复杂网络分析篇1

物流网络是物流活动的重要体现，也是衡量物流活动有效性的重要指标。随着人工，仓租以及燃油费用的上升，企业要想有效地控制物流成本和提升服务客户的能力，就必须清楚地认识物流网络的结构和功能，以及合理地对物流网络进行管理，在达到满足客户需求的基础上最大程度地降低物流成本的目的，从而大大增加企业的价值。

物流网络系统是动态的复杂网络系统，是复杂网络系统的一个子集，因而它具有复杂网络系统的大部分特征。复杂网络理论的研究方法可以用来深入分析和准确研究物流网络系统运行的客观规律、物流网络系统的结构和功能以及物流网络系统的动态发展趋势和规律。

2.物流网络的研究现状

Mortiz Fleischmann等对不同行业的产品回收物流网络设计研究并概括产品回收网络的一般特征，并比较它们与传统的物流结构，此外，为不同类型的回收网络得出一个分类方案【1】。姚卫新等探讨了在电子商务环境下，为满足客户需要所形成闭环供应链物流网络的特点【2】。王建华等针对具有批量折扣和转运的供应链优化问题特征，提出供应物流网络的概念及其优化参数：节点、线路和流量【3】。杨光华等分析了区域物流网络的结构并阐述了物流宏观层面的特征，建立了基于加权网络的区域物流网络模型；从节点度和强度的分布、边的权重差异度等对区域物流网络的结构进行了定量分析【4】。吉迎东基于物流网络的整体性和动态性，分析了中国煤炭物流网络的特征【5】。韩舒怡等认为网络化是物流发展的方向，物流网络协同服务是物流网络化的主要表现形式之【6】。

从研究方法看，目前从复杂网络、复杂性来分析物流网络的研究较少，对物流网络系统的结构演化以及网络演化的内部规律探讨较少。从研究理论的视角来看，当前的研究往往基于静态、局部的视角，通常把物流网络系统的结构看成是相对稳定的、静止的，并试图优化网络系统中的物流、资金流和信息流，而没有充分注意到物流网络系统的动态适应性问题，没有从系统的整体运行规律上来考虑问题。在实际操作中，物流网络系统的结构是可根据企业的整体需要来改变的，目前的研究不能说明物流网络的形成演化机制，不同行业的物流网络为何有显著差别等问题。因此，有必要深入挖掘复杂网络理论、复杂性理论在物流网络分析中的应用价值。

3.物流网络的复杂网络特征

物流网络的小世界网络特征。研究表明：小世界网络具有高集聚系数和较小的平均路径长度。物流网络的聚集系数和平均路径长度反映了小世界的复杂性网络特征：

（1）平均路径长度是指网络中所有节点对之间的平均最短距离。网络中任意两个节点i和j之间的距离 定义为连接两个节点的最短路径。网络的直径为网络中任意两个节点之间距离的最大值，记为D= 。在无向网络中，网络中节点对之间最短距离的算术平均值为平均路径长度L，其公式为：L= 。其中，N表示网络中的节点总数。平均路径长度公式中包含了每个点到自身的距离（为0）。对于物流网络来言，平均路径可以表示产品交付给客户的时间也可以表示配送产品或者中间产品到客户的费用。随着商品生命周期不断缩短的同时客户对配送时间要求的提高，如何以最小费用、最短时间内将产品交付客户成为节点企业生存与发展的战略问题。物流网络中的任何一个节点企业为了在激烈的竞争中保持优势，必须做到以下几点：注重信息网络的建设，加快信息流通的速度，减少产品运输距离，提高自身协调和反应能力，建立配送物流中心，使物流网络具有较小的平均路径长度。

（2）聚集系数是衡量网络集聚特性的统计量，其定义有很多种不同的表述方式，本文介绍一个Watts等人提出的定义【7】： 假设网络中的某个节点i有 个节点与它相连，这 个节点就称为节点i的邻节点，这 个节点之中最多可能有 条边， 因此这 个节点之间实际存在的边数 和总的可能边数为 之比为节点i的集聚系数 ： = 。对于度为0或1的节点，上式中的分子和分母均为0，故认为集聚系数 =0。所有节点i的集聚系数 的平均值是网络的集聚系数C，记为：C= 。对物流网络而言，平均聚类系数是物流网络节点企业之间相互连接和交流的程度。随着计算机技术和互联网技术的高速发展，越来越多的企业应用信息技术和互联网建立连接，如ERP、EDI系统的使用等。通过信息共享，使得物流网络中各节点企业之间的联系更加紧密，交流更加频繁。因此，物流网络具有较高的聚集系数。

度分布是网络的一个重要统计特征，节点的度指是与节点连接的边数【8】。Barabdsi和Albert在1999年提出了著名的BA模型，准确地描述了无标度网络形成的机制。无标度网络最大的特点在于网络的度分布自相似性结构和存在节点度很大的节点。一个节点的度越大，表示它在网络中的重要性就越大。节点的度可以根据其邻接矩阵来定义，将其定义为： 。网络中节点的度分布可用函数P（k）来表示，它表示网络中任意的一个点，度值为k的概率。从统计学上来讲，即为网络中度数为k的节点个数与网络节点总数的比值：P（k）= 。其中， 表示网络中度数为k的节点个数，而N表示网络中总节点个数，即网络的规模。网络的节点平均度为网络中所有节点i的度 的平均值。从目前的研究来看，两种度分布较为常见：一种是指数度分布，P（k）随着k的增大以指数形式衰减；另一种分布是幂律分布，即P（k）- 。物流网络中，通常都有一个或者多个核心企业，众多的节点企业围绕核心企业建立的生产、营销、库存、配送网络体系，极大地体现了复杂网络的无标度性。近年来，基于低成本、高服务质量而建立的第三方、第四方物流的物流网络更是集中体现了复杂网络的无标度性。

4.物流网络的复杂性分析

首先，现实中的物流网络一般都有大量的节点数，其拓扑结构以及数量巨大的节点相互作用下“涌现”网络演化的规律和网络动力学的特性。物流网络中的节点数量不仅众多，而且各自的种类多样。从网络的拓扑结构来看，物流网络通常具有多层次性，由众多的子网络构成。子网络一层一层往下拓展，从而形成了复杂的空间拓扑排列，如图1.4所示【9】。

第二，节点之间的线路是不确定的。由于节点之间相互作用的关系是不确定的，那么节点之间的线路也是时刻在变化的。节点之间的线路意义很多，可以表示路径，也可以表示流量，还可以表示相互之间的策略选择等。物流网络内节点之间的连接是有机的，连接的方式是按节点企业之间的协议来进行的。从图上来看，物流网络内节点之间的连接是按非线性方式进行转化；连接各个节点的边所代表的内容多种多样，可表示配送线路的连接、有无库存供货的合作、合作的紧密度等，其连接方式呈现立体动态结构。物流网络内节点是相互影响，相互关联的，并逐步扩大为不同物流网络之间的相互连接、相互影响、相互作用，以复杂的耦合方式推动不同网络之间的演进，从而形成一个纷繁复杂的大世界。

第三，物流网络的动态性。物流网络是动态网络，而且网络具有实时动态演进的特征，这又导致了网络结构和功能的实时变化，并通过涌现和自组织的机理产生网络的复杂效应。物流网络随着时间的变化而变化，经过网络内部和外界环境的相互作用，不断适应、调节网络的结构和功能，同时通过自组织作用，整个网络向更高级的有序化发展，不断涌现出复杂网络独特的行为与特征。

第四，物流网络的运行环境是不确定的。物流网络的运行环境是瞬息万变的。从宏观环境来讲，经济、科技、信息的全球化使得信息的传播迅速且广泛，信息数量之多使得网络的反馈系统任务繁重。“牵一发而动全身”，由于宏观环境的任何一个细微的变化都有可能造成物流网络巨大的震荡。从微观环境而言，物流网络中的任何一个节点所处的外界环境都是不同的，而且每个节点对待环境的变化所持的策略和态度各异，因此对整个物流网络的作用而言是非常复杂且是不确定的。物流网络是开放的动态系统，它与外部世界相互联系、相互作用，系统与外界环境是紧密相关的。物流网络时刻与外界进行物质、能量、资源和信息的交换。只有通过交换，物流网络才能得以生存和发展。任何一个复杂网络，只有在开放的条件下才能形成，才能维持，才能发展。

第五，物流网络的自组织。物流网络都具有自组织能力，能通过反馈系统进行自控和自我调节，以达到适应外界变化的目的。物流网络一旦建立，在运行中无不表现出系统的自组织属性。物流网络的各个节点企业通过契约、合作、战略联盟等方式进行物流、资金流、现金流的交换，在市场的作用下进行物质和能量的交换，优胜劣汰。在物流网络系统远离平衡态的情况下，有些节点企业发展较好，获得的资源较多，技术力量也日渐雄厚；反之，有些节点企业在市场竞争的角逐下，日渐衰弱，从而推出原有的物流网络系统。

第六，物流网络的混沌性。物流网络也受自身结构和功能的种种参数约束。如物流网络中的牛鞭效应，充分说明了物流网络有时受初值的影响是巨大的，物流网络在动态演化的过程中，只要起始状态（初始值）稍微有一点点微笑的变化，这种变化会迅速积累和成倍地放大，最终导致物流网络行为发生巨大的变化。简单假设一个物流网络系统，这个网络只有1个零售商、1个批发商、1个分销商和1个制造商。零售商预测客户需求，然后向批发商订货，批发商向分销商订货，而分销商则向制造商订货，制造商根据分销商的订货量进行生产的同时保持一定的安全库存。如果客户需求是n，假设每个节点企业上的安全库存率是10%，那么零售商、批发商、分销商的订货量分别为1.1n， n， n，那么制造商的生产量应为 n（即为1.62n）。因为可以看出第1个时间段，制造商最后的产量是客户需求量的160%，那么第t个时间段，制造商的产量是客户需求的 倍，其中t大于等于1。因此，只要这个初始值n发生一个小小的变动，即可产生巨大变化。针对物流网络中产生的混沌效应，节点企业必须重视需求预测，信息共享，每个节点企业缩短供货的时间，尽量减少不确定性，建立战略伙伴关系，设置合理的安全库存。

第七，物流网络的稳定性。物流网络具有一定的稳定性，在一定的外界条件下能保证网络结构的稳定和基本功能的正常发挥，换句话说物流网络具有一定的抗干扰性，如网络的鲁棒性。网络的鲁棒性是指网络系统在一定的外界环境作用下，网络的某些结构发生变化、节点数量的增减或则是出现运行故障的情况下，网络系统仍能保持其正常的相关性能进行运转，网络系统的这种稳定的、自我调整、自我适应的能力称为“鲁棒性”。刘楚燕在她的硕士论文中提出集聚型供应链网络的内部存在多个核心节点企业，这些企业在战略、战术、资源和信息方面相互依赖、相互交互，以信息流、资金流、物流的交换方式构成一个复杂的供应链网络，而这种网络具有较强的鲁棒性【10】。浙江大学李刚的博士论文研究了供应链的网络鲁棒性，将鲁棒性具体分为静态鲁棒性和动态鲁棒性；关于静态鲁棒性，文中提出随机删除节点， 删除目标节点，随机删除连接边和删除目标连接边四种规则对其模拟研究，结果显示，供应链物流网络针对不同类型的破坏呈现出不同的鲁棒性能【11】。在物流网络中，由于受到突发事件的影响，如果有些节点不能正常运转，或者需要临时增加网络节点来满足需求，很多情况下，物流网络的整体运作是不受影响的，换句话说还是能正常完成其系统特有的功能的。这就说明，物流网络具有一定的稳定性。

随着经济、信息全球化的程度加深，竞争的加剧，内外部环境的不确定性增加，物流网络涉及到的节点企业越来越多，结构越来越复杂，功能的变化也趋于复杂。利用复杂网络的理论和复杂性理论来揭示物流网络的性质，研究物流网络的动态生成演化过程机制，探索物流网络节点企业之间的协调机制，分析各个节点的脆弱性、不确定性，以及整个网络的鲁棒性和适应性，以此来实现物流网络的优化。

参考文献

【1】Mortiz Fleischmann， Hans Ronald Krikke， Rommert Dekker， Simme Douwe P. Flapper. A characterisation of logistics networks for product recovery. Omega， Volume 28， Issue 6， December 2000， Pages 653-666；

