📈 economics

Industry Aware Firm Level Network Reconstruction

Este artículo presenta un método de reconstrucción de redes de producción a nivel empresarial que integra flujos sectoriales de insumo-producto mediante soluciones de máxima entropía, demostrando que esta aproximación reduce significativamente las desviaciones respecto a la estructura macroeconómica en comparación con los métodos estándar basados únicamente en el tamaño de las empresas.

Autores originales: Mitja Devetak, Antoine Mandel

Publicado 2026-03-24

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Mitja Devetak, Antoine Mandel

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que la economía de un país es como una gigantesca red de tuberías por donde circula el dinero, en lugar de agua. Cada empresa es una "estación" en esta red: algunas compran materiales (reciben agua), otras venden productos (soltan agua).

El problema es que, aunque sabemos cuánto dinero gana o gasta cada empresa individualmente (el caudal de entrada y salida), nadie tiene el mapa completo de las tuberías. No sabemos exactamente quién le vende a quién. Es como si tuvieras los medidores de agua de cada casa, pero no supieras cómo están conectadas las tuberías entre ellas.

Sin este mapa, es muy difícil predecir qué pasaría si una tubería se rompe (una quiebra) o si hay una inundación (una crisis económica).

¿Qué hacen los autores de este artículo?

Los autores, Mitja y Antoine, han creado una "fórmula mágica" para reconstruir ese mapa perdido.

El método antiguo (El adivino): Antes, los investigadores intentaban adivinar las conexiones basándose solo en el tamaño de las empresas. Era como decir: "Las empresas grandes probablemente se hablen entre sí". El problema es que esto a veces sugería conexiones que no existen en la realidad (por ejemplo, que una fábrica de coches compre madera directamente a un bosque, cuando en realidad lo hace a través de intermediarios).
El nuevo método (El detective con mapa): Los autores han añadido una pieza clave del rompecabezas: las tablas de "Entrada-Salida" del sector. Imagina que estas tablas son un "mapa de tráfico" a gran escala que nos dice cuánta madera va del sector forestal al sector de la construcción en total, aunque no sepamos qué empresa específica vende a qué empresa.

La analogía del "Rompecabezas con Pistas"

Imagina que tienes que reconstruir un rompecabezas de 200.000 piezas (cada pieza es una empresa) sin ver la imagen final.

Pista 1: Sabes cuántas piezas tiene cada pieza (cuánto vende o compra cada empresa).
Pista 2 (La nueva): Sabes cuántas piezas de color "rojo" (sector A) se conectan con piezas de color "azul" (sector B) en total.

Los autores dicen: "Si solo usamos la Pista 1, el rompecabezas queda desordenado y las conexiones no tienen sentido. Pero si usamos la Pista 2, podemos alinear las piezas de tal manera que el flujo total de colores coincida perfectamente con el mapa real".

¿Qué descubrieron?

El mapa macro es perfecto: Su nuevo método es increíblemente bueno para recrear el "tráfico total" entre industrias. Si miras el mapa general, se ve casi idéntico a la realidad. Es como si pudieran predecir exactamente cuánta agua fluye entre dos ciudades.
El mapa micro es difícil: Sin embargo, cuando miran los detalles pequeños (qué empresa específica conecta con cuál), el método sigue teniendo dificultades. Es como si supieran que hay mucho tráfico entre Madrid y Barcelona, pero no pudieran decirte exactamente qué coche condujo el Sr. Pérez.
El riesgo sistémico: Intentaron usar este mapa para encontrar a las empresas "demasiado grandes para caer" (las que, si fallan, arruinan todo). Descubrieron que, aunque el mapa de tráfico es bueno, es muy difícil identificar a los "culpables" exactos de una crisis solo con este método. A veces, el mapa reconstruido señala a empresas que no son tan importantes, o se pierde a las realmente críticas.

En resumen

Este artículo es como un manual de instrucciones para dibujar un mapa de carreteras ocultas.

