.png){kind=icon}
返回
Data-driven conflict classification exposes weak predictive indicators
.png){kind=icon}
OA
AI
DOI：10.1098/rsos.250897.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
武装冲突的模型与理论在针对不同冲突类型进行定制时是有效的，但现有的分类方法往往是启发式的。我们引入了一种基于数据的分类方法，该方法以实证为基础，具有可重复性和跨多尺度的稳定性。我们利用精细化的冲突数据，并将其与非洲的气候、地理、基础设施、经济、原始人口统计及人口构成等因素进行关联。通过无监督学习模型，我们识别出三种主要的冲突类型：“重大动荡”（major-unrest），发生在人口密集、河岸地区且基础设施发达的区域；“地方冲突”（local-conflict），出现在人口适中、社会经济多元化的地区，并且通常局限于国家边界内；以及“零星溢出事件”（sporadic-spillover events），发生在人口稀少、欠发达的区域。这三种类型进一步分层，分别突出人口、基础设施、经济和地理作为最具区分度的指标。具体指定冲突类型会降低冲突强度（如伤亡人数、冲突持续时间及其他冲突规模指标）的可预测性。这种竞争效应是统计依赖性较弱的一般结果。因此，这种实证的、自下而上的方法揭示了武装冲突如何分层为三种原型，但也提醒我们在预测模型中纳入常用指标时需谨慎。
Keyword:
armed conflicts
geospatial data
complex systems
conflict prediction
conflict types
multiscale
期刊
IF:
2.9
论文数:
871
被引数:
1.8W
机构
引用论文
On climate and conflict: Precipitation decline and communal conflict in Ethiopia and Kenya气候与冲突: 埃塞俄比亚和肯尼亚的降水减少和社区冲突
OAAI
.png){kind=icon}
OAAI分享收藏分享收藏分享收藏
查看更多内容