Rekonstruktion von Produktionsnetzwerken mit maschinellem Lernen

Die Verwundbarkeit von Lieferketten und ihre Rolle bei der Ausbreitung von Schocks wurde in den letzten Jahren, einschließlich der jüngsten Pandemie, mehrfach hervorgehoben. Während die Bedeutung von Mikrodaten zunehmend anerkannt wird, sind Firmendaten auf Unternehmensebene nach wie vor nur begrenzt verfügbar. In dieser Studie formulieren wir die Rekonstruktion von Lieferkettennetzwerken als ein Problem der Linkvorhersage und behandeln es mit maschinellem Lernen, insbesondere mit Gradient Boosting. Wir testen unseren Ansatz an drei verschiedenen Datensätzen von Lieferketten und zeigen, dass er sehr gut funktioniert und drei Benchmarks übertrifft. Eine Analyse der Wichtigkeit der Merkmale deutet darauf hin, dass die entscheidenden Daten, die unseren Vorhersagen zugrunde liegen, die Branche, der Standort und die Größe der Unternehmen sind. Um die Machbarkeit der Rekonstruktion eines Netzwerks zu bewerten, wenn keine Produktionsnetzwerkdaten verfügbar sind, versuchen wir, einen Datensatz vorherzusagen, indem wir ein auf einem anderen Datensatz trainiertes Modell verwenden, und zeigen, dass die Leistung des Modells, obwohl sie immer noch besser ist als die eines zufälligen Prädiktors, erheblich nachlässt.