Dynamic Graph Learning and Causal Machine Learning for Evolution, Shock Propagation, and Systemic Resilience in Global Cross-Border Investment Networks

Geld zit niet simpelweg op bankrekeningen; het beweegt. Het stroomt over grenzen heen en verbindt economieën in een uitgestrekt, verschuivend web van investeringen. Wanneer een land besluit een fabriek in het buitenland te bouwen, of wanneer een overheid haar regels voor buitenlands eigendom wijzigt, zendt dit een rimpeling door dit netwerk. Deze rimpelingen stoppen niet bij de grens van het eerste betrokken land. Ze reizen voort, soms versterkend terwijl ze gaan, soms vervagend, en soms van richting veranderend. Decennialang hebben economen geprobeerd deze verbindingen in kaart te brengen, waarbij ze ze behandelden als een reeks momentopnames of een verzameling afzonderlijke verhalen over individuele naties. Maar de werkelijkheid is vluchtiger. Het netwerk zelf verandert van vorm terwijl het geld beweegt, en een schok op één plek kan het pad van kapitaal voor landen duizenden kilometers verderop veranderen, lang nadat de initiële gebeurtenis is gepasseerd. Het begrijpen hiervan vereist dat men naar het systeem kijkt, niet als een statische kaart, maar als een levend, ademend organisme dat in de loop van de tijd evolueert.

De uitdaging voor onderzoekers is geweest dat de instrumenten die worden gebruikt om deze bewegingen te voorspellen, verdeeld zijn in twee aparte kampen. Aan de ene kant zijn er modellen die ontworpen zijn om de toekomst te voorspellen, waarbij wordt geraden welke landen zich als volgende zullen verbinden op basis van patronen uit het verleden. Deze zijn goed in het zien van trends, maar vaak blind voor oorzaak en gevolg; ze kunnen voorspellen dat een verbinding zal plaatsvinden, maar ze kunnen niet uitleggen waarom een specifieke crisis dit heeft veroorzaakt of hoe de schok daadwerkelijk is gereisd. Aan de andere kant zijn er methoden die ontworpen zijn om oorzaak en gevolg te meten, in een poging de impact van een specifieke beleidswijziging of gebeurtenis te isoleren. Deze zijn uitstekend in het vinden van het "waarom", maar ze missen vaak de mechanica om te laten zien hoe dat effect zich over maanden of jaren door een veranderend netwerk verspreidt. Ze behandelen het netwerk als een vast podium, in plaats van een dynamische speler in het verhaal. Deze scheiding laat een gat achter: we kunnen de toekomst voorspellen, of we kunnen het verleden begrijpen, maar we worstelen om beide tegelijkertijd te doen op een manier die respect heeft voor hoe het systeem daadwerkelijk herstelt van een crisis.

Een onderzoeker aan de Universiteit van Melbourne, Zetai Kong, heeft een nieuwe manier voorgesteld om deze kloof te overbruggen. Het werk introduceert een verenigd framework genaamd de Causal Resilience Graph Operator. In plaats van aparte instrumenten te gebruiken voor voorspelling en voor het begrijpen van oorzaken, bouwt deze aanpak een enkele motor die beide gelijktijdig doet. Stel je een systeem voor waarin het mechanisme dat uitlegt hoe een schok zich verspreidt, hetzelfde mechanisme is dat de volgende stap in de evolutie van het netwerk voorspelt. In dit model is de "oorzaak" van een verandering niet slechts een getal toegevoegd aan een lijst met feiten; het is direct verweven in de regels die bepalen hoe geld van het ene land naar het andere stroomt. Het systeem leert te identificeren hoe een specifieke gebeurtenis, zoals een piek in de wereldwijde onzekerheid of geopolitieke spanningen, het investeringspotentieel tussen naties verandert. Het gebruikt vervolgens dat specifieke begrip om te projecteren hoe de schok vooruit zal rimpelen, hoe deze zal worden geabsorbeerd of versterkt, en hoe lang het zal duren voordat het systeem terugkeert naar een stabiele staat.

Om dit idee te testen, voedde de onderzoeker het model met een enorme hoeveelheid real-world data, inclusief decennia aan gegevens over waar landen hun geld hebben geïnvesteerd, hoe hun overheden hebben gepresteerd en hoe onzeker de wereld op verschillende momenten is geweest. De data kwamen uit betrouwbare internationale bronnen zoals het Internationaal Monetair Fonds en de Wereldbank, en besloegen de periode van 200yla 2009 tot 2024. Het model kreeg de opdracht om een moeilijke reeks taken uit te voeren: voorspellen welke investeringsverbindingen als volgende zullen verschijnen, de omvang van die investeringen voorspellen en te simuleren wat er zou gebeuren als een plotselinge schok het netwerk zou raken. Het werd vervolgens vergeleken met een reeks bestaande methoden, van standaard statistische instrumenten tot geavanceerde kunstmatige intelligentiemodellen die momenteel als de beste in hun vakgebied worden beschouwd.

