EN中文

Journal of Geo-information Science >

2021 , Vol. 23 >Issue 11: 1956 - 1970

DOI: https://doi.org/10.12082/dqxxkx.2021.210172

Quantitative Expression of Conflict Intensity and Conflict Event Detection based on GDELT News Data

  • QI Lin ,
  • QIN Kun , * ,
  • LUO Ping ,
  • YAO Borui ,
  • ZHU Zhaoyuan
Expand
  • School of Remote Sensing and Information Engineering, Wuhan University, Wuhan 430079, China

Received date: 2021-04-02

  Request revised date: 2021-05-17

  Online published: 2022-01-25

Supported by

National Key Research and Development Program, No(2017YFB0503600)

National Natural Science Foundation of China, No(U1833201)

Copyright

Copyright reserved © 2021. Office of Journal of Geo-information Science All articles published represent the opinions of the authors, and do not reflect the official policy of the Chinese Medical Association or the Editorial Board, unless this is clearly specified.
Fold

Abstract

Conflicts occur frequently at any time and any place in the world. Conflicts often erupt between two or more parties. Analyzing the relation between various conflicts and monitoring the development and evolution of conflicts can help provide measures to intervene in conflicts and provide humanitarian assistance in the embryonic stage of conflicts, which can further help avoid the escalation of conflicts. Various conflict has attracted lots of attention from the public. The occurrence of various conflicts is usually reported by the news media in a timely manner, and each event information can be automatically collected by computers and recorded in news databases. The conflict news database contains a wealth of information. It provides a feasible way to extract the information of conflict events from the new data, quantify the conflict intensity, and analyze the change of national conflict intensity. The GDELT is such an excellent event database which monitors news from different sources around the world in real time, automatically extracts events and event attribute information in news, and classifies the event into conflict events and cooperation events. This paper uses GDELT event database as the data source and comprehensively obtains the number of events, the impact of the events, and the degree of attention to conflict events. We propose a method to quantitatively express the intensity of conflicts by using the global conflict index and the local conflict index for different spatial scales. At the global scale, we calculate the global conflict index of countries around the world to measure the intensity of national conflicts and analyze the spatial distribution of the intensity of global national conflicts. At the country level, the local conflict index is calculated to measure the change of conflict intensity in a country. Based on the quantitative expression of conflict intensity, a distance-based time series conflict detection method is employed to detect the occurrence of conflict events. The results show that: 1) Countries with high conflict intensity are mainly concentrated in Africa and the Middle East, and there is obvious spatial agglomeration of global conflict intensity; 2) The sudden increase in the national conflict index usually corresponds to the occurrence of some conflict events. The method of conflict detection in this paper can effectively detect the sudden increase in time and provide support for the early warning of conflicts. The research results of this paper can provide references for the analysis of international conflict relations and the decision-making of international rescue organizations.

Key words： GDELT; conflict intensity; global conflict index; local conflict index; conflict quantitative expression; conflict detection; spatial analysis

Cite this article

QI Lin , QIN Kun , LUO Ping , YAO Borui , ZHU Zhaoyuan . Quantitative Expression of Conflict Intensity and Conflict Event Detection based on GDELT News Data[J]. Journal of Geo-information Science, 2021 , 23(11) : 1956 -1970 . DOI: 10.12082/dqxxkx.2021.210172

1 引言

冲突与和平是一个永恒的话题。虽然当今世界总体处于和平稳定的环境中,但局部地区依旧存在各种矛盾、冲突事件的发生。冲突的起因是多方面的,及时检测冲突并预测冲突的发生,从而辅以援助、实施人道主义行动等手段,可以有效避免冲突的爆发和升级。自冷战之后,世界范围内的冲突呈现增多趋势,冲突涉及的行为体和利益日益多样[1]。面对冲突事件不断发生的现状,如何检测暴力、冲突等事件的发生成为了学者研究的兴趣所在。
在大多数的地方,各种事件通常会被新闻媒体迅速报道和记录[2],通过收集新闻数据及时检测冲突事件是一个有效的解决方法。过去几十年,研究人员建立了数十个政治冲突的数据集,通过历史数据对政治冲突进行讨论。常用的数据集有很多[3,4,5,6,7,8],通常包括UCDP、ACLED与GDELT等,其中本文使用的GDELT(The Global Database of Events, Language, and Tone)数据集[8]是属于机器自动编码的一种数据,它可以捕获世界范围内的新闻媒体数据来描述世界社会现状与政治形式。随着地理空间分析技术和人工智能抽取社会事件信息技术逐渐成熟,机器编码数据准确性有所提升[9],已有研究表明,GDELT数据库可以对重大事件进行有效捕获[10,11],同时GDELT数据还具有数据来源广、时间序列长、更新速度快等特点,因此非常适用于冲突事件的检测分析。自GDELT数据开发以来,大量学者对其进行了分析与挖掘,GDELT数据被用于探索社会动荡[12,13]、研究情绪分布结构[14]、分析国际关系[15,16,17]与种族冲突[18]等。GDELT事件数据总体被划分为合作与冲突2种类型,基于这一特点,很多学者开展了众多内部冲突与外部冲突的案例研究。如通过观察斯里兰卡内战、斐济政变期间的每周新闻数量变化,发现新闻数量的骤增往往对应于冲突事件的发生[19];提取历史冲突数据特征,使用隐马尔可夫模型[20]、回归模型[21,22]、时间序列模型[23]等对冲突事件进行预测。由于GDELT事件数据具有空间位置信息,近年来采用GDELT数据分析地缘政治与政治风险的研究也日益增多,如利用GDELT数据的GoldsteinScale字段计算中美态度指数,分析中美地缘政治关系波动变化[24];建立归一化变量评估“一带一路”沿线国家政治风险,分析其时空演变规律等[25]。
自21世纪以来,冲突风险定量建模已经成为了冲突与和平研究的标准做法[26],冲突强度定量表达是开展冲突风险检测和预测的前提。目前有很多关于冲突强度量化的研究[27,28,29,30],较为著名的有全球恐怖主义指数、全球和平指数以及全球冲突风险指数等,其中全球恐怖主义指数依据世界各国恐怖主义活动进行排名,其评分方式仅考虑与恐怖事件影响相关的因素[29];全球和平指数引用联合国与国际资料,采用23个定性和定量指标分析国家不同领域的和平状况[30];全球冲突风险指数利用UCDP数据集定义冲突发生率,通过观察国家年历史数据,从国家政治、安全、社会、经济和地理5个领域选取变量对国家冲突风险进行预测[26]。
在冲突量化的基础上,如何检测和预测冲突的发生是研究人员关注的重点。在冲突检测方面,常用的冲突检测方法是一些分类模型,如人工神经网络[31],朴素贝叶斯分类[32]、随机森林模型[33]等,通过训练数据信息预测新的特征数据分类结果,从而实现冲突事件的检测。除了基于分类的方法外,也有学者使用频繁子图[12]、变化点分析法[19]检测冲突事件。在冲突风险预测模型方面,最常使用的是logistic回归模型,被用于估计发生暴力冲突事件的概率[34,35,36],在此研究基础上,研究人员还扩展创建了动态logistic[37]、条件logistic[38]等回归预测模型。2020年欧盟委员会联合研究中心开发了一个动态全球冲突风险指数评估模型,使用新闻大数据作为数据源,利用长短期记忆循环神经网络模型对时间序列数据进行分类并预测,该方法有望实现月度的冲突事件预测[39]。
虽然目前已有很多关于冲突量化以及冲突检测的相关研究,但是这些方法普遍存在以下局限性。① 基于传统统计数据量化冲突强度的方法,普遍是通过人工收集整理年度数据,该方法虽可靠性相对较高,但是此方法获取数据的时间周期长,收集难度大,人工成本高,自动化程度低,多是一年对冲突风险进行一次评估。② 基于分类方法的冲突检测需要历史真实冲突数据对模型进行训练,而训练集与测试集的收集、制作非常困难,预测分类结果对输入数据质量和事件分类方法有很强的依赖性。③ 基于新闻大数据检测和预测冲突的方法,冲突定量表达多是使用不同类型的事件数量进行量化,仅使用事件数量衡量冲突强度具有一定的缺陷性,因为不同事件其影响大小不同。从过去的研究来看,GDELT数据有应用于冲突量化分析的潜力[39,40],因此,本文考虑多种事件属性信息,提出了一种利用全球冲突指数与局部冲突指数量化不同空间尺度研究对象冲突强度的定量表达方法描述冲突特征,在冲突强度量化的基础上分析全球冲突强度空间分布规律、研究冲突检测方法。

