в целом на надежность компьютерных моделей, используемых для прогнозирования дальнейшего изменения климата. Одним из таких скептиков является Скотт Армстронг, преподаватель Уортонской школы бизнеса Пенсильванского университета. Также он входит в состав небольшой группы людей, посвятивших себя изучению прогнозирования. Его книга «Принципы прогнозирования» («Scott Armstrong, Principles of Forecasting») может считаться каноническим трудом для всех, кто серьезно интересуется этой областью. Я встретился с Армстронгом в его офисе в Хантсмен-Холл в Филадельфии. Ему 74 года, однако он носит забавную козлиную бородку и выглядит примерно на 15 лет моложе.

В 2007 г. Армстронг бросил вызов Алу Гору. Армстронг считал, что так называемый прогноз «без изменений», в котором предсказывается, что глобальные температуры останутся на уровне 2007 г., окажется точнее прогноза МГЭИК, предсказывавшего продолжение потепления. Гор так и не принял пари, однако Армстронг все же опубликовал свои результаты. Результаты пари должны были оцениваться ежемесячно – раунд выигрывал тот, чей прогноз оказывался ближе к реальным температурам по итогам месяца. Вплоть до января 2012 г. созданный Армстронгом прогноз «без изменений» обыгрывал прогноз МГЭИК («небольшие, но стабильные изменения»), и это наблюдалось в течение 29 месяцев из 47 (рис. 12.2){825}.

Рис. 12.2. Иллюстрация к пари Армстронг – Гор

По словам Армстронга, он не сомневался в научной основе парникового эффекта как таковой. «Я вовсе не утверждал, что небольшого потепления не происходит, – рассказал он мне. – Об этом никто не спорит последние 150 лет».

Однако Армстронг полностью не согласен с точкой зрения большинства людей на глобальное потепление[162]. В 2007 г., примерно в то же время, когда он предложил пари Гору, Армстронг и его коллега Кестен Грин подвергли прогнозы глобального потепления так называемому аудиту{826}. Идея заключалась в том, чтобы понять, насколько хорошо прогнозы глобального потепления, особенно созданные МГЭИК, следовали жестким принципам прогнозирования.

Из выполненной Армстронгом и Грином работы следовало, что прогнозы МГЭИК достаточно слабы. По мнению исследователей, эти прогнозы не соответствовали 72 из 89 принципов прогнозирования. Возможно, что 89 принципов{827} – это слишком много{828}. Тем не менее большинство принципов Армстронга вполне подходят на роль правил для прогнозистов, а в случае применения к прогнозам глобального потепления их можно сделать более простыми и свести, по сути, к трем основным критическим замечаниям.

• Прежде всего, Армстронг и Грин утверждают, что единомыслие прогнозистов не имеет отношение к правильности прогноза. Оно, как и все остальное, способно содержать в себе элемент предубеждения. «Истина здесь не определяется голосованием, – сказал мне Армстронг. – Наука развивается не так».

• Далее, по их мнению, сложность проблемы глобального потепления делает прогнозирование, по сути, бесполезным занятием. «В истории еще не было случая, когда у нас была бы столь сложная проблема со множеством переменных и массой неопределенности, а люди могли бы при этом заставлять хорошо работать описывающие ее сложные эконометрические или другие модели, – рассказал Армстронг. – Чем более сложной вы ее делаете, тем хуже оказывается прогноз».

• И, наконец, Армстронг и Грин пишут, что прогнозы неадекватно оценивают неопределенность, присущую проблеме глобального потепления. Иными словами, они потенциально являются слишком самоуверенными.

Вопросы сложности, неопределенности и ценности согласованной точки зрения (или ее отсутствия) – это основные вопросы данной книги. Поэтому каждое заявление заслуживает детального рассмотрения.

Все климатологи согласны с некоторыми выводами

В обсуждениях глобального потепления проявляется определенное нездоровое наваждение, связанное с использованием термина консенсус. Те, кто не разделяет согласованную точку зрения, гордятся этим и называют себя «еретиками»{829}. Другие же, стремясь обрести силу в массовости, порой прибегают к сомнительным методам, таким как распространение онлайновых петиций, пытаясь продемонстрировать, как много сомневающихся в теории разделяют их взгляды[163]. Однако каждый раз, когда какой-то ученый-климатолог публично выражает несогласие с любым выводом, касающимся проблемы глобального потепления, он при этом часто заявляет, что такие действия свидетельствуют об отсутствии консенсуса относительно теории.

Многие споры в этих случаях вызваны непониманием термина. С формальной точки зрения консенсус не является ни синонимом единодушия, ни синонимом мнения, к которому пришло простое большинство. Напротив, консенсус представляет собой соглашение по широкому кругу вопросов после процесса свободного обмена мнениями, во время которого большинство членов группы принимает определенную идею, но имеется и альтернативный вариант. (Допустим, «Мы достигли консенсуса в том, чтобы заказать на обед китайскую еду, однако Горацио предпочел заказать пиццу».)

Процесс достижения консенсуса на практике часто представляет собой альтернативу голосованию. Когда какая-либо политическая партия пытается выбрать кандидата на президентский пост, может получиться так, что кандидат покажет настолько хорошие результаты в штатах типа Айовы и Нью-Гемпшира (где голосование проходит раньше), что все другие кандидаты просто перестают считаться равными ему соперниками. И хотя, с математической точки зрения, кандидат не получил преобладающего большинства, партии не имеет смысла проводить голосование в других штатах, если эта кандидатура подходит для большинства ключевых коалиций в составе партии. Можно сказать, что такой кандидат выиграл номинацию путем консенсуса.

Наука, по крайней мере в идеале, следует именно такому сознательному процессу. Ученые публикуют статьи и участвуют в конференциях. Тестируются гипотезы, и оспариваются научные выводы; некоторым из них удается выжить в этом процессе.

Потенциально МГЭИК может служить отличным примером такого процесса достижения консенсуса. Для создания его отчетов требуются многие годы, и каждый вывод подлежит детальному изучению (принципы которого порой слишком бюрократичны и политизированы). «Мы договорились, что ни одно мнение не останется без внимания, – рассказывал мне Руд. – Если своим мнением с нами поделится ваш пьяный родственник, мы все равно его изучим». Однако вызывает немало вопросов, действительно ли подобный процесс может создавать более качественные предсказания. Разумеется, все понимают, что различные участники группы могут многое почерпнуть из опыта друг друга. Однако это же может служить причиной чрезмерного единомыслия и стадного поведения.

Некоторые участники группы могут обладать бо́льшим влиянием благодаря своей харизме или статусу, а вовсе не потому, что их идея более качественная. Эмпирические исследования предсказаний, основанных на консенсусе, продемонстрировали довольно неоднозначные результаты, в отличие от процесса, когда отдельные члены группы предоставляют свои независимые прогнозы, которые затем объединяются или усредняются, что почти всегда приводит к улучшению правильности предсказаний{830}.

Процесс, принятый в МГЭИК, может снизить степень независимости ученых, делающих прогнозы, касающиеся изменения климата. Хотя для прогноза МГЭИК номинально используется около 20 различных климатических моделей, многие из них основаны на одних и тех же предположениях и даже применяют один и тот же компьютерный код; степень пересечения между ними настолько велика, что к числу полностью независимых моделей можно отнести не больше пяти-шести{831}. Однако, невзирая на количество моделей, МГЭИК выступает, в конечном итоге, с одним прогнозом, принимаемым всей группой.

Скептическое отношение климатологов к компьютерным моделям

«Крайне важно иметь набор разнообразных моделей, – сказал мне Кэрри Эмануэль, метеоролог из МТИ и один из ведущих мировых теоретиков ураганов. – Никто не хочет класть все яйца в одну корзину».

По словам Эмануэля, это особенно важно, поскольку в модели закладываются не только различные предположения, но и разные ошибочные представления. «Об этом никто не любит говорить, – рассказывал он. – У различных моделей ошибки программирования разные. Вы же не можете быть до конца уверены в том, что модель со многими миллионами строк кода и миллионами команд не будет иметь ни одной ошибки».

Если вы привыкли думать о спорах вокруг глобального потепления как об обмене аргументами между «скептиками» и «верующими», то могли бы предположить, что этот аргумент исходит от ученого, стоящего на позициях скептицизма. На самом деле, хотя сам Эмануэль называет себя консерватором и республиканцем{832} (что достаточно смело для преподавателя МТИ), он не считает себя скептиком по отношению к вопросу глобального потепления. Напротив, он вполне вписывается в научный истеблишмент и даже является членом Национальной академии наук.

Его книга, выпущенная в 2006 г.{833}, описывает «консенсусный» (отлично продуманный и изложенный) взгляд на суть науки о климате.

Вопросы, волнующие Эмануэля, довольно типичны для научного сообщества – ученые-климатологи практически не спорят о некоторых элементах проблемы, но никак не могут договориться о других. Проведенный среди них в 2008 г. опрос показал, что почти все они (94 %) согласны с тем, что в настоящее время происходят климатические изменения, а 84 % из них были убеждены, что эти изменения представляют собой продукт человеческой деятельности{834}. Однако среди них было значительно меньше тех, кто считает компьютерные модели климатических изменений точными.

Ученые по-разному оценивают способность этих моделей предсказывать глобальную температуру и в целом скептично настроены по отношению к их способности моделировать другие возможные эффекты климатических изменений. Например, лишь 19 % опрошенных считали, что моделям удается хорошо оценивать уровень моря через 50 лет.

Думается, что такие результаты должны немало удивить тех, кто имеет порой карикатурное представление о климатологии. На самом деле ученые не используют свои модели для создания фантастических предсказаний; они сомневаются в правильности моделей ничуть не меньше, чем их критики{835}. Однако целый ряд кинофильмов, где показаны возможные климатические изменения, наподобие фильма «Неудобная правда» («An Inconvenient Truth») Ала Гора, порой бывают куда более фантастическими: там демонстрируется, как белые медведи борются за жизнь в Арктике или как происходит затопление Южной Флориды и Нижнего Манхэттена{836}. Подобные фильмы не всегда правильно отражают имеющийся научный консенсус. На самом деле ученые спорят о гораздо более банальных вещах, например о том, как создать программу, позволяющую более точно описывать облака.

Наука о климате и сложные моменты

Синоптики и климатологи часто конфликтуют между собой{837}; большое количество метеорологов явно или скрыто критически отзывается о науках, изучающих климат.

Синоптики в течение десятилетий пытаются улучшить свои прогнозы и все равно ожидают, что после каждого неверного прогноза на них обрушатся десятки разгневанных зрителей или слушателей. Но предсказать погоду даже на сутки вперед – невероятно трудная задача. Так могут ли прогнозисты-климатологи, применяющие практически те же самые техники, эффективно предсказать, каким будет климат через десятилетия?

Отчасти разногласия, как и в случае с понятием «консенсус», являются исключительно семантическими. Климат определяется долгосрочным равновесием, которого достигает планета; погода описывает краткосрочные отклонения от него{838}. Прогнозисты климата не пытаются предсказать, пойдет ли дождь в городе Тулса 22 ноября 2062 г., хотя при этом их может интересовать, выпадет ли в Северном полушарии больше осадков в целом.

При всем этом метеорологам приходится решать целый ряд комплексных вопросов[164]: именно из множества попыток предсказать погоду возникла целая научная дисциплина, называемая теорией хаоса. Комплексность приходится учитывать и климатологам. Например, облака представляют собой довольно уникальные явления, для точного моделирования которых требуется значительная вычислительная мощность. При этом облака могут оказывать существенное влияние на петли обратной связи, присущие климатическим прогнозам{839}.

Как это ни иронично звучит, но именно прогнозирование погоды можно считать одной из историй успеха, описанных в этой книге. Благодаря упорному труду и слиянию вычислительных мощностей с человеческим суждением прогнозы стали значительно лучше, чем десятилетие или два назад. Учитывая, что прогнозисты в большинстве областей склонны к излишней самоуверенности, крайне приятно видеть, что синоптики безжалостно относятся к себе и своим собратьям по прогнозированию. Их достижения опровергают идею о том, что комплексность препятствует прогрессу.

Улучшение качества прогнозов погоды вызвано существованием двух особенностей, присущих этой дисциплине. У метеорологических прогнозов огромная обратная связь – прогнозы погоды ежедневно проходят проверку реальностью, – и это помогает синоптикам производить тонкую настройку своих программ. Данное преимущество недоступно специалистам по прогнозированию климата. И именно в этом и состоит основная причина появления скепсиса по отношению к их предсказаниям, поскольку прогнозы зачастую описывают события, которые произойдут через 80 или даже через 100 лет.

Определенные преимущества метеорологов обусловлены и тем, что они хорошо понимают физику погодной системы, управляемую сравнительно простыми и легко наблюдаемыми законами. В принципе, это же может считаться преимуществом и для прогнозистов климата. Мы можем наблюдать за облаками и довольно хорошо представлять себе их поведение; проблема состоит лишь в том, как перевести наши знания на математический язык.

Один их наиболее успешных примеров климатического прогнозирования – удачное предсказание траекторий движения некоторых огромных облаков – тех, которые образуют ураганы. Офис Эмануэля в МТИ под номером 54–1814 довольно сложно найти (мне помог исключительно интересный уборщик, который, возможно, послужил прототипом героя фильма «Умница Уилл Хантинг» («Good Will Hunting»)). Однако его явным плюсом является отличный вид на Чарльз-ривер. Легко представить себе, как где-то вдалеке зарождается ураган – направится ли он в сторону Кембриджа или улетит в сторону Северной Атлантики?

Эмануэль описал мне различие между двумя типами прогнозов ураганов. Один из них в чистом виде статистический. «У вас имеется довольно длительная история описаний интересующего вас явления. Есть у вас и информация о том, что вы считаете достаточно серьезными предикторами, в числе которых масштабное перемещение ветра в верхних слоях атмосферы или температура океана. И вы просто-напросто используете статистику для того, чтобы связать то, что вы пытаетесь предсказать, с этими предикторами».

Представьте, что в Мексиканском заливе зарождается ураган. Вы можете создать базу данных прошлых ураганов и изучить их скорость ветра, долготу и широту, температуру воды в океане и т. д. Это дает вам возможность найти среди них ураганы, более всего похожие на зарождающийся. Как они себя вели? Какая часть из них дошла до густонаселенных областей типа Нового Орлеана, а какая – бесследно исчезла? По сути, чтобы создавать подобные прогнозы, вам не нужны глубокие метеорологические знания, достаточно лишь хорошей базы данных.

Подобные техники могут использоваться для довольно грубых, но применимых на практике прогнозов. В реальности еще 30 лет назад статистические модели были основным методом, основываясь на котором служба погоды предсказывала траектории движения ураганов.

Но такой метод имеет существенные недостатки. Ураганы возникают довольно часто, однако самые серьезные из них накрывают территорию Соединенных Штатов примерно один раз в год. А если вы используете большое количество переменных, связанных с довольно редким явлением, то рискуете повысить степень оверфиттинга в своей модели и ошибочно принять шум в исторических данных за сигнал.

Однако возможен и альтернативный вариант: вам нужно понимать, какая именно структура лежит в основе системы. По сути, речь идет о создании физической модели определенного участка Вселенной. Для ее создания требуется выполнить значительно больший объем работы, чем при использовании статистического метода. Вы должны более четко понимать первопричины явления. Однако потенциально этот метод способен обеспечить вам более точные результаты.

Модели такого рода уже используются в настоящее время для прогнозирования движения ураганов и доказали свою успешность. Как я уже говорил в главе 4, с 1980‑х гг. произошло примерно трехкратное улучшение правильности предсказаний траекторий ураганов, а точка около Нового Орлеана, в которой ураган «Катрина» должен был обрушиться на землю, была предсказана более чем за 48 часов{840} (хотя к этому прогнозу прислушались не все). Статистические системы в наши дни используются, скорее, как основа, с которой сравниваются другие, более точные прогнозы.

Прогнозирование – это не книга готовых рецептов

Критика, которой Армстронг и Грин подвергают климатические прогнозы, связана с их эмпирическим изучением дисциплин, подобных экономике, в которых мало физических моделей такого рода{841}. Суть причинно-следственной связи понимается достаточно плохо. Слишком амбициозные подходы к прогнозированию в этих областях часто терпели крах, и поэтому Армстронг и Грин полагают, что они окажутся неудачными и в случае прогнозировании климата.

Цель любой предсказательной модели состоит в том, чтобы захватить максимально возможный объем сигнала и минимально возможный объем шума. Достигнуть оптимального соотношения между ними можно далеко не всегда, и на нашу способность сделать это будут влиять сила теории, а также качество и объем данных. В прогнозах в сфере экономики недостаточно данных, а теория слаба, вот почему Армстронг и считает, что «чем более сложной вы делаете модель, тем хуже становится прогноз».

Когда речь заходит о прогнозировании климата, ситуация становится еще более сомнительной: теория парникового эффекта достаточно сильна, и этот факт поддерживает более комплексную модель. Однако температурные данные переполнены шумом, и это ей мешает. Кто одержит победу? На этот вопрос мы можем дать эмпирический ответ, оценивая успех и неудачу различных видов предсказаний в науке о климате. Однако, как и всегда, самое главное – это то, насколько хорошо предсказания отражают происходящее в реальном мире.

Я бы не хотел сводить процесс прогнозирования до набора простых лозунгов. Конечно, эвристические правила типа «бритвы Оккама» («при прочих равных условиях более простое объяснение всегда лучше более сложного»{842}) звучат достаточно привлекательно, однако их трудно реализовать на практике. Нам доводилось видеть случаи довольно простых и элегантных предположений (например, в моделях SIR, использовавшихся для прогнозирования всплесков болезней). Однако при этом они слишком наивны, чтобы на их основе можно было сделать толковый прогноз. Также (как в случае предсказания землетрясений) мы видели, как невероятно сложные схемы прогнозирования, отлично смотревшиеся в рамках компьютерной программы, терпели на практике унизительное поражение.

