管理研究方法：逻辑、软件与案例 课件 第6章：社会网络分析及应用

第6章：社会网络分析及应用CONTENTS目录01

学习目标02

社会网络分析方法03

Ucinet软件介绍04

社会网络分析方法应用05

复习思考题06

推荐书目01学习目标【学习目标】

了解社会网络的基本概念

熟悉社会网络的重要测度指标

能够借助软件计算相关指标

能够解读软件计算的相关结果

能够利用社会网络分析方法研究管理学问题02社会网络分析方法（1）社会网络的特性小世界网络20世纪60年代，StanleyMilgram随机选择两名互不认识的个体，进行人与人之间连接路径长度的实验。要求他们将这些信件传递给自己认为最有可能认识目标接收者的熟人，同时记录下每次传递的详细信息。实验结果显示，平均而言，任意两个随机选择的个体之间，只需要通过大约6个中间人就能建立起联系。这一发现后来被称为“六度分离理论”。揭示了社会网络的内在结构特征，即高度连通性和小世界特性。1998年，康奈尔大学的Watts和Strogatz在《Nature》上发表论文，正式提出WS小世界网络模型。模型特性在于能够在保持较高聚类系数的同时，显著降低网络的平均路径长度。这一模型是对现实小世界特性的理论抽象，有助于理解社会网络、生物网络、技术网络等各类网络的结构和功能。（1）社会网络的特性无标度网络1965年，科学计量学家DerekJohndeSollaPrice在对论文引用网络的研究中首次揭示了幂律分布(PowerLawDistribution)的现象。在引文网络中，仅有少数论文获得大量引用，从而成为领域的权威文献，而绝大多数论文的引用相对较低，其分布规律与幂律分布相吻合。即在引用或构建网络连接时，新论文或个体倾向于与已具有大量引用或连接的个体建立联系，而非随机选择。1999年，网络科学领域的学者Albert-LászlóBarabási和RékaAlber在《Science》上发表论文，首次提出无标度网络的概念。研究发现，众多网络的度分布特征符合幂律定律，即少数节点拥有大量连边，而大部分节点的连边数量相对较少。在双对数坐标表示下，幂律关系表现为一条直线，这种独立于系统规模的特性被称为无标度性质，这一特性揭示了网络中度分布的不均匀性。

无权网络和加权网络如果网络中所有节点之间交互作用相同或相似，或节点之间边仅代表交互作用关系是否存在，则网络是无权网络，其邻接矩阵的所有元素全部为1或0表示。否则，如果网络中存在不同强度或类型的交互，则这些边被赋予权重，此时的网络即为加权网络。通常权重以正数表示，数值越大，代表交互作用越强或越频繁。无向网络和有向网络如果连边表示节点对节点存在作用，而节点对节点未产生作用，则这条边被认为是有方向的。相应地，邻接矩阵不再是对称矩阵，对应的网络是一个有向网络。二分网络包含两种不同类别的节点，且只允许不同类别的节点之间建立连边。（2）社会网络的表示与分类（2）社会网络的表示与分类当网络中任何两节点之间均存在连边时，则网络构成一个完全图，此时，达到其最大值。若两个节点之间存在连边，则称它们为相邻节点或邻居节点。一系列两两相邻的节点及其相关联的连边构成的点边序列称为链。若链中的节点均不相同，称之为初等链。若图中任意两个节点之间至少存在一条初等链，则该图被称为连通图。01邻接矩阵表示方式（3）关系识别与网络构建社会网络的计算范式

网络分析揭示结构动态演变运用社会网络分析软件对网络特征进行量化计算，如节点的中心性以及网络密度、聚类系数、平均路径长度等整体结构指标。计算结果用于理解网络的静态结构及动态演变规律。通过可视化技术以图形化方式展现网络关系。

社会网络指标解析对网络指标进行深入解读，探究其在社会层面的深层意义。如一个节点具有较高的度中心性意味着该节点具有较高的影响力或控制力；高聚类系数则可能反映了社会群体内部的紧密团结和相互支持。

优化网络分析模型在解读网络指标和探究关联之后，研究者可能会发现新的研究问题或假设，这些问题将引导我们回到数据收集阶段，进行更有针对性的数据收集和分析。通过这样的循环迭代过程，实现不断优化分析模型、提升分析精度。

社会网络模型与仿真研究社会网络计算的实质目标在于揭示互联网时代的社会运行规律，探究支撑其运行的内在机制。这些机制的解析依赖于社会网络的模型构建，通过仿真模拟，可以将模型抽象出的规律与现实社会的规律进行对比，以此验证通过建模所推导的运作机制的准确性。（3）关系识别与网络构建

