CN112765561A - 一种面向供应链系统信任生态的宏观评估方法 - Google Patents

一种面向供应链系统信任生态的宏观评估方法 Download PDF

Info

Publication number
CN112765561A
CN112765561A CN202110048047.5A CN202110048047A CN112765561A CN 112765561 A CN112765561 A CN 112765561A CN 202110048047 A CN202110048047 A CN 202110048047A CN 112765561 A CN112765561 A CN 112765561A
Authority
CN
China
Prior art keywords
trust
supply chain
cluster
trusted
node
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110048047.5A
Other languages
English (en)
Other versions
CN112765561B (zh
Inventor
周世成
陆佃杰
张桂娟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Petroleum East China
Original Assignee
China University of Petroleum East China
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China University of Petroleum East China filed Critical China University of Petroleum East China
Priority to CN202110048047.5A priority Critical patent/CN112765561B/zh
Publication of CN112765561A publication Critical patent/CN112765561A/zh
Application granted granted Critical
Publication of CN112765561B publication Critical patent/CN112765561B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/04—Payment circuits
    • G06Q20/06—Private payment circuits, e.g. involving electronic currency used among participants of a common payment scheme
    • G06Q20/065—Private payment circuits, e.g. involving electronic currency used among participants of a common payment scheme using e-cash
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Operations Research (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Technology Law (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及互联网数字货币支付技术领域，提供一种供应链系统信任生态宏观评估方法，在该方案中，首先建立了一个信任模型(TM)来从宏观上表示供应链主体之间的信任关系。由于信任生态系统是随着供应链主体之间信任关系的变化而演化的，因此构建了基于渗流的信任演化模型(P‑TEM)，通过将演化过程映射到联合点/边的渗流来捕捉信任生态系统的动态特征。基于P‑TEM，计算了SCS信任生态从弱变好的相变点。该相变点能够为构建SCS健康的信任生态提供重要指导。最后，通过理论分析和数值模拟验证了的方法的有效性。

