CN117495094A - 一种产业链安全风险综合评估预警方法与系统 - Google Patents
一种产业链安全风险综合评估预警方法与系统 Download PDFInfo
- Publication number
- CN117495094A CN117495094A CN202311480582.3A CN202311480582A CN117495094A CN 117495094 A CN117495094 A CN 117495094A CN 202311480582 A CN202311480582 A CN 202311480582A CN 117495094 A CN117495094 A CN 117495094A
- Authority
- CN
- China
- Prior art keywords
- industrial chain
- node
- network
- key
- score
- 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 77
- 238000011156 evaluation Methods 0.000 title claims description 44
- 238000004364 calculation method Methods 0.000 claims description 49
- 239000013598 vector Substances 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 16
- 230000004913 activation Effects 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000011161 development Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 8
- 238000000547 structure data Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 7
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000011144 upstream manufacturing Methods 0.000 claims description 5
- 230000015556 catabolic process Effects 0.000 claims description 3
- 238000006731 degradation reaction Methods 0.000 claims description 3
- 238000003012 network analysis Methods 0.000 claims description 3
- 230000000644 propagated effect Effects 0.000 claims description 3
- 238000004904 shortening Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims description 2
- 238000011835 investigation Methods 0.000 claims description 2
- 238000012502 risk assessment Methods 0.000 abstract description 8
- 238000004445 quantitative analysis Methods 0.000 abstract description 4
- 238000004458 analytical method Methods 0.000 description 4
- 230000002776 aggregation Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 3
- 238000011158 quantitative evaluation Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007123 defense Effects 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种产业链安全风险综合评估预警方法与系统，通过运用综合评估方法完成产业链安全风险的评估和预警任务，这种方法综合了定性和定量评估方法的优势，通过综合考虑多种因素和指标，进行全面的产业链风险评估，以获得综合的风险评估结果，相较于单独的定性或定量方法，综合评估方法可以更全面地考虑产业链的各个方面，提供较为综合和全面的评估结果。
Description
技术领域
本发明涉及安全风险综合评估技术领域，尤其涉及一种产业链安全风险综合评估预警方法与系统。
背景技术
