-
国际竞争的实质是“善治”,深层的贸易格局演化使得世界各国竞争对手之间的利益冲突和重合同时产生,驱使着贸易关系朝着“互利共生”的方向演化[1]。2013年9月,习近平总书记提出的“一带一路”倡议致力于共建人类命运共同体、利益共同体和责任共同体,支持并推动自由贸易的发展,让世界共享中国经济发展的成果。
国际贸易系统[2]是经济学、管理学、政治学和地理学的研究热点,国内外相关研究众多。复杂网络为国际贸易系统提供了独特的研究模型或者范式:从整体性和系统性的角度分析国际贸易网络的演化规律、拓扑结构,以及国家或者区域之间的相互作用对于整体网络的功能和结构的影响等[3]。文献[4]针对国际贸易网络的拓扑结构研究表明其作为一种典型的复杂网络具有:小世界属性、高聚类系数和弱分解结构。最早研究主要是基于无权重无方向的国际贸易网模型[4-6],忽略了进出口方向和强度的信息。后来学者利用国家之间进出口的贸易流量[7]、进出口贸易流量与贸易总额的比值[8]或者进出口贸易流量与国家GDP的比值[9]作为加权网络的权重。国际贸易网络的研究包括:1) 对于节点重要性的研究。衡量一个国家在贸易系统中的影响性和辐射能力,早期的研究指标主要是:节点的度值或者权值[10]、介数[11]和特征向量中心性[12];2) 对于节点连接趋势的研究。研究表明国际贸易网络多是异配性网络[4],即拥有贸易伙伴多、贸易范围广、贸易强度大的国家更倾向于和贸易伙伴少、贸易范围小、贸易强度低的国家发生连接,同时还存在着“富人俱乐部”现象[10, 13],即强度或度值高的节点之间容易形成连接;3) 对于区域化和全球化的研究。贸易系统中会分化出拥有紧密的贸易关系的“小团体”或者“子系统”,可以通过研究社团结构分析国际贸易网络的贸易格局、贸易关系或者全球化的趋势[8];4) 对于贸易网络“核心-边缘”结构[14]的探索。贸易网络的“核心-边缘”结构具有稳定性的特征,在全球化的进程中,国家地位和整体的贸易竞争态势也会发生变更[15];5) 对于国际贸易网络演化的研究。如:鲁棒性演化模型[16]、适应度模型[17]、财富动力学演化模型[18]、GDP增长模型[13]等;6)从国家-产品的多层网络中提取出国家竞争力和产品复杂性的指标来预测经济增长[19-22]等方面的研究。
目前关于“一带一路”效应的研究主要集中于“一带一路”子网络,关注的是“一带一路”的沿线国家或地区,而缺少子系统与整体国际贸易系统的比较和影响分析[23-27]。而流网络模型是一种在开放的网络视角下构造出的一种有向加权的特殊的复杂网络模型[28],研究方向主要集中在能量流食物网[29]等领域。投入产出分析模型最早应用于经济系统中不同部门货币流和商品流的研究[30]。利用投入产出理论建立起来的国际贸易流网络模型[31],解决了普通复杂网络模型忽略的贸易流和方向信息,对于研究国家在国家贸易网络中的地位和影响力,及贸易领域的经济态势和竞争格局都有着重要的作用。
-
将流网络模型应用于国际贸易网络中,其中每个节点代表一个国家或地区。从地区
$i$ 到地区$j$ 的连边的权重为$i$ 向$j$ 出口的贸易流量,表示为${E_{ij}}$ ($i,j \in 0,\;1,\;\cdots,\;{{N}} + 1$ )。与普通的复杂网络相比,该网络多了两个特殊的节点:源节点和汇节点,即“0”节点和“N+1”节点,作用是为了使贸易额的流动达到平衡。国家的贸易数据数据主要选取United Nations Commodity Trade Statistics Database提供的主要国家或地区在2007−2016年中编号为1~80、85~88、90的共85种产品的出口额,涵盖了农业及农副业,加工产品及高科技产品领域。本文将
$t$ 年$i$ 国家或地区向$j$ 国家或地区的出口值作为$i$ 与$j$ 连边的权重$E_{ij}^t$ ,由此构成初始的权重矩阵${{{W}}^t}$ 。接下来构建流网络平衡矩阵。首先,为网络添加源、汇节点,并且计算出国家或地区与源、汇节点连边的权重。国家
${{i}}$ 总进口额${{\rm{Ex}}_i} = \displaystyle\sum\limits_{j = 1}^N {{E_{ij}}} $ ,总出口额${\rm{I}}{{\rm{m}}_i} = \displaystyle\sum\limits_{j = 1}^N {{E_{ji}}} $ 。如果${\rm{E}}{{\rm{x}}_i} >{\rm{ I}}{{\rm{m}}_i}$ ,则第$i$ 个国家或地区与源节点连边的权重为${E_{0,i}} = {\rm{E}}{{\rm{x}}_i} - {\rm{I}}{{\rm{m}}_i}$ ,与汇节点的连边权重为0;如果${\rm{E}}{{\rm{x}}_i} < {\rm{I}}{{\rm{m}}_i}$ ,则国家或地区$i$ 与汇节点连边的权重为${E_{i,N + 1}} = {\rm{E}}{{\rm{x}}_i} - {\rm{I}}{{\rm{m}}_i}$ 。此时得到的矩阵是加权有向网络${{{W}}^0}$ ,表示为:$${{{W}}^0} = \left[ {\begin{array}{*{20}{c}} {{E_{0,0}}}&{{E_{0,1}}}& \cdots &{{E_{0,N + 1}}}\\ {{E_{1,0}}}&{{E_{1,1}}}& \cdots &{{E_{1,N + 1}}}\\ \vdots & \vdots & \ddots & \vdots \\ {{{\rm{E}}_{N + 1,0}}}&{{E_{N + 1,1}}}& \cdots &{{E_{N + 1,N + 1}}} \end{array}} \right]$$ (1) 在流网络中,从任一点
