基于因果AI框架构建全球货运代理的韧性体系

摘要

本文提出了一种基于贝叶斯网络的因果人工智能框架，用于建模全球货运代理中的系统性风险。该框架旨在通过量化基础风险对关键绩效指标（成本、时间、可靠性）的影响，支持战略决策制定，从而实现主动且精准的风险缓解。

摘要

全球货运代理行业面临着复杂且连锁性的风险。传统的分析方法在管理这些风险时往往显得不足。本文提出了一种构建和利用因果人工智能（AI）框架进行系统性风险管理的方案。该方案包含三个主要阶段。第一阶段是构建分层贝叶斯网络（BN），该网络作为因果知识图谱，通过整合领域专业知识，描绘基本风险驱动因素与核心关键绩效指标（KPI）——成本、时间和可靠性——之间的关系。第二阶段是通过定义条件概率对贝叶斯网络进行参数化，此步骤融合专家判断与行业报告的洞察，并采用Noisy-MAX模型以应对数据稀缺环境中的不确定性。在最后阶段，利用参数化模型进行预测性模拟和诊断性分析：前向推理生成基线风险画像，同时通过敏感性分析识别高杠杆干预点。该方案的应用得出了若干关键发现：（i）市场供需被确定为系统性风险的核心节点；（ii）模型为每个KPI生成了独特的风险特征指纹：成本对商业因素最为敏感，时间对物流中断最为敏感，而可靠性则特别易受网络安全威胁影响。本研究提供了一种可解释的人工智能工具，该工具作为“假设分析”引擎，使货运代理企业能够从被动应对危机转向主动、精准的风险缓解。

引言

全球货运代理行业是现代商业的隐形支柱，这一价值数万亿美元的生态系统协调着商品的流动，支撑着全球制造业和电子商务¹。其顺畅运行不仅仅是一种物流便利，更是全球经济稳定的直接决定因素²。然而，这一关键基础设施目前正面临多重压力汇聚而成的完美风暴。激烈的市场竞争³、日益严格的可持续发展法规⁴、颠覆性技术⁵以及前所未有的地缘政治动荡⁶已不再是孤立的挑战，而是融合成一个复杂的系统性风险网络。任何一个单一中断事件——如港口罢工、新关税政策或网络攻击——都可能在整个供应链中引发连锁式故障。这种高度互联的特性意味着，孤立地管理风险已不再可行；生存的关键在于对整个系统的全面理解。

这一新现实带来了严峻挑战，超越了传统风险分析方法和常规人工智能的应对能力。诸如故障树分析（Fault Tree Analysis, FTA）等传统工具过于僵化，难以捕捉现代风险所具有的概率性和相互依赖性^7,8。许多现有的供应链韧性模型，无论是基于解析方法还是人工智能驱动的模型，均主要针对制造业等资产密集型行业设计，侧重于应对物理流动和库存缓冲的中断^6,9。该领域近期的综述表明，这些框架通常关注植根于供应链设计、组织协作和灵活性的能力，以抵御中断的影响⁹。与此同时，人工智能的发展为风险管理引入了强大的新工具。Zamani 等人⁶的一项系统性综述表明，人工智能与大数据分析在增强韧性方面展现出巨大潜力，特别是在具备充足历史数据的情况下，可用于预测中断并优化应对措施¹⁰。

然而，在全球货运代理这一独特背景下，仍存在一个关键的研究空白。尽管现有模型能够应对物理层面的中断，但往往缺乏足够的精细度来捕捉非物理却至关重要的风险驱动因素——例如商业关系、信息完整性以及宏观经济压力——而这些因素正是轻资产、服务导向型货运代理行业的核心特征^10,11。这一研究空白使得行业领导者在决策时如同盲目前行，仅凭直觉行事，却缺乏一种定量的、智能化的指引工具，难以在数据稀缺且因果可解释性对战略决策至关重要的环境中有效应对。

