The pattern and robustness of global trade network of electric vehicles from a supply-chain perspective

doi:10.3969/j.issn.1004-9479.2026.07.20240863

Abstract

Abstract:

As a substitute for traditional fuel-powered vehicles, electric vehicles play a pivotal role in achieving energy substitution and environmental sustainability. This study examines the electric vehicle industrial chain from upstream lithium carbonate, midstream lithium batteries, to downstream electric vehicles. Using import data from global electric vehicle trading nations spanning January 2015 to December 2023, this paper employs complex network models to analyze trade network characteristics and structural evolution across the industrial chain. The largest connected subgraph serves as an indicator to evaluate the robustness of different segments. Findings reveal that midstream lithium battery and downstream electric vehicle trade networks exhibit distinct small-world characteristics, with the upstream network being the smallest,the midstream network demonstrating the largest scale. China and Germany dominate key import/export and intermediary roles in upstream trade, while China and the US emerge as pivotal players in midstream and downstream networks. China consistently maintains core status across all three segments, particularly excelling in midstream lithium battery centrality. Structural hole advantages are evident for China, the US, and Germany within the industrial chain. Different segments and attack strategies yield varied network impacts, with targeted attacks on core nations proving most disruptive. Notably, upstream lithium carbonate networks display the weakest robustness, contrasting with midstream lithium batteries' superior robustness. This research enriches industrial chain trade network studies by mapping trade advantage dynamics and evaluating network robustness across electric vehicle supply chains, filling critical gaps in current academic understanding.

Key words: electric vehicles, industrial chain, robustness, core-edge, complex network

摘要：

电动汽车产业是实现能源结构转型、促进环境可持续发展的重要环节。本文基于产业链视角，选择碳酸锂、锂电池、电动汽车作为电动汽车产业链上、中、下游的代表产品，收集2015年至2023年全球电动汽车贸易国家的进口数据，运用复杂网络模型分析了电动汽车产业链贸易网络特征与格局演变，并以最大连通子图为指标，评估了电动汽车产业链不同环节的抗毁性。研究表明：中游锂电池和下游电动汽车贸易网络呈现典型的小世界特性，网络规模上游最小，中游最大；上游的关键进出口及中介国家是中国和德国，中、下游的关键进出口及中介国家是中国和美国；中国上、中、下游三个环节的核心度均处于核心国家行列，尤其中游锂电池的核心度最高；中国、美国和德国在电动汽车产业链中具有结构洞优势；不同环节和攻击方式对贸易网络的影响存在差异，针对核心国家的蓄意攻击对网络的破坏性最强；其中，上游碳酸锂贸易网络的抗毁性最差，中游锂电池贸易网络抗毁性最好。本文以电动汽车产业链为对象，分析贸易国进出口优势变化，并研究各环节贸易网络的抗毁性。该研究有助于拓展产业链贸易网络的分析维度，可为评估电动汽车供应链的系统稳定性与风险传导路径提供实证参考。

关键词: 电动汽车, 产业链, 抗毁性, “核心-边缘”, 复杂网络

Yongli ZHANG, Tianzehao GONG. The pattern and robustness of global trade network of electric vehicles from a supply-chain perspective[J]. World Regional Studies, 2026, 35(7): 50-66.

张永礼, 巩田泽昊. 产业链视角下电动汽车全球贸易网络格局与抗毁性分析[J]. 世界地理研究, 2026, 35(7): 50-66.

