本文结合实证案例探讨如何以社会计算研究社会系统中的涌现现象。中国风险投资产业的案例说明VC投资行为与产业网络结构共演过程中的正反馈导致了“精英俱乐部型小世界网络”的结构涌现，解释了个体行为如何促成集体涌现；某大型科技公司的案例展现了集体智能涌现的过程及因素，并说明了系统转型前后团队创新能力的影响因素存在差异，解释了非线性发展对员工行为的影响。案例体现了调查数据与大数据结合、多种社会计算方法综合运用的方法取向及其在复杂系统研究中应用的可行性。
本文的主旨在于通过大数据及相关建模方法来解释复杂社会系统中的集体涌现（emergence）现象及涌现后的系列结果。涌现是复杂系统中主体与系统内部外部环境相互作用、不断演化从而导致系统产生全新特性的一种现象，这种新的特性是整体特性，并且能够持续演化。涌现是存在于各类复杂系统中的共性现象。复杂社会系统研究为社会科学开启了新视角，也促使社会科学研究的方法发生变革。得益于大数据的累积、分析与动态建模的发展，研究者可以综合运用社会计算的多种方法，解释社会系统的集体涌现现象。
本文聚焦于个体行动与社会网络结构共同演化而使集体涌现的新结构、新制度以及这些新特性带来的后续影响。在内容安排上，本文首先介绍复杂社会系统的基本特征，特别是系统非线性演化的一些基本概念，以及相关概念理论为社会科学研究带来的启发。接下来说明如何在复杂系统理论新网络科学的视角下，引入网络结构与个体行动的共同演化来解释社会系统的非线性演化现象，并与大数据分析、动态建模相衔接。然后，以两个类型的研究案例说明如何在相关概念上构建理论与模型，同时结合各类社会计算方法加以验证并发展理论。这两类案例既包括由微观到宏观在演化中涌现集体性质，也包括非线性发展下由宏观到微观的个体行为的改变。最后，总结讨论复杂社会系统理论与大数据、社会计算方法的结合，指出此种结合正在快速形成重要的研究范式。
对于复杂系统研究的相关概念进入社会学研究后给研究者带来的启发，卡斯特兰尼和哈弗蒂（Castellani & Hafferty,2009）做出了如下总结。
第一，社会系统以主体行动者为基础，主体共同构成网络结构。复杂性表现为连接的错综性（莫兰，2001），网络中包含大量能进行决策、具备行动力的主体（Macy & Willer,2002）。行动的交互影响发生于主体间特定的网络结构中。
第二，社会系统是演化的，由无序到有序，随着时间、系统层次不断向上演化产生。从小团体到社群，再到诸如城市、产业生态系统等大集体，以及如国家、经济、社会等更大的集体，最后成为世界系统，层层演化、层层涌现，最终出现新的社会规范与制度，产生新秩序。
第三，社会系统的复杂性来自“简单”的“叠加”，复杂性在局部网络表现为某种简单规则。莫兰（2001）曾借用物理学的“全息原则”强调元素的重要性。在不同小范围局域社会网络中被行动者所接受的简单规则或网络结构，经由系统规模扩展以后，行为与结构不断叠加，演变为极其复杂的形态，从而呈现各不相同的体制、文化等，而系统中基本单元的网络结构特征却始终贯穿其中。
第四，社会系统是自组织的。由于主体相互连结，自组织成为可能。人类行动者出于自我意识、基于人际关系自组织出基本的网络结构逐步演化形成社会系统中的子系统。区别于物理的物质或生态的物种的自组织（Prigogine,1955;Haken,1988），大部分人类社会中主体形成的自组织同时会有“他组织”作为由上而下的控制力量，但这种力量并不绝对。
第五，社会系统有时会远离平衡态。随着系统外在环境的变化、内在主体间的互动失序，有序会逐渐向无序转变。譬如在大变迁时代，经济、社会规则剧烈变化，可能出现社会失范甚或爆发、战争，使社会系统处于系统崩解（system catastrophe）边缘（Chang & Luo, 2002），秩序需要整体重组，这便是远离平衡态的表现。良好的社会系统转型可以理解为系统即使远离平衡态，也仍能通过有效导引较为顺利地过渡至新状态，而非通过崩解、战争、或牺牲社会成员的方式转型。这关乎人类社会的福祉。由此，研究系统演化过程中如何平衡多元力量间的矛盾格外有意义。
