李林红，李荣荣

（昆明理工大学 管理与经济学院，云南 昆明 650093）

一、引 言

互联网社会网络是为人们提供社会性网络的互联网应用服务，主要用于信息的传播与共享。曾明彬、周超文曾简单提到社会网络具有自组织特性［1］。王京山指出网络传播系统是一个自组织系统［2］59。互联网社会网络信息传播行为是一个信息传播系统，它是由网络用户、主机系统、网络信息资源、传播通道（包括网络互连设备、网络传输协议、网络传输介质）、传播关系与传播效果等要素组成，具有整体结构和功能，具体到每个子系统又由数量庞大的下层子系统或要素单元组成，这些子系统和要素之间存在密切的竞争与协同作用。互联网社会网络信息传播行为是一个动态的信息传递过程，永不停息地传递和分享信息，具有动态演进的特性。作为互联网社会网络的一种重要形式，微博（即Twitter）习惯指“微型博客”，是日前流行的一种社会网络。作为信息发布的空间，网络用户可通过手机、电脑、即时聊天工具等途径随时随地向网站发布文字（不超过140个字符）、图片和视频等微博。作为信息交流的空间，网络用户可以实时“关注、转发、评论、回复、＠”其他网络用户发布的微博，通过这些行为建立、维持或改变他们之间的既有关系。微博构建的社会网络是一个复杂的信息传播行为系统，它总是在永不停息地变动，是一个“活”的动态系统。微博信息传播行为的主要特征有三个：一是沟通比较灵活便捷。微博通过API，将诸如桌面客户端、浏览器、移动设备等多种发布途径有机集成，支持随时随地、无处不在的沟通。更显著地是，微博与手机的结合，具有跨时代意义，是互联网交互行为的重要体现。二是强烈的表达欲。微博的特性是简单、随意，发布比较灵活，人们可用只言片语表达自己的所思所想、所见所闻。三是特殊的“关注”传播机制。微博通过“关注”及转推功能，分享信息进行交流沟通，当博主发起话题时，他的“粉丝”会参与话题并转发给更多人，实现了话题的无限传播。

在当今社会，微博不仅极大地改变了人们的工作、学习和生活方式，也给传统媒体的发展、信息把关等带来新挑战，逐渐成为学者和社会媒体广泛关注的对象。而目前关于社会网络是否存在自组织行为的实证研究相对较少，针对这一情形，本文以“中国微博市场领头羊”新浪微博为例，从互联网社会网络是否存在自组织行为，自组织行为强度如何，网络用户的角色有无区别，以及存在自组织现象的原因等角度探讨这种自组织行为背后的规律。

二、新浪微博社会网络是自组织系统

自组织是指系统从无序到有序、低级有序到高级有序的演化与发展过程。自组织理论包括耗散结构、协同学、突变论、超循环以及混沌论等学说，揭示社会或自然系统自组织现象的内外部条件、动力机制、发展的过程、演化的形式以及演化的复杂性等多个不同方面的一般规律［3］。一个系统是自组织系统，要具备如下特点：一是系统处于开放状态，与周围环境进行物质、能量和信息交换；二是系统要远离平衡态；三是系统内部诸要素之间的相互作用是非线性的；四是系统内部存在涨落。