2 研究思路与数据处理

2.1 研究思路

GDELT是世界上最大的政治新闻事件数据库之一,它近实时地监测着全球范围内以不同形式发布的新闻媒体数据,提取新闻数据中的事件信息进行存储。GDELT数据库使用CAMEO[41]（Conflict and Mediation Event Observations）编码框架对事件进行编码,因此,GDELT数据库中提取的新闻事件均为政治合作或冲突事件。GDELT数据具有强时效性、高信息量的特征,GDELT数据库中每日都会更新数以万计的冲突新闻事件记录。在已有的基于新闻大数据冲突检测方法研究中,很多方法都是将冲突新闻事件总量或特定类型新闻事件数量作为冲突特征输入检测模型进行检测,然而,仅仅使用冲突事件数量并不能很好地描述冲突特征,因为每个冲突事件的影响大小是不同的。GDELT数据记录了很多事件属性信息,这些属性信息可以反映事件的地理位置信息、事件影响性大小以及事件关注度等,充分利用事件属性信息可以更加全面的表达冲突特征。因此,本文的基本研究思路是：不仅只考虑冲突新闻事件数量,同时也考虑事件影响性、事件关注度2个因素,提出一种冲突强度定量表达方法对冲突强度进行量化描述冲突特征,在冲突强度量化的基础上开展冲突强度空间特性分析与冲突检测方法的研究。本文具体的研究技术路线如图1所示。
图1 研究技术路线

Fig. 1 Research technology roadmap

本文充分利用GDELT事件属性信息,考虑冲突事件数量、冲突事件影响性、冲突事件关注度3个因素,提出一种冲突强度量化方法,分别利用全球冲突指数（Global Conflict Index, GCI）与局部冲突指数（Local Conflict Index, LCI）量化不同空间尺度研究对象的冲突强度。首先,在全球研究尺度上,利用全球冲突指数表达国家冲突强度,分析全球国家冲突强度空间分布特性。其次,在国家尺度上,利用局部冲突指数量化一个国家的冲突强度,观察国家的局部冲突指数时序变化情况,并在此基础上研究一种对冲突强度超过特定阈值的冲突进行检测的方法。

2.2 数据处理

GDELT记录的事件具有位置信息,其中ActionGeo_CountryCode代表事件发生地的地理位置编码,本文选用ActionGeo_CountryCode作为冲突事件发生地进行分析。另外,数据还包含QuadClass、GoldsteinScale、NumMentions等字段。QuadClass将事件划分成了4大类型：1代表口头合作、2代表实质合作、3代表口头冲突、4代表实质冲突。GoldsteinScale为一个分值,用以衡量事件对国家产生的潜在影响,取值范围为-10到+10之间。NumMentions表示数据库内所有文章提及某事件的次数,可以用于评估某事件的重要性。本文根据ActionGeo_CountryCode、QuadClass、GoldsteinScale、NumMentions4个字段对数据进行筛选与处理,处理流程如图2所示。首先选取一年（以2019年为例）的GDELT事件库数据,根据QuadClass字段对冲突数据进行筛选,剔除属性记录值重复与所需属性记录值为空的事件数据;按年尺度分别统计各个国家/地区的属性数据,计算各个国家/地区的全球冲突指数GCI;选取利比亚、叙利亚与阿富汗作为案例,按日尺度统计国家/地区的属性数据,计算国家/地区局部冲突指数LCI。本文将利用全球冲突指数与局部冲突指数量化冲突强度,并进行全球冲突强度空间特性分析与冲突事件检测方法的研究。
图2 数据处理流程

