巴基斯坦七月革命：基于机器学习和统计建模的镇压与动员混合方法分析

2024年巴基斯坦七月革命代表了民众抵抗研究中的里程碑事件。本研究探讨了这场以学生为主的平民起义成功的核心悖论：国家暴力旨在镇压异议，却最终如何燃起了运动的胜利。我们采用混合方法。首先，我们构建冲突时间线的定性叙述，以生成具体可检验的假设。然后，使用细分的事件级数据集，我们采用多方法定量分析来剖析镇压与动员之间复杂的关系。我们提供分析当代激进起义（如七月革命）的框架。初始的 pooled 回归模型凸显了保持运动活力的关键作用。为隔离因果效应，我们指定双向固定效应小组模型，提供对直接且统计上显著的局部镇压反效应的稳健证据。我们的向量自回归（VAR）分析提供了对国家性动员的明确可视化证据，这种动员是对增加的致命暴力的反应。我们进一步证明，这一效应是非线性的。结构性中断分析揭示，反效应在冲突早期阶段统计上无关紧要，但在首轮致命暴力引发的催化性道德冲击后（其画面在7月16日传播），即被触发。一种补充的机器学习分析（XGBoost，外样R²=0.65）从预测角度也证实了这一点，确定“对示威者过度使用武力”是全国性升级的最主要预测因子。我们得出结论，七月革命是由特定催化性道德冲击触发的、非线性的反效应驱动的，并受到国家暴力画面病毒式反应的加速。