Navigation – Plan du site

AccueilLireLes comptes rendus2018Stephen P. Borgatti, Martin G. Ev...

Stephen P. Borgatti, Martin G. Everett, Jeffrey C. Johnson, Analyzing Social Networks

Robin Lenoir
Analyzing Social Networks
Stephen P. Borgatti, Martin G. Everett, Jeffrey C. Johnson, Analyzing Social Networks, Londres, Sage, 2018, 363 p., 1re éd. 2013, ISBN : 9781526404107.
Haut de page

Texte intégral

  • 1 Stephen Borgatti est professeur de management et d’économie, Martin Everett est un professeur de so (...)

1Cinq ans après la première édition en 2013, Stephen Borgatti, Martin Everett et Jeffrey Johnson proposent une mise à jour de leur manuel désormais classique en analyse de réseau, Analysing Social Networks. L’analyse de réseaux est « une manière de concevoir les systèmes sociaux qui se focalise sur les relations qu’entretiennent les entités qui forment ce système » (p. 17). Comme les auteurs le soulignent, c’est une approche commune à de nombreuses disciplines différentes, de l’anthropologie à la physique sociale en passant par le management ou la biologie. Les auteurs présentent ainsi l’analyse des réseaux avant tout comme un ensemble de méthodes empiriques sans forcément les rattacher à des contenus disciplinaires ou à des théories spécifiques. Malgré leur ouverture disciplinaire, les auteurs font cependant un choix très restrictif en s’intéressant dans cet ouvrage uniquement aux méthodes statistiques d’analyse des réseaux. Ce livre se situe ainsi plutôt dans la tradition de la sociologie quantitative américaine ou de l’économie appliquée1. Du point de vue de ce manuel, un réseau social est ainsi avant tout un jeu de données qui renseigne non seulement sur des entités (qui sont généralement des êtres humains, mais potentiellement des entreprises, des pays ou encore des animaux), mais aussi sur les liens qui existent entre ces entités.

  • 2 Un manuel classique en sociologie est par exemple : John Scott, Social Network Analysis, Sage, 2017 (...)
  • 3 C’est le cas par exemple du manuel classique : M.E.J. Newman, Networks: An Introduction, Oxford Uni (...)

2Analysing Social Networks propose un tour d’horizon, dans un langage clair et accessible, des méthodes statistiques disponibles pour étudier la manière dont ces liens s’organisent. La plupart des ouvrages accessibles sur les réseaux sont souvent des synthèses mettant l’accent sur les phénomènes étudiés en soi (proposant des théories) plutôt que sur les méthodes de recherche2. En revanche, les manuels d’analyse des réseaux qui se concentrent sur les méthodes, notamment statistiques, sont souvent très techniques3. Ce qui différencie Analysing Social Networks de ces manuels c’est que ses auteurs ne s’intéressent pas à la validité théorique des méthodes décrites, mais à leur implémentabilité dans un programme de recherche. Cet ouvrage est résolument tourné vers la pratique de la recherche, ce qui est assez rare pour un manuel. Il doit ainsi être considéré comme une boîte à outils au service d’un chercheur ou d’une chercheuse qui a déjà une problématique clairement identifiée.

3L’ouvrage s’organise en 14 chapitres indépendants, dont on peut rendre compte en suivant quatre grands mouvements. La première partie se concentre sur le travail préparatoire à toute analyse : formuler une problématique, collecter des données et mettre en forme une base de données. La seconde partie présente successivement trois manières d’entrer dans l’analyse : visualisation, techniques de description statistique et modèles de vérification d’hypothèses. La troisième partie s’intéresse à des types de mesure spécifiques aux réseaux : centralité, communauté et équivalence. Finalement la dernière partie discute des types particuliers de réseau : réseau très large, réseau dit « égocentré », etc. Ce ne serait pas faire honneur à l’ouvrage que de tenter de synthétiser ici toutes les méthodes qui y sont développées, aussi j’ai choisi de me concentrer sur trois idées clés qui me semblent bien illustrer l’apport de chacune des trois premières parties.

4La première partie peut sembler un peu rebutante pour le lecteur néophyte. Les auteurs y expliquent comment construire une problématique adaptée aux données de réseau, puis discutent les méthodes de collecte de ces données avant de s’intéresser aux méthodes utiles pour les mettre en forme. Malgré leur aspect technique, ces premiers chapitres ont l’immense mérite de poser un cadre de pensée solide pour appréhender les réseaux. Pour l’analyse quantitative, un réseau est ainsi avant tout un objet mathématique particulier composé de deux ensembles : les acteurs, appelés « nœuds », et les connexions entre ces acteurs, appelés « liens ». Ces deux ensembles pris conjointement forment le jeu de données que l’on appelle réseau. Il y a plusieurs moyens d’organiser de telles données en vue de l’analyse statistique.

