CN112967075A - 一种基于dematel-ism的粮油质量安全区块链风险分析及优化方法 - Google Patents

一种基于dematel-ism的粮油质量安全区块链风险分析及优化方法 Download PDF

Info

Publication number
CN112967075A
CN112967075A CN202110330090.0A CN202110330090A CN112967075A CN 112967075 A CN112967075 A CN 112967075A CN 202110330090 A CN202110330090 A CN 202110330090A CN 112967075 A CN112967075 A CN 112967075A
Authority
CN
China
Prior art keywords
risk
grain
block chain
quality safety
factors
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
CN202110330090.0A
Other languages
English (en)
Other versions
CN112967075B (zh
Inventor
许继平
李飞
张新
王小艺
赵峙尧
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.)
Beijing Technology and Business University
Original Assignee
Beijing Technology and Business University
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 Beijing Technology and Business University filed Critical Beijing Technology and Business University
Priority to CN202110330090.0A priority Critical patent/CN112967075B/zh
Publication of CN112967075A publication Critical patent/CN112967075A/zh
Application granted granted Critical
Publication of CN112967075B publication Critical patent/CN112967075B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06Q30/00—Commerce
    • G06Q30/018—Certifying business or products
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Databases & Information Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Husbandry (AREA)
  • Accounting & Taxation (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Finance (AREA)
  • Agronomy & Crop Science (AREA)
  • Computing Systems (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提出一种基于集成DEMATEL‑ISM模型的粮油质量安全区块链风险分析及优化方法，涉及区块链、人工智能及食品安全交叉应用领域。本发明针对粮油质量安全特定场景，从粮油质量安全区块链系统环节、风险出发，构建粮油质量安全区块链风险指标体系，采用集成DEMATEL‑ISM模型的方法构造粮油质量安全区块链风险因素多层递阶有向图，并对粮油质量安全区块链网络风险进行系统性地分析与评价，在此基础上构建粮油质量安全区块链优化网络结构模型。本发明使得粮油质量安全区块链各环节风险因素及传导关系更具解释性，优化了粮油质量安全区块链网络结构，且提高了共识速度和效率，降低了计算能耗以及可能发生的信息泄露风险。

