常用分析路径
1、将多值关系数据转换成二值关系数据，路径：变换→对分
2、密度分析，路径：网络→凝聚力→密度→密度
3、利用Net-Draw程序生成可视化结构图，
路径：可视化→Net-Draw→Open→UcinetDataset→Network
4、中心性的可视化分析，路径：Analysis→Centrality Measures
5、节点中心度分析，路径：网络→中心度→度，而通过network>> centrality >> Degree ，然后在对话框里选择文件。在“treaddata as symmetric”中选No，即可在结果里可以看到outdegree和indegree。
6、接近中心度分析，路径：网络→中心度→接近性
7、中间中心度分析，路径：网络→中心度→Freeman中间度→节点中间度
8、凝聚子群分析，路径：网络→角色&位置→结构→CONCOR
9、同时计算出各个点的四种中心度指数，路径：网络→中心度→多重方式
10、相关关系分析，路径：工具→检验假设→二进 (QAP)→QAP相互关系
11、回归分析，路径：工具→检验假设→二进 (QAP)→QAP回归→双倍DekkerSemi-Partialling MRQAP(D) (Ctrl+R)
点击后出现的对话框为如下，键入作为因变量的矩阵DIPLOMATIC_EXCHANGE，分别输入作为自变量的四个矩阵的名称
CRUDE_MATERIALS、FOODS、MANUFACTURED_GOODS和MINERALS，点击 OK 后得到的结果。
12、属性变量与关系矩阵之间关系的 QAP 检验：⑴利用 UCINET 中的“自相关”（AUTOCORRELATION）分析法。这需要根据 UCINET中的路径：工具→检验假设→混合二进/节点→绝对属性→Join count。点击之后，出现如下对话框，键入（或选出）输入数据“advice”和分区向量 sex。点击“OK”后即计算出结果。
⑵也可以利用 QAP，但是需要构建“性别关系矩阵”。然后就可以利用 QAP 计算二者之间的相关关系了。
上述两种方法的比较：方法（1）给出组内和组间的检验结果，计算出显著性水平；方法（2）只给出组建检验，另外计算出相关系数和显著性水平。
13、在针对具体数据分析其派系构成的时候，可以利用 UCINET 中的程序（沿着网络→子群→派系这个路径）对关系数据矩阵进行派系分析，找到其中有多少个派系以及每个派系包含哪些成员等。
14、计算k-核：在 UCINET 中，沿着网络→宗派→K-核这条分析的途径（如下所示），选择待分析的数据，就可以计算出 k-核来。15、Lambda 集合分析。在 UCINET 中，沿着“网络→子群→Lambda 设置”这条路径，选择需要加以分析的数据，即可分析该数据中的Lambda 集合。
16、E-I秩数：在 UCINET 中，沿着“网络→凝聚力→E-I 指数”这条路径，就可以分析矩阵的 E-I秩数了。
17、结构洞：路径：网络→个体中心网络→结构洞
18、在 UCINET 中，利用 NetDraw→File→Open→UCINET dataset →2-Mode Network工具可用来针对小网络生成一个有用的图，这就是二部 2-模图（Bipartite “Two-Mode”graphs）。
19、SVD实现程序：工具→二模缩放比例→SVD（S）
奇异值分解法（Singular value decomposition，缩写为 SVD）是一种用来区分出 2-模（多值）网络数据背后的一些因子的方法。
20、因子分析：工具→二模缩放比例→因子分析
21、对二值行动者-事件的测量方法可采用对应分析（correspondence analysis）（工具→二模缩放比例→相应）。
对应分析很类似于潜类分析（Latent Class Analysis），其运算基础是多变量二值列联表分析（multi-variate binary cross-tabulations），有关它的分布假设更适用于二值数据。22、2-模核心-边缘分区：在 UCINET 中，网络→二模→绝对核、外围（C）算法利用数量方法（numerical methods）来搜索行动者和事件的分区，使之与理想的像（idealizedimage）尽量接近。
23、在 UCINET 中，沿着 Networks> Subgroups > Factions 程序可分析 1-模数据，可针对指定的分派数量（如 4 派）进行分析。
对于 2-模数据来说，我们则要利用Network >2-Mode > 2-Mode Factions 算法来分析，但是要注意，它只能分出两派。
