国家间冲突风险监测预警模型构建及应用研究*

姚梦娇 马亚萍 张 辉 邓 青

(1. 武汉理工大学安全科学与应急管理学院 武汉 430070;2.清华大学工程物理系 北京 100084;3.北京科技大学大安全科学研究院 北京 100083)

当今世界面临百年未有之大变局,政治多极化、经济全球化、文明多元化、社会信息化,国际国内风险日益增多,国家安全战略决策和重大事件应急处置能力亟需升级。大国冲突是目前面临的最大国家安全问题[1]。近年来,国家间冲突事件层出不穷,对世界各国都造成了不可估量的影响。俄乌冲突升级以来,美西方与俄方之间制裁与反制裁的持续冲击造成了国际格局的剧烈动荡,引发了国际经济、舆论和政治等多方面的连锁反应[2],严重加剧了国际政治中的集团对抗和阵营对立,对全球安全治理体系产生巨大威胁[3]。严峻的形势下,迫切需要科学分析复杂国际环境中的国家间冲突风险,提高国家安全风险监测预警能力。

1 文献综述

目前对国家间冲突的研究主要包括两大类:国家间冲突影响因素分析和国家间冲突预测研究。

国家间冲突影响因素研究主要集中在经济、军事、科技等领域:Kim等[4]通过内容分析创建1990—2011年的事件数据,调查了韩美关系的影响因素,发现经济发展对韩美关系有积极影响;杨光等[5]通过多层次对数线性模型发现全球化和组织参与情况对军事支出有负面影响,而经济与能源对军事支出存在显著的正向影响;黄日涵等[6]分析了拜登政府的科技竞争战略,提出在未来的大国竞争中,科技优势带来的战略优势将成为博弈的关键。目前对于单个或少部分领域国家间冲突影响因素的研究较为充分,然而,国家间冲突影响因素涉及领域广泛,且要素间存在复杂的跨领域交互作用,单领域的影响因素研究难以为决策提供全面的支持。需要从国家安全系统[7-9]的角度出发,全面梳理跨领域的国家间冲突影响因素,同时建立有效的模型来厘清多个因素之间的相互作用及演化路径。

目前国家间冲突预测研究以主观归纳概括和事件关系定性分析为主[10]。部分研究采用博弈模型对国家间冲突进行定量分析,如基于动态演化博弈模型探究中印经贸竞合互动关系[11]。此外,复杂网络方法在国际关系领域也应用广泛,通过构建国际冲突与合作复杂网络,研究国际关系的相应特征,讨论国家在国际冲突与合作中可能的行为模式[12]等。然而国际关系具有高度复杂性和不确定性,当前的国家间冲突预测过于静态,常常滞后于事态发展,无法适用于动态变化的国际环境。因此,需要通过实时、全面的态势感知,构建“情景-应对”型管理和决策模式[13]。

鉴于此,本文基于国家安全系统视角,以案例数据和机器学习技术为支撑,探讨国家间冲突风险监测预警模型的构建思路,建立跨领域国家间冲突情景要素集,理清国家间冲突影响要素的演化机制,实现国家间冲突风险的动态预测和快速评估,以期为国家安全风险监测预警体系建设提供新的思路。

2 国家间冲突风险监测预警模型构建框架

国家间冲突是一类典型的系统性风险问题,应当从国家安全系统的角度出发实现国家间冲突风险监测预警模型的构建。本文的模型包括国家间冲突情景感知、数据收集与预处理、态势预测三个模块,其实现的主要任务是:国家间冲突情景要素集构建→情景表达→情景要素量化表征→多源数据融合处理→监测预警模型构建→风险要素实时监测→国家间冲突风险情景推演(如图1所示)。

图1 国家间冲突风险监测预警模型框架

2.1 国家间冲突情景感知

国家间冲突影响要素复杂多样,涉及领域繁多,同时要素间存在领域内和跨领域交互作用,需要对其影响要素集进行整合。本文按照情景分层分解的思路,从国家安全系统的各个领域出发,每个领域可被分解成多个分类指标,然后进一步分解成若干个中间指标,每个中间指标又通过不同的情景要素来表征。最终的国家间冲突情景要素集借助文献调研、案例分析和专家咨询等方法确定。

