S. Vitali, J.B. Glattfelder, and S.

Battiston:
The network of global corporate control

The network of global corporate control

Stefania Vitali1, James B. Glattfelder1, and Stefano Battiston1y

1
Chair of Systems Design, ETH Zurich, Kreuzplatz 5, 8032 Zurich, Switzerland,
y
corresponding author, email: sbattiston@ethz.ch
arXiv:1107.5728v2 [q-fin.GN] 19 Sep 2011

Abstract

The structure of the control network of transnational corporations affects global market com-
petition and financial stability. So far, only small national samples were studied and there was
no appropriate methodology to assess control globally. We present the first investigation of the
architecture of the international ownership network, along with the computation of the control
held by each global player. We find that transnational corporations form a giant bow-tie struc-
ture and that a large portion of control flows to a small tightly-knit core of financial institutions.
This core can be seen as an economic “super-entity” that raises new important issues both for
researchers and policy makers.

Introduction

A common intuition among scholars and in the media sees the global economy as being domi-
nated by a handful of powerful transnational corporations (TNCs). However, this has not been
confirmed or rejected with explicit numbers. A quantitative investigation is not a trivial task
because firms may exert control over other firms via a web of direct and indirect ownership rela-
tions which extends over many countries. Therefore, a complex network analysis [1] is needed in
order to uncover the structure of control and its implications. Recently, economic networks have
attracted growing attention [2], e.g., networks of trade [3], products [4], credit [5, 6], stock
prices
[7] and boards of directors [8, 9]. This literature has also analyzed ownership networks [10,
11], but has neglected the structure of control at a global level. Even the corporate
governance litera- ture has only studied small national business groups [12]. Certainly, it is
intuitive that every large corporation has a pyramid of subsidiaries below and a number of
shareholders above. However, economic theory does not offer models that predict how TNCs
globally connect to each other. Three alternative hypotheses can be formulated. TNCs may
remain isolated, cluster in separated coalitions, or form a giant connected component,
possibly with a core-periphery structure. So far, this issue has remained unaddressed,
notwithstanding its important implications for policy making. Indeed, mutual ownership
relations among firms within the same sector can, in some cases, jeopardize market
competition [13, 14]. Moreover, linkages among financial institutions have been recognized
to have ambiguous effects on their financial fragility [15, 16]. Verifying to

1/36
 A B

C D

Figure 1: Ownership and Control. (A&B) Direct and indirect ownership. (A) Firm i has
Wij percent of direct ownership in firm j. Through j, it has also an indirect ownership in k and l.
(B) With cycles one has to take into account the recursive paths, see SI Appendix, Sec. 3.1.
(C&D) Threshold model. (C) Percentages of ownership are indicated along the links. (D) If a
shareholder has ownership exceeding a threshold (e.g. 50%), it has full control (100%) and the
others have none (0%). More conservative model of control are also considered see SI Appendix,
Sec. 3.1.

what extent these implications hold true in the global economy is per se an unexplored field of
research and is beyond the scope of this article. However, a necessary precondition to such inves-
tigations is to uncover the worldwide structure of corporate control. This was never performed
before and it is the aim of the present work.

Methods

Ownership refers to a person or a firm owning another firm entirely or partially. Let W denote
the ownership matrix, where the component Wij ∈ [0, 1] is the percentage of ownership that the
owner (or shareholder ) i holds in firm j. This corresponds to a directed weighted graph with
firms represented as nodes and ownership ties as links. If, in turn, firm j owns Wjl shares of firm
l, then firm i has an indirect ownership of firm l (Fig. 1 A). In the simplest case, this amounts
trivially to the product of the shares of direct ownership Wij Wjl. If we now consider the
economic value v of firms (e.g., operating revenue in USD), an amount Wijvj is associated to
i in the direct case, and WijWjlvl in the indirect case. This computation can be extended to a
generic graph, with some important caveats [17, SI Appendix, Secs. 3.1 and 3.2].
Each shareholder has the right to a fraction of the firm revenue (dividend) and to a voice in
the decision making process (e.g., voting rights at the shareholder meetings). Thus the larger
the ownership share Wij in a firm, the larger is the associated control over it, denoted as Cij.
Intuitively, control corresponds to the chances of seeing one’s own interest prevailing in the
business strategy of the firm. Control Cij is usually computed from ownership Wij with a simple
threshold rule: the majority shareholder has full control. In the example of Fig. 1 C, D, this yields
Cijvj = 1 vj in the direct case and CijCjlvl = 0 in the indirect case. As a robustness check, we
tested also more conservative models where minorities keep some control (see SI Appendix, Sec.
3.1). In analogy to ownership, the extension to a generic graph is the notion of network control
:
Σ Cijvj + Cijcnet. This sums up the value controlled by i through its shares in j,
cinet = j Σ j
j
plus the value controlled indirectly via the network control of j. Thus, network control has the
meaning of the total amount of economic value over which i has an influence (e.g. cneti = vj + vk
in Fig. 1 D).
Because of indirect links, control flows upstream from many firms and can result in some share-
holders becoming very powerful. However, especially in graphs with many cycles (see Figs. 1 B
and S4), the computation of cnet, in the basic formulation detailed above, severely overestimates
the control assigned to actors in two cases: firms that are part of cycles (or cross-shareholding
structures), and shareholders that are upstream of these structures. An illustration of the prob-
lem on a simple network example, together with the details of the method are provided in SI
Appendix, Secs. 3.2 – 3.4. A partial solution for small networks was provided in [18]. Previous
work on large control networks used a different network construction method and neglected this
issue entirely [11, SI Appendix, Secs. 2 and 3.5]. In this paper, by building on [11], we develop a
new methodology to overcome the problem of control overestimation, which can be employed to
compute control in large networks.

Results
We start from a list of 43060 TNCs identified according to the OECD definition, taken from
a sample of about 30 million economic actors contained in the Orbis 2007 database (see SI
Appendix, Sec. 2). We then apply a recursive search (Fig. S1 and SI Appendix, Sec. 2) which
singles out, for the first time to our knowledge, the network of all the ownership pathways
originating from and pointing to TNCs (Fig. S2). The resulting TNC network includes 600508
nodes and 1006987 ownership ties.
 B
A

C D

Figure 2: Network topology. (A) A bow-tie consists of in-section (IN), out-section (OUT),
strongly connected component or core (SCC), and tubes and tendrils (T&T). (B) Bow-tie struc-
ture of the largest connected component (LCC) and other connected components (OCC). Each
section volume scales logarithmically with the share of its TNCs operating revenue. In paren-
thesis, percentage of operating revenue and number of TNCs, cfr. Table 1. (C) SCC layout of
the SCC (1318 nodes and 12191 links). Node size scales logarithmically with operation revenue,
node color with network control (from yellow to red). Link color scales with weight. (D) Zoom
on some major TNCs in the financial sector. Some cycles are highlighted.

Notice that this data set fundamentally differs from the ones analysed in [11] (which considered
only listed companies in separate countries and their direct shareholders). Here we are interested
Table 1: Bow-tie statistics. Percentage of total TNC operating revenue (OR) and number (#)
of nodes in the sections of the bow-tie (acronyms are in Fig. 2). Economic actors types are:
shareholders (SH), participated companies (PC).
TNC SH PC OR
(#) (#) (#) (%)
LC 15491 47819 399696 94.17
C
IN 282 5205 129 2.18
SC 295 0 1023 18.68
C
OU 6488 0 318073 59.85
T
T& 8426 42614 80471 13.46
T
OC 27569 29637 80296 5.83
C

in the true global ownership network and many TNCs are not listed companies (see also SI
Appendix, Sec. 2).

Network Topology

The computation of control requires a prior analysis of the topology. In terms of connectivity,
the network consists of many small connected components, but the largest one (3/4 of all nodes)
contains all the top TNCs by economic value, accounting for 94.2% of the total TNC operating
revenue (Tbl. 1). Besides the usual network statistics (Figs. S5, S6), two topological properties
are the most relevant to the focus of this work. The first is the abundance of cycles of length
two (mutual cross-shareholdings) or greater (Fig. S7 and SI Appendix, Sec. 7), which are well
studied motifs in corporate governance [19]. A generalization is a strongly connected
component (SCC), i.e., a set of firms in which every member owns directly and/or indirectly
shares in every other member. This kind of structures, so far observed only in small samples, has
explanations such as anti-takeover strategies, reduction of transaction costs, risk sharing,
increasing trust and groups of interest [20]. No matter its origin, however, it weakens market
competition [13, 14]. The second characteristics is that the largest connect component contains
only one dominant strongly connected component (1347 nodes). Thus, similar to the WWW, the
TNC network has a bow-tie structure [21] (see Fig. 2 A and SI Appendix, Sec. 6). Its peculiarity
is that the strongly connected component, or core, is very small compared to the other sections of
the bow-tie, and that the out-section is significantly larger than the in-section and the tubes and
tendrils (Fig. 2 B and Tbl. 1). The core is also very densely connected, with members having,
on average, ties to 20 other members (Fig. 2 C, D). As a result, about 3/4 of the ownership of
firms in the core remains in the hands of firms of the core itself. In other words, this is a tightly-
knit group of corporations that cumulatively hold the majority share of each other.
Notice that the cross-country analysis of [11] found that only a few of the national ownership net-
works are bow-ties, and, importantly, for the Anglo-Saxon countries, the main strongly connected
components are big compared to the network size.
Concentration of Control

The topological analysis carried out so far does not consider the diverse economic value of
firms. We thus compute the network control that economic actors (including TNCs) gain over
the TNCs’ value (operating revenue) and we address the question of how much this control is
concentrated and who are the top control holders. See Fig. S3 for the distribution of control
and operating revenue.
It should be noticed that, although scholars have long measured the concentration of wealth
and income [22], there is no prior quantitative estimation for control. Constructing a Lorenz-
like curve (Fig. 3) allows one to identify the fraction η∗ of top holders holding cumulatively
80% of the total network control. Thus, the smaller this fraction, the higher the
concentration. In principle, one could expect inequality of control to be comparable to
inequality of income across households and firms, since shares of most corporations are
publicly accessible in stock markets. In contrast, we find that only 737 top holders
accumulate 80% of the control over the value of all TNCs (see also the list of the top 50
holders in Tbl. S1 of SI Appendix, Sec. 8.3). The corresponding level of concentration is η1∗
= 0.61%, to be compared with η2∗ = 4.35% for operating revenue. Other sensible comparisons
include: income distribution in developed countries with η3∗ ∼ 5%−10% [22] and corporate
revenue in Fortune1000 (η4∗ ∼ 30% in 2009). This means that network control is much more
unequally distributed than wealth. In particular, the top ranked actors hold a control ten times
bigger than what could be expected based on their wealth. The results are robust with respect
to the models used to estimate control, see Fig. 3 and Tbls. S2, S3.

Discussion
The fact that control is highly concentrated in the hands of few top holders does not
determine if and how they are interconnected. It is only by combining topology with control
ranking that we obtain a full characterization of the structure of control. A first question we
are now able to answer is where the top actors are located in the bow-tie. As the reader may
by now suspect, powerful actors tend to belong to the core. In fact, the location of a TNC in
the network does matter. For instance, a randomly chosen TNC in the core has about 50%
chance of also being among the top holders, compared to, e.g., 6% for the in-section (Tbl.
S4). A second question concerns what share of total control each component of the bow-tie
holds. We find that, despite its small size, the core holds collectively a large fraction of the
total network control. In detail, nearly 4/10 of the control over the economic value of TNCs
in the world is held, via a complicated web of ownership relations, by a group of 147 TNCs
in the core, which has almost full control over itself. The top holders within the core can thus
be thought of as an economic “super-entity” in the global network of corporations. A relevant
additional fact at this point is that 3/4 of the core are financial intermediaries. Fig. 2 D
shows a small subset of well-known financial players and their links, providing an idea of the
level of entanglement of the entire core.
 1

 (network control and value, operating revenue, %)

0.9

0.8

0.7

0.6

0.5

0.4

0.3
cnet (LM) cnet (TM) cnet (RM)
0.2 v (Op. Re.)

0.1

0 0
−5 −4 −3 −2 −1 10
10 10 10 10 10
 (shareholders rank, %)

Figure 3: Concentration of network control and operating revenue. Economic

actors (TNCs and shareholders) are sorted by descending importance, as given by cnet. A data
point located at (η, θ) corresponds to a fraction η of top economic actors cumulatively holding
the fraction θ of network control, value or operating revenue. The different curves refer to
network control computed with three models (LM, TM, RM), see SI Appendix, Sec. 3.1, and
operating revenue. The horizontal line denotes a value of θ equal to 80%. The level of
concentration is determined by the η value of the intersection between each curve and the
horizontal line. The scale is semi-log.

This remarkable finding raises at least two questions that are fundamental to the understanding
of the functioning of the global economy. Firstly, what are the implication for global financial
stability? It is known that financial institutions establish financial contracts, such as lending or
credit derivatives, with several other institutions. This allows them to diversify risk, but, at the
same time, it also exposes them to contagion [15]. Unfortunately, information on these contracts
is usually not disclosed due to strategic reasons. However, in various countries, the existence
of such financial ties is correlated with the existence of ownership relations [23]. Thus, in the
hypothesis that the structure of the ownership network is a good proxy for that of the financial
network, this implies that the global financial network is also very intricate. Recent works have
shown that when a financial network is very densely connected it is prone to systemic risk
[24, 16]. Indeed, while in good times the network is seemingly robust, in bad times firms go
into distress simultaneously. This knife-edge property [25, 26] was witnessed during the recent
financial turmoil.
Secondly, what are the implications for market competition? Since many TNCs in the core have
overlapping domains of activity, the fact that they are connected by ownership relations could
facilitate the formation of blocs, which would hamper market competition [14]. Remarkably, the
existence of such a core in the global market was never documented before and thus, so far, no
scientific study demonstrates or excludes that this international “super-entity” has ever acted as a
bloc. However, some examples suggest that this is not an unlikely scenario. For instance, previous
studies have shown how even small cross-shareholding structures, at a national level, can affect
market competition in sectors such as airline, automobile and steel, as well as the financial one
[14, 13]. At the same time, antitrust institutions around the world (e.g., the UK Office of Fair
Trade) closely monitor complex ownership structures within their national borders. The fact that
international data sets as well as methods to handle large networks became available only very
recently, may explain how this finding could go unnoticed for so long.
Two issues are worth being addressed here. One may question the idea of putting together
data of ownership across countries with diverse legal settings. However, previous empirical work
shows that of all possible determinants affecting ownership relations in different countries (e.g.,
tax rules, level of corruption, institutional settings, etc.), only the level of investor protection is
statistically relevant [27]. In any case, it is remarkable that our results on concentration are robust
with respect to three very different models used to infer control from ownership. The second issue
concerns the control that financial institutions effectively exert. According to some theoretical
arguments, in general, financial institutions do not invest in equity shares in order to exert control.
However, there is also empirical evidence of the opposite [23, SI Appendix, Sec. 8.1]. Our results
show that, globally, top holders are at least in the position to exert considerable control, either
formally (e.g., voting in shareholder and board meetings) or via informal negotiations.
Beyond the relevance of these results for economics and policy making, our methodology
can be applied to identify key nodes in any real-world network in which a scalar quantity
(e.g., resources or energy) flows along directed weighted links. From an empirical point of
view, a bow- tie structure with a very small and influential core is a new observation in the
study of complex networks. We conjecture that it may be present in other types of networks
where “rich-get-richer” mechanisms are at work (although a degree preferential-attachment
[1] alone does not produce a bow-tie). However, the fact that the core is so densely connected
could be seen as a generalization of the “rich-club phenomenon” with control in the role of
degree [28, 3, SI Appendix, Sec. 8.2]. These related open issues could be possibly understood
by introducing control in a “fitness model”
[29] of network evolution.