大数据采集技术提升分析效率除传统数据调查方法，大数据技术丰富了数据来源和获取方式。能够通过自动从互联网海量信息中抓取相关数据，而大数据抽样则通过科学的方法从大数据集中选取代表性样本。

构建社会网络模型数据收集完成后，进入社会网络构建阶段。定义网络中的节点及其特性，并明确节点之间的关联类型，以此为基础绘制出网络中的连边。同时，确认边的属性，包含权重、符号等信息刻画网络特性。网络整体结构从采取宏观视角出发，揭示网络的全局特性与属性，以便理解网络的深层次结构及其动态变化规律。常见指标包括节点数量、连边数量、网络密度和网络关联性等。网络密度反映节点之间关联关系的疏密程度，节点之间的连边越多，网络密度就越大。对于无向网络而言，N个节点之间可能存在的最大可能连边数量为N(N−1)/2，如果该网络中实际存在的连边数量为m，则网络密度的计算公式如下。对于有向网络，N个节点之间可能存在的最大可能连边数量为N(N−1)，如果网络中实际存在的连边数量为m，则有向网络密度的计算公式如下。（4）社会网络的结构网络整体结构网络关联指标常见关联性测度指标包括网络关联度、网络等级度和网络效率，这些指标的取值范围均在0到1之间。网络关联度。于反映节点之间的可达性，计算公式如下。其中，N为网络中的节点总数，V为网络中不可达的节点对的数量。若网络中的节点彼此之间不可达，则网络关联度为0，即不存在任何关联性。网络等级度。用于衡量网络节点之间非对称可达性的指标，反映了节点的支配地位和等级结构的严格程度，计算公式如下。其中，max(V)为网络中最大可能的对称可达的点对数，V为网络中实际对称可达的点对数。当网络等级度为0时，表示网络中所有节点对都是对称可达的；而当网络等级度接近1时，表示网络中只有少数节点对是对称可达的。网络效率。用于衡量网络的冗余程度以及网络结构的稳定性，计算公式如下。其中，max(V)为最大可能的冗余点对数量，V表示实际冗余点对数。它反映了网络中是否存在冗余点对。通常情况下，网络效率越高，表明网络结构越稳定，信息在其中的流动效率也越高。

（4）社会网络的结构网络整体结构平均路径长度平均路径长度定义为网络中所有节点对之间的平均最短距离，用所有节点对的最短距离总和除以节点对的总数来计算。对于一个包含三个节点的无向网络，如图(a)所示，其中AB、BC和AC三对节点存在连边，且它们的最短距离分别为1、1和2，则最短距离之和为4。因此，该无向网络的平均路径长度为4除以3，即1.333。如果网络是有向的，如图(b)所示，存在ED、EF、DE、DF、FD和FE六对节点，它们的最短距离分别为1、1、2、1、2和1，则最短距离之和为8。故该有向网络的平均路径长度为8除以6，同样等于1.333。

（4）社会网络的结构

(a)

(b)

三个节点的网络图示例个体中心性度数中心度在无向网络中，度数中心度(DegreeCentrality)是用于衡量节点在网络中重要性或中心地位的简单而直观的指标。节点的度中心度是指与该节点直接相连的边的数量，即节点的邻居数量。在有向网络中，由于节点之间的关系具有方向性，因此需要从出度和入度角度全面评估一个节点的中心性。出度是指从该节点出发指向其他节点的边的数量，反映了该节点对其他节点的影响力或控制力；而入度则是从其他节点指向该节点的边的数量，反映了该节点在网络中受欢迎的程度或接收信息的能力。

