事件導向動態社會網路分析應用於政治權力變化之觀察 - 政大學術集成

全文

(1)國立政治大學資訊科學系 Department of Computer Science National Chengchi University 碩士論文 Master’s Thesis. 立. 政治大. ‧ 國. 學. ‧. 事件導向動態社會網路分析應用於政治權力變化之觀察. n. er. io. sit. y. Nat. An Application of Event-based Dynamic Social Network Analysis for Observing Political Power Evolution al v i n Ch engchi U 研究生：莊婉君指導教授：劉吉軒. 中華民國一百零一年七月 July 2012.

(2) 事件導向動態社會網路分析應用於政治權力變化之觀察 An Application of Event-based Dynamic Social Network Analysis for Observing Political Power Evolution. 研究生：莊婉君. Student：Wan-Chun Chuang. 指導教授：劉吉軒. Advisor：Jyi-Shane Liu. 立. 治政國立政治大學大資訊科學系. sit. Nat. A Thesis. y. ‧. ‧ 國. 學. 碩士論文. er. io. submitted to Department of Computer Science. n. al National Chengchi University iv. n U i Requirements e n g cofhthe in partial fulfillment. Ch. for the degree of Master in Computer Science. 中華民國一百零一年七月 July 2012.

(3) 11- .lIt i~;k • btf it fJT k~ ± JJI. 11. ~X.o~~~~ ~~5t:t. *1*,. f<;] ~ fj!, ~±. ~ ~ Jli %-;fIT J.t. m~ itt ~f:; ili fJ ~ 1b.:t..-Wt ~. 政治大. An Application of Event-based Dynamic Social Network Analvsis for Observing Political Power Evolution. 立. 學 ‧. io. sit. y. Nat. n. al. er. x... ‧ 國. fJf ~ tffiI. Ch. engchi. i n U. v.

(4) .Department of Computer Science. College of Science. National Chengchi University. Taipei, Taiwan, R.O.C.. As members ofthe Final Examination Committee, we certifY that we have read the thesis prepared by CHUANG,. WAN-~HUN. 政治大. entitled An Application of Event-based Dynamic Social Network Analvsis. 立. for Observing Political Power Evolutionand recommend that it be. ‧ 國. 學. accepted as fulfilling the thesis requirement for the Degree of Master. ‧. of Science.. n. er. io. sit. y. Nat. al. / Thesis Advisor:. Ch. engchi. i n U. v. 50?~ L ,. Chairman: --------------------------------------Date:. 2012/7/9.

(5) 事件導向動態社會網路分析應用於政治權力變化之觀察. 摘要. 如何從大量的資料中擷取隱匿或不容易直接觀察的資訊，是重要的議題，社會網路提供了一個適當的系統描述模型與內部檢視分析的方法，過去社. 政治大. 會網路分析多著重於靜態的分析，無法解釋發生在網路上的動態行為；我. 立. 們的研究目的是從動態社會網路分析的角度，觀察政治權力的變化，將資. ‧ 國. 學. 料依時間切分成多個資料集，在各個資料集中，利用官員共同異動職務及. ‧. 共事資料建構網路，並使用 EdgeBetweenness 分群方法將網路做分群，以找出潛在的政治群組，接著再採用事件導向的方法(Event-based Framework)，. y. Nat. io. sit. 比較連續兩個時間區間的網路分群結果，以觀察政治群體的動態發展，找. er. 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. n. a. v. l C 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、 ni. hengchi U. 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。關鍵字：動態社會網路分析、網路分群、政府專業團隊、政治權力觀察.

(6) An Application of Event-based Dynamic Social Network Analysis for Observing Political Power Evolution. Abstract. Extracting implicit information from a considerable amount of data is an. 政治大 for this purpose due to its 立emphasis on the relationship between nodes and the. important intelligent data processing task. Social network analysis is appropriate. ‧ 國. 學. structure of networked interactions. Most research in the past has focused on a static point of view. It can’t account for whatever action is taking place in the. ‧. network. Our research objective is to observe the evolution of political power by dynamic social network analysis. We begin by creating static graphs at different. y. Nat. sit. time according to the synchronous job change between the government officials. er. io. or the relationship between the government officials whom work in the same. n. government agency. Weaobtain l political communitiesi vfrom each of these. n U e n g cclustering snapshot graphs using edge betweenness method. Next we define a set hi. Ch. of evolutionary events of political communities using event-based framework. We compare two consecutive snapshots to capture the evolutionary events of political communities. We also develop two evolutionary political community metrics to measure the stability of political communities. We propose a model of observing the evolution of political power by three steps－network construction, community identification and community evolution tracking. The approach is shown to be effectual for the purposes of: (1) finding succession pool members in government agencies, (2) observing the inner circle of a leading political figure, (3) measuring the specialized degree of government agencies..

(7) Experiments also show that our community evolution metrics reflect the tendency of whether a government agency conducts internal succession or outside appointment. Keywords: dynamic social network, community detection, political community, political power observation. 立. 政治大. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v.

(8) 目錄第一章. 緒論 ........................................................................................................................ 1. 1.1. 研究背景 ................................................................................................................ 1. 1.2. 研究目的 ................................................................................................................ 1. 1.3. 研究資料 ................................................................................................................ 2. 政府官員異動資料庫 .................................................................................... 3 中央選舉委員會選舉資料庫 ........................................................................ 4. ‧. 1.3.3. 學. 1.3.2. ‧ 國. 1.3.1. 政治大總統府公報立.................................................................................................... 2. Nat. 1.5. 論文架構 ................................................................................................................ 5. er. sit. y. 研究貢獻 ................................................................................................................ 4. io. 1.4. al. n. v i n Ch 文獻探討 ................................................................................................................ 7 engchi U. 第二章 2.1. 社會網路分析的歷史 ............................................................................................ 7. 2.2. 社會網路分析的模型 ............................................................................................ 9. 2.3. 網路分群 .............................................................................................................. 11. 2.3.1. 群組的定義 .................................................................................................. 11. 2.3.2. 分群演算法 .................................................................................................. 14. 2.4. 動態社會網路分析 .............................................................................................. 16 i.

(9) 2.4.1. 基本概念 ...................................................................................................... 16. 2.4.2. Event-Based Framework for Detection of Social Network Evolution ......... 18. 2.5. 小結 ...................................................................................................................... 20. 第三章. 研究方法及系統架構 .......................................................................................... 21. 3.1. 政治群組事件定義 .............................................................................................. 24. 3.2. 政治群組指標設計 .............................................................................................. 29. Community Identification ............................................................................ 41. sit. y. Nat. 3.3.4. ‧. 3.3.3. Network Construction .................................................................................. 39. Community Evolution Tracking ................................................................... 43. io. n. al. er. 3.3.2. Data Preprocessing ....................................................................................... 37. 學. 3.3.1. ‧ 國. 3.3. 政治大系統架構 .............................................................................................................. 36 立. i n U. v. 第四章. 政府專業團隊動態觀察 ...................................................................................... 47. 4.1. 實驗資料 .............................................................................................................. 48. 4.2. 部門之政府專業團隊 .......................................................................................... 51. Ch. engchi. 4.2.1. 共同異動網路實驗結果說明 ...................................................................... 51. 4.2.2. 共事網路實驗結果說明 .............................................................................. 63. 4.2.3. 結果分析與討論 .......................................................................................... 66. 4.3. 核心人物專業團隊觀察 ...................................................................................... 67. ii.

