Quantum-Inspired Supply Chain MCP Server

量子に着想を得たサプライチェーン MCP サーバー

ApifyForge で見る | Apify Store で使う

---

クイックスタート

MCP クライアント（Claude Desktop、Cursor、Windsurf）に追加します。

{
  "mcpServers": {
    "quantum-inspired-supply-chain-mcp": {
      "url": "https://ryanclinton--quantum-inspired-supply-chain-mcp.apify.actor/mcp"
    }
  }
}

---

量子に着想を得たサプライチェーン最適化を MCP サーバーとして提供します。Claude、Cursor、または任意の MCP クライアントを接続すると、17 のライブデータソースから同時にデータを取得する8つの高度な分析ツールを利用できます。スプレッドシートベースのリスクモデルを超え、アルゴリズムによる高度な分析を必要とするサプライチェーンアナリスト、リスクマネージャー、コンプライアンスチーム向けに構築されています。

各ツールは、それぞれ異なる計算手法を適用します。ネットワークフローの最適化にはテンソルトレイン MPS 分解、連鎖障害のシミュレーションには相関ハイパーグラフ・パーコレーション、制裁回避の検知には VF2 部分グラフ同型性、サプライヤー間の競争には N プレイヤー・ニュースベンダーのベイズゲーム、気候のテールリスクには多変量一般化パレート分布のフィッティングを使用します。コーディングは不要です。AI アシスタントに依頼するだけで、構造化された結果が得られます。

どのようなデータにアクセスできますか？

データ項目	ソース	例
📦 商品および国の組み合わせ別の二国間貿易フロー	UN COMTRADE	半導体の輸出：台湾 → 韓国、420億ドル
🏛️ 米国政府の契約案件と落札情報	SAM.gov	「先端複合材料」— 募集中の案件847件
💰 ベンダーおよびプログラム別の連邦契約支出	USAspending	Lockheed Martin：2024年の防衛契約で123億ドル
🏢 企業登録情報と所有構造	OpenCorporates	Pinnacle Holdings Ltd → 3つのペーパーカンパニー子会社、BVI
🇬🇧 英国の企業登記情報と取締役の関係	UK Companies House	Nexus Logistics UK — 実質的所有者：Chen Wei
🔗 法人識別子と親子関係の連鎖	GLEIF LEI	LEI 5493001KJTIIGC8Y1R12 → 最終親会社：BASF SE
🚫 OFAC 制裁リストと資産凍結対象者	OFAC	VTB Bank JSC — 2022年2月から制裁対象
🌐 制裁対象者、PEP、ウォッチリストの世界的な網羅情報	OpenSanctions	240以上のソースデータセットにまたがる210万以上のエンティティ
🌩️ 深刻な気象イベントと暴風雨の進路	NOAA	カテゴリー4の台風 — 9月14日、台湾に上陸
🌍 地震活動、マグニチュード、震央	USGS Earthquake	M6.2 — 台湾・花蓮の北西40km
🆘 世界各地の災害アラートと早期警報	GDACS	レッドアラート：長江流域の洪水
🇺🇸 米国の緊急事態宣言と FEMA の災害データ	FEMA	DR-4776：ミシシッピ州の洪水 — 3億4,000万ドルが承認済み
📈 株価、財務情報、市場シグナル	Finnhub	TSMC：142.80ドル、P/E 22.4、直近12か月の売上高889億ドル
💱 外国為替レートと為替変動率	Exchange Rates	TWD/USD：0.0312、30日間の変動率：3.8%
⚡ EV 充電設備とエネルギーインフラの所在地	OpenChargeMap	高速充電ステーション4,200か所 — 東京大都市圏
📍 ジオコーディングと逆ジオコーディング	Nominatim	「高雄港」→ 北緯22.6163°、東経120.2796°
🗺️ 施設情報と産業施設	OSM POI	新竹サイエンスパークに半導体工場23か所

Quantum-Inspired Supply Chain MCP Server を使う理由

サプライチェーンのリスクを手作業で評価するには、COMTRADE から貿易データを取得し、制裁リストと照合し、企業登記を検索し、気象警報を確認する必要があります。しかし、これらは別々のタブで行うため、シグナルを関連付ける方法がありません。この作業にはサプライチェーンの区分ごとに専門アナリストが 2～3 日を費やすうえ、見つけにくい連鎖的なリスクを見落とすこともあります。

この MCP サーバーは、17 件すべてのデータ収集呼び出しを並列で自動実行し、テンソル分解、グラフ浸透、ゲーム理論といった計算アルゴリズムを適用して、手作業の調査では見つけられないパターンを明らかにします。これにより、AI アシスタントは「台湾の主要サプライヤー上位 3 社が同時に操業停止した場合、半導体サプライチェーンに何が起きるか」という質問に、1 回のツール呼び出しで答えられるようになります。

• スタンバイモード — サーバーは起動状態を維持し、数分ではなく数秒で応答します。時間に敏感なクエリでもコールドスタートによる遅延はありません。
• API アクセス — Apify API を使用して、Python、JavaScript、または任意の HTTP クライアントから分析を実行できます。
• 支出管理 — セッションごとに最大支出額を設定し、ツール呼び出しの費用を予算内に収められます。
• モニタリング — 実行に失敗した場合や予期しない結果が出た場合に、Slack またはメールでアラートを受け取れます。
• 連携 — Zapier、Make、またはカスタム Webhook に接続して、スケジュールに従ってサプライチェーン分析を実行できます。

