本論文では、共同時間指数ランダムグラフモデル（Temporal Exponential Random Graph Model）と改良型Motter-Laiアルゴリズムを組み合わせた物理計算フレームワークを提案し、連鎖的故障におけるデジタル経済エコシステムの構造的進化を評価し、レジリエンスしきい値を定量化します。
研究記事
デジタル経済エコシステムの構造的進化とレジリエンス：時間的指数ランダムグラフモデルとMotter-Laiフレームワークを統合したアプローチ
この記事について
サマリー
要約
既存の静的解析手法では、複雑なネットワークトポロジーの構造的進化や、局所的な負荷再分配によって誘発される連鎖的故障が軽視されており、デジタル経済エコシステムのレジリエンス分析において評価のバイアスが生じています。システムのレジリエンス閾値を正確に定量化するため、本論文では、結合時間指数ランダムグラフモデル（Temporal Exponential Random Graph Model: TERGM）と改良型Motter-Laiアルゴリズムを組み合わせた物理計算フレームワーク（TERGM-ML）を提案します。このフレームワークは、マルコフ連鎖モンテカルロ最大尤度推定（MCMC-MLE）を利用して内生的な構造的影響をモデル化し、実際のネットワークトポロジーの時間的進化軌跡を再構築することで、静的なベースラインの限界を克服します。続いて、ノードの中心性と非線形な物理容量に基づき、意図的な攻撃に遭遇した際に隣接ノードの残存容量に依存するトラフィック再分配ルールをトリガーし、局所的な過負荷伝播によって引き起こされるシステム崩壊の全プロセスを追跡します。マルチモデル比較シミュレーションの結果、時間的進化と動的再配分の二重メカニズムを導入した後、媒介中心性に基づく意図的な攻撃シナリオにおいて、グローバルな伝送効率の崩壊を誘発する臨界ノード除去閾値は12.41% ± 0.63%となり、静的なスケールフリーベースライン（7.85% ± 0.42%, p < 0.001）よりも有意に高いことが示されました。
概要
グローバルな情報技術の深い統合に伴い、デジタル経済エコシステムは、国境を越え、相互に絡み合い、高度に相互依存した複雑なネットワークシステムへと次第に進化してきました1,2。このシステムの構造的進化とレジリエンスの境界に関する研究は、マクロ経済の安定した運用とデジタル産業のセキュリティを確保する上で極めて重要な戦略的意義を持っています。しかし、世界的な経済情勢の再編と頻発する非対称的な外部ショックを背景に、デジタル経済エコシステムが示すネットワークトポロジー上の脆弱性が顕著になっています3,4。既存のマクロ経済計量経済学的な手法や静的な統計分析手法では、システムの内部関係を変数の線形結合として扱うことが多く、微視的なトポロジー的カスケードの視点から、極端なリスクに反応して生じる動的な相転移の法則を明らかにすることができていません5,6,7。
これらの限界を解消するため、時間的指数ランダムグラフモデル（TERGM）8,9と改良されたMotter-Laiアルゴリズムを組み合わせたフィジカルコンピューティングフレームワークを開発し、既存の研究10における時間的離散性、負荷分散に関する仮定、およびアーキテクチャの切り離しに関連する技術的な課題を解決した。本フレームワークは、計画的な非対称攻撃を受けた際のデジタル経済エコシステムのレジリエンス限界を測定することにより、ミクロレベルの相互作用とマクロレベルのシステム全体の崩壊との間の数学的な乖離を埋めるものである。本研究で構築された統合コンピューティングフレームワークは、複雑ネットワーク進化のレジリエンスに関する数学的推論メカニズムを向上させるだけでなく、デジタル時代におけるグローバルネットワークの崩壊危機の防止に向けた、再現性の高い数学的根拠を提供する。
プロトコル
本プロトコルは、実証的なパネルデータをデジタル経済エコシステムの定量化された回復力しきい値に変換する、4つの順次的な計算段階から構成される。
時間的トポロジーの進化：TERGMによる解析
第1段階では、マルコフ連鎖モンテカルロ最尤推定法を用いた時間的指数ランダムグラフモデルにより、トポロジーの進化を実行する。実証的縦断パネルデータセットICT-DE500は、2018年におけるデジタル経済エンティティを表している–2023年の観測期間のデータがシステム環境にインポートされ、異なる時刻間でエンティティのインデックス番号が整合化されることにより、垂直方向のグラフ列が構築される。パラメータ更新のステップサイズは0.01に固定され、最初の10,000回のMCMC反復は定常分布の達成のためにバーンイン期間として破棄される。ICT-DE500データセットは、2018年から2023年までのCrunchbaseのグローバル企業投資および合併記録から構築され、情報通信技術（ICT）およびデジタル経済セクターで活動するエンティティに絞ってフィルタリングされている。