管理研究方法：理论、前沿与操作（第2版）课件 第12章 社会网络分析法

第12章：社会网络分析法讲课人：目录CONTENTS1234社会网络分析概述社会网络分析的主要步骤社会网络分析实际操作和软件示例社会网络分析在研究中的应用社会网络分析概述011.1社会网络的内涵社会网络（Socialnetwork）：一组行动者（actors）及一组连接行动者的关系纽带（ties）的集合1以节点代表行动者：行动者（即网络成员）可以是网络中的任何社会单位或实体，例如个体、群体、组织或者国家。以节点之间的连线代表关系纽带：关系纽带通常被概念化为一组社会关系，代表网络成员之间的特定联系1BrassDJ,ButterfieldKDandSkaggsBC.Relationshipsandunethicalbehavior:Asocialnetworkperspective.AcademyofManagementReview,1998,23(1):14-31.1.1社会网络的内涵爵士乐队的协作网络示例图21边的长短不代表关系频率或远近亲疏（即无权网络），社会关系强度可以通过构建加权网络表示2GleiserP,DanonL.Listofedgesofthenetworkofjazzmusicians.AdvancesinComplexSystems,2003,6:565198支爵士乐队的协作网络1每个节点代表一支爵士乐队每条边表示两个乐队之间的协作关系，即两个乐队至少有一个共同的音乐家。1.1社会网络的内涵1MarinA,WellmanB.Socialnetworkanalysis:Anintroduction//TheSAGEHandbookofSocialNetworkAnalysis,SAGEpublications,2011:11-25.社会网络分析socialnetworkanalysis：一种观察社会行动者之间的关系及关系模式的范式1，重点是对社会行动者所构成的关系网络的可视化、测量和分析。

1.2社会网络分析的概念界定社会网络分析定义为一种社会科学范式，是由一系列普遍采用的方法、多个理论和实质性经验研究所构成，能够指导研究者收集和组织社会行为数据并开展分析。

社会网络分析定义为一种社会科学范式1，是由一系列普遍采用的方法、多个理论和实质性经验研究所构成，能够指导研究者收集和组织社会行为数据并开展分析。定量社会网络分析是社会网络研究的主流2，但社会网络分析还应关注定性方法，挖掘网络的“故事”和“文化”，通过叙述的方式（访谈、对话分析、文件分析和参与者观察等），建构社会现实3121ScottJ,CarringtonPJ.TheSAGEHandbookofSocialNetworkAnalysis.SAGEpublications,2011.2FreemanL.Thedevelopmentofsocialnetworkanalysis.AstudyintheSociologyofScience,2004,1(687):159-167.3FuhseJ,MützelS.Tacklingconnections,structure,andmeaninginnetworks:quantitativeandqualitativemethodsinsociologicalnetworkresearch.Quality&Quantity,2011,45(5):1067-1089.1.2社会网络分析的概念界定社会网络分析定义为一种社会科学范式，是由一系列普遍采用的方法、多个理论和实质性经验研究所构成，能够指导研究者收集和组织社会行为数据并开展分析。

社会网络分析可“静”可“动”，早期社会网络研究更多关注网络的意义而非成因，且纵向数据收集难度高，动态研究在网络研究中较少出现。未来探究网络形成和演变的社会网络动态研究将成为趋势。社会网络分析不能得到“放之四海而皆准”的结论，社会网络不能脱离情境而存在，解读社会网络分析结果必须紧密结合网络的情境。341.3社会网络分析的用途探究网络成因社会结构是行动者之间联系和交互的产物，社会网络分析可以探究网络的形成和演变的原因用途理解网络影响网络结构及其属性创造了行动的机会和限制条件，社会网络分析可以帮助解答什么样的社会网络会导致特定的结果

社会网络分析的主要步骤022社会网络分析的主要步骤问题提出数据收集社会网络构建明确社会网络分析指标结果解读2.1

问题提出表现差异社会同质连接主义关注社会联系如何解释不同行动者的表现，强调社会关系为网络中的个人提供的行动机会和可能性强调联系的结构或配置，忽略联系的内容，专注联系的模式，通过行动者的网络位置来解释社会现象

关注社会联系如何解释不同行动者的态度、信仰和实践的相似性关系纽带被视为信息和知识等资源流动的渠道，将行动者的成功归因于由其角色的联系所带来的资源，通过关系的性质和质量来解释社会现象社会网络研究视角结构主义

