CN116307724A - 一种基于复杂网络的产业链风险传播方法和系统 - Google Patents
一种基于复杂网络的产业链风险传播方法和系统 Download PDFInfo
- Publication number
- CN116307724A CN116307724A CN202310285418.0A CN202310285418A CN116307724A CN 116307724 A CN116307724 A CN 116307724A CN 202310285418 A CN202310285418 A CN 202310285418A CN 116307724 A CN116307724 A CN 116307724A
- Authority
- CN
- China
- Prior art keywords
- risk
- industry
- enterprise
- industrial
- chain
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012546 transfer Methods 0.000 claims abstract description 31
- 238000004458 analytical method Methods 0.000 claims abstract description 17
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 238000012544 monitoring process Methods 0.000 claims description 17
- 238000011156 evaluation Methods 0.000 claims description 12
- 238000011144 upstream manufacturing Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 230000007480 spreading Effects 0.000 claims description 7
- 238000003892 spreading Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 6
- 238000002360 preparation method Methods 0.000 claims description 4
- 230000000644 propagated effect Effects 0.000 claims description 3
- 238000012502 risk assessment Methods 0.000 claims description 3
- 239000000047 product Substances 0.000 description 13
- 238000004519 manufacturing process Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 239000000203 mixture Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000004065 wastewater treatment Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000003911 water pollution Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000003370 grooming effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- 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
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于复杂网络的产业链风险传播方法，所述该方法包括以下步骤：步骤一：系统确定待评估的地区和产业，进行地区企业基本信息数据的采集；步骤二：将企业挂载到对应的产业链节点上，构建包括企业和企业的关系、企业和产业的关系、产业和产业的关系的产业链复杂网络；步骤三：确定产业链节点原始风险值的同时采集企业节点原始风险值；步骤四：进行企业与企业间、企业与产业间、产业与产业间风险的关联强度计算；步骤五：进行风险传播分析；步骤六：根据最终计算出的每个产业链的风险转移值合计，将产业风险值的结果进行评估、分析和预测，本发明，具有可量化分析和可全局性评估风险的特点。
Description
技术领域
本发明涉及企业产业链分析技术领域，具体为一种基于复杂网络的产业链风险传播方法和系统。
背景技术
产业的风险主要来源于企业的风险，大量复杂系统都可以通过形形色色的网络加以描述，一个典型的网络是由许多节点与节点之间的连边组成，其中节点用来代表真实系统中不同的个体，而边则用来表示个体间的关系，往往是两个节点之间具有某种特定的关系则连一条边，反之则不连边，有边相连的两个节点在网络中被看作是相邻的，产业链网络不是单个节点企业的简单关系，而是依靠企业之间，类似于上下游供需关系、合作研发关系、代理销售关系和资金借贷关系，以及产业上下游这种的产业之间一系列错综复杂的关系为纽带形成的复杂网络系统，这一系列的网络关系一旦形成产业链，单个企业内部或外部的风险都有可能通过企业和产业之间的关系使风险在产业链网络上扩散和蔓延，现有对产业链的风险识别方法比较单一，主要是依靠专家经验，缺少对客观数据和风险事件的量化分析，因此，设计可量化分析和可全局性评估风险的一种基于复杂网络的产业链风险传播方法和系统是很有必要的。
