К прогнозированию вероятности невооруженной революционной дестабилизации методами машинного обучения

В своей статье авторы предлагают систематический обзор основных способов применения методов машинного обучения, релевантного для политической социологии. Описывается история перехода от использования простых регрессионных моделей к комплексным моделям машинного обучения. Анализируются причины и преимущества такого перехода. Определяются основные способы использования моделей машинного обучения, которыми пользуются в смежных дисциплинах, и приводятся способы их применения к задачам предсказания революционных событий. Рассматривается когорта других исследователей, которые по-своему решали вопрос предсказания политической нестабильности от использования множества регрессионных моделей до применения машинного обучения как классификатора для твитов во время «арабской весны». Приводится расширенное описание основных направлений в области изучения поведения предикторов 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.

1. Алексеев Т. Д. (2016) Анализ последовательностей в социологии: возможности, ограничения и потенциал применения. Социология: методология, методы, математическое моделирование, 43, c. 100–127. EDN: WPVYSV

2. Боровский А. А. (2015) Перспективы применения технологий машинного обучения к обработке больших массивов исторических данных. Кибернетика и программирование, (1), c. 77–114. EDN: TEUTCF. https://doi.org/10.7256/2306-4196.2015.1.13730

3. Голдстоун Дж. А., Гринин Л. Е., Коротаев А. В. (2022) Волны революций XXI столетия. Полис. Политические исследования, (4), c. 108–119. EDN: DVNOBB. https://doi.org/10.17976/jpps/2022.04.09

4. Жданов А. И., Коротаев А. В. (2024) Инфляционное давление и революционная дестабилизация: оценка воздействия и сравнительный анализ. Социология власти, 36 (2), c. 113–141. EDN: NQBWZK. https://doi.org/10.22394/2074-0492-2024-2-113-141

5. Коротаев А., Васькин И., Билюга С. (2017) Гипотеза Олсона-Хантингтона о криволинейной зависимости между уровнем экономического развития и социально-политической дестабилизацией: опыт количественного анализа. Социологическое обозрение, 16(1), c. 9–49. EDN: YKUXXJ. https://doi.org/10.17323/1728-192X2017-1-9-49.

6. Коротаев А. В., Гринин Л. Е., Устюжанин В. В. (2024) База данных по революционным событиям XXI века. М.: НИУ ВШЭ. EDN: AVSRLM

7. Коротаев А., Гринин Л., Устюжанин В., Файн Е. (2025) Пятое поколение исследований революции. Систематический обзор. Логос, 35(1), c. 191–316. EDN: RFTSEX. https://doi.org/10.17323/0869-5377-2025-1-193-296

8. Коротаев А. В., Жданов А. И. (2023a) Количественный анализ политических факторов революционной дестабилизации. Опыт систематического обзора. Полития: Анализ. Хроника. Прогноз (Журнал политической философии и социологии политики), (3), c. 149–171. EDN: NAZUCB. https://doi.org/10.30570/2078-5089-2023-110-3-149-171

9. Коротаев А. В., Жданов А. И. (2023б) Количественный анализ экономических факторов революционной дестабилизации: результаты и перспективы. Социология власти, 35(1), c. 118–159. EDN: VKRMWA. https://doi.org/10.22394/2074-0492-2023-1-118-159

10. Коротаев А.В., Исаев Л.М., Васильев А.М. (2015) Количественный анализ революционной волны 2013–2014 гг. Социологические исследования, (8), c. 119–127. EDN: UFZJFZ

11. Коротаев А. В., Сойер П. С., Гринин Л. Е., Шишкина А. Р., Романов Д. М. (2020) Социально-экономическое развитие и антиправительственные протесты в свете новых результатов количественного анализа глобальных баз данных. Социологический журнал, 26(4), c. 61–78. EDN: SCFFFV. https://doi.org/10.19181/socjour.2020.26.4.7642