Признание, подобное выражению «чем более сложной вы делаете модель, тем хуже становится прогноз», можно сравнить с фразой «не пересолите блюдо». С какого уровня сложности вы начали (сколько соли вы насыпали с самого начала)? Если вы хотите добиться успеха в прогнозировании, то вам нужно заставить себя погрузиться в эксперименты и доверять собственным рецепторам.

Неопределенность в климатических прогнозах

Знать ограничения прогнозов – уже наполовину выиграть сражение, и в этом направлении дела прогнозистов климата идут довольно хорошо. Эти ученые остро осознают суть неопределенности – различные варианты понятий неуверенность и неопределенность использовались в одном из отчетов МГЭИК за 1990 г. 159 раз{843}. Авторы отчета МГЭИК смогли найти массу различных способов объяснения степени согласия или определенности при формулировке того или иного вывода. Например, фраза «скорее всего» в отчете МГЭИК предполагает, что вероятное значение точности предсказания не менее 66 %, а фраза «практически наверняка» предполагает степень согласованности на 99 % и более{844}.

Тем не менее одно дело – понимать суть неопределенности, и совсем другое – реально правильно ее оценить. Когда дело заходит о политических опросах, мы можем полагаться на достаточно широкую базу данных исторических свидетельств. Если кандидат лидирует по итогам опроса на десять пунктов за месяц до выборов, то насколько велики его шансы на победу? Для получения эмпирического ответа на этот вопрос мы можем изучить данные, полученные при проведении десятков прошедших выборов.

Модели, которые создаются прогнозистами климата, не могут полагаться на эту методику. У нас есть только одна планета, и прогнозы ее дальнейшего развития создаются на интервалы, захватывающие десятилетия. Хотя климатологам и приходится много думать о неопределенности, нужно помнить и о том, что существует неопределенность и в отношении того, сколько неопределенности у нас есть. С проблемами такого рода встречаются прогнозисты в любой дисциплине.

Тем не менее мы вполне можем анализировать неопределенность климатических прогнозов, учитывая три ее составные части. Для обсуждения этого вопроса я встретился с коллегой Хансена по НАСА, саркастичным лондонцем, соавтором блога RealClimate.org Гэвином Шмидтом. Встреча состоялась в пабе неподалеку от его офиса, расположенного в нью-йоркском районе Морнингсайд-Хайтс в Нью-Йорке.

Во время разговора Шмидт нарисовал на салфетке для коктейлей график, который был похож на тот, что вы видите на рис. 12.3. На нем отображены три значимые проблемы, с которыми сталкиваются ученые, и различные типы неопределенности, начинающие занимать более-менее главенствующее положение в процессе создания климатического прогноза.

Рис. 12.3. Схема, отражающая неопределенность в прогнозах глобального потепления

Прежде всего, речь пойдет о том, что Шмидт называет изначальным условием неопределенности, – это краткосрочные факторы, конкурирующие с парниковым сигналом и влияющие на то, как мы ощущаем климат. Парниковый эффект представляет собой долгосрочное явление, и день ото дня или даже год от года его влияние может быть незаметно за другими всевозможными событиями.

Самый очевидный тип неопределенности изначального условия – это обычная погода. Когда дело касается прогнозирования климата, она представляет собой скорее шум, а не сигнал. Текущий прогноз МГЭИК предсказывает, что температуры в течение следующего столетия должны повыситься на 2 °C (или около 4 °F). Это значит, что за десятилетие температура увеличится примерно на 0,2 °C, а за год – на 0,02 °C. Такой сигнал сложно заметить, когда разница дневных и ночных температур может колебаться в пределах 15 °C, а на некоторых широтах – в пределах 30 °C от сезона к сезону.

Так получилось, что всего за несколько дней до моей встречи со Шмидтом в 2011 г. в Нью-Йорке и других регионах Северо-Востока разразилась довольно необычная октябрьская метель. Высота снежного покрова в Центральном парке, достигающая 33 мм, побила прежний октябрьский рекорд{845}, а в Коннектикуте, Нью-Джерси и Массачусетсе последствия оказались значительно более суровыми – миллионы жителей остались без электричества{846}.

При этом в том же Центральном парке был установлен и первый температурный рекорд{847} с момента начала измерений в 1869 г.{848}. На рис. 12.4 показано изменение ежемесячной средней температуры, изменяемой в Центральном парке, за столетие с 1912 по 2011 г. На графике наглядно видна смена времен года; температура заметно (но достаточно предсказуемо) меняется с теплой на холодную и наоборот, причем в некоторые годы сильнее, чем в другие. По сравнению с погодой климатический сигнал едва заметен. Однако он существует – в течение этого 100-летнего периода температура в Центральном парке повысилась в среднем на 4 °F (примерно, на 2,5 °C).

Рис. 12.4. Ежемесячные средние температуры, в градусах °F Центральный парк (Нью-Йорк), 1912–011 гг.

Также периодически возникают флуктуации температуры, которые могут длиться от года до десяти лет. Одна из них определяется циклом ENSO (Эль-Ниньо – Южная осцилляция). Этот цикл, развивающийся примерно с трехлетними интервалами{849}, возникает в результате температурных сдвигов в водах тропической части Тихого океана. В годы, когда цикл Эль-Ниньо набирает полную силу, наблюдается более теплая погода в значительной части Северного полушария и снижается активность ураганов в Мексиканском заливе{850}. В годы, когда Тихий океан охлаждается, наблюдается противоположная картина. Кроме этих фактов, мы практически ничего не знаем о цикле ENSO.

Другой среднесрочный процесс – это солнечные циклы, в течение которых Солнце излучает чуть больше или чуть меньше тепла. Средняя продолжительность циклов составляет в среднем примерно 11 лет (зачастую цикл рассчитывается по пятнам на солнце, наличие которых коррелирует с более высокими уровнями солнечной активности). Однако эти циклы довольно нерегулярны. Например, солнечный цикл 24, который должен был обеспечить максимум солнечной активности (и, следовательно, более высокую температуру) в 2012 или 2013 гг., несколько запоздал{851}. На самом деле Солнце может «дремать» десятилетиями; возможно, что «минимум Маундера» – период продолжительностью около 70 лет в конце XVII и начале XVIII в., сопровождавшийся незначительной солнечной активностью, мог привести к серьезным похолоданиям в Европе и Северной Америке{852}.

И наконец, периодические флуктуации температуры возможны в результате деятельности вулканов, выбрасывающих в атмосферу серу – газ, обладающий антипарниковым эффектом: увеличение концентрации серы в атмосфере может сопровождаться охлаждением планеты. Извержение вулкана Пинатубо в 1991 г. привело к снижению глобальной температуры примерно на 0,2 °C за два года, что эквивалентно парниковому потеплению за период в 10 лет.

Чем больше ваш временной горизонт, тем меньше вы беспокоитесь о среднесрочных эффектах. Они могут доминировать в парниковом сигнале в течение периодов от года до десяти, однако между этими периодами их влияние незначительно.

Однако со временем усиливается влияние другого типа неопределенности, который Шмидт называет неопределенностью сценария. Эта неопределенность связана с уровнем CO₂ и других парниковых газов в атмосфере. В краткосрочной перспективе состав атмосферы достаточно предсказуем. Уровень загрязнения атмосферы в результате промышленной деятельности достаточно стабилен, однако CO₂ быстро попадает в атмосферу и остается там в течение длительного времени (период его химического полураспада оценивается примерно в 30 лет{853}). Даже если бы крупные промышленно развитые страны немедленно согласились значительно сократить выбросы CO₂, то для снижения темпов его роста в атмосфере (не говоря уже об уменьшении) потребовались бы годы. «Ни вы, ни я не доживем до того момента, когда концентрация диоксида углерода начнет падать, – сказал мне Шмидт. – Этого не увидят и ваши дети». Тем не менее, поскольку климатические модели полагаются на довольно конкретные предположения о содержании CO₂ в атмосфере, это может значительно усложнить прогнозы, сделанные на 50 или 100 лет, и сильно повлиять на их результаты в краткосрочной перспективе, Многое зависит от того, как повлияют на выбросы CO₂ политические и экономические решения.

И, наконец, в моделях имеется структурная неопределенность. Именно этот вид неопределенности вызывает вполне оправданное беспокойство и климатологов, и их критиков, поскольку ей сложнее всего дать количественную оценку. Она связана с тем, насколько хорошо мы понимаем динамику климатической системы и насколько хорошо можем представить ее с математической точки зрения. Структурная неопределенность может немного повыситься со временем, и ошибки в динамических моделях (к которым относятся и климатические) могут усиливать сами себя.

По словам Шмидта, в совокупности эти три типа неопределенности проявлялись на минимальном уровне еще за 20–25 лет до начала климатического прогнозирования. Иными словами, мы можем достаточно определенно знать, сколько CO₂ попадет в атмосферу, однако совершенно не представляем, какое влияние будут оказывать ENSO, извержения вулканов и солнечный цикл.

Как это часто бывает, первый отчет МГЭИК, опубликованный в 1990 г., оказался в пределах этого славного 20-летнего периода, равно как и некоторые из ранних прогнозов, сделанных Джеймсом Хансеном в 1980‑е гг. Иными словами, пришло время оценить правильность прогнозов. Насколько удачными они оказались?

Температурные рекорды

Для того чтобы оценить правильность предсказания, нужен прежде всего соответствующий инструмент измерения. И здесь климатологам выбирать особо не из чего. Существуют четыре основные организации, выполняющие расчеты глобальных температур на основании данных термометров на наземных и морских станциях по всему миру. Это НАСА{854} (к которой относится GISS[165]{855}), NOAA[166]{856} (осуществляющая руководство работой Национальной службы погоды) и метеорологические организации в Великобритании{857} и Японии{858}.

Не так давно свой вклад начали вносить данные наблюдений, полученные со спутников. Наиболее часто используемые записи спутниковых данных поступают из Алабамского университета в Хантсвилле от частной компании, которая называется «Системы дистанционного зондирования» (Remote Sensing Systems){859}. Спутники не измеряют температуру напрямую, они рассчитывают ее значение, измеряя интенсивность микроволнового излучения. Однако выполненные спутниками расчеты температур нижних слоев атмосферы{860} позволяют достаточно точно оценить температуру поверхности планеты{861}. Также температурные данные из разных источников различаются по времени, с которого они проводились. Самыми старыми являются наблюдения, выполненные британским метеорологическим ведомством начиная с 1850 г.; самыми молодыми считаются спутниковые данные, которые собирают с 1979 г. Кроме этого, температурные рекорды оцениваются в сравнении с различными базовыми значениями. Например, значения температур в НАСА/GISS приводятся относительно средних температур с 1951 по 1980 г., а температуры NOAA – относительно среднего значения за весь XX в.

Однако эту проблему легко исправить{862}, и цель каждой системы состоит в том, чтобы измерить, насколько повышаются или понижаются температуры, а не их значения сами по себе.

Рис. 12.5. Аномалии глобальной температуры по отношению к базовой линии 1951–980 гг.: шесть температурных рекордов

Достаточно обнадеживающим выглядит тот факт, что разница между данными от различных источников довольно невелика{863} (рис. 12.5). Данные от всех шести служб измерений температуры свидетельствуют, что 1998 и 2010 гг. были одними из самых теплых за всю историю наблюдений, и на данных, полученных от каждой из них, заметна явная долгосрочная тенденция к потеплению, особенно после 1950‑х гг., когда концентрация CO₂ в атмосфере начала расти все быстрее. С целью оценки климатических прогнозов я просто усреднил шесть температурных записей.

Предсказания Джеймса Хансена

Одной из наиболее откровенных и явно выраженных попыток прогнозирования роста температур явилась научная работа, опубликованная в 1981 г. Хансеном и шестью другими учеными в авторитетном журнале Science{864}. Предсказания ученых, основанные на сравнительно простых статистических расчетах влияния CO₂ и других атмосферных газов, а не на полноценной модели, оказались достаточно успешными. Фактически они лишь незначительно недооценили масштабы глобального потепления, наблюдавшегося в течение 2011 г.{865}.

Однако Хансен более известен благодаря своим показаниям на слушаниях в Конгрессе в 1988 г., а также работе на ту же тему, опубликованной в 1988 г. в Journal of Geophysical Research{866}. Эти прогнозы были основаны на трехмерной физической модели атмосферы.

Хансен сообщил Конгрессу, что в Вашингтоне «жаркие летние месяцы» могут наблюдаться все чаще и чаще. Он называл жарким такое лето, когда значения средних температур в Вашингтоне находятся в верхней трети значений температур в летние месяцы за период с 1950 по 1980 г. По его словам, к 1990‑м гг. подобная температура в Вашингтоне в летние месяцы будет стоять 55–70 % времени, или примерно в два раза чаще, чем в периоде, принятом за эталон (33 %).

Предсказание Хансена для Вашингтона, округ Колумбия, оказалось очень точным. В 1990‑е гг. шесть из десяти летних периодов{867} можно было охарактеризовать как жаркие (табл. 12.1), в точном соответствии с его прогнозом. Примерно так же часто жаркие месяцы наблюдались и в 2000‑е гг., а рекордную тепловую волну Вашингтон испытал в 2012 г.

Таблица 12.1. Жаркие летние месяцы в США: предсказание Хансена (1988 г.)

Эталонный период: 33 %. Прогноз: 55–70 % времени к 1990‑м гг.

В работе Хансен также предсказал, какими будут летние месяцы в трех других городах – Омахе, Мемфисе и Нью-Йорке. Эти результаты оказались менее однозначными и наглядно демонстрируют региональную изменчивость климата. Лишь один из 10 летних периодов в Омахе в 1990‑е гг. можно было классифицировать как «жаркий» по стандартам Хансена, что было значительно меньше исторического среднего значения на уровне 33 %. Однако в Нью-Йорке (если судить по результатам наблюдения в аэропорте Ла Гуардия)«жаркими» оказались 8 из 10 летних периодов.

В целом предсказания для четырех городов были достаточно хороши, однако их значения оказались ближе к нижней границе установленного Хансеном диапазона. Его прогнозы, касающиеся изменения глобальной температуры, оценивать сложно, поскольку в них учитывался целый ряд сценариев, основанных на различных предположениях. Тем не менее есть основания считать их несколько завышенными{868}. Даже самый консервативный сценарий переоценил потепление, произошедшее в 2011 г.

Предсказания МГЭИК, 1990 г.

Прогноз МГЭИК, сделанный в 1990 г., был первым результатом серьезного научного консенсуса и поэтому заслуживает особого внимания. Эти предсказания были менее конкретными, чем предсказания Хансена, однако если изучить их детали, то можно сказать, что они в целом оказались правильными. Например, прогнозировалось, что поверхность земли нагревается значительно быстрее, чем поверхность воды, особенно зимой, что особенно сильное увеличение температуры будет происходить в Арктике и других северных широтах. Оба эти предсказания оказались точными. Тем не менее самым главным из всех считался прогноз роста глобальной температуры.

И здесь предсказания МГЭИК оставляли желать лучшего. В отличие от прогноза Хансена температурный прогноз МГЭИК был представлен в виде диапазона возможных исходов. Верхняя часть диапазона рассматривала вариант катастрофического увеличения температуры на 5 °C за следующие 100 лет. А в нижней части описывалось более скромное повышение на 2 °C за столетие, вариант роста температуры на уровне 3 °C считался наиболее вероятным{869}.

Рис. 12.6. Изменение реальных глобальных температур в период 1990–011 гг. по отношению к температуре в 1990 г.

В реальности рост температуры после публикации отчета происходил в значительно более медленном темпе (рис. 12.6). Температуры повышались в среднем на 0,015 °C в год за период, описанный в прогнозе МГЭИК (с 1990 по 2011 г.), или со скоростью 1,5 °C за столетие. Это почти в два раза меньше, чем предсказывалось прогнозом МГЭИК – потепление на 3 °C за 100 лет, – и также несколько меньше минимального значения предсказанного диапазона (2 °C). Прогноз, сделанный МГЭИК в 1990 г., также переоценил величину повышения уровня моря{870}.

Несмотря на то что результаты были совсем не похожи на прогнозируемые МГЭИК, мы должны сделать одно важное замечание. Прогнозы МГЭИК были основаны на «нормальном ходе событий», то есть предполагалось, что успехи в снижении объемов выбросов в атмосферу не будут достигнуты{871}.

Сценарий МГЭИК предполагал, что промышленность будет развиваться теми же темпами, что и раньше, и содержание CO₂ в атмосфере увеличится к 2010 г. до 400 ppm{872}. Однако в ряде стран, в первую очередь в странах Европейского союза, были предприняты определенные усилия по снижению выбросов этого газа в атмосферу{873}. Таким образом, прогноз стал казаться слишком пессимистичным; к 2010 г. содержание CO₂ увеличилось до 390 ppm{874}. Иными словами, ошибки в прогнозе отчасти отражали неопределенность сценария, связанную скорее с политическими и экономическими вопросами, чем с научными. МГЭИК же сознательно выдвинула пессимистичные предположения, не ожидая успеха в этом направлении[167].

Тем не менее позднее МГЭИК, выпустив следующий прогноз в 1995 г., признала, что ее предыдущие прогнозы были слишком агрессивными. В очередном прогнозе диапазон, связанный с «нормальным» случаем, был пересмотрен в сторону значительного снижения величины потепления – на уровне около 1,8 °C за столетие{875}. Эта версия прогнозов оказалась куда более успешной при ее сравнении с реальным температурным трендом{876}. Тем не менее это довольно существенный сдвиг. Вполне допустимо исправить прогноз, если вы считаете, что он неправильный. Не стоит предпринимать донкихотские усилия и стоять насмерть, отстаивая свои ошибки. Однако этот случай наглядно свидетельствует о неуверенности, присущей состоянию дел в вопросе предсказания климата.