发明内容
本发明的目的在于提供一种基于复杂网络的产业链风险传播方法和系统，以解决上述背景技术中提出的问题。
为了解决上述技术问题，本发明提供如下技术方案：一种基于复杂网络的产业链风险传播方法，包括以下步骤：
步骤一：系统确定待评估的地区和产业，进行地区企业基本信息数据的采集；
步骤二：将企业挂载到对应的产业链节点上，构建包括企业和企业的关系、企业和产业的关系、产业和产业的关系的产业链复杂网络；
步骤三：确定产业链节点原始风险值的同时采集企业节点原始风险值，根据产业节点风险值评估指标体系计算产业节点原始风险值；
步骤四：进行企业与企业间、企业与产业间、产业与产业间风险的关联强度计算；
步骤五：进行风险传播分析；
步骤六：根据最终计算出的每个产业链的风险转移值合计，将其作为产业的最终风险值，将产业风险值的结果进行评估、分析和预测。
根据上述技术方案，所述确定待评估的地区和产业，进行地区企业基本信息数据的采集的步骤，包括：
选择具体地区和对应类型产业进行数据信息采集时；
通过接入互联网平台的权威终端确定数据来源；
通过在互联网侧和政府侧的权威终端采集该地区企业的产业数据。
根据上述技术方案，所述构建产业链复杂网络的步骤，包括：
确定产业链的上游、中游以及下游涉及的关联关系；
构建编制产业的关联关系，进一步确定产业联系方式产业链的联系方式；
根据采集的企业名录中的关联关系，或者根据采集的第三方企业图谱数据，企业图谱包含多个企业节点，通过采集的企业产品和服务清单将企业挂载到对应的产业链节点上。
根据上述技术方案，所述确定产业链节点原始风险值的步骤，包括：
针对企业风险直接采集第三方系统，确定产业链节点原始风险值的同时采集企业节点原始风险值；
按照三方面组成形成产业节点风险值评估指标体系；
进行风险值的同向化处理。
根据上述技术方案，所述进行企业与企业间、企业与产业间、产业与产业间风险的关联强度计算的步骤，包括：
通过设置持有股份的强弱程度来判断企业的关联程度，企业直接持股按照持股比例计算，间接持股按照持股比例乘法计算；
利用风险企业和产业的关联边的关联强度wi,j,t，计算出在某一时刻受影响的产业的节点风险程度。
根据上述技术方案，所述进行风险传播分析的步骤，包括：
先确定目标风险企业x作为第一目标风险企业输入，以企业x为起点开始传播，计算企业x传播给每个节点的转移值，继续下一个目标风险企业x＝x+1，直到所有目标风险企业传播结束x<m，汇总每个节点中所有风险风险企业的转移风险值，最后得出节点的累计转移风险值。
根据上述技术方案，所述将产业风险值的结果进行评估、分析和预测的步骤，包括：
定义产业风险等级区间，产业风险等级根据企业风险等级进行设置；
根据产业的时间系数展示不同时间范围的产业风险变化，通过不同产业下历史风险值的趋势变化，反应产业风险传播的时间趋向性，系统选择具体一级产业，显示该一级产业下的产业链关联关系包括的所有子产业趋势信息；
产业链的风险预测可以利用产业波及效果的时滞现象，获取最新的企业风险数据和根据此计算最新的产业风险数据、或者模拟输入企业风险值和产业风险值，通过风险传播过程计算最后的转移风险值，根据累计转移值的结果评判该企业或者产业所在产业链环节中的重要性。
根据上述技术方案，所述一种基于复杂网络的产业链风险传播系统包括：
数据整备模块，用于采集确定产业风险数据；
产业链图谱构建模块，用于将企业挂载到对应的产业链节点上构建产业链复杂网络；
产业链风险传播模块，用于分析计算产业链图谱中传播的产业链节点风险值；
产业风险评价模块，用于定义产业风险等级区间，将产业风险值的结果进行评估、分析和预测。
与现有技术相比，本发明所达到的有益效果是：本发明，产业链由大量的节点与边组成，风险事件可以通过节点与边在图谱中传导，基于产业链的风险事件传导模型算法、路径及关键节点可以有效地防范企业因为外迁或者注销导致的上下游企业经营风险，提前做出应急部署；同时通过产业链的风险传播还可以提供政府进行腾龙换鸟时的风险预评估，通过模拟评估企业风险对产业的影响，避免不必要的损失，也通过创新的方式，基于复杂网络运用产业链风险传播的时空预警，解决了传统模式下企业的关联风险和产业链的传播风险无法识别，多方面的运用复杂网络复杂关系下进行风险传递的分析，对传统的企业内部的风险等级评估补充判定，为政府提供产业链时空监控预警。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例一提供的一种基于复杂网络的产业链风险传播方法的流程图；
图2为本发明实施例二提供的一种基于复杂网络的产业链风险传播系统的模块组成示意图；
图3是本发明实施例一提供的关于产业类型为环境科技构建的产业链图谱示意图：
图4是具体实施例一提供的风险传播的执行过程示意图。
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。
实施例一：
图1为本发明实施例一提供的一种基于复杂网络的产业链风险传播方法的流程图，本实施例可应用产业风险传播分析的场景，该方法可以由本实施例提供的一种基于复杂网络的产业链风险传播统来执行，如图1所示，该方法具体包括以下步骤：
步骤一：系统确定待评估的地区和产业，进行地区企业基本信息数据的采集；