特徴

• テンソル列（MPS）分解 — 逐次的な SVD 切り捨てにより、供給ネットワークをボンド次元で接続されたコア行列に分解し、生の貿易フローデータでは見えない潜在的な依存関係を明らかにします
• LP 緩和によるマルチコモディティフロー最適化 — ラグランジュ双対問題に対する射影勾配降下法を用い、フロー保存制約と容量制約の下で総コストを最小化します。容量飽和時のボトルネックエッジを特定します
• 相関ハイパーグラフ・パーコレーション — コモディティグループの共通障害を、独立したエッジ障害ではなく相関したハイパーエッジ障害としてモデル化します。デフォルトで 1,000 回のシミュレーションを実行し、最大連結成分の割合をモンテカルロ法で推定します
• 二分探索による臨界パーコレーション閾値 p_c — ネットワークが単一の連結成分から多数の孤立した島へと分断される正確な障害確率を特定します
• 制裁回避のための VF2 部分グラフ同型判定 — 実際の企業所有関係グラフに対して、状態空間木探索と実行可能性による枝刈りで、5 種類の回避パターンのテンプレート（ペーパーカンパニーの連鎖、名義人構造、階層的な所有関係、管轄区域の移転、実質的所有者の隠蔽）を照合します
• N プレイヤー・ニュースベンダー・ベイズゲーム — Beasley-Springer-Moro の有理近似を用い、対数正規需要の逆 CDF からナッシュ均衡を計算します。特定されたすべてのサプライヤープレイヤーに需要を分割したモンテカルロ利益シミュレーションを実行します
• アナーキーの代償の定量化 — ナッシュ均衡での総発注量と社会的最適解の間の効率損失を測定し、サプライヤー間の競争がサプライチェーンのパフォーマンスをどの程度低下させるかを示します
• 多変量 GPD による気候テールリスク — 4 つのハザードデータソースから、閾値を超える値に対するモーメント法で GPD パラメーター（形状 xi、尺度 sigma）を適合します。場所をまたいで極端な事象が同時発生することを示すテール依存係数 chi を計算します
• 100 年再現期間の推定 — F(x) = 1 - (1 + xi*x/sigma)^(-1/xi) を各供給ノードの場所に適用し、極端な事象への曝露を定量化します
• 代数的連結度（フィードラー値）によるレジリエンス評価 — デフレーションを伴うべき乗反復法でグラフラプラシアンの lambda_2 を計算します。値が大きいほど、ネットワークが分断されるまでに、より多くの同時障害が必要であることを示します
• 複合レジリエンス評価 A～F — R = 0.4norm(lambda_2) + 0.35p_c + 0.25*(1/rank) の加重式により、3 つの独立した構造指標を組み合わせます
• MERA による階層的粗視化 — マルチスケールのエンタングルメント繰り込みにより、局所的な範囲にとどまらず、ネットワーク階層の複数のスケールにわたって重要性を保つノードを特定します
• コスト影響を考慮した緊急時ルーティング — 混乱が発生したノードを迂回するようにフローを最も近い稼働中の代替ノードへ再ルーティングし、正確なコスト増加率と実行不可能な需要を計算します
• 17 のデータソースを並列呼び出し — すべてのアクター呼び出しに Promise.all を使用し、タイムアウト内で並行実行します。通常、ツール呼び出しは 3～5 分で完了します

サプライチェーンリスク分析のユースケース

輸出管理および制裁コンプライアンス

輸出管理プログラムを運用するコンプライアンス担当者は、EAR/ITAR の書類を提出する前に、サプライチェーンのすべての階層に OFAC の規制対象事業体や制裁回避構造が含まれていないことを確認する必要があります。手作業での登記情報検索では、階層的な所有関係を見落とします。identify_sanctions_circumvention は、OFAC、OpenSanctions、OpenCorporates、GLEIF、UK Companies House の実データを同時に使用して VF2 部分グラフ照合を実行し、所有関係の連鎖とともに、制裁回避リスクスコアおよび一致した回避パターンの種類を返します。

半導体・重要鉱物のサプライチェーンマッピング

重要部品の調達を担うチームは、どの地理的ノードに集中リスクが最も高いかを把握する必要があります。optimize_tensor_network_flow は、UN COMTRADE の二国間フローと企業データからネットワーク全体を構築し、テンソルトレイン分解で潜在的な依存関係を特定したうえで、多品目フローを解いてボトルネックとなるノードを示します。「rare earth neodymium China Japan」のようなクエリを入力すると、容量とフローデータを含む、サプライヤー・メーカー・販売業者の全体グラフを返します。

混乱シナリオの計画と事業継続

事業継続計画を策定するリスク管理担当者は、ティア1サプライヤーの障害が実際にどこまで波及するかを把握する必要があります。detect_disruption_cascade は、指定されたトリガーノードを受け取り、ハイパーグラフのパーコレーションシミュレーションをモンテカルロ法で1,000回実行して、障害が発生する下流ノードの数とカスケードの深さを推定します。最大のシステム全体への損害につながる重要ノードを特定できるため、冗長化への投資を優先する際に役立ちます。

ESG報告に向けた気候の物理的リスク評価

ESGチームや保険引受担当者は、サプライチェーン内の各施設について、定量化された気候の物理的リスクを把握する必要があります。assess_climate_vulnerability は、各ノードの所在地における NOAA、USGS、GDACS、FEMA の閾値超過データに多変量 GPD を適合させ、ノードごとのリスク区分（LOW/MEDIUM/HIGH/CRITICAL）と、再現期間100年の推定値および複数の所在地にまたがる相関災害シナリオの裾依存係数を出力します。

サプライヤーとの交渉と市場構造の分析

サプライヤーとの交渉に臨むカテゴリー担当マネージャーは、理論上のナッシュ均衡における発注量や、サプライヤー間の競争によって供給効率がどの程度低下するかを把握すると役立ちます。simulate_supplier_game は、貿易データと企業データからサプライヤーを特定し、対数正規需要の不確実性のもとで各プレイヤーにとって最適な発注量を算出して、競争均衡と社会的最適の差である価格の無政府状態を定量化します。

