基于共詞分析的學科結構可視化表達方法的探討

〔摘 要〕共詞分析可視化是一種利用現代信息技術和統計軟件圖形顯示功能，將分析結果直觀形象地顯現出來的方法，其目的是應用圖示的方法揭示出學科領域的發展及演進趨勢、研究課題的擴散與傳播的關系，為學科建設提供優化服務。目前，這種方法發展迅速并廣泛應用。本文著重介紹幾種重要的共詞可視化的方法，并對比其優缺點。

〔關鍵詞〕學科建設；共詞分析；學科結構可視化；聚類分析；多維標度；戰略坐標；社會網絡分析

ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１００８－０８２１．２０．０１．０２３

〔中圖分類號〕Ｇ３５０ 〔文獻標識碼〕Ａ 〔文章編號〕１００８－０８２１（２０）０１－００９１－０６

Visualization of Subject Structure Based on Co-word AnalysisYang Ying１ Cui Lei２

（１．Library，China Medical University，Shenyang 100001，China；

２．Department of Information Management and Information System，Shenyang 100001，China）

〔Ａｂｓｔｒａｃｔ〕Co-word visualization is a method that can present the results of co-word analysis directly by modern information techniques and graphical display function of statistics systems.Co-word visualization is used to reveal the relation between developmental tendency of discipline and diffuse of research subject.So far，co-word visualization methods and their applications update quickly.This article summary featured several important visualization methods used in co-word analysis.

〔Ｋｅｙｗｏｒｄｓ〕subject development;co-word analysis;visualization of subject structure;cluster tree;multidimensional scaling;strategic diagram;social network map

共詞分析法（Co-word analysis）早在20世紀70年代后期由法國文獻計量學家提出的，是信息計量學的一種重要方法，也是內容分析法的常用方法之一。其原理是：當兩個能夠表達某一學科領域研究主題或研究方向的專業術語（一般為主題詞或關鍵詞）在同一篇文獻中出現時，表明這兩個詞之間具有一定的內在關系，并且出現的次數越多，表明它們的關系越密切、距離越近。利用現代統計技術如因子分析、聚類分析和多維尺度分析等多元分析方法，可以進一步按這種“距離”將一個學科內的重要主題詞或關鍵詞加以分類，從而歸納出該學科的研究熱點、結構與范式［１］，對于決策層規劃學科布局，調整學科方向，促進學科發展具有重要的參考價值，對于本學科研究人員了解學科前沿，進一步明晰其研究與應用目標，集中有限力量在重點領域有所突破亦具有積極意義。

經過近三十年的發展，對某學科或研究領域的共詞分析不光停留在數據的分析層面上，逐漸融入可視化方法，利用現代信息技術和統計軟件圖形顯示功能，將分析結果直觀形象地顯現出來，目的是應用圖示的方法揭示出學科領域的發展及演進趨勢、研究課題的擴散與傳播的關系。本文主要介紹基于共詞分析的學科結構可視化表達方法的原理、使用工具及其特點。

１ 共詞分析的可視化

共詞分析可視化是利用可視化開發工具把共詞結果以可視化的方式展示出來。可視化的結果可以統稱為科學知識圖譜，這個定義是由陳悅等人［２］在“科學地圖”的基礎上將其延伸而來。

共詞分析可視化主要分五步：文獻的檢索、數據提取、數據預處理、數據分析和數據可視化。即（1）檢索收集某學科領域的文獻；（2）根據不同的需要，從關鍵詞、或主題詞、題名、摘要或正文中抽取一組詞作為研究對象；通常提取文獻的關鍵詞或主題詞，因為這些詞簡練并能代表整篇文章的內容。（3）兩兩統計這些詞在同一篇文獻中出現的次數，生成詞篇矩陣、共詞矩陣或相似矩陣；（4）數據分析，通過降維技術，利用現代統計技術如因子分析、聚類分析和多維尺度分析等多元分析方法，得到知識間的關系、構成及相似性，反映出這些詞之間的親疏關系，進而分析這些詞所代表的學科和主題的結構變化；（5）數據可視化，將類目之間的關系用圖形方式直觀、形象地揭示出來。共詞結果的可視化是整個共詞分析過程最后關鍵的一步，有多種表達方式，目前共詞分析的主要可視化方法包括包容圖(Inclusion Map)、臨近圖(Proximity Map)、聚類圖(Clustering Map)、戰略坐標圖(Strategic Diagram)、自相關地圖、自組織圖譜SOM（Self-Organized Map）等，揭示知識領域結構、映射知識領域發展趨勢。多維標度(Multidimensional scaling)的結果也可以直觀地表示類目之間的關系。此外，目前社會網絡分析（Social Network Analysis）的可視化軟件也逐漸應用于共詞分析，從而探討某學科或主題的研究核心內容與邊緣內容等［３］。

