统计百科 · 2026-06-24

网络分析的APA报告怎么写？节点、边与中心性指标格式全解

统计百科：专攻网络分析APA 7th报告格式——节点/边描述、度/介数/接近中心性指标写法、网络图说明文字、社区检测结果、可直接套用的完整报告模板，盘点审稿人最常挑的网络分析格式错误。

网络分析的难点从来不是跑通 igraph 或 NetworkX，而在于写进论文时的格式细节：节点数和边数放在结果还是方法章节、度中心性是写均值还是最大值、介数中心性的归一化版本怎么说明、网络图的图注要包含哪些要素……本文专攻"网络分析结果怎么规范写进论文"这一具体格式点，给出 APA 7th 所有常见网络分析场景的完整模板，并逐一盘点审稿人最常挑的格式错误。

你的网络分析报告有这些问题吗？

审稿人或导师关于网络分析报告最常见的反馈：

"结果部分只有图，没有对网络规模（节点数、边数）的文字描述"
"中心性指标是哪种？归一化了吗？请在方法章节说明"
"介数中心性的值应该报告归一化值，否则与其他研究无法比较"
"网络图说明文字（figure caption）缺少节点颜色/大小编码的解释"
"报告了最核心节点，但没有说明是依据哪种中心性指标筛选的"
"社区检测用了哪种算法？模块度（modularity）值是多少？"

这些错误集中在 APA Publication Manual 第七版关于图表报告规范，以及网络科学领域的报告惯例。本文只讲一件事：网络分析结果到底怎么规范写进论文的每一种场景。

如果你还没看过姊妹篇 t 值的 APA 7th 报告写法和 F 值的 APA 7th 报告写法，建议先了解 APA 基础格式规则（p 值不加前导零等），本文默认你已熟悉这些惯例，不再重复。

一、网络分析的基本要素：节点与边

网络的直觉含义

网络（graph）由**节点（nodes/vertices）和边（edges/links）**构成：

节点代表研究对象：论文（引文网络）、人（社会网络）、基因（共表达网络）、词（共现网络）
边代表关系：引用、合作、共激活、共出现

$\text{网络密度（density）} = \frac{|E|}{|V|(|V|-1)/2}$

其中 |E| 为实际边数，|V| 为节点数，分母为所有可能边数（无向网络）。密度范围 [0, 1]，值越大表示节点间连接越紧密。

有向网络与无向网络

类型	含义	中心性指标差异
无向网络	关系对称（如合作）	度中心性无区分
有向网络	关系有方向（如引用、关注）	区分入度/出度中心性
加权网络	边有权重（如引用次数）	加权度中心性（strength）

方法章节必须说明网络类型（有向/无向、有权/无权），否则读者无法判断中心性指标的含义。

二、三大中心性指标：格式、含义与归一化

2.1 度中心性（Degree Centrality）

原始度（degree）：与某节点直接相连的边数。

$DC_i = \frac{k_i}{N-1}$

其中 $k_i$ 为节点 $i$ 的原始度，$N$ 为网络节点总数，$N-1$ 为最大可能连接数（归一化）。

APA报告要素：

归一化度中心性均值（M）与标准差（SD）
最大值节点（网络中心节点）及其度中心性值
说明是否归一化，以及有向网络是否区分入度/出度

报告格式示例：

网络节点的归一化度中心性范围为 X.XX 至 X.XX
（M = X.XX, SD = X.XX）。度中心性最高的节点为
"[节点名]"（DC = X.XX），表明该节点与网络中
[XX%] 的其他节点存在直接连接。

2.2 介数中心性（Betweenness Centrality）

含义：经过某节点的最短路径数量占所有节点对之间最短路径总数的比例。量化节点在信息传播或资源流通中的"桥梁"作用。

$BC_i = \sum_{\substack{s \neq t \ s \neq i,, t \neq i}} \frac{\sigma_{st}(i)}{\sigma_{st}}$

