ucinet社会网络分析笔记（一）网络密度、中心度、凝聚子群、核心-边缘

在进行城市网络研究时，通常需要借鉴社会网络的分析方式，对网络各类指标进行计算。
主要使用软件为Ucinet 6，在网上可以下载到

QQ截图20200814160054.jpg

1、数据准备

类似于之前讲过的武汉城市圈高德迁徙数据，这里用的是上海都市圈2019年高德迁徙数据，根据前所述方法，在数据库中选取其中的工作日数据并计算日均值。
注：高德迁徙数据获取方式目前不便于公开，请勿私信询问。
此处上海都市圈范围为《上海市城市总体规划（2017-2035年）》中提出的上海大都市圈所包含的9个城市。
在excel中运用“数据透视表”的方法制作出迁徙指数矩阵如下图（这是一个具有方向性的不对称矩阵，列中的城市代表迁入地，行中的城市代表迁出地）：

QQ截图20200814155959.jpg

打开ucinet并导入矩阵数据：

QQ截图20200814160824.jpg

QQ截图20200814161021.jpg

QQ截图20200814161046.jpg

QQ截图20200814161101.jpg

完成后会在同一文件夹中生成两个这样的文件：

QQ截图20200814161215.jpg

2、网络密度分析

QQ截图20200814161959.jpg

QQ截图20200814161850.jpg

QQ截图20200814161944.jpg

3、中心度分析

（1）度数中心度

QQ截图20200814162119.jpg

QQ截图20200814163218.jpg

其中，Treat data as symmetric 一栏代表是否将其视为对称矩阵。若选择Yes，说明将该矩阵视为对称矩阵，得出的结果是各城市单一的Degree；若选择No，则说明将该矩阵视为非对称矩阵，得出的结果分为出度（out degree）和入度（in degree）

以下为选择Yes的结果：

QQ截图20200814163437.jpg

QQ截图20200814163444.jpg

可见在上海都市圈范围内，苏州的度数中心度比上海要高，这是因为苏州与无锡、常州建立起了尤为紧密的联系

以下为选择No的结果：

QQ截图20200814164018.jpg

QQ截图20200814164032.jpg

可见各城市的迁徙方向是不对称的，例如苏州出度更高，而上海入度更高。

（2）接近中心度

QQ截图20200814212608.jpg

QQ截图20200814212637.jpg

QQ截图20200814212747.jpg

（3）中介中心度

QQ截图20200814212820.jpg

QQ截图20200814212908.jpg

4、CONCOR凝聚子群分析

QQ截图20200814213132.jpg

QQ截图20200814213145.jpg

QQ截图20200814213210.jpg

QQ截图20200814213228.jpg

5、核心-边缘分析

QQ截图20200814213410.jpg

QQ截图20200814213435.jpg

QQ截图20200814213523.jpg

以上为LINDA不成熟的试验，可能会存在诸多问题敬请谅解！