基于时空图注意力网络的大型体育赛事区域经济活动预测研究

《Scientific Reports》：A spatio-temporal graph neural network model for predicting economic impact of sports events and analyzing regional synergy effects

　　

摘要

大型体育赛事通过投入产出模型、可计算一般均衡模型和空间计量工具仅能部分捕捉的渠道，重塑主办城市及其周边地区的经济活动，因为这些工具在接触数据之前就固定了乘数或邻接规则。本研究开发了ST-GAT（时空图注意力网络），该网络能够预测事件周期内每月的区域活动指数，并从数据中学习区域间耦合关系，其中基于重力的先验信息作为辅助信息而非固定权重纳入。预测目标结合了地市级月度刷卡交易消费与夜间灯光强度；因此，该模型预测的是事件期间的活动水平，并不估计福利或因果效应。其架构将注意力加权的图卷积与多尺度门控时间卷积及协同正则化目标相结合，下游程序将学习到的注意力转化为有向协同矩阵。我们在八个中国主办环境中评估了该框架，涉及96个月度观测的地市节点中的14个主办或共同主办地市，观测期为2014年至2024年。在五组随机种子的平均结果中，ST-GAT在六个月预测期上相对于STGCN将RMSE降低了约25%。相对于DCRNN、ASTGCN和Graph WaveNet，优势幅度有所缩小：Graph WaveNet的对比结果（p = 0.032）在七条基线的Holm调整中仍然显著，但未能通过Bonferroni界限，因此我们将其视为初步结果。在更长预测期上优势更为明显，且在排除疫情窗口期后仍然持续存在。以下三个探索性发现均为拟合模型的特征，而非估计效应。在八个主办环境中，赛事遗产半衰期随赛事件前固定资产投资单调上升，尽管这种关联中的一部分可能是机械性的，因为投资同时也是模型输入。苏州、佛山和廊坊在注意力网络中充当预测枢纽，尽管它们并未主办赛事。干扰政策协同信息对协同输出的影响幅度约为干扰交通可达性的两倍，这一对比可以启发但不能替代因果检验。因此，我们将ST-GAT作为一种预测和假设筛选工具呈现，它可以指明哪些共同主办、产业和基础设施关系值得进行专门的因果评估。