在中美经贸关系深入发展与全球产业竞争加剧的背景下，美国 337 调查已演变为阻碍中国企业进入美国市场的重要知识产权壁垒，作为一种准司法程序，其制度设计蕴含着“美国优先”式的贸易保护主义色彩。根据美国《1930 年关税法》（ Tariff Act of 1930）第 337 条，美国国际贸易委员会（The United States International Trade Commission，ITC）有权对进口贸易中涉及专利侵权、商标侵权、著作权侵权及商业秘密盗用等知识产权侵权行为与不公平竞争行为展开调查。一旦被裁定为违反 337 条款，ITC 可发布有限排除令、普遍排除令或禁止令，从而将相关产品排除在美国市场以外。近年来，中国已成为 337 调查的首要目标国，在 2014 年至 2024 年间，ITC 累计发起 337 调查 525 起，其中 219 项调查涉及中国企业，占比高达 41.7%，2019 年中国企业涉案量占比更是达到 57% 的峰值（图 1）。对于中国企业而言，337 调查不仅意味着高昂的应诉成本（单案律师费通常超过 100 万美元），更可能导致其产品被永久排除出美国市场，造成不可挽回的商业损失。因此，准确预测 337 调查的裁决结果，有助于中国企业科学评估应诉风险、合理配置资源、制定更具针对性的商业与法律策略。传统的法律预测研究主要依赖专家经验和定性分析，缺乏定量化的数据支撑。机器学习通过识别数据的模式来运作，法律的许多方面都可以从数据的角度来看待。随着法律人工智能（legal AI）领域快速发展，机器学习技术被广泛应用于司法判决预测、专利诉讼结果预测、合同审查、刑事侦查与量刑等多个法律场景。例如，利用逻辑回归模型可以识别出专利权利要求数量、技术领域和引证数量等影响侵权判决的关键因素；通过数据驱动的机器学习，能够对美国联邦最高法院的历史判决进行建模，并以此预测未来裁判走向；使用自然语言处理工具分析欧洲人权法院的诉讼文本以自动预测司法判决已取得较高的正确率；基于多起强奸判例样本的机器学习定量检验能够完善认罪认罚这一量刑情节的应用。然而，目前国内外针对 337 调查裁决结果的机器学习预测研究仍属空白。本文旨在填补这一研究缺口，通过构建结构化的337 调查数据集，利用多种机器学习模型对裁决结果进行预测，并分析影响裁决的关键因素，为中国企业的应诉决策提供实证依据。本文的主要贡献在于：首次构建了面向机器学习、涵盖1656件 377 调查案件多维特征的大规模结构化数据集；系统比较了多种分类模型在裁决预测任务中的性能表现；揭示了影响337 调查裁决结果的核心预测因子；为涉华 337 调查案件提供数据驱动的应诉策略建议。本研究数据来源于ITC 官网公开的调查数据查询系统（InvestigationsDatabaseSystem，IDS）。作为ITC官方的调查数据查询系统，IDS收录了全部 337 调查和 TitleVII调查（反倾销、反补贴）的完整信息，涵盖案件基本信息、参与方信息、时间节点、投票记录、知识产权信息和救济命令等多个维度。通过其RESTfulAPI(https://ids.ITC.gov/investigations.json)下载了截至 2026 年 5 月29日的最新数据集（JSON格式，34.05 MB）。原始数据集包含 55 个字段，涵盖了调查的各个维度：调查编号、调查类型、调查阶段、调查状态、案件标题、参与方信息、不公平行为、知识产权信息、HTS 税号、时间节点（立案日期、听证日期、裁决日期、终止日期等）、案件管理人员信息、产品类别标签、审判法官信息、投票记录等。
本研究对原始JSON 数据进行了系统处理与特征工程，构建了适用于机器学习模型的结构化数据集。预处理步骤如下：
