文摘

实证分析供应链网络(scn)现存文献中罕见的由于缺乏数据。因此,理论研究依赖于任意增长模式生成网络拓扑代表真实的视交叉上核。我们的研究旨在填补上述差距通过系统地分析一组制造业scn建立拓扑特征。特别是,我们比较无向合同关系的拓扑结构的差异(加州大学)和指导物流(DMF)视交叉上核。DMF scn不同于典型的加州scn因为它们的特点是严格分层和无环结构,不允许集群。此外,我们调查的视交叉上核自组织的拓扑特性。我们发现大多数scn表明非选型混合和幂律分布的企业间的连接。此外,相对于随机乐团,自组织拓扑特性很明显,在一些视交叉上核的形式要么过多政权温和的中间性低中间性公司的公司或未被充分代表的政权。最后,我们介绍一个简单而直观的方法估计DMF scn的鲁棒性,考虑需求由于公司中断的损失。我们的工作可以作为一个基准对任何未来视交叉上核的分析。

1。介绍

由于日益复杂和相互关联的全球供应链网络的性质(scn),最近的研究关注造型供应链复杂自适应系统使用网络科学概念(1,2]。从发布的工作之后3),使用网络科学技术来生成一个网络拓扑结构并研究其拓扑鲁棒性,大量的理论研究论文出现在这个区域(4- - - - - -12]。这些研究从理论上可概括的增长机制制定firm-partnering在视交叉上核的形成过程。随后,根据不同的增长模式生成的网络拓扑进行了调查的拓扑特征,如鲁棒性和效率。

尽管大量的理论在过去几年内发表论文网络scn造型,精力实证验证的理论研究是有限的。这主要是由于很难获得大规模数据集上supplier-customer关系,通常专有和保密。论文系统地分析现实世界的视交叉上核的拓扑结构,其结论可以用于通知造型工作,相对稀缺。

鉴于上述情况,本研究提出了一个综合分析两组的视交叉上核数据集,即(1)印度汽车制造商的数据集(13]。这个SCN包括不同公司之间合同关系(因此它是模仿作为一个无向网络)。(2)26 scn跨各种制造业领域,基于Willems[中给出的数据集14]。这些scn包括企业之间的物质流(因此,它是描述为一个有向网络)。这个数据集包括所有的scn全面深度的层次(从供应商到零售商)。

特别是,本研究旨在解决以下关键研究问题有关SCN拓扑和健壮性:(1)什么常见的拓扑特征(如果有的话)可以从直接材料流scn预期制造业?(2)的关键差异(如果有的话)是什么指示物质流的拓扑和视交叉上核无向合同关系?(3)有自组织特性出现在视交叉上核的吗?(4)节点之间是否有相关性的属性和节点的拓扑特性指导物流scn吗?(5)我们如何确定scn的鲁棒性,考虑固有的契约关系和物流网络的区别在哪里?

本手稿的其余部分的结构如下。部分2提供了本研究的背景,介绍了网络拓扑分析的关键理论概念而言。部分3描述每个数据集的结构和限制,而部分4介绍了数据分析方法和结果。部分5提供了一个讨论的结果,部分6总结了纸。

2。背景

2.1。拓扑结构的无向和视交叉上核

公司间的关系在视交叉上核通常模仿使用无向链接。然而,在视交叉上核节点之间的联系可以包括一个方向,根据特定类型的关系被模仿。企业间关系的视交叉上核可以大致分为3类,即(1)材料流动,(2)金融流动,和(3)信息交流。材料流动通常是单向从供应商到零售商,而金融流动是单向相反的方向。物质和金融流动主要发生垂直,在功能层的视交叉上核(然而,在某些情况下,两家公司在同一层,如两个供应商,也可以交换物质和财政)(15]。相比之下,信息交流是双向的(即。,undirected) and include both vertical and horizontal connections (i.e., between firms across tiers and between firms within the same tier). Therefore, the same SCN can include different topologies based on the specific type of relationship denoted by the links in the model. For instance, unlike material and financial flows, SCN topology for information exchanges can exhibit shorter path lengths and high clustering due to a relatively larger number of horizontal connections [16]。

无向网络表示,相比直接网络邻接矩阵不再是对称的。因此,一个节点的程度在一个有向网络的特点是入度和出度。在此基础上,分别针对网络的度分布进行了分析,出度。也不同于无向网络,在网络节点之间的距离和节点节点之间的距离不一定是一样的吗和节点。事实上,在指导网络,节点的路径到节点并不一定意味着从节点的路径吗到节点(17]。这影响节点中心指标,如亲密和中间状态。此外,许多动力学synchronizability和渗流等不同定向网络相对于无向网络(18,19]。因此,当造型scn,重要的是要首先识别特定类型的关系,表示为链接,以便可以正确地表示为无向网络或指示。

