CN116070385A - 一种境外矿产资源供应链风险自动识别方法及系统 - Google Patents
一种境外矿产资源供应链风险自动识别方法及系统 Download PDFInfo
- Publication number
- CN116070385A CN116070385A CN202310143068.4A CN202310143068A CN116070385A CN 116070385 A CN116070385 A CN 116070385A CN 202310143068 A CN202310143068 A CN 202310143068A CN 116070385 A CN116070385 A CN 116070385A
- Authority
- CN
- China
- Prior art keywords
- risk
- supply chain
- node
- mineral resource
- resource supply
- 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
Links
- 229910052500 inorganic mineral Inorganic materials 0.000 title claims abstract description 94
- 239000011707 mineral Substances 0.000 title claims abstract description 94
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000009471 action Effects 0.000 claims abstract description 15
- 208000015181 infectious disease Diseases 0.000 claims description 24
- 238000003723 Smelting Methods 0.000 claims description 11
- 208000035473 Communicable disease Diseases 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 9
- 230000005484 gravity Effects 0.000 claims description 7
- 230000007774 longterm Effects 0.000 claims description 6
- 230000002123 temporal effect Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000012502 risk assessment Methods 0.000 claims description 2
- 238000013068 supply chain management Methods 0.000 abstract description 5
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 12
- 229910052802 copper Inorganic materials 0.000 description 10
- 239000010949 copper Substances 0.000 description 10
- 238000011084 recovery Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 239000012141 concentrate Substances 0.000 description 2
- 230000008676 import Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 230000003053 immunization Effects 0.000 description 1
- 238000002649 immunization Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- 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
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Databases & Information Systems (AREA)
- Computer Hardware Design (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Educational Administration (AREA)
- Software Systems (AREA)
- Mathematical Optimization (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Pure & Applied Mathematics (AREA)