2.1

问题提出结构资本问题环境塑造问题资源访问问题社会传播问题结构主义连接主义社会同质表现差异特定的关系结构如何影响行动者的行为表现？何种网络条件会催生不道德行为？网络环境如何对成员施加同质性影响？社会联系如何塑造用户社交媒体网络的形成和特征？行动者如何访问网络并从中受益？在知识共享网络中，项目团队如何从业务部门获得更多的知识？资源如何通过网络传播对行动者产生同质性影响？情绪如何沿着社会网络进行传播？四类社会网络研究问题11BorgattiSP,FosterPC.Thenetworkparadigminorganizationalresearch:Areviewandtypology.JournalofManagement,2003,29(6):991-1013.2.2数据收集Clickheretoaddyourtext.Clickheretoaddyourtext.Clickheretoaddyourtext.Clickheretoaddyourtext.Clickheretoaddyourtext.Clickheretoaddyourtext.Clickheretoaddyourtext.Clickheretoaddyourtext.Clickheretoaddyourtext.Clickheretoaddyourtext.Clickheretoaddyourtext.Clickheretoaddyourtext.Clickheretoaddyourtext.Clickheretoaddyourtext.Clickheretoaddyourtext.（一）社会网络应该包含哪些行动者？位置法：正式团队的成员作为参与人声望法：有声望的信息提供者划定参与人限定网络成员的属性01指定社会关系类型02参与特定事件关系法：由行动者提名与其有特定关系的其他行动者作为参与人03事件法：定义事件，选择与事件相关的个体作为参与人常见的网络研究范围界定方法11LaumannEO,MarsdenPVandPrenskyD.Theboundaryspecificationprobleminnetworkanalysis.ResearchMethodsinSocialNetworkAnalysis,1989,61-87.2.2数据收集Clickheretoaddyourtext.Clickheretoaddyourtext.Clickheretoaddyourtext.Clickheretoaddyourtext.Clickheretoaddyourtext.Clickheretoaddyourtext.Clickheretoaddyourtext.Clickheretoaddyourtext.Clickheretoaddyourtext.Clickheretoaddyourtext.Clickheretoaddyourtext.Clickheretoaddyourtext.Clickheretoaddyourtext.Clickheretoaddyourtext.Clickheretoaddyourtext.（二）如何收集社会网络数据？常见的社会网络数据收集方法向受访者询问与之相关联的人员信息【某段时间】你通常与谁一起【做某件事】？他的【基本信息】你知道吗？你和这个人关系怎样？还有其他人吗？【联系人1】知道【联系人2】吗？询问受访者特定社会关系的联系人信息在你的亲戚、朋友、熟人中，有从事【某种】工作的人吗？你和这个人关系怎样？询问具备某种资源或能力的联系人信息你知道谁【具备某种资源或能力】吗？你和这个人关系怎样？提名法定位法资源生成法2.2数据收集（二）如何收集社会网络数据？““测验-再测验”法对受访者两次作答的名册匹配，比较两者不一致的程度，可与受访者进行确认和纠错基于Jaccard系数的信度计算两次提名中同时提及的人数，除以两次提名中不重复的总人数多来源数据对比基于互惠率的效度计算可以计算联系双方都提及该联系的比率表示关系题项的效度数据质量保障方法多来源数据对比通过多来源的数据比较数据的不一致程度收集客观网络数据，避免主观数据偏差2.3社会网络构建(一）图示法社会网络的分类：关系是否具有方向性：有向网络vs.无向网络关系是否体现强度差异：加权网络vs.无权网络社会网络的图示法表示示例源顶点目标顶点权重AB4AC3CD2DB1DE1EA12.3社会网络构建

对应的邻接矩阵边列表2.4明确社会网络分析指标节点级分析对节点所处的网络位置的分析网络级分析对社会网络整体结构及特征的分析2.4.1节点级分析

度每一个节点直接相连的边数有向图：考虑边的方向，分为入度和出度加权图：与该节点关联的边的权重之和各点度数：A:9B:10C:9D:25E:32.4.1节点级分析

最短路径长度两点之间边数最少的路径加权图：成本型网络中最短路径长度等于权重之和的最小值，效率型网络中最短路径长度等于权重倒数之和的最小值两点间的最短路径长度：d(A,B)=1d(A,C)=1d(A,D)=(A,C)+(C,D)=2d(B,A)=(B,C)+(C,D)+(D,A)=3，d(B,C)=1，d(B,D)=(B,C)+(C,D)=2，d(C,A)=(C,D)+(D,A)=2，d(C,B)=(C,D)+(D,A)+(A,B)=3，d(C,D)=1，d(D,A)=1，d(D,B)=(D,A)+(A,B)=2，d(D,C)=(D,A)+(A,C)=22.4.1节点级分析

局部集聚系数三元组开放三元组：三点之间有两条关系连接闭合三元组：三点之间有三条关系连接三元闭包推理1（朋友的朋友也倾向于成为朋友）对于开放三元组BAC，BA和CA关系存在，就有形成新的关系BC的趋势1OpsahlT.Triadicclosureintwo-modenetworks:Redefiningtheglobalandlocalclusteringcoefficients.SocialNetworks,2013,35(2):159-167.2.4.1节点级分析

局部集聚系数局部集聚系数（localclusteringcoefficient）是测量无向网络图中三元闭包现象的关键指标（即朋友的朋友也是朋友的程度），量化了一个节点附近的集聚程度节点i的局部集聚系数Ci的计算方式为以i为核心的闭合三元组的数量与所有三元组数量的比值注：aij表示节点i和j之间的连线是否存在，取值为0表示连线不存在，取值为1表示连线存在，表示节点i所在的闭合三元组总数，ki是节点i连接的邻居节点的数量，表示i的邻居节点之间所有可能的连线组合，即与i形成的三元组总数2.4.1节点级分析

局部集聚系数局部集聚系数示例11OpsahlT,PanzarasaP.Clusteringinweightednetworks.Socialnetworks,2009,31(2):155-163.各点的局部集聚系数：节点D、F仅有1个邻居节点，不存在局部集聚系数A和C的所有三元组都是闭合三元组，CA=1，CC=1节点B有4个邻居节点，所有的三元组包括：ABC，ABD，ABE，CBD，CBE，DBE，其中闭合三元组只有ABC，因此CB=1/6≈0.17节点E的邻居节点B、F之间没有连线，因此CE=02.4.1节点级分析

中心度(centrality)通过分析网络中的关系分布、数量和距离，度量社会行动者占据网络中心地位的程度，对网络节点的“权力”进行量化分析常见的节点中心度指标度中心度中介中心度接近中心度特征向量中心度2.4.1节点级分析

中心度(centrality)度中心度（degreecentrality）对节点所拥有的关系数量的简单计数，反映了一个人在网络中社会关系的多少度中心度越高，社会关系越多，往往代表这个人占据了更重要的网络位置，即他在网络中的嵌入度和参与度越高、社会资本越多、更容易发展新的社会关系和网络。节点i的绝对度中心度可表示为：节点i的相对度中心度可表示为：2.4.1节点级分析

中心度(centrality)度中心度（degreecentrality）

2.4.1节点级分析

中心度(centrality)中介中心度(betweennesscentrality)发现在网络中充当“桥梁”位置的节点，即在社会网络中控制或中介其他社会网络成员的信息流的位置。中介中心度越高，行动者控制或中介成员间信息流的能力越大，其他成员越依赖该行动者传递信息。2.4.1节点级分析

