社會網路動態結構指標發展及政治權力變化觀察之研究

行政院國家科學委員會專題研究計畫 成果報告

社會網路動態結構指標發展及政治權力變化觀察之研究

研究成果報告(精簡版)

計 畫 類 別 ： 個別型

計 畫 編 號 ： NSC 100-2221-E-004-013-

執 行 期 間 ： 100 年 08 月 01 日至 101 年 07 月 31 日

執 行 單 位 ： 國立政治大學資訊科學系

計 畫 主 持 人 ： 劉吉軒

計畫參與人員： 碩士班研究生-兼任助理人員：李岱珊

碩士班研究生-兼任助理人員：莊婉君

博士班研究生-兼任助理人員：甯格致

報 告 附 件 ： 出席國際會議研究心得報告及發表論文

公 開 資 訊 ： 本計畫可公開查詢

中 華 民 國 101 年 10 月 30 日

中 文 摘 要 ： 隨著資訊科技的發達，資訊成長的速度日以倍計，對於大量

且片斷的資料，社會網路分析(Social Network Analysis)提

供我們可能的研究方法。社會網路主要是由節點以及節點彼

此間的連結所形成的網路結構，透過社會網路分析和連結預

測理論，我們可以從微觀與巨觀的切入角度，來進行龐大資

料量的政府人事異動資料庫進行研究分析。本計畫藉由動態

社會網路模型的觀察角度，以改良過之社群動態事件模型加

以鑑別各個時代區間(一年、兩年以及六年)、數種不同的政

府部門(以行政院所屬部會為主要觀察標的)中的群組事件發

生現象以及數種以單一政治人物主角及其專業團隊的形成概

況。本計畫的實作上是以觀察政治群體的動態發展，找出政

治群組事件，並將其匯集成政治群組指標，以用來衡量政治

群組的變動性及穩定性。我們提供了一個觀察政治權力變化

的模型，透過網路建立、網路分群到觀察網路動態行為，找

到不容易直接取得的資訊，我們也以此觀察模型解決以下問

題：(1)觀察部門之接班梯隊之變化，(2)觀察特定核心人物

之核心成員組成模式，(3)部門專業才能單一性或多元性之觀

察。

實驗結果顯示，利用政治群組事件設計的政治群組指標，可

實際反應政府部門選用人才的傾向為內部調任或外部選用。

因此本計畫所產生的研究成果，不論是以政治生態的觀察平

台，或是以特定部會、政治要角、政治群體之觀察而言，在

研究或是應用上皆有相當之貢獻。然而經由本計畫中相關之

實驗設計、調整的過程中，也發現到基於社會網路中一個個

體的運動，匯集成為一個群體的事件，進而演進、浮現為一

更上層可被察覺到的政治生態圈的狀態，其實當中有相當多

的參數以及可供調整及修改的事件判定準則可供未來的研究

進一步探索。而以本計畫之未來發展改良而言，雖此類型議

題僅為初探性質且仍有相當的改良空間可供發揮，然而經由

相關動態社會網路以及社群動態的探索，可確信以各種資料

維度的觀察角度來審視政府人事公報中蘊含的資訊，的確有

足夠之成效可展現。

中文關鍵詞： 動態社會網路分析、網路社群偵測、政治權力菁英團派觀

察、接班梯隊觀察

英 文 摘 要 ： Among many real world applications of social network

analysis, political interaction and executive

succession show some unique characteristics of

dynamic community evolution and raise interesting

research challenges. Interactions of political power

among community members are mostly subtle and behind

the scene. Visible relations are only nominal and are

not readily apparent to key findings. Under such

difficult circumstances of information deficiency,

the research problem is to uncover the inner

relations among some of the network entities and to

discover the hidden network structure based on these

inner relations. In this research, our objective is

to identify the inner circles of government political

power and bureaucracy underneath formal work

relations and observe how the political elite groups

form and change over time. A government official job

change network in a time span of over twenty years is

built to model synchronous post assignment and job

promotion within a time window as entity relations.

In each snapshot of network evolution, communities

that exhibit strong association of synchronous job

change are identified by the edge betweenness

decomposition algorithm. Then, an event-based

framework is used to characterize community behavior

patterns in consecutive changes of network

structures.

The approach is effectually demonstrated on two

scenarios: (1) identifying and tracking the inner

circle of a leading political figure； (2) finding

succession pool members in government agencies. We

further propose two evolutionary community variation

indexes to assess political executive succession.

Experimental results with actual government personnel

data provide evidence that government agency

succession can be reasonably measured. This work also

has the practical value of providing objective

scrutiny on political power transition for the

benefit of public interest.

