企業間取引データにおける課題とその解決方法～データで迫るサプライチェーンリスク④～

経営・マネジメント

コラム

2025/11/11

　前回のコラム^[1]では、企業の取引関係を収録したデータセットと、そこから任意の企業・製品に対するサプライチェーンを推定する方法について紹介しました。
　今回のコラムでは、企業間取引データセットにおいて重要でありながらもデータが不足している「取引額」という情報を推定するための方法について、最新のAI技術を用いた弊社の研究成果^[2]を簡潔に紹介します。

サプライチェーンリスク評価と企業間取引額

　サプライチェーンリスク管理における重要な問題として、企業の取引関係を介した“ショックの波及”（災害等により生じた企業活動の停止が、取引先の事業活動にまで影響を及ぼすこと）があります。そして、このショックの波及の大きさは、企業同士がどの程度の“太さ”（すなわち取引額）でつながっているかに大きく依存します（下図参照）。すなわち、被災企業（企業A）と太い取引をしている企業（企業C）は、そうでない企業（企業B）に比べて、ショックの波及が大きくなる傾向があります。

図 1 企業間における取引の太さとショックの波及の大きさの関係
（弊社作成）

　このように、サプライチェーンリスクを考える上で、取引額というのは重要な要素の一つです。一方で、企業間取引データセットにおける取引額のデータは、その秘匿性の高さから情報の収集が困難であり、欠損値（データセット上「不明」となっていること）が非常に多いことが、リスク評価を行う上で課題となっていました。

企業間取引額の高精度な推定方法

　そこで求められるのは、何らかの情報を基に取引額を推定し、欠損を補完する技術です。これについては長い間、「重力モデル」という、国家間の貿易量の推定で用いられる推計式を応用したアプローチがとられていましたが、シンプルである分、推定精度には限界がありました。そこで弊社と国立情報学研究所・水野貴之氏^[3]の共同研究において、機械学習により、限られた取引額の情報を学習データとして、欠損している取引額の値を推定する方法を構築しました。
　具体的には、グラフニューラルネットワーク（GNN）と呼ばれる深層学習手法と、決定木の発展型であるLightGBMという手法の組み合わせを用いました。GNNの最大の特徴は、対象企業自身の情報だけでなく、周辺の離れた取引先企業の情報までを含んだ特徴量を集約・生成できる点にあります。このGNNを様々なパターンで適用した結果、以下のことがわかりました。

1. GNN単体とLightGBM単体の精度比較では、従来手法であるLightGBMの精度が優れていること
2. 一方で、GNNで集約・生成した特徴量を、LightGBMに“追加の”特徴量として与えることで、全体での推定精度が向上すること（下図参照）
3. GNNの層を深くするほど精度が向上するが、5層（すなわち5つ先までの取引先企業の情報を集約する）の場合が最も高精度であること

図 2 GNNとLightGBMを組み合わせた取引額推定モデルの構成
（弊社作成）

　このようにして、企業間取引データセットにおいて大部分が欠損している「取引額」の情報を、高精度に推定する手法を構築することができました。加えてこの結果は、「5つ先までの取引先企業の情報を取り入れることで、その企業の取引額を効果的に推定できる」という知見を示しています。これは、企業間ネットワークにおける構造的特徴の活用における意義深い発見であり、ネットワーク分析の新たな可能性を示したものといえます。

終わりに

　以上、本コラムでは、企業間取引データにおいて非常に重要な要素である「取引額」を推定・補完するための最新の技術について紹介しました。弊社では今後もこうした分析により、サプライチェーンリスクの実態を明らかにする研究に取り組んでまいります。

　また、弊社では、サプライチェーンにおけるリスクの可視化と取引先とのコミュニケーション強化のためのクラウドサービス「Chainable」を提供しています。Chainableの詳細は下記サービス紹介ページをご覧ください。

執筆コンサルタントプロフィール

佐藤遼次: 企業財産本部　主任研究員

コラムトップへ戻る