中心度(centrality)中介中心度(betweennesscentrality)节点i的绝对中介中心度：遍历所有节点组合,对每一对节点计算经过节点i的最短路径数量占这对节点所有最短路径数量的比例,再把所有节点组合的比例相加节点i的相对中介中心度：注：gjk是节点j到节点k的最短路径的数量，gjk(i)是由j到k的最短路径中经过i的最短路径数量，则(j,k)之间的最短路径数量中经过i的最短路径数量所占比例为2.4.1节点级分析

中心度(centrality)中介中心度(betweennesscentrality)

2.4.1节点级分析

中心度(centrality)接近中心度(closenesscentrality)度量网络中的节点距离其他所有节点的远近程度接近中心度越高，代表行动者距离其他行动者越近，说明该行动者占据了通信效率更高的中心位置，在获取信息方面可选的信息来源和路径很多，独立性更高。2.4.1节点级分析

中心度(centrality)接近中心度(closenesscentrality)节点i的绝对接近中心度：一个节点到网络中其他所有节点的最短路径长度之和的倒数节点i的相对接近中心度：2.4.1节点级分析

中心度(centrality)接近中心度(closenesscentrality)

2.4.1节点级分析

中心度(centrality)特征向量中心度(eigenvectorcentrality)在衡量行动者重要性的时候，将其关联之人的重要性纳入考量特征向量中心度越高，代表行动者所拥有的社会关系越重要2.4.1节点级分析

中心度(centrality)特征向量中心度(eigenvectorcentrality)基本原理令假设节点i的中心度的值是相邻节点的中心度之和，即：

，邻接矩阵为

2.4.1节点级分析

中心度(centrality)特征向量中心度(eigenvectorcentrality)jki

ijkijkA=

2.4.1节点级分析

结构对等与相似性如果网络的两个顶点共享相同的社会关系，则它们在结构上是对等的（structuralequivalence）结构对等程度越高，行动者的社会位置越接近。结构对等的程度可以通过量化节点之间的相似性程度（或差异程度）来反映Jaccard相似度皮尔逊相关系数欧几里得距离余弦相似度2.4.1节点级分析

结构对等与相似性Jaccard相似度（Jaccardsimilarity）两节点的共有邻居和邻居总数的比值

2.4.1节点级分析

结构对等与相似性余弦相似度（Cosinesimilarity）计算两个向量夹角的余弦值来评估相似性夹角为0度，余弦值为1，代表两个向量完全相似；夹角为90度，余弦值为0，代表两个向量完全不相似B、E的余弦相似度:AB=(1,0,1,1,0,0)，AE=(0,0,0,1,0,1)2.4.1节点级分析

结构对等与相似性皮尔逊相关系数（Pearsoncorrelation）计算i和j的邻接向量之间的线性相关性计算公式为两者的协方差与标准差乘积的比值：B、E的皮尔逊相关系数:AB=(1,0,1,1,0,0)，AE=(0,0,0,1,0,1)代入上式，得到2.4.1节点级分析

结构对等与相似性欧几里得距离（Euclideandistance，简称欧式距离）度量节点之间邻域的差异性程度，反映了不相似的程度B、E的欧式距离:AB=(1,0,1,1,0,0)，AE=(0,0,0,1,0,1)2.4.2网络级分析

平均度（averagedegree）反映网络中是否有很多连接良好的节点平均度越高，表示整个网络中平均每个行动者的社会关系越多，连接程度越高所有节点的总度数与总节点数的比值无向图的总度数为2m，平均度为2m/n有向图中，总出度=总入度=m，平均入度=平均出度=m/n加权图中计算平均加权度，即所有节点关联边的权重之和与总节点数的比值

2.4.2网络级分析

密度（density）

2.4.2网络级分析

平均路径长度和网络直径

1MilgramS.Thesmallworldproblem.PsychologyToday,1967,2(1):60-67.两点间的最短路径长度：d(A,B)=1，d(A,C)=1，d(A,D)=2，d(B,A)=3，d(B,C)=1，d(B,D)=2，d(C,A)=2，d(C,B)=3，d(C,D)=1，d(D,A)=1，d(D,B)=2，d(D,C)=22.4.2网络级分析

平均路径长度和网络直径网络直径（diameter）是网络图中的的最短路径长度的最大值，代表网络中两个最远的行动者之间的最短距离,反映网络的紧凑性网络直径小所能反映的信息更可靠，节点数多的大图的紧凑性更有意义网络直径：3两点间的最短路径长度：d(A,B)=1，d(A,C)=1，d(A,D)=2，d(B,A)=3，d(B,C)=1，d(B,D)=2，d(C,A)=2，d(C,B)=3，d(C,D)=1，d(D,A)=1，d(D,B)=2，d(D,C)=22.4.2网络级分析

全局集聚系数和平均集聚系数全局和平均集聚系数是对图的整体集聚程度进行评估，是评估网络传递性（即网络中朋友的朋友也是朋友的程度）的重要指标，反映了网络凝聚力全局集聚系数（globalclusteringcoefficient）：整体图中闭合三元组的丰富度

2.4.2网络级分析

全局集聚系数和平均集聚系数平均集聚系数（averageclusteringcoefficient）：图中所有点的局部集聚系数的平均值局部集聚系数示例11OpsahlT,PanzarasaP.Clusteringinweightednetworks.Socialnetworks,2009,31(2):155-163.