Figures/Tables 17

Fig.1 Electric vehicle industry chain

Tab.1 Selected products and HS codes

产品	HS码	产业链环节
碳酸锂	283691	上游
锂电池	850650	中游
电动汽车	870380	下游

Tab.2 Explanation and calculation formula of complex network indicators

指标	说明	计算公式
节点的度	节点的度是指与特定节点K相连接的其他节点的数量	$K i = ∑ j ∈ N i a i j$ , $a i j$ 其中为节点 $i$ 和 $j$ 的边，若边存在，则 $a i j$ = 1;否则，它是0; $N i$ 表示与节点相连的其他节点
网络密度	网络密度是指在一个贸易网络中，实际存在的贸易关系与理论上可能存在的最大贸易关系之间所占的比重	$ρ = m n n - 1$ ,其中 $n$ 为网络中参与贸易的国家（地区）数量。 $m$ 为实际网络连接数，即实际存在的贸易关系
平均聚类系数	平均聚类系数用来衡量网络中各个节点之间聚集程度的指标	$C i = E i C K i 2$ , $C = 1 n ∑ i = 1 n C i$ ,其中 $C i$ 为节点 $i$ 的聚类系数， $C$ 为平均聚类系数
平均路径长度	平均路径长度是指在贸易网络中，任意两个不同节点之间路径的平均长度	$L = 1 n n + 1 ∑ i j d i, j$ ，其中 $d (i, j)$ 是节点 $i$ 到节点 $j$ 的最短距离
中介中心度	中介中心度是衡量节点作为桥梁在其他两个节点之间最短路径上的次数的量化指标	$C B v = ∑ s ≠ v ≠ t ∉ V σ s t v σ s t$ ,其中 $σ s t$ 是从节点 $s$ 到节点 $t$ 的最短路径总数， $σ s t (v)$ 是通过 $v$ 的路径数
特征向量中心度	特征向量中心度是衡量节点在网络中重要性的方法,它考虑了节点作为信息传递桥梁的角色	$E c i = λ - 1 ∑ j = 1 N A i j h j$ ，其中 $λ$ 和 $h j$ 是邻接矩阵及其特征向量的最大特征值； $A i j$ 是网络的邻矩阵，如果 $i$ 和 $j$ 有一条边，则 $A i j$ = 1，否则 $A i j$ = 0； $N$ 表示一个网络中的节点总数

Tab.2 Explanation and calculation formula of complex network indicators

指标	说明	计算公式
节点的度	节点的度是指与特定节点K相连接的其他节点的数量	$K i = ∑ j ∈ N i a i j$ , $a i j$ 其中为节点 $i$ 和 $j$ 的边，若边存在，则 $a i j$ = 1;否则，它是0; $N i$ 表示与节点相连的其他节点
网络密度	网络密度是指在一个贸易网络中，实际存在的贸易关系与理论上可能存在的最大贸易关系之间所占的比重	$ρ = m n n - 1$ ,其中 $n$ 为网络中参与贸易的国家（地区）数量。 $m$ 为实际网络连接数，即实际存在的贸易关系
平均聚类系数	平均聚类系数用来衡量网络中各个节点之间聚集程度的指标	$C i = E i C K i 2$ , $C = 1 n ∑ i = 1 n C i$ ,其中 $C i$ 为节点 $i$ 的聚类系数， $C$ 为平均聚类系数
平均路径长度	平均路径长度是指在贸易网络中，任意两个不同节点之间路径的平均长度	$L = 1 n n + 1 ∑ i j d i, j$ ，其中 $d (i, j)$ 是节点 $i$ 到节点 $j$ 的最短距离
中介中心度	中介中心度是衡量节点作为桥梁在其他两个节点之间最短路径上的次数的量化指标	$C B v = ∑ s ≠ v ≠ t ∉ V σ s t v σ s t$ ,其中 $σ s t$ 是从节点 $s$ 到节点 $t$ 的最短路径总数， $σ s t (v)$ 是通过 $v$ 的路径数
特征向量中心度	特征向量中心度是衡量节点在网络中重要性的方法,它考虑了节点作为信息传递桥梁的角色	$E c i = λ - 1 ∑ j = 1 N A i j h j$ ，其中 $λ$ 和 $h j$ 是邻接矩阵及其特征向量的最大特征值； $A i j$ 是网络的邻矩阵，如果 $i$ 和 $j$ 有一条边，则 $A i j$ = 1，否则 $A i j$ = 0； $N$ 表示一个网络中的节点总数