（1）数据筛选。如图 2 所示，从全部 4369 条调查记录中筛选出调查类型为“不公平进口贸易” （unfair imports）或调查编号以“337”开头的记录，共得到 1656 件 337 调查案件，其中 389 件涉及中国应诉方。筛选标准为：参与方列表中存在国别为“China”的实体或子调查中的国家字段包 含“China”。（2）目标变量定义。本研究的预测目标为最终裁决类型(final determination type）。针对二分类任务，筛选裁决类型为“违反”（violation）或“未违反”（ no violation）的实体裁决案件，将违反标注为 1（正类）， 未违反标注为 0（负类）。针对多分类任务， 保留全部六种裁决类型：违反、未违反、非实质性（ non-substantive）、批准（granted）、拒绝（denied）和其他（other ）。（3）特征构建。如表 1 所示，从原始数据中提取并构建了以下特征组：第一 ，数值型特征，包括参与方总数、应诉方数量、投诉方数量、不公平行为项数、知识产权项数、HTS 税号数量、调查年份、调查时长（天） ；第二，类别型特征，包括调查阶段［多分类变量，含违反/ 发回重审（remand）/ 修改（modification）/ 撤销（rescission ）等 13 个类别］ 、产品类别（多分类变量，含消费电子产品/ 计算机通信/ 汽车制造等 12 个类别） ；第三，二元型特征，包括是否涉及专利侵权、商标侵权、商业外观侵权、商业秘密、虚假标识，知识产权是否包含专利/ 商标/ 商业外观/ 著作权/ 商业秘密。（4）缺失值处理。全量数据集（N=1656）中，调查时长（37.1% ）、产品类别（40.4%）及调查年份（32.9%） 的缺失值源于未结案案件。核心建模子集（涉华实体裁决案件，N =181）中，调查时长与年份各缺 5 条，产品类别缺 13 条，其余数值特征完备。使用 Pipeline 模型进行内嵌插补，因调查时长右偏，偏度 0.996，最大值 2412 天，数值型缺失值以中位数填充，类别型缺失值以“missing”填充，将缺失值作为可学习信号，规避插补数据引入的人为偏差。（5）数据划分。采用分层抽样将数据集按 7 ∶ 3 比例划分为训练集和测试集，确保两个子集中各类别的比例保持一致。模型评估采用 5 折分层交叉验证，以 F1 分数、准确率和 AUC-ROC作为主要评价指标。逻辑回归、随机森林（random forest）和梯度提升树（gradient boosting tree）三种模型均属于监督学习框架下的分类算法，其共同目标是从标注数据中学习输入特征与裁决结果之间的映射关系。三者的核心差异在于建模策略：逻辑回归模型采用参数化线性假设，随机森林模型基于Bagging 策略的并行集成，梯度提升树模型依赖Boosting 策略的序贯集成。逻辑回归是统计学习中经典的二分类模型，通过线性函数对输入特征进行加权求和，得到一个连续的风险总分“z”，使用 Logistic函数将线性预测值映射到［0，1］区间，得到样本属于正类的概率估计。逻辑回归的简洁线性结构使其具有良好的可解释性，每个特征的权重系数在方向上反映其对裁决结果的影响，正系数表示该特征值越大违规风险越高，负系数则相反。然而，线性假设构成其根本局限，即当特征之间存在复杂的非线性交互关系时，单一线性超平面无法有效捕捉此类模式，从而限制了模型的预测精度上限。