英文關鍵詞： evolutionary community detection； political elite

cliques； executive succession

行政院國家科學委員會補助專題研究計畫

□期中進度報告

■期末報告

社會網路動態結構指標發展及政治權力變化觀察之研究

計畫類別：

■

個別型計畫 □整合型計畫

計畫編號：

NSC 100－2221－E－004－013

執行期間： 100 年 8 月 1 日至 101 年 7 月 31 日

執行機構及系所：國立政治大學資訊科學系

計畫主持人：劉吉軒

共同主持人：

計畫參與人員：甯格致、莊婉君、李岱珊

成果報告類型(依經費核定清單規定繳交)：■精簡報告 □完整報告

本計畫除繳交成果報告外，另須繳交以下出國心得報告：

□赴國外出差或研習心得報告

□赴大陸地區出差或研習心得報告

□出席國際學術會議心得報告

□國際合作研究計畫國外研究報告

處理方式：

除列管計畫及下列情形者外，得立即公開查詢

□涉及專利或其他智慧財產權，□一年□二年後可公開查詢

中 華 民 國 101 年 10 月 30 日

一、前言

隨著社會與資訊技術的共同發展與相互影響，資訊科學的應用也快速延伸到

許多社會科學的領域，其中，政治學也面臨了各種新的資訊揭露與資訊取得行為

的衝擊，而開始產生政治資訊學(political informatics)的次研究領域，其影響力於

美國 2008 年的總統選舉過程中得到充分的展現，進而開始受到學界重視。政治

資訊學的議題至少涵蓋兩個面向：(1)於政治目的的活動過程，如競選、選舉、

治理等，擬透過各種資訊與通訊技術的協助，而進行的相關研究課題，如設計、

發展、評估等；(2)以資訊科學的計算分析能力，結合政治議題的電子化資料，

進行各種政治行為的探討、發現與驗證。而政治既是眾人之事，包括政治權力的

探討與政治行為的進行，也就人們行為彼此影響與傳遞而展現的社會性息息相

關。因此，政治資訊學的兩個面向也都對社會網路分析與探勘提供了絕佳的研究

場域與新的挑戰。

社會網路分析與探勘研究的其中一個主要前提在於應用問題領域資料的建

立取得。一般而言，不論是社會的、政治的、經濟的問題領域，成員個體之間的

關係並不容易直接取得，甚至可能是隱匿的，而需要投入大量的人力與時間，借

助各種方法進行蒐集。這種資料建置的冗長過程與資源耗損的需求，也對資訊科

學領域投入於社會網路分析與探勘研究形成了一定的障礙。

近幾年，政大圖書館基於為國內人文社會學科建置學術資料庫的任務，開發

了中華民國政府官職資料庫(http://gpost.ssic.nccu.edu.tw)，紀錄歷年政府官員的職

務異動與職等陞遷情形。此資料庫的原始資料來源為政府公報中刊載總統發布之

官員人事命令，再由圖書館館員以人工方式，將官員姓名、機關名稱、職等、職

位、任職/免職、時間等異動資訊，輸入於資料庫中，目前已經涵蓋民國元年迄

今的官員異動紀錄，將近九十萬筆資料。此資料庫為目前唯一公開的政府官職異

動資料，透過此資料庫，我們可以有效整合原本大量零碎而散佈的片段異動資

料，而可輕易的進行多面向的資料串連與分析比較。例如，我們可以檢索串連每

一位官員的公職生涯，也可以檢索串連特定職務的歷任官員及其任期。另外，我

們也可以設定相關檢索條件分析比較，進而找出部分官員的特殊關係，例如，在

兩個以上機關體系，連續同時任職的職務連動性。

這些資料不僅真實而權威，更提供了窺視中華民國政府政治權力結構與發展

面貌的機會。除了以檢索條件取得可供進一步分析整合的精準資訊之外，我們更

可從官員異動的表面名義關係，嘗試解讀其背後深層的結構性因素。也就是說，

以社會網路分析與探勘的角度而言，此資料庫提供了一個珍貴的研究與應用場

域，可以就政治權力集團結構、官員權力角色、職務關聯、權力連動、權力消長

等多個面向探討解析；而其涵蓋的時間範圍寬廣，更可以透過時間軸向的推展，

呈現各個面向的演變過程。因此，以社會網路分析的研究模型與工具，結合政府

官員異動資料的提供，不僅對我國政府的政治權力結構、文官制度、政治生態等，

提供了深入解構與驗證的應用結果；更能以真實權威資料的角度，在工具方法

上，更深入的檢驗其成效，並進一步改善創新。

二、研究目的

本計畫藉由歸納近年社會網路分析發展的趨勢，採納以時間及時序的動態觀點來

檢視基於政府官員之政治權力變化動態網路，並配合多種維度的資料觀點，允許

以多種資料集合的觀點來觀察政治權力範圍中的個體行為(出現、消失、加入群

組、離開群組等)、群組行為(群組之生成、崩解、合併以及規模之擴大、縮減)

以及政治權力事件、現象或是趨勢的浮現。為了能夠定義這些不同層次的政治環

境互動行為，則須依據現實世界下各種層級可能之政治權力變化相關行為模式之

列舉，從中觀察篩選取得關鍵事件(critical event)，以不同的層級觀點來設計對應

之量化指標模型，藉以關鍵指標模型的量化結果來重新塑造並盡可能貼切於真實

之政治環境互動。本計畫亦將參考政治資訊學 (Political Informatics)、生態政治

學 (Political Ecology)、社會資產(Social Capital)的模型以及近年趨勢，定義出一

政治領域專屬之政治權力指標，試圖以一資料整合(data integration)的觀點來盡可

能捕捉現實世界中相關的事件、資料或資訊，並藉以前述模型的雛型方法運作

(prototyping)結果，交互驗證並藉以做為修改的依據。最後本計畫將嘗試建立出

政治領域專屬的政治權力變化動態網路觀察模型，以多資料維度及來源、多量化

指標以及相關參數設定之彈性，並以資訊實務技術實現此一架構，提供產官學界

一個即時之政治權力持續且動態的觀察平台，並期能藉由於公開網路上線後於各

界獲得拋磚引玉之功效。

總而言之，本計畫之研究目的分為三個重點階段：



定義並建立基於動態網路之政治權力變化量化指標



設計政治權力變化之動態偵測架構及流程



建構一政治權力變化之持續動態觀察平台

三、文獻探討

1. 網路分群

在現實世界的網路，每個節點的連結數不會和隨機網路(random network)一樣

都相同，現實世界網路的節點，節點的連結數分佈是呈現冪次法則，即少數的節

點連線數較高，大部份的節點連結數都很低，在網路中節點之間的關連的分佈是

呈現分群的現象，即某些節點之間的關連數較多，某些節點之間的關連數相對較

少，這樣的網路特性稱為群組結構性(community structure 或 clustering)。

群組(community)又稱為 clusters 或 modules，在現實生活中，群組的組織隨處

可見，例如家庭、村莊或國家，而從網路的角度來看，一個網路有可能由一個或

多個群組所組成，在同一個群組中的節點其連結較緊密，而在不同的群組之間其

連結較鬆散；同一個群組中的成員，通常具有相同的特性，例如共同的嗜好、共

同的社會地位或職業，從更廣義的定義來看，在網際網路的世界中，共同的特性

也包含了有關連的文章或類似的主題，以下我們將針對群組的定義和分群演算法

做介紹。

群組的定義隨著研究的目的而有不同，最簡單直覺的定義為同一個群組中的

節點其連結較緊密，而在不同的群組中的節點其連結較鬆散，Fortunato 將群組

的定義分成三種：Local、Global 及 Vertex Based Similarity [2]，分別以網路本身

的屬性、網路的結構性及節點的相似度做分群，其說明如下。

1) Local based Similarity

Local based similarity 主要是利用網路本身的屬性為條件，著重在 cohesive

subgroup 的探討，cohesive subgroup 即為網路中關連最密集的一群節點，cohesive

subgroup 判斷的條件依 Wasserman 定義有四種：Complete Mutuality、Reachability

and Diameter、Nodal Degree、Comparison of internal versus external cohesion [11]

。

群組條件中最嚴格的為 clique，clique 是指三個或三個以上的組成的最大完

全子圖(maximal complete subgraph)，其限制為子圖(subgraph)中的節點至少為三

個，同一個節點可以屬於多個 clique，然而，一個 clique 不可能屬於另一個 clique，

因條件過於嚴格，較少人使用，因此有學者將條件放寬，以增加實用性，以下即

介紹條件較為寬鬆的群組定義。

利用可到達性(reachability)的條件定義的群組有三種：n-cliques、n-clans 和

n-clubs；n-cliques 條件為子圖內的任兩個節點距離小於或等於 n，若當 n=1 的子

圖即為 clique，n-cliques 的問題是子圖的直徑(diameter)會大於 n，圖形中的直徑

定義為任兩個節點間的最長距離，n-clans 條件為子圖內任兩個節點的最長的最

短路徑(geodesic distance)小於或等於 n，n-clubs 為子圖內的直徑(diameter)小於或

等於 n。

利用節點的連結數的條件定義的群組有二種 k-plex 和 k-cores；k-plex 是指子

圖中的任一節點的連結數大於或等於 g

s

-k，其中 g

s

表示群組的節點數，也就是說

子圖中的任一節點可以不和 k 個點相連；k-cores 的條件為子圖中的任一節點至

少要和 k 個節點相連，k-cores 的定義和 k-plex 相反。

第四種條件定義是利用比較群組內外的結構性為條件，其定義的群組有二種

LS Sets 和 Lambda Sets，LS Sets 為群組節點關連數大於群組外的節點關連數，

假設 graph 中有 N 個節點，Ns 為 N 的子集合，Q 為 Ns 的子集合，即

，

若 Ns 是一個 LS set，表示在 Ns 中的任一子集合 Q 到 Ns-Q(subset 中的其他節點)

