💻 computer science

Quantifying Competitive Relationships Among Open-Source Software Projects

Deze studie introduceert de MIAO-methode, die macro-economische modellen toepast om concurrentieverhoudingen tussen open-sourceprojecten te kwantificeren en zo met hoge nauwkeurigheid de levensvatbaarheid en mogelijke stopzetting van projecten kan voorspellen.

Oorspronkelijke auteurs: Yuki Takei, Toshiaki Aoki, Chaiyong Ragkhitwetsagul

Gepubliceerd 2026-02-20

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Yuki Takei, Toshiaki Aoki, Chaiyong Ragkhitwetsagul

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat de wereld van software een enorm, levendig bos is. In dit bos groeien duizenden bomen: dat zijn de Open Source Software (OSS) projecten. Sommige bomen worden enorme eiken die eeuwen meegaan, terwijl andere slechts jonge zaailingen zijn die binnen een paar jaar verdorren.

De auteurs van dit artikel, Yuki Takei en zijn collega's, hebben zich afgevraagd: Waarom sterven sommige van deze digitale bomen? En nog belangrijker: kunnen we dat zien aankomen voordat het te laat is?

Hier is een uitleg van hun onderzoek, vertaald naar alledaags Nederlands met een paar creatieve vergelijkingen.

1. Het Probleem: De Strijd om Zonlicht

In het verleden keken onderzoekers vooral naar de interne gezondheid van een boom. Is de grond goed? Zijn de wortels sterk? Heeft de boom genoeg water (ontwikkelaars)?

Maar de auteurs zeggen: "Nee, dat is niet het hele verhaal." Soms is de boom gezond, maar komt er een nieuwe, krachtige boom vlak naast hem die de zon blokkeert. Die nieuwe boom is de concurrent.

Voorbeeld: Kijk naar Chainer en PyTorch. Chainer was een populaire boom in de wereld van kunstmatige intelligentie. Maar toen PyTorch verscheen, blokkeerde die de zon voor Chainer. Chainer kreeg geen licht meer, werd grijs en stopte met groeien. De makers van Chainer gaven zelfs toe: "We stoppen met Chainer en gaan volledig naar PyTorch."

Het probleem is: hoe meet je precies hoeveel 'zon' een concurrent wegneemt? Dat is lastig, want het gebeurt langzaam en op een complexe manier.

2. De Oplossing: Een Economische Voorspeller

De auteurs hebben een nieuwe methode bedacht die ze MIAO noemen (Mutual Impact Analysis of OSS).

Stel je voor dat je een econoom bent die kijkt naar de beurs. Als de prijs van koffie stijgt, wat gebeurt er dan met de verkoop van thee? Dat noemen economen een "impuls".
MIAO doet precies hetzelfde, maar dan met software. Ze kijken naar de activiteit van projecten (bijvoorbeeld: hoeveel code er elke dag wordt geschreven).

Ze gebruiken een wiskundig model (dat ze een SVAR-model noemen, een beetje als een zeer complexe weersvoorspelling) om te simuleren:

"Als project A morgen plotseling heel druk wordt (een 'schok'), wat gebeurt er dan met project B over een maand? Over een jaar?"

Als project A groeit en project B krimpt als gevolg daarvan, dan is A een sterke concurrent die B 'opvreten'.

3. Hoe werkt het in de praktijk?

De onderzoekers hebben 187 groepen van softwareprojecten onderzocht. Elke groep bestond uit:

Het Slachtoffer (het project dat stopte).
Twee Concurrenten (de bomen die de zon blokkeerden).

Ze keken naar de geschiedenis van deze groepen en maten de 'schokken'. Ze deden dit alsof ze een tijdmachine hadden:

Terugkijken: Kunnen we zien welke bomen al dood waren door de concurrentie?
Vooruitkijken: Kunnen we een jaar van tevoren zien dat een boom doodgaat, voordat hij eigenlijk dood is?

4. De Resultaten: Een Waarschuwingssysteem

De resultaten waren verrassend goed:

Terugkijken: De methode kon met 81% nauwkeurigheid zeggen: "Ja, dit project is dood gegaan omdat een concurrent het heeft overvleugeld."
Vooruitkijken: Zelfs als ze de laatste data weglieten (alsof ze een jaar eerder keken), konden ze met 77% nauwkeurigheid voorspellen dat een project binnen een jaar zou sterven.

