0 引言

“一带一路”倡议提出5年以来，沿线各国的科技交流和合作逐渐加强[1]，有效促进了沿线国家产业升级及经济均衡、协调发展[2]，增进了各国间的相互影响。因此，以沿线国家为节点、以各国间创新活动联系为连线，可以构成一个创新网络。该创新网络受国家政治和地理位置的影响较小，更多地表现为自组织性特征[3]。不同国家在创新网络中的相对位置不同，其创新影响力也不同。一般而言，影响力是指某个具有创新优势的国家通过有意或无意、显性或隐性信息传播，影响其它国家的创新决策和行为。而在创新网络中，中心度指标代表节点影响力大小[4]，可表示一国对其它国家创新行为或决策的影响程度[5]。

从现有研究看，大多数文献主要从合作角度研究国家创新影响力。霍宏伟等[6]从科研项目合作关系视角构建“一带一路”沿线国家创新网络，发现各国均未形成明显的影响力；王继民等[7]从论文合著关系视角构建了“一带一路”沿线国家间的创新网络，发现中国、波兰及俄罗斯位于创新网络核心位置，具有较强的影响力；张明倩和柯莉[8]研究发现，中国和印度在专利合作网络中具有较强的影响力；张明倩和邓敏敏[9]认为，中国专利创新影响力仅次于美国和日本。由此可见，上述学者主要从科研合作关系视角下某一项创新要素分析国家创新影响力，忽略了科技人员、研发资金及高新技术产品等要素，不能反映国家综合创新影响力水平。

鉴于此，另外一些学者从创新差异视角阐释了国家创新影响力形成原因及测算方法。例如，吴力群 [10]认为，各国创新差异性是国家创新影响力产生的重要原因之一。采用DEA方法测算各国创新效率，可以全面反映各国在创新能力方面的差异情况。基于此，Liu等[11]采用复杂网络方法将决策单元效率结果转化为网络形式，提出一个效率值排序的DEA改进模型。概括而言，该模型利用BCC-DEA模型径向测算原理，用模型中的权重系数λ表示非有效决策单元(Decision Making Units，简记DMU)对有效决策单元的认可关系，将各决策单元的效率差异转化为决策单元间的认可网络。受Liu等[11]研究思想的启发，本研究认为可依据网络中的彼此认可关系作为节点(决策单元)影响力，将影响力内涵进一步扩充为某个具有创新资源配置优势的国家通过有意或无意、显性或隐性信息传播，使其它国家对其予以认可，从而成为创新标杆国家，进而影响其它国家的创新决策和行为。由此，本研究应用该方法构建效率视角下的“一带一路”沿线国家创新网络，并基于认可关系对国家创新影响力及其作用进行深入探讨。鉴于该网络是一个有向加权网络，本研究采用特征向量中心度[12]表示节点影响力。这是因为，相比于节点中心度，它能够更好地解决网络中节点循环认可冲突和认可程度差异问题[13]。依此方法，本研究可以更加直观地揭示沿线国家间创新活动的联系与影响关系，以及各国创新要素流动、创新合作的倾向性，为各国创新均衡发展及政府决策提供参考。

本研究在构建研究方法的基础上，首先测算并分析“一带一路”沿线国家创新效率及其差异性；其次，根据各国创新效率差异产生的认可关系，运用复杂网络方法构建沿线国家创新网络，求解网络中节点特征向量中心度以表示各国创新影响力。同时，根据创新要素相对强度值及分类结果，解释各国创新影响力成因和类型。最后，测算各国创新投入要素冗余率和产出不足率，结合创新网络特征，揭示国家创新影响力的作用。

1 研究方法

“一带一路”沿线国家创新影响力测算方法分为两个步骤：第一步是构建创新效率测算BCC-DEA模型[14]；第二步根据BCC-DEA模型测算原理，构建沿线国家创新网络及影响力测度模型。