的連線數會大於 Q 到 N-Ns(不在 subset 中的節點)的連線數；Lambda Sets 概念是

利用 edge connectivity 的概念為條件，任兩個節點的 edge connectivity 是指要讓

這兩節點變成不連接(disconnect)需移除的最小的關連數，Lambda Set 是指在群組

內的任兩個節點的 edge connectivity 大於群組內的任一節點到群組外的任一節點

的 edge connectivity，在 lambda-set 的節點不一定相鄰，有可能距離很遠。

2) Global based Similarity

Global based similarity 是考慮整體網路的結構，最常見的定義為將圖形和隨

機圖形(random graph)比較，以判定圖形中是否有群組存在；隨機圖形是指任兩

個節點之間有連結的機率是相同的，也就是說在圖形中關連的分佈是平均的，並

不會有哪些節點的連結數特別高或特別低，因此隨機圖形是不會有群組存在，其

方法如 Newman and Girvan 在 2004 年提出的 modularity [6]；modularity 的基本概

念是將圖形 G 轉換成另一個圖形 G’，且 G’保有 G 的結構屬性，但不具有群組

結構，這個新的圖形 G’即為 null model；如果 G 有可能有群組存在，只要比較

G 和 G'的關連數即可，也就是說如果在 G 的 subgraph 內的關連數大於在 G’中相

同的 subgraph 的關連數，則表示此 subgraph 為群組，其公式如下：

其中，Q 為 moduality，A 為 adjacency matrix，m 表圖形中的 edge 總數，P

ij

是 node i 和 j 在 null model 中預期的 edge 數，當 node i、j 在同相同的群組中時

δ-function 等於 1，反之則為 0；Q 的值最大為 1，可以是負數。當整個網路是同

一個群組時，Q 等於 0，若整個 graph 中沒有一個 subgraph 的 Q 大於 0，則表示

此圖形沒有群組存在。

3) Vertex Based Similarity

另外一種群組的定義是利用相似度的概念，也就是假設群組內的節點都是相

似度高的節點，而不考慮節點之間的連線；相似度的計算常用在傳統的分群方式

如 hierarchical、partitional 及 spectral clustering；計算相似度的方法有很多，可以

利用距離(Euclidean distance、Manhattan distance、cosine similarity)、structure

equivalent(Pearon correlation、max-flow/min-cut)等[2]。

將網路上的節點分群之後，在同一個群組的節點中，與其他群組的節點有

較多的關連的節點，它們在整個網路的地位相對重要，有可能是扮演協調者或資

訊傳遞者的角色，在圖形理論中的 community detection 主要目標是利用圖形的結

構屬性(topology)做為分群的依據。

Community detection 的演算法，過去較常使用的有 graph partitioning、

partitional clustering、hierarchical clustering，其中 hierarchical clustering 是將相似

度高的 node 分在同一群，方法多採用主要有 agglomerative algorithm，是由下往

上(bottom up)的方法，一開始將每個物件視為單獨的類別，然後在每個回合合併

相似度最相近的兩個群組，直到符合停止條件或全部 node 都是同一群為止，2002

年 Girvan and Newman [3][6]提出 divisive algorithm 的方式後，divisive algorithm

在 community detection 也開始變得熱門，divisive algorithm 也是 hierarchical

clustering 其中一種方法，是由上往下(top-down)的方式，一開始將整個網路視為

一個群組，每個回合將最不像的兩個群組分開，直到符合停止條件或每個 node

各自為一個群組為止，本研究中我們即採用 Girvan and Newman 提出的方法做分

群，以下是詳細說明。

Girvan and Newman [3][6]提出從關連(edge)的角度出發，找出連結各群組間

的重要關連(intercommunity edge)，把它們移除後，就可以找到相對應的群組，

利用 betweenness centrality 來找出連結各群組間的關連，其出發點是假設圖形中

有兩個群組，只有少數的關連連結兩個不同的群組，計算每個關連有多少路徑經

過，這些連結不同群組間的關連的 betweenness centrality 結果應該會最高，移除

這些關連後，即可找到群組。演算法的如下：

S1：計算所有 edges 的 centrality

S2：移除最大的 centrality 的 edge

S3：再重新計算剩餘 edges 的 centrality

S4：重覆 S2-S4

他們比較了三種不同定義的 edge betweenness：Geodesic edge

betweenness(Edge Betweenness)、Random-walk edge betweenness(random-walk

betweenness)、Current-flow edge betweenness(current-flowbetweenness)；Edge

Betweenness 是基於 shortest (geodesic) paths，找出兩兩節點間的最短路徑，並且

計算每個關連有多少最短路徑經過；Random-walk betweenness 是基於資訊在圖

形上傳遞是並不是透過最短路徑，而是每個關連的機率都相同；Current-flow

betweenness 結果與 Random-walk betweenness 相同；這三種 betweenness 的定義

在 sparse graph 上時間複雜度分別為 O(n

2

)、O(n

3

)、O(n

3

)。

Girvan and Newman 提出的方法，每個節點只能屬於一個群組，但在真實世

界的網路中，同一個節點有可能屬於多個群組(overlapping communities)，這些節

點扮演著不同群組間溝通者的角色，在資訊傳遞上有很重要的地位，因此近年來

也有許多學者往 overlapping communities 方向研究，但 overlapping communities

的時間複雜度增加許多，Gregory 提出改善 Girvan and Newman 的方法 CONGA

(Cluster Overlap Newman-Girvan Algorithm)，其時間複雜度為 O(n

3

) [2]。

Edge Betweenness 的分群方法，已被應用於多種網路如社會和生態網路

[5]，它是考慮整體網路的結構，即以 global 的群組定義方式做為分群的基礎；

利用 local 的群組定義方式做為分群的基礎的方法，過去雖然常被使用，但它們

最大的缺點是當一個節點與其他節點關連很少時(peripheral vertices)，此節點很

容易被排除在所有群組之外，而利用 global 的群組定義方式，則不會有此缺點。

2. 動態社會網路分析

傳統網路分析的靜態結構，或許只能視為演化過程中的一個瞬間畫面，而網

路上的個體是活動的，例如散佈謠言、疾病的傳染或立下決定，因此網路本身應

被視為一個動態的實體，它會受組成的個體的行為而影響。近年來，因資訊科技

快速發展，網際網路的普及，社群網路的興起，應用程式與人互動過程中產生了

大量的資料，例如使用者點選紀錄、文章，研究資料的取得變得更為簡便，因此

越來越多的學者投入動態社會網路分析的研究。

探討群組演化(evolution)是近年來群組的動態社會網路分析的方向之一。演

化的非正式的定義是指物件隨著時間增加的變化狀況，研究群組演化的目的為記

錄同一個群組在連續時間的狀態及發現其改變[8]，Hopcroft 是最早致力於分析各

個不同時間區間(snapshot)下網路演化過程的學者之一，他們利用 hierarchical

clustering 的方法分析 NEC CiteSeer Database，研究群組的形成到最後消失的過程

[4]，Palla 利用 Clique Percolation Method (CPM)的方法找出群組在不同時間區間

下的發生的事件[7]，Asur 及 Takaffoli 則著重在分析節點和群組之間的動態關

係，將事件區分為和群組相關及和節點相關兩類，並利用這些事件定義出群組的

行為指標[1][9]；這些研究大多採用兩階段的方法[10]，第一階段將資料分成多個

時間區間，並各別偵測各個時間區間的群組，第二階段則比較各個時間區間群組

的變化，以找出群組演化樣版(community evolution pattern)。

Asur 分析節點和群組之間的動態關係，利用 MCL(Markov Cluster Algorithm)