12. Коротаев А. В., Шишкина А. Р., Исаев Л. М. (2016) Арабская весна как триггер глобального фазового перехода. Полис. Политические исследования, (3), c. 108–122. EDN: VWPTBL. https://doi.org/10.17976/jpps/2016.03.09

13. Медведев И. А., Коротаев А. В. (2020) К построению индекса социально-политической дестабилизации в различных мир-системных зонах. Системный мониторинг глобальных и региональных рисков, 11, c. 433–454. EDN: JHHHTO

14. Мусиева Д. М., Устюжанин В. В., Гринин Л. Е., Коротаев А. В. (2023) Субъективное благополучие и революционная дестабилизация. Опыт количественного анализа. Социология власти, 35 (3), c. 57–94. EDN: IYBOUU. https://doi.org/10.22394/2074-0492-2023-3-57-94

15. Устюжанин В. В., Гринин Л. Е., Медведев И. А., Коротаев А. В. (2022) Образование и революции (Почему революционные выступления принимают вооруженную или невооруженную форму?). Полития: Анализ. Хроника. Прогноз, (1), c. 50–71. EDN: TIZIXP. https://doi.org/10.30570/2078-5089-2022-104-1-50-71

16. Устюжанин В. В., Жодзишская П. А., Коротаев А. В. (2022) Демографические факторы как предикторы революционных ситуаций. Опыт количественного анализа. Социологический журнал, 28(4), c. 34–59. EDN: VEVEEC. https://doi.org/10.19181/socjour.2022.28.4.9314

17. Устюжанин В. В., Коротаев А. В. (2022) Регрессионное моделирование вооруженной и невооруженной революционной дестабилизации в афразийской макрозоне нестабильности. Системный мониторинг глобальных и региональных рисков, 13, c. 192–226. EDN: ADTXLI. https://doi.org/10.30884/978-5-7057-6184-5_07

18. Устюжанин В. В., Костин М. С., Гринин Л. Е., Коротаев А. В. (2023) Коррупция и революционная дестабилизация: опыт количественного анализа. Журнал социологии и социальной антропологии, 26(3), c. 53–99. EDN: YTNMDC. https://doi.org/10.31119/jssa.2023.26.3.3.

19. Устюжанин В. В., Михеева В. А., Сумерников И. А., Коротаев А. В. (2023) Экономические истоки революций: связь между ВВП и рисками революционных выступлений. Полития: Анализ. Хроника. Прогноз (Журнал политической философии и социологии политики), (1), c. 64–87. EDN: VRPOBO. https://doi.org/10.30570/2078-5089-2023-108-1-64-87

20. Устюжанин В., Степанищева Я., Галлямова А., Гринин Л., Коротаев А. (2023) Образование и риски революционной дестабилизации: опыт количественного анализа. Социологическое обозрение, 22(1), c. 98–128. EDN: WSZVDJ. https://doi.org/10.17323/1728-192X-2023-1-98-128

21. Устюжанин В. В., Сумерников И. А., Гринин Л. Е., Коротаев А. В. (2022) Урбанизация и революции: количественный анализ. Социологические исследования, (10), c. 85–95. EDN: WSMVJE. https://doi.org/10.31857/S013216250018478-8

22. Beissinger M.R. (2017) “Conventional” and “virtual” civil societies in autocratic regimes. Comparative Politics, 49(3), pp. 351–371. http://dx.doi.org/10.5129/001041517820934267

23. Beissinger M. R. (2022) The revolutionary city: Urbanization and the global transformation of rebellion. Princeton, NJ: Princeton University Press.

