CN117786131A - 一种产业链安全监测分析方法、介质及设备 - Google Patents
一种产业链安全监测分析方法、介质及设备 Download PDFInfo
- Publication number
- CN117786131A CN117786131A CN202410199770.7A CN202410199770A CN117786131A CN 117786131 A CN117786131 A CN 117786131A CN 202410199770 A CN202410199770 A CN 202410199770A CN 117786131 A CN117786131 A CN 117786131A
- Authority
- CN
- China
- Prior art keywords
- industrial chain
- data
- monitored
- risk
- index
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 56
- 238000012544 monitoring process Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000003062 neural network model Methods 0.000 claims abstract description 6
- 238000005516 engineering process Methods 0.000 claims description 30
- 238000011156 evaluation Methods 0.000 claims description 29
- 238000004590 computer program Methods 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000004088 simulation Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 238000013136 deep learning model Methods 0.000 claims description 8
- 238000012502 risk assessment Methods 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000011160 research Methods 0.000 claims description 5
- 238000005065 mining Methods 0.000 claims description 4
- 238000012800 visualization Methods 0.000 claims description 4
- 239000002994 raw material Substances 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 description 12
- 230000008901 benefit Effects 0.000 description 9
- 238000011161 development Methods 0.000 description 7
- 230000018109 developmental process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000007726 management method Methods 0.000 description 7
- 239000000047 product Substances 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000013097 stability assessment Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 3
- 238000013439 planning Methods 0.000 description 3
- 238000012827 research and development Methods 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000013067 intermediate product Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000007795 chemical reaction product Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000013068 supply chain management Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种产业链安全监测分析方法、介质及设备，该方法包括：获取待监测区域的待监测产业链数据;对所述待监测产业链数据进行预处理；将预处理后的待监测产业链数据输入到预训练的图谱生成模型，得到所述图谱生成模型输出的待监测产业链图谱；至少基于所述待监测产业链图谱对所述待监测区域进行产业链安全监测分析；所述图谱生成模型通过如下步骤训练得到：获取若干区域的产业链数据，并基于每一区域的产业链数据绘制出每一区域对应的产业链图谱；采用所述若干区域对应的产业链图谱及产业链数据，对神经网络模型进行训练，得到所述图谱生成模型，从而能够高效精准地对产业链进行安全监测与分析评估，以全面反映产业链的当前安全风险。
Description
技术领域
本发明涉及产业链监测分析领域，尤其涉及一种产业链安全监测分析方法、介质及设备。
背景技术
产业链图谱是一种展示产业链上下游关系和相关行业的可视化工具，通过产业链图谱，可以清晰地看到各个行业之间的关联关系，以及产业链的各个环节和参与者，从而可以利用产业链图谱进行产业链的安全监测分析。