(10) 4.3.1. 共同異動網路實驗結果說明 ...................................................................... 67. 4.3.2. 共事網路實驗結果說明 .............................................................................. 70. 4.3.3. 結果分析與討論 .......................................................................................... 77. 第五章. 政府部門專業才能單一性或多元性之觀察 ...................................................... 79. 5.1. 實驗結果說明 ...................................................................................................... 79. 5.1.1 5.1.2. 政治大操作職等 10-15 實驗結果說明 ................................................................... 87 立. 結果分析與討論 .................................................................................................. 88. ‧ 國. 合理的時間區間選擇 .................................................................................. 88. ‧. 5.2.1. 學. 5.2. 操作職等 12-15 實驗結果說明 ................................................................... 80. 不同部門之專業才能單一性或多元性之比較 .......................................... 89. 5.2.3. 不同操作職等之專業才能單一性或多元性之比較 .................................. 91. er. io. sit. y. Nat. 5.2.2. al. 6.1. 結論 ...................................................................................................................... 93. 6.2. 未來研究方向 ...................................................................................................... 96. n. 第六章. v i n C .......................................................................................... 結論與未來研究方向 93 hengchi U. 參考文獻 .................................................................................................................................. 97 附錄 ........................................................................................................................................ 100 附錄 A Evolution Event 次數統計表(操作職等 12-15) ............................................... 100 附錄 B Evolution Event 次數統計表(操作職等 10-15) ............................................... 102 iii.

(11) 表目錄表 3.1: 案例 A,B,C,D 以三種公式計算之政治群組指標結果 ............................................ 35 表 3.2:部門組織架構樣本 ...................................................................................................... 38 表 3.3:操作職等定義表 .......................................................................................................... 39 表 3.4:政治群組事件範例(經濟部,時間區間 2 年,30 天內職務共同異動,操作職等 12-15) .................................................................................................................................................. 44. 政治大. 表 4.1:經濟部部長職務歷程紀錄(尹啟銘、何美玥) ............................................................ 53. 立. 表 4.2:部門首長和副首長出現次數(共同異動網路,經濟部,交通部,原能會,交通部+交通. ‧ 國. 學. 局) ............................................................................................................................................. 54. ‧. 表 4.3:交通部部長職務歷程紀錄(毛治國、林陵三) ............................................................ 58. io. sit. y. Nat. 表 4.4:交通部職務歷程紀錄(林陵三、周禮良、陳威仁) .................................................... 61. n. al. er. 表 4.5: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. i n U. v. 網路) ......................................................................................................................................... 73. Ch. engchi. 表 4.6: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) ......................................................................................................................................... 76 表 5.1:各部會依時間區間之政治指標 CCI 及 CSI 表格(操作職等 12-15)......................... 86 表 5.2:各部會依時間區間之政治指標 CCI 及 CSI 表格(操作職等 10-15)......................... 87 表 5.3: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) ........................... 92 表 5.4:政治群組指標依部門顯示(時間區間:依各部會的平均任期選擇) ........................... 92. iv.

(12) 圖目錄圖 1.1:論文架構圖 .................................................................................................................... 6 圖 2.1:網路中之群組示意圖 .................................................................................................. 16 圖 2.2:動態網路與靜態網路的示意圖 .................................................................................. 17 圖 3.1:藉由不同層級之物件行為定義匯集成更具廣泛意義之政治權力變化指標 .......... 21. 政治大. 圖 3.2:觀察動態網路環境下的政治權力變化的流程 .......................................................... 22. 立. 圖 3.3:群組從形成至消失經歷的事件 .................................................................................. 28. ‧ 國. 學. 圖 3.4:SPLIT 和 MERGE 同時存在的範例 ............................................................................... 28. ‧. 圖 3.5:政治群組事件選擇流程圖 .......................................................................................... 29. Nat. er. io. sit. y. 圖 3.6:政治群組事件示意圖(案例 A) .................................................................................... 31 圖 3.7:政治群組事件示意圖(案例 B) .................................................................................... 31. n. al. Ch. engchi. i n U. v. 圖 3.8:政治群組事件示意圖(案例 C) .................................................................................... 32 圖 3.9:政治群組事件示意圖(案例 D) .................................................................................... 32 圖 3.10:系統架構圖 ................................................................................................................ 37 圖 3.11:職務共同異動網路範例(經濟部,操作職等 12-15,1990 年,30 天內職務共同異動) .................................................................................................................................................. 40 圖 3.12: 職務共同異動網路範例(經濟部,操作職等 12-15,1990 年,30 天內職務共同異動, 移除 10 個關連) ....................................................................................................................... 42 圖 3.13: 職務共同異動網路範例(經濟部,操作職等 12-15,1990 年,30 天內職務共同異動, v.

(13) 移除 20 個關連) ....................................................................................................................... 43 圖 3.14:政治群組事件圖範例(經濟部,操作職等 12-15,時間區間 2 年,30 天內職務共同異動) ............................................................................................................................................. 46 圖 4.1:實驗設計架構圖 .......................................................................................................... 48 圖 4.2:實驗資料分佈圖-依年分類 ......................................................................................... 49 圖 4.3:實驗資料分佈圖-依操作職等分類 ............................................................................. 50. 政治大. 圖 4.4:實驗資料分佈圖-九個部會依操作職等分類 ............................................................. 50. 立. 圖 4.5:經濟部政治群組事件圖(時間區間 2 年,30 天內職務共同異動) .............................. 52. ‧ 國. 學. 圖 4.6:經濟部政治群組事件圖(時間區間 4 年,30 天內職務共同異動) .............................. 53. ‧. 圖 4.7:原能會政治群組事件圖(時間區間 2 年,30 天內職務共同異動) .............................. 55. sit. y. Nat. io. n. al. er. 圖 4.8:原能會政治群組事件圖(時間區間 4 年,30 天內職務共同異動) .............................. 56. i n U. v. 圖 4.9: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) .............................. 57. Ch. engchi. 圖 4.10:交通部政治群組事件圖(時間區間 4 年,30 天內職務共同異動) ............................ 58 圖 4.11: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 2 年,90 天內職務共同異動) ..................................................................................................................... 60 圖 4.12: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) ..................................................................................................................... 61 圖 4.13:經濟部政治群組事件圖(時間區間 2 年,共事 180 天以上) ..................................... 63 圖 4.14:經濟部政治群組事件圖(時間區間 4 年,共事 180 天以上) ..................................... 64 vi.