2.4.2网络级分析

中心势度量整体网络权力分布情况的中心性分析指标衡量在网络中心度方面最占优势的行动者与其他行动者的差异程度。度中心势Diagram2Diagram3Diagram2Diagram3接近中心势中介中心势常见的中心势指标2.4.2网络级分析

中心势度中心势度量在社会关系数量方面，最有优势的行动者与其他行动者的差异程度度中心势越大，表明网络中心节点在社会关系数量上的优势越强，网络中存在在社会关系数量方面占据主导地位的行动者

2.4.2网络级分析

中心势中介中心势度量在通信中介作用方面，最有优势的行动者与其他行动者的差异程度中介中心势越大，表明网络中心节点在中介他人通信路径方面的优势越强，网络中存在在中介他人通信路径方面占据主导地位的行动者

2.4.2网络级分析

中心势接近中心势度量在与其他行动者的接近程度(通信效率)方面，最有优势的行动者与其他行动者的差异程度接近中心势越大，表明网络中心节点(相比其他节点)更靠近网络的其他成员，网络中存在在接近程度(通信效率)方面占据主导地位的行动者

2.4.2网络级分析

凝聚子群凝聚子群：行动者的子集，子集内部的行动者之间存在相对稳固的、直接的、强烈的、频繁的或积极的联系1社会力量可以通过子群体成员内部的凝聚力运作，高度凝聚力可增强群体目标的达成，促进群体规范、增强成员自信心、影响工作效率21WassermanS,FaustKSocialnetworkanalysis:Methodsandapplications.CambridgeUniversityPress,1994.

2刘军.整体网分析：UCINET软件实用指南（第三版）.上海：上海人民出版社，2019.k-宗派k-丛k-核派系k-派系2.4.2网络级分析

凝聚子群派系（clique）任意两个成员之间的关系都是相互的（互惠关系），是凝聚力很高的子群如果一个完备子图至少包含3个顶点以上，并且是“最大”的（maximal），即再多一个相邻顶点就会改变完备性，就称该子图的顶点集是一个派系派系示意图（3、4、5、6点）2.4.2网络级分析

凝聚子群k-派系（k-clique）子群任意两个成员之间的距离不超过给定值k(中间途经的其他成员不限于群体内部成员)k

值越小，群体凝聚力越强严格定义的派系是1-派系1-派系：

{B,C,D}2-派系：从F点出发，{F,A,B,E,D}是2-派系从C点出发，{C,B,A,D,E}是2派系，但A、E必须经由派系以外的点F才能达到最短路径长度23-派系：{F,A,B,E,D,C}2.4.2网络级分析

凝聚子群k-宗派（k-clan）子群网络直径小于等于k的k-派系子群任意两个成员之间的距离不超过给定值k(中间途经的其他成员必须是群体内部成员)k

值越小，群体凝聚力越强所有的k-宗派都是k-派系，但不是所有的k-派系都是k-宗派2-宗派：从F点出发，{F,A,B,E,D}是2-宗派从C点出发，{C,B,A,D,E}不是2-宗派，因为由这些点构成的子图（去掉F点及其相关联的边的图）的直径为32.4.2网络级分析

凝聚子群k-丛（k-plex）子群中每个成员最多不与k个成员连接的凝聚子群可以利用最小度数反推：子群中每个成员的组内联系数量不低于(子群成员数-k)k

值越小，群体凝聚力越强

2.4.2网络级分析

凝聚子群k-核（k-core）子群中每个成员的组内联系数量不低于k，即每个点在子图中的度数至少为kk值越大,群体凝聚力越强k-核可采用递归“剪枝”的过程获得0-核1-核2-核3-核2.4.2网络级分析

社区检测找到内聚的子网络结构，组内成员之间有密集的连接，组间只有稀疏的连接，是一种“内紧外松”的结构Girvan-Newman算法、Louvain算法社区结构示意图1

1NewmanME.Modularityandcommunitystructureinnetworks.ProceedingsoftheNationalAcademyofSciences,2006,103(23):8577-85822.4.2网络级分析

社区检测Girvan-Newman算法边介数（edgebetweenness）：每对节点组合的最短路径中经过该边的最短路径所占比例之和。边介数高的边处于很多点对的最短路径中，往往是连接不同社区的桥梁算法主要思路：将这些介于不同社区之间的边删除，以将社区分离开算法主要步骤：计算所有边的边介数，将边介数最高的边删除，重复上述过程直至没有边可删除或者达到自定义的终止条件，最终可获得多个相互分离的网络组件（社区）2.4.2网络级分析

社区检测Girvan-Newman算法第一轮计算，边DE或DF的边介数最高，均为10，删掉其中之一，假设删除DE以边DE为例，遍历所有节点组合计算边介数的过程如下：AB节点之间最短路径不经过DE，最短路径经过边DE所占比例为0，同理，AC,AD，AF,BC,BD,BF,CD,CF,DF,EF,EG,EH,EI,FG,FH,FI,GH,GI,HI节点组合均如此;AE节点之间最短路径只有一条A→D→E，必经边DE，最短路径经过边DE所占比例为1，同理，BE,CE,DE节点组合均如此;AG节点之间最短路径有2条，A→D→E→G或A→D→F→G，经过边DE所占比例为1/2;同理，AH,AI,CG,CH,CI,DG,DH,DI节点组合均如此;BG节点之间的最短路径有4条：B→A→D→E→G或B→A→D→F→G或B→C→D→E→G或B→C→D→F→G，经过边DE有2条最短路径，所占比例为1/2，同理，BH,BI节点组合均如此;边DE的边介数为：1*4+1/2*12=10第二轮计算：边DF边介数达到最大值20，可将其删除第二轮计算：边GI边介数达到最大值4，可删除。最终获得3个网络组件：{A,B,C,D}、{E,F,G,H}和{I}2.4.2网络级分析

社区检测Louvain算法如果分区内部的边数明显多于期望的边数，或者分区之间的边数明显少于期望的边数，那么分区的划分就是有意义的。模块度（modularity）：计算了同一分区节点之间的实际边数与期望边数的差值之和（归一化结果），模块度越大，分区划分越有意义。

2.4.2网络级分析

社区检测Louvain算法设定每个节点为一个社区，对于每个节点，都考虑将其从自身社区中移除，移入邻居节点所处的不同社区中，计算移动后的模块度收益，最终将其移入可以使模块度收益增加最多的社区，重复这一过程，直至不能增加模块度收益。Louvain算法示例图11BlondelVD,GuillaumeJ-L,LambiotteRandLefebvreE.Fastunfoldingofcommunitiesinlargenetworks.JournalofStatisticalMechanics:TheoryandExperiment,2008,10:P10008.2.4.2网络级分析

