前言：中文期刊網精心挑選了網絡分析范文供你參考和學習，希望我們的參考范文能激發你的文章創作靈感，歡迎閱讀。
網絡分析范文1
依據當今社會人們普遍的生活方式，提出“碎片化”的概念。在碎片化背景下，移動網絡信息技術的迅速發展催生出“碎片化”應用。以某大學本科班級的全體學生為例，利用社會網絡分析從結構性,因素性,關聯性三個方面探究碎片化時代下群體之間的人際關系，結果顯示碎片化時代群體重聚現象顯著。
［關鍵詞］
碎片化；社會網絡分析；人際關系；重聚；群體
1引言
隨著社會的進步，高新技術產業的發展，人們的生活水平不斷提高，生活節奏也在日益加快，空間移動與轉換頻率的增加使得人們有限的時間被劃分的越來越細，呈現“碎片化”的特點［1］。移動互聯的的興起讓生活變得愈加便捷，“碎片化”應用充實了碎片化時間，即便在不同的時間點、不同的位置，群體間依舊可以相互聯系得以重聚。因此研究了碎片化時間與“碎片化”應用相結合，群體之間人際關系的變化。大學生是當代活躍度較高，創新意識較強的群體，本文旨在通過大學生這個典型群體從結構性、因素性、關聯性三個方面得出普遍規律。
2碎片化時代的概述
“碎片化”起初出現在20世紀80年代的“后現代主義”的學術研究中，原意為完整的事物被分成零碎的部分。近年來，“碎片化”作為一個新興詞匯在不同的領域的被賦予不同的涵義，在移動互聯時代背景下，“碎片化”時間指的是移動化的“等候時間”，包括上／下班途中，出差途中等一些分散的時間?！八槠睉檬侨藗冊诹闼闀r間內消費時間使用的一種移動應用程序，用戶可以在任何位置，狀態下進行?！八槠睉檬褂脮r間是碎片化的，短則一分鐘，長則半個小時，應用種類是多樣的，“碎片化”應用憑借其良好的體驗逐漸滲透在我們的日常生活中［2］。碎片化下的重聚指群體利用應用軟件進行交流溝通重新相聚相識的過程。重聚包括兩個方面，一是相同群體之間互動性增強，另一方面主要指傳統意義上的不同群體按照興趣，價值觀，生活方式等共同的行為方式重新聚集起來。
3社會網絡分析研究基礎及現狀
3．1社會網絡分析簡介社會網絡分析是一種社會學的研究方法，核心概念就是研究人與人之間的關系。隨著社交媒體的出現，收集和獲取網絡數據更加便利，社會網絡分析逐漸受到公眾和學界的青睞［3］。社會網絡數據基本測量包括密度、中心度等。密度是度量客體之間互相聯絡程度的重要指標，網絡密度越大則關系越密切，點度中心度是考察各個節點的相對中心度，即與該點有關系的點的數目。中心度研究集中在各個節點，而中心勢考察的是一個整體的內聚性，即整體中心化的程度［4］。
3．2社會網絡分析有關人際關系的研究社會網絡分析在人際關系的研究主要分為結構性，關聯性，因素性三個方面。人際關系網絡的結構性主要體現在依據不同的屬性劃分出不同結構的人際關系，是最基本的關系網絡，為進一步量化提供數據及依據，包括情感網、咨詢網、情報網、信任網等。Milgram的“六度聯結的小世界”充分說明了人際關系的關聯性，通過計算平均距離即人們通過多少個中間人建立聯系，進而說明人際關系的關聯性。人際關系的因素性是研究影響人際關系網絡形成的因素，這些因素具有普遍意義［5］。
4碎片化應用對群體影響的研究設計
［6］4．1研究內容本文研究碎片化時代下大學生人際關系的變化，按大學生在關系網絡中的結構主要分為情感網和情報網，情感網表現在個體與他人的親密程度，包括聊天，學習，旅游，休閑娛樂等，情報網主要研究個人獲取他人信息時構成的人際關系網絡。碎片化時代下，應用涉及生活各個方面，現實的生活需求都會間接轉化為應用呈現給群眾，現實與虛擬已在無形中產生一種對應關系，通過社會網絡分析方法對大學生人際關系結構性進行前后對比，利用數據對人際關系網絡的關聯性與因素性進行探究，最終驗證重聚現象。
4．2研究對象本文選取本專業全體28名同學為研究對象，主要的原因包括：（1）大學是學生步入社會的過渡階段，這個階段的群體具有雙重特征；（2）大學生是青春與理想兼并的一代，對于信息技術及新鮮事物有較高的興趣；（3）班級全體同學因為性格等方面不同呈現的人際交往關系具有普遍性。
4．3數據收集與處理
4．3．1情感網數據收集與處理本文數據的收集主要是通過觀察、訪談以及材料分析，首先通過微信與班級中的全體同學建立聯系，根據日常生活班級人際關系的觀察，一對一進行針對性的提問，問題主要基于“碎片化”應用的背景，在現實生活中，與應用相對應的一系列互動包括某人自愿主動性的和某同學去圖書館學習，逛街，看電影，享受美食及旅行等，根據班級全體同學的回答建立28×28矩陣。其次基于碎片化時代下應用的普遍，研究班級同學使用相同休閑娛樂類應用的情況，本研究以手機游戲為例，通過3個微信游戲將全體同學聯系在一起，同樣建立28×28矩陣，與上一個矩陣進行對比分析。
4．3．2情報網數據收集與處理本文情報網的研究不再局限于班級內部的人際關系，更多探究班級個體與社會之間的關系。主要是從全體同學的角度，班級中的每個個體都可以通過微博這個平臺獲取自己關注的信息，構成一個人際關系網絡，把班級全體同學看成一個相同的社會群體，班級同學所共同關注的對象構成另一群體，實則是研究不同群體在碎片化時代下所呈現的狀態，群體內部之間的關系我們在這里不研究。這項數據的收集是通過微博的微關系對班級全體同學關注的對象進行匯總，最初的數目龐大，分析生成的社群圖過于復雜，難以發現其規律，于是不斷求平均值從最初的100多縮減到20個個體，這20個被關注者至少有7個研究對象關注，具有很強的代表性。
5研究結果分析與討論
