企业官网建设流程全解析

1. 为什么 UCINET 6.0 至今仍是社会网络分析的入门首选

聊到社会网络分析（Social Network Analysis，简称 SNA），很多刚接触这个方向的朋友第一反应是去学 Python 的 networkx 或者 R 的 igraph。这两个工具确实强大，但如果你问一个在高校做社科量化研究、或者在企业做组织关系分析的老手，他们大概率会告诉你：先拿 UCINET 跑一遍，把中心度、密度、凝聚子群这些基础指标摸清楚，再考虑上代码。UCINET 6.0 就是这么一个存在——它不新，界面甚至有点"上个时代"的味道，但它在社会网络分析领域的地位，类似于 SPSS 在统计分析领域的地位：功能聚焦、操作直观、结果可解释性强，而且大量经典教材和论文的案例都是用它跑出来的。

这个项目标题说的是"免费下载 UCINET 6.0 下载资源介绍"，核心诉求其实很明确：用户想拿到这个软件，并且想知道怎么装、怎么用、装完能干什么。但光给一个下载链接是没有价值的，因为 UCINET 6.0 的安装和使用本身有一堆坑——它依赖特定的运行库、对系统版本有要求、试用版有节点数量限制、数据导入格式很挑剔。我见过太多人下载完打开就报错，或者导入数据后跑出来的结果和教材对不上，最后放弃。所以这篇内容我会把 UCINET 6.0 从获取、安装、配置到跑出第一个分析结果的完整链路讲透，同时把那些官方文档里不会写的坑一并交代清楚。

适合谁看：社会学、传播学、管理学、情报学方向的研究生和青年教师；做组织网络、知识图谱、社交关系分析的产品和运营同学；以及任何需要快速做出一份网络结构分析报告的人。不需要你会编程，但需要你有基本的矩阵概念和一点耐心。

提示：UCINET 6.0 是商业软件，官方提供的是功能受限的试用版本。本文讨论的是如何合法获取试用版并完成学习用途的配置，不涉及任何破解手段。如果你所在机构购买了授权，请优先使用机构授权版本。

2. UCINET 6.0 的定位与核心能力拆解

2.1 它到底能做什么：从中心度到凝聚子群的全套指标

UCINET 的全称是 University of California at Irvine NETwork，最早由 Lin Freeman 等人开发，后来由 Steve Borgatti、Martin Everett 和 Lin Freeman 共同维护。6.0 这个版本是它生命周期里最稳定、被引用最多的一个版本，配套的 NetDraw 负责可视化，Pajek 有时也会被一起提及作为互补工具。

它的核心能力可以分成几大块。第一块是描述性网络指标：密度（density）、平均度、直径、平均路径长度、聚类系数。这些是任何网络分析的第一步，用来判断这个网络是紧密还是松散。第二块是中心度分析：度中心度（degree）、接近中心度（closeness）、中介中心度（betweenness）、特征向量中心度（eigenvector）。这四类中心度回答的问题完全不同——度中心度看谁连接多，中介中心度看谁掌握信息流通的"咽喉"，特征向量中心度看谁连接的人本身也重要。第三块是凝聚子群分析：派系（clique）、n-派系、k-核（k-core）、成分（component）、Factions、CONCOR 等。第四块是结构对等性分析：用来找出在网络中位置相似的行动者，常用于角色分析。第五块是统计模型：包括 QAP 相关与回归、MRQAP 等，用来做网络数据的假设检验。

这五块能力覆盖了社科研究中 90% 以上的网络分析需求。你如果只是要写一篇硕士论文或者做一份企业组织网络诊断报告，UCINET 6.0 完全够用，而且它输出的表格格式非常规范，直接贴进论文或报告里不需要太多整理。

2.2 为什么是 6.0 而不是更新的版本：版本选择的现实考量

UCINET 后来出过 6.2、6.3、6.4、6.5、6.6 等版本，功能上确实有增加，比如对大型网络的处理能力、部分算法的优化。但为什么 6.0 依然是搜索热词？原因很实际。

一是教材配套。国内大量社会网络分析的教材，比如刘军的《社会网络分析导论》、罗家德的《社会网分析讲义》，案例截图和操作步骤都是基于 6.0 或 6.x 早期版本。你用新版本，菜单位置变了，学生跟着书操作会卡住。二是稳定性。6.0 的 bug 在多年使用中已经被摸透了，遇到问题基本都能搜到解决方案；新版本反而可能遇到一些冷门报错没人讨论。三是文件兼容。很多老的研究数据集是 6.0 格式的 ##h 文件和 ##d 文件，新版本虽然能读，但偶尔会有编码问题。