归一化版本（无向网络）：

$BC_i^{norm} = \frac{BC_i}{(N-1)(N-2)/2}$

有向网络的归一化分母为 $(N-1)(N-2)$（不除以 2，因有序节点对数为无向的 2 倍）。

APA报告要素：

必须说明是否使用归一化版本（论文间比较须归一化）
报告分布特征（通常高度右偏，建议报告中位数或截断均值）
关键"桥梁节点"的 BC 值

报告格式示例：

介数中心性（归一化）的分布高度右偏（skewness = X.XX），
中位数为 X.XX（IQR: X.XX–X.XX），最大值节点为
"[节点名]"（BC = X.XX），提示该节点在网络信息流通中
发挥关键中介作用。

2.3 接近中心性（Closeness Centrality）

含义：某节点到网络中所有其他节点平均最短路径长度的倒数。值越高，节点越"居中"，信息扩散速度越快。

$CC_i = \frac{N-1}{\sum_{j \neq i} d(i,j)}$

其中 $d(i,j)$ 为节点 $i$ 到节点 $j$ 的最短路径长度。

注意：非连通网络中，传统接近中心性无法计算（分母含无穷大路径）。此时须说明使用 Wasserman & Faust 修正公式或仅在最大连通子图（giant component）上计算。

APA报告要素：

说明网络是否连通，若非连通须说明处理方式
报告均值（M）、标准差（SD）及最大值节点
与其他中心性指标的相关性（若研究聚焦多中心性比较）

报告格式示例：

接近中心性（Wasserman & Faust 修正）的均值为
M = X.XX（SD = X.XX，范围 X.XX–X.XX）。
中心性最高节点"[节点名]"（CC = X.XX）位于网络
几何中心，平均可通过 X.X 步到达网络中任意其他节点。

三、网络描述性统计：方法与结果章节的分工

方法章节应包含的内容

方法 — 数据分析
网络构建：说明节点定义（如论文、作者、词语）、
边的定义（如共引、合著、共现），以及边权重（若有）的计算方式。
网络类型：有向/无向、有权/无权。
中心性指标：列出所使用的全部中心性指标，
说明是否使用归一化版本，引用计算工具（如 R igraph 包、
Python NetworkX），显著性阈值（若有）。
社区检测：说明算法名称（如 Louvain、Leiden）及参数设置。
可视化：说明布局算法（如 Fruchterman-Reingold、
Force-Atlas 2），节点大小/颜色的编码含义。

结果章节的网络描述性统计报告顺序

结果章节建议按以下顺序组织：

网络规模：节点数（|V|）、边数（|E|）、网络密度
连通性：是否连通、最大连通子图规模、平均最短路径长度、网络直径
度分布：均值、标准差、最大/最小度，是否符合幂律分布（scale-free）
中心性指标：依次报告 DC、BC、CC，着重描述极值节点
社区结构（若有）：社区数、模块度、各社区规模
可视化图：含完整 figure caption

四、网络图的 APA 规范：Figure Caption 写法

APA 7th 对图（figure）的要求：图注须包含图序号（Figure 1）、图标题（一句话描述内容）、必要的解释性注释（Note.）。

标准网络图图注模板

Figure 1
[网络名称]的可视化图（N = [节点数] 个节点，[边数] 条边）

Note. 布局算法为 Fruchterman-Reingold 力导向布局。
节点大小与度中心性（degree centrality）成比例；
节点颜色代表社区归属（共检测到 [k] 个社区，
Louvain 算法，模块度 Q = X.XX）。
加粗边表示边权重超过均值一个标准差（w > M + 1SD = X.XX）。
节点标签显示度中心性前 10% 的关键节点。

