EN中文

地球信息科学学报 >

2021 , Vol. 23 >Issue 4: 632 - 645

DOI: https://doi.org/10.12082/dqxxkx.2021.200366

地理空间分析综合应用

特殊事件中国际关系网络时序演化分析

  • 姚博睿 ,
  • 秦昆 , * ,
  • 罗萍 ,
  • 朱炤瑗 ,
  • 漆林
展开
  • 武汉大学遥感信息工程学院, 武汉 430079
*秦 昆（1972— ）,男,湖北随州人,博士,教授,研究方向为时空数据挖掘与大数据分析。E-mail:

姚博睿（1995— ）,男,海南琼海人,硕士生,研究方向为时空数据挖掘与大数据分析。E-mail:

收稿日期: 2020-07-13

  要求修回日期: 2020-10-20

  网络出版日期: 2021-06-25

基金资助

国家重点研发计划项目(2017YFB0503604)

国家自然科学基金项目(41471326)

国家自然科学基金项目(41525004)

版权

版权所有，未经授权，不得转载、摘编本刊文章，不得使用本刊的版式设计。
收起

Sequential Evolution Analysis of International Relations Network in Special Events

  • YAO Borui ,
  • QIN Kun , * ,
  • LUO Ping ,
  • ZHU Zhaoyuan ,
  • QI Lin
Expand
  • School of Remote Sensing and Information Engineering, Wuhan University, Wuhan 430079, China
*QIN Kun, E-mail:

Received date: 2020-07-13

  Request revised date: 2020-10-20

  Online published: 2021-06-25

Supported by

National Key Research and Development Program(2017YFB0503604)

National Natural Science Foundation of China(41471326)

National Natural Science Foundation of China(41525004)

Copyright

Copyright reserved © 2021
Fold

摘要

21世纪以来的国际关系错综复杂、瞬息万变,给世界的经济、政治、安全、外交等带来了深刻影响。及时掌握国际关系的变化对中国外交政策制定、整体发展规划有着极为重要的意义。随着大数据时代的来临,应用大数据方法结合国际关系定量分析的工具对国际关系变化模式进行及时、有效地挖掘成为了一个重要的议题。强时效性、高信息量的新闻事件大数据蕴含能及时地反映出国际事件影响全球国际关系的信息。网络化挖掘作为一种面向大数据的信息挖掘方法,因其具象化的关系表达方式和丰富的结构分析方法组成为数据驱动的国际关系研究的重要方法。以短期国际事件为背景,对新闻事件大数据进行网络化挖掘,进行国际关系网络的时序演化分析,能够在短期国际事件造成国际关系变化的场景下,提供应对国际关系变化的解决方案参考。本文以中美贸易战为例研究特殊事件中国际关系网络的时序演化模式：基于GDELT新闻事件数据进行国际关系网络的构建,利用复杂网络方法进行信息挖掘并进行国际关系分析。首先利用该数据构建国际关系网络,然后用动态社区划分方法对其进行时序演化模式探测,最后结合点分布模式、核密度分析、空间自相关等空间分析方法对其进行空间特性分析。研究发现：① 在特殊事件发生过程中,网络社区的演化方式与发生的子事件类型具有很强的相关性;② 同一社区的节点在空间分布上一般呈现明显的聚集特征,特定区域节点加入不同社区频率高,节点网络属性值的空间高值分布随事件发生而改变;③ 网络局部特征值随子事件发生往往会发生较大变化。本文的研究为短期国际事件中的国际关系动态变化实证分析提供了一个新的视角,为国际关系研究的空间转向提供了一个新的思路,在方法层面对数据驱动的国际关系研究进行了补充,同时也为大数据的网络化挖掘提供了参考。

关键词： 特殊事件; 中美贸易战; 国际关系; GDELT; 复杂网络; 网络演化; 动态社区划分; 空间分析

本文引用格式

姚博睿 , 秦昆 , 罗萍 , 朱炤瑗 , 漆林 . 特殊事件中国际关系网络时序演化分析[J]. 地球信息科学学报, 2021 , 23(4) : 632 -645 . DOI: 10.12082/dqxxkx.2021.200366

Abstract

Since the beginning of the 21st century, the complex and fast-changing international relations have brought profound effects to the world economy, politics, security, and diplomacy. Keeping abreast of the changes in international relations is of great significance to China's foreign policy making and overall development planning. With the advent of the era of big data, the application of big data combined with quantitative analysis tools of international relations to timely and effectively mine the change patterns of international relations has become an important issue. Big data of news events with strong timeliness and high information content can timely reflect the information that international events affect global international relations. As an information mining method oriented to big data, network mining is a good choice for data-driven international relations research because of its figurative relational expression and rich structural analysis methods. Taking short-term international events as the background, the network mining of big data of news events and the sequential evolution analysis of international relations network can provide solutions to the changes of international relations in the context of changes of international relations caused by short-term international events. This paper takes the Trade War between China and the United States as an example to study the temporal evolution pattern of the international relations network in special events. Based on the GDELT news event data, the international relations network is constructed, and methods based on complex network theory are used for information mining and analysis of international relations. Firstly, the data are used to construct the international relationship network, then the temporal evolution patterns are detected by dynamic community partition method, and finally the spatial characteristics are analyzed by combining the spatial analysis methods such as analysis of point distribution patterns, nuclear density analysis, and spatial autocorrelation analysis. The results show that: (1) In the process of the occurrence of special events, there is a strong correlation between the evolution of the network community and the type of sub-events; and (2) Nodes in the same community generally show obvious clustering characteristics in spatial distribution. Nodes in a specific region join different communities with high frequency. The spatial distribution of the high values of node network attribute changes with the occurrence of events. The local eigenvalues of the network change dramatically with the occurrence of sub-events. The research in this paper provides a new perspective for the empirical analysis of the dynamic changes of international relations in short-term international events, provides a new idea for the spatial shift of international relations research, complements the data-driven international relations research at the methodological level, and also provides a reference for the network mining of big data.