【2】姚卫新.电子商务条件下闭环供应链物流网络的设计.管理科学.2005年06期；

【3】王建华，李南，徐斌.具有批量折扣的供应物流网络优化遗传算法研究.中国管理科学，2007年03期；

【4】杨光华，李夏苗，谢小良.加权区域物流网络结构分析.计算机工程与应用.2009年26期；

【5】吉迎东.煤炭物流网络风险分析与应对研究.物流工程与管理，2012年12期；

【6】韩舒怡，徐杰.物流网络协同服务影响因素的实证研究.物流工程与管理，2012年03期；

【7】Watts D J， Strogatz S H. Collective dynamics of 'small-world' networks[J]. Nature， 1998， 393：440-442；

【8】R.Albert and A.L Barabasi，tatistical mechanics of complex networks，Rev，Mod，Phys.74，2002；

【9】李靖， 张永安.复杂网络理论在物流网络研究中的应用.中国流通经济2011年第5期；

复杂网络分析篇2

0、引言

随着当今社会科学的不断发展和进步，各学科的发展都需要与周围的众多学科产生关系，因此复杂性学科应运而生。复杂性学科的引入能够更加充分、全面地对事物进行研究。复杂性学科是系统学科和非线性学科相结合的产物，其不仅具有两者身上的优点，更是对两者的补充和发展，因此复杂性学科已经成为了现代科学研究中最有效和常用的研究领域。而在上世纪末小世界效应和无标度特性的发现，为人们提供了一个新的研究复杂性学科的角度，让复杂网络在更多的领域里得到了应用，并取得了不错的效果。随着城市的不断发展，城市交通网络也成为了越来越重要的问题。近年来，复杂网络在城市交通网络领域中的不断应用，大大提高了城市交通网络的分析准度率和效率，也让人们看到了复杂网络在城市交通网络应用的光明前景。

1、复杂网络在城市交通网络分析中应用的可行性

关于复杂网络在城市交通网络中的应用，各方观点不一，很多人认为由于城市交通规模不足，城市交通网络的研究条件距离复杂网络研究还有很大差距，复杂网络不能够准确地在城市交通网络分析中进行应用。而另一些人则认为，随着城市交通网络的不断发展，城市交通网络已经成为了一个复杂的、庞大的网络系统，因此在某些研究上能够完全遵循复杂网络的研究方向。虽然城市交通网络在很多方面还不能完全符合复杂网络的研究标准，但是在很多方面具有较大的相似性，并且相关实验数据也能够证实复杂网络所描述的城市交通网络与实际相符，因此复杂网络能够在城市交通系统中应用。

在笔者看来，复杂网络在城市交通网络上的应用是可行的，主要因为以下3点内容：

（1）虽然城市交通网络在某些方面具有规则网络的某些特征，因此具有拓扑统计的相关性质。但在研究城市交通问题时可以对简单的拓扑进行抽象研究，这样就能够将城市交通网络中复杂的拓扑现象展现出来，从而反应出城市交通网络其它方面的重要特征。

（2）由于城市交通在不断地流动和变化过程中，因此在特征上具有明显的复杂性。例如：在每个路口处，即复杂网络中的每个节点处，都会有不同的变化，这些变化并不能确定其变化的方向，因此能够采用复杂网络对其进行研究。

（3）在交通网络的不断演变过程中，拓扑在交通网络上的应用对交通网络的分布和发展起到了重要的推动作用，因此将复杂网络应用在城市交通中对城市交通意义重大，符合城市网络交通的发展规律。

2、复杂网络在城市交通系统中的相关应用

2.1 复杂网络对城市交通网络的描述

由于城市内部交通复杂，交通模式不同，因此在复杂网络上会产生很大的不同。当今社会发展迅速，交通网络也随着社会的发展而不断变化，在交通网络的变化过程中，受到了包括地理、经济、规划等多种因素的影响，而复杂网络对于这些复杂因素的问题有着极强的处理能力。在研究城市交通网络时，只需要将城市网络抽象成复杂网络，然后对其进行研究。一般理论上对城市交通的抽象方法有两种：第一种是原始法，只需要简单地将交叉路口视为节点，并将连接这些节点的马路当做边，这种方法较为直观，容易理解；而第二种方法和第一种完全相反，其将交叉路口当作边，而把连接的马路当作节点，这样的方式虽然不直白，但在很多研究中有着第一种方法所没有的好处。

2.2 研究中面临的问题

目前，复杂网络理论已经在多个领域内取得了不错的发展，但是在城市交通网络上并没有太长时间的研究，在与城市交通网络的融合和描述上还有出入。但随着复杂网络在城市交通网络中的不断运用，会有更多的相关研究成果，这样能够促进两者更好地融合，从而为城市交通网络的发展做出更大的贡献。笔者分别从网络实证研究和网络演化机制两个方面来对城市交通网络复杂性进行阐述。

2.2.1 网络实证研究

网络实证研究能够有效地确定每个参数的基本意义，对一些忽略的系统宏观性质进行探寻。从目前的情况来看，网络的实证研究主要在于城市的网络道路建设和城市的公共交通网络建设。

（1）城市的网络道路。有关城市的网络道路建设早在十多年前就进行了研究，科学家通过对不同国家城市道路网络的研究得出，一般的道路交通量服从幂律分布，并且通过进一步研究发现，这些研究中的城市网络均为无标度网络，这就体现出了复杂网络中小世界的特征。

（2）城市的公共交通网络。相比于城市的道路交通网络，城市的公共交通网络的数据更加准确，研究起来也相对简单。根据中国相关城市的公共交通网络进行分析，公共汽车网络的分布呈指数分布。在此基础上对公共汽车网络的演化过程进行了模拟，结果与理论符合情况良好。此外，据国外文献记载，在对国外众多城市的公共交通网络进行研究后可以看到，这些网络都存在小世界的特性，城市交通网络均符合幂律分布或指数分布。上文已经介绍了城市交通网络的描述方法及一些常用的统计参数，但仅有这些还不够，还需要寻找更好的描述方法和更为有效的统计参数来刻画、分析城市交通网络的复杂性。

2.2.2 网络演化机制

网络演化机制研究是探索具有特定统计性质的网络形成机理的重要手段，主要涉及网络演化中的5类事件：加点、加边、重连、去边、去点。此后，涌现了大量关于网络演化机制的研究，为发现复杂网络形成机理以及进一步研究复杂网络上的动力学行为奠定了坚实的基础。就城市交通网络而言，主要研究网络无标度性和流量集中性两个方面。

（1）网络无标度性。目前，对无标度网络的演化机制研究主要集中在优先连接和Hub节点形成这两个方面，这些研究大多是对抽象的网络进行研究，而对于实体城市交通网络的研究并不常见。文献通过建立模型将优先连接和距离选择联系起来，从而搭建了无标度性与空间网络的桥梁。文献提出了一种基于预期效用最大的加点模型，并深入分析了地理信息的引入对网络度分布、聚类系数和匹配方式的影响。此外，对于无标度网络的演化机制研究，文献的部分研究结果也可借鉴。

复杂网络分析篇3

一、复杂网络的统计参数

复杂系统可以被理解为一个关系网络, 这个关系网络由一个个节点所组成, 这些节点之间依据一定的规则、相互关系而维系着系统整体的存在。在社会经济系统中作为复杂系统的网络无处不在, 如人与人之间的社会网络、资源共享网络、绿色经济网络、企业之间的产品生产和销售等方面的竞争网络、国家内外之间的贸易合作网络等等。复杂网络研究是从统计角度考察网络中大规模节点及其连接之间的性质, 这些性质的不同意味着不同的网络内部结构, 而网络内部结构的不同导致系统功能有所差异。在现实的社会经济系统中,我们将每一个企业主体看做是一个节点,而企业之间的博弈规则看做是连接节点的边,于是系统中存在的主体便构成了一个网络。

1.平均路径长度(Average path length)

网络的特征路径长度 是所有节点对之间的最短路径的平均值, 表示为

(1)

其中表示节点之间的最短路径值。

研究表明,尽管许多实际网络的节点数巨大,但网络的平均路径长度L相对于N来说却很小,这种现象称之为“小世界效应”。

2.聚类系数(Clustering coefficient)

节点的聚类度的所有邻居节点之间实际的连接数与理论存在的最大连接数之比, 表示为

(2)

其中为节点的度。平均聚类系数C定义为所有节点的聚类系数的平均值, 表示为

(3)

研究表明,在大多数情况下,复杂网络的集群系数都要比随机网络和规则网络的集群系数大得多。正如常言所说的“物以类聚,人以群分”所描述的那样,社会经济网络的一个典型的特征就是小集团集群的形态。

3.度及度分布(Degree and degree distribution)

图论中节点的度定义为与该节点连接的其它节点的数目,通常用分布函数 来描述网络中节点的度分布情况, 表示一个随机选定节点的度恰好为 的概率。节点度的分布特征是网络的重要几何性质,规则网络中各节点的度值相同,符合Delta 分布,随机网络的度分布可近似为Poisson 分布,大量的实际网络存在幂律形式的度分布,称为无标度网络。无标度网络是节点与节点之间的连接分布遵循幂律分布的网络,即节点度分布服从幂律分布。在这种网络中,大部分节点只有少数连接,而某些少数节点则拥有与其他节点的大量连接,即存在一些关键的中枢节点。这种网络对于随机性错误具有较强的鲁棒性,对于人们的蓄意攻击或破坏却具有较强的脆弱性,疾病在这种网络上极易传播。

二、企业营销网络分析

企业的产品营销系统是由厂商、各级销售和客户共同构成。现实中的企业营销系统通常由于销售(制造商、商和批发商)的分布范围的不同以及它们之间存在着各种各样的联系, 往往形成一个庞大的复杂网状结构。企业产品的营销过程, 也可以看成是厂商生产出来的产品通过各级销售, 最后扩散到用户中的扩散过程, 或者说是企业产品从厂商到销售, 最后到用户的传播过程。所以厂商、各级销售和用户就构成了企业产品在营销网络中的节点,节点之间的营销关系构成了网络中的边。

三、模型的建立

分析了企业营销网络中企业之间的营销关系,提出了一种新的演化模型来模拟其网络的演化过程,该模型的基本思想源于局域世界演化模型,演化过程中考虑两种基本因素:增长和局域世界优先连接。

1.增长模型

考虑到企业营销网络的演化特点,新模型的初始条件与其他模型有些区别,它起始于个节点,条边,节点之间两两相连, ,第一次新增节点具有m条边,并且这m条边分别和每个已有节点相连。这样,在之后的每一个时刻便会添加一个新的节点,而该新节点边的条数m是从以概率选取,这里是选取边数为的概率。那么在时刻之后,该网络便有个节点,条边的网络。

2.优先连接模型

在该模型中,网络中原有的节点连接新的节点的概率与以下两个因素有关系:

(1) 与节点的度有关系,这种关系是正比关系。

(2) 与节点的局域世界也有关系,节点优先连接机制不是对整个网络,而是在每个节点各自的局域世界中有效。随机地从网络已有的节点中选取m个节点,作为新加入节点的局域世界。新加入的节点根据优先连接概率来选择与局域世界中的m个节点相连。

四、仿真分析

1.仿真设计

为了验证统计企业营销网络的统计特性,以青海省城乡私营企业所构成的批发和零售业企业营销网络为例,基于上述网络模型构造算法的描述,利用VB语言编程实现模型的构建,构建出的模型如图1所示。实现时根据网络演化模型的构造算法,初始时先确定节点的总数,然后根据构造算法得到相应网络模型的邻接矩阵,最后再依据邻接矩阵计算网络的度分布、平均最短路径和平均聚集系数。

2.数据分析

以大圆点代表批发商,小圆点代表销售商, 边代表它们之间所存在的营销关系,不同的节点代表不同的企业。 通过直观的观察可以了解到,在企业营销复杂网络中批发商和销售商的营销关系比较密切, 相对来说批发商或销售商之间的营销关系却较为缺乏。也可以看到节点之间的距离很小,是一个典型的小世界网络。各成员企业间的联系的分布是不均匀的,这主要是由于成员的地位不同造成的。与核心企业的联系密集,节点度就大;而与小的非核心企业联系稀疏,节点度就小,即存在优先连接,新加入该系统的企业会优先选择与那些在社会中影响力较大、实力雄厚的企业进行合作,表现在网络中就是首先选择与度比较大的节点进行连边。

下面的仿真图只是仿真过程中的部分结果。从仿真结果可知,网络的平均路径较小,随着网络节点数的增加呈现上升的趋势,但增加的速度较为缓慢,以网络节点数 的对数成正比。如图2所示。网络的平均聚集系数较高,随着网络节点数的增加呈现下降的趋势,但不会随着网络节点数的无限增大而趋于0,表明此网络具有小世界网络的特点,如图3所示。网络的度分布服从幂律分布,在网络中拥有少量度很大的节点,而大部分节点的却为2,相对来说,这些节点的度很小,满足无标度网络的第一个重要特性。