六个主要的社会网络分析软件的比较UCINET简介 UCINET为菜单驱动的Windows程序，可能是最知名和最经常被使用的处理社会网络数据和其他相似性数据的综合性分析程序。与UCINET捆绑在一起的还有Pajek、Mage和NetDraw 等三个软件。UCINET能够处理的原始数据为矩阵格式，提供了大量数据管理和转化工具。该程序本身不包含网络可视化的图形程序，但可将数据和处理结果输出至NetDraw、Pajek、Mage 和KrackPlot等软件作图。UCINET包含大量包括探测凝聚子群（cliques, clans, plexes）和区域（components, cores）、中心性分析（centrality）、个人网络分析和结构洞分析在内的网络分析程序。UCINET还包含为数众多的基于过程的分析程序，如聚类分析、多维标度、二模标度（奇异值分解、因子分析和对应分析）、角色和地位分析（结构、角色和正则对等性）和拟合中心-边缘模型。此外，UCINET 提供了从简单统计到拟合p1模型在内的多种统计程序。 Pajek简介 Pajek 是一个特别为处理大数据集而设计的网络分析和可视化程序。Pajek可以同时处理多个网络，也可以处理二模网络和时间事件网络（时间事件网络包括了某一网络随时间的流逝而发生的网络的发展或进化）。Pajek提供了纵向网络分析的工具。数据文件中可以包含指示行动者在某一观察时刻的网络位置的时间标志，因而可以生成一系列交叉网络，可以对这些网络进行分析并考察网络的演化。不过这些分析是非统计性的；如果要对网络演化进行统计分析，需要使用StOCNET 软件的SIENA模块。Pajek可以分析多于一百万个节点的超大型网络。Pajek提供了多种数据输入方式，例如，可以从网络文件（扩展名NET）中引入ASCII格式的网络数据。网络文件中包含节点列表和弧/边（arcs/edges）列表，只需指定存在的联系即可，从而高效率地输入大型网络数据。图形功能是Pajek的强项，可以方便地调整图形以及指定图形所代表的含义。由于大型网络难于在一个视图中显示，因此Pajek会区分不同的网络亚结构分别予以可视化。每种数据类型在Pajek中都有自己的描述方法。Pajek提供的基于过程的分析方法包括探测结构平衡和聚集性（clusterability），分层分解和团块模型（结构、正则对等性）等。Pajek只包含少数基本的统计程序。 NetMiner 简介 NetMiner 是一个把社会网络分析和可视化探索技术结合在一起的软件工具。它允许使用者以可视化和交互的方式探查网络数据，以找出网络潜在的模式和结构。NetMiner采用了一种为把分析和可视化结合在一起而优化了的网络数据类型，包括三种类型的变量：邻接矩阵（称作层）、联系变量和行动者属性数据。与Pajek和NetDraw相似，NetMiner也具有高级的图形特性，尤其是几乎所有的结果都是以文本和图形两种方式呈递的。NetMiner提供的网络描述方法和基于过程的分析方法也较为丰富，统计方面则支持一些标准的统计过程：描述性统计、ANOVA、相关和回归。 STRUCTURE 简介 STRUCTURE 是一个命令驱动的DOS程序，需要在输入文件中包含数据管理和网络分析的命令。STRUCTURE支持五种网络分析类型中的网络模型：自主性（结构洞分析）、凝聚性（识别派系）、扩散性、对等性（结构或角色对等性分析和团块模型分析）和权力（网络中心与均质分析）。STRUCTURE提供的大多数分析功能是独具的，在其他分析软件中找不到。MultiNet简介 MultiNet 是一个适于分析大型和稀疏网络数据的程序。由于MultiNet是为大型网络的分析而专门设计的，因而像Pajek那样，数据输入也使用节点和联系列表，而非邻接矩阵。对于分析程序产生的几乎所有输出结果都可以以图形化方式展现。MultiNet可以计算degree, betweenness, closeness and components statistic，以及这些统计量的频数分布。通过MultiNet，可以使用几种本征空间（eigenspace）的方法来分析网络的结构。MultiNet包含四种统计技术：交叉表和卡方检验，ANOVA，相关和p*指数随机图模型。
基于R语言的社交网络分析 胡志健 ( 东华大学信息科学与技术学院, 上海201620） 摘要：随着互联网技术的快速发展，以及智能移动设备的普及，我们生活在了一个数据快速增长的年代。每天都有来自商业、科学、社交、工业生产等各个不同领域数据存储于计算机网络中。存储技术的不断改进，加上批量化设备生产，使得数据的存储成本大大降低，海量数据的挖掘与应用的大数据时代正逐步向我们走来。在互联网上，用户量最大的无疑是社交网络。网民可以在如新浪、腾讯、人人网等国内社交网络上快速发布、分享、评论信息。海量的信息存在于网络中，为数据挖掘提供了前提条件。本文借助R语言与Python脚本从人人网获取好友列表，借助igraph工具包对作者的好友分布做可视化分析，绘制了好友关系拓扑图，找到了中介度最高人。 关键字：数据挖掘，社交网络，R，Python，可视化分析 A social network’s analysis based on R language Abstract：With the rapid development of Internet technology, and the wide spread of smart mobile devices, we are living in an era of large amounts of data increases rapidly. Every day, from business, science, social, industrial production and other data of various fields stored in computer