インフラ監視とチョークポイントの優先順位付け

グローバル物流を管理するオペレーションチームは、失われた場合にネットワーク全体へ最も大きな損害を与えるノードを順位付けした一覧を必要としています。monitor_critical_chokepoints は、媒介中心性、スケールをまたぐ MERA の持続性、カスケード障害の影響、代数的連結性への寄与という4つの指標を組み合わせ、システムリスクの概要を含む総合的なチョークポイントのランキングを作成します。

この MCP サーバーへの接続方法

ステップ 1：Apify API トークンを取得する

Apify Console にアクセスし、API トークンをコピーします。接続 URL に必要です。

ステップ 2：MCP クライアントに追加する

Claude Desktop — claude_desktop_config.json に追加します：

{
  "mcpServers": {
    "quantum-supply-chain": {
      "url": "https://quantum-inspired-supply-chain-mcp.apify.actor/mcp?token=YOUR_API_TOKEN"
    }
  }
}

Cursor — Cursor の MCP 設定で、~/.cursor/mcp.json に追加します：

{
  "mcpServers": {
    "quantum-supply-chain": {
      "url": "https://quantum-inspired-supply-chain-mcp.apify.actor/mcp?token=YOUR_API_TOKEN"
    }
  }
}

Windsurf / Cline / MCP 互換クライアント — 同じ URL パターンを使用します。

ステップ 3：クエリを開始する

AI アシスタントに次のように尋ねます：「量子サプライチェーンサーバーを使って、台湾と韓国の半導体サプライチェーンを評価し、主要なチョークポイントと混乱のリスクを特定してください。」

サーバーは最大17のデータソースを並列で呼び出し、構造化された結果を返します。

ツールリファレンス

optimize_tensor_network_flow

17 のすべてのデータソースから供給ネットワークを構築します。逐次 SVD 切り捨てによるテンソルトレイン MPS 分解を適用し、潜在的なサプライチェーン構造を明らかにします。ラグランジュ双対上で射影勾配降下法を用いた LP 緩和により、多品目フローを求めます。

入力パラメーター：

パラメーター	型	必須	説明
query	string	はい	サプライチェーンに関するクエリ。例："semiconductor chips Taiwan Korea"
commodities	string[]	いいえ	追跡する特定の品目。例：["chips", "lithium"]
source_nodes	string[]	いいえ	フロー問題の起点となる既知のサプライヤーノード名
sink_nodes	string[]	いいえ	既知の宛先／需要ノード名

コスト： 1 回の呼び出しにつき $200-300。17 個のアクターを並列で呼び出します。

---

detect_disruption_cascade

相関ランダムハイパーグラフのパーコレーションを用いて、ネットワーク内の連鎖的な障害をシミュレーションします。モンテカルロ推定により最大連結成分の割合を求め、二分探索で臨界パーコレーション閾値 p_c を算出します。

入力パラメーター：

パラメーター	型	必須	デフォルト	説明
query	string	はい	—	ネットワーク構築用のサプライチェーンに関するクエリ
trigger_nodes	string[]	いいえ	最初のネットワークノード	最初に障害が発生した状態としてシミュレーションするノード ID
propagation_probability	number	いいえ	0.3	エッジに沿って障害が伝播する基本確率（0～1）
monte_carlo_runs	number	いいえ	1000	モンテカルロ連鎖シミュレーションの実行回数

コスト： 1 回の呼び出しにつき $200-300。

---

identify_sanctions_circumvention

VF2 部分グラフ同型判定を用いて、制裁回避のパターンを検出します。OpenCorporates、UK Companies House、GLEIF LEI、OFAC、OpenSanctions のデータから構築した最新の企業所有関係グラフに対し、既知の回避パターンのテンプレート 5 種を照合します。

入力パラメーター：

パラメーター	型	必須	説明
query	string	はい	制裁審査の対象となる企業またはサプライチェーンに関するクエリ
entity_name	string	いいえ	調査する特定の企業名

コスト： 1 回の呼び出しにつき $150-250。8 個のアクターを呼び出します。

---

simulate_supplier_game

N プレイヤーの新聞売りゲームをベイズゲームとしてシミュレーションします。Beasley-Springer-Moro 有理近似を用いた対数正規需要の逆累積分布関数からナッシュ均衡を算出します。需要分割を含むモンテカルロ利益シミュレーションを行い、効率損失（アナーキーの代償）を測定します。

入力パラメーター：

パラメーター	型	必須	デフォルト	説明
query	string	はい	—	サプライヤーのプレイヤーを特定するためのサプライチェーンに関するクエリ
total_demand	number	いいえ	1000	市場全体の需要（単位数）
demand_uncertainty	number	いいえ	0.3	需要の変動性 — 対数正規分布のシグマ
unit_price	number	いいえ	10	単位あたりの販売価格
unit_cost	number	いいえ	6	発注単位あたりのコスト
monte_carlo_runs	number	いいえ	5000	モンテカルロシミュレーションの実行回数

コスト： 1 回の呼び出しにつき $100-200。5 個のアクターを呼び出します。

---

assess_climate_vulnerability

NOAA、USGS、GDACS、FEMA のデータから得られる超過値に対し、モーメント法を用いて多変量 GPD パラメーター（xi、sigma）を適合させます。複数地点での同時発生リスクについて、裾依存係数 chi を算出します。ノードごとのリスク階層と 100 年再現期間の推定値を返します。

入力パラメーター：

パラメーター	型	必須	説明
query	string	はい	地域またはサプライチェーンに関するクエリ
region	string	いいえ	対象とする地理的地域。例："Southeast Asia"

コスト： 1 回の呼び出しにつき $150-250。8 個のアクターを呼び出します。

---

compute_resilience_score

3つの指標による複合レジリエンス評価です。（1）デフレーションを用いたべき乗反復法による代数的連結度 lambda_2、（2）ハイパーグラフのモンテカルロ法によるパーコレーション閾値 p_c、（3）テンソルトレインランク。計算式：R = 0.4norm(lambda_2) + 0.35p_c + 0.25*(1/rank)。評価結果をA〜Fで返します。