Acknowledgments

We acknowledge F. Schweitzer and C. Tessone for valuable feedback, D. Garcia for generating
the 3D figures, and the program Cuttlefish used for networks layout.
Authors acknowledge the financial support from: the ETH Competence Center “Coping with
Crises in Complex Socio-Economic Systems” (CCSS) through ETH Research Grant CH1-01-08-
2; the European Commission FP7 FET Open Project “FOC” No. 255987.
References

[1] Barabási A, Albert R (1999) Emergence of scaling in random networks. Science 286: 509.

[2] Schweitzer F, Fagiolo G, Sornette D, Vega-Redondo F, Vespignani A, et al. (2009)

Economic networks: The new challenges. Science 325: 422-425.

[3] Fagiolo G, Reyes J, Schiavo S (2009) World-trade web: Topological properties, dynamics,
and evolution. Phys Rev E 79: 36115.

[4] Hidalgo C, Hausmann R (2009) The building blocks of economic complexity. Proc Natl
Acad Sci 106: 10570.

[5] Boss M, Elsinger H, Summer M, Thurner S (2004) Network topology of the interbank
market. Quant Financ 4: 677–684.

[6] Iori G, De Masi G, Precup O, Gabbi G, Caldarelli G (2008) A network analysis of the Italian
overnight money market. J Econ Dyn Control 32: 259–278.

[7] Bonanno G, Caldarelli G, Lillo F, Mantegna RN (2003) Topology of correlation-based min-

imal spanning trees in real and model markets. Phys Rev E 68: 046130.

[8] Strogatz S (2001) Exploring complex networks. Nature 410: 268–276.

[9] Battiston S, Catanzaro M (2004) Statistical properties of corporate board and director
networks. Eur Phys J B 38: 345–352.

[10] Kogut B, Walker G (2001) The small world of germany and the durability of national
networks. Amer Sociol Rev 66: 317–335.

[11] Glattfelder JB, Battiston S (2009) Backbone of complex networks of corporations: The flow
of control. Phys Rev E 80.

[12] Granovetter M (1995) Ind. Corp. Change, Oxford University Press, chapter Coase Revisited:
Business Groups in the Modern Economy.

[13] O’Brien D, Salop S (1999) Competitive Effects of Partial Ownership: Financial Interest and
Corporate Control. Antitrust Law J 67: 559.

[14] Gilo D, Moshe Y, Spiegel Y (2006) Partial cross ownership and tacit collusion. RAND J
Econ 37: 81–99.

[15] Allen F, Gale D (2000) Financial contagion. J Polit Econ 108: 1–33.

[16] Stiglitz JE (2010) Risk and global economic architecture: Why full financial integration
may be undesirable. Working Paper 15718, NBER.
http://www.nber.org/papers/w15718.
[17] Brioschi F, Buzzacchi L, Colombo M (1989) Risk capital financing and the separation of
ownership and control in business groups. J Bank Financ 13: 747–772.

[18] Baldone S, Brioschi F, Paleari S (1998) Ownership Measures Among Firms Connected by
Cross-Shareholdings and a Further Analogy with Input-Output Theory. 4th JAFEE Inter-
national Conference on Investment and Derivatives .

[19] Dietzenbacher E, Temurshoev U (2008) Ownership relations in the presence of cross-

shareholding. J Econ 95: 189–212.

[20] Williamson O (1975) Markets and hierarchies, analysis and antitrust implications: a study
in the economics of internal organization. Free Press, New York.

[21] Broder A, Kumar R, Maghoul F, Raghavan P, Rajagopalan S, et al. (2000) Graph structure
in the Web. Comput Netw 33: 309–320.

[22] Atkinson A, Bourguignon F (2000) Handbook of income distribution. Elsevier.

[23] Santos J, Rumble A (2006) The American keiretsu and universal banks: Investing, voting
and sitting on nonfinancials’ corporate boards. J Finan Econ 80: 419–454.

[24] Battiston S, Delli Gatti D, Gallegati M, Greenwald B, Stiglitz J (2009) Liaisons dangereuses:
Increasing connectivity, risk sharing and systemic risk. Working Paper 15611, NBER.

[25] Alesandri P, Haldane A (2009). Banking on the state. Speech given at the Bank of Eng-
land. http://www.bankofengland.co.uk/publications/speeches/2009/speech409.pdf.
Available at

[26] May R, Levin S, Sugihara G (2008) Ecology for bankers. Nature 451: 893–895.

[27] La Porta R, de Silanes FL, Shleifer A (1999) Corporate ownership around the world. J
Finance 54: 471–517.

[28] Colizza V, Flammini A, Serrano M, Vespignani A (2006) Detecting rich-club ordering in

complex networks. Nat Phy 2: 110–115.

[29] Garlaschelli D, Capocci A, Caldarelli G (2007) Self-organized network evolution coupled to

extremal dynamics. Nat Phys 3: 813–817.
 Supporting Information:
The Network of Global Corporate Control

Stefania Vitali, James B. Glattfelder and Stefano Battiston

Chair of Systems Design, ETH Zurich, Kreuzplatz 5, 8032 Zurich, Switzerland

Contents

1 Acronyms and Abbreviations 12

2 Data and TNC Network Detection 13

3 Network Control 16
3.1 The Existing Methodology..............................................................................................16
3.2 The Algorithm: Computing Control While Remedying the Problems...........................18
3.3 Proving the BFS Methodology Corrects for Cycles.......................................................20
3.4 An Illustrated Example....................................................................................................22
3.5 Relations To Previous Work............................................................................................24

4 Degree and Strength Distribution Analysis 25

5 Connected Component Analysis 26

6 Bow-Tie Component Sizes 28

7 Strongly Connected Component Analysis 29

8 Network Control Concentration 31

8.1 Control of Financial Institutions.................................................................................31
8.2 Relation to the Rich Club Phenomenon..........................................................................32
8.3 Top Control-Holders Ranking.........................................................................................32

9 Additional Tables 34
11
12
 S. Vitali, J.B. Glattfelder, and S. Battiston:
The network of global corporate control

1 Acronyms and Abbreviations

The list of acronyms and abbreviations used in the main text and this Supporting Online
Material:

BFS: breadth-first search (search algorithm)

CC: (weakly) connected component
FS: financial sector
IN: in-section of a bow-tie
LCC: largest CC
LM: linear model (for estimating control from ownership; see also RM and TM)
NACE: (industry standard classification system )
OCC: other connected components (everything outside the LCC)
OECD: Organization for Economic Co-operation and Development
OR: operating revenue
OUT: out-section of a bow-tie
PC: participated company
RM: relative model (for estimating control from ownership; see also LM and TM)
SCC: strongly connected component (in the main text, this is synonymous with the core of the
bow-tie in the LCC)
SH: shareholder (economic actors holding shares in TNCs)
TCH: top control-holder (list of TNCs and SHs that together hold 80% of the network control)
TM: threshold model (for estimating control from ownership; see also LM and RM)
TNC: transnational corporation (OECD definition)
T&T: tubes and tendrils (sections in a bow-tie that either connect IN and OUT, are outgoing
from IN, or ingoing to OUT, respectively)

12/36
2 Data and TNC Network Detection

The Orbis 2007 marketing database ∗ comprises about 37 million economic actors, both phys-
ical persons and firms located in 194 countries, and roughly 13 million directed and weighted
ownership links (equity relations). Among many others, information on the industrial classifica-
tion, geographical position and operating revenue of the actors are provided. This data set is
intended to track control relationships rather than patrimonial relationships. Whenever available,
the percentage of ownership refers to shares associated with voting rights.
The definition of TNCs given by the OECD[1] states that they

[...] comprise companies and other entities established in more than one country
and so linked that they may coordinate their operations in various ways, while one
or more of these entities may be able to exercise a significant influence over the
activities of others, their degree of autonomy within the enterprise may vary widely
from one multinational enterprise to another. Ownership may be private, state or
mixed.

Accordingly, we select those companies which hold at least 10% of shares in companies
located in more than one country. However, many subsidiaries of large TNCs fulfill
themselves this definition of TNCs (e.g. The Coca-Cola Company owns Coca-Cola Hellenic
Bottling Company which in turn owns Coca-Cola Beverages Austria). Since for each
multinational group we are interested in retaining only one representative, we exclude from
the selection the companies for which the so-called ultimate owner (i.e., the owner with the
highest share at each degree of ownership upstream of a company∗) is quoted in a the stock
market. In substitution, we add the quoted ultimate owner to the list (if not already included).
In the example above, this procedure identifies only the Coca-Cola Company as a TNC.
Overall we obtain a list of 43060 TNCs located in 116 different countries, with 5675 TNCs
quoted in stock markets.
Starting from the list of TNCs, we explore recursively the neighborhood of companies in the
whole database. First, we proceed downstream of the TNCs (see Fig. S1) with a breadth-first
search (BFS) and we identify all companies participated directly and indirectly by the TNCs.
We then proceed in a similar way upstream identifying all direct and indirect shareholders of the
TNCs. The resulting network can be divided into three classes of nodes, TNC, SH and PC, as
shown in Fig. S2. The TNC network constructed in this way consists of 600508 economic entities
and 1006987 corporate relations. Notice that it may be possible to reach a PC from several TNCs,
or to reach a TNC from several SHs. In other words, paths proceeding downstream or upstream
of the TNCs may overlap, giving rise to CCs of various sizes.
It is worthwhile to distinguish the data set constructed here from the one analysed in [5], which
was not obtained using a recursive search, but with the simple method of collecting only listed

∗
URL: http://www.bvdep.com/en/ORBIS.
A

Figure S1: Illustration of the first two steps in the recursive exploration downstream of a TNC.
Starting from “Benetton Group” the BFS explores all the direct neighbors (A), and then the
neighbors’ neighbors (B).

companies and their direct shareholders. This method neglects all indirect paths involving non-
listed companies, so that the true ownership network was only approximated. Moreover, 48
countries were analysed separately, ignoring all cross-country links, an approach which inevitably
leaves out entirely the global structure of ownership. The aim there was to construct disjoint
national stock market networks, from which the backbones were extracted and analyzed. Here,
however, we focus on the entire global topology.
Figure S2: General structure of the TNC network. Three types of economic actors appear: 77456
SHs, 43060 TNCs and 479992 PCs. The network contains in total 600508 nodes, and 1006987
links. Links are mainly from the TNCs to the PCs and amongst the PCs themselves.
3 Network Control

In this section, we first recapitulate in detail the existing method for computing the value or
control in a network. In a second step, we highlight two problems that plague this approach,
especially in networks with bow-tie topology (see main text, Sec. Network Topology). The first is
that the control assigned to firms that are part of cross-shareholding structures is overestimated.
The second is a similar overestimation of the control of the shareholders who are themselves not
owned by others. These two problems require independent solutions. In particular, the second
problem was never raised before in the literature. We provide a novel algorithm that, for the first
time, solves both problems and allows the computation of control also for large networks. This
method represents a fundamental improvement to previous works, including our own one [5], as
explained below in details. Finally, we illustrate the problem and the corrections introduced by
the algorithm using a representative example of a small bow-tie network.

3.1 The Existing Methodology

While ownership is an objective quantity given by the percentage of shares owned in a company,
control, reflected in voting rights, can only be estimated using a model. There are two steps
involved in the derivation of the notion of control we use in this work. Firstly, direct control is
estimated from the direct ownership relations. Network control is then computed on the basis of
direct control considering all paths in the network.
For the computation of the direct control, we use three models: the linear model, applying the
one-share-one-vote rule [2, 3], the threshold model [4] and the relative control model [5]. In
the main part of the text, we denote these three models as LM, TM and RM, respectively.
According to the LM, there is no deviation between ownership and control, thus the direct
control matrix coincides with the ownership matrix, Lij = Wij. In the TM, full control over a
company is assigned to the actor holding a number of shares higher than a predefined threshold
(50% in our case), while the other holders are assigned zero control. The control matrix for the
threshold model is denoted as Tij. Finally, the RM assigns control based on the relative fraction
of ownership shares that each shareholder has (using a Herfindhal-like concentration index). The
Σk in
control matrix is defined as Rij := W 2i /( j Wl2 ) . In particular, the RM assigns high control
l=
j j
1
to a shareholder with a small share in absolute terms, if this share is significantly bigger than the
shares of all the other shareholders. For each of these three control matrices, network control is
computed with the same procedure. In the main text we use the TM as our main measure, and
compare all the results with the LM and the RM. It should be stressed that the global findings
are insensitive to the chosen model of direct control.
As explained in the main text, the value of the portfolio of firms owned directly by i should be
computed taking into account the value of the firms owned by the firms in the portfolio and so
on. Thus, the network portfolio value pnet
i consists of the value gained indirectly plus the value of
 Σ Σ
the direct portfolio: pi net = j Wijvj + j Wijpnetj . The vector v represents the intrinsic value of
the firms (e.g., operating revenue, total assets or market capitalization). Here we use
operating revenue, because it is readily available for the economic actors under investigation
and it is comparable across sectors (this is not true for total assets). In analogy to the
definition above, we introduce the network control (value) [5]. This quantity measures the
value controlled by a shareholder taking into account the network of firms in which it has
direct or indirect shares. In matrix notation,
cnet = Ccnet + Cv, (1)
where C ∈ {L, T, R} is one of the three direct control matrices. The solution to Eq. (1) is given
by
cnet = (I − C)−1Cv =: C˜v. (2)
For the matrix (I − C) to be non-negative and non-singular, a sufficient condition is that the
Frobenius root of C is smaller than one, λ(C) < 1. This is ensured by the following
Σ
requirement: in each strongly connected component S there exists at least one node j such
that i∈S Cij < 1. This means that there exists no subset of k firms (k = 1, . . . , n) that are
entirely controlled by the k firms themselves, a condition which is always fulfilled.
By taking the series expansion of (I − C)−1, it can be proven that: C(I − C)−1 = (I − C)−1C.
As a consequence, C˜ in Eq. (2) coincides with the solution to the equation
Σ
C˜ij = Cij + C˜ik Ckj . (3)
k

This is corresponds to the definition of integrated ownership given in [6]. Hence, as in [5], we
can interpret cnet as the value of control an economic actor gains from all its direct and indirect
paths in the network.
Notice that Eq. (1) is related to the notion of eigenvector centrality used to investigate power
and influence both in social and economic networks [7, 8]. There is also an additional
interpretation of network control in terms a physical system in which a quantity is flowing
along the links of the network [5]. In this picture, nodes associated with a value vj produce vj
units of the quantity at time t = 1. The weight of a link ij, given by the adjacency matrix entry
Aij, determines the fraction of vj that flows through it. Then the inflow, i.e. the flow φi
entering the node i from each node j at time t is the fraction Aij of the quantity produced by j
plus the same fraction of the inflow of j:
Σ Σ
φi(t + 1) =j Aijφi(t) +j
Aijvj, (4)
In matrix notation, at the steady state, this yields
φ = Aφ + Av, (5)
which is formally identical to Eq. (1). Thus if v corresponds to an intrinsic economic value of the
nodes, then the network control corresponds to the inflow of control over this value. The network
portfolio value of a node is determined by the total inflow of value entering the node.
Next to network control, a related quantity is the so-called network value
vnet = Cvnet + v, (6)
which is akin to a Hubbell index centrality measure [9]. This measure is well-established in the
literature [6]. The solution is vnet = (I − C)−1v. By noting that
Cvnet = C(I − C)−1v = C˜v, (7)
we find

vnet = C˜v + v = cnet + v. (8)

In other words, the network value of an economic actor is given by its intrinsic value plus the
value gained from network control. It is an estimate of the overall value a corporation has in
an ownership network. Notice that network value and network control of a company can differ
considerably. As an example, Wall Mart is in top rank by operating revenue but it has no equity
shares in other TNCs and thus its network control is zero. In contrast, a small firm can acquire
enormous network control via shares in corporations with large operating revenue.
From Eq. (7), where cnet = C˜v = Cvnet, network control can either be understood as the value of
control gained from the intrinsic value reachable by all direct and indirect paths or the value of
control given by the network value of directly controlled firms.

