0 引言 近年来，以数字化交付及订购为特征的数字服务，作为数字技术与国际分工深度融合催生的新模式、新业态，正日益成为地区贸易增长的新动能[1-3]。尤其是进入21世纪以来，随着新一代数字通信技术服务平台的出现，信息交换高效且低成本的特性提升了服务的可贸易性[4]。数字服务既包含传统服务的数字化，又包含数字服务产业的国际化[5]，且兼具显著的规模效应、范围效应、劳动力和劳动服务可分离性等特征[6]。《数字贸易发展与合作报告2024》显示，2023年，中国数字服务进出口总额达3666亿美元，同比增长3.5％。数字服务贸易快速发展不仅有利于各类要素资源的畅通流动，还为数字服务业国际分工提供了重要机遇。一方面，数字服务贸易可以降低贸易成本和抵御不确定性风险，提升国际产业链供应链韧性；另一方面，可以重塑传统贸易嵌入全球化分工的模式。 当前，数字服务贸易的研究仍处于萌芽阶段，美国经济分析局将数字服务的范畴界定为“由信息通信技术参与且发挥重要作用的跨境服务”，而联合国贸易和发展会议将其拓展为“通过电子信息网络提供和交付的所有服务”。可见，数字服务贸易的含义可从交易方式、产品属性与参与者3个维度理解[7，8]。然而，不同学者对其界定范围的理解不尽相同，目前尚未建立系统性统计标准。随着数字技术的迅猛发展，国家间数字服务贸易的边界处于动态变化中，而这种贸易关系逐渐发展成为平台化和虚拟化的网络模式[9-11]。当前，学者们对数字服务贸易网络的研究主要围绕以下方面展开：一是采用社会网络分析[12，13]、Top网络分析[14]、有向加权网络[15]等方法构建数字服务贸易网络；二是分析数字服务贸易网络的拓扑结构特征，如“中心-边缘”结构[16]、“全球化-区域化-全球化”的社团变迁[8]、“小世界”特征等[17]；三是分析数字服务贸易网络的影响因素，认为接壤关系、宗教文化、区域贸易协定、互联网基础设施以及知识产权保护等[18，19]是关键因素；四是探究数字服务贸易的网络传导效应，如郝夏珍等[20]基于OECD进出口额数据和海关数据的研究发现，数字服务贸易网络嵌入通过贸易规模效应、成本节约效应和技术吸收能力效应影响企业创新。 现有研究采用了不同方法构建数字服务贸易网络，试图精准量化贸易关系，但大多仍依赖国际贸易数据，且仅聚焦于解析单一层级网络结构特征，因而忽视了网络全局和关键节点信息。同时，考虑到数字服务贸易网络不仅呈现出典型的“小世界”和“高集聚”特征，还存在明显的行业异质性；此外，由于国际贸易关系极易受到其他国家的影响，传统引力模型所刻画的双边关系难以反映经济体间的多边联动效应。因此，本文拓展已有研究边界，将优势流引入复杂网络方法，并多层级、多行业分析其结构特征。在驱动机制方面，既有研究多采用QAP、贸易引力模型、随机行动者模型等方法静态刻画贸易关系网络的影响因素[18，19]，而数字服务贸易的虚拟性和交叉性使其不仅容易受到经济体个体属性特征的影响，更会因距离、文化、制度等差异性而具有区域性特征。事实上，时间指数随机图模型在国际贸易领域的应用相对成熟，能够有效揭示数字服务贸易网络的驱动机制[16]。 此外，“一带一路”倡议提出以来，中国与“一带一路”共建国家间的贸易合作取得重大进展，有效带动该区域整体贸易规模增长[4]。鉴于此，本文基于2005-2021年“一带一路”65个国家及地区数字服务贸易双边数据，应用复杂网络分析方法从“主要节点-骨干路径-空间格局”多层级视角解构“一带一路”数字服务贸易网络结构特征，并运用时间指数随机图模型分析其影响因素，以期为该区域数字服务贸易提供新的着力点。本文的边际贡献在于：①立足行业异质性视角，分别构建细分行业不同类型的数字服务贸易网络，并系统考察经济体间数字服务贸易复杂依赖关系的“点-线-面”特征，拓展现有研究仅采用单一层级刻画网络结构的做法。②采用优势流识别“一带一路”数字服务贸易网络骨干路径，填补了传统Top网络多采用流强度或大小评价而可能忽略整体拓扑结构信息的不足。③采用时间指数随机图模型识别数字服务贸易网络的影响因素，从动态视角刻画数字服务贸易网络演化特征，克服既有研究采用回归分析方法静态分析网络特征的局限性。 1 研究方法与数据来源 1.1 研究方法 1.1.1 网络评价指标及测算方法 1)净流动分析。节点的净流动不仅可以衡量网络中关键节点的贸易流动方向和强度，其流入值和流出值的相对大小还能够表征节点的集聚能力和扩散效应[21-23]，计算公式为：
式中，C[.in][,i]=Σ[.n][,j=1]r[,ji]、C[.out][,i]=Σ[.n][,j=1]r[,ij]，并分别表示节点i的加权入度和加权出度，r[,ji]和r[,ij]分别表示节点j到节点i的贸易额和节点i到节点j的贸易额。 2)优势流分析。优势流分析可有效识别网络的骨干路径[24-26]，计算公式为：
式中，将从某一节点出发的k个流量由大(w[,1])到小(w[,k])进行排序，构建k个期望流迭代过程，ŵ[,k]代表一系列期望值。测算各期望流组和实际流组的相关系数r[.2]，若r[.2]最大，则仅保留对应实际流组｛w[,1]，…，w[,m]｝，反之则继续迭代计算，如此重复筛选出复杂网络中的所有优势流。
