简介面向经济学研究者与供应链分析人员的一份可复现代码包聚焦丁浩员等在《经济研究》2024年第8期提出的跨国供应链断裂与重构变量测度方法覆盖FactSet Revere全球供应链数据库的关键字段解析、数据清洗与关系筛选、时间顺序调整以及断裂、恢复、转移三类指标的完整计算流程。资源共25个文件压缩包仅1.27MB以8个Python脚本、8个Excel数据表为主辅以3个文本说明、2个HTML分析看板及说明文档等脚本分层覆盖数据处理、供应链过滤与指标测算Excel文件提供演示与中间结果HTML便于直观查看分析结果。已有875人学习。读者可按步复现核心指标快速迁移到自己的供应链数据并借鉴排错思路处理缺失值与异常情况适合具备一定Python基础的经济学与数据科学研究者。1. 供应链断裂与重构测度为什么断供之后谁也说不清损失2022 年春季某电子代工厂遭遇了一次严重的芯片断供生产部门说影响 3 天采购部门说 2 天就能切换备选供应商财务部门却已经按 15 天计提了坏账。三个部门各说各话根子不在数据不准而在于整个公司没有一个工具能把“断裂”和“重构”这两件事测出来。断供是突发的但断到什么程度、网络在怎样重组、恢复过程走到哪一步这些都能用供应链网络模型量化为具体数字。供应链断裂与重构测度就是先把企业之间的供应关系建成一张有向网络图再定义一套指标分别刻画网络被外力撕裂的深度和重新组织结构的进度。它能回答三个实际问题断供到底伤到了哪一级供应商、重启供应网络的代价多大、网络中哪些节点是“一拔就断”的命门。这篇文章面向供应链分析、运营管理和数据方向的工程师后面给的是一套用 Python 可直接跑起来的最小代码方案。2. 断裂与重构测度的理论基础从企业关系表到有向网络模型2.1 把供应链“翻译”成图节点、边、边权怎么定供应链天然就是一张图不用硬拗。每个企业、每个工厂、每个仓库是一个节点供应商到客户之间的供货关系是一条边边上的权重可以是月度交易金额、供货数量或者合同份额。真正要花心思的不是建图而是决定哪些节点和边进入模型因为这一步直接决定了后面所有指标的物理含义。我一般会先定节点口径是只放一级供应商还是把二三级供应商全部纳入只放一级供应商的图分析的是“直接断供”的冲击面纳入多级供应商才能模拟级联失效也就是终端厂商断料之后进一步引发其二级供应商停产、再传导回终端厂商的连锁反应。对于制造业场景除非数据实在拿不到否则尽量向下游扩两层这样断裂模拟才不会停留在“谁直接挂了”的浅层判断上。边的定义比节点更讲究身份。用“合同关系”建模和用“实际发货记录”建模在断裂测度上的结论相差极大。合同关系是静态网络反映的是可用的供应能力实际发货记录是动态网络反映的是正在执行的物流。真实的断裂往往先打断物流再动摇合同关系。我的做法是建一个双层图一层用月度发货金额做边权标为“活跃边”另一层用采购合同框架做边权标为“潜在边”。两者叠加后测断裂时先删除活跃边再观察潜在边能否把网络重新连起来这实际上已经引入了重构的思想。边权要不要归一化也是常见分歧。直接用金额做权重大客户的边会淹没中小供应商的结构贡献改成 Rank 归一化或者取对数度分布才不会被几个头部节点带偏。我给一个稳妥的参数建议用log(月交易金额 1)作为边权输入既保留了金额量级的差异又让网络分析算法收敛更快。提示建立图模型前先画三张表——节点表node_id行业产能边表sourcetarget权重生效日期事件表断供事件日期、涉及节点。后面的全部代码都只吃这三张表。2.2 断裂测度为什么不能只看“连通分量碎了几块”很多从业者拿到网络图第一件事就是算删除若干节点后最大连通子图GCC的尺寸变化认为 GCC 从 100 个节点掉到 30 个节点断裂程度就是 70%。这个说法只对了一半因为它隐含了一个假设所有节点对供应链的贡献是均质的。实际供应链中某个负责独家供应关键物料的二级供应商只需要十几个节点就能支撑整个 GCC 的运转而一批组装工厂即便全部失联也不会动摇上游结构。所以断裂测度要分三个维度连通性、效率、冗余度。连通性看 GCC 尺寸和弱连通分量数量效率看平均最短路径长度和网络直径这两个指标回答“这张网还通不通、绕行的代价大不大”。冗余度看连通度点连通度和边连通度它回答“再打掉几个节点网络就会二次崩塌”。三个维度必须同时看只看任何一个都会得出偏颇结论。模拟断裂还需要定义“攻击模式”随机失效和定向攻击的结果完全不同。随机失效是服从概率分布的——每个节点以同等概率退出适合模拟自然灾害定向攻击则按节点度数、中介中心性或者 PageRank 排序优先打掉最关键的节点更适合模拟供应商倒闭、制裁、政策变动这类人为冲击。实操中建议两种模式都跑因为真实世界往往是定向攻击和随机失效同步发生比如台风导致某港口停摆定向同时几家中小配套厂因洪水停电随机。级联失效是断裂测度最容易翻车的地方。一次断裂冲击产生的连锁反应在单层静态图上是看不出来的。需要在模拟中设置节点承载阈值一个节点的上游供应总量低于某个阈值时它就停产停产又导致下游节点的上游供应量跟着下降直到网络重新稳定或完全崩溃。