このように構築されたネットワークにおいて、ノードは個々のデジタル経済エンティティ（すなわち企業および投資機関）を表し、有向エッジは投資または買収・合併（M&A）を通じた重みなしの二値資本フローを表す。&A）イベント。これらの金融取引は、株式の依存関係や資本の流れが直接的なリスク伝播経路を形成するため、モデル化された負荷伝播の論理的経路として機能する。あるノードにおける財務的困難は、流動性の再分配および資産価値の下落を引き起こし、それがネットワーク上で接続された関係先に直接伝播する。500のコアエンティティは、観察期間中にネットワーク中心性のランキングが最も高く、かつ最も活発な相互作用記録を持つものから選定している。エッジの年次スライスは6年分それぞれについて抽出する。エンティティのインデックス番号の厳密な時間的整合性を確保し、行列の次元を統一するために（N = 500）のTERGM推定において、特定の年において次数がゼロの孤立ノード'sスライスは構造的に除去されるのではなく、一時的に非活性のエンティティとして保持された。TERGMの収束は、エッジ密度、相互性、幾何重み付きエッジワイズ共有パートナーシップを含む、すべての内生的構造係数に関するMCMC-MLEパラメータ軌道をモニタリングすることで評価される。チェーンは、10,000ステップのバーンイン期間を経た後、すべてのパラメータ軌道がそれぞれの平均値の周りで方向性のない安定した振動を示す場合に収束したと判定される。パラメータが収束した後、システムは10,000回の逐次ギブスサンプリング反復を行い、スター・ハブ傾向などの内生的効果をモデル化し、ネットワークを表現する連続的で時間同期されたトポロジーを生成する'マクロな構造進化。
TERGMの数学的仕様は、対象となるネットワークトポロジーを観測する条件付き確率をモデル化することにより、生成過程を形式的に定義する Gt マクロ時間ステップで t、前述のネットワークを前提として Gt-1、として
ここでは、 θ 構造の進化を制御するコアパラメーターベクトルであり、 h(Gt, Gt-1）はネットワークである'内生的構造項（すなわち、エッジ密度、相互性、および幾何学的重み付きエッジワイズ共有パートナーシップ）を定量化する十分統計量ベクトルであり、 c(θ, Gt-1）は確率の正規化を保証する分配関数である。以降の非線形カスケード故障シミュレーションについては、生成された事前系列から得られた最終的な安定ネットワーク実現を用いる G1:T 初期のトポロジカル基板として抽出される。決定的に重要なのは、マクロ経済的構造の進化がはるかに長い時間スケール（マクロ時間ステップ）で進行するため、 t）瞬時の局所的な連鎖的故障よりも、ネットワークトポロジーはカスケードシミュレーション中にTERGMメカニズムを通じて進化し続けることはない。代わりに、急速なマイクロカスケードの時間ステップ中のトポロジー変化（τ）は、意図的なノードの除去およびそれに続く過負荷による二次的故障によってのみ引き起こされる。
身体的負荷の較正および負荷の初期化
第2段階では、出力されたネットワークトポロジー行列の各ノードに対して物理的容量のキャリブレーションを行う。すべてのノードについて、総次数および有向媒介中心性を抽出し、小さな定数として10を加える。-8 間接性中心性の計算において、局所的なネットワークの離散性によってゼロ除算が生じるのを回避するために導入される。初期サービス負荷 Li(0) は非線形のべき乗則方程式を用いてすべてのネットワークノードにマッピングされる
ここで ki 正規化された総次数であり、 Bi 正規化された有向媒介中心性であり、 λ は平衡重量係数（等しい重み付けを保証するため、0.5で固定）であり、 β 負荷配分指数は1.0から1.5の範囲内に制約される。物理的収容能力の限界 Ci 各ノードについて、システムレベルの容量耐性ハイパーパラメータを適用することにより、その値が決定される α （0.1～0.5の範囲）衝撃に対する物理的冗長性境界を構築するため
下限 α = 0.1は、ノードがベースライン負荷に対してわずか10％の余剰容量しか持たない最小冗長性のシナリオを表しており、一方で上界は α = 0.5 は、50%の予備容量を持つ高冗長構成を示す。中間の値 α = 0.2、0.3、および0.4も、負荷の不均一性指数との直交パラメータ空間を完全に構成するために、二変量感度分析で用いられる β負荷配分指数 β 1.0～1.5の範囲内に制限される。ただし、 β = 1.0 は線形の荷重分布を生成する β = 1.5 は、高次元ノードへの高い偏りのある負荷集中を生じる。平衡重量係数 λ 初期の負荷計算において次数中心性と媒介中心性が等しく寄与するように、0.5 で固定される。時系列の進化および連鎖的故障シミュレーションのためのコアパラメータ設定を以下に要約する。 表1.
