航空运输可用性对研究合作的影响：A

这个变量可以看作是重力模型方法中质量项的等价物。我们假设自我和目的地之间合作的可能性和强度主要取决于目的地的科学能力。与几乎没有研究活动的城市、地区或国家合作是不可能的。尽管地理距离遥远，但与牛津、巴黎或东京等全球知识中心的合作可能会非常密集。我们的8980个观测值（分析单位）的完整数据集由四个机构子数据集组成，每个子数据集包含2245个观测值（见表1和表2）。观察被定义为四个自我机构之一的大学校园与全球2245个地理实体之一之间的多维链接（合著者、地理距离、空中链接等），这些实体至少有Mazloumian等人（2013）确定的论文。ego机构和定义的地理实体之间的合著论文数量本研究中的因变量范围为0至3433，变量的平均值为15.4（2008-2013年期间）。这意味着四所被分析的机构在该机构与其中一个确定的地理单元之间的可能关系上，平均合著15.4篇论文。在这方面，乌米奇大学在其他三所大学中名列前茅。它与世界其他空间单位的研究人员合著的论文平均数量为34.6篇，而其他机构的论文平均数量为8.2至9.9篇。表1：。描述性统计–完整数据集VariableObservationsMeanst。

Dev.MinMaxNumber of co-authored papers 15.489.5地理距离（mi）4232.32669.420.4目的地论文数量5373.3到目的地机场的距离（mi）24.825.40.4lines0stop0.10.7lines1stop3.8lines2stop16.8lines3stop114.691.6seats0stop24.1128.5seats1stop1049.3seats2stop3071.33002.3seats3stop95361.2153682.8Min。到达目的地的停车次数1.50.7四个自我机构与其合作者之间的地理距离从20.4英里到1171英里不等。所有可能的二元关系（四个egoinstitutions中的一个和他们网络中所有其他可能的合作者之间）之间的平均地理距离为4232英里。要将这个数字输入文本，请记住纽约市和洛杉矶之间的距离约为2450英里。高平均地理距离的结果是，许多合著者在其他大陆都有机构住所。UMICH与合作机构之间的平均地理距离最低（4001英里），其次是UIPUI和IUB（分别为4080英里和4085英里），而ASUis与合作机构之间的地理距离最高（4232英里）。将合著论文的数量和合著者所属机构之间的距离放在一起，表明合作并非均匀分布在整个地理空间中（见图2）。所有四所大学都有一种模式：大学中相当大比例的合作发生在2000英里范围内，在2000至4000英里范围内几乎没有合作，然后，从4000英里以上（ASU为5000英里以上）开始，合作再次明显。将这些距离与地图进行比较表明，最近的一组合作反映了合作者在美国大陆范围内的合作。

在北美，2000至4000英里的差距反映了大西洋和太平洋，4000至6000英里的范围主要反映了美欧合作。表2：。描述性统计–机构子数据集VariableObservationsMeanst。Dev.minmaxasu合著论文数9.940.8地理距离（mi）4762.62619.282.9目的地论文数5375.313875.2目的地机场距离（mi）24.825.40.4Lines0stop0.3Lines1stop4.47.3Lines2stop20.619.4Lines3stop131.7104.7Seats0stop42.4185.7Seats1stop759.11300.9Seats2stop3653.53495.3seats32024.4182298分钟。到达目的地的站点数1.40.7IUB*合著论文数8.230.6地理距离（mi）4085.32684.720.4到达目的地的论文数5380.213879.6到达目的地的机场距离（mi）24.825.40.4Lines0stop0.4Lines1stop2.84.8Lines2stop14.1Lines3stop95.776.6Seats0stop6.349.7Seats1stop419.4737.2seats2375.42253.6Seats3stop60251.8120158.7Min。到达目的地的站点数1.60.7IUPUI*合著论文数9.144.6地理距离（mi）4080.42683.540.5到达目的地的论文数5375.813875.8到达目的地的机场距离（mi）24.825.40.4Lines0stop0.4Lines1stop2.84.8Lines2stop14.1Lines3stop95.776.6Seats0stop6.349.7Seats1stop419.4737.2Seats2stop2375.42253.6Seats3stop60251.8120158.7Min是的。到达目的地的站点数1.60.7umich合著论文数34.6164.2地理距离（mi）4000.72619.930.4到达目的地的论文数5361.713842.6到达目的地的机场距离（mi）24.825.40.4Lines0stop0.20.8Lines1stop6.5Lines2stop21.4Lines3stop135.297.1Seats0stop41.3159.4Seats1stop894.21204.7Seats2stop3880.83424.7Seats3stop133916.5165648.9分钟。