复杂系统理论的发展与介入使得研究者不再将线性发展视为社会系统的基本特征，并关注到主体行动、自组织与网络结构。本文试图以定量和建模方法对社会系统的涌现现象加以研究，特别关注特定网络结构中主体间互动导致或正或负的反馈而自组织出的系统的非线性发展，以及系统涌现出的新特质反过来对后续的网络结构与主体行为模式产生的影响。
著名的“科尔曼之舟”（Coleman‘s Boat）对“个体—集体”研究的还原论观点进行了批判（Coleman, 1990），该模型中由集体状态到个体状态的过程经常表现为过度社会化的研究倾向，即认为个体只是集体文化、规范、体制的反映，而由个体结果到集体结果的过程又往往表现为低度社会化的研究倾向，认为个体各自独立，个体行动结果的加总会造成集体结果（Granovetter, 1985）。以新网络科学（new science of network）（Newman, 2003）视角观之，个体之间连结形成社会网络，并与行为在不同层次上相互作用、共同演化，在过程中彼此正、负反馈，导致系统中某些力量可能因正反馈持续增强而发展成趋势，进而产生过往不具备的特质，使系统在无序中涌现出规范与制度，变为有序，这就是本文探讨的社会系统中的涌现现象。主体因自身能动性可以摆脱原有系统的束缚自我组织、产生创新，在一定的社会网络结构条件下，行动会通过跨尺度演化涌现出新的集体行为、思想文化、制度规范或网络结构（Granovetter, 2017），展现出非线性发展和演化过程。
新网络科学视角将人际关系、社会网络与网络结构纳入对从个体行动结果到集体结果这一演化过程的解释。除主体的行动外，网络动态学（network dynamics）还主张主体切断或建立关系会导致网络结构演化。网络结构与行动交互影响、共同演化，自组织出新的集体行动与网络结构。长期、持续的行动与结构的共演会涌现新的规范类或信息类的“场力”（field forces），比如制度、道德约束、例行化的合作机制、新趋势（DiMaggio & Powell, 1982）等，从而因应外在环境变化。这是系统自我创新、自我适应的过程，并能导致系统的非线）。同样，个体特质并非仅是集体特质的映射，其间还可能包括集体的、信息的、规范的场力（DiMaggio & Powell, 1982）所导致的个体行为的变化，尤其在系统非线性发展时，为了回应系统变化，个体行为会随系统涌现的新状态发生改变。简言之，主体行动与网络结构会相互影响、共同演化，导致集体性质发生非线性变化，进而又反作用于集体中的个体。
此种视角有助于为社会系统现象研究提供新解释。比如“集成式”生产管理方式在汽车行业的运用发展就可以在此视角下得到解释（Granovetter, 2017）。此种方式在汽车行业的最终失败说明其对于行业并无效能，它早期酝酿成的“大势”并非高效能与市场选择的结果。那么应当如何解释趋势的形成？“集成式”理念在计算机行业取得成功后，受到管理学专家和企业顾问的大力推崇，引发了汽车行业的关注。由于汽车企业高管与专家联系紧密且专家在行业中处于权威地位，数家大型汽车公司参与了麻省理工学院的“国际汽车管理”研究项目。尽管汽车行业原本的管理和生产方式运转良好，这些公司仍然成了“集成式”的先行者。在此种模式下，一级供应商将生产的基本单位从零件改为“模块”，导致产业链上的节点发生重大变化，部分供应商开始生产模块，与车厂的互动方式随之改变。与此同时，随着管理学界对“集成式”的支持方与反对方的持续争论，大型汽车公司作为这一框架的实践者持续受到影响并采纳了相关建议。“集成式”制度结构最终在菲亚特等企业中得到实施，但与计算机行业的原始模式存在显著差异。这一现象反映了汽车行业中主体行动与网络结构的相互作用。
