Dit artikel stelt een raamwerk voor fysieke berekeningen voor dat een gecombineerd Temporal Exponential Random Graph Model en een verbeterd Motter-Lai-algoritme gebruikt om de structurele evolutie te evalueren en de veerkrachtdrempel van digitale economische ecosystemen bij cascade-uitval te kwantificeren.
Onderzoeksartikel
Structurele evolutie en veerkracht van ecosystemen van de digitale economie: een gecombineerde benadering van een temporeel exponentieel random graph-model en het Motter-Lai-framework
In dit artikel
Samenvatting
Samenvatting
Bestaande methoden voor statische analyse negeren de structurele evolutie van complexe netwerktopologieën en de cascade-uitval veroorzaakt door lokale herverdeling van de belasting, wat leidt tot beoordelingsbiases bij de analyse van de veerkracht van ecosystemen in de digitale economie. Om de veerkrachtdrempel van het systeem nauwkeurig te kwantificeren, stelt dit artikel een fysiek computationeel raamwerk voor dat een gezamenlijk Temporal Exponential Random Graph Model (TERGM) en een verbeterd Motter-Lai-algoritme (TERGM-ML) combineert. Dit raamwerk maakt gebruik van Markov Chain Monte Carlo Maximum Likelihood Estimation (MCMC-MLE) om endogene structurele effecten te modelleren en het temporele evolutietraject van de werkelijke netwerktopologie te reconstrueren, om zo de beperkingen van statische baselines te overwinnen. Vervolgens wordt, op basis van de centraliteit van knopen en hun niet-lineaire fysieke capaciteit, een verkeersherverdelingsregel geactiveerd die afhankelijk is van de resterende capaciteit van naburige knopen bij een bewuste aanval, waarbij het gehele proces van systeemdesintegratie veroorzaakt door lokale overbelastingsvoortplanting wordt gevolgd. Vergelijkende simulaties met meerdere modellen tonen aan dat, na de introductie van een dubbel mechanisme van temporele evolutie en dynamische hertoewijzing, de kritieke drempel voor het verwijderen van knopen die een ineenstorting van de wereldwijde transmissie-efficiëntie veroorzaakt in een scenario van een bewuste aanval op basis van betweenness-centraliteit 12,41% ± 0,63% bedraagt, wat significant hoger is dan de statische scale-free baseline (7,85% ± 0,42%, p < 0,001).
Inleiding
Door de diepe integratie van wereldwijde informatietechnologie is het ecosysteem van de digitale economie geleidelijk geëvolueerd tot een complex netwerksysteem dat grensoverschrijdend, verweven en sterk interdependent is1,2. Onderzoek naar de structurele evolutie en de veerkrachtgrenzen van dit systeem is van groot strategisch belang voor het waarborgen van de stabiele werking van de macro-economie en de veiligheid van de digitale industrie. Echter, tegen de achtergrond van de herstructurering van het mondiale economische landschap en frequente asymmetrische externe schokken, is de netwerktopologische kwetsbaarheid van het ecosysteem van de digitale economie prominent geworden3,4. Bestaande macro-econometrische en statische statistische analysemethoden behandelen de interne relaties van het systeem vaak als lineaire combinaties van variabelen, waardoor ze er niet in slagen de dynamische wetten van faseovergangen als reactie op extreme risico's te onthullen vanuit het perspectief van micro-topologische cascading5,6,7.
Om deze beperkingen aan te pakken, is een physical computing-raamwerk ontwikkeld met een gecombineerd Temporal Exponential Random Graph Model (TERGM)8,9 en een verbeterd Motter-Lai-algoritme om de technische problemen op te lossen die verband houden met temporele discretisering, aannames over lastverdeling en de ontkoppeling van architecturen in bestaand onderzoek10. Het overbrugt de wiskundige hiaten tussen interacties op microniveau en het falen van een volledig systeem op macroniveau door de veerkrachtlimiet van het ecosysteem van de digitale economie te meten wanneer dit wordt blootgesteld aan geplande asymmetrische aanvallen. Het in deze studie geconstrueerde geïntegreerde computing-raamwerk verbetert niet alleen het wiskundige inferentiemechanisme van de veerkracht van complexe netwerkevolutie, maar biedt ook een zeer reproduceerbare wiskundige basis voor het voorkomen van crises door wereldwijde netwerkverstoringen in het digitale tijdperk.
Protocol
Het protocol bestaat uit vier opeenvolgende computationele stappen die empirische paneldata omzetten in een gekwantificeerde veerkrachtdrempel voor het digitale economische ecosysteem.
