复杂网络视角下的国际关系风险级联转变

导语

外交关系态度的更替是国际政治的常态。然而，这样的变化可能触发风险性极高的“友转敌”的连锁反应，对他国造成毁灭性伤害，重塑全球间的国际联系网络。然而，国际转型的底层机制和概念迄今尚显模糊。相较于渐进且连续的转变，我们已经认识到，在国际关系中“微小转变”可能引发如第一次世界大战般的社会巨震。这种怀疑或恐慌情绪传播，并非像其他物理扩散过程那样线性进行。最新的研究基于关系转变的复杂性，根据1995年1月至2020年3月期间1225个双边国家关系的7千万次事件，将关系转变分为PN转变（积极转向消极）和NP转变（消极转向积极）两类，构筑了一个全球尺度的双边国家关系网络。该研究所构建的模型可识别并量化某一初始转变后带动起来的连环变动。出人意料的是，弱势转变却倾向激发大规模链式效应。同时研究者还找到了态度变化不仅与当地环境平衡相关, 也与像网络介数中心度这样具有全球影响力属性息息相关。该研究结果表明这些行为过渡对双边贸易和科学合作产生深远影响。相关研究正在逐步揭开国际关系的反应链条，对于设计全球冲突预警信号和缓解办法具有参考价值。

研究领域：复杂系统，国际关系网络，复杂网络，级联转变，冲突预警

Mingyuan Zhang, Shenwen Chen, Wenbo Du等 | 作者

刘培源 | 译者

论文题目：

Risky cascading transitions in international relationships

论文地址：

https://doi.org/10.1093/pnasnexus/pgac289

一、引言

二、实验结果

三、讨论分析

四、材料和方法

一、引言

变化是生命唯一恒久的特性。复杂动态系统内部的变化常相互依存，可能引发无法妥善控制的意外结果。这在国际政治中也同样适用，两国间关系的转变或许带来无法预测的风险级联效应。聚合起来看，国际关系好坏更迭数量反映了两个国家之间关系不稳定程度。过去数年，在新冠疫情给公共卫生领域带来巨大挑战以外，还导致了信任丧失和国际关系连锁转变。药物资源、诊断检测、隔离政策以及共享债务等问题引发了外交紧张局势。压力核心在于我们全都处于一个“全球网络”之中，单一火花如新冠疫情就可激发出多重连锁效应，在国际关系上产生波动，将人类推向前所未有的危难境地。“如果人类在接下来50年内灭绝，并非会因为疾病或小行星撞击地球，而是因为外交政策和国际关系。”[1]

实际上，纵观历史，国际关系始终充当着人类社会中重大冲突或合作的反应链。虽然在双边贸易[2]、科学协作[3]和文化交流[4]等领域通过国际关系获得了巨大进步，但几乎所有战争都与国际关系转型有密切联系。第一次世界大战就是一个显例，1914年6月奥匈帝国与塞尔维亚之间的微弱转变导致全面崩溃，并引发了涉及超过30个国家的敌对行动[5]。这些连锁效应造成1300万以上平民死亡。为防止未来再度出现此类悲剧，系统理解各国关系的过渡性至为重要，它构成了推动国际合作或敌意反应链条的主要驱动力。

早期研究努力从各种角度理解国际关系。一个自然的方法是探讨双边互动（图1a），假设国与国之间的关系源于相继发生的外交策略博弈[6,7]。这些包括实行互惠政策[8]以达成国际合作，或者共同行动以打破Lijphart效应下的僵局[9]，甚至故意撕裂和平布局以追求某项战略目标[10]。但如前所述，任何深入参与国际事务者都会立刻认识到：无一重要议题可孤立看待[11]。因此，两个特定国家之间关系变化可能归因于其周围环境及邻近影响[12]。Heider提出的经典社会结构平衡理论指出，第三方与两个主体能形成三角形态地位，该状态可能处在平衡或不稳定中[13]。基于此启示，Harary通过引入第三方对1956年中东情况进行分析，并给出了一个初步例证来探索具体两国间的联系[14]。结果显示，本质上均衡的区域结构倾向于保持现状不变。后续研究则关注这种具有不同平衡类型的局部结构（图1b）[15-18]。尽管这些研究强力证实了国家间的联系并非仅取决于双方本身特性[19]，但从网络视角看，它们依然属于区域内互动行为（涉及邻国）。

