EN中文

Journal of Geo-information Science >

2018 , Vol. 20 >Issue 5: 593 - 601

DOI: https://doi.org/10.12082/dqxxkx.2018.180066

Analysis on the Trade Networks of the Belt and Road Countries and Regions under Large Scale Shipping Data

  • SUN Tao , * ,
  • WU Lin ,
  • WANG Fei ,
  • WANG Qi ,
  • CHEN Zhao ,
  • XU Yongjun
Expand
  • Special Technology Research Center, Institute of Computing Technology, Chinese Academy of Sciences, Beijing 100190, China

Online published: 2018-05-20

Supported by

Key Project of the Chinese Academy of Sciences,No.ZDRW-ZS-2016-6.

Copyright

《地球信息科学学报》编辑部 所有
Fold

Abstract

Among the 65 countries along the Belt and Road, 46 countries have registered ports of entry. At the same time, the trade by maritime shipping account for more than 75% of the total international trade. In order to fully understand the shipping trade in the countries and regions along the Belt and Road and assess the trade relations between countries and regions along the Belt and Road, we selected data which depicts the shipping history movements of the countries along the Belt and Road in the year of 2016 for study in this paper. Firstly, based on the method of rule determination, we excavated the Stop-port events of ships. By use of the ports in the countries of the Belt and Road as the main nodes, and the inter-port cargo transactions events as the edges, we have built the Belt and Road international shipping trade network. Based on this, the following network structure analyses of trade networks were conducted: (1) basic attributes analysis of the Belt and Road trade network, including network connectivity, degree distribution and average shortest path; (2) calculation of network node centrality, mainly using Eigenvector Centrality to evaluate the centrality of nodes in the trade network; (3) Using the concept of community mining in social network mining as the reference, and using the Fast Unfolding algorithm to discover the community of trading network. It can be seen that the trade between the countries and regions along the Belt and Road is intricately interwoven. By analyzing the degree distribution of nodes in the trade network, it can be clearly seen that there are small-world networks within the Belt and Road trade network. Further, Turkey, Russia and China are the three most influential counties in terms of the ports influence. By analyzing the results of the community detection, five major trade communities were identified. The distribution of these communities is basically in line with the geographical distribution. However, there are still some countries that are affected by special trade practices and their communities have broken regional restrictions. By building the trading network under large scale ship data, we evaluated the node's influence and analyzed the structure of the trade network more clearly on the basis of network analysis, and we hope this paper can help to better implement the Belt and Road Initiative strategy.

Key words： the Belt and Road; trade network; network analysis; node centrality; community discovery

Cite this article

SUN Tao , WU Lin , WANG Fei , WANG Qi , CHEN Zhao , XU Yongjun . Analysis on the Trade Networks of the Belt and Road Countries and Regions under Large Scale Shipping Data[J]. Journal of Geo-information Science, 2018 , 20(5) : 593 -601 . DOI: 10.12082/dqxxkx.2018.180066

