Autores: Jacob Aagaard Lunding, Christoph Houman Ellersgaard, and Anton Grau Larsen. [P. 57 a 70]
Introdução
Para que os estudos de elite sejam publicamente relevantes, eles precisam envolver e convencer. Para convencer, a definição e a demarcação da elite devem ser teoricamente sólidas e metodologicamente transparentes, e para envolver, precisamos de detalhes e profundidade nas descrições. Devemos nos esforçar para descrever as elites em suas relações entre si; descrever os laços que elas formam em suas afiliações e expor suas carreiras e características. Nesta contribuição, nossa ambição é delinear uma estrutura de pesquisa quantitativa que atenda a essa necessidade de descrição densa: uma abordagem prosopográfica abrangente, baseada na sociologia relacional.
Por prosopografia, nos referimos a uma abordagem particular para coleta e conceituação de dados, com uma longa tradição no campo da pesquisa histórica. Fazer prosopografia é a construção de “uma biografia coletiva, descrevendo as características externas de um grupo populacional que o pesquisador determinou ter algo em comum (profissão, origens sociais, origens geográficas, etc.)” (de Ridder-Symoens, citado em Verboven et al. 2007, p. 39). Isto é, “uma investigação sobre as características comuns de fundo de um grupo de [...] atores por meio de um estudo coletivo de suas vidas”, ou seja, “estabelecer um universo a ser estudado e, então, fazer um conjunto uniforme de perguntas - sobre nascimento e morte, casamento e família, origens sociais e posição econômica herdada, local de residência, educação, quantidade e fontes de riqueza pessoal, ocupação, religião, experiência de cargo e assim por diante” (Stone 1971, p. 46).
Em estudos de elite que seguem a tradição de C. Wright Mills e Pierre Bourdieu, a combinação de sociologia relacional e prosopografia é comum nos estudos de campos, redes e carreiras. Aqui, apresentaremos brevemente três variedades quantitativas de análise relacional que são bem adequadas para dados prosopográficos; análise de correspondência múltipla, análise de rede social e análise de sequência. Argumentamos que esses três métodos se fortalecem e corroboram uns aos outros e, quando combinados em um único projeto de pesquisa, fornecem uma descrição envolvente e convincente das constelações de poder e elites. Primeiro, discutimos o problema de definir elites e como a análise de dados pode ser introduzida nessa etapa. Então, introduzimos os três tipos de análise relacional, antes de finalmente introduzir em detalhes os diferentes formatos de dados exigidos por essas análises.
Definindo a População, uma Questão Quase Trivial
Ao conduzir prosopografias de elite, o problema recorrente em toda sociologia relacional, o da especificação de limites (Emirbayer 1997), torna-se particularmente pertinente. Quem faz parte da elite, do campo ou da rede? É importante refletir profundamente sobre o que constitui um grupo. Qual é a "coisa" que eles têm em comum? Aqueles no topo de um campo são frequentemente qualitativamente diferentes daqueles apenas alguns degraus abaixo na escada e, como consequência, qualquer descrição que se baseie em uma amostra muito inclusiva perderá como os do topo se distinguem da ralé.
Dentro da tradição metodológica dos estudos de elite, os limites populacionais são frequentemente especificados com uma abordagem posicional, reputacional ou decisional (Hoffmann-Lange 2018). A abordagem posicional, que continua sendo a mais amplamente usada, identifica indivíduos no topo das hierarquias formais consideradas pelo pesquisador como tendo os recursos que merecem inclusão nas elites. Isso poderia ser, por exemplo, os principais gerentes nas maiores corporações de uma sociedade. A questão-chave para a abordagem posicional é como selecionar as organizações e quem e quantos selecionar de cada organização. Isso pode ser particularmente difícil quando a hierarquia não é facilmente medida, por exemplo, na cultura ou na mídia. A abordagem reputacional usa o acadêmico, os principais insiders ou pesquisas gerais para avaliar os principais participantes de uma comunidade. Assim, o principal desafio para a abordagem reputacional é como selecionar aqueles que selecionam e garantir que seus preconceitos de poder não impeçam a identificação do poder daqueles que trabalham de maneiras mais sutis ou naturalizadas. A abordagem decisional depende dos acadêmicos identificarem aqueles envolvidos em um processo político. Com a abordagem decisional, o principal obstáculo é selecionar - e obter acesso a dados sobre - as decisões e lutas relevantes. As decisões mais centrais na sociedade nem sempre estão em debate e podem até ter sido decididas há muito tempo. Da mesma forma, nem sempre é necessário que agentes poderosos sejam altamente ativos para que seus interesses sejam levados em consideração por aqueles ativos no processo de decisão.