Tab.3 Description and calculation formula of structural hole index

指标	说明	计算公式
有效规模	有效规模指个体网络的规模在去除网络冗余度之后所得到的实际规模。本文中的有效规模可以理解为与某个特定国家（地区）存在实际贸易关系的不同国家（地区）的数量	$K = ∑ j 1 - ∑ q p i q m j q$ ,其中 $j$ 表示所有与 $i$ 相连的节点， $q$ 是除了 $i$ 和 $j$ 以外的第三个节点。 $p i j m i j$ 是节点 $i$ 和 $j$ 的冗余连接数
效率	节点的效率等于该点的有效规模与其度之比。本文中的效率是指某个国家（地区）的有效规模与整个网络最大规模的比值	$W = K K i$ ,其中 $K$ 表示节点 $l ˙$ 的有效规模， $K i$ 表示节点 $l ˙$ 的度
限制度	限制度衡量了节点在其所在网络中运用结构洞的能力程度。低限制度，意味着贸易网络更加开放，结构洞的数量更多	$P i j = a i j + a j i ∑ k a i k + a k i$ ， $C i = ∑ j P i j + ∑ q, q ≠ i, q ≠ j P i q P q i 2$ ，其中， $a i j$ 是节点 $i$ 与 $j$ 之间边的权重， $P i j$ 是 $i$ 与 $j$ 的联系强度
等级度	等级度是一个衡量限制性集中水平的指标，它反映了这种限制性在多大程度上汇聚于一个特定的节点。通过等级度的分析，可以更好地理解国家（地区）在贸易网络中的地位和影响力	$H = ∑ j N C i j C l n N C i j C N l n N$ ,其中 $N$ 表示与 $i$ 连接的节点数， $C$ 为 $i$ 的限制度， $C i j$ 为 $j$ 到 $i$ 的限制度

Tab.3 Description and calculation formula of structural hole index

指标	说明	计算公式
有效规模	有效规模指个体网络的规模在去除网络冗余度之后所得到的实际规模。本文中的有效规模可以理解为与某个特定国家（地区）存在实际贸易关系的不同国家（地区）的数量	$K = ∑ j 1 - ∑ q p i q m j q$ ,其中 $j$ 表示所有与 $i$ 相连的节点， $q$ 是除了 $i$ 和 $j$ 以外的第三个节点。 $p i j m i j$ 是节点 $i$ 和 $j$ 的冗余连接数
效率	节点的效率等于该点的有效规模与其度之比。本文中的效率是指某个国家（地区）的有效规模与整个网络最大规模的比值	$W = K K i$ ,其中 $K$ 表示节点 $l ˙$ 的有效规模， $K i$ 表示节点 $l ˙$ 的度
限制度	限制度衡量了节点在其所在网络中运用结构洞的能力程度。低限制度，意味着贸易网络更加开放，结构洞的数量更多	$P i j = a i j + a j i ∑ k a i k + a k i$ ， $C i = ∑ j P i j + ∑ q, q ≠ i, q ≠ j P i q P q i 2$ ，其中， $a i j$ 是节点 $i$ 与 $j$ 之间边的权重， $P i j$ 是 $i$ 与 $j$ 的联系强度
等级度	等级度是一个衡量限制性集中水平的指标，它反映了这种限制性在多大程度上汇聚于一个特定的节点。通过等级度的分析，可以更好地理解国家（地区）在贸易网络中的地位和影响力	$H = ∑ j N C i j C l n N C i j C N l n N$ ,其中 $N$ 表示与 $i$ 连接的节点数， $C$ 为 $i$ 的限制度， $C i j$ 为 $j$ 到 $i$ 的限制度

Fig.2 The trade network of the three commodities in 2023

Tab.4 The representative product network scale of the electric vehicle industry chain