1 引言

2015年3月国家发展和改革委员会、外交部、商务部联合发布的《推动共建丝绸之路经济带和21世纪海上丝绸之路的远景与行动》,正式在国家层面上推动“一带一路”重大国家战略政策的发展。共建“一带一路”致力于亚、欧、非大陆及附近海洋的互联互通,建立和加强沿线各国互联互通伙伴关系,构建全方位、多层次、复合型的互联互通网络,实现沿线各国多元、自主、平衡、可持续的发展。
“一带一路”沿线65个国家中,在册登记拥有港口的国家有46个,包含725个港口[1]。航运作为主要的货运方式,其拥有着运输成本低、可靠性高等优势,承担着“一带一路”沿线国家之间主要的贸易运输方式。“一带一路”国家和地区拥有丰富的港口资源,如图1所示,这些港口分布广泛,在东南亚、印度洋沿岸、环地中海沿岸聚集十分明显。
据不完全统计,全球每天产生的船舶位置数据在千万至亿的量级,船舶目标在十万量级,可以覆盖全球绝大数船只,尤其是集装箱船、油轮等大型运输船只。在船舶定位跟踪方面,目前的手段呈现多样化和普及化的发展趋势。中国自主研制的北斗卫星通信系统,可覆盖亚太地区的绝大多数船只,并且具有定位精度高的优势;在民用领域,国内外众多公司在架设船舶自动识别系统信号接收机,用来接收船舶位置消息[2]。在这些数据的背后,蕴含着丰富的贸易往来信息。挖掘数据背后的贸易事件,可以有助于更加清晰地认识“一带一路”国家和区域间贸易往来关系。
随着“一带一路”战略的稳步推进,“一带一路”沿线国家和地区之间的贸易网络日趋频繁,也出现了有关“一带一路”沿线贸易关系的大量研究[3,4,5]。与传统的利用政府部门进出口信息分析贸易网络比较来说,利用航运数据进行贸易网络分析有如下优势：① 及时性高：目前在主要的港口附近都架设有基站,实时接收船舶信号,相对于官方按季度发布进出口贸易数据,基于航运数据分析贸易网络拥有很高的及时性;② 细粒度高：航运数据在地理上可细化到港口,并拥有完整且相对准确的经纬度坐标;在目标上可细化到船舶,并且大部分船舶有其相对完整的公开资料;贸易网络中的每一条边都可回溯至原始的航运数据;③ 数据公开透明：目前,国际和国内有多家公司运营民用航运数据服务系统,提供数据检索、查询、展示等相关服务[6,7,8]。
为了更好地探究“一带一路”沿线国家和地区之间海上贸易往来的关系,本文利用采集到的船舶历史运动信息,包括船舶的位置信息和船舶名称、编号、类型等属性信息。结合“一带一路”沿线港口信息,利用规则匹配的方法,计算港口之间贸易往来事件,并以港口作为节点,以贸易往来作为港口连接,绘制“一带一路”沿线贸易网络。最后,试图结合复杂网络分析方法,尤其是对比小世界网络[9],对贸易网络的特征属性进行深入分析。本文旨在通过航运数据,利用事件挖掘、规则匹配、网络分析等手段,在庞大的数据中,提取船舶停港事件有效信息,构建“一带一路”国家间海上贸易网络关系图,并在此基础上,分析贸易网络结构,计算网络基本属性、重点评估网络节点中心度,最后进行贸易网络社区挖掘。更加直观清晰地展示“一带一路”国家间海上贸易关系,为国家更好地施行“一带一路”重点战略提供技术支持。
Fig. 1 Distribution of ports of the Belt and Road countries and regions

图1 “一带一路”国家和区域港口分布

2 研究方法

2.1 数据处理及贸易网络搭建流程

（1）原始数据处理
原始航运数据由大量的时空数据点构成,这些数据反映着船舶的历史行动轨迹。每个数据点由以下基本字段构成：目标唯一标识、时间信息、空间信息,以及其他辅助信息。每个历史点用记号 p 标识,即 p = ( id , time , longitude , latitude ) 。将一个目标的历史位置点按时间排列便构成了该目标的历史行动轨迹,即 p 1 , p 2 , ⋯ , p n 。图2清晰地记录着某船舶历史行动轨迹,并可推测该船只途经的港口以及停港情况。
Fig. 2 A schematic diagram of a ship's trajectory

图2 船舶轨迹示意图

原始的船舶历史运动数据,由于数据采集、传输过程的特性,不可避免地造成了原始数据存在着数据重复量大、残缺程度高、目标编号错用等问题,这就给基于轨迹的历史行为分析带来了很大的困难。但是这些问题已经有了丰富的研究成果以及解决方案,在轨迹预处理方面,可以使用航迹关联方法[10]解决目标编号错用的问题;使用噪声过滤方法对轨迹进行预处理[11]可以解决数据重复,残缺程度高的问题。
此外,世界港口资源组织每年会定期公布全球公开港口信息,力图在当前港口、码头、航线众多的情形下,提供最全面有效的港口信息。全球公开港口信息会包含港口基本空间属性,所属区域和国家,并为其指定唯一编号[1]。
（2）停港事件计算
结合船舶历史行为数据以及港口信息数据,判断船舶的停泊行为,并利用船舶的停泊行为,计算停泊点与港口间的位置关系。
（3）贸易网络搭建
通过计算停港事件,可以得到如下信息：目标 x 在 tim e 1 时刻停泊于 por t 1 ,在 tim e 2 时刻停泊于 por t 2 等。在此基础上,结合船舶属性信息,仅抽取货运相关船舶的停港事件,以航运贸易的起点港口作为起点,以终止港口为终点,贸易往来次数为边的权重建立贸易网络,即 G = { V , E } ,其中 V = { “ 一带一路 ” 沿线所有港口 } ;E={港口间贸易网络关系}。
进而建立国家与国家间,区域与区域间贸易往来网络。基于航运数据的贸易网络搭建流程如 图3所示。
Fig. 3 Trade network building process based on shipping data