- Remote Sensing (AREA)
Abstract
本发明公开一种境外矿产资源供应链风险自动识别方法及系统,涉及矿产资源供应链管理领域,该方法包括构建涵盖原矿、矿产品多个层的多层加权复杂网络模型;根据多层加权复杂网络模型的结构特征,识别供应链网络中的重要节点;根据影响矿产资源供应链的主要风险因素,确定风险因素集;根据风险因素集与风险事件以及风险因素的作用特征,划分风险类型;根据多层加权复杂网络模型、供应链网络中的重要节点、风险类型,制定风险演化规则,确定矿产资源供应链风险传导模型;利用矿产资源供应链风险传导模型确定待识别境外矿产资源供应链的风险识别结果。本发明可提高境外矿产资源供应链风险预测的准确性。
Description
技术领域
本发明涉及矿产资源供应链管理领域,特别是涉及一种境外矿产资源供应链风险自动识别方法及系统。
背景技术
21世纪以来,全球新一轮科技革命高速发展,带动矿产资源与材料需求的大幅增长,特别是进入新时代以来,中国高质量发展对矿产资源依赖程度不断增加,每年消耗量达70亿吨。但中国80%以上的矿产资源进口途经以马六甲海峡为主的印度洋、南海等地区,通道风险巨大。现有供应链风险识别与管控技术大多基于国家之间的贸易关系构建复杂网络模型,评价供应链的脆弱性,推演风险在供应链网络中的传播情况,预测供应链中的薄弱环节与潜在风险隐患。由于建模过程中未考虑供应链节点的地理位置和贸易的实际路径,以至于分析结果与实际情况常存在一定的偏差,容易将现实中完全无空间关联、不可能产生贸易联系的节点建立关联。
可见,现有模型存在容易偏离实际情况的问题,进而,造成境外矿产资源供应链风险智能化识别与精细化防控程度低。因此,为解决上述问题,亟需提供一种新的境外矿产资源供应链风险自动识别方法或系统。
发明内容
本发明的目的是提供一种境外矿产资源供应链风险自动识别方法及系统,可提高境外矿产资源供应链风险预测的准确性。
为实现上述目的,本发明提供了如下方案:
一种境外矿产资源供应链风险自动识别方法,包括:
构建涵盖原矿、矿产品多个层的多层加权复杂网络模型;所述多层加权复杂网络模型以矿山、冶炼厂、企业为节点,以节点之间的贸易关系为连边,引入重力模型作为边权重;
根据多层加权复杂网络模型的结构特征,识别供应链网络中的重要节点;所述结构特征包括:节点度中心性、近性中心性、介性中心性、聚类系数和平均路径长度;
根据影响矿产资源供应链的主要风险因素,确定风险因素集;所述风险因素集包括:自然风险因素、社会风险因素、地缘风险因素和资源风险因素;
根据风险因素集与风险事件以及风险因素的作用特征,划分风险类型;所述作用特征包括:空间传导方式和时间传导方式;所述风险类型包括:短效风险因素和长效风险因素;
根据多层加权复杂网络模型、供应链网络中的重要节点、风险类型,制定风险演化规则,确定矿产资源供应链风险传导模型;所述矿产资源供应链风险传导模型的预测结果为:风险传播范围、影响程度和发生概率;
利用矿产资源供应链风险传导模型确定待识别境外矿产资源供应链的风险识别结果。
可选地,所述构建涵盖原矿、矿产品多个层的多层加权复杂网络模型,具体包括:
获取矿山、冶炼厂、企业之间的贸易数据以及供应路径数据;
根据贸易数据以及供应路径数据利用gephi软件,构建涵盖原矿、矿产品多个层的多层加权复杂网络模型。
可选地,所述根据贸易数据以及供应路径数据利用gephi软件,构建涵盖原矿、矿产品多个层的多层加权复杂网络模型,具体包括:
其中,ω边为边权重,G、ε为常数,r为节点之间的实际距离,m1和m2分别为节点之间的贸易量。
可选地,所述根据多层加权复杂网络模型的结构特征,识别供应链网络中的重要节点,具体包括:
其中,CD(i)为节点i的节点度中心性,N为网络节点的个数,i、j、v为不同的节点,xij为节点i与节点j的直接联系,Cc(i)为节点i的近性中心性,∑jdij为节点i和其他所有节点间最短路径的加和,CB(v)为节点v的介性中心性,σij(v)为经过节点v的s→t的最短路径条数,σij为s→t的最短路径条数,L为平均路径长度,lij为连接节点i和节点j的最短路径上的边的数目,是节点i和节点j之间的距离,Ci为聚类系数,Ki为节点i的邻居数,Qi为节点i的Ki个邻居间的连接数。
可选地,所述根据风险因素集与风险事件以及风险因素的作用特征,划分风险类型,具体包括:
在ArcGIS平台上,利用核密度分析工具确定风险因素集在全球不同地理位置的发生概率;
利用线性回归分析估算风险因素集产生影响的时间范围和空间范围;
根据影响的时间范围和空间范围将风险因素集中的风险因素分为短效风险因素和长效风险因素。
可选地,所述根据多层加权复杂网络模型、供应链网络中的重要节点、风险类型,制定风险演化规则,构建矿产资源供应链风险传导模型,具体包括:
根据风险类型,制定风险演化规则;
基于利用python中EoN库,根据供应链网络中的重要节点构建SIR传染病模型;
对SIR传染病模型进行参数初始化,并利用风险因素集训练初始化后的SIR传染病模型,确定矿产资源供应链风险传导模型。
可选地,所述利用矿产资源供应链风险传导模型确定待识别境外矿产资源供应链的风险识别结果,之后还包括:
