COVID-19期間國(guó)家關(guān)系交互網(wǎng)絡(luò)時(shí)空分析研究

朱 炤 瑗，秦 昆*，關(guān) 慶 鋒，羅 萍，姚 博 睿，漆 林，周 揚(yáng)

(1.武漢大學(xué)遙感信息工程學(xué)院，湖北 武漢 430079；2.中國(guó)地質(zhì)大學(xué)(武漢)地理與信息工程學(xué)院，湖北 武漢 430074)

0 引言

目前，已有的國(guó)際關(guān)系網(wǎng)絡(luò)時(shí)空演變研究多基于數(shù)年或數(shù)十年時(shí)間尺度分析國(guó)際關(guān)系網(wǎng)絡(luò)的演化特征，較少針對(duì)某個(gè)突發(fā)性事件或某段事件發(fā)展時(shí)期分析短時(shí)間內(nèi)國(guó)際關(guān)系網(wǎng)絡(luò)演變；且在利用復(fù)雜網(wǎng)絡(luò)方法分析國(guó)家關(guān)系交互網(wǎng)絡(luò)時(shí)，主要利用現(xiàn)有的網(wǎng)絡(luò)統(tǒng)計(jì)指標(biāo)與方法，較少結(jié)合網(wǎng)絡(luò)節(jié)點(diǎn)的空間屬性分析網(wǎng)絡(luò)演化特征。基于此，本文提出一種基于時(shí)間序列聚類與空間統(tǒng)計(jì)的國(guó)家關(guān)系交互網(wǎng)絡(luò)演化模式探測(cè)方法。通過構(gòu)建COVID-19疫情防控期間的國(guó)家對(duì)抗關(guān)系交互網(wǎng)絡(luò)模型和國(guó)家依賴關(guān)系交互網(wǎng)絡(luò)模型，結(jié)合時(shí)間序列聚類以及空間統(tǒng)計(jì)的相關(guān)方法分析疫情防控期間國(guó)家關(guān)系交互網(wǎng)絡(luò)的統(tǒng)計(jì)特征、時(shí)序演化模式及其空間分布特征，以期為公共衛(wèi)生危機(jī)事件中的國(guó)際關(guān)系研究提供參考。

1 實(shí)驗(yàn)數(shù)據(jù)與研究方法

1.1 實(shí)驗(yàn)數(shù)據(jù)獲取與處理

GDELT是一個(gè)實(shí)時(shí)監(jiān)測(cè)全球新聞媒體中的新聞并進(jìn)行分析、編碼、儲(chǔ)存和發(fā)布的新聞數(shù)據(jù)庫[15]，事件庫中數(shù)據(jù)共有58個(gè)字段，包含對(duì)所搜集新聞事件的文本分析結(jié)果，如暴亂、抗議、和平呼吁等。為深入研究COVID-19疫情危機(jī)對(duì)于國(guó)際關(guān)系的沖擊，同時(shí)考慮到疫情相關(guān)新聞報(bào)道的滯后性，本文獲取2020年1月-2021年3月的GDELT新聞數(shù)據(jù)作為實(shí)驗(yàn)數(shù)據(jù)集。利用關(guān)鍵詞檢索(如pneumonia、NCP、virus等)從GDELT中篩選出研究時(shí)段內(nèi)與疫情相關(guān)的190萬余條新聞事件數(shù)據(jù)，選取QuadClass(事件主要類型，包括：1口頭合作，2實(shí)質(zhì)合作，3口頭沖突，4實(shí)質(zhì)沖突)、GoldsteinScale(事件對(duì)國(guó)家產(chǎn)生的潛在影響，數(shù)值介于-10～10之間)、Actor1_CountryCode(參與者1的國(guó)家編碼)、Actor2_CountryCode(參與者2的國(guó)家編碼)共4個(gè)字段。