Comum para essas três abordagens é uma vulnerabilidade relativamente alta a decisões mais ou menos ad hoc (Larsen e Ellersgaard 2017). Mesmo a demarcação de um grupo um tanto simples, por exemplo, os principais líderes empresariais, envolve decisões ad hoc. Devemos selecionar as 100 ou 200 maiores corporações? E por faturamento, saldo, patrimônio ou prestígio? Quantos CEOs? Incluímos presidentes? E quanto aos proprietários ou CFOs? Antes de tudo, é importante não confiar ingenuamente em categorias e registros oficiais, uma vez que os campos e grupos sob investigação raramente - ou nunca - seguem a mesma lógica de demarcação. Essas questões exigem um movimento reflexivo para frente e para trás entre dados e hipóteses, semelhante a um círculo hermenêutico no qual o conhecimento qualitativo do campo informa e é informado por dados (Bourdieu 2005, 99). Propomos aqui que esse processo pode ser ainda mais orientado e fundamentado pelo uso sistemático de métodos relacionais (Larsen e Ellersgaard 2017; ver também Knoke 1993) usando padrões de interação formal para identificar os principais participantes no centro das redes de elite.
A crescente disponibilidade de grandes fontes de dados cria a armadilha de definir o grupo estudado de forma muito ampla. Existem razões analíticas e práticas para limitar a amostra a ser estudada e, assim, traçar limites em um nível exclusivo. Analiticamente, porque as elites, como Mills (1956, 11) coloca, são aquelas que "sentam no mesmo terraço" e formam um grupo de pares relativos. Em vez de ceder à atração do big data, ou seja, usar registros inclusivos como uma ocasião para aumentar o tamanho das amostras, propomos que o pesquisador use os registros para criar grupos altamente selecionados. Ou seja, primeiro extraindo grandes conjuntos de dados de, por exemplo, conselhos corporativos, depois usando métodos relacionais, como análise de rede social, para identificar o grupo relevante e, então, sem hesitação, jogar fora o resto da amostra.
Métodos relacionais
Propomos usar a riqueza de dados disponíveis para colocar a descrição no centro do palco (ver Savage e Burrows 2007). Tabelas descritivas simples de gênero, nacionalidade, educação ou origem social de um grupo de elite geralmente são reveladoras por si só, particularmente se usadas em uma estrutura longitudinal ou comparativa (ver Hartmann 2007), como demonstrado pelo impacto do trabalho de Thomas Piketty (2014) (ver Savage 2014).
Vamos demonstrar aqui, usando nossa análise da rede de elite dinamarquesa como exemplo, como essas descrições simples, mas convincentes, podem ser suplementadas por análises mais estruturais do grupo de elite, por exemplo, do sistema de relacionamentos entre suas diferentes características sociais, de suas relações sociais, de sua trajetória de carreira. Como mencionado, três métodos específicos são bem adequados para esses propósitos e se complementam muito bem, ou seja, análise de correspondência múltipla, análise de rede social e análise de sequência.
A análise de correspondência múltipla (ACM) é, em suma, uma maneira de representar os relacionamentos entre um grande número de variáveis em um espaço multidimensional. Tanto as categorias variáveis como os indivíduos, ou qualquer unidade de análise apropriada, podem, então ser projetado neste espaço (Hjellbrekke 2018). A ACM está intimamente associada ao trabalho de Pierre Bourdieu como uma forma de construir e analisar espaços e campos sociais (Lebaron 2009). Recentemente, a ACM tem sido usada para construir espaços em populações prosopográficas, como diretores de bancos centrais (Lebaron e Dogan 2012), elites francesas e norueguesas (Denord et al. 2018; Hjellbrekke et al. 2007) e altos executivos suíços (Bühlmann et al. 2012), indianos (Naudet et al. 2018) e dinamarqueses (Ellersgaard et al. 2013).