核心—边缘结构如果网络不能细分为排他性的、有凝聚力的子群体，要区分该群体内节点之间连接的疏密程度，可以开展核心—边缘结构分析，将该群体划分为核心区域和边缘区域具有核心—边缘结构的网络图11BorgattiSP,EverettMG.Modelsofcore/peripherystructures.SocialNetworks,1999,21(4):375-395.2.4.2网络级分析

核心—边缘结构理想结构可以是核心—核心节点彼此相连、核心—边缘节点彼此相连，边缘—边缘节点彼此无连接；或者核心节点之间才有联系，其他边缘节点均是孤立的。核心—边缘结构算法的核心思想是将节点分配至不同核心或边缘分区，使之最接近理想的核心—边缘结构基于密度的算法基于相关系数的算法计算实际结构与理想结构的皮尔逊相关系数，要找到核心分区和边缘分区，使实际结构与理想结构的相关性达到最大值理想结构是核心—核心的密度为1，边缘—边缘密度为0，核心—边缘密度介于0到1之间算法目标是寻求使核心区域密度最大化及边缘区域密度最小化的分区。计算核心度指标核心度指标（coreness）表示节点与核心的接近程度，指标值越大，该点越处于核心位置。2.4.2网络级分析

结构洞结构洞（structuralholes）表示行动者之间非冗余的联系跨越了结构洞的行动者，控制了关键信息扩散路径，可以从不同的集群获取非冗余的信息，更具有信息优势，这类节点被称为中间人（broker）2.4.2网络级分析

结构洞使用网络限制（networkconstraint）度量增加网络限制有效网络规模小（冗余联系人多）网络密度高（（频繁与他人交流））网络有层次结构（通过少数联系人传递信息）降低跨越结构洞机会有效规模和效率低限制度高层级度高2.4.2网络级分析

结构洞有效规模（effectivesize）：度量联系人之间的非冗余程度自我网络：只包含中心节点和邻居节点、及所涉节点之间的边，又称自我网络，egonetwork，中心节点又称“自我”自我网络的冗余度计算：除自我点以外的节点在网络中的平均度注：t是不包含自我点的联系数，n是不包含自我点的总节点数，也称为实际规模有效规模=实际规模-冗余度效率（efficiency）=有效规模/实际规模2.4.2网络级分析

结构洞以G为自我点的网络冗余度计算示例11BorgattiSP.Structuralholes:UnpackingBurt’sredundancymeasures.Connections,1997,20(1):35-38.计算A点贡献的冗余度：自我点G连接了6个节点，对每个点的投资比例为1/6。A点连接了除G点以外的其他3个点，覆盖了G点3/6的投资，冗余度为3/6ABCDEF有效规模效率冗余度3/62/60/61/61/61/64.6777.8%上表结果与公式一致：t=4,n=6,冗余度=2*4/6=1.33（即上表各点冗余度加和）有效规模=6-1.33=4.67，效率=4.67/6=77.8%2.4.2网络级分析

结构洞限制度（constraint）：中心节点在多大程度上受到联系人的限制节点i受到节点j的限制：i在与j和p的联系中投放了时间和精力，但p也花费了时间和精力到联系人j身上

2.4.2网络级分析

结构洞

2.4.2网络级分析

结构洞层级度（hierarchy）：对自我点的限制集中于一个或几个特殊点时，就会出现网络层级，自我点的网络就会受到特定联系人的共享，降低自我点跨越结构洞的机会

2.4.2网络级分析

结构洞A点的层级度为0，因为B、C、D三点对A施加完全相等的限制度。2.5结果解读节点级指标指标度量含义取值说明度节点直接相连的边数。行动者社会关系的数量。取值大于等于0。行动者的度越大，拥有的社会关系越多。最短路径长度连接两节点所需的最少边数。两名行动者之间通信所需的最短距离。取值大于等于1。行动者之间的最短路径长度越短，表示两者距离越近，通信效率越高。局部集聚系数以节点为中心的闭合三元组占全部三元组的比例。行动者附近的集聚程度或者行动者与相连行动者之间社会关系的重合度。取值范围是[0,1]。行动者的局部集聚系数越高，代表其周围的集聚程度越高（即朋友的朋友也是朋友的程度越高）结构对等节点的结构位置的相似度。行动者社会位置的相似程度。指标不同，取值范围也不同。衡量共有邻居程度的Jaccard相似度和余弦相似度的取值范围为[0,1]；皮尔逊相关系数的取值范围为[-1,1]；欧式距离的取值大于等于0。行动者间的相似度越高，社会位置越接近；皮尔逊相关系数的绝对值越大，代表社会位置的相关性越强（正数为正向相关，负数为负向相关）；欧式距离越大，行动者社会关系的差异程度越大，社会位置差别越大。2.5结果解读节点级指标指标度量含义取值说明度中心度（相对值）节点直接相连的边数（归一化结果）。行动者在社会关系数量上的优势。取值范围是[0,1]。度中心度越高，代表行动者在社会关系数量方面越有优势。中介中心度（相对值）节点位于其他节点之间的最短路径上的概率之和（归一化结果）。行动者在其他成员间的通信中发挥的桥梁作用，体现了控制或中介成员间信息流的能力。取值范围是[0,1]。中介中心度越高，代表行动者对其他成员间信息流的中介作用越强，其他成员越依赖于该行动者传递信息。接近中心度（相对值）节点到其他所有节点的最短路径长度之和的倒数（归一化结果）。行动者距离其他所有成员的远近程度，体现了所处网络位置的通信效率。取值范围为(0,1]。接近中心度越高，代表行动者越接近其他成员，占据了通信效率更高的重要位置。特征向量中心度邻接矩阵的特征值对应的特征向量。行动者的重要性源自关联之人的重要性，特征向量中心度高，表示行动者占据了拥有更重要的社会关系的位置。归一化的特征向量中心度的取值范围为[0,1]。特征向量中心度越大，代表行动者所拥有的社会关系越重要（社会关系不一定多，连接少数几个很重要的行动者也可能使特征向量中心度高）。2.5结果解读网络级指标指标度量含义取值说明平均度总度数与总节点数的比值。平均每个行动者的连接程度。