$ {{i}} $ 到$ {j} $ 的距离,称之为流距离。考虑到网络中可能会存在闭环的情况,采用平均首达距离作为贸易流网络的权重。从节点i到汇节点的距离可以表示为:$$ {l_i} = \sum\limits_{j = 0}^N {{m_{ij}}({1} + {l_j})} = {1} + \sum\limits_{j = 0}^N {{m_{ij}}{l_j}} $$ (2) 式中,
${m_{ij}}$ 代表$ {{i}} $ 节点到达$ {{j}} $ 节点的概率,$ {m_{ij}} =$ ${{{E_{ij}}}}\bigg/{{\displaystyle\sum\limits_{j = 1}^{N + 1} {{E_{ij}}} }}$ 。假设${{L}} = {({l_0},{l_1},\cdots,{l_{n + 1}})^{\rm{T}}}$ ,通过矩阵运算,可以得到:$${{L}} = {({{E}} - ({{M}}_{ - (N + 1)}^0))^{ - 1}}{{\mu}} $$ (3) 式中,E代表n+1维的单位矩阵;
${{M}}_{ - (N + 1)}^0$ 代表${{{W}}^0}$ 的马尔科夫矩阵减去最后一列和最后一行;${{\mu }}$ 为n+1维列向量${({\rm{1,1,}}\cdots{\rm{,1}})^{\rm{T}}}$ 。从源节点到达任意节点
${i} $ 的距离可以表示为:$${p_i} = m'_{0i} + \sum\limits_{j = {1}}^{N + {1}} {m'_{ji}} ({1} + {p_j}) = {1} + \sum\limits_{j = {1}}^{N + {1}} {m'_{ji}{p_j}} $$ (4) 式中,
$m'_{ji}$ 表示到达节点$i$ 的粒子是来自节点${{j}}$ 的概率,$m'_{ji}= {{{E_{ji}}}}\bigg/{{\displaystyle\sum\limits_{j = 0}^N {{E_{ji}}} }}$ 。假设${{P}}={({p}_{0},{p}_{1},\cdots,{p}_{n+1})}^{{\rm{T}}}$ ,同样通过矩阵运算可以得到:$${{P}} = {{{\mu}}'}{({{E}} - {{M}}_{ - 0}^{'0})^{ - 1}}$$ (5) 式中,
${{M}}_{ - 0}^{'0}$ 表示去除掉第一行和第一列的逆向马尔科夫矩阵。从节点到达任意不同节点的距离可以表示为
${t_{ij}} =\displaystyle\sum\limits_{k = 1}^\infty {ku_{ij}^k}$ ,$u_{ij}^k$ 表示粒子经过k步首次到达$j$ 的概率,最后的结果为:$${t_{ij}} = \frac{{{{({{{M}}^0}{{{\varphi}} ^{\rm{2}}})}_{ij}}}}{{{{{\varphi}} _{ij}}}} - \frac{{{{({{{M}}^0}{{{\varphi}} ^{\rm{2}}})}_{jj}}}}{{{{{\varphi}} _{jj}}}}$$ (6) 式中,
${{\varphi}} = {({{E}} - {{M}})^{ - 1}}$ 。本文选取典型的65个“一带一路”国家或地区[23]。由于老挝和约旦的部分统计数据出现了缺失,因此本文将网络集中于剩下的63个国家或地区,编号分别为
${\rm{1,2,}}\cdots{{,M(M = 63)}}$ 。用同样的方法对子网络添加源汇节点,并进行平衡化处理,从而得到“一带一路”的平衡流网络矩阵。 -
社团结构是指贸易网络中形成的具有紧密贸易关系的团体或组织,反映了其特殊的贸易格局和拓扑结构。社团结构越明显,表明全球贸易流量的分配的区域性越强,而整体性的程度越低。其中Q值可以衡量社团划分的优劣[31],Q值越大则表示网络的社团化程度越高。Q函数定义如下:
$$Q = \frac{1}{{2\left| W \right|}}\sum\nolimits_{ij} {\left({W_{ij}} - \frac{{{s_i}{s_j}}}{{2\left| W \right|}}\right)} \delta({c_i},{c_j})$$ (7) 式中,
${c_i}$ 表示节点$i$ 所在的社团;${s_i}$ 表示点权重;$\left|W\right|$ 表示该网络的总权重。 -
首先利用粗粒化的WEO算法[32]针对10年间全球贸易网络进行组团的划分。将划分情况最好的一年,即Q值最大的一年,2013年的社团分布状况作为划分的标准。全球贸易流网络一共被划分为5个组团。同时本文发现贸易组团的分布具有明显的区域连续特征,即地理位置毗邻的国家更容易被分到同一个贸易组团。
贸易网络弦图(图1a)可以反映社团内部的贸易合作关系以及贸易流量在社团内部的分布情况。贸易网络的桑基图(图1b)可以反映社团之间的贸易合作关系以及贸易流量在社团之间的分布情况。可以发现每个社团都有一些核心的节点进行主导,且内部的贸易联系紧密。
1) 组团1的主导节点为德国、英国、法国、意大利等国,且组团1的贸易流量分布较为均匀。