图3 基于航运数据的贸易网络搭建流程

2.2 贸易网络分析

构建贸易网络是研究“一带一路”国家和地区间贸易关系的第一步,构建完整的贸易网络之后,需要对贸易网络的结构和特性进行分析,才能更好地了解贸易关系,本文从以下5个方面进行分析。
（1）连通性。连通性是一个网络的基本属性。在本文所研究的海上贸易网络连通则说明任意一个节点都可以直接或者间接的与其他节点发生贸易往来;网络不连通时,那些孤立的节点就是本文所关心的重点目标。本文通过构造可达矩阵判断网络连通性[12]。
（2）度分布。节点度衡量节点与其他节点之间联系的强弱关系。在贸易网络之中,由于地理位置分布不均匀,贸易结构不平衡,国家间贸易差异大等原因,贸易网络也有很大的可能性呈现小世界网络特性[13]。
（3）网络直径。网络直径是一个网络中相距最远的节点之间的距离。在贸易网络中,意味着从一个节点出发,最远经过多少节点可以到达任意节点[14]。研究贸易网络的网络直径,对研究贸易网络也有很重要的意义。
（4）节点中心度。节点中心度是一种从全局角度定性分析节点影响力的评价指标[15,16],其计算复杂度较低,适用于大型网络研究[17]。“一带一路”沿线国家和区域共包含725个港口,这些港口功能职能不一,所能承担的货运量也不同,港口在贸易网络中的地位也不同。出入度可以作为衡量网络节点重要性的一种衡量标准,在以港口为节点,贸易往来为连接的贸易往来中,出度更表现了一个国家或区域对外贸易的积极作用,而入度则表示一个国家或区域对外的依赖程度。本文为了更好地探究节点在整个网络中的作用,而不是从节点本身的固有属性来看,使用特征向量中心性作为港口重要性的分析标准,特征向量中心度在一定程度上衡量了节点对整个网络的贡献程度。在特征向量中心度的度量可以使用邻接矩阵进行计算[18]。
（5）网络社区挖掘。社区挖掘是复杂网络结构研究中非常重要的一种方法[19]。区挖掘就是要探测并揭出这些不同类型复杂网络中固有的社区结构,它可被用来帮助人们理解复杂网络的功能、发现复杂网络中隐藏的规律和预测复杂网络的行为[20]。在同一社区中,网络节点关系密切,在其特征和属性上也往往表现出相似性。社区间节点的连接相对较弱。本文试图在构建的贸易网络之上,对港口进行社区挖掘,在社区内部贸易往来往往呈现很强的依赖性,或者社区内部的贸易会呈现一定的相似性。社区间港口起着沟通不同社区的作用,并且在地理位置或者贸易网络结构上会有一定特殊性。本文采用Vincent等[21,22]提出的fast unfolding算法。

3 案例分析

3.1 数据源及数据处理

原始数据包含16年1月1日至16年11月1日,共17 884 552 007个原始轨迹点。经校验、去重等预处理后,得到17 392 471 193个有效点。通过和信息库中船舶类型比对,筛选3大类主要的货运船只：散货船、集装箱船、油轮,共计26 503艘,其中,散货船占比43%,集装箱船占比20%,油轮占比37%。在此基础上,结合港口信息数据,进行贸易行为挖掘,得到26 866条贸易往来数据。以港口为主要节点、贸易往来关系为连接关系,构建贸易网络,共包含452个节点,13 934条边,62.34%的节点连通（图4）。有大量港口孤立的原因是：本文所提取的有效信息只包含大型货运船只,而登记在策的港口有大量非货运港口。
Fig. 4 The Belt and Road trade network