取值大于等于0。平均度越大，表示整个网络平均每个行动者的社会关系越多，连接程度越高。密度实际连接数占所有可能连接数的比例。行动者之间连接的紧密程度。取值为[0,1]。密度越大，表示整个网络行动者之间连接的紧密程度越高（节点数越多，密度达到1的难度越高）。平均路径长度最短路径长度的平均值。平均而言行动者之间至少间隔多远，能够反映网络信息传输效率。取值大于等于1。平均路径长度越大，表示两个行动者之间通信的平均距离越长，网络整体的信息传输效率越低。直径最短路径长度的最大值。网络中两个最远的行动者之间的距离，反映网络的紧凑性取值大于等于1。直径越小，表示网络的紧凑性越强（大型网络的紧凑性更有意义）。2.5结果解读网络级指标指标度量含义取值说明全局集聚系数闭合三元组占全部三元组的比例。网络的整体集聚程度，反映网络凝聚力。取值为[0,1]。全局集聚系数越大，表示网络整体集聚程度越高（或者朋友的朋友也是朋友的程度越高）。平均集聚系数局部集聚系数的平均值。网络的整体集聚程度，反映网络凝聚力。

取值为[0,1]。平均集聚系数越大，表示网络整体集聚程度越高（或者朋友的朋友也是朋友的程度越高）。度中心势网络中度中心度的最大值与其他度中心度值的差异和的归一化结果。在社会关系数量方面，最有优势的行动者与其他行动者的差异程度。取值为[0,1]。度中心势越大，表明网络中心节点在社会关系数量上的优势越强。中介中心势网络中中介中心度的最大值与其他中介中心度值的差异和的归一化结果。在通信中介作用方面，最有优势的行动者与其他行动者的差异程度。取值为[0,1]。中介中心势越大，中心节点在中介他人通信路径方面的作用高于其他节点的程度越大，在中介作用（信息流控制力）方面的主导性越强。接近中心势

网络中接近中心度的最大值与其他接近中心度值的差异和的归一化结果。在与其他行动者的接近程度（通信效率）方面，最有优势的行动者与其他行动者的差异程度。取值为[0,1]。接近中心势越大，中心节点（相比其他节点）更靠近网络的其他成员，在接近程度（通信效率）方面的主导作用更强。2.5结果解读网络级指标指标度量含义取值说明派系任意两点之间的关系均为互惠关系的凝聚子群。找到这样的凝聚子群：任意两个成员之间关系都是相互的。派系成员的彼此相互连接，反映了群体凝聚力。成员数越多的派系越难找到。k-派系任意两点的最短路径长度均小于等于k的凝聚子群。找到这样的凝聚子群：子群任意两个成员之间的距离不超过给定值k（中间途经的其他成员不限于群体内部成员）。k值越小，群体凝聚力越强，通常k取2或3的结果是有意义的（经验取值）。k-宗派子群网络直径小于等于k的k-派系。找到这样的凝聚子群：子群任意两个成员之间的距离不超过给定值k（中间途经的其他成员必须是群体内部成员）。k值越小，群体凝聚力越强。通常k取2或3的结果是有意义的（经验取值）。2.5结果解读网络级指标指标度量含义取值说明社区内紧外松的子网络结构。组内成员构成联系紧密的内聚群体，组间联系稀疏。常用的社区检测算法包括Louvain算法和Girvan-Newman算法。核心—边缘结构区分网络的核心区域和边缘区域。根据连接的疏密程度，识别群体内的核心行动者和边缘行动者。