在本文中,我们考虑两种类型的视交叉上核,即(1)印度汽车制造商的视交叉上核,这是模仿作为一个无向网络(SCN称为无向合同关系或UCR-SCN在这纸)和(2)26物流SCN跨各种制造业领域,基于Willems[中给出的数据集14),模拟指示网络(称为直接材料流SCN或DMF-SCN本文)。

2.2。使用网络科学指标描述scn

数学分析网络需要通过邻接矩阵来表示()。一个元素的邻接矩阵 ,一个无向网络,给出

相比之下,邻接矩阵的一个元素,为一个有向网络,给出

关键区别无向和一个有向网络的邻接矩阵是一个无向网络的邻接矩阵为每个链接(即有两个条目。,无向网络的邻接矩阵是对称的)。因此,链接(的总数为一个无向网络计算) ,而对于一个有向网络计算 。

在这篇文章中,我们都模仿scn未加权的网络,节点代表个别公司。UCR-SCN,链接代表无向公司之间的合同关系,而在DMF-SCNs,链接代表了公司之间的直接材料流动。

指标用于描述复杂网络的拓扑结构可以分为节点和网络级指标(见科斯塔et al。20.)和Rubinov斯波恩(21)的全面测量用于复杂网络的特性)。在附录表5一个提出了网络级指标的列表用于分析在这项研究中,和他们的影响在视交叉上核上下文。

节点级指标特征,以不同的方式,一个特定节点的重要性对于整体网络的功能,基于其更广泛的关系网络中嵌入的位置(称为节点的中心)。根据上下文,可以采取不同的中心措施来识别给定网络的关键球员。在附录表6一个礼物的列表节点级指标在这项研究中,使用及其影响在视交叉上核上下文。

2.3。数据驱动的研究

尽管大多数理论建模scn的努力集中在变异优惠附件生成网络拓扑分析的22),已经有一些研究,采用了数据驱动的方法。例如,金等。23)进行一个节点和网络级拓扑分析,使用三个案例研究汽车供应网络(即本田雅阁、讴歌CL / TL和戴姆勒克莱斯勒的大切诺基)提出的崔和香港24]。虽然在这项研究中使用的视交叉上核完成,视交叉上核的小(最大网络包括只有34家公司),这限制了紧急网络拓扑属性的观察。陈宏伟et al。25)建造了一个SCN丰田使用一个在线数据库中的数据由MarkLines汽车信息平台。SCN拓扑分析,作者发现了丰田的层结构筒状的,与前面假设的金字塔结构。本研究的另一个基本的观察报告是,丰田SCN拓扑发现不是无标度(即使——的尺寸效应考虑在内)。虽然在这项研究中使用的数据集是足够大(3109家),只是限于顶部三层的整体视交叉上核。

最近,使用彭博数据,Brintrup et al。26和奥伦斯坦27各种scn)进行拓扑分析。Brintrup et al。26]研究了空客的视交叉上核和报道,这个视交叉上核显示选型混合和社区基于地理位置的公司。奥仁斯坦(27)进行拓扑分析,零售和食品工业scn通过考虑供应商在三层顶部。scn认为在这项研究中被发现无标度拓扑度指数低于2。虽然在这项研究中使用的数据集是足够大,并允许观察颞SCN拓扑变化,只考虑的一部分SCN深度的层次限制了结果的普遍性。有人指出的关键限制使用彭博数据库,构建scn,数据库只包含以来的数据没有详尽的公开上市公司。因此,视交叉上核构造使用彭博数据可能只提供一个全面的图景的一部分。

尽管上述研究提供了许多重要的见解关于各种拓扑结构的视交叉上核,没有研究到目前为止已经系统地调查了大量的直接物质流相比,各种行业和视交叉上核的结果对一个无向SCN合同(企业间)的关系。

通过考虑从制造业26 scn的集合,我们的研究能够调查和建立这些视交叉上核的通用拓扑性质。此工作将补充大量的理论文献造型SCN拓扑通过各种经济增长模型,通过揭示特定拓扑特征需要捕捉到一个适当的增长模式。此外,在这项研究中,提出的相关分析之间的各种节点级中心措施和两个外生因素(成本和舞台时间阶段),可以在展示强大的公司的位置如何影响整体功能的视交叉上核(反之亦然)。

最后,本研究利用提供的可靠的数据集出版工作Willems [14相对于DMF-SCNs。的数据收集过程UCR-SCNs节中有详细描述3.1。1。从此前的研究,因为我们的研究提供了独特的见解(i)它是基于大量真实的属于制造业,视交叉上核(2)大多数的视交叉上核大(有一个相对高的节点数量),这样可以充分展示了各种涌现性,(3)我们提取和比较scn的拓扑属性链接代表直接的物质流或间接的合同关系,(iv)的相关分析节点中心措施DMF-SCNs外生因素的影响提供了洞察公司的位置在视交叉上核的动力学,(v)我们研究自组织视交叉上核,这有助于我们识别这些系统的非随机特性。因此,本研究从先前的研究在几个方面是独一无二的。

