RaboResearch - Economisch Onderzoek

Centrale sectoren schokgevoeliger dan grootte doet vermoeden

Special

Delen:

Tevens verschenen in ESB op 25 maart 2020

  • De Nederlandse economie heeft een hub-structuur. Schokken in een centrale sector beïnvloeden daardoor de hele economie.
  • In Nederland zijn de meest centrale sectoren onder meer de voedingsmiddelenindustrie, de landbouw en de bouw.
  • Deze sectoren zijn daarmee belangrijker voor de economie dan aangenomen kan worden op basis van toegevoegde waarde.

De uitbraak van het coronavirus veroorzaakt ongekende schokken in de economie. Tijdens de financiële crisis in 2008 hebben we gezien dat een schok in een centrale sector – de financiële branche –zich door de hele economie kan verspreiden. Hoe zijn de verschillende sectoren in de Nederlandse economie nu met elkaar verbonden? Een empirische analyse.

De meeste sectoren zijn onderling met elkaar verbonden omdat ze goederen en diensten aan elkaar leveren. De voedingsmiddelenindustrie ontvangt bijvoorbeeld melk van de landbouw, die ze tot kaas verwerkt, en vervolgens aan de horeca levert. En zo zijn er talloze andere verbintenissen tussen sectoren. Het reilen en zeilen van de ene bedrijfstak kan dus van invloed zijn op het functioneren van de andere.

Er werd lang gedacht dat een negatieve schok, die uit­eindelijk leidt tot een grote terugval in productie van één bepaalde sector, geen effect heeft op de gehele economie (Lucas, 1977). Volgens Lucas voelt het netwerk op macro­niveau deze negatieve schok niet omdat de schok zich tot één sector beperkt. Maar tijdens de financiële crisis van 2008–2009 zagen we dat een schok in één sector – de financiële branche – wel degelijk doorwerkte. Het argu­ment van Lucas houdt geen rekening met het feit dat de sectoren onderling verbonden zijn (Acemoglu et al., 2012).

Ook Atalay (2017) laat zien dat juist de schokken in individuele sectoren de primaire bron voor fluctuaties in het bruto binnenlands product (bbp) vormen. Ook is de structuur van het netwerk, de manier waarop verschillende sectoren met elkaar in verbinding staan, bepalend voor hoe een microschok doorwerkt in de gehele economie (figuur 1) (Acemoglu et al., 2012; Carvalho, 2010; 2014; Choi en Foerster, 2017).

Het belang van een netwerkanalyse wordt ook bena­drukt in McKinsey (2017), die stelt dat sectorale schei­dingen vervagen en waardeketens dwars door sectoren heen gaan. De verbindingen tussen sectoren worden dus steeds belangrijker. Inzicht in de verbindingen tussen sec­toren helpt om te begrijpen in hoeverre sectorale schokken en ontwikkelingen doorwerken in het functioneren van andere delen van de economie. En het geeft beleidsmakers zicht op hoe sectorspecifieke maatregelen ook de rest van de economie kunnen beïnvloeden. Dat is extra belangrijk nu corona grote delen van de economie ontwricht.

Reden genoeg om te onderzoeken wat de structuur is van het Nederlandse netwerk en welke sectoren daarin centraal staan. In deze Special brengen we daarom het Neder­landse sectorale netwerk in kaart.

Data en afbakening

We maken gebruik van input/output-data van het Centraal Bureau voor de Statistiek (CBS) uit 2017 om het Neder­landse netwerk in kaart te brengen. Deze dataset is het meest recent, maar heeft ook beperkingen. Zo moeten we ons houden aan de sectorindeling van het CBS (een vol­ledige lijst van de sectoren is te vinden in de appendix). Daarnaast laten we bij het gebruik van deze dataset de internationale dimensie buiten beschouwing, wat voor een open economie als Nederland een belangrijke beperking is. Datasets die wel een buiten­landse dimensie hebben, zijn echter minder recent, en we willen met deze analyse juist het meest actuele Nederlandse netwerk van sectoren in kaart brengen.

