供应链风险管理系统的制作方法

本发明涉及一种供应链风险管理系统。

背景技术：

供应链中的一些作为主体的企业或个人可能因为自然灾害、突发疫情等事件成为影响整个供应链正常运作的堵点，这时候，往往需要供应链管理人员对整个供应链进行风险评估，并针对疏点(即对堵点影响力较高且能通过一系列措施后疏通堵点的主体)来制定相应的措施从而使得供应链正常进行。

然而，随着我国经济的快速发展和全球化进程的加快，我国已成为全球货物贸易第一大国。跨境贸易的不断增加，随之而来的是产品供应链的组成更加错综复杂，供应链涉及的主体增加速度不断加快；随着供应链涉及到的各方主体的不断加入，由此涉及到的堵疏点问题开始多样化，不断更新的政策以及严峻的疫情防控任务使得供应链的疏通堵点工作更加艰难。

因为行政资源的有限，使得供应链的管理人员无法做到对供应链涉及的所有主体进行风险评估；同时，因为缺少跨境溯源服务，供应链涉及的依据以及数据不够完整，导致管理人员针对主体的责任判断效率较低。

为了解决上述问题，目前出现了一些模拟仿真系统，这些模拟仿真系统集成了部分区块链、知识图谱以及数据可视化等技术，但仍具有较多不足，如：

1)需手动输入仿真数据或者使用中心化数据库，极易导致数据缺乏真实性、可靠性以及公信力；

2)虽然内嵌有预测、优化等仿真模型，但对仿真模型输出的结果未进行有效或合理地解释，也无法展示施策仿真对供应链带来的影响以及影响的传播，从而导致系统的仿真结果信服力较低；

3)通过一系列指标来感知风险状况，仅能粗略判断风险状况，无法做到实时风险状况判断；

4)以传统的图表形式对中间数据进行展示，管理人员无法从中获取较为深层次的数据信息，还需要管理人员进一步地进行深度数据分析。

综上，模拟仿真系统在数据的溯源可信性、风险的关联性、模拟仿真的可靠性等核心功能上仍不能满足实际的使用需求，在供应链安全管理方面尤其明显，从而导致管理人员无法快速做出科学的决策完成供应链疏导。尤其在疫情时期，供应链的堵点疏通工作显得极为紧迫且重要，及时让管理人员采取科学有效的决策可以在很大程度上缓解疫情给整个供应链带来的负面影响。

技术实现要素：

为解决上述问题，本发明提供了一种能够对供应链中的堵点疏点进行影响与风险分析、施策模拟仿真以及动态施策推荐的供应链风险管理系统，本发明采用了如下技术方案：

本发明提供了一种供应链风险管理系统，用于对供应链以及该供应链下的各个主体进行风险评估从而让供应链的管理人员基于该风险评估进行供应链管理，其特征在于，包括：供应链信息存储模块，存储有与供应链相关的环境信息以及供应链下每个主体在进行供应链业务时产生的所有历史溯源信息；图谱存储模块，用于存储表示供应链中各个主体之间相互关系的知识图谱；预处理模块，用于定期获取历史溯源信息以及环境信息并进行预处理得到待分析数据；影响力模块，根据知识图谱并通过相关图算法对待分析数据计算得到知识图谱中每个主体的单个主体影响力以及各个主体之间的关联程度，并通过预定的影响力规则依次计算每个主体与其他各个关联的主体之间的影响程度得到所有主体对应的主体间影响力；风险值模块，根据预定的风险值计算规则对待分析数据分析计算得到各个主体的初始风险值，并根据所有初始风险值以及各个主体间的主体间影响力得到每个主体在进行风险关联后的主体风险值；安全指数模块，利用供应链上所有主体风险值通过预定安全指数规则计算得到供应链与预定的多个安全要素相对应的供应链安全指数；堵点判断设定模块，依次判断供应链下每个主体的主体风险值是否超过预定风险阈值，并在超过时将相应的主体设定为疑似堵点；画面存储模块，存储有堵点画面；以及显示模块，用于显示堵点画面并显示疑似堵点、与疑似堵点相对应的主体风险值以及疑似堵点所在的供应链相对应的供应链风险值，让管理人员查看供应链的安全状态以及疑似堵点的情况并对供应链进行管理。

本发明提供的供应链风险管理系统，还可以具有这样的技术特征，还包括：主体综合评分模块以及疏点判断设定模块，其中，主体综合评分模块利用预定的综合评分规则依次对每个主体对应的单个主体影响力、主体间影响力以及主体风险值进行综合计算得到主体对应的主体综合评分，疏点判断设定模块依次判断供应链下所有主体综合评分是否预超过预定综合评分，并在超过时将主体设定为建议疏点，显示模块在显示堵点画面时，还显示有建议疏点以及与建议疏点相对应的单个主体影响力，让管理人员查看建议疏点的情况并对供应链施策。