Ваша оценка этим первым усилиям в области прогнозирования зависит от множества факторов. Например, неудача прогноза МГЭИК 1990 г. отчасти объясняется неопределенностью сценария. Однако уже через пять лет МГЭИК существенно изменил свой прогноз. С другой стороны, прогнозы МГЭИК по изменению температуры, сделанные в 1995 г., оказались почти точными, а результаты в некоторых конкретных областях, не связанных с ростом глобальной температуры (например, снижение объема ледяного покрова в Арктике{877}), можно считать отличными. Если оценивать прогнозистов, как студентов на экзамене, то можно сказать, что хотя МГЭИК и заслуживает низкой оценки, но все равно ей удалось сдать экзамен. А если вы поймете, что вся история прогнозирования наполнена огромным количеством неудач и ошибок, то результаты МГЭИК выглядят вполне достойно.

Неопределенность в прогнозах не обязательно является поводом ничего не делать. Экономист из Йеля Уильям Нордхаус утверждал, что именно неопределенность в климатических прогнозах стимулирует развитие{878}, поскольку сценарии сильного потепления могут быть довольно пугающими. Однако при этом правительство США тратит сотни миллиардов на программы экономического стимулирования или на начало войн на Ближнем Востоке, руководствуясь куда более неточными предположениями, чем те, что имеются в климатологии{879}.

Уроки «глобального охлаждения»

Тем не менее климатологи каждый раз рискуют своей репутацией, создавая тот или иной прогноз. И, в отличие от других областей, где о плохих предсказаниях быстро забывают, ошибки в прогнозах изменения климата не забываются десятилетиями.

Один из самых распространенных доводов критиков климатических прогнозов основан на том, что когда-то специалисты выдвигали прогнозы глобального похолодания и чуть ли не наступления нового ледникового периода. И действительно, в 1970‑х гг. был опубликован ряд статей, прогнозировавших глобальное снижение температуры. Нужно сказать, что они основывались на довольно разумной теории, смысл которой в том, что охлаждение, возникающее вследствие выбросов серы, может оказаться сильнее, чем тенденция к потеплению, вызванная выбросами углерода. Эти предсказания были неоднократно опровергнуты в научной литературе{880}.

Но эти идеи даже получили довольно гипертрофированное отражение в новостных медиа. В 1975 г. в Newsweek была опубликована фантастическая статья о том, как замерзают Темза и Гудзон и происходит «резкое снижение объемов» производства продуктов питания{881} – но все выводы в этой статье были сделаны непосредственно ее автором, а не кем-то из ученых, с которыми он говорил.

И если СМИ могут ошибочно поставить знак равенства между «скептиками» и «верующими» в спорах по вопросам наук, изучающих климат, то они могут также и раздуть информацию о самых нелепых версиях климатических изменений, даже если те отвергаются подавляющей массой ученых.

«Дело в том, что многие люди рассуждают о предмете так, как будто они изучали множество данных. Но я уверен, что они этого не делали», – говорил мне Шмидт после октябрьской метели 2011 г. в Нью-Йорке, которую многие СМИ представляли как свидетельство и в пользу глобального потепления, и против него.

Шмидт общался со множеством репортеров, спрашивавших его мнение о том, что означают эти октябрьские метели в Нью-Йорке с точки зрения глобального потепления. Он сказал им, что не уверен в ответе; модели не предполагают подобной глубины детализации. Однако некоторые его коллеги оказались менее осторожными в оценках – и чем более драматичными были их комментарии, тем больше было шансов на то, что они будут процитированы в прессе.

Тема выбросов серы, послужившая основой для прогнозов глобального охлаждения в 1970‑х, может помочь нам понять, почему прогноз МГЭИК 1990 г. оказался неточным и почему экспертная группа ученых сдвинула границы диапазона температурных предсказаний в 1995 г.

Извержение вулкана Пинатубо в 1991 г. сопровождалось значительным выбросом серы в атмосферу, и это могло оказать влияние на поведение климатических моделей{882}. Но тем не менее эти модели не учитывали, что взаимодействие между различными парниковыми газами будет представлять собой проблему с точки зрения моделирования – соответственно, в системы может вкрасться ошибка.

Выбросы серы в атмосферу из рукотворных источников достигли своих максимальных значений в начале 1970‑х гг., а потом начали снижаться (рис. 12.7){883}. Отчасти это произошло благодаря вступлению в силу законов, аналогичных «Закону о чистом воздухе», подписанному президентом Никсоном в 1970 г., цель которого – противостоять кислотным дождям и загрязнению воздуха. Некоторая тенденция к потеплению в течение 1980‑х и 1990‑х гг., по-видимому, отражала снижение концентрации выбросов серы, поскольку именно ее наличие противодействовало парниковому эффекту.

Рис. 12.7. Глобальные выбросы серы в период с 1900 по 2005 г.

Однако примерно с 2000 г. выбросы серы начали увеличиваться во многом вследствие роста промышленной деятельности в Китае{884}, стране с довольно слабым законодательством в области охраны окружающей среды и большим количеством предприятий, использовавших для получения энергии загрязняющие окружающую среду технологии сжигания угля. Хотя негативное влияние выбросов серы на глобальное потепление не настолько велико, как позитивное влияние от выброса углерода, – в противном случае теории глобального охлаждения считались бы верными! – происходившее могло бы свидетельствовать об определенном замедлении процесса потепления.

Простой климатический прогноз

Предположим, что вы имеете достаточно веские причины скептично относиться к процессу прогнозирования, либо потому что цель прогнозов – делать достаточно точные выводы о протекании крайне сложных процессов, таких как, допустим, изменение климата, либо потому что для подтверждения правильности прогноза потребовались бы многие годы.

Начинающие прогнозисты иногда допускают распространенную ошибку, предполагая, что если что-то сложно прогнозировать, то этим вообще можно не заниматься. У хороших прогнозистов всегда есть резервный план – достаточно разумный базовый сценарий, к которому они могут обратиться, если у них появляются основания считать, что модель терпит поражение (например, вы всегда можете считать по умолчанию, что на президентских выборах выиграет нынешний президент – и в этом случае ваши прогнозы окажутся значительно более результативными, чем результат случайного выбора между кандидатами).

Какой же сценарий можно считать базовым, когда речь идет о климате? Учитывая, что основная критика прогнозов глобального потепления связана с их нереалистичной сложностью, альтернативным мог бы стать более простой прогноз, основанный на достаточно весомых теоретических предположениях, но с меньшим количеством ненужных излишеств.

Предположим, например, что вы попытались создать климатический прогноз, основанный на очень простой статистической модели. Эта модель учитывает лишь влияние уровней концентрации CO₂ и температуры, и прогноз базируется только на основании экстраполяции значений этих переменных, игнорируя влияние серы, ENSO, пятен на Солнце и всего остального. Для такой работы не потребуется суперкомпьютер; результаты могут быть рассчитаны на ноутбуке за несколько микросекунд. Насколько точными могли бы быть такие предсказания?

На самом деле, прогноз оказался очень точным – более точным, чем прогноз МГЭИК. Если вы внесете имеющиеся данные по изменению температуры с 1850 по 1989 г., а также значения концентрации CO₂, измеренные в антарктических льдах{885} и в обсерватории Мауна Лоа на Гавайях, в простое уравнение линейной регрессии, то результат предсказания покажет повышение глобальной температуры на 1,5 °C за период с 1990 г. по настоящее время, что в точности соответствует реальной цифре (рис. 12.8).

Рис. 12.8. Реальное изменение глобальной температуры за период 1990–011 гг. в сравнении с прогнозируемыми значениями, полученными при помощи простого регрессионного анализа

Другая, чуть более сложная методика использует доступные расчеты зависимости между содержанием CO₂ в атмосфере и температурами. Обычно в прогнозах глобального потепления оценивается влияние на температуру удвоения (то есть 100 %-ного прироста) CO₂ в атмосфере. Одно время о величине удвоения велось немало споров{886}. И из прогноза, сделанного британским инженером Дж. С. Каллендером в 1938 г.{887}, основанного на простых химических уравнениях, и из расчетов, производимых суперкомпьютерами в наши дни, следует, что удвоение содержания CO₂ приводит к потеплению на 2–3 °C{888}.

С учетом реальных показателей прироста CO₂ в атмосфере решение этого простого уравнения показывает, что с 1990 г. по нынешний день температуры будут увеличиваться на 1,1–1,7 °C в течение столетия. Реальный темп потепления на уровне 0,015 °C в год, или 1,5 °C за столетие, отлично вписывается в границы этого интервала.

Прогнозы Джеймса Хансена, сделанные в 1981 г. и основанные на сходном подходе, позволили значительно лучше предсказать текущие температуры, чем его же прогноз 1988 г., основанный на теоретических моделях климата.

В этом контексте представляется достаточно уместной критика комплексных моделей со стороны Армстронга и Грина. Однако успех более простых методов прогнозирования дает основания считать, что критика Армстронга выиграла сражение, но не всю войну. Армстронг задает вполне хорошие вопросы, касающиеся комплексной модели, а тот факт, что простые модели способны достаточно хорошо предсказывать климат, лишь поддерживает его мнение о том, что простые модели предпочтительнее. Однако поскольку простые методы достаточно точно предсказывали рост температуры вместе с ростом содержания CO₂, они также свидетельствуют в пользу гипотезы парникового эффекта.

При этом прогноз «без изменений», предложенный Армстронгом, оставляет без ответа целый ряд основополагающих научных вопросов. В его прогнозе в качестве базовой использовалась температура 2007 г. – этот год не был исключительно теплым, однако тем не менее оказался теплее всех других годов XX в. (за исключением одного). Можем ли мы выдвинуть разумную гипотезу, объясняющую, почему 2007 г. оказался теплее 1987, 1947 или 1907 г., если не будем принимать во внимание изменения в составе атмосферы? На самом деле, самый весомый вклад климатических моделей состоит в том, что из них вытекает следующее: повторение нынешнего климата в условиях, когда мы не принимаем во внимание повышение концентрации CO₂ и других парниковых газов в атмосфере, невозможно{889}.

Армстронг сообщил мне, что не создавал прогноза «для неизменных условий», поскольку не мог определить никаких заслуживающих внимания байесовских априорных значений для любых альтернативных предположений; он обнаружил, что прогноз «для неизменных условий» отлично подходил для других областей, которые он изучал. И многим казалось правильным, если бы он применил в вопросе прогнозирования климата те же тщательные методы, что и в других областях. Вместо этого он сообщил комиссии Конгресса в 2011 г.: «Я искренне стараюсь не узнавать больше о реальных изменениях климата. Я занимаюсь прогнозированием»{890}.

Но эта книга советует вам опасаться прогнозистов, которые говорят, что наука неважна для их работы, или ученых, заявляющих, что им не нужно прогнозирование. Эти виды деятельности серьезно и глубоко связаны друг с другом. Прогнозист, утверждающий, что его не волнует наука, – это все равно, что повар, заявляющий, что ему безразлично, какие он использует продукты. Именно связь с объективным миром и отличает науку и делает прогнозы научными. Прогнозы терпят поражение, когда мы не принимаем во внимание ничего, кроме нашего собственного метода, максимы или модели.

Неудобная правда о температурных данных

Однако если критика Армстронга настолько неверна, то о чем нам говорит его предполагаемое пари с Гором? Его прогноз не оказался неудачным. Напротив, он был довольно успешным. С момента, когда Армстронг заявил о своем пари в 2007 г., изменение температуры от месяца к месяцу было существенным, но какая-либо явная закономерность в этом изменении не проявлялась; 2011 г. оказался лишь ненамного прохладнее, чем, допустим, 2007‑й.

Рис. 12.9. Изменение глобальной температуры за период с 2001 по 2011 г.

И подобная тенденция сохранялась более четырех лет. Неудобная для многих правда в том, что в течение десятилетия от 2001 до 2011 г. глобальная температура вообще не повышалась (рис. 12.9). Более того, она понизилась, хотя и несильно{891}.

Порой расчеты могут содержать в себе манипулятивный элемент. Например, если вы выберете в качестве точки отсчета 1998 г., когда температура была рекордно высокой под влиянием цикла ENSO, то вам будет довольно просто увидеть «тенденцию» к похолоданию. И, напротив, «тренд» для периода с 2008 по 2018 г. будет свидетельствовать о потеплении, поскольку 2008 г. был сравнительно прохладным. Статистика такого рода чем-то напоминает ситуацию, когда табло на стадионе оптимистично говорит нам о том, что игрок на позиции шорт-стопа смог восемь раз из 19 попасть по мячу в результате противостояния с питчерами другой команды. Однако тот факт, что в среднем за сезон результативность этого игрока составляет всего 0,190, игнорируется{892}.

Тем не менее глобальное потепление не происходит с постоянной скоростью. Вместо этого периоды повышения температуры сопровождаются периодами так называемого бокового движения тренда, когда повышения температуры нет, а могут наблюдаться даже негативные тренды. Например, признаки потепления можно заметить не только в десятилетие между 2001 и 2011 гг., а также и в периоды между 1894 и 1913, 1937 и 1956 или 1966 и 1977 гг. (рис. 12.10), и это происходило, несмотря на постоянный рост концентрации CO₂. Такая ситуация отчасти напоминает ту, с которой сталкиваются финансовые аналитики: в долгосрочной перспективе фондовый рынок, по сути, всегда движется вверх. Однако это знание не скажет вам о его поведении на следующий день, следующую неделю или через год.

Рис. 12.10. Изменение глобальной температуры за период 1900–011 гг. с выделенными участками бокового движения и снижения температуры

Возможно, мир науки сможет объяснить возникшие в последнее время боковые движения температурного тренда; свою роль, например, мог сыграть рост выбросов серы в Китае. Кроме того, стоит помнить, что, хотя температуры и не росли в период 2001–2011 гг., они все равно были значительно выше, чем в любом предыдущем десятилетии.

Тем не менее эта книга побуждает читателей задуматься о сигнале и шуме и стремиться к использованию прогнозов, основанных на процентных или вероятностных показателях. Такие прогнозы более честно указывают границы наших способностей к предсказаниям. Когда предсказание какого-то сложного явления высказывается с явной убежденностью, это может считаться признаком того, что прогнозист недостаточно глубоко продумал проблему, что его статистическая модель обладает определенным оверфиттингом или что он больше заинтересован не в истине, а в создании себе имени.

Ни Армстронг, ни Шмидт не пытались придавать слишком большое значение своим прогнозам, касающимся температурного тренда. «Мы провели ряд симуляций за период с 1850 по 2007 г., – рассказал мне Армстронг. – Поэтому когда я изучил данные на 100 лет вперед, то посчитал, что практически наверняка выиграю свое пари»{893}. При этом Шмидт был даже готов предлагать довольно привлекательные ставки тем, кто решился бы оспорить его утверждение о том, что температуры будут расти и дальше. «Я мог легко ставить любые деньги на то, что следующее десятилетие окажется теплее, чем это, – рассказал он мне. – Если вы хотите иметь шансы 100 к 1, то я вам их дам».

Помочь в разрешении спора могут методы статистического прогнозирования, о которых я упоминал выше. Именно они способны доказать, что ни Армстронг, ни Шмидт не были совершенно правы. Если вы будете измерять температурный тренд в масштабе десятилетий, то увидите, что тенденция к потеплению с 1900 г. проявлялась в течение 75 % времени, а в остальные периоды наблюдалось похолодание. По мере роста в атмосфере концентрации CO₂, приводящей к усилению парникового эффекта, периоды стабильных или понижающихся температур должны становиться более редкими. Тем не менее они не являются невозможными, и вряд ли против этого исхода стоит заключать пари со ставками 100 к 1. Если вы вместо этого предположите, что уровни CO₂ будут повышаться такими же темпами, то есть около 2 ppm в год, то вероятность того, что в рамках заданного десятилетия не будет наблюдаться потепление, составит примерно 15 %{894}.

Еще одна причина, по которой так важно учитывать неопределенность

Неопределенность представляет собой важнейшую и необсуждаемую часть прогноза. Мы замечаем, что порой именно честное и точное заявление о неопределенности помогает спасти имущество и жизни людей. В других же случаях, как, например, при торговле опционами на акции или ставках на команду НБА, вы можете делать ставки на свою способность точно прогнозировать неопределенность.

Однако есть и еще одна причина для тщательной и всесторонней количественной оценки неопределенности. Это крайне важно для научного прогресса, особенно при применении теоремы Байеса.

Предположим, в 2001 г. вы были априорно глубоко убеждены в правильности гипотезы о том, что промышленные выбросы углерода будут и дальше приводить к росту температуры. (С моей точки зрения, на тот момент подобное убеждение вполне может быть оправданным вследствие нашего хорошего понимания причинно-следственной связи между теорией парникового эффекта и эмпирических свидетельств.) Предположим, что вы оцениваете шансы на истинность гипотезы глобального потепления в 95 %.

Однако затем появились некоторые новые факты. В том числе тот, что в течение следующего десятилетия, с 2001 по 2011 г., глобальные температуры не росли. На самом деле они даже снижались, хотя и незначительно. В соответствии с теоремой Байеса вы должны уменьшить рассчитанные вами значения вероятности истинности гипотезы глобального потепления; вопрос лишь в том насколько.

Если вы правильно рассчитали степень неопределенности в краткосрочных температурных закономерностях, то это уменьшение не будет особенно большим. Как мы обнаружили выше, имеется примерно 15 %-ная вероятность того, что в течение десятилетия не произойдет итогового потепления (даже если гипотеза о глобальном потеплении верна). Причиной этого может быть вариабельность климата. Напротив, если считать температурные изменения совершенно случайными и непредсказуемыми, то вероятность, что в течение десятилетия произойдет охлаждение, составит 50 %, поскольку повышение и снижение температуры вероятны в равной степени. Согласно теореме Байеса (табл. 12.2), десятилетие без потепления заставит вас изменить свои расчеты правильности гипотезы глобального потепления с 95 на 85 %.

