Guerra de Internet en Filipinas

Guerra de propaganda: Armando la internet
En Filipinas, los trolls pagados, razonamientos falsos, saltos en la lógica, envenenando el pozo - éstas son sólo algunas de las técnicas de propaganda que han ayudado a cambiar la opinión pública sobre las cuestiones claves

María A. Ressa - Rappler
@mariaressa




Parte 1 de 4

 MANILA, Filipinas - El sábado 3 de septiembre de, 2016, el día después del bombardeo de Davao, al menos una cuenta anónima Facebook comenzó a compartir un joven de 26 de marzo de, el año 2016 Rappler historia, "Hombre con bomba atrapado en el puesto de control de en Davao."

Fue recogido rápidamente y compartido por las páginas de Facebook de incidencia política para el presidente Rodrigo Duterte. Otros sitios web tomaron toda la historia de fecha y insertados en sus sitios, como newstrendph.com, que está vinculada a Duterte Global News (el puesto desde entonces ha sido desactivado). Otras páginas de Facebook, como Digong Duterte y Duterte Guerrero, se convirtieron en participantes activos en esta campaña de desinformación. Poco después, estas páginas modificar manualmente sus tiempos de envíos.

Esta es la desinformación, ya que llevó a los lectores a pensar en el hombre con la bomba fue capturado ese día 3 de septiembre, cuando el presidente Duterte declaró un estado de anarquía en las secuelas de los bombardeos. Los lectores fueron engañados para compartir una mentira porque el contexto ha cambiado el antiguo titular.

Esa mentira sirve para un doble propósito: le llevó a creer medida draconiana del gobierno se justifica y que actuó sólo en el último momento; pero, que también afectó a la credibilidad de una fuente confiable de noticias - que era la forma en que estas páginas representan la historia una vez Rappler alertado a nuestra comunidad al respecto.

Fue una campaña tan efectiva que a pesar de las noticias en desarrollo sobre el bombardeo de Davao, esta vieja historia tendió número 1 y se quedó en los 10 principales títulos de Rappler durante más de 48 horas.

Tomemos otro ejemplo: un puesto de Peter Tiu Lavina, portavoz de la campaña de Duterte, que atacó a los críticos del gobierno de la "guerra contra las drogas" con su declaración acerca de una niña de 9 años de edad que fue violada y asesinada.




La foto fue tomada en Brasil, no las Filipinas.

Estas son sólo algunas de las muchas campañas de desinformación que hemos visto desde el período de elección: campañas de medios sociales destinadas a formar la opinión pública, derribar la reputación, y paralizar las instituciones de los medios de comunicación tradicionales.

Esta estrategia de "muerte por mil cortes" usa la fuerza de la Internet y explota los algoritmos que los medios sociales de poder para sembrar la confusión y la duda.

Esta serie desmonta este nuevo fenómeno provocado por la tecnología y el crecimiento exponencial de la información:

Parte 1 se ve en la propaganda pagada hacerse cargo de los medios de comunicación social;

Parte 2 desmonta el nuevo ecosistema de la información, su impacto en el comportamiento humano, y cómo se podría aprovechar sus debilidades; y,

Parte 3 se centra en 26 cuentas falsas en Facebook, que en conjunto se extienden a una red que influye en más de 970.000 cuentas.

Parte 4 examina las cuentas anónimas y la forma en que amplifican las redes existentes.

Militarización en Internet

Es una estrategia de "muerte por mil cortes" - un chipping lejos en los hechos, utilizando medias verdades que fabrican una realidad alternativa mediante la fusión de la potencia de los robots y cuentas falsas en los medios sociales para manipular a las personas reales.

Un bot es un programa escrito para dar una respuesta automática a los mensajes en las redes sociales, creando la percepción de que hay una ola de marea de la opinión pública. Dado que esta es la máquina impulsada, se puede fabricar miles de mensajes por minuto.

Una cuenta falsa es una identidad en línea manufacturado, a veces conocido como un trol dependiendo del comportamiento de la cuenta. No todos los trolls son parte de una campaña de propaganda pagada, pero por ahora vamos a centrarnos en las iniciativas pagadas, que pueden pagar un trol hasta P100,000 / mes.

A menudo, estas cuentas falsas de decenas trabajan juntos junto con las páginas anónimas, el fortalecimiento del alcance de cada uno de los algoritmos de Facebook. Estas redes pueden trabajar con o sin los robots.

Un pequeño grupo de 3 operadores, dice una fuente Rappler, puede ganar tanto como P5 millones de dólares al mes.

Dado que con frecuencia hacen caso omiso de la verdad y manipular las emociones, estas redes de juego con facilidad el algoritmo de Facebook.

En las Filipinas y en todo el mundo, las páginas de incidencia política, hechos específicamente para Facebook, son hábilmente colocados y diseñados para hacerse cargo de su servicio de noticias.

Eso permite que estas cuentas de propaganda para crear un movimiento social que se está ensanchando las grietas de la sociedad filipina mediante la explotación de las divisiones económicas, regionales y políticos.

Se desencadenó una oleada de ira contra los críticos Duterte que ha creado un efecto paralizante.

"Fue traído especialmente de relieve durante estas elecciones anteriores, en donde la cantidad de odio y virulencia en el Internet era simplemente intolerable", Vince Lazatin, Director Ejecutivo de la Red de Responsabilidades de Transparencia y, durante una reciente panel de Tecnología y el debate público . "Se silencia la gente en la sumisión. Los trolls han encontrado una manera de convertir en armas internet ".

No está claro si estas cuentas utilizadas para la campaña están trabajando con los canales oficiales del gobierno en la actualidad.

Lo que está claro es que comparten el mismo mensaje clave: una defensa fanática de Duterte, que ha presentado como el padre de la nación que merece el apoyo de todos los filipinos.

Esta posible consolidación de la maquinaria de campaña Duterte con canales de comunicación estatales es peligroso.

Tan sólo hay que mirar a China, que simula casi 450 millones de comentarios de medios sociales al año, según el Washington Post.

Esta es la primera vez que esta sofisticada maquinaria de propaganda política se ha utilizado en las Filipinas.

FUD - El miedo, la incertidumbre, la duda

Sin embargo, esta no es la primera vez que los medios sociales se ha utilizado para manipular a la opinión pública aquí.

Los primeros grupos que utilizan activamente el poder de los medios sociales, incluyendo sus tácticas del lado oscuro, eran corporaciones y sus aliados. Utilizaron una estrategia popularizada en la industria de la computación en los EE.UU. conocido como FUD - acrónimo de Fear, uncertainty, doubt, es decir miedo, incertidumbre y duda - una estrategia de desinformación que propaga información negativa o falsa para alimentar el miedo.

FUD se utiliza comúnmente en las ventas, marketing, relaciones públicas - y ahora - la política y la propaganda.

Tan pronto como el 5 de octubre de 2014 Rappler alertó al público acerca de cómo grupos de interés estaban movilizando recursos de medios sociales ficticias a escala para interrumpir las conversaciones en línea.

He aquí un ejemplo de una campaña de operaciones encubiertas en Twitter.

Se utilizó una combinación de bots y cuentas falsas para tener esencialmente una y apagar la compañía de telecomunicaciones campaña promocional #SmartFreeInternet.

En pocas palabras, si se utiliza el hashtag, que señala un mensaje de robot para su cuenta - para sembrar el miedo y la duda para desencadenar la ira - una campaña de FUD clásico. Eso se acopla con cuentas falsas que siguen la campaña. (La línea de color azul verdoso son los robots, que atacaron a una frecuencia tan alta que efectivamente cerró la campaña inteligente roja).



Aquí está un mapa de la conversación, poniendo al descubierto una estrategia comunista familiar: "rodear la ciudad desde el campo" - efectivamente cerrar el paso a la cuenta de Twitter de sus inteligentes Millenials dirigidos.

Primeras elecciones de medios sociales

Los medios sociales la mayoría de edad para la política durante la campaña electoral para las elecciones de mayo de 2016.

Mucho antes de Duterte decidió correr, habíamos notado desde hace tiempo que la ciudad de Davao tenía uno de la comunidad de medios sociales más comprometidos en las Filipinas.

Ahora nos gustaría ver a los humanos aumentados por las máquinas, tanto en el compromiso y encuestas en línea.

La primera vez que vimos a los robots de Twitter en la política pareció ocurrir por accidente.

Cuatro días después de haber declarado su presidencia, desde la medianoche hasta las 2 am el 25 de noviembre de 2015, más de 30.000 tuits que citan Rodrigo Duterte fueron publicadas, a veces llegando a más de 700 tweets por minuto. Eso es más que el número de tweets publicados cuando declaró que correría, y más que todos los tweets sobre cualquier candidato presidencial durante los 29 días anteriores.



Las máquinas pensantes hicieron un análisis de la campaña de uso de robots y descubrieron que la política se había cruzado con el entretenimiento. Un examen de las cuentas de Twitter Bot-como mostró sus líneas de tiempo completo de KathNiel. (Lea: los robots KathNiel, Twitter, encuestas: Calidad, no sólo zumbido)

¿Qué pasa con las encuestas en línea que se utilizan para medir la opinión pública? Las máquinas pueden influir en eso también.

En diciembre de 2015, Rappler investigó la manipulación técnica de nuestra encuesta en línea, y descubrió que el 99% de los votos de Rusia, Corea y China fuera por Mar Roxas (aunque hubo un pequeño número de estos votos fabricados para Duterte también). Eliminación de los votos falsos cambió el ganador de Roxas a Duterte. (Lea: ¿Quién gamed la encuesta electoral Rappler?)

