Бизнес-сети на рынке

Эта заметка — о данных, собранных ушедшим другом. В то время, в 2010 г., был сложный для нас период: не выдержав нагрузки у меня в организаци­и, он покинул её (что, в общем-то, поставило под удар два тогдашних проекта... ну да ладно — справились­) и создал свою. Её деятельнос­ть началась с исследован­ия горловских­ предприним­ателей. Часть дизайна этого исследован­ия один в один воспроизво­дила нашу предыдущую­ работу. В целом, это было развитие нашей идеи сравнить структуры двух сообществ:­ стигматизи­рованного и нестигмати­зированног­о.

Гипотеза была такова: первое сообщество, мужчины, имеющие секс с мужчинами (МСМ), загнанное в тень, вынуждено поддержива­ть свою целостност­ь единственн­о доступным способом — коллекцион­ируя контакты друг друга, т. е. быть в известной степени подобным сицилийско­й мафии. Второе, частные предприним­атели, торгующие на рынке, имея только одного естественн­ого врага — фискальные­ органы государств­а — и не испытывая необходимо­сти стыдиться себя («торгаш» — тоже стигма, но сила её воздействи­я значительн­о меньше, чем клеймо гомосексуа­льности), будет более разобщённы­м на бытовом уровне.

Целостност­ь / сплочённос­ть может проявлятьс­я по-разному. С одной стороны, сплочённос­ть выступает как наличие субъективн­о важных контактов с другими членами своего коллектива­ / общины / сообщества­. С другой — это способност­ь выступить единым фронтом против общего врага.

С такой точки зрения МСМ и предприниматели ведут себя по-разному. МСМ разобщены территориально, но их взаимные связи образуют целостную систему. К сожалению, обусловливающая это стигма одновременно разрушает «боевой» потенциал группы — ведь для совместных действий нужно выйти из уютной тени, заявить о себе и подвергнуться, как минимум, осуждению окружающих.

В отличие от МСМ, торгующие на рынке предприниматели близки территориально (они каждый день находятся на чётко выделенной части города), пребывают на виду. У них нет особой нужды знать телефоны всех своих соседей по рынку — в случае совсем уж острой необходимости они могут увидеться лично в соседнем ряду. В то же время, они легко сплачиваются в протестах — напр., из-за ликвидации рынка городскими властями или против нового Налогового кодекса.

Когда мы просим респондентов указать своих партнёров, пользуясь «телефонной книгой» своих мобильных, мы фиксируем только один из двух указанных аспектов — наличие субъективно важных контактов, но совершенно упускаем из виду те повседневные связи, которые проистекают из территориальной общности. Соответственно, полученная сетевая структура ничего не говорит о «боевом» потенциале группы. В этом состоит ограничение методики.

Сопоставление двух сетей — МСМ Донецка и ФЛП на рынках Горловки станет предметом одной из следующих публикаций. Цель нынешней, как указано выше, — проанализировать данные только о социальных связях бизнес-партнёров на рынке.

Очень печально, но в отчёте самого РЦСИ «Праксис» упущено очень много деталей, а та база, которую в своё время мне прислал её автор Евгений ЛЕЩИНСКИЙ, не содержит расшифровки категорий вопросов об организационно-правовом статусе опрошенных (ФЛП на едином налоге, на общей системе налогообложения, с наёмными сотрудниками или без таковых...) и о виде деятельности (продукты питания, одежда, канцелярия и т. п.). Поэтому в нашем распоряжении сейчас только такие данные:

– описание методики рекрутинга;
– список связей 50 ФЛП двух горловских рынков;
– пол и возраст узлов сети.

Попытаемся, всё же, пользуясь этой более чем скупой информацией, разобраться в вопросе о связанных в 2010 г. с структурой социальной сети ФЛП рынков г. Горловки факторах.

Методика рекрутинга (воспроизводится по отчёту) — «снежный ком», что подразумевает опрос одного информанта и просьбу порекомендовать 3–5 своих знакомых для проведения аналогичного опроса. Так процедура повторяется до тех пор пока не будет опрошено заданное количество респондентов.

После того, как интервьюер объяснил суть задачи и получил от респондента информированное согласие, опрашиваемому предлагалось самостоятельно составить список всех друзей и знакомых, с которыми он взаимодействует в рамках своего бизнеса.

Социо-демографические характеристики совокупности (воспроизводятся по отчёту): опрошено 50 человек, преобладают мужчины (64%) и люди в возрасте от 30 до 49 лет. Средний заработок составляет 2100 грн. в месяц (минимум 500 грн., максимум — 6000 грн.). Подавляющее большинство ФЛП заняты в сфере торговли промышленными товарами. Наёмный труд используется каждым восьмым предпринимателем, при этом максимальное количество наёмных работников составляет 3 человека.

Высшее образование имеет лишь каждый восьмой. При этом все торгующие продовольствием имеют высшее образование, а в самой большой группе — торговля промышленными товарами — высшее образование имеют лишь 12%, большинство же является выпускниками техникумов.

В 92% случаев частные предприниматели не имеют отдельного административного помещения и всю финансово-административную деятельность ведут на территории своей торговой точки. Наиболее распространённым видом коммуникации в среде ФЛП остается мобильный телефон.

Согласно полученным результатам, треть респондентов оценила свой уровень владения ПК как «самый низкий». Еще 30% респондентов оценили свой уровень знаний в этом вопросе как средний. Отмечается дисбаланс по полу в самооценках уровня знаний: у мужчин преобладает средний уровень, у женщин — низкий уровень.

Что же касается характеристик всех узлов (50 респондентов указали на 330 своих бизнес-партнёров), то оно в целом не отличается от описанных: 64% мужчин; люди в возрасте от 20 до 29 лет составляют 22%, 30–39 лет — 37%, 40–49 лет — 29%, а 12% относится к группе 50 лет и старше.

Структура сети изображена на рисунке (розовые — респонденты, синие — их коллеги, которые в опросе не участвовали).

Она включает в себя 380 узлов, соединённых 367 связями. Плотность (отношение существующего числа связей к теоретически возможному) составляет 0.005 — сеть весьма разрежена.

Следует отметить, что несмотря на использование «снежного кома» при рекрутинге, сеть оказалась несвязной, разбитой на 23 отдельных компонента, наименьший из которых есть один изолированный узел, а наибольшие объединяют 31, 40 и 145 человек. На наш взгляд, это вполне согласуется со сформулированным выше ограничением — наличие знакомства с другими предпринимателями на рынке вовсе не означает, что контакты этих людей будут записаны в телефон респондента.

Поскольку в массиве преобладают мужчины, постольку бОльшая часть связей (52%) соединяет двух мужчин:

Пол партнёров	мужчина	женщина
мужчина	192 связи
женщина	99 связей	76 связей

С т. з. возраста преобладают связи между 30- и 40-летними (18%), на втором месте связи двух тридцатилетних и между 20- и 30-летними (по 15%). Реже всего встречаются партнёры с большой разницей в возрасте или связи между двумя людьми в возрасте 50 лет и старше:

Возраст партнёров, лет	20–29	30–39	40–34	50+
20–29	21 связь
30–39	51 связь	51 связь
40–49	32 связи	64 связи	49 связей
50+	13 связей	27 связей	32 связи	9 связей

Распределение степеней центральности (т. е. количества связей у каждого узла) весьма далеко от нормального — преобладают узлы с центральностью 1, что обусловлено методикой формирования массива сетевых данных (мы ничего не знаем о связях нереспондентов).

Факторы, ассоциированные со структурой, определялись моделированием. Т. к. предикторов немного, то все они (образование полностью гетерогенной по возрасту и полу связи, центральность узла равная единице, гомофилия по статусу респондент–нереспондент, полу и возрасту) были включены в тестируемую модель. Результаты приведены в таблице.

Фактор	lnOR	SE	p-Значение
Образование гетерогенной по всем параметрам связи	-3.4	0.2	<0.001
Центральность узла равна 1	4.3	0.3	<0.001
Гомофилия по статусу респондент–нереспондент	-3.3	0.2	<0.001
Гомофилия по возрасту
20–29 лет	0.6	0.2	0.01
30–39 лет	0.2	0.1	0.12
40–49 лет	0.6	0.2	<0.001
50+ лет	0.5	0.3	0.18
Гомофилия по полу
мужчина	0.8	0.1	<0.001
женщина	1.0	0.2	<0.001

Полученная модель, в целом, неплохо воспроизводит наблюдаемую структуру сети, хотя даёт несколько больше связей мужчина–мужчина и больший размер самого крупного компонента, чем нужно.