方法在每個不同時間區的網路中找到群組，之後再利用 bit matrix operation 方法

比較兩個連續的時間區間以找出 critical event，他們將 critical event 分成兩類：

和群組相關的事件及和節點相關事件[1]。

假設 t 表示時間區間，和群組相關的事件有：

 Continue：C

i t

和 C

xt+1

的 nodes 相同。

 k-Merge：｛C

i t

,C

jt

｝有 k%的 nodes 存在於 C

xt+1

。

 k-Split：若 C

i t

超過 k% node 存在於｛C

xt+1

,C

yt+1

｝

。

 Form：C

x t+1

nodes 都不存在｛C

0t

,C

1t

…, C

mt

｝

。

 Dissolve：Form 的相反。

和節點相關的事件有：

 Appear：node v 存在於 t+1 存在，且不存在於 t。

 Disappear：node v 存在於 t 存在，且不存在於 t+1。

 Join：node 在 t+1 的群組為 C

1

與 t 的群組為 C

2

，則為 join C

1

。

 Leave：node 在 t+1 的群組為 C

1

與 t 的群組為 C

2

，則為 leave C

2

。

他們再以這些事件為基礎設計四個指標，以補捉節點的行為對圖形的演化的

影響，指標說明如下：

 Stability index：測量一個節點與相同的節點互動的傾向。

 Sociability index：測量一個節點 join 及 leave 群組的比例。

 Popularity index：計算一個群組在特定時間內有多少節點 join 或 leave。

 Influence index：計算一個節點對其他節點的影響性。

Takaffoli 將 Event-Based Framework 再加以延申[9]，定義了七個和群組相關

的 event 以及四個和節點相關的事件，為強化事件的定義能適用多種情境，在事

件的定義下加入 k%的參數，除此之外，也設計 community flag 以判斷不同時間

區間的群組是否相同，和定義群組的生命週期：一個群組的開始 form(community

flag raised)，接下來有可能成員穩定(flag 仍在此群組中)或有成員加入或離開(flag

waving，較多成員的群組取得 flag)，最後如果沒有成員留在相同的群組中，群組

則 dissolve(flag vanish)。

假設 C

i t

表示在時間區間 t 的第 i 個群組，與群組相關的事件定義如下：

 k-form：若在 C

x t+1

超過 k%的 node 的不在｛C

0t

、C

1t

…,C

mt

｝中，則 C

it+1

標示為 k-form。

 k-dissolve：若在 C

i t

超過 k%的 node 不在｛C

0t+1

、C

1t+1

…,C

nt+1

｝

，則 C

it

標示為 k-dissolve。

 k-continue：若 C

i t

和 C

xt+1

有超過 k% nodes 都相同，則 C

xt+1

標示成

k-continue。

 n-k-merge：若在｛C

1 t

、C

2t

…,C

mt

｝有 k%的 nodes 存在於 C

xt+1

。

 n-k-split：若 C

i t

超過 k%的 nodes 存在於｛C

0t+1

、C

1t+1

…,C

mt+1

｝

。

 k-shrink：若 C

i

t

有 k%的 node 留在 C

xt+1

，且 C

xt+1

的 nodes 為 Cit 的子集

合。

 k-reform：若 C

i

t

有 k%的 node 留在 C

xt+1

，且 C

xt+1

的 nodes 不為 Cit 的子

集合。

與節點相關的事件定義如下：

 appear：node v 存在於 t+1 存在，且不存在於 t。

 disappear：node v 存在於 t 存在，且不存在於 t+1。

 k-join：若 node v 存在 C

i t

和 C

xt+1

，且 C

it

和 C

xt+1

相同的 node 不超過 k%，

則 node v join C

x t+1

。

 k-leave：若 node v 存在 C

i t

，不存在 C

xt+1

，且 C

it

和 C

xt+1

相同的 node 超過

k%，則 node v leave C

it

。

隨著時間、政治、經濟局勢的變化，政府部門的核心成員應有不同，政治權

力變化也會不同，例如當經濟衰退時，經濟相關部會之首長更換的機率增加，因

此觀察政治權力的變化時，不能只以靜態的社會網路方法做分析，應該從二個維

度考慮，第一個維度是從時間，第二個維度是從政治權力的形成，時間維度可幫

助我們了解不同時間政治權力的變化，政治權力的形成可以幫助我們了解哪些成

員為核心成員，核心成員可視為接班梯隊，因此我們在觀察政治權力的變化時，

需要從群組的角度出發，並觀察不同時間群組的變化所帶來的影響，Event-Based

Framework 提供了一個觀察政治權力變化的有效分析模型，在 Event-Based

Framework 中將資料依時間區間分析不同的資料集，並利用各個時間區間的結

果，找出群組或節點的行為事件，如群組消失、群組合併、節點加入群組或離開

群組，而這些行為事件，即可用來表示不同的政治勢力之消長狀況，再利用群組

行為事件匯集成表示政治權力穩定的指標，對於觀察政治權力應更有幫助。

四、研究方法

本研究以事件導向動態社會網路分析的方法，觀察政治權力的變化，以層

級浮現的概念，將個體做分群，找出群組事件，再匯集成群組指標。將方法應用

於政府官員異動資料庫，從不同的觀察角度，分析政府專業團隊之變化，從動態

的角度分析，利用官員職務異動紀錄及官員職務歷程資料，建構職務共同異動網

路及共事網路，將政治個體做分群，找出合理且有意義的事件，並將政治群組與

事件的關連性用網路的方式呈現，每個節點代表群組，節點之間的關連表示事

件，利用網路密度的概念，設計了政治群組指標，用來衡量政治群組的變動性及

穩定性，做為觀察部門專業才能單一性或多元性的依據。

1. 政治群組事件定義

依據政治權力的形成到消失設計了七個政治群組事件(Community Evolution

Event)－消失(Dissolve)、形成(Form)、結合(Merge)、分裂(Split)、維持(Continue)、

擴張(Expand)及縮小(Shrink)，利用集合內政治個體的相似度的比較(聯集和交

集)，來做為事件判斷的條件。

集合內政治個體相似度的比較，以官員名稱為比較基準；各事件判斷的條

件，詳細說明如下，假設 C

ti

表示在時間區間 t 的第 i 個群組，C

t+1x

表示在時間區

間 t+1 的第 x 個群組，V

ti

表示在時間區間 t 的第 i 個群組下的節點，V

t+1x

表示在

時間區間 t+1 的第 x 個群組下的節點，k 表示事件的門檻值。

1) Form 形成

當一個政治群組 C

t+1x

至少有 k%的成員是新加入的成員，則 C

t+1x

被視為新

政治權力群組的產生；當 C

t+1x

符合以下公式，即視為 Form 事件。

2) Continue 維持

當二個時間區間政治群組 C

ti

、C

t+1x

符合以下條件，視為 Continue 事件，條

件 1：二個政治群組的擁有至少 k%相同的成員，條件 2：群組人數成長率

介於 r1 到 r2 之間，其中條件 2 是因考慮政府人事異動資料庫特性，因此

不限定 C

ti

所有的成員一定要在 C

t+1x

出現；當 C

ti

符合以下公式，即視為

Continue 事件。

3) Shrink 縮小

當二個時間區間政治群組 C

ti

、C

t+1x

符合以下條件，視為 Shrink 事件，條件

1：二個政治群組的擁有至少 k%相同的成員，條件 2：C

t+1x

的群組人數比

C

ti

少；當 C

ti

符合以下公式，即視為 Shrink 事件。

4) Expand 擴張

當二個時間區間政治群組 C

ti

、C

t+1x

符合以下條件，視為 Expand 事件，條件

1：二個政治群組的擁有至少 k%相同的成員，條件 2：C

t+1x

的群組人數比

C

ti

多；當 C

ti

符合以下公式，即視為 Expand 事件。

5) Split 分裂

一個政治群組 C

ti

若符合以下條件，則視為 Split 為多個政治群組 C

t+1*

=

{

，條件 1：在 t 和 t+1 時期的政治群組至少擁有 k%相同的

成員，條件 2：t+1 時期的政治群組成員的聯集，和 t 時期的政治群組成員，

至少擁有 k%相同的成員，當 C

ti

符合以下公式，即視為 Split 事件。

6) Merge 結合

多個政治群組 C

t*

= {

，若符合以下條件，則視為 Merge 為政治

群組 C

t+1x

，條件 1：在 t 和 t+1 時期的政治群組至少擁有 k%相同的成員，

條件 2：t 時期的政治群組成員的聯集，和 t+1 時期的政治群組成員，至少

擁有 k%相同的成員，當 C

t*

符合以下公式，即視為 Merge 事件。

7) Dissolve 消失

當一個政治群組 C

ti

的成員，在 t+1 時期，沒有超過 k%的成員留在相同的群

組時，則視為 Dissolve 事件；即當 C

ti

符合以下公式，即視為 Dissolve 事件。

2. 政治群組指標設計

本研究將政治事件分成二個事件類別(Event Categories)，第一類 negative

category，為與群組延續性無關的事件 Form 和 Dissolve，第二類 positive category，

為與群組延續性有關的事件 Merge、Continue、Expand、Split 和 Shrink。利用群

組類別，設計政治群組指標－專業團隊的汰換指標 CSI(Community Substitution

Index)和專業團隊的延續指標 CCI(Community Continuity Index)，以用來衡量政治

群組的變動性及穩定性。

將群組與事件用社會網路圖形表示，網路中的節點表示政治群組，兩個節點之間

的關連表示事件，以社會網路密度的概念為指標設計依據。假設 n 為總節點數，

第一個時間區間(S

1

)的節點數，

為最後一個時間區間(S

n

)的節點數，

為事件類別 negative 的 Event 數，

為事件類別 positive 的

Event 數。

1) 專業團隊的汰換指標 CSI(Community Substitution Index)