A ACM oferece uma gama de oportunidades analíticas. Variáveis ou casos não incluídos na construção do espaço podem ser projetados post hoc como variáveis suplementares (ou casos) no espaço construído. Estudar como variáveis ‘externas’ estruturam o espaço é uma forte característica exploratória, bem como corroborativa. Além disso, a lógica que estrutura as posições de subgrupos particulares dentro de um espaço pode ser mais explorada em uma análise específica de classe (Chiche e Le Roux 2010).
ACM é uma técnica forte para lidar com dados prosopográficos (Broady 2002). Primeiro porque nos permite captar muitas informações simultaneamente, mas também, e especialmente, porque tem uma maneira robusta de lidar com dados incompletos ou sem resposta. Como Stone (1971: 58) observa, dados prosopográficos serão quase inevitavelmente incompletos. A questão de manter variáveis com dados ausentes na análise, mas não dar peso à categoria ausente, é bem tratada pela ACM específica (Le Roux e Rouanet 2010). Outro ponto forte da ACM é que ela permite ao pesquisador usar as associações entre indicadores imperfeitos de um fenômeno social, por exemplo, uma forma de capital, para extrair essa informação no espaço construído. Em nossa análise do espaço social da elite do poder dinamarquesa, 43 variáveis com 193 categorias foram usadas para construir o espaço. Combinando diferentes medidas, os níveis de capital econômico foram claramente um fator importante na análise, embora não pudéssemos reunir dados de renda ou riqueza (análise em breve, veja Lunding 2017 para uma versão anterior). Conforme mostrado na Fig. 5.1, o valor patrimonial, o tipo de casa (incluindo o tamanho do terreno), combinados com posições em diferentes tipos de corporações no registro corporativo dinamarquês (CVR), seguem uma lógica intimamente associada ao capital econômico no eixo vertical.
Usar dados prosopográficos para Análise de Redes Sociais (ARS) requer que o pesquisador incorpore dados relacionais já nas etapas de design e coleta de dados. Em vez de apenas coletar dados de atributos de indivíduos, os dados devem dizer como cada membro da população está conectado, ou relacionado, entre si. Uma relação pode assumir várias formas, abrangendo desde o compartilhamento de características como histórico educacional, passando por laços de parentesco até redes de interação ou afiliação compartilhadas (Borgatti et al. 2009).
A Análise de Redes Sociais permite a análise de relações em muitos níveis diferentes dentro da população de elite. Da análise da estrutura geral e do nível de conectividade na população, à identificação dos indivíduos mais centrais, à descoberta de subgrupos com base em algoritmos de detecção de comunidade (Keller 2018), a análise de redes sociais permite que o pesquisador descreva e explore relações dentro de uma população definida. Por exemplo, a análise de redes sociais tem sido usada para explicar o papel particular desempenhado pela família Medici nas obras de elite do multiplex Florence no renascimento (Padgett e Ansell 1993) e para explorar as mudanças de relacionamentos nas redes corporativas americanas, levando a uma elite empresarial menos coesa e politicamente inepta nos EUA.
Conforme declarado anteriormente, a análise de rede pode oferecer orientação empírica para a definição empírica da população. Na Fig. 5.2, mostramos como 423 pessoas, o núcleo da rede de elite dinamarquesa contendo 37.750 indivíduos ocupando 56.325 cargos, estão conectadas. Somando-se a isso, a cor denota o setor de sua afiliação organizacional primária, mostrando-nos um núcleo de elite coeso, que, no entanto, se aglomera em torno dos principais setores da elite do poder dinamarquesa.
As trajetórias de carreira das elites costumam ser de interesse particular. Elas não apenas mostram "como a elite chegou ao topo", mas também esclarecem quais tipos de experiências organizacionais recebem alto valor em grupos de elite. Para esse propósito, a Análise de Sequência (AS) oferece a oportunidade não apenas de mapear carreiras, mas também levar em consideração a ordem e o ritmo específicos das carreiras (Jäckle e Kerby 2018). Por exemplo, a velocidade com que os CEOs subiram na escada corporativa. Isso, novamente, requer que o pesquisador se prepare já nas fases de design e coleta de dados do estudo, pois a ordenação temporal de todos os casos nos estados deve ser registrada.