Key words： special events; China-US trade war; international relations; GDELT; complex networks; network evolution; dynamic community division; spatial analysis

1 引言

自21世纪以来,世界格局发生了巨大的变化[1],在现有的世界权力格局下,多个国家共同充当着至关重要的角色,对于新形势下的国际关系的研究,相关的理论和方法也在不断更新。随着大数据时代的来临,从海量数据中提取出对解读国际关系有帮助的信息成为了一种新的可能,主张定量分析的国际关系研究的行为主义学派[2]又重新被提及。
网络分析方法被广泛应用于解读国际关系。早在20世纪70年代初,基于贸易的网络关系、政府间组织的成员关系就曾被国际关系网络研究的先驱们构建为国际体系中的新式结构[3],但是很少用网络理论对其进行深入的分析和验证[4]。20世纪90年代,研究者们开始整合网络分析工具和国际关系核心议题[4]。在用网络分析方法来研究国际关系的语境中,国家、地区、跨国机构等被抽象为节点,而他们之间的关系被抽象为连边。Emily[4]总结了网络分析国际关系的2种方式,即社群图与社会矩阵,并深入探讨了网络节点重要性与国家权力之间的联系。随着越来越多的学者开始利用网络分析方法探讨国际关系,网络分析方法也被越来越多地应用于国际关系重要议题的研究,如基于结构同型的方法采用IGO（Inter-Government Organization,政府间国际组织）成员网络、贸易网络和战略同盟网络研究国家间冲突问题[5];Kim[6]提出了国家的结构网络权力（Structural Network Power）这一概念以描述国家权力。一个重要的趋势是,网络分析与国际关系研究的结合更加深入,一些经典的网络深层理论也和国际关系研究契合得更加完善,如Michael等[7]将结构洞理论应用到国际关系中的经典命题中,解读了人权、民族国家、跨国政府组织和国家体制之间的关系,刘乐[8]应用社会网络研究伊斯兰国战略动员,实现网络工具与国际关系经典议题恐怖主义研究的深层结合。近年来,用网络方法来研究国际关系的框架趋于成熟,在国际经济贸易领域,有很多学者利用货物贸易和进出口数据构建网络,通过分析网络整体统计特征和节点统计特性的方法研究网络演变趋势、研究国家经济地位[9,10];在国际政治领域,学者们通过用政治相关事件构建网络进行分析,并对于网络分析的结果进行规范分析和一定程度的实证分析[11,12,13]。
但不可否认,用网络方法进行国际关系的分析还存在着一些问题,可以归纳为3个方面：① 对网络分析结果的解读大部分还是规范分析和定性分析的结果,实证分析和定量分析所占比例较少,存有过于强调主观规范框架的缺陷;② 大多数研究是以数年或数十年为周期分析网络的长时变化特征,针对短期或某个事件发展过程中的国际关系研究较少,不能很好地描述短期内国际关系的变化模式;③ 大多数研究人员只是应用网络统计特征或整体结构特征进行分析,很少应用网络社团划分尤其是动态社团划分的方法研究国际关系,无法在国家/地区形成有机合作共同体时很好地描述国际关系。
本文以短期内发生的重大国际事件为主题构建国际关系网络,以中美贸易战为例,对特殊事件中国际关系网络的时序变化进行研究,发掘特殊事件发生时期内国际关系网络统计特征、整体结构特征及社区结构的动态变化的规律,能够为国际事件发现、国际关系分析提供参考。

2 研究思路与技术路线

选取中美贸易战作为特殊事件来进行研究,就是研究中美双方经济博弈的过程。这个过程体现了2个国家战略意志的对抗。客观来看,经济手段是美国获取地缘政治权力的工具,而国家对于权力的追求是竞争性的[14],本文基于大国竞争的零和逻辑对中美贸易战中的国际关系网络进行分析。以各国为获取有限的权力资源而进行竞争与合作这一动因作为前提,本文主要围绕以下3点思路来进行国际关系网络的构建与分析：
（1）在实质为权力竞争的经济竞争中,安全策略从反恐战争转向管理大国关系,但同时在与多国的贸易往来中存在巨额逆差的美国势必要对具有经济优势的国家进行经济手段的制裁和对抗。这样的经济制裁直接影响到了美国及其经济对手的关系,而美国的经济对手也包括其盟友,分析美国所处积极关系社区的节点变化能够捕捉美国及其经济对手的关系变化;
（2）在中美2个全球最大的经济体的博弈中,发展中国家希望看到美国对中国崛起的态度,而发达国家试图从中捕捉信号[14],各国/各地区的关系也随中美贸易战的进行而改变。观测中美贸易战发展过程中其他国家/地区节点的迁移并进行分析能够感知这些国家/地区的态度和总体政治动向;
（3）中国的“一带一路”倡议体现了中国在提升国内经济水平和谋求国家安全方面,正积极地运用逐步增长的国家权力[14],而这在国家权力竞争中不容忽视,因此要讨论中美贸易战对国际关系的影响,就应该将“一带一路”纳入分析框架。分析处于“一带一路”中的国家/地区节点的节点性质、迁移情况和连边数值等指标的变化能够评估中美贸易战对国际关系的影响。
本文的技术路线如图1所示。
图1 国际关系网络构建与分析技术路线

Fig. 1 Technology roadmap of construction and analysis of international relations network

本文通过构建2种尺度、3种类型的国际关系网络进行分析。① 基于EVENT 2.0事件数据构建小时尺度的国际关系网络,进行国际关系网络生长过程中特征变化分析;② 选取中美贸易战这一特殊事件发展前期的新闻事件数据,基于EVENT 1.0事件数据构建等间隔长时间尺度国际关系网络,进行国际关系网络结构特性分析;基于EVENT 1.0事件数据构建非等间隔长时间尺度国际关系网络,进行国际关系网络局部指标突变发现;综合2种类型的长时间尺度国际关系网络分析结果,进行中美贸易战中国际关系变化的地缘政治分析。