2.4。代的零假设检验模型

一个重要的问题在测试假说与网络拓扑是分布的程度是否足以描述一个网络的结构,即,网络的拓扑特性观察是否解释为其生成的乐团的网络度分布,同时保留度向量。在这方面,degree-preserving随机(DPR)代零模型中起着重要的作用。

DPR涉及重组原始网络,生成一个空模型,同时保留度向量(28,29日]。在每个时间步,组成过程随机选择两双和交换机连接节点链接目标。这个开关是反复应用到整个网络,直到每个链接重新在至少一次。由此产生的网络代表一个空模型,每个节点仍有相同的程度,然而,通过网络的路径是随机的。比较给定网络的属性,属性的网络由DPR的合奏,允许一个确定如果真实网络中观察到的属性是独一无二的和有意义的还是他们是常见的所有网络的度序列(30.]。

在这项研究中,我们使用DPR调查存在的自组织无向合同关系SCN的拓扑特性。DMF-SCNs,我们引入一个新的DPR过程生成零模型的保护程度的节点和链接的数量目前在相邻层之间。

2.5。鲁棒性的视交叉上核

过去的研究获得了深入的健壮性视交叉上核利用(1)分析测量网络科学,如网络集中化、渗滤阈值,和assortativity,或(2)模拟研究各种网络级指标的影响顺序删除节点时,随机(称为随机失败)或基于程度(称为目标攻击)3,8,11,12]。

尽管上述方法可能适合获得高层洞察UCR-SCNs的健壮性结构,需要制定一个更具体的方法来评估分级DMF-SCNs的鲁棒性。特别是,这种方法应该考虑网络的拓扑结构和满足消费者需求的能力。在这方面,我们引入一个简单而直观的方法来调查DMF-SCNs的鲁棒性,考虑零售商的需求节点。

3所示。数据来源、结构和局限性

3.1。数据来源和结构

3.1.1。无向契约关系视交叉上核

视交叉上核无向合同关系由customer-supplier合同联系在印度汽车工业。网络是由引用autocomponent公司对他们提供他们的产品和服务的公司(在这方面,一个公司可能是一个供应商一个公司和另一家公司的客户)。公司的列表取自印度的汽车零部件制造商协会(ACMA)更新年度出版”买家指南。“数据对应于2001年- 2002年。

的基本拓扑分析这些数据(不包括本文中给出的鲁棒性分析和自组织分析),提出了在Parhi [13]。虽然这些数据最初从2002年创建目录,这是与最近的记录作为一个研究的一部分题为“动态分布和扩散新技术”(31日),作者表明,没有质的区别在产业结构相比,2002年的数据集。事实上,演员和他们的供应链的地形在印度汽车行业多年来一直或多或少相同的(注意,这个数据集包括印度汽车工业)的组织部门,只有改变发生的动态交互,由于快速集成信息系统的一个高度集成的世界。

3.1.2。指导物流视交叉上核

斯[14)提供了一个真实的数据集multiechelon供应链,用于库存优化目的。整个数据集包括共有38 multiechelon供应链,从不同的行业。本文中所述的链组成供应链实际地图由公司分析师或顾问。因为这些地图已经实现在实践中,他们演示用户模拟实际的供应链。

上述数据集包括以下关键信息:(1)每个行业的供应链网络(2)对于每一个供应链网络:(我)代表每个公司涉及的阶段(节点)(2)弧(链接)代表优先级阶段之间的关系(3)对于每个阶段:(我)它的分类,并根据其功能层在整个供应链(2)成本增加的直接成本的阶段(阶段)(3)阶段的平均处理时间(时间阶段)(iv)每个零售商的平均每日需求阶段

注意,在本文中所开发的网络模型,我们表示阶段(即。,firms) as nodes and the arcs between stages (which represent the precedence relationships between firms) as directed links.

从原始数据集,网络有超过100家公司(即。,nodes) were selected for our analysis, and there were twenty-eight such large networks. Smaller networks were omitted in this analysis since they do not offer any interesting insights into emergence of various complex topological features. Then, using the industry sector information, these SCNs were categorised into six main groups as illustrated in Table1。可以看到,视交叉上核被认为是由美国大小不同的集合(最低108,最高2025节点)。

3.2。数据集的限制

3.2.1之上。无向契约关系视交叉上核

印度汽车行业的视交叉上核数据涵盖了组织部门的行业,由于没有无组织的综合数据库。客户的列表只包含的公司autocomponent自我报告的公司作为他们的主要客户。

3.2.2。指导物流视交叉上核

可用的数据集的一个重要限制是缺乏信息与地理位置的个人公司。这些信息中没有提供原始数据集在斯14由于保密原因。与虚拟网络(如WWW或社交网络),视交叉上核的结构在很大程度上是受到地理方面(因为会众或分散取决于原材料的供应商分布在不同的地理区域)。因此,如果地理位置信息是可用的,深入的结论可能是对各种观测视交叉上核的结构特点。