在当前全球产业链供应链安全风险日益突出的背景下，需要一种准确高效的方法来评估和预警产业链中的安全风险。现有的产业链评估方法的解决方案大致有二种：第一类定性评估方法：这种方法主要侧重于对产业链中各个环节和参与者的风险进行主观判断和描述，通常使用专家意见、经验和专业知识进行评估，这种方法可以通过问卷调查、专家访谈等方式获得信息，并进行综合分析和评估，这类方法的研究文献已较为丰富。如中国专利号CN114580970A，公开日：2022年06月3日，专利名称：一种基于风险指数评估的国防产业链评估方法，该方法从整体框架入手，评估公司整体状况，逐项分解了国防产业链风险评价指标，结合专家打分，给出合理的风险评估值。中国专利号CN114493078A，公开日：2022年5月13日，专利名称：一种能源电力产业链的风险预警方法、系统、设备和介质，该方法根据能源电力产业链的历史数据，通过构建风险评估指标体系、依据层次分析和和专家评价法确定权重和综合评价分数，将综合评价分值与风险阈值对比，判断能源电力产业链的风险预警等级。然而，由于依赖专家意见、经验和专业知识，这类方法容易受到评估人员的主观偏见和个人经验的影响，导致评估结果的不确定性和主观性；同时，定性评估方法难以提供精确的量化结果，仅限于主观判断和描述，缺乏客观的指标和数据支持。第二类定量评估方法：这种方法基于数据和指标进行产业链风险评估，通过量化分析来识别和衡量潜在风险。常用的方法包括风险指标模型、统计分析、数学建模等，定量评估方法可以提供较为客观和可量化的风险评估结果，这类方法的文献资料还不多。如中国专利号CN111898916A，公开日：2020年11月6日，专利名称：一种煤炭产业链风险监控系统及其监控方法，该方法通过采集、关联、合并运营数据，评估产业链单个节点的风险，进而基于单个节点的风险评估结果来得到整个产业链的风险。中国专利号CN115860474A，公开日：2023年3月28日，专利名称：一种基于集成学习的产业链安全预警方法与系统，该方法通过对产业链上的供应链及服务链进行迭代分析，生成供应特征向量及服务特征向量，并将其与中游企业的基本特征向量进行拼接，得到中游企业的供应聚合指标及服务聚合指标，同层聚合后得到供应链特征向量及服务链特征向量，最后通过集成学习方法训练机器学习模型，得到评价模型，通过评价模型对所述输入特征向量进行预测，得到产业链风险等级安全预警预测结果。然而，定量评估方法需要可靠的数据支持，如果数据质量不高或缺乏必要的数据，评估结果可能不准确或不可靠；同时，需要选择适当的模型来进行分析和计算，选择合适的模型可能具有挑战性，并且不同模型对结果的影响可能存在差异。
综上所述，现有的产业链安全风险评估方法主要依赖于定性分析和专家判断，缺乏科学的定量评估方法，这导致评估结果主观性较强，难以进行可靠的比较和量化分析；在评估产业链安全风险时，往往忽视了产业链中不同环节和参与者之间的内部关联性。然而，产业链的风险传导和连锁反应往往是由内部关联性引起的，忽视这一点可能导致对潜在风险的漏识别和误判；现有方法更多地关注当前的产业链状态，进行静态评估。然而，产业链安全风险是一个动态的过程，受到外部环境和内部因素的不断变化影响，静态评估无法及时捕捉和应对风险的动态变化，限制了风险管理的效果；同时，现有方法往往只关注产业链中某个特定环节或某种类型的风险，缺乏对整个产业链的综合性和系统性评估，这可能导致对整体风险态势的误判和遗漏。针对上述问题，本发明提出了一种基于图卷积神经网络与熵权法的产业链安全风险综合评估预警方法与系统，以解决现有方法存在的问题，提高产业链安全风险评估的准确性和实用性。
发明内容
本发明的目的就在于为了解决上述问题而提供一种产业链安全风险综合评估预警方法与系统，本发明可以全面地评估产业链安全风险，并识别潜在风险，为各个环节和参与者提供有效的风险管理和控制依据。
本发明通过以下技术方案来实现上述目的：
一种产业链安全风险综合评估预警方法，包括以下步骤：
步骤1、根据待评估产业链数据构建产业链上中下游网络结构并确定产业链主要环节；
步骤2、利用图卷机神经网络GCN学习节点属性和网络关系结构特征实现产业链主要环节的关键企业筛选；
步骤3、建立产业链安全评价三级指标体系并对关键企业第三级指标进行评估按关键企业排名权重计算主要环节的三级指标分数；
步骤4、使用熵权法计算各级指标体系权重系数并结合行业层面主要环节的第三极指标得分按照各级指标权重系数计算主要环节的安全分数；
步骤5、计算产业链各主要环节的权重系数并根据产业链主要环节权重系数加权计算产业链整体的安全评分总分数。
进一步方案为，所述步骤1中，待评估产业链数据包括企业基本属性特征和产业链网络结构关系特征；产业链山中下游网络结构是在产业链网络中，每个节点表示一个企业或一个环节，而边表示企业或环节之间的关系；使用图论和网络分析的方法来构建产业链网络，通过构建产业链网络，将产业链中的企业和环节以图的形式展现出来，确定产业链主要环节指的是基于已构建的产业链网络，进一步分析产业链网络，确定产业链的主要环节。
进一步方案为，所述步骤2中，所述关键企业的筛选包括数据处理、特征提取、关键节点识别模型、网络关键节点预测、关键企业的筛选；
数据处理是将网络数据中一些含有极少量孤立的节点进行移除操作，使得所使用的输入图例均为连通图；
特征提取包括在网络中提取每一个节点的二度子图来构建子图网络，选取距离目标节点不超过三的邻居节点构建该点的二度子图网络，提取子图网络的特征并为每个节点构建由五个特征组成的特征向量，将每个节点的子图网络特征和五个特征向量作为模型的原始输入；五个特征指的是度中心性、介数中心性、k-shell分解法、紧密中心性、节点嵌入；其中，度中心性表示节点i的度ki与该节点直接相连的邻居节点的数量，公式为介数中心性表示在网络中进行信息传播时的负载量；计算出网络中任意两个节点间的最短路径，若一个节点被最短路径包括的次数越多，则该节点i的负载量越大，该节点越重要；节点v的介数定义为
其中，gst代表点s到点t最短路径的数目，代表点s到点t的最短路径里经过点i的数量；k-shell分解法表示节点的K-shell值是对节点所处网络位置的评分；紧密中心性的计算公式是
其中，dij是节点i和节点j之间的距离；节点嵌入是使用node2vec进行编译用以保留网络的结构信息，将节点映射到嵌入空间后做one-hot编码再乘以嵌入矩阵，得到每个节点的嵌入向量；五个特征综合考量了网络的局部属性、全局属性和位置属性；
