基于社会网络分析看音乐排行榜的“不平等与不可预测性”及对策

■曹军军 赵志安

（中国传媒大学，北京，100024）

音乐排行榜可以总结一定时期、一定范围内有影响力的音乐作品并给其排名，形成一种关于音乐传播的“舆情”监测，与音乐产业的决策行为互为参照。诚然，其间也有“打榜”行为的存在，但就追求社会效益而言，音乐排行榜无论如何也应当形成一种积极的导向。目前国内关于音乐排行榜的研究已有不少，但笔者阅读了一系列这类文献后发现：在艺术传播的研究视野中，以及在与之相关的研发与运营等业界话题中，关于音乐排行榜，依然比较少见中观层面的、值得文化产业运营者关注的视角。为深入探讨这一状况，笔者先选取一些以“音乐排行榜”为关键词的、有足够的代表性的文献综述如下。

刘晓飞的《排行榜研究意义初探：以音乐排行榜为例》（载《文化创新比较研究》2019年第33期）认为：排行榜是一种筛选、“提纯”后的信息产品，有助于音乐受众做出正确的决策；排行榜的吸引力也在于受众的从众心理。她的《音乐排行榜差异化研究探寻》则提出排行榜具有审美评价的作用，而且呼吁打造更加客观、权威、富有公信力的音乐排行榜，而实现这些目标的基础是统计口径、方法的可靠，以及操作过程的公正、严谨。马雪的《论排行榜的广告效应》（辽宁大学硕士学位论文，2015年）尤以音乐为例，认为音乐排行榜属于一种文化排行榜，后者是文化产业的运作方法之一，具有注意力吸附功能。此文也关注排行榜领域的现存问题，如受利益驱使的“刷榜”造假等。整体看来，目前不论是新闻传播领域还是音乐传播、音乐产业研究领域，关于排行榜研究，在宏观层面已经形成了基本共识：它们都肯定了文化市场中的排行榜对大众观念的强大影响和引导作用，也都看到了排行榜的负面效应。

如果同时以“排行榜”和“社会网络”为关键词，则重要的关联结果至少有两篇文献。杨悦的《基于网络用户行为的搜索排行榜研究》（北京交通大学博士学位论文，2013年）是通信与信息系统专业的一篇博士论文，研究方向为网络理论与应用。该文以音乐搜索排行榜为研究对象，对“刷榜”现象做了建模，对NAVER 排行榜的关键词共现网络做了分析，并对中心度权重的分布规律给出了符合幂律分布的验证。张玥的《社会网络中用户影响力分析技术研究》（哈尔滨工业大学博士学位论文，2015年）则充分地运用了用户社交网络的拓扑结构视角，通过影响广度、影响深度和影响持续度等指标，对用户影响等问题做了深入研究，并具有一定的可操作性。不过，这样的研究总归过于微观，而且局限在理工技术层面。

笔者将在这些成果的基础上阐述自己的思考，而这个过程不妨从一篇刊登在《科学》杂志上的论文谈起。

一、现象与实证：“打榜”结果的“不平等与不可预测性”

2006年，美国普林斯顿大学的社会学教授马修·萨尔加尼克（Matthew J.Salganik）在《科学》上发表论文《对人工模拟文化市场中的不平等与不可预测性的实验研究》（Experimental Study of Inequality and Unpredictability in an Artificial Cultural Market）论证：出于社会影响，文化市场中产品的传播存在两个特点，一是不平等，二是不可预测。萨尔加尼克笔下的社会影响模拟因素之一，便是作品排行榜对受众选择的干扰，而且他恰恰以音乐为例来说明这个问题。

（一）萨尔加尼克的研究设计与结论

萨尔加尼克在这篇论文中首先提出，文化产业领域存在一种普遍现象：“产品的销量会呈现出一种‘赢者通吃’（winner-take-all）的局面”，亦即“文化传播会出现‘巨星’（superstar）效应”——某一文化市场常常被少数人、少数品种垄断。显然，这对应于我们熟悉的“头部艺人”“头部内容”等说法。就音乐而言，“在社会影响因素下，流行的歌曲会更流行，而不流行的歌曲会更不流行”。虽然萨尔加尼克并没有点明，但这无疑是马太效应的一种体现，可用于描述很多领域内的两极分化现象，也常是不平等（inequality）的重要表征。“在文化市场中，虽然好作品的传播效果最终不会太差，差作品的传播效果也绝不会很好，但是，什么样的产品能最终成为热销的产品（或说成为‘头部’产品），即使在很专业的评鉴人士看来，仍具有一定的不可预测性（unpredictability）”——我们不能简单地通过产品的质量判断它最后的销量水平，市场表现的随机性是无法忽视的。