所以如果你是为了跟着教材学、或者复现老论文的结果，6.0 是更稳妥的选择。如果你要做大规模网络（上万节点）或者需要最新的统计模型，那可以考虑更新版本或者直接上 R 的 statnet/sna 包。

2.3 和 networkx、igraph 的对比：什么时候该用哪个

这里必须说清楚，UCINET 不是万能的。我做一个简单的对比，方便你判断。

我的建议是：探索阶段用 UCINET，生产阶段用代码。你先用 UCINET 把数据摸一遍，知道网络长什么样、哪些指标有意义，然后再用 networkx 或 igraph 写成脚本，这样既保证了理解深度，又保证了可复现性。很多人一上来就写代码，结果跑出一堆数字但不知道意味着什么，这是本末倒置。

3. 获取与安装：从下载到跑通第一个案例

3.1 下载渠道的甄别与文件构成说明

UCINET 6.0 的官方发布渠道是 Analytic Technologies 公司网站。你搜索"UCINET download"能找到官方页面，上面提供试用版下载。试用版的限制通常是节点数量（比如 100 个节点以内）和部分高级功能的禁用，对于学习和小型案例完全够用。

下载下来通常是一个压缩包，解压后你会看到几个关键文件：Ucinet6.exe是主程序，NetDraw.exe是可视化程序，还有一个##h和##d的示例数据文件夹。这里要特别注意：UCINET 的数据文件是成对出现的。##h文件存的是表头（节点标签、行列信息），##d文件存的是数据矩阵本身。你如果只拷贝了##d文件，打开会报错或者读出来是乱码。这是新手最容易踩的坑，没有之一。

另外，网上流传的一些"绿色版""汉化版"压缩包，我强烈建议不要用。原因有三：一是可能捆绑恶意程序；二是汉化往往不完整，菜单翻译错误反而误导操作；三是版本被改动后，跑出来的结果和教材对不上，你根本不知道是操作错了还是软件被改了。老老实实用官方试用版，配合英文界面，用一周就习惯了。

3.2 安装过程中的依赖问题与系统兼容处理

UCINET 6.0 是个老程序，它对运行环境有要求。在 Windows 10 和 Windows 11 上安装，最常见的报错是缺少运行库。具体来说，它依赖Visual C++ 运行库的某些版本，以及一些老的 DLL 文件。如果你打开就提示"缺少 msvcpXX.dll"或者"应用程序无法正常启动"，八成是运行库没装全。

处理办法很直接：去微软官方下载Visual C++ Redistributable的合集包，把 2005、2008、2010、2013、2015-2022 这几个版本都装上。注意是 x86 和 x64 都要装，因为 UCINET 是 32 位程序，它调用的是 32 位的运行库。这一步做完，大部分启动问题就解决了。

还有一个坑是安装路径。UCINET 6.0 对中文路径和空格路径的支持不好。你如果把它装在C:\Program Files\UCINET 6这种带空格的路径下，有时候读写数据文件会失败。我的习惯是装在D:\UCINET6这种纯英文、无空格、层级浅的路径下。数据文件也放在同一个盘符的英文目录里，比如D:\UCINET6\data。这个习惯帮我省掉了至少十次莫名其妙的报错。

如果是 macOS 用户，UCINET 没有原生 Mac 版本。你需要用虚拟机或者兼容层来运行 Windows 程序。这里我不展开具体方案，只提醒一点：兼容层运行老程序时，文件系统的映射容易出问题，数据文件最好放在兼容层能直接访问的共享目录里，不要放在系统盘深处。

3.3 首次启动的配置与界面速览

第一次打开 UCINET 6.0，你会看到一个非常朴素的窗口，顶部是菜单栏，中间是空白的工作区。别被这个界面吓到，它的逻辑其实很清晰。

菜单栏里最常用的几个是：Data（数据导入导出、矩阵运算）、Network（各种网络指标计算）、Tools（QAP、MRQAP 等统计工具）、Visualize（调用 NetDraw）。工作区上方有一排小图标，对应的是打开文件、保存、矩阵计算器等快捷操作。