  • 4 Zachary William, « An information flow model for conflict and fission in small groups », Journal of (...)

5Une fois les données collectées et correctement formatées, l’analyse peut commencer. Les auteurs distinguent trois approches différentes, auxquelles ils consacrent un chapitre chacune : la visualisation, les techniques de statistique descriptive et les modèles de test d’hypothèses. La différence entre les deux dernières approches est importante à comprendre. Les statistiques descriptives décrivent, comme leur nom l’indique, la manière dont les données sont structurées, et ce sans faire d’hypothèses a priori sur les mécanismes qui régissent cette structuration. Ce sont les techniques les plus utilisées par les sociologues : moyennes, tableaux croisés, analyse factorielle, etc. Leur but est simplement de résumer l’information contenue dans un jeu de données. L’analyse est conduite à partir d’inférences a posteriori depuis ces résultats. Les techniques de test d’hypothèses fonctionnent en sens inverse. Elles présupposent un certain mécanisme (social) et en tirent des conclusions sur la manière dont les données devraient être organisées. Ces hypothèses permettent de construire des données théoriques (par exemple une classe où être un bon élève ne détermine pas qui sont ses amis), qui sont ensuite comparées aux données réelles pour tester la viabilité de l’hypothèse (on s’aperçoit que les bons élèves sont plus souvent amis dans la réalité que dans le modèle théorique). Les auteurs de l’ouvrage illustrent cette philosophie en présentant un modèle dit Exponential Random Graph Modeling (ERGM) qu’ils appliquent à des données issues d’un club de karaté étudié par Zachary en 19774. Zachary s’intéressait à la proximité relationnelle des membres en étudiant leurs relations hors du club. Une hypothèse était que les amitiés avaient tendance à s’organiser en triangles fermés, c’est-à-dire que si deux personnes avaient un ami commun alors cela signifiait qu’elles étaient aussi amies entre elles. Pour tester cette hypothèse, le modèle ERGM recrée par simulation le réseau, tout en respectant certaines de ses propriétés (notamment le nombre de liens que chaque acteur possède). Dans la simulation, c’est le hasard qui décide qui est lié avec qui. En comparant les résultats de cette simulation (répétée un très grand nombre de fois) avec certaines caractéristiques du réseau réel (le nombre de triangles fermé), on peut estimer à quel point ces caractéristiques peuvent être expliquées par le hasard. Les auteurs trouvent ainsi plus de triangles fermés dans le réseau réel que ce que prédirait le hasard. Cela indique une tendance au « clustering » dans ce club : si deux personnes sont amies avec la même personne, elles seront aussi amies entre elles. Autrement dit, les groupes d’amitiés sont assez soudés.

  • 5 L’idée est qu’il existe des positions équivalentes dans un réseau, comme la position de « trou stru (...)
  • 6 Ce terme est particulièrement complexe à traduire. Le préfixe « eigen » renvoie aux concepts de val (...)

6Après avoir présenté ces méthodologies assez générales, les auteurs s’arrêtent plus en détail sur trois mesures spécifiques à l’analyse des réseaux : la centralité, les communautés et l’équivalence. La première s’intéresse à la place relative de chaque acteur dans le réseau, la seconde à l’existence ou pas de sous-groupes particulièrement soudés et la dernière à l’existence ou non de positions spécifiques d’acteurs dans le réseau5. Nous nous revenons ici sur la notion de centralité pour illustrer l’approche du manuel. Intuitivement, la notion de centralité vise à indiquer à quel point chaque acteur occupe une place centrale, c’est-à-dire à quel point il est bien relié avec le reste du réseau. Les auteurs soulignent que la centralité peut être vue comme une mesure de popularité, mais que ce n’est pas sa seule utilisation. Ils donnent l’exemple d’un réseau sexuel où une personne à des relations sexuelles avec cinq autres personnes, mais où ces personnes n’ont de relations sexuelles qu’avec lui ou elle. À côté de ce petit groupe existe un plus gros groupe où chacun n’a de relations sexuelles qu’avec deux ou trois personnes différentes seulement, mais où tout le monde à des relations avec plus d’une personne. Les auteurs nous expliquent que du point de vue d’un observateur médical, les personnes du grand groupe sont potentiellement plus exposées à des maladies sexuellement transmissibles que la première personne qui avait cinq partenaires. Elles sont en effet exposées indirectement à l’ensemble du réseau. Pourtant, avec la centralité-degré, la personne ayant des relations sexuelles avec cinq personnes est considérée comme la plus exposée. Une mesure alternative à la centralité-degré est la eigencentrality6, qui prend en compte non seulement le nombre de liens qu’une personne entretient, mais aussi à quel point les personnes avec qui elle est liée sont elles-mêmes centrales.

