基于复杂网络的高技术企业联盟知识扩散AIDA模型与实证研究

孙耀吾，卫英平

(湖南大学 工商管理学院，湖南 长沙 410082)

一、研究背景与文献简要回顾

在复杂网络经济和技术背景下，单个企业进行知识创新面临着更大的压力和不确定性，寻求合作与共赢，通过联盟吸收扩散知识并创造新知识成为企业发展的重要驱动力。联盟网络可以加快知识扩散，提高技术创新效率，但内在机理和路径尚待探索，研究高技术企业联盟网络中的知识创新与扩散规律，具有重要的理论与现实意义。

1959年，匈牙利数学家Erdos P和Renyi A提出了随机图模型，开创了复杂网络理论的系统性研究。复杂网络是指节点数巨大，具有节点间连接多样性、动力学复杂性和节点多样性的网络。近年在物理学、生物学、计算机科学等领域引起广泛关注［1］。科学家们对电力网络、通信网络、科学家合作网等的实证研究发现，现实网络绝大部分都是复杂网络［2］，不仅表现出复杂的拓扑结构，还表现出连接权数的不均匀分布。由于信息在复杂网络中以有限的速度传播，信息传播在不同距离间存在时滞［3］。Cai Kai yuan等(2009)研究软件执行过程演化复杂网络显示，软件执行过程在拓扑学意义上可能是小世界复杂网络，并且度分布遵循幂律分布［4］。Wang Gaoxia等(2008)提出多向分割法检测复杂网络的社区结构，指出矢量分割算法可以有效发现良好社区和社区的适当数量［5］。Zhang Dawei等(2010)应用雪球算法研究复杂网络社区结构，认为首先构建社区核心，然后将满足量化条件的邻近社区绑定到这个核心，直到所有节点都进入网络［6］。黄璜(2010)基于形式化的社会资本变量建立合作演化模型，利用“基于主体建模”方法进行计算机模拟，表明如果一个群体是由相互嵌套的、小规模的、自组织的“社会网络”即“小圈子”构成，个体可以自由选择这些“圈子”，那么个体在“小圈子”中的长远利益会影响他们的策略选择［7］。

在知识管理领域，Robin Cowan等(2004)基于复杂网络提出知识扩散模型，探讨网络结构和知识扩散的关系，发现复杂网络的知识扩散呈现清晰的“小世界”特性，网络节点的连接结构影响知识的动态传播［8］。知识接收者对社会网络中知识扩散源的接近取决于知识属性，社交距离会影响知识扩散源向潜在接收者的知识传递，知识传播的高保真性有利于知识扩散［9］。技术创新网络是由模块化结点形成的复杂网络组织［10］，张首魁等(2006)应用松散耦合理论从网络整体性与模块独立性两个维度研究其松散耦合的组织结构。李金华等(2006)应用复杂网络理论研究创新网络结构演化，模型与仿真揭示了创新网络的小世界特性和拓扑结构［11］。Hyukjoon Kim 等(2009)基于社会网络构建知识扩散模型，探讨网络结构对知识扩散绩效的影响，认为小世界网络是最有效的知识扩散结构［12］。

高技术企业联盟通过合作研发、知识交流等方式，实现技术突破和知识创造，联盟成员之间的合作关系网是复杂网络。在高技术企业联盟知识扩散研究中，庄亚明等(2004)分析了阻碍高技术企业联盟知识转移的主要因素，提出了知识转移一般模式、形成机理和收益分配方案［13］;Chih Ming Tsai(2008，2009)引入知识外在化、知识内在化等五种模式构建包含企业间和企业内的创新知识价值演化与扩散动态模型，揭示现存知识价值、创新知识价值和企业收益之间的关系［14－15］。总体上，已有的知识扩散模型研究尚未能揭示知识在复杂网络中扩散的深层机理和系统特性。本文借鉴基于复杂网络的传播机理与动力学分析，特别是疾病传播研究，对高技术企业联盟网络的知识扩散机理与特性进行系统分析。