3 数据与网络构建

3.1 实验数据介绍

全球事件语言语调数据库GDELT(Global Database of Event Language and Tone)是美国乔治城大学教授 Kalev Leetaru于2013年创建并发布的一个实时监测全球新闻媒体的新闻并进行分析、编码、储存和发布的一个的新闻数据库[15],由Google Jigsaw提供支持,其中包含1979年至今的全球新闻媒体报导的新闻事件信息,免费提供多种数据集的CSV文件下载。GDELT数据的准确性一直是被讨论的话题,有一些文章已经对目前存在的事件数据库进行了分析和对比[16,17],由于数据获取、机器处理和编码算法的局限,GDELT等事件数据库在可靠性方面还存在一些不足,不过对于重大事件的捕获都是成功的,而GDELT对空间位置的编码和数据的可用性优于其他数据库,因此本文基于GDELT数据构建的国际关系网络能够较为客观地呈现短期国际关系变化的特性。
本文主要采用其提供的事件库(Event Database)数据作为实验数据进行分析。事件库分为2个版本,即GDELT 1.0 Event Database和GDELT 2.0 Event Database。GDELT 1.0 Event Database每天更新一次,提取新闻事件中2个主要参与者、参与者国家/地区编码、参与者类型、事件平均语调[18]等信息,经过CAMEO编码形成58个字段的属性表,其中每一条记录代表一个新闻事件。GDELT 2.0 Event Database每15 min更新一次,采用类似于GDELT 1.0 Event Database的方式对事件进行编码,但是其属性表比前者多了3个字段。一方面,本文将分析一天内国际关系网络的小时间尺度的演化规律以总结国际关系网络的基本特性;另一方面,本文会针对中美贸易战这一特殊事件进行事件发展过程中国际关系网络的长时间尺度时间演化规律来探索特殊事件对国际关系网络演化的影响,因此本文将利用事件库2个版本的数据进行分析。
本文选取数据的Actor1_CountryCode、Actor2_CountryCode、AvgTone共3个字段值进行网络构建。其中,Actor1_CountryCode代表事件参与者1的国家/地区编码,Actor2_CountryCode代表事件参与者2的国家/地区编码,AvgTone代表新闻媒体报道该事件的平均语调值,其数值在-100~100之间。

3.2 国际关系网络构建

本文基于GDELT事件库进行多种尺度国际关系网络的构建,定义一个无向有权图G(V, E, W),其中网络中的所有节点定义为一个周期内参与一个或一个以上事件的国家/地区集合v∈V,连边e∈E为一个网络构建周期内共同参与一个或一个以上的 2个国家/地区之间的关系,连边权值w∈W为2个国家/地区之间关系的积极或消极程度。网络的构建方法如下：
在一个网络构建周期T内,将出现的2个国家/地区节点发生的所有事件的平均语调值AvgTone进行累加,若累加结果为正值,则将相应节点和边添加到积极国际关系网络中,边的权值为累加结果值;若累加结果为负值,则将相应节点和边添加到消极国际关系网络,边的权值为累加结果值的绝对值。
$w=\left\{\begin{array}{ll}\sum \text { AvgTone } & \sum \text { AvgTone } \geqslant 0 \\-\sum \text { AvgTone } & \sum \text { AvgTone }<0\end{array}\right.$
根据上述的网络构建方法,在一个网络构建周期T内会产生2个网络,即一个积极国际关系网络和一个消极国际关系网络,本文将结合这两种网络对国际关系进行分析。
本文首先构建了小时尺度国际关系网络,对国际关系网络的基本演化特征和生长特性进行研究,验证其复杂网络特性,并探究对其进行时序演化分析的可行性;中美贸易战发展的过程中,事件的影响需要通过一段时间的数据累积才能在国际关系网络中体现出来,因此本文构建了长时间尺度的国际关系网络,对其在中美贸易战发展过程中的时序演化进行分析。
3.2.1 小时尺度国际关系网络构建
小时尺度国际关系网络以1 h为时间间隔尺度来构建网络构建小时尺度国际关系网络的示意图如图2所示。
图2 小时尺度国际关系网络构建示意图

Fig. 2 Schematic diagram of hour-scale international relations network construction

在小时尺度国际关系网络构建部分,本文采用GDELT事件库2.0数据来进行构建,构建周期为 1 d。从全天的事件信息中提取每个事件的参与者国家/地区代码及平均语调值（AvgTone）进行网络构建,得到一天之中各个时段的累时图,并按照一定的时间间隔提取出各个时段的网络快照（Snapshot）形成一个网络序列 G ti ∈( G t 1 , G t 2 , G t 3 , …),其中 G ti 为从一天的0:00开始直至某个时间点时所形成的网络,在这个部分本文采取1 h为时间间隔进行网络快照的提取,因而对于1 d的事件信息,可以形成24个消极国际关系网络和24个积极国际关系网络。
3.2.2 长时间尺度国际关系网络构建
长时间尺度国际关系网络包括等间隔长时间尺度国际关系网络和非等间隔长时间尺度国际关系网络。前者用于进行动态社团的探测,因为动态社团的探测算法要求2个网络快照之间间隔相等,因此本文将所选时期按天数平均划分为6个阶段,以56 d为时间间隔尺度来进行网络构建;后者用于探测在事件发展各阶段网络局部指标的变化,因此以事件发生各个阶段为时间间隔尺度来进行网络构建。
本文选取中美贸易战中的一段发展时期的GDELT事件库1.0数据进行长时间尺度国家关系网络的构建,该时期为2018年6月10日—2019年5月11日,涵盖中美双方从正式开始贸易战对局到谈判破裂的6个阶段[19],涵盖了中美之间贸易冲突最剧烈的时期。6个阶段划分如表1所示。
表1 中美贸易战事件发展阶段表

Tab. 1 Event development stage of China-US trade war

阶段编号 时段 说明
发展阶段1 2018年6月10日—
2018年6月16日		 前期发展到正式开战阶段
发展阶段2 2018年6月16日—
2018年6月20日		 正式开战到拉拢盟友阶段
发展阶段3 2018年6月20日—
2018年8月2日		 拉拢盟友到态势升级阶段
发展阶段4 2018年8月2日—
2018年9月18日		 态势升级到进一步发展阶段
发展阶段5 2018年9月18日—
2019年1月9日		 进一步发展到寻求磋商阶段
发展阶段6 2019年1月9日—
2019年5月11日		 寻求磋商到谈判无果阶段
一方面,本文要分析各事件发展阶段网络局部特性的变化规律;另一方面,本文需要在事件发展的过程中建立等步长的动态社区以进行国际关系网络的结构演化分析,因此本文采取以下2种方式构建不同的网络来进行后续分析：
（1）按事件发生阶段进行网络构建
构建长时间尺度全时期分事件发展各阶段构建国际关系网络的示意图如图3所示。
图3 长时间尺度全时期分事件发展阶段国际网络构建示意

Fig. 3 Schematic diagram of long-time-scale international network construction at different stages of event development in the whole period