network. With the continuous improvement of storage technology, and the production of batch equipment, the storage cost of data is greatly reduced, and the data mining and application of large data era is gradually coming to us.On the Internet, the biggest user is undoubtedly social networks. Internet users can quickly publish, share and comment on social networks such as Sina, Tencent, and Renren. The vast amount of information exists in the network, which provides the premise for data mining. With the help of R language and python scripts, I get buddy list from Renren. Using igraph kit to do the visual analysis of author's friends distribution, render the friend relationship with topological graph, and find the intermediary of the supreme. Keywords: data mining，social network，R，Python，visual analysis 近年来，随着网络的普及，我国互联网行业有了很大的发展，尤其是移动互联网，出现了爆发式的发展。网络世界里发生着巨大的变化，不管是网民的规模、上网的方式，还是上网目的等方面。尤其是最近四五年，互联网行业似乎总是绕不开社交网络这个概念。无论是国外或是国内，Facebook、Twitter、微博、QQ、人人网等，还是如雨后春笋般冒出来的各大在线购物网站，或多或少地体现着SNS（社交网络服务）的特色。在丰富人们日常生活的同时，也为广大的科研人员提供了海量的数据。以往只能通过有限的调研如问卷或模拟才能进行的社会网络分析（SNA）,现在却具备了大规模开展和实施的条件。本文基于国内典型SNS网站“人人网”的好友数据，借助统计分析语言R语言做了社交网络分析的一些尝试。 一、获取数据 1.Python脚本 数据分析与挖掘的第一步，便是获取数据。得益于人人网的开放平台，借助Python脚本实现自动读取人人网好友信息（ID、姓名）并保存。 人人开放平台使用OAuth 2.0作为验证与授权协议。OAuth是一个开放标准，允许第三方应用在用户授权的情况下访问其在网站上存储的信息资源（如照片、视频、好友列表），而这一过程中网站无需将用户的账号密码告诉给第三方应用。为了获取人人好友列表，需要借助脚本模拟登陆读取网页数据。# Python 读取好友列表代码： def get_list(uid): pagenum = 0 print u"开始解析好友列表" os.remove(str(uid)+".txt") ffi = open(str(uid)+".txt",'a') s = str("id"+""+"name"+'\n')
7、社会网络分析的应用 一、国外的应用 社会网络分析萌芽于20世纪30年代，形成于60年代，从1980年以后，关于社会网络分析的论文显著增长。国外的应用研究主要集中在社会科学、家庭关系、交通运输、健康和医疗以及传染病传播机制等方面。 在情报学领域，国外的研究主要集中在两个方面:合著网络的研究和引文网络的研究。 (一)合著网络研究 1.Liuxiaoming，BollenJohan等人利用ACM和IEEE的数字图书馆会议文献建立了作者合著网络，利用中心性分指标析该合著网络，研究表明了PageRank和AuthorRank在合著网络研究中的重要性和优势。 2.M.E.J.Newman利用社会网络分析法对物理学、生物学和计算机科学三种学科的作者建立起了论文合著网络，分析了不同学科作者合著网络类型的区别和特点。 3.Logan和Pao则致力于研究如何使用社会网络分析法寻找出某一个领域的最核心作者。 (二)引文网络研究 主要应用于信息资源研究中，对文献之间的引用、共引的研究。 1.HENRY KREUZMAN进行了哲学学科62位代表作者的引文网络研究，揭示了哲学科学和认知论之间的联系。 2.HowardD.white专门探讨了社会网络结构和引文网络之间的内在联