（4）社会网络的结构揭示网络中各个节点相对于其他节点的地位、影响力，包括度数中心度、中介中心度和接近中心度。个体中心性中介中心度中介中心度(BetweennessCentrality)是衡量一个节点在网络中作为“桥梁”或“中介”重要性的指标。它反映了该节点在多大程度上位于其他节点对之间的最短路径上，从而控制了这些节点对之间的信息流或资源流。该指标主要测度节点在网络中的“传递”效应。如果一个节点位于众多其他点对的最短路径上，则意味着其在网络中的中介功能越显著，对其他节点的影响力越大。（4）社会网络的结构接近中心度接近中心度(ClosenessCentrality)是衡量节点独立性和信息传递效率的重要指标，反映了节点在网络中与其他节点接近的程度，即节点不受其他节点控制或影响的程度。一个节点的接近中心性越高，意味着它与其他节点的平均距离越短，从而更容易进行信息传递，而较少受到其他节点的控制。有向网络细分为出接近中心度和入接近中心度，前者衡量了一个节点通过网络中的其他节点向外传递信息的能力，即该节点的辐射力；而后者则衡量了一个节点从网络中其他节点接收信息的能力，即该节点的整合力。凝聚子群分析包括块模型分析、社团分析和派系分析等。块模型作为一种简化网络结构的手段，用于描绘网络的整体结构特性，如核心-边缘结构、层级结构等。常采用“结构对等性”原则对网络中的个体进行分类，进而将复杂的网络结构转化为可管理的“块模型”或矩阵形式。通常，块模型包含两个关键要素，其一是板块划分，即依据特定准则将网络中的个体划分为若干互不重叠的子集，每个子集称为一个板块；其二是分析板块间的交互模式，通过将网络矩阵划分为不同的块，以揭示不同板块之间的关联特征。

（4）社会网络的结构网络分析的块模型方法块模型构建与判定标准第一步，对个体进行分区，即将各个个体分配到特定的板块中，这一过程通常采用CONCOR或层级聚类法等技术实现；第二步，依据块值判断准则确定各个板块的值，即界定它们是属于1-块(高度连接)还是0-块(低度连接)。目前，已知的判断标准包括完全拟合、0-块标准、1-块标准、-密度指标、最大值标准以及平均值标准6种标准。凝聚子群分析（4）社会网络的结构

信息传递的四大板块角色首属人板块

该版块的成员间存在着丰富的内部联系，而与外部的交互相对较少，这种格局导致其对外部的影响力有限。依赖外援板块

其成员与外部板块的关系多于内部，意味着他们更多的依赖外部信息源，同时向外部提供的信息有限。孤立者板块

此板块的成员之间的联系不频繁，也较少从其他板块引入新的联系。他们倾向于自给自足，信息流通主要局限于版块内部，与外部的交流较为有限。经纪人板块

此板块的成员在信息传递中发挥了核心作用。他们既积极与外部板块建立关系，也保持一定的内部联系，但相较于内部而言，外部关系的多样性和强度更为显著。（5）QAP分析QAP分析的含义QAP(QuadraticAssignmentprocedure，二次指派程序)是一种统计技术，特别是在处理关系数据或网络数据时尤为有效。核心是通过比较两个或多个方阵中相应元素的值，来评估这些矩阵之间的相似性或相关性，并对这种相似性进行统计显著性检验。换言之，QAP分析是一种评估“关系”数据之间关系的工具。尽管属性数据和关系数据有所区别，但它们之间可以进行互换和映射。如在处理个体属性时，若个体A和B的性别相同，可以用数值1来表示这种一致的关系；相反，如果性别不同，可以用0表示它们之间无此特定关系。以此例为前提，若A、B、C、D四个人的性别分别是“男”“女”“男”“男”，则可以构建一个关系矩阵来描述这些关系。（5）QAP分析QAP分析的原理QAP分析是一种基于矩阵数据转换的非参数估计技术，它依赖于重复抽样和随机化检验。QAP分析包括相关分析和回归分析。其中，相关分析考察两两矩阵间的相关关系，而回归分析考察多个矩阵和一个矩阵之间的回归关系。两者理论基础相似，都是通过将关系矩阵转化为长向量，计算相关系数或回归系数，随后进行数值置换，以此评估估计值的统计显著性。以QAP相关分析为示例，其目的是评估两个矩阵之间的相似性。矩阵中的每个数值被处理为一个长向量，忽略对角线元素，每个向量包含(−1)个元素。随后，采用如Pearson相关系数等方法，计算两个向量的关联程度以及相应的显著性检验结果。对矩阵的行和列标签进行随机置换，每次置换后计算相关系数，最终形成系数值的概率分布。已有研究证实，一个矩阵的所有转置矩阵与另一个矩阵的相关系数的平均值和标准差是矩阵元素值的函数。因此，可以将相关系数标准化为Z值。基于正态分布的假设，相关系数显著性水平的确定依赖于标准正态分布中超出Z值的面积大小。这表明，QAP分析仅关注关系变量之间的关联性，而不涉及总体分布，因此是一种非参数检验。03Ucinet软件介绍（1）软件窗口介绍