A análise de sequência de uma população de elite prosopográfica foi pioneira no estudo de Abbott e Hrycak (1990) sobre músicos de câmara alemães do século XVIII e no estudo de Blair-Loy (1999) sobre mulheres executivas em finanças. Recentemente, tem sido usada para mapear e descrever carreiras de, por exemplo, banqueiros (Araujo 2017), juízes federais (Jäckle 2016), membros do parlamento (Ohmura et al. 2018) e principais CEOs (Koch et al. 2017). Para a elite do poder dinamarquesa descrita acima, construímos um conjunto de dados multicanal cobrindo a principal afiliação ano a ano de cada membro em seis estados diferentes: setor, subsetor, tamanho da organização, estabilidade organizacional (tempo na organização atual), posição na hierarquia organizacional e localização geográfica. Com base na correspondência ideal e no agrupamento de Ward, isso nos permitiu identificar 10 caminhos típicos ideais para a elite do poder dinamarquesa, conforme ilustrado na Fig. 5.3.
Dados relacionais
Esses métodos relacionais exigem três tipos diferentes de dados. Agora demonstraremos como eles são encontrados e coletados.
Dados de rede social
Os dados em redes sociais podem assumir duas formas - uma lista simples de conexões diretas (como Hans → Sofia) ou uma lista de associações de afiliação (Sofia → Conselho da Unilever) da qual as conexões diretas podem ser derivadas. Se conceitualmente possível, geralmente é preferível coletar redes como redes de afiliação. As redes de afiliação podem ser construídas de várias maneiras. Às vezes, pode ser possível confiar em conjuntos já coletados de "big data", por exemplo, composições de conselhos corporativos. Ao confiar em "big data", é de grande importância passar pelo processo laborioso e informado de garantir a qualidade dos dados (Heemskerk et al. 2018). Dados sobre redes de afiliação também podem ser coletadas manualmente. Uma abordagem comum é criar longas listas de todas as organizações de interesse, por exemplo, as maiores corporações, os principais escritórios estaduais etc., antes de "raspar" as páginas da web ou arquivos dessas organizações para todas as afiliações de relevância; conselhos, comitês, conselhos consultivos etc. Outra abordagem é a amostra de bola de neve. Aqui começamos com um conjunto selecionado de agentes. De seus currículos, todas as suas afiliações e organizações são coletadas, e o processo é repetido para os novos agentes que aparecem nessas afiliações. A amostra de bola de neve é muito mais rápida de coletar porque você não precisa de listas de organizações e não coleta as afiliações isoladas e desconectadas. Mas você obviamente perde a estrutura global da rede com uma amostra de bola de neve, e ela não tem necessariamente um limite natural.
Dados de afiliação podem então ser usados para explorar e criar variáveis que cubram quais setores ou tipos de afiliações os indivíduos estão engajados. Por sua vez, para cada indivíduo, a centralidade (Freeman 1979), posições em grupos centrais ou periféricos na rede (Larsen e Ellersgaard 2017) ou em certos clusters ou comunidades (ver, por exemplo, Heemskerk et al. 2013; Palla et al. 2005), podem ser calculados. Os dados da rede também podem ser usados para avaliar se - e por quais tipos de afiliações - os indivíduos da prosopografia estão conectados. Além disso, a distância sociométrica entre todos os indivíduos abrangidos pela prosopografia pode ser calculada.
Dados biográficos
Dados biográficos são coletados no formato familiar de "uma linha, um indivíduo", com várias colunas de atributos; como idade, posição, gênero, local de nascimento etc. Quando apenas coleções não sistemáticas de dados biográficos estão disponíveis, os dados devem ser coletados por linha, um indivíduo por vez. Se fontes mais sistemáticas estiverem disponíveis, os dados podem ser coletados por coluna, ou seja, você coleta dados sobre várias pessoas na mesma variável. O tamanho viável dos dados que podem ser coletados depende muito do número de variáveis que precisam ser coletadas manualmente de forma por linha. A coleta de dados por coluna geralmente é mais rápida quando ordenada por magnitudemais rápido, mas pode exigir habilidades de programação.