De resultaten lieten zien dat de nieuwe aanpak de anderen in bijna elke categorie overtrof. Wanneer gevraagd werd om toekomstige verbindingen tussen landen te voorspellen, was het nauwkeuriger dan de voorheen beste modellen, waarbij het zijn precisie behield zelfs wanneer er ver in de toekomst werd gekeken. Belangrijker nog, toen het model de verspreiding van een schok simuleerde, legde het de timing en richting van de reactie vast met een niveau van detail dat de andere modellen misten. Terwijl andere systemen de algemene trend konden raden, faalden ze vaak in het correct vastleggen van het specifieke pad van de schok; ze misten ofwel de landen die het hardst getroffen zouden worden, of ze schatten verkeerd in hoe lang het herstel zou duren. Het nieuwe model leerde daarentegen een "kaart" van hoe verschillende landen op stress reageren. Het kon bijvoorbeeld laten zien dat een schok voor één economie gedempt zou kunnen worden door een partnerland, maar versterkt zou worden door een ander, wat een complex patroon van winnaars en verliezers creëert dat volledig afhangt van de specifieke verbindingen tussen hen.

De studie keek ook naar hoe goed het model een crisis zou kunnen afhandelen die het nog nooit eerder had gezien, een test die bekend staat als out-of-distribution generalisatie. De onderzoekers verzwegen data van grote wereldwijde verstoringen, zoals de pandemie en perioden van intense geopolitieke spanning, en vroegen het model vervolgens te voorspellen wat er tijdens die tijden zou gebeuren. Het nieuwe framework bleek opmerkelijk robuust. Het stortte niet in wanneer de regels van het spel veranderden, zoals vaak gebeurt tijdens een crisis. In plaats daarvan bleef het betrouwbare voorspellingen en veerkracht-rangschikkingen bieden, waarbij het correct identificeerde welke economieën waarschijnlijk snel zouden herstellen en welke zouden worstelen. Dit suggereert dat het model de onderliggende logica van het systeem heeft geleerd in plaats van alleen maar patronen uit het verleden te hebben gememoriseerd. Het begreep dat veerkracht niet alleen gaat over hoe groot een land is, maar over hoe de specifieke verbindingen van dat land het mogelijk maken om een klap op te vangen en een nieuw pad te vinden.

Een van de meest significante bevindingen is dat het model nu "veerkracht" kan meten op een manier die voorheen onmogelijk was. In plaats van landen alleen te rangschikken op basis van hoeveel geld ze verloren, berekent het systeem een herstelscore op basis van hoe lang het duurt voordat een economie na een schok terugkeert naar haar normale traject. Het meet de totale schade, de snelheid van het herstel en de maximale versterking van de schok terwijl deze door het netwerk reist. Dit maakt een veel rijker begrip van wereldwijde stabiliteit mogelijk. Bijvoorbeeld, het model onthulde dat dezelfde schok zeer verschillende effecten kan hebben, afhankelijk van de governance van een land en de positie van dat land in het investeringsweb. Een natie met sterke instituties kan een schok snel absorberen, terwijl een vergelijkbare natie met zwakkere verbindingen dezelfde schok jarenlang door zijn economie kan laten rimpelen.

De onderzoekers merkten er zorgvuldig bij op dat dit een hulpmiddel is voor begrip en stresstesten, en geen kristallen bol die de toekomst met absolute zekerheid kan voorspellen. Het model vertrouwt op de data die het krijgt, en zoals elk systeem heeft het beperkingen. Het kan niet rekening houden met elke mogelijke variabele, en het gaat ervan uit dat de basisregels van hoe landen met elkaar interageren enigszins consistent blijven. Echter, door het vermogen om de toekomst te voorspellen te combineren met het vermogen om het verleden te begrijpen, biedt het een krachtig nieuw perspectief op de wereldeconomie. Het verplaatst het gesprek van eenvoudige prognoses naar een diepere analyse van hoe het financiële zenuwstelsel van de wereld werkt.

Uiteindelijk suggereert dit werk dat de manier waarop we de wereldwijde financiën bestuderen moet veranderen. We kunnen voorspelling en oorzaak niet langer als afzonderlijke problemen behandelen. De toekomst van de wereldeconomie wordt gevormd door de zeer schokken die haar verstoren, en het pad naar herstel is geschreven in dezelfde code die de verspreiding van de crisis regelt. Door een model te bouwen dat respect heeft voor deze verbinding, heeft de onderzoeker een manier geboden om het systeem niet alleen te zien als een verzameling cijfers, maar als een dynamische, evoluerende structuur die begrepen, gemeten en misschien beter voorbereid kan worden op de stormen die komen. De bevindingen geven aan dat wanneer we de causale verbanden tussen naties begrijpen, we een helderder beeld krijgen van de werkelijke kracht van het systeem en het vermogen om stand te houden.