1.1 创新效率测度模型

假设参与共建“一带一路”的沿线国家(DMU)有n个，每个国家有m种创新投入要素xij(i=1,…,m)和d种创新产出要素yrj(r=1,…,d)，第k个国家创新效率θk的测算模型如下所示：

Minθk

(1)

式(1)中，λjk为权重系数，θk为创新效率。si-、sr+表示创新投入指标的松弛变量和产出指标的紧缩变量。

当时，表示第k个国家创新效率有效；当θk<1或时，表示第k个国家创新效率非有效是第k个国家创新投入指标的冗余量，是第k个国家创新产出指标的不足量。

1.2 创新网络与影响力测度模型

根据模型(1)的效率径向测度思想，第k个DMU在生产前沿面上的投影点为(λjkxij,yrk),θk等于DMUk的投入xik与λjkxij的比值[15]。由于生产前沿面是由有效决策单元构成的，因此λjk(λjk≠0)表示DMUk的投入要素或产出要素参照有效决策单元j的投入要素或产出要素所进行的缩放比例。杨锋等[16]认为，λjk代表DMUk对DMUj资源配置水平的认可程度。

鉴于此，Liu等将每个DMU视为一个节点(国家)，根据决策单元间的认可关系λjk(1≤k≤n，1≤j≤n)，运用复杂网络理论构建一个n×n节点的加权邻接矩阵。并且，为体现决策单元在不同创新要素配置水平下所形成的认可关系，借鉴Zhu[17]、Liu[18]对决策单元投入与产出要素的组合分类方法，设定w=(2m-1)(2d-1)个独立的DEA效率测算模型。第t种类型DEA模型下的测算模型如下：

(2)

与模型(1)相似，λt为第t种DEA模型下生产前沿面构造的权重向量。当时，表示第k个国家对第j个国家在创新方面不存在认可关系；当时，则表示第k个国家对第j个国家在创新方面存在认可关系，认可程度大小为

为消除数据指标规模因素的影响，对权重系数进行标准化。创新投入要素视角下的标准化系数为：

(3)

式(3)中,Ek为具有创新认可关系的节点集合。

同理，创新产出要素视角下的标准化系数为：

(4)

第k个节点对第j个节点的认可程度为：

(5)

将w种加和后得到国家间综合创新认可的邻接矩阵A，见式(6)。

(6)

式(6)中，A为加权邻接矩阵，矩阵对角线上的元素为0，矩阵中元素Ajk为节点k到节点j链路的权重。

用节点特征向量中心度表示各国创新影响力，测算方法如式(7)所示。

(7)

式(7)用矩阵形式表示为：

c×I=A×I

(8)

求解式(8)，得到矩阵A的特征根，构成对角矩阵c。那么，矩阵A最大特征根对应特征向量I的第j个分量Ij，即每个节点的特征向量中心度，表示节点j影响力的值，其取值范围在[0,1]之间[12]。

2 实证结果

根据研究模型，创新投入指标选取研发费用支出(单位：亿美元)和全职研发人员(单位：人)衡量国家科技创新资金、人才投入水平。

创新产出指标选取本国专利申请量(单位：项)、国际专利申请量(单位：项)、科技论文(单位：篇)、论文的H指数(单位：篇)和高技术产品出口(单位：百万美元)5项指标。其中，本国专利申请量是指本国居民向国家专利局申请的发明专利与实用新型专利数量，其值等于0.7×发明专利+0.3×实用新型专利，反映各国技术创新数量规模；国际专利申请量是指本国居民向美国、欧洲和日本等专利管理机构申请的国际层面上的PCT专利数量，反映各国技术创新质量[19]；科技论文是指本国居民在同行评议杂志上发表的科学论文数量，即被SCI、SSCI和A&HCI检索收录的论文，反映各国科学成果产出数量；论文H指数是指本国居民发表的科学论文至少得到H次引用的论文数量，反映各国科学研究质量；高技术产品出口是指本国高新技术产品出口额，反映各国高科技产品产出水平。

