Predicting escalating and de-escalating violence in Africa using Markov models

Abstract

Abstract This contribution to the ViEWS prediction competition 2020 proposes using Markov modeling to model the change in the logarithm of battle-related deaths between two points in time in a country. The predictions are made using two ensembles of observed and hidden Markov models, where the covariate sets for the ensembles are drawn from the ViEWS country month constituent models. The weights for the individual models in the ensembles were obtained using a genetic algorithm optimizing the fit on the TADDA-score in a calibration set. The weighted ensembles of visible and hidden Markov models outperform the ViEWS prediction competition benchmark models on the TADDA score in the test period of January 2017 to December 2019 for all time steps. Forecasts until March 2021 predict increased violence primarily in Algeria, Libya, Tchad, Niger, and Angola, and decreased or unchanged levels of violence in most of the remaining countries in Africa. An analysis of the model weights in the ensembles shows that the conflict history constituent model provided by ViEWS was dominant in the ensembles. Esta contribución a la competencia de predicciones 2020 del Sistema de Alerta Temprana de Violencia (Violence Early Warning System, ViEWS) propone utilizar la modelización de Márkov para elaborar un modelo del cambio en el logaritmo de las muertes relacionadas con batallas entre dos puntos temporales en un país. Las predicciones se elaboran con dos conjuntos de modelos observados y ocultos de Márkov, en los que los grupos de covariables de los conjuntos se obtienen de los modelos constituyentes mensuales de los países del ViEWS. La relevancia de los modelos individuales en los conjuntos se obtuvo mediante un algoritmo genético que optimiza el ajuste de la puntuación TADDA en un grupo de calibración. Los conjuntos ponderados de los modelos visibles y ocultos de Márkov superan los modelos de referencia de la competencia de predicciones del ViEWS en relación con la puntuación TADDA (Distancia absoluta orientada con aumento de dirección) en el período de prueba de enero de 2017 a diciembre de 2019 para todos los intervalos de tiempo. Las predicciones hasta marzo de 2021 pronostican un aumento en la violencia principalmente en Argelia, Libia, Chad, Níger y Angola, y niveles de violencia disminuidos o sin variaciones en la mayoría de los países restantes en África. Un análisis de la relevancia de los modelos en los conjuntos demuestra que los modelos constituyentes de la historia de conflictos que proporciona el ViEWS fueron dominantes en dichos conjuntos. Cette contribution au concours de prévision ViEWS (Violence early-warning system, système d’alerte précoce sur la violence) 2020 propose d’utiliser la modélisation de Markov pour modéliser l’évolution du logarithme des décès liés aux conflits entre deux moments de l’histoire d’un pays. Les prédictions sont effectuées à l’aide de deux ensembles de modèles de Markov cachés et de modèles de Markov observés, et les jeux de covariables de ces ensembles sont tirés des modèles constituants par mois et pays du système ViEWS. Les pondérations des modèles individuels des ensembles ont été obtenues en utilisant un algorithme génétique optimisant l’ajustement sur le score TADDA (Distance absolue ciblée avec augmentation de direction) dans un jeu de calibration. Les ensembles pondérés de modèles de Markov visibles et cachés sont plus performants que les modèles de référence du concours de prédiction ViEWS pour ce qui est du score TADDA de la période de test de janvier 2017 à décembre 2019, et ce pour tous les pas de temps. Les prévisions jusqu’à mars 2021 ont permis de prédire une augmentation de la violence principalement en Algérie, en Libye, au Tchad, au Niger et en Angola, et une diminution ou un maintien des niveaux de violence dans la plupart des autres pays d’Afrique. Une analyse des pondérations des modèles dans les ensembles montre que le modèle constituant basé sur l’histoire des conflits fourni par ViEWS serait dominant dans les ensembles.