当前位置: X-MOL 学术International Interactions › 论文详情
Our official English website, www.x-mol.net, welcomes your feedback! (Note: you will need to create a separate account there.)
When the levee breaks: A forecasting model of violent and nonviolent dissent
International Interactions ( IF 1.226 ) Pub Date : 2022-08-08 , DOI: 10.1080/03050629.2022.2090933
Jonathan Pinckney 1 , Babak RezaeeDaryakenari 2
Affiliation  

Abstract

Forecasting major political conflicts is a long-time interest in conflict research. However, the literature thus far has focused almost exclusively on armed conflicts such as civil wars. Attempts to forecast primarily unarmed conflicts have yet to identify a model able to forecast such uprisings with a high degree of accuracy. This thorny forecasting problem may in part be due to the literature’s heavy focus on parametric forecasting methods and relatively rare testing and comparison of a wide range of forecasting algorithms. This paper addresses these gaps in the literature by developing the first unified forecasting model of both major armed and unarmed conflicts at the country-year level based on extensive training, cross-validation, and comparison of eight machine learning algorithms and five forecasting ensembles. We draw on two types of data: slow-moving structural factors such as geography and levels of economic development and short-term political dynamics captured by events data trends, to inform our forecasting models. This approach significantly improves predictive power for both armed and unarmed conflict in comparison to commonly used methods in the literature and suggests that there is significant room for improving forecasts of major political conflicts. However, our algorithms still forecast armed conflict significantly better than unarmed conflict, suggesting the need for continued theory development to inform future forecasting efforts in this area.

El poder predecir los grandes conflictos políticos es un tema que interesa desde hace tiempo dentro del campo de la investigación de conflictos. Sin embargo, hasta ahora, la literatura especializada se ha centrado casi exclusivamente en los conflictos armados, como, por ejemplo, las guerras civiles. Los intentos de predecir conflictos, principalmente no armados, aún no han podido identificar un modelo capaz de pronosticar estos levantamientos con un alto grado de precisión. Este azaroso problema para realizar predicciones puede deberse, en parte, a que la literatura se centra mucho en los métodos predictivos paramétricos y a que las pruebas y comparaciones de una amplia gama de algoritmos de predicción son relativamente escasas. Este artículo aborda estas lagunas en la literatura desarrollando el primer modelo unificado de predicción, tanto de los grandes conflictos armados como de los no armados a nivel de país-año, basado en formación intensiva, validación cruzada y en la comparación de ocho algoritmos de aprendizaje automático y cinco conjuntos predictivos. Recurrimos a dos tipos de datos: factores estructurales de evolución lenta, como la geografía y los niveles de desarrollo económico, así como la dinámica política a corto plazo plasmada en las tendencias registradas en los datos de los acontecimientos, para fundamentar nuestros modelos de predicción. Este enfoque mejora significativamente el poder de predicción, tanto para los conflictos armados como para los no armados, en comparación con los métodos que se usan habitualmente en la literatura y sugiere que hay un margen significativo para mejorar las predicciones de los grandes conflictos políticos. Sin embargo, nuestros algoritmos siguen prediciendo mucho mejor los conflictos armados que los no armados, lo que sugiere la necesidad de seguir desarrollando la teoría para fundamentar los futuros esfuerzos de predicción en este ámbito.

L’anticipation de conflits politiques majeurs est un objet de recherche déjà ancien. Toutefois, à ce jour, la littérature spécialisée existante est presque exclusivement focalisée sur les conflits armés, tels que les guerres civiles. Les efforts de prédiction portant sur des conflits principalement non armés requièrent donc l’identification d’un modèle capable de prévoir les soulèvements, et ce avec un haut degré de précision. Cet épineux problème de prévision est probablement partiellement dû à une littérature fortement axée sur des méthodes de prévision de type paramétrique, laissant peu de place au test et à la comparaison d’un vaste éventail d’algorithmes prédictifs. Cet article a vocation à combler cette lacune en développant le premier modèle prédictif unifié pour des conflits majeurs armés comme non armés, par pays et par année. Ce type de modèle s’appuie sur un entraînement approfondi, une validation croisée et une comparaison portant sur huit algorithmes d’apprentissage automatique et cinq ensembles prédictifs. Pour informer nos modèles, nous nous appuyons sur deux types de données : des facteurs structurels à évolution lente, tels que la géographie ou le niveau de développement économique, d’une part, et sur des dynamiques politiques à court terme, illustrées par des données sur les tendances événementielles, d’autre part. Cette approche permet d’améliorer de manière significative les capacités de prédiction pour les conflits armés comme non armés, par rapport aux méthodes habituellement utilisées dans la littérature, et suggère que la prévision des conflits politiques majeurs peut encore être considérablement optimisée. Toutefois, nos algorithmes restent nettement plus performants pour la prévision des conflits armés que pour les conflits non armés ; un constat reflétant la nécessité de poursuivre ce travail théorique, de manière à mieux informer les futurs efforts de prévision dans ce domaine.