CSI 以事件類別 negative 為計算依據，當 CSI 越高，即 Dissolve 及 Form 的

事件越多，政治群組的不穩定性較高。CSI 公式如下：

2) 專業團隊的延續指標 CCI(Community Continuity Index)

CCI 以事件類別 positive 為計算依據，CCI 指標越高即 Merge、Split、Expand、

Continue 及 Shrink 五個事件較多，也表示政治群組延續較好，即部門內核心

人員延續比率較高，CCI 和 CSI 的總合小於或等於 1，CCI 介於 0 到(1-CSI)

之間，一般而言，CSI 越小 CCI 越大，反之 CSI 越大則 CCI 越小。CCI 公

式如下：

3. 系統架構

本研究採用事件導向動態社會網路分析的方法，設計觀察政治權力變化的系

統，利用政治個體的互動，匯集成政治群組事件，並利用政治群組事件設計政治

群組指標。本系統可分成三個子模組：Network Construction、Community

Identification、Community Evolution Tracking，系統架構圖如圖 1。

圖 1: 動態社會網路之群體事件偵測系統架構

1) Network Construction

Network Construction 的主要功能為依據將資料依時間區間(如 1 年、2 年、4

年)，將政府官員異動資料庫中的人事異動紀錄，建置多個靜態網路。網路

的類型有兩種－職務共同異動網路、共事網路；職務共同異動網路中，節點

為官員，兩兩節點在特定天數內都有異動職務紀錄，即產生關連；共事網路

中，節點為官員，兩兩節點在特定天數內都有異動職務紀錄或在同部門共事

天數大於特定天數，即產生關連。

2) Community Identification

以 EdgeBetweenness 將各個靜態網路做分群，假設每個節點只能屬於一個群

組，一個群組至少需要 3 人以上，才會形成群組。Edge Betweenness Cluster

分成多個回合，每個回合移除一個 betweenness centrality 最高的 Edge，直到

分群之後的群組數大於或等於事先定義之群組數時，則分群演算法停止。

3) Community Evolution Tracking

依網路分群結果找出合理的事件，合理事件判斷的方式是利用事前定義的事

件優先權 Form→Merge→Split→{Continue, Shrink, Expand}→Dissolve 做為

判斷依據，利用比對兩兩連續的時間區間內各群組的群組成員相似度，相似

度的比較條件為為官員姓名，並依據各事件的公式及事件優先權，找出合理

的事件，以計算政治指標，做為觀察政治群組發展的依據。

五、結果與討論

本計畫所發展之政治權力觀察系統可應用於特定政治權力團體，如政府部門，或

以特定政治人物為核心之政治團派。我們以近20年實際之政府官職異動資料進行

實驗，得到符合常理判斷的政治權力運作情形，也驗證了本計畫研究方法的可行

性。

1. 政府部門之專業群組動態變化觀察

本實驗是分析部門內之政府專業團隊，比較部門間專業團隊之專業才能為單

一性或多元性。我們先針對職務共同異動網路及共事網路做分析，找出兩種網路

的適用性，再利用政治群組指標，以觀察部門選用人才的傾向為內部調任或外部

選用。

1) 政府專業團隊動態觀察

觀察對象為行政院部會，操作職等12到15之官員為分析對象，時間區間2年

和4年。實驗結果顯示，職務共同異動網路(如圖2)，隨部門、時間區間而有

不同，共事網路(如圖3)則每個時期的群組數都是只有1個，幾乎所有的部門

成員都在這個群組中；政府專業團隊可視為高層官員之接班梯隊，成員大多

為政府部門內之菁英成員，團隊之領導人通常為該部門之首長或掌握人事任

命權之高層官員，而團隊成員組成為動態的，成員人數應在30人以內，由實

驗結果可知，當分析政府部門內之專業團隊時，利用職務共同異動網路，較

能補捉合理的分群結果。

當只觀察單一部門時，有些部門如交通部，並未隨著時間區間增加而群組數

減少，無法明顯看到接班梯隊，主要是因為部門之業務多元，如交通部，涵

蓋運輸、觀光、氣象、通信四大領域，而縣市地方政府也有同性質的部門(交

通局)，因此人才選用來源更廣，這些部門可以從中央與地方同性質的部門

內之觀察專業團隊的變化，以找出專業團隊人才的流動狀況，如圖4。

圖2: 交通部政治群組事件圖(時間區間2年,30天內職務共同異動)

圖2: 交通部政治群組事件圖(時間區間2年,共事180天以上)

圖4: 行政院交通部和各縣市交通局之政治群體政治群組事件圖

(時間區間4年,90天內職務共同異動)

2) 政府部門專業才能單一性或多元性之觀察

我們利用職務異動資料，以測量各部門專業才能為單一性或多元性，我們選

擇職務共同異動網路；政府官員同時異動職務的原因有很多，例如定期人事調

動、政黨輪替、內閣改組、個人新聞事件，而操作職等越高的官員隨政黨進退的

狀況更為明顯，因此我們依官員操作職等設計二個實驗－以操作職等12-15高階

官員為分析對象和以操作職等10-15之中高階官員為分析對象。

政治指標CSI越低，表示其人員異動幾乎都是同部門的成員異動，較少其他

部門的人員進入，即部門的專業才能單一性高，其他部門進入門檻高，人才選用

傾向為內部調任。CCI越高，表專業團隊的延續比率越高，表示其部門內的核心

成員大多由原任職該部門之人員組成，隱含該部門人員較不易隨著外界的政治或

社會變動而受影響。CSI越高表示專業團隊汰換率高，變動較大，越低表示專業

團隊汰換率低，變動較小，人才選用傾向為外部選用。

當時間區間過短，其分群群組數可能會過多，政治群組事件幾乎不存在，而

時間區間過長，分群群組數只剩一個，因此我們依各部門的平均任期選擇時間區

間以比較不同部門之單一性或多元性，各部會政治群組指標如表 1。

由實驗結果我們發現只有中央政府才有的部門如法務部、外交部、原能會，

專業才能單一性高，人才選用傾向內部選用；中央與地方都有相同性質的部門，

如財政部、新聞局、環保署，其部門人員會在中央與地方之間相互調動，故其部

門核心人員之延續性較差；整體而言，加入了操作職等10、11之後，CSI指標明

顯下降。其中外交部CSI和CCI不論操作職等為何，指標數據都很相近，表示其

操作職等10、11和操作職等12-15之官員，跨部門異動的狀況差不多，新聞局加

入操作職等10、11後，發現CSI指標也明顯下降，即操作職等越低，在同部門中

異動人數越多，檢視資料後發現，新聞局的官員確實為當操作職等越高，曾任其

他部門比例越高，越易隨內閣改組人事異動，財政部加入操作職等10、11的官員

之後，CCI指標上升很多(由0.25變成0.46)，表示財政部之官員操作職等越高，在

財政相關領域異動職務的狀況越明顯。

表 1: 政治群組指標依排名顯示(時間區間:依各部會的平均任期選擇)

Place

操作職等 12-15

操作職等 10-15

CSI

CCI

CSI

CCI

1

環保署(0.47)

外交部(0.49)

環保署(0.17)

法務部(0.53)

2

內政部(0.39)

法務部(0.46)

內政部(0.15)

財政部(0.46)

3

新聞局(0.38)

原能會(0.37)

交通部(0.1)

外交部(0.40)

