融合知识图谱与策略优化的供应链韧性预测框架

《Scientific Reports》：Supply chain resilience prediction and industrial economic shock transmission path analysis integrating knowledge graphs and deep reinforcement learning

　　

摘要

不断加剧的地缘政治摩擦、贸易争端与公共卫生事件暴露出全球供应链的结构性脆弱，然而现有的脆弱性预判工具仍将关系推理与自适应决策割裂开来。本文旨在将二者整合。我们构建了一个涵盖186万个实体和23种关系类型的多模态供应链知识图谱，数据源自投入产出表、海关记录、企业公开披露信息及经过精选的断供案例库；在此基础上，设计了一种注意力增强的R-GCN编码器，将拓扑结构、属性及时序中断信号压缩为具有韧性敏感性的嵌入表示。在该表示之上，所提出的KG-PPO算法将带裁剪的策略目标与级联感知的奖励塑形相结合，使得可解释的传导路径能够与韧性预测同时涌现。在汽车零部件、电子信息及制药供应链上的实验将KG-PPO与11个基线方法进行对比，其中包括3个近期发表的供应链图模型，以及与所提代理接收相同图特征的信息匹配变体。在五个随机种子的平均值上，KG-PPO将MAE降低了18.3%，并将AUC提升了3.5个百分点，相对于最强基线方法；两组差距均在Holm校正的配对检验下保持显著，而若干中等排名的基线方法之间则无法区分。一项跨越十二周危机窗口的流式实验表明，增量图更新能够将滚动误差维持在接近危机前水平，其计算成本仅为完全重训练的约十二分之一；而六因素扫描显示，报告中的配置位于平坦最优区而非刀锋边缘。在本研究采用的冲击协议下，稀土精炼与半导体晶圆代工厂被识别为最深的瓶颈环节，策略模拟则描绘了在库存冗余、多源采购与产能灵活性条件下的成本-韧性前沿。本体模式、支撑每张表格的逐随机种子记录以及可重新生成每张图表的代码均与论文一同发布。