当前，国际关系学者运用定量方法开展学术研究已经成为一种学术潮流和学术自觉，原因在于越来越多的国际关系学者认识到，量化研究能够提供相对更加客观、可供验证的研究路径。例如，战争发生的周期性、权力分布与冲突频率的函数关系等，许多规律单纯依靠个案研究是发现不了的；对“民主和平论”“贸易和平论”“核威慑和平论”等国际关系经典理论，许多量化研究可以从不同角度作出证实或证伪。此外，诸如格兰杰因果关系检验、自然实验与工具变量法等技术的应用，使得因果关系检验的可靠性不断上升。总的来说，在过去几十年中，国际关系量化研究对经验知识积累、推动理论创新作出了重要贡献。

　　随着对量化研究方法探索的不断深入以及国际关系研究议题的日益微观化、多维化，传统定量模型中有关线性、静态、外生性等简化假定，越来越表现出在解释力方面的局限性。

　　一是国际体系的动态复杂性。国际体系不是一个趋向于稳定均衡的静态系统，而是一个处于持续变化中的复杂适应系统。它不仅具有过去事件限制未来可能性的路径依赖性，还有对初始条件的敏感性，即早期微小差异可能引发系统性剧变的“蝴蝶效应”。传统统计推断方法依赖观测值独立、数据生成过程稳定等假定，这使其很难捕捉到这种持续演变带来的内生驱动。

　　二是国际体系中因果关系的非线性。传统统计模型往往假定输入变量的变化量将导致输出变量的成比例变化。这种“线性假定”在现实中经常被违反，国际关系在许多方面表现出较明显的阈值效应。在事件发展的临界点上，一个微小的变化可能成为“压死骆驼的最后一根稻草”，而一次重大的冲击则可能并不造成长期影响。例如，一次小规模冲突可能升级为全面战争，而巨额的外国援助可能并未能带来预期的经济增长。国际政治的这种非线性特征与标准线性回归的核心假定不符。

　　三是国际体系单元的异质性。传统定量方法往往假定一个效应在不同案例中基本是同质的，即假定不同个体在先天禀赋和后天条件上不存在本质差异，而且相同的干预在不同个体身上的效果也不存在本质差异。这种同质性假定可能会掩盖重要的异常值和独特案例。它无法识别一个政策或事件对不同政体、不同发展阶段国家等子群体的差异化影响，难以揭示“对谁有效、在什么条件下有效”。虽然目前已有交互项模型、多水平模型和因果森林等多种异质性分析方法，但随着数据逐渐具有高维、非结构化、大样本的特征，传统的异质性解决方法表现得越来越力不从心。

　　此外，数据的可得性和模型的稳定性也制约了定量研究的发展。许多议题的数据库集中于特定指标、特定行为体和特定时间段，这就使得原本可能对结果有影响的重要因素因数据缺失而无法被纳入模型，一些有代表性的行为体被排除在外，或一些时间段的情况无法被检验，由此导致模型出现估计偏差。而统计模型结果高度依赖变量选择、函数形式和统计假定，不同的设定常导致迥异的结论，这更进一步削弱了统计结果的可靠性。

　　进入21世纪后，计算机技术和人工智能的迅猛发展，为社会科学研究带来了新的方法工具，较为有效地弥补了传统量化方法的不足。

　　机器学习代表了从理论驱动到数据驱动的范式转变，其核心功能是应用算法从数据中学习，识别大型、高维数据集中复杂且通常是非线性的模式，并且无需预先指定关系。它可以处理从数值指标到文本和图像数据的各种输入，以生成对未来事件的预测或对现象进行分类。在国际关系研究中，机器学习的一个典型应用就是冲突预测。比如，综合危机预警系统和暴力预警系统这样的项目就是利用机器学习算法为决策者提供早期危机预警。而卷积神经网络这一类擅长图像识别的深度学习模型，甚至可以使用卫星图像资料预测冲突。机器学习不依赖先验理论即可从数据中发现关联的优势，为探索新颖假设提供了可能。

　　大语言模型是机器学习的一种特殊形式，它的核心功能是理解并生成类似人类的语言。与早期依赖词频或简单规则的自然语言处理技术不同，大语言模型能够捕捉复杂的语言模式、上下文信息和语义关系。在国际关系研究领域，传统量化研究难以处理外交文件、领导人演讲、政策文书，而大语言模型可轻松完成对这些文本的分类、情感分析、实体识别等任务，并提炼出关键信息。例如，研究人员可基于联合国大会或安理会自成立以来的全部演讲语料库，要求一个大语言模型在预定义的尺度上对每篇演讲，甚至每篇演讲的每个句子进行评分，以此衡量国家在关键问题上的立场演变。

　　基于主体的建模是一种仿真模拟方法，它将分析从变量和方程转向行为体及其互动上，其核心工作是创建一个由遵循一套行为规则的自主、异质的主体组成的人工世界。与宏观统计模型自上而下的分析不同，基于主体的建模能够模拟这些主体之间及其与环境的重复互动，使研究人员得以观察宏观模式如何从微观行为中“涌现”，基于主体的建模因而成为生成性或“自下而上”解释的重要工具。例如，已有学者通过构建模型，让虚拟国家在地缘网络中自主选择结盟或开战，结果呈现与历史相似的联盟结构和战争周期。总之，基于主体的建模为研究者提供了一个“虚拟实验室”，可在不损害现实的前提下反复试验各种情境，这是传统统计分析难以实现的。

　　机器学习、大语言模型和基于主体的建模等新兴前沿技术能够处理传统研究方法难以应对的复杂系统和因果过程，从不同角度拓展国际关系研究方法，成为传统量化研究的强有力补充。通过引入新的分析工具，国际关系学者正在创建更加灵活和全面的工具包，以应对日益复杂的全球性问题。

　　（作者系国际关系学院国际政治系教授）