在本发明实施例中，由于产业链的完整性和经济区划紧密相连，对于同一产业链来说，不同地方有不同的分布，本发明通过构建多个空间区域的产业图谱，从而形成空间链，支持不同空间链的动态切换，示例性的，选择具体地区和对应类型为“环境科技”的产业进行数据信息采集时，通过接入互联网平台的权威终端确定数据来源，即通过在互联网侧和政府侧的权威终端采集该地区企业的产业数据，其产业数据包括工商登记、股东信息、董监高信息的基本信息数据、包括对外投资、购地信息、招投标、产值税收、用工人数、企业开票信息、资产负债表信息的企业经营信息数据，包括商标、专利、软著的、知识产权信息数据，以及包括经营风险、法律风险、风险分值评定的企业风险数据，在系统中选择具体的地区和对应产业的类型，进行数据的筛选预处理整备。
步骤二：将企业挂载到对应的产业链节点上，构建包括企业和企业的关系、企业和产业的关系、产业和产业的关系的产业链复杂网络；
在本发明实施例中，确定产业链的上游、中游以及下游涉及的关联关系，根据领域专家人工从产业经济、经济地理等多个理论角度提炼空间分布的规律和影响机制，构建编制产业的关联关系，进一步确定产业联系方式产业链的联系方式，定义对应的单向联系与多向联系，其中单向联系是指A、B、C、D等产业之间，先行产业部门为后续产业部门提供产品，以供其生产时直接消耗，但后续产业部门的产品不再返回先行产业部门的生产过程，类似于A产业→B产业→C产业→D产业这一类别产业间的联系即为单向联系，而多向联系是指A、B、C、D等产业之间，先行产业部门为后续产业部门提供产品，作为后续产业部门的生产性直接消耗，同时后续部门的产品也返回先行产业部门的生产过程，类似于：A产业←→B产业，即A产业部门为B产业部门提供所需的产品，而B产业部门也为A产业部门的生产提供支持性产品或设备装置，即为产业之间的双向联系，本实施例不包括全部环境科技产业链节点，而是选择部分产业链节点进行构建确定，也可以选择其他产业链节点来实现本实施例方案的目的，且环境科技产业联系方式为：环境关键零部件生产产业→废水处理设备生产产业和实验分析仪器产业，废水处理设备生产产业→水资源监测产业和水污染治理产业，实验分析仪器产业→水资源监测产业和水污染治理产业；
示例性的，根据采集的企业名录中的关联关系，或者根据采集的第三方企业图谱数据，企业图谱包含多个企业节点，通过采集的企业产品和服务清单将企业挂载到对应的产业链节点上，本实施例中A产业对应企业1，B产业对应企业2，C产业对应企业5、D产业对应企业4、E产业对应企业6，企业1通过对外投资企业2和共同参与企业3的高层管理，企业2则作为企业4的法人和自然人股东进行运作，按照企业与企业进行产业链关系构建对应企业类型的产业链图谱，示例性的，按照上述步骤本实施例最终构建的产业链图谱如图3所示。
步骤三：确定产业链节点原始风险值的同时采集企业节点原始风险值，根据产业节点风险值评估指标体系计算产业节点原始风险值；
在本发明实施例中，在产业链图谱中，因为传导网络的复杂性和关联性，风险在传导时，首先会向企业关联度最大的企业传递，当风险传导阈值超过临界值时，风险开始扩散和传导到下一个节点企业，进而传播到整个产业链，否则风险被企业内部消化掉，风险传导终止，风险的传播途径也分为多种：企业间传导、企业到产业的传导、产业链之间传导，本发明重点阐述企业到产业、产业到产业的传导，产业链风险的传递需要整合产业链图谱形成产业链复杂网络，风险的传递则是从复杂网络的节点产生，经过边传递，最终影响并计算生成每个产业节点的风险值；
示例性的，由于产业链中包含企业节点和产业节点，风险的传播前提是节点中存在原始风险值，由于企业风险识别技术相对比较成熟，并且互联网侧也存在相应数据，权威终端有相应的系统专门做企业原始风险的分析监测，因此本实施例针对企业风险直接采集第三方系统，确定产业链节点原始风险值的同时采集企业节点原始风险值，包括法律风险、经营风险、舆情风险，数据提供企业风险事件和风险综合评分，部分风险事件过滤积极和中立的事件，企业风险数据来源于互联网侧企业风险监控和准入进调数据，企业风险数据提供企业风险所属期，企业风险得分和风险等级的设置按照外部系统采集提供如下：
| 风险等级 | 综合得分 |
| 高风险 | [80，100] |
| 较高风险 | [60，80) |
| 中风险 | [40，60) |
| 较低风险 | [20，40) |
| 低风险 | [0，20) |
产业节点的原始风险值不同于企业节点原始风险值，产业节点的原始风险值是在产业链安全评估的基础上生成的，主要有三个方面组成：一是产业链关键环节产品和技术的核心竞争力、对外依存度与自主创新能力；二是产业链各环节关键资源、原材料及市场的可获得性；三是产业链关键技术、资源、市场的可替代性及储备与备份情况，确定一级指标和一级指标对应的二级指标，并确定指标的权重，因此按照三方面组成形成产业节点风险值评估指标体系如下：
由于按照上述指标计算的产业评价值是反应产业正向良好，因此进行风险值的同向化处理。
步骤四：进行企业与企业间、企业与产业间、产业与产业间风险的关联强度计算；
在本发明实施例中，企业与企业间关联强度的计算为：企业关联关系有明确条款说明，相互间直接或者间接持有其中一方的股份总和达到25％或以上的为关联公司，所以此处对于股权关系的企业，通过设置持有股份的强弱程度来判断企业的关联程度，企业直接持股按照持股比例计算，间接持股按照持股比例乘法计算，同时本发明根据传播的时效性，对于企业之间的风险传播增加时间窗口t，本实施例中企业节点Ni和Nj之间在时间t的有向关联边强度wi,j,t＝Ck×Ri,j,t，wi,j,t∈[0,1]，当wi,j,t＝0时，代表t时刻(时刻i这里定义为某年某月)两个企业节点不存在合作，当wi,j,t越大，企业之间关系越紧密，风险的传播存在时效性，也具有潜伏期的特征，本实施例中Ti,j代表企业节点Ni到Nj的的时间窗口，以月为单位，并且从历史数据中发现，90％的企业关联违约风险发生在12个月内，且不同的关联类型的企业，风险潜伏期不一样，如企业节点i时刻t(时刻i这里定义为某年某月)发生风险，则企业节点j在t+12(月)被风险影响，Ti,j＝12；
