突发事件舆情传播的社会网络结构测度与分析——基于“11·16校车事故”的实证研究

康伟

（哈尔滨工程大学经济管理学院，黑龙江哈尔滨150001）

突发事件舆情传播的社会网络结构测度与分析
——基于“11·16校车事故”的实证研究

康伟

（哈尔滨工程大学经济管理学院，黑龙江哈尔滨150001）

运用社会网络分析方法（SN A）研究信息在突发事件网络舆情传播中的整体结构和结点在网络中的位置及相互关系，探究舆情网络传播结构对信息的传播路径、传播速度和传播范围的影响。以突发事件“11·16”校车事故为实证研究对象，生成“11·16”舆情传播网络拓扑图，基于邻接矩阵数据对信息传播网络进行了整体网络结构、内部子结构和个体位置结构测度，并根据研究结果提出网络舆情引导政策建议。

突发事件；舆情传播；社会网络结构；测度

德国社会学家乌尔里希·贝克指出，由于人类对自然和社会生活干预范围和深度的不断扩大，当下全球已经进入风险社会。［1］伴随着生产力的迅猛增长，传统社会价值体系的转变，虚拟世界与现实世界的相互依存和渗透，各种自然灾害、事故灾害和社会安全事件等突发性危机事件已经成为当今世界各国普遍面临的问题，公共危机进一步常态化、多元化和系统化。近年来被称为“第四媒体”的网络媒体在各种突发事件上表现出了强大的影响力，广大网民以网络为平台，通过新闻跟贴、论坛发贴、微博转发等方式迅速形成的网络舆情经由网络传播产生发散和衍生效应，促使社会情绪合流、快速共振后形成突发事件的网络舆情危机。突发事件网络信息作为一种异化情境下的特殊信息形态存在于复杂互动的社会网络之中，行动者在网络结构中交换或分享信息，并发展相互关系。通过互动关系动态地影响着信息传播的路径、速度及变异性等。鉴于网络的结构特性直接关系到舆情演化中的个体间的相互关系，进而影响观点的统一、观点的极化以及观点的分散程度等舆情演化特征，本文试图对“11·16”校车事故突发事件信息传播网络的拓扑结构进行测度，分析该舆情网络的整体结构、内部子结构和个体结构，揭示舆情传播网络的结构特征与动力机制，本质地把握突发事件网络舆情演变规律，为更大范围和更复杂的突发事件网络舆情管理提供理论和实践参考。

一、突发事件、网络舆情与社会网络分析

（一）突发事件与网络舆情

根据2007年颁布的《中华人民共和国突发事件法》对突发事件概念进行的界定，“突发事件是指突然发生，造成或者可能造成严重社会危害，需要采取应急处置措施予以应对的自然灾害、事故灾难、公共卫生事件和社会安全事件。”［2］信息的不确定性对突发性危机事件的约束性很强，政府及社会在不确定约束下被动陷入非常规状态，各方均要求迅速获取有价值信息，以便“在时间压力和不确定性高的条件下对其作出应急个体和群体决策”。在突发公共事件的不同阶段，信息通过不同的渠道传播与被传播，不同的信息传播主体在信息传播过程中担负各自的职能，具有不同的性质、特点和规律，对事件的进展发挥着不同作用。事发初期信息通常仅掌握在某狭小地区或少数个体之中，但经由多种渠道进行的事件信息传递和交流，使更多人或组织成为利益相关人。信息的传播扩散可以通过政府、传媒、文献信息机构等途径实现，电子通讯和网络技术的发展极大地扩展了传统信息传播渠道、方式和范围，成为事件信息传播的新途径。

基于信息形成的多种情绪、意愿、态度和意见交错的总和就是广义上的舆情概念。网络舆情是舆情的一种，是对舆情新特征的综合和强化，主要指以BBS论坛、博客、各种社交网站和虚拟社区等为平台而呈现出来的网民对社会上的人和事的看法。［3］网络对舆情传播有明显增强和扩散作用，突破了传统媒介“一对多”形式的信息束缚，实现了“多对多”的N级传播模式，从而具备了主导公众舆论和关注信息的能力。