Description

一种面向供应链系统信任生态的宏观评估方法
技术领域
本发明涉及互联网数字货币支付技术领域，特别涉及一种供应链系统信任生态宏观评估方法。
背景技术
信任生态系统在供应链系统(Supply Chain System，SCS)中扮演着重要角色，它可以降低交易的风险和不确定性。传统的SCS信任研究侧重于从微观层面上对供应链主体的信任度进行计算，而缺乏对SCS的整体信任生态进行研究。如何从宏观角度对SCS的信任进行建模和分析，仍然是一个有待解决的问题。
在互联网时代，数字货币支付越来越便捷，这使得传统供应链的流动性和复杂性越来越强。但是，由于数字货币交易是在虚拟环境中进行的，特别是在交易对象处于匿名的情况下，数字货币为主导的SCS的信任风险要远远高于以传统货币为主导的SCS。信任可分为宏观信任和微观信任。宏观信任用于评价SCS的整体信任生态系统，微观信任用于评价SCS中各供应链主体的信任。只有当SCS的信任生态系统良好时，链外主体才愿意加入供应链系统并与其他值得信任的链内主体进行交易。相反，如果SCS的信任生态系统很弱，链外主体很可能不愿意加入。因此，评估SCS的信任生态系统是一个非常重要的问题。
近年来，在微观层面上出现了许多衡量供应链主体信任的指标。例如，e-Bay通过正评分与负评分的总和计算一个信任值来评估供应链中零售商的可信度。商品种类、交易数量、交易时间等信息也被用来评估零售商的可信度。此外，零售商的个人信息也被用来帮助进行信任评估。阿里巴巴通过考虑消费者的购买历史、位置信息等来推断SCS中供应链主体之间的信任关系。然而，这些信任评估算法均只是从微观的角度关注供应链中个别主体的信任计算，而没有从宏观的角度考虑完整供应链条乃至整个供应链系统的信任生态系统。
信任生态系统作为一个整体对SCS发挥着基础性作用。良好的信任生态系统可以吸引更多的供应链主体或维持现有供应链主体，从而实现SCS的可持续发展。由于信任生态系统是随着主体之间信任关系的变化而演化的，理解信任生态系统的如何演变以及如何宏观地对其进行评估对于SCS的健康发展至关重要。
于SCS中引入该种供应链系统信任生态宏观评估方法，以期实现以下效果：
(1)降低链内信任风险。利用该供应链系统信任生态宏观评估方法，链条中的各主体可以明确自己与其他主体间的信任程度以及其他主体与其他主体间的信任程度，从而可以将信任指标量化，以作为自身宏观战略决策以及具体业务交易的重要参考。如此将强化信任对于供应链运转与发展的影响，促进链内主体规避信任损失，化解信任风险。
(2)提升终端消费质量。利用该供应链系统信任生态宏观评估方法，供应链中的终端消费者可以明确某产品所源于某条供应链的整体信任生态情况。该供应链整体信任生态越差，说明其产品的质量、售后等问题风险越高；反之该供应链整体信任生态越好，说明其产品的质量、售后等问题风险越低，同等条件下消费者将更青睐该链条产品。如此将减少产品到达终端消费者之后的信任问题、纠纷等，提升终端消费质量。
(3)促进供应链的信任自发维护。当供应链上的某一主体发生比如应付账款支付不及时、预收账款后发货不及时、供应品存在质量问题、商业合同违约等信任问题时，其自身所处节点的信任值将会降低，其直接交易者对其的信任程度也会降低。根据信任的传播特性，整条供应链的信任生态将会因此受到明显影响。如此一来，一方面，链内各主体的经济利益因信任问题而产生损失的风险将会上升，这不利于整个供应链条的可持续发展；另一方面，由于整条供应链的信任生态恶化，终端消费者对于该链条产品的购买将会减少，这同样不利于实现链内各主体的经济利益。双重作用影响下，为了实现自身经济利益与可持续发展，链内各主体主动进行协商并制定应对措施的可能性将大大提升，如此有助于链内各主体积极解决既有信任问题乃至预防潜在信任风险，促进供应链的信任自发维护。
(4)实现供应链信任层面的优胜劣汰。如上条所述，如果某一供应链出现信任问题但未能得到有效解决，其整体经济利益的受损一方面会导致链内主体退出该链条，另一方面会导致链外主体不愿意加入该链条，最终该供应链将面临消亡。反之，如果某一供应链信任生态良好，坏账现象、商业欺诈乃至法律纠纷发生的可能性较低，将吸引更多的链外主体加入，同时将得到更多终端消费者的信任与购买。如此一来，该链条的供产销规模将扩大，整体经济利益上升，进一步吸引更多的链外主体加入，形成一种良性循环。这种良性循环将促进单一的企业形象、品牌、声誉等扩展为供应链乃至供应链系统形象、品牌、声誉，实现供应链信任层面的优胜劣汰，从而进一步发挥“信任”的经济价值，减少不必要的信任损失，对于社会经济的健康发展乃至社会信用体系的构建都具有深远意义。
伴随着互联网技术的进一步突破、物联网等新兴技术的成熟、市场经济体系的完善以及供应链系统的创新发展，开放化、灵活化、便捷化将日益成为供应链系统的发展趋势，其动态性、交叉性、复杂性的特征将得到进一步的加强，这意味着未来的供应链系统的涉及主体更多、主体的进出更加频繁、链条的交叉重叠更加明显，信任对系统稳定运转的基础性维护作用也将更加重要。因此，该供应链系统信任生态宏观评估方法具有较为广阔的应用前景。。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明的一个目的在于提出一种供应链系统信任生态宏观评估方法，该方法为供应链系统中健康信任生态系统的构建提供指导。
