Федеральный научно-исследовательский социологический центр РАН

English version
версия для печати

Журнал: Социология: методология, методы, математическое моделирование (Социология:4М)

Жеглов С. А.
Поиск паттернов в динамике протестных кампаний: вычислительное моделирование и эмпирический анализ

DOI: https://doi.org/10.19181/4m.2022.31.1-2.5. EDN: ZHVBDI

Жеглов Сергей Александрович
Национальный исследовательский университет «Высшая школа экономики», Москва, Россия


 

Полный текст

Открыть текст

Ссылка при цитировании:

Жеглов С. А. Поиск паттернов в динамике протестных кампаний: вычислительное моделирование и эмпирический анализ // Социология: методология, методы, математическое моделирование (Социология:4М). 2022. Том. 0. № 54-55. С. 129-187.
DOI: https://doi.org/10.19181/4m.2022.31.1-2.5. EDN: ZHVBDI

Рубрика:

МАТЕМАТИЧЕСКОЕ МОДЕЛИРОВАНИЕ

Аннотация:

В большинстве работ, посвященных анализу взаимодействия протестующих и властей, дизайн исследования упускает динамический аспект этого взаимодействия, что представляется методологически неверным. Анализ динамики позволяет выявить роль различных факторов, влияющих на протекание такого конфликта. Многообразие различных динамик численности протестующих и динамик применения репрессий порождает многообразие сценариев развития протестной кампании. В связи с этим в данной работе ставится вопрос о выявлении динамических паттернов, при этом мы рассматриваем как эмпирические, уже состоявшиеся в реальных протестах, сценарии, так и «идеальные», т.е. возникающие в теории и способные служить в качестве ориентиров при анализе реальных. Для получения «идеальных» сценариев была разработана теоретическая и математическая модель с различными стратегиями реакций властей на протестующих, которая была нами имплементирована в существующую вычислительную модель протестной мобилизации. На основе данных, полученных в ходе имитационного моделирования, во-первых, линейной и логистической регрессиями были оценены эффекты различных механизмов принятия решений на выживаемость протестов, а, во-вторых, с помощью применения различных методов кластерногоанализа временных рядов мы обнаружили ряд паттернов. Те же методы кластерного анализа были применены повторно на эмпирических данных для верификации, которая окончилась успешно.

Ключевые слова:

протесты; репрессии; вычислительное моделирование; имитационное моделирование; кластерный анализ; логистическая регрессия; линейная регрессия; протестные кампании

Литература:

  • Chenoweth E., Perkoski E., Kang S. State repression and nonviolent resistance // Journal of Conflict Resolution. 2017. Vol. 61, № 9. Р. 1950–1969. DOI: 10.1177/0022002717721390.
  • Rasler K.A. Dynamics, Endogeneity, and Complexity in Protest Campaigns // Oxford Research Encyclopedia of Politics. 2017. Р. 1–26. DOI: 10.1093/acrefore/9780190228637.013.321.
  • Rasler K. Concessions, repression, and political protest in the Iranian revolution // American Sociological Review. 1996. Vol. 61, № 1. Р. 132–152. DOI: 10.2307/2096410. EDN: HEZWLZ.
  • Sutton J., Butcher C.R., Svensson I. Explaining political jiu-jitsu: Institution-building and the outcomes of regime violence against unarmed protests // Journal of Peace Research. 2014. Vol. 51, № 5. Р. 559–573. DOI: 10.1177/0022343314531004.
  • Jenkins J. C., Perrow C. Insurgency of the powerless: Farm worker movements (1946–1972) // American sociological review. 1977. Vol. 42, № 2. Р. 249–268. DOI: 10.2307/2094604.
  • Bramsen I. Micro-Dynamics of Repression: How Interactions between Protesters and Security Forces Shaped the Bahraini Uprising // Scandinavian Journal of Military Studies (SJMS). 2019. Vol. 2, № 1. Р. 9–19. DOI: 10.31374/sjms.13.
  • Ayoub P. Repressing protest: threat and weakness in the European context, 1975–1989 // Mobilization: An International Quarterly. 2010. Vol. 15, № 4. Р. 465–488. DOI: 10.17813/maiq.15.4.f6306060j4511u58.
  • Beers S. QCA as competing or complementary method? A qualitative comparative analysis approach to protest event data //International Journal of Social Research Methodology. 2016. Vol. 19, № 5. Р. 521–536. DOI: 10.1080/13645579.2015.1051798.
  • Earl J., Soule S.A., McCarthy J.D. Protest under fire? Explaining the policing of protest // American sociological review. 2003. Vol. 68, № 4. Р. 581–606. DOI: 10.2307/1519740. EDN: GKEEKP.
  • Ахременко А.С., Беленков В.Е., Петров А.П. Логика протестных кампа¬ний: от эмпирических данных к динамическим моделям (и обратно) // Полис. 2021. № 3. С. 147–165. DOI: 10.17976/jpps/2021.03.10. EDN: DJQQMC.
  • Chenoweth E., Stephan M.J. Why civil resistance works: The strategic logic of nonviolent conflict. New York, NY: Columbia University Press, 2011. 320 p. ISBN: 9780231156837.
  • Clark D., Regan P. Mass Mobilization Protest Data // Harvard Dataverse. 2016. V. 3. DOI: 10.7910/DVN/HTTWYL.
  • Epstein J.M. Modeling civil violence: An agent-based computational approach // Proceedings of the National Academy of Sciences. 2002. Vol. 99, № Suppl_3. Р. 7243–7250. DOI: 10.1073/pnas.092080199.
  • Ахременко А.С., Петров А.П., Жеглов С.А. Как информационно-коммуникационные технологии меняют тренды в моделировании политических процессов: к агентному подходу // Политическая наука. 2021. № 1. С. 12–45. DOI: 10.31249/poln/2021.01.01. EDN: PGOSIZ.
  • Akhremenko A., Petrov A. Modeling the Protest-Repression Nexus // Modeling and Analysis of Complex Systems and Processes 2020: Proceedings of the Conference on Modeling and Analysis of Complex Systems and Processes 2020 (MACSPro 2020): Virtual Conference (originally planned to be in Venice, Italy), October 22–24, 2020 / Ed. by A. Shapoval. Aachen (DE), 2020. URL: http://ceur-ws.org/Vol-2795/paper1.pdf (дата обращения: 19.04.2023).
  • Steinert-Threlkeld S., Steinert-Threlkeld Z. How social networks affect the repression-dissent puzzle // PloS one. 2021. Vol. 16. №, 5. Р. e0250784. DOI: 10.1371/journal.pone.0250784.
  • Siegel D.A. Social networks and collective action // American Journal of Political Science. 2009. Vol. 53, № 1. Р. 122–138. DOI: 10.1111/j.1540-5907.2008.00361.x.
  • Sullivan C.M. Undermining resistance: Mobilization, repression, and the enforcement of political order // Journal of Conflict Resolution. 2016. Vol. 60, № 7. Р. 1163–1190. DOI: 10.1177/0022002714567951.
  • Dahlum S. Students in the streets: education and nonviolent protest // Comparative Political Studies. 2019. Vol. 52, № 2. Р. 277–309. DOI: 10.1177/0010414018758761. EDN: JQKDXC.
  • Yuen S., Cheng E.W. Neither repression nor concession? A regime’s attrition against mass protests // Political Studies. 2017. Vol. 65, № 3. Р. 611–630. DOI: 10.1177/0032321716674024.
  • Opp K.D., Roehl W. Repression, micromobilization, and political protest // Social Forces. 1990. Vol. 69, № 2. Р. 521–547. DOI: 10.1093/sf/69.2.521. EDN: BIFAAF.
