社会网络科学的兴起：跨学科融合的历史与范式

社会网络研究的核心问题可以追溯到一个看似简单却蕴含深刻洞察的观察：人与人之间的相互联系如何塑造了社会结构，进而影响个体的行为、信息的传播、资源的分配乃至整个社会的运行方式。这一问题看似抽象，却在现实世界中无处不在——从疫情的爆发与防控，到谣言的传播与辟谣，从职场中的职业发展，到政治运动中的组织动员——几乎所有重要的社会现象都与人们之间的社会网络结构密切相关。然而，在相当长的历史时期内，这种直观的认识始终停留在哲学思辨或日常经验的层面，未能形成系统的科学理论。直到20世纪中叶，随着社会学、人类学、数学等多学科的交汇融合，社会网络研究才逐渐发展成为一个具有独特概念体系和方法论传统的独立研究领域，并在21世纪初的复杂网络革命和大数据时代迎来了前所未有的发展机遇。本章将追溯社会网络科学兴起的学术史脉络，梳理其从边缘学科成长为跨学科研究范式的历史进程，分析复杂网络理论革命的方法论意涵，探讨大数据时代为这一领域带来的深刻变革，并在此基础上勾勒本书的理论框架与知识结构，为后续各章的深入分析奠定概念基础。

社会网络研究的学术渊源可以从三条相互交织的脉络来追溯。第一条脉络是社会学的“社会关系”研究传统，其核心关切是社会结构如何通过人际互动而形成并发挥作用；第二条脉络是人类学的“社会结构”分析传统，其关注点是社会整体的制度安排如何制约和影响个体之间的关系模式；第三条脉络是数学的“图论”研究传统，其贡献在于为描述和分析网络结构提供了抽象的形式化工具。这三条脉络在20世纪中叶开始交汇融合，最终催生了社会网络分析这一新兴学科。

从社会学脉络来看，社会网络研究的兴起与芝加哥学派的早期探索密不可分。20世纪20至30年代，乔治·赫伯特·米德和查尔斯·库利等人从符号互动论的视角出发，强调社会交往在个体自我形成过程中的核心作用，提出了“镜中自我”等经典概念。库利明确指出，社会是“人际交往的网络”，个体通过与其他人的互动来认识自己、定义自己。这一思想虽然尚未形成系统的网络分析框架，但已经蕴含了将社会关系作为基本分析单元的方法论倾向。稍后的罗伯特·帕克则将研究视野从微观的符号互动扩展到宏观的城市社区结构，关注人口流动、社会分层、种族关系等议题，为后来的社会网络社区研究奠定了基础。

然而，真正使社会网络分析成为一门可操作的研究领域的关键人物，当属雅各布·莫雷诺。1934年，莫雷诺发表了《谁将生存？》一书，提出了 sociogram（社会图谱）的概念和方法。他设计了一种简单而直观的矩阵表示方法，将社会群体中的成员用圆点表示，将成员之间的亲疏关系用线条连接，从而将抽象的社会关系转化为可视化的图形结构。这一方法的革命性意义在于，它首次将数学工具系统地引入社会关系的研究，使得研究者可以摆脱纯粹的理论思辨，对真实社会网络的结构特征进行经验测量和分析。莫雷诺的创始性贡献不仅在于发明了 sociogram 这一分析工具，更在于他明确提出了社会网络分析的基本理念：社会结构可以被理解为由节点和连线构成的网络，通过分析网络的拓扑特征，可以揭示社会关系的模式及其功能后果。

沿着这一方向，20世纪50至60年代，社会网络分析进入了理论建构和方法论发展的关键时期。这一时期的核心人物是埃尔顿·梅奥和弗里茨·罗特利斯伯格等哈佛大学的研究者。他们在西方电气公司霍桑工厂进行的著名的霍桑实验，本来旨在研究照明、休息时间等物理工作条件对工人生产效率的影响，却发现了一个出乎意料的现象：无论工作条件如何改善，生产效率都在持续提高。经过深入调查，研究者意识到，真正影响工人行为的不是物理工作条件，而是工人之间自发形成的非正式社会关系网络。他们据此提出了“人际关系理论”，强调社会因素在组织行为中的核心作用，这一理论后来成为组织社会学和工业心理学的经典范式。