Таблица 12.2. Пример расчета вероятности глобального потепления по теореме Байеса

С другой стороны, если вы ранее утверждали, что вероятность того, что температура в течение десятилетия не повысится, составляет не более 1 %, то теперь вы оказываетесь в более сложном положении. Согласно теореме Байеса, вероятность истинности гипотезы глобального потепления снижается до 28 %.

Когда мы делаем достаточно четкие заявления, которые впоследствии не сбываются, это означает, что против нашей гипотезы появляются сильные аргументы. В этом случае нам некого винить за потерю веры в наши прогнозы; происходящее вполне точно определяется байесовской логикой.

Так для чего мы выступаем с конкретными заявлениями, особенно когда они не подкрепляются статистическими свидетельствами? Причин для этого может быть довольно много. Так, в ходе споров на тему климата участникам может показаться, что конкретные заявления выглядят более убедительными. И это действительно так, но лишь в тех случаях, когда заявления оказываются истинными. Попытки объяснить каждую погодную аномалию рукотворными изменениями климата, а не эффектом повышения температур, в честь которого и появился термин «глобальное потепление», – пример еще одной игры с высокими ставками, корни которой кроются скорее в политике, а не в науке. Мало найдется тех, кто согласен с высказыванием, что изменения климата выражаются только в повышении температуры и возможном повышении уровня моря. Но при этом довольно глупо считать, что каждый снегопад представляет собой свидетельство неверности теории в целом.

«Наши отношения с этими людьми – это состояние постоянной драки»

Фундаментальная дилемма, стоящая перед климатологами, заключается в том, что глобальное потепление представляет собой долгосрочную проблему, которая требует, однако, быстрого решения. Поскольку диоксид углерода остается в атмосфере очень длительное время, действия, предпринятые нами сегодня, повлияют на жизнь будущих поколений.

В идеально рациональном и доброжелательном мире это не было бы основанием для беспокойства. Однако наши политические и культурные учреждения просто не приспособлены для эффективного решения подобных проблем: Конгресс Соединенных Штатов должен думать о выборах, проходящих каждые два года, а компании вынуждены стремиться к тому, чтобы каждый квартал соответствовать ранее созданным прогнозам о доходах. Климатологи реагируют на эту ситуацию по-разному. Кто-то начинает активнее участвовать в политических дебатах, а кто-то, напротив, воздерживается от публичности.

Майкл Манн, директор Центра изучения систем Земли Пенсильванского университета, в какой-то момент оказался в самом центре противостояния, получившего название «Климатгейт». Причиной его стал взлом сервера отделения климатологии (Climatic Research Unit (CRU)) Университета Восточной Англии{895} с данными о температурах, которые используются метеорологической службой Великобритании. Скептики утверждали, что Манн и другие ученые вступили в заговор с целью манипуляции температурными данными CRU.

Через какое-то время другие профессионалы полностью опровергли предположение о недобросовестности своих коллег-ученых{896}, и было доказано, что температурные данные CRU вполне соответствуют данным из других источников{897}. Однако преданная гласности электронная переписка показала, что Манн и остальные ученые уделяли большое внимание «маркетинговой» точке зрения на научную область своих занятий. Манн с удовольствием обсуждает эту проблему. Для этого я и приехал в его университетский офис холодным осенним днем, и мы проговорили примерно два часа.

Манн исключительно вдумчиво относится к науке, изучающей глобальное потепление. Как и большинство других климатологов, он почти не сомневается в действенности теоретических механизмов, связанных с изменением климата, однако скептически относится к предсказаниям, сформированным климатическими моделями.

«Любая честная оценка науки должна признать, что есть нечто, что мы понимаем достаточно хорошо, и нечто, о чем у нас имеется приблизительное представление, – сказал он мне. – Но и здесь нужно разделять то, относительно чего у нас нет полной уверенности, и то, о чем мы не имеем ни малейшего представления… С моей точки зрения, одно из неприятных последствий недобросовестного обсуждения в обществе состоит в том, что мы тратим кучу времени на дискуссии, касающиеся тех вопросов, в которых научное сообщество более-менее уверено, и не занимаемся осмыслением имеющейся неопределенности».

Манн, ведущий вместе со Шмидтом блог на RealClimate.org, считает себя участником непрекращающейся позиционной войны с такими группами, как, например, сотрудники Института Хартленда (Heartland Institute). «Можно сказать, что мы участвуем в непрекращающейся уличной драке с ними», – говорил он мне, ссылаясь на редакторскую статью в журнале Nature{898}, где было приведено это выражение. Долгосрочная цель уличной драки состоит в том, чтобы убедить общественность и законодателей в срочности и необходимости действий по противостоянию климатическим изменениям (или в обратном). В обществе, привыкшем к чрезмерно верящим в себя прогнозистам, которые ошибочно принимают свою уверенность в прогнозах за их истинность, ни одна из сторон не считает, что разговор о неопределенности своей позиции может ее усилить.

«Вы должны очень четко заявить о том, в чем именно выражается неопределенность, но при этом не сделать так, чтобы прогнозы казались слишком неопределенными, а значит, не вызывающими никакого интереса, – уточнил Манн. – Для нас как для сообщества было бы безответственным не высказываться на важные темы. В противном случае появляются другие люди, с радостью заполняющие пустые места – и заполняющие их дезинформацией».

Различие между наукой и политикой

На практике уличная драка, описанная Манном, происходит на сайтах «сторонников консенсуса» (таких, как RealClimate.org) и «скептиков» (таких, как Watts Up with That){899}. Ее участники постоянно «вступают в схватку» и возвращаются к вопросам, изложенным в относительно свежих журнальных статьях на тему погодной закономерности или политического противоречия. Обе стороны почти во всех случаях указывают друг на друга пальцами и не желают отступать от своих позиций ни на йоту. Они напоминают спортивных болельщиков, которые «никогда не предадут свою команду».

Я не утверждаю, что территории, занятые каждой из сторон, симметричны. В научных спорах о глобальном потеплении кажется, что истина склоняется к одной из сторон – парниковый эффект почти наверняка существует и усиливается рукотворными выбросами CO₂. И это, с большой долей вероятности, делает планету теплее. Пока что мы не до конца представляем себе, в чем могут выражаться возможные последствия, однако склоняемся к мысли о том, что они будут неблагоприятными{900}.

Тем не менее ментальность уличного бойца основывается на предположении о том, что преодолеть значительное количество политических разногласий можно, только если удастся убедить в правоте той или иной научной теории большее количество людей. Но, похоже, что до того момента, как согласие будет достигнуто, еще может пройти много лет. «Время от времени я прихожу к заключению, что мы, в принципе, не можем вычислить, как избавиться от излишков углерода», – рассказывал мне Ричард Руд в Копенгагене, имея в виду, что на данный момент всем 193 странам – членам ООН практически невозможно договориться о взаимно приемлемых условиях.

Между тем доверие американской публики к факту глобального потепления немного снизилось за последние несколько лет{901}. Даже если бы нам и удалось достичь на 100 % единого мнения по вопросу о последствиях изменения климата, некоторым штатам и странам удастся лучше справляться с решением проблемы снижения выбросов углерода. «В некоторых наших угольных штатах работают очень прогрессивные демократические губернаторы, – рассказывала мне губернатор штата Вашингтон Кристин Грегуар. – И вы даже не представляете, насколько их беспокоит этот вопрос». Но должен сказать, что я пока не знаю, как разрешить проблемы такого рода, которые явно не ограничиваются климатическими дебатами{902}. Однако я точно знаю, что между наукой и политикой имеется фундаментальное различие. По сути, я все больше и больше склоняюсь к тому, чтобы считать, что они противостоят друг другу.

Прогресс в науке вполне возможен. Фактически, если человек верит в теорему Байеса, то научный прогресс становится неизбежным по мере того, как выдвигаются все новые предположения, а убеждения тестируются и уточняются[168]. Движение в сторону научного прогресса не всегда происходит по прямолинейной траектории, и некоторые уважаемые (и даже «основанные на консенсусе») теории впоследствии доказывают свою неточность. Но, как бы то ни было, наука склонна двигаться в сторону истины.

В политике же, напротив, мы уходим от консенсуса все дальше и дальше. Степень поляризации между двумя партиями в Конгрессе США, снижавшаяся со времен «Нового курса» до 1970‑х гг., вновь выросла к 2011 г. до самого большого значения за последнее столетие{903}. Республиканцы значительно отодвинулись от центра{904}, хотя в определенной степени это сделали и демократы.

В науке редко бывает так, что все точки данных направляют нас к одному точному заключению. Данные переполнены шумом – даже если теория идеальна, сила сигнала будет меняться. А согласно теореме Байеса, ни одна теория не может считаться идеальной. Скорее, это незавершенная работа, которую всегда можно уточнить и протестировать. Именно в этом и состоит суть научного скепсиса.

В политике же принято не сдавать своему противнику ни сантиметра позиций. Когда мы произносим неудобные (но правдивые) слова, политики могут посчитать это оплошностью{905}. Ожидается, что приверженцы определенной партии будут выражать равную степень убежденности по целому ряду экономических, социальных и международных вопросов, довольно мало связанных между собой.

Если мир можно представить себе в виде ряда аппроксимаций, то платформы демократической и республиканской партий базируются на самых грубых из них. Именно поэтому дебаты между ними могут продолжаться десятилетиями. И именно поэтому ученым стоит отказаться от уличных драк и стараться не переходить Рубикон между наукой и политикой. В науке сомнительные прогнозы рано или поздно докажут свою неточность и истина, скорее всего, восторжествует. В политике – области, где у истины нет никакого привилегированного статуса, – о ее победе остается лишь мечтать.

Дисфункциональное состояние американской политической системы – лучшая причина сохранять пессимизм по отношению к будущему нашей страны. Но есть основания и для оптимизма, связанные с научными и технологическими умениями. Мы – народ, умеющий изобретать. В США ежегодно выдается огромное количество патентов{906}. В этой стране расположены некоторые из самых лучших мировых университетов и исследовательских учреждений, и наши компании возглавляют рынок во множестве областей, начиная от фармацевтики и заканчивая информационными технологиями. И если бы мне пришлось выбирать между турниром идей и политическим боем без правил, то я знаю, какой из вариантов я бы предпочел – особенно если бы знал, что у меня есть правильный прогноз.

Франклин Делано Рузвельт говорил, что 7 декабря – дата, которая навсегда останется позорной страницей в истории. Бомбардировка Перл-Харбор в 1941 г. – первое нападение на американскую землю более чем за столетие{907} – потрясла американцев так же, как и разрушение Всемирного торгового центра 60 лет спустя. После нее не слишком грозный противник превратился в реально существующую и ощутимую угрозу. И все же в ретроспективе атака на Перл-Харбор казалась вполне предсказуемой.

О вероятности и даже неизбежности атаки на Перл-Харбор говорили многие сигналы. Дипломатические отношения США и Японии в ноябре-декабре 1941 г. резко ухудшались. Стремление японцев к расширению территории поставило Тихоокеанский флот США (перемещенный из Сан-Диего в Перл-Харбор именно по этой причине){908} в самый центр конфликта. В то же время японский флот постоянно менял свои позывные – что было верным признаком недружелюбных намерений. Японские войска и корабли наращивали активность у берегов Китая и Юго-Восточной Азии{909}.

Но самым тревожным сигналом была тишина. Американским сотрудникам разведки удалось расшифровать PURPLE – код, который использовался Японией для шифрования дипломатических посланий, что давало возможность читать до 97 % сообщений{910}. Менее успешными оказались попытки США раскодировать послания японского военного ведомства. Однако даже если мы и не понимали смысла сообщений, то мы слышали их и могли проследить за местом их отправки. Стабильный поток сигналов, доносившихся с японских авианосцев, выдавал их местонахождение, когда они выходили в море.

Однако, начиная с середины ноября, в эфире установилась тишина. Мы не имели никакого представления о том, где находятся авианосцы. Спутники в 1940‑е гг. еще не придумали, а радары были довольно примитивными. На воздушное разведывательное патрулирование в Тихом океане требовалось слишком много средств, оно осуществлялось нерегулярно, и самолеты летали на расстоянии не более 300–400 миль от базы{911}. Радиопередачи стали лучшим средством обнаружения авианосцев. И с их исчезновением из нашего поля зрения пропал и целый флот кораблей (каждый из которых был размером с шесть футбольных полей).

Многие представители разведки пришли к выводу, что авианосцы находятся в домашних водах, где могут прибегать к другим средствам сообщения{912}. Второй вариант – они ушли далеко в Тихий океан, в противоположную сторону от американских военно-морских объектов{913}.

На самом же деле японский военно-транспортный флот приближался к Гавайям. Он следовал четко выверенному курсу, просчитывая, подобно коутербеку[169] в американском футболе, пробелы в защите противника и маневрируя в «мертвых зонах» нашей обороны. Сначала корабли шли по прямой, курсом на восток-юго-восток, почти посередине между военно-морскими базами на островах Мидуэй и в направлении Датч-Харбор на Аляске. Затем, 4 декабря, достигнув 165° западной долготы, они резко повернули на 45° в сторону Гавайев и спустя три дня ранним утром начали атаку, в результате которой было убито почти 2400 солдат и потоплены четыре линкора ВМФ США (рис. 13.1).

На следующий день Конгресс США подавляющим большинством голосов (470 к 1) высказался за вступление во Вторую мировую войну и объявил войну Японии{914}.

Рис. 13.1. Курс японских авианосцев на Перл-Харбор

Сигналы, ни о чем не сигнализирующие

Дональд Рамсфелд вспомнил о катастрофе в Перл-Харбор (произошедшей, когда ему было восемь лет) сразу же после того, как рейс 77 American Airlines столкнулся с известковой облицовкой Пентагона и унес жизни 59 ни в чем не повинных пассажиров и 125 его коллег{915}. Он слушал по радио трансляцию игры своей любимой команды Chicago Bears, когда внезапно прозвучало официальное сообщение об атаке{916}.

Я встретился с Рамсфелдом в 2012 г. в его офисе в Вашингтоне. Меня предупредили, что интервью с ним – это рулетка и никогда заранее неизвестно, пройдет оно хорошо или нет. Рост Рамсфелда составляет менее 170 см, вдобавок ему почти восемьдесят лет, и, хотя особой внешней импозантностью он не обладает, в остальном он выглядит довольно устрашающе. Он родился в Эванстоне, штат Иллинойс, в старших классах ходил в муниципальную школу, затем поступил в Принстон, получал научную стипендию, стал звездой команды по борьбе, а затем написал диплом на тему президентской власти и отправился служить сначала во флот, а затем и в Конгресс. Стены его офиса украшены памятными знаками и сувенирами от четырех президентских администраций, в которых он работал. Рамсфелд – единственный человек в американской истории, дважды назначенный министром обороны – первый раз при президенте Форде с 1975 по 1977 г., а четверть века спустя – при Джордже У. Буше.

Рамсфелд пребывал в отличном настроении. Он уже успел внимательно изучить детальный план этой книги, который я передал Киту Урбану{917}, молодому и способному руководителю его администрации. Я знал, что Рамсфелд интересуется темой Перл-Харбора. Он встретил меня с копией предисловия к потрясающей книге Роберты Вольштеттер «Перл-Харбор: предупреждение и решение» (Roberta Wohlstetter. «Pearl Harbor: Warning and Decision»), изданной в 1963 г. В книге перечислено множество причин, объясняющих, почему японская атака оказалась сюрпризом для наших военных и разведчиков. Мы были не просто не готовы, мы ошибочно приняли свое невежество за знание, что и сделало нас в результате более уязвимыми.

«В Перл-Харбор готовились к тому, чего на самом деле не произошло, – рассказывал Рамсфелд. – США готовились к диверсиям, поскольку на Гавайях проживало огромное количество потомков японских переселенцев, поэтому все самолеты были собраны вместе: предполагалось, что таким образом они будут лучше защищены. В результате самолеты оказались более уязвимыми для атак бомбардировщиков, и их уничтожили». До событий в Перл-Харбор самым вероятным сценарием нападения на наши корабли и самолеты считались диверсии, атаки изнутри, и беспокойство по этому поводу испытывали на Гавайях все{918}. Предполагалось, что 80 тыс. проживавших на островах японцев могут без предупреждения атаковать не только военные базы, но и радиостанции, ананасовые фермы и молочные комбинаты[170]. Любые знаки толковались в пользу этой версии, и, вне зависимости от разумности, мы готовились к хитрой наземной атаке{919}. Мы ставили самолеты крылом к крылу, а корабли корма к корме, думая, что нам будет проще следить за одним большим объектом, чем за несколькими маленькими.

В то же время мы предполагали, что если Япония и соберется предпринять военные действия, то нападет на Россию или азиатские владения Великобритании, то есть на страны, уже вовлеченные в войну. Зачем японцам будить спящего американского гиганта? Мы не знали, что Япония была абсолютно уверена в неизбежности вступления США в войну{920}. Она нанесла удар, к которому мы оказались совсем не готовы, с целью нанести нашему флоту максимально возможные потери. Правительство японской империи тогда еще не оставляло надежду на расширение территории, а мы не смотрели на конфликт глазами противника.

С точки зрения Вольштеттер, сигнал – это полезная информация о намерениях противника{921}. В моей же книге сигнал, скорее, признак истины, скрытой за статистической или предсказательной проблемой[171]. Определение шума у Вольштеттер тоже несколько иное. Я подразумеваю под шумом случайные закономерности, которые могут быть ошибочно приняты за сигналы, Вольштеттер же использует этот термин, чтобы обозначить фон, производимый конкурирующими сигналами{922}. В области разведки отсутствие сигналов может значить что-то важное (отсутствие радиопередач с японских авианосцев сигнализировало об их приближении к Гавайям), а присутствие слишком большого количества сигналов усложняет извлечение смысла, превращая их в оглушительную какофонию.