示例性的，关联关系的关联系数和权重设置如下：
在本实施例中，企业与产业间的关联强度计算为：利用风险企业和产业的关联边的关联强度wi,j,t，计算出在某一时刻受影响的产业的节点风险程度，根据国家有关部委联合发的文件中关于龙头企业的描述，龙头企业是对同行业的其他企业有很深的影响、号召力和示范作用，龙头企业具备的条件里面提到了产业规模大、经济效益好、带动能力强等条件；所以风险企业和产业的关联边的关联强度可以选择龙头企业的相关指标进行计算，选择指标如下：
| 指标名称 |
| 企业产值 |
| 企业税收 |
| 资产负债率 |
| 产业节点度 |
其中产值税收反应的是产业规模、资产负债率反应的是经济效益、产业节点度(与该企业节点相连的产业节点的数量)反应的是辐射带动能力，这里选择本地区域历史的指标数据；
示例性的，由于企业四个指标不同的特征值数值范围也不一致，对于连续型的指标通过归一化数据理后，统一到区间[0，1]之间，企业的资产负债率越高，其经济效益越低，该指标属于逆向指标，需要转化为正向指标，逆向指标同化公式为z＝1-y，y为原始逆向指标值(如资产负债率的的归一化值为0.8，逆向后的值则是0.2)，原来的值越大逆向的值就越小，采用变异系数法确定指标权重，
其中Rj表示指标j的权重，vj表示指标j的变异系数，/>
dj是指标j的标准差，xj是指标j的平均值，m代表指标总数；计算后的权重为：
| 指标名称 | 权重 |
| 企业产值 | 0.43 |
| 企业税收 | 0.21 |
| 资产负债率 | 0.18 |
| 产业节点度 | 0.17 |
产业节点度是与该企业节点相连的产业节点的数量，即企业节点的出度数量减去出度目标节点属于企业的节点数量；
示例性的，企业节点强度计算为：节点强度代表节点所反应的企业的能力，si,t＝企业节点i在t时间的产值×企业产值权重+企业节点i在t时间的税收×企业税收权重+企业节点i在t时间的资产负债率×资产负债率权重+企业节点i的产业节点度×产业节点度权重，si的参数由于经过归一化处理，其最后取值在0～1之间；企业产业风险关联强度计算为：
n代表产业j节点的入度数量，si,t代表企业i的在时间t的节点强度，本实施例中/>
表示2022年12月企业7和产业B之间的风险关联强度，当同一产业所关联的企业越多，企业集聚程度越强，企业节点强度越大，其单个风险企业的影响程度就越小；
在本实施例中，产业与产业间的风险关联强度计算为：投入产出法作为产业关联分析的基本方法，且直接消耗系数反应了投入产出中各产业间经济联系和产业之间的技术联系，是产业链节点间关联关系最重要、最基本的系数，且直接消耗系数存在稳定性和有效性问题，这是因为产业之间的的投入产出只是依据过去某一个时期产业间生产技术联系的数据而得到的，它反映的时过去某一时期的产业间的联系，同时产业波及效果存在时滞现象，某一产业风险的情况导致其他产业的风险并不立即反应，有一个时间过程，这个时间过程的长短往往在不同的产业、不同的经济循环周期中的不同阶段，如繁荣时期和萧条时期有不同的表现，因此本发明将投入产出系数作为产业链之间的关联强度
其中xi,j,t是产业j节点在时间t所消耗的产业i的成本(数据来源于产业j企业对产业i企业的开票金额合计)，xj,t是产业j在时间t的总成本(数据来源于产业j对应企业的总开票金额)，wi,j,t的取值范围在0～1之间，当wi,j,t＝0时，表明i产业与j产业在时刻t没有直接联系，当wi,j,t>0，且涉及j(j＝1，2，...，n)产业越多，表明i产业在时刻t与其他产业的联系越广，反之亦然。
步骤五：进行风险传播分析；
在本发明实施例中，根据产业链的研究表明，产业链中游企业的风险，不仅会传递干扰下游企业，也会对上游企业产生影响，并且产业间联系方式的类型不仅是单向联系与多向联系，也有顺向联系与逆向联系，同时存在直接联系和间接联系，因此产业链图谱用矩阵形式表示则为：
本实施例将企业1作为初始化“第一前节点”目标风险企业，“第一前节点”仅表示模拟风险企业输入的第一个节点，产业链的风险值不受前节点目标风险企业的改变而影响，初始化目标风险企业原始风险值f1,t(这里采集自第三方系统的风险值)，t代表具体某一观察时间点，fi,t表示企业i或产业节点i在某一时刻的原始风险值，因为构建的复杂网络种包含企业和产业，若i代表产业节点时，也可以初始化设置产业节点的默认风险值，用矩阵表示初始化原始风险值则为：
f(t)＝[f1,t f2,t ... fN,t]
矩阵中的任何企业节点都将作为模拟输入的”第一前节点”，分别输入执行风险传播计算，从而得出每个目标风险企业的风险转移值；
示例性的，Fi,j,t表示第i目标节点在时间t时影响第j目标节点的传导影响分值，用矩阵形式表示则为：
根据产业波及效果的时滞现象，定义产业之间的时间系数Ti,j，代表产业i节点风险转移到产业j节点所需要消耗的时间周期(这里初始通常设置为12个月)，根据直接消耗系数的稳定性和有效性，为保证分析的准确性，初始随机设置的Ti,j，对历史数据进行风险传播评估和验证，不断的对时间系数Ti,j进行修正；
示例性的，设置节点风险阈值Kn，由于不同产业的抗风险能力不一样，则不同的产业阈值不一样，当产业n在时刻t接收节点i转移的风险值Fi,n,t小于阀值Kn时，Fi,n,t设置为0，该节点i对产业n的风险则停止传播，产业的风险阀值由专家指定，企业的风险阀值通常以风险等级为“较低风险”的最大得分设置，本实施例设置为40，系统选择指定的监测周期T初始化时间监测点，本实施例设置t0，t1，t2，...监测周期T以月为单位，如监测周期T设置为12个月，初始化t0＝2008-12，则t1＝2009-12，t2＝2010-12，...，监测周期和初始监测点可动态指定；