图1 国家关系网络及其转变示意图。

事实上，随着经济与文化合作快速全球化的推进，我们在此提出假设：国家间关系的形成不仅受其本地网络环境塑造，同时也受其在全球国际关系网中所扮演角色影响（图1c）。我们认为各类国际互动的建立能加强不同国家之间的联系，并赋予每个国家特殊的全球网络位置[20-24]。近期有些研究人员发现某一国家在网络中所处位置极为重要，并且可以改变影响力分布[25]。尽管有少数研究指出了存在于各个国家之间的关系网络[21, 22]，但这引发了一个至今未得解答及至关重要的问题：如何以及是否会将两个具体之间态度转折传播开来？理解这个问题对预测、减轻甚至避免全球范围内大规模暴力极化事件爆发具备决定性意义，尤其是当今世界正面临更加脆弱和危险状态时。

为弥补这一研究空白，我们在此设计了一个框架，系统地研究国家间关系的转变及其全球级联效应。在本文中，每个月各对国家之间关系状态通过所有相关事件的平均得分来判定。两国关系用正向/积极（P）或负向/消极（N）状态表征，分别代表相对合作关系或冲突关系。对于每一对国家，在连续两个月内由积极向消极（或从消极向积极）的状态改变被定义为一次“转变”，标记为PN（或NP）。通过这种方式，我们发现国家对之间的级联关系转变在全球范围的情景中展开，使我们能够从全面的角度揭示国家关系互动的模式。我们的结果表明，尽管强转变在短期内对许多其他国家对产生了强级联效应，但弱转变却出奇地对最大级联的很大一部分负责。研究发现，转变的概率和强度，与其局部平衡水平和在网络中的全局中心角色之间，存在强烈的相关性。我们的研究结果还表明，转变对双边贸易量和科学合作具有很高的影响力。这些结果提供了关于国际关系转变传播模式的可操作见解，有助于设计全球冲突的预警信号。此外，我们的方法在捕捉和理解其他随时间变化的动态复杂系统中的级联模式方面开辟了新的领域。

二、实验结果

我们借由提取50个大国间1225对关系的月度双边数据，分析了各国关系转变及其动态性。这份覆盖1995年1月至2020年3月、超过25年期间的数据集基于一个国际事件数据库[26]。两个具体国家(i,j)之间时间序列上的相互关系通过每月平均Goldstein得分|g^t_ij|来捕获，该得分代表他们之间冲突与合作程度的综合测量[27]。在GDELT数据库中应用了CAMEO事件编码系统，此系统为社会政治行为者互动类型提供标准化编码。每一种CAMEO事件代码都被赋以-10到+10范围内数值评分，反映出该事件可能对某一特定国家稳定性产生何种影响。我们按照如下方式衡量两个特定国家之间随时间演进的关系：给定完整CAMEO事件集后，我们计算每个月里一对特定地区发生事项总和的平均Goldstein得分。因此，我们能生成一个时间序列来捕获不同地区对应关系变迁情况。基于这份数据集构建起了描述这些动态转变过程的各地区联系网。

作为一个例子，我们在图1d中展示了两个月度网络，展示了积极（P，绿色）和消极（N，橙色）的关系。对于每对国家，从积极到消极（或从消极到积极）在连续两个月内的状态变化被定义为一次转变，用PN或NP表示。如图1d所示，叙利亚和以色列之间的关系在2011年2月和3月之间发生了PN转变。为了量化不同的转变，我们通过测量转变前后关系变化的显著性来定义转变强度。我们首先确定每个转变的类型，PN（或NP），发生在月份|t|和|t+1|之间。然后，我们计算其强度，即过去n个月中P（或N）的比例乘以接下来n个月中N（或P）的比例。强度的值被定义为：

