作者：刘颖
出版社：中国人民大学出版社
格式: AZW3, DOCX, EPUB, MOBI, PDF, TXT
复杂网络视角下的知识传播试读：
第1章 绪论
1.1 研究背景和意义
科学技术的进步推动社会发展步入知识经济时代，知识成为重要的研究对象，得到了不同学科的关注。信息技术的广泛应用和深入发展，一方面使得海量信息资源广泛地储存于计算机和互联网当中，形成潜在知识宝库；另一方面，巨大的信息量也为有效获取知识带来了挑战。
在此环境下，知识管理成为管理领域和信息技术领域共同关注的课题，但是这两方面的孤立研究均存在天然局限，管理视角理论性强但在可操作层面上支持不足，而单纯注重技术，若不能充分结合知识特性，实际系统的应用效果也往往不理想。为了促进知识管理，提升组织知识能力，要求我们将信息技术与知识管理的特殊性结合起来研究。
传统的线性因果式思维方式难以把握知识活动的规律和特性，以网络视角分析知识系统，为认识复杂的知识行为提供了有益的新思路。实际上，知识搜寻者、知识贡献者、信息资源等各类实体及其彼此间各种性质的连接关系构成了复杂的网络结构，知识在此网络之中生成和演化。复杂网络是系统理论研究中近年来取得突破性进展的重要分支，为网络分析提供了理论与方法。计算机强大的信息处理能力，使其成为网络研究和应用实践中必不可少的工具。理论、方法与实际应用相结合，对知识活动产生了重要影响，近几年来，繁荣发展的社会性软件体现了信息技术与社会网络结合带来的巨大潜力，代表了信息系统未来的发展趋势。
知识是当今社会中决定竞争力的重要资本，知识传播是知识加工过程中的重要环节，无论对个人还是组织来说，传播对其知识能力都具有重要影响。知识传播的研究对知识管理策略制定、知识管理系统建设都具有重要意义。因此在知识经济时代，知识传播研究将在促进科技进步和经济发展中发挥积极作用。
在理论上，本研究借鉴了多学科的研究成果，对相关理论进行了系统的梳理，形成了对知识传播问题的网络分析框架，探讨了知识传播网络的演化机制，丰富了网络理论的领域应用，为各项理论的进一步完善和补充提供了基础。
在实践上，本研究将网络分析方法应用于实际组织知识管理，探讨了量化指标的选择和解释。通过研究组织结构与知识传播功能之间的互相影响，支持组织决策。并根据网络分析结论，提出了改进的推荐算法，可应用于虚拟社区中友情连接推荐以及组织中知识资源的推荐。本研究利用计算机模拟生成数据和实际应用系统中获得的数据进行了多层次的算法测试，验证了算法的效率和准确性。书中提出的知识协作平台，结合社会网络实现推荐功能，通过信息系统促进知识传播，对提高组织的知识应用和知识创新能力具有重要意义。
1.2 网络视角下的知识传播
1.2.1 知识传播网络的相关概念和特征
本项研究重点是应用信息技术改善知识能力的方法，以知识传播网络为具体研究对象。知识、传播都是比较抽象的名词，同许多抽象概念一样，对其的理解可以有不同的层次和侧重。为了方便后面的讨论，明确研究对象及其特征，这一小节将对相关概念进行介绍。
1. 知识与知识管理
知识与信息有密切的联系，却不完全相同。知识不同于一般的数据，知识管理也不是简单的文件存取。数据是关于事件的一种客观表述，可以是没有特定意义的数字、图像或声音。当人们能对数据进行解释，并将其融入特定的背景，数据就演变成为信息，因此信息比数据更有价值。当信息与应用目标联系在一起，通过综合、分析，使信息具有意义，并能指导行动，则产生了知识。从数据、信息和知识的区别与联系入手，是理解知识概念的一种基本途径。
知识与信息存在差异，使得信息管理不能替代知识管理，知识管理必须针对知识的特征。在实际应用过程中，知识与信息不断发生相互转化：一方面，应用者将知识外化为方便记录、传输的各种形式的信息；另一方面，通过搜寻、积累以及重组信息，实现知识的学习或创造。知识存在于拥有者的意识当中，它是不可预见的、抽象的，分享和使用知识都依赖于拥有者的动机。知识的价值在于可以直接应用于决策，通过它为行动带来的增值可以判断其价值的大小。因此，与拥有者和应用行动的密切关系是知识的显著特征，也是知识管理系统中必须考虑的因素。
知识应用和信息价值提升的过程中存在几个关键环节：规划、搜寻、获得、重组、创造、存储、发布和共享等。一些研究将这种分析称为知识生命周期（knowledge life cycle）或知识管理过程（knowledge management process），从这些环节入手，知识管理更具可操作性。利用信息技术处理关于知识的信息，满足用户知识需求，促进知识管理过程，成为知识管理系统的目标。其中，知识创造和知识应用能力是最能体现知识管理系统价值，反映组织知识管理能力差异的因素。
2. 传播
传播译自英语communication，源自拉丁语communis（community）。该词的中文意思有十几种，如交往、交流、交通和通信等。传播这种现象非常普遍，可能存在于人与人，人与组织，组织与组织，人与机器、通信工具之间。有人统计关于传播的定义多达百余种，综合来看，传播概念包含以下特点［Littlejohn 1999; Severin and Tankard，Jr. 2001; 张国才2002］：（1）传播与信息有紧密的联系：传播是交换信息的过程，信息是传播的内容。传播的根本目的是传递信息，是人与人之间、人与社会之间，通过有意义的符号进行信息传递、信息接收或信息反馈活动的总称。（2）传播是相互作用的动态过程，强调过程和互动性。环境、组织协作的概念隐含其中。（3）传播是系列的传递和再生过程。（4）传播具有个人特征，基于个人的认知发生。
综上，通过传播活动可以获得信息，降低信息的不确定性，进而提高参与主体的行为能力。传播对于知识的共享、推广和知识创新具有促进作用。
3. 知识传播
本书讨论的知识传播是以知识转移和知识应用为目的的互动过程，传播的中心内容是知识，即具有行动指导能力的信息。知识传播具有以下功能：（1）知识发现。通过交流实现信息更新，接收关于知识内容和知识专家所处位置的信息，构建起个人或组织的认知知识网络。（2）知识解释。通过互动过程，增进对知识的理解。在此过程中，组织中观点趋于一致。逐渐形成共识。（3）知识应用实现。知识发现能力使知识的获取更加准确高效，情境化的知识解释提升了知识在不同环境中的有用性，从而有利于更有效地将知识应用于决策和行动。（4）知识创新。资源的共享、跨越专业边界障碍的交流，以及开放的组织环境，将极大促进新知识的创造。
组织通过传播活动实现上述功能，满足其知识需求，在此过程中形成一定的结构，而结构又对将来的知识活动产生影响。这种结构性，我们通过下面介绍的知识传播网络来刻画。
4. 知识传播网络
相互作用体现出个体间联系，个体及其联系构成“网络”，组织网络是通过个人、团体之间的交流形成的社会结构。传播过程的互动性，决定了网络是传播发生的基础。人们在交流过程中形成了传播链，这些传播链作用于所有形式的社会活动、组织及整个社会，从某种意义上说网络抓住了传播各方面的特征。传播与网络中的连接关系相互影响，传播过程形成了系统的网络结构，同时网络结构限制传播范围，结构与传播行为密切相关，因此我们从网络视角展开对组织知识传播的研究。
知识管理的关键就是对于组织中“人的网络”的分析，“就像掌握理解组织的钥匙一样，网络是开启人们脑中知识的钥匙，一个组织的知识资本应该投资于联系人们的无形网络”。因此研究知识传播网络对知识管理具有重要意义。
图1—1概括了我们对知识传播网络特征的认识，以及相应的研究框架。图1—1 知识传播网络特征及研究框架
知识传播网络具有以下特征：（1）知识传播中非正式网络发挥着重要作用。知识传播网络具有非正式网络的典型特征：结构不规则程度高、动态性强。（2）结构复杂。构成传播网络的节点可能属于不同类别和层次，节点间传播关系具有不同方向和效率。（3）动态复杂性，传播过程动态复杂，网络连接中伴随传播发生着信息流动；网络中的连接关系随着时间而新建、保持或消失，处于动态变化之中。（4）知识具有高度情境相关性，内嵌于具体应用或特定拥有者。知识传播需要以信任关系为基础，主要依赖于人际传播形式。
5. 信息技术支持的知识传播网络
人们通常只能感知发生直接联系的事物，而无法利用资源更丰富的知识网络。所以我们希望通过信息技术克服这种局限，充分发挥知识传播网络的作用。
如前面分析所见，因为知识的特性，单纯的信息管理技术无法完全实现对知识传播网络的支持。知识传播的促进应从两方面着手：一方面，支持知识资源（描述知识的信息）的发现和获取，另一方面，支持与相关知识专家建立联系。所以知识传播支持系统应当具备以下目标：通过信息系统的记录能力和反馈性，完善个人和组织认知知识网络，使信息技术支持的知识网络更加有序；通过促进专业化、互动性和聚集能力，灵活地实现知识内容与知识专家组合，提升组织知识应用和知识创新能力。
