英语原文共 23 页，剩余内容已隐藏，支付完成后下载完整资料
为区块链集装箱运输进行风险识别和建模
Son Nguyen
国家港口和航运中心，
澳大利亚塔斯马尼亚大学海事学院和越南海事大学海运经济系，越南海防，以及
Peggy Shu-Ling Chen 和 Yuquan Du
国家港口和航运中心，澳大利亚海事学院，塔斯马尼亚大学，朗塞斯顿，澳大利亚
摘要
目的——尽管集装箱运输的利益相关者正在考虑采用区块链，但不同的因素阻碍了它的应用。本文研究了区块链集成集装箱航运系统的潜在操作风险，将其作为障碍之一。
设计/方法学/方法-采用文献综述的方法进行风险识别。科学文章、特殊机构报告和区块链解决方案提供商的出版物被纳入包容性定性分析。基于网络拓扑度量构造并分析了有向无环图(DAG)。
研究发现——在主动性、过渡性和后续性三组中确定了28个潜在风险和47个联系。DAG分析结果反映了已识别的危险事件(HEs)之间相对连接良好的网络，表明信息风险的普遍性和各种多事件风险情景。并指出了连接系统的安全性和信息准确性的重要性。
原创性/价值——本文利用更新的数据来表示集装箱运输操作风险在区块链集成过程中的变化。它使人们意识到正在出现的风险，提供他们的见解，并为进一步的研究奠定基础。
关键词：集装箱运输区块链操作风险风险识别有向无环图网络分析论文类型研究
论文类型：研究论文
1. 介绍
保持集装箱运输系统的性能是一个重要的研究课题。网络攻击、货物事故、支付纠纷等集装箱运输操作风险(cors)深刻影响集装箱运输系统的不同流程以及整个供应链(Nguyen和Wang, 2018;伊万诺夫和多尔吉，2020年)。其中，随着数字化、自动化的进程，信息风险越来越大，这在现实中可以从集装箱航运业的悲剧性事件中看到(Ivanov et al.， 2019;Nguyen等人，2019;Dolgui等，2020;阮,2020)。集装箱运输信息流中的危险事件，不仅直接影响系统的性能，还可能引发其他危险事件，从而产生累积性后果。 多事件情景的可能性使得CSOR分析更加复杂和不确定。
学者和行业专业人士都认为区块链是多种现有cors的一个有前途的解决方案(Christidis和Devetsikiotis, 2016;Ivanov等人，2020)。在集装箱运输领域，区块链解决方案的创业、原型和初步商业化是显而易见的，比如智能提单解决方案或信息共享与协作平台。然而，许多行业利益相关者仍然对区块链集装箱航运系统的可操作性持怀疑态度(Christidis和Devetsikiotis, 2016;Savvides, 2018)。由于目前该技术的应用有限，he的历史数据稀缺，形成了风险认识不足→实际应用技术有限→缺乏实证数据的恶性循环。本文旨在为基于区块链的集装箱运输系统的操作风险管理奠定基础。鉴于这一主题的数据匮乏，我们基于期刊文章、特殊机构和行业报告的综合数据库进行了文献综述，以识别风险。cors之间的因果关系通过方向性连接进行映射(图1)。最终得到一个有向无环图(DAG)风险模型，然后通过网络分析揭示其拓扑特征。
2、区块链及其在集装箱运输中的应用
2.1区块链技术
根据澳大利亚联邦科学与工业研究组织(CSIRO)和美国国家标准与技术研究所(NIST)的说法，区块链技术可以被理解为支持检查的机制和技术的组合，双方之间的信息执行和记录涉及两个主要概念:区块链和分布式账本(Staples等人，2017;Yaga等人，2018)。数据(例如，交易、发货信息)在被组织成组(块)之前，由相关方商定并以加密方式签署。这些区块以密码的方式连接在一起，形成区块链，称为分类账。分类帐的副本分布在网络的各个节点上，并以指数方式增加改变受区块链网络抗篡改能力保护的“真相”所需的努力(图2)。根据设置和操作的差异，区块链网络主要有两种类型:无权限和有权限。
2.2无权限区块链的应用
无权限的区块链，通常是公共区块链，可免费供任何实体加入，因此，可以查看和广播对总账的更改(Yaga等人，2018年)。这种类型的区块链已被实现用于部署加密货币，例如比特币、以太坊，通常被认为是区块链1.0 (Li等人，2020年)。区块链提供的信息安全级别还允许部署智能合约，被认为是区块链的第二代应用——区块链2.0。在智能合约中，传统合约的条款和逻辑通过遵循if-then前提的编程语言的代码表达，并在收到特定的预定义输入后自动执行(Dolgui等人，2019年)。集装箱运输中不允许区块链的一个例子是CargoX的“智能提单”，其中数字化提单的传输被记录到以太坊的账本，一个公共区块链(CargoX, 2018)。数字提单是按照与传统提单相同的模式在双方之间进行数字创建、签署和转移的。分类账将每笔转账记录为一笔交易。参与货物运输的各方使用CargoX开发和维护的应用程序编程接口(API)或应用程序直接与以太坊交互(图3)。