据《中国一带一路网》相关数据显示，截至2018年10月参与建设“一带一路”的合作国家已接近120个，考虑数据可获得性，选取75个国家作为研究样本，其中欧洲地区21个国家、东南亚和太平洋地区11个国家、中南亚地区8个国家、北非西亚地区15个国家、撒南非洲15个国家和拉美加地区5个国家。样本数据均来源于世界知识产权组织发布的2014-2018年《全球创新指数》报告和联合国发布的《世界统计手册》，并对研究期间各项数据指标求平均数，以保证研究结果的客观性。

2.1 “一带一路”沿线国家创新效率

运用软件DEAP 2.0计算得到2013-2017年“一带一路”沿线国家创新效率，结果如表1所示。由表1可知，“一带一路”沿线国家创新效率均值为0.733 46，说明沿线国家总体创新资源配置水平接近中等，但仍存在着较大的提升空间。从“一带一路”沿线上各经济发展区域看，东南亚和太平洋地区国家创新效率最高，达到0.876 11，其它地区创新效率从高至低依次为中南亚、欧洲、拉美加、北非西亚和撒南非洲，效率均值分别为0.808 11、0.792 97、0.737 97、0.706 27和0.531 41。再从沿线各国情况看，中国、韩国、俄罗斯、以色列、新加坡、伊朗、巴林、沙特阿拉伯、乌克兰、希腊、亚美尼亚、阿尔及利亚、波兰、匈牙利和奥地利等27个国家创新效率有效，占比达到36%。乌干达、摩洛哥、立陶宛和喀麦隆4国创新效率最低，效率值均低于0.2，其中喀麦隆创新效率仅为0.043 7。

可见，“一带一路”沿线各国和各地区创新效率存在显著差异，而这种差异会引起创新效率高的国家被其它国家认可，随之在创新资源配置方面产生重要影响力。

2.2 “一带一路”沿线国家创新影响力结果与类型

测算“一带一路”沿线国家创新影响力，可采用K-均值聚类法，根据创新要素相对强度值对各国创新影响力进行分类，以解释国家创新影响力形成的原因。

(1)“一带一路”沿线国家创新影响力。根据创新网络构建及影响力测度模型，需计算93个独立的DEA模型，从而得到“一带一路”沿线各国具有创新认可关系的权重邻接矩阵A。经过对公式(8)的计算，得到沿线各国的创新影响力，结果如表2所示。

由表2可知，中国创新影响力值为0.667 886，是排在第二位韩国创新影响力的1.6倍左右，分别是奥地利、新西兰、新加坡和以色列等全球创新强国(全球创新指数排名前25位)影响力的2.6、2.9、3.8和4.2倍，显示出中国在创新资源配置方面所具有的整体优势。虽然中国可能在专利质量、论文质量等方面弱于韩国和新加坡，但中国在其它创新资源配置方面则优于两国，如国内专利和研发经费，因而中国整体创新影响力最大。紧随其后的为韩国、巴林、奥地利、新西兰、特立尼达和多巴哥、新加坡、伊朗、以色列、沙特阿拉伯和科威特10个国家，这些国家创新影响力较大，得到较多国家的认可，影响力值在[0.1,0.5]之间。而越南、亚美尼亚、巴拿马、塔吉克斯坦、吉尔吉斯斯坦、希腊、乌克兰、波兰、克罗地亚、匈牙利、阿尔及利亚、马达加斯加、俄罗斯、多哥、肯尼亚和纳米比亚16个国家创新影响力均在0.1以下，其中俄罗斯、多哥、肯尼亚和纳米比亚创新影响力不足0.001，而纳米比亚创新影响力仅为0.000 037。