新浪微博社会网络是一个有机结合的复杂系统，以他组织的样式存在，在发展过程中，它是网络用户由于彼此间的共同兴趣自发形成的互动群体关系结构。新浪微博社会网络可以看作一个自组织系统，原因是：1．具有开放性。网络用户之间相互交流，并将信息传递给其他网络用户，这是相互交换的过程。如果新浪微博社会网络不能从外界获得信息，它就会失去自身赖以存在所需要的物质技术基础，或者说它不能为网络用户提供任何服务，也就失去了它存在的意义，这表明它具有开放性的特点。2．远离平衡态。平衡态是一种无生命力的状态，是系统处于相对封闭时的表现形式。当没有新的网络用户、新的微博、新的话题出现时，新浪微博社会网络整体上就会处于一种平衡态，此时它不能适应变化的环境，不能更好地为网络用户服务，并会阻碍网络用户有效获取、利用信息资源，而新浪微博社会网络具备开放性，保证了它可以一直远离平衡态，促使系统形成有序结构。3．诸要素之间的非线性相互作用。要素间的非线性相互作用是系统形成有序结构的内部因素。由于新浪微博社会网络内部各要素之间存在非线性相互作用，产生了协同与相干效应，从而使新浪微博社会网络系统从无序走向有序，并且当外界环境发生微小变化时，系统仍可以保持一种活的稳定性，形成了耗散结构。4．存在涨落。涨落指系统参量围绕某一数值上下波动，可以使偏离平衡态的系统回到原来状态，是系统形成有序结构的源动力，尤其当系统处于临界状态时，涨落可以使系统进入更高一级有序状态，呈现出原有状态所不具备的新特性。在实际中，所有影响新浪微博社会网络的因素都可以视为涨落，诸如新的微博、话题、网络用户，还有用户需求的改变，都会使系统从一种平衡态变化到另一种平衡态，所有这些都会使新浪微博社会网络偏离原有的稳定状态，通过相变进入新的平衡态。具体来说，在新浪微博社会网络中，网络用户针对比较感兴趣的话题，相互间“转发、评论、回复、＠”等，网络用户的协同作用促使这些话题周围出现或大或小的群聚现象，呈现出或强或弱的自组织局面。

三、新浪微博社会网络模型构建

新浪微博社会网络是一个由众多网络用户组成的复杂群体网络，同时网络用户间存在着相互联系和相互作用，以下将从整体网络分析着手，进一步分析个体网络、小团体以及小世界效应，由此了解整个社会网络的模型构成。

（一）整体网络分析

整体网络分析主要包括社群图和社会网络密度。社群图模型是用“点”代替个人，“连线”代表个体间的关系［4］80。新浪微博社会网络社群图模型的“点”指参与话题的网络用户，“连线”指当某一网络用户发布了微博，其他网络用户（包括该网络用户的粉丝）会对该网络用户发布的微博“转发、回复、评论、＠”等，“连线”表示网络用户间存在的这种“转发、回复、评论、＠”等关系。新浪微博社群图是有向图，箭头的方向指示了信息在网络用户间的传播情形。

社会网络密度（θ）指网络中一组行动者之间关系的实际数量和其最大可能数量之间的比率。θ值介于0与1之间，越接近1代表彼此关系紧密，接近0表示关系疏远。社会网络密度θ＝m／［n（n－1）］（0"θ"1）。在新浪微博社会网络中，参与话题的所有网络用户数为n，由于整体网是有向关系网，其中包含的关系总数理论上最大可能值是n（n－1），m为网络用户间存在的“转发、回复、评论、＠”等实际关系数目。

（二）个体网络分析

个体网络中心性常用于评价一个人重要与否、地位优越性或特权性以及在群体中的社会声望等［5］152－153。度数中心度、中间中心度和接近中心度是三个主要指标，其中前两者使用较广泛。

新浪微博社会网络的点度中心度以网络中与该点有联系的点的数目来衡量，用于测量团体中的重要人物。点度中心度值越高，表示该点与较多行动者联系，具有较高影响力，在网络中拥有较大“权力”。在新浪微博社会网络有向图中，点度中心度包括点入度与点出度，点入度是直接指向该点的点数总和（即以该点为终点的连接线数目），指一个用户被其他用户“关注”程度，是连接矩阵中与该点对应的列的格值之和，连接矩阵中第j行所对应的Pi点的点入度为：

新浪微博社会网络的点出度指该点直接指向的其他点的点数总和（即自该点引出的连接线的数目），表示一个用户“关注”其他用户的程度，是连接矩阵中与该点对应的行的格值之和，连接矩阵中第i行所对应的Pi点的点出度为：

新浪微博社会网络的中间中心度用于衡量行动者对资源的控制程度，衡量一个人是否占据在其他两人联络的中介位置，值越高，表明其控制优势高，占据操纵资源流通的关键性位置。假设点i和j之间存在的捷径数目用gij表示，第三个点k能够控制此两点交往的能力用bij（k）表示，点i和j之间存在的经过点k的捷径数目用gij（k）表示，则bij（k）＝gij（k）／gij（i，j＝1，2，…n）。把点k相对图中所有点对的中间度汇总起来，就是该点的绝对中间中心度M。

