链上镖师 / Chain Biaoshi
COR|供应链风险扩散，怎样实时判断会不会失控
一篇 COR 论文用 THMA、RDI、RPI 和重要性分裂，把复杂网络里的动态风险传播做成可监控模型
这篇论文把供应链企业视为 SIS 传播网络中的节点，用时间变化的异质均值场模型和离散事件仿真共同刻画风险扩散、恢复概率与关键企业影响。
- 01：论文提出 THMA 模型，同时纳入企业异质性、网络连接和时间变化传播恢复参数。
- 02：RDI 用作实时稳定性指标，当 RDI 持续为负时，模型保证风险最终耗散。
- 03：RPI 衡量系统先恢复到健康状态的概率，并用重要性分裂提升罕见恢复事件的估计效率。
研究背景
全球采购、外包和库存冗余压缩让供应链从线性链条变成复杂网络。论文指出，这类效率导向策略降低成本的同时，也让单个企业或少数企业的扰动更容易沿供应关系扩散，进一步放大为级联失效、运营中断甚至系统性崩溃。
图1 Basic Supply Chain：基础供应链网络示意，用三节点链路说明风险可沿企业供应关系传播。来源：Figure 1。
论文用 Pfizer 北卡工厂受龙卷风影响、三星 Austin 工厂停产、Renesas 火灾以及 TSMC 干旱约束等案例说明，局部扰动会通过医药和半导体等网络迅速外溢。研究目标由此转向一个可计算问题：风险何时会自然消散，何时需要主动干预。
核心问题
已有供应链风险传播研究常把网络异质性和时间动态分开处理：一类模型假定节点同质，另一类模型虽然考虑不同企业能力差异，却把风险传播和恢复参数简化为常数。论文认为，真实供应链同时具备结构异质性和动态波动，单独处理会带来轨迹估计偏差。
这篇论文的核心问题是：在大规模、异质、时间变化的供应链网络里，怎样同时得到可解释的稳定性判据和能覆盖随机波动的仿真评估。
- 用 THMA 描述每个企业被感染的概率随时间演化，并保留企业传播率、恢复率和网络拓扑差异。
- 用 RDI 判断风险传播驱动力是否低于恢复能力形成的稳定边界。
- 用离散事件仿真补足均值场近似难以刻画的随机路径差异。
- 用 RPI 衡量供应链先恢复到安全状态的概率。
方法框架
论文先把供应链写成图 G(V,E)，企业为节点，供应关系为边。每个企业处在 S 状态或 I 状态，健康企业会受相邻受扰企业影响转入 I 状态，受扰企业也会因自身韧性或外部支持回到 S 状态。全网络状态由所有企业状态组合确定。
Algorithm 1 Simulation Algorithm for Supply Chain Risk Propagation：从识别感染企业、计算传播与恢复率，到抽样事件并更新网络状态。来源：Algorithm 1。
THMA 把复杂企业交互近似为时间变化的环境效应，形成可解的动态系统。论文在此基础上推导 Risk Dissipation Index，证明当存在常数 α>0 使 RDI(t)≤-α<0 对所有 t 成立时，风险向量范数会收敛到 0，供应链风险逐步耗散。
Figure 2 Importance Splitting：通过中间阈值和路径分叉估计恢复概率，提升罕见事件仿真效率。来源：Figure 2。
1建立供应链网络与 SIS 状态变量。
2用 THMA 计算时间变化感染概率并得到 RDI。
3用离散事件仿真生成风险传播和恢复路径。
4用 RPI 与重要性分裂评估恢复概率。
案例或实验设置
数值实验分为两个层次。第一层使用 10 个企业节点的 Kodak 数码相机供应链小网络，对比精确模型、THMA 和仿真模型，并测试 RDI、THMA 适用条件与 RPI 估计。第二层使用医疗行业真实供应链网络，进一步分析企业在风险传播中的重要性。
Figure 3 Kodak Digital Camera Supply Chain：Kodak 数码相机供应链案例网络，用于小规模实验。来源：Figure 3。
Figure 9 Medical Supply Chain Network：真实医疗供应链网络结构，为企业重要性分析提供案例基础。来源：Figure 9。
Kodak 实验中，论文设置预设感染、枢纽感染和全感染三类初始冲击，用来检验 RDI 为负时风险耗散是否依赖初始来源。医疗供应链实验则基于三十多家企业的年报数据构造网络，用仿真评估不同企业对系统恢复和扩散结果的影响。
结果分析
Figure 4：风险耗散区间内不同初始冲击下的感染比例变化，三类情境均呈下降趋势。来源：Figure 4。
实验显示，在 RDI 持续为负的风险耗散区间中，无论风险起点来自多个节点、枢纽企业，还是全网络初始感染，感染企业比例都会持续下降。这与定理 1 给出的充分条件一致，说明 RDI 可作为运行中监控风险是否会被系统恢复能力压住的指标。
Figure 5：风险动态区间内的感染比例变化，显示持续传播压力下风险难以自然消失。来源：Figure 5。
Figure 6：精确模型与 THMA 模型的风险传播对比，展示 THMA 的保守上界特征。来源：Figure 6。
论文进一步证明，在相同初始条件下，THMA 计算的企业感染概率 vi(t) 对精确模型概率 pi(t) 构成上界。管理含义是，基于 THMA 做缓冲库存、供应商多元化或高风险节点隔离时，结果带有安全余量；若网络在 THMA 下仍被判定稳健，精确随机过程下也具备更强的安全支撑。
管理启示
Figure 7：THMA 近似适用条件的验证结果，分别对应低风险不相关状态和高风险集中压力状态。来源：Figure 7。
论文给出 THMA 的两个适用机制：低风险状态下，风险传播事件较稀疏，不同企业状态相关性较弱；高风险状态下，感染压力接近理论最大值，波动相对集中于均值附近。因此，该模型适合日常监测，也适合压力测试和危机阶段的保守评估。
Table 2：MC 与 IS 方法估计 RPI 的性能比较，用均值、方差和相对误差呈现估计效率差异。来源：Table 2。
Figure 8：不同目标阈值下 MC 与 IS 的 RPI 估计分布，展示罕见恢复概率估计的稳定性差异。来源：Figure 8。
Figure 10：医疗供应链企业风险影响结果热力图，用于识别需要优先监控和资源投放的关键节点。来源：Figure 10。
论文：Heterogeneous Mean-Field Approximation and Simulation Models for Dynamic Risk Propagation in Complex Supply Chain Networks
作者：Jiangnan Shi，Guangxin Jiang
期刊：COR
链上镖师、先卜交通、先卜运筹通用论文ID
保存此推文 ID，可在粉丝群内获取相关材料，未来更多功能敬请期待
先卜科技团队：常文婕、张巧巧、王一航、夏子帆、张晓乐、祁园园、张仁义