本发明提供的供应链风险管理系统，还可以具有这样的技术特征，还包括：历史施策存储模块、主体施策仿真模块以及供应链施策仿真模块，其中，历史施策存储模块存储有与主体相对应的历史施策信息以及利用德菲尔法对历史施策信息量化评分得到的历史量化评分表，画面存储部还存储有施策选定画面，显示模块显示施策选定画面让管理人员选定一个建议疏点作为施策对象并输入相应的施策信息，主体施策仿真模块判断管理人员输入的施策信息是否属于历史施策信息，当施策信息属于历史施策信息，根据历史量化评分表得到对应的堵点疏解评分，当施策信息不属于历史施策信息，通过语义相似度计算施策信息与所有历史施策信息之间的相似度并根据相似度最高的历史施策信息在历史量化评分表中得到对应的堵点疏解评分，供应链施策仿真模块基于堵点疏解评分以及相应所有主体的主体间影响力对主体风险值进行风险疏解计算从而得到每个主体的主体疏解评分，并整合所有主体疏解评分得到供应链疏解评分，画面存储模块还存储有疏解效果画面，一旦管理人员选定建议疏点并输入施策信息，显示模块就显示疏解效果画面并显示供应链疏解评分以及每个主体的主体疏解评分，从而让管理人员可以根据选定的施策对象以及输入的施策信息的预计效果。

本发明提供的供应链风险管理系统，还可以具有这样的技术特征，其中，疏解效果画面还包括疏解知识图谱显示部分，显示模块显示疏解知识图谱画面并显示包含施策对象的知识图谱、供应链评分以及各个主体相对应的主体疏解评分的疏解知识图谱显示部分，让管理人员查看施策后供应链产生的变化。

本发明提供的供应链风险管理系统，还可以具有这样的技术特征，还包括：施策推荐模块，其中，画面存储模块还存储有风险值输入画面，显示模块显示风险值输入画面让管理人员输入对应于供应链的被疏解程度的期望疏解评分，施策推荐模块利用预先训练好的施策推荐模型对期望疏解评分进行分析得到与期望疏解评分相对应的建议疏点以及施策信息，画面存储模块还存储有施策推荐画面，一旦管理人员选定期望疏解评分，显示模块就显示施策推荐画面并显示建议疏点以及施策信息，让管理人员根据推荐的施策方法对供应链进行管理。

本发明提供的供应链风险管理系统，还可以具有这样的技术特征，其中，影响力规则为：

主体间影响力＝单个主体影响力*关联程度*关系度数权重(1)式中，关系度数权重为各个主体之间的影响关系重要程度值，主体间影响力的计算包括如下步骤：步骤a1，基于知识图谱利用相关图算法对待分析数据进行计算得到知识图谱中所有主体的单个主体影响力以及各个主体间的关联程度；步骤a2，根据公式(1)依次计算主体与包含主体的供应链下的其它各个主体之间的影响程度得到供应链下所有主体对应的与其它各个主体间的主体间风险值。

本发明提供的供应链风险管理系统，还可以具有这样的技术特征，其中，风险值计算规则包括如下步骤：步骤c1，利用数据挖掘方法对待分析数据进行分析得到主体的多个特征参数；步骤c2，将所有特征参数输入预先训练好的机器学习模型得到各个主体的初始风险值。

本发明提供的供应链风险管理系统，还可以具有这样的技术特征，还包括：权重存储模块，其中，权重存储模块存储有与每个安全要素相对应且对应于该安全要素中各个主体所涉及到的风险重要程度的多个影响权重值，安全指数规则为根据供应链中各个主体的主体风险值以及影响权重值计算每个安全要素所对应的安全指数。

本发明提供的供应链风险管理系统，还可以具有这样的技术特征，其中，其中，预处理具体包括如下步骤：步骤s1，统计历史溯源信息，并对缺失项较少的历史溯源信息进行补全，对缺失项较多的历史溯源信息进行删除；步骤s2，通过机器学习算法对历史溯源信息进行交叉融合对比得到交叉信息；步骤s3，对交叉信息进行筛选，对有误的交叉信息进行修改或删除得到待存储数据；步骤s4，对环境信息进行关联处理得到关联环境数据；步骤s5，将待存储数据以及关联环境数据中涉及到关系分析的数据存储到图谱存储模块，将不涉及到关系分析的数据作为待分析数据存储到传统关系数据库，主体之间相互关系包括供应链关系、业务关系以及常规关系。

本发明提供的供应链风险管理系统，还可以具有这样的技术特征，其中，供应链信息存储模块为一个与供应链中的所有主体相关联的区块链，该区块链用于自动获取主体的相关备案信息、认证信息、供应链相关基本信息以及各个网站上的供应链相关舆情信息、环境舆情信息，并将相关备案信息、认证信息、供应链相关基本信息作为历史溯源信息以及将供应链相关舆情信息、环境舆情信息作为环境信息进行对应存储。

发明作用与效果

根据本发明的供应链风险管理系统，可以对待分析数据分析评估得到供应链风险值以及疑似堵点，从而提高供应链安全评估的工作效率，并能让管理人员根据疑似堵点以及环境信息作出科学的决策进而完成供应链疏通工作尤其是疫情下的供应链疏通工作。