2) 组团2的核心节点为巴西、委内瑞拉、阿根廷和哥伦比亚等国。根据贸易的流向,可以发现巴西在组团中主要以进口为主,出口主要面向组团外的国家。委内瑞拉则主要以在组团内的出口为主,对于组团的依赖性比较强。
3) 组团3的核心节点为印度、阿联酋、津巴布韦和南非等国,总体贸易流量在全球贸易中占比不高。
4) 组团4的流量分布相对其他组团较不均匀,美国、墨西哥、加拿大三国占据了该组团的大部分流量。美国2016年的贸易总额为70583亿美元,在社团内部的进出口贸易总额为21527亿美元,占据整个社团的97.7%。
5) 组团5的核心节点为中国大陆、韩国、中国香港和日本等地区。相对其他核心节点,中国的贸易进出口伙伴的分布比较广,并且不依赖于单一国家的进出口,本文将其定义为绝对核心国家。例如组团1中的德国、组团2中的巴西、组团3中的印度、组团4中的美国。
组团2、4中没有“一带一路”的国家,可以判断出“一带一路”国家或地区主要分成3个地域组团:欧洲、南亚和东南亚。组团1、4、5内部的贸易额总共占据了贸易网络的一半的流量,分别为26.0%、10.7%、13.5%,“一带一路”的辐射作用还亟待加强,需要吸收西欧和北美洲的一些核心节点。
-
利用同样的方法,针对“一带一路”的63个国家进行组团的划分,最终划分为4个组团。发现“一带一路”国家社团分布出现了明显的空间割裂,如南亚诸国中如巴基斯坦、伊朗、阿联酋等国分布于组团1、3、4当中。
同样通过弦图(图2a)和桑基图(图2b)进行“一带一路”子网络社团内和社团间贸易流动情况的可视化。
1) 在组团1中,中国是绝对的核心国家,且该组团占据了“一带一路”网络的接近一半的流量,约为46.3%。证明了在“一带一路”国家中,以中国为核心节点的国家群起到对整体网络的支配作用。
2) 组团2中的捷克是绝对核心国家,是连接中东欧的重要枢纽国家。推进与捷克的通用航空业的合作也是“一带一路”的重要战略。组团2国家的数目最多,但由于经济体量的因素,只占据一带一路网络总体流量的6.7%。
3) 组团3的绝对核心国家是土耳其,在组团主要以出口为主。土耳其在地缘位置上极为重要,连接了欧亚非三大洲,是“一带一路”战略的重要突破口。
4) 组团4中的贸易流量分布相对不均,印度和阿联酋之间的贸易流量占社团内贸易流量的75.3%。通过图2b发现组团4与组团1的合作关系非常密切,对于组团1的贸易依赖性比较强。
-
接下来计算全球贸易流网络与“一带一路”流网络10年间Q值的变化情况,如图3所示。为了剔除网络的规模效应,本文对比了具有与两种网络相同的拓扑结构,即总贸易流量相同且每条边的贸易流被重新分配的随机网络。
可以发现:对比具有相同规模的随机网络,两种网络的Q值偏低,且相对稳定。说明10年间贸易网络的连接比较紧密,贸易全球化明显;对于全球贸易网络,组团划分的Q值在2013年前变化不明显,而2013年后的Q值有下降的趋势。整体网络的模块度在下降,即全球网络的社团化性质淡化;对于“一带一路”贸易网络,Q值在2009−2013年是逐年下降的趋势,而在2014年出现了回升,社团特性趋于明显。证明了“一带一路”国家在短期内难以出现小团体脱离的现象。
-
核心−边缘结构是文献[33]提出的发展中国家空间经济发展规划和演变的理论。扩展到全球贸易经济系统,就是一个区域的发展在相对极化和相互平衡中演变的过程。核心边缘结构系数
$ {C}_{\mathrm{c}\mathrm{p}}\left(G\right) $ 定义如下[14]:$${C_{{\rm{cp}}}}(G) = \frac{{{C_c}[{V_{{\rm{core}}}}(G)]}}{{{C_c}[V(G)]}} - < \frac{{{C_c}[{V_{{\rm{core}}}}({G^{'}})]}}{{{C_c}[V({G^{'}})]}}{ > {{G^{'}} \in \zeta (G)}}$$ (8) 式中,
$V(G)$ 表示网络中的所有节点;${V_{{\rm{core}}}}(G)$ 代表核心节点构成的子集;${C_c}[V(G)]$ 表示网络的接近中心性,即某个节点到达所有节点流距离平均值的倒数;$\zeta (G)$ 代表与网络具有相同拓扑结构的随机网络集合;${C_{{\rm{cp}}}}(G)$ 的值越高,则网络的核心边缘程度越高。为了得到网络的核心节点集,需要探索国家或地区在整个经济系统中的地位。按照虚拟节点消去法[34-35]:假设把
$i$ 节点移除,原来流向$i$ 节点的流量直接进入汇节点,而$i$ 到其$j$ 的流量都变为0。于是整个网络的流量就有可能重新动态分配,网络就会得到一个全新的平衡的流距离矩阵。这时衡量网络效率的指标:源节点到汇节点的流距离值${l_0}$ 或${p_{N + 1}}$ ,就会发生改变。最终国家或地区i的重要性$ {C}_{i} $ 表示如下:$${C_i} = \sum\limits_{k = 1}^N {\sum\limits_{j = 1}^N {\frac{{{t_{0j}}{u_{ji}}}}{{{u_{ii}}}}} } {u_{ik}}\quad\forall i \in [1,N]$$ (9) $${{U}} = {({{I}} - {{M}})^{ - 1}}$$ (10) 式中,
${t_{0j}}$ 表示国内的产出,即源节点与国家$j$ 连边的权重;${u_{ij}}$ 是基础矩阵${{U }}$ 的元素,表示$i$ 利用所有贸易流动路径向$j$ 出口的影响程度。经过计算,全球贸易流网络中重要性排在前10名的国家或地区和“一带一路”贸易流网络中重要性排在前5名的国家或地区的排序基本保持稳定,因此本文将这两组节点作为对应网络的核心节点集。