La campaña de medios sociales de Duterte

Los medios de comunicación social fue un factor decisivo en la elección de este presidente.

Ex activista y ex-ABS-CBN jefe de ventas Nic Gabunada dirigieron los esfuerzos de medios sociales de Duterte. Le dijo a Rappler en A puede el 31 de entrevista que él construyó la red con P10 millones y hasta 500 voluntarios, que aprovechados sus propias redes.

Estaban organizados en 4 grupos principales: los TFE o trabajadores filipinos en el extranjero, Luzón, Visayas y Mindanao. Dijo que se maneja cada voluntario entre 300 y 6.000 miembros, pero que el grupo más grande tenía 800.000 miembros. (Lea: La campaña de los medios de P10Msocial Duterte: Orgánica, voluntario de la unidad)

Fue una campaña descentralizada: cada grupo crea su propio contenido, pero la narrativa de la campaña y mensajes diarios clave fue determinante en el centro y en cascada para su ejecución. Gabunada hizo hincapié en estos puestos fueron hechas por gente real, no bots.

Los analistas coincidieron en que las elecciones de 2016 fueron los más involucrados en la historia de Filipinas, pero también señalaron que el período también puso de relieve algunos de los más enojado y viciosa discurso político que está transformando nuestra democracia.

Para marzo, dos estudiantes de la UP Los Baños habían sido amenazados por una turba en línea.

En una escena que recuerda a la caza de brujas bombardeo Boston, partidarios Duterte un seguimiento números de teléfono celular y acosados ​​y amenazados los estudiantes que percibían como una falta de respeto de Duterte.

En un momento dado, crearon una página en Facebook exigiendo la muerte para que el estudiante se nombra. (LEA: #AnimatED: multitud en línea crea erial medios de comunicación social)

Dentro de las 48 horas, el campo de Duterte pidió a sus seguidores a "tener la autoridad moral" en línea. (LEA: Duterte a sus seguidores: Sea civiles, inteligente, decente, compasivo)

En abril, una mujer joven que ha publicado que estaba haciendo campaña contra Duterte fue inundado con amenazas y acoso. (LEA: 'Sana ka ma-violación': Los internautas matón anti-Duterte votante)

Poco antes de las elecciones, ella probó leyes que rigen el acoso cibernético mediante la presentación de 34 denuncias en los tribunales.

Medios de boicot y de ataque

El día después de que ganó, Duterte llama para la curación y su equipo de campaña apoyada y tendió su mensaje usando el hashtag #HealingStartsNow.

No duró mucho tiempo.

El presidente pronto-a-ser hizo numerosas polémicas declaraciones en las conferencias de prensa nocturnos, incluyendo lo que podría ser visto como una justificación de asesinatos de periodistas y su lobo silbato de un reportero GMA7.

A principios de junio de Duterte anunció que boicoteará los medios de comunicación y canaliza todas las declaraciones y conferencias de prensa a través de la red de televisión estatal, PTV, y RTVM.

No rompió que el boicot de los medios privados hasta el 1 de agosto.

En esos dos meses, la maquinaria de campaña giró a la propaganda y las amenazas, atacando primero a ABS-CBN, entonces Inquirer (en gran parte debido a su no perder de vista la lista de muertes de las ejecuciones extrajudiciales).

GMA7 y Rappler tomaron el asiento caliente después de un silbido Duterte lobo-a un reportero GMA7, Mariz Umali, en una conferencia de prensa, y el reportero Rappler Pia Ranada-Robles lo interrogaron sobre el mismo.



AMENAZA DE MUERTE. reportero Rappler Pia Ranada fue atacado por preguntar las preguntas presidente sobre catcalling.


AMENAZA DE MUERTE. Un usuario de Facebook dice Rappler que no va a preguntarse si serán asesinados uno de nuestros administradores o gerentes.

Los ataques de medios sociales eran vicioso y personal. Construyeron en sus mensajes de campaña, sin dejar de ferrocarril contra el Partido Liberal y la construcción de temor por un "ejército amarillo."

Anónimos y cuentas falsas se reunieron personas reales para crear y difundir los memes con mensajes simples que contienen un grano de verdad, el más eficiente para FUD:

1. "Sesgo" - que los grupos de estos medios están sesgados en contra Duterte.
2. "Bayaran" - que los periodistas se les paga y corrupto.
3. "oligarcas" - que los periodistas trabajan para los intereses creados.
4. "Clickbait" - que los grupos de medios de comunicación son los intereses comerciales, por lo que utilizan los titulares clickbait por dinero en efectivo.

Cuando el líder de una nación se niega el acceso directo a los periodistas, controla la parte superior narrativa a través de grupos estatales establecidos, y se hizo eco de abajo hacia arriba por las iniciativas de medios sociales, se crea un efecto de enfriamiento en 2 frentes:

1. El acceso se hace un favor personal para los reporteros, la eliminación de un entorno profesional y la creación de un paisaje más feudal. Los reporteros, si quieren acceder, piensan dos veces antes de cuestionar el poder.
2. Los puestos críticos en las redes sociales son atacados de inmediato, obligando a la gente "normal" para salir de la conversación. Muchos cierran sus cuentas de Facebook, dejando el campo abierto para una manipulación más sofisticada en una cámara de eco cada vez más creciente.

El 19 de septiembre, la Unión Nacional de Periodistas de Filipinas pidieron al gobierno investigar los ataques contra periodistas de medios sociales y Gretchen Malalad Jamela Alindogan-Caudron.

El 22 de septiembre, el presidente Duterte pidió a sus partidarios para detener las amenazas a periodistas.

Pero su declaración ha hecho poco para detener los ataques propagandísticos.

El fin de semana, los reporteros de Reuters Manny Mogato y Karen Lema fueron atacados después de informar de las declaraciones del presidente Duterte sobre Hitler.

Dar forma a la percepción, reescribir la historia

Todos estos impactan la percepción pública. razonamiento falso, salta en la lógica, envenenar el pozo - éstas son sólo algunas de las técnicas de propaganda que han ayudado a cambiar la opinión pública sobre las cuestiones clave.

Tomemos, por ejemplo, lo que fue una aceptación predominante de los derechos humanos y la idea de "inocente hasta que se demuestre lo contrario." Hoy en día parece que hay una amplia aceptación de asesinato, en especial de los vendedores de drogas, y cualquier intento de cuestionar que se presenta como parte de una teoría de la conspiración.

Es parte de la razón por la que muchos en silencio aceptan que en tan sólo 11 semanas 3.546 personas han muerto en el gobierno de la "guerra contra las drogas." (Estas cifras de la PNP se revisaron posteriormente a 3.145 el 14 de septiembre, 2016).

Después de todo, cuando alguien critica a la policía o el gobierno en Facebook, ataques inmediatos son publicados, incluyendo "alguien debe violar a su hija", "¿cuántas personas fueron violadas por los empujadores", "¿por qué no hablar de los muertos por drogas", "Mayaman kasi Kayo, "y muchos más.

 Podría también ser utilizada para reescribir la historia?

Ese fue el cargo contra la Gaceta Oficial en el cumpleaños número 99 de Ferdinand Marcos, en el poder durante casi 21 años.

El uso de una cita que sutilmente une a la campaña de Marcos Duterte para el cambio, las revisiones del epígrafe desataron la indignación, sobre todo después de un conflicto de intereses a la superficie: que fue publicada por un ex miembro del personal de Marcos.

Entonces, ¿qué puede hacerse?

La comprensión de lo que está pasando es un primer paso.

Trabajando juntos para separar la realidad de la ficción es un paso más.

Independientemente de su tendencia política, los medios de comunicación social es una herramienta poderosa, y si se abusa, la primera víctima es la verdad - que tendrá un impacto directo en la calidad de la democracia filipina. - Rappler.com

Mapeando Twitter desde NodeXL y Gephi

Mapeo de Twitter con NodeXL y Gephi

@Matt - Medium

La comprensión de las relaciones en las redes sociales es una llave, pero en gran parte inexplorado, el área de estrategia digital. Entender quién le importa a las conversaciones que estés involucrarse con en línea es difícil en la medida en que es mucho tiempo; cientos de internar horas pasaron de sumergirse en retweets y la investigación para averiguar quién es importante. Resulta que hay una manera mejor.

Herramientas

Tendrá que NodeXL Pro para la adquisición de datos, y Gephi para la visualización de los datos. Coge 'em. Sí, NodeXL Pro es un poco caro, a menos que seas un estudiante.

Limitaciones

Twitter no da acceso directo manguera llena, pero en su lugar una muestra de todos los tweets de una búsqueda. Los detalles sobre el funcionamiento del mecanismo de muestreo son escasos, pero que trabajan con lo que tienes. Gnip, la plataforma API empresarial de Twitter, va a vender el acceso a la "decahose," el 10% de todos los tweets, por lo que escalar sus supuestos torno a lo que la API de búsqueda normal obtiene acceso a la sede fuera de eso.

