Exploratory Social Network Analysis with Pajek（第三版）8

八、扩散

扩散是一个重要的社会过程。管理者对信息和意见的传播感兴趣，制造商寻求采用新技术和产品，我们所有人都对不感染传染病有着浓厚的兴趣。传播科学、社会心理学和社会学、公共管理、市场营销和流行病学正在研究传播过程。
在本章中，我们从网络的角度介绍扩散过程。扩散是经纪业务的一种特殊情况，即具有时间维度的经纪业务。随着时间的推移，某种东西——一种疾病、产品、观点或态度——会从一个人传递给另一个人。我们假设社会关系有助于传播过程：它们是社会感染和说服的渠道。
如果个人联系很重要，那么个人关系的结构与扩散过程有关，而不仅仅是使一个人比另一个人更愿意接受创新的个人特征。我们研究了参与者的结构位置与他们采用创新的时刻之间的关系。

8.1 例子

教育创新在传统的传播研究中受到了很多关注。我们的例子是对 1950 年代一种新数学方法的传播的著名研究。这项创新由顶尖数学家发起，并得到美国国家科学基金会和美国教育部的赞助。扩散过程是成功的，因为大多数学校在相对较短的时间内采用了新方法。
这个例子追溯了现代数学方法在宾夕法尼亚州阿勒格尼县结合小学和中学课程的学校系统中的传播。所有在任至少两年的学校负责人都接受了采访。他们是教育创新的守门人，因为他们可以做出最终决定。研究人员从 68 位学监中的 61 位获得了数据，其中 51 位在 1963 年之前采用了该方法（84%）。
除其他事项外，校长被要求通过以下问题表明他们与该县其他校长的友谊关系：在阿勒格尼县的主要学校行政人员中，您的三个最好的朋友是谁？研究人员分析了 38 名接受采访的管理者之间的友谊选择，这些管理者采用该方法并且在第一次采用前至少一年就位，因此他们本可以更早采用。不幸的是，研究人员没有包括自己没有选择的学监的友谊选择；它们被视为岛屿。在原始网络中，一些友谊选择是双向的，而另一些则不是（ModMath_directed.net），但我们使用对称网络（ModMath.net），如图 75 所示。该网络中的一条边表示至少一位学监选择另一位作为他的朋友。

正如您可以从图 75 中推断的那样，采用始于 1958 年，并且所有研究的学校都在 1963 年之前采用。学监学校采用的年份编码在partition ModMath_adoption.clu 中：1958 年是类1，1959 年是类2，依此类推。第一个采用者 (v1) 是一位学监，在阿勒格尼县以外有很多联系人，但在县内却很少有朋友。他是一个“世界主义者”，世界主义者通常是早期采用者，但他们往往过于创新，无法在本地网络中产生影响。
应用
对于扩散过程的第一视觉印象，打开文件 ModMath.paj 并按照采用时间的顺序绘制社会图（参见图 75；我们手动将年份添加到该图的顶部）。为此，必须在partition 中指定顶点的采用时间（例如，ModMath_adoption.clu）。使用partition 定义的顶点颜色绘制社会图（Draw> Network + First Partition 或 Ctrl-p）并选择命令 Layers> In y Direction 以按采用时间排列顶点。请注意，此过程仅在绘制具有partition 的网络时可用。
在大多数情况下，顶点并没有最佳地放置在每个级别中。要改善它们的位置，请使用 Optimize Layers in x Direction 命令。您可以让此命令调整所有级别（即类），也可以将优化限制在某个级别范围内。玩转选项（向前、向后、完成），直到您获得一个布局，其中没有与它们不相关的顶点交叉的边。在图75中，这是不可能的，因为 v8 学监在他的采用类上连接了太多的顶点，所以我们决定把他从他的类移开。即使对于我们的小型扩散网络，社会图也需要大量微调，因此如果您使用大型网络，则不应期望获得清晰的画面。
有时手动重新排列图层内的顶点是有益的。如果您这样做但您想确保类中的顶点保持对齐，请设置Move> Fix> y。现在，您只能水平移动顶点。
图层在 y 方向上绘制：从上到下。然而，在图 75 中，时间在 x 轴上从左向右流动，这是表示时间的标准方式。我们通过将层的标准布局旋转 90 度获得了这个数字。[Draw] Options> Transform> Rotate 2D ，在标题为“角度”的对话框中键入 90，然后按“确定”按钮。