这个阈值不应该是拍脑袋的数我习惯按节点历史产能的 70% 作为默认值再做一个参数敏感性扫描看结果对阈值设多大的数是否敏感。2.3 重构测度韧性不等于恢复还要看网络“长成了什么样”重构的定义和恢复很容易混在一起。恢复关注的是性能曲线回到基线水平比如三个月内供应商数量恢复到断供前的 90%重构关注的是恢复后网络的结构是否发生了持久改变比如原本依赖单一供应商改为双供应商、原本走 A 港口的货物全部改走 B 港口、原本自产的核心部件改为外包。在很多场景下网络恢复了总量但结构已经面目全非这时候韧性指标应该反映出“这个系统是靠重组熬过了冲击而不是靠原样复原”。重构测度因此需要有四类指标结构类指标、路径类指标、中心性类指标、多样性类指标。结构类看网络密度和模块度变化密度上升说明企业间新建了大量边模块度下降说明集群壁垒被打破供应关系变得更分散。路径类看平均最短路径和替代路径数量替代路径越多重构后抗二次冲击的能力越强。中心性类看关键节点的中心性排序是否漂移如果断供之后某个此前排第 20 位的节点跳升到第 1 位这往往意味着供应链控制权发生了转移。多样性类看每个节点的供应商数量入度和客户数量出度的香农熵熵值越高单一依赖就越少。这三个维度的指标合起来才能回答“重构得好不好”一个高密度、低模块度、高多样性、替代路径多的网络就是典型的抗冲击网络反之如果重构只是把边重新连回原样等于没有进化下一次冲击仍然会打在同一点上。这也就是标题中“断裂测度”和“重构测度”必须放在一起做的原因——只测断裂会低估系统自我修复的能力只测重构会忽略正在发生的损伤。3. 用 Python 在本地跑通断裂测度最小可复现代码包3.1 数据接口两张表就能建图代码包的第一件事不是写算法而是把数据格式定死。不管数据来自 ERP 采购台账、海关贸易数据还是行业数据库最终都要落成两张标准表。节点表必须有node_id、industry、capacity三列边表必须有source、target、weight、active_date四列。active_date非常重要它是后续做时序窗口切片的关键字段。下面这段代码先用 pandas 读入两张表并做最基本的完整性检查。别跳过这一步供应链数据里脏数据多到超出想象重复边、反向边、自环都是家常便饭。import pandas as pd nodes_df pd.read_csv(nodes.csv) edges_df pd.read_csv(edges.csv) # 去重同一对节点之间只保留最新生效的一条边 edges_df edges_df.sort_values(active_date).drop_duplicates( subset[source, target], keeplast ) # 反向边去重A-B 与 B-A 同时存在时 # 一般为退货或双向采购记录建模时按权重高者保留 edge_key edges_df.apply( lambda r: tuple(sorted([r[source], r[target]])), axis1 ) edges_df[edge_key] edge_key edges_df edges_df.sort_values(weight).drop_duplicates( subset[edge_key], keeplast ).drop(columns[edge_key]) # 删除自环 edges_df edges_df[edges_df[source] ! edges_df[target]] print(nodes_df.shape, edges_df.shape)逻辑说明去重和反向边过滤是供应链建图特有的预处理。同一对企业的合同可能一年续签好几次取最新的避免重复计数A 向 B 买原料、B 向 A 买包装物这种双向边在分析主供应关系时会造成不必要的环路保留权重高的一条能让后续的路径分析少很多噪声。参数说明keeplast取决于排序顺序先按active_date升序排列再保留最后一条取的就是最新生效合同反向边按weight升序排序后保留最大权重边保证不会筛掉真正的核心供应关系。如果你要分析的是双向供应网络本身这段过滤可以跳过。3.2 建图与基线指标NetworkX 走起建图用 NetworkX 的有向图。边权直接放入图中后续的路径计算、中心性分析都会自动读取这个权重。这里有一个细节NetworkX 的shortest_path默认把权重当“距离”处理权重越大路径代价越高但我们的边权是“交易强度”越大说明关系越紧密。因此要做一个转换用weight_inv 1.0 / log_weight作为距离反转语义。