Fig. 2 Data processing flow

3 全球冲突强度量化方法及验证分析

3.1 全球冲突强度量化

GDELT监测的新闻数据源非常广泛,其不仅来源于互联网资源,也会从广播、印刷、报纸等离线资源中收集文档[10]。这些新闻报道来源于不同的新闻记者,由于记者具有选择偏见,因此每个国家的新闻报道量会有所不同。在关于新闻报道分析的研究中,常用提及一个国家的新闻数量来衡量新闻的地理性[42,43]。因此,本文对2019年的GDELT冲突新闻数据进行了统计,以观察冲突新闻数量的地区差异性。
图3对2019年全球冲突新闻数量的空间分布进行了可视化。观察图3可以发现,冲突新闻数量较多的国家/地区主要分布在北美洲和中东地区,部分欧洲、亚洲、非洲、大洋洲的国家/地区冲突新闻数量也较多。冲突新闻数量少的国家/地区主要分布在非洲和南美洲,大多数的国家/地区全年冲突新闻报道量在5万条以下。对比而言,冲突新闻报道量的地区差异性是巨大的。本文对冲突新闻数量排名前10的国家进行了统计,结果如图4所示。前10国家分别为美国、印度、英国、尼日利亚、以色列、中国、加拿大、俄罗斯、巴基斯坦、澳大利亚,观察可以发现这些国家基本都是人口大国或是一些发达国家,记者的报道可能对于这类国家更具偏向性。排名前十的国家中,美国处于绝对的领先地位,冲突新闻报道量对比第二名在其6倍以上,而后续国家的报道量差异相对较小。
图3 2019年全球冲突新闻数量空间分布

注：该图基于自然资源部标准地图服务网站下载的审图号为GS(2016)1663号的标准地图制作,底图无修改。

Fig. 3 Spatial distribution of global conflict news in 2019

图4 2019年冲突新闻数量前10国家

Fig. 4 Top 10 countries of conflict news in 2019

从上述分析可知,冲突新闻报道量的地区差异性巨大,报道量排名靠前的国家都是一些人口大国或是发达国家,而目前国家形势并不稳定的一些中东、非洲国家,新闻报道量并不是很多,但是这些国家冲突强度显然大于美国、英国等发达国家。因此,通过冲突新闻报道数量来衡量一个国家的冲突强度并不科学。本文考虑冲突事件数量、事件影响性、冲突事件关注度这3个因素,提出一种基于新闻数据的冲突强度定量表达方法,在以全球国家/地区为研究对象的全球尺度上,利用式（1）计算国家全球冲突指数(Global Conflict Index, GCI)对国家冲突强度进行量化。
GCI = ∑ i = 1 N ABS ( G S i ) N × ∑ i = 1 N M T i ∑ i = 1 M M T i
式中：ABS( G S i)代表每个冲突事件GoldsteinScale分值的绝对值;N代表某国家/地区冲突新闻事件总数; M T i代表i事件提及数;M代表某国家/地区所有的新闻事件总数。
式（1）使用GS分值计算冲突事件的平均影响性,使用冲突事件提及总数与所有事件提及总数的比值代表国家/地区冲突关注程度,综合考虑了事件影响性与冲突关注度对国家/地区的冲突强度进行量化。

3.2 GCI验证

本文的冲突强度是基于新闻冲突事件信息计算的,冲突包含口头冲突与实质冲突,涉及的具体冲突事件类型包含威胁、抗议、袭击、战争冲突等。在已有的冲突强度定量表达方法中,全球和平指数(Global Peace Index, GPI)涉及的指标包含国家内部冲突、外部冲突、凶杀案、冲突死亡人数、暴力犯罪程度等统计因素,统计指标类型覆盖范围较为广泛。此外,全球和平指数是根据人工收集统计数据计算获得的,数据来源相比机器编码分类数据可靠性更强。因此,本文将会使用全球和平指数与本文的冲突强度量化结果进行对比分析,以验证使用GCI表达国家冲突强度的准确性。
利用GCI计算公式,对2019年全球各国/地区的冲突强度进行量化,参考《2019年全球和平指数》[30]报告各等级国家划分个数将冲突强度划分成了5个等级,结果如图5所示。在图5中,冲突强度等级为高的国家/地区有布基纳法索、马里、伊拉克、索马里、波黑、也门、缅甸、利比亚、以色列、叙利亚、阿富汗、阿尔及利亚、尼日尔、喀麦隆、苏丹、斯里兰卡。在冲突强度高的国家中,这些国家在2019年期间基本处于内战状态,如也门、叙利亚、利比亚;或是在此期间遭受恐怖组织袭击,发生了小规模的武装冲突,如布基纳法索、马里、尼日尔。在《2019年全球和平指数》[30]报告中,本文冲突强度等级高的国家大部分其和平程度等级均为低或很低,只有布基纳法索、波黑、阿尔及利亚三国和平程度为中等。为进行定量的对比分析,同时为避免偶然性,本文计算2018—2020年GCI与全球和平指数的皮尔逊相关系数,计算结果如表1所示。从表1可以看到,GCI与全球和平指数的相关系数均大于0.5,表明二者之间具有显著的正相关性。GCI与全球和平指数的相关分析结果,从一定程度上反映了本文使用GCI衡量国家/地区冲突强度的准确性。
表1 2018—2020年GCI与GPI皮尔逊相关系数计算结果

Tab. 1 Calculation results of Pearson correlation coefficient between GCI and GPI from 2018 to 2020

年份 相关系数r P值
2018 0.602 < 0.001
2019 0.545 < 0.001
2020 0.692 < 0.001

3.3 冲突强度空间特性分析

从图5可以观察到,冲突强度高的国家主要集中在中东地区与非洲地区,而冲突强度低的国家则分布散乱。2019年,中东许多国家都还处于战争状态,一些非洲国家也时常遭受恐怖组织袭击,发生了众多暴力冲突事件,中东地区与非洲地区社会情况极不稳定。本文对GCI指数进行Getis-Ord Gi*热点分析,观察2019年全球冲突强度空间冷、热点分布,结果如图6所示。从图6可以观察到,冲突强度高的热点区域主要集中在中东和北非地区,究其原因,这与众多中东和北非国家2019期间政治动荡、社会情况不稳定的状态有关。除了中东和非洲地区外,欧洲和南亚也存在极少数的冲突热点区域。此外,观察冲突冷点可以发现,冲突冷点地区主要是一些国家的附属岛屿,且在空间上分布散乱。在GDELT新闻数据中,关于这些附属岛屿的冲突新闻事件数量较少,因此这些附属岛屿地区的冲突强度也较低。
国家的冲突起因是多方面的,如宗教矛盾、民族矛盾、领土争端、资源争夺等,其中领土争端是最易引发战争的因素之一[44],通常发生在地域相邻的两国之间。此外,一些已有的研究表明暴力冲突与邻国冲突局势之间存在很强的相关性,如果拥有一个非民主的或处于战争中的邻居,那么本国发生战争的风险也会显著增加[45,46]。基于已有研究,本文分析冲突关系在空间上可能存在一定的相关性。因此,本文对GCI指数进行空间自相关分析,以距离作为空间权重计算Moran's I。GCI的Moran's I指数计算结果为0.162(P=0.000),Z得分为7.455远大于2.58,表明冲突关系在空间上存在明显的聚类现象,呈空间正相关关系。

