李从欣， 张旭

(河北地质大学 经济学院，河北 石家庄 050031)

一、引言

随着信息技术的高速发展和科学研究的不断深入，单一知识体系框架的发展模式逐步演变为交互知识体系网络的发展模式。科研合作成为研究者致力于剖析问题到解决问题的高效方式，研究相关领域的科研合作网络机制，基于作者合作为兴趣导向，可以揭示科研人员合作的知识交互产出，并能深入挖掘该领域的潜在方向，激发更多合作创新点。

此次新冠疫情对全球造成了严重的破坏性影响，确诊病例急剧增长，死亡人数不断上升，尤其在疫情爆发初期，国内外尚未研发出临床试验可靠的药物和疫苗之际，不仅人们的生命安全受到严重威胁，国家的医疗、就业、生产、交通、教育等方方面面的发展都受到了严重阻碍。新冠疫情是全世界有待解决的难题。近年来，诸多学者围绕新冠疫情的病毒机理、药物研发、防控管理以及影响展开了合作研究，相继产出许多有价值的成果，部分研究甚至已经得到落实并在控制新冠疫情方面取得了一定的效果。

本研究主要基于时间和空间相结合的维度，以新冠疫情为关键词领域分析作者合作的网络机制和社区发现的动态演化。基于整体视角，分析微观与宏观上不同维度的科研合作机制是十分有必要的，以作者为研究对象，可以分析微观层面上科研合作机制的内部特征；以国家为研究对象，可以分析宏观层面上科研合作机制的外部特征。基于作者为个体，时间维度相对于空间维度更能反映科研合作网络关系的动态变化，而基于国家为个体，空间维度相对于时间维度更能反映科研合作机制的关联特征。时间维度采用TERGM进行分析，探究作者之间合作网络的影响因素，指数随机图模型(Exponential Random Graph Models,ERGM)和时间指数随机图模型(Temporal Exponential Random Graph Models,TERGM)具有一定的共性和特性，其中，ERGM 研究方法能够同时考虑内生和外生因素，尤其是不能包含在传统模型的高阶网络构局(如星型构局、三角形构局等)，更重要的是，TERGM能够在ERGM的基础上有效解决纵向观察网络数据的时间依赖问题[1](P73)，因此TERGM在随时间变化的动态网络分析中具有较好的应用性。空间维度采用空间统计模型进行分析，空间统计分析可以发现科研合作的地理邻近特征以及空间溢出效应，进而可以探索基于国家为主体的科研合作空间关联机制。

近年来，以网络视角研究科研合作关系逐渐成为众多学者关注的焦点。此前，部分学者研究了不同领域不同期刊之间的合作，如Martin等[2](P1)研究了物理评论期刊作者合作之间的网络关系。Grossman[3](P201)研究了数学家期刊作者合作之间的网络关系。Yan等[4](P116)研究了中国图书馆和信息科学期刊作者合作之间的网络关系。Liu J等[5](P1)研究了统计学四大期刊作者合作之间的网络关系。而很少有学者研究关于新冠疫情的国际科研合作网络关系。

此前，吴俊利等[6](P777)基于新冠疫情病毒的国际科研合作网络展开研究，主要运用社会网络分析法揭示了不同阶段作者合作网络规模的特征及演变规律，社会网络分析方法对于分析网络的拓补结构特征较好，但是对于发现详细的社区细分及动态演变仍有限制。Jdidia M B等[7](P3)运用WALKTRAP随机游走算法对科研合作网络进行社区划分，发现横向边的出现会降低社区的最大模块度，但对于社区内部网络的结构及其关系演化机制没有涉及。刘璇等[8](P524)运用ERGM对CSSCI期刊的作者合作网络进行了分析。

因此，为了克服传统静态网络分析方法的局限，使网络模型能够较好地用于分析网络结构的动态变化，Hanneke等[9](P592)提出了基于离散时间网络数据的时态指数随机图模型(TERGM)，将多期网络作为一个整体进行研究，并考察不同时间点上网络数据的相关性。本研究基于新冠疫情的国际科研合作网络，并在此前研究的基础上运用WALKTRAP随机游走算法进行社区划分，从时间角度上对社区划分结果运用TERGM发现作者合作网络的时间依赖性，从空间角度上对国家合作网络建立空间回归模型，分析影响国家之间合作的因素。