-
将国家或地区进行重要性排序后,绘制出全球贸易流网络和“一带一路”贸易流网络10年间进出口贸易额的洛伦兹曲线,如图4和图5所示。
从进出口贸易额的角度看:两种网络10年间黑线表示的出口额分配的弯曲程度和Gini系数平均值都相应高于由灰线表示的进口额分配的弯曲程度和Gini系数平均值。出口贸易额的分配相对于进口额更不均匀,核心国家或地区对于贸易流网络出口相对更占优势。同时两种网络的核心国家或地区占据了进出口50%以上的贸易流量。“一带一路”流网络的Gini系数低于全球贸易网络的Gini系数。但两种网络10年间的进出口额的Gini系数变化不大,因此需要从核心−边缘结构系数(
${C_{{\rm{cp}}}}$ )去对比不同年份的核心−边缘结构的强弱。全球贸易流网络的核心−边缘结构系数(
${C_{{\rm{cp}}}}$ )在0.2~0.37之间,在2013年达到极大值0.37。“一带一路”贸易网络的核心−边缘结构系数(${C_{{\rm{cp}}}}$ )在−0.03~0.22之间,且在2009年达到极大值0.22。从国家或地区节点的构成来看,全球贸易网络中发达国家、发展中国家、不发达国家的占比为0.16、0.61和0.23。而在“一带一路”贸易流网络中发达国家、发展中国家和不发达国家的占比约为0.11、0.78和0.11。将不同发达程度国家之间的贸易流量归一化后得到全球贸易网络中,发达国家、发展中国家和不发达国家贸易额的占比约在0.88、0.11和0.01,“一带一路”贸易网络中的占比约在0.64、0.33和0.03。相对于全球贸易网络,“一带一路”贸易网络的配置更均衡,非发达国家的贸易额占比较高,核心−边缘结构要弱于全球贸易网络。 -
中美两国作为全世界最大的两个经济体,且分别在全球贸易流网络和“一带一路”贸易流络中具有最高的核心地位,其经济结构的变化会对全球贸易格局的演化产生深刻的影响。因此本文选取了一些贸易网络特征指标和反应经济结构的外生变量来对于前两部分得到的Q值和
${C_{{\rm{cp}}}}$ 进行相关性分析。本文分别选择两国在2007−2016年的GDP增长、三产对于GDP的贡献率作为反映经济结构的外生变量;同时根据联合国开发计划署的人类发展指数划分出的国家发达程度,将199个国家标注为3种发展阶段。将两国在贸易网络中对于3种发展阶段的国家进行贸易出口强度进行标准化后,得到相应的比例;此外,将两国在不同网络的核心度
$ {C}_{i} $ 也作为分析指标。把以上选择的这些指标和两种网络的Q值和${C_{\rm{cp}}}$ 进行皮尔逊相关的检验,得到如表1所示的结果。表 1 中美两国经济变量与两个网络指标的皮尔逊相关分析(“−”代表未通过显著性检验,***、**、*分别表示相关性通过了1%、5%、10%的显著性检验)
国家 变量 Q(全球) $ {C}_{\rm{cp}} $(全球) Q(“一带一路”) $ {C}_{\rm{cp}} $(“一带一路”) 中国 出口额% 发达国家 − − −0.931 6*** − 发展中国家 − − −0.913 4*** − 不发达国家 0.664 7** − −0.853 4*** −0.514 2* GDP增长率% − − − − GDP附加值% 第一产业 − − 0.691 1** − 第二产业 − −0.619 5* − − 第三产业 − 0.586 1* − − 核心度($ {C}_{i} $) 0.850 8*** − −0.878 3*** − 美国 出口额% 发达国家 −0.650 7** 0.631 0** 发展中国家 −0.669 4** 0.589 4* 不发达国家 − − GDP增长率% − 0.596 1* GDP附加值% 第一产业 0.850 0*** − 第二产业 − − 第三产业 − − 核心度($ {C}_{i} $) − 0.805 8*** 因为变量涉及的年份比较短,无法进行格兰杰因果检验。本文对于所呈现出的相关性来进行如下猜想,以期可以在今后研究中进行合理解释。
1) 美国核心地位的提升与全球贸易系统核心−边缘结构的相关性比较强,有明显的正相关关系。而中国的核心度的增强与核心−边缘结构强弱相关性不高,但与全球贸易网络模块度正相关,与一带一路贸易网络的模块度负相关,说明中国地位的提升有利于提高“一带一路”贸易网络的整体性,使得“一带一路”国家群的联系更为紧密。
2) 美国是全球最大的农业出口国,第一产业附加值与模块度有明显的正相关关系,与贸易区域化程度正相关。而第三产业作为美国经济的支柱产业,对于网络结构的影响程度不高。中国的第三产业从与第二产业附加值相当,到2016年提高到了52%,中国产业结构升级的同时,全球贸易网络的核心−边缘结构也会增强,中心化程度提高。而第一产业附加值与“一带一路”贸易网络的模块度正相关,说明中国第二三产业的增长会促进“一带一路”贸易网络的整体性。
3) 中美两国贸易额的增长都会使得网络的紧密程度提高。美国对于发达国家和发展中国家贸易出口强度与网络的核心边缘结构正相关,而中国对非发达国家的贸易额与核心−边缘结构强弱负相关,说明中国与不发达国家的经济联系会降低贸易网络的核心−边缘结构程度。
Analysis of the Trade Effect of “Belt and Road” Based on Flow Network
-
