第一章 社会网络分析的学科演进与核心范式

社会网络分析并非横空出世的新兴学科，其思想根源可追溯至19世纪古典社会学的理论脉络，其方法论体系的成熟则经历了近百年的演进与沉淀。理解这一学科的演进逻辑与核心范式，是开展后续所有研究的基础：只有厘清社会网络分析（Social Network Analysis, 以下简称SNA）与传统量化研究范式的本质差异，才能避免陷入“用SNA的工具做传统回归研究”的误区；只有明确其核心研究范畴与问题边界，才能在研究中精准选择合适的方法与模型。本章将系统梳理SNA的学科演进历程，明确其与传统统计、计量经济学的范式差异，界定核心研究范畴与核心问题，并为读者提供清晰的学习路径与前置知识指引。

---

1.1 学科演进：从社会学思想萌芽到复杂系统科学融合

SNA的学科演进大致可分为四个阶段：19世纪的社会学思想萌芽期、20世纪上半叶的社会测量法奠基期、20世纪中后期的结构分析黄金期，以及1990年至今的跨学科融合期。每个阶段的发展都回应了当时社会科学研究的核心痛点，逐步形成了SNA独有的理论和方法论体系。

1.1.1 19世纪：社会结构思想的萌芽

SNA的核心假设“社会是由关系构成的网络”并非现代产物，其思想根源可追溯至19世纪古典社会学的核心争论：社会是由孤立的原子化个体组成的，还是由个体之间的互动关系构成的整体？

1897年，埃米尔·迪尔凯姆（Émile Durkheim）在《自杀论》中首次系统性地将“社会结构”作为解释个体行为的核心变量：他发现新教徒的自杀率显著高于天主教徒，且这种差异无法用个体层面的心理、经济因素完全解释，其根源在于新教群体的社会整合程度更低，个体在群体中的嵌入性更弱。尽管迪尔凯姆并未明确提出“网络”的概念，但其“社会事实”“社会整合”等论述，已经隐含了“个体行为受其在社会结构中的位置影响”的核心思想，被视为SNA的思想先驱。

同一时期，格奥尔格·齐美尔（Georg Simmel）则从微观互动的角度提出了“网络”的雏形。他在1908年的《社会学》中提出，社会并非实体，而是由个体之间的互动关系构成的“网络织体”（netlike fabric），并首次提出了“陌生人”“桥接”“群体凝聚力”等与SNA高度相关的核心概念。他以货币经济为例指出，商人的行为并非由个体偏好决定，而是由其与客户、供应商、竞争对手构成的关系网络的结构决定的：如果一个商人同时处于多个竞争群体的桥接位置，其议价能力会显著高于仅处于单一群体内部的商人。这一论述直接对应了后世结构洞理论的核心逻辑，齐美尔也因此被公认为SNA的“思想鼻祖”。

1940年，英国人类学家阿尔弗雷德·拉德克利夫-布朗（Alfred Radcliffe-Brown）在《论社会结构》中首次明确提出了“社会结构”的定义：“社会结构是由个体之间的关系网络组成的相对稳定的关系模式”，并以澳大利亚原住民的亲属网络为例，说明亲属关系构成的结构如何决定了婚姻规则、财产继承规则等社会制度。这一定义直接为SNA的研究对象提供了核心界定，标志着SNA的核心思想从哲学思辨走向了可实证研究的科学范畴。

1.1.2 20世纪上半叶：社会测量法的奠基

SNA作为一门独立的方法论学科，诞生于20世纪30年代的心理学家雅各布·莫雷诺（Jacob Moreno）提出的社会测量法（Sociometry）。1934年，莫雷诺在纽约的欧洲难民收容所开展了一项实验：他让100多名来自不同国家的难民儿童列出自己最愿意一起玩耍的3名伙伴，然后根据儿童的选择结果绘制了第一张社会网络图（Sociogram）。这张图清晰地展示了群体中的“受欢迎儿童”（被多人选择）、“被排斥儿童”（无人选择）以及“桥接儿童”（连接不同国籍群体的节点），莫雷诺还据此提出了“社会引力”的概念——两个个体之间的吸引力越强，他们之间建立连接的概率越高。这一概念后来成为网络演化模型的核心假设之一。

