贝叶斯网络在风险评估中的建网规则：节点、边、条件概率表（建网步骤、CPT估计、验证方法）

贝叶斯网络在风险评估中的建网规则：节点、边、条件概率表（建网步骤、CPT估计、验证方法）本文档提供：表2建网步骤与判定表；表3节点定义检查表；表4边方向判定表；表5CPT估计方法匹配表；式(1)BIC结构评分；式(2)MLE参数估计；式(3)Dirichlet-MAP估计；式(4)专家先验融合估计；式(5)交叉验证对数损失；表6验证指标对照表；式(6)敏感性熵减；表7停摆排查表；四条决策规则和一处矛盾；表8三套场景表；完整案例一个。2026-11-03表1目录与定位表这一节的标题读完你能拿到什么这一节在全文中的功能一、建网不是“画图加箭头”：DAG、CPT和联合分布三件事必须同时成立表2建网步骤与判定表在动笔之前确认网络结构、参数和联合分布的一致性二、节点：把“风险因素”翻译成可观测、可取值、互斥的变量表3节点定义检查表确定哪些变量进网络、每个变量取什么状态三、边：方向由因果或时间顺序决定，不由相关性决定表4边方向判定表避免把统计相关误写成因果箭头四、CPT估计：数据够用MLE，数据稀疏用先验，专家判断需要约束表5CPT估计方法匹配表、式(2)(3)(4)根据数据量和专家知识的形态选择参数估计方法五、结构验证：BIC和交叉验证回答“这个DAG是否值得保留”式(1)(5)和表6验证指标对照表判断网络结构是否被数据支持，而不是凭“看起来合理”六、参数验证和敏感性：CPT的微小变化会不会翻转结论式(6)和表6（续）确认风险排序和关键概率对CPT扰动是否稳健七、跑了一轮就停在“图画完了、CPT填了”，先查这五处表7停摆排查表定位网络没有进入推理或决策的环节八、什么时候重构建网、什么时候只调CPT：四条规则和一处矛盾四条决策规则和矛盾权衡规则处理“结构错了”和“参数不准”之间的诊断分叉九、完整版、精简版、极简版按数据条件和决策后果选表8三套场景表按场景选择执行范围按第一列在正文找对应那节，按第二列判断这节有没有你要的东西，按第三列判断这节是否对应你当前卡住的位置。风险团队花了三周画出一张贝叶斯网络：29个节点，67条边，每个节点的CPT填得满满当当。推理跑出来，“供应链中断”的后验概率是0.34。会上有人问“这0.34是怎么来的”，答“Netica算的”；再问“如果‘单一来源’这个节点的CPT改10个百分点，0.34会变多少”，没有人算过。图的形状像一张因果地图，但没有一条边的方向经过检验，没有一个CPT被回测，也没有一个节点被确认是“在事件发生时可以被观察到”的。贝叶斯网络是有向无环图（DAG）与条件概率表（CPT）的组合：BN=(G,一、建网不是“画图加箭头”：DAG、CPT和联合分布三件事必须同时成立建网的正式步骤在工程实践中是固定的：确定网络结构（节点和边），然后为每个节点填充CPT，使联合概率可以分解为每个节点在其父节点条件下的概率乘积。可审计的建网流程把这些步骤拆成五个阶段，每个阶段有独立的判定条件。表2建网步骤与判定表阶段动作判定条件不通过时退到哪里产出1节点定义列出候选变量，定义状态和取值每个节点可观测、状态互斥、状态数可控（通常≤5）退回，删掉不可观测节点或合并状态过多的节点节点清单和状态定义2边方向基于因果或时间顺序连接父节点和子节点每条边有书面方向依据；全图无环退回，删除无依据的边或反转方向DAG结构3结构验证用数据或专家判断检验DAG是否被支持BIC不劣于空模型；交叉验证损失不高于基线退回阶段2，调整边结构验证记录4CPT估计对每个节点，估计在其父节点组合下的条件分布每个父节点组合有概率分布；分布和为1；数据稀疏时有先验约束退回阶段1，合并状态或减少父节点数CPT表5参数验证与敏感性回测CPT、检查关键概率对扰动的稳健性交叉验证损失可接受；敏感性分析不翻转关键结论退回阶段4，补数据或调整先验验证记录和敏感性图五个阶段中，阶段1和阶段2是“建”的动作，阶段3至5是“验”的动作。多数建网失败发生在阶段1和2没有被认真执行，阶段4直接跳到“填数字”，阶段3和5被跳过。