3.复杂网络统计特性对企业营销工作的指导意义

复杂网络的最终目的是通过对现实网络模拟,仿真得到相关数据,通过对数据的分析,更加科学合理的预测和控制相应的网络行为。本文中生成的网络模型较为真实的反应了现实网络的特性,因此在该网络模型中得到的统计参数也能反应现实网络的实际意义。

(1) 复杂系统理论中复杂网络具有自组织现象, 通过合理的运作, 企业可以扩大网络中已有节点之间的营销合作,即网络内部的演化。例如,生产商企业可以对其网络中某些中枢节点的商赋予一定权限, 使其进行低成本销售策略, 从而增加网络内部与其它节点连接比较少的节点与这些中枢节点的连接,从而使得营销网络内部边的线性增长。

(2)生产厂商或产品销售企业可以使用比竞争对手更具诱惑力的销售方式,一方面,稳定营销网络中已存在的合作节点, 增强节点构成者的满意度, 从而达到增强营销网络鲁棒性的目的;另一方面,吸引更多的新企业加入到网络中,使网络规模不断增加。

(3) 市场销售对于企业而言具有信息反馈的作用,企业应重视营销过程中所得到的反馈信息, 一方面研发能够不断满足客户需要的新产品,另一方面对现有的产品和服务进行改进, 提高客户的满意度, 从而阻止竞争对手对合作客户的争夺,防止企业的退出。

(4) 企业要想在激烈的市场竞争中长盛不衰,必须要有不断的创新(制度创新和技术创新)。创新将打破原有生产销售合作网络中的均衡。创新与竞争可能会导致网络中的某些企业破产,这些企业破产会不会导致网络的剧烈变动甚至整个结构的变更实际上依赖于这些企业在网络中的重要程度,政府应对这种核心企业采取适当的政策加以保护。

五、结束语

本文以企业营销网络为例,模拟构建了网络模型,通过对该模型的统计参数的理论描述和计算机仿真,初步探讨了统计参数对企业营销网络的指导意义。在进行仿真分析过程中也发现,由新模型所生成网络的平均最短路径和企业营销网络的真实数据还是有些差别,在上面所示的仿真结果中,平均最短路径要比真实数据大。当调整模型中的参数时,虽然能够使得平均路径趋于真实数据,但是此时,其它部分却又与实际的数据有些差别。因此,我们需要继续研究其中的原因,来改进新模型,使其更加适合企业营销工作网络的演化方式。

参考文献:

[1]侯明扬:复杂网络理论在企业营销中的应用研究[J]. 华东经济管理, 2008 (2) :1322134

[2]刘宏鲲 周涛:中国城市航空网络的实证研究与分析[J]. 物理学报,2007 (1) :1062113

[3] Watts D J, Strogatz S H. Collective dynamics of‘small-world’networks[ J ]. Nature, 1998,393 (4) : 440 - 442

复杂网络分析篇4

科研是衡量高校学术水平的一个重要指标,在高校的发展历程中扮演着重要的角色。高校科研考评是指组织定期对学校或教师的科研能力、学科领域创新能力、及科研业绩进行考察、评估和测度的一种正式制度。现在,科研考评越来越广泛地应用于各个高校以及科研机构的日常人事管理和年终考评中。科研系统是由人的个体组成,由于人类个体意识的随意性、模糊性和封闭性以及由此产生的交往过程中的多重偶然性,使得交往的复杂性大大增加。高校科研系统具有复杂系统的非线性、多样性、多重性、统计性等特征。因此,利用复杂网络的理论对已有科研成果进行数值度量和统计分析,克服传统科研系统考评结果的主观性、片面性,激发教师的主动性、创新性以及在评估过程中发现科研合作中的某学术领域的创新团队以及学术领头人等都有重要意义。

二、科研考核内容及标准

科研考核的内容及方式,可采用文献资料、调查、分析与综合的方法,并借鉴知名院校及同行院校的考核方法和本校的实际情况,制定出考核评分标准。

1.科研考核内容

由于各高校的师资结构、学科建设、科研实力及科研管理措施各不相同,对科研考核内容有所不同,一般包括:(1)著作与教材;(2)论文;(3)纵向课题。部级项目(重点、一般),省部级(重点、一般),市厅级,校级,(4)横向项目;(5)获奖成果。部级、省部级、市厅级、校级;(6)鉴定成果。部级鉴定,省部级鉴定,市厅级鉴定、校级鉴定;(7)发明专利;(8)科研经费;(9)指导学生研究得分;(10)其他。

2.计分标准

依据各高校的实际情况,赋予不同的计分项目不同的分值;也可采用标准的计分公式,确定计分方法,赋予计分项目分值。

对于多人合作的科研项目,采用的方法是:著作类,独著者计分分值为Score;多人合作根据实际撰写字数确定,但总分值不超过Score。论文及成果类,独著者或独立完成者分值为Score;多人合作由第一作者或课题负责人协商分配给每一位作者或合作者分值,其参照的科研评分计算方法是:著作、论文类,第一作者计分公式为,s=2/(N+1)S;第二至第N作者的计分公式为:s=1/(N+1)S,其中N 为署名总人数;S为计分标准。科研项目、科研获奖、成果类计分公式为:s=[2(N-O+1)/N(N+1)]S,其中N为署名总人数;O为署名顺序;S为计分标准。

三、复杂网络相关理论

自从1998年Watts和Strogatz提出小世界(small world)网络以及1999年Barabási和Albert提出BA无标度(free2scale)网络以来,复杂网络被广泛应用于各类复杂系统的研究。复杂网络理论是对复杂系统的一种抽象和描述方式,任何包含大量组成单元(或子系统)的复杂系统,当把构成单元抽象成节点、单元之间的相互关系抽象为边时,都可以当作复杂网络来研究。图1～3是常见的几种复杂网络。

二分图是图论中的一种特殊模型,它的顶点可分割为两个互不相交的子集,并且图中的每条边所关联的两个顶点分别属于这两个不同的顶点集。如果二分图中的每条边都赋予了权重则得到的是加权二分图。二分图在复杂网络分析中有很多应用,本文采用一种加权二分图进行科研考评分析。

四、基于复杂网络的科研考评分析

1.科研考评的指标及权重

假设科研考评系统中涉及到的指标有:

(1)著作与教材;(2)论文;(3)纵向课题;(4)横向课题;(5)成果;(6)发明专利;(7)其他。

该科研考评系统中设置的权重如表2所示。

2.科研考评网络的建立

3.科研考评分析

以某高校的某学院的某年考核情况为例,进行基于复杂网络的科研考评分析。根据生成复杂网络的流程得到的科研考评复杂网络如图4所示。

从图4中可以看出,该学院的情况比较好,但专利方面完成得不好。若要挖掘科研人才,T20在当年的科研完成比较好,具有较强的科研能力,可以作为科研人才培养的候选人之一。同时从该网络图中,还可以发现T1和T3在纵向课题和著作方面完成比较好,他们可以作为某个学术领域的带头人。

五、总结

本文提供了一种可以快速、直观进行高校科研考评分析的方法。该方法利用复杂网络理论知识,采用加权复杂网络实现科研考评网。从网中点权分布中可以发现该节点对应的员工的整体科研能力,从边权可以发现各个教研人员之所长;从整个网中也能直观地了解到,该学院的科研能力以及该学院在各个科研考评指标所对应的内容的优势所在。

当然,目前的高校科研考评方法很多,但针对科研系统以及科研合作过程中的复杂性,本文提供的基于复杂网络的科研考评分析方法不失为一种较好的方法。

参考文献:

[1]董国新.高校科研绩效考评体系研究[J].云南科技管理,2004.

复杂网络分析篇5

产业集群指同一产业的企业以及该产业的相关产业和支持产业的企业在地理位置上集中[1]。产业集群中上下游企业之间是一种需求与供应关系。

随着复杂网络理论和方法的不断发展，国内外很多学者开始把产业集群与复杂网络结合起来进行研究。当前基于复杂网络的产业集群研究主要集中在对产业集群网络整体模型及其演化，缺少对其抵御风险能力的分析，本文设计了一个产业集群复杂网络模型，针对不同类型节点退出网络时分析该产业集群网络模型抵御风险能力的变化情况。

二、产业集群复杂网络模型

（一）模型概述

在产业集群复杂网络模型中，首先根据企业在产业链中的位置把产业集群中的企业抽象为上游、中游和下游企业三类。设定三类企业的连接方式为：上游企业和下游企业只能与中游企业连接，中游企业可以与上游和下游连接。节点间的连接用有向边表示。

（二） 产业集群网络模型构建与演化过程

产业集群网络模型以BA网络模型和LC局域世界演化模型为基础，具体构建过程如下：1.在产业集群复杂网络模型中，网络中初始状态为m0个节点，e0条连边。把m0个节点随机分配给三种不同节点，网络中节点间的连边为随机生成。2.每隔一个时间间隔t向网络中引入一个新节点i，如果新节点为分别为上游企业、下游企业和中游企业，则携带边数为m1、m2和m3，局域世界分别为中游企业、中游企业、上游与下游企业。3.当新节点i与网络中的相应节点连接时，其连接概率按照以下公式择优进行：

其中为网络中的节点j获取新节点i连边的概率，为节点j的度。4.根据新节点i的类型不同，在局域世界中选择m（m

三、产业集群网络模型风险衡量指标

产业集群网络中的企业节点退出网络后会使整个产业集群网络的功能受到影响，当退出企业较多时，会使整个网络失效。本文中选取产业集群网络受到节点退出影响后产销链条能否保持完整作为产业集群网络抵御风险能力的度量指标。产业集群网络中的某些企业节点由于政策、经营等风险因素退出后，会形成互不连通的多个子产业集群。其中规模最大的称为最大有效子子产业集群。通过统计由于攻击被去除的企业数占原产业集群网络总企业数的比例与最大有效子产业集群的规模S的关系来衡量产业集群网络的风险抵御能力。

四、产业集群网络节点风险衡量指标

产业集群网络中一个企业的退出，如果严重影响了该网络的产销功能或物流能力，则称该企业节点为高风险节点。本文中我们使用度和介数指标来区分不同的节点，其中产业集群网络中节点企业的度指一个产业集群节点企业所连接的其他节点企业的个数，介数为通过该节点的最短有效路径的条数，度量这两种节点退出网络后产业集群网络抵御风险的能力。

五、 仿真模拟与讨论

图1 产业集群网络最大有效子产业集群的规模变化情况

产业集群网络模型的初始节点企业数均设为30个，上游企业、中游企业和下游企业加入产业集群网络时所带的边数分别设定为6、10、6。网络加入的上游企业、中游企业和下游企业的个数分别为480、800和1280。从图1中可以看出，随机退出和高风险节点退出造成的产业集群网络最大有效子产业集群规模的变化趋势是相同的，均呈现逐渐下降的趋势。随机退出的方式下产业集群网络最大有效子产业集群规模随着去除节点企业比例的增加下降相对比较缓慢，而采用高风险节点退出的方式时，产业集群网络最大有效子产业集群规模随着去除节点企业比例的增加下降非常迅速。

复杂网络分析篇6

fuzzy clustering and information mining in complex networks

zhao kun,zhang shao-wu,pan quan

(school of automation, northwestern polytechnical university, xi’an 710072, china)

abstract:there is seldom a method which is capable of both clustering the network and analyzing the resulted overlapping communities. to solve this problem, this paper presented a novel fuzzy metric and a soft clustering algorithm. based on the novel metric, two topological fuzzy metric, which include clique-clique closeness degree and inter-clique connecting contribution degree, were devised and applied in the topological macro analysis and the extraction of key nodes in the overlapping communities. experimental results indicate that, as an attempt of analysis after clustering, the new indicators and mechanics can uncover new topology features hidden in the network.

key words:network fuzzy clustering; clique-node similarity; clique-clique closeness degree; inter-clique connection contribution degree; symmetrical nonnegative matrix factorization(s-nmf); network topology macrostructure

团结构是复杂网络普遍而又重要的拓扑属性之一,具有团内连接紧密、团间连接稀疏的特点。网络团结构提取是复杂网络分析中的一个基本步骤。揭示网络团结构的复杂网络聚类方法[1~5]对分析复杂网络拓扑结构、理解其功能、发现其隐含模式以及预测网络行为都具有十分重要的理论意义和广泛的应用前景。目前,大多数提取方法不考虑重叠网络团结构,但在多数网络应用中,重叠团结构更为普遍,也更具有实际意义。