意図的な攻撃下における非線形カスケードダイナミクス
第3段階では、意図的な攻撃条件下で非線形カスケード動態を実装する。このシミュレーションは、媒介中心性の降順でコアノード群をロックし、強制的に除去することで意図的な攻撃を開始し、デジタルエコシステムの初期トポロジー保護を破壊することにより、マイクロカスケード時間ステップにおける動的ストレスを評価する。負荷再分配エンジンが作動し、隣接ノードのリアルタイムでの残存物理容量に制約されながらオーバーフロー流量を再ルーティングする。シンク項は10である。-8 商業的経路が完全に遮断された場合のデジタル資産のオーバーフローを模擬するために導入された。ノードの過渡的負荷がその物理的容量を超えると、そのノードは故障したと見なされ、この過負荷の検証はすべての活動中のノード上で並列に実行され、二値の生存状態関数を更新する。意図的な攻撃は、媒介中心性の高い順に厳密にノードを標的にし、各攻撃ステップで生存中の活動ノード集合から正確に1つのノードを除去する。負荷再分配の重み 
失敗したノードから割り当てられた i ∈ Fτ 生存している隣人へ j ∈ Aτ 微時間ステップで τ は次のように計算される
ここで 
隣接するノードの残りの物理的容量を表す j, Gij は位相的な隣接性を示す指標である、 Aτ は活性化された生存ノードの集合であり、 
= 10-8 ゼロ除算を防ぐ。これらの重みに基づいて、瞬間的な負荷スケール 
生存ノードの同期的遷移
その後、二次的な故障状態の更新は、二項生存関数を用いて検証される 
:
ノードは失敗したと宣言される（
一時的な負荷がその容量を超えた場合に、故障セットを更新する Fτ+1カスケードが定常状態に達するのは、 Fτ+n = ∅、これは現在のマイクロ時間ステップで追加のノード故障が発生しておらず、存続しているすべてのノードがその容量限界内で動作していることを示している。
カスケードループは、追加のノードが故障しなくなるまで継続し、カスケードの潜在能力が完全に散逸した二次的定常状態に到達したことを示す。
システムの回復力評価と閾値の同定
第4段階では、デジタルエコシステムグラフのマクロ的崩壊率をモニタリングすることにより、システムのレジリエンスを評価する。除去されたノードの割合に対する位相遷移的劣化曲線を描くために、生存したノードから得られる最大連結成分の相対的な規模を継続的に抽出する。グローバル伝達効率 E(τ生存するトポロジーの接続性を定量化するために計算される
ここで N 初期のノード総数（定数）である， Aτ 生存しているアクティブノードの集合であり、 
ノードからの有向最短測地距離 i 〜へ j この段階で、効率関数の除去率に対する一次導関数の変化を監視することにより、臨界遷移閾値を特定する。この閾値は、一次導関数が最小値をとる点として決定され、伝達効率の最も急激な低下を示す。臨界回復力閾値は、全伝達効率の数値微分を計算することにより求められる E(τノード除去比 f に対する2次精度中心差分法を用いて計算する。(dE/df) の最初の微分軌跡は、モンテカルロサンプリングノイズを低減しつつ最急降下点の位置を保持するために、5つの連続するデータ点による移動平均フィルターで平滑化する。臨界しきい値 fc 平滑化された1次微分がその全体的最小値に達する除去率が選択され、これは透過効率の最大減衰率に対応する点である。この選択基準は、すべてのシミュレーション条件およびベースラインモデルに一貫して適用される。報告されたしきい値は12.41％である。 ± 0.63％は、異なる乱数シードを用いた100回の独立したモンテカルロシミュレーションから算出された平均値と標準偏差を表しており、これにより位相転移の局在化に関する統計的ロバスト性が保証されている。
シミュレーション設定およびベースライン実装
再現性の高いシミュレーションを保証するため、各モンテカルロ反復の前に、乱数シードを順次（整数1から100まで）割り当てた。トポロジーの進化および統計モデリングは、R言語のtergmパッケージを用いて実行したのに対し、非線形カスケードシミュレーションはPythonのNetworkXライブラリを用いて実装した。さらに、比較用のディープラーニングベースラインとして、GCN-AttackモデルをPyTorch Geometricを用いて実装した。このモデルは標準的な2層構造のグラフ畳み込みネットワーク（隠れ層の次元数は64）で構成され、学習率0.01のAdamオプティマイザを用いて200エポックの間学習させることで、ベースライン評価間での厳密かつ一貫した実験的制御を確保した。
結果
提案された物理計算フレームワークの全体的な実行ロジックとデータフローを示している。 図1フレームワークの実行に伴い、局所的なオーバーフロー負荷再分配の微視的熱的特性およびノード次数分布の非線形進化が捉えられる（概要は 図2 および 図3、動的な詳細については以下に説明する。以降のセクションでは、シミュレーション結果をプロトコルの各段階に直接対応させている。
時間的トポロジーの進化をTERGMを用いて分析
図4 空間的トポロジーおよびICT-DE500コアネットワークのコミュニティ構造を視覚的に解体し、意図的な攻撃シミュレーションで標的とされる高媒介性ノードの分布を強調している。適合度検定により、生成されたネットワークトポロジーが実際の生態系の時間的進化を効果的にモデル化していることが確認されており、10,000ステップのバーンイン期間後において、勾配爆発や局所最適のトラップを適切に回避している。 図5 MCMC-MLEパラメータの収束診断トレースおよび測地線距離によるあてはまりの良さを示す。 図5A エッジ密度を表す3つの主要パラメータを示している θ₁、相互性 θ₂および幾何学的に重み付けされた辺ごとの共有パートナーシップ θ₃ 10,000ステップのバーンインしきい値を越えると、すべての系列が大きな方向性のあるドリフトを終了し、期待される平均値は水平なベースライン付近で収束して安定する。 図5B 最短測地距離の経験的観測値が、1,000回の独立したネットワーク実現の全体分布の範囲内に確実に含まれていることを示している。これらの実現は、10,000回の逐次ギブスサンプリング反復から、自己相関を最小限に抑えるために10の間引き間隔を用いて抽出されたものであり、トポロジー生成基盤の信頼性を裏付けている。観測年度を通じた内生的構造効果に関する具体的なMCMC-MLEパラメータ推定値、標準誤差、および統計的有意性については、次に詳述する。 表2.