利用ArcGIS平台,风险识别结果进行可视化展示。
一种境外矿产资源供应链风险自动识别系统,包括:
多层加权复杂网络模型构建模块,用于构建涵盖原矿、矿产品多个层的多层加权复杂网络模型;所述多层加权复杂网络模型以矿山、冶炼厂、企业为节点,以节点之间的贸易关系为连边,引入重力模型作为边权重;
重要节点识别模块,用于根据多层加权复杂网络模型的结构特征,识别供应链网络中的重要节点;所述结构特征包括:节点度中心性、近性中心性、介性中心性、聚类系数和平均路径长度;
风险因素集确定模块,用于根据影响矿产资源供应链的主要风险因素,确定风险因素集;所述风险因素集包括:自然风险因素、社会风险因素、地缘风险因素和资源风险因素;
风险类型划分模块,用于根据风险因素集与风险事件以及风险因素的作用特征,划分风险类型;所述作用特征包括:空间传导方式和时间传导方式;所述风险类型包括:短效风险因素和长效风险因素;
矿产资源供应链风险传导模型确定模块,用于根据多层加权复杂网络模型、供应链网络中的重要节点、风险类型,制定风险演化规则,确定矿产资源供应链风险传导模型;所述矿产资源供应链风险传导模型的风险识别结果为:风险传播范围、影响程度和发生概率;
风险识别模块,用于利用矿产资源供应链风险传导模型确定待识别境外矿产资源供应链的风险识别结果。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明所提供的一种境外矿产资源供应链风险自动识别方法及系统,将空间位置引入复杂网络模型及风险传播模型的构建过程,综合考虑了供应链节点及风险因素的空间异质性,能有效避免以往研究在供应链网络模型构建和拓扑分析时,未考虑供应链节点的空间地理位置以及节点间的实际距离,导致分析出节点间潜在的网络关系偏离实际情况的问题,使模型更贴近供应链网络的实际情况。本发明通过分析不同类型风险在复杂供应链网络中的传导过程,对风险类型进行精细化分类,充分考虑了风险发生的时空差异性,优化了以往研究主要针对系统性风险或单一风险事件对供应链的影响,未考虑不同风险因素对供应链影响的时空差异性,更有助于供应链风险的精细化管理与防控。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明所提供的一种境外矿产资源供应链风险自动识别方法流程示意图;
图2为本发明所提供的一种境外矿产资源供应链风险自动识别系统结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种境外矿产资源供应链风险自动识别方法及系统,可提高境外矿产资源供应链风险预测的准确性。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,本发明所提供的一种境外矿产资源供应链风险自动识别方法,包括:
S101,构建涵盖原矿、矿产品多个层的多层加权复杂网络模型;所述多层加权复杂网络模型以矿山、冶炼厂、企业为节点,以节点之间的贸易关系为连边,引入重力模型作为边权重;
S101具体包括:
获取中国供应铜精矿、粗铜、精炼铜等铜产品的矿山、冶炼厂、企业之间的贸易数据,相应的供应路径及其涉及的港口、海峡关键点位等数据信息;
根据贸易数据以及供应路径数据利用gephi软件,构建涵盖原矿、矿产品多个层的多层加权复杂网络模型。
所述根据贸易数据以及供应路径数据利用gephi软件,构建涵盖原矿、矿产品多个层的多层加权复杂网络模型,具体包括:
其中,ω边为边权重,G、ε为常数,r为节点之间的实际距离,m1和m2分别为节点之间的贸易量。
S102,根据多层加权复杂网络模型的结构特征,识别供应链网络中的重要节点;所述结构特征包括:节点度中心性、近性中心性、介性中心性、聚类系数和平均路径长度;
S102具体包括:
利用公式确定介性中心性;一个节点的介性中心性CB(v)是一个节点担任其它两个结点之间最短路的桥梁的次数,节点的介性中心性越大,说明其他节点之间的最短路径经过该节点中转,加入该节点消失,则其他点之间的联系可能会断开。
如果网络最短路径较小且聚类系数较大,则该网络符合小世界网络特征。
其中,CD(i)为节点i的节点度中心性,N为网络节点的个数,i、j、v为不同的节点,xij为节点i与节点j的直接联系,Cc(i)为节点i的近性中心性,∑jdij为节点i和其他所有节点间最短路径的加和,CB(v)为节点v的介性中心性,σij(v)为经过节点v的s→t的最短路径条数,σij为s→t的最短路径条数,L为平均路径长度,lij为连接节点i和节点j的最短路径上的边的数目,是节点i和节点j之间的距离,Ci为聚类系数,Ki为节点i的邻居数,Qi为节点i的Ki个邻居间的连接数。
S103,根据影响矿产资源供应链的主要风险因素,确定风险因素集;所述风险因素集包括:自然风险因素、社会风险因素、地缘风险因素和资源风险因素;
S103具体包括:全面收集境外铜矿石、粗铜、铜精矿供应链相关数据,包括全球铜矿山信息(包含矿山名称、坐标位置、所属矿业公司、所属国家、产量、资源量、储量、品位、进出口等)、铜冶炼厂信息(坐标位置、所属公司、所属国家、矿石来源、产品类型、贸易流向等)、港口信息(坐标位置、所属国家、产品流向等)、海峡信息(坐标位置、所属国家、产品流向等)等供应链节点信息;近10年全球发生地震、飓风、恐怖袭击、海事风险、矿业政策、地缘政治等风险事件的相关信息;收集全球各国家行政区划图、全球地形图等空间底图,绘制全球铜矿山、铜冶炼厂、港口、海峡等相关节点的空间分布图。