Из коэффициентов полученной модели можно заключить, что несмотря на количественное преобладание в массиве 30-летних и мужчин, бОльшую склонность к образованию однородных соответственно по возрасту и полу связей демонстрируют 40-летние ФЛП и ФЛП-женщины. Вероятность образования связи между людьми, отличающимися по обоим этим параметрам, невелика — exp(-3.4)/(1+exp(-3.4)) = 0.03. Низкое значение общей гомофилии по статусу респондент–нереспондент согласуется с разбитостью сети на два десятка отдельных компонентов.

Как было указано выше, скупой набор измеренных и доступных сейчас параметров не позволяет найти объяснение полученным закономерностям, исходя из результатов самого исследования. Однако мы можем воспользоваться опытом своей повседневности.

К 40 годам жизнь (и деловые связи, в частности) стабилизируется, для людей становится важной предсказуемость будущего, соответственно 40-летние ФЛП «обрастают» кругом таких же постоянных и проверенных годами бизнес-партнёров.

Что касается несколько бОльшей склонности ФЛП-женщин образовывать связи с другими женщинами, то этот результат, как будто бы, противоречит известной из литературы бОльшей гомосоциальности мужчин. Вместе с тем, поскольку речь идёт о бизнес-контактах в 2010 г., т. е. до реформы Налогового кодекса, то можно предположить, что меньшая гомофильность по полу ФЛП-мужчин связана с существовавшим способом ведения дела: мужчина-хозяин точки ради минимизации налоговых отчислений делал своих реализаторов (преимущественно женщин) тоже частными предпринимателями. Вполне естественно, что у хозяина точки в телефоне есть номера его сотрудников-реализаторов, т. е. ФЛП низшего порядка. У реализаторов (как правило, женщин), соответственно, могут быть телефоны друг друга для того, чтобы в случае нехватки на точке какого-то товара из обычного ассортимента (напр., подходящего размера одежды) быстро уточнить его наличие у коллеги и, т. о., всё-таки не потерять клиента.

В целом, проведённая работа даёт представление о структуре социальной сети территориально-компактного профессионального сообщества. Её результаты, на самом общем уровне будут использованы для сравнения со структурами, которые образуют местные совокупности МСМ.

Читать далее

Сексуальная сеть МСМ г. Мариуполя

В 2010 г. мы опросили 100 МСМ г. Мариуполя. Среди прочего, в опросе фигурировал сетевой блок (такой же, как описан в http://donbas-socproject.blogspot.com/2012/10/blog-post_30.html), одним из вопросов которого был «У Вас был секс с ... в течение последнего перед опросом года?». На картинке — визуализация ответов: сексуальная сеть МСМ (розовеньким обозначены респонденты, синим — их знакомые, которых мы не опрашивали). Картинка забавная. Есть и большой связный компонент с героем-любовником, и треугольники, и общие партнёры... Пока анализ в деталях не даю. Просто полюбуйтесь.

Читать далее

Социальная сеть МСМ Донецка и прилегающих городов: попытка анализа

Материал для этого анализа собирался, по большей части, между делом. В 2009 г., когда заканчивалась первая фаза немецко-украинского проекта «Сеть» (Connect+, Центр «Наш мир»), встал вопрос о его оценке. Мы разработали для получателей услуг проекта небольшую анкету, намереваясь узнать их мнение о полученных материалах. Само по себе это было бы скучным опросом очень маленькой выборки, поэтому мы дополнили опросник сетевым блоком, в котором просили каждого респондента указать на отдельном листике всех своих знакомых мужчин, практикующих однополый секс. Это была инновация — до нас никто ни в Украине, ни вообще на постсоветском пространстве не занимался анализом социальных сетей гомосексуальных мужчин.

Естественно, мы понимали, что такая просьба — передать посторонним людям сведения о своих знакомых без их согласия — может быть воспринята в штыки. В то же время нам нужно было как-то однозначно идентифицировать эти контакты, т. к. мы подозревали, что у разных, даже незнакомых друг с другом респондентов, могут быть общие знакомые (забегая вперёд скажу, что наши подозрения подтвердились).

Компромисс выглядел так: в анкете респондент писал последние четыре цифры своего номера и точно так же обозначал своих знакомых, последними четырьмя цифрами их телефона. По этой комбинации нельзя узнать конкретного человека, но она (особенно в сочетании с другими данными) является уникальным кодом человека в собираемом массиве.

Кроме последних четырёх цифр респондент характеризовал себя и своих знакомых именем, возрастной группой (15–19, 20–29, 30–39 лет и т. д.), по официальному (холост, женат, разведён или вдов) и фактическому (живу сам, с родителями, с мужчиной-партнёром, с женщиной-партнёршей) семейному положению, а также указывал город проживания.

В результате мы получили 63 эгоцентрических сетей, каждая связь которой выглядела примерно так:

Максим.30-39.Донецк.холост.сам.0034 -> Александр.20-29.Донецк.холост.с-родителями.9555

(до стрелки — информация о респонденте, после — о знакомом респондента, стрелка условно обозначает наличие связи, т. е. тот факт, что номер телефона знакомого записан в телефонную книгу мобильника респондента).

Как только данные были собраны и проверены, мы обезличили их, т. е. вышеприведённый пример приобрёл такой вид:

X3.30-39.Донецк.холост.сам -> X5.20-29.Донецк.холост.с-родителями

а рабочий массив стал двумя таблицами: а) список связей (X3 -> X5 и т. п.); б) список характеристик каждого узла (напр. X3, 30-39 лет, Донецк, холост, живёт сам и т. п.). Эти два списка мы экспортировали в R, как описано в http://donbas-socproject.blogspot.com/2009/12/r.html.

Вот схема сети согласно результатам опроса (63 розовых кружка — респонденты, 300 синих — их знакомые, которых мы не опрашивали).

Первое, что следует отметить — сеть получилась плотной и связной. Действительно, как мы предполагали, респонденты не только были соединены друг с другом (на схеме — розовый с розовым), но и через общих знакомых (триада розовый–синий–розовый). Долю таких общих знакомых посчитать легко: число синих кружков с центральностью больше 1, делённое на общее число синих кружков, — 14%.

Второе, поскольку 86% нереспондентов были упомянуты лишь единожды (т. е. только одним из опрошенных), то сеть выглядит как ряд кустов на общем корне, которым являются связи респондентов друг с другом.

Третье, в сети нет изолятов, т. е. таких узлов, у которых нет никаких связей.

Если свойства 2 и 3 обусловлены способом сбора информации, то первое явилось непосредственным следствием высокой плотности связей в изучаемом сообществе. В свою очередь, эта плотность очевидно связана с преобладанием среди целевой группы проекта «Сеть» (по крайней мере, в Донецкой области) людей старше 30 лет (60%), наличием значительной доли (31%) тех МСМ, которые ходят на плешку, а также живущих в небольших городах области (14%).

Ядро сети (совокупность 79 узлов с тремя и бОльшим числом связей) значительно более монолитно и спаяно. Так, его централизация (0.28) вдвое выше централизации всей сети (0.14). В отличие от структурных, социодемографические характеристики ядра повторяют в пределах ошибки соответствующие характеристики целой сети.

Вопрос, решаемый в настоящей работе таков: каковы основные факторы, ассоциированные с образованием связей внутри изучаемой сети?

Исследование опиралось на процедуры, разобранные в http://donbas-socproject.blogspot.com/2012/10/grey-anatomy.html, т. е. на многомерное моделирование изоморфных случайных сетей с учётом ключевых структурных показателей сети реальной.

Более формально исследовательский вопрос распадается на ряд гипотез:

1 действуют правила общего подобия двух связанных узлов (общая гомофилия):
  1.1 связи образуются по признаку респондент–не респондент (следствие способа формирования массива);
  1.2 связи образуются внутри города или агломерации;
  1.3 связи образуются между близкими по возрасту узлами;
  1.4 связи учитывают семейное положение (напр., женатый–не женатый, живу сам–живу с родителями и т. п.)

2 склонность к образованию связей отличается у узлов, принадлежащих к разным подгруппам (дифференциальная гомофилия):
  2.1 женатые менее переборчивы (т. е. более склонны образовывать и поддерживать связи с людьми разного возраста, города, семейного положения), чем холостые и разведённые;
  2.2 МСМ старше 30 лет менее переборчивы, чем молодые;
  2.3 живущие с родителями или с женщиной-партнёршей менее переборчивы, чем живущие отдельно.