２ 常用的可視化方法

２.１ 聚類圖及其特點

聚類圖是聚類分析的結果。聚類分析是通過一定的方法將沒有分類信息的資料按相似程度歸類的過程，目前常用的聚類方法有：一是K類中心聚類(也稱為快速聚類)，常用于大樣本的樣品聚類方法，其原理是先根據預先指定的類數k來選擇初始凝聚點，根據歐式距離將每個樣本歸到最接近或相似的凝聚點形成類，再用各類的重心代替初始凝聚點重新分配。將每個樣品不斷地歸類直至分類達到穩定。二是等級聚類(Hierarchical Cluster)，是目前使用最多、研究最為充分的算法。該方法的原理是先將所有n個變量看成不同的n類，然后將性質最接近的兩類合并為一類；再從n-1類中找到最接近的兩類加以合并，依此類推，直到所有的變量被合并為一個大類。類內部個體特征之間具有相似性，不同類間個體特征的差異性較大。

聚類結果的可視化表達，即聚類圖，主要有樹狀圖（也叫系統圖、系譜圖）、冰柱圖以及利用不同的軟件和算法衍生出來的其他圖。在分析學科結構和前沿熱點分布的研究中，共詞分析的聚類樹狀圖表達應用最為廣泛。圖１［４］為語義網相關概念的聚類樹圖，顯示了30個關鍵詞之間的關聯程度，清晰地表示了聚類的全過程，它將實際距離按比例調整到0～25的范圍內，用逐級連線的方式連接性質相近的樣本或新類，直至并為一類，在該圖上部的距離標尺上根據需要(粗分或細分)選定一個劃分類的距離值，然后垂直標尺畫線，該垂線將與水平連線相交，相交的交點數即為分類的類別數，相交水平連線所對應的樣本聚成一類。冰柱圖，如圖２［５］為垂直冰柱圖，第一列表示分多少類，因系統聚類屬聚合法，所以從聚類過程看該表應該從下往上看；在聚類下所有列中，如果最近相連的兩個樣品列中間出現符合“x”相連，則表示這兩個樣品已合并成一類，否則在該步驟時還屬于不同的兩類。越早聚為一類的類目之間相似程度越大。聚類分析的可視化結果受其所使用的工具和算法限制，除了樹狀圖和冰柱圖外，還有一些經過處理的基因圖譜［６］，圖３ａ就是利用系統樹和線條顏色變化結合的方法得到基因圖譜，圖３ｂ是K-均值聚類中16類基因樣本在不同時間或不同組織中的表達模式。聚類圖表達共詞分析結果的方式已經廣泛應用于數據挖掘領域，比如推導動物和植物的分類、確定基因的分類［７］獲得對種群的認識、分析學科結構和前沿熱點分布［８］、市場分析等許多方面。目前，可以通過SPSS、R、Ucinet、TreeView、Metlab以及免費芯片數據分析的軟件CLUSTER和TREEVIEW等來實現聚類作圖。

共詞聚類分析優點在于：它利用高頻詞反映某學科或主題的研究熱點，能定量反映出詞與詞之間的親疏關系，進而反映這些詞所代表的主題內容的結構。采用數學統計的方法，沒有先驗知識的情況下把學科領域研究內容進行客觀上的自動劃分，彌補了專家分類法的不足。鐘偉金［９］提出：聚類過程將詞間距離最短的主題詞聚集在一起，忽略了詞間的概念與邏輯聯系，造成一定的弊端：（1）沒有中心概念，共詞的聚類就像分子團一樣，分子團的組成是由于各分子間的相互吸引力而聚集在一起。聚類成團的主題詞，也是由于相互間的密切程度高而聚集起來，在聚集的過程中沒有形成中心詞。（2）聚在一起的主題詞未必都能表達同一個內容。在聚類過程中，因為詞與詞間的距離有傳遞關系，而聚類過程中沒能有效將這種詞間距離的傳遞關系取出，導致在聚類時將一些概念關聯不太相關的主題詞聚集在一起。（3）對類團間的相互影響沒有說明。在聚類時，盡管類團與類團間的距離作為成類的考量之一，但對于整個領域內的所有類團而言，并沒標示出它們之間的關系，也就是說無法辨明那些是主要類團，哪些是核心類團。