每个新闻事件的影响往往都会持续一段时间,因此本文将每一阶段的分隔时间点延后2~4 d进行网络的构建。每一阶段单独建立一个积极国际关系网络和一个消极国际关系网络。对每一阶段的所有事件信息中提取每个事件的参与者国家/地区代码及平均语调值AvgTone按照式（1）进行网络构建,得到6个单一阶段的国际关系网络终图集合 G Stage =( G Stage 1 , G Stage 2 , …, G Stage 6 ),为消除各个阶段周期长度不同的影响,对每个网络的边权值除以该网络所属阶段的天数,即对于所有w∈W,进行 w = w / dayCount 处理。相邻阶段的国际关系网络之间互不影响,由此能够对在单一阶段内各个国家/地区的相互之间的关系进行定量分析。
（2）在事件发生时期等间隔进行网络构建
构建长时间尺度全时期等间隔国际关系网络的示意图如图4所示。
图4 长时间尺度全时期等间隔国际关系网络构建示意

Fig. 4 Schematic diagram of long-time-scale, whole period time-interval international relations network construction

从事件信息中提取每个事件的参与者国家/地区代码及平均语调值（AvgTone）进行网络构建,得到研究对象时期内各个时段的累时图。按照等间隔提取出各个时段的网络快照形成一个网络序列 G ti ∈( G t 1 , G t 2 , G t 3 , …),其中 G ti 为从2018年6月10日开始直至某个时间点时所形成的网络。本文采取56 d为时间间隔,因而可以形成6个消极国际关系网络和6个积极国际关系网络。等间隔划分的阶段如表2所示。
表2 全时期等间隔阶段划分

Tab. 2 Division of equal-interval stages in the whole period

阶段编号 时段
阶段1 2018年6月10日—2018年8月5日
阶段2 2018年8月5日—2018年9月30日
阶段3 2018年9月30日—2018年11月25日
阶段4 2018年11月25日—2019年1月20日
阶段5 2019年1月20日—2019年3月17日
阶段6 2019年3月17日—2019年5月12日

4 实验与分析

4.1 国际关系网络全局演化分析

4.1.1 国际关系网络统计特征变化分析
（1）小时尺度国际关系网络统计特征变化分析
本文选取2018年6月16日、2018年6月20日、2018年8月2日、2018年9月18日、2019年1月9日、2019年5月9日的全天GDELT 2.0 Event事件数据分别进行小时尺度网络构建,分别选取了每天24 h对应的积极关系网络与消极关系网络的网络快照,对其网络统计特性进行了分析。
首先对这6 d的积极关系网络与消极关系网络的网络快照进行点边关系的统计分析。绘制24 h的点边数量关系散点图,并采用指数函数进行拟合。指数函数的表达式为：
y = a n + b
拟合结果如图5所示。
图5 国际关系网络点边比例变化散点拟合曲线

Fig. 5 Scatterplot and fitting curve of the change of point-edge ratio in the international relationship network

通过对一天中各分时图对应的点边数量关系散点图采用指数函数进行拟合,拟合结果较优,可以说明一天中国际关系网络的点边数量关系的变化符合指数分布。即随着网络中节点的增加,边增加的速度逐渐增大,呈指数增长,网络愈趋稠密,验证了网络演变的稠化定律（Densification laws）。
对选取日期每一天的积极关系网络与消极关系网络进行网络的平均聚类系数的计算与统计,将结果绘制成散点图。结果散点图如图6所示。
图6 国际关系网络平均聚类系数变化散点图

Fig. 6 Scatter diagram of average clustering coefficient change of international relationship network

积极关系网络生长过程中平均聚类系数随时间推移呈上升趋势,可以说明,随着一天中事件的不断增多,积极关系网络增长,积极关系网络中节点的抱团现象会趋于明显;消极国际关系网络的平均聚类系数不遵循一个稳定的规律,会出现下降趋势或明显的低谷。随着消极国际关系网络的增长,网络的平均聚类系数并不会呈明显的增长趋势,在消极国际关系网络演化过程中的不会有明显的聚团趋势。
4.1.2 国际关系网络结构特性变化分析
在这个部分,本文采取在事件发生时期构建的等间隔长时间尺度累时网络的6个网络快照进行具体分析。首先对于这6个网络进行动态社团的探测,对社团探测的结果进一步进行其社团特征的研究及规律分析。
因为在消极国际关系网络中,网络连边代表的是国家/地区之间的消极关系,因而形成的聚团中节点不具有趋同性,在解释社团内部的节点关系的倾向上没有任何意义,因此在这一部分只选取积极国际关系网络进行分析。
4.1.3 国际关系网络的动态社团划分
动态社团划分的示意图如图7所示。
图7 动态社区划分示意

注：图中不同颜色节点表示属于不同社团。

Fig. 7 Schematic diagram of dynamic communities division

图中相同颜色的节点表示这些节点属于同一社区。在这个部分,本文主要分析动态社区,相对于在单个网络内存在的静态组模块,动态社区跨越一个以上的时态网络建立[20]。因此在6个网络快照之间,存在5个动态社区的划分状态。本文建立动态社区的方法主要是先基于模块度最大化策略采用Louvain方法对6个网络快照分别进行静态组模块划分,社团的模块度[21]定义为：
Q = 1 2 m × ∑ A ij - k i × k j 2 m δ C i , C j
式中：m代表网络中的连边数; k v 为节点的度;A为网络的邻接矩阵表示; δ 为两节点是否在同一社区的数值表示。因此,本文认为模块度越大,则处在同一社区的节点联系更紧密,在积极国际关系网络中关系越好。
对于划分好静态组模块的6个网络快照,以t1时刻的网络快照划分的组为初始社区,采用Jaccard系数将后续时刻的网络快照划分的组模块与初始社区进行匹配。Jaccard系数[22]定义如下：
J A , B = A ⋂ B A + B - A ⋂ B
即前后2个社区节点分别构成一个集合,集合中样本相似性越大,则Jaccard系数越高。
若比较2个时刻的网络快照中相应的2个社区的Jaccard系数值在可接受的范围内,则可确定2个社区相关联,在本文中将2个相关联的社区视为同一社区在不同时刻的变化,在此基础上进行后续分析。
4.1.4 动态社团的演化规律分析
为描述各个动态社区在事件发展整个时期的变化,本文引入网络突增指数γ进行说明。网络突增指数γ定义如下：
γ = ∆ V V + ∆ E E
式中：V代表前序网络中节点数;△V代表后继网络相对前序网络节点减少或增加的数目;E代表前序网络中连边数;△E代表后继网络相对前序网络中减少或增加的连边数。因此,γ值越大,则网络中节点和边的变化程度越大,反之则变化程度越小。本文将5个时态的网络快照分别按社区提取出11个子网络,每个网络中只存在单个社区的节点和连边,每个子网络对应5个时刻的状态,相邻2个状态之间能够计算出一个γ值。因此,对每个子网络能够计算出4个γ值来描述其在整个发展时期的变化,即该子网络对应的社区在整个发展时期的变化。
经过计算,得到所有社区全时态对应的γ值如表3所示。
表3 全时态全社区γ值计算结果值

