两者的生产通常与燃烧有关，尤其是与高效燃烧有关，暗示着一种特定的、过时的电力组合、重工业，如金属、冶金或机械和化学工业。然而，需要更多的研究来澄清这种联系。表3：金融部门（第1-5层）与环境（第6-10层）的平均皮尔逊相关性（第6-10层）NOxP M10 SOCOWaterFDI syn 0.25±0.03±0.10±0.03±0.28±0.03±0.18±0.04±0.12±0.06 FDI rev 0.23±0.05±0.11±0.06±0.28±0.05±0.14±0.06 0.25±0.07权益syn 0.32±0.06±0.34±0.24±0.12±0.17±0.15±0.15±0.150.0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.08 0.23±0.08 0.22±0.15TD版本0.33±0.12 0.16±0.0 8 0.37±0.10 0.23±0.13 0.29±0.10国与国之间的相关性在第4节中，我们提出了一种方法来调查国与国之间以及层与织物之间的相关性，表明这些措施可以通过采用零模型来实施。然而，正如之前所强调的，只有正相关才是真正有用的。在下面的内容中，我们可以转换图1中描述的相关矩阵- 通过将正相关替换为1，将负相关或零相关替换为0，将e转换为二元有向矩阵。二元有向矩阵可以进一步操作，以便根据以下关系提取二元无向矩阵：U=a*（AT），其中A是二元有向矩阵，U是无向矩阵。

U的最大连接部分是两层之间关联网络的主干。图3显示了金融环境多元化的主干。HubsTable 4：金融部门与环境的平均互惠性和多重性，4.6.0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.07 0.38±0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0主干的0.47±0.24±0.67±0.21为G德国（27）、比勒克斯（29）、美国（33）和法国（32）表示协同流，英国（25）、德国和比勒克斯表示反向流。对所有25对金融环境层的主干进行的分析表明，节点24、26、30和31通常连接不良。也就是说，尽管是高度金融化的国家，加拿大、荷兰、澳大利亚和以色列在金融环境流的相关网络中处于边缘地位。

这并不是说它们既不交换资金也不交换环境，或者两者都不交换，而是说它们与其他经合组织国家的活动没有那么紧密的联系。我们确定了每个国家的积极联系数量，并绘制了一个时间轴，以进一步将重要相关性拓扑的二元分析扩展到整个多元化，重点关注一方面的金融层与另一方面的环境层之间的相关性。图7显示了所有经合组织国家在所有金融和环境层面之间的定向联系数量的时间演变。图7的第一行显示了协同流（u相关性）的传入和传出（定向）链接数量，第二行显示了反向流（ρ相关性）。相关性总是报告一个金融层和一个环境层，因此，一个传出链接意味着一个与输入环境正相关的输出。根据我们的分析，OECD集团中的五个国家在链接数量上保持不变：美国（33个）、法国（32个）、比利时（29个）、德国（27个）和英国（25个）。因此，我们必须得出结论，在所有互相关网络中都有一种特殊的、共同的拓扑结构，其特征是五个中心节点相同。此外，值得注意的是，随着时间的推移，这种拓扑结构是稳定的，并且对冲击具有鲁棒性，因为它似乎已经克服了2008年的危机，几乎没有改变（美国除外）。事实上，这五个国家在金融体系和贸易网络（ITN）中起着关键作用。

之前对金融层和贸易层之间相关性的分析表明，金融层和贸易层的主导作用是阶段性的[11,12]。节点平衡和层间相关性是指过滤地形y的影响和每一层的相互作用对层间相关性的影响，节点平衡（出口和进口之间的平衡）图7：协同流动（u相关性）和第二行f或反向流动（ρ相关性）的传入（左）和（右）传出链接数量的时间演变。在解释观察到的模式时可能仍然至关重要。各层通常不平衡，这意味着节点往往要么是金融或环境的净进口方，要么是出口方。相关网络中的五个中心节点是否也是金融系统和/或生产空间中的枢纽？它们分别是净出口国还是净进口国？可以预见的是，这五个国家都是环境净进口国，但也有一些例外，如美国的水流、德国的PM10和大多数环境层的Bel-Lux，尽管呈下降趋势。值得注意的是，这些国家也是金融净进口国。此外，与环境层相比，金融层的节点失衡似乎更不稳定，但考虑到金融部门与实体经济相比的波动性，这并不奇怪（图8）。尽管存在这种波动性，但金融层和环境层之间的相关性和显著的反向相关性在一段时间内保持稳定（见表3），这暗示了支撑经济并将贸易与金融联系起来的更广泛的基本过程。图9以对数比例显示了五个金融层的出口（y轴）和进口（x轴）以及以质量单位进行的贸易。国家的标签上有四种颜色，从浅黄色到红色，表示四种程度的工业化。