二、复杂网络下高技术企业联盟知识扩散AIDA模型

(一)研究方法

在典型的流行病传播模型中，种群内的个体被抽象为几类，每一类都处于一个典型状态，其基本状态［16］包括:S(susceptible)——易染状态;I(infected)——感染状态;R(recovered)——免疫状态。通常用这些状态之间的转换过程来命名不同的传染模型。例如，易染群体被感染，然后恢复健康并具有免疫性，称之为SIR模型。若易染群体被感染、康复后，部分康复群体失去免疫力重新返回到易染状态，则称为SIRS模型［17］，其实质是疾病传播会引起更多群体感染，呈扩散状况。这一原理可被借鉴用以反映知识传播与扩散现象。

知识扩散是指知识被更多的主体所吸收和运用。高技术企业联盟是企业在合作创新的过程中形成的协作关系网，创造出大量新知识，这些新知识游离在联盟网络中，易于为联盟成员吸收、扩散再加以创新，这与疾病传播相似。区别在于创新知识更多地是在联盟成员之间传播，而难以向联盟外企业扩散，疾病传播则是任何与感染群体接触的群体都有可能发生。在高技术企业联盟网络中，扩散知识的企业是知识扩散源，类似于疾病传播源，知识吸收者类似于易染群体，即联盟成员在吸收网络中扩散的知识后，会对吸收的知识进行整合从而创造出新知识并进行扩散，之后又不断地从联盟网络中获取创新性知识，其知识扩散机理与SIRS模型原理类似。本文借鉴传染病SIRS原理，构建高技术企业联盟知识扩散的AIDA模型，揭示联盟复杂网络知识扩散特性，并进行实证分析，探索促进联盟知识扩散、提高企业知识创新效率和联盟稳定性的新途径。

(二)模型构建

在高技术企业联盟中，成员企业在网络中的状态可分为3种:一种是自主知识创新能力较弱，但具有较强的知识吸收能力，易于接受外界扩散的知识，处于知识依附状态，称为易染企业节点;一种是具有较强的知识创新能力，除自主创新外，可以将外界扩散的知识整合成自身知识，并扩散部分创新知识，处于知识融合状态，称为感染企业节点;一种是自主创新能力较强，但对外界的扩散知识吸收较少，处于知识自足状态，如联盟新成员或较为封闭、独立的成员，参与合作创新尚少，称为免疫企业节点。事实上，联盟成员的这3种状态并非完全非此即彼，只是在特定的时刻以某种状态为主。联盟网络中企业的不同状态具有一定的区间范围，当企业的状态变化超过某一临界值时，企业才会呈现新的状态。借鉴汪小帆等(2006)对复杂网络的流行病传播机理研究［16］，设企业从知识依附状态经由知识融合状态到知识自足状态的概率为ν，从知识自足状态重新返回到知识依附状态的概率为δ，则有效的知识扩散率可定义为:

借鉴 Romualdo Pastor－Satorras和 Alessandro Vespignani(2001)对传染病传播的动力学原理，假设在t时刻被扩散知识感染的联盟网络企业节点密度为ρ(t)，当时间t趋于无穷大时，感染扩散知识的企业稳态密度为ρ，在联盟成员紧密联系的网络中，由平均场理论可得被感染企业密度ρ(t)的反应方程为:

在式(2)中，ρ(t)表示感染扩散知识的企业节点以单位速率成为免疫企业节点，λ〈k〉ρ(t)［1 － ρ(t)］表示单个感染的企业节点产生的新感染节点的平均密度，它与有效的知识扩散率λ、企业节点的度〈k〉以及与未感染的企业节点相连的概率(1－ρ(t))成比例。企业节点的度〈k〉是与某个特定企业直接相连的其他企业的数目，反映了某个企业与其他企业联系的紧密程度，并反映了企业在联盟中的地位。直观上看，一个企业节点的度越大就意味着这个企业在联盟中的地位越重要。令式(2)右端等于零，最终可以求得被感染扩散知识的企业个体的稳态密度ρ为:

在式(3)中，λc表示知识扩散的临界值，即企业知识扩散量能促使其他企业进行有效知识创新的最小值。当企业节点状态发生变化时，知识进行有效扩散的临界值为:

在企业相互联系较均匀的高技术企业联盟网络中，有效的知识扩散率会存在一个临界值λc，若有效的知识扩散率λ大于临界值λc，则联盟成员合作比较紧密，彼此间相互信任，感染扩散知识的企业会将吸收的知识向外扩散，使得联盟网络中吸收扩散知识的企业数量处于某一稳定状态，但若企业扩散的知识是与联盟技术创新无关的知识，则其扩散是无效的，此时的知识扩散并不会促进其他联盟成员进行知识吸收并提高联盟的知识创新能力。