import networkx as nx import numpy as np G nx.DiGraph() G.add_nodes_from(nodes_df[node_id]) for _, row in edges_df.iterrows(): log_w np.log1p(row[weight]) G.add_edge( row[source], row[target], weightlog_w, # 原始对数权重 cost1.0 / log_w # 反转为距离用于路径计算 ) # 基线指标连通性、效率、冗余度 gcc max(nx.weakly_connected_components(G), keylen) gcc_size len(gcc) # 平均最短路径只看 GCC 内部否则不连通节点对会算成无穷大 gcc_subgraph G.subgraph(gcc) avg_path_length nx.average_shortest_path_length( gcc_subgraph, weightcost ) # 点连通度适用于中小规模网络超过百节点建议改为近似算法 node_connectivity nx.node_connectivity(G) print(fGCC size: {gcc_size}) print(fAvg path length: {avg_path_length:.3f}) print(fNode connectivity: {node_connectivity})逻辑说明GCC最大弱连通子图是供应链网络的“主骨架”分析它才能避开边缘孤立节点带来的干扰点连通度的含义是“至少要删除多少个节点才能把图拆成不连通的两部分”这是衡量网络抗攻击冗余度的核心指标。参数说明weightcost指定路径计算用我们转换后的距离字段而不是权重本身nx.node_connectivity(G)在大规模网络上计算极慢超过 100 个节点建议用nx.node_connectivity的近似实现或者直接计算边连通度代替。这里我先用精确算法跑小规模验证后续再替换。3.3 断裂模拟定向攻击与级联失效断裂模拟的核心是一个三段式流程选择攻击目标、移除节点、计算指标。我分别实现随机失效和定向攻击两种模式再把级联失效作为可选开关。先看基础版def simulate_attack(G, attack_modetargeted, remove_ratio0.1, seed42): rng np.random.default_rng(seed) G_work G.copy() n_remove int(len(G_work.nodes) * remove_ratio) if attack_mode targeted: # 按中介中心性排序优先攻击“结构关键”节点 betweenness nx.betweenness_centrality(G_work, weightcost) targets sorted(betweenness, keybetweenness.get, reverseTrue)[:n_remove] else: targets rng.choice(list(G_work.nodes), sizen_remove, replaceFalse) G_work.remove_nodes_from(targets) if G_work.number_of_nodes() 0: return {gcc_ratio: 0.0, components: 0} comps list(nx.weakly_connected_components(G_work)) gcc_ratio len(max(comps, keylen)) / len(G.nodes) return { gcc_ratio: gcc_ratio, components: len(comps), removed: targets }逻辑说明定向攻击用中介中心性排名而不是度排名是因为在供应链里卡脖子节点往往不是交易量最大的企业而是处在“咽喉位置”的节点——连接两个关键集群的唯一通道。度排名抓大节点中心性排名抓咽喉节点两种排序结果差异很大。参数说明remove_ratio设为 0.1 表示模拟“10% 的节点同时被移除”这个比例应根据断供范围设定可以按行业整体受影响的比例来输入。seed固定随机种子保证随机失效模式可复现。级联失效需要加上一个传播循环def cascade_failure(G, initial_failures, capacity_ratio0.7, max_iter10): G_work G.copy() failed set(initial_failures) G_work.remove_nodes_from(initial_failures) for i in range(max_iter): newly_failed set() for node in G_work.nodes: if node in failed: continue # 计算可用上游供应量 入边权重之和仅存活供应商 in_weight sum( G_work[u][node][weight] for