根据上一步中近10年的风险事件,总结近10年来影响境外铜供应链稳定性、可持续性的自然、社会、地缘和资源等方面的主要风险因素,确定供应链研究的目标风险因素,建立风险因素集。
S104,根据风险因素集与风险事件以及风险因素的作用特征,划分风险类型;所述作用特征包括:空间传导方式和时间传导方式;空间传导方式分为点上传导、面上扩散、系统性破坏;时间传导方式分为前置性传导、后滞性传导、即时性传导、长效性传导。所述风险类型包括:短效风险因素和长效风险因素;短效风险因素如地震、飓风、罢工等影响时间较短的风险因素;长效风险因素如战争冲突、国际关系、矿山资源枯竭等影响时间较长的风险因素。
S104具体包括:
在ArcGIS平台上,利用核密度分析工具确定风险因素集在全球不同地理位置的发生概率;
利用线性回归分析估算风险因素集产生影响的时间范围和空间范围;
根据影响的时间范围和空间范围将风险因素集中的风险因素分为短效风险因素和长效风险因素。
核密度分析用于计算每个输出栅格像元周围的点要素的密度。假设每个点上方覆盖着一个平滑曲面,在点所在位置处表面值最高,随着与点的距离的增大,表面值逐渐减小,在与点的距离等于搜索半径的位置处表面值为0。按如下公式预测点密度Density。
For disti<radius;
其中,i=1,2,…,n是输入点,如果位于(x,y)位置的半径距离内,则仅包括总和中的点。popi是i点的可选参数,disti是点i和(x,y)位置之间的距离。
利用核密度分析,可确定该风险因素发生频率较高的空间范围。
S105,根据多层加权复杂网络模型、供应链网络中的重要节点、风险类型,制定风险演化规则,确定矿产资源供应链风险传导模型;所述矿产资源供应链风险传导模型的预测结果为:风险传播范围、影响程度和发生概率;
S105具体包括:
根据风险类型,制定风险演化规则;1)初始感染节点(风险源头)受地理位置限制,根据不同风险因素在不同地理位置的发生概率进行设置;2)节点风险预警能力和风险恢复能力与节点规模、风险类型相关,且针对供应节点和运输节点有所区别;3)感染节点恢复概率由节点的风险恢复能力、供应链管理对节点抗风险能力的提高以及感染期构成,感染期与风险因素类型(短效、长效)相关;4)受感染节点的损失与节点的度和感染时间正相关。
风险演化规则包括:
①节点之间风险传播概率与节点企业之间业务量呈正比,没有直接业务往来的企业之间风险不会相互传播。
③节点i受感染的概率x2(i)由三部分构成:节点的风险预警能力α0(i)、供应链管理对节点风险预警能力提高值αh(i)和连接感染节点对它的影响α(i),
④受感染的成员在经历一段感染期T后,能从风险感染中恢复过来。感染节点i的恢复概率x3(i)与节点的风险恢复能力β0(i)、供应链管理对节点风险恢复能力提高值βh(i)和感染期的关系如下式所示,x3(i)=1-(1-β0(i))(1-βh(i)),T(i,t)≥T。
⑤受感染成员i所受的损失y(i)与其节点的度d(i)和感染时间T(i,t)成正比y(i)=d(i)×T(i,t)。
基于利用python中EoN库,根据供应链网络中的重要节点构建SIR传染病模型;SIR传染病模型假设在单位时间内染病个体(I)以感染概率β沿着小世界复杂网络模型各节点进行接触,其中易感个体(S)会转化为染病个体;染病个体以恢复概率γ恢复并获得免疫能力,免疫后记为R。则感染机制如下式所示。
假设t时刻系统中处于易感状态、感染状态和移除状态的个体比重分别为s(t)、i(t)和r(t)。当易感个体和感染个体充分混合时,感染个体的增长率、易感个体的下降率、恢复个体的增长率如下式:
对SIR传染病模型进行参数初始化,并利用风险因素集训练初始化后的SIR传染病模型,确定矿产资源供应链风险传导模型。
S106,利用矿产资源供应链风险传导模型确定待识别境外矿产资源供应链的风险识别结果。
利用矿产资源供应链风险传导模型输入目标风险因素的风险类型和风险位置,计算得出风险传播的范围及发生概率,风险传播的范围即复杂网络上哪些节点受到影响。
S106之后还包括:
利用ArcGIS平台,风险识别结果进行可视化展示。
如图2所示,本发明所提供的一种境外矿产资源供应链风险自动识别系统,包括:
多层加权复杂网络模型构建模块201,用于构建涵盖原矿、矿产品多个层的多层加权复杂网络模型;所述多层加权复杂网络模型以矿山、冶炼厂、企业为节点,以节点之间的贸易关系为连边,引入重力模型作为边权重;
重要节点识别模块202,用于根据多层加权复杂网络模型的结构特征,识别供应链网络中的重要节点;所述结构特征包括:节点度中心性、近性中心性、介性中心性、聚类系数和平均路径长度;
风险因素集确定模块203,用于根据影响矿产资源供应链的主要风险因素,确定风险因素集;所述风险因素集包括:自然风险因素、社会风险因素、地缘风险因素和资源风险因素;