Verschillende netwerkstructuren

De structuur van een netwerk is afhankelijk van de dicht­heid: de ratio tussen hoeveel verbindingen er daadwerke­lijk tussen sectoren zijn en het aantal verbindingen dat er tussen sectoren mogelijk is. In figuur 1 onderscheiden we vier basisstructuren. In dit schematische voor­beeld met vier sectoren zijn er in totaal zestien verbindin­gen mogelijk. Hierbij worden de intra-sectorale verbindin­gen, zogenaamde zelf-loops, meegenomen. Wanneer alle sectoren met elkaar verbonden zijn, is de dichtheid van het netwerk precies één. In een niet-verbonden net­werk is de dichtheid 4/16 = 0,25.

Figuur 1: Vier verschillende netwerkstructuren
Figuur 1: Vier verschillende netwerkstructurenBron: Foerster en Choi, 2017; bewerking RaboResearch

Voor de structuur van het netwerk is ook de netwerk­afstand van belang: de hoeveelheid stappen of verbindin­gen die nodig is om van een sector naar een andere te gaan. In een volledig verbonden netwerk zijn alle sectoren direct met elkaar verbonden en is de maximum net­werkafstand dus één. Een schok in een willekeurige sector werkt dan door in de hele economie.

In een hub-netwerk is de afstand tussen sommige sectoren wél groter dan één. In een ‘hub’-econo­mie staat één sector namelijk centraal en zijn andere sec­toren indirect met elkaar verbonden. Een schok in een centrale hub-sector werkt in dat geval sneller door naar de gehele economie dan een schok in een niet-centrale sector (Choi en Foerster, 2017).

In het waardeketen-netwerk, produceert de eerste sector indirect voor alle andere sectoren. Daarom werkt een schok in de eerste sector door tot in de hele eco­nomie, maar een schok in de vierde sector niet. Deze sector levert namelijk niet aan de andere sectoren. Ten slotte wordt een niet-verbonden netwerk weergegeven. In een niet-verbonden economie werkt een schok in een sector niet door; geen van de sectoren produceert voor een andere sector.

De Nederlandse economie past met een dichtheid van 0,7 schematisch gezien tussen het ‘hub’-netwerk en het vol­ledig verbonden netwerk. In het Nederlandse sectorale net­werk zijn er namelijk in totaal 6561 verbindingen mogelijk tussen de 81 meegenomen sectoren, maar zijn er daadwer­kelijk 4606 verbindingen.

Samenhang netwerkafstand en outputgroei

Voor een ‘hub’-netwerk verwachten we dat de outputgroei van de ene sector samenhangt met de outputgroei van een andere sector, en dat deze samenhang toeneemt naarmate de netwerkafstand afneemt.

Om te toetsen of de Nederlandse economie inderdaad een ‘hub’-netwerk vormt, berekenen we eerst de groei in toegevoegde waarde vanuit de productie per sector in wer­kelijke prijzen voor de periode 1995–2018, op basis van CBS-data. Vervolgens koppelen we de groeicijfers aan de netwerkafstand van elk paar waar input/output-data over beschikbaar zijn. Zo kunnen we voor elk paar sectoren de correlatie tussen de outputgroei over de gehele periode berekenen (Carvalho, 2014). Een uitgebreide uitleg van de berekening staat in de appendix.

Figuur 2: Samenhang van netwerkafstand en sectorale outputgroei
Figuur 2: Samenhang van netwerkafstand en sectorale outputgroeiData: CBS

Figuur 2 toont aan dat er een samenhang bestaat tus­sen de afstand van sectoren in het netwerk en de sectorale outputgroei: hoe groter de afstand tussen twee sectoren, hoe minder de samenhang in de sectorale outputgroei. En andersom: twee sectoren die niet ver van elkaar verwijderd zijn, tonen een verband in hun outputgroei.

Nederland kent dus een ‘hub’-structuur. Dat betekent dat een schok in één bedrijfstak kan doorwerken naar de omliggende sectoren (de ‘buren’ van die sectoren), en in mindere mate ook naar de sectoren die daar weer omheen liggen en indirect met de sector in verbinding staan.

Een trend in outputgroei, die bijvoorbeeld in de land­bouw plaatsvindt, kan dus doorwerken naar de voedings­middelenindustrie. Hoe verder we vandaan zijn van de originele sector waar de schok plaatsvond, hoe kleiner het effect wordt.