Temporele topologie-evolutie via TERGM
Het eerste stadium voert een topologie-evolutie uit met behulp van het Temporele Exponentiële Willekeurige Grafiekmodel met Markov-keten Monte Carlo Maximum Aannemelijkheidsschatting. De empirische longitudinale paneeldataset ICT-DE500, die digitale economie-entiteiten vertegenwoordigt over de periode 2018–de observatieperiode 2023 wordt geïmporteerd in de systeemomgeving, en entiteitsindexnummers worden op elkaar afgestemd over verschillende tijdstappen om een verticaal gerichte graafsequentie op te bouwen. De stapgrootte voor parameteraanpassing is vastgesteld op 0,01, en de eerste 10.000 MCMC-iteraties worden verwijderd als burn-in-periode om een stationaire verdeling te bereiken. De ICT-DE500-dataset is opgebouwd uit wereldwijde Crunchbase-gegevens over bedrijfsinvesteringen en fusies in de periode 2018 tot 2023, waarbij entiteiten zijn gefilterd om uitsluitend bedrijven te omvatten die actief zijn in de sectoren Informatie- en Communicatietechnologie en Digitale Economie. In dit geconstrueerde netwerk stellen knopen individuele entiteiten uit de digitale economie voor (d.w.z. ondernemingen en investeringsinstellingen), en gerichte kanten stellen ongewogen binaire kapitaalstromen voor via investeringen of fusies en overnames (M&A)&A) gebeurtenissen. Deze financiële interacties vormen logische paden voor gemodelleerde belastingverspreiding, aangezien afhankelijkheden op aandelenbasis en kapitaalstromen directe kanalen voor risico-overdracht creëren; financiële problemen in één knooppunt dwingen herverdeling van liquiditeit en devaluatie van activa af, die zich direct voortplanten naar topologisch verbonden partners. De 500 kernentiteiten zijn geselecteerd op basis van de hoogste netwerkcentraliteitsrang en de actiefste interactiegegevens tijdens de observatieperiode. Jaarlijkse edge-slices worden geëxtraheerd voor elk van de zes jaar. Om strikte tijdelijke uitlijning van entiteitsindexnummers te waarborgen en matrixafmetingen te standaardiseren (N = 500) voor de TERGM-schatting, geïsoleerde knopen met graad nul in een bepaald jaar's-slice werden behouden als tijdelijk inactieve entiteiten in plaats van structureel verwijderd te worden. De convergentie van TERGM wordt beoordeeld door de MCMC-MLE-parametertrajecten te monitoren voor alle endogene structurele coëfficiënten, inclusief kantdichtheid, reciprociteit en geometrisch gewogen kantgewijze gedeelde partnerships. De keten wordt als geconvergeerd verklaard wanneer alle parametertrajecten een stabiele oscillatie rond hun respectievelijke gemiddelde waarden vertonen zonder richtingseffect na de burn-in-drempel van 10.000 stappen. Na het bereiken van parameterconvergentie voert het systeem 10.000 opeenvolgende Gibbs-bemonsteringsiteraties uit om endogene effecten zoals neigingen tot sterhubs te modelleren, waarbij continue, tijdsgecorreleerde topologieën worden gegenereerd die het netwerk representeren's macroscopische structurele evolutie.
Om het generatieproces formeel te definiëren, modelliseert de wiskundige specificatie van de TERGM de conditionele kans op het waarnemen van de doelnetwerktopologie Gt bij macro-tijdstap t, gezien het voorgaande netwerk Gt-1, aangezien
Hier, θ is de kernparametervector die de structurele evolutie bepaalt, h(Gt, Gt-1) is het netwerk's voldoende statistieken vector die de eerder beschreven endogene structurele termen kwantificeert (d.w.z. kantendichtheid, reciprociteit en geometrisch gewogen per-kant gemeenschappelijke partnerschappen), en c(θ, Gt-1) is de partitiefunctie die de normalisatie van de kans waarborgt. Voor de daaropvolgende niet-lineaire simulaties van opeenvolgende uitval, een eindstabiele netwerkrealisatie uit de gegenereerde eerdere reeks G1:T wordt geëxtraheerd om te fungeren als de initiële topologische basis. Van cruciaal belang is dat de structurele evolutie op macro-economisch niveau zich afspeelt op een aanzienlijk langere tijdschaal (macro-tijdstappen, t) in plaats van directe lokale ketenreacties, blijft de netwerktopologie tijdens de cascadesimulatie niet verder evolueren via TERGM-mechanismen. In plaats daarvan vinden topologische veranderingen tijdens de snelle micro-cascade-tijdstappen (τ) worden uitsluitend veroorzaakt door opzettelijke verwijderingen van knooppunten en daaropvolgende secundaire uitval door overbelasting.
Kalibratie van fysieke capaciteit en belastingsinitialisatie
Het tweede stadium voert fysieke capaciteitscalibratie uit voor alle knooppunten in de gegenereerde netwerktopologiematrixsequentie. De totale graad en de gerichte betweenness-centraliteit voor elk knooppunt worden geëxtraheerd, met een kleine constante van 10-8 geïntroduceerd in tussenheidscentraliteitsberekeningen om deling door nul te voorkomen veroorzaakt door lokale netwerkdiscretie. De initiële servicebelasting Li(0) wordt toegewezen aan alle netwerkknooppunten met behulp van een niet-lineaire machtsfunctie
waar ki is de genormaliseerde totale graad, Bi is de genormaliseerde gerichte betweenness-centraliteit, λ is de evenwichtsgewichtsfactor (vastgelegd op 0,5 om gelijke weging te waarborgen), en β ligt tussen 1,0 en 1,5. De fysieke draagkrachtlimit Ci voor elk knooppunt wordt vastgesteld door een hyperparameter voor systeemniveau capaciteitstolerantie toe te passen α (gevarieerd van 0,1 tot 0,5) om de fysieke redundantiegrens tegen schokken op te bouwen
De ondergrens α = 0,1 staat voor een minimale redundantiescenario waarin knooppunten slechts 10% extra capaciteit boven hun basiskoppel hebben, terwijl de bovengrens α = 0,5 komt overeen met een configuratie met hoge redundantie en 50% reservecapaciteit. Tussenliggende waarden α = 0,2, 0,3 en 0,4 worden eveneens gebruikt in de bivariate gevoeligheidsanalyse om de volledige orthogonale parametersruimte samen met de belastingsheterogeniteitsexponent te construeren β. De belastingsverdelgingsindex β ligt beperkt tussen 1,0 en 1,5, waarbij β = 1,0 levert een lineaire belastingsverdeling op en β = 1,5 genereert een sterk gepolariseerde belastingsconcentratie richting knooppunten met hoge centraliteit. De evenwichtsgewichtsfactor λ is vastgelegd op 0,5 om een gelijke bijdrage van graden- en betweenness-centraliteit in de initiële belastingsberekening te waarborgen. De kernparameters voor de tijdreeksontwikkeling en de simulaties van cascaderende uitval zijn samengevat in Tabel 1.