风险类型划分模块204,用于根据风险因素集与风险事件以及风险因素的作用特征,划分风险类型;所述作用特征包括:空间传导方式和时间传导方式;所述风险类型包括:短效风险因素和长效风险因素;
矿产资源供应链风险传导模型确定模块205,用于根据多层加权复杂网络模型、供应链网络中的重要节点、风险类型,制定风险演化规则,确定矿产资源供应链风险传导模型;所述矿产资源供应链风险传导模型的风险识别结果为:风险传播范围、影响程度和发生概率;
风险识别模块206,用于利用矿产资源供应链风险传导模型确定待识别境外矿产资源供应链的风险识别结果。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种境外矿产资源供应链风险自动识别方法,其特征在于,包括:
构建涵盖原矿、矿产品多个层的多层加权复杂网络模型;所述多层加权复杂网络模型以矿山、冶炼厂、企业为节点,以节点之间的贸易关系为连边,引入重力模型作为边权重;
根据多层加权复杂网络模型的结构特征,识别供应链网络中的重要节点;所述结构特征包括:节点度中心性、近性中心性、介性中心性、聚类系数和平均路径长度;
根据影响矿产资源供应链的主要风险因素,确定风险因素集;所述风险因素集包括:自然风险因素、社会风险因素、地缘风险因素和资源风险因素;
根据风险因素集与风险事件以及风险因素的作用特征,划分风险类型;所述作用特征包括:空间传导方式和时间传导方式;所述风险类型包括:短效风险因素和长效风险因素;
根据多层加权复杂网络模型、供应链网络中的重要节点、风险类型,制定风险演化规则,确定矿产资源供应链风险传导模型;所述矿产资源供应链风险传导模型的预测结果为:风险传播范围、影响程度和发生概率;
利用矿产资源供应链风险传导模型确定待识别境外矿产资源供应链的风险识别结果。
2.根据权利要求1所述的一种境外矿产资源供应链风险自动识别方法,其特征在于,所述构建涵盖原矿、矿产品多个层的多层加权复杂网络模型,具体包括:
获取矿山、冶炼厂、企业之间的贸易数据以及供应路径数据;
根据贸易数据以及供应路径数据利用gephi软件,构建涵盖原矿、矿产品多个层的多层加权复杂网络模型。
4.根据权利要求1所述的一种境外矿产资源供应链风险自动识别方法,其特征在于,所述根据多层加权复杂网络模型的结构特征,识别供应链网络中的重要节点,具体包括:
其中,CD(i)为节点i的节点度中心性,N为网络节点的个数,i、j、v为不同的节点,xij为节点i与节点j的直接联系,Cc(i)为节点i的近性中心性,∑jdij为节点i和其他所有节点间最短路径的加和,CB(v)为节点v的介性中心性,σij(v)为经过节点v的s→t的最短路径条数,σij为s→t的最短路径条数,L为平均路径长度,lij为连接节点i和节点j的最短路径上的边的数目,是节点i和节点j之间的距离,Ci为聚类系数,Ki为节点i的邻居数,Qi为节点i的Ki个邻居间的连接数。
5.根据权利要求1所述的一种境外矿产资源供应链风险自动识别方法,其特征在于,所述根据风险因素集与风险事件以及风险因素的作用特征,划分风险类型,具体包括:
在ArcGIS平台上,利用核密度分析工具确定风险因素集在全球不同地理位置的发生概率;
利用线性回归分析估算风险因素集产生影响的时间范围和空间范围;
根据影响的时间范围和空间范围将风险因素集中的风险因素分为短效风险因素和长效风险因素。
6.根据权利要求1所述的一种境外矿产资源供应链风险自动识别方法,其特征在于,所述根据多层加权复杂网络模型、供应链网络中的重要节点、风险类型,制定风险演化规则,构建矿产资源供应链风险传导模型,具体包括:
根据风险类型,制定风险演化规则;
基于利用python中EoN库,根据供应链网络中的重要节点构建SIR传染病模型;
对SIR传染病模型进行参数初始化,并利用风险因素集训练初始化后的SIR传染病模型,确定矿产资源供应链风险传导模型。
7.根据权利要求1所述的一种境外矿产资源供应链风险自动识别方法,其特征在于,所述利用矿产资源供应链风险传导模型确定待识别境外矿产资源供应链的风险识别结果,之后还包括:
利用ArcGIS平台,风险识别结果进行可视化展示。
8.一种境外矿产资源供应链风险自动识别系统,其特征在于,包括:
多层加权复杂网络模型构建模块,用于构建涵盖原矿、矿产品多个层的多层加权复杂网络模型;所述多层加权复杂网络模型以矿山、冶炼厂、企业为节点,以节点之间的贸易关系为连边,引入重力模型作为边权重;
重要节点识别模块,用于根据多层加权复杂网络模型的结构特征,识别供应链网络中的重要节点;所述结构特征包括:节点度中心性、近性中心性、介性中心性、聚类系数和平均路径长度;
风险因素集确定模块,用于根据影响矿产资源供应链的主要风险因素,确定风险因素集;所述风险因素集包括:自然风险因素、社会风险因素、地缘风险因素和资源风险因素;
风险类型划分模块,用于根据风险因素集与风险事件以及风险因素的作用特征,划分风险类型;所述作用特征包括:空间传导方式和时间传导方式;所述风险类型包括:短效风险因素和长效风险因素;
矿产资源供应链风险传导模型确定模块,用于根据多层加权复杂网络模型、供应链网络中的重要节点、风险类型,制定风险演化规则,确定矿产资源供应链风险传导模型;所述矿产资源供应链风险传导模型的风险识别结果为:风险传播范围、影响程度和发生概率;
