关系研究的新取向：社会网络分析，本文主要内容关键词为：取向论文,关系论文,社会论文,网络论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
个体在社会情境中实现发展，其与群体成员间的关系及关系网络的特点会持续影响个体的社会化进程。发展情境论(Developmental Contextualism)强调人的发展是发展性个体与其所处情境间持续交互作用的结果(Lerner，2002)。然而，已有心理学研究对关系的考察通常注重特征变量之间的关系，而相对忽视了个体与其他群体成员间的关系特点及其共处社会网络的特点。例如，欺负者与受欺负者不是割裂存在的，只有从对应性的欺负—受欺负关系中才能更准确地揭示欺负的同伴影响机制(Veenstra et al.,2007)。关系数据是不同于属性数据的数理统计对象。社会网络分析正是最近几年发展成熟的分析关系数据及其与属性数据关系的一种研究取向。
1 社会网络分析的内涵
社会网络分析(Social Network Analysis，SNA)是基于图论的思想从群体动力学角度来考察社会实体（个体、社会组织等）间的关系连接及其结构特征的一种研究取向(Wasserman & Faust，1994)。传统研究通常考察反映社会实体的态度、观点、行为等性质、特点方面的信息，即属性数据(attribute data)。然而，关系是指社会实体之间的联系，而非社会实体的属性。关系数据(relational data)是关于接触、联络、关联、群体依附等方面的数据(Scott，2000)，主要有网络结构图和矩阵法两种呈现方式。社会网络分析正是通过对关系数据的系统分析来考察关系及其网络的特征。网络结构图用节点(node)表示社会实体，节点间的连线(link)表示关系，直观地呈现出关系的结构。某班级朋友关系的网络结构图如图1。矩阵法则是用数据矩阵的形式呈现关系。图1的矩阵形式见表1，表中首列为提名者，首行为被提名者，第三行第四列上的数字1表示编号102的个体提名编号103的个体是自己的好朋友。以该班级为例，社会网络分析可以为我们提供班级朋友关系的结构特征及其与个体心理发展的关系等信息。社会网络分析是一个快速发展的领域，本文结合心理学研究对社会网络分析中一些业已成熟的功能进行具体介绍。
2 社会网络分析的功能
2.1 中心性分析(Centrality Analysis)
中心性是指个体在群体中居于怎样的地位，拥有怎样的权利(Freeman，1979)。个体中心性越高，越处于群体的中心位置，获得各种资源的可能性就越大，其影响力也就越大(Sparrowe，Liden，& Wayne，2001)。虽然中心性是心理学研究中比较受关注的一个指标(Cairns，Leung，Buchanan，& Cairns，1995)，但是社会网络分析基于图形结构得到的中心性能够描绘出更丰富的关系结构特点。社会网络分析常用的三个中心性指标是：程度中心性(degree centrality)、中介中心性(betweenness centrality)和亲近中心性(closeness centrality)。
2.1.1 程度中心性
简单地说，某点的程度中心性就是与它相连的线条数，可以进一步用该节点在网络中的最大可能关系数标准化以进行跨网络的比较。如图1中编号为109的个体有5条关系与他相连，则其程度中心性就是5，标准化的程度中心性就是5/(40-1)≈.128。程度中心性直观地反映了个体关系的数量程度，计算简单，与其他中心性指标的相关显著，是衡量个体地位最常用的一个指标(Butts，2008)。
图1 某班级朋友关系的网络结构图(N=40)（陈光辉，2010）
2.1.2 中介中心性
社会网络分析基于网络信息的流通性提出了中介中心性概念，它是指某一个体在多大程度上承担个体间媒介作用的中心性评估指标，其基本计算方法是计算其他个体相互联系时有多少条关系是通过该个体的。个体的中介中心性越高，需要通过他发生联系的人就越多，该个体所能得到的信息也就越多，其操纵信息流通的能力也就越大。以往心理学研究往往忽视了此类个体的作用。如图1中编号为112的个体，其程度中心性不高，但他却占据了两个小团体的桥梁位置，发挥着媒介作用。如果没有该个体做媒介，那么编号为214、213、207、206、106、123的个体所组成的小团体与编号为109、108、107、117的个体所组成小团体就会失去许多联系机会。同样，他也可以从这种桥梁角色中获取自己的发展资源。
2.1.3 亲近中心性
亲近中心性是依据网络中各节点间的紧密性程度或距离而进行测量的中心性指标，其基本的计算方法是将某一节点与其他节点间的距离加和后求倒数。个体的亲近中心性越高，则其与其他个体的距离越近，在整体中就越处于核心位置，传递信息或实施行为时就越少依赖他人。亲近中心性直观反映了个体在群体中的位置，即是处在中心位置还是边缘位置。可见，亲近中心性更注重整体的结构性，是另一种具有独特意义的中心性指标。如图1所示的班级中，亲近中心性较高的几个个体109(.0594)、202(.0592)、104(.0590)，都相对处在网络的中心位置。这种位置上的优势使得他们成为了班级内的“明星”，拥有支配整个班级的能力，属于班级的领导人物。