考虑到情景要素集中的要素之间存在相互影响和演变,本文采用解释结构模型(ISM)理清它们的结构先后关系、相互影响/作用以及要素演变方向。ISM模型可通过矩阵运算、分解等数学工具梳理复杂影响要素之间的关系,从而将复杂的系统分解为各个子系统,最终构建为一个多层次递阶结构模型,直观地展示系统结构和因素之间的关系[14]。

2.2 国家间冲突数据收集与预处理

对国家间冲突影响要素进行量化表征和数据分析是国家间冲突监测预警模型构建的基础。国家安全相关的数据体量庞大且来源广泛[15],主要通过开源数据集、研究机构以及情报机构获取。国家间冲突风险作为结果变量,其量化至关重要,清华大学国际关系研究院发布的双边关系分值表已经发布了1950年到2023年1月12组有代表性国家的双边关系得分,为国家间冲突风险量化提供了数据支持。该数据集利用的双边关系定量评估方法主要由阎学通和周方银教授提出[16],双边关系分值的变化范围为[-9,9],其中-9和9分别表示双边关系最差和最良好的状态。本研究基于文献[16]设置的国家双边关系数值标准(见图2),定义双边关系分值小于0时,国家间冲突风险较高(S1),分值在0～3.9区间为中风险(S2),大于3.9为低冲突风险(S3)。

图2 国家双边关系数值标准

国家间冲突一般涉及两个国家主体,而目前所能获取的数据大多数仅代表一个国家的情况,因此在所获数据的基础上,计算两个国家各指标的相对值以表示两国的差距和相互作用。对指标进行量化表征后,采用等频法或等宽法对连续变量进行离散化处理,之后,基于专家知识对一些指标的离散区间进行适当调整,使区间划分更加合理。

2.3 国家间冲突态势预测

2.3.1国家间冲突贝叶斯网络模型构建

结合神经网络和机器学习可以实现国家间冲突风险情景推演和态势预测。贝叶斯网络(BN)是一种典型的因果结构学习方法,能在有限的、不完整的、不确定信息条件下实现知识学习和推理,并输出高精度的预测结果[17],已广泛应用于网络舆情态势评估[18-19]和公共安全情景推演[20-21]。国家间冲突风险监测预警模型主要基于贝叶斯网络(BN)构建,将量化后的情景指标作为贝叶斯网络的节点,接下来通过结构学习和参数学习构建完整的风险监测预警模型,见图3。

图3 国家间冲突贝叶斯网络(BN)模型构建步骤

贝叶斯网络结构学习主要有两种方法:①通过专家经验获取贝叶斯网络结构,即基于ISM模型构建BN结构;②通过历史数据学习获取贝叶斯网络结构。树增强朴素贝叶斯(TAN)算法是一个经典的BN结构学习算法,通过计算任意两个属性之间的条件互信息,将属性间的依赖关系化为树形结构[22],保留了强相关属性之间的依赖性。因此,本文使用TAN算法学习历史数据获得BN结构。

E步:基于观测数据和当前参数计算对数似然函数的条件期望,如公式(1)。

Q(θ|θ(i))=Eθi[logP(Y,Z|θ)|θ(i),Y]

(1)

M步:假设E步中发现的分布是正确的,通过公式(2)最大化Q(θ,θ(i))。

(2)

2.3.2国家间冲突态势预测

在完成国家间冲突贝叶斯网络模型的构建后,对各个情景要素进行实时监测可以及时发现异常状态。当新的战略和措施不断地更新和实施(模型中表现为指标状态变化),国家间冲突风险也会随之改变。将现实情景作为证据进行输入,可以推演指标变化对其他情景要素的影响,从而对国家间冲突风险进行识别和研判。将以上态势推演结果反馈给国家安全决策人员,在各领域专家的密切配合以及部门协同机制下,推进协同知识判断,为国家安全响应提供决策支撑[23]。