（二）突发事件舆情传播与社会网络分析

突发事件网络舆情是指通过新闻报道、网民发表言论等方式或呈现个人、群体及组织在网络空间中发布传播的基于突发事件的含有情绪、态度、意愿、观点或行为倾向的信息。包括事件的认知、过程、原因以及相应处置、事件背后的社会道德、体制等问题的各种观点和言论。与传统舆论相比，网络舆情的受众和传播主体更加分散，形成速度更快，内容更丰富，能够更加直接快速地反应事件的宏观舆情，但是互联网在提供便捷传播和获取信息通道的同时，也增强了噪音信息的流动，它们对正常信息构成干扰，影响真实信息畅通地传播。网络上呈现的负面舆情会影响公民对突发事件的认知、判断，甚至影响政府和当事人的态度与行为，数量大、争议多、影响广的网络舆情，不仅影响突发事件的控制，还可能演变为后果严重的衍生群体性事件，危害国家的安全和社会的稳定。

社会网络分析（Social Network Analysis简称为SNA）是适应研究社会结构和社会关系需要而发展起来的一种分析方法。社会网络指的是由多个结点（一组社会行动者）和各结点之间的连线（行动者之间的关系）组成的集合。通常被用于描述和测量行动者之间的关系或通过这些关系流动的各种有形或无形的东西，比如信息、资源等。在社会学中，社会结构是在各不相同的层次上使用的。它既可用以说明微观的社会互动关系模式，也可说明宏观的社会关系模式［4］。在突发事件信息的传递与交流中，存在大量不确定影响因素，各种以信息为媒介的触发、耦合、并发、转化关系的存在，将突发事件的组织与个体之间建立了联系，若用连线表示这些结点之间的接触或相互作用模式，就可描述出不同的网络结构，形成具有特定拓扑特性的突发事件舆情传播网络。若结点数量庞大，且结点间相互连线呈复杂构型，则这样的社会网络就可称为复杂社会网络。无论是人们之间传统的信息交换方式还是当前逐渐成为主流的互联网方式，舆情运行的网络都呈现出复杂社会网络的某些特征。因此，从社会网络分析方法和复杂网络的视角看，突发事件舆情的传播与扩散是传播主体与客体基于现实网络和虚拟网络复杂互动的过程，是一种社会信息流，在其发生、发展、演化和控制中通过多结点多层次构成的复杂社会网络进行传播、扩散和认同的过程。定性分析与定量测度舆情传播演化过程中的网络结构及参数特征也是目前社会学、管理学和传播学等多领域的研究热点。

二、突发事件舆情传播的社会网络结构测度及参数分析

（一）突发事件舆情传播的社会网络结构框架及测度流程

以怀特、格兰诺维特、林南等为代表的网络结构理论把人与人、组织与组织之间的纽带关系看成一种客观存在的社会结构，分析这些纽带关系对人或组织的影响。该观点认为，任何个体（人或组织）与其他个体之间的关系都会对个体的行为产生影响［5］。社会网络分析的关键在于把复杂多样的关系形态表征为一定的网络构型，然后基于这些构型及其变动，阐述其对个体行动和社会结构的意义。SNA不仅能够测量行动者个体及他们所处的网络成员之间的错综复杂的关系和连结，而且通过借助计算机软件工具对行动者个体和群组成员之间的互动模式能进行可视化建模，使研究者更关注舆情网络中参与者的关系和关系图式，更加直观清晰理解把握结点行为、新的社会应用和来自新结构的成果［6］［7］。

