社会网络分析：从入门到精通

PDF 课纲  | 课程主页

1. 课程概览

[TOC]

2. 嘉宾简介

杨张博，西安交通大学人文社会科学学院教授、博士生导师，省级青年人才，美国 Drexel 大学 LeBow 商学院高级访问学者。现任民革陕西省委会经济委员会副主任、西安交大委员会秘书长，兼任实证社会科学研究所研究员、陕西软科学研究会常务理事。曾在 Journal of Product Innovation Management、Management and Organization Review、《社会学研究》、《科研管理》等国内外权威期刊发表学术论文 30 余篇。多项政策建议和管理咨询报告被政府及企业采纳。曾获陕西高等学校人文社会科学研究优秀成果奖、社会网年会优秀论文等奖项多次。研究方向涵盖社会网络分析、组织网络、计算社会学与技术创新。知乎专栏：社会网络杂谈。

3. 课程缘起

在数字化与智能化浪潮下，人与人、人与物、物与物之间的联系愈发紧密，构成了一个高度复杂、无处不在的社会网络。从“六度分隔”到疫情传播、信息扩散、创新合作，众多现实问题的背后都体现出网络结构的深刻影响。社会网络分析 (Social Network Analysis, SNA) 作为融合社会学、管理学、经济学与计算机科学的交叉方法，已成为理解复杂社会现象的重要工具。近年来，SNA 被广泛应用于 Nature、Science、AMJ、社会学研究、经济研究等国内外顶级期刊中，推动理论与实证研究不断拓展。

随着网络分析方法与工具的不断演进，研究范式也在持续更新。对初学者和进阶学者而言，系统掌握核心理论、指标体系与建模方法，并在实际研究中科学选择工具与路径，仍是一大挑战。

本课程聚焦理论方法前沿与实操技能，助力学员高效跨越学习门槛，全面提升网络分析的研究与应用能力。

社会网络分析的痛点

为了更好地理解本课程的设置背景和初衷，我们先梳理一下当前社会网络分析领域的主要难点和痛点。

其一，概念繁多、理论分歧，增加了理解与使用门槛。网络分析涉及大量结构性指标 (如度中心性、中介中心性、接近中心性等衡量中心性的指标；限制度、等级度等结构洞指标；以及聚集系数、连通分量等衡量整体网络的指标)，也依赖于几个复杂的理论框架 (如结构洞、社会凝聚、网络传染等)。不同指标虽名称相近，但在计算方式、理论依据和适用条件等方面存在很大的差异。若未准确把握其内涵与适用场景，极易导致解释偏误与方法错配。

其二，方法体系分散，缺乏统一的分析流程。社会网络研究横跨社会学、管理学、信息科学等多个学科，不同领域的数据来源、研究问题与分析方法差异显著，尚未形成统一的范式。这使得初学者在数据获取、变量构建与模型选择等环节往往无所适从，难以高效推进研究。

其三，数据依赖性强，因果推断难度高。网络数据通常违反观测独立性假设，节点间存在高度依赖关系，如社会影响、自选择与结构约束，严重制约了传统因果识别方法的适用性。尽管已有如 QAP 回归与 ERGM 等技术路径，但在处理外溢效应、干扰路径与因果机制识别等方面仍面临诸多挑战。

4. 课程目标与特色

为应对上述挑战，本课程结合理论讲解、模型实操与研究复现，帮助学员系统掌握社会网络分析的方法与工具，提升在实证研究中的应用能力。课程结束后，学员应具备独立完成一篇高质量网络分析研究论文的能力。

课程内容涵盖网络分析的基础理论、关键指标与前沿建模方法，重点讲解指数随机图模型 (ERGM)、随机行动者者导向模型 (SAOM) 与网络因果推断等近年来兴起的方法路径。同时，课程将个体网络 (Ego Networks)、整体网络（Whole Network）、社会资本 (Social Capital) 等常见研究方向统一纳入课程设计，强调多方法融合与跨学科应用。通过配套代码、数据与文献解读，进一步提升学员的问题意识和实证分析能力。

