数据主要来自OAG(https://www.oag.com/)，它是世界领先的航空情报咨询机构。在这里，可以获得机场代码、位置、地区等信息。通过节点数据，可以对飞行网络进行细分，使研究不同区域的飞行网络成为可能。这也为区域研究铺平了道路。第二步是建立加权边。通勤者的数量决定了每条路线的权重。这种网络可以定义不同节点的繁忙程度，这就完成了飞行网络的基本框架。最后一步是利用这些节点和边的特性构建整个飞行网络。该飞行网络是一个加权图，可以用图论的方法进行分析和描述。同样的建模方法可以为每天的航线数据构建时间序列复杂网络。

方法

复杂网络具有许多特点。在现在的情况下，连接性、活跃性、完整性和聚集性是我们需要考虑的四个特征。这四个特征映射的具体指标是最大联通子图的尺度、度、密度和聚集系数。同样，本研究构建的飞行网络也是一种复杂的网络，可以继承和利用这些特征。我们选取这些指标来量化航空网络的特征，探索复杂数据之下的规律。

同时，皮尔逊相关模型则可以被应用到疫情和航空网络相关性模型上，构建出不同地区的航空网络-疫情响应分析模型。

本次航空网络时空演变分析如下：

在R语言中使用航空公司复杂网络对疫情进行建模

阅读文章 ➜

COVID-19 与指标的相关性：应该解释的是，没有 COVID-19 统计案例的时期也包括在内，这导致曲线开始处的点的累积。随着病例数的增加，均呈下降趋势。但有些细节并不统一，比如密度指标出现异常上升趋势。

随时关注您喜欢的主题

以及地区差异：

各指标与 COVID-19 的区域相关性。这 12 个图形显示了与不同区域相关的曲线，同时表示了各种指标的大致走势。第一行是美国，第二行是欧盟，最后一行是中国大陆。每行包含四个指标：平均度、最大连通子图规模、密度和聚集系数。请注意，基于中国数据的飞行网络来自其他数据源（ varflight ）。很明显，欧洲和美国的飞行网络有着相同的模式。随着确诊病例的增加，各项指标均呈简单下降趋势。但我国（大陆）的指标变化略有不同，包括各指标在流行曲线中间的上升趋势和结束时的回升趋势。**

同时，不同区域的皮尔逊相关分析得到以下结论：

	January	February	March	April
R	P	R	P	R	P	R	P
The US	0.08	0.65	-0.04	0.82	-0.90	0.00	-0.84	0.00
Europe	-0.20	0.28	-0.12	0.55	-0.88	0.00	-0.41	0.03
China (Mainland)	0.74	0.00	-0.85	0.00	0.40	0.02	0.43	0.02

1月，该病毒在全球范围内的广泛传播尚未发生。此时，该病毒仅在武汉刚被发现。这可能导致逻辑上病毒的传播和航班热度变化是非正常的。值得注意的是，中国大陆的空中交通似乎与病毒传播正相关，这是由于疫情传播与中国大陆春节事情交通重叠的巧合。

2月，疫情在中国大陆迅速蔓延。相应地，大陆航班网络受到严重打击，航班活动急剧减少。因此，相关系数表现出该病毒具有很强的破坏性。反之，欧美的表现则相反，因为疫情尚未在全球传播，以使得全球网络对COVID-19作出相似反应。

3月份，欧美和中国大陆的发展模式呈现出两种不同的状态。此时，COVID-19已开始在全球传播，欧美确诊病例激增，迫使地方政府采取各种方式限制空中交通。目前，欧美航班网络的活动与确诊病例呈高度负相关。这种情况是中国2月份发生的事情的翻版。然而，中国大陆的相关系数明显下降到较低的水平，并且是正的。结果显示，虽然我国确诊病例继续上升，但航空网络正在恢复，表明我国大陆疫情已得到控制，部分生产服务活动正在恢复。

4月份，美国仍维持此前的强负相关格局。中国大陆仍维持较低的正相关，航班网络继续恢复。然而，欧洲的负相关性很低。对于欧洲流行模式，其他粗拟合结果显示，4月份的下降斜率为-8.229e-05，比前一个月平缓（-0.01428）。这说明欧洲的航班网络已经触底。考虑到欧洲航班遭受80%的损失，可以理解航班网络受到的破坏在后期有所缓冲。