二、数据来源与研究方法

(一)数据来源

选取Web of Science(WOS)数据库进行检索，以“COVID-19”为主题关键词，将检索年限设置在2020年1月1日至2022年3月31日，检索时间为2022年4月2日。共检索235 005篇文献，爬取相关文献前7 000条数据的发表时间、摘要、作者、标题、关键词、期刊、机构、国家、研究方向、WOS类别以及WOS核心集被引频次等不同表征单元，并对数据进行处理，剔除缺失字段和重复字段后，共得到数据6 217条。

(二)研究方法

本研究使用的方法包括文献计量方法、社会网络分析法、WALKTRAP社区发现、时间指数随机图模型以及空间统计方法。

1.文献计量方法

文献计量学是运用数学、统计学等学科知识研究文献系统的数量关系与规律的方法[10](P138)，本研究主要通过文献计量分析工具对不同表征单元及其相互关系进行分析。

2.社会网络分析方法

社会网络分析方法旨在通过计算网络特征指标来分析网络的结构和属性。对于科研合作网络，每位作者是网络中的节点，作者与作者之间的合作关系是网络中的边；对于国家合作网络，每个国家是网络中的节点，国家与国家之间的合作关系是网络中的边。整个网络的邻接关系可以用邻接矩阵Wij表示，其中Wij=1表示节点i与节点j合作过，Wij=0表示节点i与节点j没有合作过。

3.WALTRAP随机游走社区发现算法

为了发现进化的合作网络社区，Pascal Pons[11](P4)建议使用随机游走的方式在网络中识别社区，这样的社区被定义为密集区域，其中，社区的顶点是强连接的，而它们与其他节点向外连接很少，这种方法的核心思想是：由于社区之间连接的高密度，随机游走将被困在密集区域，行走较小的步数可以留在原社区。WALKTRAP随机游走算法的原理是：考虑在图G=(V,E)的每一个时间步中，步行者都在一个顶点上，并以Pij的转移概率移动到其相邻顶点中随机均匀选择的顶点，如式(1)所示。

(1)

其中，Wij是邻接矩阵，di是顶点i的度，访问顶点的序列是一个马尔科夫链，则随机游动的转移矩阵记为P，D是顶点度数组成的对角矩阵，如式(2)所示。

P=D-1W， (∀i,Dii=di,且Dij=0,i≠j)。

(2)

(3)

其中，顶点i到顶点j的距离记为disij，公式如3所示，则顶点i到社区C的距离disiC，如式(4)所示。

(4)

(5)

(6)

4.时间指数随机图分析

(1)TERGM原理。时间指数随机图模型(TERGM)的原理是首先将网络概率定义为一个函数，包含当前时间步长t及t-K时刻网络子图计数之和的函数[13](P3)，如式(7)所示。

P(Nt|Nt-K,…,Nt-1,θ)=

(7)

假设数据是网络非结构化数据，t-K与t都包含在t时刻网络关系中，计算所有时间段的乘积来确定网络时间序列的概率[13](P3),如式(8)所示。

P(NK+1,…,NT|N1,…,Nk,θ)=

(8)

(2)TERGM模型估计方法。目前主要有两种方法可以对极大似然函数进行近似估计，分别是伪极大似然估计法(MPLE)和马尔科夫蒙特卡罗极大似然估计法(MCMC MLE)。伪极大似然估计法(MPLE)的基本原理是用已知网络其余部分的每个关系的条件概率的乘积来代替TERGM所要估计的极大似然函数，把对极大似然函数的估计转变为对伪极大似然函数的估计，从而实现了对极大似然估计的近似估计[14](P142)。这种方法不需要进行仿真模拟，可以减少运算量，但缺陷在于不能确定采用的样本量是否使估计结果满足一致性。

马尔科夫蒙特卡罗极大似然估计法(MCMC MLE)主要是通过生成仿真图的方法对参数进行估计，其基本原理是：设置初始参数后，采用MCMC算法生成图，然后计算生成图分布的统计量是否满足无偏性，若有偏，则对参数进行修正直到收敛。马尔科夫蒙特卡罗极大似然估计法(MCMC MLE)的优点是通过仿真生成大量图，进而使估计结果更加精确[14](P142)。

本研究主要将以上两种方法结合，先使用伪极大似然估计法(MPLE),再使用马尔科夫蒙特卡罗极大似然估计法(MCMC MLE)进行仿真验证模型的估计结果，最后采用启发式拟合优度(GOF)来对估计效果进行评价，并通过仿真进行稳健性检验。