入力パラメーター：

パラメーター	型	必須	説明
query	string	はい	構築および評価するサプライチェーンのクエリ
trigger_nodes	string[]	いいえ	パーコレーション分析のカスケードトリガーとして使用するノード

コスト： 1回あたり200〜300ドル。17のアクターを並列で呼び出します。

---

plan_contingency_routing

現在のネットワークの最適な多品目フローを解き、指定された障害ノードを迂回して、すべてのフローを最寄りの稼働中の代替ノードに再ルーティングします。コストの正確な増加額を計算し、障害後に実行不可能となる需要を特定します。

入力パラメーター：

パラメーター	型	必須	説明
query	string	はい	ネットワークを構築するサプライチェーンのクエリ
disrupted_nodes	string[]	はい	障害が発生している、またはオフラインのノード ID
commodities	string[]	いいえ	再ルーティングする特定の品目

コスト： 1回あたり200〜300ドル。17のアクターを並列で呼び出します。

---

monitor_critical_chokepoints

一連の分析を実行します。媒介中心性（BFSベース）、スケールフリー構造検出のためのMERA階層的粗視化、カスケード障害の影響スコアリング、代数的連結度によるレジリエンス評価を行います。複数の分析レベルでチョークポイントとして検出されたノードを最上位にランク付けします。

入力パラメーター：

パラメーター	型	必須	説明
query	string	はい	包括的なモニタリングを行うサプライチェーンのクエリ
trigger_nodes	string[]	いいえ	障害トリガーとしてテストするノード

コスト： 1回あたり250〜400ドル。分析パイプライン全体を実行します。

出力例

optimize_tensor_network_flow — 出力例

{
  "nodeCount": 142,
  "edgeCount": 387,
  "tensorTrainRank": 8,
  "truncationError": 0.0023,
  "bondDimensions": [4, 8, 8, 6, 4, 4, 3, 2],
  "hyperedgeCount": 31,
  "flowOptimization": {
    "totalCost": 284700,
    "feasible": true,
    "bottleneckCount": 7,
    "topBottlenecks": [
      { "edge": "TSMC_Hsinchu -> Samsung_Pyeongtaek", "utilization": 0.97 },
      { "edge": "Shanghai_Port -> Rotterdam_Port", "utilization": 0.94 },
      { "edge": "Shenzhen_Foxconn -> Apple_Distribution_US", "utilization": 0.91 }
    ]
  },
  "nodes": [
    { "id": "TSMC_Hsinchu", "type": "manufacturer", "country": "TW", "capacity": 10000 },
    { "id": "Samsung_Pyeongtaek", "type": "manufacturer", "country": "KR", "capacity": 7500 },
    { "id": "Kaohsiung_Port", "type": "port", "country": "TW", "capacity": 15000 }
  ]
}

detect_disruption_cascade — 出力例

{
  "triggerNodes": ["TSMC_Hsinchu"],
  "affectedNodeCount": 67,
  "cascadeDepth": 5,
  "percolationThreshold": 0.42,
  "giantComponentFraction": 0.73,
  "systemicDisruptionRisk": 0.81,
  "criticalNodes": [
    { "id": "Kaohsiung_Port", "removalImpact": 0.64 },
    { "id": "Shanghai_Distribution_Hub", "removalImpact": 0.58 },
    { "id": "Samsung_Pyeongtaek", "removalImpact": 0.51 }
  ],
  "networkSize": 142
}

identify_sanctions_circumvention — 出力例

{
  "circumventionRisk": 0.78,
  "patternsDetected": 3,
  "patterns": [
    {
      "matchedNodes": ["Nexus Global BVI Ltd", "Nexus Trading HK", "Pinnacle Tech SZ"],
      "patternType": "shell_company_chain",
      "confidence": 0.89,
      "ownershipChain": ["Nexus Global BVI Ltd -> Nexus Trading HK -> Pinnacle Tech SZ"],
      "riskScore": 0.91
    }
  ],
  "suspiciousEntities": ["Nexus Global BVI Ltd", "Pinnacle Tech SZ"],
  "networkSize": 94
}

compute_resilience_score — 出力例

{
  "overallResilience": 0.61,
  "grade": "C",
  "algebraicConnectivity": 0.34,
  "percolationThreshold": 0.44,
  "tensorRank": 8,
  "weakPoints": [
    { "node": "Taiwan_Strait_Shipping", "contribution": -0.18 },
    { "node": "TSMC_Hsinchu", "contribution": -0.14 }
  ],
  "networkSize": 142,
  "edgeCount": 387
}