1.2.2 知识传播网络研究面临的主要挑战
21世纪初对知识管理系统的研究和应用还很不成熟，知识的特殊性对信息技术提出了挑战。互联网技术的进一步成熟，为知识传播网络的研究与实践提供了机遇，也带来了新的挑战。具体来说知识传播网络研究面临的挑战主要来自以下几方面：
1. 网络数据分析
实证研究是理论发现的基础，关于知识传播网络的研究还处于起步阶段，特别是在以计算机为代表的数字工具为媒介的应用环境中，还需要大量的实证数据分析。互联网技术的发展为数据收集存储提供了便利条件，但也使分析要面对海量数据处理的困难。要解决这个难题，应从两方面着手：一方面，加强数据筛选和精简能力，使得尽量少的数据中保留尽可能多的原始信息；另一方面，提高系统性能，软、硬件技术相结合，利用网络协同工作能力，使系统能够高效完成复杂的数据处理任务。具体这两方面如何实现，仍有待研究。此外，网络数据具有层次性和相关性特点，破坏了传统统计方法依赖的理论假设，这就要求网络数据分析借助于新的量化指标和统计方法，此领域的突破需要信息技术与统计科学相结合。
2. 知识传播网络的动态复杂性
掌握知识传播网络的特性和动态规律，对我们制定策略、指导知识传播应用于实践具有重要意义。知识传播是动态过程，传播行为和传播网络之间不断进行着交互反馈作用。知识应用者作为传播主体，具有自我意识和主动性，这增加了整个知识传播系统的复杂性。从过去的研究来看，如果将分析停留于文字表述，结论缺乏普遍性和说服力，研究缺乏指导意义；应用数学模型，提高了研究的精确性，但受限于数学模型在解决非线性问题时的局限，研究中往往设定许多假设条件以简化模型，过于简化可能带来认识偏差，使研究脱离实际。因此，需要新的研究手段，使我们在保留系统动态复杂特性的条件下，研究知识传播网络。
3. 知识推荐技术
推荐技术能改善知识传播网络，提高知识转移效率，减少信息过载的压力，因此随着信息技术的发展，对推荐系统的需求越来越迫切，知识推荐系统成为知识传播网络研究的重要组成部分。推荐系统研究中存在的挑战，一方面在于应用范围要求，在内容结构化程度低、历史记录欠缺等条件下，系统应仍能满足用户的个性化需求，为其提供可靠的推荐结果；另一方面，是对系统的效率要求，在实现上应满足方便性和高效性，降低应用成本。这两方面都对信息技术形成了挑战。
4. 知识传播网络改善
分析研究的最终目的是提高知识能力，通过信息技术实现知识协作平台是可行的方法，借此将研究成果应用于实践。协作平台应支持知识过程中的各个阶段，促进资源丰富的信息环境形成，结合个性化推荐服务，满足情境相关的知识需求。动态的应用环境还要求知识平台具备相应的灵活性和适应性，能方便地根据组织发展实现更新和扩展，这要求信息技术更加智能化。同时，用户成为信息系统中不能忽视的一个组成部分，对其利用和组织也对知识平台的设计实施提出了更高的要求。
1.3 国内外研究现状
后面各章中对相关研究领域的最新进展有更为详细的介绍，这一节主要对各相关领域中与本研究有关而且具有重要影响的成果进行概述。
从网络视角分析知识系统，在理论与方法上，复杂网络的最新研究进展为本项研究提供了支持。所有复杂系统都可以抽象为复杂网络模型，复杂网络无所不在。无标度（scale free）与小世界（small world）现象［Barabasi 2002; Watts 1999］是复杂网络研究中的重要发现，由此引出的网络模型分析对许多学科的研究产生了极大的促进作用［Barabasi and Bonabeau 2003; Watts 2004］。纽曼（Newman）的综述对复杂网络整个研究领域进行了系统的概要性介绍［Newman 2003］。国内一些大学如中国科学技术大学、北京师范大学、香港中文大学和中国人民大学等，较早进入该领域，并形成了一些成果［周涛2005；吴金闪2004；汪小帆2006；陈禹2005］。
将网络理论与社会应用相结合，形成了社会网络分析（social network analysis）方法，这方面研究最初起源于社会学，成为发展迅速的交叉学科，广泛应用于诸多研究领域，如组织研究［Kilduff and Tsai 2003］、知识管理［Cross，Parker，Prusak and Borgatti 2001］和创新［Barabasi 2005］等。文献［Wasserman and Faust 1994; Scott 2000; Carrington，Scott and Wasserman 2005］综合介绍了不同层次的社会网络分析指标、方法和模型，以及相关应用研究实例。社会网络分析方法在知识管理研究中的作用受到越来越多的重视，并涌现出许多具有启发意义的研究成果。早期的研究主要应用网络方法的量化分析和可视化能力，针对不同个案，结合结构特征诊断给出管理措施建议［Anklam 2003; Cross，Borgatti and Parker 2002］。凯瑟琳·卡莉（Kathleen Carley）教授的研究更进一步，将网络分析与计算机科学相结合，她所指导的跨学科研究中心CASOS，利用计算机建模技术，在动态网络分析、可计算社会与组织理论、适应与演化等方面开展了广泛的研究，并形成了网络建模分析平台和文本挖掘工具。针对该领域研究缺乏理论性和系统性的问题，文献［Monge and Contractor 2003］将社会网络分析方法在传播领域应用中的研究与相关社会学理论相结合，提出了多理论多层次的网络分析框架。从组织传播学的视角，综合介绍了相关的理论基础，并对社会网络分析在知识管理实践中的应用进行了深入探讨。该领域国内的研究大多处于早期阶段，缺乏理论上具有创新性的工作。
从近期的发展趋势看，网络分析的深入研究与应用实践，都需要与计算机技术紧密结合。计算机建模仿真技术为具有复杂性的社会系统研究提供了实验平台，广泛应用于复杂系统研究中［王飞跃 2004；方美琪 2005］。美国圣塔菲研究所（Santa Fe Institute）是复杂系统计算机模拟研究的前沿阵地，会聚了世界各地不同领域的学者，积极支持跨学科研究。奈哲尔·吉尔伯特（Nigel Gilbert）教授指导的社会仿真研究中心（Centre for Research in Social Simulation）、金姆·斯奈本（Kim Sneppen）教授指导的生命模型中心（Center for Models of Life）等研究所，是欧洲开展跨学科模型与模拟研究比较有代表性的机构。在网络动力学机制研究中，计算机模拟技术发挥了重要作用，通过多主体仿真（multi-agent simulation），从底层主体间的相互作用入手，可以模拟网络结构和功能的动态性，并在此基础上进行政策效果检验。一些研究关注一般网络形成和演化过程的仿真［Jackson 2003］，一些研究将应用实例分析与建模仿真相结合，考察网络结构和功能的微观基础，并提出相关政策建议，其中关于创新网络［Gilbert，Pyka and Ahrweiler 2003; Ahrweiler，Pyka and Gilbert 2004］、传播网络［Monge and Contractor 2003; Rosvall and Sneppen 2006; Tsvetovat and Carley 2004］、网络社区［Kumar，Novak and Tomkins 2006; Zhang，Ackerman and Adamic 2007; Halpin，Robu and Shepherd 2007］等对象的研究，对本研究很有启发。在这些研究过程中，形成了一些有用的工具软件，如Ucinet、Pajek和iGraph等，这些具有网络统计分析和可视化功能的通用软件，极大地提高了网络分析的效率；而Repast和Blanche［Hyatt，Contractor and Jones 1997］等通过提供开放API或者工具包，成为支持网络研究的多主体建模平台，降低了程序开发难度，并加强了模型的标准化和通用性。
另一方面，网络研究也促进了互联网和信息系统的研究与实践，两者相辅相成，信息技术的发展给社会网络带来了深远的影响，社会网络分析也促进了信息技术变革。网络结构分析可应用于信息资源检索，PageRank算法在谷歌（Google）获得的巨大商业成功中发挥了重要作用。雅虎（Yahoo）资深搜索专家针对web搜索领域中存在的挑战，提出将社会计算、社会网络和博弈论等应用于信息检索系统设计。社会网络的信息还可应用于个性化推荐算法改进和语义网研究［Paolillo and Wright 2005; Blattner Zhang and Maslov 2006］。社会网络分析不仅推动了信息技术中的算法研究，还影响到信息系统的设计开发，两者结合衍生出了社会性网络站点（social network sites，SNS）。近两年网络中涌现出大量此类应用，这些应用的迅速发展，体现了社会网络与信息技术结合带来的巨大潜能。许多不同学科背景的研究者针对这些应用的管理、网络结构、相关影响等，从不同侧面进行了深入的研究［Boyd and Ellison 2007］。