Description

一种基于DEMATEL-ISM的粮油质量安全区块链风险分析及优 化方法
技术领域
本发明属于新一代信息科学与食品科学的交叉技术领域，具体涉及一种运用集成DEMATEL-ISM模型进行粮油质量安全区块链风险分析并进行区块链网络结构优化的方法。DEMATEL表示决策实验室分析法(Decision-making Trial and Evaluation Laboratory)，ISM表示解释结构模型(Interpretative Structural Modeling Method)。
背景技术
近年来，粮油质量安全问题频发，如毒大米、地沟油等越来越多的食品安全问题的出现和引起的疾病引起了社会和政府的广泛关注，影响了粮油的安全消费与社会稳定，因此，保障粮油质量安全，对国民生命健康、社会和谐发展以及人类营养安全具有重要意义。我国粮油供应链存在主体分散、环节众多、生产链长以及非法添加禁用物质等问题。粮油供应链生产、加工、仓储、物流、销售等环节仍包含若干细分环节，且存在循环嵌套，供应链循环周期较长，且每个环节中威胁粮油质量安全的风险因素较多，风险因素传导的机理及流程不清晰，一旦发生的重大食品安全事故，难以进行精准高效地追溯。
现有的关于粮油质量安全区块链的研究成果和技术方法多集中于溯源监管等应用层面，缺少粮油质量安全区块链环节特点、风险特点的系统性分析，以及针对粮油特定场景进行的优化。传统公链结构的区块链由于可扩展性、分叉性、交易速率等方面的短板，虽然在一定程度上解决了粮油供应链存在的数据安全等固有风险，但也引入了新的不可控风险，如匿名攻击、数据来源不可靠、数据全透明等风险，现有研究还没有对这部分风险进行考虑。也有少数研究通过改造己有的开源的区块链，例如比特币区块链、以太坊区块链以及超级账本区块链，或增加额外的存储手段，例如增加关系型数据库或者文件型数据库IPFS(InterPlanetary File System)对存储等问题进行优化。但目前鲜有涉及针对粮油质量安全领域进行区块链网络结构优化方面的研究。随着我国食品溯源信息量迅速爆发式增长，又由于在粮油食品的全生命周期中流转场景节点众多，传统公链结构的区块链应用于粮油质量安全区块链系统耗能高且共识效率低下，区块链应用于粮油质量安全方面的扩展性、互通性、隐私性以及交易共识效率等问题亟待得到有效解决。
DEMATEL法通过计算系统中各因素对于其它因素的影响程度以及被其它因素影响程度，最终得出该因素的中心度与原因度；根据其中心度和原因度分析该因素的重要性以及和其它因素的相互作用关系；具体而言，各影响因素的中心度大小表示该因素对整个系统影响程度的大小，而原因度表示该因素对系统内其它所有因素的影响程度。ISM模型是一种研究系统内部纵横交错的元素之间的影响与被影响的关系，从而展示系统全局框架的结构模型化技术；ISM将一个复杂的整体问题分解成为详细的个体因素，以图形的方式将这些个体因素重新组合，构建出层次清晰的结构图，ISM基于定性分析，是结构模型的一种，将表达不清或复杂的想法以及观点转化为直观易懂的且结构关系十分良好的模型。DEMATEL和ISM各有优缺点，DEMATEL虽然能够通过系统要素的影响度、被影响度以及中心度和原因度识别出复杂系统的关键要素及其影响程度，但是，不能有效地对系统进行层次结构的划分，也不能确定系统的基础性要素和每个要素的影响范围，而ISM虽然能通过对划分系统层次结构来反映系统基础性要素和目标要素，但它不能分辨在系统中相关要素的作用大小。
发明内容
本发明针对粮油质量安全场景，提供了一种基于DEMATEL-ISM的粮油质量安全区块链风险分析及优化方法，在粮油质量抽检数据以及业内权威专家评价数据的基础上，运用集成DEMATEL与ISM的综合模型进行粮油质量安全区块链风险分析，并对粮油质量安全区块链网络结构进行优化。
本发明提供的一种基于DEMATEL-ISM的粮油质量安全区块链风险分析及优化方法，包括如下步骤：
步骤1，构建粮油质量安全区块链风险指标体系。所述风险指标体系从三个维度获取六类风险，分别是：供应链维度的生产、加工、储运、销售风险，区块链维度的区块链风险以及监管维度的监管风险；将六类风险作为一级风险指标，将六类风险下的风险因素作为二级风险指标；为六类风险以及各类风险包含的风险因素标号；
步骤2，基于DEMATEL-ISM模型计算粮油质量安全区块链风险指标体系中各风险因素间的中心度和原因度，构造粮油质量安全区块链风险因素多层递阶有向图；
步骤3，基于所述多层递阶有向图获得粮油质量安全区块链风险因素的多层递阶解释结构模型，从该模型中获得各个风险因素对粮油质量安全区块链的影响机理及各风险因素间的传导关系；按照多层递阶解释结构模型来构造粮油质量安全区块链网络，在各个风险因素节点进行共识时，仅和上下层相互关联具有传导关系的节点之间进行共识。
所述步骤1中，考虑粮油供应链环节风险的同时也考虑应用区块链技术带来的风险。具体的，生产风险包括的风险因素有环境条件、土壤水质条件、化肥农药施用情况以及晾晒情况；加工风险包括的风险因素有原粮质量、加工设备及工艺情况、加工环境卫生情况、非法添加剂使用情况以及包装材料；储运风险包括的风险因素有仓库运输环境、熏蒸施药措施及仓储时间；销售风险包括的风险因素有粮油产品流通销售环境；区块链风险包括的风险因素有数据存储方式、数据源头可靠性以及数据匿名风险；监管风险包括的风险因素有质量检测水平、监管执法力度以及法律法规惩罚机制。
所述步骤2中，将步骤1中六类风险包含的风险因素依次标号为R1～R19，经DEMATEL-ISM模型计算得到风险因素的层级划分如下：