系。 3.学者们提出了二值矩阵和赋值矩阵，还构建同被引网络的研究方法，用来分析同被引情况。 二、.国内的应用 国内的社会网络分析己被运用到合著和引文网络研究、竞争情报、知识管理、网络信息资源评价以及图书馆资源配置等众多领域。 （一）合著网络研究 1.李亮，朱庆华等选取《情报学报》1998一2005年之间的合著者为研究对象，对合著网络进行中心性分析、凝聚子群分析和核心--边缘分析的实证研究。 2.刘蓓，袁毅等选取中国期刊网里情报学、情报工作栏目下的所有作者为研究对象，进行社会网络分析，并做了团队合作的时序变化研究。 3.鲍杨，朱庆华等选取了CSSCI数据库里近十年以来的全部情报学领域的论文进行社会网络分析研究，在合著网络分析中，对“小团体”的形成机制进行了研究。 (二)引文网络研究 社会网络引文分析方法与引文分析家所使用的方法是一致的并扩展了它的研究方法，主要分为作者引文研究和期刊引文研究。 1.徐媛媛，朱庆华以参考咨询领域内的32名高被引作者为研究对象，运用社会网络分析法从密度、中心度和凝聚子群方面进行研究。 2.邱均平教授对编辑出版类期刊进行引文网络分析，结果说明期刊同被引方法应用于确定核心期刊是有效的。他在后来对图书馆学情报学
第十三章社会网络分析法 近几十年来社会网络分析法有了迅速的发展，它已被“泛应用到了社会学、政治学、人类学和社会政策研究等多个领域。本章我们将侧重介绍社会网络分析法的基本概念、历史、主要分析技术及其应用。 第一节社会网络分析的概念 一、什么是社会网络分析 网络指的是各种关联，而社会网络(social network)即可简单地称为社会关系所构成的结构。故从这一方面来说，社会网络代表着一种结构关系，它可反映行动者之间的社会关系。构成社会网络的主要要素有： 行动者(actor)：这里的行动者不但指具体的个人，还可指一个群体、公司或其他集体性的社会单位。每个行动者在网络中的位置被称为“结点(node)”。 关系纽带(relational tie)：行动者之间相互的关联即称关系纽带。人们之间的关系形式是多种多样的，如亲属关系、合作关系、交换关系、对抗关系等，这些都构成了不同的关系纽带。 二人组(dyad)：由两个行动者所构成的关系。这是社会网络的最简单或最基本的形式，是我们分析各种关系纽带的基础。 二人组(triad)：由三个行动者所构成的关系。 子群(subgroup)：指行动者之间的任何形式关系的子集。 群体(group)：其关系得到测量的所有行动者的集合。 社会网络分析是对社会网络的关系结构及其属性加以分析的一套规范和方法。它又被称结构分析(structural analysis)，因为它主要分析的是不同社会单位(个体、群体或社会)所构成的社会关系的结构及其属性。 从这个意义上说，社会网络分析不仅是对关系或结构加以分析的一套技术，还是一种理论方法——结构分析思想。因为在社会网络分析学者看来，社会学所研究的对象就是社会结构，而这种结构即表现为行动者之间的关系模式。社会网络分析家B·韦尔曼(Barry Wellman)指出：“网络分析探究的是深层结构——隐藏在复杂的社会系统表面之下的一定的网络模式。”例如，网络分析者特别关注特定网络中的关联模式如何通过提供不同的机会或限制，从而影响到人们的行动。 韦尔曼指出，作为一种研究社会结构的基本方法，社会网络分析具有如下基本原理： 1．关系纽带经常是不对称地相互作用着的，在内容和强度上都有所不同。 2．关系纽带间接或直接地把网络成员连接在一起；故必须在更大的网络结构背景中对其加以分析。 3．社会纽带结构产生了非随机的网络，因而形成了网络群(network clusters)、网络界限和交叉关联。
【关键词】社会网络分析动态性社区发现改进k-均值核心节点相似度增量分析 【英文关键词】Dynamic Social Network Analysis Dynamic Nature Community Detection ModifiedK-means Core Nodes Similarity IncrementalAnalysis 社会网络分析论文：动态社会网络社区发现算法研究 【中文摘要】现实世界中，社会网络以朋友关系网络、科研人员合著关系网络、电力网络等形式广泛存在于多个领域。目前，社会网络分析已经成为数据挖掘中的一个研究热点。作为社会网络分析中的一项重要内容，社区发现吸引了大量来自多个领域的专家学者的密切关注并且已经产生了大量的研究成果。然而，作为社会网络的一个重要属性，动态性在大多数研究中没有被提及。因而，针对动态网络中的社区发现算法研究较少。动态社会网络中的社区发现通常是建立在某种静态算法基础上的。而现有的社区发现算法通常存在着需要额外的先验知识作为输入和社区划分质量不高等问题。针对这些问题，本文提出了一种基于改进的k均值算法思想的高质量社区发现算法——MKBCD。该算法包含了一种新的初始核心节点选择方法，并给出了相关阈值的通用选择方案和一个确定非核心节点社区归属的两阶段
