Python实现社交网络分析SNA公司董事数据与跨行业网络桥接识别可视化|附代码数据

全文链接：https://tecdat.cn/?p=44242

原文出处：拓端数据部落公众号

分析师：Song Yang

引言

在数字化时代，企业间的关联早已超越股权与业务合作，董事作为核心决策参与者，其跨企业任职形成的社交网络逐渐成为资源流动、信息传递与治理效能的关键载体。从数据科学视角来看，董事网络本质是复杂社会网络的商业映射，其结构特征直接影响企业战略选择、风险传导与资源整合效率。这一现象并非偶然，随着市场竞争加剧与跨界合作增多，董事凭借多元任职经历搭建的“隐形桥梁”，既可能成为企业发展的助推器，也可能暗藏系统性风险传导的隐患。

本文改编自我们为某金融机构完成的企业治理咨询项目，核心目标是通过数据挖掘技术拆解董事网络的内在逻辑，为投资者、监管机构与企业管理层提供决策支撑。作为长期深耕商业数据分析的团队，我们具备从数据采集、模型构建到落地应用的全流程服务能力，已助力数十家企业解决网络分析类实际问题。

研究以专业董事数据库的真实任职数据为基础，通过Python生态工具构建网络模型，融合四种核心中心性指标实现关键董事识别，同时创新引入跨行业网络对比与桥接节点分析，完整呈现董事网络的“核心-边缘”结构与行业差异特征。

本文内容源自过往项目技术沉淀与已通过实际业务校验，该项目完整代码与数据已分享至交流社群。阅读原文进群，可与600+行业人士交流成长；还提供人工答疑，拆解核心原理、代码逻辑与业务适配思路，帮大家既懂怎么做，也懂为什么这么做；遇代码运行问题，更能享24小时调试支持。

 

1. 核心理论与方法简化

1.1 社交网络分析核心概念

社交网络分析（SNA）是通过数学模型描述节点（个体/组织）与边（关联关系），并量化网络结构与节点重要性的分析方法。本文聚焦四个核心中心性指标，用通俗语言解释其商业意义：

• 度中心性：衡量董事直接关联的同行数量，反映“朋友圈广度”；
• 接近中心性：衡量董事到达其他节点的平均距离，反映“信息获取速度”；
• 中介中心性：衡量董事作为不同群体连接桥梁的频率，反映“资源调配能力”；
• 特征向量中心性：不仅关注连接数量，更重视连接对象的重要性，反映“行业话语权”。

1.2 技术工具与国内适配性

本文使用的Python生态工具（NetworkX、Matplotlib、Seaborn）均为开源免费软件，国内可直接访问使用，无需特殊配置；数据来源为BoardEx数据库，国内用户可通过合规数据服务商获取，替代方案包括Wind、同花顺iFinD等平台的董事任职数据，功能与数据完整性基本一致。

2. 数据概况

2.1 数据基础信息

研究采用的董事数据覆盖2023-2024年任职记录，经清洗后保留有效记录20210条，涉及15071名独立董事与2853家企业，包含60个核心字段（如董事ID、企业ID、任职时间、行业分类等）。

2.2 数据分布特征

数据呈现出鲜明的商业属性特征：行业分布分散且均衡，非执行董事与独立董事占比超七成，企业董事会规模集中在5-15人区间，董事的网络连接数量呈现“少数人连接广泛、多数人连接有限”的长尾分布特征。

上图清晰展示了行业分布、董事角色分布、董事会规模分布与网络大小分布四大核心特征，为后续网络构建提供了数据基础支撑。

3. 网络构建与代码实现

3.1 核心代码（修改后版本）

以下代码实现了网络构建、中心性计算与行业对比的核心逻辑，关键部分已省略（用…替代），完整代码可通过社群获取：

1.  
   #!/usr/bin/env python3
2.  
   # -*- coding: utf-8 -*-
3.  
   """
4.  
   公司董事行业网络对比分析工具
5.  
   功能：构建董事社交网络、计算核心指标、生成行业对比可视化
6.  
   """
7.  
   import pandas as pd
8.  
   import numpy as np
9.  
   import networkx as nx
10.  
    import matplotlib.pyplot as plt
11.  
    import seaborn as sns
12.  
    from collections import defaultdict, Counter
13.  
    import warnings
14.  
    warnings.filterwarnings('ignore')
15.  
    # 设置绘图参数
16.  
    plt.rcParams['font.sans-serif'] = ['SimHei', 'Arial Unicode MS']
17.  
    plt.rcParams['axes.unicode_minus'] = False
18.  
    plt.rcParams['figure.figsize'] = (14, 10)
19.  
    def build_sector_network(df_processed, sector_name):
20.  
    """
21.  
    构建单个行业的董事网络
22.  
    参数：预处理后的数据集、行业名称
23.  
    返回：网络对象
24.  
    """
25.  
    net = nx.Graph()
26.  
    edge_counts = defaultdict(int)
27.  
     