5．1情感網人際網絡關系圖1表示現實生活中班級同學彼此存在非組織共同活動（唱歌，看電影，逛街）的關系，有兩名同學社交關系十分薄弱暫不考慮，此社群圖實際是26個樣本。從整體角度分析，圖一的網絡密度為0．1749，該數值較低，說明大學同學共同活動更多以寢室為單位，與其他同學交流互動的機會甚少，存在小群體現象。節點之間的平均距離為2．645，即任意兩個人進行溝通平均需要2個人作為媒介，個體之間關聯性較弱，同學之間的互動頻率低。圖2則表示通過碎片化時代下的應用班級同學所形成的密切關系。班級中有4名同學不玩此類游戲，因此樣本總數為24。圖2的網絡密度為0．933，該數值明顯高于圖1，則表明在碎片化應用的條件下使群體重聚的現象十分顯著，同學們互動頻率加快，形成了一種密不可分的關系鏈；節點的平均距離為1．067，任意兩個人都存在溝通的機會，每個同學之間都建立了一條交流通道，大學生人際關系網絡關聯性增強。通過社群圖圖2，圖2的對比分析，可以清晰看出碎片化時代下大學生群體明顯的重聚現象。碎片化時代下的應用加強群體的內聚的同時，成員自身的中心度也在不斷增加?！昂诵娜宋铩奔袋c度中心度排名靠前的個體的數量也在不斷增加，有利于營造良好的人際關系氛圍。
5．2情報網人際網絡關系從微博的角度出發，被關注的人更新了一條狀態，那么本班同學中同時關注這個人的一些個體也會查看到，這些不同類型的個體可以實現在該被關注的人下發表評論、收藏以及轉發等功能，進而引起被關注人的關注，實現不同群體之間的互動交流，從而形成了一個交流環網。該人際關系網絡的形成涵蓋許多因素包括社會階層、家庭背景、學歷、收入、興趣愛好等，微博作為一種碎片化時代下的產物促進社會群體重聚。
6結論
根據本文的研究可以看出，碎片化時代背景下，“碎片化”應用使群體重聚現象得以體現，這種重聚是重新聚合，相同群體之間的重聚即通過虛擬促進現實人際關系，虛擬與現實的一致性是我們一直所期待的。不同群體之間的重聚相對復雜，但同時這種重聚更具有現實意義，碎片化時代下人際關系的獨到之處正是不同群體的重聚，社會地位、地理位置、經濟水平不同的個體都能依據某個特征聚集在一起，社會分化也是群體重聚的過程，重聚也是分化的進一步提升。社會網絡分析為重聚現象的提出進行了定量分析，本文所研究的樣本較小，只是對這種現象進行初步探索，重聚的形成包括各種因素，后續的研究可以從內因，外因入手搜集更全面的社會網絡數據，利用網絡動態學，復雜網絡理論等進行更深入研究［7］。
主要參考文獻
［1］徐冉．“碎”眼看“聚”———以微博為例看碎片化背景下的群體重聚［J］．新聞世界，2011（8）．
［2］常政．移動時代的經濟學———碎片化應用［J］．程序員，2011（6）：56－58．
［3］［美］諾克，楊松．社會網絡分析［M］．第2版．上海：格致出版社，2012．
［4］［美］斯科特.社會網絡分析法［M］．重慶：重慶大學出版社，2007．
［5］申?，周策．社會網絡分析法在人際關系中應用的研究綜述［J］．中國電力教育，2013（1）．
［6］郭金龍，陸宇杰，許鑫．基于社會網絡分析的大學生現實與虛擬社會人際關系研究［J］．現代教育技術，2012，22（12）．
網絡分析范文2
關鍵詞：社會網絡分析 社會測量法 心理學研究方法
中圖分類號：B84 文獻標識碼：A 文章編號：1007-3973(2010)012-063-02
近年來，社會網絡分析法在許多學科領域越來越被廣泛使用，尤其在社會學、管理學和心理學中。下文將對社會網絡分析做出簡要的介紹并討論其在心理學中的應用。
1 社會網絡分析的定義
有些學者認為社會網絡指的是社會行動者(social actor)及其間的關系的集合。意思是社會是由多個點(社會行動者)和各點之間的連線(行動者之間的關系)組成的。這里的行動者可以是個人、組織或家庭等，行動者之間的關系(ties)常代表一些具體的內容或者實質性的現實發生的關系(劉軍，2004)。
此外，社會網絡分析(socialnetwork analysis)也是研究的一種工具，是將社會網絡作為研究對象的一種特殊工具，它可以對人與人之間、群體之間、組織之間的關系進行描述，并對其價值進行估量。
2 從社會測量法到社會網絡分析法
一般認為社會網絡分析起源于莫雷諾創立的社會測量法，但也有人認為它發端于二三十年代英國人類學。但英國人并沒有利用好數學工具，而美國的莫雷諾卻用數學的方法將社會網絡量化計量，所以莫雷諾的社會測量法才是社會網絡分析的起源。斗轉星移，今天的學者看莫雷諾的社會計量法也存在著嚴重的喪失信息的問題：它無法區分兩種得分一樣的被試的關系的真實面目。(龐麗娟，1994；方曉義，2000)舉個例子，表1是應用社會計量方法呈現的被試互相選擇的結果。
可以看出在總計欄中有三個人被1個人選中，有兩個人被2個人選中，有兩個人被6個人選中，有兩個人被O個人選中。在社會計量法中，有2個人被群體所接納水平的數量指標最高，意味著他們最受歡迎。(金盛華，]995年)但是我們卻不知道這兩個人在群體中是否處于相同的重要地位，他們是否處于同一個小團體中。即使我們用社會測量法的圖形法將其圖示化，也不能明確的了解這個群體到底是什么結構，有幾個小團體，最受歡迎的兩個人是團體中的領導還是什么其他的人物。但社會網絡分析法就能回答上述的問題，見圖1。
這是一些行動者的社會網絡分析圖，顯然圖中顯示Dia-ne是被別人選擇最多者，社會測量法會指明他是最受歡迎的人。但實際他卻不是整個群體中最重要的人。Fernando，Garth雖然被選擇人數不如Diane，但他們在整個群體中發揮了重要的作用。因為他們比任何人都擁有更短的路徑接觸到其他人，他們的優勢地位能監控整個網絡的信息流，他們能最快地知道發生了什么事情(,2008)。所以社會網絡分析法在發展中不斷的彌補了社會測量法的缺陷，成為了人際關系研究的主流方法。60年代至今，隨著新的矩陣分析等數學方法的興起和眾多學者的努力，社會網絡分析從一種研究方法拓展為一種理論框架。(肖鴻，1999；張其仔，2001)。
我國應用社會網絡分析方法比美國晚，80年代，大部分學者還只是停留在莫雷諾社會測量法的應用上。如張志光等人(1982)運用社交測量法研究小學生辦集體人際關系狀況，黃希庭，時勘等(1984)應用社交測量法研究大學班集體人際關系。而我國把社會網絡作為一種系統理論應用在心理學上是個世紀90年代。如，方曉義(1995)對不同年級青少年的友伴網絡結構的研究，方曉義(1997)青少年最親密同性友伴的相似性。
