Блокмоделинг для анализа социальных структур: методологические основания

Научная статья
DOI: https://doi.org/10.19181/4m.2021.52.1
  • Тамара Евгеньевна Щеглова Национальный исследовательский университет «Высшая школа экономики», Москва, Россия tshcheglova@hse.ru ORCID ID https://orcid.org/0000-0001-6930-2013
    Elibrary Author_id 999740
    ResearchID AAQ-7216-2020
  • Дарья Васильевна Мальцева Национальный исследовательский университет «Высшая школа экономики», Москва, Россия dmaltseva@hse.ru ORCID ID https://orcid.org/0000-0003-1789-1711
    Elibrary Author_id 696348
    ResearchID P-9354-2015
  • Арюна Витальевна Ким Национальный исследовательский университет «Высшая школа экономики», Москва, Россия avkim@hse.ru ORCID ID https://orcid.org/0000-0002-3119-1087
    Elibrary Author_id 1061868
    ResearchID AAR-7559-2020

Аннотация

В статье рассматриваются особенности блокмоделинга как класса методов для кластеризации сетевых данных при анализе социальных структур. Блокмоделинг показан как подход к анализу социальной структуры, который объединяет компоненты сети в группы (кластеры) исходя из их эквивалентного структурного положения. Описаны основные понятия блокмоделинга – матрица, изображение матрицы, кластер, кластеринг, позиция, блок, блокмодель; приведен пример, их иллюстрирующий. Представлено понятие эквивалентности и описаны два ее типа – структурная и регулярная. Рассмотрены основные подходы блокмоделинга – непрямой и прямой – и относящиеся к ним методы и алгоритмы. Для каждого подхода приведены примеры его практического применения в социальных науках. Упоминаются другие методы реализации блокмоделинга (стохастический блокмоделинг) и сходные с ним методы нахождения подгрупп в сетях. Показано, что методология блокмоделинга обладает эвристическим потенциалом для анализа социальных структур и перспективна для выделения сплоченных групп и определения ролевых и структурных позиций индивидов внутри них. В заключение говорится об открытых вопросах и ограничениях данной исследовательской методологии.
Ключевые слова:
блокмоделинг, социальная структура, анализ социальных сетей, сетевой анализ

Биографии авторов

Тамара Евгеньевна Щеглова, Национальный исследовательский университет «Высшая школа экономики», Москва, Россия
Стажер-исследователь Международной лаборатории прикладного сетевого анализа
Дарья Васильевна Мальцева, Национальный исследовательский университет «Высшая школа экономики», Москва, Россия
Кандидат социологических наук, заместитель заведующего Международной лаборатории прикладного сетевого анализа
Арюна Витальевна Ким, Национальный исследовательский университет «Высшая школа экономики», Москва, Россия
Cтажер-исследователь Международной лаборатории прикладного сетевого анализа

Литература

1. Doreian P., Batagelj V., Ferligoj A. Advances in Network Clustering and Blockmodeling. Hoboken, NJ: Wiley, 2020.

2. Batagelj V., Ferligoj A., Doreian P. Generalized Blockmodeling (Structural Analysis in the Social Sciences). New York: Cambridge University Press, 2005.

3. Сафонова М.В. Сетевая история Петербургской социологии // Журнал социологии и социальной антропологии. 2010. № 3 (10). С. 83–110.

4. Проект «Институциональная динамика, экономическая адаптация и точки интеллектуального роста в локальном академическом сообществе: Петербургская социология после 1985 года» / Т.Ю. Бочаров [и др.] // Журнал социологии и социальной антропологии. 2010. № 3(52). С. 66–82.

5. Моисеев С.П., Мальцева Д.В. Отбор источников для систематического обзора литературы: сравнение экспертного и алгоритмического подходов // Социология: методология, методы, математическое моделирование (4М). 2019. № 47. С. 7–43.