u, _ in G_work.in_edges(node) if u not in failed ) capacity nodes_df.set_index(node_id).loc[node, capacity] if in_weight capacity_ratio * capacity: newly_failed.add(node) if not newly_failed: break failed.update(newly_failed) G_work.remove_nodes_from(newly_failed) return failed逻辑说明每一轮迭代中节点的存活条件是其上游供应量不低于自身产能的capacity_ratio倍。初始移除的节点造成第一轮短缺第二轮中那些短缺的节点继续波及下游直到系统稳定。参数说明capacity_ratio0.7是经验默认值表示停产的供应链阈值——上游供货低于产能需求的 70% 时节点停产。max_iter10防止循环依赖导致的无限迭代。这个参数你在真实业务中必须做敏感性扫描因为 0.6 和 0.8 的结果可能相差一个数量级。4. 重构测度动态仿真滑动窗口里的指标变化与归一化打分4.1 时间切片把网络变化变成连续帧断裂和重构都是时间过程用静态快照分析会丢失关键信息。我按active_date做月度窗口切片每个月建一张图连续滑动得到一串网络状态序列。这一步的核心是避免“幸存者偏差”——如果只用断供当月的快照后续供应商切换、新合同签订这些重构行为就全部不可见。monthly_graphs {} for month in pd.period_range(2021-01, 2023-12, freqM): month_edges edges_df[ edges_df[active_date] month.end_time ] # 窗口内到期未续签的边自动失效 month_edges month_edges[ (month_edges[expire_date].isna()) | (month_edges[expire_date] month.start_time) ] month_edges month_edges.sort_values(active_date).drop_duplicates( subset[source, target], keeplast ) g nx.DiGraph() g.add_nodes_from(nodes_df[node_id]) for _, row in month_edges.iterrows(): log_w np.log1p(row[weight]) g.add_edge(row[source], row[target], weightlog_w, cost1.0 / log_w) monthly_graphs[month] g逻辑说明用的是截止到当月月末的有效边而非当月新增边。这样能正确反映“累计到本月为止的供应网络长什么样”。expire_date用来处理合同到期未续签的边没有到期时间的边视为长期有效。这是与上一章断裂模拟最大的区别——断裂模拟是删节点重构模拟是随着时间的推移看边自然变化。参数说明窗口大小设 1 个月适合月度采购数据如果你的数据是按季度更新就把freqM改成freqQ。窗口越小越平滑但最小不能小于数据本身的更新粒度。4.2 重构指标计算密度、结构熵与重连率切片数据准备好后就逐月计算三组指标网络密度、节点度分布结构熵、相邻两个快照之间的重连率。重连率是最能体现“重构”含义的指标它把网络的边变化率量化出来用来描述企业之间供应关系重新布线rewiring的活跃程度。import math def graph_density(g): n g.number_of_nodes() if n 2: return 0.0 m g.number_of_edges() return m / (n * (n - 1)) # 有向图最大边数 n*(n-1) def degree_entropy(g): degrees [d for _, d in g.degree()] degree_sum sum(degrees) if degree_sum 0: return 0.0 probs [d / degree_sum for d in degrees if d 0] entropy -sum(p * math.log2(p) for p in probs) return entropy def rewire_rate(g_prev, g_curr): edges_prev set(g_prev.edges) edges_curr set(g_curr.edges) union_size len(edges_prev | edges_curr) if union_size 0: return 0.0 jaccard len(edges_prev edges_curr) / union_size return 1.0 - jaccard # 重连率 1 - Jaccard相似度逻辑说明结构熵衡量的是度分布的均匀程度熵值越大说明连接关系越分散不易被单一枢纽节点绑架重连率用 1 减去 Jaccard 相似度Jaccard 高说明网络边没怎么变重连率就低重构力度就小。