分析获得网络中的核心区域和边缘区域分别包含哪些行动者。结构洞通过有效规模、效率、限制度、层级度指标度量网络对行动者的限制。反映网络中行动者的非冗余联系。有效规模的取值大于等于1，不超过自我网络的行动者总数（除自我点外的节点数）；效率的取值(0,1]；限制度的取值范围是(0,1]；层级度的取值范围是[0,1]（上述取值范围适用于自我网络）。行动者在网络内的有效规模越大、效率越高、限制度越低、层级度越低，跨越结构洞的机会越大，获取非冗余信息的优势越强。社会网络分析实际操作和软件示例03案例数据集是上个世纪70年代美国一所大学空手道俱乐部的34名成员之间的友谊关系网络，该关系网络是一个无向无权图网络，曾被多次应用于社会网络分析方法的研究中1，21ZacharyWW.Aninformationflowmodelforconflictandfissioninsmallgroups.JournalofAnthropologicalResearch,1977,33(4):452-473.2GirvanM,NewmanME.Communitystructureinsocialandbiologicalnetworks.ProceedingsoftheNationalAcademyofSciences,2002,99(12):7821-7826.3.1导入数据集功能面板→DLEditor，打开、编辑及保存数据，另存为Ucinet的逻辑数据集文件（.##h）File→OpenUcinetdataset→数据集.##h3.2社会网络构建Visualize→NetDraw面板下，选择File→Open→Ucinetdataset→Network→数据集.##h对于点的摆放位置没有强制要求，可选择软件中的多种布局模式关于节点的大小没有强制要求，可根据某一指标值设置节点的大小，指标值越大，节点越大。如：选择Analysis→Centralitymeasures→SetNodeSizesby→Degree，按照度数设置节点大小3.3网络基本特征分析Ucinet软件界面的Network→Whole-NetworkMeasures→MultipleWhole-NetworkMeasures指标Ucinet指标数值节点数#ofnodes34联系数#ofties156(无向网络，实际为78条边)平均度AvgDegree4.588密度Density0.139平均路径长度AvgDistance2.408直径Diameter5网络基本特征指标3.4中心性分析3.4.1节点中心度分析度中心度：Network→Centrality→Degree，Degree表示绝对值，nDegree表示相对值中介中心度：Network→Centrality→FreemanBetweenness→NodeBetweenness，Betweenness表示绝对值，nBetweenness除以100表示相对值接近中心度：Network→Centrality→Closeness，FreeClo表示相对值，可自行转换绝对值特征向量中心度：Network→Centrality→Betacentrality（Bonacichpower）NormalizedBetaCent是标准化的特征向量中心度值节点度中心度（绝对）中介中心度（绝对）接近中心度（相对）特征向量中心度（相对）3417160.5520.551116231.0710.5690.952331276.690.5160.82731075.8510.5590.8492928.4790.4850.712466.2880.4650.56532673.010.5410.5129529.5290.5160.60914524.2160.5160.6062459.30.3930.402中心度计算结果（部分）3.4中心性分析3.4.1节点中心度分析特征向量中心度命令窗口3.4中心性分析3.4.2网络中心势分析度中心势：Network→Centrality→Degree，查看GraphCentralization指标中介中心势：Network→Centrality→FreemanBetweenness→NodeBetweenness，查看NetworkCentralizationIndex指标接近中心势：Network→Legacyroutines→Closeness（legacy），命令窗口选择Type为Sumofgeodesicdistances（Freeman），查看NetworkCentralization指标中心势值度中心势39.96%中介中心势40.56%接近中心势29.82%3.5集聚程度分析平均集聚系数和局部集聚系数：Network→Whole-NetworkMeasures→ClusteringCoefficient，Data→Display查看生成的ClusteringCoefficients.##h文件节点局部集聚系数节点局部集聚系数8170.513190.5151310.5161240.417120.333181200.333191250.333211260.333221290.33323130.244271320.240.667330.19750.667280.167110.66710.15300.667340.11140.610060.512无平均集聚系数（结果文件中的Overallgraphclusteringcoefficient指标）：0.5883.6结构对等分析相似度或距离（不相似度）度量：Tools→Similarities&Distances，选择计算方式，例如皮尔逊相关系数、Jaccard相似度、余弦（Cosine）相似度、欧式距离等3.6结构对等分析皮尔逊相关系数矩阵（部分）结构对等程度较高的组合：{15,16,19,21,23}、{18,20,22}、{5,6}、{7,11}、{8,14}3.7凝聚子群分析派系：Network→Communities/Subgroups→Cliques3点{16,33,34}，{19,33,34}，{21,33,34}，{23,33,34},{15,33,34}，{32,33,34}，{27,30,34}，{24,28,34}，{29,32,34}，{1,2,18}，{1,2,20}，{1,2,22}，{1,3,9}，{3,9,33}，{1,4,13}，{1,5,11}，{1,5,7}，{6,7,17}，{1,6,7}，{1,6,11}，{25,26,32}4点{24,30,33,34}，{9,31,33,34}5点{1,2,3,4,14}，{1,2,3,4,8}派系分析结果3.7凝聚子群分析k-派系：Ucinet中称之为N-派系，选择Network→Communities/Subgroups→N-Cliques，设定N值，通常设定为2或3k-派系命令界面（N=2）3.7凝聚子群分析k-派系：Ucinet中称之为N-派系，选择Network→Communities/Subgroups→N-Cliques，设定N值，通常设定为2或32-派系

{3,9,10,14,15,16,19,20,21,23,24,28,29,30,31,32,33,34}{1,2,3,4,9,10,14,20,28,29,31,32,33,34}{1,2,3,4,8,9,10,14,20,28,29,31,32,33}{1,2,3,4,8,9,14,18,20,22,31,32}{1,2,3,4,5,6,7,8,9,11,12,13,14,18,20,22,32}{3,24,25,28,29,32,33,34}{1,3,25,28,29,32,33,34}{24,26,28,29,30,32,33,34}{24,25,26,28,29,32,33,34}{1,25,26,28,29,32,33,34}{9,10,14,15,16,19,20,21,23,24,27,28,29,30,31,32,33,34}{1,5,6,7,11,17}3-派系{1,2,3,4,5,6,7,8,9,10,11,12,13,14,18,20,22,25,26,28,29,31,32,33,34}{1,2,3,4,8,9,10,14,15,16,19,20,21,23,24,25,26,28,29,30,31,32,33,34}{1,2,3,4,9,10,14,15,16,19,20,21,23,24,25,26,27,28,29,30,31,32,33,34}{1,2,3,4,5,6,7,8,9,11,12,13,14,17,18,20,22,32}3.7凝聚子群分析k-派系：重叠矩阵的聚类分析（默认保存到文件NClqPart.##h中），以此反映两个行动者在多大程度上可被归于一类。行动者在同派系的不同组中出现的次数越频繁，越倾向于被归于一类Tools→Dendrogram→Draw打开NClqPart.##h，查看重叠矩阵聚类分析的树状图结果2-派系重叠矩阵聚类水平为3以上的成员组包括{1,2,3,4,9,10,14,20,31}和{24,25,28,29,32,33,34}2-派系重叠矩阵聚类分析结果3.7凝聚子群分析k-宗派：Ucinet中称之为N-宗派，选择Network→Communities/Subgroups→N-Clan，设定N值，通常设定为2或32-宗派