Следующий ряд графиков представляет собой серию из 10 сигналов, регулируемых предельно простой последовательной математической функцией под названием синусоидальной волны.

Рис. 13.2а. Конкурирующие сигналы: один из сигналов выделен

Рис. 13.2б. Конкурирующие сигналы: ни один из сигналов не выделен

На рис. 13.2а один из сигналов выделяется и распознаётся гораздо лучше, чем другие. Именно таким может представляться нам мир после атаки или неудавшегося предсказания. Мы можем увидеть сигналы – письменные свидетельства, повторяющиеся события и другие предвестники. Как после Перл-Харбор, так и после 11 сентября лишь немногие американцы считали, что сигналы были настолько очевидны, что правительство должно было знать об атаке, а следовательно, способствовало ее планированию или исполнению[172].

Однако закономерности обычно выглядят несколько иначе до того, как событие произошло. Скорее, они перемешаны и перепутаны, как спагетти в тарелке (рис. 13.2б). По мнению Вольштеттер{923}:

«Разумеется, нам гораздо проще выделить важные сигналы из скопления незначительных после того, как событие уже произошло. После события сигнал всегда очевиден, мы видим предвещаемую им и уже наступившую катастрофу. Однако до этого момента сигнал полон противоречивых смыслов. Он доходит до наблюдателя, окруженный “шумом”, то есть вместе со всевозможной информацией, не имеющей значения для предсказания катастрофы».

В подобных случаях значение имеют вовсе не наши способности к обнаружению сигнала. Обладая даже небольшой компетенцией, мы наверняка можем получить кучу сигналов, предвещающих событие масштаба Перл-Харбор или 11 сентября. Значимые сигналы почти гарантированно хранятся где-нибудь в картотеке или базе данных вместе со всем остальным потоком незначительных. На самом же деле нам нужны соответствующие способности к анализу, чтобы суметь выделить уместные сигналы.

Как правило, мы имеем некоторое представление о том, какие сигналы требуют нашего внимания. Иметь подобные представления хорошо и правильно, но только до определенного момента. Я выделил проблемы, возникающие, когда мы рассматриваем информацию без контекста. Вместо того чтобы делать полезные предсказания, мы упираемся в шаблоны и стремительно движемся в никуда.

Стоит отметить, что и представляемый нами контекст вполне может быть пристрастным. В пьесе Шекспира Цицерон предупреждает Цезаря{924}: «Но ведь по-своему толкуют люди // Явленья, смысла их не понимая»[173]. Мы сосредоточиваемся на сигналах, поддерживающих нашу картину мира, или следующих бюрократическим протоколам, вроде доктрины о том, что диверсия в Перл-Харбор куда вероятнее атаки с воздуха.

Неизвестное и маловероятное

В книге Вольштеттер Рамсфелду больше всего нравится предисловие, написанное лауреатом Нобелевской премии по экономике Томасом Шеллингом, сыгравшим важную роль в переводе ранних работ Джона Нэша по теории игр в плоскость национальной безопасности.

Шеллинг пишет о нашей склонности путать малознакомое и маловероятное. В процессе планирования эти понятия часто смешиваются. Возможности, которые мы не рассматриваем всерьез, кажутся странными, странное – маловероятным, а маловероятное не стоит рассматривать всерьез.

Благодаря изоляции Соединенных Штатов от Европы и Азии, а также сравнительно хорошим отношениям, которые мы продолжаем поддерживать с остальной частью Америки с момента провозглашения доктрины Монро, мы редко становились объектами иностранной атаки. Исключения (11 сентября) и опасные моменты (Карибский кризис) вызывают у нас диссонанс. До событий в Перл-Харбор нападение другого государства на американскую землю предпринималось во время войны 1812 г.{925}. Американцы не живут на руинах прошлых войн, как это происходит с жителями Европы и Азии на протяжении всей их истории.

Однако Гавайи расположены посреди Тихого океана: Гонолулу ближе к Токио (6212 км), чем к Вашингтону, округ Колумбия (7765 км). Благодаря своему географическому положению и присутствию нашего ВМФ, Гавайи были очевидной мишенью для японцев. То обстоятельство, что американцы не подвергались атакам на своей территории, привело к тому, что мы проявили благодушие перед лицом опасности.

Возможно, наши логические рассуждения выглядели как-то так.

1. Соединенные Штаты редко подвергаются атакам.

2. Гавайи – часть Соединенных Штатов.

3. Следовательно, вероятность атаки на Гавайи достаточно низкая.

Это крайне неправильный ход размышлений. Как я уже писал в главе 1, наши предсказания часто проваливаются, когда мы делаем ставки, «исходя из выборки». Тот факт, что Соединенные Штаты редко подвергались атаке, – это лишь наблюдение, а вовсе не закон. Тот факт, что силы иностранных государств никогда не атаковали Небраску, никак не влиял на ситуацию на Гавайях, учитывая их географическое положение посреди Тихого океана и нестабильную военную обстановку вокруг.

Впрочем, подобного рода неправильное мышление по крайней мере включает в себя мышление.

Если бы мы отследили, как протекает наш мыслительный процесс, мы, возможно, поняли бы, насколько неточны наши предположения. Шеллинг утверждает, что наши проблемы несколько глубже. Когда мы не знаем, что может произойти, мы даже не думаем об этом. Вместо этого у нас развивается своеобразная «слепота». В медицине этот феномен называется анозогнозия[174]{926}, когда болезнь пациента мешает ему осознать, что он болен. Подобным образом у некоторых пациентов проявляется болезнь Альцгеймера.

Предсказательный вариант этого синдрома требует от нас сделать то, что больше всего противоречит нашей природе, – признаться в том, чего мы не знаем.

Было ли 11 сентября известным неизвестным?

Существуют известные известные факторы. Это – то, о чем мы знаем, что мы это знаем. Существуют известные неизвестные. Это – то, о чем мы знаем, что мы это не знаем. Но еще существуют неизвестные неизвестные. Это – то, о чем мы не знаем, что мы об этом не знаем» (Дональд Рамсфелд){927}.

Знаменитая фраза Рамсфелда о «неизвестных неизвестных», произнесенная им в 2002 г. на пресс-конференции в ответ на вопрос о наличии оружия массового поражения в Ираке, является прямым продолжением мысли Шеллинга о нашей склонности путать неизвестное с маловероятным. Если мы задаем себе вопрос и можем дать на него точный ответ, это – известное известное. Если мы задаем себе вопрос и не можем дать на него точный ответ, это – известное неизвестное.

Неизвестное неизвестное – это ситуация, когда мы даже не задумываемся о том, чтобы задать вопрос. «В наших знаниях есть пробелы, но это пробелы, о существовании которых мы даже не подозреваем», – писал Рамсфелд в своих опубликованных в 2011 г. мемуарах{928}.

Концепцию неизвестного неизвестного иногда понимают неправильно. Часто этот термин упоминается в формулировках, относящихся к вполне определенным, но плохо предсказуемым угрозам:

В недалеком будущем в Нигерии может случиться кризис – это неизвестное неизвестное, что повлечет за собой существенные последствия для американской и мировой безопасности (выделение в тексте добавлено){929}.

Предсказание террористической угрозы со стороны Нигерии оказалось пророческим (оно было написано в 2006 г., за три года до того, как нигериец Умар Фарук Абдулмуталлаб попытался взорвать спрятанную в белье взрывчатку на рейсе Амстердам – Детройт). Впрочем, семантически оно неверно. Всякий раз, когда вы можете просчитать опасный или непредсказуемый элемент, вы выражаете известное неизвестное. Сформулировать то, чего вы не знаете, – признак прогресса.

Как мы уже выяснили, немногие вещи четко попадают в одну из парных категорий предсказуемого и непредсказуемого. Даже если вы не знаете, как предсказать что-то со 100 %-ной уверенностью, вы можете придумать предположение или спрогнозировать угрозу. Предположение может быть грубым или достаточно точным, прогноз верным или нет, разумным или глупым[175]. Однако, по крайней мере, вы осведомлены о наличии проблемы и, как правило, можете с этим что-то сделать: мы не знаем, насколько сильна террористическая угроза, исходящая от Нигерии, но, вероятно, она выше, чем угроза со стороны Люксембурга.

Проблема возникает, когда, испытывая чувство неудовлетворенности и разочарования из-за того, что наши знания о мире несовершенны, мы полностью перестаем делать прогнозы. Неизвестное неизвестное – это непредвиденное событие, возможность которого мы даже не рассматривали. Либо наш разум блокирует его, либо у нас недостаточно опыта, чтобы его представить, – будто его и не существует вовсе.

Такая ситуация особенно опасна, когда мы пытаемся оценивать сигналы, исходящие от террористов. Как и незадолго до нападения на Перл-Харбор, на возможность атаки 11 сентября указывало множество сигналов.

• Как минимум дюжина предупреждений{930} о потенциальном использовании самолетов в качестве оружия, включая угрозу алжирских террористов направить похищенный самолет на Эйфелеву башню в 1994 г., и план группы, связанной с Аль-Каидой, направить самолет, начиненный взрывчаткой, на здание Всемирного торгового центра в 1998 г.

• Всемирный торговый центр и раньше был целью террористов. В 1993 г. теракт Рамзи Юзефа и его сообщников, подготовленных на базах Аль-Каиды в Афганистане, должен был разрушить башни-близнецы. Теракт был предотвращен, однако погибло шесть человек{931}.

• Аль-Каида, как известно, исключительно опасная и изобретательная террористическая организация. Она продемонстрировала, что способна на крупномасштабные атаки, включая теракты в посольствах США в Кении и Танзании в 1998 г., в результате которых погибло 224 человека, и атаку на корабль ВМФ США «Коул» в Йемене в 2000 г.{932}.

• В июле 2001 г. госсекретаря США Кондолизу Райс уведомили об усилении активности Аль-Каиды и о том, что группировка решила переключиться с иностранных объектов на деятельность на территории США{933}. «У меня включилось шестое чувство, – сказал глава ЦРУ Джордж Тенет, увидев данные разведки. – Я чувствую, назревает что-то серьезное»{934}.

• Исламского фундаменталиста по имени Закариас Муссауи арестовали 16 августа 2001 г. – меньше чем за месяц до атак, – после того как инструктор одной из летных школ Миннесоты заявил, что тот подозрительно себя ведет{935}. Несмотря на то что Муссауи не налетал и 50 летных часов и ни разу не летал в одиночку, он попросил о тренировке на симуляторе «Боинга-747» – необычная просьба для человека, весьма далекого от получения лицензии пилота{936}.

Гораздо проще осознать важность этих сигналов постфактум, однако нашим агентствам национальной безопасности приходилось пробираться сквозь десятки или даже сотни тысяч потенциальных предупреждений{937}, чтобы найти крупицы полезной информации. Большинство их усилий закончилось ничем.

Впрочем, нужно сказать, что заговор 11 сентября был исключительно дерзким, и террористам удалось воплотить его в жизнь, преодолев сравнительно небольшое количество препятствий. 19 террористов взломали систему воздушного транзита, успешно угнав четыре самолета. Три из четырех самолетов поразили запланированные цели. У террористов, захвативших рейс United 93, ничего не вышло лишь благодаря исключительной храбрости пассажиров, атаковавших кабину пилота после того, как они узнали о судьбе других рейсов[176]. Мы же не только не смогли разгадать замысла террористов, но даже и не приблизились к этому.

Отчет комиссии по терактам 11 сентября выделил четыре типа системных ошибок, повлиявших на нашу неспособность оценить важность этих сигналов, включая политические и управленческие ошибки{938}. К самой важной категории были отнесены недостаточно гибкое мышление и плохое воображение{939}. Сигналы не соответствовали нашим обычным гипотезам о том, как ведут себя террористы. Поэтому, влетая в одно ухо, они беспрепятственно вылетали из другого.

Командование воздушно-космической обороны Северной Америки (НОРАД) однажды предложило тренировочную военную игру, в которой угнанный самолет врезается в Пентагон. Однако идею отмели как «слишком нереалистичную»{940}. Предполагалось, что если подобная маловероятная атака произойдет, то самолет будет лететь из-за границы, а не из одного из местных аэропортов (по иронии судьбы, эта ошибка прямо противоположна допущенной перед событиями в Перл-Харбор, где планирующие органы отмели вероятность атаки извне, опасаясь диверсии).

Сложно было представить и вероятность самоубийственной атаки. Политика Федерального управления гражданской авиации основывалась на идее о том, что угон самолета приведет к переговорам, возможно, к изменению курса, и самолет полетит в сторону какого-нибудь экзотического аэропорта на Ближнем Востоке. Предполагалось, что террористы не захотят уничтожать самолет и будут убивать пассажиров только в рамках тактики ведения переговоров. Поэтому двери в кабину пилотов не запирались и на практике часто оставались открытыми{941}.

Однако в истории атак террористов-смертников много эпизодов{942}, разумеется, к их числу можно отнести и японских пилотов-камикадзе, действовавших в годы Второй мировой войны{943}. Более того, атаки смертников участились в годы, предшествовавшие событиям 11 сентября. В одной из баз данных о терактах{944} зарегистрировано 39 из них в одном лишь 2000 г., в том числе нападение на корабль «Коул» в Йемене. В 1980‑е гг. был зарегистрирован всего 31 подобный случай (рис. 13.3).

Рис. 13.3. Теракты с участием террористов-смертников, 1979–000 гг.

Однако Вторая мировая война осталась в прошлом, а большинство событий с участием террористов-смертников происходило на Ближнем Востоке или в странах третьего мира. Интуитивный процесс, называемый Дэниелом Канеманом эвристикой доступности{945}, предполагает, что нам свойственно преувеличивать вероятность событий, происходящих ближе к нам в пространстве и времени, и недооценивать вероятность тех, что от нас далеки. Возможно, это и затуманило наши суждения.

«Можно рационально предсказывать поведение людей, предпочитающих остаться в живых, – сказал мне Рамсфелд. – Однако если они готовы умереть или считают, что смерть – это привилегия и достижение цели, то будут вести себя совсем иначе».

Масштаб событий 11 сентября

Таким образом, возможность событий, аналогичных тем, что произошли 11 сентября, даже не рассматривалась как гипотеза, которую мы оценили и отмели как маловероятную. Она была слишком чужда для нас. Вспоминая о тех событиях, Рамсфелд называет события 11 сентября неизвестным неизвестным{946}.

«Люди из ЦРУ попытаются убедить вас в том, что подобные мысли их посещали, – сказал он мне. – Однако многие из них появились уже после атаки, в ретроспективе».

«С моей точки зрения, можно сказать, что Аль-Каида была известным неизвестным, – добавляет Урбан, начальник штаба Рамсфелда. – Однако одно из обстоятельств, о которых (Тенет) упоминает в своей книге, заключается в том, что масштаб события кардинально отличался от любой другой атаки. Он был огромным».

Действительно, масштабы атаки 11 сентября – 2977 безвинно погибших – наиболее явно отличают ее от других случаев террористических нападений. Даже те, кого больше других беспокоили планы Аль-Каиды, – Тенет и Ричард Кларк (начальник отдела по борьбе с терроризмом Совета национальной безопасности) – с трудом представляли себе их масштабы. Например, после прочтения отчета Кларка Кондолиза Райс предположила, что в результате терактов могут погибнуть сотни американцев{947} (а не тысячи, как произошло в реальности).

До 11 сентября крупнейшая террористическая атака, произошедшая в западной стране, унесла примерно в десять раз меньше жизней. Это случилось в 1985 г., когда группа сикхских экстремистов взорвала бомбу на борту рейса Air India, следовавшего из Дели в Монреаль; в тот день погибло 329 пассажиров. Теракт 1995 г. в Оклахома-Сити, осуществленный Тимоти Маквеем, в результате которого было разрушено федеральное здание имени Альфреда Марра и погибло 168 человек, был крупнейшим терактом на американской земле.

Однако 11 сентября не стало обособленным событием. Хотя его детали не распознали заранее и предсказать их было бы крайне сложно, у нас имелись причины предполагать возможность атаки масштаба 11 сентября.

Математика терроризма: почему 11 сентября не было обособленным событием

Вам может показаться, что неуместно размышлять о терроризме, используя абстрактные математические выражения, как мы собираемся это сделать далее. Сразу уточню, что это – не замена анализа сигналов, которым занимается разведывательное сообщество. Однако подобный тип мышления может помочь нам заполнить некоторые пробелы и дать более точную оценку угрозы, связанной с терроризмом. Мы сможем точнее оценивать будущие риски, если проанализируем имеющуюся информацию.

В 2008 г. меня пригласили выступить на конференции, устроенной Центром стратегических и международных исследований (CSIS) – научным центром по изучению международной политики, расположенным в Вашингтоне. Выбранное ими время было на редкость неудачным – за две недели до выборов 2008 г. Однако мне сказали, что дискуссия посвящена вопросам национальной безопасности, поэтому я решил, что посетить ее – мой долг.

На конференции собрались эксперты в различных областях. Предполагалось, что коллективный «мозговой штурм» может натолкнуть на пару новых идей о методах предсказания и предотвращения террористических атак. В дискуссии участвовали руководитель отдела маркетинга компании Coca-Cola, полицейский следователь из Нью-Йорка, автор алгоритма для сайта знакомств eHarmony и я (также там присутствовали еще несколько экспертов, чья деятельность была более очевидным образом связана с темой терроризма: сотрудники Госдепартамента, военные или военные подрядчики из окрестностей Вашингтона, округ Колумбия).

Я сделал короткую презентацию, описывающую мою работу по предсказанию исходов в бейсболе и политике, – ее приняли довольно вежливо. Однако, когда настало время вопросов, мне сказали: «Нэйт, это конечно замечательно, но какое, к черту, отношение это имеет к терроризму?» (Я перефразировал сказанное, но лишь слегка.)