启动后建议先做一件事：设置默认工作目录。在菜单里找到相关选项，把默认目录指向你放数据的文件夹。这样每次打开文件对话框时，它会直接定位到你的数据目录，省去反复导航的麻烦。这个设置很多人不知道，每次都要点好几层目录才能找到文件，效率很低。

然后打开自带的示例数据跑一遍。示例数据通常在安装目录的data子文件夹里，找一个叫Kracknet或者类似的经典数据集（这是 Krackhardt 的高科技公司经理网络，社会网络分析的经典案例）。打开后先看数据矩阵，再跑一个密度和中心度，确认软件工作正常。这一步花十分钟，能帮你排除掉 90% 的环境问题。

4. 数据准备与导入：决定分析成败的关键环节

4.1 数据格式的三种类型与选择逻辑

UCINET 能读的数据格式主要有三类：矩阵格式、边列表格式、DL 格式。你得根据手头数据的形态来选。

矩阵格式就是标准的 N×N 方阵，行和列都是节点，单元格的值是关系强度。适合节点数量不多（比如 50 个以内）、关系是二值或者小整数的情况。优点是直观，缺点是节点一多，矩阵就巨大无比，而且稀疏矩阵里全是 0，浪费空间。

边列表格式是每行一条关系，比如"张三,李四,3"表示张三到李四的关系强度是 3。适合关系稀疏、节点较多的情况。UCINET 导入边列表时需要指定节点总数，否则它会自己推断，推断错了就麻烦。

DL 格式是 UCINET 自己的文本格式，全称是 Data Language。它最灵活，可以定义多模态数据、多关系数据、带属性的数据。但语法有点繁琐，新手容易写错。我的建议是：小数据用矩阵，大数据用边列表，复杂结构用 DL。

4.2 从 Excel 到 UCINET：实操转换步骤

大部分人的数据最初都在 Excel 里。从 Excel 到 UCINET，最稳的路径是：Excel → 制表符分隔的 txt → UCINET。

具体操作：在 Excel 里把数据整理成矩阵或边列表，然后"另存为"选择"文本文件（制表符分隔）(*.txt)"。注意不要存成 CSV，因为 CSV 用逗号分隔，而节点标签里如果本身有逗号就会错位。制表符分隔最安全。

然后在 UCINET 里用Data → Import → Text导入。导入对话框里要选对分隔符（Tab），要指定数据是矩阵还是边列表，要确认第一行第一列是否是标签。这里有个细节：如果你的节点标签是中文，导入后可能显示乱码。解决办法是把 txt 文件保存为UTF-8 编码，或者在 UCINET 里设置正确的字符集。实测下来，UTF-8 配合较新的系统区域设置，中文标签基本能正常显示。

导入成功后，UCINET 会生成一对##h和##d文件。这时候建议立刻用Data → Display看一眼数据，确认行列对应正确、数值没有错位。我见过太多人导入后直接跑分析，结果跑出来的中心度排名和预期完全相反，回头查半天才发现是导入时行列转置了。

4.3 数据清洗中容易忽略的细节

数据清洗这块，有几个坑必须提前说。

第一是对角线处理。矩阵的对角线通常表示自己对自己的关系，社会网络分析里一般设为 0。但有些原始数据对角线有值，你如果不清零，密度计算会偏高，中心度也会受影响。UCINET 里有专门的命令可以把对角线置零，跑分析前先做这一步。

第二是缺失值。UCINET 默认把缺失值当作 0 处理，但 0 和缺失是两回事。0 表示"没有关系"，缺失表示"不知道有没有关系"。如果缺失很多，结果会有偏差。UCINET 支持把缺失值标记为特定数值（比如 999），然后在分析时选择忽略缺失。这个设置要在导入时或分析前指定，别默认处理。

第三是对称化问题。很多关系数据是有向的（比如"谁向谁汇报"），但有些分析要求无向网络。UCINET 提供对称化命令，可以选择取最大值、最小值、平均值或者求和。选哪个取决于你的研究问题。比如汇报关系做中心度分析，通常保留有向；做凝聚子群分析，可能需要对称化。这个决策要在分析前想清楚，不能随便选一个。

注意：数据清洗的每一步都要留痕。建议在 UCINET 里每做一步变换就另存一个新文件，文件名带上变换说明，比如krack_raw、krack_diag0、krack_sym_max。这样出了问题可以回溯，也方便在论文方法部分写清楚数据处理流程。