8.2 传染

信息对于传播新观点、产品等很重要。在大多数社会中，大众媒体是信息传播的核心，因此我们应该关注大众传播。已经为大众传播过程提出了几种模型，其中一种与网络方法一致：两步流模型。根据这个模型，大众传播包括两个阶段。在第一阶段，大众媒体告知和影响意见领袖。在第二阶段，意见领袖会影响其社区或社会系统内的潜在采用者。
传播的网络模型侧重于第二阶段，假设意见领袖利用社会关系来影响他们的联系。社会关系被认为很重要，因为创新是新的，因此是有风险的。需要个人联系来告知和说服人们与创新相关的好处。请注意，用于传播信息的显着社会关系可能不同于用于说服的关系。最常调查的关系是建议和友谊关系。
基本上，网络模型将扩散视为一个污染过程，就像传染病的传播一样。因此，通过社会关系传递创新被称为社会传染。这一观点得到了经验事实的支持，即许多创新以类似于传染病传播的模式传播。首先，一项创新被少数人采用，但人数增长相对较快。然后，大量采用，但增长率下降。最后，新采用者的数量迅速减少，扩散过程慢慢停止。这种扩散模式是连锁反应的特征，在这种反应中，人们污染了他们的联系人，他们在下一步污染了他们的联系人，等等。

现代数学方法的采用由一条扩散曲线表示（图 76）。 x 轴表示采用的时刻，y 轴表示创新的流行程度，即在当年采用现代数学方法的所有受访管理者的百分比。请注意，流行率以累积百分比表示，即以前采用者的所有百分比之和：1958 年，3% 的学监采用，1959 年又有 10% 采用，因此 1959 年采用者的累积百分比为 13%。

扩散曲线具有逻辑 S 形，这是连锁反应的特征。当我们采用随机网络并选择一个顶点作为污染源（图 77 中的白色顶点）时，我们会发现一条类似的曲线。当我们假设一个顶点在时间 1 污染了它的邻居，被污染的邻居在时间 2 污染了他们的邻居，依此类推，我们得到了图 78 的典型扩散曲线（粗线）。

在前三个步骤（数字为 1、2 和 3 的顶点）中，新采用者的数量越来越快地增加，而在第四步之后，新采用者的绝对数量急剧下降。这个例子说明，通过网络联系的传染可以解释创新或疾病的逻辑传播。如果我们发现一条不具有典型形状的扩散曲线，则网络连接对扩散过程很重要，而且扩散可能主要由其他力推动，例如大众媒体宣传活动。
当传染驱动传播过程时，信息或联系网络的结构决定了信息、创新、疾病等的传播。使用前几章介绍的测量方法，可以很容易地推导出一些广泛的假设：

• 在密集网络中，创新比在稀疏网络中传播更容易和更快。
• 在连接的网络中，扩散将比在连接网络中更慢且更不全面。
• 在双连通组件中，扩散将比在具有割点或桥的组件中更快。
• 网络中一个人的邻居越多，他或她就越早采用创新。
• 中心位置可能会引领早期采用。
• 来自中心顶点的扩散比来自网络边缘顶点的扩散要快。
• 采用率是特定时刻新采用者的数量或百分比。

扩散过程的速度由采用率来衡量，采用率是特定时刻新采用者的数量或百分比。很容易看出，创新从中心顶点传播时的采用率高于从边缘顶点开始时的采用率。图 78 显示了扩散曲线从中心白色源顶点（图 77 中的粗边）和外围灰色顶点（虚边）。两条曲线都具有典型的形状，但是当由外围的顶点触发时，扩散到达一半或全部人口需要相当长的时间。

列表中提出的假设强调了网络结构对扩散过程的影响。然而，我们应该注意到，个人特征和创新类型也会影响采用率。一项创新的感知风险、其相对于替代方案的优势以及创新符合管理目标群体的社会规范的程度决定了它是否被迅速采用、不情愿地采用，或者根本不采用。例如，无论网络的密度和连通性如何，一项有风险的创新都会传播得更慢。
应用
扩散曲线由一个简单的 Partition>Info 采用时间的频率表构成，通过 Partition>Info 命令显示（表 10）。该表显示了在图 76 的图表中绘制在 y 轴上的累积相对频率。簇（Cluster）数表示在 x 轴上显示的矩。请注意，表格和图表是基本的统计技术，可以在任何统计软件包或电子表格中生成。