Базовая модель, в которую вошли только предикторы связей и гомофилия по  признаку респондент–не респондент, оказалась крайне неудовлетворительной — она давала множество изолятов и связей между нереспондентами:

Добавление в модель предиктора, учитывающего преобладание узлов со центральностью 1, улучшило модель (появилась отмеченная выше кустистая структура и центральное ядро):

Однако эта модель не дала ответы на поставленные вопросы, поэтому мы пошли от обратного — включили в модель все возможные предикторы и затем исключали их по одному, добиваясь разумного баланса результатов. Оказалось, что гомофилия по возрасту (как общая, так и дифференциальная) не является сколь-либо значимым фактором в нашей сети, тогда как прочие (место жительства и семейное положение) играют заметную роль:

Фактор	lnOR	SE	p-Значение
Образование гетерогенной по всем параметрам связи	-3.9	0.1	<0.001
Центральность узла равна 1	3.1	0.2	<0.001
Гомофилия по статусу респондент–нереспондент
нереспондент	-4.0	0.7	<0.001
респондент	0.9	0.1	<0.001
Гомофилия по месту жительства
Донецкая агломерация	0.5	0.1	<0.001
Горловская агломерация	0.9	0.7	0.2
Мариуполь	2.8	0.5	<0.001
другие области Украины	1.6	0.4	<0.001
Гомофилия по официальному семейному положению
разведён или вдов	0.3	1.0	0.7
женат	0.7	0.7	0.3
холост	0.4	0.1	<0.001
Гомофилия по фактическому семейному положению
живу сам	0.8	0.3	0.001
живу с партнёром-мужчиной	0.6	0.1	<0.001
живу с родителями	0.2	0.1	0.2
живу с партнёршей-женщиной	-0.7	0.6	0.3

Из таблицы видно, что нереспонденты намного менее склонны образовывать связи с другими нереспондентами, чем респонденты. Это, как указано выше, является следствием способа формирования выборки — поскольку мы не опрашивали нереспондентов, то у нас нет полной информации об их эгоцентрических сетях, мы не знаем, есть ли у них в знакомых другие нереспонденты из нашего массива.

Относительно места жительства отметим, что «переборчивость» в связях (когда контакты устанавливаются и поддерживаются преимущественно с людьми из того же населённого пункта) явным образом связана с географической удалённостью: так, люди из Мариуполя (южный край области) и те, кто живёт вообще в других областях, демонстрируют значительно большую склонность образовывать связи соответственно с мариупольцами и МСМ не из области, чем те, кто живёт в Донецкой агломерации. Жители Горловской агломерации, расположенной недалеко от Донецкой, вообще не проявили статистически значимой гомофилии (это значит, что среди их контактов случайным образом представлены как жители самой Горловской агломерации, так и других населённых пунктов).

Связь семейного положения и тенденций к образованию связей, в целом, подтверждает высказанные выше гипотезы. Так, контакты женатых и разведённых/вдовых не проявляют сколь-либо заметной тенденции отбора по семейному положению, тогда как среди знакомых у холостых несколько больше таких же холостых. Это можно было бы связать с возрастом, но как указано выше возраст оказался незначимым предиктором, что подтверждается гомофилией по фактическому семейному положению — живущие с  родителями МСМ (преимущественно молодёжь) не демонстрируют особой переборчивости в связях, тогда как живущие отдельно (как молодые, так и зрелые мужчины), а также проживающие с партнёром-мужчиной (также разного возраста) предпочитают общаться соответственно с отдельно живущими и «замужними».

На наш взгляд такие связи с семейным положением предположительно можно пояснить тем, что неженатые и живущие отдельно МСМ выступают обладателями двух важных ресурсов — свободы от контроля партнёрши/родителей и возможности распоряжаться местом для встреч, тогда как женатые, живущие с партнёршей-женщиной или родителями вынуждены подстраивать свои планы под временнЫе и квартирные возможности своих знакомых (особенно если речь идёт о сексе).

Таким образом, проведённый анализ продемонстрировал связь со структурой социальной сети ряда социодемографических характеристик МСМ Донецка и прилегающих городов.

Безусловно, проведённая работа имеет ряд ограничений, которые не позволили добиться идеальной сходимости сети наблюдаемой (см. рис. выше) и сети смоделированной:

• информация об узлах включала всего три параметра, что не позволило уйти в выводах далеко от тривиальности (так, не учтёнными оказались, к примеру, принадлежность к сообществу плешки, идентичностные характеристики, открытость, имущественное положение и др.);

• информация о связях не учитывала ни силу связи (напр., два человека только вчера познакомились или дружат уже давно), ни её качество (напр., связаны ли люди просто знакомством или они являются сексуальными партнёрами).

Однако, в целом, эта работа демонстрирует ряд возможностей сетевого анализа, которые в дальнейшем могут быть применены к анализу структуры скрытого от посторонних глаз сообщества.

Примечание: первая попытка проанализировать данные была сделана в публикации

Касянчук М. Г. и др. «Сеть» и сети: отчёт об исследовании «Структура социальной сети МСМ Донецка и прилегающих городов» / М. Г. Касянчук, Е. Б. Лещинский, Г. А. Журбий, Р. В. Сидорченко, Ю. Н. Миготин («Донбасс-СоцПроект», Центр «Наш мир»). — Донецк: Компьютерная типография, 2009. — 80 c.

При подготовке нынешнего текста все цифры проверены, устранены неточности.


Читать далее

Упражнения­ по экспоненци­альному моделирова­нию случайных графов на примере флирта в сериале Grey’s Anatomy

Перевод поста http://badhessian.org/lessons-on-exponential-random-graph-modeling-from-greys-anatomy-hook-ups/

Я недавно нашёл прекрасный­ пост Gary Weissman’а Grey’s Anatomy Network of Sexual Relations (перевод на русский тут) и вдохновилс­я им. Для тех, кто ничего не слышал об этом телесериал­е, сообщаю, что он чрезвычайн­о популярен,­ отмечен наградами как лучшая медицинска­я драма, транслируе­мая ABC. Идя навстречу ожиданиям зрителей, шоу регулярно показывает­, как его герои флиртуют друг с другом.

Пытаясь дать студентам-медикам ряд простейших­ концепций анализа социальных­ сетей, Weissman создал набор сетевых данных о сексуальны­х контактах героев этого сериала. Хотя я особо не интересуюс­ь ни этим шоу, а сексуальны­е или воображаем­ые сети лежат вдали от моих исследовательских интересов,­ пост Weissman’а мне кажется отличной демонстрац­ией анализа социальных­ сетей в педагогиче­ских целях.

Я бы хотел, ради развлечения, вернуться к этим данным и рассмотреть их с помощью экспоненциального моделирования случайных графов (ERGM) в аспекте образования связей. Прежде чем я продолжу, я бы хотел сказать, что самые лучшие пособия по ERGM созданы их авторами и доступны на сайте. Моим любимым пособием из-за его прикладной направленности является серия презентаций на февральской конференции Sunbelt Workshop 2011 г. Если вы всерьёз настроены изучить ERGM, то указанные публикации должны стать вашими настольными книгами. Тем не менее, я думаю, что существует та аудитория, которая с бОльшим восторгом наблюдает за приключениями сексуальных врачей на телевидении, чем читает о брачных сетях во Флоренции 16 века.

Экспоненциальные модели случайных графов являются способом понять процесс возникновения сетевой структуры, процесс образования в ней сетей. В нашем примере «образование сетей» и «снять потрахаться» являются синонимами. Эти модели работают, измеряя некий набор известных сетевых характеристик и используя распределение их значений для генерации случайных сетей. Такие случайные сети затем сравниваются с сетью наблюдаемой, чтобы оценить правдоподобие модели. Хорошие ERG-модели продуцируют сети, изоморфно похожие на наблюдаемую сеть, и пользуются небольшим набором характеристик. Плохие ERG-модели продуцируют сети, которые слабо похожи на наблюдаемую сеть, но при этом используется много ненужных характеристик.

Какими характеристикам следует пользоваться? Число рёбер (т. е. «связей», «отношений») является одной из самых важных. Если мы занимаемся образованием связи, то очень важно знать число этих связей. Кроме того, в посте Weissman’а некоторые комментаторы упоминали важность пола персонажей или, к примеру, их должность в больнице. Узлы (т. е., «акторы», «вершины») могут иногда характеризоваться атрибутами, такими как пол, возраст, должность или астрологический знак. При моделировании сети можно использовать атрибуты узлов, чтобы оценить такие ассортативные эффекты как общая гомофилия («Спят ли члены больничных коллективов с сотрудниками, занимающими такие же должности?»), дифференциальная гомофилия («Спят ли штатные врачи с другими такими же? Делают ли они это чаще, чем интерны с другими интернами?») и ассортативное смешивание («Do resident-attending couples occur more frequently than we’d expect vis-à-vis nurse-attending couples?»). Можно анализировать и другие свойства сетей, но это зависит от доступности данных, типа анализируемой сети (направленная, ненаправленная, бимодальная), а также от сходимости модели.