1.4 本书的主要工作
本书从网络的角度考察知识传播问题，网络分析依照以下四个层次进行：（1）社会网络的度量计算与可视化问题。关注组织当前的结构状况，组织中成员之间的咨询协作网络、知识与信息的流通网络的效率。通过调查得到组织中与知识相关的各种网络，进行网络可视化和计算分析。（2）社会网络结构与功能的应用研究。考察对于知识传播应用来说，什么样的网络是好的，什么样的网络是不好的。根据一些关键参数，可以把网络分为不同的类别。比如小直径、高聚集的小世界网络，或连接度服从幂律分布的无标度网络等。在具体的管理应用中，考察组织网络结构类别对知识管理的影响，分析组织网络结构与信息流动、知识扩散间的关系。（3）网络演化动力机制和动态模型仿真的研究。不同类型的网络结构是如何形成的？有怎样的变化趋势？组织中存在的网络结构不同于组织结构的概念，这种结构不是通过自顶向下的设计实现，而是与组织中微观层面的成员及其人际关系有关。因此对网络动态机制的研究需要从微观个体行为入手，通过多主体的计算机模拟，对组织网络进行动态仿真，在计算机模型中验证不同网络演化机制的假设，探索不同网络的发展规律。（4）在掌握了各种网络的结构特性和动态机制后，对于组织管理有什么样的启示？如何制定相关的激励制度或行为规范，从而有意识地让个人或组织的行为更有利于形成最适宜的网络结构？让网络的自发形成过程变为自觉形成过程。
前面三个层次分别侧重于发现并观察知识网络，分析其特征、探究其发展规律，最后一个层次的研究则是为了促进组织知识网络向所期望的方向发展。
本书的主要工作和创新包括以下几方面（参见图1—2）：图1—2 主要研究内容及其关系
将网络分析方法应用于组织知识管理（图1—2中Ⅰ部分）。对实际组织中的社会网络进行可视化和量化分析，评价网络结构对知识相关行为表现的影响。分析了相关的理论基础，提出了系统的分析框架。通过具体实例研究，验证了网络分析的可行性及其对组织知识管理的促进作用。
利用多主体建模方法模拟传播网络演化过程，研究了网络结构与信息传播间的反馈关系（图1—2中Ⅱ部分）。根据知识传播系统的社会涌现特性，通过对微观个体传播和建立连接行为机制的设计，研究不同条件下，组织网络演化的结构特征，以及网络结构对个体行为的影响作用。并利用模拟实验数据，验证推荐算法，搭建模型，为算法验证提供了灵活、高效的测试环境。
为促进知识传播，研究了知识平台中核心功能模块——推荐模块的算法设计与实现（图1—2中Ⅲ部分）。推荐技术对信息过载环境中的知识传播意义重大，为改善传统协同过滤算法在初始信息稀疏、数据量大的应用环境中的不足，本书提出了迭代资源扩散算法，并根据具体网络结构特性，提出了算法改进的方案。应用多种测试数据，对比验证了不同条件下算法的效率和准确性。
最后，根据上述分析和研究成果，提出了知识协作平台的设计实施架构，实现推荐系统的实验原型（图1—2中Ⅳ部分）。社会性软件的概念框架创新重组了系统开发中的多种技术，使得系统平台更灵活，更能鼓励用户参与，特别加强了对社会网络的支持，使系统能在用户应用中获得性能提升［张树人2006］。本研究在知识协作平台设计中充分考虑了相关机制，改善了用户应用体验，促进了用户参与，加强了系统对用户历史行为的记录，从中挖掘各种可利用的关系，实现个性化推荐功能，以形成灵活、开放的支持知识协作的应用环境。
1.5 本书结构
第1章绪论，介绍了知识传播网络研究背景和意义，介绍了涉及的重要概念，分析了知识传播网络研究的特征和面临的主要挑战，介绍了国内外研究现状以及本书的主要工作。
第2章侧重于分析知识相关网络的静态结构。介绍了复杂网络理论、网络结构分析的概念和技术。分析了网络理论和方法的关键问题与最新进展，并结合具体实例探讨了网络分析应用步骤及其在改善组织知识管理和知识传播中的积极作用。
第3章侧重于知识传播网络的动态模拟。讨论了复杂系统的特征，以及知识系统的复杂性。应用多主体建模技术分析知识传播系统，通过计算机模拟实验，将知识传播与社会网络的概念相结合，研究了这一复杂过程中微观行为基础和宏观结构影响之间的相互作用。
第4章着重研究个性化推荐算法改进。结合网络结构属性和理论物理领域的研究成果，提出基于网络的迭代资源扩散算法，通过节点结构相似性做出推荐。并在不同测试环境中，将该算法与通用算法进行了多角度的比较，对比实验显示了算法在大数据量、稀疏矩阵条件下的效率和准确性。
第5章在前面几章的基础上，将社会网络应用于信息系统设计之中，提出知识协作平台设计方案，并介绍了系统原型的实现。
第6章对本书工作进行了总结，并作了进一步的研究展望。
第2章 知识传播复杂网络分析
复杂网络是复杂系统的存在方式，复杂系统可以被视为组成部分及其相互关系的结合，本书的主旨就是通过网络的视角来理解并辅助知识传播系统。本章重点分析知识相关网络的静态结构，下一章中结合计算机建模方法将分析扩展到传播网络的动态过程，所以这两章是全书的基础分析部分。本章对后面涉及的网络相关概念、指标做了必要的解释，分析了网络理论和研究方法的关键问题与最新进展。最后结合具体实例，介绍了网络分析方法的实施步骤，及其在改善组织知识管理和知识传播中的积极作用。
2.1 网络分析相关工作
提到复杂网络，离不开复杂性科学和复杂系统的概念。复杂系统理论的核心观点是：整体不是各个组成部分的简单加和，由组成部分到整体之间的跨越，正是源于各部分之间的相互联系。因此理解这些复杂联系成为解决系统复杂性的关键，这也是网络研究对系统研究的意义所在。
复杂网络研究可被视为复杂系统研究的一个分支，它注重组成部分之间的各种联系，强调系统的构成结构。近几年该领域受到了不同学科的关注，并取得了突破性进展，研究成果对许多学科的发展起到了极大的推动作用［刘涛2005; Newman 2003］。图2—1反映了国内CNKI统计“复杂网络”这一主题学术关注程度1994—2006年间的变化趋势。这一节重点对复杂网络的基本概念以及社会网络分析基本方法进行简要回顾。图2—1 1994—2006年“复杂网络”主题学术关注度的变化
｝qc资料来源：通过CNKI学术趋势搜索以“复杂网络”为关键词，搜索获得。参见http://trend.cnki.net/。
2.1.1 复杂网络研究概览
复杂网络的复杂性体现在两层意义上：一方面是构成与结构上的复杂性，另一方面是动力学复杂性。网络由节点和连接边构成，节点可能属于不同类型，具有不同属性；连接边可能是异质的，代表不同意义，具有不同的方向、权重；其结构特征，可能既非完美有序，也非完全随机。复杂网络通常具有动态性，其动态规律属于网络动力学研究范畴。网络动力学包括基于网络动力学和网络自身动力学两层含义。前者指网络上承载的动态过程，比如特定网络结构上的传播、搜索、同步过程等；后者侧重于网络结构自身的演化，网络结构不是固定不变的，网络中节点的生长与消失，连接边的新建、保持和消除带来了网络结构的不断变化。上述对复杂性的拆分，仅是为了分析的方便，实际的复杂网络，通常同时具备多重复杂性。
复杂网络是复杂系统的存在方式，是复杂系统的结构抽象，也是我们理解复杂系统的一种视角，从这种视角出发衍生出了一系列有效的方法。用网络的观点描述客观世界起源于1736 年德国数学家欧拉（Euler）解决哥尼斯堡七桥问题（Königsberg bridge problem）。对不同的具体问题进行抽象，化简其中的细节并将其归结为“图”——一系列节点和连接边的集合——的问题，这种方法开始成为数学领域中具有一般性的有力工具——“图论”（graph theory）。由于在对系统进行网络抽象时要求相互作用的基层单元是“独特的”而非可互相替代的，所以社会学家首先将这一抽象的数学对象应用于具体问题，这大约在20世纪50年代。接下来近50年中，网络分析相关研究进展非常缓慢。社会学家面临着数据获取的困难：许多概念范围描述不清晰，大规模可信赖网络数据难以得到记录。一些研究开始转向相关数学模型，但结果与实证研究有明显差异，对两者的结论难以做出正确评价，这些都限制了网络研究的发展。这段时间内，一项引人注意的工作是Price对科技引文网络的研究，揭示了幂律（power-law）分布的特征。他基于西蒙的观点提出了累积优势（cumulative advantage）的模型，解释了这一现象。由于他的工作仅涉及一个特定网络，在当时并没有引起太大的影响。
直至20世纪90年代随着信息技术的不断发展和逐渐成熟，所有的必要条件似乎一下子得到满足。系统整体观得到更多重视，学科间的边界障碍开始减弱，互联网发展为实证研究准备了大量数据，运算能力的提高为网络相关的复杂计算提供了可能。研究者开始认识到每个复杂系统的底层都存在一个非随机构型的网络，构成网络的交互作用模式对理解系统起到重要作用。
