第二章 文獻探討
2.4 中心性與塊模型分析
Small & Sweeney（1985）利用共同引用（co-citation）並分群（clustering）來分析 領域論文的引用（citation）做了整理與回顧，此一概念逐漸擴展到多種共同出現的情形，
如文字共現（co-word）、連結共現（co-link），因此類似概念現今用共現（co-occurrence）
來包含之。共現網路（co-occurrence network）則是將統計目標物共同出現於同一集合的 data）、關係數據（relational data）與觀念數據（ideational data）。本研究的研究數據歸屬 於上述第二類資料中的「行動者－事件」2-mode 數據，其建立過程於後續章節將會有 詳盡的說明，此類數據雖然也可以使用常規的定量統計方法進行分析，然而使用社會網 路的分析方法則更為適合。考量到本研究的預期目標，我們選擇了相當常見的中心性分 析以及塊模型分析方式作為本研究的實驗模型。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
- 21 -
2.4.1 中心性量化分析
本研究採行的中心性量測（Centrality Measure）可用來判斷節點（Nodes）在圖形中 相對重要性與影響力，本研究採用了三種細部指標，依據余詠南與阮明淑（民 102）所 做的解釋，分項說明如下：
（一） 程度中心性（degree centrality）：
衡量一個人控制範圍大小的指標，程度中心性較高者，代表其在網路中與較多的行 為者聯繫；而程度中心性若觀察其方向，則又分：內向程度中心性（in-degree），是其他 外來個體主動聯繫之數量；外向程度中心性（out-degree），是主動聯繫外來個體之數量。
不過因本研究的關係是無方向性的，所以並沒有內向、外向的區別。
（二） 接近中心性（closeness centrality）：
衡量一個人與其他人的接近程度，若與他人距離較短，且愈接近中心性，代表較能 快速取得資訊。
（三） 中介中心性（betweenness centrality）：
網路中成員間互動，必須透過另一個行為者，才能溝通；中介性指標較高者，有較 多機會引導資訊流通。
2.4.2 塊模型分析
塊模型最早是由 White, Boorman & Breiger 於 1976 年所提出，它是一種研究網路位
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
- 22 -
置模型的方法，對社會角色進行描述性代數分析，呈現的結果則是網路的總體特點 。 後續的學者對於塊分析的著墨相當多，例如 Anthony, desJardins & Lombardi（2009）提 出一個以塊模型為基礎的目標函數，可以快速的收斂並找出隨機圖形（random graph）
的關係。Anthony, desJardins & Biesan（2012）則依循上述結果進行修正，再次提出了可 以應用於更大型的社會網路上分群應用的塊模型演算法（BM-OPT）。
劉軍（民 95）採用了此模型分析了黑龍江省某一村落的勞力支援網路，該研究發現 村內的「勞力支援網路」與「親屬關係網路」中，都可以發現四個子群。这個研究驗證 了該村村民之間發生的互助行為的總體模式。
Everett & Borgatti（1999）的研究提出可以將網路中心理論（Network Centrality Measurement）對「個體」的研究，像是 degree、closeness 或是 betweenness…等參數，
延伸應用在「族群」上，並於同年提出 core-periphery 架構的模型，對於有向或無向甚 至是加值的圖形，都可進行此架構分析。本研究所採用的塊模型分析，就是採用此種「核 心－邊緣」方式進行實驗與分析。
我們將一個圖分為一些相對獨立的子圖，則可以稱各個子圖為塊（block），用來構 建塊的程序模型就叫做塊模型（blockmodels）。塊模型分析的作法，則是指直接對二元 型的關連矩陣（binary incidence matrix），透過行（columns）與列（rows）的重新排列，
盡可能的追求理想的圖像（idealized images）。所謂的理想圖像如圖 2.6 所示，重新排列 矩陣之後，會在矩陣的左上角會形成密度接近 1 的區塊，且右下角為密度接近 0 的區塊。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
- 23 -
圖 2. 6：理想圖像示意圖