与此同时，怀特及其在哈佛大学的同事们发展出了更为系统的社会网络概念框架和测量方法。哈里森·怀特是这一时期最具影响力的理论家之一，他在20世纪60年代提出了“机会链”理论，用来解释职业流动的机制。怀特认为，职业流动不是个体能力和机会的简单匹配，而是通过一系列社会网络连接来实现的。一个人能否获得某个职位，不仅取决于其自身的资历和能力，更取决于其社会网络关系——是否认识能够提供职位信息的人，是否有中间人帮助引荐，等等。这一理论为后来的社会资本研究和社会网络择业研究奠定了基础。

怀特的另一位重要贡献是对“结构等价”（structural equivalence）概念的阐发。传统社会网络分析关注的是网络成员之间的直接联系，即谁与谁相连。但怀特提出，还可以从另一个角度来分析网络结构：如果两个网络成员在网络中的位置相似，他们连接的是相似的其他成员，那么这两个成员就是“结构等价”的，即使他们之间没有任何直接联系。结构等价概念的出现，标志着社会网络分析从关注关系本身转向关注网络位置，开辟了关系社会学和位置分析的新方向。

如果说社会学脉络关注的是人际关系的形成与功能，那么人类学脉络的贡献则在于揭示了社会结构对关系的制约和塑造作用。人类学家很早就注意到，不同社会中的亲属关系、交换关系、权力关系呈现出显著的结构差异，这些差异不能简单归结为个体选择的产物，而必须从社会制度的层面来理解。

英国人类学家阿尔弗雷德·拉德克利夫-布朗是结构功能主义的奠基人之一。他明确提出，社会结构不是个体行为的简单加总，而是指“社会实体的各个组成部分之间存在的各种关系”，这种关系具有相对的持久性和规律性。拉德克利夫-布朗强调，社会科学研究的核心任务是揭示这些结构性的关系模式，解释它们如何维系社会整合、如何分配权力和资源。他提出的“社会结构”概念为后来的网络分析提供了重要的理论框架：网络不是随机形成的，而是受到社会结构——包括制度规范、文化价值、权力等级——的系统性制约。

这一思想在人类学家维克多·特纳的仪式过程研究中得到了进一步发展。特纳通过对非洲恩丹布人仪式活动的田野调查，提出了一套关于社会结构动态性的理论。他认为，社会结构虽然具有稳定性和等级性，但在某些特殊情境——尤其是仪式活动中——会发生“社会戏剧”般的展开和重构。在仪式过程中，日常社会结构中的等级关系被暂时悬置，参与者进入一种“communitas”（社群感）的状态，体验到一种超越社会分化的平等与团结。特纳的研究揭示了社会网络结构的动态性和情境依赖性，为后来的网络动力学和过程分析提供了重要启示。

在人类学脉络中，还有一位对网络分析产生深远影响的人物是法国社会学家皮埃尔·布迪厄。虽然布迪厄主要是一位社会理论家，但他的实践理论为理解社会网络的形成和作用提供了核心概念框架。布迪厄提出，个体的社会行动不是简单的理性计算，也不是纯粹的文化规范的内化，而是在特定社会场域中，由行动者的“惯习”——一套内化了的性情倾向——和“资本”——包括经济资本、文化资本、社会资本、符号资本在内的各种资源——共同决定的。

布迪厄的社会资本概念对社会网络研究产生了深刻影响。他将社会资本定义为“通过占有一个持久的、或多或少制度化的相互认识和承认的关系网络而获得的实际或潜在资源的总和”。这一定义的核心洞察在于，社会网络不仅仅是一种关系现象，更是一种资源现象：网络关系之所以有价值，是因为它可以作为获取其他资源的渠道。一个人拥有什么样的社会网络，取决于他拥有什么样的资本；反过来，社会网络的质量和广度又决定了其获取和积累更多资本的能力。这一循环机制揭示了社会网络与不平等再生产之间的内在联系，成为后来社会资本研究的重要理论基础。