4 局部冲突强度量化方法及冲突事件 检测方法

4.1 局部冲突强度量化

本文3.1节介绍了在全球尺度上冲突强度定量表达的方法,而在以单个国家/地区为研究对象的国家尺度上,冲突定量表达方法与全球尺度原理相同。同样考虑事件影响性与冲突事件关注度,使用式（2）计算局部冲突指数(Local Conflict Index, LCI)量化一个国家的冲突强度。LCI与GCI表达冲突强度的原理相同,其不同之处在于冲突关注度的衡量方法,GCI使用冲突事件提及量与所有事件提及量的比值表达国家/地区冲突关注程度,而LCI使用冲突事件提及量代表国家/地区冲突关注度。
LCI = ∑ i = 1 N ABS ( G S i ) N × ∑ i = 1 N M T i
式中：ABS( G S i)代表每个冲突事件GoldsteinScale分值的绝对值;N代表某国家/地区冲突新闻事件总数; M T i代表i事件提及数。
在关于全球冲突强度的分析中,可以发现北非地区和中东地区是高冲突强度集中的地区,是冲突检测需要关注的重点区域。本文分别从北非地区和中东地区选取利比亚、叙利亚与阿富汗进行分析,以日为时间尺度计算2019年LCI,观察国家冲突强度的时序变化情况。利比亚、叙利亚与阿富汗的LCI变化情况如图7—图9所示,可以发现, LCI的时序变化会出现突增的现象,这种现象对应于一些冲突事件的发生。如图7中,2019年4月8日与2019年7月3日LCI剧增,其中4月8日对应于“利比亚东部军事领导人下令进军利比亚首都的黎波里,美国从利比亚撤军使得利比亚形式变得更加复杂”等事件;7月3日对应“利比亚首都的黎波里附近的一个移民拘留中心遭遇空袭,初步估计造成了44人死亡,130多人受伤”等事件。在图8中,2019年10月9日与2019年10月27日LCI值较大,其中10月9日对应“‘伊斯兰国’极端组织武装分子对叙利亚北部的拉卡市发起了自杀式炸弹袭击”等事件;10月27日对应“美国对叙利亚发起突袭,激进组织“伊斯兰国”的领导人阿布·巴克·巴格达迪在叙利亚西北部被杀害”等事件。在图9中,2019年8月18日与2019年9月8日的LCI较大,其中8月18日对应“阿富汗喀布尔市发生爆炸,造成40人死亡,100人受伤”等事件;9月8日对应于“由于喀布尔发生的爆炸事件,美国总统特朗普取消了与塔利班领导人的秘密会晤”等事件。

4.2 冲突事件检测方法及验证

4.2.1 冲突事件检测方法
从4.1节内容可知,LCI的突增现象对应于冲突事件的发生。人工观察LCI变化图可以有效的检测出LCI突增值,然而却不够自动化,本文旨在探索一种冲突事件自动检测方法,实现LCI突增值的自动检测。类似LCI突增值这种意外的峰值可以称为异常值,在LCI时序数据中,这种异常值通常对应于某些冲突事件的发生。受到基于距离的时间序列异常检测算法[47]启发,将LCI突增点看作异常点,本文利用一种基于距离的时间序列异常点检测方法检测冲突事件,其算法流程如图10所示。算法基本思想如下：首先人工选取一段没有冲突事件发生的时间序列段,将该序列数据作为正常值序列进行初始化;手动设置一个检测阈值N,对下一个时间序列值进行检测;若该检测值大于N倍正常值序列的平均值,则认为该点是异常值,对异常值进行标记并发出警报;若检测值小于等于N倍正常值序列的平均值,则认为该点是正常值,将该检测值添加进正常值序列,对正常值序列进行更新;检测下一个时间序列值,直至所有序列值检测完成。
图10 冲突事件检测算法流程

Fig. 10 Conflict event detection algorithm flow chart

4.2.2 实验验证
人工观察图7—图9的LCI变化情况,可以看到2019年1月1日利比亚、叙利亚与阿富汗的LCI值都较低,反映此期间无严重冲突事件发生。将2019年1月1日的时间序列值初始化为正常值序列,设置利比亚检测阈值为5.5,叙利亚检测阈值为2.5,阿富汗检测阈值为2.5,使用本文的冲突事件检测方法分别对利比亚、叙利亚与阿富汗的LCI时间序列值进行检测,检测结果如图11—图13所示。
图5 2019年全球冲突强度空间分布