Niet-lineaire opeenvolgende dynamiek bij opzettelijke aanvallen
Het derde stadium implementeert niet-lineaire cascadedynamica onder vooropgezette aanvalsomstandigheden. De simulatie start een vooropgezette aanval door de kernknooppunten in aflopende volgorde van tussencentraalheid te blokkeren en geforceerd te verwijderen, waardoor de initiële topologische bescherming van het digitale ecosysteem wordt verstoord om de dynamische belasting op micro-cascade-tijdstappen te testen. De belastingherverdelingsengine wordt geactiveerd om overlopende stromen om te leiden, beperkt door de in real-time beschikbare fysieke capaciteit van aangrenzende knooppunten, met een sinkterm van 10-8 geïntroduceerd om digitale overbelasting van activa te simuleren wanneer commerciële routes volledig geblokkeerd zijn. Een knooppunt wordt als mislukt verklaard wanneer zijn tijdelijke belasting zijn fysieke capaciteit overschrijdt, en deze verificatie van overbelasting wordt parallel uitgevoerd op alle actieve knooppunten om de binaire overlevingsstatusfunctie bij te werken. De geplande aanval richt zich op knooppunten in strikt aflopende volgorde van tussencentraalheid, waarbij in elke aanvalsfase precies één knooppunt uit de overlevende actieve verzameling wordt verwijderd. Het gewicht voor herverdeling van de belasting 
toegewezen vanaf een mislukte node i ∈ Fτ aan een overlevende buurman j ∈ Aτ op microtijdstap τ wordt berekend als
waar 
vertegenwoordigt de resterende fysieke capaciteit van de buur j, Gij is de topologische aangrenzingsindicator, Aτ is de actieve set van overlevende knooppunten, en 
= 10-8 voorkomt delen door nul. Op basis van deze gewichten, de momentane belastingschaal 
van overlevende knopen wordt synchroon overgeschakeld
Vervolgens wordt de secundaire update van de fouttoestand geverifieerd via een binaire overlevingsfunctie 
:
Een knooppunt wordt als mislukt verklaard (
) wanneer de tijdelijke belasting de capaciteit overschrijdt, bijwerken van de uitvalverzameling Fτ+1. De cascade bereikt een stationaire toestand wanneer Fτ+n = ∅, wat aangeeft dat er geen extra knooppunten zijn uitgevallen in de huidige microtijdstap en dat alle overlevende knooppunten binnen hun capaciteitsgrenzen functioneren.
De cascadevormige lus gaat door totdat geen extra knooppunten meer uitvallen, wat het bereiken van een secundaire stationaire toestand markeert waarin het cascadepotentieel volledig is gedissipeerd.
Evaluatie van systeemresilientie en identificatie van drempels
Het vierde stadium evalueert de veerkracht van het systeem door de macro-integriteit van de grafiek van het digitale ecosysteem te monitoren. De relatieve schaal van de grootste samenhangende component, afgeleid uit overlevende knooppunten, wordt continu vastgelegd om de curve van de faseovergangsverval te plotten in functie van het aandeel verwijderde knooppunten. De globale transmissie-efficiëntie E(τ) wordt berekend om de connectiviteit van de overlevende topologie te kwantificeren
waar N is het initiële totale aantal knopen (een constante), Aτ is de verzameling van overlevende actieve knopen, en 
is de gerichte kortste geodesische afstand vanaf knooppunt i aan j in de huidige stap. De kritieke transitiedrempel wordt vervolgens bepaald door de verandering in de eerste afgeleide van deze efficiëntiefunctie ten opzichte van de verwijderingsratio te volgen. Deze drempel wordt gedefinieerd als het punt waarop de eerste afgeleide haar minimumwaarde bereikt, wat wijst op de steilste daling in transmissie-efficiëntie. De kritieke veerkrachtdrempel wordt berekend door numerieke differentiatie van de globale transmissie-efficiëntie E(τ) met betrekking tot de knoopverwijderingsratio f met behulp van een centraal differentieschema van tweede orde. De traject van de eerste afgeleide dE/df wordt gladgestreken met een glijdend gemiddeldevenster van vijf opeenvolgende datapunten om Monte Carlo-samplingruis te verminderen, terwijl de locatie van de steilste daling behouden blijft. De kritieke drempel fc wordt geselecteerd als het verwijderingsratio waarbij de afgevlakte eerste afgeleide haar globale minimum bereikt, wat overeenkomt met het punt van maximale afname in transmissie-efficiëntie. Deze selectiecriteria worden consistent toegepast in alle simulationscenario's en basismodellen. De gerapporteerde drempelwaarde van 12,41% ± 0,63% representeert het gemiddelde en de standaardafwijking berekend uit 100 onafhankelijke Monte Carlo-simulaties met verschillende willekeurige startwaarden, wat de statistische robuustheid van de lokalisering van de fasoverandering waarborgt.