上述汽车行业案例中对结构与行动共演的阐释仅采用了定性证据，进一步而言，引入结构与行动共演来解释结构与制度的涌现时，新数据、新方法能够促进这类复杂演化研究的长足发展。从动态建模、计算机仿真、复杂网络分析，到使用机器学习、深度学习算法建构预测模型，再到使用可解释人工智能辅助寻找理论洞见，以及以各类算法衡量变量、从而验证理论模型，一系列方法与大数据、社会科学相结合，形成了新的方法领域——社会计算（social computing）。社会计算指涉两个核心概念：计算性与社会性，两者相互促进、相互启发（Evans, 2020）。社会计算一方面关注社会研究如何助力于计算研究，如社交软件设计、社交网络算法等；另一方面关注计算研究如何助力于社会研究，即全新的数据与方法被引入社会科学研究后可能带来的发展。
本文主要探讨社会计算在社会系统涌现现象研究中的应用，我们在此介绍一些关键方法。鉴于大数据分析和人工智能算法正处于快速发展阶段，难以穷举所有社会计算方法，但可以大致将其归纳为四大类。第一类，数据转化与变量衡量技术。这类技术涉及将文本、图像、语音、地理位置信息、网络浏览行为、网络交互等非结构化电子印迹数据转化为特定应用场景所需的结构化数据；还包括自然语言分析、图像分析、地理位置分析、复杂网络分析和多模态分析等与理论相关的变量衡量技术。第二类，数据资源整合技术。这类技术着重于整合不同的数据资源，如大数据与调查问卷数据的结合、与二手结构化数据的融合，以及使用联邦算法整合不同大数据源。第三类，大数据分析方法。这包括针对大数据或不同类型数据库的分析方法，如用于构建预测模型的机器学习技术（如支持向量机、决策树、随机森林和XBoost）、深度学习（如卷积神经网络和图神经网络），以及可解释人工智能（interpretable AI），同时也包括网络分析和统计分析等传统定量方法。第四类，基于理论的建模。这类方法包括遗传算法、络建模和主体建模等。社会计算尽管主要采用系统建模方法，但也不排除对因果模型和统计验证手段的运用。由于本文聚焦于社会系统的涌现现象，这类建模将成为研究的重点。
将社会计算方法运用于复杂社会系统研究，不仅可以有效地解释和预测社会系统的非线性演化，还有助于理解非线性系统转型后对行为的影响。接下来，我们将以两个案例说明复杂社会系统涌现现象如何被解释及验证。
我们首先以中国的VC（风险投资）产业中联合投资行为和产业网络结构的共演作为集体结构涌现的案例。数据主要来自各新闻媒体中VC宣布的投资事件，经清科数据库一次结构化、本研究团队二次结构化建立VC联合投资网络数据，结合清科数据库的VC行为资料，解释主体行动与网络结构的共同演化形成正反馈时某种产业结构形态涌现的过程。对2000—2018年多期VC联合投资网的分析得出，当VC产业的网络结构和联合投资伙伴的选择行为形成正反馈时，会涌现“精英俱乐部型小世界网络”的产业网络结构。而且特定结构一经形成，会在一定程度上僵化，导致头部VC、主要VC间形成的联盟、投资潮流在长期演化过程中即使都发生变化，涌现的结构也很难在短时间内随之改变。
在中国的VC产业网络中，一个头部VC会有大量联合投资伙伴，包含较小的、多频次合作的“跟随者”，形成一个以头部VC为中心、小型VC跟随者环绕的圈子，各个圈子并不孤立，而是通过“长桥”连结起来。在中国，扮演长桥角色的通常是头部VC，由此形成瓦茨（Watts, 1999）提出的“小世界网络”，同时，作为长桥的头部VC聚集形成 “精英俱乐部”，故而这种结构被称为“精英俱乐部型小世界网络”。
从理性选择视角出发，对VC投资行为的研究通常更关注投资者的投资利益动机，但从网络科学视角出发，将主体行动者之间的关系纳入考察框。