注：该图基于自然资源部标准地图服务网站下载的审图号为GS(2016)1663号的标准地图制作,底图无修改。

Fig. 5 Spatial distribution of global conflict intensity in 2019

图6 2019年全球GCI热点分析

注：该图基于自然资源部标准地图服务网站下载的审图号为GS(2016)1663号的标准地图制作,底图无修改。

Fig. 6 Hotspots analysis of global GCI in 2019

图7 2019年利比亚LCI时序变化

Fig. 7 Time series change of Libya LCI in 2019

图8 2019年叙利亚LCI时序变化

Fig. 8 Time series change of Syria LCI in 2019

图9 2019年阿富汗LCI时序变化

Fig. 9 Time series change of Afghanistan LCI in 2019

图11 2019年利比亚冲突检测结果

Fig. 11 Libya conflict detection results in 2019

图12 2019年叙利亚冲突检测结果

Fig. 12 Syria conflict detection results in 2019

图13 2019年阿富汗冲突检测结果

Fig. 13 Afghanistan conflict detection results in 2019

根据检测结果,本文查看原始新闻数据,考虑冲突事件性质、影响性与关注度,列举了报警日期的主要冲突事件,结果如表2—表4所示。在图11中,LCI异常发出警报的点共有23个,主要集中在2个时间段： ① 2019年4月4日—4月29日,在这时间段利比亚爆发了著名的首都争夺战,东部国民军进军首都的黎波里,与团结政府军发生内战,在此期间爆发了一系列的冲突事件,造成了大量的伤亡;② 2019年7月3日—7月5日,该时间段内的黎波里附近有一移民拘留中心遭遇空袭,造成严重死伤,新闻媒体对此进行了大量报道。除2个主要时间段外,还有一些分布散乱的时间点,分别对应了一些威胁、灾难、爆炸和绑架事件的发生。在图12中,LCI异常发出警报的点共有25个,同样主要集中在2个时间段：① 2019年10月7日—10月24日,该段时间内,美国撤出叙利亚,土耳其进攻叙利亚库尔德人,在此期间经历了武装冲突、停火、美国干预、谈判等一系列事件; ② 2019年10月27—10月31日,该段时间内美国对叙利亚恐怖组织发起突袭,杀害了恐怖组织的首领,媒体接连几天报道了与恐怖组织相关的新闻。此外,还有几个散乱的点分别对应爆炸、袭击和猛烈抨击事件。在图13中,LCI发出警报的点共有35个。与利比亚和叙利亚不同的是,阿富汗冲突预警的时间节点分布散乱而没有集中在某个时间段。2019年,美国与塔利班处于时断时续的谈判状态,然而在谈判期间塔利班组织依旧发动了多起恐怖袭击事件,对阿富汗的平民、政府军和美军都造成了严重的伤亡,美国最终终止了与塔利班的和谈。观察表4可以发现,2019年期间阿富汗LCI异常发出报警的点,大多数均与塔利班武装分子制造的恐怖袭击与爆炸事件有关。
表2 2019年利比亚冲突事件演进描述

Tab. 2 Evolution of Libya conflict events in 2019

时间 事件描述
2019-04-04 哈利法·哈夫塔尔部队开始向利比亚西部地区推进,首都的黎波里南部发生小规模冲突
2019-04-05 利比亚武装部队向的黎波里进军
2019-04-06 利比亚的黎波里边缘发生武装民兵暴力斗争事件,的黎波里机场被占领
2019-04-07 战争逼近利比亚首都,美国从利比亚撤军
2019-04-08 利比亚东部军事领导人下令进军利比亚首都,美国撤军后,的黎波里政府首脑指控“希夫特”背叛他,利比亚形式变得更复杂
2019-04-09 利比亚首都的黎波里及其周边地区的军事战斗持续升级,该市的民用机场遭遇空袭
2019-04-10 郊区战事激烈,成千上万人逃离的黎波里
2019-04-14 联合国卫生组织机构公布利比亚首都的持续冲突直至今日已导致至少121人丧生
2019-04-15 联合国卫生机构称在利比亚首都争夺战中,本月有146人丧生
2019-04-16 利比亚班加西,一个由犯罪团伙组成的民兵组织时刻为战争做着准备
2019-04-17 利比亚首都遭遇火箭袭击致死6人,同时联合国参与利比亚冲突停火谈判
2019-04-18 的黎波里停火草案未能达成协议,联合国安理会就利比亚危机问题产生意见分歧
2019-04-19 美国和俄罗斯阻止了英国试图促成联合国强制停火的企图,利比亚总理抨击世界“沉默”
2019-04-21 利比亚的黎波里的部分地区遭遇了空袭
2019-04-29 忠于前军事指挥官的利比亚部队对的黎波里加大了空袭,激烈的战斗和道路阻塞使平民被困家中
2019-06-30 利比亚武装分子威胁要瞄准土耳其利益
2019-07-03 利比亚首都的黎波里附近的移民拘留中心遭遇空袭,初步估计造成了44人死亡,130多人受伤
2019-07-04 的黎波里附近的移民拘留中心遭遇空袭,至少造成44人死亡,数十人受伤
2019-07-05 约有300名移民仍被关押在利比亚的拘留中心,那里有超过44人在空袭中丧生
2019-07-06 在利比亚首都争夺战中死亡人数上升至1000人,联合国呼吁利比亚停火
2019-07-26 25日,一艘船在利比亚海岸倾覆,多达150名移民失踪、死亡
2019-08-11 一辆汽车炸弹在利比亚班加西的一家购物中心爆炸,炸死三名联合国人员和数十名平民
2019-08-16 利比亚一名政客被绑架,已失踪4周
表3 2019年叙利亚冲突事件演进描述

Tab. 3 Evolution of Syria conflict events in 2019

时间 事件描述
2019-01-06 美国计划从叙利亚撤军,其余敌对大国开始尝试进入叙利亚东部
2019-01-16 叙利亚北部城镇曼比耶附近发生爆炸,造成人员伤亡
2019-01-21 以色列称伊朗的军事目标袭击了叙利亚,造成11人死亡
2019-08-19 叙利亚猛烈抨击土耳其向叛军输送武器
2019-10-07 土耳其总统威胁要在几个月内开展边界军事行动,同时美国撤军,为土耳其突击叙利亚扫清了道路
2019-10-08 土耳其对叙利亚哈萨克省自卫队基地发动空袭,炸毁叙利亚哈萨卡省两座桥梁
2019-10-09 “伊斯兰国”极端组织武装分子对叙利亚北部的拉卡市发起了自杀式的炸弹袭击
2019-10-10 土耳其入侵叙利亚第二天,土耳其地面部队突袭叙利亚北部的库尔德武装分子,对其进行空袭并向边界沿线的
城镇发射炮弹
2019-10-11 土耳其进攻叙利亚：随着袭击持续,数十人被杀
2019-10-12 土耳其军队占领了叙利亚主要边境城镇的中心,叙利亚库尔德军队在该镇的某些地区仍在顽强抵抗
2019-10-13 土耳其进攻叙利亚的第五天,土耳其媒体称部队已经占领了叙利亚东北部的苏鲁克镇
2019-10-14 由于美国在之前土耳其进攻叙利亚的时候选择撤军,美国遭到了强烈谴责,现特朗普公布说将对土耳其实施有力的制裁
2019-10-15 美国对土耳其实施制裁,埃尔多安呼吁北约为叙利亚提供帮助
2019-10-16 叙利亚政府军队进入边境城镇科巴尼,为土耳其军队建立了一条没有库尔德战士进攻的安全区
2019-10-17 美国代表团前往土耳其,向土耳其官员施加压力,要求其在叙利亚北部停火
2019-10-18 尽管美国副总统和土耳其总统已促成叙利亚为期五天的停火,但有目击者和库尔德武装人士称,土耳其和叙利亚的边界仍有冲突继续发生
2019-10-19 叙利亚库尔德人指责土耳其在关键的边境城市继续战斗,违反了停火协议,库尔德领导的部队没有撤出任何迹象
2019-10-20 在土耳其与叙利亚库尔德武装分子停火协议期间,一名土耳其士兵遭遇库尔德火力袭击而丧生
2019-10-22 土耳其表示,当停火协议结束时,它将继续对叙利亚北部的库尔德战士发动进攻,因为仍有数百库尔德人未按协议要求撤离
2019-10-23 特朗普宣称若土耳其与叙利亚永久停火,美国将会取消对土耳其的制裁
2019-10-24 在土耳其入侵期间,土耳其支持的部队从库尔德武装人员手中夺取了一辆炸弹汽车,引爆后炸死四人
2019-10-27 美国对叙利亚恐怖组织发起突袭,激进组织伊斯兰国的领导人阿布·巴克·巴格达迪在叙利亚西北部被杀害
2019-10-28 巴格达迪死后没有明显的继任者,接替巴格达迪的人鲜为人知,这可能会激发伊斯兰国恐怖能力,伊斯兰国威胁仍就存在
2019-10-29 国防部长马克·埃斯佩表示还需叙利亚库尔德人帮助继续打击伊斯兰国的残余人员
2019-10-31 伊斯兰国家集团宣布新的继任者,同时美国时刻保持着警惕,防止极端分子的报复袭击
表4 2019年阿富汗冲突事件演进描述