其中：

图1e显示了叙利亚和以色列之间的Goldstein得分的月度时间序列，反映了复杂的动态国家关系，这通常是由于历史和政治冲突而敌对的。对于叙利亚和以色列来说，图1d中显示的一个PN转变的强度为0.876，是过去25年来世界上最强的转变之一，从1995年1月到2020年3月。在这段时间内，叙利亚内战期间，以色列-叙利亚停火边界发生了几起暴力事件，使两国之间的和平状态紧张。图1f显示，在所分析的303个月中，无论是PN转变还是NP转变的所有强度分布都明显遵循指数分布。此外，约80％的转变强度小于0.25，表明全球关系在大部分时间内是稳定的，存在许多弱转变和少数强转变。图1g显示了过去25年中全球范围内五个最强的PN转变和五个最强的NP转变。很明显，具有非常高强度的转变通常对应着著名的历史事件。

举例来说，旨在解决以色列和巴勒斯坦冲突的戴维营峰会未能达成协议。相应地，在2000年4月，以色列与巴勒斯坦间由积极向消极发生了剧烈转变。这引发了随后中东地区长期的暴乱和冲突。又如乌克兰-俄罗斯两国关系，直至克里米亚危机之前一直保持着较为良好状态。我们可以明显看到，在2014年1月，乌克兰与俄罗斯间出现了强度极高的PN转变。此次转变后，该区域经济遭受重创，“回归90年代”的形容可见一斑。简言之，这些最具影响力的PN转变对人权、区域和平及经济发展造成了深远负面影响。同时，NP类型的转变则缓解了国际紧张局势，比如2007年美军从伊拉克撤离。无论是哪种类型的转变都有可能深度重塑全球局势。

接下来，我们对不同转变间的时空相关性进行了测量。如图2a所示，转变强度越大，在国家关系网络中的两个转变就越相近。再者，任何一个给定的PN转变或NP转变，在其邻近的转变平均强度上随着本身转变强度增加而提升，正如图2b和图2c所呈现。在时间尺度上也察觉到类似这样一种相关性：同一对国家连续出现两次PN或NP类型转变的情况下，若其转变更为剧烈，则二者间相对时间间隔缩短（见图2d）。较短时间内频繁发生同类型变化，意味着该情形易于重复出现。然后是关于“强力”级别的改变——它们之间连续出现的相对时间间隔较小，这表明它们并非持久可行。以上结果揭示可能存在一个规律：在网络空域和事件序列中，“国际关系态势”的变化会产生级联效应。此结论在图2e和f中得到进一步佐证——当原始状态改变的强度增加时，接下来12个月里面相同方式演化展现出更显著优势。

图2. 时空这边的关联性

考虑到上述静态时空关联，我们很自然地想要探究这些转变如何作为动态过程互动。从流行病[28]、地震[29]、停电[30]到社会行为[31]，在许多复杂系统中都已经观察到了级联效应——一种沿时间和空间展现的集体现象。为了揭示国际关系转型在国家网络内的级联效应是如何显现出来的，我们选择特定PN及NP类型转变作为“种子”节点。接下来几个月，在时间上（1个月内）与之前状态相连并在空间上近邻于此的新转变将加入由种子节点启动的级联中。这里需要注意，在后续发生的转化中强度|S^t_ij|⁠必须超过0.25，而“种子”节点则无此限制。图3a和图3b呈现了树状结构所表达出来的级联效果。可以理解成以下情况：2011年2月，以色列和叙利亚之间产生一个PN型关系转变，该事件正好涉及叙利亚发起名为“阿拉伯之春”的抗议潮与暴民起义。“阿拉伯之春”的影响在接下来的几个月中扩展到更多国家。例如，2011年3月，由于沙特阿拉伯支持叙利亚反对派力量，叙利亚与其之间发生PN转变。至2011年4月, 沙特阿拉伯赞助利比亚反对党并介入“阿拉伯之春”所引起的利比亚冲突，在此过程中导致了沙特与利比亚之间PN状态的改变（见图3a）。2007年11月美国开始从伊拉克撤军使两国关系产生NP转变，在接下来几个月内有许多其他国家也和伊拉克出现同样情况（见图3b）。图3c和图3d分别描述了这两种级联在未来每一个月内新转变数量以及最大强度，并将它们与所有级联效果进行箱型图对照。从图3c的箱形图我们可以看出，通常种子节点转变后三个月内会迅速拓展级联效应。而如图 3d所示，最大强度也可能在种子节点发生改动后的三个月内达到顶峰值，并且随着时间推移逐渐降低。

