Global Supply Chain Risk Assessment & Structural Risk Forecast
Ein datengetriebenes Analyseprojekt zur Bewertung globaler Lieferkettenrisiken.
Daten aus mehreren internationalen Quellen werden integriert, um strukturelle Schwächen, externe Belastungen und langfristige Risikotrends auf Länderebene transparent zu analysieren.
Das Ergebnis ist ein mehrdimensionales Risikomodell mit interaktivem Power-BI-Dashboard und strukturellem Prognosemodell.
Lieferkettenrisiken entstehen nicht aus einer einzigen Ursache.
Ein Land kann beispielsweise über eine leistungsfähige Logistikinfrastruktur verfügen und gleichzeitig stark von globalen Lieferkettenspannungen oder externen Ereignissen betroffen sein.
Ein einzelner Indikator reicht deshalb für eine realistische Risikobewertung nicht aus.
Ziel des Projekts ist es, verschiedene Risikofaktoren in einem transparenten Modell zusammenzuführen, um:
- Länder hinsichtlich ihres Supply-Chain-Risikos vergleichbar zu machen,
- zentrale Risikotreiber sichtbar zu machen,
- strukturelle und externe Risiken getrennt zu analysieren,
- Risikoentwicklungen über die Zeit zu untersuchen,
- die langfristige strukturelle Risikobasis zu modellieren,
- und die Ergebnisse für Screening, Monitoring und Diversifizierungsentscheidungen nutzbar zu machen.
Für die Analyse wurden vier internationale Datenquellen kombiniert:
| Datenquelle | Indikator | Bedeutung im Projekt |
|---|---|---|
| World Bank | LPI – Logistics Performance Index | Logistikleistung und Infrastruktur |
| UNCTAD | LSCI – Liner Shipping Connectivity Index | Internationale maritime Konnektivität |
| Federal Reserve Bank of New York | GSCPI – Global Supply Chain Pressure Index | Globale Lieferkettenspannungen |
| EM-DAT | International Disaster Database | Naturkatastrophen, externe Ereignisse und deren Folgen |
Die Datenquellen unterscheiden sich hinsichtlich Zeitstruktur, Länderabdeckung, Skalierung und Datenformat.
Nach Bereinigung und Harmonisierung entstand eine gemeinsame Analysebasis für 132 Länder im Berichtszeitraum 2010–2023.
Die ursprünglichen Rohdaten werden nicht vollständig im Repository bereitgestellt.
Die für die Analyse erzeugten und harmonisierten Datensätze befinden sich unterdata/processed/.
Der gesamte Analyseprozess wurde in Python und Jupyter Notebooks reproduzierbar aufgebaut.
Dateninventur
↓
Datenverständnis
↓
Datenbereinigung
↓
Länderharmonisierung
↓
Zeitharmonisierung
↓
Datenintegration
↓
Explorative Datenanalyse
↓
Risikomodellierung
↓
Strukturelle Prognose
↓
Power BI Dashboard
Die einzelnen Verarbeitungsschritte sind in den nummerierten Notebooks unter notebooks/ dokumentiert.
Die explorative Datenanalyse diente als fachliche Grundlage für die spätere Modelllogik.
Untersucht wurden insbesondere:
- Zusammenhänge zwischen den strukturellen Indikatoren,
- zeitliche Veränderungen globaler Lieferkettenspannungen,
- externe Ereignisse und wirtschaftliche Belastungen,
- unterschiedliche Risikoprofile der Länder,
- sowie ergänzend datengetriebene Ländergruppen mittels Clusteranalyse.
LPI und LSCI
LPI und LSCI zeigen mit r = 0,63 einen deutlichen Zusammenhang.
Sie erfassen verwandte, aber nicht identische strukturelle Eigenschaften und wurden deshalb als komplementäre Strukturindikatoren verwendet.
GSCPI
Der GSCPI zeigt kaum länderspezifische Korrelationen, verändert sich jedoch deutlich über die Zeit.
Er wurde daher als eigenständige globale, zeitabhängige Belastungskomponente interpretiert.
Ereignisdaten
Zwischen der Anzahl der Ereignisse und der Anzahl der Naturkatastrophen besteht ein sehr starker Zusammenhang (r = 0,93).
Die Ereignisvariablen bilden damit eine gemeinsame externe Belastungsdimension.
Länderprofile
Die Analyse zeigt außerdem, dass ähnliche Gesamt-Risiko-Scores aus unterschiedlichen Kombinationen von strukturellen Schwächen und externen Belastungen entstehen können.
Aus den Ergebnissen der EDA wurde eine fachlich interpretierbare Risikologik entwickelt.
Das Modell trennt zwei Risikodimensionen:
LPI-Risiko + LSCI-Risiko
Beschreibt die langfristige strukturelle Verwundbarkeit eines Landes hinsichtlich:
- logistischer Leistungsfähigkeit
- internationaler Transportkonnektivität
GSCPI-Risiko + Ereignis-Risiko
Beschreibt zeitabhängige externe Belastungen durch:
- globale Lieferkettenspannungen
- Naturkatastrophen und andere externe Ereignisse
Beide Dimensionen werden anschließend transparent zu einem Gesamt-Risiko-Score zusammengeführt.
Strukturelles Risiko
+
Belastungsrisiko
↓
Gesamt-Risiko-Score
Der Score wird auf einer Skala von 0 bis 1 dargestellt:
- 0 → sehr niedriges Risiko
- 1 → sehr hohes Risiko
Dadurch bleibt das Gesamtrisiko zwischen Ländern vergleichbar, während gleichzeitig sichtbar bleibt, welche Faktoren das Risiko verursachen.