中文翻译:

当堤坝破裂时:暴力和非暴力异议的预测模型

摘要

预测重大政治冲突是冲突研究的长期兴趣所在。然而,迄今为止的文献几乎只关注内战等武装冲突。主要预测非武装冲突的尝试尚未确定能够高度准确地预测此类起义的模型。这个棘手的预测问题可能部分是由于文献对参数预测方法的高度关注以及对广泛预测算法的相对罕见的测试和比较。本文通过对八种机器学习算法和五种预测集合的广泛培训、交叉验证和比较,开发了第一个国家级重大武装和非武装冲突的统一预测模型,从而解决了文献中的这些空白。我们利用两种类型的数据:缓慢变化的结构性因素,例如地理和经济发展水平以及事件数据趋势捕捉到的短期政治动态,为我们的预测模型提供信息。与文献中常用的方法相比,这种方法显着提高了对武装和非武装冲突的预测能力,并表明对重大政治冲突的预测存在很大的改进空间。然而,我们的算法仍然预测武装冲突明显优于非武装冲突,这表明需要持续的理论发展来为该领域未来的预测工作提供信息。与文献中常用的方法相比,这种方法显着提高了对武装和非武装冲突的预测能力,并表明对重大政治冲突的预测存在很大的改进空间。然而,我们的算法仍然预测武装冲突明显优于非武装冲突,这表明需要持续的理论发展来为该领域未来的预测工作提供信息。与文献中常用的方法相比,这种方法显着提高了对武装和非武装冲突的预测能力,并表明对重大政治冲突的预测存在很大的改进空间。然而,我们的算法仍然预测武装冲突明显优于非武装冲突,这表明需要持续的理论发展来为该领域未来的预测工作提供信息。

El poder predecir los grandes conflictos politicos es un tema que interesa desde hace tiempo dentro del campo de lainvestigación de conflictos。Sin embargo, hasta ahora, la literatura especializada se ha centrado casi exclusivamente en los conflictos armados, como, por ejemplo, las guerras Civiles。Los intentos de predecir conflictos, principalmente no armados, aún no han podido identificar un modelo capaz de pronosticar estos levantamientos con un alto grado de precisión。Este azaroso questiona para realizar predicciones puede deberse, en parte, a que la literatura se centra mucho en los métodos predictivos paramétricos ya que las pruebas y comparaciones de una amplia gama de algoritmos de predicción son relativamente escasas。Este artículo aborda estas lagunas en la literatura desarrollando el prime modelo unificado de predicción, tanto de los grandes conflictos armados como de los no armados a nivel de país-año, basado en formación intensiva, validación cruzada y en la comparación de ocho algoritmos de apredizaje automático y cinco conjuntos predictivos。Recurrimos a dos tipos de datos: factores estructurales de evolución lenta, como la geografía y los niveles de desarrollo económico, así como la dinámica politica a corto plazo plasmada en las tendencias registradas en los datos de los acontecimientos, para fundamentar nuestros modelos de predicci Este enfoque mejora significativamente el poder de predicción, tanto para los conflictos armados como para los no armados, en comparación con los métodos que se usan habitualmente en la literatura y sugiere que hay un margen significativo para mejorar las predicciones de los grandes conflictos politicos。罪恶禁运,

L'anticipation de conflits politiques majeurs est un objet de recherche déjà ancien。Toutefois, à ce jour, la littérature spécialisée existante est presque Exclusivement focusisée sur les conflits armés, tels que les guerres Civiles。Les effort de prédiction portant sur des conflits principalement non armés requièrent donc l'identification d'un modèle able de prévoir les soulèvements, et ce avec un haut degré de précision。Cet épineux problème de prévision est probablement partiellement dû à une littérature fortement axée sur des methodes de prévision de type paramétrique, laissant peu de place au test et à la comparaison d'un maste éventail d'algorithmes prédictifs。Cet article a vocation à combler cette lacune en développant le Premier modèle prédictif unifié pour des conflits majeurs armés comme non armés, par pays et par annee。Ce type de modèle s'appuie sur un entraînement approfondi, une validation croisée et une comparaison portant sur huit algorithmes d'apprentissage automatique et cinq ensembles prédictifs。Pour informer nos modèles, nous nous appuyons sur deux types de données : des facteurs structurels à évolution lente, tels que la géographie ou le niveau de developpement économique, d'une part, et sur des dynamiques politiques à court terme, illustrées par des données sur les trendes événementielles, d'autre part。Cette approche permet d'améliorer de manièresignificative les capacités de prédiction pour les conflits armés comme non armés, par rapport aux méthodes habituellement utilisées dans la littérature, et suggère que la prevision des conflits politiques majeurs peut encore être considérablement. 图特福瓦,nos algorithmes retent nettement plus performants pour la prévision des conflits armés que pour les conflits non armés ; un constat reflétant la nécessité de poursuivre ce travail théorique,de manière à mieux informer les futurs 为 prevision dans ce domaine 所做的努力。

更新日期:2022-08-08
down
wechat
bug