社会网络分析.ppt

1、在社会科学中，基于对社会行为者之间相互作用的研究的结构方法被称为社会网络分析(Freeman，2008)。这些行为者可以是个人、团体、组织或国家。社交网络分析关注于参与者之间的关系，认为这些关系的模式会影响他们的行为。因此，社会网络分析的核心目标之一是揭示不同类型的关系模式，并确定这些模式将在什么条件下出现以及它们将导致什么后果。2020/7/9，1，4.5社会网络分析，4.6.1社会网络分析的发展当代科学界重视结构性和系统性背景的产品。社会网络分析带来了社会学家、人类学家、数学家、经济学家、政治学家、心理学家、传播者、统计学家、生态学家、流行病学家、计算机科学家、组织行为学和商学院的市场学学

2、者，尽管这些人有不同的背景，但他们共享体现在网络分析方法中的结构视角。几代研究人员在许多学科积累的结果是关于社会网络分析的起源，一些研究人员认为它始于20世纪30年代初雅各布莫雷诺的社会计量学。其他人认为社交网络分析直到20世纪70年代哈里森怀特在哈佛大学招收研究生时才开始。事实上，社会网络分析的相关理论起源于19世纪末20世纪初的乔治齐美尔，甚至可以追溯到更早的奥古斯特孔德。2020/7/9，2，莫雷诺的社会关系计量学和威廉华纳和乔治梅奥的人际关系学院，1934年，莫雷诺出版了谁会活着？这本书标志着社会计量学的兴起。Moreno和他的助手们计算了研究对象希望与哪些组织成员一起生活和玩耍，在此

3、基础上，获得了一组关系数据来分析小组中每个成员和小组中的小组的位置。与此同时，哈佛大学的沃纳和梅奥在研究组织行为的过程中提出了关系学派。他们在员工中收集了详细的社交网络数据，比如谁和谁玩，谁和谁吵架，等等。并以图形方式显示员工之间的各种关系。20世纪50年代，在哥伦比亚大学学习传播学的拉撒斯菲尔德、詹姆斯科尔曼、伊莱休卡茨和门泽尔采用社会网络的方法研究社会扩散，为社会网络的研究注入了新的活力。1955年，哥伦比亚学派的代表作之一人际影响问世。研究者从三个方面讨论了意见领袖的特征：生命周期、社交和社会经济地位。1967年，哈佛大学心理学教授斯坦利米尔格拉姆通过连锁信实验验证了六度分离(也称为小世

4、界现象)，使人们对人际网络的力量有了新的认识。然而，在这个理论中，人与人之间没有强弱之分。直到1974年，斯坦福大学社会科学系的马克格兰诺维特提出了弱联系理论，这个问题才得到补充。格拉诺维特指出，每个人与亲戚、同学、朋友、同事等之间都有一种“牢固的联系”。最频繁接触的人，但这种稳定的联系在交流范围内非常有限。相反，与一个人的工作和职业关系最密切的社会关系不是“强联系”，而是“弱联系”，比如一个偶然知道的人或一个打开收音机偷听的人。虽然“弱连接”不如“强连接”稳定，但它具有极快、低成本和高性能的传播效率。2020/7/9/5，20世纪70年代，哈里森怀特将矩阵理论应用于哈佛大学的社会网络研究，并

5、撰写了一些关于块建模和机会链的重要论文。在这个过程中，培养了一大批对当代社会网络分析有重大影响的学生，如皮尔曼、波那西、威尔曼和克里斯托弗温希尔。20世纪70年代末，在威尔曼等人的倡导下，国际社会网络分析网成立，社会网络杂志的创办标志着社会网络研究的系统化和国际化进程。自20世纪90年代以来，社会网络研究在分析方法和多学科参与指数随机图模型(ERGM)的建立和发展方面取得了突破，极大地促进了社会网络的统计建模。斯奈德等人创建的面向随机参与者的模型进一步扩展了随机网络模型，以分析动态社会网络。研究主题从简单的社会网络扩展到政治网络、经济网络、文学作品中的对话网络、蛋白质相互作用网络、疾病感染网络