マクロなトポロジカル構造の時間的進展は、次式で定量化される。 図6ネットワーク密度は2018年から2023年にかけて0.015から0.035まで着実に増加し、平均クラスタ係数は0.22から0.37へと上昇しており、密度とクラスタリングの間に顕著な乖離現象が存在していることが示された。密度は2020年から2021年にかけて最も急激に増加し、0.021から0.029まで変動したのに対し、クラスタ係数は2020年に約0.31の局所的ピークに達した後、2021年の密度の急速な増加にもかかわらず、約0.29まで低下した。この乖離は、マクロ経済サイクルの変動下における適応的進化メカニズムを明らかにしており、2020年のリスク回避的なグループ形成が局所的なクラスタリングを促進した一方で、2021年の大規模な新たな越境接続が、密接に結びついたコミュニティ構造を一時的に希釈したことを示している。
身体能力の較正および負荷の初期化
二変量感度分析では 図7 物理的容量冗長性と負荷偏極の共同効果が、最大連結成分の相転移軌道に与える影響を検討する。容量耐性の9つの直交的組み合わせを通じて α および負荷の不均一性 β、パネルの配列は、増加させることで α および減少 β いずれもネットワークの崩壊を遅らせる。偏極化負荷シナリオにおいては β = 1.5 かつ最小限の冗長性 α = 0.1 インチ 図7A、臨界崩壊のしきい値は約 f であるc = 0.08。上昇させる α 0.5まで 図7C 変曲点を f へ向かって右方にシフトさせるc ≈ 0.23. 荷重が均等に分配された条件下で β = 1.0 および α = 0.1 インチ 図7G、しきい値はfでも堅牢に保たれるc ≈ 0.18、および最適な組み合わせにおいて α = 0.5 および β = 1.0 インチ 図7I、しきい値はfまで著しく拡大するc ≈ 0.38。これらの結果から、負荷分散は容量拡張単独の場合よりもレジリエンスにおいてより大きな限界効果をもたらすことが示された。
意図的な攻撃下における非線形カスケードダイナミクス
フレームワークの概要で紹介したように、初期カスケード故障に続く局所的なオーバーフロー負荷再分配の微視的熱的特性を示す。 図2、および3つの典型的な微小時間ステップにわたるノード次数分布の非線形的進化を示す。 図3.
システムの回復力評価と閾値の特定
全球的伝達効率における重要な遷移のしきい値は12.41％に位置している ± 標的攻撃時のノード除去率は0.63％である。500ノードのネットワークという文脈では、この割合は約62個のコアハブノードの標的除去に相当する。この閾値は、完全なトポロジー的分断ではなく、伝達効率が最も急激に低下し始める効率崩壊点（すなわち、伝達効率の最大の低下の開始点）を示している。 図8 グローバル効率Eの三次元的進化曲面を示すτ除去率およびピークネットワークロードにおける 図8A、および数値微分を用いた二次元断面 図8B除去率 f が 0.10 未満の場合、E(τ）が0.8以上に保たれ、1次微分が浅い領域で振動している。1次微分の軌跡の最小値が臨界遷移のしきい値を示す。 図8B fにおける単一走査の断面を表示するc = 12.0％であり、100回の独立したモンテカルロシミュレーションから得られた統計的平均値と非常に一致している。
シミュレーション設定およびベースライン実装
提案されたモデルは、標的攻撃シナリオにおいて、静的およびディープラーニングのベースラインを大幅に上回る性能を示している。しかし、ランダムな故障条件下では、Static BA-MLベースラインはTERGM-MLモデル（46.28％）と比較して、より高い生存閾値（49.12％）を示している。なお、Barabási-Albert（BA）モデルに基づくStatic BA-MLとの比較は、厳密に制御されたアブレーション実験というよりも、異なるトポロジーベンチマークとしての位置づけであることに注意が必要である。ási-Albertの生成メカニズムは、ERGMフレームワークと根本的に異なる。 図9 4つのモデルアーキテクチャにおけるカスケード伝播ピーク速度のレインクラウドプロットを示している。Static BA-MLのベースラインは、ステップあたり約49.7ノードの中央値ピーク速度を示し、極端なバッチでは140に近づいている。SNA-CascadingおよびGCN-Attackモデルの中央値はそれぞれ約35.6および23.9である。TERGM-MLモデルは、ステップあたり13.2ノードという中央値で最も強い収束を示しており、40を超える極端な崩壊をほぼ排除している。 表3 すべてのモデルにおける重要な閾値と統計的有意性を要約している。これらの比較から明らかになるのは、TERGM-MLフレームワークが標的化された非対称的ショックに対して優れた構造的回復力を持つことの裏で、観測された性能差は単一のメカニズム除去に起因するものではなく、異なる基礎的トポロジー、時間的進化、および容量を考慮した再分配が共同で影響を及ぼしていることである。