网络结构观认为，相关联的行动者之间的关系具有特别的重要性。人在社会环境中的相互作用可以表达为基于关系的一种模式或规则，由于网络的一些技术性特征，使得传统的社会关系模式很难适用于网络社会，因此，从网络的位置和关系的角度将结构进行量化分析是SNA的重点。从可计算的角度研究社会实体的关系连结以及这些连结关系的模式、结构和功能也是SNA的优势。通常有两种方法可以从数学角度描述社会网络：社群图（Sociogram）和社群矩阵（Social Matrix）。社群图法常常应用于研究结构对等性和块模型。社群矩阵法可用于分析角色及其关系。社群图是用主要由点（代表行动者）和线（代表行动者之间的关系）连成的图表示群体成员之间的关系构成。舆情网络成员之间的信息传播有入有出，因此，在本研究中相互链接关系的表达须要采用有向图。社群矩阵法则用来研究两种以上关系的“叠加”。如果行和列都代表来自于一个行动者集合的“社会行动者”，那么矩阵中的要素代表的就是各个行动者之间的“关系”，这种网络是1-模网络［8］。本研究中所涉及的也是1-模网络。

结合研究内容，本文提出的分析方法主要包括两部分，即突发事件舆情传播整体网络测度和个体网络特征分析。突发事件网络舆情传播模型的构建可以使用关系矩阵和SNA的网络结构图。模型的建立流程如下：准备数据及网络结点的确定→网络关系的确定与合成→数据的搜集和处理→网络模型的建立与输出→整体结构、中观结构（凝聚子群分析）与个体结构测度。

（二）舆情传播网络结构测度参数分析

社会网络分析（SNA）提供了很多用于结构测度的参数，按用途大致可以分为网络整体结构测度、子群测度、位置角色测度三类。其中网络密度、点度中心性和行动者间距离是反映网络整体结构特征的指标，凝聚子群分析是反映内部子结构分析的指标，结构对等性分析和结构洞分析则是指网络中的位置与角色分析。

在整体结构测度中通常要先计算网络的整体密度。密度指一个图中各个结点之间联络的紧密程度，表示网络成员之间连接的紧密程度和信息传播的互动程度，Mayhew&Levinger（1976）利用随机选择模型分析指出，网络图最大密度值是0.5［9］。在总体的网络结构状态测度基础上，往往还需要获取网络中核心结点的信息，观察核心结点的数量及与其他结点的连接程度，并对其重要性进行度量，该测度是针对整个结点所构成的社会网络，即社会中心网（socio-centric network）［10］。本文重点测度了点度中心度和点度中心势两个指标。前者指一个行动者与很多其他行动者之间的直接联系多，就表明该行动者处于中心地位，从而拥有较大的权力。它用来描述图中任何一个点在网络中占据的核心性。在有向图中分为结点的点入度和点出度。点度中心势指的是一个图的中心度，它表明的不是点的相对重要性而是图的总体整合度或者一致性。如果说点度中心度侧重的是行动者之间的直接联系测度，那么考察行动者之间的间接联系的指标则是指行动者间距离。

在社会网络结构分析中，对某些关系密切的内部子群研究特别重要。因为，凝聚子群不仅影响着群体内部成员之间的关系，而且还影响着网络的有效运行和发展。一般认为，凝聚子群是指社会网络中的一小群人关系特别紧密，以至于结合成了一个内部次级团体，在舆情网中，指行动者之间具有相对较强、直接、紧密、经常或者积极的交流传递信息的关系集合。本文采用了k-核分析，即通过分析子图中任何一点都至少与子图中的k个点直接相连来识别舆情网中存在的小团体数量。同一子群中的成员更倾向于分享信息，他们的认知与行为更可能趋于一致，而不同子群的重叠则可能有利于网络传递信息。

个体存在于网络中，因其位置不同使得其角色意义不同，社会网络中对角色和位置分析是通过结构对等性的概念来探讨个体行动者是如何嵌入网络之中的，指在一种网络关系中，如果两个行动者相互替代之后不会改变整个网络的结构，就可以说两个行动者是对等的，即结构对等。本文主要是通过欧式距离法分析结点与结点之间的相似度从而测度结构对等性。相似性即是社会网络学研究中的结构同型。它通过度量结点与结点之间的相似性关系，从而对网络中的结点进行分类，形成同型的网络结构社区。