到达目的地的站数1.20.7*IUB和IUPUI由一个机场，即印第安纳波利斯国际机场（IND）提供服务，因此它们具有相同的航空运输变量值。图2：。合著论文按地理距离分布“目的地论文数量”和“目的地到机场的距离”的描述性统计对于完整数据集和每个机构数据集来说几乎是相同的。这是因为每个大学都有相同的一组可能的合作者，除了它自己，即ASU ego network excludesASU、IUB ego network ExcludeIUB等。目的地的论文数量低至一篇（再加上数据集中只包含至少一篇附属论文的地理权利），阿什高达20.2万（波士顿大都会区）。从collaboratingdestination到最近的机场的平均距离约为25英里。距离最近的机场最远的航班是在幅员辽阔、人口稀少的国家，如俄罗斯或加拿大，以及新兴经济体，主要是在非洲和南美。航空运输连通性变量的值在四个机构子数据集之间存在很大差异。三个机场为四个被考虑的校区提供服务，其中IUB和IUPUI由一个机场提供服务，IND，位于印第安纳波利斯郊外的DIRECT10100000 2000 4000 6000 8000 10000 12000篇合著论文（log）距离（mi）ASU1101001000100000 2000 4000 6000 8000 10000 12000篇合著论文（log）距离（mi）UMICH10100000 2000 4000 6000 8000 8000 10000 12000篇合著论文（log）距离（mi）IUB11010010000 2000 4000 6000 8000 10000 12000篇合著论文（log）到协作目的地的距离（mi）。

因此，他们在直飞航班以及一次、两次或三次中途停留/中转航班可到达的协作目的地数量上也有所不同。乌米奇由底特律大都会机场（DTW）提供服务，由于来自安娜堡的学者可以通过直飞航班联系301个不同集合目的地的合作者，因此乌米奇拥有特权地位。菲尼克斯天空港国际机场（PHX）提供直达218个目的地的服务，而IND机场仅提供53个直达航班可到达的目的地。此外，与其他三所大学的学者相比，UMICH学者可以使用一站式联运航班前往更多目的地。另一方面，对于ASU，IUBand IUPUI研究人员只有通过至少两站的联程航班才能到达更多目的地（见表3）。因此，与ASUand相比，航空运输连接变量“linesxsstop”、“SeatsXstop”和“到目的地的最小站点数”的UMICH值更高，尤其是IUB和IUPUI（见表2）。表3：。可从四所研究大学的机场直飞和联运航班到达的目的地机场直飞1站2站3站Totaldetroitindianapolisphoenix底特律为UMICH服务，印第安纳波利斯为IUPUI和IUB服务，而ASU为Phoenix服务。建模方法为了建模航空运输可用性对科学合作的影响，我们采用了零膨胀模型。这类模型是为事件计数数据设计的，其中样本来自于零膨胀概率分布，即允许频繁进行零值观测的概率分布。我们的研究数据集完全符合使用这些模型的要求，大约45%的结果变量等于零。

也就是说，在观察期间，四个自我研究机构没有合作作者，其中45%的本地化被确定为发表了至少一篇科学论文（根据Mazloumian等人2013年的数据）。零膨胀模型假设零结果可能来自两个不同的过程。首先，缺乏合作可能是由于目的地缺乏研究能力。在这种情况下，预期结果为零。其次，如果目的地有一些研究能力，那么这就是一个计数过程。零结果仍然是可能的（例如，由于不同的搜索配置文件），但很可能有许多合作作者。因此，零膨胀模型有两个组成部分：“膨胀”部分（与logit模型等效）和适当的“计数”部分。为了构建膨胀部分，我们使用了一个预测因子：“目的地的论文数量”。这一决定基于这样一个假设，即无论地理距离和交通可达性如何，科学能力的数量决定了科学合作的出现。在计数部分，我们使用了两个控制变量，即“地理距离”和“目的地论文数量”，以及航空运输连通性和可达性的自变量。为了说明预期的曲线性，在四个变量的情况下使用了额外的二次项：“地理距离”、“目的地论文数量”、“LinesXstop”和“SeatsXstop”。我们假设，枚举变量对科学合作的影响在其可能值上并不统一。特别是，在低值时影响更为显著，而在高值时影响逐渐减弱（收益递减模式）。