出力フィールドのリファレンス

フィールド	ツール	型	説明
nodeCount	flow, resilience, chokepoints	number	ネットワーク内のサプライチェーンノードの合計数
edgeCount	flow, resilience, chokepoints	number	ネットワーク内の有向エッジの合計数
tensorTrainRank	flow, resilience	number	SVD の切り捨てによる MPS ボンドランク
truncationError	flow	number	SVD の切り捨てによるフロベニウスノルム誤差
bondDimensions	flow	number[]	各 MPS 境界のボンド次元
hyperedgeCount	flow	number	共有商品グループのハイパーエッジ数
flowOptimization.totalCost	flow	number	LP 最適化されたフローの合計コスト
flowOptimization.feasible	flow	boolean	LP 緩和によって実行可能な解が見つかったかどうか
flowOptimization.topBottlenecks	flow	object[]	容量の 85% を超えて使用しているエッジ
affectedNodeCount	cascade	number	トリガーノードからのカスケードが到達したノード数
cascadeDepth	cascade	number	トリガーからの伝播の最大深度
percolationThreshold	cascade, resilience	number	臨界 p_c：ネットワークが分断される故障確率
giantComponentFraction	cascade	number	最大連結成分に属するネットワークの割合
systemicDisruptionRisk	cascade	number	複合的なシステミックリスクスコア（0～1）
criticalNodes	cascade, chokepoints	object[]	削除の影響スコアで順位付けしたノード
circumventionRisk	sanctions	number	総合的な制裁回避リスクスコア（0～1）
patterns[].patternType	sanctions	string	検出された制裁回避パターンの種類
patterns[].confidence	sanctions	number	VF2 マッチの信頼度（0～1）
patterns[].ownershipChain	sanctions	string[]	マッチしたパターンの完全な所有権連鎖
overallResilience	resilience, chokepoints	number	複合的なレジリエンススコア（0～1）
grade	resilience, chokepoints	string	A から F までのレジリエンス評価
algebraicConnectivity	resilience	number	グラフラプラシアンのフィードラー値 λ_2
systemicClimateRisk	climate	number	全ノードにわたる複合的な気候リスク（0～1）
tailDependenceCoeff	climate	number	多変量極端事象の同時発生に関するカイ統計量
vulnerabilities[].riskTier	climate	string	ノードごとのリスク区分：LOW/MEDIUM/HIGH/CRITICAL
vulnerabilities[].returnPeriod100yr	climate	number	100 年再現期間事象の規模
vulnerabilities[].gpdShape	climate	number	モーメント法による当てはめで得られる GPD の xi パラメーター
nashEquilibriumTotal	game	number	全プレイヤーのナッシュ均衡発注量の合計
socialOptimum	game	number	中央で調整した最適な総発注量
efficiencyLoss	game	number	アナーキーの代償 — ナッシュ均衡／社会的最適値
players[].nashEquilibriumQuantity	game	number	個々のサプライヤーのナッシュ均衡発注量
players[].riskOfStockout	game	number	ナッシュ均衡時の在庫切れ確率
originalCost	routing	number	混乱発生前の最適なフローコスト
reroutedCost	routing	number	混乱したノードを迂回した後のフローコスト
costIncreasePct	routing	number	再ルーティングによるコスト増加率
infeasibleDemands	routing	object[]	混乱発生後に充足できない需要
meraHierarchyDepth	chokepoints	number	MERA の粗視化レベル数
meraScaleInvariance	chokepoints	number	MERA 階層全体におけるスケール不変性の尺度
chokepoints	chokepoints	object[]	複数のシグナルスコアを用いたチョークポイントの統合順位

サプライチェーン分析の実行費用はいくらですか？

この MCP サーバーでは、イベントごとの従量課金制を採用しており、ツール呼び出しごとに定額をお支払いいただきます。料金には、基盤となるすべてのデータアクターの呼び出しが含まれます。

ツール	呼び出されるデータソース	1 回あたりの費用
simulate_supplier_game	5 actors	$100-200
identify_sanctions_circumvention	8 actors	$150-250
assess_climate_vulnerability	8 actors	$150-250
optimize_tensor_network_flow	17 actors	$200-300
detect_disruption_cascade	17 actors	$200-300
compute_resilience_score	17 actors	$200-300
plan_contingency_routing	17 actors	$200-300
monitor_critical_chokepoints	17 actors	$250-400

MCP クライアントの設定で、セッションごとの最大支出額を設定できます。サーバーは各ツール呼び出しの前に課金上限を確認し、上限に達した場合は課金を続けるのではなく、明確なエラーメッセージを返します。

このツールはプロフェッショナル向けの料金設定です。4～5 個のツールを使用するサプライチェーンリスク評価セッション全体の費用は、700～1,200 ドルです。Resilinc、Riskmethods、Everstream Analytics などの専門的なサプライチェーンリスクプラットフォームでは、SaaS サブスクリプションに年間 30,000～100,000 ドル以上かかる場合があります。このサーバーでは、実行した分析分のみをお支払いいただきます。

Quantum-Inspired Supply Chain MCP Server の仕組み

フェーズ 1：データの並列収集

各ツール呼び出しでは、Promise.all を介して最大 17 個の Apify アクター呼び出しを同時に開始します。各アクターは 256MB のメモリを使用し、タイムアウトは 180 秒です。データソースはサプライチェーンインテリジェンスの全領域を網羅しており、UN COMTRADE の貿易フロー、SAM.gov と USAspending の調達データ、5 つの企業登記データベース、2 つの制裁データベース、4 つの自然災害情報フィード、2 つの金融データソース、3 つの地理空間データソースが含まれます。各アクターは、スコアリングエンジンが直接利用できる構造化 JSON アイテムを返します。

フェーズ 2：ネットワークの構築

buildSupplyNetwork() は 17 個すべてのアクターの結果配列を取り込み、型付きのサプライチェーングラフを構築します。このグラフは SupplyNode オブジェクトと SupplyEdge オブジェクトで構成されます。ノードの型は、サプライヤー、メーカー、ディストリビューター、小売業者、港湾、またはハブです。ノードには、ソースデータから導出された容量、信頼性、制裁対象フラグ、災害への曝露度、気候リスクの属性が付与されます。またネットワークは、テンソル列分解もただちに計算します。隣接行列で重み付けされた容量行列は、逐次 SVD とランク 4 の打ち切りによって因子分解され、結合次元、打ち切り誤差、MPS コア行列が生成されて、TensorTrainFactor に格納されます。