4

經濟部(0.38)

交通部(0.36)

外交部(0.08)

新聞局(0.39)

5

財政部(0.27)

經濟部(0.27)

新聞局(0.08)

經濟部(0.38)

6

交通部(0.22)

新聞局(0.26)

原能會(0)

交通部(0.37)

7

法務部(0.12)

財政部(0.25)

經濟部(0)

環保署(0.36)

8

原能會(0.08)

內政部(0.24)

法務部(0)

內政部(0.25)

9

外交部(0.07)

環保署(0.21)

財政部(0)

原能會(0.25)

2. 政府核心人物之專業團隊動態變化觀察

本實驗從特定的政治人物的角度，觀察和特定人物合作較緊密之核心成員，

核心人物之專業團隊可視為核心人物之班底，並觀察班底組成的模式(pattern)。

實驗設計我們選定一位核心人物及和核心人物合作較緊密之 30 到 50 位官員，分

別利用共同異動網路及共事網路分析資料；本研究中我們選定了二位中華民國總

統馬英九、陳水扁做為核心人物。

實驗結果顯示只單以職務異動分析資料，無法反應繼續留任原職務的官員，

但這些人實際上在群體中扮演重要的角色，因此我們選擇共事網路做為分析班底

組成的依據，其結果如下：

1) 以馬英九為核心

觀察以馬英九為核心之專業團隊成員組成的模式(pattern)，我們以時間區間4

年資料做分析，馬英九於1991-1993年任職行政院大陸委員會副主任委員，

1993-1996年任職法務部部長，之後連續擔任二任臺北市市長

(1998/12-2002/12、2002/12-2006/12)，2008年當選中華民國總統。我們選擇

觀察的名單中，連續二個時期出現在同一個群組1次到4次的人數分佈為5、

15、2、6，其中連續二個時期出現在同一個群組2次以下的人數超過一半的

成員，也就是說馬英九的專業團隊成員，大多透過重新召募，成員間的合作

關係持續性較低，我們再進一步觀察專業團隊的成員組成的模式，表 2為核

心人物專業團隊之代表性成員之職務歷程，我們歸納五種成員組成之模式，

詳細說明如下：

 主管轉任部屬(Superior-turn-subordinate)：馬英九2008年任職總統時，蕭

萬長為副總統，劉兆玄為行政院長，他們二人在S1時期，三人都是擔任

行政院部會首長，在S2-S3時期，蕭萬長和劉兆玄操作職等較馬英九高，

在S4時期，蕭萬長和劉兆玄因2000-2008年政黨輪替，並未有任職紀錄，

而馬英九此時連續擔任二任臺北市市長(1998/12-2002/12、

2002/12-2006/12)，當2008年總統大選時，馬英九選擇蕭萬長為副總統

人選，他當選後，任命劉兆玄為行政院院長，這也顯示在選舉對於取得

政治權利是高風險、高報酬，而且在取得政治權利的初期時，常倚重政

黨內部資深或有威望的人。

 組織內部招募與留任(Recruitment and retainment)：沈世宏和李述德在

S1-S2時期，任職12職等，較馬英九低，在S3、S4時期，由馬延攬進入

臺北市政府團隊，在S5時期，進入內閣，分別任職環保署署長及財政部

部長。

 組織外部召募和離開組織(Outside recruitment and departure)：鄭村棋，

在進入臺北市政府之前並沒有擔任政府官員經驗，在S3、S4時期，進

入臺北市政府團隊，當馬英九離開臺北市政府後，並未擔任何職務。

 具重要影響的組織外部召募(Significant outside recruitment)：賴幸媛，在

過去並未和馬英九有合作經驗，在2008年後，擔任行政院大陸委員會主

任委員，也顯示馬英九廣納賢才，知人善任。

 隱性的緊密連結(Emerged-submerged association)：蘇起，在馬英九任臺

北市市長時期,雖沒有加入市府團隊，但在當馬英九當選總統後，卻能

能進入權力的最核心，顯示他必為馬英九高度信任的人員之一。

表 2:核心人物專業團隊之代表性成員之職務歷程

(以馬英九為核心,時間區間 4 年,共事網路)

官員 S1: 1990~1993 S2: 1994~1997 S3: 1998~2001 S4: 2002~2005 S5: 2006~2009 馬英九 C1:陸委會副主委 (141);法務部部長 (15) C2:法務部 部長 (15) C3:臺北市市長 (15)(since 1998/12) C4:臺北市市長 (15) C5:臺北市市長(15) (before 2006/12); 總統(17) (since 2008/5) 蕭萬長 C1:經濟部 部長 (15) C2:行政院 院長 (16) C3:行政院 院長 (16) C5:副總統(16.50) 劉兆玄 C1:交通部 部長 (15) C2:交通部 部長 (15) 行政院 副院長 (15.5) C3:行政院 副院長 (15.5) C5:行政院 院長(16) 沈世宏 C1:環保署 處長 (12) C2:環保署 處長 (12);國科會 處長 (12) C3:臺北市政府環 保局 局長(13) C4:臺北市政府 環保局 局長 (13) C5:環保署 署長(15) 李述德 C2:財政部高雄市 國稅局 局長(12) C3:臺北市政府財 政局 局長(13) C4:臺北市政府 財政局 局長 (13) C5:財政部 部長(15) 鄭村棋 C3:臺北市政府勞 工局 局長(13) C4:臺北市政府 勞工局 局長 (13) C5:臺北市政府勞工 局 局長(13) 賴幸媛 C5:陸委會 主委(15)

1_{括弧內之數字表示本研究設定之操作職等。}

官員 S1: 1990~1993 S2: 1994~1997 S3: 1998~2001 S4: 2002~2005 S5: 2006~2009 蘇起 C2:陸委 副主委 (14) C3:陸委會 主委 (15) C5:國家安全會議 秘書長(16)

2) 以陳水扁為核心

觀察以陳水扁為核心之專業團隊成員組成的模式，我們以時間區間 4 年資料

做分析，陳水扁於 1994/12-1998 年任職臺北市市長，2000 年後連續兩任當

選中華民國總統(2000-2004 年、2004-2008 年)；我們選擇觀察的名單中，多

數成員原本都並未擔任公職，連續二個時期出現在同一個群組 1 次到 4 次的

人數分佈為 7、11、18、3，其中連續二個時期出現在同一個群組 2 次以上

的人數超過一半的成員，也就是說陳水扁的專業團隊成員，一開始多從外部

召募2，隨著陳水扁任新職務而隨之異動職務；我們再進一步觀察專業團隊

的成員組成的模式，表 3 為核心人物專業團隊之代表性成員之職務歷程，我

們歸納出四種成員組成之模式，詳細說明如下：

 組織外部招募與留任(Outside recruitment and retainment)：李逸洋、林

全、林嘉誠，在進入臺北市政府之前並沒有擔任政府官員經驗，在 S2、

S3 時期，進入臺北市政府團隊，在 S3-S5 時期陳水扁擔任總統期間，

進入內閣，在 S5 時期分別任職內政部部長、財政部部長、考選部部長。

 組織內部招募與留任(Recruitment and retainment): 林陵三、郭瑤琪，在

S1 時期，為事務官，在 S2、S3 時期，由陳延攬進入臺北市政府團隊，

在 S3 時期之後，進入內閣，二者都曾任職交通部部長。

 組織外部召募和離開組織(Outside recruitment and departure)：陳師孟、

陳哲男，在進入臺北市政府之前並沒有擔任政府官員經驗，在 S2 時期，

進入臺北市政府團隊，在 S3-S4 時期陳水扁擔任總統期間，陳師孟任職

央行副總裁及總統府秘書長，陳哲男任職總統府副秘書長，在 S5 時期，

離開陳水扁團隊，並未擔任何職務。

 組織外部召募和離開組織並投入選舉(Outside recruitment and departure

for election)：羅文嘉、陳菊，在進入臺北市政府之前並沒有擔任政府官

員經驗，在 S2 時期，進入臺北市政府團隊，在 S3-S4 時期陳水扁擔任

總統期間，進入內閣，在 S5 時期，二人皆離開陳水扁團隊，投入地方

選舉。

2 _{在本研究中「外部召募」(outside recruitment)是指從政府組織的角度來看，若未曾任職政府組} 織職務，雖與核心人物同一政黨，如羅文嘉、陳菊、陳水扁同為民進黨重要人士，在本研究中仍 視為外部召募。