图4 “一带一路”贸易网络

3.2 贸易网络分析结果

由图4可以直观地看到,“一带一路”沿线海上贸易来往十分频繁,并且在东亚、东南亚、西亚、环地中海沿线十分聚集。为了更进一步探究网络的结构,统计节点度分布并绘制分布图,如图5所示,港口间关系网络中节点度分布满足幂律分布,这是典型的小世界网络度分布特性。
所有连通的节点构成的网络中,网络直径2.5163,即平均两个港口之间通过2.5个港口即可互联。说明“一带一路”沿线国家在国家层面上的贸易往来是十分密切的。
Fig. 5 Node degree distribution of the Belt and Road trade network

图5 “一带一路”贸易网络节点度分布

在对贸易网络的基本属性进行分析后,本文计算了网络中节点中心度,中心度排名前10的港口如表1所示。
中心度排名第一的港口为宁波-舟山港（此处将宁波港、镇海港、舟山港合并处理）。宁波-舟山港是一个集内河港、河口港和海港于一体的多功能、综合性的现代化深水大港。已与世界上100多个国家和地区的600多个港口通航。2013年,宁波舟山组合港全年货物吞吐量达到8.09亿t,超越上海港,位居世界第一。2014年度宁波舟山港实现货物总吞吐量8.73亿t,牢牢占据货物总吞吐量世界第一大港的宝座。
中心度排名第二的港口为吉宝港（KEPPEL）是马六甲海峡最重要的港口之一,位于新加坡的最南端凭借优越的地理位置。它扼守东西海路要道,拥有大量炼锡工厂、炼油工厂、造船厂,港口的现代化改造也迅速完成。吉宝港成为世界领先的集装箱集散地,并催生了金融、大宗商品交易、精密加工等新经济部门。
中心度排名第三的裕廊港 (Jurong Port) 是新加坡港区之一。1965年启用,1971年扩建。该港口位于新加坡岛西部、裕廊工业区南岸,是亚洲最大的散装货运港。目前,裕廊港每年有超过7 000艘的载重达150 000 t的船舶进出,并拥有23个码头可供吃水线达16 m的船舶停泊。配备有超巴拿马港岸起重机和龙门起重机来吊装集装箱货物。
Tab. 1 Top 10 centrality port

表1 贸易网络中心度排名前10的港口

序号 港口名称 所属国家 中心度
1 NINGBO-ZHOUSHAN 中国 1.000000
2 KEPPEL 新加坡 0.699081
3 JURONG ISLAND 新加坡 0.655534
4 PULAU BUKOM 新加坡 0.555983
5 RIZHAO 中国 0.525089
6 TANJUNG PELEPAS 马来西亚 0.513386
7 HUANGPU 中国 0.505709
8 PORT KLANG 马来西亚 0.497864
9 TIANJIN XIN GAGN 中国 0.497709
10 TAICANG 中国 0.497351
由以上3个案例可以看出,配合贸易网络,中心度可以很好的衡量一个港口的重要程度。进一步提取贸易网络中的主要干线（图6）,也可以看出,中国、新加坡、马来西亚等国处于网络的中心位置。
另外,本文统计了中心度排名前100的港口国家分布,其中土耳其、俄罗斯、中国位于前三名。
Fig. 6 "The Belt and Road" main trade route

图6 “一带一路”主贸易干线

在了解了贸易网络的节点特性后,为了更进一步了解网络的结构特性,本文对以港口为节点的贸易网络进行社区划分,一共得到18个社区。在这些社区中,形成了5大社区,最大的社区为环地中海与西亚各国构成的社区,共包含110个港口,这些港口所属的国家分别是：阿尔巴尼亚、保加利亚、塞浦路斯、埃及、格鲁吉亚、克罗地亚、以色列、黎巴嫩、黑山、罗马尼亚、俄罗斯、斯洛文尼亚、叙利亚、土耳其、乌克兰,其中土耳其拥有的港口最多,共包含42个港口。这5大社区共包含324个节点,占总节点的71.68%。可以看出,在网络结构方面,同样存在着分布极端不均衡的特性。此外,最小的4个社区分别只包含2个港口,它们是社区15包含港口PULAU SEBAROK（新加坡）、ZHEN HAI（中国）,社区16包含港口KORCULA（克罗地亚）、DUBROVNIK（克罗地亚）,社区17包含港口HUANGPU（中国）、BAKAPIT（马来西亚）,社区18包含港口NORTH AIN SUKHNA PORT（埃及）、KEPPEL（新加坡）。在图9中以不同的颜色标识不同社区,从中可以清楚的看到在“一带一路”贸易网络中5大社区的存在。
Fig. 7 The top 100 port countries of the trade community network center