フェーズ 3：アルゴリズム分析

各ツールは、構築したネットワークに対してそれぞれのアルゴリズムを適用します。

• フローツールは solveMultiCommodityFlow() を呼び出します。この関数は、すべての内部ノードでのフロー保存則と、すべてのエッジにおける容量制約のもとで、合計（c_ij * f_ij^k）を最小化する LP 緩和を実装します。ラグランジュ双対に対する射影勾配降下法を、ステップサイズ 1/(反復回数+1) で 200 回実行して解を求めます。
• カスケードツールは detectDisruptionCascade() を呼び出します。この関数はトリガーノードで混乱を発生させ、各ホップでエッジの重みと基本伝播確率によってパラメーター化されたベルヌーイ分布からサンプリングしながら、BFS で伝播させます。N 回のモンテカルロ実行によって巨大連結成分の割合を推定します。二分探索で、巨大連結成分の割合が初めて 0.5 を下回る伝播確率 p_c を求めます。
• 制裁ツールは identifySanctionsCircumvention() を呼び出します。この関数は、有向所有グラフを構築し、部分グラフのテンプレートとして 5 つの制裁回避パターンのテンプレートを生成したうえで、意味的な実行可能性による枝刈り（制裁対象ノードの隣接制約）を用いた VF2 の状態空間木探索を実行し、同型のパターンを見つけます。
• 気候ツールは assessClimateVulnerability() を呼び出します。この関数は、各ネットワークノードについて、同じ場所で発生したハザードイベントの規模を収集し、移動閾値を超える値を特定して、モーメント法で GPD（xi、sigma）を適合させます。裾依存係数 chi は、ノードペア間での二変量極値の同時発生から推定します。
• レジリエンスツールは computeResilienceScore() を呼び出します。この関数は n×n のグラフラプラシアン L = D - A を構築し、デフレーションを用いたべき乗法で Fiedler ベクトルと lambda_2 を求めます。これらを p_c および 1/rank と組み合わせ、重み付き複合式から 0～1 のレジリエンススコアを算出し、文字のグレードに対応付けます。
• MERA ツールは computeMERA() を呼び出します。この関数は、重みが最も小さいエッジを縮約してスーパーノードにまとめ、各レベルのノード数、エッジ数、再正規化された重みを記録しながら、ノードが 4 個未満になるまでネットワークの粗視化を繰り返します。スケール不変性は、粗視化後と粗視化前のエッジ重みの標準偏差の比として測定します。

フェーズ 4：結果の組み立て

すべてのツールは、json() ヘルパーを介して構造化 JSON を返します。このヘルパーは結果を MCP の CallToolResult 形式でラップします。出力には、計算された生の値、上位 10 件に切り詰めた順位付きリスト、人間が読みやすい要約が含まれます。支出上限のチェックは各分析の前に同期的に実行されます。Actor.charge() が eventChargeLimitReached: true を返した場合、ツールは明確なエラーメッセージを表示して直ちに終了します。

最良の結果を得るためのヒント

1. 新しいサプライチェーンでは、まず optimize_tensor_network_flow を実行してください。 構築されるネットワークは、データ全体の状態を反映しています。返されたノード ID を後続のツールへの入力として使用してください。trigger_nodes または disrupted_nodes に正確なノード ID を渡すと、ツールに既定値を選ばせるよりも精度の高い結果が得られます。

2. サプライヤーの受け入れを決定する前に、identify_sanctions_circumvention を実行してください。 VF2 アルゴリズムは、所有権の複数の階層にまたがるパターンを照合するため、手作業による OFAC 検索では見つけられないものを検出できます。特定のサプライヤーに絞った entity_name 入力にすると、照合精度が大幅に向上します。

3. 業界に合わせて propagation_probability を調整してください。 既定値の 0.3（エッジごとの伝播率 30％）は、適度に接続されたサプライチェーンに適しています。密接に統合されたジャストインタイム方式の自動車サプライチェーンでは、0.5～0.7 を試してください。代替サプライヤーが多いコモディティのサプライチェーンでは、0.1～0.2 を試してください。

4. detect_disruption_cascade と plan_contingency_routing を組み合わせてください。 まずカスケード分析を実行して、最も高い affectedNodeCount を引き起こすトリガーノードを特定します。次に、同じノードを disrupted_nodes としてコンティンジェンシールーティングツールに渡すと、正確なコストへの影響と代替ルートが得られます。

5. 気候評価では、必ず region を指定してください。 グローバルなクエリを「東南アジア」や「台湾海峡」に絞ると、NOAA、USGS、GDACS、FEMA のデータ取得対象が関連イベントに限定され、GPD の適合品質が大幅に向上します。

6. 契約を再交渉する前に、simulate_supplier_game を実行してください。 ナッシュ均衡の数量と Price of Anarchy の数値は交渉材料になります。ゲームの結果、サプライヤーが社会的最適値に対して 40％過剰に発注していることが示された場合、協調購入の提案を裏付ける定量的な根拠になります。

7. monitor_critical_chokepoints はコストが最も高い一方で、最も包括的なツールです。 クエリのたびに実行するのではなく、定期的（週次または月次）に使用するのが最適です。通常の監視にはより軽量な compute_resilience_score を実行し、包括的なチョークポイント分析は戦略レビューのために取っておいてください。

他の Apify アクターとの組み合わせ

アクター	組み合わせ方法
UN COMTRADE Search	単独で実行して貿易フローデータを調査してから、商品とノードのコンテキストをこの MCP サーバーに渡します
OFAC Sanctions Search	単一の事業体に対する迅速な制裁チェックに使用します。所有権グラフ全体をたどる必要がある場合は、この MCP サーバーを使用します
OpenSanctions Search	より広範なグローバル PEP および監視リストの対象範囲で、MCP の制裁結果を補完します
GDACS Disaster Search	災害のライブアラートを監視し、影響を受ける地域を assess_climate_vulnerability の region パラメーターに渡します
OpenCorporates Search	包括的な迂回スクリーニングを実行する前に、予備的なサプライヤー調査用の企業データを取得します
GLEIF LEI Lookup	事業体の法的識別子を検証し、最終親事業体を個別にたどります
Finnhub Stock Data	MCP ツール呼び出し以外で、主要サプライヤーの財務健全性の指標を追跡します