风险识别模块,用于利用矿产资源供应链风险传导模型确定待识别境外矿产资源供应链的风险识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310143068.4A CN116070385B (zh) | 2023-02-09 | 2023-02-09 | 一种境外矿产资源供应链风险自动识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310143068.4A CN116070385B (zh) | 2023-02-09 | 2023-02-09 | 一种境外矿产资源供应链风险自动识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116070385A true CN116070385A (zh) | 2023-05-05 |
CN116070385B CN116070385B (zh) | 2023-09-22 |
Family
ID=86174830
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310143068.4A Active CN116070385B (zh) | 2023-02-09 | 2023-02-09 | 一种境外矿产资源供应链风险自动识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116070385B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117422581A (zh) * | 2023-11-01 | 2024-01-19 | 中国地质科学院矿产资源研究所 | 一种矿产资源安全监测预警方法、系统、设备及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9020875B1 (en) * | 2012-01-23 | 2015-04-28 | Hrl Laboratories, Llc | Catastrophe prediction via estimated network autocorrelation |
CN114037330A (zh) * | 2021-11-19 | 2022-02-11 | 天津大学 | 一种基于复杂网络的产品供应链风险传播方法 |
CN114785696A (zh) * | 2022-05-09 | 2022-07-22 | 中国人民解放军国防科技大学 | 复杂网络节点的重要度评估方法及装置 |
CN115081913A (zh) * | 2022-06-29 | 2022-09-20 | 青岛蓝智现代服务业数字工程技术研究中心 | 一种供应链风险评估与防控系统 |
WO2023000666A1 (zh) * | 2021-07-19 | 2023-01-26 | 中国民航大学 | 一种基于不安全事件的航班运行风险网络构建与控制方法 |
-
2023
- 2023-02-09 CN CN202310143068.4A patent/CN116070385B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9020875B1 (en) * | 2012-01-23 | 2015-04-28 | Hrl Laboratories, Llc | Catastrophe prediction via estimated network autocorrelation |
WO2023000666A1 (zh) * | 2021-07-19 | 2023-01-26 | 中国民航大学 | 一种基于不安全事件的航班运行风险网络构建与控制方法 |
CN114037330A (zh) * | 2021-11-19 | 2022-02-11 | 天津大学 | 一种基于复杂网络的产品供应链风险传播方法 |
CN114785696A (zh) * | 2022-05-09 | 2022-07-22 | 中国人民解放军国防科技大学 | 复杂网络节点的重要度评估方法及装置 |
CN115081913A (zh) * | 2022-06-29 | 2022-09-20 | 青岛蓝智现代服务业数字工程技术研究中心 | 一种供应链风险评估与防控系统 |
Non-Patent Citations (4)
Title |
---|
JIEPENG WANG等: "Risk transmission in complex supply chain network with multi-drivers", CHAOS, SOLITONS AND FRACTALS * |
吴宗柠;樊瑛: "复杂网络视角下国际贸易研究综述", 电子科技大学学报, no. 03 * |
李颖;陈其慎;柳群义;邢佳韵;陆挺: "中国海外矿产资源供应安全评价与形势分析", 资源科学, no. 05 * |