本文通过引入一种专为货运代理生态系统设计的新型因果人工智能（Causal AI）框架，填补了这一空白。我们采用贝叶斯网络（Bayesian Networks, BNs）——一种在数据、不确定性与专家知识交汇处表现优异的概率图模型¹¹。尽管贝叶斯网络本身是一种成熟的方法论，但本研究的创新之处在于模型新颖的架构设计，具体体现在：针对货运代理风险图景所定制的分层结构、将多样化的商业与运营风险整合为统一的因果图，以及适应行业数据稀缺环境的参数化策略。与纯粹依赖数据驱动的模型不同，贝叶斯网络提供了透明的“白箱”系统表征，支持预测性（假设性）与诊断性（归因性）推理。该方法已在邻近的高风险领域展现出强大能力，例如在海事安全^{11,12,13,14,15,16} 和能源系统^{7,8,15,16,17,18,19} 中解析系统性风险。其广泛应用性还体现在土木工程领域，用于建模特定场地的项目风险^20,21，以及在航空领域分析无人机事故的因果因素²²。这些应用提供了强有力的可行性验证，然而目前尚无适用于货运代理独特风险图景的类似模型，该图景以商业、运营与战略压力的交织为特征。

我们的贡献体现在以下三个方面，为物流领域的智能风险管理建立了新范式：
面向系统性风险的因果人工智能知识图谱：我们构建了该领域首个集成化、层次化的模型，超越了简单的风险清单或相关性模型。该模型作为知识图谱，能够可视化并量化从地缘政治变化到企业最终绩效之间的因果路径，提供前所未有的整体性视角。
从抽象风险到战略级数字孪生：该模型将抽象风险转化为对三个核心关键绩效指标（KPI）的直接影响：成本、时间和可靠性。其功能相当于一个战略级数字孪生系统，使决策者能够模拟各类中断事件和政策选择的影响，从而在危机发生前对自身韧性进行压力测试。
精准引导的战略干预：通过敏感性分析，该框架突破了被动应对危机的管理模式。它能够精确定位系统中最具杠杆效应的干预节点，并以量化方式回答关键问题，例如：在提升交付可靠性方面，投资网络安全还是拓展承运商关系更为有效？

为确保因果推断的稳健性，将采用已建立的策略对所提出的框架进行验证。这些策略包括：（1）模拟靶向干预，以检验模型的预测结果是否与领域知识一致；（2）进行敏感性分析，评估潜在遗漏变量对结果的影响；（3）利用现有子集数据采用结构学习算法，对专家定义的图结构进行交叉验证。

从本质上讲，这项研究为应对行业的动荡环境提供了一个定量的、由人工智能驱动的指引工具。它使利益相关者能够基于数据并考虑因果关系做出决策，将风险从一种不可控的威胁转变为可管理的战略变量，从而确保韧性和竞争优势。

方案

因果AI建模框架
该因果AI框架建立在贝叶斯网络（Bayesian Networks, BNs）的基础之上，BNs是一类白箱概率型人工智能模型。与深度神经网络等黑箱模型不同，贝叶斯网络具有透明的结构，非常适合需要可解释性和因果推理的领域¹¹。该框架的核心是一个有向无环图（Directed Acyclic Graph, DAG），其作为因果知识图谱，明确刻画了货运代理生态系统中的因果关系。

这些关系的强度通过条件概率表（CPTs）进行量化。贝叶斯网络（BN）中的每个节点都关联一个条件概率表（CPT）。节点的CPT定义了该节点处于任何特定状态的概率，该概率依赖于其父节点的状态。例如，考虑本模型中的“行业时间表现”节点，其CPT定义了在父节点“运输风险”、“运营与合规风险”以及“合作伙伴风险”所有状态组合下，结果为“延迟”或“准时”的概率。这种对多状态依赖关系进行概率建模的能力，相较于确定性方法具有明显优势。

贝叶斯网络（BN）的结构使得概率计算更加高效。它能够计算所有变量上的完整联合概率分布。设这些变量为 X = {X₁, ..., X_n}。该分布是各个局部条件概率的乘积，每一项表示一个节点在其父节点给定条件下的概率。我们将节点 X_i 的父节点记为 Pa(X_i)。这一关系可表述为：

这种分解是贝叶斯网络的数学基础，使得对复杂网络的推理在计算上具有可行性²³。

对于风险管理而言，该框架支持双向概率推理，从而实现了前瞻性与回溯性分析。
预测性（前向）推理：此类推理用于评估特定风险事件对系统整体性能的潜在影响。例如，它可以回答以下问题：如果发生重大网络攻击，交付时间和成本的相应概率分布是什么？该计算通过将“网络攻击”节点设置为特定状态作为证据来实现，贝叶斯网络随后将这一新信息在整个网络中进行传播。
诊断性（回向）推理：此类推理用于识别已观察结果的最可能成因，可回答如下问题：在成本出现意外激增的情况下，最可能的根本原因是什么？在此场景中，将成本关键绩效指标（KPI）设为证据（例如，状态 = 高），网络随后更新所有潜在因果因素的概率。此功能对于高效的根本原因分析和有针对性的缓解措施至关重要²²。

