SNA

SNA (от англ. Social Network Analysis — анализ социальных сетей) — это методологический подход к исследованию социальных структур, основанный на формальном описании и количественном анализе связей (отношений) между акторами (индивидами, группами, организациями) в рамках социальной сети. В отличие от традиционных социологических методов, фокусирующихся на атрибутах отдельных единиц (возраст, доход, образование), SNA изучает паттерны взаимодействий, потоки информации и ресурсов, а также структурные позиции участников. Ключевыми понятиями являются «узел» (актор) и «ребро» (связь), а анализ опирается на теорию графов и математическую статистику.

История развития

Истоки в социометрии и антропологии

Зарождение SNA относят к 1930-м годам, когда австрийско-американский психолог Якоб Леви Морено разработал социометрию — метод количественного измерения межличностных отношений в малых группах. Его «социограммы» визуализировали дружеские, рабочие и иные связи, позволяя выявлять лидеров, изгоев и изолированных членов. Примерно в то же время британские антропологи Альфред Рэдклифф-Браун и Макс Глюкман изучали структуру родственных и политических отношений в африканских обществах, заложив основы структурного функционализма.

Гарвардский и Манчестерский периоды

В 1950–1960-е годы центры SNA сместились в Гарвардский университет (США) и Манчестерский университет (Великобритания). В Гарварде Харрисон Уайт и его ученики (Марк Грановеттер, Рональд Берт) разработали формальные модели социальных сетей, введя понятия «сильных» и «слабых связей» (1973). Грановеттер показал, что именно слабые связи (знакомые, а не близкие друзья) часто играют ключевую роль в передаче информации и трудоустройстве. В Манчестере Джон Барнс и Клайд Митчелл применили сетевой подход к изучению сообществ в Норвегии и Африке, акцентируя внимание на неформальных отношениях.

Формализация и математизация

В 1970–1980-е годы SNA приобрела строгий математический аппарат. Линтон Фримен (Калифорнийский университет в Ирвайне) ввел ключевые метрики центральности: степень, близость, посредничество. Стивен Боргатти и Мартин Эверетт разработали методы анализа блок-моделей и эквивалентности позиций. В 1998 году Данкан Уоттс и Стивен Строгац опубликовали модель «мира тесен», показав, что многие реальные сети (социальные, нейронные, интернет) обладают малым средним расстоянием между узлами.

Эпоха больших данных

С 2000-х годов, с развитием интернета и социальных медиа (Facebook, VK, Twitter), SNA пережила взрывной рост. Появились инструменты для анализа многомиллионных сетей (Gephi, NetworkX, Pajek). Направление сомкнулось с компьютерными науками (data mining, машинное обучение) и физикой сложных систем (теория безмасштабных сетей Альберта-Ласло Барабаши).

Ключевые понятия и метрики

Узлы и связи

• Узел (вершина) — актор сети (человек, организация, IP-адрес, веб-страница).
• Связь (ребро) — отношение между узлами. Может быть:
• Направленной (А подписан на Б) или ненаправленной (дружба).
• Взвешенной (сила связи, частота контактов) или невзвешенной.
• Бинарной (есть/нет) или многозначной.

Центральность (Centrality)

Метрики, определяющие важность узла в сети:

• Степень (Degree centrality) — количество прямых связей узла. Простой показатель популярности.
• Близость (Closeness centrality) — обратная величина среднего расстояния от узла до всех остальных. Высокая близость означает быстрый доступ к информации.
• Посредничество (Betweenness centrality) — доля кратчайших путей между всеми парами узлов, проходящих через данный узел. Высокое посредничество указывает на «мост» или «контролёра» потоков.
• Собственный вектор (Eigenvector centrality) — учитывает не только количество связей, но и важность соседей. Используется в алгоритме PageRank (Google).

Структурные характеристики

• Плотность (Density) — отношение числа существующих связей к максимально возможному. Высокая плотность характерна для сплочённых групп (семья, отдел).
• Диаметр — наибольшее расстояние между двумя узлами сети.
• Кластеризация (Clustering coefficient) — вероятность того, что два соседа узла связаны между собой. Отражает склонность к образованию «треугольников» (друг моего друга — мой друг).
• Связанность (Connectivity) — способность сети оставаться целостной при удалении узлов или рёбер.
• Сообщества (Communities) — подгруппы узлов с более плотными внутренними связями, чем внешними. Выявляются алгоритмами (Лувена, Гирвана-Ньюмана).