课程的主要特色包括：

  • 覆盖基础理论到前沿方法，融合论文解读与代码实操 课程系统讲解网络分析的核心概念、常用指标与理论基础，逐步引入 ERGM 等前沿模型，配合代表性论文解读与配套代码，帮助学员掌握从原理到实证的完整分析流程。
  • 跨学科方法融合，兼顾个体网、整体网与动态网络 围绕社会学、管理学、经济学与计算社会科学中的网络分析方法，系统讲解个体网络、整体网络与动态网络的建模技术，包括结构指标计算、可视化、模型估计与因果识别等。
  • 聚焦网络因果分析的最新进展 梳理当前网络因果推断的主要路径，介绍 FGLS、TERGM、ABM 模拟、Meta 分析等方法，并结合案例逐步拆解理论逻辑与实操步骤，提升学员的因果识别能力。

温馨提示：课前准备

由于本课程涵盖多学科知识和多种软件工具，涉及一些前沿方法。建议学员具备一定的统计学基础，并熟悉至少一种统计软件 (如 Stata、R 或 Python) 的基本操作。如对相关内容不熟悉，请提前补充基础知识，以便顺利跟进课程进度。

5. 专题详情

T1. 网络分析基础理论 (半天)

本讲主要讲解多学科网络分析的基本概念、理论框架与理论沿革，掌握网络数据的基本结构和模型。

  • 网络基本组成以及分类：节点、边、结构、路径与连通性、网络表达以及分类 (有向/无向、权重/二分、动态/静态、模态等)
  • 社会资本和社会网络理论：社会资本理论、弱联系、结构洞、关系研究等等，基于个体网的测量方式和计算 (定名法、定位法；如讨论网、餐饮网、拜年网、关键事件网)
  • 网络模型：小世界网络 (Small-world Networks)、无标度网络 (Scale-free Networks)
  • 相关论文
    • PP Li, SS Zhou, AJ Zhou, Z Yang. “Reconceptualizing and redirecting research on guanxi:’Guan-xi’interaction to form a multicolored Chinese knot.” Management and Organization Review 15.3 (2019): 643-677. link, -PDF-, Google.
    • Brass, Daniel J. “New developments in social network analysis.” Annual Review of Organizational Psychology and Organizational Behavior 9.1 (2022): 225-246. Link, -PDF-, Google.

T2. 网络分析指标及可视化 (半天)

本讲将系统梳理网络分析中常用的各类指标及其测量方式，并结合 UCINET 和 Gephi 软件进行实际操作与可视化演示，帮助学员全面理解和掌握网络结构的多维度特征。

  • 节点级 (Node-level) 指标：度 (Degree)、中介中心性 (Betweenness Centrality)、接近中心性 (Closeness Centrality)、PageRank 指数、特征向量中心性 (Eigenvector Centrality)、中心势 (Centralization) 等。这些指标用于衡量节点在网络中的重要性、影响力及其在信息流动中的作用。
  • 边级 (Edge-level) 指标：如连接强度 (Tie Strength)、嵌入程度 (Embeddedness) 等，反映关系的紧密程度及其在网络结构中的作用。
  • 网络结构 (Structure-level) 指标：涵盖结构洞 (有效规模、效率、限制度)、网络密度 (Density)、直径 (Diameter) 等，用于描述整体网络的连通性、分层结构与信息流通效率。
  • 派系与小群体分析：介绍 clique、clan、components、k-core、k-plex、Girvan-Newman 算法、Lambda 集合等方法，帮助识别网络中的核心群体与结构分层。
  • 网络可视化布局：讲解 ForceAtlas2、Fruchterman-Reingold 等主流网络可视化算法，结合 Gephi 软件演示如何通过不同布局直观展现网络结构特征。
  • 相关论文：
    • Yang, Z., Shu, C., Gao, S., & Wang, H. (2022). The combined impact of direct and indirect ties on innovation: The moderating role of similarity in alliance subtypes. Journal of Product Innovation Management, 39(6), 705–724. Link, -PDF-, Google
    • Kwon, Seok-Woo, et al. “Network brokerage: An integrative review and future research agenda.” Journal of Management 46.6 (2020): 1092-1120. Link, -PDF-, Google