从数学脉络来看，社会网络分析的兴起离不开图论和网络科学方法的支持。图论作为数学的一个分支，其历史可以追溯到1736年欧拉对柯尼斯堡七桥问题的研究。在这个问题中，欧拉证明了在一个包含四块陆地和七座桥梁的城市中，不存在一条能够不重复地走遍所有桥梁的路径。这一证明标志着拓扑学的诞生，也为后来的网络科学研究奠定了数学基础。欧拉的关键贡献在于，他发现了一个网络能否找到一条包含所有边且不重复的路径（即“欧拉路径”），取决于网络中奇度数节点的个数：只有当奇度数节点的数量为0或2时，欧拉路径才存在。这一简洁的数学判据，揭示了网络结构的某些全局特征可以通过局部的度数信息来刻画。

然而，图论真正与社会网络研究产生实质性联系，还是在20世纪中叶。1959年，匈牙利数学家阿尔弗雷德·雷尼和保罗·埃尔德什发表了关于随机图的开创性论文，提出了著名的埃尔德什-雷尼随机图模型。在这一模型中，$G(n, p)$ 表示包含 $n$ 个节点的网络，其中每一对节点之间以概率 $p$ 独立地随机决定是否连接。埃尔德什和雷尼证明，当 $n$ 趋向无穷大时，随机图的许多全局性质会出现相变现象：例如，当连接概率 $p$ 超过某个临界值时，网络会突然变得连通。这一发现为研究网络结构属性与全局功能之间的关系提供了重要的数学工具。

更重要的是，埃尔德什-雷尼模型为社会网络分析提供了一个重要的理论参照系——即什么样的网络结构是“随机的”。在此之前，研究者通常只能对单个网络进行描述性分析，难以判断观察到的网络特征是普遍规律还是偶然现象。随机图模型的出现，使得研究者可以设定一个基准假设（网络是随机生成的），然后通过比较实际网络与随机网络的差异，来识别那些具有统计意义的非随机结构特征。这一方法论策略成为后来社会网络统计推断的基础。

在社会网络分析的方法论发展过程中，还有一些重要贡献值得特别关注。首先是社会计量学（sociometry）这一学科的建立。社会计量学由莫雷诺首创，旨在系统地测量和分析社会群体中的人际吸引与排斥关系。1932年，莫雷诺发明了 sociogram，将群体成员之间的好感/厌恶关系用图形方式呈现，使得研究者可以直观地识别群体中的“明星”（被很多人选择的人）、“孤独者”（没有被人选择的人）、“孤立小圈子”等结构特征。这一方法很快被推广到组织管理、教育研究、监狱研究等领域，成为社会网络分析的基本工具。

其次是社会网络分析中一些关键概念和指标的发展。20世纪60至70年代，一批研究者——包括林顿·弗里曼、亚历山大·迪尔、约翰·博恩——系统地发展了一套描述网络结构特征的数学指标。度中心性（degree centrality）衡量一个节点与其他节点直接连接的数量，反映了该节点的网络活跃程度；中介中心性（betweenness centrality）衡量一个节点位于其他节点之间最短路径上的程度，反映了该节点作为“桥梁”的重要性；接近中心性（closeness centrality）衡量一个节点到其他所有节点的最短路径长度之和的倒数，反映了该节点的网络可达性。这些中心性指标至今仍是社会网络分析中最常用的描述性统计量。

另一项重要发展是“社会网络分析”的软件工具和程序包的开发。1978年，第一个专门用于社会网络分析的软件程序 SNAP 由加州大学欧文分校的研究者开发。此后，UCINET、Pajek、Gephi 等软件工具相继问世，极大地降低了社会网络分析的门槛，使得研究者可以处理更大规模的网络数据，进行更复杂的网络分析。这些软件工具的发展与社会网络研究领域的制度化进程相互促进——1978年，国际社会网络分析网络（International Network for Social Network Analysis, INSNA）成立，创办了《社会网络》期刊，标志着社会网络分析作为一个独立学术领域的正式确立。