5.空间统计建模分析

(1)模型构建。本研究使用GeoDa软件对130个国家的截面数据进行空间统计分析，从空间计量模型簇中逐步进行实证检验筛选最优的空间计量模型。其中，Y为国家之间的合作数向量，用每个国家的度数中心度代替；X为由解释变量构成的矩阵，代表WOS核心集被引频次和其他影响因素。广义空间嵌套模型如式(9)所示，当λ=0时，模型退化为空间杜宾模型，如式(10)所示。当δ=0时，模型退化为空间杜宾误差模型，如式(11)所示。空间误差模型如式(12)所示。空间滞后模型如式(13)所示。

Y=δW1Y+Xβ+W2Xθ+μ，μ=λMμ+ε，

(9)

Y=δW1Y+Xβ+W2Xθ+μ，

(10)

Y=Xβ+WXθ+μ，μ=λWμ+ε，

(11)

Y=Xβ+μ，μ=λWμ+ε,

(12)

Y=δWY+Xβ+μ。

(13)

其中，W、M为空间权重矩阵，W1Y表示合作数量的空间滞后，W2X为相邻国家解释变量的空间滞后，δ为空间效应系数，β为参数向量，θ为外生变量的空间自相关系数，i=1,…,n，代表国家。

(2)变量说明。为探究WOS核心集被引频次对国家合作数量的影响，构建指标体系见表1。其中，将合作数量作为被解释变量，用度数中心度来量化，国家的科研合作度数中心度越大则合作数量越多，记为coop；核心解释变量为被引用数量，用WOS核心集被引频次来量化，记为cite；控制变量为科研能力，用介数中心性来量化，记为betw。

表1 WOS核心集被引频次对国家合作数量影响的指标体系

三、数据分析

(一)作者合作网络的文献计量分析

1.作者发文频次统计分析

2020—2022年发文频次最多的作者是Liu Lei，Rezaei Nima和Raoult Didier，均在该领域发表了15篇文章，而其他学者发文量相对较少。

2.关键词演化趋势分析

由不同时期关键词出现的频次可知，全球抗击新冠疫情处于不同的阶段，2019年末至2020年初是疫情爆发的初始阶段，面临大规模疫情的爆发，发表的文章中大多数关键词除了新冠疫情和新冠病毒，还有焦虑(Anxiety)、抑郁(Depression)等关键词的出现，充分表明了疫情初期整个社会以及人们的心理状态。相对2020年，2021年心理健康(Mental Health)、死亡人数(Mortality)、疫苗(Vaccine)等关键词排序上升，侧面说明疫情对人们生命健康威胁的严重程度，以及疫苗研发的必要性和重要性。随着全球抗疫工作的不断推进，2022年对疫情规模的恐慌(Fear of COVID-19 Scale)、恢复(Resilience)、封禁(Lockdown)逐渐成为热点关键词，这也说明疫情的反复性和扩散性成为了学者们更为关注的话题。

3.作者—关键词耦合网络分析

构建作者—关键词耦合网络发现，大部分作者都与主题关键词COVID-19有关联，除此之外，Ludvigsson Jonas F.，Angeletti Silvia，Docea Anca Oana，Yang Lin，Sharma Vijay K.，Asmundson Gordon JG.，Ho Roger等作者的文章中以Pandemic为关键词，主要围绕大规模流行病展开研究。Coccia Mario，Docea Anca Oana，French Lars E.，Hirani Saima等作者的文章中以Public Health为关键词，主要围绕公共卫生展开研究。Hosseinian-Far Amin，Yang Lin，Drawve Grant，Dosil Santamaria Maria，Plazzi Giuseppe等作者的文章中以Depression为关键词，主要围绕疫情下的萧条展开研究。Lopez-Sanchez Guillermo F.，Smith Lee，Pacitti Francesca，Plag Jens等作者的文章中主要以Mental Health为关键词，主要围绕疫情背景下人们的心理健康展开研究。

4.作者—机构耦合网络分析

基于COVID-19主题，合作次数相对频繁的机构主要有华中科技大学、哥伦比亚大学、巴黎大学、斯坦福大学和格罗宁根大学，以及相关机构中合作较为密切的作者主要有Ho Roger CM.，Xuan Vinh Vo，Li Gang等。