Os conjuntos de dados biográficos têm dois conjuntos de variáveis; dados brutos e codificados. As colunas de dados brutos são longas sequências de texto que são então codificadas em várias variáveis. Os dados codificados são colunas simples de valor único com valores prontos ou quase prontos para análise quantitativa. Ao manter as strings brutas e as variáveis codificadas, a base de uma determinada variável é transparente - melhorando assim a reprodutibilidade - e permite a recodificação subsequente. As strings de texto brutas são frequentemente importadas de bancos de dados biográficos como Who's Who (veja Priest 1982) ou extraídas de sites como LinkedIn ou Wikipedia. Essas strings podem ser muito longas e conter muitas variáveis como gênero, idade, primeira posição etc. Elas são então separadas manualmente ou com a ajuda de ferramentas de manipulação de strings de texto como expressões regulares.
Outras fontes importantes de dados biográficos são notícias e artigos de retratos. Eles geralmente podem ser baixados na íntegra de bancos de dados de jornais. Esses artigos são salvos em um corpus de arquivos de texto pesquisáveis. Extrair artigos automaticamente não é um processo simples, no entanto. O pesquisador precisa elaborar cuidadosamente strings de pesquisa individuais para cada pessoa. Simplesmente procurar por retratos de John Smith nos dará muitos artigos irrelevantes. Pesquisar, no entanto, por John Smith E diretor E Unilever no período de 1990 a 1997 pode nos dar bons resultados. Se você salvar as sequências de pesquisa individuais como uma variável, elas podem ser alimentadas em web scrapers e você pode construir as sequências combinando várias variáveis como posição, nome e organização.
Na era da digitalização, muito material de arquivo antes difícil de obter se torna cada vez mais acessível online. Isso significa que dados históricos podem ser coletados de uma forma menos, embora ainda demorada. Listas de censo, livros de igrejas ou registros paroquiais podem fornecer dados genealógicos e, às vezes, até mesmo dados de atributos históricos sobre a posição social de pais ou avós, etc. Em alguns casos, fontes online têm APIs gratuitas ou comercializadas, facilitando a coleta de dados. Caso contrário, construir web scrapers pode acelerar a coleta de dados. Lembre-se, porém, de que, embora os web scrapers sejam eficientes quando bem-sucedidos, o pesquisador ainda pode ter que eliminar dados irrelevantes manualmente. Mesmo com currículos, biografias e artigos de retrato, o pesquisador enfrentará uma quantidade razoável de informações ausentes. Quanto mais famosa uma pessoa é, mais fácil é encontrar informações sobre ela; portanto, em dados biográficos, os dados ausentes são sempre distorcidos (Tabelas 5.1 e 5.2).
Dados de sequência
Dados sobre sequências de carreira são coletados no formato de magia. Uma sequência consiste em magias e elas têm três tipos de valores: Identidade, estado e período. Você pode pensar em uma magia como alguém (identidade), fazendo algo (estado) de uma data para outra (período). Uma magia pode ter vários estados ao mesmo tempo. Sequências compostas de magias com vários estados são denominadas multicanal ou multifluxo. Uma sequência de carreira geralmente é multicanal e uma única magia pode se parecer com isto:
[Data on career sequences are collected in the spell format. A sequence consists of spells and they have three types of values: Identity, state and period. You could think of a spell as someone (identity), doing something (state) from one date to another (period). A spell can have multiple states at the same time. Sequences made up of spells with multiple states are termed multi-channel or multi-stream. A career sequence is often multi-channel and a single spell could look like this:]
Nome: John Smith (identidade), Cargo: Chefe de Vendas (estado), Organização: Coca-Cola (identidade), Tamanho da organização: Muito grande (estado), Local: Cidade do Cabo (estado), Início: 01-10-1986 (período), Término: 05-08-1996 (período).
Toda a carreira então consiste em várias linhas com magias, e os indivíduos não necessariamente teriam a mesma quantidade de magias. De um canal é possível derivar novos canais como o ritmo da mudança organizacional, o número de localizações geográficas ou o nível da posição. Também é possível calcular a duração de um certo estado. O mesmo projeto pode ter várias sequências para a mesma população, carreira, moradia, posições de rede etc. Embora essas sequências não possam ser coletadas na mesma matriz, elas podem ser comparadas na análise posterior.
O pesquisador deve considerar se os períodos individuais podem se sobrepor, por exemplo, se uma pessoa pode ter duas posições de CEO ao mesmo tempo. Da mesma forma, é importante se uma lacuna - um conjunto de anos em que não temos registro - está faltando, inatividade ou um estado independente; como "desempregado". O que conta como faltando é importante quando você conta o número de estados distintos em uma sequência e ao calcular as distâncias entre duas sequências.