二、节点：把“风险因素”翻译成可观测、可取值、互斥的变量节点是贝叶斯网络的基本单元，但“风险因素”本身不是节点。一个可用的节点必须满足三个条件：可观测（在事件发生前后能够被赋值）、状态互斥且穷尽（每个节点在任一时刻只能处于一个状态，所有可能状态被覆盖）、状态数可控（通常不超过5个，否则CPT的规模会指数增长）。节点可以是二元的（是/否、发生/未发生），也可以是多状态的（低/中/高），但状态定义必须让不同评估者对同一观测给出相同的状态赋值。表3节点定义检查表检查项合格标准不合格的后果修复动作示例可观测性节点状态在数据或专家判断中可以被赋值节点是抽象概念（如“管理质量”），无法从任何来源赋值用可观测的代理变量替代，或拆成可观测的子节点“管理质量”改为“关键岗位空缺率”（高/中/低）状态互斥且穷尽节点状态列表覆盖所有可能，任意两个状态不重叠CPT的行无法唯一对应观测重新定义状态边界，或增加“其他”状态“发生频率”分为“从未/偶尔/频繁”，边界用次数阈值定义状态数通常≤5；父节点数×状态数不使CPT行数超过可管理范围CPT行数爆炸（例如5个父节点各3状态，子节点3状态，CPT有243行）合并状态、减少父节点、或使用Noisy-OR等简化参数化将5个父节点减少到3个，或把三状态合并为二状态根节点先验根节点有先验概率，来源可追溯（数据频率或专家判断）根节点先验凭感觉设定，推理结果不可解释用历史频率或结构化专家估计补先验“单一来源供应商”根节点先验：过去3年12个关键物料中3个为单一来源，先验0.25目标节点至少有一个节点代表最终关注的风险结果（如“业务中断”“监管处罚”）网络没有终点，推理无法回答具体问题明确定义目标节点及其状态目标节点“业务中断”：是/否，或“无/局部/全面”节点状态的定义方式直接影响CPT的可估计性。如果状态边界模糊（例如“高/中/低”没有量化阈值），不同专家对同一观测的赋值不一致，CPT的专家估计会引入不可追踪的噪声。可操作的做法是在节点定义表中为每个多状态节点写出状态赋值的判定规则，例如“高=过去12个月发生≥6次，中=2至5次，低=0至1次”。三、边：方向由因果或时间顺序决定，不由相关性决定贝叶斯网络的边是有向的，方向表达的是条件依赖的方向，通常被解释为因果关系或时间先后关系。两件事在数据中相关，不等于它们之间的箭头方向是确定的；箭头方向错了，CPT的条件方向也跟着错，推理的后验概率不可信。边的方向判定需要三个层次：因果依据（机制上A是否导致B）、时间顺序（A是否先于B发生）、可干预性（如果干预A，B是否改变，而干预B不改变A）。表4边方向判定表判定层次问什么合格的方向依据方向存疑时的处理示例因果机制是否存在“A的变化导致B的变化”的机制解释有书面机制说明，引用文献、操作经验或物理/逻辑关系方向存疑时不做边，或做双向敏感性比较“单一来源”导致“供应中断风险上升”，有采购机制依据时间顺序A是否在时间上先于B发生数据或事件记录显示A的时间戳早于B时间顺序不明确时，优先用领域知识判断，不强行从数据学习“供应商财务恶化”先于“交付延迟”可干预性干预A是否改变B，干预B是否不改变A有可观察的干预记录或反事实推理无法判断时标记“方向待定”，在结构验证中比较正反两个方向的BIC干预“单一来源”（更换供应商）应改变“供应中断”；干预“中断”不应改变“单一来源”无环性全图是否无有向环从任一节点出发沿箭头方向无法回到自身出现环时，检查是否把双向关系误写成两条单向边，或把时间顺序搞反A→B→C→A的环，拆成时间分层的DAG边的必要性去掉这条边，BIC或交叉验证损失是否显著变差去掉后模型拟合显著下降，且边有机制依据去掉后拟合不变或改善，删除该边去掉“天气→供应中断”边后BIC不变，删除从数据中学习结构（structurelearning）是另一条路径，但它在风险场景中有明确的局限：纯数据驱动的结构学习需要大量样本覆盖所有父节点组合，而在风险事件稀疏的场景中，数据往往不足以区分“A→B”和“B→A”。可操作的组合方式是：先用领域知识确定边的候选集，再用BIC或交叉验证在候选方向之间做选择，而不是让算法从零开始搜索全部DAG空间。