图7 贸易社区网络中心度排名前100的港口国家分布

Fig. 8 The distribution of the trade network community with the port as the node

图8 以港口为节点的贸易网络社区分布

Fig. 9 The division of the trade network community with the port as the node

图9 以港口为节点的贸易网络社区划分

进一步,本文在以港口为节点的贸易网络中,利用港口所属国家的信息,以国家作为网络节点,构建贸易网络,并对以国家为节点的网络进行社区挖掘,结果如图10所示,不同社区以不同颜色区分。
从图10中可以看到,在社区划分上,“一带一路”沿线的国家间贸易网络有着明显的地域特性。主要形成了以中国、新加坡、马来西亚为核心的东亚贸易社区,以俄罗斯、波兰、立陶宛为核心的东欧贸易社区,以埃及、也门、约旦3国形成的阿拉伯半岛贸易社区,以印度、印尼、泰国为核心的南亚贸易社区,以罗马尼亚、乌克兰、克罗地亚、黑山等国形成的环地中海贸易社区。这些国家的贸易社区划分和地理区域划分基本相同,但也存在着例外,如中国、新加坡、沙特阿拉伯在同一社区,造成这一划分的主要原因是中国同西亚主要石油输出国的贸易往来密切,全球有1/4左右的原油运输途径马六甲海峡,大部分由波斯湾供给东亚各国[23],促使沙特等国同新加坡联系频繁。
Fig. 10 The division of the trade network community with the state as the node

图10 以国家为节点的贸易网络社区划分

Fig. 11 The number of nodes of the trade network community under different disturbances

图11 不同扰动下贸易网络社区包含节点数量对比

为了进一步探究社区挖掘算法在本文构建的贸易网络上的鲁棒性,本文针对以港口为节点的贸易网络,增加随机扰动,观察社区挖掘结果的稳定程度。具体扰动方式如下：随机删除贸易网络中节点与节点之间连接,删除连接比例依次为1%、2%、5%、10%、20%、50%。社区挖掘结果中社区数理以及社区大小如图11所示。可见,在20%的扰动内,社区挖掘算法的结果浮动很小,但例外是在10%的扰动下,结果变化很大,造成这一现象的原因是在删除节点连接的过程中,删除的连接过于集中,造成了网络结构有较大的变化。在文本构建的贸易网络上,通过在不同扰动下社区挖掘的结果对比,社区挖掘算法具有一定的鲁棒性。

4 结论

本文利用2016年全年“一带一路”沿线,百亿量级的航运数据,利用事件挖掘、规则匹配等手段,构建以港口为节点、以港口间货运往来为连接的“一带一路”贸易网络,并通过网络分析等手段,在庞大的数据中,提取关键有效信息,分析贸易网络结构,主要结论如下：
（1）本文使用大规模航运数据构建贸易网络,可有效地去除冗余数据,本文从17 392 471 193个历史点中挖掘出26 866条货运往来记录,为后续网络分析提供有效信息。
（2）本文对“一带一路”沿线国家和地区间的贸易网络结构进行分析。贸易网络呈典型的小世界网络特性,其中少数港口有着十分巨大的贸易往来;本文发现网络节点中心度是衡量节点重要性十分有效的一个指标,本文计算的中心度能和现实世界的数据十分切合;在社区挖掘方面,本文从港口以及国家2个角度进行社区划分,在以国家为节点的贸易网络中,社区划分有着明显的地域特性,但少数脱离区域限制的贸易社区却体现着独特的贸易结构。
（3）社区挖掘算法在贸易网络的社区挖掘中具有一定的鲁棒性。
本文所提出的分析流程,还有进一步改进的空间,可以通过改进算法,实现对贸易网络更加精细的分析。例如在停港事件的判别上,可以结合更多船舶、港口属性信息,精确到货物、船舶吨位等更具体的信息。

The authors have declared that no competing interests exist.

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
World Port Source. World Port Index[EB/OL]. , 2017-12-31.