关键节点识别模型包括输入层、GCN层、全连接层、输出层四层网络架构，其中输入层为子图网络特征和五个特征向量构成的节点特征向量；GCN层定义如下：
Hi+1＝δ(AHiWi+bi)
其中，A是二度子图网络的对称归一化拉普拉斯算子；Hi表示第i个GCN层的节点；Wi和bi分别表示可学习权重和误差参数；δ是非线性激活函数，根据提取到每个节点的特征向量输入到产业链网络关键节点识别模型进行训练；全连接层起到分类作用，包括三层构架，第一个全连接层基于退化学习率的dropout技术拟合数据集；第二和第三个全连接层使用指数线性单元ELU激活函数，用于缩短训练时间并提高准确率；输出层是得到网络中每个节点的关键程度得分输出值。
进一步方案为，所述步骤2中，网络关键节点预测是输入网络特征数据，通过回归损失函数MSE计算最小损失，最终得到网络中每个节点的关键性得分预测值；
关键企业的筛选是基于产业链上中下游网络结构及产业链主要环节，提取主要环节内关键性得分预测值排名靠前N个节点企业作为各主要环节的关键代表性企业以及关键代表企业的排名权重。
进一步方案为，所述步骤3中，产业链安全评价三级指标体系由产业链竞争力、产业链控制力和产业链发展环境三个一级指标构成；产业链竞争力包括技术创新能力、盈利能力、市场竞争力，在微观层面需要增强产业链关键环节核心企业技术创新能力、技术创新产出能力；产业链控制力包括核心技术、产业资本、市场的对外依存度或者外资控制率；产业链发展环境是重点考察待评价产业的全行业人才保障条件；按关键企业排名权重计算主要环节的三级指标分数指的是根据主要环节的各企业排名权重结合三级指标分数以加权求和的方式计算产业链各主要环节的三级指标分数。
进一步方案为，所述步骤4中，熵权法计算指标体系权重系数包括对第三级指标数据进行标准化处理，将其转化为无量纲的相对指标，以消除不同指标之间的量纲差异；根据标准化后的数据，构建一个n×m的决策矩阵，其中n表示指标数量，m表示样本数量；对每个指标的每一列数据，计算其熵值，熵值反映了指标的信息量和差异程度；熵值的计算公式为：其中p表示数据占比，k＝1/ln(n),(0≤ej<1)；根据熵值，计算每个指标的权重系数；指标权重系数的计算公式为：wj＝(1-Ej)/∑(1-Ej)，其中Ej为指标的熵值；根据指标体系的层次结构，将子指标的权重系数按照层次结构逐级相乘，最终得到各层次指标体系的权重系数；产业链主要环节的安全分数是根据各层次指标体系的权重系数结合产业链各主要环节的三级指标分数以加权求和的方式逐层计算最终得到产业链主要环节的安全分数。
进一步方案为，所述步骤5中，计算产业链各主要环节的权重系数是根据产业链的层次结构，将各主要环节的企业排名权重按照层次结构逐级相乘，得到产业链主要环节的权重系数；对权重系数进行归一化处理，使其总和等于1，以确保权重的相对关系不变；根据计算产业链整体的安全评分总分数是根据产业链主要环节的权重系数结合产业链各主要环节的安全分数以加权求和的方式逐层计算最终得到产业链的安全分数。
本发明另一方面还提供了一种产业链安全风险综合评估预警系统，包括：
数据采集与预处理模块：数据采集与预处理模块用于采集与待评估产业链相关的网络节点属性数据、网络关系结构数据、以及指标体系的指标数据，并对相关数据进行数据预处理操作；
节点关键性得分预测模块：节点关键性得分预测模块用于实现基于GCN的产业链网络关键节点识别模型，根据产业链网络节点数据和网络关系结构数据提取节点特征和网络结构特征输入识别模型并输出产业链网络中每个节点的关键性得分预测值；
关键企业识别模块：关键企业识别模块基于产业链上中下游网络结构及产业链主要环节，提取主要环节内关键性得分预测值排名靠前N个节点企业作为各主要环节的关键代表性企业；
关键企业排名权重计算模块：关键企业排名权重计算模块基于产业链各主要环节关键企业的关键性得分预测值并按照最大最小标准化方法归一化后计算得到各环节的关键企业排名权重；
主要环节权重系数计算模块：主要环节权重系数计算模块根据产业链的层次结构，将各主要环节的企业排名权重按照层次结构逐级相乘并得到产业链主要环节的权重系数；
风险评价指标权重系数计算模块：风险评价指标权重系数计算模块用于实现根据熵权法的权重系数计算公式，基于指标体系的层次结构，将子指标的权重系数按照层次结构逐级相乘计算得到各层次指标体系的权重系数；
主要环节三级指标安全评分计算模块：主要环节三级指标安全评分计算模块实现根据主要环节的各企业排名权重结合三级指标分数以加权求和的方式计算得到产业链各主要环节的三级指标安全评分；
主要环节安全分数计算模块：主要环节安全分数计算模块实现根据各层次指标体系的权重系数结合产业链各主要环节的三级指标分数以加权求和的方式逐层计算最终得到产业链主要环节的安全分数；
产业链安全评价与预警模块；产业链安全评价与预警模块根据产业链主要环节的权重系数结合产业链各主要环节的安全分数以加权求和的方式逐层计算最终得到产业链的安全分数。
进一步方案为，所述网络节点属性数据包括企业名称、行业、规模、专利数量、市场份额、公司规模、注册资本、融资金额；所述网络关系结构数据包括供应关系、投资关系、协作关系和竞争关系。
本发明的有益效果在于：
本发明的一种产业链安全风险综合评估预警方法与系统，通过运用综合评估方法完成产业链安全风险的评估和预警任务，这种方法综合了定性和定量评估方法的优势，通过综合考虑多种因素和指标，进行全面的产业链风险评估，综合评估方法通常包括多个评估维度、多个指标和多个权重的综合计算，以获得综合的风险评估结果，相较于单独的定性或定量方法，综合评估方法可以更全面地考虑产业链的各个方面，提供较为综合和全面的评估结果。