5. 核心分析实操：从中心度到凝聚子群的完整流程

5.1 中心度分析：四类指标的实操与解读

中心度是网络分析里最常被问到的指标。UCINET 里跑中心度的路径是Network → Centrality and Power，里面列出了度中心度、接近中心度、中介中心度、特征向量中心度等选项。

跑度中心度最简单，选Degree，它会输出每个节点的度数和标准化度数。标准化度数就是度数除以 N-1，方便跨网络比较。解读时注意：度中心度高只说明连接多，不说明位置重要。一个"交际花"节点度中心度很高，但如果它连接的都是边缘节点，它的实际影响力可能不如一个度中心度中等但连接了几个关键节点的"桥梁"。

中介中心度选Betweenness，它会输出每个节点作为"最短路径中间人"的次数。这个指标特别适合找网络中的"信息枢纽"或"结构洞占据者"。实操中你会发现，中介中心度最高的节点往往不是度中心度最高的，这就是为什么两个指标要一起看。计算中介中心度时有个选项是是否考虑有向性，默认是无向，如果你的网络有明确方向，要手动改。

接近中心度选Closeness，它衡量一个节点到其他所有节点的平均距离。距离越短，接近中心度越高。这个指标对网络连通性很敏感，如果网络不连通（有孤立子群），接近中心度会失效或者给出误导性结果。所以跑之前先用Network → Cohesion → Connectivity检查一下网络是否连通。

特征向量中心度选Eigenvector，它的逻辑是"你连接的人越重要，你就越重要"。这个指标适合分析影响力传播、声望系统。计算时要注意收敛问题，UCINET 会迭代计算，如果网络有多个成分，结果可能不稳定。

5.2 凝聚子群分析：派系、k-核与成分的实操

凝聚子群分析是找"小圈子"的。UCINET 里常用的有Components（成分）、Cliques（派系）、K-core（k-核）、Factions（ factions 是一种基于优化的分组方法）。

成分分析最简单，就是找网络里互相连通的子图。路径是Network → Regions → Components → Simple graphs。输出会告诉你网络有几个成分，每个成分包含哪些节点。如果网络有多个成分，说明它不连通，后续很多分析要分成分做。

派系分析找的是"完全子图"，即子图内任意两点都直接相连。路径是Network → Subgroups → Cliques。这里有个参数叫最小派系规模，默认是 3。你可以设成 3、4、5 看不同规模下的派系分布。派系分析的结果往往很多，因为一个节点可能属于多个派系。UCINET 会输出派系共享矩阵（co-membership matrix），用来看哪些节点经常一起出现。

k-核分析找的是"每个节点至少连接 k 个其他节点"的子图。路径是Network → Regions → K-core。k-核的好处是它比派系宽松，不会因为缺一条边就把整个子群排除。实操中，k-核常用来识别网络的"核心层"和"边缘层"。你从 k=2 开始跑，逐步提高 k，看核心层怎么收缩，就能看出网络的层次结构。

Factions 是一种基于迭代算法的分组方法，路径是Network → Subgroups → Factions。它需要你指定分成几组，然后算法会尝试让组内关系最大化、组间关系最小化。这个方法的优点是能处理不完全的派系结构，缺点是结果依赖初始随机种子，多跑几次可能得到不同分组。所以跑 Factions 要设固定的随机种子，并且报告时要说明。

5.3 结构对等性分析：CONCOR 与角色分析

结构对等性（structural equivalence）是指两个节点在网络中占据相似的位置，即使它们不直接相连。这个概念在组织角色分析里很有用。UCINET 里最常用的方法是CONCOR（CONvergence of iterated CORrelations）。

路径是Network → Roles & Positions → Structural → CONCOR。CONCOR 的原理是反复计算节点之间的皮尔逊相关，然后对相关矩阵做层次聚类，直到收敛。输出是一棵聚类树，你可以根据树的结构决定分几组。

实操中，CONCOR 的分组结果要和实际背景对照。比如你分析一个公司内部的建议网络，CONCOR 分出来的组如果和部门划分高度重合，说明部门壁垒明显；如果交叉严重，说明跨部门协作多。这个解读比单纯看数字有价值得多。

CONCOR 有个常见问题：它对数据尺度敏感。如果你的关系数据是二值的，CONCOR 也能跑，但相关计算会有偏差。建议先用Data → Transform把数据标准化或者转成合适的尺度。另外，CONCOR 的聚类树有时候会出现"链状"结构，不好切分，这时候可以结合其他方法（比如 Factions）交叉验证。