(14) 圖 4.15:原能會政治群組事件圖(時間區間 2 年,共事 180 天以上) ..................................... 64 圖 4.16:原能會政治群組事件圖(時間區間 4 年,共事 180 天以上) ..................................... 64 圖 4.17:交通部政治群組事件圖(時間區間 2 年,共事 180 天以上) ..................................... 65 圖 4.18:交通部政治群組事件圖(時間區間 4 年,共事 180 天以上) ..................................... 65 圖 4.19:核心人物專業團隊政治群組事件圖(馬英九,時間區間 2 年,90 天內職務共同異動) .................................................................................................................................................. 68. 政治大 .................................................................................................................................................. 68 立. 圖 4.20:核心人物專業團隊政治群組事件圖(馬英九,時間區間 4 年,90 天內職務共同異動). ‧ 國. 學. 圖 4.21:核心人物專業團隊政治群組事件圖(陳水扁,時間區間 2 年,90 天內職務共同異動) .................................................................................................................................................. 69. ‧. 圖 4.22: 核心人物專業團隊政治群組事件圖(陳水扁,時間區間 4 年,90 天內職務共同異動). y. Nat. er. io. sit. .................................................................................................................................................. 70 圖 4.23:核心人物專業團隊政治群組事件圖(馬英九,時間區間 2 年,180 天共事) ............. 71. n. al. Ch. engchi. i n U. v. 圖 4.24:核心人物專業團隊政治群組事件圖(馬英九,時間區間 4 年,180 天共事) ............. 71 圖 4.25:核心人物專業團隊政治群組事件圖(陳水扁,時間區間 2 年,180 天共事) ............. 74 圖 4.26:核心人物專業團隊政治群組事件圖(陳水扁,時間區間 4 年,180 天共事) ............. 74 圖 5.1 法務部政治群組事件圖(操作職等 12-15).................................................................. 82 圖 5.2:原能會政治群組事件圖(操作職等 12-15) ................................................................. 85. vii.

(15) 第一章 1.1. 緒論. 研究背景. 近年來，隨著資訊技術的進步，資料成長快速，如何從大量的資料中擷取隱匿或不容易直接觀察的資訊，成為重要議題，許多複雜系統的關鍵資訊可能不在於單一個體的特殊性質，而在於個體之間的互動所產生的連結，社會網路分析提供了一個適當的系統描述模型與內部檢視分析的方法，也已應用於許多領域，如流行病學[18]、社會學[24, 33]、生物學[28]及資訊科學[6, 10, 12, 14, 15]，要正確的解讀複雜網路下隱含的資訊，不能只. 政治大. 著重在個體的互動行為，群體的行為分析也是很重要的。. 立. 社會網路分析中群組(Community)的相關議題，也吸引了許多學者研究[6, 8, 11, 12,. ‧ 國. 學. 19, 33]，在現實生活中，群組的組織隨處可見，例如家庭、村莊或國家，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，但群體行為. ‧. 並非只是單純將個體行為加總即可，個體的互動對群組有可能產生新的現象，而這些新. sit. y. Nat. 的現象有可能發生在群組或整體的層級上，因此隨著組織層級提升，群體產生的效果更. io. al. n. 點切入。. er. 加複雜，只研究個體的行為，不足以解釋群體行為產生的結果，應從各個不同層級的觀. Ch. engchi. i n U. v. 過去社會網路的研究把網路結構視為靜態的度量，只著重在靜態的結構性分析，無法解釋發生在網路上的動態行為，這樣的分析方式常忽略了真實世界的動態情況，亦容易產生偏頗的分析結果，因此近年來社會網路分析也漸漸往動態的方向思考，將時間因素納入社會網路的分析的研究逐漸增加，然而考慮時間因素，卻也讓研究變的複雜許多，例如需要有大量含時序的資料來源及有效詮釋動態網路結構的變化的方法，才能讓動態網路分析更能實際應用。. 1.2. 研究目的. 我國政府自民國 76 年解嚴後，新興政黨如雨後春筍般成立，隨著總統、各縣市首長民選，政黨輪替、內閣改組為常態，隨著時間、政治、經濟局勢的變化，政治權力的 1.

(16) 核心也有不同，政治權力的核心，可視為高層官員之接班梯隊，接班梯隊的組成隨著不同的核心人物或部門也有不同，而政治權力的形成並不是只分析單一官員的顯性資料就能被察覺到的，因此本研究中我們嘗試利用資料隱性的屬性－資料間的結構關係，找出原本不容易直接觀察的資訊，以觀察政治權力的變化。觀察政治權力的變化可以從時間和政治權力形成二個方向著手，而事件導向的方法正好提供了一個有效的觀察模型，首先先將資料依時間切分成多個資料集，再將各個資料集由下到上分層做資料分析，我們將觀察政治權力形成的層級設定為三層－政治個體、政治群體及整體的政治權力；在政治個體階層，以社會網路的分析方式，利用官員之間. 政治大. 的互動，建立網路，並從動態的角度，觀察不同時間區間的網路；在政治群組階層，利. 立. 用政治個體的互動建立的網路，將網路分群之後，找出政治群組，並判斷各個時間區間. ‧ 國. 學. 政治群組之成員變化，以定義政治群組事件(critical event)，事件的形成以達到特定門檻值為條件；在整體的政治權力階層，我們以政治群組事件為基礎，設計政治群組指標，. ‧. 以做為觀察政治權力變化之量化依據。. y. Nat. io. sit. 研究資料. er. 1.3. al. 本研究主要的分析資料為政大圖書館開發的中華民國政府官員異動資料庫，其來源. n. v i n Ch 是將總統府公報中的人事任免命令經由資訊擷取技術彙整累積而成，以下針對總統府公 engchi U 報以、政府官員異動資料庫、中央選舉委員會選舉資料庫的相關資訊，進行詳述： 1.3.1. 總統府公報. 總統府公報為政府提供相關訊息的公開措施，其發行的主要目的是希望藉由透過此種方式，可以做為提供人們獲取並瞭解有關政府目前相關資訊的管道。基於此種理念，我國政府自民國元年開始正式發行政府公報，迄今已有一百年歷史，其間由於歷經數次政府體制的變更，因而使得公報名稱亦產生多次變動，其名稱先後為臨時政府公報、臨時公報、政府公報、陸海軍大元帥大本營公報、國民政府公報、總統府公報。. 2.