28.  
    # 按企业分组获取董事列表
29.  
    company_director_map = df_processed.groupby('boardid')['directorid'].apply(list).to_dict()

 

3.2 代码功能说明

上述代码实现了三大核心功能：一是数据预处理与清洗，筛选有效任职记录；二是行业网络构建，以董事为节点、共同任职为边建立无向网络；三是核心指标计算，自动生成四大中心性指标与网络结构参数；四是行业对比与跨行业节点识别，为后续分析提供数据支撑。

---

相关文章

使用Python和SAS Viya分析社交网络

全文链接：http://tecdat.cn/?p=7303

---

4. 核心分析结果

4.1 整体网络结构特征

构建的董事网络包含15071个节点（董事）与63479条边（共同任职关系），网络密度为0.000559，最大连通分量占比53.2%。这表明董事网络是“低密度、高连通”的复杂网络，且呈现典型的“小世界”特征——平均聚类系数高达0.892，意味着董事倾向于与同行的关联者建立连接，信息传递效率高。

上图展示了四大中心性指标的分布特征与相关性：度中心性和特征向量中心性高度相关（相关系数>0.8），说明“朋友圈广”的董事往往连接的也是行业内重要人物；中介中心性分布极不均衡，少数董事掌握着不同群体间的连接权。

4.2 关键董事识别

通过综合四大中心性指标得分，识别出排名前十的核心董事（示例前5名）：

1. Barry O’Dwyer（综合得分0.1045）
2. Moni Mannings（综合得分0.1045）
3. Claudia Arney（综合得分0.1039）
4. Elisabeth Scott（综合得分0.1034）
5. Susan Kilsby（综合得分0.1010）
   这些董事普遍具备跨行业任职经历，平均连接董事数量是普通董事的7倍以上，在信息传递与资源整合中发挥着关键作用。

4.3 网络可视化结果

可视化结果清晰呈现了网络的“核心-边缘”结构：核心区域由高中心性董事构成，边缘区域为普通董事；网络中存在多个紧密连接的“小圈子”（可能对应行业集群或企业联盟），部分董事作为“桥接节点”连接不同圈子，这些节点正是中介中心性较高的核心人物。

5. 行业对比与跨行业分析

5.1 行业对比结果

选取数据量最大的两个行业（专业金融、商业服务）进行深度对比，核心指标如下：

指标	专业金融行业	商业服务行业
董事总数	1882	1491
连接总数	7110	4910
网络密度	0.004	0.004
平均聚类系数	0.952	0.965
平均度数	10.514	6.703
最大度数	21	32
最大连通分量占比	3.9%	2.5%

对比发现：专业金融行业网络规模更大，连接更广泛；商业服务行业聚类系数更高，内部凝聚力更强；两个行业的网络均呈现“碎片化”特征，最大连通分量占比均不足4%，说明行业内董事主要活跃于小规模圈子。

5.2 跨行业桥接董事识别

共识别出39名同时任职于两个行业的跨行业董事，他们成为行业间信息传递与资源流动的关键桥梁。其中排名前五的核心桥接董事：

1. Penny Judd（专业金融2家+商业服务2家）
2. Sarah Ing（专业金融3家+商业服务1家）
3. Tim Bunting（专业金融2家+商业服务1家）
4. Libby Chambers（专业金融2家+商业服务1家）
5. Mandy Donald（专业金融2家+商业服务1家）
   这些董事的存在打破了行业壁垒，为企业跨界合作、风险分散提供了天然渠道，其网络价值远超单一行业内的董事。

6. 实践应用建议

6.1 对投资者的建议

优先关注核心董事任职的企业，这类企业往往具备信息优势与资源整合能力；通过网络分析识别企业间的隐性关联，规避系统性风险；将董事网络位置作为评估企业治理质量的重要指标。

6.2 对监管机构的建议

重点监控核心桥接董事的任职行为，防范风险跨行业传导；要求企业披露董事跨企业任职信息，提升治理透明度；基于行业网络特征制定差异化监管政策。

6.3 对企业的建议

招聘董事时关注其网络位置与连接质量，通过核心董事引入外部资源；利用董事网络获取行业最佳实践，优化治理结构；借助跨行业董事拓展业务边界，实现战略升级。

7. 总结与服务支持

本文通过社交网络分析技术，完整拆解了董事网络的结构特征、行业差异与核心价值，创新点在于融合多维度中心性指标实现关键节点精准识别，同时挖掘跨行业桥接董事的独特价值，为相关方提供了数据驱动的决策支撑。
我们始终坚持“买代码不如买明白”的服务理念，人工创作比例超90%，有效规避查重风险与代码漏洞；24小时响应“代码运行异常”应急修复服务，效率较自行调试提升40%。项目完整代码、数据与详细解析已分享至交流社群，进群可与600+行业人士交流成长，获取人工答疑与代码调试支持，真正做到既懂“怎么做”，也懂“为什么这么做”。
无论是学术研究、课程设计还是企业实际项目，我们都能提供定制化的数据分析解决方案，助力快速落地技术应用、提升成果质量。

关于分析师

在此对 Song Yang 对本文所作的贡献表示诚挚感谢，他在兰卡斯特大学完成了商业分析专业的硕士学位，专注数据相关领域研究。擅长 R 语言、Python，在数据处理与分析、机器学习、实证研究以及学术与商业报告撰写方面具备扎实能力。