策略。在Zachary karate club等真实和虚拟数据集上的实验证明了新算法的效率以及在挖掘高质量社区上的优势。在此基础上还提出了一种动态网络中骨干节点挖掘算法，能够从动态变化的社会网络中挖掘每个社区的骨干节点集合。增量式算法是一种在动态变化的网络中挖掘社区结构的算法，适用于网络结构变化频繁，但是短时间内不会发生较大变异而且变化不影响整体社区结构的场合。现有增量式算法存在着运行时间较长和算法精度较低等问题，无法实现效率和精度同时达到一个较高的水平。本文在现有工作的基础之上提出了一种基于增量分析的动态社区发现算法CDBIA，分析了增量对网络中相关节点的影响及其传递过程。在动态Zachary网络和虚拟数据集上的实验结果表明，CDBIA算法在保持较低的时间复杂度的同时，在社区结构的稳定性和社区划分质量上的都能得到较好的效果。 【英文摘要】Social networks are widespread in many areas of the real world such as friendshipnetworks, scientists’co-author relationship networks, and information networks and so on.Along with the rapid development of technology, Facebook, Twitter, blog community andother new forms of social networks have appeared in recent years. Nowadays, social networkanalysis has become an important mission and hot issue in data mining.As an important property of social networks, community structure and relative researchhave attracted
社会网络分析方法 SNA分析软件 ●第一类为自由可视化SNA 软件，共有Agna 等9 种软件，位于图1 的右上角，这类软件可以自 由下载使用，成本低，但一般这类软件的一个共同缺点是缺乏相应的如在线帮助等技术支持； ●第二类为商业可视化SNA 软件，如InFlow 等3种，这类软件大都有良好的技术支持；（3）第 三类为可视化SNA 软件，如KliqFinder 等4 种，这类软件一般都是商业软件，但他们都有可以通过下载试用版的软件，来使用其中的绝大部分功能 ●第四类为自由非可视化SNA 软件，如FATCAT 等7 种，这类软件的特点是免费使用，但对SNA 的分析结果以数据表等形式输出，不具有可视化分析结果的功能； ●第五类为商业非可视化SNA 软件，只有GRADAP 一种，该软件以图表分析为主，不具有可 视化的功能。在23 种SNA 软件中，有16 种SNA 软件，即近70%的SNA 软件，具有可视化功能。 SNA分析方法 使用SNA 软件进行社会网络分析时，一般需要按准备数据、数据处理和数据分析三个步骤进行。尽管因不同的SNA 软件的具体操作不同，但这三个步骤基本是一致的。 1.准备数据，建立关系矩阵 准备数据是指将使用问卷或其他调查方法，或直接从网络教学支撑平台自带的后台数据库中所获得的用于研究的关系数据，经过整理后按照规定格式形成关系矩阵，以备数据处理时使用。这个步骤也是SNA 分析的重要的基础性工作。SNA 中共有三种关系矩阵：邻接矩（AdjacencyMatrix）、发生阵（Incidence Matrix）和隶属关系矩阵（Affiliation Matrix）。邻接矩阵为正方阵，其行和列都代表完全相同的行动者，如果邻接矩阵的值为二值矩阵，则其中的“0”表示两个行动者之间没有关系，而“1”则表示两个行动者之间存在关系。然而我们
2019年第6期 184研究与探讨 信息技术与信息化 基于Pajeck 工具的学习分析领域的社会网络分析 吴馨楠* WU Xin-nan 摘 要 以学习分析为核心的“大数据驱动式教学”模式已成为当下智慧教育时代的重要教学手段。本文通过对 中国知网平台数据进行检索，对所选文献进行时间限定，分析学习分析领域的研究方向和相关文献的出版年份，然后使用Pajeck 软件，对学习分析领域的研究者、中心度、关键词进行分析，通过此方式获得对学习分析研究领域快速直观的认识。 关键词 学习分析；社会网络分析；Pajeck Abstract Nowadays, the ‘big data-driven teaching’ model with learning analysis as the core has become an important teaching method in the current era of wisdom education. This paper retrieves the data of CNKI platform, then use the Pajeck software to analyze the researchers, centers, and keywords in the field of learning analysis, In this way, we get a quick and intuitive understanding of the study field of learning analysis. Key words study analysis;social network analysis;Pajeck doi：10.3969/j.issn.1672-9528.2019.06.060 * 宁夏大学教育学院 宁夏银川 750000 1 引言 在2011年举办的首届“学习分析和知识”国际会议上，与会代表一致认为：学习分析技术是通过收集和分析学习者在学习环境中的相关数据，并可以被用来理解和优化学习及其环境的一种技术。