Использованные здесь данные восходят к тем, которые Weissman сделал доступными. Я добавил узлы и рёбра по информации, найденной при просмотре Wikipedia. Я включал лишь те персонажи, которые переспали с одним или несколькими другими персонажами в сериале. Я также добавил такие атрибуты, как пол персонажа, расу, должность в больнице, приблизительный возраст, номер сезона, в котором он появился, и астрологический знак, под которым родился актёр. Я собрал эти атрибуты из Wikipedia и IMDB. Для простоты я кодировал расу каждого персонажа как чёрный (black), белый (white) или другой (other). Хотя я не люблю рассматривать расу именно в этих терминах, однако число персонажей и их разнообразие невелико, чтобы вдаваться в нюансы этого вопроса. Что касается приблизительного возраста персонажей, то я пользовался возрастом актёров, их играющих, а в двух случаях мне пришлось самому сделать предположения. Как у Weissman’а, нынешние данные, вероятно, не содержат какой-то информации об отношениях, узлах, упрощают описание персонажей и их взаимоотношений.

Для начала откройте R-терминал. Установите и загрузите пакеты ergm и RCurl, если вы не сделали этого раньше.

install.packages("RCurl"); install.packages("ergm")

library(RCurl); library(ergm)

Пакет RCurl будет использован для того, чтобы загрузить данные из моего файла на Google Docs. Пакет ergm включает несколько других пакетов, таких как network, поскольку ERGM использует объекты, созданные последним.

Далее, прочтите данные и создайте объект класса network.

#First, read in the sociomatrix

ga.mat<-getURL("https://docs.google.com/spreadsheet/pub?key=0Ai--oOZQWBHSdDE3Ynp2cThMamg1b0VhbEs0al9zV0E&single=true&gid=0&output=txt",ssl.verifypeer = FALSE)

ga.mat<-as.matrix(read.table(textConnection(ga.mat), sep="\t",header=T, row.names=1, quote="\""))

#Second, read in the network attributes

ga.atts<-getURL("https://docs.google.com/spreadsheet/pub?key=0Ai--oOZQWBHSdDE3Ynp2cThMamg1b0VhbEs0al9zV0E&single=true&gid=1&output=txt",ssl.verifypeer=FALSE)

ga.atts<-read.table(textConnection(ga.atts), sep="\t", header=T, quote="\"",stringsAsFactors=F, strip.white=T, as.is=T)

#Third, create a network object using the sociomatrix and its corresponding attributes

ga.net<-network(ga.mat,vertex.attr=ga.atts,vertex.attrnames=colnames(ga.atts),directed=F,hyper=F,loops=F,multiple=F,bipartite=F)

Теперь, когда вы получили данные, мы можем поиграть с ними. Прежде чем перейти к моделированию, давайте посмотрим на схему сети, отметив розовым цветом узлы, означающие женщин, и голубым — мужчин.

plot(ga.net,vertex.col=c("blue","pink")[1+(get.vertex.attribute(ga.net,"sex")=="F")],label=get.vertex.attribute(ga.net,"name"), label.cex=.75)

Расположение узлов на вашем рисунке может несколько отличаться. Здесь то, что получилось у меня:

Следует отметить несколько интересных особенностей этой сети.

Во-1, с точки зрения связности у нас есть большой связный компонент,но в целом граф поделён на четыре отдельных компонента. Если бы шоу продолжалось без появления новых персонажей, я бы думал, что один из самых маленьких компонентов должен бы «соединиться» с самым большим компонентом.

Во-2, большая часть сексуальных отношений в сериале суть гетеросексуальны. Только два ребра (torres-arizona и torres-hahn) были однополыми. По всей видимости, здесь нет нечётно-численных циклов: в сексуальных сетях циклы из трёх, пяти, семи и др. элементов содержат как минимум одну однополую связь внутри цикла.

В-3, в отражение способа построения выборки сеть не содержит сексуально-одиноких изолятов. Минимальная степень (число связей, падающих на узел) равна единице. В-четвёртых, сеть оказывается уязвимой перед табу «бывший бывшей бывшего». В одном из исследований сексуальных сетей учёные обнаружили запрет на создание пары с бывшим партнёром бывшего партнёра бывшего партнёра из-за возможных осложнений. Кажется, что здесь есть как минимум три цикла, отвечающих критериям этого табу. Вместе с тем, также хорошо известно, что нежелательные последствия, возникающие от сексуальных отношений с другими, делают шоу правдоподобным.

Давайте начнём наш формальный анализ с базовой модели, которая включает только число рёбер и, как второй предиктор, nodematch("sex"), который схватывает гетеросексуальную тенденцию сети.

ga.base<-ergm(ga.net~edges+nodematch("sex")) #Estimate the model summary(ga.base) #Summarize the model

Вот выдача команды summary(ga.base):

==========­==========­======
Summary of model fit
==========­==========­======

Formula: ga.net ~ edges + nodematch(“sex”)

Iterations: 20

Monte Carlo MLE Results:

Estimate Std. Error MCMC % p-value

edges -2.3003 0.1581 NA <1e -04="-04" -3.1399="-3.1399" 0.001="0.001" 0.01="0.01" 0.05="0.05" 0.1="0.1" 0.7260="0.7260" 0="0" 1311.43="1311.43" 1="1" 2="2" 320.47="320.47" 324.47="324.47" 334.17="334.17" 944="944" 946="946" 990.97="990.97" aic:="aic:" bic:="bic:" code="code" codes:="codes:" degrees="degrees" deviance:="deviance:" e-04="e-04" freedom="freedom" na="na" nodematch.sex="nodematch.sex" null="null" of="of" on="on" residual="residual" signif.="signif."

В согласии с ожиданиями число рёбер и гетеросексуальность суть значимые предикторы образования связей, поскольку p-значение существенно меньше, чем условный уровень значимости 0.05. Колонка «MCMC%» слева указана как пропущенная (NA), поскольку эта модель не требует оценки марковских цепей по методу Монте-Карло. Коэффициенты, −2.30 и −3.14, показывают условные логарифмы шансов (log-odds), таким образом логарифмы шансов того, что два персонажа вступили в сексуальные отношения, равны (-2.30)*увеличение числа связей на единицу + (-3.14)*увеличение числа однополых отношений. Логарифм шансов того, что одна гетеросексуальная связь образуется внутри сети, равен −2.30, что даёт её вероятность exp(-2.30)/(1+exp(-2.30)) = 0.09. Аналогично, логарифм шанса образования гомосексуальной связиравен −2.30-3.14 = 5.44, что соответствует вероятности 0.004 = exp(-5.44)/(1+exp(-5.44)).

Давайте посмотрим, какую случайную, расчётную сеть эта модель могла бы создать.

plot(simulate(ga.base),vertex.col=c("blue","pink")[1+(get.vertex.attribute(ga.net,"sex")=="F")])

Ваша картинка может несколько отличаться от того, что получилось у меня:

Эта сеть точно отражает как число рёбер, так и склонность к образованию гетеросексуальных связей, однако здесь не всё в порядке: некоторые из наших узлов суть изоляты. Иными словами, расчёт предсказывает существование в сети сексуально-воздерживающихся индивидов. Поскольку никаких таких людей в нашей реальной сети нет из-за особенностей формирования выборки, построенная модель неудовлетворительна.

Хотя у нас есть значения критерия согласия (goodness of fit), данного функцией правдоподобия, один обычный, систематический способ определения критерия согласия — это сравнение параметров немоделированной, наблюдаемой сети с такими же параметрами рассчитанных ERGM сетей.

ga.base.gof<-gof(ga.base)

summary(ga.base.gof) #Summarize the goodness of fit

par(mfrow=c(3,1)); plot(ga.base.gof) #Plot three windows. It's OK to ignore the warning.

Рисунок воспризводит ту же информацию, которую выдаёт команда summary(). p-Значения в правых колонках суть вероятности того, что рассчитанные сети точно совпадают с сетью наблюдаемой в ряду данных параметров. Мы видим, что в терминах of the edgewise shared partner and minimum geodesic distance measurements represent the data quite well. Однако, если мы посмотрим на такой параметр как центральность, то увидим то, что согласуется с нашими выводами из рисунков — число воздерживающихся изолятов (узлов с центральностью 0) больше, чем нужно, число узлов с центральностью 1 (моногамистов) — меньше, и что нет оценок для узлов с центральностью 3 и 9.