为了达到上述目的，本发明的提出了一种供应链系统信任生态宏观评估方法，包括：
步骤1：采用有向图G(N,E,T,M)建立信任网络模型，其中，N表示节点集合，集合大小为n，表示供应链系统中的供应链主体；每个节点用i,j,k表示，每个节点都与一个信任值T(i),T(j0,T(k)表示，T为一个大小为n的向量，E表示所述供应链主体之间的有向链接集合，每个链接e(i，j)都有一个权值W(i，j)，表示i对j的信任程度，W可以看作是一个n×n的矩阵；
步骤2：将相互连通的节点之间分为直接邻居和间接邻居，i是否信任它的直接邻居j取决于W(i，j)和T(j)；对于i的间接邻居k，i可以根据信任传播性质，即根据i对j和j对k的信任程度，推导出对k的信任程度；
步骤3：将节点j和链接e(i，j)标记为“可信”，那么j将被i信任，j将被包含在i的信任集群中；同理，如果节点k和链接e(j，k)也是可信的，那么k也会被i信任，k也会被包含在i的信任集群中，从i到k的信任只能通过遍历可信链接以及可信节点而实现；信任集群会随着该推导过程的重复而增长，直到不存在更多可信节点可用为止；
步骤4：构建基于渗流的信任演化模型P-TEM，计算信任集群的平均规模来量化链接或节点的出入度分布和信任值对信任集群变化的影响，其中信任集群的平均规模是指信任网络中被任意节点所信任的节点的平均数量；
步骤5：分析信任集群平均规模的变化，确定信任生态系统由弱变好的相变临界阈值。
进一步地，步骤5中计算信任集群的平均规模来量化链接或节点的出入度分布和信任值对信任集群变化的影响，具体包括：
计算已占用链接的数量分布；
计算信任集群的规模分布；
计算信任集群的平均规模。
本发明提供的一种一种供应链系统信任生态宏观评估方法，在该方法中，首先建立了一个信任模型(TM)来从宏观上表示供应链主体之间的信任关系，由于信任生态系统是随着供应链主体之间信任关系的变化而演化的，因此构建了基于渗流的信任演化模型(P-TEM)，通过将演化过程映射到联合点/边的渗流来捕捉信任生态系统的动态特征，基于P-TEM，计算了SCS信任生态从弱变好的相变点，该相变点能够为构建SCS健康的信任生态提供重要指导，最后，通过理论分析和数值模拟验证了该方法的有效性。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是根据本发明一个实施例的供应链信任生态宏观评估方法的流程图；
图2是根据本发明一个实施例的信任网络模型示意图；
图3是根据本发明一个实施例的理论和实验结果的对比图一；
图4是根据本发明一个实施例的理论和实验结果的对比图二。
具体实施方式
下面详细描述本发明的实施例，参考附图描述的实施例是示例性的，下面详细描述本发明的实施例。
下面参考图1-图4描述根据本发明实施例的一种供应链系统信任生态宏观评估方法。
如图1和图2所示，本发明实施例的一种供应链系统信任生态宏观评估方法，其特征在于，包括：
S1：采用有向图G(N,E,T,M)建立信任网络模型，其中，N表示节点集合，集合大小为n，表示供应链系统中的供应链主体；每个节点用i,j,k表示，每个节点都与一个信任值T(i),T(j),T(k)表示，T为一个大小为n的向量，E表示所述供应链主体之间的有向链接集合，每个链接e(i，j)都有一个权值W(i，j)，表示i对j的信任程度，W可以看作是一个n×n的矩阵。
具体而言，图2显示了该信任网络的示例。在下面的部分中，有时会互换节点和供应链主体。信任网络从微观层面提供了任意两个节点之间的信任关系。
为了从宏观层面描述信任关系，用信任集群的变化从宏观上描述信任关系的演化过程。对于任意供应链主体，他可以与其他直接联系的供应链主体建立信任关系并将其添加到自己的信任集群中。此外，供应链主体的信任集群可以通过信任的传播属性添加新成员。例如，一个供应链主体可以对与他没有直接联系的其他人产生信任，而在这个过程中，他的信任集群会受到他周边的链接或交易的影响。信任链接越多，信任集群就越大。
S2：将相互连通的节点之间分为直接邻居和间接邻居，i是否信任它的直接邻居j取决于W(i，j)和T(j)；对于i的间接邻居k，i可以根据信任传播性质，即根据i对j和j对k的信任程度，推导出对k的信任程度。
具体地，因此，i对k的信任可以从i到j、j到k推导而得。在这个信任推导过程中，经过的链接或节点的信任度越高，i对k的信任就越多。
S3：将节点j和链接e(i，j)标记为“可信”，那么j将被i信任，j将被包含在i的信任集群中；同理，如果节点k和链接e(j，k)也是可信的，那么k也会被i信任，k也会被包含在i的信任集群中，从i到k的信任只能通过遍历可信链接以及可信节点而实现；信任集群会随着该推导过程的重复而增长，直到不存在更多可信节点可用为止。
具体而言，定义信任集群为，给定一个节点i,i通过遍历可信链接以及可信节点可到达的一组节点称为i的信任集群，该集群中的所有节点都是i所信任的。信任集群从宏观上表现了供应链主体之间的信任关系，有助于分析供应链系统信任生态的演化。