Lo bueno: Han añadido un nuevo tipo de brújula (los datos de las industrias) que hace que el mapa general sea mucho más preciso y útil para entender la economía en conjunto.
Lo malo: Aún no pueden predecir con total precisión cada pequeño desvío en las carreteras locales ni identificar exactamente qué conductor causará el próximo accidente grave.

Es un gran paso adelante para entender cómo funciona la economía, pero nos recuerda que, aunque tengamos un buen mapa, todavía nos falta un poco de detalle para ver cada árbol individual en el bosque.

A continuación presento un resumen técnico detallado del artículo "Industry Aware Firm Level Network Reconstruction" (Reconstrucción de Redes a Nivel de Empresa Consciente de la Industria), basado en el documento proporcionado.

1. Planteamiento del Problema

La estructura topológica de las redes de producción es un determinante clave de la dinámica macroeconómica y el riesgo sistémico. Sin embargo, existe una carencia crítica de datos disponibles sobre las interacciones directas entre empresas (redes de producción firm-to-firm). La mayoría de los modelos económicos actuales se basan en datos limitados de unos pocos países o utilizan datos agregados que no capturan la heterogeneidad a nivel de empresa.

El problema central abordado en este trabajo es la reconstrucción de redes de producción a nivel de empresa utilizando únicamente datos no relacionales disponibles (como ventas totales y consumo intermedio de cada empresa) y datos agregados de flujos sectoriales (Tablas Input-Output o IO). El objetivo es generar un conjunto de redes (ensemble) que respete tanto las fortalezas de las empresas individuales como los flujos intersectoriales conocidos, minimizando la incertidumbre mediante el principio de máxima entropía.

2. Metodología

Los autores proponen un marco de reconstrucción en dos etapas secuenciales, extendiendo modelos existentes (como CReM-B) para incorporar restricciones de nivel meso (sectorial).

A. Reconstrucción Binaria (Topología)

El primer paso consiste en determinar la estructura de adyacencia (qué empresas están conectadas). Se comparan y desarrollan dos modelos de máxima entropía:

dcGM (Density Corrected Gravity Model): Un modelo estándar que asigna probabilidades de conexión basadas en las fortalezas de entrada y salida de las empresas ( $s^{out}_i, s^{in}_j$ ), asumiendo una correlación positiva entre grado y fuerza.
dcIAGM (Density Corrected Industry-Aware Gravity Model): Una extensión propuesta por los autores que incorpora información de las Tablas Input-Output. La probabilidad de conexión $p_{ij}$ $p_{ij}$ entre la empresa $i$ $i$ (sector $S_i$ $S_{i}$ ) y la empresa $j$ $j$ (sector $S_j$ $S_{j}$ ) se ajusta mediante un factor de flujo intersectorial ( $s_{S_i, S_j}$ $s_{S_{i}, S_{j}}$ ).
- Fórmula clave: $p_{ij} = \frac{z \cdot s_{S_i, S_j} \cdot s^{out}_i \cdot s^{in}_j}{1 + z \cdot s_{S_i, S_j} \cdot s^{out}_i \cdot s^{in}_j}$ .
- Esto reduce la probabilidad de conexiones entre sectores que raramente comercian entre sí, corrigiendo un sesgo del dcGM estándar.

B. Reconstrucción de Pesos (Flujos Monetarios)

Una vez obtenida la topología binaria, se asignan pesos a las aristas para cumplir con las restricciones de flujo. Se evalúan dos enfoques:

CReM-B (Maximum Entropy): Asigna pesos siguiendo una distribución exponencial condicional a la existencia de la arista. Se deriva una solución analítica para los parámetros de tasa ( $\beta_{ij}$ $β_{ij}$ ) que satisfacen las expectativas de las restricciones de entrada, salida y flujos sectoriales.
- Limitación: El método de máxima entropía tiende a generar una varianza excesivamente alta en los pesos, especialmente en redes dispersas, lo que dificulta la reproducción de propiedades microestructurales.
IPF-Industry (Iterative Proportional Fitting): Una extensión del algoritmo IPF clásico. Este método ajusta iterativamente factores de escala a nivel de empresa ( $u_i, v_j$ $u_{i}, v_{j}$ ) y a nivel de par de sectores ( $g_{S,B}$ $g_{S, B}$ ) para que la matriz de pesos resultante satisfaga exactamente las restricciones marginales (ventas, compras y flujos IO).
- Ventaja: Proporciona un ajuste casi perfecto a los datos de Input-Output y reduce significativamente la varianza en comparación con CReM-B.