现有技术中，在收集到研究区域内的产业链数据后，通常需要人工使用数据分析和可视化技术来绘制出对应的产业链图谱。但人工绘制不仅效率较低，还难以保证所绘制的产业链图谱的精准度，相应使得针对产业链的安全监测分析的效率及精准度不高。
发明内容
为了解决上述技术问题，本发明实施例提出了一种产业链安全监测分析方法、介质及设备，能够高效精准地对产业链进行安全监测与分析评估。
为了实现上述目的，本发明实施例提供了一种产业链安全监测分析方法，包括：
获取待监测区域的待监测产业链数据;
对所述待监测产业链数据进行预处理；
将预处理后的待监测产业链数据输入到预训练的图谱生成模型，得到所述图谱生成模型输出的待监测产业链图谱；
至少基于所述待监测产业链图谱对所述待监测区域进行产业链安全监测分析；
其中，所述图谱生成模型通过如下步骤训练得到：
获取若干区域的产业链数据，并基于每一区域的产业链数据绘制出每一区域对应的产业链图谱；
采用所述若干区域对应的产业链图谱及产业链数据，对神经网络模型进行训练，得到所述图谱生成模型。
进一步的，所述获取若干区域的产业链数据，并基于每一区域的产业链数据绘制出每一区域对应的产业链图谱，包括：
基于所述若干区域的产业链数据，构建本地化多源数据库；
针对每一区域，从所述本地化多源数据库中获取与所述区域的目标产业相关的产业数据；
基于每一区域对应的产业数据，绘制出每一区域对应的产业链图谱。
进一步的，所述基于每一区域对应的产业数据，绘制出每一区域对应的产业链图谱，具体包括：
对每一区域对应的产业数据进行数据清洗和预处理；
通过Apriori算法，对每一区域对应的处理后的产业数据中的企业信息、产品信息和供应链关系进行关联规则挖掘处理，得到每一区域对应的若干个关联规则；
按照预设的规则评估指标，对每一区域对应的若干个关联规则进行评估，以选取出每一区域对应的目标关联规则；
根据每一区域对应的目标关联规则构建得到每一区域对应的目标产业链；其中，所述目标产业链是由多个节点和用于连接各所述节点的有向边组成；
对每一区域对应的目标产业链进行可视化处理，以绘制出每一区域对应的产业链图谱。
进一步的，所述方法还包括：
获取所述待监测区域的与产业链的关键资源相关的资源数据、企业数据及专利数据；
基于所述资源数据，对所述关键资源进行稳定性评估得到稳定性指标；
基于所述企业数据与所述专利数据进行创新评估得到创新性指标；
获取所述待监测区域的风险数据，并基于所述风险数据进行抗风险评估得到抗风险指标；
则，所述至少基于所述待监测产业链图谱对所述待监测区域进行产业链安全监测分析，包括：
基于所述待监测产业链图谱、所述稳定性指标、所述创新性指标及所述抗风险指标，对所述待监测区域进行产业链安全监测分析。
进一步的，所述关键资源包括关键原材料、关键技术和关键设备；
所述基于所述资源数据，对所述关键资源进行稳定性评估得到稳定性指标，包括：
基于所述资源数据计算所述关键资源的信息熵；
基于所述信息熵评估所述关键资源的稳定性等级；其中，所述稳定性等级包括高稳定性、中稳定性和低稳定性，所述稳定性等级是根据所述信息熵与预设的稳定性阈值之间的比较结果确定；
基于所述资源数据对所述关键资源进行关键性分析，得到关键性评估结果；
基于所述稳定性等级和所述关键性评估结果确定稳定性指标。
进一步的，所述基于所述企业数据与所述专利数据进行创新评估得到创新性指标，包括：
对所述企业数据与所述专利数据进行数据清洗和预处理；
基于处理后的企业数据与专利数据，构建产业链核心技术的知识图谱；
基于所述知识图谱，对预先配置的深度学习模型进行训练；
通过训练好的深度学习模型以及所述知识图谱，分析得到产业链核心技术的知识结构；其中，所述知识结构用于指示产业链核心技术的关键主题、研究热点和技术演化路径；
基于所述知识结构分析得到产业链核心技术的演化规律；
根据所述演化规律评估得到创新性指标。
进一步的，所述获取所述待监测区域的风险数据，并基于所述风险数据进行抗风险评估得到抗风险指标，包括：
确定产业链的风险因素；其中，所述风险因素包括自然灾害因素、供应链中断因素和市场需求波动因素；
基于所述风险因素，获取所述待监测区域的风险数据；
构建产业链的复杂网络模型；其中，所述复杂网络模型是由若干个网络节点和网络的边构成，所述网络节点包括企业或组织，所述网络的边用于连接各所述网络节点，所述网络的边用于表征供应链关系或合作关系；
采用系统动力学模型，根据所述风险数据对所述复杂网络模型进行风险模拟，得到风险模拟结果；
根据所述风险模拟结果评估得到抗风险指标。
进一步的，所述基于所述待监测产业链图谱、所述稳定性指标、所述创新性指标及所述抗风险指标，对所述待监测区域进行产业链安全监测分析，包括：
通过层次分析法确定稳定性权重、创新性权重和抗风险权重；
基于所述稳定性指标、所述创新性指标、所述抗风险指标、所述稳定性权重、所述创新性权重和所述抗风险权重，进行计算，得到所述待监测区域的产业链安全监测指数；
基于所述产业链安全监测指数及所述待监测产业链图谱，对所述待监测区域进行产业链安全监测分析。
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一项所述的产业链安全监测分析方法的步骤。
本发明实施例还提供了一种计算机设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述的产业链安全监测分析方法的步骤。
综上，本发明具有以下有益效果：
本发明实施例通过获取待监测区域的待监测产业链数据;对所述待监测产业链数据进行预处理；将预处理后的待监测产业链数据输入到预训练的图谱生成模型，得到所述图谱生成模型输出的待监测产业链图谱；至少基于所述待监测产业链图谱对所述待监测区域进行产业链安全监测分析；其中，所述图谱生成模型通过如下步骤训练得到：获取若干区域的产业链数据，并基于每一区域的产业链数据绘制出每一区域对应的产业链图谱；采用所述若干区域对应的产业链图谱及产业链数据，对神经网络模型进行训练，得到所述图谱生成模型，从而能够高效精准地对产业链进行安全监测与分析评估，以全面反映产业链的当前安全风险。
附图说明
图1是本发明提供的一种产业链安全监测分析方法的一个实施例的流程示意图；
图2是本发明提供的安全监测指数的一个实施例的示意图；