由于影响力模块根据知识图谱并通过相关图算法对待分析数据计算得到知识图谱中每个主体的单个主体影响力以及各个主体之间的关联程度，并通过预定的影响力规则依次计算每个主体与其他各个关联的主体之间的影响程度得到所有主体对应的主体间影响力，从而让管理人员了解各个主体之间相互影响情况。

还由于风险值模块根据预定的风险值计算规则对待分析数据分析计算得到各个主体的初始风险值，并根据所有初始风险值以及各个主体间的主体间影响力得到每个主体在进行风险关联后的主体风险值，从而让管理人员了解各个主体的风险状态。

又由于安全指数模块利用供应链上所有主体风险值通过预定安全指数规则计算得到供应链与预定的多个安全要素相对应的供应链安全指数，从而得到多维度、深层次、穿透式的关联分析结果，进一步地让管理人员通过供应链风险值了解供应链整体的安全状态。

再由于堵点判断设定模块依次判断每个主体风险值是否超过预定风险阈值，并在超过时将相应的主体设定为疑似堵点，从而让管理人员快速锁定疑似堵点并对疑似堵点采取措施。

进一步由于供应链信息存储模块为一个与供应链中的所有主体相关联的区块链，可以自动从区块链中获取环境信息以及历史溯源信息，从而无需管理人员进行手动输入，还能保证信息的真实性、可靠性以及公信力。

最后由于显示疏解知识图谱画面，从而让管理人员能一目了然地掌握供应链的风险源、施策传播路径以及结果等深层次信息，无需管理人员再进行进一步地深度数据分析。

附图说明

图1为本发明实施例一的供应链风险管理系统的结构框图；

图2为本发明实施例一的主体间影响力的计算过程的流程图；

图3为本发明实施例一的疏解方法量化评估规则的示意图；

图4为本发明实施例一的堵点疏解评分的确定过程的流程图

图5为本发明实施例一的供应链风险管理系统的流程图；以及

图6为本发明实施例二的供应链风险管理系统的流程图。

具体实施方式

为了使本发明实现的技术手段、创造特征、达成目的与功效易于明白了解，以下结合实施例及附图对本发明的供应链风险管理系统作具体阐述。

<实施例一>

图1为本发明实施例的供应链风险管理系统的结构框图。

如图1所示，供应链风险管理系统100包括控制模块10、供应链信息存储模块11、图谱存储模块12、预处理模块13、影响力模块14、风险值模块15、安全指数模块16、堵点判断设定模块17、主体综合评分模块18、疏点判断设定模块19、历史施策存储模块20、主体施策仿真模块21、供应链施策仿真模块22、画面存储模块23、显示模块24以及权重存储模块25。

供应链风险管理系统100通过控制模块10控制以下各个模块。

供应链信息存储模块11存储有与供应链相关的环境信息以及供应链下每个主体与供应链业务相关的历史溯源信息。

供应链信息存储模块11为一个与供应链中的所有主体相关联的区块链，该区块链用于自动获取主体的相关备案信息、认证信息、供应链相关基本信息以及各个网站上的供应链相关舆情信息、环境舆情信息，并将相关备案信息、认证信息、供应链相关基本信息作为历史溯源信息以及将供应链相关舆情信息、环境舆情信息作为环境信息进行对应存储。

其中，主体是指供应链涉及到的企业、产品、人员等；环境信息包括整个供应链涉及的企业、产品、人员等主体的实时舆情和疫情信息、政策信息、法律法规；历史溯源信息包括可信区块链上的相关备案信息、认证信息、以及整个供应链涉及的企业、产品、人员等的相关基本信息；还包括可信云系统的信息以及可信云区块链上的信息，其中，可信云系统需要接入的企业自己在可信云系统上进行备案，并对于产品在供应链的流通过程中上传溯源信息从而构成与主体相对应的主体溯源信息。

本实施例中，环境信息通过网络爬虫技术从政府网站、企业网站、第三方网站获取；历史溯源信息从可信云区块链(即上述区块链)以及可信云系统中获取。

图谱存储模块12存储有表示供应链中各个主体之间相互关系的知识图谱。

其中，知识图谱是根据待分析数据生成的每条供应链中各个主体之间相互连接的可视化显示，可以让非专业技术人员了解整个供应链中各个主体之间的关系(例如合作关系、雇佣关系等等)。

其中，主体之间相互关系包括供应链关系、业务关系以及常规关系。

本实施例中，供应链关系针对的是企业与企业之间的关系，具体地为企业以及与该企业合作的上游企业、下游企业以及与该企业具有同类业务的同类业务企业。

业务关系针对的是产品与企业、企业与风险、人员与风险、企业与舆情以及人员与舆情之间的关系。具体地为产品以及该产品的供应商企业、生产商企业、分销商企业、零售商企业、物流商企业、风险以及与该风险相关的企业或人员、舆情以及与该舆情相关的企业或人员等等。

常规关系针对的是企业与企业、人员与企业之间的关系，具体地为企业以及与该企业合作的合作企业、企业以及该企业在其他企业中持股、参股的企业、人员以及该人员持股、参股的企业、人员以及该人员就职的企业，该人员在就职企业的职位董事、经理、高管等等。