注：特征向量中心度等于0的国家按照效率值大小排名

为进一步分析不同经济发展水平下各国创新影响力水平，本研究利用SPSS 23软件，根据人均GDP与创新影响力两个维度指标绘制出沿线各国散点图，用迭代加权最小平方(Loess)方法，拟合出各国人均GDP与创新影响力间的关系曲线。该方法的优点在于拟合曲线附近的数据点权重高于极端数据权重，可以得到局部平滑曲线，结果如图1所示。

图1中的曲线将27个国家分为两部分，其中多哥、马达加斯加、乌克兰、吉尔吉斯斯坦和以色列5国处于拟合曲线之上，表明国家创新影响力水平与经济发展水平相匹配。中国、韩国、巴林、奥地利、新西兰、特立尼达和多巴哥、伊朗、亚美尼亚、塔吉克斯坦和越南10个国家位于图中曲线上方，说明其创新影响力水平优于同一经济发展水平的其它经济体。而在曲线下方的经济体则表现为创新影响力水平低于同一经济发展水平国家，包括肯尼亚、纳米比亚、俄罗斯、匈牙利、波兰、希腊、巴拿马、沙特阿拉伯、科威特和新加坡等12个国家。可见，大部分国家创新影响力与经济发展水平不协调。在同等经济发展水平条件下，影响力较低国家需要努力优化本国创新资源配置，以提升自身创新影响力。

(2)“一带一路”沿线国家创新影响力类型。创新要素优劣势在解释各国创新影响力强弱的同时，也为各国创新资源流动和合作提供了依据，其大小可用要素相对强度表示。某项要素相对强度值大，说明该国在该项创新要素配置方面处于优势，反之则说明该国在该项创新要素配置方面处于劣势。创新要素相对强度用决策单元各项创新要素综合认可程度的归一化系数表示[18]，其计算公式为：

(9)

式(9)中，为第j个国家第p项创新指标的相对强度值，为第j个国家第p项创新指标的综合认可程度。当p=i，i=1,…,m时，当p=m+r，r=1,…,d时，经计算，各国创新要素相对强度值结果见表3。

由表3可知，各国研发费用支出指标的平均相对强度值最高，达到0.276 05；其次，全职研发人员指标平均相对强度值较高，达到0.175 88，表明各国创新投入要素资源配置水平比创新产出更具优势。从创新产出要素看，各国在国内专利申请量、科技论文、论文H指数和高技术产品出口4项创新指标方面具有一定优势，尤其是在论文H指数指标方面优势较为明显，表明各国在科学创新质量方面表现较好。但各国国际专利申请指标相对强度值仅为0.081 43，说明各国技术创新质量仍处于较低水平。

注：其它国家创新要素强度值均为0，在此省略

运用统计分析软件SPSS 23中的K-均值聚类方法对表3数据结果进行分类。设定分类收敛条件为0，经29次迭代运算后得到6种创新影响力类型(见表4)，并经F检验后发现各项指标的P值均在0.01以下，说明分类结果十分显著。由表4可知，6种类型特征如下：

第一类为技术创新型，包括中国、科威特、吉尔吉斯斯坦、乌克兰4国。这一创新影响力类型国家在研发人才、研发费用使用和国内专利产出方面具有较大优势，创新要素平均相对强度值分别为0.128 0、0.168 2和0.503 8，表明这些国家能够将研发人才与资金投入到国内产业发展最需要的地方，在提高人才与资金利用率的同时会不断增加技术成果产出。

第二类为高新产品出口创新型，包括新加坡、越南、匈牙利3国。该类型国家在研发费用支出和高技术产品出口方面具有优势，其要素平均相对强度值分别为0.120 8和0.726 7，表明这些国家依靠人力成本或国际航运优势能够承接其它国家的高科技产业转移，进而提高国家高技术产品生产与出口效率。

注：创新要素相对强度大于0.10的为强指标

第三类为科技人才创新型，包括俄罗斯、巴林两国。该类型国家在研发人员使用效率方面具有很强的优势，其要素平均相对强度值高达0.787 3，这得益于国家成功的创新人才培育及高素质研发人才储备。