摘要: “一带一路”致力于实现地区的互联互通,共建贸易共同体,促进自由贸易和全球经济的包容性发展。该文基于开放的流网络模型,从社团结构和核心−边缘结构两个视角,对比了全球贸易网络和“一带一路”贸易网络,并将中美的经济结构与两种网络的差异进行了相关性分析。研究发现:1) 两种贸易网络的格局相对稳定,相对于全球贸易网络,“一带一路”贸易网络在社团分布中出现了地域不连续,体现出了“一带一路”倡议的部署;2) 贸易流网络的节点重要性排序具有幂律分布的特征,但两种网络的核心−边缘结构强弱程度有不同的变化;3) 中美两国的贸易强度、核心作用、经济实力都与贸易网络的全球化特征正相关,而不同发展程度国家的贸易强度与核心−边缘结构的相关性却存在着差异。Abstract: The “Belt and Road” is aimed to connect regions or countries, build a trading community and promote the free and inclusive development of the global economy. Based on the flow network model, this paper compares the global trade network with the “Belt and Road” trade network from two perspectives: community structure and core-edge structure, and describes the relationship between the economic structures of China and the United States and two networks’ differences by correlation analysis. The study found that: 1) the structures of the two trade networks are relatively stable. Compared with the global trade network, the “Belt and Road” trade network has regional discontinuities in the distribution of communities and reflects the strategic deployment of the “Belt and Road”; 2) the ranking of node’s coreness has the characteristics of power law distribution, but the core-edge structures of the two networks develop differently; 3) the trade strengths, corenesses, and economic strengths of China and the United States are all positively related to the trade network’s integrity, but the correlation between the trade intensity of the countries with different development levels and the core-edge structure is different.
-
Key words:
- flow network /
- the “Belt and Road” /
- trade effect analysis /
- trade network
-
表 1 中美两国经济变量与两个网络指标的皮尔逊相关分析(“−”代表未通过显著性检验,***、**、*分别表示相关性通过了1%、5%、10%的显著性检验)
国家 变量 Q(全球) $ {C}_{\rm{cp}} $ (全球)Q(“一带一路”) $ {C}_{\rm{cp}} $ (“一带一路”)中国 出口额% 发达国家 − − −0.931 6*** − 发展中国家 − − −0.913 4*** − 不发达国家 0.664 7** − −0.853 4*** −0.514 2* GDP增长率% − − − − GDP附加值% 第一产业 − − 0.691 1** − 第二产业 − −0.619 5* − − 第三产业 − 0.586 1* − − 核心度( $ {C}_{i} $ )0.850 8*** − −0.878 3*** − 美国 出口额% 发达国家 −0.650 7** 0.631 0** 发展中国家 −0.669 4** 0.589 4* 不发达国家 − − GDP增长率% − 0.596 1* GDP附加值% 第一产业 0.850 0*** − 第二产业 − − 第三产业 − − 核心度( $ {C}_{i} $ )− 0.805 8*** -