示例性的，t0观察点：初始化确定输入风险企业节点“企业1”作为开始遍历节点，根据采集的“企业1”风险信息的风险所属期为Risk(1)＝[2008，2010]，采用广度优先搜索(BFS)开始向下遍历，设置“企业1”为节点1，首先探索节点1的相邻节点，并标记节点序号，节点1的相邻节点序号顺序按照遍历顺序设置(相邻节点序号的标记无优先级，随机指定)，节点序号的设置是为了方便本实施例表示节点索引，初始化
则后续的传播转移风险值为：
...
示例性的，t1观察点：根据设置的企业时间窗口系数T1,2＝3(企业1→企业2是“对外投资”关系)，T2,4＝6(企业2→企业4是“法人、自然人股东”关系)，也就是节点1传播到节点4需要9个月，本实施例t0到t1的时间间隔设置为12个月，则t1观察点由企业1节点产生的风险已经传播到企业4；
......
示例性的，t2观察点：产业A、产业B、产业D的阈值分别设置为K3、K5和K7，企业2和企业3的阀值分别为K2、K3，本实施例中
风险继续传播；/>
风险停止传播，/>
......
示例性的，td观察点：根据企业风险输入的时效性，“企业1”的风险所属期在[2008，2010]，代表2010年之后，该企业自身消除了风险，本实施例中，后续观察点时间超过了“企业1”的风险所属期截止2010，由”企业1”产生的风险消除，即
综合上述步骤：
式中:
—第i目标节点在td时间影响第j目标节点的传导影响分值；
td—指定时间监测点；
Ej—有向图中，指向节点j的相邻节点集合，指向产业节点5的相邻节点集合E5＝{2,3}；
Ti,j—节点i到节点j的传播系数，是时间周期间隔(单位是月数)；
(t0+Ti,j<td)—表示截止时间td，节点i风险还未开始传播到节点j；
(td>D_END||td<D_BEGIN)—表示当前指定时间监测点td大于输入目标风险企业的原始风险信息的风险所属期止D_END，意味着原始输入风险已解除；或者当前指定时间监测点td小于目标风险企业的风险所属期起D_BEGIN，意味着原始输入风险还未开始；
示例性的，由于采集的历史风险企业不止一家，逐一输入历史风险企业作为“第一前节点”目标风险企业，重复执行上述步骤，根据产业链的矩阵特征和时间窗口系数，td时刻产业链图谱中各个节点转移的风险值合计为：
即
式中：
——产业图谱节点j在时刻td的累计转移风险值；
示例性的，综合上述传播步骤，风险传播的执行过程为：输入目标风险企业x，以x为起点构建风险传播路径，计算x转移给后节点的风险传播值，当x<m：m代表目标风险企业数量，x是输入的目标风险企业的索引，x＝1，2，3...，m，当x≥m时汇总所有目标风险企业的转移值；即多个企业输入风险，归纳的整体计算流程为：先确定目标风险企业x作为第一目标风险企业输入，以企业x为起点开始传播，计算企业x传播给每个节点的转移值，继续下一个目标风险企业x＝x+1，直到所有目标风险企业传播结束x<m，汇总每个节点中所有风险风险企业的转移风险值，最后得出节点的累计转移风险值。
步骤六：根据最终计算出的每个产业链的风险转移值合计，将其作为产业的最终风险值，将产业风险值的结果进行评估、分析和预测。
在本实施例中，定义产业风险等级区间，产业风险等级根据企业风险等级进行设置，分为：
| 风险等级 | 综合得分 |
| 高风险 | [80，+∞] |
| 较高风险 | [60，80) |
| 中风险 | [40，60) |
| 较低风险 | [20，40) |
| 低风险 | [0，20) |
td时间产业风险等级对应的区间综合得分＝td时间该产业节点上企业的原始风险数据风险等级的平均得分+td时间产业节点的累计转移风险值，系统设定时间筛选条件[a，b]，产业节点的风险等级默认显示[a，b]时间范围内，最后的时间监测点的风险等级；
示例性的，产业风险值趋势：根据产业的时间系数展示不同时间范围的产业风险变化，通过不同产业下历史风险值的趋势变化，反应产业风险传播的时间趋向性，系统选择具体一级产业，显示该一级产业下的产业链关联关系包括的所有子产业趋势信息；
示例性的，产业链风险预测为：产业链的风险预测可以利用产业波及效果的时滞现象，获取最新的企业风险数据和根据此计算最新的产业风险数据、或者模拟输入企业风险值和产业风险值，通过风险传播过程计算最后的转移风险值，根据累计转移值的结果评判该企业或者产业所在产业链环节中的重要性，类似的，系统输入企业1的原始风险值＝90，风险所属期[2020，2026]，计算出具体年月下产业链的风险值趋势，根据其增长趋势判断出企业1对于产业链中产业的影响程度。
实施例二：
本发明实施例二提供了一种基于复杂网络的产业链风险传播系统，图2为本发明实施例二提供的一种基于复杂网络的产业链风险传播系统的模块组成示意图，如图2所示，该系统包括：
数据整备模块，用于采集确定产业风险数据；
产业链图谱构建模块，用于将企业挂载到对应的产业链节点上构建产业链复杂网络；
产业链风险传播模块，用于分析计算产业链图谱中传播的产业链节点风险值；
产业风险评价模块，用于定义产业风险等级区间，将产业风险值的结果进行评估、分析和预测。
在本发明的一些实施例中，数据整备模块包括：
地区产业选择模块，用于选择并确定待评估的地区和产业；
数据采集模块，用于采集选择地区的企业基本信息数据。
在本发明的一些实施例中，产业链图谱构建模块包括：
产业链关系确定模块，用于确定产业链的上、中、下游；
产业联系方式确定模块，用于确定产业链的联系方式是单向联系还是多向联系；
企业上链模块，用于通过采集的企业产品和服务清单将企业挂载到对应的产业链节点上。