网络环节	网络节点数	边数
上游碳酸锂贸易网络	100	539
中游锂电池贸易网络	191	3 963
下游电动汽车贸易网络	160	1 952

Tab.5

商品	2015年	2016年	2017年	2018年	2019年	2020年	2021年	2022年	2023年
碳酸锂	0.087	0.075	0.075	0.071	0.089	0.088	0.087	0.099	0.093
锂电池	0.143	0.151	0.152	0.148	0.182	0.173	0.174	0.180	0.173
电动汽车	—	—	0.114	0.098	0.095	0.102	0.128	0.137	0.126

Tab.6 The average geodesic distance

商品	2015年	2016年	2017年	2018年	2019年	2020年	2021年	2022年	2023年
碳酸锂	2.169	2.445	2.461	2.369	2.262	2.340	2.360	2.286	2.309
锂电池	2.071	2.065	2.067	2.076	1.946	1.998	2.012	2.012	2.036
电动汽车	—	—	2.144	2.148	2.117	2.081	2.034	2.071	2.096

Tab.7 Average clustering coefficient

商品	2015年	2016年	2017年	2018年	2019年	2020年	2021年	2022年	2023年
碳酸锂	0.607	0.501	0.500	0.475	0.560	0.459	0.531	0.503	0.547
锂电池	0.646	0.668	0.631	0.657	0.701	0.693	0.677	0.676	0.640
电动汽车	—	—	0.608	0.608	0.632	0.674	0.703	0.654	0.652

Tab.8 The top five countries in the global electric vehicle industry chain in terms of product accessibility

产品	阶段	出入度	1	2	3	4	5
碳酸锂	2015—2018	入度	荷兰	中国	法国	比利时	印度
	2015—2018	出度	德国	中国	美国	智利	比利时
	2019—2023	入度	荷兰	中国	德国	印度	英国
	2019—2023	出度	中国	德国	英国	美国	荷兰
锂电池	2015—2018	入度	荷兰	法国	新加坡	加拿大	瑞士
	2015—2018	出度	中国	美国	德国	英国	日本
	2019—2023	入度	荷兰	法国	英国	美国	瑞士
	2019—2023	出度	美国	中国	德国	英国	日本
电动汽车	2017—2018	入度	荷兰	德国	挪威	英国	法国
	2017—2018	出度	中国	美国	德国	日本	法国
	2019—2023	入度	荷兰	德国	法国	英国	比利时
	2019—2023	出度	中国	美国	德国	韩国	日本

Tab.9 Top five countries in terms of product centrality in the global electric vehicle supply chain

产品	阶段	指标	1	2	3	4	5
碳酸锂	2015—2018年	中介中心度	荷兰	中国	美国	南非	德国
	2015—2018年	特征向量中心度	中国	智利	德国	美国	阿根廷
	2019—2023年	中介中心度	中国	印度	美国	比利时	德国
	2019—2023年	特征向量中心度	智利	中国	德国	英国	阿根廷
锂电池	2015—2018年	中介中心度	荷兰	加拿大	南非	瑞士	比利时
	2015—2018年	特征向量中心度	中国	美国	德国	日本	法国
	2019—2023年	中介中心度	瑞士	加拿大	爱尔兰	丹麦	法国
	2019—2023年	特征向量中心度	中国	美国	德国	法国	英国
电动汽车	2017—2018年	中介中心度	中国	日本	美国	德国	法国
	2017—2018年	特征向量中心度	德国	美国	韩国	中国	法国
	2019-2023年	中介中心度	荷兰	中国	日国	法国	美国
	2019-2023年	特征向量中心度	中国	德国	韩国	美国	英国

Tab.10 The global electric vehicle supply chain represents the core countries of products.