Proceso

Este es un proceso de dos pasos; la adquisición de datos a continuación, visualizar. Para la primera parte vamos a utilizar NodeXL, y la segunda parte se entregará los datos en Gephi.
Adquisición de datos
Una vez que haya descargado e instalado la plantilla NodeXL, abrirlo y se le presentará con una pantalla similar a esta:



Haga clic en Importar en la parte superior izquierda y seleccione alguna de Twitter Red de búsqueda. Hay un montón de otras opciones aquí que probablemente son tentador, pero nos está pegando con Twitter por ahora. Selección de Twitter Red de búsqueda te llevará a otra pantalla, así:


Antes de empezar la primera vez, tendrá que permitir el acceso NodeXL su cuenta de Twitter en la parte inferior izquierda - ya que está tirando directamente de la API de Twitter, se necesita una llave para adjuntar a. Para otros usos, acaba de establecer como tener autorización.

Esto es donde deberá introducir el término de búsqueda que está interesado en el análisis, y lo que debe importar. Puede utilizar cualquiera de los operadores mencionados aquí en NodeXL también, porque es probable que desee para comenzar a encontrar la manera de filtrar los datos, en lugar de capturar todo.
A menos que sepa lo que buscas en un pequeño término de búsqueda, usted casi siempre desea importar la "red básica" en lugar de "red básica más amigos." La segunda opción añade al menos un orden de magnitud de la cantidad de datos vas a tirar, y puesto que los límites de frecuencia de Twitter (15 por cuenta por 15 minutos de tolerancia de la primera solicitud), se le adición de una cantidad significativa de tiempo para tirar por encima de todos los datos.
A falta de tener un amigo en la ingeniería de Twitter lista blanca de su cuenta de los límites de frecuencia, o conectar con Gnip (¿por qué estás leyendo esto, entonces?), La "red básica" es abrumadoramente va a ser la opción de elegir, sobre todo en las principales tendencias temas.
Mientras NodeXL chugs, tomar una taza de café. Tienes un poco de tiempo. Una vez que esté terminado, tendrá una pantalla que se ve algo como esto:


Spoilers: @BarackObama es fundamental para el hashtag #doyourjob.

Hay algunas opciones para graficar y resumir los datos en que está, pero vamos a mover los datos de NodeXL para tomar una mejor mirada en ella. Si está utilizando la versión básica, esto es, donde está por su cuenta; usted puede hacer visualizaciones en la propia plantilla, pero la exportación es una característica favorable. NodeXL básico es bastante potente, así que no creo que es totalmente más de juego, pero el resto de esto requerirá NodeXL Pro.
Haga clic en "Exportar" en la parte superior izquierda, y seleccione "Para GraphML" archivo. Nombrarlo algo memorable y ponerlo en algún lugar lo encontrará, y que haya terminado con NodeXL en este punto. Decir adiós.

Visualización de datos

Arranca Gephi, y abrir el nuevo archivo .graphml, donde quiera que lo pone. Se importará y llamar a cualquier problema que encuentra, el número de nodos (usuarios) y los bordes (relaciones) en los datos. Además, desea un grafo dirigido, ya que las interacciones de Twitter son generalmente de un solo sentido; si se correlaciona con una red de seguidores de Facebook, lo que probablemente utiliza un grafo no dirigido. Una vez hecho esto, se le presentará con algo que se parece a esto:


"Prometiste gráficos de lujo."

No es muy útil, pero que es todos nuestros datos allí, escondido en una pequeña caja. Vamos a cambiar eso. esquina inferior izquierda, la caja de presentación, seleccione ForceAtlas 2 en el menú desplegable. Las opciones presentadas en el menú desplegable son diferentes formas de ponderación de la red en "barrios", y son en gran medida una cuestión de gusto. Las personas matemáticas van a enojar conmigo por eso. Hit Run, y la magia:



Mientras se está ejecutando, en el lado derecho, pulse Ejecutar junto a la modularidad y la Centralidad del Vector Propio. Se trata de todas las matemáticas de fantasía que tendremos que hacer aquí, y el equipo hizo todo de ella. La versión corta es que estamos utilizando estas herramientas para determinar quién es importante en estas redes de un modo algorítmico - similar a Pagerank de Google, pero para las personas.
La última cosa que queremos hacer antes de empezar a manipular el gráfico más está a la izquierda, bajo las opciones ForceAtlas2, compruebe Evitar solapamiento y permitir que se ejecute por un tiempo más. Este cambio nos permitirá ver todos los usuarios que de otra manera serían tan estrechamente agrupados juntos como que se esconde debajo de los otros.
Vas a tener algo que se parece a esto, lo que es mejor, pero todavía se puede ajustar que sea legible y útil. En la esquina superior izquierda, donde dice "apariencia", resaltar la paleta, como he hecho aquí. En el menú desplegable disponible después de hacer clic atributo, seleccione La "clase de modularidad", y aplicar. Esto influye en nuestra tabla de "vecindarios", de este modo:



En resumen, los usuarios del mismo color son en su mayoría relacionados entre sí. Nuestro grupo grande de color rosa a la izquierda para #doyourjob es, como era de esperar, centrada alrededor de @BarackObama.
La otra cosa que queremos hacer para ayudar a entender el estado de nuestra red es reescalar el tamaño de importancia para la red. Como tenemos visualmente, @BarackObama es tan importante como estoy a la red, y eso es ... probablemente no es el caso.
Para ello, seleccione el icono a la derecha de la paleta bajo la apariencia - tres círculos que crecen en tamaño. Asegúrate de que tienes "nodos" seleccionados en virtud de que, y en el menú desplegable debajo de atributo, seleccione En-Grado. Aplicar esto, y verá algunos cambios importantes en el tamaño de los nodos particulares. Puede escalar esto mediante la elección de tamaño mínimo y máximo, si se desea resaltar en realidad un conjunto particular de los principales contribuyentes a la red.
Aquí es donde se debería resaltar que hay un montón de ajustes que puede realizar en este momento. Puede color relaciones por tipo (por ejemplo, mencionar, pío, @reply) mediante la selección de la paleta en Apariencia, destacando los bordes y atributo, y la selección de la relación de la lista desplegable. No está interesado en "barrios", sino más bien en donde las cuentas verificadas están en su red? Volver a la paleta, y debajo de nodos y atributos, seleccione verificado en el menú desplegable y aplicar. Hay un montón de opciones aquí, y muchas de las herramientas estadísticas en el lado derecho, donde se seleccionaron La modularidad y la Centralidad del Vector Propio, se sumarán otras maneras de visualizar la red. PageRank, de camino promedio de cuerpo entero, y así sucesivamente darán otras maneras de visualizar y trabajar con la red.
Por último, vamos a tirar algunos nombres de esta manera podemos ver quién es quién: bajo la visualización, hay varias opciones. Una bombilla, una cámara, un audaz T, y otros. Haga clic en la T para activar las etiquetas de nodo, y en el menú desplegable Modo Tamaño - la A negro - seleccione El tamaño de nodo, y eso es todo.



Ahora que tenemos esto, ¿cómo lo leemos? Recordamos cómo decidimos escalar distintos nodos en el tamaño relativo, por Centralidad del Vector Propio: "del tamaño de un nodo es relativamente escalado por lo importante que es para toda la red."
Naturalmente, @BarackObama es importante, como lo son @senatedems, @chuckgrassley, @moveon, @POTUS, y @scotusnom. Además, @kellyayotte, @weneednine, @thedemocrats, @ofa y @speakerryan son todos los componentes principales a la discusión.
Lo que es más interesante son las entradas de nivel inferior, donde hay nichos de usuarios al azar que sólo el amor a la mierda de un tema específico. Estas son las personas que se centraría en y llegar a seguir teniendo su mensaje, o, si estuviera haciendo esto como un ejercicio proactivo, alcanzar de forma preventiva a cabo para trabajar con mensajes a su audiencia altamente motivado.
Al igual que @ natureguy101. Love @ natureguy101, y en este caso, es más importante que la red que el New York Times o Ted Cruz:



Preguntas, quejas, ofertas de trabajo, etc., que le tira un mensaje en Twitter, @mattemeterio.
En primer lugar, y es de esperar única edición: mi primera experiencia con Gephi y NodeXL vinieron de gran valoración crítica de Clara Guibourg. He tratado de actualizarlo con las versiones más recientes de las herramientas, y explicar los casos de uso.

Redes de capitalistas de riesgo en Berlin

Venture Capitalists locales en Berlín - Un Análisis de Redes
Maximiliam F


En los últimos años, Berlín ha estado en un camino de convertirse en más activo de inicio-centro de Europa. De acuerdo con la Clasificación de inicio del Ecosistema Global ( Global Startup Ecosystem Ranking), que califica el atractivo de inicio de las ciudades, Berlín pasó del lugar # 15 en 2012 al # 9 en 2015. Los lugares EY Berlín incluso delante de Londres, como Berlín, Londres superó en cifras de financiación de inicio tanto en 2014 y 2015. Con compañías de bandera como SoundCloud y las diversas empresas Rocket Internet, Berlín ha estado de pie bajo el enfoque internacional desde hace años. Wunderlist sede en Berlín, fue adquirida por Microsoft en 2015, los alimentos héroe servicio de entrega está valorado en $ 3.1 mil millones. En 2016, en línea Número26 Fintech banco de Berlín levantó $ 40 millones del vario (la mitad de ellos no alemanes) Los inversores, incluyendo Battery Ventures y Negocios Valar de Peter Thiel. Si bien estas salidas, miles de millones de dólares y las valoraciones de las grandes rondas de financiación de última fase son buenas noticias, siguen siendo bastante raro.
Mientras que Berlín tiene una docena de incubadoras y aceleradoras y es fuerte en la financiación inicial, nuevas empresas a menudo todavía se esfuerzan por aumentar rondas etapa de crecimiento más grandes.
En este artículo vamos a mostrar que el capital más allá de la semilla para nuevas empresas con sede en Berlín, de hecho a menudo proviene de los inversores no alemanes. Vamos a comparar nuestras cifras a través de análisis de redes sociales para el modelo de conducta empresarial, Silicon Valley. El uso del término 'modelo' no quiere decir que todos los ecosistemas de inicio fuera de los EE.UU. debe copiar todo lo que el Silicon Valley hace o ha hecho. Es bastante importante que ciudades como Berlín, Londres, Estocolmo y otros a crecer orgánicamente y desarrollar su propio carácter. Pero no hay duda de que Silicon Valley ha producido la mayoría de las más innovadoras empresas de tecnología que conocemos hoy en día y es más o menos igual en cuanto a su entorno de financiación de capital riesgo. Si queremos hablar de capital de riesgo en un ecosistema de maduración como Berlín, no hay manera de mirar más allá de la rica historia del Valle.
Tras el análisis y la comparación de red habrá una - que ni siquiera sombrío - punto de vista sobre el futuro de Berlín, combinado con unas palabras sobre los últimos acontecimientos que juegan en nuestra imagen pintada Berlín-VC.