社会网络研究的三条学科脉络——社会学、人类学、数学——在20世纪中叶的交汇融合，标志着这一领域从分散的学科兴趣转变为具有共同概念框架和方法论传统的跨学科范式。然而，这一融合过程并非一帆风顺。各学科的学者在研究问题、分析单元、方法论取向上存在显著差异，常常难以真正对话。直到20世纪90年代，随着复杂网络理论的兴起和互联网技术的发展，社会网络研究才迎来了新一轮的理论突破和方法论变革。

1998年，邓肯·瓦茨和史蒂文·斯特罗加茨在《自然》杂志上发表了《小世界网络的动力学》一文，提出了著名的“小世界网络”模型，成为复杂网络革命的起点。瓦茨和斯特罗加茨注意到，现实世界中的网络——如神经网络、社会关系网络、电网、电影演员合作网络——具有两个看似矛盾但实际上并存的结构特征：一方面，这些网络表现出高度“聚类”的特性，即网络中相邻的两个节点往往也相互连接；另一方面，这些网络又具有很小的“平均路径长度”，即任意两个节点之间的平均距离很短。这两个特征同时存在，使得这些网络既不是完全规则的晶格结构，也不是完全随机的图结构，而是一种介于两者之间的“Small World”（小世界）网络。

瓦茨和斯特罗加茨通过一个巧妙的数学模型来解释小世界网络的生成机制。他们从一个规则网络（每个节点只与其近邻连接）出发，以概率 $p$ 随机地“重新连接”某些边。他们发现，当 $p$ 很小但不为零时，生成的网络既保持了较高的聚类系数（因为大部分边仍然是本地连接），又具有很短的路径长度（因为少量随机长程连接起到了“捷径”作用）。这一模型不仅在数学上优美简洁，而且具有很强的现实解释力：它揭示了为什么社会网络中的信息可以传播得很快——尽管大多数人只与少数近邻交往，但少数长程连接（朋友在远方、熟人在不同圈子）使得信息可以跨越社会距离快速扩散。

小世界网络模型的提出，引发了网络科学领域的一场革命。几乎在同一时期，阿尔伯特-拉斯洛·巴拉巴西和雷卡·阿尔伯特提出了“无标度网络”模型，进一步深化了对网络结构规律的认识。巴拉巴西等人在研究万维网的拓扑结构时发现，节点的度分布呈现典型的“幂律”特征——即少数节点拥有极高的连接度（称为“ hubs ”或“集散节点”），而大多数节点的连接度很低。这种度分布可以用 $P(k) \propto k^{-\gamma}$ 来描述，其中 $P(k)$ 是度为 $k$ 的节点出现的概率，$\gamma$ 是幂律指数。幂律分布与正态分布或指数分布的一个重要区别在于，它没有特征尺度——无论从哪个尺度观察，分布的形态都相似，因此称为“无标度”。

巴拉巴西进一步提出了“偏好连接”（preferential attachment）机制来解释无标度网络的生成过程。他认为，新节点加入网络时，倾向于连接到那些已经拥有较多连接的节点——新网站更容易链接到已有的知名网站，新员工更容易认识组织中的资深成员。这一“富者愈富”的机制，使得网络度分布逐渐演化为幂律形式。偏好连接机制揭示了网络增长的内在动力学，为理解社会网络中的不平等（为什么有些人比其他人更“连接”）提供了新的理论视角。

小世界网络和无标度网络的研究合称为“复杂网络理论”，迅速成为物理学、计算机科学、生物学、社会学等多个学科的热门研究方向。这一理论革命的深远意义在于，它打破了不同学科之间关于网络结构的知识壁垒，建立了一套可以跨学科应用的概念框架和方法论工具。神经科学家可以用它来分析大脑的连接模式，流行病学家可以用它来模拟传染病的传播路径，社会学家可以用它来研究社会资本的分布特征。在社会网络研究领域，复杂网络理论为理解社会网络结构特征的形成机制提供了有力的数学工具，极大地拓展了研究的理论深度和经验范围。

然而，复杂网络理论的兴起也带来了一些方法论上的反思和争论。传统的社会网络研究者——他们往往来自社会学、人类学、政治学等学科——对这一源自物理学的理论框架持保留态度。他们担心，过于追求普适性的数学模型可能会忽略社会网络的特殊性和情境依赖性。他们指出，社会网络与生物网络、技术网络存在本质差异：社会网络是由有意图的行动者通过意义建构过程创建和维护的，不能简单等同于分子之间的物理连接。这种“过度数学化”的倾向，可能会导致社会网络研究丧失其学科特色和人文关怀。