Ucinet(UniversityofCaliforniaatIrvineNETwork)是一种功能强大的社会网络分析软件，该软件支持读取多种格式的文件，如文本文件、KrackPlot、Pajek、Negopy、VNA等，能够处理多达32767个网络节点的数据。Ucinet软件界面与核心功能介绍该软件的主菜单包含八个选项：File、Data、Transform、Tools、Network、Visualize、Option、Help，菜单下方设置有8个快捷工具。Ucinet核心功能是处理以矩阵形式呈现的原始数据，并提供丰富的数据管理和转换工具。

【文件】(File)功能。实现文件的打开、保存、导入和导出，使用户能够加载网络数据(通常表现为矩阵形式)以及保存分析结果或数据。【数据】(Data)功能。包含数据编辑、管理和转换工具，允许用户修改数据矩阵、调整数据格式，并执行数据预处理任务，如数据清洗和标准化。【转换】(Transform)功能。提供一系列数据转换功能，可将原始数据转化为适合网络分析的格式。可将关系数据转化为邻接矩阵，或执行矩阵的转置、对称化等操作。【工具】(Tools)功能。提供多种分析工具，包括计算网络统计指标(如度、中心性、聚类系数等)、检测网络结构(如社群检测等)以及网络模型的拟合和检验等。【网络】(Network)功能。关注于网络层面的深入分析，提供了网络子图提取、网络简化、网络比较等高级功能。【可视化】(Visualize)功能。虽然Ucinet本身不直接提供图形化的网络可视化功能，但它能够将数据和处理结果导出到支持可视化的软件(如NetDraw、Pajek、Mage、KrackPlot等)中。通过这些软件，用户可以直观地查看网络的结构和特征。【选项】(Option)功能。允许用户自定义，如设置默认的文件路径、调整软件界面的显示方式等。（1）软件窗口介绍（2）数据输入与导出

数据输入是进行数据分析和网络研究的第一步，而数据导出则是将分析结果或中间数据传递给其他软件或工具的关键步骤。Ucinet兼容多种数据格式的导入和导出功能，其中，最常见的三种数据输入格式是Ex

cel、Raw和DL数据。

Ex

cel数据通过【Data】菜单中的【Importviaspreadsheet】选项读取Ex

cel文件。在导入数据之前，要确保Ex

cel文件的数据布局符合Ucinet的格式规定，通常以矩阵形式存储，行和列分别代表网络中的各个节点，而单元格中的值则代表节点之间的关系，如连接状态或连边权重等。完成导入后，建议检查数据以确保其被正确读取和转换。通过【Data】菜单中的【Enter/EditMatrix

】实现。Ucinet对列数的最大支持为255列。如果数据超过这个列数，将需要将其分割为多个文件或考虑使用不同的数据格式。（2）数据输入与导出

在Ucinet中，数据输入是进行数据分析和网络研究的第一步，而数据导出则是将分析结果或中间数据传递给其他软件或工具的关键步骤。Ucinet兼容多种数据格式的导入和导出功能，其中，最常见的三种数据输入格式是Ex

cel、Raw和DL数据。

Raw数据Raw数据的特性体现在其精简性，仅包含数值，不含任何行数、列数、标签或标题等附加信息，因此易于快速复制粘贴。此外，它不受特定格式限制，能够灵活表示各种规模和结构的矩阵。然而，这种精简性也存在一定局限，即缺乏元数据，无法直接提供关于数据结构的详细信息(如行数、列数)或数值的上下文标签，同时，它也缺少内置的错误检查机制，这要求用户在输入数据时必须确保数据的准确性。使用Raw数据时，用户需预先在外部程序中准备好按行和列布局的数值矩阵，并将其保存为纯文本格式的文件。随后，通过【Data】菜单启动文本编辑器，将已准备好的矩阵数据以复制或手动输入的方式输入其中。完成数据输入后，Ucinet将自动读取这些内容，并将其转化为矩阵数据进行存储。（2）数据输入与导出

在Ucinet中，数据输入是进行数据分析和网络研究的第一步，而数据导出则是将分析结果或中间数据传递给其他软件或工具的关键步骤。Ucinet兼容多种数据格式的导入和导出功能，其中，最常见的三种数据输入格式是Ex

cel、Raw和DL数据。

DL数据DL文件是一种特殊的文本文件格式，设计用于存储和记录网络分析所需的详细数据及相关元信息。在构建DL文件时，用户需在文本文件中录入一系列数字作为数据值，并利用特定的关键词和语句来表述这些数值，如网络中的节点(vertices)、边(edges)、权重(weights)、标签(labels)等。数据输入完成后，需将文件保存为纯文本格式，即扩展名为.txt。利用菜单【Data>Import>Textfile>DL】功能，将这个文本文件导入到软件环境中。Ucinet会解析DL文件的特定语法，将数据转换为内部兼容的格式，并据此构建出相应的网络数据结构。