[1] 金碚. 论经济全球化3.0时代——兼论“一带一路”的互通观念[J]. 中国工业经济, 2016(1): 5-20. JIN Bei. On the era of economic globalization 3.0: Concurrently discuss the concept of intercommunication of “one belt one road”[J]. China Industrial Economics, 2016(1): 5-20. [2] FEENSTRA R C, LIPSEY R E, DENG H, et al. World trade flows: 1962-2000[J]. Social ence Electronic Publishing, 2005, 11(3): 494-520. [3] 吴宗柠, 樊瑛. 复杂网络视角下国际贸易研究综述[J]. 电子科技大学学报, 2018, 47(3): 469-480. doi: 10.3969/j.issn.1001-0548.2018.03.023 WU Zong-ning, FAN Ying. Review of international trade: The complex network approach[J]. Journal of University of Electronic Science and Technology of China, 2018, 47(3): 469-480. doi: 10.3969/j.issn.1001-0548.2018.03.023 [4] SERRANO M A, BOGUNA M. Topology of the world trade web[J]. Phys Rev E Stat Nonlin Soft Matter Phys, 2003, 68(2): 015101. [5] LI Xiang, JIN Yu-ying, CHEN Guan-rong. Complexity and synchronization of the world trade web[J]. Physica A: Statistical Mechanics and its Applications, 2003, 328(1): 287-296. [6] FAGIOLO G, REYES J, SCHIAVO S. World-trade web: Topological properties, dynamics, and evolution[J]. Physical Review E: Statistical, Nonlinear, and Soft Matter Physics, 2009, 79(3 Pt 2): 036115. [7] FAN Ying, REN Su-ting, HONG Bo, et al. The state’s role and position in international trade: A complex network perspective[J]. Economic Modelling, 2014, 39: 71-81. doi: 10.1016/j.econmod.2014.02.027 [8] KALI R, REYES J. The architecture of globalization: A network approach to international economic integration[J]. Journal of International Business Studies, 2007, 38(4): 595-620. doi: 10.1057/palgrave.jibs.8400286 [9] BHATTACHARYA K, MUKHERJEE G, SARAMAKI J, et al. The international trade network: Weighted network analysis and modelling[J]. Journal of Statistical Mechanics: Theory and Experiment, 2008(2): 139-147. [10] SQUARTINI T, FAGIOLO G, GARLASCHELLI D. Randomizing world trade II A weighted network analysis[J]. Physical Review E: Statistical, Nonlinear, and Soft Matter Physics, 2011, 84(4 Pt 2): 046118. [11] BENEDICTIS L D, TAJOLI L. The world trade network[J]. World Economy, 2011, 34(8): 1417-1454. doi: 10.1111/j.1467-9701.2011.01360.x [12] 任素婷, 崔雪峰, 樊瑛. 复杂网络视角下中国国际贸易地位的探究[J]. 北京师范大学学报(自然科学版), 2013, 49(1): 90-94. REN Su-ting, CUI Xue-feng, FAN Ying. Analysis of China's position in international trade based on a complex network perspective[J]. Journal of Bejing Normal University(Natural Science), 2013, 49(1): 90-94. [13] 刘宝全. 国际贸易网络测度与演化研究[D]. 