3.2 The Algorithm: Computing Control While Remedying the Problems

Unfortunately, the equations defining network control and network value suffer from three draw-
backs. Firstly, the computation overestimates control when there are cycles in the network (for
example in an SCC†), i.e., when the number of inter-firm cross-shareholdings grows [10]. Sec-
ondly, as we have discovered, it also leads to paradoxical situations. Consider for instance an
SCC that is reachable from a single root-node r that owns an arbitrarily small share in one
of the firms in the SCC. The above definition assigns to such a node the sum of the intrinsic
value of all the nodes in the SCC. This is obviously not a correct estimate of the control of
the node r. These two issues are best understood in the flow analogy. Indeed, in a dense SCC
control flows through the nodes many times. The smaller the incoming links from the IN are the
longer it takes until the flow stops, as, in the steady state, everything ultimately flows to and
accumulates in the root-nodes. However, since control corresponds to the total inflow over an
infinite time this exaggerates the control of the nodes in the SCC and all the control ultimately
flows to the root-nodes. Thirdly, for large networks, the computation of the inverse matrix can
be intractable. Here, for the first time, we overcome the aforementioned problems and propose a
new methodology that consists of applying an algorithm to compute network control by treating
different components of the network separately.

†
For more information see SI Sec. 7.
We first illustrate the algorithm for the computation of vnet. Then cnet = vnet − v. In order to
calculate the network value for any specific node i, we extract the whole subnetwork that is
downstream of a node i, including i. For this purpose, a breadth-first-search (BFS) returns the
set of all nodes reachable from i, going in the direction of the links. Then, all the links among
these nodes are obtained from the control matrix of the entire network, except for the links
pointing to i which are removed. This ensures that there are no cycles involving i present in the
subnetwork. Let B(i) denote the adjacency matrix of such a subnetwork, including i, extracted
from the control matrix C = (L, T, R). Without loss of generality, we can relabel the nodes so
that i = 1. Since node 1 has now no incoming links, we can decompose B = B(1) as follows:
B=. Σ, (9)
0d
˙0 Bsub
where d is the row-vector of all links originating from node 1, and Bsub is associated with the
subgraph of the nodes downstream of i. The value of these nodes is given by the column-vector
vsub. By replacing the the matrix B in the expression vnet = C˜v + v = C(I − C)−1v + v and taking
the first component we obtain:
Σ Σ
vnet(1) = B(I − B)−1v + v11
= d(I sub − B sub )−1 v sub + v1 =: d˜ · v sub + v1 , (10)

where now cnet (1) := d˜ · v sub = d(I sub − B sub )−1 v sub .

Notice that if node i has zero in-degree, this procedure yields the same result as the previous
formula: B˜(i,∗) = (0, d˜) = C˜ ∗) . The notation A(i,∗) for a matrix is understood as taking its i-th
(i,
row. In the next section it is shown that our calculation is in fact equivalent to the correction
proposed by [10] to address the problems of the overestimation of network value in the case of
ownership due to the presence of cycles.
However, both methods still suffer from the problem of root nodes accumulating all the control.
This issue was previously overlooked because the cases analysed did not have a bow-tie structure
and because the focus was not on the empirical analysis of control. To solve this issue, we adjust
our algorithm to pay special attention to the IN-nodes of an SCC. We partition the bow-tie
associated with this SCC into its components: the IN (to which we also add the T&T), the
SCC itself, and the OUT. Then, we proceed in multiple steps to compute the network value
for all parts in sequence. In this way, the control flows from the OUT, via the SCC to the IN.
Finally, the network control is computed from the network value as cnet = vnet − v. In detail, our
algorithm works as follows:

1. OUT: Compute the network value vnet(i) for all the nodes in the OUT using Eq. (10).

2. OUT → SCC: Identify the subset S1 of nodes in the SCC pointing to nodes in the OUT,
the latter subset denoted as O. To account for the control entering the SCC from the OUT,
 Σ
compute the network value of these selected nodes by applying vnet(s) = o Csovnet (o)
+vs to them. This is an adaptation of Eq. 8, where s and o are labels of nodes in S1 and
O, respectively. Note that we only needed to consider the direct links for this. This
computation is also equivalent to applying Eq. (10), which considers the downstream
subnetworks of S1, i.e., the whole OUT.

3. SCC: Employ Eq. (10) to the SCC-nodes restricting the BFS to retrieve only nodes in
the SCC itself. Note that for those SCC-nodes that were already considered in step 2,
their network value is now taken as the intrinsic value in the computation. This means
one first needs to assign vi ›→ vnet(i) + vi.

4. SCC → IN: In this step we solve the problem of the root-nodes acquiring an
exaggerated fraction of the network
Σ value. For the subset of IN-nodes I directly
net net
connected to some SCC-nodes S2, we again apply v (i) = s Cisv (s) + vi, where i and
s are labels of nodes in I and S2, respectively. However, note that due to the cycles
present in the SCC, this computation is not equivalent to Eq. (10). In this way only the
share of network value over the SCC which is not owned by other SCC-nodes is
transferred to the IN-nodes.

5. IN: Finally, use Eq. (10) for assigning the network value to the nodes in the IN-subnetwork.
In this case the BFS should not consider the SCC-nodes since their value has been already
transfer-ed to their first neighbors in the IN. However, it should retrieve the T&T departing
from the IN. Again, for the IN-nodes treated in step 4, first assign vi ›→ vnet(i) + vi.

Notice that if any part of the bow-tie structure contains additional smaller SCCs, these should
be treated first, by applying steps two to four.
This dissection of the network into its bow-tie components also reduces the computational
prob- lems. Although we perform a BFS for each node and compute the inverse of the
resulting adja- cency matrix of the subnetwork as seen in Eq. (10), the smaller sizes of the
subnetworks allow faster computations.
To summarize, using one of the three adjacency matrices estimating direct control, C ∈ {L, T,
R}, we can compute the corresponding network value for a corporation: ivnet. By deducting the
operating revenue, we retrieve the network control: ci net. Operating revenue is taken for the value
of the TNCs (vi). Fig. S3 shows the distribution of the operating revenue of the TNCs and the
resulting network value.

3.3 Proving the BFS Methodology Corrects for Cycles

Here we show that the BFS algorithm presented in the last section yields an equivalent com-
putation proposed in the literature to address the problems of the presence of cycles leading to
exaggerated network value.
 0
10

−1

cumulative distribution function

10

−2
10

−3
10

−4
10

−5
10 0 1
2 3 4 5 7 8 9 10
6
10 10 10 10 10 10 10 10 10 10 10
network control / operating revenue (TNC)

cnet
Operating revenue of TNC

Figure S3: Cumulative distribution function of network control and operating revenue. The
net- work control (TM) in the LCC and the operating revenue of the TNCs in the LCC, from
which it is computed, is shown.

In [6] the notion of network value was introduced based on ownership which corresponds, in the
case of control, to
vnet = C˜v + v, (11)
which in [10] was identified as being problematic. The authors hence introduced a new model
which overcomes this problem of exaggerated indirect value in presence of cycles by introducing
Σ
Cˆij := Cij + Cˆik Ckj . (12)
kƒ=i

This means that the original matrix C defined in Eq. (3) is corrected by removing all indirect self-
loops of any node i. If the network has no cycles, then Eqs. (3) and (12) yield identical solutions.
We introduce here for the first time a correction operator, that incorporates this modification
and makes the associated computations clearer

D := diag((I − C)−1)−1 = I − diag(Cˆ), (13)

where diag(A) is the matrix of the diagonal of the matrix A. It can be shown that

Cˆ = DC˜. (14)

The associated corrected network value can be identified as

vˆnet = Dv net = Cˆv + Dv. (15)

Figure S4: Simple bow-tie network topology. Example with a high degree of interconnectedness
of the firms in the strongly connected component (SCC).

Our proposed methodology also corrects for cycles in an equivalent way. This can be seen as
follows. By applying the BFS algorithm to node i, we extract the adjacency matrix B(i) of the
subnetwork of nodes downstream. From Eq. (12) it holds by construction that

B˜ (i)ij = Cˆij − Cˆii , (16)

where B˜ (i) is defined equivalently to Eq. (2). In a more compact notation

B˜ (i)i∗ = Cˆi∗ − [diag(Cˆ)]i∗ . (17)

Employing Eq. (13) we find that B˜ (i)i∗ + Ii∗ = Cˆi∗ + Di∗ , or equivalently

Cˆi∗ v + Di∗ v = Di∗ (C˜i∗ v + vi ) = Di∗ v net =: (18)

i
vˆnet
= B˜i∗ (i)v + vi = cnet (i) + vi =: v net (i). (19)
This concludes that our BFS method and the results in [10] are identical: vˆ
i
net
= v net (i).

3.4 An Illustrated Example

Consider the network illustrated in Figure S4. It is an example of a simple bow-tie network
topology. The SCC is constructed in a way to highlight the problem of cross-shareholdings.
Hence there are many cycles of indirect ownership originating and ending in each firm in the
core of the bow-tie.
We assume the underlying value of each firm to be one, i.e., v = (1, 1, 1, 1, 1, 1)t, where t
denotes the transposition operation. Moreover, we will employ the TM, hence Cij = Wij. This
results in the network value and the integrated value to be
 
6
 50
 27 
vnet =  , (20)
 49 
 
 55 
1
using Eq. (8).
Σ
So although the total value present in the network is 6 = i vi, firm 5 has an disproportionately
large network control of v5net = 54, highlighting the problem of overestimating the control in the
presence of cycles.
Employing the corrections proposed in [10], i.e. by computing the correction operator defined in
Eq. (13), one finds
 
1 . 0 0 0 0 0
0
D= 0 . (21)
 0 00
 0 0.1 0 0 0 0 
00
0 0 0.1 0 0 0
From this, the corrected values can be computed
62 from Eq. (15)
 
6.000
 5.000 
 net
4.378
vˆ = .
 (22)4.667

 4.714

1.000

The correction reduces the values of the firms in the core of the bow-tie by approximately one
order of magnitude. This confirms that vˆnet and cˆnet are indeed the right measures to consider in
the presence of SCCs in the network.
Unfortunately, this example also highlights the second problem of the methodology. It is clear,
that root nodes accumulating all the control. As mentioned, our proposed algorithm remedies
this problem while still correcting for the overestimation in cycles. One finds from Eq. (10)
that  

vnet(1) 
1.500
vnet(2) 
vnet(3)
 net 5.000  ,
 4.378 (23)
=
net 

 vv (4)
net
(6) 
 4.714
4.667

 v 

 1.000
(5) 
illustrating the change from v net = vˆnet = 6 ≥ v net (1) = 1.5.
1 1
To summarize, employing vnet for the computation of control in networks with bow-tie topology
overestimates the level of control in the SCC by construction. Using vˆnet on the other hand
always assigns the root nodes the highest control. Only the measure vnet(.) puts root and SCC-
nodes on par with each other and the leaf-nodes, allowing for the first time an accurate
analysis of the control of each node in the network.
3.5 Relations To Previous Work

To summarize, the relation the existing work is as follows. The notion of network value‡ was
introduced in [6], in addition to the integrated ownership matrix. This matrix was later corrected
in [10].
The notion of network control was first defined in [5] without any of the corrections described
above. Because the networks analysed there comprised only listed companies and their direct
shareholders, it was sufficient to apply the uncorrected methodology due to the absence of long
indirect paths, see SI Sec. 3. In contrast, in the present work, the full-fledged methodology with
all the corrections is required in order to consistently compute the flow of control. This resulted in
the introduction of the correction operator and its application to the network value and network
control. As mentioned, this allowed us to identify a second problem with the methodology.
Subsequently, we have incorporated these insights into an algorithm that is suitable for large
networks, correcting all potential problems with computing control. Finally, we also uncover the
relationship between network control and network value.

‡
Although the authors only considered the case of ownership and not that of control, their methods are
equivalent to the definition of control employing the LM.
4 Degree and Strength Distribution Analysis

The study of the node degree refers to the distribution of the number of in-going and out-going
relations. The number of outgoing links of a node corresponds to the number of firms in which
a shareholder owns shares. It is a rough measure of the portfolio diversification. The in-degree
corresponds to the number of shareholders owning shares in a given firm. It can be thought of as
a proxy for control fragmentation. In the TNC network, the out-degree can be approximated by
a power law distribution with the exponent -2.15 (see Fig. S5A). The majority of the economic
actors points to few others resulting in a low out-degree. At the same time, there are a few nodes
with a very high out-degree (the maximum number of companies owned by a single economic
actor exceeds 5000 for some financial companies). On the other hand, the in-degree distribution,
i.e., the number of shareholders of a company, behaves differently: the frequency of nodes with
high in-degree decreases very fast. This is due to the fact that the database cannot provide all
the shareholders of a company, especially those that hold only very small shares.
Σ
Next to the study of the node degree, we also investigate the strength which is defined as j
Wij, that is, the sum of all the weighed participations a company i has in other companies j
(see Fig. S5B). It is a measure of the weight connectivity and gives information on how
strong the ownership relationships of each node are.

A B
0 0
10 10
in−degree  = −1.62
out−degree
−1   = −1.15
10 −1
10
cumulative distribution function

cumulative distribution function

−2
10
−2
10
−3
10
−3
10
−4
10

−4
10
−5
10

−5
−6 10
10 0 1 2 3 4
10 10 10 10 10 0 1 2 3 4 5
degree 10 10 10 10 10 10
strength degree

Figure S5: Various distribution functions. (A) Cumulative distribution function of the in- and out-
degree of the nodes in the LCC (log-log scale). The power-law exponent for the corresponding
probability density function of the out-degree is estimated to be -2.15. (B) Cumulative distribu-
tion function of the node strength in the LCC (log-log scale). As a reference, a power-law with
an exponent of −1.62 is displayed.
5 Connected Component Analysis

Ownership relations between companies create formal ties among them. In a strongly
connected component (SCC, see SI Sec. 7), all firms reach via an ownership pathway all
other firms, thus owning each other indirectly to some extent. In contrast, in a weakly CC
firms can reach each other only if one ignores the direction of the ownership links. This is
still a situation of interest from an economic point of view because the flow of knowledge
and information is not restricted by the direction of the link. The number and the size
distribution of the CC provide a measure of the fragmentation of the market. We find that the
TNC network consists of 23825 CC. A majority of the nodes (77%) belong to the LCC
(largest connected component) with 463006 economic actors and 889601 relations. The
remaining nodes belong to CCs with sizes at least 2000 times smaller. The second largest CC
contains 230 nodes and 90% of the CC have less than 10 nodes (see Fig. S6).
From a geographical point of view, the LCC includes companies from 191 countries. Of these,
15491 are TNCs (about 36% of all TNCs but accounting for 94.2% of the total operating
revenue) from 83 different countries. The firms that are PCs are much more numerous (399696)
and are located in only 38 countries. Finally, there are 47819 SHs from 190 countries. This means
that shareholders from all around the world hold shares in TNCs located in a more restricted
number of countries, which, in turn, further concentrates their ownership shares of PCs in an even
smaller number of countries, mainly Europe and the US.
In addition, a sector analysis of the LCC shows that the most represented industries are the

0
10
 = −2.13
cumulative distribution function

−1
10

−2
10

−3
10

−4
10
0 1 2
10 10 10
size of connected components

Figure S6: Cumulative distribution function of the size of the connected components. The data
point representing the LCC is not shown, as it is three orders of magnitude larger than second
largest (with 230 nodes) and completely offset. As a comparison, a power-law with exponent
−3.13 (= α − 1) is shown.
business activities sector, with 130587 companies, followed by the services sector with 99839
companies and the manufacturing sector with 66212 companies. On the other hand, surprisingly,
the financial intermediaries sector counts only 46632 companies. However, if we distinguish be-
tween in-going and out-going relations, the financial intermediaries hold the largest number of
shares (341363). Instead, the manufacturing and services sectors, with respectively 182699 and
170397 companies, have the companies with the most shareholders.
6 Bow-Tie Component Sizes

Does a bow-tie structure and the relative size of its IN, OUT and core result from specific
economic mechanisms, or could it be explained by a random network formation process? For
correlated networks, as in our case, there is no suitable theoretical prediction [11]. Heuristically,
one could address the issue by performing a random reshuffling of links. However, this would
violate economic constraints. For instance, exchanging a 10% ownership share in a small
company with 10% in a big one requires the modification of the budget of the owner. In addition,
the procedure is computationally cumbersome for large data sets.
7 Strongly Connected Component Analysis

Cross-shareholdings, or strongly connected components (SCCs) in graph theory, are sub-network

structures where companies own each other directly or indirectly through a chain of links (see
Fig. S7). Graphically speaking, this means that they form cycles and are all reachable by every
other firm in the SCC.
In economics, this kind of ownership relation has raised the attention of different economic insti-
tutions, such as the antitrust regulators (which have to guarantee competition in the markets),
as well as that of the companies themselves. They can set up cross-shareholdings for coping
with possible takeovers, directly sharing information, monitoring and strategies reducing market
competition.
In our sample we observe 2219 direct cross-shareholdings (4438 ownership relations), in which
2303 companies are involved and represent 0.44% of all the ownership relations (see Fig. S7A).
These direct cross-shareholdings are divided among the different network actors as follow:

• 861 between TNCs;

• 563 between TNCs and PCs;

• 717 between PCs;

• 78 between SHs.