表 3: 核心人物專業團隊之代表性成員之職務歷程

(以陳水扁為核心,時間區間 4 年,共事網路)

官員 S1: 1990~1993 S2: 1994~1997 S3: 1998~2001 S4: 2002~2005 S5: 2006~2009 陳水扁 C2:臺北市市長 (15) (since 1994/12) C3:臺北市市長(15) (before 1998/12) ;總統(17) (since 2000) C4:總統(17) C5:總統(17) 李逸洋 C2:臺北市政府民 政局 局長(13) C3:臺北市政府民 政局 局長(13) 內政部 政務次長 (14) C4:內政部 政務 次長(14) 人事行政局局長 (15) C5:內政部 部長 (15) 林全 C2:臺北市政府財 政局 局長(13) C3:臺北市政府財 政局 局長(13) 主計處 主計長 (15) C4:主計處 主計 長(15) 財政部 部長 (15) C5:財政部 部長 (15) 林嘉誠 C2:臺北市政府研 考會 主委(13) 臺北市政府 副市 長(14) C3:臺北市政府 副 市長(14) 行政院研考會 主 委(15) C4:行政院研考 會 主委(15) 考選部 部長 (15) C5:考選部 部長 (15) 陳師孟 C2:臺北市政府 副市長(14) C3:中央銀行 副總 裁(14.5); C4:總統府 秘書 長(16) 陳哲男 C2:臺北市政府民 政局 局長(13) C3:臺北市政府 秘 書長(13) 總統府 副秘書長 (15) C4:總統府 副秘 書長(15) 郭瑤琪 C1:臺北市都市計 畫委員會技正(10) C2:臺北市政府國 民住宅處 處長 (13) C3:臺北市政府國 民住宅處 處長 (13) C4:行政院公共 工程委員會主委 (15) C5:行政院公共 工程委員會主委 (15) 交通部部長(15) 林陵三 C1:交通部臺灣區 國道新建工程局處 長(11) C2:交通部臺灣區 國道新建工程局 副局長(12) 臺北市政府捷運 工程局 局長(13) C3:臺北市政府捷 運工程局 局長 (13) 交通部 政務次長 (14)(since 2001) C4:交通部 部長 (15) 羅文嘉 C2:臺北市政府新 聞處 處長(13) C3:行政院文建會 副主委(14) C4:行政院客委 會 主委(15) 陳菊 C2:臺北市政府社 會局 局長(13) C3:臺北市政府社 會局 局長(13) C4:行政院勞委 會 主委(15) C6高雄市政府 市長(15)

官員 S1: 1990~1993 S2: 1994~1997 S3: 1998~2001 S4: 2002~2005 S5: 2006~2009 行政院勞委會 主 委(15)

六、綜合評估與建議

在我國政府官職資料庫中，保存大量人事異動記錄，其總體蘊藏的資訊量極

為龐大，但若以單一筆的異動記錄來看，其所能提供的資訊則較為稀少且偏向於

零碎，有鑑於其資料所具有的獨特性質，因而在本研究中選擇嘗試從同時兼具微

觀以及巨觀分析角度的社會網路分析方法進行切入分析。

本計畫著眼於以動態網路模型進行政治權力事件變化之觀察，其研究成果和

一開始的研究目的作對照，可以確信我們的研究確實將二十年來的資料轉化成一

種可視的型態。政府官員在於組織中的影響力變化，可以透過這樣的研究方法作

呈現。雖然結果受限於我們對於影響力的認知和感受，但影響力的確和網路的分

支度有一定關係。甚至在組織階層上面，更可反映下屬的數目和影響力、權力有

關。我們的研究方法也可以觀察出政府不同時期，不同執政黨的組織調動情況；

而我們的方法不一定僅限於政府組織，對於公司組織或機關團體，只要符合相類

似的資料型態，都可以做如此的觀察。但我們的模型因著設計上的限制，使得無

法百分之一百反映官員在政府組織的影響力。相信對於職位和單位性質如果能更

了解，或更明白影響力在一般人的認知上是如何運作。加上資料蒐集的夠齊全，

我們應該更能如實反映官員在政府組織中影響力的變化或權力的運作。

此部分的未來改良方向可以朝向針對EventRank演算法再做改進，例如參與

者的選擇加入權重，網路中較相鄰的長官給予較高的權重影響。此外亦可參考其

他網路特性指標，或是深入部門分析，選定特定的部門，將其組織和職位做更深

入的探討研究，及考慮更精細的資料粒度和更多的職位考量。另外也可考量更有

效的視覺化呈現工具，以利更直覺或是更具應用價值的成果展現。

總結本計畫各部分的成果以及未來改良方向，本計畫確實已經達成原初始計

畫中所預定達成的目標，甚至經由諸多研究發表及系統設計、調整的過程中，發

掘了更多此類型研究的潛力存在並已有初步探索成果可供佐證。而以未來發展改

良而言，雖此類型議題僅為初探性質且仍有相當的改良空間可供發揮，然而經由

前兩項子計畫的探索，可確信以各種資料維度的觀察角度來審視政府人事公報中

蘊含的資訊，的確是有足夠之成效可展現出來；而最後子計畫延伸之動態網路模

型，除了順應學術潮流外，更賦予了此類型資料更大的觀察及研究的空間，並足

以做為後續推展到各種實務應用平台、政治生態觀察平台甚至政治群體動力相關

之觀測指標的發展工作。

參考文獻

[1] S. Asur, S. Parthasarathy, and D. Ucar, "An event-based framework for

characterizing the evolutionary behavior of interaction graphs," ACM

Transactions on Knowledge Discovery from Data (TKDD), vol. 3, pp. 1-36, 2009.

[2] S. Fortunato, "Community detection in graphs," Physics Reports, vol. 486, pp.

75-174, 2010.

[3] M. Girvan and M. E. J. Newman, "Community structure in social and biological

networks," Proceedings of the National Academy of Sciences, vol. 99, pp.

7821-7826, 2002.

[4] J. Hopcroft, O. Khan, B. Kulis, and B. Selman, "Tracking evolving communities

in large linked networks," Proceedings of the National Academy of Sciences of the

United States of America, vol. 101, pp. 5249-5253, 2004.

[5] M. E. J. Newman, "Detecting community structure in networks," The European

Physical Journal B - Condensed Matter and Complex Systems, vol. 38, pp.

321-330, 2004.

[6] M. E. J. Newman and M. Girvan, "Finding and evaluating community structure in

networks," Physical Review E, vol. 69,026113, 2004.

[7] G. Palla, A.-L. Barabasi, and T. Vicsek, "Quantifying social group evolution,"

Nature, vol. 446, pp. 664-667, 2007.

[8] M. Spiliopoulou, "Evolution in Social Networks: A Survey Social Network Data

Analytics," In C. C. Aggarwal, ed., Social Network Data Analytics, Springer, 2011,

pp. 149-175.

[9] M. Takaffoli, F. Sangi, J. Fagnan, and O. R. Zäıane, "A Framework for Analyzing

Dynamic Social Networks," In Proceedings of the 7th Conference on Applications

of Social Network Analysis (ASNA), 2010.

[10] M. Takaffoli, F. Sangi, J. Fagnan, and O. R. Zäıane, "Community Evolution

Mining in Dynamic Social Networks," Procedia - Social and Behavioral Sciences,

vol. 22, pp. 49-58, 2011.

