EN中文

Resources Science >

2025 , Vol. 47 >Issue 8: 1772 - 1791

DOI: https://doi.org/10.18402/resci.2025.08.13

Low-altitude Industry and Innovation

Topological characteristics, influencing factors, and impact scenario simulation of global unmanned aerial vehicle trade network

  • ZHANG Chao , 1, 3 ,
  • LU Minhao 1 ,
  • QIN Qi , 2 ,
  • WU Yingmei 1
Expand
  • 1. Faculty of Geography, Yunnan Normal University, Kunming 650500, China
  • 2. The Strategic Assessment and Consultation Institute, Academy of Military Science, Beijing 100091, China
  • 3. Institute of Geographic Sciences and Natural Resources Research, CAS, Beijing 100101, China

Received date: 2025-04-30

  Revised date: 2025-07-24

  Online published: 2025-09-09

Fold

Abstract

[Objective] Unmanned aerial vehicles (UAV) represent a key development direction in global strategic emerging technologies and one of the highly competitive high-tech products in China. Revealing the global UAV trade network and its influencing factors can provide decision-making support for optimizing the global trade pattern and helping China avoid potential trade risks. [Methods] Complex network analysis, exponential random graph model, and network vulnerability simulation model were employed to reveal the topological characteristics of the global UAV trade network from 2022 to 2024, analyze the influencing factors of the network, and simulate the network vulnerability under different impact scenarios. [Results] (1) From 2022 to 2024, global UAV trade volume increased from 4.232 billion USD to 12.665 billion USD, an increase of 1.99 times. Changes in trade volume were linked to the global geopolitical situation and trade control policies. (2) Overall, both the number of participating economies and trade connections in the global UAV trade network increased, with a significant small-world phenomenon. At present, western economies such as Ukraine and the United States have played an increasingly prominent role as importers, while the mainland of China and Hong Kong of China gradually dominated the export pattern. Malaysia’s influence on trade networks rapidly expanded. The network evolved from a single-core structure to a dual-core structure, forming a super cluster centered on the mainland of China and Hong Kong of China, covering 75% of the global economies and nearly 80% of the trade volume. (3) Reciprocal relationships served as a critical endogenous structure driving the expansion of the network. Economies with high openness, favorable institutional environment, advanced technological levels, and strong economic strength shaped the core structure of the network through their significant advantages in both imports and exports. The influence of geographical distance and geopolitical relationships on the establishment of trade connections was limited. (4) Under the influence of the transmission-based trade network motif structure, the influence of the withdrawal of different types of economies on network efficiency followed the order: intermediary type > comprehensive type > export-oriented type > import-oriented type. The influence of export restrictions by export-oriented type economies on network efficiency was greater than that of import restrictions by import-oriented type economies. [Conclusion] From 2022 to 2024, the global UAV trade scale has doubled, and changes in the network structure are linked to the international situation. China has a scale advantage and concentrated risks in the global UAV trade market.

Key words： unmanned aerial vehicles; trade network; exponential random graph model; influencing factors; vulnerability; global

Cite this article

ZHANG Chao , LU Minhao , QIN Qi , WU Yingmei . Topological characteristics, influencing factors, and impact scenario simulation of global unmanned aerial vehicle trade network[J]. Resources Science, 2025 , 47(8) : 1772 -1791 . DOI: 10.18402/resci.2025.08.13

1 引言

无人机（Unmanned Aerial Vehicle，UAV）作为新一代电子信息技术与航空工业技术深度融合的产物，是全球战略性新兴科技的热门发展方向之一[1]。21世纪以来，无人机的应用领域逐渐从“军事为主”转向“军民并重”。2010年前后，世界各国（地区）对无人机空域管控规范化，民用和消费级无人机得到快速发展，广泛应用于农林植保、地理测绘、安防搜救、物流运输等领域[2]。中国民用无人驾驶航空发展报告显示，截至2023年底，全行业注册无人机共126.7万架，运营企业达到19825家，分别比上年增长了32.20%和31.03%，产业规模突破1200亿元。全球来看，中国消费级无人机目前占全球74%的市场份额，工业级无人机占全球55%以上的市场份额[3]，已多年稳居全球首位[4]，是我国具有全球竞争优势的高科技产品。
作为低空资源开发的核心载体之一，越来越多的国家（地区）加快了无人机研发和应用的步伐，有力推动了全球的贸易流动[5]。据联合国商品贸易统计数据库（UN Comtrade）数据，全球无人机贸易总额已经由2022年的42.32亿美元增加至2024年的126.65亿美元，增长了近2倍，贸易网络日益扩大化与复杂化。消费级无人机在俄乌冲突中应用广泛，已成为左右战场局势的新要素[6]。2023年9月，中国实施无人机相关物项出口管制政策，引发了全球无人机贸易市场波动。2024年以来，美国相继出台了多项条款，禁止中国无人机在美销售。无人机俨然成为大国科技博弈新领域，无人机贸易深度嵌入到错综复杂的国际局势中，贸易网络稳定性受到多重因素的影响。
目前，学界从多视角对无人机开展了丰富研究，如无人机的军事价值[7,8]、技术发展[2]、民用领域应用[9-12]、全球市场开拓策略[13-15]，以及军事无人机双边贸易在俄乌冲突与外交活动中扮演的角色等[16-18]，但缺乏相对系统全面的无人机多边贸易关系研究。近年来，伴随网络科学的兴起，网络成为透视全球性多边贸易关系的重要视角[19]，目前贸易网络的相关研究主要集中在拓扑特征、影响因素、脆弱性等方面。①拓扑特征方面，学者针对农产品[20-22]、关键矿产[23]、能源[24]、外贸出口“新三样”（电池[25]、光伏[26]、汽车[27]）、高科技产品[28,29]（机器人[30]、芯片[31]、集成电路[32]）等商品，解析了不同商品的全球贸易网络拓扑特征。②影响因素方面，应用引力模型[33,34]、指标体系评价法[35-37]、二次指派程序法（Quadratic Assignment Procedure，QAP）[38,39]、指数随机图模型（Exponential Random Graph Models，ERGM）[40,41]等方法，剖析了资源禀赋、经济水平、科技实力等因素在贸易网络形成与演化中的作用。③脆弱性方面，在全球卫生事件、局部双边摩擦等突发因素的影响下，部分国家的贸易管制政策进一步放大了对贸易网络的冲击，脆弱性模拟成为贸易网络的研究热点[26]。网络脆弱性通常定义为网络遭受极端扰动时的敏感程度和失效倾向[42]，其往往量化为极端事件造成扰动发生前后的网络结构功能性变化，变化幅度越大，网络就越脆弱，一般通过节点或连边移除后的网络效率变化来反映[43,44]。
综上所述，一方面，现有文献围绕无人机开展了丰富的研究；另一方面，基于复杂网络分析的全球主要商品贸易网络拓扑特征、影响因素和脆弱性研究大量涌现。然而，目前尚未有文献对全球无人机贸易流动开展深入研究，仍缺乏对全球无人机贸易网络拓扑结构的系统性剖析，网络格局形成的影响因素未能得到全面评估，不同贸易地位国家（地区）的贸易管制政策对网络效率的影响尚未有效揭示。因此，本文基于UN Comtrade数据库2022—2024年的全球无人机贸易矩阵数据，运用复杂网络分析方法，构建全球无人机贸易网络，从节点属性、网络特征和组织结构等角度揭示贸易网络拓扑特征；利用指数随机图模型，从内生结构、行动者属性和外部网络等方面解析贸易网络形成的影响因素；通过网络脆弱性模拟模型，模拟不同类型经济体退出全球贸易以及大型进出口经济体贸易管制政策对网络效率的影响程度。本文结果有望为科学认知全球无人机贸易网络的基本特征、研判不同贸易管制情景冲击下的影响、提高贸易网络的稳定性提供有益参考。

2 研究框架、方法与数据

2.1 研究框架

本文围绕全球无人机贸易网络的拓扑特征、影响因素及脆弱性开展研究。首先，基于复杂网络分析方法，从节点属性、网络特征和组织结构等方面，揭示贸易网络拓扑特征；然后，应用指数随机图模型，从内生结构、行动者属性和外部网络效应等维度，解析贸易网络形成的影响因素。最后，选取对网络结构有重要影响的节点，借助网络脆弱性模拟模型，模拟测度节点失效和贸易管制情景下的网络脆弱性（图1）。
图1 研究框架