(17) 總統府公報最初的發行單位是由總統府第五局負責，而後改由第三局負責發行，民國八十五年由於總統府組織法進行修正程序，針對府內相關業務職掌進行調整，因而目前是由第二局負責發行。公報的發行方式最初採行每日發行，其後改為每週發行二到三次，自民國 84 年 7 月 1 日起後則改為每週三發行，其中若觸及公布法律之日而非週三時，則額外增刊發行。此外，自民國 86 年 7 月 2 日第 6164 號公報開始，所有發行的公報均同時刊載於「總統府全球資訊網」網站上，並釋放電子文本以供民眾下載。總統府公報自民國元年開始發行至今，所公告的資訊內容隨著時代的變遷產生了多次變動，而目前公報的主要內容則包含了特載(如元旦、國慶公告以及聯合公報等)、總. 政治大. 統令(如公布法律、任免官員、授予勳章、明令褒揚、題頒匾額等)、府屬機關令(如中. 立. 央研究院、國史館等)、專載(如國賓抵台訪問、呈遞到任國書、總統府月會等典禮)、. ‧ 國. 學. 總統及副總統活動紀要、總統府新聞稿、司法院令以及公告(如總統府、國家安全會議、國家安全局、中央研究院、國史館等)等等。. ‧. 1.3.2. 政府官員異動資料庫. sit. y. Nat. io. er. 總統府公報中蘊藏有極為豐富的資訊，內容不僅記載了不同時期我國家元首的重要公告內容，同時也彙整了我國近代民主發展的重要典章制度等等重要的相關文獻資料。. al. n. v i n 而為了能夠達到資訊永續保存與發展的目的，政治大學資訊科學系與政大圖書館秉持著 Ch engchi U 數位典藏化的精神，選擇以總統府公告中的人事任免命令為處理核心，藉由資訊擷取. (Information Retrieval)技術的研發，自動解析自然語言文件並從中萃取出重要核心資訊，進而累積建置為中華民國政府人事異動資料庫，以供後續進一步的加值處理與應用，後經人工建置校正回溯，此資料庫目前已經涵蓋民國元年至民國一百零一年間的官員異動紀錄，共約八十五萬筆資料。在本篇研究中是以政府官員異動資料庫為資料來源，其中由於考量到總統府公報前後期的格式與刊載條件有所不同，故進行實驗時所採用的資料是以民國七十九年一月一日至民國九十八年十二月三十一日之間的異動記錄為主，其中總計有 249,985 筆異動記錄，包含有 168,189 個不同人物；因為欲觀察的對象，職級為 10 職等以上官員及政務人 3.

(18) 員，過濾職級小於 10 職等以下的資料及資訊不足無法進行有效分析的異動記錄，篩選過後的資料總筆數為 44,147 筆，共 15,789 位官員；其中每筆的異動記錄中，均包含有下列資料欄位：姓名、任免(上任或免職)、部門、職務、職等、公報期數、出刊年月日以及異動公告年月日。. 1.3.3. 中央選舉委員會選舉資料庫. 中華民國於 1996 年開放總統及副總統民選及 1997 年開放民選直轄市首長，在政府官員異動資料庫中並未包含民選首長資料，民選首長資料由中央選舉委員會選舉資料庫. 政治大長及 1996-2008 年總統及副總統。將資料合併至政府官員異動資料庫，合併後資料筆數立網站下載(http://db.cec.gov.tw/)，內容包含 1997-2009 年地方縣市長、1994-2010 年直轄市. ‧ 國. 1.4. 學. 共 44,384 筆，共 15,839 官員。. 研究貢獻. ‧ y. Nat. 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. io. sit. 概念，將個體做分群，找出群組事件，再匯集成群組指標。我們將方法應用於政府官員. n. al. er. 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. i n U. v. 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. Ch. engchi. 體做分群，依政府人事異動資料特性，設計七個政治群組事件(Dissolve、Form、Expand、 Shrink、Continue、Split、Merge)及各事件之公式定義，並依事前定義的事件優先權，以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，設計了二個政治群組指標－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)，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。我們提供了一個有效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，從不同的觀察角度設計觀察政治權力變化的 4.

(19) 實驗，也可做為類似實驗設計之參考，我們也證明以此觀察模型可解決以下問題：(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，可反應政府部門選用人才的傾向為內部調任或外部選用。研究貢獻在於提供一個將結構化資料(structure data)轉換成利用資料的隱性屬性的方式，以找出原本不容易直接觀察的資訊。. 1.5. 論文架構. 政治大. 本論文章節架構如圖 1.1 所示；第二章為文獻探討，針對社會網路分析的歷史、基. 立. 本概、分群演算法及動態社會網路分析相關文獻介紹；第三章為本研究之研究方法及所. ‧ 國. 學. 建立之系統架構介紹；第四章為政府專業團隊動態觀察之實驗結果及分析討論；第五章為政府部門專業才能單一性或多元性觀察之實驗結果及分析討論；第六章為本研究之結. ‧. 論及未來研究方向。. n. er. io. sit. y. Nat. al. Ch. engchi. 5. i n U. v.

(20) 第一章. 第二章. 緒論. 文獻探討. 研究背景. 社會網路分析的歷史. 研究方法及系統架構. 政府專業團隊動態觀察. 政治群組事件定義. 第六章. 政府部門專業才能單一性或多元性觀察. 結論與未來研究方向. 實驗結果說明. 結論. 結果分析與討論. 未來研究方向. 部門之政府專業團隊 •實驗結果說明 •結果分析與討論. 社會網路分析的簡介. 政治大政治群組指標設計. 研究資料. 立. 網路分群簡介. 核心人物專業團隊觀察. 系統架構. 動態社會網路分析. •實驗結果說明 •結果分析與討論. 學. ‧ 國. 研究貢獻. ‧. Nat. 圖 1.1:論文架構圖. sit. io. n. al. er. 論文架構. 第四章. y. 研究目的. 第五章. 第三章. Ch. engchi. 6. i n U. v.

(21) 第二章. 文獻探討. 自 1990 年起已有學者提出當前社會網路分析大多將網路視為靜態結果(static)或暫時狀態(snapshot)為分析基礎，這樣的分析方式常忽略了真實世界的動態情況，在本研究中，把不考慮時間因素的社會網路分析視為靜態社會網路分析，考慮時間因素的分析稱為動態社會網路分析。本章節將介紹與本研究相關的文獻資料，首先，針對社會網路分析的歷史做簡短的說明(2.1)，再依序介紹社會網路分析的基本概念簡介(2.2)、網路分群的演算法(2.3)、動態社會網路(2.4)的相關研究。. 社會網路分析的歷史. ‧ 國. 學. 2.1. 立. 政治大. 社會網路源自於社會科學領域，利用網路來表示個體與個體之間的關係，早在 1736. ‧. 年數學家 Leonhard Euler 把網路當作數學研究的對象，並稱之為圖形(graph)，自此之後，. sit. y. Nat. 圖形理論持續發展，各個學科都有自己的網路理論，各個學科研究的重點都不相同，而. io. er. 社會學家、人類學家和心理學家更深層思考網路和社會的關係，逐漸帶動社會網路分析的熱潮；社會網路分析是一門跨領域的學科，融合了幾乎每一門學科，從社會學、人類. al. n. v i n 學、心理學、物理學、經濟學到資訊科學的理論和實驗成果都對社會網路分析有貢獻。 Ch engchi U 一般認為，19 世紀末的社會學家，如 Emile Durkheim、Ferdinand Tönnies，是社會網路理論的先驅，Tönnies 認為社會群體(Social Group)的形成可以是有相同的信仰或價值觀而產生的直接關係，也可以是非個人、正式的社會連結；Durkheim 認為社會現象形成的主因是個體間的交互作用，而非僅受個體本身的特性所影響；二十世紀初，Georg Simmel 提出社會學是研究個體間的交互關係；1930 年代，Jacob Levy Moreno 以系統化的方式紀錄及分析小群體間的互動關係，提出 Sociometry 的方法，也奠定日後社會網路的定量分析(Quantitative Analysis)的基礎；Freeman 認為 1940–1960 是社會網路分析發展的黑暗時期(Dark Ages)[9]，在這個時期，並未有突破性的理論提出；到了 1960-1970，越來越多的學者，投入社會網路分析的領域，其中最受注目的團體，為哈佛大學的 7.