图3是本发明提供的本地化多源数据库的一个实施例的示意图；
图4是本发明提供的产业链图谱的绘制的一个实施例的示意图；
图5是本发明提供的稳定性评估的一个实施例的示意图；
图6是本发明提供的创新评估的一个实施例的示意图；
图7是本发明提供的抗风险评估的一个实施例的示意图。
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作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。
在本申请描述中，术语“第一”、“第二”、“第三”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”、“第三”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在本申请的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。
在本申请的描述中，需要说明的是，除非另有定义，本发明所使用的所有的技术和科学术语与属于本的技术领域的技术人员通常理解的含义相同。本发明中说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明，对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。
参见图1，是本发明提供的产业链安全监测分析方法的一个实施例的流程示意图，该方法包括步骤S1-S4，具体如下：
S1,获取待监测区域的待监测产业链数据;
S2,对所述待监测产业链数据进行预处理；
S3,将预处理后的待监测产业链数据输入到预训练的图谱生成模型，得到所述图谱生成模型输出的待监测产业链图谱；
S4,至少基于所述待监测产业链图谱对所述待监测区域进行产业链安全监测分析；
其中，所述图谱生成模型通过如下步骤训练得到：
获取若干区域的产业链数据，并基于每一区域的产业链数据绘制出每一区域对应的产业链图谱；
采用所述若干区域对应的产业链图谱及产业链数据，对神经网络模型进行训练，得到所述图谱生成模型。
本实施例中，由于产业链图谱本身所具备的特性，一般可以只使用所输出的待监测产业链图谱对待监测区域进行产业链安全监测分析。
在一种可选的实施方式中，所述获取若干区域的产业链数据，并基于每一区域的产业链数据绘制出每一区域对应的产业链图谱，包括：
基于所述若干区域的产业链数据，构建本地化多源数据库；
针对每一区域，从所述本地化多源数据库中获取与所述区域的目标产业相关的产业数据；
基于每一区域对应的产业数据，绘制出每一区域对应的产业链图谱。
可以理解的是，所述本地化多源数据库是能够支持实时大数据处理的国产新型数据库，其具备以下功能：
(1.1)支持高并发的数据查询分析：其存储功能是建立在HDFS（HadoopDistributed File System，分布式文件系统）上，将数据及结果放在内存中；
(1.2)采用分布式计算和存储架构，能够水平扩展；
(1.3)支持多种类型的索引结构，包括B+树、Bitmap、倒排索引等；
(1.4)采用高效的数据压缩和压缩算法，从而减少数据存储空间；
(1.5)支持并行计算和查询，能够在分布式环境下同时处理多个任务和查询请求；
(1.6)提供数据加密、权限控制等安全机制，从而保护数据的隐私和完整性。
在一种可选的实施方式中，所述基于每一区域对应的产业数据，绘制出每一区域对应的产业链图谱，具体包括：
对每一区域对应的产业数据进行数据清洗和预处理；
通过Apriori算法，对每一区域对应的处理后的产业数据中的企业信息、产品信息和供应链关系进行关联规则挖掘处理，得到每一区域对应的若干个关联规则；
按照预设的规则评估指标，对每一区域对应的若干个关联规则进行评估，以选取出每一区域对应的目标关联规则；
根据每一区域对应的目标关联规则构建得到每一区域对应的目标产业链；其中，所述目标产业链是由多个节点和用于连接各所述节点的有向边组成，所述节点包括企业、产品和服务中的至少一种，所述有向边用于指示供应链关系或合作关系；
对每一区域对应的目标产业链进行可视化处理，以绘制出每一区域对应的产业链图谱。
示例性的，参见图4，所述规则评估指标包括支持度、置信度中的至少一种。可以根据具体需求和分析目标，设置合适的阈值来筛选出具有较高关联性和置信度的规则。
需要说明的是，所述关联规则是指在数据集中经常出现在一起的物品或项之间的关系。
示例性的，可视化处理可以包括：使用图表或网络图等工具，对目标产业链进行可视化展示，其中，根据实际需求可以选择合适的图谱布局、样式和交互方式，使得产业链图谱更加易于理解和分析。
在一种可选的实施方式中，所述方法还包括：
获取所述待监测区域的与产业链的关键资源相关的资源数据、企业数据及专利数据；
基于所述资源数据，对所述关键资源进行稳定性评估得到稳定性指标；
基于所述企业数据与所述专利数据进行创新评估得到创新性指标；
获取所述待监测区域的风险数据，并基于所述风险数据进行抗风险评估得到抗风险指标；
则，所述至少基于所述待监测产业链图谱对所述待监测区域进行产业链安全监测分析，包括：
基于所述待监测产业链图谱、所述稳定性指标、所述创新性指标及所述抗风险指标，对所述待监测区域进行产业链安全监测分析。
在一种可选的实施方式中，所述关键资源包括关键原材料、关键技术和关键设备；
所述基于所述资源数据，对所述关键资源进行稳定性评估得到稳定性指标，包括：
基于所述资源数据计算所述关键资源的信息熵；
基于所述信息熵评估所述关键资源的稳定性等级；其中，所述稳定性等级包括高稳定性、中稳定性和低稳定性，所述稳定性等级是根据所述信息熵与预设的稳定性阈值之间的比较结果确定；
基于所述资源数据对所述关键资源进行关键性分析，得到关键性评估结果；
基于所述稳定性等级和所述关键性评估结果确定稳定性指标。
可以理解的是，参见图5，产业链的可持续发展涉及前端制造设备、中间品进口、终端产品出口等环节，对产业链前中后端进行关键资源稳定性评估可以帮助识别潜在的风险因素，根据关键资源的稳定性评估结果，企业可以调整战略规划、制定采购计划、调整库存管理等，以更有效地应对供应链风险和挑战。为了综合考虑产业链企业前、中、后端面临的各方面问题，本实施例中的产业链关键资源稳定性评估采用信息熵方法来度量每个关键资源的不确定性和稳定性，然后采用关键性分析方法确定对整个产业链影响较大的关键资源。稳定性评估的优点主要体现在：
