@article{oai:ipsj.ixsq.nii.ac.jp:00241916,
 author = {皆川, 直人 and 和泉, 潔 and 村山, 友理 and Naoto, Minakawa and Kiyoshi, Izumi and Yuri, Murayama},
 issue = {1},
 journal = {情報処理学会論文誌},
 month = {Jan},
 note = {国際貿易量の推定は，企業の意思決定や政府の政策決定において重要である．従来，国際貿易の分野では重力モデル広く用いられてきた．重力モデルは成功を収めてきた一方，離れた取引国やそれらの取引国間の情報を反映させることは困難である．勾配ブースティングなどの機械学習手法や，ニューラルネットワークを用いて推定精度の改善を試みた研究もあるが，重力モデル同様に離れた取引国やそれらの取引国間の情報については反映されていないことが多い．深層学習手法のうち，グラフニューラルネットワーク（GNN）を用いることで，近傍国の情報を反映することにより本課題を解決することが可能になるが，通常のGNNではノードに関する特徴のみを対象としており，推定に用いるデータの大半を占めるエッジに関する特徴を反映させることができない．本研究では，元来点群データに対してエッジ特徴を生成するEdgeConvと呼ばれる既存手法を参考に，通常のGNNで扱える貿易対象国の取引国や，離れた取引国やそれらの取引国間の情報を反映することができるGNNの手法を提案した．また，実際に当該手法を用いることで重力モデルや機械学習手法，通常のGNN手法と比較した際に，貿易量推定精度を改善できることを示した．, It is instrumental to estimate international trade amount for business decision makers and economic policy makers. Gravity models have been empirically successful in the field of international trade. While gravity models have been successful, it is difficult to reflect information from distant trading countries and between such trading countries. Some studies have attempted to improve estimation accuracy using machine learning methods such as gradient boosting and neural networks, but as with gravity models, it was not the scope of those researches to reflect information from distant trading countries and between such trading countries. Among deep learning methods, graph neural networks (GNNs) can be used to solve this problem since they can handle information of neighboring countries. However, ordinary GNNs are not able to reflect edge features between countries, which account for the majority of the data used in estimation. In this study, we propose a novel EdgeConv-based GNN approach, which is originally designed to deal with point clouds, to explore both node and edge information to estimate trade amount more efficiently. We also show that the proposed method can improve the accuracy of trade volume estimation compared to traditional regression models, machine learning methods, and conventional GNN methods.},
 pages = {119--128},
 title = {エッジ畳み込み型グラフニューラルネットワークを用いた国際貿易ネットワークにおける取引量推定},
 volume = {66},
 year = {2025}
}