(22) Harrison White 與其學生 Mark Granovetter 及 Barry Wellman 等，Freeman 稱這個時期為社會網路分析的文藝復興時期[9]，哈佛團隊提出了許多社會網路重要的理論及研究；到了. 1970 年代後期，社會網路分析已逐漸被大眾接受；Harrison White 團隊並不是當時唯一提出社會網路分析方法的人，相反的從 1930 年到 1970 年的 40 年間，至少有 17 個研究團隊深入探討社會網路的觀點[35]；在 1970 年以前，大部份的研究議題，著重在實證研究，例如 1967 年社會心理學家 Stanley Milgram 主導的小世界實驗及小世界現象的探索 [32]。到了 1980 年代，社會學家開始利用社會網路分析的方法檢視社會和經濟的現象，. 政治大. Mark Granovetter 提出微弱連結(weak tie)的概念，探索微弱連結與個人尋找工作的關連. 立. 性，再次將社會網路分析的方法導入社會研究的主流；1980 年到 1990 年的研究議題，. ‧ 國. 學. 以延伸過去的觀察結果以及建立初步的模型為主，應用到更廣泛的領域，例如以數學或物理模型描述社會網路的研究、將社會網路模型應用到企業或市場甚至政策相關的流程. ‧. 等。. y. Nat. sit. 1990 年以後，社會網路分析結合社會資產(Social Capital)，漸漸地引起其他領域的. er. io. 學者如社會學、政治學、經濟學的注意，也廣泛的應用於其他研究領域之中；在此時期. al. v i n Ch (Social Processes)及心理學(Psychological)來探討，在社會結構層面，主要探討網路結構 engchi U n. 社會網路分析之相關研究議題可劃分為三個層面：社會結構(Social Structure)、社會程序. (network structure)與相對應之社會結構(social structure)的關係；在社會程序層面，主要. 以程序的觀點來探討社會網路中各種資訊的搜尋及傳遞的模型；在心理學層面則著重於以心理學相關模型來探討小世界現象所產生的心理衝擊以及類似資訊工具所帶來給人們的心理影響[26]。另外，也有學者提出網路動態學(Dynamic of the network)的概念[3, 4, 29, 31, 34]，動態指的是網路本身的結構發展—網路連結的形成與斷裂，傳統社會網路分析為靜態結構，可視為演化進程的一個瞬間畫面，社會網路的整體結構會隨著時間增加而轉變，因此需從衍生過程的本質出發，才能真正的了解現實世界的網路結構。. 8.

(23) 2.2. 社會網路分析的模型. 社會網路呈現方法最常使用的是圖形(graph)，圖形中包含節點(nodes or points)和節點間的關連(lines or edges)，節點可代表個人或任何的研究對象，如字詞、圖像、經濟體、文獻資料，兩個節點間的關連代表個人的互動，如朋友間的友情、家族間的血緣及姻緣關係。在圖形中節點類別可以是不同的，當所有節點的類別都相同為 One-Mode 網路，節. 點類別有兩種為 Two-Mode 網路，在社會網路分析中，同一個網路中，節點類別超過三. 政治大. 種以上，會讓網路過於複雜，相關研究較為少見；關連是可以有方向性的(directional)，. 立. 例如國家之間的進出口關係，圖形稱 directed graph，沒有方向性的圖形為 undirected. ‧ 國. 學. graph。. 過去社會網路分析以結構性的分析為主流，中心性(centrality)的測量問題一直是一. ‧. 個重要的關注焦點；這些研究隱含了一種假設：無論多麼複雜的網路，都有一小部份的. sit. y. Nat. 成員扮演主導的角色，因此如何找出這些關鍵人物，即為 Centrality 的重點，Freeman. io. al. er. 將 Centrality 的衡量指標分成三種：Degree Centrality、Closeness Centrality、Betweenness. n. Centrality[7]，分別以網路上的連結數、其他節點距離及網路上的地位重要性來計算。. Ch. engchi. i n U. v. Degree Centrality 是以網路上節點的連結數(Degree)來定義，中心性中最簡單定義方法，計算 Directed Graph 的 Centrality Degree 時，需考慮 in-degree 及 out-degree，其公式如下：（公式 1） Closeness Centrality 是基於 closeness 或 distance 為依據，其構想的出發點是網路的中心節點是能最快到達其他節點，即與其他節點距離最短的節點，Closeness Centrality 即利用兩點間的最短路徑(geodesics)的距離計算，其公式如下：. 9.

(24) （公式）. Betweenness Centrality 是計算基礎是有多少的 geodesics 經過此節點，路徑(path)是指二個不相鄰的節點經由其他節點連結起來的路徑，其中每個節點和關連只有經過一次，因此越多路徑通過的節點，即掌握越多控制權，其在網路上的地位越重要；Geodesics 是指二個節點間的最短路徑，本研究採用之 Edge Betweenness clustering 即用此指標為計算基礎，其公式如下：. 立. 政治大. 公式. ‧ 國. 學. 網路密度 Network Density 也是常應用的結構性的分析之一，假設 graph G 為. ‧. undirected graph，G 由 node N={n1,n2,n3…}和 edge L={l1,l2,l3….}組成，g 表示 node 數， d(ni) (degree of a node)表示有多少 edges 連到 ni，網路密度(Network Density)表示實際. y. Nat. Ch. v. （公式 4）. n. al. er. io. sit. edges 數和所有可能產生的 edges 的比例，假設 Δ 表示 Network Density，其公式如下：. engchi. i n U. 近年來複雜的大型網路的分佈狀況也吸引許多學者投入研究，如無刻度網路 (Scale-Free Networks)、小世界現象(Small World Effect)和群組結構性(Community Structure)；無刻度網路呈現冪次法則，在自然界的系統中，冪次法則(power law)是一種常見的分佈狀況，例如美國的財富分配、城市人口的分佈，冪次法則的特性是極大值發生在接近原點的地方，之後就持續下降至無限大，它的衰減速率比常態分配平緩許多 [20]；小世界現象假設世界上所有互不相識的人只需要很少中間人就能建立起聯繫， 1967 年社會心理學家 Stanley Milgram 主導的小世界實驗[32]，計算兩個人之間的需要透過幾個人才能建立聯繫，其結果平均距離為 5.5 或 6；另外社會網路已被證明具有較強的群組結構，也就是群組內的互動，比和在群組外的互動多，即群組結構性，本研究中 10.

(25) 有興趣的部份主要也是在找出網路中的群組，以下章節對群組相關研究做更深入的說明。. 2.3. 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. 政治大. 群組結構性(community structure 或 clustering)。. 立. 群組(Community)又稱為 clusters 或 modules，在現實生活中，群組的組織隨處可見，. ‧ 國. 學. 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. Nat. sit. y. 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. io. al. n. 2.3.1. er. 題，以下章節我們將針對群組的定義和分群演算法做介紹。. 群組的定義. Ch. engchi. i n U. v. 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，Santo Fortunato 將群組的定義分成三種：Local、Global 及 Vertex Based Similarity[25]，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 Definitions. Local 定義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 Stanley Wasserman 定義有四種：Complete Mutuality、Reachability and Diameter、Nodal 11.