上海: 上海交通大学, 2007. LIU Bao-quan. Research on measurement and evolution of world trade network[D]. Shanghai: Shanghai Jiao Tong University, 2007. [14] HOLME P. Core-periphery organization of complex networks[J]. Physical Review E: Statistical, Nonlinear, and Soft Matter Physics, 2005, 72(4 Pt 2): 046111. [15] 陈银飞. 2000-2009年世界贸易格局的社会网络分析[J]. 国际贸易问题, 2011(11): 31-42. CHEN Yin-fei. Analysis on social network of world trade situation in 2000-2009[J]. Journal of International Trade, 2011(11): 31-42. [16] FOTI N J, PAULS S, ROCKMORE D N. Stability of the world trade web over time: An extinction analysis[J]. Journal of Economic Dynamics and Control, 2013, 37(9): 1889-1910. doi: 10.1016/j.jedc.2013.04.009 [17] GARLASCHELLI D, LOFFREDO M I. Fitness-dependent topological properties of the world trade web[J]. Physical Review Letters, 2004, 93(18): 188701. doi: 10.1103/PhysRevLett.93.188701 [18] GARLASCHELLI D, MATTEO T D, ASTE T, et al. Interplay between topology and dynamics in the world trade web[J]. The European Physical Journal B - Condensed Matter, 2007, 57(2): 159-164. [19] HIDALGO C A, HAUSMANN R. The building blocks of economic complexity[J]. Proceedings of the National Academy of Science of the United States of America, 2009, 106(26): 10570-10575. doi: 10.1073/pnas.0900943106 [20] ANDREA T, MATTHIEU C, GUIDO C, et al. A new metrics for countries' fitness and products' complexity[J]. Scientific Reports, 2012, 2(1): 482-487. doi: 10.1038/srep00482 [21] TACCHELLA D, MAZZILLI L, PIETRONERO L. A dynamical systems approach to gross domestic product forecasting[J]. Nature Physics, 2018, 14(8): 861-865. doi: 10.1038/s41567-018-0204-y [22] GAO Jian, ZHANG Yi-cheng, ZHOU Tao. Computational socioeconomics[J]. Physics Reports, 2019, 817: 1-104. doi: 10.1016/j.physrep.2019.05.002 [23] 王博, 张弛, 南昭延, 等. 我国与“一带一路”沿线国家外贸合作研究[J]. 科学与管理, 2016, 36(4): 29-38. doi: 10.3969/j.issn.1003-8256.2016.04.004 WANG Bo, ZHANG Chi, NAN Zhao-yan, et al. Analysis of trade cooperation between china and one belt one road[J]. Science and Management, 2016, 36(4): 29-38. doi: 10.3969/j.issn.1003-8256.2016.04.004 [24] 马远, 徐俐俐. “一带一路”沿线国家天然气贸易网络结构及影响因素[J]. 世界经济研究, 2017(3): 109-122, 136. MA Yuan, XU Li-li. Network structure and influence factors of gas trade about the countries along "the Belt and Road"[J]. World Economic Study, 2017(3): 109-122, 136. [25] 崔莉. “一带一路”沿线国家农产品贸易格局分析[J]. 