在本发明的一些实施例中，产业链风险传播模块包括：
原始风险值确定模块，用于确定产业链节点原始风险值；
产业链边权计算模块，用于计算企业与企业间、企业与产业间、产业与产业间风险的关联强度计算；
风险传播分析模块，用于分析产业链中企业传播的风险。
在本发明的一些实施例中，产业风险评价模块包括：
风险传播模块，用于通过构建的风险传播路径进行风险传播的计算汇总；
风险监测模块，用于监测风险传播过程中计算出的每个产业链的风险转移值。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于复杂网络的产业链风险传播方法，其特征在于：所述该方法包括以下步骤：
步骤一：系统确定待评估的地区和产业，进行地区企业基本信息数据的采集；
步骤二：将企业挂载到对应的产业链节点上，构建包括企业和企业的关系、企业和产业的关系、产业和产业的关系的产业链复杂网络；
步骤三：确定产业链节点原始风险值的同时采集企业节点原始风险值，根据产业节点风险值评估指标体系计算产业节点原始风险值；
步骤四：进行企业与企业间、企业与产业间、产业与产业间风险的关联强度计算；
步骤五：进行风险传播分析；
步骤六：根据最终计算出的每个产业链的风险转移值合计，将其作为产业的最终风险值，将产业风险值的结果进行评估、分析和预测。
2.根据权利要求1所述的一种基于复杂网络的产业链风险传播方法，其特征在于：所述确定待评估的地区和产业，进行地区企业基本信息数据的采集的步骤，包括：
选择具体地区和对应类型产业进行数据信息采集时；
通过接入互联网平台的权威终端确定数据来源；
通过在互联网侧和政府侧的权威终端采集该地区企业的产业数据。
3.根据权利要求1所述的一种基于复杂网络的产业链风险传播方法，其特征在于：所述构建产业链复杂网络的步骤，包括：
确定产业链的上游、中游以及下游涉及的关联关系；
构建编制产业的关联关系，进一步确定产业联系方式产业链的联系方式；
根据采集的企业名录中的关联关系，或者根据采集的第三方企业图谱数据，企业图谱包含多个企业节点，通过采集的企业产品和服务清单将企业挂载到对应的产业链节点上。
4.根据权利要求1所述的一种基于复杂网络的产业链风险传播方法，其特征在于：所述确定产业链节点原始风险值的步骤，包括：
针对企业风险直接采集第三方系统，确定产业链节点原始风险值的同时采集企业节点原始风险值；
按照三方面组成形成产业节点风险值评估指标体系；
进行风险值的同向化处理。
5.根据权利要求1所述的一种基于复杂网络的产业链风险传播方法，其特征在于：所述进行企业与企业间、企业与产业间、产业与产业间风险的关联强度计算的步骤，包括：
通过设置持有股份的强弱程度来判断企业的关联程度，企业直接持股按照持股比例计算，间接持股按照持股比例乘法计算；
利用风险企业和产业的关联边的关联强度wi,j,t，计算出在某一时刻受影响的产业的节点风险程度。
6.根据权利要求1所述的一种基于复杂网络的产业链风险传播方法，其特征在于：所述进行风险传播分析的步骤，包括：
先确定目标风险企业x作为第一目标风险企业输入，以企业x为起点开始传播，计算企业x传播给每个节点的转移值，继续下一个目标风险企业x＝x+1，直到所有目标风险企业传播结束x<m，汇总每个节点中所有风险企业的转移风险值，最后得出节点的累计转移风险值。
7.根据权利要求1所述的一种基于复杂网络的产业链风险传播方法，其特征在于：所述将产业风险值的结果进行评估、分析和预测的步骤，包括：
定义产业风险等级区间，产业风险等级根据企业风险等级进行设置；
根据产业的时间系数展示不同时间范围的产业风险变化，通过不同产业下历史风险值的趋势变化，反应产业风险传播的时间趋向性，系统选择具体一级产业，显示该一级产业下的产业链关联关系包括的所有子产业趋势信息；
产业链的风险预测可以利用产业波及效果的时滞现象，获取最新的企业风险数据和根据此计算最新的产业风险数据、或者模拟输入企业风险值和产业风险值，通过风险传播过程计算最后的转移风险值，根据累计转移值的结果评判该企业或者产业所在产业链环节中的重要性。
8.一种基于复杂网络的产业链风险传播系统，其特征在于：所述该系统包括：
数据整备模块，用于采集确定产业风险数据；
产业链图谱构建模块，用于将企业挂载到对应的产业链节点上构建产业链复杂网络；
产业链风险传播模块，用于分析计算产业链图谱中传播的产业链节点风险值；
产业风险评价模块，用于定义产业风险等级区间，将产业风险值的结果进行评估、分析和预测。
9.根据权利要求8所述的一种基于复杂网络的产业链风险传播系统，其特征在于：所述数据整备模块包括：
地区产业选择模块，用于选择并确定待评估的地区和产业；
数据采集模块，用于采集选择地区的企业基本信息数据；
所述产业链图谱构建模块包括：
产业链关系确定模块，用于确定产业链的上、中、下游；
产业联系方式确定模块，用于确定产业链的联系方式是单向联系还是多向联系；
企业上链模块，用于通过采集的企业产品和服务清单将企业挂载到对应的产业链节点上。
10.根据权利要求8所述的一种基于复杂网络的产业链风险传播系统，其特征在于：所述产业链风险传播模块包括：
原始风险值确定模块，用于确定产业链节点原始风险值；
产业链边权计算模块，用于计算企业与企业间、企业与产业间、产业与产业间风险的关联强度计算；
风险传播分析模块，用于分析产业链中企业传播的风险。
在本发明的一些实施例中，产业风险评价模块包括：
风险传播模块，用于通过构建的风险传播路径进行风险传播的计算汇总；
