科学观察, 2017, 12(1): 60-68
, ,
Cite this article:
Zhai Yanqi , Yang Liying , Yue Ting , Ding Jielan . Measurement the International Collaboration Impact of the Major Countries in Astronomy Field from 2005 to 2014 . 科学观察 [J], 2017, 12(1): 60-68 doi:10.15978/j.cnki.1673-5668.201701003
摘要:
该文旨在测度天文学领域主要国家在国际合作网络中的影响力。文章定义了合作网络中影响力的两个维度——合作广度与合作强度,利用赋权网络点度中心度算法,提出了综合评估合作广度和合作强度的网络影响力指数,对天文学主要国家的影响力进行测度。研究发现,国际合作是天文学领域的主要研究模式;参与大型天文观测设备合作建设是智利、南非等国家迅速融入学术共同体的“捷径”;天文学领域的国际合作在向广度和强度两个方面并行发展;中国在天文学领域越来越多地融入了国际交流中,但仍需大力加强国际合作研究。
关键词:
国际合作
;
赋权网络
;
点度中心性
;
文献计量
Key words:
international collaboration
;
weighted network
;
degree centrality
;
bibliometrics
1 引言
大科学时代的特征决定了科学合作的大趋势。作为一门以研究宇宙规律、观察天体物质状况、解释天体事件为主的实验学科,现代天文学研究在很大程度上依赖于国际合作,这是因为天文学研究离不开大型天文观测设备和观测基地。但是,大型天文观测设备在造价、制造技术等方面的要求已经超过任何单独一个国家的力量,甚至建成后获得的海量科学数据的分析与研究也不是一个国家的科学家能完成的。因此,多国联合开展基于大型天文观测设备的合作研究是天文学领域常见的科研模式。现代天文学领域的重大发现几乎都是基于大型观测设备的国际合作结果,可以说国际合作是天文学领域发展的基础和条件。
本研究基于定量分析方法,从基本态势和网络影响力两个视角揭示天文学领域国际合作的特点。视角一是评估天文学领域国际合作的基本状态,探究不同国家国际合作的程度和变化;视角二是描述不同国家在合作网络中的地位,发现国际合作网络中高影响力的节点,揭示各国在合作网络中的位置差异。希望该研究能够为决策者了解天文学领域国际合作的整体态势,制定相应的科技发展规划提供定量数据支撑。
2 方法与数据
2.1 研究方法
国际合著论文是基于定量方法测度国际合作的主要依据[1]。本研究采用定量分析方法,依据论文作者地址反映出来的国际合著关系,统计天文学领域国际合作论文变化的情况,计算主要国家发表国际合作论文的特征。此外,还构建了全球范围内主要国家的国际合作网络,在此基础上对比不同国家在国际合作网络中的地位,识别合作网络的重要节点(国家)。
对合作网络重要节点的测度,考虑到合作广度(合作国家的广泛程度)与合作强度(合作频次的强烈程度)是描述合作网络节点重要性的两个基本特征,本研究以中心度指标(测度网络影响力评价的常用指标之一)[2-4]作为计算合作广度的基础,以Barrat的点强度的指标[5]作为计算合作强度的基础。基于Opsahl[6]提出的赋权点度中心度算法,本研究设计了网络影响力指数[7],将点度中心度与点强度两个指标(广度与强度指标)综合起来评估节点的重要性。
网络影响力指数的计算公式如下：
$I(i)=(\sum\limits^{n}_{j}C_{ij})^{1-\alpha}\times(\sum\limits^{n}_{j}S_{ij})^{\alpha}$
2.2 数据来源
本研究的数据来源于Web of Science数据库,参照Journal Citation Report(JCR,期刊引证报告)数据库提供的学科分类,以天文与天体物理学领域(ASTRONOMY ASTROPHYSICS)作为分析基础,选取影响因子指标(依据JCR 2015版本)在1.0以上的29种期刊作为样本构建天文学领域的数据集。时间窗为2005–2014年,文献类型为Article 和Review,总共检索到97 188篇文章(检索时间是2015年12月24日),涉及127个国家。
样本国家的遴选以参与天文学领域研究的主要国家为原则。主要国家的确定依据不同的分析指标有所不同。各分析指标中主要国家的定义参见相应的图表注释。
3 国际合作的基本态势
论文数量可以大致揭示出科学研究的规模。从天文学领域发表SCI论文的数量(基于29种样本期刊)看,对比2005–2009年和2010–2014年的数据,天文学SCI论文数量从4.4万篇增长到5.3万篇(表1)。
表1
2005–2009年、2010–2014年天文学领域主要国家(地区)SCI论文的国际合作率
从国际合作的SCI论文数量变化看,与2005–2009年相比,2010–2014年天文学领域的国际合作SCI论文数量从2.3万篇增加到3.0万篇。为了规避样本期刊载文变化的影响,我们使用相对的指标——国际合作率(合作论文数占全部论文数的比率)来反映国际合作在前后两个5年期的发展趋势。由图1可以看出,天文学领域的国际合作率呈现上升趋势。2005–2009年,天文学领域的国际合作率在55%以下,2010–2014年,这一比率上升至57%以上,2014年的国际合作率达到了58.3%。这说明天文学领域越来越多的成果来自于国际合作。
对比主要国家在天文学领域SCI论文的国际合作数据(表1),智利和欧洲南方天文台(ESO)成员国的国际合作频率高于多数国家。无论是在2005–2009年还是2010–2014年,智利都是天文学领域国际合作率最高的国家,前后两个5年期SCI论文的国际合作率分别达到了96.5%和96.9%。由于得天独厚的地理位置和大气层质量,智利已成为世界上最理想的天文观测基地,很多国家(或政府间组织)将大型天文望远镜建设在智利,智利的研究机构也拥有部分使用权。ESO是天文学领域最重要的政府间组织(其主要观测设施位于智利)。表1中ESO多数成员国2010–2014年的国际合作成果占比在90%以上,例如法国、比利时、荷兰、瑞典、瑞士、西班牙等国家的国际合作率均高于90%(德国为89.6%)。