When there is a cross-shareholding involving three companies (see an example in Fig. S7B),
many combinations of indirect paths are possible. In our network we observe the following ones:

• 829 of the type: A → B → C → A;

• 4.395 of the type: A ↔ B → C → A;

• 8.963 of the type: A ↔ B ↔ C → A;

• 3.129 of the type: A ↔ B ↔ C ↔ A.

 B C
A

Figure S7: Examples of existing cross-shareholdings. (A) Mutual cross-shareholding. (B)

Possible cross-shareholding with three nodes. (C) Cross-shareholding of higher degree.

Next to these simple examples, we also find many SCCs with bigger sizes. Note that smaller
SCCs can be embedded in bigger ones. For instance, in the SCC in Fig. S7C there is also one
cross-shareholding between the nodes CI and Ctt. In total there are 915 unique SCCs, of which
almost all (83.7%) are located in the LCC. Focusing only on the LCC, there is one dominant
SCC: it is comprised of 1318 companies in 26 countries. We define the bow-tie structure in the
LCC by taking this SCC as its core (in the main text, we only refer to this SCC). The next
smallest SCC contains 286 companies. This is a group of Taiwanese firms located in the OUT
of the bow-tie. The remaining 99.7% of SCCs in the LCC have sizes between two and 21. The
biggest SCC outside the LCC contains 19 firms.
8 Network Control Concentration

8.1 Control of Financial Institutions

One meaning of control in the corporate finance literature is the frequency by which a shareholder
is able to influence the firm’ strategic decision during the official voting [12]. Differently, in
this work, by control we mean how much economic value of companies a shareholder is able
to influence. Moreover, we did not limit our focus on the control of a shareholder of a single
firm. Instead, we look at the control each shareholder has over its whole portfolio of directly
and indirectly owned firms. As a result, the shareholders with a high level of control are those
potentially able to impose their decision on many high-value firms. The higher a shareholder’s
control is, the higher its power to influence the final decision. In this sense, our notion of control
can be related to Weber’s definition of “power”, i.e. the probability of an individual to be able to
impose their will despite the opposition of the others [13].
In the literature on corporate control there is a debate on weather financial institutions really
exert the control associated with their ownership shares. On the one hand, they are not
supposed to seek an active involvement in the companies’ strategies. However, some works
argue that institutional investors, including banks and mutual funds, do exert control to some
extent [14, 15, 16, 17]. In particular, the outcome of votes can be influenced by means of
informal discussions, in which pro-management votes are used as a bargaining chip (e.g., in
exchange of business related “favors” or in negotiating the extension of credit) §. On the
contrary, [18] and [19] find that mutual funds, which typically hold large blocks of shares,
vote against the management (i.e., in favor of corporate governance proposals) only 33% of
the times (in the case of Fidelity Fund). However, they do so in more than 60%, on average,
in other 11 cases analysed. These results are suggested to originate mainly from a conflict of
interest, where the benefits of providing pension plan management to client corporations
outweighs the possible benefits gained from increased shareholder value. However, while
some mutual funds are reticent to exercise their power during voting mainly in the US, an
activist stance is observed for some smaller funds and when operating outside the US [19]. In
any case, in our study US mutual funds represent only a small fraction of all global financial
institutions. In general, 49 mutual funds, identified by the NACE code 6714, are among the
737 top power-holders (see main text, Sec. Concentration of Control).

§
For example, a mutual fund owning some percent of a large corporation may try to impose job cuts because of
a weak economic situation. This can happen: (i) without voting and (ii) although the fund does not plan to keep
these shares for many years. In this case, the influence of the mutual fund has a direct impact on the company and
its employees. Furthermore, mutual funds with shares in many corporations may try to pursue similar strategies
across their entire portfolio.
8.2 Relation to the Rich Club Phenomenon

The so-called rich club phenomenon [20, 21] refers to the fact that in some complex networks
the nodes with the highest degree tend to be connected among each other. Being based solely
on node degree, rich club indices are not suitable for ownership networks, in which indirect and
weighted paths matter. Moreover, in order to benchmark the resulting value of rich club indices,
it is usually necessary to reshuffle the links in the network. This would be a problem in our
network because it would lead to economically unviable ownership networks. Notice, however,
that the core of the TNC network could be seen as a generalization of the rich club phenomenon
with control in the role of degree. Thus, future work should look into this issue more in depth.

8.3 Top Control-Holders Ranking

This is the first time a ranking of economic actors by global control is presented. Notice that
many actors belong to the financial sector (NACE codes starting with 65,66,67) and many of
the names are well-known global players. The interest of this ranking is not that it exposes
unsuspected powerful players. Instead, it shows that many of the top actors belong to the core.
This means that they do not carry out their business in isolation but, on the contrary, they
are tied together in an extremely entangled web of control. This finding is extremely important
since there was no prior economic theory or empirical evidence regarding whether and how top
players are connected. Finally, it should be noted that governments and natural persons are only
featured further down in the list.
Table S1: Top 50 control-holders. Shareholders are ranked by network control (according to the
threshold model, TM). Column indicate country, NACE industrial sector code, actor’s position in
the bow-tie sections, cumulative network control. Notice that NACE code starting with 65,66,67
belong to the financial sector.

Ra Economic actor name Coun NACE Netwo Cumul.

nk try code rk network
positio control (TM,
n %)
1 BARCLAYS PLC GB 6512 S 4.05
C
C
2 CAPITAL GROUP COMPANIES INC, THE US 6713 IN 6.66
3 FMR CORP US 6713 IN 8.94
4 AXA FR 6712 S 11.21
C
C
5 STATE STREET CORPORATION US 6713 S 13.02
C
C
6 JPMORGAN CHASE & CO. US 6512 S 14.55
C
C
7 LEGAL & GENERAL GROUP PLC GB 6603 S 16.02
C
C
8 VANGUARD GROUP, INC., THE US 7415 IN 17.25
9 UBS AG CH 6512 S 18.46
C
C
10 MERRILL LYNCH & CO., INC. US 6712 S 19.45
C
C
11 WELLINGTON MANAGEMENT CO. L.L.P. US 6713 IN 20.33
12 DEUTSCHE BANK AG DE 6512 S 21.17
C
C
13 FRANKLIN RESOURCES, INC. US 6512 S 21.99
C
C
14 CREDIT SUISSE GROUP CH 6512 S 22.81
C
C
15 WALTON ENTERPRISES LLC US 2923 T 23.56
&
T
16 BANK OF NEW YORK MELLON CORP. US 6512 IN 24.28
17 NATIXIS FR 6512 S 24.98
C
C
18 GOLDMAN SACHS GROUP, INC., THE US 6712 S 25.64
C
C
19 T. ROWE PRICE GROUP, INC. US 6713 S 26.29
C
C
20 LEGG MASON, INC. US 6712 S 26.92
C
C
21 MORGAN STANLEY US 6712 S 27.56
C
C
22 MITSUBISHI UFJ FINANCIAL GROUP, INC. JP 6512 S 28.16
 C
C
23 NORTHERN TRUST CORPORATION US 6512 S 28.72
C
C
24 SOCIÉTÉ GÉNÉRALE FR 6512 S 29.26
C
C
25 BANK OF AMERICA CORPORATION US 6512 S 29.79
C
C
26 LLOYDS TSB GROUP PLC GB 6512 S 30.30
C
C
27 INVESCO PLC GB 6523 S 30.82
C
C
28 ALLIANZ SE DE 7415 S 31.32
C
C
29 TIAA US 6601 IN 32.24
30 OLD MUTUAL PUBLIC LIMITED COMPANY GB 6601 S 32.69
C
C
31 AVIVA PLC GB 6601 S 33.14
C
C
32 SCHRODERS PLC GB 6712 S 33.57
C
C
33 DODGE & COX US 7415 IN 34.00
34 LEHMAN BROTHERS HOLDINGS, INC. US 6712 S 34.43
C
C
35 SUN LIFE FINANCIAL, INC. CA 6601 S 34.82
C
C
36 STANDARD LIFE PLC GB 6601 S 35.2
C
C
37 CNCE FR 6512 S 35.57
C
C
38 NOMURA HOLDINGS, INC. JP 6512 S 35.92
C
C
39 THE DEPOSITORY TRUST COMPANY US 6512 IN 36.28
40 MASSACHUSETTS MUTUAL LIFE INSUR. US 6601 IN 36.63
41 ING GROEP N.V. NL 6603 S 36.96
C
C
42 BRANDES INVESTMENT PARTNERS, L.P. US 6713 IN 37.29
43 UNICREDITO ITALIANO SPA IT 6512 S 37.61
C
C
44 DEPOSIT INSURANCE CORPORATION OF JP 6511 IN 37.93
JP
45 VERENIGING AEGON NL 6512 IN 38.25
46 BNP PARIBAS FR 6512 S 38.56
C
C
47 AFFILIATED MANAGERS GROUP, INC. US 6713 S 38.88
C
C
48 RESONA HOLDINGS, INC. JP 6512 S 39.18
C
C
49 CAPITAL GROUP INTERNATIONAL, INC. US 7414 IN 39.48
50 CHINA PETROCHEMICAL GROUP CO. CN 6511 T 39.78
&
T
9 Additional Tables

Table S2: Number of top control-holders (TCHs) located in the SCC and being members of the
financial sector (FS). Various intersections thereof. The columns refer to the three models of
network control and the TM of network value.

cnet (L # c (T # c (R # vnet (TM,

n ne
M, ) et M, ) t M, ) #)
TCH 76 737 648 1791
3
TCH∩TNC 30 298 259 1241
TCH∩TNC∩SCC 8 147 122 211
TCH∩SCC∩FS 15 115 92 140
1
11
6

Table S3: Concentration of 80% of network control (LM, TM, RM) and network value (TM).
The percentages refer to the network controlvalue held by the TCHs according to their location
in the SCC and their possible belonging to the FS, and various intersections thereof.

cnet (LM, c (TM, c (R vnet (TM, %)

n ne
%) et %) t M)
TCH∩TNC 54.8 54.6 52.9 63.3
TCH∩TNC∩SCC 7 3 4 4
TCH∩SCC∩FS 39.5 38.3 37.2 30.3
4 7 9 7
36.5 35.3 34.9 24.3
8 7 0 6

Table S4: Probability that a randomly chosen economic actor (TNC or SH) belongs to the group
of top control-holders with respect to its position in the network structure. The first column refers
to all top control-holders (TCHs), the second column to the first 50 TCH.

All First 50 TCH

TCH
IN 6.233% 0.273%
SC 49.831% 11.525%
C
OU 0.432% 0%
T
T& 0.413% 0.002%
 T
OC 0.016% 0%
C

References

1. OECD (2000) The OECD Guidelins for Multinational Enterprises (www.oecd.org).

 2. Goergen, M, Martynova, M, Renneboog, L (2005) Corporate governance convergence:
evidence from takeover regulation reforms in Europe. Oxford Rev. Econ.Pol. 21:243–268.

3. The Deminor Group (2005) Application of the one share - one vote principle in
europe., (http://www.abi.org.uk/Bookshop/), Technical report.

4. La Porta, R, de Silanes, FL, Shleifer, A (1999) Corporate ownership around the world. J.
Finance 54:471–517.

5. Glattfelder, JB, Battiston, S (2009) Backbone of complex networks of corporations: The

flow of control. Phys. Rev. E 80.

6. Brioschi, F, Buzzacchi, L, Colombo, M (1989) Risk capital financing and the separation
of ownership and control in business groups. J. Bank. Financ. 13:747–772.

7. Bonacich, P (1987) Power and centrality: A family of measures. Amer. J. Sociol. pp

1170–1182.

8. Ballester, C, Calvo-Armengol, A, Zenou, Y (2006) Who’s who in networks. wanted: the

key player. Econometrica pp 1403–1417.

9. Hubbell, C (1965) An input-output approach to clique identification. Sociometry pp 377–

399.

10. Baldone, S, Brioschi, F, Paleari, S (1998) Ownership Measures Among Firms Connected
by Cross-Shareholdings and a Further Analogy with Input-Output Theory. 4th JAFEE
International Conference on Investment and Derivatives.

11. Dorogovtsev, S, Mendes, J, Samukhin, A (2001) Giant strongly connected component of

directed networks. Phys. Rev. E 64:25101.

12. Davis, G (2008) A new finance capitalism? Mutual funds and ownership re-concentration
in the United States. Europ. Manage. Rev. 5:11–21.

13. Weber, M (1922) Wirtschaft und Gesellschaft, Tübingen. Max Weber im Kontext. InfoS-
oftWare Karsten Worm, Berlin 2.

14. Santos, J, Rumble, A (2006) The American keiretsu and universal banks: Investing, voting
and sitting on nonfinancials’ corporate boards. J. Finan. Econ. 80:419–454.

15. Becht, M, Bolton, P, Röell, A, Roosevelt, A (2005) Corporate governance and control.
NBER.

16. Gillan, S, Starks, L (2000) Corporate governance proposals and shareholder activism: The
role of institutional investors. J. Finan. Econ. 57:275–305.
 17. Davis, G, Thompson, T (1994) A social movement perspective on corporate control.
Admin. Sci. Quart. 39:141–173.

18. Davis, G, Kim, E (2007) Business ties and proxy voting by mutual funds. J. Finan. Econ.
85:552–570.

19. Davis, G (2008) A new finance capitalism? Mutual funds and ownership re-concentration
in the United States. Euro. Manage. Rev. 5:11–21.

20. Colizza, V, Flammini, A, Serrano, M, Vespignani, A (2006) Detecting rich-club ordering

in complex networks. Nat. Phy. 2:110–115.

21. Fagiolo, G, Reyes, J, Schiavo, S (2009) World-trade web: Topological properties,

dynamics, and evolution. Phys. Rev. E 79:36115.