Simulatieconfiguraties en basisimplementaties
Om volledig reproduceerbare simulaties te garanderen, werden willekeurige startwaarden (seeds) sequentieel toegewezen (gehele getallen 1 tot en met 100) vóór elke Monte Carlo-iteratie. De topologische evolutie en statistische modellering werden uitgevoerd met R en het tergm-pakket, terwijl de niet-lineaire cascadesimulaties werden geïmplementeerd in Python met behulp van de NetworkX-bibliotheek. Daarnaast werd voor de vergelijkende deep learning-benchmark het GCN-Attack-model geïmplementeerd met PyTorch Geometric. Het model was opgebouwd uit een standaard tweelaags Graph Convolutional Network-architectuur (verborgen dimensie van 64) en werd getraind met de Adam-optimizer met een leerfrequentie van 0,01 gedurende 200 epochs, om een zorgvuldige en consistente experimentele controle te waarborgen tijdens de evaluatie van de benchmarks.
Resultaten
De algehele uitvoeringslogica en gegevensstroom van het voorgestelde fysieke berekeningskader zijn geïllustreerd in Figuur 1. Terwijl het kader wordt uitgevoerd, worden de microscopische thermische kenmerken van lokale overlast doorbelasting en de niet-lineaire evolutie van knooppuntsgradenverdelingen vastgelegd (overzicht in Figuur 2 en Figuur 3, waarbij de dynamische details hieronder worden beschreven. De volgende secties koppelen de simulatieresultaten direct aan de stappen van het protocol.
Temporele topologie-evolutie via TERGM
Figuur 4 ontleedt visueel de ruimtelijke topologie en gemeenschapsstructuur van het ICT-DE500-kernnetwerk, waarbij de verspreiding van knooppunten met een hoge tussencentriciteit wordt benadrukt die zijn getroffen in doelgerichte aanvals simulaties. De goodness-of-fit-test bevestigt dat de gegenereerde netwerktopologie de tijdsafhankelijke evolutie van echte ecosystemen effectief weergeeft, en dat na de opwarmfase van 10.000 stappen effectief wordt voorkomen dat er een gradiëntexplosie of lokaal optimum optreedt. Figuur 5 geeft de MCMC-MLE-parameterconvergentiediagnostische trajecten en de geodesische afstand als maat voor de goodness-of-fit weer. Figuur 5A laat zien dat de drie kernparameters die de randdichtheid vertegenwoordigen θ₁, wederkerigheid θ₂en geometrisch gewogen kantgebonden gedeelde samenwerking θ₃ stoppen allemaal met hun grote gerichte drift na het bereiken van de burn-in-drempel van 10.000 stappen, waarbij de verwachte gemiddelden convergeren en zich stabiliseren in de buurt van de horizontale basislijn. Figuur 5B laat zien dat de empirische observaties van de kortste geodesische afstanden robuust binnen de algemene verdelingsgrenzen van 1.000 onafhankelijke netwerkrealisaties liggen. Deze realisaties werden verkregen met een verdunningsinterval van 10 uit de 10.000 opeenvolgende Gibbs-samplingiteraties om autocorrelatie te minimaliseren, wat de betrouwbaarheid van de topologiegeneratiebasis bevestigt. De specifieke MCMC-MLE-parameterschattingen, standaardfouten en statistische significantie voor endogene structurele effecten over de observatiejaren heen zijn gedetailleerd beschreven in Tabel 2.
De tijdsafhankelijke evolutie van de macroscopische topologische structuur wordt gekwantificeerd in Figuur 6. De netwerkdichtheid nam gestaag toe van 0,015 tot 0,035 tussen 2018 en 2023, terwijl de gemiddelde clusteringcoëfficiënt steeg van 0,22 tot 0,37, wat wijst op een significant dichtheids-clustering divergentieverschijnsel. De dichtheid stijgt het sterkst tussen 2020 en 2021, met schommelingen van 0,021 tot 0,029, terwijl de clusteringcoëfficiënt in 2020 een lokaal maximum bereikt van ongeveer 0,31 en daarna daalt tot ongeveer 0,29, ondanks de snelle dichtheidstoename in 2021. Deze divergentie onthult het aanpassingsmechanisme van evolutie onder invloed van macro-economische cyclusfluctuaties, waarbij risico-vermijdingsgroepering in 2020 lokale clustering bevordert, terwijl massale nieuwe grensoverschrijdende verbindingen in 2021 de hechte gemeenschapsstructuur tijdelijk verdunden.
Kalibratie van fysieke capaciteit en belastingsinitialisatie
De bivariate gevoeligheidsanalyse in Figuur 7 onderzoekt het gezamenlijke effect van redundantie in fysieke capaciteit en ladingspolarisatie op de fase-overgangstrajectorie van de grootste verbonden component. Over de negen orthogonale combinaties van capaciteitstolerantie α en belastingsheterogeniteit β, de reeks panelen laat zien dat toenemend α en afnemend β beide vertragen het instorten van het netwerk. Onder het gepolariseerde belastingsscenario met β = 1,5 en minimale redundantie α = 0,1 in Figuur 7A, de kritieke instortingsdrempel is ongeveer fc = 0,08. Verhogen α tot 0,5 in Figuur 7C verplaatst het buigpunt naar rechts naar fc ≈ 0,23. Onder het uitgebalanceerde belastingsscenario met β = 1,0 en α = 0,1 in Figuur 7G, de drempelwaarde blijft robuust bij fc ≈ 0,18 en bij de optimale combinatie α = 0,5 en β = 1,0 in Figuur 7I, de drempel strekt zich aanzienlijk uit naar fc ≈ 0,38. Deze resultaten tonen aan dat load balancing een grotere marginale winst in veerkracht oplevert dan alleen capaciteitsuitbreiding.