Честно говоря, методы, представленные мной на конференции, вряд ли были так уж полезны для анализа в сфере национальной безопасности. Бейсбол и политика – области, богатые данными, которые в свою очередь приносят удовлетворительные ответы. Каждый год проходят тысячи бейсбольных матчей. Выборы случаются реже и требуют осторожности в прогнозах, но во время каждой президентской кампании обнародуются результаты сотен опросов. Вся эта информация находится в открытом доступе, ее можно получить бесплатно или за небольшие деньги.

С терроризмом все обстоит иначе. События, подобные тем, что произошли 11 сентября, которые волнуют нас больше всего, случаются редко. Более того, террористические группировки стремятся скрыть свои намерения – Аль-Каида в этом смысле была особенно эффективна. В сфере терроризма, как и незадолго до Перл-Харбора, отсутствие сигналов может быть более значимым поводом для беспокойства, чем их наличие. Если ЦРУ удается войти в интернет-чат, который, как считается, используется радикальными группировками, то сначала там будет много обычного трепа, когда организации вроде Аль-Каиды всего лишь ищут новых и наивных рекрутов. Однако при планировании теракта ставки слишком высоки, и обсуждения обычно уходят из Сети.

Вряд ли мы сможем найти чудодейственные решения по прогнозированию атак на микроуровне – уровне отдельных террористов или терактов. Вместо этого разведка будет разбираться в ниточках сигналов, о которых я уже говорил. Один из экспертов, с которыми я общался на конференции CSIS, предложил мне интересную метафору: обнаружить террористический заговор сложнее, чем найти иголку в стогу сена, и больше напоминает поиск иголки в груде иголок.

Некоторые проблемы, кажущиеся крайне непредсказуемыми, если рассматривать их по отдельности, упорядочиваются, если отстраниться и посмотреть на общую картину. И в этом смысле взгляд извне на математическое описание терроризма оказался крайне полезным.

Аарон Клаусет, преподаватель Колорадского университета, изучавший физику и информатику, опубликовал ряд статей о математических свойствах всего на свете – от эволюции китов{948} до динамики развития многопользовательских ролевых игр{949}. Разведывательное сообщество давно известно тем, что предпочитает альфа-самцов. Поэтому изыскания Клаусета, чей возраст чуть перевалил за 30 и научные интересы которого столь всеобъемлющи, что могут показаться эксцентричными, были встречены со смесью одобрения и сопротивления.

«Некоторые люди говорили мне, что мои мысли были для них как глоток свежего воздуха, – рассказал мне Клаусет в ходе телефонного интервью. – Но таких мало. Большинство же считало: “Это так странно – ты хочешь использовать математику?”» Впрочем, теория Клаусета довольно проста – или, по крайней мере, кажется таковой в ретроспективе. Одна из его находок состоит в том, что математика терроризма похожа на математику землетрясений, описываемую в моей книге.

Представьте, вы живете в сейсмически активном районе, скажем, в Калифорнии. За период в несколько десятилетий вы регулярно испытываете 4-балльные землетрясения, несколько раз в год переживаете землетрясения магнитудой 5 баллов и еще парочку 6-балльных. Если ваш дом может выдержать 6-балльное землетрясение, но не 7-балльное, можно ли сделать вывод, что вам не о чем беспокоиться? Разумеется, нет. В соответствии со степенным законом распределения, которому подчиняются землетрясения, 5– и 6-балльные землетрясения служат признаком того, что более мощные толчки возможны, а со временем и неизбежны. Сильное землетрясение рано или поздно произойдет, и вы должны к этому подготовиться.

Террористические атаки в некотором роде проявляются похожим образом. Взрыв над Локерби и теракт в Оклахома-Сити можно считать аналогами 7-балльных землетрясений. Они не только разрушительны сами по себе, но и говорят о потенциальной возможности более плохих событий, вроде атаки 11 сентября, которую можно соотнести с 8-балльным землетрясением. Она была не выбросом, а частью расширенной математической модели.

Определение и оценка масштабов терроризма

Для того чтобы рассмотреть статистику терроризма, для начала нам нужно дать ему точное определение, хотя порой это бывает сложно. Владимир Ленин говорил, что цель террора – вселить ужас{950}. Это определение проницательнее, чем может показаться на первый взгляд, – террористы не гонятся за максимальным количеством трупов, их цель – вселить страх в сердца людей и тем самым изменить их поведение. Смерть и разрушения – лишь средства для достижения цели. «Для того чтобы этого добиться, придется убивать людей, – сказал мне Рамсфелд. – Но не это есть цель».

Впрочем, во всем мире можно встретить множество видов жестокости, и ученые стремятся найти более точное определение, отличающее терроризм от его аналогов. Одно из определений, часто используемой базами данных о терактах{951}, гласит, что для того, чтобы считаться терактами, действия должны быть намеренными, включать в себя насилие или угрозу оного, осуществляться «субнациональным субъектом» (то есть не правительствами суверенных государств). Более того, действия должны быть направлены на достижение политической, экономической, социальной или религиозной цели и включать в себя элементы запугивания или принуждения, предназначенные для того, чтобы вселить страх в аудиторию, не входящую в число жертв теракта.

Вид терроризма, больше всего соответствующий этим критериям и наиболее нам знакомый, – сравнительно недавнее изобретение. Политолог из Калифорнийского университета в Лос-Анджелесе Дэвид Ч. Рапопорт датирует его 1979 г.{952} – годом революции в Иране. Он связывает его с религиозным экстремизмом, в особенности среди исламистских группировок.

Эта волна терроризма ассоциируется с резким ростом количества атак против западных стран и их интересов. С 1979 по 2000 г. количество терактов, направленных против стран НАТО, увеличилось почти втрое.

Впрочем, основная часть инцидентов не сопровождалась большим количеством жертв. В период от начала революции в Иране и до 10 сентября 2001 г. в странах НАТО произошло более 4000 терактов. Однако более половины жертв этих терактов погибли в результате лишь семи из них. Три крупнейшие атаки – катастрофа Air India, взрывы над Локерби и в Оклахома-Сити – стали причиной гибели 40 % от общего числа жертв.

Такого рода соотношения между параметрами – когда небольшое количество случаев несет ответственность за бо́льшую часть последствий – описывается степенным законом распределения, так же как и землетрясения. Догадка Клаузета заключалась в том, что теракты также следуют тому же степенному закону распределения.

Рис. 13.4. Соотношение частоты террористических атак в странах НАТО и количества жертв, 1979–009 гг. (линейная шкала)

Если нарисовать график (рис. 13.4), по одной из осей которого отложить количество терактов, а по другой – количество жертв, то поначалу может показаться, что из него вряд ли удастся извлечь что-то полезное. На нем можно четко увидеть, как работает степенной закон – количество атак с большим количеством жертв резко уменьшается. Однако наклон кривой настолько сильный, что закрывает собой любой значимый сигнал. Все, что вы видите, – это большое количество мелких атак, небольшое количество серьезных и немного свободного пространства между показателями. Теракт 11 сентября на этом фоне похож на выброс.

Впрочем, как и в случае с землетрясениями, данные проще понять, если представить их в логарифмическом масштабе (точнее, в двойном логарифмическом масштабе, как на рис. 13.5, где и вертикальная, и горизонтальная оси – логарифмические). Важно подчеркнуть, что я не изменял данные, чтобы их было проще визуализировать. Данные остались прежними, но то, что казалось хаотичным и случайным, упорядочивается при отображении в двойном логарифмическом масштабе, и соотношение между частотой и силой атак образует более-менее прямую линию{953}. В этом и заключается фундаментальная характеристика соотношений степенного закона: если построить график в двойном логарифмическом масштабе, полученная зависимость будет выглядеть прямой как стрела.

Рис. 13.5. Соотношение частоты террористических атак в странах НАТО и количества жертв, 1979–009 гг. (логарифмическая шкала)

Когда дело касается прогнозирования будущих рисков, из некоторых свойств степенного закона вытекают очень важные выводы. В частности, из его применения к терроризму следует, что катастрофы большего масштаба, чем уже произошедшие, действительно возможны, даже если и случаются достаточно редко. При этом страна – член НАТО (не обязательно США) могла стать объектом теракта, уносящего жизни минимум 100 людей, примерно шесть раз за период в 31 год – с 1979 по 2009 г. (Этот результат близок к реальному значению – фактически за этот период произошло семь таких атак.) Также это означает, что атаки, в результате которых возможна 1000 жертв, будут происходить каждые 23 года, а атаки масштаба 11 сентября{954}, уносящие жизни почти 3000 людей, – примерно раз в 40 лет.

Впрочем, описание истории в статистических терминах – не такое уж большое достижение. Разумеется, статистическая модель может учитывать событие, подобное произошедшему 11 сентября, после того как оно уже произошло. Однако можно ли, применяя метод Клаузета, заранее сказать о возможности подобной атаки до того, как она произойдет?

Действительно, 11 сентября некоторым образом изменило наше представление о вероятности подобных событий, точно так же как увеличение количества сильных землетрясений в последние годы свидетельствует, что они более распространены, чем нам могло казаться ранее{955}. Тем не менее даже до 11 сентября, используя для анализа имеющейся информации метод степенного закона, можно было сделать вывод, что атака такого масштаба вполне возможна. Если применить степенной закон к данным, собранным исключительно до 11 сентября – от истоков современной волны терроризма в 1979 г. по 10 сентября 2001 г. включительно (рис. 13.6), – результат покажет, что атака подобного масштаба в стране НАТО может произойти раз в 80 лет, или, грубо говоря, единожды в нашей жизни{956}.

Рис. 13.6. Соотношение частоты террористических атак в странах НАТО и количества жертв, 1 января 1979 г. – 10 сентября 2001 г.

Применение этого метода не позволяет вычислить конкретно, где и когда может произойти атака. Это – долговременная тенденция, аналогичная тенденции повторения землетрясений в Калифорнии. Однако в отличие от землетрясений террористические атаки действительно могут быть предотвращены, и это – важное последствие, вытекающее из гипотезы Клаузета.

Данные подсказывают, что атака масштаба 11 сентября не должна была быть невообразимой. Степенной закон распределения демонстрирует, что в будущем вполне допустимы события большего масштаба, чем все происходившее раньше. Тот факт, что они нам незнакомы, – плохой советчик, когда дело касается их вероятности.

Терроризм магнитудой 9 баллов

Если атаки 11 сентября считать эквивалентными землетрясению магнитудой 8 баллов, что можно сказать о чем-то еще более масштабном – аналоге 9-балльного землетрясения? Метод Клаузета дает повод задуматься о том, что террористические диверсии, способные унести десятки или сотни тысяч людских жизней, – это возможность, с которой следует считаться. Механизм подобных действий не слишком приятен, но его довольно просто вычислить – вероятнее всего, в ней будет использовано оружие массового поражения, в частности ядерное.

К счастью, до сих пор в мире довольно невелик опыт ведения ядерной войны. Атомные бомбы, сброшенные на японские города Хиросиму и Нагасаки в 1945 г. в конце Второй мировой войны, унесли жизни приблизительно 200 тыс. человек{957}. Одна из оценок показывает, что, если бомба такой же мощности сработает в одном из основных портов Нью-Йорка, погибнет порядка 250 тыс. человек{958}. Однако с тех пор технологии усовершенствовались, и более современный снаряд, сработавший в центре Манхэттена, может унести до миллиона жизней{959} и уничтожить недвижимость на несколько миллиардов долларов. Одновременные атаки на Нью-Йорк, Вашингтон, Чикаго и Лос-Анджелес могут привести к 4 млн жертв – заявленной цели Усамы Бен Ладена{960}.

Эти предположения отражают худший вариант развития событий. Поскольку последствия подобной атаки могут быть в сотни раз хуже событий 11 сентября, вопрос о ее возможности давно обсуждается специалистами в области национальной безопасности.

Одно из наиболее пессимистичных предположений было высказано Грэхамом Аллисоном – профессором политологии из Гарварда. Аллисон работал в администрациях президентов Рейгана и Клинтона, а его книги и статьи о Карибском кризисе тысячу раз цитировались другими учеными{961}. Поэтому, когда Аллисону есть что сказать, коллеги к нему прислушиваются.

В 2004 г. Аллисон пришел к тревожному выводу: «Ядерная террористическая атака в Америке в ближайшие десятилетия скорее вероятна, чем нет»{962}. Прогноз Аллисона предполагает, что мы останемся «на том же пути» и будем жить в мире, где действуют опасные террористические группировки, ядерное сырье разбросано по всему миру, а американские политики недостаточно сосредоточены на проблеме.

После теракта 11 сентября прошло уже более 10 лет, однако, когда я беседовал с Аллисоном в 2010 г., он подтвердил, что по-прежнему видит угрозу подобной атаки. Он следует своей позиции весьма буквально. Когда я позвонил Аллисону со своего рабочего места из офиса New York Times, расположенном в квартале от Таймс-Сквер{963}, он сказал, что, находясь в этом месте, он бы, по меньшей мере, нервничал и уж точно не согласился бы работать там каждый день.

Расчеты вероятности Аллисона основаны не на статистической модели. Скорее, это «основание, на котором обычно делают ставки»[177]. Почему он видит такие большие риски? По его словам: «Это – калька с версии Шерлока Холмса о мотиве, средствах и возможности».

Аллисон считает, что мотив террористов определить довольно легко. Усама Бен Ладен сказал, что хочет убить 4 млн американцев, этого можно достичь лишь с помощью ядерной атаки. Аллисон считает основой modus operandi Аль-Каиды «грандиозность» – нерегулярные, но ошеломительные атаки, приводящие к гибели большого количества невинных людей. ЦРУ перехватывало разговоры Аль-Каиды об «американской Хиросиме» еще до 11 сентября{964}.

Под возможностью Аллисон подразумевает способность террористических группировок незаконно ввозить оружие на территорию США. Он почти не сомневается, что это может произойти.

«Каким способом преступники попадают в американские города почти ежедневно?» – спрашивает он. В США более 3700 портов, которые принимают более 6 млн грузовых контейнеров в год, но только 2 % из них проверяются таможенниками непосредственно{965}. «Если вы еще сомневаетесь, они всегда могут спрятаться в тюке марихуаны», – говорит Аллисон, шутя лишь наполовину. Поэтому он больше всего уделяет внимание средствам – то есть способности террористической группировки получить в распоряжение ядерное оружие. Если мы хотим уменьшить риск ядерного аналога 11 сентября, необходимо ограничивать возможность доступа к таким средствам.

Эксперты считают, что на сегодняшний день в мире существует примерно 20 тыс. ядерных боеголовок{966} – их число уменьшилось с абсолютного максимума в 65 тыс., пришедшегося на 1980‑е гг. Теоретически угрозы могут исходить от любой из девяти стран, которые на сегодняшний день владеют ядерным оружием, – даже в США за всю их историю было потеряно 11 ядерных боеголовок{967}, а разработкой ядерного оружия вполне могут заниматься и другие страны. Однако Аллисон больше всего беспокоят две ядерные державы – Россия и Пакистан.

По мнению Аллисона, степень риска ядерной атаки со стороны России снизилась. Благодаря ряду успешных программ, в том числе проведенных при содействии сенаторов Сэма Нанна и Ричарда Лугана, на территории бывших советских республик больше не осталось действующего ядерного оружия. В самой России число боеголовок снизилось с 30 тыс. в 1985 г. до 11 тыс. на сегодняшний день. Однако если риск, связанный с Россией, стал ниже, то угроза, исходящая от Пакистана, заметно выросла. «Если нанести на карту точки хранения оружия массового поражения и террористической активности, все пути пересекаются в Пакистане», – сказал мне Аллисон.

Хотя Пакистан и считается союзником США, он даже в самом широком толковании представляет собой одновременно и проблему, и решение в предпринимаемых усилиях сдерживания терроризма. Пакистан изначально отказался сотрудничать с США после событий 11 сентября, а его президент заявил, что Соединенные Штаты пообещали «разбомбить страну и вернуть ее обратно в каменный век», если она не подчинится{968}. Перед своей смертью Усама Бен Ладен жил в пакистанском Абботтабаде целых шесть лет{969}.

В то же время у Пакистана уже есть около 100 ядерных боеголовок и он стремительно строит дополнительные ядерные объекты и системы доставки{970}. На сегодняшний день Пакистан занимает седьмое место в рейтинге политической нестабильности стран, составленном журналом The Economist. Он стремительно поднялся в этом списке по сравнению с недавним прошлым{971}. Это означает, что риск революции или государственного переворота в стране довольно высок. Новый режим может быть откровенно враждебным по отношению к США. Следовательно, будут выполнены все условия, необходимые террористам для получения доступа к ядерному оружию.

По словам Аллисона, его мнение не менялось с 2004 г., и это вызвано ухудшающейся ситуацией в Пакистане и сохраняющейся угрозой со стороны остальных стран. Его воображение рисует картину вполне вероятной ядерной атаки на США в последующие десятилетия, при условии что нынешний курс останется неизменным.

Есть у Аллисона и свои оппоненты, например Майкл Леви, мой знакомый сотрудник Совета по международным отношениям. Биография Леви слегка эксцентрична, как и биография Аарона Клаузете, – он изучал теоретическую физику в Принстоне и был техническим консультантом в популярном телешоу 24, по сценарию которого группа террористов пытается взорвать ядерную бомбу в Лос-Анджелесе[178].

Леви считает, что определенный риск атаки действительно есть. «Приехав сюда, – рассказал он, – я первым делом нарисовал на карте кольца вокруг Центрального вокзала, чтобы понять, какой вред моей квартире может нанести десятикилотонная бомба». Однако он считает, что Аллисон преувеличивает риски, и ставит под сомнение некоторые из его допущений.