此外,本研究无法调查以来的视交叉上核的动态特性数据集不提供任何信息属于颞SCN拓扑的变化。最后,企业之间的关系强度是不捕获的数据集的物质流。虽然每一层内的特定生产能力的公司,没有可用的信息与每个上游企业供应下游企业。

然而,数据集的大小,可用网络的数量和每个网络的大小,以及与节点相关联的成本和时间数据研究使这成为一个很有吸引力的数据集。

4所示。数据分析方法和结果

4.1。拓扑结果

使用每个数据集,我们构造scn,节点代表个人公司和链接代表无向合同关系或指导公司(参见图之间的物料流动1)。Cytoscape软件和JAVA编程语言被用来可视化和分析scn。这项研究的结果发表在以下部分。

以下4.4.1。无向契约关系视交叉上核

表2介绍了网络级的拓扑特性UCR-SCN印度汽车制造商。

4.1.2。指导物流视交叉上核

表3介绍了拓扑特性的26物流scn。三个关键的观察,可以从表(i)的度分布多数scn表示良好相关性对幂律,和他们中的大多数度指数在1 - 3的范围,(2)大多数scn非选型,根据程度以及阶段成本和阶段时间,和(3)的scn表示聚类表中给出(不是),由于功能层之间的链接只活在当下。这些观察结果具有重要意义,在部分更详细地讨论5。

此外,这个数据集,我们也调查了节点级中心指标。自节点级度量自己提供各个节点的信息而不是网络作为一个整体,在这里我们选择主要研究它们之间的相关性和其他节点级属性可用的数据集。特别是,我们研究中心指标之间的相关系数为每个节点(即,学位中心,中间性中心,和亲密中心)及其相应的(1)阶段成本和(2)阶段。附录中给出的相关情节B。详细讨论了这一评估的结果部分5。

4.2。确定自组织拓扑特性使用Degree-Preserving随机

DPR可以帮助建立网络中观察到的拓扑属性是否只是一个网络的人工制品的内在结构属性或属性的节点。比较原始的中间性和亲密中心分布具有相同指标的平均分布,随机的合奏(DPR)网络,可以揭示中心分布观察是否在原来的网络结构。特别是,如果原(即。,observed) and randomised trends are identical, then the centrality distributions observed in the original network are purely structural, i.e., they can entirely be explained by the degree distribution without attribution to any other external mechanism. However, if the original centrality distribution diverges from the average trend obtained for the randomised ensembles, there is an underlying mechanism which induces this deviation in the original network [17]。

尽管观测中心分布之间的分歧和随机统计平均值通常是通过目视检查发现的情节17,32),在这项研究中我们使用了Kolmogorov-Smirnov测试(KS测试)建立任何有统计学意义的偏差。KS测试是一种强大的统计测试,允许一个比较两个发行版(测试的零假设是不存在区别这两个发行版)。重要的是,KS测试不做任何假设的潜在分布数据(即。,it is a nonparametric and distribution-free test statistic), thus allowing comparisons between arbitrary distributions.

4.2.1。准备无向契约关系视交叉上核

UCR-SCN,我们应用DPR,在每个时间步,两个连接节点对采摘和链接目标交换。这个开关是反复应用于整个网络,直到每一个环节是重塑了至少一次(不允许创建self-loops或多链路节点对之间)。由此产生的网络代表一个空模型,每个节点仍有相同的程度,然而,通过网络的路径是随机的。使用这个过程,我们生成的1000个随机网络。我们然后比较原始的中间性和亲密中心分布网络的平均中间性和亲密值获得1000年随机网络(见图2)。

4.2.2。指导物流视交叉上核

DMF-SCNs,我们已经开发出一种修改DPR过程,我们称之为层约束DPR (TC-DPR)。这个过程在每个时间步,选择一双链接也躺在两层和交换他们的目标节点。特别是,以下算法被使用。

上述过程反复应用于原始网络,直到每一个环节重新在至少一次。通过选择链接对同样的两层之间交换他们的目标,除了保护节点的程度,我们也保留intertier链接的数量。因此,生成的网络是一个空模型的度分布和原始视交叉上核层结构是相同的。

使用TC-DPR过程,我们生成的1000个随机网络。我们然后比较原始的中间性和亲密中心分布网络的平均中间性和亲密值获得1000年随机网络集合体。的值获得每个SCN的KS检验提出了表4。数据3- - - - - -6说明一些情况自组织的中间性和亲密被确认。

4.3。鲁棒性分析

在本节中,我们调查UCR-SCN的鲁棒性。随后,一个简单而直观的方法的鲁棒性评估分级DMF-SCNs需求考虑。

4.3.1。无向视交叉上核

自从UCR-SCN数据集不包含任何节点属性,我们求助于通用拓扑鲁棒性分析技术普遍采用在网络科学文献。特别是,我们删除节点,要么随机顺序(模拟随机失败)或基于他们的学位(模拟目标攻击)。在每个迭代中,我们测量的尺寸最大的连接组件(LCC)的网络。先后删除节点时,整个网络分解成许多子网。的节点数量的LCC分散网络因此提供了洞察其结构完整性的整体连通性。