（三）小团体分析

小团体分析主要包括派系和凝聚子群密度。新浪微博社会网络的派系是至少包含三个点的最大完备子图，这些点之间存在互惠关系，它是根据社群图模型，分析网络中存在的凝聚子群数目。

新浪微博社会网络的凝聚子群密度＝子群密度／整个网络密度。其中凝聚子群密度取值范围在［－1，＋1］，越向1靠近，关系越趋向于发生在群体之外，派系林立程度越大；越接近－1，子群间关系越少，趋向于发生在群体之内，派系林立程度越小；越接近0，关系越趋向于随机分布，看不出派系林立的情形。

（四）小世界效应

Watts等人发现许多大型社会网络中的任何两个节点之间的平均距离都很小，最著名的就是“六度分割理论”。六度分割理论也叫小世界理论，是指在现实社会中，任何两个陌生人之间间隔的人数不会超过六个，即最多通过六个人，任意两个陌生人都能够认识。这种节点间的可达性被用于验证小世界现象。

根据前人的研究可以假定，新浪微博社会网络的距离指节点连接到其他节点的难易程度，具体可用任意两节点之间交流所需的连线数来表征，以平均距离表示。

四、新浪微博社会网络的自组织实证研究

（一）数据采集

以新浪微博“可持续发展”话题为例，采用滚雪球抽样方法，“行动者提名其他行动者，这些行动者构成了一阶网络域，研究者在此基础上得到二阶网络域、三级网络域等”［6］。参照搜狐发布的《首届全球中文微博调查报告》，受调查博客用户时间大部分集中在18：00～24：00［7］。由于实际操作中软件的限制，数据量不能过大，本次抽样将时间段选在20：00～22：00，随机设定起始抽样时间为2012年3月25日，隔一周跟踪一次，考察一个月内（即4月3日、9日、15日、21日、27日）网络用户参与的“可持续发展”话题微博，目的是通过这一个月的跟踪，更方便地了解新浪微博社会网络存在的特征。在本文中，将20：00～22：00时间段内首次提及“可持续发展”话题微博的网络用户，作为起始节点，并根据滚雪球抽样方法，提取对该微博“转发、回复、评论、＠”等的网络用户，直到该时间段内所有网络用户被提取完毕。

（二）数据处理

根据上述模型，本文采用UCINET和Netdraw作为分析工具。为了方便数据处理，研究中对用户名进行了编号，统计用户总数，将网络中用户间的关系用邻接方阵表达，如果两者间至少存在四种关系中的一种，在Excel中两者交叉处填写“1”，否则为“0”，其中列表示发布者，行表示响应者，然后将Excel数据导入Ucinet软件，转换成“＃＃h”格式，进行分析。对实验期间的用户进行统计，最终用户（Actors）和链接关系（Links）如表1。

表1 提取的网络用户和链接关系

（三）研究结果分析

1．整体网络分析

（1）社群图下面的图1～图6是6个时间段内的社群图。

受Ucinet软件功能的限制，在案例提取时刻，将网络用户间的关系看作静止的。可视化分析的目的是分析图中是否存在自组织现象，是否在网络用户周围会形成或大或小的群聚现象。在可视化图形中，群聚现象围绕的中间形状比较大的点是中心点用户。在3月25日的社群图，存在两个规模比较大的群集，中心点是252号“财经网”、16号“中国太平洋保险”，而其他时间的社群图都出现了多个群聚现象。4月3日的社群图，中心点主要有275号“温州草根新闻”、748号“简易管理学”、249号“司马南”、1031号“薛蛮子”等。4月9日的社群图，中心点主要有44号“任志强”、654号“当时我就震惊了”、1905号“我们爱讲俏皮话”、71号“许小年”、259号“南方都市报”、123号“全球奇闻趣事”等。虽然不同时候，子群划分存在不同样式，但子群也存在合并、消亡、增长、缩减等。在3月25日和4月15日的社群图中，虚线圆圈围绕的部分，是在“财经网”用户周围形成的群聚，随着时间的变化，度数由“671”变成了“328”，子群规模出现了明显缩减。