3 国家间冲突风险监测预警模型构建

3.1 国家间冲突情景感知

国家间冲突涉及领域众多,本研究站在国家安全系统的视角,以国家安全中的5个关键领域(政治、军事、经济、社会、科技)为例,通过文献调研、专家意见以及案例分析确认了国家间冲突风险的12个影响因素。以国家间冲突风险为结果要素,最终得到由13个要素构成的国家间冲突情景要素集,如表1所示。

表1 国家间冲突情景要素及状态分配标准

获取国家间冲突情景要素集之后,通过ISM模型对情景要素的演化机制进行分析。为了使模型结果更具科学性,大部分要素之间的二元关系通过国家间冲突影响因素关联分析相关的文献调研确定,剩余少部分待确定的二元关系基于德尔菲法,通过问卷咨询来自不同领域的10位专家进行确定,由此构建国家间冲突情景要素的邻接矩阵SSIM。

邻接矩阵建立后,基于邻接矩阵计算可达矩阵,计算公式如下:

M=(SSIM+I)k+1=(SSIM+I)k≠
(SSIM+I)k-1

(3)

其中,I是单位矩阵,k是节点Si到节点Sj的路径长度。根据上述规则得到可达矩阵M。

按照层次划分标准将国家间冲突情景要素分为6个层级,同时将具有关联的影响要素以箭头进行连接,确立要素之间的层次结构图如图4所示,箭头方向反映了要素的影响路径。

图4 国家间冲突影响因素层次结构图

如图4所示,第一层和第二层因素为直接因素,受到间接因素和根源因素的影响,同时直接作用于国家间冲突风险;第三层和第四层因素为间接因素,它们影响直接因素的同时又受到根源因素的影响,在结构中起到承上启下的作用;第五层和第六层因素是国家间冲突的根源因素,对国家间冲突的影响程度最深,同时也对间接和直接因素产生影响。

3.2 国家间冲突数据获取与预处理

识别国家间冲突情景要素之后,需要选取指标将其量化。如2.2节所述,我国面临的国家间冲突风险通过双边关系分值衡量。对于其他指标,涉及数据源众多,主要包括世界幸福报告、系统和平中心、世界银行等(见表1)。计算两个国家各指标的相对值,以代表其相互作用,采用均值替换和线性拟合等方式补充一些缺失数据。基于以上描述,获得了2007—2019年13年间共156组双边关系案例数据。

以量化后的指标作为贝叶斯网络节点变量,同时为每个节点分配状态值。每个变量的状态值量化方法不完全一样,节点状态划分标准如表1所示。对于分类变量,如政治体制,依据两国是否具有相同的政治体制进行划分。对于其他的连续变量,采用等宽法或等频法进行数据离散化处理,如汇率相对值采用等频法。之后,基于专家知识对一些指标的离散区间进行简单调整,如军费支出相对值的状态“S1(较低)”设置为“<1”,表明一国的军费支出与另一国相比较低。

从总共156组案例中选择2007—2016年的120组案例作为训练数据,其余36组案例(2017—2019年)用于模型的有效性测试,训练数据与测试数据的比例约为3.3∶1。

3.3 国家间冲突风险监测预警模型构建

本文基于贝叶斯网络(BN)构建国家间冲突风险监测预警模型,主要包括两个步骤:结构学习和参数学习。

为了比较分析专家知识和案例数据在国家间冲突态势推演中的作用和优势,本研究分别基于ISM模型和TAN算法学习两种方式实现国家间冲突贝叶斯网络结构的构建。BNISM模型使用ISM模型的结果(如图4)作为BN结构,BNTAN模型利用TAN算法从真实案例数据(120组训练数据)中学习并构建BN结构。