3 社會網絡分析在心理學中的使用
社會網絡分析是一種跨學科的研究范式。社會學家和心理學家關注社會網絡分析的不同取向，在這里我們只探討心理學中常用的方法一整體網絡分析方法。如同其他心理學研究方法，第一步是收集資料。整體網絡分析法使用提名選擇法、參數選擇法、循環選擇法等種種選擇方法，采用你最愿意讓誰跟你一起做游戲或者你愿意讓誰坐在你的旁邊這類問題。第二步，數據整理。網絡分析法主要有兩種形式來呈現數據，社會矩陣和社會圖示。社會矩陣是一個N*N的(0，1)矩陣。N代表總體的人數，橫行代表選擇者，縱行代表被選擇者，在選擇者和被選擇者交叉的地方標出選擇結果，最后就可以得到該群體的整體網絡矩陣。社會圖示法則在一張圖上標出所有的群體成員，然后使用點和線表示群體成員的相互選擇情況，第三步是數據分析，主要采用矩陣分析、社會圖分析以及使用相關的結構分析，如中心性，凝聚子群，結構對等性，核心邊緣結構分析。
傳統的社會計量法由于計算工具的限制，一般社會圖列出的矩陣計算比較繁瑣，達到30人以上就很難計算了。而社會網絡分析是在矩陣方法，數學模型和計算機的引入下產生出來的新方法，被試人數再多也不成問題。目前，在研究中主要使用的網絡分析軟件有Ucinet，NEGOPY，Blanch，Pajek，SocioMetricaLinkAlyzer，SociometryPlus。(陽志平，時勘，2002)
4 社會網絡分析方法對心理學的意義
社會網絡分析方法作為一種評價兩人際關系和團體機構的有效方法不僅在社會心理學方面表現出色，而且還廣泛的應用在心理學的各個分支上。
4.1 在教育心理學上的應用
由于最初社會網絡分析的開拓者(Moreno,Jennings,North-way)的影響，社會網絡分析在教育上的應用最為廣泛。在我國的情況也是如此，應用社會網絡分析法較早的是研究青少年友伴網絡結構和友伴相似性(方曉義，1994)。在教育心理學上，社會網絡分析可以解決非常具體的問題，例如分組、診斷、評價。
4.2 在管理心理學上的應用
有人曾以后補軍官學校的學員為研究對象，將社會網絡分析的地位與學員學習成績及戰場實際領導能力相比較，研究前者與后二者的相關性。他們也同時將其他領導能力指標(包括自我評定、長官評分、人格測驗、能力測驗等)與后二者相比較。結果發現在各項領導能力指標中，社會網絡分析的結果與后者的相關最高。換言之社會網絡分析法比其他方法更能正確的評定領導能力。(楊國樞，2006)看來社會網絡分析還可以成為某些測量的很好效標。
其實，社會網絡分析也在其他的心理學分支上得到了廣泛的應用，比如軍事心理學、工業心理學和社區服務上。所以可以預計社會網絡分析法將在心理學這塊領地發揮更大的作用與價值。
參考文獻：
[1]劉軍，社會網絡分析導論[M]，北京：社會科學文獻出版社,2004
[2]龐麗娟，同伴提名法與幼兒同伴交往研究[J]，心理發展與教育,1994(1)
[3]鄭宇，方曉義，青少年吸煙行為研究中同伴團體界定方法的發展[J]，心理學動態,2000(1)
[3]金盛華，社會心理學[M]，北京：人民教育出版社,1995
[4]肖鴻，試析當代社會網研究的若干進展[J]，社會學研究。1999(3)
[5]張其仔，新經濟社會學[M]，北京：中國社會科學出版社,2001
[6]張志光，王光才，季慎英，個人在班集體中的地位及其對品德影響的心理分析[J]，心理學報，1982(2)
[7]黃希庭，時勘，大學班集體人際關系的心理學研究[J]，心理學報,1984(4)
[8]方曉義，不同年級青少年的友伴網絡結構[J]，心理學報,1995(4)
[9]方曉義，青少年最親密同性友伴的相似性[J]，心理學報,1997(3)，
[10]陽志平，時勘，社會網絡分析在社會心理學中的應用[J]，社會心理研究,2002(3)
網絡分析范文3
【關鍵詞】 NodeXL；學習分析；社會網絡分析；交互分析；開源軟件
【中圖分類號】 G40-057 【文獻標識碼】 A 【文章編號】 1009—458x（2013）02—0014—07
背 景
近年來，微博、社交網絡平臺（SNS）等Web2.0工具的快速發展大大促進了用戶之間的遠程交互。在這些工具的支持下，用戶間發生著多種多樣的交互行為，如瀏覽、回復、評論、關注、加為好友等，同時產生出了海量交互行為數據，使得基于行為數據的交互分析成為可能。在大數據的影響下，一個新興的研究領域——“學習分析”（Learning Analytics）隨之產生。在學習分析領域中，遠程教育研究者進行了一系列研究。英國開放大學、加拿大阿薩巴斯卡大學等遠程教育機構的研究者都對學習分析在遠程教學中的應用進行了深入的研究。這些研究者中包括聯通主義的主要提出者、加拿大阿薩巴斯卡大學的西門斯博士（Siemens）[1]。
2011年舉行的首屆學習分析與知識國際大會將學習分析定義為“測量、收集、分析、報告學習者及其學習情境的相關數據，以促進對學習過程的理解，并對學習及其發生的環境進行優化?！盵2]通過這一定義可以了解到學習分析對數據的依賴性。學習分析需要將復雜的教學過程和龐大的行為數據有機整合。這一目標的實現需要在教學情境之下，針對多種分析任務，使用多種分析技術。
根據學習分析的不同任務，英國開放大學知識媒體研究所的Shum和Ferguson在《社會學習分析（Social Learning Analytics）》中把學習分析劃分為五種類型，分別為學習網絡分析、學習對話分析、學習內容分析、學習氣質分析、學習情境分析[3]。從這一分類中可以看出學習分析是多種分析方法的統整，其中社會網絡分析是一個重要的組成部分。
社會網絡分析在社會學研究中有較為久遠的歷史淵源。1950年代，卡特賴特和哈拉瑞以圖論為研究工具對社會互動展開了研究。哈佛商學院則在著名的“霍桑實驗”中，首次運用社群圖描繪了霍桑工廠中的社會互動結構 [4] 。而Watts等人的“小世界”理論讓社會網絡分析產生了廣泛的社會影響[5]。