Niet-lineaire opeenvolgende dynamiek bij opzettelijke aanvallen
Zoals geïntroduceerd in het kaderoverzicht, worden de microscopische thermische kenmerken van de lokale overbelasting bij herverdeling na het initiële cascadeverval weergegeven in Figuur 2, en de niet-lineaire evolutie van de verdeling van knooppuntgraden over drie typische microtijdstappen wordt gepresenteerd in Figuur 3.
Evaluatie van systeemresilientie en identificatie van drempels
De kritieke transitiethreshold voor wereldwijde transmissie-efficiëntie ligt bij 12,41% ± 0,63% knoopverwijdering tijdens een gerichte aanval. In de context van het 500-knoopnetwerk komt dit overeen met de gerichte verwijdering van ongeveer 62 centrale hubknopen. Deze drempel markeert het punt van efficiëntie-inzinking (d.w.z. het begin van de steilste daling in transmissie-efficiëntie), en niet een volledige topologische ontkoppeling. Figuur 8 presenteert het driedimensionale evolutieoppervlak van de globale efficiëntie E(τ) over verwijderingsratio en pieknetwerkbelaasting in Figuur 8A, en de tweedimensionale doorsnede met numerieke differentiatie in Figuur 8B. Wanneer de verwijderingsratio f onder de 0,10 ligt, E(τ) blijft boven 0,8 en de eerste afgeleide oscilleert in een ondiepe regio. Het minimum van de traject van de eerste afgeleide geeft de kritieke transitiedrempel aan, met Figuur 8B het weergeven van een enkele doorsnede in fc = 12,0%, wat zeer consistent is met het statistische gemiddelde van 100 onafhankelijke Monte Carlo-simulaties.
Simulatieconfiguraties en standaardimplementaties
Het voorgestelde model presteert significant beter dan de statische en deep learning-basismodellen onder gerichte aanvalsscenario's. Onder willekeurige uitvalomstandigheden vertoont de Static BA-ML-basismodel echter een hogere overlevingssdrempel (49,12%) in vergelijking met het TERGM-ML-model (46,28%). Het is belangrijk op te merken dat de vergelijking met het Static BA-ML-model dient als een afzonderlijke topologische referentie, en niet als een strikt gecontroleerde ablatie, aangezien het BarabáHet si-Albert-generatiemechanisme verschilt fundamenteel van het ERGM-kader. Figuur 9 geeft de raincloud-plot weer van de pieksnelheden van cascadeverspreiding over vier modelarchitecturen. De statische BA-ML-basellijn toont een mediane pieksnelheid van ongeveer 49,7 knopen per stap, met extreme batches die tot 140 naderen. De SNA-Cascading- en GCN-Attack-modellen hebben medianen van ongeveer 35,6 en 23,9, respectievelijk. Het TERGM-ML-model vertoont de sterkste convergentie met een mediaan van 13,2 knopen per stap, waarmee extreme inzettingen boven de 40 bijna worden geëlimineerd. Tabel 3 vat de kritieke drempels en statistische significantie voor alle modellen samen. Deze vergelijkingen verduidelijken dat, hoewel het TERGM-ML-kader een superieure structurele veerkracht tegen gerichte asymmetrische schokken laat zien, de geobserveerde prestatieverschillen het gezamenlijke effect weerspiegelen van verschillende onderliggende topologieën, tijdsgebonden evolutie en capaciteitsbewuste herverdeling, en niet uitsluitend toegeschreven kunnen worden aan geïsoleerde mechanisme-afbouwingen.
GEGEVENSBESCHIKBAARHEID:
De ruwe gegevens die in dit onderzoek zijn gebruikt, zijn afkomstig uit de wereldwijde corporate investerings- en fusiedatabase van Crunchbase, die publiekelijk toegankelijk is via het Kaggle-platform op https://www.kaggle.com/datasets/justinas/startup-investments. De verwerkte ICT-DE500-deelverzameling, bestaande uit 500 entiteiten met jaarlijkse edge-matrices voor de periode 2018–2023 en knooppuntattribuutgegevens, inclusief graad en betweenness-centraliteit, samen met de TERGM-schatting en convergentiediagnostische scripts, de simulatiecode voor cascaderende uitval met het verbeterde Motter-Lai-algoritme, en de volledige afhankelijkheidsspecificaties, zijn opgeslagen in een openbaar toegankelijke GitHub-opslagplaats op https://github.com/moonmoon1189/digital-economy-resilience-complex-networks.
Figuur 1: Tijdelijke topologie-evolutie en niet-lineair cascade fysisch rekenkader. Deze afbeelding illustreert de algehele uitvoeringslogica en gegevensstroom, inclusief de fasen van topologie-evolutie, kalibratie van fysieke capaciteit, niet-lineaire cascades en evaluatie van veerkracht, voor het identificeren van de kritieke transitiedrempel. Klik hier om een grotere versie van deze afbeelding te bekijken.
Figuur 2: Thermisch diagram van de microscopische evolutie van niet-lineaire belastingherverdeling en lokale cascade-overbelasting. De figuur illustreert de dynamische thermische kenmerken van de lokale herverdeling van overbelastingsbelasting na het initiële cascadeverval van microtijdstap 0 tot stap 5. Klik hier om een grotere versie van deze afbeelding te bekijken.
