AI-GPR：用LLM量化地缘政治风险

近日，美联储经济学家Matteo Iacoviello与威斯康星大学Jonathan Tong共同推出了基于大语言模型（Large Language Model，LLM）开发的人工智能-地缘政治风险指数（Artificial Intelligence-GeopoliticalRisk Index，AI-GPR）。该研究在解决传统文本分析中“关键词统计”的固有局限上取得突破：通过LLM（以GPT-4o-mini为主）对地缘政治新闻进行语义层面的评估，并完成多维的结构化拆解。本文将围绕该数据展开说明，同时借助与2022年Caldara Dario与Matteo Iacoviello所构建的地缘政治风险指数进行对照，以更深入理解AI-GPR的含义与价值。

测度思路的演变：从词频比对走向语义识别

长期以来，以Caldara & Iacoviello（2022）为代表的传统GPR（为便于与AI-GPR区分，后文以GPR-2022称呼）通常通过建立“地缘政治”与“风险”相关的术语词表来计算指数。研究者再选取主流财经媒体文本，进行关键词匹配与词频统计，从而生成衡量结果。

但随着全球地缘对抗呈现更强的复杂性，且新闻叙事方式不断变化，过度依赖“关键词计数”的做法可能带来两类偏差：

假阳性现象：文本里出现了地缘政治风险相关关键词，却并未真正涉及风险内容。比如，有些电影评论会提到“war”“attack”等词，但并不反映现实中的地缘政治风险。

假阴性问题：文本确实在谈论地缘政治风险，却没有采用关键词词典中的对应词汇。例如，文章可能讨论新型对抗、科技壁垒、网络战等议题，但这些表达并未被收录进既定词表。

因此，为缓解上述测量偏误，Iacoviello & Tong（2026）对AI-GPR的测度方式进行了改进。具体而言，AI-GPR在沿用关键词初步筛选的同时，引入LLM对语境的理解能力：不仅要识别文章是否指向实质性的地缘政治事件，还会将文本赋予0到1之间的连续得分，从而更细致地刻画风险的强弱程度。

数据分析

1.全球地缘政治风险

整体情况

注：图片