第1层包含的风险因素有R9,R16；第2层包含的风险因素有R13,R14；第3层包含的风险因素有R12,R15；第4层包含的风险因素有R5,R6,R7,R8,R10,R11；第5层包含的风险因素有R2,R3,R4；第6层包含的风险因素有R1,R17,R18,R19。
所述的步骤2中，按照风险因素的层级依次排列各风险因素，结合风险因素间的二元关系将各因素变量连接，形成多层递阶有向图；所述多层递阶有向图包括19个风险因素以及如下元素间有向边：
R1→R2,R4；R17→R2,R3；R18→R2,R3；R19→R3；
R2→R5；R3→R5；R4→R5,R10；
R5→R11,R12；R11→R6,R12；R6→R7；R7→R8；R8→R10；R10→R12,R15；
R12→R13；R15→R13,R14；
R13→R9；R14→R16。
相对于现有技术，本发明方法的优点和积极效果在于：
(1)本发明在构造风险指标体系时，从粮油质量安全区块链风险分析出发，将区块链系统自身数据安全等风险纳入粮油质量安全区块链风险体系之中，还引入粮油领域内权威专家评价结果，使得风险因素的选取更加科学合理有效，从而构建更加科学的粮油质量安全区块链风险指标评价体系，基于此可快速分析粮油质量安全区块链风险成因及传导过程，为粮油食品区块链风险的研究和应用奠定了基础。
(2)本发明基于DEMATEL-ISM模型对风险因素进行分析，构造了粮油质量安全区块链风险模糊评价矩阵，获得分层风险因素，构造了粮油质量安全区块链风险因素多层递阶有向图，既能反应粮油质量安全区块链风险因素相互间影响关系大小，又能得到体现这些风险因素间传导结构与流程，从而可快速分析粮油质量安全风险成因及关联关系，解决目前粮油质量安全风险评估领域仅考虑因素间相关关系而忽略传导结构成因的问题，实现对粮油质量安全区块链的系统性、结构性的分析评价。
(3)本发明基于粮油质量安全区块链风险因素多层递阶有向图，在现有的完全非可信执行场景中使用的通用型区块链底层网络结构基础上，构建非完全可信执行场景中基于解释结构模型的适用于粮油质量安全监管，并且偏序性更松散的区块链网络结构，以更好的适用于粮油质量安全溯源特定场景。
(4)本发明在得到风险多层递阶有向图的基础上，实现层次关系到区块链网络结构的转化，从而提高粮油质量安全区块链的共识速度与效率，便于监管等决策人员把控威胁粮油质量安全区块链的关键风险因素及关联因素，实现更加科学、高效的粮油质量安全风险管控。本发明实现了粮油质量安全风险节点分层分片区域共识，提高了共识速度和效率，降低了计算能耗等成本以及可能发生的信息泄露风险，提高了参与节点数据安全以及参与积极性。
(5)本发明改进了粮油质量安全区块链网络结构，可实现多中心子节点分层分区共识，其共识效率更高，更加适用于粮油质量安全监管和溯源场景，可用于指导基于区块链的粮油质量安全监管和溯源系统网络结构的设计，相比于现有结构，本发明提出的优化结构具有更好地解释性和扩展性。
附图说明
图1是本发明基于DEMATEL-ISM的粮油质量安全区块链风险分析及优化的流程图；
图2是本发明的粮油质量安全区块链风险指标体系的构建过程示意图；
图3是本发明获得的粮油质量安全区块链风险因素多层递阶有向图；
图4是本发明获得的粮油质量安全区块链风险多层递阶网络结构图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明，下面将结合附图和实施例对本发明作进一步的详细说明。
本发明实施例通过对湖南省某稻米加工企业进行调研，该企业稻米加工业务涉及从水稻种植生产到大米销售的完整供应链环节，包含水稻的种植、加工、仓储、物流、销售等主要环节，但其中每个主要环节又包含若干细分环节，如稻米加工环节又包含干燥、除杂、垄谷、碾米、色选、抛光、包装等多个细分环节，且不同的环节间也存在循环嵌套，各个环节均存在大量潜在危害稻米质量安全区块链的风险因素。
本实施例中，首先通过文献调研初步构建粮油质量安全区块链风险清单，并对该企业部分专家进行调研论证指标体系的合理性，据此构建粮油质量安全区块链风险指标体系。在此基础上，本发明将DEMATEL与ISM方法结合，构建了稻米质量安全区块链风险因素多层递阶解释结构模型，最后，根据所得到的稻米质量安全区块链风险因素多层递阶解释结构模型构建优化的稻米质量安全区块链网络结构，并以该企业稻米质量安全区块链系统为例，验证了模型的实用性和有效性，提出了相应的稻米质量安全区块链溯源控制相关建议。
如图1所示，本发明提供的基于DEMATEL-ISM的粮油质量安全区块链风险分析及优化方法，可分为如下8个步骤来说明。
步骤1：建立粮油质量安全区块链风险指标体系。
本发明中构建粮油质量安全区块链风险指标体系的过程如图2所示。风险因素的识别是一个复杂困难且工作量较高的过程，本发明在进行风险识别时遵循了以下几项原则：
(1)完整性。将可能会影响粮油质量安全的各种风险指标全部集中起来；
(2)低耦合性。各风险因素相关性较小，能独立的代表一类风险；
(3)简单性。风险指标并非越多越好，应该在满足完整性的前提下，聚类降维处理，尽可能减少各类指标的数量；
(4)客观性。指标选择应契合粮油质量安全供应链全链条尤其是稻谷-大米供应链的特定场景；
(5)一致性。指标间目标一致，分析的风险指标互不矛盾。
本发明需要针对粮油质量安全区块链环节及风险特点，具体分析各个环节的风险因素，据此搭建粮油质量安全区块链风险指标体系。首先，通过阅读大量文献资料梳理识别风险因素初始清单。通过对文献的调研和梳理，识别并筛选出影响粮油质量安全区块链的风险因素共69项，如表1所示。
表1影响粮油质量安全区块链的风险因素初始清单
Figure BDA0002996057330000051
