《Heritage》：A Multidisciplinary Approach and Technical–Scientific Contribution to the Ecclesiastical Evaluation of Sacred Remains Attributed to Saint Hipolystus and the Martyrs Crescentius and Irenaeus (3rd Century A.D.) from the Specus Martyrum of Atripalda (Ancient Abellinum)
Chantal Milani,
Francesca Motta,
Elena de Laurentiis,
Cristina Elia,
Raffaele Cirillo,
Nicoletta Pomposo,
Sergio Brogna,
Francesco La Sala,
Fabio Marzaioli and
Alessandro Santurro
+ 3 authors
编辑推荐：
由于缺乏来自地下交易网络的可获取且非孤立的数据，很难捕捉非法文物市场的现实情况。尽管存在关于文物数据的社会网络分析（SNA）和机器学习实验的现有文献，但在面向非学术公众的简单开源方法论方面仍存在空白。研究人员通过采用基于溯源的分析，提出了一个意大利文物走私网络
由于缺乏来自地下交易网络的可获取且非孤立的数据，很难捕捉非法文物市场的现实情况。尽管存在关于文物数据的社会网络分析（SNA）和机器学习实验的现有文献，但在面向非学术公众的简单开源方法论方面仍存在空白。研究人员通过采用基于溯源的分析，提出了一个意大利文物走私网络的案例研究，更全面地捕捉其复杂性。本研究从掠夺文物博物馆（MOLA）数据集收集的遣返文物中提取溯源数据，以创建一个用于分析的网络可视化。利用1950年至2025年7月的开源溯源和遣返数据，研究人员构建了一个包含233个遣返事件和15,858件物品的数据集，生成了一个揭示核心参与者、角色和地点的网络，同时保持在伦理隐私限制范围内。本研究通过使用可获取的数据捕捉了走私网络的大部分内容，并产出了一个可复现、符合伦理的工作流程。
**研究背景与问题**
文化遗产盗窃与非法交易对人类社会造成深远损害，但地下贸易网络的隐蔽性使其真实结构难以捕捉。现有文献虽已通过社会网络分析（SNA）和机器学习实验探索文物数据，但缺乏面向非学术公众的简易开源方法论。传统上，对意大利文物走私网络的理解主要基于20世纪90年代初走私者Pasquale Camera绘制的“组织图”，该图以层级结构呈现网络，却遗漏了关键参与者与关系，导致执法部门长期误判网络性质。近年研究指出，该网络实为非线性、碎片化的复杂系统，更适合用网络分析范式进行解构。然而，由于非法交易数据的稀缺性和孤立性，现有方法难以大规模重构网络全貌。为此，研究人员旨在利用遣返文物的公开溯源信息，构建一个可复现、符合伦理的隐私保护工作流，以捕捉走私网络的核心结构。本研究发表于《Heritage》。
**研究方法概述**
研究人员采用基于溯源的分析方法，从掠夺文物博物馆（MOLA）数据集提取1950年至2025年7月期间所有意大利遣返事件的数据，构建包含233个事件、15,858件物品的数据库。核心技术方法包括：（1）通过手动和网络抓取（利用LLM辅助的Python库ScrapeGraphAI）收集开源溯源数据；（2）将所有权转移链转化为加权边链（按物品数量重复交易记录以反映规模）；（3）使用OpenRefine清洗数据并匿名化非公开个体（保留角色和广义地理位置信息）；（4）利用Gephi（0.10.1）构建有向和无向网络，分别运行Yifan Hu Proportional和Fruchterman–Reingold算法进行可视化，并通过度中心性、入度中心性和出度中心性进行过滤分析。