如果将节点j和链接e(i,j)标记为“可信”(例如其概率与信任值成正比)，那么j将被i信任，j将被包含在i的信任集群中。同理，如果节点k和链接e(j,k)也是可信的，那么k也会被i信任，k也会被包含在i的信任集群中。换言之，从i到k的信任只能通过遍历可信链接以及可信节点而实现。信任集群会随着该推导过程的重复而增长，直到不存在更多可信节点可用为止。
S4：构建基于渗流的信任演化模型P-TEM，计算信任集群的平均规模来量化链接或节点的出入度分布和信任值对信任集群变化的影响，其中信任集群的平均规模是指信任网络中被任意节点所信任的节点的平均数量。
具体地，信任生态系统随着信任关系的变化而演化，而信任关系的变化取决于信任的出入度分布以及链接或节点的信任值。为了捕捉这些动态特征，构建了基于渗流的信任演化模型P-TEM。该模型将信任演化映射到联合点/边渗流过程，从而可以将遍历可信链接及可信节点的过程看作来“渗流”现象。这种映射在信任生态系统的演化和渗流理论之间架起了一座桥梁，信任生态系统的演化过程就可以用渗流理论进行分析。
S5：分析信任集群平均规模的变化，确定信任生态系统由弱变好的相变临界阈值。
其中，S4中计算信任集群的平均规模来量化链接或节点的出入度分布和信任值对信任集群变化的影响，具体包括：
1)计算已占用链接的数量分布
设pjk为随机选取的一个节点入度为j出度为k的概率，入度与出度联合概率分布的生成函数可定义为：
G(x，y)＝∑j，kpjkxjyj (1)
其中x和y是两个独立变量。在有向图中，pjk必须满足约束条件∑jk(j-k)pjk＝0。
因为每个链接离开一个节点会进入另一个节点，节点的平均出入度是相等的，同时得到：
Figure BDA0002898165560000061
其中，<k>＝∑jkjpjk＝∑jkkpjk＝1/2∑jk(j+k)pjk是节点的平均出入度。
通过函数G(x，y)，一个表示离开随机选择节点的链接数量的生成函数G0可以定义为：
G0(y)＝G(1，y)＝∑j，kpjkyk (3)
通过跟随随机选择的链接到达节点后输出的链接数生成函数G1可以定义为：
Figure BDA0002898165560000062
同样，此类节点的链接数量生成函数F0可以定义为：
F0(x)＝∑j，kpjkx j(5)
给定链接或节点的信任期望值
Figure BDA0002898165560000063
和
Figure BDA0002898165560000064
可以推导出已占用链接数量的生成函数。设
Figure BDA0002898165560000065
为已占用链接离开一个随机选取的已占用节点的数量分布生成函数。假设一个节点的进度为j出度为k，在所有k个输出链接中有m个已占用输出链接的概率为
Figure BDA0002898165560000066
因此：
Figure BDA0002898165560000071
同样，使用
Figure BDA0002898165560000072
来表示随机选择下已占用链接离开一个随机选取的已占用节点的数量分布生成函数，它可以被定义为：
Figure BDA0002898165560000073
2)计算信任集群的规模分布
定义一个生成函数
Figure BDA0002898165560000074
来表示随机选择的开始节点可到达的信任集群的规模分布，即
Figure BDA0002898165560000075
其中，
Figure BDA0002898165560000076
是信任集群的规模为s的概率。
还定义了生成函数
Figure BDA0002898165560000077
表示根据随机选择的输入链接得到的信任外集群的规模分布。由于信任集群只在相变发生前考虑，而此时大型信任集群尚未形成，因此信任集群是有限的且信任外集群的结构是树状的。得到：
Figure BDA0002898165560000078
其中qk表示根被占用且有k个输出分支的概率。
同理，生成函数
Figure BDA0002898165560000079
还可以表示为：
Figure BDA00028981655600000710
接下来能够推导出信任集群规模分布的生成函数：
Figure BDA00028981655600000711
Figure BDA00028981655600000712
3)计算信任集群的平均规模
由于不可能找到H0/J0的闭环式任意导数。因此，并不根据H0/J0的导数来计算规模分布，而是计算信任集群的平均规模<s>out。
根据公式(8)(10)中H0的定义得到：
Figure BDA00028981655600000713
由于信任集群的规模分布被正确标准化，有
Figure BDA0002898165560000081
式(12)中最后一个等号右侧的第一项变为：
Figure BDA0002898165560000082
至于第二项，因为：
Figure BDA0002898165560000083
Figure BDA0002898165560000084
得到：
Figure BDA0002898165560000085
Figure BDA0002898165560000086