学习分析是指教育工作者利用学习分析技术，对学习者的学习活动所产生的相关数据收集后进行分析，以评估学习结果，识别潜在的问题, 预测未来的表现。本文以Pajeck 软件为工具，基于中国知网数据库所收录的文献数据，筛选出学习分析领域的文献，形成社会网络关系图, 通过分析这些关系图我们可以看出与学习分析领域相关的研究热点及未来的研究趋势。 2 数据来源与研究方法 2.1数据来源 基于Pajeck 工具所使用的数据全部来源于中国知网，检索策略为“TI=“学习分析”，时间跨度选择“所有年份”进行检索，这些文献的出版时间为2014—2019（搜索时间为2019-5-11），在分类里面选择SCI 来源、CSSCI 来源、核心期刊进行搜索，共搜到461篇，选择文献，然后输出为Endnotes 格式。将文件导入SATI 生成矩阵，并用Ucinet 转 换格式，最后导入Pajeck 绘制可视化图谱。2.2研究方法 本文所采用的分析方法有研究者分析法、核心度分析法和关键词分析法这三种方法。通过对文献的作者、文献主题进行分析，可以找到学习分析领域的热门研究方向。2.3研究工具 Pajek 是运行在Windows 环境下的大型复杂的网络分析工具，是用于研究某一领域中目前所存在的各种复杂非线性网络的工具。Pajek 的主要优点是能对具有上千乃至数百万个结点大型网络进行分析并提供可视化的操作。3 数据分析 3.1作者分析 对作者进行共现知识图谱，可以了解作者之间的合作关系，如果图谱中有两位作者节点被连接起来，则代表他们之间有过合作。学者之间紧密的合作与交流，营造了一种良好的学术氛围，这种联通的网络结构较对学科间的交流和研究有很大的益处，对学习分析领域有着积极的推进作用。图1 为本文所绘作者合作这张网络图。 从图1可以看出，蓝色方块面积越大，说明该作者中心度越高，箭头越多，说明学者之间的联系越精密。例如，学
社会网络分析方法： 是由社会学家根据数学方法﹑图论等发展起来的定量分析方法。社会网络(social network)即可简单地称为社会关系所构成的结构。故从这一方面来说，社会网络代表着一种结构关系，它可反映行动者之间的社会关系。构成社会网络的主要要素有：行动者、结点、关系纽带、二人组、三人组、子群、群体。社会网络分析是对社会网络的关系结构及其属性加以分析的一套规范和方法。它又被称结构分析法(structural analysis)，因为它主要分析的是不同社会单位(个体、群体或社会)所构成的社会关系的结构及其属性。 从这个意义上说，社会网络分析不仅是对关系或结构加以分析的一套技术，还是一种理论方法——结构分析思想。因为在社会网络分析学者看来，社会学所研究的对象就是社会结构，而这种结构即表现为行动者之间的关系模式。”这种结构分析的方法论意义是：社会科学研究的对象应是社会结构，而不是个体。通过研究网络关系，有助于把个体间关系、“微观”网络与大规模的社会系统的“宏观”结构结合起来。按照社会网络分析的思想，行动者的任何行动都不是孤立的，而是相互关联的。他们之间所形成的关系纽带是信息和资源传递的渠道，网络关系结构也决定着他们的行动机会及其结果。 分析角度：包括中心性分析、凝聚子群分析、核心一边缘结构分析以及结构对等性分析等。 2．1中心性分析：中心度和中心势都可以分为3种：点度中心度／点度中心势，中间中心度／中间中心势，接近中心度／接近中心势。 2．1．1点度中心性在一个社会网络中，如果一个行动者与其他行动者之间存在直接联系，那么该行动者就居于中心地位，在该网络中拥有较大的“权力”。在这种思路的指导下，网络中一个点的点度中心度，就可以网络中与该点之间有联系的点的数目来衡量，这就是点度中心度。网络中心势指的是网络中点的集中趋势，它是根据以下思想进行计算的：首先找到图中的最大中心度数值；然后计算该值与任何其他点的中心度的差，从而得出多个“差值”；再计算这些“差值”的总和；最后用这个总和除以各个“差值”总和的最大可能值。2．1．2中间中心性在网络中，如果一个行动者处于许多其他两点之间的路径上，可以认为该行动者居于重要地位，因为他具有控制其他两个行动者之间的交往能力。根据这种思想来刻画行动者个体中心度的指标是中间中心度，它测量的是行动者对资源控制的程度。一个行动者在网络中占据这样的位置越多，就越代表它具有很高的中间中心性，就有越多的行动者需要通过它才能发生联系。中间中心势也是分析网络整体结构的一个指数，其含义是网络中中间中心性最高的节点的中间中心性与其他节点的中间中心性的差距。该节点与别的节点的差距越大，则网络的中间中心势越高，表示该网络中的节点可能分为多个小团体而且过于依赖某一个节点传递关系，该节点在网络中处于极其重要的地位。2．1．3接近中心性点度中心度刻画的是局部的中心指数，衡量的是网络中行动者与他人联系的多少，没有考虑到行动者能否控制他人。而中间中心度测量的是一个行动者“控制”他人行动的能力。有时还要研究网络中的行动者不受他人“控制”的能力，这种能力就用接近中心性来描述。在计算接近中心度的时候，我们关注的是捷径，而不是直接关系。如果一个点通过比较短的路径与许多其他点相连，我们就说该点具有较高的接近中心性。对一个社会网络来说，接近中心势越高，表明网络中节点的差异性越大，反之，则表明网络中节点间的差异越小。 2．2凝聚子群分析