6. Batagelj V. On fractional approach to analysis of linked networks // Scientometrics. 2020. No. 123 (2). P. 621–633.

7. Freeman L. The development of social network analysis: a study in the sociology of science. Vancouver, BC: North Charleston, S.C: Empirical Press; BookSurge, 2004.

8. Maltseva D., Batagelj V. Social Network Analysis as a Field of Invasions: Bibliographic Approach to Study SNA Development // Scientometrics. 2019. No. 121 (2). P. 1085–1128.

9. Nadel S.F. The Theory of social structure. London: Cohen and West, 1957.

10. Парсонс Т. О социальных системах. М.: Академический проект, 2002.

11. White H., Boorman S., Breiger R. Social Structure from Multiple Networks. I. Blockmodels of Roles and Positions // American Journal of Sociology. 1976. No. 81 (4). P. 730–780.

12. White H.C. Notes on the Constituents of Social Structure. Soc. Rel. 10-Spring’65 // Sociologica. 2008. No. 2 (1). P. 1–15.

13. White H. Identity and control: a Structural Theory of Social Action. Princeton, N.J.: Princeton University Press, 1992.

14. Davis A., Gardner B., Gardner M. Deep South. Chicago: The University of Chicago Press, 1941.

15. Davis J. Clustering and Structural Balance in Graphs // Human Relations. 1967. No. 20 (2). P. 181–187.

16. Wasserman S., Faust K. Social network analysis: Methods and applications. New York: Cambridge University press, 1994.

17. Nooy W. de, Mrvar A., Batagelj V. Exploratory social network analysis with Pajek. Revised and expanded edition for updated software. Cambridge; New York, NY USA: Cambridge University Press, 2018.

18. Lorrain F., White H. Structural Equivalence of Individuals in Social Networks // The Journal of Mathematical Sociology. 1971. No. 1 (1). P. 49–80.

19. Borgatti S., Everett M. Notions of Position in Social Network Analysis // Sociological Methodology. 1992. No. 22 (1). P. 1–35.

20. White D.R., Reitz K.P. Graph and Semigroup Homomorphisms on Networks of Relations // Social Networks. 1983. No. 5 (2). P. 193–234.

21. Brusco M., Doreian P., Steinley D. Deterministic blockmodelling of signed and two‐mode networks: A tutorial with software and psychological examples // British Journal of Mathematical and Statistical Psychology. 2021. No. 74 (1). P. 34–63.

22. Ferligoj A., Doreian P., Batagelj V. Positions and roles // The SAGE handbook of social network analysis. London: SAGE Publications Ltd, 2014. DOI: 10.4135/9781446294413

23. Doreian P., Batagelj V., Ferligoj A. Generalized blockmodeling. Cambridge; New York: Cambridge University Press, 2005.

24. Breiger R., Boorman S., Arabie P. An Algorithm for Clustering Relational Data with Applications to Social Network Analysis and Comparison with Multidimensional Scaling // Journal of Mathematical Psychology. 1975. No. 12 (3). P. 328–383.

25. Evolution of international tourist flows from 1995 to 2018: A network analysis perspective, Tourism Management Perspectives / Y. Shao [et al.] // Tourism Management Perspectives. 2020. No. 36. DOI: 10.1016/j.tmp.2020.100752

26. Burt R. Positions in Networks // Social Forces. 1976. No. 55 (1). P. 93–122.

27. Batagelj V., Ferligoj A., Doreian P. Direct and indirect methods for structural equivalence // Social Networks. 1992. No. 14 (1–2). P. 63–90. DOI: 10.1016/0378- 8733(92)90014-X

28. Symmetric core-cohesive blockmodel in preschool children’s interaction networks / M. Cugmas [et al.] // PLoS ONE. 2020. No. 15 (1). DOI: 10.1371/journal. pone.0226801

29. Matveeva N., Ferligoj A. Scientific collaboration in Russian universities before and after the excellence initiative Project 5–100 // Scientometrics. 2020. No. 124. P. 2383–2407.