本发明首先通过引入了图卷积神经网络(GCN)来发现产业链各环节的关键节点公司，GCN能够通过学习和传递图结构的特征，准确捕捉产业链中节点之间的复杂关系，从而确定关键节点公司；其次，建立产业链安全风险评估指标评价体系并对产业链各环节关键企业风险进行评估；进一步采用熵权法来对指标体系各层次指标进行权重分配，据此计算产业链主要环节的安全分数，熵权法能够客观地衡量指标的重要性和贡献度，从而合理分配各指标的权重，通过熵权法的应用，可以确保评估结果更加准确和可靠；最后，根据产业链主要环节的权重系数结合产业链各主要环节的安全分数以加权求和的方式逐层计算最终完成对产业链的各环节及整体风险的评估，能够提供更准确、全面的产业链安全风险评估和预警能力，有助于及早发现和应对潜在的风险，保障产业链的稳定运行。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要实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为本发明流程图。
图2为本发明系统结构图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行详细的描述。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的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。
在任一实施例中，如图1所示，本发明的一种产业链安全风险综合评估预警方法，包括如下步骤：
步骤S1、根据待评估产业链数据构建产业链上中下游网络结构并确定产业链主要环节；其中，待评估产业链数据包括企业基本属性特征(如企业名称、行业、规模、专利数量、市场份额、公司规模、注册资本、融资金额等)和产业链网络结构关系特征如供应关系、投资关系、协作关系和竞争关系等；产业链山中下游网络结构是在产业链网络中，每个节点表示一个企业或一个环节，而边表示企业或环节之间的关系，可以使用图论和网络分析的方法来构建产业链网络，通过构建产业链网络，可以将产业链中的企业和环节以图的形式展现出来，有助于更好地理解整个产业链的组成和关系；确定产业链主要环节指的是基于已构建的产业链网络，进一步分析产业链网络，确定产业链的主要环节；只拎出主要环节是因为目前考虑到企业产业链供应链风险点众多，很难完全穷尽，只能基于产业链安全研究的视角关注其中的核心环节和关键风险；
步骤S2、利用图卷机神经网络GCN学习节点属性和网络关系结构特征实现产业链主要环节的关键企业筛选；其中，关键企业的筛选步骤数据处理、特征提取、关键节点识别模型生成、网络关键节点预测、关键企业的筛选；
特别地，数据处理时将网络数据中一些含有极少量孤立的节点进行移除操作，使得本方法所使用的输入图例均为连通图；
特别地，特征提取包括在网络中提取每一个节点的二度子图来构建子图网络，根据三度影响力原则，本发明选取距离目标节点不超过三的邻居节点构建该点的二度子图网络，进一步提取子图网络的特征并为每个节点构建由五个特征组成的特征向量，将每个节点的子图网络特征和五个特征向量作为模型的原始输入；其中，五个特征指的是度中心性、介数中心性、k-shell分解法、紧密中心性、节点嵌入；其中，度中心性表示节点i的度ki与该节点直接相连的邻居节点的数量，公式为介数中心性表示在网络中进行信息传播时的负载量；计算出网络中任意两个节点间的最短路径，若一个节点被最短路径包括的次数越多，则该节点i的负载量越大，该节点越重要；节点v的介数定义为
其中，gst代表点s到点t最短路径的数目，代表点s到点t的最短路径里经过点i的数量；k-shell分解法表示节点的K-shell值是对节点所处网络位置的评分；节点所处于的位置越贴近网络的内部，则该节点的影响力越大；相反，若节点处于网络的边界位置，则节点关键程度较小；实现方法是将网络中处于最边缘的节点逐层删去,留下的处于网络核心位置的节点作为关键节点；紧密中心性的计算公式是
其中，dij是节点i和节点j之间的距离，节点的紧密中心性是用来描述节点到达其他节点的速度快慢，体现了节点在网络中的紧密性，节点的紧密中心性越大，该节点距离其他节点越近，则该点处于网络的中心位置；节点嵌入是使用node2vec进行编译用以保留网络的结构信息，将节点映射到嵌入空间后做one-hot编码再乘以嵌入矩阵，得到每个节点的嵌入向量；五个特征综合考量了网络的局部属性、全局属性和位置属性；
特别地，构建产业链网络关键节点识别模型，识别模型包括输入层、GCN层、全连接层、输出层四层网络架构，输入层为子图网络特征和五个特征向量构成的节点特征向量；GCN层定义如下：
Hi+1＝δ(AHiWi+bi)
其中，A是二度子图网络的对称归一化拉普拉斯算子；Hi表示第i个GCN层的节点；Wi和bi分别表示可学习权重和误差参数；δ是非线性激活函数，可以是ReLU(RectifiedLinear Unit)激活函数、Leaky ReLU激活函数、ELU(Exponential Linear Unit)激活函数、Sigmoid激活函数、Tanh(双曲正切)激活函数等，本发明优先选择指数线性单元ELU激活函数；根据提取到每个节点的特征向量输入到产业链网络关键节点识别模型进行训练，需要注意的是在将特征输入模型训练前，需要使用最大最小标准化方法对提取的特征进行归一化处理，将每个特征值映射到[0,1]之间；全连接层主要起到分类作用，包括三层构架，第一个全连接层基于退化学习率的dropout技术拟合数据集，作用是避免出现过拟合现象；第二和第三个全连接层使用指数线性单元ELU激活函数，用于缩短训练时间并提高准确率；输出层是得到网络中每个节点的关键程度得分输出值；
特别地，网络关键节点预测是输入网络特征数据，通过回归损失函数MSE来计算最小损失，最终得到网络中每个节点的关键性得分预测值；