预处理模块13可以定期获取历史溯源信息以及环境信息并进行预处理得到待分析数据。

其中，预处理具体包括如下步骤：

步骤s1，统计历史溯源信息，并对缺失项较少的历史溯源信息进行补全，对缺失项较多的历史溯源信息进行删除。

本实施例中，当历史溯源信息缺失项不多于3项时，预处理模块根据业务逻辑自动进行补全或使用临近的相似历史溯源信息进行补全，例如产品缺少生产日期时，使用同批次其它产品的生产日期作为该产品的生产日期；当历史溯源信息缺失项多于3项时，则直接删除此条历史溯源信息，从而保证历史溯源信息的准确性。

步骤s2，通过机器学习算法对历史溯源信息进行交叉融合对比得到交叉信息。

本实施例中，对多源的历史溯源信息使用k-均值聚类算法进行类间数据的融合。

步骤s3，对交叉信息进行筛选，对有误的交叉信息进行修改或删除得到待存储数据。

本实施例中，当交叉信息中出现不一致时预处理模块13自动选择权威渠道获得的信息，舍弃来自权威度相对较低的渠道的信息。当判定合法值的时候，可以通过设置日期的合法时间来确定合法值。

步骤s4，对环境信息进行关联处理得到关联环境数据。

本实施例中，对环境信息中会波及到的企业、产品、人员等做关联处理得到关联环境数据，例如疫情影响到的企业、产品、人员等需要关联处理。

步骤s5，将待存储数据以及关联环境数据中涉及到关系分析的数据存储到图谱存储模块12，将不涉及到关系分析的数据作为待分析数据存储到传统关系数据库(例如：mysql、oracle)。

本实施例中，对涉及到关系分析的数据通过信息抽取—知识融合—知识加工等步骤形成知识图谱并存入图数据库neo4j(即图谱存储模块12)。

本实施例中，预处理还包括对需要的数据进行新增，对错误的数据进行修正，对缺失的数据进行补全，对无用的数据进行丢弃，对需要的业务特征进行整理。例如供应链的价格安全指数的整理是将整个供应链中的一些关键环节或重要商品的价格提取出来，建立一个价格指数模型，通过整个供应链的重要商品市场价格的变化情况的角度来看它整个供应链的安全情况；对涉及到关系分析的内容，将供应链中的主体(企业、产品、人员)、主体之间的关系(合作关系、雇主关系等)进行相应的提取。

影响力模块14根据知识图谱并通过相关图算法对待分析数据计算得到知识图谱中每个主体的单个主体影响力以及各个主体之间的关联程度，并通过预定的影响力规则依次计算每个主体与其他各个关联的主体之间的影响程度得到所有主体对应的主体间影响力。

其中，影响力模块14通过相关图算法深入挖掘知识图谱各个主体相互之间的关系，对每个供应链下的各个主体的影响力、主体的风险值、各个主体之间的紧密程度以及各个主体之间的风险传递等进行深入分析。例如，通过pagerank和personrank算法在知识图谱上确定各个主体之间的关系强弱。

图2为本发明实施例一的主体间影响力的计算过程的流程图。

如图2所示，主体间影响力的计算包括如下步骤：

步骤a1，基于知识图谱利用相关图算法对待分析数据进行计算得到知识图谱中所有主体的单个主体影响力以及主体间的关联程度。

步骤a2，根据影响力规则公式(1)依次计算主体与其他n-1个主体之间的主体间影响力得到n个主体的所有主体间影响力，每一个主体都对应有n-1个主体间影响力。

主体间影响力＝单个主体影响力*关联程度*关系度数权重(1)

其中，关系程度权重为各个主体之间的影响关系的重要程度值，可以分为一度关系度数权重设、二度关系度数权重等等不同等级。

本实施例中，假设单个主体a的影响力为50，单个主体a与单个主体b之间的关联程度为0.8，单个主体b与单个主体c之间的关联程度为0.7，一度关系度数权重设为0.9，二度关系度数权重设为0.6，则单个主体a对单个主体b的主体影响力为50*0.8*0.9＝36，单个主体a对单个主体c的主体影响力为50*0.9*0.7*0.6＝16。

风险值模块15根据预定的风险值计算规则对待分析数据分析计算得到各个主体的初始风险值，并根据所有初始风险值以及各个主体间的主体间影响力得到每个主体在进行风险关联后的主体风险值。

其中，风险值计算规则风险值计算规则包括如下步骤：

步骤c1，利用数据挖掘方法对待分析数据进行分析得到主体的多个特征参数。

本实施例中，数据挖掘方法包括统计分析以及聚类分析等等多种数据挖掘方法。

步骤c2，将所有特征参数输入预先训练好的机器学习模型得到各个主体的初始风险值。

本实施例中，通过数据挖掘方法对历史溯源信息进行分析得到主体的历史供需情况以及风险变化情况等一系列特征参数(例如企业注册资金、经营状态、人员规模、业务变动情况、产量变化、偏差以及是否高违规群体成员等等)。并将特征参数作为机器学习gbdt模型的训练集进行模型训练直到收敛得到训练好的机器学习模型。