5.作者—期刊耦合网络分析

基于COVID-19主题，作者合作发文较多的期刊主要有ScienceoftheTotalEnvironment，JournalofAffectiveDisorders，InternationalJournalofEnvironmentalResearchandPublicHealth，TravelMedicineandInfectiousDisease，Stroke等，相关期刊合作较为密切的作者主要有Darmon Michael，Bellmann-Weiler Rosa，Zhang JiaJia，Melmed Kara等。

(二)作者合作网络的社区划分及动态社区发现

1.作者合作网络的社区划分

利用WALKTRAP随机游走算法检测社区，为了明确不同参数下的最大模块度，逐一设置不同参数进行划分试验，划分社区数随着步长的增加呈现先递增后下降的趋势，最大模块度随着步长的增加呈先增加后趋于平稳的态势，最先达到最大模块度峰值的步长为9，因此设置步长参数为9进行WALKTRAP社区划分，共检测到625个社区，作者数最多的社区是第15社区，共535人，最大模块度为 0.943 564 8，模块度分布有近似正态分布的特征，由于样本容量有限，因此正态特征并不明显，当网络规模区域无穷大时，网络模块度分布趋于正态分布[15](P481)。

以作者的度数中心度值来衡量节点大小，节点越大表示该作者与其他作者合作越频繁，Bavozet Florent的节点最大，且Bavozet Florent与其他节点均合作过，因此可以推断Bavozet Florent是该社区甚至该领域的领军人物，与Bavozet Florent合作相对较为频繁的作者有Darmon Michael、Mayaux Julien和Pajot Olivier，Bavozet Florent，与这些作者均合作过1次以上，而其他作者均只合作过1次。

构建15社区作者—关键词耦合网络可知，该社区作者发文关键词主要有“COVID-19”“Mortality Risk Factor”“Mechanical Ventilation”“Outcome”“Acute Respiratory Distress Syndrome”，说明这个社区的作者更关注新冠疫情导致死亡的因素、急性呼吸窘迫综合征、通风以及治疗效果等因素。

2.作者合作网络的动态社区发现

在之前对网络进行WALKTRAP社区划分的625个社区中，选择社区成员最多的社区即第15社区进行分析，第15社区中共有535位作者，其中在2019年和2020年同时以“COVID-19”为关键词发表过文章的作者有22人，说明这22位作者相对在第15社区中是较为关键的人物。本研究主要想探究这22位作者近年来的合作动态演变特征和趋势，于是，基于Web Of Science数据库提取22位作者在2018年1月1日至2021年12月31日全部相关文献的发表时间、摘要、作者、标题、关键词、期刊、机构、国家、研究方向、WOS类别以及WOS核心集被引频次等不同表征单元数据。采用时间指数随机图模型(TERGM)进行建模，分析网络结构、节点属性以及时间效应对作者合作网络的影响，进而探究作者合作的动态趋势。

设t=1，t=2，t=3，t=4分别表示2018年、2019年、2020年和2021年。用R软件绘制4个时间段的作者合作网络图(如图1所示)，2018—2021年网络形态从高稀疏性到高度聚集性转变；2018—2020年，网络中均有孤立节点，且呈现出单一群集向多维群集的演变趋势；而2021年网络呈现高密度，单一聚集的特点。通过网络的演变可以看出，22位作者中大多数作者在2018年和2019年均有共同合作，而在2020年大多数作者呈现不同的群集，群集内部合作更加密切，而群集与群集之间的合作相对稀疏，到2021年受新冠疫情的影响，22位作者主要围绕“COVID-19”进行合作，因此网络呈现高密集的特点。

图1 作者合作网络演变趋势

综合表2的网络指标可以发现，整体网络密度有逐步递增的趋势，说明网络密集程度变高，作者合作的动机增强。网络直径有降低的趋势，说明网络的传输效率增强，即作者合作更加容易。2021年网络的平均度最高，说明网络中每位作者的平均合作次数较高，平均达到19次。综合来看，2018—2021年网络的平均聚类系数较高而平均路径程度较低，说明由22位作者形成的科研合作网络总体上具有“小世界”的特征。