制限事項

• すべてのデータソースは公開情報です。 非公開のサプライヤー契約、社内の生産能力データ、独自の物流価格、非公開の企業所有権記録にはアクセスできません。このネットワークが表すのは、公開されている関係のみです。
• テンソルトレイン分解の品質はネットワークの規模に応じて向上します。 ノードが20未満のネットワークでは、情報量の少ない分解結果になります。異なるエンティティが50件以上返されるクエリで、最良の結果が得られます。
• モンテカルロパーコレーションは、非常に大規模なネットワークでは収束が遅くなります。 シミュレーションを1,000回実行した場合（デフォルト）、p_c の信頼区間は約±0.03です。精度を高めるには、monte_carlo_runs を5,000～10,000に増やしてください。ただし、実行時間もそれに比例して長くなります。
• VF2部分グラフ同型判定は、最悪の場合、計算量が指数関数的になります。 意味的な実行可能性による枝刈りで緩和していますが、ノード数が200以上の非常に密な所有関係グラフでは、180秒のアクタータイムアウト内にすべての一致結果を返せない場合があります。
• GPDによる気候の裾野推定には、十分な数の極値が必要です。 NOAA／USGS／GDACSの記録が乏しい地域では、モーメント法によるGPD適合の不確実性が高くなります。モデルは信頼区間を広くしてこれらを示します。
• 地理空間データのカバレッジには偏りがあります。 OSM POIとOpenChargeMapは北米、ヨーロッパ、東アジアでカバレッジが高い一方、サハラ以南アフリカ、中央アジア、南米の一部ではカバレッジが限られています。
• 為替レートと金融データは特定時点の値を反映しています。 フローコストの計算ではクエリ時点のレートを使用します。過去のシナリオ分析には、異なる時間パラメーターを指定した別の呼び出しが必要です。
• このサーバーは、JavaScriptを多用する企業サイトをレンダリングしません。 ウェブスクレイピングではなく、17個のラッパーから構造化APIデータを取得します。PDF形式の年次報告書にのみ掲載されている一部の非公開子会社関係は取得できません。

インテグレーション

• Zapier — サプライチェーンのレジリエンス評価を毎週スケジュール実行し、結果をSlackチャンネルまたはGoogle Sheetに投稿します
• Make — ERPシステムの新しいサプライヤー記録を対象に、制裁回避のスクリーニングを実行する自動ワークフローを構築します
• Google Sheets — チョークポイントのランキングと気候脆弱性スコアを、チーム共有のダッシュボードにエクスポートします
• Apify API — リスク管理プラットフォームのPythonまたはJavaScriptパイプラインから、プログラムでMCP サーバーを呼び出します
• Webhooks — 特定のサプライチェーンアクターが予期しない結果を返した場合や、エラー率が急上昇した場合にアラートを受け取ります
• LangChain / LlamaIndex — 自律的なサプライチェーンの監視やレポート作成を行う複数ステップのAIエージェントワークフローで、MCP サーバーをツールとして統合します

トラブルシューティング

初回の呼び出しで利用上限に達したというエラーが表示されます。 MCP サーバーは、分析を実行する前に利用料金の上限を確認します。"Spending limit reached" と表示された場合は、Apify アカウントの請求設定で実行時の利用上限を引き上げるか、現在のセッションの上限を解除してください。

ツールの呼び出しが180秒後にタイムアウトします。 各基盤のアクターには180秒のタイムアウトが設定されています。17個すべてのアクターが時間内に完了しているのに、MCP トランスポート層でタイムアウトが発生する場合は、クライアント側のリクエストタイムアウトを延長してください。地理的な範囲が非常に広いクエリでは、個々のアクターの呼び出しがそれぞれの上限に達することがあります。結果セットのサイズを小さくするため、より具体的なクエリを試してください。

返されたネットワークが空、または非常に小規模です。 nodeCount が10未満の場合、意味のあるネットワークを構築するには、クエリで返されたエンティティが少なすぎます。会社名、国コード、または商品HSコードを含む、より具体的なクエリを試してください（たとえば、"chips" だけではなく、"HS 8542 integrated circuits Taiwan TSMC" を指定します）。

既知の高リスクエンティティなのに、制裁回避リスクがほぼ0です。 VF2照合は、公開されている企業構造に対して実行されます。実質的所有者が非公開の登記管轄地（たとえば、OpenCorporatesに掲載されていない特定のデラウェア州LLCやケイマン諸島の企業構造）で秘匿されている場合、その情報は表示されません。この結果は複数ある判断材料の一つとして利用し、確定的な確認結果として扱わないでください。

Climate GPD の形状パラメーター xi が負の値を返します。 負の xi（有界パレート）はGPDで有効な結果であり、ハザード分布に有限の上限があることを示します。これはエラーではなく、その地点の極端事象の分布が裾の短い分布であることを意味します。実用的なリスク推定値は returnPeriod100yr で確認してください。

責任ある利用

• このサーバーがアクセスする17のデータソースはすべて、公開されている政府データベース、国際貿易機関、政府間機関、およびオープンな地理空間データです。
• 独立した法的レビューを受けずに、制裁回避スクリーニングの結果だけを根拠として、いかなるエンティティに対しても不利益な措置を講じないでください。
• コンプライアンス目的で貿易フローデータを使用する場合は、適用される輸出管理規制（EAR、ITAR、EU Dual-Use Regulation）を遵守してください。
• すべての基盤データプロバイダー（OFAC、OpenSanctions、UN COMTRADE、UK Companies House、OpenCorporates）の利用規約を遵守してください。
• ウェブスクレイピングとデータ利用の合法性に関するガイダンスは、Apifyのガイドを参照してください。

よくある質問

この MCP サーバーは、Riskmethods や Everstream のような一般的なサプライチェーンリスクプラットフォームとどう違いますか？ 従来のSaaSプラットフォームは、事前にモデル化されたリスクスコアをダッシュボードで提供します。このサーバーでは、AI アシスタントがライブデータに直接アクセスし、必要に応じてアルゴリズム分析を実行できます。設定済みのサプライヤーリストだけでなく、世界中のあらゆるサプライチェーンに関するクエリを実行できます。その代わり、MCP 互換クライアント（Claude、Cursorなど）が必要で、固定のサブスクリプション料金ではなく、分析ごとに料金が発生します。