通过这六个社群图可以看出，某些网络用户以孤立点形式存在，而某些网络用户周围聚集了很多网络用户，出现了群聚，在这些子群周围形成了明显的自组织现象，同时子群又通过某些节点与其他子群联系（除4月27日围绕152号形成的群聚现象是以孤立群聚状态存在外），使整个社会网络成为一个整体，方便了信息的交流与共享。

（2）社会网络密度

经统计，调查时间段内的社会网络密度见表2。

表2 社会网络密度

从表2看出，网络密度在0．000 3～0．001 4间变动。从网络密度变动趋势看，网络用户之间活跃程度相差不大，比较稳定，表明社会网络对行动者的态度、行为等产生的影响不大，用户间联系不紧密。

通过以上分析看出，整个网络自组织现象比较弱，形成了多个子群，维系这些群聚之间的关系是弱关系，其表现是网络密度比较小；而局部自组织现象比较强，维系各个子群内部的关系是强关系，其表现是社群图中某些节点周围出现较强的群聚现象。

2．个体网络分析

以4月9日为例，从点度中心度和中间中心度两个方面分析网络用户所具有的特征。

（1）点度中心度

经统计，点度中心度具体数据见表3。

表3 整个网络的标准化点入度中心势和点出度中心势

从表3看出，粉丝“关注”的中心势在0．57%～1．99%之间变动，用户主动关注程度较低，而被关注中心势在9．56%～62．92%之间变动，变化范围大，尤其3月25日标准化点入度中心势达到62．92%，这是因为该日网络用户发布的微博话题主要是房地产、保险、中国经济发展问题、奶粉事件等时事热点，这些话题得到了网络用户的强烈响应，此时被“关注”的用户有着明显的集中趋势。

表4 4月9日绝对点入度前五名网络用户

表5 4月9日绝对点出度前五名网络用户

从表4看出，绝对点入度高的网络用户，身份大多是名人、热门机构，粉丝比较多，主动关注人数较少，发布的微博多，大多是时事热点、新闻以及与公民生活相关的话题，表现在可视化图上，就是那些周围形成明显的群聚现象的网络用户。

从表5看出，绝对点出度高的网络用户，大多是草根（达人、名人、热点机构比较少），粉丝不多，会主动关注名人及其他相对有影响的草根用户。他们相互响应，也会对自己发布的微博响应，还有响应其他名人、热点机构等发布的微博。

（2）中间中心度

经统计，6个时间段内的中间中心势见表6。

表6 整个网络的中间中心势

从表6看出，中间中心势在0．00%～0．05%间变动，值很低。就整个网络而言，大部分节点不需要其他节点作为桥接，便可以得到信息。尤其4月15日的中间中心势只有0．00%，除几个孤立点外，其他点都相互联系在一起。

以4月9日为例，中间中心度最高的前五名网络用户为：654号“当时我就震惊了”、123号“全球奇闻趣事”、71号“许小年”、2010号“邱国鹭”、1634号“南方人物周刊”，前三名用户在度数中心度已介绍，此处不再说明。

表7 4月9日中间中心度前五名用户

从表7看出，与度数中心度相比，中间中心度值较低。中间中心度高的网络用户，大多是草根（热点机构、达人、名人、学者却不多），其中某些网络用户的度数中心度也很高。作为中介，他们主要响应的是时事、热点话题等，由于他们的存在，新浪微博社会网络的自组织现象更明显。

3．小团体分析

（1）派系经统计，6个时间段内的派系分析数据见表8。

表8 派系分析

从表8看出，4月3日、4月9日、4月15日分派现象较多，这表明网络用户比较多，话题多，存在较大离散性；3月25日、4月21日、4月27日分派现象较少，话题集中，网络用户积极参与话题的探讨，也吻合了社会网络密度的变化趋势。