表2 2018—2021年第15社区22位作者的静态网络指标

(三)作者合作网络影响因素分析——基于TERGM方法

1.TERGM变量说明

(1)网络内生结构变量。本研究主要加入的内生结构变量包括边(edges)、几何加权边共享(Gwesp)、几何加权二元共享(Gwdsp)。边可以反映网络中节点与节点的邻接关系，另外引入Gwesp和Gwdsp高阶统计量，原因在于其具有较高的结构效应解释能力，可以提高模型结果分析的可靠性，进而能捕捉作者合作的链式演化机制，其中，Gwesp主要反映网络是否具有路径闭合结构，Gwdsp主要反映网络是否具有“多元2—路径”结构，二者都能反映网络的传递性。

(2)节点属性变量。本研究主要选取节点度的平方根(Degsqrt)、22位作者的机构类别(place)、在同一期刊发表频率最高时的次数(qk)、H指数(H_index)和WOS核心集被引频次(cite)5个不同属性。其中，同一研究机构的不同作者可能更倾向于进行科研合作，即不同作者在同一研究机构记为相同类别变量；作者发文次数最高的期刊可以反映作者的研究方向和对科研的贡献程度，作者在同一期刊的科研产出越多，表示作者对以该期刊为主题的研究方向更感兴趣，进而会影响作者的合作情况。H指数用于评价作者的学术成就，H值越高则表明作者的科研影响力越大，而作者的学术影响力也会间接影响其科研合作情况，WOS核心集被引频次表示作者的文章被其他核心集文章引用的次数。

(3)时间效应变量。为了探究网络随时间的演变规律，分别设置稳定性(stability)、转移性(autoregression)、消融性(loss)和创新性(innovation)4个时间依赖属性，其中，时间依赖的稳定性是衡量前一个网络和当前网络的边缘和非边缘是否都是稳定的，即科研网络合作关系是否稳定；时间依赖的转移性用来衡量前一个网络的连接是否转移到了当前网络，即之前的科研合作网络关系是否转移到了当前网络中；时间依赖的消融性用来衡量前一个网络中的联系是否在当前网络中解除了，即之前的科研合作网络关系是否在当前网络中解除了；时间依赖的创新性用来衡量前一个网络中没有连接的节点是否在当前网络中有被连接的倾向，即之前未合作过的作者是否在当前网络中展开合作。若时间效应估计参数为正，说明作者合作网络具有该时间效应特征的演变规律。

2.TERGM实证分析

表3中模型1作为基准模型，包括内生结构变量、节点属性变量。模型2至模型5在模型1的基础上，依次加入了不同的时间依赖性变量：稳定性、转移性、消融性和创新性。从模型1可以发现，内生结构变量中，边在1%的水平上显著，且系数为负，表明作者与作者之间的合作呈显著的稀疏网络关系；几何加权边共享(Gwesp)在10%的水平上显著为正，表明作者之间的合作关系构局倾向于呈三角形构局，说明网络的及物性对作者合作产生了影响；几何加权二元共享(Gwdsp)在5%的水平上显著为负，说明作者之间的合作关系不倾向具有“多元2—路径”结构；Gwesp的正系数和Gwdsp的负系数向结合，为合作网络中的及物性提供了强有力的证据[1](P73)。节点属性变量中，度平方根在1%的水平上显著为正，表明随着时间推移，合作者越多，合作关系就越多，说明合作网络呈不断发散的结构，这对于科研合作网络中知识传播和知识创新是很好的模式；作者的机构类别(place)在1%的水平上显著为正，表明隶属于同一机构的作者，更倾向于进行科研合作；作者在同一期刊发表频率最高时的次数(qk)在1%的水平上显著为负，表明作者在同一期刊发表次数越多，他与其他作者的合作就越少，这可能是由于作者有自己的研究兴趣和研究思路后，倾向在同一期刊多次发表文章，可能就不会倾向于与其他作者产生更多的合作关系；H指数(H_index)在1%的水平上显著为正，表明作者学术成就越高，作者的合作关系就会增加；WOS核心集被引频次(cite)在1%的水平上显著为负，表明WOS核心集被引频次越高，作者的合作关系则越少，这可能是由于每位作者的科研思路和科研能力有限，随着发表文章水平越高，科研思路和科研产出会慢慢受阻，进而合作关系会呈现减弱的趋势。