Tab. 4 Evolution of Afghanistan conflict events in 2019

时间 事件描述
2019-01-21 塔利班武装分子袭击阿富汗迈丹城的军事基地,造成了大量士兵伤亡
2019-01-22 塔利班袭击事件造成的死亡人数上升至45人
2019-01-23 一名美国军人在阿富汗被敌军枪杀
2019-03-16 大量关于回顾过去十年恐怖分子对教堂袭击的报道,其中阿富汗受灾严重
2019-03-17 阿富汗官员称在与塔利班的战斗中约有100名士兵逃离失踪
2019-04-09 塔利班对阿富汗边境的一个检查站发动袭击,炸死了20名士兵
2019-04-12 塔利班在与美国交谈的过程中宣布要开始发起春季的进攻
2019-04-24 联合国发文称阿富汗政府军及其同盟造成的平民伤亡人数多于叛乱分子人数
2019-05-08 塔利班武装分子袭击位于阿富汗首都的一间美国救援组织办公大楼,造成了至少5人死亡
2019-05-23 “美国塔利班”约翰·沃克·林德被释放,当局担心释放他可能会构成威胁
2019-07-14 恐怖分子袭击阿富汗的一间旅馆,造成11人丧生
2019-07-27 阿富汗冲突已持续将近二十年,好战集团仍然存在,但塔利班承诺阿富汗未来不会成为恐怖分子的温床
2019-07-30 两名美国军人在阿富汗被杀,媒体表示是阿富汗士兵袭击美军所致
2019-08-07 阿富汗的首都警察检查站附近发生汽车炸弹爆炸事件,造成95人受伤
2019-08-18 阿富汗喀布尔市发生爆炸事件,造成40人死亡,100人受伤
2019-08-19 阿富汗总统誓言要消除所有伊斯兰教徒的避风港
2019-08-31 塔利班对阿富汗昆都士发动了大规模袭击,炸伤七十多人
2019-09-01 阿富汗安全部队击退了塔利班对昆都士的进攻,但叛乱分子仍声称已占领重要的城市建筑物
2019-09-02 美特使与塔利班举行第9轮会谈,但是并没有达成最终协议
2019-09-03 即使美特使与反派组织在“原则上”达成协议,表明5000名美军将撤离阿富汗,但塔利班在阿富汗首都仍然制造了大规模爆炸事件
2019-09-05 塔利班在阿富汗首都制造汽车炸弹炸死了美国和罗马尼亚军人以及10名平民
2019-09-07 塔利班在喀布尔炸毁一辆汽车,造成16人死亡,数十人受伤
2019-09-08 在喀布尔发生炸弹事件后,美国总统特朗普取消了与塔利班领导人和阿富汗总统的秘密会晤
2019-09-09 在美国与塔利班的谈判停止后,阿富汗为防止新的暴力事件发生做好了准备
2019-09-10 美国总统特朗普声称与塔利班组织的和谈“死了”
2019-09-11 9/11周年纪念日,一枚火箭弹在美国驻阿富汗大使馆爆炸
2019-09-17 阿富汗总统竞选集会上发生炸弹袭击事件,炸死至少26人
2019-09-19 塔利班武装分子在阿富汗一家医院外引爆汽车炸弹,致20人死亡
2019-09-23 阿富汗政府军突袭伊斯兰武装分子藏身处,造成至少40名平民被枪杀
2019-09-28 阿富汗军队被部署到全国各地,以对抗投票站投塔利班的激进分子
2019-10-18 叛乱分子向阿富汗一座清真寺内发射迫击炮弹,造成至少25人死亡
2019-12-23 美军称一名美国军人在阿富汗行动中丧生
2019-12-24 阿富汗部队对恐怖武装分子采取行动,消灭了100多名恐怖分子,另外有45人受伤
2019-12-25 塔利班武装分子绑架了27名阿富汗西部的和平主义者
2019-12-30 塔利班议会同意在阿富汗停火,但并未明确停火时长和什么时候开始停火
从检测结果来看,本文的冲突事件检测方法可以有效地对冲突事件进行检测并进一步为预警提供支持。通过设置不同的检测阈值可以改变事件检测的灵敏度,将阈值设置越小,冲突报警则会越多。值得说明的是,检测阈值的设定非常关键,本文将利比亚、叙利亚与阿富汗的检测阈值分别设置为5.5、2.5和2.5,在其报警的日期中都找到了对应的一些冲突事件发生。虽然在本次的案例分析中报警日期都存在冲突事件的发生,但是由于阈值设置的问题,必定还存在漏报的情况,可能会因为阈值设置过大导致一些影响性相对不大的冲突事件并未进行报警。针对阈值的问题,建议可以根据不同国家的历史数据来进行分析,从而找到一个更加恰当的检测阈值。另外,由于是对冲突事件进行检测预警,建议将阈值设置偏小,从而可以对更多的冲突报警。这样设置同时可能会出现误报的情况,但是相对而言误报会比漏报代价小更多。此外,由于本文方法是基于新闻数据进行检测,由于地区时差和新闻报道滞后性等客观因素,这对冲突检测预警也具有一定的影响性。如在表2中,2019年7月3日,利比亚移民拘留中心遭遇空袭导致多人遇难,由于事件影响性较大,该事件在7月4日和7月5日还在报道,导致7月4日和7月5日的LCI也偏高,但该报警所指冲突事件是在7月3日发生的。同时表2中2019年7月26日的事件也是相同情况,事件在7月25日发生,但是由于时差或者报道滞后性的原因,该事件在26日才开始大量报道。