万维网（world wide web，WWW）是最早被研究的“复杂网络”，因为它的规模达到统计有效的要求，而且数据容易获取。在1998年开展的一项描绘万维网项目中，观测结果推翻了研究人员的随机网络预期。研究发现，万维网基本上是由极少数高连接性的页面串连起来的：80％以上页面的链接个数不到4，而不到总数万分之一的极少数节点，却有1 000个以上的链接。万维网的连接度分布再一次显示出幂律分布特征，而这一次的研究不再是孤立的，在社会网络、技术网络、信息网络和生物网络中都发现了类似的结构特征。这些不同领域的“横断性”研究，成为复杂网络的研究范畴，一些新的概念和结论，与传统的网络、图论研究有一定的区别。
下面给出复杂网络研究中涉及的几个最基本概念：
定义2.1 网络形式化定义如下Network=（V，R），其中V=｛x|x∈dataset｝，R=｛（x，y）|P（x，y）∧（x，y∈V）｝，网络中节点x是系统数据集dataset中的元素，R是连接边的集合，即节点x和y均属于系统数据集，且x到y之间存在连接边，则节点对（x，y）属于集合R。
定义2.2 节点i的度k为节点i连接边的总数目，所有节点度的平i均值称为网络的平均度，记为（k）。当连接边有方向时，节点的度区分为入度和出度，入度为指向该节点的连接数目，记为k；出度为in该节点发出的连接数目，记为k，相应均值记为（k）和（k）。outinout
定义2.3 网络中节点的度分布函数p（k）表示一个任意选择的节点恰好有k条连接边的概率，也等于度为k的节点个数占网络中节点总数的百分比。
定义2.4 网络中，连通两个节点i和j的最少边数，定义为这两个节点的路径长度或称为距离l。ij
定义2.5 网络直径d定义为所有节点对中的最大路径长度。
定义2.6 网络的特征路径长度CPL表示所有节点对的路径长度平均值。CPL=＜l＞，i，j∈V （2.2）ij
定义2.5和定义2.6规定的两个变量，反映了网络全局特征，刻画了节点间的分离程度，即网络有多小。
定义2.7 假设节点i通过k条边与其他k个节点相连，如果这k个iii节点相互连接，它们之间存在2k（k－1）条边，而k个节点间实际存iii在的边数记为E，则节点i的聚集系数C可以表示为公式（2.3）。iiC=E/2kk－1 （2.3）iiii
网络的聚集系数C是整个网络中所有节点的聚集系数的平均值，如公式（2.4）所示。聚集系数度量了一个节点的两个直接邻居彼此互为邻居的可能性，网络中这种关系构成了三角形结构。聚集系数高，意味着网络拓扑在局部层次上更紧密。C=＜C＞，i∈V （2.4）i
显然，只有在全连通网络（complete network），每个节点都与其余所有节点相连接，网络聚集系数等于1，一般情况下，该系数小－1于1。在完全随机网络中，C=N，其中N为网络的节点数。在第3章的分析中，我们通过实际出现的三角形数量与对应的同分布随机网络中该数值相比，评价网络的聚集性，克服了度分布对聚集系数的影响。
上面的定义2.1至定义2.7列举了网络研究中常用的概念。复杂网络研究涉及不同领域，但在抽象的网络层次，其结构上显示出一些共性，复杂网络引人注意的一般特征主要包括下述几方面：
1. 度分布特征
复杂网络的度分布图，通常表现出宽尾（fat tail）特征，多服从幂律分布或指数分布。
定义2.8 幂律分布指任何节点与其他k个节点相连的概率，与1/k成正比。－γp（k）∝k （2.5）
万维网页的入度分布中γ值接近于2，这意味着，连入连接数为某站点一半的站点数量为该站点的4倍。
幂律分布和表征随机网络的泊松分布（Poisson distribution）大相径庭，不像钟形曲线那样具有一个峰值，而是连续递减的。如果用双对数坐标系来描述幂律分布，得到的是一条向下倾斜的直线，这也是判定网络符合幂律分布最简单、最直接的方法。与随机网络中连接的均匀分布不同，幂律定律刻画了由少数集散节点（hub，即那些网络中拥有大量连接关系的节点，如万维网中的Yahoo和Google）主控的系统。这种分布决定了网络整体结构不能像随机网络那样以“平均值”来描述，因为网络中节点的连接度是两极分化的，代数平均的意义不大。服从幂律分布的网络呈现出局部与全局拓扑结构的自相似，所以这种类型网络也被称为无标度网络（scale-free network）。
近年来有大量研究发现无标度网络广泛存在：包括生物新陈代谢网络［Jeong，Tombor，Albert et al. 2000］、电影明星协作网络［Watts and Strogatz 1998］、城市的道路网络［Rosvall，Trusina，Minnhagen and Sneppen 2005］、在线电子社区网络［Zhang，Ackerman and Adamic 2007］，等等。事实上，科学家研究的网络越多，发现的无标度结构网络也越多。
认识到复杂网络普遍存在的幂律分布特性，具有现实应用意义。例如对网络鲁棒性的认识，具有无标度结构的计算机网络，对意外故障具有极强的承受能力，但对针对性攻击却非常脆弱。关于网络上的扩散传播研究显示，服从幂律分布的网络中节点不具有传染阈值，因此传染性疾病总能得到扩散。针对集散节点注射疫苗，是实现传播控制最有效的办法。针对本书目标来说，找到人际传播网络中的集散节点也是促进知识传播的重要途径。当然实际的情况可能远比此处分析的复杂，在后面将展开更详细的建模研究。这里的一些结论启发我们：网络中度分布结构特性对于传播功能具有重要影响，节点在网络中的位置将影响它的功能。
2. 小世界现象
小世界现象是与网络特征路径长度这个指标密切相关的概念，反映出复杂网络中平均路径长度相对网络的节点规模非常小。对此现象最初的兴趣可以追溯到20世纪50年代，MIT的两个研究员精确地估计了连接任意两个美国人所需要的连接数量不超过4个。哈佛大学社会学家斯坦利·米尔格拉姆（Stanley Milgram）通过转寄信件的实验来验证这一猜想，将实验结果总结为“六度分割”现象。
理论与实验研究揭示，即使构成网络的节点数N很大，其特征路径长度仍然比较小，一般为Ο（logN）。网络中个体通常仅通过局部知识，即可有效地寻找到到达其他节点的最短路径。同时，网络的聚集系数比较高，具有结构化的特征。这两种特性在传统的网络模型中是无法共存的：随机网络特征路径长度小，但结构性差，聚集系数低；规则网络聚集系数高，特征路径长度也因其结构性增大。因此，大量真实网络结构无法通过随机网络或规则网络刻画，需要一种介于两者之间的新型网络模型。
20世纪90年代后期开始，形成了一股“小世界”研究的浪潮。邓肯·瓦茨（Duncan Watts）详细分析了大量现实网络中普遍存在的“小世界”现象，并且提出了小世界网络的生成模型，以及“小世界”特征存在的应用意义，为我们理解“小世界”提供了三十多年以来最具实质意义的推进。
3. 聚集效应
聚集效应在社会网络语境中，可以表述为你朋友的朋友也是你的朋友，或者你的两个朋友彼此也是朋友的情况，通过聚集系数或三角形比例来度量。大量实证结果表明，大部分真实网络中的节点倾向于聚集在一起，聚集系数C可能小于1，但远比随机图中该指标的取值N－1大。
如图2—2所示，图中虚线显示的边实际出现的比例与随机图中可能的情况相比较反映了聚集效应的存在与大小。图2—2 聚集效应图示
4. 网络社区结构特征
为了探索真实网络中的结构，还应提到网络社区（community）结构特征，这个概念反映了比连接边的度分布和三角形结构更全局化的结构特征。
定义2.9 社区指网络中节点形成群组（group），群组内部节点之间的连接比较紧密，而群组之间节点的连接比较稀疏，这样的群组称为社区。
社区结构在复杂网络中普遍存在，对网络功能研究具有重要意义，因此，如何分辨这类子结构，其形成和演化规律怎样以及对网络有何影响等，是复杂网络研究中的重要问题。网络社区结构对于网络精简压缩也具有启发意义，第4章中将结合知识推荐应用，对此领域作进一步介绍。
大量实证研究，表明许多实际网络同时满足“小世界”和“无标度”特性。表2—1和表2—2列出了一些实证研究中获得的网络统计指标，反映了上述结构特征。表2—1 小世界和聚集性现象资料来源：Newman，M. E. J.，“The Structure and Function of Complex Networks”，SIAM Review 42（2），2003，167-256.表2—2 无标度现象资料来源：Newman，M. E. J.，“The Structure and Function of Complex Networks”，SIAM Review 42（2），2003，167-256.