データ利用可能性：
本研究で使用した生データは、Kaggleプラットフォーム（https://www.kaggle.com/datasets/justinas/startup-investments）から公開されているCrunchbaseのグローバル企業投資および合併データベースに由来する。処理済みのICT-DE500サブセットは、2018年から2022年までの年次エッジ行列を持つ500のエンティティから構成される。–2023年および次数や媒介中心性といったノード属性データ、TERGMの推定および収束診断用スクリプト、改良されたモッター・ライアルゴリズムを用いたカスケード故障シミュレーションコード、および完全な依存関係仕様は、https://github.com/moonmoon1189/digital-economy-resilience-complex-networks にある公開GitHubリポジトリに登録されている。
図1時間的トポロジーの進化と非線形カスケード物理計算フレームワーク この図は、トポロジーの進化、物理的容量の較正、非線形カスケーディング、およびレジリエンス評価の各段階を含む、重要な遷移しきい値を特定するための全体的な実行ロジックおよびデータフローを示している。 この図の拡大版をご覧になるには、ここをクリックしてください。
図2：非線形な負荷再分配と局所的なカスケード過負荷の微視的進展に関する熱的図式。 図は、マイクロタイムステップ0からステップ5までの間で、初期カスケード故障後にオーバーフロー負荷が局所的に再分配される際の動的熱的特性を示している。 この図の拡大版を表示するには、ここをクリックしてください。
図3カスケード故障中のノード次数分布の非線形的進化の散布図。 図は、システムのノード次数分布が3つの代表的な微小時間ステップ（0、3、6）でどのように変化するかを示している。 この図の拡大版をご覧になるには、ここをクリックしてください。
図4ICT-DE500コアネットワークの空間的トポロジー、コミュニティ構造、および意図的な攻撃ターゲットの分布。 図は、コアネットワークの高度に非線形なマクロスコピックなトポロジーとミクロスコピックなノード属性を視覚的に分解し、スター型ハブおよび脆弱なソースを強調している。 この図の拡大版をご覧になるには、ここをクリックしてください。
図5マルコフ連鎖モンテカルロパラメータ診断軌跡と測地線距離の適合度検定。 (A）このパネルは、反復回数に伴うMCMC-MLEパラメータ推定の診断的軌跡を示しており、一方、パネル（B最短測地線距離の適合度検定を示している。 この図の拡大版をご覧になるには、ここをクリックしてください。
図6：時系列の進化におけるマクロトポロジカル特徴パラメータの同時分布。 図は、2018年から2023年までのデジタル経済エコシステムにおけるマクロトポロジカルパラメータ、具体的にはネットワーク密度および平均クラスタ係数の変化傾向を示している。トレンドライン周囲の陰影部は、100回の独立したモンテカルロシミュレーションから得られた95％信頼区間を表している。 この図の拡大版をご覧になるには、ここをクリックしてください。
図7容量耐性と負荷の不均一性に対する二変量感度の相転移減衰のアレイプロット。 (A–Iこれらのパネルは、容量耐性と負荷の不均一性のさまざまな直交的組み合わせにわたる相転移の軌跡を示している。 この図の拡大版をご覧になるには、ここをクリックしてください。
図8三次元における全球的伝達効率の同時プロファイルと断面的臨界遷移閾値 パネル（A）は、全球的伝達効率の三次元空間的進展を構築し、パネル（B）は数値微分を用いて、二次元断面における臨界遷移閾値（すなわち、効率崩壊点）の位置を抽出する。 この図の拡大版をご覧になるには、ここをクリックしてください。