两个指标配套使用才能区分“得了重病但没换药”和“正在做大手术”两类情况。参数说明结构熵的底数用 2单位是比特便于跨月比较重连率是一个 0 到 1 的数值超过 0.3 通常意味着大规模重构低于 0.05 则基本是常态波动。具体阈值应该结合行业周期判断遇到年底供应商集采重启重连率天然偏高不要直接当作异常信号。4.3 综合评分把多维指标压成一个 0-100 的分数管理层不关心结构熵是多少比特他们只需要一个结论。因此要把三个指标做归一化合成先用整个观察期的最大值和最小值做 Min-Max 归一化再加权求和。权重按业务优先级调整重连率反映重构行动力给 0.4结构熵反映抗风险能力给 0.3密度反映网络总体活跃度给 0.2剩余 0.1 分给网络直径改善程度。这套权重不是固定的如果你的行业是重资产制造业密度变化缓慢可以降低其权重。def resilience_score(metrics_df): # metrics_df: 索引为月份列含 rewire_rate, entropy, density df metrics_df.copy() df[rewire_norm] (df[rewire_rate] - df[rewire_rate].min()) / ( df[rewire_rate].max() - df[rewire_rate].min() 1e-9 ) df[entropy_norm] (df[degree_entropy] - df[degree_entropy].min()) / ( df[degree_entropy].max() - df[degree_entropy].min() 1e-9 ) df[density_norm] (df[graph_density] - df[graph_density].min()) / ( df[graph_density].max() - df[graph_density].min() 1e-9 ) df[score] 100 * ( 0.4 * df[rewire_norm] 0.3 * df[entropy_norm] 0.2 * df[density_norm] 0.1 * abs(df[diameter_change_norm]) ) return df[[score]]逻辑说明综合评分本质上是一个加权指数帮助拆掉单指标的多维性。归一化时加1e-9防止分母为零。这里的diameter_change_norm是网络直径变化率的归一化代表重构前后网络路径效率的改善程度满分逻辑是直径缩短幅度越大越好所以取绝对值。参数说明权重是从供应链韧性评估实践里常采用的组合0.4/0.3/0.2/0.1 强调“行动”比“状态”更能预测未来抗风险能力。如果你们公司更看重稳定运营可以把density_norm的权重调高把rewire_rate降下来避免周期性正常波动被误判为重构。注意综合评分只用于横向对比“同一网络在不同月份的重构力度”不要把分值和绝对韧性水平划等号。评分高只说明这个月网络结构变动大不说明变动是良性的。一定要回到单指标确认变化方向。5. 供应链测度避坑数据稀疏、阈值敏感与级联失效的参数陷阱5.1 数据稀疏导致断裂被高估现象拿到的采购台账只覆盖一级供应商网络建出来是几十个互不相连的小组件随便删掉一个节点就掉 30% 的连通率管理层吓得以为企业马上要停摆。原因不是供应链真这么脆弱而是数据只录入了活跃采购单大量长期框架合同、非系统内供应商没有入表。图的节点覆盖不全边的缺失直接表现为连通性差。解决在建图之前做一个覆盖度校验——把台账里供应商家数和财务应付账款科目里的供应商家数对齐差异超过 20% 就去补数据。补不齐就用“潜在边”层做兜底把框架合同纳入网络至少能模拟真实供应能力。断裂指标解读时要标注“基于活跃边网络”不要和完整网络的指标混着讲故事。5.2 边权阈值设置不当同一份数据算出两个结论现象把月交易金额大于 1 万元的记录都当边全网节点互相连通密度接近 1断裂模拟怎么打都不断网把阈值提到 100 万元网络立刻碎成十几块随便一次攻击就是大面积失效。原因边权阈值决定了网络的稀疏程度它是一个超参数而不是数据特性。不同阈值下算出的脆弱性结论完全相反这属于典型的“参数敏感”翻车。解决不要只跑一个阈值。扫三档阈值比如 1 万元、10 万元、100 万元分别跑断裂模拟把三个结果都放进报告。如果三个阈值下的结论方向一致说明结论稳健不一致就必须回到业务侧确认哪个阈值更符合“关键供应商”的定义不能自己拍脑袋选一个好看的。