1.2 基于復(fù)雜網(wǎng)絡(luò)挖掘的國(guó)際關(guān)系分析方法

1.2.1 國(guó)家關(guān)系交互網(wǎng)絡(luò)構(gòu)建方法 本文根據(jù)QuadClass字段對(duì)標(biāo)識(shí)事件的分類方式，構(gòu)建國(guó)家對(duì)抗關(guān)系交互網(wǎng)絡(luò)與國(guó)家依賴關(guān)系交互網(wǎng)絡(luò)，分別表示國(guó)家間沖突與合作事件的交互關(guān)系。若QuadClass字段的數(shù)值為3或4，則將其歸為對(duì)抗交互事件，用于構(gòu)建國(guó)家對(duì)抗關(guān)系交互網(wǎng)絡(luò)，表示為GM=(VM,EM,lM,wM)；若QuadClass字段的數(shù)值為1或2，則將其歸為依賴交互事件，用于構(gòu)建國(guó)家依賴關(guān)系交互網(wǎng)絡(luò)，表示為GP=(VP,EP,lP,wP)。其中，點(diǎn)集VM和VP分別表示事件庫中與其他國(guó)家有對(duì)抗和依賴交互關(guān)系的國(guó)家集合(如果某國(guó)家在該階段不存在沖突或合作交互事件，則網(wǎng)絡(luò)不包含該國(guó)家節(jié)點(diǎn))；邊集EM和EP分別表示事件庫中國(guó)家間對(duì)抗和依賴交互關(guān)系的集合；lM和lP表示節(jié)點(diǎn)(本文用FIPS國(guó)家代碼表示)的標(biāo)識(shí)代碼集合，其中每個(gè)標(biāo)識(shí)代碼元素對(duì)應(yīng)點(diǎn)集VM和VP中唯一的國(guó)家節(jié)點(diǎn)；wM和wP表示邊的權(quán)重集合，其中每個(gè)元素代表邊集EM和EP中對(duì)應(yīng)邊的權(quán)重值。基于此，本文對(duì)國(guó)家事件交互網(wǎng)絡(luò)的權(quán)重wM與wP定義如下：對(duì)于任意兩個(gè)節(jié)點(diǎn)國(guó)家i和j，國(guó)家對(duì)抗或依賴關(guān)系交互網(wǎng)絡(luò)中連接邊的權(quán)重wij可表示為某階段內(nèi)兩個(gè)國(guó)家間沖突型事件或合作型事件GoldsteinScale字段值(GSk，k為事件編號(hào))的累加，設(shè)QM、QP分別為某階段內(nèi)國(guó)家i與j沖突和合作型事件的數(shù)量，則有：

(1)

1.2.2 復(fù)雜網(wǎng)絡(luò)測(cè)度指標(biāo) 復(fù)雜網(wǎng)絡(luò)可理解為由大量節(jié)點(diǎn)和節(jié)點(diǎn)之間復(fù)雜關(guān)系組成的、具有高度復(fù)雜性的網(wǎng)絡(luò)[16]。由于國(guó)際關(guān)系具有不確定性和時(shí)序變化隨機(jī)性，本文基于復(fù)雜網(wǎng)絡(luò)模型和方法構(gòu)建國(guó)家關(guān)系交互網(wǎng)絡(luò)并進(jìn)行時(shí)空特征挖掘與分析。1)平均加權(quán)度，為加權(quán)度總和與節(jié)點(diǎn)數(shù)的比值，可反映平均每個(gè)節(jié)點(diǎn)與其他節(jié)點(diǎn)間連接邊的強(qiáng)度大小；在國(guó)家關(guān)系交互網(wǎng)絡(luò)中，平均加權(quán)度可衡量每個(gè)國(guó)家與其他國(guó)家的平均沖突或合作交互程度。2)點(diǎn)度中心性(式(2))，為無向網(wǎng)絡(luò)中節(jié)點(diǎn)度與網(wǎng)絡(luò)中節(jié)點(diǎn)總數(shù)的比值，可衡量節(jié)點(diǎn)的社會(huì)影響力，其值越高，表明該節(jié)點(diǎn)的社會(huì)影響力越大。

di=deg(i)/N

(2)

式中：di為節(jié)點(diǎn)i的點(diǎn)度中心性；deg(i)為與節(jié)點(diǎn)i相連接的邊數(shù)；N為網(wǎng)絡(luò)中的節(jié)點(diǎn)總數(shù)。