BIC评分在“拟合优度”和“模型复杂度”之间取平衡：拟合优度用对数似然衡量，复杂度用参数个数乘以logN式(1)BIC结构评分对候选结构G，BIC评分为：B变量定义：D为数据；θG为在结构G下估计的参数；dim(G)为结构G的自由参数个数；N为样本量。BIC越高，结构越受数据支持。第一项是拟合优度，第二项是对复杂度的惩罚。当两个候选方向（例如两个常见错误：只比较BIC的绝对值，不比较候选结构之间的BIC差；用BIC选择了方向，但没有检查该方向是否与因果机制矛盾。校验方法：手里有数据和候选结构；对每个候选结构计算BIC；记录BIC差和方向依据；如果BIC差小于2且方向依据薄弱，标记“方向不确定”，在敏感性分析中检验两个方向对关键后验概率的影响。四、CPT估计：数据够用MLE，数据稀疏用先验，专家判断需要约束CPT估计是建网中最消耗时间的环节，也是“填了数字但不知道数字怎么来的”问题最集中的地方。估计方法的选择由两个变量决定：数据量（每个父节点组合下的样本数是否足够）和专家知识的形态（专家能直接给出概率、只能给出定性约束，还是两者混合）。风险场景的典型情况是：数据稀疏，但专家有可表达的判断。表5CPT估计方法匹配表数据条件专家知识形态推荐方法不推荐的方法必须记录的元数据示例每个父节点组合有足够样本（通常>50）无或少量MLE（式2）强行使用专家先验，掩盖数据信号样本量、每个组合的计数某节点有3个父节点组合，每个组合≥80个样本，用MLE部分组合样本稀疏，部分充足专家能给出先验猜测或约束Dirichlet-MAP（式3）或约束MAP只用MLE，稀疏组合的概率为0或不可靠Dirichlet参数α的来源和取值稀有父节点组合只有3个样本，用专家先验α平滑数据极少，专家能给出完整或部分概率直接概率估计或定性排序专家先验融合（式4，PEUK/最大熵）直接平均专家估计，不检查一致性专家身份、估计协议、一致性检查某CPT只有专家判断，3位专家独立估计后按式4融合数据极少，专家只能给出定性关系（P1定性约束约束MLE/约束MAP/等渗回归把定性约束强行转成精确数字约束清单及其来源专家只能判断“高风险状态的概率大于中风险”，用约束优化式(2)最大似然估计（MLE）对节点Xi在父节点组合u下取状态xθ变量定义：N(x,u)为数据中Xi=两个常见错误：在样本稀疏时直接使用MLE，导致某些CPT行为0，推理时把一条可能的路径完全切断；没有记录每个父节点组合的样本数，无法判断哪些行的估计不可靠。校验方法：手里有数据和CPT；逐行核对N(u)式(3)Dirichlet-MAP估计为每个父节点组合引入Dirichlet先验αxθ变量定义：K为节点Xi的状态数；α0∣u=两个常见错误：先验参数α的来源没有记录，导致事后无法判断“这个概率是数据算的还是专家猜的”；在数据充足时仍然使用强先验，人为地把估计拉向先验值。校验方法：手里有α的设定记录；对每个父节点组合比较MLE和MAP的差异；差异大的行标注“先验主导”，并在报告中说明先验的依据。式(4)专家先验融合估计（PEUK/最大熵）当数据极少且专家只能给出部分概率信息时，一种可操作的做法是：将专家判断转化为约束，在满足约束的参数空间中取最大熵解。简化的融合形式可以写成数据和专家估计的加权组合：θ变量定义：θdata为数据驱动的估计（MLE或MAP）；θ(e)为第e位专家的估计；ωe为专家权重（满足∑ωe=两个常见错误：多位专家的估计没有做一致性检查，直接把矛盾的数字平均；ξ和ωe校验方法：手里有专家估计记录和数据计数；计算专家之间的一致性（例如估计的排序是否一致）；用式(5)的交叉验证损失比较不同ξ取值下的模型表现，选择使损失最小的ξ，并记录。五、结构验证：BIC和交叉验证回答“这个DAG是否值得保留”结构验证不是“图看起来合理”，是用数据或专家判断检验DAG是否被支持。BIC（式1）是拟合优度和复杂度的综合分数，适用于候选结构之间的比较。交叉验证对数损失衡量模型在未见数据上的预测表现，适用于判断“这个结构是否过拟合”。两者回答的问题不同：BIC回答“哪个结构更受数据支持”，交叉验证损失回答“这个结构在新数据上的预测有多差”。