知识工程与因果图构建
因果图的构建是一个关键的知识工程阶段。鉴于系统性风险领域结构化数据的匮乏，我们依据基于知识的模型构建既定方法论，通过有针对性地综述学术文献和权威行业报告，整合了领域专家知识²⁴。该过程将定性的专家知识转化为形式化的、机器可读的因果结构，这是混合人工智能方法相较于纯数据驱动方法的一项重要优势¹¹。

通过该过程，确定并整理出一组包含13个变量的综合体系，并将其组织为如图1所示的三层层次结构。该结构阐明了从宏观层面驱动因素到具体绩效结果之间的因果路径。该模型共包含13个变量（即节点），这些节点被划分为三个不同层次：（1）根本风险驱动因素（根节点），（2）核心行业风险领域（中间节点），以及（3）最终行业绩效（叶节点）。每个变量的详细说明、其可能状态及其因果父节点列于表1中。

第一层：基本风险驱动因素
这五个外生节点代表了企业大多无法控制的宏观层面不确定性来源，但这些因素构成了企业运营所处的环境。该选择与分析外部商业环境的战略风险框架一致。
地缘政治与经济（节点1）：此类别合并了政治与经济风险。此类宏观环境因素在供应链风险管理中具有核心地位。正如吴和李在其关于碳税等监管影响的分析中所记载，贸易争端和监管波动等因素直接影响合规性与运营规划⁴。因此，我们将这些条件操作化为一个根本驱动因素，其状态分为“不稳定”和“稳定”。
灾害（节点2）：该节点代表由自然灾害和大流行病引起的大规模中断。此类事件对物流网络日益增加的频率和影响，是供应链韧性文献中的核心主题。这些灾害类风险会在整个物流网络中引发严重且连锁式的中断，凸显其作为现代风险框架中根节点的必要性（https://www.millenniumcargo.com/risk-management-freight-forwarding/）。
市场供需（节点3）：纳入该驱动因素旨在捕捉行业中固有的激烈商业压力。正如徐等人在均衡分析中所证明³，运力与需求之间的失衡是航运服务供应链内盈利能力和合作伙伴稳定性的根本决定因素³。鉴于其对整个生态系统的基础性影响，我们将其建模为主要驱动因素。
客户信用状况（节点4）：该节点代表源自外部商业环境的关键财务风险。交易对手风险，尤其是客户的财务可持续性，是供应链金融文献中公认的重要议题，直接影响现金流和盈利能力²⁵。因此，将其纳入模型对于刻画财务稳定性至关重要。
网络安全环境（节点5）：该节点代表外部技术威胁态势。在一个日益数字化的行业中，网络安全已从技术问题演变为系统性运营风险。正如Garg和Vemaraju所强调⁵，物联网（IoT）与人工智能（AI）的集成放大了此类脆弱性⁵，使外部威胁环境成为关键的外生因素。

第二层：核心行业风险领域
这些中间节点代表了货运代理所面临的直接风险，涵盖运营、商业和技术领域。这些节点在因果链中起到中介作用，将宏观层面的驱动因素转化为具体且内部化的挑战。
运输风险（节点6）：该节点涉及货物的实体运输过程。其纳入具有基础性意义，因为运输是货运代理的核心职能。它直接受到物理性中断（灾害）以及物流合作伙伴可靠性（合作伙伴风险）的影响，这也是物流风险管理文献中反复强调的主题（https://genxfreight.co.uk/risk-management-strategies-in-freight-forwarding/）。
运营与合规风险（节点7）：该类别涵盖日常执行过程中的风险以及遵守监管要求方面的风险。维持合规性的必要性，特别是与可持续性及不断变化的法规相关的合规要求，构成了重大的运营挑战，可能导致罚款和延误，正如吴和李所分析的那样⁴。
财务风险（节点8）：该节点代表货运代理内部的财务稳定性。其驱动因素具有多重性，来源于宏观经济波动（地缘政治与经济）、影响费率和盈利能力的市场压力（市场供需）³，以及直接的交易对手违约风险（客户信用状况）²⁵。
合作伙伴风险（节点9）：货运代理在由承运人、报关行等合作伙伴构成的网络中运作，该网络的可靠性至关重要。设置此节点旨在建模合作伙伴失败的风险，此类风险可能由大规模中断（灾害）或威胁其商业可行性的严重市场压力所引发³。
技术风险（节点10）：该风险涉及货运代理内部数字系统的脆弱性。随着企业越来越多地采用物联网（IoT）和人工智能（AI）等先进技术，其内部面临的信息技术故障和网络攻击风险也随之增加，使得内部技术韧性成为一个独立且关键的风险领域⁵。