5 结论与展望

本文针对不同空间尺度研究对象提出了一种冲突强度定量表达方法,分别使用全球冲突指数(GCI)与局部冲突指数(LCI)对国家冲突强度进行衡量。以2019年GDELT数据为例对全球的冲突强度进行量化,分析全球地区冲突强度分布的空间特性;选取利比亚、叙利亚、阿富汗作为案例分析,以日为尺度研究3个国家冲突强度的变化情况,并研究一种基于距离的时间序列冲突事件检测方法对时序LCI进行检测预警,将此方法应用于每日更新的GDELT数据中,可以实现冲突事件近实时的监测。本文的分析结果如下：
（1）不同国家的冲突新闻数量不同,冲突新闻报道量的地区差异性巨大。基于此,本文综合考虑事件数量、影响性、冲突关注度提出了冲突强度的定量表达方法,在全球尺度下,使用GCI衡量国家冲突强度,发现GCI与全球和平指数具有显著正相关性。2019年期间,冲突强度高的国家主要集中在非洲和中东地区,冲突的热点区域分布在北非和中东;冲突强度低的国家分布散乱,冷点是一些关注度极低的附属岛屿,不存在明显的冲突冷点集聚区域。另外,全球冲突强度空间分布呈正相关关系,表明冲突事件具有明显的空间集聚性。
（2）在国家尺度上,利用LCI量化冲突强度,LCI突增的现象对应于冲突事件的发生。使用文本的基于距离的时间序列冲突事件检测法可以有效的对冲突事件进行检测并预警。但是,阈值的确定非常关键,阈值设定不恰当可能会发生漏报或误报的情况。阈值设定可以在分析对应地区历史数据的基础上,采取设置初始阈值并不断调整的方式确定最后合适的阈值。
本文提取新闻中的冲突事件,考虑事件数量、事件影响性、事件关注度3个因素提出了针对不同空间尺度的国家冲突强度量化方法,并对国家冲突强度空间分布规律进行分析;同时使用一种冲突事件检测方法,对冲突事件进行检测与预警,研究结果可为联合国、红十字会等救援组织的决策者提供参考。本文冲突强度定量表达的方法是针对GDELT单源数据提出的,使用单一数据进行分析难免存在可靠性低的问题,本文下一步工作准备融合多源数据量化分析冲突关系,提高分析结果的可靠性。此外,考虑对冲突检测算法进一步改进,为各个冲突事件分配权重,从而实现在自动预警的同时可以将预警与权重靠前的冲突事件实行自动匹配。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
申文. 联合国预防冲突:进展,局限与前景[J]. 湖北社会科学, 2020(5):58-67.

[ Shen W. United Nations conflict prevention: Progress, limitations and prospects[J]. Hubei Social Sciences, 2020(5):58-67. ]

[2]
Yonamine J E. A nuanced study of political conflict using the Global Datasets of Events Location and Tone (gdelt) dataset[D]. Pennsylvania: Dissertations and Theses - Gradworks, 2013.

[3]
Sarkees M R, Schafer P. The correlates of war data on war: An update to 1997[J]. Conflict Management and Peace Science, 2000, 18(1):123-144.

DOI

[4]
Jones D M, Bremer S A, Singer J D. Militarized interstate disputes, 1816-1992: Rationale, coding rules, and empirical patterns[J]. Conflict Management and Peace Science, 1996, 15(2):163-213.

DOI

[5]
Department of Peace and Conflict Research. UCDP - Uppsala Conflict Data Program[EB/OL]. https://www.ucdp.uu.se/, 2021-3-15.

[6]
Raleigh C, Linke A, Hegre H, et al. Introducing ACLED: An armed conflict location and event dataset[J]. Journal of Peace Research, 2010, 47(5):651-660.

DOI

[7]
Lautenschlager J, Shellman S, Ward M. Icews event aggregations[J]. Harvard Dataverse, 2015, 3:1-42.

[8]
Leetaru K, Schrodt P A. Gdelt: Global data on events, location, and tone, 1979-2012[C]// ISA annual convention, Citeseer, 2013, 2(4):1-49.

[9]
江东, 陈帅, 付晶莹, 等. GIS支持下的全球武装冲突数据体系建设评介[J]. 地球信息科学学报, 2020, 22(4):784-791.

DOI

[ Jiang D, Chen S, Fu J Y, et al. Review on the construction of global armed conflict data system supported by GIS[J]. Journal of Geo-information Science, 2020, 22(4):784-791. ]

[10]
Kwak H, An J. Two tales of the world: Comparison of widely used world news datasets GDELT and EventRegistry[C]// Proceedings of the International AAAI Conference on Web and Social Media. 2016, 10(1):619-622.

[11]
Ward M D, Beger A, Cutler J, et al. Comparing GDELT and ICEWS event data[J]. Analysis, 2013, 21(1):267-297.

[12]
Qiao F C, Li P, Deng J S, et al. Graph-based method for detecting occupy protest events using GDELT dataset[C]// 2015 International Conference on Cyber-Enabled Distributed Computing and Knowledge Discovery. IEEE, 2015:164-168.

[13]
Galla D, Burke J. Predicting social unrest using GDELT[M]//Machine Learning and Data Mining in Pattern Recognition. Cham: Springer International Publishing, 2018:103-116.

[14]
龚为纲, 朱萌. 社会情绪的结构性分布特征及其逻辑——基于互联网大数据GDELT的分析[J]. 政治学研究, 2018(4):90-102,128.

[ Gong W G, Zhu M. The hierarchical distribution characteristics of social emotions and the explanation—analysis based on internet big data set GDELT[J]. CASS Journal of Political Science, 2018(4):90-102,128. ]

[15]
秦昆, 罗萍, 姚博睿. GDELT数据网络化挖掘与国际关系分析[J]. 地球信息科学学报, 2019, 21(1):14-24.

DOI

[ Qin K, Luo P, Yao B R,. Networked mining of GDELT and international relations analysis[J]. Journal of Geo-Information Science, 2019, 21(1):14-24. ]

[16]
池志培, 侯娜. 大数据与双边关系的量化研究:以GDELT与中美关系为例[J]. 国际政治科学, 2019, 4(2):67-88.

[ Chi Z P, Hou N. Quantitative research on big data and bilateral relationship: Taking GDELT and Sino-US relationship as an example[J]. Quarterly Journal of International Politics, 2019, 4(2):67-88. ]

[17]
薛浩男, 张雪英, 吴明光, 等. 基于新闻数据的新冠疫情事件下“全球-中国”国际关系变化分析方法[J]. 地球信息科学学报, 2021, 23(2):351-363.

