📈 economics

Industry Aware Firm Level Network Reconstruction

Dit artikel introduceert een verbeterde methode voor het reconstrueren van bedrijfsnetwerken door input-output sectorstromen te integreren, wat leidt tot een aanzienlijk betere overeenkomst met de sectorale structuur dan standaardmethodes, zoals aangetoond met Hongaarse data.

Oorspronkelijke auteurs: Mitja Devetak, Antoine Mandel

Gepubliceerd 2026-03-24

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Mitja Devetak, Antoine Mandel

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 je een gigantisch, onzichtbaar web van bedrijven wilt tekenen. Je weet wie er in de wereld is (de bedrijven), je weet hoeveel ze verkopen en hoeveel ze inkopen (hun "sterkte"), en je hebt een overzicht van welke sectoren met elkaar handelen (bijvoorbeeld: de auto-industrie koopt veel van de staalindustrie).

Maar je mist het belangrijkste stukje van de puzzel: wie koopt precies van wie? Je ziet de stromen van geld tussen sectoren, maar niet de individuele lijntjes tussen de specifieke fabriek A en de winkel B.

Dit is precies het probleem waar deze wetenschappelijke paper over gaat. De auteurs, Mitja Devetak en Antoine Mandel, hebben een nieuwe manier bedacht om dit onzichtbare web weer te reconstrueren.

Hier is de uitleg in simpele taal, met een paar creatieve vergelijkingen:

1. Het Probleem: De Ontbrekende Schakel

Stel je voor dat je een enorme pot met LEGO-blokken hebt. Je weet hoeveel rode blokken er zijn (de auto-industrie) en hoeveel blauwe (de staalindustrie). Je weet ook dat er een bepaalde hoeveelheid rode blokken in blauwe blokken moeten worden verwerkt (de invoer-tabel). Maar je hebt geen idee welke specifieke rode blokjes aan welke specifieke blauwe blokjes vastzitten.

Zonder die informatie is het moeilijk om te voorspellen wat er gebeurt als één blokje uitvalt. Als een klein fabriekje faalt, verspreidt de schade zich dan door het hele web? Om dat te weten, moet je het web kunnen zien.

2. De Oude Methode: "Gokken op Basis van Grootte"

Vroeger probeerden wetenschappers dit web te reconstrueren door te gokken op basis van de grootte van de bedrijven.

De analogie: Het is alsof je zegt: "Grote bedrijven kopen waarschijnlijk van andere grote bedrijven."
Het nadeel: Dit werkt niet goed genoeg. Stel je voor dat een enorme bosbouwbedrijf (groot) en een gigantische autofabrikant (groot) ook maar één keer per jaar met elkaar handelen. De oude methode zou denken: "Ze zijn allebei groot, dus ze moeten veel met elkaar doen!" En dat is fout. Ze zijn in totaal te groot, maar ze werken niet samen.

3. De Nieuwe Methode: "De Sector-Check"

De auteurs van dit paper zeggen: "Wacht even, we hebben meer informatie!" Ze gebruiken de invoer-tabel (de sector-overzichten) als een strakke regel.

De analogie: Stel je voor dat je een enorme dansvloer hebt. Je weet hoeveel mensen er op de vloer staan (bedrijven) en je weet precies hoeveel mensen er van de 'blauwe zone' naar de 'rode zone' moeten dansen (de sectorstromen).
De oude methode liet mensen willekeurig dansen zolang ze maar groot waren.
De nieuwe methode (die ze dcIAGM noemen) zegt: "Nee, je mag alleen dansen als je in de juiste sector zit en als de totale stroom tussen die sectoren klopt."

Ze gebruiken een wiskundig trucje (Maximum Entropy) dat in feite zegt: "Maak het web zo willekeurig mogelijk, zolang het maar voldoet aan de regels die we zeker weten." Dit voorkomt dat je onnodige patronen in het web ziet die er niet zijn.

4. Het Gewicht van de Lijnen: "De IPF-Methode"

Nadat ze weten wie met wie verbonden is (de lijntjes), moeten ze bepalen hoeveel geld er over die lijntjes stroomt.