テンソルトレイン（MPS）分解とは何ですか？また、サプライチェーンで重要なのはなぜですか？ テンソルトレイン分解では、高次元のサプライネットワークテンソルを、ボンド次元で連結された低次元のコア行列の連鎖に因数分解します。これにより、直接的な隣接関係の分析では見えない、潜在的な構造依存性（共通の商品フローを介して結び付いているサプライヤーとバイヤーのグループ）が明らかになります。切り捨て誤差は、近似によって失われた情報量を示します。 MERAアルゴリズムとは何ですか？また、サプライチェーンの文脈におけるスケール不変性とは何を意味しますか？ MERA（Multi-scale Entanglement Renormalization Ansatz）は、量子物理学における階層的な粗視化手法です。サプライチェーンネットワークに適用すると、重みが最も小さいエッジをスーパー ノードに繰り返し統合し、複数のスケールにわたって構造的に重要であり続けるノードを明らかにします。スケール不変性スコアが高いネットワークは、自己相似構造を持ちます。つまり、局所的に中心となるノードが、全体的にも中心となっています。これらが最優先で対処すべきチョークポイントです。

VF2による制裁回避の検出精度はどの程度ですか？ 精度は、企業登記データの網羅性によって異なります。OpenCorporates、UK Companies House、GLEIFで所有関係が公開されている事業体については、5つの回避パターンテンプレートとのVF2マッチングで高い再現率が得られます。非開示の法域で実質的所有者が隠されている場合、再現率は公開情報の範囲に制限されます。各パターンのconfidenceフィールドは、構造的な一致度を示すものであり、実際に回避が行われている確率ではありません。

サプライチェーンに関するクエリは、月に何回実行できますか？ クエリ数に上限はありません。ツール呼び出しごとに料金が発生します。一般的なサプライチェーンリスク評価セッションでは、4～6回のツール呼び出しで800～1,500ドルかかります。定期的な自動監視を行う場合は、総費用を管理するため、Apifyアカウントで月額の支出上限を設定してください。

このデータを制裁コンプライアンスのスクリーニングに使用することは合法ですか？ 17のデータソースはすべて公開されています。OFACおよびOpenSanctionsのデータは、コンプライアンス用途向けに明示的に公開されています。OpenCorporatesおよびUK Companies Houseの企業登記データは公開記録です。公開データをコンプライアンスのスクリーニングに使用することは合法であり、推奨されています。コンプライアンスプログラムに関する具体的な法的助言については、法律顧問に相談してください。

一般的なツール呼び出しにはどのくらい時間がかかりますか？ 17個のアクターを並列に呼び出すツール（optimize、cascade、resilience、routing、chokepoints）は、データソースの応答時間によって異なりますが、通常3～7分で完了します。5～8個のアクターを呼び出すツール（supplier game、sanctions、climate）は、通常1～4分で完了します。サーバーはApifyのスタンバイモードで実行されるため、コールドスタートによる遅延はありません。

同じ会話の中で、あるツールの出力を別のツールに渡すことはできますか？ はい。これが推奨されるワークフローです。optimize_tensor_network_flowが返すノードIDを、detect_disruption_cascadeとplan_contingency_routingの入力として使用してください。目標を説明すれば、AI アシスタントがこれらの呼び出しを自動的に連鎖させることができます。

レジリエンス評価がCとはどういう意味ですか？ 評価は複合レジリエンススコアに対応しています。A（0.8～1.0）、B（0.6～0.79）、C（0.4～0.59）、D（0.2～0.39）、F（0～0.19）です。評価がCの場合、ネットワークのレジリエンスは中程度です。ランダムな障害には耐えられますが、構造上の弱点を特定できます。weakPoints配列には、スコアを最も低下させる具体的なノードが示されます。

このサーバーはどのMCPクライアントでも動作しますか？それともClaude専用ですか？ このサーバーは標準のMCPプロトコル（/mcpでのストリーミング可能なHTTPトランスポート）を実装しており、Claude Desktop、Cursor、Windsurf、Cline、および@modelcontextprotocol/sdkを使用するカスタムクライアントなど、MCP互換のクライアントであれば動作します。接続URLの形式は、どのクライアントでも同じです。

このサーバーをスケジュール実行して、サプライチェーンを自動監視できますか？ はい。Apifyのスケジュール機能を使ってアクターを定期実行するか、WebhookとApify APIを使って外部のスケジュール管理システムと連携してください。また、ZapierやMakeのワークフローを設定し、特定のツール呼び出しを毎週実行して、結果をSlack、Google Sheets、またはリスク管理システムに送信することもできます。 呼び出し中に、基盤となる17個のアクターのうち1つが失敗するとどうなりますか？ 各アクターの呼び出しは try-catch でラップされており、失敗した場合は空の配列を返します。ネットワークの構築とアルゴリズムによる分析は、正常に取得できたデータを使って続行されます。OFAC や COMTRADE などの重要なデータソースが空の結果を返した場合、結果の品質は低下しますが、ツールがクラッシュすることはありません。アクターのログには、成功したデータソースと失敗したデータソースが記録されます。

改善にご協力ください

問題が発生した場合は、Apify アカウントで実行データの共有を有効にすると、より迅速なデバッグに役立ちます。

1. Account Settings > Privacy に移動します
2. 実行データを公開 Actor クリエイターと共有する を有効にします

問題が発生した際に実行の詳細を確認できるため、より迅速に修正できます。データを閲覧できるのはアクターの開発者のみで、一般公開されることはありません。

サポート

バグを見つけた場合や機能のリクエストがある場合は、このアクターのページにある Issues タブ から issue を作成してください。サプライチェーン分析のカスタムソリューションやエンタープライズ統合については、Apify プラットフォームからお問い合わせください。