中心性的局限性

中心性指标是用来找出网络中最重要节点的数学工具，但只靠其中一种指标可能会误导你。这就像只凭发动机的声音判断汽车的速度：声音大，不一定跑得快。在上面的例子中，“八卦王”很显眼（度中心性高），而“联络员”则凭借所处的网络位置，掌握着控制群体之间信息流动的权力（介数中心性高）。只看一个指标，就会忽略信息实际流动的复杂性。 检查一下：下次你要找出关键人物时，问问自己，这个人是“枢纽”（受欢迎），还是“桥梁”（至关重要）？

网络很复杂，而“重要”是一个主观判断，取决于网络中流动的是什么：病毒、传言，还是包裹。不同指标衡量的是不同类型的影响力，得出的结果往往还会相互冲突。

情境陷阱 “度中心性”（连接数量）高，说明一个人受欢迎，却不一定有影响力。前台接待员会和所有人交谈，却未必能影响战略决策。反过来，在大流行期间，要找出“超级传播者”，最适合用的就是度中心性。所以，这个指标是否适用，要看具体情境。

瓶颈盲区 “介数中心性”这类指标可以找出充当桥梁的节点。一位连接工程部门和销售部门的研究人员，朋友可能不多，却掌控着产品发布的时间安排。如果你只数连接数量，就会漏掉这个关键的薄弱环节。

边界问题 计算中心性，需要先划定网络的范围。如果你的数据没有纳入外部合作伙伴、非正式顾问或家人，那么算出来谁处于“中心”可能完全不对，因为这个指标对你划定的网络边界很敏感。

实际应用

• 在人力资源管理中：别因为一位安静的员工开会较少，就忽略了他连接各个孤立部门的作用。
• 在营销中：别只花钱找粉丝最多的网红；要想触达更多不同的人，就去找那些连接着多样且互不重叠社群的网红。

中心性指标并不是衡量重要性的通用标准，而是严格依赖于你对网络中流动过程的假设。

• Borgatti（2005）：中心性指标隐含着特定的流动特征。例如，介数中心性假设传输沿着最短路径进行（比如运送包裹），但对闲话这类随机游走的传播过程，这个假设就不成立了 [1]。
• Landherr 等（2010）：“边界界定问题”揭示，数据缺失或网络边界划定错误，可能会大幅改变中心性排名，使其在含有噪声的数据集中不稳定 [2]。
• Costenbader 和 Valente（2003）：网络数据中的抽样误差会产生非线性影响。即使只漏掉少数几个中心节点，也可能让外围节点计算出的中心性出现剧烈波动 [3]。

静态偏差：大多数指标分析的是某一时刻的静态快照，忽略了数字网络中的关系几乎可以瞬间改变。

节点同质性：这些指标往往把所有节点视为相同的处理单元，忽略了个体的处理能力、智能水平或传递意愿，而这些因素往往比结构位置更重要。