表3 TERGM模型估计结果

从模型2中可以看到，时间依赖变量中，稳定性和转移性在1%的水平上均显著为正，表明22位作者的科研合作动态演化具有稳定性和转移性的特点；而消融性和创新性在1%的水平上显著为负，表明22位作者的科研合作动态演化不存在消融性，且缺乏创新性，由此可以看出该社区作者科研合作的动态演化呈现稳进式演变的特点，这种合作关系的动态演变保证了作者之间的合作基础，延续了作者之间的合作关系，但对于合作网络的创新发展仍有待加强。

根据表3结果，由模型2至模型5和模型1对比可知，引入时间依赖效应变量会降低模型的AIC和BIC，使模型有更好的拟合效果，因此，运用TERGM分析时间依赖效应对于样本中合作网络的影响非常重要，由此也进一步表明，时间效应对于研究科研合作网络机制的演化是不可忽视的重要因素。

(四)WOS被引数量对国家合作数量的影响分析

1.国家合作网络现状分析

构建国家之间的科研合作网络可知，发文量前5名的国家依次为美国、中国、英国、意大利和加拿大，中国与英国、美国和澳大利亚的合作次数较多，中国与美国、西班牙、意大利、加拿大的合作次数较多，西班牙与英国的合作次数较多，由此可见中国的科研合作关系呈开放性、多元化的发展模式。如果用发文量和科研合作次数近似代表国家的科研能力，则科研能力较强的国家主要位于北美洲、欧洲和亚洲。

部分科研水平近似的国家在地理位置上呈现邻近的特征，因此，为了探究国家之间科研合作的影响因素，以及国家之间的科研合作是否具有溢出效应，采用建立空间计量模型的方法对其进行分析。

2.模型选择

通过莫兰指数检验(见表4)，P值为0.022，较为显著，说明模型存在空间相关性，适合用空间统计分析方法建模。LM检验的空间误差统计量和空间滞后统计量均在5%的水平下显著，在5%的水平下，稳健的LM检验空间滞后统计量显著，而其空间误差统计量不显著，因此模型设定为空间滞后模型。

表4 莫兰指数检验和LM检验

3.结果分析

由式(12)和式(13)可以得到模型的估计结果(见表5)，空间滞后模型的AIC和BIC比空间误差模型的要小，因此重点分析空间滞后模型的估计结果。对于空间滞后模型，在1%的显著性水平下，WOS核心集被引量对国家合作数量有显著的负向影响，即被引量每增加1单位，国家之间的合作数量平均下降0.000 4个单位，这可能是由于当国家发文的被引量不足时会倾向与其他国家作者合作，来带动本国科研合作资源及技术的增长。在1%的显著性水平下，国家的科研能力对国家合作数量有显著正向影响，即国家科研能力每上升1单位，国家合作数量平均增加0.201 0个单位，这说明国家的科研能力越强，受到合作的邀请就会越多，同时，在1%的显著性水平下，邻近国家的合作数量对本国的合作数量有显著的正向影响，即邻近国家的合作数量每增加1单位，本国的合作数量平均增加0.185 1个单位，进一步说明了国家之间的合作数量会受到地理位置的影响具有溢出效应。

表5 空间计量模型汇总估计结果

4.稳健性检验

将主变量替换为国家发文量papers，其他变量不变，进行空间莫兰指数检验及LM检验，结果见表6，P值为0.002，在1%的水平下显著，说明替换主变量后依然适用空间统计分析，且空间滞后模型依然有效。

表6 替换主变量后的莫兰指数检验及LM检验

替换主变量后估计的空间滞后模型结果见表7，所有解释变量均在1%的水平下显著，且估计的符号与原来模型的符号方向一致，估计结果较为相似，说明模型的稳健性较好。其中，发文量papers每增加1单位，国家合作数量平均下降0.057个单位，说明发文量越少的国家更倾向通过国家与国家之间的科研合作来弥补本国的科研水平和科研能力进而提高发文量。关于其他变量的解释则与之前一致。

表7 替换主变量后的空间滞后模型的估计结果

四、结论与对策建议

(一)研究结论

科研合作网络是科研领域创作以及社会网络分析的重要内容，通过分析科研合作网络机制及其演变情况，可以更好地探究该领域的研究现状，通过分析动态科研合作网络结构演变的影响因素，可以发现科学家们潜在的合作行为规律，这不仅在社会网络结构层面给予解释，更在原有基础上对行为层面进行分析，对于科学家们在该领域的不断探索以及合作交流有促进作用。对新冠疫情背景下科研合作网络机制和社区的动态演变进行了研究，通过引入时间和空间维度的建模思路，分析了新冠疫情背景下，微观层面上科研合作网络的动态演变以及宏观层面上科研合作网络的空间溢出，得到以下结论。