另外，Freeman(1979)还提出了三种群体意义上的中心性指标——程度中心势、中介中心势、亲近中心势。中心势反映的是群体的结构密集程度、信息的流畅程度和个体分布的疏密程度。因此中心势是一种群体意义上的结构指标，而非个体意义上的地位指标。然而中心势在心理学研究中并未受到重视。
2.2 小团体分析(Clique Analysis)
在各种社会组织和群体中都会存在着一些基于朋友关系或借贷关系等形成的小团体、小组织。一方面个体通过这些小团体的活动来获得同伴支持，另一方面小团体的活动又会反过来影响个体的行为与认知(Susan & Bauman，1994)。传统心理学划分小团体最常用的方法是社会认知地图(Social Cognitive Map，SCM)。相对于SCM，社会网络分析较少地依赖被试的认知水平，同时也可以对大型网络进行小团体划分(Ellis & Zarbatany，2007；Espelage，Holt，& Henkel，2003)。
社会网络分析使用关系数据依据图论进行小团体划分，其主要假设是小团体内的个体间关系要比小团体间的个体间关系更紧密(Alba，1973)。划分小团体的主要方法是找出关系结构图中联系相对紧密的子图成分，然后按照子图的重叠程度与关系的紧密程度进一步组合，最终确定小团体成员。社会网络分析提出了多种联系紧密的子图形式，如小团体(clique)、n－团体(n-clique)、n－丛(n-plex)等，具体可参见Wasserman1994年的著作《社会网络分析：方法与应用》。需要指出的是，子图的组合标准方面存在一定的人为性，需要根据实际的研究假设加以确定。当然，社会网络分析的软件（如NEGOPY、UCINET）可以帮助我们实现这些复杂步骤。如图1中，107、108、109个体组成的子图与107、108、117组成的子图有重叠成分，二者联系紧密，被划分为一个小团体。由于心理学对于小团体作用的重视，社会网络分析近年来开始被应用到心理学研究中(Espelage，et al.,2003)。
2.3 位置分析(Position Analysis)
小团体分析是基于个体间的联系与交流得到的，因此划分出的小团体内的个体都是相互联系的。位置分析则是基于网络角色和位置的等价性对个体进行划分的另一种方式，也称之为角色分析。位置分析所得到的小群体内的个体并不一定相互联系，而仅是在群体中起到了相同的角色作用，拥有类似的网络位置。如图1中编号为109的个体和编号为207的个体没有直接的朋友关系，但是在位置分析中却会被归在一起，因为他们在各自的小团体中拥有同样重要的地位。位置分析首先要计算节点间的差异，主要有两种计算方法：一种是以节点间的距离来评估节点位置差异性的方法，称为欧氏距离法(Euclidean distance)；一种是以节点间的相关为基础来评估节点位置差异性的方法，称为Concor法（罗家德，2010）。然后，再按照节点间的相似程度进行分类，得到一群位置角色相似的个体集合。位置分析基于关系结构的相似性对群体进行分类，从而便于考察关系结构特点与其他特征变量之间的关系。
2.4 关系数据与关系数据的关系分析
相关与回归分析是考察变量之间关系的常用方法，传统统计方法计算相关与回归的一个前提是变量之间相互独立，以避免共线性问题。关系数据代表社会实体间的联系，因此同一群体的关系变量通常相互交叠，难以保证变量之间的独立性。这样一来，传统统计方法往往不能考察“关系”之间的关系（刘军，2004）。二次指派程序(Quadratic Assignment Procedure，QAP)是对数据矩阵（关系数据一种呈现形式）之间进行相关与回归计算的一种方法，其基本原理是以重新抽样为基础，对两个矩阵中的各个元素的相似性进行比较，以检验两个矩阵网络的关联性(Hubert，1987)。QAP通过对关系数据矩阵的计算为我们提供了考察关系之间关系的方法，弥补了传统统计方法在关系考察上的缺陷。例如，我们可以继续收集图1所示的班级中的帮助关系、欺负关系等，借助QAP做他们与朋友关系的相关与回归，以分析朋友关系与帮助或欺负关系的关系。
2.5 关系数据与属性数据的关系分析
社会网络分析还可以分析关系数据与属性数据的关系，探究关系网络的结构特点与个体属性的关系。将属性数据转化为数据矩阵，QAP技术就可以分析关系数据与属性数据间的关系（刘军，2004）。以图1所示的班级为例，构建如表2所示的性别关系的数据矩阵：行列位置上性别相同则赋值为1，性别相异则赋值为0，QAP基于两种数据矩阵可以计算性别与朋友关系间的相关与回归。然而，这种分析存在局限，它不能分析连续变量特点的属性数据，因为只有分类变量特点的属性数据才能够转化为数据矩阵。随着计算机和统计技术的发展，社会网络分析近年来开始使用能够进行推论的统计模型法来考察关系数据与属性数据的关系(Robins，Pattison，& Kalish，2007)。
统计模型法是在逻辑回归技术和马尔可夫随机图理论的基础上发展起来的一种分析技术，较早的形式称之为