Centraliteit in netwerk

Er bestaan verschillen tussen sectoren in de mate waarin ze een meer of minder centrale positie in de economie innemen. Omdat Nederland een hub-netwerk heeft, is de centraliteit van sectoren extra belangrijk. Een schok in een centrale hub-sector werkt sneller door naar de gehele eco­nomie dan een schok in een niet-centrale sector (Choi en Foerster, 2017).

Er zijn verschillende maatstaven die deze ‘centrali­teit’ meten, zoals maatstaven die meten hoeveel in- of out­putlinks een sector heeft (degree centrality), of hoe vaak een sector op de route tussen twee andere sectoren ligt (betweenness centrality of random walk centrality). Maar niet alle maatstaven houden rekening met de grootte van de outputstroom van de verbinding.

Een maatstaf die dat wel doet, is de eigenvector centra­lity (Bonacich, 1972), waar we in deze analyse naar kijken. Bij deze maatstaaf is de centraliteit van een knoop propor­tioneel tot de som van de centraliteit van de buren (zie appendix). De eigenvector centrality meet daarmee de invloed van een knoop in het netwerk. Deze eigenvalue-maatstaf wordt ook in het PageRank algoritme van Google toepast (Spizzirri, 2011; Carvalho, 2014).

We kijken naar deze maatstaf omdat een sector die een belangrijke verbinding heeft met een ‘belangrijke’ sector, zelf ook belangrijk is. Om een voorbeeld te geven: stel je bent een acteur. Dan is de connectie met twee filmregis­seurs in je sociale netwerk belangrijker dan je connectie met tien figuranten.

Daarnaast tonen Costenbader en Valente (2003) aan dat eigenvector centrality de meest stabiele test is als de steekproefgrootte niet volledig dekkend is. Ook vinden zij dat het een goede methode is om centrale sectoren vast te stellen. Deze maatstaf wordt dan ook veel toegepast (Carvalho, 2014). Zo gebruikt Richmond (2019) de maat­staf om te bepalen welke landen centraal liggen in het mon­diale handelsnetwerk. Om de eigenvector centrality voor het Nederlandse netwerk in 2017 te berekenen, maken we gebruik van alle verbindingen die er tussen sectoren zijn.

Voedingsmiddelenindustrie meest centraal

Figuur 3 toont de sterkste verbindingen in het Neder­landse netwerk. De voedingsmiddelenindustrie is volgens de eigenvalue centrality-maatstaf de meest centrale sector in 2017 (tabel 1). Ook de landbouw, het bankwezen, de bouw, groothandel, uitzendbranche en de IT-dienstverle­ning zijn centrale sectoren in 2017. Een schok in een van deze sectoren kan makkelijker doorwerken naar de gehele economie (Acemoglu et al., 2012; Carvalho, 2010; 2014; Choi en Foerster, 2017). Er zijn ook sectoren die het minst centraal stonden, zoals de bosbouw en de loterijen en kans­spelen. Daarbij zal een schok waarschijnlijk nauwelijks doorwerken.

Figuur 3: Voedingsmiddelen, landbouw en bouw zijn centrale sectoren
Figuur 3: Voedingsmiddelen, landbouw en bouw zijn centrale sectorenNoot: Om het netwerk visueel overzichtelijker te maken zijn alleen de verbindingen van meer dan één standaarddeviatie van het gemiddelde zichtbaar
Bron: CBS, bewerking RaboResearch
Tabel 1: Centrale sectoren hebben niet altijd een groot aandeel in het bbp
Tabel 1: Centrale sectoren hebben niet altijd een groot aandeel in het bbpNoot: Wij hanteren voor de landbouw en de voedingsmiddelenindustrie de sectordefinitie van het CBS. Volgens de andere definitie die Wageningen University & Research hanteert bedraagt het agrocomplex circa zeven procent van het bbp (WUR, 2019).
Bron: CBS, berekening RaboResearch

Sectoren die in 2017 een groot deel van het Neder­landse bbp uitmaakten, zijn niet altijd ook centrale secto­ren in het netwerk. Zo staan de voedingsmiddelenindus­trie, de primaire landbouw en de bouw niet in de top tien van grootste sectoren naar bruto toegevoegde waarde. Deze drie sectoren zijn dus belangrijker voor de Nederlandse economie dan ze lijken wanneer je enkel naar het relatieve gewicht binnen de economie kijkt.