8.3 曝光和阈值

在上一节中，我们假设每个人都同样容易受到传染。有一个被感染的邻居就足以被感染；与一位采用者的友谊足以说服某人采用。这不太现实，因为有些人比其他人更容易接受创新。有两种不同的方式来概念化人们的创新性，即相对于系统和相对于他们的个人网络：采用类别和阈值类别。
采用类别根据人们相对于所有其他采用者的采用时间对他们进行分类。这些分类在产品营销中非常流行。标准分类区分了早期采用者（最先采用的 16%）、早期多数（接下来的 34%）、后期多数（接下来的 34%）和晚期采用者或落后者（最后 16% 到采纳）。要对人进行分类，我们只需要知道他们的采用时间。然后，我们可以简单地将前 16% 的采用者标记为早期采用者，依此类推。这种分类对于营销目的很有用，因为它使营销经理能够识别早期采用者的社会和人口特征。
在现代数学示例中，早期采用者的特点是具有更高的专业评级和更准确地了解其所在地区的教育创新传播。此外，较早采用的学监不是从学校教职工中招聘的；他们是从外面来的。
我们专注于创新的第二种方法，即阈值类别，它考虑了参与者的个人网络。传播的网络模型基于传染：采用者将创新传播给他或她的联系人。很自然地认为，当一个人与更多已经采用的人联系在一起时，即当他或她接触到更多的采用者时，他或她采用的机会就会增加。从不同来源听到创新的好处将说服一个人采用。曝光量随时间和个体而变化，这解释了有些人虽然在扩散过程中并不靠近来源，但他们很早就采用了。一个人的曝光是用比例来表示的，所以可以认为是一个采纳的机会。

• 一个顶点在特定时刻在网络中的曝光度是在该时间之前已经采用的邻居的比例。

图 79 显示了现代数学网络，1959 年顶点的曝光由顶点大小和括号中的数字表示。请注意，不可见顶点的曝光度为 0.00：因为1959 年或之前他们没有邻居采用新方法。1960 年采用的 10 名学监中有 8 名在 1959 年采用人中有朋友，因此被曝光。显然，v10 总监曝光最多：他的三个朋友中有两个在 1959 年采用，所以他的曝光在 1959 年底为 0.67。但是，并非所有曝光的总监都在 1960 年采用：1961 年采用的总监 v16 和 v23；以及 1962 年采用的 v28、v29 和学监 v32。它们的曝光程度不亚于 1960 年立即采用的几个学监，例如 v8、v9、v13 和 v15，因此我们期望他们也会在 1960 年采用。这与简单的传染模型相矛盾，该模型假定所有参与者都需要相同的曝光量才能采用。
事实上，对传播数据的统计分析并不总能找到曝光和采用之间的系统关系。这意味着曝光和传染与采用无关，或者人们在采用之前需要不同程度的曝光。如果我们持有后一种观点，我们假设有些人很容易被说服（例如，他们只需要与采用者进行一次接触），而另一些人则很难接受一项创新。有些人比其他人更容易受到影响，这是媒体曝光和社会曝光的既定事实。
在扩散的网络模型中，一个人的创新性被视为他或她的曝光阈值。个人的阈值是他或她需要采用创新的曝光程度。现在，个人阈值之间的差异可能解释了这样一个事实，即在所有同样曝光的人采用创新的比例。