在遠程教育領域中，特別是網絡工具快速發展的背景下，社會網絡分析被賦予了濃重的在線行為分析色彩。與社會學領域中的自陳式問卷、實地觀察等方法不同，遠程教育領域中的社會網絡分析多由在線關系分析和在線行為分析構成。
近年來，國外研究者開始應用社會網絡分析的方法研究Twitter和Facebook等社交媒體中的教學交互現象[6][7]。在國內研究中，王陸[8]、胡勇[9]為代表的國內研究者通過社會網絡分析對以論壇為主的虛擬社區在線交互進行了分析。但對新興社交媒體中的教學交互研究目前還較為少見。
究其原因，社會網絡分析自身的復雜性是一個重要因素。與論壇中的交互相比，微博等社交媒體支持下的交互數量眾多，內容龐雜，給分析帶來了很大困難。即便研究者具備了社會網絡分析的相關知識。前期的數據預處理工作也常常令人望而卻步，分析過程中的數據調整和可視化工作也極為繁復。
社會網絡分析離不開工具的支持。好的研究工具可以使研究過程事半功倍。對于社會網絡分析工具的研究就成為成功進行社會網絡分析，乃至整個學習分析的前提。
社會網絡分析工具的發展
由于社會網絡分析的重要性，多種分析工具應運而生，至今仍在蓬勃發展之中。有研究者對社會網絡分析工具進行了研究，功能對比是最常見的研究方法。其中，最具有代表性的是Huisman和Duijn對于23種社會網絡分析工具的對比[10]，研究者從多個角度對比了當時各種主要網絡分析工具，包括Pajek、NetDraw、Netminer、UCINET等目前仍廣泛應用的工具，該比較涉及軟件的使用對象、數據格式、主要功能、支持幫助等信息。王陸在此基礎上根據是否商業化和是否可視化將這些軟件進行了進一步分類，并重點比較了NetMiner、Pajek和UCINET[11]。Hansen等人分析了各種社會網絡分析工具，并指出缺乏界面友好和操作便捷的社會網絡分析軟件是社會網絡研究在實踐領域開展不足的重要原因[12]。Smith等人指出了JUNG、Guess、Pajek等多種社會網絡分析工具的操作復雜性，指出簡化操作并降低數據獲取的難度，可以促進社會網絡研究的開展[13]。通過對與社會網絡分析工具的研究可以發現，隨著各個領域對于社會網絡分析的重視，其分析工具正在快速發展之中，工具應用的便捷性對分析的開展有著重要影響。
通過對現有的社會網絡分析工具的分析還可以發現，按照工具的使用者可以將這些工具分為面向程序員的工具、面向研究者和數據處理專家的工具，以及面向實踐者的工具，其應用門檻由高到低。
1. 開發接口
此類工具與編程語言密切相關，功能強大完備，但需要使用者有一定的編程經驗。其代表有JUNG、Prefuse和Guess等工具。其中JUNG是Java Universal Network/Graph Framework的縮寫，提供了一整套擴展庫以實現基于Java的社會化分析和圖形化[14]。Prefuse是另一種基于Java的數據分析工具，后又推出了支持Flash制作工具的Prefuse Flare。[15]Guess是基于Gython（Python的一個擴展版本）的數據分析工具，帶有完整的操作界面，可以通過Python語言直接輸入指令完成數據分析。[16]此類工具對于編程技能的要求將絕大多數使用者擋在了門外。
2. 專家工具
Pajek、UCINet 和NetDraw等工具是這類工具的代表。它們服務于具有較高數據處理技能的研究者。其應用不再需要編程能力，但對使用者的數據處理能力提出了較高要求。這一類工具同樣提供了強大的分析功能，可以實現一定程度的可視化，但操作較為復雜，生成圖形的靈活性欠佳。此類工具適合專門領域的研究者使用，對于廣大教學實踐者而言，門檻仍然較高。
3. 實踐工具
隨著社交媒體的應用日益廣泛，社會網絡分析的需求日益擴大，一類面向實踐者的新型工具開始出現。此類工具的特點是界面友好，應用便捷，但功能依然強大，在很大程度上減少了數據預處理的工作量。由于此類工具大大減輕了社會網絡分析的工作量，為遠程教育的一線實踐者敞開了通向社會網絡分析的大門。NodeXL、Gephi、Netminer等就是此類工具的代表。
其中，NodeXL的特點尤為突出：它與Excel這一日常應用非常廣泛的工具深度整合，降低了使用門檻；極大簡化了操作過程，實現了一鍵數據可視化；提供了多種參數調整，覆蓋了社會網絡分析的絕大多數需求；并可以從Twitter、Facebook等社交媒體中直接導入交互數據，有著極高的實踐應用價值。本文將對NodeXL的使用進行介紹。
NodeXL功能介紹
1. 概況
NodeXL（Network Overview， Discovery and Exploration add-in for Excel）與微軟辦公軟件Excel深度整合，以Excel2007/2010模板的形式使用。加載模板后，使用者可以在Excel工作表中對社會網絡的基礎性數據（如邊的信息）進行添加和編輯，之后只需要點擊一個按鈕就可以完成分析，并獲得可視化圖示。
NodeXL的開發者來自微軟研究院、馬里蘭大學、斯坦福大學等機構。該軟件遵循微軟公開協議（Microsoft Public License，Ms-PL），可以免費使用和分發，并可以在此基礎上進行二次開發。
2. 界面與功能
（1） 界面介紹
NodeXL的界面以選項卡的形式出現在Excel 2010中，如圖1所示。功能從左向右分為數據、圖形、可視化屬性、分析、選項和現實/隱藏6個標簽組。原有的Excel界面被分割成了兩部分，左側是數據界面，右側是圖形化結果。
在左側的數據界面中，包含社會網絡相關的多個工作表。其中最重要的有邊（Edges）、節點（Vertices）、群組（Group）和整體度量（Overall Metrics）四個工作表。右側的界面主要顯示社會網絡的可視化結果，其中，“動態過濾器”可以依據各種度量值（如出、入度等）對社會網絡進行過濾。“刷新圖形”則可以根據數據的調整重新獲取數據。
（2）功能特性