(1)信息熵能够通过量化不确定性来衡量资源的稳定性，而关键性分析可评估资源在整个产业链中的重要程度，使得评估结果更加准确和综合；一般而言，信息熵越大，表示资源的不确定性越高，稳定性越低；
(2)信息熵和关键性分析基于数学模型和统计方法，具有客观性和科学性，减少了主观偏差和主观判断的影响；
(3)能够快速对关键资源的稳定性进行评估，可以在相对较短的时间内得出评估结果；
(4)信息熵和关键性分析方法不仅能评估关键资源的稳定性，还能发现资源稳定性的不足并提供预警机制；其中，可以根据资源的供需关系、供应链中的地位和重要性等因素，综合评估各个关键资源的关键性；
(5)通过监测和分析资源的信息熵和关键性指标的变化，可以及时发现关键资源可能面临的风险，并采取相应的措施进行处理和预防；
(6)通过对关键资源进行稳定性评估，产业链中的相关决策者可以根据评估结果制定相应的决策和措施，以提高资源的稳定性和安全性；例如，对于稳定性较低的关键资源，可以考虑寻找替代供应商、扩大库存储备、加强技术研发等方式来提高稳定性，同时，也可以针对评估结果制定相应的风险管理策略，减少潜在的不确定性对产业链的影响。
在一种可选的实施方式中，所述基于所述企业数据与所述专利数据进行创新评估得到创新性指标，包括：
对所述企业数据与所述专利数据进行数据清洗和预处理；
基于处理后的企业数据与专利数据，构建产业链核心技术的知识图谱；
基于所述知识图谱，对预先配置的深度学习模型进行训练；
通过训练好的深度学习模型以及所述知识图谱，分析得到产业链核心技术的知识结构；其中，所述知识结构用于指示产业链核心技术的关键主题、研究热点和技术演化路径；
基于所述知识结构分析得到产业链核心技术的演化规律；
根据所述演化规律评估得到创新性指标。
示例性的，所述数据清洗和预处理包括如下至少一种：去除冗余数据、数据规范化、文本分词、实体识别。
示例性的，所述预先配置的深度学习模型包括图神经网络或自然语言处理模型。
示例性的，通过聚类、相似度计算、标签传播中的一个或多个方法分析得到产业链核心技术的知识结构，从而揭示技术领域的关键主题、研究热点、技术演化路径。
示例性的，使用时间序列分析、关联规则挖掘、社区检测中的一个或多个方法得到演化规律，从而发现技术的创新趋势、关键技术之间的依赖关系、技术路径的演化。
需要说明的是，创新度用于指示技术的前瞻性、独特性、市场竞争力等指标，从而用于综合分析产业链在核心技术这一方面的创新能力和优势。
可以理解的是，参见图6，产业发展的创新优势决定了产业链的可持续发展，深入了解产业链创新优势度有利于了解技术的演进路径、关系和变化，可以帮助企业进行前瞻性预测，把握市场需求和技术方向，从而调整战略和规划创新路径，帮助企业确定自身在产业链中的地位和竞争优势，并据此制定相关战略和决策，避免重复研发和资源浪费，优化技术创新和研发投入，提高研发效率和成果转化率；确定战略目标和路线，制定相应的研发计划和投资策略，从而提高企业的竞争力和市场份额。采用深度学习和知识图谱技术，分析产业链核心技术的知识结构和演化规律，评估产业链创新优势度，产业链创新评估的优点主要体现在：
(1)深度学习技术能够处理大规模的数据，并从中提取有用的特征和模式；
(2)深度学习模型能够学习和理解数据的隐含规律，从而实现自动化的分析过程；
(3)知识图谱技术可以将产业链核心技术的知识结构建模为图形结构，并充分利用图算法来进行多维度的分析；
(4)深度学习和知识图谱技术可以实现持续的数据更新和模型优化；
(5)通过对产业链核心技术的知识结构进行深入分析，可以揭示技术之间更细致的关系和演化规律，帮助企业更准确地评估自身在产业链中的创新优势度，指导决策和战略规划；
(6)利用深度学习和知识图谱的优势，可以对新数据进行实时分析和更新，从而使产业链创新优势度的评估结果更加准确和实时。
在一种可选的实施方式中，所述获取所述待监测区域的风险数据，并基于所述风险数据进行抗风险评估得到抗风险指标，包括：
确定产业链的风险因素；其中，所述风险因素包括自然灾害因素、供应链中断因素和市场需求波动因素；
基于所述风险因素，获取所述待监测区域的风险数据；
构建产业链的复杂网络模型；其中，所述复杂网络模型是由若干个网络节点和网络的边构成，所述网络节点包括企业或组织，所述网络的边用于连接各所述网络节点，所述网络的边用于表征供应链关系或合作关系；
采用系统动力学模型，根据所述风险数据对所述复杂网络模型进行风险模拟，得到风险模拟结果；
根据所述风险模拟结果评估得到抗风险指标；
其中，所述抗风险指标包括生产供应安全韧性；所述生产供应安全韧性用于评估产业链在面对风险冲击时的抗性和适应性，并用于确定风险管理策略。
可以理解的是，参见图7，各产业链及其企业在发展经营各阶段会面临着潜在风险和脆弱环节，通过模拟产业链生产过程中的各种风险因素，评估产业链的生产供应安全韧性，能够帮助企业识别和预警风险、评估产业链生产供应安全韧性，指导风险管理与应急规划，促进产业链合作与协同创新，从而提高企业在不确定环境下的竞争力和可持续发展能力。基于复杂网络理论和系统动力学模型，模拟产业链生产过程中各种风险因素，产业链生产供应安全韧性评估具有以下优点：
(1)复杂网络理论和系统动力学模型能够综合考虑产业链中各个环节和节点之间的相互关系和相互作用；
(2)通过对整个产业链的系统性分析，可以更准确地把握系统的整体性质和行为，揭示风险传播、扩散和累积的机制；
(3)系统动力学模型能够对产业链生产过程中的各种风险因素进行动态模拟和预测，可以模拟风险事件的发生、传播和影响，预测产业链在特定风险情景下的响应变化，从而提供决策者对风险的理解和预判，并采取相应的措施进行应对；
(4)基于复杂网络理论和系统动力学模型，可以从多个维度评估产业链的生产供应安全韧性，不仅可以分析产业链在正常状态下的稳定性和韧性，在面对不同类型风险时的抵抗力和适应性，还可以评估产业链的恢复能力和可持续性；
(5)复杂网络理论和系统动力学模型需要大量的数据来支持建模和模拟过程，有助于实现数据的实时更新和灵活调整，以适应产业链风险的动态变化和演进。这样可以提高评估的准确性和时效性；