产业链环节	时间	核心国家排名
上游	2018	智利、德国、阿根廷、美国、中国、英国、比利时、法国
上游	2023	智利、中国、英国、德国、阿根廷、美国、比利时、印度
中游	2018	中国、美国、德国、日本、印度尼西亚、韩国、法国、英国
中游	2023	中国、美国、德国、法国、日本、印度尼西亚
下游	2018	德国、美国、法国、英国、韩国、中国、奥地利、日本、西班牙、荷兰、意大利
下游	2023	德国、中国、韩国、日本、美国、比利时、英国、法国、西班牙、捷克共和国、意大利

Tab.11 Index of structural holes in upstream core countries

2018年					2023年
国家	有效规模	效率	限制度	等级度	国家	有效规模	效率	限制度	等级度
智利	29.940	0.809	0.103	0.190	智利	25.434	0.748	0.111	0.139
德国	46.859	0.868	0.085	0.204	德国	36.777	0.799	0.104	0.179
阿根廷	13.766	0.626	0.142	0.129	阿根廷	15.877	0.662	0.137	0.125
美国	39.316	0.855	0.092	0.231	美国	26.451	0.735	0.119	0.168
中国	47.014	0.871	0.086	0.235	中国	47.150	0.857	0.084	0.203
英国	26.430	0.777	0.111	0.175	英国	32.442	0.822	0.098	0.195
比利时	26.568	0.759	0.112	0.182	比利时	19.626	0.701	0.129	0.151
法国	19.452	0.72	0.127	0.161	法国	22.591	0.729	0.123	0.166
印度	21.815	0.779	0.118	0.172	印度	35.053	0.815	0.099	0.216

Tab.12 Index of structural holes in midstream core countries

2018年					2023年
国家	有效规模	效率	限制度	等级度	国家	有效规模	效率	限制度	等级度
中国	136.31	0.836	0.04	0.206	中国	118.825	0.803	0.041	0.182
美国	116.563	0.804	0.044	0.196	美国	114.658	0.791	0.042	0.178
德国	108.022	0.783	0.046	0.183	德国	93.199	0.74	0.046	0.155
日本	97.017	0.764	0.048	0.189	日本	87.096	0.726	0.048	0.169
印度尼西亚	78.995	0.725	0.05	0.170	印度尼西亚	79.929	0.72	0.048	0.159
韩国	70.985	0.689	0.052	0.149	韩国	71.851	0.684	0.049	0.136
法国	91.426	0.756	0.046	0.159	法国	95.649	0.759	0.044	0.147
英国	99.791	0.768	0.047	0.177	英国	95.893	0.755	0.045	0.156

Tab.13 Index of structural holes in downstream core countries

2018年					2023年
国家	有效规模	效率	限制度	等级度	国家	有效规模	效率	限制度	等级度
中国	77.389	0.879	0.071	0.31	中国	109.651	0.863	0.053	0.269
美国	63.821	0.84	0.083	0.283	美国	90.527	0.823	0.06	0.252
德国	62.858	0.838	0.077	0.221	德国	88.392	0.818	0.057	0.21
法国	47.453	0.791	0.086	0.206	法国	65.671	0.764	0.064	0.181
英国	39.683	0.763	0.092	0.191	英国	77.987	0.796	0.06	0.21
韩国	39.289	0.756	0.095	0.208	韩国	76.908	0.793	0.062	0.233
日本	54.107	0.832	0.078	0.251	日本	77.798	0.794	0.062	0.222
西班牙	27.433	0.686	0.103	0.159	西班牙	48.706	0.696	0.069	0.146
意大利	25.785	0.661	0.106	0.144	意大利	41.924	0.665	0.073	0.138
比利时	15.462	0.552	0.12	0.111	比利时	65.221	0.758	0.064	0.181

Fig.3 Simulation of different attack modes

Tab.14 Cumulative decline rate of subgraph ratio of maximum connected graph

攻击次序	碳酸锂贸易网络		锂电池贸易网络		电动汽车贸易网络
攻击次序	国家	累计下降率	国家	累计下降率	国家	累计下降率
1	智利	1.0%	中国	0.5%	德国	0.6%
2	中国	8.9%	美国	1.0%	中国	4.4%
3	英国	12.9%	德国	1.6%	韩国	6.3%
4	德国	15.8%	法国	2.6%	日本	6.9%
5	阿根廷	16.8%	日本	3.1%	美国	8.1%
6	美国	17.8%	印尼	4.2%	比利时	9.4%
7	比利时	18.9%	韩国	5.2%	英国	11.9%
8	印度	31.7%	英国	6.3%	法国	13.8%
9	荷兰	35.6%	新加坡	8.4%	西班牙	15.0%
10	法国	40.6%	荷兰	9.4%	捷克	15.6%

