2. 网络科学基础：图论基础与网络类型

各位同学，欢迎来到第二章。说实话，每次讲图论我都特别兴奋——不是因为数学多美，而是因为供应链金融的底层逻辑，说白了就是一张图。你想想看，供应商、核心企业、银行、物流商，这些角色之间谁跟谁有资金往来、谁依赖谁，用图来表达再清楚不过了。

我个人习惯，学任何网络科学的东西，先别急着看公式，先把「图」这个概念吃透。这一章我们就干三件事：搞懂图的基本构成、认识几种经典网络模型、最后用代码把图画出来。

2.1 图的基本构成：节点与边

图（Graph）是什么？别想复杂了，就是一堆点（节点）和一堆线（边）。

• 节点（Node/Vertex）：代表网络中的实体。在供应链金融里，节点可以是企业、银行、仓库、甚至是一笔应收账款。
• 边（Edge）：代表节点之间的关系。比如A公司向B公司供货，就有一条从A指向B的边。

嗯，这里要注意：边可以带方向，也可以不带。这就引出了有向图和无向图的概念。

有向图 vs 无向图

类型	说明	供应链金融场景
无向图	边没有方向，表示对称关系	两家企业互相担保，关系是对等的
有向图	边有方向，表示单向关系	A向B付款，资金流是单向的

我在项目中遇到过一个问题：有家银行想分析供应链上的资金流向，结果把所有的边都画成无向的，导致分析结果完全乱套。后来我帮他们改成有向图，资金从核心企业流向一级供应商、再流向二级供应商，一目了然。所以，方向很重要。

2.2 图的数学表示

图可以用两种方式存到计算机里。我建议你两种都掌握，因为不同场景下效率差别很大。

邻接矩阵

用一个 N×N 的矩阵，N 是节点数。如果节点 i 和节点 j 之间有边，矩阵的 (i,j) 位置就填 1（有向图里填方向权重）。

# 一个简单的有向图邻接矩阵
# 节点: [A, B, C]
# 边: A->B, B->C, C->A
import numpy as np

adj_matrix = np.array([
    [0, 1, 0],  # A -> B
    [0, 0, 1],  # B -> C
    [1, 0, 0]   # C -> A
])

print(adj_matrix)

邻接表

每个节点后面挂一个列表，存它连出去的邻居。这种方式更省空间，尤其当图很稀疏的时候。

# 用字典表示邻接表
graph = {
    'A': ['B'],
    'B': ['C'],
    'C': ['A']
}

2.3 三种经典网络模型

现实中的网络千奇百怪，但科学家们总结出了三种基本模型。理解它们，你就能看懂大部分供应链网络的结构特征。

2.3.1 随机图（Erdős–Rényi 模型）

随机图是最简单的模型：给定 N 个节点，每对节点以概率 p 连边。说白了，就是随机连线。

• 特点：大部分节点的度数（连边数量）差不多，分布呈泊松分布。
• 供应链场景：不太常见。因为真实供应链里，企业不会随机跟别人做生意。

import networkx as nx
import matplotlib.pyplot as plt

# 生成一个随机图：20个节点，连边概率0.1
G_random = nx.erdos_renyi_graph(n=20, p=0.1, seed=42)
print("随机图节点数:", G_random.number_of_nodes())
print("随机图边数:", G_random.number_of_edges())

2.3.2 小世界网络（Watts–Strogatz 模型）

小世界网络有两个特征：高聚类系数（你的朋友之间也互相认识）和短平均路径长度（六度分隔理论）。

为什么会这样？因为小世界网络是在规则网络的基础上，随机「重连」一小部分边。这样既保留了局部紧密性，又增加了全局连通性。

# 生成小世界网络：20个节点，每个节点连4个邻居，重连概率0.1
G_smallworld = nx.watts_strogatz_graph(n=20, k=4, p=0.1, seed=42)
print("小世界网络平均聚类系数:", nx.average_clustering(G_smallworld))
print("小世界网络平均路径长度:", nx.average_shortest_path_length(G_smallworld))

2.3.3 无标度网络（Barabási–Albert 模型）

无标度网络的核心是「富者愈富」：新节点更倾向于连接到已经有很多连接的节点（优先连接）。

• 特点：少数节点（Hub）拥有大量连接，大部分节点只有少量连接。度分布服从幂律分布。
• 供应链场景：非常常见！核心企业就是那个 Hub，周围围着一堆中小供应商。

# 生成无标度网络：20个节点，每个新节点带2条边
G_scale_free = nx.barabasi_albert_graph(n=20, m=2, seed=42)
# 查看度数最高的几个节点
degree_dict = dict(G_scale_free.degree())
sorted_degrees = sorted(degree_dict.items(), key=lambda x: x[1], reverse=True)
print("度数最高的3个节点:", sorted_degrees[:3])

2.4 本章知识体系总览

下面这张图是我用 SVG 画的，把本章的核心逻辑串起来了。你可以把它当作一张「地图」，学完回头看看，思路会更清晰。

2.5 三种网络对比总结

特性	随机图 (ER)	小世界 (WS)	无标度 (BA)
度分布	泊松分布	近似泊松分布	幂律分布
聚类系数	低	高	中等
平均路径长度	短	短	短
供应链适用性	低（不真实）	中（局部集群）	高（核心-边缘结构）
典型场景	理论分析	信息传播、社交网络	供应链、互联网、金融网络

好了，这一章的内容就是这些。图论基础是后面所有建模的基石，别嫌简单。下一章我们会用这些知识，真正开始搭建一个供应链金融网络模型——到时候你会感谢今天认真学了图论的自己。

---