现有的网络重叠团结构提取方法[6~10]多数只对团间模糊点进行初步分析,如nepusz等人[9,10]的模糊点提取。针对网络交叠团结构的深入拓扑分析,本文介绍一种新的团—点相似度模糊度量。由于含有确定的物理含意和更为丰富的拓扑信息,用这种模糊度量可进一步导出团与团的连接紧密程度,以及模糊节点对两团联系的贡献程度,并设计出新指标和定量关系来深度分析网络宏观拓扑连接模式和提取关键连接节点。本文在三个实际网络上作了实验分析,其结果表明,本方法所挖掘出的网络拓扑特征信息为网络的模糊聚类后分析提供了新的视角。

1 新模糊度量和最优化逼近方法

设a=[aij]n×n(aij≥0)为n点权重无向网络g(v,e)的邻接矩阵,y是由a产生的特征矩阵,表征点—点距离,yij>0。假设图g的n个节点划分到r个交叠团中,用非负r×n维矩阵w=[wki]r×n来表示团—点关系,wki为节点i与第k个团的关系紧密程度或相似度。w称为团—点相似度矩阵。令

mij=?rk=1wkiwkj(1)

若wki能精确反映点i与团k的紧密度,则mij可视为对点i、j间相似度yij的一个近似。所以可用矩阵w来重构y,视为用团—点相似度w对点—点相似度y的估计:

w ?twy(2)

用欧式距离构造如下目标函数:

minw≥0 f?g(y,w)=y-w ?tw?f=?12?ij[(y-w ?tw)。(y-w ?tw)]ij(3)

其中:•?f为欧氏距离;a。b表示矩阵a、b的hadamard 矩阵乘法。由此,模糊度量w的实现问题转换为一个最优化问题,即寻找合适的w使式(3)定义的目标函数达到最小值。

式(3)本质上是一种矩阵分解,被称为对称非负矩阵分解,或s-nmf (symmetrical non-negative matrix factorization)。?s-nmf的求解与非负矩阵分解nmf[11,12]的求解方法非常类似。非负矩阵分解将数据分解为两个非负矩阵的乘积,得到对原数据的简化描述,被广泛应用于各种数据分析领域。类似nmf的求解,s-nmf可视为加入限制条件(h=w)下的nmf。给出s-nmf的迭代式如下:

wk+1=w?k。[w?ky]/[w?kw ?t?kw?k](4)

其中:[a]/[b]为矩阵a和b的hadamard矩阵除法。

由于在nmf中引入了限制条件,s-nmf的解集是nmf的子集,即式(4)的迭代结果必落入nmf的稳定点集合中符合附加条件(h=w)的部分,由此决定s-nmf的收敛性。

在求解w之前还需要确定特征矩阵。本文选扩散核[13]为被逼近的特征矩阵。扩散核有明确的物理含义,它通过计算节点间的路径数给出任意两节点间的相似度,能描述网络节点间的大尺度范围关系,当两点间路径数增加时,其相似度也增大。扩散核矩阵被定义为

k=exp(-βl)(5)

其中:参数β用于控制相似度的扩散程度,本文取β=0.1;l是网络g的拉普拉斯矩阵:

lij=-aiji≠j

?kaiki=j(6)

作为相似度的特征矩阵应该是扩散核矩阵k的归一化?形式:

yij=kij/(kiikjj)??1/2(7)

基于扩散核的物理含义,团—点相似度w也具有了物理含义:团到点的路径数。实际上,w就是聚类结果,对其列归一化即可得模糊隶属度,需要硬聚类结果时,则选取某点所对应列中相似度值最大的团为最终所属团。

2 团—团关系度量

团—点相似度w使得定量刻画网络中的其他拓扑关系成为可能。正如w ?tw可被用来作为点与点的相似度的一个估计,同样可用w来估计团—团关系:

z=ww ?t(8)

其物理含义是团与团间的路径条数。很明显,z的非对角元zjk刻画团j与团k之间的紧密程度,或团间重叠度,对角元zjj则刻画团j的团内密度。?

以图1中的对称网络为例,二分团时算得

z=ww ?t=1.337 60.035 3

0.035 31.337 6

由于图1中的网络是对称网络,两团具有同样的拓扑连接模式,它们有相同的团内密度1.337 6,而团间重叠度为?0.035 3。

3 团间连接贡献度

zjk度量了团j与团k间的重叠程度:

zjk=?na=1wjawka(9)

其中:wjawka是这个总量来自于点a的分量。下面定义一个新指标来量化给定点对团间连接的贡献。假设点i是同时连接j、k两团的团间某点,定义点i对团j和团k的团间连接贡献度为

b?i=[(wjiwki)/(?na=1wjawka)]×100%(10)

显然,那些团间连接贡献大的点应处于网络中连接各团的关键位置,它们对团间连接的稳定性负主要责任。将这种在团与团间起关键连接作用的点称为关键连接点。为了设定合适的阈值来提取团间关键连接点,本文一律取b>10%的点为关键连接点。

4 实验与结果分析

下面将在三个实际网络上展开实验,首先根据指定分团个数计算出团—点相似度w,然后用w计算团—团关系和b值,并提取关键连接点。

4.1 海豚社会网

由lusseau等人[14]给出的瓶鼻海豚社会网来自对一个62个成员的瓶鼻海豚社会网络长达七年的观测,节点表示海豚,连线为对某两只海豚非偶然同时出现的记录。图2(a)中名为sn100 (点36)的海豚在一段时间内消失,导致这个海豚网络分裂为两部分。

使用s-nmf算法聚类,海豚网络分为两团时,除30和39两点外,其他点的分团结果与实际观测相同,如图2(a)所示。计算b值并根据阈值提取出的五个关键连接点:1、7、28、36、40(虚线圈内),它们对两团连接起到至关重要的作用。图2(b)为这五点的b值柱状图。该图显示,节点36(sn100)是五个关键连接点中b值最大者,对连接两团贡献最大。某种程度上,这个结果可以解释为什么海豚sn100的消失导致了整个网络最终分裂的影响。本例说明,s-nmf算法及团间连接贡献程度指标在分析、预测社会网络演化方面有着独具特色的作用。

4.2 santa fe 科学合作网

用本算法对newman等人提供的santa fe科学合作网络[15]加以测试。271个节点表示涵盖四个学术领域的学者,学者合作发表文章产生网络连接,构成了一个加权合作网络。将本算法用于网络中一个包含118个节点的最大孤立团,如图3(a)所示。

图3(a)中,四个学科所对应的主要组成部分都被正确地分离出来,mathematical ecology(灰菱形)和agent-based models(白方块)与文献[15]的结果一致,中间的大模块statistical physics又被细分为四个小块,以不同灰度区分。计算了24个点的团间连接度贡献值b,从中分离出11个b值大于10%的点作为关键连接点:1、2、4、6、11、12、20、47、50、56、57,其标号在横轴下方标出,见图3(b),并在图3(a)中用黑色圆圈标记,这些连接点对应那些具有多种学科兴趣、积极参与交叉研究的学者。除去这11个点时,整个网络的连接布局被完全破坏,见图3(a)下方灰色背景缩小图,可见关键连接点的确起到重要的沟通各模块的作用。

4.3 杂志索引网络

在rosvall等人[16]建立的2004年杂志索引网络上进行测试。网络节点代表杂志,分为物理学(方形)、化学(方形)、生物学(菱形)、生态学(三角形)四个学科领域,每个学科中各选10份影响因子最高的刊物,共40个节点,若某刊物文章引用了另一刊物文章,则两刊间有一条连线,形成189条连接。使用s-nmf对该网4分团时,聚类结果与实际分团情况完全一致,如图4(a)所示。

由本算法得出的团—点相似度w在网络宏观拓扑结构的挖掘方面有非常有趣的应用,如第2章所述,用w计算团—团相似度矩阵z=ww?t,其对角元是团内连接密度,非对角元表征团与团的连接紧密程度,故z可被视为对原网络的一种“压缩表示”。如果将团换成“点”,将团与团之间的连接换成“边”,利用z的非对角元,就能构造出原网络的一个压缩投影网络,如图4(b)所示。这是原网络的一个降维示意图,也是团与团之间关系定量刻画的形象表述,定量地反映了原网络在特定分团数下的“宏观(全局)拓扑轮廓”,图上团间连线色深和粗细表示连接紧密程度。由图4(b)可以看到,physics和chemistry连接最紧密,而chemistry与biology和biology与?ecology次之。由此推测,如果减少分团数,将相邻两团合并,连接最紧密的两团必首先合并为一个团。实际情况正是如此:分团数为3时,biology和ecology各自独立成团,physics 和?chemistry合并为一个大团,这与文献[11]结果一致。

5 讨论

网络模糊聚类能帮助研究者进一步对团间的一些特殊点进行定量分析,如nepusz等人[9]用一种桥值公式来刻画节点在多个团间的共享程度,即节点从属度的模糊程度。而本文的团间连接贡献度b反映出节点在团间连接中所起的作用大小。本质上它们是完全不同的两种概念,同时它们也都是网络模糊分析中所特有的。团间连接贡献度指标的提出,将研究引向对节点在网络宏观拓扑模式中的影响力的关注,是本方法的一个独特贡献。无疑,关键连接点对团间连接的稳定性起到很大作用,如果要迅速切断团间联系,改变网络的宏观拓扑格局,首先攻击关键连接点(如海豚网中的sd100)是最有效的方法。团间连接贡献度这一定义的基础来自于对团与团连接关系(z)的定量刻画,这个定量关系用以往的模糊隶属度概念无法得到。由于w有明确的物理含义,使得由w导出的团—团关系z也具有了物理含义,这对网络的宏观拓扑分析非常?有利。

6 结束语

针对复杂网络交叠团现象,本文给出了一个新的聚类后模糊分析框架。它不仅能对网络进行模糊聚类,而且支持对交叠结构的模糊分析,如关键点的识别和网络宏观拓扑图的提取。使用这些新方法、新指标能够深入挖掘潜藏于网络的拓扑信息。从本文的聚类后分析不难看出,网络模糊聚类的作用不仅在于聚类本身,还在于模糊聚类结果能够为网络拓扑深入分析和信息挖掘提供支持,而硬聚类则不能。今后将致力于对团间连接贡献度指标进行更为深入的统计研究。

参考文献:

[1]

赵凤霞,谢福鼎.基于k-means聚类算法的复杂网络社团发现新方法[j].计算机应用研究,2009,26(6):2041-2043,2049.

[2]汪小帆,刘亚冰.复杂网络中的社团结构算法综述[j].电子科技大学学报,2009,38(5):537-543.

[3]newman m e j.modularity and community structure in networks[j].proceedings of the national academy of sciences of the united states of america,2006,103(23):8577-8582.

[4]white s,smyth p.a spectral clustering approach to finding communities in graphs[c]//proc of siam international conference on data mining.2005.

[5]enright a j,dongen s v,ouzounis c a.an efficient algorithm for large-scale detection of protein families[j].nucleic acids research,2002,30(7):1575-1584.

[6]bezdek j c.pattern recognition with fuzzy objective function algorithms[m].new york:plenum press,1981.

[7]palla g,derenyi i,farkas i,et al.uncovering the overlapping community structures of complex networks in nature and society[j].nature,2005,435(7043):814-818.

?[8]reichardt j,bornholdt s.detecting fuzzy community structures in complex networks with a potts model[j].physical review letters,2004,93(21):218701.

?[9]nepusz t,petroczi a,n?gyessy l,et al.fuzzy communities and the concept of bridgeness in complex networks[j].physical review e,2008,77(1):016107.

[10]zhang shi-hua,wang rui-sheng,zhang xiang-sun.identification of overlapping community structure in complex networks using fuzzy c-means clustering[j].physical review a:statistical mechanics and its applications,2007,374(1):483-490.

[11]paatero p,tapper u.positive matrix factorization:a non-negative factor model with optimal utilization of error estimates of data values[j].environmetrics,1994,5(2):111-126.

[12]anttila p,paatero p,tapper u,et al.source identification of bulk wet deposition in finland by positive matrix factorization[j].atmospheric environment,1995,29(14):1705-1718.

[13]kondor r i,lafferty j.diffusion kernels on graphs and other discrete structures[c]//proc of the 19th international conference on machine learning.san francisco:morgan kaufmann,2002.