1.3 國(guó)家關(guān)系交互網(wǎng)絡(luò)節(jié)點(diǎn)演化模式聚類方法

時(shí)間序列聚類是指將任意實(shí)值型的有序數(shù)據(jù)作為一條時(shí)間序列，并將其所組成時(shí)間序列數(shù)據(jù)集分割成不同類或簇的過程[17]，已被應(yīng)用于心電圖分類[18]、天氣狀況預(yù)測(cè)[19]、出行模式識(shí)別[20]等諸多領(lǐng)域。本文利用動(dòng)態(tài)時(shí)間規(guī)整的K-means時(shí)間序列聚類算法，提取疫情防控期間具有相似時(shí)序演化特征的國(guó)家節(jié)點(diǎn)進(jìn)行分析。

圖1 DTW算法示意[23]Fig.1 Schematic diagram of DTW algorithm

1.3.2K-means時(shí)間序列聚類算法 本文在應(yīng)用DTW算法度量節(jié)點(diǎn)時(shí)間序列之間距離的基礎(chǔ)上，采用K-means算法對(duì)節(jié)點(diǎn)時(shí)間序列進(jìn)行聚類，即通過多次靜態(tài)聚類將時(shí)間序列數(shù)據(jù)劃分為不同的聚類簇[24]，通過節(jié)點(diǎn)間的距離公式將歐氏空間中的n個(gè)節(jié)點(diǎn)分為K個(gè)類別(執(zhí)行算法前需人為確定K值)。該算法隨機(jī)選取K個(gè)對(duì)象作為初始的K個(gè)簇的質(zhì)心，將剩余對(duì)象根據(jù)距離各質(zhì)心的距離分配給距離最近的簇，然后不斷循環(huán)，直至準(zhǔn)則函數(shù)達(dá)到收斂。為確定聚類簇的數(shù)目，本文應(yīng)用“手肘法”，根據(jù)誤差平方和(SSE)與K值的關(guān)系圖確定最優(yōu)K值[25]。

隨著人口老齡化的不斷加劇，養(yǎng)老問題成為一大難題。我國(guó)人口老齡化易呈現(xiàn)家庭小型化、空巢化，養(yǎng)老模式由單一的家庭養(yǎng)老逐步向多樣化的社會(huì)化養(yǎng)老演變。

1.4 時(shí)序聚類的空間分布模式分析方法

利用空間分析模型開展地緣環(huán)境空間分析，可挖掘地緣現(xiàn)象及其背后隱藏的空間分布規(guī)律、模式與特征[26]。為探索國(guó)家節(jié)點(diǎn)時(shí)序聚類結(jié)果的空間分布特征，本文應(yīng)用連接統(tǒng)計(jì)分析方法分別對(duì)國(guó)家對(duì)抗關(guān)系交互網(wǎng)絡(luò)與依賴關(guān)系交互網(wǎng)絡(luò)的6種聚類簇分布進(jìn)行局部空間自相關(guān)計(jì)算，觀察每種聚類結(jié)果是否存在集聚中心以及集聚中心的分布。局部連接統(tǒng)計(jì)分析方法支持基于二元變量的聚類簇空間分布模式識(shí)別，對(duì)于本文的每種聚類結(jié)果，每個(gè)國(guó)家節(jié)點(diǎn)的類型分為“屬于聚類簇K(簡(jiǎn)稱B(Black))和“不屬于聚類簇K(簡(jiǎn)稱W(White))，則相鄰兩個(gè)國(guó)家間的連接類型可分為BB、WW和BW 3種。局部BB模式連接統(tǒng)計(jì)可以判別屬于聚類簇K的國(guó)家節(jié)點(diǎn)空間分布屬于核心聚集或離散效應(yīng)，識(shí)別聚類簇K中各國(guó)家節(jié)點(diǎn)的聚類中心。對(duì)于聚類簇K模式下的國(guó)家節(jié)點(diǎn)i，其局部BB模式連接統(tǒng)計(jì)可定義為[27]：

(3)

式中：wij為二進(jìn)制空間權(quán)值矩陣(用于指定國(guó)家i與國(guó)家j是否相鄰)的元素；xi和xj分別為國(guó)家i和j的變量值(當(dāng)國(guó)家屬于聚類簇K時(shí)，xi取值為1，否則取值為0)。