为了检验这种不可预测性并探索其缘由，该文做了细心的研究设计。首先，作者假设社会影响确实会干扰音乐接受，且这种干扰可能是不平等和不可预测性的源头之一。随后，作者用实验来模拟音乐受众在文化市场中的欣赏与消费行为，并在实验中营造音乐排行榜对受众产生影响的情境。他采用分组实验法，测量和比较了受众对一些音乐作品的选择情况，指标包括对作品的评分、下载量。如图1 所示：第一组受众在音乐选择中完全进行独立的判断，不会看到别人的判别结果，然后将所有人对作品的评分综合起来作为作品质量的指标；第二组受众依次参与判别实验，后来者的判别会受到先来者的影响（social influence）。对这两组分别进行两次测试：第一次测试中，受众在选择时可以看到已有的音乐作品被先前的受试者打了多少分；第二次测试中，受众在选择时可以看到作品此前的下载量从高到低的“排行榜”式结果。值得一提的是，作者给同样的作品随机选取了不同的受试者组——他有8 个“第二组”，相关的测试也各进行了8次，他称其为“平行历史”（parallel history；即“历史的多次重演”，history replayed multiple times）。这种设计的考虑是：现实中“历史只会发生一次”，所以面对某种音乐传播和“打榜”的现实结果，我们无法判断它是必然的还是偶然的。而在“平行历史”的试验中，如果各组受众面对同样作品的选择结果及其排行基本一致，就说明排行榜确实有其可信度，反之则说明音乐传播的结果具有较强的偶然性（在决策者而言就是一种不可预测性）。

图1 该图引自萨尔加尼克的论文原文，他借用基尼系数（Gini coefficient）反映作品在每组、每次的测试中表现的差距，基尼系数越大则差距越大。深灰色条形对应的是有社会影响的情况（每次测试的8 个深灰色条形对应着8 个“平行历史”），浅灰色条形则对应着独立判断的情况（即第一组受试者）

结果，他证实了前述的研究假设。图1 里的基尼系数反映出了作品间不平等的情况。两次测试中，第二组的基尼系数均普遍高于第一组；而第二次测试的组间基尼系数差距更大。可见，社会影响确实会造成文化市场上不平等的营销效果，而在排行榜的影响下（即社会影响加强时），这种不平等还会加剧。

经济犯罪是刑法与经济法之间衔接的基础。经济违法行为和经济犯罪只有度的区别;由于超过了一定的度，行为才发生了质变，并因此受到不同法律的调整。因此，对于这种“度”的把握即经济违法行为与经济犯罪之间界限的把握是非常重要的，其也是保障刑法与经济法之间衔接紧密、协调统一的关键所在。

再来看图2：横坐标为独立判断时作品的下载量（“市场份额”），用以表征作品的质量；纵坐标为有社会影响的情况下，相应作品的市场份额分布情况（因为有8 次“平行历史”，所以横坐标的每个点位上都有8 个纵坐标点值）。可见，在有排行榜影响的情况下，这里的非线性拟合函数曲线呈现出更明显的波动特征，即越是高质量的作品，在“多次再现的历史”中的市场份额表现越容易波动，这进一步昭示了偶然性及不可预测性。所以，萨尔加尼克称：“哪些音乐成为排行榜第一（或头部前几位）的作品，其实是非常偶然的事情。”也就是说，音乐排行榜中的不平等是与某种程度的运气相伴的。

图2 该图同样引自萨尔加尼克的论文原文。对比可见，在有排行榜影响的情况下，音乐作品“品质”与其市场份额之间的关系更趋偶然

国内已有的关于音乐排行榜的研究也多多少少对因社会影响而生的“从众效应”有所触及，但对其做出实证模拟的研究较为罕见，因此，萨尔加尼克的实验设计可以作为不错的补充。但是，萨尔加尼克的这篇文章并没有在科学理论上对从众效应和不可预测性加以解释或充实。