z（违反风险总分）= w1 ×（调查时长）+ w2 ×（ HTS 税号数量）+ w3 ×（应诉方数量）+ w4 ×（参与方总数） + … + b P（裁决= 违反| 案件特征） = 1 / (1 + e^{–z}) 随机森林是由Breiman 提出的一种集成学习方法，通过Bootstrap 自助采样从原始训练集中抽取多个不同的子训练集，在每个子训练集上独立训练一棵决策树，最终通过投票（分类任务）或平均（回归任务）的方式汇总所有树的预测结果。相较于单一决策树，随机森林显著提升了泛化能力与预测稳定性。从包含 1656 件 337 调查案件的原始数据集中，有放回地随机抽取 K=100 个不同的子训练集，每个子训练集仍包含 1656 件案件（但其中约 63.2% 是不同案件，约 36.8% 是重复案件） 。在每个训练子集上独立构建决策树，节点分裂时，选取特征及切分阈值，使子节点纯度最大化。Gini 系数用于衡量子节点纯度，数值越小，子节点类别越单一，分裂效果越好。
Gini（案件集合）= 1 –［p2- 违反+ p2- 未违反］ 梯度提升每轮训练一个新的弱学习器（通常为浅层决策树）来拟合前一轮模型残差的负梯度方向，然后通过加权累加的方式逐步构建强学习器。换言之，后续的树在前序模型的“错误”上不断修正，直至整体预测误差收敛。相较于随机森林方法，梯度提升树在捕捉变量间复杂非线性关系和交互效应方面通常更具优势，但也更容易过拟合，需要通过调整学习率、树的深度和迭代轮数等超参数进行控制。每轮拟合前轮预测残差，残差等价于损失函数的负梯度，沿此方向修正使误差递减。案件残差i = （真实裁决- 违反=1或 未违反 =0） – （当前预测概率 P0） 图 3 展示了通过 5 折交叉验证得到的四种不同基准的 ROC曲线对比。图中横轴为假阳性率，纵轴为真阳性率，曲线越靠近左上角且曲线下面积越大，代表模型性能越好。结果显示，随机森林表现最佳，AUC 值为 0.766；逻辑回归紧随其后，AUC 为 0.760；梯度提升树稍弱，AUC 为 0.707；而代表无预测能力的“随机猜测”基准线 AUC 为 0.5。这表明在本数据集上，这三个机器学习模型均具有有效的分类能力，逻辑回归和随机森林的效果最为接近且优于梯度提升树。如表 2 所示，模型对 337 裁决的预测结果并非简单的“正确”或“错误”，而是四种不同性质的结果组合。TP（正确预警）：模型预测违反，实际违反。企业获及时预警，可积极应诉、准备抗辩策略。TN（正确排除） ：模型预测未违反，实际未违反。企业可放心推进对美出口，避免不必要的应诉投入。FN（漏报/ 最危险）：模型预测未违反但实际违反。企业误判为安全而放弃应诉，导致缺席裁决以及产品被排除出美国市场，商业损失最为惨重。FP（误报/ 次危险）：模型预测违反但实际未违反。企业可能过度恐慌， 投入本不必要的应诉资源，产生冗余律师费用。FN（漏报）的代价远高于FP（误报） ，因为漏报会直接导致企业错失应诉窗口，面临产品被永久排除的不可逆损失。因此， 模型评估更应关注能够衡量对“违反”的捕获能力的指标（如召回率和 F1 分数），而非单纯的总体准确率。如表 3 所示，最终数据集包含 1656 件 337 调查案件，其中 984 件已有最终裁决。涉华案件共389 件（占总数的 23.5%），其中 320 件已有裁决，裁决分布为：违反 128 件（40.0%）、非实质性120 件（37.5%）、未违反 53 件（16.6%）、批准 13 件（4.1%）、拒绝 3 件（0.9%）、其他 3 件（0.9% ）。在 181 件实体裁决的涉华案件中，违反比例高达 70.7%（128/181） ，远高于非涉华案件的 48.9%（108/221）和全部案件的 58.7%（236/402）。这一差异具有统计显著性(χ2 = 18.7，p ＜ 0.01），表明涉华案件在实体裁决中被判定为违反的概率显著更高，呈现出结构性偏差。如图 4 所示，从产品类别分布来看，涉华 337 调查高度集中于以下领域：计算机和通信产品（约占 18.5% ）、消费电子产品（约占 11.1% ）、小型消费品（约占 10.3%）、汽车制造/ 交通运输（约占 6.2%）以及制药和医疗器械（约占 5.1%）。这一分布格局与中美贸易商品结构高度吻合，反映出中国在上述产品领域对美国市场的深度融入与持续参与。