De oude aanpak: Probeerde de stromen te berekenen op basis van gemiddelden, maar dit gaf vaak erg onnauwkeurige resultaten (te veel variatie).
De nieuwe aanpak (IPF): Dit is als een slimme waterverdeler. Je hebt een bak met water (het totale geld) en je moet het verdelen over verschillende buizen (de bedrijven). Je draait aan de knoppen van de buizen totdat precies de juiste hoeveelheid water in elke bak en elke sectorgroep terechtkomt.
Resultaat: Deze methode (IPF-industrie) past de stromen bijna perfect aan op de bekende sector-data. Het is alsof je een puzzel legt waarbij de randjes (de sectoren) perfect passen, terwijl de oude methode de randjes vaak scheef had.

5. Wat Vonden Ze? (De Realiteit)

Hoewel hun nieuwe methode fantastisch is in het nabootsen van de grote stromen tussen sectoren (de macro-data), stuiten ze op een muur als het gaat om de kleine details (micro-data).

Wat wel werkt: Als je kijkt naar hoeveel de auto-industrie in totaal aan de staalindustrie levert, klopt hun reconstructie bijna perfect.
Wat niet werkt: Als je kijkt naar de specifieke structuur van het web (bijvoorbeeld: hoe verbonden zijn de bedrijven onderling? Wie is de 'populaire' jongen op school?), dan blijft het lastig.
Het ESRI-probleem: Ze probeerden ook te voorspellen welke bedrijven "systeemrisico's" zijn (bedrijven die als ze vallen, de hele economie in gevaar brengen). Hun gereconstrueerde netwerken vonden niet de juiste "gevaarlijke" bedrijven. Het lijkt erop dat met alleen de publieke gegevens die ze hadden, je niet precies kunt zien welke kleine, verborgen schakels het meest kwetsbaar zijn.

Conclusie in één zin

De auteurs hebben een nieuwe, slimmere manier bedacht om het onzichtbare web van bedrijven te tekenen door de grote sector-regels strikt toe te passen. Hierdoor passen de grote stromen perfect, maar blijft het lastig om de kleine, subtiele details van het web volledig te doorgronden. Het is alsof je een perfecte kaart van de snelwegen hebt, maar nog niet precies weet welke kleine straatjes de meeste files veroorzaken.

Probleemstelling

Recente economisch-theoretische studies hebben aangetoond dat de topologische structuur van productie-netwerken een sleutelfactor is voor macro-economische dynamiek en systemische risico's. Een groot obstakel voor de toepassing van deze modellen is echter de gebrekkige beschikbaarheid van data op firm-niveau (bedrijfsniveau). Specifiek ontbreekt data over de directe transacties tussen individuele bedrijven (firm-to-firm productie-netwerken).

Bestaande reconstructiemethoden proberen deze netwerken te reconstrueren op basis van niet-relationale data, zoals de totale verkoop (out-strength) en inkoop (in-strength) van bedrijven. Echter, deze methoden negeren vaak een cruciale informatiebron: de sectorale stromen zoals beschreven in input-output (IO) tabellen. Zonder deze sectorale beperkingen leiden standaard reconstructiemethoden tot grote afwijkingen van de werkelijke industriële stromen, wat hun empirische bruikbaarheid beperkt.

Methodologie

De auteurs stellen een tweestaps-reconstructieframework voor dat zowel de topologie (welke bedrijven handelen met elkaar) als de gewichten (hoe groot de transacties zijn) reconstrueert, waarbij ze gebruikmaken van Maximum Entropy (MaxEnt) principes en Iteratief Proportioneel Fitten (IPF).

1. Binaire Netwerk Reconstructie (Topologie)

Het doel is om een kansmatrix $P$ te vinden die de waarschijnlijkheid van een link tussen twee bedrijven bepaalt, onder de voorwaarde dat de verwachte graad (aantal verbindingen) en de sectorale stromen worden gerespecteerd.

dcGM (Density Corrected Gravity Model): Een bestaande methode die links waarschijnlijkheid toekent op basis van de in- en out-strength van bedrijven.
dcIAGM (Density Corrected Industry-Aware Gravity Model): De door de auteurs ontwikkelde uitbreiding. Deze methode integreert de IO-tabel beperkingen in de "fitness" van de bedrijven. De kans op een link tussen bedrijf $i$ (sector $S$ ) en bedrijf $j$ (sector $B$ ) wordt niet alleen bepaald door hun omvang, maar ook door de totale stroom tussen sectoren $S$ en $B$ . Dit voorkomt dat bedrijven uit sectoren die zelden met elkaar handelen (bijv. bosbouw en auto-industrie) toch een hoge linkkans krijgen.