（二）植入网络科学与社会网络分析视角后的观察

对刚才说到的问题，网络科学与社会网络分析领域已有进一步的阐释（萨尔加尼克的上述论文其实也是其“子领域”之一，即“网络传染”研究领域的一个著名案例）。兹再举一例：美国威廉与玛丽学院的丽萨·安德森（Lisa Anderson）等曾于1997年做了个经典的模拟实验，深入解释了从众效应带来的偶然性或不可预测性。

一个看不到内部的罐子里有2 个红球、1 个蓝球。受试者仅被告知罐子里有3 个球，要么是红色，要么是蓝色，然后被允许从罐子里抓取1个球，看后放回，再自行推断罐子里是蓝球多还是红球多，并将推断结果公布出来。受试者有多人，后来的受试者不能知道前面的人看到的究竟是蓝球还是红球，但可以看到他们公布的推断结果。这个实验可以揭示一种“集体错判”的风险：如果前两位受试者恰好都抓到蓝球，那么第三位受试者即使抓到红球，也很有可能断言罐子里蓝球更多。这里，受试者做出推断的一个重要依据是：在前面的众多受试者中，是觉得红球多的人占了多数，还是觉得蓝球多的人更多。也就是说，他的判断“从众”了。重复进行这项实验会得到若干种随机结果，但这些情况整体上可以分为两类：第一，如果声称红球多的和声称蓝球多的人数始终不分伯仲，那么后来的受试者仍然将莫衷一是，随机的判断结果会继续出现；第二，一旦两个阵营的人数拉开了一点差距，这种差距就很可能一直放大，判别结果的序列也会从波动走向稳定，“倒向”其中一方，也就是说集体找到真相，或者集体错判。这种“马太效应”同样存在于音乐传播领域，只不过现实中“球”的颜色更为多样罢了。

其实，人际关系是研究社会影响时的一个核心问题。对此，社会网络分析是一种常见且有效的实证方法，也就是将人际关系用数学中的图论知识加以形式化（建模），然后进行量化研究。这种图主要由“节点”和“边”构成：节点可以表示各种人或物，边可以表示各类关系。上述抽球实验也是社会网络分析的一个分支领域“网络动态学”中的案例。就此，可以回到本文论题：我们说，排行榜情况的演变一直都处在一个有社交属性的、受社会网络制约的环境中。在排行榜收集数据之初，也就是作品之间尚未拉开差距的阶段，什么样的作品能获得较高的下载量，其实是带有一些随机成分的，正如抽到红球还是蓝球必然有一个概率因素。而一旦排行榜的数据格局发展到一定阶段，某些参与者脱颖而出并逐步显现“称霸”态势，马太效应就很可能无法逆转了，这时作品本身质量的因素可能会彻底边缘化，优秀作品排名较靠后也不足为奇。①在社会网络分析的角度上，这个不难理解的话题还有更加发人深省的解释。比如罗家德就曾以经济为例阐述道：如果收入不平等的格局改变起来很艰难，那不是因为低收入者不够“拼”或高收入者足够“拼”，而是人际关系的结构因素，即网络社群图所表达的社会关系结构在起着深层次的作用。在“不同阶层的人大都在努力，都渴望富裕”的动机驱使下，社会网络中的人会倾向于与更富者建立关系，并不惜贡献资源以维持这些纽带，结果让更富者更“受宠”，更易于聚集资源。参见罗家德著《社会网分析讲义》，社会科学文献出版社2005年版，第206页。这个观点同样可以用来解释文化领域、音乐领域的排行榜。大部分受试者看到已有的排行榜时，肯定倾向于优先试听排行榜“头部”那些高下载量的音乐，导致排行靠前的音乐更有可能被下载。这样，不断更新的排行榜表现出的下载频次的不平等就会更加严重，进而更为强烈地影响后来的受试者。

在社会关系因素影响下，音乐排行榜下载次数的格局演化也可基于另一种统计分布来描述，即幂律分布。应该注意的是，幂律分布不同于一般独立发生的现象（比如社会成员的身高、体重分布）在统计中的正态分布。幂律分布通常可以用公式

