政治脆弱性 ： 政变及其驱动因素

政治脆弱性 政变及其驱动因素 Aliona Cebotari, Enrique Chueca - Montuenga, Yoro Diallo, Yunsheng Ma, RimaTurk, Weining Xin和Harold Zavarce WP / 24 /34 IMF工作文件描述了作者的进展，并发表至引发评论并鼓励辩论。国际货币基金组织工作文件中表达的观点是作者的那些，不一定代表国际货币基金组织，其执行董事会，或国际货币基金组织管理。 2024FEB IMF工作文件 非洲部和战略、政策和审查部 政治脆弱性：政变及其驱动因素 新卫宁和哈罗德·扎瓦尔斯 由Andrea Richter Hume（AFR）和Boileau Loko（SPR）授权发行2024年1月 国际货币基金组织工作文件描述了作者正在进行的研究，并发表了 评论和鼓励辩论。基金组织工作文件中表达的观点是作者（S），不一定代表国际货币基金组织，其执行董事会或国际货币基金组织管理层的观点。 摘要：本文通过将政变作为征兆，探讨了政治脆弱性的驱动因素。 推荐引用:Cebotari, Aliona, Chueca - Montuenga, Enrique, Diallo, Yoro, Ma, Yunsheng,Turk, Rima, Xin, Weining and Zavarce, Harold, 2024,“政治脆弱性:政变及其驱动因素”,货币基金组织工作文件24 /34 工作文件 政治脆弱性 政变及其驱动因素 由Aliona Cebotari, Enrique Chueca - Montuenga, Yoro Diallo,马云生、里玛·特克、魏宁·辛和哈罗德·扎瓦尔斯1 Contents 1.简介………………………………………………………………………………………………………………………………………………………………………………………………………………………………………3 关于政变的一些程式化事实。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。 政变前动态：压力源。并发动态：与政变的共同运动。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。政变后的动态：政治脆弱性的影响。 4.了解政变的驱动因素：机器学习 顶级预测因子及其随时间的演变预测因素如何影响政变的概率政变的结合预测因子和结构预测因子之间的相互作用。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。26 5.用机器学习模型预测政变。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。31 该模型对政变的预测能力如何？…………………………………………………………………………………………………31在最近的案例中，高预测政变概率背后的主要因素是什么？ …………………………………………………………………………………………34 参考资料36 附件一数据和方法39 数据39事件研究方法论43机器学习方法论44机器学习算法：基于树的模型模型绩效评估…………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………超参数调优46归因47Shapley值47 附件三、机器学习结果………………………………… 附件四。政变：精选案件。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。萨赫勒地区，2020 - 23年。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。苏丹，2021年……………………………………………………………………………………………………………………………………………………62委内瑞拉：政治脆弱的悠久历史……………………………………………………………………………………………………………………………………………………………………………………………………………………………………………63 1. Introduction 与政变的长期下降相比，2020 - 23年政变的激增在纯粹的方面脱颖而出撒哈拉以南非洲的数量和集中度，提醒我们许多政治制度的脆弱性。在萨赫勒地区及其周围地区进行的一系列军事收购或收购尝试（乍得，中部非洲共和国，马里，布基纳法索，尼日尔，几内亚，苏丹）中断了自1960年代以来的政变（图1）。他们发生在全球大流行、安全局势恶化、国内社会政治不稳定以及不断上升的地缘政治-政治紧张局势。它们也是在许多国家高度关注的背景下发生的在此期间，一些国际机构通过了脆弱国家的战略或框架(经合组织、世界银行和国际货币基金组织等)提高对脆弱性驱动因素的认识，并吸取如何最好地减轻脆弱性的教训。 作为更好地理解脆弱性各种表现形式的努力的一部分，本文侧重于政变是政治脆弱性的征兆。1如果人们将脆弱性视为经济或由于对冲击的不成比例的不利反应，在政治领域崩溃是通过不规则的权力转移(政变)或由于无法以其他方式解决社会政治不满。The paper focuses on coups as a expression of such脆弱性，旨在通过识别它们的驱动因素和它们之间潜在的复杂相互作用 使用机器学习技术。我们有兴趣探索可能 强调经济和政治制度，使社会政治环境变得有利于政变，即压力源，但也有利于更结构性的因素，可以解释为什么-当面临这样的压力时-一些国家经历政变，而另一些国家没有，即脆弱。