**研究结果**
**3. 结果**
- **网络基本统计**：未过滤的无向网络有220个节点和512条边；过滤后保留173个节点（78.64%可视）和465条边（90.82%可视）。有向网络中，入度分析过滤后74个节点（33.64%可视）、276条边（51.59%可视）；出度分析过滤后53个节点（24.09%可视）、221条边（41.31%可视）。无向网络平均度为4.655，有向网络平均度为2.432。有向网络密度为0.011，仅1%的节点相连，表明文物流通路径狭窄。存在7个弱连通分量（WCC）和144个强连通分量（SCC），揭示网络高度碎片化，形成多个独立交易集群。
**3.1 无向网络**
无向网络（Fruchterman–Reingold布局）按度中心性排序，突出Giacomo Medici、Gianfranco Becchina、Robin Symes和Robert Hecht等核心参与者。这些节点因处理大量文物而权重较高；边缘蓝色节点为与核心参与者关联较少的次要角色。分析表明，该网络有助于识别虽非长期巨头但连接关键人物的“中央参与者”。
**3.2 有向网络**
**3.2.1 按地理位置分区的有向网络**
入度中心性可视化显示，最大节点（接收最多文物）位于北美（蓝色）；出度中心性可视化显示，最大节点（发送最多文物）位于欧洲（红色）。这揭示文物通常从欧洲（如意大利盗墓者tombaroli、瑞士和英国的经销商）流向北美（美国博物馆和经销商）。
**3.2.2 按角色分区的有向网络**
入度中心性中，最大节点为博物馆、经销商、收藏家和拍卖行；出度中心性中，最大节点为盗墓者（tombaroli）、经销商和走私者。角色分区证实网络非层级化：博物馆（如J. Paul Getty Museum）和收藏家既接收也发送文物，表明其积极参与市场交易而非末端接收者。经销商角色分化明显，如Medici为主要分销商，而Symes、Hecht和Eisenberg为主要接收者。
**讨论与结论**
**讨论**：该工作流展示如何利用遣返文物的开源溯源信息构建文物市场的部分视图。无向度中心性图可揭示关键参与者，帮助文化市场参与者（如经销商、博物馆、收藏家）在尽职调查中规避“红旗”参与者；有向地理分区图可显示文物流动主要路径（低密度网络意味着少数关键渠道），为边境管控或遗产保护备忘录提供依据；角色分区图可识别需要加强监管的领域（如拍卖行或经销商），且通过对比入度与出度，可发现那些既接收又发送文物的终端参与者（如博物馆、收藏家）可能涉嫌清洗溯源信息。但该方法本身不能证明犯罪责任，而是作为证据组织与风险评估的辅助工具。未来可结合大语言模型（LLM）自动化构建边链，但仍需保留人工验证环节。局限性包括：数据仅来自公开遣返事件，可能遗漏部分网络；匿名化可能导致节点重复表示（如未知盗墓者与已知人物的节点重叠）；部分参与者因信息不足被低估（如Robin Symes的合伙人Christos Michaelides）；溯源信息本身可能存在修饰或伪造。因此，该网络应视为不断完善的动态模型。
**结论**：本研究提出了一个可复现、符合隐私保护的工作流，通过将分散的溯源和遣返信息转化为可解读的走私网络可视化，利用开源工具和结构化数据实践。方法学上，主要贡献在于将遣返事件转化为加权边链，并应用透明清洗和匿名化协议。实质性案例研究表明，即使基于部分遣返信息，也能揭示低密度、碎片化网络中的狭窄流动通道和集中“拥堵点”。入度与出度模式对比展示了不同角色和地理位置的接收与分销差异。该工作流有助于：（1）为博物馆、拍卖行等提供尽职调查的补充工具；（2）为政策与执法部门指明资源集中投入的地理和角色节点；（3）为研究者提供可扩展至其他市场或文物类型的模板。伦理与隐私设计贯穿全过程，通过公开披露、匿名化命名和谨慎解释，确保网络输出服务于负责任的遗产保护。未来方向包括：引入时间切片分析不同执法时期的结构变化、比较不同加权策略（按物品数vs.案例数）、整合不确定性指标，以及探索人机协同的自动化提取。