Figure BDA0002996057330000061
其次，合并初筛清单中语义相同或类似的风险指标，对上述69种风险因素逐一分析比较，结合业内专家意见，合并或概括语义相似或相同的风险因素，进行风险指标降维。本发明将粮油质量安全区块链风险因素按照不同的组织环节分为三个维度共6大类风险，分别为供应链维度的生产、加工、储运、销售风险，区块链维度的区块链风险以及监管维度的监管风险并对各风险因素进行相应的标号，得到粮油质量安全区块链网络风险评价指标体系，如表2所示。
表2粮油质量安全区块链网络风险评价指标
Figure BDA0002996057330000062
如上表所示，粮油的生产、加工、储运、销售等供应链环节风险是影响粮油质量安全区块链的主要风险源，粮油谷物在种植生产环节的主要风险因素包括地域气候等环境条件、土壤水质条件、化肥农药施用情况以及晾晒情况等；加工环节的主要风险因素包括原粮质量、加工设备及工艺情况、加工环境卫生情况、非法添加剂使用情况以及包装材料等；储运环节风险因素包括仓库运输环境、熏蒸施药措施及仓储时间等；销售环节风险主要为粮油产品流通销售的环境等。除了粮油供应链本身的风险之外，区块链技术应用的同时也引入了的新的风险，主要包括数据存储方式、数据源头可靠性以及数据匿名风险。此外，监管层面的风险，如质量检测水平、监管执法力度以及法律法规惩罚机制等因素也是影响粮油质量安全区块链安全的重要风险源。
在获得粮油质量安全区块链风险指标体系后，利用集成DEMATEL-ISM模型构造粮油质量安全区块链风险因素多层递阶有向图，对粮油质量安全区块链进行系统地风险分析与评价，如下步骤描述。
步骤2：构建直接影响矩阵。
依据上述构建的粮油质量安全区块链风险指标体系，对风险因素两两间的相互影响关系进行描述。将两两风险要素间的直接影响程度定义为[0,9]内10个自然数等级，“0”代表影响因素对被影响因素无影响，依次递增，“9”代表影响因素对被影响因素影响程度很高，目标风险因素对自身无影响。本发明选取粮油食品领域内20位专家学者进行问卷调研，以获得风险指标评价体系中各风险因素间的影响程度关系，将专家打分的平均数建立n×n的矩阵形式以构建风险因素间直接影响矩阵。针对本发明建立的风险指标体系，直接影响矩阵的行和列元素为如表2所示的二级风险和一级风险，即建立了一个25×25的直接影响矩阵。
步骤3：建立综合影响矩阵。
采用式(1)中的行和最大值法计算规范化直接影响矩阵，将每个影响关系除以各行影响因素之和的最大值，即可得到新的规范化直接影响矩阵G，如下所示。
Figure BDA0002996057330000071
其中，X代表直接影响矩阵，aij代表直接影响矩阵X中第i行第j列元素，
Figure BDA0002996057330000072
代表X中各行影响因素之和的最大值。
由规范化直接影响矩阵确定综合影响矩阵，将上一步得到的规范化直接影响矩阵G自乘n次，并将此n+1个矩阵相加即可得到综合影响矩阵T，计算公式如式(2)所示。
T＝G+G1+G2+…+Gn (2)
本发明应用场景中，n为直接影响矩阵的维数，也是风险因素的个数，即n为25。
步骤4：计算各风险因素的中心度和原因度。
根据综合影响矩阵确定各风险指标的中心度与原因度。中心度与原因度是由系统要素的影响度与被影响度决定的，影响度表示该要素对其他要素的影响程度，被影响度表示该要素受其他要素的影响程度，影响度与被影响度的计算公式如式(3)所示，影响度fi和被影响度ei相加得到元素i的中心度Mi,影响度fi和被影响度ei相减得到元素i原因度Ni，如下：
Figure BDA0002996057330000081
Mi＝fi+ei(i＝1,2,…,n) (4)
Ni＝fi-ei(i＝1,2,…,n) (5)
其中，tij代表综合影响矩阵T中第i行第j列元素，fi是对T中第i行元素求和得到；tji代表综合影响矩阵T中第j行第i列元素，ei是对T中第i列元素求和得到。
本发明计算得到各风险因素指标的中心度和原因度如表3所示。
表3各风险因素的中心度和原因度
风险指标 中心度 原因度
R11 1.696 -0.864
R12 1.503 -0.233
R13 1.999 -0.159
R14 2.000 0.005
R21 2.882 0.257
R22 2.704 0.177
R23 2.657 -0.015
R24 2.802 -0.018
R25 1.841 0.306
R31 2.256 0.210
R32 2.612 0.040
R33 2.536 0.452
R41 2.114 0.165
R51 1.621 -0.145
R52 2.070 0.260
R53 2.133 0.062
R61 2.555 -0.591
R62 3.067 -0.923
R63 3.218 -1.135
R1 2.451 0.346
R2 2.598 0.565
R3 2.898 0.485
R4 2.632 0.692
R5 2.157 0.136
R6 2.498 -0.076
步骤5：引入单位矩阵构造可达矩阵。
由于DEMATEL算法的思想中默认某因素自身对自身不产生影响，这一默认设置与ISM设定思想相左，因此对步骤3中得到的综合影响矩阵T进行处理，首先对其主对角线元素置零得到综合影响矩阵T′，然后再加上一个n阶单位矩阵I得到新的整体影响矩阵H，以便DEMATEL与ISM方法集成以及后续步骤计算，矩阵H的计算如下：
H＝T′+I (6)
本发明通过计算得到的整体影响矩阵H如下所示：
Figure BDA0002996057330000091