• 行为人的阈值是他或她在采用时的曝光率。

在我们的示例中，4 位学监（图 79 中的灰色顶点）在 1959 年采用了新的数学方法。他们向 13 位学监（白色顶点）展示了他们使用这种方法的经验，其中 8 位在第二年采用了这种方法。然而，两三年后，另外五位校长才采用。为什么？ 1960 年以后采用的被曝光的学监，在 1960 年或 1961 年采用的同事中，每个人都有一两个朋友。到他们采用的时候，这些朋友也采用了，所以他们的曝光率比 1959 年底要高。根据阈值假说，他们的曝光在 1959 年还没有达到要求的阈值，但在 1960 年或 1961 年达到了。这解释了为什么他们后来采用。
例如，在 1959 年底，v23 学监的四个朋友之一采用了现代数学方法，因此他的曝光率为 0.25。 1960年，又一位朋友采用了（v15），他的曝光率增加到0.5。然后，学监 v23 采用，因此我们假设他的阈值是 0.5 或介于 0.25 和 0.5 之间。我们应该注意到，个别阈值是在事后从扩散网络计算出来的：它们是事后诸葛亮的预测，它们本身并不能提供很多信息。理解它们或验证它们很重要，这意味着它们应该与其他创新性指标相关联，例如采用时间或个人特征。
阈值表示个人创新能力，阈值越低意味着创新能力越强，我们预计创新者比非创新者更早采用创新。因此，个人的阈值必须与采用时间相关：创新的人阈值低，采用早。如果我们找到这样的关系，我们就可以得到一些支持，即个体阈值表明创新性的假设。
然而，至少在某种程度上，采用时间和个人阈值之间的正相关关系是我们使用的传染模型的产物。首批采用者无法曝光，所以它们的阈值定义为零。在采用者网络中，最后的采用者很可能与以前的采用者有联系，因此在采用时他们的曝光度和阈值很高。当采用时间的测量仅限于少数时刻时，这将自动产生个体阈值和采用时间之间的关系。
因此，将个体阈值与通常表明创新的参与者的外部特征进行比较也很重要。一般来说，创新性和低阈值应该与广泛的媒体使用、许多国际化的接触（当地社区以外的接触）、高水平的教育和高社会经济地位有关。
应用
让我们计算现代数学网络中的在一个时刻曝光水平，例如，在 1959 年的时间 2（参见图 79）。该程序由几个步骤组成，阐明了曝光概念的计算和确切含义。我们假设网络是无向的。如果不是，则对其进行对称化（Network> Create New Network> Transform>Arcs→Edges> All ，并删除任何多重边，例如，取总和或最小边值）。
Partition> Binarize Partition Partition> Copy to Vector
首先，我们在选定的时间识别网络中的采用者，在我们的示例中是 1959 或时间 2。从采用时间partition 创建一个二值化partition ，其中采用时间 1 和 2 的得分为 1（已采用），其他的得分为 0（尚未采用），使用 Partition> Binarize Partition 命令，选择类1-2 在对话框中。在图 79 中，采用者为灰色，未采用者为白色。然后，将此partition 转换为向量以用于计算（Partition> Copy to Vector 或按 F5）。
其次，使用命令 Operations> Network + Vector> Neighbors > Sum> Input、Output 或 All 计算每个参与者邻居中采用者的数量。出现一个对话框，询问顶点是否应该包含在它自己的邻居中；回答不。 Pajek 不计算邻居的数量（意思是说Pajek没有专门命令计算符合特定条件的邻居的数量，如果单纯计算所有邻居数据，可用下段degree的方法，如果计算满足特定条件邻居数量，用本段二值化partition方法），但它会将顶点的邻居的类数相加。因为我们使用二值化partition ，其中采用者的类别编号为 1，非采用者的类别编号为 0，所以这个总和等于邻居中采用者的数量。这是一个小技巧，但它有效。
第三，顶点邻居中采用者的数量必须除以其邻居的总数，因为我们将曝光定义为采用的邻居的百分比。相除可以在 Vectors 菜单中完成。必须选择我们刚刚制作的向量作为第一个向量。接下来，我们必须制作一个包含顶点邻居总数的向量。回想一下简单无向网络顶点的度数，等于它的邻居数量，所以我们可以用通常的方式（Network> Create Vector> Centrality> Degree）制作一个度向量。用该度向量用作第二个向量。最后，我们使用 Vectors> Divide (First/Second) 命令将顶点邻居中的采用者数量除以邻居总数。现在，我们得到一个在 1959 年末（时间 2）顶点曝光水平的向量。
[Main] Options> Read – Write> 0/0
请注意，如果网络包含孤立的顶点，则曝光的计算并不简单。一个孤立的顶点没有邻居，所以它的度数为 0。上一段中描述的除法会要求 Pajek 除以 0，这在数学上是不正确的。在这种情况下，Pajek 将值 0 分配给顶点的曝光，也就是说，如果在主屏幕的 Options> Read – Write子菜单中没有将 0/0 的默认设置更改为 0。
Macro> Play
曝光的计算包括相当多的步骤。如果要计算多个时间点的曝光，则必须一遍又一遍地重复这些步骤。这不是很有效，因此 Pajek 包含在一个命令中执行多个步骤的可能性，这称为宏。宏是一个文件，包含在 Pajek 中播放宏时执行的命令列表。我们准备了宏exposure.mcr，它位于本章附带数据的目录中。您可以通过将此文件拖放到 Pajek 屏幕或单击宏菜单中的播放命令并选择文件 exposure.mcr 来执行宏。确保在执行宏之前选择了原始无向网络和采用时间partition 。当你打开这个文件时，Pajek 开始执行命令。它显示对话框 Select clusters，允许您选择首次采用时间和要计算曝光的时间（输入 1-3）。宏完成后，已经创建了几个新的partition 和向量，最后一个向量包含请求时间的曝光。
自己创建宏非常简单。本质上，Pajek 会记录您在第一次和第二次单击宏菜单中的记录命令之间执行的所有命令。它提示输入扩展名为 .mcr 的文件名，用于存储记录的命令。录制时，您可以将消息添加到宏（Macro> Add Message），之后播放宏时将显示在报告屏幕中。在录制宏之前，请确保在下拉菜单中选择了相关的网络、partition 和向量，并在第一次播放时检查结果。
现在我们已经计算了一次曝光，让我们将注意力转向阈值的计算。一个顶点的阈值是它的邻居在该顶点之前采用的比例，所以我们必须用一个顶点的邻居中率先采用者的数量除以其邻居的数量。 一旦你意识到阈值是在该顶点之前已经采用的邻居的数量等于在有向网络中的该顶点的入度（边的方向从较早的采用者指向后来的采用者），就相当简单了。