Например, Леви считает, что Аллисон воспринимает мотивы террористов как данность. «Я не утверждаю, что Аль-Каида не хотела бы взорвать Манхэттен, – говорит он. – Однако и группы, и отдельные личности обладают всевозможными стремлениями, но порой они не делают для их осуществления ничего, поскольку сомневаются в своей способности добиться цели». Террористические группировки, по мнению Леви, вынуждены подстраховываться – неудавшаяся попытка раскроет их и привлечет ненужное внимание со стороны правительства США и правительств других стран.

Неудавшийся теракт повлияет на отношение к репутации группировки и со стороны действующих ее членов, и со стороны потенциальных рекрутов. Террористические организации фундаментально слабы и нестабильны, как и только что открывшиеся рестораны, 90 % которых банкротятся в первый год существования{972}. Успех вербовки в ряды террористов во многом зависит от способности вербовщиков убедить своих новых членов в том, что они будут способны искупить все то, что они воспринимают как несправедливость{973}. В частности, необычно долгий срок существования Аль-Каиды может объясняться тем, что очень многие теракты, проведенные ею до 11 сентября, были успешными. Однако, если способность террористической группировки достичь возмездия ставится под сомнение, рекруты могут направиться в другое место.

Ядерную атаку сложно организовать. И дело не в том, что террористические группировки не способны или не хотят осуществлять сложное планирование – атаки 11 сентября разрабатывались на протяжении пяти лет. Однако чем более запутан план, тем больше взаимодействия требуется от большего количества участников, а с каждым из них связан риск дезертирства или разоблачения контртеррористическими организациями. Для проведения ядерной атаки, помимо всего прочего, ее исполнителям потребуются значительные и узкоспециализированные технические знания – значительно бо́льшие по объему, чем понадобилось четырем террористам, научившимся управлять «Боингом-767». Специалистов в ядерной физике и так немного, а тех, кто может быть членом террористической организации, – и того меньше{974}. «Что-то могло бы получиться, если бы они нашли парня с дипломом инженера и поставили его во главе коллектива ядерщиков, – рассуждает Леви. – Но я не думаю, что это так уж вероятно».

В конечном счете, цель террористов заключается не в том, чтобы убить как можно больше людей. Скорее, они стремятся вселить в них ужас и изменить их поведение. Ядерная атака, безусловно, потрясет всех нас, но она не будет в сто или даже тысячу раз страшнее 11 сентября, несмотря на то что убьет в сто или тысячу раз больше людей. Если шансы на успех невысоки, то, возможно, для террористов этот вариант будет не самым эффективным средством достижения цели.

Остальные специалисты в области национальной безопасности, например Рамсфелд, больше обеспокоены возможностью биологической атаки. Для осуществления биологической атаки потребуется меньше знаний, чем для ядерной, а эффект будет столь же устрашающим. Более того, этот страх нам еще не знаком. В частности, если биологическое средство было заражено, например, вирусом оспы, оно будет оставаться таковым на протяжении недель или даже месяцев. Школы и торговые центры закроются, больницы объявят карантин. Закрытыми окажутся и государственные границы. В этом случае будет куда сложнее восстановиться после удара, и потребуется значительно больше времени, чем те несколько дней, который понадобились Нью-Йорку после 11 сентября.

«Биологическое оружие совершенно другое. Оно заставляет нас чувствовать себя неуютно. Люди знают, насколько ужасно ядерное оружие, – говорит Рамсфелд, – но если речь идет о чем-то инфицированном, причем эта инфекция способна передаваться через поколения и модифицировать гены, то этот страх будет в корне отличаться от того, что мы испытываем перед ядерным или даже химическим оружием». Количество жертв биологической атаки сложно подсчитать – так же как и распространение любого инфекционного заболевания трудно предсказать до того, как оно произойдет (о чем мы уже говорили в главе 7). Тем не менее худший вариант развития событий, безусловно, очень плох. Моделирование под названием «Темная зима»{975}, проведенное военными в 2001 г., предполагало вариант, при котором 3 млн американцев заразятся оспой и 1 млн из них погибнет, если террористы смогут распространить вирус, параллельно атакуя торговые центры в Оклахома-Сити, Филадельфии и Атланте.

Подумаем о терроризме более широко

Метод Клаузета не позволяет определить средство проведения теракта магнитудой 9 баллов, он лишь утверждает, что подобная атака возможна. Судя по количеству жертв атак, произошедших с 1979 по 2009 г., из модели, основанной, как и модель Клаузета, на степенном законе, следует, что вероятность атаки, способной унести жизни по меньшей мере 10 тыс. человек на территории одной из стран НАТО в следующие несколько десятилетий, составляет примерно 10 %. Вероятность теракта, при котором могут погибнуть 100 тыс. человек, равна 3 %, а миллион и более человек – 0,6 %.

К подобным расчетам стоит относиться с осторожностью. Значительная доля неопределенности по-прежнему существует, особенно если речь идет о вероятности столь крупномасштабных событий, а применение слегка отличающихся версий метода приводит к слегка отличающимся выводам.

Впрочем, мы можем извлечь пользу, сравнивая возможность совершения терактов и землетрясений еще в одном аспекте. Согласно закону Гуттенберга – Рихтера, в долгосрочной перспективе частота землетрясений снижается в 10 раз при увеличении магнитуды на один балл.

Однако зависимость энергии, выделяемой во время землетрясений, от их магнитуды экспоненциальная. В частности, при каждом увеличении магнитуды на один балл выброс энергии увеличивается в 32 раза. То есть при землетрясении магнитудой 6 баллов высвобождается в 32 раза больше энергии, чем при землетрясении магнитудой 5 баллов, но в то же время 7-балльное землетрясение уже почти в 1000 раз мощнее 5-балльного.

Мощность землетрясений растет быстрее, чем снижается их частота. Если на 10 землетрясений магнитудой 6 баллов приходится одно 7-балльное, последнее принесет гораздо больше ущерба{976}, чем первые 10, вместе взятых. Действительно, за бо́льшую часть сейсмической энергии ответственна лишь небольшая часть землетрясений. Например, за сотню лет между 1906 и 2005 гг. лишь три крупных землетрясения – в Чили в 1960 г., на Аляске в 1964 г. и на Суматре в 2004 г. – отвечают за половину высвобожденной в результате землетрясений энергии на протяжении целого столетия. Следовательно, сейсмологи и специалисты по экстремальным ситуациям больше беспокоятся о крупнейших землетрясениях. Более скромное землетрясение, случившееся в неподходящее время в неподходящем месте, может вызвать колоссальные разрушения (как землетрясение магнитудой 7 баллов на Гаити в 2007 г.), но куда чаще нас волнуют землетрясения с высокой магнитудой, даже если они и случаются довольно редко.

Вернемся к терактам. Атаки 11 сентября унесли жизни 2977 человек, не считая самих террористов, – больше, чем в результате всех остальных атак, произошедших в странах НАТО в период с 1979 по 2009 г., вместе взятых (рис. 13.7). При этом единственная ядерная или биологическая атака может заставить показаться это количество жертв довольно незначительным.

Рис. 13.7. Количество жертв террористических атак в странах НАТО, 1979–009 гг.

Даже если Леви и прав в том, что касается крайне низкой вероятности подобных атак, они все равно представляют собой основную угрозу. К примеру, метод степенного закона оценивает вероятность атаки, которая унесет жизни миллиона человек (например, в результате взрыва атомной бомбы на Таймс-сквер), на уровне 1 к 1600 в год. Однако миллион людей, погибающих 1 раз в 1600 лет, – это 625 смертей в год, что больше, чем 180 человек в год, погибших в странах НАТО в результате терактов с 1979 г. Когда дело касается терроризма, нужно мыслить масштабно – думать о вероятности событий с высокой магнитудой и о том, как мы можем ее снизить, пусть и минимально. Следовательно, сигналы, указывающие на подобные масштабные атаки, должны иметь стратегический приоритет.

Можно сказать, что этот математический аргумент позволяет взглянуть на масштабные угрозы под другим углом зрения, отличающимся от того, которого придерживаются специалисты, повседневно занимающиеся внутренней безопасностью. В 1982 г. специалисты в области общественных наук Джеймс К. Уилсон и Джордж Л. Келлинг разработали теорию «разбитых окон», описывающую предотвращение преступлений{977}. Идея заключалась в том, что, сосредоточиваясь на мелкой преступности вроде вандализма и бытовых злоупотреблений наркотиками{978}, полиция могла улучшать криминогенную обстановку в целом и, следовательно, предотвращала более крупные преступления.

Эмпирические подтверждения этой теории довольно неоднозначны{979},{980}. Однако она была тепло принята полицейскими отделениями от Лос-Анджелеса до Нью-Йорка, поскольку облегчала их работу и позволяла сформулировать легкодоступные цели. Гораздо проще арестовать 16-летнего подростка с косяком, чем расследовать угон автомобиля или предотвратить убийство. Всем нравится жить в чистых, безопасных районах. Тем не менее до конца не ясно, предоставляет ли теория «разбитых окон» нечто большее, чем «косметический ремонт».

Все более обременительные правила пользования коммерческими авиалиниями попадают в категорию, которую специалист по безопасности Брюс Шейнер называет «театром безопасности»{981}: они вводятся больше напоказ, чем для предотвращения терактов. Разумеется, беспокойство о безопасности аэропортов нельзя считать иррациональным, в прошлом самолеты становились объектом большого количества терактов, а терроризму присуще повторение шаблонов{982}. Но даже с учетом катастроф, не связанных с терроризмом, на коммерческом рейсе американской авиакомпании в 2000‑е гг. погибал всего лишь один пассажир из 25 млн{983}. Даже если вы летаете на самолете по 20 раз в год, вероятность попасть под удар молнии примерно в два раза выше.

Почему террористы не взрывают торговые центры?

Основные усилия в настоящее время направлены на то, чтобы расстроить планы «тупых» террористов – а их предостаточно, стоит лишь вспомнить парня с бомбой в трусах. Умный террорист, скорее всего, сможет раскусить эту систему или станет рассматривать менее защищенные цели, например автобусы или поезда. Ему даже не придется проходить за стойку регистрации – в других зонах аэропортов людей столько же, а охраны меньше. И террористы уже догадались об этом: в 2011 г. смертник взорвал бомбу в зоне прилета московского аэропорта Домодедово, что привело к гибели 35 человек{984}.

К слову, существует неограниченное количество потенциальных неохраняемых объектов, не связанных с транспортной системой. Почему бы террористам не расстрелять торговый центр?

Одна из причин относительно небольшого количества терактов на самом деле заключается в том, что самих террористов не так уж и много. Посчитать их по головам сложно, но, согласно одному часто цитируемому предположению, на пике своей активности Аль-Каида могла похвастаться наличием лишь 500–1000 соратников{985}. В это число включены все приспешники и поклонники, а также люди, чья работа в Аль-Каиде заключается в деятельности, не связанной с насилием, – например, кому-то надо перезапускать их серверы, когда они ломаются. Кэтлин Карли, специалист Университета Карнеги – Меллон по изучению социальных сетей повстанческих организаций, рассказала мне, что даже внутри группировки, которую мы считаем экстремистской, лишь 1 % участников является «экстремистом» в полном смысле слова. Гораздо проще способствовать массовому джихаду, будучи IT-консультантом Бен Ладена, чем взорвать себя посреди оживленного торгового центра.

Тем не менее, задаваясь подобными вопросами, стоит быть осторожными: возможно, мы снова путаем неизвестное с маловероятным. Вопрос о том, почему же террористы не выбирают в качестве объектов торговые центры, покажется странным жителю Израиля, где подобное происходит постоянно.

Израильский подход к предотвращению терроризма

Один из очевидных аргументов критиков гипотезы степенного закона Клаузета заключается в том, что, в отличие от землетрясения, терроризм можно остановить руками человека.

Исследования Клаузета предполагают, что степенной закон распределения проявляется не вопреки, а благодаря конкуренции между террористами и противодействию им, осуществляемому силами по борьбе с терроризмом. Распределение точек на графике определяется стратегиями, используемыми в борьбе с терроризмом в разных странах. Существует своего рода равновесие между террористами и обществом, баланс между свободой и безопасностью, хотя он может и варьироваться в зависимости от места и времени{986}. Если мы хотим жить в свободном обществе, то должны всегда признавать наличие риска терроризма – хотим мы этого или нет.

«В будущем, мы увидим его возрастание и убывание, – говорит Рамсфелд. – Вероятно, мы остаемся очень уязвимыми перед лицом терроризма, будучи свободными людьми. Такова наша природа. Мы хотим иметь возможность просыпаться по утрам, и отправлять детей в школу, и не оглядываться по сторонам, чтобы проверить, не убьет ли нас что-нибудь. И если нам придется кардинально изменить поведение свободных людей, то можно считать, что террористы победили». Хотя Израиль и становится объектом терактов гораздо чаще, чем США, его жители не живут в страхе перед терроризмом. Проведенный в 2012 г. опрос израильских евреев показал, что лишь 16 % из них считает терроризм наибольшей опасностью{987}, то есть не больше, чем количество людей, обеспокоенных состоянием образовательной системой Израиля.

Ни один израильский политик не скажет напрямую, что он приемлет мелкомасштабный терроризм, но именно это и происходит в стране. Они терпят, потому что альтернатива – народ, парализованный страхом, – будет в точности соответствовать целям террористов. Ключевой элемент в стратегии страны – сделать жизнь как можно более нормальной для людей после атаки. Например, полиция стремится расчистить место террористической атаки в течение четырех часов после взрыва{988}, чтобы дать всем возможность вернуться к работе, отдыху и другим делам. Мелкомасштабный терроризм воспринимается как преступление, а не как экзистенциальная угроза.

Чего Израиль действительно не приемлет, так это возможности крупномасштабного терроризма (вероятность которого повышается, если, допустим, одна из соседних стран обзаведется оружием массового поражения). Есть свидетельства, что такой подход успешен: Израиль – единственная страна, которой удалось переломить кривую Клаузета. Если построить график жертв терактов в Израиле, используя метод степенного закона (рис. 13.8), мы увидим, что крупномасштабных атак в стране оказывается значительно меньше, чем прогнозирует степенной закон. Ни один из инцидентов, произошедших после 1979 г., не стал причиной гибели более чем двух сотен человек. Тот факт, что график, показывающий соотношение между количеством жертв и количеством терактов, для Израиля отличается от графика для других стран, говорит о том, что наши стратегические решения в этой области действительно имеют значение.

Рис. 13.8. Соотношение частоты террористических атак в Израиле и количества жертв, 1979–009 гг.

Как трактовать сигналы террористов

Какие бы стратегические решения мы ни принимали и на какие бы компромиссы между свободой и безопасностью ни шли, начинать нужно с сигнала. Поэтому качественная разведка остается на первой линии нашей обороны по предотвращению терактов.

Одна из заявленных целей войны в Ираке заключалась в предотвращении дальнейшего распространения в стране программы по созданию оружия массового поражения. Разумеется, оружия массового поражения там практически не оказалось. В результате проведения ряда независимых исследований решения о вторжении в Ирак специалисты пришли к выводу, что при Буше не существовало давления со стороны Белого дома на разведывательное сообщество с тем, чтобы оно предоставляло ложную информацию. В то время организации вроде ЦРУ действительно придерживались единого мнения, что Ирак активно разрабатывает оружие массового поражения{989}. Однако Белый дом искажал разведданные для американцев в некоторых важных аспектах{990}.

Хотя эта точка зрения имеет право на жизнь, я не уверен, что мы действительно можем четко отделить то, что администрация Буша заявляла публично, от того, во что она верила сама, и того, что ей сообщали специалисты разведки. При анализе сигналов, так же как и других типов прогнозов, в клубке информации легко разглядеть то, что хочется. Недостоверные источники вроде Curveball – выходца из Ирана Равида Ахмеда Альвана Аль-Джанаби (который впоследствии признался, что сфабриковал свидетельства об иракской программе разработки биологического оружия в надежде, что это подвигнет Запад на уничтожение режима Саддама Хуссейна{991}) – могут быть легко приняты на веру в атмосфере ожидания войны.

Как мы узнали из главы 9, во время игры в шахматы люди обычно сосредоточиваются на одном или двух потенциальных ходах, игнорируя другие, которые могут быть эффективнее. Компьютеры, анализирующие все возможности, меньше подвержены этой ошибке, и ходы, которые могли бы считаться гениальными, будь они сделаны Бобби Фишером или Гарри Каспаровым, часто просчитываются на ноутбуке всего за несколько секунд. Компьютеры не анализируют каждый из этих ходов так же глубоко, как и мы. Однако они рассматривают альтернативы иначе. Компьютеры широко раскидывают сети вместо того, чтобы искать идеальное решение.

Если ожидать от мира, что он поделится на детерминистские линии возможного и невозможного с минимумом пространства для маневра, окажется, что, с одной стороны, наши предсказания чересчур самоуверенны, а с другой – мы останемся с неизвестными неизвестными. Мы не так уж сильны в предсказаниях, и нам стоит перестраховываться, вместо того чтобы, подобно ежам Фила Тэтлока, делать ставку на одну-единственную гипотезу.

Вероятно, ни в одной другой сфере эти навыки не подвергаются таким испытаниям, как в сфере национальной безопасности. Как отмечает Брюс Шнейер, суть проблемы безопасности заключается в том, что нас определяет наше самое слабое звено{992}. Если вы установите на входную дверь титановые пластины, поставите вооруженных охранников и фалангу питбулей, это не принесет пользы, если рядом с ней имеется хлипкая задняя дверь, через которую пролезет любой никудышный грабитель. Эти угрозы асимметричны – вся мощь американского флота в Тихом океане не помогла бы нам, когда корабли японского флота, просочившись через наши неукрепленные позиции, обнаружили, что бо́льшая часть нашего арсенала, как по заказу, размещена в одном месте. Вот почему события, подобные атакам 11 сентября или на Перл-Харбор, порождают такой когнитивный диссонанс. Несложно предсказать, где наши враги нападут на нас: там, где мы меньше всего этого ожидаем.

