作者單位系清華大學國際關系研究院

來源：中國社科報；國關國政外交學人微信公眾平臺編輯

當前大數(shù)據(jù)已經(jīng)在諸多領域得到應用，與我們的生活息息相關。例如，打開網(wǎng)絡我們就會收到關于購物的推薦廣告，進入電子郵箱時就會看到系統(tǒng)自動識別的垃圾信件等，這些現(xiàn)象背后均與大數(shù)據(jù)和人工智能密不可分。然而，與之形成對比的是，在國際關系研究領域，大數(shù)據(jù)似乎并未得到普遍應用。那么大數(shù)據(jù)在國際關系領域應用前景究竟如何呢？筆者嘗試就此作一番探究。

國際關系數(shù)據(jù)存在特殊性

大數(shù)據(jù)顧名思義是數(shù)據(jù)量巨大的數(shù)據(jù)，有時也被稱為海量數(shù)據(jù)。隨著互聯(lián)網(wǎng)技術的應用和普及，人類社會中產(chǎn)生了越來越多的數(shù)據(jù)，例如網(wǎng)絡發(fā)言、網(wǎng)絡購物、圖片、音頻和視頻等。對于這些數(shù)據(jù)的挖掘和研究，有助于科研的創(chuàng)新和企業(yè)的發(fā)展。因此,我們可以看到大數(shù)據(jù)以及人工智能算法在我們生活中的諸多方面得到了普遍應用。

然而與在國內社會領域得到普遍應用的情況不同，國際關系研究領域似乎尚未對大數(shù)據(jù)加以深入探究。可以看到，無論是理論前沿還是國際關系熱點，我們都很難看到大數(shù)據(jù)的應用，這與國際關系研究的對象有關。國際關系的研究問題往往為高政治領域，例如國際沖突與戰(zhàn)爭、同盟締結與破裂等現(xiàn)象，而戰(zhàn)爭與結盟等現(xiàn)象的發(fā)生次數(shù)是有限的，樣本量往往很難上萬，依靠傳統(tǒng)數(shù)據(jù)庫就足以解決。這導致國際關系主流數(shù)據(jù)庫的數(shù)據(jù)規(guī)模都較小，例如戰(zhàn)爭相關因素數(shù)據(jù)庫（COW）、烏普薩拉沖突數(shù)據(jù)庫（UCDP）、奧斯陸國際和平研究所的武裝沖突數(shù)據(jù)（ACD）、同盟協(xié)議數(shù)據(jù)庫（ATOP）等。由于這些主流數(shù)據(jù)庫都可以免費使用，其變量、指標和維度均受到國際關系專業(yè)人士的認可，因此得到了廣泛應用。

大數(shù)據(jù)在國際關系領域的應用現(xiàn)狀

由于專業(yè)特性，大數(shù)據(jù)在當前的國際關系研究領域似乎較少有用武之地，然而隨著數(shù)據(jù)挖掘的深入，也有一些國際關系研究開始將大數(shù)據(jù)作為研究的變量之一。首先，比較具有應用前景的有GIS地理信息系統(tǒng)（Geographic Information System）提供的地理分布數(shù)據(jù)有助于學者對空間數(shù)據(jù)進行建模，使既往研究中長期被忽視的地理因素得以重回大家的視野。其次，全球夜間燈光數(shù)據(jù)也具有應用價值，該數(shù)據(jù)由美國國防氣象衛(wèi)星計劃（DMSP）的衛(wèi)星觀測所得，比較客觀地反映了各國/地區(qū)的生產(chǎn)、生活狀況，可以替代GDP成為度量經(jīng)濟活動的可行指標之一。再次，谷歌（Google）公司提供的 GDELT全球事件數(shù)據(jù)項目（GDELT Event Database）提供了全球100多種語言的媒體、網(wǎng)頁上的事件信息，時間跨度為1979年至今，數(shù)據(jù)量達億級，包括國家、事件類型、地理位置等多個維度。除此以外，學者們也可以通過采用網(wǎng)絡爬蟲技術抓取網(wǎng)絡上自己感興趣的信息，然后再對自己挖掘的數(shù)據(jù)進行文本分析、自然語言處理和圖像識別等技術加工。