24. Ben Bouallègue Z. et al. (2024) The Rise of Data-Driven Weather Forecasting: A First Statistical Assessment of Machine Learning–Based Weather Forecasts in an Operational-Like Context. Bulletin of the American Meteorological Society, 105(6), pp. 864–883. https://doi.org/10.1175/BAMS-D-23-0162.1

25. Blair R. A., Sambanis N. (2020) Forecasting civil wars: Theory and structure in an age of “big data” and machine learning. Journal of Conflict Resolution, 64(10), pp. 1885–1915. https://doi.org/10.1177/0022002720918923

26. Braithwaite A., Braithwaite J. M., Kucik J. (2015) The conditioning effect of protest history on the emulation of nonviolent conflict. Journal of Peace Research, 52(6), pp. 697–711. https://doi.org/10.1177/0022343315593993.

27. Braithwaite A., Kucik J., Maves J. (2014) The costs of domestic political unrest. International Studies Quarterly, 58(3), pp. 489–500. https://doi.org/10.1111/isqu.12061.

28. Brooks R., White P. B. (2023) The military before the march: Civil-military grand bargains and the emergence of nonviolent resistance in autocracies. Journal of Peace Research, 61(6), pp. 1002–1018. https://doi.org/10.1177/00223433231180921

29. Brunnschweiler C. N., Lujala P. (2019) Economic backwardness and social tension. The Scandinavian Journal of Economics, 121(2), pp. 482–516. https://doi.org/10.1111/sjoe.12281

30. Butcher C., Svensson I. (2016) Manufacturing dissent: Modernization and the onset of major nonviolent resistance campaigns. Journal of Conflict Resolution, 60(2), pp. 311–339. https://doi.org/10.1177/0022002714541843

31. Caves R. E. (1976) Economic models of political choice: Canada’s tariff structure. Canadian Journal of Economics, 9(2), pp. 278–300. https://doi.org/10.2307/134522

32. Cebul M. D., Grewal S. (2022) Military conscription and nonviolent resistance. Comparative Political Studies, 55(13), pp. 2217–2249. https://doi.org/10.1177/00104140211066209

33. Chadefaux T. (2023) An automated pattern recognition system for conflict. Journal of Computational Science, 72, pp. 102–114. https://doi.org/10.1016/j.jocs.2023.102074

34. Chadefaux T. (2014) Early warning signals for war in the news. Journal of Peace Research, 51(1), pp. 5–18. https://doi.org/10.1177/0022343313507302

35. Chan J. Y. L. et al. (2022) Mitigating the multicollinearity problem and its machine learning approach: a review. Mathematics, 10(8), pp. 1283–1291. http://dx.doi.org/10.3390/math10081283

36. Chenoweth E., Ulfelder J. (2017) Can structural conditions explain the onset of nonviolent uprisings? Journal of Conflict Resolution, 61(2), pp. 298–324. https://doi.org/10.1177/0022002715576574

37. Dahl M., Gates S., Gleditsch K., González B. (2021) Accounting for Numbers: Group Characteristics and the Choice of Violent and Nonviolent Tactics. The Economics of Peace and Security Journal, 16(1), pp. 1–25. https://doi.org/10.15355/epsj.16.1.5

38. De Mol C., Giannone D., Reichlin L. (2008) Forecasting using a large number of predictors: Is Bayesian shrinkage a valid alternative to principal components? Journal of Econometrics, 146(2), pp. 318–328. https://doi.org/10.1016/j.jeconom.2008.08.011

39. Dorward N., Fox S. (2022) Population pressure, political institutions, and protests: A multilevel analysis of protest events in African cities. Political Geography, 99, pp. 102–111. https://doi.org/10.1016/j.polgeo.2022.102762

40. Edwards P. K. (1978) Time Series Regression Models of Strike Activity: A Reconsideration with American Data. British Journal of Industrial Relations, 16(3), pp. 47–62. https://doi.org/10.1111/j.1467-8543.1978.tb00289.x

41. Gleditsch K. S., Metternich N. W., Ruggeri A. (2014) Data and progress in peace and conflict research. Journal of Peace Research, 51(2), pp. 301–314. https://doi.org/10.1177/0022343313496803

