contagion_map

NAICS传染地图（NAICS Contagion Map）是一个开源数据集和管道，旨在映射实体经济的脆弱性级联效应。其核心目标是通过桥接机构供应链分类法（NAICS）与金融市场框架（GICS），可视化上游原材料中断如何系统性波及下游消费品，从而为宏观经济风险、供应链管理和金融科技应用提供洞察。该数据集包含节点数据和边数据：节点数据包括346个已映射的NAICS行业，每个节点记录GICS类别、供应链层级和传染分数（1.0-10.0），用于衡量系统性波动性；边数据包含超过1,100个拓扑边，展示从原材料到最终供应商的传染路径。数据集基于四个供应链层级构建：第4层级（原材料商品）、第3层级（初级转换商）、第2层级（中间处理器）和第1层级（直接供应商/OEM）。适用于网络分析、风险可视化和预测智能任务，可导入Gephi、Neo4j或NetworkX等工具进行交互式分析。

The NAICS Contagion Map is an open-source dataset and pipeline designed to map the vulnerability cascading effects in the real economy. Its core objective is to visualize how upstream raw material disruptions systematically impact downstream consumer goods by bridging the institutional supply chain taxonomy (NAICS) with financial market frameworks (GICS), thereby providing insights for macroeconomic risk, supply chain management, and fintech applications. The dataset includes core components: node data covering 346 mapped NAICS industries, each recording GICS categories, supply chain tiers, and a contagion score (1.0-10.0) to measure systemic volatility; edge data comprising over 1,100 topological edges that precisely illustrate the contagion cascade paths from Tier 4 (raw materials) to Tier 1 (direct suppliers/OEMs). It is structured around a clear intelligent framework dividing the real economy into four supply chain tiers: Tier 4 (raw materials), Tier 3 (primary converters), Tier 2 (intermediate processors), and Tier 1 (direct suppliers/OEMs). The dataset is suitable for network analysis, risk visualization, and predictive intelligence tasks, allowing users to import edge and node CSV files into tools like Gephi, Neo4j, or Pythons NetworkX to build interactive, force-directed macroeconomic risk graphs for analyzing systemic risks and contagion paths in supply chains.

搜集汇总

数据集介绍

构建方式

该数据集以北美产业分类体系（NAICS）为骨架，融合全球行业分类标准（GICS），通过确定性启发式算法构建了实体经济的供应链层级网络。数据开发流程将制造节点按上下游关系划分为四个层级：Tier 4（原材料）、Tier 3（初级转化）、Tier 2（中间加工）与Tier 1（最终组装），并基于上游集中度与下游连通性等指标，为每个产业节点赋予1.0至10.0的传染性评分。最终产出了包含346个产业节点与1100余条拓扑边的结构化数据集，以CSV格式呈现，同时提供了交互式可视化网页工具以辅助探索。

特点

该数据集的核心特色在于将宏观经济风险转化为可量化的网络拓扑结构。传染性评分系统精确量化了节点在供应链中的系统性脆弱性：高分值节点（8.0以上）代表着对下游具有致命影响的锚定瓶颈，而低分值节点仅能吸收局部冲击。此外，数据集巧妙地将金融市场的GICS分类与实体经济的NAICS分类进行映射，填补了两者之间的认知鸿沟。出于商业机密保护，数据集中部分物流敏感信息与替代性摩擦指标被符号化隐藏，体现了开放性与商业智慧的平衡。

使用方法

用户可轻松将边表与节点表导入主流网络分析工具（如Gephi、Neo4j或Python的NetworkX库），构建有向力导向图以模拟宏观经济风险的传播路径。数据集以标准CSV格式发布，支持直接进行图论分析与可视化渲染。内置的HTML可视化工具无需服务器即可在浏览器中运行，提供即时的交互式探索体验，用户能够直观地追踪从上游原材料到下游消费品的系统性风险级联效应，适用于供应链风险管理、金融科技与宏观经济学研究等场景。

背景与挑战

背景概述

随着全球供应链网络日益复杂，系统性风险在物理经济中的传播路径愈发隐蔽，传统投入产出表难以捕捉节点间的级联失效效应。在此背景下，由PlainR.io团队Mark主导开发的contagion_map数据集于近年诞生，核心研究问题聚焦于如何将机构级供应链分类体系（NAICS）与金融市场框架（GICS）相映射，通过构建分层的“感染传播地图”来量化上游原材料扰动向下游消费品蔓延的路径。该数据集覆盖346个行业节点与1100多条拓扑边，采用确定性启发式算法将制造业节点划分为四个层级（Tier 1至Tier 4），并引入“感染评分”（1.0至10.0）度量系统性节点脆弱性，为宏观经济风险管理与数字孪生提供了创新的分析范式，在金融科技与物理经济交叉领域产生了重要影响。

当前挑战

该数据集所解决的领域挑战在于，传统风险模型多关注财务关联而忽略物理供应链中的级联效应，难以预警从原材料（如锂、原油）到最终组装商（如汽车制造）的震荡传导路径。构建过程中面临的主要挑战包括：其一，NAICS与GICS两大分类体系的数据对齐复杂，需手工建立346个行业的一一映射关系；其二，敏感物流数据与可替代性摩擦指标因商业保密而无法公开，仅以“[Unlock in Beta]”占位，限制了评分模型的完整校验；其三，1100条边的拓扑网络生成依赖确定性启发式算法，如何在有限公开数据中平衡层级划分精度与计算效率是持续优化的难点。

常用场景

经典使用场景

在宏观经济学与供应链风险管理领域，contagion_map 数据集被广泛用于构建产业关联网络与系统性风险传播模型。该数据集基于北美产业分类体系（NAICS）与全球行业分类标准（GICS）的交叉映射，生成了涵盖346个制造业节点与1100余条拓扑边的层级化网络结构，能够直观呈现从上游原材料到最终消费品的风险级联路径。研究者常将其导入NetworkX、Gephi或Neo4j等网络分析工具，开展传染强度量化、关键节点识别与冲击传播模拟实验。

解决学术问题

该数据集有效解决了传统投入产出表在刻画供应链纵深结构与动态传染路径时的粒度不足问题。通过引入四级供应链层级（T4原材料、T3初级加工、T2中间制造、T1终端组装）及传染分数（1.0-10.0），为量化产业间依赖关系与脆弱性传播提供了可计算框架。围绕该数据的研究已帮助学界揭示高传染性锚点节点的系统性风险放大机制，深化了对产业冲击非线性级联效应的理论认知，亦为构建宏观经济数字孪生体奠定了数据基础。

衍生相关工作

contagion_map 数据集催生了多项基于图神经网络与复杂系统理论的衍生研究。相关经典工作包括：利用图注意力网络预测产业风险传播路径的感染概率模型；基于时序拓扑熵的动态传染强度指数构建方法；以及融合供需两侧信息的高维级联风险解耦算法。此外，该数据集被引用于构建涵盖地缘政治冲击、大宗商品价格波动与贸易政策变动的多情景模拟框架，拓展了计算经济学与物理经济可视化分析的方法论边界。