邱凌峰，胡嘯峰，顧海碩，唐 正，鄭超慧，沈 兵

(1. 中國(guó)人民公安大學(xué) 信息技術(shù)與網(wǎng)絡(luò)安全學(xué)院，北京 102623；2. 安全防范技術(shù)與風(fēng)險(xiǎn)評(píng)估公安部重點(diǎn)實(shí)驗(yàn)室，北京 102623)

當(dāng)前，全球范圍內(nèi)恐怖襲擊事件頻發(fā)，嚴(yán)重影響了相關(guān)國(guó)家和地區(qū)的穩(wěn)定。根據(jù)全球恐怖主義數(shù)據(jù)庫(kù)統(tǒng)計(jì)，全球范圍內(nèi)發(fā)生的恐怖襲擊次數(shù)從2006年的2 836次大幅增長(zhǎng)至2016年的16 425次，2016年有所下降，但仍達(dá)到了13 170次。近幾年的重大恐怖襲擊事件有 “1.14”印尼雅加達(dá)恐怖襲擊事件、“3.1”中國(guó)昆明火車站暴恐事件、“4.3”俄羅斯圣彼得堡地鐵自殺式爆炸事件和“4.7”瑞典斯德哥爾摩市中心卡車沖撞事件等。因此，面對(duì)日益嚴(yán)峻的國(guó)際反恐形勢(shì)，針對(duì)全球范圍內(nèi)的恐怖襲擊風(fēng)險(xiǎn)分析和防控工作極為必要。

針對(duì)各個(gè)國(guó)家未來(lái)一段時(shí)間內(nèi)可能面臨的恐怖襲擊次數(shù)進(jìn)行預(yù)測(cè)，可以提前發(fā)現(xiàn)全球范圍內(nèi)恐怖襲擊的熱點(diǎn)地區(qū)，為國(guó)際反恐組織和相關(guān)國(guó)家研究恐怖主義行為規(guī)律和重點(diǎn)防控工作提供決策支持。關(guān)于恐怖襲擊的預(yù)測(cè)，國(guó)內(nèi)外學(xué)者進(jìn)行了大量的研究，Petroff V B等[1]提出了關(guān)于具體恐怖襲擊事件預(yù)警的隱馬爾可夫模型。戰(zhàn)兵等[2]基于隱馬爾可夫模型，利用恐怖襲擊的主體、客體、手段及資源等，預(yù)測(cè)將來(lái)可能發(fā)生的恐怖事件；傅子洋等[3]基于貝葉斯網(wǎng)絡(luò)，利用恐怖襲擊的攻擊方式、政治經(jīng)濟(jì)目的和恐怖分子人數(shù)等預(yù)測(cè)襲擊發(fā)生后的人員傷亡和財(cái)產(chǎn)損失；薛榮安等[4]基于貝葉斯和變化表的方法，利用恐怖組織的意識(shí)形態(tài)、宗教信仰、政治主張和經(jīng)濟(jì)情況等預(yù)測(cè)恐怖組織的行為；項(xiàng)寅[5]基于改進(jìn)的神經(jīng)網(wǎng)絡(luò)，預(yù)測(cè)21類恐怖襲擊目標(biāo)面臨的風(fēng)險(xiǎn)；胡成等[6]利用社會(huì)網(wǎng)絡(luò)分析法挖掘暴力恐怖活動(dòng)的社會(huì)網(wǎng)絡(luò)特征，提出暴力恐怖分子及恐怖襲擊地點(diǎn)的預(yù)警思路。已有的預(yù)測(cè)研究大多為微觀層面的事后分析，即利用襲擊發(fā)生后獲得的信息維度，分析具體的恐怖主義行為或事件等。而利用恐怖襲擊發(fā)生前的信息，對(duì)宏觀層面的恐怖襲擊熱點(diǎn)地區(qū)進(jìn)行預(yù)測(cè)的研究仍十分匱乏。

根據(jù)已有研究，經(jīng)濟(jì)因素[7](如人口老齡化、城鎮(zhèn)化等)、安全因素[8](如移民危機(jī)、民族分裂等)和政治因素[9](如教義信仰、文明沖突等)與恐怖襲擊的發(fā)生密切相關(guān)。脆弱國(guó)家指數(shù)考慮了一個(gè)國(guó)家經(jīng)濟(jì)、政治、社會(huì)和凝聚力四方面的因素，因此，本文利用2006-2016年的脆弱國(guó)家指數(shù)數(shù)據(jù)和全球恐怖主義數(shù)據(jù)庫(kù)數(shù)據(jù)，基于多種機(jī)器學(xué)習(xí)模型，對(duì)全球范圍內(nèi)各個(gè)國(guó)家遭受的恐怖襲擊次數(shù)進(jìn)行回歸預(yù)測(cè)。