Observações Finais
Neste capítulo, argumentamos que a coleta de dados prosopográficos, combinada com métodos quantitativos relacionais, oferece uma possibilidade única de entender a estrutura social das elites. Ressaltamos, no entanto, que a qualidade de uma análise baseada em dados prosopográficos repousa sobre uma população bem definida e teoricamente relevante, e no acesso a fontes confiáveis e multifacetadas e uma coleta de dados feita com os formatos de dados específicos necessários, por exemplo, análise de rede social ou análise de sequência, em mente.
Para ir além das imagens depreciativas ou celebratórias das elites da sociologia espontânea, fazer prosopografia oferece uma abordagem empírica para abordar o papel específico das elites desempenhado em um contexto social. Com base em uma combinação do cuidado conhecedor dos dados pelo artesão e da criatividade para usar esses dados de novas maneiras para não apenas descrever, mas também mapear o relacionamento entre grupos de elite, dados prosopográficos e métodos relacionais permitem que o pesquisador destaque as relações que importam entre as pessoas que importam. Por fim, ao nomear os poderosos e permitir que o leitor siga os poderosos nas representações visuais possíveis, por meio de análise de correspondência múltipla, análise de rede social e análise de sequência, o pesquisador prosopográfico não apenas produz resultados que são mais intuitivos de interpretar, mas também esteticamente agradáveis. Usar nomes e plotá-los permite que os leitores se envolvam mais, e mais criticamente, com os resultados, permitindo que os estudos de elite se tornem sociologia pública. Colocar nomes no poder e reunir e analisar dados prosopográficos é uma forma de impor indiretamente às elites o dever de preencher questionários e escrever sua sociologia.
Nomes e identidades: amarrando tudo junto
Para todos os tipos relacionais de dados, você deve esperar gastar uma quantidade considerável de tempo na resolução de identidade (Keats-Rohan 2007, p. 151). A Sofia da Unilever é a mesma que a Sofia do Barclays? A gravidade desse problema difere drasticamente entre os contextos. Nomes da classe trabalhadora inglesa como John Smith são notoriamente difíceis, enquanto nomes da classe alta dinamarquesa são bastante únicos. Da mesma forma, as pessoas não usam o mesmo nome ou a mesma grafia em fontes de dados e afiliações. Muitas vezes, o nome oficial será mais longo, por exemplo, Dick Cheney é a abreviação de Richard Bruce Cheney. Para resolver o problema de correspondência de nomes, o pesquisador precisa coletar o máximo possível de dados extras - mesmo redundantes - para cada entrada. Para afiliações, como conselhos, certifique-se de coletar as pequenas descrições biográficas que geralmente acompanham a lista de membros do conselho. Mas mesmo com esses dados, o pesquisador é frequentemente forçado a fazer o que equivale a palpites qualificados. Além disso, você não deve esperar que pessoas e organizações tenham o mesmo nome em diferentes fontes: como resultado, cada pessoa e organização precisa de um identificador exclusivo em todos os conjuntos de dados e uma lista de aliases, caso contrário, você não poderá mesclar e fazer referências cruzadas entre redes de afiliação, dados de sequência e dados biográficos.
A resolução de identidade, ou correspondência de nomes, é melhor feita manualmente e, embora possa parecer tentador usar algoritmos para correspondência de nomes difusa, a qualidade geralmente é baixa. Na melhor das hipóteses, os algoritmos podem ajudar no processo codificado manualmente. Para conjuntos de dados maiores, geralmente é impossível resolver problemas de identidade completamente. Para dados de sequência e biográficos, o problema raramente afetará os argumentos substanciais da análise. Este não é o caso da análise de rede e deve-se ter cuidado considerável com os agentes mais centrais. Tenha cuidado se John Smith for um agente central. Mas, por outro lado, o risco de errar por excesso de cautela é igualmente problemático. Ter separado Richard Cheney de Dick Cheney não afetará apenas a centralidade de Dick Cheney, mas de todos aqueles a quem ele está conectado, e se for um agente central, pode impactar a estrutura global da rede. Uma abordagem é garantir uma qualidade de dados mais alta para agentes centrais. Aqui, análise, coleta de dados e controle de qualidade de dados é um processo de ida e volta.
