К прогнозированию вероятности невооруженной революционной дестабилизации методами машинного обучения

Социология власти. 2025. Т. 37. № 2. С. 108–141.

Медведев И. А., Коротаев А. В.

В своей статье авторы предлагают систе- матический обзор основных способов примене- ния методов машинного обучения, релевантно- го для политической социологии. Описывается история перехода от использования простых регрессионных моделей к комплексным моде- лям машинного обучения. Анализируются причины и преимущества такого перехода. Определяются основные способы использова- ния моделей машинного обучения, которыми пользуются в смежных дисциплинах, и приводятся способы их применения к задачам пред- сказания революционных событий. Рассматривается когорта других исследователей, которые по-своему решали вопрос предсказания политической нестабильности от использования мно- жества регрессионных моделей до применения машинного обучения как классификатора для твитов во время «арабской весны». Приводится расширенное описание основных направлений в области изучения поведения предикто- ров в моделях машинного обучения. Анализируются кейсы их применения и ограничения, с которыми могут столкнуться исследователи. Авторы приводят описание различных статистических подходов к задаче оценки параметров моделей машинного обучения. На примере анализа моделей, построенных для предсказания вероятности возникновения невооруженных революционных эпизодов, рассматриваются способы ранжирования параметров модели через оценку решающих деревьев и изменения в результирующей силе моделей. Авторы показывают, как коррелированные переменные могут влиять на полученный результат ранжирования, почему переменные могут при разных системах подсчета их важности оказываться в различных частях рейтинга. Также рассматривается способ определения границы, после которой параметры модели можно рассматривать как статистически значимые. Авторами проводится способ генерализованного представления направления связи различных переменных, с учетом их взаимодействия с другими предикторами, и дается интерпретация полученных результатов с использованием векторов Шепли. Из содержательных результатов проведенных тестов особо следует отметить выявление исключительно мощного эффекта революционных волн в революционных событиях XXI века, притом что в XXI веке эффект глобальных революционных волн оказывается сильнее эффекта волн региональных. Проведенные тесты заставляют предполагать, что особо сильными факторами, значимо повышающими в XXI веке вероятность начала невооруженных революционных выступлений (кроме эффекта революционных волн), являются следующие: высокий уровень политической коррупции, эффект инерции (невооруженные революционные или мощные протестные события в недавнем прошлом), аномалии экономического роста, высокие объемы помощи со стороны США (эффект «железной клетки либерализма» по Д. Риттеру), отсутствие нефтяной ренты, высокая численность населения, высокая продовольственная инфляция, средний уровень экономического развития, продолжительное пребывание первого лица у власти и промежуточный тип политического режима. 

Ключевые слова: революция, машинное обучение, forecasting, прогнозирование, revolution, политическая социология, methodology, политическая нестабильность, политическая стабильность, political sociology, computational social science, вычислительные социальные науки, machine learning, political instability, невооруженные революции, unarmed revolutions, методология

ПУБЛИКАЦИЯ ПОДГОТОВЛЕНА ПО РЕЗУЛЬТАТАМ ПРОЕКТА: Государственная устойчивость и национальная безопасность России в условиях трансформации мирового порядка (2025)