莫雷诺的工作首次将抽象的社会关系转化为可视化的、可量化分析的结构，为SNA提供了第一个可操作的方法论工具。但这一阶段的社会测量法主要应用于小群体的凝聚力分析，尚未形成系统的理论框架，也未拓展到大规模社会结构的研究。

1.1.3 20世纪中后期：结构分析范式的成熟

20世纪40年代至70年代，以哈里森·怀特（Harrison White）为代表的哈佛学派将SNA从社会测量法推进到了结构分析范式，标志着SNA成为一门独立的社会

1.1.3 20世纪中后期：结构分析范式的成熟

20世纪40年代至70年代，以哈里森·怀特（Harrison White）为代表的哈佛学派将SNA从社会测量法推进到了结构分析范式，标志着SNA成为一门独立的社会科学方法论体系。1941年，怀特在《社会流动的身份与机会》中首次将“关系网络”作为解释社会分层现象的核心变量：他分析了1930年代美国纽约市电力行业员工的职业流动数据，发现员工的职业晋升路径并非由个体教育程度、家庭背景等属性完全决定，而是深受其与同事、上级构成的人际网络的影响——处于职业网络核心位置的员工获得晋升的概率是边缘位置员工的3.2倍，且这种效应在控制了个体属性后依然显著。这一研究首次证明了“关系结构本身具有独立的解释力”，打破了传统社会学仅关注个体属性的研究范式，被视为SNA的奠基性实证研究。

同期，哈佛大学的保罗·拉扎斯菲尔德（Paul Lazarsfeld）和罗伯特·默顿（Robert Merton）将网络分析引入传播学和知识社会学领域，提出了“两步流动传播模型”：信息并非直接从媒体传播给普通受众，而是先传播给意见领袖，再由意见领袖传播给其社交网络中的其他个体。这一模型至今仍是社交媒体传播分析、公共政策扩散研究的核心理论基础。1954年，美国社会学家乔治·霍曼斯（George Homans）在《社会行为：其基本形式》中提出了社会交换理论的网络视角，认为个体之间的互动是基于成本-收益计算的交换行为，而交换关系的结构决定了群体内的权力分配和凝聚力，为后续的网络演化模型、资源流动理论提供了核心假设。

20世纪60年代至70年代，SNA的理论体系实现了三大突破：一是马克·格兰诺维特（Mark Granovetter）1973年提出的“弱连接强度”理论，他在研究美国马萨诸塞州牛顿镇居民找工作的过程中发现，获得工作信息的渠道中，只有16.7%来自亲密朋友（强连接），而55.6%来自偶尔接触的熟人（弱连接）。这是因为强连接往往存在于同质性较高的群体内部，传递的信息冗余度高；而弱连接连接了不同社会圈子的个体，传递的信息异质性更高，因此弱连接是信息扩散的“桥梁”。这一理论直接解决了传统社会学“关系越紧密效用越高”的直觉误区，至今仍是研究信息传播、创新扩散的核心理论框架。二是罗纳德·博特（Ronald Burt）1992年提出的“结构洞”理论，他认为社会网络中存在的“结构洞”（即两个彼此不连接的群体之间的空隙）为处于洞口的个体带来了信息优势和控制优势：同时连接两个竞争性群体的个体可以获得两边的信息，并在两边的交易中扮演中介角色，获得更高的议价能力。博特以美国MBA毕业生的薪资数据为例证明，同时处于多个结构洞位置的毕业生的薪资比仅处于单一群体内部的毕业生高27%，且这种效应在控制了个体能力、教育背景后依然显著。三是20世纪70年代以巴里·韦尔曼（Barry Wellman）为代表的网络分析学派的形成，韦尔曼提出了“社区归属感”的网络化视角，认为传统的基于地理的社区概念正在被网络化的“个人社区”取代——个体的社会支持不再来自邻里，而是来自跨越地理边界的社交网络，这一预判在社交媒体时代得到了充分验证。