2. Gewogen Netwerk Reconstructie (Transactiegroottes)

Zodra een binaire structuur is gegenereerd, moeten de transactiewaarden (gewichten) worden toegewezen. De auteurs vergelijken twee benaderingen:

CReM-B (Conditional Random Edge Model): Een MaxEnt-benadering die de gewichten toewijst via een exponentiële verdeling, waarbij de verwachte waarden worden gefit op de randvoorwaarden (in/out strength en IO-stromen). De auteurs tonen aan dat deze methode theoretisch solide is, maar in de praktijk te hoge variantie genereert, vooral in dunne netwerken.
IPF-industry (Iterative Proportional Fitting): Een uitbreiding van het klassieke IPF-algoritme. Dit algoritme schaleert een matrix iteratief zodat deze voldoet aan de randvoorwaarden voor:
1. Uitgaande stromen per bedrijf ( $s^{out}_i$ ).
2. Inkomende stromen per bedrijf ( $s^{in}_j$ ).
3. Sectorale stromen tussen sectorenparen ( $s_{S,B}$ ).
  De auteurs passen het algoritme aan om ook sector-paar factoren ( $g_{S,B}$ ) te includeren, naast de bedrijfsfactoren.

Belangrijkste Bijdragen

Integratie van Macro-data in Micro-reconstructie: Het artikel introduceert een methode om input-output tabel data (meso-niveau) te integreren in de reconstructie van firm-level netwerken, wat een verbetering is ten opzichte van methoden die alleen op bedrijfsomvang vertrouwen.
Analytische Afleiding: De auteurs leiden analytische uitdrukkingen af voor de MaxEnt-oplossingen voor zowel binaire als gewogen netwerken met sectorale beperkingen.
Vergelijking van Algoritmen: Ze tonen aan dat voor de toewijzing van gewichten in aanwezigheid van IO-beperkingen, het IPF-industry algoritme superieur is aan de MaxEnt-benadering (CReM-B) omdat het een veel nauwkeurigere fit levert en minder variantie introduceert.
Empirische Validatie: De methoden worden getest op een uitgebreide dataset van Hongaarse bedrijven (2021 VAT-netwerk) gekoppeld aan de OESO input-output tabel.

Resultaten

De numerieke analyse levert de volgende inzichten op:

Verbetering van Sectorale Stromen: Het toevoegen van IO-beperkingen (dcIAGM) reduceert de afwijkingen van de input-output structuur aanzienlijk vergeleken met standaard methoden (dcGM). De dcIAGM + IPF-industry pipeline bereikt een bijna perfecte fit op de IO-data (foutmarge van ~4% in IO-tabel fouten versus >50% bij andere methoden).
Micro-niveau Statistieken: Hoewel de aggregatie op sector-niveau uitstekend is, hebben alle methoden moeite om andere structurele kenmerken van het netwerk na te bootsen. De verdeling van graden (degree distribution) en de correlaties tussen sterkte en graad worden niet perfect gereproduceerd.
Economisch Systemisch Risico (ESRI): De reconstructies falen in het nauwkeurig identificeren van de meest systemisch belangrijke bedrijven. Hoewel de gemiddelde ESRI-waarden hoger liggen dan in de werkelijkheid, worden slechts een klein deel van de top 10 of top 100 systemisch belangrijke bedrijven correct geïdentificeerd. Dit suggereert dat imperfectione informatie op firm-niveau de berekening van ESRI beperkt, zelfs met verbeterde reconstructiemethoden.

Betekenis en Conclusie

Dit onderzoek is significant omdat het een brug slaat tussen macro-economische input-output data en micro-economische bedrijfsnetwerken. Het bewijst dat het integreren van sectorale beperkingen noodzakelijk is om realistische productie-netwerken te reconstrueren; zonder deze beperkingen zijn de resultaten empirisch onbruikbaar voor het analyseren van sectorale afhankelijkheden.

De studie concludeert dat hoewel de voorgestelde dcIAGM + IPF-industry methode een enorme stap voorwaarts is voor het reconstrueren van aggregaatstromen, er nog uitdagingen blijven voor het nauwkeurig reconstrueren van micro-niveau gewogen eigenschappen en systemische risico-indicatoren. Toekomstig werk moet zich richten op het verbeteren van de nauwkeurigheid van deze micro-kenmerken en het beter incorporeren van firm-level heterogeniteit.