(26) Degree、Comparison of internal versus external cohesion[33]。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；. 政治大 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立 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，. ‧ 國. 學. 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. sit. y. Nat. 任一節點的連結數大於或等於 gs-k，其中 gs 表示群組的節點數，也就是說子圖中的任一. io. er. 節點可以不和 k 個點相連；k-cores 由 Seidman(1983)提出[33]，其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。. n. al. Ch. engchi. i n U. v. 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 最早是由 Luccio and Sami (1969)提出，當時稱為”minimal group”， Lawler (1973)改名為 LS Sets[33]，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 Borgatti(1990)提出[33]，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。 12.

(27) （2）. Global Definitions. Global 定義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[19]；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. 政治大. 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. 立. 下：. ‧ 國. 學. （公式）. ‧. y. Nat. 其中，Q 為 moduality，A 為 adjacency matrix，m 表圖形中的 edge 總數，Pij 是 node. io. sit. 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. n. al. er. 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，. i n U. v. 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）. Ch. Vertex Based Similarity. engchi. 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[25]。. 13.

(28) 2.3.2. 分群演算法. 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. 政治大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，直立. 同一群，方法多採用主要有 Agglomerative Algorithm，是由下往上(bottom up)的方法，. ‧ 國. 學. 到符合停止條件或全部 node 都是同一群為止，2002 年 Girvan and Newman[11, 21]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. y. Nat. sit. 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. er. io. 的方法做分群，以下是詳細說明。. al. n. v i n Girvan and Newman[11, 21]提出從關連(edge)的角度出發，找出連結各群組間的重要 Ch engchi U 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 14.

(29) 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(n2)、O(n3)、O(n3)。. 政治大 Girvan and Newman 提出的方法，每個節點只能屬於一個群組，但在真實世界的網立. ‧ 國. 學. 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. Nat. er. io. sit. y. Algorithm)，其時間複雜度為 O(n3)[25]。. Edge Betweenness 的分群方法，已被應用於多種網路如社會和生態網路[19]，它是. n. al. Ch. i n U. v. 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. engchi. 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；例如圖 2.1 中，共有三個群組，群組內節點之間的關連較多，各群組之間的關連較少，其中節點 A 只與一個節點有關連，若利用 Local 的屬性，如節點連接數(Node Degree)時，節點 A 會被排除在所有群組之外，而考慮整體網路的結構時，則會被包含在合適的群組中。. 15.

(30) 節點 A. 圖 2.1:網路中之群組示意圖. 政治大. 立. 本研究之資料中約有一半以上的官員在 20 年間的異動紀錄不到 3 次，表示當我們. ‧ 國. 學. 利用這些資料建立網路時，一定會存在如圖 2.1 之節點 A 之狀況，即與其他節點關連較少之節點，因此我們採用考慮整體網路的結構的 Edge Betweenness 做為本研究的分群方. ‧. 法，可避免將這些節點排除在所有群組之中，另外從時間複雜度的角度來看，Edge. sit. y. al. er. 基本概念. n. 2.4.1. 動態社會網路分析. io. 2.4. Nat. Betweenness 的速度較快，這也是我們選擇 Edge Betweenness 的另一原因。. Ch. engchi. i n U. v. 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，圖 2.2 為動態網路與靜態網路的示意圖，其中包含了三個節點、節點和節點之間的關連，以及基於不同時間區間之動態網路或是基於整個時間區間之靜態網路，隨著時間的變化，節點之間的關係有可能會改變 (Dynamic-1、Dynamic-2)。 Dynamic – 1 呈現的是節點之間的關係與節點狀態改變的時間點(狀態是指受到與該節點關連節點之影響或是自身之變化，如是否已感染傳染病等)，以動態網路的觀點來觀察可得知儘管兩節點先前有產生關連，而其中一節點後來狀態改變了，不代表先前與 16.

(31) 之產生關連的節點也會產生狀態改變的影響；Dynamic – 2 則是呈現另一種基於其他資料或外部因素的影響，而有間歇性的變化特徵。若我們以傳統靜態網路的觀點來觀察，將無法察覺到節點與關係的變化，若只利用傳統社會網路分析的方法，來解讀及觀察真實世界中的變化，很可能會因此而有偏見及錯誤的解讀。. Dynamic - 1. 政治大. 立. ‧ 國. 學. Time. Dynamic - 2. Static. er. io. sit. y. ‧. Nat. 圖 2.2:動態網路與靜態網路的示意圖. 社會網路分析的資料來源，最簡單直接的方法是問卷調查的方法，然而，要運用動. n. al. Ch. i n U. v. 態社會網路分析方法，若僅局限於問卷方式，是非常不切實際；近年來，因資訊科技快. engchi. 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[27]，Hopcroft[13]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，Palla[23]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，Asur[3]及 Takaffoli[29] 17.

(32) 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；這些研究大多採用兩階段的方法[30]，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)。. 2.4.2. Event-Based Framework for Detection of Social Network Evolution. Sitaram Asur[3]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. 政治大相關的事件及和節點相關事件。立. 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. ‧ 國. 學. 假設 t 表示時間區間，和群組相關的事件有：. ‧. （1） Continue：Cit 和 Cxt+1 的 nodes 相同。. n. al. （5） Dissolve：Form 的相反。和節點相關的事件有：. Ch. engchi. er. io. （4） Form：Cxt+1 nodes 都不存在｛C0t ,C1t …, Cmt｝。. sit. Nat. （3） k-Split：若 Cit 超過 k% node 存在於｛Cxt+1 ,Cyt+1｝。. y. （2） k-Merge：｛Cit ,Cjt｝有 k%的 nodes 存在於 Cxt+1。. i n U. v. （1） Appear：node v 存在於 t+1 存在，且不存在於 t。（2） Disappear：node v 存在於 t 存在，且不存在於 t+1。（3） Join：node 在 t+1 的群組為 C1 與 t 的群組為 C2，則為 join C1。（4） Leave：node 在 t+1 的群組為 C1 與 t 的群組為 C2，則為 leave C2。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：（1） Stability index：測量一個節點與相同的節點互動的傾向。 18.

