全文鏈接：https://tecdat.cn/?p=44242

原文出處：拓端數據部落公眾號

分析師：Song Yang

引言

在數字化時代，企業間的關聯早已超越股權與業務合作，董事作為核心決策參與者，其跨企業任職形成的社交網絡逐漸成為資源流動、信息傳遞與治理效能的關鍵載體。從數據科學視角來看，董事網絡本質是複雜社會網絡的商業映射，其結構特徵直接影響企業戰略選擇、風險傳導與資源整合效率。這一現象並非偶然，隨着市場競爭加劇與跨界合作增多，董事憑藉多元任職經歷搭建的“隱形橋樑”，既可能成為企業發展的助推器，也可能暗藏系統性風險傳導的隱患。

本文改編自我們為某金融機構完成的企業治理諮詢項目，核心目標是通過數據挖掘技術拆解董事網絡的內在邏輯，為投資者、監管機構與企業管理層提供決策支撐。作為長期深耕商業數據分析的團隊，我們具備從數據採集、模型構建到落地應用的全流程服務能力，已助力數十家企業解決網絡分析類實際問題。

研究以專業董事數據庫的真實任職數據為基礎，通過Python生態工具構建網絡模型，融合四種核心中心性指標實現關鍵董事識別，同時創新引入跨行業網絡對比與橋接節點分析，完整呈現董事網絡的“核心-邊緣”結構與行業差異特徵。

本文內容源自過往項目技術沉澱與已通過實際業務校驗，該項目完整代碼與數據已分享至交流社羣。閲讀原文進羣，可與600+行業人士交流成長；還提供人工答疑，拆解核心原理、代碼邏輯與業務適配思路，幫大家既懂怎麼做，也懂為什麼這麼做；遇代碼運行問題，更能享24小時調試支持。

1. 核心理論與方法簡化

1.1 社交網絡分析核心概念

社交網絡分析（SNA）是通過數學模型描述節點（個體/組織）與邊（關聯關係），並量化網絡結構與節點重要性的分析方法。本文聚焦四個核心中心性指標，用通俗語言解釋其商業意義：

• 度中心性：衡量董事直接關聯的同行數量，反映“朋友圈廣度”；
• 接近中心性：衡量董事到達其他節點的平均距離，反映“信息獲取速度”；
• 中介中心性：衡量董事作為不同羣體連接橋樑的頻率，反映“資源調配能力”；
• 特徵向量中心性：不僅關注連接數量，更重視連接對象的重要性，反映“行業話語權”。

1.2 技術工具與國內適配性

本文使用的Python生態工具（NetworkX、Matplotlib、Seaborn）均為開源免費軟件，國內可直接訪問使用，無需特殊配置；數據來源為BoardEx數據庫，國內用户可通過合規數據服務商獲取，替代方案包括Wind、同花順iFinD等平台的董事任職數據，功能與數據完整性基本一致。

2. 數據概況

2.1 數據基礎信息

研究採用的董事數據覆蓋2023-2024年任職記錄，經清洗後保留有效記錄20210條，涉及15071名獨立董事與2853家企業，包含60個核心字段（如董事ID、企業ID、任職時間、行業分類等）。

2.2 數據分佈特徵

數據呈現出鮮明的商業屬性特徵：行業分佈分散且均衡，非執行董事與獨立董事佔比超七成，企業董事會規模集中在5-15人區間，董事的網絡連接數量呈現“少數人連接廣泛、多數人連接有限”的長尾分佈特徵。

上圖清晰展示了行業分佈、董事角色分佈、董事會規模分佈與網絡大小分佈四大核心特徵，為後續網絡構建提供了數據基礎支撐。

3. 網絡構建與代碼實現

3.1 核心代碼（修改後版本）

以下代碼實現了網絡構建、中心性計算與行業對比的核心邏輯，關鍵部分已省略（用…替代），完整代碼可通過社羣獲取：

#!/usr/bin/env python3# -*- coding: utf-8 -*-"""公司董事行業網絡對比分析工具功能：構建董事社交網絡、計算核心指標、生成行業對比可視化"""import pandas as pdimport numpy as npimport networkx as nximport matplotlib.pyplot as pltimport seaborn as snsfrom collections import defaultdict, Counterimport warningswarnings.filterwarnings('ignore')# 設置繪圖參數plt.rcParams['font.sans-serif'] = ['SimHei', 'Arial Unicode MS']plt.rcParams['axes.unicode_minus'] = Falseplt.rcParams['figure.figsize'] = (14, 10)def build_sector_network(df_processed, sector_name): """ 構建單個行業的董事網絡 參數：預處理後的數據集、行業名稱 返回：網絡對象 """ net = nx.Graph() edge_counts = defaultdict(int)# 按企業分組獲取董事列表 company_director_map = df_processed.groupby('boardid')['directorid'].apply(list).to_dict()