在得到国家间冲突贝叶斯网络的结构之后,基于两种结构使用EM算法进行参数学习,最终形成两个完整的贝叶斯网络模型:BNISM和BNTAN,如图5所示。可以看出图5(a)中有些连接没有出现在图5(b)中,如制造业竞争力相对值和军费支出相对值之间的连接;但也有一些新的连接出现,如政治体制分类和其他12个节点之间的连接。这说明了案例数据和专家经验之间存在一定的差异。

(a) BNISM模型 (b) BNTAN模型

4 结果分析

4.1 模型准确率分析

为了对比分析模型的优缺点,本研究对比了两个模型在高风险(S1)、中风险(S2)和低风险(S3)三方面的预测准确率及整体准确率,如图6所示。

图6 模型预测性能对比

根据图6,得到以下结论:

第一,BNTAN模型的整体预测准确率达到了72.22%,同时在低风险(S3)预测方面表现出色,但无法预测高风险(S1)和中风险(S2)。这说明仅靠案例数据学习不能很好地识别复杂国家关系中的深层次信息。

第二,BNISM模型在高风险(S1)预测方面与BNTAN模型相比具有比较明显的优势,准确率为50%,但其在整体预测和低风险(S3)预测方面表现差强人意。这意味着仅依靠专家知识进行国家间冲突风险预测也是不可行的。

第三,两个模型均未能准确预测中风险(S2)。对数据集进行分析,发现在训练集中只有15%的案例是中风险(S2),而在测试集中也只有4个中风险(S2)的案例,比例仅为11.11%。因此,相关案例的数据量不足导致了模型训练不充分,造成了预测准确性低。

第四,两个模型各有优缺点,说明在面对国家间冲突风险预测等复杂的问题时,单一的模型已经不再适用,可以使用综合模型,即结合专家知识和案例数据来进行预测,这也是未来研究的重点。

4.2 国家间冲突风险监测预警

本文构建的国家间冲突风险监测预警模型可以实现国家间冲突风险异常发现、监测预警和态势推演,通过输入基于现实情景的证据,可以定量评估政策措施变化(模型指标变化)对国家间冲突风险的影响。鉴于4.1节已经证明了BNTAN模型在整体预测准确率方面的优势,本节的情景推演基于BNTAN模型进行。

基于现实情况构建一个假想场景来展示模型的推理过程。对于两个政治制度不同的国家来说,其综合政体分数相差11分,两国在其他指标的相对值如下:国际组织参与程度2,全球化指数1.1123。根据表1中的状态分类标准,为这些观察值分配状态如表2所示。

表2 基于现实情况的情景设置

将以上观察结果输入到BNTAN模型中,观察情景推演结果,发现两国的国家间冲突风险为低(S3)的概率由正常状态下的78%(见图5(a))降低为67%(见图7),说明两国的国家间冲突风险增加,在发现异常后将推演结果及时反馈给国家安全决策者,通过进一步的数据分析、专家讨论寻找降低国家间冲突风险的途径,以辅助国家安全决策。

图7 模型情景推演及风险预测结果

5 结 语

复杂的国际形势给国家安全风险监测预警体系提出了更高的要求。面对大国冲突这一重要的国家安全问题,构建国家间冲突风险监测预警模型是提升国家安全战略决策能力的关键。本文基于国家安全系统视角,构建了集国家间冲突情景感知、数据收集与预处理、态势预测于一体的国家间冲突风险监测预警模型,为国家间冲突风险实时监测和预警提供新思路。

如本文所述,国家间冲突是一类复杂的系统性风险问题,涉及的影响因素复杂多样,本文仅以国家安全系统的5个领域为例构建了国家间冲突情景要素集,尚需进一步构建更全面的情景要素体系。通过对模型的结果分析发现,面对国家间冲突预测等复杂的问题时,单一的模型已经不再适用,未来的国家间冲突风险监测预警模型应当综合运用各种技术、模型、数据,实现国家间冲突动态态势分析,并通过大量的实践验证其有效性,为推动国家安全治理体系建设贡献力量。