P(k)=Ck-γ

来表示，其中C为常数，而γ的取值在不同领域会有所差异，但最常取2，用以说明问题也是比较合适的。假设k为某部音乐作品在排行榜上的下载量水平，那么特定下载量水平的出现概率会随着k的增大而迅速降低：假如下载量为2 次的作品数量是下载量为1 次的作品的1/4，那么下载量为3 次的作品则只有后者的1/9，下载量为10 次的就只有1/100 了。在文化市场上，作品的基数常常很大，但即使是1 000 万部音乐作品中，也仍然会有下载量约为1 000 次的10 种“头部”作品，以及多达约10 万部下载量仅为10 次的一般作品。可见，幂律分布可以反映文化市场中所谓的“霸榜”情况。

总之，“不可预测性”的背后是偶然，但各次偶然的结果常呈现出不同水平的（即γ值有一定变动的）幂律分布特征。换言之，它们呈现出一种反映“不平等”的“必然性”。

（三）从文化传播研究视角的补充说明

社会网络的研究方法可以具体应用到“文化网络”①参见约翰·斯科特（John Scott）、彼得·J.卡林顿（Peter J.Carrington）主编《社会网络分析手册（上）》，刘军、刘辉等译，重庆大学出版社2018年版，第20章“文化网络”。领域，也就是可以涉足文化传播的问题。笔者对此有以下几点补充说明。

首先，大众文化研究领域经常提到的“标准化、同质化、伪个性化”可能也是不可预测性的原因之一。音乐排行榜关注的主要还是大众流行音乐，它们确实长期饱受同质化等诟病，所以受众有时难以判别质量的高下殊异，从而在作品的选择上体现出一定的随机性。既然如此，就流行音乐评价的真正意义而言，与其花过多的精力去关注作品本身的质量，倒不如更多地关注作品的传播规律，因为音乐传播研究会直接触及评价效果。（关注文化的传播问题也是伯明翰学派的重要立场。）

第二，既然说到大众文化，就难免与“精英文化”对比，而流行音乐和古典音乐又恰是这两种文化的突出代表。笔者访问中央音乐学院作曲系的姚恒璐教授时，他曾直言，相比古典音乐，流行音乐本身就不重作品文本。笔者认为这个观点颇有道理。况且伯明翰学派也认为，流行音乐其实更重社交。那么，前面说的实验就可以再做进一步的分组比较：换用不同的音乐形态，结果是否会有不同？在听赏内容为古典音乐、受众为“精英”的情况下，这种不平等、不可预测的现象还会有那么显著吗？

第三，以音乐为例的排行榜研究，是否和其他艺术门类的排行榜研究结果一致？从业界提供的经验来看，确实还是有差异的。应该承认，在文化市场上，前述关于排行榜的论断，在音乐传播领域表现尤甚。笔者曾在一次关于社会网络分析的教学论坛上，听到清华大学社会学系的郑路教授表示：如果想预测市场上某部“大制作”能不能在一定时期内“红”起来，可以参考它的资金投入，但预测“小制作”的电影、流行音乐、大众读物中哪些内容能“红”就很困难。

第四，我们要思考音乐的特殊性在哪里（比如与画展、电影相比）。在中国传媒大学音乐产业发展研究中心任职的本文第二作者认为，音乐“关联性、渗透性强”的特质，让产业实践中“音乐+”的运营方式格外醒目；而“音乐社交”是“音乐+”的重要体现，所以音乐反倒能为社交“做媒”。这样看来，音乐用户之间的互动作为一种社交方式，是与音乐活动有密切联系的，亦值得关注和研究。

这些角度都可以成为当下媒体社交大数据与文化产业研究的热点。除此之外，从社会网络分析的角度出发，还有可能刷新业界对排行榜研发的一些旧有认识。

二、现实问题与对策建议

音乐产业界一直有很多人士关注如何建设更有权威性和公信力的排行榜。通过前面的论述，读者或许已然觉察，科学揭示的规律和业界人士心目中的期待有些南辕北辙，且让人颇感意外。但是，由排行榜造成的不平等和马太效应也会对我们有所启发，而且我们并非全无对策。