Tab. 3 Results of γ value calculation in all communities in all phases

间隔1 间隔2 间隔3 间隔4
社团1子网络 0.6416 0.4374 0.0622 0.0198
社团2子网络 0.1714 0.1384 0.1885 0.5657
社团3子网络 1.6857 2 0 0
社团4子网络 1.9090 1 0 0
社团5子网络 1.9709 0.2014 0.0633 0.0429
社团6子网络 0.2717 0.0769 0.5648 0.2079
社团7子网络 0.3838 0.2428 0.0833 3.2735
社团8子网络 2 0 0 0
社团9子网络 inf 0.3891 1.5833 0.0202
社团10子网络 inf 0 0 0
社团11子网络 0 inf 0.1732 0.215

注：表中值为inf代表前序网络中该社团节点或边数为0,后续网络中该社区节点数或边数不为0,即在网络演变中产生了新社区。

经过梳理及联系实际国际新闻事件分析,现列出各时间间隔中社区变化分析如下：
在间隔1中,社区3、4发生较大变化：社区3、4中节点大比例消失,同时加入了社区1,此时社区1的主要节点为中国、德国、阿联酋、波兰,同时包含大量非洲国家;网络中新产生了社区9：俄罗斯、法国、古巴、日本、巴西、墨西哥等节点形成了社区9;网络中新产生了社区10：刚果、安哥拉等非洲国家形成了社区10;社区5发生较大变化：社区5的主要节点为美国、亚美尼亚,同时包含巴哈马、圣卢西亚等加勒比海区域的国家,地区节点有中国台湾,间隔1后社区5中4个中亚国家节点迁移到了社区1中,同时社区5增加了大量南美国家/地区节点。在这段时间里,中国向美国部分农产品增加关税,多数中国企业从巴西进口大豆;美国对墨西哥部分农产品增加关税;美国对古巴多家公司进行制裁;美国对土耳其钢铝产品施加关税,特朗普公开宣称与土耳其关系不好。
在间隔2中,社区3和社区4消失了;网络中新产生了社区11,社区11中的节点有吉尔吉斯斯坦、塔吉克斯坦等中亚国家、保加利亚、白俄罗斯、匈牙利等中欧国家,土耳其等西亚国家。在这段时间里,土耳其总统宣布抵制美国电子产品;中亚多个国家领导人出席欧亚经济联盟会议;匈牙利总理宣布计划将人民币作为中匈贸易结算的货币。
在间隔3中,社区9的变化较大：该社区中主要节点为俄罗斯、日本、巴西、古巴、越南等,并且节点稳定存在,在间隔3前后失去了南苏丹这一节点。则可以认为引起社区9网络突增指数较大变化的是社区内连边的数量变化,而这些变化很可能与脱离的节点有关。
在间隔4中,各社区平稳变化,没有检测到较大的突增指数。
可以看出,各个社区中节点随着事件发展的变化,会对一些子事件的发生较为敏感。在整个事件发展的过程中,一些重大的国际交流和合作会在网络中体现为某些社团的生成。在中美贸易战开始的前几个阶段,被美国施加压力的国家/地区很可能会在初期寻求与美国等量级经济体的合作作为对抗,如在间隔1后土耳其、白俄、意大利、乌克兰等节点加入社区1,而社区1最重要的节点正是中国。随着贸易战的进行,各国家/地区寻求更多的帮助和合作,而在经济上能够进行互补或地缘亲近的国家/地区会增加交流和合作以应对贸易冲击,从而形成新的社区,如间隔2后产生的中亚国家为主的社区11。
结合地缘政治分析框架解读社区变化,可以得到如下结论：① 在美国的国家意志逻辑与利益格局中,可为了自身的利益损害盟友的利益,在贸易摩擦中压制盟友,在与中国的贸易战中美国会抛弃盟友的经济利益凭借同盟的主导权利用盟友牵制中国,形成了美国的同盟悖论[23],而这样的结果是,多个美国的盟友对其经贸制裁进行了反抗,影响到了与美国的盟友关系[24]。在积极国际关系网络动态社团间隔1的变化中,美国的盟友日本、墨西哥、法国、德国等都脱离了美国所在的社团;② 在特朗普政府“美国优先”的战略下,美国表现出了突出的对外贸易的单边主义和贸易保护主义[14]。在美国逆全球化的态度下,一些表现出地缘经济亲近的国家和地区开始寻求建立经济合作：动态社团间隔2的变化中中亚、中欧多个国家形成了11号社团,并且欧亚经济联盟会议在此时召开;而南美洲和加勒比海沿岸的国家、地区则在5号社团中形成了稳定的聚团;③ 在动态社团变化的间隔1中,许多处于“一带一路”中的国家地区节点向1号社团转移,在中美贸易战中和1号社团的主要节点中国保持着积极关系。在美国采取内倾化、本土化的对外策略的同时,选择与经济结构互补、贸易地位相对平等的中国进行合作成为了其他国家和地区的选择。
为进一步分析社区中节点的特性,本文引入特征向量中心性（Eigenvector centrality）对网络中节点进行中心度指标描述。节点的特征向量中心性[25]定义如下：
x v = 1 λ ∑ a v , t x t
式中： x v 表示节点重要性度量值;1/λ代表矩阵特征值; a v , t x t 代表其邻居节点中心度构成的向量与边权矩阵相乘运算的结果值。一般认为,在网络中一个节点及其伙伴节点中心程度越高,节点的特征向量中心性会越大。
结合表4与本文对动态社区变化的分析可以看出,特征向量中心度较高的节点所在社区的稳定性较高,如中国、阿联酋所在社区1,越南、日本、巴西所在社区9,并且在事件发展的后期,哈萨克斯坦、白俄罗斯所在社区11也趋于稳定。在事件发展的前期,不稳定的节点趋向于与中心性较高的节点所在社区如社区1建立联系。
表4 全阶段节点特征向量中心度前16国家/地区

Tab. 4 The top 16 countries/regions of eigenvector centrality of nodes in all stages