（2）凝聚子群密度

经统计，6个时间段内的凝聚子群密度见表9。

表9 凝聚子群密度分析

从表9看出，社会网络密度近似稳定，接近－1，表明子群间关系比较少，子群内部交流比较频繁，体现在围绕某一话题，网络用户响应比较多，而整个网络上网络用户相互间响应相对较少，也揭示了整体网络自组织程度比较弱，而局部自组织现象比较明显。

4．小世界效应

从表10看出，平均距离在1．337～3．97之间变动，满足六度分割理论。根据小世界效应理论，L值一般不超过10的网络就可以说具有小世界效应，这表明“可持续发展”话题形成的社会网络具有显著小世界效应；而凝聚力指数却极小，只在0．001～0．005间变动，这表明整体网络凝聚力较弱，网络用户间联系不紧密。

表10 小世界效应分析

通过对新浪微博“可持续发展”话题案例的分析，表明互联网社会网络存在自组织行为。在整体社会网络中，网络用户间联系不紧密，而在局部地方，网络用户间出现了明显的群聚现象，自组织程度比较强。在社群图上，某些节点周围出现了明显的自组织现象，某些节点把形成的子群联系起来。这些节点在网络中角色不同，前者在网络中处于中心位置，拥有较大权力，影响力较强，通常是名人、热门机构等，粉丝数比较多，发布的微博通常是热点、实事话题，自组织行为比较强，使信息得到了很好的传播与共享；后者充当中介作用，引导信息流通，控制优势明显。这些节点通常是草根，名人、热门机构比较少，参与话题多是热点、时事。由于这类网络用户的存在，使整个社会网络各子群间联系到一起成为可能。

互联网社会网络存在自组织行为，原因主要有：1．Web2．0模式注重用户的交互作用，强调个体间彼此相连，网络用户间通过自组织方式充分地交流互动，促进了信息的传播，加速了网络用户间的信息传播行为，使互联网社会网络呈现出更明显的自组织特征。2．在使用过程中，SNS以面向网络用户个人服务为基础，支持网络用户的群体协作，并能促进网络用户间社会关系的建立与发展。这主要由于SNS鼓励用户提供真实信息，鼓励或限定“实名注册”，不仅使网络用户间快速进行信息传播和交流，而且能够推动网络用户的协同与互动，使互联网社会网络的自组织现象有了更复杂、更深刻的内涵，呈现出社会复杂性。3．类似现实世界，在互联网虚拟社会，网络用户之间也有相互交流的需要，他们并没有对其他网络成员的身份地位、生活方式、行为规范等进行要求，而是根据彼此存在的某些共同兴趣、爱好等，相互了解，相互认同，自愿结成群体，通过相互间信息的传播与交流，彼此间进行协同互动，形成比较明显的自组织现象。

总之，在互联网上，信息传播行为促进了网络用户的协同互动，使行为系统的自组织机制更加完备，不断使互联网社会网络涌现出自组织现象，这是自组织协同理论的协同效应和自组织机制的具体体现，同时也说明自组织现象不仅存在自然界和人类社会，在网络社会也存在。

五、结 语

［1］ 曾明彬，周超文．基于小世界理论的社会网络服务与未来教育探析［J］．商业时代，2011（3）．

［2］ 王京山．自组织的网络传播［M］．北京：中国轻工业出版社，2010．

［3］ 郭世平．和谐、秩序与自组织——从传统形而上学的哲学和谐观到现代自组织科学的和谐理论［J］．苏州大学学报：哲学社会科学版，2007（1）．

［4］ John Scott．Social Network Analysis［M］．London：Sage Publications Ltd，1991．

［5］ Burt R S．Structural Holes：The Social Structure of Competition［M］．Cambridge：Harvard University Press，1992．

［6］ Alexander Mills，Rui Chen，等．WEB 2．0Emergency Applications：How Useful Can Twitter Be for Emergency Response？［J］．Information Privacy＆Security，2009（5）．

［7］ 搜狐网．首届全球中文博客调查报告［EB／OL］．［2012－03－20］http：／／it．sohu．com／20051003／n240492055．shtml．