Типы социальных сетей в SNA

Эгоцентрические сети

Сеть, построенная вокруг одного узла (эго) и его прямых контактов (альтеров). Используется в маркетинге (изучение влияния лидеров мнений) и эпидемиологии (распространение инфекций).

Полные (целостные) сети

Включают всех акторов в заданной границе (класс, организация, город). Позволяют анализировать глобальную структуру, выявлять лидеров, изолированных и подгруппы.

Двудольные (бипартитные) сети

Связи между двумя разными типами узлов (например, люди и события, читатели и книги). Анализируются через проекции на один тип.

Применение

Социология и организационная наука

• Изучение неформальной структуры власти в компаниях.
• Анализ карьерных траекторий и мобильности.
• Оценка эффективности команд и распространения инноваций.

Эпидемиология и общественное здоровье

• Моделирование распространения инфекций (COVID-19, ВИЧ) для разработки мер изоляции и вакцинации.
• Выявление «суперраспространителей» — узлов с высокой центральностью.

Криминология и борьба с терроризмом

• Анализ сетей организованной преступности и террористических ячеек (например, после терактов 11 сентября 2001 года).
• Выявление ключевых фигур и уязвимых точек в сетях наркотрафика.

Маркетинг и реклама

• Идентификация лидеров мнений (influencers) для таргетированной рекламы.
• Вирусный маркетинг: анализ распространения контента через слабые связи.

Компьютерные науки и интернет

• Ранжирование веб-страниц (PageRank).
• Рекомендательные системы (Amazon, Netflix) на основе коллаборативной фильтрации.
• Анализ социальных медиа (VK, Twitter) для обнаружения ботов, астротурфинга и информационных атак.

Биология и нейронауки

• Анализ сетей взаимодействия белков (протеомика) и метаболических путей.
• Исследование нейронных сетей мозга (коннектомика).

Инструменты и программное обеспечение

• Gephi — с открытым исходным кодом, визуализация и интерактивный анализ графов до 1 млн узлов.
• NetworkX — библиотека Python для анализа сложных сетей.
• Pajek — программа для анализа больших сетей (до 10 млрд узлов).
• UCINET — классический пакет для социальных сетей с широким набором статистических процедур.
• igraph — библиотека для R, Python и C/C++.
• VOSviewer — для построения и визуализации библиометрических сетей.

Критика и ограничения

• Проблема границ — произвольный выбор границ сети (кто включён, кто исключён) может исказить результаты.
• Статичность — большинство классических моделей SNA рассматривают сеть в один момент времени, игнорируя динамику отношений.
• Редукционизм — сведение сложных социальных явлений к формальным графам может упускать контекст, смыслы и качественные аспекты взаимодействий.
• Этические вопросы — сбор и анализ данных о социальных связях (особенно из соцсетей) сопряжён с риском нарушения приватности и возможностью манипуляции (например, скандал с Cambridge Analytica).
• Сложность визуализации — большие сети (миллионы узлов) трудно читаемы, требуют агрегации и фильтрации.

Интересные факты

• Эксперимент «Мир тесен» Стэнли Милгрэма (1967) показал, что среднее число рукопожатий между любыми двумя американцами составляет около 6 — отсюда популярное понятие «шесть рукопожатий».
• SNA используется для анализа текстов: узлами могут быть слова, а связями — их совместная встречаемость в предложениях (семантические сети).
• В 2012 году исследователи из MIT проанализировали сеть телефонных звонков в одном из городов и смогли предсказать разводы с точностью 80% на основе изменений в паттернах общения.

Источники

• Wasserman, S., & Faust, K. (1994). Social Network Analysis: Methods and Applications. Cambridge University Press.
• Granovetter, M. S. (1973). The Strength of Weak Ties. American Journal of Sociology, 78(6), 1360–1380.
• Freeman, L. C. (1978). Centrality in social networks: Conceptual clarification. Social Networks, 1(3), 215–239.
• Barabási, A.-L. (2016). Network Science. Cambridge University Press.
• Newman, M. E. J. (2010). Networks: An Introduction. Oxford University Press.
• Burt, R. S. (1992). Structural Holes: The Social Structure of Competition. Harvard University Press.