6、和计算机网络。参与的学科已经从社会学、人类学和统计学扩展到经济学、政治学、传播学、文学、物理学、生物学和医学。2020/7/9/7。在这个过程中，除了以社会学为核心的研究之外，还形成了以物理学和计算机科学为核心的不同流派。1998年，康奈尔大学的邓肯瓦茨和史蒂文斯特罗加茨在自然杂志上发表了一篇题为“小世界网络的集体动力”的论文。指出小世界现象是由于复杂网络的特点造成的。他们注意到复杂网络可以根据两个独立的结构特征进行分类，即聚类系数和节点之间的平均路径长度。1999年，Barabsi和Albert发表了一篇关于随机网络中bid度出现的文章，证明了复杂网络的连通性一般符合幂律分布。随后，许多研究

7、者，尤其是物理学家，开始关注各种复杂的网络。同时，以康奈尔大学的乔恩克莱恩伯格教授为代表的计算机科学研究者主要根据社会网络数据的特点应用和修改各种数据挖掘算法。提出了社交网络数据的基本算法，如著名的HITS和PAGERANK算法。根据不同的研究群体，社会网络分析可以分为两种基本类型：自我中心网络分析和整体网络分析。自我中心网络是从个体的角度定义社会网络，以特定的行动者为研究中心，主要考虑与该行动者相关的联系，从而研究个体行为如何受到其人际网络关系的影响。整个网络的焦点是整个网络中的角色关系的综合结构或群体中不同角色的关系结构。由于侧重点不同，这两种分析主要使用不同的衡量指标，但并非不相关。社会

8、网络的测量指标主要包括三种类型：联想测量、个体测量和整个网络测量。这些指标是静态量，可以通过计算它们在不同时间的值来反映网络的变化趋势。，2020/7/9，9，社会网络中的关联测量，2020/7/9，10，社会网络中的个体测量，2020/7/9，11，2020/7/9，12，社会网络中的整体网络测量，2020/7/9，13本文以政府间国际组织为例，说明如何将社会网络分析方法应用于相关研究。假设有五个国家(A、B、C、D、E)是七个政府间国际组织的成员，并区分“全球网络”和“个人中心网络”。在这个问题中，全球网络的研究对象可能是整个国际社会，甚至是国际体系，而个体中心网络只关注某一特定的网络。因

9、此，这七个政府间国际组织形成了一个“个人中心网络”。区分各种关系。即使是同一个网络也可能有不同的关系。在这个政府间组织的网络中，可能有贸易关系、联盟关系甚至敌对关系。哈夫纳伯顿等人关注的是这些国家在网络组织中的地位所产生的权力关系。收集网络关系数据。这些数据多种多样，包括经济、政治和社会数据。在哈夫纳伯顿的研究中，军事化州际争端(MIDS)和州系统成员等数据库被用来收集相关数据。2020/7/9/15，关系数据可以通过二分法(用“1”或“0”表示)或加权值来处理。2020/7/9/16，政府间国际组织成员的成员矩阵D。其中，“1”表示国家属于一个组织，“0”表示相反。社会测量矩阵代表成员网络。

10、a和b之间的值是4，表示a和b一起属于4个组织。也可以用图形直观地表示。其中，v值表示该网络中国家所属的政府间组织的数量。选择是否包括行动者的属性信息，如国家的经济和社会状况、国家的政治(政权)、军事信息等。因为在结构性研究取向中，社会网络分析侧重于参与者之间的关系数据，这一步是可选的。对获得的网络数据的分析因为社交网络分析经常涉及到大量的关系数据，所以计算和分析过程几乎完全依赖于社交网络分析软件。社会网络分析提供了一系列描述网络属性的指标，如中心性、密度、中立性、邻近性、派系、聚类等。它可以用社区图或矩阵的形式来表示。在此基础上，我们可以分析网络中每个点的中心性或重要性以及网络分化的子群。并