2 實(shí)驗(yàn)與分析

本文構(gòu)建2020年1月-2021年3月國(guó)家對(duì)抗關(guān)系交互網(wǎng)絡(luò)與國(guó)家依賴關(guān)系交互網(wǎng)絡(luò)，然后對(duì)網(wǎng)絡(luò)的規(guī)模特征、統(tǒng)計(jì)指標(biāo)進(jìn)行分析，探索疫情防控期間各類演化模式中國(guó)家節(jié)點(diǎn)的時(shí)空分布模式，進(jìn)而揭示地緣政治關(guān)系的演化和空間分布特征。

2.1 國(guó)家關(guān)系交互網(wǎng)絡(luò)基本特征及演化

本文以月為時(shí)間尺度，統(tǒng)計(jì)2020年1月-2021年3月國(guó)家對(duì)抗與依賴關(guān)系交互網(wǎng)絡(luò)的節(jié)點(diǎn)數(shù)、連接邊數(shù)和平均加權(quán)度的變化，結(jié)果如圖2所示。

圖2 2020年1月-2021年3月國(guó)家對(duì)抗關(guān)系與依賴關(guān)系交互網(wǎng)絡(luò)指標(biāo)Fig.2 Indexes of international conflict and cooperation interaction networks for each month from Jan 2020 to Mar 2021

2.1.1 網(wǎng)絡(luò)結(jié)構(gòu)屬性度量及演化分析 對(duì)于國(guó)家關(guān)系交互網(wǎng)絡(luò)，節(jié)點(diǎn)數(shù)和連接邊數(shù)分別表示一定階段內(nèi)所有國(guó)家對(duì)抗或依賴交互事件的參與國(guó)家數(shù)和國(guó)家對(duì)數(shù)量。由圖2a和圖2b可知，每月與疫情相關(guān)的依賴交互事件節(jié)點(diǎn)數(shù)與連接邊數(shù)均高于對(duì)抗交互事件，說明在疫情防控期間參與實(shí)質(zhì)或口頭合作事件的國(guó)家一直多于參與實(shí)質(zhì)或口頭沖突事件的國(guó)家，可見合作仍是各國(guó)面對(duì)公共衛(wèi)生危機(jī)事件的戰(zhàn)略主題。從時(shí)間序列上看，2020年1-3月依賴與對(duì)抗關(guān)系交互網(wǎng)絡(luò)的國(guó)家節(jié)點(diǎn)數(shù)迅速增加，并在3月達(dá)到整個(gè)疫情防控期間節(jié)點(diǎn)數(shù)的最大值，期間疫情形勢(shì)的轉(zhuǎn)變導(dǎo)致參與疫情相關(guān)合作與沖突事件的國(guó)家增多；而在3月后，依賴與對(duì)抗關(guān)系交互網(wǎng)絡(luò)的節(jié)點(diǎn)數(shù)逐步下降，且對(duì)抗交互網(wǎng)絡(luò)中節(jié)點(diǎn)數(shù)的降幅遠(yuǎn)大于依賴交互網(wǎng)絡(luò)，說明自2020年3月全球暴發(fā)疫情開始，參與沖突事件的國(guó)家逐漸減少，而參與合作事件的國(guó)家數(shù)量保持穩(wěn)定，可見大部分國(guó)家基于控制國(guó)內(nèi)疫情形勢(shì)的目的傾向于參與國(guó)家間的合作事件。對(duì)于連接邊數(shù)的時(shí)間序列，依賴與對(duì)抗交互網(wǎng)絡(luò)的連接邊數(shù)在2020年3月達(dá)到最大值后大幅下降，這表明在疫情全球蔓延后發(fā)生合作與沖突交互事件的國(guó)家對(duì)明顯減少，疫情的緊張形勢(shì)沒有引發(fā)大規(guī)模的疫情相關(guān)國(guó)家合作與沖突事件的發(fā)生。