式(5)交叉验证对数损失将数据分为K折，对第k折作为测试集、其余折作为训练集，拟合模型后计算测试集上的负对数似然：L变量定义：N为测试集样本总数；P为训练集上拟合的贝叶斯网络对测试样本的预测概率。损失越低，模型的样本外预测越好。对于离散贝叶斯网络，交叉验证通常使用对数似然损失（log-likelihoodloss），即负的期望对数似然。两个常见错误：用训练集上的拟合优度代替交叉验证损失，过拟合的结构在训练集上表现好但样本外差；只跑一次划分，不检查折间的损失方差。校验方法：手里有数据和候选结构；用k=5或表6验证指标对照表指标回答什么问题什么算通过什么算不通过不通过时的动作计算入口BIC（式1）哪个候选结构更受数据支持候选结构的BIC高于空模型或基线结构，且BIC差>2BIC差≤2，结构之间没有实质区分用领域知识决定，或标记“结构不确定”结构评分脚本交叉验证对数损失（式5）结构的样本外预测是否优于基线损失低于基线损失，且折间标准差可接受损失不低于基线，或折间方差很大删减边或合并节点，重新验证交叉验证流程混淆表/准确率目标节点的分类预测是否正确准确率显著高于多数类基线准确率接近基线检查目标节点的CPT和父节点选择测试集预测球形收益（sphericalpayoff）预测概率与真实状态的接近程度球形收益较高（越接近1越好）收益低检查CPT校准或结构预测概率与真实状态六、参数验证和敏感性：CPT的微小变化会不会翻转结论结构验证通过之后，CPT的数值仍然可能不可靠，尤其是在专家估计或稀疏数据平滑的行上。参数验证需要回答两个问题：CPT的预测是否被数据支持（回测），以及关键后验概率对CPT的扰动是否敏感（敏感性分析）。敏感性分析在贝叶斯网络中有多种形式：方差缩减（variancereduction）衡量某个父节点对子节点不确定性的减少程度；熵减（entropyreduction）衡量观测某个节点后目标节点不确定性的下降；案例文件模拟则是在给定证据下比较后验变化。式(6)敏感性熵减对目标节点T，在观测节点O取值为o前后，熵的减少为：Δ其中H(T)=−tP两个常见错误：只做单节点敏感性，不检查多个CPT同时扰动时的联合效应；敏感性分析的范围没有覆盖专家估计主导的行（这些行恰恰是最不确定的）。校验方法：手里有拟合好的网络和CPT；对每个CPT行施加预设扰动（例如±0.05或±10七、跑了一轮就停在“图画完了、CPT填了”，先查这五处贝叶斯网络构建完成后，推理结果没有被用于风险排序、限额或决策，或者用了但没有人能解释数字的来源。按表7顺序查。第一检查点不打开网络图，先打开风险决策记录。表7停摆排查表检查点打开什么看什么什么算正常不正常时怎么改一风险决策记录网络输出的后验概率是否被引用到具体决策中至少有一个决策引用了网络输出的概率或排序把网络输出与决策规则连接；没有连接的网络是“技术演示”，不是决策工具二表2的阶段3和5记录结构验证和参数验证是否执行有BIC或交叉验证记录，有敏感性分析记录补验证；没有验证的CPT不能用于高后果决策三表5的估计方法记录每个CPT的估计方法是否被记录，稀疏行是否有先验处理每行有方法标签和样本量补方法标签；MLE稀疏行补先验平滑四表4的边方向依据关键边是否有书面方向依据每条边有因果/时间/干预依据补方向依据；无依据的边在下一轮中删除或标记“待定”五式(6)的关键参数标记敏感性分析中跨越决策阈值的CPT行是否被标记并说明关键参数有标记和不确定性说明补敏感性分析和说明示例：检查点一发现网络输出的“供应链中断后验概率0.34”没有对应任何决策规则。检查点二发现没有做交叉验证，CPT全部来自专家直接估计。补做交叉验证后，损失与基线接近，说明结构没有提供超出先验的预测信息；进一步检查发现“单一来源”节点的边方向与采购流程的时间顺序矛盾，调整方向后重新验证，损失才开始低于基线。八、什么时候重构建网、什么时候只调CPT：四条规则和一处矛盾决策规则：规则一：如果交叉验证损失不优于基线，或BIC在候选结构之间没有实质差异（差≤2），问题在结构，不在CPT。