図9：降水雲プロットにおけるカスケード伝播ピーク進展速度の不均一な分布。 図は、二次災害発生時における4つのモデルのカスケード伝播ピーク速度の異種混合確率密度分布を包括的に示している。 この図の拡大版をご覧になるには、ここをクリックしてください。
| パラメーター | 変数 & 範囲 | 制約 & 根拠 |
| ネットワーク規模 | N=500 | 抽出されたICT-DE500経験的ネットワークサブセットの固定サイズ。 |
| 中心性の重み | λ=0.5 | 次数と媒介中心性に均等な重み付けを行うアンカー基準線。 |
| 負荷配分指数 | β∈[1.0,1.5] | 初期の業務負荷の不均一性を制御する非線形指数。 |
| 容量許容差 | α∈[1.0,1.5] | 物理的容量の上限を定義するシステムレベルの冗長率 |
| MCMCバーンイン期間 | >10,000歩 | 定常分布に到達するために、初期の反復を必須として破棄する。 |
| ギブズサンプリングの反復回数 | >10,000歩 | 時間同期されたネットワークトポロジーを生成するための逐次的サンプリング手順。 |
表1：時系列変化およびカスケード故障の物理シミュレーションにおけるコアパラメータ設定 表は、ネットワーク規模、中心性の重み、負荷配分指数、容量耐性、およびマルコフ連鎖モンテカルロ（MCMC）反復回数といったコアパラメータを定義している。
| 観察年 | エッジ密度（θ1) 推定 | エッジ密度（θ標準誤差 | 相互性 (θ2) 推定 | 相互性（θ2) 標準誤差 | GWESP（θ3) 推定 | GWESP（θ3) 標準誤差 | 意義 |
| 2018 | -6.35 | 0.12 | 1.95 | 0.08 | 1.25 | 0.05 | *** |
| 2019 | -6.15 | 0.11 | 1.98 | 0.09 | 1.35 | 0.06 | *** |
| 2020 | -6.05 | 0.14 | 2.15 | 0.1 | 1.55 | 0.07 | *** |
| 2021 | -5.85 | 0.13 | 1.9 | 0.09 | 1.3 | 0.06 | *** |
| 2022 | -5.75 | 0.12 | 2.05 | 0.08 | 1.42 | 0.05 | *** |
| 2023 | -5.65 | 0.11 | 2.1 | 0.07 | 1.48 | 0.05 | *** |
表2：観察年（2018年）を通したTERGMパラメータ推定値（内生的構造効果）–2023). 表は、6つの年次観察期間にわたるエッジ密度、相互性、および幾何学的重み付きエッジワイズ共有パートナーシップについて、マルコフ連鎖モンテカルロ最大尤度推定法（MCMC-MLE）によるパラメータ推定値、標準誤差、および統計的有意性を示している。***p < 0.001。標準誤差はパラメータ推定値の隣に示されている。
| モデル構造 | 時間的進化メカニズム | 動的再割り当てメカニズム | 臨界閾値（標的攻撃） | 臨界しきい値（ランダム故障） | 統計的有意性（p値） |
| TERGM-ML | はい | はい | 12.41% ± 0.63% | 46.28% ± 1.75% | リファレンス・ベースライン |
| 静的BA-ML | いいえ | はい | 7.85% ± 0.42% | 49.12% ± 1.88% | p < 0.001 *** |
| SNAカスケード | はい | いいえ | 8.93% ± 0.55% | 37.54% ± 1.42% | p = 0.003 ** |
| GCN-Attack（SOTAベースライン） | 内因性 | 内因性 | 10.76% ± 0.81% | 43.15% ± 2.05% | p = 0.021 * |
表3：コアメカニズムアブレーションとマルチモデルアーキテクチャの回復力境界の比較。 表は、時系列グラフおよび改善されたモッター・ライ（TERGM-ML）モデルと3つのベースラインモデルにおけるシステムの回復力について、意図的な攻撃およびランダムな故障の両シナリオ下での重要な閾値および統計検定結果を示している。数値は平均値として報告されている ± 100回の独立したモンテカルロシミュレーションに基づく標準偏差。標的攻撃とは、媒介中心性の降順に基づいてノードを逐次除去することを指す。統計的有意性は、対応するベースラインモデルと提案フレームワークとの間の標的攻撃のしきい値の差について、独立した2標本t検定を用いて評価した（*p < 0.05, **p < 0.01, ***p < 0.001).
