奇书网

第二节 社会科学解释的复杂性研究路径（第2页）

一方面，动态系统可以根据系统内部是否包含规则性或因果关系，分为“决定论”系统和“非决定论”系统。决定论现象或系统根据一组特定的规则或因果关系活动，因此系统的状态可以通过其内部规则性或因果关系或系统的上一个状态得到解释。非决定论系统显示出状态与状态之间的独立性，系统状态的变化具有随机性。

决定论系统又可以分为线性决定论系统和非线性决定论系统。线性决定论系统本质上都是模块化的，通过把它分解成部分并通过对每一部分的考察，就可以实现对系统的解释。非线性决定论系统则不能通过将其分解成模块来得到解释，因为其构成的关键是：整体以一种全新的复杂的组合方式把部分组合起来，这样所形成的系统属性即为功能性部件，这些功能性部件只有在整体系统中才有意义。复杂系统本体论的实质就在于系统还原为它的部分时所失去的功能部件，解释复杂系统的关键也在于解释功能部件的形成过程。非线性系统的特性正是不属于初始系统的新形式或行为的突现。

另一方面，线性系统是有规律的、周期性的，因此可预测；而非线性系统则会生成非周期性吸引子，因此只有在熟练掌握系统中起主导作用的方程和系统的所有变量时，才可以预测短期内非线性系统的行为。但即使在这种理想状态下，随着系统迭代次数的增加，预测能力也会急剧下降，使得对系统行为做出长期预测变得困难，甚至不可能。

非决定论系统也叫随机系统，分为布朗—温和随机性和曼特伯罗—野性随机性。布朗—温和随机性是一种点对点随机性，缺少结构和模式。曼特伯罗—野性随机性与布朗—温和随机性相对，其分布变化是无穷的。社会现象和系统主要分布在非线性决定论系统和野性随机性系统之间。因此，在类似社会现象这样的复杂适应系统中，非线性决定论和野性的分形分布的解释力是非常强大的，这些方法在社会科学解释中应给予足够重视。

对动态社会现象和系统的内部运行机制的复杂性分类，并不是要证明绝大多数社会现象和系统是不可控的、不能预测的，相反，是要说明：一方面，在构造复杂现象的社会科学解释模型时，要善于发现表面上随机的复杂现象中潜在的规则性，通过这种规则性或关联性来进行解释。如果没有这种规则性，则要在社会系统的功能性部件形成的过程中来构建解释。另一方面，标准随机项不一定是模拟复杂现象的必要条件，在很多情况下，简单的决定论方程通过引入维度或自由度等要素，也可以模拟复杂的行为，而这依赖于数学和计算能力的提高。比如，“黑农映射”的例子就显示了一个二维决定论系统生成混沌解的可能性。[29]著名的混沌和复杂系统的物理学家斯普洛特（J。C。Sprott）已经证明，一定的高维生态系统可以用简单的决定论方程来模拟以生成复杂的行为。[30]斯普洛特的发现证明，随机性不是模拟高维自然系统的复杂形式的一个必要条件。另外，从一个洛伦兹方程的时间序列解来观察一个洛伦兹吸引子的形成，可以看到从左往右的转移以及由内向外的呈螺旋状旋转都是不确定的、无周期性的，即“每一边的循环数量使从一个循环到下一个循环不可预期地不同，而事实上，环路数量序列和随机序列的很多特征是一样的”[31]。这些都证明，在某些条件下，一个简单的决定论方程可以生成复杂且随机的行为；并从另一个侧面证明，社会科学解释所面临的复杂性和随机性不一定是不可掌握的，面对不同的社会现象和系统应采取不同的解释路径。

2。社会机制

社会科学研究就是要揭示社会现象表面之下的实在，而要解释一个社会现象或问题，就必须阐明引起这个现象或问题的社会机制。默顿（R。K。Merton）认为，社会机制是“社会过程对社会结构特定部分的特定影响”[32]，它是中层理论的基石。埃尔斯特（J。Elster）指出对现象之间相互关系的解释正是社会机制的任务。[33]邦格（MarioBunge）认为社会机制可以解释在社会现象或系统中将会发生什么，如何发生以及为什么会发生。[34]社会机制对于社会现象或系统内部动力学的关注，符合复杂性科学以系统论和过程论来关注社会科学解释问题的主导思想；可以说复杂性社会科学解释模型的核心就是社会机制。

社会系统中普遍存在的三种基本机制是：区分、整合和创造。区分是将某一系统与其他系统区别开来，并由此确定该系统特性的社会机制；整合是通过加强系统内部要素之间或系统与外部环境之间的关系，来保持系统稳定性的社会机制；创造是通过改变系统内部要素之间或系统与外部环境之间的关系，来生成系统改革和创新，并伴随新的区分过程的开始的社会机制。[35]因此，这三种基本机制事实上是一个循环发展的过程。

这三种机制构成了一个社会系统内部变化及其与环境交互作用的过程。但是社会机制要想被用来促进对社会现象或系统的解释，必须有一些限制性的条件：首先，它必须是具体的，只在具体的社会系统中起作用，在概念或符号系统中不起作用；其次，它必须是明确的，即虽然我们不能观察到它，但可以根据它对社会现象或系统的解释来认识它；最后，它必须是可检验的，以其运行过程来对社会现象或系统进行解释，从而检验其是否反映了真正的动力学过程，而不是胡乱的猜测。[36]

3。基于Agent建模

在社会科学解释中，经验概括、理论、规律和模型这四种知识形式起作用并引导着具体的解释，尤其是模型化，日渐成为社会科学发展的一个重要方向：“为了使社会科学改进它的制度合法性，它就必须变得以模型为中心。”[37]在此方面，复杂性科学聚焦于自组织的异质主体，以及基于建模所进行的秩序创造，这成为社会科学发展新的要素和认识论手段。因此，这种“建立在复杂性科学，以及它的以Agent为基础的建模方法基础上的认识论，可以用于社会科学本体论”[38]，并使社会科学及其解释获得合理性。

实质上，后现代主义首先为社会科学在模型化方向上寻求制度合法性提供了可能。尽管其非中心化的、建构主义的，甚至碎片化的种种科学批判立场引起诸多责难，但后现代主义让社会科学重新认识和发现了“自主主体”。它强调主体的异质性和异质社会主体行为的真实性，各种异质主体在相互作用的变化网络中运行。这就改变了传统常规科学建立的根基：同质主体及线性决定论。如果说后现代主义颠覆传统的科学规范和标准，让自主主体所产生的意义来主导客观的本质真理，从而奠定了社会科学制度合法化基础的话，那么，复杂性科学则为当代社会科学逻辑重构的任务之一，即社会科学的“模型化”。

作为复杂性科学研究多元异质建模的结果，ABM可为社会科学提供新的表征复杂社会现象和系统的工具，具体来说：第一，理论解释和经验解释的拟合。就理论解释而言，ABM有助于考察作为整体的系统的行为及其内部要素之间关系的动力学。就经验解释而言，ABM是表征被解释对象的所有已知的和必要的初始条件的工具。ABM提供了把理论解释和经验解释结合起来的可能。ABM通过“可控实验”，在复杂过程中发现关于行动者主体的行为以及他们与环境的交互作用的规则性。建立在此基础上的模型，其科学性依赖于其可预测性，计算机模拟为这一目标的实现提供了可能性。另外，ABM的目标之一就是准确模拟真实世界的现象和系统，以保持经验解释的具体性和理论解释的规则性之间张力的平衡。

第二，社会科学解释模型的调节、检验和确认。社会科学解释模型不是一成不变的，而是根据理论原则和经验数据的变化，在具体的实践过程中不断做出调整的。评价系统模型的三步骤——调节、检验和确认是一种可以借鉴的方法。[39]“调节”是对模型参数和标准符合特定理论或经验数据的调整；“检验”考察模型是否与设计的意图和意向性协调一致，检验的结果是模型是否成功的标志；“确认”通常使用模拟数据和敏感性试验，来操作模型以确定输出数据是否与期望一致，即把模型输出和真实世界的结果做比较。社会科学家常常没有充足的证据来调节或确认解释模型，而且也面临生成模拟数据的挑战。因为即使是模拟一个中等复杂的社会现象或系统动力学，也需要付出极大的努力来将被模拟的现象或过程形象化，进而在此基础上分析和模拟。而且，理论方法和经验方法的综合使用更加剧了这种困难。但是，这是社会科学家必须面对和解决的问题，只有这样才能既增加模型的科学性，又增加模型在实践中的实用性。

第三，在社会科学解释模型中引入维度和层级等要素。层级理论有助于模型制造者确定系统的基本层级和维度，正是在这些层级和维度的嵌套下，系统才会出现突现属性。而且，它们为系统的非线性和敏感性提供了一种潜在的平衡力，即一旦确定了被解释现象或系统的时空维度和内部层级，就可以识别与该维度和层级一致的其内部的线性关联和外部极限。社会科学家可以通过确定系统的基本层级，在子系统的构成要素的相互作用中，所生成的突现属性的基础上，做出隐含假设，在一系列这种过程的嵌套循环中，模拟一个分层有序的系统。这种自下而上的突现过程和自上而下的协同演化过程有机结合，有助于理解从个体相互作用中突现出的规范，并把这种规范反馈给个体。这恰好为模拟社会科学解释问题提供了一个切入点。

从复杂性视角对社会科学现象和系统进行的分类，刻画出各类现象和系统之间的复杂性边界，证明了数学和计算工具对于将社会科学现象和系统概念化、抽象化所具有的优势，在此基础上，揭示社会科学解释的核心——社会机制对于解释和理解现象和系统的关键性，并借助在各类复杂系统中已不断获得成功的、在建模过程中所使用的各种方法，引导复杂性社会科学解释模型的构造。

目前对社会科学解释问题的研究还未成熟到足以建立完善的模型，而且在具体的建模过程中面临着诸多问题，如非线性的参数变化过程如何表征，参数关系的可检验性和可预测性，以及模型的有效性确认，模型适当性的评价标准，以及如何实现研究现象的一致性，形式的简单性和模型的实在性之间的平衡等，这些都是需要进一步深入讨论的。把复杂性研究方法引入社会科学解释中，为社会科学解释问题提供了一种替代性选择路径。

四、社会科学知识如何可能：重构认识论逻辑

科学知识如何可能是哲学认识论的核心问题。在传统科学范式下，平衡论、消极反馈回路、可分解标准和要素之间直接的线性联系，构成了作为科学研究前提的四个认识论假定，复杂系统范式第一次对这些假定提出了整体性批判，在实在观、因果观和模型观等三个层面上促进了科学认知模式的转移，进而修正着关于科学（包括社会科学）知识的一些传统观念，如知识的本质特征和获取知识的有效方式等，推动了社会科学认识论的逻辑重构。[40]

1。从形而上学分裂到流体实在观

基于人类语言的符号互动，是社会系统演化的内在构成。事实上，语言既是表征实在的载体，同时也限制我们的表征形式。因此，使用新语言是表征新的符号互动形式和实在属性的必要前提。作为复杂系统理论的核心范畴，突现、耗散结构、路径依赖、混沌边缘、分形、自相似等，作为一组新语言和新隐喻，在一定意义上构成了对社会主体之间符号互动的直观形象的科学表征，为我们提供了一种认识和揭示实在属性的新方式，即“受语言影响的实在”[41]。更重要的是，这种实在观进一步消减了社会科学研究者在获取系统知识的过程中所引起的“形而上学分裂”[42]的问题。这一问题主要表现为，在认识社会系统基本内涵和运行规律时，基于机械决定论和还原论，只处理那些包含事实、原因及其他具有物理主义特征的物质或原子领域，而排斥那些被归入第二形而上学领域的规范性、意向性和模态等现象，因而不利于把握整体社会系统的突现属性，阻碍了对系统潜在的、高层次复杂性的揭示。

另外，形而上学分裂也导致了在对社会系统物质构成的机械描述过程中，既忽视了系统要素之间的适应性行为，也限制了对系统演化模式和机制，特别是突现和自组织行为的动态表征。复杂系统范式揭示出社会系统的“社会性”[43]具有层级性，社会性层次越高，人类之间的交互作用越强，复杂性程度也就越高，对这类系统内部关系的认识，就需要更多地借助定性比较法、历史研究法、参与式社会调查和人种志方法等；而对于社会性层次较低的研究主题，传统自然科学，特别是生物学方法就是有效的。这样，通过分析社会系统的复杂性层次及其运行机制，来考察系统的内部演化，将系统的物质构成和关系构成共同纳入系统知识的形成过程中，本质上形成了一种“流体实在观”（fluidreality）[44]。即实在不再可以静态地、间断性地展示出来，而是会表现出连续的过渡和变形，我们只能通过揭示实在内部的复杂性层次及动态交织，来实现对实在本质的过程性把握。

2。双向因果关系及其解释力

与复杂系统内部要素互动所构成的反馈回路一致，复杂系统范式超越了传统科学研究的“单向因果关系”教条，即把所有因果关系形式都视为“自下而上”的，以此作为对实在进行因果思考的主导性隐喻。[45]事实上，在大多数复杂自然系统中，较低层次要素的行为是整体系统行为的必要但不充分条件，控制层级的出现有赖于系统对其构成要素的自上而下的约束，这是系统自我维持的一种新的动力学形式。因此，“因果关系本质上是自上而下和自下而上的作用之间的一种双向对话”[46]，因果关系的双向对话和不同高维空间中的因果循环相互嵌套交织，构成了复杂的因果关系网络。

本质上，互为因果关系的系统属性代表着一种生成性因果关系过程，其交互式作用的潜在的非线性影响，使实在的复杂性变得“自增强”（self-potentiating）[47]。一方面，这种扩展了的因果框架使得我们可以对社会系统的实体结构给予更充分的解释。利用生成方法不仅可以认识社会系统复杂性的内生过程，更重要的是，认识在社会系统非线性演化机制内生成秩序的可能性；另一方面，双向因果关系的确立极大地限制了机械因果说明原则的解释力，挑战了以因果规律来实现决定论预测的科学目标。同时，也对那些以因果决定论不属于社会领域为由，而质疑社会科学知识合理性的观点，给予了有力反击。借助双向因果关系，不仅有助于澄清社会科学规律和社会科学解释的本质内涵，即规律和偶然语境的结合才能构成确定系统实际行为的充要条件，而解释则是初始条件、约束条件和条件依赖规律的合成物。[48]而且，还在一定程度上修正了特定社会科学研究的目标，即不追求对系统的绝对的长期预测，而旨在对具体语境下系统的突现行为和演化路径给出明确的展示。

3。模型化路径：基于主体的建模

与获取社会科学知识的传统方法，如观察—归纳、假说—演绎等集中研究系统的物质构成不同，复杂系统范式借助系统内外关系构成的动态交互作用网络来把握系统运行。构成复杂系统的主体相互联系、相互作用，形成一个交互作用网络。联系的加强一方面增加了系统的整合度，使得系统的独特性凸显出来；另一方面也提高了系统的敏感度，构成系统的任何一个主体或交互作用的细微变化，都会通过反馈的迭代导致系统表现出完全不同的形态。复杂系统正是在这种动态网络内生成、演化、消亡或者再生的，系统要素之间的动态关系塑造了要素的地位、形式和功能，进而引导着系统的运行和演化。因此，网络的内在关系构成了定义社会系统的核心变量，也开辟了一种获取系统知识的新路径。

作为复杂系统科学代表性的建模方法，基于主体的模型建立在具有适应性、异质性和反馈性特征的自主主体的基础上，它允许使用数值数据来识别并描述系统要素之间的交互作用，进而提取关键变量，并分析它们之间可能的函数关系。这就把社会行为形式化地描述为异质主体之间交互作用的结果。由此，在获取系统知识的过程中，就调和了归纳方法和演绎方法、方法论个体主义和整体主义、微观规范和宏观结构、社会建构论和不可知论等之间的二元对立；通过为宏观整体来确定微观规范，超越了传统突现论在微观与宏观之间建立的“神秘间隙”。另外，这一方法还将个体理性与宏观均衡分隔开来，证明了二者在逻辑上的相互独立性，这就在一定程度上将社会科学从“政策科学的服务员”这一角色中解放了出来。因此，与维护社会科学知识合法性的传统路径不同，复杂系统范式是从系统内部将获取社会科学知识的过程合法化的。

可以看出，通过探究流体实在观、双向因果关系和基于主体的建模之基本内涵和运行机制，我们发现，正如莫兰（EdgarMorin）所说，复杂性化是一种将科学（包括社会科学）人性化的方式。[49]复杂系统范式下的社会认识论摆脱了机械决定论的机器隐喻，充分考虑到系统动态演化的过程性、系统复杂性的非线性自生性，以及内在网络关系对模拟系统运行的关键性。这就从根本上重构了传统社会科学的认知模式，使得社会科学认识论趋于人性化。

值得注意的是，复杂系统范式虽同时注意到社会系统的物质构成和关系构成，但却忽视了社会系统的思想层面。事实上，社会系统思想层面的复杂性和多样性，更有利于凸显社会系统区别于自然系统的独特性，同时也构成了大部分社会科学理论和知识的本体论来源。另外，对于那些要素之间交互作用不明晰的系统而言，功能模拟法和“黑箱”方法等，对于获取系统知识而言，就显得不可或缺。这些方法通过行为的相似性或整体的输入和输出，对系统整体进行全局相关分析，实现了从外部对系统运行规律的把握。它们对于从内部分析系统交互作用而言，无疑是一个有益的补充，特别是对于那些要素数量庞大且异质性强的多层级社会系统而言，尤为如此。当然，基于主体的建模，并不是解释社会系统内部运行机制的唯一方法，低维微分方程、聚合回归和博弈论等对于其他解释目的而言，也可能具有其有效性。这些建模方法共同推动社会科学的模型化发展，而这恰恰是当代社会科学提高其科学合法性的努力方向。