例如，图 80 显示了现代数学网络，如果边被指向后来采用者的弧边代替。如果使用社会关系来传播创新，那么弧边代表传播的方向。请注意，采用类中的联系被省略，因为它们没有用来传播创新。
在 Pajek 中，我们可以使用 Operations 中的命令将无向网络（例如，现代数学网络）更改为所有弧从早期采用者指向后来采用者的Operations> Network + Partition> Transform> Direction ，因此您需要一个网络和一个partition 来指定顶点所属的（采用）类。有两个命令：Lower→High和Higher→Lower。第一个命令将无向网络中的一条边替换为一条指向具有更高类别编号的顶点的弧。在我们的例子中，partition 包含采用时间类，因此 Lower→Higher 命令会产生指向后来采用者的弧。此命令发出一个对话框，询问是否必须删除类中的边。在有向扩散网络中，我们通常不希望在采用类中存在边，所以答“是”。现在，我们获得了如图 80 所示的网络。应用于有向网络，Direction 过程选择符合所选选项的弧（从低到高或从高到低）。 Network> Create Vector> Centrality> Degree> Input Vectors> Divide (First/Second)
现在，我们可以简单地计算扩散网络中所有顶点的阈值，方法是将变换后的有向网络中顶点的入度除以它们在原始的无向网络（既不包含多重边也不包含环）的度。选择有向网络中入度的向量作为第一个向量，选择无向网络对应的向量作为第二个向量，将第一个除以第二个得到具有各个阈值的向量。确保无邻居的顶点在 Options>Read – Write 菜单中 0 除以 0产生 0。
Operations> Network + Vector> + Cluster> Diffusion Partition ，
可以预测顶点将在什么时间采用。也就是说，如果假设扩散仅由网络关系驱动，并且一旦其邻居中先前采用者的比例超过其阈值，顶点就会采用。 Pajek 命令 Operations> Network + Vector> +Cluster> Diffusion Partition 通过计算来自网络的采用partition 、单个阈值的向量和指定首先采用的顶点的集群来完成此操作。簇（Cluster）只是一系列顶点数，您可以手动创建（Cluster> Create Empty Cluster ）或从partition 中提取（命令Partition> Make Cluster> Vertices from selected Clusters）。在现代数学网络中，将顶点 v1 到 v5 标记为初始采用者是有意义的，这是通过 Partition> Make Cluster> Vertices from selected Clusters 命令完成的，从 ModMath_adoption.clu partition 中选择 Cluster 1 和 2 .如果您使用原始的无向网络和前面描述的阈值向量，您可以模拟扩散过程。通过命令计算的扩散partition 可以用通常的方式绘制。您会注意到某些顶点的采用时间可能比它们实际采用的时间早或晚。网络关系和计算的阈值并不能完全解释经验扩散过程。