2.1.2 網(wǎng)絡(luò)統(tǒng)計(jì)指標(biāo)及演化分析 從2020年1月-2021年3月依賴與對(duì)抗關(guān)系交互網(wǎng)絡(luò)的平均加權(quán)度的整體變化情況(圖2c)看，每月依賴關(guān)系交互網(wǎng)絡(luò)節(jié)點(diǎn)的平均加權(quán)度均大于對(duì)抗關(guān)系交互網(wǎng)絡(luò)，這表明在疫情防控期間，國(guó)家參與合作事件的影響程度大于參與沖突事件的影響程度。從指標(biāo)時(shí)序變化角度看，依賴與對(duì)抗關(guān)系交互網(wǎng)絡(luò)的平均加權(quán)度均從2020年1月開始急劇上升，在3月達(dá)到最大值，表明在疫情出現(xiàn)全球蔓延趨勢(shì)時(shí)，國(guó)家參與合作與沖突事件的影響力迅速提升，公共衛(wèi)生危機(jī)事件的暴發(fā)導(dǎo)致國(guó)家間行為的影響被放大。而在2020年3月后，隨著疫情的進(jìn)一步蔓延，依賴與對(duì)抗關(guān)系交互網(wǎng)絡(luò)的平均加權(quán)度出現(xiàn)下降，這表明疫情覆蓋范圍的擴(kuò)張并未加劇國(guó)家間合作與沖突交互的強(qiáng)度，大部分國(guó)家的工作重心轉(zhuǎn)移至控制國(guó)內(nèi)疫情蔓延。

2.2 國(guó)家關(guān)系交互網(wǎng)絡(luò)節(jié)點(diǎn)演化特征

2.2.1 網(wǎng)絡(luò)節(jié)點(diǎn)特征時(shí)間序列聚類數(shù)確定 本文整理2020年1月-2021年3月每月國(guó)家關(guān)系交互網(wǎng)絡(luò)中國(guó)家節(jié)點(diǎn)的點(diǎn)度中心性數(shù)據(jù)，建立月尺度時(shí)間序列數(shù)據(jù)集，數(shù)據(jù)結(jié)構(gòu)如表1所示。然后利用DTW相似性量化方法進(jìn)行K-means聚類，得到誤差平方和SSE隨聚類數(shù)K的變化結(jié)果(圖3，為直觀顯示，只選取聚類數(shù)在50以內(nèi)的SSE進(jìn)行可視化)。根據(jù)“手肘法”的核心思想，隨著聚類數(shù)K值的增加，時(shí)間序列樣本的劃分會(huì)更精細(xì)，每個(gè)類別內(nèi)的聚合程度更高，SSE的值會(huì)減小；當(dāng)K值逐漸逼近真實(shí)聚類數(shù)時(shí)(圖3拐點(diǎn)附近)，每個(gè)類別內(nèi)聚合程度的優(yōu)化效果逐漸減弱，SSE的降幅隨之下降。在由對(duì)抗關(guān)系交互網(wǎng)絡(luò)和依賴關(guān)系交互網(wǎng)絡(luò)生成的時(shí)間序列樣本中，聚類數(shù)可分別確定為6～8和6～9，為便于后期對(duì)比，本文將兩種交互網(wǎng)絡(luò)時(shí)序數(shù)據(jù)集的K-means時(shí)序聚類數(shù)K統(tǒng)一確定為6。

表1 節(jié)點(diǎn)的點(diǎn)度中心性時(shí)間序列數(shù)據(jù)結(jié)構(gòu)Table 1 Data structure of the time series of degree centrality for nodes

圖3 誤差平方和變化Fig.3 Changes of SSE

2.2.2 網(wǎng)絡(luò)節(jié)點(diǎn)特征時(shí)間序列演化模式聚類結(jié)果分析 為分析依賴與對(duì)抗關(guān)系交互網(wǎng)絡(luò)中每個(gè)聚類所包含的國(guó)家節(jié)點(diǎn)的普遍特征，本文根據(jù)K-means時(shí)間序列聚類算法的計(jì)算結(jié)果，提取依賴與對(duì)抗關(guān)系交互網(wǎng)絡(luò)各聚類中心的點(diǎn)度中心性時(shí)間演化序列以分析不同聚類簇的特征，結(jié)果如圖4所示。

圖4 節(jié)點(diǎn)的點(diǎn)度中心性時(shí)間序列聚類中心Fig.4 Time series clustering centers of degree centrality of nodes