Мы сейчас добавим в модель параметр, контролирующий эффект моногамии (центральность 1).

ga.base.d1<-ergm(ga.net~edges+nodematch("sex")+degree(1)) summary(ga.base.d1) plot(simulate(ga.base.d1),vertex.col=c("blue","pink")[1+(get.vertex.attribute(ga.net,"sex")=="F")]) ga.base.d1.gof<-gof(ga.base.d1); summary(ga.base.d1.gof) par(mfrow=c(3,1)); plot(ga.base.d1.gof)

Если принять значение BIC предыдущей модели 334.17 как исходное, то мы увидим, что модель ga.base.d1 лучше — её BIC равен 316.56. Эффект моногамии также является статистически значимым. Рисунок демонстрирует меньше изолятов, что подтверждает команда gof(). Судя по значениям критерия согласия, модель кажется разумным приближением к реальности, если не принимать во внимание персонаж шоу с девятью сексуальными партнёрами.

В отличие от предыдущей модели, эта использует методику оценки марковских цепей (MCMC). Мы можем оценить результаты MCMC.

mcmc.diagnostics(ga.base.d1)

В выводе следует сначала глянуть на второй пункт, в котором сравниваются параметры расчётной и наблюдаемой моделей.

Are sample statistics significantly different from observed?

edges nodematch.sex degree1 Overall (Chi^2)

diff. -0.0968000 0.0232000 0.0534000 NA
test stat. -0.2942081 0.8328180 0.3379779 1.086016
P-val. 0.7685989 0.4049474 0.7353798 0.780451

Вроде бы всё в порядке: рассчитанные при помощи MCMC графы значимо не отличаются от наблюдаемого. Давайте посмотрим по-другому:

Sample statistics auto-correlation:
Chain 1

edges nodematch.sex degree1

Lag 0 1.0000000 1.00000000 1.0000000
Lag 100 0.8476292 0.47956824 0.7334256
Lag 200 0.7332856 0.26641687 0.6116231
Lag 300 0.6371281 0.17109432 0.5198955
Lag 400 0.5587029 0.12489565 0.4480439
Lag 500 0.4883954 0.08496445 0.3860807

Sample statistics burn-in diagnostic (Geweke):
Chain 1

Fraction in 1st window = 0.1
Fraction in 2nd window = 0.5

edges nodematch.sex degree1

-1.590 -1.068 1.372

P-values (lower = worse):

edges nodematch.sex degree1

0.1117691 0.2856841 0.1701817

В целом, нет ничего подозрительного в результатах диагностики MCMC. Параметр автокорелляции между лагами несколько больше, чем предпочитаемый мною (лаги должны быть ближе к нулю и дальше от единицы, за исключением нулевого лага). Кроме того, статистика Geweke, приблизительно соответствующая z-статистике, когда её p-значения незначимы, должна быть значительно ближе к нулю. К счастью, мы можем так изменить некоторые параметры по умолчанию в MCMC для того, чтобы получить более приемлемый результат.

ga.base.d1<-ergm(ga.net~edges+nodematch("sex")+degree(1),control=control.ergm(MCMC.burnin=50000, MCMC.interval=5000))

При увеличении MCMC.burnin с 10,000 (по умолчанию) до 50,000 должен уменьшаться параметр Geweke. При увеличении MCMC.interval со 100 (по умолчанию) до 5000 должна уменьшаться автокорреляция между лагами. Если бы параметры нашего расчётного образца действительно значимо отличались от наблюдаемых, мы бы увеличили размер выборки в MCMC с 10,000 (по умолчанию) до 20,000 или даже 50,000.

ga.base.d1<-ergm(ga.net~edges+nodematch("sex")+degree(1),control=control.ergm(MCMC.burnin=50000,MCMC.interval=5000, MCMC.samplesize=50000))

Нам следовало бы поупражняться в увеличении этих параметров MCMC, но это может резко увеличить время расчётов.

summary(ga.base.d1) #The figures are mostly the same

mcmc.diagnostics(ga.base.d1)

Ура! MCMC диагностика заметно улучшилась, что указывает на большую жёсткость нашей последней модели.

Теперь, когда мы понимаем чуть больше, как оценивать качество модели, мы можем вернуться к интригующему вопросу секса! Только что мы моделировали сеть по числу рёбер, склонности к гетеросексуальности и по моногамии, но могут ли другие аспекты привнести смысл в анализ? Я бы предложил начать с возраста, поскольку большинство любовных связей возникают между сверстниками.

ga.base.d1.age<-ergm(ga.net~edges+nodematch("sex")+degree(1)+absdiff("birthyear"),control=control.ergm(MCMC.burnin=50000, MCMC.interval=5000))

summary(ga.base.d1.age)

mcmc.diagnostics(ga.base.d1.age)

summary(gof(ga.base.d1.age))

Кажется, модель ощутимо улучшилась! Значение BIC снизилось с 316.56 до 297.51, MCMC-диагностика выглядит хорошо, значение критерия согласия выглядит, в целом, разумным, а разница в возрасте значима и отрицательна, что указывает на то, что чем больше разница в возрасе акторов, тем меньше шансы у них флиртовать друг с другом.

Наконец, давайте рассмотрим ассортативность с точки зрения группировки по расам. Предыдущие исследования юношеских сексуальных и любовных сетей открыли такую ассортативность. Создательница сериала, Shonda Rhimes, сознательно построила отбор актёров так, чтобы представить расовое разнообразие. Поскольку шоу включает ряд афроамериканских (наряду с обилием других не-белых) персонажей, можно попытаться установить, привело ли такое разнообразие при отборе персонажей к расовому разнообразию в сексуальных отношениях. Для начала, давайте попробуем построить модель общей гомофилии по расе.

ga.base.d1.age.race<-ergm(ga.net~edges+nodematch("sex")+degree(1)+absdiff("birthyear")+nodematch("race"),control=control.ergm(MCMC.burnin=50000,MCMC.interval=5000))

summary(ga.base.d1.age.race)

mcmc.diagnostics(ga.base.d1.age.race)

summary(gof(ga.base.d1.age.race))

Мы в самом деле нашли эффект расового отбора, предполагающий, что образование связи более вероятно между персонажами одной и той же расы. В этом шоу сексуальные отношения являются скорее внутри-, нежели межрасовыми по сравнению с тем, что было бы, если бы персонажи разных рас комбинировались совершенно случайно. MCMC-диагностика выглядит хорошо, а измерения критерия согласия в пределах разумного. Хотя полученная модель выглядит хорошо по многим индикаторам, но заметно небольшое увеличение BIC (298.21) по сравнению с предыдущей моделью (297.51). Если бы нам были интересны только параметры сети, то предыдущая модель даёт лучшие значения.

Но возможно, что белые персонажи проявляют большую гомофилию, а чёрные — меньшую? Или наоборот? Мы можем посмотреть на это как на дифференциальную гомофилию. В модель добавляем параметр diff=T к слагаемому nodematch("races").

ga.base.d1.age.racediff<-ergm(ga.net ~ edges + nodematch("sex") + degree(1) +absdiff("birthyear") + nodematch("race", diff=T), control=control.ergm(MCMC.burnin=50000,MCMC.interval=5000))

summary(ga.base.d1.age.racediff)

Хотя мы можем моделировать дифференциальную гомофилию, ergm() не смог интерпретировать категорию «other», поскольку в наблюдаемой сети нет сексуальных отношений между латиноамериканцами и азиатоамериканцами. ergm() указывает на эту сложность следующей фразой:

Observed statistic(s) nodematch.race.Other are at their smallest attainable values. Their coefficients will be fixed at -Inf.

Аналогично, the AIC, BIC, отклонение и эффекты nodematch.race.Other помечены как NA в summary. Давайте попробуем создать новую модель, исключив гомофилию между латиноамериканцами и азиатоамериканцами. Чтобы это сделать, мы включаем параметр keep=c(1,3) в слагаемое nodematch("race"), поскольку «Black» и «White» были первой и третьей категориями, перечисленными в summary(ga.base.d1.age.racediff).

ga.base.d1.age.racediff<-ergm(ga.net~edges+nodematch("sex")+degree(1)+absdiff("birthyear")+nodematch("race", diff=T, keep=c(1,3)),control=control.ergm(MCMC.burnin=50000, MCMC.interval=5000))

summary(ga.base.d1.age.racediff)

mcmc.diagnostics(ga.base.d1.age.racediff)

summary(gof(ga.base.d1.age.racediff))

Как и в предыдущей модели, мы видим значимую ассортативность по расовым группам в сериале. Как чёрные, так и белые персонажи проявляют склонность к расовой гомофилии бОльшую, чем можно было бы ждать, если бы выбор партнёра был случайным. Эта модель также указывает, что эффекты гомофилии сильнее среди афроамериканских персонажей (на это указывает более высокий коэффициент и меньшее p-значение при nodematch.race.Black по сравнению с nodematch.race.White term). Проверка MCMC-диагностики и статистик критерия согласия говорит, что полученная модель является хорошим отражением оригинальной сети. Вместе с тем, BIC ещё больше сдвигается к 300.73, указывая что модель менее экономна по сравнению с моделью общей гомофилии и модели с возрастом.