42. Goldsmith B. E., Chalup S. K., Quinlan M. J. (2008) Regime type and international conflict: towards a general model. Journal of Peace Research, 45(6), pp. 743–763. https://doi.org/10.1177/0022343308096154

43. Goldstone J. A. et al. (2010) A global model for forecasting political instability. American journal of political science, 54(1), pp. 190–208. https://doi.org/10.1111/j.1540-5907.2009.00426.x

44. Goldstone J. A., Grinin L., Korotayev A. (2022) Introduction. Changing yet Persistent: Revolutions and Revolutionary Events. In: J. A. Goldstone, L. Grinin, A. Korotayev (Eds.), Handbook of Revolutions in the 21st Century: The New Waves of Revolutions, and the Causes and Effects of Disruptive Political Change (pp. 1–34). Cham: Springer Nature. https://doi.org/10.1007/978-3-030-86468-2_1

45. Grinin L. (2022) On revolutionary waves since the 16th century. In: J. A. Goldstone, L. Grinin, A. Korotayev (Eds.), Handbook of Revolutions in the 21st Century: The New Waves of Revolutions, and the Causes and Effects of Disruptive Political Change (pp. 389–411). Cham: Springer Nature. https://doi.org/10.1007/978-3-030-86468-2_13

46. Grinin L., Grinin A. (2022) Revolutionary Waves and Lines of the 20th Century //In: Goldstone J. A., Grinin L., Korotayev A. (Eds.), Handbook of Revolutions in the 21st Century: The New Waves of Revolutions, and the Causes and Effects of Disruptive Political Change (pp. 315-388). Cham: Springer Nature. https://doi.org/10.1007/978-3-030-86468-2_12

47. Grinin L., Grinin A. Korotayev A. (2022) 20th century revolutions: characteristics, types, and waves. Humanities and Social Sciences Communications, 9(1), pp. 1–13. https://doi.org/10.1057/s41599-022-01120-9.

48. Grinin L., Korotayev A. (2024) Is the Fifth Generation of Revolution Studies Still Coming? Critical Sociology, 50(6), pp. 1039–1067. https://doi.org/10.1177/08969205241245215

49. Grinin L., Korotayev A., Tausch A. (2019) Islamism, Arab Spring, and the Future of Democracy. World System and World Values Perspectives. Cham: Springer Nature. https://doi.org/10.1007/978-3-319-91077-2

50. Grömping U. (2015) Variable importance in regression models. Wiley interdisciplinary reviews: Computational statistics, 7(2), pp. 137-152. https://doi.org/10.1002/wics.1346

51. Hamilton R. I., Papadopoulos P. N. (2023) Using SHAP values and machine learning to understand trends in the transient stability limit. IEEE Transactions on Power Systems, 39(1), pp. 1384–1397. https://doi.org/10.1109/TPWRS.2023.3248941

52. Honaker J., King G., Blackwell M. (2011) Amelia II: A program for missing data. Journal of statistical software, 45(7), pp. 1–47. https://doi.org/10.18637/jss.v045.i07

53. Huang H., Boranbay-Akan S., Huang L. (2019). Media, protest diffusion, and authoritarian resilience. Political Science Research and Methods, 7(1), pp. 23–42. https://doi.org/10.1017/psrm.2016.25

54. Issaev L., Korotayev A. (2022) Introduction. New Wave of Revolutions in the MENA region//In: Issaev L., Korotayev A. (Eds.), New wave of revolutions in the MENA region. A comparative perspective (pp. 1–32). Cham: Springer. https://doi.org/10.1007/978-3-031-15135-4_1

55. Joseph K., Carley K. M., Filonuk D., Morgan G. P., Pfeffer J. (2014) Arab Spring: from newspaper. Social Network Analysis and Mining, 4(177), pp. 1–17. https://doi.org/10.1007/s13278-014-0177-5

56. Kavada A. (2020) Creating the collective: social media, the Occupy Movement and its constitution as a collective actor. Protesttechnologies and media revolutions (pp. 107-125). Emerald Publishing Limited.