图注中必须说明的要素：

布局算法名称
节点视觉属性（大小/颜色/形状）与变量的对应关系
边视觉属性（粗细/颜色/箭头方向）的含义
若有社区着色，说明检测算法和模块度值

五、各场景完整 APA 报告模板

场景一：社会网络分析（合著网络）

情形：分析某领域 2015-2024 年高产作者的合著网络，共 156 个节点、423 条边。

方法章节模板：

以 Web of Science 检索的 [领域] 领域文献（[年份范围]）
为数据来源，构建作者合著网络。节点代表作者，
若两位作者在同一篇论文中署名则连边，边权重为合作论文数量。
网络为无向加权图。使用 R 软件 igraph 包（v2.1.1）
计算归一化度中心性（DC）、归一化介数中心性（BC）和
接近中心性（CC）。社区检测采用 Louvain 算法，
以模块度（Q）评估社区结构质量（Q > 0.3 为具有有意义的社区结构，
Newman & Girvan，2004；注：该文献仅指出实际网络 Q 通常在 0.3–0.7 区间，
并未定义"强模块化"阈值，研究者如需划分等级需另引文献或自行说明）。
网络可视化使用 Gephi（v0.10.1），布局算法为 Force-Atlas 2。

结果章节模板：

网络规模与结构。合著网络共包含 [N] 个节点和 [E] 条边，
网络密度为 [density]，表明节点间连接较为[稀疏/紧密]。
该网络为[连通/非连通]网络，最大连通子图包含 [n] 个节点
（占全网络 [XX]%），平均最短路径长度为 [APL]，
网络直径为 [diameter]，聚类系数为 [CC_global]。

度分布与核心节点。节点归一化度中心性均值为
M = X.XX（SD = X.XX，范围 X.XX–X.XX）。
度中心性最高的三位作者依次为 [作者1]（DC = X.XX）、
[作者2]（DC = X.XX）和 [作者3]（DC = X.XX），
表明这些作者在该领域具有最广泛的合著网络。

介数中心性与桥梁节点。介数中心性（归一化）分布高度右偏，
中位数为 X.XX（IQR: X.XX–X.XX）。
[作者名]的介数中心性最高（BC = X.XX），
提示该作者在连接网络中不同研究群体方面发挥关键桥梁作用。

接近中心性。接近中心性均值为 M = X.XX（SD = X.XX）。
中心性最高节点 [作者名]（CC = X.XX）可通过平均
X.X 步到达网络中任意其他节点，在信息传递效率上具有优势。

社区结构。Louvain 算法共识别出 [k] 个社区
（Q = X.XX，[中等/强]模块化结构）。最大社区包含
[n1] 个节点（占 [XX]%），主要聚集了 [研究方向] 领域的学者；
第二大社区（[n2] 个节点）以 [研究方向] 研究为主。
各社区的节点颜色编码见图 [X]。

场景二：关键词共现网络

情形：文献关键词共现网络，分析研究热点演变。

结果章节核心段落模板：

关键词共现网络共包含 [N] 个节点（关键词）和
[E] 条共现边，最小共现阈值设为 [k] 次，
网络密度为 [density]。

中心性分析结果见表 [X]（列出前 20 个关键词的
DC、BC、CC 值）。度中心性最高的关键词为
"[词1]"（DC = X.XX）、"[词2]"（DC = X.XX）和
"[词3]"（DC = X.XX），反映了该领域的核心研究主题。
介数中心性最高的关键词 "[词4]"（BC = X.XX）
位于多个研究主题之间，是连接不同研究方向的关键概念节点。

场景三：有向网络（引文网络或Twitter/社交媒体）

情形：有向网络须区分入度（in-degree）和出度（out-degree）中心性。

报告格式模板：

有向网络的入度中心性（in-degree centrality，
DC_in）反映节点被引用/关注的程度，
出度中心性（out-degree centrality，DC_out）
反映节点主动引用/关注的程度。

节点入度中心性均值为 M = X.XX（SD = X.XX），
出度中心性均值为 M = X.XX（SD = X.XX）。
入度最高节点 "[节点名]"（DC_in = X.XX）
是网络中被引用频次最高的核心文献/意见领袖，
其 PageRank 得分（PR = X.XX）亦居首位，
综合反映了其在网络信息传播中的权威地位。