DOI

[ Xue H N, Zhang X Y, Wu M G, et al. The analysis method of changes in "Global-China" international relations during the COVID-19 event based on news data[J]. Journal of Geo-information Science, 2021, 23(2):351-363.]

[18]
Sharma K, Sehgal G, Gupta B, et al. A complex network analysis of ethnic conflicts and human rights violations[J]. Scientific Reports, 2017, 7:82-83.

DOI

[19]
Keertipati S, Savarimuthu B T R, Purvis M, et al. Multi-level analysis of peace and conflict data in GDELT[C]//Proceedings of the MLSDA 2014 2nd Workshop on Machine Learning for Sensory Data Analysis - MLSDA'14. New York: ACM Press, 2014: 33-40.

[20]
Qiao F C, Li P, Zhang X, et al. Predicting social unrest events with hidden Markov models using GDELT[J]. Discrete Dynamics in Nature and Society, 2017, 2017:1-13.

[21]
Alikhani E. Computational social analysis: Social unrest prediction using textual analysis of news[M]. New York: State University of New York at Binghamton, 2014.

[22]
Weidmann N B, Ward M D. Predicting conflict in space and time[J]. Journal of Conflict Resolution, 2010, 54(6):883-901.

DOI

[23]
Yonamine J E. Predicting future levels of violence in afghanistan districts using gdelt[EB/OL]. http://data.gdeltproject.org/documentation/Predicting-Future-Levels-of-Violence-in-Afghanistan-Districts-using-GDELT.pdf, 2021-3-15.

[24]
沈石, 袁丽华, 叶思菁, 等. 近40年中美地缘政治关系波动及背景解析[J]. 地理科学, 2019, 39(7):1063-1071.

DOI

[ Shen S, Yuan L H, Ye S J, et al. The fluctuation and background analysis of geopolitical relations between China and the United States during the last 40 years[J]. Scientia Geographica Sinica, 2019, 39(7):1063-1071. ]

DOI

[25]
Sun X H, Gao J B, Liu B, et al. Big data-based assessment of political risk along the Belt and Road[J]. Sustainability, 2021, 13(7):3935.

DOI

[26]
Halkia M, Ferri S, Schellens M K, et al. The Global Conflict Risk Index: A quantitative tool for policy support on conflict prevention[J]. Progress in Disaster Science, 2020, 6:100069.

DOI

[27]
Brauer J, Anderton C H. Conflict and peace economics: Retrospective and prospective reflections on concepts, theories, and data[J]. Defence and Peace Economics, 2020, 31(4):443-465.

DOI

[28]
Firchow P, Ginty R M. Measuring peace: Comparability, commensurability, and complementarity using bottom-up indicators[J]. International Studies Review, 2017, 19(1):6-27.

DOI

[29]
The Institute for Economics and Peace. GLOBAL TERRORISM INDEX 2019[EB/OL].https://reliefweb.int/sites/reliefweb.int/files/resources/GTI-2019web.pdf, 20 21-3-15.

[30]
The Institute for Economics and Peace. GLOBAL PEACE INDEX 2019[EB/OL]. https://reliefweb.int/sites/reliefweb.int/files/resources/GPI-2019-web003.pdf, 2021-3-15.

[31]
Beck N, King G, Zeng L C. Improving quantitative studies of international conflict: A conjecture[J]. The American Political Science Review, 2000, 94(1):21-35.

DOI

[32]
Perry C. Machine learning and conflict prediction: A use case[J]. Stability: International Journal of Security and Development, 2013, 2(3):56.

DOI

[33]
Muchlinski D, Siroky D, He J R, et al. Comparing random forest with logistic regression for predicting class-imbalanced civil war onset data[J]. Political Analysis, 2016, 24(1):87-103.

DOI

[34]
Collier P, Hoeffler A. Greed and grievance in civil war[J]. Oxford Economic Papers, 2004, 56(4):563-595.

DOI

[35]
Caprioli M. Primed for violence: The role of gender inequality in predicting internal conflict[J]. International Studies Quarterly, 2005, 49(2):161-178.

DOI

[36]
Gleditsch K S, Ward M D. Forecasting is difficult, especially about the future[J]. Journal of Peace Research, 2013, 50(1):17-31.

DOI

[37]
Hegre H, Karlsen J, Nygård H M, et al. Predicting armed conflict, 2010-2050[J]. International Studies Quarterly, 2013, 57(2):250-270.

DOI

[38]
Goldstone J A, Bates R H, Epstein D L, et al. A global model for forecasting political instability[J]. American Journal of Political Science, 2010, 54(1):190-208.

DOI

[39]
Halkia M, Ferri S, Papazoglou M, et al. Conflict event modelling: Research experiment and event data limitations[C]// Proceedings of the Workshop on Automated Extraction of Socio-political Events from News 2020. 2020:42-48.

[40]
Levin N, Ali S, Crandall D. Utilizing remote sensing and big data to quantify conflict intensity: The Arab Spring as a case study[J]. Applied Geography, 2018, 94:1-17.

DOI

[41]
Gerner D J, Schrodt P A, Yilmaz O, et al. The creation of CAMEO (Conflict and Mediation Event Observations): An event data framework for a post cold war world[C]// Annual Meeting of The American Political Science Association, 2002: 29.

[42]
Wilke J, Heimprecht C, Cohen A. The geography of foreign news on television[J]. International Communication Gazette, 2012, 74(4):301-322.

DOI

[43]
Kwak H, An J. A first look at global news coverage of disasters by using the GDELT dataset[C]// International Conference on Social Informatics, Cham: Springer, 2014:300-308.

[44]
吴志成, 陈一一. 国家间领土争端缘何易于复发[J]. 世界经济与政治, 2015(2):111-136,159.

[ Wu Z C, Chen Y Y. Why is territorial dispute more likely to recur?[J]. World Economics and Politics, 2015(2):111-136,159. ]

[45]
Sambanis N. Do ethnic and nonethnic civil wars have the same causes?[J]. Journal of Conflict Resolution, 2001, 45(3):259-282.

DOI

[46]
Buhaug H, Gleditsch K S. Contagion or confusion? Why conflicts cluster in space[J]. International Studies Quarterly, 2008, 52(2):215-233.

DOI

[47]
Knorr E M, Ng R T, Tucakov V. Distance-based outliers: Algorithms and applications[J]. The VLDB Journal, 2000, 8(3):237-253.

DOI

Options
Outlines

/

〈 〉