[论文解读] Estimating the loss of economic predictability from aggregating firm-level production networks

Christian Diem, András Borsos+3 more|arXiv (Cornell University)|Feb 22, 2023

Economic and Technological Innovation被引用 4

一句话总结

本研究利用涵盖243,399家企业的全面匈牙利数据集，比较了在企业级生产网络（FPNs）与聚合行业级网络（IPNs）中冲击传播的差异。研究发现，由于未考虑行业内企业异质性，基于IPN的模型系统性地低估了高达37%的经济损失，揭示了在预测经济韧性与政策影响时使用聚合投入产出（IO）模型的根本性局限。

ABSTRACT

To estimate the reaction of economies to political interventions or external disturbances, input-output (IO) tables -- constructed by aggregating data into industrial sectors -- are extensively used. However, economic growth, robustness, and resilience crucially depend on the detailed structure of non-aggregated firm-level production networks (FPNs). Due to non-availability of data little is known about how much aggregated sector-based and detailed firm-level-based model-predictions differ. Using a nearly complete nationwide FPN, containing 243,399 Hungarian firms with 1,104,141 supplier-buyer-relations we self-consistently compare production losses on the aggregated industry-level production network (IPN) and the granular FPN. For this we model the propagation of shocks of the same size on both, the IPN and FPN, where the latter captures relevant heterogeneities within industries. In a COVID-19 inspired scenario we model the shock based on detailed firm-level data during the early pandemic. We find that using IPNs instead of FPNs leads to errors up to 37% in the estimation of economic losses, demonstrating a natural limitation of industry-level IO-models in predicting economic outcomes. We ascribe the large discrepancy to the significant heterogeneity of firms within industries: we find that firms within one sector only sell 23.5% to and buy 19.3% from the same industries on average, emphasizing the strong limitations of industrial sectors for representing the firms they include. Similar error-levels are expected when estimating economic growth, CO2 emissions, and the impact of policy interventions with industry-level IO models. Granular data is key for reasonable predictions of dynamical economic systems.

研究动机与目标

• 量化将企业级生产网络（FPNs）聚合为行业级网络（IPNs）时，对经济损失预测引入的误差。
• 研究行业内企业异质性如何扭曲投入产出（IO）模型在预测经济冲击时的冲击传播估计。
• 评估基于IPN的模型在预测危机期间（如新冠疫情初期）生产损失方面的准确性。
• 证明由于结构上的过度简化，聚合的投入产出模型系统性地低估了实际的企业级损失。

提出的方法

• 本研究构建了一个包含243,399家企业和1,104,141条供应商-客户关系的全国性企业级生产网络（FPN）。
• 在FPN和IPN上使用相同的初始冲击规模模拟冲击传播，比较下游生产损失。
• 利用详细的企业级数据模拟一个受新冠疫情启发的情景，以评估在现实条件下冲击的传播。
• 在FPN上进行1,000个合成冲击情景，将由此产生的损失分布与IPN上的结果进行比较。
• 通过计算基于IPN和基于FPN的损失估计之间的平均绝对误差（MAE），量化模型的不准确性。
• 分析包括线性和非线性生产函数假设，重点关注劳动力冲击的传播。

实验结果

研究问题

• RQ1 当冲击在企业层面与聚合行业层面建模时，生产损失估计有何不同？
• RQ2 行业内企业异质性在多大程度上扭曲了投入产出模型在预测经济冲击时的准确性？
• RQ3 将企业级生产网络聚合为基于行业的投入产出模型时，引入的误差量级如何？
• RQ4 在相同的初始冲击条件下，FPN与IPN模型的损失结果变异性有何差异？
• RQ5 基于IPN的模型在危机期间在多大程度上系统性地低估或高估了实际的企业级经济损失？

主要发现

• 与企业级网络模型相比，使用行业级投入产出模型导致经济损失平均被低估31.1%。
• 在极端情况下，基于IPN的预测在某些行业（如K65，金融服务业）中对实际企业级损失的低估幅度高达75.5%。
• 尽管在行业层面的初始冲击相同，某些行业（如K65）在不同企业级冲击情景下的最大损失差异可达41.1倍。
• 企业级生产损失表现出强烈的右偏态和高冲击间变异性，而IPN完全未能捕捉到这些特征。
• 即使在采用线性生产函数假设时，基于IPN的模型仍系统性地低估了真实损失规模，平均误差达-45.35%。
• 本研究将这一巨大差异主要归因于行业内部贸易程度较低：平均而言，同一行业内的企业仅将其23.5%的销售额和19.3%的采购额与同行业其他企业进行交易。