{1,2,3,4,9,10,14,20,28,29,31,32,33,34}{1,2,3,4,5,6,7,8,9,11,12,13,14,18,20,22,32}{3,24,25,28,29,32,33,34}{1,3,25,28,29,32,33,34}{24,26,28,29,30,32,33,34}{24,25,26,28,29,32,33,34}{9,10,14,15,16,19,20,21,23,24,27,28,29,30,31,32,33,34}{1,5,6,7,11,17}3-宗派{1,2,3,4,5,6,7,8,9,10,11,12,13,14,18,20,22,25,26,28,29,31,32,33,34}{1,2,3,4,8,9,10,14,15,16,19,20,21,23,24,25,26,28,29,30,31,32,33,34}{1,2,3,4,9,10,14,15,16,19,20,21,23,24,25,26,27,28,29,30,31,32,33,34}{1,2,3,4,5,6,7,8,9,11,12,13,14,17,18,20,22,32}3.7凝聚子群分析k-宗派：重叠矩阵的聚类分析（默认保存到文件NClanPart.##h中）使用Tools→Dendrogram→Draw打开NClanPart.##h，查看重叠矩阵聚类分析的树状图结果3-宗派重叠矩阵聚类水平在3以上的成员组包括{1,2,3,4,8,9,14,20,32}和{10,25,26,28,29,31,33,34}3-宗派重叠矩阵聚类分析结果3.8社区检测基于Louvain算法的社区检测：Network→Communities/Subgroups→LouvainMethod模块度最大化的分区结果是4分区，各分区为{5,6,7,11,17}、{1,2,3,4,8,10,12,13,14,18,20,22}、{24,25,26,28,29,32}、{9,15,16,19,21,23,27,30,31,33,34}节点分区节点分区121822219432202422145122261234712438225394263102274111283122293132304142314154323164334171344Louvain算法4分区结果3.8社区检测基于Girvan-Newman算法的社区检测：Network→Communities/Subgroups→Girvan-Newman选择Tools→Dendrogram→Draw打开结果文件展示分区结果若划分2个分区，可分为{1,2,4,5,6,7,8,11,12,13,14,17,18,20,22}和{3,9,10,15,16,19,21,23,24,25,26,27,28,29,30,31,32,33,34}Girvan-Newman算法分区图示3.8社区检测基于Girvan-Newman算法的社区检测：NetDraw界面可视化展示分区结果，选择Visualize→NetDraw，在NetDraw界面打开案例数据集，构建社会网络图。Analysis→Subgroups→Girvan-Newman，将集群数的最大值和最小值设定为2，就可以展示2分区的网络图（案例背景为2分区更有意义）3.9核心-边缘结构分析离散核心-边缘结构分析（划分核心和边缘区域）：Network→Core/Periphery→Categorical核心区域为{1,2,3,4,9,14,32,33,34}连续核心-边缘结构分析（计算核心度）：Network→Core/Periphery→Continuous排名前9的节点为核心成员，即{1,2,3,4,9,14,32,33,34}Core/PeripheryClassMemberships:Core:1234914323334Periphery:5678101112131516171819202122232425262728293031离散核心—边缘结构分析结果

节点核心度节点核心度340.378150.10110.367210.101330.308160.10130.303190.10120.25570.10090.21960.100140.216100.09940.201180.092320.200220.092310.16750.0980.162110.09240.158130.085200.146270.079300.139260.071280.137250.068290.128120.056230.101170.040连续核心—边缘结构分析结果

3.10结构洞分析Network→EgoNetworks→StructuralHoles数据是整体网数据，在Method中需要选择WholeNetworkModel；数据是自我网数据，在Method中需要选择EgoNetworkModel3.10结构洞分析节点有效规模效率限制度层级度节点有效规模效率限制度层级度113.750.8590.1550.088262.3330.7780.460.0243415.2350.8960.1560.24262.50.6250.4770.03537.80.780.1850.04572.50.6250.4770.0353250.8330.2450.0210210.50339.8330.8190.2490.32651.6670.5560.5290.07126.3330.7040.280.154111.6670.5560.5290.071283.50.8750.2850.0091510.50.5740930.60.3040.0121610.50.5740243.40.680.3060.0371910.50.5740142.60.520.3230.0142110.50.5740312.50.6250.3460.0132310.50.5740202.3330.7780.3740.0031810.50.5910.001292.3330.7780.3870.0082210.50.5910.00142.6670.4440.3970.0611310.50.6230.006810.250.4430.0012710.50.6710.023020.50.4490.0671710.50.7810252.3330.7780.460.024121111结果文件中的指标：有效规模（EffSize）、效率（Efficiency）、限制度（Constraint）、层级度（Hierarchy）3.10结构洞分析二元限制矩阵（DyadicConstraint）（部分）1号受到其他节点的限制度较低，说明控制了关键信息扩散路径，具有跨越结构洞的潜力社会网络分析在研究中的应用044.1社会网络分析指标在研究中的应用关系数量用二元互动关系的数量反映直接信息分享1和累积优势2与他人沟通合作可获得更高的社会资本，可用关系的数量（或度数）度量社会资本中的结构资本3关系内容分不同关系类型度量网络嵌入程度4基于双向关系度量对称性、互惠性5，6边界外的关系度量“跨越”（spanning）7跨越组织边界、地理位置、或层级结构往往能带来信息优势关系强度强连接8与信任水平关系密切9弱连接10有助于非冗余信息的传播和创新扩散11，在社会群体间发挥桥梁作用以关系频率度量社会距离12注：文献列于备注中4.1社会网络分析指标在研究中的应用度中心度通过关系数量反映行动者的声望和中心地位，是信息和资源的重要来源1用入度中心度代表个体受到其他人的关注度，可表示网络中的“明星”成员2中介中心度连接网络中两个相隔较远的群体的桥梁位置(资源控制位置)3结构洞中间人角色的代理度量4，5接近中心度结构邻近度（获取有价值资源的便捷性）6接近中心度高的风投企业往往是行业领导，更易获得信任和资源授权7特征向量中心度衡量了行动者与更中心的行动者连接的程度，可作为社会位置8或人际权力9的代理变量注：文献列于备注中4.1社会网络分析指标在研究中的应用中心势用度中心势反映关系的分布情况1，值越低，关系分布越均匀集中化结构2,3集中化结构可以提高团队效率，但也可能造成外围成员对中心成员的过度依赖网络密度反映内部沟通结构的度量：密集网络易于沟通、合作和信息共享4稀疏网络可能因为高水平异质