Figuur 3Spreidingsdiagram van de niet-lineaire evolutie van de verdeling van knooppuntengraden tijdens een opeenvolgend falen. De figuur toont de evolutietraject van de knooppuntsgradenverdeling van het systeem op drie typische microtijdstappen (0, 3, 6). Klik hier om een grotere versie van deze afbeelding te bekijken.
Figuur 4: Ruimtelijke topologie, gemeenschapsstructuur en doelverdeling bij opzettelijke aanvallen van het ICT-DE500-kernnetwerk. De afbeelding ontleedt visueel de sterk niet-lineaire macroscopische topologie en microscopische knooppuntkenmerken van het kernnetwerk, waarbij sterrenhubs en kwetsbare bronnen worden benadrukt. Klik hier om een grotere versie van deze afbeelding te bekijken.
Figuur 5: Aanpassingsgoedheidstoets van de Markov-keten Monte Carlo-parameterdiagnostische trajecten en geodetische afstand. (A) Dit paneel toont het diagnostische verloop van de MCMC-MLE-parameterinschatting over de iteraties, terwijl paneel (B) toont de goodness-of-fit-test van de kortste geodesische afstand. Klik hier om een grotere versie van deze afbeelding te bekijken.
Figuur 6Gecombineerde verdeling van macro-topologische kenmerkparameters in de tijdreeksontwikkeling. De figuur toont de veranderende trend van macro-topologische parameters, met name netwerkdichtheid en gemiddelde clusteringcoëfficiënt, voor het digitale economie-ecosysteem tussen 2018 en 2023. De gearceerde gebieden rond de trendlijnen geven de 95% betrouwbaarheidsintervallen weer, afgeleid uit 100 onafhankelijke Monte Carlo-simulaties. Klik hier om een grotere versie van deze afbeelding te bekijken.
Figuur 7: Matrixplot van de verval van de faseovergang voor bivariate gevoeligheid voor capaciteitstolerantie en ladingsheterogeniteit. (A–IDeze panelen tonen de trajecten van de faseovergang bij verschillende orthogonale combinaties van capaciteitstolerantie en belastingsheterogeniteit. Klik hier om een grotere versie van deze afbeelding te bekijken.
Figuur 8: Samengestelde profielschets van wereldwijde transmissie-efficiëntie in drie dimensies en kritieke overgangsdrempel in dwarsdoorsnede. Paneel (A) geeft de driedimensionale ruimtelijke evolutie van de globale transmissie-efficiëntie weer, en paneel (B) bepaalt de lokalisatie van de tweedimensionale kruislingsnede van de kritieke transitiedrempel (d.w.z. het efficiëntie-inzetcriterium) met behulp van numerieke differentiatie. Klik hier om een grotere versie van deze afbeelding te bekijken.
Figuur 9: Heterogene verdeling van de pieksnelheid van cascadepropagatie-evolutie in een raincloudplot. De figuur geeft uitgebreid de heterogene kansdichtheidsverdeling weer van de pieksnelheden van de cascadeverspreiding van vier modellen tijdens uitbraken van secundaire rampen. Klik hier om een grotere versie van deze afbeelding te bekijken.
| Parameter | Variabele & Bereik | Beperking & Motivatie |
| Netwerkschaal | N=500 | Vaste grootte van het geëxtraheerde deel van het empirische ICT-DE500-netwerk. |
| Centraliteitsgewicht | λ=0.5 | Verankerde basislijn die gelijke weging waarborgt voor graad en betweenness. |
| Index voor ladingsverdeling | β∈[1.0,1.5] | Niet-lineaire exponent die de initiële heterogeniteit van de bedrijfsbelasting bepaalt. |
| Capaciteitstolerantie | α∈[1.0,1.5] | Redundantieverhouding op systeemniveau die de bovengrens van fysieke capaciteit bepaalt. |
| MCMC-opwarmperiode | >10.000 stappen | Verplichte initiële iteraties verwijderd om stationaire verdeling te bereiken. |
| Gibbs-bemonsteringsiteraties | >10.000 stappen | Achtereenvolgende bemonsteringsstappen om tijdsgesynchroniseerde netwerktopologieën te genereren. |
Tabel 1: Kernparameterinstellingen voor tijdreeksontwikkeling en fysieke simulaties van opeenvolgende uitval. De tabel definieert de kernparameters, inclusief netwerkschaal, centraliteitsgewicht, belastingsallocatie-index, capaciteitstolerantie en Markov Chain Monte Carlo (MCMC)-iteraties.
| Observatiejaar | Kantdichtheid (θ1) Schatting | Kantendichtheid (θ1) Standaardfout | Wederkerigheid (θ2) Schatting | Wederkerigheid (θ2) Standaardfout | GWESP (θ3) Schatting | GWESP (θ3) Standaardfout | Significantie |
| 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 | *** |
Tabel 2: TERGM-parametergeschattingen voor endogene structurele effecten over waarnemingsjaren heen (2018–2023). De tabel rapporteert de parameterschattingen, standaardfouten en statistische significantie volgens de Markov-keten Monte Carlo-maximumlikelihoodschatting (MCMC-MLE) voor kantdichtheid, wederkerigheid en geometrisch gewogen per kant gemeenschappelijke samenwerkingspartners over de zes jaarlijkse observatieperioden. ***p < 0,001. Standaardfouten worden gerapporteerd naast de parameterschattingen.