Сеть глобального корпоративного контроля

Стефания Виталий1, Джеймс Б. Глатфельдер1 и Стефано Баттистон

1 Кафедра системного проектирования, ETH Zurich, Kreuzplatz 5, 8032 Цюрих, Швейцария,

ycorresponding author, email: sbattiston@ethz.ch

Абстрактные

Структура контрольной сети транснациональных корпораций влияет на конкуренцию на

мировом рынке и финансовую стабильность. До настоящего времени изучались только
небольшие национальные образцы, и не было соответствующей методологии для оценки
контроля в глобальном масштабе. Мы представляем первое исследование архитектуры
международной сети собственности, а также расчет контроля, проводимого каждым глобальным
игроком. Мы находим, что транснациональные корпорации образуют гигантскую структуру
галстуков-бабочек и что большая часть контроля переходит в небольшое тесно связанное ядро
финансовых институтов. Это ядро можно рассматривать как экономическое «сущность», которое
поднимает новые важные проблемы как для исследователей, так и для разработчиков политики.
Введение

Общую интуицию среди ученых и в средствах массовой информации считают, что в мировой
экономике доминирует несколько мощных транснациональных корпораций (ТНК). Однако это
не было подтверждено или отклонено с явными номерами. Количественное исследование не
является тривиальной задачей, поскольку фирмы могут осуществлять контроль над другими
фирмами через сеть прямых и косвенных отношений собственности, которая распространяется
на многие страны. Поэтому необходим комплексный сетевой анализ [1], чтобы выявить
структуру управления и его последствия. В последнее время экономические сети привлекли все
большее внимание [2], например, сети торговли [3], продукты [4], кредит [5, 6], цены на акции
[7] и советы директоров [8, 9]. В этой литературе также были проанализированы сети прав
собственности [10, 11], но она не учитывала структуру контроля на глобальном уровне. Даже в
литературе по корпоративному управлению были изучены только небольшие национальные
бизнес-группы [12]. Разумеется, интуитивно понятно, что каждая крупная корпорация имеет
пирамиду дочерних компаний ниже и несколько акционеров выше. Однако экономическая
теория не предлагает модели, которые предсказывают, как ТНК глобально соединяются друг с
другом. Можно сформулировать три альтернативные гипотезы. ТНК могут оставаться
изолированными, группироваться в разделенных коалициях или образовывать гигантский
связный компонент, возможно, с структурой сердцевины-периферии. До сих пор этот вопрос
оставался без внимания, несмотря на его важные последствия для разработки политики.
Действительно, взаимные отношения между фирмами в одном секторе могут в некоторых
случаях ставить под угрозу рыночную конкуренцию [13, 14]. Более того, связи между
финансовыми учреждениями признаны неоднозначными для их финансовой хрупкости [15, 16].
Проверка на
 

AB

CD

Рисунок 1: Собственность и контроль. (A & B) Прямое и косвенное владение. (A) Фирма i имеет
долю Wij от прямого владения в фирме j. Через j он также имеет косвенное владение в k и l. (B)
С циклами нужно учитывать рекурсивные пути, см. Приложение С. Си. 3.1. (C & D) Пороговая
модель. (C) Процент владения указывается по ссылкам. (D) Если акционер имеет право
собственности превышать порог (например, 50%), он имеет полный контроль (100%), а
остальные не имеют (0%). Более консервативная модель управления также рассмотрена см.
Приложение С.И., гл. 3.1.

в какой степени эти последствия имеют место в мировой экономике, сама по себе является
неизведанной областью исследований и выходит за рамки этой статьи. Однако необходимым
предварительным условием для таких исследований является раскрытие всемирной структуры
корпоративного управления. Это никогда не выполнялось раньше, и это цель настоящей работы.
методы

Собственность относится к лицу или фирме, владеющей другой фирмой полностью или
частично. Пусть W обозначает матрицу собственности, где компонент Wij ∈ [0, 1] - процент
владения, который владелец (или акционер) держит в фирме j. Это соответствует
ориентированному взвешенному графику с фирмами, представленными как узлы и связями с
собственностью в качестве ссылок. Если, в свою очередь, фирма j владеет акциями фирмы Wjl
фирмы l, то фирма i имеет косвенное владение фирмой l (рис. 1 A). В простейшем случае это
количество
 

тривиально к продукту акций прямого владения WijWjl. Если мы теперь рассмотрим

экономическую ценность фирм (например, операционный доход в долларах США), то сумма
Wijvj связана с i в прямом случае и WijWjlvl в косвенном случае. Это вычисление может быть
распространено на общий граф, с некоторыми важными предостережениями [17, С. Приложение,
гл. 3.1 и 3.2]. Каждый акционер имеет право на долю твердых доходов (дивидендов) и голос в
процессе принятия решений (например, права голоса на собраниях акционеров). Таким образом,
чем больше доля собственности Wij в фирме, тем больше связанный с ней контроль,
обозначаемый как Cij. Интуитивно, контроль соответствует шансам увидеть собственные
интересы, преобладающие в бизнес-стратегии фирмы. Контроль Cij обычно вычисляется из
права собственности Wij с простым пороговым правилом: у мажоритарного акционера есть
полный контроль. В примере на рис. 1 C, D это дает Cijvj = 1 vj в прямом случае и CijCjlvl = 0 в
косвенном случае. В качестве проверки надежности мы проверили также более консервативные
модели, в которых меньшинства сохраняют некоторый контроль (см. Приложение СИ, раздел
3.1). По аналогии с собственностью расширение общего графа является понятием сетевого
управления:
 
cnet = Σj
 
Cijvj + Σj
 
Cijcnet. Это суммирует значение, контролируемое i через его доли в j,
 
плюс значение, контролируемое косвенно через управление сетью j. Таким образом, управление
сетью имеет
значение общей суммы экономической ценности, над которой я влияю (например, cnet = vj + vk
на фиг.1D). Из-за косвенных связей, потоки контроля вверх по течению от многих фирм и могут
привести к тому, что некоторые акционеры становятся очень мощными. Однако, особенно на
графиках со многими циклами (см. Рис. 1 B и S4), вычисление cnet в основной формулировке,
подробно описанной выше, сильно переоценивает контроль, назначенный субъектам в двух
случаях: фирмы, которые являются частью циклов (или пересекаются -элементные структуры) и
акционеров, находящихся выше по течению от этих структур. Иллюстрация проблемы на
примере простой сети, а также подробные сведения о методе приведены в Приложении С.И., гл.
3.2 - 3.4. Частичное решение для малых сетей было представлено в [18]. Предыдущие работы над
крупными сетями управления использовали другой метод построения сети и полностью
игнорировали эту проблему [11, Приложение СИ, гл. 2 и 3.5]. В этой статье, опираясь на [11], мы
разработали новую методологию для преодоления проблемы переоценки управления, которая
может быть использована для вычисления управления в крупных сетях.
Результаты

Мы начинаем с списка из 43060 ТНК, определенных в соответствии с определением ОЭСР,

взятым из выборки из примерно 30 миллионов экономических субъектов, содержащихся в базе
данных Orbis 2007 (см. Приложение SI, раздел 2). Затем мы применяем рекурсивный поиск (рис.
S1 и приложение СИ, раздел 2), в котором впервые, насколько нам известно, выделяется сеть
всех путей собственности, происходящих из ТНК и указывающих на них (рис. S2). В результате
сеть TNC включает в себя 600508 узлов и 1006987 связей собственности.
 B
A

C D

Figure 2:
Рисунок 2: Сетевая топология. (A) Галстук-бабочка состоит из секционного (IN), наружного
(OUT), сильно соединенного компонента или сердечника (SCC), а также труб и усиков (T & T).
(B) Структура связки с наибольшим подключенным компонентом (LCC) и другими связанными
компонентами (OCC). Объем каждого раздела логарифмически масштабируется с долей
операционных доходов ТНК. В паритете доля операционных доходов и количество ТНК, cfr.
Таблица 1. (C) Схема SCC SCC (1318 узлов и 12191 ссылок). Размер шкалы узлов
логарифмически зависит от дохода от операции, цвета узла с управлением сетью (от желтого до
красного). Весы весов Link Link. (D) Увеличить масштаб некоторых основных ТНК в
финансовом секторе. Некоторые циклы выделены.
Обратите внимание, что этот набор данных принципиально отличается от тех, которые были
проанализированы в [11] (в которых рассматривались только перечисленные компании в
отдельных странах и их прямых акционерах). Здесь нас интересует
 
Таблица 1: Статистика боев. Процент от общего операционного дохода TNO (OR) и количества
(#) узлов в разделах смычка (аббревиатуры приведены на рисунке 2). Типы экономических
субъектов: акционеры (SH), участвующие компании (ПК).
TNC (#) SH (#) ПК (#) ИЛИ (%)
LCC 15491 47819 399696 94,17
В 282 5205 129 2,18
SCC 295 0 1023 18,68
OUT 6488 0 318073 59.85
Т & Т 8426 42614 80471 13.46
OCC 27569 29637 80296 5,83

в настоящей глобальной сети владения, и многие ТНК не являются зарегистрированными

компаниями (см. также Приложение СИ, раздел 2).
Топология сети

Для вычисления управления требуется предварительный анализ топологии. Что касается

возможностей подключения, сеть состоит из множества небольших подключенных компонентов,
но самая большая (3/4 всех узлов) содержит все основные ТНК по экономическим показателям,
что составляет 94,2% от общего дохода от ТНК (Tbl 1) , Помимо обычной сетевой статистики
(рис. S5, S6), две топологические свойства наиболее важны для фокуса этой работы. Во-первых,
изобилие циклов длины два (взаимные перекрестные владения) или выше (рис. S7 и приложение
СИ, раздел 7), которые являются хорошо изученными мотивами корпоративного управления
[19]. Обобщение - это сильно связанный компонент (SCC), т. Е. Набор фирм, в которых каждый
член владеет напрямую и / или косвенно участвует в каждом другом члене. Такие структуры,
пока наблюдаемые только в небольших образцах, имеют такие пояснения, как стратегии борьбы
с поглощением, сокращение транзакционных издержек, разделение рисков, увеличение доверия
и групп интересов [20]. Однако, независимо от его происхождения, это ослабляет рыночную
конкуренцию [13, 14]. Вторая характеристика заключается в том, что наибольший компонент
соединения содержит только один доминирующий сильно связанный компонент (1347 узлов).
Таким образом, аналогично WWW, сеть TNC имеет структуру лука-бабочки [21] (см. Рис. 2 A и
приложение СИ, раздел 6). Его особенность заключается в том, что сильносвязанный компонент
или сердечник очень мал по сравнению с другими участками луковицы, и что вырез значительно
больше, чем в разрезе, а трубки и усики (рис.2 B и Tbl. 1). Ядро также очень плотно соединено,
причем члены, в среднем, привязаны к 20 другим членам (рис. 2 C, D). В результате около 3/4
собственности на фирмы в основном остается в руках фирм самого ядра. Другими словами, это
сплоченная группа корпораций, которые совокупно держат основную долю друг друга.
Обратите внимание, что в межстрановом анализе [11] было обнаружено, что лишь некоторые из
национальных сетей собственности являются связующими звеньями, и, что важно, для
англосаксонских стран, основные сильно связанные компоненты являются большими по
сравнению с сетью размер.
Концентрация контроля

Топологический анализ, проведенный до сих пор, не учитывает разнообразную экономическую

ценность фирм. Таким образом, мы вычисляем сетевой контроль, согласно которому
экономические субъекты (включая ТНК) получают прибыль от стоимости ТНК (операционный
доход), и мы рассматриваем вопрос о том, насколько этот контроль сконцентрирован и кто
является владельцем верхнего контроля. См. Рис. S3 для распределения контрольных и
операционных доходов.
Следует отметить, что хотя ученые уже давно измеряют концентрацию богатства и дохода [22],
предварительная количественная оценка контроля отсутствует. Построение кривой Лоренца
(рис.3) позволяет идентифицировать долю η * верхних держателей, составляющую кумулятивно
80% от общего сетевого контроля. Таким образом, чем меньше эта доля, тем выше
концентрация. В принципе, можно ожидать, что неравенство контроля будет сопоставимо с
неравенством доходов между домохозяйствами и фирмами, поскольку акции большинства
корпораций являются общедоступными на фондовых рынках. Напротив, мы обнаруживаем, что
только 737 верхних держателей накапливают 80% контроля над стоимостью всех ТНК (см.
Также список 50 лучших держателей в Tблице S1 Приложения СИ, раздел 8.3).
Соответствующий уровень концентрации η1 * = 0,61% для сравнения с η2 * = 4,35% для
операционного дохода. Другие разумные сравнения включают: распределение доходов в
развитых странах с η3 * ~ 5% -10% [22] и корпоративный доход в Fortune1000 (η4 * ~ 30% в 2009
году). Это означает, что управление сетью гораздо более неравномерно распределено, чем
богатство. В частности, высшие игроки имеют контроль в десять раз больше, чем можно
ожидать, исходя из их богатства. Результаты являются надежными по сравнению с моделями,
используемыми для оценки контроля, см. Рис.3 и Tbls. S2, S3.
обсуждение

Тот факт, что контроль сильно сконцентрирован в руках нескольких топ-менеджеров, не

определяет, связаны ли они и как они взаимосвязаны. Только комбинируя топологию с
ранжированием управления, мы получаем полную характеристику структуры управления.
Первый вопрос, на который мы сейчас можем ответить, - это то, где главные актеры
расположены в галстуке-бабочке. Поскольку читатель может теперь подозревать,
могущественные актеры, как правило, принадлежат к ядру. Фактически, местоположение ТНК в
сети имеет значение. Например, случайно выбранный TNC в сердечнике имеет около 50%
вероятность того, что он также находится среди верхних держателей, по сравнению с, например,
6% для секвена (Tbl S4). Второй вопрос касается того, какая доля общего контроля над каждым
компонентом смычка. Мы обнаруживаем, что, несмотря на небольшие размеры, ядро содержит
коллективную значительную часть общего сетевого управления. В частности, почти 4/10
контроля над экономической стоимостью ТНК в мире проводится через сложную сеть
отношений собственности группой из 147 ТНК в ядре, которая почти полностью контролирует
себя. Таким образом, верхние держатели в ядре можно рассматривать как экономическую
«сущность» в глобальной сети корпораций. Важным дополнительным фактом на этом этапе
является то, что 3/4 основного являются финансовыми посредниками. На рисунке 2 D показано
небольшое подмножество известных финансовых игроков и их ссылок, дающее представление
об уровне запутывания всего ядра.
 cnet (LM) cnet (TM) cnet (RM)
v (Op. Re.)

Рисунок 3: Концентрация сетевого контроля и операционных доходов. Экономические субъекты

(ТНК и акционеры) сортируются по нисходящей важности, как указано в cnet. Точка данных,
расположенная в точке (η, θ), соответствует фракции η главных экономических субъектов,
кумулятивно удерживающей долю θ сетевого контроля, стоимости или операционного дохода.
Различные кривые относятся к управлению сетью, вычисленному с тремя моделями (LM, TM,
RM), см. Приложение SI, раздел. 3.1 и операционный доход. Горизонтальная линия обозначает
значение θ, равное 80%. Уровень концентрации определяется значением η пересечения между
каждой кривой и горизонтальной линией. Масштаб является полу-журналом.
Этот замечательный вывод поднимает по крайней мере два вопроса, которые имеют
основополагающее значение для понимания функционирования мировой экономики. Во-первых,
каковы последствия глобальной финансовой стабильности? Известно, что финансовые
учреждения создают финансовые контракты, такие как кредитные или кредитные деривативы, с
несколькими другими учреждениями. Это позволяет им диверсифицировать риск, но в то же
время он также подвергает их заражению [15]. К сожалению, информация об этих контрактах
обычно не раскрывается по стратегическим причинам. Однако в разных странах существование
таких финансовых связей коррелирует с существованием отношений собственности [23]. Таким
образом, в предположении, что структура сети собственности является хорошим прокси-
сервером для финансовой сети, это означает, что глобальная финансовая сеть также очень
сложна. Недавние работы показали, что когда финансовая сеть очень плотно связана, она
подвержена системному риску [24, 16]. Действительно, хотя в хорошие времена сеть, казалось
бы, надежна, в плохие времена фирмы одновременно сталкиваются с бедствиями. Это ножевое
свойство [25, 26] было засвидетельствовано во время недавних финансовых потрясений.
Во-вторых, каковы последствия для рыночной конкуренции? Поскольку многие ТНК в ядре
имеют перекрывающиеся сферы деятельности, тот факт, что они связаны отношениями
собственности, может
 

облегчить формирование блоков, что затруднит рыночную конкуренцию [14]. Примечательно,

что существование такого ядра на мировом рынке никогда не документировалось до этого, и
поэтому до сих пор ни одно научное исследование не демонстрирует или исключает, что это
международное «супер-сущность» когда-либо выступало в качестве блока. Однако некоторые
примеры показывают, что это не маловероятный сценарий. Например, в предыдущих
исследованиях показано, как даже небольшие перекрестные властные структуры на
национальном уровне могут влиять на рыночную конкуренцию в таких секторах, как авиация,
автомобилестроение и сталь, а также финансовые [14, 13]. В то же время антимонопольные
учреждения во всем мире (например, Управление честной торговли Великобритании)
внимательно следят за сложными структурами собственности в пределах своих национальных
границ. Тот факт, что международные наборы данных, а также методы обработки больших сетей
стали доступны только совсем недавно, может объяснить, как этот вывод может остаться
незамеченным так долго.
Two issues are worth being addressed here. One may question the idea of putting together
data of ownership across countries with diverse legal settings. However, previous empirical work
shows that of all possible determinants affecting ownership relations in different countries (e.g.,
tax rules, level of corruption, institutional settings, etc.), only the level of investor protection is
statistically relevant [27]. In any case, it is remarkable that our results on concentration are robust
with respect to three very different models used to infer control from ownership. The second issue
concerns the control that financial institutions effectively exert. According to some theoretical
arguments, in general, financial institutions do not invest in equity shares in order to exert control.
However, there is also empirical evidence of the opposite [23, SI Appendix, Sec. 8.1]. Our results
show that, globally, top holders are at least in the position to exert considerable control, either
formally (e.g., voting in shareholder and board meetings) or via informal negotiations.
Beyond the relevance of these results for economics and policy making, our methodology
can be applied to identify key nodes in any real-world network in which a scalar quantity
(e.g., resources or energy) flows along directed weighted links. From an empirical point of
view, a bow- tie structure with a very small and influential core is a new observation in the
study of complex networks. We conjecture that it may be present in other types of networks
where “rich-get-richer” mechanisms are at work (although a degree preferential-attachment
[1] alone does not produce a bow-tie). However, the fact that the core is so densely connected
could be seen as a generalization of the “rich-club phenomenon” with control in the role of
degree [28, 3, SI Appendix, Sec. 8.2]. These related open issues could be possibly understood
by introducing control in a “fitness model”
[29] of network evolution.