利用上述求得的风险因素整体影响矩阵H计算模糊可达矩阵，采用最大最小算子对，连乘即可得模糊可达矩阵。求解模糊可达矩阵的过程如式(7)～(10)所示：
Figure BDA0002996057330000092
Figure BDA0002996057330000093
设
Figure BDA0002996057330000094
Figure BDA0002996057330000095
其中，
Figure BDA0002996057330000096
为原始模糊矩阵，等同于DEMATEL中得到的综合影响矩阵T′；
Figure BDA0002996057330000097
为模糊相乘矩阵，等同于上述整体影响矩阵H；bij为矩阵
Figure BDA0002996057330000098
中元素；k表示相乘的阶次，k为正整数；矩阵
Figure BDA0002996057330000099
为矩阵
Figure BDA00029960573300000910
自乘得到，cij为矩阵
Figure BDA00029960573300000911
中元素；⊙为模糊乘算子，
Figure BDA00029960573300000912
为模糊加算子。当式(8)成立时，得到模糊可达矩阵
Figure BDA00029960573300000913
通过编写MATLAB程序可计算得到模糊可达矩阵
Figure BDA00029960573300000914
本发明计算得到模糊可达矩阵
Figure BDA00029960573300000915
如下：
Figure BDA0002996057330000101
对模糊可达矩阵中的所有元素通过去零和去重得到阈值集合
Figure BDA0002996057330000102
在不确定解释结构模型中，当不确定的值用一个测度来表示时，可以用夹逼的思路来处理，夹逼思路处理不确定矩阵时有定义极化，该操作就是取截距。本发明通过大量的实验并结合专家评估意见，最终确定阀值λ为0.067，将矩阵
Figure BDA0002996057330000103
中大于等于λ的值设置为1，小于λ的值设置为0，由此得出标准化可达矩阵，如下所示。
Figure BDA0002996057330000104
由于绘制多层递阶结构图仅从二级风险指标的维度考虑，故此处暂不考虑R1-R6六个一级风险指标，为便于后续推导运算，进行指标标号的简化转换，转换后的风险因素标号如表4所示，后文推导运算过程均以转换后新的风险指标标号进行。
表4风险因素的标号转换对照表
转换前 R11 R12 R13 R14 R21 R22 R23 R24 R25 R31 R32 R33 R41
转换后 R1 R2 R3 R4 R5 R6 R7 R8 R9 R10 R11 R12 R13
转换前 R51 R52 R53 R61 R62 R63 R1 R2 R3 R4 R5 R6
转换后 R14 R15 R16 R17 R18 R19 R20 R21 R22 R23 R24 R25
根据标准化可达矩阵确定各个风险因素的可达集、先行集、共同集、起始集以及终止集，如表5所示。集合中的各数字代表风险因素的标号。
表5风险因素先行集、可达集、共同集、起始集和终止集的划分
风险指标 先行集 可达集 共同集 起始集 终止集
R1 1 1,2,4,5,10 1 1
R2 1,2 2,5 2
R3 3,19 3,5 3
R4 1,4 4,5,12 4
R5 1,2,3,4,5,11,17,18,19 5,6,8,11,12 5
R6 5,6,7,10,17,18,19 6,7,11,12 6,7
R7 6,7,11,17,18,19 7,6,8,10,11,12 7,11
R8 5,7,8,17,18,19 8,11,12 8
R9 9,18,19 9 9 9
R10 1,7,10,18,19 10,6,12 10
R11 5,6,7,8,11,18,19 11,5,7,12 5,7,11
R12 4,5,6,7,8,10,11,12,18,19 12 12 12
R13 13,18,19 13 13 13
R14 14 14,16 14 14
R15 15,17,18,19 15 15 15
R16 14,16,18,19 16 16 16
R17 17,18,19 5,6,7,8,15,17,18,19 17,18,19
R18 17,18,19 5,6,7,8,9,10,11,12,13,15,16,17,18,19 17,18,19
R19 17,18,19 3,5,6,7,8,9,10,11,12,13,15,16,17,18,19 17,18,19
步骤6：风险因素层级划分。
层级划分是将各影响因素层次化处理的过程，根据公式(11)进行层次化处理，满足式(11)的为第一层，然后将其他元素的可达集、先行集中已进入第一层的元素过滤后重新进行筛选，选出第二层元素集合，以此类推，直至确定所有元素的层级。
Ri＝Ri∩Si(i＝1,2,…,m) (11)
其中，Ri代表标号为i的风险因素的可达集，Si代表标号为i的风险因素的先行集，m代表总的风险因素，如表4所示，m取值为19。
本发明对19个风险因素进行层级划分的结果如表6所示。
表6风险因素的层级划分
层级 风险因素
1 R9,R16
2 R13,R14
3 R12,R15
4 R5,R6,R7,R8,R10,R11
5 R2,R3,R4
6 R1,R17,R18,R19
步骤7：绘制风险因素多层递阶有向图。