30. Prota L., Doreian P. Finding roles in sparse economic hierarchies: Going beyond regular equivalence // Social Networks. 2016. No. 45. P. 1–17.

31. Batagelj V., Mrvar A. A subquadratic triad census algorithm for large sparse networks with small maximum degree // Social Networks. 2001. No. 23 (3). P. 237–243.

32. Global structures and local network mechanisms of knowledge-flow networks / M. Cugmas [et al.] // PLoS ONE. 2021. No. 16 (2). DOI:10.1371/journal. pone.0246660

33. Glückler J., Panitz R. Unpacking social divisions of labor in markets: Generalized blockmodeling and the network boom in stock photography // Social Networks. 2016. No. 47. P. 156–166.

34. Borgatti S. Social Network Analysis, Two-Mode Concepts in // Encyclopedia of Complexity and Systems Science / Ed. by R. Meyers. New York: Springer, 2009.

35. Cugmas M., Mali F., Žiberna A. Scientific collaboration of researchers and organizations: a two-level blockmodeling approach // Scientometrics. 2020. No. 125. P. 2471–2489.

36. Žiberna A. Generalized Blockmodeling of Valued Networks // Social Networks. 2007. No. 9 (1). P. 105–126.

37. Doreian P., Mrvar A. A Partitioning Approach to Structural Balance // Social Networks. 1996. No. 18 (2). P. 149–168.

38. Doreian P., Mrvar A. Partitioning Signed Social Networks // Social Networks. 2009. No. 31 (1). P. 1–11.

39. Doreian P., Mrvar A. Delineating Changes in the Fundamental Structure of Signed Networks // Frontiers in Physics. 2020. No. 8. DOI:10.3389/fphy.2020.00294

40. Holland P., Laskey K., Leinhardt S. Stochastic Blockmodels: First Steps // Social Networks. 1983. No. 5 (2). P. 109–137.

41. Anderson C. J., Wasserman S., Faust K. Building Stochastic Blockmodels // Social Networks. 1992. No. 14 (1–2). P. 137–161.

42. Asymptotic Analysis of the Stochastic Block Model for Modular Networks and its Algorithmic Applications / A. Decelle [et al.] // Physical Review E. 2011. No. 84 (6). DOI:10.1103/PhysRevE.84.066106

43. Peixoto T.P. Entropy of Stochastic Blockmodel Ensembles // Physical Review E. 2012. No. 85 (5). DOI:10.1103/PhysRevE.85.056122

44. Olivella S., Pratt T., Imai K. Dynamic Stochastic Blockmodel Regression for Network Data: Application to International Militarized Conflicts // Cornell University [site]. Submitted on 1 Mar 2021 (v1), last revised 25 Oct 2021 (v2). URL: arXiv preprint arXiv:2103.00702 (date of access: 29.10.2021).

45. Bharucha-Reid A. Elements of the Theory of Markov Processes and Their Applications. New York: McGraw-Hill, 1960.

46. Borgatti S.P., Everett M.G., Freeman L.C. Ucinet for Windows: Software for Social Network Analysis. Harvard, MA: Analytic Technologies, 2002.

47. Batagelj V., Mrvar A. Pajek – Program for Large Network Analysis // Connections. 1998. No. 21 (2). P. 47–57.

48. Van Rossum G., Drake Jr F.L. Python reference manual. Amsterdam: Centrum voor Wiskunde en Informatica, 1995.

49. R Core Team. R: A language and environment for statistical computing. R Foundation for Statistical Computing. Vienna, 2020. URL https://www.R-project.org/ (date of access: 24.08.2021).
Статья

Поступила: 14.01.2021

Опубликована: 15.03.2022

Выпуск
№ 52 (2021): Социология: 4М
Раздел
ОБЩИЕ ВОПРОСЫ МЕТОДОЛОГИИ И МЕТОДИКИ СОЦИОЛОГИЧЕСКИХ ИССЛЕДОВАНИЙ