其它研究则在尝试探索暴力的地方性变化（subnational variation），不仅试图预测冲突将在何时发生，更要预测会在何地发生。空间分解（spatial disaggregation）可以让冲突预测按行政单位产生，比如区或市或任意基于网格的位置。这一领域已有的研究重点是特定的国家和冲突。比如 Weidmann 和 Ward 为波斯尼亚的内战生成了市级水平的预测，如图 1 所示。另外也有为非洲的空间网格单元（spatial grid cells）得到的类似的暴力预测 。同样，空间预测模型的复杂性的跨度可以非常大，从空间回归模型到更灵活但也更复杂的机器学习模型。

图 1. 波斯尼亚市级水平的内战暴力预测。（左图）1995 年 6 月在 7 个市级单位实际发生的暴力事件（暗红）。（右图）[7] 中描述的时空模型预测到的暴力（淡红）。画有斜纹的图案表示不正确的预测。尽管有 4 个市级单位的冲突得到了正确的预测，但该模型还是错过了 3 个实际发生的冲突，并错误地预测了 4 个市级单位会发生暴力。而且正如大多数冲突预测案例一样，许多区域仍然是和平的而且也符合预测（以灰色表示）。

预测的愿景和陷阱

很显然，在冲突预测领域确实出现了一些可观的进步。使用明确的和客观的统计标准，更新的方法比传统的解释性模型实现更高水平的样本外准确度（out-of-sample accuracy）。和过去的暴力案例的因果解释相反，样本外预测（out-of-sample forecasting）可以实现不用于拟合模型的事件预测。依赖于先进的定量技术的研究者也取得了具体的预测成功。比如，在 Political Instability Task Force 委托的一份报告中，Ward 及其团队提前 1 个月预测了泰国 2014 年 5 月 7 日的军事政变。

此外，在解决罕见事件预测的挑战上也取得了一些进步。标准的、现成可用的机器学习模型通常适用于不同的输出之间相对平衡的问题。而暴力与和平的预测却并不是这样的问题，其中大部分时间所检查到的单元都是和平的。这个问题可以通过不同的重采样（resampling）技术来解决，这能实现该模型的远远更高的整体预测准确度。Muchlinski 等人应用这样技术在 2001 到 2014 年的样本上预测了内战。他们的模型正确地预测了 20 次内战中的 9 次，而传统的回归模型没有预测正确。

该文献还表明以样本外预测（out-of-sample prediction）为重心有助于防止包含进可能会恶化预测表现的解释性的长列表。更一般而言，这样的分析也是一个有用的提醒：过去事件和未来事件预测的因果解释是不同但相关的实证表现的标准 。

尽管有这样的进展，但要说能拯救生命的冲突预防（conflict prevention）已经马上就能实现还是过于乐观。此外，这一领域还远远没有达到民意调查机构和经济预测机构所能接受的政策影响。为什么会这样呢？

也许最严重的问题在于在完全认识围绕和平与冲突的根本复杂性上的普遍失败。与相对结构化的机构决策设置（institutional decision-making settings，如在微观层面上的投票和消费者行为）相反，冲突过程通常包含一个难以处理的施动因素（actor）集合，这些施动因素以一种让人惊讶的而且从定义上打破规则的方式交互 。这些情形可通过基本和固有的复杂性进行特征化，其允许的是实现「模式预测（pattern prediction）」而不是准确的特定事件的经验预测。在缺乏充分了解所有理论上的组件的交互方式以及缺乏足够用于测量相关变量的数据的情况下，我们所能希望的只有在能增加冲突的概率的结构特征的基础上的风险评估（risk assessment）。因此，至少在宏观层面上，要根据之前在稍不复杂的领域（如台球、行星运动或交通系统、）或更简单的政治环境（如选举竞争）上的成功来确定未来预测的表现是无效的；在这些更简单的问题中，理论原理得到了广泛的了解，而且相关事件发生的频率也很高。