根据分层结果以及各个元素的可达集、先行集的情况，按照层级依次排列各风险因素，并根据粮油质量安全区块链风险因素变量间的二元关系将各因素变量连接成多层递阶有向图，如图3所示。有向图中的边代表风险因素间的关联关系，箭头代表传导关系。有向边主要依据先行集及可达集的情况进行连接，但考虑到数学模型得出的结果并不能完全反映粮油质量安全的实际应用场景，因此还综合考虑了业内专家对各风险影响因素评价的二元关系、实际应用场景下的逻辑合理性。例如，R12虽没有直接可达R13，但是最上层元素R18是可达R13的，因此通过对跨层级二元关系进行处理，在有向图中加入R12到R13的有向边。
如图3所示，建立的多层递阶有向图包含如表6所示的六层节点，第6层节点R1存在指向第5层节点R2和R4的有向边，R17存在指向R2和R3的有向边，R18存在指向R2和R3的有向边，R19存在指向R3的有向边；第5层节点R2存在指向第4层节点R5的有向边，R3指向R5的有向边，R4指向R5和R10的有向边；第4层节点R5存在指向本层节点R11以及指向第3层节点R12的有向边，R11存在指向R6和R12的有向边，R6存在指向R7的有向边，R7存在指向R8的有向边，R8存在指向R10的有向边，R10存在指向R12和R15的有向边；第3层节点R12存在指向第2层节点R13的有向边，R15存在指向R13和R14的有向边；第2层节点R13存在指向第1层节点R9的有向边，R14存在指向R16的有向边。
步骤8：粮油质量安全区块链优化结构模型。
根据影响粮油质量安全区块链的各个风险因素间的二元关系，结合图3所示的多层递阶结构模型图绘制粮油质量安全区块链风险多层递阶解释结构模型图，引入“粮油质量安全区块链风险”并作为第0级因素，通过缩边、缩点、删除重复强连通关系以及跨层越级关系转化等处理以简化系统风险传导过程，并以上文中计算得到的各风险因素的可达集、先行集作为参考和检验，最终绘制出的影响粮油质量安全区块链风险因素的多层递阶解释结构模型，并将此结构映射到区块链系统中，得到优化的粮油质量安全区块链网络结构模型，如图4所示。
传统区块链网络结构是一条链式，本发明根据所获得的多层递阶解释结构模型，优化粮油质量安全区块链网络为如图4所示的结构，为多层递阶有向图结构的区块链。这样的结构，在各个风险因素节点进行共识时，不再需要全网所有节点共同参与共识，而仅需要和上下层相互关联具有传导关系的节点之间进行共识，以此生成和维护新的区块链。且通过新的分层分区图结构的区块链，不同分区的节点可并发执行交易、进行共识，大大减少了网络拥塞情况的发生，极大提高了共识效率，降低了计算成本，同时也缩小了节点私有数据信息共享范围，在一定程度上保证了区块链网络内节点信息的安全性。
通过分析图4所示的粮油质量安全区块链风险因素的多层递阶解释结构模型可知，影响粮油质量安全区块链的风险因素可以分为直接影响因素、表层影响因素、浅层影响因素和深层影响因素。各层影响因素相互关联，构成了一个复杂的多层递阶结构，反映了各个风险因素对粮油质量安全区块链的影响机理及各节点或风险间的传导关系。
根据上述多层递阶结构可知，其中深层因素有粮油种植地的地域气候环境情况(R1)以及法律法规等监管层面的因素，包括粮油食品行业的监管执法力度(R18)、质量检测水平(R17)以及粮油质量安全相关法律法规等惩罚机制(R19)等，这也是保障粮油质量安全最基本也是最关键的因素；在监管层面之上，浅层影响因素均为粮油食品加工前，也即原粮阶段可能影响粮油质量安全的各类风险因素，其中包括粮油产地的土壤水质等条件(R2)、种植生产过程中化肥农药施用情况(R3)、原粮收储之前的晾晒情况(R4)等粮油种植生产环节的一些影响原粮质量的基础因素，这类因素对粮油质量安全区块链的影响更加全面，且作用机理更加复杂和隐晦，因此，在实际对粮油质量安全区块链进行溯源控制时，这类因素多是监管控制的受体，对这类因素的监管能够有效影响上层因素，从而达到粮油质量安全区块链溯源控制的目的；原粮在进入加工环节之后，威胁粮油产品质量安全的表层影响因素包括原粮的质量(R5)、原粮储存过程中的熏蒸施药情况(R11)、加工工艺及设备情况(R6)、加工环境卫生(R7)、非法添加剂使用情况(R8)以及仓库运输环境(R10)等因素，这些表层影响因素作用机理复杂、缺乏透明度，是目前无法得到有效监管的威胁粮油质量安全的重要风险源，也是监管的痛点和难点所在；原粮在经过生产加工环节之后，粮油产成品的质量安全主要受仓储、流通销售的环境情况、数据安全等直接影响因素的影响，其中仓储、流通销售的环境情况主要指仓储时间(R12)、流通销售环境(R13)以及包装材料(R9)因素，数据安全风险又包括体现最直接的区块链系统的数匿名安全风险(R16)以及深层次的数据存储方式(R14)以及数据源头的可靠性(R15)等风险，这类直接影响因素由更深层的因素传导而来，有其特定的传导路径及范围，因此在区块链系统中可大幅减小共识范围，提高共识效率。
基于此，在进行粮油质量安全监管和溯源控制时，应更多地关注优化结构中的中下层因素，即深层影响因素和浅层影响因素。一方面，这些因素对粮油质量安全区块链的影响更加全面、综合，对这些风险因素进行管控就会对整个系统的各个部分产生影响，从而优化粮油质量安全区块链的网络结构，简化共识流程，提高共识效率。另一方面，相比于上层直接影响因素，中下层的因素可以直接作为粮油质量安全区块链溯源控制对象，从而有助于简化粮油溯源流程，节省人力物力财力等成本，提升监管的有效性及高效性。此外，根据优化的粮油质量安全区块链网络结构构建区块链系统底层节点架构以及匹配相应的共识流程，可有效缩短共识时间、提高共识效率。同时，区域关联节点有限共识也使得参与节点的数据信息得到一定程度的保护，对于提高节点主体参与的积极性，构建更加全面、安全、高效的粮油质量安全溯源控制体系具有重要意义。

