[论文解读] Revealing production networks from firm growth dynamics

Luca Mungo, José Alberto Moráis Morán|arXiv (Cornell University)|Feb 20, 2023

Firm Innovation and GrowthEconomics, Econometrics and Finance被引用 3

一句话总结

本文提出了一种新颖的无监督方法，通过企业增长动态的相关性重构企业级生产网络，利用高斯马尔可夫模型和相关性矩阵的谱分解。研究结果表明，供应链相连的企业在增长相关性上显著高于未连接的企业，当施加拓扑约束时，该方法能以优于随机基准的准确度实现部分网络恢复。

ABSTRACT

We study the correlation structure of firm growth rates. We show that most firms are correlated because of their exposure to a common factor but that firms linked through the supply chain exhibit a stronger correlation on average than firms that are not. Removing this common factor significantly reduces the average correlation between two firms with no relationship in the supply chain while maintaining a significant correlation between two firms that are linked. We then investigate if this observation can be used to reconstruct the topology of a supply chain network using Gaussian Markov Models.

研究动机与目标

• 探究企业增长率相关性是否编码了潜在生产网络拓扑的可追溯信息。
• 开发一种仅基于可观测的企业增长动态、无需直接交易数据即可重构企业级供应链的方法。
• 检验企业增长率的相关性结构是否能够区分供应链连接与未连接的企业。
• 评估基于谱方法的无监督重构方法相较于随机网络基准的性能表现。

提出的方法

• 作者分析了FactSet供应链数据集中企业增长率的相关性矩阵，以识别与供应链关系相关的模式。
• 基于企业所属行业，将相关性矩阵分解为对角线（行业内）和非对角线（跨行业）块。
• 利用谱分解，通过将特征值谱与Erdős-Rényi随机图匹配来重构行业内块的邻接矩阵，并通过随机块模型匹配跨行业块的特征值谱。
• 重构过程使用参数α来匹配经验网络的密度，并对每个块独立执行，随后重新组合为完整网络。
• 该方法为无监督方法，无需模型训练，仅依赖于从经验相关性结构中推导出的统计约束。
• 性能通过标准指标（真正例率、准确率和F1分数）进行评估，并与Erdős-Rényi和块模型基准进行比较。

实验结果

研究问题

• RQ1 通过供应链连接的企业是否在增长率上表现出显著高于未连接企业的相关性？
• RQ2 企业增长率的相关性结构能否用于重构生产网络的拓扑结构？
• RQ3 企业增长率之间的相关性沿供应链网络距离如何衰减？
• RQ4 基于谱方法的无监督重构方法在恢复供应链结构方面，相较于随机网络基准有多大的性能优势？
• RQ5 通过整合已知的拓扑特征（如行业部门归属）是否可进一步提升该方法的性能？

主要发现

• 通过供应链连接的企业在增长率上的平均相关性显著高于未连接企业，即使在去除共同的宏观经济因素后依然成立。
• 去除共同因素后，未连接企业之间的平均相关性显著下降，而连接企业之间的相关性仍保持较高水平，表明存在结构性信号。
• 企业增长率之间的相关性沿供应链网络距离逐渐衰减，表明存在可测量的空间相关性结构。
• 所提出的谱重构方法在准确率上优于Erdős-Rényi和块模型基准，尽管在F1分数或真正例率上并未始终优于块模型。
• 该方法完全无监督，仅依赖于可获取的数据（如企业销售额或股票收益），因此具有广泛适用性，并对数据替换具有鲁棒性。
• 该方法可扩展至300–500家企业规模的子网络，并显示出未来与生产网络生成模型集成的潜力。