(6)分析产业链的生产供应安全韧性，可以揭示潜在的风险和挑战，指导企业优化供应链管理、资源配置和风险应对策略。通过及时调整和优化决策，可以提高企业的生产供应链韧性。例如可以考虑加强供应链合作、建立备选供应商、优化库存管理、制定应急预案等方式，提升产业链的生产供应安全韧性。
在一种可选的实施方式中，所述基于所述待监测产业链图谱、所述稳定性指标、所述创新性指标及所述抗风险指标，对所述待监测区域进行产业链安全监测分析，包括：
通过层次分析法确定稳定性权重、创新性权重和抗风险权重；
基于所述稳定性指标、所述创新性指标、所述抗风险指标、所述稳定性权重、所述创新性权重和所述抗风险权重，进行计算，得到所述待监测区域的产业链安全监测指数；
基于所述产业链安全监测指数及所述待监测产业链图谱，对所述待监测区域进行产业链安全监测分析。
本实施例中，可以在待监测产业链图谱的基础上，结合所计算得出的产业链安全监测指数，进一步对待监测区域进行产业链安全监测分析，从而提高监测分析的准确性。
具体的，安全监测指数的计算过程如下：
(1)开始；
(2)分别对所述稳定性指标、所述创新性指标、所述抗风险指标进行打分；
(3) 所述稳定性指标的得分a=（a1+a2+a3）/3，a1为某产业链上各企业前端制造设备进口数量的信息熵值，a2为某产业链上各企业中间品进口数量的信息熵值，a3为某产业链上各企业终端产品出口数量的信息熵值，可参见图2，a则为产业链前端、中间、终端三个环节上关键资源熵值的平均值，反映产业链关键资源的集中度，或稳定性，值越小，反映稳定性越高；
(4) 所述创新性指标的得分b=w1×b1+w2×b2+w3×b3；b1为该产业链的企业专利数量的归一化值，b2为专利引用数量的归一化值，b3为企业网络中心性的归一化值，其中，例如w1=0.3，w2=0.3，w3=0.4。
(5) 所述抗风险指标的得分c=w4×c1+w5×c2+w6×c3；c1为基于复杂网络理论的归一化平均路径长度，反映了产业链中节点间的信息传递效率，路径越短表示信息传递速度越快，通过计算产业链网络中各节点之间最短路径的平均值，得到平均路径长度指标；c2为归一化的聚集系数，反映了产业链中节点间的紧密程度，该指标衡量了节点周围的连接密度，
通过计算产业链网络中各节点的聚集系数的平均值，得到聚集系数指标；c3为归一化的鲁棒性指标，反映了产业链网络对节点或边缘的攻击或损失的抵抗能力；w4=0.3，w5=0.3，w6=0.4。
(6)计算加权总分g得到产业链安全监测指数，g＝w7×a+w8×b+w9×c，w7＝0.4，w8＝0.3，w9＝0.4。
可以理解的是，通过层次分析法对标准化后的三个结果赋予自适应权重，然后根据权重进行计算形成产业链安全预警指数，指数越高表示该产业链处于相对不安全境况，反之则为相对安全。具有以下优点：
(1)从产业链多方面考虑评估产业链安全度更客观、全面；
(2)采用层次分析法确定权重考虑数据的分布，更客观；
(3)评估结果涉及产业链关键资源、创新优势以及生产安全方面，结果对于产业链、企业更具有解释性和指导意义。
示例性的，参见图3，所述产业链数据包括工业企业数据、海关数据、人才数据、专利数据、投资数据和/或供应链数据。
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一项所述的产业链安全监测分析方法的步骤。
本发明实施例还提供了一种计算机设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述的产业链安全监测分析方法的步骤。
该实施例的计算机设备包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，例如产业链安全监测分析程序。所述处理器执行所述计算机程序时实现上述各个产业链安全监测分析方法实施例中的步骤，例如图1所示的步骤S1至S4。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述计算机设备中的执行过程。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述示意图仅仅是计算机设备的示例，并不构成对计算机设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述计算机设备还可以包括输入输出设备、网络接入设备、总线等。
所述处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述计算机设备的控制中心，利用各种接口和线路连接整个计算机设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述计算机设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据手机的使用所创建的数据（比如音频数据、电话本等）等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（Flash Card）、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中，所述计算机设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、电载波信号、电信信号以及软件分发介质等。
综上，本发明具有以下有益效果：
本发明实施例通过获取待监测区域的待监测产业链数据;对所述待监测产业链数据进行预处理；将预处理后的待监测产业链数据输入到预训练的图谱生成模型，得到所述图谱生成模型输出的待监测产业链图谱；至少基于所述待监测产业链图谱对所述待监测区域进行产业链安全监测分析；其中，所述图谱生成模型通过如下步骤训练得到：获取若干区域的产业链数据，并基于每一区域的产业链数据绘制出每一区域对应的产业链图谱；采用所述若干区域对应的产业链图谱及产业链数据，对神经网络模型进行训练，得到所述图谱生成模型，从而能够高效精准地对产业链进行安全监测与分析评估，以全面反映产业链的当前安全风险。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的硬件平台的方式来实现，当然也可以全部通过硬件来实施。基于这样的理解，本发明的技术方案对背景技术做出贡献的全部或者部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例或者实施例的某些部分所述的方法。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种产业链安全监测分析方法，其特征在于，包括：