第四类为科技质量创新型，包括韩国、奥地利、新西兰、以色列、特立尼达和多巴哥、伊朗、沙特阿拉伯、亚美尼亚、巴拿马、波兰、克罗地亚、阿尔及利亚、马达加斯加和纳米比亚14国。该类国家既能够高效利用研发人员和费用，同时又能获得大量国际专利、科技论文及高被引论文等高质量科技成果产出。

第五类为成本领先创新型，包括塔吉克斯坦、希腊、多哥和肯尼亚4国。这一类型国家受自身经济发展水平与经济规模限制，十分注重研发人员和研发经费使用效率，因而具有创新成本优势。

第六类为创新追赶型，包括爱沙尼亚、塞尔维亚、卢旺达、印度、泰国、菲律宾、捷克、巴基斯坦、阿联酋、乌干达、摩洛哥、立陶宛和喀麦隆等48个国家。这些国家创新资源配置水平低下，需要对照“一带一路”沿线国家创新影响力强的国家及类型加以改进，以提高其创新效率。

2.3 “一带一路”沿线国家创新影响力作用

(1)“一带一路”沿线国家创新网络特征。运用软件Pajek中的Kamada-Kawai功能[20]绘制邻接矩阵A的网络拓扑图G(A)，如图2所示。

图2中，国家所处的相对位置表示国家创新影响力大小，是其它国家对该国在创新资源配置方面认可的综合体现。节点入度(指向节点边数)表示一国受到其它国家认可的国家数量，而节点间连线粗细则表示各国对该国的认可程度，反映该国创新行为与决策对其它国家的影响程度。由图2可知，“一带一路”沿线国家创新网络节点数为75，节点间连接的边为1 159条，网络密度为0.192 356，说明各国间创新认可关系并不密集，资源配置经验借鉴不够活跃。根据Kamada-Kawai图的布局特征[21]，中国位于创新网络中心位置，几乎受到“一带一路”沿线所有国家在创新效率方面的认可，其中尤以俄罗斯、印度、韩国和哈萨克斯坦4国对中国的认可程度较高，分别达到41.151 8、38.276 2、31.000 8和28.613 3；此外，还包括奥地利、新加坡和以色列等在内的经济发达国家对中国的认可。显然，这得益于中国在保持创新投入稳步增长的同时，还能获得持续性创新产出增长。韩国、巴林、奥地利、新西兰、特立尼达和多巴哥、新加坡、伊朗、以色列、沙特阿拉伯和科威特10国则位于靠近创新网络中心的核心位置，也受到沿线大部分国家的认可。越南、亚美尼亚、巴拿马、亚美尼亚、巴拿马、塔吉克斯坦、吉尔吉斯斯坦、希腊、乌克兰、波兰、克罗地亚、匈牙利、阿尔及利亚、马达加斯加、俄罗斯、多哥、肯尼亚和纳米比亚18国则位于创新网络边缘区域，受到较少国家的认可，认可程度也不高。剩余48个国家因为创新资源配置水平低下，在创新网络中没有指向它们的连线，表示其它国家对其不存在认可关系。

(2)“一带一路”沿线国家创新网络中的要素流动与创新合作。由表1可知，共有48个“一带一路”沿线国家创新效率未达到最优。那么，将创新网络结合DEA模型要素投入冗余量与产出不足量进行分析，可以揭示沿线国家创新要素流动和创新合作倾向性。