6. 可视化与结果输出：让分析结果能直接进报告

6.1 NetDraw 的基本操作与布局选择

UCINET 自带的可视化工具是 NetDraw。在 UCINET 里跑完分析后，点Visualize → NetDraw就能把当前网络送进 NetDraw。NetDraw 的界面比 UCINET 主程序友好一些，左边是画布，右边是属性面板。

布局（layout）是可视化的核心。NetDraw 提供多种布局算法：Circle（圆形，适合展示整体结构）、Spring embedding（弹簧嵌入，最常用，能自动把连接紧密的节点拉近）、MDS（多维尺度，适合展示结构对等性）、Hierarchical（层次布局，适合有向的层级网络）。

Spring embedding 是默认选择，但它的结果每次跑可能略有不同，因为初始位置是随机的。如果你要出图进论文，建议固定随机种子，或者多跑几次选一个最好看的。NetDraw 里可以手动拖动节点微调位置，这个功能很实用——自动布局往往会有节点重叠，手动拖开能让图更清晰。

节点大小和颜色可以映射到属性。比如把节点大小映射到度中心度，颜色映射到凝聚子群分组，这样一张图就能同时展示多个维度的信息。操作是在 NetDraw 右侧面板的Properties → Nodes里设置。这个技巧能让你的图从"能看"变成"专业"。

6.2 结果导出与论文/报告中的呈现规范

UCINET 的结果输出是文本表格，可以直接复制粘贴。但直接粘贴到 Word 里格式会乱，建议先粘到 Excel 里整理，再贴进报告。

导出路径：在结果窗口里点File → Save，可以存成文本文件。或者在结果窗口里全选复制，粘到 Excel。Excel 里用"分列"功能把制表符分隔的数据拆成列，然后调整格式。

论文里呈现网络分析结果，通常需要以下几样东西：一张网络图（NetDraw 出）、一张中心度表格（UCINET 出）、一段对网络整体指标的描述（密度、直径、平均路径长度等）。如果是假设检验，还需要 QAP 相关或回归的结果表。

这里有个经验：中心度表格不要把所有指标都堆上去。选和你研究问题最相关的两三个指标，按大小排序，列出前 10 或前 15 个节点。全列出来表格太长，读者抓不住重点。网络图也一样，节点太多就标注关键节点，其他的用点表示。

6.3 常见可视化误区与修正方法

可视化最容易犯的错是"图很漂亮但误导人"。比如弹簧布局会把连接紧密的节点拉近，但如果网络本身有多个成分，布局可能把不同成分画得挨在一起，看起来像一个整体。修正方法是先按成分给节点上色，或者分开画。

第二个误区是箭头方向混乱。有向网络的箭头如果太多太密，图会变成一团乱麻。修正方法是：要么只画强关系（设阈值），要么用弧线代替直线减少重叠，要么干脆按方向分层布局。

第三个误区是节点标签重叠。节点一多，标签必然重叠。NetDraw 里可以设置标签只显示给特定节点（比如度中心度前 10 的节点），其他的隐藏。或者把标签字号调小，配合手动拖动。这个没有捷径，就是耐心调。

7. 常见问题排查与避坑经验实录

7.1 启动与运行类问题速查

这张表里的问题，我几乎每一个都遇到过。最想强调的是"分析结果全为 0"这一条。很多人导入数据后直接跑分析，跑出来全是 0，以为是软件坏了，其实是数据没导进去。UCINET 导入数据后不会自动显示，你得手动 Display 一下。这个设计确实不友好，但知道了就不算坑。

7.2 数据分析类问题的排查思路

分析类问题比运行类问题更隐蔽，因为软件不报错，但结果不对。

问题一：密度算出来是 1 或者接近 1。这通常是因为对角线没清零，或者数据是"完全图"（所有节点两两相连）。先检查对角线，再检查数据本身。

问题二：中介中心度全是 0。如果网络是星型结构，中心节点的中介中心度会很高，叶子节点是 0。但如果所有节点都是 0，可能是网络不连通，或者你选的是有向但数据方向设置错了。

问题三：QAP 相关不显著但肉眼看着相关。QAP 是置换检验，它对网络的自相关很敏感。如果两个网络都来自同一个底层结构，QAP 可能不显著。这时候要检查是不是有共同的第三方变量没控制。