3.2 代碼功能説明

上述代碼實現了三大核心功能：一是數據預處理與清洗，篩選有效任職記錄；二是行業網絡構建，以董事為節點、共同任職為邊建立無向網絡；三是核心指標計算，自動生成四大中心性指標與網絡結構參數；四是行業對比與跨行業節點識別，為後續分析提供數據支撐。

相關文章

使用Python和SAS Viya分析社交網絡

全文鏈接：http://tecdat.cn/?p=7303

4. 核心分析結果

4.1 整體網絡結構特徵

構建的董事網絡包含15071個節點（董事）與63479條邊（共同任職關係），網絡密度為0.000559，最大連通分量佔比53.2%。這表明董事網絡是“低密度、高連通”的複雜網絡，且呈現典型的“小世界”特徵——平均聚類係數高達0.892，意味着董事傾向於與同行的關聯者建立連接，信息傳遞效率高。

上圖展示了四大中心性指標的分佈特徵與相關性：度中心性和特徵向量中心性高度相關（相關係數>0.8），説明“朋友圈廣”的董事往往連接的也是行業內重要人物；中介中心性分佈極不均衡，少數董事掌握着不同羣體間的連接權。

4.2 關鍵董事識別

通過綜合四大中心性指標得分，識別出排名前十的核心董事（示例前5名）：

1. Barry O’Dwyer（綜合得分0.1045）
2. Moni Mannings（綜合得分0.1045）
3. Claudia Arney（綜合得分0.1039）
4. Elisabeth Scott（綜合得分0.1034）
5. Susan Kilsby（綜合得分0.1010）
   這些董事普遍具備跨行業任職經歷，平均連接董事數量是普通董事的7倍以上，在信息傳遞與資源整合中發揮着關鍵作用。

4.3 網絡可視化結果

可視化結果清晰呈現了網絡的“核心-邊緣”結構：核心區域由高中心性董事構成，邊緣區域為普通董事；網絡中存在多個緊密連接的“小圈子”（可能對應行業集羣或企業聯盟），部分董事作為“橋接節點”連接不同圈子，這些節點正是中介中心性較高的核心人物。

5. 行業對比與跨行業分析

5.1 行業對比結果

選取數據量最大的兩個行業（專業金融、商業服務）進行深度對比，核心指標如下：

對比發現：專業金融行業網絡規模更大，連接更廣泛；商業服務行業聚類係數更高，內部凝聚力更強；兩個行業的網絡均呈現“碎片化”特徵，最大連通分量佔比均不足4%，説明行業內董事主要活躍於小規模圈子。

5.2 跨行業橋接董事識別

共識別出39名同時任職於兩個行業的跨行業董事，他們成為行業間信息傳遞與資源流動的關鍵橋樑。其中排名前五的核心橋接董事：

1. Penny Judd（專業金融2家+商業服務2家）
2. Sarah Ing（專業金融3家+商業服務1家）
3. Tim Bunting（專業金融2家+商業服務1家）
4. Libby Chambers（專業金融2家+商業服務1家）
5. Mandy Donald（專業金融2家+商業服務1家）
   這些董事的存在打破了行業壁壘，為企業跨界合作、風險分散提供了天然渠道，其網絡價值遠超單一行業內的董事。

6. 實踐應用建議

6.1 對投資者的建議

優先關注核心董事任職的企業，這類企業往往具備信息優勢與資源整合能力；通過網絡分析識別企業間的隱性關聯，規避系統性風險；將董事網絡位置作為評估企業治理質量的重要指標。

6.2 對監管機構的建議

重點監控核心橋接董事的任職行為，防範風險跨行業傳導；要求企業披露董事跨企業任職信息，提升治理透明度；基於行業網絡特徵制定差異化監管政策。

6.3 對企業的建議

招聘董事時關注其網絡位置與連接質量，通過核心董事引入外部資源；利用董事網絡獲取行業最佳實踐，優化治理結構；藉助跨行業董事拓展業務邊界，實現戰略升級。

7. 總結與服務支持

本文通過社交網絡分析技術，完整拆解了董事網絡的結構特徵、行業差異與核心價值，創新點在於融合多維度中心性指標實現關鍵節點精準識別，同時挖掘跨行業橋接董事的獨特價值，為相關方提供了數據驅動的決策支撐。
我們始終堅持“買代碼不如買明白”的服務理念，人工創作比例超90%，有效規避查重風險與代碼漏洞；24小時響應“代碼運行異常”應急修復服務，效率較自行調試提升40%。項目完整代碼、數據與詳細解析已分享至交流社羣，進羣可與600+行業人士交流成長，獲取人工答疑與代碼調試支持，真正做到既懂“怎麼做”，也懂“為什麼這麼做”。
無論是學術研究、課程設計還是企業實際項目，我們都能提供定製化的數據分析解決方案，助力快速落地技術應用、提升成果質量。

關於分析師

在此對 Song Yang 對本文所作的貢獻表示誠摯感謝，他在蘭卡斯特大學完成了商業分析專業的碩士學位，專注數據相關領域研究。擅長 R 語言、Python，在數據處理與分析、機器學習、實證研究以及學術與商業報告撰寫方面具備紮實能力。