根据模型(1)，本研究设定第k个国家第i种创新投入要素的冗余率为：第r种产出要素的不足率为：结果如表5所示。

由表5可知，“一带一路”沿线国家全职研发人员和研发费用支出平均投入冗余率分别为-43.6%和-43.7%，说明有超过40%的创新投入要素未能被有效利用。再从全职研发人员冗余率看，喀麦隆研发人才严重冗余，冗余率达到-95.6%；其次为立陶宛、摩洛哥和乌干达3国全职研发人员冗余率也在80%以上，阿联酋、津巴布韦、阿塞拜疆、塞内加尔、埃及、白俄罗斯、巴基斯坦、柬埔寨、蒙古和南非等19个国家的全职研发人员冗余率也在平均冗余率之上，而其余25国的全职研发人员冗余率则在平均冗余率之下。从研发费用支出冗余率看，各国情况基本与全职研发人员相似。可见，这些国家创新资源配置水平较低，会对研发人员与资金两项创新投入要素产生“拥挤”效应，使这些国家创新资源向创新影响力或经济发展水平高的国家流动，并通过合作方式提高本国创新及经济发展水平。如中国新疆建设的中亚科技园用于吸引中亚、巴基斯坦等国技术和人才，中国重庆建设的中俄科技园用于吸引俄罗斯优秀创新人才。

“一带一路”沿线国家国际专利申请量、高技术产品出口、国内专利申请量、论文H指数和科技论文5项创新产出指标平均不足率呈依次下降态势，其中国际专利产出平均不足率高达5 955.5%，高技术产品出口和国内专利产出平均不足率也达到328.5%和240.6%，而论文H指数与科技论文产出不足率则相对较小，仅为14.1%与7.2%。具体来看，乌拉圭技术创新质量产出不足情况最为严重，其国际专利申请量不足率高达206 540%。尼泊尔和喀麦隆两国高技术产品出口不足率最高，分别为6 113.0%和1 768.9%。坦桑尼亚和巴基斯坦两国国内技术专利产出不足率也高达2 793.0%和1 784.8%。相比较而言，各国在基础研究的领域创新产出水平尚可，只有个别国家科学成果创新产出严重不足，如菲律宾、保加利亚和莫桑比克科技论文产出不足率分别为93.2%、58.8%和58.4%，津巴布韦、黑山和加纳论文H指数产出不足率分别为958.8%、897.1%和736.0%。可见，创新追赶型国家虽然在基础研究领域与沿线创新高影响力国家差距不明显，但在技术创新产出和高新技术产品出口方面差距却较为明显，尤其是缺乏高质量技术创新成果，制约了这些国家获取创新高收益。这说明，创新追赶型国家与其它创新影响力强的国家具有较强的创新合作倾向性。

3 结语

采用DEA与创新影响力测度模型，对“一带一路”沿线国家创新效率差异、创新影响力与类型、创新网络、创新投入要素冗余率和产出要素不足率进行分析，结果显示：①“一带一路”沿线上有36%的国家创新效率达到最优，并且各国创新效率存在较大差距；②中国、韩国、巴林、奥地利、新西兰、新加坡、以色列、希腊、乌克兰、波兰和俄罗斯等27个国家具有较强的创新影响力，它们位于“一带一路”沿线国家创新网络图核心或边缘位置，受到大多数国家不同程度的认可。其中，中国创新影响力远超同一经济发展水平的其它国家；③创新影响力国家创新投入要素相对强度值高于产出要素的相对强度值；④沿线各国可分为技术创新型、高新产品出口创新型、科技人才创新型、科技质量创新型、成本领先创新型和创新追赶型6种类型，大部分国家属于创新追赶型，科技人才创新型国家偏少；⑤创新追赶型国家创新产出要素不足率水平高于创新投入要素冗余率，说明这些国家与高创新影响力国家具有更强的创新合作倾向性。

从以上分析可以得到如下启示：①除鼓励更多国家加入“一带一路”创新网络建设外，也要尽快出台鼓励创新要素国际间流动的相关政策，理顺和简化沿线各国科研人员的出入境管理手续及科研仪器设备通关手续，拓宽研发合作资金流转和使用渠道[22]，推动科技资源整合和更为有效的配置；②中国、韩国、奥地利、新加坡等创新影响力强的国家可联合建立研发合作平台，吸引和聚集各国研究人员及资金，从而使发达国家能够充分利用发展中国家的创新资源，也使发展中国家能够获得发达国家的创新溢出，实现各国共享创新合作收益；③强化“一带一路”沿线各国产业合作，根据沿线各国的创新优势及资源禀赋，引导和建设双边或多边科技园区，在产业发展急需的人工智能、信息技术、生物医药等新兴领域加强合作，因地制宜地促进沿线国家经济发展。