风险监测模块，用于监测风险传播过程中计算出的每个产业链的风险转移值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310285418.0A CN116307724A (zh) | 2023-03-22 | 2023-03-22 | 一种基于复杂网络的产业链风险传播方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310285418.0A CN116307724A (zh) | 2023-03-22 | 2023-03-22 | 一种基于复杂网络的产业链风险传播方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116307724A true CN116307724A (zh) | 2023-06-23 |
Family
ID=86792283
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310285418.0A Pending CN116307724A (zh) | 2023-03-22 | 2023-03-22 | 一种基于复杂网络的产业链风险传播方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116307724A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117217634A (zh) * | 2023-11-07 | 2023-12-12 | 数据空间研究院 | 一种基于复杂网络的企业合作社区发现方法 |
| CN117236521A (zh) * | 2023-11-10 | 2023-12-15 | 中国联合网络通信集团有限公司 | 产业风险等级预测方法、装置、设备及存储介质 |
| CN117786131A (zh) * | 2024-02-23 | 2024-03-29 | 广东省投资和信用中心(广东省发展和改革事务中心) | 一种产业链安全监测分析方法、介质及设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109583620A (zh) * | 2018-10-11 | 2019-04-05 | 平安科技（深圳）有限公司 | 企业潜在风险预警方法、装置、计算机设备和存储介质 |
| CN111104522A (zh) * | 2019-12-20 | 2020-05-05 | 武汉理工大学 | 一种基于知识图谱的区域产业关联效应趋势预测方法 |
| CN112132441A (zh) * | 2020-09-16 | 2020-12-25 | 西安科技大学 | 风险传播信息评估方法、系统、存储介质、计算机设备 |
| CN113807645A (zh) * | 2021-07-26 | 2021-12-17 | 北京清博智能科技有限公司 | 一种基于开源情报的产业链风险推演方法 |
| CN115049505A (zh) * | 2022-04-22 | 2022-09-13 | 中银金融科技有限公司 | 基于区块链的产业链金融风险防控方法及装置 |
-
2023
- 2023-03-22 CN CN202310285418.0A patent/CN116307724A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109583620A (zh) * | 2018-10-11 | 2019-04-05 | 平安科技（深圳）有限公司 | 企业潜在风险预警方法、装置、计算机设备和存储介质 |
| CN111104522A (zh) * | 2019-12-20 | 2020-05-05 | 武汉理工大学 | 一种基于知识图谱的区域产业关联效应趋势预测方法 |
| CN112132441A (zh) * | 2020-09-16 | 2020-12-25 | 西安科技大学 | 风险传播信息评估方法、系统、存储介质、计算机设备 |
| CN113807645A (zh) * | 2021-07-26 | 2021-12-17 | 北京清博智能科技有限公司 | 一种基于开源情报的产业链风险推演方法 |
| CN115049505A (zh) * | 2022-04-22 | 2022-09-13 | 中银金融科技有限公司 | 基于区块链的产业链金融风险防控方法及装置 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117217634A (zh) * | 2023-11-07 | 2023-12-12 | 数据空间研究院 | 一种基于复杂网络的企业合作社区发现方法 |
| CN117217634B (zh) * | 2023-11-07 | 2024-02-02 | 数据空间研究院 | 一种基于复杂网络的企业合作社区发现方法 |
| CN117236521A (zh) * | 2023-11-10 | 2023-12-15 | 中国联合网络通信集团有限公司 | 产业风险等级预测方法、装置、设备及存储介质 |
| CN117786131A (zh) * | 2024-02-23 | 2024-03-29 | 广东省投资和信用中心(广东省发展和改革事务中心) | 一种产业链安全监测分析方法、介质及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116307724A (zh) | 一种基于复杂网络的产业链风险传播方法和系统 | |
| Chen et al. | Project delivery system selection of construction projects in China | |