例如，我们可以预期，同一两个城市之间的一条和两条直飞航班之间的差异应该会对研究合作的可能性产生重大影响，而11条和12条直飞航班之间的差异可能会产生较小的影响。由于航空运输对于短距离而言意义不大，因此，在进一步的实证分析中，排除了地理距离变化小于100英里的观测。总共省略了55次观测，其中4次用于ASU，23次用于IUB，22次用于IUPUI，24次用于UMICH。因此，作为估算基础的受限数据集包括8925个观测数据、四所大学及其潜在研究合作者之间的多维链接（合著、地理距离、空中链接等）。各大学的子数据集如下：ASU-2241观测、IUB-2222、IUPUI-2223和UMICH-2221。我们使用了STATA中实现的零膨胀负二项回归（ZINBR）模型。然而，我们测试了其他计数数据模型：泊松（PRM）、零膨胀泊松（ZIP）和负二项回归模型（NBRM）。估计结果强烈表明，ZinBr比PRM、ZIP和NBRM更适合我们的数据。本文的结果部分将模型规格分为四个表。规范在所采用的自变量以及所考虑的观察值方面有所不同。模型（1）至（14）基于完整数据集，而模型（15）-（34）基于机构子数据集。模型（1）是仅包括控制变量和任何空运变量的参考模型。其他模型包括航空运输可达性和连接变量的各种配置。

通过比较完整规范和限制规范，可以深入了解科学协作、航空运输和地理分离之间的复杂关系。结果表4给出了具有航空运输连通性和可达性的模型（模型6-9）以及没有机场可达性变量（2）-（5）的模型的估计结果，与不包括任何运输变量（1）的参考模型相比。正如预期的那样，没有空运可用性变量的基本模型（1）比包含运输变量的所有其他模型都要差得多。模型（1）的Akaike信息准则（AIC）和贝叶斯信息准则（BIC）的值最高，这就证明了这一点。模型（1）和第二差的规范（模型（2）之间的AIC和BIC差异远远超过10，因此可以认为是显著的（Burnham&Anderson，2002；Raftery，1995）。空气连通性变量（模型2-5）的添加显著提高了模型的拟合度（AIC和BIC均显著降低）。此外，使用一个描述最近机场可达性的变量（模型6-9）丰富模型，可以进一步提高拟合度。因此，结合航空运输连通性和可访问性（6）-（9）的模型的性能明显优于仅包含连通性变量（1）-（5）的规范。这些结果清楚地表明，物理距离不仅影响科学合作的强度，而且实际交通可达性也起着重要作用。表4：。

研究协作与航空运输连通性和可达性相关变量：合著论文数（1）（2）（3）（4）（5）（6）（7）（8）（9）计算部分地理距离（千英里）-0.342***-0.293***-0.223***-0.247***-0.269***-0.271***-0.196***-0.225***-0.248***地理距离平方（千英里）0.016***0.012***0.008**0.010***0.012***0.010***0.006*0.008**0.010***在目的地0.129***0.124***0.119***0.117***0.117***0.110***0.109***0.108***目的地纸张数平方-0.001***-0.001***-0.001***-0.001***-0.001***-0.001***-0.000***-0.000***线条0.309***0.342***线条0停止平方-0.024***-0.026***线条1停止0.075***0.079***线条1停止方形-0.001***-0.001***线条2停止0.030***0.030***线条2停止平方-0.000***-0.000***行S3stop0.005***0.005***行S3stop平方-0.000***-0.000***到目的地机场的距离（mi）-0.012***-0.013***-0.013***-0.013***常数2.052***1.918***1.528***1.371***1.336***2.154***1.756***1.606 1.568***在目的地-3.787***-3.709***-3.681***-3.679***-3.678***-3.487***-3.438***-3.436***-3.438***常数-0.104-0.1-0.125-0.144*-0.149*-0.193**-0.224**-0.242**-0.249***常数LNAPHA0.827***0.814***0.796***0.796***0.794***0.796***0.773***0.771***统计观测AIC40998.140948.340813.140789.840773.840785.740626.840608.140590.9BIC41054.941019.340884.040860.740844.740863.840704.940686.240668.9显著性水平：*p<0.05；**p<0.01；***p<0.001。不仅航班衔接的存在很重要，它的载客量也很重要。根据AIC和BIC的测量，考虑可用座位的数量可以提高模型的拟合度。通过比较基于简单连接变量“LinesXstop”（表4）的模型和基于SEAT加权连接变量“SeatsXstop”（表5）的模型，可以看出这一点。

对于具有直接连接（型号6和10）、最多一个站点的连接（型号7和11）和最多两个站点的连接（型号8和12）的规范，BIC和AIC统计有利于座椅加权连接变量。然而，在连接最多三站的情况下，非加权连接变量的效果更好。这可能是因为需要最多三次更改的连接很少，所以在他们的情况下，最重要的是连接的存在，而不是它的容量。无论如何，在表4和表5所示的一组模型中，涉及最多两个站点的座椅加权连接的模型（12）具有最低的AIC和BIC值，因此，它可以作为最适合分析数据的首选模型。表5：。