当然，本研究也存在一些不足之处，如只是定量分析“一带一路”沿线国家创新影响力内在影响因素，未定量分析外在影响因素，如FDI、空间距离、文化、语言等。因此，后续研究需要考虑外生因素对国家创新影响力的影响。

参考文献:

[1] 吴建南,杨若愚.中国与“一带一路”国家的科技合作态势研究[J].科学学与科学技术管理,2016,37(1):14-20.

[2] 卫玲,梁炜.以创新驱动推进“一带一路”产业升级[J].江苏社会科学,2017,38(5):32-40.

[3] WAGNER CS, PARK HW, LEYDESDORFF L. The continuing growth of global cooperation networks in research: a conundrum for national governments[J].Plos One, 2015,10(7):1-15.

[4] ALBERT R, JEONG H, BARABASI AL. Attack and error tolerance in complex networks[J].Nature,2000,406(6794):387-482.

[5] ROBINS G, SNIJDERS T, WANG P, et al .Recent developments in exponential random graph (*) models for social networks[J].Social Networks,2007, 29(2):192-215.

[6] 霍宏伟,王艳,肖轶,等.中外政府间协议框架下国际科技项目合作网络研究[J].管理学报,2017,14(7):1041-1051.

[7] 王继民,王若佳,曾兰馨,等.1996—2015年“一带一路”沿线国家科研合作网络的演化分析[J].图书情报工作,2017,61(16):76-83.

[8] 张明倩,柯莉.“一带一路”跨国专利合作网络及影响因素研究[J].软科学,2018,32(6):21-25, 29.

[9] 张明倩,邓敏敏.中国与“一带一路”沿线国家跨国专利合作特征研究[J].情报杂志,2016,35(4):4,37-42.

[10] 吴力群.影响力的信息测度[J].现代情报, 2009, 29(4): 75-78.

[11] LIU JS, LU WM, YANG C, et al. A network-based approach for increasing discrimination in data envelopment analysis[J].Journal of the Operational Research Society,2009,60(S11): 1502-1510.

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

[13] BONACICH P. Technique for analyzing overlapping memberships[J].Sociological Methodology,1972,4(4):176-185.

[14] BANKER RD, CHARNES A, COOPER WW. Some models for estimating technical and scale inefficiencies in Data Envelopment Analysis [J].Management Science, 1984, 30(9):1078-1092.

[15] (澳)TIMOTHY JC.效率与生产率分析引论(第二版)[M].王忠玉，译.北京:中国人民大学出版社,2008.

[16] 杨锋,杨琛琛,梁樑,等.基于公共权重DEA模型的决策单元排序研究[J].系统工程学报,2011, 26(4): 551-557.

[17] ZHU J. Multi-factor performance measure model with an application to fortune 500 companies[J].European Journal of Operational Research,2000(123):105-124.

[18] LIU JS, LU WM. DEA and ranking with the network-based approach: a case of R&D performance [J].Omega, 2010,38(6):453-464.

[19] 江成山,孟卫东,熊维勤.协同创新效率的国际比较及其影响因素分析[J].重庆大学学报：社会科学版,2013,19(5):56-65.

[20] NOOY WD，MRVAR A，BATAGELI V. Exploratory social network analysis with Pajek[M].New York: Cambridge University Press,2005.

[21] KAMADA T, KAWAI S. An algorithm for drawing general undirected graphs[J].Processing Letters Archive,1989,31(1):7-15.

[22] 刘卫东,田锦尘,欧晓理，等.“一带一路”战略研究[M].北京:商务印书馆,2017.