因为：
Figure BDA0002898165560000087
得到：
Figure BDA0002898165560000088
结果为：
Figure BDA0002898165560000089
将上式代入公式(12)得到：
Figure BDA00028981655600000810
因为G′0(1)＝F′0(1)＝<k>，G′1(1)＝F′1(1)∑jkjkpjk/<k>，能够得到如下公式
Figure BDA00028981655600000811
综上，量化链接或节点的出入度分布和信任值对信任集群平均规模的影响，获取信任生态系统的动态特征，为进一步分析和评价SCS的信任生态系统提供了方便。
其中，S5中，分析信任集群平均规模的变化，确定信任生态系统由弱变好的相变临界阈值具体包括：分析SCS中的信任相变现象。
相变研究是宏观分析和评价信任生态系统的基础。直观上可以用信任集群的平均规模来评价信任生态系统，因为信任集群的平均规模越大，任意信任节点或被信任节点的数量越多，信任生态系统就越好。随着链接或节点的节点度数及信任值的增加，信任集群的平均规模也随之增加，当接近临界点时，数值的轻微增长将引发平均规模的急剧增加，这说明相变现象发生。正是在这个关键时刻，信任生态系统将由弱迅速转好。
在渗流理论中，相变点的影响因子的值被称为临界阈值，给出了相变过程中节点度数和节点信任值达到临界阈值的明确条件。
由公式(20)可以看出当
Figure BDA0002898165560000091
成立时<s>out的值趋近于无穷大，此时相变现象发生。又因为<k>＝1/2∑jkpjk(j+k)，可以得到相变的临界条件为
Figure BDA0002898165560000092
数值分析和实验的结果
使用统计模拟来证明所提出的方法。在不失一般性的情况下，将具有泊松度分布的有向网络ER(Erdos-Renyi)网络作为特殊情况来研究信任分析和评价问题，该方法也可以很容易地推广到其他网络中。
实验设置：展示来自仿真和理论分析的比较结果，模拟结果(以下图中数据点的标记)是200次实验的平均值。在每次实验中根据分布度pjk生成一个节点数为105的有向网络，并通过链路或节点的概率(与它们的信任值成正比)对网络进行进一步采样，最后在抽样网络的基础上计算信任集群的平均规模。
结果对比：在图3中,设
Figure BDA0002898165560000093
考虑了平均入度或平均出度z＝4,6,8时三种不同的泊松度分布来研究<s>out。如图3所示，实线为信任集群和大型信任集群的理论结果，虚线为临界阈值，均通过理论计算得出。可以看出，仿真结果与理论分析吻合较好，证明了理论模型的正确性。
图3中，当
Figure BDA0002898165560000094
时，z＝4,6,8对应的临界值
Figure BDA0002898165560000095
当
Figure BDA0002898165560000096
时，
Figure BDA0002898165560000097
增加到0.5、0.33、0.25。这是因为较高的
Figure BDA0002898165560000098
允许样本网络保留更多的链接，从而更容易形成大型信任集群，因此其相变发生在较早阶段。还在图3(a)(b)中观察到<s>out的突变。当
Figure BDA0002898165560000099
时集群的平均规模很小，而当
Figure BDA00028981655600000910
为略微超过相应的临界阈值时集群的平均规模就会急剧增加。该示例证明计算出的临界阈值可以有效识别信任生态系统的突变。
作为对比，设
Figure BDA00028981655600000911
研究<s>out仿真结果与理论计算结果同样吻合较好，进一步证明了理论模型的有效性。如图4所示，当
Figure BDA00028981655600000912
时，临界阈值
Figure BDA0002898165560000101
而当
Figure BDA0002898165560000102
时，
Figure BDA0002898165560000103
减小到0.31,0.21,0.16，与图3中的结果相似。这些计算出的临界阈值也很好地反映了信任生态系统的突变。
本发明主要研究了SCS中信任的建模和分析，提出了SCS信任生态系统的评价方案。在该方案中，提出了TM模型以从宏观角度描述供应链主体之间的信任关系。当信任生态系统随着信任关系的变化而演变时，通过研究信任集群的变化来考察信任生态系统的演变。通过将信任生态系统的演化映射到点/边的渗流并计算信任集群的平均规模，构建了P-TEM模型来捕捉信任生态系统的动态特征。该模型量化了链接或节点的出入度分布和信任值对信任集群平均规模的影响。基于P-TEM，发现了信任的相变现象并确定了信任生态系统由差至好的临界阈值。为了进一步评价相变后的信任生态系统，计算了大型信任集群的比例，并提出了改善信任生态系统的策略。最后，数值仿真验证了该方法的有效性。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (2)