[11] S. Wasserman and K. Faust, Social Network Analysis Methods and Applications.

New York : USA, 1994.

國科會補助專題研究計畫項下出席國際學術會議心得報告

日期：101 年 10 月 30

日

一、參加會議經過：無 (論文經審查接受為全文口頭發表, 原規畫由甯格致(博士

生)於 6 月份報名, 並於 8 月份會議日期出席報告. 但甯生因故於 7 月底入伍服役,

而未能出席會議, 故僅於計畫經費中補助報名費新台幣 15000 元.)

二、與會心得：無

三、考察參觀活動(無是項活動者略) ：無

四、建議：無

五、攜回資料名稱及內容：無

六、其他：無

計畫編號

NSC 100－2221－E－004－013

計畫名稱

社會網路動態結構指標發展及政治權力變化觀察之研究

出國人員

姓名

甯格致

服務機構

及職稱

國立政治大學資訊科學系博士生

會議時間

101 年 8 月 26 日

至

101 年 8 月 29 日

會議地點

Istanbul, Turkey

會議名稱

The 2011 International Conference on Advances in Social Networks

Analysis and Mining (ASONAM 2012)

發表論文

題目

Evolutionary Community Detection for Observing Covert Political Elite

Cliques

J. S. Liu <jyishane.liu@gmail.com>

ASONAM : Paper 98 Decision

Conference Management Toolkit <cmt@microsoft.com> 2012年5月20日下午4:26 回覆：tansel.ozyer@gmail.com

收件者： jyishane.liu@gmail.com Dear Jyi-Shane Liu,

RE: Your paper 98 - Evolutionary Community Detection for Observing Covert Political Elite Cliques Congratulations! On behalf of the Technical Program Committee and the organizers of The IEEE/ACM International Conference on Social Networks Analysis and Mining (ASONAM 2012), we are pleased to inform you that your submission has been accepted as a "Full Paper". Around 16% of the submissions have been accepted as “Full Papers”. A full paper will be scheduled for 30-minutes presentation.

This year we have a large number of high quality submissions. All submissions went through a rigorous reviewing process. Each paper was reviewed by at least two (four or five in most cases) program committee members and the review reports for all papers were carefully considered before decisions were made.

In addition to the main conference, there will be a number of collocated workshops and two symposiums. Also there will be a number of tutorials and a panel. One registration will allow participants to attend ASONAM 2012 and all the collocated events.

Please carefully consider the reviews’ comments and thoroughly revise your paper accordingly (see details below) and use the correct IEEE format available at the conference website http://www.asonam2012.etu.edu.tr/; it is very important to have your paper formatted as required by the publisher in order to guarantee that your paper will appear in the proceedings which is to be published by the prestigious IEEE Computer Society Press. For a poster paper, your camera-ready version should not exceed 8 pages; however, you are allowed up to two additional pages at extra charge of $100 (one hundred US dollars) per page.

These are the major points to be considered:

1 – Carefully prepare and submit the final revised camera-ready version of your paper according to the

instructions to be received from the publisher and we will try to post them on the ASONAM website. (deadline is 31 May 2012)

2 - Submit the IEEE copyright form according to the instructions to be received from the publisher. (deadline is 31 May 2012);

3 – At least one of the authors must register and pay the full fee amount in order for your paper to appear in the conference proceedings (deadline is 31 May 2012); student author registration is not allowed except in case all authors are students. This deadline also corresponds to the early registration rate - select the early registration option from the rates part of the registration form. (the registration form will be upload on the website soon) 4 - View hotel information and book hotel room (details for hotel reservation will be available at the conference web site after 22 May - please book urgently to get rooms at competitive prices); we will post a clear map showing all hotels close to the conference venue.

We look forward to see you in Istanbul, Turkey in August 2012.

For further information please do not hesitate to contact the local organizers. Thank you. Best regards,

IEEE/ACM ASONAM 2012 Program Chairs

Evolutionary Community Detection for Observing Covert Political Elite Cliques

Jyi-Shane Liu, Ke-Chih Ning, Wan-Chun Chuang

Department of Computer Science National Chengchi University 64 Sec. 2 Zhih-Nan Rd., Wen-Shan District

Taipei, TAIWAN, R. O. C. jsliu@cs.nccu.edu.tw Abstract—Among many real world applications of social network

analysis, political interaction and executive succession show some unique characteristics of dynamic community evolution and raise interesting research challenges. Interactions of political power among community members are mostly subtle and behind the scene. Visible relations are only nominal and are not readily apparent to key findings. Under such difficult circumstances of information deficiency, the research problem is to uncover the inner relations among some of the network entities and to discover the hidden network structure based on these inner relations. In this research, our objective is to identify the inner circles of government political power and bureaucracy underneath formal work relations and observe how the political elite groups form and change over time. A government official job change network in a time span of over twenty years is built to model synchronous post assignment and job promotion within a time window as entity relations. In each snapshot of network evolution, communities that exhibit strong association of synchronous job change are identified by the edge betweenness decomposition algorithm. Then, an event-based framework is used to characterize community behavior patterns in consecutive changes of network structures. The approach is effectually demonstrated on two scenarios: (1) identifying and tracking the inner circle of a leading political figure; (2) finding succession pool members in government agencies. We further propose two evolutionary community variation indexes to assess political executive succession. Experimental results with actual government personnel data provide evidence that government agency succession can be reasonably measured. This work also has the practical value of providing objective scrutiny on political power transition for the benefit of public interest.

Keywords- evolutionary community detection; political elite cliques; executive succession; opaque network

I. INTRODUCTION

Over the years, social network analysis has made great stride in discovering and understanding entity interactions in the context of static and homogeneous networks. Recent research interest, however, has gradually moved toward the analysis of dynamic and heterogeneous networks that are closer to real-world setting and bring functional richness. One of the most intriguing problems in dynamic social network analysis is the tracking of evolving communities, where each entity share more similarity or proximity with other entities within the community than with the entities outside, yet the community membership changes over time [1]. Such tasks involve capturing network data in a temporal sequence and determining appropriate clustering of entities in each time step such that

certain aspects of network structural changes are optimized or desired [2]. This allows the identification of evolving communities, observation of changing entity role, and discovery of emergent trends, thus developing great potential for real-world utilities.

While research progress in dynamic social network analysis has inspired new ideas in various application domains including organizational communications [3], and scientific collaborations [4], some of the less addressed problem areas involve a variety of networks that are not easily accessed from outside. These social networks are generally characterized by severe data limitations that network information from public sources are incomplete and may suffer from intentional or unintentional distortion. Members of these social networks tend to keep their membership private and conceal their interactions with each other. Among different motivations for imposing secrecy, network activities that are illegal or cause harm to the society call for research attention. Dark network or covert network was termed to describe such illegal or criminal networks as drug/arms trafficking and terrorist networks [5][6]. Later research attempted to derive a better understanding of the dark/covert networks with social network analysis techniques [7][8][9].

In between the dichotomy of overt (or bright) and covert (or dark) networks, we suggest the existence of a type of opaque (social) networks that share some of the characteristics of each end. Concerning the effects or purposes of network activities, opaque (social) networks are as admissible or legitimate as bright networks. In terms of data availability, opaque (social) networks sit somewhere in the middle of scarcity and abundance. Opaque network data are available to some extent but are typically inadequate to derive crucial information for the purposes of study. In most cases, network entities are discernible and relations among entities are visible. However, these visible relations are only nominal and are not readily apparent to the key finding of the problem domains. Similar to dark network under such difficult circumstances of information deficiency, research challenge in opaque (social) networks is to uncover the inner relations among some of the network entities and to discover the hidden network structure based on these inner relations.

In this paper, we characterize government officials as members of an opaque (social) network and apply evolutionary community detection to estimate the temporal change in network structure. The objective is to identify the inner circles of political power and bureaucracy underneath formal work