ディスカッション
共同時系列グラフと改良型Motter-Lai（TERGM-ML）を組み合わせた提案上のカスケード物理計算フレームワークは、レジリエンス予測における従来の純粋なデータ駆動型モデルのブラックボックス的な制限を効果的に緩和します。このフレームワークは、WassermanとPattisonによって導入された基礎的な指数ランダムグラフモデル11および、MotterとLaiによって元々開発されたカスケードベースの攻撃フレームワーク12に基づいて構築されており、時間的なダイナミクスと局所的な容量制約に対処するために両方を拡張しています。このパラダイムは、局所的な物理容量の境界制約に基づく選択的フローロジックを導入することで、実際の内因的なトポロジー進化とマイクロエンティティの負荷耐性限界を密接に結合させます。時間進化メカニズムは動的ネットワークモデリングのためのTERGM仕様13,14に従い、容量配分戦略はカスケード故障緩和のためのネットワーク冗長設計の原則15,16に準拠しています。
プロトコルの重要なステップは、利用可能な隣接ノードの容量に基づいた基礎的なビジネスフローの最適な再ルーティング機構であり、これにより従来のMotter-Laiモデルにおける非現実的な「平均分配」の仮定が置き換えられます。標準的なMotter-Laiモデルの一様再分配の仮定は、不均一なノード容量の制約を無視しているとして、近年のインフラレジリエンス研究において批判されてきました6,10。本結果は、基礎となる閉ループコミュニティネットワークがオーバーフロー負荷のピークに対して明確な物理的減衰効果を持ち、カスケード伝播を効果的に抑制し、グローバル伝送効率の相転移崩壊を大幅に遅らせることを示しています。TERGM-MLモデルは、意図的な攻撃に対する臨界しきい値が最も高く、12.41% ± 0.63%に達しており、これは内生的なネットワークアーキテクチャの減衰能力を反映し、単一のオーバーフロー地点によって誘発されるグローバルなアバランシェリスクを軽減しています。臨界しきい値が7.85%から12.41%に上昇したのは、2つの相乗的なメカニズムによるものです。時間的進化メカニズムにより、静的なスケールフリーネットワークには存在しない閉ループコミュニティ構造と相互的な結びつきが生成されます。これらのコミュニティは、オーバーフロー負荷が遠隔地に到達する前にコミュニティ内の複数の経路を通過することを強いることで、過負荷の伝播を空間的に閉じ込め、各通過ステップにおいて隣接ノードによる吸収を通じて過渡的な負荷の一部を消散させます。動的再分配メカニズムは、オーバーフロー負荷を正の剰余容量 ΔCj(τ) > 0 を持つ隣接ノードにのみ向け、標準的なMotter-Laiモデルのように局所的な冗長性を急速に枯渇させる一様分配を回避します。閉ループコミュニティは容量を考慮したルーティングを有効にするトポロジー構造を提供し、一方で容量を考慮したルーティングはコミュニティ内部リンクの早期飽和を防ぎます。この結合により、統合フレームワークが臨界しきい値において静的なベースラインを4パーセンテージポイント以上上回ることが説明されます。このしきい値は、標的攻撃下におけるスケールフリーネットワークの理論的予測17および複雑系で観察されるパーコレーション相転移挙動18と一致しています。
これらの進展がある一方で、本手法には限界が存在します。既存の観測境界による制限があるため、現在の外挿はグローバルなトポロジーの集約的な完全スライスに大きく依存しており、また、離散化されたサンプリング時間窓では、高周波の急激な外部環境変動によって引き起こされる微小な時間変動インピーダンス外乱を正確に捉えることができません。これらの限界は、サイバーフィジカルシステムにおけるレジリエンス指標や、動的条件下での連鎖的失敗モデリングに関する最近のレビューで指摘されている課題と一致しています19,20。今後の研究および応用としては、分散型アーキテクチャへの拡張が考えられ、不完全情報ゲーム条件下でのマルチエージェント分散協調に基づく適応的レジリエンス動的補償メカニズムの探索に焦点を当てることができます。また、単層グラフによる抽象化とグローバルなパラメータ割り当ては、現在のフレームワークにおける主要な限界です。マルチレイヤーネットワークの研究では、相互作用レイヤー間の相互依存性が、単層モデルでは捉えきれない方法でカスケード伝播を増幅または減衰させることが示されています。容量許容度 α および負荷配分指数 β をグローバルに割り当てる手法は、容量マージンや負荷感度における個々のエンティティ固有の異質性を抽象化してしまいます。今後の課題として、以下の3つの拡張を検討する価値があります。まず、単層トポロジーを、資本フロー、技術ライセンス、サービス提供を個別のレイヤーとして区別し、レイヤー間の依存関係を持たせたマルチレイヤー表現に置き換えること。次に、企業レベルの運用データからエンティティ固有の容量および負荷パラメータをキャリブレーションすること。そして、集約的なトポロジースライスから、ノードが局所的に観測可能な信号に基づいて適応的な再配分決定を行う分散型マルチエージェントアーキテクチャへと移行することです。近年のマルチレイヤーネットワーク研究により、異なる相互作用レイヤー間の相互依存性が、単層モデルでは不可能な形でカスケード伝播を増幅または減衰させ得ることが実証されています。
開示事項
著者は競合する利害がないことを宣言します。グラフィカル要素の作成、生成、または修正において、生成AIツールは一切使用されていません。
著者貢献度：
F.Y.とY.Z.が本研究を構想し、設計した。F.Y.が計算シミュレーションを実施し、データを解析し、原稿の初稿を執筆した。Y.Z.が研究を監督し、理論的な指導を行い、重要な知的内容について原稿を批判的に校閲した。著者全員が最終原稿を確認し、承認した。
謝辞
著者は、提出された研究に関して、いかなる組織からも支援を受けていません。
材料
| 名前 | 会社 | カタログ番号 | コメント |
|---|---|---|---|
| AMD EPYC 7742 CPU | Advanced Micro Devices | 7742 | グラフ構造のトラバーサルおよび最短経路の再計算に使用する高性能プロセッサ |
| Crunchbase Database | Kaggle | startup-investments | グローバルネットワークのベースとして使用される、世界的な企業投資およびM&Aネットワークの記録 |
| CUDA 11.6 | NVIDIA | version 11.6 | GCNベースラインモデルにおけるテンソル演算に利用されるハードウェア加速プラットフォーム |
| NetworkX 2.8 | NetworkX Developers | version 2.8 | グラフパラメータの抽出および経路探索に使用される複雑ネットワーク解析ライブラリ |
| NumPy | NumPy Developers | N/A | 決定論的なロジックを保証し、数値ドリフトを排除する数学カーネルフレームワーク |
| NVIDIA RTX 3090 GPU | NVIDIA | RTX 3090 | ディープラーニングのベースラインにおけるテンソル計算を加速させるために配備されたグラフィックスプロセッサ |
| Python 3.9 | Python Software Foundation | version 3.9 | コアフレームワークのコンパイルおよび実行に使用される基盤実行環境 |
| PyTorch 1.12 | Meta AI | version 1.12 | ベースラインモデルにおけるグラフ計算および前方伝播に使用されるディープラーニングライブラリ |