[2]
贺超峰,徐铁,胡勤友,等.应用北斗卫星导航系统的船舶AIS数据采集[J].上海海事大学学报, 2013,34(1):5-9. 为克服自动识别系统（AutomaticIdentificationSystem，AIS）在船舶动态监控中存在盲区这一缺陷，研究如何通过北斗卫星导航系统转发AIS数据，以使得监控区域覆盖陆上AIS基站的盲区以及实现装载北斗卫星导航系统船舶周围指定船舶的监控．将本船AIS接收的周围船舶AIS信息添加优先权位后存入相应数据库中；采用数据选择、过滤、压缩等技术处理数据，通过北斗卫星导航系统将处理过的数据发送到岸上基站．通过北斗卫星导航系统转发AIS信息，能有效监控AIS盲区内没装北斗卫星导航系统的船舶，有效增大船舶动态监控的范围．

DOI

[ He C F, Xu T, Hu Q Y, et al. Ship AIS data acquisition using the Beidou satellite navigation system[J]. Journal of Shanghai Maritime University, 2013,34(1):5-9. ]

[3]
张雨佳,张晓平,龚则周.中国与“一带一路”沿线国家贸易依赖度分析[J].经济地理,2017,37(4):21-31.对“一带一路”沿线64个国家与中国之间的贸易依赖程度进行综合分析,并对中国的主要贸易伙伴国(印度、新加坡、马来西亚、俄罗斯和泰国)与中国之间的商品贸易影响因素进行探究.结论如下:中国与东亚、东南亚、中东各国的贸易依赖程度较强,与中东欧各国的依赖程度较弱;与土库曼斯坦的贸易依赖度增速最快,与克罗地亚、罗马尼亚的贸易依赖程度减弱速度较快.中国向五国出口的商品以劳动力密集型为主;从俄罗斯进口矿产品居多,从新、马、泰进口机电产品居多,从印度进口的最主要商品由矿产品转变为纺织品.定量模型的分析结果表明,地理距离、经济规模是影响中国与主要贸易伙伴国依赖程度的主要因素.

DOI

[ Zhang Y J, Zhang X P, Gong Z Z.Trade interdependency between China and countries along the one belt and road[J]. Economic Geography, 2017,37(4):21-31. ]

[4]
王姣娥,王涵,焦敬娟.“一带一路”与中国对外航空运输联系[J].地理科学进展,2015,34(5):554-562.基础设施互联互通是降低贸易成本、增强国际联系、构建"一带一路"的基本条件。建设国际航空网络与陆路运输通道、海上航运通道,共同组成"一带一路"交通基础设施互联互通的基础。基于2014年的OAG计划数据,本文重点分析了中国与"一带一路"沿线国家的国际航空运输联系空间格局,并运用枢纽度模型识别国际航空枢纽。研究表明:1中国与"一带一路"沿线国家的航空客运联系广度和强度均高于货运,其中国际客运联系集中在泰国、俄罗斯和新加坡等国,而国际货运联系则主要集中在俄罗斯;2中国对外航空网络格局总体上表现为"轴—辐"与"点—点"模式并存;3上海、北京和广州为中国面向"一带一路"沿线国家的国际航空客运枢纽机场,上海同时还是国际航空货运枢纽。

DOI

[ Wang J E, Wang H, Jiao J J.Spatial patterns and economic effects of China's trade with countries along the Belt and Road[J]. Progressin Geography, 2015,34(5):598-605. ]

[5]
邹嘉龄,刘春腊,尹国庆,等.中国与“一带一路”沿线国家贸易格局及其经济贡献[J].地理科学进展,2015,34(5):598-605.随着“一带一路”的逐步实现,使我国与“一带一路”沿线国家之间,形成紧密的贸易联系。文章针对“一带一路”计划的实施,为沿线各国所创造的经济贡献进行分析.并从整体和局部,分别对以中国为中心,以新丝绸之路为脉络的沿线各国,所构成的贸易格局进行探讨。另外,文章还对中俄两国,在“一带一路”背景下的双边经贸合作,进行了分析和讨论。

DOI

[ Zou J L, Liu C L, Yin G Q, et al.Spatial patterns and economic effects of China's trade with countries along the Belt and Road[J]. Progress in Geography, 2015,34(5):598-605. ]

[6]
船讯网[EB/OL]. .

