产业链分析工具包 (Industry Chain Map)

基于中国国家统计局(NBS)投入产出表的产业链结构分析库。15 部门聚合模型，覆盖上下游依赖、关键部门识别、供应链路径追踪、乘数效应、进口依赖、结构洞分析、部门聚类和冲击模拟。

能力边界

支持的能力

• 上下游依赖分析: upstream_dependency() 后向关联（谁给这个部门供货）、downstream_influence() 前向关联（这个部门供货给谁）
• 关键部门识别: key_sectors() 基于前后向关联系数识别对经济拉动/推动效应最强的部门
• 供应链路径追踪: supply_chain_path() BFS 最短路径查找任意两部门间的供应链传导路径，含每一步的中间流量和投入系数
• 产出乘数: value_multiplier() 基于 Leontief 逆矩阵计算最终需求增加 1 单位对总产出的拉动倍数
• 进口依赖度: import_dependency() 用中间投入率与供给集中度(HHI)联合估算各部门对进口中间品的依赖
• 结构洞分析: structural_holes() 用中介中心性(betweenness centrality)识别桥接离散集群的枢纽部门
• 部门聚类: cluster_sectors() 谱聚类(spectral clustering)/层次聚类根据投入产出相似性分组
• 冲击模拟: impact_analysis() 给定某部门产出冲击，通过 Leontief 逆矩阵传导计算全经济产出和增加值变化
• 数据模型: IOTable 类封装中间流量矩阵 Z、直接消耗系数 A、Leontief 逆、Ghosh 逆、增加值率等全套投入产出数据
• 配置与可视化色彩: config/sectors.yaml 定义 NBS42→15 聚合映射、产业分组、颜色方案
• 部门中文名称: 所有 15 部门均有中英文双语标签

不支持的能力

• 不提供 GUI 或 CLI，纯 Python 库，需在脚本/Jupyter 中调用
• 不包含国家统计局原始数据文件，数据为代码内嵌的 2020 年近似值(io_table.py)
• 不支持自定义部门粒度（固定 15 部门），不直接支持 NBS 42 部门原表
• 不支持动态/时间序列分析（仅单一静态年份）
• 不生成可视化图表(PNG/SVG)，仅输出 pandas DataFrame（颜色配置在 sectors.yaml 中可供外部绘图使用）
• 进出口不区分国内/进口中间投入，用集中度代理估算
• 就业乘数为简化近似（产出/增加值比），非真实就业人数
• 仅覆盖中国大陆产业结构，不适用于其他国家/地区的 IO 表

触发条件

当用户提出以下意图时调用此 Skill：
- "分析XX行业的产业链上下游"
- "计算投入产出表的关键部门"
- "模拟某个行业减产对经济的影响"
- "产业链传导分析" / "上下游依赖关系"
- "进口依赖度分析"
- "产业关联度计算" / "投入产出建模"
- "中国供应链分析"

使用示例

from industry_chain import io_table, chain_analyzer

# 加载投入产出表
io = io_table.load_io_table()

# 查看摘要
print(io.summary())

# 哪个部门上游依赖最多？
dep = chain_analyzer.upstream_dependency(io)
print(dep.head(10))

# 查看指定部门的上下游
print(chain_analyzer.upstream_dependency(io, sector="electronics"))
print(chain_analyzer.downstream_influence(io, sector="electronics"))

# 关键部门（前后向均高于均值）
print(chain_analyzer.key_sectors(io, threshold=1.0))

# 追踪"采矿业→电子设备"的供应链路径
path = chain_analyzer.supply_chain_path("mining", "electronics", max_depth=4)
for step in path:
    print(f"{step['from_name']} → {step['to_name']}: {step['flow']:.3f}万亿")

# 产出乘数
print(chain_analyzer.value_multiplier("autos"))

# 冲击分析：电子设备产出减少 10%
chain_analyzer.impact_analysis("electronics", shock_magnitude=0.1)

# 进口依赖度排名
print(chain_analyzer.import_dependency(io))

# 结构洞（桥梁部门）
print(chain_analyzer.structural_holes(io).head(5))

# 部门聚类
print(chain_analyzer.cluster_sectors(io, n_clusters=5))

15 部门列表

FAQ

Q1: 数据是哪一年的？

2020 年近似值，基于国家统计局 2018/2020 投入产出表 42 部门聚合而来。数据硬编码在 industry_chain/io_table.py 中。

Q2: 能换用其他年份的数据吗？

load_io_table(year=XXXX) 中的 year 参数目前仅为标签。实际只加载 2020 年数据。要使用其他年份，需在 io_table.py 中替换 TOTAL_OUTPUT、VALUE_ADDED、FINAL_DEMAND、A_MATRIX 数组。

Q3: 后向关联系数和前向关联系数的含义？

• 后向关联（影响力系数）: 某部门生产 1 单位最终产品，需要从其他部门购买多少中间投入。系数>1 表示该部门对上游拉动高于平均水平。
• 前向关联（感应度系数）: 各部门均生产 1 单位最终产品，对该部门中间产品的需求总量。系数>1 表示该部门被下游依赖程度高于平均水平。

Q4: 冲击分析的原理是什么？

基于 Leontief 需求驱动模型: ΔX = (I-A)^(-1) * ΔF。给定某部门最终需求减少 ΔF，通过逆矩阵传导计算所有部门的总产出变化 ΔX 和增加值变化 ΔVA。传导放大倍数 = 全经济产出减少 / 初始冲击产出减少。

Q5: 进口依赖度是怎么算的？

当前为估算代理，非真实进口数据：进口依赖度 = 中间投入率 * (1 - min(HHI*5, 0.9))。逻辑是中间投入占比高且国内供给来源集中的部门，一旦供应链中断风险更大。需要精确分析需要区分国内/进口中间投入表。

Q6: 供应链路径有时返回空怎么办？

两个部门间可能不存在直接或间接的显著联系（系数 < 0.005 的边被忽略）。可降低 max_depth 参数或检查 io.A 矩阵中两部门间的直接消耗系数是否足够大。

Q7: 如何生成可视化？

本库仅输出 pandas DataFrame 和数值结果。config/sectors.yaml 提供了完整的颜色映射，可用 matplotlib/plotly/ECharts 等外部工具基于 DataFrame 结果作图。

技术栈