1.一种供应链系统信任生态宏观评估方法，其特征在于，包括：
步骤1：采用有向图G(N,E,T,M)建立信任网络模型，其中，N表示节点集合，集合大小为n，表示供应链系统中的供应链主体；每个节点用i,j,k表示，每个节点都与一个信任值T(i),T(j),T(k)表示，T为一个大小为n的向量，E表示所述供应链主体之间的有向链接集合，每个链接e(i，j)都有一个权值W(i，j)，表示i对j的信任程度，W可以看作是一个n×n的矩阵；
步骤2：将相互连通的节点之间分为直接邻居和间接邻居，i是否信任它的直接邻居j取决于W(i，j)和T(j)；对于i的间接邻居k，i可以根据信任传播性质，即根据i对j和j对k的信任程度，推导出对k的信任程度；
步骤3：将节点j和链接e(i，j)标记为“可信”，那么j将被i信任，j将被包含在i的信任集群中；同理，如果节点k和链接e(j，k)也是可信的，那么k也会被i信任，k也会被包含在i的信任集群中，从i到k的信任只能通过遍历可信链接以及可信节点而实现；信任集群会随着该推导过程的重复而增长，直到不存在更多可信节点可用为止；
步骤4：构建基于渗流的信任演化模型P-TEM，计算信任集群的平均规模来量化链接或节点的出入度分布和信任值对信任集群变化的影响，其中信任集群的平均规模是指信任网络中被任意节点所信任的节点的平均数量；
步骤5：分析信任集群平均规模的变化，确定信任生态系统由弱变好的相变临界阈值。
2.根据权利要求1所述的一种供应链系统信任生态宏观评估方法，其特征在于，步骤5中计算信任集群的平均规模来量化链接或节点的出入度分布和信任值对信任集群变化的影响，具体包括：
计算已占用链接的数量分布；
计算信任集群的规模分布；
计算信任集群的平均规模。
CN202110048047.5A 2021-01-14 2021-01-14 一种面向供应链系统信任生态的宏观评估方法 Active CN112765561B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110048047.5A CN112765561B (zh) 2021-01-14 2021-01-14 一种面向供应链系统信任生态的宏观评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110048047.5A CN112765561B (zh) 2021-01-14 2021-01-14 一种面向供应链系统信任生态的宏观评估方法