| Farrell et al. | What does sustainability really mean?: The search for useful indicators | |
| Bisset | Developments in EIA methods | |
| CN108647891A (zh) | 数据异常归因分析方法及装置 | |
| Zahradníčková et al. | Scenarios as a strong support for strategic planning | |
| Doukas et al. | Linguistic multi-criteria decision making for energy and environmental corporate policy | |
| Kabak et al. | A cumulative belief degree-based approach for missing values in nuclear safeguards evaluation | |
| CN103426120A (zh) | 基于可靠性的中低压配电网的综合评估方法 | |
| Lo et al. | Risk assessment due to local demand forecast uncertainty in the competitive supply industry | |
| Wolman | Measurement and meaningfulness in conservation science | |
| Zhang et al. | Development of an innovation diffusion model for renewable energy deployment | |
| Shi et al. | When can decision analysis improve climate adaptation planning? Two procedures to match analysis approaches with adaptation problems | |
| Fontana et al. | A MCDM model for urban water conservation strategies adapting simos procedure for evaluating alternatives intra-criteria | |
| Santos et al. | Sequential decision-making in interdependent sectors with multiobjective inoperability decision trees: Application to biofuel subsidy analysis | |
| Yuill et al. | Application of Adaptive Neuro Fuzzy Inference System (ANFIS) based short term load forecasting in South African power networks | |
| CN112860973A (zh) | 基于社交网络分析的组织健康评估方法 | |
| Nasseri et al. | Fuzzy stochastic input-oriented primal data envelopment analysis models with application to insurance industry | |
| ŞİŞMAN | A comparison of ARIMA and grey models for electricity consumption demand forecasting: The case of Turkey | |
| Giudici | Integration of qualitative and quantitative operational risk data: A Bayesian approach | |
| Watson et al. | Human dimensions of biodiversity conservation in the interior forests of British Columbia | |
| Liu et al. | Probabilistic double hierarchy linguistic risk analysis based on failure mode and effects analysis and S-ARAS method | |
| Astin et al. | Harmonization in the European Union: A review of some technical issues | |
| Sapio | Market design, bidding rules, and long memory in electricity prices | |
| Thinh et al. | Application of the Analytic Hierarchy Process in the Multiple Criteria Decision Analysis of Retention Areas for Flood Risk Management. |
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 |