如图 5 所示，在涉华案件二分类预测（违反 vs未违反）任务中，样本量为 181 件，其中违反128 件（70.7%），未违反 53 件（29.3%）。逻辑回归的F1 分数为 0.779、准确率为 0.713、AUC为 0.760；随机森林的F1 分数为 0.849、准确率为 0.768、AUC为 0.766；梯度提升树的 F1 分数为0.816、准确率为0.724、AUC 为0.707。随机森林在上述三个指标上均表现最优，其F1分数达到0.849，表明模型在精确率和召回率之间取得了较好的平衡。如表 4 所示，全部案件二分类任务（ n = 402，违反 236 件占 58.7%，未违反 166 件，含涉华181 件）中，各模型性能整体略降：随机森林 F 1=0.724、准确率 0.696、AUC=0.767；梯度提升树F 1=0.723、准确率 0.662、AUC=0.716；逻辑回归 F 1=0.620、准确率 0.617、AUC=0.699。“是否涉华”未进入特征重要性前五，表明国别因素直接预测力有限，可能通过产品类型等中介变量间接影响。涉华多分类任务（6 类，n = 320）性能显著低于二分类：随机森林加权F1=0.615、准确率 0.625；梯度提升树加权 F 1=0.553、准确率 0.572。如图 6（ a ）和（b）所示，在样本分布上“非实质性终止”和“违反”类别样本量较大（各120—128 件） ，而“拒绝”“批准”及“其他”类别样本极少（仅 3 件） 。从预测结果看，模型将绝大多数“非实质性终止”样本（83 件，占比 69%）和“违反”样本（86 件，占比 67%）正确归类；对于小样本类别， “批准”类中有 9 件被预测为“未违反”， “拒绝”类的 3 件样本全部被预测为“批准”，“其他”类的 3 件样本则分别被预测为“批准”和“非实质性终止”。此外，“未违反”类别（53 件） 中有 26 件被预测为“违反”， 19 件预测正确。整体而言，预测结果呈现出向样本量较大的类别集中的趋势。如表 4 所示，涉华多分类任务（加权 F1=0.615）显著弱于二分类（ F 1=0.849），主要原因是：一、类别增加使决策边界复杂化，分裂路径增多；二、样本稀释，6 类共享 320 条训练样本，“拒绝”和“其他”各 3 件，不足以体现类别的典型特征；三、类别失衡，多数类占比 77.5%，模型将少数类误判为多数类。本文核心问题属二分类（是否违反），其F1=0.849、AUC=0.766已达到辅助决策要求；多分类仅为探索性分析。随机森林模型提供了特征重要性的量化评估（表 5）。在涉华案件二分类任务中，排名前十的特征依次为：调查时长（重要性=0. 127）、HTS 税号数量（0. 117）、参与方总数（0. 102）、应诉方数量（0.097）、计算机和通信产品类别（0.082）、调查年份（0.077）、小型消费品类别（0.054）、是否涉及商标类IP（0.053）、知识产权数量（0.053）、是否涉及商标侵权（0.042）。特征重要性分析揭示了若干有意义的规律。第一，调查时长为随机森林模型中重要性排名第一的预测特征（重要性=0. 127），但如图 7 所示，数据表明该特征与裁决结果之间并非简单的正相关关系。