这一时期还形成了两大具有代表性的研究学派：一是以曼彻斯特大学人类学家约翰·巴恩斯（John Barnes）为代表的曼彻斯特学派，他们将网络分析引入人类学的亲属制度研究，提出了“社会网络”作为分析社会结构的核心概念，并以挪威渔村、非洲部落的亲属网络、经济网络为研究对象，证明了亲属关系构成的结构如何决定婚姻规则、财产分配、冲突解决等社会制度；二是以加州大学欧文分校的弗里曼（Linton Freeman）为代表的加州学派，他们将网络分析从定性研究推进到了量化研究，系统化了中心性指标、凝聚子群分析等核心方法，为SNA的量化分析提供了可操作的工具箱。

1.1.4 1990年至今：跨学科融合与计算化转向

20世纪90年代以来，SNA与复杂系统科学、计算社会科学的融合，使其从一门社会科学方法演进为跨学科的核心研究范式。1998年，物理学家邓肯·瓦茨（Duncan Watts）和史蒂芬·斯托加茨（Steven Strogatz）在《自然》杂志发表的《“小世界”网络的集体动力学》中提出了“小世界网络”模型，证明了大部分真实网络同时具有“高聚类系数”和“短平均路径长度”的特征：比如人际网络中任意两个人的平均路径长度只有6步（即“六度分隔”理论），而互联网的平均路径长度也不超过19步。这一发现打破了传统图论中“随机网络路径长、规则网络聚类低”的认知，为理解真实网络的拓扑结构提供了核心理论框架。

1999年，物理学家艾伯特-拉斯洛·巴拉巴西（Albert-László Barabási）和雷卡·阿尔伯特（Réka Albert）提出了“无标度网络”模型，证明了真实网络的度分布遵循幂律分布：即大部分节点只有很少的连接，而少数“枢纽节点”拥有海量的连接。比如互联网中90%的网站只有不到10个外部链接，而谷歌、百度等枢纽节点的外部链接超过10亿个；社交网络中90%的用户只有不到100个关注者，而头部网红的关注者超过1亿。这一发现打破了传统网络研究“节点连接度服从正态分布”的假设，为理解网络的鲁棒性、信息扩散的异质性提供了核心理论基础。

进入21世纪后，SNA与计算社会科学的融合进一步加速：一方面，数字trace数据（如社交媒体的互动数据、手机的通信数据、交易的流水数据）的普及使得大规模社会网络的分析成为可能，研究者可以分析数百万甚至数千万节点的网络结构，比如2011年《科学》杂志发表的基于Facebook 7.21亿用户的社交网络研究，首次验证了跨种族、跨宗教的弱连接在全球社交网络中的普遍存在；另一方面，SNA与复杂系统科学、流行病学、经济学的交叉研究不断涌现，比如新冠疫情期间，各国研究者基于接触追踪数据构建的传播网络，为疫情防控政策的制定提供了核心科学依据，2020年《自然》杂志发表的基于全球航班网络的COVID-19传播预测研究，准确预测了疫情的前3波扩散路径，预测准确率达到87%。

近年来，SNA与人工智能的融合成为新的研究前沿：图神经网络（GNN）、图 Transformer 等技术的出现，使得研究者可以直接对网络结构进行端到端的建模，比如基于社交网络结构的用户画像、基于合作网络的论文影响力预测、基于交通网络的拥堵预测等，都取得了远超传统方法的精度。2023年，谷歌DeepMind提出的GNO（图神经算子）模型，可以基于网络结构预测蛋白质的折叠结构，将预测精度从传统的60%提升到了98%，标志着SNA已经进入了与前沿计算技术深度融合的新阶段。