第三层：最终行业绩效
这三个叶节点代表最终的业务成果，对应于评估物流与供应链绩效时最广泛接受的指标。这些指标常被称为物流三角或黄金三角，它们之间通常存在权衡关系。
行业成本绩效（节点11）：代表服务的总成本，是任何物流运营的主要关键绩效指标（KPI）。它是内部效率（运营与合规风险）和财务稳定性（财务风险）的直接结果。
行业时间绩效（节点12）：交付及时性是物流服务质量的基石。该关键绩效指标直接取决于实体运输过程的完整性（运输风险）、日常运营流程的顺畅程度（运营与合规风险），以及执行服务的合作伙伴的可靠性（伙伴风险）。
行业可靠性（节点13）：整体服务可靠性是对可依赖性与信任度的更广泛衡量。因此，该关键绩效指标被建模为受实体运输完整性（运输风险）、运营执行情况（运营与合规风险），以及支撑现代物流服务的技术系统的稳健性（技术风险）共同影响。这一层级结构对已识别的风险因素提供了逻辑化的组织方式，同时使贝叶斯网络能够建模风险的传播路径——即风险从外部宏观驱动因素出发，经由具体的运营挑战，最终传导至可量化的业务影响。

在数据稀缺环境下的AI模型参数化
模型参数化在确定网络结构后进行。这一关键步骤涉及为每个节点指定概率。目前尚无系统性的国际货运代理风险综合定量数据集，因此概率值通过模拟专家小组评估获得。该方法结合了定量分析与定性判断，输入信息来源于权威的行业报告及相关学术文献。

此外，文献和专家意见中的风险评估具有内在的模糊性和主观性。为正式处理这种不确定性，采用了模糊集理论^19,21。因此，所获取的概率被概念化为模糊数，而非单一的点值。为便于清晰呈现，本文报告的是明确的概率值。然而，每个明确值均代表一个潜在模糊概率分布中最具有代表性的点（例如，质心）。该方法正式承认，诸如“高风险”之类的定性表述对应的是一个数值范围，而非单一的精确数值。

参数化过程包括两个主要阶段。第一阶段定义了所有根节点的边际概率。第二阶段定义了所有子节点的条件概率。该第二阶段采用了Noisy-MAX模型。

根节点概率的确定
贝叶斯网络（BN）中的根节点对应于节点1-5。这些因素作为风险的主要来源。这些节点的边缘概率是根据下文详述的程序进行估计的。表2展示了最终估计值。
地缘政治与经济（节点1）：不稳定状态的概率估计为0.30。该数值来源于世界贸易组织（WTO）等机构发布的报告。这些报告记录了持续存在的贸易紧张局势以及显著的全球经济波动（https://www.wto.org/english/res_e/publications_e/publications_e.htm）。
灾害（节点2）：频繁发生灾害的概率设定为0.15。该估计基于风险情报公司提供的分析。这些分析记录了极端天气事件及其他大规模中断事件（包括大流行病）发生频率的上升趋势（https://www.everstream.ai/risk-center/）。
市场供需（节点3）：市场失衡的概率设定为0.40。该数值反映了航运运力和运费中广泛记载的波动性。这一波动性在主要行业综述中反复被提及（https://unctad.org/topic/transport-and-trade-logistics/review-of-maritime-transport）。
客户信用状况（节点4）：信用状况较差的概率估计为0.10。该数据基于全球企业违约研究，此类研究量化了企业间交易中无法付款的基础风险（https://www.spglobal.com/ratings/en/regulatory/annual-reviews）。
网络安全环境（节点5）：恶劣环境的概率设定为0.25。该估计参考了有关数字威胁的报告。这些报告记录了针对供应链和关键基础设施的网络攻击在数量和复杂性方面的持续增长（https://www.pwc.com/gx/en/issues/cybersecurity/digital-trust-insights.html）。