Acknowledgments

We acknowledge F. Schweitzer and C. Tessone for valuable feedback, D. Garcia for generating
the 3D figures, and the program Cuttlefish used for networks layout.
Authors acknowledge the financial support from: the ETH Competence Center “Coping with
Crises in Complex Socio-Economic Systems” (CCSS) through ETH Research Grant CH1-01-08-
2; the European Commission FP7 FET Open Project “FOC” No. 255987.
Вспомогательная информация:
Сеть глобального корпоративного контроля

Стефания Витали, Джеймс Б. Глатфельдер и Стефано Баттистон

Кафедра системного дизайна, ETH Цюрих, Kreuzplatz 5, 8032 Цюрих, Швейцария
содержание
1 Сокращения и сокращения 12
2 Обнаружение сети данных и TNC 13
3 Управление сетью 16
3.1 Существующая методология 16
3.2 Алгоритм: управление вычислением при устранении проблем 18
3.3. Определение методологии BFS для циклов 20
3.4 Иллюстрированный пример 22
3.5 Отношения к предыдущей работе 24
Анализ распределения и прочности 4 25
5 Подключенный компонентный анализ 26
6 Размеры компонентов лука-галстука 28
7 Анализ сильно связанных компонентов 29
8 Концентрация сетевого управления 31
8.1 Контроль финансовых институтов 31
8.2. Отношение к феномену Rich Club 32
8.3 Верхний контроль-держатели Рейтинг 32
9 Дополнительные таблицы 34

1 Сокращения и сокращения

Список сокращений и аббревиатур, используемых в основном тексте, и этот вспомогательный

онлайн-материал:

BFS: поиск в ширину (алгоритм поиска) CC: (слабо) компонент связности

FS: финансовый сектор
IN: в разрезе луковицы LCC: наибольшая CC
LM: линейная модель (для оценки контроля за владением, см. Также RM и TM) NACE:
(стандартная система классификации)
OCC: другие связанные компоненты (все, что находится за пределами LCC) ОЭСР: Организация
экономического сотрудничества и развития ИЛИ: операционные доходы
OUT: изгиб носового галстука ПК: участвовала компания
RM: относительная модель (для оценки контроля за владением, см. Также LM и TM)
SCC: сильно связанный компонент (в главном тексте это синонимично ядро смычка в LCC)
SH: акционер (экономические субъекты, владеющие акциями ТНК)
TCH: верхний держатель (список ТНК и SH, которые вместе удерживают 80% сетевого
управления) TM: пороговая модель (для оценки контроля от владения, см. Также LM и RM)
ТНК: транснациональная корпорация (определение ОЭСР)
T & T: трубки и усики (секции в галстуке-бабочке, которые либо подключают IN, и OUT,
являются исходящими от IN или входящими в OUT, соответственно)
2 Обнаружение сети данных и TNC
Маркетинговая база данных Orbis 2007 * включает около 37 миллионов экономических
субъектов, как физических лиц, так и фирм, расположенных в 194 странах, и примерно 13
миллионов направленных и взвешенных отношений собственности (отношения справедливости).
Среди многих других представлена информация о промышленной классификации,
географическом положении и операционных доходах участников. Этот набор данных
предназначен для отслеживания отношений управления, а не родовых отношений. Когда это
возможно, процент собственности относится к акциям, связанным с правом голоса.
В определении ТНК, представленном ОЭСР [1], говорится, что они
[...] включают компании и другие организации, созданные в более чем одной стране, и поэтому
связаны с тем, что они могут координировать свою деятельность по-разному, в то время как
одно или несколько из этих субъектов могут оказывать значительное влияние на деятельность
других лиц, их степень автономии внутри предприятия может широко варьироваться от одного
многонационального предприятия к другому. Собственность может быть частной,
государственной или смешанной.
Соответственно, мы выбираем компании, которые владеют не менее чем 10% акций компаний,
расположенных в более чем одной стране. Однако многие дочерние компании крупных ТНК
выполняют свое определение ТНК (например, компания Coca-Cola владеет Coca-Cola Hellenic
Bottling Company, которая, в свою очередь, владеет Coca-Cola Beverages Austria). Поскольку для
каждой многонациональной группы мы заинтересованы в сохранении только одного
представителя, мы исключаем из отбора компании, для которых так называемый конечный
владелец (т. Е. Владелец с наибольшей долей при каждой степени собственности выше по
течению от компании *) цитируется на фондовом рынке. Взамен мы добавим цитированного
конечного владельца в список (если он еще не включен). В приведенном выше примере эта
процедура идентифицирует только компанию Coca-Cola как ТНК. В целом мы получаем список
43060 ТНК, расположенных в 116 разных странах, с 5675 ТНК, котирующимися на фондовых
рынках.
Исходя из списка ТНК, мы рекурсивно исследуем окрестности компаний во всей базе данных.
Во-первых, мы отправляемся вниз по течению от ТНК (см. Рис. S1) с поиском по ширине (BFS),
и мы идентифицируем все компании, участвующие прямо или косвенно ТНК. Затем мы
проводим аналогичный путь вверх по течению, идентифицируя всех прямых и косвенных
акционеров ТНК. Результирующая сеть может быть разделена на три класса узлов, TNC, SH и
ПК, как показано на рисунке S2. Сеть ТНК, построенная таким образом, состоит из 600508
хозяйствующих субъектов и 1006987 корпоративных отношений. Обратите внимание, что можно
получить доступ к ПК из нескольких ТНК или получить TNC от нескольких SH. Другими
словами, пути, идущие вниз по течению или выше по течению от ТНК, могут перекрываться, что
приводит к возникновению CCs различных размеров.
Стоит отличить построенный здесь набор данных от анализируемого в [5], который не был
получен с использованием рекурсивного поиска, но с простым методом сбора только
перечисленных компаний и их прямых акционеров. Этот метод пренебрегает всеми косвенными
путями, связанными с компаниями, не включенными в список, поэтому истинная сеть владения
была только приблизительной. Более того, 48 стран были проанализированы отдельно,
игнорируя все межстрановые связи, подход, который неизбежно оставляет полностью
глобальную собственность собственности. Цель, в которой не было выделено и
проанализировано магистрали. Здесь, однако, мы фокусируемся на всей глобальной топологии.

Рисунок S1: Иллюстрация первых двух шагов в рекурсивной разведке вниз по течению от
ТНК. Начиная с «Benetton Group», BFS исследует всех прямых соседей (A), а затем соседей
соседей (B).
Figure S2: Рисунок S2: Общая структура сети TNC. Появляются три типа экономических
субъектов: 77456 SHs, 43060 TNC и 479992 ПК. Сеть содержит в общей сложности 600508
узлов и 1006987 ссылок. Ссылки связаны главным образом с ТНК на ПК и самими ПК.

3 Управление сетью

В этом разделе мы вначале детально рассмотрим существующий метод вычисления значения

или управления в сети. На втором этапе мы выделяем две проблемы, которые наносят ущерб
этому подходу, особенно в сетях с топологией лука-бабочки (см. Основной текст, раздел Сетевая
топология). Во-первых, переоценивается контроль, назначенный фирмам, входящим в состав
перекрестных властных структур. Вторая - аналогичная переоценка контроля над акционерами,
которые сами не принадлежат другим. Эти две проблемы требуют независимых решений. В
частности, вторая проблема никогда не поднималась раньше в литературе. Мы предлагаем
новый алгоритм, который в первый раз решает обе проблемы и позволяет вычислять управление
также для больших сетей. Этот метод представляет собой фундаментальное усовершенствование
предыдущих работ, в том числе нашего собственного [5], как подробно объяснено ниже.
Наконец, мы проиллюстрируем проблему и поправки, введенные алгоритмом, используя
репрезентативный пример небольшой сети лук-галстук.

Существующая методология

Хотя право собственности является объективным количеством, определяемым процентной долей

акций, принадлежащих компании, контроль, отраженный в правах голоса, может оцениваться
только с использованием модели. В выводе понятия управления, которое мы используем в этой
работе, предпринимаются два шага. Во-первых, прямой контроль оценивается по прямым
отношениям собственности. Сетевое управление затем вычисляется на основе прямого
управления с учетом всех путей в сети.
Для вычисления прямого управления мы используем три модели: линейную модель,
применяющую правило одноразового голосования [2, 3], пороговую модель [4] и модель
относительного управления [5]. В основной части текста мы обозначаем эти три модели как LM,
TM и RM соответственно. Согласно LM, нет никакого отклонения между владением и
контролем, поэтому матрица прямого управления совпадает с матрицей собственности Lij = Wij.
В ТМ полный контроль над компанией присваивается актеру, держащему несколько акций выше
предопределенного порога (50% в нашем случае), а другим держателям назначается нулевой
контроль. Управляющая матрица для пороговой модели обозначается как Tij. Наконец, RM
присваивает управление, основанное на относительной доле владения акциями, которую имеет
каждый акционер (с использованием индекса концентрации, подобного Herfindhal).
 
контрольная матрица определяется как
 
Rij: = W 2 / (
 
в
J
л=1
 
2. В частности, RM назначает высокий контроль
 
акционеру с небольшой долей в абсолютном выражении, если эта доля значительно больше, чем
акции всех других акционеров. Для каждой из этих трех управляющих матриц сетевое
управление вычисляется с помощью той же процедуры. В основном тексте мы используем TM в
качестве нашей основной меры и сравниваем все результаты с LM и RM. Следует подчеркнуть,
что глобальные выводы нечувствительны к выбранной модели прямого управления.

Как поясняется в основном тексте, стоимость портфеля фирм, принадлежащих непосредственно

i, должна рассчитываться с учетом стоимости фирм, принадлежащих фирмам в портфеле, и так
далее. Таким образом, значение сетевого портфеля pnet состоит из значения, полученного
косвенно, плюс значение
 

прямой портфолио: pnet = Σj Wijvj + Σj Wijpnet. Вектор v представляет собой внутреннее

значение
фирмы (например, операционная выручка, общие активы или рыночная капитализация). Здесь
мы используем операционный доход, поскольку он легко доступен для исследуемых
экономических субъектов и сопоставим по секторам (это не относится к совокупным активам).
По аналогии с вышеприведенным определением мы вводим сетевой контроль (значение) [5]. Эта
величина измеряет стоимость, контролируемую акционером, с учетом сети фирм, в которой она
имеет прямые или косвенные акции. В матричной нотации,
cnet = Ccnet + Cv, (1)
где C ∈ {L, T, R} - одна из трех прямых управляющих матриц. Решение уравнения (1) дается
формулой
cnet = (I - C) -1Cv =: C~v. (2)
Для того чтобы матрица (I-C) была неотрицательной и неособой, достаточным условием
является то, что корень Фробениуса C меньше единицы, λ (C) <1. Это обеспечивается
следующим требованием: в каждом сильно связная компонента S существует хотя бы один узел j
такой, что i∈S Cij <1. Это означает, что не существует подмножества k фирм (k = 1, ..., n),
которые полностью контролируются самими фирмами k , условие, которое всегда выполняется.
Принимая разложение в ряд (I - C) -1, можно доказать, что: C (I - C) -1 = (I - C) -1C. Как
следствие, C~ в уравнении (2) совпадает с решением уравнения
C~ij = Cij + C~ikCkj. (3)
К
Это соответствует определению интегрированного владения, приведенному в [6].
Следовательно, как и в [5], мы можем интерпретировать cnet как ценность управления, которую
экономический субъект получает от всех своих прямых и косвенных путей в сети.
Заметим, что уравнение (1) связано с понятием центральной тенденции, используемой для
исследования власти и влияния как в социально-экономических сетях [7, 8]. Существует также
дополнительная интерпретация сетевого управления в терминах физической системы, в которой
количество протекает по линиям сети [5]. На этой картинке узлы, связанные со значением vj,
производят vj единиц величины в момент времени t = 1. Вес ссылки ij, заданный матричной
записью матрицы смежности Aij, определяет долю vj, которая проходит через нее. Затем приток,
т.е. поток φi, входящий в узел i из каждого узла j в момент времени t, является долей Aij
величины, создаваемой j, плюс та же доля притока j:
φi (t + 1) = Σ Aijφi (t) + Σ Aijvj, (4)
JJ
В матричной нотации в установившемся режиме это дает
φ = Aφ + Av, (5)
которая формально идентична уравнению (1). Таким образом, если v соответствует внутреннему
экономическому значению узлов, то управление сетью соответствует притоку управления этим
значением. Значение сетевого портфеля узла определяется суммарным притоком значения,
входящим в узел.
Рядом с управлением сетью соответствующее количество - это так называемое сетевое значение
vnet = Cvnet + v, (6)
что сходно с мерой центральности индекса Хаббелла [9]. Эта мера хорошо известна в литературе
[6]. Решение vnet = (I - C) -1v. Отметив, что
Cvnet = C (I-C) -1v = C~v, (7)
 
мы нашли
 

vnet = C~v + v = cnet + v. (8)

 
Другими словами, сетевое значение экономического субъекта определяется его внутренней
стоимостью плюс стоимость, полученная от сетевого контроля. Это оценка общей стоимости,
которую корпорация имеет в сети собственности. Обратите внимание, что сетевое значение и
сетевой контроль компании могут значительно различаться. Например, Wall Mart занимает
первое место по операционным доходам, но у него нет акций в других ТНК, и поэтому его
сетевой контроль равен нулю. Напротив, небольшая фирма может получить огромный контроль
над сетью через акции корпораций с большими операционными доходами.
Из уравнения (7), где cnet = C~v = Cvnet, управление сетью можно понимать как значение
контроля, полученного из внутренней стоимости, достигаемой всеми прямыми и косвенными
путями, или значение контроля, определяемое сетевым значением непосредственно
контролируемых фирм.

