基于VSM 的高校基建合作网络分类及其结构形态分析

严 斌，郭超群，张 兵

（扬州大学 建筑科学与工程学院，江苏 扬州225127，E-mail：yanbin2006@gmail.com）

高校基建工程具有非营利、社会影响力大以及建设内容丰富等特点，特别是由于高校基建不仅提供教育场所，还包括配套的文化生活和体育休闲区等，这直接导致了众多高校基建项目俨然成为“城镇”开发，并且随着工程项目规模扩大、涉及类型增多，需要具有不同资质和技术的工程承包商合力进行跨组织合作[1]，如2013 年底中国地质大学（武汉）新校区开始建设，为此校方成立了专门的建设指挥部对参与建设的200 多家单位进行协调管理。在此背景下，庞大的资金投入催生了关系复杂的高校基建合作网络，这使得高校基建项目成为少数企业眼中的“香饽饽”，甚至诱发了“靠校吃校”合作封闭圈问题。高校基建合作是一把“双刃剑”，促进基建快速扩张满足新时代教育事业发展需求的同时，也藏匿着腐败分子职务犯罪“潜规则”。近年来高校基建领域大案要案频发，已成为高校腐败的“重灾区”。高校基建合作网络可视化合作关系，能够揭露因监督制约疏忽而形成固化的利益同盟[2]，曝光权力寻租空间，但其网络节点间合作关系复杂。

高校基建合作网络是指高校作为甲方，对其基建项目进行招标，与中标单位形成合作关系而产生的无权无向网络，属于社会网络范畴[3]。与一般合作网络相同，高校基建合作网络是由节点及节点间关系组成。此外，高校基建合作网络的节点是与基建工程相关的各利益主体，与工程合作网络节点具有类似特性。“合作网络”研究是当前学术界有关合作研究的重要内容，不同专业的合作网络具有不同的规模，但都具有向核心关键节点中心化的特征[4]。焦美琪等[5]剖析了全球城市技术合作网络的拓扑结构特征与空间格局，发现巴黎和东京是对外联系紧密且枢纽性强的两个城市。同时，考虑到主体多元化是合作网络的一个重要特征，是深入挖掘网络结构演化机制、研究链路预测的重要基础。刘波等[6]探讨了节点关系质量是“多元共治”社区治理中网络结构与治理效果间的重要中介。王菲菲等[7]在分析论文与专利机构合作网络全局拓扑结构的基础上，利用链路预测和熵权法对未来机构间的合作关系及主题进行测度。工程合作网络的研究始于项目各参与方间的合作博弈研究，王敏等[8]构建工程管理合作博弈模型，探讨了工程各参与方间合作机制的形成。沈岐平等[9]提出使用利益相关者战略模型对工程合作方间的关系进行研究。在此基础上，鉴于技术创新是大型复杂工程建设中的关键活动，当前工程合作网络多集中于技术创新合作网络研究，李永奎等[10]以国家科学技术进步奖获奖单位为研究对象，建立相应的科技创新合作网络，提出国有企业和高等学校在重大工程创新中发挥了重要作用。刘亮等[11]运用三类中心性测度分析个体承包商在全局网络中的位置特性，并基于Matlab 平台仿真研究不同中心性测度下的网络全局脆弱性。与此同时，鉴于大型、复杂的基建项目中，各组织在项目建成交付的共同目标下有各自的利益趋向，张静等[12]研究了各利益团体在高校基建中的关联关系，提出建立内外部相关利益团体间的合作机制，在高校基建全过程跟踪审计中发挥作用。宋驰[13]基于共生理论视角，探讨了供应链合作关系下公办高校代建项目与承包人的关系及相应的管理模式。