“欧氏距离法”是将行动者i与其他行动者之间的关系称作行动者i的“截面”，而每个截面看作是代表n维空间中的一个点，然后计算这些点之间的距离，在有向关系网络对应的邻接矩阵中。应用欧氏距离法分析结构对等性时，结构对等的行动者之间的距离为0［11］。

描述个体位置和角色意义的另外一个概念是结构洞，指“社会网络中的某个或某些个体和有些个体发生直接联系，但与其他个体不发生直接联系或关系间断的现象，从网络整体看好像网络结构中出现了洞穴”［11］。本文主要就结构洞指数和中间中心性进行了测量。结构洞指数是将控制其他网络成员从整个舆情网络中获取信息的能力进行量化。结构洞指数重点测度有效规模、效率、约束性和等级度，其中约束性测量最重要，指该行动者在自己的网络中拥有的利用结构洞的能力，以行动者对其他行动者的依赖值为评价标准，数值越大，约束性越强。数值越小，行动者越能跨越结构洞接触非冗余信息源［12］。中间中心性指数测量的是行动者对资源控制的程度。其含义是，在网络中中间中心性最高的结点与其他结点的中间中心性的差距［13］。该结点与其他结点的差距越大，则网络的中间中心势越高，表示该网络中的结点可能分为多个小团体，并且过于依赖某一个结点传递关系，该结点在网络中处于重要地位。

在舆情网络中，占据“结构洞”的舆情形成者限制了洞两端的行动者的信息传播、获取行为，决定了舆情是否折射或流动。跨越较多结构洞的结点较之跨越较少结构洞的结点能够更多的接触到非冗余信息源，易于积累更多的社会资本。但实际上，与其他结点的联系越多也越易受关系限制，这种关系是强联系。在舆情传播中弱联系比同质化的强联系更适合传递信息。

三、实证研究

（一）“11·16校车事故”舆情概述

2011年11月16日上午，甘肃省庆阳市正宁县一辆货车与榆林子镇幼儿园超载校车相撞，造成21人遇难，43名儿童受伤。新华、人民、搜狐、网易等新闻类网站都在第一时间发表了相关新闻。当日下午甘肃省卫生厅公布了第一条相关微博，随后甘肃省政府新闻办、庆阳市卫生局等政务微博也陆续发布了信息。微博的转发数据庞大，且具有较强影响力和传播力，仅新浪微博上与“校车车祸”相关的微博当天就达到96万多条。事件的关注者多为政府官员、教育和医疗行业人员、媒体人等，传统意见领袖关注较少。

11月17日庆阳市委召开新闻发布会，网上舆情热度大幅上升，18日舆情达到峰值后下降。到11月22日，校车事故共引发相关报道13 795篇，网民跟帖评论1 785 428条，涉及网站560家。该事件涉及论坛主帖2 153个，回复10 873条，博客文章2 108篇。从网民关注度和网络关注度来看，本事件关注数量和强度较大，但主事件持续时间不长，大众媒体在舆论形成过程中依然扮演“信息源”和“推动者”的角色。该事件暴露出一些地区存在车辆违法严重超载、非法擅自改装车辆和有关部门安全监管不到位、教育投入不足等长期存在的突出问题。事发后，当地紧急组织抢救、侦办案件、及时行政问责、发布新闻和微博，一定程度上挽回了负面影响。甘肃当地政府部门和官员能够运用微博工具，以积极开放的心态倾听网民的意见和建议，成为本次事件舆情应对的亮点。