输入数据如果需要在UCINET直接输入数据，则可以点击主界面的快捷工具进行数据的录入通常采用快捷方式，进行输入数据，选择对应选项设置即可

导出数据如果需要将处理之后的数据导出不同格式时，通过【Data>Ex

port】菜单，再选择相应的数据格式即可（2）数据输入与导出（3）拓扑指标计算网络密度个体的局部连接特性，计算按照【Network>Ego-networks>Density】路径进行。在选定网络数据后，系统会自动计算个体网络指标。整体网络密度通过将网络中实际存在的连接数与所有可能存在的连接数之比计算获得。计算按照【Network>Networkproperties>Density】路径进行选择。选定所要分析的网络数据所在的存储位置，即可计算出该网络的整体密度。进行密度计算时，最好将多值数据转换为二值数据。网络关联度、网络等级度、网络效率为执行网络关联度、等级度及效率等指标的计算，按照【Network>Cohesion>KrachhardGTD】路径进行选择，需在其中选定输入数据，并将计算出的相应指标保存至数据文件中。（3）拓扑指标计算平均路径长度在计算网络的平均路径长度时，按照【Network>Cohesion>Multiplecohesionmeasures】路径进行选择。操作后，系统将生成指标数据，其中包含了平均路径长度这一重要参数，其标识为“AvgDistance”。个体网络分析度数中心度度数中心度是在网络分析中刻画节点中心性的最直接的度量指标。按照【Network>CentralityandPower>Degree/Degree(old)】路径选择。中介中心度中介中心度关注于是一个节点在多大程度上居于其他两个节点之间，从而衡量该节点作为“中介”或“桥梁”的能力，进而被视为一种“控制能力”指数。计算操作按照【Network>CentralityandPower>FreemanBetweenness】路径选择。接近中心度接近中心度考虑的是节点在多大程度上不受其他节点的控制，计算操作按照【Network>CentralityandPower>Closenessmeasures/Closeness(old)】路径选择。（3）拓扑指标计算

进行凝聚子群分析时，采用的数据矩阵为二值形式。若社会网络分析的数据为包含权重的多值矩阵，需先进行降维处理，转换为二值矩阵。凝聚子群分析工具包括成分分析和块模型分析。成分分析关注的是网络内部成员间存在路径相连的最大连通子图，即成分。在有向网络中，成分可能分为弱成分和强成分。通过成分分析揭示网络的主要连接结构及其特征，识别核心组件和社群结构，以及分析整体网络的连通性。块模型分析则旨在将网络划分为若干互不重叠的子集，即“块”。每个块内部的联系紧密，而不同块之间的联系相对较弱。这种分析方法能够揭示网络中节点间隐藏的模式和结构，帮助发现社群结构，理解节点的交互模式，以及识别网络中的关键子群。具体操作按照【Network>Roles&Position>Structure>Optimization>Standard】路径进行。凝聚子群分析（3）拓扑指标计算

基于互惠性分析的派系分析基于互惠性(reciprocity)分析的派系分析(factionanalysis)是一种深入探索网络内部结构的方法，特别适用于有向网络。主要用来考察网络中任何一对成员之间是否为相互选择、是否为邻接点。具体操作按照【Network>Subgroups>Cligures】路径进行。基于可达性和直径基础上的派系分析常用工具包括n-宗派和n-派系。n-宗派(n-Cliques)是指网络中满足特定连通性条件的子群。具体而言，它是指网络中的一个子集，其中的每个节点间都至少存在n条不相交的路径。n-派系(n-Communities)是指在无向网络中，是指任意两个节点间具有不超过n的最短路径长度的最大子图。具体操作按照【Network>Subgroups>N-Cliques/N-Clan】路径进行。凝聚子群分析（3）拓扑指标计算

基于成员间连接密集程度的分析着重考虑子群成员与其他成员之间的交互频率，旨在理解成员间连接的密集程度，常用工具是k-核。k-核是一个子图，其特性为每个节点都至少与其他k个节点相连。换言之，一个节点若属于k-核，那么它必须与至少k个不同节点直接相连(即其度数至少为k)。k-核主要用来识别那些内部联系紧密、可能对信息传播和扩散产生显著影响的高影响力用户群体或社区具体操作按照【Network>Subgroups>K-Plex