T3. 网络结构建模与依赖性分析 (半天)

本讲将系统介绍网络依赖性的理论基础、建模方法及其在 PNet 系列软件和 R 扩展包 statnet 中的实现。内容涵盖网络作为自变量、因变量以及动态网络情境下的建模方法。

在传统回归模型 (如 OLS、Logistic 回归) 中，通常假设观测值之间相互独立。但在网络数据中，节点之间往往存在复杂的依赖关系，带来一系列挑战：其一，自相关问题：个体的行为常常受到其社会关系的影响，导致干扰项之间存在相关性，不满足独立性假设。其二，推断偏误：网络数据的依赖结构会扭曲标准误的估计，影响显著性检验的准确性和结论的可靠性。其三，网络关系生成机制缺失：传统方法难以揭示网络关系的生成机制 (如同质性、互惠性等)，无法捕捉网络结构背后的动力学过程。

本讲将围绕上述问题，介绍如下几种网络建模方法及其软件实现：

  • QAP (二次分配程序，Quadratic Assignment Procedure)：通过比较两个或多个矩阵之间的相似性或关联性，以检验网络关系中的假设。

  • ERGM (指数随机图模型，Exponential Random Graph Models)：描述网络结构的生成机制和结构特征，可建模互惠性、群聚性、节点属性效应等结构特征，常用于静态网络分析。

  • TERGM (时序 ERGM，Temporal ERGM)：ERGM 的时间序列扩展模型，支持对多个时间点的网络进行动态建模，分析网络结构随时间的演化。

  • SAOM (随机行动者者导向模型，Stochastic Actor-Oriented Models)：模拟个体在网络中仅具有局部视角的行为决策，研究社交关系的形成与断裂过程，适合建模网络中的互动行为演化。

  • Autologistic 模型：ERGM 的扩展，用于分析网络结构如何影响个体属性变量，实现属性与结构的联动建模。

  • 相关论文：

    • Methot, Jessica R., and Michael S. Cole. “Unpacking the microdynamics of multiplex peer developmental relationships: A mutuality perspective.” Journal of Management 49.2 (2023): 606-639. Link, Google.

    • Kilduff, Martin, et al. “Hiding and seeking knowledge-providing ties from rivals: A strategic perspective on network perceptions.” Academy of Management Journal 67.5 (2024): 1207-1233. Link, Google.

      • 适用方法：QAP (二次分配程序 / 矩阵排列检验法)

    • Hunter, David R., et al. “ergm: A package to fit, simulate and diagnose exponential-family models for networks.” Journal of statistical software 24 (2008): 1-29. link, -PDF-, Google. ==提供 codes==

    • Ingold, Karin, and Philip Leifeld. “Structural and institutional determinants of influence reputation: A comparison of collaborative and adversarial policy networks in decision making and implementation.” Journal of public administration research and theory 26.1 (2016): 1-18. Link, -PDF-, Google.

    • Leifeld, Philip, Skyler J. Cranmer, and Bruce A. Desmarais. “Temporal exponential random graph models with btergm: Estimation and bootstrap confidence intervals.” Journal of Statistical Software 83 (2018): 1-36. Link,Google. ==提供 codes==

    • Agneessens, Filip, Francisco J. Trincado-Munoz, and Johan Koskinen. “Network formation in organizational settings: Exploring the importance of local social processes and team-level contextual variables in small groups using bayesian hierarchical ERGMs.” Social Networks 77 (2024): 104-117. Link, Google. ==提供 codes==

      • 适用方法：ERGM(指数随机图模型)、TERGM (时序 ERGM)

    • Stadtfeld, Christoph, et al. “Assimilation and differentiation: A multilevel perspective on organizational and network change.” Social Networks 44 (2016): 363-374. Link, Google.

    • Gilsbach, Judith, and Johannes Stauder. “Digital communication and tie formation amongst freshmen students during and after the pandemic.” Social Networks 81 (2025): 53-66. Link, -PDF-, Google.