这一争论在方法论层面表现为“结构主义”与“关系主义”的张力。结构主义取向强调网络结构的客观性和规律性，倾向于使用数学模型和统计方法来描述和解释网络特征；关系主义取向则强调社会关系的建构性和意义性，倾向于使用质性方法和解释性框架来分析网络过程。两种取向各有优势和局限，如何在追求理论普遍性与尊重经验特殊性之间取得平衡，至今仍是社会网络研究方法论讨论的重要议题。

进入21世纪，大数据时代的到来为社会网络研究带来了前所未有的机遇，也提出了新的挑战。传统社会网络研究主要依赖问卷调查、访谈、档案分析等方法来收集网络数据，这些方法在样本规模、网络范围、数据时效性等方面都受到严重制约。例如，早期的霍桑实验只能考察数十人的工作群体；莫雷诺的社会图谱分析通常只涉及几百人的小规模社区。即使在20世纪末计算机技术普及之后，大规模网络数据的收集和分析仍然是一项艰巨的任务。

数字技术彻底改变了这一状况。互联网和移动通信技术的普及，使得人类的社会交往留下了大量的“数字足迹”——电子邮件记录、社交媒体互动、移动电话通话记录、在线游戏合作记录、金融交易网络等等。这些数据以极低的边际成本被系统性地记录和存储，其规模之大、更新之快、细节之丰富，都是传统社会调查数据无法比拟的。

Facebook 的用户数据为研究者提供了前所未有的社会网络研究素材。截至2023年，Facebook 的月活跃用户数已超过30亿，覆盖了全球相当比例的人口。基于 Facebook 数据，研究者可以分析有史以来最大规模的社会网络结构特征，检验以往在小规模样本中发现的网络规律是否在亿级规模的网络中依然成立。研究发现，尽管 Facebook 网络的规模是传统研究样本的数百万倍，但其结构特征——如聚类系数、度分布、中心性分布——与小型社会网络表现出惊人的相似性。这一发现为社会网络理论提供了强有力的经验支持，表明某些网络结构规律具有跨尺度的普遍性。

社交媒体数据还使研究者能够追踪社会网络的时间动态演变过程。以往的网络研究通常是“快照式”的——在某个时点测量网络结构，然后分析其与其他变量的关系。但社交媒体的日志数据提供了“视频式”的记录——可以精确追踪网络是如何随时间增长、收缩、重构的。研究者发现，社交网络中的关系建立和断裂遵循某些可预测的模式：例如，新加入网络的用户倾向于首先连接那些已经拥有较多连接的用户（偏好连接），但同时又倾向于选择与自己特征相似的用户（同质性效应）。这些动态模式的发现，极大地丰富了对社会网络形成机制的理论理解。

大数据时代还催生了“计算社会科学”这一新兴研究范式。传统社会科学研究主要依赖小样本调查和个案访谈，数据收集耗时耗力，样本规模有限。计算社会科学则利用大数据和计算机模拟技术，可以处理超大规模的数据，进行大规模的行为实验，建立复杂的社会现象计算模型。2010年，剑桥大学和 Facebook 合作进行的一项研究堪称计算社会科学的经典案例。研究者分析了Facebook 上超过6000万用户的“大五”人格特质数据与社交网络结构的关系，发现了一个反直觉的现象：外向性人格与社交网络规模正相关，但与社交网络“效率”（每个朋友带来的平均收益）负相关——外向者的朋友很多，但很多是点头之交，关系较浅。这一发现挑战了传统的社会资本理论，引发了后续大量研究。

然而，大数据时代的社会网络研究也面临着严峻的挑战和批评。首先是数据可及性和代表性问题。社交媒体用户并非社会的随机样本——他们往往年轻、教育程度较高、来自发达国家或发达地区。这意味着基于社交媒体数据得出的研究结论可能不具有普遍性，不能简单推广到整个人口。其次是隐私和伦理问题。社交媒体数据的收集