De voedingsmiddelenindustrie heeft een sterke ver­binding met de landbouw, maar die verbinding is niet de enige reden dat deze sector zo centraal staat in het Neder­landse netwerk. Zodra we de landbouw weg laten uit het netwerk, dan zakt de centraliteit van de voedingsmiddelen­industrie, maar deze sector blijft in de centraliteits top tien staan. Het effect van de voedingsmiddelenindustrie op de landbouw is groter: in een wereld zonder de voedingsmid­delenindustrie verdwijnt de landbouw uit de top tien van meest centrale sectoren. Hoe de centraliteit per sector ver­andert zodra er bedrijfstakken worden weggelaten is inte­ressant vervolgonderzoek.

Coronacrisis

De voedingsmiddelenindustrie, de landbouw en de bouw zijn de meest centrale sectoren binnen onze economie. Deze sectoren zijn belangrijker voor de economie dan ze lijken wanneer alleen naar hun directe bijdrage aan het bbp gekeken wordt, omdat schokken in centrale sectoren mak­kelijk schokken in andere sectoren kunnen veroorzaken.

Deze inzichten zijn relevant in het licht van de huidige coronacrisis en de bijbehorende sectorale schokken. Inzicht in welke sectoren centraal staan in de economie kunnen helpen bij de vormgeving van steunmaatregelen voor secto­ren om het effect van het doorwerken van schokken naar de algehele economie in te dammen.

Vervolgonderzoek

Onze analyse is een eerste verkenning, en vervolgonderzoek is dus nodig. Zo weten we nog niet precies in welke mate een schok zal doorwerken. Daarnaast is de economie aan verandering onderhevig. Dit roept de vraag op hoe het net­werk er twintig jaar geleden uitzag en wat de belangrijkste veranderingen van de afgelopen jaren zijn.

Verder hebben we bij deze analyse alleen naar het Nederlandse netwerk gekeken en de internationale dimen­sie buiten beschouwing gelaten. Dat die internationale dimensie van belang kan zijn, blijkt wel uit de steeds grote­re fragmentatie van internationale waardeketens (Timmer et al., 2014; Erken et al., 2019). Daarnaast analyseerden Hausman en Hidalgo (2013) patronen in Nederlandse exportdata en concluderen onder andere dat de landbouw en de voedingsmiddelenindustrie sterk afhankelijk zijn van Europese markten. Dit roept de vraag op in hoeverre inter­nationale waardeketens inwerken op het Nederlandse net­werk van sectoren.

Literatuur

Acemoglu, D., Carvalho, V.M., Ozdaglar, A., Tahbaz-Salehi, A. 2012. The network origins of aggregate fluctuations. Econometrica 80(5): 1977-2016

Atalay, M. 2017. How important are sectoral shocks? American Economic Journal: Macroeconomics 9(4): 254-280

Bonachic, P. 1972. Factoring and Weighting Approaches to Status Scores and Clique Identification. Journal of Mathematical Sociology 2:113-120

Carvalho, V.M. 2009. Aggregate fluctuations and the network structure of intersectoral trade

Carvahlo, V.M. 2014. From micro to macro via production networks. Journal of Economic Perspectives 28(4): 23-48

Csardi G., Nepusz T. 2006. The igraph software package for complex network research. InterJournal. Complex Systems. 1695 

Costenbader, E., Valente, T.W. 2003. The stability of centrality measures when networks are sampled. Elsevier 286-307

Erken, H., Giesbergen, B., Nauta, L. 2019. US-China trade war: which sectors are most vulnerable in the global value chain?. RaboResearch online Special.

Foerster, A., Choi, J. 2017. The changing input-output network structure of the US economy. Federal Reserve Bank of Kansas City, Economic Review, second quarter:23-49

Hausmann, R., Hidalgo, C.A., 2013. How will the Netherlands earn its income 20 years from now? WRR report.

Lucas, R.E., 1977. Understanding business cycles. Carnegie-Rochester Conference Series on Public Policy 5: 7-29.

McKinsey, 2017. Competing in a world of sectors without borders. Quarterly, number 3.