回到表4检查边方向，或减少/合并节点后重建，不通过反复调整CPT来“拟合”一个不被数据支持的结构。规则二：如果结构验证通过，但敏感性分析中多个CPT行的扰动使目标后验概率跨越决策阈值，问题在参数不确定性。优先对这些“关键参数”行补充数据或做结构化专家估计（表5），不通过收紧其他CPT的分布来“稳定”结果。规则三：如果某个CPT行的MLE估计依赖的样本数N(规则四：如果网络用于高后果决策（资本、安全、监管），结构验证和参数验证都必须有书面记录，且敏感性分析必须覆盖所有专家估计主导的CPT行。低后果、可逆的决策可以使用简化验证（仅BIC或仅交叉验证），但在记录中写明“未做完整验证”。矛盾陈述：贝叶斯网络的价值在于把专家知识和数据结合起来，在数据稀疏的风险场景中提供可推理的概率结构；但结合的方式越灵活（专家先验、定性约束、最大熵融合），CPT中“数据信号”和“专家判断”的比例越难被外部分离。验证越严格（交叉验证、BIC），越可能拒绝一个在领域上合理但数据支持不足的结构；验证越宽松，网络越容易变成一个“把专家偏见包装成概率”的工具。实质分析：这个矛盾的根源在于风险场景的数据条件：贝叶斯网络通常被用在数据稀缺、因果机制重要、需要结合专家判断的场景中，而这些场景恰恰是交叉验证和BIC最不擅长的——样本少，验证统计量的功效低，结构之间的区分不显著。可操作的解法是分层验证：结构层面用领域知识约束候选集，BIC和交叉验证只用于在候选之间选择，不用于从零发现结构；参数层面用式(5)的交叉验证损失和式(6)的敏感性作为主要验证工具，同时记录每个CPT行的估计方法和先验权重，使“数据贡献了多少、专家贡献了多少”可被追溯。网络的可信度不来自单一的验证分数，来自结构依据、估计方法和敏感性记录的完整链条。权衡规则：按数据条件和决策后果分配验证资源。数据充足（每个父节点组合>50）且后果中等的场景，以交叉验证和BIC为主要验证，专家先验只用于平滑；数据稀疏且后果高的场景，以敏感性分析和专家估计一致性检查为主要验证，交叉验证作为辅助（如果样本允许）；数据极少且无法获得更多数据的场景，明确标注“模型为专家知识编码，非数据驱动”，用于情景推理和假设比较，不用于精确概率预测。退路：如果结构和参数验证都无法通过（交叉验证损失不优于基线，且敏感性分析显示结论对多个CPT行敏感），网络不进入决策使用，降级为“因果假设的显式记录”。在风险登记册中保留DAG和CPT作为讨论材料，但不输出后验概率作为决策依据。同时，用更简单的工具（风险矩阵、情景分析）覆盖当前决策需求，直到数据或专家共识改善。九、完整版、精简版、极简版按数据条件和决策后果选数据条件允许交叉验证、决策后果高、需要完整验证链条的场景，走完整版；数据中等、后果中等，走精简版；首次建网、数据极少或后果有限的场景，走极简版。三套版本的差异写在表8。表8三套场景表场景跑什么用哪个公式不能妥协的底线修复后重跑什么完整版表2五阶段、表3五项节点检查、表4五项边判定、表5估计方法、式(1)至(6)、表6验证指标、表7五项排查式(1)至(6)节点可观测；边有方向依据；结构经过BIC或交叉验证；CPT估计方法可追溯；敏感性覆盖关键参数全量重跑：表7五项、交叉验证损失、敏感性分析精简版表3前四项、表4前四项、表5中MLE和MAP两行、式(2)(3)(5)、表6前两项、表7前三项式(2)、式(3)、式(5)节点可观测；边方向有依据；结构损失不高于基线；稀疏行有先验平滑只重跑交叉验证损失和稀疏行检查极简版表3中可观测性和目标节点两项、表4中因果机制和无环性两项、表5中专家直接估计或约束一行、表7第一项不计算完整式(1)至(6)，以“节点是否可观测”“边是否有方向依据”“推理结果是否被引用”替代节点可观测；全图无环；每条边有至少一句方向依据；网络有一个明确用途只重跑表7第一项：网络输出是否对应决策完整版适用于需要向审计或监管说明“网络结构和CPT如何被验证”的场景。精简版保留从节点到交叉验证的最小链条，专家先验以Dirichlet平滑的形式引入。