现实中，大多数的联盟网络都是非均匀网络，各个联盟成员在网络中的重要性程度不同，从而网络中企业节点的连接存在密集和稀疏情形。定义相对密度ρk(t)为一个网络节点度为k的企业节点感染扩散知识的概率，则它的平均场方程［18］为:

其中，Θ(ρk(t))表示某一特定的联盟成员与一个感染扩散知识的企业节点相连的概率。若ρk(t)的稳态值为ρk，令式(5)右端为零，可得:

式(6)表明联盟网络中企业节点的度越高，其感染扩散知识的概率也越高。由于联盟网络中不同企业节点的度通常存在差异、大小不一，对于任一特定的联盟成员指向度为s的企业节点的概率可以表示为 sP(s)/〈k〉，求得:

有效的知识扩散临界值λc必须满足的条件是:当λ＞λc时可以得到Θ的一个非零解，由式(6)和式(7)可以得到:

式(8)有一个平凡解Θ=0，如果该方程要存在一个非平凡解Θ≠0，需要满足如下条件:

从而得到高技术企业联盟网络有效的知识扩散临界值λc为:

可知，高技术企业联盟网络节点的平均度〈k〉越大，有效的知识扩散临界值λc越小，知识在联盟中的扩散就越容易。同时，对于联盟成员来说，节点度较大的企业知识扩散临界值较低，有利于创新知识在联盟内的扩散。

高技术企业联盟进行知识扩散必须达到临界值才会成功，较小的临界值有利于知识的扩散。在联盟网络中，只有扩散知识是联盟知识创造所需要的类型时扩散才会有效。知识扩散成功后，企业将吸收的知识融合成自身知识加以创新，并将创造的新知识扩散出去，提高联盟的知识水平。图1中，联盟成员通过吸收网络中扩散的创新性知识，借助于自身知识创新的SECI过程创造出新知识，并向网络进行部分扩散，从而实现知识从吸收、创新到扩散的AIDA过程。具体包括3个方面:(1)知识吸收过程(absorbing):高技术企业联盟网络的知识创新能力强，具有较多的创新性知识，这些知识在网络中处于游离状态，联盟成员可以进行选择性吸收，以提高自身的知识水平和知识创新能力;(2)知识创新过程(innovation):联盟成员参与技术合作，吸收先进的技术知识，并通过自身知识创造的SECI过程实现知识创新;(3)知识扩散过程(diffusion):联盟成员在创造出新知识后，也会进行部分创新性知识扩散，扩散的多少由其知识扩散意愿大小决定。企业参与联盟进行技术创新都会共享部分知识，并利用联盟较高的知识创新能力实现技术突破;联盟成员通过持续的AIDA过程提高自身的知识创新能力和知识吸收能力，并进行创新性知识的扩散，提高整个联盟的知识水平。与此同时，联盟成员在吸收和扩散知识时都会受到噪音的影响，这里的噪音是指网络环境、知识扩散类型等引起知识不能得到有效吸收的因素。企业在联盟网络中的地位也是影响有效知识扩散的重要因素，企业的影响力越大，地位越重要，其扩散的知识通常包含更有价值的信息，知识越容易扩散。

图1 联盟网络中企业知识扩散的AIDA过程

三、高技术企业联盟知识扩散的特性

(一)小世界性质

在关于完全规则网络向完全随机网络转化的研究中，1998年Watts和Strogatz构建了WS小世界模型，它考虑在最近邻耦合网络中，以概率p随机重连网络中的每个边即断键重连［19］。由于WS小世界模型构造算法中的随机化过程有可能破坏网络的连通性，1999年Newman和 Watts提出了NW小世界模型，通过用“随机化加边”取代WS小世界模型中的“随机化重连”［20］。小世界性质可以通过平均路径长度和集聚系数来反映。

在高技术企业联盟网络中，记联盟成员的个数即网络节点数为N，则网络中任意两个企业节点之间的距离dij定义为连接它们的最短路径上的边数。高技术企业联盟网络的平均路径长度定义为任意两个企业节点之间距离的平均值，即:

在高技术企业联盟中，网络的平均路径长度越小，企业之间的联系越紧密，有利于知识的共享和扩散。随着联盟成员的数量增加，网络规模扩大，平均路径长度虽有增加的倾向，但由于小世界网络中，其增加速度至多与网络规模的对数成正比［16］，所以对知识扩散影响不大。

假设某一联盟成员i和ki个成员具有直接联系，则这ki个成员之间最多可能有ki(ki－1)/2条边进行联系，于是这ki个联盟成员之间实际存在的直接联系边数Ei和总的可能的边数ki(ki－1)/2之比就定义为联盟成员i的集聚系数Ci，即:

整个联盟网络的聚类系数C就是所有知识主体节点i的聚类系数Ci的平均值，用来描述网络的全局特征。由于联盟网络中知识主体节点之间既不是完全孤立的也不是全局耦合的，故0≤C≤1。高技术企业联盟网络的集聚系数描述了联盟成员之间联系的紧密程度，若联盟成员之间的联系较为紧密，则网络的集聚系数较大，集聚化水平较高，联盟成员之间的知识交流较为频繁，从而易于知识的扩散。此外，联盟成员的同质化程度也会影响整个网络的集聚系数，若企业的同质化程度较大，则企业之间的知识交流会使知识扩散变得容易，因为处于同行业的企业拥有的知识具有某种程度的相似性，从而对扩散的知识容易理解和吸收，使得网络的集聚系数增大。

(二)无标度特性

1999年，Barabasi和Albert提出了无标度网络模型，指出万维网、新陈代谢网络等的连接度分布函数具有幂律形式，由于这些网络的节点连接度没有明显的特征长度，故把这类具有幂律度分布的网络称为无标度网络［21］。现实网络具有两个重要特性，即增长特性(即网络的规模是不断扩大的)和优先连接特性(即新的节点更倾向于与那些具有较高连接度的“大”节点相连接)，具体从一个包含m0个节点的网络开始，每次引入一个新的节点，并且连接到m个已存在的节点上(m≤m0)，同时，一个新节点和一个已经存在的节点i相连接的概率P(ki)与节点 i的度 ki、节点 j的度 kj之间满足如下关系:

高技术企业联盟是非均匀网络，绝大多数企业节点的度相对较低，但存在少量的相对较高度的企业节点，他们是联盟网络的主导企业。由于产业网络是一个具有无标度特性的复杂网络［22］，因此，高技术企业联盟网络的度分布更接近于幂律分布:

在式(15)中，P(k)表示随机选定的企业节点度恰好为k的概率，γ为常数。

联盟中度较高的企业节点对网络的稳定性有重要影响，在促进联盟知识扩散的同时，也成为联盟持续发展的一大风险。在高技术企业联盟网络中，假设每次有一个企业节点退出，则联盟中与该企业存在的直接联系就会中断，并引起网络中其他企业之间联系的一些路径中断。如果在企业节点i和j之间有多种联系，中断其中的一些联系就可能会使这两个企业之间的距离dij增大，使得整个联盟网络的平均路径长度L也会增大，从而影响联盟知识扩散的速度。如果少量企业退出联盟后，网络中的绝大部分企业仍是连通的，则该网络的连通性对部分企业的退出即节点故障具有鲁棒性。高技术企业联盟的无标度特性对随机企业节点的退出具有高度的鲁棒性，这主要是由于网络度分布的极端非均匀性。但是，正是这种非均匀性使得联盟网络对度较大企业节点的退出具有高度的脆弱性，即:如果极少数度较大的企业节点退出联盟就会对整个网络的知识扩散产生大的影响。可见，主导企业的稳定性及其对网络的影响，非主导企业之间联系的密切程度及其对主导企业的依附程度，都会直接影响知识在联盟网络中扩散的速度与持续性。

(三)社区结构

高技术企业联盟网络是不均匀的，不同企业节点的知识扩散能力具有差异性，从而具有一定的社区结构，即联盟可分成若干个子网络或社区，社区是指联盟内部联系相对紧密的成员形成的小群体。联盟社区内部的企业节点之间的联系相对非常紧密，但是各个社区之间的联系相对来说比较稀疏。一般来说，联盟网络社区结构的形成是由于部分联盟成员的知识水平较为相近，知识同质性较大，相互协作关系融洽，能通过技术合作较快的获得创新知识和持续的竞争力。