复杂网络分析篇7

系统是由相互作用和依赖的若干组成部分结合的具有特定功能的有机整体[1]。而网络是由节点以及节点之间的连线组成的，将真实系统中的元素看成网络中的节点，元素之间的数量关系看成网络中的边，用这种方式构建的网络可以用来描述各类真实系统。近年来，复杂网络作为大量真实复杂系统的高度抽象[2]，成为学者们研究的热点，很多国际一流的期刊都陆续刊发了许多有关复杂网络的论文，研究范围包括：电力网络、病毒传播网络、神经网络、演员合作网络、交通网络等，而对产业结构进行研究的论文还较少。

经济的发展与其产业结构有重要的关联。产业结构转型是地区经济快速增长的核心驱动力[3]。而优化高效的产业网络是经济社会全面发展的必要条件[4]。本文以我国产业结构为研究对象，将其抽象为由产业和产业关联所组成的复杂网络，产业作为网络中的节点，产业间的联系视为网络中的边，以此建立起产业结构的网络模型，计算网络的统计特征，研究网络的复杂性，希望能为中国产业结构的优化发展提供决策依据。

二、方法和数据来源

中国的产业结构网络由42个产业（即节点）组成，数据来自中国2012年的投入产出表。对数据说明如下：

第一，不考虑本产业之间的中间投入，这样可以避免建立一个自环的网络。

第二，引入消耗系数并作无向化处理。计算过程如下：

第一步：计算直接消耗系数。

aij=xij/xj（i，j=1，2，……n）（2-1）

其中，aij为j产业生产时所消耗i产业投入的系数，xij为i产业对j产业的中间投入，xj为j产业的产出。

第二步：无向化处理。

rij=aij+aji2（2-2）

在本文中设a为消耗系数的临界值，然后对所有的rij取均值即得到a。如果rij≥a则认为这两个部门之间有联系，即两点之间有边。本文计算出的a值为4.324×10-3，即当rij≥4.324×10-3时，i和j之间有边存在，经计算网络中的边数为1936条。

三、网络相关统计指标

（一）平均最短距离

平均最短距离描述了网络中各个节点的分离称度。在产业结构网络中，两个产业之间最少的边数即为两节点之间的最短距离。因此，网络的平均最短距离可定义为所有节点最短距离的平均数。计算如下：

L=2N（N-1）∑i>jdij（3-1）

其中，N=42是网络的节点数，dij为节点i与节点j之间的最短距离，计算的中国产业结构网络的平均最短距离为1.372。

（二）平均簇系数

簇系数是用来衡量网络节点聚类称度的参数，节点i的簇系数计算如下：

Ci=1Ki（Ki-1）∑Nj，k=1bijbjkbki（3-2）

其中ki为节点i的度，bij为邻接矩阵元，当节点i，j相邻时其值为1，否则为0。

因此，整个网络的簇系数为：

C=1N∑Ni=1Ci（3-3）

计算可得中国产业结构网络的簇系数为0.533，具有一定的聚集性。

（三）度及其分布

与节点连接的边的数量称为节点的度，而网络的度是网络中所有节点的度的平均值。节点的度越大代表节点的影响力越大，在网络中的地位越重要，反之亦然。度分布用分布函数P（k）表示，可定义为在网络选择一个节点其度值为k的概率，也等于网络中度值为k的节点的个数与网络节点总数比值。根据数据可以算的中国产业结构网络的平均度为23.4，即每个产业平均与23个产业相连。

（四）度-度相关性

度-度相关性指的是节点之间相互选择的偏好，节点i的所有邻近节点的平均度可记为：

Knn，i=1Ki∑kij=1Kij（3-4）

其中，Kij是i的Ki个邻近节点的度，j=1，2，……，ki。度为k的所有节点的邻近点的平均度，公式如下：

Km（k）=1Nk∑iki=1Km，vi（3-5）

其中，度为k的节点表示为v1，v2，……，vi，Nk是指网络中度为k的所有节点的个数。

通过计算我们就可以知道网络的相关性，当Km（k）随着k的增加而增加，随着k的减小而减小，即可判断网络是正相关的，反之如果Km（k）随着k的增加而减小，随着k的减小而增加，即可判断网络是负相关的。运用Newman给出的计算方法可计算出网络节点度的Pearson相关系数r[5]。公式如下：

r（g）=M-1∑ijiki-[M-1∑i12（ji+ki）]2M-1∑i12（ji+ki）-[M-1∑i12（ji+ki）]2（3-6）

式中，M为观察到的网络中的连线的数目，jk，ik是第i条连线两端的节点度数且i=1，2，……，M，-1≤r≤1。

根据公式计算出的中国产业结构网络的相关系数r=0.628，度度之间表现为正相关性，说明度小的节点优先连接度大的节点。

（五）介数中心性

介数中心性是以经过某个节点的最短路径的个数来刻画节点重要性的，简称介数（BC），具体地，节点i的介数可定义为：

BCi=∑s≠i≠tnistgst（3-7）

其中，gst为从节点s到节点t的最短路径的数目，nist为从节点s到节点t的gst条最短路径中经过节点i的最短路径的数目。计算可得，中国产业结构网络中各节点的点介数分布前十的产业如下：

表节点介数排名前十的产业

序号产业节点介数

1化学工业0.24836

2金属冶炼及压延加工业0.14637

3电力及蒸汽、热水生产和供应业0.11293

4农业0.08534

5商业0.07246

6货运邮电业0.06582

7石油和天热气开采业0.06191

8机械工业0.04237

9电子及通信设备制造业0.03183

10食品制造业0.03012

节点介数的大小反映了该产业在网络中的影响力，因此如果将表中的某个或某几个产业乃至全部的产业从网络中去除将会极大的影响网络的运行。

四、结论

本文借助复杂网络理论对中国产业结构网络性质做了初步的研究，得出中国产业结构网络是一个小世界网络，具有小的平均最短路径和较大的聚集系数，度-度表现出正的相关性，说明度小的节点倾向于与大的节点连接。对于复杂网络所涉及到的更为复杂的研究方面包括：边的方向及边权、点权对网络性质的影响等在本文中没有做深入的研究。（作者单位：兰州交通大学经济管理学院）

参考文献：

[1]钱学森，许国志，王涛云.论系统工程[M].长沙：湖南科学技术出版社，1988：7-12.

[2]周涛，柏文洁，汪秉宏等.复杂网络研究概述[J]，物理，2005，34（1）：31-36.

复杂网络分析篇8

1 引 言

股票间的相关性对于风险管理、投资决策具有重要影响。对于股票相关性的研究，现代金融理论主要基于经济基本面进行解释，即认为相关性来源于影响资产现金流和影响资产折现率的基本面因素。已有研究表明，股票间相关程度远超出了经济基本面因素的影响，股票市场作为复杂系统日益受到人们的关注。近年来，经济、数学、社会等领域的学者都开始用复杂网络及其相关概念来研究股票市场，进而研究股票间相关性。

2 股票间的相关性

研究股票间的相关性对股民来说至关重要。现随机选取沪市A股、沪市B股、深市A股、深市B股、创业板这五类市场中各20只股票在2013年1月1日至2013年8月31日的周开盘价、收盘价和周个股回报卒作为量化指标，进行相关性分析。

2.1 单个指标的相关系数

选取周开盘价，周收盘价与考虑现金红利再投资的周个股回报率，并用k=l，2，3表示。

Ai（k）表示股票代码为i，指标为k的时间序列矩阵

设随机变量Ai（k）与Aj（k），则协方差为：

Cov（Ai（k），Aj（k））=E（Ai（k）- EAj（k）） -EAj（k）

相关系数为：

2.2指标权重的设立――变异系数法

其中 为第i项指标的平均值，=是第i项指标值的方差，对vij（k）（k）进行归一化，即得到各项指标的权数：

2.3 综合指标的相关系数

设运用股票i与股票j之间的综合相关系数值为

2.4模型的求解

对原题附件中数据进行处理，依据五类不同的股票市场，依次随机选取20只股票在2013年1月至2013年9月共36周内的周开盘价、收盘价和考虑现金红利再投资的周个股回报率数据。基于模型Ⅱ，运用Matlah编程求解，见表1。

3 股票板块的划分

股票板块的划分存在很多依据，常见的有按地域、按行业、按概念等，但这些都是从定性的角度去考察股票与股票内在联系，而通过相关性构建的股票网络，能依据股票与股票间时间序列数据的相关性，从定量角度去划分股票板块。这样的量化处理使得板块内部的波动性更加一致，更利于我们的投资决策。

3.1 股票相关性网络模型

①相关系数构成。网络的节点代表股票，边代表股票之间的相关性。任意两只股票i和j的综合相关系数为：

Pij（k）= pij（k）w（k）

其中i和j表股票代码，pij的取值范围为[-1，1]。若pij=-1，则表示两只股票完全负先关；若pij=1，则表示两只股票完全正相关。

②阈值的设定。股票代表网络中的点，如果相关系数|pij|≥θ（θ∈[-1，1]），就认为节点i和j之间有连边，这里的θ即阈值点。通过计算对比得知，当θ=0.05时其到达最佳阈值，股票网络的拓扑性质最稳定，更有利于对股票网络的研究。

③社团结构的构建。由模块度评价函数来衡量社团结构划分好坏，将其推广至加权的模块度评价函数Q定义为：

其中wsub>ij为网路中节点i和节点j之间的权重，ssub>i= 为节点i的权重，m=

为网络中所有边的总权重，ci为节点i被划人的社团编号，对于函数δ（ci，c）有：当u=v是，δ（ci，c）=1，当u≠v时，δ（ci，c）=0。

3.2股票板块划分

（1）基本分块情况。依据社团结构理论，结合GN算法和NetDrew绘图软件见图1。

由图1可知，图像在经过重新排列后，明显呈现出四个板块，说明在这四大板块中，板块内的股票在长期的波动趋势与波动幅度具有较高的一致性。图1的股票来源为沪市A股、沪市B股、深市A股、深市B股、创业板这五类市场中各随机选取的20只股票共100只股票，范围覆盖了中国内地全部股票市场，具有较高的准确性。

（2）找寻关键节点。为了更方便寻找最关键节点，运用Ucinet软件对图形进行处理如图2所示。

每个模块的内部相关性程度很高，那么选取每个模块中最重要节点，用它的性质来近似描述该模块的整体性质。通过软件处理后，使得节点的重要程度与图形的大小成反比，这样更易比较，也更易选出最关键的节点。

依据此，分别取900930（沪普天B）、300120（华测检测）、900951（*ST大化B）002630（华西能源）这四只股票代表图2正上方，左方，正下方，右方区域。

（3）关键节点股票单个股分析。图2区域正上方的板块选取股票900930（沪普天B），观察其2013年1月至9月的周开盘价走势，其一直处在0.6元上下波动，说明其已为成熟期股票，特点为股价稳定，波动幅度小，发展前景较弱。依据此，对图2正上方区域股票归类为成熟板块股票。

图2区域左方的板块选取股票300012（华测检测），观测其走势，其2013年1月至9月的周开盘价曲线，其上涨幅度较快，在第17周的骤降是因为上市公司因为过高或想要再融资，进行增资扩股的情况而非下跌。在短短的几个月内，其股价从第18周的10元附近上涨到15元附近，是一只处于上升期的股票，说明其为成长期的股票，特点为股价不稳定，波动幅度大，发展前景较强。依据此，对图2正上方区域股票归类为成长板块股票。

图2区域正下方的板块选取股票900951（*ST大化B），观测其2013年1月至9月的周开盘价曲走势，其波动幅度一般，股票价格持续低位，在第一周到第八周小幅上涨后，连续几十周的持续下跌，且通过查询股票代码发现其中文名称前标记着*ST，意味着此股票有即将下市的风险，警告投资者谨慎投资。所以这是一直处于衰落期的股票，特征为股票价格低，下跌趋势强，波动程度较大。依据此，对图2正下方区域股票归类为衰落板块股票。

图2区域右方的板块选取股票002630（华西能源），观测其2013年1月至9月的周开盘价曲线走势，其整体趋势是上升的，但上升的比例较小，而且不断波动，在一个个涨跌幅中前进，明显是一只处于萌芽期的股票，其特点为股价不稳定，波动幅度大，处于大幅度震荡上涨的趋势。依据此，对图2右方区域股票归类为萌芽板块股票。

4 结论分析与投资建议

现实中的板块划分主要分为两类，一类是地域板块，按照上市公司的所在地划分股票；一类是概念板块，如金融与银行业、化工业等；同时也会有依据股票的表现划分为蓝筹股、垃圾股等。而上述划分是依据时间序列数据的相关性程度划分的，与现实的板块划分有相同也有不同的地方。

相同点：与主流的两类划分的依据相同，其划分主要依据都是因为这类股票有着很强的相关性，在整体系统性风险一定的情况下，局部的系统性风险类似，如银行与金融板块，当央行上调法定存款准备金率时，其板块的股票整体呈下降趋势。