NodeXL的功能特點可以被總結為三個方面，即數據獲取、網絡計算和圖形定制?，F分述如下：
NodeXL可以導入多種社會網絡分析工具（如Pajek、UCINET、GraphML等）生成的文件，同時可以導入一般數據文件（如cvs文件等），保持了良好的兼容性。
同時，NodeXL的一個特色功能是可以從社會網絡媒體導入數據，可以從Flickr、Twitter、Facebook和YouTube中直接導入數據。只需要提供這些工具的賬號和密碼就可以方便地從中獲取社會網絡信息。
借助Excel，NodeXL可以非常方便地進行數據的輸入和轉換。由于，NodeXL的數據本身就在Excel工作表中，Excel對數據的編輯功能，如計算、排序和篩選等功能都是可用的，這為數據處理提供了很大方便。
圖1 中左側顯示的數據即是筆者從Flickr中直接獲取的用戶交互數據。
網絡計算與圖形化
NodeXL可以實現出度、入度、相鄰性、中心性、聚類等等常見社會網絡計算。只需要輸入邊的相關信息，NodeXL就可以通過“分析”（Analysis）標簽組中的“圖形度量”（Graph Metrics）功能，計算出這些值并填充到Excel數據表中?！皥D形屬性”（Visual Properties）中的“自動填充欄目”（Autofill Columns）可以自動填充節點、邊和群組中的屬性值。
在“邊”工作表中輸入數據后，只需要點擊“刷新圖形”就可以生成社會網絡圖形。如果圖形過于巨大，或者包含的邊過多以至于無法發現交互規律時。NodeXL可以實現自動生成子圖（Sub-graph），對圖中的每一個節點自動生成社會網絡圖形。。
圖形定制與數據過濾
在圖形初步繪制完成之后，還可以對其進一步定制調整，使得重點信息更為突出。在圖形選項中可以對邊和節點的顏色、形狀和大小進行調整。還可以根據條件對不同節點設置不同顏色。下圖2為圖形選項設置界面，圖3為定制后的圖形，圖4為動態過濾器界面。NodeXL支持通過多種參數對社會網絡圖形進行過濾，可以對出入度、各種中心性、集聚系數等度量進行調整，從而呈現符合特定條件的節點和邊。
應用案例
下面將通過一個在線學習案例介紹NodeXL的使用過程。由于案例分析的目的是以說明工具應用為主，故此在介紹的方式上以數據分析的過程為主線。限于篇幅，在內容上僅涉及了整體交互行為的一個側面，并不試圖對案例中的交互情況進行全面分析。在研究方法上，本案例部分借鑒了Smith等人[16]的研究。
1. 案例介紹
本案例來自中央民族大學對新生開設的計算機基礎課程。課程內容包括Windows操作系統、互聯網應用、Office辦公軟件、多媒體應用基礎等內容。課程采用了混合學習模式，包含12周網絡學習和6學時面授。網絡教學在自行搭建的Moodle教學平臺中進行。參與課程的學生是通過入學考試選出的計算機水平較高的一部分學生，共有106名，來自全校各個院系。
在學期初，教師在課程中安排了一個相互認識環節，要求學生在Moodle中完善自己的個人信息，包括興趣愛好等，之后，訪問其他同學的個人信息，以增進相互了解。教師建議每個同學至少訪問5個學生的信息，但并未強制要求。學生之間相互訪問的行為數據被記錄在Moodle平臺數據庫中。
2. 分析過程
（1） 數據獲取
在此次學習活動中，Moodle共記錄下了586條交互數據，涉及106名學生和兩名教師（如圖5）。Moodle支持行為數據的導出，可以將數據導出成Excel文件。導出的數據可以直接復制粘貼到NodeXL模板中的邊（Edges）工作表中，如圖6所示。
（2）整體網分析
在初步分析時，在“圖形”（Graph）標簽組中將網絡類型設置為無向圖（Undirected）以獲得交互的整體圖景。點擊“刷新圖形”，NodeXL將自動生成節點信息，填入節點工作表中，并顯示圖形，見圖7。在NodeXL選項卡中點擊“分析”標簽組中的“圖形度量”按鈕（Graph Metrics）后可以計算出社會網絡的重要參數，包括出度、入度、中心性、密度等信息，如圖8所示。
（3）圖形定制與數據過濾
通過整體分析已經得到了此次學習活動中的整體交互面貌，但其由于交互信息過多，圖形過于復雜，并不能得到清晰結果。如果對各個節點的大小、顏色等根據各個度量值進行調整，可能會更為清晰地了解該活動中學生的交互情況。
在本案例中，度和集聚系數是度量交互狀況的兩個重要變量。其中，度代表著學生與他人交互的頻繁程度。集聚系數則代表著學生與其他學生聯系的緊密程度。集聚系數越高表明其節點成團的程度越高，也就表明了學生聚合成小團體的程度越高。于是，通過”自動填充欄目”（Autofill Columns）針對這兩個參數值對圖形進行定制。
其中，將顏色設置為按照集聚系數從綠色到紅色漸變，半徑大小設置為其度值，得到的結果如圖9所示?？梢钥闯黾t色節點都較小，而綠色節點則可以很大。這表明了，集聚系數較高（紅色）的節點，其度反而小。也就是說，在本案例中，與周圍小團體聯系緊密的學生，沒有與其他學生進行頻繁交互。鑒于集聚系數和度可能會產生相互影響。這時有必要分別把出度和入度情況進行研究。
網絡類型設置為有向圖（Directed），重新生成圖形（見圖9），可以對各節點的出度和入度進行分別討論。出度與教師布置的任務直接相關。教師在布置任務時建議學生訪問5個以上其他同學的信息。達到了這一要求的同學其集聚系數和出度的情況是怎樣的呢？在“動態過濾器”中選擇“出度”，將其值最小值調整為5，結果見圖10。圖中剩余的節點顏色更接近綠色。這表明了這些訪問了較多其他學生信息的同學與周圍小團體聯系的緊密程度較低。其中，兩個同學的情況非常典型。圖10中兩個最大的節點所代表的學生，其訪問其他同學信息的情況最為頻繁，但顏色是很淺的綠色，代表了與他人聯系緊密程度很低。
在“動態過濾器”中選擇入度，并進行調整。發現將其值最小值調整為4時，兩個節點都在圖中消失了（見圖11）。這說明兩個節點所代表的學生被訪問的次數很少。至此，發現度最大的兩個學生，其集聚系數很小。為了進一步分析這一現象，需要分析學生個人的交互情況。