２.２ 多維尺度圖譜及其特點

多維尺度圖譜（也稱為多維標度圖譜，Multidimensional scaling Map，MDSM）的基本原理是多維尺度分析。多維尺度分析通過某種非線性變換，把高維空間的數據轉換成低維空間中的數據，變換后的低維數據仍能近似地保持原高維數據間的關系的一種技術。通過MDS可以在較低維空間中直觀地看到一些高維樣本點相互關系的近似圖像。其原理可以概括為通過低維空間（通常是二維空間）展示對象之間的聯系，并利用平面距離來反映對象之間的相似程度，可以通過統計軟件SPSS或SAS來實現。共詞多維尺度圖譜中，詞的位置顯示了詞之間的相似性，有高度相似性的詞聚集在一起，形成一個學科研究的類別，越在中間的詞表明與它有聯系的詞越多，在學科里的位置也就越核心；反之，則越在外圍。以圖４［４］為例，從國內語義網的共詞多維尺度圖可以看出，“知識庫與知識組織”和“數字圖書館與檢索”這兩個領域內部聯系緊密，且處于核心地位，說明二者的研究趨于成熟，且是語義網研究的主要方向。因此，通過多維尺度分析，某研究領域在學科內的位置就容易判斷。

圖４ 多維尺度圖譜

與聚類樹圖相比，多維尺度圖譜利用平面距離展示出詞間親疏關系，能夠容易判斷出某研究領域在學科內的位置［１０］。侯海燕［］等利用聚類分析結合多位尺度分析來判斷學科領域研究熱點。但是，聚類分析和多維尺度分析得到的結果有時存在差異，Peter B.Musgrove等人［１２］把它歸因于聚類分析的工作過程及合并類目的不同順序，同時還認為MDS雖然沒有上述的局限，但并不能說明它將總能提供比聚類分析更好的結果，二維顯示往往并不能準確地表達多維問題。

２.３ 戰略坐標及其特點

戰略坐標是由law［１３］等人最早提出的。其原理是在共詞矩陣和聚類的基礎上，來描述某研究領域內部聯系情況和領域間相互影響的情況。在戰略坐標中，X軸為向心度，表示領域間相互影響的強度，Y軸為密度，表示某一領域內部聯系強度。其中：向心度（Centrality）：用來量度一個學科領域和其它學科領域的相互影響的程度。一個學科領域與其它學科領域聯系的數目和強度越大，這個學科領域在整個研究工作中就越趨于中心地位。對于特定的類別，向心度的計算可以通過該類別的所有主題詞或關鍵詞與其他類別的主題詞之間鏈接的強度加以計算。這些外部鏈接的總和、平方和的開平方等都可以作為該類別的向心度。密度（density）：用來量度使字詞聚合成一類的這種聯系的強度，也就是該類的內部強度。它表示該類維持自己和發展自己的能力。某一類別的密度的計算可以有多種方式，首先計算本類中每一對主題詞或關鍵詞之間的在同一篇文獻中同時出現的次數，通過計算這些內部鏈接的平均值、中位數或者平方和，得出這個類別的密度。以向心度和密度為參數繪制成的二維坐標即為戰略坐標，它可以概括地表現一個領域或亞領域的結構。這個地圖將每一個二維空間的題目領域劃分為4個象限，落入4個象限中的詞團分別表示不同的含義：第一象限中的詞團密度和向心度都較高，密度高，詞團內部聯系緊密，向心度高，說明該詞團與其余各詞團有廣泛的聯系，即該詞團處于所有研究主題的核心。第二象限中的詞團處于邊緣位置，但已經受到關注，且被很好的研究過。第三象限的詞團密度和向心度都低，處于整個研究領域的邊緣，研究尚不成熟；第四象限的詞團中心度高，但密度低，說明該詞團構成的主題領域也是核心，但不成熟，如圖５。