上述研究从高校与社会组织、高校与承包商等角度对高校基建合作进行了深入探讨，提供了大量可供借鉴的研究成果，但目前高校基建项目与中标人合作网络研究尚不属于关注焦点。为此，本文从网络结构相似度角度对高校基建合作关系进行深入挖掘，使用Ucinet 软件将高校基建项目与中标人合作网络可视化，拟找出活跃中标单位及重点基建项目，以直观地呈现合作网络的基础信息，并在此基础上使用向量空间模型对样本高校基建合作网络相似度进行分析，进一步归纳出不同网络结构类型，为规范高校基建管理提供理论依据。

1 研究设计

当前有关“模式分类”或“组态构型”的研究，多按照“对象-方法-数据-指标”的步骤进行设计，如在确定扎根研究方法的基础上，说明样本选取原则与资料收集分析过程，进行开放性译码，得到集团小微企业生成路径及模式分类[14]。本文同样遵循该研究范式，首先确定使用向量空间模型（Vector Space Model，VSM）进行高校基建合作网络的相似度计算，其次介绍研究对象的选取情况及相关数据的处理方式，最后根据所得数据特点，选取相应的网络特征指标。

1.1 研究方法

本文基于复杂网络关系选取高校基建项目与中标人间的关联数为网络特征指标，指标具有高维性。向量空间模型适用于多特征指标的案例相似度研究，在降低计算繁琐性的同时具有较强的说服力。向量空间模型于1970 年由Salton 等[15]首次提出并成功应用于抽象的文本特征描述，近年来被广泛地应用于图像与文本分类、信息检索及案例推理等研究领域，能够有效进行复杂语义及案例的相似度计算，简洁直观。

具体的向量空间模型构建步骤及原理如下：

设置参考向量为X=(x1，x2，x3，…，xn)，比较向量为Y=(y1，y2，y3，…，yn)。

（1）计算两向量范数长度相似度λ：

（2）计算两向量余弦相似度σ：

（3）计算向量相似度Sim(X,Y)：

Sim(X,Y)越接近于1，表示两向量X，Y 相似程度越高。

1.2 数据来源与处理

本文从不同省份选取985 工程、211 工程和普通本科“一批次”三类高校共27 所。样本分布于17 个不同的城市，包括北京、天津、上海及重庆四个直辖市。此外，样本包含14 所教育部直属高校，11 所“985 工程”大学，样本高校覆盖面广。

为了保证数据的完整性及代表性，样本必须同时具备以下条件：一是在样本高校的门户网站（招标与采购管理处、基建处等部门公开的网址信息）中，能够找到至少近两年的基建项目中标公示文件，文件中标明基建项目名称、中标单位、中标金额及日期等相关信息。高校门户网站是受到各高校重视的公开信息平台与宣传阵地，包含校区概况、招投标信息、规章制度基建管理研究及拟建、在建、竣工项目的相关介绍，能够在此搜集到大部分高校的基建项目中标信息；二是整体网络的规模指的是网络中包含的全部行动者数目，网络规模大小与网络结构特征显著程度有着密切的关系[16，17]。确定样本对象并搜集相关数据后，将属于同一单项工程的单位工程及分部分项工程合并为由多个不同中标单位完成的同一基建项目，考虑到样本资料搜集难度，同时为了保证样本总体资料完整度，设置50为网络全部行动者数量门槛值，即合并后的基建合作网络全部行动者数量大于50。

“在影响翻译实践的诸多因素中，最活跃且起着决定性作用的，是翻译的主体因素。”[3]许钧总结了国内有关翻译的主体的讨论，得出翻译主体可以是:“译者，原作者与译者，译者与读者，原作者、译者与读者，”[4]虽然他没有具体的指出翻译主体的具体概念，但总的来看，由于译员在翻译活动中拥有独特地位、创造性和能动性，造成其在翻译主中的不可或缺性。许钧在《翻译的主体间性与视界融合》一文中提出：“翻译活动中作者、译者和读者之间关系的和谐是保证翻译成功的重要条件。”[5]