  • 7 Claire Bidart, Alain Degenne, Michel Grossetti, La vie en réseau. Dynamique des relations sociales, (...)

7Ce développement de l’exemple de l’eigencentrality ainsi que la discussion sur le modèle ERGM et les formats de données de réseau donnent un aperçu des concepts que l’on peut trouver dans cet ouvrage. Analysing Social Networks est un livre pédagogique qui présente l’immense avantage d’être résolument orienté vers la recherche : chaque méthode est illustrée par des exemples concrets, toujours issus de véritables projets de recherches, ayant pour la plupart fait date. On pourra lui reprocher cependant de ne pas s’intéresser aux méthodes qualitatives d’analyses des réseaux, toutes étant regroupées sous le même vague concept « d’ethnographie » sans être véritablement analysées. Une réflexion plus poussée sur l’articulation de données qualitatives avec les méthodes développées aurait particulièrement été la bienvenue. Ce manque est d’autant plus criant qu’il n’est pas explicitement mentionné par les auteurs. Les lecteurs peuvent être ainsi amenés à penser à tort que l’approche choisie représente la seule approche en analyse des réseaux. Nous conseillerons donc au lecteur qui s’initie à l’analyse des réseaux de compléter sa lecture avec celle d’un ouvrage qui laisse plus de place à la réflexivité comme La Vie en Réseau de Claire Bidart, Michelle Grosetti et Alain Degenne7.

Haut de page

Notes

1 Stephen Borgatti est professeur de management et d’économie, Martin Everett est un professeur de sociologie quantitative et Jeffrey Johnson est professeur d’anthropologie, quantitative également (il est notamment le fondateur du Journal of Quantitative Anthropology).

2 Un manuel classique en sociologie est par exemple : John Scott, Social Network Analysis, Sage, 2017. En économie on peut se référer à : Matthew Jackson, Social and Economic Networks, Princeton University Press, 2010.

3 C’est le cas par exemple du manuel classique : M.E.J. Newman, Networks: An Introduction, Oxford Universtity Press, 2010.

4 Zachary William, « An information flow model for conflict and fission in small groups », Journal of Anthropological Research, n° 33, 1977, p. 452-473.

5 L’idée est qu’il existe des positions équivalentes dans un réseau, comme la position de « trou structurel » théorisée par R. Burt, position d’un acteur qui connecte deux groupes chacun soudé en son sein mais très distant de l’autre groupe. Voir Ronald Burt, Structural Holes: The Social Structure of Competition, Harvard University Press, 1995.

6 Ce terme est particulièrement complexe à traduire. Le préfixe « eigen » renvoie aux concepts de valeurs et de vecteurs propres en algèbre linéaire (respectivement eigen-value et eigen-vector). Le terme « centralité propre » me semblait conduire à trop de confusion.

7 Claire Bidart, Alain Degenne, Michel Grossetti, La vie en réseau. Dynamique des relations sociales, Paris, Presses universitaires de France, coll. « Le lien social », 2011, compte-rendu de François Granier pour Lectures : https://journals.openedition.org/lectures/6828.

Haut de page

Pour citer cet article

Référence électronique

Robin Lenoir, « Stephen P. Borgatti, Martin G. Everett, Jeffrey C. Johnson, Analyzing Social Networks », Lectures [En ligne], Les comptes rendus, mis en ligne le 03 octobre 2018, consulté le 19 mars 2024. URL : http://journals.openedition.org/lectures/27033 ; DOI : https://doi.org/10.4000/lectures.27033

Haut de page

Droits d’auteur

Le texte et les autres éléments (illustrations, fichiers annexes importés), sont « Tous droits réservés », sauf mention contraire.

Haut de page
Rechercher dans OpenEdition Search

Vous allez être redirigé vers OpenEdition Search