Referências
Abbott, A., & Hrycak, A. (1990). Measuring resemblance in sequence data: An optimal matching analysis of musicians’ careers. American Journal of Sociology, 96(1), 144–185. Araujo, P. (2017). Dynamics of internationalization a sequential analysis of the careers of Swiss banking elites. In A. Korsnes, J. Heilbron, J. Hjellbrekke, F. Bühlmann, & M. Savage (Eds.), New directions in elite research (pp. 73–89). London: Routledge. Blair-Loy, M. (1999). Career patterns of executive women in finance: An optimal matching analysis. American Journal of Sociology, 104(5), 1346–1397. Borgatti, S. P., Mehra, A., Brass, D. J., & Labianca, G. (2009). Network analysis in the social sciences. Science, 323(5916), 892–895. Bourdieu, P. (2005). The social structures of the economy. London: Polity. Broady, D. (2002). French prosopography: Definition and suggested readings. Poetics, 30(5–6), 381–385.
Bühlmann, F., David, T., & Mach, A. (2012). The Swiss business elite (1980–2000): How the changing composition of the elite explains the decline of the Swiss company network. Economy and Society, 41(2), 199–226. Chiche, J., & Le Roux, B. (2010). Développements récents en analyse des correspondances multiples. La Revue MODULAD, 42, 110–117. Denord, F., Lagneau-Ymonet, P., & Thine, S. (2018). Primus inter pares? The French field of power and its power elite. Socio-Economic Review, 16(2), 277–306. Ellersgaard, C. H., Larsen, A. G., & Munk, M. D. (2013). A very economic elite: The case of the Danish top CEOs. Sociology, 47(6), 1051–1071. Ellersgaard, C. H., Aagaard Lunding, J., Henriksen, F. L., & Larsen, A. G. (2019). Pathways to the power elite: The organizational landscape of elite careers. The Sociological Review, May 29, 0038026119852301. https://doi.org/10.1177/0038026119852301. Emirbayer, M. (1997). Manifesto for a relational sociology. American Journal of Sociology, 103(2), 281–317. Freeman, L. C. (1979). Centrality in social networks conceptual clarification. Social Networks, 1, 215–239. Hartmann, M. (2007). Eliten Und Macht in Europa: Ein Internationaler Vergleich. Frankfurt am Main/New York: Campus. Heemskerk, E. M., Daolio, F., & Tomassini, M. (2013). The community structure of the European network of interlocking directorates 2005–2010. PLoS One, 8(7), e68581. Heemskerk, E., Young, K., Takes, F. W., Cronin, B., Garcia-Bernardo, J., Henriksen, L. F., Winecoff, V. K., Popov, V., & Laurin-Lamothe, A. (2018). The promise and perils of using big data in the study of corporate networks: Problems, diagnostics and fixes. Global Networks, 18(1), 3–32. Hjellbrekke, J. (2018). Multiple correspondence analysis for the social sciences. New York: Routledge. Hjellbrekke, J., Le Roux, B., Korsnes, O., Lebaron, F., Rosenlund, L., & Rouanet, H. (2007). The Norwegian field of power anno 2000. European Societies, 9(2), 245–273. Hoffmann-Lange, U. (2018). Methods of elite identification. In H. Best & J. Higley (Eds.), The Palgrave handbook of political elites (pp. 79–92). London: Palgrave Macmillan UK. Jäckle, S. (2016). Pathways to Karlsruhe: A sequence analysis of the careers of German Federal Constitutional Court Judges. German Politics, 25(1), 25–53. Jäckle, S., & Kerby, M. (2018). Temporal methods in political elite studies. In H. Best & J. Higley (Eds.), The Palgrave handbook of political elites (pp. 115–133). London: Palgrave Macmillan UK. Keats-Rohan, K. S. B. (2007). Biography, identity and names: Understanding the pursuit of the individual in prosopography. In K. S. B. Keats-Rohan (Ed.), Prosopography approaches and applications: A handbook (pp. 139–181). Oxford: Prosopographica et Genealogica. Keller, F. B. (2018). Analyses of elite networks. In H. Best & J. Higley (Eds.), The Palgrave handbook of political elites (pp. 135–152). London: Palgrave Macmillan UK. Knoke, D. (1993). Networks of elite structure and decision making. Sociological Methods & Research, 22(1), 23–45. Koch, M., Forgues, B., & Monties, V. (2017). The way to the top: Career patterns of fortune 100 CEOS. Human Resource Management, 56(2), 267–285. Larsen, A. G., & Ellersgaard, C. H. (2017). Identifying power elites—K-cores in heterogeneous affiliation networks. Social Networks, 50, 55–69. Larsen, A. G., & Ellersgaard, C. H. (2018). A Scandinavian variety of power elites – Key institutional orders in the Danish elite networks. In A. Korsnes, J. Heilbron, J. Hjellbrekke, F. Bühlmann, & M. Savage (Eds.), New directions in elite research (pp. 133–149). London: Routledge. Le Roux, B., & Rouanet, H. (2010). Multiple correspondence analysis. Thousand Oaks: Sage.