】路径进行。凝聚子群分析（3）拓扑指标计算

QAP分析在社会网络中的应用相关分析既可以研究两种“关系”矩阵之间是否相关。一般情况下相关分析需要满足三点，数据为方形矩阵(N*N)、二值矩阵和节点相同的条件。

计算路径示意图在此前提下，按照【Tools>TestingHypothesis>Dyadic(QAP)>QAPCorrelation】路径计算。（4）QAP分析相关分析

矩阵回归分析及其数据要求回归分析是研究多个矩阵和一个矩阵之间的回归关系，并且对判定系数的显著性进行评价。数据必须为1-模矩阵，即N*N方阵。回归分析旨在探究多个矩阵与一个矩阵之间的回归关系，并对判定系数的显著性进行评估。

回归分析操作路径说明回归分析操作按照【Tools>TestingHypothesis>Dyadic(QAP)>MR-QAPLinearRegression】路径计算。（4）QAP分析回归分析04社会网络分析方法应用（1）电子信息产业产学研协同创新网络

电子信息产业创新网络演化研究电子信息产业是支撑经济社会发展的战略性、基础性和先导性产业，是当前最具发展前景的产业之一。2020年《新时期促进集成电路产业和软件产业高质量发展的若干政策》等国家政策的出台，旨在打造以新一代电子信息技术为基础的全新产业结构。对于电子信息产业这一特定产业而言，缺少从整体产业过程性的视角进行系统化考量。鉴于此，案例基于电子信息产业产学研专利数据，探究我国电子信息产业产学研协同创新网络的动态演化特征。

本案例数据来源于国家知识产权局专利信息服务平台，依据电子信息产业IPC分类号，共获取发明专利数据681912条。剔除掉专利权人为自然人或单一主体的数据，经数据预处理后，共获得产学研联合发明专利28836条，专利权人共计7568家。基于专利权人的名称、性质和注册信息描述，结合人工核查校验，将专利权人归属为于高校、企业、研究三种不同类型的创新主体之一；基于专利权人的地址信息，判别创新主体所属省级行政区。运用社会网络分析方法，将创新主体视为节点，根据专利合作关系构建连边，连边权重代表合作次数，构建产学研协同创新网络，该网络为无向加权网络。网络规模对应于创新主体数量，用于刻画各阶段创新主体的增长情况；网络密度用于刻画创新主体的合作紧密程度；网络直径用于判断创新主体之间的信息交换传输延迟程度，直径越大则网络的信息传播效率越低；平均距离用于刻画网络传输效率，该值越小，则创新主体之间的知识和技术越容易转移；聚类系数用于测度创新主体与邻居的联系程度；平均度和平均强度分别用于衡量协同创新网络的平均合作广度和平均合作频次；此外，采用k-核通过由内到外逐层解析网络来揭示网络的层次结构性质；同时，引入节点的结构熵用于表征节点与不同类型节点连接的异质性。（1）电子信息产业产学研协同创新网络数据来源与网络构建（1）电子信息产业产学研协同创新网络阶段规模平均度平均强度密度直径平均距离平均聚类系数连通子图数最大子图节点数k-核节点平均结构熵一1001.201.840.012131.160.6745430.06二4431.687.290.0038104.040.391489380.07三62752.9913.630.0005144.290.6011613246150.12

局部网络特征分析高校、企业和研究所具有不同的创新资源优势，在网状协同创新体系中通过多种路径的互动耦合可以实现优势互补。考虑到创新主体的差异性，以高校(U)、企业(I)、研究所(R)三类创新主体为对象，分别基于校-校(U-U)、企-企(I-I)、研-研(R-R)、校-企(U-I)、企-研(I-R)和校-研(U-R)这六类协同创新模式获得局域网络结构测度指标。（1）电子信息产业产学研协同创新网络协同模式阶段规模孤立节点数平均度平均强度密度直径平均距离平均聚类系数连通子图数最大子图节点数k-核U-U一19190.000.000.000000.000.001910二59440.270.440.004721.110.005131三3821861.023.110.0027124.870.202231064I-I一30160.531.130.018421.2702241二317961.037.150.003331.310.4619087三494010182.1311.850.0004153.420.681973135412R-R一51220.630.900.012511.001.003632二67500.300.990.004521.100.005832三9536050.651.870.000783.380.32701695U-I一49230.571.060.011921.180.003541二376411.447.180.003883.240.33158487三53224562.5812.730.0005134.070.631402241113I-R一81180.941.510.011721.070.884743二384801.226.670.003151.410.49205108三58936812.4812.650.0004163.780.641882186614U-R一70140.911.280.013321.060.754032二126580.762.030.006173.170.0079272三13355441.423.580.0011124.800.256685008中国区域旅游经济差异分析