（4）個體網分析
為了分析每個學生在活動中的交互情況，需要對以學生個體為中心（Ego-centric Networks）的網絡進行分析。選擇“分析”標簽組中的“子圖”（Subgraph Images）可以把每個學生的交互圖輸出到特定文件夾中。在“圖形”（Graph）標簽組中選擇“自動生成”（Automate）可以將每個學生的子圖以及相關信息插入到Excel表中。圖12是計算后所生成的圖形和數據。為了便于討論，僅截取了相關部分的數據。
可以看出，前文所述集聚系數較低而出度較高的兩個學生的數據，相應節點的入度分別為2和3。也就是說僅有兩三個學生訪問過他們的信息。這與其出度（均為42）形成了鮮明對比。顯然，這是兩個不同于一般同學的學生。至此，社會網絡分析將筆者從交互的整體圖景導向了一個具體的交互現象。對于這個現象將在后文進行解釋。
3. 討論
在上述分析過程中，首先對學習活動進行了整體性分析，之后對個體的中心度和集聚系數進行了進一步分析，在分析過程中，通過不斷調整相關參數發現了一個交互現象。誠如西門斯所言，社會網絡分析，乃至整個學習分析，不一定能對學習過程給出全部答案，但一定可以讓研究者去問更多問題。在此環節中，筆者將對本研究發現的問題進行解答。
總體而言，案例中學習活動所形成的是一個稀疏的網絡，其密度僅達到了0.06，表明整體交互并不頻繁。造成這一現象的主要原因有兩個，一是這個學習任務并非強制，二是任務發生在網絡學習的初始階段，學生對網絡學習的自主性不強。然而，在這個稀疏網絡中卻存在著兩個與其他節點交互特別頻繁的節點。
特殊節點的發現來自于對各個節點的度和集聚系數的考察。其中，度代表了單個學生和他人交互的頻次，集聚系數代表了學生與他人形成小團體的程度。一般而言，如果一個學生與他人形成了交往密切的小團體，應當有著較高的度，同時有較高的集聚系數。但在本案例中，卻發現了兩個很特殊的節點，其度非常高，但集聚系數卻非常低。進一步對這兩個節點分析出度和入度情況表明，這兩個學生的出度很高，但入度極低。
這個現象意味著什么？社會網絡分析自身已經不能給出解釋。筆者通過對這兩個學生進行訪談發現，他們在班級中沒有太多熟悉的同學，所以很希望結識更多新朋友。這一發現印證了分析結果。在后期學習中，教師安排這兩個同學擔任小組長，負責一些在線活動的組織協調，其表現積極活躍。
4. 小結
以上案例描述了NodeXL中一次社會網絡分析的過程，包括了從數據獲取、整體分析、圖形定制、數據過濾到個體分析的全過程。其中，首先，通過Moodle平臺獲取了學生數據。之后，對其進行初步分析獲得了整體交互情況。接下來，根據需要對形成的網絡進行了參數調整，實現了動態過濾和圖形定制。從而更為清晰地反映了交互狀況。最后，針對網絡中發現的特殊節點通過子圖生成功能進行了個體網分析，更為清楚地了解了特殊節點代表的學生的交互情況。補充進行的訪談印證并進一步解釋了交互狀況及其原因。案例分析體現了從原始行為數據到宏觀交互圖景，再到微觀交互現象的過程，具有典型意義，展示了NodeXL對社會網絡分析的功能特性。
誠然，正如前述，本文中的案例分析重在展示一個NodeXL數據處理的完整過程?；谶@一目的，筆者從教學實踐者的角度，描述了如何針對一個教學活動展開分析的真實過程，從整體圖景，漸漸聚焦到一個特殊的交互現象，再通過訪談對其進行深入挖掘，最終基于分析實施了教學干預。
通過本案例的分析過程可以獲得兩個結論。第一，社會網絡分析可以呈現交互過程的全貌和細節，有助于描繪交互過程，發現交互現象。第二，社會網絡分析并不能對交互過程進行全面解釋，交互過程的分析需要多種研究方法的整合。從這兩個結論也可以發現本研究的局限，即沒有在設計階段將多種研究方法考慮在內，因此對于交互過程分析的深入與全面程度不夠。在后續研究中，將試圖整合社會網絡分析、內容分析和學習行為的統計分析對在線學習交互過程進行分析。
總 結
NodeXL代表著交互分析工具發展的一個新方向。它降低了分析門檻，與使用者較為熟悉的工具軟件Excel相結合，可以直接從Web2.0工具獲取數據，通過便捷的操作實現數據分析，并通過靈活的方式實現了依照條件的數據過濾和可視化圖形的定制。這在很大程度上降低了數據獲取、處理和呈現的難度，讓使用者可以專注于對交互現象的分析和解釋。
NodeXL帶來的便利不僅造福于研究者，更造福于實踐者。遠程教學實踐者在教學中有條件積累大量數據。如果能夠對這些數據進行分析，無疑會成為教學評價和教學干預的重要依據。但工具應用的復雜性往往將實踐者擋在了學習分析的大門之外。NodeXL所代表的工具較好地解決了這一問題，從而為教學提供了更多實證性證據。
對于分析工具的開發者而言，NodeXL所代表的分析工具也有著重要的啟示。身處“大數據”時代，分析工具的開發者應當重視交互數據接口的作用。重視數據分析工具的開發。在我國，商業領域已經開始了對各種互聯網數據的分析，如一些針對新浪微博等平臺的數據分析工具和服務。但這些工具的數量、功能和可用性都還有很大的提升空間。在研究工具方面，此類工具還幾乎是空白，有著極大的發展空間。
網絡分析范文4
一、移動上網3G用戶數據分析
2014年1月20日，中國聯通對全網3G用戶發送短信，推出“沃4G新春獻禮，億萬用戶高速網絡免費體驗”活動，2月份對3G新老用戶免費贈送“500MB國內流量紅包”。一方面是借此向廣大聯通用戶多年支持表示真誠答謝和新春祝賀，同時也希望讓更多用戶能夠體驗到中國聯通在4G時代更快的網絡速度、連續的移動寬帶覆蓋和更好的高速移動寬帶體驗。下面就市場政策推廣對移動上網3G用戶及流量的變化情況進行詳細分析。
1、手機上網3G用戶變化趨勢W網手機上網出賬用戶數從去年以來基本處于增長趨勢。截止2014年3月，W網手機用戶增長47.37%，3月用戶量環比增幅3.28%，同比增幅為28.57%；3G用戶增長顯著，聯通上網用戶曾穩步增長，如圖1所示。