[ Myships. [EB/OL] ,2017-12-31. ]

[7]
https://www.marinetraffic.com/en/ais/home/centerx:-12.0/centery:25.0/zoom:42017-12-31

[8]
宝船网.http://www.myships.com/myships/

[shipxy [EB/OL] ,2017-12-31.]

[9]
田炜,邓贵仕,武佩剑,等.世界航运网络复杂性分析[J].大连理工大学学报,2007,47(4):605-609.航运系统可以抽象为由港口和航线构成的网络,这个网络的结构与几 何性质对港口与航线的规划和管理具有重要的影响.在对复杂网络的形成、特性和代表性研究成果简要总结的基础上,对马士基航运集团下属的航运网络进行了实证 分析,研究了国际航运网络表现出的小世界与无标度特性,并对其具有的一些不符合典型复杂网络统计特性的现象进行了分析.可为今后政府和企业的航运线路、港 口建设规划及管理提供科学的研究手段和理论支持.

[ Tian W, Deng G S, Wu P J, et al.Complexity analysis of world shipping network[J]. Journal of Dalian University of Technology, 2007,47(4):605-609. ]

[10]
Handbook of multisensor data fusion: Theory and practice[M]. Boca Raton: CRC press, 2017.

[11]
Trajectory Data Mining: An Overview. ACM TIST 6(3): 29:1-29:41(2015).

[12]
刘晓利,秦奋涛.有向图的强连通性分析及判别算法[J].计算机应用与软件,2005,22(4):138-139.

[ Liu X L, Qin F T.Strong connectivity analysis and discriminant algorithm for digraph[J]. Computer Applications and Software, 2005,22(4):138-139. ]

[13]
Strogatz S H.Exploring complex networks[J]. Nature, 2001,410(6825):268.

[14]
Ulrik Brandes.A Faster Algorithm for Betweenness Centrality[J]. Journal of Mathematical Sociology, 2001,25(2):163-177.

[15]
韩忠明,陈炎,刘雯,等.社会网络节点影响力分析研究[J].软件学报,2017,28(1):84-104.

[ Han Z M, Chen Y, Liu W et al. Research on need influence analysis in social networks[J]. Journal of Software, 2017,28(1):84-104. ]

[16]
张应青,罗明,李星.复杂网络节点影响力测度及其最大化研究综述[J].现代情报,2017,37(1):160-164.

[ Zhang Y Q, Luo M, Li X.A review on the node influence and influence maximization of complex networks[J]. Journal of Modern Information, 2017,37(1):160-164. ]

[17]
李泽鹏,左杨,王宏宇.基于社交网络结构的节点影响力度量方法[J].电子学报,2016,44(12):2967-2974.

[ Li Z P, Zuo Y, Wang H Y.An influence measure of nodes based on structure of social networks[J]. Acta Electronica Sinsca, 2016,44(12):2967-2974. ]

[18]
Bonacich P.Some unique properties of eigenvector centrality[J]. Social Networks, 2007,29(4):555-564.

[19]
邓智龙,淦文燕.复杂网络中的社团结构发现方法[J].计算机科学,2012(s1):103-108.

[ Deng Z L, Gan W Y.Community structure detection in complex networks[J]. Computer Science, 2012(s1):103-108. ]

[20]
刘大有,金弟,何东晓,等.复杂网络社区挖掘综述[J].计算机研究与发展,2013,50(10):2140-2154.

[ Liu D Y, Jing D, He X D, et al.Community mining in complex networks[J]. Journal of Computer Research and Development, 2013,50(10):2140-2154. ]

[21]
Vincent D Blondel, Jean-Loup Guillaume, Renaud Lambiotte, et al.Fast unfolding of communities in large networks[J]. Journal of Statistical Mechanics: Theory and Experiment, 2008,10:1000

[22]
R Lambiotte, J C Delvenne M. Barahona laplacian dynamics and multiscale modular structure in Networks, 2009.

[23]
维基百科. 马六甲海峡[EB/OL]. .

[ Wikipedia, Malacca. [EB/OL]..2017-12-31. https://en.wikipedia.org/wiki/Strait_of_Malacca]

Options
Outlines

/

〈 〉