从发表SCI论文数量看,美国是天文学领域的强国。2010–2014年美国的国际合作论文数量相当于第2名德国的2.1倍。在此期间,美国的国际合作率为70.7%,低于ESO成员国家。这是因为ESO成员国不仅长期联手合作、共同建设并分享国际领先的天文观测设施,而且多数成员国地域临近,彼此间易于开展国际合作。与中国、印度等新兴科技国家相比,美国的国际合作率约高出15个百分点(2010–2014年)。
2010–2014年中国发表的国际合作论文数量(2 282篇)与瑞士(2 268篇)大体相同。从参与国际合作的发文比例看,中国SCI论文的国际合作率从2005–2009年的50.1%增长到2010–2014年54.5%,反映出中国越来越多的参与了国际合作研究。但是,与表1列出的其他国家相比,2010–2014年中国的国际合作率存在较大差距,仅略高于印度(54.3%)。
4 主要国家国际合作影响力
基于论文之间的国际合作关系,本研究构建了天文学领域主要国家的国际合作网络。采用网络影响力指数来测度国家在合作网络中的重要性。表2列出了当α取值分别为0、0.5、1时,主要国家在2005年、2014年的合作网络影响力指数。从网络影响力指数的计算公式可以看出α的不同取值赋予了合作广度与合作强度不同的权重。当α=0时,合作强度的权重为0,合作广度指标的权重为1,即网络影响力指数等同于合作广度指标;当α=1时,合作广度的权重为0,合作强度指标的权重为1,即网络影响力指数等同于合作强度指标;当α=0.5时,赋予合作广度与合作强度相同的权重。
表2
2005年、2014年天文学领域主要国家(地区)国际合作的网络影响力指数
从表2的数据可以看出,美国、德国、英国、法国、意大利和西班牙等6个国家在2005年、2014年的合作网络影响力指数得分最高,位居世界前6位。比较6个国家在2005年和2014年的网络影响力指数得分发现,其网络影响力指数相对于2005年均有所下降。在科技强国网络影响力下降的同时,若干新兴国家在天文学领域的国际合作网络中的影响力日益增强。智利的网络影响力指数从0.261提升至0.299,中国从0.177增加至0.182。这说明,随着越来越多的国家加入到天文学领域的国际合作研究中,科技强国与新兴国家在合作网络中的相对影响力表现出此降彼升的特点。
表2给出了当α取值分别为0、0.5、1的网络影响力指数。基于表2的数据,本研究给出了主要国家的国际排名。图2至图4分别绘制了当α取值为0、1、0.5时(即合作广度、合作强度、合作网络影响力指数),主要国家在2005年和2014年的排名,以期更为直观地分析国家影响力的变化。
图4
2005年、2014年天文学领域主要国家(地区)的网络影响力指数排名
注：主要国家(地区)依据2005年、2014年国家(地区)的网络影响力指数排名遴选。
注：主要国家(地区)依据2005年、2014年国家(地区)的网络影响力指数排名遴选。
从主要国家参与国际合作广泛程度(α取值为0)的世界排名来看(图2),美国、德国在2005年和2014年均位居世界前两位;智利从2005年第22位前进至2014年第8位,排名上升最快;中国前进了4个位次,揭示出上述国家2005–2014年间开展了更为广泛的国际合作。合作广度位次下降的国家有西班牙、俄罗斯、加拿大、瑞士、芬兰和韩国,说明上述国家在合作伙伴的广泛度上相对收敛。
在合作强度(α取值为1)指标的世界排名中(图3),2005年、2014年排名居于世界前12位的国家保持不变。排名显著上升的国家是丹麦和南非。值得关注的是,俄罗斯、中国、瑞典、墨西哥、韩国的世界排名出现了较为明显的下降。中国的世界排名由2005年的第15位下降至19位。结合表2提供的数据发现,中国合作强度分值虽然略有增加,但世界位次在下降,说明与自身相比,中国加强了与其他国家的深度合作,但相对其他国家的增幅而言,中国的增加幅度相对较小,因而世界排名有所降低。
从网络影响力指数(α取值为0.5)的世界排名来看(图4),2005年、2014年,排名居于世界前6位的国家保持不变。世界排名上升幅度较大的国家是智利、南非和丹麦;世界排名降幅较大的国家有俄罗斯和韩国。
比较图2、图3和图4中主要国家(地区)的排名可以看出,无论α的取值大小,美国、德国、英国、法国等国家的排名均位居前列,反映出这些国家(地区)的合作范围和合作强度都很大,具有很高的合作网络影响力。然而对于部分国家(地区)而言,在合作广度和强度的表现存在差异。因此,α=0.5时的网络影响力指数综合考虑了合作广度与强度两个方面,能够更全面地反映国家(地区)的合作影响力。
基于上面的分析可以看出当α取值不同时,合作网络影响力指数侧重测度不同维度。为了揭示这种差异,表3列出了当α取值不同时网络影响力指数的得分相关性(Pearson相关)和排名的相关性(Spearman相关)。相关性计算基于天文学领域全部发文国家的数据。
表3
2005年、2014年天文学领域网络影响力指数的得分(上三角)与排名(下三角)相关性
表3的数据表明无论是2005年还是2014年,当α分别取不同的值,网络影响力指数排名的相关性均高于得分的相关性。这是因为网络影响力指数得分是排名的基础。通常而言,排名数据没有得分数据敏感。
当α分别取不同的数值时,与2005年相比,2014年网络影响力指数的得分相关性更高,这说明2005–2014年间,天文学领域的国际合作在横向(合作广度)和纵深(合作强度)两个方面不断加强,两者之间的关联度逐步提高。
当α分别取0和1时,网络影响力指数简化为单一的合作强度与合作广度指标。这两个指标在2005和2014年的相关性都较低,说明合作广度与合作强度分别反映了合作网络影响力的不同方面,表明在天文学领域建立广泛合作伙伴关系、加强双边合作强度都不可或缺。这也从另一个角度说明在测度国际合作网络影响力时引入两个维度的合理性。