各国在主轴上的位置显示了其经济的规模。经合组织国家广泛分布在平衡线上，无论其经济规模或金融规模如何，它们都将自己划分为净出口国或净进口国，表现出质量和货币的内部基本平衡。然而，与五个枢纽相反，大多数经合组织国家都是或者是净进口商或者金融净进口商或者净进口商或者净进口商或者金融净进口商或者净进口商，质量为0.8-0.7-0.6-0.6-0.5-0.5-0.5-0.4-0.4-0.4-0.5-0.5-0.5-0.5-0.5-0.4-0.4-0.4-0.4-0-0.3-0.3-0.3-0.3-0.3-0.3-0.3-0.2-0.2-0.2-0.2-0.2-0.2-0.2-0.2-0.2-0.2-0.2-0.2-0.0-0-0.0.0-0-0-0.10.0.0.0.0-0-0.5-0.10-0.5-0.10.5-0 5），图9：33个OECD国家（2002-2010年平均值）的金融失衡（进出口，千美元，1-4层）。从浅黄色到鲜红色的颜色表明金融化程度在增加。在这条线以上的地区，出口超过进口。数值报告在log-10刻度和环境负荷上。此外，环境净进口国往往是所有环境网络的净进口国，反之亦然。对于金融层来说，情况并非如此：我们通常不会同时看到网络进出口商在所有层中的地位。值得注意的是，并非所有金融最少的国家都是金融净进口国/环境净出口国，同样也并非所有金融最多的国家都是金融净出口国/环境净进口国。此外，作为金融净进口国/出口国的国家也可以受益于环境的进口国/出口国，比如五个中心。

这两个系统确实似乎并不相互平衡。误差分析本分析旨在调查经合组织经济体中金融和环境层面之间的持久稳定关系。因此，我们追踪了贸易流量平均值随时间变化的相关性。因此，我们分析的第一个误差来源是分析的时间变化。无论是在总量还是进出口的本地平衡方面，金融层面都比环境层面更具波动性。涉及股票（第二层）的相关性指标可能会在2008年受到显著影响，2008年股票市场上的资金大幅下降，转而投向其他资产。我们测试了2002-2010年之间的相关性，没有2008年。尽管股票与其余各层的相关性有所降低，但与其他金融层相比，整体业绩和股票以及TD与环境的相关性仍然很大。我们通过jack Kniffing时间样本和评估误差幅度（jack knife估计器的方差），进一步评估了Pearson相关性对层内时间变化的敏感性。根据我们的误差分析，分析中表达的相关性排名非常重要。同样有趣的是，反向关联通常比协同关联稳定一个数量级。如前所述，我们的分析在赋予零模型时，只考虑了正相关。这是因为第4节中描述的零模型倾向于过度估计负相关性。这种影响是由于对数可能性最大化带来的非负值。

由于金融层是稀疏的，平均密度（连通度）为0.5，每当层a或层B的权重wij0为空时，为每对节点计算的相关指数ρ为负，因此rijwill bezero（而rijis的预期值始终为正）。此外，如图10所示，空模型t最终会高估链接的权重。因此，正相关是对相关性的保守估计：在这两种影响的组合中幸存下来的正相关因此更具信息量和可信度。与表3和表4不同的是，在以下情况下，分别计算2002年至2010年观测矩阵和预期矩阵的平均值，并依次计算u和ρ。表5显示了五个金融层与五个环境层的u和ρ（正）相关性（方程式16和17）结果。缺失值指负相关，省略。数值是时间（9年）和环境层的平均值。表3中的结果通常适用于完整模型。最相关的金融层面是股票、TD和SD。