11、进一步研究各个群体之间的直接关系，进而研究它们的宏观结构。2020/7/9/17/4.6.4社交网络分析工具除了使用SPSS、SAS、R等。为了在社交网络分析中处理数据，还可以使用特殊的网络分析软件。他们可以帮助研究人员做一系列工作，如数据输入、统计、建模等。还提供多种静态布局和动态交互的可视化功能。斯科特和瓦瑟尔曼曾在社会网络分析的模型和方法一书中介绍了23种社会网络分析软件，包括它们的适用对象、数据格式、功能和支持。在众多软件中，常用的网络分析软件主要有UCINET、Pajek、NetWorks和NetMiner。2020/7/9/18/4/6/5。典型案例社会网络分析案例1:非典病毒传播

12、趋势的估计和控制病毒传播手段的可行性(林吉果，2003)。人们发现，具有小世界效应的动态系统模型可以加快信号传输速度，提高计算能力和同步性。谣言和传染病在小世界网络中比在常规网络中更容易传播。流行病传播模型是一个时空动态模型。传统理论的主要基本假设是将社会中的人与人之间的关系视为一个规则网络，主要的预测模型是反应扩散模型。随着现代交通的发展，这种模式已经不能反映传染病传播的实际情况。近年来，大量的统计数据表明，社会网络模型应该是一个“小世界”模型。现代交通带来的社会网络的新特点，使得在研究现代流行病传播时，有必要考虑小世界网络模型。利用小世界网络模型模拟非典病毒的传播，成功地获得了与真实病毒传

13、播相同的趋势。同时，指出了与病毒传播速度相关的网络参数，并通过引入网络反馈，提出了控制病毒传播的几种可能手段和未来发展的可能性。2020/7/9/19，网络大小为N=1 000 000，p=0.01，k值将被确定为调整参数。根据非典病毒传播的规律，一个人的感染周期分为三个阶段：潜伏期、感染期和隔离期。一个人在被感染后进入潜伏期，假设平均为6天，这是高斯分布，不同人的标准差为2天。然后以天数t进入感染期，在此期间与他有密切接触的每个人都有可能被pi感染，然后被隔离治疗，假设是10天，最后恢复并重新进入网络，忽略患者的死亡。病毒感染可以用数量s来表示，其中感染率pi是一个相对固定的值，假设pi的平

14、均值为0.05，这是高斯分布，不同人之间的标准差为0.01，然后根据实际情况调整k和t的值来观察病毒的传播。在实际模拟中，首先将一个疾病源引入网络，然后根据上述规则进行演化，每一步都记录当天的病人总数Nt和仍患病的病人数Ni。模拟结果网络参数对病毒传播的影响有两个可调参数：K表示人与人之间的密切接触程度，T表示发现和分离病原体的速度。可以预期，k值越大，t值越长，病毒传播越容易；k越小，t越短，病毒传播就越困难，这一点也被模拟结果所证实。病毒传播速度对这两个参数非常敏感，只要参数稍有变化，病毒传播速度就会发生很大变化。当t固定时，参数k有一个临界Kc值，当KKc被使用时，病毒会迅速传播，直到每

15、个人都被感染。例如，当T=2时，有Kc14。下图显示了k对病毒传播的影响。2020/7/9/21，平均连通边数k对病毒传播的影响(两个数字都有T=2。左边，K=10，病毒传播自动减弱；右侧，K=20，病毒传播迅速)，2020/7/9/22，下图显示了t对病毒传播的影响。只要t增加一天，感染速度就会大大增加，其中K=20。可以看出，未能及时找到疾病的源头以及人与人之间过多的接触将非常有利于病毒的传播。最初的爆发正是由于这两个原因，有必要从这两个方面来控制病毒的传播。2020/7/9/23，引入反馈机制后，对病毒传播的影响减小，并且T值和K值可以抑制病毒传播。T值的降低有赖于政府和医疗部门加强对病源的寻找和提高效率，而K值的降低则与隔离制度和人们的意识有关。人们的意识往往是一个渐进的过程，它会随着疫情的变化而变化，是一个反馈的过程。具体的反馈过程如下：初始状态K=K0。