特别地，关键企业的筛选是基于产业链上中下游网络结构及产业链主要环节，提取主要环节内关键性得分预测值排名靠前N个节点企业作为各主要环节的关键代表性企业以及关键代表企业的排名权重；需要注意的是，N的取值取决于产业链的拥挤程度和数据完整度，本文优选N为5，当然也可以是其他合适的取值；排名权重取值[0，1]之间，可根据产业链各主要环节关键企业的关键性得分预测值按照最大最小标准化方法归一化后计算得到；
步骤3、建立产业链安全评价三级指标体系并对关键企业第三级指标进行评估按关键企业排名权重计算主要环节的三级指标分数；其中，产业链安全评价三级指标体系由产业链竞争力、产业链控制力和产业链发展环境三个一级指标构成；特别地，产业链竞争力，从核心能力看，主要包括技术创新能力、盈利能力、市场竞争力，在微观层面需要增强产业链关键环节核心企业技术创新能力、技术创新产出能力，优化提升核心企业盈利能力，并提高核心企业主要产品或服务在国内外市场的竞争力；特别地，产业链控制力，从主要风险看，主要包括核心技术、产业资本、市场的对外依存度或者外资控制率；特别地，产业链发展环境，主要包括人才保障条件、外部自然和政治环境、国内外政策环境；产业链发展环境对企业供应链安全的影响更多是外部不可控因素，其中人才保障条件不局限于单个核心企业，而是重点考察待评价产业的全行业人才保障条件，所以该项指标的得分是基于行业数据计算而得；按关键企业排名权重计算主要环节的三级指标分数指的是根据主要环节的各企业排名权重结合三级指标分数以加权求和的方式计算产业链各主要环节的三级指标分数；
步骤4、使用熵权法计算各级指标体系权重系数并结合行业层面主要环节的第三极指标得分按照各级指标权重系数计算主要环节的安全分数；其中，熵权法计算指标体系权重系数的步骤包括对第三级指标数据进行标准化处理，将其转化为无量纲的相对指标，以消除不同指标之间的量纲差异；根据标准化后的数据，构建一个n×m的决策矩阵，其中n表示指标数量，m表示样本数量；对每个指标的每一列数据，计算其熵值，熵值反映了指标的信息量和差异程度；熵值的计算公式为：其中p表示数据占比，k＝1/ln(n),(0≤ej<1)；根据熵值，计算每个指标的权重系数；指标权重系数的计算公式为：wj＝(1-Ej)/∑(1-Ej)，其中Ej为指标的熵值；根据指标体系的层次结构，将子指标的权重系数按照层次结构逐级相乘，最终得到各层次指标体系的权重系数；产业链主要环节的安全分数是根据各层次指标体系的权重系数结合产业链各主要环节的三级指标分数以加权求和的方式逐层计算最终得到产业链主要环节的安全分数；这里举例说明下熵权法是如何计算指标权重系数；假设有以下三个子指标：技术创新能力、盈利能力和市场竞争力，首先；对收集到的数据进行标准化处理，将其转化为0到1之间无量纲的相对指标；然后，根据标准化后的数据，构建一个决策矩阵，假设有3个样本(企业)和3个子指标，决策矩阵如下：
| 技术创新能力 | 盈利能力 | 市场竞争力 | |
| 企业1 | 0.8 | 0.7 | 0.6 |
| 企业2 | 0.6 | 0.9 | 0.5 |
| 企业3 | 0.7 | 0.8 | 0.9 |
接着,根据计算每列数据的占比p,即将每个值除以列数据的总和，得到占比值；
| 技术创新能力 | 盈利能力 | 市场竞争力 | |
| 企业1 | 0.8/2.1 | 0.7/2.4 | 0.6/2.0 |
| 企业2 | 0.6/2.1 | 0.9/2.4 | 0.5/2.0 |
| 企业3 | 0.7/2.1 | 0.8/2.4 | 0.9/2.0 |
进一步，根据熵值计算公式对每个子指标的每一列数据，计算其熵值；
| 技术创新能力 | 盈利能力 | 市场竞争力 | |
| 企业1 | 0.380 | 0.389 | 0.315 |
| 企业2 | 0.442 | 0.358 | 0.500 |
| 企业3 | 0.393 | 0.372 | 0.286 |
最后，根据权重系数公式进一步计算每个子指标的权重系数；
| 技术创新能力 | 盈利能力 | 市场竞争力 | |
| 权重系数 | 0.294 | 0.303 | 0.403 |
步骤S5、计算产业链各主要环节的权重系数并根据产业链主要环节权重系数加权计算产业链整体的安全评分总分数；其中，计算产业链各主要环节的权重系数是根据产业链的层次结构，将各主要环节的企业排名权重按照层次结构逐级相乘，得到产业链主要环节的权重系数；特别地，对权重系数进行归一化处理，使其总和等于1，以确保权重的相对关系不变；根据计算产业链整体的安全评分总分数是根据产业链主要环节的权重系数结合产业链各主要环节的安全分数以加权求和的方式逐层计算最终得到产业链的安全分数。
在一个具体实施例中，如图2所示，本发明的一种产业链安全风险综合评估预警系统，包括：
数据采集与预处理模块510：数据采集与预处理模块负责采集与待评估产业链相关的网络节点属性数据如企业名称、行业、规模、专利数量、市场份额、公司规模、注册资本、融资金额等、网络关系结构数据如供应关系、投资关系、协作关系和竞争关系等以及指标体系的各项指标数据(产业链竞争力、产业链控制力和产业链发展环境三个一级指标下的各项细分数据数据)，并对相关数据进行数据预处理操作；
节点关键性得分预测模块520：节点关键性得分预测模块负责实现基于GCN的产业链网络关键节点识别模型，根据产业链网络节点数据和网络关系结构数据提取节点特征和网络结构特征输入识别模型并输出产业链网络中每个节点的关键性得分预测值；
关键企业识别模块530：关键企业识别模块负责基于产业链上中下游网络结构及产业链主要环节，提取主要环节内关键性得分预测值排名靠前N个节点企业作为各主要环节的关键代表性企业；