1 數(shù)據(jù)集介紹

1.1 脆弱國(guó)家指數(shù)

脆弱國(guó)家指數(shù)(Fragile States Index)[10]，由美國(guó)和平基金會(huì)和美國(guó)《外交政策》共同編制。該數(shù)據(jù)庫(kù)共從社會(huì)、經(jīng)濟(jì)、政治和安全四個(gè)維度對(duì)全球得到認(rèn)可的主權(quán)國(guó)家進(jìn)行評(píng)分。評(píng)分來(lái)源于內(nèi)容分析、專家調(diào)查和公開(kāi)的統(tǒng)計(jì)數(shù)據(jù)[11]，最后將不同尺度的數(shù)據(jù)標(biāo)準(zhǔn)化為12項(xiàng)0～10的數(shù)字(保留1位小數(shù))(表1)。

表1 脆弱國(guó)家指數(shù)介紹

1.2 全球恐怖主義數(shù)據(jù)庫(kù)

全球恐怖主義數(shù)據(jù)庫(kù)(以下簡(jiǎn)稱GTD)是由美國(guó)反恐研究聯(lián)合會(huì)(Study of Terrorism and Responses to Terrorism, START)與馬里蘭大學(xué)(University of Maryland)聯(lián)合建立的一個(gè)開(kāi)源數(shù)據(jù)庫(kù)，記錄了1970-2016年超過(guò)140 000個(gè)恐怖襲擊事件信息，每條數(shù)據(jù)包含了國(guó)家、年份、死傷人數(shù)和使用武器等共135個(gè)信息。這些數(shù)據(jù)來(lái)源于媒體文章、電子新聞檔案、現(xiàn)有的數(shù)據(jù)集、書(shū)籍和期刊以及法律文件，被認(rèn)為是記錄全球恐主義活動(dòng)最全面的數(shù)據(jù)庫(kù)[12-13]。

2 全球恐怖襲擊預(yù)測(cè)模型構(gòu)建

圖1展示了本文模型的構(gòu)建流程，包括數(shù)據(jù)庫(kù)關(guān)聯(lián)，數(shù)據(jù)預(yù)處理，數(shù)據(jù)集劃分，模型訓(xùn)練及預(yù)測(cè)，結(jié)果分析，具體流程如下。

圖1 恐怖襲擊預(yù)測(cè)模型框架

(1)數(shù)據(jù)庫(kù)關(guān)聯(lián)：利用透視表計(jì)算2006-2016年間，GTD中各個(gè)國(guó)家每年遭受的恐怖襲擊次數(shù)，然后通過(guò)國(guó)家名稱將Fragile States Index數(shù)據(jù)庫(kù)與GTD關(guān)聯(lián)，剔除缺失數(shù)據(jù)，最終保留了共1 920條數(shù)據(jù)，每條數(shù)據(jù)包含國(guó)家名稱、年份、脆弱國(guó)家指數(shù)的12項(xiàng)特征及相應(yīng)的恐怖襲擊次數(shù)。

(2)數(shù)據(jù)預(yù)處理：對(duì)數(shù)據(jù)進(jìn)行初步分析，發(fā)現(xiàn)各個(gè)國(guó)家每年遭受的恐怖襲擊次數(shù)差別較大，最大值為3 925次，最小值為0次，平均47次，因此，本文利用python3.6中sklearn模型庫(kù)的StandarScaler模塊對(duì)特征及目標(biāo)值進(jìn)行了標(biāo)準(zhǔn)化處理[14]。

(3)數(shù)據(jù)集劃分：對(duì)數(shù)據(jù)集的劃分主要考慮兩點(diǎn)，一是本文模型屬于時(shí)序預(yù)測(cè)模型，即利用歷史數(shù)據(jù)進(jìn)行模型訓(xùn)練，然后對(duì)未來(lái)一年內(nèi)的各個(gè)國(guó)家遭受的恐怖襲擊次數(shù)進(jìn)行預(yù)測(cè)；二是訓(xùn)練集和測(cè)試集都必須包含每個(gè)國(guó)家的恐怖襲擊數(shù)據(jù)。因此，本文將2006-2015年的數(shù)據(jù)劃分為訓(xùn)練集(1 744條)，2016年的數(shù)據(jù)劃分為測(cè)試集(178條)。