| Modelarchitectuur | Tijdsgebonden evolutiemechanisme | Dynamisch herverdelingsmechanisme | Kritieke drempel (gerichte aanval) | Kritieke drempel (willekeurige uitval) | Statistische significantie (p-waarde) |
| TERGM-ML | Ja | Ja | 12.41% ± 0.63% | 46.28% ± 1.75% | Referentiebasislijn |
| Statische BA-ML | Nee | Ja | 7.85% ± 0.42% | 49.12% ± 1.88% | p < 0.001 *** |
| SNA-Cascadering | Ja | Nee | 8.93% ± 0.55% | 37.54% ± 1.42% | p = 0,003 ** |
| GCN-Attack (SOTA-benchmark) | Impliciet | Impliciet | 10.76% ± 0.81% | 43.15% ± 2.05% | p = 0,021 * |
Tabel 3: Vergelijking van de ablatie van de kernmechanismen en de grens van de robuustheid van de multimodale architectuur. De tabel geeft de kritieke drempels en statistische toetsresultaten weer voor de systeemresilientie van tijdreeksgrafieken en verbeterde Motter-Lai (TERGM-ML) en drie basismodellen onder zowel opzettelijke aanvallen als willekeurige uitvalscenario's. De waarden zijn gerapporteerd als gemiddelde ± standaardafwijking op basis van 100 onafhankelijke Monte Carlo-simulaties. Gerichte aanval verwijst naar de opeenvolgende verwijdering van knopen op basis van dalende betweenness-centraliteit. Statistische significantie beoordeelt het verschil in de drempelwaarde van de gerichte aanval tussen het respectieve basismodel en het voorgestelde kader, gebruikmakend van een onafhankelijke tweesteekproef-t-toets (*p < 0.05, **p < 0.01, ***p < 0.001).
Discussie
Het voorgestelde gecascadeerde fysieke rekenkader, dat gezamenlijke tijdreeksgrafen en een verbeterde Motter-Lai-methode (TERGM-ML) combineert, vermindert effectief de black-boxbeperkingen van traditionele, puur datagedreven modellen bij veerkrachtvoorspellingen. Dit kader bouwt voort op de fundamentele exponentiële random graph-modellen geïntroduceerd door Wasserman en Pattison11 en het cascadegebaseerde aanvalsraamwerk dat oorspronkelijk is ontwikkeld door Motter en Lai12, terwijl beide worden uitgebreid om rekening te houden met temporele dynamiek en lokale capaciteitsbeperkingen. Dit paradigma koppelt de werkelijke endogene topologische evolutie nauw aan de belastingslimieten van micro-entiteiten door een selectieve stroomlogica te introduceren op basis van lokale fysieke capaciteitsgrenzen. Het mechanisme voor temporele evolutie volgt de TERGM-specificaties voor dynamische netwerkmodellering13,14, en de strategie voor capaciteitsallocatie is in overeenstemming met de principes van netwerkredundantie-ontwerp voor het beperken van cascade-uitval15,16.
Een kritische stap in het protocol is het optimale rerouting-mechanisme van de onderliggende bedrijfsstroom op basis van de beschikbare capaciteit van naburige knooppunten, ter vervanging van de onrealistische aanname van "gemiddelde distributie" in het traditionele Motter-Lai-model. De aanname van uniforme redistributie in het standaard Motter-Lai-model is in recente studies naar infrastructuurveerkracht bekritiseerd vanwege het negeren van heterogene capaciteitsbeperkingen van knooppunten6,10. De huidige resultaten geven aan dat het onderliggende gesloten-lus gemeenschapsnetwerk een duidelijk fysiek dempingseffect heeft op overflow-belastingpieken, waardoor cascade-voortplanting effectief wordt onderdrukt en de faseovergangs-desintegratie van de globale transmissie-efficiëntie significant wordt vertraagd. Het TERGM-ML-model heeft de hoogste kritieke drempelwaarde voor doelgerichte aanvallen, die 12,41% ± 0,63% bereikt, wat de dempingscapaciteit van de endogene netwerkarchitectuur weerspiegelt en het globale avalanche-risico veroorzaakt door een enkel overflow-punt beperkt. De verhoging van de kritieke drempelwaarde van 7,85% naar 12,41% is het gevolg van twee synergetische mechanismen. Het temporele evolutiemechanisme genereert gesloten-lus gemeenschapsstructuren en wederkerige banden die afwezig zijn in statische schaalvrije netwerken. Deze gemeenschappen beperken de propagatie van overbelasting ruimtelijk door de overflow-belasting te dwingen meerdere intra-gemeenschapspaden te doorlopen voordat verre regio's worden bereikt, waarbij elke doorloopstap een fractie van de transiënte belasting dissipeert door absorptie door naburige knooppunten. Het dynamische redistributiemechanisme stuurt de overflow-belasting uitsluitend naar buren met een positieve resterende capaciteit ΔCj(τ) > 0, waardoor de uniforme distributie die lokale redundantie in het standaard Motter-Lai-model snel uitput, wordt vermeden. De gesloten-lus gemeenschappen bieden de topologische structuur die capaciteitsbewuste routing effectief maakt, terwijl capaciteitsbewuste routing vroegtijdige verzadiging van links binnen de gemeenschap voorkomt. Deze koppeling verklaart waarom het gecombineerde framework het statische referentiekader met meer dan 4 procentpunten in de kritieke drempelwaarde overtreft. Deze drempelwaarde is consistent met theoretische voorspellingen voor schaalvrije netwerken bij doelgerichte aanvallen17 en met percolatiefase-overgangsgedragingen waargenomen in complexe systemen18.
