一种时间图注意力自编码器框架通过对国际贸易网络的演化嵌入来量化地缘政治贸易风险

《Scientific Reports》：A temporal graph attention autoencoder framework quantifies geopolitical trade risk through the evolutionary embedding of international trade networks

　　

摘要

全球贸易网络日益复杂，迫切需要能够捕捉高阶关系结构及其与地缘政治紧张局势共同演变的分析工具。基于 DeepWalk 和 Node2Vec 等静态图嵌入的局限性以及 EvolveGCN、DySAT 和 TGAT 等以往时序模型的不足，我们提出了一种时序图注意力自编码器（TGAA）。该模型将多头图注意力与门控循环单元序列建模相结合，并利用残差连接增强编码器，以缓解稠密贸易图中的过平滑问题。使用覆盖 2001 年至 2023 年 178 个国家的联合国商品贸易数据，该模型在 PyTorch 2.1 和 torch_geometric 2.4 中实现，所有超参数均通过网格搜索和交叉验证选定。从学习到的嵌入中提炼出演化特征，并综合成一个三层地缘政治贸易风险指数（GTRI），其指标权重通过熵权法推导得出，而非先验设定。实证结果表明，TGAA 模型的链接预测 AUC 达到 0.932，优于静态和当代动态图基线模型，并且生成的 GTRI 能够捕捉重大的地缘政治动荡——包括 2014 年克里米亚危机和 2022 年俄乌冲突——同时在针对 β 和 λ 的敏感性测试中保持稳健性。增广 Toda–Yamamoto 格兰杰检验辅以有效转移熵，证实 GTRI 对扩展到十二个主要经济体的样本中的 Caldara–Iacoviello GPR 指数具有线性和非线性预测信息。我们将这些发现解释为证据，表明网络嵌入衍生的结构信号编码了关于地缘政治紧张局势的前瞻性信息，而仅基于文本的指数无法完全捕捉这些信息。