图3. 国家网络中的级联转变

为了深入探究级联转变，我们对种子转变与其后续对级联的影响进行分析。我们制定了四项衡量标准用以描述他们的特性：每个种子转变的规模、速度、平均强度和转型类型比例。转化的规模代表一个级联中总共有多少次转化；级联速度是指所有类型改动数相较于时间跨度（月）所得结果；平均强度则是指一个级联中所有改动强度的平均值。而类型则测量出在种子节点之后同样类别改变占据百分比。图4a和图4b清楚地揭示出随着种子节点强度增加，级联回应链条大小及延展速率也会提高。更进一步来说，我们发现较大强度启动下，产生链条具有更高的平均强度（见图4c）。令人意外地是，NP型转变下，较大强度启动能激发出含更多NP状态回应链条，并非如此于PN状态（见图4d）。图4a 至图4d中曲线皮尔逊相关系数分别为0.92, 0.94, 0.89, 和 0.80 ，P值分别为0, 0, 0.0001, 和 0.002，显著性极高。更有趣的是，我们注意到无论级联大小如何——最大或其他规模级联——多数都是由弱种子节点引发（见图4e）。进一步的统计分析显示，在10%最大规模级联回应链条中，有79%源自小于0.25强度的种子节点转变。这揭示了“蝴蝶效应”——即不能忽视微小扰动可能对动态系统产生非线性影响。人们普遍认为在经济、军事、科技、文化影响及外交领域中剧烈改变可以重塑世界格局，本研究也支持这个观点：较大范围内的转变会导致更剧烈回应链条出现。然而，更重要的是图4e让我们开始关注那些以往被轻视甚至未曾记录过的细微联系改变。

图4. 级联转变的统计数据

类似于另一种典型的传染过程——流行病，要想最终控制病毒扩散，理解个体转变如何发生及其相关特质尤为关键。以往的研究分析了人际关系以及它们如何依赖于当地平衡结构[32-36]。Heider从“敌人的敌人即是朋友”这一观点中得到启示，推测一个含有一条或三条积极连结的三角形能保持稳定状态, 否则就失衡[13]。平衡概念可以协助我们理解国家间部份互动，通过他们对共同邻近国家的态度来看。然而图3中所展现出来级联效应相反地暗示着全球级别链式转变存在。为了探索背后全球性机制，我们采用介数中心性概念, 它代表节点或链接在网络内从一个组成部分至所有其他部分间沟通交流作用[37]。我们计算链接介数中心性通过取两端节点（各国间）介数中心性的平均值（见图5c）。此处, 一个具有高度介数中心性链接表示网络内两个主权国家间关系，在网络内可能拥有许多联系，为各国对之间的最短路径提供了许多通道。我们在图5a和b发现链接介数可以根据这两个节点很好地预测转变及其强度。高介数链接趋向于保持原始状态，即少有转变；而低介数链接则更易从积极态转为消极态或反之。进一步来说，在图5b我们发现链接转变力量几乎随着其介数线性增长。也就是说，尽管高度介数的链路较不可能改变其状态, 但一旦确实发生改动, 这样的链路可能会产生巨大影响。社会科学领域中关于人与人关系微观层面研究表明，平衡结构下涉及连结呈稳定状态, 而非平衡结构下链接则倾向于经历转变[29]。考虑到月份配对关系所呈现出8种可能三角形配置（见图5c），我们确认那些处在更平稳结构内部分国家也趋向保持稳定（见图5d）。有趣的是，如图5e所示，与介数不同，转变类型依赖于平衡环境方式却不尽相同。对于从积极态向消极态（PN 转变）过程中，强度随着平衡比例增加而减少，这意味着高度平衡的积极链接更可能出现弱转变；而高度稳定下消极链路则倾向产生强烈转变。我们发现全球网络位置和配对局部环境都是预测转变概率及其强度关键因素。