Figure 1 Research framework

2.2 研究方法

2.2.1 复杂网络分析

根据图论，构建全球无人机贸易网络[45]，具体如下：
N = ( V ,   L ,   W ,   W ' ,   T )
式中：N为全球无人机贸易网络；V为所有节点（即经济体）的集合；L为所有边（即两个经济体之间的贸易联系）的集合；W和W'分别为所有节点属性（即经济体拥有的贸易联系数）和所有边属性（即两个经济体之间的贸易总额）的函数集合；T为每一个贸易网络的数据集合。其中，把参与全球无人机贸易的经济体作为节点，经济体间贸易关系作为边，贸易额（美元）作为边的权重。
在贸易网络构建基础上，参考已有研究[46,47]，测度网络结构拓扑属性，指标包括节点度、节点强度、网络密度、平均聚类系数、平均路径长度、度中心性、中介中心性、接近中心性等，综合中心性用上述3个中心性指标均值表征[48]。为了更清晰地表达不同节点在无人机贸易中的角色地位，本文参考相关研究[21]和网络节点属性含义[27]，根据不同指标值的大小，定义不同节点的主导角色。划分标准及依据如下：①加权入度或加权出度高值节点，一般在进口或出口格局中占据重要地位，将这类节点称之为“进口型”或“出口型”节点；②中介中心性高值节点一般在贸易网络中扮演“中介”角色，称之为“中介型”节点；③综合中心性高值节点一般在贸易网络中扮演多重角色，称之为“综合型”节点。若部分节点的上述4个指标均处于高值区，则这类节点同时扮演了多个重要贸易角色。
基于Ucinet 6软件，计算不同年份各节点的核心度，识别网络的核心-边缘结构，划分标准如下[49]：核心度>0.30划分为核心节点，核心度处于[0.10,0.30]划分为半边缘节点，核心度<0.10的节点划分为边缘节点。

2.2.2 指数随机图模型

受数据可获得性约束，本文以2023年无人机贸易网络作为被解释变量，运用指数随机图模型（ERGM）[40]，解析网络形成的影响因素（表1）。具体算法如下：
$\begin{aligned} & P\left(N=\boldsymbol{X}\right)= \\ & \left(\frac{1}{k}\right)\exp\begin{bmatrix}\theta_1Edges+\theta_2Mutual+ \\\theta_3Homophily\left(country_i,country_j\right)+ \\\theta_4Sender\left(country_i,country_j\right)+ \\\theta_sReceiver\left(country_i,country_j\right)+ \\\theta_6Edgecov\left(N_{ij}\right)\end{bmatrix}\end{aligned}$
式中： P N = X为随机矩阵X在无人机贸易网络N中出现的概率P；countryi、countryj分别为经济体i、j； 1 k为归一化常数； θ 1- θ 6为待估参数；Edges为贸易网络的边变量，与传统回归模型的截距项类似；Mutual为贸易关系的互惠性；Homophily、Sender、Receiver分别为各变量的趋同性、扩散性和集聚性；Edgecov为边属性； N i j为边协变量。根据构建的模型，采用马尔科夫链蒙特卡罗极大似然法估计（MCMC）对模型进行检验，用t统计量检验参数的显著性，要求p值小于0.1，模型的间接性和拟合度用赤池信息量（AIC）和贝叶斯信息量（BIC）这两个参数评判。最后借助R语言statnet程序包模型检验。
表1 ERGM变量描述

Table 1 Description of ERGM variables

类型 变量 名称 示意图 统计意义
内生结构效应 Edges 边 类似于线性回归的常数项
Mutual 互惠性 无人机贸易关系的互惠性
行动者属性效应 Homophily 同配性 属性相近经济体间的无人机贸易倾向
Sender 扩散性 具备某属性经济体的无人机出口倾向
Receiver 集聚性 具备某属性经济体的无人机进口倾向
外部网络效应 Edgecov 二元关系协变量 经济体间存在其他关系的无人机贸易倾向
一般而言，贸易网络的形成受内生机制（内生结构效应）和外生机制（行动者属性效应、外部网络效应）共同作用[27]。因此，本文基于ERGM的模型基础，并参考已有研究[29]选取变量（表2）。首先，选取加权边（Edges）、互惠性（Mutual），检验网络的内生结构效应。其次，选取人均收入（PI）、全球化指数（KOF）、制度环境质量（WGI）和专利申请量（PCT）4个变量，检验网络的行动者属性效应。最后，选取地理距离（distance）表征地理邻近性、是否属于使用同一种官方语言（language）表征文化邻近性、是否曾经同属一个宗主国（comcol）表征社会邻近性、地缘关系（geopol）表征政治邻近性，构建4个虚拟变量，检验网络的外部网络效应。
表2 解释变量及数据说明

Table 2 Explanatory variables and data description

类型 指标 数据来源及处理说明
内生结构效应 边（Edges） 由ERGM计算得到
互惠性（Mutual） 由ERGM计算得到
行动者属性效应 人均收入（PI） 世界银行数据库
全球化指数（KOF） 瑞士经济学会数据库
制度环境质量（WGI） 世界银行数据库，缺失数值用当年的均值替代
专利申请量（PCT） WIPO数据库，缺失数值计为0，并对数值取对数以统一量纲
外部网络效应 地理距离网络（distance） CEPII数据库
语言同构网络（language） CEPII数据库
殖民历史网络（comcol） CEPII数据库
地缘关系网络（geopol） GDELT数据库，缺失数值计为0

注：根据自然断点法，将人均收入、全球化指数、制度环境质量、专利申请量划分为高（H）、中（M）、低（L）3个等级。各经济体的人均收入由总收入/总人口计算得到。地缘关系网络的矩阵值选取GDELT数据库中的戈德斯坦量表（Goldstein Scale）字段逐日数据求和得到[50]。

2.2.3 网络脆弱性模拟

网络效率作为网络中节点连通性的测度指标，能够很好地反映贸易网络在面对不同类型冲击下的拓扑性能，因而被广泛应用于网络脆弱性的评价中[26]。网络效率的计算公式为：
E = 1 n ( n - 1 ∑ 1 d i j
式中：E为网络效率；n为节点数量； d i j为节点i和节点j之间的最短路径。在具体评价中，本文设置2种情景，模拟2023年全球无人机贸易网络在面对节点失效和贸易管制情景时网络效率的下降程度，以此表征网络的脆弱性。具体情景设置如下：
（1）节点失效情景：依据各节点的加权入度、加权出度、中介中心性、综合中心性4个指标数值大小，分别确定节点失效的顺序，依次切断与该节点关联的贸易流，计算网络效率的变化情况。该情景主要模拟地缘冲突、贸易摩擦等因素引发重要参与经济体退出全球贸易对网络效率的影响程度。
（2）贸易管制情景：依据各节点的加权入度、加权出度指标数值大小，确定进口贸易与出口贸易失效顺序，分别依次切断该类节点的进口或出口贸易流，计算网络效率的变化情况。该情景主要模拟大型进口经济体的进口管制与大型出口经济体的出口管制对网络效率的影响程度。

2.3 数据来源与处理

经济体间双边贸易数据来源于UN Comtrade数据库，选取2022—2024年无人机（商品编码为8806，无人驾驶航空器；3个年份依次包含130、133和139个经济体）逐月进口贸易数据，求和得到年份数据。经核查，俄罗斯、乌克兰、波兰、阿联酋、韩国、越南、奥地利、中国台湾等8个经济体的进口数据存在部分时间区间的缺失，因此采用全球其他经济体向该经济体出口的贸易额进行数据补充。遵照UN Comtrade数据库的统计口径，参考相关研究[26]，本文将中国香港、中国澳门、中国台湾作为单独的经济体（网络节点）开展研究，将中国其他31个（省、自治区、直辖市）统称为中国内地，也作为一个经济体。影响因素的解释变量数据来源于世界银行、CEPII、瑞士经济学会、WIPO、GDELT等数据库，解释变量的具体说明如表2。

3 结果与分析

3.1 全球无人机贸易额变化特征

2022—2024年，全球无人机贸易额从42.32亿美元增至126.35亿美元，增长了1.99倍。参考陈小强等[51]的方法进行时间约束聚类可知，无人机贸易整体经历了4个阶段，基本可归纳为“低位攀升期”“低位波动期”“波动增长期”和“高位攀升期”（图2）。各阶段的具体特征如下：
图2 2022—2024年全球无人机贸易额逐月变化