5. 度相关
当网络中度数高的节点倾向于与其他度数高的节点相连，即节点具有正的度相关性，网络称为依连接度协调混合（assortatively mixed by degree）；反之，当度数高的节点倾向于连接度数低的节点，称为非协调混合（dissortatively mixed by degree）。两类网络构型通过下面的网络图2—3显示。实证研究表明，在社会网络（如演员合作网络、公司董事网络等）中节点具有正的度相关性，而节点度分布与其聚集系数之间却具有负的相关性；其他类型的网络（信息网络、技术网络、生物网络）则相反。正因为如此，这两种相关性被认为是社会网络区别于其他类型网络的重要特征，在社会网络研究中引起了高度重视。图2—3 协调和非协调混合无标度网络
2.1.2 社会网络分析方法基础
复杂网络为我们认识世界提供了一个新的视角，同时也为复杂系统研究提供了可操作的方法和工具。将网络应用于社会范畴，定量分析社会关系的一类方法，统称为社会网络分析方法。社会网络分析起源于社会学研究，在社会心理学、文化人类学等领域，研究者用社会网络图的方法来分析研究社会结构和角色等问题。20世纪30年代，雅可布·莫雷诺（Jacob Moreno）报告中对社会关系网络图（sociogram）的使用，被广泛地认为是社会网络分析的首次应用。随着社会测量、图论和块模型的发展，启发了一些重要的观点，比如互惠、结构平衡、传递性等。至20世纪90年代，通过几十年技术进步的积累，社会网络研究呈现指数形式的增长趋势。实证与方法上的突破扩展了原有范例的有用性，越来越多不同学科背景的学者开始应用社会网络模型以及相应的定量方法来分析问题。借助于社会网络模型，可以描述群体关系结构，研究这种结构对群体功能或群体中个体的影响；或者通过定期收集不同时间点的数据，研究群体变迁的历时性演化发展规律。
社会网络是指行为者（actor）和他们之间社会关系的集合。任何一个社会单位或社会实体均可被视为行为者，例如，可以是个人、公司或者其他集体，可以是教研室、院系、学校，还可以是村落、城市、国家等。社会关系可能蕴涵多种不同的含义，可能是个人之间的评价关系，如喜欢、尊重；可能是某种形式的传递关系，如货物流通或信息交换；可能是某种交互行为，如握手、拥抱、交谈等；还可能是隶属关系，比如同时参加一个协会或同属于某个俱乐部等等。
描述记录社会网络的数据，称为社会网络数据，一般可以分为结构变量（structural variable）和组成变量（composition variable）。结构变量从成对的行为者（大小为2的行为者子集）中获得，测量两个行为者之间某种特定联系，是社会网络数据的基石。组成变量指关于行为者属性的信息，通常是单个行为者层面的描述，例如个人的性别、种族、专业，或企业规模、所处的行业等。
社会网络数据通常以矩阵或社会网络图来表达。社会网络对应的矩阵通常为方阵，称为社会矩阵（sociomatrix）。若矩阵中行、列代表的意义相同，称之为单维度网络；若矩阵中行、列分别代表不同含义，比如行代表行为者集合，列代表由行为者组成的组织，或者行为对象等，这时称之为2—模式网络。矩阵中的单元记录了行、列代表的节点对之间可能的关系。关系有两个重要的参数：方向和力度。关系可以是有向的，也可以是无向的。有向连接是指从一点指向另一点，有起源和目的的区别。无向连接没有方向，描述了一种共享合作关系。网络中连接若是无向的，通常对应于对称的矩阵。有向网络对应的矩阵通常不是对称的，矩阵中的元素可以想象成“谁到谁”的关系，行表示“谁”，列表示“到谁”，或者相反。力度指示了关系的“量”，一个关系的力度可以是“二值的”或者“有权的”。二值关系简单指示两个行为者是否彼此有联系，对应的矩阵被称为邻接矩阵（adjacent matrix），其中记录只包括1或0，1表示联系存在，而0表示不存在。有权连接描述了一个连接的强度或者频率，对应矩阵单元中的特定数值。
例如下图2—4中的示例矩阵A表示了m行n列的元素排列方m×n式，其中a即第i行第j列的元素，代表社会网络中第i个人与第j个人之ij间的联系。社会矩阵A是拥有n行n列的单维度网络，可视为一种特n×n例情况。如果其中i和j之间存在连接，则a值为1，否则a值为0。i，ji，j该方阵的对角线元素表示自身关系，不加定义，可以表示为“—”或者“0”。矩阵可以由二维表格具体显示节点间的连接关系，在计算机中以二维数组格式存储。图2—4 社会矩阵示例
另一种描述网络数据的方式是社会网络图。网络中的每个行为者被赋予一个数值化或有称谓的点，点之间的边表示关系。对于定向关系，边前面的箭头指示了其方向，这时网络图称为有向图。如果关系是二值的，一条边代表关系存在，没有边代表关系不存在。如果关系是有权的，数值可以置于每条边的上方，这时的网络图称为加权图。图2—5所示的社会网络中，包括节点V=｛a，b，c，d，e，f｝，连线关系R=｛（a，b），（b，c），（c，d），（c，e），（d，e），（e，f）｝，对应的唯一邻接矩阵如图2—5右图所示。
社会网络分析通过矩阵运算或图分析，量化社会关系。比如通过中心性（centrality）指标，可以对权力作量化分析；而凝聚子群（cohesive subgroups）研究，通过聚集系数、派系（clique）等结构指标，支持了社会结构的量化分析；对等性（balance）分析，可以辅助社会角色的刻画；核心与边缘（core-peripheral）分析为网络中结构位置辨别提供了量化基础。具体的实施方法将在下面结合实例详细介绍。图2—5 社会网络图与对应的社会矩阵
2.2 网络结构分析
关于网络研究整体可概括为三个方向：网络结构统计特征研究；网络结构生成机制研究和结合网络特征的应用研究。知识传播网络研究是一项综合性应用研究。前一小节介绍了网络研究中常用统计指标和复杂网络的基本结构特征，下面着手将网络分析方法引入知识传播研究中，具体来说，本节主要针对知识传播网络的静态结构展开分析。
2.2.1 层次性和理论性问题
邻接矩阵、网络图以及可测量的网络属性指标，是认识描述网络结构的必要起点。然而，要深刻理解网络的结构功能或涌现机制，需要更系统的分析框架，文献［Mogens and Contractor 2003］提议将*多理论多层次（multi-theoretical multi-level，MTML）框架和p统计技术相结合，为跨层次复杂社会网络研究提供了基础，本节应用此框架开展分析研究。
首先，MTML框架强调网络分析中理论的重要意义。不同的社会理论对传播网络做出不同的预测，其中可能有些是独特的，有些互为补充，有些理论之间甚至可能存在相互矛盾的地方，这些理论孤立来看，均不能提供一个完备解释。MTML框架要求针对特定现象，识别出相关的社会理论，并考察这些理论机制与网络属性之间的对应关系，例如互惠性和密度之间的关系、认知平衡理论与聚集度之间的关系等。因此，利用MTML分析框架有助于网络动力学行为机制设计和对网络演化规律的理解。
其次，网络视角的主要好处之一是能够在不同层次（个体、二元、三元、亚组织、组织、组织间）收集和比较数据。然而，为了分析的便利，大多数网络数据被转变为单层分析，对不同层次的孤立研究，忽视了层次间的联系，破坏了数据的丰富性。虽然网络分析为每一层的理论预言提供了独立的统计学测试方法，但是要整合不同层次的网*络数据，需要一个多层次假设测试的分析框架。MTML框架与p统计技术的结合，是值得关注的方法。
再次，把网络节点的组成变量信息并入网络研究的优势和可行性，是结构学学者之间长期存在争论的课题。传统的实证研究中，存在一些考虑个体属性的数据分析工作，但仅限于某个层次。如何将节点组成变量信息系统地应用于网络分析当中是值得考虑的一个方面。
综合来看，网络分析框架可以通过图2—6来概括。通过知识传播网络视角来分析知识系统，关注的核心问题即图中中心位置所示的“网络结构”及其“内源机制”，在整体框架中需要考虑的还包括节点外源属性及网络外源关系信息。
表2—3给出了更为细化、可操作的十级网络分析框架，其中每一级有一个隐含的假设，描述了影响特定图实例出现概率的相关属性。表中将影响变量分为内部变量和外部变量两部分，这些变量会影响当前网络中连接存在与否的概率。内部变量（endogenous variables）（表中1～4行）是影响网络实现的网络中关系的属性。外部变量（exogenous variables）（表中5～10行）是各种关系本身之外影响网络连接实现概率的属性，包括网络中成员的属性，网络中其他关系和网络先前时间上的关系，也就是图2—6中所示的外源属性和外源关系两部分。表2—3 测试组织网络假设的十级分析框架资料来源：Monge，P. R.，Contractor，N. S.，Theories of Communication Networks，New York: Oxford University Press，2003.
在内部变量和外部变量中又分别可以区分为个体（individual）、二元组（dyadic）、三元组（triadic）以及总体（global）等几个不同层次。表2—3包含三列：第一列定义了考察变量；第二列提供了具体的网络度量的例子；最后一列是典型的网络假设。
十级网络分析框架概括了网络分析应用中涉及的不同层面，同时吸收了对应的社会学理论基础。在下面将要介绍的数据分析实例中，我们借鉴应用了上述分析框架，实践证明，MTML框架为分析掌握知识网络特征提供了很大帮助。图2—6 网络结构分析整体框架资料来源：Monge，P. R.，Contractor，N. S.，Theories of Communication Networks，New York: Oxford University Press，2003.