(33) （2） Sociability index：測量一個節點 join 及 leave 群組的比例。（3） Popularity index：計算一個群組在特定時間內有多少節點 join 或 leave。（4） Influence index：計算一個節點對其他節點的影響性。 Mansoureh Takaffoli[29]將 Event-Based Framework 再加以延申，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. 政治大. 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)。. 立. ‧ 國. t 的第 i 個群組，與群組相關的事件定義如下：. 學. 假設. Cit 表示在時間區間. （1） k-form：若在 Cxt+1 超過 k%的 node 的不在｛C0t、C1t…,Cmt｝中，則 Cit+1 標示為. ‧. k-form。. sit. y. Nat. （2） k-dissolve：若在 Cit 超過 k%的 node 不在｛C0t+1、C1t+1…,Cnt+1｝，則 Cit 標示為. io. er. k-dissolve。. （3） k-continue：若 Cit 和 Cxt+1 有超過 k% nodes 都相同，則 Cxt+1 標示成 k-continue。. n. al. Ch. i n U. v. （4） n-k-merge：若在｛C1t、C2t…,Cmt｝有 k%的 nodes 存在於 Cxt+1。（5） n-k-split：若. Cit 超過. engchi. k%的 nodes 存在於｛C0t+1、C1t+1…,Cmt+1｝。. （6） k-shrink：若 Cit 有 k%的 node 留在 Cxt+1，且 Cxt+1 的 nodes 為 Cit 的子集合。（7） k-reform：若 Cit 有 k%的 node 留在 Cxt+1，且 Cxt+1 的 nodes 不為 Cit 的子集合。與節點相關的事件定義如下：（1） Appear：node v 存在於 t+1 存在，且不存在於 t。（2） Disappear：node v 存在於 t 存在，且不存在於 t+1。（3） k-join：若 node v 存在 Cit 和 Cxt+1，且 Cit 和 Cxt+1 相同的 node 不超過 k%，則 node v join Cxt+1。. 19.

(34) （4） k-leave：若 node v 存在 Cit，不存在 Cxt+1，且 Cit 和 Cxt+1 相同的 node 超過 k%，則 node v leave Cit。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. 政治大. 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. 立. 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. ‧ 國. 學. 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。. y. sit. io. er. 小結. Nat. 2.5. al. 社會網路分析發展至今，過去將網路視為靜止固定不變，現今則加入時間因素，以. n. v i n Ch 動態的角度分析網路，然而考慮時間因素，也讓研究變的複雜許多，因此需找出有效詮 engchi U 釋動態網路結構的變化的方法，才能動態網路分析能實際應用。. 本研究目的是希望觀察政治權力隨時間變化的狀況，並將其結果以量化的指標呈現，政治權力的形成是由個人行為，累積至群體的行為，再累積至整體，因此觀察政治權力可利用層級浮現的概念，分層對資料做分析，而事件導向的方法，是將網路節點做分群，比較不同的時間區段的網路，以找出每個群組或節點的變化，並定義事件，如群組的形成、合併、分裂、消失等，符合我們期望利用層級浮現觀察政治權力變化的目的，因此本研究中即採用 Event-Based Framework 做為研究方法。. 20.

(35) 第三章. 研究方法及系統架構. 在本研究中我們希望能利用政府官員異動資料庫，觀察政治權力的變化，而政治權力的形成，並不是分析單一官員的資料就能被察覺到的，需從更高層級如政治群組或整體的角度才能得出更有意義的結果，且時間因素也不能忽略，因此我們建議觀察政治權力的變化，可以將資料先依不同時間做切割，再將每個資料集由下到上的角度，利用層級浮現的概念，分層做資料分析，從政治個體的層級，再到政治群組的層級，最後再從整體的角度做分析，隨著觀察層級的提升，政治權力的變化也更加明顯。. 政治大. 本研究我們從層級浮現的概念以及可取得之資料，設計政治權力的觀察模型，觀察. 立. 的層級設定為三層－政治個體、政治群體及整體的政治權力(如圖 3.1)；在政治個體階. ‧ 國. 學. 層，我們以社會網路的分析方式，利用官員之間的互動，建立網路，並從動態的角度，觀察不同時間區間的網路；在政治群組階層，我們採用事件導向的方法(Event-based. ‧. Framework)，利用政治個體的互動建立的網路，從中找出最有可能形成的政治群組，並. y. Nat. 判斷各個時間區間政治群組之成員變化，以定義政治群組事件(critical event)，事件的形. io. sit. 成以達到特定門檻值為條件；在整體的政治權力階層，我們以政治群組事件為基礎，設. n. al. er. 計政治群組指標，以做為觀察政治權力變化之量化依據。. Ch. engchi. i n U. v. 政治權力階層:利用群組事件設計政治群組指標. 政治群組階層:產生政治群組及政治群組事件政治個體階層:依不同時間區段及個體互動形成多個網路圖 3.1:藉由不同層級之物件行為定義匯集成更具廣泛意義之政治權力變化指標. 21.

(36) 事件導向動態社會網路分析相關研究[3, 13, 29]採用的方法多分成兩個階段，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，以找出群組事件。本研究中我們從流程面的角度，將觀察動態網路環境下的政治權力變化的流程分為三個步驟(如圖 3.2)：(1)Network Construction；(2)Community Identification；(3)Community Evolution Tracking。. Process Step Network Construction. 立. Function 治政大 Encoding. Association. Identifying Community. Nat. n. al. Observing Evolution. er. io. Community Evolution Tracking. Ch. sit. y. ‧. ‧ 國. 學. Community Identification. engchi. i n U. v. 圖 3.2:觀察動態網路環境下的政治權力變化的流程（1）. Network Construction：. 將官員異動資料依據輸入的時間區間的條件，分割成多個資料集，並分別在各個資料集中，建置靜態網路。在本研究中我們有興趣的政治群組為政府專業團隊，政府專業團隊之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，會隨著時間變化而改變，因此政府專業團隊可視為高層官員之接班梯隊，其形成方式常透過人員之職務異動如職務任免、升遷及轉調，但官員職務 22.

(37) 異動原因可能僅是部門內定期人事異動，也有可能是政黨輪替、內閣改組，甚至個人新聞事件，造成社會觀感不佳，都有可能造成人事異動，另外，職務異動也並非是形成政府專業團隊的唯一途徑，選舉結果也會影響現任官員的去留，當候選人連任成功，原團隊留任的機率增加，因此我們設計了職務共同異動網路及共事網路，分別分析共同職務異動或在同部門共事多次之官員資料，以找出政府專業團隊，其中同部門的定義，我們以部門組織架構(第 3.3.1 項)做為判斷依據。兩種網路中的節點都是官員，而關連則依網路而有不同，職務共同異動網路中節點的關連是兩兩節點在特定天數內有共同異動的紀錄，而共事網路中節點的關連是兩兩節. 政治大. 點在同部門共事時間至少大於特定天數或兩兩節點在特定天數內有共同異動的紀錄。. 立. Community Identification：. ‧ 國. 學. （2）. 靜態網路建立後，分別將各個網路做分群以找出政府專業團隊，本研究的分群演算. ‧. 法是採用 Girvan and Newman 提出的 EdgeBetweenness Clustering[19, 21]。. sit. y. Nat. EdgeBetweenness Clustering 演算法分成多個回合，停止條件有兩種，第一是符合特定的. io. er. 群組數，第二是符合最佳化的 quality function，本研究是採用第一種方法：符合特定的群組數，即當分群結果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。. n. al. Ch. engchi. （3） Community Evolution Tracking：. i n U. v. 利用事件導向動態網路分析的方法，觀察各群組的政治群組事件(community evolution event)；利用比較兩兩連續的時間區間中的群組成員的變化，以找出群組的延續狀況，依據事件的定義及各時間區間設定之事件門檻值，找出所有可能符合的事件，再依據事前定義之事件優先權選出合理的事件，最後利用事件設計政治群組指標。我們依據 Takaffoli 的研究[29]為基礎，設計政治群組事件，但我們也依據研究資料的特性，將事件做了調整，如利用 Expand 事件取代 Reform 事件，設計七個政治群組事件為消失(Dissolve)、形成(Form)、結合(Merge)、分裂(Split)、維持(Continue)、擴張(Expand) 及縮小(Shrink)，判斷各群組政治群組事件的方法原則上是利用比較兩兩時期群組內相 23.

