论文标题：Harnessing Graph Neural Networks to Predict International Trade Flows

论文链接：https://www.mdpi.com/2504-2289/8/6/65

期刊名：Big Data and Cognitive Computing

期刊主页：https://www.mdpi.com/journal/BDCC

一、引言

国际贸易流量的精准预测对于识别出口机遇、制定商业战略和经济政策具有重要意义。长期以来，引力模型（gravity model）一直是预测双边贸易流量的主流实证方法，其核心逻辑在于：经济规模越大的国家越倾向于参与贸易，而地理距离越远的国家间贸易流量则趋于下降。然而，传统的引力模型通常采用对数线性回归等常规统计技术进行估计，在面对大规模、高基数的数据集时——例如国际贸易数据中数以千计的产品编码——这些方法往往力不从心。在此背景下，机器学习技术的引入为国际贸易引力模型的估计带来了新的可能。本研究聚焦于图神经网络（Graph Neural Networks, GNNs）在国际贸易流量预测中的应用，探究其在建模复杂贸易关系方面的预测效

二、材料与方法

本研究的数据基础为联合国商品贸易统计数据库（UN Comtrade）2017至2022年的年度双边货物贸易数据，涵盖全球任意两国之间5000余个产品组。研究融合了CEPII引力数据库中的地理距离数据以及世界银行数据库中的宏观经济指标。预处理阶段包括数据整合、清洗、特征选择、图表示构建、归一化处理以及训练-测试集划分等步骤。在特征工程方面，纳入的特征包括贸易额、产品HS编码、国内生产总值（GDP）、人口、人均GDP以及国家间地理距离等。在模型架构上，研究采用了两种不同类型的图神经网络——图卷积网络（Graph Convolutional Networks, GCNs）和图注意力网络（Graph Attention Networks, GATs）。研究将国际贸易网络构建为图结构，其中国家为节点，贸易关系为边，每条边承载所交易产品的详细信息。模型性能评估采用了两种划分策略：其一为标准随机划分（训练集80%，测试集20%），其二为时间划分（2017—2021年数据训练，2022年数据测试）。

三、分析与结果

实证分析结果表明，GNNs在国际贸易流预测中展现出优越的预测能力。研究发现，GNNs能够有效建模国际贸易网络中复杂的国家间关系与依赖结构，其预测精度显著优于传统的随机森林等机器学习方法。这一发现验证了研究提出的核心假设，即GNNs因其对图结构数据的天然适配性，在处理国际贸易这类高度关联、非线性的关系数据时具有独特优势。研究还探讨了数据漂移（data drift）对模型性能的潜在影响，为模型在实际应用中的稳健性评估提供了重要参考。

图1 产品族的数据漂移

四、讨论

本研究的发现具有重要的理论与实践意义。准确的双边贸易流预测对于中小型经济体的企业家和政策制定者实现可持续发展目标尤为关键。GNNs模型提供的预测结果可为政策制定者、企业及其他利益相关方提供数据驱动的决策基础，有助于识别具有显著发展潜力的市场、产品和部门。通过揭示新兴市场机会，该研究为优化资源配置、完善贸易政策、促进经济增长以及适应国际贸易动态变化提供了有力支撑。研究表明，机器学习模型在国际贸易预测中的应用能够有效降低管理和治理过程中的不确定性。

五、展望与结论

本研究通过系统评估GCNs和GATs两种图神经网络在国际贸易流预测中的表现，证实了GNNs在建模复杂贸易关系方面的有效性与优越性。研究为引力模型的应用拓展至全球尺度提供了新的方法论框架，超越了以往研究的范畴。未来研究可进一步探索GNNs在更细粒度产品层面的预测能力，以及将动态网络建模能力应用于国际贸易时序数据的深入分析。随着全球贸易格局的持续演变，基于图神经网络的预测方法有望成为国际贸易分析与政策制定的重要工具，为学术界与实务界提供持续的价值。

期刊介绍

主编：Min Chen, South China University of Technology, China

Big Data and Cognitive Computing (ISSN: 2504-2289)创刊于2017年，是面向计算机科学大数据与认知计算的国际性、跨学科、开放获取的学术期刊，主要发表与大数据、云计算、认知计算、人工智能通信、数据分析、移动大数据、认知学习、机器学习等相关主题的原创研究论文。期刊旨在将大数据理论与智能云新兴技术结合起来，并探索超级计算机的新应用。目前已被 Scopus, ESCI (Web of Science), dblp, Inspec, Ei Compendex等多个数据库收录。

2025 Impact Factor：5.3

2025 CiteScore：11.4

Time to First Decision： 23.3 Days

Acceptance to Publication： 4.8 Days