图7说明了拓扑鲁棒性评估结果。LCC的大小已经密谋反对移除节点的比例,在随机和目标节点删除场景。注意,对于随机节点删除的场景,结果获得了平均100分的模拟。

4.3.2。导演视交叉上核

与UCR-SCN不同,斯(14DMF-SCNs]数据集包括日平均需求水平零售商节点。因此,为了更准确地评估DMF-SCNs的鲁棒性,我们开发一个简单而直观的方法。特别是,我们建立每个网络的鲁棒性的函数失去日均需求,公司连续被删除。在发展鲁棒性评估方法中,我们假设公司在同一层有可替换的功能没有容量限制,即。,供应失去了由于一个公司的失败可以充分补充另一家公司在同一层。

例如,假设DMF-SCN场景呈现在图8。B零售商为了满足其日平均需求,它依赖于三个供应链,即(1)B-F-J-N, B-F-J-M (2), (3) B-F-I-M。现在考虑一个场景:制造企业J从网络中移除这种情况下,零售商B将失去三分之二的供应链依赖满足其日均需求。然而,零售商B仍然能够满足通过供应链B-F-I-M其平均需求,不影响公司j .因此,只要零售商节点可以访问一个最上游供应商通过一个完整的供应链,它将能够满足其平均每日的需求。然而,当公司J被移除,零售商D将无法满足其平均每日需求,因为供应链D (D-G-J-M和D-G-J-N)是依赖公司J .在这方面,重要的是要注意,删除任何零售商节点意味着它将无法满足其各自的平均每日需求。

基于上述观点,我们开发一个鲁棒性度量称为“健壮性得分”定义如下: 在哪里视交叉上核和零售商的集合在零售商平均每日需求吗r。捕获路径的可用性最上游供应商在每个零售商和是1如果至少存在一个路径连接的零售商最上游供应商和0。

我们应用上述想法的健壮性得分SCN ref 20(电动加工工具),随机节点被移除和顺序(即根据他们的学位。、有针对性的攻击)。为每一个场景中,每个节点的删除后,鲁棒性得分下降记录生成一个配置文件。这个结果呈现在图9。

5。讨论

5.1。视交叉上核的拓扑结构

度分布对于大多数DMF-SCNs表明一个好的符合幂律。特别是,14的26个网络分析显示80%或更高幂律适合他们的相关性,和出度分布指数的程度DMF-SCNs一般被发现躺在1 - 3的范围:注意 中心与分支之间的边界( )和无标度( )网络拓扑。UCR-SCN类似的结果观察,显示95%是幂律适合其度分布的相关性程度指数为2.31。

这些结果与实证结果有很好的一致性scn报道在最近的数据驱动的研究26,27,33,34),这表明scn的拓扑往往程度由幂律分布,可以令人满意地模仿,与学位 (22]。

尽管许多过去的理论研究依赖于Barabasi-Albert (BA)模型生成拓扑代表视交叉上核(3,10,12),根据我们的结果,很明显,BA模型不能充分解释错综复杂的现实世界的SCN拓扑。特别是,BA模型生成网络拓扑 (35),而实际的scn指示在1 - 3的范围。同时,选型(或非选型)混合在真正的scn不是网络生成的BA模型的特性,分析如图所示(在大型网络规模的限制),纽曼(36]。最后,BA模型不能产生与明显的社会网络结构已观察到真正的视交叉上核,因为网络中的所有节点属于一个弱连接组件(37]。

的确,一系列网络现存文献中的增长模型是可用的,一般来说,他们既可以归类为进化模型或生成模型(17]。进化模型的目的是捕获的微观机制的演化网络拓扑。在这方面,BA模型可以被看作是一个不断发展的模型。相比之下,生成模型可以用于生成一个网络拓扑的快照。由于scn可能基于各种nongeneralizable原则,而不是试图理解和模型潜在增长机制通过一个不断发展的网络增长模式,这将是有益的简单模仿观察到从数据驱动的研究使用生成网络拓扑模型。

在这方面,健身类生成模型在理论研究([最近获得了声望38- - - - - -40];Smolyarenko, 2014;(41])。在健身类模型中,健身分布和连接规则是由先天的任意函数,这使大量的调优(Smolyarenko, 2014)。事实上,这种可调谐性使得这种模式一个有用的和实际的建模工具。例如Ghadge et al。(2010)提出了一个纯粹的统计方法用于生成一系列的网络拓扑通过随机分配的节点与健身采样值的对数正态分布分布。每个节点的倾向来吸引链接比例确定其健康。这种方法被称为对数正态分布健身附件(LNFA),它包括一个可调参数(对数正态分布分布)的形状参数,可以操纵来生成一个大范围的网络。在一个极端,当是零,所有节点具有相同的健身,因此一个新节点加入网络,它选择任何现有节点邻居有相等的概率,从而复制随机图模型。另一方面,当节点增加超过某个阈值,很少会有非常大的健身水平虽然绝大多数节点极低水平的健康。因此,大多数的新连接将几个节点具有高水平的健康。由此产生的网络因此类似于垄断/“赢家通吃”的场景中,这有时会在现实世界中观察到。上述两个极端(随机和垄断)之间存在幂律谱的网络可以密切代表许多真正的视交叉上核(Ghadge et al ., 2010)。阮和Tran42)说明LNFA模型确实可以生成网络拓扑在2 - 3(及以后),可实际上代表观察到的视交叉上核拓扑。最近的工作由贝尔et al。43)表明,SCN公司规避风险的行为会导致健身类网络增长。