国家/地区节点 阶段1 阶段2 阶段3 阶段4 阶段5 阶段6
中国 1 1 1 1 1 1
加纳 0.8415 0.8597 0.9203 0.9378 0.9718 0.9627
越南 0.8142 0.8760 0.8854 0.8994 0.9058 0.8989
日本 0.7853 0.8575 0.8974 0.9039 0.9366 0.9235
阿联酋 0.7120 0.7717 0.8309 0.9141 0.9711 0.9517
韩国 0.6882 0.7436 0.7872 0.8350 0.8797 0.8826
新西兰 0.6643 0.6469 0.7302 0.7592 0.7788 0.7684
印尼 0.6572 0.7585 0.8177 0.8546 0.8870 0.8872
白俄罗斯 0.6175 0.6822 0.7025 0.7381 0.7782 0.7631
加拿大 0.6056 0.5953 0.5904 0.5876 0.6135 0.6081
牙买加 0.6038 0.6198 0.6708 0.7055 0.7246 0.7347
阿塞拜疆 0.5984 0.6883 0.7702 0.7823 0.8181 0.8070
新加坡 0.5921 0.7068 0.7547 0.7863 0.8305 0.8229
巴西 0.5908 0.6728 0.6794 0.6832 0.7048 0.7149
哈萨克斯坦 0.5903 0.6272 0.6358 0.6678 0.7150 0.7485
根据上面的分析可知,在特殊事件中相关的国际关系的变化能够以一定形式,如网络社区的产生、分裂、消亡、融合,社区中节点的增加、消失在国际关系网络中一定程度地表现出来。
4.1.5 国际关系网络社团演化中节点的空间特性
将包含网络结构特性信息的节点从进行过动态社团划分后的5个网络中提取出来创建点矢量要素,在QGIS中进行其空间特性分析。本文将国家/地区的位置抽象简化为对应国家/地区的矢量面要素的质心,再将上一步创建的点要素覆盖到相应的位置。
将所有的点要素分5个时间状态,11个社区,根据所属社区进行分类设色,得到结果如图8所示。
图8 各时间状态积极国际关系网络全社团节点空间分布

注：图中不同颜色节点表示属于不同社团。该图基于自然资源部标准地图服务网站下载的审图号为GS(2016)2948号的标准地图制作,底图无修改。

Fig. 8 Spatial distribution of nodes in all communities in the network of positive international relations in various time states

可以看出,多个社团的内部节点在直观上呈明显的空间聚集性。本文对每一社区中的节点在每一时间状态的空间分布用点分布模式的R指数[26]进行描述。R指数定义如下：
R = r ¯ × 2 n / A
式中：A代表面积总量; r ¯ 代表点要素之间的平均距离;n代表点要素数目。若R>1,则可认为点要素在空间中分布呈聚集模式;若R=1则为均匀分布模式;若R<1则为随机分布模式。经过计算,得到每一社区中的点要素在每一时间状态对应的R指数（表5）。
表5 全阶段全社区点要素R指数计算结果

Tab. 5 Calculation results of R index of points in all communities and all stages

社区1 社区2 社区3 社区4 社区5 社区6 社区7 社区8 社区9 社区10 社区11
时态1 3.7370 5.8760 1.8876 2.8142 2.2665 2.6595 1.2114 2.4467 - - -
时态2 4.1556 5.8209 0.1930 1.2757 2.9691 2.8950 1.3085 - 2.7277 0.1247 -
时态3 4.0709 5.9191 - - 2.8248 2.5899 1.2699 - 2.8441 0.1247 1.1964
时态4 3.7409 5.8768 - - 3.0089 2.3417 1.2699 - 3.3367 0.1247 1.1924
时态5 3.7147 5.7252 - - 2.9971 2.2898 1.7649 - 3.3367 0.1247 1.2112
由表5可以看出,社区1、2、5、6、7、8、9、11中节点有着高度的空间聚集性。结合图8可看出,社区1中节点主要在非洲国家/地区中成凝聚分布,社区5中节点在加勒比海周边的国家/地区成凝聚分布,社区11中节点在欧洲、亚洲交界处的西亚、中亚、中欧国家/地区中成聚集效应。节点的空间聚集效应和4.1.4节中第9自然段的结论②——地缘亲近的国家和地区在中美贸易战的过程中谋求经济合作相符合。
随着时间的推移,社区6中的节点在空间中趋于分散,而最后形成社区11中节点的国家/地区及欧洲、亚洲交界区域的国家/地区在贸易战发展的过程中会加入不同的社区,而这个区域正是传统的不稳定区域和2003年以来冲突最多的中东地区靠近的区域,在国际关系网络中这一点得到了体现。
为了解各阶段较节点中心程度的空间分布特性,对各阶段产生的网络节点的特征向量中心度在空间上作一个核密度指数分析。
采取特征向量中心度作为权重进行核密度分析,得到6个阶段的热度图（图9）。因6个热度图结果高度相似,此处选取第6阶段的特征向量中心度热度图进行说明。
图9 等间隔第6阶段特征向量中心度核密度分析

注：图中颜色越趋近于红色,代表节点特征向量中心度高值聚集程度越高。该图基于自然资源部标准地图服务网站下载的审图号为GS(2016)2948号的标准地图制作,底图无修改。

Fig. 9 Results of centroid kernel density analysis of eigenvector centrality in the sixth stage at equal intervals

由图9可以看出,高特征向量中心度值节点密集分布于欧洲、中东、非洲西部和东南部、加勒比海临近地区,表明网络中节点在空间中有特征向量中心度高值聚集分布的特性,在国际关系网络中重要节点也具有一定的空间聚集特征。为验证这一点,对于6个阶段的节点采取其特征向量中心度作为特征值进行全局Moran's I指数[27]统计,得到结果如表6所示。
表6 特征向量中心度空间相关分析

Tab. 6 Spatial correlation analysis of eigenvector centrality

阶段1 阶段2 阶段3 阶段4 阶段5 阶段6
Z值 1.7021 0.7948 0.3981 0.7459 0.8178 0.9160
P值 0.0887 0.4267 0.6905 0.4557 0.4134 0.3596
Moran's I指数 0.0393 0.0156 0.0052 0.0144 0.0162 0.0188
可以看出,Moran's I指数始终大于0,因此特征向量中心度的分布呈空间正相关。在第1阶段其Z值较大,则节点的特征向量中心度分布与空间的相关性极大,第2、第3阶段Z值降低,空间相关性降低达到低谷,而第4阶段后Z值回升并逐渐趋近1,这与4.1.4节中第8自然段分析结果契合,即随着特殊事件的发展,节点的特征向量中心性分布在空间上趋向靠近特征向量中心性较高的节点。