(1)在依賴關(guān)系交互網(wǎng)絡(luò)中，總體聚類效果較明顯，不同類別間國(guó)家節(jié)點(diǎn)的特征差異較大，總體點(diǎn)度中心性由低到高依次為：聚類簇1(C1)、聚類簇6(C6)、聚類簇3(C3)、聚類簇5(C5)、聚類簇2(C2)、聚類簇4(C4)。C1中主要包括蘇丹、利比亞、哈薩克斯坦等，疫情防控期間國(guó)家節(jié)點(diǎn)的點(diǎn)度中心性普遍較低(小于0.1)且基本穩(wěn)定，表明該聚類簇的國(guó)家在疫情防控期間的依賴關(guān)系交互網(wǎng)絡(luò)中處于邊緣地位，對(duì)合作事件參與度很低；C2中主要包括俄羅斯、英國(guó)等，在2020年2月疫情暴發(fā)后點(diǎn)度中心性普遍處于0.2～0.6之間，表明該聚類簇內(nèi)國(guó)家在疫情防控期間的依賴關(guān)系交互網(wǎng)絡(luò)中處于較高地位，與較多國(guó)家共同參與合作事件；C4中僅有中國(guó)和美國(guó)，國(guó)家節(jié)點(diǎn)的點(diǎn)度中心性水平遠(yuǎn)高于另外5個(gè)聚類簇，在2020年2-4月疫情蔓延初期，節(jié)點(diǎn)的點(diǎn)度中心性值高于0.8，后期雖呈下降趨勢(shì)，但仍明顯高于其余聚類簇，表明中國(guó)和美國(guó)在疫情防控期間的依賴關(guān)系交互網(wǎng)絡(luò)中處于核心地位。

(2)在對(duì)抗關(guān)系交互網(wǎng)絡(luò)中，C1-C5中國(guó)家節(jié)點(diǎn)的點(diǎn)度中心性強(qiáng)度分布具有顯著的層次特征，由低至高依次為：C1、C4、C5、C2、C3，與C6節(jié)點(diǎn)的點(diǎn)度中心性演化趨勢(shì)存在顯著差異。C1中主要包括牙買加、克羅地亞等，疫情防控期間國(guó)家的點(diǎn)度中心性水平普遍較低(小于0.1)且未出現(xiàn)大幅變化，這表明上述國(guó)家在疫情防控期間的對(duì)抗關(guān)系交互網(wǎng)絡(luò)中處于邊緣地位，對(duì)于沖突事件的參與度很低；C3中僅包括美國(guó)、英國(guó)，與C1、C2、C4、C5相比，在疫情各階段C3國(guó)家節(jié)點(diǎn)的點(diǎn)度中心性水平明顯較高，這表明疫情暴發(fā)后美國(guó)和英國(guó)在對(duì)抗關(guān)系交互網(wǎng)絡(luò)中的地位迅速提升，在2020年3月疫情全球蔓延后處于核心地位，與絕大部分國(guó)家共同參與了沖突事件；C6中僅包括中國(guó)，與其余5個(gè)聚類簇相比，C6國(guó)家節(jié)點(diǎn)的點(diǎn)度中心性水平在疫情防控期間的對(duì)抗關(guān)系交互網(wǎng)絡(luò)中呈明顯下降趨勢(shì)，尤其是在2020年1-2月疫情初期，C6國(guó)家節(jié)點(diǎn)在網(wǎng)絡(luò)中明顯處于核心地位，而在3月后開始被C3中的國(guó)家節(jié)點(diǎn)代替，點(diǎn)度中心性值保持在0.2～0.4，對(duì)沖突事件的參與度明顯降低。

2.3 國(guó)家關(guān)系交互網(wǎng)絡(luò)節(jié)點(diǎn)空間分布特征

基于上述依賴與對(duì)抗關(guān)系交互網(wǎng)絡(luò)的國(guó)家節(jié)點(diǎn)聚類結(jié)果，本文對(duì)疫情防控期間國(guó)家關(guān)系交互網(wǎng)絡(luò)中各國(guó)家節(jié)點(diǎn)演化模式的空間分布特征進(jìn)行分析。