模型（对数线性模型，log-linear model）。模型能够分析某一个体与其他个体的二元关系的可能形式——没有关系、关系的发起者、关系的接收者、互惠性关系(Holland & Leinhardt，1981)。后来研究者们在模型的基础上加入了个体属性特征的分析，发展为
模型（随机效应模型，random effects model）。模型将二元关系视为潜在的随机效应，这些潜在的随机效应可以被关系的发起者与接收者各自的属性特征及二元关系的特征所解释(Van Duijn，Snijders，& Zijlstra，2004)。例如，Veenstra等人利用模型研究欺负二元关系，发现欺负者常会选择弱小的、被群体排斥的个体欺负，受欺负者通常会认为欺负他们的人强壮、喜欢支配别人(Veenstra et al.,2007)。模型仅能对二元关系进行分析，而社会关系不仅仅是发生于两者之间。关系网络整体结构分析的需求促生了p*模型（指数随机分布图模型，exponential random graph model）的发展。
p*模型可以对三个及以上个体间关系进行分析，它除了可以分析个体属性与“关系”间的关系，还可以分析网络中的小团体结构特征，即不仅能够解释个体之间为什么存在关系，还能够解释这种关系存在的可能的结构形式。表3所示的是p*模型常用的几个特征结构。例如，Espelage等人利用p*模型研究了青少年阶段友谊关系，发现“边”(edges)在群体中出现的概率低，而“2－星”(2-star)在群体中出现的概率高，验证了个体需要团体的支持才更容易形成友谊的假设，并进一步分析了其与属性数据的关系，验证了攻击与欺负水平在小团体内的同质性(Espelage，Green Jr，& Wasserman，2007)。近年来，p*模型的个别指标仍在不断改进与发展之中(Robins，2007；Wang，Sharpe，Robins，& Pattison，in press)，统计模型法的功能也变得越来越完善。
3 社会网络分析的使用
3.1 确定网络界限
在进行社会网络分析之前，必须首先确定网络界限，即确定所要研究的对象总体。社会关系错综复杂，同一个体或组织可能隶属于多个组织，有大量的关系存在。明确网络的边界，才能够确定所要研究的关系数量，从而使得研究可操作化。
表3 p*模型常用特征结构(Wang，Robins，& Pattison，2009)
3.2 数据收集与录入
问卷法、观察法、实验法、访谈法等传统心理学的研究方法都可以用来收集关系数据(Marsden，2005)。关系数据按照矩阵的形式通过UCINET、Excel等软件录入，也可以利用程序语言快速录入一些有规律的关系数据（参见Borgatti，Everett，& Freeman，2002）。
3.3 关系数据的方向性
关系数据是有方向的，它从某一节点指向另一节点。根据关系数据的方向，网络结构图可以分为无向图(non-directed graph)和有向图(directed graph)。无向图是从对称关系引申出来的。所谓对称关系是指当A指向B时，只有B也指向A，两者关系才成立。此时构建的数据矩阵是对称的。如图1所示的朋友关系网络，其箭头都是双向的，关系矩阵（表1）也是对称的。如果不考虑对称关系，那么网络结构图就会出现方向，称之为有向图，构建的关系矩阵就是非对称的。社会网络分析的软件（如UCINET等）可以轻松地实现有向性到无向性的转化。因此在数据录入的时候可以尽量保留关系的方向。
3.4 社会网络分析的常用软件
目前使用最多、功能最为强大的社会网络分析软件是UCINET，其免费下载地址为http://www.analytictech.com/ucinet/program/setup.exe。它可以轻松实现关系数据的录入与转化、网络结构图的绘制以及社会网络分析大部分的功能（包括中心性分析、小团体分析、角色分析、QAP等）(Borgatti et al.,2002)。此外，StOCNET是一款集成了P2、PACNET、SIENA、ULTRAS、ZO、PNET等多种高级统计分析软件包的开放式软件系统，能实现社会网络分析大部分的高级统计分析功能(Boer，et al.,2006)，其免费下载地址为http://stat.gamma.rug.nl/stocnet/downloads/stocnet18ins.zip。其中P2模块与PNET模块是进行p[,2]模型与p*模型分析的专用软件。
4 展望
社会网络分析是采用关系数据分析关系结构特点的新方法，它不仅可以很好地探究关系的结构问题，还可以深入分析关系网络特点与个体属性的关系，这已成为近年来关系研究的新取向。社会网络分析在社会学研究中已经得到了广泛应用(Wasserman & Faust，1994)。心理学多学科融合的趋势以及社会网络分析高级统计分析技术的发展使得越来越多的心理学工作者开始使用这种关系研究的新方法(Espelage et al.,2007)。目前，越来越多的新技术、新功能正在开发，社会网络分析的应用范围也越来越广泛：不仅横断研究中出现了社会网络分析的应用，追踪研究中也出现了对关系数据的分析(Light & Dishion，2007)。相信随着研究者的日趋重视，基于社会网络分析的心理学研究会获得十分丰富的实证研究资料。