为得到27 所样本高校基建合作网络图，使用“0-1”二分变量对分类后的高校基建项目与中标单位间的合作关系进行标定并形成相应的邻接矩阵。完成初始数据搜集与处理后，通过社会网络分析软件Ucinet 绘制27 所高校基建项目与中标人合作网络图，为了更清晰地展示网络结构，省去节点标签（方点代表合并后的基建项目，圆点代表中标单位），某案例高校基建合作网络如图1 所示。

图1 某案例高校基建合作网络图

1.3 特征指标选取

网络节点属性及网络结构属性是形成网络二元关系的重要信息[18]。本文共搜集27 所高校的基建项目与中标人数据，若选取网络节点属性作为特征指标进行相似度分析，上千个节点的属性信息难以在短时间内搜集；而且节点属性只能够确定节点相互选择的范围，例如装饰性基建项目会在经营装修业务和具有相关资质的单位中招标选择，节点属性不是高校形成特定基础建设模式的决定性原因。

基于以上考虑，本文拟从网络结构相似的角度，分析样本高校基建项目与中标人合作网络的相似程度。基建项目与中标人通过招投标流程相互选择，合并后的基建项目由多个中标单位完成，活跃的中标单位能够关联多个基建项目，由此产生合作网络。因此选取合作网络中高校基建项目与中标人间的关联数为网络特征指标，能够揭示不同高校间合作网络在网络结构层面的相似度。

2 实证分析

2.1 数据降维

合作网络由含不同数量节点的“局域网”和其他离散节点构成。基建项目与中标人是通过招投标流程相互选择的双方，在合作网络中是具有相同地位的节点。为了更清晰地展示合作网络特征，本文对网络中不同规模的局域网节点与其他离散节点数量进行统计。

基于基建项目与中标人在合作网络中具有相同地位的考虑，忽略基建项目与中标单位的前后次序，合并节点数相同的网络特征指标以降低数据维度。取特征指标的节点数占总节点数的比重，将数据归一化处理，分别构成代表27 所高校基建项目与中标人网络结构的特征向量。

2.2 分类结果与结构形态分析

将代表27 所高校的特征向量分别代入模型，得到范数相似矩阵及方向相似矩阵，将范数相似矩阵及方向相似矩阵的结果代入模型，得到最终的相似度结果。显然一组数据中大于或等于75%分位数的数据显著大于其他数据，为此本文以75%分位数为相似界限，初步区分27 所高校合作网络的不同类别。为更好地揭示相似度结果中的规律，本文使用不同形状的点代表属于不同类别合作网络的高校，排序后聚类结果以点阵方式展现，如图2 所示，由4 种形状的点聚集程度可知分类结果较理想。

图中距离圆心最近的点组成的内圆所在坐标轴代表相似度为1，距离圆心最远的坐标轴代表相似度为0，相似度为0.6 的坐标轴以内大致将27 所高校的合作网络分为四类。

命名的关键是找出不同类别背后的共同决定因素作为分类维度，同时也是实现分类同时满足“互斥性”和“完备性”要求的保证。整体网络中度中心性较大的节点能够在自身周围形成较为明显的局域网络，同时整体网络中其他节点的离散程度也是影响网络结构的重要因素。因此，本文选择“局域网个数”及“节点离散程度”对高校基建合作网络结构进行刻画，同时作为分类维度，分别定义4 种类型。高校基建合作网络分类象限如图3 所示。

图2 27 所高校基建合作网络相似度点阵

图3 27 所高校基建合作网络分类象限图

（1）单局域离散型。单局域离散型合作网络中只有一个局域网络，其他关联较少的节点离散地分布在该局域网络附近，它又分为小局域离散型及大局域离散型。以小局域离散型合作网络为例，典型代表学校有北京理工大学与华南理工大学。两所高校合作网络相似度为0.87，远高于两所高校较其他高校的相似度75%分位数：0.46 和0.48，高度相似。北京理工大学的基建合作网络中小局域网络的节点数为19，7 所中标单位完成12 个基建项目，占总节点数20.4%，剩余74 个离散节点分布在该局域网周围；华南理工大学的基建项目与中标人网络关系图中小局域网络节点数为31，18 所中标单位完成13 个基建项目，占总节点数22.3%，剩余108个离散节点分布在该局域网周围。