使用噪声最大模型（Noisy-MAX）进行条件概率的获取
为具有多个父节点的节点定义条件概率表（CPT）是一项复杂的任务。因此，本研究采用噪声最大模型（Noisy-MAX）来应对这一复杂性²⁶。该模型是著名的噪声或模型（Noisy-OR）框架的推广形式。这种方法非常适用于基于知识的建模，因为它显著简化了参数获取过程。该模型减少了每个节点所需参数的数量。对于每个子节点，仅需估计两种类型的参数：
独立影响概率（ρ_i）：该参数用于量化特定因果机制发生的概率。它表示单个父因素在独立作用时导致子节点进入高风险状态的可能性。这些概率的估计基于对高影响力、记录详实的行业案例研究的分析。例如，考虑网络安全环境对运营结果的影响。马士基公司遭受的广为人知的NotPetya网络攻击便是一个恰当的例子。该事件是单一技术故障引发全球运营瘫痪的真实案例。因此，此案例为估计该特定因果关系的高独立影响概率提供了合理依据（https://www.wired.com/story/notpetya-cyberattack-ukraine-russia-code-crashed-the-world/）。
泄漏概率（ρ₀）：该参数用于捕捉所有未显式建模的背景因素的影响。这些残余因素也可能导致子节点进入高风险状态。因此，泄漏概率代表了基础风险水平，即当所有显式建模的父因素均处于有利的低风险状态时，仍然存在的风险。
所有中间节点和叶节点的获取参数列于表3中。这些数值的估计来源于权威行业报告与记录详实的案例研究的综合分析。下文将针对每个参数提供具体的依据说明。

中间节点概率的依据：
运输风险（节点 6）： 灾害的影响程度较高（0.70）。该数值反映了灾害对物理基础设施的直接且严重的影响（https://www.everstream.ai/risk-center/）。合作伙伴风险的影响也较为显著（0.60）。承运商的失败将导致运输立即中断。韩进海运的倒闭即为这一影响的典型案例（https://unctad.org/publication/review-maritime-transport-2024）。较低的泄漏概率（0.05）代表了轻微且孤立的物理性故障。
运营与合规风险（节点 7）： 不稳定的地缘政治环境的影响设定为 0.50。此类环境会带来显著的合规不确定性及运营障碍⁴。合作伙伴风险的影响同样重大（0.40）。合作伙伴的履约失败将直接导致运营和合同层面的失败。泄漏概率较高（0.10），以涵盖一系列未被建模的内部因素，例如人为错误或流程缺陷。
财务风险（节点 8）： 多个因素对该风险具有强烈影响。首先，客户信用状况不佳（0.90）构成最直接的威胁，代表了因客户违约而导致财务损失的高概率²¹。其次，市场供需失衡（0.80）具有高度影响力，直接影响运费波动性和盈利能力³。第三，地缘政治与经济不稳定（0.60）通过汇率和燃料价格波动带来重大财务风险。极低的泄漏概率（0.02）表明，重大财务困境几乎完全归因于这些主要经济驱动因素。
合作伙伴风险（节点 9）： 市场条件失衡是该风险的主要驱动因素（0.70）。激烈的竞争和低运费可能迫使承运商陷入破产。灾害也是重要成因之一（0.50），可能使区域合作伙伴瘫痪或破坏其运营能力。泄漏概率设定为较低的 0.05，该数值代表由于个别原因（如内部管理不善）导致合作伙伴失败的基础风险，此类风险未被主要市场或灾害事件所涵盖。
技术风险（节点 10）： 该风险受到敌对网络环境的直接且强烈影响（0.60），反映了外部威胁增加导致内部系统被攻破的高概率⁵。相对较高的泄漏概率（0.10）则用于解释与外部攻击无关的内部技术问题，例如软件缺陷或硬件故障。