Давайте посмотрим на картинку.

plot(simulate(ga.base.d1.age.racediff),vertex.col=c("blue","pink")[1+(get.vertex.attribute(ga.net,"sex")=="F")])

Ваша может выглядеть несколько иначе, но в целом, кажется, эта модель воспроизводит оригинальные данные достаточно хорошо. Результат расчётов отличается наличием большого компонента, небольшим количеством изолятов (их даже может не быть), несколькими небольшими компонентами и, хотя отношения на ней преимущественно гетеросексуальны, мы видим четыре однополых связи (в оригинальных данных их было две).

Хотя число съёмов в сериале Grey’s Anatomy может казаться удивительным, в аспекте образования диад видно скорее традиционное восприятие сексуальных отношений: доминируют нормы моногамии, а бОльшая часть связей суть гетеросексуальны и соединяют пары близкого возраста и одной расы. Следует, однако отметить, что описанный анализ обошёл ряд альтернативных версий, которые могли бы лучше отразить свойства сети. Я приглашаю читателей самостоятельно поиграть с данными и с другими моделями. Несколько дополнительных примеров:

#Perhaps men and women have different tendencies to form sexual partnerships?

ga.base.d1.age.sex<-ergm(ga.net~edges+nodematch("sex")+degree(1) +absdiff("birthyear")+nodefactor("sex"), control=control.ergm(MCMC.burnin=100000, MCMC.interval=5000)) #Maybe less "traditional" than previously concluded?

#Perhaps you're interested in the assortative mixture among roles in the hospital?
#Resident-resident sexual contacts (28) are the reference group,
#and unobserved pairings between positions (3-5, 9, 12-15, 17-21, 24, 27) are omitted.

ga.base.d1.age.rolemix<-ergm(ga.net~edges+nodematch("sex")+degree(1)+absdiff("birthyear") +nodemix("position", base=c(3:5, 9, 12:15, 17:21, 24, 27, 28)), control=control.ergm(MCMC.burnin=50000, MCMC.interval=5000))

list.vertex.attributes(ga.net) #List the different vertex attributes in the network object

get.vertex.attribute(ga.net, "sign") #Provides each actor's astrological sign.

?ergm.terms #This command will provide a list of other terms that ergm() can model

?control.ergm #This command will present different options on the estimation methods.


Читать далее

Введение в концепции сетевого анализа

На русском языке появился неплохой обзор работ в разнообразных сферах научного и прикладного знания, в которых применение концепции графов/сетей оказалась чрезвычайно плодотворным:

Евин И. А. Введение в теорию сложных сетей [Текст] // Компьютерные исследования и моделирование. — 2010. — Т. 2, No 2. — С. 121–141. — Режим доступа: http://crm.ics.org.ru/uploads/crmissues/crm2010-2-2/crm10201.pdf
Читать далее

Учёные разработали метод организации «Twitter-революций»

Выпускники Массачусетского технологического института (MIT) с помощью методов сетевого маркетинга создали универсальный алгоритм мобилизации и координации действий больших групп людей через Twitter, другие блоги и социальные сети.

Такую технологию можно использовать как для спасательных операций, так и для организации действий политических активистов во время революции, говорится в статье, опубликованной в журнале Science.

В 2009 году американское агентство оборонных разработок DARPA объявило конкурс «Сетевой вызов», участники которого должны были разработать лучший метод для мобилизации и координации общественных действий по всей территории США.

Организаторы конкурса спрятали на континентальной территории США десять красных шаров-метеорологических зондов, запуск которых должны были зафиксировать участники «вызова».

Группа учёных под руководством Алекса ПЕНТЛАНДА из MIT решила эту проблему за девять часов после взлёта шаров.

Команда из четырёх человек обогнала другие группы участников из нескольких сотен человек, которые использовали менее эффективные методы сбора информации — альтруистические стратегии, связи и славу самых популярных пользователей социальной сети Twitter, а также сообщество пользователей в этой сети, увлекающихся геолокацией.

Секрет их успеха заключается в том, что за 36 часов до начала эксперимента исследователи собрали в микроблогах Twitter многотысячную армию добровольцев со всех уголков Соединенных Штатов при помощи механизма «обратного» стимулирования, который основывается на принципах сетевого маркетинга и финансовых пирамид.

ПЕНТЛАНД и его коллеги заранее объявили, что они потратят весь призовой фонд, 40 тысяч долларов, на вознаграждение не только тем, кто сообщил им о местонахождении красного шара, но и тем, кто был задействован в приглашении этих людей.

Авторы статьи оценили находку каждого зонда в 4 тысячи долларов, половину из которых получает сам «первооткрыватель», четвёртую часть — тот человек, который пригласил его в сетевую команду, 500 долларов — участник группы, пригласивший второго «пирамидчика» и так далее.

Таким образом, чем больше человек пригласил людей, тем больше у него было шансов получить некоторую долю призового «пирога» по цепочке его «последователей». Подобная структура пирамиды стимулирует её расширение на всех уровнях.

С одной стороны, участник старается приглашать новых участников сети самостоятельно, а не через своих последователей, из-за прямой финансовой выгоды. С другой стороны, он не препятствует росту дерева последователей, так как это в любом случае увеличивает его шансы на выигрыш.

Подобная стратегия позволила учёным собрать 845 «пирамид» из добровольных последователей, общая численность которых составила 4.5 тысячи пользователей. Самая широкая сеть содержала 602 пользователя, а самая «высокая» состояла из 14 уровней «пирамидчиков».

В половине случаев новые пользователи не покидали пирамиду и привлекали в неё других людей, хотя обычно этот показатель составляет 10-35%.

Затем исследователи проверили, влияет ли географическое положение пользователей на то, кого они приглашают в социальную пирамиду, и на успешность этих приглашений.

Авторы статьи измерили расстояния между пользователями при помощи LiveJournal и обнаружили, что люди прикладывали наибольшие усилия и достигали большего успеха в том случае, если они пытались привлечь своих друзей из удаленных от них городов США.

Таким образом, стратегия «обратного» стимулирования позволяет мобилизовать большое количество ранее незаинтересованных пользователей социальных сетей для решения сложных задач, требующих мобилизации и слаженных действий нескольких тысяч людей в практически неограниченных географических масштабах.

Источник: http://korrespondent.net/tech/science/1277042-uchenye-razrabotali-metod-organizacii-twitter-revolyucij
Читать далее

Исследование: мировой экономикой управляет одна «суперкорпорация»

Специалисты университета в Цюрихе провели математический анализ связей 43 тысяч транснациональных корпораций и сделали вывод: миром правит одна гигантская «суперкорпорация». Именно она «дёргает за ниточки» всемирной экономики.

Учёные обнаружили ядро из 1318 компаний, связи которых с другими сложно назвать иначе как кровосмесительными. У каждой из этих 1318 обнаружились теснейшие взаимосвязи с двумя или более другими компаниями.

Большинство финансовых цепочек идут в направлении «суперанклава» из 147 компаний. Их активы пересекаются друг с другом, фактически являясь общей собственностью.

Чтобы смоделировать образ глобальной корпоративной системы, эксперты обработали гигантский массив данных, отражающих отношения собственности между крупнейшими транснациональными корпорациями, пишет New Scientist.

«Реальность настолько сложна, что мы должны были отойти от догм, будь то теории заговора или теории свободного рынка, — пояснил автор исследования, теоретик комплексных систем Джеймс ГЛАТТФЕЛЬДЕР. — Наш анализ основан на реальных данных».

Предыдущие исследования показали, что сравнительно небольшая группа компаний и банков владеет львиной долей мирового «экономического пирога», от которого всем остальным остаются лишь крохи. Однако эти исследования упустили из виду косвенные взаимосвязи — отношения корпораций с дочерними и аффилированными компаниями.

Отсортировав 37 млн компаний и инвесторов по всему миру, представленных в базе данных Orbis С от 2007 года, команда учёных из Цюриха отобрала 43060 компаний, принадлежащих транснациональным корпорациям, и выявила их общие активы.

Была выстроена модель распределения экономического влияния ТНК путём контроля одних компаний над другими: владение фондами, участие в прибыли и т. п.

Существует ядро из 1318 компаний, у каждой из них обнаружились теснейшие взаимосвязи с двумя или более другими компаниями (среднее количество аффилированных партнёров оказалось равно 20).