本节内容以“中国区域旅游经济空间关联结构及其效应研究(王俊等，2017)”为例，在中国旅游业高速发展背后，不同地区的旅游经济发展却具有明显的不平衡性特征。以2015年为例，广东省旅游总收入达到11478.95亿元，位居全国第一，而宁夏回族自治区则只有161.3亿元，仅相当于广东省旅游总收入的1.55%；人均旅游收入最高的内蒙古达到2651.79元，最低的重庆为574.79元，最低与最高之间相差高达2077元；即使排名前两位的内蒙古和北京,两者之间的差额都达到了946.21元，不同省份间旅游发展的不平衡可见一斑。造成这种差异的原因是多方面的：一是区位、资源禀赋、经济背景和政策等基础条件使得区域旅游吸引力、旅游市场发育程度和旅游发展理念截然不同，导致旅游发展存在显著差异；二是区域旅游产业结构不同，使得区域旅游经济的发展呈现出不同的发展水平；三是伴随着旅游经济的发展，区域间旅游互动关系持续演变，旅游经济发展呈现出复杂的空间关联结构，这对区域间旅游经济差异存在较大的影响，使得区域间旅游发展速度和发展效率有领先与滞后之分。（2）旅游经济空间关联结构

旅游数据与经济指标分析2000-2015研究样本时间跨度为2000—2015年，各省旅游人次数、旅游收入、AAAA级及AAAAA级旅游景区数量数据来自各省相应年份的国民经济与社会发展统计公报、《中国旅游统计年鉴》、国家及各省旅游局网站；各省GDP总额数据来自《中国统计年鉴》，人均GDP则根据各省当年GDP总额除以各省当年年末常住人口总数计算得出，2000—2014年各省年末常住人口总数来自国家统计局网站分省年度数据库，2015年的年末各省常住人口总数来自各省2015年国民经济与社会发展统计公报。引力模型：考察两区域的关联关系时先引入引力模型，并结合本研究的需要对其做出相应的修正式中Kij为引力系数，Yij为两省之间旅游引力，Pi和Pj为两不同省份当年旅游人次数，Ti和Tj为两不同省份当年旅游收入，Gi和Gj为两个不同省份当年GDP总额，Ri和Rj为两个不同省份当年的AAAA级与AAAAA级旅游景区总数，Dij为两不同省份省会城市之间的距离，gi和gj为两不同省份人均GDP(gi~gj代表不同省份的经济距离)（2）旅游经济空间关联结构

省际旅游经济联系波动上升根据网络密度指标的年度分布可以看出，样本考察期内省际旅游经济发展空间关联关系数呈现上升态势，2000年为136，2010年达到198，2015年上升到211,但相关年度呈现出一定的波动，如2013年为211，2014年回落到209。与之相对应，整体网络密度也呈现出同样的变化趋势，从2000年的0.1462上升到2015年的0.2269，16年间上升了8个百分点。网络密度和关联关系的变化，说明中国省际旅游经济发展的联系复杂密切，但同时具有波动性特征，提升空间很大，合作有待加强。（2）旅游经济空间关联结构全国31个省的点度中心度均值为35.484，高于该平均值的省份为11个，分别是上海、北京、天津、江苏、广东、浙江、福建、山东、河南、内蒙古、辽宁。所有省份均来自东中部地区，旅游业的发展水平相对较高。从点度中心度的数值分布来看，超过80的省份为上海、北京、江苏和天津，说明这4个省份在全国旅游经济发展空间关联网络中的地位很高。区域旅游发展水平较高的东中部地区省份在旅游空间关联网络中影响力也更大，地位更高。从点入度情况来看，点入度大于10的省份分别为北京、上海、天津、江苏、浙江、广东和河南，其中，北京、江苏、上海、天津的点入度超过20。原因在于，这些省份大多为经济发达地区且旅游资源丰富、旅游吸引力更强，旅游接待人次数更多，相对其他省份而言旅游发展更好，旅游经济发展受益更多，旅游经济的马太效应明显。从点出度情况看，点出度最大为广东和福建值为11，最小为安徽值为3，所有省份对外均有旅游经济溢出且大多数省份的点出度保持在6到8之间，说明各省旅游经济发展的溢出效应并不仅仅停留在相邻省份，旅游经济溢出已经跨越时空相邻的制约，在全国范围内形成了极为广泛的关联关系。省份点度中心度接近中心度中介中心度

点入度点出度中心度排序中心度排序中心度排序北京24580.000283.333212.4692天津24680.000283.333212.4692河北5420.0002553.571310.19527山西5623.3332156.064210.25119内蒙古7736.667960.000121.3489辽宁6836.667961.22491.24710吉林2620.0002555.556250.07730...