也是有趣的注意,所有DMF-SCNs表示相对较低网络集中化值llustrating主要分布和分散的现代视交叉上核的性质。这集中化低也可能是由于最近供应链实践称为模块化组装,在制造商从减少基地获得预模块供应商(如通过中间部件装配工),与传统方法相比,单个组件是由制造商(采购和组装的44]。一般来说,scn涉及更复杂的和专业的制造和装配过程(如飞机零部件、计算机设备,电气和农业机械)被发现比另一个更集中的视交叉上核,如货物和化学品(也是由其低水平的异质性)表示。

的网络集中化UCR-SCN被发现高于平均网络集中化DMF-SCN数据集。这可能是由于固有的视交叉上核的两种类型之间的差异,即。,the contractual relationships are generally centralised through a leader firm whereas the flow networks generally link firms who wish to exchange material/goods.

assortativity程度而言,多数DMF-SCNs(26) 21日被发现或强烈非选型,在高度连接中心倾向于回避对方,而不是链接到低的耦合度节点。结果,这些视交叉上核的网络结构倾向于显示一个中心辐射型字符(而不是核心外围结构选型中观察到网络)。一些视交叉上核等行业的“香水、化妆品、和其他厕所准备”和“半导体及相关设备”强烈非选型。我们没有发现SCN强烈选型。此外,UCR-SCN还发现非选型,根据节点的程度。这种类型的非选型混合一直在观察一般经济系统(17),个人或组织之间的贸易通常发生不同的技能和专长。

disassortativity的不利影响在视交叉上核(学位)的,自连接到另一个高度节点少,许多网络中节点之间的路径依赖高度节点。因此,高度的失败节点在一个非选型网络将产生较大影响的整体连通性网络(29日]。另一方面,非选型网络通常是弹性对级联影响引起的有针对性的袭击以来枢纽节点不互相连接,中断的可能性影响级联从一个中心节点到另一个是最小化45]。

此外,DMF-SCNs主要显示轻微或强非选型阶段,成本方面的趋势和阶段时间属性(20的26 scn被发现非选型阶段成本和阶段的时间)。即公司贡献高阶段成本平均更容易与公司贡献阶段成本低,反之亦然,这同样适用于舞台。没有SCN我们研究显示强大的选型倾向这些属性。这些视交叉上核的严格分层结构可以负责这个阶段,成本和阶段时间disassortativity分解公司的功能层与层之间的相互联系。

UCR-SCN和一个重要的区别DMF-SCNs观察聚类属性。聚类系数表明,在很大程度上,公司在视交叉上核往往聚集在一起在一个给定的公司。例如,它可以显示各种供应商的行为对最终的汇编程序在全球层面(23]。因此,聚类系数越高,越是相互依赖供应商生产(46]。UCR-SCN表明低水平的集群虽然没有DMF-SCNs表示任何集群。它指出,在DMF-SCN数据集被认为是,没有观察(即横向连接。,没有公司在相同的功能层)之间的连接。由于这种固有的结构性限制,禁止三元关闭,这些视交叉上核不显示任何集群(因此,聚类值没有报告在表2)。这意味着供应商的物流网络是相互独立的(因为他们可能是竞争对手)。虽然这种结构可能会限制通过视交叉上核知识的扩散,它有有利的影响而言,网络健壮性,因为中断一个供应商不太可能影响另一个。Hearnshaw和威尔逊(2010)指出,视交叉上核与低聚类系数可能会经历更少机会主义行为和协作可能导致系统效率低下由于在系统级的协调困难。因此,视交叉上核效率可以提高通过创建新的水平连接,通过社会关系等。崔和吴47报告一个真实的场景,本田已经在他们的供应链,建立聚类指导和促进其一线供应商的关系和一些二线供应商。