4.2 国际关系网络局部演化分析

在贸易战发展的过程中,在大事件框架下的相关子事件会造成网络测度的局部变化,其中较为明显的一点是节点中边权重数值的急剧变化。本文在这个部分采用长时间尺度国际关系网络中的按事件发生阶段构建的6个单一阶段的网络进行突增权重的特殊边分析。
4.2.1 积极关系连边及权重突增现象分析
对中美贸易战几个主要阶段的积极国家/地区分时网络可视化结果观察可以发现,中国与意大利2个节点在积极国际关系网络中在第1阶段不存在连边,第2阶段开始出现连边,第6阶段连边权重出现突增现象。中国与意大利在积极国际关系网络中连边权重变化的折线图如图10所示。
图10 CHN-ITA连边权重变化

Fig. 10 CHN-ITA line graph of edge weights changing

由图10可看出,连边权重的突增以及节点间积极程度的提升时间集中在2019年1月1日—2019年5月11日这一阶段。联系实际情况,中国与意大利在这一阶段的民间/官方合作主要是2019年3月中国国家主席习近平访问意大利,中国和意大利两国共同签署了中意政府间关于共同推进“一带一路”建设的谅解备忘录[28]。在2019年2月、4月意方对华为在意建设5 G网络持积极态度[29]。在中美贸易战背景下,中意的各方合作显示出了双方进行经济合作来应对贸易战的积极态度。意大利与中国的关系能够反映出中美贸易战这一背景下“一带一路”中国家/地区节点的性质和这些国家/地区的政治倾向。从上面的分析可知,在中美贸易战这一事件框架下,本文构建的积极国际关系网络的特征演化对事件发展具有一定的敏感性。
4.2.2 消极关系连边权重突增现象分析
对中美贸易战几个主要阶段的消极国际关系分时网络可视化结果观察可以发现,中国与加拿大2个节点在消极国际关系网络中的连边在第5和第6阶段权重出现突增现象。中国与加拿大在消极国际关系网络中连边权重变化的折线图如图11所示。
图11 CHN-CAN连边权重变化

Fig. 11 CHN-CAN line graph of edge weights changing

由图11可看出,连边权重的突增以及节点间消极程度的提升时间集中在2个阶段：2018年9月20日—2019年1月1日、2019年1月1日—2019年5月11日。这一阶段孟晚舟在加拿大被捕,事件持续发酵[30]。国际舆论一般认为此事与贸易战中美国主要针对的中国企业华为公司有关。在中美贸易战这一事件框架下,本文构建的消极国际关系网络的特征演化较好地反映出了事件发展过程中的一些变化。

5 结论与展望

本文基于GDELT进行中美贸易战时期国际关系网络的构建,利用复杂网络分析方法对其进行挖掘。通过对国际关系网络进行统计特征和结构特性的分析,阐明其国际关系网络生长的基本规律,并进一步对国际关系网络时序演化规律进行了分析,主要分析结果包括以下3个方面：
（1）基于GDELT的事件库数据完成小时尺度国际关系网络的构建,通过对网络统计特性进行分析,发现国际关系网络的生长符合稠化定律,并且随着时间的推移,积极国际关系网络的平均聚类系数呈上升趋势,消极国际关系网络平均聚类系数不具明显的上升趋势。
（2）基于GDELT的事件数据库完成中美贸易战时期长时间尺度累时网络的构建,并对其网络快照进行动态社区划分,通过对动态社区演化指标的计算和背景分析,发现社区演化方式与子事件类型具有关联性;通过对各社区中节点进行空间特性分析,发现同社区的节点普遍具有空间聚集性,且节点的特征向量中心度的高值分布随事件发展变化而改变;频繁变换社区的节点在空间上集中分布。
（3）基于GDELT的事件数据库完成长时间分阶段独立网络的构建,并对不同事件发生阶段中网络的连边进行了时序变化分析,发现国际关系网络中某些连边随着子事件发生而出现权值突增现象。
本文的分析结果表明,将短期国际事件作为研究实例,基于GDELT事件数据进行国际关系网络构建,综合应用动态社区发现算法、动态社区演化探测算法、网络指标突增发现方法、社区节点性质变化感知方法对国际关系网络进行分析,能够对短期特殊国际事件发展过程中各国家/地区的结盟、对抗、互补、竞争的行为进行发现和全局感知,评估在特殊事件发展过程中国际关系的变化;同时,应用点分布模式、空间自相关等空间分析方法对国家/地区节点的空间特性变化进行分析,能够从地缘视角解释特殊事件中国际关系变化的原因。
本文提供的方法能在网络分析方面为地缘政治研究框架进行补充,并能作为短期国际特殊事件中的国际关系管理与国家整体规划的辅助决策支持。
进一步的研究包括：① 结合多种数据构建国际关系网络以提高分析成果的可靠性：引入各国家/地区的进出口贸易、人口、医疗、农业、交通等主题的数据构建网络弥补单一数据源构建网络的不足,结合经济学模型和地缘政治格局动力机制模型等分析工具从更多维度评估国际关系网络分析结果;② 进一步细化事件发生分析尺度：在空间上,相对于全球国际关系网络提出分析区域性国际关系网络的方法;在事件层面,将特殊国际事件进行剖分研究子事件影响国际关系的机制;在时间上,细化时间粒度进行国际关系网络动态变化的分析。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
王缉思. 当代世界政治发展趋势与中国的全球角色[J]. 北京大学学报(哲学社会科学版), 2009,46(1):11-14.

[ Wang (J /Q)S. The contemporary trend of world politics and the globe role of China[J]. Journal of Peking University (Philosophy and Social Sciences), 2009,46(1):11-14. ]

[2]
Jackson R, Sørensen G, Møller J. Introduction to international relations: theories and approaches[M]. Oxford University Press, USA, 2019.

[3]
Scott J. Social network analysis[J]. Sociology, 1988,22(1):109-127.

DOI

[4]
Hafner-Burton E M, Kahler M, Montgomery A H. Network analysis for international relations[J]. International Organization, 2009,63(3):559-592.

DOI

[5]
Maoz Z, Kuperman R D, Terris L, et al. Structural equivalence and international conflict: A social networks analysis[J]. Journal of Conflict Resolution, 2006,50(5):664-689.

DOI

[6]
Kim H M. Comparing measures of national power[J]. International Political Science Review, 2010,31(4):405-427.

[7]
Stohl M, Stohl C. Human rights, nation states, and NGOs: Structural holes and the emergence of global regimes[J]. Communication Monographs, 2005,72(4):442-467.