De verrassende ontdekking:
Vaak denken we dat we moeten kijken naar hoe de concurrent ons pijn doet. Maar de onderzoekers ontdekten iets interessants:

Vroeg in het proces: Je ziet dat de concurrent het slachtoffer 'aanvalt' (de concurrent groeit, het slachtoffer krimpt).
Later in het proces: Het slachtoffer probeert nog te vechten, maar in plaats van dat de concurrent het slachtoffer doodt, begint het slachtoffer juist de concurrent te 'voeden' of te beïnvloeden op een manier die niet meer werkt. Het is alsof een versleten band probeert de auto nog even te laten rijden, maar de motor (de concurrent) is al te sterk.

5. Waarom is dit belangrijk?

Dit onderzoek is als een weersvoorspelling voor software.

Voor de eigenaren van software: Als je een project beheert, kun je met MIAO zien: "Oh nee, die andere boom groeit zo snel dat hij mijn zon wegneemt. Ik moet nu iets veranderen, een alliantie sluiten of een nieuwe tak vinden, voordat het te laat is."
Voor bedrijven die software gebruiken: Als een bedrijf wil investeren in een nieuwe softwaretool, kunnen ze MIAO gebruiken om te checken: "Is deze tool veilig, of wordt hij binnen een jaar opgegeten door een concurrent?"

Samenvatting

De auteurs hebben een slimme manier bedacht om te meten hoe softwareprojecten tegen elkaar opbotsen. Ze gebruiken wiskunde uit de economie om te zien wie de 'zon' wegneemt. Het resultaat is een krachtig instrument dat ons helpt te begrijpen waarom sommige softwareprojecten sterven en ons waarschuwt voordat het te laat is. Het is een nieuwe manier om naar de strijd in de digitale jungle te kijken.

Titel: Kwantificering van Competitieve Relaties tussen Open-Source Software-projecten

1. Het Probleem

Open-Source Software (OSS) vormt de ruggengraat van moderne informatiesystemen, maar de levensduur van projecten is onzeker. Hoewel veel studies de duurzaamheid van OSS hebben onderzocht, richten deze zich voornamelijk op interne factoren (zoals developer-activiteit, code-kwaliteit of community-grootte). Er is echter een gebrek aan inzicht in externe factoren, specifiek de impact van competitieve relaties tussen projecten.

Het fenomeen waarbij een nieuw project een bestaand project vervangt (bijv. PyTorch vs. Chainer) is vaak het gevolg van competitieve druk, maar het kwantificeren van deze dynamiek is uitdagend. Bestaande methoden kunnen de causale relaties en de tijdsafhankelijke interacties tussen projecten niet adequaat meten, wat leidt tot een gebrek aan voorspellend vermogen voor het "sterven" van een project door concurrentie.

2. Methodologie: MIAO (Mutual Impact Analysis of OSS)

De auteurs stellen een nieuwe geautomatiseerde methode voor, genaamd MIAO, die economische modellen toepast op software-ontwikkelingsdata. De kern van de methode is het gebruik van een Structureel Vector Autoregressief (SVAR) model en Impulsresponsfuncties (IRF).

Data en Voorbereiding:

Data: De studie analyseerde 187 groepen OSS-projecten (1 target project + 2 concurrenten) afkomstig van GitHub.
Activiteitstijdreeksen: Het aantal commits per dag dient als proxy voor projectactiviteit.
Preprocessing: Om stationariteit te garanderen (een vereiste voor VAR-modellen), wordt fractionele differentiatie toegepast in plaats van standaard integer-differentiatie. Dit behoudt meer informatie uit de oorspronkelijke tijdreeks.
Periode-indeling: Omdat OSS-projecten verschillende levenscycli hebben (geboorte, groei, volwassenheid, obsolescentie), wordt de analyse opgedeeld in meerdere tijdsintervallen ( $T_m$ ) om structurele veranderingen te vangen.