获取待监测区域的待监测产业链数据;
对所述待监测产业链数据进行预处理；
将预处理后的待监测产业链数据输入到预训练的图谱生成模型，得到所述图谱生成模型输出的待监测产业链图谱；
至少基于所述待监测产业链图谱对所述待监测区域进行产业链安全监测分析；
其中，所述图谱生成模型通过如下步骤训练得到：
获取若干区域的产业链数据，并基于每一区域的产业链数据绘制出每一区域对应的产业链图谱；
采用所述若干区域对应的产业链图谱及产业链数据，对神经网络模型进行训练，得到所述图谱生成模型。
2.如权利要求1所述的产业链安全监测分析方法，其特征在于，所述获取若干区域的产业链数据，并基于每一区域的产业链数据绘制出每一区域对应的产业链图谱，包括：
基于所述若干区域的产业链数据，构建本地化多源数据库；
针对每一区域，从所述本地化多源数据库中获取与所述区域的目标产业相关的产业数据；
基于每一区域对应的产业数据，绘制出每一区域对应的产业链图谱。
3.如权利要求2所述的产业链安全监测分析方法，其特征在于，所述基于每一区域对应的产业数据，绘制出每一区域对应的产业链图谱，具体包括：
对每一区域对应的产业数据进行数据清洗和预处理；
通过Apriori算法，对每一区域对应的处理后的产业数据中的企业信息、产品信息和供应链关系进行关联规则挖掘处理，得到每一区域对应的若干个关联规则；
按照预设的规则评估指标，对每一区域对应的若干个关联规则进行评估，以选取出每一区域对应的目标关联规则；
根据每一区域对应的目标关联规则构建得到每一区域对应的目标产业链；其中，所述目标产业链是由多个节点和用于连接各所述节点的有向边组成；
对每一区域对应的目标产业链进行可视化处理，以绘制出每一区域对应的产业链图谱。
4.如权利要求2所述的产业链安全监测分析方法，其特征在于，所述方法还包括：
获取所述待监测区域的与产业链的关键资源相关的资源数据、企业数据及专利数据；
基于所述资源数据，对所述关键资源进行稳定性评估得到稳定性指标；
基于所述企业数据与所述专利数据进行创新评估得到创新性指标；
获取所述待监测区域的风险数据，并基于所述风险数据进行抗风险评估得到抗风险指标；
则，所述至少基于所述待监测产业链图谱对所述待监测区域进行产业链安全监测分析，包括：
基于所述待监测产业链图谱、所述稳定性指标、所述创新性指标及所述抗风险指标，对所述待监测区域进行产业链安全监测分析。
5.如权利要求4所述的产业链安全监测分析方法，其特征在于，所述关键资源包括关键原材料、关键技术和关键设备；
所述基于所述资源数据，对所述关键资源进行稳定性评估得到稳定性指标，包括：
基于所述资源数据计算所述关键资源的信息熵；
基于所述信息熵评估所述关键资源的稳定性等级；其中，所述稳定性等级包括高稳定性、中稳定性和低稳定性，所述稳定性等级是根据所述信息熵与预设的稳定性阈值之间的比较结果确定；
基于所述资源数据对所述关键资源进行关键性分析，得到关键性评估结果；
基于所述稳定性等级和所述关键性评估结果确定稳定性指标。
6.如权利要求4所述的产业链安全监测分析方法，其特征在于，所述基于所述企业数据与所述专利数据进行创新评估得到创新性指标，包括：
对所述企业数据与所述专利数据进行数据清洗和预处理；
基于处理后的企业数据与专利数据，构建产业链核心技术的知识图谱；
基于所述知识图谱，对预先配置的深度学习模型进行训练；
通过训练好的深度学习模型以及所述知识图谱，分析得到产业链核心技术的知识结构；其中，所述知识结构用于指示产业链核心技术的关键主题、研究热点和技术演化路径；
基于所述知识结构分析得到产业链核心技术的演化规律；
根据所述演化规律评估得到创新性指标。
7.如权利要求4所述的产业链安全监测分析方法，其特征在于，所述获取所述待监测区域的风险数据，并基于所述风险数据进行抗风险评估得到抗风险指标，包括：
确定产业链的风险因素；其中，所述风险因素包括自然灾害因素、供应链中断因素和市场需求波动因素；
基于所述风险因素，获取所述待监测区域的风险数据；
构建产业链的复杂网络模型；其中，所述复杂网络模型是由若干个网络节点和网络的边构成，所述网络节点包括企业或组织，所述网络的边用于连接各所述网络节点，所述网络的边用于表征供应链关系或合作关系；
采用系统动力学模型，根据所述风险数据对所述复杂网络模型进行风险模拟，得到风险模拟结果；
根据所述风险模拟结果评估得到抗风险指标。
8.如权利要求4所述的产业链安全监测分析方法，其特征在于，所述基于所述待监测产业链图谱、所述稳定性指标、所述创新性指标及所述抗风险指标，对所述待监测区域进行产业链安全监测分析，包括：
通过层次分析法确定稳定性权重、创新性权重和抗风险权重；
基于所述稳定性指标、所述创新性指标、所述抗风险指标、所述稳定性权重、所述创新性权重和所述抗风险权重，进行计算，得到所述待监测区域的产业链安全监测指数；
基于所述产业链安全监测指数及所述待监测产业链图谱，对所述待监测区域进行产业链安全监测分析。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至8任一项所述的产业链安全监测分析方法。
10.一种计算机设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述的产业链安全监测分析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410199770.7A CN117786131B (zh) | 2024-02-23 | 2024-02-23 | 一种产业链安全监测分析方法、介质及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410199770.7A CN117786131B (zh) | 2024-02-23 | 2024-02-23 | 一种产业链安全监测分析方法、介质及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117786131A true CN117786131A (zh) | 2024-03-29 |