Ondanks deze vooruitgang zijn er beperkingen aan de methode. Beperkt door bestaande observationele grenzen, zijn huidige extrapolaties sterk afhankelijk van gecentraliseerde volledige coupes van de globale topologie, en hun gediscretiseerde bemonsteringstijdvensters kunnen micro-tijdsvariërende impedantiestoornissen die worden veroorzaakt door plotselinge externe omgevingsoscillaties met een hoge frequentie niet nauwkeurig vastleggen. Deze beperkingen weerspiegelen de uitdagingen die zijn geïdentificeerd in recente reviews van veerkrachtmetrieken voor cyber-fysieke systemen en het modelleren van cascadestoringen onder dynamische omstandigheden19,20. Toekomstig onderzoek en toepassingen kunnen worden uitgebreid naar gedecentraliseerde architecturen, waarbij de focus ligt op het verkennen van adaptieve dynamische compensatiemechanismen voor veerkracht op basis van multi-agent gedistribueerde samenwerking onder condities van spellen met onvolledige informatie. De abstractie van de grafen in één enkele laag en de globale toewijzing van parameters vormen belangrijke beperkingen van het huidige raamwerk. Studies naar multilayer-netwerken hebben aangetoond dat onderlinge afhankelijkheden over interactielagen heen de propagatie van cascades kunnen versterken of dempen op manieren die enkel-laagsmodellen niet kunnen vastleggen. De globale toewijzing van capaciteitstolerantie α en load-allocatie-exponent β abstracteert de entiteitsspecifieke heterogeniteit in capaciteitsmarges en belastingsgevoeligheden weg. Drie uitbreidingen verdienen onderzoek in toekomstig werk: het vervangen van de enkel-laags topologie door een multilayer-representatie die kapitaalstromen, technologielicenties en dienstverlening onderscheidt als afzonderlijke lagen met cross-layer afhankelijkheden; het kalibreren van entiteitsspecifieke capaciteits- en loadparameters op basis van operationele data op bedrijfsniveau; en de overgang van gecentraliseerde topologie-coupes naar gedecentraliseerde multi-agent architecturen waarbij knooppunten adaptieve herdistributiebeslissingen nemen op basis van lokaal observeerbare signalen. Recente multilayer-netwerkstudies hebben aangetoond dat onderlinge afhankelijkheden over verschillende interactielagen heen de propagatie van cascades kunnen versterken of dempen op manieren die enkel-laagsmodellen niet kunnen vastleggen.
Openbaarmakingen
De auteurs verklaren dat er geen concurrerende belangen zijn. Er zijn geen generatieve kunstmatige intelligentie (AI)-tools gebruikt bij de creatie, generatie of modificatie van grafische elementen.
Auteursbijdragen:
F.Y. en Y.Z. hebben de studie bedacht en ontworpen. F.Y. voerde de computationele simulaties uit, analyseerde de gegevens en schreef de oorspronkelijke versie van het manuscript. Y.Z. hield toezicht op het onderzoek, bood theoretische begeleiding en reviseerde het manuscript kritisch op belangrijke intellectuele inhoud. Alle auteurs hebben het definitieve manuscript beoordeeld en goedgekeurd.
Dankbetuigingen
De auteurs hebben geen steun van enige organisatie ontvangen voor het ingediende werk.
Materialen
| Naam | Bedrijf | Catalogusnummer | Opmerkingen |
|---|---|---|---|
| AMD EPYC 7742 CPU | Advanced Micro Devices | 7742 | Hoge-performance processor voor het doorlopen van graafstructuren en herberekeningen van het kortste pad. |
| Crunchbase Database | Kaggle | startup-investments | Wereldwijde verslagen van bedrijfsinvesteringen en M&A-netwerken, gebruikt als basis voor het wereldwijde netwerk. |
| CUDA 11.6 | NVIDIA | version 11.6 | Hardwareversnellingsplatform gebruikt voor tensoroperaties in het GCN-baselinemodel. |
| NetworkX 2.8 | NetworkX Developers | version 2.8 | Bibliotheek voor complexe netwerkanalyse, gebruikt voor extractie van graafparameters en padzoekopdrachten. |
| NumPy | NumPy Developers | N/A | Wiskundig kernraamwerk dat deterministische logica waarborgt en numerieke drift elimineert. |
| NVIDIA RTX 3090 GPU | NVIDIA | RTX 3090 | Grafische processor ingezet voor het versnellen van tensorberekeningen in de deep learning-baseline. |
| Python 3.9 | Python Software Foundation | version 3.9 | Onderliggende runtime-omgeving waarin het kernraamwerk is gecompileerd en uitgevoerd. |
| PyTorch 1.12 | Meta AI | version 1.12 | Deep learning-bibliotheek gebruikt voor het berekenen van grafen en forward propagation in het baselinemodel. |
| R | / | version 4.2.2 | / |
| statnet package | The statnet Project | N/A | Geavanceerd statistisch uitbreidingspakket gebruikt voor multi-stage dynamische netwerk TERGM MCMC-MLE. |
| tergm package | / | version 4.2.0 | / |
| Ubuntu 22.04.1 LTS | Canonical | 22.04.1 LTS | Server-besturingssysteemconfiguratie die de multi-threaded computationele matrix host. |
Referenties
- 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.