References 54

[1]	WAN B, TIAN L, FU M, et al. Green development growth momentum under carbon neutrality scenario. Journal of Cleaner Production, 2021, 316: 128327.
[2]	LIU Z, HAO H, CHENG X, et al. Critical issues of energy efficient and new energy vehicles development in China. Energy Policy, 2018, 115: 92-97.
[3]	WATARI T, MCLELLAN B C, GIURCO D, et al. Total material requirement for the global energy transition to 2050: A focus on transport and electricity. Resources, Conservation and Recycling, 2019, 148: 91-103.
[4]	Intelligence S P G M. Top electric vehicle markets dominate lithium-ion battery capacity growth, 2021
[5]	BINZ C, TRUFFER B, LI L, et al. Conceptualizing leapfrogging with spatially coupled innovation systems: The case of onsite wastewater treatment in China. Technological Forecasting and Social Change, 2012, 79(1): 155-171.
[6]	HANSEN T, HANSEN U E. How many firms benefit from a window of opportunity? Knowledge spillovers, industry characteristics, and catching up in the Chinese biomass power plant industry. Industrial and Corporate Change, 2020, 29(5): 1211-1232.
[7]	LEMA R, FU X, RABELLOTTI R. Green windows of opportunity: Latecomer development in the age of transformation toward sustainability. Industrial and Corporate Change, 2020, 29(5): 1193-1209.
[8]	QUITZOW R, HUENTELER J, ASMUSSEN H. Development trajectories in China's wind and solar energy industries: How technology-related differences shape the dynamics of industry localization and catching up. Journal of Cleaner production, 2017, 158: 122-133.
[9]	ZENG S, JI M, HUANG X. An empirical study on the impact of tax incentives on the development of new energy vehicles: Case of China. Energy Policy, 2025, 198: 114452.
[10]	WANG F, HAN H. How does progressive subsidy reduction affect the innovation and economic performance of new energy vehicle firms?. Economic Analysis and Policy, 2024, 84: 1621-1635.
[11]	XIE Y, WU D, ZHU S. Can new energy vehicles subsidy curb the urban air pollution? Empirical evidence from pilot cities in China. Science of The Total Environment, 2021, 754: 142232.
[12]	PEI L, KONG H, XU Y. Government subsidies, dual-credit policy, and enterprise performance: Empirical evidence from Chinese listed New Energy Vehicle Companies. Chinese Journal of Population, Resources and Environment, 2023, 21(2): 71-81.
[13]	FAN Z, CAO Y, HUANG C, et al. Pricing strategies of domestic and imported electric vehicle manufacturers and the design of government subsidy and tariff policies. Transportation Research Part E: Logistics and Transportation Review, 2020, 143: 102093.
[14]	QIN S, XIONG Y. Differences in the innovation effectiveness of China's new energy vehicle industry policies: A comparison of subsidized and non-subsidized policies. Energy, 2024, 304: 132151.
[15]	LU T. Response of new car buyers to alternative energy policies: The role of vehicle use heterogeneity. Economic Modelling, 2023, 120: 106173.
[16]	XIONG Y, WANG L. Policy cognition of potential consumers of new energy vehicles and its sensitivity to purchase willingness. Journal of Cleaner Production, 2020, 261: 121032.
[17]	LIN B, SHI L. Do environmental quality and policy changes affect the evolution of consumers' intentions to buy new energy vehicles. Applied Energy, 2022, 310: 118582.
[18]	FAN R, BAO X, DU K, et al. The effect of government policies and consumer green preferences on the R&D diffusion of new energy vehicles: A perspective of complex network games. Energy, 2022, 254: 124316.