3.2 Алгоритм: управление вычислением при устранении проблем

К сожалению, уравнения, определяющие сетевой контроль и сетевое значение, страдают от трех
сокращений. Во-первых, вычисление завышает контроль, когда в сети существуют циклы
(например, в SCC †), т. Е. При увеличении количества межфирменных перекрестных долей [10].
Во-вторых, как мы выяснили, это также приводит к парадоксальным ситуациям. Рассмотрим,
например, SCC, доступный из одного корневого узла r, который владеет сколь угодно малой
долей в одной из фирм в SCC. Вышеприведенное определение присваивает такому узлу сумму
внутреннего значения всех узлов в SCC. Это, очевидно, не является правильной оценкой
управления узлом r. Эти два вопроса лучше всего понимаются в поточной аналогии.
Действительно, в плотном управлении SCC много раз протекает через узлы. Чем меньше
входящие ссылки из IN, тем больше времени требуется до тех пор, пока поток не остановится,
так как в устойчивом состоянии все в конечном итоге течет и накапливается в корневых узлах.
Однако, поскольку управление соответствует общему притоку в течение бесконечного времени,
это преувеличивает управление узлами в SCC, и все управление в конечном счете переходит к
корневым узлам. В-третьих, для больших сетей вычисление обратной матрицы может быть
трудноразрешимым. Здесь впервые мы преодолеваем вышеупомянутые проблемы и предлагаем
новую методологию, которая состоит в применении алгоритма для вычисления управления
сетью путем обработки различных компонентов сети по отдельности.

Сначала проиллюстрируем алгоритм вычисления vnet. Затем cnet = vnet - v. Чтобы вычислить
сетевое значение для любого конкретного узла i, мы извлекаем всю подсеть, расположенную
ниже узла i, включая i. Для этой цели поиск по ширине (BFS) возвращает набор всех узлов,
доступных из i, идущих в направлении ссылок. Затем все ссылки между этими узлами
получаются из управляющей матрицы всей сети, за исключением ссылок, указывающих на i,
которые удаляются. Это гарантирует, что в подсети нет циклов, связанных с i. Пусть B (i)
обозначает матрицу смежности такой подсети, включая i, извлеченную из управляющей
матрицы C = (L, T, R). Без ограничения общности мы можем перемаркировать узлы так, чтобы i
= 1. Так как узел 1 теперь не имеет входящих ссылок, мы можем разложить B = B (1) следующим
образом:
B =. Σ, (9)

где d - это вектор строки всех ссылок, происходящих из узла 1, а Bsub связан с подграфом узлов
ниже i. Значение этих узлов задается вектором-столбцом vsub. Заменив матрицу B в выражении
vnet = C~v + v = C (I - C) -1v + v и взяв первый компонент, получим:
vnet (1) = ΣB (I - B) -1vΣ + v1
= d (Isub - Bsub) -1vsub + v1 =: d~ • vsub + v1, (10) где теперь cnet (1): = d~ • vsub = d (Isub - Bsub)
-1vsub.
Обратите внимание, что если узел i имеет нулевую степень, эта процедура дает тот же результат,
что и предыдущий
формула: B~ (i, *) = (0, d~) = C~ *). Обозначение A (i, *) для матрицы понимается как взятие i-го
(я,
ряд. В следующем разделе показано, что наш расчет на самом деле эквивалентен исправлению,
предложенному [10], для решения проблем переоценки стоимости сети в случае собственности
из-за наличия циклов.
Однако оба метода по-прежнему страдают от проблемы корневых узлов, накапливающих весь
элемент управления. Этот вопрос ранее был упущен, поскольку проанализированные случаи не
обладали структурой лука-галстука и потому, что основное внимание уделялось не
эмпирическому анализу контроля. Чтобы решить эту проблему, мы корректируем наш алгоритм,
чтобы уделять особое внимание IN-узлам SCC. Мы разделяем смычок, связанный с этим SCC, на
его компоненты: IN (к которому мы также добавляем T & T), сам SCC и OUT. Затем мы
выполняем несколько шагов, чтобы вычислить сетевое значение для всех частей в
последовательности. Таким образом, управление переходит от OUT через SCC к IN. Наконец,
сетевой контроль вычисляется из сетевого значения как cnet = vnet - v. В деталях наш алгоритм
работает следующим образом:

1. OUT: вычислите сетевое значение vnet (i) для всех узлов в OUT, используя уравнение
(10).

2. 2. OUT → SCC: Определите подмножество S1 узлов в SCC, указывающее на узлы в OUT,

последнее подмножество обозначается как O. Для учета управления, входящего в SCC из
OUT,

3.  

4.

5. вычислить сетевое значение этих выбранных узлов, применяя vnet (s) = o Csovnet (o) + vs
к ним. Это адаптация уравнения 8, где s и o - метки узлов в S1 и O соответственно.
Обратите внимание, что нам нужно было только рассмотреть прямые ссылки для этого.
Это вычисление также эквивалентно применению уравнения (10), который рассматривает
нисходящие подсети S1, то есть весь OUT.

6. 3. SCC: Использовать уравнение. (10) к SCC-узлам, ограничивающим BFS для извлечения

только узлов в самом SCC. Обратите внимание, что для тех SCC-узлов, которые уже были
рассмотрены на шаге 2, их сетевое значение теперь принимается за внутреннее значение в
вычислении. Это означает, что сначала нужно назначить vi> → vnet (i) + vi.

7. 4. SCC → IN: на этом этапе мы решаем проблему корневых узлов, получающих

преувеличенную долю сетевого значения. Для подмножества IN-узлов I, непосредственно
связанных с некоторыми SCC-узлами S2, мы снова применяем v (i) = s Cisv (s) + vi, где i и
s - метки узлов в I и S2 соответственно. Однако обратите внимание, что из-за циклов,
присутствующих в SCC, это вычисление не эквивалентно уравнению (10). Таким образом,
только доля сетевого значения по сравнению с SCC, который не принадлежит другим
SCC-узлам, переносится на IN-узлы.

8. 5. IN: Наконец, используйте уравнение (10) для назначения сетевого значения узлам в IN-
подсети. В этом случае BFS не должен рассматривать SCC-узлы, поскольку их значение
уже передано их первым соседям в IN. Тем не менее, он должен получить T & T,
 выходящий из IN. Опять же, для IN-узлов, обработанных на шаге 4, сначала назначьте vi>
→ vnet (i) + vi.

9. Обратите внимание, что если какая-либо часть структуры лука-бабочки содержит

дополнительные меньшие SCC, их следует обрабатывать сначала, применяя шаги два-
четыре.

8.3 Это рассечение сети в ее компонентах луковицы также снижает вычислительные

проблемы. Хотя мы выполняем BFS для каждого узла и вычисляем обратный результат
полученной матрицы смежности подсети, как видно из уравнения (10), меньшие размеры
подсети позволяют быстрее вычислять.

8.4 Суммируя, используя одну из трех матриц смежности, оценивающих прямое управление,
C ∈ {L, T, R}, мы можем вычислить соответствующее сетевое значение для корпорации:
vnet. Вычитая операционный доход, мы получаем сетевой контроль: cnet. Операционные
доходы принимаются за стоимость ТНК (vi). На рисунке S3 показано распределение
операционных доходов ТНК и полученной сетевой стоимости.

8.5

8.6 3.3. Определение методологии BFS для циклов

8.7

8.8 Здесь мы показываем, что алгоритм BFS, представленный в последнем разделе, дает
эквивалентную схему, предложенную в литературе, для решения проблем присутствия
циклов, приводящих к преувеличенной сетевой ценности.
0
10

−1
cumulative distribution function

10

−2
10

−3
10

−4
10

−5
10 0 1
2 3 4 5
6 7 8 9 10
10 10 10 10 10 10 10 10 10 10 10

cnet
Operating revenue of TNC
 network control / operating revenue (TNC)

3 Figure S3: Рисунок S3: Совокупная функция распределения сетевого контроля и

операционного дохода. Показан контроль сети (TM) в LCC и операционный
доход TNC в LCC, из которого он вычисляется.
В [6] понятие сетевой ценности было введено на основе собственности, что соответствует, в
случае контроля,
vnet = C~v + v, (11)
который в [10] был назван проблематичным. Авторы, таким образом, представили новую
модель, которая преодолевает эту проблему преувеличенной косвенной ценности в присутствии
циклов путем введения
Cij: = Cij + CikCkj. (12)
kƒ = я
Это означает, что исходная матрица C, определенная в уравнении (3) исправляется путем
удаления всех непрямых собственных контуров любого узла i. Если в сети нет циклов, то
уравнения (3) и (12) дают одинаковые решения.
Введем здесь в первый раз оператор коррекции, который включает эту модификацию и делает
связанные вычисления более ясными
D: = diag ((I - C) -1) -1 = I - diag (C), (13)
где diag (A) - матрица диагонали матрицы A. Можно показать, что
C = DC~. (14)
Соответствующее исправленное сетевое значение может быть идентифицировано как
vnet = Dvnet = Cv + Dv. (15)
 

Рисунок S4:
Рисунок S4: Простая сетевая топология. Пример с высокой степенью взаимосвязанности фирм в
сильно связанном компоненте (SCC).

Наша предлагаемая методология также корректирует для циклов эквивалентным образом. Это
можно увидеть следующим образом. Применяя алгоритм BFS к узлу i, мы извлекаем матрицу
смежности B (i) подсети узлов вниз по течению. Из уравнения (12) оно строится тем, что
B~ (i) ij = Cij - Cii, (16)
где B~ (i) определяется эквивалентно уравнению (2). В более компактной нотации
B~ (i) i * = Ci * - [diag (C)] i *. (17)
Используя уравнение (13) находим, что B~ (i) i * + Ii * = Ci * + Di * или эквивалентно
 
Ci * v + Di * v = Di * (C~i * v + vi) = Di * vnet =: vnet
 
(18)
 
= B~i * (i) v + vi = cnet (i) + vi =: vnet (i). (19) Это завершает, что наш метод BFS и результаты в
[10] идентичны: vnet = vnet (i).
3.4 Иллюстрированный пример
Рассмотрим сеть, показанную на рисунке S4. Это пример простой топологии сети Bow-Tie. SCC
построен таким образом, чтобы подчеркнуть проблему перекрестных владений. Следовательно,
существует много циклов косвенного владения, возникающих и заканчивающихся в каждой
фирме в ядре смычка.
Предположим, что базовая ценность каждой фирмы равна единице, т. Е. V = (1, 1, 1, 1, 1, 1) t, где
t обозначает операцию транспонирования. Более того, мы будем использовать TM,
следовательно Cij = Wij. Это приводит к тому, что значение сети и интегрированное значение
будут
6
50
vnet =  27 , (20)
 55 
используя уравнение (8).
Таким образом, хотя общая стоимость, присутствующая в сети, равна 6 = i vi, фирма 5 имеет
непропорционально большой сетевой контроль vnet = 54, выделяя проблему переоценки
элемента управления в
наличие циклов.
Используя поправки, предложенные в [10], т. Е. Вычисляя оператор коррекции, определенный в
уравнении (13), можно найти
 . 0 1 0 0 0 0
0
0 D=
0 
 0 0.1 0 0 0 0
00
0 0 0.1 0 0 0
62
From this, the corrected values can be computed from Eq. (15)
 
6.000
5.000  

Коррекция уменьшает значения фирм в ядре смычка примерно на порядок. Это подтверждает, что
vnet и cnet действительно являются правильными мерами для рассмотрения в присутствии SCC в
сети.
К сожалению, этот пример также подчеркивает вторую проблему методологии. Понятно, что
корневые узлы накапливают весь контроль. Как уже упоминалось, наш предложенный алгоритм
устраняет эту проблему, все еще исправляя переоценку в циклах. Из уравнения (10), что

that
vnet(1) 
1.500
vnet(2) 
vnet(3)
 net 5.000  ,
 4.378 (23)
=
net 

 vvnet(4)
(6) 
 4.714
4.667

 v 

 1.000
(5) 
 1 = vˆ1 = 6 ≥ v (1) = 1.5.
illustrating the change from v net net net

иллюстрирующий изменение из vnet = vnet = 6 ≥ vnet (1) = 1.5.

Подводя итог, использование vnet для вычисления управления в сетях с топологией лука-галстука переоценивает
уровень контроля в SCC по конструкции. Использование vnet, с другой стороны, всегда назначает корневым
узлам самый высокий контроль. Только мера vnet (.) Помещает корень и SCC-узлы наравне друг с другом и с
листовыми узлами, что позволяет в первый раз точно анализировать управление каждым узлом в сети.

3.5 Отношения к предыдущей работе

Подводя итог, соотношение существующей работы заключается в следующем. Понятие сетевого значения ‡ было
введено в [6], в дополнение к интегрированной матрице собственности. Позднее эта матрица была исправлена в
[10].
Понятие сетевого управления было впервые определено в [5] без каких-либо поправок, описанных выше.
Поскольку в анализируемых сетях присутствовали только зарегистрированные на бирже компании и их прямые
акционеры, было достаточно применить неискорректированную методологию из-за отсутствия длинных
косвенных путей, см. SI Sec. 3. В отличие от этого, в настоящей работе требуется полномасштабная методология
со всеми исправлениями, чтобы последовательно вычислять поток контроля. Это привело к внедрению оператора
коррекции и его приложения в сетевое значение и управление сетью. Как уже упоминалось, это позволило нам
идентифицировать вторую проблему с методологией. Впоследствии мы включили эти идеи в алгоритм, который
подходит для больших сетей, исправляя все потенциальные проблемы с компьютерным управлением. Наконец,
мы также обнаруживаем связь между сетевым управлением и сетевым значением.
Анализ степени и прочности 4 степени

Изучение степени узла относится к распределению числа входящих и исходящих отношений. Количество
исходящих ссылок узла соответствует количеству фирм, в которых акционер владеет акциями. Это грубая мера
диверсификации портфеля. В-степени соответствует количеству акционеров, владеющих акциями данной фирмы.
Его можно рассматривать как прокси-сервер для фрагментации управления. В сети TNC внешняя степень может
быть аппроксимирована распределением степенного закона с показателем -2.15 (см. Рис. S5A). Большинство
экономических субъектов указывают на то, что некоторые другие имеют низкую степень. В то же время есть
несколько узлов с очень высокой степенью (максимальное количество компаний, принадлежащих одному
экономическому актеру, превышает 5000 для некоторых финансовых компаний). С другой стороны,
распределение по уровню, т. Е. Количество акционеров компании, ведет себя по-разному: частота узлов с
высокой степенью ухудшается очень быстро. Это связано с тем, что база данных не может предоставить всех
акционеров компании, особенно тех, которые содержат только очень небольшие акции.
Рядом с исследованием степени узла мы также исследуем силу, которая определяется как j Wij, т. Е. Сумма всех
взвешенных участников компании i в других компаниях j (см. Рис. S5B). Это показатель весовой связи и дает
информацию о том, насколько сильны отношения собственности каждого узла.
 A B
0 0
10 10
in−degree  = −1.62
out−degree
−1   = −1.15
10 −1
10
cumulative distribution function

cumulative distribution function

−2
10
−2
10
−3
10
−3
10
−4
10

−4
10
−5
10

−5
−6 10
10 0 1 2 3 4
10 10 10 10 10 0 1 2 3 4 5
degree 10 10 10 10 10 10
strength degree
Figure S5: Рисунок S5: Различные функции распределения. (A) Кумулятивная функция распределения
входов и выходов узлов в LCC (шкала log-log). Показатель степенного закона для соответствующей
функции плотности вероятности вне градуса оценивается как -2,15. (B) Кумулятивная функция
распределения силы узла в LCC (шкала логарифмической шкалы). В качестве ссылки отображается
степенной закон с показателем -1,62
5 Подключенный компонентный анализ

Соотношения собственности между компаниями создают между ними формальные связи. В сильно связанном
компоненте (SCC, см. Раздел SI 7) все фирмы достигают путем владения всеми другими фирмами, тем самым в
некоторой степени владея друг другом. Напротив, в слабо CC фирмы могут достигать друг друга, только если
игнорировать направление владения ссылками. Это по-прежнему представляет собой интересную ситуацию с
экономической точки зрения, поскольку поток знаний и информации не ограничивается направлением ссылки.
Количество и распределение по размерам ЦК обеспечивают меру фрагментации рынка. Мы обнаружили, что сеть
TNC состоит из 23825 CC. Большинство узлов (77%) принадлежат к LCC (наибольшая связанная компонента) с
463006 экономическими субъектами и 889601 отношениями. Остальные узлы принадлежат CCs с размерами, по
меньшей мере, в 2000 раз меньшими. Второй по величине CC содержит 230 узлов, а 90% CC имеют менее 10
узлов (см. Рис. S6).
С географической точки зрения, LCC включает компании из 191 страны. Из них 15491 являются ТНК (около 36%
всех ТНК, но составляет 94,2% от общего объема операционных доходов) из 83 разных стран. Фирмы, которые
являются ПК, намного многочисленнее (399696) и расположены только в 38 странах. Наконец, есть 47819 SHs из
190 стран. Это означает, что акционеры со всего мира владеют акциями ТНК, расположенными в более
ограниченном числе стран, что, в свою очередь, еще больше концентрирует свои доли владения ПК в еще
меньшем числе стран, в основном в Европе и США.
Кроме того, отраслевой анализ LCC показывает, что наиболее представленными отраслями являются

the

0
10
 = −2.13
cumulative distribution function

−1
10

−2
10

−3
10

−4
10
0 1 2
10 10 10
size of connected components

Figure S6:
Рисунок S6: Функция кумулятивного распределения размера подключенных компонентов. Точка данных,
представляющая LCC, не показана, так как она на три порядка больше второго по величине (с 230 узлами) и
полностью смещена. Для сравнения, степенной закон с показателем
-3.13 (= α - 1).