统计与决策, 2017(16): 154-158. CUI Li. Analysis on agricultural product trade pattern of the countries along the belt and road[J]. Statistics & Decision, 2017(16): 154-158. [26] 宋周莺, 车姝韵, 张薇. 我国与“一带一路”沿线国家贸易特征研究[J]. 中国科学院院刊, 2017(4): 41-47. SONG Zhou-ying, CHE Shu-yun, ZHAN Wei. Spatial-temporal characteristics of foreign trade between china and countries along the silk roads[J]. Bulletin of Chinese Academy of Sciences, 2017(4): 41-47. [27] 葛志远, 郝亚斐. “一带一路”交通运输产品贸易网络研究[J]. 北京工业大学学报(社会科学版), 2018(3): 61-67. doi: 10.3969/j.issn.1671-0398.2018.03.008 GE Zhi-yuan, HAO Ya-fei. Studies on the transportation products trade network along china-proposed belt and road initiative[J]. Journal of Beijing University of Technology(Social Sciences Edition), 2018(3): 61-67. doi: 10.3969/j.issn.1671-0398.2018.03.008 [28] FABRICANT S. The structure of american economy, 1919-1939: An empirical application of equilibrium analysis[J]. Journal of Economic History, 1952, 12(1): 69. [29] GARLASCHELLI D, CALDARELLI G, PIETRONERO L. Universal scaling relations in food webs[J]. Nature, 2003, 423(6936): 165-168. doi: 10.1038/nature01604 [30] KOHLI M. Input-output economics[J]. Monthly Labor Review, 2005, 128(3): 55. [31] BICKEL P J, CHEN A. A nonparametric view of network models and Newman-Girvan and other modularities[J]. Proceedings of the National Academy of Sciences of the United States of America, 2009, 106(50): 21068-21073. doi: 10.1073/pnas.0907096106 [32] DUCH J, ARENAS A. Community detection in complex networks using Extremal Optimization[J]. Phys Rev E: Stat Nonlin Soft Matter Phys, 2005, 72(2): 027104. doi: 10.1103/PhysRevE.72.027104 [33] FRIEDMANN J. The world city hypothesis[J]. Development and Change, 2008, 17(1): 69-83. [34] SHEN Zhe-si, YANG Li-ying, PEI Jian-suo, et al. Interrelations among scientific fields and their relative influences revealed by an input-output analysis[J]. Journal of Informetrics, 2016, 10(1): 82-97. doi: 10.1016/j.joi.2015.11.002 [35] 朱为华, 刘凯, 闫小勇, 等. 识别流网络关键节点的虚拟外界投入产出分析法[J]. 电子科技大学学报, 2018, 47(2): 292-297. doi: 10.3969/j.issn.1001-0548.2018.02.021 ZHU Wei-hua, LIU Kai, YAN Xiao-yong, et al. Identification of critical nodes in flow network by a virtual external input-output analysis[J]. Journal of University of Electronic Science and Technology of China, 2018, 47(2): 292-297. doi: 10.3969/j.issn.1001-0548.2018.02.021