当α取0.5时,网络影响力指数赋予广度、强度指标相同的权值。这时网络影响力指数与α取1时的合作广度指标相关性较低,结合各国合作国家的数量可以看出,天文学领域各国的国际合作国家数量已达到相对的高峰值,且差异较小,揭示出天文学领域国际合作具有鲜明的广泛性特征。由于合作广度指标的区分度相对较小,因此当α取0.5时,网络影响力指数与合作强度(α取0)指标的相关性较高。
5 结论
基于上面的数据分析结果,本研究可以得出以下结论。
国际合作是天文学领域的主要研究模式。自主研究与国际合作是科研活动的两种基本模式。本研究的数据揭示出天文学领域SCI论文的国际合作率大于自主研究率,因此国际合作研究在天文学领域占主体。由于天文学研究在很大程度上依赖于实验观测,而大型天文观测设备建设投资浩大,对地理条件要求很高,因此天文学领域的国际合作率高出其他学科的国际合作。以往的文献计量数据表明,自然科学领域各学科均以自主研究模式为主体,国际合作率通常在20%~30%之间[8]。而在天文学领域2005–2014年SCI论文的国际合作率超过了50%。类似的,天文学领域主要国家的研究模式也以国际合作为主体。以ESO成员国为例,多数成员国家SCI论文的国际合作率均超过了90%。即使是主要国家中合作率相对较低的中国,2010–2014年间的国际合作率也达到了54.5%。
参与大型天文观测设备建设是智利、南非等国家迅速融入学术共同体的“捷径”。智利和南非因绝佳的地理条件成为许多大型天文观测设备的基地,也因此为本国科研人员赢得了诸多与科技强国开展合作的机会。2010–2014年,智利、南非SCI论文的国际合作率分别达到了96.9%和91.4%,这无疑在很大程度上推动了该国天文学研究的进程。从合作影响力的角度看,智利、南非合作网络影响力的国际排名在2014年取得了大幅进步(与2005年相比)。因此,投资建设天文观测设备、参加国际大科学计划在天文学领域是抢占科研先机的基础和条件。
天文学领域的国际合作在向“横”和“纵”两个方面并行发展。即各国的合作伙伴越来越广泛,合作深入程度也在不断加强。从网络影响力指数的得分看,主要科技强国如美国、德国、英国、法国等国,在2005–2014年间,无论合作广度、合作强度和网络影响力指数,都稳居全球前列。说明上述国家的国际合作具有广泛程度和深入程度双高的特点。从网络影响力指数的相关性看,2014年较之2005年,主要国家参与国际合作的广度与强度的相关系数呈上升状态。
中国需要大力加强在天文学领域的国际合作。2010–2014年间,中国积极参与了天文学领域的国际合作,SCI论文的国际合作率较前一个5年期提升了4.4个百分点,揭示出中国科研人员更多地融入了国际交流。但从中国开展天文学研究的现状看,与科技强国相比,中国参与国际合作的力度仍有较大差距。同时,中国在合作网络中的地位,无论是合作广度、合作强度还是整体影响力都与中国科研大国的体量不相称。未来中国在天文学领域的发展既要靠独立自主,更要大力倡导国际合作,通过合作提升本国自主创新能力。
The authors have declared that no competing interests exist.
References
| [1] |
|
| [2] |
DOI:10.1016/0378-8733(78)90021-7
URL
[Cite within: 1]
The intuitive background for measures of structural centrality in social networks is reviewed aPzd existing measures are evaluated in terms of their consistency with intuitions and their interpretability. Three distinct intuitive conceptions of centrality are uncovered and existing measures are refined to embody these conceptions. Three measures are developed for each concept, one absolute and one relative measure of the ~entra~t~ ~ of ~os~tio~ls in a network, and one relenting the degree of centralization of the entire network. The implications of these measures for the experimental study of small groups is examined. The problem of centrality The idea of centrality as applied to human communication was introduced by Bavelas in 1948. He was specifically concerned with communication in small groups and he hypothesized a relationship between structural centrality and influence in group processes. The first research application of centrality was made under the direction of Bavelas at the Group Networks Laboratory, M.I.T., in the late 1940s. The first studies were conducted by Harold Leavitt (1949) and Sidney Smith
|
| [3] |