根據(jù)以上分析，我們可以看到，大數(shù)據(jù)在國際關系領域的應用存在局限。第一，從研究主體上看，傳統(tǒng)國際關系數(shù)據(jù)庫大部分關注的主體是國家，而大數(shù)據(jù)的主體則出現(xiàn)向微觀個體轉變的趨勢，例如網(wǎng)絡發(fā)言或微信等自媒體上的數(shù)據(jù)都是以個人為主體,因此應用大數(shù)據(jù)有助于我們對于輿論的判斷和選舉的民情進行評估。第二，從時間上看，大數(shù)據(jù)借助于新技術而出現(xiàn)，例如網(wǎng)絡、衛(wèi)星等，因此大數(shù)據(jù)的時間段往往集中于最近數(shù)十年，這導致對于一些涉及較長時間段的普遍性理論，例如戰(zhàn)爭與和平問題，目前的大數(shù)據(jù)似乎難以提供有力的幫助。第三，從數(shù)據(jù)質量看，大數(shù)據(jù)的質量有待提高，例如應用自然語言處理技術從新聞報道中獲得的大數(shù)據(jù)，盡管有量大和速度快等優(yōu)點，但是這類數(shù)據(jù)受到新聞報道者偏好的影響很大，有些新聞會重復報道，有些偏遠地區(qū)的事件則被忽視。例如近年來民眾似乎對歐洲“恐襲”印象深刻，然而從發(fā)生次數(shù)看，不論是與2010年以前的歐洲“恐襲”次數(shù)比較，還是與其他地區(qū)“恐襲”頻率比較，近年的次數(shù)并不多。顯然這一現(xiàn)象與全球媒體對歐洲的密切關注有關。因此，研究人員要對挖掘出來的大數(shù)據(jù)進行清洗，排除重復報道、錯誤報道、有傾向性的報道等因素的影響。第四，大數(shù)據(jù)不一定包括總體，在統(tǒng)計中，隨機抽樣技術是為了盡量使樣本能夠體現(xiàn)出總體的特征，然而不能因為數(shù)據(jù)量的巨大就判定大數(shù)據(jù)能代表總體。例如，在考慮民情輿論時，根據(jù)網(wǎng)絡發(fā)言大數(shù)據(jù)得到的初步判斷可能是有偏差的，因為網(wǎng)絡言論只能表明那些樂于在網(wǎng)上表達意見的人群的立場，而沒有考慮到不愛上網(wǎng)的人群和上網(wǎng)不愛發(fā)言的人群的立場。

算法應用提高預測準確率

在李世石與AlphaGo的人機大戰(zhàn)中，機器學習、深度學習算法對AlphaGo的獲勝起了重要作用，這些算法同樣對于國際關系預測具有重大幫助。在傳統(tǒng)回歸方法中，統(tǒng)計模型的假設檢驗需要對樣本數(shù)據(jù)的分布做出假定，例如正態(tài)分布、卡方分布和Ｆ分布等，從而進行進一步計算。這一方法的缺陷是，如果樣本數(shù)據(jù)的分布不符合假定,則結論不一定成立。大數(shù)據(jù)中常用的機器學習算法主要采用交叉驗證，將數(shù)據(jù)分為訓練集和測試集兩類，先用訓練集建模，然后用測試集加以檢驗，可以規(guī)避傳統(tǒng)回歸中對分布假定帶來的不足。目前國際關系學界也應用了一些算法進行預測，例如樸素貝葉斯模型、Logistic模型、隱馬爾可夫模型、神經(jīng)網(wǎng)絡等，取得了較好的預測準確率。

然而，機器學習、深度學習等算法往往關注的是變量間的相關關系，而較少考慮因果關系。即使根據(jù)某些算法能夠提高預測準確率，研究人員也很難對模型中各變量的作用機制加以解釋。例如神經(jīng)網(wǎng)絡算法可以根據(jù)輸入的數(shù)據(jù)得出結果，但沒法給出被擬合函數(shù)的數(shù)學表達式，整個過程是黑箱操作。此外，神經(jīng)網(wǎng)絡結果對于參數(shù)十分依賴，然而調參沒有客觀標準，由研究人員憑經(jīng)驗決定。由于以上特點，機器學習、深度學習算法往往被用于政策應用或者現(xiàn)實生活，而較難給國際關系領域帶來重大理論突破。

在大數(shù)據(jù)時代，數(shù)據(jù)挖掘技術使研究人員可以獲得大量過去難以得到的數(shù)據(jù)，這對國際關系學科的創(chuàng)新具有重大推動作用。然而，根據(jù)國際關系研究的特點，大數(shù)據(jù)及相關算法在國際關系領域存在應用界限，我們一方面要充分利用新技術帶來的研究創(chuàng)新空間，另一方面也不必過度迷信大數(shù)據(jù)，正確認識到大數(shù)據(jù)的優(yōu)勢與不足，推進學術創(chuàng)新。