用模块性测量高技术企业联盟的社区结构，其模块化程度Q为:

在式(16)中，ar=∑whrw表示联盟网络r中企业节点进行联系的边数，hrw表示联盟社区r、w中的企业节点之间的联系。高技术企业联盟的模块化程度Q值越大，社区结构越明显。当Q=1时，联盟网络会呈现出显著的社区结构。

若联盟的知识主体节点数N在某一时期保持不变，S(t)表示易感染扩散知识的企业节点数，I(t)表示被感染扩散知识的企业节点数，则:

由前式(1)，若用λ1表示社区内部的知识扩散率，λ2表示社区之间的知识扩散率，由于社区内部成员之间的联系较为容易，则λ1＞λ2。也就是说，社区结构有利于其内部成员的知识扩散，但不易于社区之间的知识交流。

四、实证研究

(一)样本选取与数据来源

发明专利是衡量高技术企业知识创新能力的有效指标，某一发明专利使用越频繁，相关知识扩散也就越多［23］，空间距离则会影响企业知识交流的频率［24］，不利于创新能力的提高。企业创新能力的差异必然使联盟网络中的知识流动与扩散存在一定的势差，这种知识位势也会表现为发明专利数的差别。由于同一产业产品相似，企业间相似产品的发明专利相关性较大，发明专利及其彼此引用反映了联盟企业之间的联系。企业在进行技术创新的过程中，必然会对现有的相关技术专利进行研究，吸收已有的知识，创造新的发明专利，而新的发明专利又进一步被其他企业吸收利用，由此形成知识扩散的AIDA过程。本文选取TD－SCDMA产业联盟的46个企业(在TD－SCDMA产业联盟中，由于部分成员是2003年以后成立的，相关数据较少，有些成员的数据较难获得)为样本，从中华人民共和国知识产权局网和中国专利网收集到2000年到2009年的发明专利数据，用SPSS进行相关分析，构建TD－SCDMA产业联盟矩阵，并用UCINET软件进行数据分析，检验高技术企业联盟知识扩散模型与特性。

(二)TD－SCDMA产业联盟知识扩散特性

1.小世界性质

运用UCINET软件对TD－SCDMA产业联盟网络的平均路径长度进行计算，如表1所示。由表1可知，TD－SCDMA产业联盟网络的平均路径长度是1.987，联盟成员距离是1的情况出现了519次，距离是2的情况出现了1074次，距离是3的情况出现了375次。这3种情况占总数的97.1%，这说明大多数联盟成员之间的距离为2，即联盟网络中，任何两个联盟成员之间平均只需要通过一个企业就可以建立联系了，这说明联盟网络具有较小的特征路径长度，这有利于联盟成员之间的知识交流，从而加快知识在网络中的扩散。同时，通过计算可得出联盟网络的聚类系数为0.497，这说明联盟网络具有相对较大的聚类系数，联盟成员之间的联系较为紧密。因此，TD－SCDMA产业网络具有小世界性质，有利于创新性知识的扩散，提高整个联盟的知识水平。

表1 TD－SCDMA产业联盟网络的距离计算结果

2.无标度特性

对TD－SCDMA产业联盟网络的中心度进行计算如表2所示。可知，TD－SCDMA产业联盟网络的中心度是4.72%，表明网络存在较大的不均匀性，具有无标度性质。

表2 TD－SCDMA产业联盟网络的度计算结果

对TD－SCDMA产业联盟矩阵进行网络分析如图2所示。由图2可知，TD－SCDMA产业联盟网络是一个非均匀网络，网络存在稀疏和密集的区域，表明网络具有无标度特性。其中，有些企业的节点度较大，如华为、中兴、大唐移动等企业节点度数较大，处于联盟网络的核心位置，这些企业的知识创新能力很强，与其他成员的联系紧密，通过知识扩散有效提升了联盟的知识水平，对联盟的发展和稳定起着重要的作用。同时，有些企业的节点度较小，如烽火科技、科泰世纪等企业，知识创新能力较弱，对联盟的知识扩散贡献较少。