贾祥英;邢万里;苗媛媛: "基于改进型引力模型的中国铜矿石进口影响因素实证分析", 中国矿业, no. 12 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117422581A (zh) * | 2023-11-01 | 2024-01-19 | 中国地质科学院矿产资源研究所 | 一种矿产资源安全监测预警方法、系统、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116070385B (zh) | 2023-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2018101946A4 (en) | Geographical multivariate flow data spatio-temporal autocorrelation analysis method based on cellular automaton | |
Abudeif et al. | Multicriteria decision analysis based on analytic hierarchy process in GIS environment for siting nuclear power plant in Egypt | |
CN109086935B (zh) | 一种区域地质灾害趋势预测方法 | |
Dagdelenler et al. | Modification of seed cell sampling strategy for landslide susceptibility mapping: an application from the Eastern part of the Gallipoli Peninsula (Canakkale, Turkey) | |
Jochem et al. | Identifying residential neighbourhood types from settlement points in a machine learning approach | |
CN112506990B (zh) | 一种基于时空信息的水文数据异常检测方法 | |
KR101026071B1 (ko) | 군집별 태풍 개수 예측 방법 및 여름철 태풍 진로 예측 방법 | |
Chen et al. | Resilience assessment of regional areas against earthquakes using multi-source information fusion | |
CN116070385B (zh) | 一种境外矿产资源供应链风险自动识别方法及系统 | |
Pujolar et al. | The formation of avian montane diversity across barriers and along elevational gradients | |
CN111950910B (zh) | 基于dbscan-ga的机场保障车辆任务调度方法 | |
CN114428828A (zh) | 基于行驶轨迹挖掘新增道路方法、装置及电子设备 | |
CN116468186B (zh) | 一种航班链延误时间预测方法、电子设备及存储介质 | |
Kim et al. | Emerging risk forecast system using associative index mining analysis | |
KR102379472B1 (ko) | 시공간 피해특성을 고려한 다종 데이터 융합 분석방법 | |
CN114048920A (zh) | 充电设施建设的选址布局方法、装置、设备及存储介质 | |
Chen et al. | Building vulnerability assessment in seismic areas using ensemble learning: A Nepal case study | |
CN116562370A (zh) | 一种基于应急知识图谱的突发公共卫生事件情景推演方法 | |
CN114662774A (zh) | 一种城市街区活力预测方法、存储介质和终端 | |
CN114742280B (zh) | 路况预测方法及相应的模型训练方法、装置、设备及介质 | |
CN111353051A (zh) | 一种基于K-means和Apriori的算法海事大数据关联分析的方法 | |
Zhao et al. | Mapping landslide sensitivity based on machine learning: A case study in Ankang City, Shaanxi Province, China | |
CN116307293B (zh) | 一种基于混杂感知与因果去偏的城市时空数据预测方法 | |
CN112348353A (zh) | 一种基于迁移学习的企业失信风险预测方法 | |
CN115906669A (zh) | 一种顾及负样本选取策略的密集残差网络滑坡易发性评价方法 |
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 |