图5. 级联转变的网络属性

“转变”意味着两国间双边关系的显著改变，可能对其他国际合作产生影响。我们收集了各对国家间的月度双边贸易数据以及合作科研论文的月度数据。如图6a和图6b所示，一对国家频繁发生转变与其在科学合作和贸易合作上的减少有关。这些发现适用于发达国家和发展中国家。转变带来的时序效应如图6c至图6e所述。图6 c展示了最不稳定时期与其他时间相比过渡数量占比散点图。由于在最多转变时期与剩余时间存在明显差异，我们选择某些特定国别组合（粉色圈标记）进行后续统计分析。接着，针对最不稳定时期以及其他时间段，分别计算规范化贸易量和联合论文数比例。我们确定每个两两组合中连续三年内转变次数占比最高为该组“最不稳定”时间段，并将此阶段内平均月贸易额以及共同论文数目与剩余时间做比较。我们推测在不稳定期间，联合论文数量以及贸易额相对于其他时间段有所下降，并计算了满足这一假设的国别组合占总数的百分比。规范化比例即每月论文数量和贸易额率。如图6d所示，75.2%的散点（一对国家组合）位于对角线以上，符合前述假设，这意味着这些国家在最不稳定时期产出的联合论文更少。同样地，图6e显示，在最不稳定时期内61.9%的国家组有较低贸易量。通过控制“最不稳定”阶段与其余时间转变差异在一定范围内，我们可以筛选出各类别的两两组合。值得注意是，满足假设条件的两两组合占总数百分比随着“最不稳定”阶段与剩余时间间转变差距增大而上升。PN强度和NP强度差异对论文和贸易影响也已确认，平均来看，NP转变强度更高之国家关系，对应有更多共同科研成果以及贸易货物规模。这些结果突显出理解国家关系转变的重要性，正如本研究开始所强调。

图5. 级联转变与双边科研合作量、贸易量的关系

三、讨论分析

国际关系随时间推移而难测，而“转变”则是其常态。这些关系的转变可影响到国家主权——社会效益的基础[38]，并可能触发一连串重塑全球力量分布的波动[39]。因此，揭示世界各地持续出现的转变特性及其动态行为至关紧要，以便预警和规避风险。然而，由于缺乏精确定量分析框架以及相关大数据支持，在实现此目标上还面临巨大挑战。尽管已有不同理论模型应对此问题，但从全球动态网络角度来看，在系统化研究国际关系方面我们仍未构建出一个完善、系统、数据驱动的框架。在本研究中, 我们成功开发了该框架，并使用高精度数据集（涵盖超过25年时间跨度以及每月1225个国别组合）探讨了国际关系中“转变”的网络效应。通过定义不同强度级别的“转变”，揭示了在网络空间和时间内大规模级联效应。“转变”能引爆几个月内达到顶峰的动力学级联，强度较大的“转变”能在更短时间内引发更大级联效应。然而令人意外的是，最大级联效应常常起始于弱强度“转变”。我们研究结果显示，国家关系网络中诸如介数中心性这样的拓扑特征，对预测“转变”可能性与强度至关重要。当构建风险事件预测模型时，需要优先考虑具有高介数中心性的边缘。通过融合网络理论和海量外交数据分析所揭示出来的机制，或将在未来帮助我们精确构建外交风险传播模型。类似SIR和SIRS流行病传播模型，在有效预测及控制流行病方面表现卓越，同样地, 外交风险传播模型也可以为系统化预警全球潜在危机提供支持。此次发现进一步暗示：频繁“转变”会给双边贸易额以及科学合作造成较大损害。