其中，数据挖掘方法至少包括统计分析以及聚类分析。

统计分析是对待分析数据进行分析得到供应链业务相关的整体业务信息(例如供应链总体情况、产品流向信息以及企业参与信息、供应链产品的原产国、生产企业、运输企业以及报检单位等)。

聚类分析是利用k-均值聚类算法对整体业务信息进行聚类分析，将所有主体划分成不同风险类别(例如将生产企业划分为高/中/低三种风险类别)，对于被划分为高风险的生产企业群体中的企业进行重点监督。

本实施例中，各个相关联的主体之间的主体风险值会因为某一主体的主体风险值的改变而整体改变，比如：假设主体x1的初始风险值为40，主体x2的初始风险值为33，并且x1和x2之间的关联程度根据影响力模块14计算得到为0.7，此时有一个坏的舆情发生直接给主体x1带来数值为20的风险，则此时主体x1的主体风险值变为40+20＝60，而与主体x1相关的主体x2的主体风险值变为33+0.7*20＝47.

安全指数模块16利用供应链上所有主体风险值通过预定安全指数规则计算得到供应链与预定的多个安全要素相对应的供应链安全指数。

其中，安全要素需要管理人员根据实际需求预先设定，它包括供应链涉及到的生产、资金、商贸、物流以及卫生等等。

本实施例中，通过gbdt算法获取不同原材料的风险评分，再结合不同原材料在供应链中的重要程度通过加权等规则来确定生产端的安全情况。

权重存储模块25存储有与每个安全要素相对应且对应于该安全要素中各个主体所涉及到的风险重要程度的多个影响权重值。

其中，影响权重值为管理人员根据不同安全要素中所有与安全要素相关的主体的风险重要程度预先设置，

安全指数规则为根据供应链中各个主体的主体风险值以及影响权重值计算每个安全要素所对应的安全指数。

本实施例中，安全指数规则在计算不同安全要素的安全指数时有所区别，例如计算供应链的安全要素生产的生产安全指数时，会着重关注原材料风险、生产企业风险、员工风险等方面，根据各个风险对生产安全指数的贡献程度计算得到生产安全指数。在其他安全要素的安全指数计算过程中，根据各个安全要素涉及到的不同风险的重要程度进行加权计算得到各个安全要素对应的安全指数。

本实施例中，以供应链的安全要素生产的生产安全指数计算为例：生产安全指数＝原材料1风险(例如制造钢铁的最主要原材料)*0.4+原材料2风险(例如制造钢铁的次要原材料)*0.3+生产企业风险(例如钢铁生产企业风险值)*0.2+员工风险*0.1。

其中，原材料1风险、原材料2风险以及生产企业风险利用数据挖掘模型或机器学习模型得到。以机器学习模型为例：供应链上有原材料1的历史数据，则通过机器学习模型学习原材料1的风险情况，当该供应链上该原材料1最新的数据输入到训练好的机器学习模型得到原材料1此时的风险情况。其中，涉及到的计算公式如下：

式中，s为原材料1风险值，a为本期供应量即本期原材料1的进口数量与本期原材料1的国内产量之和，b为同期供应量即同期原材料1的进口数量与同期原材料1的国内产量之和，时间周期可以根据情况选择“周”或“月”等。

原材料1风险值有正常的区间：l≤s≤m，其中m＝同期供应量b*上年最大偏离度，l＝同期供应量b*上年最小偏离度，上年最大偏离度(bias)＝max(1至12月各月供应量/年均供应量)，上年最小偏离度＝min(1至12月各月供应量/年均供应量)。

本实施例中，当计算得到的原材料1风险值为65时判断原材料1处于低风险(低风险类别根据上限<s<＝上限*1.1或下限*0.9<＝s<下限进行风险种类判断)；当原材料1风险值为75时判断原材料1处于中风险(中风险类别根据上限*1.1<s<＝上限*1.2或下限*0.8<＝s<下限*0.9)；当原材料1风险值为90时判断原材料1处于高风险(高风险类别根据上限*1.2<s或s<下限*0.8)。

堵点判断设定模块17依次判断供应链下每个主体的主体风险值是否超过预定风险阈值，并在超过时将相应的主体设定为疑似堵点。

主体综合评分模块18利用预定的综合评分规则(例如加权平均)依次对每个主体对应的单个主体影响力、主体间影响力以及主体风险值进行综合计算得到主体对应的主体综合评分。

疏点判断设定模块19依次判断供应链下所有主体综合评分是否预超过预定综合评分，并在超过时将主体设定为建议疏点。

本实施例中，当主体综合评分超过预定综合评分是指主体的风险值以及单个主体影响力都处于较高状态。

图3为本发明实施例一的疏解方法量化评估规则的示意图。

历史施策存储模块20存储有与主体相对应的历史施策信息以及利用德菲尔法对历史施策信息量化评分得到的历史量化评分表。

其中，历史施策信息包括施策工具以及疏解方法。施策工具为针对供应链中出现的常见堵塞问题的施策方针，例如供应链问题为资金问题时，施策工具为资金补贴；供应链问题为税收问题时，施策工具为税收优惠(如图3所示)。

