Индивидуальный выбор

Когда в теорию принятия решений была введена парадигма полезности? Как строится индивидуальный выбор? За что критиковал Герберт Саймон классическую теорию полезности? Об этом рассказывает доктор технических наук Фуад Алескеров.

Как принимает решения человек? Что является мотивацией для его решений? Этот вопрос интересовал исследователей с очень давних времен. Первые идеи на эту тему появились в XVIII веке в Англии, Гоббс говорил о том, что в основе мотивации выбора человека лежит стремление увеличить его власть. Бентам писал, что человек старается увеличить свое счастье, и только Джон Стюарт Милль начал говорить о полезности. Он был одним из величайших английских философов и экономистов, и в его работах впервые появилась идея о полезности: человек принимает решения так, чтобы увеличить полезность.

Ординальная функция полезности — это краеугольный камень в теории. Основная парадигма выбора (как человек осуществляет выбор, как он сравнивает альтернативы) состоит в том, что мы сравниваем полезности и можем сказать, насколько полезность одного объекта больше, чем полезность другого, и, естественно, всегда выбираем тот объект, у которого полезность выше. Эта простая конструкция приводит к фундаментальным последствиям. Дорога, по которой пошла теория полезности, выстроилась этой парадигмой, поскольку задача выбора стала формулироваться таким образом: когда я что-то выбираю (неважно что) из множества объектов выбора, я, сравнивая альтернативы попарно, отбрасываю те, что имеют меньшую полезность, оставляю те, что имеют большую, сравниваю с другим и в конце концов выбираю объект, который имеет наибольшую полезность.

Нобелевский лауреат Герберт Саймон резко критиковал классическую парадигму полезности, в которой надо все сравнивать попарно, и говорил, что человек так не выбирает. У человека есть уровень удовлетворенности — satisficing level, и все, что выше этого уровня, для человека пригодно, а все, что ниже, — нет. Я построил формальную модель satisficing choice — выбора, основанного на удовлетворенности, и оказалось, что эти модели действуют в других областях, например задача поиска в больших объемах данных.