全球供应链实时追踪：基于机器学习的增加值贸易指标即时预测研究

本研究针对增加值贸易（TiVA）指标发布滞后问题，通过梯度提升树等机器学习技术构建面板数据模型，成功实现了对41个经济体整体及24个行业部门的TiVA指标即时预测（nowcasting），相比自回归基准模型显著提升预测精度，为政策制定者应对快速变化的经济形势提供了及时有效的决策支持。

　　

通过实时追踪全球供应链动态演变，研究人员聚焦于增加值贸易（Trade in Value-Added, TiVA）指标这一关键经济分析工具。针对该类指标发布存在显著滞后性的现状，该研究创新性地采用梯度提升树（gradient boosted trees）等机器学习技术，在面板数据框架下对41个经济体的整体层面及24个细分行业部门开展TiVA指标即时预测（nowcasting）建模。研究成果显示：相较于传统自回归基准模型，该机器学习驱动的新型预测算法显著提升预测精度，在1-2年预测周期内呈现相对较低误差水平，不过模型性能在不同国家与行业间存在差异。这项突破为政策制定者应对快速演变的经济格局提供了实时数据支持，极大增强了宏观决策的时效性与精准度。