Figure 2 Monthly variations in global UAV trade volume, 2022-2024

①低位攀升期（2022年1月—2022年3月），贸易额整体相较于研究期内其他阶段处于较低水平，但呈现快速攀升态势，由期初的0.88亿美元升至2022年3月的3.93亿美元，月均增长111.33%。②低位波动期（2022年4月—2023年1月），贸易额先升后降，由1.94亿美元升至3.05亿美元，月均增长5.16%。③波动增长期（2023年2月—2023年9月），贸易额由3.26亿美元波动增长至12.27亿美元，月均增长20.85%。其中，2023年3月和6月大幅升高，分别为上一个月贸易额的2.64倍和1.78倍，并在6月达到期内峰值12.74亿美元。俄乌冲突背景下，乌克兰贸易额占比快速上涨，从0.78%增长到7.81%。④高位攀升期（2023年10月—2024年12月），贸易额由8.90亿美元升至16.47亿美元，月均增长4.49%。本期内，中国对无人机相关物项实施贸易管制，引起了全球无人机贸易规模波动。

3.2 全球无人机贸易网络拓扑特征

3.2.1 节点属性

（1）欧洲、北美地区发达经济体的进口地位愈发突出
从全球无人机贸易网络的演化情况来看（图3），研究期间，美国、中国香港、荷兰、德国、丹麦、英国、波兰等经济体长期居于全球进口额前10位，是网络中的“进口型”节点。欧洲和北美地区的发达经济体是全球重要的出口目的地，且无人机已参与到国民经济的多个领域，其全球进口地位也愈发突出。从亚洲地区看，2022年日本是全球第二大无人机出口目的地，但随着中美两国出口转向欧洲市场，2024年日本进口额下降了64.60%。中国香港凭借其背靠中国内地和面向全球市场的“国际自由贸易港”地位，始终保持在进口额前3位的行列。此外，2024年乌克兰以15.69亿美元的进口额跃居首位，俄乌冲突极大地刺激了乌克兰的进口需求，该国从中国内地、波兰和德国大量进口了无人机。由此，全球无人机贸易形成了以乌克兰、中国香港、美国为主导的进口市场。
图3 2022—2024年全球无人机贸易格局演化

Figure 3 Evolution of global UAV trade network (GUAVTN), 2022-2024

（2）中国内地、中国香港、马来西亚等东亚经济体逐渐主导出口格局
无人机研制技术的高度集中化特征决定了供给端和出口端的垄断属性，出口高度集中于极少数经济体。研究期间，中国内地、美国、马来西亚、荷兰、中国香港、德国等经济体保持全球出口额排名前10位，是重要的“出口型”节点，合计占全球出口规模90%以上。其中，中国内地2024年对外出口41.69亿美元，占据全球比重达到了65.84%。随着中国内地的出口份额不断上升，周边经济体的转口贸易角色愈发凸显，全球无人机进口源逐渐向东亚地区转移，形成了以中国内地、中国香港、马来西亚为主导的出口格局。值得注意的是，中国内地的出口目的地主要以乌克兰、中国香港、荷兰、德国为主，2024年近七成的出口额集中于这4个经济体。中国香港同时扮演“进口型”与“出口型”节点角色，既是无人机贸易的重要目的地，也向荷兰、阿联酋等经济体发出大额贸易流，2024年出口额达3.50亿美元，超越美国成为仅次于中国内地的全球第二大出口经济体。另一方面，马来西亚通过积极与中国内地无人机企业合作，承接来自中国内地的代加工与转口业务，持续保持全球前3席位的出口经济体地位。此外，波兰出口贸易地位上升迅速，自2023年开始进入全球前10行列，2024年出口额为2022年的34.33倍。其中，2024年乌克兰成为波兰最大的出口目的地，出口额达1.50亿美元，相较上一年增长了2.51倍。
（3）美国和中国内地对网络的影响力居于前列，马来西亚的网络地位快速攀升
贸易活跃度上，美国、德国、荷兰、中国内地、瑞士等经济体的度中心性在研究期间均稳居前5位，现阶段荷兰是最活跃的贸易国（图4）。贸易控制力上，中国香港、荷兰、美国、瑞士等经济体的中介中心性居于前列，处于网络枢纽位置，是重要的“媒介型”节点。作为“中国内地对外贸易的中介人”的中国香港和作为“欧洲门户”的荷兰凭借独特港口优势，扮演极为重要的中介角色。瑞士则凭借其在无人机领域“教育-研发-市场”综合性优势，与多个节点形成密切贸易联系。贸易独立性上，中国内地、美国、德国、瑞士等经济体的接近中心性排名靠前，中国内地长期位列首位，与多个经济体存在直接贸易联系。
图4 2022—2024年全球无人机贸易网络节点属性指标

Figure 4 Node attribute indicators of GUAVTN, 2022-2024

综合中心性指标显示，研究期内美国、中国内地、瑞士等经济体的综合中心性均排名前5位，是“综合型”节点。中美两大经济体以领先的技术优势、巨大的贸易规模，在全球无人机贸易中扮演着重要角色，美国与中国内地始终保持在前2席位。值得关注的是，马来西亚综合中心性由期初的第26位升至期末的第11位，在全球无人机贸易网络中的影响力愈发凸显，这得益于马来西亚与中国内地日益紧密的无人机贸易关系。

3.2.2 网络特征

（1）参与贸易网络的经济体及贸易联系的数量整体上升
研究期内，参与全球无人机贸易的经济体数量与贸易规模稳步上升（表3）。贸易网络节点由130个增至139个，平均加权度从0.16亿美元增加至0.46亿美元，分别增长了6.92%和187.50%，反映出越来越多的经济体加入了全球无人机贸易市场中，且经济体间的平均贸易额明显增加。
表3 2022—2024年全球无人机贸易网络拓扑特征指标

Table 3 Topological characteristic indicators of GUAVTN, 2022-2024

年份 节点数/个 连边数/条 平均度/个 平均加权度/亿美元 网络密度 平均路径长度 聚类系数
2022 130 1155 8.89 0.16 0.069 2.345 0.372
2023 133 1474 11.08 0.39 0.084 2.220 0.438
2024 139 1440 10.36 0.46 0.075 2.285 0.393
网络的贸易联系与贸易效率先升后降，但整体仍有所升高。2022—2023年，网络连边数由1155条增至1474条，网络平均度由8.89升至11.08，密度由0.069升为0.084，聚类系数由0.372升至0.438，平均路径长度由2.345降至2.220，表明参与贸易的经济体之间的贸易关系日趋紧密，更多的经济体建立了直接的贸易合作关系，贸易效率日益提升。2024年，贸易网络的连通性略有下降，网络连边数、平均度、密度和聚类系数相较上一年分别下降了2.31%、6.52%、10.71%和10.27%，平均路径长度增加了2.93%。究其原因，全球交通运输通畅性、贸易战深度演化、中国无人机贸易管制政策等多方面因素引致无人机贸易效率发生波动，但相较于2022年仍有所提高。
（2）贸易网络幂律分布特征显著，具有“小世界”现象
2022—2024年网络节点的加权度位序-规模分布具有明显的“长尾效应”（图5）。线性拟合结果显示，散点分布特征近似一条斜率为负的直线，R2均大于0.70，符合幂律分布特征。研究期内，日本逐渐从拟合曲线头部位置“淡出”，中国内地、中国香港、乌克兰、美国和荷兰占据头部位置，其加权度断层领先于大部分经济体。
图5 2022—2024年全球无人机贸易网络加权度位序-规模排序

Figure 5 Weighted degree rank-size distribution of GUAVTN, 2022-2024

相较于同等规模的随机网络（节点数与连边数），全球无人机贸易网络有更高的聚类系数（0.372~0.438）和更短的平均路径长度（2.220~2.345），表明该贸易网络的“小世界”现象显著，任意两个贸易经济体即使没有构成直接联系，也能通过较少的中心节点构成联系，贸易网络整体表现出较高的连通性和凝聚力（表4）。
表4 2022—2024年全球无人机贸易网络“小世界”现象指标

Table 4 Small-world phenomenon indicators of GUAVTN, 2022-2024

年份 聚类系数 平均路径长度
贸易网络 随机网络 贸易网络 随机网络
2022 0.372 0.069 2.345 2.460
2023 0.438 0.085 2.220 2.272
2024 0.393 0.076 2.285 2.359

3.2.3 组织结构

（1）贸易网络演化为“中国内地-中国香港”双核结构
全球无人机贸易网络由“单核”演化为“双核心-多边缘”等级结构，中国内地、中国香港居核心地位（图6）。具体而言：2022年，中国内地以全球最大的无人机贸易额成为贸易网络中的“单核”节点，核心度为0.751，主要表现为输出主导。美国、中国香港、马来西亚、德国等14个经济体的贸易额与中国内地相比仍有一定差距，位居半边缘层。
图6 2022—2024年全球无人机贸易网络核心-边缘结构

