Поиск паттернов в динамике протестных кампаний: вычислительное моделирование и эмпирический анализ

doi:10.19181/4m.2022.31.1-2.5

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

Сергей Александрович Жеглов Национальный исследовательский университет «Высшая школа экономики», Москва, Россия s_zheglov@mail.ru ORCID ID https://orcid.org/0000-0002-5919-2321
Elibrary Author_id 1098618
ResearchID AAD-3029-2021

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

Биография автора

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

Аспирант, Аспирантская школа по политическим наукам

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.

Aytaç 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.

Inclán 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’état, 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., Peña 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., Peña 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.

Поиск паттернов в динамике протестных кампаний: вычислительное моделирование и эмпирический анализ

Научная статья

Аннотация

Биография автора

Литература