关键企业排名权重计算模块540：关键企业排名权重计算模块是负责基于产业链各主要环节关键企业的关键性得分预测值并按照最大最小标准化方法归一化后计算得到各环节的关键企业排名权重；
主要环节权重系数计算模块550：主要环节权重系数计算模块负责根据产业链的层次结构，将各主要环节的企业排名权重按照层次结构逐级相乘并得到产业链主要环节的权重系数；
风险评价指标权重系数计算模块560：风险评价指标权重系数计算模块负责实现根据熵权法的权重系数计算公式，基于指标体系的层次结构，将子指标的权重系数按照层次结构逐级相乘计算得到各层次指标体系的权重系数；
主要环节三级指标安全评分计算模块570：主要环节三级指标安全评分计算模块负责实现根据主要环节的各企业排名权重结合三级指标分数以加权求和的方式计算得到产业链各主要环节的三级指标安全评分；
主要环节安全分数计算模块580：主要环节安全分数计算模块负责实现根据各层次指标体系的权重系数结合产业链各主要环节的三级指标分数以加权求和的方式逐层计算最终得到产业链主要环节的安全分数；
产业链安全评价与预警模块590；产业链安全评价与预警模块负责根据产业链主要环节的权重系数结合产业链各主要环节的安全分数以加权求和的方式逐层计算最终得到产业链的安全分数。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合，为了避免不必要的重复，本发明对各种可能的组合方式不再另行说明。此外，本发明的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明的思想，其同样应当视为本发明所公开的内容。
Claims (9)
1.一种产业链安全风险综合评估预警方法，其特征在于，包括以下步骤：
步骤1、根据待评估产业链数据构建产业链上中下游网络结构并确定产业链主要环节；
步骤2、利用图卷机神经网络GCN学习节点属性和网络关系结构特征实现产业链主要环节的关键企业筛选；
步骤3、建立产业链安全评价三级指标体系并对关键企业第三级指标进行评估按关键企业排名权重计算主要环节的三级指标分数；
步骤4、使用熵权法计算各级指标体系权重系数并结合行业层面主要环节的第三极指标得分按照各级指标权重系数计算主要环节的安全分数；
步骤5、计算产业链各主要环节的权重系数并根据产业链主要环节权重系数加权计算产业链整体的安全评分总分数。
2.如权利要求1所述的一种产业链安全风险综合评估预警方法，其特征在于，所述步骤1中，待评估产业链数据包括企业基本属性特征和产业链网络结构关系特征；产业链山中下游网络结构是在产业链网络中，每个节点表示一个企业或一个环节，而边表示企业或环节之间的关系；使用图论和网络分析的方法来构建产业链网络，通过构建产业链网络，将产业链中的企业和环节以图的形式展现出来，确定产业链主要环节指的是基于已构建的产业链网络，进一步分析产业链网络，确定产业链的主要环节。
3.如权利要求1所述的一种产业链安全风险综合评估预警方法，其特征在于，所述步骤2中，所述关键企业的筛选包括数据处理、特征提取、关键节点识别模型、网络关键节点预测、关键企业的筛选；
数据处理是将网络数据中一些含有极少量孤立的节点进行移除操作，使得所使用的输入图例均为连通图；
特征提取包括在网络中提取每一个节点的二度子图来构建子图网络，选取距离目标节点不超过三的邻居节点构建该点的二度子图网络，提取子图网络的特征并为每个节点构建由五个特征组成的特征向量，将每个节点的子图网络特征和五个特征向量作为模型的原始输入；五个特征指的是度中心性、介数中心性、k-shell分解法、紧密中心性、节点嵌入；其中，度中心性表示节点i的度ki与该节点直接相连的邻居节点的数量，公式为介数中心性表示在网络中进行信息传播时的负载量；计算出网络中任意两个节点间的最短路径，若一个节点被最短路径包括的次数越多，则该节点i的负载量越大，该节点越重要；节点v的介数定义为
其中，gst代表点s到点t最短路径的数目，代表点s到点t的最短路径里经过点i的数量；k-shell分解法表示节点的K-shell值是对节点所处网络位置的评分；紧密中心性的计算公式是
其中，dij是节点i和节点j之间的距离；节点嵌入是使用node2vec进行编译用以保留网络的结构信息，将节点映射到嵌入空间后做one-hot编码再乘以嵌入矩阵，得到每个节点的嵌入向量；五个特征综合考量了网络的局部属性、全局属性和位置属性；
关键节点识别模型包括输入层、GCN层、全连接层、输出层四层网络架构，其中输入层为子图网络特征和五个特征向量构成的节点特征向量；GCN层定义如下：
Hi+1＝δ(AHiWi+bi)
其中，A是二度子图网络的对称归一化拉普拉斯算子；Hi表示第i个GCN层的节点；Wi和bi分别表示可学习权重和误差参数；δ是非线性激活函数，根据提取到每个节点的特征向量输入到产业链网络关键节点识别模型进行训练；全连接层起到分类作用，包括三层构架，第一个全连接层基于退化学习率的dropout技术拟合数据集；第二和第三个全连接层使用指数线性单元ELU激活函数，用于缩短训练时间并提高准确率；输出层是得到网络中每个节点的关键程度得分输出值。
4.如权利要求3所述的一种产业链安全风险综合评估预警方法，其特征在于，所述步骤2中，网络关键节点预测是输入网络特征数据，通过回归损失函数MSE计算最小损失，最终得到网络中每个节点的关键性得分预测值；
关键企业的筛选是基于产业链上中下游网络结构及产业链主要环节，提取主要环节内关键性得分预测值排名靠前N个节点企业作为各主要环节的关键代表性企业以及关键代表企业的排名权重。