De MIAO-algoritme-fasen:

Fase 1 (Berekening van IRF):
- Er wordt een SVAR-model geschat voor elke tijdsperiode.
- Er wordt een "shock" (een eenheidsverandering in activiteit) geïntroduceerd in de tijdreeks van één project.
- De Impulsresponsfunctie (IRF) meet hoe deze shock de activiteit van de andere projecten in het systeem beïnvloedt over de tijd ( $k$ perioden).
- Dit resulteert in een tensor van impulsen die de dynamische interacties weergeeft.
Fase 2 (Scoreberekening):
- De IRF-waarden worden geaggregeerd tot een Cumulatieve Shock Effect (SCE) door de som te nemen van de responsen tot oneindig.
- De MIAO-score (MS) wordt berekend als de som van deze cumulatieve effecten, met een tekeninversie (-1) zodat een hogere score een grotere negatieve impact (schade) aangeeft.
- Het resultaat is een tabel van scores die de wederzijdse invloed tussen projecten kwantificeert (bijv. $A \to B$ ).

Validatie en Experiment:

Dataset: 87 "REV"-groepen (projecten die stopten door concurrentie, gedefinieerd als "Rising Events") en 100 "non-REV"-groepen (levensvatbare projecten).
Classificatie: Een beslissingsboom (Decision Tree) werd getraind op de MIAO-scores om te voorspellen of een project een REV zou worden.
Validatie: Er werd gebruikgemaakt van Leave-One-Out Cross-Validation (LOOCV) en een "Masked Data"-experiment waarbij de laatste jaar data werd verborgen om voorspellend vermogen te testen.

3. Belangrijkste Bijdragen

Nieuwe Methode (MIAO): Het introduceren van econometrische technieken (SVAR en IRF) om competitieve relaties in OSS kwantitatief en tijdsafhankelijk te meten.
Empirische Validatie: Het creëren van een dataset van 187 projectgroepen en het aantonen dat MIAO succesvol kan onderscheiden tussen projecten die door concurrentie sterven en diegene die blijven bestaan.
Inzicht in Mechanismen: Het onthullen dat de richting van de invloed (unidirectioneel) cruciaal is voor het begrijpen van projectsterfte, in plaats van alleen de absolute activiteitsniveaus.

4. Resultaten

De experimenten leverden de volgende prestaties op:

Retrospectieve Classificatie (EVAL1): MIAO kon met 81% nauwkeurigheid identificeren welke projecten stopten door concurrentie (op basis van volledige historische data). De F1-score voor de REV-klasse was 0,79.
Voorspellende Classificatie (EVAL2): Zelfs met data die één jaar voorafgaand aan de stopzetting was, bereikte MIAO een nauwkeurigheid van 77% (F1-score 0,67 voor REV). Dit suggereert dat MIAO kan fungeren als een vroegtijdig waarschuwingssysteem.
Key Findings (RQ2):
- De belangrijkste voorspellers voor het sterven van een project zijn unidirectionele invloeden.
- In retrospectieve analyse bleek dat de impact van het target-project op de concurrent ( $Target \to Competitor$ ) een sterke indicator was.
- In voorspellende analyse (één jaar van tevoren) was de negatieve impact van de concurrent op het target-project ( $Competitor \to Target$ ) de belangrijkste indicator.
- Dit impliceert dat de dynamiek van een REV begint met een negatieve impact van de concurrent, die later verandert in een situatie waar het target-project zelf de concurrent beïnvloedt (vaak als het target-project afstervend is en de concurrent de markt overneemt).

5. Betekenis en Implicaties

Voor OSS-beheerders: MIAO biedt een kwantitatief instrument om externe concurrentiedruk te monitoren. Beheerders kunnen proactief strategische beslissingen nemen (zoals het aanpassen van de roadmap of het vormen van allianties) voordat hun project irreversibel achteruitgaat.
Voor Organisaties die OSS adopteren: Het dient als een risicobeoordelingstool om de levensvatbaarheid van een te kiezen technologie te evalueren en projecten met tekenen van verval door concurrentie te vermijden.
Voor Onderzoek: De studie verschuift de focus van interne projectfactoren naar externe ecosysteem-dynamiek. Het biedt een schaalbare, datagedreven methode om de opkomst en ondergang van technologieën op ecosysteemniveau te modelleren.

Beperkingen:
De studie is beperkt tot onafhankelijke concurrentie (geen "forks", omdat deze perfect multicollineariteit veroorzaken in VAR-modellen) en richt zich op GitHub-projecten. Toekomstig werk zal zich richten op het uitbreiden van de dataset en het integreren van andere activiteitssignalen (zoals issues of releases).