Método

Teoría de redes sociales es un método interdisciplinario para ilustrar, describir y analizar grandes conjuntos de datos. Se ve en las conexiones y flujos de información y recursos entre los actores individuales dentro de los grupos más grandes (redes alias). Teoría de red le permite llegar a la conclusión uno acerca de la evolución, tendencias y comportamientos mostrados por los actores dentro de la red.
 Pronto nos ocuparemos de dos redes: las redes de VC común de inversión en Silicon Valley y la red VC respectiva de Berlín. Vamos a analizar los datos y las redes en términos de cifras cuantitativas de inversión, así como mediante la comparación de la centralidad (una medición estadística vamos a introducir más adelante) los valores de cada red. R estudio se utilizó para procesar, analizar y visualizar los datos.

Datos

· Descargables de forma gratuita desde CrunchBase (ingreso requerido)
· El análisis se basa en los datos de financiación establecida en Silicon Valley y con sede en Berlín
 Startups entre 2010-2015
· Sólo la financiación de más de 500.000 $ por la inversión de capital riesgo para la puesta en marcha es
 incluido en el conjunto de datos (queremos mirar a la financiación más allá de la semilla)
· Para la comparación, las nuevas empresas de Silicon Valley en el contexto de esta
 El análisis se reducen a nuevas empresas con sede en Menlo Park, Palo Alto, Mountain
 Ver y Sunny Valley

Red de VC de Silicon Valley

(1) La red de VC del Valle de Silicio (VC locales: rojo; Otros VC estadounidenses: blue; VC internacionales: verde), 2010-2015, Los datos: CrunchBase

La red (1) de arriba muestra la red de firmas de capital de riesgo que han invertido en nuevas empresas en Silicon Valley. Una entidad de capital riesgo (nodo) está conectado a otra entidad de capital riesgo (otro nodo) si ambos son co-inversores en un inicio. Sólo a nivel visual, se hace evidente la importancia de locales, los VC a base de Silicon Valley (nodos rojos) son para la red. Que ocupan la mayor parte del espacio central en la red, lo que implica que son de especial interés para la financiación de inicio en Silicon Valley (el actor con el mayor número de vínculos con otro actor se encuentra en medio de una red). Parecen hacer las inversiones más de inicio, y son por esa conectado a muchos otros VCs. Los nodos azules representan las empresas de riesgo-silicio fuera sede en Estados Unidos Valle. Estos se distribuyen bastante consistente través de la red, pero no son capaces de penetrar en el centro de la red. Internacional, fuera de los inversores VC (verde) son en general bastante repuesto en relación con los inversores estadounidenses. Ellos se encuentran principalmente en las afueras de la red, lo que implica un papel co-inversor pasivo en un menor número de VC-sindicatos. Son especialmente presente en la formación de hoz de los VC y pequeñas redes de VC en la parte superior derecha. En resumen: VC locales parecen dominar el mercado de los fondos iniciales SV, otros inversores de Estados Unidos juegan un papel importante, los inversores internacionales no parecen ser tan importante.

Red de VC de Berlín

(2) VC Red de Berlín (VC locales: rojo; Otros VC alemanes: blue; Internacional VC: verde), 2010-2015, Los datos: CrunchBase

Con sólo la comparación visual de la red (1) y (2) se hace bastante claro que (rojo) VC locales desempeñan un papel mucho más importante en la red de financiación de Silicon Valley que en Berlín. En Berlín, los planos local, e incluso los otros VCs alemanes, son superados en número por los inversores de capital riesgo internacionales (nodos verdes) que invierten en nuevas empresas de Berlín. Altough un no-Berlín alemán VC se coloca prácticamente en el centro de la red (es Holtzbrinck Ventures, con sede en Munich), los inversores internacionales desempeñan el papel dominante en la red. Incluso forman sindicatos de co-inversión de los suyos. Se pueden encontrar en casi todas las regiones de la red, cerca del centro, así en las afueras. Ciudades Berlin VC (rojo) representan sólo el 19% de todos los VC que han invertido $ 500.000 + en los arranques de Berlín entre 2010 y 2015. Ellos ocupan principalmente las regiones de todo el centro, pero no directamente en el centro de la red. A juzgar por sus posiciones y el número más bien pequeño de los lazos por los que están conectados a otros capitalistas de riesgo (por la que han invertido en nuevas empresas), que son mucho menos capaces de financiar nuevas empresas en Berlín en sus etapas más avanzadas de lo que muchos inversores internacionales y no gubernamentales Berlín VC alemanes como Holtzbrinck Ventures, o Gründerfonds de alta tecnología (que se encuentra en la parte inferior de centro-derecha).

Berlin vs Silicon Valley VC: cifras de inversión 

(3) Participación de la cantidad de capital riesgo de inversión ($ 500k o más) en nuevas empresas de Silicon Valley (2010-2015)

De los 949 VC que han invertido en Silicon Startups entre 2010-2015 Valle-basados ​​en inversiones de más de $ 500k, 346 (o 36,5%) fueron los VC locales.


(3) Participación de capital de financiación (en las inversiones de $ 500 mil o más) recibidas por nuevas empresas de Silicon Valley (2010-2015)
Estos 36,5% eran responsables de más de la mitad del capital total invertido (41 $ millones de los $ 71 mil millones, o el 57,5% por ciento)

(5) Los 10 VCs invierten en nuevas empresas de Silicon Valley por número de ($ 500 mil) o más inversiones (2010-2015)

El predominio de los VC locales, con base en Silicon Valley consigue también claro observando la clasificación de la mayoría de las empresas de VC activos. Ocupan 9 posititions en los primeros 10 VC por el número de inversiones. Index Ventures técnicamente fue fundada en Ginebra y por lo tanto se ve aquí como un VC internacional.
Las cifras de (3), (4) y (5), apuntan a la hipótesis que formulamos arriba mientras mira a la red de Silicon Valley VC: local, los VC a base de Silicon Valley juegan un papel predominante en la financiación de inicio de Silicon Valley. VC locales invertidos en nuevas empresas al tipo más frecuente y prestados a través de la mitad del capital de financiación (para inversiones superiores a $ 500.000) que recibieron nuevas empresas entre 2010-2015. VC de otras partes de los EE.UU. también juegan un papel importante en la red de Silicon Valley ya que hizo que el 40% de los fondos de capital riesgo han invertido en nuevas empresas y previstas 29% del capital que fluyó en los arranques. Los inversores internacionales por el contrario son sólo una influencia menor en la red.

(6) Proporción de la cantidad de capital riesgo de inversión ($ 500k o más) en nuevas empresas basadas en Berlín (2010-2015)

De los 106 VC que han invertido en nuevas empresas con sede en Berlín entre 2010-2015 cantidades de $ 500.000 y superiores, sólo 21 (19,8%) fueron los VC locales de Berlín.

(7) Participación de capital de financiación (en las inversiones de $ 500 mil o más) recibidas por nuevas empresas basadas en Berlín (2010-2015)

Estos 19,8% aportó el 22% del capital total que nuevas empresas basadas en Berlín recibieron inversiones de $ 500.000 + entre 2010-2015.


(8) Los 10 VCs invierten en nuevas empresas basadas en Berlín por el número de ($ 500 mil) o más inversiones (2010-2015)

La clasificación de las inversiones de capital riesgo también pinta una imagen clara: Berlins VC locales no son tan fuertes como en la financiación de otros VCs alemanas o internacionales. Sólo se llenan tres de los diez primeros lugares en términos de número de las inversiones iniciales.
Al igual que predicha a partir de la red y a juzgar por los datos de financiación, los VC locales de Berlín están lejos de ser tan importante en el sistema de financiación de inicio de Berlín como sus contrapartes locales en el Silicon Valley son. Mientras que los VC internacionales juegan sólo un papel menor para la financiación de inicio en el valle, los inversores externos no alemanes son esenciales para la financiación de inicio de Berlín más allá de la semilla. Los inversores internacionales representan más de la mitad de la inversión activa VC invierten $ 500.000 + y equipar a los arranques de Berlín con más del 60% del capital total invertido ($ 1.8 millones de dólares en total invertido $ 3.1 mil millones).

