When the Levee Breaks: A Forecasting Model of Violent and Nonviolent Dissent

Forecasting major political conflicts is a long-time interest in conflict research. However, the literature thus far has focused almost exclusively on armed conflicts such as civil wars. Attempts to forecast primarily unarmed conflicts have yet to identify a model able to forecast such uprisings with a high degree of accuracy. This thorny forecasting problem may in part be due to the literature's heavy focus on parametric forecasting methods and relatively rare testing and comparison of a wide range of forecasting algorithms. This paper addresses these gaps in the literature by developing the first unified forecasting model of both major armed and unarmed conflicts at the country-year level based on extensive training, cross-validation, and comparison of eight machine learning algorithms and five forecasting ensembles. We draw on two types of data: slow-moving structural factors such as geography and levels of economic development and short-term political dynamics captured by events data trends, to inform our forecasting models. This approach significantly improves predictive power for both armed and unarmed conflict in comparison to commonly used methods in the literature and suggests that there is significant room for improving forecasts of major political conflicts. However, our algorithms still forecast armed conflict significantly better than unarmed conflict, suggesting the need for continued theory development to inform future forecasting efforts in this area. El poder predecir los grandes conflictos politicos es un tema que interesa desde hace tiempo dentro del campo de la investigacion de conflictos. Sin embargo, hasta ahora, la literatura especializada se ha centrado casi exclusivamente en los conflictos armados, como, por ejemplo, las guerras civiles. Los intentos de predecir conflictos, principalmente no armados, aun no han podido identificar un modelo capaz de pronosticar estos levantamientos con un alto grado de precision. Este azaroso problema para realizar predicciones puede deberse, en parte, a que la literatura se centra mucho en los metodos predictivos parametricos y a que las pruebas y comparaciones de una amplia gama de algoritmos de prediccion son relativamente escasas. Este articulo aborda estas lagunas en la literatura desarrollando el primer modelo unificado de prediccion, tanto de los grandes conflictos armados como de los no armados a nivel de pais-ano, basado en formacion intensiva, validacion cruzada y en la comparacion de ocho algoritmos de aprendizaje automatico y cinco conjuntos predictivos. Recurrimos a dos tipos de datos: factores estructurales de evolucion lenta, como la geografia y los niveles de desarrollo economico, asi como la dinamica politica a corto plazo plasmada en las tendencias registradas en los datos de los acontecimientos, para fundamentar nuestros modelos de prediccion. Este enfoque mejora significativamente el poder de prediccion, tanto para los conflictos armados como para los no armados, en comparacion con los metodos que se usan habitualmente en la literatura y sugiere que hay un margen significativo para mejorar las predicciones de los grandes conflictos politicos. Sin embargo, nuestros algoritmos siguen prediciendo mucho mejor los conflictos armados que los no armados, lo que sugiere la necesidad de seguir desarrollando la teoria para fundamentar los futuros esfuerzos de prediccion en este ambito. L'anticipation de conflits politiques majeurs est un objet de recherche deja ancien. Toutefois, a ce jour, la litterature specialisee existante est presque exclusivement focalisee sur les conflits armes, tels que les guerres civiles. Les efforts de prediction portant sur des conflits principalement non armes requierent donc l'identification d'un modele capable de prevoir les soulevements, et ce avec un haut degre de precision. Cet epineux probleme de prevision est probablement partiellement du a une litterature fortement axee sur des methodes de prevision de type parametrique, laissant peu de place au test et a la comparaison d'un vaste eventail d'algorithmes predictifs. Cet article a vocation a combler cette lacune en developpant le premier modele predictif unifie pour des conflits majeurs armes comme non armes, par pays et par annee. Ce type de modele s'appuie sur un entrainement approfondi, une validation croisee et une comparaison portant sur huit algorithmes d'apprentissage automatique et cinq ensembles predictifs. Pour informer nos modeles, nous nous appuyons sur deux types de donnees : des facteurs structurels a evolution lente, tels que la geographie ou le niveau de developpement economique, d'une part, et sur des dynamiques politiques a court terme, illustrees par des donnees sur les tendances evenementielles, d'autre part. Cette approche permet d'ameliorer de maniere significative les capacites de prediction pour les conflits armes comme non armes, par rapport aux methodes habituellement utilisees dans la litterature, et suggere que la prevision des conflits politiques majeurs peut encore etre considerablement optimisee. Toutefois, nos algorithmes restent nettement plus performants pour la prevision des conflits armes que pour les conflits non armes ; un constat refletant la necessite de poursuivre ce travail theorique, de maniere a mieux informer les futurs efforts de prevision dans ce domaine.

Automated summary

This article introduces a unified model for forecasting major armed and unarmed conflicts, which significantly improves the predictive power by training and comparing multiple machine learning algorithms and ensembles, and incorporating slow-moving structural factors and short-term political dynamics.