Границы применимости временных экспоненциальных моделей случайных графов (TERGM) для анализа региональных сетей альянсов на примере постсоветского пространства

В статье рассматриваются методологические аспекты применения динамического сетевого анализа в современной международно-политической науке. Актуальность исследования обусловлена ограничениями стандартных статистических методов, в частности, логистической регрессии, игнорирующих сетевую автокорреляцию и эндогенную взаимозависимость наблюдений, что приводит к смещенным оценкам при изучении международных процессов. Цель работы – продемонстрировать аналитический потенциал и границы применимости временных экспоненциальных моделей случайных графов (TERGM) для изучения эволюции региональных подсистем безопасности.

На примере моделирования динамики сети военных альянсов на постсоветском пространстве представлена методология построения и спецификации моделей TERGM. Описана процедура включения в анализ как эндогенных структурных конфигураций (инерция, триадное замыкание), так и экзогенных ковариат (торговые потоки, санкционный статус, влияние внешних держав). Расчеты производились при помощи языка программирования R с использованием пакета «btergm».

Показана практическая сложность интерпретации результатов стохастического моделирования в условиях малых выборок. В частности, показано, что включение в модель детерминированных ковариат может приводить к статистическим искажениям, требующим особой интерпретации. Выявлены ограничения метода при оценке влияния характеристик государств, в частности, санкционного статуса, в случаях, когда эти характеристики присущи лишь малому числу участников сети. Сделан вывод о том, что TERGM является эффективным инструментом для измерения структурных эффектов, однако при анализе малых региональных сетевых структур его использование требует строгой предварительной диагностики данных и комбинирования с альтернативными методами верификации.

1. Алиев Т.М., Стоянова Е.В., Чимирис Е.С. Интеграционные стратегии стран постсоветского пространства – опыт анализа с применением методики социального графа [Integration Strategies of the Post-Soviet Countries: Analysis Using the Social Graph Approach] // Вестник международных организаций. 2023. Т. 18. № 1. С. 127–150. https://doi.org/10.17323/1996-7845-2023-01-05.

2. Вакарчук Д.О. Особенности цифровой дипломатии США и КНР в Средиземноморском регионе [The Features of the USA and the PRC Digital Diplomacy in the Mediterranean Region] // Вестник СПбГУ. Международные отношения. 2024. Т. 17. № 4. С. 411–430. https://doi.org/10.21638/spbu06.2024.402.

3. Вакарчук Д.О., Боровинский А.В. Сплоченность развивающихся стран в Генеральной Ассамблее ООН: количественный анализ сетей соавторства и голосования по резолюциям [Cohesion of Developing Countries in the UN General Assembly: A Quantitative Analysis of Co- Sponsorship Networks and Voting on Resolutions] // Россия и современный мир. 2024. № 1(122). С. 195–205. https://doi.org/10.31249/rsm/2024.01.11.

4. Дегтерев Д.А. Сетевой анализ международных отношений [Network Analysis of International Relations] // Вестник Санкт-Петербургского университета. Сер. 6. 2015. Вып. 4. С. 119–138.

5. Desmarais B.A., Cranmer S.J. Statistical Mechanics of Networks: Estimation and Uncertainty // Physica A: Statistical Mechanics and its Applications, 2012. Vol. 391(4). P. 1865–1876. https://doi.org/10.1016/j.physa.2011.10.018.

6. Hafner-Burton E.M., Kahler M., Montgomery A.H. Network Analysis for International Relations // International Organization. 2009. Vol. 63(3). P. 559–592.

7. Hanneke S., Xing E.P. Discrete Temporal Models of Social Networks // Electronic Journal of Statistics. 2006. Vol. 4. P. 585–605. URL: https://projecteuclid.org/journals/electronic-journal-of-statistics/volume-4/issue-none/Discrete-Temporal-Models-of-Social-Networks/10.1214/10-EJS548.full.

8. Lee K.H., Xue L. Model Based Clustering of Semiparametric Temporal Exponential Family Random Graph Models // Stat. 2022. Vol. 11(1). P. e443. https://doi.org/10.1002/sta4.443.

9. Leifeld P., Cranmer S.J. A Theoretical and Empirical Comparison of the Temporal Exponential Random Graph Model and the Stochastic Actor-Oriented Model // Network Science. 2015. Vol. 7(1). P. 20–51. https://doi.org/10.1017/nws.2018.26.

10. Leifeld P., Cranmer S.J. The Stochastic Actor-Oriented Model is a Theory as Much as It is a Method and Must be Subject to Theory Tests // Network Science. 2022. Vol. 10(1). P. 19–24. https://doi.org/10.1017/nws.2022.9.

11. Leifeld, P., Cranmer S.J., Desmarais B.A. Temporal Exponential Random Graph Models with btergm: Estimation and Bootstrap Confidence Intervals // Journal of Statistical Software. 2018. Vol. 83(6). P. 1–36. https://doi.org/10.18637/jss.v083.i06.

12. Mehrl M., Thurner P.W. Sharing Rivals, Sending Weapons: Rivalry and Cooperation in the International Arms Trade, 1920–1939. // The Review of International Organizations. 2023. Vol. 18(1). P. 1–28. https://doi.org/10.1007/s11558-022-09468-w.

13. Whetsell T.A. Democratic Governance and Global Science: A Longitudinal Analysis of the International Research Collaboration Network. // PLOS ONE. 2022. Vol. 17(5). P. e0267437. https://doi.org/10.1371/journal.pone.0267437.

14. Wu G., Dan J. Do Self-Organization and Relational Embeddedness Influence Free Trade Agreements Network Formation? Evidence from an Exponential Random Graph Model // The Journal of International Trade & Economic Development. 2020. Vol. 29(7). P. 816–837. https://doi.org/10.1080/09638199.2020.1755146.