2、手機上網3G用戶流量情況（1）3G手機上網用戶流量變化趨勢W網手機上網出賬用戶使用流量從2013年3月以來變化趨勢如圖2所示。去年以來使用流量在不同區間的用戶數中，上網用戶最多集中在流量≦200M的5個區間，用戶數基本都在20萬以上，流量小于200M的總出賬用戶數占比＞70%，3月同比增加14.63%，環比增加8.86%；上網用戶使用流量＞1G的3個區間，用戶數基本都在8萬以下，出賬用戶數占比﹤5%。2月份市場對3G用戶免費贈送“500MB國內流量”后，使用小流量用戶都轉向使用大流量，流量小于200M的總用戶數除2月份有所下降外基本都處于上升趨勢；用戶使用200M＜流量≤4G的4個區間，用戶基本處于穩步上升，2月份出賬用戶數增長明顯，1G＜流量≤4G的用戶環比增幅最大，達到46.75%。W網手機上網用戶使用中低端套餐居多，去年3月以來流量＞100M的用戶數增長顯著，3G總用戶量曾增長趨勢。（2）3G手機上網用戶占比變化趨勢如圖3所示，W網手機上網不同流量出賬用戶占比從去年以來基本處于增長趨勢，50M及以上手機上網用戶占比較大。截止2014年3月，50M以上用戶占比從去年以來增幅15.3%，3月環比增幅1.5%，同比增幅為12.8%；300M以上用戶占比從去年以來增幅7.2%，2月增長顯著，2月環比增幅5%，同比增幅為11.7%，3月環比降幅3.4%，主要是市場僅2月對3G用戶免費贈送“500MB國內流量”導致，市場政策對用戶使用業務影響很大。W網數據日均流量從去年以來基本處于增長趨勢。截止2014年3月，日均流量增長了40.19%；受市場政策推出僅2月對3G用戶免費贈送500MB流量，2月流量增長迅猛，2月環比增幅18.38%，同比增幅57.54%，3月環比降幅為14.43%，W網數據流量整體增長顯著，如圖4所示。
二、移動核心網分組域設備運行分析
為確保上網業務高效、暢通運行，提升分組域業務疏通能力，每月定期分析網絡資源及負荷情況，為前臺市場營銷及業務推廣提供了有效的數據業務保障。下面就市場政策推廣對分組域設備負荷及承載變化情況進行分析。1、分組域核心設備負荷情況核心設備SGSN、GGSN各網元從去年1月至今，主處理器峰值負荷在80%以下，均在安全門限范圍內。2、分組域核心設備忙時業務流量利用率情況核心設備GI接口忙時業務流量占最小帶寬利用率變化趨勢如圖5。從去年1月至今，WAP業務流量基本處于增長趨勢，占比在12%-25%之間，屬于輕載運行；NET業務流量占比2013年5月有所下降，是由于增加NET出口，最小帶寬增加引起，5月后NET業務流量基本處于增長趨勢，受市場政策僅2月對用戶贈送流量影響，2月NET業務流量增長顯著，1年來NET占比在14%-35%之間，屬于輕載運行，目前帶寬能滿足各業務的正常運行。
三、綜述
網絡分析范文5
關鍵詞：社會網絡分析；網絡結構；專利合作；產學研
中圖分類號：F04 文獻識別碼：A 文章編號：1001-828X（2016）025-000-01
一、引言
合作專利作為產學研合作的重要成果形式之一，在研究產學研合作中有較高的可量化價值[1]。青島市產學研合作近年來快速發展，專利合作初具雛形[2]，呈現出網絡化的特征[3]。從社會網絡的視角下分析青島市產學研發展的現狀，探究其關鍵節點，對促進青島市產學研合作發展有較強的現實意義。
二、青島市產學研合作專利現狀
專利數據均來源于國家知識產權局專利檢索分析系統（）。為了了解合作專利在青島市的現狀，且避免任何遺漏，檢索式選用“申請人=大學 and 公司”，“地址=青島”的方式檢索專利，其他情況以此類推。根據國家知識產權局專利檢索及分析系統的檢索，截止2016年5月20日，共檢索到專利990件，剔除干擾項如“青島大學科技教育開發公司食品科學研究所”非合作專利項及高校間的合作專利項，共獲得有效合作專利947項。
如圖1所示，整體來說，隨著時間的推移，青島市合作專利的申請量逐年上升，呈現出一種階段性的特征，一是1985-2006年為萌芽階段，二是2006-2010年為起步階段，而三是自2010年前后有較為明顯的增長，進入快速發展段。
三、專利合作社會網絡分析
將前文所述的合作專利數據進行處理，以合作次數確定權重，刪除重復數據，以導入社會網絡分析軟件GEPHI中，獲得1985-2016青島市專利合作網絡圖，如圖2所示。圖中節點表示專利申請主體，節點標簽的大小代表與之合作節點個數的多少；連線表示節點相互關聯的關系，即高校與企業合作申請了專利，連線的粗細則代表合作次數的多少。
觀察圖2可以看出，青島市專利合作網絡具有較明顯的以各大高校為關鍵節點的社區結構[4]。
將2009-2015年青島市合作專利數據逐年導入GEPHI軟件，獲得專利合作網絡參數的變化趨勢，如圖3所示。其中加權平均度呈上升趨勢，表示各節點的合作節點數量逐年上升；圖密度逐年下降，表示節點連接逐年松散；平均路徑長度呈逐年上升趨勢，網絡直徑呈上升趨勢，表示節點的連接難度逐漸增大。
結合合作專利申請數量不難看出，青島市專利合作網絡結構逐漸向大范圍、低密度、多社區的結構發展，各關鍵節點的輻射范圍日漸擴大，作用也逐漸增強。圖4為近年專利合作網絡中的關鍵節點中介中心度的變化趨勢。
然而不可否認的是，不同領域的專利發明創新周期和難易程度均存在較大差異，在一定程度上也影響了專利合作網絡的結構。
四、結論與展望
青島市近年來產學研發展較為迅速，特別是“十二五”以來成果顯著，以高校為核心的發展模式勢頭良好，專利合作網絡范圍日漸擴大，綜合實力強的高校在專利合作網絡中占主導地位，而且呈現出“二八分化”的特征。由于不同行業領域專利的異質性，對區域專利合作網絡的研究造成了一定程度影響，將在后續研究中針對特定領域的專利合作網絡進行研究。
參考文獻：
[1]吳偉，呂旭峰，余曉.協同創新視閾下部屬高校合作專利產出發展探析[J].中國高教研究，2013，09：12-18.
[2]丁海德，綦曉卿，周曉梅.青島高?？萍紕撔履芰Ψ治雳D―基于專利信息視角[J].科技管理研究，2012，21：103-107.