不同点：本文的股票网络模型比较接近与现实生活中的依据股票表现划分的类型，但这不是主流的划分，与按照概念划分和地域划分的板块在度量相关性的指标上有一定的差距。

一是多样化选股。投资股票种类多样化，板块多样化根据社团结构的股票网络图知，当购买股票时，切勿全部购买相同板块的股票，要综合考虑，分散风险。相同板块的股票相关程度高，波动的趋势相同，从一方面来看，若全部购买同一类型股票，将会使板块的非系统性无法避免，提高投资的风险率；从另一方面来看，虽然同一板块股票上涨具有传递效应，但其效应大小远远小于下跌时的连带效应，及时此板块的某些股票暴涨也不一定能带动整个板块所有股票上涨。所以，即使是风险偏好者也应慎重考虑。

二是综合投资与投机，确保利益最大化。作为投资者，在股票市场的最终目的是利益最大化。那么在选股时，不仅要考虑短线低买高卖的投机操作，也要有长期持仓的投资计划。对于投机类股票，结合板块分析可知，应选取处于萌芽期或成长期的股票，这些股票的波动性大，只要能把握好趋势，在短线操作的收益率较高。对于那些风险偏好更高的投资者来说，可以考虑处于衰落期的股票。这类股票，一旦有公司借壳上市，其市值会翻倍的增长；对于投资类股票，可以选取成熟类板块的股票，这类股票波动程度小，股盘大，价格相对稳定，每年会有固定的分红股利，这类股票适合长线持有。

复杂网络分析篇9

金融系统作为现代化经济发展的重要核心，而银行系统作为金融系统的重要组成部分，对金融系统稳定运行起着关键性作用。当银行爆发危机时，若不能妥善处理，将传染给其他银行，从而使银行系统安全运行受到严重影响，甚至引发货币危机。同时银行危机嫩能够跨国传染，进而引发全球性金融危机。因此，如果防止银行危机的扩散，使银行系统得到有效恢复，成为现阶段研究的重要课题。

2.银行危机传染含义与形式

2.1传染含义

从广义角度来看，银行危机传染主要是指跨国国界性的传播效应或者溢出效应。从狭义角度来看，银行危机传染含义主要分为三点：其一，银行危机传染主要指某个国家出现爆发性危机时，会导致其他国家也可能爆发危机的一种现象；其二，银行危机传染主要是处于危机状态的国家出现溢出效应，并对其他国家银行、金融业造成影响的一个过程；其三，银行危机传染主要是指某个金融市场爆发危机，并影响到其他金融市场交易量及价格，并产生联合波动效应。

2.2传染性形式

2.2.1内部传染形式

主要指当某个银行失去清偿能力时，将爆发清偿危机，并通过银行与银行间的往来业务将危机传染到其他银行。内部传染形式主要有：其一，信息路径。当信息失真或者不对称时，银行责权者将难以对银行经营情况进行识别，在银行危机爆发时，受到外部信息影响，导致存款者与银行间出现挤兑，并扩大危机传染范围。其二，信用路径。随着银行与银行间往来业务与交易量不断增加，银行与银行间形成的在全关系，不仅不能抵押，也无任何保险，当某个银行爆发危机时，容易引发连锁反应，进而扩散至与其往来的银行。其三，支付清算。随着支付清算系统在银行中的应用，虽然加快了资金清算效率，但是也扩大了危机传染范围。某家银行爆发危机时，若无法清偿债务，将产生连锁反应，不仅影响到银行支付清算工作，同时导致银行出现信任危机[1]。

2.2.2外部传染形式

主要指企业与银行间存在业务往来，从而受到银行危机的影响，并将危机传染给其他社会经济部门。外部传染形式主要有：其一，企业传染路径。当银行爆发危机时，首先会将危机传染给企业，然后再由企业将危机传染至与企业有业务往来的银行，从而引发大范围的银行危机。当银行爆发严重性危机时，受到危机传染的银行，由于将危机传染至其他企业，导致企业面临生存危机，而银行危机传染范围也日益扩大。其二，跨国传染路径。将国家银行作为独立系统，由于我国银行与其他国家银行存在业务往来，所以当某个国家银行爆发危机时，危机也将传染至我国银行，甚至引发全球性的金融危机[2]。

3.银行危机传染应对措施

3.1银行网络宏微观环境优化策略

首先，同业存款的调整。通过对银行危机爆发原因进行分析发现，同业存款存在比例问题，同业存款处于最优状态时，其比例与经济环境密切相关。所以，为了确保银行系统稳定运行，必须对同业存款进行有效调整，以提高资金效率，确保银行系统稳定性。其次，规范投资行为。通过对股市案件进行分析发现，投资行为缺乏规范性，是引发金融风险的重要因素。而资本市场发展与金融业密切相关，若资本市场发生动荡，将严重影响到银行系统的安全运行。所以，规范投资行为，对银行危机阻断具有重要意义。再者，加大信息披露力度。由于信息失真或者不对称，给金融市场带来很大的冲击，同时信息可作为危机传染渠道，扩大危机范围。所以，加大信息披露力度，确保信息准确性，是确保金融系统稳定运行，化解银行系统危机的关键。

3.2确保银行系统的稳定性

首先，优化网络结构，保证网络稳定运行。在复杂网络条件下，对银行危机进行深入分析，以掌握网络结构，针对不同网络危机情况，采取针对性的应对措施，以实现银行网络自治化管理，改善银行网络管理机制，确保银行网络系统安全运行。其次，充分节点作用，缩小危机范围。银行网络中有很多大节点，是危机传染重要因素。因此，通过对银行网络节点进行适当调整，以优化银行负债结构，增强银行的风险抵抗能力。

3.3做好危机公关工作

首先，掌握舆论的主导权。当银行爆发危机时，必须通过媒体将银行真实情况及时披露出来，并向人们传达积极性的信息，以避免危机严重化。其次，保证披露信息真实性。当银行出现危机时，使公众内心受到很大冲击，这时银行必须实事求是，确保披露信息的真实性，以阻断谣言。再者，沟通路径要通畅。银行必须与债权者、投资人、重要组织、内部人员及受害者等进行积极沟通。最后，全面做好危机评估工作。当银行爆发危机时，必须对危机实际情况进行准确评估，以避免危机严重化。同时政府机构及监管部门，必须积极介入，以确保信息的准确性，提高公众信任度。（作者单位：灵武市农业银行）

复杂网络分析篇10

zhao kun,zhang shao-wu,pan quan

(school of automation, northwestern polytechnical university, xi’an 710072, china)

abstract:there is seldom a method which is capable of both clustering the network and analyzing the resulted overlapping communities. to solve this problem, this paper presented a novel fuzzy metric and a soft clustering algorithm. based on the novel metric, two topological fuzzy metric, which include clique-clique closeness degree and inter-clique connecting contribution degree, were devised and applied in the topological macro analysis and the extraction of key nodes in the overlapping communities. experimental results indicate that, as an attempt of analysis after clustering, the new indicators and mechanics can uncover new topology features hidden in the network.

key words:network fuzzy clustering; clique-node similarity; clique-clique closeness degree; inter-clique connection contribution degree; symmetrical nonnegative matrix factorization(s-nmf); network topology macrostructure

团结构是复杂网络普遍而又重要的拓扑属性之一,具有团内连接紧密、团间连接稀疏的特点。Www.133229.cOm网络团结构提取是复杂网络分析中的一个基本步骤。揭示网络团结构的复杂网络聚类方法[1~5]对分析复杂网络拓扑结构、理解其功能、发现其隐含模式以及预测网络行为都具有十分重要的理论意义和广泛的应用前景。目前,大多数提取方法不考虑重叠网络团结构,但在多数网络应用中,重叠团结构更为普遍,也更具有实际意义。

现有的网络重叠团结构提取方法[6~10]多数只对团间模糊点进行初步分析,如nepusz等人[9,10]的模糊点提取。针对网络交叠团结构的深入拓扑分析,本文介绍一种新的团—点相似度模糊度量。由于含有确定的物理含意和更为丰富的拓扑信息,用这种模糊度量可进一步导出团与团的连接紧密程度,以及模糊节点对两团联系的贡献程度,并设计出新指标和定量关系来深度分析网络宏观拓扑连接模式和提取关键连接节点。本文在三个实际网络上作了实验分析,其结果表明,本方法所挖掘出的网络拓扑特征信息为网络的模糊聚类后分析提供了新的视角。

1 新模糊度量和最优化逼近方法

设a=[aij]n×n(aij≥0)为n点权重无向网络g(v,e)的邻接矩阵,y是由a产生的特征矩阵,表征点—点距离,yij>0。假设图g的n个节点划分到r个交叠团中,用非负r×n维矩阵w=[wki]r×n来表示团—点关系,wki为节点i与第k个团的关系紧密程度或相似度。w称为团—点相似度矩阵。令

mij=rk=1wkiwkj(1)

若wki能精确反映点i与团k的紧密度,则mij可视为对点i、j间相似度yij的一个近似。所以可用矩阵w来重构y,视为用团—点相似度w对点—点相似度y的估计:

w twy(2)

用欧式距离构造如下目标函数:

minw≥0 fg(y,w)=y-w twf=12ij[(y-w tw)。(y-w tw)]ij(3)

其中:•f为欧氏距离;a。b表示矩阵a、b的hadamard 矩阵乘法。由此,模糊度量w的实现问题转换为一个最优化问题,即寻找合适的w使式(3)定义的目标函数达到最小值。

式(3)本质上是一种矩阵分解,被称为对称非负矩阵分解,或s-nmf (symmetrical non-negative matrix factorization)。s-nmf的求解与非负矩阵分解nmf[11,12]的求解方法非常类似。非负矩阵分解将数据分解为两个非负矩阵的乘积,得到对原数据的简化描述,被广泛应用于各种数据分析领域。类似nmf的求解,s-nmf可视为加入限制条件(h=w)下的nmf。给出s-nmf的迭代式如下:

wk+1=wk。[wky]/[wkw tkwk](4)

其中:[a]/[b]为矩阵a和b的hadamard矩阵除法。

由于在nmf中引入了限制条件,s-nmf的解集是nmf的子集,即式(4)的迭代结果必落入nmf的稳定点集合中符合附加条件(h=w)的部分,由此决定s-nmf的收敛性。

在求解w之前还需要确定特征矩阵。本文选扩散核[13]为被逼近的特征矩阵。扩散核有明确的物理含义,它通过计算节点间的路径数给出任意两节点间的相似度,能描述网络节点间的大尺度范围关系,当两点间路径数增加时,其相似度也增大。扩散核矩阵被定义为

k=exp(-βl)(5)

其中:参数β用于控制相似度的扩散程度,本文取β=0.1;l是网络g的拉普拉斯矩阵:

lij=-aiji≠j

kaiki=j(6)

作为相似度的特征矩阵应该是扩散核矩阵k的归一化形式:

yij=kij/(kiikjj)1/2(7)

基于扩散核的物理含义,团—点相似度w也具有了物理含义:团到点的路径数。实际上,w就是聚类结果,对其列归一化即可得模糊隶属度,需要硬聚类结果时,则选取某点所对应列中相似度值最大的团为最终所属团。

2 团—团关系度量

团—点相似度w使得定量刻画网络中的其他拓扑关系成为可能。正如w tw可被用来作为点与点的相似度的一个估计,同样可用w来估计团—团关系:

z=ww t(8)

其物理含义是团与团间的路径条数。很明显,z的非对角元zjk刻画团j与团k之间的紧密程度,或团间重叠度,对角元zjj则刻画团j的团内密度。

以图1中的对称网络为例,二分团时算得

z=ww t=1.337 60.035 3

0.035 31.337 6

由于图1中的网络是对称网络,两团具有同样的拓扑连接模式,它们有相同的团内密度1.337 6,而团间重叠度为0.035 3。

3 团间连接贡献度

zjk度量了团j与团k间的重叠程度:

zjk=na=1wjawka(9)

其中:wjawka是这个总量来自于点a的分量。下面定义一个新指标来量化给定点对团间连接的贡献。假设点i是同时连接j、k两团的团间某点,定义点i对团j和团k的团间连接贡献度为

bi=[(wjiwki)/(na=1wjawka)]×100%(10)

显然,那些团间连接贡献大的点应处于网络中连接各团的关键位置,它们对团间连接的稳定性负主要责任。将这种在团与团间起关键连接作用的点称为关键连接点。为了设定合适的阈值来提取团间关键连接点,本文一律取b>10%的点为关键连接点。

4 实验与结果分析

下面将在三个实际网络上展开实验,首先根据指定分团个数计算出团—点相似度w,然后用w计算团—团关系和b值,并提取关键连接点。

4.1 海豚社会网

由lusseau等人[14]给出的瓶鼻海豚社会网来自对一个62个成员的瓶鼻海豚社会网络长达七年的观测,节点表示海豚,连线为对某两只海豚非偶然同时出现的记录。图2(a)中名为sn100 (点36)的海豚在一段时间内消失,导致这个海豚网络分裂为两部分。