[19]	XIAO L, CHEN Z S, HOU R, et al. Greenness-based subsidy and dual credit policy to promote new energy vehicles considering consumers' low-carbon awareness. Computers & Industrial Engineering, 2023, 185: 109620.
[20]	FU S, LIU D, HUANG F. Synergistic effect of government policy and market mechanism on the innovation of new energy vehicle enterprises. Energy, 2024, 295: 130998.
[21]	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.世界地理研究,2024,33(02):1-14.
	QI W, LI Q. The dynamic evolution characteristics and influencing factors of the global new energy vehicle trade network. World regional studies, 2024,33(02):1-14.
[22]	徐佩,王维然.全球新能源汽车贸易网络的结构特征及其竞争关系研究.世界地理研究,2025,34(04):45-58.
	XU P, WANG W. The structural characteristics and competitive relationships of the global new energy Vehicle trade network. World regional studies, 2025,34(04):45-58.
[23]	HAO X, AN H, QI H, et al. Evolution of the exergy flow network embodied in the global fossil energy trade: Based on complex network. Applied energy, 2016, 162: 1515-1522.
[24]	PETRIDIS N E, PETRIDIS K, STIAKAKIS E. Global e-waste trade network analysis. Resources, Conservation and Recycling, 2020, 158: 104742.
[25]	CHEN J, LUO Q, SUN X, et al. The impact of renewable energy consumption on lithium trade patterns: An industrial chain perspective. Resources Policy, 2023, 85: 103837.
[26]	HAO H, XING W, WANG A, et al. Multi-layer networks research on analyzing supply risk transmission of lithium industry chain. Resources Policy, 2022, 79: 102933.
[27]	HU X, WANG C, LIM M, et al. Critical systemic risk sources in global lithium-ion battery supply networks: Static and dynamic network perspectives. Renewable and Sustainable Energy Reviews, 2023, 173: 113083.
[28]	SHAO L, KOU W, ZHANG H. The evolution of the global cobalt and lithium trade pattern and the impacts of the low-cobalt technology of lithium batteries based on multiplex network. Resources Policy, 2022, 76: 102550.
[29]	DU R, DONG G, TIAN L, et al. A complex network perspective on features and evolution of world crude oil trade. Energy Procedia, 2016, 104: 221-226.
[30]	ZANG Y, ZHU X. Analysis of the global trade network of the chip industry chain: Does the US-China tech war matter?. Heliyon, 2023, 9(6):e17092.
[31]	GUTIERREZ-MOYA E, LOZANO S, ADENSO-Díaz B. A pre-pandemic analysis of the global fertiliser trade network. Resources Policy, 2023, 85: 103859.
[32]	VENKATRAMAN N, LEE C H, IYER B. Interconnect to win: the joint effects of business strategy and network positions on the performance of software firms//Network Strategy. Emerald Group Publishing Limited, 2008, 25: 391-424.
[33]	BRUNETTA F, BOCCARDELLI P, LIPPARINIV A. Central positions and performance in the scientific community. Evidences from clinical research projects. Journal of Business Research, 2015, 68(5): 1074-1081.
[34]	SAGLIETTO L, Cézanne C, DAVID D. Research on structural holes: An assessment on measurement issues. Journal of Economic Surveys, 2020, 34(3): 572-593.
[35]	ZHANG X, ZHANG W, LEE P. Importance rankings of nodes in the China Railway Express network under the Belt and Road Initiative. Transportation Research Part A: Policy and Practice, 2020, 139: 134-147.
[36]	万多,许月艳.中国蔬菜出口贸易格局演变及其影响因素研究——基于社会网络方法.经济问题,2024,(03):23-29.
	WAN D, XU Y. Research on the evolution of China's vegetable export trade pattern and its influencing factors: Based on social network method. On Economic Problems, 2024,(03):23-29