  • Lohmann S. The dynamics of informational cascades: The Monday demonstrations in Leipzig, East Germany, 1989–91 // World politics. 1994. Vol. 47, № 1. Р. 42–101. DOI: 10.2307/2950679. EDN: HKTJJF.
  • Opp K.D. Repression and revolutionary action: East Germany in 1989 // Rationality and Society. 1994. Vol. 6, № 1. Р. 101–138. DOI: 10.1177/1043463194006001007. EDN: JPKTSD.
  • Ayta? S.E., Schiumerini L., Stokes S. Why do people join backlash protests? Lessons from Turkey // Journal of Conflict Resolution. 2018. Vol. 62, № 6. Р. 1205– 1228. DOI: 10.1177/0022002716686828.
  • Francisco R. After the massacre: Mobilization in the wake of harsh repression // Mobilization: An International Quarterly. 2004. Vol. 9, № 2. Р. 107–126. DOI: 10.17813/maiq.9.2.559246137656n482.
  • Francisco R.A. The relationship between coercion and protest: An empirical evaluation in three coercive states // Journal of Conflict Resolution. 1995. Vol. 39, № 2. Р. 263–282. DOI: 10.1177/0022002795039002003. EDN: JNGJMZ.
  • Hess D., Martin B. Repression, backfire, and the theory of transformative events // Mobilization: An International Quarterly. 2006. Vol. 11, № 2. Р. 249–267. DOI: 10.17813/maiq.11.2.3204855020732v63.
  • Davenport C. State repression and political order // Annual Review of Political Science. 2007. Vol. 10. Р. 7–10. DOI: 10.1146/annurev.polisci.10.101405.143216.
  • Earl J. Tanks, tear gas, and taxes: Toward a theory of movement repression // Sociological theory. 2003. Vol. 21, № 1. Р. 44–68. DOI: 10.1111/1467-9558.00175.
  • Carey S.C. The dynamic Relationship between protest and repression // Political Research Quarterly. 2006. Vol. 59, № 1. Р. 1–11. DOI: 10.1177/106591290605900101. EDN: JOZAFB.
  • Incl?n M.L. Repressive Threats, Procedural Concessions, and the Zapatista Cycle of Protests, 1994–2003 // Journal of Conflict Resolution. 2009. Vol. 53, № 5. Р. 794–819. DOI: 10.1177/0022002709341173.
  • Ayanian A.H., Tausch N. How risk perception shapes collective action intentions in repressive contexts: A study of Egyptian activists during the 2013 post?coup uprising // British journal of social psychology. 2016. Vol. 55, № 4. Р. 700–721. DOI: 10.1111/bjso.12164.
  • Johnson J., Thyne C.L. Squeaky wheels and troop loyalty: How domestic protests influence coups d’?tat, 1951–2005 // Journal of conflict resolution. 2018. Vol. 62, № 3. Р. 597–625. DOI: 10.1177/0022002716654742.
  • Anisin A. Social causation and protest mobilization: why temporality and interaction matter // Territory, Politics, Governance. 2018. Vol. 6, № 3. Р. 279–301. DOI: 10.1080/21622671.2017.1306455.
  • Bisbee J., Larson J.M. Testing social science network theories with online network data: An evaluation of external validity // American Political Science Review. 2017. Vol. 111, № 3. Р. 502–521. DOI: 10.1017/S0003055417000120.
  • Social networks and protest participation: Evidence from 130 million Twitter users / J.M. Larson, J. Nagler, J. Ronen, J.A. Tucker // American Journal of Political Science. 2019. Vol. 63, № 3. Р. 690–705. DOI: 10.1111/ajps.12436.
  • Lang J.C., De Sterck H. The Arab Spring: A simple compartmental model for the dynamics of a revolution // Mathematical Social Sciences. 2014. Vol. 69. Р. 12–21. DOI: 10.1016/j.mathsocsci.2014.01.004.
  • Bell S.R., Murdie A. The apparatus for violence: Repression, violent protest, and civil war in a cross-national framework // Conflict management and peace science. 2018. Vol. 35, № 4. Р. 336–354. DOI: 10.1177/0738894215626848.
  • Regan P.M., Henderson E.A. Democracy, threats and Political repression in Developing countries: are Democracies internally less violent? // Third World Quarterly. 2002. Vol. 23, № 1. Р. 119–136. DOI: 10.1080/01436590220108207. EDN: HAQIRV.
  • Ritter E.H., Conrad C.R. Preventing and responding to dissent: The observational challenges of explaining strategic repression // American Political Science Review. 2016. Vol. 110, № 1. Р. 85–99. DOI: 10.1017/S0003055415000623.
  • Lyall J. Does Indiscriminate violence incite Insurgent Attacks? Evidence from Chechnya // Journal of Conflict Resolution. 2009. Vol. 53, № 3. Р. 331–362. DOI: 10.1177/0022002708330881.
  • Sullivan C.M., Loyle C.E., Davenport C. The Coercive Weight of the Past: Temporal Dependence and the Conflict-Repression Nexus in the Northern Ireland “Troubles” // International Interactions. 2012. Vol. 38, № 4. Р. 426–442. DOI: 10.1080/03050629.2012.697005.