2.3有权限的区块链申请
被允许的区块链，通常是私有或联盟的区块链，只对权威机构认可的可信和可识别的各方开放，允许区分节点类型以及它们的责任和可访问性。因此，在集装箱运输上下文中，各方的恶意行为更容易自动显示为图2。区块链的说明图3。CargoX smart B/Ltrade;区块链集装箱运输风险的操作被发现和惩罚，从而增加了行为的风险，降低了行为的动机。以财团为基础的区块链被多个行业认为是最有可能在商界部署的区块链类型，例如金融和交通部门(English等人，2018年;Hyperledger, 2019)。一个很好的例子是TradeLens，这是马士基和IBM之间的合作，提供了一个解决方案，在集装箱/装运物流过程中涉及的各方之间创建一个全面的信息流(TradeLens, 2019年)。TradeLens使用Hyperledger Fabric作为其区块链平台(图4)。在此解决方案中，节点的身份由其X.509数字证书识别，允许在不同通道中进行并发参与和权限设置。每个通道都有一个区块链文档存储，用于存储装运/集装箱的所有文档。超级账本结构(Hyperledger Fabric)采用了智能合约，即所谓的链码，以数字方式执行和执行商定的商业模式。订购服务节点从参与者(例如，集装箱到达目的港，卸载到集装箱堆场)收到更新分类帐的建议，并进行适当的确认，然后将其订购到区块，并将这些区块传递回所有节点。
3、方法
在回顾现有区块链文献的基础上，识别基于区块链系统的操作风险及其因果关系。分别进行两次内容分析，建立单事件风险情景的DAG模型(节点集eth;VTHORN;)和它们之间的因果关系(边集E)，并将其用于多事件风险情景的实现和拓扑度量的计算。图5说明了本研究的方法论，展示了用于风险识别和分析的过程和方法。
3.1初级数据采集与预处理
文献综述已被学者用作识别cors的一种方法(Nguyen和Wang, 2018;(1)区块链技术研究文献;(2)来自区块链采用者、解决方案提供者的报告，图4。
图5基于Hyperledger Fabric IJPDLM的TradeLens简化操作集装箱运输及专业机构区块链风险识别与分析方法(3)观察到区块链应用程序和cors事件，以识别区块链集成系统可能发生的潜在HEs。关键词“risk”和“区块链”用于英文会议论文和期刊文章的标题、摘要和关键词的搜索。搜索总共返回了来自Web of Science的247篇论文和来自Scopus的391篇论文。该数据库在删除重复条目后，总共收录了491篇论文。经过定性检查，排除了不符合区块链风险识别目的的论文(例如，利用区块链来解决风险)，最终获得了52篇论文的全文，用于内容分析。虽然在这些论文中识别了与区块链系统操作相关的风险，解决方案提供商在集装箱运输领域的实际应用仍然需要审查(例如Hyperledger Fabric平台的基础运营)，以提供可靠的技术理解和证据，支持风险的存在以及因果关系。其他材料，包括技术解释论文、行业报告、专门机构报告和解决方案提供商的文档，在内容分析之前和过程中不断识别和收集(见章节3.2)。包括多个可信来源，即CargoX、Hyperledger Fabric网站;微软;IBM的研究;美国商务部国家标准与技术研究所;澳大利亚工业、科学、能源和资源部和CSIRO;欧盟区块链天文台和论坛;和劳埃德列表。
图5：
3.2风险和因果关系的识别
风险识别和风险网络模型构建分三步进行(图5)。第一步，通过扫描整套资料，对收集到的以HEs形式的文献及其潜在后果进行个体和包括个体的风险识别。在一个系统中不可能存在的潜在的高等教育或因果关系，在其他系统中可能存在。因此，文献间的一致性不如风险研究推荐的全面性和可覆盖性重要(Chang et al.， 2015;阮,2020)。当风险的高风险可能由另一风险的高风险引发时(例如，对公司信息和通信技术(ICT)系统的网络攻击可能导致身份和业务活动的意外暴露)，确定了单事件风险之间的因果关系。为保证结果的主体性间性和重现性，作者分别对alpha;和beta;两个过程进行了含量分析。他们相似的风险描述将直接在最终结果中被接受。
