在复杂网络研究中，路径长度和聚类系数是刻画网络拓扑结构特性的两个主要特征参数。众多学者对这两个参数与知识流动效率的关系进行了研究，研究表明：路径长度和知识流动效率呈负相关关系[40]，其可能的原因在于路径长度越大，节点之间进行知识交流则需要经过更多的中间节点，这无疑会增大知识交流的成本和损耗。另一方面，聚类系数和知识流动效率呈正相关关系[40,283]，聚类系数越大，知识流动则越容易。这是因为，较大的聚类系数使得网络更具公开性和透明性，网络节点的声誉和合作规范越容易形成和建立。在一个具有较大聚类系数的网络中，节点的合作或不合作的行为和声誉容易快速地被其他节点获知，并影响节点未来的协作倾向。基于上述分析，目前许多学者尝试使用路径长度和聚类系数指标来静态度量网络的信息与知识流动效率。

进一步地，意大利学者Latora与美国学者Marchiori[273]提出了网络结构特征与节点之间信息传递效率的数学模型（简称L-M模型）。节点i与j之间的信息传递效率ijε被定义为其最短路径的倒数1/ijd。网络效率E为网络中所有节点对效率之和的平均值，即(www.daowen.com)

网络效率模型包含了网络规模、路径长度等统计信息，并能够将网络结构与信息或知识流动效率联系起来，并加以量化，因此被众多学者用来测量网络的信息与知识流动效率[299,300]。然而，上述指标和模型虽然在一定程度上可以实现对信息或知识流动效率的测量，但它们都有着一定的局限性。首先，上述指标和模型主要适用于无权网络，其假设网络中节点和边都是同质的，没有考虑点与点、边与边的区别，这显然不符合现实知识网络的实际。其次，没有考虑网络中节点与边的特征和属性对知识流动的影响；网络效率模型考虑了以网络规模和路径长度作为信息传递效率的衡量变量，而对另一个主要特征参数—— 聚类系数没有分析。针对上述局限性，一些学者基于特定研究情景提出了上述指标和模型的改进方案，如著名学者Dijkstra等[301]与Newman等[241]提出的加权路径长度算法、Opsahl与Panzarasa[291]提出的加权聚类系数算法，以及国内学者田柳等[271]提出的基于调和平均值的加权网络效率模型。本书将在上述研究基础上，综合考虑CPIKN知识流动的影响因素，对网络效率模型进一步地改进，提出CPIKN知识流动效率的测度模型。