20211104-IMF-Forecasting_Social_Unrest_A_Machine_Learning_Approach_29页_2mb

这篇IMF工作论文《Forecasting Social Unrest: A Machine Learning Approach》探讨了利用机器学习方法预测社会动荡的研究。作者基于125个国家1996年至2020年的数据，构建了一个社会动荡风险指数，涉及340多个指标，包括宏观经济、社会政治等变量。

研究使用机器学习模型，如线性回归、神经网络、支持向量机和决策树等，其中决策树模型（随机森林）表现最佳，预测准确率达到66%。分析显示，社会动荡的最主要驱动因素包括历史与当前的动荡水平、食品价格通胀、手机普及率以及邻国动荡事件。

结果表明，社会动荡风险自1990年代以来显著上升，尤其在阿拉伯之春后影响增大。论文指出，通胀（尤其是食品通胀）、媒体使用和邻国动荡是稳定预测因素，这些发现与现有文献一致。

研究强调了机器学习在复杂经济预测中的潜力，同时指出现有模型未能充分体现动荡的结构性变化，未来需整合更多数据源（如社交媒体）以提高预测精度。