在此意义上，本研究对构建全球大背景下的国际关系动态真实模型可能具有借鉴价值。这尤为重要，因新冠疫情席卷全球后，世界格局正积聚巨大风险，我们亟需一个量化分析框架以应对此等态势。缺乏系统性机制与风险知识让现行国际关系管理更显脆弱且难以预测。类似流行病传播过程中的感染性趋向，本文发现国际关系转变也有相近特质。然而，如同面对流行病一样, 我们目前仍未能清楚掌握驱使国际关系转变的基础机理和管理方法。与流行病不同的是, 本研究确认并非只有重大转变事件才会引起社会动荡，“小火花”往往也可引爆如第一次世界大战般的社会震荡。“情绪”的传播并非线性进程，并不能像处理流行病或其它物理传播过程那样简单处理级联效应问题；更重点地说, 国家间“转变”的扩散过程受到包括怀疑、恐慌在内的理性与非理性情绪因素深度影响，这与流行病中生物机制作用形成鲜明对比。考虑到所有这些复杂性，我们使用新开发方法意外地找到了清晰可见的转变级联模式。尤其是，通过计算国家间介数中心性来捕获引领国际关系转变的关键要素。本次研究或许能揭开一段探寻各国关系如何相互作用以及洞察其他随时间演进动态系统奥秘的序幕。

四、材料和方法

（一）数据描述和处理

国家关系是从GDELT数据库（全球事件、语言和情绪数据库）中提取的。GDELT是最全面的数据集之一，记录了多种语言的全球新闻。GDELT的事件记录以扩展的二阶CAMEO（冲突和调解事件观察）[40]格式存储，该格式捕捉了两个国家及其行动。此外，每个CAMEO事件代码都被分配了一个在-10到+10之间的数值分数，该分数反映了该类型事件对国家稳定性的潜在消极或积极影响。这被称为Goldstein尺度[41]。大量的国际事件，从生态问题、经济发展、核扩散恐怖主义、民族主义和人权到文化差异和公民交流，为量化国家之间的互动提供了机会。在本研究中，利用了1995年1月至2020年3月期间的1225个国家对之间的70756728个事件来捕捉国际关系动力学。我们按照以下方式测量了两个国家之间的时间关系：给定一个完整的CAMEO事件集，计算了每个月一对国家之间一系列事件的平均Goldstein分数。通过这种方式，生成了能够捕捉时间上的双方关系的时间序列。

科学合作是通过两国合著论文的数量来衡量的，这反映了研究上的合作[42]。合著论文数据集包含了1995年1月至2017年12月期间被收录在科学引文索引（SCI）和社会科学引文索引（SSCI）中的国际科学合作论文。对于来自三个以上国家的文章，我们为每个国家对添加一次国际合作。总共使用了11607282篇代表科学合作的文章。

双边贸易额数据集包含了1995年1月至2019年12月的月度双边贸易额。我们通过将A国和B国之间的出口和进口相加来计算月度出口-进口额。由于各国统计标准不同，A国向B国报告的出口额与B国报告的出口额不同。因此，A国向B国的出口额和B国从A国的进口额取平均值。总共有1225个国家对在不同月份分布的价值为212295829.8亿美元的贸易额。月度双边贸易额和合作科学论文已经进行了归一化处理。

（二）国家关系网络的构建

（三）国际关系转变

我们根据每个月每对国家之间的平均Goldstein分数来确定积极（P，绿色）和消极（N，橙色）关系，该分数是由涉及这两个国家并发生在月份t的所有事件的Goldstein分数取平均得到的。在连续两个月内从积极转变为消极（或从消极转变为积极）被定义为一次转变，用PN（或NP）表示。然后，我们计算转变强度|S^t_ij|，它是前n个月中P（或N）的比例与后续n个月中N（或P）的比例的乘积。

（四）级联转变

每个转变可以被视为产生级联的种子节点。在第一步中，种子节点转变可以导致在随后的月份出现的D = 1的新转变，并且每个步骤中级联的转变继续导致在下一个月出现的其他新转变，范围为D = 1。D是国家关系网络中两个国家对之间的距离。这样，级联将继续传播，直到不再包含更多的转变。我们在图1f中发现，大约80%的转变强度小于0.25。为了捕捉相对强大的转变的级联，只有在识别级联时考虑强度大于0.25（前20%）的后续转变。

（五）转移概率

转移概率是一种条件概率，用于描述链接状态的变化。转移概率定义为在考虑所有国家对和所有月份时，t + 1时刻的关系类型与t时刻的关系类型之间的比例。例如，P(NP)是NP转移数量与NP和NN转移数量之和的比值。

参考文献

1. Mike S , Helen B. 2011. Why international relations is the key to all our futures.[last accessed 2021 January 1].

2. Yarbrough B , Robert Y. 2014. Cooperation and governance in international trade: the strategic organizational approach. Princeton (NJ): Princeton University Press.