DOI:10.1002/asi.v60:10
URL
Many studies on coauthorship networks focus on network topology and network statistical mechanics. This article takes a different approach by studying micro-level network properties, with the aim to apply centrality measures to impact analysis. Using coauthorship data from 16 journals in the field of library and information science (LIS) with a time span of twenty years (1988-2007), we construct an evolving coauthorship network and calculate four centrality measures (closeness, betweenness, degree and PageRank) for authors in this network. We find out that the four centrality measures are significantly correlated with citation counts. We also discuss the usability of centrality measures in author ranking, and suggest that centrality measures can be useful indicators for impact analysis.
|
| [4] |
DOI:10.1016/j.ipm.2006.03.021
URL
[Cite within: 1]
Co-authorship among scientists represents a prototype of a social network. By mapping the graph containing all relevant publications of members in an international collaboration network: COLLNET, we infer the structural mechanisms that govern the topology of this social system. The structure of the network affects the information available to individuals, and their opportunities to collaborate. The structure of the network also affects the overall flow of information, and the nature of the scientific community. We present a number of measures of both the macro- (whole-network) and micro- (actor-centered) structure of collaboration, and apply these to COLLNET. We find that this scientific community displays many aspects of a “small-world,” and is somewhat vulnerable to disruption should major figures become inactive. We also find inequality in the roles played by individuals in the network. The inequalities, however, do not create a closed and isolated “core” or elite.
|
| [5] |
|
| [6] |
DOI:10.1016/j.socnet.2010.03.006
Magsci
URL
[Cite within: 1]
Ties often have a strength naturally associated with them that differentiate them from each other. Tie strength has been operationalized as weights. A few network measures have been proposed for weighted networks, including three common measures of node centrality: degree, closeness, and betweenness. However, these generalizations have solely focused on tie weights, and not on the number of ties, which was the central component of the original measures. This paper proposes generalizations that combine both these aspects. We illustrate the benefits of this approach by applying one of them to Freeman EIES dataset.
|
| [7] |
|
| [8] |
|