Claims (5)

1.一种基于DEMATEL-ISM的粮油质量安全区块链风险分析及优化方法，其特征在于，包括如下步骤：
步骤1，构建粮油质量安全区块链风险指标体系；
所述风险指标体系从三个维度获取六类风险，分别是：供应链维度的生产、加工、储运、销售风险，区块链维度的区块链风险以及监管维度的监管风险；其中，生产风险包括的风险因素有环境条件、土壤水质条件、化肥农药施用情况以及晾晒情况；加工风险包括的风险因素有原粮质量、加工设备及工艺情况、加工环境卫生情况、非法添加剂使用情况以及包装材料；储运风险包括的风险因素有仓库运输环境、熏蒸施药措施及仓储时间；销售风险包括的风险因素有粮油产品流通销售环境；区块链风险包括的风险因素有数据存储方式、数据源头可靠性以及数据匿名风险；监管风险包括的风险因素有质量检测水平、监管执法力度以及法律法规惩罚机制；为六类风险以及各类风险包含的风险因素标号；
步骤2，基于DEMATEL-ISM模型计算粮油质量安全区块链风险指标体系中各风险因素间的中心度和原因度，构造粮油质量安全区块链风险因素多层递阶有向图；其中，DEMATEL表示决策实验室分析法，ISM表示解释结构模型；
设将步骤1中六类风险包含的风险因素依次标号为R1～R19，得到风险因素的层级划分为：第1层包含的风险因素有R9,R16；第2层包含的风险因素有R13,R14；第3层包含的风险因素有R12,R15；第4层包含的风险因素有R5,R6,R7,R8,R10,R11；第5层包含的风险因素有R2,R3,R4；第6层包含的风险因素有R1,R17,R18,R19；
步骤3，基于所述多层递阶有向图获得粮油质量安全区块链风险因素的多层递阶解释结构模型，从该模型中获得各个风险因素对粮油质量安全区块链的影响机理及各风险因素间的传导关系；按照多层递阶解释结构模型来构造粮油质量安全区块链网络，在各个风险因素节点进行共识时，仅和上下层相互关联具有传导关系的节点之间进行共识。
2.根据权利要求1所述的方法，其特征在于，所述的步骤2中，按照风险因素的层级依次排列各风险因素，结合风险因素间的二元关系将各因素变量连接，形成多层递阶有向图；所述多层递阶有向图包括六层风险因素以及如下的有向边：
R1→R2,R4；R17→R2,R3；R18→R2,R3；R19→R3；
R2→R5；R3→R5；R4→R5,R10；
R5→R11,R12；R11→R6,R12；R6→R7；R7→R8；R8→R10；R10→R12,R15；
R12→R13；R15→R13,R14；
R13→R9；R14→R16。
3.根据权利要求1或2所述的方法，其特征在于，所述的步骤3中，从所述的多层递阶解释结构模型中获得影响粮油质量安全区块链的直接影响因素、表层影响因素、浅层影响因素和深层影响因素；所述深层影响因素包括环境条件R1以及监管执法力度R18、质量检测水平R17以及法律法规惩罚机制R19；所述浅层影响因素包括土壤水质条件R2、化肥农药施用情况R3、晾晒情况R4；所述表层影响因素包括原粮质量R5、熏蒸施药措施R11、加工设备及工艺情况R6、加工环境卫生情况R7、非法添加剂使用情况R8以及仓库运输环境R10；所述直接影响因素包括仓储时间R12、流通销售环境R13、包装材料R9、数据匿名风险R16、数据存储方式R14以及数据源头可靠性R15。
4.根据权利要求3所述的方法，其特征在于，所述的步骤3中，在粮油质量安全区块链中，需要主要关注所述深层影响因素和浅层影响因素，减小直接影响因素在区块链系统中共识范围。
5.根据权利要求1或2所述的方法，其特征在于，所述的步骤2中包括：
步骤2.1，构建直接影响矩阵，用于描述两两风险要素间的直接影响程度；直接影响矩阵的行和列元素为六类风险及各类风险包含的风险因素；
步骤2.2，构建综合影响矩阵；首先采用行和最大值法规范化直接影响矩阵，其次将规范化直接影响矩阵自乘n次，共得到n+1个矩阵，最后将n+1个矩阵相加得到综合影响矩阵；n为直接影响矩阵的行数；
步骤2.3，计算六类风险及各风险因素的中心度和原因度；首先对综合影响矩阵中的各行各列分别求和，得到各元素的影响度和被影响度；然后对每个元素，将影响度和被影响度相加得到元素的中心度，将影响度和被影响度相减得到元素的原因度；
步骤2.4，构造可达矩阵；首先将步骤2.2得到的综合影响矩阵的对角线元素置零，再与单位矩阵相加得到整体影响矩阵；然后利用整体影响矩阵计算模糊可达矩阵；再对模糊可达矩阵中的所有元素去零和去重后得到阈值集合，进一步确定阀值λ为0.067，根据阈值λ得到标准化可达矩阵；
步骤2.5，划分风险因素层级；首先根据标准化可达矩阵确定所有风险因素的可达集、先行集、共同集、起始集以及终止集；再进行风险因素的层级划分；
步骤2.6，按照层级依次排列各风险因素，再根据粮油质量安全区块链风险因素变量间的二元关系将各因素变量连接，形成多层递阶有向图。
CN202110330090.0A 2021-03-29 2021-03-29 一种基于dematel-ism的粮油质量安全区块链风险分析及优化方法 Active CN112967075B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110330090.0A CN112967075B (zh) 2021-03-29 2021-03-29 一种基于dematel-ism的粮油质量安全区块链风险分析及优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110330090.0A CN112967075B (zh) 2021-03-29 2021-03-29 一种基于dematel-ism的粮油质量安全区块链风险分析及优化方法

