Analisis Topologi Rangkaian Mata Wang Komuniti: Kajian Kes Token Sarafu

Kandungan

1 Pengenalan

Sistem pembayaran digital menghasilkan data transaksi yang membolehkan analisis terperinci proses ekonomi yang belum pernah ada sebelum ini. Kajian ini meneliti rangkaian token Sarafu, mata wang inklusi komuniti di Kenya yang digunakan semasa kecemasan COVID-19 sebagai sebahagian daripada bantuan kemanusiaan. Penyelidikan ini menggunakan kaedah sains rangkaian untuk menganalisis corak transaksi, dengan tumpuan khusus pada pengkategorian topologi komponen kitaran dan bukan kitaran serta peranannya dalam edaran mata wang.

Rangkaian Sarafu mewakili sistem mata wang komuniti digital yang dianjurkan oleh Grassroots Economics, sebuah pertubuhan bukan berasaskan keuntungan. Semasa tempoh yang dianalisis, sistem ini berfungsi sebagai program pemindahan tunai kecemasan yang direka bersama dengan Palang Merah Kenya. Mata Wang Inklusi Komuniti adalah sistem baucar tempatan yang direka untuk pemindahan tunai kemanusiaan, terhad kepada wilayah geografi atau rangkaian peserta yang telah ditetapkan untuk merangsang pembangunan ekonomi tempatan.

2 Metodologi

2.1 Pembinaan Rangkaian

Sistem pembayaran dimodelkan sebagai rangkaian temporal berwajaran berarah di mana nod mewakili peserta sistem dan pautan berwajaran berarah bermasa sepadan dengan transaksi. Untuk analisis topologi, transaksi digabungkan secara temporal menjadi pautan berarah berwajaran, manakala aspek temporal dikekalkan untuk analisis edaran.

2.2 Analisis Komponen

Metodologi melibatkan pengenalpastian komponen berkait kuat (SCC) dan struktur hierarki mereka. Komponen dikategorikan sebagai kitaran (mengandungi kitaran berarah) atau bukan kitaran (struktur seperti pokok). Pengkategorian ini membantu membezakan antara corak penglibatan pengguna dan tingkah laku edaran mata wang yang berbeza.

2.3 Model Nol

Model nol rawak digunakan untuk menilai kepentingan statistik corak topologi yang diperhatikan. Model ini membantu menentukan sama ada kelaziman jenis komponen tertentu melebihi apa yang dijangka secara kebetulan dalam rangkaian rawak dengan sifat asas yang serupa.

3 Kerangka Teknikal

3.1 Formulasi Matematik

Rangkaian ditakrifkan secara formal sebagai $G = (V, E, W, T)$ di mana $V$ ialah set bucu (pengguna), $E \subseteq V \times V$ ialah set tepi (transaksi), $W: E \rightarrow \mathbb{R}^+$ memberikan pemberat kepada tepi (jumlah transaksi), dan $T: E \rightarrow \mathbb{R}^+$ memberikan cap masa.

Edaran mata wang dalam komponen $C$ diukur sebagai:

$$R(C) = \frac{\sum_{e \in E(C)} w(e)}{\max_{v \in V(C)} \sum_{e \in E^{out}(v)} w(e)}$$

di mana $E(C)$ menandakan tepi dalam komponen $C$, $w(e)$ ialah pemberat tepi $e$, dan $E^{out}(v)$ mewakili tepi keluar dari bucu $v$.

3.2 Pelaksanaan Algoritma

Pseudokod berikut menunjukkan algoritma analisis komponen:

function analyze_currency_network(G):
    # Kenal pasti komponen berkait kuat
    SCCs = tarjan_strongly_connected_components(G)
    
    # Bina graf kondensasi
    DAG = condense_graph(G, SCCs)
    
    # Klasifikasikan komponen
    cyclic_components = []
    acyclic_components = []
    
    for component in SCCs:
        if is_cyclic(component):
            cyclic_components.append(component)
        else:
            acyclic_components.append(component)
    
    # Kira metrik edaran
    metrics = {}
    for component in cyclic_components + acyclic_components:
        metrics[component] = calculate_circulation(component)
    
    return cyclic_components, acyclic_components, metrics

4 Keputusan Eksperimen

4.1 Taburan Komponen

Analisis mendedahkan kehadiran signifikan komponen berkait kuat berbanding model nol rawak, menunjukkan kepentingan kitaran dalam rangkaian ekonomi. Komponen kitaran menunjukkan kadar edaran semula mata wang yang lebih tinggi, menunjukkan komuniti perdagangan aktif di mana mata wang beredar beberapa kali dalam kalangan peserta.

Dalam komponen bukan kitaran, corak triad paling signifikan mencadangkan kehadiran pengguna yang mengumpul mata wang daripada akaun yang aktif hanya sekali, berpotensi menunjukkan penyalahgunaan sistem. Kumpulan kecil pengguna terpencil yang aktif hanya sekali juga dikenal pasti, mencadangkan pengguna hanya menguji sistem tanpa penglibatan berterusan.