(4)模型評(píng)價(jià)及結(jié)果分析：本文模型屬于回歸模型，其擬合優(yōu)度采用確定系數(shù)R2評(píng)價(jià)，R2越接近1，模型擬合程度越好。對(duì)特征進(jìn)行重要性排序，挖掘?qū)植酪u擊風(fēng)險(xiǎn)影響最大的因素。選取最優(yōu)模型的預(yù)測(cè)結(jié)果，通過(guò)Arcgis10.2軟件進(jìn)行可視化處理，挖掘全球恐怖襲擊熱點(diǎn)地區(qū)。

3 結(jié)果分析

3.1 不同機(jī)器學(xué)習(xí)模型比較

本文選取線性回歸(Linear Regression)[15]、隨機(jī)梯度下降(Stochastic gradient descent)[16]、支持向量機(jī)(Support Vector Regression)[17]、K近鄰(K-neighbors)[18-19]、決策樹(shù)(Decision Tree)[19]、隨機(jī)森林(Random Forest)[20]共6種機(jī)器學(xué)習(xí)回歸模型，對(duì)2016年全球各國(guó)的恐怖襲擊次數(shù)進(jìn)行預(yù)測(cè)。根據(jù)文獻(xiàn)[21]，R2達(dá)到0.5以上時(shí)，模型擬合程度較好。表2是不同機(jī)器學(xué)習(xí)模型的回歸性能比較，結(jié)果顯示，隨機(jī)森林、K近鄰和決策樹(shù)表現(xiàn)最優(yōu)，R2分別達(dá)到了0.75、0.74和0.67。

3.2 隨機(jī)森林預(yù)測(cè)結(jié)果分析

為進(jìn)一步分析全球恐怖襲擊趨勢(shì)及熱點(diǎn)地區(qū)，本文利用Arcgis軟件，基于自然間斷點(diǎn)分級(jí)法[22]對(duì)比了2016年全球恐怖襲擊次數(shù)的真實(shí)值與隨機(jī)森林模型的預(yù)測(cè)值(圖2)。

表2 多種機(jī)器學(xué)習(xí)算法回歸性能比較

從整體上看，隨機(jī)森林模型預(yù)測(cè)的總體情況符合2016年全球恐怖襲擊的實(shí)際情況，其中，中東和中亞等恐怖襲擊重災(zāi)區(qū)預(yù)測(cè)準(zhǔn)確。而在恐怖襲擊次數(shù)偏少的北非、南亞的部分地區(qū)、東歐和加勒比海地區(qū)出現(xiàn)了預(yù)測(cè)次數(shù)偏多的情況，其中，東歐預(yù)測(cè)偏高的情況較為突出。2011年以來(lái)，整個(gè)歐洲，尤其是東歐的烏克蘭，面臨著民族分裂勢(shì)力發(fā)起的以軍事斗爭(zhēng)為主的各類恐怖主義威脅。此后，歐洲采取了多方面的反恐措施，遭受的恐怖襲擊次數(shù)也從2015年的1 008次急劇下降為2016年的391次，但東歐的社會(huì)、政治和經(jīng)濟(jì)等仍處于不穩(wěn)定的狀態(tài)[8]，這可能是導(dǎo)致東歐地區(qū)預(yù)測(cè)偏高的原因。

從國(guó)家層面上看，恐怖襲擊次數(shù)達(dá)366次以上(一年內(nèi)平均每天都發(fā)生恐怖襲擊)的有伊拉克、阿富汗、印度、巴基斯塔、菲律賓、索馬里、土耳其、尼日利亞、也門、敘利亞和利比亞共12個(gè)國(guó)家，除了土耳其和尼日利亞預(yù)測(cè)明顯偏低外，其他10個(gè)國(guó)家都能準(zhǔn)確預(yù)測(cè)。說(shuō)明遭受恐怖襲擊越嚴(yán)重的地區(qū)，社會(huì)、政治、經(jīng)濟(jì)和安全四個(gè)方面的因素對(duì)恐怖襲擊次數(shù)的刻畫(huà)能力越強(qiáng)。

3.3 重要性排序

基于平均不純度減少(mean decrease impurity)[23]和平均準(zhǔn)確率減少(Mean decrease accuracy)[24]算法，利用隨機(jī)森林模型對(duì)12個(gè)特征進(jìn)行了重要性排序。由表3可知，兩種算法得出的特征重要性排序中，“安全機(jī)構(gòu)、公共服務(wù)、人權(quán)法治和集團(tuán)之間的矛盾”4個(gè)特征均排在前五名，其中，“安全機(jī)構(gòu)和集團(tuán)之間的矛盾”為安全性指標(biāo)，“公共服務(wù)和人權(quán)法治”為政治性指標(biāo)，說(shuō)明一個(gè)國(guó)家的政治狀況及凝聚力與恐怖襲擊風(fēng)險(xiǎn)相關(guān)性較強(qiáng)。