逆流通常与环境和协同流的相关性更高，除了FDI层，所有环境层和TD的协同流比逆流的相关性更高，三层之间的相关性更高。表5:2002-2010年金融部门（第1-5层）与环境（第6-10层）的平均皮尔逊相关性，10.0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 3±0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 05.0.11±0.05 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.0950 000100 000150 000层11\'1072\'1073\'1074\'1075\'1076\'1077\'10725.0\'1071.0\'1081.5\'1082.0\'10831\'1072\'1073\'1074\'1070.1层45.0\'1071.0\'1081.5\'1082.0\'108520 00040 00060 00080 000层65.0\'1071.0\'1081.5\'1082.0\'10875.0\'1061.0\'1061.0\'1071.5\'1072.0\'1072.0\'1072.5\'1073.0\'1082.0\'10882\'1084\'1084\'1086\'080 00000080000层模型图：预期（绿色）与观察（红色）链接在节点强度（导出）参考文献[1]卡坦扎罗M.，布坎南M.，网络机遇上的权重图。《自然》杂志第9期，第121-123页（2013年）。[2] Battiston，S.，Caldarelli，G.，Co.Pierre，G.，May，R.&Stiglitz，J.复杂衍生品。《自然》杂志第9期，第123-125页（2013年）。[3] 考希克，R.和巴蒂斯顿，S。

信用违约互换提款网络：互联太多而不稳定？《公共科学图书馆·综合》8，e61815（2013年）。[4] Squartini，T.，van Lelyveld，I.和Garlaschelli，D.银行间网络拓扑崩溃的预警信号。Sci。第3357页（2013年）。[5] Galbiati，M.，Delpini，D.&Battiston，S.《控制的力量》。《自然》杂志第9期，第126-128页（2013年）。[6] Iori G.，de M asi G.，Precup O.，Gabbi G.，Caldarelli G.意大利隔夜货币市场的网络分析，经济动力学与控制杂志32259-278（2008）。[7] Delpini D.，Battiston S.Riccaboni M.，Gabbi G.，Pammelli F.和Caldarelli G.银行间网络中可控制性的演变，《自然科学报告》第3卷，2013年4月。[8] Garlaschelli G.，Battiston S.，Servedio V.，Castri M.和Caldarelli G.无标度顶级市场投资。Physica A 350491（2005）。[9] Battiston S.，Weisbuch G.和Bonabeau E.公司董事会的决策动态。Physica A 322567（2003年）。[10] Joseph A.，Joseph S.&关荣C.，跨境证券投资网络与金融危机指标Sci。第43991页（2014年）。[11] Joseph A.、Vodenska I.、Stanley E.和Guanrong C.《网络经济学：大数据、网络科学和经济学相结合的新预测技术》：arXiv:1403.0848【q-fin.GN】【12】Joseph A.和G Guanrong C.《复合中心度：复杂演化网络的自然尺度》。Physica D 267，58-67（2014）。[13] Blonigen B.A.外国直接投资决定因素实证文献综述。NBER工作文件11299（2005）。[14] 商品市场的交易成本会导致股票的国内偏好吗？《国际经济学杂志》，77:86-100（2009）。[15] Albuquerque R.，Loayza N.和Serven，L.通过外国直接投资的视角进行世界市场整合。《国际经济学杂志》，662267-295（2005）。[16] 艾森曼J.和诺伊I。

内生金融和贸易开放：效率和政治经济考虑。NBER工作文件10496（2004）。[17] 艾森曼J.和诺伊I.外国直接投资和贸易。双向连接？。《经济学和金融季刊》46:317-337（2006）。[18] Aviat A.和Courdacie N.商品和资产持有贸易的地理位置。国际经济学杂志71:22-51（2007）。[19] Lane P.R.和Milesi Ferretti G.M.国际投资模式。《经济学与统计学评论》，903:538-549（2008）[20]莱文森A.和斯科特·泰勒S.M.《揭开污染港效应的面纱》，国际经济评论，49:223-254（2008）。[21]Broner F.，Bustos P.和Carvalho V.M.是污染行业比较优势的来源。NBER工作文件18337（2012）。[22]Hanna R.U.S.环境监管和外国直接投资：来自美国跨国公司小组的证据，《美国经济杂志：应用经济学》第2158-89页（2010年）。[23]Mulatu A.，Gerlagh R.，Rigby D.和Wosink，A.欧洲的环境法规和产业定位。环境与资源经济学45:459-479（2010）。[24]Chung S.环境监管和外国直接投资：来自韩国的证据。发展经济学杂志。108: 222-236 (2014).[25]Aichele R.和Felbermayr G.《京都与碳泄漏：关于双边贸易内容的CARB实证分析》，《经济与统计评论》，发表于2014年1月7日的在线文章。[26]Galstyan V.和Lane P.R.，全球金融危机期间的双边投资组合动态欧洲经济评论57（C），63-74（2013）。[27]兰岑·M.，卡内莫托K.，莫兰D。