使用s-nmf算法聚类,海豚网络分为两团时,除30和39两点外,其他点的分团结果与实际观测相同,如图2(a)所示。计算b值并根据阈值提取出的五个关键连接点:1、7、28、36、40(虚线圈内),它们对两团连接起到至关重要的作用。图2(b)为这五点的b值柱状图。该图显示,节点36(sn100)是五个关键连接点中b值最大者,对连接两团贡献最大。某种程度上,这个结果可以解释为什么海豚sn100的消失导致了整个网络最终分裂的影响。本例说明,s-nmf算法及团间连接贡献程度指标在分析、预测社会网络演化方面有着独具特色的作用。

4.2 santa fe 科学合作网

用本算法对newman等人提供的santa fe科学合作网络[15]加以测试。271个节点表示涵盖四个学术领域的学者,学者合作发表文章产生网络连接,构成了一个加权合作网络。将本算法用于网络中一个包含118个节点的最大孤立团,如图3(a)所示。

图3(a)中,四个学科所对应的主要组成部分都被正确地分离出来,mathematical ecology(灰菱形)和agent-based models(白方块)与文献[15]的结果一致,中间的大模块statistical physics又被细分为四个小块,以不同灰度区分。计算了24个点的团间连接度贡献值b,从中分离出11个b值大于10%的点作为关键连接点:1、2、4、6、11、12、20、47、50、56、57,其标号在横轴下方标出,见图3(b),并在图3(a)中用黑色圆圈标记,这些连接点对应那些具有多种学科兴趣、积极参与交叉研究的学者。除去这11个点时,整个网络的连接布局被完全破坏,见图3(a)下方灰色背景缩小图,可见关键连接点的确起到重要的沟通各模块的作用。

4.3 杂志索引网络

在rosvall等人[16]建立的2004年杂志索引网络上进行测试。网络节点代表杂志,分为物理学(方形)、化学(方形)、生物学(菱形)、生态学(三角形)四个学科领域,每个学科中各选10份影响因子最高的刊物,共40个节点,若某刊物文章引用了另一刊物文章,则两刊间有一条连线,形成189条连接。使用s-nmf对该网4分团时,聚类结果与实际分团情况完全一致,如图4(a)所示。

由本算法得出的团—点相似度w在网络宏观拓扑结构的挖掘方面有非常有趣的应用,如第2章所述,用w计算团—团相似度矩阵z=wwt,其对角元是团内连接密度,非对角元表征团与团的连接紧密程度,故z可被视为对原网络的一种“压缩表示”。如果将团换成“点”,将团与团之间的连接换成“边”,利用z的非对角元,就能构造出原网络的一个压缩投影网络,如图4(b)所示。这是原网络的一个降维示意图,也是团与团之间关系定量刻画的形象表述,定量地反映了原网络在特定分团数下的“宏观(全局)拓扑轮廓”,图上团间连线色深和粗细表示连接紧密程度。由图4(b)可以看到,physics和chemistry连接最紧密,而chemistry与biology和biology与ecology次之。由此推测,如果减少分团数,将相邻两团合并,连接最紧密的两团必首先合并为一个团。实际情况正是如此:分团数为3时,biology和ecology各自独立成团,physics 和chemistry合并为一个大团,这与文献[11]结果一致。

5 讨论

网络模糊聚类能帮助研究者进一步对团间的一些特殊点进行定量分析,如nepusz等人[9]用一种桥值公式来刻画节点在多个团间的共享程度,即节点从属度的模糊程度。而本文的团间连接贡献度b反映出节点在团间连接中所起的作用大小。本质上它们是完全不同的两种概念,同时它们也都是网络模糊分析中所特有的。团间连接贡献度指标的提出,将研究引向对节点在网络宏观拓扑模式中的影响力的关注,是本方法的一个独特贡献。无疑,关键连接点对团间连接的稳定性起到很大作用,如果要迅速切断团间联系,改变网络的宏观拓扑格局,首先攻击关键连接点(如海豚网中的sd100)是最有效的方法。团间连接贡献度这一定义的基础来自于对团与团连接关系(z)的定量刻画,这个定量关系用以往的模糊隶属度概念无法得到。由于w有明确的物理含义,使得由w导出的团—团关系z也具有了物理含义,这对网络的宏观拓扑分析非常有利。

6 结束语

针对复杂网络交叠团现象,本文给出了一个新的聚类后模糊分析框架。它不仅能对网络进行模糊聚类,而且支持对交叠结构的模糊分析,如关键点的识别和网络宏观拓扑图的提取。使用这些新方法、新指标能够深入挖掘潜藏于网络的拓扑信息。从本文的聚类后分析不难看出,网络模糊聚类的作用不仅在于聚类本身,还在于模糊聚类结果能够为网络拓扑深入分析和信息挖掘提供支持,而硬聚类则不能。今后将致力于对团间连接贡献度指标进行更为深入的统计研究。

参考文献:

[1]

赵凤霞,谢福鼎.基于k-means聚类算法的复杂网络社团发现新方法[j].计算机应用研究,2009,26(6):2041-2043,2049.

[2]汪小帆,刘亚冰.复杂网络中的社团结构算法综述[j].电子科技大学学报,2009,38(5):537-543.

[3]newman m e j.modularity and community structure in networks[j].proceedings of the national academy of sciences of the united states of america,2006,103(23):8577-8582.

[4]white s,smyth p.a spectral clustering approach to finding communities in graphs[c]//proc of siam international conference on data mining.2005.

[5]enright a j,dongen s v,ouzounis c a.an efficient algorithm for large-scale detection of protein families[j].nucleic acids research,2002,30(7):1575-1584.

[6]bezdek j c.pattern recognition with fuzzy objective function algorithms[m].new york:plenum press,1981.

[7]palla g,derenyi i,farkas i,et al.uncovering the overlapping community structures of complex networks in nature and society[j].nature,2005,435(7043):814-818.

[8]reichardt j,bornholdt s.detecting fuzzy community structures in complex networks with a potts model[j].physical review letters,2004,93(21):218701.

[9]nepusz t,petroczi a,ngyessy l,et al.fuzzy communities and the concept of bridgeness in complex networks[j].physical review e,2008,77(1):016107.

[10]zhang shi-hua,wang rui-sheng,zhang xiang-sun.identification of overlapping community structure in complex networks using fuzzy c-means clustering[j].physical review a:statistical mechanics and its applications,2007,374(1):483-490.

[11]paatero p,tapper u.positive matrix factorization:a non-negative factor model with optimal utilization of error estimates of data values[j].environmetrics,1994,5(2):111-126.

[12]anttila p,paatero p,tapper u,et al.source identification of bulk wet deposition in finland by positive matrix factorization[j].atmospheric environment,1995,29(14):1705-1718.

[13]kondor r i,lafferty j.diffusion kernels on graphs and other discrete structures[c]//proc of the 19th international conference on machine learning.san francisco:morgan kaufmann,2002.

复杂网络分析篇11

1.1 功能性脑网络（functional brain networks） 

功能性脑网络是以分析神经元、神经集群、功能脑区等不同尺度上的脑功能单元之间的连接关系和统计趋势为主的无向网络，一般基于脑网络的各类功能信号，如电、磁、代谢信号等进行网络建模。在目前的脑网络研究领域，研究人员一般主要依据EEG/MEG/fMRI等方式进行建模并模拟研究脑功能性脑网络的特点。EEG和MEG的优点是时间分辨率较高，可以达到毫秒级，缺点是空间分辨率只能达到厘米级，达不到微观尺度上的分析要求。fMR主要反映生理代谢和血液方面的信息，它的空间分辨率达到了毫米级，但时间分辨率只有秒级。在未来，结合了EEG、MEG和fMRI的综合优点，进行多模态脑网络研究将能够更加全面地展现脑网络的特征。 

1.2 结构性脑网络（anatomical brain networks） 

结构性脑网络主要反映大脑的生理结构，以神经元之间的化学连接和电连接为主。在不同量级的空间尺度上，可以定义不同的结构性脑网络，如单个神经元之间复杂的联系通路即可视为一个“微网络”，而局部的神经通路单元则相当于一个局部的结构性网络，各个局部网络则又是组成脑网络基础节点，最终形成了一个层级结构十分复杂的结构性网络。大脑包括约100亿个神经元和数千倍的突触。用生理解剖的方法来分析神经元结构性连接网络，是目前研究脑网络最重要的方法之一。 

1.3 因效性脑网络（effective brain networks） 

因效性脑网络聚焦于脑网络中各节点之间的相互作用以及节点间信息流向。不同于无向连接的功能性脑网络。因效性脑网络重点研究网络中各种连接的方向性，着重分析各网络节点之间的因果关系以及统计趋势，并根据信息在节点之间的传播方向来分析脑网络的工作过程。因效性脑网络和功能性脑网络的差别在于如何量化测度网络节点之间的关系。一般采用因果关系分析来对网络连接强度进行量化。 

2 时间序列脑网络构建与研究 

构建脑网络可分3步，即定义节点、定义和测定结点之间的连接强度，选取合适的阈值并在连接强度大于闽值的节点之间建立连接边。一般通过稀疏性确定节点之间存在边的比率。例如：稀疏性值为0.2，即代表当前脑功能网络中存在边数占完全网络的边数的百分之二十。权值概率分布差异较大，难以避免网络存在散点或冗余的边，使得网络不满足连通性，并通过脑复杂网络的拓扑结构、递归图、度分布、模体分布等特征来揭示脑网络内在机制。 

由测量时间序列构建复杂网络方法描述为，给定一个时间序列： 

X（sΔt）（s=1，2，…，N） 

其中Δt是单位采样时间，N为采样数据长度。假设此方法得到时间序列的延迟时间和最小嵌入维数均满足网络工作，利用延迟坐标嵌入方法得到一个多维向量： 

Y={y1（k），y2（k），…，ym（k）}={z1（n），z2（n），…，zM（n）}={x（kΔt），x（kΔt+τ），…，x（kΔt+（m-1）τ）} 

其中：n=1，2，…，m，m为嵌入维数;k=1，2，…，M，M=N-（m-1）τ/Δt为数据长度;τ为最佳时延。 

为构建网络，分别计算两个向量点间的欧式距离得到一个M×M维的加权邻接矩阵D，给定两个向量点zi（n）和zj（n），向量点间的欧式距离定义为： 

dij=||zi（n）-zj（n）|| 

其中：dij代表为矩阵中的i行j列元素。 rc为一个合适的阀值，即当dij>rc时，表示网络为无连接，反之则表示节点i与j间有连边存在，邻接矩阵A的元素aij为1。具体描述为： 

aij = 

复杂网络分析篇12

“非典”前期，由于政府和主流大众传媒保持沉默，使得各种谣言通过网络和手机等新型信息传播方式在全国范围内大量传播，导致了严重的社会恐慌。由此可以看出灾害信息传播一旦失控，会使本来失序的社会更加混乱，并由此带来衍生灾害，造成不必要的社会恐慌和经济损失。因此，在当前的信息传播状况下对灾害信息传播方式和特征进行相关方面分析是十分必要的。

目前国内在灾害信息传播方面主要是从新闻学的方面来研究：灾害报道应该实现新闻价值与社会价值的平衡、新闻媒介在公共危机事件中起到重要作用，以及系统介绍灾害信息的发展史等。没有从灾害传播本身的特征进行研究，忽视灾害传播特征对灾害信息传播的影响。为了更有效地实现对灾害传播的控制，有必要针对灾害信息传播特征进行相关研究。

本文首先对灾害信息传播过程进行分析，在此基础上运用复杂网络相关理论对灾害信息传播方式和特征进行了初步探讨。

1灾害信息传播的过程分析

根据当前灾害信息的多样化，其传播内容主要可以分为政府和主流大众传媒的灾害信息和各种谣言、负面信息两大类。各种谣言、负面信息是指由于在灾害信息传播过程中出现的隐瞒或虚报、延迟报道而产生的各种、负面的受众不信任的信息。

本文以Fink(1986)提出的危机4阶段论为基础，对灾害信息传播过程进行了相关分析，给出灾害信息传播的4个阶段，分别为潜伏期、突发期、蔓延期、解决恢复期。以2007年台风罗莎信息传播过程为例(数据来源：百度指数)，分析这4个阶段(图1)。

(1)潜伏期由灾害发生到灾害信息开始传播的这一阶段。随着现代信息传播的速度加快，潜伏期的时间越来越短。要对灾害信息传播进行控制，最好的方法就是在灾害信息传播的潜伏期对灾害进行有效控制，减小对社会产生的影响。台风罗莎10月2日08时在菲律宾以东洋面上生成，4日02时加强为强台风。即10月2日至10月4日为台风罗莎信息传播的潜伏期。