сектор коммерческой деятельности, с 130587 компаниями, за которыми следует сектор услуг с 99839 компаниями
и производственным сектором с 66212 компаниями. С другой стороны, удивительно, что сектор финансовых
посредников насчитывает всего 46632 компании. Однако, если мы различаем между текущими и выходными
отношениями, финансовые посредники имеют наибольшее количество акций (341363). Вместо этого в секторах
производства и услуг, соответственно, с компаниями 182699 и 170397, есть компании с большинством
акционеров.

6 Размеры компонентов Bow-Tie

Является ли структура связующего звена и относительный размер ее IN, OUT и ядра результатом определенных
экономических механизмов или может быть объяснено случайным процессом формирования сети? Для
коррелированных сетей, как и в нашем случае, нет подходящего теоретического предсказания [11]. Эвристически,
можно было бы решить проблему, выполнив случайную перестановку ссылок. Однако это нарушит
экономические ограничения. Например, обмен 10% доли собственности в небольшой компании с 10% в большой
требует изменения бюджета владельца. Кроме того, процедура является громоздкой для больших наборов
данных.
7 Анализ сильно связанных компонентов

Кросс-пакеты акций или сильно связанные компоненты (SCC) в теории графов являются структурами подсетей,
где компании владеют друг другом прямо или косвенно через цепочку ссылок (см. Рис. S7). Графически это
означает, что они образуют циклы и доступны всем другим фирмам в ГТК.
В экономике такое отношение собственности привлекло внимание различных экономических институтов, таких
как антимонопольные регуляторы (которые должны гарантировать конкуренцию на рынках), а также самих
компаний. Они могут создавать перекрестные владения для преодоления возможных поглощений, напрямую
обмениваясь информацией, мониторингом и стратегиями, снижающими конкуренцию на рынке.
В нашем примере мы наблюдаем 2219 прямых перекрестных владений (4438 отношений собственности), в
которых задействовано 2303 компании и составляют 0,44% всех отношений собственности (см. Рис. S7A). Эти
прямые перекрестные владения распределяются между различными сетевыми субъектами следующим образом:

• 861 между ТНК;

• 563 между ТНК и ПК;
• 717 между ПК;
• 78 между SHs.
Когда существует перекрестное владение тремя компаниями (см. Пример на рис. S7B), возможно множество
комбинаций косвенных путей. В нашей сети мы наблюдаем следующие:

• 829 типа: A → B → C → A;
• 4.395 типа: A ↔ B → C → A;
• 8,963 типа: A ↔ B ↔ C → A;
• 3.129 типа: A ↔ B ↔ C ↔ A.

B C
A

Figure
Рисунок S7: Примеры существующих перекрестных долей. (A) Взаимное перекрестное владение акциями. (B)
Возможное перекрестное владение тремя узлами. (C) Перекрестное владение более высокой степенью.

Рядом с этими простыми примерами мы также находим множество SCC с большими размерами. Обратите
внимание, что меньшие SCC могут быть встроены в большие. Например, в SCC на рисунке S7C также существует
одно перекрестное владение между узлами CI и Ctt. Всего имеется 915 уникальных SCC, из которых почти все
(83,7%) расположены в LCC. Ориентируясь только на LCC, есть один доминирующий ГТК: он состоит из 1318
компаний в 26 странах. Мы определяем структуру лука-бабочки в LCC, принимая этот SCC в качестве своего
ядра (в основном тексте мы ссылаемся только на этот SCC). Следующий самый маленький SCC содержит 286
компаний. Это группа тайваньских фирм, расположенных в OUT the bow-tie. Остальные 99,7% SCC в LCC имеют
размеры от двух до 21. Крупнейший SCC за пределами LCC содержит 19 фирм.
8 Концентрация сетевого управления

8.1 Контроль финансовых институтов

Одним из значений контроля в литературе по корпоративным финансам является частота, с которой акционер
может влиять на стратегическое решение фирмы во время официального голосования [12]. Иными словами, в
этой работе под контролем мы понимаем, насколько экономическая ценность компаний, способных влиять на
акционеров. Более того, мы не ограничивали наше внимание контролем акционера одной фирмы. Вместо этого
мы смотрим на контроль, который каждый акционер имеет по всему портфелю прямых и косвенных фирм. В
результате, акционеры с высоким уровнем контроля - это те, кто может навязать свое решение многим
дорогостоящим фирмам. Чем выше контроль акционера, тем выше его способность влиять на окончательное
решение. В этом смысле наше понятие контроля может быть связано с определением Вебера «власти», то есть
вероятность того, что индивид сможет навязать свою волю, несмотря на противодействие других [13].
В литературе по корпоративному контролю есть дебаты о погодных финансовых учреждениях, которые
действительно осуществляют контроль, связанный с их долями владения. С одной стороны, они не должны
стремиться к активному участию в стратегиях компаний. Однако в некоторых работах утверждается, что
институциональные инвесторы, в том числе банки и взаимные фонды, в определенной степени осуществляют
контроль [14, 15, 16, 17]. В частности, на результаты голосования могут влиять неформальные дискуссии, в
которых голоса проправительственного управления используются в качестве козыря (например, в обмен на
связанные с бизнесом «льготы» или переговоры о продлении кредита). Напротив, [18] и [19] считают, что паевые
фонды, которые обычно владеют крупными пакетами акций, голосуют против руководства (т. Е. В пользу
предложений по корпоративному управлению) только в 33% случаев (в случае Fidelity Фонд). Тем не менее, они
делают это более чем на 60%, в среднем, в других 11 проанализированных случаях. Предполагается, что эти
результаты основаны главным образом на конфликте интересов, когда выгоды от предоставления управления
пенсионными планами корпораций-клиентов перевешивают возможные выгоды от увеличения акционерной
стоимости. Однако, хотя некоторые паевые фонды сдержанны для осуществления своей власти во время
голосования в основном в США, активистская позиция наблюдается для некоторых небольших фондов и при
работе за пределами США [19]. В любом случае, в нашем исследовании паевые фонды США представляют собой
лишь небольшую часть всех глобальных финансовых институтов. В общей сложности 49 взаимных фондов,
определенных кодом NACE 6714, входят в число 737 ведущих держателей энергии (см. Основной текст, раздел
Концентрация контроля).

Например, взаимный фонд, владеющий некоторым процентом крупной корпорации, может попытаться навязать
сокращение рабочих мест из-за слабой экономической ситуации. Это может произойти: (i) без голосования и (ii)
хотя фонд не планирует удерживать эти акции на протяжении многих лет. В этом случае влияние взаимного
фонда оказывает непосредственное влияние на компанию и ее сотрудников. Кроме того, взаимные фонды с
акциями многих корпораций могут попытаться реализовать аналогичные стратегии по всему портфелю.
8.2. Отношение к феномену Rich Club

Так называемое явление богатого клуба [20, 21] относится к тому, что в некоторых сложных сетях узлы с
наивысшей степенью имеют тенденцию быть связаны между собой. Основанные исключительно на уровне узлов,
богатые клубные индексы не подходят для сетей владения, в которых имеют место косвенные и взвешенные
пути. Более того, для того, чтобы сравнить полученную стоимость богатых клубных индексов, обычно
необходимо перетасовать ссылки в сети. Это будет проблемой в нашей сети, поскольку это приведет к созданию
экономически нежизнеспособных сетей. Обратите внимание, однако, что ядро сети ТНК можно рассматривать
как обобщение феномена богатого клуба с контролем в роли степени. Таким образом, будущая работа должна
более подробно изучить этот вопрос.

8.3 Рейтинг топ-держателей

Представлен рейтинг экономических субъектов с помощью глобального контроля. Обратите внимание, что
многие участники принадлежат к финансовому сектору (коды NACE начиная с 65,66,67), и многие из имен
являются известными глобальными игроками. Интерес этого рейтинга заключается не в том, что он раскрывает
подозрительные мощные игроки. Вместо этого он показывает, что многие из главных действующих лиц
принадлежат к ядру. Это означает, что они не осуществляют свой бизнес изолированно, а, наоборот, связаны друг
с другом в чрезвычайно запутанной сети контроля. Этот вывод чрезвычайно важен, поскольку не существовало
предшествующей экономической теории или эмпирических данных о том, связаны ли и как связаны лучшие
игроки. Наконец, следует отметить, что правительства и физические лица включены в список ниже.

Таблица S1: 50 верхних держателей. Акционеры оцениваются по сетевому контролю (согласно пороговой
модели, ТМ). В колонке указывается страна, код промышленного сектора NACE, положение актера в секции
смычка, кумулятивный сетевой контроль. Обратите внимание, что код NACE, начинающийся с 65,66,67,
относится к финансовому сектору.
sector.

Ra Economic actor name Coun NACE Netwo Cumul.

nk try code rk network
positio control (TM,
n %)
1 BARCLAYS PLC GB 6512 S 4.05
C
C
2 CAPITAL GROUP COMPANIES INC, THE US 6713 IN 6.66
3 FMR CORP US 6713 IN 8.94
4 AXA FR 6712 S 11.21
C
C
5 STATE STREET CORPORATION US 6713 S 13.02
C
C
6 JPMORGAN CHASE & CO. US 6512 S 14.55
C
C
7 LEGAL & GENERAL GROUP PLC GB 6603 S 16.02
C
C
8 VANGUARD GROUP, INC., THE US 7415 IN 17.25
9 UBS AG CH 6512 S 18.46
C
C
10 MERRILL LYNCH & CO., INC. US 6712 S 19.45
C
C
11 WELLINGTON MANAGEMENT CO. L.L.P. US 6713 IN 20.33
12 DEUTSCHE BANK AG DE 6512 S 21.17
C
C
13 FRANKLIN RESOURCES, INC. US 6512 S 21.99
C
C
14 CREDIT SUISSE GROUP CH 6512 S 22.81
C
C
15 WALTON ENTERPRISES LLC US 2923 T 23.56
&
T
16 BANK OF NEW YORK MELLON CORP. US 6512 IN 24.28
17 NATIXIS FR 6512 S 24.98
C
C
18 GOLDMAN SACHS GROUP, INC., THE US 6712 S 25.64
C
C
19 T. ROWE PRICE GROUP, INC. US 6713 S 26.29
C
C
20 LEGG MASON, INC. US 6712 S 26.92
C
C
21 MORGAN STANLEY US 6712 S 27.56
C
C
22 MITSUBISHI UFJ FINANCIAL GROUP, INC. JP 6512 S 28.16
C
C
23 NORTHERN TRUST CORPORATION US 6512 S 28.72
C
C
24 SOCIÉTÉ GÉNÉRALE FR 6512 S 29.26
C
C
25 BANK OF AMERICA CORPORATION US 6512 S 29.79
C
C
26 LLOYDS TSB GROUP PLC GB 6512 S 30.30
C
C
27 INVESCO PLC GB 6523 S 30.82
C
C
28 ALLIANZ SE DE 7415 S 31.32
C
C
29 TIAA US 6601 IN 32.24
30 OLD MUTUAL PUBLIC LIMITED COMPANY GB 6601 S 32.69
C
C
31 AVIVA PLC GB 6601 S 33.14
C
C
32 SCHRODERS PLC GB 6712 S 33.57
C
C
33 DODGE & COX US 7415 IN 34.00
34 LEHMAN BROTHERS HOLDINGS, INC. US 6712 S 34.43
C
C
35 SUN LIFE FINANCIAL, INC. CA 6601 S 34.82
C
C
36 STANDARD LIFE PLC GB 6601 S 35.2
C
C
37 CNCE FR 6512 S 35.57
C
C
38 NOMURA HOLDINGS, INC. JP 6512 S 35.92
C
C
39 THE DEPOSITORY TRUST COMPANY US 6512 IN 36.28
40 MASSACHUSETTS MUTUAL LIFE INSUR. US 6601 IN 36.63
41 ING GROEP N.V. NL 6603 S 36.96
C
C
42 BRANDES INVESTMENT PARTNERS, L.P. US 6713 IN 37.29
43 UNICREDITO ITALIANO SPA IT 6512 S 37.61
C
C
44 DEPOSIT INSURANCE CORPORATION OF JP 6511 IN 37.93
JP
45 VERENIGING AEGON NL 6512 IN 38.25
46 BNP PARIBAS FR 6512 S 38.56
C
C
47 AFFILIATED MANAGERS GROUP, INC. US 6713 S 38.88
C
C
48 RESONA HOLDINGS, INC. JP 6512 S 39.18
 C
C
49 CAPITAL GROUP INTERNATIONAL, INC. US 7414 IN 39.48
50 CHINA PETROCHEMICAL GROUP CO. CN 6511 T 39.78
&
T
9 Дополнительные таблицы

Таблица S2: Количество верхних контрольных держателей (TCH), расположенных в ГТК и являющихся членами
финансового сектора (FS). Различные пересечения. Колонки относятся к трем моделям сетевого управления и ТМ
сетевого значения
.

cnet (L # c (T # c (R # vnet (TM,

n ne
M, ) et M, ) t M, ) #)
TCH 76 737 648 1791
3
TCH∩TNC 30 298 259 1241
TCH∩TNC∩SCC 8 147 122 211
TCH∩SCC∩FS 15 115 92 140
1
11
6
Таблица S3: Концентрация 80% сетевого управления (LM, TM, RM) и сетевого значения (TM). Проценты
относятся к значению сетевого управления, удерживаемому ТКП, в соответствии с их расположением в ГТК и их
возможной принадлежностью к ФС и их различными пересечениями.
.

cnet (LM, c (TM, c (R vnet (TM, %)

n ne
%) et %) t M)
TCH∩TNC 54.8 54.6 52.9 63.3
TCH∩TNC∩SCC 7 3 4 4
TCH∩SCC∩FS 39.5 38.3 37.2 30.3
4 7 9 7
36.5 35.3 34.9 24.3
8 7 0 6

ица S4. Вероятность того, что случайно выбранный экономический субъект (TNC или SH) принадлежит группе
топ-менеджеров по отношению к своей позиции в структуре сети. Первый столбец относится ко всем верхним
держателям управления (TCH), второй столбец - к первым 50 TCH.
TCH.

All First 50 TCH

TCH
IN 6.233% 0.273%
SC 49.831% 11.525%
C
OU 0.432% 0%
T
T& 0.413% 0.002%
T
OC 0.016% 0%
C
 

. (21)
00

  net
4.378
vˆ = .
 (22)
4.667

 4.714

1.000