Red de datos de Centralidad

(9) Los valores de centralidad de la red Berlin VC y la red de Silicon Valley VC

Desde una perspectiva de análisis de red, ahora vemos los datos de centralidad de nuestras dos redes. Grado, betweenness y cercanía son los tipos más importantes y más utilizados de centralidades de red:

• Centralidad de Grado cuantifica el número de conexiones (relaciones) entre los actores (nodos). Un alto grado de valor indica tradicionalmente el actor determinado por ser de gran importancia dentro de la red. Cuando la visualización de la red, actores con los valores de alto grado también ocupan el centro de la red, ya que están conectados a gran número de otros agentes que les rodean.
• Centralidad de intermediación mira el flujo de información dentro de una red. La intermediación de valores de un cierto nodo es el número de los caminos más cortos entre todos los otros actores de la red que pasan a través de ese nodo determinado. Por eso, hay una gran cantidad de información o recursos que van a través de un nodo con un alto valor de intermediación. A través del acceso a grandes cantidades de información por parte de flujo, nodos con valores altos de intermediación ganar posiciones más altas de poder dentro de la red.
• El valor de centralidad de cercanía se calcula la posición de un determinado nodo tiene en la red basada en el número de lazos a través del cual está conectado a todos los demás nodos de la red. Un alto cercanía-valor indica la capacidad de un nodo a interactuar con otros nodos rápidamente a través de un bajo número de lazos.

Silicon Valley

En cuanto a los tres tipos de datos de carácter central de la red de Silicon Valley VC, la narrativa de los VC locales siendo los más importantes para nuevas empresas con base en Silicon Valley que crían $ 500k + inversiones continúa. El local de Silicon Valley VC tienen en promedio dos veces más en nuevas empresas locales que otros VCs de Estados Unidos y más de tres veces más que los VC internacionales (grado medio). A través de sus posiciones centrales en su mayoría, ellos también tienen la calificación más alta betweeness, así como la puntuación más alta cercanía. VC locales son, con mucho, la fuente dominante de capital para nuevas empresas de Silicon Valley.

Berlin

cifras de centralidad de Berlín son un poco más complejo. En términos de grado-centralidad, VC locales se colocan en segundo lugar detrás los VC internacionales, enfrente de otros VCs alemanes. A pesar de que haya más VCs no alemanes en la red de VC locales. ¿Porqué es eso? Si echamos un vistazo atrás una la red (2), podemos ver que el capital riesgo locales Berlín posicionamiento de sí mismos principalmente en torno a las regiones centrales de la red. No especialmente en el centro, pero tampoco en los bordes más alejados de la red. En algún lugar entremedio. Esto les da una ventaja sobre otros VCs alemanes. Porque además de Holtzbrinck y Gründerfonds de alta tecnología, que forman los dos centros de la red, los demás VC no alemana de Berlín residen sobre todo en la periferia. Lo que significa que no invirtieron con tanta regularidad como VC locales Berlín y por lo tanto no se conectan con la frecuencia que otros VCs como co-inversores.
Holtzbrinck y High-Tech Gründerfonds son responsables de la puntuación más alta (95,14) intermediación de los VC alemanes no basadas en Berlín. Un número muy grande de pathes más cortos cruzar Trough ellos a causa de sus posiciones centrales. Sin Holtzbrinck y de alta tecnología Gründerfonds, VC locales tendrían el primer puesto de intermediación.
Pero, ¿qué pasa con los inversores internacionales? En nuestro análisis anterior que parecía estar claro que son los jugadores más importantes en el ecosistema de la financiación de Berlín. Por números puros y capital invertido, que superados Berlín VC local. Pero en términos de los datos de carácter central, que están en un nivel casi incluso con los VC locales. Y ellos son vencidos por los VC locales de Berlín intermediación y las cifras de la cercanía de centralidad. ¿Porqué es eso?
La respuesta de nuevo se encuentra en la posición estratégica de la mayoría de los VC basados ​​Berlín locales: Son en su mayoría se encuentran en las regiones medias de la red, no purley en el centro, sino también no mucho en las afueras. En promedio, un local de Berlín VC invierte y co-invierte más frecuentes arranques de Berlín que los inversores internacionales. Estos a menudo 'volar' en por sólo una o dos inversiones, pero no son tan entrelazado con el ecosistema de Berlín como VC locales. Mientras que los VC internacionales superan claramente los VC locales y al mismo tiempo más de la mitad del capital invertido proviene de VC internacionales, en promedio estas VC internacionales invierten menos frecuencia que los VC locales. Ocupan posiciones farer lejos del centro. Ellos reciben menos información que los VC locales e interactúan con menos frecuencia con otros VCs. De hecho, si nos fijamos en la red (2) verá que a menudo son los últimos nodos en el mismo afueras de la red.
En otras palabras, eso significa ...

que los VC locales activos de Berlín están integrados en la red mucho mejor que los VC internacionales, incluso si los invierten más capital en los arranques de Berlín.VC locales de Berlín ya comparten algunas de las características dominantes de sus homólogos de capital de riesgo local de Silicon Valley. Vencieron a los VC internacionales y la mayoría de los VC basados ​​alemanes no Berlín en términos de intermediación y proximidad central.En realidad VC las altas cifras de intermediación y cercanía implican que VC locales de Berlín ya reciben una información más crucial y recursos (por ejemplo, ofertas interesantes, el conocimiento sobre el talento, las próximas tendencias tecnológicas) que cualquier otro VC en la red. Además de que son capaces de llegar a otros VC en la red (para compartir información, la red, buscar talentos, encontrar un socio inversor) más rápido que los VC internacionales o alemanas de Berlín no puede.Teniendo en cuenta que los VC locales de Berlín eran sólo es responsable de 22% de la financiación, estas cualidades son señales muy positivas.Dicho esto, sólo dos cosas permanecen VC locales de Berlín se convierta en tan predominante en el ecosistema de Berlín como VC locales de Silicon Valley en ellos: la falta de capital y una mera falta de cantidad.

Una mirada brillante por delante

Estas dos cuestiones (a. VC locales no es suficiente y b. La falta de capital) sólo se pueden resolver desde dentro del ecosistema de Berlín. En una manera orgánica, como lo demuestra el valle.
Un factor simple pero fundamental diferencia de Silicon Valley y Berlín: el tiempo. industria de la tecnología de Silicon Valley es por lo menos 60 años de edad. historia económica moderna de Berlín sólo comienza después de 1989. Cuando en los años noventa Silicon Valley se encontraba en medio de una internet-bombo con las valoraciones de inicio millones de dólares, la mitad de Berlín estaba recién liberado de un gobierno socialista y acaba de empezar a adaptar los principios básicos de una la economía de mercado capitalista. Eso es bastante la diferencia.
El conductor central detrás de la capacidad de Silicon Valley para innovar y prosperar es el hecho de que es una enorme red entrelazada de personas creativas, instituciones pertinentes y los recursos como el conocimiento y el capital que evolucionaron todos juntos en el transcurso de la segunda mitad del siglo 20.
Los capitalistas de riesgo locales fueron primero un subproducto y más tarde se convirtió en una de las fuerzas más esenciales del éxito de la Valle. empresas de capital riesgo fueron fundadas en su mayoría por empresarios prósperos. Luego hubo una gran cantidad de VC spin-off. La gente también se fueron de ida y vuelta entre la academia, el espíritu empresarial y la inversión. Los inversores informales se quedaron en la red y apoyados fundadores locales el asesoramiento y el capital.
Por el contrario, el ecosistema de Berlín es joven. Está madurando y, durante los últimos años tal vez haya estado en su pubertiy. Rocket Internet era igual que su primera novia. Altough siendo un tema controvertido, que dejó una enorme huella en la ciudad. Usted no tiene que pintarlos como santos, pero los hermanos Samwer y sus compañeros de Zalando y otros proyectos de éxito definitivamente trajo el ecosistema en un nuevo nivel mundial. Al comienzo de 2016 cerraron la Rocket Internet Capital Partners Fund en más de $ 420 millones. Los fundadores Zalando ahora son también ángeles de negocios muy activos en Alemania.
Eso es exactamente lo que necesita de Berlín en este punto: el crecimiento del ecosistema orgánico desde dentro.
Y aquí está la buena noticia: la financiación de los ecosistemas de Berlín se mueve exactamente en esa dirección. Vimos un número de VC con sede en Berlín se inició por ex-empresarios en los últimos dos años. Como Cherry Ventures, Cavalry Ventures,The Angel Club y muchos otros.
También ha habido una ola de spin-off de VC, donde los socios de VC han iniciado su propia firma. Estos incluyen, por ejemploe Join Capital, BlueYard Capital,Kompass Ventures y Fly Ventures.
Después de centrarse en el comercio electrónico en los últimos 5-10 años, Berlín está empezando a formar su propio y diverso carácter, ecosistema orgánico. La lista de los VC recién fundadas anteriormente son prueba perfecta para eso. Al igual que en el transcurso del desarrollo de Silicon Valley, exitosos ex-empresarios de Berlín están poniendo su dinero en fondos y están dando vuelta a la red. Eso también es una señal positiva para avers de riesgo-LPs de Alemania institucionales, que pueden confiar en alguien con un trackrecord empresarial.
También hay una nueva generación de VC que sube, que dejan a sus empresas de capital riesgo originales, obtener capital y empezar a invertir por su cuenta. Con estilo y perfil personal. Ciaran O'Leary de BlueYard Capital, que se centra en la tecnología de red que blockchain y descentraliza y democratiza los datos, es un ejemplo perfecto e interesante de este. Como se describió anteriormente, hay muchos otros casos de spin-off de VC, como vimos en las primeras décadas del Silicon Valley.
También hay ejemplos de los VC a partir de una compañía a sí mismos, como Stephan von Perger con Zenjob.
Así, mientras que una gran parte del análisis de la red por encima pintaron un panorama más bien desalentador de la situación de los VC locales de Berlín, la financiación futura de la ciudad se ve brillante. Incluso si los inversores externos realizan la mayor parte del capital invertido en las rondas de etapa posterior en los arranques de Berlín 2010-2015, los VC locales golpearon (casi) el uno al otro grupo en términos de-dad integrada en la red. Esa es una posición sólida de los inversores de nueva creación pueden florecer a partir.
Convertirse en un 'Silicon Valley alemán' - al igual que muchos periódicos alemanes como titulares - no se trata de creer en la ilusión de que Berlín sea capaz de que gigantes de la tecnología de producción en masa como Apple acaben pasando la noche. Se trata de la evolución empresarial. Se trata de construir una red diversa que también comparta una identidad colectiva. A través de crecimiento orgánico, interno. Empresa por empresa, VC por VC, año tras año. Eso probablemente no lo hace para un lugar para gerentes de emprendimientos tecnológicos en Berlín en un periódico alemán típico. Pero es exactamente el camino de Berlín está encendiendo de a poco. Y eso es emocionante.