8.4 临界值

一些传播过程是成功的，因为目标群体中的几乎每个人都采用了创新。例如，阿勒格尼县 61 名学监中有 51 人在六年内采用了现代数学方法。然而，传播也可能失败，因为太少的人采用和传播创新。再如，一个生物学的比喻很有启发性：一种细菌要么成功地克服了人体的抵抗力，发展成疾病，要么不占上风，受到抗体的压迫，最后被抗体消灭。疾病的传播有一个关键限制：一旦超过，细菌就会迅速繁殖。

• 扩散过程的临界值是维持扩散过程所需的最小采用者数量。

在创新扩散理论中，假设存在类似的限制。它被称为扩散过程的临界值，它被定义为维持扩散过程所需的最小采用者数量。在传播过程的第一阶段，需要外部帮助（例如，广告活动）；但是，一旦有足够多的意见领袖采纳了意见，社会传染就会推动这一过程并引起连锁反应，从而确保广泛而迅速的传播。然后，不再需要扩散过程的外部输入。
特定扩散过程的临界值很难确定，因此很难证明它存在以及何时发生。回想一下，两步流模型将传染与外部事件结合在一起。我们需要有关外部事件（例如媒体活动）的影响与社会传染对传播过程的影响的详细信息，以了解何时达到临界值。只有在之后，我们才能评估扩散过程是否成功。我们提出了一些试图克服这个问题的方法。
有一个经验法则可以告诉我们最终将采用创新的人数。在许多扩散过程中，当创新已被最终采用的所有人中的 16%（或 10% 到 20%）采用时，就会出现一种特殊现象：采用率的加速下降，尽管采用率的绝对数量仍在增加.这被称为 S 曲线的第一个二阶拐点。

例如，在现代数学网络中，新采用者的数量（采用率）从 1958 年到 1959 年从 1 个上升到 4 个（见表 11 中的第四列），比 1958 年的采用者数量增加了 3 个，所以加速度为 3（见第五列）。注意采用率放在时刻之间，因为它们反映了两次测量之间的变化。第二年有十个学监采用，这是一个更大的加速度，但在 1961 年，加速度下降到 2，因为新采用的人数仅从 10 个增加到 12 个；新采用者的数量仍在上升，但上升幅度较小。我们可以得出结论，在 1959 年采用率的加速是最高的，我们可以看到所有采用者中有 13% 采用了（见表 11 中的“采用者的累积百分比”一栏），正如经验法则所预测的那样。
由于扩散曲线的第一个二阶拐点与创新的最终传播之间的这种经验关系，扩散分析家说，当扩散曲线达到这个拐点时，就达到了临界值。在这种方法中，任何采用率先加速后下降的扩散过程都被认为是由传染模型的连锁反应特征驱动的。假设此时社会传染接管了扩散过程，因此我们可以得出结论，该过程已达到其临界值。
对于逻辑扩散曲线的一阶拐点，也有类似的论点，采用率最高的时期，即新采用者的绝对增幅最大。通常，一阶拐点出现在大约 50% 的所有最终采用者已经采用时。在现代数学网络中，采用率最高的是 12，它是在 1960 年到 1961 年间实现的。在此期间，采用率从 39% 上升到 71%。
我们应该认识到，这种方法完全预设了传染和临界值之间的关系；它并不能证明临界值的发生，它只是假设如此。但在实践中是有用的。我们可以监控扩散过程，并注意增长加速首次下降的时刻（但我们应该忽略偶然的下降）。当它发生时，我们可能会估计最终采用者的数量大约是增长最大时采用者数量的五到十倍，因为当时大约有 10% 到 20% 的人采用了。如果根据我们的目标，估计的采用者数量还不够，我们可以尝试通过额外的媒体活动等来促进传播过程。如果这导致扩散加速，临界值就会变大，扩散过程最终可能会到达更多的人。但是，我们不能保证这会真的发生。毕竟，我们正在使用一个简单的经验法则。
从另一个角度来看，当最核心的人采用时，假设扩散过程达到其临界值。一旦他们采用了，网络中的如此多的参与者就会曝光给采用者，以至于已经达到了许多个人阈值，并且出现了大量的采用。介数中心度似乎与临界值特别相关。针对具有最高介数中心度的参与者是启动创新的好策略。一般来说，网络中第一个采用者的位置与扩散过程有关。如果第一批采用者是中心且直接相关的，那么他们的邻居的曝光率更高，因此他们更有可能采用。
为什么临界值会促进创新的传播？一方面，原因可能纯粹是定量的：一旦有足够多的人脉广泛的人采用了，就有足够多的人接触到创新并采用，之后更多的人接触到。这是我们为中心参与者采用的情况所描述的机制。另一方面，达到临界值被认为是系统的质变，即个体阈值的突然降低。在扩散过程中，个人阈值可能会因整个社会系统的采用率而降低。人们应该监控他们的社会系统。如果他们认为一项创新被广泛接受，他们就会有信心甚至有义务采用它。较低的阈值会导致更容易采用，因此扩散过程会自我加强，而且很可能不会消失。
预计阈值会降低，尤其是当参与者在创新方面相互依赖时。新的通信技术产品（例如蜂鸣器或短信服务 [SMS]）就是一个很好的例子。当更多的人拥有一个时，他们的利益和价值就会增加。最初的采用者可以通过新的通信产品接触到少数人，但后来的大多数人可以接触到更多的用户。这种创新称为交互创新。即使在非交互式创新的情况下，例如现代数学方法，定性机制也可能是有效的。学监被说服采用新方法是因为他们知道大多数同龄人都采用了，无论他们的朋友圈中有多少采用者。