“安全機(jī)構(gòu)”在兩種算法中的得分，分別是第二名特征的1.7倍和9.5倍，對(duì)恐怖襲擊次數(shù)的刻畫(huà)能力最強(qiáng)。對(duì)“安全機(jī)構(gòu)”的打分，主要考慮了一個(gè)國(guó)家面臨的安全威脅(如爆炸、叛亂運(yùn)動(dòng)政變或恐怖主義)和嚴(yán)重的犯罪因素(如有組織犯罪和謀殺，以及公民對(duì)國(guó)內(nèi)安全的信任)，以及管理當(dāng)局對(duì)武裝抵抗，特別是暴力起義和叛亂的表現(xiàn)等。

“集團(tuán)之間的矛盾”考慮了不同集團(tuán)之間的分歧和分裂(如種族矛盾，某些集團(tuán)的自治權(quán)、自決權(quán)或政治獨(dú)立性被剝奪)。“公共服務(wù)”考慮了國(guó)家提供的基本服務(wù)(如健康，教育，水和衛(wèi)生)和國(guó)家通過(guò)有效的警務(wù)來(lái)保護(hù)其公民的能力(如打擊恐怖主義和暴力)?！叭藱?quán)法治”考慮了國(guó)家中基本人權(quán)的保護(hù)程度、是否廣泛濫用法律、是否存在專制，獨(dú)裁或軍事統(tǒng)治等。

圖2 2016年全球恐怖襲擊真實(shí)值與預(yù)測(cè)值對(duì)比圖

平均不純度減少平均準(zhǔn)確率減少特征重要性排名特征重要性排名安全機(jī)構(gòu)0.351安全機(jī)構(gòu)3.801公共服務(wù)0.202人權(quán)法治0.412人權(quán)法治0.093集團(tuán)之間的矛盾0.403集團(tuán)之間的矛盾0.064政府的正當(dāng)性0.384人口壓力0.065公共服務(wù)0.295境內(nèi)難民和流離失所者0.056精英階層的自私0.196經(jīng)濟(jì)發(fā)展不均衡0.057經(jīng)濟(jì)不景氣0.137政府的正當(dāng)性0.048經(jīng)濟(jì)發(fā)展不均衡0.118外部干涉0.049外部干涉0.059經(jīng)濟(jì)不景氣0.0310人力及智力的海外流失0.0210人力及智力的海外流失0.0211境內(nèi)難民和流離失所者0.0211精英階層的自私0.0212人口壓力0.0212

綜上可以發(fā)現(xiàn)，較為重要的4個(gè)特征中，除了“人權(quán)法治”，評(píng)分時(shí)均考慮了與恐怖主義相關(guān)的因素。

4 結(jié) 論

本文利用脆弱國(guó)家指數(shù)數(shù)據(jù)庫(kù)和全球恐怖主義數(shù)據(jù)庫(kù)，基于多種機(jī)器學(xué)習(xí)模型，對(duì)全球各個(gè)國(guó)家遭受的恐怖襲擊次數(shù)進(jìn)行回歸預(yù)測(cè)。結(jié)果顯示，預(yù)測(cè)隨機(jī)森林、K近鄰和決策樹(shù)模型表現(xiàn)表現(xiàn)優(yōu)異，R2分別達(dá)到了0.75、0.74和0.67。利用Arcgis軟件對(duì)隨機(jī)森林預(yù)測(cè)結(jié)果進(jìn)行可視化，發(fā)現(xiàn)隨機(jī)森林模型的預(yù)測(cè)結(jié)果整體符合實(shí)際情況，尤其在恐怖襲擊高發(fā)的中東和中亞地區(qū)預(yù)測(cè)較為準(zhǔn)確?；谄骄患兌葴p少和平均準(zhǔn)確性減少算法，對(duì)12個(gè)特征進(jìn)行了重要性排序，發(fā)現(xiàn)安全機(jī)構(gòu)、公共服務(wù)、人權(quán)法治和集團(tuán)之間的矛盾對(duì)預(yù)測(cè)結(jié)果的刻畫(huà)能力最強(qiáng)。本文的預(yù)測(cè)模型能夠從宏觀上預(yù)測(cè)全球恐怖襲擊的熱點(diǎn)地區(qū)，挖掘恐怖襲擊的相關(guān)因素，為反恐組織和相關(guān)國(guó)家的防控工作提供決策支持。