在進行城市網絡研究時，通常需要借鑒社會網絡的分析方式，對網絡各類指標進行計算。

主要使用軟件為Ucinet 6，在網上可以下載到

QQ截圖20200814160054.jpg

1、數據準備

類似于之前講過的武漢城市圈高德遷徙數據，這里用的是上海都市圈2019年高德遷徙數據，根據前所述方法，在數據庫中選取其中的工作日數據并計算日均值。

注：高德遷徙數據獲取方式目前不便于公開，請勿私信詢問。

此處上海都市圈范圍為《上海市城市總體規劃(2017-2035年)》中提出的上海大都市圈所包含的9個城市。

在excel中運用“數據透視表”的方法制作出遷徙指數矩陣如下圖(這是一個具有方向性的不對稱矩陣，列中的城市代表遷入地，行中的城市代表遷出地)：

QQ截圖20200814155959.jpg

打開ucinet并導入矩陣數據：

QQ截圖20200814160824.jpg

QQ截圖20200814161021.jpg

QQ截圖20200814161046.jpg

QQ截圖20200814161101.jpg

完成后會在同一文件夾中生成兩個這樣的文件：

QQ截圖20200814161215.jpg

2、網絡密度分析

QQ截圖20200814161959.jpg

QQ截圖20200814161850.jpg

QQ截圖20200814161944.jpg

3、中心度分析

(1)度數中心度

QQ截圖20200814162119.jpg

QQ截圖20200814163218.jpg

其中，Treat data as symmetric 一欄代表是否將其視為對稱矩陣。若選擇Yes，說明將該矩陣視為對稱矩陣，得出的結果是各城市單一的Degree；若選擇No，則說明將該矩陣視為非對稱矩陣，得出的結果分為出度(out degree)和入度(in degree)

以下為選擇Yes的結果：

QQ截圖20200814163437.jpg

QQ截圖20200814163444.jpg

可見在上海都市圈范圍內，蘇州的度數中心度比上海要高，這是因為蘇州與無錫、常州建立起了尤為緊密的聯系

以下為選擇No的結果：

QQ截圖20200814164018.jpg

QQ截圖20200814164032.jpg

可見各城市的遷徙方向是不對稱的，例如蘇州出度更高，而上海入度更高。

(2)接近中心度

QQ截圖20200814212608.jpg

QQ截圖20200814212637.jpg

QQ截圖20200814212747.jpg

(3)中介中心度

QQ截圖20200814212820.jpg

QQ截圖20200814212908.jpg

4、CONCOR凝聚子群分析

QQ截圖20200814213132.jpg

QQ截圖20200814213145.jpg

QQ截圖20200814213210.jpg

QQ截圖20200814213228.jpg

5、核心-邊緣分析

QQ截圖20200814213410.jpg

QQ截圖20200814213435.jpg

QQ截圖20200814213523.jpg

以上為LINDA不成熟的試驗，可能會存在諸多問題敬請諒解！

總結

以上是生活随笔為你收集整理的ucint核心边缘分析_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...的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。