• 阈值滞后（ threshold lag）是行为人不采用的时期，尽管他或她曝光在他或她以后将采用的水平。

在扩散过程中达到临界值时阈值的降低可以解释阈值滞后的发生，即曝光已达到个体阈值但个体不采用的时期。在这种情况下，采用发生在达到临界值之后，并且个人的阈值降低了。在现代数学网络中，在 1960 年，学监 v28 和 v29 达到了他们最终会采用的曝光水平，因为他们所有的朋友都在那一年采用了。然而，他们并没有在 1961 年立即采用。有一年的延迟，这是他们的阈值滞后。或许，扩散过程在 1961 年达到了临界值，降低了他们的阈值，并促使他们在 1962 年采用。
我们应该注意，这种阈值和阈值滞后的方法并不能证明个体具有一定的阈值和阈值滞后；它只是以特定方式定义它们。在经验扩散网络中，我们总是可以计算一个行为人在采用时的曝光率（阈值），以及该行为人在他或她采用之前在这个级别曝光了多长时间（阈值滞后）。但是，这并不排除个人阈值实际上较低并且他或她的阈值滞后较长的可能性。我们还应该考虑个人的原始阈值甚至高于采用时的曝光的可能性，因此根本不存在阈值滞后，即当扩散过程达到降低个体阈值的临界值时或外部事件时（例如，媒体活动）说服个人在达到他们的阈值之前采用。例如，众所周知，1957 年 10 月 Sputnik I 的发射激发了美国科学和教育领域的一波创新浪潮。
因此，我们需要经验数据来补充扩散网络数据，以验证参与者的阈值，特别是心理信息、相关社会特征或过去采用的记录。然后我们可以估计最可能的采用时间并将其与实际采用时间进行比较，以确定阈值滞后和临界值效应。如果阈值滞后与外部事件同时发生，则这些事件很可能对扩散过程产生影响。相比之下，如果媒体宣传活动没有与相对较多的滞后结束相吻合，那么它的影响可能不是很大。
应用
绝对采用率及其加速可以从采用时间的频率表计算，在第 8.2 节中讨论了。绝对增长或采用率只是两个时刻之间新采用者的数量（例如，1959 年底和 1960 年底之间有 10 名学监采用现代数学方法）。