Figure 6 Core-periphery structure of GUAVTN, 2022-2024

2023年，中国香港的进口额跃居首位，与中国内地共同构成网络的“双核心”，核心度分别为0.538和0.775；乌克兰凭借全球第二的无人机进口额成为半边缘节点。2024年，中国内地的贸易额较2023年增长了33.61%，核心度大幅升至0.919，成为网络的主核心；中国香港虽凭借第二大贸易额继续保持其核心节点地位，但核心度降至0.379；而其余经济体则退居边缘层；整体贸易网络演化为“双核心-多边缘”等级结构。
（2）贸易网络形成以中国内地和中国香港为核心的超级组团，马来西亚扮演跨组团贸易角色
中国内地持续主导网络组团演化，东南亚、中亚、西亚经济体的组团归属逐渐分化（图7）。2022年，组团内部无人机贸易额为16.29亿美元，占全球贸易额的77.00%，具体可分为4大组团（表5）：①中国内地-荷兰组团的内部贸易额占据全球69.64%，是第一大组团，组团内的贸易流主要从中国内地、荷兰流向中国香港、德国、荷兰等节点，辐射全球多数经济体（83.08%）；②美国-马来西亚组团占全球贸易额的5.82%，马来西亚在组团内主要扮演着向美国大额出口的角色，而美国既接收来自马来西亚贸易流，也向危地马拉、贝宁、乌拉圭等经济体出口。③拉脱维亚-爱沙尼亚、斯洛文尼亚-罗马尼亚两个东欧组团内部贸易额仅占全球的0.86%和0.68%，贸易关系较为简单。
图7 2022—2024年全球无人机贸易网络组团划分

Figure 7 Cluster division of GUAVTN, 2022-2024

表5 2022和2024年全球无人机贸易网络组团特征

Table 5 Community characteristics of GUAVTN in 2022 and 2024

年份 名称 组团内部贸易 节点 连边
贸易额/亿美元 占比/% 数量/个 占比/% 数量/条 占比/%
2022 中国内地-荷兰 14.74 69.64 108 83.08 808 69.96
美国-马来西亚 1.23 5.82 12 9.23 11 0.95
拉脱维亚-爱沙尼亚 0.18 0.86 4 3.08 6 0.52
斯洛文尼亚-罗马尼亚 0.14 0.68 6 4.62 11 0.95
组团内部 16.29 77.00 130 100.00 836 72.38
全球 21.16 100.00 130 100.00 1155 100.00
2024 中国内地-中国香港 50.44 79.65 107 76.98 744 51.67
马来西亚-美国 4.17 6.59 22 15.83 83 5.76
土耳其-罗马尼亚 0.63 1.00 7 5.04 6 0.42
斯洛伐克-匈牙利 0.07 0.10 3 2.16 2 0.14
组团内部 55.31 87.34 139 100.00 835 57.99
全球 63.33 100.00 139 100.00 1440 100.00

注：组团名称按照组团内出口额最大的前两位经济体命名。

2024年，组团内部无人机贸易额升至55.31亿美元，是期初的3.40倍，占全球贸易额87.34%。组团演化结果如下：①中国内地-中国香港组团涵盖全球无人机贸易网络的节点数、连边和贸易额比例分别达到76.68%、51.67%和79.65%，是全球最大的组团，包含乌克兰、中国香港、荷兰、德国等节点。与2022年相比，中国香港、荷兰的贸易中转角色更为凸显，进口更多来自中国内地的贸易份额，并向组团内的经济体出口。②马来西亚-美国组团内部贸易额占全球的6.59%，组团内贸易流具有双向流动特征，大额贸易流发生在马来西亚、越南、美国、以色列、瑞士等节点之间。与2022年类似的是，美国在采购来自马来西亚的无人机的同时，也向其他经济体（印度、越南）出口。马来西亚扮演跨组团贸易角色，主要从中国内地-中国香港组团进口，组团内出口额99.90%流向美国。③土耳其-罗马尼亚组团、斯洛伐克-匈牙利组团贸易额占全球比例分别仅为1.00%和0.10%，是区域性贸易组团。
总体来看，研究期内，全球无人机贸易联系趋于发生在组团内部，以中国内地、中国香港为主导的贸易组团囊括了各大洲的经济体，而马来西亚-美国组团涵盖了更多的中国周边经济体。中亚、西亚经济体的组团归属则更为分化，在原本均属于中国内地-荷兰组团的中亚、西亚经济体中，土耳其、以色列等6个经济体脱离并加入马来西亚-美国组团和土耳其-拉脱维亚组团中。

3.3 全球无人机贸易网络形成的影响因素

根据前文选取的8个统计变量，采用逐步添加变量的方法测度不同变量组合的ERGM最佳估计值。基础模型（1）考察内生结构效应，属性模型（2）-（4）考察行动者属性中的同配效应、发送者和接收者效应，复合模型（5）-（8）在基础模型基础上依次添加地理距离网络、语言同构网络、殖民历史网络和地缘关系网络，综合模型（9）综合考察所有变量的影响。其中，所有变量的VIF均低于5，不存在严重的多元共线性。

3.3.1 实证结果分析

（1）内生结构效应
内生结构效应方面（表6），Edges的估计参数为负数，说明无人机贸易网络的形成是受到其他因素的影响，并非随机形成的；Mutual通过0.1%显著性水平检验，系数为2.7226，表明无人机贸易中存在显著的互惠互通效应，且每增加一对互惠关系，其他孤立节点建立贸易联系的概率增加15.22倍。
表6 内生结构变量拟合结果

Table 6 Fitting results of endogenous structural variables

局部结构效应 基础模型（1）
Edges -2.9316***
Mutual 2.7226***
AIC 9300
BIC 9316

注：*、**、***分别代表在5%、1%、0.1%的统计水平上显著，系数表示e系数值倍，下同。

为进一步探究无人机贸易网络的微观结构，本文运用FANMOD软件，设定Z值>0，p值<0.05，测度网络三元模体结构[24]。结果表明（表7），“互惠性”模体238的Z值最高（6.86），是网络中最重要的组织结构。这种互惠结构有助于降低贸易的不平衡性，形成双赢的贸易局面，进而推动网络的形成与发展[40]。此外，“传递性”模体12的出现频率最高（11.85%），是网络中最普遍的组织结构。传递结构在促进无人机贸易更具多元化的同时，也隐含着网络的脆弱性[52]。
表7 全球无人机贸易网络模体结构

Table 7 Motif structures of GUAVTN

编号 模体 结构内涵 Z值 出现频率/% p值
238 节点a、b、c两两之间均形成双向贸易联系，具有“互惠性”和“闭合性” 6.86 2.81 0.000
46 节点a和c形成双向贸易联系，且均向节点b发出的贸易关系，具有“互惠性”和“闭合性” 5.59 3.91 0.000
166 节点a和b形成双向贸易联系，且均接收来自节点c发出的贸易联系，具有“互惠性”和“闭合性” 4.12 1.92 0.000
164 节点a和c并无直接互动，通过节点b建立贸易联系，且节点a和b之间形成双向贸易联系，具有“传递性”和“互惠性” 3.43 9.64 0.004
12 节点a和c并无直接互动，通过节点b建立贸易联系，具有“传递性” 3.26 11.85 0.000

注：以上为通过p值检验的模体结构。

（2）行动者属性效应
经济体间的贸易选择偏好塑造了全球无人机贸易网络的主体结构（表8）。Homophily（PI）通过0.1%显著性水平检验且系数为-0.3952，表明无人机贸易多发生于人均收入存在等级差异的经济体间，其贸易概率是人均收入趋同的经济体间的1.48倍。进一步研究发现，1474条贸易联系中，有938条发生于存在收入等级差异的经济体之间，占总数的63.64%。即无人机贸易伙伴间经济属性的异配倾向明显，贸易联系多发生于跨收入水平的经济体之间。作为中等收入水平经济体，中国内地凭借领先的无人机研发水平，与美国、德国、荷兰等欧美发达经济体形成密切的贸易联系。
表8 同配性变量拟合结果