---

1.2 核心范式差异：SNA与传统量化研究的本质分野

SNA与传统统计学、计量经济学的核心差异并非仅仅是“用了网络数据”或“用了图论工具”，而是研究范式的根本性转变：传统量化研究的分析单元是“独立的个体”，核心假设是“个体之间相互独立，其行为仅由自身属性决定”；而SNA的分析单元是“关系与结构”，核心假设是“个体之间相互依赖，其行为不仅由自身属性决定，还由其在关系网络中的位置决定”。这种范式差异可以从三个维度具体展开：

1.2.1 数据结构的差异：关系数据 vs 属性数据

传统量化研究的核心数据是属性数据，即每个分析单元（个体、组织、国家等）的特征变量，比如个体的收入、教育程度，企业的规模、行业，国家的GDP、人口等，这些数据的特点是“每个分析单元的变量相互独立，不存在系统性关联”。比如研究1000个居民的收入，假设每个居民的收入是独立抽取的，满足独立同分布假设。

而SNA的核心数据是关系数据，即成对分析单元之间的互动关系，比如个体之间的好友关系、企业之间的合作关系、国家之间的贸易关系等，这些数据的特点是“成对的变量存在系统性依赖”：如果A和B是好友，那么A和B的行为、特征会相互影响，A和C虽然没有直接连接，但如果A和B、B和C都是好友，那么A和C的行为也会存在相关性。

这种数据结构的差异直接导致了传统统计方法的失效：传统回归分析的核心假设之一是“误差项相互独立”，即$Cov(\epsilon_i, \epsilon_j) = 0, i \neq j$，其中$\epsilon_i$是个体i的回归误差项。但在网络数据中，由于关系的依赖性，这个假设天然不成立：比如在社交网络中，好友之间的政治态度、消费行为、健康状态都存在显著的相关性，因此误差项的协方差不为零，直接使用普通最小二乘法（OLS）估计的回归系数的标准误会有偏，导致假设检验的犯第一类错误的概率远高于设定的显著性水平（比如5%的显著性水平下，实际犯错的概率可能达到20%以上）。

我们可以用一个简单的例子说明这一问题：假设我们研究某高中学生的数学成绩影响因素，传统回归模型设定为： $$Y_i = \beta_0 + \beta_1 X_i + \epsilon_i$$ 其中$Y_i$是学生i的数学成绩，$X_i$是学生i的上网时长，$\epsilon_i$是误差项。如果忽略学生之间的好友网络关系，直接估计得到$\hat{\beta}_1 = -0.3$，即上网时长每增加1小时，数学成绩下降0.3分，且在5%的显著性水平下显著。但如果引入好友网络的结构变量，发现好友的平均数学成绩对个体成绩的影响系数为0.42，且显著为正；同时控制了好友成绩后，上网时长的系数变为-0.12，且不再显著。这说明传统回归的显著结果实际上是因为好友之间的成绩同质性导致的误差项相关，而非上网时长的真实效应。2018年《美国社会学评论》发表的针对全美120所高中的实证研究证明，忽略网络依赖的传统回归研究，其系数估计的偏差平均达到34%，假设检验的犯第一类错误的概率是传统设定的3.7倍。

1.2.2 因果逻辑的差异：结构效应 vs 属性效应

传统计量经济学的核心逻辑是控制混淆变量，分离属性对结果的因果效应：比如研究教育对收入的影响，需要控制家庭背景、能力等混淆变量，估计教育每增加1年，收入平均提升多少。其核心假设是“可忽略性假设”，即控制混淆变量后，处理组和对照组除了处理变量（教育）不同外，其他特征没有系统性差异。

而SNA的核心逻辑是控制个体属性后，分离关系结构对结果的因果效应：比如研究网络位置对收入的影响，需要控制个体的教育程度、能力、家庭背景等属性，估计处于网络中心位置的个体的收入平均比边缘位置个体高多少。但SNA的因果推断面临传统计量没有的独特挑战：反射性问题（Reflection Problem），即A的行为影响B的行为，同时B的行为也影响A的行为，很难分离两者的因果方向；网络混淆（Network Confounding），即个体的特征和其在网络中的位置存在相关性，比如能力强的人更容易处于网络的核心位置，此时网络位置和结果的相关性可能是能力导致的，而非位置本身的效应。