一方面，正如所谓的“平行历史”实验所启发的，一个简单的策略恰恰是不要执拗于“唯任何一种所谓‘权威’的音乐排行榜的马首是瞻”的观念，要转向“允许各家排行榜共同存在”，多“打榜”，“让历史多次重演”。当“打榜”排行结果的多种可能性浮现出来之后，网络传播随机性和偶然性的缺陷就得到了一定程度上的填补。其实这种填补效果已经在业界出现了：正是因为各种互联网音乐平台或相关媒体启用了各自统计口径内的榜单，同样的市场、相似的曲库、大批被“孵化”的音乐人，才遇到了不同的打榜结果，用户亦因此不妨综合参考多种榜单。由此，今天的音乐文化市场上，“巨星”或“巨作”持久“霸榜”的情况才明显减少，20世纪90年代香港地区“四大天王”热度持久的情形也难以重演。这与排行榜能否做得更“权威”并无关系，反而可能缘于排行榜带来的众说纷纭、莫衷一是的局面。

另一方面，我们可以让社会网络分析方法及其方法论（乃至认识论）介入。既然音乐社交已经成了热点，那么对音乐社会网络的研究也应当提上议程。若以社会网络的观念为基础，则可以用网络模型的视角，对前述问题进行这样的陈述：当一个新节点进入网络之后，它会优先和网络中的那些连接程度更高（即“节点度”的数字更大）的节点连接。在幂律分布的这一根本性质之上，还可以进一步提问：音乐排行榜的研发是否可以直接基于用社会网络“形式化”了的模型？

笔者给出的答案是肯定的。从理论上看，在音乐的社会网络中，节点可以表示人、作品或与之相关联的其他要素，而“节点度”的大小则可表征音乐人、音乐作品等的声望或影响力，社会网络结构所揭示的“节点度”的频数分布，也多符合幂律分布规律。①关于这一规律的解释，属于网络基本拓扑性质的范畴。参见汪小帆、李翔、陈关荣编著《网络科学导论》，高等教育出版社2012年版，第三章内关于“度分布”和“幂律分布”的内容。而排行榜结果的产生，是摆脱不了社会网络环境中人际影响的因素的，所以才呈现出幂律分布的状态，也就是说，其原理符合由社会网络分析反映出的认识论思想。

在实践中，2019年也出现了“Billboard 中国”联合新浪微博推出的一款产品——“音乐社交排行榜”。其介绍称，该产品打通了音乐大数据的接口，同时采纳主要音视频流媒体平台的转发、分享、评论、点赞、收藏等与社交有关的数据，因此可以尽量全面地评估音乐作品的社交热度。但笔者想坦率指出，该产品统计涉及转发、分享等的“属性数据”，并不等于分析社会网络、社交网络（也有称“社会媒体挖掘”的）中真正意义上的“关系数据”。简单地说，“属性数据”仅是每个用户的转发频次、分享频次等，而“关系数据”是谁“转发给了谁”多少次、谁“分享了谁的内容”多少次之类的数据。换言之，通过关系数据，能看到对象之间的关系，以及这些关系的强度和模式。固然，转发、分享等行为可以生成关系，其数据也可以成为搭建多元关系社会网络数据库的基本条件，但该产品并没有这么做。该产品所说的全面评估，也只是扩大了样本规模，从而降低了抽样误差，与对社交关系的形式化网络建模并无太多关联，因此令笔者颇为遗憾。

笔者认为，真正意义上的基于社会网络的社交排行榜，应参考网络科学中的指标和算法。这里举两个例子，一是中心性分析，二是凝聚子群分析（在社交媒体挖掘中也称“社区发现”研究）。这里要专门说明一下中心性分析：节点在网络中所处的地位的中心化程度越高，其影响力或声望就越高，所以这是一种相当适用于排行榜评价研究的科学方法。而且，它的细分指标很丰富，如度数中心性（即有多少个边连接着节点）、中介中心性（即一个节点在网络交流中，多大程度上具有信息把关人的属性）等。至于凝聚子群分析，它与中心性分析并非泾渭分明，二者在网络科学中属于同一套研究范式，只不过凝聚子群分析实际上是一种分类研究的体现，即根据社会网络中关系的疏密等“计算维度”去探查网络中的各种子社群的集聚问题。

