Enhancing the Accuracy of Regional Input-Output Table Estimation: A Deep Learning Approach
提高区域投入产出表估计精度的深度学习方法AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要主要研究投入产出表重建，未明确涉及所列因子、面板、因果或时间预测方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
提高区域投入产出表估计精度的深度学习方法
- 研究问题
- 在区域投入产出表缺少完整调查信息、非调查估计的假设与精度存在争议时，能否结合深度学习和矩阵平衡提高表项估计准确性？
- 方法与思路
- 作者先用线性组合扩充区域经济数量数据，再将各投入产出表项作为预测目标训练深度学习模型，最后以预测值进行矩阵平衡。
- 材料陈述的贡献
- 摘要称以日本二〇一五年投入产出表为基准，该方法通常比在行列和已知这一理想条件下实施的矩阵平衡获得更高估计精度。
- 阅读关注点
- 应核对数据扩充是否产生信息泄漏、训练与验证如何划分、矩阵平衡施加哪些约束，以及误差指标和比较方法是否公平。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明网络结构、验证设置或误差数值，单一基准不能确立普遍优势。
原文摘要
Non-survey methods have been developed for estimating regional input--output tables; however, there is ongoing debate about the necessary assumptions and their accuracy. To address these issues, this study presents a deep learning method for estimating regional input--output tables. First, regional quantitative economic data are augmented by linear combinations. Deep learning is then applied to the items in the input--output table, treating each item as the target variable. Finally, regional input--output tables are estimated through matrix balancing based on the predicted values from the trained model. The estimation accuracy of this method is evaluated using the 2015 input--output table for Japan as a benchmark. Compared with matrix balancing under the ideal assumption of known row and column sums, our method generally demonstrates higher estimation accuracy. Thus, this method is anticipated to provide a foundation for more precise estimates of regional input--output tables.