（2）单局域集聚型。单局域离散型合作网络中只有一个局域网络，该局域网络的节点数量占总参与者数量的比例达到75%以上。典型代表高校有同济大学、南京农业大学、厦门大学与中山大学。其中同济大学的基建合作网络中局域网络的节点数为99，占总节点数89.2%，南京农业大学相应的数据为126 和78.8%；厦门大学相应的数据为62和89.9%；中山大学相应的数据为140 和85.4%。进一步观察此类高校的基建项目与中标人邻接矩阵，能够发现活跃中标单位及综合基建项目的存在会促使不同形态及数量的局域网络产生。以同济大学为例，中标单位中同济大学建筑设计研究院（集团）有限公司及上海同济建筑工程有限公司的中标项目分别为8 个和6 个，能够将不同的基建项目关联在同一局域网络中，进而形成节点数占比高达89.2%的大规模局域网络。在高校基建管理中，如果能够找出活跃的中标单位及综合基建项目，并加以关注，理论上能够减少潜在不当竞争行为产生。

（3）双局域离散型。双局域离散型合作网络中存在两个局域网，其他关联较少的节点离散地分布在两个局域网络附近。该类型的代表学校有北京航空航天大学、南京信息工程大学和燕山大学。北京航空航天大学的基建合作网络中两个局域网络的节点数分别为22 和32，占总节点数44.3%；南京信息工程大学两个局域网络的节点数分别为26和48，占比54.4%；燕山大学两个局域网络的节点数分别为24 和56，占比59.3%，3 所高校合作网络高度相似。

（4）双局域集聚型。双局域集聚型合作网络中存在两个局域网，两个局域网络的节点数量占总参与者数量的比例达到75%以上。该类型的代表学校有南京大学、南开大学与兰州大学。其中，南京大学的基建合作网络中两个局域网络的节点数分别为24 和72，总参与者数为135；南开大学合作网络中两个局域网络的节点数分别为16 和99，总节点数为136；兰州大学合作网络中两个局域网络的节点数分别为10 和36，总节点数为67。

2.3 研究启示

高校基建合作网络形态受到多种因素影响，活跃中标单位与大型基建项目能够促使不同数量的局域网络产生，同时影响整体网络的集聚程度。大型、复杂的基建项目需要不同专业的多个企业协同完成，能够形成以自身为中心的局域网络并降低其周围节点的离散程度。但值得关注的是，少数“靠校吃校”企业使用不正当手段，长期固定承包多个基建项目，能够形成以自身为核心、强烈排他的“合作封闭圈”。通常在合作网络中起桥接作用，能够将原本离散的网络节点关联在同一局域网络中，并将基建项目节点边缘化。

高校相关管理部门是复杂基建合作网络的结网者，在合作关系治理中扮演者重要角色。按“局域网个数”及“节点离散程度”对高校基建合作网络结构进行刻画，并不断进行动态更新，能够将复杂的合作关系可视化，及时发现网络中的固化利益同盟，打破腐败分子权力寻租空间，提高基建合作关系治理质量。

3 结语

本文以高校基建项目与中标人之间的关联数为网络特征指标，按“局域网个数”及“节点离散程度”将27 所案例高校合作网络归纳为四类并赋名：单局域离散型、单局域集聚型、双局域离散型与双局域集聚型。高校基建合作网络可视化分类及结构形态分析，能够帮助政府投资、监管等部门及高校基建管理者关注到大型、复杂基建项目及活跃中标单位的存在并予以重视，促使高校基建项目管理朝更加规范有序的方向发展。

但本研究也存在一些局限与不足：一是案例数据搜集难度大，数据处理需要大量时间；二是本研究仅在合作网络结构相似的视角下对表面数据深入挖掘从而形成分类结果，未来可以结合网络节点属性对合作网络类型化前因进行组态分析，为高校基建管理者提供更多更具有价值的建议。