Publications (2)

Publication Number Publication Date
CN112967075A true CN112967075A (zh) 2021-06-15
CN112967075B CN112967075B (zh) 2023-09-01

Family

ID=76278877

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110330090.0A Active CN112967075B (zh) 2021-03-29 2021-03-29 一种基于dematel-ism的粮油质量安全区块链风险分析及优化方法

Country Status (1)

Country Link
CN (1) CN112967075B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113283813A (zh) * 2021-07-08 2021-08-20 中国人民解放军国防科技大学 一种基于dematel的目标重要度排序方法和装置
CN117084200A (zh) * 2023-08-22 2023-11-21 盐城工业职业技术学院 应用大数据分析的水产养殖投药控制系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101138444B1 (ko) * 2011-12-05 2012-04-24 한국토지주택공사 입체/복합 개발사업의 리스크 관리 및 성과 관리 통합 시스템
WO2017008180A1 (zh) * 2015-07-16 2017-01-19 广东产品质量监督检验研究院 一种光伏组件失效风险判别方法
CN110516965A (zh) * 2019-08-27 2019-11-29 北京工商大学 基于区块链的粮油食品全供应链可信追溯模型及构建方法
CN110782147A (zh) * 2019-10-18 2020-02-11 武汉大学 一种基于模糊Petri网的溢油灾害链风险分析方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101138444B1 (ko) * 2011-12-05 2012-04-24 한국토지주택공사 입체/복합 개발사업의 리스크 관리 및 성과 관리 통합 시스템
WO2017008180A1 (zh) * 2015-07-16 2017-01-19 广东产品质量监督检验研究院 一种光伏组件失效风险判别方法
CN110516965A (zh) * 2019-08-27 2019-11-29 北京工商大学 基于区块链的粮油食品全供应链可信追溯模型及构建方法
CN110782147A (zh) * 2019-10-18 2020-02-11 武汉大学 一种基于模糊Petri网的溢油灾害链风险分析方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
董云峰;张新;许继平;王小艺;孔建磊;孙鹏程;: "基于区块链的粮油食品全供应链可信追溯模型", 食品科学, no. 09 *
邹强;王涛;瞿进;钟杰;: "基于ISM技术的白酒供应链质量安全风险分析", 酿酒, no. 03 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113283813A (zh) * 2021-07-08 2021-08-20 中国人民解放军国防科技大学 一种基于dematel的目标重要度排序方法和装置
CN113283813B (zh) * 2021-07-08 2021-09-28 中国人民解放军国防科技大学 一种基于dematel的目标重要度排序方法和装置
CN117084200A (zh) * 2023-08-22 2023-11-21 盐城工业职业技术学院 应用大数据分析的水产养殖投药控制系统
CN117084200B (zh) * 2023-08-22 2024-01-19 盐城工业职业技术学院 应用大数据分析的水产养殖投药控制系统

Also Published As

Publication number Publication date
CN112967075B (zh) 2023-09-01

Similar Documents

Publication Publication Date Title
Keane Describing wildland surface fuel loading for fire management: a review of approaches, methods and systems
Narwane et al. Unlocking adoption challenges of IoT in Indian agricultural and food supply chain
CN112967075A (zh) 一种基于dematel-ism的粮油质量安全区块链风险分析及优化方法
Tsay et al. Analysis of the patent cooperation network in global artificial intelligence technologies based on the assignees
Elbakidze et al. The role of forest certification for biodiversity conservation: Lithuania as a case study
Li et al. Improved Bayesian network-based risk model and its application in disaster risk assessment
Zhang et al. Research hotspots and frontiers in agricultural multispectral technology: Bibliometrics and scientometrics analysis of the Web of Science
Agrawal et al. Towards real-time heavy goods vehicle driving behaviour classification in the united kingdom
Orton Stochastic process and archaeological mechanism in spatial analysis
Argoubi et al. The intellectual structure of the waste management field
Finch et al. Index measures for oak decline severity using phenotypic descriptors
Sadeghfam et al. Next stages in aquifer vulnerability studies by integrating risk indexing with understanding uncertainties by using generalised likelihood uncertainty estimation
Rozhkov Formal apparatus of soil classification
El Alaoui et al. Fuzzy TOPSIS with coherent measure: applied to a closed loop agriculture supply chain
CN102831316A (zh) 一种基于云本体的茶树虫害智能诊断原型系统
Singh Comparison between artificial neural network and linear model prediction performance for FDI disparity and the growth rate of companies in Hungarian counties
Keskin et al. FSOLAP: A fuzzy logic-based spatial OLAP framework for effective predictive analytics
Zhang et al. [Retracted] Grid Supervision Path of Platform Food Safety Collaborative Governance Based on Big Data
Wu et al. Community detection in directed acyclic graphs of adversary interactions
CN107358115A (zh) 一种考虑实用性的多属性数据去隐私方法
Wang et al. Knowledge representation using fuzzy spiking neural P system
Li et al. A neural network decision expert system for alpine meadow degradation in the Sanjiangyuan region
Chen et al. Research on disintegration of combat networks under incomplete information
Naghdi et al. Time prediction models of grapple skidder HSM 904 using multiple linear regressions (MLR) and adaptive neuro-fuzzy inference system (ANFIS)
Qi et al. Design of Cluster Data Association Mining Algorithm Based on Multi-GANs

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