И хотя официальные доходы этих корпораций едва превышают 20% от общемировой операционной выручки, через свои фирмы-сателлиты они фактически владеют большинством мировых компаний, работающих в секторе «реальной» экономики. Таким образом, в щупальцах корпоративных монстров сосредоточены порядка 60% общемировых доходов.

Большинство из этих «суперкорпораций» являются финансовыми институтами. Так, в топ-10 вошли:

1. Barclays plc

2. Capital Group Companies Inc

3. FMR Corporation

4. AXA

5. State Street Corporation

6. JP Morgan Chase & Co

7. Legal & General Group plc

8. Vanguard Group Inc

9. UBS AG

10. Merrill Lynch & Co Inc

Исследователи отмечают, что протесты против глобального капитализма, развернувшиеся по всему миру под лозунгом «Захвати Уолл-стрит» — очевидная реакция на власть корпораций.

http://newsru.com/finance/20oct2011/global_capitalism.html

Читать далее

Социальные онлайн-сети не меняют способности человека общаться

В мае 2011 г. опубликована статья, посвящённая анализу онлайн-коммуникаций более чем 1 млн 700 тыс человек в Твиттере:

Gonalves B., Perra N., and Vespignani A. Validation of Dunbar’s number in Twitter conversations [Электронный ресурс] // arXiv. — 28.05.2011. — 8 p. — Режим доступа: http://arxiv.org/pdf/1105.5170

Материал наблюдений, собранный в течение полугода, позволяет сделать выводы об устойчивости теоретического когнитивного ограничения числа стабильных социальных отношений, известного как число Данбара.

Поддержание таких связей предполагает знание отличительных черт индивида, его характера, социального положения, что требует значительных интеллектуальных способностей. Лежит в диапазоне от 100 до 230, чаще всего считается равным 150.

Величина названа в честь английского антрополога Робина ДАНБАРА, который предложил его на основе данных, изначально полученных из наблюдений за приматами.

Стадные приматы отличаются сложным общественным поведением — активно строят отношения с другими членами стаи. ДАНБАР заметил зависимость между уровнем развития новой коры больших полушарий головного мозга и размером стаи у приматов.

На основании данных по 38 родам приматов он вывел математическую зависимость между развитием неокортекса и размером стаи, и, основываясь на оценке развития человеческого мозга, предложил оценку оптимального размера человеческого стада.

Для проверки своей теории ДАНБАР обратился к данным антропологии. Средние размеры деревень, традиционных поселений колеблются в предположенных им пределах. Кроме того, размеры неолитических поселений составляют до 200 человек.

Современные коммуникации в среде Интернет, несмотря на неограниченные географией возможности знакомства и общения, также не выходят за когнитивные и биологические границы «экономики внимания». Так, пользователи Твиттера могут поддерживать максимум 100–200 стабильных контактов с другими людьми, что вполне согласуется с числом Данбара.

Примечание:

Кроме описываемой статьи в этом посте использованы материалы Википедии.

Автор: Максим КАСЯНЧУК

Читать далее

Межличностные и социально-сетевые факторы, влияющие на общение мужчин-геев о незащищённом сексе

Interpersonal and social network influences on gay men’s communication about unprotected sex /
Anthony M A Smith, Jeffrey Grierson, David Wain, Marian Pitts and Phillipa Pattison // Int. J. STD AIDS. — 2006. — Vol. 17. — P. 267–270. — http://ijsa.rsmjournals.com/cgi/content/abstract/17/4/267

Новое исследование документирует модели, используемые мужчинами-геями при разговоре о незащищённом сексе.

Исследование выполнено на материале структурированных интервью (N = 206), в которых респондентов спрашивали об их социальных сетях. 167 мужчин, вступавших в незащищённый секс, указали на 1390 связей с другими людьми; 33% из них были связаны с обсуждением незащищённого полового акта. Дискуссии о незащищённом сексе были связаны с характером взаимоотношений (как с другим геем или лесбиянкой), с тем, как часто люди проводили время вместе (сексуальные или социальные контакты), и с тем, какова плотность социальной сети.

Авторы работы приходят к выводу, что социальные сети обеспечивает важный контекст для обеспечения безопасной культуры секса.

Читать далее

Сеть сексуальных контактов героев телесериала

Всё началось с вводной презентации об анализе социальных сетей для группы студентов-медиков. Что могло бы быть для них более захватывающим, если не разговор о привлекательных персонажах телевизионного сериала о жизни врачей? Эти персонажи по законам жанра не только говорят о медицине, но и влюбляются друг в друга, а потом, конечно, занимаются друг с другом сексом.

Просмотр сериала Grey’s Anatomy и изучение страниц поклонников сериала дали обширный, но, безусловно, отнюдь не исчерпывающий список связывающих персонажи этого шоу сексуальных контактов, который можно скачать http://www.babelgraph.org/data/ga_edgelist.csv.

library(igraph)
ga.data <- read.csv('ga_edgelist.csv', header=TRUE)
подключается библиотека igraph, записывается перечень связей между героями сериала;

g <- graph.data.frame(ga.data, directed=FALSE)
список связей преобразуется в нужный библиотеке igraph формат;

summary(g)
g$layout <- layout.fruchterman.reingold(g)
в атрибуты графа записывается информация о координатах узлов на будущих рисунках этого графа; эти координаты рассчитываются по алгоритму Fruchterman'а и Reingold'a. При всех последующих операциях взаимное расположение узлов на рисунке не будет меняться, что удобно для презентаций (библиотеки network и sna при каждой визуализации меняют рисунок).

plot(g)


Что мы можем сказать, глядя на рисунок, но не зная, кто именно изображён каждым узлом графа? С точки зрения общественного здоровья, если бы можно было протестировать только одного человека на наличие ИППП, кто им бы был? Если можно было бы предоставить консультацию и дать бесплатные презервативы только одному человеку, кто им бы был? Если бы было известно, что эпидемия распространяется в этой сети, то кто на кого именно нужно подействовать, чтобы остановить заразу?

Попробуем сделать визуализацию более интересной. Сначала уберём метки узлов, а затем изменим их размер так, чтобы он отражал степень центральности (degree centrality), т. е. число партнёров, связанных с каждым узлом. В контексте инфекций, передаваемых половым путём степень центральности будет обозначать количество людей, которые могли заразить данного конкретного человека или заразиться сами от него.

V(g)$label <- NA
удаляются метки узлов;

V(g)$size <- degree(g) * 2 plot(g)
переменным «размер узла» присваиваются значения соответствующей степени центральности, умноженные на 2.


Полученная схема показывает абсолютное число партнёров, но ничего не говорит об относительных позициях каждого узла в сети. Рассмотрим два типа центральности: близость (closeness) и посредничество (betweenness).

Близость — это усреднённый самый короткий путь от данного узла к любому другому узлу на графе. Большое значение близости свидетельствует, что данный узел легко достижим, если идти от большинства других узлов на графе, тогда как малое значение указывает на удалённость узла от большинства других узлов. Мы можем рассчитать центральность и затем преобразовать значения в цветовую схему для визуализации найденных различий:

clo <- closeness(g)
в вектор clo записываются значения «близости» каждого из узлов;

clo.score <- round( (clo-min(clo))*length(clo)/max(clo))+1

clo.colors <- rev(heat.colors(max(clo.score)))
создаётся вектор с перечнем цветов, в которые будут потом раскрашиваться узлы;

V(g)$color <- clo.colors[clo.score]
создаётся вектор атрибутов узла с именем color и этим атрибутам присваиваются значения цветов в зависимости от рассчитанных выше значений «близости»;

plot(g)


Как видно, на схеме есть как несколько узлов, окрашенных в красные, «горячие» тона, так и несколько в «холодных» тонах.

Далее мы сделаем то же самое, чтобы рассчитать показатель посредничества для каждого узла.

Посредничество — это число кратчайших путей в сети, проходящих через данный узел. Узлы с высоким показателем посредничества могут считаться привратниками — они контролируют самые короткие пути между другими узлами.

btw <- betweenness(g) btw.score <- round(btw) + 1 btw.colors <- rev(heat.colors(max(btw.score))) V(g)$color <- btw.colors[ btw.score ] plot(g)


Этот рисунок с указанием посредничества демонстрирует две ключевых фигуры в сети, по сравнению с анализом показателей близости.