&Geschke A.，绘制世界经济结构环境科学与技术15，8374-8381（2012年）。[28]Lenzen M.，Moran D.，Kanemoto K.，和Geschke A.，《在高国家和部门分辨率经济系统研究中建立Eora：全球多区域投入产出数据库》25，20-49（2013）。[29]Bianconi G.，多重网络的统计力学：熵和重叠物理。牧师。E 62062806（2013年）。[30]Nicosia V.，Bianconi G.和Barthelemy M.成长中的多元化网络。菲斯。牧师。莱特。058701（2013年）。[31]M.Barigozzi M.，G.Fagiolo&D.Garlaschelli，《国际贸易多网络：商品特性分析》。菲斯。牧师。E 4046104（2010）。[32]T.Sq uartini，F.Picciolo，F.Ruzzenenti和D.Garlaschelli，加权网络的互易性Sci。第32729页（2013年）。[33]V.Gemmeto，D.Garlaschelli，《多重存在与我们的相关性：局部约束在真实多路复用中的作用》arXiv:1409.5253[Physical.soc ph]，（2014）。[34]V.Gemmeto、T.Squartini、F.Picciolo、F.Ruzzenenti和D.Garlaschelli，定向多路复用中的多存在性和多互易性。arXiv:1411.1282[物理学.社会科学博士]，（2014）。[35]王尔德，奥斯卡·王尔德的警句。商书有限公司；n、 e.版本（1998年1月31日）。[36]Holland P.和Leinhardt S.《社会学方法论》。ed Heise D（Jossey Bass，旧金山），1-45岁（1975年）。[37]瓦瑟曼S.和福斯特K.社交网络分析。剑桥大学出版社（剑桥，纽约）（1994年）。[38]Garlaschelli D.和Loff redo M.I.定向网络中链路互惠的模式。菲斯。牧师。莱特。93, 268701 (2004).[39]Garlaschelli D.和Loffredo M.I.M.互惠网络的多物种大规范模型。菲斯。牧师。E 73015101（2006）。[40]Garlaschelli D.，Ruzzenenti F.和Basosi R.复杂网络与对称性I:综述。对称2（3）1683-1709（2010）。[41]Squartini T.和Garlaschelli D。

分析最大似然法在实际网络中检测模式。新J·菲斯。13, 083001 (2011).[42]Kovanen L.，Saramaki J.和Kaski K.手机通话的互惠性。社会经济系统动力学2（2），138-151（2011）。[43]法吉奥洛·G.直接的还是无方向的？一个新的指数，用于检查社会经济网络中关系的方向性。经济部。公牛3(34), 1-12 (2006).[44]Wang C.，Lizardo O.，Hachen D.，Strathman A.，Toroczkai Z.，Chawla N.重复交互网络的二元互惠指数。网络科学1（1），31-48（2013）。[45]Akoglu L.，Vaz de Melo P.O.S.和Falutsos C.量化大权重通信网络中的互惠性S.Lec。Notes公司。《科学》7302，85-96（2012）。[46]Snijders T.A.B.，Pattison P.E.，Robins G。L.和Handcock M.S.针对指数随机图模型的新规范。社会学方法36（1），99-153（2006）。[47]Robins G.，Pattison P.，Kalish Y.&Lusher D.社交网络指数随机图（p*）模型简介。社交网络29（2），173AS191（2007）。[48]Park J&Newman MEJ（2004）网络的统计力学。物理版次E 70066117。[49]Garlaschelli D.和Loff redo M.I.最大可能性：从复杂网络中提取无偏信息。菲斯。牧师。E 78015101（R）（2008年）。[50]Squartini T.，G arlaschelli D.和Fagiolo G.随机化世界贸易。二、加权网络分析。菲斯。牧师。E 84046118（2011年）。