入度与出度的相关性：r([df]) = X.XX，p [值]，
表明网络中[存在/不存在]"引用互惠"现象。

六、在 ChatSRS 一句话获得规范网络分析报告

打开 chatsrs.com，上传数据后输入：

"对上传的共现矩阵（156 个节点）构建无向加权网络，计算归一化度中心性、介数中心性（归一化）和接近中心性（Wasserman & Faust 修正），输出：1）网络描述性统计（密度、平均路径长度、聚类系数）；2）中心性前 20 节点排名表（含三种中心性值）；3）Louvain 社区检测及模块度；4）Force-Atlas 2 布局的可视化图；5）符合 APA 7th 格式的完整结果段落，含方法章节说明文字和图注模板。"

ChatSRS 输出的报告段落即为上文示例格式，数值自动填入，可直接复制进论文。如需区分有向网络的入度/出度，在指令中注明"有向网络"，ChatSRS 自动切换并分别计算 DC_in / DC_out 及 PageRank。

七、方法章节：中心性指标的标准说明文字

采用 igraph 包（R，v2.1.1）计算三种中心性指标：
（1）归一化度中心性（normalized degree centrality，DC），
反映节点的直接连接广度；
（2）归一化介数中心性（normalized betweenness centrality，BC），
量化节点作为信息传播"桥梁"的程度；
（3）接近中心性（closeness centrality，CC），
采用 Wasserman & Faust（1994）修正公式
以处理非连通网络中的无穷大路径问题。
以上三种指标均经归一化处理，取值范围为 [0, 1]，
以便不同规模网络之间的跨研究比较。
社区检测采用 Louvain 算法（Blondel et al.，2008），
模块度 Q > 0.3 视为具有有意义的社区结构（Newman & Girvan，2004；注：原文仅给出实际网络的经验区间，未定义"强模块化"阈值）。

八、网络分析报告常见错误对照表

常见错误	正确写法	违反的规范
只给出网络图，无描述性统计	必须报告 N（节点）、E（边）、密度	APA 7th 图表须配文字
中心性未说明归一化	明确写"归一化度中心性（DC，取值0–1）"	可重复性原则
介数中心性用原始值比较不同网络	有向网络须报告归一化 BC	跨网络可比性
有向网络未区分入度/出度	分别报告 DC_in 和 DC_out	有向图方向性信息缺失
图注无节点视觉属性说明	说明节点大小/颜色的编码含义	APA Figure Note 规范
社区检测无算法名称和模块度	写明算法（如 Louvain）和 Q 值	方法可重复性
非连通网络直接用传统 CC	说明使用 W&F 修正或仅算最大联通子图	数学有效性
中心性只报告最大值节点	同时报告 M、SD、范围分布	APA 描述统计完整性
布局算法未提及	写明布局算法（如 Fruchterman-Reingold）	可视化可重复性

九、中心性指标参考表（可抄进论文的APA句式）

以下为各中心性的通用 APA 报告句式，替换方括号内的值即可直接使用：

度中心性：

节点的归一化度中心性范围为 [最小值] 至 [最大值]（M = [均值], SD = [标准差]）。度中心性最高的节点为"[节点名]"（DC = [值]），与网络中 [百分比]% 的其他节点存在直接连接，表明其在网络中具有最广泛的局部影响力。

介数中心性：

归一化介数中心性分布右偏（skewness = [值]），中位数为 [中位数]（IQR: [Q1]–[Q3]）。中介性最高的节点为"[节点名]"（BC = [值]），该节点位于 [百分比]% 的节点对之间的最短路径上，在网络信息传递中发挥关键中介作用。

接近中心性：

接近中心性均值为 M = [均值]（SD = [标准差]），最高值节点"[节点名]"（CC = [值]）可通过平均 [步数] 步到达网络中任意其他节点，在信息扩散效率上具有显著优势。