5.如权利要求1所述的一种产业链安全风险综合评估预警方法，其特征在于，所述步骤3中，产业链安全评价三级指标体系由产业链竞争力、产业链控制力和产业链发展环境三个一级指标构成；产业链竞争力包括技术创新能力、盈利能力、市场竞争力，在微观层面需要增强产业链关键环节核心企业技术创新能力、技术创新产出能力；产业链控制力包括核心技术、产业资本、市场的对外依存度或者外资控制率；产业链发展环境是重点考察待评价产业的全行业人才保障条件；按关键企业排名权重计算主要环节的三级指标分数指的是根据主要环节的各企业排名权重结合三级指标分数以加权求和的方式计算产业链各主要环节的三级指标分数。
6.如权利要求1所述的一种产业链安全风险综合评估预警方法，其特征在于，所述步骤4中，熵权法计算指标体系权重系数包括对第三级指标数据进行标准化处理，将其转化为无量纲的相对指标，以消除不同指标之间的量纲差异；根据标准化后的数据，构建一个n×m的决策矩阵，其中n表示指标数量，m表示样本数量；对每个指标的每一列数据，计算其熵值，熵值反映了指标的信息量和差异程度；熵值的计算公式为：其中p表示数据占比，k＝1/ln(n),(0≤ej<1)；根据熵值，计算每个指标的权重系数；指标权重系数的计算公式为：wj＝(1-Ej)/∑(1-Ej)，其中Ej为指标的熵值；根据指标体系的层次结构，将子指标的权重系数按照层次结构逐级相乘，最终得到各层次指标体系的权重系数；产业链主要环节的安全分数是根据各层次指标体系的权重系数结合产业链各主要环节的三级指标分数以加权求和的方式逐层计算最终得到产业链主要环节的安全分数。
7.如权利要求1所述的一种产业链安全风险综合评估预警方法，其特征在于，所述步骤5中，计算产业链各主要环节的权重系数是根据产业链的层次结构，将各主要环节的企业排名权重按照层次结构逐级相乘，得到产业链主要环节的权重系数；对权重系数进行归一化处理，使其总和等于1，以确保权重的相对关系不变；根据计算产业链整体的安全评分总分数是根据产业链主要环节的权重系数结合产业链各主要环节的安全分数以加权求和的方式逐层计算最终得到产业链的安全分数。
8.一种产业链安全风险综合评估预警系统，其特征在于，包括：
数据采集与预处理模块：数据采集与预处理模块用于采集与待评估产业链相关的网络节点属性数据、网络关系结构数据、以及指标体系的指标数据，并对相关数据进行数据预处理操作；
节点关键性得分预测模块：节点关键性得分预测模块用于实现基于GCN的产业链网络关键节点识别模型，根据产业链网络节点数据和网络关系结构数据提取节点特征和网络结构特征输入识别模型并输出产业链网络中每个节点的关键性得分预测值；
关键企业识别模块：关键企业识别模块基于产业链上中下游网络结构及产业链主要环节，提取主要环节内关键性得分预测值排名靠前N个节点企业作为各主要环节的关键代表性企业；
关键企业排名权重计算模块：关键企业排名权重计算模块基于产业链各主要环节关键企业的关键性得分预测值并按照最大最小标准化方法归一化后计算得到各环节的关键企业排名权重；
主要环节权重系数计算模块：主要环节权重系数计算模块根据产业链的层次结构，将各主要环节的企业排名权重按照层次结构逐级相乘并得到产业链主要环节的权重系数；
风险评价指标权重系数计算模块：风险评价指标权重系数计算模块用于实现根据熵权法的权重系数计算公式，基于指标体系的层次结构，将子指标的权重系数按照层次结构逐级相乘计算得到各层次指标体系的权重系数；
主要环节三级指标安全评分计算模块：主要环节三级指标安全评分计算模块实现根据主要环节的各企业排名权重结合三级指标分数以加权求和的方式计算得到产业链各主要环节的三级指标安全评分；
主要环节安全分数计算模块：主要环节安全分数计算模块实现根据各层次指标体系的权重系数结合产业链各主要环节的三级指标分数以加权求和的方式逐层计算最终得到产业链主要环节的安全分数；
产业链安全评价与预警模块；产业链安全评价与预警模块根据产业链主要环节的权重系数结合产业链各主要环节的安全分数以加权求和的方式逐层计算最终得到产业链的安全分数。
9.如权利要求8所述的一种产业链安全风险综合评估预警系统，其特征在于，所述网络节点属性数据包括企业名称、行业、规模、专利数量、市场份额、公司规模、注册资本、融资金额；所述网络关系结构数据包括供应关系、投资关系、协作关系和竞争关系。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311480582.3A CN117495094A (zh) | 2023-11-08 | 2023-11-08 | 一种产业链安全风险综合评估预警方法与系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311480582.3A CN117495094A (zh) | 2023-11-08 | 2023-11-08 | 一种产业链安全风险综合评估预警方法与系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117495094A true CN117495094A (zh) | 2024-02-02 |
Family
ID=89677754
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311480582.3A Pending CN117495094A (zh) | 2023-11-08 | 2023-11-08 | 一种产业链安全风险综合评估预警方法与系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117495094A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
-
2023
- 2023-11-08 CN CN202311480582.3A patent/CN117495094A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