Publications (2)

Publication Number Publication Date
CN112765561A true CN112765561A (zh) 2021-05-07
CN112765561B CN112765561B (zh) 2022-06-24

Family

ID=75700555

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110048047.5A Active CN112765561B (zh) 2021-01-14 2021-01-14 一种面向供应链系统信任生态的宏观评估方法

Country Status (1)

Country Link
CN (1) CN112765561B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050096987A1 (en) * 2003-10-29 2005-05-05 Koji Miyauchi Method and device for calculating trust values on purchases
CN103746957A (zh) * 2013-10-10 2014-04-23 安徽师范大学 一种基于隐私保护的信任评估系统及其构建方法
CN108255733A (zh) * 2018-01-30 2018-07-06 北京航空航天大学 一种基于复杂网络理论评估软件系统可靠性的方法
CN109377750A (zh) * 2018-09-18 2019-02-22 北京航空航天大学 一种基于渗流分析的交通系统弹性临界点确定方法
US20210004739A1 (en) * 2019-07-03 2021-01-07 Sundar, Inc. Blockchain Based Supply Chain Network Systems

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050096987A1 (en) * 2003-10-29 2005-05-05 Koji Miyauchi Method and device for calculating trust values on purchases
CN103746957A (zh) * 2013-10-10 2014-04-23 安徽师范大学 一种基于隐私保护的信任评估系统及其构建方法
CN108255733A (zh) * 2018-01-30 2018-07-06 北京航空航天大学 一种基于复杂网络理论评估软件系统可靠性的方法
CN109377750A (zh) * 2018-09-18 2019-02-22 北京航空航天大学 一种基于渗流分析的交通系统弹性临界点确定方法
US20210004739A1 (en) * 2019-07-03 2021-01-07 Sundar, Inc. Blockchain Based Supply Chain Network Systems

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
石岿然等: "供应链成员间信任关系形成与演化研究", 《系统科学与数学》 *
陆佃杰­, 张桂娟, 郑向伟, 刘弘­, 胡斌: "移动Ad Hoc社交网络中的安全连通性分析", 《中国科学》 *

Also Published As

Publication number Publication date
CN112765561B (zh) 2022-06-24

Similar Documents

Publication Publication Date Title
Hopenhayn et al. Preemption games with private information
Allahbakhsh et al. Reputation management in crowdsourcing systems
Cheng et al. Bidding decision making for construction company using a multi-criteria prospect model
Nguyen et al. Water quality trading with asymmetric information, uncertainty and transaction costs: A stochastic agent-based simulation
Guo et al. A new model for supply chain risk propagation considering herd mentality and risk preference under warning information on multiplex networks
Zhu et al. An incentive mechanism using shapley value for blockchain-based medical data sharing
Nojoumian et al. A new approach for the trust calculation in social networks
Zhu et al. Pricing strategy and system performance in a cloud-based manufacturing system built on blockchain technology
Zheng et al. Impact of different carbon tax conditions on the behavioral strategies of new energy vehicle manufacturers and governments-A dynamic analysis and simulation based on prospect theory
Sun et al. Stimulating trust cooperation in edge services: An evolutionary tripartite game
Jin et al. Reputation-based multi-auditing algorithmic mechanism for reliable mobile crowdsensing
Xia et al. Two-stage game design of payoff decision-making scheme for crowdsourcing dilemmas
Kuang et al. A spam worker detection approach based on heterogeneous network embedding in crowdsourcing platforms
Zhang et al. An agent-based diffusion model for Residential Photovoltaic deployment in Singapore: Perspective of consumers’ behaviour
Tran Modeling sustainability transitions on complex networks
CN112765561B (zh) 一种面向供应链系统信任生态的宏观评估方法
Golub et al. Strategic random networks and tipping points in network formation
Hoiles et al. PAC algorithms for detecting Nash equilibrium play in social networks: from Twitter to energy markets
Benchekroun et al. The build-up of cooperative behavior among non-cooperative selfish agents
Nie et al. Sparse trust data mining
Tang et al. Nonlinear Dynamic Analysis of New Product Diffusion considering Consumer Heterogeneity
You et al. A reputation-based trust evaluation model in group decision-making framework
Li et al. Group behavior diffusion model of social hotspots based on triadic structure and factor graphs
Wang et al. The Role of the Domestic Market Scale in Enhancing Self-Resilience: Analysis based on the PageRank centrality of RCEP and G7 Countries
Li et al. A computational trust model in c2c e-commerce environment

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant