罗家德
万怡
高馨
复杂科学如何启发社会研究
——从涌现谈起
作者 | 罗家德、万怡、高馨
作者单位 | 清华大学社会科学学院与公共管理学院
社会学系、哥本哈根大学传播学院
原文 |
拙文发表于《社会学研究》2024年第2期，感谢《社会学研究》对本文的认可。笔者早在上世纪90年代博士求学的过程中，就对复杂社会系统的相关理论与研究产生了兴趣，到今天能够通过新方法与实证研究对一个较为具体的概念加以阐释，已经经历了二十余年。
"涌现"（emergence）是复杂科学中的一个重要概念，指的是系统在整体层次上展示出新的属性或行为，而这些属性或行为不能简单地由系统的组成部分推断出来。涌现通常在具有复杂交互的系统中出现，这些交互导致整体表现出与个体不同的特性。简单来说，涌现是一个1＋1未必等于2的现象，在社会系统中，主体间的互动可能在整体层面上带来或积极或消极的效应，良好的合作可以带来更好的社会资本，使得群体的整体表现超越个体表现的总和；而网络结构不良、分门别派又很有可能使得集体效率大大降低。通过研究涌现现象，社会学家可以更深入地理解社会中的复杂互动、群体行为、社会变迁等现象，为社会问题的解决和社会发展的推动提供见解。
本文选取了两个具有代表性的案例来理解社会系统中的涌现，分别是中国VC（风险投资）产业网络的结构涌现，和我国某大型高科技企业中团队集体智慧的涌现及重大的“制度涌现”前后团队集体智慧涌现因素的差异。两个案例对涌现过程的研究均采用了基于主体的建模方法，VC产业案例使用的是MBM模型，企业案例使用的是ABM模型，同时，我们也结合了社会计算中的各类大数据分析技术与人工智能算法，用于模型的参数设置和模型的验证等方面。事实上，主体模型的发展本身和复杂系统研究的发展是紧密相关的，ABM和MBM是复杂系统研究中常用的模拟工具。通过这些模型，研究人员可以模拟复杂系统中的个体（主体）行为，以及这些行为之间的相互作用。通过观察这些相互作用产生的宏观现象，系统中的涌现及其因素得以被揭示。第二个案例也运用了大数据分析技术与人工智能算法以及传统的因果推论假设与检验的统计方法，来说明重大涌现的之前、之后，集体现象如何影响个体行为。
本文的两个案例关注的是“科尔曼之舟”中的两个重要维度：一是个体行为如何导致集体结果，二是集体层面的性质如何反作用于个体行为。在系统常态中，这些现象或许可以通过线性加总加以解释，但在复杂社会系统中，它们经常表现为非线性演化的过程，因此我们需要采用动态演化模型，探讨VC的投资与合作行为所导致的产业结构涌现，以及企业中团队的知识学习差异性与团队合作网密度间的平衡取得集体智能的涌现，同时，也讨论企业再造工程前后，团队涌现集体智能的因素的差异。非线性演化的系统中，从个体行为加总到总体现象，再到总体现象如何影响个体行为，都不是线性加总的研究方法可以展现的，本研究尝试使用复杂系统建模与社会计算的方法来分析这两类过程。
在经济社会学对于产业、企业的研究中，不乏在复杂系统涌现的视角下的类似研究。此类研究能够帮助我们更好地理解社会互动的复杂性，揭示个体之间的合作与竞争如何影响整体行为。通过研究产业网络和企业团队的涌现现象，能够揭示社会结构的形成和演化，深入了解社会系统中的结构与行为的共同演化、演化中的正负反馈，以及因为正负反馈而有的一加一大于二或小于二的涌现现象。
复杂理论在当今社会变得愈发重要，除涌现外，还有许多未被开采的理论宝藏，如阴阳（或莫兰所说的双重性逻辑）、分形、自组织、自创生等。复杂理论带动了开放系统、不确定性、复杂网络演化、涌现现象、系统非线性发展、系统转型和多元因素的交织与平衡等综合理论的发展，为社会科学研究者带来新的理论范式。而长时段、细粒度的大数据的积累，社会计算的大数据分析、人工智能算法与动态建模等方法的配合，使得新理论能够建立模型并得到验证。本文的研究只是一个开始，展示的仅是较小范围与较短时间内的非线性演化，随着大数据的持续积累以及社会计算方法不断出新，更大范围与更长时间的演化，如新制度的出现、社会大转型等，在今后都有可能得到理论建模与数据验证。新数据、新方法的出现正在催生新的研究范式。
本文的写作得益于笔者的研究团队在前期所做的大量研究和基础工作，随着近年来学界对复杂科学的关注，这篇文章显得更加“水到渠成”。这篇文章的成文还要感谢评阅人的宝贵意见，在收到第一次评阅意见后，我们对案例进行了较大的调整，也是由于评阅人对技术细节的关注，才使得文章能够得到更为细致的呈现。同时，编辑部的各位编辑上至文法、下至句读的反复打磨，也使得文章更加凝练、更具可读性。“推敲诗益炼，骈俪语尤工”，从收稿到正式发表，文章的质量得到了很大的提升。衷心感谢各位的工作。