第44卷第5期 山 西建筑V〇1.44N〇.5 2 0 1 8 年 2 月SHANXI ARCHITECTURE Feb.2018 ?121 ? ?道路?铁路? 文章编号：1009-6825 (2018) 05-0121 -03 基于社会网络的道路网络分析+ 陈少鹏高贺 (东北林业大学土木工程学院，黑龙江哈尔滨150040) 摘要:将道路网络抽象为无向无权网络，利用社会网络分析方法，分析了度中心性、接近中心性、中间中心性在道路网络的具体 含义，同时分析了社会网络凝聚子群聚类的具体步骤。以拉萨市主干路网为例，利用社会网络分析工具UCINET对网络中心性以 及节点派系进行分析。凝聚子群得到的两个重要节点派系是路网的枢纽，承担着对内对外交通功能，符合实际各区域之间的功能 连接。 关键词:社会网络，道路网络，中心性，凝聚子群 中图分类号:U491 〇引言 社会网络是指社会行动者及其间的关系的集合。也可描述 为是由多个点（行动者）和各点之间的连线（行动者之间的关系）组成的集合[1]。社会网络中节点与节点之间构成的网络关系与 道路网络的结构形式有共通之处，将社会网络中人与人之间的联 系和影响抽象为道路网络中各节点之间的相互连接和影响，以社 会网络分析方法对道路网络进行分析，识别出路网的重要节点，可为道路网现状以及服务水平评价提供依据。 目前路网研究主要采用复杂网络分析方法，基于该方法可以 分析网络基础参数和拓扑结构特征[2]，而社会网络方法主要分析 网络中心性和网络子群。通过对中心性的分析可以了解节点在 网络中起到作用，例如节点的连通性、重要性及过渡性;而子群分 析可以划分若干个派系，通过派系内部及派系之间的稀疏关系了 解网络的组织形式。 1道路网络构建 本研究的主要目的是探索性地提出用新奇的社会网络分析 方法来分析道路网络的可行性，所以将道路网络抽象为无向图C (F，E)(忽略了道路一些属性，如流量、拥挤程度、事故等），其中F 为节点的集合，E为边的集合。用4表示道路网络G的邻接 矩阵： {Cb~~ Cb l]】l(1) 〇 2社会网络分析方法 关系是社会网络分析理论的基础，中心性与凝聚子群是社会 网络分析常用指标，利用这些指标可以剖析道路节点之间的关系 特征[1]〇 2.1 中心性 中心性是社会网络分析核心，其能够反映出个人或者组织(节点）在网络中的地位以及信息在整个网络中如何传播。社会 网络中心性有三种分析方法： 1)度中心性。是指一个节点在网络中处于核心地位的程度，即有多少个节点与该节点直接相连。在道路网络应用中，度越大 意味着更多的路径连接到交叉口，也可能意味着度高的节点要比 度低的节点更拥堵[M]: CD(ni)=⑵ j=i 文献标识码:A 2)紧密中心性。在社会网络中，紧密度表示一个节点与其他 节点的接近程度： C c(ni)= 7= 1 (3) 无向图标准化紧密性公式： J L n C c(ni)=j=i r,_ 1(4) 3)中间中心性。表示一个节点对其他没有直接联系节点的 控制性。衡量网络中节点作为“桥梁”的能力： Csin,) = ^----------(5) Sjk 无向图标准化中间性公式： C?g“-2)⑷其中，办为节点?之间的直接路径数;取（^)为节点％到节点&的途径上有节点&的路径数。 2.2凝聚子群 社会网络分析的另一项重要内容是研究网络中存在的凝聚 子群，形象地说就是寻找网络中的小团体，或称之为派系。分析 路网的派系可以找到相互联系紧密的节点群，为区域交通问题的 改善提供依据。凝聚子群分析步骤如下： 第一步:对于多值的矩阵，分析凝聚子群时要把多值转化为 〇，1 二值。 第二步:进行派系分析，找出所有派系，通过调整派系规模，得到理性派系结构。 第三步:分析派系重叠模式，有大量派系它们之间存在重叠，此种情况下利用“共享成员”矩阵来降低派系的数量。 3实例分析 3.1 路网选择 以西藏拉萨市主干路网为例进行分析。拉萨市城区主干路 网有51个节点，102个路段。 3.2中心性结果分析 使用UCINET软件对社会网络进行分析[5]。度中心性、接近 中心性和中间中心性结果如表1所示。 收稿日期=2017-12-05 ★:黑龙江省自然科学基金青年项目（QC2107039);教育部人文社会科学研究青年基金项目（17YJCZH152) 作者简介:陈少鹏（1993-)，男，在读硕士
Sweeping over the Management 管理纵横 | MODERN BUSINESS 现代商业 171 社会网络分析在组织管理中的应用研究 孟凡磊 北京金隅大成开发有限公司 100000 摘要:随着市场经济的发展，企业在市场中所面临的竞争压力越来越大，为了能够在激烈的竞争中实现自身的可持续发展，企业必须要开展有效的组织管理，进而有效的实现长久发展的目标。在组织管理中，社会网络分析的应用包好多个层次，包括组织内部、组织网络、组织外在交互网络、组织管理措施等，通过社会网络分析能够有效提高组织的管理效果。本文首先对社会网络分析的相关概念进行了分析，介绍了组织管理中社会网络分析应用的层次，并对应用进行了研究，在此基础上，分析了社会网络分析在组织管理中未来的应用方向。