我习惯以“占该品类采购总额 5% 以上”作为关键边的入围线。5.3 级联失效循环依赖导致结果不收敛现象级联模拟跑到第 6 轮网络里所有节点全部失效输出结果是一张全黑的崩溃图。业务侧质疑说“我们不可能全部停产”明明现实里只缺一个芯片。原因模型里 A 缺料导致 B 停产B 停产导致 C 退单C 退单导致 A 库存积压减产再从 A 传导回 B。循环依赖让失效在环里反复传播没有终止机制。解决给迭代加三重保险。第一max_iter上限设到 10 轮超过就强制收敛第二每轮失效节点比例低于 1% 则提前终止第三也是最关键的把循环依赖的边单独识别出来——用nx.simple_cycles枚举长度小于等于 4 的环对环上的节点单独设置失效阈值避免因商业合同回旋导致的“假崩溃”。级联失效模型的输出应当是概率分布而不是单一确定结论。5.4 时序错位把正常切换误判为重构现象某个月的重连率飙到 0.5系统标注为“重大重构事件”业务侧核查却发现只是季度招标后供应商名单正常调整供应网络根本没有断裂过。原因切片窗口和合同周期的相位没有对齐。用自然月切片但大批量合同在季度初签订、季度末切换导致每个月都能看到新旧边交替的假象。解决在变现窗口之前先统计合同生效月份的分布找到集中的签约月以切换周期为窗口长度。数据是季度签的就用季度窗口是半年签的就用半年窗口。同时在重连率旁边加一个“供应商切换原因”标注列区分主动性切换和被动性切换否则重构测度会被正常商业行为污染。这是重构测度最隐蔽的坑我建议任何重构结论都要经过采购业务方复核一次再上报。6. 进阶用法敏感性检验与反事实校准让测度结果能说服管理层6.1 用蒙特卡洛检验指标稳定性单次断裂模拟的结果只是个点估计管理者一定会问“这次算出来的脆弱性是不是偶然”为了回答这个问题我把攻击目标随机化 1000 次每次删除同样比例但随机选择的节点得到一组断裂指标的分布。这个分布就是“假如自然灾害随机发生网络会坏到哪一步”的基准线。定向攻击的结果如果落在随机分布的极端尾部说明网络存在明显的咽喉节点如果落在分布内部则说明网络结构相对均衡断供风险由整体体质决定而非单点导致。def monte_carlo_baseline(G, remove_ratio0.1, iterations1000): results [] for seed in range(iterations): res simulate_attack(G, attack_moderandom, remove_ratioremove_ratio, seedseed) results.append(res[gcc_ratio]) results np.array(results) return { mean: results.mean(), p5: np.percentile(results, 5), p95: np.percentile(results, 95) }逻辑说明分布结果比单点结果高一个信息层级。前后两轮对比时单看 GCC 均值可能没变但 5 分位和 95 分位的区间变宽了说明网络不确定性增加这也是一种结构劣化。参数说明迭代次数设 1000 次是为了平衡计算时长和统计稳定性五百次以下置信区间就开始变粗。注意simulate_attack的随机模式用seed控制保证每次跑出的攻击目标不同但可重复。跑完之后把结果画成直方图管理者一眼就能看懂。6.2 反事实校准把真实断供事件拉进分布里对齐最让管理层信服的校准方法是用真实发生过的断供事件来检验模型指标对齐。某公司 2022 年经历过一次真实缺料事件导致两条产线停产一周。我把当时的网络快照输入断裂模拟随机攻击同样的节点规模和位置看模拟断料时长分布与真实事件的偏差。如果模拟严重低估说明模型的某个假设过于乐观——比如没有考虑上游供应商同时减产如果严重高估说明有现实中存在的缓冲机制没有建模——比如安全库存或替代供应渠道。校准的目的是修正模型参数而不是反过来修饰数据。通常先调capacity_ratio它决定中断传播深度再调边权阈值它决定网络的基础密度最后才考虑改图结构从业务侧补齐缺失的边。我建议任何断裂重构测度项目都保留至少一条真实断供记录作为验算锚点没有锚点再精细的模型都只是某种讲得通的故事。这让我想起第一次给某家公司做供应链韧性分析时按中介中心性锁了一个“命门节点”建议他们重点监控。后来真发生了该节点停产结果产线靠库存扛了 20 天影响远小于模型预测。复盘发现安全库存这个缓冲机制没有被建模导致当时的重构测度失真。从此以后我把“库存缓冲”纳入节点属性把断裂模拟从“纯网络分析”升级为“网络库存的联合仿真”指标精度显著提高。这个教训是我做这类项目中收获最大的一次。做供应链断裂与重构测度最重要的不是把算法跑通而是让每个数字都能被业务解释。建议你在文章开头建三张表的数据准备工作上多花点时间在断供事件上多留两条历史记录让模型有锚可比对。这样工具才能真正落地而不是停在纸面论文里。希望帮到你。本文还有配套的精品资源点击获取