（二）数据来源与处理

TSN使得为所有工业通信创建一个统一的基础成为可能。一旦引入TSN，工业应用中的ISO七层模型的第1、2、3层将统一。这有可能使可扩展性和性能达到全新的水平。

校车事故的网络舆情主要通过公共网络平台和个人信息发布平台进行了信息传播交流。因此，本文选取公共舆情平台中的20个网站为结点，包括以人民网、网易新闻、搜狐新闻、腾讯新闻等为主的新闻网；以天涯社区、猫扑社区、凤凰论坛为主的论坛和社区类；以土豆视频、酷六视频、凤凰视频为主的音视频网。选取个人舆情平台的32个博客主和微博主作为结点，主要是以新浪微博、腾讯微博、人民微博为主的微博客和以新浪博客、网易博客、凤凰博报为主的博客。通过结点之间的关注、转发和评论等进行数据联系。本文采用有向网络结构图。舆情传播网络的“互动关系矩阵”中，成员A转发、关注了成员B的信息，则代表A与B的联系为1，反之，成员B没有关注、转发和评论成员A时，则B与A的联系为0。通过在社会网络结构中的数据信息查询，整理排列出52×52互动关系矩阵，并生成舆情传播网络关系图，见下图。

校车事故网络舆情传播结构图

（三）整体结构测度

1.密度

密度的测量旨在汇总各个线的总分布及其与完备图的差距。固定规模的结点之间连线越多，图的密度越大［14］。“11.16”事件舆情传播网络的密度为0.2289，在整体网络结构图中结点之间联系及较为紧密，主要表现为网络结构图中大部分结点之间存在直接联系。因此，该结构对舆情传播主题的关注度较为集中，有助于舆情的快速传播扩散。

2.点度中心性

在有向图中，一个点的点入度指的是直接指向该点的点数的总和；点出度指该点所直接指向的其他点的总数［15］。

“11.16”事件测度结果显示，不同成员表现出不同的点入度和点出度。根据点度中心度的数量不同，成员在社群中所拥有的权力和地位也不同。事故中点入度的最大值为35，是12号“头条新闻”，说明了其他结点对12号的关注量高，其信息传播等行为具有很大的影响力；点出度最大值为29，是15号结点“土豆网”，说明了“土豆网的信息来源较广，能够接收到更多校车事故的信息。1号“财新网”、2号“财经网”等成员的点入度和点出度的排名也比较靠前，说明他们在舆情传播网络结构中较为活跃，与其他成员互动性强，传播的信息易于获得关注。

在社群图中，将给定的两个行动者之间存在的长度最短的那条途径称为“测地线”（geodesic）［16］。如果两个点之间存在多条最短途径，则这两个点之间就存在多条测地线。也就是说，两点之间的距离指的是连接这两点的最短途径的长度［17］。

“11.16”事件测度结果显示，该舆情网络结构图中结点的距离最大值为5，最小值为1，大部分的结点之间的距离为1和2。在信息的传播过程中，最短距离越小，信息通过的结点就越少，传播速度则越快。整个网络的平均距离为2.065，因此可以说明在整个舆情网络中，舆情信息传播速度较快。

（四）凝聚子群分析

凝聚子群分析是利用一些算法找出“凝聚子群”，以确定组成整个网络中小的团体，也称为“小团体分析”［18］。k-核是建立在点度数基础上的，一个k-核就是满足下列条件的一个凝聚子集，即在这样的子群中，每个点都至少与除了k个点之外的其他点直接相连（邻接）。

“11.16”事件测度结果显示，校车事故k-丛的最大值为14，结点数共有25个，占全部结点1/2，说明了在该舆情网络图中存在联系紧密的“凝聚子群”，且该子群在整个舆情网络中占据了核心位置，掌握了大量的信息来源和占据了传播途径的关键点位置。

（五）个体位置结构分析

1.结构对等性测度

结构对等性的测度即指“网络位置的对等性”。主要考察的是行动者在多大程度上相似。“11.16”事件图为对称矩阵，除了对角线位置上的数值为0（行动者与自身是完全对等的）外，最小数据是2.449，为45号“网易新闻”和42号“雅虎论坛”，即这两个结点在结构上对等的。其他结点点对结点之间的距离各不相同，成员之间的结构对等性程度也不相同，因而影响力也不同。舆情网络成员之间的相似性指数并不相同。相互替代后不会改变对整个网络的影响力，在不改变影响力的前提下，结构对等性指数越高，互相替代的可能性也就越大，如16号和23号之间的结构对等性指数为5.477，其影响力也相当。