圖５ 戰略坐標圖

在某學科的研究中，其主題領域的向心度和密度不是一成不變的。隨著對學科某個主題領域研究的成熟，有關該領域的科學研究論文可能會減少，或由于新的知識點的出現，該領域的研究向新的主題演化，這些因素都可致：原本屬于第一象限的主題，經過一段時間的發展，被其它更穩定更成熟的主題所替代，從而滑落到第二象限或是更低的象限中去。以時間段為縱向的考察范圍，研究不同時間段中主題領域的演化情況，有助于對本學科內在這一時間段的研究熱點的認識，從而探究主題變遷的過程及主題變化的原因。因此，該方法顯著的優點在于：能判斷熱點主題的核心度和成熟度；能夠展示學科結構演變的過程及原因。其不足之處是受聚類結果的限制，有時聚類歸類的效果不好，會涉及到人為歸類，因此，存在一定的人為因素。

２.４ 社會網絡分析圖譜及其特點

以關系為基本單位的社會網絡分析在社會學、心理學、經濟學及管理學等諸多學科領域已經得到了廣泛的應用。此分析方法在科技管理領域也備受關注，有人應用此方法分析科學研究中的合作關系網絡［１４］、學科間的引用被引用關系網絡［１５］、以及共詞關系網絡［１６］。社會網絡分析引入共詞分析中，可以通過Pajek［１７］、Netdraw［１８］、Citespace［１９］、Ucinet［２０］等軟件進行可視化：共詞矩陣呈現的是詞與詞之間的共現數據，可視化結果代表的是詞與詞之間的共現關系網絡，即帶有頂點和邊的網絡：頂點是那些具有代表性詞（所統計的高頻詞），詞之間存在的連接關系由邊來表示，詞團間的關系強弱以連線的粗細表示，兩個詞團的關系越強，連接它們之間的線條越粗。這樣就可以通過網絡分析方法來研究網絡在頂點的相互作用下的分布情況，網絡在時間序列下的動態變化。共詞網絡分析的一個主要目的是確定這些代表性術語之間的概念圖譜或知識網絡結構，通過一系列類似圖譜就可以相當詳細地描述某一學科領域的主題。社會網絡分析中常用k核分析，它是社會網絡研究中凝聚子群的一種，凝聚子群是滿足如下條件的一個行動者子集合，即在此集合中的行動者之問具有相對較強、直接、緊密、經常的或積極的關系。核的概念最早是由Seidman提出的。k核指的是滿足一個條件的子圖，即子圖中的點都至少與該子圖中的k個其它點鄰接。通過改變k的值，就會得出不同的子圖。隨著k的增加，k核的子圖成員會逐漸減少，而成員之問的關系會更緊密，如圖６［２１］。圖６ 網絡關系圖

這種可視化處理方式，制作原理簡單，詞團間聯系的強弱，通過網絡關系圖一目了然。以直觀、形象的方式反映詞團間的關系，能快速定位核心詞團與邊緣詞團。其不足之處在于：不能反映詞團的成熟度，難以判定某研究領域的成長趨勢。

３ 共詞可視化在分析學科結構分析的應用

共詞分析可視化主要用于挖掘學科前沿熱點，對學科的發展態勢分析、預測。

2003年，張晗等通過文獻計量學調查分析，利用系統聚類總結出當前國外生物信息學研究的熱點，并通過戰略坐標加以展示各熱點的發展狀況［８］。

2003年，美國的Leonard J.Ponzi博士就曾用術語共出現（Co-term occurrence）的方法，以“The Evolution Ｄ｜Ｓ Intellectual Development of Knowledge Management(知識管理的演進和研究結構）”為題撰寫了博士論文，判定知識管理概念的跨學科特點［２２］。

2004年，Ketan Mane和Katy Brner利用突發監測中的Kleinberg算法發現突發詞的研究成果，選用高頻且突發的詞做為共詞分析的來源，揭示了美國科學院院刊1982-2001年的研究主題的變化［２３］。

2005年，謝彩霞參照加拿大國家研究理事會(NRC)提供的79個納米科技關鍵詞，對我國納米科技論文作了關鍵詞共現分析。通過關鍵詞之間網絡聯系和微觀結構的表征，展示了我國納米科技研究領域的發展動態和發展趨勢［２４］。