| CN117786131B CN117786131B (zh) | 2024-07-12 |
Family
ID=90391242
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410199770.7A Active CN117786131B (zh) | 2024-02-23 | 2024-02-23 | 一种产业链安全监测分析方法、介质及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117786131B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117495296A (zh) * | 2023-11-15 | 2024-02-02 | 广州市城市规划勘测设计研究院有限公司 | 汽车产业链研发管理系统、方法、装置、设备及存储介质 |
| CN117998426A (zh) * | 2024-04-03 | 2024-05-07 | 深圳市兴恺科技有限公司 | Mesh自组网通信装置的控制方法、装置、设备和存储介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN114925835A (zh) * | 2022-06-27 | 2022-08-19 | 天津联创科技发展有限公司 | 一种产业图谱智能生成方法及系统 |
| CN116128213A (zh) * | 2022-12-22 | 2023-05-16 | 北京航天智造科技发展有限公司 | 一种产业链图谱构建及分析方法和系统 |
| CN116307724A (zh) * | 2023-03-22 | 2023-06-23 | 江苏风云科技服务有限公司 | 一种基于复杂网络的产业链风险传播方法和系统 |
| WO2023123077A1 (zh) * | 2021-12-27 | 2023-07-06 | 中国电子技术标准化研究院华东分院 | 一种工业互联网发展情况的评估评价方法及系统 |
| CN117333037A (zh) * | 2023-10-16 | 2024-01-02 | 山东出版数字融合产业研究院有限公司 | 一种面向出版大数据的产业大脑构建方法及装置 |
| LU504598B1 (en) * | 2023-06-28 | 2024-01-11 | National Univ Of Defense Technology | Evaluation method of national defense industrial chain based on risk index evaluation |
| CN117495094A (zh) * | 2023-11-08 | 2024-02-02 | 四川启睿克科技有限公司 | 一种产业链安全风险综合评估预警方法与系统 |
| CN117575328A (zh) * | 2023-12-12 | 2024-02-20 | 四川启睿克科技有限公司 | 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 |
-
2024
- 2024-02-23 CN CN202410199770.7A patent/CN117786131B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| WO2023123077A1 (zh) * | 2021-12-27 | 2023-07-06 | 中国电子技术标准化研究院华东分院 | 一种工业互联网发展情况的评估评价方法及系统 |
| CN114925835A (zh) * | 2022-06-27 | 2022-08-19 | 天津联创科技发展有限公司 | 一种产业图谱智能生成方法及系统 |
| CN116128213A (zh) * | 2022-12-22 | 2023-05-16 | 北京航天智造科技发展有限公司 | 一种产业链图谱构建及分析方法和系统 |
| CN116307724A (zh) * | 2023-03-22 | 2023-06-23 | 江苏风云科技服务有限公司 | 一种基于复杂网络的产业链风险传播方法和系统 |
| LU504598B1 (en) * | 2023-06-28 | 2024-01-11 | National Univ Of Defense Technology | Evaluation method of national defense industrial chain based on risk index evaluation |
| CN117333037A (zh) * | 2023-10-16 | 2024-01-02 | 山东出版数字融合产业研究院有限公司 | 一种面向出版大数据的产业大脑构建方法及装置 |
| CN117495094A (zh) * | 2023-11-08 | 2024-02-02 | 四川启睿克科技有限公司 | 一种产业链安全风险综合评估预警方法与系统 |
| CN117575328A (zh) * | 2023-12-12 | 2024-02-20 | 四川启睿克科技有限公司 | 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 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117495296A (zh) * | 2023-11-15 | 2024-02-02 | 广州市城市规划勘测设计研究院有限公司 | 汽车产业链研发管理系统、方法、装置、设备及存储介质 |
| CN117495296B (zh) * | 2023-11-15 | 2024-08-20 | 广州市城市规划勘测设计研究院有限公司 | 汽车产业链研发管理系统、方法、装置、设备及存储介质 |