La complejidad de la propiedad de las redes financieras off-shore

El análisis de redes muestra las finanzas off-shore como una compleja red de vínculos de propiedad
Las finanzas offshore se ha convertido en un elemento crucial de la economía política internacional, escribe Ene Fichtner
LSE Business Review



La UE hizo un movimiento en agosto para forzar a Apple a pagar € 13 mil millones en impuestos no pagados. El episodio se ha convertido rápidamente emblemático de la lucha de la UE contra la evasión fiscal corporativa, una disputa que se intensificó a raíz de la crisis financiera de 2009. A medida que los europeos lo ven, se trata de la necesidad de proporcionar una igualdad de condiciones entre las empresas estadounidenses y europeas. Si un minorista con sede en Reino Unido presta mucha más impuestos que Amazon sede en Estados Unidos, que nunca será capaz de competir de forma justa. La OCDE, "la organización encargada por el G8 y el G20, más recientemente, el desarrollo de normas internacionales como parte de la lucha contra la evasión y el fraude" vio sus ambiciones aguadas después de una intensa presión política. En este artículo, el análisis de red de la red corporativa nos permite visualizar cómo las corporaciones multinacionales estructuran sus vínculos de propiedad, un elemento clave en la evasión de impuestos.

...

Las finanzas offshore ya no es el fenómeno pequeños y periféricos lo era antes. Durante las últimas cuatro décadas, se ha convertido en un elemento crucial de la economía política internacional contemporánea. Hoy en día, los centros financieros offshore (que también pueden ser llamados paraísos fiscales o paraísos regulatorios) constituyen nodos centrales dentro de los mercados financieros globales.

Gabriel Zucman ha estimado recientemente que la riqueza financiera por una suma de casi US $ 8 billones representan a cabo en alta mar - una suma que asciende a casi el 50 por ciento del PIB de la UE o los EE.UU.. Esto provoca una pérdida de ingresos fiscales mundial de aproximadamente US $ 200 mil millones. Las estimaciones de la riqueza en alta mar por la Red de Justicia Fiscal incluso oscilan entre los US $ 21 billones de dólares y US $ 32 billones de dólares. Podría decirse que los individuos de alto valor neto (HNWI) y grandes corporaciones multinacionales (CMN) sostienen que la gran mayoría de esta riqueza en alta mar, lo que conduce directamente a las preguntas de la creciente desigualdad económica.

El impacto de las finanzas en alta mar no sólo se refiere a la desigualdad económica, sino también a las cuestiones de responsabilidad corporativa y la transparencia - ambos de los cuales son fundamentales para el buen funcionamiento de cualquier economía de mercado. Por esta razón, la Red de Justicia Fiscal no utiliza el término centros financieros offshore o paraísos fiscales, sino que los llama jurisdicciones secretas, porque el secreto y la opacidad son las principales razones por las cuales los agentes económicos extranjeros usan estos países y territorios.

Con este secreto y la falta de rendición de cuentas vienen grandes riesgos. Los escándalos corporativos de Enron, Parmalat y Olympus, así como el casi colapso del gran fondo de cobertura LTCM todas las filiales participantes en paraísos fiscales. Además, estas jurisdicciones secretas han funcionado como domicilios legales para la creación de productos financieros estructurados complejos, como las obligaciones de deuda garantizadas (CDO) y otros valores respaldados por activos (ABS). De acuerdo con Photis Lysandrou y Anastasia Nesvetailova, estos productos financieros opacos han contribuido al desarrollo de la crisis financiera global, o al menos se han agravado considerablemente.

A pesar de estos riesgos significativos, los servicios financieros extraterritoriales recibe muy poca atención por parte de los reguladores. Por supuesto, los G-20 han tomado algunas medidas modestas) (después de la crisis financiera mundial para aumentar la regulación de los centros financieros offshore. Niels Johannesen y Gabriel Zucman han encontrado que estas medidas sólo han provocado una reubicación de los activos entre los centros offshore, pero no una disminución general de los activos contabilizados en estas jurisdicciones secretas.

Pero el calor está encendido. En 2014, el Consorcio Internacional de Periodistas de Investigación (ICIJ) publicó un informe en el que ganó la atención mundial de los medios: ". Fugas de Luxemburgo" los El informe ICIJ reveló que el Gran Ducado de Luxemburgo ayudó a más de 300 grandes corporaciones multinacionales para reducir sus facturas de impuestos globales drásticamente , Amazon, McDonalds y IKEA por ejemplo. Estas grandes empresas han canalizado cientos de miles de millones de dólares a través de esta pequeña jurisdicción y como resultado ahorrado miles de millones de dólares en impuestos en otro lugar.

Otro ejemplo que ha llamado mucho la atención es un impuesto de construcción conocido como el "doble irlandés con un sándwich holandés" que reduce los impuestos para las grandes multinacionales, como Apple, desplazando las ganancias internacionales de una filial irlandesa a los Países Bajos luego de vuelta a Irlanda y, posteriormente, en otro lugar, por ejemplo, a los paraísos fiscales del Caribe.

A mediados de 2016, la Unión Europea dictaminó que el impuesto de construcción especial que Irlanda ha ofrecido de Apple constituye un importe ilegal e injusto subsidio a más de US $ 13 mil millones, el cual tiene que ser reembolsado. Por último, la fuga masiva de datos confidenciales relativas a sociedades pantalla y fideicomisos conocidos como los "Documentos de Panamá", que incluye datos sobre más de 200.000 entidades offshore, causó una gran atención por los medios y por la academia por igual.

La identificación de los centros financieros extraterritoriales

Una serie de organizaciones internacionales, como el FMI, la OCDE y otros, comenzó a publicar listas de países que se consideran centros offshore. Por supuesto, dichas listas - incluso si inicialmente sobre la base de criterios relevantes - rápidamente se politizan y por lo tanto a menudo pierden su valor.

Una de las definiciones de los centros financieros offshore que es muy adecuado para la investigación empírica es de Ahmed Zoromé: "un OFC es un país o jurisdicción que ofrece servicios financieros a no residentes en una escala que es inconmensurable con el tamaño y la financiación de su economía doméstica ". Esta definición tiene la ventaja de que se basa exclusivamente en los datos.

El Índice de Secreto Financiero, así la relación de intensidad alta mar siguen este enfoque metodológico. El Índice de Secreto Financiero combina una puntuación secreto con un peso de escala global para producir una FSI-valor para cada jurisdicción. La relación en alta mar intensidad fija la cantidad agregada de capital extranjero reservado en una jurisdicción (depósitos bancarios externa, la inversión extranjera de cartera, y la inversión extranjera directa) en relación con el tamaño de su economía doméstica. El resultado es una relación que expresa la fuerza con la que la jurisdicción particular, ha actuado como un imán para el capital extranjero.

La figura 1 muestra las relaciones financieras bilaterales entre los mayores de 34 jurisdicciones de las finanzas globales transfronteriza. Estos lazos financieros transnacionales representan casi el millón de millones de $ 82 - un poco más que el PIB mundial. Puede leer la figura de la siguiente manera: gris son los menos probables de ser un centro financiero offshore. Amarillo son los CFE potenciales, tales como Suiza y el Reino Unido. Por último, los países rojos tienen altas relaciones de alta mar intensidad, entre ellos Irlanda, Luxemburgo y los Países Bajos. La magnitud de las esferas en la visualización es equivalente a la suma de todas sus relaciones bilaterales en el campo de las finanzas globales transfronteriza. Los mayores jurisdicciones están en el centro de la visualización, los más pequeños se muestran en la periferia.

Figura 1: Los mayores centros financieros offshore en las finanzas globales transfronteriza en el año 2012


Fuente: Jan Fichtner (2015): El Índice de Intensidad-Marina, Documento de trabajo CITYPERC, City University de Londres.