同时，我们不寻求探索政变的直接触发因素相当随机和不可预测-例如Mohamed Bouazizi在突尼斯的Sidi自焚Bouzid在2010年引发了阿拉伯之春或尼日尔总统卫队负责人被解雇2023年7月，据说这是政变的直接原因。 本文首先使用事件研究方法研究了十年窗口中变量的动态围绕政变来确定政变前的压力源，我们将其定义为表现出的快速变化的变量导致政变的年份明显不同的动态。然后，它采用机器学习模型，能够适应非线性和广泛的预测因素，不仅要研究压力源，但也是政治脆弱性的根源-更多的结构性特征使得在压力源的存在下容易发生政变的国家。更重要的是，灵活的非参数性质机器学习方法的发展使我们能够检查压力源和来源之间的相互作用脆弱性(以及压力源和来源本身)，因为政变往往是 a complex interplay of political, economic, social, and historical factors. While the event study exercise帮助我们了解政变事件和机器学习练习允许的变量的动态我们要找到对政变有很高预测能力的司机，可能值得注意的是，无论是这些将指出考虑变量与政变事件之间的因果关系。 关于冲突的文献——政变通常是其中的一个子集——相当发达。许多作者identify低收入水平and增长率作为政变和更普遍的民事的强大关联战争(Alesina等人，1996年；Blattman和Miguel，2010年；Bazzi和Blattman，2014年；Muchlinski等人，2016年，Redl和Hlatshwayo，2021)。事实上，【经济条件差】-即高失业率，高通货膨胀或经济衰退-可能导致不满情绪，制造不满，侵蚀公众支持，并增加政变的可能性。科利尔和霍弗勒(2004、2005、2007和2009) -在科利尔调查(2007年，第2章) -研究贫困、停滞和冲突之间的联系，以及认为处于脆弱状态的国家可能会陷入冲突模式，这些事件要么持续的（内战）或迅速的（政变）。他们的研究表明，内战和政变的风险是受影响低增长（绝望），低收入（贫穷），低状态容量and过去的冲突或政变事件。此外，他们表明，内战在社会上代价高昂，持续的经济、政治和健康损失，而叛军的私人成本在以下情况下很低国家能力有限和预期好处可能是巨大的，特别是在有对初级商品出口的依赖.与内战不同，科利尔和霍弗勒(2005，2007b)发现政变的风险不受出口商品依赖和政变风险导致与政变有关的军费开支增加校对策略。Acemoglu等人(2011)还发现，暴露于政变的国家是有特征的由机构薄弱，经济发展水平低，这可能导致永久的内部不稳定。确实，可能导致政变的最常被引用的因素之一是政治不稳定，包括因素，如软弱或无效的政府,腐败,或政治两极分化(亨特等人，2020). The军事干预政治的潜力也被发现是一个重要的驱动因素政变-甚至比经济影响更重要-当党的控制能力the milsiary group is weak (Feaver, 2003 and Powell, 2016). Several military factors can contribute to军事干预，如士气低落、对文职领导缺乏信任或体制弱点在军事上。蒂莉（1975）对欧洲国家的案例研究认为，垄断暴力的能力 是国家权力的一个关键特征，这可能导致政变和其他形式的政治暴力挑战。社会因素，如种族或宗教紧张局势，也可能助长政变企图，特别是如果它们与政治或经济不平等有关(Hiroi和Omori，2015)。 尽管关于冲突和内战的驱动因素的文献很多，但很少有论文专注于政变，并根据经验检查他们的司机。据我们所知，这论文不仅是第一个从经验上检验各种预测能力的论文政变的宏观经济和社会政治变量，并提供来自190多个全球证据50多年来，也是第一个将机器学习应用于预测coups.2的国家。 本文发现(I)增加政变概率的主要压力源是不稳定的经济局势(增长或外部地位疲软、总体和食品通胀高企)和不稳定的政治和安全局势，与文献一致；(二)政治脆弱性的主要来源通常是人口压力（年轻人口）和导致贫困的薄弱结构基础，较低的经济、社会或政治包容性(更高的不平等、更低的识字率、更高的种族细分化、民主化较弱)、治理薄弱，以及更近期和更高的发病率政变；（iii）这些脆弱性的结构来源充当压力源的双面放大器：它们增加当压力源存在时发生政变的可能性，但当压力源消退，指出维持宏观经济和社会政治的好处增加结构基本面普遍薄弱的国家的稳定；(Iv)政策改善也在脆弱国家产生更强的红利：甚至政策环境的适度改善(财政立场和治理)有助于降低政变概率，特别是在结构基本面较弱；(五)前两个发现的必然结果是，在结构基本面强烈的政变概率对经济、政治或政策冲击反应不大，或者换句话说，改善宏观经济、体制、政治和社会方面的结构基础可以增强对压力源或冲击的抵御能力；(Vi)多重结构基本面的弱点，这通常以脆弱国家为特征，相互复合，使国家更容易发生政变；最后（vii）压力源也可以相互混合，大多数国家面临重叠的危机在2020 - 23年，政治体系可能容易脆弱，特别是在基本面较弱的国家。总体而言，结果表明，政治和经济不稳定更容易被利用(例如，上演政变)如果存在脆弱性的结构性根源，但这加强了政策和宏观经济结果同样在这样的环境中有更高的回报。这些结果加强了国际金融机构继续参与困难的脆弱局势，同时提供财政援助和支持更强有力的政策。 本文的其余部分结构如下。下一节介绍了有关政变的一些程式化事实。第3节讨论了事件研究的结果，重点是确定的政变压力源，但还讨论了政变期间和之后各种指标的动态。第4节在识别政变的主要驱动因素方面，展示了机器学习模型的结果(是它们是结构性的或结构性的)，检查这些驱动因素如何影响政变的概率(即通常是非线性的，并反映了驱动因素之间的相互作用效应)，并讨论这些驱动因素是如何不同地区