5.2。拓扑中心指标之间的相关性和其他公司在定向物流scn属性

DMF-SCNs,中心节点对节点属性进行相关评估。总的来说,对于大多数视交叉上核(无论行业),我们观察到以下几点:(1)公司被发现的程度正相关与阶段成本而没有相关性识别阶段。这意味着公司具有较高的连接数量通常更高水平的直接成本添加到最终产品的市场价格。(我)公司积极发现关联的入度阶段成本和负面阶段时间。这是特别明显的视交叉上核航空发动机和电力行业。这意味着在这些scn,更多的公司上游供应商往往更高水平的直接成本添加到最终产品的市场价格,他们往往相对较低的平均处理时间(这些公司扮演汇编、汇集许多组件从不同的供应商大会的目的)。(2)除了scn在飞机引擎和电子行业,公司被发现正相关的学位阶段成本和阶段时间,这表明公司的下游客户(如主要分销商)倾向于更高水平的直接成本添加到最终产品的市场价格,他们往往相对更高的平均处理时间。这是特别明显的两个运费和货物的运输行业的视交叉上核。(2)中间性和亲密关系中心的公司被发现与阶段成本正相关,这意味着这些公司更参与其他对公司和公司之间的关系是活跃的信息生成器倾向于更高的值添加到最终产品。(3)视交叉上核的电气、计算机相关、农业机械和设备,和飞机发动机行业表示介数中心和阶段时间之间的负相关性。这意味着,在这些scn,公司参与的其他两个公司之间的关系往往需要较低的平均处理时间。这样的中央企业一般扮演制造商或分销商的角色,因此需要更少的处理时间。

上述见解演示,从视交叉上核的角度来看,一个公司的位置对其他人可以影响策略和行为(48]。

5.3。自组织特性

5.3.1。无向视交叉上核

比较中间性和亲密中心分布的原始网络的平均中间性和亲密分布获得了1000年的随机网络(如图2)表明,存在显著差异(KS测试值< 0.05)之间各自的中心分布在观察到的视交叉上核和平均自然发生的计划。

中间性的中心,我们观察到温和的中间性公司过多的观察视交叉上核的平均水平相比,随机集合体。因此,我们可以得出结论,UCR-SCN拓扑非随机和支持温和的中间性公司。类似的报告的结果是贝克尔et al。32)建造了一个制造系统网络模型从现实世界的数据(节点代表单独的工作站和链接代表工作站之间的物质流)。通过应用DPR过程生成相同的网络度分布的合奏,他们观察到工作站中间性中心所占比例特别高的制造系统的研究。他们得出的结论是,制造系统拓扑因此非随机和支持少数高度连接工作站的存在。中间性的公司的上下文中UCR-SCN表明它能在多大程度上干预在其他公司在视交叉上核之间的交互是一个看门人的关系(23]。事实上,这种具有特定的优势在网络经济中,因为它使公司获得更多的市场情报和控制扮演仲裁者的角色。因此,它是合理的企业自组织为了增加他们的视交叉上核的中间状态。

在亲密关系中心,我们观察到所有公司UCR-SCN包括低亲密中心相比,平均随机的集合体。亲密的接近一个给定的公司对其他网络。复杂的制造行业,如汽车制造业UCR-SCN表示,包括不再供应和服务连锁店可以把公司外围地和彼此远离(表示的网络直径7 UCR-SCN,高于大多数DMF-SCNs)。

5.3.2。导演视交叉上核

我们的结果表明,只有一些DMF-SCNs包括自组织特性的中间性和亲密。那些视交叉上核KS测试值≤0.05,表中列出4之间的显著差异,表明存在观测到的视交叉上核的中心分布,平均随机网络的集合体。这意味着在这些scn,存在一个外部机制超出了度分布,促使企业采取各种中心水平。一般来说,如图3和4,比较观察中间性概要文件的平均随机乐团表明,较低的公司中未被充分代表的中间性观察DMF-SCNs。这是一个有趣的观察,补充因UCR-SCNs所得研究结果显示适度的中间性公司过多。这意味着物流scn,公司需要维持一定水平的中间状态函数(如明显的高原低介数节点观测到的视交叉上核的配置文件中提供数据3和4)。

相比之下,比较观察亲密概要文件与随机集合体的平均值显示,公司与温和亲近所占比例在观察DMF-SCNs(数据5和6)。虽然中间性中心密切相关,亲密更相关的情况下,公司作为一个发电机的信息,而不是一个纯粹的中介/看门人。例如,由于各种障碍,市场需求信息可以很容易地扭曲时来自下游企业向上游企业。这些扭曲会导致不必要的生产计划之间的偏差的制造商和供应商的供应计划,导致这一现象被称为“牛鞭效应”。公司高亲密中心水平因此发挥重要作用在共享的实际市场需求信息与上游企业在视交叉上核,从而减少牛鞭效应引发的不利影响(9]。这可能是一个原因公司DMF-SCNs有自组织高于随机水平温和亲近亲近的政权。

5.4。鲁棒性特征

5.4.1之前。无向视交叉上核

重点确定为在图7表明临界阈值的LCC消失和网络是完全分散成单个节点。从这个图我们可以看到,网络节点顺序中移除时分裂相对迅速通过瞄准更高程度的第一,而随机节点删除。很明显,发生在60.93%,而发生在95.04%。