图2 TD－SCDMA产业联盟网络分析

图3 除去华为、中兴、大唐移动等主导企业后TD－SCDMA产业联盟网络

除去华为、中兴、大唐移动等核心企业后的TD－SCDMA产业联盟网络分析如图3所示，可知，核心企业退出联盟后，网络变得相对稀疏、松散，并且出现孤立节点，如烽火科技等。这是由于主导企业拥有较多的创新性知识，知识创新和扩散能力强，若退出联盟，会显著影响知识扩散，并降低整个联盟的知识水平。可见，联盟成员与多个企业进行知识交流，适当减小主导企业的节点度，能减弱某些成员的退出对联盟稳定性及知识创新与扩散的影响。

表3 TD－SCDMA产业联盟网络E－I指数计算结果

3.社区结构

对TD－SCDMA产业联盟网络的E－I指数进行计算为表3，TD－SCDMA产业联盟网络的分派关系如图4所示。

图4 TD－SCDMA产业联盟网络分派关系

由表3可知，整个联盟网络的E－I指数为－0.911，接近－1，表明联盟成员存在较多派系，即TD－SCDMA产业联盟网络存在社区结构;图4也反映出了除华为、中兴、大唐移动外，大部分知识创新能力较弱的企业聚集在一起，影响了成员的广泛合作和联盟网络中创新知识的扩散效率。2010年6月TD四期唱标阶段的厂商表现就部分地反映了这一现实［25］。共有八家厂商组成三大军团(中兴－普天系、大唐移动－爱立信－烽火通信系、华为－诺西－新邮通系)参与此次竞标;在前三期TD建网招标中，中兴获得了最高的市场份额，这一次，他与此前份额排第五的中国普天结盟组成最强“阵容”，其报价也高于三期。表明，联盟中的社区结构和派系，倾向于强强联合，容易出现操控垄断行为，在一定程度上不利于扩散创新知识、提高创新效率。

五、结论与启示

综上，借鉴疾病传播的SIRS原理构建基于复杂网络的高技术企业联盟知识扩散AIDA模型，研究联盟网络知识扩散机理与特性，并以TD－SCDMA产业联盟的46家企业为样本进行实证检验，得出如下基本结论:(1)高技术产业联盟网络具有较小的特征路径长度和较大的聚类系数，呈现出小世界性质;(2)高技术联盟网络具有无标度特性，是一个非均匀网络，有些企业的节点度较大，有些则较小，对联盟网络的稳定性和知识扩散有着不同的影响;(3)高技术联盟网络的E－I趋于－1，具有分派体系，表现出一定的社区结构。

上述结论对探索提高联盟的知识创新与扩散效率以及保持联盟稳定可持续发展途径具有重要启示。第一是新成员的快速适应与融入问题。新成员的进入通常会增大联盟的企业节点数，减缓知识扩散速度。因此，新成员或相对弱小的企业尤其应加强与其他企业的联系，减小网络的平均路径长度，减弱网络的非均匀化，促进知识交流、扩散和联盟成员的共同发展。第二是主导企业的稳定性及其对联盟网络的影响和控制问题。主导企业对联盟网络具有较大的影响力，是联盟知识扩散的主要来源，它们的退出可能造成联盟网络的瘫痪。因此，应研究对主导企业的激励机制和措施;同时加强节点度较小企业之间的合作，提高他们的知识创新能力，减弱主导企业对联盟的控制及其消极影响，增强联盟的稳定性和可持续发展。第三是联盟的社区派系结构问题。联盟的社区结构会加快派系内部成员的知识交流，但不利于不同派系的知识扩散。改善联盟网络创新生态，合理利用社区结构内部的快速传播，并加强不同类型企业节点的联系，鼓励不同层次的企业合作进行知识创新，可有效减弱派系的不良影响，加快知识交流频率，促进联盟的知识创新与扩散。最后是联盟的国际化发展问题。先进的跨国公司已成为重要的创新知识源，跨国联盟已经成为全球知识创新与技术扩散的重要载体。中国的高技术企业联盟需积极推进国际化，吸收国际高技术企业成员，有效促进知识扩散和国际转移，提高产业的国际竞争力，获得持续发展的竞争优势。

［1］Xu Degang，Su Zhifang.Synchronization Criterions and Pinning Control of General Complex Networks with Time Delay［J］.Applied Mathematics and Computation，2009，215(4):1593－1608.