Richmond, R.J. 2019. Trade network centrality and currency risk premia. The Journal of Finance. 74(3): 1315-1361

Spizzirri, L. 2011. Justification and application of eigenvector centrality. Algebra in Geography: Eigenvectors of Networks

Timmer, M.P., Azeez Erumban, A., Los, B., Stehrer, R., de Vries, G.J. 2014. Slicing up global value chains. Journal of Economic Perspectives 28(2): 99-118

Appendix A: Overzicht meegenomen sectoren

Bron: CBS

Appendix B: Methodiek en data

Om het netwerk van Nederlandse sectoren in kaart te brengen, maken we gebruik van input-output data van het CBS uit 2017. Daarbij houden we de sectorindeling van het CBS aan. Een volledige lijst van de sectoren is te vinden in de appendix A.

Een uitzondering hierop is het onderdeel over de samenhang tussen outputcorrelatie en netwerkafstand. Daar maken we gebruik van de input-output data van 2005. Volgens de methodologie van Carvalho (2014), gebruiken we een netwerk dat ongeveer in het midden ligt van de periode waarover we de outputgroei cijfers berekenen (1995-2018).

Netwerkdichtheid

We berekenen de netwerkdichtheid net zoals Foerster en Choi (2017) met behulp van de volgende formule:

Stel n gelijk aan het aantal nodes in het netwerk; in dit geval is n het aantal sectoren. Het aantal mogelijke verbindingen in een netwerk, waarbij de verbindingen gericht zijn en we zelf-loops, intra-sectorale verbindingen, toestaan is te berekenen door:

In het Nederlandse sectorale netwerk zijn er in totaal 6561 verbindingen mogelijk tussen de 81 meegenomen sectoren. In het netwerk zijn er daadwerkelijk 4606 verbindingen. Dat geeft een netwerkdichtheid van 4606/6561 = 0,7.

Output correlatie

Om tot samenhang tussen de afstand van sectoren in het netwerk en de sectorale outputgroei te komen, volgen we de methodiek van Carvalho (2014).

We berekenen de netwerkafstand du,v voor elk paar sectoren (u,v) in het netwerk, door de lengte van het kortste pad tussen sector υ  en sector v  te berekenen. Het kortste pad is de minimale hoeveelheid stappen of verbindingen die nodig is om van één sector naar een andere te gaan.

Vervolgens koppelen we de groeicijfers aan de hoeveelheid stappen of verbindingen die nodig zijn om van één sector naar een andere te gaan - van elk paar waar data over beschikbaar is.

De sectoren binnen het netwerk zijn sterk verbonden met elkaar, maar de hoeveelheid input die van een sector naar een andere gaat, verschilt sterk. We verwijderen daarom de verbindingen waarbij het gewicht, de hoeveelheid input of output in werkelijke prijzen dat tussen sectoren stroomt, kleiner is dan het gemiddelde gewicht van alle verbindingen. We nemen dus alleen de ‘sterkste’ verbindingen mee en de berekende samenhang geldt dus alleen voor de sterkst verbonden sectoren. Dit maakt de netwerkdichtheid iets lager en geeft ons meer observaties van sectorparen die een paar stappen van elkaar verwijderd zijn. Als controle voor robuustheid hebben we verschillende drempelwaarden voor de gewichten gebruikt en daaruit blijkt dat de gemiddelde correlatie altijd daalt bij een grotere netwerkafstand.

Centraliteit

Er zijn verschillende maatstaven die de centraliteit van een node in een netwerk meten. Wij maken gebruik van de eigenvector centrality (Bonacich, 1972), wat wordt gezien als een mate van invloed van een node in het netwerk. Bij deze maatstaf is de centraliteit van een node proportioneel tot de som van de centraliteit van de buren.

Een verbindingsmatrix (adjacency matrix) G geeft aan of en met welk gewicht twee nodes met elkaar verbonden zijn. In deze analyse is G de input-output tabel en geeft de inhoud van de cel guv de hoeveelheid input die van node u naar node v stroomt. De centraliteit cu van node u, met verbindingsmatrix G is dan gelijk aan:

Hier is α de eigenvalue.

Deze formule kan herschreven worden in vector notatie tot de eigenvector vergelijking:

Dan bestaat er volgens de Perron-Frobenius theorie een unieke grootste eigenvalue α van de verbindingsmatrix G, waar van de alle elementen van eigenvector c strict positief zijn. Component u in de eigenvector geeft de relatieve centraliteitsscore weer van node u in het netwerk. Tabel 1 geeft de top tien sectoren weer op basis van deze eigenvector centraliteitsscore.

Delen:

naar boven