2.结构洞测量

结构洞测量包括结构洞指数和中间中心性测量。从结构洞指数的测量中，能够判别网络中具有结构洞的程度，但是在结构约束值相同的情况下，无法判断出哪个网络结构位置更为有利；而中间中心性则能够较为明确地计算个体的中间中心性指数，发现有优势地位的个体。

“11.16”事件测度结果显示，结构洞在校车事故舆情网络结构中的数量众多。行动者之间的约束性或者说是依赖性各不相同，最大值为行动者38号“连鹏”对46号“网易新闻”的约束性达到了25%，这就意味着在舆情传播网络中46号“网易新闻”有25%的信息传播行为是通过38号“连鹏”来完成的。图的下半部分显示了每个行动者的有效规模、效率、在整体网络中的总约束性以及等级度。由图可见，不同行动者的四个指数各不相同。9号“新周刊”有效规模较大，为25.63，其下依次为12号“头条新闻”、2号“财经网”，规模分别为24.60、22.00。有效规模越大也就越反映出结点在舆情网络结构图中居于核心地位。因此，可见度、有效规模大的结构洞能够对更多的舆情网络成员产生控制力。三个结点受到约束性较小，其值均小于0.15，说明了这些结点能够相对不易受其他成员的控制，较易获取信息资源。结点的等级指数都较小，说明了结点的约束性相当。

网络的中间中心性最大值依次为24号“南都周刊”、38号“连鹏”、16号“扬子晚报”，说明了这些结点在整个舆情网络结构图中占据着有利的位置，对资源的占有程度最大，能在一定程度上控制舆情网络中其他成员之间的交流及信息传播和共享。

另外，结构约束性测量与中间中心性测量计算出的数值高度负相关，即中间中心性越大，结构约束系数越小，占据的结构洞越多。

四、结论与政策建议

研究表明，突发事件舆情传播网络呈现互动网络状结构结构，网络中广泛存在凝聚子群，即小团体现象，同一子群中的成员更倾向于分享信息。网络整体密度与信息流通效率和关联程度较高，同时也体现出多中心多主体结构特征。“结构洞”的存在表明间接关系在信息传播过程中发挥重要作用。

1.构建多中心并行式网络结构

鉴于发事件舆情传播网络结构的复杂特征，打破传统单一主体时序性、阶段性的管理方式，以扁平化、弹性化的多中心网络结构，替代政府组织中机械、僵化的层级，同时实现并行式网络流程，可以提高管理系统对环境的感知能力和组织反应能力，从而保证了应对突发事件的快捷和有效。网络维度强调考虑不同主体的共同利益和协作的重要性。经由网络与信息技术的飞速发展而获得的高技术支撑，可以打破传统面对面的合作方式，极大地扩展了多元主体在时间和空间上以多种灵活方式相互配合的可能性，进而使彼此依赖、共享权力的动态组织网络系统形成互动成为可能。同时，将原有组织网络的层次纳入突发事件的信息管理层次，使信息深度以及广度满足管理要求，即实现突发事件信息网络的完备性和通达性，建立横向评估体系，完善舆情信息的监测与协同应对。

2.关注网络的弱联系结构

突发性公共事件爆发后，当持有某一态度或观点的信源占据优势时，网民将会快速靠拢，形成显著的羊群“集聚效应”。在突发事件信息传播中，主要体现在人们信息交换共享以及互助等形式的活动之后所引发的群体行为，这种群体行为属于非常规状态下由不确定性恐慌心理引致的临时自发活动，并形成临时的非正式弱关系。事件类型对新传播中产生的弱信任关系具有较强的影响作用。事件的破坏力越大，这种弱信任关系就越容易产生。公众在收到事件信息后，主动或下意识地传递给网络中的各结点。由于信息不对称，多数人对谣言和辟谣信息都保持宁信其有的心理和行为。基于社会网络的舆情网络分析方法中不仅关注信息的内容，更重要的是关注信息之间的相互关系。在进行网络舆情的管理和控制时，可通过择时选择关键位置引入舆情引导者的方法在相对较短的时间内改变或引导从众者的观点，将起到较好的舆情导向作用，同时将网络舆情建设成一个透明的即时互动平台，支持广大受众对于公共事件的理性探索，保持理性化的多样性，以提高公信力。