| R | / | version 4.2.2 | / |
| statnet package | The statnet Project | N/A | 多段階動的ネットワークTERGM MCMC-MLEに使用される高度な統計拡張パッケージ |
| tergm package | / | version 4.2.0 | / |
| Ubuntu 22.04.1 LTS | Canonical | 22.04.1 LTS | マルチスレッド計算マトリックスをホストするサーバーOS構成 |
参考文献
- Rong K. Research agenda for the digital economy. J Digit Econ. 2022;1(1):20–31.
- Fan R, et al. Network dynamics of inter-firm innovation in China’s digital economy: a two-layer network perspective. Technol Anal Strateg Manag. 2025:1–20.
- Feng Y, Huang M. The geographical analysis of global economic uncertainty: resource distribution, geopolitical risks, and systemic vulnerability. Geogr Res Bull. 2025;4:570–573.
- Zhang H, Liu H, Chen R. Multilayer innovation network resilience: a framework for digital economy vulnerability assessment. iScience. 2026;29(1):114295.
- Zang T, et al. Current status and perspective of vulnerability assessment of cyber-physical power systems based on complex network theory. Energies. 2023;16(18):6509.
- He S, et al. Cascading failure in cyber-physical systems: a review on failure modeling and vulnerability analysis. IEEE Trans Cybern. 2024;54(12):7936–7954.
- Dong G, Sun Z, Sun N, Wang F. Understanding percolation phase transition behaviors in complex networks from the macro and meso-micro perspectives. Europhys Lett. 2022;139(6):61001.
- Shi X, Huang X, Liu H. Research on the structural features and influence mechanism of the low-carbon technology cooperation network based on temporal exponential random graph model. Sustainability. 2022;14(19):12341.
- Yao X, Du Y, Pu Y, Wang B. Structural evolution and its determinants of domestic value-added network of digital service exports based on temporal exponential random graph model. Emerg Mark Finance Trade. 2024;60(14):3387–3401.
- Lu Z, Qiu W. Resilience analysis of seaport-dry-port network in container transport: multi-stage load redistribution dynamics following cascade failure. Systems. 2025;13(4):299.
- Wasserman S, Pattison P. Logit models and logistic regressions for social networks: I. An introduction to Markov graphs and p*. Psychometrika. 1996;61(3):401–425.
- Motter AE, Lai YC. Cascade-based attacks on complex networks. Phys Rev E. 2002;66(6):065102.
- Fritz C, Mehrl M, Thurner PW, Kauermann G. Exponential random graph models for dynamic signed networks: an application to international relations. Polit Anal. 2025;33(3):211–230.
- Li Y, Pu Y. Pattern evolution and dynamic formation mechanism of global scrap copper trade network: based on temporal exponential random graph model. Ecol Econ. 2025;236:108664.
- Liu J, Liu X, Liu P. Capacity allocation strategy against cascading failure of complex network. J Syst Eng Electron. 2024;35(6):1507–1515.
- Motter AE. Cascade control and defense in complex networks. Phys Rev Lett. 2004;93(9):098701.
- Albert R, Jeong H, Barabási AL. Error and attack tolerance of complex networks. Nature. 2000;406(6794):378–382.
- Artime O, et al. Robustness and resilience of complex networks. Nat Rev Phys. 2024;6(2):114–131.
- Li ZS, Wu G, Cassandro R, Wang H. A review of resilience metrics and modeling methods for cyber-physical power systems. IEEE Trans Reliab. 2024;73(1):59–66.
- Ma C, et al. A review of supply chain resilience: a network modeling perspective. Appl Sci. 2025;15(1):265.