2006年，侯海燕等人利用多維尺度分析與聚類分析方法繪制了當代國際科學學研究熱點演進趨勢知識圖譜［］。

2007年，周靜怡等人利用共詞分析方法，結合戰略坐標、社會網絡分析和自相關地圖等可視化方法，展示了人類基因組領域的研究結構和發展趨勢［２５］。

2008年，李長玲通過聚類分析圖書館學和情報學專業碩士學位論文，對高頻關鍵詞進行共詞聚類分析，研究各高頻關鍵詞之間的內在關系，比較分析了圖書館學和情報學碩士學位論文的研究熱點［２６］。

2008年，周愛民對2006年知識管理領域關鍵詞共現強度的聚類分析［２７］。

2009年Omwoyo Bosire Onyancha等利用共詞分析方法研究了與HIV/AIDS相關的危險因子、性傳播疾病、熱帶病、機會性感染和前處理因子等5個方面，并通過多維尺度分析方法展示每個方面與HIV/AIDS的關系。證實了發生在非洲國家的HIV/AIDS有著區別于工業化國家的獨特特征［２８］。

４ 共詞可視化存在的問題

共詞可視化的研究已成為預測學科發展必不可少的方法，但仍存在一些問題：

（１）多數學者使用在共詞分析中所使用的詞是經過人工閱讀文獻后選取的能夠概括文章主要內容的關鍵詞或主題詞，這樣的詞能簡練的概括文章內容，統計方便，但是這個過程中存在著很大的主觀因素，所選取的詞很可能與作者的本意不相符，因此，有學者提出：分析題目或摘要中的詞，更能體現文章內容。究竟選擇哪個字段的詞來分析，所得到的效果更接近事實尚未達成一致。

（２）某些類型的文獻，如專利和灰色文獻，因為不能公開發表，同時也沒有標引在數據庫中，導致共詞分析的結果不能反映出研究領域的全貌。

（３）有些學者過分追求創新，而忽視多種共詞可視化方法各自的特點，分析的時候并非能達到真正為學科服務的目的。因此，在實際應用中要根據需求結合各方法的特點進行分析，并結合專家調查，真正地將信息計量學應用于實踐，發揮對學科發展和建設的積極作用。

５ 問題的解決

共詞分析中選詞很重要，究竟選擇哪個字段的詞來分析，這需要進一步研究：對比分析主題詞或關鍵詞以及題目或文摘中自然語言分詞后選取的詞，看哪種方式得到的結果更接近事實，才可以定論。此外，各種方法的原理和特點不同，所以分析不同的樣本時表現程度不同，有時得到的結果會存在差異。因此，在分析的時候要根據實際需要和每種可視化的原理和側重點來選擇可視化的方法。比如，只想了解某學科熱點的主題結構，可用共詞的聚類分析得到樹狀圖來展示；如果想判斷出某研究領域在學科中所處位置，可以結合多維尺度分析；若要判定學科的成熟度和核心性以及該學科演化情況，可以制作戰略坐標來分析；如果想知道學科中各主題之間的關系，可以通過共詞網絡來展現，并且還可以加入社會網絡分析，來挖掘其核心和邊緣主題。當然，也可以多種可視化方法相結合，從不同的角度來分析，多方位展現學科結構的發展過程。

６ 小 結

共詞可視化為學科建設提供了有效的決策支持。對于學科的發展態勢分析和預測，不僅局限于共詞可視化，還可結合其它方法如共引分析等，并理論聯系實際，引入專家調查法，這些方法融匯集成，也許是今后學科情報分析研究應該探索的一條新的路徑。也可以通過學科館員將情報資料直接應用于各個學科，真正實現學科戰略情報分析研究為科技發展的戰略決策提供高效、優質的情報支撐，促進經濟發展。