问题四：CONCOR 分组结果每次不一样。CONCOR 本身是确定性的，但如果数据有缺失或者尺度问题，迭代可能不收敛。检查数据完整性，必要时先做标准化。

排查分析类问题的通用思路是：先用一个已知结果的小数据集验证。UCINET 自带的示例数据就是干这个用的。你拿示例数据跑一遍，结果和教材对得上，说明软件和操作没问题，那问题就在你的数据上。这个"控制变量"的思路能帮你快速定位问题。

7.3 我踩过的三个印象最深的坑

第一个坑是数据文件成对丢失。有一次我把##d文件拷到另一台电脑，忘了拷##h，打开后 UCINET 读出来一个全是数字没有标签的矩阵，我以为是数据坏了，折腾了一下午才发现是文件没拷全。从那以后我养成了一个习惯：数据文件永远打包成文件夹一起拷，或者直接导出成 DL 格式的单文件。

第二个坑是中文标签的编码。早期我用 GBK 编码存 txt，导入 UCINET 后中文全是问号。后来改成 UTF-8，但系统区域设置不是中文时又出问题。最后的解决方案是：节点标签用英文或拼音，报告里再对应回中文。虽然麻烦，但最稳。如果必须用中文，就在导入后手动检查一遍，发现乱码立刻重导。

第三个坑是QAP 的随机种子。QAP 是置换检验，每次跑的 p 值会有微小差异。我一开始没注意，跑了一次 p=0.048，高兴地写进论文，后来重跑变成 0.052，差点出问题。后来我固定随机种子，并且报告时说明置换次数（通常 5000 次或 10000 次）。这个细节在论文方法部分要写清楚，否则审稿人可能会质疑。

提示：UCINET 的很多分析都有随机成分（QAP、Factions、部分布局算法）。凡是涉及随机的，都要固定种子、报告种子、必要时多次运行取稳定结果。这是保证研究可复现的基本要求。

8. 从 UCINET 出发的进阶路径与工具组合建议

UCINET 6.0 是一个很好的起点，但不应该是终点。当你用它跑通了基础分析，理解了每个指标的含义，下一步可以考虑几个方向。

方向一：转向 R 的 statnet/sna 包。R 在社会网络分析方面的生态非常成熟。sna包提供了和 UCINET 几乎一一对应的函数，statnet系列（包括ergm）能做指数随机图模型，这是 UCINET 做不了的。从 UCINET 转 R 的难点在于编程思维，但如果你已经理解了指标含义，学 R 只是学语法。

方向二：转向 Python 的 networkx + igraph。Python 的优势是和数据处理、机器学习生态结合紧密。如果你要做网络嵌入（node2vec）、图神经网络，Python 是必经之路。networkx 的 API 设计很直观，从 UCINET 转过去主要适应的是"用代码描述操作"。

方向三：结合 Gephi 做可视化。Gephi 的可视化能力比 NetDraw 强很多，尤其是动态网络和大型网络的布局。你可以用 UCINET 做分析，导出边列表，再进 Gephi 出图。这个组合在写论文和做报告时很实用。

方向四：学习 ERGM 和 SAOM。如果你要做网络形成的机制分析，指数随机图模型（ERGM）和随机行动者导向模型（SAOM）是前沿方法。这两个模型在 R 里都有成熟实现（ergm和RSiena）。UCINET 的 QAP 只能做相关和回归，解释的是"网络之间是否相关"，ERGM 解释的是"网络为什么长这样"，层次更深。

工具组合的建议是：UCINET 做探索和基础分析，R/Python 做统计建模和可复现分析，Gephi 做可视化。三者各有所长，不必强求统一到一个工具里。我自己的流程通常是：拿到数据先用 UCINET 快速摸一遍，确定分析方向；然后用 R 写脚本做正式分析，保证可复现；最后用 Gephi 或 Python 出图。这个流程兼顾了效率和严谨。

最后分享一个我在教学里反复强调的点：工具是次要的，对网络结构的理解是主要的。UCINET 也好，networkx 也好，它们算出来的数字本身没有意义，意义来自你对研究问题的把握和对网络背景的了解。我见过有人用 UCINET 跑出一堆指标，但问他"这个网络的核心节点是谁、为什么"却答不上来。这就本末倒置了。先把网络的故事讲清楚，再用工具去验证和量化，这才是正确的顺序。