[37]	黄庆波,黄芳,李焱,等.中国与北极国家贸易格局时空演变及其影响因素分析.华中师范大学学报(自然科学版),2023,57(01):105-116.
	HUANG Q, HUANG F, LI Y, et al. Analysis of the spatiotemporal evolution and influencing factors of trade patterns between China and Arctic countries. Journal of Central China Normal University(Natural Sciences), 2023,57(01):105-116
[38]	GONG X, FU C, HUANG Q, et al. International political uncertainty and climate risk in the stock market. Journal of International Financial Markets, Institutions and Money, 2022, 81: 101683.
[39]	BERNAUER T, BÖHMELT T. International conflict and cooperation over freshwater resources. Nature Sustainability, 2020, 3(5): 350-356.
[40]	GUO Y, LI Y, LIU Y, et al. The impact of geopolitical relations on the evolution of cobalt trade network from the perspective of industrial chain. Resources Policy, 2023, 85: 103778.
[41]	彭飞,焦阳阳,李淑琴,等.中国与RCEP伙伴国贸易格局及影响因素分析.资源开发与市场,2022,38(06):699-706.
	PENG F, JIAO Y, LI S,et al. Analysis of trade patterns and influencing factors between China and RCEP partner countries. Resource Development And Market, 2022,38(06):699-706
[42]	刘禹君,刘一腾.中国与"一带一路"沿线国家农产品贸易格局演化及优化策略.浙江学刊,2021(04):113-122.
	LIU Y, LIU Y. Evolution and optimization strategy of agricultural trade pattern between China and countries along the "the Belt and Road". Zhejiang Academic Journal,2021(04):113-122.
[43]	王泽宇,郭婷,王焱熙.复杂网络视角下全球水产品贸易格局演化及影响因素.地域研究与开发,2022,41(02):1-6.
	WANG Z, GUO T, WANG Y. Evolution and influencing factors of global aquatic product trade pattern from the perspective of complex networks. Areal Research and Development,2022,41(02):1-6.
[44]	XIE W J, WEI N, ZHOU W X. Evolving efficiency and robustness of the international oil trade network. Journal of Statistical Mechanics: Theory and Experiment, 2021, 2021(10): 103401.
[45]	YANG J, CHEN W. Unravelling the landscape of global cobalt trade: Patterns, robustness, and supply chain security. Resources Policy, 2023, 86: 104277.
[46]	XIAO J, XIONG C, DENG W, et al. Evolution features and robustness of global photovoltaic trade network. Sustainability, 2022, 14(21): 14220.
[47]	HAO X, AN H, JIANG M, et al. Supply shock propagation in the multi-layer network of global steel product chain: Additive effect of trade and production. Resources Policy, 2024, 89: 104655.
[48]	WEI N, XIE W, ZHOU W. Robustness of the international oil trade network under targeted attacks to economies. Energy, 2022, 251: 123939.
[49]	MARKHONKO V. Asymmetries in official international trade statistics and analysis of globalization//International Conference on the Measurement of International Trade and Economic Globalization (Aguascalientes, Mexico). 2014.
[50]	HUANG J, DING Q, WANG Y, et al. The evolution and influencing factors of international tungsten competition from the industrial chain perspective. Resources Policy, 2021, 73: 102185.
[51]	ZHANG H, WANG X, TANG J, et al. The impact of international rare earth trade competition on global value chain upgrading from the industrial chain perspective. Ecological Economics, 2022, 198: 107472.
[52]	XU J, LI J, CHARLES V, et al. Evolution of the rare earth trade network: A perspective of dependency and competition. Geoscience Frontiers, 2024, 15(3): 101653.
[53]	SHI Q, SUN X, XU M, et al. The multiplex network structure of global cobalt industry chain. Resources Policy, 2022, 76: 102555.
[54]	TIAN X, GEENG Y, SARKIS J, et al. Features of critical resource trade networks of lithium-ion batteries. Resources Policy, 2021, 73: 102177.