接近中心性

网络用连线表示人与人或地点与地点之间的连接。如果网络中至少有两个人，每个人都能到达其他人，而且连线是双向的，那么接近中心性越高，到其他人的平均路径就越短。仅凭这一点，还不能保证沟通更快。画出四个人和他们之间的连线，再数一数每两个人之间最少要走几步。

图用节点和边来表示网络：节点可以代表人，边代表他们之间的连接。最短路径距离，就是两个节点之间所有路径中最小的总距离。在连通图中，每个人都能到达其他人；在无向图中，连线都是双向的。对于至少有两个节点的这类图，归一化接近中心性就是到其他所有节点的平均最短路径距离的倒数。分数越高，平均距离越短。[2]

未归一化的版本则取这些距离总和的倒数。假设有一个四人网络，其中首席执行官、人力资源协调员和实习生都只与 IT 经理相连。每条连线算一步。IT 经理到其他人的距离分别是一步、一步和一步；其他每个人到其余人的距离都是一步、两步和两步。因此，IT 经理的平均距离最短，接近中心性最高。

度中心性统计直接连接的数量。中介中心性衡量一个节点出现在其他节点之间最短路径上的频繁程度。接近中心性衡量到其他节点的距离。这些指标描述的是不同的结构特征：直接连接最多，平均距离不一定最短。如果一个人连接着不同的社交群体，你就可以同时从中介中心性和接近中心性来考察他的位置。[1]

这个职场例子是用来帮助理解的假设性类比，并不是关于现实中 IT 经理或首席执行官的证据。没有实际的网络信息，仅凭职位、每周联系情况和涉及哪些部门，无法确定接近中心性。同样，评估交通枢纽也需要知道路线和距离。仅凭平均距离短，无法认定传言传播最快、存在隐性影响力或瓶颈，也无法认定任命某人为协调员就能带来更好的决策。

加权图会给连线赋予数值。计算接近中心性时，这些数值必须表示距离或成本，最短路径要让沿途数值的总和最小。有向图中的连线可能只允许单向通行，所以你需要说明，计算的是到达某个节点的距离，还是从这个节点出发的距离。图分析软件库 NetworkX 默认使用到达节点的距离。[2]

在不连通的图中，有些节点无法到达其他节点，因此，按经典定义计算到所有节点的距离时，会包含无穷大。要采用实用的变体，就需要明确处理规则。NetworkX 会在可达部分内计算距离，默认还会根据可达部分占整个网络的比例来调整分数。解读分数时，要说明采用了哪种约定。[2]

• 概念理论：Freeman 将度中心性、中介中心性和接近中心性区分为三种不同的结构概念，分别与活跃程度、对沟通的潜在控制能力，以及不依赖中间人的程度相关。这些是概念层面的解读，并不能证明它们会带来哪些职场结果。[1]
• 实现说明：NetworkX 将归一化接近中心性定义为平均最短路径距离的倒数。对于至少有两个节点的连通无向图，计算会用到该节点到其他每个节点的距离；分数越高，平均距离越短。[2]
• 实现说明：NetworkX 支持以距离为权重的连线和有向图，默认使用到达节点的距离。对于不连通的图，它默认根据可达部分占整个网络的比例，调整在可达部分内算出的接近中心性。[2]
• Freeman 回顾的实证证据：论文指出，早期群体实验的发现令人困惑，而且常常相互矛盾，并呼吁针对不同的中心性概念开展更多实证研究。论文并未证实，按接近中心性分配协调角色就一定能带来改善。[1]

接近中心性取决于你选择的网络和距离。仅凭职位和联系频率，无法确定它的数值。一个基于距离的分数，本身不能说明实际沟通速度、影响力或组织绩效。加权连线需要有意义的距离或成本；有向连线需要说明计算的是到达节点还是从节点出发的距离。不连通的图需要明确规定如何处理无法到达的节点。员工、社交群体和交通的例子都是帮助理解的假设性类比，并非实证发现。