Predicting Shock Propagation and Uncovering Heterogeneity with Graph Neural Networks

近年、企業間取引ネットワーク上のショック伝播に関する研究が進んでおり、実証においても企業レベルでのショックの伝播が直接観察されている。一方、理論・実証両面の研究の進展にも関わらず、将来の大規模ショック（例えば、自然災害、金融危機、パンデミック）の影響を予測する方法は確立されていない。最大の課題は、企業や取引関係に内在する異質性であり、どの企業へのショックが重要で、どのリンクが伝播を強めるのかを十分に判別できない点にある。本研究では、企業レベルのデータと Graph Neural Network（GNN）を用いて、ネットワーク構造を明示的に取り込んだ予測モデルで各企業の将来成長率を予測する。特に、学習させた予測モデルを解析することで、ショック伝播において重要となる企業および取引関係を定量的に特定する。リーマンショック（輸出の急減）を事例とした分析の結果、ネットワーク構造を取り入れることで予測性能が大きく改善すること、そして伝播に重要な企業・リンクが具体的に特定可能であることを示す。

Recent research has made substantial progress in studying shock propagation through inter-firm transaction networks, and empirical studies have directly documented firm-level shock propagation. Despite these advances in both theory and empirics, no method has yet been established to accurately predict the effects of large-scale future shocks, such as natural disasters, financial crises, or pandemics. A central challenge is the heterogeneity inherent in firms and transaction relationships, which makes it difficult to identify which firms are important for shock propagation and which links amplify it. To address this issue, this study uses firm-level data and a graph neural network (GNN) to predict firm growth rates with a model that explicitly incorporates network structure. In particular, by analyzing the trained GNN model, we quantitatively identify the firms and transaction links that are important for shock propagation. Using the global financial crisis, specifically the sharp decline in exports, as a case study, we show that incorporating network structure significantly improves predictive performance and enables us to identify specific firms and links that are important for propagation.