在接下来的步骤中，作者通过集体决策的过程来解决分歧，以确定最终的风险列表，其中包括在alpha;和beta;中确定的综合文献，包括在每个过程中收集的其他材料。确定的因果关系可以重新映射到最终的风险列表中。这一步的结果是jVj节点的网络结构和jEj直接连接,像样的风险结构矩阵(RSM)(图6)。连接的方向是嵌入式的因果关系,和重新映射的结果没有显示出周期结构的网络,最后的结果可以被认为是有意义的。根据它们在DAG模型中的位置，可以将它们分为三组。组1中的风险——主动性风险没有先验风险(DAG中没有父节点);第3组的后续风险没有后续风险(DAG中没有子节点);在第2组中，过渡性风险同时存在前风险和后风险。这种标记技术反映了在多事件风险场景中，从1组HEs到2组和3组其他HEs的普遍影响。
最后，利用Fang等人(2012)提出的原则，对模型中接受或移除边缘的“备选路径”的每个实例进行风险之间的关系检查。图6展示了一个例子，r4导致R5、R7和R8, R5导致R7和R8。如果R4可以在不经过R5的情况下触发R7和R8，那么从R4到R7和R8的边是必要的。否则，它们可以被删除。
3.3基于建立的DAG模型的网络分析
通过网络分析，深入了解其结构，实现多事件风险情景。由风险识别得到的DAG记为 H=(V,E)与V=(V1;V2;V3)分别为组1、组2、组3中的节点(风险)集合，E是边的集合(直接因果关系)。Re是网络中从一个节点到另一个节点的所有路径的集合。节点数、边数和路径数记为Iota;ViIota;;i=1;2;3, Iota;EIota;, Iota;ReIota;。
3.3.1多事件场景实现。
不同的子网络由节点和连接到个别节点的边组成。本分析除了实现多事件风险情景外，还提出了组1中的风险的事件树图、组2中的风险的蝴蝶结图和组3中的风险的故障树图，这些在风险缓解和预防规划中至关重要。领结图可以理解为包含一个分析事件eth;ATHORN;;故障树包含可能导致a的潜在事件;事件树包含可能由A触发的潜在后续事件。
3.3.2拓扑度量。
在本研究中，我们为衍生网络计算了10个度量，它是一个边缘未加权的DAG。
网络密度（rho;）条件网络密度（rho;s）f整个网络:这些指标反映了网络连接饱和的程度。他们报告了模型中风险之间的整体连通性(因果关系)(Fang et al.， 2 0 1 2)。rho;的一般分母是Iota;VjIota;3 eth;jVjminus;1THORN; (Eqn 1)。使用调整后的eth;jV1j thorn; jV2jTHORN; 3 eth;jV2j thorn; jV3jTHORN;minus;jV2j的分母添加rho;sis，因为V1和V3中的节点对同一集合(Eqn 2)中的节点没有边。这种设置允许rho;s在eth;0的范围内波动;1？，使解释更加直观。密度越高，表明HEs的连接越紧密，因此，在组1或组2中，HE具有更高的普遍性。
整个网络的可达率eth;qTHORN;:与eth;jEjTHORN;只计算节点之间的直边不同，jRej计算所有节点对之间所有可能的路径。qfrac14;jRej: jEj反映了每个直连的平均路径数，是衡量网络复杂度的一个指标。可达性比率越高，表明从另一个HE触发一个HE的途径越多，因此处理多事件风险情景的总体难度越高。
In、out和总度eth;vI;签证官;每个节点的vTHORN;:分别测量每个节点的连接的先验、后验和总直接连接节点。vI反映了先前风险的数量，这也是可能触发该风险的HE的直接邻近的数量。类似地，vO是一个HE可能引起的相邻HE的数量。总程度衡量每个节点和vfrac14;vI thorn; vO的局部连通性。vI可以通过RSM中每一行的和计算，vO可以通过RSM中每一列的和计算，如图6所示。局部连通性越高，表明在两到三次事件的风险情况下，HE的潜在风险越大，在这种情况下，有风险的HE可以立即引起其他HE或由其他HE触发。
In、out和总可达性-可达节点数eth;SI;所以;每个节点的STHORN;:这些指标类似于vI;签证官;v，但是不用E的集合，他们用Re的集合来考虑所有可能的路径，这些路径可以经过其他节点。他们测量导致或由HE触发的连接的前、后和总HE的数量。总可达性表示为Sfrac14;SI thorn; some表示模型中各个风险的全球连通性。全球连通性越高，表明在多事件风险场景中，HE的潜在参与程度越高，其中具有风险的HE最终可能导致
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[603137]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