      • 适用方法：SAOM (随机行为者导向模型)

    • Parker, A., Pallotti, F., & Lomi, A. (2021). New Network Models for the Analysis of Social Contagion in Organizations: An Introduction to Autologistic Actor Attribute Models. Organizational Research Methods, 25(3), 513–540. Link, PDF, Google.

    • Koskinen, Johan, and Galina Daraganova. “Bayesian analysis of social influence.” Journal of the Royal Statistical Society Series A: Statistics in Society 185.4 (2022): 1855-1881. link, -PDF-, Google.

      • 适用方法：Autologistic 模型

T4. 网络因果分析 (半天)

本讲系统梳理网络因果推断所面临的核心挑战，介绍如何在存在网络依赖结构的背景下进行因果识别与估计。重点涵盖双重差分 (DID) 等回归框架在网络场景中的扩展，结合 ERGM、FGLS、Meta 分析与 ABM (Agent-Based Model) 等方法，帮助学员建立从理论到实操的分析路径。

网络数据中的两难问题：依赖性与因果识别的冲突

在标准的因果推断框架中 (如 DID, PSM 等)，通常依赖以下两个基本假设：其一，独立性假设：个体之间的处理效应彼此独立，一个个体接受处理不会影响其他个体的结果；其二，稳定单元处理值假设 (SUTVA)：个体的潜在结果只与其自身的处理状态有关，不依赖于他人的处理状态。

然而，在网络数据中，这两项假设往往难以满足，原因在于：其一，外溢效应：个体的处理可能通过网络结构影响其邻接节点 (如朋友、同事、合作方)；其二，自选择偏误：个体之间建立联系常常基于相似性，这种“同质性选择”会导致处理状态与网络结构之间存在内生性；其三，网络依赖性：个体的行为及其结果往往受到其网络位置、邻居行为、甚至更广泛网络结构的系统性影响，导致观测值之间不再是彼此独立的==(An et. al,2022)==。

为此，本讲将介绍三类常用方法，以便在考虑网络依赖的前提下进行因果推断：广义最小二乘法(FGLS)、Meta 分析 与 ABM (Agent-Based Model)，分别对应“稳健估计”“多网络整合”与“模拟识别”三种路径==(杨张博和高雅婷,2024)==。

  • M1：广义最小二乘法 (FGLS)。FGLS 方法允许在已知或可估计的误差协方差结构下进行稳健估计，常用于以下两类场景：
    • 网络结构已知，干扰项的协方差结构可显式建模；
    • 通过残差分析可以确认“网络相关性”特征，且需调整标准误的计算。
  • M2：Meta 分析在网络因果中的应用。在社会网络研究中，不同子网络 (如组织、社区、班级) 常构成相对独立的分析单元，单一子样本往往难以得出稳健结论。Meta 分析通过汇总多个子样本的因果效应估计，并基于标准误进行加权，不仅提升估计的统计效率，还可检验效应在不同网络结构或处理强度下的异质性，增强研究结果的外推能力。应用场景包括：
    • 跨多个组织、学校、社区的网络干预评估；
    • 多阶段分组实验设计下的因果效应整合；
    • 探索网络结构特征对效应异质性的调节作用。
    • R 中推荐使用 metafor 包实现相关分析。
  • M3：基于 ABM (Agent-Based Model) 的因果推断。ABM (Agent-Based Model) 为模拟类方法，通过设定个体 (Agent) 的行为规则与网络互动方式，构建系统演化过程，从而识别微观机制如何导致宏观因果效应的产生 (Renzini et al, 2024)。ABM 模型特别适用于存在复杂外溢效应、异质行为响应、反馈机制等情形，常见软件平台包括 NetLogo (图形界面) 与 Python 包 mesa、 R 包 abmR和NetLogoR (适用于科研仿真)。主要应用场景：
    • 理论机制验证：检验假设的干预机制在特定网络结构下是否成立；
    • 政策模拟评估：预测不同干预方式下的系统演化路径及最终效果。