Table 8 Fitting results of homophily variables

局部结构效应 属性模型（2） 属性模型（3）
Edges -3.3230*** -3.0674***
Mutual 2.5040*** 1.5409***
Homophily（PI） -0.3952***
Homophily（KOF） 0.7411***
Homophily（WGI） 0.4084***
Homophily（PCT） 0.2579***
Homophily（KOF-H） 1.4883***
Homophily（KOF-M） -0.0967
Homophily（KOF-L） -3.3675***
Homophily（WGI-H） 0.5030***
Homophily（WGI-M） -0.2489**
Homophily（WGI-L） -1.4032**
Homophily（PCT-H） 1.4928***
Homophily（PCT-M） -0.2352**
Homophily（PCT-L） -2.0715***
AIC 8909 7454
BIC 8956 7539
Homophily（KOF）通过0.1%显著性水平检验且系数为0.7411，表明无人机贸易多发生于全球化水平相似的经济体间，其贸易概率是全球化水平存在等级差异的经济体间的2.10倍。Homophily（KOF-H）和Homophily（KOF-L）通过0.1%显著性水平检验，前者系数为正，后者系数为负，表明全球化水平高的经济体间存在贸易倾向，全球化水平较低则贸易倾向较弱。数据显示，有56.58%的贸易联系发生在相似全球化水平的经济体间，其中高全球化水平经济体之间的匹配占比83.81%，同样证实了参与无人机贸易的经济体具有全球化水平的高配性。如瑞士、荷兰和德国等全球化水平位居前列的经济体，与100多个经济体存在无人机贸易联系，其中超过65%的贸易伙伴同为高全球化水平的经济体。究其原因，全球化水平较高的经济体会积极参与对外经贸往来、人员信息流动和全球政治治理，推动贸易参与国更好地融入全球市场，更易于产生贸易联系。
Homophily（WGI）通过0.1%显著性水平检验且系数为0.4084，表明无人机贸易多发生于制度环境质量相似的经济体间，其贸易概率是存在等级差异的经济体间的1.50倍。Homophily（WGI-H）、 Homophily（WGI-M）和Homophily（WGI-L）通过显著性水平检验，前者系数为正，后两者系数为负，表明高质量制度环境的经济体间存在贸易倾向，中、低质量制度环境的经济体间贸易倾向较弱。在全球无人机贸易中，发生在制度环境相似经济体之间的贸易联系比例达51.42%。其中，81.40%存在于高制度环境的经济体之间。如2023年入度最高的经济体——荷兰，贸易额前20的贸易联系中有17条为高质量制度环境经济体，反映了高质量制度环境经济体之间相对良好的契约执行精神和健全的交易保障机制，有助于贸易联系的发生。
Homophily（PCT）通过0.1%显著性水平检验且系数为0.2580，表明无人机贸易多发生于专利申请量相似的经济体间，其贸易概率是专利申请量存在等级差异的经济体间的1.29倍。Homophily（PCT-H）、Homophily（PCT-M）和Homophily（PCT-L）均通过显著性水平检验，前者系数为正，后两者为负，表明专利申请量多的经济体存在较强的贸易倾向，中等和较少专利申请量的经济体间贸易倾向较弱。专利申请量的高低表征该经济体的科技发展水平，国际贸易普遍发生于存在技术势差的经济体间[53]。同属高等科技发展水平的经济体之间仍有一定的无人机研发技术势差，但中、低等科技发展水平的经济体的创新能力有限，技术势差相对较小。从贸易联系数量占比的角度来看，同一科技水平的占比（44.03%）虽低于其他3种属性，但仍高于随机匹配理论值（33.33%），同一等级联系中的65.79%发生于高等级的经济体之间，也印证了无人机贸易的双边经济体具有科技实力的高配性。
就发送者效应和接收者效应而言（表9），只有Receiver（WGI-L）、Receiver（WGI-M）未通过显著性水平检验，其余变量均显著且系数为负，表明在收入水平、全球化水平、制度环境和专利申请量方面属于中、低等级的经济体，并不具有进出口优势；而经济实力强、开放程度大、治理环境好、科技水平高的经济体，进出口优势突出，往往是无人机贸易的发出地和目的地。
表9 集散性变量拟合结果

Table 9 Fitting results of dispersion variables

局部结构效应 属性模型（4）
Edges 0.4971***
Mutual 1.3639***
Sender（PI-L） -0.4714***
Sender（PI-M） -0.5252***
Sender（KOF-L） -1.6904***
Sender（KOF-M） -0.5385***
Sender（WGI-L） -0.9899***
Sender（WGI-M） -0.3069**
Sender（PCT-L） -2.0731***
Sender（PCT-M） -1.1355***
Receiver（PI-L） -0.7719***
Receiver（PI-M） -0.3360***
Receiver（KOF-L） -0.9498***
Receiver（KOF-M） -0.6179***
Receiver（WGI-L） -0.2475
Receiver（WGI-M） -0.0608
Receiver（PCT-L） -1.1507***
Receiver（PCT-M） -0.4596***
AIC 6864
BIC 7004
（3）外部网络效应
全球无人机贸易网络存在外部网络嵌入性（表10）。Edgecov（distance）通过0.1%显著性水平检验且系数为-0.0001，表明地理距离对经济体间无人机贸易关系的形成具有抑制作用，但抑制作用有限。Edgecov（language）通过0.1%显著性水平检验且系数为0.2564，即嵌入语言同构网络的经济体间产生贸易概率是其他随机组合的1.29倍，表明相同官方语言的两个经济体间更易于发生贸易联系。Edgecov（comcol）通过0.1%显著性水平检验且系数为-0.5430，即存在共同宗主关系的经济体间产生贸易概率是其他随机组合的0.58倍，表明具有殖民历史同质性的两个经济体间发生贸易联系的概率较低。Edgecov（geopol）通过0.1%显著性水平检验且系数为0.0002，表明正向的地缘关系促进贸易关系的形成，但这种促进作用相对有限。
表10 外部网络变量与综合模型拟合结果

Table 10 Fitting results of external network variables and comprehensive model

局部结构效应 复合模型（5） 复合模型（6） 复合模型（7） 复合模型（8） 综合模型（9）
Edges -2.7806*** -3.3428*** -3.2926*** -3.3480*** -2.8293***
Mutual 2.4041*** 2.5017*** 2.4892*** 2.2907*** 2.1790***
Homophily（PI） -0.3970*** -0.4060*** -0.3794*** -0.3731*** -0.3704***
Homophily（KOF） 0.6973*** 0.7280*** 0.7396*** 0.7450*** 0.7050***
Homophily（WGI） 0.4035*** 0.4113*** 0.4053*** 0.3958*** 0.3914***
Homophily（PCT） 0.2228*** 0.2503*** 0.2655*** 0.1282** 0.1178*
Edgecov（distance） -0.0001*** -0.0001***
Edgecov（language） 0.2564*** 0.2677***
Edgecov（comcol） -0.5430*** -0.6304***
Edgecov（geopol） 0.0002*** 0.0002***
AIC 8741 8898 8880 8516 8350
BIC 8795 8953 8935 8571 8428
总体而言，地理距离的远近和地缘关系的好坏对无人机贸易联系产生的影响甚微，相近的殖民历史对无人机贸易网络的形成具有显著负向效应，相同的官方语言则发挥显著正向作用。究其原因，无人机作为一种新兴高科技产品，经济体之间是否形成贸易往来，多考虑于双边经济体的经济、科技互补性。事实也表明，贸易规模较大的经济体其经济水平或科技实力也较强，贸易流量高度集中于欧美发达经济体与中国内地、中国香港的跨洲贸易之间。因此，经济体之间的地理距离与地缘关系对于促进无人机贸易联系的作用并不明显。对于殖民历史而言，共同宗主关系多分布于东南亚-西亚-西非、中美洲内部、东欧内部，这些经济体的经济发展相对滞后，科技实力相对薄弱，因此殖民历史的同质性并未对贸易网络的形成起正向作用。语言同构既能降低沟通障碍，也能降低由于贸易进出口标准差异引起的额外成本，由此提高经济体间互信度，推动贸易关系发展。

3.3.2 拟合优度检验

将所有变量纳入综合模型中（表10），其AIC与BIC的数值最低，各个变量系数均与上述模型基本保持一致，说明模型具有较好的拟合优度。在外部网络的影响下，行动者属性的变量系数有所减少，表明经济体的多边关系可在一定程度上削弱内部发展水平对贸易关系形成的影响。根据综合模型部分变量的收敛性诊断结果（图8），各变量均表现为以0为中心的随机变化，表明该模型具有较高的稳健性。
图8 综合模型部分变量的收敛性诊断图

Figure 8 Convergence diagnostic plots of selected variables in comprehensive model

3.4 全球无人机贸易网络的冲击情景模拟

3.4.1 不同类型经济体退出影响模拟

节点失效的模拟结果显示（图9a）：网络效率呈现幂律曲线的下降态势，“媒介型”经济体的退出对贸易网络影响最为显著。整体来看，当各指标排名前10%的节点失效后，网络效率大幅下降，平均降幅为53.36%；当排名前36%的节点失效后，网络效率下降至1%以下，网络接近崩溃。具体而言，不同类型经济体的退出对贸易网络的影响有所差异，呈现出媒介型>综合型>出口型>进口型。荷兰、中国香港等“媒介型”经济体对网络影响最大，当排名前10%的节点失效后，网络效率降幅达59.15%；当排名前28%的节点失效后，网络接近崩溃。结合无人机贸易网络模体结构可知，“a→b→c”这种高频模体递式的贸易联系稳定性受“媒介型”连接节点b的影响较大。因此，重要节点尤其是“媒介型”经济体的退出，对全球贸易网络脆弱性影响程度较高。
图9 不同冲击情景下的贸易网络效率变化曲线