施策工具有房租减免、税收优惠、社会保障、专项贷款、资金补贴等等。例如，房租减免对应的疏解方法有直接减免、直接补贴以及按比返还等；税收优惠对应的疏解方法有税收减免、按比返还以及延期缴纳等；社会保障对应的疏解方法有直接补贴以及延期缴纳等；专项贷款对应的疏解方法有贴息贷款以及低息贷款等；资金补贴对应的疏解方法有直接补贴以及间接补贴等。

本实施例中，历史量化评分表是使用德菲尔法根据专家对历史施策信息的经验总结进行量化得到的，在该历史量化评分表中每一项历史施策信息都对应有一个堵点疏解评分(如图3所示)。

主体施策仿真模块21判断管理人员输入的施策信息是否属于历史施策信息，当施策信息属于历史施策信息，根据历史量化评分表得到对应的堵点疏解评分，当施策信息不属于历史施策信息，通过语义相似度计算施策信息与所有历史施策信息之间的相似度并根据相似度最高的历史施策信息在历史量化评分表中得到对应的堵点疏解评分。

图4为本发明实施例一的堵点疏解评分的确定过程的流程图。

如图4所示，堵点疏解评分的确定过程包括如下步骤：

步骤b1，判断管理人员输入施策信息是否属于历史施策信息，判断为属于时进入步骤b3，判断为不属于时后进入步骤b2；

步骤b2，利用语义相似度方法计算施策信息与所有历史施策信息之间的相似度得到多个相似度值，并选择相似度值最高的历史施策信息作为施策信息在历史量化评分表中寻找堵点疏解评分的依据，然后进入步骤b3；

步骤b3，根据历史施策信息在历史量化评分表中计算该历史施策信息对应的堵点疏解评分。

供应链施策仿真模块22基于堵点疏解评分以及相应所有主体的主体间影响力对主体风险值进行风险疏解计算从而得到每个主体的主体疏解评分，并整合所有主体疏解评分得到供应链疏解评分。

本实施例中，利用相关图算法获得各个主体之间的影响程度，并结合业务特征进行规制计算处理，例如在得到各个主体之间的影响程度后，再由供应链业务规则——“供应链中大企业对小企业产生的影响大于小企业对大企业产生的影响”，结合各节点的重要程度来对各节点间的影响程度结合进行相应的加权处理。

供应链施策仿真模块22根据堵点疏解评分以及利用相关图算法获得各个主体之间的影响程度对疑似堵点进行施策仿真模拟，计算得到疑似堵点所在供应链中所有其他主体对应的主体疏解评分，并整合所有主体疏解评得到供应链疏解评分。例如，疑似堵点x3的初始主体风险值为64，单个主体影响力为80，与疑似堵点x3相关联的主体x4的初始主体风险值为61，x3与x4的关联程度为0.8，选定的疏解方法(例如施策工具选定为税收补贴，疏解方法选定为直接补贴则疏解方法对应的评分为-30即通过对施策对象以直接补贴的方式实施税收补贴能将该施策对象的风险值降低30分)对应的堵点疏解评分为30，则此时堵点x3变为正常的主体x3且其对应的主体风险值为64-33＝34，而主体x4的堵点疏解评分为30*80％*0.8＝19.2，主体x4的主体风险值变为61-19.2＝41.8。

本实施例中，将供应链施策仿真模块22得到供应链疏解评分与对应的疏解方法、该疏解方法对应的施策工具以及该施策工具对应的施策对象设定为一组历史施策信息存储进历史施策存储模块20中。

本实施例中，供应链施策仿真模块22还根据供应链疏解评分总结本次施策，例如施策影响的范围，疏解效果的评价等。

画面存储模块23存储有堵点画面、堵点知识图谱画面、施策选定画面、疏解效果画面以及疏解知识图谱画面。

堵点画面用于显示疑似堵点、与疑似堵点相对应的主体风险值、疑似堵点所在的供应链相对应的供应链风险值、建议疏点以及与建议疏点相对应的单个主体影响力。

本实施例中，堵点画面显示供应链风险值、供应链各个安全要素的安全指数、疑似堵点对应的主体名称以及与疑似堵点对应的主体风险值、建议疏点对应的主体名称、与建议疏点对应的单个主体影响力、与疑似堵点相关的所有主体的主体名称、受疑似堵点影响的影响情况、与疑似堵点的关系属性(如直接相关、间接相关等)以及疑似堵点对应的主体详情(如类型、地址等等)。

施策选定画面让管理人员选定一个建议疏点作为施策对象并输入施策信息。

其中，施策信息包括与各个施策对象相对应的多种施策工具以及与各个施策工具相对应的多种疏解方法。

疏解效果画面用于显示供应链疏解评分以及疏解知识图谱显示部分。

本实施例中，疏解效果画面显示供应链疏解评分、整个供应链疏解后的总结(如施策影响的范围，疏解效果的评价等)、以及各个相关联主体因该供应链疏解评分体现的获益情况(比如降低的风险值)。

