如何利用人工智能和机器学习预测和解释社会风险以提升发展项目有效性

在南非政府向世界银行灾害风险融资（DRF）计划提出希望超出自然灾害范畴关注社会暴力等社会风险（社会暴力每年给南非造成的经济损失高达456亿美元，占GDP的13%）时，我们已经开始着手探究这个问题了。我们努力探索社会风险与公共卫生突发事件、贸易、冲突、极端天气以及不同地区民众对这些问题的感知（通常称之为“多重危机”）之间发生复杂动态交互关系的方式。

在风险金融伞状（Risk Finance Umbrella，RFU）信托基金和全球盾融资基金（Global Shield Financing Facility）的资金支持下，我们探索了人工智能衡量、预测和解释社会风险以加强准备工作和发展影响的能力。我们的希望是，如果人工智能模型能够准确预测社会现象的变化并识别其驱动因素，我们就能在危机发生前提前更有效和高效率地调整发展活动的性质、规模、地点和时间。

我们知道，预测人类行为需要根据具体情况考虑现实中的数百万维度与对它们的感知之间复杂的动态关系（见图1）。我们面临的挑战在于准确识别现象并找到衡量这些现象的合适数据，即具有足够频次和历史记录的数据集，以便机器学习模型能够观察足够数量回合内的变化。对于某些现象，比如人口数量或犯罪率的变化，我们的数据科学团队不得不将人工智能应用到报纸上的犯罪案件报道和建成结构的卫星图像，以生成适合输入模型的数据。

图 1：输入模型的以社会科学为依据的要素

^{资料来源：世界银行。}

我们的社会科学团队识别出自然、建筑和社会世界的各个维度以及关于这些维度的网络语言，为三项概念模型验证的数据收集提供了依据，这些模型用于预测刚果民主共和国的暴力状况、非洲之角的人口变化和一个小岛屿发展中国家的犯罪率变化。如今，我们研究社会风险驱动因素的人工智能模型已经在非洲（及其他地区）为世行的政策与项目设计及实施提供决策依据，并用于后续分析。

在刚果民主共和国

我们的第一个模型聚焦历史上长期受冲突困扰的刚果民主共和国东部三个省份——即，北基伍省、南基伍省和伊图里省，预测冲突事件数量的变化，并在数千个模型变量中识别出与变化关联度最高的现象。这包括对敏感话题的看法，例如土地、矿产、身份与治理、政府官方储备规模、糖价及铜出口量等。

该模型正在为国别分析、包括世行的风险与韧性评估提供依据，同时也为世行贷款项目的性质、规模、地点、顺序和时间安排提供依据，包括刚果民主共和国东部稳定与重建项目（STAR Est），该项目设想了一种风险融资机制，以应对观察到或预期的冲突水平。

在非洲之角

在数据稀缺的非洲之角与埃塞俄比亚、肯尼亚和索马里接壤的边境地区，我们的团队使用卫星影像作为人口变化的替代指标，编制了56个城镇和城市五年的月度建成结构数据。第二个模型用于预测该替代数据的变化：图2显示了冲突事件、经济与环境因素及其社会感知对人口变化的影响程度。这些数据为非洲之角牧业经济去风险、包容性与增值（DRIVE）项目的设计提供了决策依据，该项目目前正在探索模型适配，以预测影响农牧民脆弱性的牲畜供应链要素。该模型还为埃塞俄比亚应对流离失所影响发展项目二期设计流离失所风险预测模型提供了决策依据。

图 2. 模型识别因素与非洲之角边境地区人口变化的关联

在一个小岛屿发展中国家

然后，我们将注意力转向预测和解释在一个小岛屿发展中国家距离发生下一次社会动乱事件的天数和犯罪率变化。社会科学专家认为犯罪率可能是造成社会动乱的驱动因素之一；然而，我们惊讶地发现没有具有足够频次和历史记录的犯罪数据可供使用。这促使我们使用一个代理式大型语言模型（LLM）从线上新闻报道生成此类数据。随后，我们开发了一个预测模型，预测这一犯罪数据的每日变化，准确率达到87.1%（见图3）。然后，我们对模型进行分析，识别出与变化最相关的因素。通过这个模型，我们能够生成、预测和识别相关因素，使我们能够衡量犯罪率，为世界银行国别政策与制度指数（CPIA）中的犯罪与暴力指标提供依据，以支持项目综合开发。