| CN117998426A (zh) * | 2024-04-03 | 2024-05-07 | 深圳市兴恺科技有限公司 | Mesh自组网通信装置的控制方法、装置、设备和存储介质 |
| CN117998426B (zh) * | 2024-04-03 | 2024-06-07 | 深圳市兴恺科技有限公司 | Mesh自组网通信装置的控制方法、装置、设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117786131B (zh) | 2024-07-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Al-Zyadat et al. | The effect of industry 4.0 on sustainability of industrial organizations in Jordan | |
| CN110119413B (zh) | 数据融合的方法和装置 | |
| CN117786131B (zh) | 一种产业链安全监测分析方法、介质及设备 | |
| Safari et al. | Identifying and evaluating enterprise architecture risks using FMEA and fuzzy VIKOR | |
| Ragsdale | Spreadsheet modeling & decision analysis | |
| Rodríguez et al. | Empirical findings on team size and productivity in software development | |
| Chatterjee et al. | A structure-based software reliability allocation using fuzzy analytic hierarchy process | |
| Shakouri et al. | A parametric method for ranking intuitionistic fuzzy numbers and its application to solve intuitionistic fuzzy network data envelopment analysis models | |
| Odutola | Advanced procurement analytics: Building a model for improved decisionmaking and cost efficiency within global supply chains | |
| Javedani Sadaei et al. | Multilayer stock forecasting model using fuzzy time series | |
| CN104933621A (zh) | 一种担保圈的大数据分析系统和方法 | |
| CN117893020A (zh) | 一种水利工程质量安全风险评估方法 | |
| Fayek et al. | Application of fuzzy logic to quality assessment of infrastructure projects at conceptual cost estimating stage | |
| CN117314347A (zh) | 一种项目管理方法、系统、终端设备及存储介质 | |
| CN111915188A (zh) | 企业的系统性能测试方法、装置和设备 | |
| Rao | Flexible manufacturing system selection using an improved compromise ranking method | |
| US11782923B2 (en) | Optimizing breakeven points for enhancing system performance | |
| Chatzigeorgiou et al. | Combining metrics for software evolution assessment by means of Data Envelopment Analysis | |
| Smojver et al. | Determining the life cycle phase of a technology based on patent data | |
| Pun et al. | A cloud-based fuzzy multi-criteria decision support system for procurement process in facility management | |
| Kliestik | The application of mathematical modeling to predict the financial health of bussinesses | |
| Kolesnikova et al. | Markov Principles of Project Effectiveness | |
| Heine | Predicting DevOps Effectiveness in Information Technology (IT) Projects | |
| Ahmed et al. | A FUZZY DATA ENVELOPMENT ANALYSIS MODEL FOR MEASURING EFFICIENCY OF MALAYSIAN PUBLIC RESEARCH UNIVERSITIES. | |
| Laukkanen | Quality 4.0 enabling cost of poor quality measurement |
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 |