［2］Erdos P，Renyi A.On the Evolution of Random Graphs［J］.Publ.Math.Inst.Hung.Acad.Sci.，1960，5:17 －60.

［3］Wang Qingyun，Duan Zhisheng，Chen Guanrong，Feng Zhaosheng.Synchronization in a Class of Weighted Complex Networks with Coupling Delays［J］.Physica A，2008，387(22):5616－5622.

［4］Cai Kai－Yuan，Yin Bei－ Bei.Software Execution Processes as an Evolving Complex Network［J］.Information Sciences，2009，179(12):1903 －1928.

［5］Wang Gaoxia，Shen Yi，Ouyang Ming.A Vector Partitioning Approach to Detecting Community Structure in Complex Networks［J］.Computers and Mathematics with Applications，2008，55(12):2746 －2752.

［6］Zhang Dawei，Xie Fuding，Zhang Yong，Dong Fangyan，Hirota Kaoru.Fuzzy Analysis of Community Detection in Complex Networks［J］.Physica A，2010，389(22):5319 －5327.

［7］黄 璜.基于社会资本的合作演化研究—“基于主体建模”方法的博弈推演［J］.中国软科学，2010(9):173－184.

［8］Robin Cowan，Nicolas Jonard.Network Structure and the Diffusion of Knowledge［J］.Journal of Economic Dynamics ＆Control，2004，28(8):1557 －1575.

［9］Olav Sorenson，Jan W Rivkin，Lee Fleming.Complexity，Networks and Knowledge Flow［J］.Research Policy，2006，35(7):994－1017.

［10］张首魁，党兴华，李 莉.松散耦合系统:技术创新网络组织结构研究［J］.中国软科学，2006(9):122－129.

［11］李金华，孙东川.创新网络的演化模型［J］.科学学研究，2006，24(1):135 －140.

［12］Hyukjoon Kim，Yongtae Park.Structural Effects of R＆D Collaboration Network on Knowledge Diffusion Performance［J］.Expert Systems with Applications，2009，36(5):8986－8992.

［13］庄亚明，李金生.高技术企业知识联盟中的知识转移研究［J］.科研管理，2004，25(6):50－55.

［14］Chih Ming Tsai.Integrating Intra－firm and Inter－firm Knowledge Diffusion into the Knowledge Diffusion model［J］.Expert Systems with Applications，2008，34(2):1423 －1433.

［15］Chih Ming Tsai.The Knowledge Diffusion Model Associated with Innovative Knowledge［J］.Expert Systems with Applications，2009，36(8):994 －1005.

［16］汪小帆，李 翔，陈关荣.复杂网络理论及其应用［M］.北京:清华大学出版社，2006.

［17］张丽萍，王惠南.小世界网络研究血吸虫病的传播［J］. 兰州大学学报(自然科学版)，2008，44(3):52 －55.

［18］Romualdo Pastor － Satorras，Alessandro Vespignani.Epidemic Dynamics and Endemic States in Complex Networks［J］.Physical Review E，2001，63:66 －117.

［19］Duncan J Watts，Steven H Strogatz.Collective Dynamics of‘small － world’ Networks［J］.Nature，1998，393(4):440－442.

［20］M E J Newman，D J Watts.Renormalization Group Analysis of the Small－ world Network Model［J］.Physics Letters A，1999，263(6):341 －346.

［21］Barabasi A L，Albert R.Emergence of Scaling in Random Networks［J］.Science，1999，286(5439):509 －512.

［22］李守伟，钱省三.产业网络的复杂性研究与实证［J］.科学学研究，2006，24(4):529 －533.

［23］Shann － Bin Chang，Kuei － Kuei Lai，Shu － Min Chang.Exploring Technology Diffusion and Classification of Business Methods:Using the Patent Citation Network［J］.Technological Forecasting ＆ Social Change，2009，76(1):107 －117.

［24］Nicolas Carayol，Pascale Roux.Knowledge Flows and the Geography of Networks:A Strategic Model of Small World Formation［J］.Journal of Economic Behavior ＆ Organization，2009，71(2):414 －427.

［25］郭 文.TD四期进入唱标阶段，七厂商降价拼份额［EB/OL］.http://www.cww.net.cn/zhuanti/html/2010/6/18/2010618817111713.htm.