这可能是因为：一方面，案情复杂、争议较大的案件往往审理时间更长；另一方面，持续时间较长的案件提供了更充分的证据开示机会，有利于投诉方证明侵权行为的存在。对数据的进一步分析证实，被判“违反”的涉华案件平均调查时长约为 463 天（中位数 493 天），而“未违反”案件平均调查时长约为 537 天（中位数 536 天）。因此，调查时长与裁决结果之间并非简单的线性因果关系，时长差异可能同时反映了案件复杂程度、证据开示充分性以及当事方的程序性博弈策略。第二，HTS 税号数量反映了涉案产品的技术宽度和商业覆盖面。HTS 税号越多，说明涉案产品种类越丰富，可能涉及多个技术领域和市场细分，投诉方通常更有动力证明侵权以保护其市场份额。第三，应诉方数量为重要性较高的特征，但其与裁决结果之间并非“越多越违规”的正向关系，涉华案件中应诉方较少（1 ～ 2 家）者违反率接近 100%，而 6 家及以上者仅约 68%，方向相反。这反映出投诉方倾向于选择应诉能力较弱、应诉方数量较少的对象提起诉讼，此类案件抗辩不足，更易被认定违反。第四，计算机和通信产品类别被单独列为显著特征，说明该技术领域的 337 调查具有独特的裁决模式。这可能与该领域专利密集度高、技术迭代快、标准必要专利（SEP）争议频发有关。
随机森林模型显示，涉华案件违反比例显著高于平均水平（70.7% vs 48.9%），这一负向偏差不应简单归因于中国企业更容易侵权，而应综合分析。从法律经济分析视角审视，涉华案件不利裁决的高发系ITC 制度设计与投诉方策略行为交互作用的产物。投诉方依据理性选择理论，在确定调查目标时遵循预期效用最大化原则，倾向于锁定应诉能力较弱、缺席概率较高的中国企业，由此形成系统性的选择效应。与此同时，ITC 作为准司法贸易救济机构，其制度激励结构天然倾向于回应国内产业的保护需求，在“保护国内产业免受不公平贸易行为损害”的法定使命驱动下，行政法官在事实认定与法律适用中倾向于作出有利于美国国内产业的裁决，对涉外应诉方造成了不成比例的程序性负担。这一制度性偏差的累积效应，使涉华案件违反裁决率长期维持在高位（70.7%），远超出随机概率所能解释的范围。综合实证发现与制度分析，涉华不利裁决的生成可归纳为三重递进逻辑。其一，信息不对称与应诉成本壁垒。企业遭受 337 调查后，其对美出口贸易总额不仅会受到影响，还可能面临高昂的律师费用。且 337 调查审理周期仅 12 至 15 个月，中国中小企业普遍面临高昂的法律服务成本与跨境证据开示的技术障碍，导致其缺席裁决比例显著高于其他国家的应诉方。缺席状态下，行政法官依据投诉方单方证据作出不利推定的概率极高。其二，规则模糊性与裁量空间。337 调查在国内产业认定标准、救济措施类型选择、保证金数额确定等关键环节均存在较大自由裁量空间。以“公共利益”条款为例，ITC在签发排除令时须考量“对公共健康和福利、美国经济的竞争条件、美国同类产品或直接竞争产品的生产，以及美国消费者的影响”，但上述四要素的权重分配缺乏明确指引，使得其在涉外案件中更易援引“保护国内产业”作为政策依据。其三，宏观话语环境与制度渗透。尽管 337 调查在法律文本上具有国别中立性，但在中美战略竞争深化的宏观背景下，中国企业在进入调查程序之前即面临一定的舆论与政策压力。此种情况虽不直接写入行政法官的裁决书，却可能在证据开示等环节间接发挥作用，构成影响裁决结果的隐性变量。特征重要性分析表明，调查时长和应诉方数量是最具预测力的特征，而这两个因素恰是企业可以通过积极的诉讼策略加以影响的变量。其一，调查时长特征显示，涉华案件中“违反”组与“未违反”组在调查时长上的分布差异值得关注。其二，除调查时长特征外，HTS 税号数量和应诉方数量的重要性得分均较高。