[8]
刘乐. 社会网络与“伊斯兰国”的战略动员[J]. 外交评论:外交学院学报, 2016(2):82-109.

[ Liu L. Social Network and strategic Mobilization of The Islamic State[J]. Foreign Affairs Review[J]. Journal of China Foreign Affairs University, 2016(2):82-109.]

[9]
史超亚, 高湘昀, 孙晓奇, 等. 复杂网络视角下的国际铝土矿贸易演化特征研究[J]. 中国矿业, 2018,27(1):57-62.

[ Shi C Y, Gao X Y, Sun X Q, et al. Study on the evolution characteristics of international bauxite trade from the perspective of complex network[J]. China Mining Magazine, 2018,27(1):57-62. ]

[10]
刘志高, 王涛, 陈伟. 中国崛起与世界贸易网络演化:1980—2018年[J]. 地理科学进展, 2019,38(10):1596-1606.

[ Liu Z G, Wang T, Chen W. The rise of China and change of the global trade network during 1980-2018[J]. Progress in Geography, 2019,38(10):1596-1606. ]

[11]
沈石, 袁丽华, 叶思菁, 等. 近40年中美地缘政治关系波动及背景解析[J]. 地理科学, 2019,39(7):1063-1071.

[ Shen S, Yuan L H, Ye S J, et al. The fluctuation and background analysis of geopolitical relations between China and the United States during the last 40 years[J]. Scientia Geographica Sinica, 2019,39(7):1063-1071. ]

[12]
陈小强, 袁丽华, 沈石, 等. 中国及其周边国家间地缘关系解析[J]. 地理学报, 2019,74(8):1534-1547.

[ Chen X Q, Yuan L H, Shen S, et al. Analysis of the geo-relationships between China and its neighboring countries[J]. Acta Geographica Sinica, 2019,74(8):1534-1547. ]

[13]
秦昆, 罗萍, 姚博睿. GDELT数据网络化挖掘与国际关系分析[J]. 地球信息科学学报, 2019,21(1):14-24.

[ Qin K, Luo P, Yao B R. Networked mining of GDELT and international relations analysis[J]. Journal of Geo-information Science, 2019,21(1):14-24. ]

[14]
张琪. 地缘经济视角下中美贸易战的动因分析[D]. 南京:南京大学, 2019.

[ Zhang Q. Analysis of the cause of Sino-US Trade War from the perspective of geoeconomics[D]. Nanjing: Nanjing University, 2019.

[15]
Leetaru K, Schrodt P A. Gdelt: Global data on events, location, and tone, 1979-2012[C]// ISA annual convention. Citeseer, 2013,2(4):1-49.

[16]
Ward M D, Beger A, Cutler J, et al. Comparing GDELT and ICEWS event data[J]. Analysis, 2013,21(1):267-97.

[17]
Kwak H, An J. Two tales of the world: Comparison of widely used world news datasets GDELT and EventRegistry[C]// Proceedings of the International AAAI Conference on Web and Social Media. 2016,10(1):619-622.

[18]
Leetaru K, Schrodt P A. Gdelt: Global data on events, location, and tone, 1979-2012[C]// ISA annual convention. Citeseer, 2013,2(4):1-49.

[19]
360金融APP研究中心. 不见硝烟的“世界大战”—贸易战完整时间轴[EB/OL]. https://www.sohu.com/a/321776027_718262.

[ 360 financial APP research center. The “world war” without smoke-a trade war full timeline [EB/OL]. https://www.sohu.com/a/321776027_718262. ]

[20]
Berger-Wolf T, Tantipathananandh C, Kempe D. Dynamic community identification[M] //Link Mining: Models, Algorithms, and Applications. Springer, New York, NY, 2010:307-336.

[21]
Newman M E J. Modularity and community structure in networks[J]. Proceedings of the national academy of sciences, 2006,103(23):8577-8582.

[22]
Jaccard P. The distribution of the flora in the alpine zone.[J]. New phytologist, 1912,11(2):37-50.

[23]
廉德瑰. 中美贸易战与日美贸易摩擦及同盟悖论[J]. 亚太安全与海洋研究, 2020(1):14-26,2.

[ Lian D G. On Sino-US trade war and the conflict of Japan-US trade and the dilemma of Japan-US alliance[J]. Asia-pacific Security and Oceanography Research, 2020(1):14-26,2. ]

[24]
包善良. 中美贸易争端的演进过程,动因及发展趋势[J]. 国际关系研究, 2018(4):56-76, 154-155.

[ Bao S L. Evolution process, motivation and development trend of Sino-US trade disputes[J]. Journal of International Relations, 2018(4):56-76, 154-155. ]

[25]
Bonacich P. Factoring and weighting approaches to status scores and clique identification[J]. The Journal of Mathematical Sociology, 1972,2(1):113-120.

[26]
张超, 杨秉赓. 计量地理学基础(第二版)[M]. 北京: 高等教育出版社I, 1991.

[ Zhang C, Yang B G. Foundation of quantitative geography (2nd edition)[M]. Beijing: Higher Education Press I, 1991. ]

[27]
Goodchild M F. Spatial autocorrelation[M]. Norwich: Geo Books, 1986.

[28]
新华网. 综合消息:一次掀开两国关系新篇章的重要访问-意大利各界高度评价习近平主席国事访问成果[EB/OL]. http://www.xinhuanet.com/2019-03/25/c_112427592, 20 19-03-25.

[ Xinhuanet. Comprehensive news: an important visit chapters the relations between the two countries - Italy from all walks of life highly of Xi Jinping, chairman of the state visit results [EB/OL]. http://www.xinhuanet.com/2019-03/25/c_112427592, 20 19-03-25. ]

[29]
新华网. 习近平会见意大利总理孔特[EB/OL]. http://www.xinhuanet.com/politics/2019-04/27/c_1124425202.htm,2019-04-27.

[ Xinhua. Xi Jinping met with Italian prime minister Conte, [EB/OL]. http://www.xinhuanet.com/politics/2019-04/27/c_1124425202.htm, 2019-04-27.]

[30]
百度百科. 孟晚舟事件[EB/OL]. https://baike.baidu.com/item/孟晚舟事件/23192657#1,2020-01-07.

[ Baidu encyclopedia. Meng wanzhou event[EB/OL]. https://baike.baidu.com/item/孟晚舟事件/23192657#1,2020-01-07. ]

Options
文章导航

/

〈 〉