Figure 9 Variation curves of trade network efficiency under different impact scenarios

3.4.2 大型进出口经济体贸易管制影响模拟

贸易管制的模拟结果显示（图9b）：①当失效比例不足8%时，大型进出口经济体实施贸易管制导致网络效率下降的拟合曲线斜率相对一致，降幅约为30%。在贸易网络“小世界”现象影响下，中国香港、乌克兰、美国等头部“进口型”经济体与中国内地、马来西亚、土耳其等头部“出口型”经济体的贸易管制，均会增加网络的脆弱性。②当失效比例超过8%后，网络效率下降速率出现明显分异，在网络效率变化的拟合曲线斜率上，大型出口经济体出口管制>大型进口经济体进口管制。具体而言，当排名前20%的“出口型”经济体实施出口管制时，网络效率降至10%以下；失效比例达37%时，网络接近崩溃。当排名前30%的“进口型”经济体实施进口管制时，网络效率降至10%以下；失效比例达51%时，网络接近崩溃。结合全球无人机贸易份额的集中程度可知，相比于排名前20%的“进口型”经济体占据90.83%进口额的情况，排名前20%的“出口型”经济体则集中了98.64%的出口额。因此，中国内地、马来西亚等“出口型”经济体的出口管制对全球无人机贸易网络的影响程度更大。

4 讨论与结论

4.1 讨论

本文探讨了全球无人机贸易网络的拓扑特征与影响因素，模拟了不同冲击情景下的网络脆弱性，研究可为理解贸易格局和规避潜在风险提供科学依据。对比发现，无人机与半导体的全球贸易网络结构类似[54,55]，均呈现出显著的“小世界”现象，且语言相似对网络形成有正向影响，地理距离呈现微弱负向作用。即“时空压缩”的全球背景下，具有垄断性质的高科技产品贸易已不局限于“地域邻近”[55]。此外，马来西亚在以中、美各自为核心的组团之间中转角色愈发突出，在某种意义上成为贸易战背景下中美无人机贸易的“中转站”。中国内地作为全球最大的无人机出口源，既是全球化的受益者，亦面临“中心化陷阱”挑战，具有较高的出口集中风险。目前，中国内地科技产品的出口面临需求端的关税与非关税双重壁垒[56]。因此，在占据无人机出口规模优势的同时，需要关注“媒介型”贸易伙伴的供需异动导致的潜在风险。未来，可以强化互惠关系的积极作用，依托“一带一路”国际合作平台，拓宽无人机贸易渠道，分散潜在贸易风险。
需要指出的是，首先，本文从贸易合作视角分析了2022—2024年的全球无人机贸易网络拓扑特征，未来可根据数据的可获得性分析无人机贸易网络的竞争性[57]。其次，本文分析了全球无人机整机贸易网络格局，后续可进一步细化研究尺度，从产业链贸易视角深化无人机贸易网络研究[55]。此外，无人机贸易网络受到包括但不限于地缘局势、贸易政策等多重因素影响，而无人机生产对全球贸易的影响尚不明晰，未来可收集整理无人机生产数据，解析无人机生产格局及其与贸易网络的关联。值得注意的是，本文模拟了节点失效和贸易管制对无人机贸易网络的冲击，今后可借鉴传染病模型[58]，模拟供需失稳等情景下风险的级联传播过程，为制定精细化的中国无人机贸易风险管理策略提供参考。

4.2 结论

本文基于UN Comtrade数据库2022—2024年全球无人机贸易矩阵数据，运用复杂网络分析、指数随机图模型、网络脆弱性模拟模型等方法，揭示了全球无人机贸易网络拓扑特征，解析了贸易网络形成的影响因素，模拟了不同冲击情景对贸易网络的影响。研究发现：
（1）贸易额变化方面，全球无人机贸易快速增长，经历了“低位攀升—低位波动—波动增长—高位攀升”4个阶段。2022—2024年，贸易额从42.32亿美元增长到126.65亿美元，增长了1.99倍。贸易额变化与全球地缘局势、贸易管制政策具有联动性，乌克兰无人机进口需求和中国贸易管制政策变化均引发了全球无人机贸易额的波动。
（2）网络特征方面，现阶段中国内地、中国香港和马来西亚等“出口型”节点主导了无人机出口格局，主要流向乌克兰、美国等“进口型”节点。美国、中国内地、瑞士等“综合型”节点的影响力较高，“媒介型”节点马来西亚地位快速攀升。贸易网络关系趋于紧密，“小世界”现象突出，整体具有较高的连通性和凝聚力。网络逐渐演化为“中国内地-中国香港”双核结构，并形成以中国内地和中国香港为主要核心的超级组团，覆盖全球75%的经济体、近80%的贸易额。马来西亚在中国内地、中国香港和美国之间扮演跨组团媒介作用。
（3）影响因素方面，互惠关系是驱动贸易网络扩张的重要内生结构。经济体间存在明显的贸易选择偏好，开放程度大、制度环境好、科技水平高、经济实力强的经济体以其显著的进出口优势塑造了网络主体结构。共同官方语言、相近地理距离、正向地缘关系对网络的形成起积极作用，相似殖民历史不利于贸易关系的产生。需要指出的是，作为具有垄断属性的高科技产品，地理距离与地缘关系对贸易联系的影响有限。
（4）网络脆弱性方面，在传递式为主的贸易网络模体结构影响下，不同类型经济体的退出对贸易网络效率影响呈现媒介型>综合型>出口型>进口型，荷兰、中国香港等“媒介型”经济体对网络效率影响最为突出。贸易管制政策对网络效率的影响具有差异性，表现为大型出口经济体出口管制的影响高于大型进口经济体进口管制，中国内地、中国香港和马来西亚等“出口型”经济体出口管制将导致网络快速崩溃。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
晏磊, 廖小罕, 周成虎, 等. 中国无人机遥感技术突破与产业发展综述[J]. 地球信息科学学报, 2019, 21(4): 476-495.

DOI

[Yan L, Liao X H, Zhou C H, et al. The impact of UAV remote sensing technology on the industrial development of China: A review[J]. Journal of Geo-information Science, 2019, 21(4): 476-495.]

[2]
Ahmed F, Mohanta J C, Keshari A, et al. Recent advances in unmanned aerial vehicles: A review[J]. Arabian Journal for Science and Engineering, 2022, 47(7): 7963-7984.

[3]
深圳市无人机行业协会. 我国低空经济发展最新情况[EB/OL]. (2024-05-16) [2025-02-26]. http://www.szuavia.org/mobile/category2.html?id=7572.

[Shenzhen UAV Industry Association. The Latest Developments in China’s Low-altitude Economic Development[EB/OL]. (2024-05-16) [2025-02-26]. http://www.szuavia.org/mobile/category2.html?id=7572.]

[4]
廖小罕, 屈文秋, 徐晨晨, 等. 城市空中交通及其新型基础设施低空公共航路研究综述[J]. 航空学报, 2023, 44(24): 6-34.

[Liao X H, Qu W Q, Xu C C, et al. A review of urban air mobility and its new infrastructure low-altitude public routes[J]. Acta Aeronautica et Astronautica Sinica, 2023, 44(24): 6-34.]

[5]
廖小罕, 徐晨晨, 叶虎平. 低空经济发展与低空路网基础设施建设的效益和挑战[J]. 中国科学院院刊, 2024, 39(11): 1966-1981.

[Liao X H, Xu C C, Ye H P. Benefits and challenges of constructing low-altitude air route network infrastructure for developing low-altitude economy[J]. Bulletin of Chinese Academy of Sciences, 2024, 39(11): 1966-1981.]

[6]
张君彪, 吴静, 赵飞, 等. 俄乌冲突中无人机作战运用情况及启示[J/OL]. 现代防御技术, (2024-12-30) [2025-03-12]. https://link.cnki.net/urlid/11.3019.TJ.20241227.1702.008.

[Zhang J B, Wu J, Zhao F, et al. The application and enlightenment of UAV in the Russia-Ukraine conflict[J/OL]. Modern Defence Technology, (2024-12-30) [2025-03-12]. https://link.cnki.net/urlid/11.3019.TJ.20241227.1702.008.]

[7]
王菡, 梁晓龙, 王宁, 等. 有人/无人机协同空战研究进展综述[J]. 电光与控制, 2024, 31(5): 11-17, 53.