6. 参考文献

  • 杨张博, 高雅婷. 制度环境、企业所有权与连锁网络断裂 [J]. 社会学研究, 2024, 39(06): 133-153+229. link ==有 code==
  • An, Weihua, Roberson Beauvile, and Benjamin Rosche. “Causal network analysis.” Annual Review of Sociology 48.1 (2022): 23-41. link, Google
  • An, Weihua. “A tale of twin dependence: a new multivariate regression model and an FGLS estimator for analyzing outcomes with network dependence.” Sociological Methods & Research 52.4 (2023): 1947-1980. Link, Google ==有 code==
  • Renzini, Francesco, Federico Bianchi, and Flaminio Squazzoni. “Status, cognitive overload, and incomplete information in advice-seeking networks: An agent-based model.” Social Networks 76 (2024): 150-159. link, Google
  • R Hernandez, Exequiel, Jason K. Lee, and J. Myles Shaver. “Toward an improved causal test of network effects: Does alliance network position enhance firm innovation?” Strategic Management Journal 46.4 (2025): 863-897. Link, Google

7. 报名信息

  • 主办方： 太原君泉教育咨询有限公司
  • 标准费用 (含报名费、材料费)：
    • 全价：2000 元/人
  • 优惠方案：
    • 专题课/现场班老学员：9 折，1800 元/人
    • 学生（需提供学生证/卡照片）：9 折，1800 元/人
    • 连享会会员： 8.5 折，1700 元/人
  • 温馨提示： 以上各项优惠不能叠加使用.
  • 联系方式：
    • 邮箱：wjx004@sina.com
    • 王老师：18903405450 (微信同号)
    • 李老师：18636102467 (微信同号)

报名链接： https://www.wjx.top/vm/h4SVEyv.aspx#

长按/扫描二维码报名：

缴费方式

方式 1：对公转账

  • 户名：太原君泉教育咨询有限公司
  • 账号：35117530000023891 (晋商银行股份有限公司太原南中环支行)
  • 温馨提示： 对公转账时，请务必提供「汇款人姓名-单位」信息，以便确认。

方式 2：扫码支付

温馨提示：

  • 扫码支付后，请将「付款记录」截屏发给王老师-18903405450 (微信同号)

8. 听课指南

8.1 软件和课件

听课软件：支持手机，ipad ，平板以及 windows/Mac 系统的笔记本，但不支持台式机以及平板电脑

特别提示：

  • 为保护讲师的知识产权和您的账户安全，系统会自动在您观看的视频中嵌入您的「用户名」信息。
  • 一个账号绑定一个设备，且听课电脑不能外接显示屏，请大家提前准备好自己的听课设备。
  • 本课程为虚拟产品，一经报名，不得退换。
  • 为保护知识产权，课程不允许以任何形式录屏及传播。

8.2 实名制报名

本次课程实行实名参与，具体要求如下：

  • 高校老师/同学报名时需要向连享会课程负责人 提供真实姓名，并附教师证/学生证图片；
  • 研究所及其他单位报名需提供 能够证明姓名以及工作单位的证明；
  • 报名即默认同意「连享会版权保护协议条款」。

 

9. 助教招聘

  • 名额： 10 名
  • 任务：
    • A. 课前准备：完成 2 篇推文，风格参见连享会主页 www.lianxh.cn；
    • B. 开课前答疑：协助学员安装软件和使用课件，在微信群中回答一些常见问题；
    • C. 上课期间答疑：针对前一天学习的内容，在微信群中答疑 (8:00-9:00，19:00-22:00)；
    • Note: 下午 5:30-6:00 的课后答疑由主讲教师负责。
  • 要求： 热心、尽职，熟悉 R 和 Stata 的基本语法和常用命令，能对常见问题进行解答和记录
  • 特别说明： 往期按期完成任务的助教可以直接联系连老师直录。
  • 截止时间： 2025 年 7 月 12 日 (将于 7 月 14 日公布遴选结果于 课程主页，及连享会主页 lianxh.cn)

申请链接： https://www.wjx.top/vm/h4wyvS0.aspx#

主页 | 推文 | 知乎 | B 站 | 在线课堂