有趣的是调查不同观测网络的鲁棒性(针对随机节点删除)是,相比相同大小的随机有线网络(节点和链接的数量而言)。这个问题可以回答使用Molloy-Reed标准标识的LCC网络内(里德,1995)。这是一个网络基础上,低成本航空,大多数节点,属于必须连接到至少两个其他节点(17]。特别是,Molloy-Reed则指出,网络有LCC如果 在哪里和是第一个(意味着)和二阶矩的网络的度分布,分别。

在此基础上,网络 缺乏低成本航空,是由许多断开连接的集群。应用提供的洞察力Molloy-Reed标准与任意一个网络度分布,人能预测的比例随机节点需要从网络中删除以摧毁其LCC(即。临界阈值,),如下所示49];

相比之下,一个Erdős-Renyi网络的关键阈值(即。随机有线网络)是由(17]

网络被认为是显示增强鲁棒性如果高于其临界阈值的随机有线网络一样大小(根据节点和链接)的数量。UCR-SCN的特点是 和 。使用上面的公式,我们可以确定0.975,0.895。这意味着,为了摧毁LCC的UCR-SCN分裂成许多断开连接组件,一个需要去除97.5%的节点(注意,这个理论预测通常是同意的通过100年的平均95.04%的模拟)。而且,由于 ,我们可以得出这样的结论:UCR-SCN显示增强鲁棒性对随机失败的公司。的确,这个视交叉上核的增强鲁棒性对随机删除公司体现由于其中心结构。随机删除节点,根据定义,影响节点无论他们的学位。因为无标度网络,如UCR-SCN认为,占更少的主要连接节点和几个中心,随机删除一个中心的机会几乎是可以忽略不计的。因此,随机节点删除主要连接节点越少,可能会影响,虽然众多,但在维护网络的完整性发挥有限的作用[17]。

5.4.2。导演视交叉上核

DMF-SCNs,我们将演示一个简单而直观的方法考虑的影响公司失败的输出能力SCN。这个方法可以通过从业人员建立的鲁棒性视交叉上核和比较各种视交叉上核系统的鲁棒性。

因为上面的鲁棒性概念DMF-SCNs取决于零售商的需求配置文件,它可能无法提供一般化的见解。因此,我们没有试图调查的完整数据集的鲁棒性特征。然而,很明显从鲁棒性概要介绍参考SCN 20(电动手动工具),目标移除的节点根据自己的程度有一个剧烈的影响整体网络robustness-only 5%的公司需要删除整个SCN不能满足任何需求的零售商。相比之下,视交叉上核通常更健壮与随机删除公司70%的公司需要随机移除,在视交叉上核是任何零售商的需求无法满足。上面的结果突出了中心节点的重要性,通过它的大多数路径遍历。因此,删除这些节点将产生重大影响的能力视交叉上核,以满足要求。

谢菲和大米(50)注意建筑的灵活性和冗余的重要性到视交叉上核的提高这些系统的鲁棒性。在这方面,并行供给路径以最小的依赖可以纳入scn,这样一家公司的中断不会影响其他的操作。

6。结论和未来的发展方向

一般来说,在DMF和加州scn,我们观察到度分布符合幂律表明中心/领袖企业的存在。在这两种类型的scn,观察非选型混合的程度的公司。有趣的是,大多数DMF scn还显示非选型混合的公司成本和时间属性。由于DMF SCN的特点是各种功能层,在这些系统没有明显的集群,而某种程度的集群识别在加州SCN。节点中心相关评估针对公司属性(成本和时间)DMF-SCNs显示之间的关系中的地位和公司系统内部的功能。

此外,我们发现,加州SCN包括增强对随机拓扑鲁棒性公司失败和自组织拓扑特性方面的中间性和亲密的公司。然而,自组织特性只出现在一些DMF scn。

最后,我们开发了一个简单而直观的方法的鲁棒性评估DMF scn考虑零售商的需求亏损公司移除。分析概述了中心企业的重要性,通过它的大多数供应路径遍历。因此,删除这些节点将产生重大影响的能力视交叉上核,以满足要求。鲁棒性分数概念确实可以用来识别最关键的公司在DMF SCN,这将提供见解超出了纯粹的架构中心的指标。未来的研究可以探讨TC-DPR我们这里介绍的应用来确定配置,特定的分级SCN,最大化的健壮性分数分配供给路径基于需求水平的零售商。

我们的工作首次试图概括的拓扑特性从制造业大量的视交叉上核。值得注意的是,因为我们只考虑相对大型网络,有限尺寸影响很小。虽然有些确实是网络特殊拓扑特性,网络之间的拓扑相似性是惊人的。因此,这项工作可以作为一个基准在未来发展中scn广义增长机制。

附录

答:网络和节点级指标

b节点级中心相关性阶段时间和阶段的成本

责任总程度相关性分析。

B.2入度的相关分析。

B.3学位的相关分析。

B.4中间性中心的相关分析。

B.5亲密中心的相关分析。

数据可用性

DMF SCN数据集下公开发表的斯(14]。加州SCN的邻接矩阵可以根据要求提供相应的作者。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

作者承认澳大利亚研究理事会(ARC)资助这个格兰特DP140103643下工作。