[Wang H, Liang X L, Wang N, et al. A review of research progress on MAV/UAV cooperative air combat[J]. Electronics Optics & Control, 2024, 31(5): 11-17, 53.]

[8]
段海滨, 何杭轩, 赵彦杰, 等. 2022年无人机热点回眸[J]. 科技导报, 2023, 41(1): 215-229.

DOI

[Duan H B, He H X, Zhao Y J, et al. Review of technological hotspots of unmanned aerial vehicle in 2022[J]. Science & Technology Review, 2023, 41(1): 215-229.]

[9]
李德仁, 李明. 无人机遥感系统的研究进展与应用前景[J]. 武汉大学学报(信息科学版), 2014, 39(5): 505-513, 540.

[Li D R, Li M. Research advance and application prospect of unmanned aerial vehicle remote sensing system[J]. Geomatics and Information Science of Wuhan University, 2014, 39(5): 505-513, 540.]

[10]
Antoine R, Lopez T, Tanguy M, et al. Geoscientists in the sky: Unmanned aerial vehicles responding to geohazards[J]. Surveys in Geophysics, 2020, 41(6): 1285-1321.

[11]
Wang L L, Huang X R, Li W J, et al. Progress in agricultural unmanned aerial vehicles (UAVs) applied in China and prospects for Poland[J]. Agriculture, 2022, DOI: 10.3390/agriculture12030397.

[12]
Mohamed N, Al-Jaroodi J, Jawhar I, et al. Unmanned aerial vehicles applications in future smart cities[J]. Technological Forecasting and Social Change, 2020, DOI: 10.1016/j.techfore.2018.05.004.

[13]
徐佳. 大疆消费级无人机在美国市场的营销策略研究[D]. 乌鲁木齐: 新疆财经大学, 2021.

[Xu J. Research on DJI Consumer Drone’s Marketing Strategy in U.S.[D]. Urumqi: Xinjiang University of Finance and Economics, 2021.]

[14]
易丽华. 大疆公司农植保无人机市场竞争战略研究[D]. 上海: 华东师范大学, 2021.

[Yi L H. The Research on Competitive Strategy of DJI Agricultural UAV Market[D]. Shanghai: East China Normal University, 2021.]

[15]
文静. 民用无人机国际市场营销策略研究: 以大疆为例[D]. 沈阳: 东北财经大学, 2020.

[Wen J. Study on International Marketing Strategies of Civilian Drone: Taking DJI as an Example[D]. Shenyang: Dongbei University of Finance and Economics, 2020.]

[16]
赵霞, 苏冠英, 王可, 等. 全球无人机交易市场的方位、格局与展望[J]. 飞航导弹, 2021, (1): 81-90.

[Zhao X, Su G Y, Wang K, et al. The orientation, pattern and prospect of the global drone trading market[J]. Aerodynamic Missile Journal, 2021, (1): 81-90.]

[17]
Nefodova L, Kushch V, Cherneha T. Global arms market transformation and the rise of drone warfare: strategic lessons from Ukraine’s experience[J]. Political Science and Security Studies Journal, 2024, 5(3): 62-67.

[18]
李捷, 冀保冰. 军用无人机出口在土耳其进取性外交中的角色与作用[J]. 西亚非洲, 2024, (3): 103-124, 174-175.

[Li J, Ji B B. The role and function of military drones exports export in Türkiye’s enterprising diplomacy[J]. West Asia and Africa, 2024, (3): 103-124, 174-175.]

[19]
赵晞泉, 陈伟. 全球钴资源贸易网络演化及其启示[J]. 资源科学, 2024, 46(1): 100-113.

DOI

[Zhao X Q, Chen W. Changes of global cobalt trade network and implications[J]. Resources Science, 2024, 46(1): 100-113.]

DOI

[20]
Zhang C, Yang Y Z, Feng Z M, et al. Risk of global external cereals supply under the background of the COVID-19 pandemic: Based on the perspective of trade network[J]. Foods, 2021, DOI: 10.3390/foods10061168.

[21]
Zhang C, Yang Y Z, Feng Z M, et al. Cold chain food and COVID-19 transmission risk: From the perspective of consumption and trade[J]. Foods, 2022, DOI: 10.3390/foods11070908.

[22]
方国柱, 祁春节, 顾雨檬, 等. 全球农产品贸易网络演化与中国对策[J]. 中国农业资源与区划, 2024, 45(1): 73-83.

[Fang G Z, Qi C J, Gu Y M, et al. The evolution of global agricultural trade network and China’s countermeasures[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2024, 45(1): 73-83.]

[23]
陈雨然, 陈敏鹏. 全球磷产品贸易格局演变及中国磷安全[J]. 资源科学, 2024, 46(1): 85-99.

DOI

[Chen Y R, Chen M P. Evolution of global phosphorus products trade pattern and China’s phosphorus import and export security[J]. Resources Science, 2024, 46(1): 85-99.]

DOI

[24]
高思齐, 赵媛, 郝丽莎, 等. 基于TERGM的“一带一路”国家石油资源流动演化机理研究[J]. 地理研究, 2024, 43(5): 1051-1072.

DOI

[Gao S Q, Zhao Y, Hao L S, et al. Research on the evolution mechanism of oil resource flow along the Belt and Road based on TERGM[J]. Geographical Research, 2024, 43(5): 1051-1072.]

[25]
左芝鲤, 成金华, 詹成, 等. 全球锂产业链贸易格局演化及脆弱性分析[J]. 资源科学, 2024, 46(1): 114-129.

DOI

[Zuo Z L, Cheng J H, Zhan C, et al. Evolution and vulnerability analysis of the global trade pattern in the lithium industry chain[J]. Resources Science, 2024, 46(1): 114-129.]

DOI

[26]
程云洁, 刘旭. 全球光伏组件贸易网络结构动态演变及驱动机制[J]. 资源科学, 2023, 45(12): 2322-2340.

DOI

[Cheng Y J, Liu X. Dynamic evolution and driving mechanism of global photovoltaic modules trade network[J]. Resources Science, 2023, 45(12): 2322-2340.]

[27]
齐玮, 李启昊. 全球新能源汽车贸易网络动态演化特征及影响因素研究[J]. 世界地理研究, 2024, 33(2): 1-14.

DOI

[Qi W, Li Q H. Dynamic evolution characteristics and influencing factors of global new energy vehicle trade network[J]. World Regional Studies, 2024, 33(2): 1-14.]

DOI

[28]
Ou S H, Yang Q S, Liu J. The global production pattern of the semiconductor industry: An empirical research based on trade network[J]. Humanities and Social Sciences Communications, 2024, 11(1): 1-13.

[29]
段德忠, 杜德斌. 全球高科技产品贸易结构演化及影响因素[J]. 地理学报, 2020, 75(12): 2759-2776.

DOI

[Duan D Z, Du D B. Structural evolution of global high-tech trade system: Products, networks and influencing factors[J]. Acta Geographica Sinica, 2020, 75(12): 2759-2776.]

DOI

[30]
贺胜兵, 许宸昊, 周华蓉. “一带一路”工业机器人贸易网络特征及演化机制[J]. 中国软科学, 2023, (6): 43-55.

[He S B, Xu C H, Zhou H R. Research on characteristics and evolution mechanism of industrial robots trade network among the Belt and Road countries[J]. China Soft Science, 2023, (6): 43-55.]

[31]
肖瑶, 李守伟, 王怡涵. FPGA芯片产业链及知识转移网络特征分析[J]. 复杂系统与复杂性科学, 2022, 19(3): 20-26.

[Xiao Y, Li S W, Wang Y H. Characteristics analysis of FPGA industry chain and knowledge transfer network[J]. Complex Systems and Complexity Science, 2022, 19(3): 20-26.]

[32]
李庭竹, 杜德斌, 黄晓东. 全球集成电路贸易网络的空间结构演化与关系升级[J]. 地理研究, 2023, 42(3): 597-616.

DOI

[Li T Z, Du D B, Huang X D. The evolution of the spatial structure of global integrated circuit trade network and its relational upgrading[J]. Geographical Research, 2023, 42(3): 597-616.]

[33]
管靖, 宋周莺, 刘卫东. 全球粮食贸易网络演变及其驱动因素解析[J]. 地理科学进展, 2022, 41(5): 755-769.

DOI

[Guan J, Song Z Y, Liu W D. Change of the global grain trade network and its driving factors[J]. Progress in Geography, 2022, 41(5): 755-769.]

DOI

[34]
徐邵文, 张蕙杰, 钱静斐. RCEP区域农产品贸易的网络特征及影响因素分析[J]. 自然资源学报, 2024, 39(9): 2206-2223.