57. Keele L. J. (2008) Semiparametric regression for the social sciences. Hoboken, NJ: John Wiley & Sons.

58. King G. (1988) Statistical models for political science event counts: Bias in conventional procedures and evidence for the exponential Poisson regression model. American Journal of Political Science, 32(3), pp. 838–863. https://doi.org/10.2307/2111248

59. Knutsen C. H. (2014) Income Growth and Revolutions. Social Science Quarterly, 95(4), pp. 920–937. https://doi.org/10.1111/ssqu.12081

60. Korotayev A., Grinin L., Ustyuzhanin V., Fain E. (2025) The Fifth Generation of Revolution Studies. Part I: When, Why and How Did It Emerge. Critical Sociology, 51(2), pp. 257–282. https://doi.org/10.1177/08969205241300596

61. Korotayev A., Issaev L., Zinkina J. (2015) Center-periphery dissonance as a possible factor of the revolutionary wave of 2013–2014: A cross-national analysis. Cross-Cultural Research, 49(5), pp. 461–488. https://doi.org/10.1177/1069397115595374

62. Korotayev A., Medvedev I., Zinkina J. (2022) Global Systems for Sociopolitical Instability Forecasting and Their Efficiency: A Comparative Analysis. Comparative Sociology, 21(1), pp. 64–104. https://doi.org/10.1163/15691330-bja10050

63. Korotayev A. V., Sawyer P. S., Romanov D. M. (2021) Socio-economic development and protests: A quantitative reanalysis. Comparative Sociology, 20(2), pp. 195–222. https://doi.org/10.1163/15691330-bja10030

64. Korotayev A., Ustyuzhanin V., Grinin L., Fain E. (2025) The fifth generation of revolution studies. Part II: A systematic review of substantive findings (Revolution Causes, Forms, and Waves). Critical Sociology 51(3), pp. 429–450. https://doi.org/10.1177/08969205241300595

65. Korotayev A., Vaskin I., Bilyuga S., Ilyin I. (2018) Economic Development and Sociopolitical Destabilization: A Re-Analysis. Cliodynamics, 9(1), pp. 59–118. https://doi.org/10.21237/c7clio9137314

66. Korotayev A., Zhdanov A., GrininL., UstyuzhaninV. (2025) Revolutionand Democracy in the Twenty-First Century. Cross-Cultural Research, 59(2), pp. 180–215. https://doi.org/10.1177/10693971241245862

67. Kostin M., Korotayev A. (2024) USAID Democracy Promotion as a Possible Predictor of Revolutionary Destabilization. Comparative Sociology, 23(2), pp. 240–278. https://doi.org/10.1163/15691330-bja10102

68. Lahiri K., Monokroussos G., Zhao Y. (2016) Forecasting consumption: The role of consumer confidence in real time with many predictors. Journal of Applied Econometrics, 31(7), pp. 1254–1275. https://doi.org/10.1002/jae.2494

69. Lall R. (2016) How multiple imputation makes a difference. Political Analysis, 24(4), pp. 414–433. https://doi.org/10.1093/pan/mpw020

70. Levin N., Ali S., Crandall D. (2018) Utilizing remote sensing and big data to quantify conflict intensity: the Arab Spring as a case study. Applied Geography, 94, pp. 1–17. https://doi.org/10.1016/j.apgeog.2018.03.001

71. Li F., Yang Y. (2003) A loss function analysis for classification methods in text categorization. Proceedings of the 20th international conference on machine learning (ICML-03), pp. 472–479.

72. Lotan G., Graeff E., Ananny M., Gaffney D., Pearce I. (2011) The Arab Spring| the revolutions were tweeted: Information flows during the 2011 Tunisian and Egyptian revolutions. International journal of communication, 5(5), pp. 1375–1405.