2.3.1 國(guó)家關(guān)系交互網(wǎng)絡(luò)節(jié)點(diǎn)時(shí)序聚類的可視化分析 首先對(duì)依賴與對(duì)抗關(guān)系交互網(wǎng)絡(luò)聚類結(jié)果進(jìn)行可視化展示(圖5)，可見部分聚類簇的空間分布呈現(xiàn)一定的聚集性。依賴與對(duì)抗關(guān)系交互網(wǎng)絡(luò)C1中的國(guó)家集中分布于非洲地區(qū)，表明疫情防控期間非洲地區(qū)由于檢測(cè)手段落后、檢測(cè)不及時(shí)等原因，其確診病例數(shù)和死亡人數(shù)相對(duì)較低，新聞曝光度低于其他地區(qū)。此外，在網(wǎng)絡(luò)中也存在較分散的聚類簇，如在依賴關(guān)系交互網(wǎng)絡(luò)中的C4和C5以及對(duì)抗關(guān)系交互網(wǎng)絡(luò)中的C3-C6，這表明在疫情防控期間，合作事件與沖突事件參與度較高的國(guó)家空間分布較分散，而參與度較低的國(guó)家往往具有空間聚集特征。

注：基于自然資源部標(biāo)準(zhǔn)地圖服務(wù)網(wǎng)站下載的審圖號(hào)為GS(2016)1663號(hào)的標(biāo)準(zhǔn)地圖制作，底圖無修改，下同。

2.3.2 國(guó)家關(guān)系交互網(wǎng)絡(luò)節(jié)點(diǎn)時(shí)序聚類的空間依賴性分析 空間依賴性表現(xiàn)為對(duì)象或要素的地理次序或地理位置導(dǎo)致的屬性值的相關(guān)性。為識(shí)別不同演化模式中國(guó)家節(jié)點(diǎn)的空間分布模式及聚集效應(yīng)，判斷聚類結(jié)果在空間分布上是否存在空間依賴性，本文通過對(duì)各聚類簇中國(guó)家節(jié)點(diǎn)局部BB模式連接統(tǒng)計(jì)進(jìn)行計(jì)算，識(shí)別各聚類簇中國(guó)家節(jié)點(diǎn)的聚集中心，觀察各聚類簇中國(guó)家節(jié)點(diǎn)的集中分布地區(qū)，最終得到疫情防控期間依賴與對(duì)抗關(guān)系交互網(wǎng)絡(luò)中各聚類簇下局部BB模式連接統(tǒng)計(jì)結(jié)果如圖6、圖7所示(P值表示置信水平)，其中，依賴交互網(wǎng)絡(luò)中的C4、C5不存在局部BB模式下的顯著性聚集中心，對(duì)抗交互網(wǎng)絡(luò)中的C3、C4、C5、C6不存在局部BB模式下的顯著性聚集中心。結(jié)果顯示，地理位置對(duì)不同演化模式下國(guó)家節(jié)點(diǎn)的影響程度存在較大差異。其中，依賴關(guān)系交互網(wǎng)絡(luò)C1、C2、C3、C6演化模式與對(duì)抗關(guān)系交互網(wǎng)絡(luò)C1、C2演化模式的國(guó)家節(jié)點(diǎn)在空間分布上均存在顯著聚集中心。結(jié)合各聚類簇演化模式的特點(diǎn)可以發(fā)現(xiàn)，疫情防控期間國(guó)家關(guān)系交互網(wǎng)絡(luò)中始終處于邊緣地位的國(guó)家(即依賴關(guān)系交互網(wǎng)絡(luò)C1與對(duì)抗關(guān)系交互網(wǎng)絡(luò)C1)在空間分布上呈現(xiàn)聚集特征，相同演化模式下各國(guó)家節(jié)點(diǎn)的地理位置分布具有空間依賴性，地理位置因素與此類國(guó)家疫情相關(guān)外交事件的發(fā)生存在顯著關(guān)聯(lián)；對(duì)于網(wǎng)絡(luò)中處于核心地位的國(guó)家(即依賴關(guān)系交互網(wǎng)絡(luò)C4與對(duì)抗關(guān)系交互網(wǎng)絡(luò)C3、C6)，其地理位置分布不具備空間依賴性，地理位置因素與該國(guó)家發(fā)生疫情相關(guān)外交事件的關(guān)聯(lián)程度相對(duì)較小。

圖6 依賴關(guān)系交互網(wǎng)絡(luò)國(guó)家節(jié)點(diǎn)聚類局部BB模式連接統(tǒng)計(jì)計(jì)算結(jié)果Fig.6 Local connection results of BB pattern of national node clusters in cooperation interaction networks