关键词:社会网络分析；组织管理；应用；层次资金资本、人力资本以及社会资本是企业在经营的过程中所必须要具备的资本，在传统的组织管理中，资金成本和人力资本更加受到企业的重视，但是经过相关的研究可知，社会资本对于企业的发展来说一样的重要，基于此，企业在进行组织管理时，加入了社会资本。在对组织管理研究的过程中，社会网络分析具有很强的适应性，逐渐的应用到组织管理中。 一、社会网络分析概述 (一)概念 社会网络分析是在社会学领域中发展起来的，属于网络分析工具，现在应用的比较广泛，比如心理学、政治学等，近年来，在管理学领域中逐渐的引入社会网络分析，主要用于知识管理、组织管理、战略管理等。所谓社会网络，是指多个节点和节点之间的边构成的整体，这些节点可能是个人，也可能是组织，而且节点之间的连接可能已经建立起来，也有可能是具备建立连接的条件，当两个节点之间建立起连接时，就说明节点之间形成了一定的关系，这个关系的种类比较多，既可能是行为互动关系，也有可能是权威关系、评价关系等。在社会系统中，包含多个主体，这些主体就是社会网络中的节点，而对主体特征的调查和测度就是社会网络分析的本质，同时，主体之间的相互关系的探索也包含在其本质当中，调查和测度完成之后，通过图的形式表达出结果，对结果图进行相应的分析。由此看来，社会网络分析就是一个完整的理论、方法以及工具。 (二)方法和工具 社会主体与主体之间会存在一定的互动关系，这种关系会对主体的行为、绩效等产生一定的影响，而这正是社会网络分析关注的重点。对于个体的行为、关系等，社会网络分析在理解时，会从群体的角度出发，由此，社会网络分析法在进行分析时，主要从两个层面来进行，一个是整体网，一个是个体网。在整体网中，群体是关注的重点，群体中包含多个成员，这些成员之间所形成的网络就是研究的对象；在个体网中，特定主体的关注的重点，特定主体并不是独立的存在于社会中，而是会与其他主体形成一定的联系，构成网络，此网络就是研究对象。对于主体之间的信任、情感支持、人际影响等方面，社会网络分析认为社会关系、社会网结构、个人位置等会对其产生一定的影响，而且主体的经济活动也会受到影响。在进行社会网络分析时，需要借助一定的工具，因此，计算机技术以及相应的软件成为重要的辅助工具，当前，使用比较广泛，而且功能比较强大的社会网络分析软件为UCNET，通过数据的录入和导入之后，就可以完成制图和分析工作。具体说来，社会网络分析主要是进行三个方面的分析：第一，中心性分析，这是一个比较重要的分析指标，通过中心性分析，将社会网络中主体地位高低、主体权力大小、主体影 响力范围反映出来；第二，凝聚性分析，社会网络中包含的主体众多，会有一部分主体通过密切的关系形成小的团体，这个小团体的凝聚性比较强，而这就是凝聚性分析的对象；第三，结构洞和中间人分析，两个小团体之间是相互分离的，而两个主体分属于两个小团体中，通过第三个主体，将两个小团体之间联系到一起，这种结构是指结构洞，而第三个主体就是中间人。 二、组织管理中社会网络分析的应用层次 组织管理在应用社会网络分析时，包含四个应用层次： 第一，了解状况。在应用社会网络分析之前，应该对当前组织的状况进行充分的了解，并对组织成员之间的关系网络、协作网络等进行调查，判定其所具备的效率是高还是低。状况的了解可以通过问卷调查来实现，对于调查问卷中的问题要进行合理的设计，并根据调查结果将各种社会网络图绘制出来，这样一来，组织网络就具备较强的直观性，随后进行相应的计算和分析。 第二，确定合理的网络拓扑。当应用情景领域属于特定时，要合理的选择网络拓扑，从而保证网络与应用之间的关系为最佳配合。当关键参数不同时，所形成的网络类型也不相同，一般来说，常见的网络类型有小直径、高稀疏的小世界网络，尺度无关网络等。对于组织管理来说，要根据管理实际的情况来选择应用的网络结构，从而有效地对组织管理中的网络进行分析[8]。 第三，不同类型网络结构的形成方式。当组织管理战略目标与网络结构之间相互匹配关系确定之后，要对网络结构的形成方式进行充分的研究。从概念上来看，组织结构与组织中存在的网络结构是完全不同的，所谓组织结构，是指设计组织功能结构，在进行设计时，通常会采用自上而下的办法，将组织战略制定完成，而对于组织中存在的网络结构来说，与设计毫无关联，有关系的是组织成员以及其所形成的人际关系。在进行网络结构形成研究时，需要以第一应用层次中调查出来的社会网络关系为基础，对形成方式进行分析，分析时，还需要用到辅助手段，比如网络动力学理论、建模软件、模拟软件等，这样才能保证分析的有效性，最后将网络结构的形成机制研究出来。 第四，明确形成机制对组织管理的启示。通过社会网络分析，将组织管理中的网络形成机制有效的研究出来，针对形成机制，进行组织管理的调整和改进，通过激励制度、行为规范制度的建立，有意识的引导组织中的社会网络科学的形成和发展，对于组织中原有的比较良好的网络，要引导其发展向着自觉的方向演进，同时，还需要尽量的将不好网络形成的可能性降低。 对于这四个应用层次来说，前三个应用层次可以简单地概括为观察、分析以及探究，而最后一个应用层次以前三个为基础，对组织网络的结构类型、形成机制等进行研究，从而有效地引导组织网络向着期望的方向发展。 DOI:10.14097/https://www.doczj.com/doc/a210681244.html,ki.5392/2015.23.091