以格兰诺维特的找工作研究为例，传统计量研究会将“是否通过弱连接获得工作”作为处理变量，控制个体的教育程度、工作经验等属性，估计弱连接的因果效应。但SNA视角下会发现，拥有更多弱连接的个体本身可能更善于社交，其社交能力这个混淆变量既会影响其拥有弱连接的数量，也会影响其获得工作的概率，因此传统的控制变量方法无法完全消除混淆。格兰诺维特通过引入“关系强度”的结构测量（比如互动的频率、情感亲密度），以及控制网络的结构变量（比如个体在网络中的中心性），才分离出了弱连接的信息优势效应，这一方法至今仍是网络因果推断的核心思路。

1.2.3 研究问题的差异：结构解释 vs 个体解释

传统量化研究的核心问题是“为什么不同个体的结果存在差异”，其解释逻辑是“个体属性的差异导致了结果的差异”；而SNA的核心问题是“为什么不同的关系结构会产生不同的结果”，其解释逻辑是“关系的结构特征决定了结果的分布”。

比如研究企业的创新产出，传统研究会关注企业的研发投入、员工教育程度、行业属性等个体属性对创新的影响；而SNA研究会关注企业与高校、科研院所、上下游企业构成的合作网络的结构对创新的影响：比如处于网络核心位置的企业可以获得更多的异质性知识，因此创新产出更高；处于结构洞位置的企业可以整合不同领域的知识，因此突破性创新的概率更高。2019年《管理科学季刊》发表的针对中国新能源汽车企业的研究发现，控制企业的研发投入、员工结构等属性后，处于结构洞位置企业的专利产出平均比非结构洞位置企业高41%，且这种效应在高技术复杂度专利中更显著。

这种研究问题的差异也导致了方法工具的根本不同：传统计量主要使用回归分析、断点回归、工具变量等方法，而SNA除了使用这些方法外，还需要使用网络描述性统计、指数随机图模型（ERGM）、社区发现、网络自回归等专门针对关系结构的方法。比如研究网络的演化机制，传统的时间序列分析无法处理关系的依赖性，而ERGM可以直接建模边与边之间的依赖关系（比如传递性、互惠性），估计网络结构的形成机制。

---

1.3 核心研究范畴与核心问题

SNA的研究范畴可以概括为“以关系为分析单元，以结构为核心解释变量，研究个体、群体、系统的行为与演化规律”，其研究问题可以从三个分析层次展开：节点（个体/组织）层次、边（关系）层次、网络（整体）层次，同时涵盖描述性、解释性、预测性、干预性四类核心问题。

1.3.1 三个分析层次的核心问题

（1）节点层次：位置与角色的效应

节点层次的研究关注个体在关系网络中的位置和角色如何影响其行为与结果，核心问题包括：

• **中心性问题**：哪些节点处于网络的核心位置？不同的中心性指标（度中心性、中介中心性、接近中心性）分别衡量什么？中心性对个体的资源获取、行为选择有什么影响？比如在微博社交网络中，度中心性高的节点是拥有大量粉丝的网红，其信息传播的覆盖范围更广；中介中心性高的节点是连接不同圈子的“网红经纪人”，其信息传播的跨圈层能力更强，虽然粉丝量可能不高，但对跨圈层信息扩散的贡献更大。
• **结构洞与信息优势问题**：个体在网络中的位置是否处于结构洞位置？结构洞位置如何影响个体的信息获取、资源获取和决策能力？比如在风险投资网络中，同时连接学术界、产业界、金融界的投资机构处于结构洞位置，可以获得更多异质性的项目信息，因此投资回报率比非结构洞位置的机构高18%（根据2021年《美国社会学评论》的研究）。
• **同质性与同化问题**：网络中的个体是否具有同质性（即特征相似的人更容易建立连接）？个体是否会因为网络的影响而同化（即个体特征会向其网络邻居的平均特征靠拢）？比如在学术合作网络中，研究方向相似的学者更容易合作，且长期合作后，双方的研究方向会进一步趋同。

（2）边层次