2.2.2 结构分析的意义与步骤
下面我们要将这些理论和方法更紧密地与知识应用相结合。站在组织的立场上，将知识网络在组织中的映射概念化是很有用的。知识在网络中的位置可能在两种极端情况之间的连续范围内变化：一个极端是知识完全集中于中心部分一个特定主体；另一种极端是知识完全分散存在于多个不同主体之中。在分散知识的情况下，人们拥有相对独特的、无冗余的知识，知识存在于不同层次中，例如工作组、大型项目团队或组织间战略联盟等等，在应用实践中需要通过知识流、知识传播过程使组织成员的知识能力互相补充，从而通过协作高效完成复杂的任务。而单纯集中型的知识组织结构，在高复杂性、大规模的环境中难以满足激烈竞争的需求。实际的组织越来越多地依赖于分散的知识主体，所以在组织中如何协调分散的知识主体，促进知识传播和组织知识协作，有效利用组织内的知识资源，成为关键问题，这也是本节所关注的核心。
社会网络对知识协作过程具有重要意义。社会管理领域的实证研究表明，虽然技术的发展使信息存储和访问连接更便捷，但是人们更多地还是通过其社会网络，而非数据库、文件系统这样的信息源，获得工作所需的必要信息。跨越正式组织结构边界的非正式传播网络，具有特别的灵活性，在知识协作中发挥着重要的作用。很多定性研究已经证实，组织团队通过促进人际互动，可带来知识管理的突飞猛进。人与人之间的交往互动，信息和资源实现交换传递，组织中的社会网络对组织创新能力也产生了重大影响。这方面影响传统组织行为学的观点有所涉及，但过去一直缺乏量化测评手段，许多研究仅停留在定性分析和推测的基础上，因此社会关系网络的管理目标被认为是含糊不清和难以捉摸的，这一局面随着社会网络分析理论与方法的成熟得到改观。
网络视角成为复杂系统研究的一个重要突破口，社会网络分析方法为开展量化研究提供了有效手段。在上一节介绍的理论框架指导下，选用适当的步骤和软件工具，研究者可以很容易地获得组织内外相关网络信息，开展定量分析，改善知识应用和知识创新。将社会网络分析方法应用于促进组织知识传播的实践中，我们概括出以下具体步骤（如图2—7所示）：（1）数据收集。收集目标网络的各种数据资料。（2）通过确定节点和连接边，构建网络。将非正式的知识相关网络可视化，以网络结构图形式直观呈现组织结构。这种刻画是分析和改进的第一步，作为反馈，可视化本身也是一种重要的干预措施。（3）根据构建的知识网络，结合具体的量化指标，进行结构描述与探索性分析。通过整体结构图可以作粗粒度网络分析：如网络规模、凝聚子群划分，核心边缘节点分析等。当节点数目比较多时，这种分析必须与特定指标如网络密度、度分布、度中心性等等结合。图2—7 社会网络分析在知识管理应用中的实施步骤（4）结合具体组织环境解释各项网络指标的内涵，评判其对组织知识表现的影响。通过多粒度多层次的网络结构分析，不但能诊断网络构型的健康性，而且能分析各种结构产生的原因和发展规律。（5）针对发现的问题，结合不同的成因形成干预策略，有针对性地实施多样化改进措施。因此社会网络分析方法，既是诊断工具，也是变革的催化剂。我们还可以进一步规划网络发展方向，通过计算机模型研究知识网络结构的发展规律和趋势，以及干预手段可能产生的效果。（6）通过实际的干预措施促进组织变革，改进组织知识管理效率，并可以再次借助社会网络分析方法衡量改进方案的实施绩效。
整个应用过程是一个螺旋式上升的循环，可以从最基本的网络分析入手，推动组织知识管理不断前进，使知识管理能力不断提升。
人际网络是知识传播的重要途径，网络分析的视角和方法如何协助我们了解知识传播现状，改善知识传播过程，促进组织的知识能力。在下一节中，将应用前面介绍的网络分析方法，对实际组织中的知识咨询网络开展具体分析，这也是后面的动态建模和改善措施设计的基础。
2.3 实证研究
实证研究是建模的起点，为构建模型提供了原型基础以及验证参照，理论研究通常也是由实证研究推动的。这一节将结合中国人民大学经济科学实验室的具体实例，应用前面介绍的各个步骤。我们的实践发现将社会网络分析方法应用于知识管理，可以锁定目标，提高效率，有效支持组织决策，促进知识能力提升；同时具体的实例分析，丰富了对社会网络指标的应用解释。
2.3.1 数据收集
前面介绍过网络数据主要由节点和连接边构成，这里我们将实验室中每个被调查的成员，视为一个节点。为了研究组织中的知识传播，我们考察了成员之间与知识相关的联系，这部分信息构成网络的结构变量。反映成员个体属性信息的组成变量，如性别、年龄等，对理解网络构型成因和发展演化趋势具有一定帮助。在我们的应用实例中，收集了上述两类信息，构建网络阶段主要关注结构变量，进行分析时考虑了节点的组成变量。
具体应当考察哪一类网络连接关系，根据研究目标确定，从社会资本的角度考察组织结构，重点关注四类连接关系构成的网络：友情网络、信任网络、咨询网络和情报网络，其中友情网络与信任网络在中国社会中相互重叠，咨询网络在中国社会的研究中显示出重要性。本节的网络分析是为知识传播和知识管理服务的，所以我们收集的网络信息包括：知晓网络，联系可达网络，咨询网络，知识转移网络，友情网络。各种网络关系的含义参见表2—4。在分析部分我们首先介绍了几种不同属性网络之间的联系，具体网络分析主要围绕咨询网络和友情网络展开。
我们获取数据主要通过两种方式：（1）跟踪观察实际情况，比如通过e-mail消息、内部即时通讯等；（2）利用问卷调查的方式，辅助以重点访谈。本节所作研究主要通过问卷调查方法，由被调查者根据问卷提示信息进行选择，对相关网络进行自我描述。
根据所考虑的网络范围，社会网可以分为自我中心社会网（ego-center network）和整体社会网（complete network）。自我中心社会网主要考察社会连带（social tie），无法分析网络结构。整体社会网则相反，是测表2—4 知识管理中的网络类别及含义
量网络结构最重要的方法。我们的调查对象，属于具有明显边界的相对封闭性网络，而关注点也在于组织整体的知识传播和知识管理，因此我们主要从整体着眼，分析组织的网络结构，对其中关键节点再作细粒度的个体中心社会网分析。
2.3.2 网络可视化
用图形的方式把社会网络直观地呈现出来，这个过程称为网络可视化。过去，网络可视化仅仅被用于展示社会网络分析研究的结论。而帕特里克·科尼斯（Patrick Kenis）的研究论证了凭借可视化技术手段，能够进行一些以往单凭数值计算无法完成的社会网络分析；其作用远超出演示研究发现的工具。网络可视化有助于展现不同社会网络之间的差异，能够促进数据所有者间的交流，帮助研究者挖掘网络特征，甚至还能用以获得一些新的解释。
依照前一节中提出的分析框架，第一步我们借助软件工具Ucinet将所收集到的反映咨询连接的数据绘制为网络结构图，如图2—8所示。依据节点组成变量中“所属项目组”和“所在年级”信息，将同属一个项目组的节点放在一起，同时根据项目小组的功能特性，实线圈中的小组以软件设计开发类项目为核心，虚线圈中的小组以理论化的研究实验为核心。图2—8 实验室知识咨询网络结构图
虽然节点数量超过60，很难通过直接观察得到明确结论，但是从图上看来，可以得到这样两点直观结论：（1）不同项目小组的内部连接情况存在差异；小组间连接与小组内连接的紧密程度有明显区别。（2）整个网络中存在具有很多连接边的中心节点，同时也存在连接很少的边缘性节点，节点在咨询网络中地位不均衡。
至于上述现象具体的程度如何，这样的结构是如何形成，对组织的知识应用有何正面或者负面的影响，在下一节中我们将结合具体环境以及量化指标作进一步解释与分析。
2.3.3 调查结果分析
我们从以下方面着手进行具体的定量分析：
1. 整体网络结构
网络的规模应从两个方面描述：节点个数，连接边数。
节点：封闭组织内部成员。前面图2—8中共包括63个节点。在组成变量上，纵向分为硕士生3个年级、博士生和教师（这里我们将“教师”看作特殊的年级层次），横向来看分为5个项目组。
连接边：这里考察的是咨询关系，具有方向，从发起咨询的行为者指向被咨询行为者，没有考虑权重。调查得到咨询连接图中共包含290条咨询连接边。
整体结构特点，若不考虑方向，我们忽略咨询是由谁向谁发起的，只是关注通过咨询关系所建立起来的节点对之间的连接。表2—5对比列举了被视为有向图和无向图时，咨询网络结构的综合指标。表2—5 网络结构指标