網絡分析范文6
關鍵詞：城市公園 可達性 網絡分析 GIS
城市公園是城市綠化系統的重要組成部分，同時也是城市居民游憩的重要場所。隨著社會經濟的發展，城市居民生活水平的不斷提高，人們越來越意識到城市公園在生活中的重要性。然而一直以來，城市人均公園面積、綠地率、綠化覆蓋率等面積比率指標作為核心指標來指導和衡量城市綠地建設，這些指標雖然能從宏觀上反映出城市綠地的數量特征，卻沒有考慮到綠地的布局及其為市民提供服務的享用情況，引起一些專業學者對其合理性的質疑。隨著可達性概念的提出，人們開始關注城市公園的可達性。目前針對城市公園可達性研究較多，研究方法也多種多樣，但沒有一種可達性評價方法在綠地規劃實踐中得到廣泛應用，可達性難以成為規劃行業認可的統一指標。因此，迫切需要找到一種與綠地規劃建設過程緊密結合，計算結果可靠且便于規劃人員理解操作的可達性評價方法。
一、城市公園可達性的含義
由于可達性涉及的領域較多，不同的研究尺度和領域下所衡量的具體對象不同，對可達性的定義也不一樣，因而對可達性的精確定義學術界沒有一致看法。本文對可達性的定義為：人們從空間任意一點克服空間阻力到達目的地的相對難易程度，反映了人在到達目的地的運動過程中所克服空間阻力的大小。城市公園的可達性可理解為空間任意一點到達特定公園的相對難易程度，反映人在城市中的水平運動需要克服空間阻力來完成，即城市公園的空間可達性。
二、城市公園可達性研究中的關鍵問題
可達性既和目的地有關，又與起點和目的地之間的連接方式有關，還包括了使用人群的特征等，概括起來，城市公園可達性的影響因素主要有：居民行為習慣，城市交通系統，城市公園周邊的居住人群數量及公園自身的吸引力?？蛇_性研究計算，是通過對影響因素的提取并通過合理的運算表達出來的。將客觀實體抽象化，是可達性計算中必不可缺少的步驟。
（1）城市公園的抽象表達 城市公園常表現出具有一定大小的面狀結構，可達性研究中常以點、公園幾何中心或質心及多邊形表示。這與市民從入口處進入公園的實際行為不相符，對公園可達性計算會造成一定的影響。因此，以實際的公園入口點作為公園的代表，每個公園用入口點的集合來表示。
（2）公園人流的統計 人口統計是可達性評價中的關鍵步驟之一。現有的人口數據多為一定面域內的人口總數，與實際人口分布的非勻質性有出入。一般而言，人口聚集度越高，所產生的聚集誤差越大，可達性的精確度則越低。而高精度的數據會大大增加數據處理的成本，實際操作有一定的難度，需要在數據處理和可達性計算精度之間進行權衡。
（3）空間阻力的表達方式 可達性的核心思想為反映人克服空間阻力的到達目的地的相對難易程度，空間阻力的表達則是衡量可達性計算方法準確與否的重要標尺。對可達性的不同理解及對影響因素的不同考慮，必然會體現在空間阻力的表達上。
（4）城市公園吸引力 城市公園吸引力差異表現為不同類型、性質、規模的公園具有不同的服務半徑?？蛇_性計算中準確考慮公園的吸引力差異將會大大提高計算結果的可靠性。
三、網絡分析及其適用性
城市公園可達性的網絡分析是指通過計算某種交通方式，以道路網絡為基礎，城市公園在某一阻力值下的覆蓋范圍。該方法以真實道路及市民進入公園的實際過程為基礎，能較好的實現行進路徑與現實路徑的擬合，準確地反映和表達空間阻力障礙，在國內外研究中均有應用。Jeong[1]、李小馬和劉常富[2]以城市道路為基礎，綜合考慮了十字路口、人行橫道、過街天橋和地下通道的影響分別研究了韓國首爾和中國沈陽城市公園的可達性。黃翌等[3]通過市民進入公園的實際方式利用網絡分析法研究了徐州主城區綠地的可達性，該方法克服了直線距離不能識別可達過程中的空間障礙和通過對分類城市景觀賦以相對阻力值所產生的阻力衡量誤差。李博等[4]比較了網絡分析法與基于相對阻力的費用加權距離法和基于道路的費用加權距離法在城市綠地可達性評價中的應用，并通過實地驗證，指出網絡分析法的結果更接近現實。同時，還指出可通過對不同綠地進行分類來區別不同功能、面積公園的吸引力和影響范圍的差異，并在具體的操作計算上得以體現。這即為本文所指的基于網絡分析的城市公園可達性研究方法。該方法綜合考慮的可達性的影響因素，彌補了以往分析中未能將城市公園吸引力差異考慮其中的不足，提高了網絡分析的準確度，且方便可行，便于規劃人員在實踐中操作運用。
四、城市公園可達性分析評價模型的構建
通過GIS建立城市公園空間可達性分析模型，使得可達性的計算更為簡便、精確方便和有效。因此，GIS技術平臺是完成城市公園可達性分析、評價、預測和輔助做出城市公園布局方案決策的重要技術支撐。其具體步驟如下：
（1）建立研究區源文件數據庫 在已有的城市公園現狀資料基礎上，統計出現有城市公園的類型、名稱和面積，并將不同類型的城市公園分別放在不同的圖層上；逐一統計出各個公園的出入口，并將其作為源點標示出來。
（2）建立城市道路數據庫 在城市道路交通現狀資料基礎上，將城市道路進行分類統計，按道路類型分為普通道路、十字路口、人行橫道、過街天橋和地下通道；以道路中心線為基礎，將道路抽象為線，通過打斷以及連接中心線交叉點來建立城市道路拓撲網絡；確定各道路線段的長度。
（3）建立研究區人口分布數據庫 以全國人口普查數據（一般以街道辦事處為區域的人口分布數據庫）為基礎，計算生成研究區的城市人口分布。
（4）設置阻力屬性 在城市道路數據庫基礎上，通過空間阻力模型計算各路段阻力值，在GIS技術平臺上給各不同類型的道路段賦以相應的阻力值，一般為在道路上移動所花費的時間。
（5）計算生成等時線范圍 利用GIS軟件的網絡分析功能，根據不同類型的城市公園類型，生成源點沿道路網絡行進的相應服務時間所為何形成的范圍，此范圍即為一定時間成本可達性范圍。
（6）統計分析 將上一步得到的可達性范圍與城市人口分布圖在GIS 技術平臺上進行疊加裁剪，通過研究區的服務面積比、服務人口比兩個指標來評價城市公園的服務狀況。
通過分析，規劃人員就可以很直觀的判斷出城市公園可達性的好壞，對不在服務區范圍的地塊進行重點規劃，以提高相應的服務比例指數。
結語
