[论文解读] Nonlinear Dynamic Models of Conflict via Multiplexed Interaction Networks

Gerardo Aquino, Weisi Guo+1 more|arXiv (Cornell University)|Sep 26, 2019

Complex Network Analysis Techniques被引用 9

一句话总结

本文提出了一种多层非线性动态模型，将城市视为在战争与和平之间转换的双稳态系统，受三个相互关联的网络层——地理空间、文化和政治——驱动。基于2002–2016年的数据，该模型在城市层面预测冲突转变的F1分数为0.78–0.92，并可通过隔离触发状态变化的网络层实现因果归因，准确预测了多种冲突类型下的新冲突爆发与和平转变。

ABSTRACT

The risk of conflict is exasperated by a multitude of internal and external factors. Current multivariate analysis paints diverse causal risk profiles that vary with time. However, these profiles evolve and a universal model to understand that evolution remains absent. Most of the current conflict analysis is data-driven and conducted at the individual country or region level, often in isolation. Consistent consideration of multi-scale interactions and their non-linear dynamics is missing. Here, we develop a multiplexed network model, where each city is modelled as a non-linear bi-stable system with stable states in either war or peace. The causal factor categories which exasperate the risk of conflict are each modelled as a network layer. We consider 3 layers: (1) core geospatial network of interacting cities reflecting ground level interactions, (2) cultural network of interacting countries reflecting cultural groupings, and (3) political network of interacting countries reflecting alliances. Together, they act as drivers to push cities towards or pull cities away from war. Using a variety of data sources relative to 2002-2016, we show, that our model correctly predicts the transitions from war to peace and peace to war with F1 score of 0.78 to 0.92 worldwide at the city scale resolution. As many conflicts during this period are auto-regressive (e.g. the War on Terror in Afghanistan and Iraq, the Narco War across the Americas), we can predict the emergence of new war or new peace. We demonstrate successful predictions across a wide range of conflict genres and we perform causal discovery by identifying which model component led to the correct prediction. In the cases of Somalia (2008-13), Myanmar (2013-15), Colombia (2011-14), Libya (2014-16), and Yemen (2011-13) we identify the set of most likely causal factors and how it may differ across a country and change over time.

研究动机与目标

• 解决缺乏统一模型来捕捉驱动冲突转变的时间变化、多尺度因果因素的问题。
• 将地理、文化与政治等多样化因果因素整合进统一的动态框架中，以捕捉非线性相互作用。
• 不仅预测持续的冲突状态，还预测新冲突的出现或长期冲突的和平转变，尤其针对自回归事件与“黑天鹅”事件。
• 通过识别哪一网络层或交互变化触发了城市的状态转变，实现因果发现。
• 提供一个可扩展、量化的平台，以支持预防性维和与外交干预决策。

提出的方法

• 每个城市被建模为一个双稳态动力系统，其演化方向为战争或和平，中间存在一个不稳定状态。
• 构建了三个网络层：(1) 地理空间（城市间互动），(2) 文化（国家层面的群体划分），(3) 政治（联盟结构）。
• 使用广义逻辑斯蒂映射定义非线性动力系统，每个网络层提供外部驱动项，分别作用于节点状态演化。
• 采用基于阈值的分类方法：若状态变量超过阈值，则将城市分类为处于战争状态；否则为和平状态。
• 通过“层断开”实验实现因果归因——逐个移除某一网络层的连接，观察节点状态是否发生变化，从而识别出引发状态转变的关键驱动因素。
• 模型使用2002–2016年冲突区域的重叠数据进行训练与验证，性能通过战争/和平转变的F1分数进行评估。

实验结果

研究问题

• RQ1 在城市层面，驱动从和平向战争或从战争向和平转变的关键时变因果因素是什么？
• RQ2 地理空间、文化和政治网络层的相对贡献如何在不同冲突区域及随时间推移而变化？
• RQ3 非线性多层网络模型是否能优于线性模型，以更准确预测新冲突的出现与长期冲突的结束？
• RQ4 该模型在多大程度上能识别出引发状态转变的具体网络交互（如联盟状态变化、边境紧张）？
• RQ5 内部（国家内部）与外部（跨国）互动在冲突动力学中分别发挥何种不同作用？

主要发现

• 该模型在2002–2016年间对多样化冲突区域的城市层面战争与和平转变预测中，F1分数介于0.78至0.92之间。
• 在索马里，断开政治联系（如肯尼亚从敌对转为盟友）被识别为布乌尔·加博从战争转向和平的关键因素。
• 在缅甸，仅当断开与同国内部其他城市的地理空间联系时，才会引发向和平的转变，表明内部原因为主要驱动力。
• 在哥伦比亚，委内瑞拉联盟地位的转变被发现触发了巴兰卡佩雷斯的战争状态，而内部地理空间联系的断开则引发和平，凸显了不同的因果机制。
• 在利比亚和也门，因果分析显示大多数状态转变源于内部地理空间网络的破坏，表明内部冲突动力是主要驱动因素。
• 将介数中心性作为分类器纳入模型后，性能得到提升，证实其作为高冲突区域预测因子的作用。