指标具体的计算方法和数值含义，参见文献，这里我们更关心指标的应用含义。平均度反映了咨询连接活跃程度，平均距离反映了通过咨询关系使人们联系起来的远近，直径反映了整个网络中节点间的分离程度，即网络的大小（参见定义2.5），密度反映了网络中连接边的稀疏程度。分裂度通过0—1之间的数值，体现了组织分裂为子结构，以及子结构之间的差异化程度。传递程度（transitivity）体现了这个网络中特定的三元组结构——传递关系——出现的比例，反映了网络的局部结构化特征。咨询网络中的传递性是指实验室中成员u向v发起咨询，而v向w发起咨询，很可能u也向w发起咨询。
各项指标显示，调查中的咨询网络密度比较低，平均度不高，有向图的直径和分裂程度均比较高，反映出网络连接比较稀疏，而且存在一定的结构差异。同时该网络还体现出社会网络中普遍存在的结构性，咨询关系存在传递性。传递程度反映了网络的层次趋势，被咨询者相对于提出咨询的人是具有一定知识优势的，这种知识优势是具有层次性和传递性的。
2. 不同维度网络之间的相关——网络的外源关系分析
首先，我们跳出单一属性连接关系的局限，考察围绕知识传播的几类不同网络之间的相关性，通过此处的分析，了解可能对知识咨询和知识转移产生影响的关系类型。我们通过二次指派程序（quadratic assignment procedure）相关性方法来研究调查得到的几类网络之间的关系。结果参见表2—6。表2—6 咨询网络与其他网络相关性
因为这里我们考虑的网络均为二值的，所以我们采用“简单匹配值”（simple matching value）。该匹配值越大，反映相应的其他网络与知识咨询网络的相互关系越密切。比较所得到的数值，我们发现友情强连接是对知识咨询影响最强的外部因素，而联系可达关系影响相对比较小。依照我们的规定，在调查中彼此互相选择认可的友情关系为强连接，而只有一方单向选择的关系为弱连接。我们看到对于知识传播来说，友情强连接的作用比弱连接的作用更显著。
上述发现对于我们制定改善计划很有益处，联系可达性体现了个体间传播所需的物理连接，由e-mail、手机或者其他工具提供支持；而友情强连接反映的是双向的私人关系。调查结果显示，增进友情强连接关系而非物理连接是改善实验室知识咨询现状最有效的方式。
友情网络与知识传播的强相关性，意味着友情网络研究和改善对促进知识传播具有重要意义。虽然友情的确立是情感和社会化的过程，但我们仍然可以尝试通过新的信息技术来辅助这一过程。
3. 跨边界障碍分析
咨询网络是一种非正式网络，非正式网络可能在正式网络的边界存在一定程度的割裂：正式网络子结构内部成员的联系比较紧密，但子结构之间的联系则比较稀疏。这种边界的存在，意味着交流的欠缺，可能使得整个组织的传播受到限制。调查实例中的正式网络存在于两方面：一方面为“科层性”结构，表现为教师、博士生与硕士生各个年级之间的划分；另一方面，一些相对固定的研究小组，构成横向“功能层面”的结构划分。
我们考察各小组内部和小组之间连接密度指标的对比状况。表2—7中列出了5个不同的科研小组之间的对比，表2—8列出了各个层级之间的对比。这里忽略了咨询联系的方向性，因此只列出了对称矩阵的上半区域。这个结果在一定程度上印证了我们从图2—8获得的直观结论。首先，不同小组内的连接密度是有区别的。小组1与小组5相对比较高，而小组3和小组4相对较低。但总的来说，组内连接基本上属于不太高也不太低的范围，即咨询产生的组内交流联系属于中等水平，对于知识传播是比较适宜的。表2—7 组内—组间连接密度表2—8 层内—层间连接密度
相对于组内连接密度，组间连接密度明显较低。特别突出的是小组1，其组内连接密度为0.44，而与其他各小组之间的连接密度均不足0.1。前三个组的任务类型都是项目开发，具有一定的相似性，彼此之间的互相学习借鉴，将会促进整个组织的效率，所以小组间交流欠缺情况亟待改进。同时，我们注意到小组2的各项指标均比较好，在组内、组间的连接上都处于相对适中水平，值得提倡和学习。这个小组的组织方式也因此引起了我们的兴趣，这个组在调查时组建时间并不很长，许多同学之前或同时参加了别的小组。因此我们改善小组间联系时，可以考虑有意识地通过新的项目将不同背景的人组织起来，促进小组间人员的沟通。小组内部的组织上也应该借鉴一定的制度控制，如例会制度、定期交流活动。
不同层级之间咨询连接情况的分析，与上面的思路类似。表2—8显示教师与其他各个年级组之间的连接都比较紧密，在我们分析的实验室背景下，因为教师具有更多资源和较高的能力，这种结构是正常也是高效率的。此外，与上面项目组间的障碍类似，边界壁垒一定程度上也存在于年级之间，各年级内的交流相对年级之间要频繁。与前面的结果比照，可以看出咨询交流主要还是受项目小组的限制。这里特别值得注意的是硕士生1与其他各个年级的交流明显有待提高，这次调查是在一个学年将结束之际，现在的一年级同学（硕士生1）也已经加入团队了近一年的时间。在改进工作中，应当特别注意使新加入成员快速融入整个团队。
4. 中心性分析“权力”是社会学中的一个重要概念，它反映了行为者在其社会网络中所处的地位及影响。一个人之所以拥有权力，是因为他与其他人存在关系，可以控制、影响他人。社会网络分析方法从“关系”的角度出发，定量地界定权力，并且给出了多种关于社会权力具体的形式化定义，即各种中心度和中心势指数。
我们通过社会网络的中心性分析，对组织中由知识和信息的权威性产生的权力作量化分析。中心度概念是针对节点的中心性，而中心势则是针对一个作为整体的网络的中心性。中心性是社会网络分析的重点之一，行为者越处于中心位置，其影响力越大。就整个网络来说，具有过高或过低的中心性都不利于知识的共享和传播。对于过高的中心性，行为者会因负荷过多，而倍感压力，同时，一旦其离开组织，整个网络的连通性将大受影响，甚至出现完全分裂的小团体。另一方面，过低的中心性又会导致网络过度分散，缺少权威人物，同样不利于知识传播。“中心性”分析还可找寻网络中处于边缘地位的行为者，他们可能会觉得自己得不到重视，工作积极性受挫，还可能是未被充分利用的专家，以及某些可能会失去的知识资源，对这类行为者的关注，有利于防止知识流失。
根据计算方法和侧重角度不同，中心性指标可以分为点度中心性（degree centrality）、中介中心性（betweenness centrality）和接近中心性（closeness centrality）等几类。点度中心性是以节点的连接度为出发点，最根本的思想是：连接度高的节点中心性大，而网络的点度中心势计算方法是，首先找到网络中的最大中心度数值；然后计算该值与任何其他点的中心度的差，得到多个“差值”；再计算这些“差值”的总和；最后用这个总和除以差值总和的最大可能值（实际就是星形网络中的情况）。网络的点度中心势C可以用以下公式表示（其中n为网络节点数）：
我们调查得到的实验室咨询网络中心性指标如表2—9所示。进一步结合网络度分布，图2—9显示了节点入度、出度的分布情况。表2—9 网络中心性指标图2—9 知识咨询网络度分布图
虽然节点数还不足以判断此连接度分布是否符合幂律分布，但是我们从分布图中还是可以看到实验室咨询网络入度、出度分布都显示出集中性，度数较低的节点比较多，度数较高的节点也存在，但数量较少。对整个网络来说，节点的度分布可以作为衡量网络结构的标准。
具体地观察网络中的特定节点，图2—10显示的是一个项目组内的咨询网络图。从图中我们可以直观地发现两个处于中心地位的行为者：LY和ZRS。计算该网络中所有成员的点度中心性，结果如表2—10所示。与观察一致：LY的中心性处于最高水平，达90％，其次是ZRS，为60％，整个网络的点度中心势为63.33％。图2—10 项目组知识咨询网络结构图
通常人们会以为联系越多的成员越有优势，其实并非总是如此——如果一个行为者只与一个联系很紧密的私党小群体（clique）中的成员联系，因为小群体中的成员彼此已经互相有联系了，即便该行为者离开这个社会网络，对网络中的信息流通也没有什么影响。可见“点度”指标无法完全衡量一个节点在网络中的地位和作用，节点地位还会受到其邻居度数的影响，也就是说，一个行为者的中心地位优势不但取决于他与多少人有连接关系，而且取决于他所连接的人的实力如何（有多少连接）。我们可以将节点本身的度数以及他的直接邻居的度数结合起来考察，度中心性指标ci表2—10 网络节点点度中心性指标
应当是两者的函数，可以用公式（2.7）表示：c=∑A（α+βc） （2.7）iijj