疏解知识图谱显示部分用于显示包含施策对象的知识图谱、供应链评分、各个主体对应的主体名称以及各个主体相对应的主体疏解评分。

显示模块24用于上述画面，从而完成人机交互。

图5为本发明实施例一的供应链风险管理系统的流程图。

如图5所示，供应链风险管理系统的包括如下步骤：

步骤t1，供应链信息存储模块11定期获取历史溯源信息以及环境信息并通过预处理模块13进行预处理得到待分析数据，然后进入步骤t2；

步骤t2，影响力模块14利用图谱存储模块12中存储的知识图谱、相关图算法以及影响力规则对待分析数据计算分析得到单个主体影响力以及主体间影响力，然后进入步骤t3；

步骤t3，风险值模块15利用风险值计算规则对待分析数据进行分析计算得到各个主体的初始风险值，并根据主体间影响力得到主体风险值，然后进入步骤t4；

步骤t4，安全指数模块16利用供应链上所有主体风险值通过预定安全指数规则计算得到供应链对应的各个供应链安全要素的供应链安全指数，然后进入步骤t5；

步骤t5，堵点判断设定模块17判断主体风险值是否超过预定风险阈值，超过时设定为疑似堵点并进入步骤t6，未超过时重复本步骤t5并判断下一个主体；

步骤t6，主体综合评分模块18基于主体影响力以及主体风险值利用综合评分规则对主体信息进行评分得到主体综合评分，然后进入步骤t7；

步骤t7，疏点判断设定模块19判断主体综合评分是大于预定综合评分，超过时该主体设定为建议疏点进入步骤t8，未超过时重复本步骤t7并判断下一个主体；

步骤t8，在主体施策仿真模块21选定建议疏点作为施策对象并输入施策信息进行主体施策仿真得到堵点疏解评分，然后进入步骤t9；

步骤t9，供应链施策仿真模块22基于堵点疏解评分、主体风险值以及主体影响力利用相关图算法进行评分得到供应链疏解评分，然后进入步骤t10；

步骤t10，显示模块24显示疑似堵点、建议疏点、供应链风险值以及供应链疏解效果，然后进入结束状态。

<实施例二>

实施例一中的历史施策存储模块、主体施策仿真模块以及供应链施策仿真模块根据建议疏点进行施策仿真得到供应链疏解评分，然而，本实施例二中为了缩短管理人员的选择疏解方法的时间，通过施策推荐模块根据管理人员想要供应链达到的期望疏解评分直接得到该期望疏解评分对应的疏解方法、施策工具、施策对象等信息直接施策，从而完成本发明的施策仿真。

为了便于表达，本实施例二中对于和实施例一相同的结构，给予相同的符号，并省略相同的说明。

施策推荐模块利用预先训练好的施策推荐模型对期望疏解评分进行分析得到与期望疏解评分相对应的建议疏点以及施策信息。

其中，施策推荐模型是基于历史施策信息通过机器学习算法进行训练而成的模型，该施策推荐模型能够获取期望疏解评分与施策信息以及建议疏点之间的对应关系。

其中，施策信息为多种疏解方法、多种疏解方法对应的不同施策工具以及多种施策工具对应的不同建议疏点。

本实施例中，施策推荐模型通过aprior算法获取建议疏点、施策工具、疏解方法和期望疏解评分之间的关联关系。

画面存储模块还存储有风险值输入画面以及施策推荐画面。

风险值输入画面用于让管理人员输入对应于供应链的被疏解程度的期望疏解评分。

施策推荐画面用于显示建议疏点以及施策信息。

显示模块用于显示上述画面，实现人机交互。

图6为本发明实施例二的供应链风险管理系统的流程图。

如图6所示，供应链风险管理系统的包括如下步骤：

步骤e1，供应链信息存储模块定期获取历史溯源信息以及环境信息并通过预处理模块进行预处理得到待分析数据，然后进入步骤e2；

步骤e2，影响力模块利用图谱存储模块中的知识图谱、相关图算法以及影响力规则对待分析数据计算分析得到单个主体影响力以及主体间影响力，然后进入步骤e3；

步骤e3，风险值模块利用风险值计算规则对待分析数据进行分析计算得到各个主体的初始风险值，并根据主体间影响力得到主体风险值，然后进入步骤e4；

步骤e4，安全指数模块利用供应链上所有主体风险值通过预定安全指数规则计算得到供应链对应的各个供应链安全要素的供应链安全指数，然后进入步骤e5；

步骤e5，堵点判断设定模块判断主体风险值是否超过预定风险阈值，超过时设定为疑似堵点并进入步骤e6，未超过时则重复本步骤e5判断下一个主体；

步骤e6，主体综合评分模块基于主体影响力以及主体风险值利用综合评分规则对主体进行评分得到主体综合评分，然后进入步骤e7；

步骤e7，疏点判断设定模块判断主体综合评分是大于预定综合评分，超过时该主体设定为建议疏点进入步骤e8，未超过时重复本步骤e7判断下一个主体；

步骤e8，在风险值输入画面输入期望疏解评分，然后进入步骤e9；

步骤e9，施策推荐模块基于期望疏解评分利用施策推荐模型分析得到与期望疏解评分相对应的建议疏点以及建议疏点对应的施策信息作为施策推荐结果，然后进入步骤e10；

步骤e10，显示模块显示疑似堵点的情况、供应链的安全状态以及施策推荐结果，然后进入结束状态。

实施例作用与效果

根据上述实施例提供的供应链风险管理系统，由于影响力模块根据知识图谱并通过相关图算法对待分析数据计算得到知识图谱中每个主体的单个主体影响力以及各个主体之间的关联程度，并通过预定的影响力规则依次计算每个主体与其他各个关联的主体之间的影响程度得到所有主体对应的主体间影响力，从而让管理人员了解各个主体之间相互影响情况。