參考文獻

［１］張勤，馬費成.國內知識管理結構研究探討—以共詞分析為方法［Ｊ］.情報科學，2008，27(1):93-101．

［２］陳悅，劉則淵.悄然興起的科學知識圖譜［Ｊ］.科學學研究，2005，23(2):149-154．

［３］蔣穎.1995-2004年文獻計量學研究的共詞分析［Ｊ］.情報學報，2006，25(4):504-512．

［４］吳正荊，朱晶.知識地圖方法及其在國內語義網文獻研究中的應用［Ｊ］.情報科學，2008，26(10):1502-1506．

［５］夏鑫，徐紅.淺談新疆地區棉花色特征聚類［Ｊ］.新疆農業科學，2009，46(1):102-105．

［６］申偉科，鐘理.基因表達聚類分析及在腫瘤研究中的應用［Ｊ］.腫瘤學雜志，2008，14(5):417-420．

［７］Chaussabel D，Sher A.Mining microarray expression data by literature profiling［Ｊ］.Genome Biology，2002，3(10):RESEARCH0055．

［８］張晗，崔雷.生物信息學的共詞分析研究［Ｊ］.情報學報，2003，22(5):613-617．

［９］鐘偉金.共詞聚類分析法的類團實例研究——對腫瘤治療熱點主題的分析［Ｊ］.中華醫學圖書情報雜志，2009，18(2):48-53.

［１０］Cottrill CA，Rogers A M，Mills T.Co-citation analysis of the scientific literature of innovation research traditions［Ｊ］.Science Communication，1989，(2):181-208．

［］侯海燕，劉則淵，陳悅，等.當代國際科學學研究熱點演進趨勢知識圖譜［Ｊ］.科研管理，2006，27(3):90-96．

［１２］Peter B.Musgrove，et a1．A Method for Identifying Clusters in Sets of Interlinking Web Spaces［Ｊ］.Scientometrics，2003，58(3):657-672．

［１３］Law J，Bauin S，Courtial J-P，et al.Policy and the Mapping of Scientific Changer:A co-word analysis of Research into Environmental Acidification［Ｊ］.Scientometrics，1988，14(3-4):251-264．

［１４］Caroline S.Wagner，Loet Leydesdorff.Mapping the network of global science:comparing international co-authorships from 1990 to 2000［Ｊ］.International Journal of Technology and Globalisation，2005，1(2):185-208．

［１５］Everett，M.Social Network Analysis［Ｍ］.Essex:Textbook at Essex Summer School in SSDA，2002．

［１６］Tor J Larsen，Linda Levine.Searching for management information systems:coherence and change in the discipline［Ｊ］.Information Systems Journal，2005，15(4):357-381．

［１７］Scott J，Tallia A，Crosson JC et al.Social network analysis as an analytic tool for interaction patterns in primary care practices［Ｊ］.Ann Fam Med，2005，3(5):443-8．

［１８］Vitevitch MS.What can graph theory tell us about word learning and lexical retrieval?［Ｊ］.J Speech Lang Hear Res，2008，51(2):408-22.

［１９］Creswick N，Westbrook JI.Social network analysis of medication advice-seeking interactions among staff in an Australian hospital［Ｊ］.Int J Med Inform，2008 Nov .［Epub ahead of print］

［２０］Chen C，Chen Y.Searching for clinical evidence in CiteSpace［Ｊ］.AMIA Annu Symp Proc，2005:121-5.

［２１］岳洪江.基于共詞分析的國際企業研發文本知識挖掘可視化研究［Ｊ］.商業研究，2008，(377):62-66．

［２２］Leonard J Ponzi.The Evolution Ｄ｜Ｓ Intellectual Development of Knowledge Management［Ｄ］.Long Island University，2003．

［２３］Mane K，Brner K.Mapping Topics and Topic Bursts in PNAS.PNAS，2004，101(suppl1):5287-5290．

［２４］謝彩霞，梁立明，王文輝.我國納米科技論文關鍵詞共現分析［Ｊ］.情報雜志，2005，24(3):69-73．

［２５］周靜怡，孫坦，陳濤.共詞可視化:以人類基因組領域為例［Ｊ］.情報學報，2007，26(4):532-537．

［２６］李長玲，瞿雪梅.基于碩士學位論文的我國圖書館學與情報學研究熱點分析［Ｊ］.情報學報，2008，26(7):1056-1060．

［２７］周愛民.2006年知識管理領域關鍵詞共現強度的聚類分析［Ｊ］.現代情報，2008，(5):30-33．

［２８］Omwoyo Bosire Onyancha，Dennis N.Ocholla.Is HIV/AIDS in Africa distinct?What can we learn from an analysis of the literature?［Ｊ］.Scientometrics，2009，79(In Press).