3. Kato M , Ando A.2017. National ties of international scientific collaboration and researcher mobility found in Nature and Science. Scientometrics. 110:673–694.

4. Klotz A , Cecelia L. 2014. Strategies for research in constructivist international relations. New York (NY): Taylor and Francis.

5. Stevenson D . 2004. 1914–1918: the history of the First World War. London, UK: Penguin.

6. Zagare F . 1984. Game theory: concepts and applications. New York(NJ): Sage.

7. Quackenbush S , Frank Z. 2006. Game theory: modeling interstate conflict. Making sense of IR theory. Boulder, Colorado: Londres: Lynne Rienner. 98–114.

8. Goldstein J . 1991. Reciprocity in superpower relations: an empirical analysis. Int Stud Q. 35(2):195–209.

9. Jervis R . 1998. System effects: complexity in political and social life. Princeton (NJ): Princeton University Press.

10. Murray W . 1984. The change in the European balance of power, 1938–1939: the path to ruin. Princeton (NJ): Princeton University Press.

11. Signorino C . 1999. Strategic interaction and the statistical analysis of international conflict. Am Pol Sci Rev. 93:279–297.

12. Hill C , Smith M, Vanhoonacker S. 2017. International relations and the European Union. New York (NY): Oxford University Press.

13. Heider F . 1946. Attitudes and cognitive organization. J Psychol. 21(1):107–112.

14. Harary F . 1961. A structural analysis of the situation in the Middle East in 1956. J Conflict Resolut. 5(2):167–178.

15. Moore M . 1978. An international application of Heider’s balance theory. Eur J Soc Psychol. 8(3):401–405.

16. Moore M . 1979. Structural balance and international relations. Eur J Soc Psychol. 9:323–326.

17. Wellman B . 2003. Structural analysis. From method and metaphor to theory and substance. In: Social networks. critical concepts in sociology. Cambridge, England: Cambridge University Press. 81–122.

18. Estrada E , Benzi M. 2014. Walk-based measure of balance in signed networks: detecting lack of balance in social networks. Phys Rev E. 90(4):042802.

19. Doreian P , Mrvar A. 2019. Structural balance and signed international relations. J Soc Struct. 16(1):1–49.

20. Hafner B , Marie E, Kahler M, Montgomery A. 2009. Network analysis for international relations. Int Organ. 63:559–592.

21. Hoff P , Ward M. 2004. Modeling dependencies in international relations networks. Political Anal. 12:160–175.

22. Barnett G , Xu W, Chu J, Jiang K, Huh C, Park J, Park H. 2017. Measuring international relations in social media conversations. Gov Inf Q. 34(1):37–44.

23. Belaza A , Hoefman K, Ryckebusch J, Bramson A, Heuvel M, Schoors K. 2017. Statistical physics of balance theory. PLoS One. 12(8):e0183696.

24. Maoz Z , Leskey T, Kuperman R, Ilan T. 2005. International relations: a network approach. New directions for international relations: confronting the method-of-analysis problem. 35–64.

25. Hafner-Burton EM , Montgomery A. 2006. Power positions: international organizations, social networks, and conflict. J Conflict Resolut. 50(1):3–27.

26. The GDELT Project. https://www.gdeltproject.org/. [last accessed 2021 March 15].

27. Frank M , Obradovich N, Sun L, Woon W, Leveck B, Rahwan I. 2018. Detecting reciprocity at a global scale. Sci Adv. 4:eaao5348.