第一，2020—2022年，在以“新冠疫情”为主题词的科研合作网络中，发文频次最多的作者主要以Liu Lei、Rezaei Nima和Raoult Didier为代表，而关键词主要从COVID-19，Sars-Cov-2，Coronavirus，Pandemic，Anxiety和Depression逐步演变到Mental Health，Resilience，Lockdown和Fear of COVID-19 Scale，侧面突出了新冠疫情带给人类的威胁和挑战之巨大，也说明了全球努力抗击新冠疫情的成效之显著。

第二，根据WALKTRAP随机游走算法检测到的第15社区是社区发现的重要社区，该社区在2018—2021年网络形态从高稀疏性的多维群集向高聚集性的单一群集逐步演变，且动态网络呈现“小世界”特征。其中，该社区主要围绕新冠疫情死亡的因素、急性呼吸窘迫综合征、通风以及新冠疫情的治疗效果等展开研究，发文量最多的作者是Bavozet Florent。

第三，以“新冠疫情”为主题的科研合作网络呈不断发散的良性结构，且隶属于同一机构的作者或作者学术成就越高，科研合作关系就越多；作者在同一期刊发表次数越多或作者的WOS核心集被引频次越高，科研合作关系就越少。

第四，运用TERGM分析时间依赖效应对于科研合作网络的动态演变可以提高模型的拟合效果，综合来看，第15社区中22位作者的科研合作动态演化呈稳进的演变趋势，且具有稳定性和转移性的特点，但缺乏创新性，因此对于合作关系的创新发展仍有待加强。

第五，科研水平相对较高的国家主要分布在北美洲、欧洲和亚洲，合作次数较频繁的国家主要有：中国与英国、美国和澳大利亚，中国与美国、西班牙、意大利、加拿大，西班牙与英国的合作次数较多，由此可见中国的科研合作关系呈开放性、多元化的发展模式。

第六，根据空间滞后模型估计结果可得，国家的科研能力对国家之间的科研合作数量有显著的正向影响，同时，邻近国家的合作数量对本国的合作数量有显著的正向影响，表明国家之间的科研合作数量会受到地理位置的影响，国家之间的科研合作关系具有溢出效应。

(二)对策建议

新冠疫情席卷全球的形势下，科研合作成为抗击新冠疫情的有力支撑，众多科学家及科研团队不断创作研发，旨在快速而有效地抗击新冠疫情，而不同科研团队的合作会得到不同的科研成果，这对于抗击新冠疫情有重要影响，通过研究重要科研团队的合作演化机制及合作关系的影响因素，提出以下对策建议。

第一，由作者合作的文献计量分析可得，加强国家内部科研合作，提升科研能力，有助于实现科研创新，形成有序、流动、稳定的科研合作网络机制，从而激发国际间科研合作，实现内部与外部科研合作“双循环”。

第二，由TERGM结果可得，鼓励科研合作网络融入创新要素，有助于实现稳中有进的跨越式发展。当前，关于新冠疫情的科研合作网络缺乏一定的创新性，良好的科研合作机制可以促进科研成果创新，激发科研产出量，因此科研合作网络需要不断“修剪”，对于陈旧、冗余或者阻碍科研正向发展的要素应及时去除，对于创新要素，如知识创新、技术创新、理论创新等要素应及时补充，形成与时俱进的科研合作网络。

第三，由国家科研合作网络现状分析可得，鼓励多国家合作创新，形成以北美洲、欧洲和亚洲为核心，带动全球科研合作链，有助于形成多边主义的科研合作方式。新冠疫情爆发以来，各国科研人员全力开展科技攻关，而不同国家的科研能力、科研角度和科研条件不同，因此科研产出也不同，科研水平较高的国家，在注重“强强联合”的同时也要带动科研合作链，使全球各国在多边主义科研合作下成为抗击新冠疫情的有力支撑。

第四，由空间统计模型结论可得，鼓励同一机构的科研学者加强学术交流和科研合作，尤其是通过与学术成就较高的学者开展思维碰撞，可以形成知识互补、均衡增长的科研网络，有助于在不同分支领域或交叉学科实现知识创新，形成研究成果和理论创新多元化发展的模式。