DOI

[Xu S W, Zhang H J, Qian J F. The network characteristics and influencing factors of agricultural products trade in RCEP region[J]. Journal of Natural Resources, 2024, 39(9): 2206-2223.]

[35]
聂常乐, 姜海宁, 段健. 21世纪以来全球粮食贸易网络空间格局演化[J]. 经济地理, 2021, 41(7): 119-127.

DOI

[Nie C L, Jiang H N, Duan J. Spatial pattern evolution of global grain trade network since the 21st century[J]. Economic Geography, 2021, 41(7): 119-127.]

DOI

[36]
陈艺文, 李二玲. “一带一路”国家粮食贸易网络空间格局及其演化机制[J]. 地理科学进展, 2019, 38(10): 1643-1654.

DOI

[Chen Y W, Li E L. Spatial pattern and evolution of cereal trade networks among the Belt and Road countries[J]. Progress in Geography, 2019, 38(10): 1643-1654.]

DOI

[37]
Lu M H, Wu Y M, Zhang C, et al. Evolution of grain trade patterns among RCEP member countries and the potential impacts of agreement signing[J]. Frontiers in Sustainable Food Systems, 2025, DOI: 10.3389/fsufs.2025.1565092.

[38]
秦奇, 吴良, 李飞, 等. 基于社会网络分析的东南亚地缘关系研究[J]. 地理学报, 2018, 73(10): 2014-2030.

DOI

[Qin Q, Wu L, Li F, et al. A social-network-based study on geo-relations in Southeast Asia[J]. Acta Geographica Sinica, 2018, 73(10): 2014-2030.]

DOI

[39]
刘亦文, 刘惠. 国际石油贸易网络动态演化及其驱动因素[J]. 资源科学, 2024, 46(9): 1852-1866.

DOI

[Liu Y W, Liu H. Dynamics and driving factors of the international oil trade network[J]. Resources Science, 2024, 46(9): 1852-1866.]

DOI

[40]
杨文龙, 杜德斌, 盛垒. 全球商品贸易网络生长特征及动力机制[J]. 资源科学, 2022, 44(3): 508-522.

DOI

[Yang W L, Du D B, Sheng L. Growth characteristics of the global commodity trade network and its dynamic mechanism[J]. Resources Science, 2022, 44(3): 508-522.]

DOI

[41]
唐晓彬, 张岩, 王亚男, 等. “一带一路”沿线国家贸易网络关联与群体影响机制研究[J]. 统计研究, 2023, 40(12): 91-105.

[Tang X B, Zhang Y, Wang Y N, et al. Research on the trade network association and group influence mechanism of countries along the “Belt and Road”[J]. Statistical Research, 2023, 40(12): 91-105.]

[42]
Berdica K. An introduction to road vulnerability: What has been done, is done and should be done?[J]. Transport Policy, 2002, 9(2): 117-127.

[43]
Gu Y, Fu X, Liu Z Y, et al. Performance of transportation network under perturbations: Reliability, vulnerability, and resilience[J]. Transportation Research Part E: Logistics and Transportation Review, 2019, DOI: 10.1016/j.tre.2019.11.003.

[44]
吴迪, 王宇鹏, 盛世杰, 等. “21世纪海上丝绸之路”集装箱海运网络的脆弱性变化[J]. 地理学报, 2022, 77(8): 2067-2082.

DOI

[Wu D, Wang Y P, Sheng S J, et al. Vulnerability changes of the maritime silk road shipping network under intentional attacks[J]. Acta Geographica Sinica, 2022, 77(8): 2067-2082.]

[45]
周墨竹, 王介勇. 基于复杂网络的全球稻米贸易格局演化及其启示[J]. 自然资源学报, 2020, 35(5): 1055-1067.

DOI

[Zhou M Z, Wang J Y. Implications from pattern and evolution of global rice trade: A complex network analysis[J]. Journal of Natural Resources, 2020, 35(5): 1055-1067.]

[46]
刘立涛, 沈镭, 刘晓洁, 等. 基于复杂网络理论的中国石油流动格局及供应安全分析[J]. 资源科学, 2017, 39(8): 1431-1443.

DOI

[Liu L T, Shen L, Liu X J, et al. Spatial-temporal features of China’s oil trade network and supply security simulation[J]. Resources Science, 2017, 39(8): 1431-1443.]

[47]
Freeman L C. A set of measures of centrality based on betweenness[J]. Sociometry, 1977, 40(1): 35-41.

[48]
刘承良, 殷美元, 黄丽. 基于多中心性分析的中国交通网络互补性的空间格局[J]. 经济地理, 2018, 38(10): 21-28.

DOI

[Liu C L, Yin M Y, Huang L. Spatial pattern of complementarity between the three transport networks in China based on multiple centrality assessments[J]. Economic Geography, 2018, 38(10): 21-28.]

DOI

[49]
许和连, 孙天阳, 吴钢. 贸易网络地位、研发投入与技术扩散: 基于全球高端制造业贸易数据的实证研究[J]. 中国软科学, 2015, (9): 55-69.

[Xu H L, Sun T Y, Wu G. Status in trade networks, R&D expenditure and technology diffusion: An empirical study based on the trade data of global high-end manufacturing[J]. China Soft Science, 2015, (9): 55-69.]

[50]
齐芯莉, 李振福, 张琦琦, 等. 基于GDELT数据库的全球涉北极事件国家间地缘关系研究[J]. 世界地理研究, 2024, 33(10): 43-57.

DOI

[Qi X L, Li Z F, Zhang Q Q, et al. Research on the geo-relationship among countries in the global Arctic-related events based on GDELT Database[J]. World Regional Studie, 2024, 33(10): 43-57.]

[51]
陈小强, 袁丽华, 宋长青, 等. 人文地理研究中时间阶段划分的量化工具与应用[J]. 经济地理, 2021, 41(1): 21-29.

DOI

[Chen X Q, Yuan L H, Song C Q, et al. Quantitative tools and applications of time stages division in human geography research[J]. Economic Geography, 2021, 41(1): 21-29.]

DOI

[52]
韩建军, 崔欣苗, 侯婧祎, 等. 复杂网络视角下世界粮食贸易网络脆弱性研究[J]. 粮油食品科技, 2025, 33(2): 198-205.

[Han J J, Cui X M, Hou J Y, et al. Research on the vulnerability of world food trade network from the perspective of complex network[J]. Science and Technology of Cereals, Oils and Foods, 2025, 33(2): 198-205.]

[53]
王林辉, 胡晟明, 董直庆. 技术流动的创新效应: 来自技术势差和技术相似度视角的经验证据[J]. 南京社会科学, 2022, (5): 34-44.

[Wang L H, Hu S M, Dong Z Q. The innovation effect of technology flow: Empirical evidence from the perspective of technical gap and technical similarity[J]. Nanjing Journal of Social Sciences, 2022, (5): 34-44.]

[54]
王华, 李龙. 全球半导体贸易网络的结构演进及稳定性分析[J]. 科学学研究, 2025, 43(3): 462-476.

[Wang H, Li L. On structural evolution of the global semiconductor trade network and its robustness[J]. Studies in Science of Science, 2025, 43(3): 462-476.]

[55]
顾伟男, 范信言, 任亚文, 等. 全球半导体贸易网络结构演化及影响因素[J]. 地理研究, 2024, 43(8): 2194-2214.

DOI

[Gu W N, Fan X Y, Ren Y W, et al. The evolution and influencing factors of global semiconductor trade network[J]. Geographical Research, 2024, 43(8): 2194-2214.]

[56]
鞠建东, 侯江槐. 从贸易战1.0到2.0: 全球经济博弈的新阶段[J]. 国际贸易问题, 2025, (5): 1-25.

[Ju J D, Hou J H. From Trade War 1.0 to 2.0: A new phase in global economic competition[J]. Journal of International Trade, 2025, (5): 1-25.]

[57]
祝孔超, 赵媛, 姚亚兵, 等. 全球稀土进口竞争格局分析及潜在贸易联系预测[J]. 资源科学, 2022, 44(1): 70-84.

DOI

[Zhu K C, Zhao Y, Yao Y B, et al. Global rare earth import competition pattern and prediction for potential trade links[J]. Resources Science, 2022, 44(1): 70-84.]

DOI

[58]
张宏伟, 黄希宇, 张杨, 等. 全球钨产业链贸易多层网络需求短缺风险传播机制[J]. 资源科学, 2024, 46(5): 948-959.

DOI

[Zhang H W, Huang X Y, Zhang Y, et al. Mechanisms of demand shortage risk propagation in the multi-layer trade network of global tungsten industry chain[J]. Resources Science, 2024, 46(5): 948-959.]

DOI

Options
Outlines

/

〈 〉