  • Carey S.C. The use of repression as a response to domestic dissent // Political Studies. 2010. Vol. 58, № 1. Р. 167–186. DOI: 10.1111/j.1467-9248.2008.00771.x.
  • Ives B., Lewis J.S. From Rallies to Riots: Why Some Protests Become Violent // Journal of Conflict Resolution. 202. Vol. 64, № 5. Р. 958–986. DOI: 10.1177/0022002719887491.
  • Van Zomeren M., Postmes T., Spears R. Toward an integrative social identity model of collective action: a quantitative research synthesis of three socio-psychological perspectives // Psychological bulletin. 2008. Vol. 134, № 4. Р. 504. DOI: 10.1037/0033-2909.134.4.504.
  • McAdam D., Su Y. The war at home: Antiwar protests and congressional voting, 1965 to 1973 // American sociological review. 2002. Vol. 67, № 5. Р. 696–721. DOI: 10.2307/3088914. EDN: GSFOWJ.
  • Anderson C.J. The end of economic voting? Contingency dilemmas and the limits of democratic accountability // Annual Review of Political Science. 2007. Vol. 10. Р. 271–296. DOI: 10.1146/annurev.polisci.10.050806.155344.
  • Healy A., Malhotra N. Retrospective voting reconsidered // Annual Review of Political Science. 2013. Vol. 16. Р. 285–306. DOI: 10.1146/annurev-polisci-032211-212920.
  • Dose C., Cincotti S. Clustering of financial time series with application to index and enhanced index tracking portfolio // Physica A: Statistical Mechanics and its Applications. 2005. Vol. 355, № 1. Р. 145–151. DOI: 10.1016/j.physa.2005.02.078.
  • Jothi R. Clustering time-series data generated by smart devices for human activity recognition // International Conference on Intelligent Systems Design and Applications. Springer, Cham, 2018. Р. 708–716. DOI: 10.1007/978-3-030-16657-1_66.
  • Steinley D. K-means clustering: a half-century synthesis // British Journal of Mathematical and Statistical Psychology. 2006. Vol. 59, № 1. Р. 1–34. DOI: 10.1348/000711005X48266. EDN: MBIHGZ.
  • Tslearn, a machine learning toolkit for time series data / R. Tavenard, J. Faouzi, G. Vandewiele [et al.] // Journal of Machine Learning Research. 2020. Vol. 21. Р. 1–6. EDN: NRGQBU.
  • Bholowalia P., Kumar A. Ebk-means: A clustering technique based on elbow method and k-means in wsn // International Journal of Computer Applications. 2014. Vol. 105. Р. 17–24. DOI:10.5120/18405-9674.
  • Zhou H.B., Gao J.T. Automatic method for determining cluster number based on silhouette coefficient // Advanced Materials Research, Trans Tech Publ. 2014. Vol. 951. Р. 227–230. DOI:10.4028/www.scientific.net/AMR.951.227.
  • Caiado J., Maharaj E.A., D’Urso P. Time-series clustering // Handbook of cluster analysis. Boca Raton: CRC Press, 2015. Р. 262–285. DOI: 10.1201/9780429058264.
  • D’Urso P. Dissimilarity measures for time trajectories // Statistical Methods And Applications. 2000. Vol. 9, № 1. Р. 53–83. DOI: 10.1007/BF03178958. EDN: AAGKBU.
  • Jeong Y.-S., Jeong M.K., Omitaomu O.A. Weighted dynamic time warping for time series classification // Pattern recognition. 2011. Vol. 44. Р. 2231–2240. DOI:10.1016/j.patcog.2010.09.022.
  • Galeano P., Pe?a D. Multivariate analysis in vector time series // DES-Working Papers: Statistics and Econometrics, WS. 2001. Р. 383–404. URL: https://web.archive.org/web/20220225092435/ https://e-archivo.uc3m.es/bitstream/handle/10016/162/ws012415.pdf?sequence=1&isAllowed=y (дата обращения: 19.04.2023).
  • Caiado J., Crato N., Pe?a D. A periodogram-based metric for time series classification // Computational Statistics & Data Analysis. 2006. Vol. 50. Р. 2668–2684. DOI:10.1016/j.csda.2005.04.012.
  • Tsfel: Time series feature extraction library / M. Barandas, D. Folgado, L. Fernandes [et al.] // SoftwareX. 2020. Vol. 11. Р. 100456. DOI:10.1016/j.softx.2020.100456.
  • MacKinnon J.G., White H. Some heteroskedasticity-consistent covariance matrix estimators with improved finite sample properties // Journal of econometrics. 1985. Vol. 29, № 3. Р. 305–325. DOI: 10.1016/0304-4076(85)90158-7.

Сведения об авторах


Жеглов Сергей Александрович
Национальный исследовательский университет «Высшая школа экономики», Москва, Россия
Аспирант, Аспирантская школа по политическим наукам

Содержание выпуска

>> Содержание выпуска 2022. Том. 0. № 54-55.
>> Архив журнала

Ближайшие мероприятия

Сводка новостей

Последние публикации

Журналы
и периодические издания