网络整体描述：

网络共包含 [N] 个节点和 [E] 条边，密度为 [值]，表明节点间连接较为[稀疏/中等/紧密]（密度参考：< .10 为稀疏，.10–.30 为中等，> .30 为紧密）。平均最短路径长度为 [APL]，聚类系数为 [值]。依据 Watts & Strogatz（1998）判据，将本网络的聚类系数与路径长度分别除以等规模随机网络对应值，得小世界系数 σ = (C/C_rand)/(L/L_rand) = [值]，[σ > 1，符合/σ ≤ 1，不符合]小世界网络特征。

常见 FAQ

Q：度中心性和度（degree）是同一个指标吗？

A：不是，但密切相关。原始度（degree）是某节点连接的边数，其范围取决于网络规模（0 到 N-1）。归一化度中心性（degree centrality）是将原始度除以 N-1，将范围压缩到 [0, 1]，方便不同规模网络的比较。论文中若需跨研究比较，必须报告归一化度中心性而非原始度，并在方法章节说明归一化方法。有向网络还需区分入度中心性（in-degree centrality）和出度中心性（out-degree centrality），APA 报告须分别列出。

Q：介数中心性的值为什么总是接近于0，怎么解读？

A：这是网络分析新手最常遇到的困惑。在大型稀疏网络（如 500 个节点的共现网络）中，归一化介数中心性的值普遍很小（如 BC = 0.003），这是正常现象，不代表分析有误。解读时应关注节点间的相对排名，而非绝对值大小：BC = 0.003 可能已是整个网络中介数最高的节点。建议在报告时补充"该节点的介数中心性在全网络中排名第 [X] 位（前 [百分比]%）"，帮助读者理解其相对重要性。分布右偏时，报告中位数和四分位距（IQR）比均值和标准差更能反映真实分布特征。

Q：网络图必须放在结果章节吗？可以放在附录吗？

A：APA 7th 没有强制规定图的位置，但惯例是将核心分析所必需的图放在结果章节正文。如果网络图是结论推断的主要依据（如通过图示说明核心节点或社区结构），应放在正文并在相应文字段落中引用（如"见图 1"）。若网络图为补充说明，可放附录，正文以文字和表格为主。多网络比较时（如按年份或主题分组的多张网络图），建议将最代表性的一张放正文，其余放附录。无论放在哪里，图注（Figure Caption）必须完整，包含节点/边数、布局算法和视觉编码说明。

Q：Louvain 和 Leiden 算法结果不稳定，每次运行社区数量不同，怎么报告？

A：Louvain 算法因其随机初始化特性，确实存在结果不稳定的问题，Leiden 算法有所改善但仍可能出现波动。规范做法是：设置随机种子（random seed）确保可重复性，在方法章节报告所使用的种子值（如"设置随机种子 seed = 42 以确保可重复性"）。若研究对社区稳定性有较高要求，建议运行 100 次并报告结果最稳定时（模块度最大）的划分方案，同时报告 100 次运行中模块度的均值和标准差（如 M_Q = X.XX, SD = X.XX），说明算法稳健性。ChatSRS 默认在运行 Louvain 时固定随机种子，并同时输出稳定性评估统计量。

你的网络分析报告有这些问题吗？

一、网络分析的基本要素：节点与边

网络的直觉含义

有向网络与无向网络

二、三大中心性指标：格式、含义与归一化

2.1 度中心性（Degree Centrality）

2.2 介数中心性（Betweenness Centrality）

2.3 接近中心性（Closeness Centrality）

三、网络描述性统计：方法与结果章节的分工

方法章节应包含的内容

结果章节的网络描述性统计报告顺序

四、网络图的 APA 规范：Figure Caption 写法

标准网络图图注模板

五、各场景完整 APA 报告模板

场景一：社会网络分析（合著网络）

场景二：关键词共现网络

场景三：有向网络（引文网络或Twitter/社交媒体）

六、在 ChatSRS 一句话获得规范网络分析报告

七、方法章节：中心性指标的标准说明文字

八、网络分析报告常见错误对照表

九、中心性指标参考表（可抄进论文的APA句式）

常见 FAQ

相关阅读