(2)突发期从灾害信息开始传播到灾害信息开始迅速传播的阶段。突发期是年阶段中时间最短、对受众心理冲击最严重的一个阶段。如果在突发期内对灾害信息进行刻意隐瞒或虚报、延迟、模式化报道，会使受众失去对传播者的信任，增加公众的疑惑，导致社会危机及衍生灾害的产生。10月5日、6日为台风罗莎信息传播的突发期。

(3)蔓延期灾害信息从迅速传播到平息的一个阶段。在新的信息传播环境下，灾害信息从迅速传播到平息需要一个相当长的时间。网络媒体、手机媒体、数字电视、即时通讯软件、多种传播形式使得灾害信息传播速度快、影响范围广、破坏性强。即使当灾害得到平息和解决时，在新型传播媒介中仍会存在很多议论和大量负面信息。台风罗莎在我国大陆l0月10日结束，但其仍然受到大众的普遍关注。10月7日至l0月16日为台风罗莎信息传播的蔓延期。

(4)解决恢复期灾害妥善解决、人民生活恢复正常、物质生产得到恢复、社会恐慌得到平息、整个社会恢复到灾害发生前的状态。在解决恢复期中，做好灾害信息的传播机理和影响的研究工作，总结灾害信息传播的经验和教训，为完善和健全相关的防灾体系提供依据。以10月17日起为台风罗莎的解决恢复期。

2灾害信息传播网络

2．1灾害信息传播网络的形成

目前国际上在流行病传播、计算机病毒在In．ternet上的传播等领域利用复杂网络进行研究是比较多的。此外，国内外专家对谣言的传播也进行了相关工作Zanette研究了在小世界网络中的传播情况；Moreno等发展了Daley等在1964年提出的谣言传播模型，认为非均匀网络传播过程最终听过但不传播的人数与感染概率有着紧密联系；

Dotts和Watts认为无论是社会网络还是信息网络中的传播蔓延现象，相应的模型都可以归结为泊松模型和临界值模型。

灾害信息传播的基础是社会网络，因此可以应用复杂网络的观点来阐释灾害信息传播的特征。灾害信息传播的网络模型示意图如图2所示。

用节点表示灾害信息传播中的个体，如果两个个体之间可以通过某种方式直接发生传播与被传播关系，就认为这两个个体之间存在连接，这样就得到了传播网络的拓扑结构，进而可以建立相关模型来研究这种传播行为。而灾害信息传播模型研究的关键是传播规则的制定和网络拓扑结构的选择。

2．2灾害信息传播网络的结构

2．2．1灾害信息传播网络结构的划分

灾害信息的传播途径与谣言基本一致，可以参照Moreno等人提出的谣言传播模型。的研究方法对灾害信息传播网络模型的结构进行分析，将灾害信息传播网络中的个体分为灾害信息未知者(Igorants)、灾害信息传播者(Spreaders)、灾害信息知情者(Stiflesr)三种类型。i(t)、s(t)、和r(t)分别代表这三种类型在人群中的比例。

如图3所示，灾害信息在灾害信息传播者、灾害信息未知者之间传播。灾害信息传播者向它的邻居节点传播信息。当接到信息的节点是灾害信息未知者的时候，灾害信息未知者以入的概率变成一个灾害信息传播者。而如果信息传给了灾害信息传播者或者灾害信息知情者，则前者以1／a的概率变成一个灾害信息知情者。

2．2．2网络结构中各参数的分析

参数A代表着信息传播过程中数据会出现丢失的情况，并不是每次连接都成功。参数是表示一个灾害信息传播者在变成一个灾害信息知情者前连接的灾害信息传播者或灾害信息知情者的平均次数。

灾害信息传播者把灾害信息传递到它的相邻节点时，如果该节点为灾害信息未知者，后者也将以入的概率变成一个灾害信息传播者，信息传播成功。如果后者已经知道了灾害信息，则会导致灾害信息传播者失去传播信息的兴趣，从而以l／a的概率变成一个灾害信息知情者，此次信息传播的小过程失败。

2．3灾害信息传播网络的统计性质

灾害信息传播网络的统计性质反映着网络内部结构的不同和系统功能的差异。它的统计性质有以下几个方面。

(1)平均路径长度是指所有节点之间的最大距离的平均值，它描述了网络中节点间的分离程度，即网络有多小，也就是灾害传播网络中所有传播途径传播信息的平均长度。

(2)聚集系数用来描述网络中节点的聚集情况。在灾害信息网络中表示灾害信息传播者与灾害信息未知者、灾害信息知情者的关联程度。

(3)度和度分布一个节点与其他节点相连的边数称为该节点的度。节点度分布是指网络中度为k的节点的概率P(k)随节点度k的变化规律。在灾害信息传播网络中，度就是表示一个灾害信息传播者向k个灾害信息未知者或灾害信息知情者传播信息。顶点的度指标用于描述该传播者对传播网络中其它传播者的直接影响力。节点度的分布函数反映了灾害信息传播网络的宏观统计特征。

(4)介数分为边介数和节点介数。节点介数为网络中所有的最短路径中经过该节点的数量比例；边的介数是网络中所有的最短路径中经过该边的数量比例。介数反映了相应的节点或者边在整个网络的作用和影响力。在灾害信息传播网络中，节点介数说明该节点对于网络中信息流动影响的大小。介数的分布特征反映了不同传播者在网络中的地位，即其传播速度、传播范围和影响程度。对于评价各种传播媒介的重要性、评价防灾体系有着十分重要的意义。

3基于复杂网络的灾害信息传播特征分析

3．1网络节点的大规模性

一个重大灾害发生后，其信息传播网络的节点数必定十分庞大。要做到灾害信息传播既维护了公众的知情权，又不会造成社会恐慌和由此带来的衍生灾害，就应该对大规模的灾害信息传播网络节点进行分析，找到网络中的关键节点，即公众信任度高、社会责任感强、在网络的影响大的节点。衡量这些节点是否关键的主要依据是它们的介数和度分布。

3．2网络连接的稀疏性

在灾害信息传播网络中，并不是所有节点的聚集系数和度分布是相同的。主流大众传媒由于其传递信息的真实性、全面性，受到公众的普遍信赖，那么主流大众传媒所代表的节点的聚集系数和度就要比其他节点的高。在这一区域的网络连接就比较密集。反之，过于失实的灾害信息会受到公众的质疑，其传播范围就比较小，则这部分的网络连接就很稀疏。

3．3连接结构的复杂性

灾害信息传播网络的节点是由主流媒体、网络媒体、手机媒体、数字电视等传播者和受众组成，因此每个节点都具有自己的动力学特征，且各个节点之间相互影响、相互制约，从而整个灾害信息传播网络也就具有极为复杂的动力学特征，不能简单的用规则网络和随机网络对其进行分析。因此，灾害信息传播网络具有连接结构的复杂性。

3．4信息传播的时间复杂性

信息在网络中传播所花费的时间与下一节点对信息的敏感程度、传播节点的度和介数及信息的可靠度等有关。沿海的人们对于有关台风的信息就会比较关注，而对于内陆城市的人而言，此类信息就不很重要。这就体现了灾害信息传播的时间复杂性。

3．5信息传播的变异性

在一个灾害信息传播者向灾害信息未知者传递信息的这一过程中，信息内容是否不会发生变异以及信息来源是否真实可靠，这就是信息传播的变异性。

3．6信息传播引发衍生灾害的可能性

灾害本身具有破坏性，由于灾害信息内容不同，公众对灾害信息的关注程度也不同，必然导致信息传播的速度不一样。而灾害信息的传播也可能引起各种社会问题，甚至形成衍生灾害。例如在“非典”期间各种有关SARS的信息肆意传播，引起某些药品的短缺、物价的抬高以及社会不安定因素突增。在灾害信息传播网络中可表现为信息中心增多、传播过程的重复性。

4结束语

复杂网络分析篇13

［中图分类号］ F272 ［文献标识码］ A ［文章编号］ 1673 - 0194（2012）17- 0078- 03

1 引 言

所谓复杂网络［1］就是具有复杂拓扑结构和动力行为的大规模网络，它是由大量的节点通过边的相互连接而构成的图。复杂网络的节点可以是任意具有特定动力和信息内涵的系统的基本单位，而边则表示这些基本单位之间的关系或联系。例如，Internet网、WWW网络、社会关系网络、无线通讯网络、食物链网络、科学家合作网络、流行病传播网络等都是复杂网络。复杂网络包含两层含义：首先，复杂网络是大量真实系统的拓扑抽象；其次，它既不是规则网络，也不是随机网络，而是介于两者之间 ［2］。随着知识管理研究的不断深入，越来越多的学者们开始关注于从网络的角度研究企业知识共享问题，进而产生了知识网络的概念［3－5］。钟琦［6］（2008）建立了企业内部知识流动网络理论体系和企业内部知识流动网络的结构模型，从知识节点、知识团体、网络整体结构三个方面提出了能够提高企业内部知识流动网络有效性的途径。曹春苗［7］（2010）通过对知识价值链结构及特征的研究，认为知识价值链网络具有典型的复杂网络结构。李金华和孙东川［8］（2006）在阐述复杂网络理论的基础上，分析了知识在知识合作网络中的传播特征，提出了一种网络上的知识传播模型。王夏洁和刘红丽［9］（2007）基于社会网络研究了知识链上的知识获取、社会网络关系、结构对知识链中知识传递和共享的影响，以及社会网络对推动知识创新的重要作用。21世纪是知识经济的时代，企业间的竞争也逐步转变成供应链之间的竞争，有关知识共享的研究也从单个企业的层面扩展到了供应链的层面。从复杂网络的角度研究供应链企业间知识共享问题显得尤为重要。

2 复杂网络的特征量度

2．1 度分布

复杂网络的主要统计特征之一就是度分布，节点i的度ki就是与该节点连接的其他节点的数目。网络中的ki分布情况可用分布函数P（k）来描述。P（k）就是一个随机选定的节点的度恰好为k的概率。

度是网络节点的属性中最简单但也是最重要的性质，节点的度越大代表这个节点越重要，常常拥有资源和地位的优越性，对其他成员有很大的影响力。

2．2 平均路径长度

假设网络中所有边的权值是相等的，并定义连接i和j两个节点的最短路径上的边数dij为这一对节点之间的距离，那么网络的平均路径长度（APL，Average Path Length）就是网络中所有节点对之间距离的平均数。

2．3 簇系数

簇系数表示网络中某一节点的两个相邻节点也相邻的概率，反映网络的集团化程度。簇系数是这样定义的：设网络中节点i的度为ki，也就是说有ki条边将它和其他节点相连，那么这ki个节点就称为节点i的邻点。这ki个相邻节点之间，在忽略重边的情况下最多可以有ki（ki － 1） ／ 2条边（无向边）。节点i的簇系数Ci可定义为在节点i的ki个相邻节点之间实际存在的边数Ei和这ki个节点之间最多能有的边数ki（ki － 1） ／ 2的比值。若一个网络包含N个节点，那每个节点簇系数的平均值就是这个网络总的簇系数。

2．4 介数

介数［10］有两种，分别是节点介数和边介数。介数表示的是网络的一个全局变量，它反映节点或边在网络中的影响程度。若某个节点或边被其他许多条最短路径经过，就说明该节点或边在网络中的地位很重要。介数可以用来定量地描述某个节点或边在网络中的重要性。

3 供应链企业间的知识共享网络模型的构建

借鉴于晓丹［10］等人关于网络、知识网络要素的论述，知识网络应该包括3个基本的组成要素：行为主体、活动的发生和资源。其中行为主体不仅包括个人、组织和企业，而且在更广的范围上还包括政府、科研院所、知识服务机构等；活动的发生包括网络中企业内部知识和信息等的共享活动、企业间的交易活动以及整个网络中企业之间生产要素、信息、知识等资源流动的相关活动；而资源则包括可共享的知识资源、人力资源和生产要素资源。

在此，本文认为供应链企业间的知识共享网络模型应包括节点企业、企业之间的关系以及这些关系所承载的各类资源3个构成要素。

3．1 节点企业

供应链企业间知识共享网络中的行为主体就是节点企业，它通常有以下几种类型：制造商、供应商、需求方、竞争企业、知识服务机构以及相关企业等。不同类型的企业在知识共享网络中发挥着不同的作用。例如，制造商企业是核心企业，它积极协调知识共享网络中的各种活动，并引导其他企业融入这些活动。

3．2 企业之间的关系