Полезной техникой в анализе социальных сетей является использование алгоритмов нахождения сообществ. Тут мы воспользуемся алгоритмом Гирвана-Ньюмена (Girvan-Newman algorithm, http://en.wikipedia.org/wiki/Girvan%E2%80%93Newman_algorithm и http://www.pnas.org/content/99/12/7821), который нам поможет установить, из каких сообществ состоит граф.

gnc <- edge.betweenness.community(g, directed=FALSE) m <- vector() for (s in 0:nrow(gnc$merges) ) { memb <- community.to.membership(g,gnc$merge,steps=s)$membership m <- c(m,modularity (g, memb, weights=NULL)) } ideal_steps <- which(m==max(m)) - 1 plot(0:(length(m)-1),m, col="blue",xlab="Steps",ylab="Modularity") gn.groups <- community.to.membership(g,gnc$merge, steps=ideal_steps)$membership V(g)$color <- gn.groups V(g)$size <- 15 # reset to default size plot(g)



Сокращённый перевод материала: gary. Grey’s Anatomy Network of Sexual Relations [Электронный ресурс]. — Режим доступа: http://www.babelgraph.org/wp/?p=1
Читать далее

Две конференции

Украинское сообщество ЛГБТ-лидеров выработало хорошую традицию собираться на ежегодные конференции. Так, в 2011 году состоится уже IV Национальная конференция ЛГБТ-сообщества и МСМ-сервисных проектов.

Не менее замечательным становится то, что финансово и организационно поддерживают эти мероприятия не только международные доноры (такие как МБФ «Международный Альянс по ВИЧ/СПИДу в Украине» и USAID), но и местные ЛГБТ-организации (в 2010 г. коспонсором выступила ВОО «Гей-Альянс Украины», в нынешнем году — ВБО «Точка опоры» и ЛГБТ-центр «Донбас-СоцПроект», функции оргкомитета традиционно выполняет Постоянная референтая группа по вопросам ЛГБТ-движения и МСМ-сервиса в Украине).

Всё это способствует росту внутренней целостности сообщества, увеличению его организационного потенциала и выработке консолидированной позиции по целому ряду принципиальных общественно-политических вопросов.

Одним из видимых показателей описанного роста являются карты взаимных связей между ЛГБТ-лидерами.

В заявках на участие в конференциях был пункт «Предоставьте контакты тех людей (не больше трёх), которые могли бы Вас порекомендовать для участия в этой Конференции». Понятное дело, если я хочу принять участие в каком-то мероприятии, то я не стану выставлять в качестве рекомендателей тех людей, которые меня не знают или которые могут сказать обо мне какую-либо неблагожелательную информацию... Поэтому указанные аппликантами рекомендатели отражают связи по симпатии между лидерами сообщества и могут быть визуализированы как сеть.

Сравним сети аппликантов на II и III Национальные конференции (2009 и 2010 гг. соответственно).























Рис. 1 (2009 г.) демонстрирует, с одной стороны, достаточно рыхлую структуру — много изолированных узлов (тех, которые не связаны с большинством других людей), при этом, с другой стороны, видно несколько центральных узлов, контролирующих связи с прочими.

Через год ситуация существенно иная (рис. 2, 2010 г.) — количество изолированных узлов уменьшилось, а между узлами основного фрагмента появилось много взаимных связей. Структура стала плотной и децентрализованной.

Эти соображения подтверждаются и числами: централизация сети 2009 г. выше (0.166), чем сети 2010 г. (0.124).

Таким образом, даже самый поверхностный взгляд на структуру взаимных связей между украинскими ЛГБТ-лидерами указывает на происходящие внутри сообщества консолидационные процессы, что внушает оптимизм в отношении перспектив.
Автор: Максим КАСЯНЧУК

Читать далее

Анализ социальных сетей: основные понятия

Нашёл замечательную статью (на англ.), в которой один из авторов пакетов для работы с сетевыми данными в R — Carter T. Butts — доступно излагает основные понятия и концепции сетевого анализа.

Butts C. T. Social network analysis: A methodological introduction // Asian J. Soc. Psychol. — 2008. — Vol.11. — P.13-41.



На русском языке такого рода пролегомены можно найти в диссертации и учебнике Галины Витальевны Градосельской.

Градосельская Г. В. Сетевые измерения в социологии: Уч. пос. — М.: Издат. дом «Новый учебник», 2004. — 244 с.

Читать далее

R для сетей: краткое руководство

Свободный перевод с сокращениями материала Hunter D. R for networks: A short tutorial [Электронный ресурс]. — Режим доступа: http://www.stat.psu.edu/~dhunter/Rnetworks/

Одной из наиболее важных особенностей языка R является его расширяемость. Много разных учёных создали пакеты для R и выложили их в открытом доступе (архив CRAN). Среди прочих там есть и пакет network, который можно установить, набрав в командной строке R (при подключённом интернете!)

>install.packages ('network')

После того, как пакет установлен, его следует запустить командой

>library(network)

Сеть данных

Рассмотрим небольшую часть огромной сети, состоящей из 10000 узлов, в котором рёбра означают (гетеро)сексуальные отношения между соответствующими узлами. Поскольку контакты женщина-женщина и мужчина-мужчина из этой сети убраны с целью её упрощения, рассматриваемую сеть можно считать бимодальной (т. е. такой, узлы в которой условно делятся на два подмножества, внутри которых нет рёбер). Все контакты (рёбра нашего графа) являются неориентированными. В начале этого моделирования 5 случайно выбранных «семян» (четверо белых мужчин и один чёрный мужчина) инфицированы какой-то гипотетической ЗППП, которая может со 100%-й вероятностью передаваться при контакте. В нашей модели есть только две расы, при этом пропорции полов и рас среди 10000 узлов сети были выбраны так, чтобы репрезентировать определённый набор данных. В конце моделирования, соответствовавшего 3600 дням, были инфицированы 256 узлов.

У каждого узла есть несколько связанных с ним атрибутов. Введём их в R помощью команды read.table:

>help(read.table) # Взгляните на варианты. Обратите внимание на значения по умолчанию.

>nodeinfo=read.table("http://www.stat.psu.edu/~dhunter/Rnetworks/nodal.attr.txt",head=T)

Мы можем использовать объект nodeinfo, который мы только-что создали, чтобы узнать характеристики этих акторов — но об этом позже. Для начала давайте взглянем на список рёбер в нашей сети:

>myedges=read.table("http://www.stat.psu.edu/~dhunter/Rnetworks/edgelist.txt")

Объект myedges представляет собой матрицу из двух столбцов. В каждой строке женщинам и мужчинам (узлам сети) присвоены идентификаторы узла. Мы можем узнать размеры этой матрицы:

>dim(myedges)

Теперь давайте узнаем немного больше об объекте nodeinfo. Названия столбцов:

>names(nodeinfo)

Мы можем, например, ещё определить число людей каждой расы в этой сети:

>table(nodeinfo$race) # Эти все 3 команды эквивалентны
>table(nodeinfo[,2])
>table(nodeinfo[,"race"])

Или же мы можем посмотреть двумерную таблицу раса-пол:

>table(sex$nodeinfo,race$nodeinfo) # Такую таблицу трудно читать, поэтому нужно добавить заголовки:
>table(sex=nodeinfo$sex, race=nodeinfo$race)

В R есть потрясающие графические возможности (нужно, правда, потратить много времени на изучение всех тонкостей так, чтобы виртуозно манипулировать ими и получать на выходе именно то, что Вам нужно). Мы, напр., можем сделать гистограмму времени заражения или сравнить время заражения по признаку расы с помощью команды boxplots:

>boxplot(nodeinfo$time~nodeinfo$race)

Создание сети объектов

Помните команду library(network)? Теперь у нас есть ряд инструментов, с помощью которых мы можем работать на сетевых объектах. Давайте начнём с создания такого объекта:

>diseasenw=network(myedges)

Мы можем построить эту сеть:

>plot(diseasenw)



Заметьте, что наличие стрелок на рисунке указывает на то, что наша сеть является направленной (построение направленных сетей задано в функции network() по умолчанию, но это легко изменить). Кроме того, давайте включим в рисунок чуть больше информации об аттрибутах узлов и укажем, что наша сеть бимодальна. В дальнейшем, мы проведём разделительную линию между узлами одного типа и узлами другого типа, в этом случае такая граница пролегает по самому большому номеру узла женского пола (т. е. для того, чтобы указать программе, что сеть бимодальна, нужно указать тот номер, до которого узлы будут считаться женскими, а после которого — мужскими):

>diseasenw=network(myedges,directed=F,bipartite=132,vertex.attr=nodeinfo)

Построим рисунок снова:

>plot(diseasenw)



Можно ещё очень многое поменять на полученном рисунке. Для того, чтобы узнать об этих возможностях, следует познакомиться с документацией для команды plot (наберите help(plot) в командной строке R).

Например, если нам нужно цветом узлов обозначить расы, а их формой — пол, то следует записать:

>plot(diseasenw, vertex.col=3-nodeinfo$race,vertex.sides=2+nodeinfo$sex,main="Кружки суть женщины, треугольники — мужчины")




Читать далее