3.增强核心网络效应

在舆情传播网络中决定演变的主要因素是整个网络结构对信息传播约束程度以及核心网络对其他结点的影响力水平。从完善网络结构的角度出发，首先应该关注核心网络的建设，因为核心网络和核心元素代表了舆情网络的主要特征和主流方向。在一个舆情网络中核心元素往往是多个，建立核心结点之间的紧密合作关系，形成核心网络效应有助于舆情的有效引导和控制。传统媒体在公信力、权威性、可靠性及一次性传播效率方面具有优势，但是存在传播时间特定化、传播工具固定化和缺乏立体反馈的劣势，而网络舆情的即时性、互动性、丰富性和滚雪球优势突出。利用多种方式双向打通传播渠道，形成跨媒体核心网络，增强其连通性可以更好地掌控舆情发展态势，营造积极的社会舆论环境。

［1］乌尔里希·贝克.风险社会［M］.何闻博，译.南京.译林出版社，2004：33—34.

［2］http：//politics.people.com.cn.

［3］谈国新.突发公共事件网络舆情监测指标体系研究［J］.华中师范大学学报：人文社会科学版，2010（3）.

［4］林聚任.论社会网络分析的结构观［J］.山东大学学报，2008（5）：147-153.

［5］Scott，John.Social Network Analysis：A Handbook.London：Sage Publications.2000.P.36-37.

［6］Jintao Tang，Ting Wang.Efficient Social Network Approximate Analysis on blogosphere Based on Network Structure Characteristics SNA-KDD'09［M］. The 3rd Workshop on Social Network Mining and Analysis，2009（6）.

［7］M.E.J.Newman.The structure of scientific collaboration networks［J］.The National Academy of Sciences of the United States of America，Vol.98，No.2（Jan.16，2001）：404-409.

［8］Scott，J.，刘军译（2007）.Social Network Analysis［M］.2nd edition.Sage Publications，Inc.2000.

［9］Mayhew，B.H.，Levinger，R.L..Size and the density of interaction in human aggregates［J］.American Journal of Sociology，1976，82（1），86-110.

［10］Barnes.J.A..Social Network Module in Anthropology No.26［M］.Reading MA Addison-Wesley. 1974.

［11］Estrada E.Virtual identification of essential proteins within the protein interaction network of yeast［J］.Proteomics，2006，6：35–40.

［12］谢英香，冯锐.结构洞：虚拟学习社区信息获取行为研究［J］.软件导刊2010（8）：19-21.

［13］成亿，朱庆华.社会网络分析方法在IT博客中的实证研究［J］.中国科技资源导刊，2010（11）：35-41.

［14］Matthew O.Jackson.Social and Economic Networks［M］.New Jersey：Princeton University Press，2008：55.University of California，2005.

［15］Michael G，McGrath.Centrality and power among website users：a social network analysis application［J］.IEEE Computer Science，2009，51（1）：24 -35.

［16］Paul S.Alder，Seok-Woo Kwon.Social capital prospects for a new concept［J］.Academy of Management Review.2002（1）：26.

［17］Tracy C R，Joy K Prestige.Centrality and learning：social network analysis of an online class［J］.Communication Education，2005，10（2）：56-60.

［18］Ma W.，Zeng A P.The connectivity structure，giant strong componentand centrality of metabolic networks［J］.Bioinformatics，2003，19（11）：1423-1430.

（本文转载于《中国软科学》2012年第7期）

编辑∕高伟

康伟（1971－），女，管理学博士，哈尔滨工程大学经济管理学院公共管理系教授，研究方向：城市管理与公共政策、公共危机管理。

国家自然科学基金青年项目（71103047）、黑龙江省自然科学基金项目（G200919）、黑龙江省社科基金项目（11B068）