技能介绍

解决的问题

投入产出表分析常卡在几件事：部门粒度过细、矩阵运算和图路径不熟、结果只想要 pandas.DataFrame 而不想自己搭 GUI。@user_053d27d0/industry-chain-map 面向中国大陆 2020 年 NBS 42 部门聚合出的 15 部门结构，把上下游依赖、关键部门、供应链传导和冲击模拟封装成 Python API。

核心能力与工作方式

用 IOTable 封装中间流量矩阵 Z、直接消耗系数 A、Leontief 逆和 Ghosh 逆，提供总产出、增加值率、最终需求等基础字段。
通过 upstream_dependency() 和 downstream_influence() 计算后向/前向关联，识别对上游拉动或下游依赖较强的部门。
key_sectors() 基于关联强度筛选关键部门；supply_chain_path() 用 BFS 查找两部门间最短传导路径，并给出中间流量和投入系数。
value_multiplier() 计算最终需求增加 1 单位对总产出的拉动；impact_analysis() 用 ΔX = (I-A)^(-1) * ΔF 模拟某部门产出冲击。
import_dependency() 用中间投入率与 HHI 集中度估算进口依赖，structural_holes() 用 betweenness centrality 找桥接集群的枢纽部门，cluster_sectors() 用谱聚类/层次聚类分组。
输出以 pandas.DataFrame 为主，颜色配置在 config/sectors.yaml，可用 matplotlib、plotly 或 ECharts 外接绘图。

适用边界

适合做静态产业结构、部门关联和供应链风险的脚本化分析，不适合替代真实进口明细、就业人数测算、时间序列分析或 GUI 应用。数据为代码内嵌的 2020 年近似值，固定 15 部门粒度；load_io_table(year=...) 目前只是标签，换年份需要替换 io_table.py 中的矩阵。进出口中间投入未区分国内/进口，进口依赖是代理估算。