基于格兰杰网络的城市犯罪与全球恐怖主义的事件级长期预测与响应模拟

城市犯罪与全球恐怖主义的宏观趋势可由社会经济驱动因素很好地预测，但聚焦的事件级预测成效有限。标准机器学习方法前景可期，但缺乏可解释性，通常仅为插值性质，且因代价高昂且浪费的假阳性而无法用于精确的后续干预。在此，我们引入格兰杰网络推断作为一种针对个体违法行为的全新预测方法，其表现远超以往结果，且足够透明以验证和拓展社会理论。以芝加哥市犯罪预测问题为例，我们对提前一周预测、空间网格边长约 $1000$ 英尺范围内的事件取得了约 90% 的平均 AUC。我们并非预先假定犯罪像扩散系统那样在连续空间中展开，而是从数据中学习局部传播规则。作为关键发现，我们揭示了郊区偏见的迹象——执法响应如何受社会经济背景调制并在内城造成不成比例的负面影响——以及暴力犯罪与财产犯罪如何共同演化并相互制约，从而为颇具争议的主动警务政策提供了量化支持。为展示对时空现象的广泛适用性，我们分析了近期中东地区的恐怖袭击，在提前一周预测、空间网格边长约 120 英里的范围内取得了约 80% 的 AUC。我们得出结论：犯罪近乎平衡态并迅速耗散扰动，而恐怖主义则不然。恐怖主义旨在破坏社会秩序，如其动力学在小扰动下易出现事件率的失控增长所示。