Cadenas de propiedad globales

Tanto el Índice de Secreto Financiero, así como la relación en alta mar intensidad se basan en datos agregados, es decir, la combinación de todos extranjera de cartera o de inversión directa que se ha informado a las organizaciones internacionales. De hecho, los datos agregados son utilizados por la gran mayoría de los estudios existentes sobre los centros financieros offshore. Sin embargo, es en la naturaleza misma de los datos agregados que se confunden muchos detalles interesantes y relevantes. Esto se opone a la aplicación de muchas preguntas de investigación y métodos innovadores. Por lo tanto, un enfoque prometedor para el análisis de las finanzas offshore es utilizar los datos granulares, desglosados.

El grupo de investigación de la red corporativa utiliza la base de datos de Orbis por Bureau van Dijk, que contiene 200 millones de empresas, 70 millones de las relaciones de propiedad corporativa, y 10 millones de cadenas de propiedad transnacionales. Granular, datos basados ​​en la empresa permite el estudio de nuevas preguntas de investigación relativa a los centros financieros extraterritoriales y la forma en que son utilizados por las empresas multinacionales para reducir al mínimo (y lo más probable es que también evaden) los impuestos y crear estructuras de propiedad corporativa transnacionales secretos y opacos (véase este artículo de Alex Cobham y Simon Loretz para la investigación innovadora a partir de datos de Orbis).

En el siguiente paso, CorpNet se va a centrar en lo que llamamos "cadenas de propiedad global" (GOCS), que son las relaciones corporativas de propiedad (a menudo a través de subsidiarias) que se extienden a través de múltiples jurisdicciones, presumiblemente con el fin de minimizar y evadir impuestos, y para crear el secreto y la opacidad. Aquí, nos inspira y basarse en la investigación sobre las "cadenas de valor mundiales" y "Cadenas riqueza global".

las investigaciones existentes sobre las cadenas de propiedad corporativa es escasa. La Conferencia de las Naciones Unidas sobre Comercio y Desarrollo (UNCTAD) ha publicado una investigación innovadora en las cadenas de propiedad en su Informe Mundial de Inversiones 2016, entre otras cosas, la introducción de un "inversor índice de nacionalidad desajuste" (también confiar en los datos de Orbis). Vamos a complementar y ampliar esta literatura emergente mediante la identificación de las jurisdicciones (offshore) que juegan el papel más importante en las cadenas de propiedad globales.

Los resultados preliminares indican que sólo un pequeño número de jurisdicciones dominan Comités Organizadores de Juegos - principalmente los Países Bajos, sino también de Luxemburgo, el Reino Unido, Bermudas (BM), las Islas Caimán (KY), y las Islas Vírgenes Británicas (VG) (véase la Figura 2) . De este modo, la red corporativa va a avanzar en la investigación sobre las finanzas en alta mar mediante el análisis como una compleja red de vínculos de propiedad transnacionales.

Figura 2: La red de vínculos de propiedad transnacionales por valor de ir a través de cadenas en 2015


El análisis CorpNet por Javier García-Bernardo basado en los datos de Orbis: Fuente

ARS ayudando a los estudios de salud pública

Big Data, redes y enfermedades
La Red Social de Salud - Cómo Instagram y Twitter están aportando nuevos conocimientos

Luis Rocha, Director del Programa de Sistemas Complejos en la Escuela de Información y Computación de la Universidad de Indiana en Bloomington, explica el nuevo enfoque de software dirigido a la investigación médica. Grandes volúmenes de datos generados a través de las redes sociales como Twitter y Instragram ofrece un examen más profundo y más completo de los efectos de los medicamentos y enfermedades, lo que lleva a mayores conocimientos útiles para mejorar la eficacia de la prevención y el tratamiento.

Visualización: Polarización en las votaciones en Zurich

Estructura de polarización social y económica en votaciones en el cantón de Zurich

Kanton Zürich
Direktion der Justiz und des Innern

Los hechos 

Las declaraciones se basan en un análisis de datos agregados de los resultados de la comuna de Zurich.

• Iniciativa "Economía Verde" (TIO): La votación fue ideológicamente en especial altamente el acuerdo estaba en comunidades que abogan por un estado fuerte, profundamente entrar en los preferencia del mercado soluciones. En las comunidades progresistas de la aprobación fue más alta que en la conservadora, pero la polarización a lo largo de este eje baja (Figura 1, 2). Enlaces votantes (SP, verde) es probable que hayan dado su consentimiento a la plantilla encima de la media, para los votantes de la SVP y el FDP se aplica a la inversa (gráfico 3). Los factores sociales juegan ningún papel (gráfico 4).
• Iniciativa AHVplus: Como era de esperar, la aprobación de la iniciativa con los partidarios de un estado fuerte fue mayor que con los representantes de las soluciones basadas en el mercado - el eje económico, así que tenía una cierta importancia (Figura 1, 2). Sin embargo, hay indicios de una gran importancia relativa del contexto social (gráfico 4): municipios profundidad de estado con una población de menores recursos tienen la plantilla en lugar de estado de aprobado alto, rico. Incluso en las zonas urbanas, el acuerdo fue mayor que en las zonas rurales (Figura 4). Las razones exactas de esto puede ser un análisis de datos agregados a nivel comunitario, pero no declaraciones siempre seguros. Las encuestas son para el instrumento apropiado.
• Ley de Agencias de Inteligencia (NDG): Apoyo a la Ley de Agencias de Inteligencia muestra exclusivamente de las relaciones de contraste estado-mercado (Figura 1, 2). En el mercado de las comunidades de afinidad consentimiento (todavía) fue mayor que en los que más apoyo del gobierno general. lo que parece a primera vista extraña - y no menos evidente que el alto grado de abstracción de la etiqueta del eje, aunque la gran mayoría, pero no es capaz de cubrir todos los casos. Los corresponde por el estado de eje mercado, pero a nivel de grupo de contraste entre los partidos de izquierda (SP, verde) y el FDP (gráfico 3). Y si hay un punto en el que el electorado de la izquierda es el estado escépticos (palabra clave Fichenaffäre) y los de la FDP lo contrario, por lo que este es probablemente el (estado) Pregunta de seguridad.
• Iniciativa cantonal "cuidado de niños asequible": El patrón ideológico fue similar a la de la IGW, sin embargo, fue la importancia de los factores ideológicos equilibrado (Figura 1, 2). Además, muestra una relativamente pronunciada sociodemográfico del campo a la zanja que probablemente refleja la diferente afectada (gráfico 4). Debido a que en las zonas rurales predominan las estructuras familiares más tradicionales, mientras que los aumentos de la población lleva en las localidades de la ayuda exterior.

Estructuras de polarización ideológicas y sociales de las plantillas - cuatro gráficos

La información básica empotrada en la motivación, la base de datos y la base metodológica de las siguientes gráficas da statistik.info 04/2016.

El gráfico 1 muestra la aceptación de las cuatro plantillas en el mapa político del cantón de Zurich. Se permite una clasificación de voto con respecto a las preferencias ideológicas de la población. Por un lado puede ser comunidades conservadoras de diferir (eje vertical) progresiva, por la otra mano en lugar de declaración más favorable al mercado a (eje horizontal). Los gráficos también están disponibles de forma interactiva.

Figura 1: La aprobación de los referendos en el mapa político del Cantón de Zúrich

 estructuras de polarización y los partidos

La figura 2 resume el modelo de la figura 1 junto con dos indicadores. La dirección y la fuerza de la relación del acuerdo a una plantilla con los dos ejes es que ven a simple vista y comparable a otras plantillas. Se muestra todas las plantillas son federales y cantonales la década actual.

Fue la aprobación en las comunidades conservadoras altos, por lo que es la plantilla por encima del centro, que era alta en el progresiva, a continuación. Lo mismo se aplica para el mercado de estado de eje horizontal. Cuanto más lejos de una plantilla se elimina del centro, el más fuerte de los resultados de la comunidad fueron marcados por las actitudes ideológicas. Una versión interactiva se puede encontrar aquí. La regla de oro: Si una imagen no está incluido en el área sombreada de color gris localiza en el medio, puede por un efecto relevante al menos una dimensión se consideran.

Gráfico 2: Estructura de la polarización ideológica de los referendos de contexto

 estructura de la polarización ideológica de la venida referendos sobre 25/09/2016 en contexto

En la figura 3 se hace la referencia a los votantes del Partido acciones que son "localiza" de la misma manera que los votos. En principio, cuanto más cerca de una plantilla a nombre del partido, más fuerte será la conexión (positivo) de votos proporcional a la participación correspondiente de los votos.

Gráfico 3: Partidos y patrón de polarización 


La Figura 4 se puede leer como análoga a la figura 2, excepto que aquí la polarización socio-espacial reconocible. Plantillas por encima del centro encontraron en las comunidades rurales y tradicionales calificaciones relativamente altas de aprobación, los de abajo y no en ciudades izquierda del centro en el estado bajo comunidades ("pobres"), la derecha del centro en el estado alto ( "rico"). Cuanto más lejos del centro, más fuerte es la relación - y el más seguro, también es cierto que el contexto social influyó en el comportamiento de los votantes. Una vez más: Si una imagen no está incluido en el área sombreada de color gris se localiza en el centro, por lo que puede un efecto relevante al menos una dimensión se consideran.