极简版的核心不是完成完整的验证体系，是先回答三个问题：节点是不是都能被观测到，边的方向有没有依据，网络算出来的数有没有人用。完整案例：某供应链风险团队的第一轮贝叶斯网络建网示例案例，细节为合理设定。起点：团队要评估“关键物料供应中断”的风险，候选变量有12个，数据只有过去3年的18起供应事件。团队用软件画了一张12节点、21条边的DAG，CPT全部由一位资深采购专家直接估计。推理显示“供应中断”后验概率0.28。风险委员会问“为什么是0.28”，团队答“专家估的”；问“如果把‘单一来源’的概率从0.3改到0.5，0.28会变多少”，没有人算过。第一轮试错。团队按“专家估计即可”的方式推进，把CPT填满后直接出报告。信号：交叉验证（用18起事件做留一法）的损失与“只用根节点先验”的基线损失基本相同，说明网络没有提供超出先验的预测信息。当时以为“数据太少，交叉验证不可靠”，试了不做交叉验证，直接用专家CPT。风险委员会不接受“无法验证”的网络。新信息：数据少不等于结构无法验证；问题不在交叉验证本身，在结构没有被数据支持。推翻“专家CPT即可用”的假设，换路：先检查边方向。第二轮试错。逐条检查边的方向，发现“供应商财务恶化→交付延迟”和“交付延迟→供应商财务恶化”两条边同时存在，形成了一个环。追溯发现，团队把“财务恶化”和“交付延迟”的统计相关误写成了双向因果。删除“交付延迟→财务恶化”的边后，全图无环。信号：BIC比较“财务恶化→交付延迟”和“交付延迟→财务恶化”两个方向，BIC差约1.2，小于2，数据无法区分方向；但采购流程记录显示财务恶化的事件时间戳普遍早于交付延迟，方向依据支持前者。新信息：BIC差小的时候，方向由领域知识决定，不由BIC微弱的优势决定。推翻“BIC最高即方向正确”的假设，换路：保留“财务恶化→交付延迟”，标记“方向由时间顺序支持，BIC未区分”。第三轮试错。结构修正后，检查CPT估计。信号：18起事件中，“单一来源=是”且“财务恶化=是”的组合只有2个样本，MLE给出的“中断=是”的概率是0或1，把路径完全切断。当时以为“样本少就是0/1”，试了直接用MLE，推理时某些情景的概率变成0，不符合采购团队的判断。新信息：稀疏组合的MLE不可靠，需要用先验平滑。推翻“MLE即可”的假设，换路：对稀疏行使用Dirichlet先验，先验来自专家对“单一来源+财务恶化”组合下中断概率的判断（约0.6），α按先验强度设定；MLE和MAP的差异被记录。第四轮试错。CPT平滑后，做敏感性分析。信号：对“单一来源”根节点的先验概率施加±0.1第五轮试错。关键参数标记后，团队尝试用“专家融合”（式4）替代单一专家估计。信号：3位专家对“单一来源+财务恶化→中断”的概率估计分别为0.5、0.6、0.8，直接平均为0.63，但三位专家对排序（高风险概率应大于中风险）没有分歧。当时以为“平均即可”，试了直接平均，敏感性显示后验仍然跨越阈值。新信息：专家之间的一致性在排序上，不在数值上；直接平均掩盖了数值分歧。推翻“平均即融合”的假设，换路：用定性约束（排序约束）加最大熵融合，在满足“高风险概率>中风险概率”的约束下取最接近数据（稀疏计数）和专家排序的解，并记录约束的来源。终点：DAG为11个节点（删除了一个不可观测的“管理质量”节点，替换为“关键岗位空缺率”），边方向均有依据且无环；结构通过BIC比较（候选方向差>2时采用BIC，差≤2时采用时间顺序）；CPT按行记录估计方法（MLE行、MAP平滑行、专家融合行）；交叉验证损失低于基线；敏感性分析标记“单一来源”根节点先验为关键参数，报告后验区间而非单一点估计；网络输出被用于“是否增加第二来源”的决策讨论，后验概率以区间形式呈现。表9案例变量表变量案例中情形如果变量不同处置变化数据量18起事件，父节点组合稀疏若每个组合>50样本MLE可直接使用，交叉验证统计功效提高，结构和参数验证可更依赖数据边方向“财务恶化→交付延迟”由时间顺序支持，BIC未区分若BIC差>2且支持另一方向采用BIC支持的方向，但仍需检查时间顺序是否矛盾稀疏组合的MLE概率为0或1，切断路径若使用MAP平滑概率被先验拉住，不出现0/