式中，A为邻接矩阵；c为节点i的中心性；α和β均为参数。这个i公式表示节点的中心性由他所连接的节点的中心性决定。参数α的值用来将这个指标标准化，它是自动选择的，以使节点中心性的平方和能够等于网络的大小。参数β的值可由用户指定，它反映了每个节点中心性对他邻接节点中心性的依赖程度大小。它的取值反映了两种认识：当它取正值时，反映出节点优势地位会随着他所连接节点拥有连接数的增加而增强，即与具有影响力的、中心性高的成员连接意味着获得更高的影响力；相反地，当它取负值时，认为当一个节点所连接的成员中心性比较低时，他被依赖的程度越大，因此优势地位越强。很难说哪种观点是正确的，这启发我们可以从两个角度来对比分析。两种不同符号的取值结果显然是不同的，下面列出了β分别取+0.5和－0.5时调查的咨询网络中中心性最高的前五个节点（见表2—11）。我们发现，在这两种符号的参数取值条件下，一个行为者CY（序号1）都具有很高的中心性，这意味着这个节点可以说是表2—11 网络中节点中心性
网络中作用非常突出的中心节点。这样的区分对我们的实际行动也是很有指导意义的，比如要进行知识或信息的传播扩散，选择通过前一类中心节点可能速度快、效率高，而通过后一类中心性强的节点可能会保证覆盖范围比较广。
中介中心性可用来衡量节点对网络中信息流动的重要程度，必须经过该节点的关键路径（最短路径，又称为测地线）数越多，节点的中介度越高，节点在网络信息流动中的影响就越大。在知识传播中，利用中介中心性分析可以有效地发现网络的瓶颈，如中介度高的节点是否造成了信息或知识传递的障碍？是否暗示存在过分依赖某个成员的问题？管理者可以根据分析结果制定相应的对策，如加强某些节点的重要性，改善某些节点的待遇以保持组织关系网络的畅通和稳定等。中介度与信息传播具有密切关系，后面我们还会应用到这一指标。
回到调查实例，我们得到的咨询网络中介中心性如表2—12所示。ZRS的中介中心性是最高的，达48.796％，其次是LY，为36.481％，YGP、MYS的中介中心性也处于较高水平。整个网络的中介中心势为39.45％。
综合来看，该实验室咨询网络的中心性是比较适中的，以LY和ZRS为代表的核心节点在整个组织中发挥着积极作用，有效促进了知识传播。但ZY、CYJ、SSG等节点的中心度太低，成为了该网络的边缘人物，LY、ZRS应该在今后的研究、学习中加强与他们的交流。表2—12 网络节点中介中心性指标
进一步扩展，还可以得到接近中心性的概念，这个概念强调了每个行为者到达网络中所有其他行为者的距离。因为该项指标要求网络为全连通的，本实例中的咨询网络不满足，所以此处对接近中心性指标不做展开。
实际上从点度中心性到接近中心性，“中心性”这个概念所反映的信息越来越全局化，更能反映单个节点在整体结构中的位置。
5. 小团体分析
小团体（subgroup或cliques）是指团体中的一小群人关系特别紧密，以至结合成一个次级团体。这是一个网络的总体结构指针，在研究中国人的组织行为时是一个重要的概念。最近有实证研究发现，较为理想的网络拓扑结构是组织中存在一些内部密度较高的小团体，同时各个小团体之间又具有一定的联系，这有利于团队之间知识的互补、传播，提高组织的知识管理绩效。
首先，社会网络分析可以协助发现、分析这些小团体以及小团体之间的“桥梁”，即充当小团体之间信息沟通、知识传播代理的角色。以这次研究实例中的一个项目组为例，根据行为者从谁那里获得过对问题解决有实质性帮助的知识，形成如图2—11所示的知识转移网络结构图：图2—11 项目组知识转移网络结构图
如图2—11所示，JJ、ZXI、ZXU、ZRS和LY形成一个小团体，GL、SSG、MYS、YGP和LY形成另外一个小团体，同时CYJ和ZY不属于其中任何一个小团体。而现实情况是，CYJ和ZY的研究方向与其他人较为不同，所以在知识网络中没有进入任何小团体；JJ、ZXI、ZXU三人同年级同专业又同宿舍，从本科到现在已经同窗六年，因此经常在一起讨论交流，博士生ZRS与他们的研究领域相同，于是四人的联系比较紧密；GL、SSG、MYS、博士生YGP与上述情况如出一辙，可见这两个小团体具有很大的相似性；同时，由于LY的积极作用，使得双方之间的合作成为可能，LY即是两个小团体的“桥梁”，应进一步发挥作用，促进双方之间的知识传播。
除此之外，我们可以从不同小组构型成因的角度来分析。对不同的项目小组分别作小团体分析，比较其构型差异。回忆前面曾介绍过的图2—8实验室社会网络图中，实线圈起来的小组是以项目开发为主的一类小组，而虚线圈起来的是以理论研究为主的小组。我们发现不同功能侧重的小组中，出现了两种典型的构型，前一类可以视为整体形成一个组，其中包含几个独立行为者成员，或者说一个相对紧密的小组以及一些独立行为者与其具有比较松散的联系；后一类则比较均衡地分成几个小团体，每个小团体中至少包含两个人，各小团体之间在联系的地位上比较均衡。最典型的构型出现在小组3与小组5，其小团体构型如图2—12所示。图2—12 不同类型项目组小团体构型图
这样的构型差异，在一定程度上可以由小组的功能构成来解释，为不同类型小组的知识传播策略制定提供了启发。首先对于项目开发类小组，可能存在一些相对独立的任务，由个体独自承担，形成了单个行为者构成的小团体。从整个小组的管理来考虑，需要特别注意不能使这样的个体脱离整个团队，虽然在任务模块上可能有一定的划分，但整个团队应当是相互了解的，个体太远地游离于团队之外可能成为知识传播中的盲点，对于发挥集体的优势是不利的，这是在组织管理中需要特别注意的。在另一类研究性小组中可能分为一些各有侧重的具体方向，形成相对独立的小团体，结合前面的分析，我们应当注重在这些小团体之间构建“桥梁”连接，从而提高整个小组的效率。
2.3.4 结论与措施
综上所述，社会网络分析为我们了解群体中人际知识网络结构，研究组织内的知识传播，支持组织知识管理提供了有效的量化方法。从我们的实例来看，至少可以得到以下几个方面的启发：
从整体结构上，通过小组内和小组间咨询连接密度差异对比，考察在功能部门边界或者正式科层之间的阻隔情况，分析其成因以及对知识管理的影响，有助于形成针对性的改进措施。
从关键节点来看，可以关注中心节点、边缘节点和跨越小组正式边界的节点。（1）中心节点。首先，应加大信息的共享，使中心度较高的行为者占有的信息和知识，成为整个组织通过其他渠道可获得的，减小对中心节点直接咨询带来的压力；其次，分散中心行为者的部分任务，使其能够集中精力于核心功能。此外，培养建立更多的不依赖于中心节点的咨询连接，形成更加均衡的结构，有更多数量的中心节点，但降低每个节点的中心性，保证信息和知识的传播效率。（2）边缘节点。在知识网络中，边缘节点的存在反映出组织中存在一些未得到充分利用的专家，因此能使他们重新回到组织中，也是组织能力获得提升的潜在机会。网络中的外围节点虽然对当前整个网络构造形成或维持所起的作用是最微不足道的，然而，从更广泛的视角去看，外围节点很可能是更大规模的社会网络群落之间的边界跨越者，他们跨越的广度可能使他们对当前网络中的信息输入输出起着非常关键的作用。因此我们需要在技术上、制度上和文化上，加速新成员融入团队的过程，发挥相对边缘节点的积极作用。（3）跨越小组正式边界的节点。边界跨越者通常是最有创造性的节点，因为他们能够从不同的群体中获得多方面的信息，综合不同的知识或思路，形成新的创意。这类节点通常发挥了“桥梁”性质的作用，成为跨越组织边界的长程连接，使得整个组织的平均距离得以显著降低，对促进组织中信息传播具有非常关键的作用。对这类节点的激励不容忽视，同时还可以考虑在组织中建立一定数量的替代或补充，在一定程度上减轻对这类节点的特定依赖。
通过上述分析可以看到，根据社会网络分析方法发现的干预方向，找出战略性节点，采取有针对性的改进措施，是促进组织知识传播与知识管理的起点。
2.4 小结
复杂网络的相关研究进展为我们认识复杂系统提供了一种新的视角，社会网络分析方法为社会领域的应用研究提供了重要的量化手段。本章我们首先介绍了网络分析理论中涉及的重要概念和基本方法，给出了基本指标的定义和计算方法，并介绍了社会网络分析方法基础。在2.2节讨论了网络分析中存在的理论性和层次性问题，提出了本章研究的分析框架。在2.3节中，结合实验室的具体实例，为促进知识传播和知识管理，展开了网络结构分析。
实例分析表明，社会网络分析能够量化组织内的知识关系，分析出存在的问题，结合各种网络结构指标，为管理提供全面支持。分析和挖掘社会网络结构关系是我们的初级目标，在了解网络结构的基础上，构建先进的机制、系统，改善知识组织，使知识的传播、分享、搜寻和扩散过程能更有效地利用社会网络，是我们更进一步的目标。这些问题将需要更多的交叉领域研究，包括信息技术、社会心理、管理等方面，在后面几章中将展开更深入的分析。
试读结束[说明：试读内容隐藏了图片]