(38) 同成員的比例是否大於特定門檻值；各時期的群組及其對應的政治群組事件以網路的方式呈現，節點為各時期的群組，節點的連結即為 Merge、Split、Continue、Expand 及 Shrink 五個事件。. 3.1. 政治群組事件定義. 在事件導向動態社會網路相關研究中 Asur[3]及 Takaffoli[29]，對於事件定義有多種，我們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). 政治大. 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. 立. 條件。. ‧ 國. 學. 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 Cti 表示在時間區間 t 的第 i 個群組，Ct+1x 表示在時間區間 t+1 的第 x 個. ‧. 群組，Vti 表示在時間區間 t 的第 i 個群組下的節點，Vt+1x 表示在時間區間 t+1 的第 x 個. Nat. sit. Form 形成. er. io. （1）. y. 群組下的節點，k 表示事件的門檻值。. al. n. v i n C hk%的成員是新加入的成員至少有，則 C engchi U. 當一個政治群組 Ct+1x. 群組的產生；當 Ct+1x 符合以下公式，即視為 Form 事件。. (公式 6) （2）. Continue 維持. 24. t+1. x. 被視為新政治權力.

(39) 當二個時間區間政治群組 Cti、Ct+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 Cti 所有的成員一定要在 Ct+1x 出現[29]；當 Cti 符合以下公式，即視為 Continue 事件。. 政治大 (公式 7). 立. ‧ 國. 學. （3）. Shrink 縮小. ‧. 當二個時間區間政治群組 Cti、Ct+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：Ct+1x 的群組人數比 Cti 少；當 Cti 符合. y. Nat. n. er. io. al. sit. 以下公式，即視為 Shrink 事件。. Ch. engchi. i n U. v. (公式 8) （4）. Expand 擴張. 當二個時間區間政治群組 Cti、Ct+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：Ct+1x 的群組人數比 Cti 多；當 Cti 符合以下公式，即視為 Expand 事件。. 25.

(40) (公式 9) （5）. Split 分裂. 治政大 { ，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，條件立 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%相同的成一個政治群組 Cti 若符合以下條件，則視為 Split 為多個政治群組 Ct+1* =. ‧ 國. 學. 員，當 Cti 符合以下公式，即視為 Split 事件。. ‧. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. (公式 10) （6）. Merge 結合. 多個政治群組 Ct* = {. ，若符合以下條件，則視為 Merge 為政治群組 Ct+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 Ct*符合以下公式，即視為 Merge 事件。. 26.

(41) (公式 11) （7）. Dissolve 消失. 立. 政治大. 當一個政治群組 Cti 的成員，在 t+1 時期，沒有超過 k%的成員留在相同的群組時，. ‧. ‧ 國. 學. 則視為 Dissolve 事件；即當 Cti 符合以下公式，即視為 Dissolve 事件。. n. (公式 12). Ch. engchi. er. io. sit. y. Nat. al. i n U. v. 一個群組從形成至消失可能經歷的事件如圖 3.3，從 Form 開始，隨著時間的增加，有可能經過 Merge、Split、Expand、Continue 或 Shrink，最後 Dissolve，在事件導向相關研究中，群組的事件並不是互斥的，但在本研究我們希望利用政治群組事件，設計政治群組指標，因此需找出合理的政治群組事件，才能得出有意義的結果，過去研究中也有針對這個問題提出解決方法，例如計算群組相似度時加入可調整的參數[4]，利用 decision-tree based event assignment[5]。. 27.

(42) Merge Split Expand. Form. Dissolve. Continue Shrink. 圖 3.3:群組從形成至消失經歷的事件本研究中我們採用事先定義的事件優先權來找出合理的政治群組事件，接下來我們. 政治大. 詳細說明事件優先權定義的過程。由圖 3.3 可知，在七個事件中，Form 和 Dissolve 在. 立. 一個群組的生命週期中只會發生一次，其餘五種 Event 有可能經過反覆多次出現，Merge. ‧ 國. 學. 是由多個群組合併成一個群組，Split 是由一個群組分裂成多個群組，而 Expand、Continue 及 Shrink 都是單一群組的變化，以一個簡單的例子來看哪些 Event 可能同時存在，假設. ‧. 有二個時間區間 S0 及 S1，S0 的 C0 有可能一部份的人 Split 成 S1 的 {C3,C4}，而同時 S0 的 C0 另一部份的人和 C1 Merge 成 S1 的 C5，因此 Split 和 Merge 有可能同時存在(圖 3.4)；. y. Nat. sit. Continue、Expand、Shrink 三個事件，在我們的研究之中是定義為互斥，我們將 Continue. n. al. er. io. 視為優先權較高，若不符合 Continue 時，則判斷是否為 Shrink 或 Expand，Shrink 和 Expand. i n U. 的公式定義中有一個互斥的條件為群組大小的成長率。. Ch. engchi. v. 圖 3.4:Split 和 Merge 同時存在的範例 28.

(43) 因此在本研究中，我們定義事件的優先權順序 Form→Merge→Split→ {Continue,Shrink,Expand}→Dissolve，政治群組事件選擇的流程圖如圖 3.5，每一個群組，由 Form 事件開始判斷，接下來再判斷是否符合 Merge 或 Split，當符合 Merge 或 Split 任一事件時，即程式停止，否則則再繼續判斷是否為 Continue 事件，如果不符合，則判斷 Expand 事件，若仍不符合，則判斷 Shrink 事件，最後如果都不符合這五個事件，表示群組為 Dissolve 事件。. Find Form Event. 立. ‧ 國. N. End. N. y. Find Continue Event. sit. End. Y. er. io. Shrink a lExistEvent? v N Dissolve Event i n Ch engchi U Y. n. Find Shrink Event. Exist Continue Event? Y. Nat. N. Find Expand Event. ‧. Exist Expand Event?. End. Exist Merge or Split Events?. Find Split Event. 學. Y. 政治大. Find Merge Event. END. End. 圖 3.5:政治群組事件選擇流程圖. 3.2. 政治群組指標設計. 本研究中定義了七個事件 Form、Dissolve、Merge、Continue、Expand、Split 和 Shrink 中，其中 Form 表示新的政治群組形成，Dissolve 表示政治權力群組消失，這二個事件隱含政治群組的不穩定性，Merge、Continue、Expand、Split 和 Shrink，表示政治群組內的個體減少或增加，但至少有 k%的政治個體仍留在政治群組中，這五個事件也隱含 29.