|---|---|---|
| Mukhametzyanov et al. | A sensitivity analysis in MCDM problems: A statistical approach | |
| Wang et al. | Predicting construction cost and schedule success using artificial neural networks ensemble and support vector machines classification models | |
| Mizgier | Global sensitivity analysis and aggregation of risk in multi-product supply chain networks | |
| Liu et al. | Risk evaluation approaches in failure mode and effects analysis: A literature review | |
| Khajehei et al. | Prediction of track geometry degradation using artificial neural network: a case study | |
| Bin et al. | Regression model for appraisal of real estate using recurrent neural network and boosting tree | |
| Apeland et al. | Risk based maintenance optimization: foundational issues | |
| Comes et al. | Exploring the future: Runtime scenario selection for complex and time-bound decisions | |
| Maghrabie et al. | Grey-based Multi-Criteria Decision Analysis approach: Addressing uncertainty at complex decision problems | |
| Tawfek et al. | Assessment of the expected cost of quality (COQ) in construction projects in Egypt using artificial neural network model | |
| CN106095942A (zh) | 强变量提取方法及装置 | |
| Meni̇z | An advanced TOPSIS method with new fuzzy metric based on interval type-2 fuzzy sets | |
| CN115249081A (zh) | 一种对象类型的预测方法、装置、计算机设备和存储介质 | |
| CN117495094A (zh) | 一种产业链安全风险综合评估预警方法与系统 | |
| Gashaw et al. | Design risk modeling and analysis for railway construction projects | |
| KR100713546B1 (ko) | 기술평가방법 | |
| CN115423594A (zh) | 企业财务风险的评估方法、装置、设备及存储介质 | |
| CN117575328A (zh) | 一种基于图注意力神经网络的产业链风险评估方法及装置 | |
| Desbalo et al. | Maturity model for evaluating building maintenance practice: A fuzzy-DEMATEL approach | |
| Janicijevic et al. | Software quality improvement: a model based on managing factors impacting software quality | |
| Luo et al. | A probabilistic approach to assessing project complexity dynamics under uncertainty | |
| Bañuls et al. | Clustering scenarios using cross-impact analysis. | |
| Panenka et al. | Reliability assessment of ageing infrastructures: an interdisciplinary methodology | |
| Karimi et al. | Developing a risk management model for banking software development projects based on fuzzy inference system | |
| Thipparat | Application of adaptive neuro fuzzy inference system in supply chain management evaluation |
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 |