罗家德曾经以社会关系网络的视角形象地解释了经济领域中的马太效应是如何出于行动者共同的求富动机（即出于共同的网络行为模式）而形成的，也就是说，在一般情况下，网络有可能会演变为一种由少数度数很高的节点作为中心（或称核心）并向边缘弥散至较低度数的结构，即从“核心”到“边缘”的结构。应该指出，虽然中心性分析可以通过“中心势指标”相当好地描述网络的整体结构，也能通过给节点的度数做降序排列来取得评比效果，但是，文化领域的这种“核心—边缘”结构的网络其实是“亚健康”的，因为它往往对应着文化的单极化。罗家德随后也提出，要想阻止这种马太效应和亚健康网络结构的形成，一种较有效的方式是在网络中创造出更为多元的集结点（即那些有可能发展为高度数的节点）。①参见《社会网分析讲义》，第206页。这种多元的集结点会产生拆解网络核心的效果，使网络“分化”——多打榜的策略会让更多的作品或音乐人有机会成为“头部”，即有利于多元集结点的生成。多元，就是让网络分化出多个富有局部凝聚力的子群，它可以见诸围绕多元文化形态、多元风格等形成的小众社群。然而，即使网络的结构已从“核心—边缘”式转化成“多元”式，若仅有一款真正意义上的音乐社交网络排行榜，则基于某种中心性指标（譬如“核心—边缘”结构中的核心度指标）的评价研究又会面临新的局限性，因为它无法反映网络中的分派现象，不易阐释包含多种分化的凝聚子群的网络结构状态——而评鉴当代大众文化时，更应意识到的正是“不同的不同”而非“不如的不同”。这时，不妨将评价研究适当地向分类研究倾斜，转而观照各个相对独立的子群，那么，对文化市场的研究就应该倾向于对音乐社群和社区的分析等。在这方面，业界也已经有了一些调研报告，比如2019年“极光大数据”发布的“国内在线音乐社区研究报告”。但该报告同样让笔者感到有些遗憾：虽然它也以热度颇高的音乐社交、社区、大数据为关键词，但其调研依然限于用户量、付费量、类型分布等基本属性数据，与音乐社会网络分析没有太多关联。

业界的操作为何难以触及问题的本质，甚至让人怀疑是在“蹭”概念的热度？笔者曾与该类项目的一些负责人沟通，发现他们颇有苦衷：目前从事这类业务的通常是作为乙方的专业调研公司，但真正的社交网络关系数据储存在甲方的音乐平台数据库中，出于保护商业机密等缘故无法真正共享。比这更重要的是，互联网行业中数据技术层面的人士对社会网络分析等方法根本不陌生，他们在技术上更有发言权，笔者的前述研讨若想更加精深，恰应师从此类人群。但是，一些顶层的产业运营决策者或许在这个方面的认识还有不足，他们的注意力更多地集中在排行榜“现象级”的舆论效应上，或者一味担心数据不够真实从而不够“权威”。如果没有甲方和乙方的有效对话，没有决策层和技术层的有效对话，那么就更难找准正确的战略方向，更难让对音乐排行榜的简单认识上升为真正意义上的对音乐社交排行榜、社群分析的认识。若回到前面的文献综述，可以说，微观层面的视角和宏观层面的视角之间缺少了一些对话，学界如此，业界也如此。笔者的行文立足中观层面，希望能促成二者的更多相互关注。

三、结论

一旦包含社会影响因素，则在社会关系网络的视角下，文化市场及其排行榜（尤其是音乐排行榜）产生的评价结果就会具有相当强的偶然性，这种偶然性又表现为不可预测性。而多次偶然的结果会在统计上呈现出必然的幂律分布，整体上看，也就是马太效应和一种普遍的不平等格局。目前国内已有的关于排行榜权威性的研究和认识，尚未完全进入这个层面。所以，与其追求唯一“权威”，倒不如允许多榜并存。而若基于社会网络分析，进一步观察这种社会影响（或称社交因素），也可以深化对已有的音乐社交排行榜研究、音乐社交媒体社群研究的认识——面对多元丰富的文化，排行榜的评价功能不应当被过分放大，相关学术研究不妨适当向分类研究倾斜，更深层的问题或许应倾向于社群研究（这一思路在相当程度上可溯源至对社会网络的科学认识及其相关理论）。当然，具体的技术要素尚不在本文讨论的范围，笔者只是希望尝试扫除一些关于音乐排行榜的思维盲点和疑惑，在基本认识层面努力推进对音乐排行榜的研究乃至文化产业领域各种排行榜的研发。