圖7 對(duì)抗關(guān)系交互網(wǎng)絡(luò)國(guó)家節(jié)點(diǎn)聚類局部BB模式連接統(tǒng)計(jì)計(jì)算結(jié)果Fig.7 Local connection results of BB pattern of national node clusters in conflict interaction networks

3 結(jié)論與展望

公共衛(wèi)生與健康是人類發(fā)展的核心問題，是社會(huì)經(jīng)濟(jì)發(fā)展的基礎(chǔ)。本文利用GDELT數(shù)據(jù)，對(duì)COVID-19疫情防控期間國(guó)家關(guān)系交互網(wǎng)絡(luò)進(jìn)行復(fù)雜網(wǎng)絡(luò)挖掘與節(jié)點(diǎn)演化模式的時(shí)空分布特征分析，提出一種結(jié)合時(shí)間序列聚類與空間統(tǒng)計(jì)的國(guó)家關(guān)系交互網(wǎng)絡(luò)演化模式探測(cè)方法，探索疫情防控期間網(wǎng)絡(luò)中各國(guó)家節(jié)點(diǎn)的時(shí)空分布特征，為國(guó)際關(guān)系與地緣政治研究提供新的視角。主要研究結(jié)論如下：1)COVID-19疫情形勢(shì)深刻影響著國(guó)家關(guān)系交互網(wǎng)絡(luò)的網(wǎng)絡(luò)規(guī)模與結(jié)構(gòu)特征，各國(guó)在疫情暴發(fā)后更傾向于參與合作類型的國(guó)家交互事件。2)基于復(fù)雜網(wǎng)絡(luò)模型對(duì)國(guó)家節(jié)點(diǎn)進(jìn)行時(shí)間序列聚類，可對(duì)疫情防控期間節(jié)點(diǎn)的點(diǎn)度中心性的時(shí)序演化特征進(jìn)行類別劃分，不同時(shí)序演化模式總體按照節(jié)點(diǎn)的點(diǎn)度中心性強(qiáng)度由高到低分布，驗(yàn)證了時(shí)間序列聚類方法在探索網(wǎng)絡(luò)節(jié)點(diǎn)演化模式方面的有效性。3)不同演化模式下的國(guó)家節(jié)點(diǎn)在空間分布上呈現(xiàn)不同特征，國(guó)家關(guān)系交互網(wǎng)絡(luò)中處于邊緣位置的國(guó)家在地理分布上具有空間依賴性，而處于核心地位的國(guó)家分布相對(duì)較分散。4)國(guó)家關(guān)系交互網(wǎng)絡(luò)結(jié)構(gòu)的時(shí)序演化特征可反映危機(jī)事件的發(fā)生與發(fā)展，基于新聞大數(shù)據(jù)觀察網(wǎng)絡(luò)變化可在一定程度上探測(cè)危機(jī)事件的發(fā)生與發(fā)展態(tài)勢(shì)，為國(guó)家應(yīng)對(duì)危機(jī)事件的策略提供參考；另一方面，在疫情傳播的背景下各國(guó)之間雖然存在外交摩擦，但直接形式的劇烈沖突較少，而中國(guó)作為國(guó)家關(guān)系交互網(wǎng)絡(luò)中的核心國(guó)家節(jié)點(diǎn)，其在危機(jī)事件中與其他國(guó)家的互動(dòng)是決定全球政治格局與秩序的關(guān)鍵因素。

本研究以2020年1月-2021年3月疫情傳播為例，對(duì)公共衛(wèi)生危機(jī)事件中的地緣政治關(guān)系進(jìn)行分析探究，可為制定國(guó)際關(guān)系政策和策略提供輔助支持。后期研究將考慮結(jié)合貿(mào)易數(shù)據(jù)及人口遷徙數(shù)據(jù)，構(gòu)建公共衛(wèi)生危機(jī)事件期間的地理多元流網(wǎng)絡(luò)，探索多層網(wǎng)絡(luò)中國(guó)際關(guān)系與全球地緣政治格局的演化模式及空間分布特征，為國(guó)際關(guān)系與地緣政治研究提供參考。