Некоторые из типов мышления, к которым я призываю в этой книге, могут оказаться полезными в сфере национальной безопасности{993}. Например, байесовский подход к вероятностям, скорее всего, можно сопоставить с принятием решений в условиях сильной неопределенности. Он призывает нас одновременно держать в уме большое количество гипотез, давать им вероятностную оценку и часто обновлять значение вероятности при появлении новой более-менее подходящей информации.

Ближе всего мы подобрались к разгрому Аль-Каиды в преддверии 11 сентября, когда арестовали Закариаса Муссауи, исламского экстремиста, проявившего странный интерес к управлению «Боингом-747». Мог ли он объяснить свое желание безобидным интересом? Думаю, он вполне мог оказаться каким-нибудь летчиком с кучей свободного времени. Однако если бы мы серьезно задумались о гипотетической возможности угона самолета террористами, чтобы врезаться на них в здания, то новая информация помогла бы значительно повысить оцениваемую вероятность этого события. Мы же не стали даже рассматривать эту гипотезу – она была для нас неизвестным неизвестным. Комиссия по расследованию событий 11 сентября пришла к заключению, что «система не была настроена воспринимать потенциальную значимость этой информации», следовательно, арест Муссауи ничем не помог нам в раскрытии замысла заговорщиков{994}.

Это не означает, что сотрудники нашей разведки все поняли неправильно. Если обвинять кого-нибудь в провалившейся попытке обнаружить атаку 11 сентября, то следовало бы даже похвалить администрации как Буша, так и Обамы за то, что с тех пор терактов не было. 11 лет назад я бы не предрек подобный итог. Подобно судье в бейсболе, аналитик разведки рискует оказаться виноватым, когда что-то идет не так, но никто не замечает его, когда он хорошо делает свою работу. Я не считаю, что в этой области предсказания полностью проваливаются, как в некоторых других сферах, описываемых мной в этой книге. Если брать в расчет степень серьезности испытаний, то можно считать, что мы смогли достичь немалых успехов.

Кроме этого, комиссия постановила, что самой главной первопричиной неудачи был недостаток воображения. Создавая прогнозы, мы должны сохранять баланс между любопытством и скептицизмом{995}. Их вполне можно совмещать между собой. Чем более критически мы изучаем и проверяем наши теории, тем более охотно признаём, что наши знания о мире неполные, а идеальные предсказания невозможны, А это значит, что мы будем меньше бояться неудач и станем свободнее мыслить. Зная больше о том, чего мы не знаем, мы сможем достичь успеха в большем количестве предсказаний.

Всегда есть такие комбинации, которые шорт-стоп высшей бейсбольной лиги может разыграть, есть и такие, которые ни за что не сможет, а для осуществления некоторых из них ему придется бросаться за мячом. Броски шорт-стопа невероятно впечатляют и привлекают внимание. Однако они же могут привести и к близорукой оценке его способностей.

Легендарного шорт-стопа Дерека Джитера часто обсуждали в эпоху «Moneyball». Телерепортеры и скауты замечали, что Джитер особенно часто делает рывки за мячом, и на этом основании решили, что он исключительный шорт-стоп, но, как показала статистическая обработка его результатов, это мнение было ошибочным{996}. Хотя Джитер и был потрясающим спортсменом, он часто долго готовился к броску и делал рывок только потому, что пытался нагнать упущенное время. Цифры показывали, что Джитер был довольно посредственным шорт-стопом, несмотря на то что выиграл пять Золотых перчаток. На самом деле великий шорт-стоп вроде Оззи Смита с легкостью поймал бы мячи, за которыми Джитеру приходилось нырять, – возможно, его хвалили меньше как раз потому, что в его исполнении это выглядело обычным делом (рис. З .1).

Рис. З .1. Диапазон бросков шорт-стопов

Какие бы способности мы ни имели, перед нами всегда будут вставать задачи, для решения которых потребуется применение их на пределе возможностей. Если судить себя только по тому, что дается нам с трудом, мы будем воспринимать как должное все то, что удалось сделать с легкостью.

Одно из самых впечатляющих и правильных предсказаний в истории человечества было сделано английским астрономом Эдмундом Галлеем. В 1705 г. он предсказал, что гигантская комета вернется к Земле в 1758 г. И хотя многие сомневались в правильности этого предсказания, но комета вернулась как раз в указанное время{997}. В древности кометы считались абсолютно непредсказуемыми божественными знамениями{998}, сейчас же они для нас зловеще регулярны и предсказуемы.

Астрономы предсказывают, что в следующий раз комета Галлея приблизится к земле 28 июля 2061 г. К этому времени решение многих проблем, с которыми мы сталкиваемся на этом свете и которые досаждают нам, мешая делать прогнозы, будет нам доступно. Законы природы меняются не столь явно. По мере того как человеческие знания продолжают расширяться (а это происходит со времен изобретения печатного станка Гутенбергом), мы постепенно начинаем понимать сигналы природы лучше, пусть и не знаем всех ее секретов.

Герои этой книги – наука и технология, но не стоит забывать, что в эпоху Больших данных человечество рискует начать мечтать о том, чего оно не в состоянии достичь.

Однако нет причин полагать, что дела людские становятся более предсказуемыми. Скорее, происходит обратное. Та же самая наука, что открывает законы природы, усложняет устройство общества. Технология существенно влияет на наше отношение друг к другу. Интернет «полностью меняет контекст, расчеты, динамику распространения информации», – поведал мне Тим Бернерс-Ли, человек, который в 1990 г. изобрел Всемирную паутину{999}.

Объем информации растет в геометрической прогрессии. Однако сравнительно небольшая ее часть полезна – соотношение сигнала к шуму падает. Нам нужно научиться лучше их различать.

Эта книга не о том, что мы знаем, она скорее о различии между тем, что мы знаем, и тем, о чем думаем, что знаем. Она предлагает стратегию, позволяющую уменьшить этот пробел. Стратегия требует совершить один гигантский скачок и нескольких маленьких шажков вперед. Нам нужно всего лишь сделать шаг в байесовский образ мыслей о предсказаниях вероятности.

Думайте в категориях вероятности

Теорема Байеса начинается и заканчивается выражением вероятности реального события. Она не требует веры в то, что мир по сути своей неопределен. Теорема была предложена в то время, когда доминирующей парадигмой в науке считалась непрерывность законов Ньютона. Однако от вас лишь потребуется принять тот факт, что ваши субъективные воззрения на мир представляют собой лишь примерное отображение истины.

Вероятностный элемент байесовского метода может на первый взгляд показаться неудобным. Нас вряд ли учили думать подобным образом (если только мы не выросли, играя в карты или другие азартные игры). Школьная математика уделяет бо́льшую часть времени изучению абстрактных предметов – алгебры и геометрии, а не элементам теории вероятности и статистике. Во многих ситуациях в жизни неопределенность воспринимается как слабость.

Когда вы впервые начинаете просчитывать вероятности, они могут показаться вам малоинформативными. Однако есть и две хорошие новости. Во-первых, эти предположения – лишь начало пути: теорема Байеса заставит вас проверять и дополнять их по мере получения новой информации. Во-вторых, имеются свидетельства того, что мы действительно можем стать лучше. Например, в армии время от времени по этой методике обучают солдат{1000} и получают довольно неплохие результаты{1001}. Известно также, что врачи ставят диагнозы, используя байесовский метод{1002}.

Так что нам, пожалуй, стоит брать пример с докторов и военных, а не с ученых мужей из телевизора.

Наш мозг обрабатывает информацию, используя метод аппроксимаций{1003}. Это не экзистенциальная, а скорее, биологическая данность. Мы воспринимаем больше информации, чем можем осознанно принять к сведению, и справляемся с проблемой, выделяя в ней закономерности и паттерны.

Когда люди попадают в стрессовые ситуации, они утрачивают способность видеть проявления таких закономерностей. Анализируя рассказы людей, выживших после катастроф, подобных теракту 11 сентября, ученые обнаружили, что те могли вспомнить мельчайшие детали пережитого, оставаясь отстраненными от полной картины{1004}. В таких случаях первое проявление наших инстинктов может оказаться очень слабым и часто не позволяет осознать степень опасности. Те же, кто уже приобрел когда-то опыт принятия решений под воздействием колоссального стресса, например на поле боя, с большей долей вероятности были способны проявить героизм и выводили людей в безопасное место{1005}.

Точно так же наш мозг упрощает и аппроксимирует происходящее в повседневной жизни. По мере накопления опыта упрощение и аппроксимация станут для нас полезными спутниками и будут встраиваться в наше практическое знание{1006}. Однако они не идеальны, мы до сих пор часто не понимаем, насколько они приблизительны.

Давайте рассмотрим следующие семь утверждений, связанных с гипотезой эффективных рынков, и подумаем, сможет ли один инвестор переиграть фондовый рынок. Каждое из утверждений приблизительно, но обратите внимание, каким образом каждое последующее уточняет предыдущее.

1. Ни один инвестор не может переиграть фондовый рынок.

2. Ни один инвестор не может переиграть рынок в долгосрочной перспективе.

3. Ни один инвестор не может переиграть фондовый рынок в долгосрочной перспективе, если учитывать уровень его риска.

4. Ни один инвестор не может переиграть фондовый рынок в долгосрочной перспективе, если учитывать уровень его риска и операционные издержки.

5. Ни один инвестор не может переиграть фондовый рынок в долгосрочной перспективе, если учитывать уровень его риска и операционные издержки, если только у него не будет инсайдерской информации.

6. Очень мало найдется инвесторов, способных переиграть фондовый рынок в долгосрочной перспективе, если учитывать уровень риска и операционные издержки, если только у них не будет инсайдерской информации.

7. Сложно сказать, сколько инвесторов сможет переиграть фондовый рынок в долгосрочной перспективе, учитывая, что в данных очень много шума. Но мы знаем, что большинство инвесторов не может это сделать, учитывая уровень риска и то обстоятельство, что трейдинг не позволяет получать чистую прибыль, однако всегда предполагает операционные издержки, поэтому, если у вас нет инсайдерской информации, лучше инвестировать в индексный фонд.

Первая аппроксимация – голое утверждение, что ни один инвестор не может переиграть фондовый рынок, – крайне внушительно. К тому моменту, когда мы доходим до последнего, полного неопределенности, у нас возникает столько уточнений, что фраза раздувается до огромных размеров. Однако несомненно, что это утверждение можно считать более полным описанием объективного мира. Нет ничего плохого и в первом утверждении, и в последнем, когда была использована аппроксимация. Если вы встретите человека, который ничего не знает о фондовых рынках, и скажете ему, что их нельзя переиграть, воспользовавшись для этого сырой формулировкой номер один, это будет лучше, чем ничего.

Проблемы возникают, когда мы ошибочно принимаем аппроксимацию за реальность. Идеологи, подобные «ежам» Фила Тэтлока, поступают именно таким образом. Простые утверждения кажутся им более универсальными и более соответствующими великим истинам и теориям. Однако Тэтлок обнаружил, что «ежи» плохо справляются с предсказаниями – они упускают из виду все те мелочи, которые свойственны реальной жизни и делают прогнозы более точными.

Несомненно, мы неплохо соображаем, но Вселенная, в которой мы живем, – непостижимо велика. Преимущество умения думать в категориях вероятности обусловлено тем, что вы заставляете себя останавливаться, присматриваться к информации, замедляться и проверять недостатки своих умозаключений. Со временем вы поймете, что принятие решений удается вам все лучше и лучше.

Знайте, откуда идете

Теорема Байеса требует от нас точной оценки вероятности каждого события прежде, чем мы начнем взвешивать данные. Это называют оценкой априорных убеждений.

Откуда берутся априорные убеждения? В идеале мы делаем выводы на основании нашего прошлого личного или даже коллективного опыта. Полезную роль здесь могут сыграть рынки. Разумеется, рынки несовершенны, но чаще всего коллективная оценка оказывается лучше индивидуальной. Рынки являются, по сути, отличной отправной точкой, относительно которой можно взвешивать новую информацию, особенно если вы не уделили достаточно времени изучению проблемы.

Разумеется, рынки доступны далеко не в каждом случае. Часто в качестве утверждения по умолчанию приходится выбирать нечто иное. Порой в качестве байесовской априори может выступать обычный здравый смысл, не позволяющий сразу принимать на веру выводы статистической модели. (Эти модели – лишь аппроксимации, и часто довольно грубые, хотя порой и кажется, что они обещают математическую точность.) Информация становится знанием только в определенном контексте. Без него мы не можем отличить сигнал от шума, а поиск истины переполняется ложными результатами.

Теорема Байеса не допускает отсутствия априорных убеждений. Вы должны поработать над собой, чтобы умерить количество ваших предубеждений, но если вы говорите, что их нет, – значит, у вас их слишком много. А если вы способны сформулировать свои убеждения: «Вот откуда я к этому пришел»{1007} – значит, вы работаете добросовестно и признаёте, что пропускаете реальность сквозь свой субъективный фильтр.

Пробуйте и ошибайтесь

Возможно, следующий байесовский принцип применять проще всего: делайте много прогнозов. Вероятно, вы не захотите ставить на кон свой бизнес или жизнь, особенно поначалу[179], но это единственный способ стать лучше.

Теорема Байеса утверждает, что нам следует каждый раз при появлении новой информации обновлять прогнозы. С менее буквальной версией этой идеи мы все знакомы: это обычный метод проб и ошибок. Такие компании, как Google, у которых действительно есть Большие данные, не уделят моделированию слишком много времени[180]. Ежегодно они проводят тысячи экспериментов и тестируют свои идеи на реальных потребителях.

Теорема Байеса призывает нас быть дисциплинированными в том, как мы «взвешиваем» новую информацию. Если наши идеи чего-то стоят, мы должны быть готовы проверять их, выдвигая гипотезы, которые можно опровергнуть, и прогнозы, которые можно проверить временем. Как правило, мы не способны осознавать, как много шума в данных, и предвзято делаем ставку на новейшую информацию. Политические обозреватели часто забывают, что в опубликованных результатах опросов перед выборами всегда надо учитывать предел погрешности, а финансовые репортеры далеко не каждый раз могут донести до читателей, насколько неточными бывают порой данные экономической статистики. И в новостях достаточно часто встречаются так называемые выбросы[181].

Но мы можем размышлять и совершенно по-другому, когда слишком вкладываемся в проблему, как в личном, так и в профессиональном плане, и нам бывает тяжело изменить свое мнение, когда факты этого требуют. Если эксперт – один из тэтлоковских «ежей», то гордость может помешать ему изменить прогноз, даже когда данные расходятся с его картиной мира. Фанатиков, ожидающих, что любую идею можно уместить на бамперной наклейке, ждут все стадии разочарования, пока они не примут тот факт, что слишком упрощают реальность.

Чем чаще вы будете готовы проверять свои идеи на практике, тем скорее вы научитесь на своих ошибках и сможете избегать подобных проблем в будущем. Только герои кинофильмов могут долго смотреть в океан, ожидая озарения. В реальном мире идеи редко приходят, когда вы стоите на месте{1008}. «Большие» идеи тоже совсем необязательно появляются таким образом. Куда чаще мы идем по пути прогресса маленькими, незначительными шажками.

Наше восприятие предсказуемости

Нам сложно предсказывать как раз потому, что это очень важно: именно здесь пересекаются объективная и субъективная реальности. Чтобы отличить сигнал от шума, необходимы как научное знание, так и знание себя самого, а также спокойствие, чтобы принять то, что мы не можем предсказать, смелость, чтобы предсказать то, что можем, и мудрость, чтобы понять разницу между ними{1009}.

Наше мнение о том, насколько предсказуем мир, не раз изменялось с годами. И оценить его можно по количеству упоминаний слов «предсказуемо» и «непредсказуемо» в научных журналах{1010}. В начале XX в. оба слова использовались почти так же часто, как и каждое в отдельности. Великая депрессия и Вторая мировая война отвели «непредсказуемости» господствующее положение. По мере того как мир исцелялся от последствий кризисов, слово «предсказуемость» снова стало популярным, и пик его использования пришелся на 1970‑е гг. В последнее время частота упоминания слова «непредсказуемость» снова растет (рис. З .2).

Подобное восприятие предсказуемости больше подвержено влиянию научных тенденций{1011} и недолговечности нашей памяти (случалось ли недавно что-нибудь плохое?), чем прорывам в нашей способности делать прогнозы. Наше мнение о себе как об успешных предсказателях и реальность часто не соответствуют друг другу. И 1950‑е гг., время, когда мир все еще отходил от потрясений, связанных с войной, и считался относительно непредсказуемым, были более продуктивны и в сфере экономики{1012}, и в науке{1013}, чем 1970‑е, когда мы думали, что можем предсказать все, но на самом деле не могли.

Эти изменения нашли отражение не только в научных журналах. Если нарисовать тот же график, основанный на использовании слов «предсказуемое» и «непредсказуемое» в англоязычной художественной литературе, он будет выглядеть так же, как рис. З .2{1014}. Непредсказанные катастрофы, даже если они не оказали на нас воздействия, лишают нас уверенности в том, что мы сами управляем своей судьбой.

Однако мы предвзято считаем, что способность делать предсказания у нас лучше, чем на самом деле. Первые 12 лет нового тысячелетия были ухабистыми – одна непредсказуемая катастрофа следовала за другой. И пусть мы всегда будем возрождаться из пепла – побитыми, но не побежденными, чуть более скромными, когда дело касается наших способностей к прогнозам, и чуть менее склонными к повторению своих ошибок.

Рис. З .2. Изменение соотношения упоминаний слов «предсказуемость» и «непредсказуемость» в научных трудах, 1900–012 гг.