还由于风险值模块根据预定的风险值计算规则对待分析数据分析计算得到各个主体的初始风险值，并根据所有初始风险值以及各个主体间的主体间影响力得到每个主体在进行风险关联后的主体风险值，从而让管理人员了解各个主体的风险状态。

又由于安全指数模块利用供应链上所有主体风险值通过预定安全指数规则计算得到供应链与预定的多个安全要素相对应的供应链安全指数，从而得到多维度、深层次、穿透式的关联分析结果，进一步地让管理人员通过供应链风险值了解供应链整体的安全状态。

再由于堵点判断设定模块依次判断供应链下每个主体的主体风险值是否超过预定风险阈值，并在超过时将相应的主体设定为疑似堵点，从而让管理人员快速锁定疑似堵点并对疑似堵点采取措施。

进一步由于供应链信息存储模块为一个与供应链中的所有主体相关联的区块链，可以自动从区块链中获取环境信息以及历史溯源信息，从而无需管理人员进行手动输入，还能保证信息的真实性、可靠性以及公信力。

最后由于显示疏解知识图谱画面，从而让管理人员能一目了然地掌握供应链的风险源、施策传播路径以及结果等深层次信息，无需管理人员再进行进一步地深度数据分析。

另外，实施例中，由于供应链信息存储模块是一个与供应链中的所有主体相关联的区块链，并且该区块链自动获取信息，从而能不断更新历史溯源信息以及环境信息，保证数据与依据有较高的可信度以及较好的完整性。

另外，实施例中，由于通过管理人员选定的施策对象并输入施策信息通过主体施策仿真模块以及供应链施策仿真模块得到疑似堵点疏解评分以及供应链疏解评分，因此让管理人员通过本系统进行施策的模拟仿真，预先看到施策后产生的预计效果，进而能让管理人员根据预计效果来确定采取何种疏解方法实现科学精准地管理供应链。

另外，实施例中，由于施策推荐模块根据管理人员输入的期望疏解评分输出该期望疏解评分对应的疏解方法、与疏解方法对应的施策工具以及与施策工具对应的建议疏点，因此管理人员可以通过本系统直接从想要的施策效果出发得到相应的疏解方法，大大节省了分析供应链以及判断采取何种疏解方法的时间，及时解决供应链的堵塞问题。

上述实施例仅用于举例说明本发明的具体实施方式，而本发明不限于上述实施例的描述范围。

在上述实施例中，预处理模块中对交叉数据的筛选是预处理模块自动筛选，本发明也可以有管理人员人工筛选从而保证待存储数据具有更高的准确性。

在上述实施例中，建议疏点是通过疏点判断设定模块得到，本发明也可以由管理人员选定一个与疑似堵点同属于一条供应链下的其它主体作为建议疏点，进而对该建议疏点进行施策仿真。

在上述实施例中，显示模块显示多个画面供管理人员进行查看、选定与输入等，本发明也可以不限于上述画面进行显示，例如可以在同一个画面中显示疑似堵点、建议疏点、施策仿真或施策推荐等信息。

在上述实施例中，影响力规则用的是主体影响力＝单个主体影响力*关联程度*关系度数权重，本发明也可以根据实际情况对公式进行调整从而得到更加贴合实际应用的主体影响力。

在上述实施例中，是预先通过区块链存有数据，在其他方案中，本发明也可以直接接入各种数据源以及数据分析的结果(例如供应链业务场景以及海关跨境业务场景下的数据)，从而直接利用这些数据进行主体风险分析(例如底层的主体风险分析可以接入包打听小程序来分析，直接使用包打听分析的主体风险值)，相较于其他使用独立平台并不提供接口服务的模拟仿真系统，本发明更容易嵌入业务系统并应用于不同业务场景下。

在上述实施例中，风险值计算规则为先通过数据挖掘方法对待分析数据分析然后通过机器学习模型学习得到初始风险值，本发明也可以将数据挖掘分析得到的结果作为供应链业务规则以及机器学习模型的输入，最后对供应链业务规则的结果以及机器学习模型的结果进行加权得到最终的初始风险值。

在上述实施例中，生产安全指数的计算中考虑到了员工风险并且只计算了一家企业的生产安全指数，在其他方案中，本发明也可以忽略员工风险进行生产安全指数计算，通过利用供应链业务规则对多个企业的生产安全指数进行加权计算得到最终的生产安全指数。