在表 12 中，采用率再次放在时刻之间，因为它们反映了两次测量之间的变化。某一时刻采用率的加速是该时刻前后采用率的差值：减去两个连续的采用率。 1959年加速6，因为1959年底后一年有10所学校采用，前一年采用4所。在绝对增长率（采用率）仍在增加的情况下，很容易发现加速度开始下降的时刻。
如果临界值是最中心顶点采用的第一个时刻，我们可以简单地计算(Network> Create Vector> Centrality> Between-
ness)并检查所有或大多数中心参与者在什么时候采用。我们建议在无向网络中计算介数中心性，因此首先对称有向网络（Network> Create New Network> Transform> Arcs→Edges> All，避免多重边）。使用 Vector>Info 命令列出最中心的顶点，方法是在标题为最高/最低或值区间的对话框中输入一个正数。您可以在采用时间partition 或分层社会图中检查他们的采用时间（参见第 8.1 节）。在我们的示例中，在 1960 年或 1959 年 (v5) 的采用者中发现了最多的中央学监（v8、v13 和 v12），因此在 1960 年达到了临界值。但是请注意，当时并非所有的中央参与者都采用了：第五 (v36) 和第六 (v32) 最晚于 1963 年和 1962 年采用的大多数中央学监。
对于阈值滞后的计算，重要的是要注意，当他邻居中所有先前的采用者都已经采用。例如，在现代数学网络中， 在 1960 年、当时学监 v8 也采用了后，学监 v28的阈值达到了 0.67。 1960 年底，他邻居的所有先前采用者都采用了（学监 v5 和 v8）。他的友谊网络中的第三个联系人，学监v29，与v28的阈值无关，因为他或她与v28同时采用。阈值滞后计算为行为人被采用的时间（他或她在采用partition 中的班级编号）与在他或她之前采用的邻居的最大采用时间之间的差。如果我们考虑在某一时刻曝光以在下一时刻引起采用，我们必须从阈值滞后中减去 1。 v28 的阈值滞后等于 1962 – 1960 – 1，也就是一年。 Threshold_lag .mcr Options> Read – Write> Ignore Missing Values in menu Vector and Vectors
在 Pajek 中，在我们为计算阈值而引入的有向网络中很容易找到该顶点之前要采用的顶点的最后接触。当所有边都从较早的采用者指向较晚的采用者时，顶点输入侧采用时间最长的邻居是其最近的前辈。但是，阈值的计算包含一些我们不想在这里讨论的技巧，因此我们准备了一个宏 (Threshold_lag.mcr)，您可以使用它从原始无向网络和采用时间partition 中获取阈值滞后。当你运行这个宏（见第 8.3 节）时，会创建一些新的网络、partition 和向量。最后一个向量包含阈值滞后。在运行此宏之前，请仔细检查菜单 Vector 和 Vectors 中的 Options>Read – Write>Ignore Missing Values。
在现代数学网络中，我们发现只有学监 v28 和 v29 的阈值滞后（一年滞后）。这种少量的滞后并不表明外部事件或临界值影响了扩散过程。大多数顶点在他们的一个或多个朋友采用后立即采用，这符合简单的曝光和阈值模型。

8.5 小结

创新和传染病以特定的方式扩散，这种方式由扩散曲线的典型形状表示。起初，很少有参与者采用创新，但采用速度加快。当 10% 到 20% 的参与者采用时，加速趋于平稳，而新采用者的绝对数量仍在增加，导致采用者总数急剧上升。最后，新采用者的数量减少，扩散过程慢慢走到尽头。
这种增长模式是由传染引起的连锁反应的典型特征。因此，网络模型将扩散视为一种传染过程：与采用者的个人接触使人们接触到创新。他们了解创新，他们的联系人说服他们采用。一旦曝光达到他们采用创新的阈值，这取决于他们的个人特征和创新的特点，他们将采用创新并开始感染他人。因此，网络结构和网络中最先采用者（通常是意见领袖）的位置会影响创新传播的速度。这是一种很可能的机制，但很难证明扩散确实以这种方式起作用。
在特定时刻，成功的传播过程被假设为达到临界值，这意味着传播过程可以在没有外部帮助（例如媒体宣传）的情况下维持甚至加速自身。即使事后看来，也很难确定达到临界值的时刻，但根据经验法则，当创新已经传播到最终采用的参与者中的 10% 到 20% 时，就会发生这种情况。这是 S 形扩散曲线的第一个二阶拐点：采用率不再加速但仍在增加的时刻。或者，可以在最核心的参与者采用或相对较多的参与者采用时放置临界值，尽管他们的曝光率没有增加。在后一种情况下，临界值或外部事件被认为会降低个体阈值。
我们不确定是否发生临界值以及它是否对扩散过程有假设的影响。正在进行的关于创新传统传播的研究必须澄清这个问题。然而，该概念为监测和指导扩散过程提供了一些实用工具。
从理论上讲，在没有个人接触的情况下了解其他人的采用也可以算作曝光，尤其是在身份相似的情况下。知道具有相似网络职位的人已采用，尽管您与他们没有直接联系，可能会说服您也采用。在本章中，我们仅通过接触而不是通过身份模仿来介绍传染。第 V 部分将介绍地位和角色的结构性方法。