新疆0723.3332156.604210.33916均值6.8066.80635.484

61.653

2.247（2）旅游经济空间关联结构

省际旅游经济差异分析而后将计算所得的省际旅游经济发展水平综合指数的差异系数和全国旅游产业专业化水平(各省旅游总收入加总额除以各省旅游GDP加总额)分别作为被解释变量，对整体网络结构指标中的网络密度、网络等级度和网络效率进行简单的OLS回归，为了消除量纲的影响，所有数值均取自然对数处理。

网络结构影响旅游经济差异网络密度、网络等级度及网络效率对差异系数的回归系数分别为-0.605、1.266、1.106，且都通过了1%的显著性水平检验，R2较高。回归结果表明，旅游经济发展的空间网络关联结构对省域间旅游经济发展水平的相对差异具有显著影响，网络密度的提高、网络等级度和网络效率的降低能显著降低省际间旅游经济发展水平的相对差异。原因在于：一是网络密度的提升说明省域间关联关系数的增加，促进了省域间旅游经济发展的资源配置与市场互通，强化了省域间的旅游经济合作，从而有效提升省域间旅游经济的发展水平并进一步缩小省域间旅游经济发展水平的相对差异；二是网络等级度的降低使得各省份参与旅游经济活动的主动性增强，以往处于从属和边缘地位的省域旅游经济体能从越发平等的旅游经济发展网络中获益；三是网络效率的降低意味着网络中有效连线的增多，省域间旅游经济发展的联系也就更加广泛和紧密，从而促进旅游市场配置资源的有效性，形成优势互补，缩小省域间旅游经济发展的相对差异。（2）旅游经济空间关联结构

面对日趋复杂的生态环境问题，准确测度物流业能源生态效率并识别其空间联动结构，是推动“双碳”目标达成、实现物流业可持续发展的前提。借助于物流活动，生产要素实现了区域之间的转移与流通，传导流动过程具有突破传统地理空间限制、建立空间关联关系的特征。尤其是区域市场一体化的发展，加快了生产要素的流通速度。伴随着省际物流活动，物流业能源排放也存在着转移关联，这使得省际物流业能源生态效率的空间关联关系日益复杂，并逐渐呈现出多线程的空间网络结构形态。因此，在环境约束影响下，探究我国物流业能源生态效率的空间关联网络特征及形成机制，并进一步探寻有效路径制定更具针对性的区域物流业能源生态效率提升方案，有助于促进物流业节能减排协作的开展，实现物流业可持续发展，为我国实现"碳中和"目标助力。本案例基于中国省级样本数据，借助社会网络分析方法考察中国物流业能源生态效率空间关联网络的动态演化特征及驱动因素（3）物流业能源生态效率空间关联网络

本案例选取2010-2020年为主要研究年份，鉴于西藏及港澳台地区数据缺失严重，选取我国30个省份(自治区、直辖市)为研究对象(不含西藏、台湾、澳门、香港地区)，相关指标数据来源于《中国第三产业统计年鉴》、《中国统计年鉴》、《中国能源统计年鉴》、《中国高技术产业统计年鉴》、《中国财政年鉴》

物流业能源效率空间关联研究以各省份物流业能源生态效率测算值为基础数据，通过引力模型计算省际物流业能源生态效率空间关联网络的关联关系值。将网络关联矩阵中各行的均值作为该行的临界值。若网络联系强度大于该临界值，则赋值为1，表明所在行对应的省份与所在列对应的省份存在关联关系；反之，则赋值为0，表明两者不存在关联关系。据此，对矩阵进行阈值化、二值化处理，进而构建物流业能源生态效率空间关联矩阵。（3）物流业能源生态效率空间关联网络

QAP分析案例选取的驱动因素包括创新投入、地理距离、信息能力、政策扶持、经济水平、教育水平和物流规模的地区差异。物流业能源生态效率空间关联矩阵用表示，创新投入、地理距离、信息能力、政策扶持、经济水平、教育水平和物流规模的地区差异分别用差异矩阵表示，这些影响因素的区域差异可用于解释区域物流业能源生态效率差异。由于本案例的变量均为关系型数据，传统计量模型的参数估计和统计检验不适用于网络分析。因此，引入QAP相关性分析和回归分析量化探究网络驱动因素及影响程度。构建QAP模型。其中，被解释变量为省际物流业能源生