73. Medvedev I., Ustyuzhanin V., Zinkina J., Korotayev A. (2022) Machine learning for ranking factors of global and regional protest destabilization with a special focus on Afrasian instability macrozone. Comparative Sociology, 21 (6), pp. 604–645. https://doi.org/10.1163/15691330-bja10062

74. Muthukumar V. et al. (2021) Classification vs regression in overparameterized regimes: Does the loss function matter? Journal of Machine Learning Research, 22(222), pp. 1–69.

75. Nicodemus K. K. et al. (2010) The behaviour of random forest permutation-based variable importance measures under predictor correlation. BMC bioinformatics, 11, pp. 1–13. https://doi.org/10.1186/1471-2105-11-110

76. Nirmalraj S. et al. (2023) Permutation feature importance-based fusion techniques for diabetes prediction. Soft Computing, 2023, pp. 1–12. https://doi.org/10.1007/s00500-023-08041-y

77. Pinckney J., RezaeeDaryakenari B. (2022) When the levee breaks: A forecasting model of violent and nonviolent dissent. International Interactions, 48(5), pp. 997–1026. https://doi.org/10.1080/03050629.2022.2090933

78. Ritter D. P. (2015) The iron cage of liberalism: International politics and unarmed revolutions in the Middle East and North Africa. Oxford: Oxford University Press.

79. Rozov N. (2022) Typology and principles of dynamics of revolutionary waves in world history. In: J. A. Goldstone, L. Grinin, A. Korotayev (Eds.), Handbook of Revolutions in the 21st Century: The New Waves of Revolutions, and the Causes and Effects of Disruptive Political Change (pp. 241–264). Springer. https://doi.org/10.1007/978-3-030-86468-2_9

80. Sun X. et al. (2012) Using cooperative game theory to optimize the feature selection problem. Neurocomputing, 97, pp. 86–93. https://doi.org/10.1016/j.neucom.2012.05.001

81. Tang J., Liu H. (2012) Feature selection with linked data in social media. Proceedings of the 2012 SIAM International Conference on Data Mining. Society for Industrial and Applied Mathematics, pp. 118–128.

82. Taylor L., Schroeder R., Meyer E. (2014) Emerging practices and perspectives on Big Data analysis in economics: Bigger and better or more of the same? Big Data & Society, 1(2), article 2053951714536877. https://doi.org/10.1177/2053951714536877

83. Tremayne M. (2016) Anatomy of protest in the digital era: A network analysis of Twitter and Occupy Wall Street. Social Networks and Social Movements. London: Routledge, pp. 110–126.

84. Tumasjan A. et al. (2010) Predicting elections with twitter: What 140 characters reveal about political sentiment. Proceedings of the international AAAI conference on web and social media, 4(1), pp. 178–185. https://doi.org/10.1609/icwsm.v4i1.14009

85. Ulfelder J. (2012) Forecasting Political Instability: Results from a Tournament of Methods. Available at SSRN 2156234.

86. Ustyuzhanin V., Korotayev A. (2023) Revolutions and Democracy. Can Democracies Prevent Revolutionary Armed Violence? Comparative Sociology, 22(1), pp. 95–137. https://doi.org/10.1163/15691330-bja10073

87. Ustyuzhanin V. V., Sawyer P. S., Korotayev A. V. (2023) Students and protests: A quantitative cross-national analysis. International Journal of Comparative Sociology, 64(4), pp. 375–401. https://doi.org/10.1177/00207152221136042

88. Von Eschenbach W. J. (2021) Transparency and the black box problem: Why we do not trust AI. Philosophy & Technology, 34(4), pp. 1607–1622. https://doi.org/10.1007/s13347-021-00477-0

89. Yun Y. H., Liang F., Deng B. C., Lai G. B., Vicente Gonçalves C. M., Lu H. M., Liang Y. Z. (2015) Informative metabolites identification by variable importance analysis based on random variable combination. Metabolomics, 11, pp. 1539–1551. https://doi.org/10.1007/s11306-015-0803-x