3. Contribuciones Clave

Integración de Restricciones Meso: Se derivan expresiones analíticas para soluciones de máxima entropía que incorporan restricciones de flujos sectoriales (Input-Output) en la reconstrucción de redes binarias y ponderadas.
Extensión del IPF: Se propone y valida una versión del algoritmo IPF capaz de manejar restricciones a nivel de pares de industrias, superando las limitaciones de los métodos puramente basados en entropía para la asignación de pesos.
Análisis Comparativo Riguroso: Se realiza una evaluación exhaustiva utilizando datos reales de la red de producción de Hungría (2021) armonizados con la tabla Input-Output de la OCDE, comparando cuatro pipelines: dcGM-CReM, dcGM-IPF, dcIAGM-CReM y dcIAGM-IPF.

4. Resultados Principales

El estudio se basa en datos de empresas húngaras y compara las redes reconstruidas con propiedades empíricas conocidas y el Índice de Riesgo Sistémico Económico (ESRI).

Ajuste a Flujos Input-Output:
- Los métodos estándar (sin restricciones IO) generan desviaciones masivas (~100% de error) respecto a la estructura sectorial real.
- La inclusión de restricciones IO (dcIAGM) reduce drásticamente estos errores.
- La combinación dcIAGM + IPF-Industry logra un ajuste casi perfecto a los datos de Input-Output (error del ~4.1%), superando ampliamente a los métodos basados en CReM-B.
Estadísticas Estructurales (Micro):
- A pesar de mejorar el ajuste macro (flujos sectoriales), ningún método logra reproducir con precisión las estadísticas microestructurales de la red real.
- Los exponentes de cola de la distribución de grados y pesos, la assortatividad y la reciprocidad no se ajustan bien a los rangos empíricos reportados en la literatura.
- Específicamente, los métodos fallan en capturar la correlación entre la fuerza y el grado de las empresas, produciendo relaciones casi planas en lugar de las escalas observadas en la realidad.
Índice de Riesgo Sistémico (ESRI):
- Las redes reconstruidas sobreestiman el riesgo sistémico promedio en comparación con la red real.
- La capacidad para identificar las empresas más sistémicamente importantes (top 10 o top 100) es muy pobre. Solo se recupera aproximadamente un tercio de las 100 empresas más importantes, y casi ninguna de las top 10. Esto sugiere que la información agregada (IO) es insuficiente para identificar nodos críticos específicos a nivel de empresa.

5. Significado y Conclusiones

El trabajo demuestra que integrar restricciones de Input-Output es indispensable para la reconstrucción de redes de producción, ya que los métodos basados únicamente en el tamaño de las empresas generan estructuras sectoriales irreales.

Sin embargo, el estudio revela una limitación fundamental: la reconstrucción basada en restricciones agregadas (meso) no es suficiente para recuperar la heterogeneidad microestructural (distribución de grados, correlaciones fuerza-grado) ni para identificar con precisión el riesgo sistémico a nivel de empresa.

Implicaciones futuras:

Los métodos de máxima entropía (CReM) pueden no ser óptimos para la asignación de pesos en presencia de restricciones IO; el IPF es preferible para el ajuste de flujos agregados.
Se necesitan extensiones adicionales del enfoque que incorporen más información sobre la heterogeneidad de las empresas o restricciones adicionales más allá de las fortalezas y los flujos sectoriales para mejorar la precisión de la reconstrucción a nivel micro.

En resumen, el método propuesto (dcIAGM + IPF-Industry) ofrece la mejor aproximación disponible actualmente para alinear redes sintéticas con datos macroeconómicos sectoriales, pero aún enfrenta desafíos significativos para replicar la complejidad estructural detallada de las redes de producción reales.