《Financial Innovation》：Research on the spatiotemporal prediction of supply chain finance risk contagion based on a dynamic graph attention diffusion mechanism
编辑推荐：
本研究聚焦于供应链金融风险传染的时空预测，基于动态图注意力扩散机制构建了一个模型进行深入探索。采用风险感知动态图注意力网络（risk-aware dynamic graph attention network, DyGAT）对供应链金融的时变网络结构进行建模，
本研究聚焦于供应链金融风险传染的时空预测，基于动态图注意力扩散机制构建了一个模型进行深入探索。采用风险感知动态图注意力网络（risk-aware dynamic graph attention network, DyGAT）对供应链金融的时变网络结构进行建模，其中空间注意力权重αij(t)在每个时间步通过整合实时风险强度信号进行自适应更新，以实现真正的时空耦合建模。研究人员引入了一种具有自然风险衰减的有界扩散机制来描述风险在空间和时间维度上的传播过程，避免了传统公式中无界累积的缺陷。在方法论上，研究人员通过整合历史交易数据和企业财务信息等多源数据构建了供应链金融动态图结构，明确了数据清洗、融合和特征工程流程，并对模型进行了严格的训练、验证和消融实验。结果表明，该模型能够有效预测供应链金融风险传染的时空路径和拓扑特征，识别风险传播的关键节点和关键时期，消融实验验证了动态注意力模块和有界扩散模块分别带来了18.2%和12.5%的精度提升。这为金融机构和供应链企业提前制定风险防范策略提供了有力支持，对于提高供应链金融系统的稳定性和韧性具有重要意义。然而，在将模型应用于小样本场景时需要谨慎，因为有限的样本量可能会限制其向其他行业和地区的泛化能力。
一、研究背景与现存问题
在全球经济一体化和数字化转型背景下，供应链已演变为复杂、多节点、相互关联的网络系统，成为企业竞争和国民经济发展的重要载体。供应链金融（supply chain finance, SCF）作为一种融合资金流、物流和信息流的创新金融服务模式，依托核心企业的信用优势，有效连接上下游中小企业（small and medium-sized enterprises, SMEs）的资金需求与金融机构的金融资源，缓解了中小企业融资难、融资贵问题。然而，由于节点企业间紧密的业务联系、资金依赖和信息关联，SCF在带来显著经济社会效益的同时也积累了突出的风险隐患。一旦关键节点企业发生风险事件，风险会沿着业务关联、资金流动和信息传递路径迅速蔓延，引发连锁反应甚至演变为系统性风险。
现有SCF风险评估方法大多采用静态线性分析框架，如信用评级模型和风险指数评估法，忽视了企业间关联的时变特性和供应链网络的动态演化，无法实现风险传染的空间传播路径与时间演化规律的一体化建模。近期虽有研究引入静态图神经网络，但仍存在空间注意力权重固定、无法随时间序列更新的缺陷，导致对动态风险传播过程的预测出现偏差。此外，现有模型极少考虑风险状态与网络结构之间的双向反馈循环，即风险事件的发生反过来会改变企业间的关联强度，而这正是真实SCF风险传染的核心特征。因此，亟需引入创新技术方法突破传统模型的瓶颈。
二、研究内容与结论
为解决上述问题，研究人员基于动态图注意力扩散机制构建了SCF风险传染的时空预测模型。首先，利用风险感知动态图注意力网络（DyGAT）对供应链金融动态网络进行建模，实现了节点间注意力权重随时间和实时风险强度的自适应更新，捕捉了节点企业间的时变相关性以及风险状态与网络结构的双向反馈。其次，引入了具有自然风险衰减的有界扩散机制，模拟风险在空间和时间维度的传播过程，解决了风险无界累积的问题。再次，整合了长三角地区100家制造业企业2019年至2023年的多源异构数据构建了动态图结构，并严格设计了模型训练、验证和消融实验方案。实证结果表明，该模型在所有评价指标上均优于主流基线模型，能够准确预测SCF风险传染的时空路径、传播强度和拓扑特征，并有效识别了8个关键风险节点。消融实验证实，动态注意力模块和有界扩散模块分别带来了18.2%和12.5%的精度提升。
三、关键技术方法