Ursprünglich wurde geprüft, ob sich der gesamte Risiko-Score zwei Jahre im Voraus prognostizieren lässt.
Die Validierung zeigte jedoch:
| Prognoseziel | Korrelation t→t+2 | R² |
|---|---|---|
| Gesamt-Risiko | 0,368 | -6,636 |
| Strukturelles Risiko | 0,963 | 0,936 |
Der Gesamt-Risiko-Score erwies sich aufgrund stark schwankender externer Belastungen als nicht zuverlässig prognostizierbar.
Deshalb wurde das Prognoseziel bewusst neu definiert:
Prognostiziert wird ausschließlich die langfristige strukturelle Risikobasis.
Für das finale Strukturmodell ergaben sich:
- R² = 0,936
- MAE = 0,029
- RMSE = 0,037
Das Modell ist daher nicht als Vorhersage kurzfristiger externer Schocks zu verstehen, sondern als strukturelles Frühwarnsignal für langfristige Veränderungen der logistischen Risikobasis.
Die Analyseergebnisse wurden in einem interaktiven Power-BI-Dashboard zusammengeführt.
Das Dashboard besteht aus vier Analyseebenen:
Überblick über Risiko-Score, Risikoklassen und Länder mit erhöhtem Risiko.
Aufschlüsselung des Gesamtrisikos in strukturelle Faktoren und externe Belastungen.
Analyse der zeitlichen Entwicklung des Risiko-Scores und seiner Komponenten.
Vergleich zwischen tatsächlichem und prognostiziertem Strukturrisiko sowie Darstellung der Prognoseabweichungen.
Die Power-BI-Datei befindet sich unter:
power_bi/Supply_Chain_Resilience_Dashboard.pbix
Ein einzelner Indikator kann die Risikosituation eines Landes nicht ausreichend erklären. Strukturelle Schwächen und externe Belastungen müssen gemeinsam betrachtet werden.
Länder mit hoher logistischer Leistungsfähigkeit können trotzdem erheblichen externen Ereignissen und wirtschaftlichen Schäden ausgesetzt sein.
Zwei Länder können einen ähnlichen Gesamt-Risiko-Score besitzen, obwohl die Ursachen des Risikos unterschiedlich sind.
Der GSCPI und externe Ereignisse erzeugen deutliche zeitliche Schwankungen, während strukturelle Faktoren wesentlich stabiler sind.
Die langfristige strukturelle Risikobasis zeigt eine hohe zeitliche Persistenz und kann wesentlich zuverlässiger modelliert werden als der gesamte Risiko-Score.
- Python
- Pandas
- NumPy
- Matplotlib
- Jupyter Notebook
- Power BI
- DAX
- Excel
- Git / GitHub
Analytische Methoden:
- Data Cleaning
- Data Integration
- Feature Engineering
- Explorative Datenanalyse
- Korrelationsanalyse
- Clusteranalyse
- Risikoscore-Modellierung
- Regressionsmodellierung
- Modellvalidierung
- Data Visualization
Supply_Chain_Resilience_Analytics/
│
├── data/
│ ├── processed/
│ └── raw/ # lokal, nicht auf GitHub
│
├── images/
│ └── dashboard screenshots
│
├── notebooks/
│ ├── 01_Dateninventur_LPI.ipynb
│ ├── 02_Dateninventur_UNCTAD_LSCI.ipynb
│ ├── 03_Dateninventur_GSCPI.ipynb
│ ├── 04_Dateninventur_EM_DAT.ipynb
│ ├── 05_Datenverstaendnis.ipynb
│ ├── 06_Datenbereinigung_LPI.ipynb
│ ├── 07_Datenbereinigung_UNCTAD_LSCI.ipynb
│ ├── 08_Datenbereinigung_GSCPI.ipynb
│ ├── 09_Datenbereinigung_EM_DAT.ipynb
│ ├── 10_Harmonisierung_Laender.ipynb
│ ├── 11_Datenintegration_und_Zeitharmonisierung.ipynb
│ ├── 12_Explorative_Datenanalyse.ipynb
│ ├── 13_Risiko_Score_Modellierung.ipynb
│ └── 14_Visualisierung_Storytelling.ipynb
│
├── power_bi/
│ └── Supply_Chain_Resilience_Dashboard.pbix
│
├── presentation/
│ └── Supply_Chain_Resilience_Analytics_Praesentation.pdf
│
├── reports/
│ └── Data_Dictionary_Supply_Chain_Resilience.xlsx
│
├── .gitignore
├── requirements.txt
└── README.md
Das Projekt verbindet Datenintegration, explorative Analyse, Risikomodellierung, Prognose und Business Intelligence in einem durchgängigen Workflow.
Der Schwerpunkt liegt dabei nicht nur auf der Berechnung eines Risiko-Scores, sondern auf dessen Erklärbarkeit und praktischer Nutzbarkeit:
Welches Risiko besteht? Warum besteht es? Wie entwickelt es sich? Und welche langfristigen strukturellen Veränderungen sind erkennbar?
Damit kann das Modell als analytische Grundlage für Länderscreening, Risikomonitoring und Diversifizierungsentscheidungen genutzt werden.
Nataliia Melnytska
Data Analytics · Business Intelligence · Power BI · Python · SQL