Gráfico 4: Estructura de la polarización socio-demográfico de las próximas referendos sobre 25/09/2016 en contexto

 estructura de la polarización socio-demográfico de las próximas referendos sobre 25/09/2016 en contexto


Vista del patrón ideológico y socio-demográfico de polarización voto en Zúrich -  010-2016
mapa político de forma interactiva

iFrame-Inhalt in separater Seite öffnen

Estructuras de polarización ideológicas y sociales de forma interactiva

iFrame-Inhalt in separater Seite öffnen

ARS 101: Bi-componentes conectados o vértices de corte

Bicomponentes conectados o vértice de corte
Wikipedia


Un grafo de ejemplo con el vértice de corte marcado. Cada color corresponde a un vértice de corte. vértices multicolores se cortan vértices, y por lo tanto pertenecen a varios vértice de corte.

En la teoría de grafos, un vértice de corte (también conocido como un bloque o componente 2-conectado) es un subgrafo máximo biconexas. Cualquier grafo conexo se descompone en un árbol del vértice de corte llamado el árbol de corte de bloque del grafo. Los bloques están unidos entre sí en los vértices compartidos llamados vértices de corte o puntos de articulación. Específicamente, un vértice de corte es cualquier vértice cuya eliminación aumenta el número de componentes conectados.

Algoritmos

El tiempo lineal profundidad primera búsqueda

El algoritmo secuencial clásica para el cálculo de vértice de corte en un grafo no dirigido conectada se debe a John Hopcroft y Robert Tarjan (1973). [1] Se ejecuta en tiempo lineal, y se basa en la búsqueda en profundidad. Este algoritmo también se perfila como un Problem 22-2 de su Introduction to Algorithms (tanto 2ª y 3ª ediciones).

La idea es ejecutar una búsqueda en profundidad mientras se mantiene la siguiente información:

• la profundidad de cada vértice en el árbol de profundidad-primero-búsqueda (una vez que se visitó), y
• para cada vértice v, la profundidad más baja de los vecinos de todos los descendientes de v en el árbol de profundidad primera búsqueda, llamado el punto más bajo.

La profundidad es estándar para mantener durante una búsqueda en profundidad. El punto más bajo de v puede calcularse después de visitar todos los descendientes de v (es decir, justo antes de v se apareció de la pila profundidad-primero-búsqueda) como el mínimo de la profundidad de v, la profundidad de todos los vecinos de v (aparte de la padre de v en el árbol de la profundidad de primera búsqueda) y el punto más bajo de todos los hijos de v en el árbol de la profundidad de primera búsqueda.

La clave es que un vértice no raíz v es un vértice de corte (o punto de articulación) que separa dos vértice de corte si y sólo si hay un niño y de v tal que si profundidad  ≥ punto más bajo (y) (v). Esta propiedad puede ser probado una vez que la búsqueda en profundidad regresó de cada hijo de v (es decir, justo antes de v se hizo estallar de la pila de profundidad primera búsqueda), y si es verdad, v separa el grafo en diferentes vértice de corte. Esto se puede representar mediante el cálculo de un vértice de corte de cada uno de estos y (un componente que contiene y contendrá el subárbol de y, además v) y, a continuación, borrar el subárbol de y del árbol.

El vértice de la raíz debe ser manejado por separado: es un vértice de corte si y sólo si tiene al menos dos hijos. Por lo tanto, basta con simplemente construir un componente de cada subárbol hijo de la raíz (incluyendo la raíz).

Pseudocódigo

GetArticulationPoints(i, d)
    visited[i] = true
    depth[i] = d
    low[i] = d
    childCount = 0
    isArticulation = false
    for each ni in adj[i]
        if not visited[ni]
            parent[ni] = i
            GetArticulationPoints(ni, d + 1)
            childCount = childCount + 1
            if low[ni] >= depth[i]
                isArticulation = true
            low[i] = Min(low[i], low[ni])
        else if ni <> parent[i]
            low[i] = Min(low[i], depth[ni])
    if (parent[i] <> null and isArticulation) or (parent[i] == null and childCount > 1)
        Output i as articulation point

Otros algoritmos

Una alternativa simple al algoritmo anterior utiliza descomposiciones de la cadena, que son descomposiciones especiales para los oídos en función de árboles DFS. [2] Las descomposiciones de cadena se pueden calcular en tiempo lineal por esta regla de desplazamiento. Sea C una descomposición de la cadena de G. Entonces se conecta-2-vértice G si y sólo si G tiene grado mínimo 2 y C1 es el único ciclo en C. Esto da inmediatamente una prueba de 2-conectividad en tiempo lineal y se puede ampliar listar todos los vértices de corte de G en el tiempo lineal utilizando la siguiente instrucción: un vértice v en un grafo conexo G (con grado mínimo 2) es un vértice de corte si y sólo si v es incidente a un puente o v es el primer vértice de un ciclo en C - C1. La lista de los vértices de corte se puede utilizar para crear el árbol de bloque de corte de G en el tiempo lineal.

En la versión en línea del problema, se añaden vértices y aristas (pero no eliminado) de forma dinámica, y una estructura de datos deben mantener las vértice de corte. Jeffery Westbrook y Robert Tarjan (1992) [3] desarrollaron una estructura de datos eficiente para este problema sobre la base de estructuras de datos disjuntos-set. En concreto, se procesa n vértices adiciones y adiciones m de borde en O (m α (m, n)) tiempo total, donde α es la función inversa Ackermann. Esta vez unida se demostró ser óptima.

Uzi Vishkin y Robert Tarjan (1985) [4] diseñaron un algoritmo paralelo en CRCW PRAM que se ejecuta en O (log n) tiempo con n + m procesadores. Guojing Cong y David A. Bader (2005) [5] desarrollaron un algoritmo que logra una aceleración de 5 con 12 procesadores en SMP. Aceleraciones superiores a 30 basado en el algoritmo original Tarjan-Vishkin fueron reportados por James A. Edwards y Uzi Vishkin (2012). [6]

Estructuras relacionadas

Relación de equivalencia

Uno puede definir una relación binaria en los bordes de un grafo no dirigido arbitraria, según la cual dos bordes E y F están relacionadas si y sólo si, ya sea e = f o el grafo contiene un ciclo simple tanto a través de e y f. Cada borde está relacionada a sí mismo, y un borde e está relacionado con otro borde f si y sólo si f está relacionado de la misma manera a E, menos evidente, esta es una relación transitiva: si existe un ciclo simple que contiene bordes e y f, y otro ciclo simple que contiene bordes F y g, entonces se pueden combinar estos dos ciclos de encontrar un ciclo simple a través de e y g. Por lo tanto, esta es una relación de equivalencia, y que puede ser utilizado para dividir los bordes en clases de equivalencia, los subconjuntos de los bordes con la propiedad de que dos bordes están relacionados entre sí, si y sólo si pertenecen a la misma clase de equivalencia. Los subgraphs formados por los bordes de cada clase de equivalencia son los vértice de corte de la grafo dada. Por lo tanto, los vértice de corte partición de los bordes de la grafo; sin embargo, pueden compartir vértices entre sí. [7]

Grafo de bloque 

El grafo de bloques de un grafo dado G es el grafo intersección de sus bloques. Por lo tanto, tiene un vértice para cada bloque de G, y un borde entre dos vértices siempre que las correspondientes dos bloques comparten un vértice. Un grafo H es el grafo de bloques de otro grafo G exactamente cuando todos los bloques de H son subgrafos completos. Los grafo H con esta propiedad son conocidos como los grafos de bloque. [8]

Árbol de bloque de corte

Un punto de un grafo de G punto de corte, el vértice de corte, o la articulación es un vértice que es compartida por dos o más bloques. La estructura de los bloques y los puntos de corte de un grafo conectado puede ser descrita por un árbol llamado el árbol de bloque de corte o árbol de BC. Este árbol tiene un vértice para cada bloque y para cada punto del grafo dada la articulación. Hay una ventaja en el árbol de bloque de corte para cada par de un bloque y un punto de articulación que pertenece a ese bloque. [9]

Notas

1. Hopcroft, J.; Tarjan, R. (1973). "Algorithm 447: efficient algorithms for graph manipulation". Communications of the ACM. 16 (6): 372–378. doi:10.1145/362248.362272.
2. Schmidt, Jens M. (2013), "A Simple Test on 2-Vertex- and 2-Edge-Connectivity", Information Processing Letters, 113 (7): 241–244, doi:10.1016/j.ipl.2013.01.016.
3. Westbrook, J.; Tarjan, R. E. (1992). "Maintaining bridge-connected and biconnected components on-line". Algorithmica. 7: 433–464. doi:10.1007/BF01758773.
4. Tarjan, R.; Vishkin, U. (1985). "An Efficient Parallel Biconnectivity Algorithm". SIAM J. Comput. 14 (4): 862–874. doi:10.1137/0214061.
5. Guojing Cong and David A. Bader, (2005). "An Experimental Study of Parallel Biconnected Components Algorithms on Symmetric Multiprocessors (SMPs)". Proceedings of the 19th IEEE International Conference on Parallel and Distributed Processing Symposium. pp. 45b. doi:10.1109/IPDPS.2005.100.
6. Edwards, J. A.; Vishkin, U. (2012). "Better speedups using simpler parallel programming for graph connectivity and biconnectivity". Proceedings of the 2012 International Workshop on Programming Models and Applications for Multicores and Manycores - PMAM '12. p. 103. doi:10.1145/2141702.2141714. ISBN 9781450312110.
7. Tarjan & Vishkin (1985) credit the definition of this equivalence relation to Harary (1969); however, Harary does not appear to describe it in explicit terms.
8. Harary, Frank (1969), Graph Theory, Addison-Wesley, p. 29.
9. Harary (1969), p. 36.