4.2 Analisis Temporal

Analisis temporal corak transaksi mendedahkan dinamik edaran yang berbeza. Komponen kitaran mengekalkan aktiviti konsisten dari masa ke masa, manakala komponen bukan kitaran menunjukkan corak penglibatan sporadik. Visualisasi evolusi komponen dari masa ke masa menunjukkan bagaimana strategi penglibatan pengguna berkembang sepanjang tempoh kecemasan.

5 Analisis Asal

Penyelidikan ini mewakili kemajuan signifikan dalam mengaplikasikan sains rangkaian kepada sistem mata wang komuniti, membina atas kerja asas dalam analisis rangkaian ekonomi. Pendekatan topologi yang dibangunkan oleh Criscione menyediakan kerangka yang ketat untuk memahami corak edaran mata wang yang melangkaui metrik ekonomi tradisional. Berbanding pendekatan analisis rangkaian kewangan konvensional yang digunakan dalam kajian sistem perbankan (Battiston et al., 2016) atau rangkaian kriptowang (Kondor et al., 2014), metodologi ini menawarkan pandangan unik ke dalam sistem ekonomi berasaskan komuniti.

Pengenalpastian komponen kitaran sebagai penunjuk edaran mata wang yang sihat selari dengan teori ekonomi yang menekankan halaju wang sebagai penunjuk ekonomi utama. Walau bagaimanapun, perspektif rangkaian menambah dimensi spatial dan relasional kepada pemahaman ini. Kehadiran signifikan komponen kitaran berbanding model nol mencadangkan bahawa mata wang komuniti yang berjaya secara semula jadi membangunkan corak aliran bulatan, serupa dengan rangkaian metabolik yang dikaji dalam biologi sistem (Jeong et al., 2000).

Pengesanan corak penggunaan yang berpotensi bermasalah melalui analisis komponen bukan kitaran menunjukkan utiliti praktikal pendekatan ini untuk pengurusan sistem mata wang. Keupayaan ini amat berharga untuk aplikasi kemanusiaan di mana pengoptimuman sumber adalah kritikal. Kaedah yang dibangunkan di sini boleh disepadukan dengan pendekatan pembelajaran mesin untuk pengesanan anomali, serupa dengan teknik yang digunakan dalam pengesanan penipuan kewangan (Phua et al., 2010), tetapi disesuaikan untuk ciri unik sistem mata wang komuniti.

Dari perspektif teknikal, gabungan analisis topologi dengan dinamik temporal menangani batasan utama dalam banyak kajian rangkaian yang menganggap sistem sebagai statik. Pendekatan ini berkongsi persamaan metodologi dengan analisis rangkaian temporal dalam sistem sosial (Holme & Saramäki, 2012), tetapi mengaplikasikan teknik ini kepada tingkah laku ekonomi dalam konteks krisis. Kerja masa depan boleh mendapat manfaat daripada menggabungkan rangka kerja rangkaian berbilang lapisan untuk menangkap interaksi antara jenis hubungan ekonomi yang berbeza.

6 Aplikasi dan Hala Tuju Masa Depan

Metodologi yang dibangunkan dalam penyelidikan ini mempunyai aplikasi luas di luar kajian kes khusus:

• Pengoptimuman Bantuan Kemanusiaan: Pemantauan masa nyata edaran mata wang dalam program tindak balas kecemasan
• Pembangunan Ekonomi Tempatan: Mereka bentuk mata wang komuniti yang memaksimumkan kesan ekonomi tempatan
• Inklusi Kewangan: Memahami corak penerimaan dalam komuniti yang kurang mendapat perkhidmatan
• Penilaian Dasar: Penilaian kuantitatif intervensi monetari dan kesan rangkaian mereka

Hala tuju penyelidikan masa depan termasuk:

• Integrasi dengan pemodelan berasaskan ejen untuk mensimulasikan kesan intervensi
• Pembangunan papan pemuka pemantauan masa nyata untuk pentadbir mata wang
• Kajian perbandingan antara budaya rangkaian mata wang komuniti
• Aplikasi pembelajaran mesin untuk analisis ramalan faktor kejayaan mata wang

7 Rujukan

1. Battiston, S., et al. (2016). Complexity theory and financial regulation. Science, 351(6275), 818-819.
2. Holme, P., & Saramäki, J. (2012). Temporal networks. Physics reports, 519(3), 97-125.
3. Jeong, H., et al. (2000). The large-scale organization of metabolic networks. Nature, 407(6804), 651-654.
4. Kondor, D., et al. (2014). Do the rich get richer? An empirical analysis of the Bitcoin transaction network. PloS one, 9(2), e86197.
5. Phua, C., et al. (2010). A comprehensive survey of data mining-based fraud detection research. arXiv preprint arXiv:1009.6119.
6. Grassroots Economics. (2023). Community Inclusion Currencies: Design Principles. Diperoleh daripada grassrootsconomics.org