研究人员采用了以下几个关键技术方法：（1）风险感知动态图注意力网络（DyGAT）：通过引入风险感知门控机制，将实时风险强度信号融入注意力权重计算，在每个时间步独立学习权重矩阵，实现了空间注意力权重的动态更新和风险反馈循环建模；（2）有界扩散机制：构建了包含自然风险衰减系数β和sigmoid激活函数的风险更新公式，将风险强度限制在[0,1]区间内，消除了传统线性累积公式的无界缺陷；（3）动态图结构构建：整合Wind数据库、企业年报及合作金融机构提供的长三角地区100家制造业企业2019—2023年共60个月度时间步的多源异构数据，经过去重、XGBoost缺失值插补、3σ异常值剔除、时间对齐和Z分数标准化等处理，构建了包含18维节点特征和6维边特征的动态图结构；（4）模型训练与评估：采用PyTorch 2.0.1和PyTorch Geometric 2.3.1框架，设置2层DyGAT、4个注意力头、β=0.9、Adam优化器、早停机制等参数，并与LSTM、静态GAT、T-GCN、DyGNN四个基线模型进行比较，使用MSE、MAE、准确率、路径精确率（PP-P）、关键节点召回率（KN-R）和拓扑相似度（TS）六项指标进行评估。
四、研究结果
1. 模型预测性能
在测试集上，该模型的MSE为0.073，MAE为0.142，准确率为0.845，PP-P为0.812，KN-R为0.867，TS为0.831，表明模型能够准确预测节点企业的风险强度、风险传播路径和网络拓扑特征。
2. 与基线模型对比
该模型在所有评价指标上均优于LSTM、静态GAT、T-GCN和DyGNN四个基线模型。相比仅考虑时序特征的LSTM，MSE降低了54.9%，准确率提升了25.7%；相比使用固定空间注意力权重的静态GAT，MSE降低了38.6%，PP-P提升了22.3%；相比采用静态图结构和固定卷积核的T-GCN，MSE降低了31.2%，TS提升了18.9%；相比缺乏有界扩散机制的DyGNN，MSE降低了24.5%，KN-R提升了15.6%。
3. 消融实验结果
移除动态注意力模块后（Model A），全模型的MSE降低了16.1%，准确率提升了7.9%，PP-P提升了18.2%；移除有界扩散模块后（Model B），全模型的MSE降低了12.0%，准确率提升了6.3%，KN-R提升了12.5%。这表明两个核心模块对模型性能均有重要贡献，且两者协同实现了优化效果。
4. 关键节点识别与风险传播路径分析
模型从100家样本企业中识别出8个关键风险节点，均为供应链中的核心企业。以某领先制造企业（节点17）为例，当其于时间步32发生资金链压力风险时，风险在2个时间步内首先传播至其直接上游供应商和下游分销商，随后3个时间步内进一步扩散至二级节点，8个时间步后风险强度逐渐衰减至0.10以下，与实际风险事件记录基本一致（PP-P为0.83）。
5. 鲁棒性检验
数据扰动检验显示，在测试集节点特征数据中添加5%噪声后，MSE仅增加0.008，准确率下降0.021，表明模型具有较强的抗噪能力；样本量缩减检验显示，将样本量分别减少至80家和60家企业后，MSE分别增加0.012和0.019，准确率分别下降0.035和0.052，仍优于所有基线模型。
五、讨论与结论
讨论部分总结： 研究发现SCF风险传染具有明显的时空耦合特征，风险状态与网络结构之间存在双向反馈循环。风险感知DyGAT通过自适应更新空间注意力权重有效捕捉了节点企业间的时变相关性，有界扩散机制解决了传统模型中风险无界累积的缺陷。动态注意力模块带来18.2%的路径精确率提升，有界扩散模块带来12.5%的关键节点召回率提升。理论上，该研究丰富了SCF风险管理研究体系，突破了传统风险预测模型时空解耦的瓶颈，填补了忽视风险反馈循环的研究空白。实践上，金融机构可提前1—2个月识别81.2%的风险传播路径，预计可减少约25%的信贷损失，避免约15%的违约传染成本；监管机构可利用该模型建立SCF系统性风险实时监测预警系统。
研究结论部分翻译： 针对传统供应链金融（SCF）风险传染预测模型存在的静态建模、时空解耦、风险无界累积以及忽视双向风险反馈循环等缺陷，本研究构建了基于风险感知动态图注意力扩散机制的SCF风险传染时空预测模型。通过整合风险感知动态图注意力网络（DyGAT）和具有自然风险衰减的有界扩散机制，该模型实现了SCF风险传染的时空耦合建模以及风险状态与网络结构的双向交互，解决了传统模型中的关键问题。基于长三角地区100家制造业企业多源异构数据的实证结果表明，所提模型在所有评价指标上均优于主流基线模型，能够准确预测SCF风险传染的时空路径、传播强度和拓扑特征，并能有效识别关键风险节点和关键时期。消融实验验证了动态注意力模块和有界扩散模块分别带来了18.2%和12.5%的精度提升，确认了它们对模型性能的边际贡献。