叶节点概率的依据：
行业成本绩效（节点 11）：高财务风险是导致高成本结果的主要决定因素（0.90）。客户违约等因素对盈利能力具有直接且严重的影响。高运营与合规风险也是极强的促成因素（0.70），会导致因效率低下、罚款和纠错而产生的成本。极低的泄露概率（0.01）表明，重大成本超支几乎完全由这两个核心风险领域引起。
行业时间绩效（节点 12）：高运输风险是导致 shipment 延迟的最直接原因（0.85）。高合作伙伴风险的影响几乎同样显著（0.75），因为货运代理完全依赖合作伙伴的执行。运营与合规风险的影响（0.60）虽显著但相对较低。某些运营问题（如海关延误）可能不会危及整个交付时间表（https://lpi.worldbank.org/）。极低的泄露概率（0.02）反映了一个关键假设：如果运输、运营和合作伙伴均可靠运行，则出现重大无法解释的延迟的概率极低。
行业可靠性（节点 13）：对可靠性低下的感知主要受核心物理服务失败的影响（运输风险，0.80）。技术风险是第二大驱动因素（0.65），系统中断或数据泄露会严重削弱客户信任与服务完整性。运营与合规风险（0.50）是另一重要促成因素，持续的运营故障会削弱对服务可靠性的感知。泄露概率（0.03）则涵盖了影响客户感知的其他次要因素。

模型实现的计算流程
模型构建：我们启动 GeNIe 软件，创建了 13 个 Chance 节点，并根据表 1对其进行命名。使用“添加弧线”（Add Arc）工具在节点之间绘制因果关系，以复现图 1所示的结构（视觉检查点 1：最终网络结构必须与图 1一致）。
参数设定：对于每个节点，我们打开属性以定义其状态（见表 1）。对于根节点，在“定义”（Definition）选项卡中输入表 2中的边际概率。对于子节点，选择NoisyMAX作为节点类型，并输入表 3中的独立因果影响（ICP）和泄露（Leaky）参数。
分析执行：
基线推断：点击主工具栏上的更新信念图标，计算所有节点的基线概率。（视觉检查点 2：结果应与图 2中的概率值一致）。
敏感性分析：右键点击一个KPI 节点（例如，成本），将其设为目标节点，进入网络 > 敏感性分析，选择根节点作为输入，然后运行分析。（视觉检查点 3：生成的龙卷风图应与图 3中的图形一致）。

结果

因果AI模型的基线智能分析
我们首先运行了完全参数化的AI框架，以生成系统范围的基线智能快照。该模型的前向推理计算每个节点的边际概率分布，从而提供对行业违约风险状态的定量预测。完整分析结果如图2所示。

核心行业风险分析
该模型识别出财务风险和合作方风险为最重要的内在挑战。处于高财务风险状态的概率为47%。相应地，处于高合作方风险状态的概率为37%。这一发现表明，在当前基线环境下，财务稳定性及合作方生态系统的可靠性是最紧迫的内部问题。相比之下，技术风险处于高状态的基线概率最低（23%），这一结果表明技术环境相对稳定。

最终行业绩效分析
基线评估得出了三个主要关键绩效指标（KPI）的概率。模型预测结果如下：高成本绩效的概率为48%；进度延迟的概率为47%；可靠性低的概率为46%。这些结果表明系统正处于显著压力下运行。每一项关键指标——成本、时间和可...

讨论

本研究提出并验证了一种用于管理货运代理行业系统性风险的因果人工智能框架。研究结果不仅识别了关键风险驱动因素，还揭示了风险格局的复杂性和相互关联性。本节讨论了这些发现的广泛意义、不同利益相关方的实际应用以及当前研究的局限性。

本研究的主要贡献在于实现了从传统的静态风险管理工具向动态、可解释且具有因果关系的AI驱动方法的转变。传统的风险登记册或故障树分析通常将风险视为孤立事件，难以建模现代供应链中典型的概率性、连锁式影响。相比之下，该框架提供了一个风险生态系统的整体数字孪生模型，从而推动风险管理从被动应对危机转向主动的战略韧性规划。该方法定量地展示了地缘政治或市场动态在宏观层面的变化如何通过系统传导并影响最终的业绩表现，提供了纯预测性的黑箱AI模型所无法实现的解释性洞察。

与替代方法相比，这种因果人工智能框架在建模以服务为中心的供应链韧性方面具有显著优势。传统工具（如故障树分析（FTA））通常是确定性的且缺乏灵活性，难以捕捉现代系统性风险所具有的概率性和相互依赖特性^7,

材料

本文使用的材料清单

姓名	公司	目录编号	评论
因果模型数据	作者（通过 Zenodo）	DOI: 10.5281/zenodo.17255289
GeNIe 学术版	BayesFusion	版本 2.3