28. Barthélemy M , Barrat A, Pastor-Satorras R, Vespignani A. 2004. Velocity and hierarchical spread of epidemic outbreaks in scale-free networks. Phys Rev Lett. 92(17):178701.

29. Marsan D , Lengline O. 2008. Extending earthquakes’ reach through cascading. Science. 319(5866):1076–1079.

30. Buldyrev S , Parshani R, Paul G, Stanley E, Havlin S. 2010. Catastrophic cascade of failures in interdependent networks. Nature. 464(7291):1025–1028.

31. Helbing D . 2013. Globally networked risks and how to respond. Nature. 497(7447):51–59.

32. Srinivasan A . 2011. Local balancing influences global structure in social networks. Proc Natl Acad Sci. 108(5):1751–1752.

33. Szell M , Lambiotte R, Thurner S. 2010. Multirelational organization of large-scale social networks in an online world. Proc Natl Acad Sci. 107(31):13636–13641.

34. Marvel S , Join K, Robert K, Steven S. 2011. Continuous-time model of structural balance. Proc Natl Acad Sci. 108(5):1771–1776.

35. Askarisichani O , Lane J, Bullo F, Friedkin N, Singh A, Brian U. 2019. Structural balance emerges and explains performance in risky decision-making. Nat Commun. 10(1):1–10.

36. Facchetti G , Iacono G, Altafini C. 2011. Computing global structural balance in large-scale signed social networks. Proc Natl Acad Sci. 108(52):20953–20958.

37. Freeman LC . 1977. A set of measures of centrality based on betweenness. Sociometry. 40:35–41.

38. Gourevitch P . 1978. The second image reversed: the international sources of domestic politics. Int Organ. 32(4):881–912.

39. Wright Q , Wright LL. 1983. A study of war. Chicago,Illinois: University of Chicago Press.

40. CAMEO Event Data Codebook . Computational Event Data System. Data: Querying, Analyzing and Downloading: The GDELT Project. [last accessed 2020 Jun 21].

41. Goldstein J . 1992. A conflict-cooperation scale for WEIS events data. J Conflict Resolut. 36(2):369–385.

42. Newman M . 2011. The structure of scientific collaboration networks. In: The structure and dynamics of networks. Princeton (NJ): Princeton University Press. p. 221–226.

（参考文献可上下滑动查看）

复杂系统管理学读书会第二季

21世纪人类已经进入了全球化时代，事物彼此之间的依赖程度愈来愈深，传统的分割式思维模式已经无法深入分析与解决现有问题。在此时代背景下，一种主张以系统思维模式为核心的科学管理理论顺势而起。

兴起于20世纪80年代的复杂性科学，是系统科学发展的新阶段，也是当代科学发展的前沿领域之一。复杂性科学的发展，不仅引发了自然科学界的变革，而且也日益渗透到哲学、人文社会科学领域。英国著名物理学家霍金称“21世纪将是复杂性的世纪”。

企业、组织都是典型的复杂系统，也是复杂科学可以落地的方向。复杂系统管理学，是建构在复杂系统基础上发展的管理学新视角。复杂系统视角不仅可以形成一个认识问题的体系，也可以孕育解决问题的思维方式和方法。它不只是一堆解释性的概念，也可以通过与社会科学和大数据相结合，发展算法、构建模型，完成理论验证，发展出可预测未来的动态演化模型。

集智俱乐部邀请了清华大学社科学院社会科学院与公共管理学院合聘教授罗家德，清华大学经济管理学院副教授张勉，SIMOE 和奇弦智能创始人、同济大学组织仿真中心主任陆云波，以及东南大学经济管理学院教授吕鸿江共同发起了复杂管理学读书季第二季。聚焦在自组织、DAO、创新型管理、网络等方向，分享复杂系统管理领域的前沿理论、经典科普图书，旨在促进学术交流、知识分享以及跨领域合作。共同探讨复杂科学理论在复杂系统管理场景的应用、实践与展望，一起应对复杂多变的人类发展未来。

本系列读书会采用线上和线下相结合的方式，2023年9月23日开始，每周六下午 14:00-17:00，持续时间预计8-10周。读书会详情及参与方式见后文。