Lebaron, F. (2009). How Bourdieu ‘quantified’ Bourdieu: The geometric modelling of data. In K. Robson & C. Sanders (Eds.), Quantifying theory Pierre Bourdieu (pp. 11–30). Dordrecht: Springer. Lebaron, F., & Dogan, A. (2012). Do central bankers’ biographies matter? Sociologica, no. 2/2012. Lunding, J. A. (2017). The Danish field of power. A multiple correspondence analysis of the contemporary structures of power in Denmark. Master thesis, Department of Sociology. University of Copenhagen, Denmark. Lunding, J. Aa., Larsen, A. G., & Ellersgaard, C. H. (2020). The established and the delegated: The division of labour of domination among effective agents on the field of power in Denmark. Sociology, [Accepted for Publication]. Mills, C. W. (1956). The power elite. New York: Oxford University Press. Naudet, J., Allorant, A., & Ferry, M. (2018). Heirs, corporate aristocrats and ‘Meritocrats’: The social space of top CEOs and chairmen in India. Socio-Economic Review, 16(2), 307–339. Ohmura, T., Bailer, S., Meiβner, P., & Selb, P. (2018). Party animals, career changers and other pathways into parliament. West European Politics, 41(1), 169–195. Padgett, J. F., & Ansell, C. K. (1993). Robust action and the rise of the Medici, 1400–1434. American Journal of Sociology, 98, 1259–1319. Palla, G., Derényi, I., Farkas, I., & Vicsek, T. (2005). Uncovering the overlapping community structure of complex networks in nature and society. Nature, 435(7043), 814–818. Piketty, T. (2014). Capital in the twenty-first century. Harvard University Press. Priest, T. B. (1982). A note on who’s who in America as a biographical data source in studies of elites. Sociological Methods & Research, 11(1), 81–88. Savage, M. (2014). Piketty’s challenge for sociology. The British Journal of Sociology, 65(4), 591–606. Savage, M., & Burrows, R. (2007). The coming crisis of empirical sociology. Sociology, 41(5), 885–899. Schmitt, C. (1991). Glossarium: Aufzeichnungen Der Jahre 1947–1951. Berlin: Duncker & Humblot. Stone, L. (1971). Prosopography. Daedalus, 100(1), 46–79. Verboven, K., Carlier, M., & Dymolyn, J. (2007). A short manual to the art of prosopography. In K. S. B. Keats-Rohan (Ed.), Prosopography approaches and applications: A handbook (pp. 35–69). Oxford: Prosopographica et Genealogica.
Acesso aberto Este capítulo é licenciado sob os termos da Creative Commons Attribution 4.0 International License (http://creativecommons.org/licenses/by/4.0/), que permite uso, compartilhamento, adaptação, distribuição e reprodução em qualquer meio ou formato, desde que você dê o devido crédito ao(s) autor(es) original(ais) e à fonte, forneça um link para a licença Creative Commons e indique se foram feitas alterações. As imagens ou outros materiais de terceiros neste capítulo estão incluídos na licença Creative Commons do capítulo, a menos que indicado de outra forma em uma linha de crédito para o material. Se o material não estiver incluído na licença Creative Commons do capítulo e seu uso pretendido não for permitido por regulamentação estatutária ou exceder o uso permitido, você precisará obter permissão diretamente do detentor dos direitos autorais.
Comentários
Postar um comentário