税号数量越多，意味着涉案产品的海关分类覆盖面越广，进而使排除令的商业影响越大；应诉方数量越多，被判定为存在侵权行为的概率越低。此外，337 调查对中国技术密集型产品对美出口有显著抑制作用，且对高研究密集度产品出口的抑制效果最明显。由此可见，中国企业可以从理念、制度、程序、证据层面完善自身应诉策略，提高应诉能力。在理念层面，应从消极回避转向积极抗辩，而非将应诉视为纯粹的商业成本。我国企业需要结合自身特点构建全链条、体系化的海外知识产权纠纷防范应对机制，同时在受到调查后应克服畏讼、息讼的心理积极应诉，寻求律师、行业协会和有关政府部门的帮助，尽可能让多家企业共同应诉，进而分摊诉讼成本，并避免因应诉策略不一致而导致胜诉概率降低。换言之，中国企业在面对 337 调查时，不应被动等待裁决，而应主动评估案件特征，利用数据驱动的预测模型辅助制定差异化的应诉策略，例如提出专利无效抗辩、提出不侵权抗辩、提出原告不存在美国国内产业之抗辩、实施规避设计、通过专利收购寻求和解。在制度层面，建议依托行业协会建立 337 调查联合应诉基金。该基金的资金来源可采取会员企业按年缴纳会费与个案特别募集相结合的模式，通过费用分摊机制降低单个企业的诉讼成本。基金的管理机构应配备具有美国 337 调查实战经验的法律顾问团队，为中小企业提供应诉策略咨询和证据保全指导。在程序层面，中国企业应充分利用百日程序。若企业经评估认为自身在技术事实或法律适用上占据优势，可在规定的时间内尽早向 ITC提出启动百日程序的申请，通过加速证据开示和事实查明，就可能决定案件结果的关键性问题进行快速裁决，从而缩短调查周期。在证据层面，企业应在收到调查通知后立即启动证据保全和内部技术档案整理，确保在证据开示阶段具备充分的事实抗辩能力。数据驱动的预测模型（如本文构建的随机森林分类模型）可为企业在具体案件中评估应诉胜率、制定差异化诉讼策略提供量化决策参考。本文系统研究了基于机器学习的美国337调查裁决结果预测问题，以涉华案件为主要研究对象。通过从ITC 公开数据库中采集数据并构建包含 1656 件 337 调查案件的结构化数据集，提取了涵盖案件基本信息、参与方特征、知识产权类型、不公平行为类别和时间维度的多维特征，采用逻辑回归、随机森林和梯度提升树三种监督学习模型对裁决结果进行了预测。研究结果表明：（1）随机森林模型在涉华案件违反 / 未违反二分类任务中表现最优，F1 分数 达 0.849，准确率为 0.768，AUC 为 0.766，显著优于逻辑回归和梯度提升树；（2）调查时长、HTS税号数量、参与方和应诉方数量、产品技术类别是预测裁决结果最核心的特征；（3）涉华 337 调 查在实体裁决中的违反比例显著高于非涉华案件（70.7% vs 48.9%），且该差异具有统计显著性（p <0.01）， 这一发现提示中国企业在应诉决策中，需要进行更为审慎的风险评估；（4）“是否涉华”特征在全部 337 调查案件的模型中并非首要预测因子，说明涉华案件的差异化裁决结果更多通过产 品类别、应诉行为等中介变量实现。未来的研究可以向以下几个方向深化：一是扩大数据覆盖范围，纳入 2008 年之前的历史数据和EDIS文档文本数据；二是引入BERT、GPT等预训练语言模型，从调查文档中提取深层语义特征；三是采用SHAP、LIME等可解释AI工具，为个案级别的预测提供透明的特征贡献分析；四是探索时间序列分析和因果推断方法，研究 337 调查结果在时间维度上的演变规律和政策变化的影响。随着法律人工智能技术的不断成熟和数据资源的日益丰富，基于数据驱动的 337调查预测工具有望为中国企业的国际贸易合规和应诉策略提供更加精准、实用的决策支持。
